中国高技术产业科技创新效率评价研究——基于三阶段超效率DEA 模型

沈俊鑫，张超颖，李 晶

（1.昆明理工大学管理与经济学院，云南 昆明 650500；2.宁波工程学院经济与管理学院，浙江 宁波 315000）

一、引言

当今之世， 科技是一个国家发展的领航标，若失去科技创新力，最终只会沦为世界加工厂。 2021年为“十四五”开局之年，“关键核心技术实现重大突破，进入创新型国家前列”被设定为2035 年基本实现社会主义现代化的远景目标之一。 放眼全国，中国区域创新创业指数榜单显示，安徽省和河南省“挤进”全国前10；长三角、珠三角等东部沿海地区指数在87 分以上，是中国创新创业高地。 北方地区中，仅山东省和北京市位列全国前10 位，有3/4 的省份指数得分不足60 分。 由于中国地域辽阔，各方面资源配置无法保证完全均衡，各省对先进的科学技术与创新人才投入不尽相同，区域创新分化才如此严重。

放眼全球，2021 年全球创新指数排名显示，中国连续6 年保持稳步上升态势，列全球第12 位，在东南亚大洋洲地区处于中偏上水平。 在创新投入和科技集群上，中国仅次于美国排在世界第2 位。 但需要明确的是，中国创新能力依然不及持续在全球创新格局中遥遥领先的北美洲和欧洲，以创新为导向的政策对经济增长和发展的影响还远远不够。 鉴于此，本文从省际角度分析中国高技术产业创新水平，根据实证结果分析阻碍创新的因素，为探讨全国高技术企业实施创新驱动发展战略、提升科技创新效率的机制路径提供新思路。

二、文献综述

国内外专家学者对高技术产业创新效率的研究在理论和实践层面取得了丰硕的成果，对本文有非常多的借鉴意义。 国内外专家学者主要从研究对象、内容、方法等几个方面进行探究。

在研究对象方面， 学者们一般倾向立足于省域、城市群、地级市等，从区域层面进行研究。 如张月明等从省际角度出发，对全国各省市生产效率进行测算。 发现中国高技术产业创新效率的总体水平较高，创新效率存在较大的区域差异。 李健等选择京津冀地区， 发现京津冀三地存在资源分配不合理、协同机制不完善等不足情况。 戚湧等测算了长江经济带各地区， 发现整体创新效率水平较高，各省（市）之间的差距较大。邵青等则聚焦于浙江省11个地市，发现不同规模和不同区域层面的高技术产业都存在知识创新阶段的综合效率高于科技成果转化阶段的综合效率现象。

在研究方法方面， 常见的包括聚类分析法、层次分析法、灰色系统分析法、数据包络分析法等。 其中，数据包络方法在效率估计、变量赋权和量纲处理上具有明显优势，因此国内外学者普遍采用数据包络方法。 既有单一运用的数据包络模型，如李健等采用传统DEA 模型对2010—2017 年京津冀地区高新技术产业创新效率进行测算，发现京津冀三地存在资源分配不合理、协同机制不完善等不足情况。 也有与其他方法相结合运用的扩展模型，如张月明等采用超效率DEA 模型对各省市生产效率进行测算，进而构建DEA-Malmquist 模型对各省市综合生产率指数进行计算和分解。 刘凤朝等建立两阶段网络DEA 模型对东北三省高技术制造产业创新效率评价研究发现，东北三省的两阶段效率变化呈离散化态势。

在研究内容方面，现有的一些研究运用实证分析测算高技术产业科技创新效率、 劳动人员素质、政策支持、市场化水平、创新要素质量、国际直接投资（Foreign direct Investment, FDI）等，这些因素被认为对创新效率有着显著影响。

总体看来，在高技术产业创新效率的测度方面有较为丰富的研究。 但进行效率评价时，以往大多数文献采用的评价方法大多基于传统DEA 模型，在实证分析后分析得到了影响创新效率的因素。 但是，却不能规避统计噪声与管理无效率等环境效应对于所选取的投入量或产出量的影响，特别是对结果的可靠性带来何种程度的影响估计不足，高技术产业创新活动中所存在的问题也无法真正被发现。由于传统模型无法对效率值为1 的决策单元进一步排名，高技术产业创新排名精确度不足。 而三阶段DEA 模型能够在一定程度上消除环境对投入产出变量的影响， 超效率DEA 模型能够对决策单元进行精确排名。 因此，本文运用三阶段DEA 与超效率DEA 模型相结合的三阶段超效率DEA 模型，对2019 年全国30 个省份的高技术产业科技创新效率进行测算与分析，针对实证结果提出相应建议以提高国家高技术产业创新效率。

三、研究设计

（一）评价方法

数据包络分析（DEA）是由Charnes 等于1978 年提出的一种针对多投入、 多产出指标进行的决策单元（DMU）间相对效率评价的非参数方法。 因在多投入、 多产出指标的效率估计以及变量赋权和量纲处理上具有明显优势， 国内外学者普遍采用数据包络方法进行效率评价。 但传统DEA 模型只能测算出的效率值是否为1， 并以此为据将众多研究单元分为DEA 有效（效率值为1）和DEA 无效（效率值＜1）两类。 对于有效决策单元出现多个的普遍情况， 传统DEA 模型无法进一步比较这些决策单元之间的效率。 为了解决这一问题，Andersen 等于1988 年提出了超效率DEA 模型，使得有效决策单元的效率值可以大于1，从而能够进一步将有效与非有效决策单元进行区分。

（二）模型构建

传统DEA 模型的两大缺陷会影响到测算结果的准确性和决策单元排名的可靠性。 为了规避模型本身对研究的不良影响， 本文构建三阶段超效率DEA 模型，以期得到不受外部干扰的效率值和具体的决策单元排名。 鉴于高技术产业科技创新发展效率涉及多投入和多产出并且受环境因素的影响，本文假定规模报酬可变来构建模型。

1.超效率DEA 模型。三阶段超效率模型在构建上的特点是第一阶段与第三阶段均使用同一数据包络DEA 模型。与传统的DEA 模型有所区别的是，超效率DEA 模型评价某个决策单元时， 可以考虑产出与投入的比值大于1 的情况。 基于投入导向的超效率DEA 模型如式（1）所示：

其中，x 为投入指标，y 为产出指标，n 为独立决策单元个数。 上述模型可以使用DEA solver Pro5.0软件进行计算。

2.SFA 回归分析。 为了剔除掉影响评价结果的外部其他因素，第二阶段的任务是构建随机前沿分析模型（SFA 模型）如式（2）所示：

上述模型可以使用frontier4.1 求出以上参数值的估计值。 本文选择投入导向，对各省各项投入变量的松弛值进行分析， 依据SFA 结果运用Jondrow等于1982 年提出的思路编写Python 代码分离管理无效率项后对投入变量进行调整。

（三）指标选取和数据来源

高技术产业通常包含多个投入和产出要素，创新活动的投入一般反映区域对人才的吸引力、区域科技财力；而创新活动的产出往往体现了地区创新能力水平、科技进步带来的经济效益、市场创新的接受程度。 高技术产业创新活动还会受到宏观经济政策、政府支持力度、地方科技基础、对外开放水平等诸多外界因素的限制或鼓励，因此所选取的环境变量需体现以上因素对创新效率的显著影响。 考虑到指标体系构建的科学性、 系统性及可行性原则，参考现有研究的指标选择，本文共选取2 个投入指标，3 个产出指标和4 个环境变量，具体指标如表1所示。 本文所选样本为中国内陆30 个省（直辖市）2019 年高技术产业，其中西藏地区有数据缺失的情况，使用线性插值法补全后计算效果不理想，因此将其数据剔除。

表1 指标选取

四、实证分析

三阶段超效率DEA 模型实证分析分以下三个阶段进行。

（一）第一阶段超效率DEA 模型分析

利用DEA solver pro5.0 软件，将处理后的数据代入Super-Radial（Super-BCC-I）模型，得到的高技术产业创新效率的测算结果如表2 所示，30 个省份的高技术产业综合效率排名如表3 所示。

表2 2019 年中国省际高技术产业超效率DEA 结果

表3 2019 年中国省际高技术产业综合效率排名

从表2 可以看出， 相关要素没有达到DEA 有效（效率值≥1），说明总体高技术产业创新态势有待提高。 其中，北京、广西、吉林、宁夏4 个省份创新效率呈现DEA 有效，处于技术效率前沿。 在非DEA有效（效率值＜1）的决策单元中，浙江、河南、广东、海南、重庆、四川、甘肃、青海、新疆9 个省份未达到有效是由规模效率低而导致的。 而2/3 的省份因纯技术效率低而无法达到DEA 有效， 面临不同的管理与技术提升空间。 显然，中国大部分省份投入冗余突出。

（二）第二阶段SFA 模型分析

考察环境变量对于两个投入松弛变量的影响，借助Frontier4.1 进行SFA 回归分析，分析结果如表4 所示。

表4 SFA 结果

由表4 可知，大部分参数的t 值都在1%的显著性水平上通过正态检验。 γ 值均接近1，表明存在环境因素对创新效率的干扰，且管理无效率项较随机误差项干扰更大，因而有必要通过公式对原始投入值进行调整。根据Battese 和Coelli 的研究，LR 值高于自由度为4 的广义单边似然比检验临界值，说明SFA 模型的设定有效。

由于环境变量是对投入差额值进行的回归，所以当相关系数（参数）为正时，表示增加环境变量有利于投入指标松弛值的增加，反之亦然。 也就是说，系数为正时，说明该环境变量的增加对效率的提高有副作用，会造成投入要素的浪费。 系数为负时，则情况相反， 有利于提高效率。 以四个环境变量对R&D 人员投入松弛变量的影响为例，它们的回归系数均通过1%的显著性检验。其中，如果系数在0—1之间，则会造成过度投入情况。 因此，根据Fried 等给出的调整方法对投入量进行调整，以剔除环境变量对效率测度值的影响。

（三）第三阶段超效率DEA 模型分析

将调整后的投入数据和30 个省份的高技术产业的原产出数据代入Super-Radial （Super-BCC-I）模型，超效率DEA 测算效率值如表2 所示，各省份DEA 效率排名如表3 所示。

从表2 可以看出，在考虑环境变量和随机误差的影响下，整体效率依旧低下。 说明总体来看，中国高技术产业创新有继续进步的空间。 由表3 可知，DEA 综合效率排名有了很大变化。 吉林、 上海、海南、宁夏、甘肃、青海、新疆7 个省份排名有所下降，也证明环境对创新效率有所影响。 其中， 宁夏、海南、甘肃、青海排名差额较大。 结合表4 结果可知，地区人均生产总值（Z1）和有R&D 活动企业数（Z3）对X2 松弛变量的回归系数为负， 可见宏观经济状况和科技基础牵制这些地区的R&D 经费投入，从而影响高技术产业创新发展。

对各阶段决策单元的效率进行横向分析能够初步判断中国高技术产业创新情况。 由于环境因素在这一判断过程中产生大小未知的影响，因此纵向对调整前后的三种效率进行对比分析。 得出各省份高技术产业创新活动综合效率值的增减情况如图1所示，规模效率值的增减情况如图2 所示，纯技术效率值的增减情况图3 所示。

图1 高技术产业调整前后的综合效率对比图

图3 高技术产业调整前后的纯技术效率对比图

由图1 可知，调整前后综合效率存在一定程度的虚高，DEA 有效省份由4 个增加至5 个。北京、河南、广西、吉林、广东5 个省份创新效率呈现DEA有效，位于中部地区的河南省跻身前列，宁夏因剔除环境因素导致规模效率大幅下降而脱离DEA 有效列队。 由图2 可知，非DEA 有效（效率值＜1）的决策单元中，内蒙古、海南、青海、宁夏、新疆5 个省份未达到有效是由规模效率低而导致的，并呈现出一定的区域性。 由图3 可知，4/5 的省份因技术效率低而无法达到DEA 有效， 特别是陕西省技术效率受环境影响较大，可以依此为高技术产业企业提升运行效率提出针对性的建议。 同时，第三阶段采用超效率DEA 模型， 测算之后的效率存在大于1 的情况，也认为其处于前沿面上。 为进一步探究中国高技术产业创新效率的区域差异，按照该划分方式进行划分，如表5 所示。

表5 创新能力划分表

由表5 可知， 在剔除环境因素的影响之后，创新能力较弱的三个省份位于西部地区，说明西部地区高技术产业创新能力的确处于需要大大加强的状况。 第三阶段计算得出综合效率均值为0.745，还未到较强水平。 可以看出，四大地区的大部分城市效率都为一般水平。

五、建议

高技术产业创新效率的思路是：要进行差别化创新，打造国内大循环“新引擎”。 党的十九届五中全会作出“加快构建以国内大循环为主体、国内国际双循环相互促进的新发展格局” 的重大战略部署，部署中强调“注重激发基层的改革创新活力，支持开展差别化创新”。 发展只有体现各自特色，才能避免同质竞争、资源闲置和过度开发，才能实现生产要素有序流动、合理配置和充分利用，形成良性的发展互动。 要通过区域发展优势互补，激发区域经济活跃程度，提高区域间开放力度，进一步提高区域整体创新能力。 要从“引进消化吸收”国外先进技术起步，向“集成创新”深化。 要以点带面，健全梯次联动的区域创新布局。 创新活动的空间分布在客观上存在区域梯次差异，因此，要促进创新效率提升和科技成果转化由东部向东北、中、西部协同发展转变。