长株潭城市群科技创新效率研究

易斌 施可

摘要： 基于超效率DEA、Malmquist模型和灰色关联分析方法对2011～2021年长株潭城市群科技创新效率进行测算和影响分析，并与合肥都市圈和郑州都市圈进行比较分析。得出结论：（1）长株潭城市群科技创新全要素生产率的不断提升得益于技术进步的推动，科技创新效率为三个城市群中最优；（2）规模以上工业R&D人员全时当量、新产品销售收入和R&D经费内部支出是与长株潭城市群科技创新效率灰色关联度最高的三个影响因素。基于此，建议长株潭城市群从人才优先发展、深化企业创新主体作用、加速金融发展和加大财政投入方面共同发力提高科技创新效率。

关键詞：长株潭城市群；科技创新效率；超效率DEA模型；Malmquist模型；灰色关联分析

中图分类号：F427      文献标志码：A      文章编号：1008-4657（2024）02-0061-08

0        引言

党的十八大以来，以科技创新为主要推动的全面创新是全国实施创新驱动发展战略的核心，湖南省积极响应，持续深化创新驱动发展，全省科技创新综合实力全国第11位，企业创新综合实力全国第8位，重点产业的关键核心技术达世界领跑先进水平。2021年，长株潭城市群经济体量1.92万亿元，占湖南省总量的41.6%，长株潭城市群作为湖南省科技创新最高水平代表，不仅是湖南经济发展的中流砥柱，更是国家“中部地区崛起”战略的重点发展城市群之一。2022年2月24日国家发改委正式批复了《长株潭都市圈发展规划》，再一次强调了长株潭城市群的重要建设地位。湖南省正处于“十四五”和“三高四新”战略风口，创新驱动发展是湖南省以及长株潭城市群高质量发展的长远核心战略，科技创新是高质量发展的直接动力，高科技创新效率能推动生产要素良性循环加速高质量发展进程。长株潭城市群想继续推进先进制造业、科技创新高地建设，深化区域一体化辐射带动全省经济社会高质量发展必须要强化科技创新提高创新效率。然而目前对于长株潭城市群科技创新效率的测算研究分析较少，因此了解长株潭城市群科技创新效率的变化并分析其影响原因，从而为提高科技创新效率提出有针对性的建议十分重要。

1       文献综述

科技创新活动是基于对投入的科技物资和研发人力的资源配置实现科技创新产出，科技创新活动中的资源配置合理性会直接影响科技创新效率和创新产出水平，从而间接影响地区经济产出。因此，科技创新效率在一定程度上反映了地区经济产出的实际水平和发展潜力，也是企业维持独特市场竞争力的重要手段。

目前有关科技创新效率评价的研究有很多。在评价体系构建上，徐顽强等［ 1 ］在弗里曼的国家创新体系的基础上构建了基于企业、高校及科研机构、政府和区域经济产业大环境的省域科技创新体系评价模型的理论框架。迟国泰等［ 2 ］从科技创新环境，科技创新投入，科技创新产出和科技对经济社会的影响四个维度构建以企业为主体的科技创新指标体系。Pinto  H等［ 3 ］从经济结构、技术创新、人力资本、劳动力市场四个层面构建区域创新能力衡量体系。然而大部分学者更倾向从科技投入和科技产出两个层面来构建科技创新评价体系，并根据实际研究需要完善指标体系［ 4-8 ］。在测度方法选择上，很多学者倾向于选择DEA及其组合模型［ 8-14 ］。除了效率测度，对效率影响因素的研究也越来越深入。韦颜秋等［ 15 ］发现加强政府重视和治理力度，完善市场机制，优化产业结构和激励企业自主创新意识等可以逐步解放技术进步和技术效率结构失衡对科技创新效率提升的抑制。Wang   Shuai等［ 16 ］认为加大区域开放程度从长远来看可以加强市场竞争、淘汰落后技术并促进知识交流和资源流入。程广斌等［ 17 ］发现政府支持力度和人力资本素质与技术创新效率正相关。沙德春等［ 18 ］认为应当从规模与技术两方面综合考虑，扩大创新成果产出加速创新成果转化。

已有文献对科技创新效率的研究主要集中为国家和省域层面，选取的多为东部经济发达地区，对中、西部地区和其中的城市群、都市圈的研究相对较少。

2       科技创新效率DEA模型分析

2.1      模型选择

2.1.1       超效率DEA模型

数据包络分析方法（Date  Envelopment  Analysis，DEA）被广泛运用于效率测算，传统的DEA方法存在当多个决策单元效率值均为1时不能区分这些决策单元效率高低的局限性，为了更好地反映城市群科技创新效率的真实值，选择能突破效率值不超过1界限的超效率DEA模型解决这一问题，具体公式如下：

其中x和y别表示投入和产出值，S和S表示投入和产出的松弛变量，n，q，r表示投入产出项数，i代表年份数，θ表示决策单元的科技创新效率。

2.1.2        Malmquist模型

超效率DEA模型测度的是静态效率，不能反映科技创新效率的时空变化趋势，为了更好观测城市群科技创新效率的动态变化，在静态模型基础上采用Malmquist模型测算城市群科技创新动态效率，具体公式如下：

在上式中M代表全要素生产率，M = 1时说明从t到t+1时期全要素生产率不变，M > 1代表全要素生产率提高，M < 1代表全要素生产率下降。同时全要素生产率可分解为技术进步效率（Techch）和技术效率（Effch）的乘积，二者分别代表生产前沿面外移效率和技术水平改良效率。

2.2    指标体系建立和数据来源

目前没有统一的城市群科技创新评价指标体系，本文参考过往研究，结合长株潭城市群实际发展情况，秉承指标选择的科学性，客观性和可获得性，构建科技创新效率评价的指标体系表1所示［ 17 ］。

科技创新投入主要包括人力投入和资金投入。R&D人员全时当量是国际通用的衡量科研人力投入的指标，由全时人员数与非全时人员按工作量折算为全时人员数加总计算，反映科研活动的人力投入；企业是人力投入的重要载体也是科技创新的主体，有R&D活动企业数能反映一个地区创新主体规模和发展潜力；R&D经费内部支出是指用于机构内部科研活动的实际支出，主要由政府资金和企业资金构成，充分体现了一个地区对科研活动的资金支持。同时，考虑到抓大放小和更能代表地区的整体趋势的原则，故选择规模以上工业（以下简称规上工业）中的R&D人员全时当量、有R&D活动企业数和R&D经费内部支出作为投入指标。

科技创新产出主要是新技术、新知识的产生与转化。发明专利授权数指当年授权的发明专利总和，能直接反映创新成果产出规模；新产品销售收入则反映了创新成果产出转化带来的经济收益。故选择规上工业新产品销售收入和发明专利授权数作为产出指标。

为保障数据完整性和科学性，所有原始数据来自2012～2022年湖南省、安徽省和河南省统计年鉴，以及2011～2021年各城市群、都市圈所含市州的国民经济发展水平和社会发展统计公报，所有经济指标值均进行平减调整。

2.3    超效率DEA模型结果分析

通过Matlab运算得到超效率DEA模型结果整理，如表2所示：

从横向效率均值来看，测算期内三个城市群的年均综合效率为0.908，尽管没有达到综合效率有效但整体效率水平并不低。从横向效率均值变化来看，2012～2018年效率均值在不断增大，并在2015年后均值开始大于年均值，到2018年达到最大均值1.063，2019年均值短暂回落低于年均值但后期逐步回升，科技创新效率在波动中稳步改善。

从纵向效率均值来看，测算期内长株潭城市群、合肥都市圈和郑州都市圈的年均效率分别为0.930、0.906和0.888，长株潭城市群整体科技创新效率要优于合肥都市圈和郑州都市圈。从纵向效率均值变化来看，长株潭城市群和合肥都市圈的效率变化较为接近，均呈现波动上升趋势，长株潭城市群科技创新效率在2016年达最大值为1.084，合肥都市圈在2018年达最大值为1.092。郑州都市圈的效率变化呈现上升趋势，到2021年达最大值为1.089，但自2013年后至2021年整体波动幅度较长株潭城市群和合肥都市圈平稳，综合效率在1处上下浮动。长株潭城市群相对合肥都市圈和郑州都市圈工业底蕴深厚、发展较早，又拥有轨道交通和航空动力两大世界级产业集群，科技创新发展自然先进，效率也在三个城市群中最优。合肥都市圈背靠长江经济带，地理位置优越，多年来积极融入长三角开发承接优质产业转移，发展机会剧增，科技创新实力不断提升，与长株潭城市群间的效率差距逐渐减小。而郑州都市圈无论在地理位置还是工业底蕴上均没有较大优势，科技创新效率要弱于长株潭城市群和合肥都市圈。

2.4    Malmquist模型结果分析

从表3结果来看，城市群科技创新全要素生产率年均值为1.016，表明2011～2021年城市群科技创新全要素生产率整体在以1.6%的年均增长率提高。从趋势看，2012～2019年全要素生产率增长不断变缓， 2017～2019年呈现增长短期退步趋势，2019年以后增长回春。这与技术进步和技术效率变化密切相关，全要素生产率增长变缓主要由于技术进步增长变缓，增长退步则是技术进步停滞与技术效率失衡共同作用结果。2011～2021年技术进步和技术效率年均值分别为0.999和1.017，全要素生产率年均提高1.6%，其中由技术进步贡献-0.1%，技术效率贡献1.7%，且技术效率相对固定，技术进步与全要素生产率呈同方向变动，可见城市群科技创新全要素生产率的优化提升是技术进步主导的。

从表4结果来看，城市群的全要素生产率值均大于1，全要素生产率不断提升。分解Effch值和Techch值来看，长株潭城市群分别为1、1.008，合肥都市圈分别为1、1.030，郑州都市圈分别为0.960、1.006。从技术效率水平来看，长株潭城市群和合肥都市圈相对固定，而郑州都市圈在持续改良，且这种提升是技术运用水平和资源配置效率提升共同作用的结果，技术效率对全要素生产率提升作用大于技术进步。从技术进步水平来看，长株潭城市群和合肥都市圈都在稳步提升，生产可能性边界在前移，二者全要素生产率的提升主要依赖技术进步的贡献。由此，长株潭城市群和合肥都市圈是技术进步主导的全要素生产率提升，郑州都市圈是技术效率改善主导的全要素生产率提升。

3    科技创新效率灰色关联分析

通过超效率DEA和Malmquist模型得出了长株潭城市群、合肥都市圈和郑州都市圈2011～2021年科技创新效率的变化情况和类型，但其各自效率的变化与规上工业R&D人员全时当量、有R&D活动企业数、R&D经费内部支出、新产品销售收入和发明专利授权数这些因素的关联尚不清晰。故下文将探索科技创新效率与这些因素的关联影响程度。

3.1    灰色关联分析法

灰色关联分析通過对研究对象动态过程发展态势的量化处理，依照时间序列求出参考对象和比较对象之间的灰色关联度。前文已测出长株潭城市群科技创新效率值，要了解影响因素对科技创新效率的关联影响程度，运用灰色关联分析法正合适。灰色关联分析方法具体操作步骤如下：

3.2    体系构建与数据处理

结合前文，设规上工业R&D人员全时当量、规上工业有R&D活动企业数、规上工业R&D经费内部支出、规上工业新产品销售收入、发明专利授权数为比较数列；以科技创新综合效率为参考数列分别构建指标体系。

比较数列的原始数据沿用前文构建超效率DEA模型时收集的各指标数据，参考数列原始数据为运算得出的科技创新效率值，均采用均值化法处理。

3.3    关联结果分析

根据前文关联度计算公式分别对长株潭城市群、合肥都市圈和郑州都市圈计算比较数列与参考数列的关联度，结果如表5所示。

从表5可知，对于长株潭城市群，与科技创新效率关联度最高的三个指标是：规上工业R&D人员全时当量、R&D经费内部支出和新产品销售收入；合肥都市圈是规上工业R&D经费内部支出、有R&D活动企业数和新产品销售收入；郑州都市圈是规上工业R&D人员全时当量、R&D经费内部支出和新产品销售收入。由此可知，规上工业R&D经费内部支出和新产品销售收入是三个城市群共同与科技创新效率高关联的指标，表明代表投入的R&D经费内部支出和代表产出的新产品销售收入很大程度上反映了三者科技创新效率的整体水平。此外，长株潭城市群规上工业有R&D活动企业数关联度是三个城市群里最低的。有R&D活动企业是科技创新活动的重要载体也是科技人才成长的重要平台更是新产品高产的潜力平台，长株潭城市群科技创新效率的稳定提升需要重视并鼓励企业积极开展研发创新活动，充分发挥企业吸纳科技人才和承载科研活动的能力，加强对其科研经费的支持和配置管理，不断引进、培养、提升科技人才创新能力和科技活动成果产品化效率，推动企业生产和营收的高质量提升。

三个城市群均存在發明专利授权数与综合效率关联度偏低的问题，且长株潭城市群和郑州都市圈该指标的关联度明显低于合肥都市圈，分别为0.592和0.581。关联度偏低的原因可能是由于发明专利在授权后，相应的技术成果转化困难或迟缓，又可能后续形成经济产品时生产和销售相对困难，故对产出的贡献不及时不充足。对此，三个城市群尤其是长株潭城市群和郑州都市圈要采取相应措施激励区域内高校、企业和研发机构积极提升理论技术向现实产品的生产转化效率，打通产品市场交易壁垒。

4    结论与建议

通过前文研究可以得到以下结论：（1）测算期内长株潭城市群科技创新效率最优，合肥都市圈次之，郑州都市圈最弱；（2）长株潭城市群科技创新全要素生产率提升得益于技术进步的贡献，技术进步年增长率略低于合肥都市圈；（3）与长株潭城市群科技创新综合效率灰色关联度最高的三个指标分别是规上工业R&D人员全时当量、新产品销售收入和R&D经费内部支出。

因此，建议未来长株潭城市群科技创新效率的高效提升可以从以下四个方向发力：

（1）从战略全局把握人才优先发展。科技创新活动需要人才支持，因此首先需要反复推敲人才政策，提高人才吸引力。在牢牢把握长沙人才新政45条、株洲“引培并重”新人才30条以及湘潭的十大人才行动等人才政策的基础上探索建立针对长株潭一体化科技人才的引进、培养、管理和服务制度体系，加大对从事科技创新活动人才的政策吸引和支持力度，加强长株潭城市群内部人才与技术互通。其次深化本土创新型人才培养模式，重视管理和实践能力提升。位于中部地区的长株潭城市群人才吸引力和挽留力不如东部发达地区，大力扶持本土创新型人才培养是保障充足创新型人才投入的重要举措。长株潭城市群内教育资源丰富，优秀企业众多，应充分利用自身优势开展本土人才创新能力、实践能力和管理技能的培养，探索打造高校+企业创新型人才培养进修双基地，以吸引和培养输送更多高素质本土人才。

（2）深化企业科技创新主体作用。长株潭城市群要持续优化产业结构，加快建设工程机械、轨道交通装备和航空动力三大世界级产业集群，加快推进产业基础高级化，提升产业链现代化水平，提升企业自主创新能力。重点跟踪培育以高新技术企业和高成长性企业为代表的科技型企业，利用专业孵化器或众创空间支撑科技型中小企业成长，引导和支持科技型中小企业提高研发创新能力和专业化水平，显著提升科技产品经济效益。此外，各级政府应鼓励企业建立高水平研发机构，依托一批国家级和省级技术创新中心、工程技术研究中心、企业技术中心等研发创新平台，构建具有长株潭城市群优势产业特色的产业创新研发体系，并对有重大探索和技术攻关的机构给予常规政策优惠外的更大支持。最后，企业作为产学研模式的主体之一，要积极与高校、科研院所联合开展横向课题研究或项目研发，充分利用自身研发转化优势，助力健全产学研协同创新机制。

（3）加速金融发展助力科技创新。企业资金是R&D经费内部支出的主要来源之一，良好的金融发展有助于企业拓展资金来源，金融活力薄弱会加剧企业融资难度［ 19 ］，加剧人才外流。长株潭城市群要加速构建金融科技发展业态，协调各有关部门紧密结合，引导社会资本流向科技型、创新型企业尤其是中小企业。此外，政府要鼓励和扶持金融机构不断升级知识价值信用贷款、湘科贷等贷款项目助力科技型企业发展和科技成果转化，支持保险机构开发专利、首台套、科技企业研发责任、关键研发设备保险等险种，为企业科技创新提供更全面的知识产权、技术设备、研发风险等方面保障以缓解企业资金压力。

（4）加大财政投入激励引导科技创新。财政资金是R&D经费内部支出的另一种主要资金，也是激励和引导科研活动高效开展的重要因素。长株潭城市群需要进一步加强对科研活动的财政保障力度，确保财政投入在科技投入组成中的稳定增长。这需要加速健全竞争性经费和稳定支持经费相协调的财政投入机制，优化财政资金支出结构，充分支配财政科技专项资金，集中支持重点领域、重点项目、重点产业，通过建立研发导向激励机制，引导各类财政资金支持研发投入强度大的企业，对研发工作突出的企业和地区予以补助奖励。最后，政府需遵循科研活动规律加强行业科研经费科学管理，减少资源浪费，通过经费管理进一步规范和引导行业企业科研活动的创新开展和有序进行。

参考文献：

［1］徐顽强，周晓婷.基于主成分分析法的省域科技创新体系评价模型构建［J］.科技管理研究，2016，36（6）：52-57.

［2］迟国泰，赵志冲.以企业为主体的科技创新评价指标体系的构建［J］.科研管理，2018，39（S1）：1-10.

［3］Pinto H，Guerreiro J. Innovation regional planning and latent dimensions： the case of the Algarve region［J］.Annals of Regional Science，2010，44（2）：315-329.

［4］Yu Tiffany-Hui-Kuang， Huarng Kun-Huang，Huang Duen-Huang. Causal complexity analysis of the Global Innovation Index［J］. Journal of Business Research，2021，137：39-45.

［5］Hu Jin-Li， Yang Chih-Hai， Chen Chiang-Ping. R&D efficiency and the national innovation system： An  international comparison using the distance function approach［J］. Bulletin of Economic Research，2013，66（1）：55-71.

［6］戚湧，郭逸.江苏科技金融与科技创新互动发展研究［J］.科技进步与对策，2018，35（1）：41-49.

［7］王海花，王莹，李雅洁，等.长三角区域高技术产业科技创新效率评价研究——基于共享投入的三阶段网络DEA模型［J］.华东经济管理，2022，36（8）：26-33.

［8］杨剑，夏慧良.中部与长三角地区国家级高新区科技创新效率评价——基于三阶段数据包络分析［J］.科技管理研究，2022，42（16）：70-77.

［9］Zabala-Iturriagagoitia J M，Voigt P，Gutiérrez-Gracia A，et al. Regional innovation systems： How to assess performance［J］. Regional Studies，2007，41（5）：661-672.

［10］Zhang Yixin，Cui Maozhong. Determining the innovation efficiency of resource-based cities using a relational network dea model：evidence from China［J］. The Extractive Industries and Society，2020，7（4）：1557-1566.

［11］陳银娥，李鑫，李汶.中国省域科技创新效率的影响因素及时空异质性分析［J］.中国软科学，2021（4）：137-149.

［12］汪永生，李桂君，李玉龙.国家首批创新型县（市）的科技创新效率评价［J］.统计与决策，2021，37（6）：175-178.

［13］倪志敏，林海.基于SE-DEA模型的广东省科技创新效率评价研究［J］.科技管理研究，2021，41（5）：15-20.

［14］刘韬，吴梵，曲优.企业科技创新效率时空差异与演变特征［J］.统计与决策，2022，38（7）：175-179.

［15］韦颜秋，李瑛.地区科技创新效率结构性失衡的影响因素分析［J］.统计与决策，2020，36（17）：171-175.

［16］Wang Shuai，Fan Jin，Zhao Dingtao，et al. Regional innovation environment and innovation efficiency： the Chinese case［J］. Technology Analysis & Strategic Management，2015，28（4）：396-410.

［17］程广斌，吴家庆，孙雪英.长江经济带科技创新效率及影响因素研究［J］.科技管理研究，2022，42（3）：57-65.

［18］沙德春，王茂林.黄河流域高质量发展效率的演变及耦合协调水平［J］.科技管理研究，2022，42（20）：80-88.

［19］李合龙，吕羽麟，汪存华，等.粤港澳城市群科技金融对科技创新的支持效率研究——基于城市群协同创新的视角［J］.科技管理研究，2022，42（13）：51-58.

Research on Efficiency of Science and Technology Innovation in Chang-Zhu-Tan Urban Agglomeration

YI  Bin， SHI  Ke

（School of Business， Hunan University of Technology， Zhuzhou 412007， China）

Abstract：Based on the super efficiency DEA， Malmquist model and grey correlation analysis method， the scientific and technological innovation efficiency of Chang-Zhu-Tan Urban Agglomeration （CZT-UA） from 2011 to 2021 was calculated and analyzed， and compared with Hefei metropolitan area and Zhengzhou metropolitan area. The results show that： （1） the continuous improvement of total factor productivity of scientific and technological innovation in the CZT-UA is due to the promotion of technological progress， and the efficiency of scientific and technological innovation is the best among the three urban agglomerations; （2） the full-time equivalent of industrial R&D personnel， sales revenue of new products， and internal R&D expenditure are the three factors with the highest grey correlation degree with the technological innovation efficiency of CZT-UA. Based on this， it is suggested that the CZT-UA should make joint efforts to improve the efficiency of scientific and technological innovation from the aspects of giving priority to the development of talents， deepening the main role of enterprises in innovation， and accelerating financial development and increasing financial investment.

Key words：CZT-UA; Efficiency of scientific and technological innovation; Super efficiency DEA model; Malmquist model; Grey correlation analysis

［责任编辑：许立群］