长江经济带区域创新效率评价及空间相关性分析

廖倩　吕拉昌　黄茹

摘 要：知识经济时代，区域的创新效率受到广泛关注。运用超效率DEA方法对长江经济带区域创新效率进行评价，并对其投入产出效率状况进行分析的同时，用全局空间莫兰I指数（Global Moran'I）和局部空间莫兰I指数（Local Moran'I）揭示长江经济带各省市创新效率的空间相关性。结果表明：长江经济带区域创新效率总体较高，但内部差异显著，上海、浙江、江苏、重庆创新效率较高；湖北、湖南、四川、贵州、云南五省纯技术效率有效，创新效率主要受创新规模制约；安徽存在创新投入冗余、江西存在创新投入冗余和创新产出不足的情况。此外，长江经济带整体创新效率空间相关性不显著，但内部部分区域之间存在一定的空间相关性。

关键词：长江经济带；创新效率；空间相关性；数据包络方法

中图分类号：F061.5 文献标识码：A DOI：10.15913/j.cnki.kjycx.2016.18.001

改革开放的深入开展促使我国经济取得跨越式发展，但地区间差异却日益显著，东部沿海地区与中西部之间的差距日益扩大。长江经济带作为国家的重大战略，是构建以上海带动全流域、以武汉带动中游、以重庆带动上游地区发展的沿海与中西部相互支撑、良性互动的新格局，对缩小我国东、中西部地区的发展差距，促进长江经济带的快速、稳定、高效发展，提高国家的综合经济实力，增强国家发展的动力引擎，国家高度重视创新的发展，将创新驱动战略、创新型国家建设作为国家战略。长江经济带如何实施创新发展，促进创新效率的提高，是备受关注的问题。

区域创新效率是区域经济发展的重要问题，受到了众多学者的关注。从区域创新效率测度的方法上来看，使用较多的是参数方法（比如随机前沿方法）和非参数方法（比如指数法和数据包络方法）。比如，李婧（2008）、李邃（2011）采用DEA方法对中国区域创新效率进行了实证分析，东（Dong，2014）运用DEA方法对中国31个省2002—2011年的面板数据对区域创新效率进行了测算；克鲁兹·卡扎尔（Cruz Cázares，2013）采用两阶段分析方法，分别用DEA-Malmquist方法及GMM方法对西班牙制造业公司的创新效率进行了分析；李婧（2009）、石峰（2010）采用随机前沿模型对中国区域创新效率进行了测度；曹（CAO，2015）运用随机前沿模型，并结合投影寻踪模型对中国2003—2011年区域研发创新效率进行了测算。与随机前沿分析法相比，数据包络方法无需估计生产函数，也无需考虑量纲归一及指标权重的确定，保证了效率评价的客观性，对多产出复杂生产系统有很好的适应性。因此，本文将选择数据包络方法测度长江经济带区域的创新效率。

从区域创新效率研究对象上来看，已有较多的学者对国家和大区域尺度的区域创新效率相关问题进行了研究，比如余泳泽（2013）对我国区域创新效率的空间外溢效应和价值链外溢效应进行了探讨，赵增耀（2015）对区域协同创新效率的多维溢出效应进行了分析；白俊红（2009）、王鹏（2012）、于明洁（2013）等探讨了影响区域创新效率的因素；弗雷兹（Fritsch，2010）基于研发投入产出对区域创新效率进行了研究，并对其影响因素进行了探讨；布鲁克（Broekel，2013）运用面板数据对德国区域创新效率的影响进行了研究。但对经济联系密切的经济带尺度的创新效率及空间关系研究较少，对长江经济带的

创新效率也没有文献进行系统的分析。

基于此，本文运用超效率DEA方法对长江经济带区域创新效率进行评价，并采用全局空间相关指数（Global Moran'I）和局部空间相关指数（Local Moran'I）揭示长江经济带内各省市创新效率的空间相关性，以反映长江经济带创新效率的现状和内部空间关系，对政府制订相应的创新政策，促进长江经济带创新发展有重要的现实意义。

1 研究方法

1.1 长江经济带区域创新效率测算方法

传统的DEA模型是评价多投入、多产出模式下决策单元相对有效性的方法，其缺陷是对多个有效单元（即效率值均为1）的情况难以比较。安德森和彼特森（Andersen & Petersen，1993）提出的超效率模型，有效地解决了决策单元效率值大于1时的对比问题。超效率模型包含投入导向和产出导向，本文采用基于投入导向的超效率DEA模型，其表达式如下：

测值，即本文中该地区的创新效率值；Wij为空间权重，当第i个地区与第j个地区相邻时，Wij=1，当第i个地区与第j个地区不相邻时，则Wij=0.

Moran'I指数的取值范围在（-1，1）之间。当Moran'I大于0时，表示地区间呈现正空间相关性；当Moran'I小于0时，表示地区间呈现负空间相关性；当Moran'I等于0时，表示地区间不存在空间相关性。Moran'I指数的显著性检验主要采用服从标准正态分布的Z统计量来进行。

1.2.2 局部空间相关指数

局部空间相关性研究的是一个区域单元上的某种地理现象，或者某一属性值与邻近区域单元上同一现象或者属性值的相关程度，探测空间异质性，其计算公式如下：

2 指标与数据

2.1 指标选取

基于投入产出导向的超效率区域创新效率的评价，其投入产出指标的选取是决定区域创新效率评价是否合理的重要因素。资本投入和劳动力的投入是研究投入产出效率的常用方法。本文综合前人的研究，在投入变量方面，选取R&D经费内部支出和R&D人员全时当量两项指标。其中，R&D经费内部支出是指为开展R&D活动实际用于本单位内的全部支出；R&D人员全时当量是指全时人员数加非全时人员按工作量折算为全时人员数的总和。相比R&D人员，R&D人员全时当量更能准确地反映创新投入力度。在产出变量方面，选取专利授权量、科技论文和高技术产业新产品销售收入三项指标。其中，专利授权量是直接创新行为，是衡量创新活动的可靠指标；科技论文反映一个地区基础研究等方面的成果，本文主要选取SCI、EI、ISTP三大检索工具收录的科技论文数作为一项产出指标；高科技产业是创新产出的主力军，其新产品销售收入是创新产出的集中体现。

2.2 数据来源

本文数据来源于2007—2013年《中国科技统计年鉴》、2007—2013年《中国高技术产业统计年鉴》。大多数学者认为，从投入到产出具有一定的滞后期，官建成（2005）将投出产出滞后时期设为4年，肖仁桥（2012）将滞后期设为2年，史修松（2009）、余永泽（2014）、赵文平（2015）等将滞后期设为1年。考虑前人的研究及数据的可取得性，本文将投入产出滞后期设为1年。

3 实证结果与分析

3.1 长江经济带区域创新效率测算

运用EMS1.3软件，采用投入导向的超效率DEA模型对长江经济带创新效率进行测算，得到长江经济带区域创新效率值，如表1所示。

从区域创新效率值可以看出，2007—2012年长江经济带总体创新效率值较高，大致形成三大梯度。属于第一梯度的有上海、浙江、江苏、重庆和湖北。其中，上海和浙江历年创新效率值均超过1；江苏、重庆和湖北部分年份创新效率值略低于1，但其历年创新效率平均值大于1.属于第二梯度的有湖南、四川和安徽，其创新效率值接近于1.属于第三梯度的有云南、贵州和江西，其创新效率值显著低于第一、二梯度，与其所处的经济发展阶段、创新活动的投入等因素密切相关。

为进一步探究影响长江经济带区域创新效率的因素，运用DEAP2.1软件，基于投入导向对长江经济带内各省市2012年的投入产出冗余情况进行分析，得到其技术效率值和分解情况，如表2所示。其中，综合技术效率指输入一定的条件下，实现最大的输出或者输出一定的条件下实现输入最小；纯技术效率是指受管理和技术等因素影响的效率；规模效率是指受规模影响的效率。它们的值都介于0～1之间。“0”表示缺乏效率，“1”表示具有效率规模报酬是指各种生产要素按相同比例变化时所带来的产量变化，一般有三种情况，即规模报酬递增、递减、不变。

2012年长江经济带各省市中，综合技术效率DEA有效的有4个，分别是上海、江苏、浙江、重庆；其他7个省市表现为综合技术效率DEA非有效，其中，江西和贵州两省的综合技术效率显著偏低。这与各地区的经济发展情况密切相关——经济发展水平较高的地区其综合效率普遍较高，比如上海、江苏、浙江；而经济发展水平较低的地区，综合效率值则偏低，比如江西、贵州。

将综合技术效率分解为纯技术效率和规模效率可以看出，非DEA有效的7个市中，湖北、湖南、四川、贵州、云南五省的纯技术效率已达到DEA有效，说明已达到目前投入组合的最大产出，其主要的制约因素为规模效率，尤其以贵州省表现最为突出，改进幅度达36.5%，需要进一步扩大创新活动的规模。湖北、湖南、四川、云南四省的改进幅度分别为11.4%，6.8%，1.7%和8%，通过适当的扩大创新活动的规模即可达到DEA有效。

安徽、江西两省在纯技术效率和规模效率上都存在一定的改进空间，通过对其投入产出冗余情况进行分析发现：安徽省在创新投入上存在冗余情况，其中，R&D经费内部支出冗余248 950万元，R&D人员冗余12 036人。江西省既存在投入冗余的情况，又存在产出不足的情况，其中，R&D经费内部支出冗余154 734万元，R&D人员冗余6 000人，专利产出不足量5 590件，如表3所示。从创新投入角度看，同时存在创新投入冗余的安徽和江西应适当减少创新投入，充分配置资源，从而使创新效率达到最大。从创新产出角度看，江西在创新投入冗余的情况下还存在着部分创新产出不足的情况，说明其创新投入配置和创新成果转化上存在问题，应当调整创新资源的配置，并提升创新成果产出量及创新成果转化率，以实现创新投入产出达到最优组合状态。

3.2 空间相关性分析

3.2.1 全局空间相关性分析

Global Moran'I是揭示全局空间相关性的常用指数。运用Open Geoda软件对长江经济带各省市创新效率的Global Moran'I进行测算，以揭示长江经济带整个区域是否具有空间同质性。结果显示：从Global Moran'I指数值来看，2007—2011年长江经济带地区呈正的空间相关性，2012年呈现负的空间相关性。但根据Z值检验结果，2007—2012年长江经济带创新效率Global Moran'I指数值均未通过检验（Z>1.96或Z<-1.96表示通过检验，Z值介于（-1.96，1.96）之间表示空间自相关性不明显），如表4所示，表明长江经济带各省创新效率不存在显著的空间自相关特征。

3.2.2 局部空间相关性分析

局部空间相关性用局部空间相关指数（Local Moran'I）进行衡量。Local Moran'I高值表示有相似变量值的面积单元集聚，Local Moran'I低值表示有不相似变量值的面积单元在空间集聚。2007—2012年长江经济带中，江苏、上海、浙江是高值区，其创新效率与周边地区相似；安徽、湖北、湖南、江西、四川、重庆、贵州、云南是中低值区，与周边地区创新效率差异较大。其中，江西和贵州两省的Local Moran'I指数值历年偏低，表明两省与周边地区一直存在较大差异。而江苏省则表现为创新效率日益提高，与周边地区呈现高度相似状态，如表5所示。

Local Moran'I的散点图中，高高（HH）象限是热点区域，表示区域自身和周边地区的创新效率均较高，存在较强的空间正相关；高低（HL）象限是异质性突出区域，表示区域自身创新效率较高，周边地区较低，存在较强的空间负相关；低低（LL）象限是盲点区，表示区域自身和周边地区的创新效率较低，存在较强的空间正相关；低高（LH）象限是异质性突出区域，表示区域自身创新效率较低，周边地区较高，存在较强的空间负相关。

由2007—2012年长江经济带Local Moran'I散点图可知：①长江经济带中，上海、江苏、浙江三省基本一直位于高高象限，具有较高的创新效率，与周边地区存在较强的空间正相关，是长江经济带中创新的热点区。其中，2012年江苏省的创新效率增长迅速，而相邻的上海则呈现出平稳的发展态势，促使上海由高高象限转变为低高象限，江苏由高高象限转变为高低象限。②安徽、江西两省位于低高象限，与邻近地区异质性突出，并未受到邻近地区的影响呈现快速的发展趋势。③四川、云南、贵州主要位于低低象限区，区域自身与周边地区的创新效率均较低，而三省在空间上正好是空间位置邻近的关系，是长江经济带中的盲点区。④湖北、湖南、重庆主要位于高低象限，邻近地区的创新效率较低，呈现负的空间相关性，异质性突出。其中，重庆从低低象限变为高低象限，表明近年来重庆的创新效率与邻近地区相比取得了较快的发展。图1为长江经济带各省市Local Moran'I散点图。

4 结论及政策启示

长江经济带作为我国重要的战略经济带，其总体创新效率较高，但内部差异十分显著。上海、浙江、江苏、重庆以较高的创新效率领先于其他地区；湖北、湖南、四川、贵州、云南五省纯技术效率有效，创新效率主要受创新规模制约；安徽省在创新投入上存在冗余情况，江西省既存在投入冗余的情况，又存在产出不足的情况。

要使长江经济带整个区域的创新效率得到提升，创新效率较高的上海、浙江、江苏、重庆在保证自身投入产出模式进一步优化的情况下，充分发挥对周边地区的正向溢出效应，促进周边省份的创新投入模式改进以及科技成果转化。纯技术效率有效

的湖北、湖南、四川、贵州、云南应当扩大创新活动规模，适当加大创新投入，引进高素质人才，积极承接相关创新项目，促进创新效率的提高。存在投入冗余的安徽，应当适当削减创新投入，降低资源的浪费率；存在创新投入冗余且部分创新产出不足的江西既要适当减少创新投入，同时要进一步调整创新投入的配置，弥补部分产出不足的情况。此外，引进高素质人才促进研发能力及成果转化能力的提升是提高创新效率的有效途径。

长江经济带整个区域的创新效率并不具有明显的空间相关性，创新效率高的地区对创新效率低的地区的辐射带动作用不明显。长江经济带作为一个整体区域，其内部各组成部分之间的相互关系对整体的创新效率有重要影响，长江经济带自规划以来历时较短，针对整个区域的相关创新政策较少，区内的相互协作意识较为淡薄，行政因素对区域创新溢处有重要的影响。

长江经济带需要加强整体的创新发展规划，制订有效的利于创新资源流动的政策；政府之间要加强协作，打破行政边界的限制，加强创新资源、人才等的流动，促使创新资源充分、合理使用，促进创新成果高效转化。

长江经济带整体创新效率空间相关性虽然不显著，但小区域之间存在一定的关联性。大致可分为上、中、下游三个小区域，上游地区包括贵州、云南、四川和重庆，其创新效率普遍偏低，即盲点区；中游地区包括湖北、湖南和江西，创新效率处于中等水平；下游地区包括安徽、江苏、上海和浙江，普遍具有较高的创新效率，即热点区。

长江经济带小区域之间创新效率差异显著，因此，针对上中下游不同的地域应当实施差异化的创新政策以缩小地区差异，强化整体经济带创新效率。此外，长江经济带作为一个整体经济带，加强管理制度创新，实施跨组织管理，促使人才、资源等创新要素在经济带内流动，以便形成一个内部各组成部分充分联系的实际经济带十分必要。

参考文献

[1]李婧，白俊红，谭清美.中国区域创新效率的实证分析——基于省际面板数据及DEA方法[J].系统工程，2008（12）：1-7.

[2]李邃，江可申，郑兵云.基于链式关联网络的区域创新效率研究——以江苏为研究对象[J].科学学与科学技术管理，2011（11）：131-137.

[3]Dong Sun，Mao Liang Bo.The differences of efficiency and analysis of convergence of Chinas regional innovation system——based on DEA of 2002—2011provincial panel data. Industrial Economic Review，2014（1）：4.

[4]Cruz Cázares C，Bayona Sáez C，García Marco T.You cant manage right what you cant measure well：Technological innovation efficiency.Research Policy，2013，42（6）：1239-1250.

[5]李婧，谭清美，白俊红，等.中国区域创新效率的随机前沿模型分析[J].系统工程，2009（08）：44-50.

[6]石峰.基于省际面板数据及DEA的区域创新效率研究[J].技术经济，2010（05）：42-47.

[7]CAO X，YU J.Research on Regional R&D Innovation Efficiency in Chinese Provinces with the Perspective of Innovation Driven：Based on Projection Pursuit and Stochastic Frontier Analysis Model. Science of Science and Management of S.&T，2015（4）：13.

[8]赵文平，徐劲松.丝绸之路经济带区域创新效率评价[J].经济与管理研究，2015（11）：25-32.

[9]余泳泽，刘大勇.我国区域创新效率的空间外溢效应与价值链外溢效应——创新价值链视角下的多维空间面板模型研究[J].管理世界，2013（07）：6-20，70，187.

[10]赵增耀，章小波，沈能.区域协同创新效率的多维溢出效应[J].中国工业经济，2015（01）：32-44.

[11]白俊红，江可申，李婧，等.区域创新效率的环境影响因素分析——基于DEATobit两步法的实证检验[J].研究与发展管理，2009（02）：96-102.

[12]王鹏，陆浩然.区域创新效率的空间差异及其影响因素研究——以广佛肇经济圈为例[J].科技管理研究，2012（22）：82-86，97.

[13]于明洁，郭鹏，张果.区域创新网络结构对区域创新效率的影响研究[J].科学学与科学技术管理，2013（08）：56-63.

[14]Fritsch M，Slavtchev V.How does industry specialization affect the efficiency of regional innovation systems？[J].The Annals of Regional Science，2010，45（1）：87-108.

[15]Broekel T.Do cooperative research and development（R&D）subsidies stimulate regional innovation efficiency？Evidence from Germany.Regional Studies，2013（ahead-of-print）：1-24.

[16]Chames，C Rhode. Measuring the Efficiency of Decision Making Units.European Journal of Operations Research，2001（6）：429-44.

[17]Andersen P，Petersen N C.A procedure for ranking efficient units in data envelopment analysis. Management Science，1993，39（10）：1261-1264.

[18]刘文君，陈远文，邹树梁.基于超效率DEA和Malmquist指数的湖南省农业全要素生产效率分析[J].南华大学学报（社会科学版），2015（05）：52-57.

[19]潘竟虎，张佳龙，张勇.甘肃省区域经济空间差异的ESDA-GIS分析[J].西北师范大学学报：自然科学版，2006，44（6）：45-50.

[20]史修松，赵曙东，吴福象.中国区域创新效率及其空间差异研究[J].数量经济技术经济研究，2009（03）：45-55.

[21]Acs Z J，Lnc A，Attila V.Patents and innovation counts as measures of regional production of new knowledge.Research Policy，2002，31（7）：1069-1085.

[22]官建成，何颖.基于DEA方法的区域创新系统的评价[J].科学学研究，2005（02）：265-272.

[23]肖仁桥，钱丽，陈忠卫.中国高技术产业创新效率及其影响因素研究[J].管理科学，2012（05）：85-98.

[24]胡宗义，鲁耀纯，刘春霞.我国城市基础设施建设投融资绩效评价——基于三阶段DEA模型的实证分析[J].华东经济管理，2014，28（1）：85-91.

[25]Feng J J，Zhang H G，Hu X J.The Scale Dependence of the Local Morans I.Statistical and Application，2015，4（03）：162.

[26]孙三百.基于空间分析法的四川省区域经济差异[J].西南金融，2009（08）：43-45.

〔编辑：刘晓芳〕