基于两阶段DEA模型的区域创新效率评价

李丹

【摘要】创新驱动经济发展，创新发展注重效率，因此进行区域创新效率评价显得尤为重要。本文将专利、论文等作为区域创新中间产品，将区域创新活动分为技术产出阶段和经济产出阶段，运用DEA方法对安徽省区域创新效率进行评价。根据不同阶段的评价结果将评价单元进行分类评析。

【关键词】区域创新效率；两阶段模型；DEA方法

引言

在知识经济和区域经济一体化背景下，区域发展更受关注，而创新是区域发展的强大推力，创新驱动是经济发展的重要模式。Cooke首次提出区域创新系统这一概念，指出区域创新系统是一个多方合力共同驱动的复杂的动态组合。如今在更多地依靠创新驱动的经济发展环境下，经济发展的不均衡在很大程度上归结于区域创新系统的运行情况。从创新的一般过程分析，区域创新系统是一个多维投入一产出的组合系统，对区域创新效率进行综合评价，探索区域创新系统投入要素和产出要素之间的关系、发现区域创新着力点，是提升区域创新能力的有效途径。本文将专利、论文等作为区域创新中间产品，将区域创新活动分为技术产出阶段和经济产出阶段，运用DEA方法对安徽省区域创新效率进行综合评价。

1文献综述

在“区域创新系统”概念首次提出以来，关于区域创新评价的研究更多地不再是停留在对参与创新的某（几）种创新要素量的考量，而是从创新效率的视角进行区域创新评价研究。国内学者对区域创新系统概念的界定也有明确的说明，区域创新系统是在特定的地区内各种创新参与要素之间关系的制度与政策网络。金祥荣等通过建立C-D函数对我过区域创新效率进行研究发现参与区域创新要素的多少和绝对量的变化对区域经济增长的影响偏弱于区域创新效率，后者才是区域创新发展的突破口。李南等通过DEA方法，对我国区域创新系统的创新效率进行了测度与评价。研究发现我国大部分区域创新效率较低，且呈规模报酬递减态势，通过投影分析为各区域调整创新资源投入进而达到DEA有效提供依据。于明洁等运用典型相关分析方法就区域创新系统投入一产出关系进行了研究发现创新参与要素的优化组合可以有效提高区域创新效率。李醒民等在进行区域创新效率研究时发现外部性创新参与因素对区域创新效率的提高存在权变影响，只有当某一地区的经济发展达到一定规模时，创新效率处于高的水平。方爱平等同样运用DEA方法对我国部分地区科技投入与产出效率进行了分析，并在对创新产出进行了更深层次的解析，包括直接产出和间接产出。欧光军等人认为提高创新效率低下是影响我国创新发展的重要阻力，创新效率亟待提高。

2指标、数据的选取与处理

区域创新系统两阶段的明确体现了在创新过程当中科技与经济的结合，因此区域创新系统评价指标体系建设也应体现这种二阶段特征。本文所选取的指标是在以往学者研究的基础之上经客观频度考查甄选所得，充分、合理地体现了地区科技创新水平与创新发展水平。

2.1第一阶段评价指标

区域创新系统评价的第一个阶段事实上更多地体现的是一个创新开发的过程，是一个知识开发与获取的过程，是一个科技投入跟科技产出的过程。第一阶段的投入指标包括利用外商直接投资、R&D项目经费支出、技术改造经费支出、R&D人员、R&D活动单位数、科研机构数占规模以上比例6个指标：产出指标包括科技论文数、专利授权量和拥有国家行业标准数3个指标。以上投入指标代表了科技产出阶段的投入情况，相应地，以上产出指标代表了科技产出阶段的产出结果，产出量与投入量之间的比率关系则代表了科技产出阶段的投入产出效率。

2.2第二阶段评价指标

尽管专利授权量、科技论文数等可以很好地衡量新技术的产生，但是它们并不能作为描述区域创新经济效益等的指标，对于区域创新系统的第一个阶段来说，区域创新系统的第二个阶段更侧重于考查创新成果向经济效益的转化，第二阶段侧重的区域创新的经济效率。第二阶段的投入指标包括科技论文数、专利授权量和拥有国家行业标准数：产出指标包括各市规模以上新产品销售收入、各市规模以上企业工业增加值、专利所有权转让及许可收入、城镇单位从业人员数和卫生机构床位数5个指标。以上投入指标代表了经济产出阶段的投入能力，相应地，以上产出指标代表了经济产出阶段的产出能力，产出量与投入量之间的比率关系则代表了经济产出阶段的投入产出效率。

2.3数据来源

虑到区域研究的规范性和数据获取的可靠性，本研究对研究区域进行了基于行政区域的划分，文章以安徽省各地市为研究对象。为了保证数据获取的可行性与权威性，通过检索《安徽省统计年鉴》，我们摘录了安徽省16个地市（巢湖市于2010年并入合肥市）2010-2014年度统计数据。

2.4数据处理

为了使输出结果更准确，根据已有研究，DMU个数必须是输入输出变量数目之和的两倍以上。本研究中，DMU的个数为16个，按照经验，指标数最好保持在8个以下。因此，出于对信息全面考察的需要，满足DEA的基本要求，本文分别对科技产出阶段的投入指标和经济产出阶段的产出指标提取主要指标，运用SPSS19.0分别对其做主成分分析，个别缺失值用均值代替。

KMO检验和Bartlett球度检验结果，科技产出阶段KMO一0，819>0.6，Bartlett球度檢验概率为，000，小于显著水平0.05，适合做因子分析：经济产出阶段，KMO=0.625>0.6，Bartlett球度检验概率为000，小于显著水平0.05，适合做因子分析。

按照主因子的特征值必须大于1的假设，并按照因子分析方法的原则，第一阶段投入、第二阶段产出指标分别可提取两个主成分因子，并且这2个主成分因子对方差解释的累计百分比分别达到了74%和92%。主成分因子数目及主成分因子的方差贡献率良好，反映了原变量的大部分信息，符合文章研究的需要。

根据因子旋转矩阵，在科技产出阶段，第一个主因子在实际利用外商直接投资、R&D项目经费支出、企业技术改造经费支出和各市R&D人员这4个变量上具有较高的载荷，可以命名为创新的财力支出；第二个因子在R&D活动单位数、科技机构数占规模以上企业比例这2个变量上具有较高的载荷，可以命名为创新的物力支出。第二阶段产出指标经旋转后，第一因子在各市规模以上企业新产品销售收入、各市规模以上企业工业增加值和专利所有权转让及许可收入这3个变量上具有较高的载荷，因此，这一因子可以命名为创新的经济效益：第二个因子在城镇单位从业人员数和卫生机构床位数上有较高的载荷，于是将其命名为创新的社会效益。

3

区域创新效率评价

数据包络分析是由著名的运筹学家A，Charnes和W，W，Cooper等人在“相对效率评价”概念的基础上发展起来的，是评价同类单元相对有效性的一种系统分析方法。DEA方法特别适用于多个输入和多个产出的系统效率的评价，本文根据指标选取特点及创新效率评价的宗旨，本文采用DEA理论BCC模型，对安徽省16个地级市的创新效率进行评价。

由于我们所收集的数据是从2010年到2014年。鉴于创新是一个复杂的过程，每一阶段的投入产出转化需要一定的时间间隔，由于现实的投入产出具有较强的功利性，因此，投入产出的滞后期我们选择1年。所以，第一阶段我们的投入指标数据是2010年到2012年，产出指标数据是2011年到2013年：第二阶段我们的投入指标数据为2011年到2013年，产出指标数据为2012年到2014年。将每个地级市的每一年数据作为一个决策单元，每年统计16个地级市，一共收集到决策单元48个决策单元，我们将这48个决策单元运用BCC模型进行相对有效性分析。

根据DEA评价结果，在科技产出阶段（技术有效性），安徽省合肥市、淮南市、六安市和黄山市这四个地区达到创新产出效率最优；同时，淮北市、毫州市、宿州市、蚌埠市、阜阳市、滁州市、马鞍山市、宣城市、池州市和安庆市创新效率虽然没有达到最优，但是规模收益均是递增的。在经济产出阶段（经济有效性），阜阳市、滁州市、铜陵市和安庆市都达到创新产出效率最优，淮北市、毫州市、宿州市、宣城市、池州市和黄山市的规模收益递增，合肥市、蚌埠市、淮南市、六安市、马鞍山市和芜湖市规模收益递减。

通过评价结果可以看出，在第一阶段处于最优的合肥市、淮南市和六安市，在第二阶段却是处于规模收益递减状态。因此，在科技产出阶段，创新产出效率达到最优的合肥市、淮南市、六安市和黄山市应把着力点放在经济效益转化上，把知识转化为经济财富，切实把知识创新应用到现实的经济实体中才是创新的最终目的：而淮北市、毫州市、宿州市、蚌埠市、阜阳市、滁州市、马鞍山市、宣城市、池州市和安庆市在科技产出阶段和经济产出阶段都要加大投入力度，提高整体创新能力。