基于生态系统的区域技术吸纳效率研究*

合肥工业大学经济学院 陆燕春 梁苏丹 赵红

基于生态系统的区域技术吸纳效率研究*

合肥工业大学经济学院 陆燕春 梁苏丹 赵红

区域技术吸纳是创新不可或缺的环节。本文基于技术吸纳生态系统对其效率的影响，从技术吸纳的驱动群落、扩展群落、协调群落及外部环境四个方面建立效率评价指标，通过超效率Malmquist指数得出我国29省的技术吸纳效率指数，并用Tobi t回归分析生态系统中群落和环境对技术吸纳效率的影响。结果表明，西部地区的技术吸纳效率指数高于东中部，且技术吸纳群落对其效率的影响较为显著，最后提出应突出企业技术吸纳主体的地位及完善网上技术市场的建议。

生态系统 技术吸纳 超效率 DEA Malmquist指数

一、引言

近年来，在科技进步推动下，区域内技术吸纳主体的技术引进、吸收能力和政策都发生重要变化，区域技术吸纳整体效率的提高越来越依赖技术吸纳各个环节效率的提高。从生态学的角度来看，区域技术吸纳群落的发展及其共同演化的程度直接影响区域技术吸纳整体效率，将生态仿生学与技术吸纳理论结合便于从系统的角度区分技术吸纳主体，为进一步探究系统内各主体的协同演化机制提供了理论基础。

目前，学术界对区域技术吸纳效率的研究主要集中在两个方面：一是关于影响区域技术吸纳效率因素的定性研究。有学者借鉴管理学中的企业吸收能力概念，从区域技术吸纳的过程评价其效率，如韩伯棠（2013）将区域技术吸纳能力分解为知识获取、消化、转移及应用四个方面的能力，以此作为评价区域技术吸纳能力的依据，马淼森（2014）基于Zahra&George吸收能力模型，从知识竞争力、创新技术消化吸收能力、研发整合能力、新知识开发能力四个维度评价区域知识吸收能力；还有学者将技术吸纳看成是技术创新的一部分，如张江雪（2009）、童晓玲（2014）、刘凤朝（2015）等，将人力资本、研发投入、技术吸纳合同金额、技术差距、金融市场效率等作为区域技术吸纳效率的替代变量，研究区域技术吸纳效率。二是关于区域技术吸纳效率的定量研究，学术界多采用因子分析法、泰尔指数、门槛回归、系统GM M估计、结构方程等方法，如，张建清（2012）用系统GM M估计法分析了中国对国外技术吸收能力的动态演变，关爱萍（2014）利用门槛回归检验了技术承接地区的吸收能力。

因此，国内学术界关于技术吸纳理论的研究大多还停留于企业战略与企业创新管理层面，忽略了区域内技术吸纳主体在技术吸纳过程中的差异性和特殊性，基于区域创新系统层面的研究则忽略了技术吸纳与创新的差异，缺乏对技术吸纳作用机制的深入探讨。本文试图从区域生态仿生学角度分析技术吸纳的作用机制，运用DEA-Tobit方法进行定量研究，并在此基础上解释区域技术吸纳出现差异的原因，由此提出改进区域技术吸纳效率的可行性建议，从而丰富区域技术吸纳理论。

二、区域技术吸纳生态系统的作用机制

技术吸纳生态系统是在一定时空范围内，具有稳定性、共生性、自组织性的技术吸纳群落及其协同发展的复杂演化系统。其中，具有相同价值链的物种联结形成了各种群落，通过资本、人员及信息的流动实现内部各群落之间及与环境之间的物质和信息交换，在竞争性合作共生的相互作用中实现稳定的动态演化。大致来看，区域技术吸纳生态系统有三个群落及相关外部环境构成，其中企业、高校和科研机构等技术研发和应用机构形成了技术吸纳驱动群落；技术中介机构和金融机构等科技服务型机构逐渐演化为技术吸纳中介群落，主要为技术供求双方提供咨询、评估、融资等科技服务；各级政府部门和各类行业协会构成了技术吸纳协调群落。技术吸纳生态系统的外部环境包括制度环境、经济环境、技术环境、人文环境。其中制度环境主要是政府历年来为了引导技术吸纳发展形成的一系列支持性公共政策的总称。经济环境决定了技术吸纳的意愿，也为技术吸纳提供雄厚的内部资源保障。技术环境是区域内技术水平及人才交流合作的程度，良好的技术环境是区域技术吸纳驱动群落进行实时、协同创新必要的技术基础。人文环境指区域内的文化环境及公民的文化素质，人文环境在一定程度上影响了技术吸纳主体的价值取向和技术需求，有利于区域技术吸纳持续发展。技术吸纳生态系统作用机制如图1所示。

图1 技术吸纳生态系统作用机制图

首先，在技术吸纳驱动群落中高校与科研机构的基础研究是技术吸纳的理论基础，其部分应用型研究成果为区域技术吸纳带来了技术萌芽。企业是技术吸纳过程中技术转换及应用的主体，只有新技术通过企业的产品中试才能实现商业化及产业化。在技术吸纳驱动群落中，高校、科研机构及企业各自发挥着不同的作用。高校和科研机构通过技术转让和合作开发为企业技术获取及消化吸收提供人才和技术支持，相应地企业向高校和科研机构支付资金作为报酬，由此实现技术吸纳驱动群落内的资金、人才和技术等资源循环。其次，技术吸纳扩展群落是技术吸纳供求双方的中介，为技术吸纳驱动群落提供包括技术咨询、技术评估、技术转让、融资及技术培训等服务，节约交易成本，加速了技术、资金在技术吸纳主体间的流动，极大地影响了技术吸纳的速度和规模。最后，技术吸纳协调群落则是通过政府的各项政策引导技术、人员、资金在不同物种间的流动，调节不同物种、群落的关系，维持技术吸纳生态系统的稳定性。

技术吸纳生态系统中三个群落相互依存、相互影响、共同发展，三者之间的关系具体表现为：首先，技术吸纳扩展群落是技术吸纳驱动群落发展的“加速器”。在技术吸纳过程中，技术吸纳驱动群落需要整合各方资源，包括获取金融种群的资金支持、掌握市场的发展要求、把握政策导向等，因此需要技术吸纳扩展群落为其提供融资、信息、服务，相应的技术吸纳驱动群落要向技术吸纳扩展群落支付佣金或股息，技术吸纳扩展群落将获得的资金维持自身发展。其次，技术吸纳协调群落是技术吸纳驱动群落发展的“守夜人”。技术吸纳协调群落通过制定各种财税政策，对技术吸纳驱动群落内有较强吸纳能力的企业给予财政补贴和税收优惠，以及风险投资上的倾斜，鼓励和引导区域技术吸纳的发展；对重点高校或高校的重点专业进行财政投入的倾斜，为高校基础研究提供资金，加速技术吸纳驱动群落的发展；技术吸纳协调群落还可以为技术吸纳驱动群落提供公共基础设施和公共社会服务等公共产品，为技术吸纳驱动群落的发展提供良好的环境。同时，技术吸纳驱动群落对技术吸纳协调群落也具有重要作用：一方面，技术吸纳驱动群落向技术吸纳协调群落缴纳税收，为技术吸纳协调群落的正常运行提供资金；另一方面，在技术吸纳政策的执行过程中，技术吸纳驱动群落的反馈也是为技术吸纳政策的调整提供了依据。最后，技术吸纳协调群落为技术吸纳扩展群落发展指明方向。由于我国技术吸纳扩展群落仍处于发展阶段，需要以政府为代表的技术吸纳协调群落运用财税杠杆对技术吸纳扩展群落进行宏观调控。同时，还需要技术吸纳协调群落投入资金建立技术转移平台，扶持技术吸纳扩展群落发展；并对技术吸纳扩展群落偏离国家发展计划的行为进行监督和管理，弥补市场自由所带来的缺陷。

三、研究设计

（一）样本选取与数据来源本文数据来源于2003～ 2014年的《中国统计年鉴》、《中国科技统计年鉴》、《中国高技术产业统计年鉴》。经整理，选取我国29个省份（西藏、青海部分数据缺失，故删去）2003～2014年面板数据进行实证分析。数据均以2003年为基期进行平减处理，缺失数据采用线性插值法方法进行处理。

（二）模型构建为了综合评估区域技术吸纳生态系统的绩效，目前常见的做法是运用DEA方法度量其运行效率，DEA是将数学线性规划的思想与经济学中生产函数思想相结合的非参数估计方法，通过测定决策单元与前沿面的距离之比得出其效率值，能够很好地估计多投入、多产出下的决策单元的生产效率。但传统的CCR模型计算效率结果往往存在数个有效的决策单元，并且有效决策单元的效率值都为1，因而无法进一步比较这些有效决策单元之间的效率。针对上述问题，Andersn（1993）建立了基于投入导向的超效率DEA模型，可以对相对有效的决策单元的效率进行排序，降低度量的误差。

假设有n个决策单元，每个决策单元有m个投入s个产出，Xj、Yj分别代表每个决策单元DMUj第i项投入和第j项产出，Xj=（x1j，x2j，...，xij）＞0，Yj=（y1j，y2j，...，yij）＞0，s-为投入冗余，s+为投入不足。λj为决策变量，θ为目标值，则其表达式为：

考虑到样本数据为12年的面板数据，为了更好地反映时间因素对技术吸纳效率的影响，本文构建了超效率DEA的Malmquist指数模型，分析不同时期各个决策单元的技术效率的动态变化。Malmquist指数首先由Caves提出，后由Fare等进一步发展而来。根据Fare（1994）的方法，本文将每个省定义为一个决策单元，然后构建不同时期的技术吸纳效率前沿，把每个省的实际值同前沿面进行比较,以此测量其技术吸纳效率。设D为距离函数，（xt，yt）和（xt+1，yt+1）分别为t期和t+1期的投入产出关系,投入产出关系从（xt，yt）向（xt+1，yt+1）变化就是技术吸纳效率的变化，则基于距离函数的Malmquist指数可以测定t时期技术条件下，从t到t+1时期的效率增减情况，其表达式为：

其中，M即为Malmquist指数（TFP），若Malmquist指数M＞1，表明从t时期到t+1时期技术吸纳生态系统效率呈现上升趋势；反之，表示从t时期到t+1时期技术吸纳生态系统效率下降。

（三）技术吸纳效率的评价指标体系为了全面、客观、准确地反映区域技术吸纳的实际水平与发展趋势，评价指标的选取遵循目的性、系统性、科学性、可操作的原则，同时结合区域生态系统的构成及DEA方法的指标构建原则，将技术吸纳群落和环境作为技术吸纳的投入层面，将技术吸纳带来的效益作为产出层面，构建区域创新生态视角下的技术吸纳评价指标体系（见表1）。

表1 技术吸纳效率指标说明

（1）投入层指标。由于技术吸纳生态系统由吸纳群落与吸纳环境构成。因此在技术吸纳群落层面，选择“高技术企业技术引进经费”代表技术吸纳驱动群落在技术吸纳方面的投入；选择“技术吸纳合同金额”、“金融机构科技融资”代表技术吸纳扩展群落对技术吸纳的投入。在技术吸纳环境层面，由于制度环境不易度量，这里没有选择相应指标；由于地区经济发展越好越有能力支持研发投入，因此地区经济环境由“固定资产投资”表示；技术环境由“专利授权数”表示，“专利授权数”可以综合评价该地区技术水平及协同研发的能力；人文环境由“R&D人员数”表示，“R&D人员数”为区域内从事科研活动的人数，反映区域内对技术创新的鼓励程度，也可以反映该地的人力资本水平。

（2）产出层指标。技术吸纳的产出也要从群落和环境的角度考虑，由于GDP是所有常驻单位在一定时期内生产的所有最终产品和劳务的市场价值，所以将“地区生产总值”作为区域技术吸纳环境总体绩效。技术吸纳群落中扩展群落相关经济效益数据难以获得，因此只考虑技术吸纳驱动群落的技术吸纳效益。其中，“新产品开发项目数”、“工业增加值”代表企业种群已获取的新技术及技术吸纳的经济效益。

四、实证结果与分析

（一）技术吸纳超效率Malmquist指数本文使用EM S1.3运行超效率DEA模型,得到2004～2014年各省技术吸纳Malmquist指数如表2所示。从表2可以看出：各省技术吸纳效率并不稳定，在部分年度技术吸纳效率是下降的。为了便于分析区域差异，将全国29个省按经济发展水平分为东中西部，并将其平均技术吸纳效率值绘制成图1。从图1中可以看到，全国技术吸纳效率指数在2005～2009年期间随时间的变化逐渐降低，受2009年10月出台的四万亿投资计划影响，在2010年又急剧上升达到历史最高点，而后国家又不断推出产业升级新政策，促使技术吸纳效率指数在2011～2014年逐年提高。西部地区技术吸纳效率指数明显高于东中部，由于西部地区科技研发实力明显低于东中部，因而更倾向于技术吸纳，技术吸纳效率指数相对较高。

表2 2004～2014年29省技术吸纳超效率Malmquist指数

图1 东中西部技术吸纳生态系统效率动态变化趋势图

（二）Tobi t回归解释区域技术吸纳效率差异由表2可以看出，省际间技术吸纳能力差异较大，根据上文基于生态系统的技术吸纳作用机制可知：引起这种差距的原因是不同地区的技术吸纳生态系统存在不同，主要表现在技术吸纳群落及环境的差异。本文选择企业技术引进经费占企业R&D投入比重（x1）表示技术吸纳驱动群落对技术吸纳能力的影响；选取技术吸纳合同金额（x2）和金融机构的科技贷款占R&D投入的比重（x3）衡量技术吸纳扩展群落对技术吸纳的推动作用；选取政府科技扶持资金占R&D投入的比重（x4）技术吸纳协调群落对技术吸纳能力的协调能力；选取新增固定资产金额（x5）反映区域经济环境，选取区域R&D人员全时当量（x6）反映区域技术吸纳的人文环境；选取区域专利授权数（x7）反映区域的技术基础，进一步讨论技术吸纳生态系统内的各个组成部分对整体效率的影响。

由于技术吸纳效率指数值是非负的，数据被截断，若采用最小二乘法会带来参数的偏差和不一致。Tobi t模型属于因变量受到限制的一种回归分析法，当因变量为受限值时，采用Tobi t模型回归比较合适。为了消除量纲和异方差的影响，将变量对数化，建立Tobi t回归模型为：

yi=α0+α1l nx1+α2l nx2+α3l nx3+α4l nx4+α5l nx5+α6l nx6（3）

式（3）中，α0为常数，αi（i=1，2，…，6）为解释变量系数。本文使用st at a13.0对各省技术吸纳生态系统效率与其影响因素进行Tobi t回归，结果如表3所示：

表3 Tobit回归结果

从表3的实证结果可以看出：高技术产业技术引进经费占企业R&D投入比重（x1）在1%的水平下与技术吸纳效率显著正相关，说明技术吸纳驱动群落对技术吸纳能力的推动作用较为显著，技术吸纳驱动群落发育程度越好，越有利于技术吸纳生态系统效率的提高；技术吸纳合同金额（x2）和金融机构的科技贷款占R&D投入的比重（x3）别分在5%和1%的显著水平下与区域技术吸纳效率显著正相关，表明技术吸纳扩展群落对技术吸纳的作用较为显著，其中金融中介对技术吸纳效率的影响更为显著；政府科技扶持资金占R&D投入的比重（x4）在10%的水平下与区域技术吸纳效率正相关，但是显著性水平与技术吸纳驱动群落和技术扩展群落相比相对较低，说明技术吸纳协调群落虽然推动了区域技术吸纳能力的提高，但是自身的协调能力有待提高；新增固定资产金额（x5）与区域技术吸纳效率在1%的显著水平下负相关，区域专利授权数（x7）与区域技术吸纳效率1%的显著水平下显著正相关，而区域R&D人员全时当量（x6）的P值较大，表明其对技术吸纳效率的影响不显著。

五、结论及建议

（一）结论通过Tobi t模型对全国29个省技术吸纳效率回归可以看出：第一，在影响区域技术吸纳效率的各个因素中，高技术产业技术引进经费占企业R&D投入比重（x1）、技术吸纳合同金额（x2）、金融机构的科技贷款占R&D投入的比重（x3）和区域专利授权数（x7）对区域技术吸纳水平影响较大，政府科技扶持资金占R&D投入的比重（x4）影响相对较弱，而区域R&D人员全时当量（x6）影响不明显。第二，技术吸纳群落对技术吸纳效率均存在显著正面影响，其中驱动群落对区域技术吸纳效率的影响最大，扩展群落对区域技术吸纳效率的影响次之。由此可以看出，增加高新技术产业技术引进占产业R&D资金的比例，推动金融机构对技术吸纳的资金倾斜等可以显著提高区域技术吸纳效率。创新协调群落对技术吸纳效率也有正面影响，但其显著性相对较低。第三，技术吸纳环境对技术吸纳效率的影响不太稳定。其中，技术环境对技术吸纳存在显著的正面影响，而经济环境对技术吸纳存在显著的负面影响，人文环境的作用则不明显。

（二）政策建议从上述结论可以看出，我国技术吸纳发展缓慢、区域差异明显，为了提高区域技术吸纳的效率，政府可以从以下几个方面综合考虑：一是优化技术吸纳发展布局，形成以技术吸纳驱动群落为主，技术吸纳扩展群落为辅，技术协调群落宏观调控的发展格局；二是强化市场在技术吸纳过程中的主导作用，突出企业技术吸纳主体的地位。围绕企业的技术吸纳需求立项，加强对整个行业的技术需求分析与预测，将产业发展实际需求实时反映给高校、科研院所，促进以需求立项进行研发；三是积极利用信息技术成果，用信息化提升技术吸纳中介种群的效率，进一步扩大技术吸纳扩展群落的影响范围，鼓励各省建立和完善网上技术吸纳信息系统，及时联动技术吸纳各个群落；四是深化科技金融改革，推动科技融资模式多样化，进一步拓宽科技融资渠道，减少技术获取环节的资金障碍，充分发挥金融种群对技术吸纳的推动作用；五是进一步优化技术吸纳环境，注重对高层次人才培养，进一步完善科技人才的激励机制。

*本文系安徽省“软科学”研究项目“合肥市创新生态体系建设研究”（项目编号：JS2015H KRK0002）阶段性研究成果。

［1］韩伯棠、类骁、徐德英：《中国区域知识吸收能力测度》，《科技与经济》2013年第2期。

［2］马淼森、赵敏：《我国省级行政区知识吸收能力比较研究∶一种新的视角》，《科技管理研究》2014年第15期。

［3］张江雪：《技术转移与我国区域经济增长》，《中国科技论坛》2009年第10期。

［4］童晓玲：《基于东中西部地区吸收能力的区域外包技术外溢效应研究》，《华中师范大学报（自然科学版）》，2014年第3期。

［5］刘凤朝、刘靓、马荣康：《区域间技术交易网络、吸收能力与区域创新产出——基于电子信息和生物医药领域的实证分析》，《科学学研究》2015年第6期。

［6］陈晓红、宋洋：《区域创新系统中知识吸收能力的评价及比较研究》，《科技进步与对策》2011年第1期。

［7］杨伟：《吸收能力对本土技术吸收区域差异的影响》，《研究与发展管理》2012年第6期。

［8］陈建丽、孟令杰、王琴：《吸收能力、FDI技术溢出门限效应与内资企业生产率增长》，《工业技术经济》2015年第10期。

［9］马瑞超、张鹏：《外资异质、吸收能力与创新绩效》，《当代财经》2013年第2期。

［10］宋平：《我国各地区FDI吸收能力测度的指标体系》，《统计与决策》2012年第15期。

［11］金艳清、卢晓勇、罗卯英：《我国各区域FDI吸收能力比较研究》，《华东经济管理》2012年第8期。

［12］李贞、杨洪涛：《吸收能力、关系学习及知识整合对企业创新绩效的影响研究——来自科技型中小企业的实证研究》，《科研管理》2012年第1期。

［13］张建清、孙元元：《国外技术溢出内生与吸收能力的动态特征》，《经济评论》2012年第6期。

［14］关爱萍、李娜：《中国区际产业转移技术溢出及吸收能力门槛效应研究》，《软科学》2014年第2期。

［15］Cohen WM，Levinthal D A.Absorptive Capacity：A New Perspective on Learning and Innovation［J］. Administrative Science Quarterly，1990，35（1）∶130-145.

［16］Lane.P.J&Lubarkin，M.Relative Absorptive Capacity and Interorganizational Learning.Strategic Management Journal，1998，19（5）：470-475

［17］Mowery，D.C，Oxley，J.E.Inward Technology Transfer and Competitiveness：the Role of National Innovation Systems.Cambridge Journal of Economics，1995，19（1）：66-68

［18］Andersen P Petersen N C.A Procedure for Ranking Efficient Units in Data Envelopment Analysis［J］.Management Science，1993，39（10）：1261－1264．

［19］Fare R Grosskopf S，Norri s M.Productivity Growth, Technical Progress，and Efficiency Change in Industrialized Countries［J］.American Economic Review，1994（84）：70-81.

（编辑 朱珊珊）