高校科技创新与地区经济发展

李 明，李 鹏(.沈阳农业大学 马克思主义学院，辽宁 沈阳 0866；.辽宁大学 经济学院，辽宁 沈阳 036)

一、问题的提出

改革开放三十多年来，科学技术在我国得到了迅猛发展，而随着科技创新步伐的不断加快，依托新技术而产生的新经济增长点也得以大量涌现。“科学技术是第一生产力”，而科技创新恰恰是提高生产力和综合国力的重要战略支撑。一国对于科技创新的强烈渴望，往往体现在对于人才的需求之中。在科技创新过程中，唯有紧紧抓住人才培养这一突破口，才能真正实现我国经济的跨越式发展。而我国的高校，在人才培养方面无疑起着中流砥柱的作用。高校是培养高素质人才的摇篮，更是拓展学科前沿、推动科技成果转化的重要力量。如何提高高校的科技创新水平和能力自然成了政府、高校及社会各界关注的焦点。

事实上，多年来国家非常重视高校的科技创新，2012年，党的十八大提出了加快建设国家创新体系的号召，特别提出构建产学研相结合的技术创新体系。2017年3月出台的《关于深化体制机制改革加快实施创新驱动发展战略的若干意见》也为高校科研成果转化指明了方面。此外，对于高校的科研投入也持续增加，2000年以来，年均增幅达到16.6%的水平，明显高于GDP的平均增速。关于激发高校科技创新活力助力经济发展的研究主要集中于如何激发高校创新主体活力、高校创新型人才的培养模式、高校创新能力评价体系的构建和高效科研效率的衡量四个方面。在激发高校创新主体活力方面，徐金梧[1]指出，目前大学科研急功近利、重理论轻实践的倾向，助长了浮躁的学术风气，从而抑制了科技创新的积极性。李永刚[2]研究了高校教学与科研结合的人才培养模式构建，提出大学评价制度和教师职称评定的科研导向，造成了高校、教师、学生三者角色错位，应当结合一系列保障措施对处于不同研究水平的学生进行差异化指导、因材施教的观点。在探讨高校创新型人才的培养模式方面，涂铭旌等[3]提出“四创”教育，鼓励学生提出新颖创意、培养创新思维、鼓励勤劳创业，并最终实现创富。吴志华和廖志豪[4]梳理了创新型人才培养中存在的一系列问题，指出高校过分看重学历和智力，忽略了对于情商、思维和人格等方面开发的问题。在高校科技创新能力评价体系构建方面，李恒等[5]在测算科技创新与高等教育的融合度时，给出了基于AHP和EVM共同确定权重的“主客观综合赋权法”，实现了主客观的有机结合，在一定程度上克服了仅使用单一方法的不足。安蓉和马亮[6]采用因子分析方法，对我国西部地区地方高校的科技创新能力进行评价，发现西部地区在科研基础、创新经费投入、创新产出和成果转化方面均与中东部地区地方高校存在较大差距。此外，从21世纪初开始，对于创新能力评估的研究更加关注创新效率，即投入与产出的相对关系。周静等[7]运用DEA模型对我国29个不同地区高校科技创新的制度效率与规模效率进行了评价。梳理近年来对于高校科研产出效率的研究发现，对于高校科研产出效率的研究逐渐从对技术效率等单独要素的研究转向对全要素效率的研究，所选用的模型方法也逐步精细化且更符合现实状况。张惠琴和尚甜甜[8]通过对高校科研创新全要素生产率的测算发现，东部地区的增长率要高于中西部地区，而规模效率是造成这种差异的主要原因。

区别于以往的研究，本文着重探讨的是高校科技创新对地方经济发展的实际作用效果或转化效率，通过将高校科技创新这一子系统串联到经济发展的大系统中，从相互关联的系统观角度分析高校科技创新的产出效率及对经济的转化效率。因此，本文采用扩展的网络数据包数模型，是对现有DEA理论模型的拓展，通过将科技创新产出最优化来论证转化效率等相关问题。

二、模型方法与变量选取

(一)模型方法

目前，对于效率评价的研究方法主要包括参数法和非参数法。参数法主要有三种：随机前沿法(SFA)、自由分布法(DFA)和厚边界法(TFA)。非参数法主要有两种：数据包络分析法(DEA)和无界分析法(FDH)。两者之间的主要区别在于对于边界估计的过程中对非效率项以及随机干扰项的分布等假设不同。相比于参数法，非参数法不需要事先设定函数，避免了主观因素造成的设定误差，应用线性规划来进行求解。在众多非参数方法中，DEA是应用最为广泛、发展也最为成熟的一种方法，它可以同时对多种投入与产出指标进行处理，并在效率测算时无需将指标进行标准化，大大简化了计算过程。

DEA 最初由Charnes等[9]提出，为规模报酬不变的CCR 模型。但是对于由彼此相关的几个子系统所组合而成的大系统而言，这一模型忽视了对单个子系统效率的衡量。由于高校科技创新经常会通过企业等部门的成果转化过程最终作用于地区经济，而且高校科技创新仅是整个社会创新体系中的一个组成部分，需要了解高校科技创新在整个社会创新体系中的作用，因而研究高校科技创新对于经济的作用效果有着较为复杂的多阶段、网络化特征，需要运用更为符合现实状况的评估效率模型。

对于在一较为复杂的多阶段系统中考察高校科研创新的效果问题，Färe和Grosskopf[10]提出了网络数据包络分析，用以探求每个子系统对于大系统整体效率的影响。显而易见的是，作为各子系统间的用于衡量前一系统的输出值和后一系统输入值的枢纽变量就非常重要，在本文中衡量高校科技创新的输出值就符合这一特征。但由于该方法在考察各子系统相互联系时只是对传统CCR模型的简单叠加，并未考虑系统间内在关联的情况，对于我们分析高校科技创新产出效率的准确性存在问题。

Kao和Hwang[11]所建立的两阶段DEA模型解决了内在关联性问题，该模型考虑了系统间相关作用约束的情况，不仅能对整个系统的效率进行估计，还能在考虑子系统间关联性的情况下，评估子系统的效率。另外，考虑到由于高校在科技创新过程中往往会有追加投入等情况发生，因而本文进一步采用了Kao[12]对于两阶段DEA模型的拓展模型，该模型由一个并联的子系统模型与另一个子系统模型串联而成，形成了如图1所示的两阶段三系统网络DEA模型。

图1 两阶段三系统的网络DEA模型

由图1可知，系统1和系统3为能产生实际作用的系统，而系统2为一虚拟系统，本文中系统1指代高校科技创新过程，该过程需要大量的科技创新资源投入(X1，X2)，进而产生最终的创新成果(Z1，Z2)，该创新成果与非创新资源投入(X3，X4)共同作为系统3经济发展过程的投入要素，并最终转化为经济产出(Y1，Y2)。由于经济发展是一个非常复杂的系统，高校科技创新仅是其中的作用要素之一，还有其他资源投入也可作用其中，为了突出对高校科技创新的研究，因而设计了虚拟系统2。无论是高校科技创新系统还是经济发展系统，在从投入到最终形成产出的过程中都要经过一系列的决策行为才能实现，这被称为“决策单元”(Decision Making Units，DMU)。

在本文中，可以假设有n个DMU，那么其产出效率应该满足：

(1)

其中，vi,ur,wp≥ε，j=1,2,…,n。

由于模型(1)为线性模型，因而其对偶模型*对偶模型更易于从理论及经济意义上做深入分析。为：

maxθk

(2)

其中，αj,βj≥ε，j=1,2,…,n。

(3)

(4)

由于本文另一个重点是要考察高校科技创新效率，而由图1可知，中间产出(Z1，Z2)既是阶段的产出又是阶段Ⅱ的投入，考虑到整体效率达到最优并不意味着子系统也能达到最优，因而阶段的产出和阶段Ⅱ的投入未必相互匹配，故而再引入一个“最优产出”集合

(5)

(6)

模型(2)进一步演化为：

maxθk

(7)

(二)变量选取与处理

本文选取2009—2013年我国31个省份(除港、澳、台地区)的高校科技投入、产出及宏观经济数据，样本数据均来源于《中国科技统计年鉴》(2010—2014年)和《中国统计年鉴》(2010—2014年)。将参与教学与科研的人员总数相加形成高校科技人力资源(X1)，与代表财力投入的高校科技经费(X2)共同作为高校科研工作的投入变量；将各省高校专利授权数(Z1)和技术转让成交额(Z2)作为中间产出；X3为各省地区资本存量，X4为各省地区从业人员(剔除高校科技人力资源)；用地区GDP剔除当年高技术产业产值(Y1)和地区高技术产业总产值(Y2)代表经济产出，以期根据高校科研投入的效率来衡量高校科技创新对地区经济增长的推动作用。表1是对模型(7)所涉及统计量的简单描述。

表1 样本相关变量描述性统计(2008—2013年)

高校科技创新对经济发展的作用，需要从创新资源的投入，到中间产出，最后作用于地方经济发展，并不能立即产生效果，在时间上需要有一定的滞后期，结合Kao[12]的处理方法，本文对高校科技创新产出进行滞后一期处理。即将模型(7)中的X1和X2指标选用t-1期的数据，而Z1、Z2、X3、X4、Y1和Y2选用t期的数据。另外，由于没有关于各省资本存量的数据，因而本文用固定资本投资额对各省资本存量进行估算，关于资本存量的核算，借鉴了张军和章元[14]的公式：

Kt=Kt-1(1-δ)+It

(8)

其中，Kt为t年的资本存量，It为t年的固定资产投资额，δ为资产折旧率，本文δ=9.60%。

三、经验分析

(一)高校科技创新对地区经济发展的支撑作用

1. 高校科技创新对地区经济发展的支撑效率总体偏低

从总体上看，在样本期内的5年间，高校科技创新对经济的支撑效率平均值为0.589，如表2所示，2009—2013年始终徘徊在0.450—0.650的水平，从均值来看仅有半数的省份达到了60%的水平，这表明高校科技创新对地区经济发展的支撑作用有限，还有很大的提升空间。2009—2013年用于高校科技创新的经费支出平均增长率为16.56%，高于同期GDP平均增长率14.33%，但高校技术转让实际收入的增幅却仅有6.12%，这表明高校科技创新对地方经济发展的支撑作用仍然有限，如何激发高校科技创新的活力，将高校的科技成果更好地转化为生产力是极为迫切的任务。

表2 高校科技创新对地区经济发展的支撑效率(2009—2013年)

排 名省 份20092010201120122013均 值19湖 南03730535045304870628049520贵 州03350488053004760531047221湖 北03990493043705170454046022广 西02910419048804960573045323江 西02500491084203170323044524甘 肃02810472044604960524044425四 川02680395054004930390041726海 南02750194023210000261039227新 疆03080403043004350365038828吉 林02890433033504440434038729内蒙古02240313025903050325028530宁 夏00970243041203030267026431青 海011600570102008900560084东部地区066807540776078607190741中部地区035506140643055406080555西部地区039705070486051604530472全国平均048206220630062205880589

2.省际间高校科技创新对经济发展的支撑效率差异明显

从各省支撑效率均值差异来看，样本期间31个省份支撑效率具有明显差异。只有浙江高校科技创新支持经济发展的支撑效率达到了1.000，表明处于生产前沿面，区域发展达到DEA 有效。除浙江、北京、江苏和福建高于0.900的水平外，其他省份均存在较大的效率改进余地，辽宁在东部地区省份中仅排在海南之前，位列全国第18位，还不及全国的平均水平。从全国范围看，超过全国平均水平的省份只有16个，刚过半数，排名后三位的内蒙、宁夏和青海与其他省份有比较明显的差距，尤其是青海高校科技创新支撑效率的均值仅为0.084。同时，重庆(0.872)和云南(0.850)等西部省份的支撑效率甚至超过了上海、广东、山东和天津等经济发达地区，这似乎不合常理，但这恰好说明了科技创新对经济发展的支撑其实是一复杂的体系，不仅仅取决于地区的经济实力和对高校的要素投入，更重要的是高校科技创新成果的转化及其对经济的作用。虽然有些地区的经济发展水平相对偏低，对高校的要素投入有限，但其成果转化快以及创新成果对于地区经济发展起到了巨大作用，因此，显示出这些省份的高校科技创新对于地区经济发展的支撑效率较高。另外，从高校教育经费的投入强度来看，福建、河北、河南、云南和山西的投入强度分别为0.076%、0.056%、0.051%、0.076%和0.069%，显著低于北京的0.980%和上海的0.480%，但这些省份却能充分利用有限的高校创新资源投入，获得较为丰硕的科技创新成果。北京、上海等地区虽然依托强大的经济基础，对高校创新投入巨大，但总体效果并不理想。此外，按照投入强度这一指标来看，湖北、四川和吉林的反差最大。总之，在全国范围内，高校的科技创新并没有对经济发展起到明显的支撑作用。

3.高校科技创新对经济发展的支撑效率具有明显的区域差异

由表2可知，高校科技创新对地区经济发展的支撑作用存在明显的区域差异。虽然，从个体省份而言，东部地区省份存在投入强度相对高但支撑效果并不高的现象，但从总体而言，东部地区高校科技创新对经济发展的支撑效率却要显著高于中部和西部地区，并高于全国平均水平。另外，也应注意到，从2014—2016年支撑效率的全国平均水平来看，呈逐年下降态势，尤其是2016年下降更为明显，究其原因主要是由于东部地区的支撑效率显著降低，也不能不值得我们警惕，应时刻关注这种下降是暂时性的还是趋势性的，并采取切实可行的措施，激发高校科技创新活力，加快高质量科技创新成果的转化效率。

(二)高校科技创新系统与经济系统的两阶段效率分析

1．高校科技创新对地区经济发展的支撑作用受制于高校科技创新支持下的经济发展阶段

在样本期内，高校科技创新从要素投入到产出的转化效率(阶段Ⅰ)较创新成果对地区经济发展的支撑效率(阶段Ⅱ)要低，如表3所示。阶段Ⅰ的效率均值为0.647，与阶段Ⅱ的效率均值0.909相比有明显差距。由此可见，整体高校科技创新对地区经济发展的支撑作用不强是受到阶段Ⅰ的拖累，即高校科技创新成果转化率制约了整体效率的提升，也可以进一步表明，促进高校科技创新成果转化率将极大地助益地区经济发展。

表3 整体效率值及两阶段效率值

2.两阶段内区域间的效率差异程度显著不同

通过对我国东中西部高校科技创新阶段(阶段Ⅰ)和高校科技创新支持下的经济发展阶段(阶段Ⅱ)效率均值的分析，采用非参数多组秩和K-W检验法进行检验，结果如表4所示，在东中西部之间阶段Ⅰ和阶段Ⅱ确实存在显著的差异。

表4 阶段效率的显著性检验

注：***和**分别表示在1%和5%的水平下显著。 3.省际间的高校科技创新成果转化效率存在明显差异

根据各省高校科技创新过程中两阶段效率差异的比较，31个省份大致可分为三种类型：第一类是高校科技创新对地方经济发展有较强的支撑作用，表现为两个阶段的效率值都较高，如浙江、北京、江苏和福建等。第二类是高校科技创新成果未能实现很好的转化进而制约了地区经济发展，表现为阶段Ⅰ的值明显低于阶段Ⅱ的值，如内蒙古、吉林、新疆和四川等，其差值基本高于50%，事实上，符合这一条件的省份很多，只是差值的高低不同。第三类算是一种特例，是高校科技创新成果转化率高，但在生产阶段的效率较低，表现为阶段Ⅰ的效率高于阶段Ⅱ，西藏就属于这种情况，一定程度说明了其高校科技创新质量亟待提升。

总之，高校科技创新支撑地区经济发展的效率受到高校科技创新生产阶段和高校科技创新支撑下的经济发展阶段两个系统的影响，两个阶段中的任何一环出现问题都会影响最终的整体效率提升。另外，由于我国各省和区域之间的阶段效率亦存在显著的差异，因此，各地区在指定政策的过程中应该基于本地的实际情况有的放矢地进行实施。

四、政策建议

本文以全国31个省份2009—2013 年相关数据为样本，利用基于扩展了的网络数据包络模型，测算并分析了高校科技创新推动地区经济发展的支撑效率。通过上述对经验研究结果的分析，进而给出关于提高高校科技创新支撑地区经济发展的四点概要性政策建议：

首先，高校科技创新对于地区经济发展的作用不能仅重视高校创新要素投入的绝对量，更重要的是注重高校科技创新的成果转化率即高校科技创新成果的质量。因此，如何激发高校科技创新的活力，提高高校科技创新的成果转化率和科技创新成果的质量，是最终支撑地区经济发展的关键。

其次，高校科技创新支撑地区经济发展的效率受到高校科技创新生产阶段和高校科技创新支持下的经济发展阶段两个系统的影响，两个阶段中的任何一环出现问题都会影响最终的整体效率提升，因此，既要重视高校科技创新的生产阶段又要重视经济发展阶段的表现，注重高校科技创新成果的高质量和高转化率。

再次，由于我国各省和区域之间的阶段效率亦存在显著的差异，不同省份高校科技创新要素投入对于地区经济产出的效率不同，各省应当结合本省高校科技创新的特点，在充分分析高校科技效率的优势和劣势的基础上，探寻提升高校科技创新效率的路径。

最后，从全国平均水平来看，由于东部地区支撑效率显著降低，导致2014—2016年我国高校科技创新对地区经济发展的支撑效率呈逐年下降的态势，2016年下降尤为明显。对于这一现象应该给予足够重视，深入探究这种现象是否会形成趋势，并研究制定解决这一问题的切实可行的措施，从而刺激高校科技创新活力，加快高质量科技创新成果的转化率。

[1] 徐金梧. 大学科技创新与人才培养模式改革问题的思考[J]. 中国高教研究,2008,(1):10-12.

[2] 李永刚. 金融结构调整对经济效果影响的比较研究——基于58个经济体1998—2013年数据的实证分析[J]. 经济社会体制比较,2014,(2):63-73.

[3] 涂铭旌,唐英,张进,等. 创新型人才培养的思路、方法及路径(一)[J]. 西华大学学报(自然科学版),2012,(4):1-4+118.

[4] 吴志华,廖志豪. 创新型人才培养中存在的问题与建议[J]. 中国高校科技与产业化,2010,(5):9-11.

[5] 李恒,杜德斌,肖刚. 区域知识创新系统中科技创新与高等教育的融合关系研究——基于长三角城市群的案例研究[J]. 上海经济研究,2015,(5):86-94.

[6] 安蓉,马亮. 西部地区地方高校科技创新能力评价研究[J]. 科研管理,2015,(S1):15-21.

[7] 周静,王立杰,石晓军. 我国不同地区高校科技创新的制度效率与规模效率研究[J]. 研究与发展管理,2005,(1):109-117.

[8] 张惠琴,尚甜甜. 高校科研创新效率对比分析——基于全国30个省份的面板数据[J]. 科研管理,2015,(S1):181-186.

[9] Charnes,A.,Cooper,W.W.，Rhodes,E.Measuring the Efficieney of Decision-Making Units[J].European Journal of Operational Research,2007,2(6):429-444.

[10] Färe，R., Grosskopf，S. Intertemporal Production Frontiers: With Dynamic DEA [M].Kluwer Academic Publishers,1996.

[11] Kao,C., Hwang, S.N.Efficiency Decomposition in Two-Stage Date Envelopment Analysis: An Application to Non-Life Insurance Companies in Taiwan[J]. European Journal of Operational Research,2008,185(1): 418-429.

[12] Kao,C.Efficiency Decomposition in Network Data Envelopment Analysis:With Slacks-Based Measures[J]. European Journal of Operational Research, 2009,192(3):949-962.

[13] 庞瑞芝,范玉,李扬. 中国科技创新支撑经济发展了吗?[J]. 数量经济技术经济研究,2014,(10):37-52.

[14] 张军,章元. 对中国资本存量K的再估计[J]. 经济研究,2003,(7):35-43+90.