中国政府科技投入效率及其影响因素研究

李媛

摘 要：本文利用2009到2015年的省级面板数据，采用基于松弛项的DEA模型对我国30个省级行政区的科技投入效率进行测算，发现东中西部的科技投入效率大致呈阶梯状分布，中西部省份对东部的追赶效应很明显。对Malmquist指数的分析显示，2009年之后各省的科技投入效率出现了整体性的进步，这源于全国性的创新环境改善。科技投入效率的影响因素分析表明，科技资金来源的市场化程度、R&D;投入强度和基础研究资金占比对科技投入效率有正面影响，这说明政府在提高投入强度的同时，应完善对企业科技投入的激励机制，加强政府资金对企业资金的杠杆带动作用，注重培养企业内生的科技进步动力，发达省份可适当增加基础研究资金的比例。

关键词：科技投入效率；政府R&D;投入；基于松弛项的DEA模型；Malmquist指数

中图分类号：F832.2 文献标识码：B 文章编号：1674-0017-2017（10）-0025-07

一、引言

当前中国经济的增长动力正面临着深刻变革，由要素驱动向创新驱动转变是大势所趋，科技创新是其中的重要一环，也是经济社会可持续发展的重要支柱。从国际经验看，政府在推动科技创新中扮演着重要角色，直接资金投入、产业政策、税收政策等都是政府引导科技创新、推动高技术产业发展的重要手段。从R&D;投入强度看，投入呈逐年上升趋势与主要科技强国相比仍有较大差距（见图1）。

在评价我国科技投入效率的问题上，许多学者都进行了有益的探索。Lee & Park（2005）采用DEA模型对R&D;投入效率进行了跨国比较，结果显示中国的R&D;投入效率远低于新加坡和日本。朱平芳.徐伟民（2003）在对上海市企业数据的研究中发现，政府的科技拨款资助和税收减免两项政策均对大中型工业企业增加自筹R&D;资金有着积极效果，该效果与政府科技拨款的稳定程度成正比，且自筹资金对专利产出有着显著的正面影响。童光荣、高杰（2004）构建了政府部门与企业部门的R&D;支出回归模型和分布滞后模型，证实了政府科技支出对企业支出的诱导作用及其时滞效应。邓向荣、刘乃辉和周密（2005）研究了我国六项科技计划的投入效率，认为我国政府投入存在一定的非效率状况，政府应尽量由“参与者”向“组织者”转变，建立完善项目管理监督机制。李尽法（2011）的研究采用超效率DEA模型测算了我国各省（区）的科技投入效率。王元地.潘雄锋和杨越（2013）采用DEA模型分析了中国各省的科技投入效率，并用空间计量模型证实了政府科技投入效率具有空间外溢效应。吴芸（2014）基于40个国家1982到2010年的面板数据证实了政府科技投入对促进科技创新起到了显著作用，但其资金使用效率较低，仍需改进。韩凤芹.赵伟（2015）基于省级面板数据研究了中国各地区的R&D;政府科技投入效率，认为地区间的效率差异正在缩小，但在2012年和2013年，制度和政策无法适应科技创新的需要，阻碍了效率提升。

总体而言，学者们对我国科技投入效率的研究已经日趋数量化、模型化和精确化。借鉴以往的研究成果，本文选取了三种投入变量与三种产出变量，采用基于松弛项的DEA模型来评估我国各省级行政区的科技投入效率，并探究效率的变化趋势和影响因素。结果显示，我国科技投入效率的分布呈现东高西低的态势，但中西部省份对东部的追赶效应也很明显。对Malmquist指数的分析显示，2009年之后各省的科技投入效率出现了整体性的进步，这主要源于生产前沿面的移动和后进省份的追赶，即全国性的创新环境改善。科技投入效率的影响因素分析表明，科技资金来源的市场化程度、R&D;投入强度和基础研究资金占比对科技投入效率有正面影响，这说明政府在提高投入强度的同时，应完善激励机制，加强政府资金对企业R&D;投入的杠杆带动作用，发达省份可適当增加基础研究资金的比例，发挥基础研究的长期性和外溢性优势，增强经济发展后劲，带动落后地区进步，而后进省份应更加注重有市场前景的应用型研究，优化产业政策、税收政策、信贷政策和人才政策，着重提高企业经济效益，逐渐培养企业内生的科技进步动力。

二、模型与数据选择

（一）研究思路

经济学意义上的“技术”，是对投入产出关系的描述，而技术效率是指投入与产出因素的配置状态。Farrell（1957）最早提出了技术效率的概念，他将技术效率定义为相同产出下生产主体理想中的最小可能投入与其实际投入的比率。而Leibenstein（1966）则提出了产出角度的技术效率：即相同投入下生产主体的实际产出与理想中的最大可能产出的比率。

本文着重研究中国政府的科技投入效率。正如其他产业一样，科技产业也有着自身独特的投入产出过程：企业、研究机构和高校等研发主体投入科研经费和科研人员的劳动，从而生产出专利、新产品和科技论文等产出，政府在这一过程中，往往充当经费提供者和政策制定者的角色。在各地区之间，科技投入与产出的转化机制显然存在一定的差异，各地科技产业的技术效率也会各不相同，研究这种效率差异及其影响因素是本文的核心内容。

目前，数量化的效率研究主要有两种思路：数据包络分析模型（Data Envelopment Analysis， DEA）和随机前沿分析模型（Stochastic Frontier Analysis， SFA），这两种模型都涉及到生产前沿面的构建，其区别在于：DEA模型所构建的是确定性前沿，而SFA模型则考虑了样本随机误差的影响，而且，DEA模型作为非参数模型，更适合处理多种投入、多种产出的复杂情景。由于科技产业的投入产出种类十分多样，所以本文采用基于松弛项的DEA模型测算中国各地区的科技投入效率，并采用基于DEA的Malmquist指数分析各地区效率变化情况。在以上研究的基础上，本文采用面板Tobit模型估计科技投入效率的影响因素。

（二）模型设计

1.基于松弛项的效率测度与分解模型

本文采用DEA模型测算各地区政府科技投入的效率，并采用Malmquist指数度量和分解各地区效率的变化情况。DEA模型的基本思路是用分段超平面将有效的生产单元连接起来，构成生产前沿面，再用各生产单元到生产前沿面的距离来测度各生产单元的效率。

对生产前沿面的不同假设会推导出不同的DEA模型：规模报酬不变（CRS）假设下的CCR模型，规模报酬可变（VRS）假设下的BCC模型，规模报酬递增假设下的IRS模型以及规模报酬递减假设下的DRS模型等。而从投入产出的视角，又可衍生出投入导向模型（Input Oriented Model）、产出导向模型（Output Oriented Model）以及无导向模型（Non-Oriented Model）。若考虑松弛项对效率的影响，可以衍生出基于松弛项的模型（Slacks-Based Model， SBM）。将以上各种假设按照实际需求组合起来，即可得到适用于不同情境的各种DEA分支模型。在政府科技投入效率的研究中，投入与产出变量的种类较多，为了尽可能全面地考察各种因素，并考虑松弛项的影响，本文采用规模报酬不变假设下的松弛项模型（CRS-SBM）来测算各地区的政府科技投入效率。

假设有n家DMU（Decision Making Unit），m种投入品，q种产出品，第i个DMU的投入产出由表示。如果要研究某个DMU的效率，则关于此DMU的CRS-SBM可以表示如下：

δ■（x■，y■）=■（1-■■φ■）/（1-■■ψ■） （1）

Subject to

（1-φ■）x■=■λ■x■ （i=1，...，m）

（1-ψ■）x■=■λ■y■ （i=1，...，q）

■λ■≥0 φ ≥0 ψ≥0 λ≥0

其中δ■代表效率函数，下标C标志着δ■是规模报酬不变假设下所测算出的效率，而∑λ■≥0是保证生产前沿面规模报酬不变的约束条件。SBM模型实质上是一个分式规划问题，它可以通过Charnes-Cooper变换转化为等价的线性规划问题来求解。

上述的效率是在规模报酬不变假设下的测算结果，如果考虑到不同的规模报酬假设，就可以将效率分解为纯效率（PE）与规模效应（SE）的乘积：

TE（x■，y■）=PE（x■，y■）·SE（x■，y■） （2）

这里的TE是指规模报酬不变假设下得到的效率值δ■，PE是指规模报酬可变假设下的效率值δ■1，它衡量了各地区的科技投入管理水平，而SE是TE与PE之商，衡量了科技投入的规模经济程度（即与最优规模的偏离程度），只有当科技投入处于最优规模时，SE才等于1，其余情况下均小于1。

测算出各年度各地区的科技投入效率之后，本文将用Malmquist指数衡量效率变化情况。从时期t到时期s的基于规模报酬不变假设的Malmquist指数定义如下：

MI■■=■·■■ （3）

其中δ■■（（x■，y■）■）是指用t时期的生产前沿面衡量s时期的投入产出组合（x■，y■）■所得的效率值，其余项以此类推。该指数可以较为全面地反映省份o从时期t到时期s之间的效率变化。

与静态效率类似，Malmquist指数也可分解为若干项的乘积，不同学者提出过多种不同的分解方式，本文采用F re， Grosskopf， Norris & Zhang（1994）提出的方法：

MI■=EFFCH·TECHCH=PECHV·SECH·TECHCH （4）

总体而言，跨年度的效率变化指数MI■可以划分为两个部分：第一部分是各地区相对于生产前沿面的效率变化，第二部分是生产前沿面自身的变化，前者用相对效率变化（EFFCH）表示，后者用技术变迁（TECHCH）表示。而相对效率变化又可分为两个部分：第一是可变规模报酬下的纯效率变化（PECHV），第二是规模效应变化（SECH）。表1详尽描述了对技术效率（TE）和Malmquist指数的分解，并阐述了政府在各分项的决定机制中所能发挥的作用。

2.影响因素分析模型

采用基于松弛项的DEA模型所得出的科技投入效率是一种相对效率，即每一个省份相对于生产前沿面的效率，构成生产前沿面的省份效率为1，其余省份的效率小于1，每个省份的效率值必然介于0到1之间，属于截断数据。本文将采用专门处理截断数据的面板Tobit模型来对科技投入效率的影响因素进行分析：

TE■=α■+X■β+u■ （5）

其中TE■∈[0，1]。

（三）变量选择与数据说明

1.科技投入产出變量选择

本文将采用2009到2015年7年间的省级面板数据测算各地区政府科技投入效率，并探究其影响因素。科技产业的投入和产出多种多样，为了测算出有意义的效率值，必须谨慎选取投入与产出变量。科技投入主要可以分为科研经费与科研人员的劳动，前者用各省研究与试验发展（R&D;）经费内部支出表示，后者用各省R&D;人员全时当量表示，为了突出政府科技投入的作用，本文将R&D;内部支出按照资金来源分为政府资金与其他来源资金。

科技产业的产出主体主要分为三类：企业、研究与开发机构和高等院校，科研成果种类繁多，既有能直接产生经济效益的新产品，也有不直接产生经济效益，但具备转化出经济效益潜力的专利和论文，其中专利又可分为三种：发明专利、实用新型和外观设计，总体而言，发明专利含金量更高，更能体现一个地区的科技创新实力。本文最终选定三项指标作为科技产出的代表：规模以上工业企业新产品销售收入、发明专利申请授权数、研究机构和高等院校的国外科技论文发表数。上述三项产出较为全面地涵盖了一个地区的三种科研主体所取得的研究成果。投入产出变量数据可从《中国科技统计年鉴》获得，详见表2。

以往的研究在投入产出变量的选择上往往有所疏漏，涵盖不全，有些研究专注于专利申请，忽略了直接创造经济价值的企业新产品销售，有些研究则忽略了论文发表，这会严重低估高校与研究机构的科研成果，尤其是低估基础研究成果。部分研究把专利存量（有效专利数）作为一种投入变量，但本文认为，专利存量不像经费和劳动力那样能够全部投入到当期的研发工作中，而且有效专利数据并未考虑折旧的概念，倾向于高估年代久远的专利对当期研发的支持作用，因此有效专利数不适合直接作为投入变量，本文将把专利存量当做一种效率影响因素纳入到第二部分的模型中。

值得注意的是，专利申请与批准大约要经历一年的周期，因此本文采用第二年的发明专利授权量代表当年的专利产出。对规模以上工业企业新产品销售收入采用GDP平减指数进行处理，对R&D;内部支出采用R&D;支出价格指数处理，以降低通胀影响。

2.效率影响因素模型的变量选择

本文采用面板Tobit模型探究政府科技投入效率的影响因素，着重探究资金投入强度与资金使用结构的影响，详见表3。

我们用R&D;内部支出中政府资金占比来代表资金来源中政府与市场资金的比例，该变量也与科技投入的市场化程度成反比。投入强度可用R&D;经费投入强度（R&D;经费支出与地区GDP的比值）代表。资金的使用方向按照研究领域可分为三个部分：基础研究、应用研究与试验发展；按照执行部门可分为三种：企业、研究与开发机构和高等院校。因此，本文用基础研究资金占比和企业支出资金占比来代表资金的使用结构。此外，本文把专利存量作为控制变量，因为专利存量代表了一个地区的科技积累与知识存量，能够对当期的科研提供一定的支持作用。

三、实证结果

（一）效率测算与分解

本文用Matlab （R2016b）实现了基于松弛项的DEA模型。图2和图3分别展示了2009年和2015年30个省级行政区的科技投入效率。

可以看出，2009年中国科技投入效率的地区分布呈现明显的东高西低态势，而到了2015年时，许多西部省份和自治区，如新疆、甘肃、四川、宁夏、陕西、贵州、广西等，都有了一定的相对效率改进，与东部发达省份的差距有所缩小，而中部地区所有省份的相对效率都有提升。总体而言，从2009年到2015年，落后地区与发达地区的科技投入效率差距明显缩小，东、中、西部和东北地区省份的效率变迁详见图4。从静态效率的分解看，各地区的效率差异的主要来源是纯效率差异，中西部的平均纯效率低于东部地区，但其差距有所缩小（如图5所示），这说明中西部省份的科技投入结构和资金管理水平正在追赶东部省份。

由于技术效率（TE）考察的是相对效率，即各省份相对于生产前沿的效率，所以直接对技术效率进行跨年度比较会忽视生产前沿面自身的移动，难以全面衡量每个省份的效率进步程度。为了深入探究各地区科技投入效率的变化，本文采用Malmquist指数来衡量各省份的效率变迁。利用式（3），我们既可以分年度考察各省份的效率变化，也可以考察从2009年到2015年这七年间总体的效率变化。图6展示了各省份从2009到2015年的总体Malmquist指数及其各分项的情况。

除了天津和吉林的Malmquist指数略小于1外，全国其他省份的科技投入效率均有所提高。东中西部与东北地区的平均Malmquist指数分别为1.40，2.19，2.00和1.48，总体而言，中部和西部省份的效率提升程度高于东部地区。

从Malmquist指数三种分项的相对大小来看（详见表4），近年来科技投入效率提升的最大源头是技术进步（TECHCH），即生产前沿面的进步。在本文研究的30个省级行政区中，除了江苏、安徽、广西、新疆和吉林五省之外，其余省份的技术变迁的效果都大于纯效率进步和规模效应进步。而在生产前沿面整体改善的情况下，依然有23个省份取得了纯效率进步（PECH≥1），纯效率进步体现了大部分省份与生产前沿的差距进一步缩小，落后省份对先进省份的追赶依然强劲，生产前沿的改进不仅反映了先进省份的效率改善，也带动了落后地区的效率改进，使得科技投入效率呈现出全国性、整体性的进步。而大部分省份的规模效应变化都在1左右，说明全国大部分地区的科技投入的规模经济程度变化不大。

从分年度的Malmquist及其分项看，2012年和2013年的技术进步（TECHCH）产生了较大下滑，TECHCH≥1的省份数量分别为0个和14个，取得效率改进（Malmquist≥1）的省份仅分别为6个和18个，这与韩凤芹，赵伟（2015）的实证发现相一致。但在2014年之后情况迅速改善，2014年和2015年取得技术进步的省份分别为30个和21个，取得效率改进的省份分别为27个和22个。

（二）科技投入效率的影響因素

本文用面板Tobit模型研究了2009到2015年中国各省级行政区的科技投入效率与资金投入强度和投入结构的关系，回归结果详见表5。

资金来源中的政府资金占比对各省的科技投入效率有较为显著的负向影响，这说明研发资金来源的市场化程度与科技投入效率正相关。此外，政府投入资金占比也从反面衡量了政府科技投入的杠杆效应，一般来说，经济发达、技术实力较强的地区市场化程度较高，企业有较强的财力和动力进行R&D;投入，而对于落后地区而言，如何培育企业自身的研发实力，提高政府科技投入的杠杆撬动效应，形成企业内生的技术进步动力是一个关键问题，通过产业政策、税收政策、信贷政策和人才政策构建完善的企业科技投入激励机制是当务之急。

R&D;投入强度对科技投入效率有显著的正面影响。从国际比较来看，我国整体的科技投入强度依然与发达国家有较大差距。2014年我国R&D;经费占GDP的比重仅为2.02%，而日本为3.59%，德国为2.90%，韩国为4.29%，中国台北为3.00%，美国在2013年就达到了2.74%。我国的科技投入强度仍有较大的提升空间。

基础研究占R&D;资金使用的比重对科技投入效率有较为显著的正面影响。基础研究属于外溢性较强的研究领域，其产出主要体现为论文发表等成果，虽然不能直接转化为经济效益，但这些成果对其他科研领域有着长远的带动效应，其作用不应被忽视，这也是本文将科技论文发表作为一种产出变量的原因。

四、结论与建议

从2009到2015年，中国各地区科技投入效率有了整体性的提高，尤其是山西、安徽、江西、湖北、陕西、青海、宁夏等中西部省份提升明显。在前沿地区（北京、上海、浙江、江苏、重庆、吉林等）效率提升的同时，后进省份的追赶效应更加明显，其科技投入结构和管理水平与先进省份的差距明显缩小，但东中西部的阶梯式分布依然存在。

一个地区的科技资金来源的市场化程度、R&D;投入强度和基础研究资金占比对其科技投入效率均有正面影响。这说明政府在增加科技资金投入的同时，要完善激励机制，加强政府资金对企业资金的杠杆带动作用。对于市场化程度较高、科技企业实力雄厚的发达地区，政府可以加大对基础研究的投入力度，利用基础研究成果的长期性和外溢性，增强科技进步的后劲和对落后地区的带动作用，应用型研究的投入应更多地由企业承担；而对于企业科技实力较弱、市场化程度不高的后进地区，政府应更加注重有市场前景和直接经济效益的应用研究和商业研究，着重提高企业经济效益，通过更加合理的产业政策、税收政策、信贷政策和人才政策，构建起完善的科技投入激励机制，培养企业自身的研发实力，提高政府科技投入的杠杆撬动效应，逐渐形成企业内生的科技进步动力。

参考文献

[1]Cooper W W， Seiford L M， Zhu J. Data envelopment analysis[J].Handbook on data envelopment analysis，2004：1-39.

[2]Fre R， Grosskopf S， Norris M， et al. Decomposition of productivity growth in industrialized countries into technical

change and change in performance[J].American Economic Review， 1994， 84：66-83.

[3]Guellec D， De La Potterie B P. R&D; and productivity growth[J].OECD Economic studies， 2002， 2001（2）：103-126.

[4]Lee H Y， Park Y T. An international comparison of R&D; efficiency： DEA approach[J]. Asian Journal of Technology

Innovation， 2005，13（2）： 207-222.

[5]邓向荣，刘乃辉，周密.中国政府科技投入绩效的考察报告——基于国家级六项科技计划投入效率与问题的研究[J].经济与

管理研究，2005，（6）：24-28。

[6]韩凤芹，赵伟.R&D;中政府投入效率测度及影响因素分析——基于省级面板数据的研究[J]. 财政研究，2015，（11）：75-85。

[7]李尽法.基于SE - DEA的财政科技投入效率测度实证研究[J].科技管理研究，2011， （15）：69-71。

[8]童光荣，高杰.中国政府R&D;支出对企业R&D;支出诱导效应及其时滞分析[J].中国科技论坛， 2004 ，（4）： 97-99。

[9]王元地，潘雄锋，杨越.中国地方政府科技投入效率的空间外溢效应研究[J].中国人口资源与环境，2013，（12）：125-130。

Abstract：The paper uses provincial panel data from 2009 to 2015 and DEA model based on the relaxation item to measure the efficiency of the investment in science and technology of Chinas 30 province-level administrative regions， and finds that the efficiency of the investment in science and technology in eastern， middle and western areas is roughly a ladder-like distribution， and the catch-up effect of middle and western provinces to eastern provinces is obvious. The analysis on Malmquist index shows that the efficiency of the investment in science and technology of all provinces has improved overall since 2009 thanks to a national improvement of the innovation environment. The analysis on the influencing factors of efficiency of the investment in science and technology shows that the marketization degree of the sources of science and technology capital， R&D; input intensity and the ratio of the basic research funds have a positive impact on the efficiency of the investment in science and technology， which suggests that the government should increase the investment intensity， and at the same time， perfect the incentive mechanism of enterprises investment in science and technology， strengthen the leverage leading role of the government capital to the enterprise capital， attach importance to the cultivation of scientific and technological progress of enterprises endogenous impetus， and the developed provinces can appropriately increase the proportion of basic research funds.

Keywords： efficiency of the investment in science and technology； government R&D; investment； DEA model based on the relaxation item； Malmquist index

責任编辑、校对：仵永恒