京津冀区域创新效率动态演化与影响因素研究

李 百 华

(河北地质大学 科技处，河北 石家庄 050031)

0 引言

创新是实现区域发展的关键，是推动区域主体宽领域、多层次、深度合作的驱动力，是充分释放创新要素活力，促进区域科技向更高层次发展的重要助推力，也是突破区域发展瓶颈，促进区域协同发展的关键所在.京津冀拥有丰富的资金、人力、技术、平台等创新要素，随着2015年《京津冀协同发展规划纲要》的颁布与实施，京津冀区域的发展被提升到带动北方腹地发展的重大国家战略层面，而创新是推动区域协同发展，优化区域资源效率的重要驱动力.推动京津冀区域更好、更快发展会使得大量的创新要素获得投入，然而要素投入量的增加并不一定能带来创新水平的提升，资源冗余导致的资源利用不足同样是制约区域创新驱动力的重要因素，因此，应从效率角度去测评区域内资源的使用及创新要素的投入与产出，并以此作为区域协同发展的引导方向；同时，京津冀区域包含各类资源要素、各类发展系统与部门，区域内主体间创新程度的差异也将在不同层面制约整体的发展，只有掌握其主体间的创新驱动层次与差异才能有的放矢地推动整体区域创新水平的提升.因此，剖析并比较区域内部主体间的创新驱动效率，深入探究区域内部创新资源的投入—产出状态与趋势，对推动京津冀区域整体创新水平的突破和加快构建区域创新共同体具有重要的现实意义.

本文以京津冀作为区域创新效率动态演化的研究对象，对其开展区域创新系统构建研究，思路与框架见图1.

研究内容主要分为以下方面：(1)对京津冀区域协同发展进行阐述，归纳分析其创新现状；基于投入—产出角度分析京津冀区域协同创新主体、要素及其运行关系，构建京津冀区域协同创新绩效评价指标体系.(2)京津冀区域协同创新绩效实证研究.以京津冀区域协同为例，以所创建新绩效评价指标与体系为依据，从投入—产出角度对京津冀区域创新绩效进行测评分析，研究区域内创新水平及内部投入—产出的效率.(3)京津冀区域协同创新绩效影响因素分析.以DEA(数据包络法)-Tobit(回归模型)为模型对区域创新活动所在环境进行影响因素分析，确定模型的因变量、自变量，测评外部环境中各因素对创新主体绩效的影响关系与显著性.(4)京津冀区域创新提升路径研究.依据创新理论梳理相关内容，在区域系统创新绩效评价与外部影响因素分析的基础上，提出京津冀区域创新绩效提升路径，实现内部机理作用的有效发挥与外部环境的协调共生，从而提升系统的投入—产出效率.

图1 研究思路与框架

1 文献回顾

技术创新效率往往从投入—产出的角度来衡量技术创新的效果.目前，对技术创新效率及其影响因素的研究已成为国内外技术创新领域的重要课题，相关研究主要集中在国家层面[1]、行业层面[2]及区域层面[3]的技术创新效率上.其中，对区域创新效率的研究多以地理区域层面为主，如文献[4]对我国30个省、自治区、直辖市的技术创新效率进行了测定;文献[5]运用DEA对新疆主要行业进行了研究;文献[6]基于30个省、自治区、直辖市的有关数据进行了区域创新环境对区域创新效率的影响研究.而这些研究对国家层面与行业层面的区域创新探索较少.在京津冀区域创新效率研究方面，目前虽已逐步引起了相关学者的关注，但研究数量仍较少，研究内容也并不全面，研究成果主要集中在2016-2018年，如文献[7]对京津冀区域三年的技术创新投入和产出进行了DEA分析，结果表明，河北省的创新效率明显低于京津两市；文献[8]应用随机前沿法(Stochastic Frontier Analysis，简称为SFA)测算了 1995-2014年京津冀地区高技术产业的创新绩效，考察了技术引进、购买国内技术、技术改造和消化吸收经费的支出对创新绩效的影响；文献[9]运用非期望Super-Min DS模型测度了2006-2015年京津冀地区各市高耗能产业的绿色创新效率，并运用空间统计方法探索了绿色创新效率的空间分布特征.

以上文献的研究思路与成果为本文提供了参考.基于此，本文在研究内容与方法上进行了充分扩展.在研究内容上将京津冀区域技术创新驱动效率进行了深入的比较探究，并对各主体的效率影响因素进行了分析；采用静态模型(DEA-BCC)与动态(Malmquist指数)模型相结合的方法，以期比较充分地挖掘京津冀区域创新驱动效率的发展态势.这既是对京津冀区域创新效率研究的补充，也对缩小区域内主体创新效率的差距，推动实现区域整体创新发展具有一定的现实意义.

2 实证研究

2.1 方法选择与模型建立

2.1.1 DEA-BCC模型

DEA是测评决策单元(Decision Making Units, 缩写为 DMU)分析投入—产出水平的有效方法，分为投入导向型和产出导向型两种方式，具有不需要人为设定变量权限的优势，被学术界广泛使用.DEA通过判断DMU是否在效率前沿面上来测评该对象的投入—产出是否有效，通过线性规划来确定经济生产上的最优点，并进一步将最优点连接起来，形成一条效率前沿的包络线，然后将所有决策单元(DMU)的投入—产出映射到空间中，落在边界包络线上的DMU是相对有效的；否则无效.BCC是DEA的常用模型之一，与CCR模型相比，该模型剔除了规模报酬不变的假设，将决策单元的总体技术效率评价分解为纯技术效率评价和规模效率评价两部分，能给出纯技术效率是否有效的判断，它是测评DEA静态效率的有效模型，其基于投入的对偶评价模型为：

2.1.2 Malmquist指数

Malmquist(全要素生产)指数通常用来测评t与t+1时期DMU的全要素生产变化情况，Malmquist指数大于1表示从t时期到t+1时期的创新效率是增长的；反之则下降.在规模报酬不变的假设下，其将技术效率看作技术效率变动(EC)与技术进步(TP)的乘积，若TP>1，则表示相对技术进步；若TP<1，则表示相对技术退步.同理，若EC>1，则表示技术效率有所提高；若EC<1，则表示技术效率下降.技术效率变动又可进一步分解为纯技术效率变动(PC)与规模效率变动(SC)，它能在整体评价DMU技术效率变化的同时给出这种变化的内在动力及原因.

2.1.3 Tobit模型

Tobit模型又称删截或截取回归模型，是针对部分连续分布或部分离散分布的因变量提出的.其模型可表示为：

Yi=β0+βTXi+ε(i=1,2,…,m).

其中，Yi为因变量，即DEA效率值；Xi为自变量，即影响效率值的解释变量；β0为常数项;βT为待估系数向量；ε为随机误差向量.

由于DEA的效率值为大于0的离散数值，若使用普通最小二乘法估计模型参数会存在一定的误差，因此，本研究采用极大似然法对Tobit模型进行参数估计，以得到较为准确的拟合结果.

2.2 变量选取与数据来源

本文以京津冀区域的北京市、天津市和河北省的技术创新驱动效率为研究对象，在效率测评方面选择DEA法，在效率影响因素分析方面选择DEA-Tobit模型.区域主体的技术创新过程可视为创新要素的投入与创新效益的产出，技术创新中的要素投入是主体创新活动进行及取得预期成果的前提与基础，一般指为保障创新系统顺利运行所需的各类科技与创新资源，包括有形要素(如科研人员、科研与活动经费等)与无形要素(如知识、管理、信息、环境等)[10].产出要素即技术创新产出，用来表明技术创新资源投入所产生的效益，既包括在技术创新过程中取得的直接创新收益，也包括正在研究的新技术、新产品投入后可取得的经济效益[11]，主要用来衡量技术创新的最终效果.根据DEA指标选择的原则与要求，在总结、借鉴相关研究成果的基础上，本文以资本、劳动力作为投入指标，以区域经济产出、技术创新专利产出作为产出指标，选取投入—产出中的主要要素，以衡量区域内技术创新活动的生产效率.在选择具体表达指标时，要同时考虑其可行性与有效性.根据《中国统计年鉴》的统计字段，建立了京津冀技术创新效率DEA投入—产出测评指标体系，见表1.

在分析京津冀创新效率系统外的影响因素时，以DEA所得各主体的效率值为Tobit模型的因变量，数值范围为0～1；在影响因素选取方面，参考以柳卸林为主要成员的中国科技发展战略小组编写的《中国区域创新能力报告》，并考虑数据的可获得性，建立了以经济规模、产业结构、创新环境为影响因素的自变量指标体系，具体内容见表2.

表1 区域技术创新效率DEA投入—产出测评指标体系

表2 区域技术创新效率影响因素变量指标体系

3 实证结果分析

3.1 基于BCC模型的静态效率评价

利用Maxdea软件对投入—产出数据进行DEA分析，利用BCC模型得到北京市、天津市和河北省三大区域主体的静态效率值，见表3.

表3 北京市、天津市、河北省的BCC效率测评结果

由表3可知，在2004-2015年的创新活动中，北京市分别在2009年、2013年、2014年的技术创新投入—产出获得了DEA有效性，创新资源投入获得了效率最大化，其余年份均存在不同程度的投入冗余或产出不足问题，整体技术创新效率平均值为0.880；天津市的综合技术创新效率值整体较高，最低值为0.877，高于北京市的最低值0.659和河北省的最低值0.593，且分别在2004年、2014年和2015年实现了技术创新的有效性，整体创新效率为0.932，高于北京市和河北省；河北省在京津冀三大主体中的技术创新效率平均值最低，仅为0.823，但其在2012年、2013年和2014年也实现了技术创新的有效性，其余年份的技术创新活动有一定的波动性.

通过BCC模型，可将技术创新效率分解为纯技术效率和规模技术效率.由表3可看出，京津冀区域主体的纯技术效率均优于规模技术效率，纯技术效率值均在0.900以上，且北京市、河北省纯技术效率的有效性高于天津市，由此可见，京津冀区域在技术研发、改进、新产品更新方面具有良好的基础与优势，技术创新较为活跃；规模技术效率对综合效率的“拖累”影响较为明显，三地在创新要素整合利用、产业结构调整、组织管理等方面均存在一定的不足，由此产生了一定的创新资源浪费或产出不足的问题.

为进一步体现时间的变动性，对京津冀区域的综合技术效率值、纯技术效率值和规模技术效率值进行了分析，从动态角度分析了区域内主体创新效率的分布与发展态势，结果见图2-4.

图2 2004-2015年京津冀区域综合技术效率变化情况

图3 2004-2015年京津冀区域纯技术效率变化情况

图4 2004-2015年京津冀区域规模技术效率变化情况

由图2-4可看出，在2004—2015年，天津市技术创新效率值较为稳定，效率值波动较小，而北京市、河北省均在不同年份出现多次波动，且幅度较大，但北京市、天津市、河北省近几年的技术创新活动趋于稳定，技术创新效率达到了较高的水平.从整体效率变化情况而言，京津冀的综合技术效率变化趋势与区域规模技术效率变化情况较为相似，各主体效率变化波动节点与幅度也较为相近，而纯技术效率趋势图中，各地均只在某几年存在效率不足的情况，由此可看出，京津冀区域的规模技术效率对区域综合技术创新效率的影响较为明显；2014年前后，北京市、河北省均在规模技术效率方面出现了下降，由此也引起了区域综合技术创新的变动.可见，伴随着京津冀区域协同发展的推进，创新主体在创新要素获得充分投入后，能否对资源实现有效组织、利用，能否获得管理规模的有效性，是能否获得整体活动有效性的重要因素.

3.2 基于Malmquist指数的动态效率评价

利用Maxdea软件对京津冀区域的全要素生产率指数进行分析，结果见表4.

表4 北京市、天津市、河北省的BCC效率测评值

续表4

年度区域测评结果效率变化指数技术变化指数Malmquist指数北京2.5960.6211.6112009-2010天津1.0001.0791.079河北1.0001.0931.093北京1.0000.6690.6692010-2011天津1.0001.1911.191河北1.0001.1481.148北京1.0000.6420.6422011-2012天津1.0001.1711.171河北1.0001.0491.049北京1.0000.5980.5982012-2013天津1.0000.6990.699河北1.0001.0271.027北京1.0001.0001.0002013-2014天津1.0001.0231.023河北1.0001.0081.008北京1.0001.0001.0002014-2015天津1.0001.1051.105河北1.0000.7400.740北京1.1890.8540.962平均值天津1.0001.0441.044河北1.0001.0681.068

由表4可知，在2004-2015年，北京市的全要素生产率指数总体呈现先下降后上升、再下降、再上升的趋势，其中， 2008年增长57.8%， 2010年增长61.1%，2013年再次下降50.2%，到2014年、2015年恢复至稳定水平；天津市全要素生产指数发展较为稳定，且为连续增长，在2011年出现最大增幅19.1%，在经历了2013年下降后，2014年、2015年再次呈现增长趋势，分别增长10.3%和7.9%，平均增速为4.4%；河北省在2004-2014年的全要素生产率指数均为增长态势，在2015年出现了26.0%的大幅下降趋势，全要素生产率指数平均增速为6.8%.将全要素生产率指数进一步分解为效率变化指数和技术变化指数，对比分析可看出，北京市Malmquist指数的变化趋势与技术变化指数发展态势相似，尤其在2011-2015年，全要素生产率变化主要来自于技术水平的影响，技术创新、研发等的不足与Malmquist指数平均下降3.8%存在着密切联系；天津市、河北省的效率变化指数连续不变，说明Malmquist指数的发展态势主要受技术变化指数的影响，分别呈现平均4.4%和6.8%的增速，说明技术水平的提高不断推动地区全要素生产率的增长.综合而言，京津冀区域全要素生产率的发展与地区高新技术人才、技术革新、创新思维等要素有着密切联系，技术进步是推动地区创新效率发展的关键.

3.3 创新驱动效率影响因素分析

技术创新效率的有效获得与活动所处的环境有着密切联系.DEA是测评创新活动内部投入—产出效率的有效方法，但不能对活动以外的环境影响因素进行分析[12].因此，本文在DEA效率值测评的基础上，结合Tobit模型对京津冀区域创新主体所在环境的影响因素进行分析，运用Eviews软件进行DEA-Tobit分析，获得结果见表5.

表5 北京市、天津市、河北省的DEA-Tobit分析结果

注：*，**分别表示估计系数在5%，1%的置信度水平显著.

由表5可看出，X1所代表的经济规模对京津冀三地的创新效率的影响不同.北京市经济规模的发展对地区技术创新效率具有负影响，可能存在一定的重效益、轻技术问题，但影响并不显著；天津市、河北省经济规模对地区技术创新效率皆表现为正影响，且均在1%的置信水平上显著，经济发展为地区高新技术人才引进、技术研发与创新提供了必要的物质条件.在X2所代表的产业结构方面，京津冀三地均表现出对技术创新效率的“制约”作用，且北京市表现为在1%的置信水平上显著，天津市、河北省为5%的置信水平上显著.可见，调整地区产业结构，活跃地区创新要素，对提升创新效率水平具有一定的“拉动”作用.X3所代表的创新环境因素，对区域主体技术创新效率发展表现为积极的“推动”作用，天津市的影响在1%的置信水平上显著.可见，地区教育发展水平、人才培养、创新氛围等因素可为技术研发、创新突破提供必需的人才基础与环境支持.综上所述，优化京津冀区域创新资源效率，提升技术创新水平，可从经济规模适度发展，产业结构深度调整，人才教育大力发展等方面着手，有侧重、有重点地为创新活动营造良好的环境与氛围.

4 结论

(1)区域创新效率变化不仅受纯技术效率的影响，同时还受规模技术效率变化的制约.提升区域创新效率水平，应在注重新技术研发、技术突破的基础上，更加关注资源配置与投入管理，以减少由于资源冗余而造成对投入—产出的无效性[13].

(2)京津冀协同发展为区域带来了丰富的创新资源，区域技术创新水平取得了较大进步，而规模管理的缺失对总体效率的发展产生了制约[14]；京津冀区域创新效率在2014年后出现下降趋势的主要原因在于对资源投入与规模管理的重视不足.

(3)京津冀三地中，天津市技术创新效率发展较为稳定，技术创新效率平均值高于北京市和河北省，全要素生产也保持较为稳定的增长速度，在技术研发与规模等方面存在一定的优势；河北省在全要素生产中的平均效率值最高，创新效率增长较为明显.

(4)经济发展水平是推动区域技术创新发展的有效动力.在创新发展方面，不同地区经济发展水平会呈现出不同的影响方向，注重经济规模发展的同时也应关注经济与地区创新的相适应性，避免因“重效益、轻技术”“过度发展”而对技术创新效率造成负影响[15].

(5)京津冀区域技术创新发展与效率的获得可重点从调整产业结构，营造创新环境入手.要根据区域功能定位，调整各地产业结构，统筹产业布局，形成相互衔接的产业链，优化区域教育资源，加大高新技术人才的培养力度，提供优质教育创新环境，形成区域创新驱动经济增长的新引擎[16].