中国农业企业科技成果转化效率测算与分析——基于网络超效率SBM模型

林青宁，孙立新，毛世平

（中国农业科学院农业经济与发展研究所，北京 100081）

1 研究背景

保障重要农产品有效供给、加快转变农业发展方式以及实现现代农业，都迫切要求加快农业科技研发和成果转化，农业科技成果转化能力和转化效率是体现农业科技水平的标志也是中国农业科技创新政策的着力重点。近年来，伴随国家与社会各界对创新的日渐重视，农业研发投入快速增长，带动了中国农业科技成果呈现迅速攀升的增长态势。根据2007—2016年的资料统计显示，这一期间中国农业科技成果数量由4 646项增至7 831项，增加了3 185项，涨幅68.55%；但与此同时，中国农业科技成果的产业化应用状况却不容乐观，近年来，中国农业科技成果产业化应用所占比例始终最高，但却呈现大幅下降的趋势，2011年登记的农业科技成果中产业化应用比例为85.35%，及至2016年，产业化应用比例逐年下降为51.21%［1］。“重技术、轻市场”的观念导致农业科技成果难以产业化应用并产生经济效益，因此，农业科技成果转化必须坚持市场化导向不动摇，坚定走市场主导的路子。2015年新修订的《中华人民共和国促进科技成果转化法》突出强调了科技成果转化应当尊重市场规律，发挥企业在科技成果转化中的主体作用。农业企业相较之农业领域的其他主体，更贴近市场，市场导向性更强，同时也更了解市场的需要，因此有针对地进行研发创新更为高效，这些特征决定了必须确立农业企业在农业创新领域的主体地位，这不仅是一种趋势，也是一种必然，是实现农业现代化的内在需要［2-3］；必须加强对农业企业的重视程度，通过引导支持等手段提升其在农业创新领域的主体地位；鼓励创建以农业企业为主体、科研机构、高校协同的科技成果转化机制［4］。农业企业的这些特质有助于提高中国农业生产的能力与效率、实现农村经济提效增速［5-6］，同时也有助于乡村振兴计划的落地。习近平［7］总书记形象地将科技成果转化比喻为横亘在科技研发与产业化应用之间的“篱笆墙”。因此，测算现阶段中国农业企业科技成果转化效率，并从时间-空间角度对其进行分析具有重要的现实意义。

现有关于中国科技成果转化效力的测度指标多停留在量的层面，关注有多少科技成果最后得到了产业化应用，采用“科技成果转化率=产业化应用成果数÷总科技成果数×100%”这种测算方法具有方法简单、操作容易以及结果直观等方面的优点。如：李震华等［8］考虑到农业科技成果转化包括研发、商品化等多个阶段，周期性较长，因此认为可以用实用性科技成果数量来近似代替全部科技成果数，从而根据实用性科技成果产业化应用情况测度中国农业科技成果转化率；赵蕾等［9］在界定产业化应用渔业科技成果数量的基础上，分别用模糊综合评价法、层次分析法以及德尔菲法测算了中国渔业科技成果转化率，研究认为不同方法的使用未对转化率结果造成统计学上的差异，且市场化导向强的应用研究科技成果转化率高于基础研究科技成果转化率。当然这种测算方法是存在局限的：第一，不同评价对象（诸如高校、科研机构以及企业）对科技成果有不同的统计口径，对“成功转化”的界定也不尽一致，这就导致了总成果数以及成功转化成果数的统计难题；第二，科技成果转化是一个链式结构，包括知识研发与商业化应用两个阶段，这样一来科技成果转化率人为割裂了科技活动与生产活动。因此，近年来，随着学术界对农业科技成果转化率研究的进一步加深，很多学者开始使用数据包络分析（DEA）方法以及随机前沿分析（SFA）方法，从宏观角度测算中国农业科技成果转化效率，认为现阶段中国农业科技成果转化效率较低且增长趋势缓慢［10-11］。而国外有关科技成果转化效率（国外一般称之为技术转移）的实证检验较多，主要以高校为主体，主要分为两类：一类是对技术转移效率进行测度，主要使用方法包括非参数DEA以及参数SFA等［12-15］；第二类主要是研究影响技术转移效率的影响因素，发现行业发展情况、激励许可机制、规模以及产业化进程显著影响科技成果转化效率［16-19］。

上述研究为本文提供了相应研究基础，但仍存在完善的空间：第一，现阶段关于中国农业科技成果转化效率的研究相对较少，且研究视角也多关注宏观层面，聚集国家、某省份或某个产业的分析，较少涉及到微观层面，关于农业企业科技成果转化效率的研究更为少见；第二，现阶段关于中国科技成果转化效力的测度指标多停留在量的层面，关注有多少科技成果最后得到了产业化应用，但数量比例无法衡量科技成果转化全过程所形成的经济效益与社会效益；第三，国外实证研究较多，但标准非参数方法（如DEA）以及参数方法（如SFA）仅仅考虑研发活动初始投入与最终产出，未对科技成果转化内部过程进行阐述、剖析，因此其结果的准确性值得商榷。基于以上考虑，本文以2009—2017年中国农业企业的混合截面数据为研究样本，使用SSBM-网络DEA模型测度其科技成果转化效率，并从时间-空间角度分析其演变趋势及收敛性。

2 SSBM网络DEA模型构建

2.1 数据来源

本文数据样本来自中华人民共和国科学技术部设立的农业科技成果转化资金项目，样本企业应具备以下条件：第一，注册地为中国境内，具备独立法人资格，且控股形式为内资控股，注册资金应不低于50万元，同时应具备界定清晰的产权制度与透明完善的财务管理制度，经营业绩良好，注册成立1年以上，资产负债率不超过60%；第二，主营业务范围为农业科技研发、农机开发生产、农业技术服务以及农业装备生产等，且应具备完善的治理结构，重视农业科技创新，在农业科技创新方面存在一定投入，且有能力实现对农业科技成果的转化，具备较强的市场导向；第三，应具备一批可以转化的农业科技成果，且所具备农业科技成果须符合国家产业政策、有明晰的知识产权。基于此，本文剔除了调研中无R&D经费投入、经营业绩较差、科技成果不成熟等不符合以上要求的企业，最终得到符合本研究要求的样本企业9 959家，数据类型为2009—2017年的混合截面数据。

2.2 模型构建与指标选取

农业企业科技成果转化的全过程要经历第一阶段的知识研发以及第二阶段的科技成果经济化，即单纯的研发人员以及研发经费是没有办法产生直接经济效益的，必须经过中间产出阶段。根据农业企业科技成果转化活动的特点，本文在Fare等［20］提出的网络DEA模型基础上，建立了农业企业科技成果转化两阶段动态网络DEA模型。两阶段动态DEA模型将农业企业科技成果转化的全过程划分为知识研发阶段以及成果商业化阶段，如图1所示，在知识研发阶段，农业企业主要依靠R&D投入（Xi）产生诸如专利、新材料等中间产出（Zi），而成果商业化阶段的主要目的则是将知识研发阶段的中间产出转化为具有经济效益的产品，当然这一阶段中投入指标不仅包括Xi+1，即这一阶段的人力物力投入，还包括Zi，即知识研发阶段的中间产出作为投入指标作用于成果商业化阶段，从而实现最终产出Yi。传统DEA方法仅使用了创新链前端的投入Xi与创新链末端的产出Yi作为投入产出指标进行效率测度，忽略一些非效率因素，如未考虑中间产出Zi及其在下一阶段的再投入等问题，未将农业企业科技成果转化活动的两个阶段联系起来，则其测度的效率准确性便值得商榷，因此，有必要使用网络DEA模型。

其中，知识研发的投入指标（Xi）包括农业企业科技成果转化总经费、人员中用于创新部分即研发人员投入及研发经费投入，这一阶段的产出变量（Zi）包括专利、新材料、新工艺、新设备以及新品种；科技成果商业化阶段的投入指标一部分来自知识研发阶段产出的再投入（Zi），另一部分则是农业企业科技成果转化总经费、人员中的非创新部分（Xi+1），这一阶段的产出指标则以农业企业的新产品销售收入以及技术服务收入表征。

图1 农业企业科技成果转化活动流程

基于以上分析，本文构建农业企业网络DEA模型如下：假设农业企业科技成果转化第一阶段投入为Xi，产出为Zi；第二阶段的投入为第一阶段的产出Zi以及非创新投入Xi+1，产出为Yi；Ui、Ui+1、Vi、Wi分别为Xi、Xi+1、Yi、Zi的权重。与 Chen 等［21］构造的网络DEA模型不同的是，本文将农业企业科技成果转化总投入划分为创新投入Xi以及非创新投入Xi+1，并且Xi+1为第二阶段新的投入。在规模报酬不变情况下，若不考虑农业企业科技成果转化“黑箱”问题，可以得到农业企业第i个评价单元（DMU）的效率评价DEA模型如下：

在考虑农业企业科技成果转化活动的“黑箱”问题情况下，需要满足两个条件：第一，无论在知识研发还是成果商业化阶段，要素作为投入或产出，其权重始终一致；第二，前沿面条件，即每个阶段都必须保证其累积产出不超过累积投入。基于此，本文构造考虑“黑箱”问题的农业企业效率评价网络DEA模型如下：

根据式（1）（2）可以得到第i个农业企业的科技成果转化效率为：

上述网络DEA模型还存在两点需要改进的地方：第一，模型默认农业企业的科技成果转化效率最大值为1，这样在样本量较大情况下很有很多的DMU处于有效率状态（即效率值为1），存在截尾值问题，而Andersen等［22］提出的超效率模型很好地解决了这一问题；第二，现有测度效率的DEA模型主要以径向距离为主，在无效率方面的衡量仅考虑了要素投入及产出等比例缩减或增加的比重，没有考虑松弛改进的部分，而Tone［23］提出的SBM模型有助于解决这一问题。基于以上考虑，本文最终选择网络超效率SBM模型（SSBM）对样本农业企业科技成果转化效率进行测度。模型中各投入产出变量说明见表1所示，样本农业企业各变量的描述性分析见表2所示。

表1 农业企业科技成果转化效率测度的投入-产出变量及说明

表2 样本农业企业各变量的描述性统计结果

3 中国农业企业科技成果转化效率测算

本文使用MaxDEA7.6软件中的SBM-Network DEA-Super Efficiency模型对样本农业企业科技成果转化效率进行测度，结果表明：第一，只有极少数样本企业的科技成果转化效率达到并超过1，样本企业科技成果转化效率的均值为0.421，总体效率损失为1-0.421=0.579，效率损失情况严重；第二，样本企业科技成果转化效率的中数是0.363，从效率直方图可以看出大部分样本企业的科技成果转化效率集中分布在［0.300，0.500］区间内，科技成果转化效率高于0.500的企业较少。限于篇幅，部分测度结果如表3所示。

表3 部分样本企业的科技成果转化效率统计结果

表3 （续）

4 中国农业企业科技成果转化效率时间趋势分析

从表4可以看出，样本农业企业科技成果转化效率总体呈现出递增趋势，从2009年的0.386上升到了2017年的0.430，但存在震荡波动的现象，其中2009—2013年一直平稳上升，2014—2016年期间有一个小幅度的衰减，且于2017年达到最高，总体来看存在较强的经济短波现象。

表4 样本农业企业的年度科技成果转化效率分析结果

农业企业科技成果转化效率经济短波现象的产生，一方面受农业企业内部环境影响，另一方面还与大的制度环境有关，为此，本文选取1977—2017年间中国国家立法机关、中央政府及其所属部委制定并颁布的数以千计的有关科技法律、行政法规、部门规章和规范性文件，并结合北大法宝法律法规检索系统整理出4 995项农业科技成果转化政策，进而借鉴彭纪生等［24］对技术政策力度测量的研究，对2009—2017年中国农业科技成果转化政策力度进行测度，构建连续型科技成果转化进程指数。计算过程如下：

式（5）中： 为年农业科技创新政策目标（措施）力度；j为政策类型； 为政策类型j的第n项政策的政策目标（措施）得分； 为在年按照层级打分的第n条政策得分。

经过计算，2009—2016年经量化的中国农业科技成果转化政策强度分别为11、13、18、32、79、32、30、51，可见农业科技成果转化政策强度的变化趋势与农业企业科技成果转化效率的变动趋势一致（见图2），说明样本农业企业科技成果转化效率受政策影响较大。

图2 样本企业科技成果转化效率值与农业科技政策强度变化趋势

2017年样本企业科技成果转化效率再次提升得益于2016年国家颁布的《促进科技成果转移转化行动方案》以及《实施＜促进科技成果转化法＞若干规定》的政策影响，且从表5可以看出，2017年度样本农业科技成果转化效率较之于2016年有了显著的增长。由此可见，农业科技政策强度对农业企业科技成果转化效率有较大的影响。

表5 样本农业企业科技成果转化效率的对照分析结果

5 中国农业企业科技成果转化效率空间趋势分析

本文首先分析样本农业企业科技成果转化效率的空间分布情况，参照何红光等［25］的处理方法，得出样本企业科技成果转化效率分类表。本文以中国境内地理区划为依据，按照农业企业分布划分为东、中、西3个区域。其中，东部包括辽宁省、河北省、山东省、江苏省、浙江省、福建省、广东省、北京市、天津市、上海市、海南省；中部包括吉林省、黑龙江省、内蒙古自治区、山西省、河南省、安徽省、江西省、湖南省、湖北省；西部包括新疆维吾尔自治区、甘肃省、陕西省、宁夏回族自治区、四川省、重庆市、贵州省、云南省、广西壮族自治区、西藏自治区、青海省。从表6可以看出，自第一至第四类，农业企业科技成果转化效率逐渐下降，即农业企业科技成果转化效率水平为第一类＞第二类＞第三类＞第四类，且总体上呈现出明显的区域差异。

表6 基于科技成果转化效率划分的样本企业的地域分布

由以上分析结果来看，似乎样本农业企业的科技成果转化效率受区域差异的影响颇小，因此，为分析不同区域农业企业科技成果转化效率的差异问题与追赶问题，本文首先对三大区域内样本企业的科技成果转化效率进行S-N-K方差分析。如表7、表8所示，中部的样本企业科技成果转化效率均值最高为0.422 0，其次是西部为0.421 8，东部最低为0.420 0，且从方差分析结果看来，三大区域样本企业的科技成果转化效率之间并不存在显著差异。

表7 三大区域样本农业企业科技成果转化效率分析结果

表8 三大区域样本农业企业科技成果转化效率方差分析结果

从以上测算结果来看，区域经济差异似乎并未显著影响样本农业企业的科技成果转化效率，且中西部企业的科技成果转化效率更高。近年来，中国加大了对中西部的资金与政策倾斜力度，这在一定程度上对当地农业企业的研发体量和研发体系的扩大与完善起到了促进作用，但这是否表示不同区域的农业企业科技成果转化效率存在均增长？针对此，本文对测算结果进行β收敛性分析。绝对β收敛分析用来分析不同地区的农业企业科技成果转化效率能否达到相同稳定的增长速度，以及落后地区的农业企业科技成果转化效率能否实现向发达地区农业企业科技成果转化效率的收敛。本文在Sala-IMartin［26］的研究基础上构建农业企业科技成果转化效率绝对β收敛模型：

式（7）中：等式左边的意义为t=0期到t=T期科技成果转化效率增长率；β是第i地区0期的农业企业科技成果转化效率初始值的对数。通过模型得到的是回归系数，若值为负则表明存在绝对收敛，即落后地区存在追赶发达地区的趋势。从表9可以看出，绝对收敛结果显示各区域的β系数值均为负数并均通过了1%的显著性水平检验，且东部的收敛速度最快，说明东部及西部样本企业的科技成果转化效率存在向中部收敛的态势，三大区域呈现稳态增长。

表9 三大区域样本农业企业科技成果转化效率绝对收敛检验结果

6 结论与建议

本文首先使用网络SSBM模型测度中国农业企业科技成果转化效率，在此基础上分别从时间、空间趋势进行了探究，得到的研究结论如下：

（1）只有极少数样本企业的科技成果转化效率达到并超过1，样本农业企业科技成果转化效率均值为0.421，效率损失情况较为严重；样本企业的科技成果转化效率集中分布在［0.300，0.500］区间内，效率值高于0.500的企业较少。

（2）从时间趋势看，样本农业企业科技成果转化效率整体呈现递增趋势，但存在较强的经济短波现象；国家科技成果转化政策强度的变化趋势与样本企业科技成果转化效率的变动趋势一致，农业企业科技成果转化效率受政策影响较大。

（3）从空间趋势看，中部的样本企业科技成果转化效率均值最高，其次是西部和东部，且三大区域样本企业的科技成果转化效率之间并不存在显著差异；同时，绝对收敛结果显示三大区域样本企业科技成果转化效率的β系数均为负数并均通过了1%显著性水平检验，且东部的收敛速度最快，东部和西部农业企业科技成果转化效率存在向中部农业企业追赶的态势，三大区域呈现稳态增长。

基于以上研究结论，本文提出政策建议如下：

第一，农业企业科技成果转化效率受农业科技成果转化政策力度影响较大，因此应充分发挥政府在引导、协调、资助、服务以及法律规范制定等方面的积极作用；同时进一步完善政府支持政策、加大政府资助力度、创新政府支持方式、强化政府引导水平，通过优化政府支持环境、外部环境从而促进农业企业科技成果转化效率的提高及产业化应用。

第二，针对东中西部农业企业科技成果转化效率的差异，国家加大对科技成果转化水平低的地区创新研发的转移支付力度，出台各种针对性的科研扶持政策，协调区域经济发展，提高落后地区的农业企业科技成果转化效率，形成各区域农业科技研发的良性互动和尽力赶超的态势，从而不断提升国家农业科技的整体研发与应用水平。