基于DEA-RF-Tobit的我国省际技术转移效率及影响因素研究*

肖国华 韩 晔 朱一真

（1.中国科学院成都文献情报中心，成都610041；2.中国科学院大学经济与管理学院图书情报与档案管理系，北京100190；3.南京大学信息管理学院，南京210023）

技术转移是促进经济高质量发展的重要因素，也是国际竞争包括中美贸易摩擦中的争端焦点之一。如何克服现有障碍、有效提升技术转移效率，是现今亟需研究的问题。技术转移是指制造某种产品、应用某种工艺或提供某种服务的系统知识，通过各种途径从技术供给方向技术需求方转移的过程［1］。“技术转移”由“technology transfer”直译而来，国内常用“科技成果转化”一词，一般来说，“技术转移”与“科技成果转化”并无太大区别，上海市科委于2019年4月发布的《2018上海科技成果转化白皮书》直接说“科技成果转化的国际通行提法为‘技术转移’”［2］。本研究将不加区别地使用这两个概念。

技术转移促进了创新成果的扩散和流动，实现并放大了技术创新的价值，对于建设创新型国家具有重要的实践意义和战略意义。随着《国家技术转移体系建设方案》的发布实施，各地积极推动相关工作，如何有效衡量和评价技术转移成效是亟需解决的问题。技术转移效率可直接反映技术转移工作的成效，反映投入资源转化为产出的范围、程度、速度，即信息、技术、资金等资源在技术转移过程中的流动速度及利用水平，在测度评价技术转移工作方面具有重要作用。

目前我国技术转移在国家创新体系中处于薄弱环节，各省市自治区技术转移现状发展不均衡，现有研究多从主体、模式等方面开展，以某行业或产业、高校等入手分析部分地区技术转移效率，例如许云等［3］分析北京高校和科研机构跨区域技术转移的主体模式，林德明等［4］研究我国“985”高校技术转移效率，探究高校间技术转移效率的学习机制。本研究以全国各省市自治区为研究对象，在宏观层面分析全国各地区的技术转移效率及效率影响因素，对其近8年来的技术转移情况作整体评估，创新之处主要体现在三点：一是在指标的设计有所创新，完善和弥补投入产出指标的设计，尽可能考虑全面、选取合理；二是利用两阶段数据包络分析方法（Data Envelopment Analysis，DEA）和传统DEA方法进行对比分析，分阶段测度技术转移效率值；三是结合RF和Tobit两种方法对影响因素进行回归分析，比较二者的不同之处，全面分析各地区的技术转移现状并找出主要影响因素，针对性地制定有效措施以加快技术转移的进程。

1 研究对象与指标方法

1.1 研究对象

本研究以我国31个省市自治区为研究对象，测度其近8年的技术转移效率并分析主要影响因素。各省市自治区的技术转移数据通过《中国统计年鉴》《中国科技统计年鉴》获取，将数据时间窗限定为2011—2018年。

1.2 测度指标设计

科学研究日益依赖于数据，量化指标逐渐流行。基于已有研究设计了相应的指标，包括相关的技术转移效率指标以及影响因素指标，并及时审查更新。技术转移效率指标直接影响到结果的测算，这部分的指标最为关键，其次是影响因素指标，应尽可能全面地考虑各方面因素；同时考虑到数据是否可获取，仅使用可获取数据的指标。

1.2.1 技术转移效率指标

技术转移是多投入多产出的复杂活动，其效率指标主要包括投入和产出两个方面，投入包括人力、资源等的投资，产出指技术转移的经济收益，严格来讲，专利、标准等尚未转化成直接的经济效益，本研究将其设为中间产出指标，作为技术转移投入和技术转移产出的中间产品（表1）。

表1 技术转移投入产出指标设计Tab.1 Design of Input-output Indicators for Technology Transfer

参考原长弘［5］、陈琨［6］等专家指标研究，投入方面主要包括研发经费投入和科研人员投入，以研究与开发（Research and Development，R&D）经费支出和R&D全时当量来表现，本研究另加入了“规模以上企业R&D经费在主营业务收入中的占比”“规模以上工业企业技术获取和技术改造经费支出”两项指标，反映规上企业对科研活动和技术转移的重视程度。

中间指标用来衡量中间过程产出，主要包括“专利授权数”、“有效发明专利数”和“国家或行业标准数”3个方面，表现专利授权及标准情况，选用这些指标可以反映科研成果的科学性、先进性、创造性以及实用性［7］。

产出指标用来衡量技术转移的成果，通过技术转移活动所获得的专利许可等收入，产出指标主要包括“R&D机构专利所有权转让及许可收入”“技术市场技术输出地域合同金额”和“技术市场技术输出地域合同数”3部分，后两个指标表现技术市场的整体规模和转化强度。

1.2.2 技术转移影响因素指标

技术转移过程中受到多方面因素的影响，包括宏观环境变化、政策差异、技术成熟度、企业能力等。在测度区域层面的技术转移影响因素方面，如Gupeng Zhang［8］利用专利许可数据考察了我国跨区域技术转移的决定因素在于经济差距和产业结构，指出我国需要良好的机制来鼓励跨区域的知识流动，对地方政府的评估机制进行改革。在测度企业的技术转移影响因素方面，比如Yooduk Jun［9］探索需求拉动技术转移的重要因素，提出企业表达技术需求的能力对于需求拉动技术转移影响较大，用户的技术能力和供应商的开放性也是重要因素。区域技术转移的影响因素很多，包括各类主体之间的相互作用以及环境等因素的影响，总的来说，从宏观和微观两个层面来分析，宏观层面包括地区经济发展水平、对外开放程度、地区产业结构（产业现代化程度）等影响因素，微观层面包括人员因素（从业人员素质）、投入主体（R&D投入强度，政府、企业支持力度）等因素，本研究所选取的各影响因素测度指标具体如下：

A1：地区经济发展水平：以“地区生产总值（Gross Domestic Product，GDP）”指标表示。

A2：从业人员素质：以“R&D人员中硕士以上学历人员占比”指标表示该指标。

A3：R&D投入强度：以“R&D经费在GDP中的占比”指标表示。

A4：对外贸易程度：以“区域进出口总额占地区生产总值比重”指标表示。

A5：政府支持力度：以“政府资金投入占R&D投入经费的比重［10］”指标表示。

A6：企业支持力度：以“企业资金投入占R&D投入经费的比重”指标表示。

A7：产业现代化程度：以“第二第三产业增加值在地区生产总值中的比重”指标表示。

1.3 研究方法

本研究利用2011—2018年各省市自治区技术转移指标的统计年鉴数据建立DEA模型计算技术转移效率，设计合适的投入指标和产出指标分析总体效率，利用 CCR（Charnes，Cooper，Rhodes）模型和 BCC（Banker，Charnes，Cooper）模型的传统DEA方法测算技术转移效率，即静态技术效率，分析近8年来全国技术转移相对效率的地区差异；将技术转移过程分为技术创新阶段和产业价值创造阶段，设计中间指标进行两阶段DEA测度，分析造成效率差异的原因；将各省市自治区技术效率值作为因变量，将影响因素作为自变量，使用随机森林（RandomForest，RF）方法分析各影响因素的相对重要性，利用Tobit模型进行面板数据回归，并进行广义矩估计（Generalized Method of Moments，GMM）检验［11］，分析主要影响因素，具体方法框架如图1所示，本研究从以下三个方面详述研究方法。

1.3.1 DEA方法

国内外技术转移效率测度方法主要有随机前沿方法（Stochastic Frontier Analysis，SFA）和DEA两种。Michael Danquah［12］采用 SFA方法，考察技术转移和技术吸收的作用它们之间的相互作用。Wang Q等［13］利用非径向DEA方法评价国内38家能源企业，发现核电企业的综合创新和营销效率最高，只有少数企业认为创新是有效密集的。这两种方法目前已广泛应用于效率评价领域，SFA采用计量方法估计前沿生产函数，需要大规模样本，而DEA根据有限的观测样本进行测算，无需对数据进行参数估计和标准化处理，估计结果会受到随机因素的影响，SFA方法在处理多产出情况时不如DEA方便。鉴于文章采取的数据有限，因此本研究使用DEA方法测度效率指标。

图1 方法框架Fig.1 Method Framework

DEA通过数学规划和统计数据方法对决策单元根据不同的输入输出值来估计有效生产前沿面，比较其偏离程度得出相对数值，该方法无需任何权重假设，削弱人为主观因素的作用，可充分优化投入产出方案，对于评估复杂系统的多投入多产出分析具有较大优势［14］。本研究所述技术转移包含若干投入产出变量，属于此方法适用的复杂系统。

DEA基本模型包含CCR模型和BCC模型两种［15］，在面向输出的CCR模型（规模报酬不变）中，n个决策单元、m个输入指标和s个输出指标的分式规划如下：

本研究通过CCR模型和BCC模型测算各地区技术转移效率值并进行对比分析，得出各地区近8年技术转移效率差异以及地区规模效率的对技术转移效率的影响程度。

1.3.2 两阶段DEA

如果将技术转移比作一个“黑箱”，那两阶段DEA就是其重要解构。Mei Hsiu-Ching Ho［16］将技术转移过程解构为技术创新和产业价值创造两个阶段，第一阶段主要指技术开发，第二阶段指技术的产业化发展。两阶段DEA可分为独立两阶段DEA模型和关联两阶段DEA模型。独立两阶段DEA模型（序列两阶段DEA模型）不考虑各阶段之间的相互关系，将其均看为独立的生产过程，第一阶段的产出是第二阶段的投入，第一阶段的生产状况对第二阶段的效率具有重要的影响；关联两阶段DEA模型在原先基础上增加了约束条件，将整体过程分为两个关联的子过程，肖仁桥等［17］构建了规模报酬可变情况下的两阶段链式关联DEA模型，对中国高技术产业创新整体效率和两阶段效率进行了实证分析，在该模型中两个阶段的最优效率能够得到平衡。

但是外乡人一到岭北镇来，这麻糍就会变得大方一些。我们岭北镇虽然是个穷山里的小镇，但因为是金华的东阳市与绍兴的诸暨市的要道，所以，来往的外乡人还是有的。经过我们岭北镇时，麻糍便能做一些生意，而有些人实在买不起，或者少带了钱的，麻糍也会给，尤其是面对小孩子，麻糍可以算得上是大方的。

运用独立两阶段DEA对技术转移效率进行辅助分析，这种独立两阶段DEA方法计算较为简便，与传统DEA方法计算结果对比分析，可以厘清其内部运行过程。独立两阶段DEA尚有不足之处，它未能考虑到两阶段的关联性和创新的整体性，两阶段间存在“断层”［18］，所以在这里用独立两阶段DEA分析各省市自治区技术转移效率的成因，仅为后续研究提供参考。

1.3.3 RF-Tobit回归

本研究用回归方法探究技术转移效率与各影响因素之间的关系。由于DEA方法处理的技术转移效率值是受限因变量，当因变量是切割或片段数据时，普通最小二乘法不适用于估计回归系数，可使用基于最大似然估计原理的面板Tobit模型，因此本研究使用Tobit回归模型定量化探究效率和影响因素之间的内在关联［19］。GMM可以很好地处理Tobit模型中解释变量的内生性问题［20］，本质是运用矩条件对参数进行估计，可对Tobit回归结果进行检验，该方法无需满足某些假设，允许随机误差项存在异方差和序列相关，具有很好的渐进性，因此得到的参数估计量比其他估计方法更合乎实际。

Tobit回归方法可以分析各影响因素的显著性特征以及影响程度，但该方法无法准确获得具体因素的影响排序，即影响程度上的测度不够明确，RF回归可以分析各个测度因素的影响排序。该方法作为新兴、灵活的机器学习算法，可用于分类和回归，无须将数据标准化，有广泛的应用前景，如疾病的预测、数据建模等，适用于数据集中存在大量未知特征，不必担心过度拟合；当数据集中且存在噪声时同样可以取得很好的预测效能，比较稳定，泛化能力强。由于技术转移效率值为受限因变量［21］，为了测度影响因素的排序及影响程度，本研究将RF与Tobit结合进行回归分析，RF回归结果为各因素排序，Tobit回归结果为各影响因素是否有效及影响程度，综合两种方法进一步验证分析。

2 实证结果及分析

2.1 基于DEA的技术转移效率测度

2.1.1 技术转移综合效率

将31个省市自治区技术转移投入产出指标的数据导入DEAP2.1软件计算后，所得各地区DEA效率值如表2所示。

总体来看，全国绝大部分地区处于DEA综合效率非DEA有效的状态，多数决策单元的技术转移效率整体较低，从效率均值来看，北京市、天津市、上海市、江苏省、辽宁省、陕西省、甘肃省、青海省等地区技术转移效率较高，其中北京市的效率一直处于DEA有效状态，陕西省、甘肃省和青海省在这8年内的效率整体较优。相对之下，山西省、内蒙古自治区、广西省、海南省、贵州省、西藏自治区、新疆维吾尔自治区这些地区技术转移效率处于较低水平，广西省、西藏自治区、新疆维吾尔自治区这些地区的规模效率较低，影响到技术转移效率，导致其综合效率偏低，需进一步扩大规模。

将技术转移效率按地区划分，效率较高的地区大致形成分布在两大经济圈范围内，分别是以北京为中心的首都经济圈、以上海为中心的长三角经济圈这些地区的技术效率较高，以及西部地区部分省市如陕西省、甘肃省等，但整体而言中西部地区与东部地区相比，技术转移效率较低，四川省、重庆市等地区近年来有较好的发展态势。

2.1.2 技术转移两阶段DEA效率

将技术转移过程分为技术创新和产业价值创造这两个阶段来分析，其中技术创新阶段是技术的开发挖掘，高校是这个阶段的重要主体，产生大量的科技成果如专利等。在这个阶段通过“投入-中间产出”分析各省市自治区之间的技术创新阶段的效率问题。通过表3可以发现，在技术创新阶段，北京市、上海市、江苏省、浙江省、广东省、海南省、西藏自治区、重庆市、四川省、新疆维吾尔自治区这些省级行政区域的技术创新效率较高，效率均达到DEA最优值，说明这些地区的专利等技术成果产出效率相对较高，技术创新阶段完成较好，技术开发和发展较为完善，科研人员和经费投入产生了较好的科技产出。

表2 2011—2018年各省市自治区技术转移综合效率1）Tab.2 Comprehensiveefficiencyoftechnologytransferinprovinces，municipalitiesandautonomousregionsofChina，2011-20181）

表3 2011—2018年各省市自治区技术转移两阶段DEA效率Tab.3 DEA Efficiency in Two Stages of Technology Transfer in Provinces，Municipalities and Autonomous Regions，2011-2018

产业价值创造阶段是技术的创新应用与产业化过程，这个阶段直接关系到成果能否转化为现实生产力，分析这一阶段时将中间产出作为投入，分析“中间产出-产出”这个过程之间的效率问题。通过表3发现在这一阶段，效率较优的省份包括北京市、辽宁省、陕西省、甘肃省和青海省等省市，其效率均等于或接近1，这些省市在技术成果到产业化应用的过程中表现较好，整体技术的转化效率高。

对比技术转移两阶段DEA效率和综合效率，进一步分析各地区技术效率差异的原因，找到具体的薄弱阶段。研究发现，江苏省、浙江省、西藏自治区，这些地区的技术创新阶段效率高，而产业价值创造阶段效率低，说明其技术成果的产业化仍有较大的发展空间；辽宁省、甘肃省、青海省的技术创新阶段效率低，产业价值创造阶段效率高，这些省市具有较好的成果转化能力，在技术研发和创新方面存在不足，需进一步采取措施积极建设创新型省市，重视科技产出，鼓励本省发展创新技术。

2.2 基于RF-Tobit的技术转移影响因素分析

2.2.1 基于RF回归的影响因素分析

RF用于回归分析，直接利用RF算法拟合函数关系，将技术转移效率值作为因变量，影响因素（A1-A7）作为自变量，采用R语言中的“randomForest包”完成基于随机森林建立的效率及各个因素的回归树模型，利用多个分类树对数据进行分类，通过选取各个自变量造成的鉴定准则的改变量，得出所选自变量对技术转移效率的相对影响力，给各个自变量的重要性评分。

利用RF回归将各影响因素对效率值的影响进行排序，使用平均准确度下降（Mean Decrease Accuracy）和Gini指数两种方式进行测度。Inc-MSE（均方误差）等价于Mean Decrease Accuracy，表示相对重要性（基于袋外错误率（out-of-bag error，OOB error）），就是对每一个变量随机赋值，误差的增加就等同于准确性的减少，因此越重要的因素均方误差越大，该值表示对目标变量预测准确的贡献度；IncNodePurity表示节点纯度（基于Gini指数），Gini指数变化的均值作为变量重要程度的度量。

图2 技术转移效率与影响因素的随机森林回归Fig.2 Random Forest Regression of Technology Transfer Efficiency and Influencing Factors

两种方式均可以对变量重要性进行评估，得到的变量重要性有一些差距。综合两种结果，影响因素按照重要性排序，企业支持力度（A6）、产业现代化程度（A7）、政府支持力度（A5）、地区经济发展水平（A1）这四种影响因素较为重要，对外开放程度（A4）、R&D投入强度（A3）、从业人员素质（A2）重要性相对较低。按重要性排序，影响因素中首要是企业支持力度和政府支持力度，在本文中用企业资金投入和政府资金投入占R&D投入经费的比重来表示，这两项指标对技术转移效率影响较大。排在最低位的是从业人员素质（A2），即R&D人员中是否拥有硕士以上学历对技术转移工作的有效进行影响不大。

RF回归结果中的重要性排序在实际使用中往往作为进一步分析的依据，仅限于该模型中变量对目标变量的预测能力，该方法本身在衡量相关变量时得分往往较低，在此将上述结果作为进一步判断影响因素重要性的依据，对于具体影响方式仍需结合其他分析进一步探讨。

2.2.2 基于Tobit回归的影响因素分析

将技术转移效率值作为自变量，影响因素作为因变量，利用Stata软件进行Tobit回归和GMM检验，分析数据如表4、5所示。Tobit基于最大似然估计原理，对影响因素变量进行回归，为了保证估计结果的稳健性，采用系统GMM估计方法进行评估检验，无需满足某些假设，比其他参数方法更合乎实际。

Tobit基于最大似然估计原理，对影响因素变量进行回归，为了保证估计结果的稳健性，采用系统GMM估计方法进行重新评估，无需满足某些假设，比其他参数方法更合乎实际。以技术效率值为因变量，地区经济发展水平、从业人员素质、对外开放程度等七个影响因素为自变量，回归效果整体显著。从Tobit回归结果来看，R&D投入强度在10%的显著性水平上显著；企业支持力度在1%的显著性水平上显著，产业现代化程度在1%的显著性水平上显著，而其他变量地区经济发展水平（A1）、从业人员素质（A2）、对外开放程度（A4）、政府支持力度（A5）均表现为不显著。产业现代化程度对技术转移效率具有显著的正向作用，而企业支持力度和R&D投入强度系数均为负，表明R&D投入以及企业投入尚有冗余，适当降低强度反而有助于技术效率的提高。GMM检验结果与Tobit回归存在部分差异，检验结果中，政府支持力度（A5）表现为显著，R&D投入强度表现为不显著。

表4 效率影响因素Tobit模型回归1）Tab.4 Tobit Model Regression1）

表5 效率影响因素GMM检验1）Tab.5 Factors Affecting Efficiency GMM Test1）

Tobit回归结果与RF回归结果存在部分差异，如地区经济发展水平，在RF结果中该因素排序靠前，但在Tobit面板回归中未能通过显著性检验，结合二者结果，以Tobit回归结果为主，RF结果作为参考对影响因素进行综合分析。

2.2.3 技术转移影响因素分析总结

根据RF和Tobit回归结果，总结影响各省市技术转移的因素主要是以下几方面：

1）企业支持力度。企业是技术转移市场中的主体，对技术创新有强烈的自身需求，企业要保持其核心竞争力，需有明显的技术优势，为企业赢得丰厚的回报。企业积极开展自主创新对技术转移效率提升应有明显的正向作用，但Tobit回归结果与期望不符，Tobit结果显示该指标具有显著的反向作用，表明企业投资仍有部分冗余，资金得不到有效回馈，适度降低企业支持力度有助于效率提升。

2）产业现代化程度。产业现代化程度指经济发展由第一产业向第二第三产业转移的程度，反映地方经济发展水平的重要指标。第二产业是国民经济的主导，第三产业附加值最高，是国家富强的标志。该指标代表产业结构升级优化过程。只有满足产业结构合理化，实现生产要素的合理配置，使各产业协调发展，这样才能促进技术创新效率有效提升。有效提高技术转移效率，需引导产业结构转换，优化监管规制，充分发挥市场优胜劣汰机制，淘汰过剩夕阳产业，推动产业结构升级［22］。

3）政府支持力度。政府支持力度是指地方政府对技术创新发展的干预程度，在技术转移体系中，政府承担着重要的责任和工作，应主动承担技术转移的市场价值评估和监管工作［23］。政府的适当干预有助于技术转移效率的提升，可以弥补市场失灵，实现风险分担和资源合理配置，但在GMM回归结果中，政府支持力度具有显著反向作用，说明过度干预反而会扰乱技术创新的正常发展。

综合这些影响因素，影响技术转移效率的关键要素在于产业结构是否合理以及R&D资源的配置，尤其是政府和企业的支持力度会较大地影响效率结果。因此需加大第二、第三产业企业改革力度，利用现代化技术积极改造传统行业，实现产业优化转型升级，促进科技服务的迅速发展；调整对外贸易结构，发展自主知识产权；同时积极完善技术市场的建设和配置，适当调整企业支持力度和政府支持力度，减少资金冗余。

3 结论与建议

通过DEA方法分析31个省市自治区技术转移效率，并通过RF和Tobit两种回归方法分别对其效率的影响因素进行探究。得出以下结论：

1）根据2011—2018年DEA模型分析结果，总体来看，我国31个省市技术转移效率较多处于DEA弱有效状态，各地技术转移发展不均衡，有较大差距，且纯技术效率较低。北京市、天津市、上海市、江苏省等地区的技术效率较高，首都经济圈和长三角经济圈这两大经济圈及周边地区的技术效率较高，经济圈的辐射影响促进了技术转移效率的提升。中西部地区的技术转移效率整体较低，其中广西省、西藏自治区、新疆维吾尔自治区主要是规模效率较低阻碍了效率提高。各省市需根据两阶段DEA的效率数据，有针对性地在薄弱阶段采取相应的措施。

2）综合RF回归和Tobit回归的分析结果，产业现代化程度和资源的合理配置可以促进技术转移效率的提高，政府支持力度和企业支持力度具有两面性，需增大监管力度，促进人力物力资源的有效利用。要促进技术转移过程有序进行，应将产业结构调整放在首位，积极促进产业优化升级，同时重视跟进政府投入资金、企业投入资金具体使用方向，实现资源的优化配置和合理利用。

通过对技术转移效率和影响因素的研究提出以下几点建议：

1）鼓励各地区协同创新发展。目前各地区技术转移发展较不平衡，各省市需积极推动地区间的协同创新发展，建立合作机制，从而缩小差距，取长补短，提高地区的自主创新能力，因地制宜实施差异化措施，建立协同发展创新驱动的网络化格局。

2）调整产业结构。促进第二、第三产业企业改革，利用现代新技术进行传统行业改造转型升级，促进科技服务业的迅速发展；调整对外贸易结构，发展自主知识产权，降低对国外市场的依赖程度［24］，提升本地产品竞争力，使对外贸易切实拉动本地经济增长。

3）合理配置R&D资源。R&D经费和人员是核心创新资源，完善技术市场的建设和配置，适当调整企业和政府的支持力度，调控投入产出结构，公开透明经费使用情况，减少资金冗余，增大监管力度，严防资源浪费现象；优化人才管理机制，深化考评制度改革，充分调动科研人员的科研积极性。