长三角城市群创新效率测算及其时空分异特征

刘方 梁晨 郑悦

摘 要： 运用三阶段DEA模型，测算分析2001—2018年长三角26城创新效率变动规律以及空间差异。研究表明：排除环境因素和随机扰动后，大多数城市创新综合效率均值有所上升，但只有上海为DEA有效;不论是第一阶段还是第三阶段的测算结果，均显示长三角26城的创新效率时间变化和空间差异较大;按照省份区域划分，第三阶段的测算值最大的为上海，浙江其次，然后是江苏，最小的是安徽。外部环境对创新的效率有较大影响。其中人均GDP和政府干预对松弛变量起正向作用。企业规模和创新效率存在U型关系。在市场结构方面，公司的数量和创新投入的松弛变量存在反向关系。

关键词： 长三角城市群 创新效率 三阶段DEA 

一、引言与文献综述  

习近平总书记在首届进博会开幕式上宣布长三角区域一体化发展上升为国家战略，标志着长三角区域进入一个新的历史阶段，这是长三角区域发展的重大机遇。然而长三角城市群也面临着一些现实的问题，比如技术创新资源分布不均衡，跨城市协同创新难度大。近年来长三角各城市都加大了研究与开发经费的投入，并且研发经费投入占GDP的比重逐年上升。但是也有迹象表明部分城市创新投入与产出不对称，创新资源配置效率低下，这对长三角经济一体化的发展不利。因此准确测量各城市的创新效率显得尤为必要。本文引入三阶段数据包络分析（DEA）模型，测算长三角26城创新效率，并讨论其分布的空间差异。目前学术界从技术效率角度研究技术创新，大致有两种方法。一种是参数方法随机前沿分析（SFA），如李新春等[1]、孙玮等[2]。也有一些学者采用了改进型的SFA方法测量创新效率，如王斌等[3]和邱兆林[4]。另一种基于是非参数方法的数据包络分析（DEA），如官建成等[5]、李向东等[6]。最近几年用于测算区域创新效率的方法更趋综合，如两阶段DEA（罗良文等[7]、赵增耀等[8]）、三阶段DEA（刘伟等[9]、罗颖等[10]）、SFA与改进的DEA结合（李婧等[11]、白俊红等[12]）。

现有文献多是用省级数据研究区域创新效率，极少对更加微观的地级市层面进行深入研究。鉴于本文研究的是长三角城市群的创新效率，固选用长三角26城2001—2018年的面板数据，借鉴前人的经验，采用三阶段DEA模型作为研究工具。

二、研究设计  

（一）三阶段DEA模型  

1.第一阶段：使用原始的投入和产出数据进行初始效率评价。

2.第二阶段：似SFA回归（剔除环境因素和统计噪声）

3.第三阶段：调整后的投入产出变量的DEA效率分析

（二）变量与数据来源及处理  

1.创新产出。专利是国际上衡量创新产出的通用指标，因此我们选取专利授权数为创新产出的直接指标。此外，由于研发活动只有转变为经济实现才具有真正的价值，固而我们将新产品销售收入作为创新产出的指标之一。考虑到技术市场成交额间接的反映了研发的价值，所以也选为创新产出指标之一。

2.创新投入。由于创新活动的产出受研发投入的直接影响，同时考虑一个区域GDP的总量的影响，所以我们选取新产品研發支出和全社会研发经费支出占GDP的比重作为创新投入的指标。另外考虑到人力资本对创新的重要性，故而我们选取研发人员全时当量作为指标之一。

3.环境变量。影响企业创新活动的环境因素主要包括企业所处区域的宏观环境，政府对企业的干预程度，企业自身规模的大小。

企业所处的宏观环境，尤其是宏观环境所能提供的物质基础，对创新活动，有着显著的影响。参照罗颖等[10]，我们选取企业所处区域的人均GDP作为代理变量。政府科研经费支出占总支出的比例，可以反映地方政府对科技创新的干预程度以及所提供的物质基础。因此也被选为环境因素指标。企业的规模和市场结构，也对科技创新有一定的影响，因此参照刘伟等[10]的经验，我们选取高新技术企业的个数和高新技术企业主营业务收入均值，作为其表征变量。

（三）样本选取和数据来源  

本研究数据的来源，主要依据万德数据库和EPS数据库，以及中国高新技术产业统计年鉴，以长三角26个地级市的面板数据为观测对象，时间跨度为2001—2018年。数据描述性统计及相关性分析分别见表2和表3。表3的相关性显示，各个变量之间均在1%的显著性水平上具有较强的相关性，满足DEA计算所要求的数据同向性要求[14]。

依据选取的环境变量，设定随机前沿分析（SFA）模型：

三、实证结果分析  

（一）第一阶段效率分析结果：

1.长三角城市群整体的创新效率。总体来看，2001—2018年，长三角城市群创新综合效率在[0.412，1.000]之间变化，呈现先上升后下降而后小幅度上升趋势，单个时间点相较于创新效率均值上下浮动较大，主要是因为环境因素、管理无效率和随机噪音的存在。从均值结果来看，长三角城市群创新综合效率平均为0.814，属于DEA无效率。从效率分解的结果来看，创新综合效率均值和纯技术效率均值的相关系数为0.27，与规模效率的相关系数为0.57，相关性都不明显。因此，在不考虑环境因素的情况下，长三角城市群创新综合效率变化受纯技术效率和规模效率的共同影响，但受到规模效率影响较大

2.长三角城市群的创新效率时间变化规律。长三角城市群创新效率变动情况具体见表5。由表5显示：上海，温州创新效率值无变化，且都显示了其创新效率DEA有效;其余各个城市在2001—2018年间创新效率变动均比较大，从所属省份来看，浙江和上海效率最高，其次是江苏，安徽最低。

3.基于效率临界点的区域划分。为进一步研究第一阶段长三角城市群各城市初始创新效率的空间差异，对临界值的界定，以纯技术效率和规模效率均值（0.865，0.940）为临界点，对构成区域创新效率的纯技术效率和规模效率进行划分，可将长三角城市群整体创新综合效率划分为4种类型，结果见图1。

（二）第二阶段结果分析  

1.宏观环境。宏观环境的代理变量人均GDP在三个投入变量的回归模型中系数均为正，说明人均收入越多，创新投入的冗余就越多。

2.政府干预。地方财政科技支出占一般公共预算支出的比重的系数在三个回归模型中均显著为正，说明其对三种技术创新投入松弛变量均具有正向作用。政府的资助并没有促进企业创新资源的优化配置。可能是由于政府疏于监管或者资助企业时把关不严，使得某些企业申报虚假项目或者使用同一个项目重复申请资助。

3.企业规模。企业主营业务收入均值的系数在三个模型中显著为正，而企业规模变量平方项的系数在三个模型中显著为负，说明小企业和大企业更容易减少高新技术产业技术创新的投入松弛。相对于中等规模企业，大企业的技术创新容易形成规模效应，降低创新成本，创新效率相对较高：小企业在技术创新过程中资源配置更灵活、更容易接受革新、更具冒险精神，有利于提升创新效率。

4.市场结构。高新技术企业的数量的系数在三个回归模型中均显著为负，说明企业数量越多，创新投入的冗余就越少，即表明与垄断性市场结构相比，完全竞争更有利于创新。

（三）第三阶段：调整后的创新效率测算结果分析

1.长三角26城调整前后创新综合效率对比。从总体情况来看，2001—2018年，调整后的长三角城市群总体创新综合效率均值有6个城市处于DEA有效;调整之后的变化区间为[0.341，1.000]，较调整之前有很大变化。23个地级市的创新效率值中，只有上海在全时间段下创新效率处于DEA有效， 其余城市，如合肥、南京等只是部分时间段出现DEA有效;相较于调整之前，调整之后的DEA创新效率，如合肥、南京、

无锡等市出现较大变化，创新效率明显提高。调整后，由于排除了环境因素和随机噪音，DEA综合效率平均效率值由0.814上升至0.825。跟调整前相比有了明显变化。

2.长三角城市群调整前后总体情况对比。从总体创新效率来看，无论是调整前还是调整后，在十二五之前，综合效率都是呈上升趋势。在十二五后调整后的综合创新效率呈上升趋势，而调整前则相反。十二五之前调整前的创新综合效率高于调整后，而十二五期间的调整后创新综合效率则高于调整前。结合调整前后创新效率的变化趋势，我们认为，在十二五之前，长三角城市群的创新效率提高主要得益于良好的外部环境和好的运气。而十二五期间创新效率的下降主要是因为外部环境的恶化，并非由于管理效率低下。事实上相较于十二五之前，十二五期间的管理效率有所提升。由于数据的可获得性，十三五期间没有拿到完整的数据样本，但是就前半段来看调整后的综合效率总体上来看是有微小提升。从调整前来看，十三五的前半段相比于十二五的最后一年也有所提升。

3.基于效率临界点的区域创新效率调整前后变化。按照前文分类，同样以（0.909，0.857）为临界点，分类结果与图1类似，但平均效率值存在较大差异，其结果见图3：

四、结论及政策建议  

从区域总体创新效率看，调整之前，2001—2018年，长三角城市群创新效率整体均值区间为[0.412，1]，并且管理无效率和随机扰动项的存在使得总体创新效率均值波动较大。调整之后，长三角城市群创新综合效率虽然有所提升，但只有上海达到DEA有效。从长三角城市群的创新效率看，排除了环境和随机因素的影响之后，部分城市平均效。从环境变量的影响看，人均GDP在三个投入变量的回归模型中系数均为正，说明人均收入越多，创新投入的冗余就越多。地方财政科技支出占一般公共预算比例的系数在三个回归模型中均显著为正，说明政府资助的效率不高。企业主营业务收入均值的系数在三个模型中显著为正，而企业规模变量平方项的系数在三个模型中显著为负，支持理论分析中的第三种观点，即企业规模对技术创新效率的影响存在“U”型关系，说明小企业和大企业更容易减少高新技术产业技术创新的投入松弛。高新技术企业的数量的系数在三个回归模型中均显著为负，说明企业数量越多，创新投入的冗余就越少，即表明与垄断性市场结构相比，完全竞争更有利于创新。由于競争有利于科技创新，政府应当加大对中小企业的扶持力度，鼓励竞争。在经费使用方面，政府应当加大对企业研发经费的使用监管，保证科研经费使用在新产品研发上，提高科研经费的使用效率。最后，加大引进核心技术骨干的力度，确保科研团队成员少而精，避免科研队伍成员人浮于事。

参考文献：

[1]李新春，李胜文，张书军.高技术与非高技术产业创新的单要素效率[J].中国工业经济，2010（5）：68—77.

[2]孙玮，王九云，成力为.FDI质量对高技术产业自主创新效率的溢出效应——基于企业所有制结构视角的中国数据实证研究[J].科研管理，2011，32（8）：57—66.

[3]王斌，谭清美.产权、规模及产业集聚对专利成果转化效率的影响——来自我国五个高技术产业的数据[J].经济管理，2013，35（08）：153—161.

[4]邱兆林.高技术产业两阶段的创新效率[J].财经科学，2014（12）：107—116

[5]官建成，陈凯华.我国高技术产业技术创新效率的测度[J].数量经济技术经济研究，2009，26（10）：19—33.

[6]李向东，李南，白俊红，谢忠秋.高技术产业研发创新效率分析[J].中国软科学，2011（02）：52—61.

[7]罗良文，梁圣蓉.中国区域工业企业绿色技术创新效率及因素分解[J].中国人口资源与环境，2016，26（09）：149—157.

[8]赵增耀，章小波，沈能.区域协同创新效率的多维溢出效应[J].中国工业经济，2015（01）：32—44.

[9]刘伟，李星星.中国高新技术产业技术创新效率的区域差异分析——基于三阶段DEA模型与Bootstrap方法[J].财经问题研究，2013（08）：20—28.

[10]罗颖，罗传建，彭甲超.基于三阶段DEA的长江经济带创新效率测算及其时空分异特征[J].管理学报，2019，16（09）：1385—1393.

[11]李婧，管莉花.区域创新效率的空间集聚及其地区差异——来自中国的实证[J].管理评论，2014，26（8）：127—134.

[12]白俊红，蒋伏心.协同创新、空间关联与区域创新绩效[J].经济研究，2015（07）：176—189.

[13]Fried，H.O.，Schmidt，S.S.& Yaisawarng， S. Incorporating the Operating Environment Into a Nonparametric Measure of Technical Efficiency. Journal of Productivity Analysis， 249—267（1999）.

[14]刘伟.考虑环境因素的高新技术产业技术创新效率分析——基于2000—2007年和2008—2014年两个时段的比较[J].科研管理，2016，037（011）：18—25.

（刘方，常州大学经济学院。梁晨，常州大学大数据学院。郑悦，常州大学商学院）