技术生态位视角下广东省科技创新效率研究——基于DEA-Tobit 两阶段模型

廖丽平，蔡 君，林俊龙，陈庆珊

(1.广东技术师范大学管理学院；2.广东技术师范大学网络空间安全学院，广东广州 510665）

2019 年2 月18 日中央发布《粤港澳大湾区发展规划纲要》，明确要将粤港澳大湾区建成具有全球影响力的国际科技创新中心。而提升科技创新效率是获取发展动力和实现经济持续增长的重要前提。依据习近平总书记的指示，广东要承担广东责任，体现广东担当，作出广东贡献，并同步实现自身高质量发展［1］。而科技创新效率是评价地区科技创新品质的重要指标，因此研究如何提升广东自身的科技创新效率，对于更有效地推动粤港澳国际科技创新中心建设、作出广东贡献具有极为重要的意义。现有研究从科技创新发展的技术生态位阶段对科技创新效率进行探讨不足，而在此阶段如何跨越介于知识系统与经济系统的“死亡之谷”，正是提升科技创新效率的关键所在。本研究基于DEA-Tobit 模型，从科技创新发展的技术生态位视角出发，构建广东省各地级市科技创新效率的评价指标体系，研究广东省各地级市在科技创新培育阶段和孵化阶段的科技创新效率差异，分析影响科技创新效率的关键因素，促进科技创新跨越“死亡之谷”，为政策制定者提供具有参考价值的可行建议。

1 相关文献综述

科学技术是第一生产力，是经济和社会发展的首要推动力量；科技创新是第一生产力，是经济和社会发展的首要推动力量［2］。科技创新的能力和水平已经逐步成为衡量一个地区综合竞争力的重要指标。在技术生态位下，孵化阶段的科技成果产出环节是科技创新的重要环节，被称为“死亡之谷”［3］，也是广东省科技创新推进的关键“堵点”，而创新过程中投入与产出之间的转化效率直接决定了技术生态位是否能够成功推进到市场生态位，即实现“一次跃迁”。

目前，学术界对科技创新效率的探讨仍在持续。已有研究从研究工具上看，主要有数据包络分析（DEA）、随机前沿分析（SFA）、因子分析以及模糊综合评价等，每种工具各有其优劣。Charnes 等［4］提出的数据包络分析方法对处理多投入多产出的效率衡量问题有很好的适应性。这种测度方式运用线性规划技术，不需要设定函数的形式，因此能有效规避主观设定函数的影响，并且不需要对所选指标的数据进行无量纲化处理、不需要任何权重假设，所有权重都源于决策单元的实际数据，在一定程度上避免了主观赋权造成的误差；然而该方法不考虑测量误差存在的可能性，同时设置了确定边界，因而在实际应用中存在一定缺陷［5］。Zhang 等［6］提出的随机前沿分析方法运用计量方法估计前沿生产函数，可以统计检验得出的参数。在测算过程中，SFA能够控制个体差异对测量的影响，减小个体冲击对测量的干扰，使测量结果能更真实地反映实际情况，在一定程度上避免了个体差异带来技术无效率；然而一旦生产函数设定错误，SFA 极有可能导致错误的研究结论［7］。因子分析定权法是一种以因子分析为前提和基础的、确定原始指标权重的方法，它所得到的权重值是指标体系中各个指标的权重，而不是传统因子分析中得到的公因子或主成分的权重。因子分析定权法的权重虽然来自客观数据，但由于它以因子分析为基础，在因子个数的确定和提取时存在牺牲原始数据信息的缺陷［8］。赵炎等［9］采用模糊综合评价的方法进行研究，该方法在体现研究者的个人偏好和具体评价目的的需要等方面具有较好的表现，然而该方法主观性过强，致使评价结果难具有较高的说服力。由于每种研究方法各具优劣，而数据包络分析是评价地区或城市科技创新效率的主流方法［10］，因此，本研究采用数据包络分析方法来测算广东省科技创新效率，以期能够更准确可靠地揭示广东省科技创新的发展状况。

已有研究从内容上看，主要分行业和地区进行研究。晏蒙等［11］采用DEA 方法对我国各省份行业的科技创新效率进行横、纵向比较分析，研究表明我国工业科技创新平均综合效率一般，并且区域间的差异随着经济的发展在进一步缩小。王义新等［12］利用DEA-Tobit 模型，基于价值链视角对我国36 个工业行业效率进行分析，同时研究其影响因素，通过实证研究发现，研发阶段平均效率较低，纯技术无效率是导致整体效率偏低的主要原因，并发现科技创新投入并非越多越好，根据行业特点合理配置资源十分重要。康淑娟［13］采取基于SFA 修正的三阶段DEA 模型对我国高技术产业下属17 个行业的3个创新价值链环节的创新效率进行测度，研究结果表明该产业创新投入要素呈现出行业间不均衡，创新活动过程中也同样呈现出结构不均衡。乔元波等［14］采用三阶段DEA 分析方法对我国30 个省、自治区、直辖市的科技创新效率进行评价，研究发现我国中西部地区的科技创新效率与东部地区相比仍存在较大差异，中西部地区在提升科技创新效率方面有较大的发展空间，并且30 个省份的科技创新效率演变处于收敛过程中。朱鹏颐等［15］运用超效率数据包络分析视窗模型分析福建省9 个地级市科技创新效率的动态变化，并揭示其变动的深层次原因，研究表明福建省多数城市科技创新效率DEA 无效，提升空间较大，且技术进步是制约福建省全要素生产率增长的主要因素。

综上文献分析可知，现有研究大多从国家和地区层面以及工业企业科技创新效率的视角进行研究。本研究将立足广东省级层面，从技术生态位阶段角度研究科技创新效率。

2 指标体系和模型的构建

2.1 指标体系的建立

本研究从技术生态位视角构建科技创新效率指标体系。技术生态位与科技创新的关联性可描述为：为具有发展前景的科技创新研究构建一个生态位保护空间（即技术生态位），通过反复的试错实验和利益相关者（新技术研究者和推动者、企业、潜在用户、政府及其他组织共同构成的）社会网络的学习过程，给予新技术孵化和发展成熟的机会［16］。研究科技创新效率，基于技术生态位的培育与孵化阶段这一视角，科学地、合理地选择培育、孵化每个阶段的投入产出指标，对于研究结果的呈现具有极其关键性的影响。本研究结合广东省的实际情况与相关研究成果，遵循科学性、合理性和可操作性的原则，分别从培育与孵化阶段的投入和产出两个方面选择相关测算指标［17-18］。

在培育阶段，投入指标主要考虑政府为科技创新研究构建生态位保护空间所投入的政策、人力、物力和财力等方面。其中，政策投入可以用科技政策文件制定数量来表示；人力投入可以用R&D 人员折合全时当量来表示；物力投入可以用仪器设备费用来表示；财力投入可以用R&D 经费支出中的基础研究费用等来表示。产出指标主要考虑知识产权的申请、受理、授权以及科技论文发表量等方面，因为知识产权是新知识与新技术产生的代表，在科技创新活动中是中间产出成果的重要体现，是技术创新和科学技术发明的产物［19］。

在孵化阶段，主要考虑政府、新技术研究者和推动者为技术孵化投入的人力、物力、财力和技术。其中，人力投入表现为科技活动人员折合全时当量；财力投入表现为R&D 经费支出中的应用研究与实验发展费用等；物力投入表现为国家级科技企业孵化器数量；技术投入表现为培育阶段的产出，为知识产权的申请、受理、授权以及科技论文发表量等。新技术孵化和发展成熟后给企业及社会带来的效益就是科技创新的最终体现，因此，选择新产品产值、新产品销售收入、高新技术和先进制造业增加值和工业利润总额作为产出指标。

本研究构建的广东省各地级市科技创新效率评价指标体系如表1 所示。

表1 广东省各地级市科技创新效率评价指标体系

2.2 模型的构建

2.2.1 DEA-BCC 模型

数据包络分析是运筹学、管理科学和数理经济学交叉研究的一个新的领域［20］，它是在1978 年由Charnes 等［4］创建的，该方法采用数学规划模型，对含有多项输入、多项输出决策单元间的相对有效性进行评价，本质上是用于判断决策单元是否位于生产可能集的前沿面上。生产前沿面是经济学中生产函数向多产出情况的一种推广，使用DEA 方法和模型可以确定生产前沿面的结构，因此又可将DEA 方法看作是一种非参数的统计估计方法［21-22］。

DEA 方法有4 个最具代表性的模型：CCR 模型、BCC 模型、FG 模型、ST 模型［4,23-25］。其中，BCC模型是分析在规模报酬可变的假设前提下决策单元的效率问题，所测算的效率包括综合效率（crste）、纯技术效率（vrste）和规模效率（scale）（三者之间的关系为：crste ＝vrste×scale），能够将决策单元的技术有效性以及规模有效性呈现出来［26］，与本研究的实际情况更加相符，因此，本研究构建的模型为DEA-BCC 模型。其基本形式见式（1）：

式（1）中：θ为决策单元的效率值；X和Y分别为投人指标和产出指标的观察值；λ为决策单元的规模收益；n为决策单元个数，和分别为投入和产出指标的松弛改进量。当θ=1，且==0 时，该决策单元为强有效的决策单元；当θ=1，而、≠0 时，该决策单元为弱有效的决策单元，可能存在投入沉余；当θ＜1，则该决策单元是无效的，应该减少投入提高效率。

2.2.2 Tobit 模型

Tobit 模型是美国经济学家Tobit［27］于1958 年提出，又称为截断式回归模型（censored regression model），一开始用于研究耐用消费品需求的经济计量学。在科技创新效率的研究中，通过DEA 测算出广东省各地级市的科技创新效率，以科技创新效率作为因变量（被解释变量）、各阶段的影响因素（包括人力、物力等方面的投入）作为解释变量（自变量）进行回归分析，并由解释变量的系数判断各种因素对因变量的影响方向及程度，对于有计划地调整资源配置有着重要的理论研究价值和现实指导意义［28］。由于科技创新投入产出的技术效率数值处在0～1之间，若运用最小二乘法，其参数估计会有严重的偏差，因而当被解释变量受到限制时，采用Tobit 模型进行测算效果更佳。其基本形式见式（2）：

式（2）中：Yi为因变量；Xi为自变量；β为系数；εi为残差。下文同。

3 实证分析

3.1 数据来源

本研究所用数据源于2016—2018 年的《广东科技统计年鉴》和《广东统计年鉴》。考虑到科技创新培育阶段和孵化阶段的创新效率研究具有一定的时滞性，将培育阶段和孵化阶段从投入至产出的科技成果分别向后推移1 个数据统计周期（1 年）。即为当培育阶段（孵化阶段）的投入指标为第A年的数据，产出指标选取的则是第A+1 年的数据。

3.2 指标相关性验证

DEA 模型中一个重要的前提是“等张性”，即投入产出指标之间要求显著正相关，当投入增加时候，产出也相应的增加，因此需要对投入和产出的指标进行Pearson 相关系数的检验，以确定指标选取的合理性［29］。运用SPSS 软件进行相关性分析，数据结果显示（见表2 和表3）：科技创新在培育阶段和孵化转化阶段的投入和产出指标的相关系数比较高，同时在0.01 的水平下存在着显著的正相关关系，说明本研究选取的指标符合“等张性”前提，具有一定的合理性，能够运用该模型进行研究分析。

表2 2016—2018 年广东省各地级市科技创新培育阶段投入与产出指标的相关性检验

表3 2016—2018 年广东省各地级市科技创新孵化阶段投入与产出指标相关性检验

3.3 DEA-BCC 模型的效率评价

运用DEAP2.1 软件，分别评价广东省各地级市科技创新培育阶段和孵化阶段创新价值链的效率，具体结果如表4 所示。

表4 2016—2018 年广东省各地级市科技创新效率评价结果

表4 （续）

从广东省整体水平出发，采用两阶段综合效率的平均值作为划分的标准，分别按综合效率0.658 和0.813 划分高低，21 个地级市一共可划分为4 种类型，分别是：A 类高培育效率-高孵化效率；B 类高培育效率-低孵化效率；C 类低培育效率-高孵化效率；D 类低培育效率-低孵化效率。如图1 所示。

图1 2016—2018 年广东省各地级市综合培育效率-综合孵化效率分布

A 类型城市具有培育效率较高、孵化效率较高的特点，主要分两类：一类具有高投入高产出、科技创新效率较高的特点，包括深圳和佛山。它们具有发展基础坚实、技术成果易于产业化的特点，当地科技创新较为贴合市场实际需求，并且能对市场变化进行快速响应，科技创新成果的孵化效率比较高，未来主要发展方向是继续保持和提升科技创新效率，争取良性循环发展。另一类具有低投入、低产出的特点，包括河源、清远和茂名。这类城市的行业发展对于技术的要求较低，低投入低产出也是这类城市科技创新效率较高的原因。这类城市应该结合行业发展方向，加强科技创新培育投入总量，引进相关人才。

B 类型城市具有培育效率较高、孵化效率较低的特点。其中，对于广州、珠海和中山，可能缘于城市科技创新的主要技术成果更趋向于专业化应用领域，实现规模效益的难度较大，因而这些城市的科技创新主要处于难实现规模效益的专业化研究领域，因此这些城市在维持现有研发效率的基础上应该加大推进技术成果产业化的力度，推动当地科技创新成果向生产力转化；而像潮州、韶关、湛江和梅州，可能的原因是目前科技创新与当地产业需求的契合度较低，因此这些城市应结合当地产业需求，转换科技创新方向。

C 类型城市具有培育效率较低、孵化效率较高的特点。其中，揭阳、阳江和汕尾的产业投入产出比相对较高，缘于上述城市的产业大多具有技术附加值相对较低，且较容易实现规模经济的特点，因此这些城市的产业发展应重点加强建设科研基础设施，从而提升科技创新培育阶段的创新效率；而东莞、惠州和江门，其原因可能是当地的产业发展依靠技术引进，并且这些产业的技术相对较难突破。

D 类型城市具有培育效率较低、孵化效率也较低的特点，包括汕头。汕头可能缘于在科技创新孵化阶段不重视技术的消化吸收，投资策略缺乏科学性、规划性，并且大力发展在科技创新培育阶段需要投入大量人力、物力、资金的产业，而这些产业发展在短时间内很难在技术上实现重大突破的产业（如医药制造业、船舶、航空航天和其他运输设备制造业等），因此，汕头应尽力提高资源利用率并引进相关技术。

综合以上分析，广东省各地级市科技创新投入与产出配置结构亟待优化。研究考察期间，广东省各地级市科技创新综合效率无效是纯技术无效率与规模无效率双重作用的结果。在科技创新培育阶段，整体综合平均效率仅为0.685，且有8 个地级市的综合效率不足0.500，其中纯技术效率偏低是综合效率偏低的主要原因，充分说明广东省科技创新基础培育阶段的研发实力在各个地级市的分配不均衡现象较为严重，科技新知识和新技术产出不足，需努力提高科技的产出水平，提升科技创新培育阶段的效率。在孵化阶段，整体综合平均效率为0.813，也是科技创新综合无效率的表现，主要是科技创新投入中存在资源浪费、配置不佳的现象，需对资源进行统筹规划、合理布局，综合利用科技创新与创业、产业化，使三者充分融合，以此来解决科技创新综合无效率的局面。

3.4 Tobit 模型的实证分析

3.4.1 Tobit 回归分析

Tobit 回归模型的基本形式见式（3）（4）：

3.4.2 理论假设

在建立Tobit 模型时，将科技创新培育阶段和孵化阶段的综合效率作为被解释变量、投入指标作为解释变量。一般来说，人力、物力、财力以及政策等要素的投入越多，科技创新的成果就越显著，但当投入出现冗余时资源就可能会出现浪费的情况，整体的效率也就会降低，因此本文从投入指标的角度提出一系列相关假设，具体如表5 所示。

表5 本研究相关假设

3.4.3 实证结果与分析

利用EViews 软件进行Tobit 回归分析，验证本研究提出的假设。具体数据结果如表6 所示。从表6 可看出，在科技创新培育阶段，科技政策文件制定数量、R&D 人员折合全时当量与科技创新效率存在正相关关系，即科技政策文件制定数量与R&D 人员折合全时当量投入越多，科技创新效率越高，因此假设H1与H2成立；R&D 经费内部支出-基础研究费用、仪器设备费用与科技创新效率存在负相关关系，即R&D 经费内部支出-基础研究费用与仪器设备费用投入越多，资源浪费越多，科技创新效率越低，因此假设H3与H4不成立。在科技创新孵化阶段，科技活动人员折合全时当量、R&D 经费支出-应用研究与实验发展费用、国家级科技企业孵化器数量存在正相关关系，即科技活动人员折合全时当量、国家级科技企业孵化器数量、应用研究与实验发展费用投入越多，科技创新效率越高，因此假设H5、H6与H7成立，且三者对孵化阶段科技效率的贡献度为：应用研究与实验发展费用＞国家级科技企业孵化器数量＞科技活动人员折合全时当量；专利申请受理量、科技论文数与科技创新效率存在负相关关系，即专利申请受理量与科技论文数投入越多，科技效率越低，因此假设H8、H9不成立。

表6 本研究相关假设的Tobit 模型实证分析结果

4 结论与政策建议

本研究以广东省各地级市为研究对象，从技术生态位视角出发构建科技创新效率评价体系，运用DEA-Tobit 模型分析各地市级的创新效率情况与影响因素。DEA 分析结果表明：广东省各地级市科技创新效率存在明显的区域差异，且在培育阶段的平均综合效率为0.685，孵化阶段的平均综合效率为0.813，孵化阶段的整体科技创新效率高于培育阶段，尤其是培育阶段仍有较大的效率提升空间。Tobit 回归分析结果表明：在培育阶段，科技政策文件制定数量、R&D 人员折合全时当量与科技创新效率存在正相关关系，而R&D 经费内部支出-基础研究费用、仪器设备费用与科技创新效率存在负相关关系，且科技政策文件数量的影响程度最大，科技政策文件数量每提高1%，科技创新效率能够提高23.827%；在孵化阶段，R&D 经费支出-应用研究与实验发展费用、国家级科技企业孵化器数量与科技创新效率存在正相关关系，而专利申请受理量、科技论文数与科技创新效率存在负相关关系，且R&D 经费支出-应用研究与实验发展费用的影响程度最大，其次是国家级科技企业孵化器数量，若两要素分别增加1%的投入，则能使科技创新效率分别提升24.516%和17.359%。

根据上述结论，本研究从技术生态位的角度为促进广东省科技创新跨越“死亡之谷”提出相关政策建议：

（1）充分利用粤港澳协同创新优势提供知识产权保障。统筹协调广东省产业跨区域间的创新合作，充分利用广东省各类科研设备、样品样本、科技创新载体平台等资源，结合香港、澳门的金融、知识产权服务和高端人才等优势，建设粤港澳大湾区知识产权交易和服务中心，推动粤港澳三地知识创新、科技应用和金融服务的协同发展，建立知识产权服务保障体系，为三地创新技术知识产权的落地应用提供制度保障。

（2）构建需求导向的科技成果培育与转化服务平台。通过建立企业最新需求库与企业直接沟通，有利于研发主体进行有针对性的开发，并根据科研方向定期有针对性地推送企业需求，使科研活动更有方向性；提供专业的科研成果产业化咨询，由技术转移咨询专员帮助规划科研成果产业化路径，针对不同科研成果提供定制化产业落地方案。通过高效对接科技成果研发与市场化环节，实现资源互通，加速科技成果转移转化。

（3）加大政府对基础研究的直接和间接投资，引导民间资金资助科技创新活动。根据《科学技术指标2019》，我国每年R&D 经费中基础研究比重均较低，2017 年仅为5.5%，远低于美国（17%）、日本（15.7%）、韩国（14.5%）［30］。可见广东省应进一步加大对基础研究的财政投入。此外，可适当借鉴欧美经验创新资助方式，充分发挥资本市场力量，将政府资金投入金融市场转变为间接的股权、债权形式，通过融资途径引导民间资金流向科技创新活动。同时，政府可与金融机构同担风险进行共同资助，通过政府与银行等金融机构共同出资建立投资公司等，对科技创新活动进行投资。

（4）提高企业在基础科研体系中的地位，引导企业加强原始性创新研究。2017 年我国R&D 经费中企业投入占比高达39.4%，但在基础研究投入部分企业投入占比却不足4%，基础研究经费以中央财政投入为主，而新兴工业化国家如韩国（约57.4%）、日本（约37%）等国家的基础研究中企业投入均占比较高［30］。因此，广东省应从执行主体结构完善基础研究体系，提高企业在基础科研中的比例。对从事关键技术、核心技术基础科研的企业给予一定的税收优惠和补贴；同时，通过政府技术采购、财政拨款、商业采购等多种方式降低企业研发风险，以政府资金为引力推动企业资金注入科技创新中。

（5）扶持设立服务于科技创新的金融公司。鼓励金融机构积极加强对互联网、大数据、云计算等信息技术的运用，优化信贷流程和信用评价模型，打造数据化、自动化、智能化的金融服务模式，并加速科技成果产业化。

（6）注重学科融合创新和执行主体协同创新。注重学科交叉，知识、技术、产业之间深度融合，整合企业、高等院校、科研机构等创新研发载体优质资源，鼓励高等院校、科研院所与企业合作建设一批重点实验室、工程研究中心和技术创新平台，在细分行业产业链、创新链、价值链关键核心领域开展创新项目合作，推动创新成果转化，形成全产业创新链。