基于三阶段DEA模型的中国东部省市科技自主创新效率研究

吴道友 夏 雨 毕利娜

(1.浙江财经大学 工商管理学院，浙江 杭州 310018;2.浙江财经大学 人力资源管理研究所，浙江 杭州 310018)

一、引言

创新是引领发展的第一动力。科技创新是建设现代化经济体系的关键环节，促进科技自主创新对新时代我国科技发展和产业结构优化升级等都会起到重要作用。自改革开放以来，我国科技创新能力显著提升。现在，我国对科技创新提出更高的目标，即到中华人民共和国成立100年时成为世界科技创新强国。

中国东部地区处于科技创新发展的前沿，一直是我国关注的重点区域。十九大报告指出，要实施区域协调发展战略。其中，强调要率先实现东部地区优化发展，继而促进东部带动中西部，建立更加有效的区域协调发展新机制。各地也在不断增加科技创新资源投入，力图增强自身创新能力。然而，我国东部地区各省市自主创新能力如何？科技自主创新效率达到何种水平？是否能以示范作用带领中西部科技创新？这些问题还需探究。

因此，本文在此背景下，以中国东部11个省市为研究对象，研究我国东部科技自主创新投入产出效率，探讨人、财、物等资源投入是否得到充分有效利用，科技创新投入是否实现了最大化产出以及影响投入产出效率的因素。了解影响科技自主创新效率提升的原因，对调整投入结构，合理、有效地利用现有资源具有重要意义。本文以期为我国今后推动科技自主创新，实现区域协调发展等方面提供科学参考。

二、文献综述

本文主要探讨的是我国东部地区各省市的自主科技创新能力和科技创新效率，因此对以往关于科技创新效率、科技创新能力、科技创新的综合评价的研究进行梳理。

(一)科技创新效率

科技创新效率是指科技投入与产出的比率，用以衡量科技资源投入的有效性。Carayannisa等通过对其他学者以往的研究发现，DEA方法在测量国家科技创新效率上是行之有效的[1]。当前，诸多学者基于不同的DEA模型对不同对象的科技创新效率展开了一系列的研究。一方面，学者对我国整体科技创新效率进行了研究。叶祥松等构建超越对数生产函数并使用随机前沿分析法测算了中国30个地区的创新效率[2]。李政等采用超效率DEA法对科技创新效率进行测量，在此基础上分析了政府参与对区域创新效率的影响[3]。刘汉初等构建包括科技经费、科技人员、论文与专利、产品增加值和销售额在内的投入产出指标来评价科技创新效率，采用VRS模型评估了我国30个省市的科技创新效率，揭示创新效率的变化趋势及空间分异规律[4]。田红宇等用DEA技术计算我国30个省市的科技创新效率[5]。赵丽娟运用超对数SFA模型和面板门槛模型分析我国农业科技创新效率[6]。

另一方面，对某一城市或地区的科技创新效率的研究也较为丰富。苏日古嘎等基于广义DEA模型对“一带一路”重点省区企业科技创新效率进行评价，并对“一带一路”沿线省区创新效率进行了比较，提出了平衡各省区的科技创新投入，提升创新效率的建议[7]。王默等构建了以创新投入、创新中介服务与知识成果和创新绩效产出为二级指标的创新评价指标体系，并采用共享投入型两阶段DEA模型对长三角地区10个创新型城市的创新效率进行评价[8]。席增雷等运用Malmquist TFP模型对京津冀地区的科技创新效率进行了评价[9]。危怀安等采用DEA两阶段模型，研究了武汉城市圈科技创新和经济产出两阶段的综合效率，并对中心城市和成员城市进行了对比分析[10]。

(二)科技创新能力

科技创新能力是指企事业单位、机构或个人等在某一科学技术领域具备发明创新的综合实力。在科技创新能力测评上，吴丹等分析了包括中国在内的11个国家1991—2014年的科技创新能力差异[11]。顾伟男等分析了我国35个中心城市2000—2015年的科技创新能力的演变特征[12]。陈国宏等基于改进的“纵横向”拉开档次动态综合评价法，对中国31个省市的科技创新能力进行了动态综合评价[13]。姜文仙采用灰色关联度方法，分析了广东省在2000—2013年间的科技创新能力[14]。

在科技创新能力模型构建上，于小琳等构建科技创新能力评价模型，选取投入、产出、资源和环境四个一级指标，采用比较分析法，评价了山东、江苏、浙江和广东四个省的科技创新能力[15]。陈耀等认为科技创新能力除了主要的投入和产出指标之外，还需考虑创新基础、科研活动和成果产出等方面，并在此基础上构建了科技创新能力评价指标体系，运用熵权TOPSIS模型对我国31个省区的农业科研机构科技创新能力进行了实证分析[16]。覃艳华等从人口及经济基础、科技人力资源、科研经费投入、科技创新载体和科技产出与技术交易5个方面综合分析粤港澳城市群科技创新能力[17]。杨玄酯等依据相关性、可比性和易获取性的原则，构建了包括科技创新需求、资源、技术和制度在内的四维度指标体系，基于生态位视角分析长江经济带科技创新竞争力[18]。

(三)科技创新的综合评价

除了以科技创新效率和科技创新能力为主的研究文献外，还有部分学者从科技创新发展阶段、政策效率等方面进行了综合分析。李黎明等将创新驱动发展评价分为创新发展和全面发展两阶段评价。其中，创新发展阶段包括技术创新、制度创新、文化创新、创新发展4个评价指标，而在全面发展阶段则再加上协调发展、绿色发展、开放发展和共享发展这4个指标[19]。袁健红等分析了1978年以来江苏省科技创新的阶段性特征与成就经验[20]。阎东彬对科技创新政策效率进行了评价体系构建，其中投入指标包括总科技投入情况、科技人员和机构、科技固定投资和规模以上工业企业研发投入四个指标类别，产出指标包括全省科学技术奖励、专利与发明、国内生产总值、规模以上工业企业研发与应用成果和技术市场交易量五个指标类别[21]。李文辉等以我国高校为研究对象，综合分析了2004—2016年科技创新能力、效率以及经济贡献率现状[22]。

综上可知，现有文献围绕科技创新效率和科技创新能力展开了一系列研究，其中以整个国家或者某一省市作为主体对象的研究居多，对我国东部地区科技创新效率和能力的研究较为少见。东部省市作为领跑我国科技创新发展的核心区域，在带动我国中西部科技发展上起着重要作用，同时也是我国区域协调发展战略的关键组成部分之一。然而，我国东部地区科技创新效率、区域内协调程度还尚未明确。因此，本研究以我国东部地区为研究区域，利用三阶段DEA模型对我国东部11个省市的科技创新效率进行测算分析，以期为我国东部地区提高科技创新效率提供科学参考。

三、研究方法

数据包络分析(Data Envelopment Analysis, DEA)方法是Charnes等人于1978年提出的一种用来评价决策单元(Decision Making Analysis, DMA)相对有效性的数学线性规划方法[23]，主要应用于测算当非营利组织有多个投入指标和多个产出指标时的运行效率。近年来，不少学者采用DEA方法研究资源配置问题，在全要素生产效率评估和能源效率评估等实际问题的分析上起到了重要作用。三阶段DEA模型是由Fried等提出的[24]，当外部环境因素和随机因素会对决策单元效率产生影响时，相较于其他DEA方法，采用三阶段DEA模型可以排除这些因素的影响，从而可以得到更为准确的效率值。

在第一阶段，进行初始效率评价。本文选用基于投入导向的传统DEA模型(BCC模型)计算各决策单元的科技自主创新效率，表示为线性规划问题时如公式(1)所示。

minθ0

(1)

s.t.λXT+t-≤θ0X0

YT-t+≥Y0

Σλi=1

λ≥0

其中λ表示由λi组成的i×1常数向量，t为松弛变量。该模型的最优解为θ0，λi，t-，t+，当公式(1)的最优值θ0=1，t-=t-=0时，决策单元是BCC有效的；当θ0=1，但不满足t-=t-=0时，决策单元是BCC弱有效的；若θ0≠1，则决策单元是BCC无效的。在第一阶段，可以得到各决策单元的综合效率、纯技术效率和规模效率。其中，综合效率值为纯技术效率和规模效率的乘积。当综合效率值为1时，表示决策单元处于技术和规模的前沿面，此时的投入规模无需进行增减；当综合效率值小于1时，表示决策单元在管理水平或投入规模上还存在调整空间，此时模型中存在松弛变量。这一阶段得到的松弛变量值用于第二阶段SFA回归分析。

在第二阶段，构建似SFA研究模型。Fried(2002)认为，决策单元的绩效受到管理无效率、环境因素和统计噪声的影响。因此，本阶段运用SFA回归模型来分离这三种影响，并计算调整后的投入值。回归函数如公式(2)所示。

Sni=f(Zi;βn)+vni+μni；i=1,2,…，I；n=1,2,…,N

(2)

其中，Sni是第i个决策单元第n项投入的松弛值；Zi是环境变量，βn是环境变量的系数；vni+μni是混合误差项，vni是随机干扰，表示随机干扰因素对投入松弛变量的影响；μni是管理无效率，表示管理因素对投入松弛变量的影响。其中，vni服从正态分布。

在第三阶段，再次运用传统DEA模型对调整后的投入产出值进行测算，得到各决策单元调整后的效率值。此时，环境因素和随机因素的影响已经被排除，得到的效率值是相对真实准确的，因此各省市的科技自主创新效率水平也较为接近实际。

四、指标选取和数据来源

本文所运用的数据指标分为投入产出指标和环境变量指标，本研究的数据主要来自国家统计局官网。具体如下：

(一)投入产出指标选取

科技自主创新效率反映了科技资源的配置情况与资源价值实现程度。科技自主创新效率体现着科技资源的综合利用程度，与一定范围内科技经费、劳动力和基础设施投入以及当地社会、经济效益密切相关。因此，在科技自主创新效率评价指标选取方面，本文基于前人研究[25-26]，同时遵循指标的代表性和可获取性原则，从资本、劳动力及基础设施的投入和科技产出两方面构建评价体系。投入指标选取R&D全时当量人数、R&D经费日常支出、仪器设备共3项，分别用来衡量劳动力投入、资本投入和基础设施投入；产出指标选取论文、科技著作、有效发明专利数共3项指标，前两项统一用来衡量论文方面的产出，后者用来衡量专利产出。

(二)环境变量指标选取

环境变量是指能够影响投入产出效率的外生变量。在选取环境变量时，需要遵循“分离假设”的要求，即环境变量会对投入产出效率产生影响，但同时在短时间内不能发生主观上的更改或预测。以往研究发现，科技自主创新效率会受到外部各种因素的影响，李沃源[27]和陈林生[28]等学者专门就科技创新环境进行研究，综合考虑了包括经济、基础设施、人文教育、政策、市场、文化等在内的因素。本文根据已有的研究成果，考察科技发展水平、教育水平、政府支持和成果保护四个方面对科技自主创新效率可能产生的影响。首先，地区的科技发展水平和教育水平会影响科技资源转向科技创新的效率和能力，一般来说，地区科技发展水平和教育水平越高，科技自主创新能力也越强。其次，政府行为也会影响科技创新，主要体现在政府支持力度和对科技成果的保护力度上，前者会影响科技创新的投入，后者会影响科技成果的持续产出。上述投入、产出和环境变量指标与测量具体见表1。

表1 中国东部地区科技自主创新效率评价指标体系

(三)数据来源及处理

根据国家统计局2011年公布的《东西中部和东北地区划分方法》，本文的研究对象包括东部地区的北京市、天津市、河北省、辽宁省、广东省、山东省、上海市、江苏省、福建省、浙江省、海南省共11个省市。选择2013—2017年作为样本研究时间，研究东部地区科技自主创新效率。本研究中全部投入产出指标以及环境变量指标中的政府资金和R&D经费内部支出来自《中国科技统计年鉴》。环境变量指标中的每10万人口高等教育学校平均在校生数取自《中国统计年鉴》，综合科技进步水平指数取自《全国及各地区科技进步统计监测结果》和《国家创新指数报告》，全国与各地区的专利授权数量和知识产权执法案件数量取自《国家知识产权局统计年报》。

五、实证结果分析

本文采用DEA模型来进行三阶段分析。在第一阶段进行原始投入产出效率分析；在第二阶段进行随机前沿回归分析；在第三阶段进行调整后投入产出效率分析。

(一)第一阶段原始投入产出效率分析

在第一阶段，运用Deap2.1软件对投入产出指标数据进行计算，得到我国东部11个省市科技自主创新投入产出的原始效率。通过表2的结果，本研究得出以下几个结论。

1.2013—2016年间的平均综合技术效率呈上升态势。

综合技术效率是对决策单元的资源配置效率等多方面的综合评价。在不考虑环境因素的影响时，我国东部11个省市科技自主创新投入产出的平均综合效率在0.75-0.85之间，从2013年至2016年呈现持续的上升趋势，到2016年达到最高点，为0.842。其中，浙江省和海南省在这5年间的综合效率均为1，表明了这两个城市的科技自主创新效率处在技术效率前沿面上。北京和上海的综合技术效率较高，5年间的综合效率均超过0.8。而天津、河北和山东的综合技术效率水平则相对较低，5年间的综合效率均未超过0.7。我国东部科技自主创新效率在2017年有所下降，主要原因是北京和辽宁相较于2016年退出技术效率前沿面，下降水平超过0.2，上海的综合技术效率也出现较明显下降。综合技术效率较低说明了决策单元在投资分配、管理水平等方面均有较大的提升空间。

2.平均纯技术效率在2013—2017年间基本保持稳定。

纯技术效率是由管理和技术所带来的效率，由表2可知，东部11个省市5年间的平均纯技术效率基本保持在8.7左右，处于较高水平。其中，北京、浙江、海南和辽宁5年间的纯技术效率均为1，说明这些城市在目前的技术水平上，其投入资源的使用是有效率的。上海、江苏和广东5年间的纯技术效率在0.8以上，福建的纯技术效率则呈现上升态势，从2013年的0.698到2016年达到0.852。而山东和天津的纯技术效率相对较低，但天津在2017年有较为明显的上升，达到0.722。

3.东部11个省市还需优化生产规模以提高创新效率。

从表2中可以看出，在不考虑环境因素的影响时，大部分城市的科技自主创新效率还未达到最优，但造成的原因有所不同。从整体上看，除了浙江和海南，有超过一半的省市规模报酬处于递减阶段，这些省市的资源投入规模需要调整。其中， 北京、 广东和辽宁近5年的纯技术效率都达到1，说明这3个城市主要需要通过调整投入规模来提升效率。而天津、河北、江苏、福建和山东的纯技术效率未达平均值，除了投入规模需要调整以外，其内部管理水平还需提升。

表2 第一阶段中国东部科技自主创新投入产出效率

(二)第二阶段随机前沿回归分析

在第二阶段，构建随机前沿SFA模型，利用Frontier4.1软件进行SFA回归分析。其中，科技自主创新的3个投入指标的松弛变量是被解释变量，科技发展水平、教育水平、政府支持和成果保护是解释变量，回归分析结果如表3所示。

从表3可以看出，三个投入指标的松弛变量的γ值均大于0.9，且都在1%水平下显著，这充分验证了我国东部地区科技自主创新效率确实受到外部环境因素和随机因素的影响，且管理因素对科技自主创新效率的影响占据主导地位。因此，应进一步将管理因素和随机因素剥离分析。除了结果显著以外，各个环境因素对应参数值的正负也将影响决策单元的DEA效率。当参数值为正时，环境因素不利于决策单元DEA效率的提升；当参数值为负时，环境因素有利于决策单元效率提升。以下对科技发展水平、教育水平、政府支持和成果保护四个环境因素进行了具体分析。

表3 第二阶段中国东部科技自主创新效率SFA回归结果

1.科技发展水平

从表3可以看出，科技发展水平对人员投入、资金投入和基础设施的松弛变量的回归系数均大于0，这表明科技发展水平越高，会使得地区不断增加人员、资金和基础设施的投入，从而导致这些投入变量冗余增加。从现实情况来看，科技水平越发达的地区，越要利用好现有的投入经费和基础设施资源，不能盲目追求科技人才人数和资金投入的增加，以免造成资源浪费。

2.教育水平

从回归结果中得知，教育水平对人员投入和基础设施的松弛变量的回归系数小于0，这表明教育水平的提高带来了人员、资金和基础设施投入松弛变量的节约，地区教育水平越高越有利于科技资源的优化配置。

3.政府支持

表3中的数据显示，政府支持对人员投入和基础设施的松弛变量的回归系数大于0，对资金投入松弛变量的回归系数小于0。这表明，政府支持会带来资金投入松弛变量的节约，这使政府更注重在劳动力和基础设施上的支出。

4.成果保护

由表3可以看出，成果保护对人员投入、资金投入和基础设施的松弛变量的回归系数均小于0，表明成果保护能减少人员、资本和基础设施三大投入松弛变量所产生的浪费，提升科技自主创新效率水平。

从上述结果分析来看，环境因素会对效率产生影响，同时，在不同环境条件下，决策单元受到的影响也会存在差异。因此，本研究基于第二阶段的结果对各决策单元的原始投入进行相应调整，排除环境影响后再测算各省市的科技自主创新效率。

(三)第三阶段调整后投入产出效率分析

根据第二阶段得到的调整后投入变量和原始产出变量，再次运用DEA-BCC模型测算出2013—2017年中国东部11个省市在相同环境下的科技自主创新效率水平，如表4所示。通过结果数据可以看出， 各省市的综合效率、 纯技术效率均出现了一定变化，具体体现在以下三个方面。

表4 第三阶段中国东部科技自主创新投入产出效率

1.我国东部整体科技自主创新效率被高估。

由表4可以看出，考虑环境因素后，除了2017年以外，其余年份我国东部11个省市的平均综合技术效率出现下降，2013—2016年间均未超过0.8。主要原因是历年纯技术效率上升至0.9以上，但纯技术效率上升的水平未超过规模效率下降的水平，这表明提升东部整体科技自主创新效率的关键还在于规模优化。其中，海南省的综合技术效率出现明显下降，退出有效前沿面，表明调整前的值受有利环境因素影响较大，真实效率被高估。然而，海南省的纯技术效率仍保持在1，说明海南省目前对科技资源的使用是有效的，但是资源投入规模还需要做出调整。

2.东部各省市科技自主创新效率变化明显。

由表4数据可知，在调整投入后，2013年到2017年浙江省的综合技术效率仍为1，表明浙江省确实处在技术有效的生产前沿上，不受环境因素的影响。此外，除了上述提到海南省的科技自主创新出现较为显著的下降外，其他省市在消除环境因素的影响后，科技自主创新效率均出现不同程度的上升或下降。其中，北京的综合技术效率在5年间达到1，达到有效前沿面。天津、河北、江苏、山东调整后的综合技术效率在整体上出现上升，其中河北上升最为显著，到2017年综合技术效率达到0.952，较之前增长了0.362，但天津与山东的综合技术效率仍然偏低，5年间不超过0.7。上海的综合技术效率虽然出现了下降，但仍然保持较高水平，5年间的综合技术效率均为0.8以上。而广东和福建的综合技术效率在2013年到2015年间有所提升，近两年则出现了下降。

3.规模优化是提升科技自主创新效率的首要任务。

从表4可以看出，在考虑环境因素后，我国东部11个省市的综合技术效率在2017年达到最高值0.819，除了北京和浙江外，天津、河北、福建、广东、海南和辽宁这6个省市的纯技术效率在2017年也达到了1，说明这些省市提升科技自主创新效率的重心应该放在优化资源投入规模上。而对于上海、江苏和山东，这些省市还需要提高内部管理水平。从规模报酬情况来看，中国东部有2个省市处于规模报酬不变阶段，7个省市调整后的规模报酬都处于递增阶段，处于规模报酬递减的省市只有江苏省和广东省。与第一阶段结果对比可见，环境因素影响了各省市规模报酬的扩大。对于规模报酬在调整后处于递增阶段的省市，可以增加要素投入规模，从而有效促进科技自主创新效率的提升。而对于规模报酬处于递减阶段的省市，则应将重心放在提高资源的合理配置和利用效率上，以实现科技自主创新效率的提高。

六、结论和建议

本文通过运用三阶段DEA模型对中国东部地区科技自主创新效率进行评价和比较，结果发现：

(一)外部环境因素对我国东部地区科技自主创新效率有显著影响

教育水平的提高和成果保护力度的加大能减少在人员、资本和基础设施投入上的冗余，促进科技自主创新效率的提升。科技发展水平的提高将造成人员、资本和基础设施投入松弛变量的增加，不利于科技自主创新效率的提升。政府不盲目进行资金投入，而是通过多方面来支持科技创新，但对人员和基础设施利用效率还不高，从而产生了一定的资源浪费。

(二)在剔除外部因素影响后，大多数省市科技自主创新效率有所提升

其中，北京、浙江的综合技术效率5年间均位于技术前沿面，超过一半省市的综合技术效率大于0.8。但是，中国东部11个省市的平均科技自主创新效率下降，主要原因是海南省的综合技术效率下降幅度大于其他省市增长幅度。

(三)为达到最佳规模收益，各省市还需对科技资源的投入规模进行优化

在考虑环境要素后，东部11个省市的纯技术效率有较为明显提升，说明提升科技自主创新效率重点在于规模投入优化。除了北京和浙江，我国东部其余省市均处于规模报酬递增或递减阶段，因此，为了提升科技自主创新效率，各省市需调整资源要素投入规模。

基于上述结论，针对我国东部地区在促进科技自主创新过程中存在的问题，从加快区域协调发展，提升科技自主创新效率的角度出发，提出以下对策建议。

首先，合理增加科研资金投入。目前，我国东部大多省市还处于规模报酬递增阶段，增加投入有助于效率提升。同时，科研资金投入有较强的灵活性，可以在吸引、激励科技人才上发挥作用，也可以为科技人才提供必备的科研条件。

其次，营造良好的科技创新环境。地区的教育水平、政府支持和成果保护均会对科技自主创新效率产生影响，加强教育有利于培养科技人才队伍、提高人才素质，政府加大对科技创新的支持、加强对科研成果的保护能提高参与科研活动的积极性与安全感。

最后，各省市间加强合作与交流。区域协调发展是促进我国科技进步、经济发展的重要途径。目前我国东部各省市的科技发展水平还存在差距，部分省市科技自主创新效率还需要提升。科技自主创新效率较低的省市可以向科技自主创新效率高的省市学习借鉴，争取实现我国东部地区科技创新内部协调与优先发展，从而更好地带动我国其他地区科技水平的提升，进而增强我国整体科技竞争实力。