中国科技创新效率区位差异及影响因素分析

宁朝山

（聊城大学 商学院，山东 聊城 252059）

一、引言和文献综述

党的十八大明确提出“科技创新是提高社会生产力和综合国力的战略支撑，必须摆在国家发展全局的核心位置。”强调要坚持走中国特色自主创新道路、实施创新驱动发展战略。2016年7月，国务院印发了《“十三五”国家科技创新规划》，明确了迈进创新型国家，为建成世界科技强国奠定坚实基础的总目标。2018年3月，十三届全国人大一次会议的政府工作报告中50余次提到科技、强调创新，其中特别指出“加快建设创新型国家”，“把握世界新一轮科技革命和产业变革大势，深入实施创新驱动发展战略”。因此，在2020年小康社会全面建成之际，统筹全局，多角度地探究中国科技创新效率的时空变化趋势，研究影响各区域科技创新效率的重要因素，对建设创新型国家，提高社会生产力及综合国力，有重要意义。

在当前的时代背景下，越来越多的学者开始关注科技创新。通过对现有文献的梳理，学者们主要从以下两个方面展开研究：一是基于构建的静态指标体系，通过不同的评价方法对科技创新不同维度进行评价。巴吾尔江等①巴吾尔江、董彦斌、孙慧、张其：《基于主成分分析的区域科技创新能力评价》，《科技进步与对策》2012年第29卷第12期，第26-30页。、徐顽强等②徐顽强、周晓婷：《基于主成分分析法的省域科技创新体系评价模型构建》，《科技管理研究》2016年第36卷第6期，第52-57+84页。、王彦博等③王彦博、姚黎：《全国科技创新中心的科技创新能力评价研究——以我国31个省区市比较分析为例》，《科技管理研究》2020年第40卷第3期，第1-7页。以及何睿④何睿：《创新型城市创新能力评价研究》，合肥工业大学硕士学位论文，2012年。分别采用主成分分析法对我国内地各省区市及国家创新型城市的科技创新能力进行了评价。邓丹青等①邓丹青、杜群阳、冯李丹、贾玉平：《全球科技创新中心评价指标体系探索——基于熵权TOPSIS的实证分析》，《科技管理研究》2019年第39卷第14期，第48-56页。、贾春光等②贾春光、程钧谟、谭晓宇：《山东省区域科技创新能力动态评价及空间差异分析》，《科技管理研究》2020年第40卷第2期，第106-114页。、陈艳华③陈艳华：《基于熵权TOPSIS的区域科技创新能力实证研究》，《工业技术经济》2017年第36卷第5期，第46-51页。及赵黎明等④赵黎明、刘猛：《基于熵权TOPSIS的区域科技创新能力评价模型及实证研究》，《天津大学学报》（社会科学版）2014年第16卷第5期，第385-390页。分别运用熵权TOPSIS法对我国9个典型城市、山东省各地市、中国四大地区及我国31个省市的科技创新能力进行了实证分析，李沃源等⑤李沃源、乌兰：《基于系统构成要素的西部地区科技创新系统环境组合评价研究》，《科学管理研究》2019年第37卷第1期，第59-62页。利用组合评价分析、聚类分析和相关分析等方法,对西部地区各省、市、自治区科技创新系统环境进行实证研究。祝影,唐春光,孙锐,雷家骕⑥祝影、唐春光、孙锐、雷家骕：《基于系统耦合的中国科技创新城市评价》，《科技管理研究》2019年第39卷第24期，第30-39页。基于耦合协调模型,对23个中国科技创新城市进行创新要素耦合评价，发现京津冀地区、长三角地区、珠三角地区的城市位居前列,中西部地区和东北地区城市表现乏力。二是基于动态的创新效率进行测度评价。胡丽娜⑦胡丽娜：《基于DEA的区域科技创新效率测算与评价》，《数学的实践与认识》2019年第49卷第17期，第95-101页。、何龙光⑧何龙光：《 西南地区科技创新效率评价及其影响因素研究》，云南财经大学硕士学位论文，2019年。、许建红等⑨许建红、梁玲、孔令丞：《东部12省市科技创新效率的DEA测评与上海科创策略研究》，《上海对外经贸大学学报》2019年第26卷第2期，第59-68页。分别使用DEA方法对内蒙古12盟市、西南地区及东部12省市的科学技术创新效率进行了测度评价。Fuentest et al.⑩Fuentes H J,Grifell-Tatjé E,Perelman S：《A Parametric Distance Function Approach for MAlmquist Productivity Index Estimation 》 ，《Journal of Productivity Analysis》2001年第15卷第2期，第79-94页。、Giedré Dzemydait é et al.11Giedré Dzemydaité,Ignas Dzemyda：《The Efficiency of Regional Innovation Systems in New MemberStates of the European Union》，《A Nonparametric DEA Approach.Economics and Business》2016年第28卷第1期，第83-89页，、Carayannis E G et al.12Carayannis E G,Grigoroudis E,Goletsis Y：《 A Multilevel and Multistage Efficiency Evaluation of Innovation Systems》，《A Multiobjective DEA ApproachExpert Systems with Applications 》2016年第62期，第 63 － 80页。分别对园区的科技创新效率、欧盟中部、东部的40个区域及23个欧洲国家创新效率进行了测算与评价。郭淑芬,张俊13郭淑芬、张俊：《中国31个省市科技创新效率及投入冗余比较》，《科研管理》2018年第39卷第4期，第55-63页。运用CCR-DEA、BCC-DEA和Malmquist-DEA模型测度了2009-2013年中国31个省市的科技创新效率及其年份变动情况，表明研究期内完全有效省份的数量呈增多趋势,但总数仍远不及一半，5年来,基于技术进步各省市的科技创新效率有所提高。刘钒等14刘钒、邓明亮：《基于改进超效率DEA模型的长江经济带科技创新效率研究》，《科技进步与对策》2017年第34卷23期，第48-53页。、林佳丽等15林佳丽、薛声家：《广东省各市科技创新有效性评价——基于DEA超效率模型的分析》，《科技管理研究》2008年第8期，第111-114页。基于超效率DEA模型对长江经济带、广东省21个城市科技创新相对有效性进行了全面客观的评价。张明龙16张明龙：《我国金融支持科技创新的效率评价——基于超效率DEA与Malmquist指数方法》，《金融发展研究》2015年第6期，第18-25.页。基于超效率DEA模型,分析了我国30个省、自治区和直辖市以金融作为投入的科技创新效率，结果表明中西部地区的效率增长高于东部地区,技术效率的变化是导致区域差异的主要原因。孙东①孙东：《我国科技创新效率测算及影响因素研究——基于超效率DEA-TOBIT两步法分析》，《税收经济研究》2014年第19卷2期，第76-84页。采用超效率DEA-TOBIT模型测算了我国2002-2012年各省份创新的效率，结果表明：我国创新效率还不高,处于创新有效状态的省份不足1/3,而且创新效率值波动较大,没有出现稳定上升趋势。

当前学者的研究为区域科技创新的后续研究奠定了基础，但仍存在可进一步研究的空间。如部分学者虽然构建了科学创新指标体系，采用了各种各样的方法评价了科学创新能力，但只能反映科学创新的静态变化，由于各省市区的的创新基础、经济禀赋，导致其科学技术能力本身就存在差别，只进行静态比较，忽视了其本身的自然禀赋，不能反映其效率值的变化，如某些资源在某个地区可能有好的产出，但另外某个地区可能就由于其本身的先决的自然条件就不一定有好的产出，如果只比较投入及产出这样的静态值，难免忽视了各地区科技创新的先决条件；部分学者运用DEA模型进行分析时，由于普通DEA模型的计量条件，所有创新有效的效率值均为1，不能比较各创新有效区域的不同。另外，部分学者使用超效率对科技创新效率进行了包络分析，但没有分析其影响因素，不能很好的为把握科技创新提供决策依据。

本文基于超效率DEA-malmqiust指数模型，从静态及动态角度测度中国各省及南北区域科技创新效率，进而建立Tobit面板数据模型，得出了影响科技创新效率的重要因素。本文的重要研究意义在于为各省政府更好地促进科技创新，进一步提高全国科技创新水平提供可供参考的决策依据。

二、研究设计

(一)创新效率评价研究设计

1．超效率DEA模型

传统DEA无法区别有效 DMU 单元之间的效率差异，即当有多个决策单元同时处于有效时，它们的效率值都是1，为避免多个评价单元同时处于最优最前沿面而无法得到DMU的全序，Andersen和Petersen(1993)提出了超效率DEA模型，其有效决策单元的值可以大于1。其基本思想是当评价一个决策单元时，将其与其他决策单元的线性组合做比较，而其排除在外，在测评时，无效决策单元其生产前沿面不变，因此其效率值与传统DEA模型一样。但当决策单元的投入如果提高到计算得到的效率值比例时，该决策单元仍然可以保持DEA有效，其超效率DE有效决策单元的效率值大于1。超效率DEA模型分为投入导向型和产出导向型两种。由于投入的数量是决策的基本变量，与产出量相比，投入量更容易控制，因此，本文采用如下投入导向型超效率DEA模型进行分析。

2．Malmquist指数

Malmquist指数方法是基于DEA模型提出的，可以利用多种投入与产出变量进行效率分析，且不需要相关的价格信息，也不需要成本最小化和利润最大化等的条件，它把生产率的变化原因分为技术进步变化与技术效率变化：技术进步变化是生产前沿面的移动；技术效率变化是生产技术的利用效率，是生产前沿面和实际产出量之间的距离变化。Malmquist指数定义为：

Malmquist指数可以进一步分解为技术效率指数（EF）和技术进步指数（TE），分解公式如下，

3、指标选取

利用超效率DEA-Malumquist指数度量区域科技创新效率，其本质是要构建一个投入-产出系统，测度其投入产出效率，以此衡量区域科技创新效率。选取R&D人员全时当量(I1)、R&D经费支出数目(I2)以及规模以上工业企业新产品开发经费（I3）作为创新投入的衡量指标。创新产出是表征创新产出成果的变量，指标体系主要是能够体现创新活动产出，故选择专利申请量(o1)、规模以上工业企业新产品销售收入（o2）和，以及技术市场成交额（o3）等三个指标作为创新产出指标，学术界对于使用专利申请量还是专利授权量一直存在争论，本文为专利申请量往往能代表一个地区人们的创新能力和创新意愿，和专利授权量相比，由于制度和时效原因，方分产品存在了社会价值但未被授权，另外一方分未通过申请的专利也可能正在产生社会价值而未被授权，专利申请量则将其考虑在内，因而与专利授权量相比，能够更好地衡量创新产出。

（二）科技创新效率影响因素研究设计

1、Tobit面板数据模型

超效率DEA方法得出的效率指数值都非负，且数据大量集中于(0,1)之间，因此其可以看作是受限因变量，如果直接采用最小二乘法，会给参数估计带来有偏和不一致①朱丽娟、张改清、张建杰：《水土资源利用方式对种粮大户技术效率的影响分析——基于黑龙江省697个种粮大户的调查数据》，《经济经纬》2018年第35卷5期，第66-72页。②段婕、白海林、金慧宁：《创新对军民融合企业效率影响的实证研究——以“十大军工集团”上市公司为例》，《科技管理研究》2019年第39卷2期，第55-61页。，因此采用Tobit模型考察科技创新效率影响因素。模型设定如下：

2、变量选择

本文选择通过投入导向的超效率DEA模型计算的科技创新效率来测度各省历年来区域创新水平差异，作为被解释变量。后采用文献分析法及定性分析，选择政府支持、教育投入、开放程度、地区经济、人力资本、劳动力素质、微观创新环境差异、以及产业结构中的非农产业作为影响各区域科技创新效率的因素，分别用科学技术投入比重、教育投入比重、外贸依存度、人均GDP、适龄常住人口比重、高素质劳动力笔者、城市化率、非农产业比重来衡量作为解释变量，具体见表1，描述性统计见表2。

表1 变量指标解释

表2 变量描述性统计

（三）数据来源

本文的数据主要来源于《中国科技统计年鉴（2013—2019）》和《中国统计年鉴（2013—2019）》，其中2012-2017年国外三大索引系统收录的科技论文数指标来源于《中国科技统计年鉴（2014—2019）》。

三、实证结果及分析

（一)科技创新静态效率评价

1．省际静态效率比较

根据公式（1）超效率DEA模型，计算中国2012年-2019年30个省区市( 西藏数据暂缺) 科技创新效率值，为了便于进行静态分析，本文根据分析数据将创新效率划分为四个级别，分别为创新低效（0.9以下）、创新近有效（0.9-1.0），创新有效（1.0-1.1）和创新高效（1.1以上），具体效率值如表3所示。

表3 2012-2018年中国30个省（区、市）科技创新效率

广 西 0.734 0.941 0.959 1.295 1.490 1.265 0.993海 南 0.646 0.698 0.655 0.668 0.495 0.742 0.713重 庆 1.147 1.079 1.307 1.486 1.158 1.037 0.790四 川 1.021 0.964 0.831 1.048 0.871 0.924 0.761贵 州 0.819 1.183 1.526 0.882 0.715 1.066 1.228云 南 0.688 0.598 0.550 0.566 0.426 0.520 0.690陕 西 0.925 0.896 0.874 0.962 0.766 0.978 0.727甘 肃 0.952 1.007 0.902 0.901 0.828 1.129 1.021青 海 0.658 0.812 0.860 1.718 1.604 1.393 1.648宁 夏 0.591 0.901 0.589 0.736 0.465 0.922 1.125新 疆 0.589 0.570 0.853 0.804 0.562 0.639 0.744

横向来看，只有北京市历年来保持创新高效，创新效率值始终稳定在1.5以上，但创新效率明显下滑，由2012年的3.734降低到2018年的1.501，降低了近59.8%，相反，青海省创新效率实现了有效增长，由2012年的0.658增长至2018年的1.648，增长了近50.5%。从实际情况找寻原因发现，2015年青海省颁布了《中共青海省委青海省人民政府关于深化体制机制改革加快创新驱动发展的实施意见》（青发[2015]17号）、《青海省人民政府关于改革省级财政科技计划和资金管理的实施意见》（青政[2015]80号）、《青海省人民政府办公厅关于发展众创空间推进大众创新创业的实施意见》（青政办[2015]144号）等8项改革性文件，营造了大众创业、万众创新的政策环境和制度环境，因此自2015年伊始，青海省由创新低效地区发展至创新高效地区。北京市作为全国政治中心，其始终保持着高效产出，但通过观察其投入产出指标发现，历年来其投入规模不断扩大，但产出规模较上年增长较低，以2017年、2018年两年举例，2017年R&D 经费内方支出15796512万元，规模以上工业企业新产品销售收入41192830.9万元，2018年R&D 经费内方支出18707700.8万元，扩大了近18.4%，模以上工业企业新产品销售收入41366175.3万元，增加幅度仅为0.4%。河北、山西、内蒙古、辽宁、福建、河北、海南、云南、新疆历年来始终创新低效，效率值稳定在0.9以下，而广东、山东比较特殊在创新低效及近有效之间波动，2018年效率值在0.9以下，处于创新抵低效状态，效率值不算太高。天津、吉林、黑龙江、上海、浙江、湖南、甘肃、在创近有效及有效之间波动、广西、贵州在创新高效及有效之间波动，安徽、湖北、宁夏则实现了创新效率的增长，由创新低效地区发展到创新有效地区，而江苏、重庆地区创新效率明显下滑，由效率由2012年的高效状态降低至2018年的低效状态。

纵向来看，2012年至2015年，北京市创新效率始终位于第一位且远超出第二位，但在2016年，其创新效率剧烈下滑，由2.488降低至1.527，而在这两年中财政支出中的科学技术支出占比也由2015年的5.02%降低至2016年的4.46%。2016年及2018年，北京市创新效率排名下滑至第二，青海后期而上成为创新效率排名第一的省市，而通过研究青海及北京的投入指标发现，青海的投入远没有北京的投入规模大，因而产品饱和度低，边际产量高，更容易获得相对较高的比较产出，另一方面讲即较高的投入不一定能获得较高的相对产出。河北、山西、内蒙古、云南、新疆等省份处于各省排名末端，而与此同时作为经济大市的上海其创新效率一致处于中游，观察其经济指标可以发现历年来其外贸依存度在90%以上，人均GDP位列各省前列，在如此良好的经济体制下却没有产生好的创新效率，究其原因是因为尽管对外贸易频繁，但国外高技术却难以输入，尽管地区经济较好，但较好的经济条件往往存在大规模的投入，规模过大，由于边际产量递减规律，不一定形成良好的产出，从而导致创新低效率降低。以此本文提出在当前对外贸易与地区经济与创新效率之间存在弱联系或负向联系的假设，并在影响因素分析中进行论证。

2.区域静态效率比较

根据秦岭淮河分界线及南北方行政区划的概念，南方地区包括上海、江苏、浙江、安徽、福建、江西、湖北、湖南、广东、广西、海南、重庆、四川、贵州、云南、西藏、台湾、香港、澳门，由于数据的不可获得，西藏、台湾、香港、澳门本文不予研究，则本文研究的南方省份包括西藏、台湾、香港、澳门外的其余15个省份。北方地区包括北京、天津、河北、山西、内蒙古、辽宁、吉林、黑龙江、山东、河南、陕西、甘肃、青海、宁夏、新疆等15个省份。根据此划分求解全国（除港澳台及西藏）及南方（除港澳台及西藏）、北方科技创新效率均值，如图1。

图1 2012-2018年全国及南北区域科技创新效率均值

由2012-2018年中国分区域科技创新效率均值可以看出，南方区域科技创新效率整体低于北方地区，但呈波动性上升趋势，北方区域科技创新效率波动程度远大于南方，起伏剧烈，2012年-2016年，大幅度整体下滑，2016-2018年大幅度上升，且基本恢复到2012年效率值水平，实现科技创新有效。南方地区科技创新水平基本在创新近有效区间内，效率值在0.9水平线附近波动，距离实现整体创新有效有一段距离，但小幅度的效率增长趋势意味着南方科技创新水平在不断提高，朝着创新有效阶段迈进。从全国科技创新角度来看，全国科技创新水平基本稳定在创新有效区间内，效率值在在0.90－0.95之间波动，且2016－2018年创新效率整体实现增长，由0.9突破到0.95以上，且仍有小范围增长的趋势，意味着我国整体创新效率在不断提高。

（二）全要素生产率及其分解的时空格局分析

1．省际动态效率比较

运用 DEAP2.1软件得到基于2012年到2018年Malmquist-DEA指数及其分解指数进行动态分析，如图2所示。

图2 2012-2018年各省Malmquist指数及其分解指数

由图2（a）可以看出，各省市全要素生产率变化值均在效率值为1的圆周附近波动，基本大于等于1，只有江苏省全要素生产率变化值小于1，说明与2012年相比，2018我国出江苏省以外的各省市的全要素生产率实现了有效增长或维持不变，这意味着我国部分分地区的生产效率在不断提高，投入相同的生产要素，产出在不断增加，这部分地区如云南、宁夏、新疆、山西、辽宁、福建等静态效率值很低的地区，以及贵州、陕西、甘肃、青海、河北、黑龙江、安徽、江西、河南、湖北、广东、广西等创新近有效、有效或突出有效的地区，而像北京、四川，虽然其静态各省相对创新效率值横向来看降低了，但仅通过全要素生产率变化值，仅从其自身的相对变化来看，其仍然实现了生产效率的有效增长，而静态效率降低的原因主要是与其他省市区相比，其产出值提升的幅度太小。

由图2（b）可以看出，陕西、上海、江苏、山东、湖北、重庆、四川的技术效率变化值均效率值均小于1，即与2012年相比，未实现技术效率的有效进步，而青海、宁夏、新疆、河北、山西、内蒙古、江西、河南、湖北、广东、广西、贵州均突出的实现了技术效率的增长，效率变化值稳定在1.05-1.1之间,证明了中西部某些地区的技术效率增加值高于东部地区，该结论与张明龙的结论中西部地区的效率增长高于东部地区具有一致性,。由图2（c）可知，我国各省市去的技术进步效率变化值均在1以上或在1上，其中青海、北京、黑龙江、四川均突出地实现了技术进步效率的增长，技术效率变化值稳定在1－1.2之间。

因此可以看出，北京市实现全要素生产率的有效增长，依赖于技术进步效率，即各个技术更新的累计效应，而不是技术效率，即技术的应用效用。而新疆、河北、山西、内蒙古、江西、河南、湖北、广东、广西、贵州等地区实现全要素生产率的有效增长则依赖于技术效率而非技术进步效率，值得瞩目的是青海实现全要素生产率的突出增长，原因在于技术效率及技术进步效率的双重效应，即两者均实现有效且突出的增长。

2．南北区域的动态效率比较

由图3（a）可以看出，历年全国全要素生产率变化值基本稳定在1以上，仅2018年小幅度地低于1，说明历年来我国生产效率在不断增长,2012-2016年，全要素生产率主要受技术效率影响，两者的变化值起伏波动具有一致性。2016-2017年受到技术效率与技术进步效率两者综合效应，全要素生产率未有太大变化，2017-2018年，技术进步效率变化不大，因而主要受技术效率变化地影响，两者地变化值均呈下降趋势。

图3 2012-2018年分区域全要素生产率及其分解指标变化趋势

由图3（b）和（c）知，2012-2014年，南北地区地全要素生产率地变化值基本一致，均稳定在1-1.05之间，均实现生产效率的增长，2014年后，北方地区地全要素生产率明显高于南方，尤其是2014-2015年及其突出，北方地区地全要素生产率接近1.15，南方地区地全要素生产率仅接近1.1，究其原因在于，北方地区技术效率及技术进步效率变化值基本稳定在1以上，2014-2015年，技术进步效率变化值甚至接近1.1，同时技术效率变化值亦接近1.05，二南方地区历年来技术效率及技术进步效率变化值起伏波动剧烈，且不稳定，像2015=2016年技术进步效率变化值便在1之下，未实现有效增长，2016-2017年、2017-2018年，技术进步效率亦显著低于1，但总体上看，历年来南方及北方地区全要素生产率均能实现有效增长，全要素生产率变化之值均在1或1之上。

（三）区域科技创新效率影响因素分析

利用除西藏外30省（市、自治区）2012-2018年7年来9个指标共1890个数据进行Tobit面板数据回归（表4），分析全国省际科技创新效率及南北方地区科技创新效率影响因素。

表4 模型回归结果

注：***、**和*分别表示1%，5%和10%的显著性水平，（）内为自抽样标准误差。

总体来看，政府支持、对外贸易、地区经济、微观环境及产业结构的回归系数均通过1%的显著性水平检验，而劳动力素质的回归系数则通过10%水平的显著性检验，说明，政府支持、对外贸易、地区经济、微观环境、产业结构以及劳动力素质均对全国科技创新效率有显著影响。其中政府支持、地区经济、微观环境、产业结构以及劳动力素质均能有效地促进科技创新效率地提高，不管通过观察各相关变量的回归系数发现，地区经济地回归系数较小在10的-5次位，并没有想象的有强烈的促进作用，这可能因为中国经济已经高速发展到一定程度，经济规模的扩大往往带来投入的进一步扩大，但由于边际产量递减规律，不一定获的理想产出，因而目前地区经济与创新效率存在弱联系，回归系数较小，而对外贸易则对科技创新效率有一定的削减作用，说明在对外贸易过程中，由于发达国家的技术封锁，我国并没有太多的高技术流入，反而有一定的流出，证明了前述省际效率纵向比较所提出的当前对外贸易与地区经济与创新效率之间存在弱联系或负向联系的假设。

就南方地区各项影响因素的显著性水平来看，政府支持的回归系数通过1%的显著性水平检验，且系数为正，即财政支出中科学技术占比每增加1个百分点，南方地区科技创新效率会增加0.0671，体现了政府支持对我国南方地区科技创新效率的关键性作用。劳动力素质及产业结构亦通过5%的显著性水平的检验，且回归系数为正，说明高素质人才及非农产业比重即产业结构升级对促进南方地区创新效率的提高有直接作用。地区经济与南方地区创新效率的提高有着负向作用，进一步验证了边际产量递减规律。

政府支持、微观创新环境以及产业结构均会有助于北方科技创新效率的增长，且各回归系数至少通过10%的显著性水平检验，说明上述三个因素不仅能促进北方地区科技创新效率。而且效果显著。其中政府支持的回归系数为0.2291，即财政支出中科学技术占比每增加1个百分点，南方地区科技创新效率会增加0.2291，政府调控对于北方地区创新效率的提高比南方地区更加明显。与南方地区科技创新效率各影响因素相比，微观创新环境即城市化率对北方地区有显著影响，城市化率每增加1个百分点，科技创新效率值增加0.0539，而地区经济与北方地区科技创新效率亦有着负向关系。

四、研究结论与启示

基于2012-2018年全国各省有关数据，对中国各区域科技创新效率进行全面测算及影响因素分析，得出如下结论：第一、从各省之间的相互比较效率看，北京市历年来保持创新高效，但近年来有所下滑，而青海省近年来实现了创新效率的有效增长，河北、山西、内蒙古、辽宁、福建、河北、海南、云南、新疆历年创新效率较低，天津、吉林、黑龙江、上海、浙江、湖南、甘肃基本实现了创近有效，江苏、重庆地区创新效率有所下滑，其余省份创新效率则处于波动状态。而从各省历年来本身的比较效率来看，除江苏省外，全国各地区全要素生产率均实现了有效增长。

第二、从各区域之间的相互比较效率均值来看，南方区域科技创新效率整体低于北方地区，但呈波动性上升趋势，北方区域科技创新效率波动程度远大于南方，起伏剧烈，全国科技创新水平基本稳定在创新近有效区间内，效率值在在0.90-0.95两水平线之间波动，且2016-2018年创新效率整体实现增长，由0.9突破但0.95以上，且仍有小范围增长的趋势，意味着我国整体创新效率在不断提高。而从各区域历年来本身的比较效率来看，南方及北方地区全要素生产率均能实现有效增长，全要素生产率变化之值均在1或1之上，全国全要素生产率变化值基本稳定在1以上，亦表明我国生产效率在不断上升。

第三、从各区域科技创新效率影响因素来看，科学技术支出比重的增加、城市化率的提高以及非农产业比重的增加均会有助于北方科技创新效率的增长，另外政府支持增加以及产业结构升级亦有助于南方地区创新效率的增加，除此已外，高素质劳动力的增肌亦对南方地区的创新效率有明显促进作用，而从整体分析发现，政府支持、对外贸易、微观创新环境、产业结构以及劳动力素质均对全国科技创新效率有显著促进作用。因此在统筹全局的基础上，应该有效地推进产业结构升级，加大政府科技投入，不断培养高素质人才，形成良好的创新环境，因地制宜调节影响科技创新效率的主要因素，实现科技创新效率的稳步提高。