区域科技创新政策绩效比较研究——基于北京、上海、天津和重庆的实证研究

郄海拓，高 雅，张志娟

（1.中国科学技术信息研究所，北京 100038；2.北京工业大学经济与管理学院，北京 100124）

党的十九大报告中提出，“从2020年到2035年，在全面建成小康社会的基础上，再奋斗15年，基本实现社会主义现代化。到那时，我国经济实力、科技实力将大幅跃升，跻身创新型国家前列”[1]。城市建设是创新型国家建设的重要部分，因而城市创新发展研究极具必要性。在中国科学技术信息研究所发布的《国家创新型城市创新能力评价报告2019》中，提到78个创新型城市汇聚了全国78.5%的R&D经费投入和78.7%的地方财政科技投入，拥有全国85%以上的有效发明专利，成为建设创新型国家的关键节点[2]，国外学者Cooke[3]提出，相对于国家创新系统，区域创新在针对性发展优势产业方面更具优势，而且创新系统内部要素流动更便利[4]，因而研究区域创新更易得到客观准确和易于推广的结论。另外，有学者提出，知识和技术等要素具备可复制性特征[5]，并且要素对临近地区有一定溢出效应[6]，区域创新也存在一定空间溢出效应[7]，因而区域创新带动周边更大范围的创新是从区域创新推广到国家创新的有效路径，重视以城市为创新单元的“城市—国家”区域创新发展路径是提高城市乃至国家创新能力的重要途径。

城市创新建设以城市科技创新政策为指引，政策决定着城市创新建设的方向，因而基于区域实际的创新投入和产出情况来研究区域科技创新政策的绩效及其影响因素，有助于客观反映政策的真实效果，为城市创新建设路径的选择和区域科技创新政策立改废提供决策借鉴。以典型城市为样本研究区域科技创新政策的现状、绩效和改进路径，在理论和实践上都有很重要的意义。

本文利用DEA-Malmquist指数模型，以北京、上海、天津和重庆四个直辖市为例，从投入产出角度研究我国区域科技创新政策绩效的变动情况。选择这几个城市是因为相对于其他城市而言，直辖市政策的独立性更强，政策样本易于统计和区分，对附近城市的带动和知识技术的外溢效应更明显，同时这几个城市创新建设成果较优，对其他城市建设的参考意义更强。本研究以全要素生产率变动指数tfpch来衡量科技创新政策绩效，实现政策绩效变动相应指数的量化分析，并对变动原因予以分解，明确区域科技创新政策绩效变动程度、方向及其原因，在理论层面上深化了对区域科技创新政策的研究，从创新投入产出角度实现了政策绩效的客观量化，在实践层面上为城市创新建设相关工作的开展和政策决策者对区域科技创新政策进行立改废提供参考。

1 研究方法

在现有研究中，区域创新能力以创新主体的创新投入产出水平表现出来[8]，投入产出是测算绩效的有效方法，因而本研究也从投入产出角度来衡量区域创新的效果。刘凤朝等[9]研究发现，政府R&D投入对企业R&D投入有显著引致效应而后者又对技术进步有显著引致效应，因而以政府为起点引导R&D投入进而促成技术进步，最终影响经济和社会发展是城市发展的重要发展思路。刘会武等[10]认为应对由政策支持的创新活动进行效率、效果、效益等方面的评价。在创新投入变量的选择方面，R&D相关的经费、人力、全时当量等是常用变量[11,12]，在创新产出的变量选择方面，专利授权数是常用的衡量指标[13-18]。

政策数据的非结构化特征使得科技创新政策绩效评价成为政策研究的难点，以往研究中常用创新投入产出情况来衡量，如冯峰等[12]学者的研究以政策作用区域的投入产出情况测度政策绩效，这种方法在理论上具备较强合理性，在应用上方法的操作性和结论的可借鉴性较强，因而本文遵循投入产出思路进行科技创新政策绩效研究。DEAMalmquist指数模型法在研究全要素生产率变动方面具备很大优势，可直接凭借投入产出要素确定全要素生产率变动指数tfpch的变动情况，并且可以将变动原因进行分解，具体体现为技术进步指数techch、技术效率指数effch、纯技术效率变动指数pech与规模效率变动指数sech的取值情况，因此本文选取这种方法测度区域科技创新政策绩效。

DEA-Malmquist指数模型法是研究和测度同质决策单元的全要素生产率常用的定量方法[19]。Malmquist指数通过对目标决策单元在一个时间间隔内技术进步效率与技术效率的分析得到目标决策单元相对于经济效率动态的变动情况，其距离函数公式[20]如式（1）所示（符号结合本研究略有改动）：

(xt,yt)和(xt+1,yt+1)代表时间间隔t和t+1内的投入产出量，而Dt和Dt+1代表相应时间间隔的距离函数，且距离函数小于1。

Malmquist指数表示为式（2）：

Malmquist指数全要素生产率变动指数tfpch即决策单元在时间间隔t和t+1内生产效率变动情况，可分为技术进步指数techch和技术效率指数effch，取值为两者乘积[19，20]。

本研究采用DEAP2.1软件测算四个城市的全要素生产率变动指数tfpch及相应的技术进步指数techch、技术效率指数effch、纯技术效率变动指数pech和规模效率变动指数sech的具体数值并详细解释具体含义，以判定四个直辖市的科技创新政策绩效变化情况以及其原因。

对五个指标具体的含义与关系进行简要的介绍与说明：tfpch是全要素生产率变动指数，在本研究中代表的是特定城市科技创新政策绩效的变动情况，当tfpch值大于1，代表所考察时间区间内该城市的科技创新政策绩效提升，反之则代表该科技创新政策绩效下降。effch是技术效率指数，在研究中代表技术效率的变动情况，与tfpch的判定方法类似，当effch取值大于1，表示技术效率水平有所提升，反之则下降。techch是技术进步指数，在研究中代表技术进步的变动情况，当techch取值大于1，表示技术进步水平处于提升状态，反之则是下降状态。三个指数的关系是全要素生产率变动指数tfpch的数值是技术效率指数effch和技术进步指数techch的乘积，这个关系使Malmquist指数分解变得清晰，易于分解全要素生产率变动指数tfpch是由技术效率指数effch和技术进步指数techch怎样作用而产生的,以及具体的数值如何，在实证结果分析部分将进一步说明。与上述三个指数的关系类似，技术效率指数effch是由纯技术效率变动指数pech和规模效率变动指数sech的乘积[19，20]得到的。纯技术效率变动指数pech代表的是纯技术效率的变动情况，依然是取值大于1代表纯技术效率提升，反之纯技术效率降低。类似的，规模效率变动指数sech代表的是规模效率的变动情况，取值大于1代表规模效率提升，反之下降。为更加直观地体现五个指标间的关系，以Malmquist指数分解图进行展示，如图1所示。

图1 Malmquist指数分解图

2 实证研究

研究先统计了四个直辖市的区域科技创新政策情况，选取北大法宝数据库对区域科技创新政策数据进行统计。现有很多政策相关研究的政策样本均来源于北大法宝数据库[21-25]，因而本文选择北大法宝作为政策样本的来源较为合理。考虑到滞后期的影响，时间选择2011—2019年，分别对四个直辖市和中央以“科技创新”为筛选条件进行筛选，结果如表1和图2所示。

从数量走势来看，中央和直辖市总体的科技创新政策发布趋势相同，如2014年中央发布的科技创新政策最少，直辖市总体也在2014年发布较少的区域科技创新政策，说明区域政策是以中央发布的政策为指引的，而2015—2018年则是科技创新政策数量较多的四年。从政策数量的统计结果来看，虽然有些城市存在一定的滞后，但总体来说区域科技创政策的制定与中央科技创新政策有很强的相关性，因而中央能够依靠科技创新政策来引导区域科技创新政策的制定与实施，进而影响区域创新活动，国家要充分利用政策的这一引导作用。从城市来看，上海科技创新政策数量最多，随后是北京、重庆，最后是天津。

2.1 变量选择

研究中选取了两类变量，即投入变量和产出变量。为充分考虑各类创新活动及相关支持，本研究选择与研发相关的变量和地方公共财政支出中科学技术支出的部分作为政策投入变量，即（1）规模以上工业企业：R&D经费（万元）；（2）规模以上工业企业：R&D项目数（项）；（3）规模以上工业企业：R&D人员全时当量（人年）；（4）当年地方公共财政支出：科学技术（万元）共四个变量作为投入变量，并将投入变量提前一期处理。产出变量采用专利授权数（项）来衡量。专利授权数和专利申请数均为衡量创新产出最常用的变量，但是相对于专利申请数，专利授权数能更加直观地体现创新产出的“结果”，因而本文选择专利授权数作为衡量创新产出的变量，变量汇总表如表2所示。

表1 2011—2019年北大法宝科技创新政策数量统计表（单位：项）

图2 2011—2019年北大法宝科技创新政策数量统计图

2.2 数据来源

本研究选取2012—2019年北京、上海、天津和重庆四个直辖市的创新投入产出数据作为样本数据（投入变量提前一期处理），对科技创新政策绩效进行比较研究，相关数据来源于wind数据库，数据取自然对数处理。

表2 变量汇总表

2.3 实证结果分析

表3 ～表6和图3 ～图6分别是四个直辖市的科技创新政策绩效Malmquist指数及其分解情况的汇总表与示意图。2012年是基年，因而指数结果从2013年开始。

表3和图3是北京市科技创新政策绩效的Malmquist指数结果。

图3比表3更加直观，可以看到全要素生产率变动指数tfpch在2013—2019年出现了波动，其中在2014年降到最低，对应表3可以看出2014年的tfpch值为0.927，而技术进步指数techch的走势与tfpch走势相似性较高，可以初步判断全要素生产率变动主要源于技术进步指数的变动，而表3中的数值也印证了这一判断。结合表3与图3发现，技术效率指数effch与规模效率变动指数sech重合，且纯技术效率变动指数pech值始终为1，因而纯技术效率保持不变，技术效率指数effch的波动主要源于规模效率的变动，在2015—2017有下降，其他年份均有所提升。因而可以判断，北京市科技创新政策绩效虽有所波动，但总体来说提升多于下降（提升五年，下降两年），且2013、2017、2018的绩效提升程度较高，绩效变动主要源于技术进步指数techch的变动，而技术效率指数effch的变动主要源于规模效率变动指数sech。

表3 2013—2019年北京市科技创新政策绩效Malmquist指数与分解情况表

图3 2013—2019年北京市科技创新政策绩效Malmquist指数与分解情况图

随后分析上海市科技创新政策绩效的情况（见表4和图4），同样可以看到，全要素生产率变动指数tfpch在2013—2019年出现了波动，并于2014年降到最低，与北京类似，而技术进步指数techch的走势与tfpch高度相关，因而全要素生产率变动主要源于技术进步指数techch的变动。另外三个指数相对比较平稳，略有起伏。2018年全要素生产率变动指数tfpch为1.048，说明当年上海市科技创新政策绩效有所提升，而提升主要源自技术效率指数effch的贡献，少部分来自技术进步指数techch的贡献；而技术效率指数effch的提升主要源于规模效率变动指数sech的提升。

再分析天津市科技创新政策绩效的情况（见表5和图5），同样可以看到，全要素生产率变动指数tfpch在2013—2019年和技术进步指数techch保持很高程度的相关走势，并于2014年达到最低点。总体来看，天津市科技创新政策绩效提升多于下降，2017年科技创新政策绩效提升程度最大，且主要源于技术进步指数techch的提升，同时技术效率指数effch也对政策绩效的提升有所贡献，而其变动主要源自规模效率变动指数sech，少部分源自纯技术效率变动指数pech的贡献。

最后分析重庆市的情况（见表6和图6），可以看到全要素生产率变动指数tfpch与技术进步指数techch在2013—2019年出现了几乎完全一致的波动，仅在2019年存在极小差异，这说明重庆市科技创新政策绩效主要受到技术进步指数techch的影响，全要素生产率变动指数tfpch同样在2014年达到最低值。重庆的结果与上述三个城市差异很大，从另外三个指标来看，只有最后一年有小幅下降，其他时间均保持不变。2019年除技术进步指数techch外的指数均有所降低，共同导致了科技创新政策绩效的下降。总体来看，重庆市科技创新政策绩效提升多于下降，绩效波动主要源于技术进步指数techch，其他指数高度稳定。

表4 2013—2019年上海市科技创新政策绩效Malmquist指数与分解情况表

图4 2013—2019年上海市科技创新政策绩效Malmquist指数与分解情况图

表5 2013—2019年天津市科技创新政策绩效Malmquist指数与分解情况表

图5 2013—2019年天津市科技创新政策绩效Malmquist指数与分解情况图

表7是2013—2019年分年度四个直辖市科技创新政策绩效Malmquist指数与分解情况，对应图7，从全样本来看，七个时间区间内有四个科技创新政策绩效提升，两个下降，一个保持不变。全要素生产率变动指数tfpch走势与技术进步指数techch高度相关，说明以北京、上海、天津和重庆为例，区域科技创新政策绩效主要受技术进步指数的影响，另外三项指数的变动程度较低。从表7均值行的结果可见，纯技术效率变动指数pech导致技术效率指数effch小幅下降并最终使得科技创新政策绩效出现小幅降低，政策效果总体不佳。而从年度tfpch来看，主要原因是2014和2016年技术进步指数techch锐降导致全要素生产率tfpch的大幅降低，说明这两个年份技术进步水平提升不利。从总体趋势来看，不论政策绩效提升还是下降，其主要原因都是技术进步水平的变化，可见保持技术持续进步的重要性。

表6 2013—2019年重庆市科技创新政策绩效Malmquist指数与分解情况表

图6 2013—2019年重庆市科技创新政策绩效Malmquist指数与分解情况图

表7 2013—2019年分年度四个直辖市科技创新政策绩效Malmquist指数与分解情况表

图7 2013—2019年分年度四个直辖市科技创新政策绩效Malmquist指数与分解情况图

接下来以全样本分城市对Malmquist指数进行分解（见表8和图8），从全要素生产率变动指数tfpch来看，只有北京处于提升状态，说明在一期滞后的前提下北京的科技创新政策已有一定效果，且原因主要是规模效率变动指数sech的提升。上海、天津和重庆科技创新政策绩效均有小幅降低。均值和表7相同，因而不再赘述，接下来在城市间进行对比分析。

从全要素生产率变动指数tfpch看，北京的科技创新政策绩效有所提升，上海、天津和重庆均出现小幅下降。北京政策绩效提升原因是技术效率指数effch和技术进步指数techch均有所提升，前者的提升是主要原因，而其提升又是源自于规模效率变动指数sech的提升。上海市政策绩效的小幅降低源于纯技术效率变动指数pech和规模效率变动指数sech的下降，天津科技创新政策绩效的降低则是由于技术进步指数techch和规模效率变动指数sech的下降，而重庆则是各指标均有下降，并以纯技术效率变动指数pech下降程度最大。

3 研究结论与启示

本文基于北京、上海、天津和重庆四个直辖市的数据，采用DEA-Malmquist指数模型，运用DEAP 2.1软件测算研究科技创新政策绩效的变动情况。

表8 2013—2019年分城市四个直辖市科技创新政策绩效Malmquist指数与分解情况表

图8 2013—2019年分城市四个直辖市科技创新政策绩效Malmquist指数与分解情况图

研究结果显示，在一期滞后的前提下，科技创新政策绩效总体提升效果不显著，除北京小幅提升外，上海、天津和重庆均有小幅降低。但这并不代表这三个城市科技创新政策无效，而可能是源于不同的滞后效应，这也为本研究提供了更广阔的研究思路，即选择不同滞后期进行政策绩效的测算会出现何种结果，每个城市最优的滞后期又是多少，反应了城市的何种特点，这些都是下一步研究的方向。

从本研究来看，总体来说除城市分类有小幅差异外，全要素生产率变动指数tfpch走势与技术进步指数techch相关性最高，说明我国城市的科技创新政策绩效变动主要源于技术进步相关因素，要进一步提升政策绩效，需从技术进步相关要素方面改进，例如从政策角度支持充足的研发经费投入、引进高水平技术人才、搭建技术开发和交流的平台、打通国内外技术交流通道，最终提升技术水平。另外，北京市是四个调研样本中唯一的科技创新政策绩效有所提升的直辖市，其原因是技术进步指数techch以及规模效率变动指数sech的提升，如技术水平提升、创新激励机制的不断健全，资源的合理配置等。而上海、天津和重庆的政策绩效均有小幅降低，政策效果不佳，原因在上述结果中有过简要说明，此处不赘述。

另外从表1和图2来看，中央政策对区域政策有很强的引导作用，国家政策决策应充分考虑这一特点，制定合理强度的政策，区域也应结合实际情况和中央的政策引导倾向，充分发挥政策对区域创新的引导作用。

由于篇幅所限，仅从年度全要素生产率变动指数tfpch结果来分析年度科技创新政策绩效变化情况。从分年度的结果来看（见表7和图7），政策绩效在2014年达到了波动的最低点，对比图1可以发现，2014年也是科技创新政策数量最少的一年，因而这一年政策绩效低的原因很可能是受制于政策数量，城市创新建设工作来自政策的激励、指引和支持不足。另一方面，2013年科技创新政策绩效变动指数tfpch为1.036，同样是较高水平，为2014年政策绩效的变动设定了较高的基准水平，因而2014年政策绩效提升较难。随后的2015年科技创新政策绩效提升明显，一方面源于当年政策数量的明显提升，另一方面也是由于2014年政策绩效偏低，政策支持相对不足，2015年的政策支持起到了“及时雨”的作用，促使政策绩效显著提升。而次低点出现在2016年，当年政策数量最大，但仍出现了政策绩效的低点，原因可能是2015年政策绩效的显著提升限制了2016年政策绩效进一步提升的程度，因而出现显著降低。虽然2014和2016年政策绩效都出现了低点，但原因却不尽相同，在政策立改废决策时要充分分析这些原因，避免主观归因。2017年科技创新政策绩效达到顶点，其原因一方面可能是政策数量较大，为城市创新建设提供了充足的支持；另一方面是2016年政策绩效已经达到了最低点，在此基础上提升政策绩效相对更容易。从结果来看，应客观评价和分析区域科技创新政策的变动情况，而不能单一依结果判断政策绩效变动的“优劣”，还要充分考虑前后年份的具体情况才能更为客观地分析政策变动的原因及合理性，并据此做出政策立改废决策。

研究对于我国的城市建设有一定借鉴意义，也为现有城市建设改进方案设计和区域科技创新政策立改废提供了可操作的方法和清晰的思路。