安徽省科技创新效率评价及对策研究——基于DEA-Tobit模型

荀守奎，程若静，兰国辉，李珑莹，张梅芳

(安徽理工大学 a.经济与管理学院;b.金融科技研究所，安徽 淮南 232001)

一、文献综述

2019年制定的《长江三角洲区域一体化发展规划纲要》将长三角地区定义为我国又一个高发展、高开放、高创新的地区，明确其在我国经济社会发展建设过程中有着战略性的地位。而安徽省作为长三角地区的重要一环，始终立足创新优势，坚持科创兴皖。安徽省不仅提出要构建长三角地区科技创新共同体，还承担起了带领三省一市编制科技创新共同体规划的重任，旨在全力将长三角区域建设成为全国的创新发展先行地区，并希望以此促进国家的全面综合发展。可见，安徽省科技创新在长三角地区乃至全国范围内的作用与地位越来越突出。因此，很有必要对安徽省科技创新问题展开研究。

目前，有关科技创新效率评价的研究有很多。比如陈振等人(2018)运用DEA法测算了2015年河南省各地市的农业科技创新效率[1]；Lin Shoufu等人(2019)采用DEA法对2006—2015年我国七类工业企业的技术创新效率进行了评价[2]；康旺霖等人(2020)运用DEA法对我国2006—2015年海洋科技创新总体效率、科研效率、技术转化效率及教育效率进行了测度[3]；陈娜等人(2020)将DEA法与SFA法相结合，对我国西部地区高技术产业的创新效率进行评价，并对其影响展开研究[4]；张峰等人(2020)利用SFA法，对2008—2017年全国内地28省市的高技术产业绿色技术创新效率进行了测度[5]；魏厦(2019)利用PCA法对2016年全国各省科技创新竞争力进行测算，再基于此对河北省科技竞争力展开深入研究[6]。

此外，刘钒等人(2017)将PCA法、DEA法和回归分析中的Tobit模型相结合构建组合模型，对2004—2015年全国和长江经济带科技创新效率进行测度及影响因素分析[7]；张璇等人(2018)运用DEA-Tobit模型测算了中国30个省份2004至2014年多种类型的环保投资效率，并深入探讨了财政分权对环保投资效率的影响[8]；田红宇等人(2019)基于政府与市场耦合角度，运用DEA-Tobit模型对1997—2016年中国各省份的科技创新效率进行测度及影响因素分析[9]；王义新等人(2019)同样运用该模型对中国36个工业细分行业的科技创新效率展开研究，发现不同行业科技创新效率差距显著，且并非科技创新投入越多效率越高，关键在于投入与行业特点要匹配[10]。

综合上述文献研究发现，从研究方法来看，主要包括数据包络分析法(简称DEA法)、随机前沿分析法(简称SFA法)、主成分分析法(简称PCA法)、DEA-Tobit模型(将DEA模型与Tobit模型相结合)，并且最后一种方法可以对科技创新效率问题进行更全面、深入的研究。从研究对象来看，大多是对中国各省不同领域的科技创新效率值进行测算及对比，仅以安徽省为研究对象，并对其科技创新效率和影响因素同时进行研究的文献较少。因此，采用DEA-Tobit模型对安徽省科技创新效率及其影响因素进行分析，并基于此提出客观且具有针对性的对策建议，为提高安徽省科技创新效率提供借鉴意义。

二、安徽省科技创新效率评价实证分析

(一)指标体系的构建及指标的选取

1.指标体系的构建

虽然有关区域科技创新效率的研究众多，但迄今为止并没有一套固定的评价指标体系。基于区域科技创新相关理论，借鉴前人研究的成果，根据系统性、动态性、有效性和数据可得性原则，对安徽省科技创新效率评价指标体系进行选取及优化。将科技创新活动分为研发和成果转化两个阶段，并且分别从投入和产出两方面选取指标。由于劳动力和资金是投入产出系统中两大最基本的投入要素，因此，主要基于这两大要素选取投入指标。产出指标基于科技创新成果数量和科技创新带来的经济效益进行选取。最终构建的安徽省科技创新效率评价指标体系包括4个一级指标(2个投入指标和2个产出指标)，13个二级指标(见表1)。

2.指标的选取

以安徽省及其16个地市作为研究对象，根据《安徽省统计年鉴2018—2019》和《安徽省科技统计年鉴2018—2019》，结合上述科技创新效率评价指标体系，选取安徽省及其16个地市的相关数据。但考虑到科技创新活动具有一定的时滞性，因此决定投入指标选取2017年的数据，产出指标选取2018年的数据。

3.研究方法

数据包络分析法(Data Envelopment Analysis,DEA)是一种用来测量决策单元生产效率的方法，具有以下优势：①适用投入、产出变量都包含多个指标的模型效率评价问题；②投入、产出值的量纲选取对效率值不会产生影响，无须对数据进行无量纲化处理；③模型可以通过实际数据求得最优权重，无须提前设立权重，避免许多主观因素影响；④模型假定各种投入和产出变量之间确实存在某种联系，但不需要给出明确的函数表达式，有效简化了整个模型，并且使结果更客观。 文章采用DEA-BCC模型对安徽省科技创新效率进行评价。

表1 科技创新效率评价指标体系

DEA-BCC模型基本形式：

(二)实证分析

运用DEAP2.1软件对2018年安徽省各个市的科技创新效率进行测算并对其结果进行分析(见表2和图1)。

(三)结论

通过上述研究可以看出，2018年安徽省及其16个地市的科技创新活动大多属于高研发—高转化或者高研发—低转化状态，科技创新研发效率平均在0.96左右，科技创新成果转化效率平均在0.77左右，说明安徽省科技创新总体效率较好。

具体来看：(1)安徽省科技创新研发效率较高，全省总体和12个地市的科技创新研发活动都达到效率最佳状态，只有4个地市没有达到效率最佳状态，但综合效率值都在0.78及以上。这说明安徽省近年来加大科技研发投入力度、完善科技平台建设等措施成效显著。(2)安徽省科技创新成果转化效率不强，只有6个地市科技成果转化达到了效率最佳状态，其余10个地市效率值并不高，其中淮南市的科技成果转化综合效率值只有0.138。这说明安徽省科技成果转化方面具有很大的提升空间。因此，安徽省需要不断加大力度促进科技创新成果的转化。

表2 2018年安徽省及其16个地市科技创新投入、产出效率结果

图1 安徽省及其16个地市两阶段创新效率矩阵

三、安徽省科技创新效率影响因素实证分析

(一)选取指标

从投入角度对科技创新效率的影响因素进行研究，分别选取安徽省科技创新研发阶段和成果转化阶段的各投入变量作为解释变量，选取DEA评价结果的综合技术效率作为被解释变量。

(二)提出假设

针对模型，提出相关假设(见表3)。

(三)构建模型

采用Tobit模型对安徽省科技创新效率的影响因素进行分析。主要是因为经过DEA分析得到的效率值具有截断性，即值均在0到1之间，此时如果用普通的最小二乘法进行回归分析，会出现偏差或估计量不一致的现象，而运用Tobit模型进行分析，可以有效避免上述问题。

表3 回归分析的基本假设

Tobit模型最初是James Tobin在分析家庭耐用品的支出情况时提出的一种计量经济学模型，它的标准回归模型如下：

(1)

y*=yi,若y*>0

(2)

y*=0,若y*≤0

(3)

基于上述指标体系，建立安徽省科技创新效率影响因素分析的Tobit回归模型如下。

科技创新研发阶段：

Y1=β0+β1X1+β2X2+β3X3+β4X4+β5X5+ε

(4)

科技成果转化阶段：

Y2=β0+β6X6+β7X7+β8X8+β9X9+ε

(5)

Y1和Y2分别为两个阶段的综合技术效率，X1至X9分别为两个阶段的投入指标，ε为误差项，β0为常数项。

(四)回归分析

首先对科技创新研发阶段和科技成果转化阶段的投入指标数据运用归一法进行无量纲化处理，再运用Stata15软件对安徽省科技创新研发和科技成果转化两个阶段进行回归分析。根据回归分析结果(见表4)，可以得到如下模型。

科技创新研发阶段：

Y1=1.43+14.14X1-4.25X2+11.97X3-
2.72X4-5.32X5

(4)

科技成果转化阶段：

Y2=0.95-0.91X6+3.35X7-3.35X8+0.27X9

(5)

(五)结论

科技创新研发阶段：R&D人员折合全时当量(X1)、仪器设备购买费用(X3)与科技创新研发效率成正比，说明R&D人员折合全时当量和仪器设备购买费用的投入增多，可以使得科技创新研发的效率提高，这表明假设H1、H3成立；R&D经费内部支出(X2)、技术购买及引进费用(X4)、R&D研发机构数(X5)与科技创新研发效率成反比，即随着R&D经费内部支出、技术购买及引进费用和R&D研发机构数的投入增多，科技创新研发效率反而下降，这表明假设H2、H4、H5不成立，说明这些指标存在投入冗余现象，可能是因为经费投入主体单一使得经费没有得到充分合理应用、安徽省科研人员水平较低无法有效使用购买和引进的技术、研发机构管理体制不合理等。

表4 Tobit模型实证分析结果

科技成果转化阶段：专利申请数(X7)、出版科技著作(X9)与科技成果转化成正比，即专利申请数、出版科技著作投入增多，科技成果转化效率提高,这表明假设H7、H9成立；技术吸收及改造费用(X6)、发表科技论文数(X8)与科技成果转化成反比，即随着技术吸收及改造费用和发表科技论文数增多，科技成果转化效率反而降低，这表明假设H6、H8不成立，说明技术吸收和改造费用运用不合理，论文数量过多质量却不高，难以转化为实际生产、生活所使用。

综合上述分析结论，本文接下来将对安徽省科技创新效率稳定增长的制约因素进行深入剖析，并提出针对性的对策建议，为提高安徽省科技创新成果转化以及整体科技创新效率提供借鉴。

四、制约因素与对策建议

(一)制约因素

1.科研成果转化能力较低

安徽省近年来不断加大科技创新投入，科技创新平台建设成效显著，大多地区科技创新研发活动已经达到效率最佳状态，但是其科技成果转化效率并不高，效率值仅有0.57。这可能是因为安徽省近年来投入建设的研发平台多是从事基础研究、理论研究的高校和科研院所，这些机构大多将论文专著或科研项目作为研究成果的主要判断标准，没有充分重视科研成果的产业化、市场化，并且这些科研机构的研究很少与企业研发、生产活动相结合，最终导致安徽省科技创新成果转化能力不强。

2.科技创新人才结构不合理

研究发现，相对于其他因素而言，R&D人员数量对科技创新效率有很强的正面影响，可见创新型人才是科技创新发展的一大关键要素。虽然安徽省科研人员的数量越来越多，但是，高水平人才增长趋势缓慢，占比仍较低，导致科技创新缺乏人才动力。因此，人才结构不合理可能是安徽省科技创新研发效率高但科技成果转化效率低的一大原因。

3.科技投入主体单一

研究发现，安徽省R&D经费内部支出与科技创新存在负相关关系，这与“投入越大产出越大”的一般规律不同。可能是因为安徽省科技发展的经费来源主要是国家和地方政府的财政拨款，企业和社会资金都没有被充分地吸纳，导致安徽省科技创新投入主体单一、结构不合理，最终资金没有得到有效利用。

4.区域间科技创新效率差距较大

安徽省各地市的科技创新效率分布不均，有些地市科技创新研发和科技成果转化效率已经达到最佳状态，比如淮北、芜湖、宣城、铜陵、池州。但是大部分地市的科技创新效率一般，少部分地市科技创新效率很低，比如淮南市科技成果转化效率仅有0.138。此外，合肥作为安徽省省会城市，其科技创新投入最多，但科技成果转化效率并不高，投入冗余现象严重。因此，安徽省还需要重点关注科技创新投入在区域间的统筹协调问题。

(二)对策建议

1.不断提高科技成果转化效率

安徽省科技创新能力不强的一大障碍就是科技成果转化效率不高，因此，科技成果转化问题亟待解决。首先，继续完善科技创新基地的建设，为科技成果转化提供支撑平台。其次，不断调整优化相关的法律制度，明确科技成果的评判标准、处置权力，以及收益分配等问题，激发科研机构、企业等主体进行科技成果转化的动力，促进科研机构研发活动和企业研发生产活动相结合，进而有效推动科技研发成果的转化。

2.构建完善的创新型人才培养体系

任何活动的主体是人，最关键的影响因素和根本的动力是高层次的人才。科技创新活动也不例外，其关键在于创新型人才的培养。首先，安徽省应继续完善重点高校和科研机构的建设，为科技创新提供一个良好的人才基础；其次，加大对学生创新意识的培养，在提高专业技能的基础上，培养实践能力、思维发散能力等；最后，制定合理的选拔机制、激励机制、晋升机制、培训机制等，在留住内部高水平人才的同时，不断引进外部创新型人才，建立完善的创新型人才培养体系。

3.不断建立多元化科技资金投入体系

安徽省应当坚持由政府引导投资方向并投入财政支持资金，在此基础之上，大力吸引外商投资和社会投资作为科技资金投入的主要来源。同时，不断加大创新经费的投入，优化经费投入结构，为科技创新提供良好的资金条件；不断探索不同主体共同出资和运营管理的组织新机制。例如，中央与地方共同出资、不同区域政府共同出资、政府与企业共同出资等多种出资模式、出资比例和运营管理的组织新机制。

4.加强区域间科技创新能力的协调统筹发展

根据各地市科技创新发展现状以及自身特点，给予不同的科技创新发展定位，并实施相应的措施，以增强其科技创新效率，进而提高安徽省整体科技创新发展能力。对于科技创新效率较高的地市，如芜湖市，应该继续执行以往的政策，持续加大投入；对于科技创新效率不足且科技创新投入规模报酬递增的地市，比如淮南市，应该不断加大投入，激发其科技创新潜在的效能；对于科技创新效率不强但科技创新投入呈规模报酬递减的地市，比如合肥市，应该及时对其科技创新发展模式进行调整，尤其要注重对这些地区投入结构和规模进行调整，避免盲目投入，造成资源浪费。