中国省际区域创新效率差异分析

高 祯

（齐鲁工业大学，山东 济南250301）

一、引言

创新能够促进经济发展，怎样在有限的创新投入中获得更多的创新产出，对于经济体而言是一个重要的问题。而创新效率能够有效衡量创新投入与创新产出之间的关系，衡量创新资源的利用效率。创新效率是测算技术创新推动经济发展的桥梁，许多文献得出了创新效率的提升能够促进经济发展的结论。

研究我国的创新效率变化能够为促进区域平衡发展提供一个参考思路。原因在于：第一，政府非常支持通过创新推动经济发展，并且近几年创新成果的数量和质量也在逐步提升。2008年金融危机后，中国依靠投资拉动的、粗放的经济增长方式难以为继，最直接的表现就是GDP增长率从2012年开始逐年下降，经济结构也发生了大幅变化。中国政府增加了科研、教育等与创新相关领域的投入以鼓励创新，包括提供财政补贴、提出优惠税收政策等措施。第二，我国国土面积广大，经济发展差距非常明显，人均GDP最高省份的数值是最低省份的5倍。东、中、西部各区域间经济增长不平衡的问题依然较为突出。区域间技术进步和创新能力为何会存在差距?除了存在地理空间和基础条件差异等成因，论文认为还有一个重要的原因是区域创新效率存在差异。

创新效率的研究既包括行业层面也包括区域层面，研究内容主要涉及创新效率的测度以及相关的影响因素。通过对创新效率及相关的影响因素进行测算，能够发现促进或阻碍创新效率提升的原因并进行改进。Bai等（2013）运用随机前沿分析（SFA）方法测算了中国的创新效率，发现东部地区的创新效率高于西部地区。余泳泽和刘大勇（2013）运用DEA模型研究创新价值链各阶段的创新效率以及创新效率的空间外溢效应和价值链外溢效应。陈德球等（2016）、胡元木和纪端（2017）分别研究了政治关联、高管特质等不同因素对创新效率的影响。Jaeho等（2018）发现创新目标的可持续性能够对创新效率产生影响。

综上研究，论文基于中国30个省（市、自治区）2009～2018年的面板数据，运用随机前沿分析模型计算区域创新效率及政府补贴、开放经济、产权保护对创新效率的影响，并将我国分为三大地区，研究创新效率的区域差异。论文将从区域创新效率增长的角度尝试回答下述问题：中国区域创新效率分布如何?现阶段区域创新效率提升的阻碍是什么?中国各地区间的创新效率是否存在差异性?这些问题成为区域经济发展不可回避的问题，对减小区域间发展差距具有十分重要的意义。

二、理论基础

论文采用适用于面板数据的随机前沿分析模型，研究中国各省（市、自治区）创新效率的增长以及其影响因素。采用Battese和Coelli（1995）提出的应用面板数据的随机前沿生产模型，原因在于该模型允许放松用于区分无效性和随机噪声所需的若干强假设分布，也能够研究技术效率的时变问题。

模型用以下方程来描述：

其中，

y

表示地区

i

在

t

时期的产出，

f

表示生产函数，

x

表示地区

i

在

t

时期的投入，

v

表示随机扰动项，表示无效率项，服从截断正态分布

u

=

u

exp[-

η

（

t

-

T

）]，其中

η

表示时间对无效率项

u

的影响，

η

＞0、

η

=0和

η

＜0分别表示创新效率-

u

随时间增加、无变化和降低。

v

和

u

相互独立。

创新效率是预期产出和实际产出之比：

当

u

=0，TE

=1时，达到生产前沿；当

u

＞0，TE

＜1时，存在无效率项，出现效率损失。在运用随机前沿模型的研究中，为找出各单元存在效率差异的原因，传统方法是采用两个步骤分析外生变量对效率的影响：先通过随机前沿模型估计单元效率值，然后以效率值为因变量对相关因素进行回归，但这两步骤对无效率项的假设不一致，得出的结果存在偏差。而Battese和Coelli（1995）提出的模型则解决了这一问题，模型增加了配置效率分析、去除利润最大化的一阶条件并适用于面板数据。模型延续了Battese和Corra（1977）的参数化方法，设定和取值0～1，当

γ

=0时，表示不存在无效率，此时不需要使用SFA方法，可以改用OLS方法进行估计。

该模型引入效率函数来具体分析影响效率的因素：

其中，

z

表示引起创新无效率的因素，

δ

为常数项，

δ

表示影响因素的系数，

δ

＜0表示该影响因素对创新效率存在正向影响，反之，则存在负向影响，

w

为随机误差项。

在经过统计检验后，论文决定采取Translog函数作为生产函数模型，设定如下：

三、数据及变量

（一）投入与产出变量

论文的投入变量为研发资金投入（K）和研发人员投入（L）。由于创新是一个持续性的过程，该过程往往能持续几个月甚至几年，因此研发投资对创新活动存在持续的影响，当年的投资能够对其后一段时间内的新成果产生影响，因此论文采用研发资本存量来衡量研发投资对技术创新的持续性影响。研发资本存量（K）采用资本盘存法，基期资本存量参照Goto和Suzuki（1989）的做法。研发投资中的研发人员劳务费与研发人员投入存在重复计算问题，因此在研发资本计算中减去了这一部分。研发资本支出在刨除劳务费后，主要用于购买原材料以及固定资产，因此R&D支出价格指数设定为消费物价指数和固定资产投资价格指数的加权平均值，消费价格指数权重0.55，固定资产投资价格指数权重0.45。研发人员投入（L）用科研人员每年全时当量衡量，具体表示为R&D全职人员数与非全时人员按实际工作时间折算的人数之和。创新产出（Y）用专利申请数衡量。

经过计算，经济发展水平与创新投入和产出变量之间都存在正相关关系，经济发达地区的研发投入与产出均多于经济欠发达地区。东部地区的人均GDP、人均研发资本以及创新产出均大幅度高于中西部地区，且极值差距大，分布较为分散；中西部地区间人均GDP基本持平，但中部地区人均研发资本略高于西部地区，分布较为集中。研发投入和创新产出的区域分布大致呈“东—中—西”三阶梯形式。

（二）影响因素

区域创新环境对创新效率存在重要影响，论文选取以下影响因素。

政府一直通过财政补贴、奖金、税收减免政策等直接或间接的措施对创新活动进行扶持，且地区经济发展差异也是政府提供扶持计划的评价因素之一，但财政政策的实践成果难以通过数据衡量，因此论文选取政府资金占区域创新投资的比重来衡量政府对区域创新活动的扶持程度（gov）；地区对外的经济交流能够影响创新要素如知识、信息、资金和研发人员等的获取和流动，开放经济（open）用每年区域实际使用的外资金额测度；技术引进力度（import），技术引进并消化吸收是创新能力低下的地区提高技术水平和能力的重要途径，因此该变量对创新效率存在重要影响，文章以地区购买区域外技术年交易额衡量。

另选取以下控制变量：地区经济发展水平（gdp）用人均GDP衡量，地区劳动力素质（labor）用接受大学或高等职业教育人数占劳动力比重测量，基础设施建设水平（inf）使用邮政和电信业务总收入占GDP比重来衡量，邮电业务的繁荣能够衡量当地通讯、交通等设施的建设水平。结合以上变量得出的效率函数如下：

数据来自中国国家统计局发布的《中国统计年鉴》《中国科技统计年鉴》《中国人口统计年鉴》，选取年限2009～2018年。数据自2009年开始，是因为2008年金融危机后，政府投资、外国投资、信息技术产业发展等变量较之前发生较大变化对回归结果产生较大影响，创新效率的分布差异及演化趋势将与过去产生较大不同。论文按照中国国家统计局的区域划分方法，同时考虑地理特征、经济发展水平等相关指标，并参考先前学者的研究成果，将中国划分为东部、中部和西部地区，数据严重缺失的西藏、香港、澳门和台湾予以剔除。所有数据均取自然对数处理。数据描述性统计和相关性检验见表1和表2。

表1 相关性检验结果

变量 Y K L gov open import gdp edu K 0.519*** 1 - - - - - -L 0.345*** 0.546*** 1 - - - - -gov -0.214***-0.154***-0.261*** 1 - - - -open 0.387*** 0.651*** 0.577***-0.376*** 1 - - -

表2 描述性统计

变量 样本量 均值 标准差 最小值 最大值Y 300 53065533 172700000 85658.703 2843000000 K 300 10856411 12104080 124305.52 63190436 L 300 122783.19 202699.82 4007.7 2863520 gov 300 0.244 0.137 0.069 0.608 open 300 830557.320 767364.6 1495 3579091 import 300 2453761.3 3101725.5 65650.781 22471516 gdp 300 30413.419 15139.719 1138.863 94691.672 edu 300 0.167 0.097 0.032 0.581 inf 300 1608362.2 3448745.2 24000 32157500

续表

注：＜0.05，＜0.01，＜0.001。

变量 Y K L gov open import gdp edu import 0.402*** 0.536*** 0.442*** 0.062 0.540*** 1 - -gdp 0.230*** 0.617*** 0.344*** -0.046 0.556*** 0.560*** 1 -edu 0.133** 0.530*** 0.194*** 0.236*** 0.295*** 0.568*** 0.635*** 1 inf 0.422*** 0.660*** 0.472***-0.246***0.498*** 0.608*** 0.322*** 0.262***

四、实证结果及分析

论文使用Frontier4.1软件进行参数估计。

为说明模型选择的合理性，进行了模型的假设检验，检验结果见表3。所有假设都通过广义似然比（LR）检验方法进行验证，统计量近似服从混合卡方分布。假设1通过

γ

的显著性对技术无效率的存在进行检验，检验结果拒绝原假设，说明技术无效率存在，随机前沿模型是合适的。假设2则是就D-G函数和Translog函数的适用性进行检验，结果显示原假设被拒绝，则Translog函数更加合适。假设3和假设4分别对模型是否存在技术变化以及技术变化是否为希克斯中性进行检验，结果显示模型存在技术变化，且表现出技术变化为非希克斯中性的特点。模型1～4是加入影响因素后，随机前沿模型计算出的创新效率结果（表4）。

表3 模型适用性检验

假设 LR 自由度 临界值 结果1.H0：γ=0 243.765 3 7.05 rejected 2.H0：β3=β4=β5=β7=β8=β9=0 81.779 3 7.05 rejected 3.H0：β6=0 26.694 3 7.05 rejected 4.H0：β8=β9=0 18.578 3 7.05 rejected

续表

注：括号内为检验统计量，＜0.05，＜0.01，＜0.001。

全国（model1）东部（model2）中部（model3） 西部（model4）β3 0.057（0.359）-1.663***（-3.503）-1.088（-0.666）-2.601***（-4.034）β4 0.283***（2.696）0.781***（8.663）2.092*（1.815）3.873***（4.069）β5 0.196（0.739）2.662***（5.989）2.016（0.759）6.317***（3.927）β6 0.606***（3.002）-1.855***（-9.703）-3.509*（-1.666）-0.180（-0.819）β7 0.073**（2.033）0.219***（5.884）0.284（1.310）0.471***（4.007）β8 0.048（1.336）-0.140***（-3.483）-0.072（-0.467）-0.638***（-4.666）β9 0.005（1.306）-0.007（-1.296）0.013（1.028）-0.014***（-3.528）影响因素δ0-1.225（-0.442）-0.014（-0.012）9.372**（2.639）6.810***（12.082）gov 1.238***（4.350）0.954***（4.072）-0.064（-0.297）0.683***（5.559）open -0.102（-1.603）-0.131（-1.315）-0.319***（-2.806）0.016（0.540）import 0.207***（4.317）0.379***（3.683）0.108（0.756）-0.147***（-3.429）gdp 0.127（0.667）-0.566***（-3.334）-1.631***（-3.227）0.032（0.374）edu -0.569**（-2.227）-0.670***（-3.554）0.238（0.735）-0.488***（-2.758）Inf 0.091（0.541）-0.036（-0.460）1.720***（5.198）-0.217***（-3.012）σ2 0.273***（5.213）0.099***（5.920）0.105***（6.285）0.142***（7.174）γ 0.604***（5.519）0.213**（2.563）0.879***（5.668）0.743***（4.613）LLR -156.770 -20.386 -23.409 -46.388 LR 148.895 49.669 59.477 64.138平均效率 0.707 0.823 0.774 0.587 N 300 110 80 110

表4 随机前沿模型的回归结果

全国（model1）东部（model2）中部（model3） 西部（model4）β0 12.906***（2.667）-24.787***（-8.391）-21.620（-1.174）-5.181（-0.584）β1 3.428*（1.698）2.280***（4.891）2.868（0.397）3.159*（1.827）β2 4.021*（1.916）3.903***（3.875）1.067（0.907）5.913***（3.565）

模型1和模型3平均效率相近，模型2创新效率均值为0.823，高于其他三个模型。模型的

σ

和

γ

均通过显著性检验，说明技术无效率存在。模型1中

β

、

β

＞0，表示每增加1%的研发资本，创新效率增加3.428%，而劳动力投入每增加1%，则效率提升4.021%，说明从全国层面来看，资金和劳动力投入对创新效率的正面影响依然存在。模型2中

β

、

β

＞0说明东部地区需要更多的资金和劳动力，但相较全国来讲，东部地区投入对创新效率的促进作用较小。模型3中，

β

和

β

均不显著。而模型4中，每增加1%的研发资本，提升3.159%的创新效率，每增加1%的人员投入会提升5.913%的创新效率，这说明西部地区也需要大量资金和人才投入。

从影响因素回归结果来看，各因素对不同地区的影响存在差异。结果为负，说明该变量能够对创新无效率项产生负面影响，也就是对创新效率产生正面的影响，而系数为正则与之相反，即不利于创新效率的提升。政府投资对模型1、2和4的创新效率低下均存在显著正相关，也就是对创新效率存在负面影响。这说明政府投资占比的继续提升不能再推动创新效率提高，如图1中，三个地区近十年来政府资金在研发资金占比均在20%以上，而西部地区更是接近30%，也就是说，仅就研发资金而言，有近似30%的研发活动由政府资金扶持。而回归结果显示，政府应通过其他如减免税收、优先政策等方式激励企业参与创新活动，鼓励大学及研究机构通过与产学合作等方式获得研发资金，提升市场资金在研发投入中的比重，促进创新效率的提升。

图1 政府资金占研发资金比重的区域分布图

开放经济（open）对创新效率的影响仅在模型3显著，能降低该地区的创新效率，每增加1%的区域外投资，能够降低0.319%的创新效率，这说明中部地区能够通过提升经济开放度获得更高的收益。技术引进力度（import）增加了模型1、2的创新效率，但降低了模型4的创新效率。这说明，东部和西部地区的发展阶段存在差异，东部创新效率的提升需要通过自主创新，而西部地区依然能够通过引进先进技术，消化吸收再创新的过程提升创新效率。

经济发展水平（gdp）对模型2和模型3的创新效率产生负面影响，即这两个地区经济发展水平的提升能够促进创新效率的提升。而劳动力素质（edu）对创新效率存在负面影响（除模型3之外），说明这些地区能够通过提升劳动力的受教育水平提升创新效率和创新能力。

基础设施建设（inf）对模型4的创新效率有抑制作用。这说明，提高基础设施建设水平能够降低创新效率，也就是推动西部地区创新效率的提升。

图2是模型1 30个省（市、自治区）创新效率分组得到的折线图。图中显示，东部和中部地区的创新效率处于较高水平且效率相近，在十年间存在小幅波动。西部地区创新效率波动幅度较大，从2008年的0.67降至2016年的0.53，随后出现一点上涨趋势。各地区创新效率的分布呈现出由“东—中—西”三阶梯向“东、中—西”的二阶分布差异演变。

图2 各地区年平均创新效率折线图

五、结论

研究采用SFA方法对中国30个省（市、自治区）创新效率及相关影响因素进行测度，实验结果反映了区域创新效率的分布差异，主要结论有以下几点：①中国各省创新效率存在差异，但分布差异由“东—中—西”三级差距向“东、中—西”二级差距演变；②区域创新效率差异与经济发展程度有非正相关关系，从回归结果看，GDP的提升并不能必然推动创新效率的提高；③过高比例的政府资金补贴不利于创新效率的提升。

根据论文研究结论提出以下建议：①政府资金扶持存在上限，当政府资金占比达到1/4时，政府应考虑通过政策措施（减税、优先政策等）吸引市场中的资金进行投资，扩大市场规模，通过提升市场积极性来推动创新效率的提升；②要促进区域协同创新，协调建立资源共享机制，建立资源市场平台，形成良好的市场环境，打破省域行政保护和垄断，促进资源多向流动。各省区位条件、资源禀赋、发展基础都不一样，需要结合自身优势寻找科技创新和产业升级路径，避免产业发展雷同，造成资源浪费。

论文在以往文献的基础上，对区域创新效率的分布差异和演进规律进行研究，发现在当前经济形势下，中国区域创新效率与以往不同的变化趋势，为政策出台和创新主体行为提供参考。但论文也存在局限性，以省为基本单位进行分析过于宏观，今后的研究方向之一是收集中国城市数据进行更微观的分析。