基于投入产出法的科技人才创新效率评价

杨胜利 李 坤

(河北大学 经济学院，河北 保定 071000)

0 引言

党的十九届五中全会公报指出，到2035年我国关键核心技术将实现重大突破，进入创新型国家前列。强调了科技创新与进步已成为增强国家或地区综合实力和核心竞争力的关键因素，甚至是推动社会进步和经济发展的决定力量。科技人才作为信息和知识的重要来源，是国家或地区科技创新与进步的重要支撑。中国经济正处在从“粗放式”增长向精细化、内涵式增长转型的关键阶段，增强科技创新对经济增长的促进作用，是践行“创新、协调、绿色、开放、共享”发展理念的最佳表现。当前，我国积极推进“创新驱动发展”战略，政府以及企业不断加强人才引进力度、增加科技投入、提升治理水平、加强制度规范，有效地提升了科技人才创新效率，促进了经济开放、持续、绿色、健康发展。

本文对不同地区的科技人才创新效率进行客观评价，以期能够更有效地激发科技人才创新活力。首先，基于投入产出法对各区域科技人才创新效率进行实证研究，在客观评价基础上对投入产出转化机制以及提升策略进行深入研究。其次，分析了某时间节点的创新效率状况，还使用DEA-Malmquist动态评价模型分析了科技人才创新效率的发展变化情况，探索创新效率变动的区域差异和规律。旨在为政府制订有效的区域发展政策、合理配置创新资源、提高区域科技人才创新效率提供科学的理论依据，以创新推动经济高质量协调发展。

1 文献综述

关于“创新效率”的研究已经颇多。已有研究主要集中在创新效率测度方法及创新效率的影响因素等方面。在测度方法方面，早前学者研究效率问题多采用数据包络法，近年来学者们不满足于研究传统DEA模型，将传统的DEA模型改进为DEA二阶段、DEA三阶段模型去进行效率测算和评价。陈升、扶雪琴[1]基于三阶段DEA模型，根据2012-2016面板数据研究我国“一带一路”沿线省域科技创新效率。姚彦雄，李豪[2]运用二阶段DEA法，将科技创新分为研究阶段和市场化阶段，对中部6省2012-2017年科技创新效率进行评价及分析。还有部分学者使用主成分分析法、因子分析法、Malmquist指数法、熵权TOPSIS法等方法单独或者搭配DEA模型分析效率问题。

在影响创新效率的因素方面，学者们一般用最小二乘法、Tobit模型等方法去探究。如：张体勤[3]利用Tobit模型研究了省域科技创新效率的影响因素。周海燕[4]研究发现政府支持力度、劳动者素质和金融环境对科技创新效率具有正向影响，科研经费支出强度、“一带一路”倡议政策和创业水平对科技创新效率具有负向影响。韦颜秋、李瑛[5]采用DEA-Tobit两阶段分析法对地区科技创新效率的主要影响因素进行了分析。从影响科技人才创新效率的具体因素来看，薛建改[6]实证分析发现个人因素、人才环境、人才发展对创新效率具有显著正相关影响。

关于科技人才的相关研究中，众多学者认为科技人才标准就是看其是否具备创新思维和创新能力，是否对科技事业作出了创造性贡献。相关研究主要围绕科技人才竞争力、开发效率、集聚、政策效率、发展环境等方面展开。如：李梓[7]以我国西部11个省2002-2013年的统计数据为研究对象，研究了西部科技人才开发效率及影响因素。崔宏铁[8]通过主成分分析法对深圳科创人才发展环境的变化规律、因子特征进行分析和评价。李思宏、罗瑾琏、田瑞雪[9]分析了我国科技人才评价与选拔体系中的问题并提出改进思路。芮雪琴[10]分析了中国科技人才聚集的区域演化对区域创新效率的影响。

上述研究可以看出，科技人才与创新效率密切相关。综合已有研究，无论是从研究方法还是从研究范围上，学者对我国科技人才、创新效率等相关问题都已有较为深入的探索。但是对两者结合，即科技人才创新效率的研究实践较少，对科技人才创新效率的评价指标体系也尚有待完善。因此，本文选择DEA-BCC静态分析和DEA-Malmquist动态分析相结合的方法，以全国30个省市自治区为对象，评价其科技人才创新效率。现有的科技人才定义多从统计角度出发，而忽视人才成长特征。人才接受教育提升人力资本的过程可以培养创新思维，培养想象力与创造力，人在接受教育过程中很大可能会灵光乍现或产生与众不同的颠覆性想法，并去实践及创新创造。不论是创新的想法还是充足的执行力，这些特质实现的前提或多或少都需要教育的支撑。故而将教育经费情况作为衡量科技人才创新投入的重要指标加入到模型中进行分析。

2 模型选取与评价指标体系构建

2.1 模型选取

2.1.1 DEA模型

DEA模型是一种结合运筹理论、管理学理论和数理统计理论的研究方法，用于衡量多投入、多产出下的综合效率。DEA通过度量每个投入的最小水平或每个产出的最大水平来确定每个决策单元的相对效率，进而建立最优效率前沿面。只有处在最优效率前沿面上的DEA投入产出组合才能被称为有效的，而不在最优效率前沿面上的称其DEA无效。

DEA模型有两种最经典的模型就是：CCR模型和BCC模型。规模报酬不变(CRS)是CCR模型的前提，通过测算得到的决策单元(DMU)的综合效率(TE)。但现实中每个生产单位的规模随时都会调整。因此，本文采用基于规模报酬可变(VRS)前提下的BCC模型，将综合效率拆开为纯技术效率(PTE)和规模效率(SE)。将CCR模型和BCC模型的结果相除就可得到规模效率值。如公式(1)所示：

(1)

其中，xj、yj分别代表非负数的投入水平和产出水平，θ为决策单元的综合效率值，取值范围为[0,1]。当θ=1时，决策单元处于DEA有效状态。否则，决策单元就会产生1-θ程度的效率损失。DEA的综合效率=纯技术效率×规模效率。当综合效率等于1时，此决策单元生产规模处于当前最优状态；当综合效率小于1时，此决策单元的生产规模应做出调整，具体措施为扩大规模或缩小规模。值得注意的是，纯技术效率和规模效率两者有任何一方测度小于1时，综合效率一定小于1。

2.1.2 Malmquist指数法

Malmquist指数法可以在不考虑外部因素或制度因素的变化情况下来衡量决策单元资源配置效率的变化，从而反映创新效率的升降。本文借鉴Rolf等[11]的研究成果，采用Malmquist指数法进一步测算科技人才创新效率，当M0大于1时，表示创新效率提高；当M0等于1时，表示创新效率保持不变；当M0小于1时，表示创新效率有所下降。具体如下：

(2)

将Malmquist生产率指数分解为技术效率变动(TE)和技术进步(TC)两部分。综合效率值在规模报酬可变的情况下可以分解为纯技术效率变化(PTE)和规模效率(SE)变化。公式(3)如下：

TFP=TC*TE=TC*(PTE*SE)

(3)

技术进步被称为“前沿移动效应”，指在某一时期对决策单元的投入之后，该时期的产出水平与前一时期的产出水平比较得出的结果，通过观察生产前沿的移动去判断是否实现了技术进步。技术进步体现在前沿向上移动，技术落后体现在前沿向下移动。纯技术效率被称为“追赶效应”，是指保持规模和技术不变时，判断两个时期内决策单元相对生产率的变化，从而判断决策单元是否更接近前沿面。规模效率则代表了决策单元前后规模收益率的变化。如果TC、PTE和SE的最终值大于1，则表示相对技术进步、相对生产率上升、规模收益递增；如果TC、PTE和SE值等于1，则表示相对技术进步、相对生产率、规模收益没有改变；如果TC、PTE和SE值小于1，则表示相对技术倒退、相对生产率下降、规模收益递减。

2.2 数据来源

鉴于数据可得性和准确性，考虑到西藏的部分指标缺失问题，本文剔除了西藏的数据，对30个省市自治区进行实证研究，评价我国各地区科技人才创新效率的水平；时间跨度为2014-2018年。原始数据主要来自《中国统计年鉴》《中国科技统计年鉴》《中国第三产业统计年鉴》以及各地区的历年统计年鉴等。

2.3 科技人才创新效率评价指标体系构建

本文借鉴现有文献的研究经验，结合十九届五中全会公报中关于激发科技人才创新活力的论述，选取了12个投入指标和8个产出指标来构建评价指标体系(见表1)。收集2014-2018年的面板数据，并将30个省份作为决策单元，分析我国各地区科技人才创新效率。

表1 科技人才创新效率评价指标体系

2.3.1 投入指标

选取的投入指标为企业投入和人才投入两大类。主要指标描述如下：R&D人员全时当量是指从事研究开发活动的所有全时人员与非全时人员折合的全时工作量的总和。R&D经费内部支出是指本单位实际使用在R&D活动中的全部支出。规上工业企业中有R&D活动的企业数量是指从事研究开发活动的全部规模以上的工业企业数。研究与开发机构R&D内部经费支出可以直接反映支持科技创新人才进行研发活动的内部支出总额。教育经费支出情况指中央财政部门及地方财政部门的预算中用于实际教育的支出，反映科技人才的发展和培养的潜力，其他指标含义与科技统计年和国民经济发展统计公报含义相同。

2.3.2 产出指标

选取的产出指标包括科技成果和成果应用转化两大类。部分主要指标描述：专利授权量是指在报告期内由专利行政部门向申请人或单位机构授予专利权的件数，是反映科技活动最重要的产出指标。高等学校出版科技著作数量属于科技成果登记数，是高等学校科技人才创新效率的重要衡量指标。因为科技创新成果可以在技术市场进行交易，所以将反映技术市场成交额作为一个重要指标，即卖方技术合同成交额。其他指标含义与科技统计年和国民经济发展统计公报含义相同。

3 科技人才创新效率综合评价结果

本文运用DEAPVersion2.1软件，基于DEA-BCC静态分析和DEA-Malmquist动态分析模型，对全国30个省的科技人才创新效率进行综合评价分析。

3.1 DEA-BCC的静态分析

通过DEA-BCC模型对全国30个省份科技人才创新的静态效率进行测度，测度结果包括综合效率、规模效率和纯技术效率，具体结果如表2所示。由于各省市自治区的投入差别较大，所以此处使用面向投入的DEA-BCC模型。

(1)从技术效率指数看，2014年和2018年科技人才创新的技术效率均值分别为0.853与0.966，整体呈现增长趋势。2014年和2018年分别有12个和19个省份技术效率达到1，处于生产前沿面。且在两个研究时段中均处于DEA有效的地区为北京、天津、辽宁、黑龙江、浙江、湖北、广东、海南、重庆、贵州和青海，占比36.67%，这表明这些省份的人才创新效率投资实现了最优配置，投资结构合理，投入产出在不同组合下达到了最佳效果。

从省际角度来说，与2014年相比，2018年不同省份人才创新的技术效率变动存在一定差异，除江苏、四川科等省份技人才创新的技术效率有所下降外，其他省份科技人才创新效率均有所上升或保持不变。2018年技术效率有效的省份有19个，仍有11个省份技术效率处于非有效状态，且非有效省份中有10个低于全国平均水平，占技术效率无效省份数的90.91%，这也说明部分省份科技人才创新投入结构不尽合理，技术效率还有较大的提升空间，在国内大循环中，应该重点关注提升这些省份科技人才创新的投入结构。2018年技术效率排名后三位的省份是云南、安徽和河北，这3个省份应该注重加强投入资源的优化配置，设计合理的鼓励科技人才创新、激发创新活力的政策和制度。

(2)科技人才创新的纯技术效率呈现增长趋势。2018年科技人才创新的纯技术效率均值为0.982，与生产前沿面相差0.018，说明科技人才创新管理方面还有一定的改进空间。科技人才创新的纯技术效率低于规模效率，说明管理水平和技术水平是制约我国科技人才创新效率的主要因素。2014年有14个省份纯技术效率未达到有效，分别是河北、内蒙古、山西、上海、吉林、安徽、福建、山东、湖南、江西、广西、云南、陕西和新疆；2018年有8个省份纯技术效率未达到有效，分别是上海、安徽、山西、广西、四川、河北、云南和陕西。说明这些省份在固定的投入下未能实现最大化产出，在未来发展应该重点增强科技人才创新管理水平和新技术使用、普及水平。

(3)科技人才创新的规模效率能够体现出各省份科技人才创新投入是否处于最优规模。从表2可以看出2014年和2018年科技人才创新的规模效率均值分别为0.951和0.983，略有增长。其中规模效率两年均无效的省份有10个，分别为：上海、广西、河北、山西、山东、云南、江苏、陕西、宁夏、安徽，说明这些省份应重点扩大对科技人才创新的投入规模，以达到最佳的规模。2018年规模报酬递增的地区包括山西、宁夏、山东、广西等省份，这些省份应该谨慎调整科技人才相关的创新投入，将重点放在投入结构优化、管理水平提升、新技术应用等方面。而规模报酬递减的地区包括河北、上海、安徽、江苏、山东、广西、四川、云南和陕西等省份，这些省份因资金未得到有效利用，导致效率损失，因此要特别注意改善资金使用方向。

表2 分地区2014年和2018年科技人才创新效率值

(4)总体来看，2014年、2018年科技人才创新的技术效率均值、纯技术效率均值和规模效率均值有所增大，但都小于1，整体处于DEA无效状态。且经过实证分析2018年数据，可以将科技人才创新效率概括为3种类型：第一类是已经位于效率生产前沿面上的省份，主要有北京、天津、内蒙古、辽宁、吉林、黑龙江、浙江、福建、江西、河南、湖北、湖南、广东、海南、重庆、贵州、甘肃、青海和新疆，其纯技术效率有效，规模效率也有效，这说明这19个省份当前科技投入与产出规模已经在最佳水平上；第二类是纯术效率有效，但规模效率无效而导致技术效率无效的省份，主要有江苏、山东和宁夏这3个省份，说明了这3个省份科技人才创新投入产出并不匹配，仍有调整空间，可以通过扩大科技人才创新投入规模和优化投资结构来进行相应的调整；第三类是纯技术效率和规模效率均无效的省份，主要有河北、山西、上海、安徽、广西、四川、云南、陕西、宁夏等省份。其共同特征是技术效率无效，纯技术效率无效，规模效率也无效。为了尽可能接近生产前沿面，这些省份一方面可以通过提高纯技术效率，另一方面可以通过调整科技人才创新投入规模来提升效率。但由于在三种效率中这些省份技术效率最差，所以应该重点突出优化投入和产业结构，提升技术效率。

3.2 DEA-Malmquist的动态分析

运用DEAP2.1软件进行DEA-Malmquist指数测度，目的是通过测度决策单元全要素生产率的变化，来反映科技人才创新效率的变动。如表3所示。

表3 2014-2018年科技人才创新效率Malmquist指数及其分解

(1)从整体效率变动来看，2014-2018年科技人才创新效率Malmquist指数均值为1.042，说明该测度期内我国科技人才创新效率年均提高幅度为4.2%。2014-2015年的Mamlquist指数为1.186大于1，表明该时间段内我国科技人才创新效率在不断提高。而2015-2017年Mamlquist指数则分别为为0.911和0.995，Mamlquist指数小于1，表明该段时间内我国科技人才创新效率出现了下降。2017-2018年Mamlquist指数为1.097，表明随着我国调结构、促转型经济发展策略的实施，新的经济增长点不断呈现，增长“疲软”期已过，我国的科技人才创新效率出现了上升趋势。

(2)从分解指数上看，2014-2018年度技术进步的均值为1.006，年均上升幅度为0.6%；技术效率均值为1.035，年均上升幅度为3.5%；Malmquist指数均值1.042，年均上升幅度为4.2%。由此可见，技术效率、纯技术效率和规模效率对Malmquist指数所带来的贡献远大于技术进步。说明技术进步是科技人才创新效率的主要条件，但科技创新资源配置是创新效率提升的关键。

(3)从全国的Mamlquist指数变化反映的整体情况上看，2015-2017年我国科技人才创新效率出现短暂的发展疲软。随着党的十九大的召开，为提升科技投入以促进我国经济结构更快更优转型升级，我国实行了深化科技强国的经济政策，更加重视人才在经济发展中的作用，加强了对科技人才创新的支持力度，使得科技人才创新效率实现新增长。

(4)从各省份效率变化比较来看(见表4)，2014-2018年除辽宁、江苏、湖南、海南、重庆5个省份的科技人才创新效率Mamlquist指数小于1外，其他25个省份的科技人才创新效率Mamlquist指数都大于1，说明我国绝大部分地区科技人才创新效率在不断提升，发展态势良好。辽宁、江苏等省份需要在今后发展中强化科技人才创新效率提升策略。

表4 2018年各省市自治区科技人才创新效率Malmquist指数及其分解

(5)增长动因方面，内蒙古、吉林、山西、河南、辽宁、湖南、海南、宁夏、广西、重庆等省份的技术进步小于1，且小于技术效率，故技术进步是制约这些地区科技人才创新效率上升的重要原因。四川省的技术效率小于1，且低于技术进步，其科技人才创新效率提升主要得益于技术进步。除上述地区之外，其他地区技术效率变化和技术进步变化是同步的，即技术效率与技术进步因素协同发挥推动作用。但特殊的是江苏省的技术效率和技术进步均小于1，即技术进步和技术效率均没有足够的的拉升力度，导致其科技人才创新效率出现了下降。

4 结论与建议

4.1 主要结论

本文通过DEA-BCC模型和DEA-Malmquist指数法对中国30个省份2014-2018年科技人才创新效率进行了静态和动态研究，得出如下结论：

(1)DEA-BCC模型的静态分析发现，2014年、2018年全国科技人才创新的技术效率、纯技术效率和规模效率均值有所提升，但仍均小于1，整体处于DEA无效状态。2014年和2018年分别有18个和11个省份未达到最优效率前沿面。这表示其都存在不同程度的纯技术效率和规模效率的提升空间。2018年上海、安徽、山西、广西、四川、河北、云 南和陕西8个省份纯技术效率未达到有效，河北、山西、上海、江苏、安徽、山东、广西、四川、云南、广西和宁夏11个省份规模效率未达到有效。

(2)DEA-Malmquist指数法的动态分析发现，2014-2018年我国科技人才创新效率整体上呈现上升态势，年均增长4.2%。技术进步年均上升幅度为0.6%，技术效率年均上升幅度为3.5%。技术效率对科技人才创新效率Malmquist指数所带来的贡献远大于技术进步。技术进步是制约山西、内蒙古、河南、湖南、广西等省份科技人才创新效率提升的主要原因。技术进步和技术效率协同发展是推动科技人才创新效率提升关键因素。

4.2 启示及建议

通过对研究结论的分析，全国及各省份的科技人才创新效率既具有有效性，又存在不充分、不均衡的一面，在今后有必要进一步加以完善和改进，建议从以下几方面进一步提高我国科技人才创新效率。

(1)科学合理地利用和调配科技创新资源。科技人才创新综合效率高的省份，要进一步减少无效投入或增加有效产出，促进科技人才创新效率的提升。科技人才创新综合效率低的省份，要不断提高科技人才创新投入，加强科技企业、科研机构、高端人才等创新主体培育。人才是科技创新最宝贵的资源，要注重引进和培养具有创新效率的人才，打造技术创新平台，加强科技人才创新交流，提升科技人才创新综合效率。

(2)积极构建科技人才高质量创新生态系统。加强R&D投入强度、积极建设科技人才创新平台。对于创新资源集聚、创新生态良好的省市自治区，需在市场、法治和科技创新政策之间加强集中联结配合，构建一流的创新创业生态系统，实现创新生态化，助力整体科技人才创新效率提升。

(3)优化科技人才创新机制。推动创新成果向生产力转化的政策创新，加强技术研发和创新成果应用之间的衔接。尝试让投资者、发明专利的人和将专利权转化为生产力的人各司其职、分类推进，将发明创造者从生产力转化的负担中解放出来。围绕主导产业制定引育顶尖、领军、高端、青年等专项实用人才的政策机制，力争对各类别、层次人才全覆盖。