我国区域创新效率评价研究——基于多阶段DEA交叉效率模型的分析

向小东 陆茜林

(福州大学经济与管理学院，福建福州 350108)

一、引言

在我国经济社会发展步入新常态，各地区聚焦于新旧动能转换的背景下，创新日益受到国家和各级政府的高度重视。中共中央、国务院在《国家创新驱动发展战略纲要》中提出创新“三步走”目标。近年来，我国R&D经费内部支出呈现高速增长态势。《中国科技统计年鉴》(2020)显示，2019年我国R&D经费内部支出较上年增长12.53%，总量已达22143.58亿元，但相对西方发达国家，我国科技创新资源仍相对稀缺，因此提高资源转化效率就变得尤为关键。区域创新系统是国家创新系统的重要组成部分，是实施创新驱动发展战略、推进创新型国家建设的重要支撑。科学评价区域创新效率对实现区域创新资源的合理配置，制定适宜的创新战略以实现东、中、西部创新协同发展从而全面提高我国创新效率具有十分重要的现实意义。

参数法和非参数法是目前主流的区域创新效率评价方法。参数法以SFA为代表，但SFA一般用于处理多投入单产出的过程，指标选取受到限制，另外还存在生产函数误设的风险。非参数法以Charnes等提出的数据包络分析(DEA)为代表，在多投入多产出的效率测度方面具有优势，同时避免了主观设定生产函数和分布形式。正是由于非参数DEA法的评价优势，因此在区域创新效率评价方面得到了广泛的应用。

区域创新效率的自评价研究可分为单阶段评价和多阶段评价。在区域创新效率评价研究初期，学术界将创新过程视为单阶段“黑箱”。Guan和Chen测定了2000-2003年我国30个省市的R&D效率，结果表明北京、上海等7个地区的效率处于有效状态。[1]Stepan 等运用DEA来评价区域创新效率，发现研发支出占GDP的比率与区域创新效率呈U形关系。然而这种单阶段的自评方法忽视了创新过程中子阶段对整体过程的影响以及子阶段之间的相互作用，导致评价结果过于笼统而无法找出创新效率低下的真正原因。[2]近年来具有多个子阶段结构的“灰箱”研究受到学者的广泛关注。随着对创新过程理解的逐步深入，出现了同时关注创新投入产出情况及成果转化情况的两阶段模型，即将创新过程划分为研发和转化两个子阶段。后来学者们又运用共享投入关联DEA模型[3]及共享回馈关联DEA模型[4]来测度区域创新子阶段效率与整体效率。余泳泽、刘大勇基于创新价值链将创新过程分为知识创新、研发创新和产品创新三个阶段，利用三阶段DEA模型测算了各阶段创新效率。[5]上述研究均是采用自评的方法来测算区域创新效率，可能无法得到客观真实的结果，因为自评体系总是选择对自己最为有利的权重，容易夸大被评价单元或子单元的优势，同时不能对有效的决策单元或子单元进行优劣排序，仅能区分有效与非有效决策单元。

为了更准确地测度区域创新效率，一些学者又将结合了“自互评”过程的交叉效率模型运用到区域创新效率评价中。郭磊等利用仁慈型交叉效率模型来评价区域创新效率。[6]杜先进等在激进型交叉效率模型和差异驱动方法的基础上构建动态评价模型测度了环渤海、长三角地区的区域创新效率。[7]卢玺等同时考虑决策单元间的竞争与合作关系，使用竞合系数矩阵交叉效率模型对我国区域创新效率进行了评价。[8]范建平等运用六个距离测度与交叉效率集结模型及改进的熵权法评价了区域创新资源配置效率。[9]上述研究均是在单阶段结构的情形下使用交叉效率模型，未将其拓展到多阶段结构中。总之从区域创新系统内部结构来看，还需拓展到贴近现实的复杂混联结构；从区域创新效率评价模型来看，由单阶段自评模型到多阶段交叉效率模型的应用还值得研究。在创新系统内部结构方面，中国科技统计网站将自主创新过程划分为基础研究、应用研究和试验发展三个阶段，然而我国自主创新能力还有待提高，技术引进、消化吸收再创新仍是我国现阶段主要的创新模式之一。据此，将我国区域创新系统分为知识创新、研发创新、技术引进、产品创新四个子阶段；在效率评价模型方面，综合运用多阶段DEA交叉效率模型对我国区域创新效率进行测度和分析。

本文力争在现有研究的基础上形成以下三个方面的创新：首先在研究视角上，基于自主创新与技术引进视角构建区域创新的四阶段混联网络系统。其次在研究方法上，将多阶段DEA模型与交叉效率评价方法相结合，多阶段DEA模型进一步打开了系统“黑箱”，而交叉效率模型利用自互评结合使得评价更全面。再次对于中间产出的处理，虽然已有少量对高技术产业的研究考虑到研发阶段中间产出部分退出系统，但还未运用于区域层面,而在区域自主创新过程中，也存在并非所有的中间产出都能完全被下一阶段利用的情况，因此结合实际考虑在知识创新与研发创新阶段存在中间产出部分退出系统。

二、研究设计

(一)区域创新过程分析

我国在创新过程中采取自主创新与技术引进并举，由此可将区域创新系统划分为图1所示的四个子系统，由知识创新子系统(子系统1.1.1)与研发创新子系统(子系统1.1.2)串联后再与技术引进子系统(子系统1.2)并联，最后与产品创新子系统(子系统2)串联。区域创新系统的知识创新与研发创新阶段存在自由产出，而技术引进目的性较强，几乎所有产出都能进入下一阶段，因此在技术引进阶段不考虑存在自由产出。此外，产品创新阶段的“三废”污染物对环境有着直接而重要的不良影响，故将其作为非期望产出。

图1 存在自由中间产出和非期望产出的混合型四阶段系统示意

对于非期望产出yfj，为保证所有非期望产出数据均为正值且使其数值振荡限制在一定范围内，进行如下数据转化[10]：

(j=1,2,…,n)

(1)

(二)混合型四阶段系统效率评价模型

1.系统自评价效率模型

借鉴Kao提出的混联网络DEA模型[11]并将其扩展到四阶段，构建投入角度的整体自评价效率模型：

1≥αdj>0,d=1,2,…,D,j=1,2,…,n,1≥βpj>0,p=1,2,…,P,j=1,2,…,n

(2)

2.系统交叉效率评价模型

(3)

φfk≥0(f=1,2,…,t)1≥αdj>0(d=1,2,…,D,j=1,2,…,n),1≥βpj>0(p=1,2,…,P,j=1,2,…,n)

采用Charnes-Cooper变换，可得系统整体交叉效率的线性规划模型：

(4)

φfk≥0(f=1,2,…,t),1≥αdj>0(d=1,2,…,D,j=1,2,…,n),1≥βpj>0(p=1,2,…,P,j=1,2,…,n)

(5)

(6)

(7)

(8)

(9)

(10)

(11)

(12)

其中

(13)

三、实证研究

(一)投入产出指标及数据来源

在评价区域创新效率时，基于余泳泽等、常晓然等的研究成果[14][15]所确定的各阶段投入产出指标如表 1所示。

表1 创新各阶段的投入产出指标

投入产出数据主要来自《中国科技统计年鉴》(2017-2020)。由于西藏、青海、甘肃、海南部分数据缺失，本文研究对象为我国大陆除西藏、青海、甘肃、海南外的27个省、直辖市、自治区。此外，参考Nasierow的研究[16]，设定每个阶段投入产出转化的延迟时间为1年。因此知识创新阶段的投入选用2016年的数据，其产出及研发创新、技术引进阶段的投入选用2017年的数据，研发创新、技术引进阶段的产出及产品创新阶段的投入选用2018年的数据，产品创新阶段的产出选用2019年的数据。对于论文进入研发创新阶段的比例的设置，选择被专利引用的论文数占总论文数的比率。[17]对于专利进入产品创新阶段的比例的设置，李作志等采用发明专利占专利申请总数比来计算[18]，马建峰等采用专利所有权转让及许可数占有效专利总数的百分比来计算专利退出系统的比例。[19]本文认为发明专利仅为专利的一种类型，另外专利权转让并不意味着退出创新系统，因而这两种处理方式均存在一定缺陷。根据专利产业化的定义并结合中国知识产权局给出的计算公式(专利产业化率=用于生产出产品并投放市场的专利件数/拥有的有效专利数)，本文认为专利产业化率可以体现出有效专利进入产品创新阶段的比例。

对于无法直接从统计年鉴上获取数据的三个指标(三废排放量、被专利引用的论文数占总论文数的比率、专利产业化率)进行如下处理：(1)三废排放量=废气排放量+废水排放量+废物排放量。其中，废气排放量=二氧化硫排放量+氮氧化物排放量+颗粒物排放量，相关数据来源于《中国环境统计年鉴》(2020)。(2)The Lens数据库显示，2017年我国被专利引用的科技论文数占总论文数的比例为14.89%，但未分地区统计该指标。由于经济增长的动力来源于科技创新，论文和专利是目前最常用的创新衡量指标，故论文被专利引用程度与区域经济水平呈正相关。因此本文假设某地区被专利引用的论文数占该地区总论文数的比率/全国被专利引用的论文数占全国总论文数的比率=某地区人均GDP/全国人均GDP。由此可计算得出某地区被专利引用的论文数占总论文数的比率。(3)由于《中国专利调查报告》(2019)统计了2018年我国有效专利产业化率为36.30%，未统计各地区专利产业化率。同理假设某地区专利产业化率/全国专利产业化率=某地区人均GDP/全国人均GDP，可计算得出某地区专利产业化率。

(二)效率测算结果及分析

基于前述所构建的多阶段DEA交叉效率模型和区域创新效率评价指标体系的数据，运用软件MATLAB 2016 b编写程序求解，具体结果如表2所示。

表2 基于2016-2019年数据的区域创新交叉效率评价结果

由表2可知，我国区域创新过程子阶段效率排名为：知识创新效率大于研发创新效率大于产品创新效率大于技术引进效率。对子阶段效率进行具体分析：(1)我国知识创新过程效率均值为0.413，高于其他三个子阶段的效率。其中，陕西、江苏、湖北相对大部分欠发达地区高等教育资源和科研资源丰富，且实现了资源的充分利用。通过投入产出数据分析，虽然陕西、湖北投入规模处于全国平均水平，但论文产出却达到了全国论文平均产出的1.60倍左右；江苏投入为全国均值的1.70倍，而论文产出达到了全国均值的2.86倍。宁夏、贵州、广西等地高等教育落后，加上经济环境等外部因素的制约，使其知识创新效率低下。(2)我国研发创新过程效率均值为0.403，其中效率排名前三位的是江西、广东和浙江。从投入规模来看，广东和浙江均属于高投入地区，而江西属于低投入地区。江西的低投入主要体现在R&D人员全时当量方面，但与同属低投入的广西相比，江西投入更少，专利产出反而更多，实现了研发创新阶段的高效。广东是改革开放的前沿阵地，吸引了众多外资企业，同时高技术产业比重大，市场经济发育程度较高，为研发创新提供了大量的人力、物力以及良好的市场环境和体制框架。2017年浙江每亿元研发经费内部支出产生的发明专利授权数增速高达36.92%，同时政府为科技型初创企业提供了一系列优惠政策，例如创新券政策，这极大提高了中小微企业的研发创新积极性。从投入产出角度看，北京、上海等教育、经济资源极为丰富的地区，尽管研发投入巨大，但研发创新效率却并不理想。北京研发创新阶段R&D经费及R&D人员投入分别是浙江的7.19倍和4.02倍，但最终的专利产出却仅为浙江的43.39%，存在严重的资源浪费。(3)我国技术引进过程效率均值为0.212，低于其他几个子阶段。虽然近二十年来我国经济的腾飞得益于大规模的技术引进，但过度重复引进以及重视机器设备、生产线的引进却忽略工艺流程的引进使得我国技术引进效率低下。浙江属于外向型经济，易于与跨国公司建立合资合作关系来实现吸收消化再创新。北京以其独特的政治地位吸引了众多的外来技术投资，2017年技术改造经费支出增长16.30%，吸纳技术合同成交额也“领跑”全国，使得技术引进活跃高效。而内蒙古、辽宁大量的技术重复引进造成了浪费，同时消化吸收经费占资源投入比较低，重“引进”而轻“消化”的现象普遍存在，导致技术引进效率低下。(4)我国产品创新过程效率均值为0.359，表现最突出的为宁夏、河南。宁夏属于投入少，产出相对较多的地区，利用现有的少量研发成果和精简的人员投入创造了相对更高的经济和环境效益，其环境效益主要表现为三废排放量明显下降且远低于全国均值。河南自身创新基础薄弱，但近年来不断加强创新能力建设和产业转型升级，2018年河南的新产品出口收入稳居中部第一，实现了新项目到新产品的充分转化。四川、云南的产品创新效率排名靠后，其原因可能是存在大量科研成果无法满足市场需求，同时地处西部内陆地区，对外开放程度低，产品出口获得的经济收益有限。从子阶段创新均衡发展来看，大多数省份存在子阶段之间效率差异较大的情况，即在某一个或几个子阶段上表现突出但其他子阶段却效率低下，仅有少数省份在所有子阶段均表现出高效率。因此各省份应着重关注自身低效率阶段，结合低效率阶段存在的不足采取相应的措施，实现创新子阶段的均衡高效进而提高区域创新整体效率。

综合来看，我国区域创新整体效率均值为0.265，还存在较大的提升空间。同时整体效率均值低于知识创新、研发创新、产品创新子阶段效率均值，说明子阶段之间还未形成良好的协同效应因而整体创新效率低下。分区域来看，中部地区整体创新效率均值最高，东部次之，西部最低。(1)东部地区整体创新效率最高的为浙江。其在四个创新子阶段中均表现良好，再加上各子阶段间的协同，使得浙江整体创新效率排名靠前。《中国区域科技创新评价报告》显示，浙江科技创新意识指数、科技创新环境指数、科研物质条件指数以及技术成果市场化指数均排名全国前列，丰富的创新资源加上良好的创新氛围使得科研成果的产生和转化高效。而北京、上海的整体创新效率处于下游，这与其经济发展水平不符。它们拥有大量的创新资源，应具有较强的创新能力，但高创新能力并不等于高创新效率，其创新能力与创新效率的协调性还有待提升。同时北京、上海存在全国最多的投入冗余与产出不足，其子阶段投入的R&D经费支出过多是冗余产生的主要部分。这种科研资源的过度集中造成了“科研拥挤”现象，使得众多科研人员可能同时对同一项技术进行研发，造成科研重复，最终使得科研有效产出降低。东部地区不仅创新资源丰富，还占据了全国创新产出的半壁江山，是我国创新发展的主要推动区域。因此应对东部地区创新资源进行合理配置，避免资源浪费；鼓励企业与国外研发机构交流合作并密切关注国内外市场需求，提高东部地区的创新投入产出转化能力从而实现东部地区创新驱动发展。(2)中部地区整体创新效率最高的为河南。河南与浙江类似，表现为创新各子阶段效率较高且整体创新效率较高。近几年河南积极开展国际科技交流与合作，带动了产业结构的优化和产业国际竞争力的提升，同时高新技术产业化率排名靠前，创新成果转化不断加速，从而实现了整体创新效率的显著提升。而黑龙江位于东北，近年来经济增长持续放缓，人才流失严重，缺乏大规模的产业集群，且已有产业集群多属横向型，缺乏技术创新与市场开拓的衔接和结合，因此技术产业化率较低，这导致其整体创新效率低下。中部地区创新资源并不匮乏，可以通过转型升级调整结构，以政府为主导，高校、科研机构、企业为主体，结合区域特有优势推动中部内陆地区的科技创新。(3)西部地区整体创新效率最高的为宁夏，与浙江、河南不同，宁夏出现了子阶段效率差异较大的现象。虽然宁夏未能实现子阶段的均衡发展但整体创新效率仍较高，其原因可能是产品创新子阶段效率对整体创新效率的贡献更大，因此产品创新子阶段效率较高的地区整体创新效率也较高。此外，2017年宁夏出台的助推创新驱动战略的“创新30条”也激发了创新活力，创新基础设施投入加大，创新环境显著改善，这些举措间接促进了创新效率的提高。而云南、内蒙古虽然在创新环境上有所改善，但知识获取、知识创造、技术转移能力都远低于全国平均水平，因此整体创新效率排名靠后。由于大部分西部省份都存在创新资源投入不足的情况，可以在满足边际收益递增的条件下适当增加投入，并且提高将投入转化为产出的能力。此外政府应加大基础设施服务建设投入，以保障基础研究等创新活动的顺利开展，同时推动西部地区对外开放，搭建技术贸易平台引进国内外先进技术。

四、结论

本文基于自主创新和技术引进视角将区域创新过程分为四个子阶段，构建了带有自由中间产出和非期望产出的多阶段DEA交叉效率模型，考察了各子阶段效率和系统整体效率。结果表明我国区域创新系统整体创新效率均值为0.265，其中知识创新、研发创新、技术引进、产品创新子阶段效率均值分别为0.413，0.403，0.212，0.359。根据评价结果可以得到以下结论：(1)我国区域创新整体效率还存在较大的提升空间，大多数地区整体创新效率低下，中部区域整体创新效率均值最高，东部低于中部，西部最低，另外少数东部发达地区出现了整体创新效率与经济水平相背离的情况；(2)我国区域创新各子阶段效率也较低，表现为知识创新效率大于研发创新效率大于产品创新效率大于技术引进效率，同时我国大多数地区存在子阶段之间效率差异较大的情况，仅有少数地区实现了子阶段效率间的均衡发展；(3)我国区域创新系统整体效率低于知识创新、研发创新、产品创新子阶段效率，表明我国在创新子阶段之间还未建立良好的协调关系，阻碍了系统整体创新效率的提升。为了提升我国区域创新效率，首先不同地区应根据自身创新各阶段所具有的优势和劣势选择适宜的技术创新战略；其次要实现全国范围内创新资源的合理配置，对于东部边际收益递减的地区，适当缩小投入规模，将多余的创新资源转移到西部一些边际收益递增的地区，从而提高创新资源利用效率；再次各地区之间应加强产学研合作，形成技术联盟，实现区域间企业、高校、科研院所等主体之间的协同创新，才能使得我国区域创新整体效率得到显著提升。

注释：

[1]Guan J.C., Chen K.H.,“Modeling macro-R&D production frontier performance：An application to Chinese Province-level R&D”，Scientometrics, vol.82 ,no.1(2010), pp.165-173.

[2]Stepan Z., Maxim K.,“Anassessment of regional innovation system efficiency in Russia：The application of the DEA approach”,Scientometrics, vol.120,no.2(2019), pp.375-404.

[3]范德成、李盛楠：《区域高技术产业技术创新效率测度与提升路径研究——基于共享投入关联型两阶段DEA模型》，《运筹与管理》2019年第5期。

[4]朱 钰、杨 锋、江利景，等：《基于共享回馈DEA模型的中国省际高技术产业创新效率研究》，《控制与决策》2020年第8期。

[5][14]余泳泽、刘大勇：《创新价值链视角下的我国区域创新效率提升路径研究》，《科研管理》2014年第5期。

[6]郭 磊、刘志迎、周志翔：《基于DEA交叉效率模型的区域技术创新效率评价研究》，《科学学与科学技术管理》2011年第11期。

[7]杜先进、胡 苏、徐 晟，等：《面向竞争的区域技术创新效率动态评价》，《科技管理研究》2015年第12期。

[8]卢 玺、刘永贤、逄红梅：《基于DEA交叉效率的区域技术创新评价体系研究》，《机械设计与制造》2013年第5期。

[9]范建平、赵园园、吴美琴：《基于改进交叉效率的中国科技创新资源配置研究》，《中国科技论坛》2017年第6期。

[10]Chen L., Wu F.M., Wang Y.M.,“Analysis of the environmental efficiency in China based on the DEA cross-efficiency approach under different policy objectives”,ExpertSystems, vol.2 ,no.9(2020),pp.1-18.

[11]Kao C.,“Efficiency decomposition in network data envelopment analysis：A relational model”,EuropeanJournalofOperationalResearch, vol.192,no.3(2009), pp.949-962.

[12]Kao C., Liu S.T.,“Cross efficiency measurement and decomposition in two basic network systems”,Omega, vol.83(2019), pp.70-79.

[13]荆 浩、赵希男：《DEA中交叉效率评价的新思考》，《运筹与管理》2008年第3期。

[15]常晓然、周 全、吴晓波：《我国54个城市的创新效率比较研究：基于包含非期望产出的SBM-NDEA模型》，《管理工程学报》2016年第1期。

[16]Nasierowski W., Arcelus F.J.,“On the efficiency of national innovation systems”,SocialeconomicPlanningSciences, vol.37,no.3(2003), pp.215-234.

[17]杨京宁：《基于创新绩效视角的高校科技投入与产出影响分析——Nature Index中11所典型高校研究》，硕士学位论文，北京化工大学，2018年。

[18]李作志、苏敬勤、刘小燕：《中国高技术产业技术创新效率研究》，《科研管理》2019年第40期。

[19]马建峰、何 枫：《存在中间产品退出的混合型多阶段系统DEA效率评价》，《系统工程理论与实践》2015年第11期。