长三角一体化下安徽省科技投入产出效率分析

张敬敬

（安徽大学 经济学院，安徽 合肥 230601）

2016 年，国务院印发《长江三角洲城市群发展规划》［1］，要求上海市、江苏省、浙江省与安徽省共同打造“具有全球影响力的世界级城市群”。这就需要长三角地区在资源配置、科技创新等方面加快发展的步伐。2018 年，长三角一体化发展上升为国家战略，中共中央国务院印发《长江三角洲区域一体化发展规划纲要》［2］， 其指出长三角地区要勇于担当我国科技创新的开路先锋，更加注重高水平科技供给，以支持全国高质量发展。 2020 年9 月，长三角三省一市专题视频会议研究确定，三省一市将携手打造长三角国家技术创新中心，联合发力。 从国家层面来看， 对长三角地区科技创新的要求由2016 年的加快发展步伐到2018 年上升为开路先锋；从地区层面来看，长三角地区三省一市政府积极响应中央， 于2020 年提出共建国家技术创新中心的重要决定。 在此机遇下，长三角地区要实现区域一体化，需要深化科技创新，联合打造具有国际影响力的科技创新高地，提升国际国内资源配置要素能力和效率，以促进长三角地区加快形成国际竞争新优势，实现高质量发展。

一、文献综述

对科技投入产出相关的研究文献，根据研究层面的不同，可以分为不同的类型。从研究对象来看，大体上可以归为三类：一类是以全国范围为研究对象；一类则重点研究某一个或几个区域的科技投入与产出情况；另外一类则以高校作为研究对象。 从研究方法来看， 多数文献选择使用DEA 模型进行分析。

在以全国为研究范围的文献中，又可分为两种类型：一种类型是将中国与他国进行比较分析的文献，如陈亚平［3］将中国与美国作为比较对象，从经济增长中研发投入的贡献度出发，分析了中国与美国的科技投入产出效率；另一种类型的文献将研究范围放在了中国国内，如庞金波等［4］从政府、企业与金融市场三个主体出发进行科技金融投入指标体系的构建， 并运用PP-SFA 方法对国内30 个省市科技金融产出的效率进行研究。

在以区域为研究范围的文献中，易明等［5］从人力、 财力两个方面选取三个指标作为科技投入指标， 从直接与间接角度选取三个指标衡量科技产出，运用Malmquist 指数法来研究湖北省的科技投入产出效率。 陈非等［6］在科技金融投入和产出维度各选择了两个变量构建投入产出指标体系，并借助Malmquist 指数法研究了广东省及其下辖地市的科技金融投入产出效率。

在以高校为研究对象的文献中，林涛等［7］选取4 个投入变量与5 个产出变量构建指标体系，并采用DEA-BCC 模型对广东省13 所高校的科技投入产出效率进行研究。 侯晓辉等［8］将研究重心放在综合类国家示范高职院校，从人、财、物三方面构建科技投入产出指标体系， 并运用三阶段DEA 模型分析这些院校科技投入产出效率。

二、指标选取与数据说明

（一）指标选取

由于科技投入、产出指标的选择对效率的测算有着重要的影响，因此在参考已有研究［5-10］的基础上，最终选取以下指标：

科技投入方面，按照人力投入、财力投入与物力投入的划分， 选取R&D 人员数量作为人力投入指标；由于政府支持在科技创新与进步中占据着举足轻重的地位，同时企业资金投入反反映了企业自主创新的能力与水平，因此选取地方财政科技支出与企业研发经费支出衡量财力投入； 物力投入方面，选取用于购买资产的资产性支出作为指标。

科技产出方面，按照科技成果孵化、科技成果转化和科技成果市场化三个阶段的划分，选取科技论文产出量、专利申请授权总量作为孵化阶段的衡量指标；科技成果转化阶段，选取技术市场合同成交额作为指标；科技成果市场化阶段，选取高新技术产业新产品销售收入作为衡量指标。具体的指标详情见表1。

表1 科技投入产出效率指标体系

（二）数据来源与说明

为了对安徽省以及长三角地区的科技投入产出效率进行更加可靠、准确的分析，以及为其科技发展提供一些可供借鉴之处，因此选取我国科技发展相对较强的东部地区的数据进行比较。按照国家统计局对东、中、西部的区域划分，东部地区包括11 个省（市）：北京、天津、河北、辽宁、上海、江苏、浙江、福建、山东、广东、海南。考虑到科技投入并不能迅速地获得产出成果，二者在时间上具有一定的滞后性，因此本文参考黄科舫等人［11］的方法选取滞后一年的投入、产出数据进行研究，即选取2010—2017 年的科技投入数据、2011—2018 年的科技产出数据。 12 个省（市）的数据均来源于《中国科技统计年鉴》与国家统计局。

三、实证研究

（一）DEA 模型简介

DEA 方法是对决策单元（DMU）之间的相对效率进行测算与比较、进而对目标对象进行评价的一种方法。 本文之所以选择使用DEA 方法， 原因如下：DEA 方法能够充分考虑对于决策单元（DMU）自身而言最优的投入产出方案，因此能够反映目标对象自身的信息和特点，同时对于多投入、多产出分析的评价具有独到之处。 此外，DEA 方法的使用无须设定任何的权重假设， 而是通过决策单元（DMU）的输入与输出实际数据来确定最优权重的结果， 因此能够避免许多主观因素产生的偏差，保障了结果的客观性。

DEA 方法包括两种基本模型：CCR 模型与BCC 模型， 这两种模型都可以通过投入主导型与产出主导型的测算角度得到。 CCR 与BCC 模型的区别在于对规模报酬的假设不同：CCR 模型的假设前提是规模报酬不变， 而BCC 模型假定规模报酬是可变的。本文采用假定规模报酬可变的BCC 模型，并从投入主导型的角度对2018 年12 个省（市）的科技投入产出相对效率进行测算、比较与评价。

（二）Malmquist 指数模型简介

Malmquist 指数是用于比较两个时期生产效率变化的指数， 最早由Sten Malmquist 提出。 之后，Fare R、Grosskopf S、Lindgren B、et al［12］基于非参数线性规划方法提出了Malmquist 指数法，将Malmquist 指数从理论指标应用于经验指标， 并首次将其用于分析跨时期生产的效率。这种新的方法通过测量第 t 期、t+1 期的全要素生产率 （TFP）指数，来研究生产力效率的动态变化。同时，全要素生产率指数首次被有效地分解为技术效率指标和基于距离函数的技术变化指标。在规模报酬固定的情形下，全要素生产率（TFP）可以分解为综合技术效率指数(effch)与技术变化指数(techch)。 在规模报酬可变的情形下，综合技术效率指数(effch)可进一步分解为纯技术效率(pech)与规模效率(sech)，即：

全要素生产率(tfpch)=综合技术效率(effch)×技术变化(techch)

综合技术效率(effch)=纯技术效率(pech)×规模效率(sech)

如果Malmquist 指数TFP>1，意味着生产力效率提高。 相反，如果 Malmquist 指数 TFP<1，则意味着生产力效率降低。 如果Malmquist 指数TFP=1，意味着生产力效率保持不变，与上期相同。

本文之所以使用Malmquist 指数模型进行研究，原因在于Malmquist 指数可以清晰、直观地反映科技投入产出效率的动态变化，并进一步体现导致变化的因素，从而有助于探索科技投入产出效率的增长动力与源泉。

（三）实证结果分析

1.基于BCC 模型的截面数据比较分析

基于处理的数据， 本文借助DEAP2.1 软件对2018 年12 个省（市）的科技投入产出效率进行计算，所得结果见表2。 当综合技术效率crste 值为1时，表明该省市处于综合效率有效状态；纯技术效率vrste 为1，表明该省（市）的纯技术效率有效；规模效率scale 为1 时，表明该省（市）处于规模效率有效状态。 反之，若数值小于1，则表明该效率非有效。 三种效率之间的关系可表示为：

表2 2018 年12 个省市科技投入产出相对效率分析结果

综合技术效率(crste)=纯技术效率(vrste)规模效率(scale)

根据表 2 的结果，2018 年 12 个省（市）的科技投入产出，综合技术效率平均值为0.976，纯技术效率平均值为0.979，规模效率平均值为0.997，这表明2018 年12 个省（市）的科技投入产出效率整体情况良好。 就各个省市的具体情况而言，12 个省（市）中有8 个达到了科技投入产出有效，分别是：北京、辽宁、浙江、福建、山东、广东、海南及安徽，说明这些地区在一定的科技投入下能达到最大产出。在4 个科技投入产出效率非有效的省市中， 河北、上海与江苏的纯技术效率均为有效，其综合技术效率非有效的原因均是规模效率未达到最佳，其中江苏处于规模报酬递减阶段，河北、上海处于规模报酬递增阶段；而天津市的纯技术效率与规模效率均为非有效，其综合技术效率在12 个省（市）中最低，主要是由于其纯技术效率低且处于明显非有效状态， 说明天津市目前的科技投入与产出之间存在资源错配的情况，可能存在科技投入冗余或产出不足。

2.基于Malmquist 指数的面板数据变动分析

BCC 模型测算的结果阐释了12 个省 （市）科技投入产出效率的静态比较， 为了考察不同时期12 个地区科技投入产出效率的动态变化情况，本文借助dep2.1 软件来分析2011~2018 年12 个省（市）科技投入与产出的面板数据。 所得结果见表3。

表3 2011~2018 年12 个省市平均Malmquist 指数及其分解

由表3 的结果可知，12 个省（市）的平均纯技术效率增加0.4%，平均规模效率保持不变，二者的共同影响使得平均综合技术效率增加0.3%， 而平均技术变化下降1.4%， 最终导致平均全要素生产率下降1.1%。这说明2011~2018 年12 个省（市）平均科技投入产出效率表现出下降趋势。就各省市的具体变动而言，各项指标均体现出增长趋势或维持不变的省（市）只有4 个：北京、辽宁、浙江和广东，说明这4 个地区的科技投入产出效率有所提高。安徽、河北、上海、福建、海南这5 个地区的综合技术效率都表现为提高或不变，但技术变化呈现出下降态势，其中海南的技术变化指标下降幅度最大。 天津、江苏、山东3 个地区的综合技术效率与技术变化指标均有所下降。

就安徽省的平均Malmquist 指数分解结果来看，其综合技术效率指数维持不变，但技术变化指标下降2.4%， 表明2011~2018 年间安徽省不存在科技资源错配的问题。 这与学者睢党臣、董玉迪［13］在2015 年的研究发现恰恰相反。 在对2002~2012年间新丝绸之路经济带各省科技效率进行Malmquist 测算后， 睢党臣等发现安徽省在2002~2012 年间技术变化指标有所增长， 但综合技术效率出现下降，即其科技资源配置效率存在问题。 这反映出安徽省近几年面临的科技效率问题已与往日不同，需要对新问题的分析与研究。

3.安徽省科技投入产出效率变动分析

根据前述分析可知， 安徽省2018 年科技投入产出效率达到有效、 数据表现良好 （具体结果见表）， 而2011~2018 年安徽省平均科技投入产出效率下降2.4%（具体结果见表）。 为了更深入的考察安徽省科技投入产出效率情况， 因此对安徽省2011~2018 年间科技投入产出进行 Malmquist 分析，所得结果见表4。

表4 2011~2018 年安徽省科技投入产出Malmquist 指数及其分解

根据表4 中的结果，安徽省的纯技术效率与规模效率在2011~2018 年间维持不变，综合技术效率也维持不变，表明安徽省目前的投入与产出基本匹配、规模较佳，且处于稳定状态。 在2011~2012 年、2013~2014 年、2014~2015 年、2016~2017 年、2017~2018 年， 安徽省的全要素生产率水平分别下降10.3%、2.5%、10.7%、17.2%以及 7.4%； 在 2012~2013、2015~2016 年， 安徽省的全要素生产率水平分别提高1.7%、5.0%。而造成安徽省全要素生产率波动的原因是技术变化水平的变动，这表明技术变化水平的改进，能够带来安徽省科技投入产出效率的提高。 因此，安徽省在目前的规模、投入、产出水平下，应该聚焦于技术的改进，集中精力提高技术创新能力。

四、结论与启示

本文通过DEA 模型与Malmquist 指数法的测算， 得到12 个省市的实证分析结果， 得出如下结论：（1）安徽、北京、辽宁、浙江、福建、山东、广东及海南这8 个省市2018 年科技投入产出效率达到有效，河北、上海与江苏由于规模效率非最佳导致其科技投入产出效率未达到有效，而天津市的科技投入与产出之间则存在资源错配的情况。 与此同时，在12 个省市科技投入产出效率的动态变化测算中，只有北京、辽宁、浙江和广东4 个地区的各项指标均表现较佳。 由此可见，长三角地区的科技投入产出效率情况并不理想。 三省一市中，只有浙江省的科技投入产出效率达到理想的状态，而上海与江苏的静态与动态变化测算均未达到理想的状态，虽然安徽省由于2018 年的科技资源得到了较为有效的配置，加上规模报酬处于较好状态，因此在一定的科技投入下能达到最佳产出，但其2011~2018 年的平均科技投入产出效率为三省一市中最低。 （2）就安徽省科技投入产出效率动态变化而言，2011~2018 年其纯技术效率、 规模效率与综合技术效率均维持不变，但技术变化水平呈下降态势。 说明安徽省目前的投入与产出基本匹配、 规模较佳，且处于稳定状态， 近些年科技投入产出效率变动的根源在于技术变化水平的变动。 因此， 安徽省需要聚焦科技创新， 提升本地区的技术进步水平，有效提升科技投入产出效率， 进而实现更高效的科技发展。

针对安徽省在技术进步水平、科技创新能力等方面存在的不足，可从投入优化、产出优化方面进行改善。本文提出如下建议：（1）注重创新型人才的培养与引进，优化人才投入。 以高校教育实践为基础，将创新型人才引进与培养使用相结合，同时强化在创新型人才培养、引进、评价等方面改革创新；合理配置科技人才，对于科技人才在区域、部门之间存在的分布不合理情况，及时按照人才规律与市场经济规律，促进人才有效流动，以优化科技人才配置。（2）推进科技成果转化。政府应加强对科技与市场对接的指导，使科研机构、高等院校、科技企业等的作用能够充分发挥，以促进科技成果直接应用于生产环节；优化科技创新环境，聚焦要素市场化配置，构建公平公正、资源获取便利化的创新生态；建立结构与功能完善的科技服务体系，加强科技孵化器、众创空间等科技服务机构对新型中小微企业的支持力度。