我国沿海三大经济区省域创新效率演化、测度及影响因素研究

毛 磊

(南京晓庄学院 商学院，江苏 南京 211171)

0 引言

京津冀、长三角、粤港澳等地区一体化发展，逐步成为国家创新平台和新的经济增长极。据《2020年中国统计年鉴》数据显示，2019年京津冀、长三角和粤港澳大湾区的地区生产总值之和占全国比重已达43.4%，反映了近年来高质量发展的动力源和增长极不断拓展，京津冀、长三角和粤港澳大湾区的引领作用不断凸显。这三大地区地理位置优越，均属于我国东部沿海经济较为发达地区，自然资源较为充沛，吸引了全国乃至全球创新资源快速向其集聚。京津冀地区包括北京市、天津市和河北省，长三角地区涵盖江苏、上海、浙江和安徽，而粤港澳大湾区则包括广东、香港和澳门。

京津冀、长三角和粤港澳大湾区作为东部沿海经济区的中心地区，是推动国家实施创新驱动发展的重点区域，其各省域的创新效率处于何种水平? 受哪些关键因素的影响? 未来应重点从哪些方面着力提升东部沿海三大经济区的创新绩效? 本文将主要围绕这几个问题展开研究，其有助于了解这些区域各省份创新绩效的现状以及发展差异，这对于管理者制定科学的创新促进和区域协同政策提供参考。

1 文献综述

目前国内外学术界对于区域创新问题的研究主要运用统计分析方法、前沿面分析方法和系统分析方法，其中前沿面分析方法侧重对于决策单元的效率评价及影响因素分析，主要包括数据包络分析方法(DEA)和随机前沿分析方法(SFA)。数据包络分析法(DEA)最早是由查恩斯[1]提出，该方法现已在国内外学界得到广泛应用。虞晓芬[2]、樊华[3]、吴传清[4]、白俊红[5-7]等分别以我国各省市、长江经济带各省市和区域创新系统的创新效率为研究对象，应用DEA模型实证分析其科技创新效率，结果显示我国区域技术创新效率是东部地区大于中西部地区，但西部地区创新效率提高快于中部地区。通过构建Tobit回归模型发现产业结构和人力资本水平是影响我国各省市技术创新效率的重要因素。官建成[8-9]、余永泽[10]、苏屹[11-12]等分别以区域创新活动、高技术产业和企业的创新活动为研究对象，将其分为技术产出阶段和技术转化两阶段，运用两阶段DEA模型对各决策单元创新有效性进行了评价，研究结果表明我国各省份之间以及各省份所属的高技术企业之间在技术创新水平上均存在较大差距。刘满凤等[13]应用三阶段DEA模型讨论了我国高新区创新效率问题，研究结果表明长三角和珠三角是技术创新效率值最高的地区，并认为通过改善宏观经济环境、优化产业结构等环境变量有利于提升高新区创新效率。许学国等[14]应用三阶段Malmquist指数对我国八大综合经济区的绿色创新效率进行了测度，并运用概率神经网络方法对绿色创新效率进行了智能诊断。丁莹莹[15]使用两阶段DEA-Malmquist指数法对我国电子信息制造业的军民融合技术创新效率进行了测度，通过实证分析得出所有制结构、技术市场环境和劳动力素质对技术创新效率有正向影响。李廉水等[16]使用DEA-Malmquist模型测算了我国制造业全要素生产率的变动情况，并着重检验了智能化对全要素生产率的影响。

综上，对决策单元的创新效率评价大多采用数据包络分析法(DEA)及基于DEA的Malmquist生产率指数来分析创新效率的静态和动态状况，并在此基础上通过构建Tobit模型分析创新效率的影响因素。本文选择沿海三大经济区省域作为研究对象，通过沿海主要经济区内部以及相互之间创新效率的比较分析找到差异并寻求应对策略，这为相关科技管理决策者进行政策制定提供决策参考，因而具有较好的实践价值。

2 沿海三大经济区省域创新效率的演化与测度

2.1 研究方法

本文选用DEA-Malmquist模型作为测度沿海经济区省域创新效率的主要工具。DEA分析方法是一种非参数统计方法，是用来评价多投入、多产出的相同决策单元是否技术有效的数学规划模型[17]。查理斯等在“相对效率评价”概念基础上，基于要素规模报酬不变(CRS)假设提出了首个DEA模型(CCR模型)，班克等[18]基于规模报酬可变(VRS)假设提出DEA方法的另一种模型即BCC模型，并将综合技术效率值(TE)进一步分解为纯技术效率值(PTE)和规模效率值(SE)。本文选用规模报酬可变的BCC模型对沿海三大经济区省域创新效率进行测评。由于 DEA 模型属于静态效率测度，即传统的CCR、BCC模型只能反映决策单元的静态效率情况，不能反映效率发展的动态变化，而基于DEA模型的 Malmquist 指数能更为全面地反映效率的发展演化过程。基于DEA的Malmquist生产率指数，是一种衡量决策单元生产率变化的工具。该指数由两个元素组成：一个是度量技术前沿面的变化；另一个是度量技术效率的变化。它将全要素生产率变动指数(Tfpch)分解为技术效率变动指数 (Effch) 和技术进步指数(Tech)的乘积，其中技术效率变动指数进一步分解为纯技术效率指数(Pech)和规模效率指数(Sech)的乘积。

2.2 指标选取

在借鉴官建成、吴传清、韩兵、苏屹等研究基础上，本文在DEA-Malmquist指数模型创新投入阶段选取R&D人员全时当量(人年)和R&D经费内部支出(万元)作为投入变量，这两个指标分别代表创新投入的关键要素即研发人员和研发资金的投入量。在模型创新产出阶段则选取了有效发明专利数(件)和新产品销售收入(万元)作为创新产出变量。

由于本文以沿海三大经济区共8个省市为决策单元，而 DEA 分析要求样本量(决策单元数)是选取指标数的2倍以上，选取4个投入产出指标，样本量能达到投入产出指标的2倍，因此本文可以使用数据包络分析法(DEA)进行分析。

本文所有数据均来源于2013-2020年《中国统计年鉴》和《中国科技统计年鉴》。

2.3 静态DEA效率演化与测度

首先使用DEAP Version 2.1软件导入沿海三大经济区8省市在2012-2019年的投入产出变量数据，运用BCC模型(规模报酬可变模型)，得出如下DEA静态效率值。

从表1可以看出，2012-2019年东部沿海三大经济区省域创新的综合技术效率值(TE)的均值都大于0.9，整体而言技术创新效率较高。但具体来看，可以发现在沿海经济区内每个省域的创新效率呈现差异，例如京津冀地区在2012-2019年，北京市技术创新的综合技术效率值均为1，实现了DEA有效；天津市综合技术效率值弱于北京，而河北省综合技术效率值则位于三省市的末位，其技术创新是中等效率。而长三角三省一市综合技术效率值均较高，其中上海市最高，2012-2019年综合技术效率值均为1，实现了DEA有效，浙江和安徽次之，江苏最低。上海市作为全国经济中心，集聚大量创新资源，产出效率较高。而浙江省综合技术效率值较高，源于近年来数字经济和互联网产业快速崛起以及产业结构进一步优化。安徽省近年来则利用政策倾斜和自身科教资源较为充足的优势，大力吸纳各类科技创新资源，创新绩效水平快速提升。而江苏省作为制造业发达的沿海经济强省，其近年来综合技术效率值一直相对偏低，这是因为在其内部不同地域(苏南、苏中和苏北)的产业发展水平和规模效率存在较大差异，从而影响整体的绩效表现。

表1 2012-2019年沿海三大经济区8省市技术创新绩效的综合技术效率值(TE)

将表1所列示的综合技术效率值进一步分解为纯技术效率值和规模效率值。从表2和表3可以看出，在京津冀地区，其中北京市在2012-2019年纯技术效率值和规模效率值均为1，即DEA有效。天津市纯技术效率值较高，但仍在2014-2016年低于1；更重要的是天津市的规模效率仍有较大提升空间，表3所列示从2012-2019年的8年中天津市规模效率值均小于1，其中2012年、2016年、2017年、2018年和2019年的规模效率值均没有达到东部沿海三大经济区8个省市的均值，尽快提升技术创新的规模效率，将是天津市在未来一段时间要努力的方向。与天津市相比较而言，河北省在创新的纯技术效率和规模效率方面都存在短板，与京津两市相比，甚至和沿海三大经济区的其他省份相比，河北省的纯技术效率都是最低的，究其原因则是京津冀地区创新资源更倾向于向科教资源丰富且创新环境优越的北京市集聚，天津市则次之，三地之中吸引力最弱的是河北省。长三角三省一市总体纯技术效率值均较高，但四地之间又有差异，上海市和浙江省2012-2019年间纯技术效率值均为1，为DEA有效；安徽省在2013年和2019年纯技术效率值小于1，其余时期都等于1，在此期间规模效率值均高于江苏省，原因在于安徽省高校资源较为丰富，近年来全力支持大科学装置、合肥综合性国家科学中心等重大平台建设，不断加快创新资源集聚，整体呈现技术创新效率快速提升的态势。江苏省在2012-2015年纯技术效率值都等于1，但在2016-2019年纯技术效率值都小于1，这主要是由于江苏省纯技术效率值总体较高，尽管全省创新支出不断增长，但创新投入的边际收益不高致使其创新绩效并不显著。另外江苏省规模效率值低于长三角内部的上海市、浙江省和安徽省，甚至还低于京津冀地区的河北省，处于三大经济区8个省市的最末位，这主要源于江苏省内不同地域城市的规模效率差异较大从而引致其整体规模效率值偏低。广东省由于紧邻香港和澳门特区，对高端创新资源的集聚吸纳能力较强，从而会产生较高水平的纯技术效率和规模效率，广东省在2012-2019年，纯技术效率值和规模效率值均为1。

表2 2012-2019年沿海三大经济区8省市技术创新绩效的纯技术效率值(PTE)

表3 2012-2019年沿海三大经济区8省市技术创新绩效的规模效率值(SE)

2.4 动态DEA-Malmquist指数的演化与测度

同样运用DEAP Version 2.1软件测算了2012-2019年沿海经济区8省市全要素生产率变动及其分解情况，如表4所示。

表4 2012-2019年沿海三大经济区8省市全要素生产率变动及其分解

由表 4 可知，全要素生产率变化指数在2012-2019年的不同时期数值均大于1，这表明沿海三大经济区的8省市技术创新效率总体呈现增长的发展趋势。同时将全要素生产率指数进行分解，可以看到技术进步指数变动比率除在2017-2018期间小于1，其余期间都大于1，说明沿海经济区省域技术进步稳步提升，外生技术进步能力相对较强。一方面,技术效率变动指数则在2012-2019年呈现小幅波动的特征，但总体均值大于1，表示沿海经济区各省域创新效率呈现稳步增长的趋势，但总体上沿海经济区省域技术创新能力的提升更多是来自技术进步的增长率；另一方面对技术效率变化指数进行分解，沿海经济区纯技术效率变动指数除 2014-2015年期间等于 1和2017-2018年大于1以外，其余时期纯技术效率变动指数均小于1，说明沿海经济区各省域的技术和管理要素效率依然还有较大提升空间，而规模效率变化指数呈现出小幅波动且总体增长的发展趋势，总体而言，沿海经济区各省域创新发展主要得益于外部技术进步，而综合技术效率改善更多是得益于规模效率改善，纯技术效率有待进一步提升。

由表5可以看出，2012-2019年我国沿海三大经济区8省市全要素生产率变动指数均值持续增长，这反映出8个省市总体全要素生产率处在不断改善的状态。具体而言，在京津冀地区，北京市在三地中全要素生产率增长最快，处于绝对领先优势，这得益于北京市拥有较高的科技创新资源集聚度，从表6 可以看出北京市全要素生产率的增幅主要是受技术进步的影响。表5显示出天津市除2012-2013年、2018-2019年这两个时期的全要素生产率增幅高于河北省外，其余时期均低于河北省，天津市对优质创新资源要素的吸纳能力弱于北京市，全要素生产率变动指数呈现上下波动的特点。而河北省近年来由于区域协同发展政策的利好因素，创新资源不断集聚，资源吸纳能力不断增强，从表6还可以看出，河北省创新全要素生产率增幅超过天津，主要是源自于技术效率快速提升，更具体分析是由于河北省近年来的规模效率增长较快而引致的技术效率的提升。在长三角地区，上海市对于创新资源的集聚吸纳能力依然较强，但在2012-2019年中，2012-2013年、2014-2015年和2017-2018年的全要素生产率增幅均小于同期平均值。安徽省近年来科技创新效率较好，尽管增幅呈现出波动，但大部分时期全要素生产率增幅都高于平均值，这同样受益于国家区域一体化发展政策促使创新资源大量集聚，促成该省科技创新能力和效率有较大幅度提升，2020年安徽省区域创新能力排名居全国前列，尽管安徽省的纯技术效率还需进一步努力，但其规模效率和技术进步已经实现了较快增长。江苏省和浙江省近年来创新的全要素生产率增幅不明显，大部分时期都低于同期平均值，其原因在于江苏省和浙江省都是传统沿海经济强省，两省均是制造业强省，其产业结构不断优化，创新资源进一步汇集，创新产出较高，在这种技术水平下已难以持续快速提升全要素生产率，这与吴传清(2017)得出的结论相一致。但江苏和浙江两省依然可以通过加大吸纳高端创新资源要素来进一步提升技术进步率和通过提升管理和技术水平来提升技术效率以及进一步提升规模效率等路径持续推进全要素生产率实现较快增长。总体而言，长三角地区近年来安徽省全要素生产率增长较快，上海市增速放缓，江苏省和浙江省全要素生产率呈现出波动趋势，增速低于平均值。处于粤港澳大湾区的广东省，近年来全要素生产率增幅在2012-2013年、2017-2018年、2018-2019年小于同期均值，而其余时期则大于同期均值。从表6可以看出广东省全要素生产率的增长都是源于技术进步的影响。综上所述，从表5和表6可以看出，从省域来说，北京、广东和上海全要素生产率增幅超过均值，处于第一方阵；而河北和安徽增长较快，处于第二方阵；天津、浙江和江苏增长则较慢，处于靠后的位次。

表5 2012-2019年沿海三大经济区8省市全要素生产率变动指数(TFPCH)的演化

表6 2012-2019年沿海三大经济区8省市Malmquist指数及其分解

续表6 2012-2019年沿海三大经济区8省市Malmquist指数及其分解

3 沿海经济区省域创新效率影响因素分析

3.1 数据和模型

在借鉴樊华[3]、吴传清[4]、李廉水[16]等的研究成果的基础上，慎重选取产业结构(IS)、对外开放度(DO)、政府扶持(GS)、技术市场成交额(TM)、城镇化率(UR)、人力资本水平(HR)6个变量作为创新效率影响因素，分析其对创新效率的影响程度[19-20]。其中产业结构(IS)用各省第二、三产业占 GDP 比重来表示，反映产业结构的高端化对剩余创新效率的影响程度；对外开放度(DO)用进出口总额与地区生产总值的比值来表示，反映出该地区外向型经济的程度对区域创新的影响；政府扶持(GS)用R&D经费内部支出中政府资金的占比来表示，反映出公共财政支出对区域创新效率的影响程度；技术市场成交额(TM)用该地区技术市场成交额来表示，反映该地区技术市场活跃程度对区域创新效率的影响程度；城镇化率(UR)则反映出当地城镇化速度对区域创新效率的影响；人力资本水平(HR)用每10万人中接受高等教育的人数来表示，这反映出该地区未来进行区域创新的R&D人员投入的潜力对区域创新效率的影响程度。数据来自2013-2020年《中国统计年鉴》和《中国科技统计年鉴》。采用处理限值因变量的Tobit模型：

TEit=C+α1ISit+α2Doit+α3GSit+α4TMit+α5URit+α6HRit+εit

(1)

(1)式中TEit为各省域不同年份的综合技术效率值，研究样本时间为2012-2019年。另外Tobit模型针对的是面板数据，而粤港澳大湾区由于港澳特区难以获取全部所需数据，因而只能以广东省的数据来进行回归，只能采用普通OLS方法。

3.2 结果分析

(1)从沿海经济区8省市总体回归结果来看，产业结构对沿海经济区省域创新效率具有显著的正向作用，即第二、三产业产值在GDP总量中占比越高，区域创新效率越高.从区域和省域层面看，广东其产业结构对省域创新效率的正向影响程度大于京津冀经济区，而京津冀又略高于长三角经济区。这反映出产业结构的转型和升级对于区域创新效率提升有积极作用。

(2)从表7可以看出，总体而言，对外开放度对于省域创新效率提升没有显著正向影响。分区域来看，除广东的对外开放度对该地区创新效率有较弱的正向作用外，京津冀和长三角经济区的对外开放度均没有对区域创新效率产生显著的正向影响，这也反映出沿海经济区各省域对引进外部技术的消化吸收再创新能力较弱，对外部资源的利用未能转变为高创新产出。

表7 沿海三大经济区主要经济区创新效率影响因素的回归结果

(3)从表7反映出政府R&D经费的投入对沿海经济区总体创新效率有显著的正向作用。但细分各区域又有差异，在长三角经济区，政府扶持资金对于该省域创新效率有着较为显著的积极作用，而在京津冀和广东，政府对于R&D的扶持资金并没有对当地创新效率产生较为明显的积极影响，这说明在该地区政府科技资金的引领和导向作用没有充分发挥，资金使用效率较低。

(4)从表7技术市场交易额对创新效率的影响来看，沿海经济区总体技术市场交易额对创新效率具有正向作用，也就是说我国沿海经济区技术市场交易比较活跃，交易金额规模较大，这有助于提升地区创新效率。具体而言，京津冀地区和广东的技术市场交易对区域创新有较为明显的正向作用，而长三角地区则不显著。

(5)表7中城镇化率总体而言对于区域创新效率有正向作用，从地区来看，长三角和京津冀地区的城镇化率促进当地创新效率提升，且长三角地区的正向影响程度略高于京津冀地区，而广东的城镇化率并没有对区域创新效率有较为显著的正向影响。总的来说，城镇化率较高的地区，有利于创新的各类基础设施较为完善，更有利于开展创新活动和有更多的创新产出。

(6)从表7可以看出，沿海经济区总体人力资本水平并没有对创新效率提升产生明显的正向促进作用。除京津冀地区的人力资本水平对于当地创新效率有较弱的正向作用以外，长三角和广东省的人力资本水平都没有对当地创新效率产生较为明显的正向作用，究其原因在于高等院校对于人才培养依然还未实现产学研的协同培养，人才培养和产业对人才需求脱节，这也为今后沿海地区人才培养模式的转型提供方向和目标。

4 结论与建议

4.1 结论

本文使用2012-2019年我国沿海三大经济区8个省市面板数据，运用DEA-Malmquist 指数和面板Tobit模型对其创新效率进行了测度及影响因素分析。通过分析可以得出如下结论：

(1)从结果来看，北京、上海和广东的综合技术效率值均为1，达到了DEA有效；浙江、安徽紧随其后；而天津、江苏和河北则排在后三位。具体而言，北京、上海和广东无论是纯技术效率值还是规模效率值都为1，达到了DEA有效；而浙江除个别年份规模效率值低于1以外，其他年份规模效率值和纯技术效率值均为1，达到了DEA有效；安徽无论是纯技术效率值还是规模效率值均大于0.9，总体处于技术创新的高效率水平；影响天津和江苏综合技术效率水平的因素主要是规模效率相对偏低；河北则更需要在纯技术效率水平上进一步提升。

(2)沿海三大经济区的8个省市Malmquist指数即全要素生产率变动指数总体在2012-2019年的不同时期数值均大于1，表明这8个省市的技术创新效率总体呈现增长的发展趋势。沿海经济区各省域创新发展主要得益于外部技术进步，而综合技术效率改善更多是得益于规模效率改善，纯技术效率有待进一步提升。从省域来说，北京、广东和上海全要素生产率变动指数增幅超过均值，处于第一方阵；而河北和安徽增长较快，处于第二方阵；天津、浙江和江苏增长则较慢，处于靠后的位次，其原因分别是技术进步指数、规模效率变动指数和纯技术效率变动指数增幅较低。

(3)Tobit模型回归结果显示产业结构对沿海经济区省域创新效率具有显著的正向作用，即产业结构的转型和升级对于区域创新效率提升有积极作用。政府R&D经费的投入对沿海经济区总体创新效率有显著的正向作用，但对各地的影响差异较大。技术市场交易额以及城镇化率都对省域创新效率有正向作用，而对外开放度和人力资本水平并没有对创新效率提升产生明显的正向促进作用。

4.2 建议

4.2.1 积极推进区域创新体系与能力建设

具体可从以下几方面着手：①鼓励各地政府增加对创新活动的公共资金投入，以此带动更多社会资本投入创新领域，强化对资金使用效率的监督和考核；②积极构建高水平区域协同创新体系，为区域内创新主体吸收外部资源和开展合作提供平台;③积极推动区域创新基础设施与本地各类创新主体建立开放合作关系，构建稳定且紧密协作的区域创新共同体； ④以地区创新能力提升为目标，应强化高校人才培养模式与区域、产业发展深度融合，加强创新型人才培养，坚持理论型和应用型高层次人才培养并重，增强人力资本服务当地创新活动的支撑作用。

4.2.2 完善城镇化空间布局，加快创新型城市群建设

从分析可以看出，城镇化水平同样对创新效率有正向影响作用，因而进一步优化和完善城镇化空间布局，将有利于省域创新效率提升。借鉴国外创新型经济体发展的经验，加快建立创新型城市群是优化和完善城镇化空间布局的较好发展路径[21]。目前在我国应通过将北京、上海、广州、深圳等中心城市非核心功能向周边中小城市疏解，这有利于优化城市群整体空间布局，促进区域创新活动的空间协同和一体化发展，提升国土空间治理能力和效率。为此需要做到：①进一步优化和完善交通基础设施网络，提升大中小城市之间通达水平，不断提高区域内和区域间创新要素流动效能；②增强创新型中小城市的制造业基础能力及产业转移承接能力，优化创新环境，提升公共服务的均等化水平。

4.2.3 通过调节创新资源配置缓解南北经济差距扩大

我国沿海经济区中只有京津冀地区地处北方，而长三角地区和粤港澳大湾区均位于南方，经济上南强北弱的现象较为明显。从对各省域创新效率的分析看出，由于各省域各类资源禀赋的客观差异，致使各地对创新资源要素的集聚和吸纳能力呈现出较大差异，应促进区域内创新要素的有序流动和合理配置，统筹规划创新资源在各地的空间布局，应将京津冀、长三角与粤港澳大湾区三地协同对接，通过开展联合基础研究和共建重大科技基础设施等，加强三地之间的互利合作，实现区域内部和区域之间产业创新驱动转型升级与优势整合，缓解南北经济差距扩大。