中国科技创新效率测度及时空演化研究——基于省域和四大板块区域视角

程 刚，杨梦成，李旭辉

(安徽财经大学 管理科学与工程学院，安徽 蚌埠 233030）

我国正处于经济转型的关键阶段，科技创新成为经济高速增长转向高质量发展的首要推动力，是推进创新型国家建设的必然路径[1]，而科技创新效率的提升是科技创新实现更高水平发展的重要基础。目前，由于我国各省区市在技术水平先进性、创新资源供应量、自然生态承载力等方面存在较大差异，各地区科技创新发展极不均衡，已经阻碍我国科技创新效率的整体提升和区域间的协同发展。在此背景下，科学测度与评价中国省域科技创新效率，有利于进一步掌握区域科技创新进程，对有效实施创新驱动发展战略和区域协调发展战略具有重要的现实意义。

一、文献综述

科学技术是第一生产力，科技进步与创新是推动经济和社会发展的决定性因素，科技创新的能力和水平是衡量国家或地区综合竞争力的重要标准[2]。因此，科技创新研究成为学者们关注的热点话题，而科技创新效率是评价科技创新质量的关键指标。从已有研究进展看，对科技创新效率的相关研究集中在以下几个方面：第一，从研究方法上看，随机前沿分析（SFA）和数据包络分析（DEA）是运用最为广泛的科技创新效率测度方法。随机前沿分析法在测算过程中能够通过控制个体误差对测度的干扰，减少个体差异对整体测度结果的影响，使研究结论更真实反映实际情况。张永安等基于区域科技创新政策研究视角，运用前沿分析方法分析了政策工具对企业创新效率的影响[3]；马晓琳和万志芳采用随机前沿分析法，以3个亚产业面板数据测算其科技创新效率[4]；潘娟和张玉喜运用SFA对中国省域科技创新效率进行了测算[5]。但SFA需要事先界定生产函数形式，一旦出现设定错误，极有可能会导致研究结论错误[6]。而数据包络分析方法运用线性规划技术有效规避主观设定函数形式的影响[7]，并且具有无需权重假设、数据量纲无影响等优点。张振扬基于2018年我国30个地区的工业企业数据，利用三阶段DEA模型进行评价和分析[8]；李燕鸿利用三阶段DEA模型测算出珠三角各城市综合技术效率值[9]；李向容等以长江经济带为研究对象，运用超效率DEA模型对其科技创新效率进行了定量检测[10]。因此，数据包络分析成为评价区域科技创新效率的主流方法[9]。第二，从研究尺度和研究视角上看，部分学者从粤港澳大湾区[11]、京津冀[12]、长三角[13]和单个省市[14-15]等不同研究尺度测度了区域科技创新效率，部分学者从农业[16]、工业[17]、金融[18-19]等研究视角测度了行业科技创新效率。学者们发现东部地区科技创新效率稳居第一，中西部地区趋近全国平均水平[20]；科技创新对产业结构升级具有显著促进作用，并对经济高质量发展存在双重路径影响[21]。

已有研究围绕科技创新进行了多维度多视角的分析和考察，主要贡献在于：一是考虑到不同区域社会经济发展水平，分地区或分行业对科技创新效率进行评价，提出了区域、产业科技创新提升发展路径；二是运用多种方法和模型实证测度科技创新效率，进而实现对科技创新效率值的科学测算。已有研究为本文奠定了良好基础，但关于我国科技创新的研究多集中在省际视角，基于国家区域协调发展战略视角考察我国科技创新效率的研究有待进一步深入。四大板块作为我国经济发展在空间格局上的重大创新、区域协调发展的重要战略布局，对推动新旧动能转换，实现高质量发展具有重要作用。因此，针对上述不足，本文基于省域和四大板块双重视角揭示我国科技创新效率发展特征，选用DEA-Malmquist模型测度2012—2019年我国31个省区市的科技创新效率，利用空间分析工具ArcGIS刻画我国省域科技创新效率的空间演化特征，以时间、空间和属性三个维度全面考察我国省域科技创新发展进程，以期探寻我国科技创新发展时空规律，为提升我国科技创新水平、跻身创新型国家行列提供决策参考。

二、模型构建与数据说明

（一）模型构建

1.BCC-DEA模型

DEA模型是由Charnes等[6]基于线性规划理论提出的一种相对效率测度方法[22]，用于衡量生产过程中具有多个输入和输出“生产部门”的效率水平[23]。该方法通过线性规划问题求解确定权重，避免了人为赋权时决策者的主观判断对测度结果的影响，从而保证测度结果的客观性。DEA模型根据假设前提的不同，可以分为投入导向模型（BCC）和产出导向模型（CCR）两类。其中，CCR模型假定规模报酬不变，对各决策单元的综合技术效率进行相对有效性测度；BCC模型基于规模报酬可变假设，将技术效率进行分解，排除规模的影响得到纯技术效率。而科技创新活动存在知识经济特征，其边际收益具有不确定性，选择BCC模型可以实现对中国省域科技创新效率的科学测算[1]。模型具体构建如下：

2.Malmquist指数

利用BCC-DEA模型可以有效地对各省区市科技创新效率的截面数据进行静态测度，但科技创新是一个动态的系统过程，若仅针对组内决策单元之间单个年份的相对效率值进行比较，无法揭示出中国省域科技创新效率随时间的动态演化规律。因此，为对中国省域科技创新效率进行效率分解及动态影响机制分析，本文引入Malmquist指数对其动态变化情况进行考察。Malmquist指数的模型内涵是运用距离函数对多个对象和多个指标的样本进行测度描述[24]，并且具有数据量纲无影响、数据类型要求低等优点[25]，同时能够简洁实现对生产效率的测度和各项分解[26]。其公式如下：

（二）指标选取与数据来源

科技创新活动是一个多创新主体协同、多创新要素联动的复杂的社会系统工程[27]。对此，本文在中国省域科技创新效率测度中，全面综合考虑全国各地区经济基础、科技资源禀赋以及创新要素投入来源与用途等因素，科学测度衡量一般创新部门间的平衡关系。借鉴已有研究做法，建立科技创新效率测度指标体系（见表1）。

表1 科技创新效率测度指标体系

在投入指标上，将科技创新投入分为研发人员和研发经费投入。科技创新本质上是人的创造性活动，研发人员作为科技创新活动过程中重要参与者，是影响科技创新效率的决定性因素，同时也是科技创新活动顺利实施的关键所在。研发经费是开展科技创新活动的物质基础和重要前提，对国家或区域科技活动起到持续稳定发展的基石与保障作用。因此，本文以研发人员和规模以上工业企业研发经费表征科技创新投入。在产出指标上，将科技创新产出分为知识成果和经济效益产出。创新活动过程中的知识信息凝结在各类文献中，特别是科技论文及专利文献，而专利数据是量化科技创新能力的关键指标，被学者广泛作为科技创新的重要衡量因素[15]。新产品销售收入是区域科技创新产出的重要呈现，反映科技进步带来的经济效益。与已有研究不同，本文增加人均地区生产总值这一变量为产出指标，原因在于科技创新的落脚点是促进经济和社会发展，改善全社会的经济水平，选取人均地区生产总值可以反映科技创新发展对经济的推动作用[28]。是以，本文以国内专利申请授权量、规模以上工业企业新产品销售收入以及人均地区生产总值表征科技创新产出。

鉴于样本数据的可得性，本文选取2012—2019年为样本考察期，重点探究该时段内中国31个省区市的科技创新效率。本文所涉及的指标数据均来源于《中国统计年鉴》《中国科技统计年鉴》以及各省区市统计年鉴，期间个别数据缺失值使用插值法补齐。

三、科技创新效率实证测度及时空演化分析

（一）静态测度

1.中国省域科技创新效率的时间演化

本文基于BCC-DEA模型，利用DEAP 2.1软件对样本考察期内中国31个省区市科技创新效率进行逐年测算，结果如表2所示。

表2 2012—2019年各省区市科技创新综合效率

续表

第一，从整体时间演进来看，我国31个省区市的科技创新效率总体呈现波动上升的状态，将样本考察期划分两阶段（2012—1015年、2016—2019年），2012—2015年我国各省区市科技创新效率总体均值为0.734，2016—2019年我国各省区市科技创新效率总体均值为0.811，这充分表明我国省域科技创新水平总体呈现较为良好的发展趋势。其中，2016—2019年科技创新效率整体水平上浮10.5%，这种上升源于国家和政府制定相关的政策和规定予以支持和鼓励地区科技创新发展、鼓励创新科技人才培养以及引进海内外高层次科技人才等举措，这使得我国科学技术发展迅速，科技创新能力稳步提升。从我国31个省区市来看，地区间科技创新效率值差异波动幅度较大，总体呈现“W形”趋势，2012年DEA有效省区市包括天津、吉林、上海、江苏、浙江、重庆和西藏，效率值均为1，最低效率值的陕西为0.393，两者相差0.607，这表明区域间具有显著空间非均衡性；2015年区域间呈现出更大的差异性，内蒙古科技创新效率值最低，为0.353，与DEA有效省区市相差0.625，但在2016—2018年地区间差异性在逐步缩小，2019年再次出现拐点，地区间效率值差异再次拉大。

第二，将中国31个省区市按四大板块①东部地区包括北京、天津、河北、上海、江苏、浙江、福建、山东、广东和海南；中部地区包括山西、安徽、江西、河南、湖北和湖南；西部地区包括内蒙古、广西、重庆、四川、贵州、云南、西藏、陕西、甘肃、青海、宁夏和新疆；东北地区包括辽宁、吉林和黑龙江。划分来看，各地区呈现出明显的区域性差异（见图1）。东部地区的科技创新效率在0.756～0.897区间内波动式变化，中部地区的科技创新效率在0.652～0.853范围内升降交替，西部地区的科技创新效率在0.638～0.815间距内上下起伏，东北地区的科技创新效率在0.621～0.847周围增减交替，这表明我国四大板块科技创新效率的变化趋势不尽相同，原因可能与地区自身经济发展水平、创新资源禀赋以及政府重视程度密切联系。东部地区经济发展水平较高，创新驱动发展战略落实进程走在前列，科技创新效率持续领先中部、西部和东北地区，创新活力持续释放，在关键环节取得实质性突破，涌现出一系列高水平原创成果，创新效应不断彰显。西部地区经济发展水平较低，但四川、重庆、陕西、甘肃等省区市拥有多所知名高等院校和科研机构，拥有较好的科教资源和人才资源优势，科技创新效率虽起点低，但具有良好的发展态势，应充分发挥西部地区的科技创新潜力，实现创新引领西部地区“变轨超车”。

图1 全国及东部、中部、西部、东北地区科技创新效率趋势

第三，从中国省域视角来看，各时期科技创新综合效率达到技术前沿的省区市较少，基本稳定在4～5个之间，DEA有效省区市占比在12.9%～16.13%如表3。根据各省区市科技创新效率均值，采用四分位数法将其划分为4个梯度等级。其中，位于整体水平25%以内为第一梯队；位于整体水平的25%～50%为第二梯队；位于整体水平的50%～75%为第三梯队；位于整体75%以上为第四梯队。第一梯队科技创新效率偏低（0.495～0.665），包括河北、山西、内蒙古、辽宁、云南、青海和宁夏；第二梯队科技创新效率较低（0.665～0.787），包括黑龙江、福建、河南、湖北、海南、甘肃和新疆；第三梯队科技创新效率较高（0.787～0.889），包括天津、安徽、江西、山东、广东、广西、四川和贵州；第四梯队科技创新效率高（0.889～1.000），包括北京、吉林、上海、江苏、浙江、湖南、重庆和西藏。第一梯队中，陕西科技创新效率波动幅度最大，整体呈现“倒V”趋势，且2012—2016年增长较快，之后呈下降趋势。其余各省区市由于经济技术基础薄弱或地理位置不利，科技创新综合效率大多数年份在0.6以下，距离有效技术前沿存在一定差距。第二梯队中，黑龙江、福建、河南、湖北、海南、甘肃和新疆科技创新综合效率升降交替，但整体呈现上升态势。其中，新疆科技创新综合效率增幅最大，达到59.14%，探究发现新疆近年来持续深化科技体制机制改革，科技成果转化质量提升，“十三五”期间全区科技计划新立项项目6890个，科技成果转化示范专项2225个，同时积极对接各类融资机构，持续加大双创活动支持力度。第三梯队中，贵州科技创新综合效率上下波动最为明显，由考察期初综合效率0.622持续上升至0.985，并在2015年出现拐点，2016年跌落至0.675，随后出现持续上升趋势。主要原因在于2016年贵州创新要素投入产出结构失衡，专利产出存在较大缺口。2014—2019年江西科技创新综合效率稳定上升，并在2019年达到综合效率技术水平前沿，这源于江西在2013年为切实推动产学研深度融合，首创科技协同创新模式，在技术合作、科研成果转化等领域取得重大突破。第四梯队中，除上海、江苏、湖南外，其余省区市大多数年份均为有效状态，说明该梯队省区市实现创新资源要素高效配置，投入产出结构较为合理。

表3 2012—2019年各省区市科技创新要素配置有效区域及比重

2.中国省域科技创新效率的空间演化

本文选取2012、2015、2016和2019年的各省区市科技创新综合效率值，借助ArcGIS软件对其空间分布特征进行分析，采用自然断点法对我国31个省区市的综合效率进行等级划分，共划分低水平、中等水平和高水平三类，等级具体划分标准见表4。并结合表2可以看出，科技创新综合效率值在空间上的高低分布与经济发展格局呈现“东高西低”趋势并不完全一致，部分西部地区科技创新效率值较高。这是由于科技创新效率不同于科技创新能力，科技创新能力是对科技创新资源在其不同用途之间进行合理调配以实现成果产出，并经由创新载体将创新成果转化为经济效益与社会效益，而科技创新效率是利用有限的科技创新资源获取最大化的科技创新产出。因此，科技创新效率不仅对经济和人才具有重要依赖关系，还与地区资源集聚利用水平、科研经费和人员管理、资源转化力度等存在联系，例如甘肃地处西部地区，但其拥有高效的科研活动运行机制和完备的创新政策支持体系，形成了以兰白自创区和兰白试验区为试点的先行科技体制机制改革创新区，加快推进了甘肃省科技领域“放管服”改革。是以，甘肃科技创新综合效率值较高，但总体来看区域发展差异依旧显著。

表4 等级划分标准

（二）Malmquist指数动态分析

Malmquist可以动态反映中国省域科技创新效率的变化情况，应用Malmquist指数对2012—2019年中国31个省区市的科技创新效率进行分解，结果如表5所示。

表5 2012—2019年我国科技创新效率分年度变动指数及其分解

由表5可知，从整体效率变动来看，2012—2019年我国科技创新效率生产率指数均值为1.047，Malmquist生产率上升4.7%。样本考察期内，除2013—2014年全要素生产率小于1以外，其余年份的全要素生产率指数均大于1，表明我国科技创新全要素生产率呈波动趋势，但基本处于稳步上升的阶段，我国科技创新发展总体态势良好，与前文相印证。将全要素生产率进一步分解为技术效率指数和技术进步指数，可以看出2012—2019年技术效率指数和技术进步指数波动较为明显，年度变化不够稳定，平均增长率分别为2%和2.6%，技术效率和技术进步均是促进我国科技创新效率提升的关键原因，全要素生产率增长主要源于两者的协同作用。与此同时，全要素生产率与技术进步指数呈现较为一致的变化趋势，说明在样本考察期内技术进步是影响我国科技创新全要素生产率变化的主导因素。2018—2019年技术规模颓势初显，表明我国或区域对现有创新资源有效利用能力不足，亟须深化管理体制机制改革、加强高新技术研发，激发人才创新活力、加快核心关键技术攻关仍是推动科技创新、打造未来发展新优势的重要举措。将技术效率指数进一步分解发现，样本考察期内纯技术效率指数和规模效率指数均呈现波动变化态势。除2013—2014年技术效率指数主要受规模效率指数影响和2014—2015年、2017—2018年主要受纯技术效率指数变动影响外，其余年份技术效率指数受纯技术效率指数和规模效率指数共同作用的影响。总体而言，纯技术效率指数平均增长1.7%，规模效率指数平均增长0.3%，表明纯技术效率指数和规模效率指数均对技术效率指数的提高起到促进作用。

由表6可知，2012—2019年间中国31个省区市中有26个省区市科技创新全要素生产率大于1，占比高达83.87%，表明我国科技创新效率在不断提升，整体趋势向好，这主要源于创新驱动发展战略的大力实施以及始终坚持科技创新优先发展。其中，西藏的科技创新生产率提升最快，样本考察期间增幅达到18.5%，青海和内蒙古的科技创新生产率增幅也分别达到18.2%和11.2%。原因在于这些西部地区深入学习领会习近平总书记的“越是欠发达地区，越需要实施创新驱动发展战略”讲话精神，通过对外促进区域发展联动、对内全面实施区域中长期科技发展规划，依托“一带一路”倡议，肩负“西部崛起”国家区域协调发展重任，西部地区各领域科技发展取得明显成效，高质量发展的新格局正在加速形成。而重庆科技创新生产率最低，样本考察期内降幅达到3.6%，呈现衰退趋势，这一结果与赖一飞等[29]的结论相一致。

表6 2012—2019年中国各省区市科技创新效率的Malmquist指数及其分解

续表

基于Malmquist分解角度看：北京、天津和上海技术效率均小于1，但其科技创新全要素生产率均大于1，表明技术进步抵消了技术效率下降的影响。究其原因，北京、天津和上海均具有强大的经济基础和优越的地理位置，形成集聚创新资源、创新人才强大磁场，吸引着大量资金和人员的涌进。江苏、湖南、重庆和四川技术效率下降是导致科技创新效率降低的主要原因，其中，江苏规模效率降低引起技术效率下降，纯技术效率无影响，而其余省区市技术效率下降是由纯技术效率和规模效率共同合力作用的结果。原因在于创新资源配置结构的低效性，造成创新资源的浪费，进而对科技创新效率的提升起到明显的抑制作用。吉林和西藏技术效率指数为1，表明技术效率对全要素生产率无作用，技术进步带动全要素生产率提升。这源于两省区科技成果转化活动持续活跃，科技成果转化链条逐渐完善，更多创新成果开始走向市场。其余省区市技术效率均处于增长趋势，原因在于纯技术效率和规模效率的推动作用。

四、结论及政策启示

准确把握中国省域科技创新效率时空分异特征，探究其时空演变过程，是实现科技创新协同发展、形成科技创新高质量发展格局的重要前提。本文通过构建中国省域科技创新效率测度指标体系，基于2012—2019年中国31个省区市数据，借助BCCDEA模型和Malmquist指数分解对中国省域科技创新效率的区域差异及时空演化进行实证分析。

研究发现，样本考察期内，在全国视角下，我国31个省区市科技创新效率整体呈现波动上升的状态，2016—2019年我国各省区市科技创新效率均值较2012—2015年上升10.5%，我国省域科技创新效率总体呈现较好的发展趋势。在区域视角下，四大板块具有明显区域性差异，其中，东部地区科技创新效率始终居于四大板块首位，西部地区科技创新效率处于较低水平；在省域视角下，各时期科技创新综合效率达到技术生产前沿的省区市较少，科技创新效率提升的空间较大。同时采用四分位数法划分梯度等级结果显示，经济发达地区均位于第三或第四梯队，经济落后地区大多暂居第一或第二梯队。

究其原因，我国多数地区存在投入冗余现象，在现有科技创新投入下大部分地区未达到理论产出，造成一定的资源浪费，地区间创新资源配置较不合理，资源利用效率较低。此外，我国省域科技创新效率总体上升但增速有所放缓，主要原因是规模效率增加，但其边际贡献递减。因此，各省区市应根据自身科技创新发展现状，合理调整创新资源投入，促进创新主体对创新资源的高效利用。例如：东部地区应通过设立“科技领军人才”“产业技术领军人才”等各类领军人才支持计划及“创新人才培养”“未来领军人才”等人才专项项目，将更多的科技资本用于激发科技活动人员的创新动机和创新潜力；西部地区通过增加研究课题数、科技创新项目数，加大政府研发资金投入力度，扩充区域整体科技投入规模。

从动态效率测度结果看，样本考察期内，中国科技创新效率生产率指数均值大于1，技术效率和技术进步均是促进我国科技创新效率提升的关键因素，全要素生产率增长主要源于两者的协同作用。其中，技术进步是影响我国科技创新全要素生产率变化的主导因素，全要素生产率与技术进步指数呈现较为一致的变化趋势。而样本考察期内纯技术效率指数和规模效率指数均呈现波动变化态势，大多数年份技术效率受两者同向作用。

因此，各省区市应加快革新科技创新核心技术，根据高校、科研院所和企业等创新主体的科技创新需求，通过设置科技计划专项，支持其关键核心技术攻关，同时在科技创新技术支持平台、科技成果转化等具体方面下“狠功夫”，联合推动科技创新技术进步。此外，推进纯技术效率和规模效率的协同提升，在增强创新资源集聚力的同时继续创新管理机制和保持技术先进性。