中国科技资源配置效率的时空特征及动态演进

杨晓娟，李兴绪

（1.云南财经大学 统计与数学学院，云南 昆明 650221；2.海南经贸职业技术学院，海南 海口 571127）

一、引言

随着中国经济结构转型的深入推进，科技创新已成为中国经济高质量发展的重要驱动力。2021 年3 月6 日，《中华人民共和国国民经济和社会发展第十四个五年规划和2035 年远景目标纲要》 指出，科技创新在中国现代化建设中处于核心地位，并基于这一指导理念打出组建国家实验室、拓展科研管理“绿色通道”、适度超前布局国家重大科技基础设施等一套“组合拳”。对于科技创新而言，优化科技资源配置、提高科技资源配置效率是关键环节[1]。然而，中国在长期发展过程中形成的“东强西弱”经济发展格局，致使科技资源在空间分布上并不均衡，制约国家科技创新战略的深入实施[2]。此背景下，如何优化区域间科技资源配置结构、提高科技资源配置效率成为中国实现科技创新的关键。

针对中国科技资源配置效率的研究，学术界主要集中于效率测度、效率影响机制以及区域差异等方面[3-11]，较少关注全国科技资源配置效率的演进特征并预测其长期演进趋势。为拓宽对中国科技资源配置效率的研究广度，文章以中国31 个省份为研究对象，在测度中国科技资源配置效率水平的基础上，刻画其时空动态分布特征。在深入剖析科技资源配置效率转移过程后，进一步预测2022 年与2025 年中国科技资源配置效率等级分布状况。文章可能的创新贡献在于：第一，在充分考虑指标松弛性问题的基础上，运用超效率SBM模型测度中国科技资源配置效率值。第二，对中国三大区域科技资源配置效率的水平进行对比分析，全面考察全国范围内科技资源配置效率的时空演变特征。第三，《关于构建市场导向的绿色技术创新体系的指导意见》 指出要在2022 年建成绿色技术创新体系，而《关于推进国家技术创新中心建设的总体方案（暂行）》 则强调，要在2025 年建设若干国家技术创新中心。基于以上时间节点，尝试揭示2022 年与2025 年中国科技资源配置效率的等级演进情况，为未来科技创新发展提供理论依据。

二、研究设计

1. 研究方法

（1） 超效率SBM 模型

数据包络分析法(DEA)主要用于评价多投入、多产出决策单元(DMU)之间相对有效性的一种非参数方法。DEA 可以在输入或输出变量方面等比例调整无效DMU，但一定程度忽略了对DMU 松弛部分的改进[12]。Tone 为弥补这一缺陷，提出非径向SBM 模型[13]。该模型在目标函数中纳入松弛变量，有效解决DEA 忽略松弛变量及非期望产出等问题，同时也有效避免评价结果的偏差[14]。然而，SBM模型在运用过程中会出现多个DMU有效分析，影响对有效DMU 的评价。为消除这一影响，学者们进一步构建超效率SBM模型[15]。该模型在运行过程中会剔除被评价的DMU，使DMU 效率值大于1，以便进一步区分有效DMU。故文章以超效率SBM模型测算中国科技资源配置效率。

在超效率SBM 模型中，假定有m个被评价决策单元，记作DMUj(j=1，2，…，m)，每个DMU 中都包含n个投入与a种产出，第q个DMU 会包含xiq(i=1，2，…，n)个投入与yrq(r=1，2，…，a)种产出。超效率SBM模型如下：

在构建的模型中，η 代表效率值，当η≥1，表明被评价的决策单元有效；γ 代表权重向量；分别表示剩余变量与松弛变量。

（2） Kernel 密度估计法

文章将以连续的密度函数曲线描述中国科技资源配置效率的分布动态演进，进而直观展示出科技资源配置效率演进过程中的分布位置、形态以及延展性。作为求解随机变量概率密度函数的非参数方法，Kernel 密度估计具有模型依赖性弱、结果稳健性强等特征[16]。基于测度样本分布的整体形态，Kernel 密度估计能够反映样本分布的动态演变特征，其原理是通过计算某一周围点的个数，对数据x1，x2，…，xn进行测度，Kernel 密度估计的表达式为：

其中，中国科技资源配置效率水平的密度函数以f(x)进行表示，n表征省份个数，h表征带宽，K(·)表征函数Kernel，需满足对称性，且∫K(x)dx=1。

（3） 马尔科夫链

文章参考韩增林等(2019)[17]的研究方法，以马尔科夫链方法研究中国科技资源配置效率的动态演进过程。首先以马尔科夫转移矩阵方式将科技资源配置效率水平指数划分为K 种等级类型，进而计算特定时间下某一区域的科技资源配置效率向高水平或低水平转移的概率，用以刻画科技资源配置效率的动态演进趋势。详细而言，在初始年份，各等级类型状态用La表示，变换为Lb需要通过c步，且这一概率记作Pab，则：Pab=nab/na。其中，nab表示La向Lb转换的频数，na表示处于La的总频数。

综上，马尔科夫状态转移概率矩阵为：

当某一事件的初始状态为π(0)时，可以通过递推公式求出该事件在经过d次转移后处于其他可能状态的概率，记作π(d)，以此预测这一事件在第d时刻的状态概率。

2. 指标体系构建

考虑到指标数据可得性，基于多维度、多层次原则构建科技资源配置效率的评价指标体系，具体如表1 所示。其中，结合罗珊与孙熹寰(2021)[18]、夏清华和乐毅(2020)[19]等学者研究结果，选取R＆D 人员全时当量、研究与开发机构R＆D 人员、R＆D 经费支出占GDP 比重、国际互联网用户数以及邮电业务总量作为投入指标，分别反映科技资源配置中的人力资源投入、财力资源投入与信息资源投入。选取国内专利申请受理量、研究与开发机构发表科技论文数、技术市场成交额以及高新技术产业新产品销售收入作为产出指标，分别反映科技资源配置中的科技成果产出与科技成果转化。其中，投入指标共有5 个，产出指标共有4 个，决策单元（省份） 为31 个，且决策单元数量高于投入产出指标总数的三倍，符合效率测算规则。

表1 中国科技资源配置效率评价指标体系

3. 数据来源

基于数据一致性与可得性考虑，文章选取2011—2020 年中国除港澳台地区外31 个省份的科技资源配置效率面板数据作为研究样本。所有样本指标数据均源自历年《中国统计年鉴》 《中国科技统计年鉴》 《中国高技术产业统计年鉴》以及国家统计局官网。同时，参照《中国统计年鉴》将中国31 个省份划分为东部地区、中部地区、西部地区三大区域。利用SPSS 软件，对采集的数据进行预处理。此外，通过相邻年份估算法对个别缺失值进行补充，而对于涉及到的数值型货币指标数据，学者们大多使用永续盘存法进行计算（叶云等，2020；郭晗等，2019）[20，21]。同时，考虑到折旧率等问题，文章将以2010 年作为基期，利用相应价格对数值型货币指标进行平减处理，以降低价格波动对实证结果的影响。

三、实证分析

1. 科技资源配置效率分析

根模型(1)~(2)，以Maxdea3.2 软件进行测算，得到各省科技资源配置效率值（见表2），并进一步刻画出全国及东、中、西部三大地区科技资源配置效率变化状况（见图1）。可以得出：

图1 2011—2020 年全国及三大地区科技资源配置效率值变化图

表2 2011—2020 年31 个省份科技资源配置效率值

整体来看，2011—2020 年，全国科技资源配置效率均值为0.674，总体配置效率水平较低。其中北京、河北年均效率值分别为0.962、0.961，位居全国前两位；宁夏与青海年均效率值为0.140、0.128，位于全国后两位。就2020 年而言，31 个DMU 中仅有3 个效率值达到1，占比为9.67%，证明现阶段中国科技资源配置效率仍有较大的提升空间。可能的原因在于，现阶段中国科技资源配置渠道较为封闭，传统的科技资源配置通常以发挥局部科技优势为主，重点在于整合区域或部门内部科技资源。在此模式下，科技投入大多来源于政府财政或企业研发费用，而科研项目大多由高校、研发机构组织研发。然而，这种配置模式仅能保障区域内部科技的研发与创新，无法在更大范围内进行科技资源的整合与配置。

从省域层面来看，不同省份之间科技资源配置效率具有较为明显的差异。以2020 年为例，科技资源配置效率排名前五的省份如北京、河北、广东、上海、辽宁主要集中于东部地区；中部地区仅有湖南排名较前，位于第六；西部地区仅四川排名相对较高，位于第九。究其原因，这些省份大多为高投入、高产出地区，拥有较为完善的高新技术产业体系与稳定的技术市场，在科技成果转化以及科技创新等各方面的体制机制都较为成熟。而其余省份则存在科技成果转化率低、高新技术产业体系尚未形成、资源配置欠公平等问题，致使当地科技资源配置效率水平偏低。

东、中、西部地区旅游效率均值分别为0.809、0.731、0.481，分列第一、第二和第三位。从变化趋势来看，三大地区科技资源配置效率变化趋势与全国基本保持一致，地区间差异并未表现出明显缩小趋势。进一步分析发现，东部地区内部差异较大，排名前五的省份均值都在0.9 以上，其中，北京科技资源配置效率最高，为0.962；海南科技资源配置效率值排名最后，为0.358，可见区域内各省份的科技资源配置效率存在明显差距。究其原因，北京、深圳等经济发展较好地区积极开展优化科技基础设施建设，完善创新成果转化机制，提升科技资源配置效率，而海南等地区科技创新力量则较为薄弱，导致东部地区内部差异较为显著。中部地区内部差异较小，但变化不稳定，一直处于波动变化中，且总体平均效率从2011 年的0.679 增长到2020 年的0.808，在三大区域中变化最小，说明中部地区科技资源配置长期维持低效增长态势。西部地区变化不大，总体平均效率从2011 年的0.368 增长到2020 年的0.567，表明西部科技资源配置效率有一定的改观。可能的原因在于，西部大开发战略带动大量科技资源向西部地区流动，促使西部各省科技资源配置效率稳步上升。

2. 中国科技资源配置效率时空动态分布

（1） 中国科技资源配置效率时间动态分布

为更直观地分析中国科技资源配置效率的时间演化趋势与空间分布特征，基于上述2011—2020 年科技资源配置效率值的测算结果，运用Kernel 密度估计法对中国科技资源配置效率的整体动态演变特征进行分析。首先通过Eviews8 软件估计科技资源配置效率的Kernel 值。其次选取代表性年份2011 年、2014 年、2017 年、2020 年的相关数据绘制Kernel 密度曲线（见图2）。最终通过对不同时期曲线进行比较分析，总结出中国科技资源配置效率时间动态变化特征。

图2 2011—2020 年中国科技资源配置效率Kernel 密度分布

就曲线位置而言，图中4 个年份的密度函数中心位置出现了较为明显的右移，这表明中国科技资源配置效率水平呈逐年提升态势。就变化幅度而言，图中4 个年份的曲线形状大致相同，变动不显著，但在整体上跨度较大，这表明中国各省份之间科技发展水平差距较大。就峰值而言，2011—2020 年间Kernel 密度曲线峰值呈现明显升高态势，表明中国科技资源配置效率的绝对差距正在逐步缩小。相较于2011 年，2014 年的Kernel 密度函数中心虽然出现右移，但最高峰值有所下降，说明此时中国科技资源配置效率虽然有所提高，但省域间差异仍保持扩大态势。就峰宽而言，2014 年主峰宽度较2011 年出现显著拓宽的变化趋势，这意味着该时段内全国范围内科技资源配置效率较高省份平均水平差距有所拉大。相较于前3 个年份，2020 年的Kernel 密度曲线宽度显著收窄，且峰顶密度为历年最高，这表示区域内部的科技资源配置效率水平差异逐渐缩小，集中度有所提高。就峰的数量而言，2011 年、2014 年、2017 年与2020 年，中国科技资源配置效率核密度分布均为单峰，说明国内科技资源配置效率发展相对协调，未出现多极化发展趋势。

（2） 中国科技资源配置效率空间动态分布

在明晰中国科技资源配置效率的时间动态分布状况下，进一步利用AreGIS10.5 软件分析中国科技资源配置效率水平的空间分布（图略）。采用自然断裂法将2011—2020 年中国科技资源配置效率水平划分为高水平、较高水平、中等水平、较低水平以及低水平五个等级进行空间分析，最终总结出地理空间上的特征规律（见表3）。整体而言，中国科技资源配置效率差异显著，未表现出明显的集聚趋势。2011 年高水平科技资源配置效率分布单位较为分散，包括上海、北京、吉林、山东、江苏、湖北、四川等11 个省份，约占样本总量的35.4%；较高水平科技资源配置效率的地区个数较少，仅有安徽与重庆两个；中等水平科技资源配置效率的分布单位多集中在浙江、黑龙江、天津、江西、福建、河南、甘肃、陕西8 个省份，占样本总量的25.8%；较低水平科技资源配置效率的分布单位多集中于贵州、新疆、山西、云南等8 个省份，约占样本总量的25.8%；低水平科技资源配置效率的分布单位仅有青海与宁夏2个省份。2014 年高水平科技资源配置效率的分布单位总数未出现变化，其中吉林与湖北出现下降，天津、陕西实现从中等水平到高水平的跃迁。故高水平科技资源配置效率省份仍为11个；较高水平科技资源配置效率较2011 年增加2 个，其中湖北由高水平降至较高水平，河南则由中等水平上升至较高水平；吉林科技资源配置效率由高水平降至中等水平，山西、云南、贵州、广西等则由较低水平上升为中等水平，故中等水平科技资源配置效率的省份共有10 个，约占样本总量的32.3%；较低水平科技资源配置效率省份较2011 年减少5 个，仅剩内蒙古、新疆与海南3 个省份；由于西藏由较低水平降至低水平，故低水平科技资源配置效率省份最终为3 个。2017 年高水平科技资源配置效率省份达到14 个，约占样本总量的45.1%；较高水平省份在总量上相较于2014 年增加2 个；中等水平科技资源配置效率省份显著减少，剩余5 个，其中，天津由高水平回落至中等水平；较低水平与低水平科技资源配置效率省份相较于2014 年并无变化。2020 年高等水平省份数量并未出现变化，但黑龙江与吉林表现出下降趋势，河南、重庆有所上升；较高水平科技资源配置效率省份最终为7 个，其中，云南与贵州为新增省份；中等水平科技资源配置效率省份相较于2017 年减少1 个；较低水平与低水平科技资源配置效率省份仍未发生变化。

总体来说，样本期内高水平科技资源配置效率省份所占比重整体表现出上升趋势，高水平区域数量分别为11 个、11 个、14 个、14 个，高水平省份数量始终最多，且集中于东部地区；较高水平科技资源配置效率省份数量同样表现出持续上升态势，分别为2 个、4 个、6 个、7 个；中等水平科技资源配置效率省份数量出现大幅降低，分别为8 个、10 个、5 个、4 个，较高水平与中等水平的省份大多集中于中部地区；较低与低水平科技资源配置效率省份相对稳定，且多集中于西部地区。综上，科技资源配置效率在空间分布上表现为东部地区最高、中部地区次之、西部地区最低的特征，与“东高西低”的经济发展空间分布相一致。

3. 中国科技资源配置效率演进趋势及预测

（1） 中国科技资源配置效率动态演进趋势

尽管上述分析很好地刻画出中国科技资源配置效率时空动态分布特征，但难以揭示科技资源配置高低转化的概率以及长期趋势。由此进一步通过马尔科夫转移概率矩阵解决上述问题（见表4）。首先根据中国科技资源旅游配置效率水平的高低将某一省份相邻地区划分为5 种不同类型：即低于科技资源配置效率全国平均水平20%的省份为低水平，20%~40%之间的省份为较低水平，40%~60%之间的省份为中等水平，60%~80%之间的省份为较高水平，高于80%的省份为高水平。再通过计算各省份在不同等级下的转移概率，以此进一步分析2011—2020年以来科技资源配置效率等级的转移变动情况。

表4 2011—2020 年中国科技资源配置效率的转移概率矩阵

表4中，ti表示初始状态，ti+1则表示下一年等级转移后的概率。对角线元素表示初始状态的省份在下一年不出现转移的概率，而非对角线元素则表示初始状态的省份在下一年出现变化的概率。矩阵上的对角线数值越趋近1，表示科技资源配置效率在该等级上的概率越大。列(N)表示样本期内各省份在不同等级状态下的总数，第3~7 列则表示从初始状态变化到对应状态的总次数。

整体来看，矩阵中非对角线概率均小于对角线概率，这说明中国科技资源配置效率发生转移的可能性较小。究其原因，科技资源配置效率在发展过程中存在一定惯性，大多数的转移会发生在相邻等级之间，且向下转移趋势较大，较难实现跨等级转移。除此之外，高等与较高水平在对角线上概率最高，证明中国科技资源配置效率在这两个等级上的变动较为平稳，且具备较强的持续性；中等与较低水平对角线概率较低，非对角线概率较大，这表明中国科技资源配置效率具备较大的等级变动波动。

具体来看，相较于ti期，ti+1期中国科技资源配置效率水平高的地区仍有66%的概率处于高水平阶段，同时向较高水平转移的概率有27%，向中等水平转移的概率有7%。较高科技资源配置效率水平的地区仍有50%的概率处于较高阶段，其向高水平转移的概率有15%，向中等水平转移的概率有35%。中等科技资源配置效率水平的地区有52%的概率处于中等阶段，向较高水平转移的概率有13%，向高水平转移的概率仅有9%。较低科技资源配置效率水平的地区有40%的概率处于较低阶段，向中等水平转移的概率有23%，向较高水平转移的概率有11%。低科技资源配置效率水平的地区有63%的概率处于低水平阶段，向较低水平转移的概率有37%。通过测算可知，科技资源配置效率在原等级上停留的概率最大，且向下转移的概率大于向上转移的概率。

（2） 中国科技资源配置效率等级分布概率预测

在明晰中国科技资源配置效率动态演进趋势的基础上，进一步分析其长期演化趋势。2019 年，国家发改委与科技部印发《关于构建市场导向的绿色技术创新体系的指导意见》，其中明确提出到2022 年基本建成以市场为导向的绿色技术创新体系。2020 年《关于推进国家技术创新中心建设的总体方案（暂行）》同样指出，到2025 年布局建设若干国家技术创新中心，以突破关键技术瓶颈。以上述两大政策目标所选时间节点为导向，依据马尔科夫链的原理及递推公式，将2020 年作为基期，预测2022 年和2025 年中国科技资源配置效率各等级数量占总体数量的概率（见表5）。

表5 2022 年和2025 年中国科技资源配置效率水平等级分布概率

由表5 等级数量分布概率结果可知，3 个样本年份中高水平与较高水平地区占比较大，低水平地区占比较小。详细分析各等级比重变化，高水平、较高水平与中等水平均实现不同程度的上涨，而较低水平与低水平均呈下降趋势。这表明中国科技资源配置效率有向高水平逐渐集中的趋势，但这一转移趋向速度较慢，未表现出显著特征。2020—2022 年，中国科技资源配置效率在5 个等级上的增减状况分别为2.9%、2%、7%、-11.3%、-10.6%；截至2025 年，中国科技资源配置效率在5个等级上的增减状况分别为12.5%、4.3%、10.8%、-19.7%、-22.6%。整体来看，前3 年与后3 年的增长速度均呈现先上升后下降的“橄榄式”分布状态。前3 年变化幅度相对较大，而后3 年变动较为平缓。由此可见，中国科技资源配置效率未来一段时间内有望将向上转移。

四、结论与建议

文章选取2011—2020 年中国31 个省份面板数据，基于省级数据构建科技资源配置效率评价指标体系，运用超效率SBM模型测度了科技资源配置效率，并结合Kernel 密度估计法以及马尔科夫链分析中国科技资源配置效率的时空动态分布及演进趋势。得出以下结论：

一是考察期内，中国科技资源配置效率总体水平不高，表明现阶段中国科技资源配置效率具有较大提升空间，且省份之间、区域内部省份之间以及三大区域间均表现出明显的发展差异；

二是随着中国科技资源配置效率水平逐年增长，科技资源配置效率绝对差距呈现缩小趋势，但相对差距仍在不断扩大；

三是科技资源配置效率水平表现出“东高西低”的空间分布特征。高科技资源配置效率省份始终最多，且所占比重整体呈上升趋势，主要集中于东部地区；较高科技资源配置效率省份数量同样呈直线上升态势，主要分布在中部地区；中等水平科技资源配置效率省份数量出现大幅降低，分布区域较为分散；较低与低水平科技资源配置效率省份相对稳定，多集中于西部地区；

四是科技资源配置效率水平存在惯性，大多数的转移会发生在相邻等级之间，且向下转移趋势较大，难以实现跨等级转移；

五是中国科技资源配置效率未来一段时间内有望向上转移。

基于上述实证结论，提出以下几点建议：

第一，重点向中部与西部地区投入资源。实证结果表明，中国科技资源配置效率区域间差距重点体现在东部地区与西部地区的差距上。究其原因，中部与西部地区在科技创新过程中大多充当了原材料供应方，科技创新中下游产业严重缺失，使得科技资源配置效率低下，科技创新能力较弱。基于此，政府在制定相关政策方针时，需在财政、税收等方面向中部与西部地区进行适当倾斜，为其营造一个利于基础科技研究的生态环境，促使中部与西部地区科技资源配置效率的快速提升，进而提高中高端生产供给能力。除此之外，政府还可以通过教育释放科技体制改革的创新潜能，在培养科技人才的过程中强化科技创新能力，从本源缩小区域差距。

第二，推动区域间均衡发展。根据研究结论可以发现，区域之间科技资源配置效率差距仍在不断扩大，且呈现东部地区“领跑”其他区域态势，故需大力推进中部地区崛起、西部大开发等战略。其中，中部地区需重点提高较低水平省份的科技资源配置效率，着重强化其科技创新能力与成果转化能力。西部地区则需基于“西部大开发战略”，将内蒙古与西藏地区的科技基础设施建设作为发展重点，提高科技资源配置效率。东部地区则需进一步整合优化科技资源，强化对科技人才的引进力度，创新科技人才体制机制。总体而言，各省份均需积极贯彻落实“十四五”规划要求，大力推进重大产业科技攻关，提高科技成果转化率，加强培育科技型企业，推动科技资源向基层流动。

第三，加快科技创新成果转化。由于企业、科研机构与高校是科技创新成果转化的重要途径，因此政府应大力推进产学研结合，充分统筹协调三者之间的合作关系。主要体现在两个方面：一方面，依据科研输出机构的实际需求，为其配备充足的人力、物力及财力资源，并着力完善科研资源管理机制，避免浪费科研资源；另一方面，在企业中推广北京的“三城一区”（三个科学城、一个经济技术开发区） 科技创新平台，促使企业整合科技资源，提高科技项目研发生产效率。