中国众创空间科技创新效率的区域差异及空间分布

李鑫　陈银娥

摘 要：基于技术创新和区域经济理论，依据众创空间2017—2019年数据，运用三阶段超效率SBM-DEA动态模型，结合ML指数、Dagum系数和Morans I指数，考量我国众创空间科技创新效率的时空差异和空间分布。结果发现：众创空间科技创新整体效率较低，区域之间差异较大；科技创新效率的差异来源于组内和组间差异，呈现“东多西少”的分布格局，具有较强的局部集聚性。鉴于此，应进一步依托众创空间的科技创新动能和区位优势，构建区域优势产业，优化区域产业结构，聚集科技创新人才，提升科技创新产业水平。

关键词： 众创空间；科技创新；时空分异；SBM-DEA动态模型

中图分类号：F276．44；F273．1文献标识码： A文章编号：1003-7217（2023）02-0088-08

一、引 言

《国务院办公厅关于发展众创空间推进大众创新创业的指导意见》等政策加速了众创空间的发展，明确众创空间承载创新创业功能的定位，进一步激发了大众创新创业的激情，成为我国构建经济发展新格局和创新经济的重要动力。但是，随着众创空间数量的爆发式增长，出现了依赖财政补贴、经营管理不善、科技人才流失等问题，影响了其科技创新能力和科技创新效率，也滞后了其所在区域的科技发展进程。因此，对我国众创空间科技创新发展现状的进一步分析，提出提升众创空间科技创新效率的有效对策，不仅有利于众创空间科技创新能力的提升，也有助于我国有效实施创新驱动发展战略。

目前，国内外学者从以下四个方面进行了相关研究：第一，众创空间的内涵。众创空间是互联网技术和科技发展的产物，一种从虚拟世界转到线下的共享社区[1]，为创客提供舒适的办公场所及多元化服务，激发他们的创新热情[2]，提供创新创业平台[3]，体现民主化的社会价值和自力更生的生存愿望[4，5，6]。众创空间是市场化盈利的服务组织[7]，创客彼此交流想法并相互激励[8]，以提高创新效率为目的[9，10]，具有共享交流、开放式运作以及跨界合作的属性[11]，以及便利化、低成本、平台化、开放性强等特点[12]。第二，众创空间的运行模式。众创空间分为创客孵化型、专业服务型、媒体平台型、投资驱动型、培训辅导型和创业生态型等多种运行模式[13]，以及投资驱动型、产业链服务型、综合创业生态体系型和地产思维型四种类型[14]。有学者对比国内外众创空间的运行模式，具有空间租金、服务收费和投资收益三种盈利模式[15]，需要构建政府保障和以市场主导来重塑众创空间的运行机制[16]；也有学者研究高校的众创空间发展模式，探索其运行及盈利方式[17，18]。第三，众创空间的运行效率。早期学者以问卷调查和面谈的形式获取运行数据，分析和筛选后评价其运行效率[19，20，21]；随后利用公开数据分析企业的存活程度是影响其运行效率的主要指标[22]。从众创空间的经济情况、企业及人才的吸引力、内外部环境的支持程度、金融结构和企业的满意度等8个维度测评其运行效率[23]；入驻企业的数量、员工数量、创造的就业数量和企业成功率等指标也可以评价其运行效率[24]。第四，众创空间的创新效率。有学者选择常驻企业有效知识产权数、发明专利数衡量创新能力，结合发展能力和社会贡献能力，构建创新效率综合評价指标体系[25]；以创业团队数量、初创企业数量衡量创业聚集能力，创业团队和企业吸纳就业情况、有效知识产权数量衡量创新创业成效[26]；以科技成果转化率、专利申请授权数、孵化企业数衡量科技创新效果[27]；也有学者仅用孵化成功率[28]或有效知识产权数量[29]等单一指标评价创新发展水平。在评价方法上，学者们通过模糊集定性比较[30]、三阶段DEA模型[31]和马姆奎斯特指数[32]，研究众创空间的创新效率及影响因素。

总的来说，国内外学者对众创空间进行了多维度的研究，主要贡献在于：一是从多方面探索了众创空间的概念和内涵，为进一步明晰众创空间的内涵奠定了基础；二是分析了众创空间的运行模式和运行效率，从运行特色、运行内容和运行方向等多个方面进行分析，提出了优化众创空间运行模式和效率的发展方向；三是构建了众创空间科技创新的评价指标，运用多种方法和模型分析科技创新效率，为进一步客观评价众创空间科技创新提供了理论基础。以上学者从不同角度对众创空间进行了研究，取得了一定的研究成果。但存在的不足主要有两点：一是多数文献评价众创空间科技创新效率时并未剔除外部环境、随机误差等影响因素，致使对其科技创新的真实水平及动态演变的评估存在偏差；二是已有文献研究了众创空间科技创新效率，但研究其区域差异和空间分布的文献仍相对不足。鉴于此，本文集中研究三个方面：一是构建三阶段SBM-DEA并结合ML生产率指数，将管理无效率、外部环境和随机误差等因素纳入众创空间科技创新效率的分析框架，对我国众创空间科技创新的真实水平和动态演变展开分析；二是运用Dagum基尼系数对众创空间科技创新的区域差异和来源进行解析；三是利用Morans I指数对众创空间科技创新的空间相关性和空间关联性进行识别。

二、研究设计

（一）研究方法

1.三阶段SBM-DEA。

与传统的DEA模型不同，SBM模型将松弛变量引入目标函数中，使得SBM模型的经济解释不单是实现收益最大化，并且是获得实际利润的最大化。SBM方法克服了径向DEA模型不考虑投入产出的松弛性问题，并解决了考虑非期望产出的效率评估问题，在生态效率、环境效率、创新效率评价中应用广泛。当DEA模型分析结果中出现多个DMU被评价为有效的情况，对这些有效DMU无法进一步区别。Andersen和Petersen提出对有效DMU进一步区分其有效程度的方法，被称为“超效率”模型[33]。Fried等人指出传统 DEA 模型并没有考虑环境因素以及随机误差对样本效率评价的影响，需要引入随机前沿模型（SFA）来剔除环境因素和随机误差，再将剔除过环境因素和随机误差的数据进行第一阶段传统DEA方法测算，即将第二阶段SFA回归后的调整过的投入值和原始产出值再通过超效率SBM及ML指数模型测算，得到的效率值更加客观和准确[34]。

2. Dagum基尼系数。

利用Dagum提出的基尼系数分解方法揭示中国众创空间科技创新效率的区域差异和来源。该方法可以充分考虑中国众创空间的空间分布特征和不平衡现象，将其分解为地区内部不平衡、地区之间的不平衡和超变密度。超变密度指地区间因重叠引起的地区不平衡[35]。

3. Morans I指数。

为了进一步从整体上分析我国众创空间科技创新效率，并考察众创空间科技创新效率与其邻近的空间区域上的相关程度，采用Morans I指数模型分析我国30个省市众创空间的全局空间自相关性，探索空间变量的区域结构形态。

（二）数据来源

从《中国火炬统计年鉴》选取我国30个省份（西藏和港澳台地区数据缺失，不包含在内）的2017—2019年众创空间科技创新效率评价指标体系，具体见表1。

三、实证结果及分析

（一）超效率SBM效率分析

通过MAXDEA 8软件的超效率SBM模型（以投入为导向），对我国30个省份众创空间2017—2019年的科技创新效率进行测算，得到整体及个体的技术效率、纯技术效率和规模效率。具体见表2、表3。

从表2可以发现，2017—2019年我国30个省份众创空间技术效率和纯技术效率呈现先递增后递减的趋势，规模效率则一直递减，且纯技术效率较高；从表3可以发现，北京、天津、辽宁、黑龙江、江西、河南、宁夏、新疆的技术效率较高；内蒙古、湖南、江苏、贵州、福建、云南、陕西、重庆、浙江、山东的技术效率较低。因为各个省份众创空间的外部环境存在一定的差异，影响科技创新效率的测算，必须剔除环境变量及随机噪声，获取真实客观的结果。

（二）SFA模型回归实证分析

SFA模型回归分析将第一阶段得到的各个投入松弛变量作为被解释变量，将环境变量作为解释变量，通过建立SFA模型，运用Frontier4.1软件，可得如下结果（表4）。

2017—2019年回归结果的极大似然比（LR值）均通过5%水平的显著性检验，可以认为选择的三个外部环境因素对各个DMU单元效率测算产生了显著性影响。而且三个回归分析中的gamma值分别为0.46、0.66、0.4和0.45，均大于0.1，且都通过显著性检验，说明环境变量影响越大，管理无效率影响较为明显，随机因素影响相对较小。由环境变量对投入松弛变量的回归结果可知，3个环境变量对4个投入松弛变量的回归系数大部分通过了10%以上的显著性水平检验，说明所选择的环境变量对投入松弛变量产生明显的影响。环境变量的系数正负，反映出环境变量对投入松弛变量的影响关系，即负值表示增加环境变量会减少投入松弛变量，即减少投入变量的损耗，从而提升创新效率；反之，环境变量的系数为正值，则表示增加环境变量将会提高投入松弛变量，即加剧投入变量的损耗，从而降低众创空间的科技创新效率。

由上可见，（1）地区生产总值对享受财政资金支持额松弛、提供工位数松弛、举办创新创业活动松弛及众创空间服务人员数量松弛呈现显著正相关性，造成这种现象可能是因为众创空间处于发展初期，内外部基础设施建设尚不完善，并且外部环境没有形成浓厚创新创业氛围，因此过多的增加对众创空间的财政资金支持会导致“财浮于事”“人浮于事”的现象。（2）科学技术支出对享受财政资金支持额松弛、提供工位数松弛、举办创新创业活动松弛及众创空间服务人员数量松弛呈现显著负相关性。这反映出科学技术支出增加将会减少这四个投入的松弛变量，从而提升科技创新效率。这一结果反映了科学技术支出在引导众创空间科技创新过程中发挥的积极作用，更加直接地对各个省份众创空间的科技创新效率的提升明显。如果想要进一步提升科技创新效率，需要在政府财力允许的基础上，加大对众创空间科学技术投入，实现创新创业更高的产出，带动当地的经济发展。（3）对外开放水平对享受财政资金支持额松弛、举办创新创业活动松弛及众创空间服务人员数量松弛呈现显著负相关性，对提供工位数松弛呈现显著正相关性，这反映出对外开放水平增加将会减少享受财政资金支持额、举办创新创业活动及众创空间服务的松弛，从而提升创新效率，但会增加提供工位数的松弛。这一结果表明，对外开放水平的提高会促进众创空间科技创新效率的提升，但会影响提供工位数，这需要各地政府结合本地创新创业的特点，在工位提供上要结合创新创业的需要，而不是片面追求数量的提升，更要注重质的提升和成果转化。

（三）调整后的超效率SBM效率分析

超效率SBM效率分析在第二阶段剔除环境变量的投入变量和初始产出数据基础上，将这些数据重新代入到超效率SBM及ML指数模型进行测算，获得调整后的静态和动态效率值，具体见表5、表6。

1.我国30个省份众创空间科技创新效率的静态实证分析。

由表5可知，剔除环境变量的影响后，2017—2019年我国30个省份众创空间的技术效率和规模效率均呈现递增的趋势，而纯技术效率呈现先递增后递减的趋势。一方面反映我国众创空间整体静态科技创新效率存在稳步提升，纯技术效率依然是技术效率提升的主要原因，反映了2017—2019年各种科技创新技术、方法得到了较好的应用；另一方面反映了创新创业的发展由行业本身和外部环境共同推进，充分利用内外部两种力量，能更好更快地的推动我国创新创业效率的提升。

由表6可知，江苏、浙江和山东从技术效率较低变成技术效率较高的区域，而黑龙江、宁夏、新疆从技术效率较高变成技术效率较低的区域，剔除环境变量影响后的结果更加合理。一方面反映宁夏、新疆等西部省份的创新效率较高可能是国家政策类的扶持，而非市场的直接反应；另一方面反映江苏、浙江等东部省份由于市场环境较为成熟，相关配套齐全，创新效率更多的是依靠市场为主的推动，政府的支持反而相对较少。而从纯技术效率和规模效率来看，剔除环境变量后的第三阶段效率值与第一階段类似。技术效率不高的原因主要是因为规模化不足，更加确定了我国创新创业事业需要进一步提高规模化水平。

2.我国30个省份众创空间科技创新效率的动态实证分析。

本节内容采用超效率SBM及ML生产率指数模型从动态角度分析30个省份在2017—2019年众创空间的科技创新效率变化。运用MAXDEA 8软件，对我国30个省份众创空间的创新效率在2017—2019年的变动进行测算，具体结果如表7、表8所示。

从表7中可以发现，从Tfpch值的情况来看，整体增幅有所放缓的趋势，但增速依然很快，3年内平均增长幅度达到了78.8%。而Effch值年均43.5%的增幅，高于Techch值年均25%的增幅，而Effch值年均43.5%增幅的贡献主要来自Pech值年均增长1.1%以及Sech年均增长42.4%。可以判断相比于技术进步提升，技术效率提升以及规模效率提升是促进Tfpch值提高的主因。因此，对于我国30个省份整体而言，提高各个省份整体的规模化水平是提升创新效率的一项重要工作。

从表8中可以发现，2017—2019年，除了天津和江西的增速为负以外，其他28个省份的增速均为正，部分中西部省份如新疆、湖北、广西、海南等的增速反而超过东部省份。整体而言，2017—2019年，我国绝大部分省份的创新创业工作发展迅猛，增速非常快，尤其是创新工作处于起步阶段、发展较晚的省份上升速度更快。虽然部分省份Tfpch值增长速度接近，但是全要素生产率变化原因却不一定相同，以上海和河北为例，上海2017—2019年间Tfpch值年均增长35.5%，河北2017—2019年间Tfpch值年均增长32.7%，Tfpch值增长速度接近，但是上海Effch年均增长7.6%，Techch年均增长24.7%，而河北Effch年均增长17%，Techch年均增长12.9%，上海全要素增长的主要原因是技术进步的提升，而河北全要素增长的主要原因是技术效率的提升。因此，各个省份需结合自身的实际情况及在我国创新创业大潮中的定位和分工，进行针对性的改善和提升。

（四）地区差异测度与分析

1.我国众创空间科技创新效率的地区差异与分解。

利用Dagum基尼系数及分解方法对我国众创空间科技创新效率进行空间分解（表9）。一是我国众创空间运行效率的总体基尼系数在研究期间呈现下降的趋势，表明我国东中西部地区的众创空间科技创新效率的差距趋于收敛，并且东、中部地区内和地区之间的基尼系数存在一定的异质性。二是从东中西部区域内部比较可以看出，2017—2019年东部和西部区域的基尼系数处于持续下降趋势，并且东部区域下降幅度较大，而中部地区呈现小幅度的先升后降态势。三是从区域间的比较可知东-中区域、东-西区域和中-西区域的基尼系数呈现持续下降趋势，其下降幅度分别是42.49%、31.83%和19.29%。由于中西部地区众创空间不断模仿和借鉴东部地区的先进运行模式和科学技术，从而降低了区域间的差异。四是从2017—2019年的差异来源和贡献度来看，基尼系数地区内部差异、地区间差异和超变密度贡献度较为均衡，而三者的均值分别是30.752%、40.51%、28.738%，可见基尼系数地区间差异的贡献份额较大。

2.众创空间科技创新效率的空间分布。

进一步分析我国众创空间科技创新效率的空间分布，采用全局和局部空间自相关分析方法，利用GeoDa14.0计算2017—2019年我国众创空间科技创新效率的全局Morans I指数、局部Morans I指数，结果见表10、表11。我国众创空间科技创新效率的空间分布特征：一是我国众创空间科技创新效率空间分布存在较强的集聚效应。2017—2019年全局Morans I指数在0.2上下波动，通过P值小于0.05的显著性检验；位于高高聚集区和低低聚集区的省份比例分别为63.33%、76.67%和73.33%，表明这些地区存在空间分布依赖性。二是眾创空间科技创新效率空间部分呈现东高西低、北高南低的总体集聚态势。2017—2019年，北京、河北、山东、江苏、浙江、福建等东部省份多处于高高聚集区，这些省份具有人口、政策、金融等适合进行科技创新活动的资源；在低低聚集区的云南、贵州、四川和广西等省份则相对缺少这类资源。而上海、湖南、重庆、广东等处于低高聚集区或高低聚集区的省份，一般会受到相邻省份正反两个方向的影响，即众创空间科技创新效率会被邻省的创新人才、创新技术或创新资金等资源冲击，说明高聚集区会对低聚集区具有科技创新的溢出效应和带动作用，而低聚集区也会对其相邻地区的科技创新产生锁定特征。

四、结论与对策建议

利用三阶段超效率SBM-DEA动态模型和ML指数，以及Dagum基尼系数分解方法和Morans I指数对2017—2019年我国30个省份的众创空间科技创新效率进行了检验，结合我国众创空间的运行现状，得出如下结论：

第一，从整体上分析，我国30个省份众创空间科技创新效率存在稳步的提升是由于技术效率的拉动，但是仍然参差不齐，其主要原因是规模效应严重滞后了其发展和运行效率，需全面地提升规模效应才能有效提升众创空间科技创新效率。

第二，我国大部分省份的众创空间科技创新效率发展迅猛，增速非常快，尤其是处于起步阶段或发展较晚的众创空间上升速度更快。但是每个省份的众创空间科技创新效率的提升都是由不同因素引起的，例如上海主要是由科学技术的发展，而河北则是技术效率的提升。因此，各个省份众创空间需结合自身的实际情况，进行针对性的改善和提升。

第三，科学技术和对外开放对我国众创空间科技创新效率的提升具有显著作用，因此各地区需要加大科学技术投入，进一步激活科技创新经济；同时也要加大加快对外开放，吸引先进的科技创新技术、资金和人才。

第四，从地区差异上来看，我国众创空间发展的地区差距逐渐收敛，东中部和东西部地区的差距下降幅度是最大的，说明东部地区众创空间发展的先进技术和经验正在逐渐地向中、西部地区溢出，促进了该地区众创空间的发展，提升了其科技创新运行效率。从全局和局部空间来看，我国众创空间科技创新效率空间分布存在较强的集聚效应；众创空间科技创新效率空间部分呈现东高西低、北高南低的总体集聚态势，并且我国大部分的众创空间聚集在华东、华南和华北地区。

基于上述结论，提出进一步提升众创空间科技创新效率的对策建议：

第一，提高各省众创空间科技创新的规模效率。一是加速众创空间科技成果产业化，围绕科技创新企业进行规划并鼓励龙头科技企业间的合作，搭建科技成果市场化平台，促进科技创新成果转化。二是加速众创空间的科技产业结构升级，通过税收优惠政策、科技产业扶持政策等，培育人工智能、区块链、大数据等科技型企业，调整区域科技产业发展结构，加快科技产业发展步伐，促进科技产业升级。

第二，明确各省众创空间的定位、分工及合作。一是各省份众创空间需紧密结合区域的要素禀赋优势，从科学研发、技术升级、人才素质等多方面考量，形成具有区域特色的发展模式。二是基于人才、技术等要素禀赋优势的异质性，众创空间科技创新效率的提升需要紧密合作，形成优势互补、协同创新的发展态势，才能进一步提升众创空间科技创新的效率。

第三，加大科技投入和对外开放程度。一是众创空间需要借助财政支出、金融市场、民间资本以及利用外资等形式加大科学技术的资金支持力度，进一步激发企业科技创新的激情。二是强化与不同地区或国家的经济、贸易、技术的交流与合作，有计划、有重点、有选择地从国外引进适用且先进的技术设备，聘请必要的外国经济技术专家指导科技创新工作。

第四，全方位优化空间结构和空间治理。一是基于不同省份社會经济发展程度的差异性，加强众创空间科技创新资源的集约利用，坚持科技创新资源存量空间盘活，并进一步激活科技创新空间增量，增强众创空间科技创新区域合作能力。二是建立健全空间经济关联，降低资源自由流动的空间约束和壁垒限制，促进科技创新知识技术溢出、生产要素和资源的有序流动，推进众创空间科技创新资源的有效配置，形成有机联动和协调发展的区域一体化空间格局。

参考文献：

［1］ Hunsinger J. The social workshop as PLE：Lessons from hacklabs[J]．Proceedings of the PLE Conference，2011，10：7-13．

[2] Mohomed I， Dutta P. The age of DIY and dawn of the maker movement[J]. ACM  Sigmobile Mobile Computing & Communications Review， 2015， 18（4）：41-43.

[3] El-Ariss T. Hacking the modern： Arabic writing in the virtual age[J]. Comparative Literature Studies， 2010， 47（4）：533-548.

[4] Bauwens M，Mendoza N，Iacomella F．Synthetic overview of the collaborative economy［J］． Chiang Mai： P2P Foundation． Accessed August，2014： 12-15．

[5] 顾莹．众创空间发展与国家高新区创新生态体系建构［J］．改革与战略，2015（ 4）： 66－69．

[6] Willett R. Making， Makers， and makerspaces： A discourse analysis of professional journal articles and blog posts about makerspaces in public libraries[J]. The Library Quarterly， 2016， 86（3）：313-329.

[7] 贾天明， 雷良海. 众创空间的内涵、类型及盈利模式研究[J]. 当代经济管理， 2017（6）：13-18.

[8] Moilanen J.Emerging hackerspaces-peer-production generation[M]. Open Source Systems： Long-Term Sustainability. Springer Berlin Heidelberg， 2012：94-110.

[9] Troxler P. Commons-based peer-production of physical goods： Is there room for a hybrid innovation ecology？[J]. SSRN Electronic Journal， 2010：8-16.

[10]众创空间研究课题组. 众创空间的“前世今生”[J]. 科技智囊， 2017（11）：64-81.

[11]郑巧英，朱常海．国家高新区“三次创业”主题文章之八：众创空间的概念、运作机制与发展建议［J］．理论视野，2015（8）：132-137.

[12]李燕萍，陈武.中国众创空间研究现状与展望[J].中国科技论坛，2017（5）：12-18，56.

[13]芦亚柯. 我国众创空间的运行模式、制度环境及制度创新策略[J]. 商业经济研究， 2017（4）：121-123.

[14]李同月. 众创空间运营模式分析[J]. 中外企业家， 2016（8）：246-248.

[15]杜枫.中美众创空间商业模式的比较与分析[J]. 现代经济信息， 2017（4）：40-42.

[16]李燕萍，李洋.中美英三国创客空间发展的比较及启示[J]. 贵州社会科学， 2017（08）：84-90.

[17]张育广. 高校众创空间的运行机制及建设策略——以广东工业大学国家级创客空间为例[J]. 科技管理研究， 2017（13）：101-106.

[18]袁俊榆，谢鑫. 高校专业化众创空间的建设与运行——以电子科技大学无线通信国家专业化众创空间为例[J]. 中国高校科技， 2017（S2）：68-69.

[19]张力. 企业孵化器研究前沿与突破方向探析[J]. 外国经济与管理， 2010，32（6）：19-24.

[20]Harpe-Anderson  E， Lewis D A. What makes business incubation work？ Measuring the influence of incubator quality and regional capacity on incubator outcomes[J].Economic Development Quarterly，2018，32（1）：60-77.

[21]Fukugawa N.Is the impact of incubators ability on incubation performance contingent on technologies and life cycle stages of startups？：Evidence from Japan[J].International Entrepreneurship and Management Journal，2018，14（2）：457-478.

[22]Aerts K， Matthyssens P， Vandenbempt K. Critical role and screening practices of European business incubators［J］. Technovation， 2007， 27（5）： 254-267.

[23]Barbero J L， Casillas J C， Ramos A， et al. Revisiting incubation performance： How incubator typology affects results[J]. Technological Forecasting & Social Change， 2012， 79（5）：888-902.

[24]Schwartz M . A control group study of incubators impact to promote firm survival[J]. Journal of Technology Transfer， 2013， 38（3）：302-331.

[25]刘筱寒，王栋晗，谷盟，等.基于三阶段数据包络分析的国内众创空间创新效率研究[J].科技管理研究，2020，40（20）：64-74.

[26]李洪波，史欢. 基于DEA方法的国内众创空间运行效率评价[J]. 华东经济管理， 2019， 33（12）： 77-83.

[27]宋宏，张璐.众创空间投入与区域科技创新发展关系实证研究[J].科技管理研究，2018（12）：15-21.

[28]闫丽平，谷立霞，陈晔.创新驱动战略下高技术产业发展能力评价[J].企业经济，2016（6）：54-58.

[29]杜宝贵，王欣.众创空间创新发展多重并发因果关系与多元路径[J].科技进步与对策，2020，37（19）：9-16.

[30]黄钟仪，赵骅，许亚楠.众创空间创新产出影响因素的协同作用研究——基于31个省市众创空间数据的模糊集定性比较分析[J].科研管理，2020，41（5）：21-31.

[31]张静进，陈光华.基于DEA模型的众创空间创新创业效率及投入冗余比较研究[J].工业技术经济，2019，38（9）：26-34.

[32]许亚楠，黄钟仪，王艺，等.中国众创空间运营效率评价及影响因素研究[J].科技管理研究，2020（4）：80-87.

[33]Andersen P， Petersen N C. A procedure for ranking efficient units in data envelopment analysis[J]. Management Science， 1993， 39（10）：1261-1264.

[34]Fried H O， Lovell C， Schmidt S S， et al. Accounting for environmental effects and statistical noise in data envelopment analysis[J]. Journal of Productivity Analysis， 2002， 17（1-2）：157-174.

[35]Dagum C. A new approach to the decomposition of the Gini income inequality ratio[J]. Empirical Economics，1997， 22（4）， 515-531.

（責任编辑：钟 瑶）

Regional Differences and Spatial Distribution of Science and Technology

Innovation Efficiency in Chinas Crowdsourcing Spaces

LI Xin1，2，CHEN Yine3

（1.Wenlan School of Business，Zhongnan University of Economics & Law，WuHan，Hubei 430073，China；

2.School of Finance & Economics，Hunan University of Finance & Economics，ChangSha，Hunan 410205，China；

3.School of Economics & Management，Changsha University of Science & Technology，ChangSha，Hunan 410014，China）

Abstract：Based on theories of technological innovation and regional economy， the three-stage super-efficiency SBM-DEA dynamic model， combined with ML index， Dagum coefficient and Morans I index， was applied to consider the spatial and temporal differences and the spatial distribution of technological innovation efficiency of crowdsourcing innovation spaces in China based on the data of crowdsourcing innovation spaces from 2017 to 2019. The results show that the overall efficiency of science and technology innovation in crowdsourcing innovation spaces is low， and the differences between regions are large; the differences in science and technology innovation efficiency are within and between groups， and the distribution pattern is “more in the east and less in the west”， with strong local clustering. In view of this， we should further build up regional advantageous industries， optimize regional industrial structure， gather scientific and technological innovation talents， and improve the level of scientific and technological innovation industries by relying on the scientific and technological innovation kinetic energy and location advantages of crowdsourcing spaces.

Key words：crowdsourcing space; science and technology innovation; spatio-temporal differentiation; SBM-DEA dynamic model

收稿日期： 2022-09-23

基金項目：国家社科基金重点项目（21AJL007）、湖南省教育厅科学研究项目（22C0687）

作者简介： 李 鑫（1987—），男，湖南澧县人，博士，中南财经政法大学应用经济学在站博士后，湖南财政经济学院财政金融学院讲师，研究方向：数字金融与商业模式创新；陈银娥（1966—），女，湖南湘阴人，博士，长沙理工大学经济与管理学院教授，博士生导师，研究方向：数字普惠金融。