嵌入创新承载力的西部省份科技创新效率测度

郑姣

摘 要：采用三阶段DEA-Windows模型，选取2009—2018年省域面板数据，考虑科技创新产出的滞后性特征，并将创新承载力嵌入环境影响因素中，对我国西部11个省份科技创新效率进行测度。研究表明：剔除环境因素和随机干扰的影响后，几乎所有省份纯技术效率上升，除陕西和四川省技术效率和规模效率上升外，其余省份均出现下降，说明西部省份技术效率水平低主要是由规模效率所导致。此外，通过投入松弛与环境变量的回归发现，增加政府支持和高新技术产业规模有利于提高创新效率，而较高的创新承载力和经济发展水平，会增加创新投入冗余，抑制技术效率的提升。最后，结合研究结论给出相关的政策建议。

关键词：科技创新；效率测度；创新承载力；三阶段DEA

中图分类号：F062.4    文献标识码：A 文章编号：1005-6432（2023）13-0007-06

DOI：10.13939/j.cnki.zgsc.2023.13.007

1 引言

科技創新是推动经济社会高质量发展的重要引擎，是区域综合竞争力的重要体现［1］。创新承载力是一个地区承载技术创新活动的能力［2］，对提升区域科技创新效率、实现投入产出的有机转换至关重要。若将区域科技创新视为以一定资源投入实现科技产出的系统，则效率可理解为投入产出的转化率。如，李兰冰［3］从资本和劳动衡量科技创新投入，选择专利申请数作为创新产出指标，采用数据包络分析（DEA）方法，对我国31个区域省份的科技创新效率进行测度。史修松等［4］以区域省份科技活动内部支出和科技人员为投入变量，运用随机前沿分析方法（SFA）测算并分析中国区域创新效率及其空间差异。但上述研究并未就环境影响因素进行讨论，为此学者采用回归分析方法对科技创新效率影响因素进行研究［5］，但在测度时并未剔除环境要素对效率的影响，这会导致结果偏差。之后，学者引入三阶段DEA模型，通过剔除环境因素和随机干扰，更为客观地反映区域间的科技创新效率差异。白俊红等［6］考虑环境因素的影响，选取省份截面数据，采用三阶段DEA对我国30个省份的科技创新效率及创新性测度进行研究。此外，考虑创新效率的时间变化趋势，乔元波等［7］结合省域面板数据，采用三阶段DEA-Windows模型，对创新效率进行评价。范建平等［8］采用三阶段EBM-Windows模型，选取省域面板数据进行实证。然而，创新效率的高低一定程度上依赖区域创新承载力的转换效果，鲜有将科技创新承载因素纳入环境影响范畴。此外，科技创新产出存在一定的滞后性，因此，文章采用三阶段DEA-Windows模型，选择西部省份面板数据，将科技创新产出年份滞后投入两年期，引入创新承载力的概念，计算区域创新承载力指数值，并将其作为环境因素进行分解和比较，既考虑创新承载力外部环境因素对科技创新效率的影响，又关注各省份创新效率时间维度的变化趋势，以期对区域科技创新效率进行更为准确的评估。

2 研究方法及变量选取

2.1 研究方法

现有关于效率测度的方法主要包含随机前沿分析和数据包络分析两种。SFA是结合经济学原理，通过预先设定生产函数进行效率测算，结果的准确性对生产函数依赖较大。相对而言，DEA在测度效率值时，无须预先设定生产函数和指标权重，能够保证计算的客观性和准确性。为此，Fried等［9］提出三阶段DEA方法，将投入产出调整到相同的环境之中，能够更为准确地反映决策单元的效率。然而，基于截面数据的三阶段DEA方法，不能反映效率随时间的变化趋势，为了对决策单元在不同时间点上的效率评价，学者引入三阶段DEA-Windows方法进行效率测度［10］。结合Fried等的研究，文章采用三阶段DEA-Windows方法对西部省份科技创新效率进行测度，具体过程如下：

第一阶段：运用DEA-Windows方法计算科技创新效率。文章第一阶段选择投入导向的BCC规模报酬可变模型进行效率测度，考虑面板数据和效率的时间变化，参考已有研究［11］，选择DEA-Windows方法计算表时，窗口期设定为3。

第二阶段：松弛变量的类SFA面板回归模型。对第一阶段求得的投入松弛变量的环境影响进行估计，以环境最差的决策单位为基准，将所有单元的投入调整至相同环境。借鉴刘自敏等［12］在第二阶段对类SFA面板回归的修正，构造投入导向的SFA回归函数：

Si， j， t=fi（Zj， t; βi， t）+νi， j， t+μi， j， t; i=1， 2， …， I; j=1， 2， …， N; t=1， 2， …， T（1）

式中，Si， j， t表示第t年第j个决策单元第i项投入的松弛值，Zj， t=（Z1jt， Z2jt， …， Zkjt）表示第t年第j个决策单元的k个可观测的环境变量，βi， t为待估环境变量的系数；νi， j， t+μi， j， t是混合误差项，其中，νi， j， t为随机干扰，假设其νi， j， t～N（0， σ2vijt），μi， j， t表示管理无效率，假定其服从截断正态分布μi， j， t～N+（μi， σ2μi， j， t）。按照管理无效率项与时间的关系，可将面板SFA分为非时变模型与时变衰退模型，非时变模型假设νi， j， t与μi， j， t相互独立。时变衰退模型假设管理无效率随时间变化而变化，μj， t=exp{－η（t－Tj）}uj，Tj表示第j个决策单元的最后一期，η为衰退系数。结合刘自敏等提供的方法，先采用时变衰退模型进行SFA估计，对估计出的η进行检验，如果拒绝η=0的原假设，则采用时变模型，反之，则采用非时变模型。

为了将所有决策单元调整至相同的环境中，采用如下公式：

Yi， j， t=Xi， j， t+［max（fi（Zj， t; βi， t））－fi（Zj， t; βi， t）］+［max（νi， j， t）－νi， j， t］

i=1， 2， …， I; j=1， 2， …， N; t=1， 2， …， T（2）

式中，Yi， j， t为第t年第j个决策单元第i项投入的调整值，Xi， j， t为第t年第j个决策单元第i项投入的原始值，等式右边第二项表示对外部环境因素进行的调整，第三项表示对随机误差进行的调整。面板SFA回归后，按照公式（2）进行投入变量的调整。

第三阶段：运用DEA-Windows方法再次计算效率值。将调整后的投入代入DEA-Windows模型，选择BCC模型和相同的窗口期进行再次计算。

2.2 变量选择

2.2.1 投入产出变量

关于创新投入，资本和人力是科技创新效率测度的两个核心指标，对于省域科技创新投入也选择该类指标，与钟祖昌［13］研究保持一致，选择各省份R&D内部支出和R&D人员全时当量作为投入指标。

科技创新产出存在多种衡量指标，参考肖文等［14］研究，选择专利和新产品销售收入作为产出指标。其中，选择发明专利授权量作为产出指标。新产品销售收入选择高技术产业新产品销售收入进行表征。同时，考虑到技术市场同交易额，能够反映科技创新与经济效益以及成果转化的市场价值，将其作为产出指标。

2.2.2 创新承载力环境变量

创新承载力体现出一定时期内区域所具备的创新资源有效支撑该地区产业持续创新的能力［2］。相对科技创新投入产出，创新承载力具有明显的外部性特征。文章从投入—承载—产出的角度，将创新承载力定义为支撑区域科技创新投入产出转换的研发载体及资源。创新承载力取决于区域创新资源的支持，若区域创新载体及资源短缺，则创新承载力水平较低，科技创新的投入就难以有效实现产出，而创新承载力过剩则会导致创新载体闲置和浪费，影响创新效率和能力的提升。

科技创新资源通过政策引导和市场需求，依托企业、高等院校以及科研机构等科技创新载体，促进科技创新资源的流动和集聚，实现科技创新成果和效益产出。因此，选择区域高等院校、高新技术企业、规模以上工业企业中拥有的研发机构企业数量，拟合出创新承载力环境变量值。

2.2.3 其他环境变量选择

考虑环境要素对科技创新效率的影响，从政府支持、产业结构、地区发展以及创新承载力四个方面进行衡量。结合已有研究，政府支持用各省份科学技术支出占当年公共支出比例表示，产业结构选择高技术产业主营业务收入占规模以上工业企业销售产值表示，地区发展选择地区人均GDP进行表征。

3 数据及实证分析

3.1 数据来源

选择西部11个省（市）自治区，由于西藏主要指标数据缺失，暂时不进行分析。数据来源于2010—2019年《中国统计年鉴》《中国科技统计年鉴》《中国火炬统计年鉴》，且考虑到科技产品和效益产出具有明显的滞后性，与已有研究保持一致［15］，将产出指标之后两年期进行效率测度，即投入指标和环境变量选择2009—2016年指标数据，产出指标选择2011—2018年数据进行测算。

3.2 实证结果分析

3.2.1 创新承载力环境因素

考虑到创新承载力与创新投入的同期性，选择2009—2016年各省份高等院校、高新技术企业以及规模以上工业企业中拥有的研发机构企业数量等数据，运用复合熵值法计算权重，拟合出创新承载力的各年份指数值。见表1，其中，四川、陕西、重庆创新承载力排名靠前，而内蒙古、新疆、青海科技创新承载力则排名靠后。

3.2.2 第一阶段DEA-Windows效率计算结果

遵循已有研究，设置窗口期为3，选择BCC模型，采用Win4deap2软件测算2009—2018年各省份综合技术效率（TE）、纯技术效率（PTE）和规模效率（SE）值。由计算结果可知，各个省份历年综合技术效率均值在0.297～0.937，纯技术效率位于0.347～0.983，规模效率处于0.611～0.991，多数省份纯技术效率存在较大提升空间。其中，陕西和重庆科技创新效率较高，内蒙古、宁夏以及新疆三個自治区科技创新综合技术效率则相对较低，可提高空间较大，且新疆和内蒙古纯技术效率值较低，这也表明该阶段技术效率值较低主要是由纯技术效率所导致。从时间变化趋势分析，内蒙古和广西波动较大，其中，内蒙古在2010年，广西在2014—2016年效率出现较大的变化，结合实际数据可知，两者技术市场合同交易额分别在2010年和2014年较前后年份出现较大波动。

3.2.3 第二阶段：类SFA回归结果

考虑到不同省份之间科技创新环境差异性较大，第一阶段计算出的效率值包含环境要素的影响，直接比较会造成判断上的偏差。因此，以第一阶段的投入松弛变量作为因变量，以环境变量为自变量，进行SFA面板数据回归。先需要通过检验衰退系数的显著性来判断，使用时变衰退模型还是非时变模型。先按照时变衰退模型进行面板回归，得到两个投入松弛标量的η分别为-0.0294和-0.0193，t值分别为-0.9291和-0.6707，不能通过显著性检验，因此，采用非时变模型进行面板回归，结果见表2。

由表2可知，单边LR test检验在5%的置信水平下通过显著性检验，说明选择类SFA回归是适合的，其次，两个投入松弛面板回归中，γ值分别为0.6475和0.7363，说明管理无效率项和随机扰动对投入松弛均有影响，有必要进行分离。再者，环境变量政府支持、产业结构、创新承载力以及地区发展对松弛变量均有显著性影响。其中，政府支持和产业结构两个因素回归系数均为负，说明提高政府支持力度和增加高技术产业结构占比，能够减少投入松弛，提高区域省份创新效率。相反，创新承载力和地区发展回归系数为正，提高创新承载力增加了投入松弛，不利于提高创新效率，其可能原因在于创新承载力取决于高新技术企业、含研发机构的规模以上企业和高校的数量的增加，创新承载力越大，发展水平越高，各省份在研发资金和人力方面的投入越大，相应产生的投入冗余量就越大。

3.2.4 第三阶段：调整后的DEA-Windows效率计算

考虑到环境因素对各个决策单元的影响，将窗口期设置为3，用调整后的投入变量再次进行效率测算。计算后发现，陕西、四川和重庆三个省份（直辖市），综合技术效率、纯技术效率以及规模效率排名靠前，三项指标历年均值均大于0.9，表现出较高的一致性和均衡性，其他省份则表现出综合效率和规模效率相比纯技术效率较低的现象，这表明剔除环境因素和随机干扰后，多数省份综合技术效率变化主要源于规模效应。

为了更为直观地比较，对第一阶段和第三阶段计算的效率的均值进行比较，见图1，图2和图3。可以看出，相比第一阶段，测度结果存在较大差异，即环境因素和随机干扰对效率值会产生较大影响。总体而言，经调整后，多数省份创新技术效率和规模效率出现下降，而纯技术效率几乎全部省份（除贵州外）均有所增加，综合技术效率水平低的原因，由第一阶段的纯技术效率较低转化为调整后的规模效率较低。

具体而言，对于综合技术效率，陕西和四川两省经调整后有所增加，且一直处于较高水平，无独有偶，这两个省份无论是经济发展水平还是创新承载力均处于西部领先水平，说明未考虑环境因素和随机误差情形下，会导致陕西和四川两个省份综合技术效率偏低，其原因是外部环境因素影响而非管理水平较低所造成。其余省份均出现降低的情形，其中，青海、贵州、宁夏以及新疆降低幅度最大，其技术效率虚高的原因得益于有利的创新环境和较好的机会（运气），而非实际管理水平较高。这也说明环境因素对技术效率影响较大，通过控制环境因素能够实现对综合技术效率的提升。

此外，从纯技术效率分析，对于具体省份而言，除贵州外，其他省份（直辖市）纯技术效率历年均值均有所增加，其中，内蒙古、新疆、云南、广西以及甘肃依次最大，这也说明这些省份纯技术效率被嚴重低估，结合规模效率，除陕西和四川外，其他省份综合技术效率下降，表明对这些省份而言，技术创新投入产出未达到最优规模，规模效率会抑制技术效率的提升，可以通过扩大要素投入规模提高这些省份的创新效率。

图1 综合技术效率平均值调整前后比较

图2 纯技术效率平均值调整前后比较

图3 规模效率平均值调整前后比较

4 结论及建议

4.1 研究结论

为了更加客观真实地反映区域科技创新效率，文章采用三阶段DEA-Windows方法，考虑环境因素和随机干扰的影响，对我国西部11个省份科技创新效率进行测度。得出如下研究结论：①剔除环境因素和随机误差影响后，效率值出现较大变化，具体表现为多数省份综合技术效率和规模效率呈现下降趋势，而几乎所有省份纯技术效率上升，表明环境因素对各个省份创新效率存在较大影响，且规模因素是影响多数省份技术效率的主要因素，其中，技术效率被低估的省份（陕西和四川）属于经济发展和创新承载力水平较高的省份，其原因并非由管理水平引起，相反，其他省份存在被高估的情形主要原因是环境因素和运气成分。②通过对投入松弛变量和环境因素回归发现，四项环境因素对投入松弛变量均有显著性影响，其中，政府支持和产业结构对创新投入松弛具有负向影响，即增加政府投入、优化高新技术产业结构能够降低投入冗余，有利于资源配置和创新效率的提高。相反，创新承载力、地区发展与投入松弛存在正相关，即区域创新承载力和发展水平越高，科技创新投入就越大，可能产生的投入冗余就越高，影响科技创新效率的提升。

4.2 政策建议

（1）国家应从促进地区协调发展的角度，合理优化各省份科技创新布局，对科技创新效率提升空间大、具备发展潜力的省份给予政策倾斜和较大的自由度，逐步缩小与发达省份差距。地方政府应以新时期西部大开发为契机，明确各省自身优势和短板，努力获取规模性投入增加的同时，积极优化创新环境，承接东部省份和西部发达省份技术转移。

（2）考虑西部省份科技创新效率存在显著差异，对于类似陕西和四川创新效率较高的省份，应进一步优化创新环境，注重高质量和内涵式发展，发挥西部科技创新的引导作用。而对创新效率相对较低的其他省份，如宁夏、内蒙古、青海等省份，科技创新水平提高空间较大，应增强政府支持力度，增加规模投入的同时，应提高科技创新管理水平，优化高技术产业结构。

参考文献：

［1］白俊红，江可申，李婧.中国区域创新系统创新效率综合评价及分析［J］.管理评论，2009，21（9）：3-9.

［2］陈斌.长三角城镇化、产业集聚与区域创新承载力的耦合关系［J］.南通大学学报（社会科学版），2020，36（1）：29-42.

［3］李兰冰.我国区域科技创新效率评价——以省际数据为样本［J］.科技管理研究，2008，28（9）：87-90.

［4］史修松，赵曙东，吴福象.中国区域创新效率及其空间差异研究［J］.数量经济技术经济研究，2009，26（3）：45-55.

［5］樊华，周德群.中国省域科技创新效率演化及其影响因素研究［J］.科研管理，2012，33（1）：10-18.

［6］白俊红，蒋伏心.考虑环境因素的区域创新效率研究［J］.财贸经济，2011（10）：104-112.

［7］乔元波，王砚羽.基于三阶段DEA-Windows分析的中国省域创新效率评价［J］.科学学与科学技术管理，2017，38（1）：88-97.

［8］范建平，连嘉琪，吴美琴.中国区域科技创新效率研究——基于三阶段EBM-Windows模型［J］.中国科技论坛，2019（11）：113-122.

［9］FRIED H O，LOVELL C A K，SCHMIDT S S，et al.Accounting for environmental effects and statistical noise in data envelopment analysis［J］.Journal of productivity analysis，2002（17）：157-174.

［10］張凡凡，张启楠，李福夺，等.基于三阶段DEA-Windows的主产区粮食生产效率评价［J］.中国农业资源与区划，2019，40（5）：158-165.

［11］余华茂.基于Windows DEA模型的我国自然灾害应急公共投入绩效研究［J］.中国安全生产科学技术，2019，15（7）：39-45.

［12］刘自敏，张昕竹，杨丹.我国省级政府卫生投入效率的时空演变——基于面板三阶段DEA模型的分析［J］.中央财经大学学报，2014，1（6）：97-104.

［13］钟祖昌.国家创新效率的结构特征及其收敛性研究：基于OECD国家和中国的经验分析［J］.科学学与科学技术管理，2012，33（2）：22-29.

［14］肖文，林高榜.政府支持、研发管理与技术创新效率——基于中国工业行业的实证分析［J］.管理世界，2014（4）：71-80.

［15］王雪原，王宏起.基于产学研联盟的科技创新资源优化配置方式［J］.中国科技论坛，2007（11）：3-7.