基于动态StoNED方法的工业企业创新资源配置效率研究

孙 龙,雷良海

(上海理工大学 管理学院,上海 200093)

改革开放以来,中国创新发展经历了“引进-吸收-模仿”三阶段,逐步转入了依靠自主创新推进产业转型升级的关键时期[1]。但近年来,中国创新产出并未随着投入的大幅增加而同步增长:2017～2020年中国国内研发支出总额的年均增长率高达11.15%,按购买力平价计算,2020年中国研发支出总额已达到3 420亿美元,仅次于美国,位列世界第二。然而,同期中国发明专利申请数的年均增长率仅为2.71%,发明专利申请数占专利申请总数的比重更是从37.36%降至28.82%,这些都反映出中国创新领域愈发受到边际效益递减规律的严重影响[2]。尤其后疫情时代愈演愈烈的逆全球化浪潮,更加剧了提高中国自主创新能力的迫切性。Arrow[3]明确指出,反映创新能力的技术水平是强烈依靠研发投资积累的,这意味着中国创新投入还要进一步增加,效率瓶颈需要尽快突破。规模以上工业企业是中国创新发展的重要承载[4],集中了一大批有人力、有资金、有技术的工业企业,涵盖了代表知识密集型的高端装备制造业。为此,本文将重点研究中国规模以上工业企业的创新资源配置效率问题。

创新资源配置效率表示单位科技创新投入要素合理有序地分配到创新部门,经过整合按照最优组合进行创新活动后所获得的最大产出水平[5],这一产出水平会因所处环境的变化而发生改变[6]。近年来,国内外学者在创新效率的研究内容和方法上愈发趋同。Giedre等[7]以及Ana等[8]分别采用DEA和SFA 两种不同方法研究了欧洲地区创新系统的效率水平。Broekel等[9]利用改进的共享投入DEA模型估算了德国的创新效率。Aparicio等[10]则在效率测度方法上进行探讨,认为DEA 方法存在对多维度边界超载问题,并对此提出了一些改进。朱承亮等[11]以及李作志等[12]也分别采用SFA 和DEA 方法聚焦中国研发效率的评价,并分别从人力资本和研发投入分配方面提出了政策建议。赵聚辉等[13]通过构建DEA-BCC 模型对中国科技研发2014～2016 年的指标进行静态研究,并结合Malmquist指数做出动态分析,指出了中国省域科技研发效率存在显著差异。刘兰剑等[14]通过DEA与Malmquist指数相结合的方法对比了中国和OECD 创新型国家间科技投入产出效率,结果表明,中国全要素生产率的提高来自规模效应而非研发效率。

现有研究存在两大局限:①内容上,局限在R&D 效率,使得对创新活动的认识缺乏完整性。R&D 固然是影响整体创新产出的关键环节,R&D后的科技成果转化、产业化等阶段也同样重要,以往研究缺乏对R&D 效率和生产效率相互联系的分析框架而无法正确估计创新效率。②方法上,DEA和SFA 虽然都具有研究效率问题的优势,但也都存在显著缺陷。DEA 为确定性非参数方法,最早由Charnes等[15]提出,它无须提前假设特定函数形式,且包容性强,可处理多投入多产出等情况;但缺乏统计特性,即对于样本观测点到生产前沿面间的残差估计量中只包含非有效部分,并未涵盖随机误差或噪音[16-17]。SFA 为随机参数方法,首先由Aigner等[18]以 及 Meeusen 等[19]分别独立提出,后经Battese等[20]改进推广。它考虑到了噪声对生产前沿面估计的影响,能有效分离纯粹的随机误差和非效率项,但需要提前设定特定的函数形式,而恰当的函数形式和误差项分布往往难以确定,最终可能导致估计的严重偏差[21-22]。

针对现有研究的不足,本文以中国省际规模以上工业企业为研究对象,从内容和方法上进行改进:首先,借鉴创新价值链理论将创新活动划分为技术成果研发和转化两个紧密联系的阶段,并通过专利指标作为研发产出和转化投入来衔接两者,用两阶段创新资源配置效率来全面反映企业的创新效率问题。其次,为更好地综合上述两种传统方法的优点并规避其各自的缺点,本文采用随机非参数数据包络(Stochastic Nonparametric Envelopment of Data,StoNED)分析方法[23]进行研究。StoNED 将DEA 的非参数边界与SFA 对效率残差项和噪声项的处理整合在一个前沿分析的框架内,利用两种方法的优势来解决效率评估问题。StoNED 方法处于研究初期,目前使用较少,国内少数学者进行了有益探索。其中:周四军等[24]通过测算商业银行效率从理论和实证两方面验证了StoNED 模型比超效率DEA 模型更合理;沈小波等[25]利用StoNED 模型对中国工业部门体现的和非体现的技术进步进行了估算;谢建辉等[17]通过对比DEA 指出了StoNED模型的优越性并提出了改进;范德成等[6]利用中国高端装备制造业数据对行业科技创新资源配置效率进行了测算,并甄别出了企业规模等具有显著作用的影响因素。

本文分为两个部分:①将科技创新活动划分为技术成果研发和技术成果转化两个前后衔接紧密的阶段,利用StoNED 方法估算中国各省规模以上工业企业在科技创新两阶段的资源配置效率;②在估算的两阶段效率值基础上,运用Tobit模型分别对可能影响效率的地区经济发展水平、地区科研实力、政府支持力度、企业重视程度及企业资产规模5个影响因素进行研究,找出影响两阶段效率的关键因素,有针对性地提出改善创新资源配置效率的政策建议。这对改善当前科技创新领域的资源配置浪费现象,提高技术研发和成果转化两个阶段的创新产出具有重要的理论和现实意义。

1 理论模型和测度方法

1.1 静态横截面数据StoNED模型

假定生产函数f:y=f(x)为单调递增的凹函数,x为投入变量,y为产出变量,f为可能的生产集。根据SFA 模型,引入一个随机成分表示真实值与观测值之间的偏差,即εi=vi-ui。其中:ui>0为非效率项,反映企业自身可控制但未达最优的部分,由于无效率会提高成本,故ui服从单边分布;vi反映统计噪声的随机误差项,服从vi～N(0,δ2)。则生产函数形式为

采用矩方法来估计StoNED 模型,包括3步:①对残差的凹面非参数最小二乘法;②基于条件分布的无效率项的估计;③StoNED 效率值E的估计。

1.1.1的估计 StoNED 模型采用凹面非参数最小二乘法(CNLS)对合成误差项εi进行估计,相比普通最小二乘法(OLS)和调整最小二乘法(MOLS),其优点在于考虑了更为一般的单调凹回归函数的非参数形式,且允许截距和斜率随着样本个体变化而改变。可以写为如下二次规划问题:

对于未事先设定固定生产函数的形式,CNLS模型是采用一种非特定的生产函数形式来估计n个切超平面。第1个约束条件为线性回归方程,其中斜率系数βi为要素i的边际产出;第2个约束条件通过不等式的形式保证了函数的凹性特征;第3个约束条件保证了函数单调递增的性质。

1.1.2的估计 为分离非效率项ui和随机误差项vi,当合成误差项εi显著偏倚时,可通过矩估计计算和。首先计算合成误差项的二阶和三阶中心距,即:

m2、m3分别为真实矩μ2、μ3的一致估计量,进一步可得:

由式(3)和(4)可求得和的一致估计量分别为:

非效率项ui的均值和方差分别为:

式中:φ是标准正态分布函数;Φ是标准正态累积分布函数。

1.1.3 效率值E的估计 由于合成误差项εi导致了产出观测值yi与真实值f(xi)之间的差异,故效率公式可由式(1)两边同时除以f(xi)得到。且由于差异是由非效率项ui而非随机误差项vi引起的,故最终效率为

1.2 静态面板数据StoNED模型

横截面StoNED 模型无法直接适用本文研究的面板数据,故采用相应的面板数据StoNED 模型,即

同样,生产函数是单调递增且凹的,企业i在t期的随机误差项vit仍服从正态分布,即vit～N(0,)。由于是静态模型,故生产函数f和无效率项ui不随时间而变化。在单调性和凹性约束下,StoNED 模型的凹面非参数最小二乘估计为:

式中:第1个约束条件为回归方程;第2个约束条件对生产函数施加了凹性限制;第3个约束条件保证生产函数的单调性。

综上可知,效率的测度须由模型式(9)间接得出,效率值E可采用如下标准化形式表示:

1.3 动态StoNED 模型

横截面数据背景下的StoNED 方法在效率领域已得到初步应用,Kuosmanen[26]在此基础上进一步提出了面板数据背景下的StoNED 模型,并利用技术进步的思想将其动态化。为了考察生产技术和无效率随时间的变化,把时间t作为自变量纳入生产函数f,即f(x,t),t=0,1,…,T;同时,假定无效率项ui也随时间而变化,即ui(t),i=1,2,…,n;t=0,1,…,T。因此,有如下动态StoNED 模型:

假设技术进步是产出递增的、投入可加的,函数f(xit,t)可设为如下形式:

式中:f(xit,0)是基期生产函数;函数Am(t):→R描述了投入体现的技术进步。基期生产函数f(xit,0)的特性按照下述定理可延续至其他时期。

定理如果基期生产函数f(xit,0)对任意xit∈,t∈{0,1,…,T}是单调递增的,且对∀m=1,2,…,M;t=0,1,…,T有Am(t)≥0,则对所有xit∈,t∈{0,1,…,T},f(xit,t)是单调递增的;如果f(xit,0)对任意xit∈,t∈{0,1,…,T}是全域凹的,则f(xit,t)对所有xit∈,t∈{0,1,…,T}也是全域凹的。

设定技术进步Am(t)为时间的二次函数,则

与技术进步的参数化建模类似,对技术效率的时间变化建模也可以用参数函数来近似。设定无效率项ui(t)为二次多项式,则

该设定包含技术效率稳定不变(bi=ci=0)、技术效率线性提高(bi>0,ci=0)和技术效率非线性提高(bi>0,ci≠0)等不同情形。

综上可知,待估计的回归方程如下所示:

为了估计模型式(15)中未知的函数f及参数α、β、θ、ϕ、a、b、c和v,构建如下凹面非参数最小二乘估计:

式中:第1个约束条件代表回归方程,基期生产函数f(xit,0)用切超平面αit+βitxit表示;第2个约束条件对切超平面施加了凹性限制;第3个约束条件对生产函数f(xit,t)施加了单调递增限制、对技术变化进行了非负限制。

技术效率的度量必须从模型式(16)间接推断。给定式(16)的参数估计和,企业i在t期的无效率估计的计算方法为

则效率值E可采用如下标准化形式:

1.4 Tobit模型

为进一步了解中国省际规模以上工业企业科技创新资源配置效率的显著性影响因素,本文以StoNED 模型所测算的效率值作为被解释变量,以各影响因素作为解释变量,设定多元线性回归方程。由于StoNED 模型测度出来的效率值在特定的区间[0,1]之内,属于受限因变量,倘若直接采用普通最小二乘法,可能会导致结果偏移或不一致,故采用受限因变量模型中的规范截取回归模型,即面板Tobit模型,探究不同的影响因素对科技创新资源配置效率影响情况,即

式中:Yk为受限的被解释变量;Xk为解释变量;β为未知参数向量;μk～N(0,δ2)。

2 变量选取、数据来源及模型设定

2.1 变量选取及处理

依据创新价值链理论[27],本文将规模以上工业企业(以下简称“规上企业”)科技创新活动分为技术成果研发和技术成果转化两个阶段。技术成果研发是指企业开展包括技术立项、研究、试验和样品试制等研发阶段,是技术成果转化的基础;技术成果转化是指企业将试制成功的样品进一步试验开发以论证生产工艺、降低生产成本及提高生产规模的产业化阶段[28-29]。由于两阶段的创新活动内容不同,其投入和产出变量的选择也存在差异,本文研究将根据两阶段创新特征选取各自的投入产出资源要素,并分别测算创新资源配置效率。

2.1.1 技术成果研发阶段 投入产出变量参考范德成等[6]的做法。投入变量从人力和资金两个方面选取指标:①R&D 人员全时当量(Labour1),衡量企业技术成果研发过程中的人力资本投入。②R&D 内部经费支出(RDfunds1),衡量企业研发技术方面的资金投入。③新产品开发经费支出(NRDfunds 1),衡量企业对新技术试验和对新产品试制的经费投入。R&D 内部经费支出和新产品开发经费支出全面涵盖了企业在技术成果研发阶段的各环节资金投入。企业技术成果研发阶段主要以技术作为最终产出成果,包括新技术和改进技术等,因此,产出变量选取规上企业的专利作为衡量标准。④专利申请量(Patent),衡量地区规上企业科技创新产出。

由于创新属于知识生产过程,其产出不仅依赖当前投入,还依赖于过去投入的积累,故R&D 内部经费支出和新产品开发经费支出应采用存量形式。首先以2011年为基期,用加权R&D 价格指数对两项经费支出进行平减,消除价格变动影响[30];然后,采用永续盘存法(PIM)对价格平减后的经费支出进行存量计算[31-32]。计算公式为

式中:SEi,t与SEi.t-1分别为产业i在第t年和第t-1年的经费支出存量;FEi.t为产业i在第t年当年的经费支出流量;δ为折旧率,本文取δ=15%。基期经费支出存量的计算公式为

式中:FEi.1为产业i在基期的经费支出流量;g为本文研究样本年限范围内经费支出的年均增长率。

2.1.2 技术成果转化阶段 技术成果转化阶段不仅有人力和资金投入,还有承接第1 阶段的技术创新成果作为产业化的技术投入,因此,第1阶段的产出变量就成了第2 阶段的投入变量,正是因为“专利申请量”的存在,将本文研究的第1 和第2阶段衔接在一起构成了一个完整的创新流程。具体而言,投入变量包括:①专利申请量(Patent),衡量企业在技术成果应用及推广过程中的技术投入;②年末研发人员总数(Labour2),衡量企业在技术成果转化阶段的人力资本投入;③技术获取及改造经费投入(RDfunds2),包括企业引进技术经费支出、消化吸收经费支出、购买境内技术经费支出和技术改造经费支出,衡量企业在技术成果转化过程中的资金投入。产出变量为新产品销售收入(Income2),衡量企业将利用新技术开发的新产品推广上市之后获得的经济效益。这里,技术获取及改造经费投入也采取存量形式,计算方法同上。新产品销售收入采取以2011 年为基期的居民消费物价指数平减处理。

由于技术成果研发和转化具有时间滞后效应,故对上述两个阶段的投入变量进行一阶滞后处理,最终可估算2011～2019年的两阶段效率值。

2.1.3 影响因素变量 因为本文研究样本为省际规上企业,所以影响因素选取要包含地区和企业两个方面特征,且创新涉及各创新主体,选取的影响因素应尽量涵盖企业、高校、科研院所和政府等主要社会创新主体。最终,共选取5个可能的影响因素并分为两类。

区域特征:①地区经济要素。较好的经济实力可以更多支持创新并吸引人才,参考薛永刚[33]的做法,选取地区人均国内生产总值来衡量地区经济发展水平(pGDP)。②地区科研要素。企业创新不是闭门造车,离不开对外合作,且受到所在地区科研基础的影响,而一个地区的科技研发能力主要取决于该地区的高等院校及科研院所的数量[33],故选择高校和科研院所数量总和衡量地区科研实力(SUM)。③地区政策要素。政府的支持直接关系着辖区企业的创新活力,参考肖振红等[34]的做法,选择政府财政科技支出占政府财政总支出的比重来衡量地区政府支持力度(GOV),即财政科技支出/财政总支出。

企业特征:①企业规模要素。资产规模决定着企业的研发机构规模及研发投入水平[35],本文选择地区规上企业平均资产规模来衡量企业规模(SIZE),即规上企业总资产/规上企业数。②企业重视程度。微观的工业企业个体是科技创新活动的直接承载,企业只有重视技术研发才能真正加大投入提高产出,参考段姗等[36]的研究,选择有研发机构的规上企业数占规上企业总数的比重来衡量企业对科技创新的重视程度(VALUE),即有研发机构规上企业数/规上企业总数。其中,地区人均国内生产总值和规上企业总资产采取以2011年为基期的年度CPI指数进行平减。上述影响因素均滞后1期处理。

根据上述选取的两阶段投入产出变量及影响因素的选取,构建本文研究的创新资源配置效率评价指标体系,如表1所示。

表1 规模以上工业企业创新资源配置效率评价指标体系Tab.1 Evaluation index system of innovation resource allocation efficiency of industrial enterprises above the scale

2.2 样本选择及数据来源

由于国家统计局从2011年1月起将纳入规模以上工业统计范围的工业企业起点标准从年主营业务收入500万元提高到2 000万元,为保证统计数据口径一致性和可得性,本文研究样本为2011～2020年中国30个省市自治区(除西藏自治区)的规模以上工业企业数据。研究所需原始数据来自《中国科技统计年鉴》《中国统计年鉴》以及Wind数据库。

2.3 模型设定

2.3.1 创新资源配置效率测算的StoNED 模型本文研究数据具有典型的动态面板特征,故选择动态StoNED 方法分别测算30个省市自治区规上企业在2011～2019年共计9年间的技术成果研发阶段和技术成果转化阶段的创新资源配置效率值。根据模型式(16)设定具体形式如下:

式中:L、K、M分别表示投入要素;y表示产出要素。

2.3.2 影响因素检验的Tobit模型

3 创新资源配置效率实证分析

3.1 创新资源配置效率的测算结果分析

运用GAMS25.1.3软件求解模型式(21),最终得到如表2所示的30个省市自治区规上企业两阶段效率值。

表2 2011～2019年中国30省市规上企业两阶段创新资源配置效率值Tab.2 Efficiency values of two-stage innovation resource allocation of above-standard enterprises in 30 Chinese provinces and cities,2011～2019

3.1.1 创新资源配置效率动态变化分析 由表2可见,中国30个省市规上企业两阶段创新资源配置效率绝对值分布在0.8～1.0 之间,且随着年份增加,效率值的变化呈现出一定规律,如图1所示。

图1 中国规上企业两阶段创新资源配置效率变化Fig.1 Changes in the efficiency of innovation resource allocation in two stages of Chinese above-standard enterprises

从国家层面看,中国规上企业两阶段创新资源配置效率值皆呈现“倒U 型”态势,但技术成果研发阶段效率始终低于技术成果转化阶段效率。技术成果研发阶段效率值从2011年起微弱增长,于2014年达到最高点0.8557,之后便小幅下降,总体来看,研发阶段效率值变化不大,基本保持在9年效率均值0.847 6 上下。技术成果转化阶段效率值在2011～2016年间不断提高,达到最高值0.934 4,而后呈现下降趋势,但相较于2011 年效率值0.882 6,2019年显著提升至0.912 2,增幅3.35%。其中,技术成果转化阶段的效率值就一直大于技术成果研发阶段的效率值,且一直扩大着领先优势直到2018年,差值最大达到0.0840。这种效率增幅差异可能原因在于国家创新战略的调整。自2012年党的十八大起正式将科技创新摆在了国家发展全局的核心地位,实施了创新驱动发展战略,与以往不同的是战略首次明确强调了创新的目的是驱动发展而非发表学术论文等。紧接着针对中国科技成果转化效率不高的问题,2015年国家修订了《中华人民共和国促进科技成果转化法》,2016年起一系列具体政策措施全面推进,如科技成果确权、职务科技成果收益等问题得到解决,都有效促进了包括企业在内的各创新主体技术成果转化效率的提升[29],使得本身就以技术应用为主的工业企业更加注重技术成果向生产力转化的创新活动,而技术研发则需要更长时间的知识积累,难以保持稳定的产出增长。因此,技术成果转化阶段效率值逐渐超过研发阶段效率值并扩大了领先优势。

3.1.2 中国30个省市规上企业创新资源配置效率分析 将各省市两阶段的效率求平均值后置于图2所示的二维象限图中,并分别以0.846 3和0.912 2为两个阶段效率值的分位线,将30个省市划入4个区域。其中:右上方为“双高”(即研发和转化效率高)区域,顺时针看,右下方为“高研低转”(即研发效率高而转化效率低)区域;左下方为“双低”(即研发和转化效率低)区域,左上方为“低研高转”(即研发效率低而转化效率高)区域。

图2 30省市规上企业两阶段创新资源配置效率二维象限划分Fig.2 Two-dimensional quadrant of two-stage innovation resource allocation efficiency of above-standard enterprises in 30 provinces and cities

由二维象限划分图可以看出,位于“双高”区域共有10个省市,它们的两阶段效率值均高于全国平均水平。其中,江西省是该区域技术成果研发阶段效率值最低的样本,安徽是该区域技术成果转化阶段效率值最低的样本。东部地区省市在“双高”区域中占据5席,分别是广东、浙江、上海、北京和天津;中部地区占4席,分别是安徽、湖北、江西和河南;西部地区仅有重庆。位于“双低”区域共9个省市,它们的两阶段效率值皆低于全国平均水平。其中,贵州是该区域技术成果研发阶段效率值最高的样本,辽宁是该区域技术成果转化阶段效率值最高的样本。西部地区在“双低”区域中占据6 席,分别是青海、内蒙古、甘肃、宁夏、云南和贵州;中部地区占2席,分别是黑龙江和山西;东部地区仅有辽宁。

由此可见,地区间的创新资源配置效率不平衡现象显著存在,效率值依“东-中-西”为序递减。这主要是因为东部地区经济发展水平较高、区位优势明显,拥有更好的科技创新基础,并能够吸引大批优秀的科技型企业入驻形成创新产业集群,更好地整合和利用创新资源,资源配置效率相对较高。值得注意的是,技术成果研发阶段效率最高的是安徽,技术成果转化阶段效率最高的是海南。可能的原因在于安徽虽然为中部省份,但毗邻教育资源丰富的江苏省,属于长三角经济圈,资源流通最为发达。2020年最新数据显示,长三角的研发机构总数位居全国经济圈首位,这些科研优势都为落户安徽的企业提供了便利的研发支持,使得安徽可以充分借助长三角融合发展获取更大科技研发产出。海南地理位置独特,作为中国南端的海岛省份,其自身研发基础薄弱,且不与任何省份接壤,地理隔阂造成人才等要素流通不便,因此研发效率低。而海南正逐渐完善以新兴工业为主导的第二产业,近年来大力发展具备优势的油气化工、医药制造和林浆纸一体化等产业,行业内技术更加注重直接的现实应用,引进技术及升级技术转化利用成为当地企业重要的创新手段,2019年海南吸纳技术交易额44.75亿元,是同年输出技术交易额的5.8倍,吸纳技术占比仅次于西藏、新疆和青海3个西部省份。由此可见,引进技术转化利用是海南最普遍的技术创新活动,技术成果转化效率高。

3.1.3 东中西部分区域创新资源配置效率分析为进一步研究中国规上企业两阶段创新资源配置效率的变化及差异,对东中西部三区域效率值分技术成果研发和技术成果转化两个阶段分别进行比较动态分析。

如图3所示,技术成果研发阶段,东部效率值一直处于最高水平,其次是中部,西部最低。具体来看,西部地区效率值呈现先增后减的“倒U 型”曲线形态,东部地区效率值呈现出小幅缓慢下降的趋势,中部地区效率值则最为平稳,观察期内变化较小。对比2011和2019年首尾两个年份可以发现,中部地区正逐步缩小与东部地区的差距并拉大与西部地区的差距。其中2015 年,也就是西部地区效率值“倒U 型”曲线顶点的位置,其研发阶段效率值达到最高,此时与中部地区效率值和东部地区效率值差距最小。之后,由于西部地区自身研发效率值下降更快,导致差距又进一步扩大。而中部地区研发效率值相对平稳,在东部地区效率值不断下降的过程中,两者的差距在逐年缩小。这些都得益于国家近年来在中部地区不断给予的创新政策倾斜,如2016年出台的《促进中部地区崛起“十三五”规划》支持郑州、武汉建设国家中心城市,2017年合肥成为继上海之后国家正式批准建设的第2个综合性国家科学中心。随着这些国家战略的推进,一大批创新产业群在中部落地,依托良好的大批高等院校研发资源,中部地区正逐步缩小与东部地区在技术成果研发阶段创新资源配置效率上的差距。

图3 东中西部规上企业技术成果研发阶段创新资源配置效率变化Fig.3 Changes in the efficiency of innovation resource allocation in the R&D stage of technological achievements of enterprises on the East,Middle and West Regions

如图4所示,技术成果转化阶段,3个地区效率值之间的差距随着时间推移而明显缩小。3个地区的效率值在2011～2015年间都呈现出显著的增长趋势,而2016～2019年间,增长趋缓甚至有所下跌。中部地区效率值从2012年起超越西部地区,并一直缩小与东部地区的差距,并在2019年超过了东部地区。而西部与东部从2011年的效率值差距0.011 5扩大到2015年的差距0.028 5,差值扩大了近2.5倍,而后由于东部地区效率值下降较快,大幅缩小了两者差距。东部地区在技术成果转化阶段创新资源配置效率上的优势正逐渐消失,国内物流业的快速崛起抵消了东部沿海的出口便利条件,大批工业企业可以选择成本更低的中西部城市,通过便捷的物流将产品销售到全国和海外;更多经济技术开发区和高新技术开发区落户中西部,大幅提升了地区技术成果应用的能力,这些都促成了东部与中西部地区技术成果转化阶段效率差距的不断缩小。

图4 东中西部规上企业技术成果转化阶段创新资源配置效率变化Fig.4 Changes in the efficiency of innovation resource allocation in the transformation stage of technological achievements of the enterprises on the East,Middle and West Regions

4 创新资源配置效率影响因素实证分析

本文进一步采用Tobit模型,将可能的影响因素分别对两阶段效率值进行回归检验,结果如表3所示。

表3 两阶段创新资源配置效率影响因素的Tobit回归结果Tab.3 Tobit regression results of the factors influencing the efficiency of innovation resource allocation in two stages

由表3第2列的回归结果可见,在技术成果研发阶段,pGDP和SUM 是影响效率值的显著因素。其中:pGDP的回归系数0.046 8在1%的水平上显著,即地区经济发展水平越高,当地规上企业的研发效率越高;SUM 回归系数0.053 7在1%的水平上显著,表明地区的高等院校和科研机构越多,其辖区内的规上企业研发效率越高,这种显著的正向促进关系可能是通过产学研合作途径发挥作用,这一结果不仅与陈伟等[37]的研究结论一致,也验证了本文关于图2中安徽省在研发阶段效率最高的解释。而企业资产规模等其他3个影响因素皆不显著,可能也是由于当前对于成果转化的重视程度在不断提高,各方面要素都在加紧向着技术成果转化阶段配置,而技术研发的长周期、重积累的特性造成了短时间内很难出现持续稳定的创新产出,这些都使得其他影响因素对研发阶段效率值的回归无法显著。由表3第3列的回归结果可见,在技术成果转化阶段,SIZE和VALUE是影响效率值的显著因素。其中,SIZE的回归系数0.0015在1%的水平上显著,表明规上工业企业的资产规模越大,越能够提升企业转化阶段的效率,企业运用新技术投入生产的产业化阶段往往需要数十倍于技术开发的资金投入[38],只有资产规模大的企业才能在技术转化为生产力过程投入更多资金,也才能带来更大产出,达到新产品的规模效应。VALUE 的回归系数0.0003在5%的水平上显著,表明企业越重视技术成果转化,这一阶段创新资源配置效率就越高,企业的意愿决定着创新行为,对转化活动的重视即意味着企业更加看重现实生产力而非技术专利数量,这与近年来的政府政策引导相吻合。pGDP不显著符合了本文技术成果转化阶段效率值在东中西部地区的差距越来越小的结论。而GOV 不显著,表示政府支持力度提升并未有效提高企业技术成果转化效率,这一结果验证了郭兵等[39]关于政府科技财政支出虽然对企业研发投入有促进作用,但是对企业创新产出没有积极影响的观点。

5 结论

本文采用动态随机非参数数据包络模型(StoNED),对2011～2019年间中国30个省市自治区规模以上工业企业在技术成果研发和技术成果转化两个阶段的创新资源配置效率进行了测算,并利用Tobit模型分别对两阶段效率的影响因素进行了实证分析。得到以下研究结论:

(1) 在国家层面,中国规上企业两阶段创新资源配置效率值皆呈现“倒U 型”态势,但技术成果研发阶段效率始终低于技术成果转化阶段效率,且两者差距长期呈扩大态势。

(2) 比较30 个省市可以看出:两阶段效率值“双高”的区域中,东部省份最多,西部省份最少;两阶段效率值“双低”的区域中,西部省份最多,东部省份最少。这显示出“东-中-西”创新资源配置效率由高到低的分布格局,反映了区域间创新发展的不平衡。

(3) 进一步分区域比较两阶段效率值动态变化可知:在技术成果研发阶段,东中部效率值差距呈逐渐缩小态势,与西部效率值差距则逐渐增大;在技术成果转化阶段,东中西部效率值差距随着时间推移明显缩小。

(4) 影响两阶段效率值的因素存在差异,地区经济发展水平和科研实力对技术成果研发阶段效率值具有显著的正向作用,企业资产规模和企业重视程度对技术成果转化阶段效率值具有显著的正向作用,而政府支持力度则对两阶段效率值皆无显著影响。

综合上述研究结论,提出以下政策建议:

(1) 国家应进一步调动企业作为创新主体的积极性。持续稳定地向技术研发阶段配置人才、资金等资源,充分认识研发活动的长期性,合理设置技术研发目标,改变单纯以专利数量和经济效益衡量技术研发成果的片面评价体系,给予科研活动更多时间和更大空间,从长远改变技术成果研发阶段效率下降的趋势。

(2) 政府应注重创新政策制定的差异化设计。针对中国东中西部创新资源配置效率的不同情况,结合地区创新资源禀赋,合理引导资源要素的区域间协调分配,如中部地区的安徽合肥等地在新能源汽车产业形成的集聚优势,应鼓励支持相关电池、电机、电控等产业汇集,提高产业链上下游资源配置效率,形成更大的规模效应。

(3) 针对西部地区研发和转化效率双低的局面,国家应从促进地区间创新要素合理流动角度入手。打破屏障,引导人才、资本、产业等向西部地区流动,先选择数个重要西部核心城市建立区域创新示范中心,鼓励区域内错位发展,防止有限资源的内部竞争,优化创新要素分配格局,同时加强东中西部在科技研发等方面的合作,促进技术要素区域间高效流动,以转化效率提升带动研发效率提升。

(4) 地方政府应加强创新环境建设。注重企业内部创新投入要素和外部环境因素的相互协调,内外配合提高创新产出效率,优化政府支持科技创新的方式,加强对基础设施建设和基础研究的投入,减少对具体产业创新活动的直接干预,提高市场创新自由度和创新活力。