地方高校科技创新效率的时空演变及收敛性研究

郑黄山

（福建船政交通职业学院,福建 福州 350007）

科技创新不仅是推进高校全面创新的源头，也是推动高校全面创新的永动机。对高校办学水平与质量的评价，不能忽视对其科技创新能力与效率的考察。按照归口管理可将中国的大学简单分为教育部直属高校、中央部委所属高校以及地方高校等，其中地方高校在整体结构中居多数。因此，本文针对我国高校的科技创新效率，从地方高校的发展程度入手，以其发展水平为标准，检验我国高校科技创新的整体质量。

学术界围绕高校科技创新效率的评价展开了诸多有益的讨论，内容涉及多个维度。在评价体系方面，部分学者立足于宏观面板数据，设计以资本、人力为主的投入指标和以创新成果为代表的科技产出指标，对省域高校科技创新效率进行衡量，并进一步分析其演化趋势[1-4]。评价方法方面，学者们在评价高校科技创新效率时采用了数据包络分析（DEA）、随机前沿分析（SFA）、主成分分析（PCA）、社会网络分析（SNA）等多种分析方法[5-8]。此外，部分学者在构建评价体系的基础上，或基于重点高校，或基于一流大学对某一类型高校的科技创新效率进行测度，展现了学术界在此类研究中对不同类型高校与区域差异的思考[9-12]。

目前，在高校科技创新效率评价研究中，从归口管理的视角，按照财政资金支持来源差异，对地方院校科技创新效率进行评价的研究相对较少，而各省内部的资金、政策支持是目前地方高校科研资金的主要来源，我国高校科技创新效率的地区差异取决于地方对科研的投入强度。因此，以省域地方高校为研究对象，评价其科技创新效率并对区域间效率差异进行数据分析具有重要的意义。

1 研究方法、数据来源及指标设置

1.1 研究方法

1.1.1 科技创新效率评价方法

DEA方法在实际应用中具有很大的灵活性和适用性[13]。通过DEA方法，可以识别出相对有效的决策单元，并为低效单位提供改进方向和参考。此外，DEA方法并不受限于特定的函数形式或线性假设，因此适用于各种类型的生产系统和评价对象。作为DEA方法中的典型代表，Malmquist指数模型旨在评价决策单元在一段时间内的动态效率，即年度间效率值的变动指数。该模型能同时兼顾时间、地域两个维度的比较，被广泛应用于科技、金融、医疗等众多部门生产效率的评价。

本文应用DEA-Malmquist模型，对省域地方高校科技创新效率进行测算与评价。在模型中，科技创新全要素生产率（TFP）表示科技创新效率的变动情况，同时，科技创新全要素生产率（TFP）可进一步细分为技术效率（EFFCH）和技术进步（TECHCH），其关系为TFP=EFFCH×TECHCH。技术效率代表高校科技创新资源要素的配置水平，技术进步代表高校科技创新技术进步水平。同样，技术效率（EFFCH）可细分为纯技术效率（PECH）和规模效率（SECH），用纯技术效率表征资源管理水平，规模效率表征资源要素配置结构的合理水平。模型中所有指数的取值范围为[0,2]，指数大于1代表效率提升，小于1则代表效率下降。

1.1.2 收敛性检验方法

收敛性分析是指在研究中对序列、函数或模型的趋近性质进行分析和检验。它是用于判断一个序列或函数是否会逐渐趋向于某个极限值或稳定状态。

本研究在已有研究的基础上采用σ-收敛、β-绝对收敛和β-条件收敛等分析方法对省域地方高校科技创新效率的空间差异进行收敛性检验。其中，σ-收敛为统计指标方法，用平均值与标准差的比值衡量；β-绝对收敛用来验证效率差异省份之间差异的缩小趋势；β-条件收敛则用来检验在控制一定条件下，具有差异的地域，其高校科技创新效率趋于均衡的态势。

β-绝对收敛分析模型如下：

β-条件收敛分析模型如下：

式中，i表示样本省份，TEi,t表示样本省份检验期的高校科技创新效率值，TEi0表示样本省份基期的效率值，T或t表示年份跨度，a为常数项，b表示收敛速度（b＞0表示发散，b＜0表示收敛），ε为误差项。

1.2 数据来源

为体现出我国省域地方高校科技创新效率的变化，本文选取2003—2020年的省级面板数据进行分析，由于统计口径及部分数据缺失不全等原因，本研究中进行效率测算的投入产出数据均来自2004—2021年《中国科技统计年鉴》《中国统计年鉴》及EPS数据平台中的教育板块数据。

1.3 指标设置

本文的研究对象为各省份地方高校科技创新效率，因此，选取地方高校当年研究与发展经费支出作为科研资金投入，同时，考虑到科研人员中的兼职现象，选择地方高校研究与发展全时人员（人年）作为人力投入，以避免数据偏差[14]。与此同时，将地方高校研究与发展课题数纳入投入指标序列。产出指标方面，将科技论文数量、科技著作数量、专利授权数量作为科技创新产出指标，并将地方高校技术转让收入作为衡量科技产出的重要标准。对比已有研究，在科技创新产出的评价维度，考察科技成果产出与科技创收产出能够更为准确地表征高校科技创新的真实水平。评价指标体系如表1所示。

表1 省域地方高校科技创新效率评价指标体系

2 省域地方高校科技创新效率的时空演变分析

2.1 年度省域地方高校科技创新效率演变趋势分析

由图1可知，2003—2020年间地方高校科技创新全要素生产率呈现明显的波动状态。其中，在2003—2005 年、2006—2009 年、2011—2013 年、2014—2016年、2016—2019年间地方高校科技创新全要素生产率均出现较大程度的下降，其他年度呈现不同程度的上升态势。技术进步的变动趋势大体与全要素生产率年度间的浮动相吻合，说明在全要素生产率的分解变量中，技术进步对全要素生产率的作用力度较大，进一步验证了地方高校在新知识、新技能、发明创造以及新的组织结构在科技活动的应用上存在短板，一定程度上限制了其科技创新效率。在2007—2011年、2012—2014年以及2015—2018年，技术效率与全要素生产率的变动趋势相反，反映出技术效率对全要素生产率的影响较为薄弱。在技术效率的两个分解变量中，规模效率年度间的变动趋势大体与技术效率吻合，说明地方高校的科技创新资源管理能力与配置水平并未对科技创新效率发挥较为明显的贡献作用，提高科技资源的配置水平是加强地方高校科技创新管理活动的重要环节。

图1 2003—2020年中国地方高校科技创新效率年度间变动

2.2 省域地方高校科技创新效率的空间差异分析

表2为2003—2020年我国东部地区、东北地区、中部地区和西部地区地方高校科技创新全要素生产率及其构成的取值情况。由表2可知，我国整体及其分区地方高校科技创新效率呈现明显的区域差异特征，这一特征与以往一般性研究的结论相吻合[15]。具体来看，省域地方高校科技创新效率的空间差异特征如下：（1）不同省域的地方高校科技创新效率的平均水平差距较大。东部地区效率值最高，其次为中部地区和西部地区，东北地区最低。并且东部地区的高校科技资源投入遥遥领先于其他三个地区。地方高校科技创新全要素生产率平均超过1的仅有东部地区，中部、西部、东北地区的地方高校科技创新全要素生产率平均水平均未超过1，说明这三个地区的科技创新效率在2003—2020年间整体处于下降态势。（2）地方高校科技创新效率的驱动来源区域化明显。东部地区地方高校科技创新的技术进步平均值为1.028，虽然技术效率值不足1，但仍带动了全要素生产率的提升；而中部、西部两个地区地方高校科技创新的技术进步平均值均未超过1，技术效率的平均值反而高于1，分别为1.008和1.011。这说明在科技创新活动中，不同地区地方高校的发展状况以及发展优势差异明显。（3）地区内部地方高校科技创新效率差异明显。东部地区大多数省份地方高校科技创新效率高于全国平均水平；东北地区3个省份的地方高校科技创新全要素生产率整体相差不大，但驱动来源仍存在差异；中部地区有4个省份的地方高校科技创新效率低于全国平均水平，分别为山西、安徽、河南、湖南；西部地区有5个省份的地方高校科技创新效率高于全国平均水平，但西藏、青海、宁夏以及新疆四省的效率值较低，远落后于其他省份及全国平均水平。

表2 2003—2020年中国地方高校科技创新效率区域间比较

3 省域地方高校科技创新效率的收敛性分析

不同区域的地方高校科技创新效率的时空演变趋势差异极为明显，区域间的不平衡在时间维度上是否会出现变化，随着时间的推移，地区间的差距会缩小还是扩大，尚需通过收敛性检验对地区间的差异进行进一步分析。

3.1 地方高校科技创新效率的σ-收敛检验

σ-收敛指不同省份地方高校科技创新效率与整体平均水平的差异在时间维度上不断降低的态势。图2显示了我国整体与经济分区的地方高校科技创新效率的σ-收敛指数情况，无论是全国还是四个经济分区，地方高校科技创新效率的σ-收敛指数在2003—2020年间起伏态势明显，均未呈现稳定的降低趋势，故收敛状态不明显。在2004—2006年、2007—2011年，全国收敛指数持续下降，呈现明显的收敛态势；东部地区仅在2006—2008年呈现明显的收敛态势，其σ-收敛指数年度间的波动幅度较其他地区更大；东北地区的收敛年度较多，在2010—2020年呈现明显的收敛态势，2003—2010年的收敛态势不明显；中部地区在2004—2006年、2008—2011年、2012—2015年这三个时间段收敛指数持续下降，呈现明显收敛态势，其他均呈现发散态势；相比之下，西部地区仅在2004—2007年呈现收敛态势，其他年度发散态势明显。

图2 省域地方高校科技创新效率收敛指数的区域间比较

3.2 地方高校科技创新效率的β-绝对收敛检验

根据表3的β-绝对收敛情况来看，收敛系数（相关系数b）为正,且通过了95%的置信检验，说明2003—2020年全国各省份地方高校科技创新效率不存在β-绝对收敛，各省份之间地方高校科技创新效率的差距较大。从四个经济分区的具体数值可以看出，绝对收敛系数均为正，且均通过了95%的置信检验，说明四个地区均不存在β-绝对收敛，不存在效率低省份，其效率提升更快的“追赶效应”，在2003—2020年间，各地区内部科技创新效率低的省份与效率高的省份之间的差距反而呈现扩大的趋势。按照差距拉开的速度来看，地区内部发散速度由大到小依次为东北地区、东部地区、西部地区、中部地区。其中，中部地区的发散速度低于全国平均水平，东北地区与东部地区内部省份地方高校科技创新效率的拉大趋势较为明显。整体来看，无论是全国总体还是四个经济分区，其内部省份地方高校科技创新效率呈现出“马太效应”，效率低省份的科技创新效率提升速度较效率高省份略有不足。

表3 省域地方高校科技创新效率的β-绝对收敛检验

3.3 地方高校科技创新效率的β-条件收敛检验

本文根据2003—2020年省域地方高校科技创新活动的面板数据，应用固定效应模型进行条件收敛检验。具体结果如表4所示。

表4 省域地方高校科技创新效率的β-条件收敛检验

由表4可知，全国总体包括四个经济分区的β-条件收敛系数（相关系数b）取值均为负数，且均通过了99%的置信检验，说明四个地区内部各省份地方高校科技创新效率均呈现β-条件收敛态势，地区内部效率偏离均衡状态的省份，其高校科技创新效率普遍增速更快。从四个经济分区收敛速度的呈现来看，四个经济分区的条件收敛速度以东北地区最高，中部地区、西部地区依次递减，东部地区收敛速度落后于全国平均水平，四个分区的收敛速度排序与地方高校科技创新效率的排序相左，地方高校科技创新效率越高的地区，其内部各省份之间的均衡趋势并不突出。结合β-绝对收敛的检验结果，各地区内部省份间效率值不收敛，说明地区内部省份间效率的差距呈扩大态势，全国各省份之间地方高校科技创新效率的分化愈发明显。究其原因，地方高校的人才引进、实验室建设、科研经费匹配等科技创新活动投入依靠当地政府的财政支持，而地方高校的科技资源投入、科技成果转化等在一定程度上取决于地方的经济发展状况，加之地方政府在进行高等教育财政资金分配时每年的比例较为固定，因而对于科技创新能力较弱的地方高校想要寻求突破比较困难，所以地域间的差距拉大以及地区内部的差距固化也就不难理解。

4 结论与建议

本文应用DEA-Malmquist模型，对2003—2020年间我国31个省份的地方高校科技创新效率进行数据分析，探讨了全要素生产率及其分解变量的时空分布及变动趋势，进而采用σ-收敛、β-绝对收敛以及β-条件收敛对地方高校科技创新效率的空间差异性进行检验分析。由此得出以下结论：其一，省域地方高校科技创新效率年度间增长趋势不明显；技术进步对创新效率的作用力度较大，技术效率对其影响较弱。其二，区域间地方高校科技创新效率差异较大，各分量的贡献情况亦不相同。其三，全国及四个经济分区地方高校科技创新效率未出现明显收敛态势；四大经济分区内部省份地方高校科技创新效率的差距在逐渐拉大；四个地区内部各省份之间的差距逐渐固化，并趋于均衡状态。

由此，本文建议加大对地方高校科技创新活动的资金、政策、技术支持力度，激发其围绕地方特色开展多维度的产学研合作；优化地方院校科技创新资源配置，完善高校科研人员的引育与培养机制，积极开展科研团队的建设与服务工作，落实创新人才的激励与保障政策；设置院校合作专项，积极推进跨区域科技创新项目的孵化与培育，激励高水平大学积极开展科技扶持与合作，鼓励地方院校与部属高等学校、科研机构交流与学习，促进科技创新资源共享。