创新驱动发展战略下长三角研究型高校科技创新效率及影响因素

宋慧勇

(南京中医药大学 卫生经济管理学院, 南京 210023)

科技立则民族立,科技强则国家强,科技创新已成为国际战略博弈的主战场。习近平总书记在中国科学院第二十次院士大会上的重要讲话指出:“立足新发展阶段、贯彻新发展理念、构建新发展格局、推动高质量发展,迫切需要各科研机构加强基础研究,落实科教兴国及创新驱动发展战略,实现高水平科技自立自强。”基础研究是整个科学体系的源头,决定着国家创新体系的深度和厚度。高水平研究型高校作为基础研究的“国家队”,是重大科技突破的生力军。研究型高校通过培育拔尖创新人才、促进新知识产生,加强原创性、引领性科技攻关,切实提升自主科技创新能力以践行国家赋予的历史使命[1]。2019年12月国务院颁布的《长江三角洲区域一体化发展规划纲要》中明确提出要强化长三角科技协同创新、完善区域创新体系建设,引领全国高质量发展。在“创新引领经济增长”达成世界共识、自主创新日益成为长三角更高质量一体化发展重要驱动力的当下,研究型高校肩负着产出前沿重大科技成果及提高国家原创能力的历史重任[2]。

在创新驱动发展及长三角一体化发展背景下,区域内研究型高校的科技创新效率如何?近些年的效率变动趋势如何?长三角地区高校科技创新效率的影响因素有哪些?有关这些问题的研究,对优化长三角区域高校科技资源配置、推进创新驱动发展战略实施、助力长三角更高质量一体化发展和创新型国家建设意义重大。

1 文献综述

在我国经济发展方式由高速粗放型增长向高质量效率集约型增长转变的背景下,有关高校科研/科技创新效率逐渐增多。通过梳理发现,已有研究大致分为三个方面:一是不同层次高校的科研创新效率研究。高擎等[3]针对我国部属高校探讨科学研究和知识转移这对双元创新之间的关系,两者的相对平衡能有效提升科技创新效率;王慧敏和许敏[4]运用数据包络分析法测算64所教育部直属双一流高校的基础研究绩效并通过投影值分析投入产出结构的合理性,研究发现各高校间绩效水平差异明显、投入产出结构有待优化,投入冗余和产出不足现象并存;柯亮等[5]探讨“双一流”高校不同地区的创新效率并运用莫兰指数建立空间面板回归模型来分析创新效率影响因素。二是不同地域高校的科技创新效率研究。王成军等[6]对安徽17所高校2008—2017年的科研创新效率进行动态评价,发现“高等教育振兴计划”有助于高校科研效率的提升,但仍有部分地方特色高校存在投入冗余;李韵婷等[7]以广东省高水平大学为研究对象,运用DEA-CCR及Malmquist指数法分析其科研创新绩效在高水平大学建设项目实施前后的动态变化;李璐[8]发现京津冀三地高校科技创新效率较高,效率提升的关键在技术进步和创新资源配置结构的优化;许敏等[9]以长三角区域82所高校为对象进行创新绩效评价,发现大部分高校存在不同程度的投入冗余。三是不同学科科研创新的研究。郭翔宇等[10]采用基于松弛变量度量(slack-based measure,SBM)模型和Malmquist指数对31个省份农业科技创新近10年的面板数据进行效率测算及趋势分析,发现技术效率变化才是农业科技创新效率提升的关键动力;李传娟等[11]采用广义模糊博弈DEA模型对41所财经类高校的科研创新博弈效率进行科学评价的基础上,进一步采用聚类分组来对比高校间合作竞争前后的效率变化,为高校间合作竞争提供指导建议。

综上所述,当前国内学者对高校科技创新效率及影响因素已进行了多层面的探索,但存在不足:一在研究区域上,侧重全国高校、省内高校、单类高校为主,对“长三角区域”研究型高校研究较少;二在研究内容上,文献侧重关注投入产出现状的评价,对高校科技创新能力和外部环境因素关注不够,研究结论说服性不强。因此,以长三角区域2012—2018年研究型高校为对象,运用DEA-Malmquist模型对该区域研究型高校进行科技创新效率的静态和动态分析,依据效率测算结果进一步运用Tobit回归模型分析内外部环境因素对高校创新效率的影响。在创新成为长三角高质量发展重要驱动因子的当下,这有助于厘清区域内高校科技协同创新驱动机制,优化区域内高校创新资源配置,对助力长三角更高质量一体化发展和建设创新型国家意义重大。

2 科技创新效率分析

科技创新效率是指在一定科技资源配置能力和适宜的创新环境下,单位科技资源投入所取得的科技创新产出,通常基于知识生产函数和投入-产出理论进行评价。

2.1 DEA模型

目前学界主要测度方法是基于非参数技术的数据包络分析(data envelopment analysis,DEA)方法或其衍生方法和基于参数技术的随机前沿法(stochastic-frontier approach,SFA)。这里采用规模收益可变的规模报酬可变的数据包络分析(data envelopment analysis-variable returns to scale,DEA-VRS)模型即BCC模型(DEA with Banker Chames and Cooper model)进行创新效率的测算。

(1)

式中:θ为效率值;K为评价高校个数;xj、yj分别为投入变量和产出变量;s+,s-分别为投入冗余和产出松弛变量。当θ=1,s+=0,s-=0时,决策单元为DEA有效;当θ<1时,决策单元非DEA有效。

2.2 Malmquist指数

Malmquist指数又称全要素生产率,用于动态观察跨年份的投入产出效率。由于DEA-BCC模型仅能对决策单元进行静态效率的分析,因此引入Malmquist指数对2012—2018年长三角研究型高校在不同时期其创新效率变化情况进行动态测算。从第t到第t+1期的Malmquist指数测算公式为

(2)

式中:M>1表示从第t到第t+1期的全要素生产率上升,M<1表示全要素生产率下降,M=1表示考察期内全要素生产率不变;Dt(xt,yt)和Dt(xt+1,yt+1)分别为以t期为参照的t和t+1期的距离函数;Dt+1(xt,yt)和Dt+1(xt+1,yt+1)分别为以t+1期为参照的t和t+1期的距离函数。

2.3 指标构建及数据说明

科技创新过程复杂,将高校科技创新看作是知识生产过程中人财物的产物。借鉴国内外高校科技创新绩效评价相关指标选取规则,遵循研究型高校特点,基于指标数据的代表性和可得性,最终选取研究与发展人员全时当量(人年)和研发经费支出(千元)作为科研创新投入要素,发表学术论文(篇)和成果授奖数(项)作为创新产出。

研究对象为长三角区域22所研究型高校,数据来自2012—2018年《高等学校科技统计资料汇编》《中国统计年鉴》和《中国科技统计年鉴》等。短期来看,创新从投入到产出存在滞后,通常的处理是假设产出比投入滞后1年;从长期看,创新产出与创新投入之间保持相对稳定的关系,科学研究本身也具有连续性,故在利用连续7年的研究数据时不作滞后性处理[6]。

DEA方法要求投入产出要素符合同向性假设,即投入增加,产出不得减少。采用Pearson相关性检验,发现不同年份的投入产出要素间均呈现较强的正相关关系,且均通过1%显著性下的双尾检验,符合DEA模型同向性假设。

2.4 实证检验

采用DEA模型测度特定时间界面单元的投入产出效率,横向比较各研究型高校的科技创新静态效率值;然后,引入Malmquist全要素生产率(total factor productivity,TFP)指数法,从时间维度纵向揭示其动态变化情况。

2.4.1 静态效率分析

技术效率可分解为纯技术效率和规模效率,纯技术效率和规模效率指数值越接近1,表示效率越高。表1中,Drs和Irs分别表示规模报酬递减和规模报酬递增。由表1可知,2018年22所研究型高校综合技术效率均值较低,仅为0.659,规模效率均值低于纯技术效率,纯技术效率为1的高校有8所,纯技术效率和规模效率均为1的高校仅有3所,其中上海交通大学、南京大学、浙江大学、中国药科大学安和安徽大学5所高校未实现DEA有效是由于规模效率小于1所致,表明这些高校的管理水平和制度体系最优,而当前的创新投入或产出规模不当、资源配置不当,与最优规模存在差距。

表1 2018年长三角研究型高校科研创新的静态效率

2.4.2 非DEA有效的长三角研究型高校科研创新效率投影分析

DEA无效高校的投入产出冗余如表2所示,投入冗余主要集中在第一个指标研发人员全时当量,产出不足基本集中在成果授奖数。以东南大学为例,增加14.997项成果授奖数即可实现创新效率的DEA有效。纯技术效率为1,说明不需要增加投入或减少产出,所以冗余值为0;纯技术效率为1而技术效率不为1,说明规模效率需要改进。

2.4.3 动态效率分析

为进一步分析长三角研究型高校科技创新效率动态变化趋势,运用Malmquist指数测算2012—2018年22所研究型高校的动态创新效率,该方法不仅能指明影响效率变动的因素来源,且可以对跨年份活动进行动态监测。基于产出导向的T到T+1时期Malmquist全要素生产率变动指数可转换为技术效率变动Effch指数与技术进步变动TEch指数的乘积。由表3和图1可知,7年间Malmquist指数年均值1.033>1,说明长三角研究型高校科技创新全要素生产率年均增长率上升、发展态势好,年均上升3.3%。除了2014—2015和2017—2018两个时间段,其他时间段均呈现不同程度的正向增长(增长幅度依次为5.1%、3.3%、9.6%、5.3%),技术进步(TEch)变动和技术效率(Effch)变动指数均值分别为2.0%和1.2%,表明平均每年由于科技生产技术创新和成果转化及应用层面的进步而促进全要素生产率提升幅度为2.0%,由于科技生产资源配置和利用效率提升带来全要素生产率年均1.2%的增幅,其中纯技术效率变动和规模效率变动指数均值分别为1.020、0.992,值得注意的是样本期规模效率值呈下降趋势。结合图1分析长三角研究型高校创新效率变动情况,发现全要素生产率(TFP)与技术进步效率(technical efficiency,TE)基本呈同方向变动。

表2 长三角研究型高校科研创新效率投影分析

图1 2012—2018年Malmquist指数及其分解

表3 2012—2018年长三角研究型高校科研创新效率Malmquist指数及指标分解

由表4可知,长三角22所研究型高校创新全要素生产率平均提高3.3%,主要源于技术进步和技术效率平均分别提升2%和1.2%。而技术效率平均提高1.2%主要在于纯技术效率提升2%,规模效率平均下降0.8%影响了技术效率上升的幅度。以上分析进一步揭示,技术进步率是影响高校科技创新全要素生产率变动的重要因子,纯技术效率是影响长三角研究型高校科技创新技术效率波动的主要因素。具体分析如下。

其一,大多数高校技术进步率上升,高校间效率变动差距大。22所高校中仅河海大学、江南大学、南京农业大学、安徽大学、合肥工业大学这5所高校技术进步效率降低,安徽大学技术进步率降幅最大(5.3%),华东理工大学技术进步率提升幅度最大(10.4%)。

其二,22所高校技术效率变动主要源于纯技术效率的波动,且两者变动趋势大体一致。其中有10所高校纯技术效率有不同程度的提高,另有6所高校纯技术效率保持不变,其余华东理工大学、东华大学、华东师范大学、苏州大学、东南大学、南京师范大学6所高校纯技术效率有5%范围内的小幅下降。

表4 2012—2018年长三角研究型高校科研创新效率Malmquist指数及其分解指标

3 研究型高校科技创新效率影响因素分析

由以上分析可知,各高校科研效率存在一定差异,为进一步探究影响效率的关键因素,这里以各长三角各高校的综合技术效率为被解释变量,构建计量模型进行研究(表5)。

1) 在政府支持方面。政府对高校开展科技创新的资金扶持越多,说明政府对高校科技创新的重视程度高,越有利于创新效率的提升[6]。

2) 在人力资本方面。人力投入尤其是大师级和领军拔尖人才带领的创新团队是影响研究型高校创新效率提升的关键[1]。

表5 创新效率影响因素

3) 在科技项目方面。获批高水平、高质量国家重大项目情况是高校创新团队建设、资源优化配置和集成创新能力的集中体现,同时高校可借此契机,提升高校自主创新能力和创新效率。

4) 在成果授奖方面。成果授奖是对众多科研人员投身科研事业的价值肯定和鼓励。获批成果授奖在一定程度上能大大激发研究人员的创新积极性,进一步提升高校科技创新效率。

3.1 回归模型构建

由于综合技术效率的数值区间为(0,1),属于归并数据,不宜采用OLS进行估计,因此,这里采用Tobit回归模型(受限因变量回归模型)进行研究,其表达式如下:

Y*=βxi+ui

(3)

建立Tobit回归模型如下:

Ef=α+β1x1+β2x2+β3x3+β4x4+μ

(4)

式中:Ef为由BCC模型测算出的高校科研综合效率;x1为政府支持程度;x2为科技人力投入;x3为科技项目;x4为成果授奖。为减少数据波动等,对以上变量均进行对数处理。

3.2 模型回归

这里选用的是面板数据,因此需要考察选用固定效应、随机效应或者混合回归模型。通过LR检验和Hausman检验判断,结果显示Prob>chi2=0.000 0,运用Stata17.1软件对其进行固定效应模型回归分析,整理后结果如表6所示。

表6 Tobit回归结果

结合表6的估计结果,具体分析如下。

其一,当地政府支持有利于高校科技创新效率提升。高校科研效率与地方财政支持呈正相关但不显著。政府通过拨款、税收减免等形式支持高校科研创新活动,引导科研方向及科研强度的提升。政府投入资金作为高校科技创新资本的重要来源,加大科技经费支持力度、打造支持自主创新的政策氛围有助于科技创新效率的稳步提升。

其二,人力投入与长三角研究型高校科技创新效率正相关但不显著。这表明加大研发人员投入,有利于高校科研创新能力的提升。人力投入尤其是大师级和领军拔尖人才的匮乏才是制约研究型高校创新能力提升的关键。因此,高校今后在科技创新人力资本维护上可通过优惠政策引进人才、加大拔尖人才培养投入、创新人才开发制度等多维度视角培育科技创新团队、提升研发人员的创新水平、激发研发人员创新动力。

其三,科技项目数与高校科技创新效率正相关,且在1%的显著性水平上显著相关。这说明高质量科技项目越多,越有利于研究型高校科技创新效率的提升。高校获批国家重大项目,一方面意味着其能够得到相应的研发经费和条件支持,更重要的是有助于科技创新团队的建设、校内各优势学科资源的优化整合及集成创新能力的提升。基于国家重大项目培育出的优秀创新团队、自主科技创新成果等,对提升研究型高校的自主创新能力意义重大。

其四,成果授奖与高校科技创新效率正相关但不显著。成果授奖是对科研人员价值创造活动的肯定,是对众多科研人员积极投身科研事业的鼓励和鞭策,可以更好地激发科研人员自主创新积极性。当前各高校每年成果授奖数量不多,国家级授奖更是以个位数计。

4 结论及建议

4.1 结论

采用DEA-BCC模型及Malmquist指数测算2012—2018年长三角地区研究型高校科技创新静态效率和动态效率,并运用面板Tobit模型探究高校科技创新效率的影响因素。

其一,长三角地区研究型高校整体科技创新效率不高且高校间差异明显。其中,2018年22所研究型高校综合技术效率均值为0.659,纯技术效率为0.852高于规模效率均值;纯技术效率为1的高校有8所,仅中国矿业大学、江南大学和合肥工业大学三所高校的综合技术效率为1;上海交通大学、南京大学、浙江大学、中国药科大学安和安徽大学5所高校未实现DEA有效,是由于规模效率低所致。表明这些高校的管理水平和制度体系好,但当前的投入或产出规模、资源配置未达到最优,与最优规模存在一定的差距。投影分析发现,投入冗余主要集中在研发人员全时当量,产出不足主要集中在成果授奖数。

其二,全要素生产率整体呈上升趋势,Malmquist指数年均值1.033大于1。全要素生产率平均提高3.3%,主要源于技术进步和技术效率都有所上升,分别提高2%和1.2%。技术效率提高主要源于纯技术效率上升2%,规模效率年均值的下降影响了技术效率上升的幅度。技术进步是影响全要素生产率变动的重要因子,而纯技术效率是影响长三角研究型高校科技创新技术效率波动的关键因子。

其三,政府支持、人力投入和成果授奖等因素与高校科技创新效率呈正相关,但影响不显著,科技项目与科技创新效率间呈显著且正相关关系。政府通过加强对高校的科研经费支持力度、进一步重视科研成果授奖对科研人员及创新团队的精神激励和价值肯定,高校加大拔尖人才培养制度开发等都能够在一定程度上提升研究型高校的科研创新效率。

4.2 建议

4.2.1 基于长三角研究型高校科技创新效率的视角

其一,加强区域内高校合作及科技创新资源的优化整合,立足“一体化”,实现“高质量”,全面实施创新驱动发展战略。提升科技创新整体效率同时缩小长三角研究型高校间的效率差距。

其二,合理控制创新投入规模、优化投入结构。如规模报酬递减的高校可适度减少科技创新资源的无效投入,或通过制度优化、管理水平提升等针对性举措有效“吸收”投入冗余。非DEA有效高校的投入冗余主要集中在人力资本,但实际上人力投入尤其是大师级和领军拔尖人才的匮乏才是制约研究型高校创新能力提升的关键。高校要解决科技创新人力投入总量冗余与领军拔尖人才匮乏并存的现象,须从优化人力投入结构入手,提高人力资本中的拔尖人才占比,发挥领军拔尖人才的带动作用。

4.2.2 基于研究型高校科技创新效率影响因素的视角

基于研究型高校科技创新效率的影响因素分析,结合国家创新驱动发展、长三角高质量一体化发展战略等,给出以下参考建议。

其一,完善高校拔尖人才培育机制。加大对拔尖科研人才培养的投入力度,重视拔尖人才的后续培养及人才梯队建设,避免出现人才断层而严重影响其科技创新能力。

其二,以创新效率提升为导向,动态调整对各高校科技创新的资金扶持和税收减免。可根据不同特色、不同类型高校的实际需要对扶持政策动态调整,对一些有发展潜力的学科及地方型高校予以政策倾斜。

其三,重视科研成果授奖对科研人员及创新团队的精神激励。成果授奖可大大激发科研人员的创新积极性、提升高校的科研创新效率。非DEA有效高校的产出不足主要集中在成果授奖,且成果授奖数与高校的科技创新效率正相关。

其四,以申报和承担国家级课题项目为契机,打造跨高校、跨区域的高水平科技创新团队。优质的、零散的科研人才未实现有效整合、未形成足以承担国家重大项目研究的科技创新团队是制约各高校科技创新能力提升的根本所在。因此,借力国家级项目提供的经费及条件支持,在长三角高质量一体化发展战略框架下积极提供便利和保障,推进长三角研究型高校优质科研力量在区域内的有效整合,打造具有强烈科研创新精神的科技创新团队,为提升高校科技创新能力提供根本保障。

科技创新是提高社会生产力和综合国力的战略支撑。创新驱动发展战略的实施对高校赋予新的历史使命。高校是推进协同创新的主要力量,在实施创新驱动发展战略中承担着神圣的历史重任,要重视高校在实施创新驱动发展战略中的地位与引领作用。高质量发展的动力来自高水平科技自立自强。我国生产要素相对优势发生了变化,劳动力成本在逐步上升,资源环境承载能力达到了瓶颈,旧的生产函数组合方式已经难以持续,就必须依赖科技创新推动高质量发展。