数字经济背景下中国科技创新支撑经济发展的效率及区域差异研究

2023-12-11庞瑞芝王宏鸣

当代经济科学 2023年6期

庞瑞芝王宏鸣

摘要：在“数字中国”和创新型国家的建设进程中，从创新子系统与经济发展大系统的视角，构造基于松弛值测算的网络数据包络模型（SBM）测度中国省际科技创新支撑经济发展的效率，并进一步采用Dagum基尼系数和β收敛方法揭示不同区域间的效率差异以及时序收敛特征。研究发现：（1）数字经济背景下中國科技创新支撑经济发展的综合效率整体较高；（2）相比于传统经济，大多数省份科技创新支撑经济发展的综合效率在数字经济背景下有所提升，且这一提升作用主要体现在成果产业化阶段；（3）数字经济背景下科技创新对经济发展的支撑作用仍然受到成果产业化的制约，60%以上省份的成果产业化效率低于创新研发效率；（4）2018年以后，区域间差异成为总体差异的主要来源，全国及重大国家战略区域均存在条件β收敛，数字经济加快了各区域的收敛速度。为深入揭示数字经济背景下科技创新支撑经济发展的内在机理提供了一个新视角，对以数字经济为抓手提升中国创新体系整体效能、实现高质量发展的区域经济布局具有重要理论及现实意义。

关键词：数字经济；科技创新；经济发展；创新研发效率；产业化效率；网络数据包络模型

文献标识码：A 文章编号：100228482023（06）007016

一、问题提出

习近平总书记曾指出，抓创新就是抓发展，谋创新就是谋未来。新发展格局下科技创新的重要性愈加凸显，已经成为综合国力竞争的决定性因素。在关键核心技术“卡脖子”的创新困境下，党的十九届五中全会提出“把科技自立自强作为国家发展的战略支撑”，党的二十大报告进一步强调“科技是第一生产力，创新是第一动力”，意味着过去高增速的粗放型经济发展模式亟须向高质量的创新驱动模式换挡。《中华人民共和国国民经济和社会发展第十四个五年规划和2035年远景目标纲要》（简称“十四五”规划）中更是明确了全社会研发经费投入年均增长7%以上，力争投入强度高于“十三五”时期。事实上，长期以来中国都不断致力于增加研发投入。2000—2020年中国研发经费投入规模年均增长17.6%，并且占国内生产总值（GDP）的比重逐年上升，中国成为仅次于美国的第二大研发经费投入国家①。然而，现阶段的中国仍然面临科技与经济“两张皮”的现实问题［12］，科技创新水平的区域差距更成为区域发展不平衡的深层次原因。

随着区块链、大数据、云计算、人工智能等数字技术推动新一轮科技革命和产业变革向纵深演进，各种新模式、新业态和新组织方式应运而生，数字经济成为引领中国经济增长的风向标。中国信息通信研究院披露的《中国数字经济发展白皮书（2021）》显示，2020年中国数字经济增加值规模达到39.2万亿元，占GDP的比重高达38.6%

参见中国信息通信研究院《中国数字经济发展白皮书（2021）》，http：//www.caict.ac.cn/kxyj/qwfb/bps/202104/P02021042473 7615413306.pdf。。数字技术应用在为中国经济高质量发展奠定坚实基础的同时，也使得创新的速度、深度、广度、范式发生了巨大改变［3］。那么，在数字经济背景下，科技创新对经济发展的支撑效率应该如何测度？其中数字化在经济系统中扮演何种角色？科技创新支撑经济发展效率的区域差异具有怎样的特征？区域差异的动态演化是否存在收敛性？针对上述问题的探讨不仅可以深入揭示数字经济背景下科技创新支撑经济发展的内在机理，也可以为新发展格局下中国以数字经济为重要抓手加快建设科技强国、实现区域高质量协调发展提供有益借鉴。

科技创新与经济发展的关系一直以来都是创新领域研究的焦点问题。已有研究主要从以下三个方面展开。一是创新对经济发展的影响。诸多学者已经关注到创新对经济发展的驱动作用，认为创新是经济发展的源泉［4］。从宏观角度看，创新有利于促进产业结构升级［56］、拉动消费和投资需求［78］以及提升全球价值链地位［9］。从微观角度看，创新则是企业能否实现生产率和竞争力提升的关键［1011］。二是经济发展对创新的影响。潘雄锋等［12］认为，一个地区的经济发展水平越高，为创新活动提供外商投资和研发投入等物质条件的能力越强。此外，经济发展还可以为创新活动增加人力资本［13］和创造良好的营商环境［14］。随着互联网经济的发展，有研究表明信息基础设施对于区域创新效率的提升也具有显著作用［15］。三是统筹创新与经济发展的相互影响。张可［16］采用空间联立方程模型验证了经济发展与区域创新之间存在双向促进关系。葛鹏飞等［17］通过建立创新与经济发展的两系统耦合模型，发现中国创新系统与经济发展系统的总体耦合协调度逐渐由低度耦合过渡到中度耦合水平。

通过梳理上述文献发现，尽管已有研究讨论了科技创新与经济发展之间的双向影响，但并未系统性、阶段性地解构二者之间的内在联系。在数字经济背景下，更鲜有文献在统一框架内刻画数字化、科技创新与经济发展三者之间的相互联系。一方面，数字化技术和数字化要素的投入有利于提升企业创新能力［18］，并且能够有效降低供需两侧的信息不对称性［19］，以市场需求为导向推动高校和科研机构的知识、技术向企业溢出，加快科技成果的产业化应用与推广，从而推动经济发展；另一方面，数字经济同样属于技术创新的结果，是累积创新引致的一种经济内生变革［20］，单一的GDP指标可能低估了创新、数字化对于经济发展的贡献，数字经济增加值规模俨然已经成为衡量经济发展质量的一项重要指标。鉴于此，本文将数字化因素纳入经济发展大系统当中，测度数字经济背景下科技创新支撑经济发展的效率。相比已有研究，本文可能的贡献体现在：第一，以系统观视角建立数字化、科技创新与经济发展三者相互联系的分析框架，将科技创新支撑经济发展的过程具体解构为创新研发阶段与成果产业化阶段，并在两个阶段中同时引入数字化因素，构造网络SBM模型测度中国省际科技创新支撑经济发展的综合效率与分阶段效率。第二，通过对比数字经济和传统经济两个视角下科技创新支撑经济发展的效率，有效识别出数字化因素在系统中所发挥的作用。第三，运用Dagum基尼系数法分析数字经济背景下重大国家战略区域科技创新支撑经济发展的效率差异及其来源，并进一步采用收敛检验方法揭示其时序收敛特征。

二、研究方法与数据

（一）研究方法

1.数字经济背景下中国科技创新支撑经济发展的效率测度

数字经济背景下科技创新与经济发展可以看作子系统和大系统之间的关系，每个系统都是一个相对独立却彼此密切联系的生产过程，具有多阶段、网络化的复杂特性，因此就需要建立合适的网络生产模型来评估这种多系统生产过程。而网络数据包络分析能够有效地将具有多阶段和复杂生产过程的“黑箱”打开［21］。更重要的是，数据在价值创造过程中扮演着愈加重要的角色，并凭借非竞用性、客观性等特征成为新型生产资料［22］。网络数据包络分析作为一种衡量投入产出关系的非参数方法，不需要考虑数据要素加入创新生产函数中的具体表现形式，因而这种方法更加契合本文的研究背景。庞瑞芝等［1］的研究正是借鉴了Kao［21］的思路，构建了由一个串联模型和一个并联模型组成的两阶段三系统模型，以此评估科技创新对经济发展的支撑效率。但遗憾的是，该模型没有考虑到数字化发展对创新过程的驱动作用以及带来的相关数字经济产出。

图1 两阶段三系统网络SBM模型Tone等［23］提出了一种基于松弛变量的网络SBM模型，该模型可以允许子阶段存在外部投入与额外产出。因此，本文结合Tone等［23］的思想对庞瑞芝等［1］建立的模型进行优化，构建了一个两阶段三系统的网络SBM模型（见图1）。创新研发阶段包含一个由系统1和虚拟系统2组成的并联模型，系统1由创新投入和外部投入生产出科技成果与额外产出，虚拟系统2表示创新系统以外的经济发展要素投入，可以视为从非创新投入到非创新投入的一个虚拟生产过程，实际未发生生产。成果产业化阶段包含一个由系统3构成的串联模型，系统3将科技成果、其他非创新投入以及外部投入共同转化为经济产出。

假设有A（a=1，…，A）个生产决策单元（DMU），每个生产决策单元具有B（b=1，…，B）个阶段，第b个阶段有mb种投入和lb种产出。第a个决策单元的第b个阶段的投入与产出分别由xba∈Rmb+（a=1，…，A；b=1，…，B）和yba∈Rlb+（a=1，…，A；b=1，…，B）表示。中间产品由z（b，c）a∈Rt（b，c）+（a=1，…，A；（b，c）∈L）表示。基于规模报酬不变前提的生产可能集，若投入松弛和产出松弛分别用sb-i和sb+r表示，则生产决策单元DMU0的非导向（nonoriented）的综合效率评价模型可以写为如下表达式：

θ*0=min ∑Bb=1wb1-∑mbi=1sb-i/xbi0/mb/∑Bb=1wb1+∑lbr=1sb+r/ybr0/lb

s.t.xb0=Xbλb+sb-，b=1，…，B

yb0=Ybλb-sb+，b=1，…，B

z（b，c）λc=z（b，c）λb，（b，c）

λb≥0，sb-≥0，sb+≥0，b（1）

其中，wb是根据阶段b对决策单元的重要性设置的相对权重，并且∑Bb=1wb=1，wb≥0。在本文科技创新支撑经济发展的情境下，创新研发阶段和成果产业化阶段被认为同等重要，故设置w1=w2=0.5。z（b，c）λc=z（b，c）λb表明两个阶段之间的连接活动是不受约束的自由组合。同时，生产决策单元DMU0的非导向的分阶段效率值可以根据如下表达式计算得到：

θb=1-∑mbi=1sb-i/xbi0/mb/1+∑lbr=1sb+r/ybr0/lb （2）

2.科技创新支撑经济发展效率的区域差异分析

党的十八大以来，中国深入实施区域协调发展战略，相继推出了京津冀协同发展、长三角一体化发展、长江经济带发展、粤港澳大湾区建设、黄河流域生态保护和高质量发展等一系列区域重大战略，区域重大战略已经成为中国经济发展格局的重要支撑。对此，本文利用Dagum基尼系数分解方法，將总体基尼系数（G）分解为区域内差异（Gω）、区域间差异（Gnb）和超变密度（Gt）三部分，即G=Gω+Gnb+Gt，以此深入分析京津冀、长三角、长江经济带、粤港澳、黄河流域等五个重大国家战略区域

京津冀区域包括北京、天津、河北3个省份；长三角区域包括上海、江苏、浙江、安徽4个省份；长江经济带区域包括江西、湖北、湖南、重庆、四川、贵州、云南7个省份（因上海、江苏、浙江、安徽同时归属于长三角一体化发展战略和长江经济带发展战略，为避免研究样本重叠，本文未将这4个省份列入长江经济带区域）；粤港澳区域包括广东、香港和澳门3个省份和地区（因香港和澳门数据缺失，粤港澳区域在本文中的研究对象仅为广东）；黄河流域区域包括青海、甘肃、宁夏、内蒙古、陕西、山西、河南、山东8个省份。科技创新支撑经济发展效率的区域差异及来源。具体测度过程如下：

G=∑kj=1∑kh=1∑nji=1∑nhr=1θji-θhr/2n2μ （3）

Gjj=∑nji=1∑njr=1θji-θjr/2n2jμj（4）

Gjh=∑nji=1∑nhr=1θji-θhr/njnhμj+μh（5）

Gω=∑kj=1Gjjpjqj（6）

Gnb=∑kj=2∑j-1h=1Gjhpjqh+phqjDjh（7）

Gt=∑kj=2∑j-1h=1Gjhpjqh+phqj1-Djh（8）

Djh=Djh-pjh/Djh+pjh（9）

Djh=∫∞0dFjθ∫θ0θ-xdFhx（10）

pjh=∫∞0dFhθ∫θ0θ-xdFjx（11）

pj=nj/n，qj=njμj/nμ，j=1，2，…，k（12）

其中，G表示总体基尼系数，k为所划分的区域数目，n为所有省份数，nj、nh分别是区域j、区域h内的省份数，θji表示区域j第i个省份科技创新对经济发展的支撑效率，θhr表示区域h第r个省份科技创新对经济发展的支撑效率，μ是所有省份科技创新支撑经济发展效率的平均值，Gjj为区域j的基尼系数，Gjh为区域j和区域h间的基尼系数，Djh为区域j、h间科技创新支撑经济发展效率的相对影响，Djh表示区域之间科技创新支撑经济发展效率的差值，即区域j和h中所有θji-θhr>0的样本值加总的数学期望，pjh表示超变一阶矩，是区域j和h中所有θhr-θji>0的样本值加总的数学期望，F是区域科技创新支撑经济发展效率的累计概率密度函数。

3.科技创新支撑经济发展效率的收敛性分析

本文主要采用β收敛方法来检验中国科技创新支撑经济发展效率的收敛性。β收敛分为绝对β收敛和条件β收敛，绝对β收敛仅取决于初期效率水平，是指低效率地区的效率增速快于高效率地区，两者之间的差距逐渐缩小最终达到相同的稳态水平。条件β收敛认为效率的增速不仅取决于初期效率水平，还会受到其他因素的影响，不同地区会收敛到自身稳态水平。参照Barro等［24］的研究，绝对β收敛模型如下：

lnθit+1/θit=α+βlnθit+ui+φt+εit（13）

其中，lnθit+1/θit表示地区i科技创新支撑经济发展的效率在t时期的增长率，θit+1是地区i在t+1时期科技创新支撑经济发展的效率，θit是地区i在t时期科技创新支撑经济发展的效率，α为常数项，β为待估参数，如果β<0并且统计上显著，表明科技创新支撑经济发展效率的收敛现象存在，其收敛速度v的计算公式为：v=-ln1-β/T，反之则意味着科技创新支撑经济发展的效率存在发散趋势。ui表示地区固定效应，φt表示时间固定效应，εit为随机误差项。

由于不同地区在金融发展水平、外商直接投资、对外开放程度、市场化水平、科技创新环境、财政教育支出强度等方面存在较大的异质性，本文在绝对收敛模型中加入这些控制变量（Xit），构建条件收敛模型。其中，金融发展水平（Fina）以金融机构贷款余额占地区生产总值的比重衡量；外商直接投资（Fdi）按照每年人民币汇率中间价折算；对外开放程度（Open），以进出口贸易总额衡量，同样按照每年人民币汇率中间价折算；市场化水平（Marki）采用王小鲁等［25］测算的中国省际市场化指数；科技创新环境（Env）以研发机构数量表征；财政教育支出强度（Edu）以国家财政性教育经费表征。条件β收敛模型如下：

lnθit+1/θit=α+βlnθit+γXit+ui+φt+εit（14）

（二）指标选取与数据处理

1.指标选取

本文选取2013—2020年中国30个省份（未含西藏和港澳台地区）的科技投入产出数据以及宏观经济数据作为研究样本，基础数据均来源于历年《中国统计年鉴》《中国科技统计年鉴》以及各省份统计年鉴。其中，借鉴庞瑞芝等［1］的做法，系统1的初始投入具体包括R&D资本存量（x1）、R&D人员全时当量（x2）、政府财政科技支出（x3）；产出为规模以上工业企业新产品开发项目数（z1）和国内专利授权数（z2），该产出同时也是系统3的投入，因此被定义为连接创新研发阶段和成果产业化阶段的中间产品；额外产出为技术市场输出合同数（y1）

感谢审稿专家的宝贵意见。技术市场合同成交数具体包括技术市场技术输出地域合同数和技术市场技术流向地域合同数两种统计口径，技术市场输出合同的相关技术服务是在其他地区进行转化，并没有进入本地的成果产业化阶段，本文将其作为创新研发階段的直接产出，而对于技术市场输入合同，在后面将其作为成果产业化阶段的外部追加投入。。此外，考虑到数字经济对科技创新可能造成的影响，本文追加了一项外部投入为数字化发展水平（x4）。虚拟系统2的非创新投入为地区资本存量（x5）和地区从业人员（x6）

这两项指标从参与地区生产过程的基本要素（资本和劳动）角度进行选择，为防止重复计算，劳动力剔除了创新生产系统已经计入的研发人员数。。系统3的投入除了接收来自上一阶段的中间产品和非创新投入，同样也包括数字化发展水平（x4），以及吸纳其他地区的技术市场合同数量（x7）；由于数字经济背景下，数字经济增加值规模俨然已经成为衡量经济发展质量的一项重要指标，因而系统3的产出除了地区生产总值（y2）

为防止重复计算，地区生产总值中剔除了规模以上工业企业新产品销售收入和数字经济增加值规模。、规模以上工业企业新产品销售收入（y3）这两项传统经济产出外，还应包括数字经济增加值规模（y4）。

2.数据处理

（1）R&D资本存量。参照白俊红等［26］的做法将R&D经费支出核算成R&D资本存量，公式为

Rt=1-δRt-1+Et（15）

其中，δ表示R&D资本存量的折旧率，这里采用国际上通用的做法，取15%作为固定折旧率。本文以2000年为基期核算省际R&D资本存量，则Et就是通过R&D支出价格指数

借鉴白俊红等［26］的研究，R&D支出价格指数=0.6×消费价格指数+0.4×固定资产投资价格指数。平减后的R&D经费实际支出。

（2）地区资本存量。本文借鉴张军等［27］的核算公式：

Kt=1-ξKt-1+It（16）

其中，Kt为固定资本存量，It为固定资本形成总额，ξ为固定资产折旧率，通常设定为9.6%。为了与R&D资本存量的核算保持一致性，同样以2000年作为基期，则It就是通过固定资产价格指数平减后以2000年不变价格表示的固定资本形成总额。

（3）国内专利授权数。即国内发明专利、实用新型专利以及外观设计专利三种形式专利的授权数合计。

（4）数字经济增加值规模。由于省际层面的数字经济增加值规模尚未详细披露，本文根据全国层面的数字经济增加值规模，以各省份信息化产业增加值占比作为权重予以推算：省份i数字经济增加值规模=全国数字经济增加值规模×省份i信息化产业增加值/全国信息化产业增加值。其中，全国层面的数字经济增加值规模来源于中国信息通信研究院发布的《中国数字经济发展白皮书》，信息化产业以信息传输、软件和信息技术服务业替代，其增加值参照韩兆安等［28］的研究，利用42个部门中国各地区投入产出表的数据进行计算。

（5）数字化发展水平。本文结合数字化的内涵以及对各行各业的渗透和普及事实，参照刘军等［29］的做法，同时结合数据的可得性，从信息化发展、互联网发展和数字交易发展三个核心内容构建数字化发展水平的评价指标体系，详细指标见表1。其中，信息化发展包括信息化基础和信息化影响两个维度；互联网发展包括固定端互联网基础、移动端互联网基础、固定端互联网影响、移动端互联网影响四个维度；数字交易发展包括数字交易基础和数字交易影响两个维度。

最后采用熵值法对表1中的14个指标进行赋权，计算得到数字化发展的综合指数。

三、中国省际科技创新支撑经济发展的效率测度及分析

（一）综合效率测度结果

本文采用网络SBM模型对2013—2020年中国30个省份科技创新支撑经济发展的综合效率进行了测度。限于篇幅，表3中仅列示部分年份的结果。此外，为了与传统经济视角下科技创新支撑经济发展的综合效率进行对比分析，本文剔除系统中的数字化因素（数字化发展水平和数字经济增加值规模），并使用相同方法进行测度。可以看出，数字经济背景下各省份科技创新对经济发展的支撑作用普遍较强，全国半数以上省份科技创新支撑经济发展的综合效率达到0.7。相比于传统经济，大多数省份科技创新支撑经济发展的综合效率在数字经济背景下均有所提升。其中，北京、上海、安徽、山东、湖北、海南、四川、贵州、陕西、甘肃的综合效率值提升较大，表明数字经济对这些省份科技创新支撑经济发展的推动作用更加明显。然而，个别省份在数字经济背景下科技创新支撑经济发展的综合效率并未高于传统经济下的综合效率。这些省份集中在西部地区，有两个可能的原因导致该结果：一是数字基础设施的建设可能超前于实际经济发展水平，带来数字化投入对科技创新赋能及社会发展方面的潜力在短期内尚未充分发挥，比如重庆；二是部分西部地区在高新技术产业基础、技术交易服务体系以及科技成果转化环境建设方面需要提升，企业的生产技术条件、人才梯队以及硬件设施尚未达到当前数字化的应用程度及要求，数字化赋能创新驱动的作用不明显，比如青海、宁夏、新疆。

数字经济背景下全国及五个重大国家战略区域科技创新支撑经济发展综合效率的演变趋势如图2所示。从区域层面看，观测期内五个重大国家战略区域的综合效率均值由高到低依次为长三角（0.903）、京津冀（0.877）、粤港澳（0.870）、长江经济带（0.842）、黄河流域（0.781）。长三角和粤港澳的综合效率始终高于全国平均水平，长江经济带的综合效率在2016—2018年与全国平均水平非常接近，2018年以后逐渐超过全国平均水平，京津冀的综合效率除2014年低于全国平均水平，其他年份均高于全国平均水平，黄河流域的综合效率自2013年之后始终低于全国平均水平。从其变化过程来看，2013年之后五个重大国家战略区域的综合效率差距呈现扩大态势。尽管近年来中国高度重视科技创新，为促进区域科技创新均衡发展出台了一系列政策和举措，同时重大国家区域发展战略的推进效果也日臻凸显，但数字经济在区域间的不平衡发展也是不可忽视的重要因素。

（二）分阶段效率测度结果

接下来探究数字经济背景下科技创新支撑经济发展存在的阶段性特征，本文将综合效率分解为创新研发效率与成果产业化效率。同样地，此处也计算了传统经济下科技创新支撑经济发展的分阶段效率，限于篇幅，表4仅列示各省份2013—2020年的效率均值。一方面，各省份数字经济背景下的创新研发效率与传统经济下的创新研发效率比较接近，山西、辽宁、上海、福建、新疆等省份数字经济下的创新研发效率甚至低于传统经济下的创新研发效率。原因可能在于创新研发是一项长周期活动，数字技术应用和数据要素投入在短期内“提质增量”的作用尚未充分展现，需要更多关注数字化研发能力建设，同时完善数据要素的产权界定与安全监管。另一方面，数字经济下的成果产业化效率要普遍高于传统经济下的成果产业化效率，其中仅有山西、吉林、浙江、福建、江西、重慶、青海、宁夏、新疆9个省份传统经济下的成果产业化效率高于数字经济下的成果产业化效率，其余21个省份均表现为数字经济下的成果产业化效率不低于传统经济下的成果产业化效率（河南的成果产业化效率在两种经济形态下均达到了有效值1），其中陕西在数字经济下的成果产业化效率（0.678）相比于传统经济下的成果产业化效率（0.411）的提升幅度最大，达到64.96%。以上结果说明，在成果产业化阶段，数字经济能够有效降低供需两侧的信息不对称程度，以市场需求为导向推动高校和科研机构的知识、技术向企业溢出，同时企业通过数字化转型可以提升资源配置效率和劳动生产率［30］，加快科技成果的应用与推广，使其充分对接市场需求。可见，数字经济背景下中国科技创新支撑经济发展的综合效率提升主要来源于成果产业化效率的提升。

进一步关注数字经济背景下的创新研发效率与成果产业化效率，如图3所示，发现仅有北京、天津、内蒙古、上海、江苏、浙江、江西、河南、湖南、广东、重庆11个省份的创新研发效率低于或等于成果产业化效率，其余19个省份均表现为创新研发效率高于成果产业化效率，其中云南的创新研发效率与成果产业化效率之间的差距高达53.82%，辽宁、甘肃、青海、新疆4个省份的创新研发效率与成果产业化效率之间的差距也达到了30%以上。这一结果与庞瑞芝等［1］的研究结论一致，揭示出科技成果转化难是普遍现象，数字经济背景下科技成果产业化的制约问题仍没有得到根本解决。作为推进创新驱动发展战略的重要任务，国家多次强调要促进科技成果产业化，并陆续出台了《实施〈中华人民共和国促进科技成果转化法〉若干规定》《促进科技成果转移转化行动方案》等相关政策法规。然而，溯源中国科技成果的可转化度不足问题，从深层次看还与科技创新体制有关。高校、科研院所与企业共同构成了中国科技创新主体，而高校、科研院所的创新激励导向往往与科技成果市场化导向相背离

目前，中国高校以及部分科研院所的成果导向依然是“论文”导向，即便对于应用性较强的工程类专业而言，很多高校科研人员考核的绩效指标设计依然偏向于科技论文数量，而不是其技术实践应用。这一问题已经有很多研究在多年以前就曾提出，各种政策文件也一直在呼吁改革这一不合理的绩效考核机制，然而事实显示，这一问题依然没有从根本上得到解决。，这必然导致具有转化价值的科技成果比例不高、向现实生产力转化不畅等问题。

图4和图5所示分别为数字经济背景下全国及五个重大国家战略区域科技创新支撑经济发展的创新研发效率和成果产业化效率的演变趋势。从图4可以看出，全国及五个重大国家战略区域的创新研发效率整体表现为上升趋势，并且区域之间的差距呈现缩小态势。图5则显示五个重大国家战略区域的成果产业化效率的变化趋势存在一定差异。其中，京津冀的成果产业化效率在2013—2020年呈现W型波动，并且始终高于全国平均水平，长三角和长江经济带的成果产业化效率呈现波动上升的态势，粤港澳和黄河流域的成果产业化效率呈现波动下降态势，区域之间的差距逐渐扩大。由此可见，成果产业化效率的分化是五个重大国家战略区域的综合效率差距呈现出扩大态势的主要成因。

四、中国科技创新支撑经济发展效率的区域差异与收敛性分析

（一）区域差异及来源分解

本文利用Dagum基尼系数测算了数字经济背景下中国以及重大国家战略区域

由于粤港澳区域在本文的研究对象仅为广东省，利用Dagum基尼系数测算的粤港澳科技创新支撑经济发展效率的区域差距为0，故未对粤港澳的区域差距进行汇报。科技创新支撑经济发展效率的区域差异来源及其贡献率，结果见表5。

1.总体区域差异

根据图6描绘的总体差异及来源的变化趋势发现，观测期内总体区域差异大体上呈现M型波动。具体而言，样本期间总体基尼系数的最小值为2013年的0.064，在此之后（2014—2016年）总体区域差异逐年上升，平均升幅约为15.80%；2016年总体基尼系数为0.099，达到了观测期内的最大值；随后，2016—2020年期间呈现波动下降的趋势。区域间差异从2013年的14.16%上升到2020年的59.89%，在2018年之后已成为总体区域差异的主要来源。自2013年以来，中国数字经济发展取得了显著成效，

图6 中国科技创新支撑经济发展效率的总体区域差异及来源

圖7 中国科技创新支撑经济发展效率的区域内差异

但在快速发展的过程中也出现了区域之间不平衡的问题，这可能是导致区域间差异上升的一个重要原因。在2018年之前，超变密度在总体差异中占据主导作用。

超变密度反映了划分子群体时由于交叉项的存在而对总体差距产生影响的贡献，用于识别区域间的交叉重叠现象，这说明2013—2018年个体省份科技创新支撑经济发展的效率差异扩大造成了区域内部的效率分化，这种分化与区域间差距交织在一起，产生了不同区域间的交叉重叠现象。区域内差异在观测期内基本保持稳定，其基尼系数值不存在较大幅度的波动。

2.区域内差异

图7进一步展示了数字经济背景下四个重大国家战略区域科技创新支撑经济发展效率的区域内基尼系数的变化趋势。其中，京津冀的区域内差异在区间［0.017，0.055］上呈现不断波动的态势；长三角的区域内差异呈现波动下降的态势，其基尼系数值从2013年的最大值0.072下降到2020年的最小值0.018；长江经济带的区域内差异在观测期内不存在明显的波动；黄河流域的区域内差异主要经历了“大幅上升—缓慢下降—保持平稳”的变化过程。从数值大小来看，观测期内黄河流域的基尼系数分别依次大于长江经济带、京津冀、长三角，均值分别为0.105、0.070、0.040、0.037。黄河流域横跨中国东中西部地区，区域内部省份在科技创新环境、数字经济发展上存在较大差异，进而导致其科技创新支撑经济发展的效率出现内部分化。以2020年为例，山东的R&D投入经费强度为2.30%，数字经济占GDP比重接近45%，而青海的R&D投入经费强度仅为0.71%，数字经济占GDP比重低于25%。相较之下，长三角具有创新资源集聚优势，这也是长三角区域内部省份科技创新支撑经济发展的效率相对均衡的重要原因。京津冀的区域内差异不断波动的结果表明，北京、天津、河北三个省份创新驱动经济协同发展的新格局尚未形成，下一阶段的京津冀协同发展战略应利用好数字经济发展契机，重点完善区域内部科技服务业产业链条。

3.区域间差异

图8 中国科技创新支撑经济发展效率的区域间差异

图8是数字经济背景下四个重大国家战略区域科技创新支撑经济发展效率的区域间差异的演变趋势。从中可以看出，长三角—黄河流域、长江经济带—黄河流域、京津冀—黄河流域的区域间差异的整体走势接近，均表现为波动式上升。京津冀—长江经济带、长三角—长江经济带的区域间差异在观测期内的变化相对平稳。京津冀—长三角的区域间差异主要经历“缓慢下降—短暂平稳—大幅上升—大幅下降”的过程，其中最大升幅为2018—2019年的102.46%，最大降幅为2019—2020年的54.90%。从区域间差异的数值大小来看，观测期内区域间基尼系数的均值由大到小依次排序为长三角—黄河流域（0.111）、长江经济带—黄河流域（0.104）、京津冀—黄河流域（0.103）、京津冀—长江经济带（0.068）、长三角—长江经济带（0.065）、京津冀—长三角（0.052）。以上结果表明，数字经济背景下中国科技创新支撑经济发展效率的区域间差异主要来自黄河流域与长三角、长江经济带、京津冀的差异。因此，在面向“十四五”时期推进黄河流域生态保护和高质量发展战略的过程中，除了通过体制机制变革塑造激励创新研发和成果产业化的制度环境外，还应聚焦数字经济对成果产业化效率的提升作用，以数字经济为政策重点，形成以数字赋能、创新驱动、内生发展为核心的新型区域战略。

（二）收敛性分析

如前文所述，数字经济背景下中国科技创新支撑经济发展的综合效率在各区域和各省份之间存在较为明显的差异。从长期来看，这种效率差异是否具有收敛性，最终趋于平衡？为回答上述问题，本文对数字经济背景下中国科技创新支撑经济发展的综合效率分别进行了绝对β收敛检验和条件β收敛检验，深入揭示其时序收敛特征，并同时对比了传统经济下中国科技创新支撑经济发展的综合效率的收敛情况。结果见表6和表7

粤港澳区域在本文的研究对象仅为广东省，因此无法对其进行收敛性检验。。

1.绝对β收敛分析

由表6可知，数字经济背景下，全国层面的β系数在1%水平下显著为负，表明全国科技创新支撑经济发展的效率存在绝对β收敛，即在不考虑其他因素的情况下，各省份科技创新支撑经济发展的效率随着时间推移最终会收敛到相同稳态水平。与科技创新支撑经济发展效率较高的省份相比，支撑效率较低的省份增长速度相对较快，省际差距逐渐呈现缩小态势。京津冀的β系数为负但不显著，表明京津冀科技创新支撑经济发展的效率不存在绝对β收敛。长三角、长江经济带、黄河流域的β系数均为负并且通过了1%水平的显著性检验，表明这三个重大国家战略区域科技创新支撑经济发展的效率均存在绝对β收敛。在传统经济下，全国、长三角、长江经济带的收敛情况与数字经济背景下表现一致，但京津冀存在绝对β收敛，黄河流域不存在绝对β收敛。从收敛速度来看，数字经济背景下长三角、长江经济带、黄河流域的收敛速度分别为0.173、0.138、0.069，长三角的收敛速度相对最快，长江经济带次之，黄河流域的收敛速度最慢。而传统经济下长三角、长江经济带的收敛速度分别为0.048、0.098，慢于数字经济背景下的收敛速度，这说明数字经济有助于加快科技创新支撑经济发展低效率地区向高效率地区的趋同速度。值得注意的是，上述基于绝对收敛的分析仅取决于初期效率水平，但实际中不同区域在金融发展水平、外商直接投资、对外开放程度、市场化水平、创新环境、财政教育支出强度这些因素方面存在较大异质性，可能会趋向不同的均衡点，因而有必要进一步进行条件收敛检验。

根据表7结果，数字经济背景下，全国、京津冀、长三角、长江经济带、黄河流域的β系数均为负数并且通过了1%水平的显著性检验，表明全国及四个重大国家战略区域科技创新支撑经济发展的效率存在条件β收敛现象，意味着全国各省份以及四个重大国家战略区域内各省份会收敛于自身的稳态水平。与绝对β收敛相比，全国及四个重大国家战略区域的β系数绝对值都变大，说明在加入各省份自身的金融发展水平、外商直接投资、对外开放程度、市场化水平、创新环境、财政教育支出强度等影响因素之后，对全国及四个重大国家战略区域科技创新支撑经济发展的效率收敛产生了促进作用。条件β收敛的收敛速度相较绝对β收敛也发生了变化，按重大国家战略区域的收敛速度由高到低排序依次为京津冀（0.344）、长三角（0.192）、长江经济带（0.187）、黄河流域（0.085）。传统经济下，京津冀、长三角、長江经济带、黄河流域的收敛速度依次为0.196、0.143、0.127、0.050，同样慢于数字经济背景下的收敛速度，说明数字经济的发展加快了各地区收敛于自身稳态水平的速度。

数字经济背景下四个重大国家战略区域中各个控制变量的系数和显著性水平存在较大差异。其中，金融发展水平的回归系数在长江经济带、黄河流域显著为负，金融发展水平提高能够为科技创新活动给予更多资金支持，有助于长江经济带与黄河流域科技创新支撑经济发展效率的收敛，但对于京津冀和长三角科技创新支撑经济发展效率收敛的促进作用尚未得到充分展现。对外开放程度的回归系数仅在京津冀区域显著为正，通过推动贸易发展能够实现高水平对外开放，将国外先进技术引进来，从而促进科技创新对经济发展支撑效率的提升，但对缩小区域内部差距则可能存在抑制作用。市场化水平和财政教育支出强度的回归系数仅在京津冀区域显著为负。市场化水平的提高有利于实现创新资源的自由流动，财政教育支出强度往往与人力资本素质密切相关，财政教育支出强度越大，人力资本素质越高，越有利于加快新技术的扩散速率，从而有助于京津冀区域科技创新支撑经济发展效率的收敛，但对其他三个重大国家战略区域的作用效果需进一步探究。

五、研究结论与政策启示

本文基于2013—2020年中国30个省份的科技投入产出数据以及宏观经济数据，构建网络SBM模型测度了数字经济背景下中国省际科技创新支撑经济发展的效率，同时将其与传统经济视角下科技创新支撑经济发展的效率进行对比分析。利用Dagum基尼系数法对数字经济背景下科技创新支撑经济发展效率的区域差异进行测算与分解，并采用β收敛方法揭示时序收敛特征。本文得出的主要结论如下：第一，数字经济背景下各省份科技创新对经济发展的支撑作用普遍较强，全国半数以上省份科技创新支撑经济发展的综合效率达到0.7；相比于传统经济，大多数省份科技创新支撑经济发展的综合效率在数字经济背景下均有所提升，但也有个别西部省份（如重庆、青海、宁夏、新疆）在数字经济背景下科技创新支撑经济发展的综合效率并未高于传统经济下的综合效率；从区域层面看，五个重大国家战略区域综合效率的均值由高到低依次为长三角、京津冀、粤港澳、长江经济带、黄河流域。第二，数字经济背景下科技创新支撑经济发展综合效率的提升主要来源于成果产业化效率的提升，数字经济在短期内并未明显提高创新研发效率；数字经济背景下科技创新对经济发展的支撑作用仍然受到成果产业化的制约，60%以上省份的成果产业化效率低于创新研发效率。第三，根据总体差异的贡献率，区域间差异从2013年的14.16%上升到2020年的59.89%，2018年之后已经成为总体区域差异的主要来源；β收敛的检验结果表明，数字经济背景下，全国、长三角、长江经济带、黄河流域科技创新支撑经济发展的效率均存在绝对β收敛和条件β收敛，京津冀科技创新支撑经济发展的效率只存在条件β收敛；数字经济加快了各区域的收敛速度，在考虑其他控制变量后，收敛速度由高到低依次为京津冀、长三角、长江经济带、黄河流域。

以上研究发现为数字经济背景下中国加快科技强国建设提供了以下几点启示：一是充分重视数字化对科技创新支撑经济发展的赋能作用，加快孕育形成以数字经济为代表的新动能。各地政府应顺数字化之势而为，将其作为推进经济高质量发展的全局之举。针对当前中国数字化发展水平存在“数字鸿沟”形成的区域非均衡发展特征，应有针对性地实施动态化、差异化的措施，尝试探索地区间数字化发展的协同互助与合作机制，加强区域间（尤其是东部与西部间）在数字技术、人才、基础设施建设方面的援助、合作。当然，在推动数字化协调发展的同时，还要看到数字化进程中出现的一些不健康、不规范的泡沫和趋势，要因地施策地促进数字经济和实体经济深度融合发展，不能为数字化而数字化，避免过犹不及。二是建立以市场需求为导向的科技成果转化机制，健全成果转化的激勵政策，切实推动科技创新成果转化为现实生产力，并进一步完善金融支持创新体系，促进新技术规模化应用，推动科技成果产业化平台载体建设。与此同时，还需要加快全国统一大市场建设，构建科技创新协同联动机制，建设过程中应成立一批具有高度专业化、服务化的国家技术转移机构，加快资本、人才等创新资源的技术转移网络建设，从而强化科教密集、科技成果较多地区的辐射带动作用，以促进对科技成果产出不足地区的溢出。三是要逐步缩小区域差距，着力推进区域高质量协调发展。2018年之后，区域间差异成为中国科技创新支撑经济发展效率总体差异的主要来源。一方面，国家在统筹制定“十四五”科技发展规划时，要以财税政策和科技专项资金等政策引导、激励黄河流域等落后区域加强承接发达区域技术转移，大力发展科技中介服务与科技金融等专业化创新服务体系来提升落后区域的科技创新能力，并聚焦数字经济对成果产业化效率的提升作用，以数字经济为政策重点，形成以数字赋能、创新驱动、内生发展为核心的新型区域战略。另一方面，落后区域的地方政府要有所担当和作为，深入推进“放管服”改革，破除不合理的科技体制机制，形成崇尚、激励创新的价值导向和市场氛围。

参考文献：

［1］庞瑞芝，范玉，李扬. 中国科技创新支撑经济发展了吗？［J］. 数量经济技术经济研究， 2014（10）： 3752.

［2］尹向飞，段文斌. 中国科技创新对经济增长的支撑作用研究［J］. 上海经济研究， 2017（12）： 2436.

［3］张昕蔚. 数字经济条件下的创新模式演化研究［J］. 经济学家， 2019（7）： 3239.

［4］ ROMER P M. Endogenous technological change［J］. Journal of Political Economy， 1990， 98（5）： 71102.

［5］ NGAI L R， PISSARIDES C A. Structural change in a multisector model of growth［J］. American Economic Review， 2007， 97（1）： 429443.

［6］时乐乐，赵军. 环境规制、技术创新与产业结构升级［J］. 科研管理， 2018（1）： 119125.

［7］洪银兴. 消费需求、消费力、消费经济和经济增长［J］. 中国经济问题， 2013（1）： 38.

［8］ CRESPI G， ZUNIGA P. Innovation and productivity： evidence from six Latin American countries［J］. World Develop ment， 2012， 40（2）： 273290.

［9］郑江淮，郑玉. 新兴经济大国中间产品创新驱动全球价值链攀升：基于中国经验的解释［J］. 中国工业经济， 2020（5）： 6179.

［10］吴延兵. 自主研发、技术引进与生产率：基于中国地区工业的实证研究［J］. 经济研究， 2008（8）： 5164.

［11］TUDOR A T， ZAHARIE M， OSOIAN C. Innovation development needs in manufacturing companies［J］. Procedia Technology， 2014， 12： 505510.

［12］潘雄锋，张维维. 基于空间效应视角的中国区域创新收敛性分析［J］. 管理工程学报， 2013（1）： 6367.

［13］DIEBOLT C， HIPPE R. The longrun impact of human capital on innovation and economic development in the regions of Europe ［J］. Applied Economics， 2019， 51（5）： 542563.

［14］夏后学，谭清美，白俊红. 营商环境、企业寻租与市场创新：来自中国企业营商环境调查的经验证据［J］. 经济研究， 2019（4）： 8498.

［15］韩先锋，宋文飞，李勃昕. 互联网能成为中国区域创新效率提升的新动能吗［J］. 中国工业经济， 2019（7）： 119136.

［16］张可. 经济集聚与区域创新的交互影响及空间溢出［J］. 金融研究， 2019（5）： 96114.

［17］葛鹏飞，韩永楠，武宵旭. 中国创新与经济发展的耦合协调性测度与评价［J］. 数量经济技术经济研究， 2020（10）： 101117.

［18］张国胜，杜鹏飞，陈明明. 数字赋能与企业技术创新：来自中国制造业的经验证据［J］. 当代经济科学， 2021（6）： 6576.

［19］罗珉，李亮宇. 互联网时代的商业模式创新：价值创造视角［J］. 中国工业经济， 2015（1）： 95107.

［20］戚聿東. 贯彻新发展理念加快发展数字经济［N］. 光明日报， 20180904（15）.

［21］KAO C. Efficiency decomposition in network data envelopment analysis： a relational model［J］. European Journal of Operational Research， 2009， 192（3）： 949962.

［22］肖旭，戚聿东. 数据要素的价值属性［J］. 经济与管理研究， 2021（7）： 6675.

［23］TONE K， TSUTSUI M. Network DEA： a slacksbased measure approach［J］. European Journal of Operational Research， 2009， 197（1）： 243252.

［24］BARRO R J， SALAIMARTIN X. Convergence ［J］. Journal of Political Economy， 1992， 100（2）： 223251.

［25］王小鲁，胡李鹏，樊纲. 中国分省份市场化指数报告（2021）［M］. 北京：社会科学文献出版社， 2021：223237.

［26］白俊红，王钺，蒋伏心，等. 研发要素流动、空间知识溢出与经济增长［J］. 经济研究， 2017（7）： 109123.

［27］张军，章元. 对中国资本存量K的再估计［J］. 经济研究， 2003（7）： 3543.

［28］韩兆安，赵景峰，吴海珍. 中国省际数字经济规模测算、非均衡性与地区差异研究［J］. 数量经济技术经济研究， 2021（8）： 164181.

［29］刘军，杨渊鋆，张三峰. 中国数字经济测度与驱动因素研究［J］. 上海经济研究， 2020（6）： 8196.

［30］肖土盛，孙瑞琦，袁淳，等. 企业数字化转型、人力资本结构调整与劳动收入份额［J］. 管理世界， 2022（12）： 220237.

［本刊相关文献链接］

［1］祁怀锦，刘斯琴.企业数字化发展对绿色创新的影响及其作用机理［J］.当代经济科学，2023（4）：7283.

［2］戴魁早，杨开开，黄姿.两业融合、技术溢出与企业创新绩效［J］.当代经济科学，2023（3）：2943.