市域视角下安徽省科技成果转化效率评价

杨剑 赵倩雅 韩传轶

摘  要：科学分析评价科技成果转化效率不仅能够体现该地区科研创新水平，也可以反映自身的未来发展潜力，有助于带动区域经济的发展。该研究选取安徽省16个地级市 2014—2019 年的数据，基于数据包络分析法（DEA），对市域范围科技成果转化绩效进行测量分析。研究发现，安徽省科技成果转化整体上效率偏低，而从市域层面上看，科技成果转化效率并不均衡。

关键词：科技成果转化效率；DEA；安徽省；地级市；BCC模型

中图分类号：F276.44      文献标志码：A          文章编号：2095-2945（2024）08-0081-05

Abstract： This study selects the data of 2014 Mel 2019 from 16 prefecture-level cities in Anhui Province， and measures and analyzes the performance of city-wide transformation of scientific and technological achievements based on data envelopment analysis （DEA）. The study found that the overall efficiency of the transformation of scientific and technological achievements in Anhui Province is low， while from the municipal level， the efficiency of the transformation of scientific and technological achievements is not balanced.

Keywords： transformation efficiency of S&T achievements; DEA; Anhui Province; prefecture-level cities; BCC model

科技成果转化为现实生产力，是作为科技和经济两大因素相结合、创新链与产业链融合的核心，同时也是最有效、最直接推动经济增长的方法之一，提升科技成果转化效率和产业化水平，是高质量地实现创新驱动发展战略的重要条件。科技成果能否从理论性或小规模实验性产品转化为现实的社会生产力，是衡量一个国家与地区自主创新能力的重要指标。目前，中国的科技成果转化成效还不够显著[1]，2021年11月世界知识产权组织（WIPO）发布的《世界知识产权指标2021》报告指出，中国国家知识产权局以多达150万件专利申请居于世界首位，此外，还有多项知识产权指标居于世界第一[2]。虽然从整体来看，我国专利申请总量数字庞大，但是根据2021年国家知识产权局发布的《2021年中国专利调查报告》，就发明专利等科技成果转化为现实产业的效率而言，中国仅为35.4%，这不足总量的四成[3]。由此可见，中国的創新发展现在仍面临着科技成果转化效率低下的问题。

安徽省作为长三角主体之一，要实现自身飞越性发展这一目标，必须依靠创新[4]。就区域的创新水平而言，近几年虽然安徽省相比其他省份来说在全国范围内一直保持靠前的水平，但是其仍受着科技成果转化为现实产业能力不足、核心技术供给不足等问题的制约。准确评价安徽省在科技成果转化过程中的现状，合理分析安徽科技成果转化的特点和趋势，科学探究科技成果转化的优化路径，有助于促进安徽省经济高质量发展。本研究拟从市域视角探讨安徽省的科技成果转化效率，采用DEA模型分析16个地级市从2014年至2019年期间的科技成果转化效率，探讨各地市在科技成果转化方面存在的问题，并以此提出相应的对策建议。

1  文献综述

由于科研成果转化后对整个社会的回报率远远大于对企业自身的回报率[5]，因此科技成果转化问题一直是科技管理领域的研究热点之一，国内外学者从不同角度对其展开了研究，从研究对象上，大体可以分为针对区域、行业、高校3类对象的研究。

在区域科技成果转化评价方面，李团飞[6]利用DEA-CCR模型和BCC模型，对河南省的若干行政区域的科技成果转换进行比较分析，得出河南省科技成果投入产出比的水平总体较低且区域差距明显的结论。周扬等[7]利用DEA方法，探讨“十二五”期间吉林省的科技成果研发效率及转化效率，结果显示吉林省各地区之间的科技成果转化效率存在较为显著的差距。孙涛[8]借助DEA方法，以东北老工业基地为研究对象，对2004—2017年东北地区科技成果转化效率进行了研究，提出应加强政府、企业和高校之间的协同合作，以提高东北老工业基地的科技成果转化效率。

在高校科技成果转化评价方面，王慧等[9]以长三角为研究的地域范围，以22所新工科高校的科技成果转化绩效为考察对象进行研究，结果表明这22所新工科高校的科技成果转化率相对较低。田庆峰等[10]以四川省、西安市为研究的地域范围，以24所军民融合型高校为样本，对其科技成果转化绩效进行了考察，发现高校间转化率差异比较明显。钟卫等[11]使用Bootstrap-DEA方法对我国高校科技成果转化效率进行了分析。林青宁等[12]采用网络DEA模型，针对2008年到2016年若干个高校的科技成果转化绩效进行了考察，并借助“空间误差模型”检验影响转化效率的因素。

在行业科技成果转化评价方面，邱奇等[13]以我国11座区域中心城市为研究样本，以其科技创新性质的资本效率为研究对象，发现11座城市之间差距较为明显。林青宁等[14]通过建立网络超效率SBM模型，对2009年至2017年中国农业企业科技成果转化效率进行评价，同时依据得出的结果从时空角度分析了其收敛性和演变趋势。

2  研究方法与变量选择

2.1  研究方法

DEA（Data Envelopment Analysis，DEA）模型是学者Charnes等[15]提出的非参数评价方法，主要用于测量具有多投入和多产出特性的多个样本的相对效率。DEA模型自其提出开始就被广泛应用于各种类型的研究中，学者们也对其进行了不断的改进，其中，CCR模型和BCC模型是最常使用的测算效率的方法。在CCR模型中，规模收益是不变的，一般可以用于测算总效率。而在BCC模型中，假设规模收益是可变的，一般被用来衡量纯技术和规模效率。考虑到科技创新成果转化的实际情况，本文选用BCC模型进行效率评价。

BCC模型是1984年Banker等人提出的一种模型，可以用于测算研究中决策单元的整体效率，并可以优化加权输入和输出变量，进而能够提高技术效率（TE），同时将具有无限可扩展特性和规模报酬不变的纯技术效率（PTE）排除在外。BCC模型如下所示

minθ-ε（TS-+eTS+）

s.t.Xj？姿j+S-=？兹X0Yj？姿j-S+=Y0？姿j≥0，S-，S+≥0，

式中：j=1，2，…，n表示决策单元，X，Y分别是投入、产出向量。

若θ=1，S+=S-=0，则决策单元DEA有效；若θ=1，S+≠0，或S-≠0，则决策单元弱DEA有效；若θ<1，则决策单元非DEA有效。

BCC模型计算出来的效率值为综合技术效率（TE），可以进一步分解为规模效率（SE）和纯技术效率（PTE），TE=SE×PTE。

当技术效率与纯技术效率相同时，即SE（规模效率）为1，表明不存在规模的非效率性。这种情况下，规模生产函数处于最佳规模状态，即生产效率最高。相反，当技术效率与纯技术效率不同时，SE不等于1，这意味着存在规模的非效率性，导致生产效率低于最佳规模状态。

2.2  变量选择与数据来源

关于科技成果转化绩效评价指标，国内外学者并没有一个统一的标准，但是大多数都较为相似，在投入指标上，基于吴佩佩等[16]、徐晨等[17]、李团飞[6]等的研究，本研究中的投入指标选择规模以上工业企业的R&D活动内部经费支出、R&D人员全时当量，而在产出指标上，基于柴国荣等[18]的研究，选取专利的实际授权量、技术合同成交额具体见表1。本文利用的变量数据均是通过《安徽省统计年鉴》和《安徽省科技统计年报》等相关资料收集得到。将这些数据整理归类后，通过Stata软件进行分析测算，即可得出安徽省科技成果转化效率值结果。

3  实证结果与分析

以数据包络分析法为基础，基于2014—2019年安徽省16个地级市的数据，经过对3种效率值进行测算，根据测算结果对安徽省科技成果转化效率进行了研究分析。呈现的结果见表2、表3。

综合技术效率

研究结果显示，2014—2019年间，安徽省这16个地级市的综合技术效率总体趋势呈逐年上升，但是平均值并不高，仍然表现为较弱的DEA有效性，位于[0.38～0.63]的区间范围内，但是从2015年的低谷之后，开始呈现缓慢上升的趋势。以铜陵为例，这座城市已经连续3年综合效率值为1，呈DEA有效，并且从表中可以看出，在這短短6年间，越来越多的城市效率在不断增长。

表纯技术效率和规模效率均值

在16个地级市中，从综合技术效率这个整体方面来看，铜陵、合肥、阜阳和池州这4个城市的综合技术效率排名最高。其中，池州在各个方面表现最好，铜陵仅次于池州，原因在于这2个城市本身的科技创新投入和产出相关指标的数值不高，而且其经济总量规模较小，科技投入少而产出相对较多，继而直接导致投入产出比值较高；马鞍山和滁州2个城市在规模效率方面表现出色，也在前五名中，两市在规模效率方面表现较好，但纯技术效率值相对较低，而宿州和亳州则恰恰相反，这2个城市的纯技术效率值虽然表现较为突出，但是在规模效率方面排名比较靠后，只排在第13名和第14名，这使得这2个城市的综合技术效率较低。除此之外，宣城和安庆的3种效率值的排名也都较低。

安徽16个地级市的纯技术效率的平均值为0.69，规模效率的平均值为0.82，以这2个平均值数值为准线，构建二维矩阵图，如图1所示。通过数据分类，可以将这16个地市分为4种类型：高高型、低高型、高低型和低低型，见表4。

4  研究结论与政策建议

4.1  研究结论

通过对安徽省2014—2019年16个地级市的科技成果转化绩效进行实证研究与比较分析，可以得出以下结论。

1）安徽省科技成果产出和转化的水平总体较低。从综合技术效率来看，虽然综合技术效率逐年上升，但平均水平仍较低。2019年的平均值最高，也仅为0.63，处在一个较低的水平。

2）根据纯技术效率和规模效率平均值二维矩阵显示，“双高型”城市仅有5个，剩余城市普遍存在纯技术效率值与规模效率值仅一项数值偏高或两项数值都偏低的情况，这表明安徽各地市的科技成果转化绩效并不均衡，且仍处于较低水平，仍有较大的效率提升空间。

3）虽然安徽各地市的3种科技成果转化效率平均值偏低，但是从长期趋势来看，呈现逐年上升的态势，这表明安徽省的科技成果转化效率正处在缓慢但持续地提升状态，经过调整以后，有望进一步发展。

4.2  政策建议

首先，对于“双高型”城市，应进一步扩大科技成果产业化的规模。以池州为例，该市作为2种效率值都较高的城市，相对来说自身的科技成果转化能力较强，转化水平较高，但是相比于合肥、芜湖，其在全省的科技创新基数中占比相对较小，科技创新的规模不大，尚未充分发挥出自身“双高”的优势。因此，对于这类城市应该制定有效的激励政策，引导创新主体不断为提升自己的创新研发能力而积极投入科研活动，鼓励科研人员积极参与科技成果的研发过程，促进科技成果转化成为生产力，从而形成更大规模、更高层次的创新产业结构，最大程度去发挥科技成果转化效率高这种独特长处，形成巨大推力，助力本地产业与经济发展。

其次，对于“单高型”城市，应总结短板所在，补齐短板从而实现效率提升。纯技术效率较高而规模效率低的城市，如亳州、宿州等，其科技投入水平相较于创新成果转化发展水平来说，处于较低水平，因此必须进一步加大科技创新资源的投入，增强财政支持，扩大科技成果转化的规模，以规模的扩大来提升该地区的科技成果转化效率；对于纯技术效率较低而规模效率高的城市，如滁州、马鞍山、芜湖等，科技成果转化规模化效应较高，但是在科技成果转化的过程中投入与产出之间的转化效率较低，应加强对成果转化过程的梳理，解决自身在创新成果转化过程中遇到的技术问题，优化成果转化的平台，提供及时有效的科技成果信息，提高科技投入与产出的有效性。

最后，对于“双低型”城市，应夯实科技创新和成果转化的基础。“双低型”城市如淮南、六安、安庆等，由于纯技术效率和规模效率值都相对较低，因而具有较大的发展空间。政府作为促进地方科技创新水平的坚实后盾，应坚定对科技研发的支持态度，配备与科技创新相关的合理政策支持措施，通过优惠税收、财政补贴等措施鼓励企业研发创新。此外，政府还应积极引进科研院所，鼓励外地高校在当地开设科研机构，提高科技人员的待遇和奖励，推动高校、科研院所与企业合作，根据当地产业特点有侧重性地进行科技创新，搭建合作平台，推动本地区科技创新与产业发展同向而行，进而实现地方科技成果产出和转化的高质量发展。

参考文献：

[1] 张高明，张善从.基于全过程的高校科技成果转化能力研究[J].科技管理研究，2020，40（23）：92-99.

[2] 世界知识产权组织.2021年世界知识产权指标[R].世界知识产权组织，2021.

[3] 杨华勇.要进一步保护知识产权，关注成果转化后的利分配[R].中国科学技术信息研究所，2022.

[4] 张宣剑.习近平总书记考察安徽重要讲话精神专题报道 合 肥：创新之都挺立长三角一体化高质量发展潮头[EB/OL].（2020-09-02）[2020-12-02].http：//www.cnr.cn/ah/zt/ljyyztah/20200902/t20200902_525237675.shtml.

[5] MANSFIELD E，RAPOPORT J，ROMER A. Social and Private Rates of Return Industrial Innovation[J].Qua terly Economics， 1977，9（15）：221-240.

[6] 李团飞.河南省科技成果转化效率评价[J].河南科技，2022，41（15）：144-147.

[7] 周杨，吴光华，郝庆升.基于DEA模型的吉林省科技成果创新与转化效率[J].农业工程，2018，8（2）：131-134.

[8] 孙涛.我国老工业基地科技成果转化效率评价研究——以东北地区为例[J].中国软科学，2020，49（1）：164-170.

[9] 王慧，杨万清，高日升，等.长三角地区新工科高校科技成果转化绩效评价研究[J]江科学术研究，2022，17（1）：1-8.

[10] 田庆锋，苗朵朵，张硕，等.军民融合型高校的科技成果转化效率及路径[J].科技管理研究，2020，40（8）：91-101.

[11] 钟卫，陈宝明.中国高校科技成果转化绩效评价研究[J].中国科技论坛，2018（4）：41-49.

[12] 林青宁，毛世平.高校科技成果转化效率研究[J].中国科技论坛，2019（5）：144-151，162.

[13] 邱奇，郭佳欢.基于DEA方法的城市科技创新资本效率实证分析[J].长安大学学报（社会科学版），2020，22（1）：83-92.

[14] 林青宁，孙立新，毛世平.中国农业企业科技成果转化效率测算与分析——基于网络超效率SBM模型[J].科技管理研究，2020，40（8）：52-58.

[15] CHARNES A， COOPER W W， RHODES E. Measuring the efficiency of decision making units[J].European Journal of Operational Research，1978，2（6）：429-444.

[16] 吳佩佩，刘家树，齐昕.中国区域科技成果转化效率研究-基于DEA和SFA的比较分析[J].安徽工业大学学报（自然科学版），2014，31（1）：89-93.

[17] 徐晨，邵云飞.基于DEA的科技成果转化绩效评价研究[J].电子科技，2010，23（7）：58-61.

[18] 柴国荣，许崇美，闵宗陶.科技成果转化评价指标体系设计及应用研究[J].软科学，2010，24（2）：1-5.