政府干预视角下长三角城市群科技创新资源配置效率及影响因素分析

杨 剑，程华东

（安徽大学管理学院，安徽合肥 230601）

0 引言

随着创新驱动发展战略和长三角一体化战略的深入推进，长三角城市群作为我国重要的科技创新区域，在建设创新型国家的过程中发挥着重要的示范引领作用。科技创新资源的高效配置是支撑科技创新活动的基础条件，政府在资源配置中扮演着重要的角色，通过政策的引导，维护科技活动的秩序并进一步释放创新活力。因此，明确长三角各城市的科技创新资源配置效率差异，并从政府干预视角出发分析其影响因素，对于优化长三角城市群的科技创新资源整体布局，促进区域科技创新资源的高效配置，加速推进区域科技创新全面发展具有重要意义。

1 文献回顾

目前，学界对科技创新资源配置的相关问题进行了诸多探讨，主要集中于科技创新资源配置的效率及其影响因素等方面。

在科技创新资源配置效率方面，学者们大多使用数据包络分析（DEA）方法对不同类型研究对象的科技创新资源配置效率进行评价。例如，郑家喜等［1］运用DEA-Malmquist 方法测算1999—2013 年我国中西部地区农业科技运行的技术效率、技术进步和全要素生产率，探究区域农业科技创新资源配置效率存在的差异；杨林等［2］运用三阶段DEA 模型对粤港澳大湾区2014—2016 年科技金融资源配置效率进行了测算与分析；张海波等［3］则对我国31个省份2015—2017 年高校科技创新资源配置效率进行了测算。

在科技创新资源配置效率影响因素方面，一是从研发主体的投入产出视角出发，认为科研机构发展水平、研发机构R&D 经费支出等因素对科技创新资源配置效率具有显著影响作用［4］；二是从研发主体所处的环境视角出发，认为产业生产力发展水平、城市经济发展水平和经济开放程度、劳动力市场相关制度等因素都影响科技创新资源配置效率，相关观点分别可见于吴国松［5］、梅姝娥等［6］、Elert 等［7］的研究；三是从研发主体行为视角出发，认为协同创新、资源协调在提升科技资源配置效率方面具有积极作用，如付丽莉［8］、Heil 等［9］的研究。

综合来看，学者们对科技创新资源配置问题开展了充分的学理探讨和现实分析，相关研究成果颇丰，然而较少从政府干预视角对科技创新资源配置效率展开深入研究，且缺乏关于长三角城市群科技创新资源配置效率的分析。地方政府在科技创新过程中发挥着不可或缺的作用［10］，对于科技资源的政策导向和干预作用能够提高科技资源的有效分配和使用效率，进而实现经济效益和社会效益的最大化［11］。因此，本研究从政府干预视角出发，运用超效率DEA 模型和DEA-Malmquist 模型对长三角城市群科技创新资源配置效率进行测算，并实证分析资源配置效率的影响因素。

2 评价指标构建与影响因素选择

2.1 科技创新资源投入与产出指标

科学合理的评价指标体系是对科技创新资源配置效率评价的前提基础和必然要求。根据科技创新资源配置的特点，借鉴赵立雨等［12］和游达明等［13］的相关研究成果，从科技创新资源投入和产出两个维度构建长三角城市群科技创新资源配置效率评价指标体系（见表1）。

表1 长三角城市群科技创新资源配置效率评价指标体系

2.2 科技创新资源配置效率影响因素的选取

以政府干预为核心解释变量，以经济发展、产业结构、市场化进程、城市化水平以及区域开放程度作为控制变量，构建长三角城市群科技创新资源配置效率影响因素评价指标体系（见表2）。其中，参照白俊红等［14］、潘雅茹等［15］以及樊纲等［16］的衡量方法，采用各城市的一般公共预算支出占地区生产总值（GDP）比重、科技固定资产投资额占固定资产投资额的比重以及市场化指数3 项指标来衡量政府的干预水平；借鉴刘玲利［17］的做法，用人均地区生产总值来衡量经济发展水平；借鉴徐冰鑫等［18］的衡量方法，用第三产业产值占GDP 的比重来表征产业结构调整；参照秦国伟等［19］的衡量方法，用技术市场成交额占R&D 经费支出的比重来表征技术市场化程度；借鉴王星［20］的做法，将城镇人口占总人口的比重来反映城市化水平；参照杨正军等［21］的衡量方式，采用进出口总额占GDP 比重作为区域开放程度的指标。

表2 长三角城市群科技创新资源配置效率影响因素评价指标体系

3 数据来源与研究方法

3.1 数据来源

2010 年国务院正式批准实施《长江三角洲地区区域规划》，明确了长三角发展的战略定位，同时基于数据的可得性等，因此以2011—2020 年长三角城市群的26 个城市（以下简称“样本城市”）为研究对象，数据来源于2012—2021 年的《中国城市统计年鉴》《安徽省统计年鉴》《江苏省统计年鉴》《浙江省统计年鉴》《上海市统计年鉴》以及样本城市的地方性统计年鉴、统计公报和科技局网站等。相关数据特征如表3 所示。

表3 变量描述性统计结果

3.2 研究方法

3.2.1 超效率DEA 模型

超效率DEA 模型克服了传统DEA 模型无法对多个有效决策单元之间效率差异进行区分的缺点，能够对所有决策单元效率进行比较，提高了决策单元效率值测算的准确程度。其具体表达形式如下：

式（1）中：s+和s-表示松弛变量；θ表示模型测算出的决策单元投入相对产出的有效值，即效率值；ε为非阿基米德无穷小数；λj为模型的最优解；n表示决策单元（DMU）。

3.2.2 DEA-Malmquist 指数

DEA-Malmquist 指数模型将Malmquist 指数与DEA 理论相结合，实现了DEA 模型对面板数据的动态分析。Malmquist 指数通常用来测量全要素生产率，模型的表达形式如下：

式（2）～（4）中：xt,yt分别表示第t时期的投入和产出向量；表示在t时期的技术水平下，决策单元DMU0 分别在t时期和t+1 时期与前沿面技术相比较所得到的距离函数值；表示在t+1 时期的技术水平下，决策单元DMU0分别在t时期和t+1 时期与前沿面技术相比较所得到的距离函数值；Effch 为技术效率变化指数；Techch 为技术变化指数；Pech 为纯技术效率指数；Sech 规模效率指数。

3.2.3 Tobit 模型

Tobit 模型是实证分析研究对象影响因素时较为常用的一种分析方法，其特点是因变量满足某种约束条件下进行取值，符合本研究目的，因此结合托宾（Tobit）回归模型的基本原理构建如下回归模型：

式（5）中：i表示城市，i=1,2,…,26；t表示年份；为i城市在t年的超效率值；为截距项；为随机干扰项；变量governit包括govern_budgetit、govern_investit以及govern_miit。

4 实证分析

4.1 长三角城市群科技创新资源配置效率静态评价

借助MaxDEA 8.0 软件，采用投入导向的超效率DEA 模型测算出长三角城市群科技创新资源配置效率，如表4 所示。可见，大部分城市科技创新资源配置效率呈现逐年上升的趋势，说明长三角城市群总体上科技创新资源配置处于不断优化之中，反映出近年来长三角城市群科技体制机制和科技创新资源管理制度改革取得了一定成效。从各城市的均值来看，安徽的合肥、滁州，江苏的南京、无锡、苏州、南通、镇江，浙江的杭州、宁波、嘉兴、湖州、绍兴、金华，以及上海这14 个城市的科技创新资源配置效率均值在研究期间都超过1，表明这些城市科技创新资源配置属于DEA 有效，资源配置有效的城市比例达到53.85%；另外12 个城市的科技创新资源配置效率均值低于1，说明其在科技创新资源配置活动中存在着资源闲置浪费、资源分散、效率低下等问题，尤其是舟山、马鞍山等的地的科技创新资源配置效率远落后于其他城市，亟需进一步优化以提升城市的科技创新资源配置水平。

表4 2011—2020 年样本城市科技创新资源配置超效率DEA 值年度分布

从具体城市来看，上海市的科技创新资源配置效率处在领先地位，最高值为2016 年的7.321、最低值为2020 年的1.389，均大于1，但波动较大，需要保持稳定；江苏省9 个城市的科技创新资源配置效率整体相对较高，苏州、南京、无锡的历年均值分别排在样本城市中的第3、5、6 位，其中苏州和南京这两个江苏省经济最强城市不仅科技创新资源丰富，而且构建了较为完善的引导创新资源配置的政策体系，在研究期间的创新资源配置效率都超过了1，而苏中和苏北地区科技创新资源配置效率相对较低，尤其是苏北地区的盐城，由于地理区位的原因，科技人才、科技创新投入等创新资源较为缺乏，科技创新管理能力不足，其科技创新资源配置效率均值排在样本城市的末位；浙江省的8 个城市除金华外，科技创新资源配置效率基本呈现出逐年上升的总体趋势，从均值来看，除了舟山和台州，其他6 个城市科技创新资源配置效率均超过1，且波动较小；安徽省的8 个城市除了合肥和滁州外，其他城市科技创新资源配置效率均值均未超过1，其中作为国家科技创新型试点城市和国家四大综合性科学中心之一的合肥，在2013 年明确提出“大湖名城，创新高地”的城市发展定位，作为彰显自身特色、提升城市核心竞争力和综合影响力的基本战略，持续推进科技力量体系建设，优化科技资源投入结构，加速实现科技成果转化，在提升科技资源配置效率等方面取得了突出的成效，因而在2014 年实现了由科技创新资源配置效率无效向有效的转变，并在此后的2015 年至2020 年保持有效，而滁州、芜湖、铜陵三地科技创新资源配置效率均值处在样本城市的中游位置，马鞍山、安庆、池州以及宣城的科技创新资源配置效率均值则相对较低。

4.2 长三角城市群科技创新资源配置效率动态评价

考虑到科技创新资源配置是一个长期动态变化的活动过程，利用DEA-Malmquist 指数模型对样本城市的科技创新资源配置效率进行动态分析。如表5 所示，样本城市科技创新资源的全要素生产率（Tfpch）基本都大于1，年均增长率达到了10.5%，说明近年来长三角城市群科技创新资源配置处于不断优化之中，其中全要素生产率的提升主要是因为技术效率指数和技术变化指数的交替增加而引起的，而全要素生产效率指数的降低主要是由规模效率指数下降造成的；技术效率指数和纯技术效率指数值在1 上下波动，而技术变化指数则有明显的增长，说明长三角城市群的技术进步在提升科技创新资源配置效率方面发挥出较大作用，技术的更新迭代为科技创新资源的优化配置提供了条件。

表5 样本城市整体科技创新资源配置效率变动情况

由表6 可知，绝大部分样本城市的全要素生产率指数大于1，其中上海最高；平均全要素生产率指数增长率为8.5%，反映出长三角城市群科技创新资源配置效率整体上都得到了改善和优化。具体来看，上海的全要素生产率指数增长率增幅高达30.2%，充分体现了上海的科技创新实力；滁州、扬州、绍兴、金华、舟山的全要素生产率指数的增长主要是由于技术效率指数的增加，说明这些城市近年来技术效率水平增长势头强劲；铜陵、宣城、盐城、镇江、杭州、宁波、台州的全要素生产率指数增长主要是由纯技术效率和规模效率双重作用推动的；合肥、芜湖、南京、无锡、泰州主要是由于技术进步推动全要素生产效率指数水平提高；而常州、苏州、嘉兴的全要素生产效率指数的增长主要得益于纯技术效率的提高。就全要素生产效率指数下降的城市而言，马鞍山和池州主要是由于技术进步指数较低导致的，说明两地技术发展相对滞后；安庆和南通主要是由于技术效率指数下降较多；嘉兴则是由于受到规模效率指数降低的制约。

表6 2011—2020 年样本城市科技创新资源配置效率Malmquist 指数均值及其分解

4.3 政府干预视角下科技创新资源配置影响因素分析

运用Tobit 模型对2011—2020 年长三角城市群科技创新资源配置效率的影响因素进行实证分析，结果如表7 所示，政府干预、经济发展水平、产业结构调整、城市化水平对长三角科技创新资源配置效率的影响显著，而市场化水平和区域开放程度没有通过显著性检验。政府干预的3 项指标均通过了显著性检验，且回归系数皆为正数，说明政府干预与科技创新资源配置效率呈显著正相关，政府对科技创新资源配置的适当干预能够提高配置效率。其中，一般公共预算支出占地区生产总值比重均在1%的水平上显著，且该比重每提高1%将促进科技创新资源配置效率增加约1.5%；科技固定资产投资额占固定资产投资额比重均显著为正，说明科技类固定资产投资的增加对提高科技创新资源配置效率具有重要作用；市场化指数均显著，但系数估计值相对较小，说明市场化有助于促进各类科技创新资源要素在市场上自由流动，在价格机制和经济收益的驱动下科技创新资源配置效率得到提高。

表7 样本城市科技创新资源配置影响因素的Tobit 模型回归结果

此外，第三产业产值占GDP 的比重对科技创新资源配置效率的影响显著为正，说明产业结构的优化升级是科技创新资源配置效率提升的重要动力，为科技创新资源的合理分配和高效利用提供了强有力支撑。城市化水平的提升对科技创新资源配置效率的提升也具有积极作用。城市化的发展加速了人才、知识、信息、资金等技术创新要素的空间集聚，对科技创新资源的有效配置产生较强的正效应。经济发展水平与科技创新资源配置效率之间存在负向关系，原因可能是经济发达的城市拥有充足的科技人才、资金以及基础设施条件等资源，但是科技人才资源与科技发展不匹配、科技人才结构不合理、管理制度不完善等问题造成科技创新资源未得到充分利用，导致科技产出水平落后于科技投入强度，而大量的科技资源投入放大了资源未能充分有效配置的问题。

5 结论与对策建议

综合来看，长三角城市群综合效率值整体呈现波动式上升的态势，其中上海、宁波、苏州、杭州、南京排在前5 位，而盐城、舟山、马鞍山、常州、池州等地处于较低水平。在对科技创新资源配置效率影响因素的分析中发现，政府对科技创新资源配置发挥着积极的引导作用，可以为提高科技创新资源配置效率营造出良好的环境，促进科技创新资源合理规划和流动，产业结构调整和城市化水平对科技创新资源配置效率的提升也具有显著作用。

因此，长三角各地政府应积极为科技创新资源的优化配置和有效整合提供制度保障和政策指引，通过强化顶层设计和制度化体系来对科技创新资源配置加以引导。对科技创新资源投入至产出的各个环节制定相关法律法规，将诸如“通知”“意见”“办法”等行之有效的规范性文件按照法律法规程序上升为法律法规，以增强科技创新资源配置相关工作的权威性和稳定性，进一步规范科技创新资源配置方式，准确把握科技创新资源配置规律，弥补在科技创新资源配置过程中的市场失灵，维护技术市场秩序，营造出公平、竞争的市场环境以提高科技创新资源的使用效率。另外，针对长三角城市群科技创新资源配置效率差异悬殊的问题，应加强城市之间的交流与合作：一是破除区域行政壁垒的制约，继续深入探索跨行政区域的合作体制机制，推动相关科技部门采取整体性、跨区域、跨部门的方式加强合作，注意城市之间各项法律法规以及相关科技政策之间的衔接性和协调性，从而建立长三角地区长效合作发展机制；二是立足于地方优势资源和特色产业，引导科技创新资源向基础研究和应用研究领域流动与重组，搭建更多的区域科技创新合作平台，为促进长三角城市群科技创新资源的优势互补和开放共享奠定基础，从而促进科技创新资源在长三角城市群的合理配置。