中国创新全要素生产率连续动态测度与时空差异分解
2024-05-06于爱水张继如于得水
于爱水 张继如 于得水
摘 要：基于2011—2020年中国内地30个省份面板数据，采用二次动态加权法测算创新全要素生产率的连续动态演变特征，并借助时空分异模型探究创新全要素生产率时空差异。结果发现：①中国多数省份创新全要素生产率随时间推移呈稳定上升趋势；②创新资源、知识创新、协同创新、创新政策、创新环境在不同省份表现出较大差异；③不同样本期内，影响创新全要素生产率的子系统有所差别，其中创新资源对创新全要素生产率的作用强度波动较大，知识创新对创新全要素生产率同样表现为促进作用，且作用强度远大于创新资源；④知识创新、协同创新、创新政策对全国创新全要素生产率提升均具有显著正向促进作用，创新环境效应表现出东部促进、中西部作用不明显的空间分布格局。据此，提出实施差异化导向型政策、优化区域要素资源配置、主动加入全球创新网络等措施，以提升中国创新能力与水平。
关键词：创新全要素生产率；时空差异分解；二次加权因子分析；动态演变趋势
DOI：10.6049/kjjbydc.2022090437
开放科學（资源服务）标识码（OSID）：
中图分类号：F204
文献标识码：A
文章编号：1001-7348（2024）08-0011-11
0 引言
高质量发展源于创新，创新为高质量发展提供持续动力。2021年《政府工作报告》指出：“必须将创新摆在国家发展全局与现代化建设的核心位置。”习近平总书记在中共二十大报告中指出：“必须坚持科技是第一生产力、人才是第一资源、创新是第一动力，深入实施科教兴国战略、人才强国战略、创新驱动发展战略，开辟发展新领域新赛道，不断塑造发展新动能新优势。”实施创新驱动发展战略就是将科技创新作为全面创新的关键，围绕产业化方向与现代化需求导向，形成助推经济增长与高质量发展的动力源泉。加快各领域创新，坚持将创新视作引领发展的第一动力，走中国特色自主创新道路，既是实现“两个一百年”奋斗目标的关键，也是助力中华民族伟大复兴中国梦的动力源泉。尤其是伴随着经济进入高质量发展阶段，我国已迈入“刘易斯拐点”，若要防止资本报酬递减并顺利跨越“中等收入陷阱”，需要不断优化创新要素配置，激活创新要素生产活力，提高创新全要素生产率，进而推动经济增长。创新全要素生产率在一定程度上可有效判断各类创新要素投入对产出增长的贡献程度，是衡量经济体增长质量和潜力的一个重要指标（柳卸林等，2021）。因此，展开创新全要素生产率评价研究，对于我国持续保持创新活力以及提高创新能力具有重要意义。但不可忽视的是，中国创新全要素生产率处于持续动态变化状态[1]。剖析中国创新全要素生产率增长时空差异，厘清差异形成和演变的内在机理，可为中国创新全要素生产率提升提供决策参考。那么，如何连续测度中国创新全要素生产率的动态演变过程及时段特征？中国创新全要素生产率是否存在区域性差异？若绝对增长水平存在较大差异，区域创新全要素生产率增速差异是否较为显著？解决上述问题，不仅可以从连续、动态视角拓展测度创新全要素生产率的方法，还能为政府相关部门制定创新全要素生产率提升政策提供借鉴。
1 文献综述
目前，学术界对创新全要素生产率展开测度与分析的文献较少，但涉及创新与全要素生产率的相关研究成果颇丰。就创新而言，由于创新内涵较丰富，学界从多个维度围绕创新这一主题展开研究。第一，在科技创新层面，姜玉梅等[2]基于TVP-VAR模型，实证分析科技创新驱动经济高质量增长的时变特征，发现科技创新驱动经济高质量增长经历基础创新、增量创新、技术体系变革及技术经济模式变革4个阶段；刘波和李湛[3]研究指出，中国城市群科技创新资源配置效率表现出波浪式上升态势，且中心城市对科技创新存在集聚扩散效应；孙青（2022）研究发现，适度财政纵向失衡可提升地区科技创新水平，而过度财政纵向失衡则会阻碍科技创新。第二，在创新要素层面，郝汉舟等[4]通过构建创新要素、绿色技术创新能力与市场化评价指标体系评价创新要素集聚水平，发现创新要素集聚通过绿色技术创新促进产业升级；王素素等[5]研究发现，中国创新要素集聚水平虽然整体偏低，却表现出逐步向好趋势；张冕和俞立平[6]综合采用面板数据模型、门槛模型分析创新要素投入偏向效应和特征，发现我国高技术产业研发要素投入总体向资本偏向发展。除此之外，还有诸多学者从创新绩效[7-8]、创新能力[9]、创新政策（张杰，2021）等方面展开分析。
就全要素生产率而言，国内外学者对全要素生产率进行大量研究并渐成体系。一是全要素生产率测度。An等[10]采用随机前沿分析法（SFA）测算中国内地30个省份全要素生产率；李红艳等（2022）基于DEA-Malmquist评价法，实证得出黄河流域农业全要素生产率整体偏低，但增速明显高于全国平均水平的结论；周祎庆和聂元昆（2022）研究发现，我国绿色全要素生产率整体呈平稳上升态势；赵玉林和陈泓兆[11]采用SYS-GMM模型测算制造业细分行业绿色全要素生产率，发现基础创新、产品创新和工艺创新有助于促进绿色全要素生产率提升。二是全要素生产率影响因素。孙向伟和丁成日[12]考察科研创新产出对城市全要素生产率的影响发现，科技经费投入、科研产出对全要素生产率的影响显著为正；郭秋秋和马晓钰[13]探讨数字经济对城市绿色全要素生产率的影响发现，绿色创新水平、产业结构对城市绿色全要素生产率具有间接影响；史丹和孙光林[14]实证检验大数据对制造业企业全要素生产率的影响，指出企业创新、要素配置、数据赋能、资本优化等因素对制造业企业全要素生产率具有正向影响；彭有为等（2022）从静态和动态两个方面挖掘中国高技术产业全要素生产率深层次因素，发现剥离外部环境和随机扰动项后，纯技术效率是提升全要素生产率的主要原因。
通过上述文献梳理可知，现有研究多从农业、绿色等视角探究全要素生产率，缺乏对创新全要素生产率的系统性分析。并且，针对中国创新全要素生产率的研究较少，缺乏科学合理的度量指标，尤其是针对创新全要素生产率时空演变特征分析较少。本文主要贡献在于：①在合理界定创新全要素生产率内涵的基础上，从创新资源、知识创新、协同创新、创新政策和创新环境5个方面构建评价指标体系进行科学测度；②从时空演化视角出发，对创新全要素生产率的时空格局演化特征进行系统性分析，可为勾勒中国创新格局提供科学参考。
2 创新全要素生产率评价指标体系构建
立足于可获取性、实用性和客观性原则，借鉴相关学者研究[15-16]，并参考《中国区域创新能力评价报告》《中国创新城市评价报告》《欧洲创新报告》等权威报告遴选的经典指标，选取创新资源、知识创新、协同创新、创新政策、创新环境5个二级指标以及19个三级指标测度创新全要素生产率。
（1）创新资源。创新资源是创新过程中所需人力、物力、财力等投入要素的集合，也是创新全要素生產率提升的基础。一方面，创新资源具备有价值、稀缺性、不可模仿与替代等优势特征，能够为中国创新全要素生产率逐年攀升带来长期竞争优势[17]；另一方面，创新资源是助力知识创新、协同创新的核心动能，能够保证知识创新、协同创新持续运转，进而提高创新全要素生产率。创新资源包括每万人R&D人员全时当量、具有本科及以上学历人数占常住人口数量比重等5个三级指标。
（2）知识创新。知识创新包括基础研究和应用研究，其既是新技术和新发明的动力源泉，也是促进技术进步与经济持续增长的革命性力量，能够为中国创新全要素生产率提升提供不竭动力[18]。创新资源是创新全要素生产率的基础支撑，知识创新则是助力创新全要素生产率提升的根本途径，能够为协同创新、创新政策和创新环境提供有效引导。知识创新包括基础研究与应用研究经费支出占GDP的比重、每万人有效发明专利拥有数等3个三级指标。
（3）协同创新。协同创新是以知识创新增值为核心，以政府、知识生产机构、第三方中介机构、企业等为参与主体，为实现重大科技创新而进行大跨度整合的创新模式[19]。协同创新通过促进地区内各主体发挥自身能力优势，实现资源、优势互补，加速技术推广与产业化，是支撑中国创新全要素生产率提升的重要“催化剂”。协同创新包括R&D经费支出中来自国外资金的比重、R&D经费支出中来自企业的比重等3个三级指标。
（4）创新政策。政府创新政策具有较强的探索性和尝试性特征，是中国创新全要素生产率提升的重要保障[20]。创新政策实施既为知识创新、协同创新开展与创新环境营造提供制度保障，又通过处理好财政政策与货币政策的关系促进创新全要素生产率提升。创新政策包括政府R&D支出占GDP的比重、技术支出占一般财政预算支出比重等5个三级指标。
（5）创新环境。无论是知识创新、协同创新的开展，抑或是创新政策的制定，均离不开创新环境的不断优化。换言之，创新环境是支撑中国创新全要素生产率提升的重要载体。尤其是在中国技术发展突飞猛进的背景下，中国创新环境愈发趋向良好和包容，持续为创新全要素生产率提升赋能。良好的创新环境可为高技术产业发展营造良好的市场环境，为创新全要素生产率快速提升注入动能。创新环境包括促进行为主体不断创新的区域环境、调节功能强的区域创新系统两个三级指标。
根据上述分析，围绕指标选取原则，最终形成创新全要素生产率评价指标体系，如表1所示。
3 研究方法
3.1 “纵横向”拉开档次法
创新全要素生产率是随时间变化表现出不同属性特征的系统工程，子系统时序变化会引致相关指标根据不同时间节点进行适当调整，因此需要采用动态化处理方式评估创新全要素生产率各项指标。由于静态测度法难以综合测度创新全要素生产率动态演变特征，因此亟需引入动态测度法。本文借鉴郭国峰等[21]的“纵横向”动态拉开档次法解决上述问题。“纵横向”拉开档次法主要具有两方面优势：一是可从横向上表现出中国不同省份间创新全要素生产率差异；二是可从纵向上体现出各省份创新全要素生产率2011—2020年的总体发展规律。“纵横向”拉开档次法能够最大程度上反映研究对象的总体差异，解决三维数据权重问题，并从时空视角揭示研究对象规律，具体实施步骤如下：
首先，对需要测度的时间t1，t2，…，tn段内n个测度主体u1，u2，…，un进行综合测度；其次，根据各测度主体m个测度指标y1，y2，…，ym的初始数据建成初始化三维数据矩阵yij（tk）（i=1，2，...，n;j=1，2，...，m;k=1，2，...，N）。其中，由于数据类型与初始数据量纲不一致，且数据间差异较大，故先对初始数据进行预处理。若数据类型与初始数据一致，则对初始数据实施无量纲化与标准化处理，得到完善的数据矩阵uij（tk），即uij（tk）=yij－yj（t-k）/sj（tk）（i=1，2，...，n;j=1，2，...，m;k=1，2，...，N）。其中，sj（tk）为标准差；yj（t-k）代表样本平均值；最后，“纵横向”拉开档次法需要确定测度模型。测度模型为常见的数学表达形式，一般会将测度模型集结成测度值以有效获取研究对象的综合权重。加之所构测度指标具有较强的关联性，因此本文采用线性加权集结方式进行测算。假设wj为指标未知权重系数，则将被测度对象i在tk时刻的综合测度值ui（tk）设定为：
在解决上式未知权重系数wj值的基础上，“纵横向”拉开档次法可最大程度上反映各权重系数的总差异值，即确保测度值数据矩阵ui（tk）差异最大化、总体离差平方和δ2最大化，公式如下：
值得注意的是，式 （2）中均对所有指标的初始数据进行标准化处理，分别得到样本方差、平均值为1和0，并得到如下公式：
对此，δ2可进一步简化为：
在权重系数w取值约束下，当wTHw取最大值时，w取值即为权重系数，公式如下：
maxwTHw
综上所述，采用“纵横向”拉开档次法虽然可获得各评价主体在不同时间段内的测度值，却无法获取测度主体的全部测度值，故难以展现研究主体整体发展情况，亦无法解决各测度主体在不同时间段的权重系数。对此，进一步将二次加权法引入模型，在动态测度法的基础上求解时间权重系数。
二次加权法能够反映时间对研究对象的影响作用，以此确定第tk时刻的权重系数wk。参考相关学者研究成果，利用“厚今薄古”法确定时间权重系数[22]，即距离现期愈近权重愈大，距离现期愈远权重愈小。因此，第tk时刻在时间段［t1，tN］内的时间权重系数为：
解决时间权重难题后，便能获取被测对象在［t1，tN］时间段内的总测度值，以探究被测对象在固定时间内的规律。对此，构建被测对象i测度值Ti的具体表达公式：
3.2 兼顾均衡性与功能性的组合集结模式
为使二次加权法测算结果更加贴近实际，参考郭亚军[23]提出的兼顾均衡性有序加权几何平均算子（owga）和功能性有序加权平均算子（owa）组合集结模式，构建如下公式：
owa－owga=λ1owa+λ2owga （9）
是在owa算子基础上计算的评价值方差，?2是根据算子得到的评价值方差。
3.3 时间差异分解模型
为测度中国创新全要素生产率区域差异在时间维度上的纵向变化特征，参考LMDI（Logarithmic Mean Divisia Index）因素分解法构建时间差异分解模型，公式如下：
式（10）中，Fi代表i省份创新全要素生产率指数；Si代表创新资源；Ii代表知识创新；Zi代表协同创新；Ci代表创新政策；Xi代表创新环境。
假定时间由t－1发展到t，全要素生产率变化量ΔFt－1，t能够分解成5个驱动效应：
其中：
其中，ΔFt－1，tS为创新资源效应，反映创新资源对创新全要素生产率的贡献；ΔFt－1，tI为知识创新效应，反映知识创新对创新全要素生产率的贡献；ΔFt－1，tZ为协同创新效应，反映协同创新对创新全要素生产率的贡献；ΔFt－1，tC为创新政策效应，反映创新政策对创新全要素生产率的贡献；ΔFt－1，tX为创新环境效应，反映创新环境对创新全要素生产率的贡献。
3.4 空间差异分解模型
假设有两个地区分别用R1与R2表示，两地区创新全要素生产率差异ΔFR1－R2表示为：
式（17）中，FR1、FR2分别表示R1地区与R2地区的创新全要素生产率；FR1i、FR2i分别表示R1地区与R2地区的i产业全要素生产率。
随后，将公式（17）转换为：
式（18）中，SR1i、SR2i分别代表R1与R2地區创新全要素生产率指数中的创新资源情况；IR1i、IR2i分别代表R1与R2地区的知识创新情况；ZR1i、ZR2i分别代表R1与R2地区的协同创新情况；CR1i、CR2i分别代表R1与R2地区的创新政策情况；XR1i、XR2i分别代表R1与R2地区的创新环境情况。结合上述分析，创新全要素生产率地区差异ΔFR1－R2可分解为5个驱动效应：
其中，ΔFR1－R2G主要反映地区创新全要素生产率指数对全国创新全要素生产率提升的贡献；ΔFR1－R2S代表创新资源效应，用于反映地区创新资源差异对创新全要素生产率提升的贡献；ΔFR1－R2I代表知识创新效应，用于反映地区知识创新差异对创新全要素生产率提升的贡献；ΔFR1－R2Z代表协同创新效应，用于反映地区协同创新差异对创新全要素生产率提升的贡献；ΔFR1－R2C代表创新政策效应，用于反映地区创新政策差异对创新全要素生产率提升的贡献；ΔFR1－R2X代表创新环境效应，用于反映地区创新环境差异对创新全要素生产率提升的贡献。
4 实证检验
4.1 数据说明
本文选取2011—2020年中国内地30个省份（西藏地区由于数据缺失严重，故未纳入统计）面板数据，所选数据均来源于《中国科技统计年鉴》《中国统计年鉴》以及各省份统计年鉴。为保证数据精准性、可靠性，针对部分地区缺失数据，利用均值插补法补齐。
4.2 创新全要素生产率综合评价
在一次因子研究的基础上，对创新全要素生产率5个维度指标进行二次因子加权分析，最终得到中国内地30个省份创新全要素生产率综合评价数据，结果如表2所示。由表2可知，我国多数省份2011—2020年创新全要素生产率处于稳定上升态势，山东、云南、辽宁、贵州和重庆呈现下滑趋势。这是因为，上述省市存在较大技术缺口，未缩小与经济发达地区技术前沿差距，从而导致本地区创新全要素生产率分值较低。从平均值排名看，排名靠前的是上海、北京、浙江、广东、江苏、天津。其中，北京创新全要素生产率从2016年开始便居于领先地位。另外，上海、广东、天津、浙江经济较为发达，基础设施较为完善，故创新全要素生产率综合排名同样靠前。
4.3 混合算子动态综合评价
考虑到时间越近，数据对创新全要素生产率的影响作用越大，故依据“厚今薄古”原理并参考相关学者研究成果[24-25]，选取时间度λ=0.3，先测算时间权重，结果如表3所示。在此基礎上，运用Lingo软件求解线性规划方程。
基于公式（2）计算OWGA算子、OWA算子所改进升级的混合算子，得到中国内地30个省份创新全要素生产率的综合值，结果如表4所示。由表4可知，在综合考虑时间因素及评价对象功能性、均衡性之后，之前排在首位的北京变为第二位，广东由第二位升至第一位。《中国区域创新能力评价报告》发布的数据显示，2021年广东省科技企业孵化器数量新增51家，研发投入较上年增长38.09%，研究与试验发展全时人员当量增加5.31%。这表明，广东尤为重视基础研究，强化创新载体搭建，为区域创新要素生产率提升奠定了坚实基础。浙江、天津、重庆、福建、辽宁创新全要素生产率排名出现下降，分别为第5、15、12、13和20名。原因可能在于，上述省市技术市场交易额排名降幅较大，且规模以上研发人员数量、专利申请数量、科技企业孵化金额等指标值均有不同程度下降，从而造成区域创新全要素生产率下降。
4.4 中国创新全要素生产率时空分解分析
4.4.1 时间分解分析
基于上述所构时间分解模型，对中国创新全要素生产率逐年进行分解分析，得到时序变化驱动下的估计结果，如表5所示。若结果为正值，表明中国创新全要素生产率得到显著提升，反之亦反。由表5可知，除2011年外，其余年份创新资源对创新全要素生产率均产生促进效应，平均指数达1.379 9，说明创新资源丰富程度影响创新全要素生产率。从纵向演变趋势看，创新资源的促进作用较为明显，说明全国范围内创新资源分布与开发程度对创新全要素生产率的影响走势较为稳定。2011—2020年，知识创新对创新全要素生产率的影响同样表现为促进作用，且作用强度远大于创新资源，是提升创新全要素生产率的主要因素。分时间段发现，2011—2018年知识创新平均指数为1.242 1，创新全要素生产率平均水平呈上下波动趋势；2019-2020年，知识创新的促进效应开始下降，平均促进效应指数为1.115 5，且影响作用呈降低态势。知识创新主要由每万人专利拥有数与单位科研人员发表技术论文表征，既能反映全国有效发明专利拥有数，又能彰显我国对创新投入、创新产出与创新成效的重视。受新冠肺炎疫情冲击以及国外技术贸易壁垒限制，国内专利发明与科技论文数增速有所放缓，引致创新全要素生产率开始下滑。2011—2020年协同创新表现出先促进后抑制效应，即2011—2018年协同创新显著促进国内创新全要素生产率提升，但2019-2020年协同创新影响效应有所下降。这主要是因为，新冠肺炎疫情导致国外资金难以顺利注入国内研发机构，从而阻滞国内技术创新与研发，导致创新全要素生产率下降。创新政策对中国创新全要素生产率的影响表现为显著促进作用，平均促进指数为1.761 4，表明创新政策是保障国内创新全要素生产率提升的主要因素。由纵向演变趋势可知，创新政策与创新环境影响效应走势存在较强的正相关性，相关系数高达0.911 3，说明创新政策与创新环境为我国创新全要素生产率提升提供了强有力支撑。此外，从总效应看，由于能产生负面抑制效应的因素较少，所以中国创新全要素生产率整体表现出递升态势。
4.4.2 空间分解分析
仅了解时序特征无法全面揭示创新全要素生产率总体变化规律，可能会导致结果存在一定偏差，从而难以为国家持续创新提供理论依据。因此，为深入分析我国创新全要素生产率演变规律，需要从空间角度进一步探究创新全要素生产率的省际贡献度及演变规律[26]。为此，对中国内地30个省份进行分解，探究创新资源、知识创新、协同创新、创新政策、创新环境驱动创新全要素生产率提升的空间分布特征与演化规律。
考虑到研究期限为10年，本文采用等距划分标准，将2011—2020年划分为3个时间段，即2011—2013年、2014—2016年和2016-2020年。在此基础上，综合分析3个时间段内创新资源、知识创新、协同创新、创新政策、创新环境驱动创新全要素生产率提升的空间分布特征与动态演变规律。表6列示了中国创新全要素生产率分解因素变化的空间分布结果。时间分解因素结果表明，创新资源、知识创新、创新政策、创新环境是促进创新全要素生产率提升的主要因素，协同创新效应表现出先促进后抑制态势。为全面把握我国创新全要素生产率区域分布特征，本文将驱动效应分解到中国内地30个省份。从创新资源视角看，2011—2013年，除安徽、青海、新疆、宁夏、内蒙古外，其余省份创新资源对创新全要素生产率均呈现正向促进作用。其中，促进作用较大的6个省份分别为上海、北京、江苏、浙江、广东、湖北，总计占创新资源效应的29%。不难发现，这些省份主要集中于经济发达与资源要素集聚区。2014—2016年，山东、湖南创新资源对创新全要素生产率提升的驱动作用下降，而福建、河南、江苏、广东与浙江驱动效应提升，总计占创新资源效应的24%。同时，黑龙江创新资源驱动效应由正转负，成为唯一抑制创新全要素生产率提升的省份。原因在于，黑龙江创新人才流失、专利数量持续减少，导致该地区创新全要素生产率下降。
（1）从知识创新入手，2011—2013年，知识创新对全国创新全要素生产率提升发挥显著正向促进作用，其中江苏、北京、广东、湖北、四川、湖南影响作用较大，总计占知识创新效应的26%。2014—2016年，知识创新促进效应较强省份主要包括江苏、上海、广东、浙江、安徽、湖北，总计占32%。进入第3阶段，知识创新总效应缓慢下降，降幅为19%，其中福建、安徽、湖南、新疆、湖北等省份影响作用较大。这说明，各省份知识创新驱动创新全要素生产率提升的空间分布渐趋稳定，知识创新驱动全国创新全要素生产率提升的影响差距逐渐缩小。
（2）从协同创新效应看，2011—2013年协同创新效应显著促进全国创新全要素生产率提升，其中作用较强省份包括北京、广东、广西、上海、湖南、江苏，总计占知识创新效应的31%。从中可见，在协同创新促進效应较强省份，知识创新促进效应也较显著。2014—2016年，协同创新促进效应省份变为江苏、湖南、上海、四川、福建、广东，总体占比为27%。2017—2020年，协同创新效应同知识创新总效应走势一致，表现出较强的抑制作用，导致创新全要素生产率下降，降幅为21%。由表6可知，我国协同创新影响效应在空间集中度上表现出先促进后抑制趋势。这表明，我国创新主力仍集中在东部地区，造成协同创新效应空间分布从分散走向集中。
（3）从创新政策效应看，2011—2013年创新政策对全国创新全要素生产率提升存在正向促进作用，其中北京、江苏、上海、广东、浙江等省份影响较大，总计占创新政策效应的25%。2014—2016年，创新政策促进效应较强省份主要包括北京、上海、浙江、江苏、广东、安徽，总计占31%。过渡至3个阶段，创新政策总效应提升速度加快，增幅高达44%，其中湖北、北京、江苏、广东等省份促进作用最明显。这主要是因为，国家为提振经济发展水平和增强技术创新能力，陆续出台了诸多支持创新的政策。在创新政策的支持与指引下，我国创新全要素生产率始终保持稳定提升态势。
（4）从创新环境看，2011—2013年，创新环境对全国创新全要素生产率的提升作用呈现东部地区显著、中西部地区不显著的空间分布格局。东部地区多数省份创新环境影响作用较大，主要包括北京、天津、河北、广东、江苏、上海，总计占41%；中西部地区中部省份创新环境对当地创新全要素生产率提升有一定促进作用，包括湖北、湖南、四川、重庆，总计占创新环境效应的14%。2014-2016年，创新环境效应影响较强省份主要包括北京、上海、广东、广西、江苏，总计占创新环境效应的36%。进入第3个阶段，东部创新环境对省域创新全要素生产率的影响作用较为显著。
5 结论与建议
5.1 研究结论
本研究主要利用二次加权因子分析法对中国创新全要素生产率进行分项，引入OWGA算子和OWA算子改进升级的混合因子对中国创新全要素生产率进行综合评价，运用LMDI法探究中国创新全要素生产率提升水平，同时剖析创新资源、知识创新、协同创新、创新政策、创新环境的时空差异驱动效应，得出如下结论：
（1）创新全要素生产率动态测度。我国多数省份创新全要素生产率随时间推移呈现稳定增长态势，仅少数省份因为资金缺乏、生产设备陈旧、交通不畅等问题使创新全要素生产率出现下滑。
（2）创新全要素生产率时空差异分解。一是时间分解。从纵向演变趋势看，创新资源对创新全要素生产率的作用表现出波动性特征；知识创新对创新全要素生产率的影响同样表现为促进作用，且作用强度远大于创新资源；协同创新表现出先促进后抑制效应；创新政策与创新环境影响效应走势持续向上。二是空间分解。空间集中度最强且最显著的是知识创新效应，创新资源、协同创新、创新政策与创新环境效应空间集中度呈现交错分布态势。东部地区除协同创新效应下降外，其余四大驱动效应均保持稳定上升趋势；中西部地区五大驱动效应对区域创新全要素生产率的影响作用较弱。
5.2 政策建议
根据上述研究结论，本文提出如下政策建议：
（1）实施差异化、导向型政策。由上述结论可知，全国创新全要素生产率存在显著时空差异，且创新全要素生产率五大子系统综合得分较高省份多集中于东部地区。因此，为实现区域协调发展，改善区域创新资源要素使用效率和提升创新能力，亟需国家、地方政府实施差异化、导向型政策予以支撑，促进全国创新全要素生产率稳定提升。针对不同地区，中央、地方政府部门要联合起来印发与颁布针对性创新扶持政策，因地制宜地对相关科研人员给予资金支持，促进中国创新全要素生产率提升。
（2）优化区域要素资源配置。由结论可知，创新全要素生产率在不同省份存在显著差异。鉴于此，相关政府部门要不断优化区域资源要素配置，提高区域资源要素使用效率，解决区域创新发展结构不平衡问题。相关政府部门应深入探究区域人才、资金、信息等资源要素分布规律，借助信息平台为各地区提供多元化资源配置方案，推进区域创新资源要素配置模式优化与完善。另外，打破资源要素在空间层面的集聚与累积，优化创新产业空间布局，形成以技术、创新为支撑的区域工具体系，加快资源要素在区域内流动。
（3）积极主动加入全球创新网络。政府应积极统筹社会安全与发展，以全球视野参与国际创新，主动加入全球创新网络，提升创新国际话语权。一方面，主动牵头国际大科学工程，联合其它国家不断研发与攻关新兴技术，提高创新能力；另一方面，构建开放型创新生态体系，积极与其它国家开展创新交流与合作，将最新技术、创新方案纳入开放生态体系，方便各国合理使用创新技术。
5.3 不足与展望
本文存在如下不足：①尽管指标选取过程充分考虑了可能影响创新全要素生产率提升的各个环节，但未覆盖创新全要素生产率所有维度，未来将进一步完善评价指标体系，确保研究结果更加准确；②从时间传递性与动态效率层面分析中国创新全要素生产率，未从效率、静态等视角展开对比分析，未来将从效率、静态层面分析与测度中国创新全要素生产率；③本文所关注的创新全要素生产率属于大类，其内部不同子行业之间创新逻辑存在诸多差异，未来将进一步拆分创新全要素生产率，比较创新全要素生产率对不同行业的异质性影响；④由于创新全要素生产率影响因素涵括较广，可能涉及人力资本、专利数量、技术进步等因素，未来将从上述视角进行补充与完善。
参考文献：
[1] 谢谦，郭杨.数字技术、创新要素结构优化与企业全要素生产率[J].北京师范大学学报（社会科学版），2022，67（6）：134-144.
[2] 姜玉梅，孟庆春，李新运.区域科技创新驱动经济高质量发展的绩效评价[J].统计与决策，2021，37（16）：76-80.
[3] 刘波，李湛.中国科技创新资源配置体制机制的演进、创新与政策研究[J].科学管理研究，2021，41（4）：8-16.
[4] 郝汉舟，徐新创，左珂怡，等.创新要素集聚与产业升级：中介效应和调节效应研究[J].长江流域资源与环境，2022，31（11）：2357-2368.
[5] 王素素，卢哲凡，卢现祥.中国创新要素集聚水平测度、空间差异及形成机理[J].贵州财经大学学报，2022，40（5）：1-12.
[6] 张冕，俞立平.创新要素投入偏向：机制、测度及其效应研究——研发劳动力与研发资本之比合理吗[J].数理统计与管理，2022，41（5）：883-898.
[7] 黄远浙，钟昌标，叶劲松，等.跨国投资与创新绩效——基于对外投资广度和深度视角的分析[J].经济研究，2021，67（1）：138-154.
[8] 易靖韬，曹若楠.流程数字化如何影響企业创新绩效——基于二元学习的视角[J].中国软科学，2022，36（7）：94-104.
[9] 崔新蕾，刘欢.国家创新型城市设立与区域创新能力[J].科研管理，2022，43（1）：32-40.
[10] AN KE，SHAN YIKE，SHI SHENG. Impact of industrial intelligence on total factor productivity[J].Sustainability，2022，14（21）：14535-14535.
[11] 赵玉林，陈泓兆.异质性技术创新与绿色全要素生产率提升[J].财会月刊，2020，41（18）：145-152.
[12] 孙向伟，丁成日.高校科研产出对城市全要素生产率的影响研究[J].城市发展研究，2020，27（3）：132-140.
[13] 郭秋秋，马晓钰.数字经济对城市绿色全要素生产率的影响研究[J].现代管理科学，2022，41（5）：156-166.
[14] 史丹，孙光林.大数据发展对制造业企业全要素生产率的影响机理研究[J].财贸经济，2022，43（9）：85-100.
[15] ZHONG S， WANG H， WEN H， et al. The total factor productivity index of science and technology innovations in the coastal regions of China between 2006 and 2016[J]. Environmental Science and Pollution Research International，2020，28： 1-13.
[16] 武宵旭，韩永楠，葛鹏飞.中国制造业自主创新与全要素生产率的耦合协调性研究[J].经济问题探索，2021，42（8）：141-154.
[17] 解佳龙，熊晓雪.国家高新区创新资源集聚分异与空间极化格局[J].管理现代化，2022，42（6）：14-21.
[18] 楊坤，吴金玉，胡斌.创新网络中知识协同演化机理模型及计算实验分析[J].科技进步与对策，2020，37（8）：124-133.
[19] 徐维祥，周建平，周梦瑶，等.长三角协同创新网络韧性演化及驱动机制研究[J].科技进步与对策，2022，39（3）：40-49.
[20] 陈强，沈天添.中国科技创新政策体系演变研究——基于1978—2020年157份政策文本的量化分析[J].中国科技论坛，2022，38（12）：35-46.
[21] 郭国峰，高一帆，张颖颖.基于纵横向拉开档次法的区域经济发展能力综合评价研究——以我国中部六省科技创新能力为例[J].征信，2020，38（8）：18-22，83.
[22] 范巧，HUDSON DARREN.一种新的包含可变时间效应的内生时空权重矩阵构建方法[J].数量经济技术经济研究，2018，35（1）：131-149.
[23] 郭亚军.综合评价理论、方法及应用[M].北京：科学出版社，2007.
[24] 郑坚，陈斌.基于时间权重序列的GM（1，1）初始条件优化模型[J].控制与决策，2018，33（3）：529-534.
[25] 徐慧君，王忠，马丽萍，等.改进Mini Batch K-Means时间权重推荐算法[J].计算机工程，2020，46（3）：73-78，86.
[26] KANG CHAOGUI，JIANG ZHUOJUN，LIU YU. Measuring hub locations in time-evolving spatial interaction networks based on explicit spatiotemporal coupling and group centrality[J].International Journal of Geographical Information Science， 2022， 36（2）： 360-381.
（责任编辑：王敬敏）
Continuous Dynamic Measurement and Decomposition of Temporal and
Spatial Differences of Innovation Total Factor Productivity in China
Yu Aishui1，Zhang Jiru2，Yu Deshui3
（1.School of Government，Beijing Normal University，Beijing 100875， China；
2.School of Public Management， Inner Mongolia University，Hohhot 010021，China；
3.Wuhai Energy Co.， Ltd， National Energy Investment Group Co.， Ltd. Wuhai 016000，China）
Abstract：Innovation total factor productivity is an essential factor to enhance international competitiveness， and also the driving force for China′s economic growth. Confronted with the reality that the traditional production factors of labor and capital have a declining contribution to the national economic growth， China needs to rely more on the rise of innovation total factor productivity to promote industrial digitization and digital industrialization， and to help traditional energy-intensive industries upgrade in an innovative direction. However， prior research has little to say with regard to China′s innovation total factor productivity， and the in-depth discussion on the continuous dynamic measurement of total factor productivity of innovation and the decomposition of temporal and spatial differences are scarce.
The absence of relevant research is at odds with the importance attributed to China′s innovation total factor productivity. Then what are the continuous dynamic evolution process and time characteristics of China′s innovation total factor productivity？ Is there regional heterogeneity？ In order to answer the above questions， it is necessary to sort out relevant data and conduct an empirical test based on the development status of China′s innovation total factor productivity. Therefore， drawing on the panel data of 30 provinces from 2011 to 2020， this study uses the secondary weighted factor analysis method to conduct a sub-item and comprehensive evaluation of China′s innovation total factor productivity， and introduces the OWGA operator and OWA operator to implement the transformation and upgrading of mixed factors， with the aim to clarify its dynamic evolution process. In order to further reveal the vertical changes of the regional differences of China′s innovation total factor productivity in the temporal dimension， the LMDI factor decomposition method is used to explore the driving effect of temporal and spatial differences on innovation resources， knowledge innovation， collaborative innovation， innovation policy and innovation environment.
In terms of the dynamic measurement， the innovation total factor productivity of most provinces in China has shown a steady growth trend over time， while only a few provinces have experienced a decline in innovation total factor productivity due to a lack of funds， outdated production equipment and inconvenient transportation. In terms of the decomposition of temporal and spatial differences， the first is the temporal decomposition. The effect of innovation resources on innovation total factor productivity shows volatility， and the impact of knowledge innovation on the total factor productivity of innovation presents a promoting effect， and the effect intensity is far greater than that of innovation resources. Collaborative innovation shows the effect of promotion first and then inhibition， and there is a continuous upward trend of the impact of innovation policy and innovation environment . The second is spatial decomposition. The strongest and most significant spatial concentration is the effect of knowledge innovation， while the spatial concentration of innovation resources， collaborative innovation， innovation policy and innovation environment effects all present staggered distribution trends. In the eastern region， except for the decline of collaborative innovation effect， the other four driving effects have maintained a steady upward trend. The five driving effects in the central and western regions have a weak impact on regional innovation total factor productivity.
Compared with the existing literature， this paper makes a reasonable explanation of innovation total factor productivity， and then establishes an indicator system for scientific measurement based on a comprehensive consideration of innovation resources， knowledge innovation， collaborative innovation， innovation policy and innovation environment. Second， from the perspective of temporal and spatial evolution， this paper systematically analyzes the evolution of temporal and spatial patterns and temporal characteristics of innovation total factor productivity， and reveals the regional differences in China′s innovation total factor productivity. The paper sheds light on the continuous dynamic measurement and decomposition of temporal and spatial differences in innovation total factor productivity in China. The findings are conducive to further improving China′s innovation capability and levels， and provide a reference for relevant government departments to formulate development strategies to improve innovation total factor productivity.
Key Words：Innovation Total Factor Productivity; Decomposition of Temporal and Spatial Differences ;Quadratic Weighted Factor Analysis;Dynamic Evolution Trend
