技術生態位視角下廣東省科技創新效率研究
——基于DEA-Tobit 兩階段模型

廖麗平，蔡 君，林俊龍，陳慶珊

(1.廣東技術師范大學管理學院；2.廣東技術師范大學網絡空間安全學院，廣東廣州 510665）

2019 年2 月18 日中央發布《粵港澳大灣區發展規劃綱要》，明確要將粵港澳大灣區建成具有全球影響力的國際科技創新中心。而提升科技創新效率是獲取發展動力和實現經濟持續增長的重要前提。依據習近平總書記的指示，廣東要承擔廣東責任，體現廣東擔當，作出廣東貢獻，并同步實現自身高質量發展［1］。而科技創新效率是評價地區科技創新品質的重要指標，因此研究如何提升廣東自身的科技創新效率，對于更有效地推動粵港澳國際科技創新中心建設、作出廣東貢獻具有極為重要的意義。現有研究從科技創新發展的技術生態位階段對科技創新效率進行探討不足，而在此階段如何跨越介于知識系統與經濟系統的“死亡之谷”，正是提升科技創新效率的關鍵所在。本研究基于DEA-Tobit 模型，從科技創新發展的技術生態位視角出發，構建廣東省各地級市科技創新效率的評價指標體系，研究廣東省各地級市在科技創新培育階段和孵化階段的科技創新效率差異，分析影響科技創新效率的關鍵因素，促進科技創新跨越“死亡之谷”，為政策制定者提供具有參考價值的可行建議。

1 相關文獻綜述

科學技術是第一生產力，是經濟和社會發展的首要推動力量；科技創新是第一生產力，是經濟和社會發展的首要推動力量［2］。科技創新的能力和水平已經逐步成為衡量一個地區綜合競爭力的重要指標。在技術生態位下，孵化階段的科技成果產出環節是科技創新的重要環節，被稱為“死亡之谷”［3］，也是廣東省科技創新推進的關鍵“堵點”，而創新過程中投入與產出之間的轉化效率直接決定了技術生態位是否能夠成功推進到市場生態位，即實現“一次躍遷”。

目前，學術界對科技創新效率的探討仍在持續。已有研究從研究工具上看，主要有數據包絡分析（DEA）、隨機前沿分析（SFA）、因子分析以及模糊綜合評價等，每種工具各有其優劣。Charnes 等［4］提出的數據包絡分析方法對處理多投入多產出的效率衡量問題有很好的適應性。這種測度方式運用線性規劃技術，不需要設定函數的形式，因此能有效規避主觀設定函數的影響，并且不需要對所選指標的數據進行無量綱化處理、不需要任何權重假設，所有權重都源于決策單元的實際數據，在一定程度上避免了主觀賦權造成的誤差；然而該方法不考慮測量誤差存在的可能性，同時設置了確定邊界，因而在實際應用中存在一定缺陷［5］。Zhang 等［6］提出的隨機前沿分析方法運用計量方法估計前沿生產函數，可以統計檢驗得出的參數。在測算過程中，SFA能夠控制個體差異對測量的影響，減小個體沖擊對測量的干擾，使測量結果能更真實地反映實際情況，在一定程度上避免了個體差異帶來技術無效率；然而一旦生產函數設定錯誤，SFA 極有可能導致錯誤的研究結論［7］。因子分析定權法是一種以因子分析為前提和基礎的、確定原始指標權重的方法，它所得到的權重值是指標體系中各個指標的權重，而不是傳統因子分析中得到的公因子或主成分的權重。因子分析定權法的權重雖然來自客觀數據，但由于它以因子分析為基礎，在因子個數的確定和提取時存在犧牲原始數據信息的缺陷［8］。趙炎等［9］采用模糊綜合評價的方法進行研究，該方法在體現研究者的個人偏好和具體評價目的的需要等方面具有較好的表現，然而該方法主觀性過強，致使評價結果難具有較高的說服力。由于每種研究方法各具優劣，而數據包絡分析是評價地區或城市科技創新效率的主流方法［10］，因此，本研究采用數據包絡分析方法來測算廣東省科技創新效率，以期能夠更準確可靠地揭示廣東省科技創新的發展狀況。

已有研究從內容上看，主要分行業和地區進行研究。晏蒙等［11］采用DEA 方法對我國各省份行業的科技創新效率進行橫、縱向比較分析，研究表明我國工業科技創新平均綜合效率一般，并且區域間的差異隨著經濟的發展在進一步縮小。王義新等［12］利用DEA-Tobit 模型，基于價值鏈視角對我國36 個工業行業效率進行分析，同時研究其影響因素，通過實證研究發現，研發階段平均效率較低，純技術無效率是導致整體效率偏低的主要原因，并發現科技創新投入并非越多越好，根據行業特點合理配置資源十分重要。康淑娟［13］采取基于SFA 修正的三階段DEA 模型對我國高技術產業下屬17 個行業的3個創新價值鏈環節的創新效率進行測度，研究結果表明該產業創新投入要素呈現出行業間不均衡，創新活動過程中也同樣呈現出結構不均衡。喬元波等［14］采用三階段DEA 分析方法對我國30 個省、自治區、直轄市的科技創新效率進行評價，研究發現我國中西部地區的科技創新效率與東部地區相比仍存在較大差異，中西部地區在提升科技創新效率方面有較大的發展空間，并且30 個省份的科技創新效率演變處于收斂過程中。朱鵬頤等［15］運用超效率數據包絡分析視窗模型分析福建省9 個地級市科技創新效率的動態變化，并揭示其變動的深層次原因，研究表明福建省多數城市科技創新效率DEA 無效，提升空間較大，且技術進步是制約福建省全要素生產率增長的主要因素。

綜上文獻分析可知，現有研究大多從國家和地區層面以及工業企業科技創新效率的視角進行研究。本研究將立足廣東省級層面，從技術生態位階段角度研究科技創新效率。

2 指標體系和模型的構建

2.1 指標體系的建立

本研究從技術生態位視角構建科技創新效率指標體系。技術生態位與科技創新的關聯性可描述為：為具有發展前景的科技創新研究構建一個生態位保護空間（即技術生態位），通過反復的試錯實驗和利益相關者（新技術研究者和推動者、企業、潛在用戶、政府及其他組織共同構成的）社會網絡的學習過程，給予新技術孵化和發展成熟的機會［16］。研究科技創新效率，基于技術生態位的培育與孵化階段這一視角，科學地、合理地選擇培育、孵化每個階段的投入產出指標，對于研究結果的呈現具有極其關鍵性的影響。本研究結合廣東省的實際情況與相關研究成果，遵循科學性、合理性和可操作性的原則，分別從培育與孵化階段的投入和產出兩個方面選擇相關測算指標［17-18］。

在培育階段，投入指標主要考慮政府為科技創新研究構建生態位保護空間所投入的政策、人力、物力和財力等方面。其中，政策投入可以用科技政策文件制定數量來表示；人力投入可以用R&D 人員折合全時當量來表示；物力投入可以用儀器設備費用來表示；財力投入可以用R&D 經費支出中的基礎研究費用等來表示。產出指標主要考慮知識產權的申請、受理、授權以及科技論文發表量等方面，因為知識產權是新知識與新技術產生的代表，在科技創新活動中是中間產出成果的重要體現，是技術創新和科學技術發明的產物［19］。

在孵化階段，主要考慮政府、新技術研究者和推動者為技術孵化投入的人力、物力、財力和技術。其中，人力投入表現為科技活動人員折合全時當量；財力投入表現為R&D 經費支出中的應用研究與實驗發展費用等；物力投入表現為國家級科技企業孵化器數量；技術投入表現為培育階段的產出，為知識產權的申請、受理、授權以及科技論文發表量等。新技術孵化和發展成熟后給企業及社會帶來的效益就是科技創新的最終體現，因此，選擇新產品產值、新產品銷售收入、高新技術和先進制造業增加值和工業利潤總額作為產出指標。

本研究構建的廣東省各地級市科技創新效率評價指標體系如表1 所示。

表1 廣東省各地級市科技創新效率評價指標體系

2.2 模型的構建

2.2.1 DEA-BCC 模型

數據包絡分析是運籌學、管理科學和數理經濟學交叉研究的一個新的領域［20］，它是在1978 年由Charnes 等［4］創建的，該方法采用數學規劃模型，對含有多項輸入、多項輸出決策單元間的相對有效性進行評價，本質上是用于判斷決策單元是否位于生產可能集的前沿面上。生產前沿面是經濟學中生產函數向多產出情況的一種推廣，使用DEA 方法和模型可以確定生產前沿面的結構，因此又可將DEA 方法看作是一種非參數的統計估計方法［21-22］。

DEA 方法有4 個最具代表性的模型：CCR 模型、BCC 模型、FG 模型、ST 模型［4,23-25］。其中，BCC模型是分析在規模報酬可變的假設前提下決策單元的效率問題，所測算的效率包括綜合效率（crste）、純技術效率（vrste）和規模效率（scale）（三者之間的關系為：crste ＝vrste×scale），能夠將決策單元的技術有效性以及規模有效性呈現出來［26］，與本研究的實際情況更加相符，因此，本研究構建的模型為DEA-BCC 模型。其基本形式見式（1）：

式（1）中：θ為決策單元的效率值；X和Y分別為投人指標和產出指標的觀察值；λ為決策單元的規模收益；n為決策單元個數，和分別為投入和產出指標的松弛改進量。當θ=1，且==0 時，該決策單元為強有效的決策單元；當θ=1，而、≠0 時，該決策單元為弱有效的決策單元，可能存在投入沉余；當θ＜1，則該決策單元是無效的，應該減少投入提高效率。

2.2.2 Tobit 模型

Tobit 模型是美國經濟學家Tobit［27］于1958 年提出，又稱為截斷式回歸模型（censored regression model），一開始用于研究耐用消費品需求的經濟計量學。在科技創新效率的研究中，通過DEA 測算出廣東省各地級市的科技創新效率，以科技創新效率作為因變量（被解釋變量）、各階段的影響因素（包括人力、物力等方面的投入）作為解釋變量（自變量）進行回歸分析，并由解釋變量的系數判斷各種因素對因變量的影響方向及程度，對于有計劃地調整資源配置有著重要的理論研究價值和現實指導意義［28］。由于科技創新投入產出的技術效率數值處在0～1之間，若運用最小二乘法，其參數估計會有嚴重的偏差，因而當被解釋變量受到限制時，采用Tobit 模型進行測算效果更佳。其基本形式見式（2）：

式（2）中：Yi為因變量；Xi為自變量；β為系數；εi為殘差。下文同。

3 實證分析

3.1 數據來源

本研究所用數據源于2016—2018 年的《廣東科技統計年鑒》和《廣東統計年鑒》。考慮到科技創新培育階段和孵化階段的創新效率研究具有一定的時滯性，將培育階段和孵化階段從投入至產出的科技成果分別向后推移1 個數據統計周期（1 年）。即為當培育階段（孵化階段）的投入指標為第A年的數據，產出指標選取的則是第A+1 年的數據。

3.2 指標相關性驗證

DEA 模型中一個重要的前提是“等張性”，即投入產出指標之間要求顯著正相關，當投入增加時候，產出也相應的增加，因此需要對投入和產出的指標進行Pearson 相關系數的檢驗，以確定指標選取的合理性［29］。運用SPSS 軟件進行相關性分析，數據結果顯示（見表2 和表3）：科技創新在培育階段和孵化轉化階段的投入和產出指標的相關系數比較高，同時在0.01 的水平下存在著顯著的正相關關系，說明本研究選取的指標符合“等張性”前提，具有一定的合理性，能夠運用該模型進行研究分析。

表2 2016—2018 年廣東省各地級市科技創新培育階段投入與產出指標的相關性檢驗

表3 2016—2018 年廣東省各地級市科技創新孵化階段投入與產出指標相關性檢驗

3.3 DEA-BCC 模型的效率評價

運用DEAP2.1 軟件，分別評價廣東省各地級市科技創新培育階段和孵化階段創新價值鏈的效率，具體結果如表4 所示。

表4 2016—2018 年廣東省各地級市科技創新效率評價結果

表4 （續）

從廣東省整體水平出發，采用兩階段綜合效率的平均值作為劃分的標準，分別按綜合效率0.658 和0.813 劃分高低，21 個地級市一共可劃分為4 種類型，分別是：A 類高培育效率-高孵化效率；B 類高培育效率-低孵化效率；C 類低培育效率-高孵化效率；D 類低培育效率-低孵化效率。如圖1 所示。

圖1 2016—2018 年廣東省各地級市綜合培育效率-綜合孵化效率分布

A 類型城市具有培育效率較高、孵化效率較高的特點，主要分兩類：一類具有高投入高產出、科技創新效率較高的特點，包括深圳和佛山。它們具有發展基礎堅實、技術成果易于產業化的特點，當地科技創新較為貼合市場實際需求，并且能對市場變化進行快速響應，科技創新成果的孵化效率比較高，未來主要發展方向是繼續保持和提升科技創新效率，爭取良性循環發展。另一類具有低投入、低產出的特點，包括河源、清遠和茂名。這類城市的行業發展對于技術的要求較低，低投入低產出也是這類城市科技創新效率較高的原因。這類城市應該結合行業發展方向，加強科技創新培育投入總量，引進相關人才。

B 類型城市具有培育效率較高、孵化效率較低的特點。其中，對于廣州、珠海和中山，可能緣于城市科技創新的主要技術成果更趨向于專業化應用領域，實現規模效益的難度較大，因而這些城市的科技創新主要處于難實現規模效益的專業化研究領域，因此這些城市在維持現有研發效率的基礎上應該加大推進技術成果產業化的力度，推動當地科技創新成果向生產力轉化；而像潮州、韶關、湛江和梅州，可能的原因是目前科技創新與當地產業需求的契合度較低，因此這些城市應結合當地產業需求，轉換科技創新方向。

C 類型城市具有培育效率較低、孵化效率較高的特點。其中，揭陽、陽江和汕尾的產業投入產出比相對較高，緣于上述城市的產業大多具有技術附加值相對較低，且較容易實現規模經濟的特點，因此這些城市的產業發展應重點加強建設科研基礎設施，從而提升科技創新培育階段的創新效率；而東莞、惠州和江門，其原因可能是當地的產業發展依靠技術引進，并且這些產業的技術相對較難突破。

D 類型城市具有培育效率較低、孵化效率也較低的特點，包括汕頭。汕頭可能緣于在科技創新孵化階段不重視技術的消化吸收，投資策略缺乏科學性、規劃性，并且大力發展在科技創新培育階段需要投入大量人力、物力、資金的產業，而這些產業發展在短時間內很難在技術上實現重大突破的產業（如醫藥制造業、船舶、航空航天和其他運輸設備制造業等），因此，汕頭應盡力提高資源利用率并引進相關技術。

綜合以上分析，廣東省各地級市科技創新投入與產出配置結構亟待優化。研究考察期間，廣東省各地級市科技創新綜合效率無效是純技術無效率與規模無效率雙重作用的結果。在科技創新培育階段，整體綜合平均效率僅為0.685，且有8 個地級市的綜合效率不足0.500，其中純技術效率偏低是綜合效率偏低的主要原因，充分說明廣東省科技創新基礎培育階段的研發實力在各個地級市的分配不均衡現象較為嚴重，科技新知識和新技術產出不足，需努力提高科技的產出水平，提升科技創新培育階段的效率。在孵化階段，整體綜合平均效率為0.813，也是科技創新綜合無效率的表現，主要是科技創新投入中存在資源浪費、配置不佳的現象，需對資源進行統籌規劃、合理布局，綜合利用科技創新與創業、產業化，使三者充分融合，以此來解決科技創新綜合無效率的局面。

3.4 Tobit 模型的實證分析

3.4.1 Tobit 回歸分析

Tobit 回歸模型的基本形式見式（3）（4）：

3.4.2 理論假設

在建立Tobit 模型時，將科技創新培育階段和孵化階段的綜合效率作為被解釋變量、投入指標作為解釋變量。一般來說，人力、物力、財力以及政策等要素的投入越多，科技創新的成果就越顯著，但當投入出現冗余時資源就可能會出現浪費的情況，整體的效率也就會降低，因此本文從投入指標的角度提出一系列相關假設，具體如表5 所示。

表5 本研究相關假設

3.4.3 實證結果與分析

利用EViews 軟件進行Tobit 回歸分析，驗證本研究提出的假設。具體數據結果如表6 所示。從表6 可看出，在科技創新培育階段，科技政策文件制定數量、R&D 人員折合全時當量與科技創新效率存在正相關關系，即科技政策文件制定數量與R&D 人員折合全時當量投入越多，科技創新效率越高，因此假設H1與H2成立；R&D 經費內部支出-基礎研究費用、儀器設備費用與科技創新效率存在負相關關系，即R&D 經費內部支出-基礎研究費用與儀器設備費用投入越多，資源浪費越多，科技創新效率越低，因此假設H3與H4不成立。在科技創新孵化階段，科技活動人員折合全時當量、R&D 經費支出-應用研究與實驗發展費用、國家級科技企業孵化器數量存在正相關關系，即科技活動人員折合全時當量、國家級科技企業孵化器數量、應用研究與實驗發展費用投入越多，科技創新效率越高，因此假設H5、H6與H7成立，且三者對孵化階段科技效率的貢獻度為：應用研究與實驗發展費用＞國家級科技企業孵化器數量＞科技活動人員折合全時當量；專利申請受理量、科技論文數與科技創新效率存在負相關關系，即專利申請受理量與科技論文數投入越多，科技效率越低，因此假設H8、H9不成立。

表6 本研究相關假設的Tobit 模型實證分析結果

4 結論與政策建議

本研究以廣東省各地級市為研究對象，從技術生態位視角出發構建科技創新效率評價體系，運用DEA-Tobit 模型分析各地市級的創新效率情況與影響因素。DEA 分析結果表明：廣東省各地級市科技創新效率存在明顯的區域差異，且在培育階段的平均綜合效率為0.685，孵化階段的平均綜合效率為0.813，孵化階段的整體科技創新效率高于培育階段，尤其是培育階段仍有較大的效率提升空間。Tobit 回歸分析結果表明：在培育階段，科技政策文件制定數量、R&D 人員折合全時當量與科技創新效率存在正相關關系，而R&D 經費內部支出-基礎研究費用、儀器設備費用與科技創新效率存在負相關關系，且科技政策文件數量的影響程度最大，科技政策文件數量每提高1%，科技創新效率能夠提高23.827%；在孵化階段，R&D 經費支出-應用研究與實驗發展費用、國家級科技企業孵化器數量與科技創新效率存在正相關關系，而專利申請受理量、科技論文數與科技創新效率存在負相關關系，且R&D 經費支出-應用研究與實驗發展費用的影響程度最大，其次是國家級科技企業孵化器數量，若兩要素分別增加1%的投入，則能使科技創新效率分別提升24.516%和17.359%。

根據上述結論，本研究從技術生態位的角度為促進廣東省科技創新跨越“死亡之谷”提出相關政策建議：

（1）充分利用粵港澳協同創新優勢提供知識產權保障。統籌協調廣東省產業跨區域間的創新合作，充分利用廣東省各類科研設備、樣品樣本、科技創新載體平臺等資源，結合香港、澳門的金融、知識產權服務和高端人才等優勢，建設粵港澳大灣區知識產權交易和服務中心，推動粵港澳三地知識創新、科技應用和金融服務的協同發展，建立知識產權服務保障體系，為三地創新技術知識產權的落地應用提供制度保障。

（2）構建需求導向的科技成果培育與轉化服務平臺。通過建立企業最新需求庫與企業直接溝通，有利于研發主體進行有針對性的開發，并根據科研方向定期有針對性地推送企業需求，使科研活動更有方向性；提供專業的科研成果產業化咨詢，由技術轉移咨詢專員幫助規劃科研成果產業化路徑，針對不同科研成果提供定制化產業落地方案。通過高效對接科技成果研發與市場化環節，實現資源互通，加速科技成果轉移轉化。

（3）加大政府對基礎研究的直接和間接投資，引導民間資金資助科技創新活動。根據《科學技術指標2019》，我國每年R&D 經費中基礎研究比重均較低，2017 年僅為5.5%，遠低于美國（17%）、日本（15.7%）、韓國（14.5%）［30］。可見廣東省應進一步加大對基礎研究的財政投入。此外，可適當借鑒歐美經驗創新資助方式，充分發揮資本市場力量，將政府資金投入金融市場轉變為間接的股權、債權形式，通過融資途徑引導民間資金流向科技創新活動。同時，政府可與金融機構同擔風險進行共同資助，通過政府與銀行等金融機構共同出資建立投資公司等，對科技創新活動進行投資。

（4）提高企業在基礎科研體系中的地位，引導企業加強原始性創新研究。2017 年我國R&D 經費中企業投入占比高達39.4%，但在基礎研究投入部分企業投入占比卻不足4%，基礎研究經費以中央財政投入為主，而新興工業化國家如韓國（約57.4%）、日本（約37%）等國家的基礎研究中企業投入均占比較高［30］。因此，廣東省應從執行主體結構完善基礎研究體系，提高企業在基礎科研中的比例。對從事關鍵技術、核心技術基礎科研的企業給予一定的稅收優惠和補貼；同時，通過政府技術采購、財政撥款、商業采購等多種方式降低企業研發風險，以政府資金為引力推動企業資金注入科技創新中。

（5）扶持設立服務于科技創新的金融公司。鼓勵金融機構積極加強對互聯網、大數據、云計算等信息技術的運用，優化信貸流程和信用評價模型，打造數據化、自動化、智能化的金融服務模式，并加速科技成果產業化。

（6）注重學科融合創新和執行主體協同創新。注重學科交叉，知識、技術、產業之間深度融合，整合企業、高等院校、科研機構等創新研發載體優質資源，鼓勵高等院校、科研院所與企業合作建設一批重點實驗室、工程研究中心和技術創新平臺，在細分行業產業鏈、創新鏈、價值鏈關鍵核心領域開展創新項目合作，推動創新成果轉化，形成全產業創新鏈。