中國科技創新效率區位差異及影響因素分析

寧朝山

（聊城大學 商學院，山東 聊城 252059）

一、引言和文獻綜述

黨的十八大明確提出“科技創新是提高社會生產力和綜合國力的戰略支撐，必須擺在國家發展全局的核心位置。”強調要堅持走中國特色自主創新道路、實施創新驅動發展戰略。2016年7月，國務院印發了《“十三五”國家科技創新規劃》，明確了邁進創新型國家，為建成世界科技強國奠定堅實基礎的總目標。2018年3月，十三屆全國人大一次會議的政府工作報告中50余次提到科技、強調創新，其中特別指出“加快建設創新型國家”，“把握世界新一輪科技革命和產業變革大勢，深入實施創新驅動發展戰略”。因此，在2020年小康社會全面建成之際，統籌全局，多角度地探究中國科技創新效率的時空變化趨勢，研究影響各區域科技創新效率的重要因素，對建設創新型國家，提高社會生產力及綜合國力，有重要意義。

在當前的時代背景下，越來越多的學者開始關注科技創新。通過對現有文獻的梳理，學者們主要從以下兩個方面展開研究：一是基于構建的靜態指標體系，通過不同的評價方法對科技創新不同維度進行評價。巴吾爾江等①巴吾爾江、董彥斌、孫慧、張其：《基于主成分分析的區域科技創新能力評價》，《科技進步與對策》2012年第29卷第12期，第26-30頁。、徐頑強等②徐頑強、周曉婷：《基于主成分分析法的省域科技創新體系評價模型構建》，《科技管理研究》2016年第36卷第6期，第52-57+84頁。、王彥博等③王彥博、姚黎：《全國科技創新中心的科技創新能力評價研究——以我國31個省區市比較分析為例》，《科技管理研究》2020年第40卷第3期，第1-7頁。以及何睿④何睿：《創新型城市創新能力評價研究》，合肥工業大學碩士學位論文，2012年。分別采用主成分分析法對我國內地各省區市及國家創新型城市的科技創新能力進行了評價。鄧丹青等①鄧丹青、杜群陽、馮李丹、賈玉平：《全球科技創新中心評價指標體系探索——基于熵權TOPSIS的實證分析》，《科技管理研究》2019年第39卷第14期，第48-56頁。、賈春光等②賈春光、程鈞謨、譚曉宇：《山東省區域科技創新能力動態評價及空間差異分析》，《科技管理研究》2020年第40卷第2期，第106-114頁。、陳艷華③陳艷華：《基于熵權TOPSIS的區域科技創新能力實證研究》，《工業技術經濟》2017年第36卷第5期，第46-51頁。及趙黎明等④趙黎明、劉猛：《基于熵權TOPSIS的區域科技創新能力評價模型及實證研究》，《天津大學學報》（社會科學版）2014年第16卷第5期，第385-390頁。分別運用熵權TOPSIS法對我國9個典型城市、山東省各地市、中國四大地區及我國31個省市的科技創新能力進行了實證分析，李沃源等⑤李沃源、烏蘭：《基于系統構成要素的西部地區科技創新系統環境組合評價研究》，《科學管理研究》2019年第37卷第1期，第59-62頁。利用組合評價分析、聚類分析和相關分析等方法,對西部地區各省、市、自治區科技創新系統環境進行實證研究。祝影,唐春光,孫銳,雷家骕⑥祝影、唐春光、孫銳、雷家骕：《基于系統耦合的中國科技創新城市評價》，《科技管理研究》2019年第39卷第24期，第30-39頁。基于耦合協調模型,對23個中國科技創新城市進行創新要素耦合評價，發現京津冀地區、長三角地區、珠三角地區的城市位居前列,中西部地區和東北地區城市表現乏力。二是基于動態的創新效率進行測度評價。胡麗娜⑦胡麗娜：《基于DEA的區域科技創新效率測算與評價》，《數學的實踐與認識》2019年第49卷第17期，第95-101頁。、何龍光⑧何龍光：《 西南地區科技創新效率評價及其影響因素研究》，云南財經大學碩士學位論文，2019年。、許建紅等⑨許建紅、梁玲、孔令丞：《東部12省市科技創新效率的DEA測評與上海科創策略研究》，《上海對外經貿大學學報》2019年第26卷第2期，第59-68頁。分別使用DEA方法對內蒙古12盟市、西南地區及東部12省市的科學技術創新效率進行了測度評價。Fuentest et al.⑩Fuentes H J,Grifell-Tatjé E,Perelman S：《A Parametric Distance Function Approach for MAlmquist Productivity Index Estimation 》 ，《Journal of Productivity Analysis》2001年第15卷第2期，第79-94頁。、Giedré Dzemydait é et al.11Giedré Dzemydaité,Ignas Dzemyda：《The Efficiency of Regional Innovation Systems in New MemberStates of the European Union》，《A Nonparametric DEA Approach.Economics and Business》2016年第28卷第1期，第83-89頁，、Carayannis E G et al.12Carayannis E G,Grigoroudis E,Goletsis Y：《 A Multilevel and Multistage Efficiency Evaluation of Innovation Systems》，《A Multiobjective DEA ApproachExpert Systems with Applications 》2016年第62期，第 63 － 80頁。分別對園區的科技創新效率、歐盟中部、東部的40個區域及23個歐洲國家創新效率進行了測算與評價。郭淑芬,張俊13郭淑芬、張俊：《中國31個省市科技創新效率及投入冗余比較》，《科研管理》2018年第39卷第4期，第55-63頁。運用CCR-DEA、BCC-DEA和Malmquist-DEA模型測度了2009-2013年中國31個省市的科技創新效率及其年份變動情況，表明研究期內完全有效省份的數量呈增多趨勢,但總數仍遠不及一半，5年來,基于技術進步各省市的科技創新效率有所提高。劉釩等14劉釩、鄧明亮：《基于改進超效率DEA模型的長江經濟帶科技創新效率研究》，《科技進步與對策》2017年第34卷23期，第48-53頁。、林佳麗等15林佳麗、薛聲家：《廣東省各市科技創新有效性評價——基于DEA超效率模型的分析》，《科技管理研究》2008年第8期，第111-114頁。基于超效率DEA模型對長江經濟帶、廣東省21個城市科技創新相對有效性進行了全面客觀的評價。張明龍16張明龍：《我國金融支持科技創新的效率評價——基于超效率DEA與Malmquist指數方法》，《金融發展研究》2015年第6期，第18-25.頁。基于超效率DEA模型,分析了我國30個省、自治區和直轄市以金融作為投入的科技創新效率，結果表明中西部地區的效率增長高于東部地區,技術效率的變化是導致區域差異的主要原因。孫東①孫東：《我國科技創新效率測算及影響因素研究——基于超效率DEA-TOBIT兩步法分析》，《稅收經濟研究》2014年第19卷2期，第76-84頁。采用超效率DEA-TOBIT模型測算了我國2002-2012年各省份創新的效率，結果表明：我國創新效率還不高,處于創新有效狀態的省份不足1/3,而且創新效率值波動較大,沒有出現穩定上升趨勢。

當前學者的研究為區域科技創新的后續研究奠定了基礎，但仍存在可進一步研究的空間。如部分學者雖然構建了科學創新指標體系，采用了各種各樣的方法評價了科學創新能力，但只能反映科學創新的靜態變化，由于各省市區的的創新基礎、經濟稟賦，導致其科學技術能力本身就存在差別，只進行靜態比較，忽視了其本身的自然稟賦，不能反映其效率值的變化，如某些資源在某個地區可能有好的產出，但另外某個地區可能就由于其本身的先決的自然條件就不一定有好的產出，如果只比較投入及產出這樣的靜態值，難免忽視了各地區科技創新的先決條件；部分學者運用DEA模型進行分析時，由于普通DEA模型的計量條件，所有創新有效的效率值均為1，不能比較各創新有效區域的不同。另外，部分學者使用超效率對科技創新效率進行了包絡分析，但沒有分析其影響因素，不能很好的為把握科技創新提供決策依據。

本文基于超效率DEA-malmqiust指數模型，從靜態及動態角度測度中國各省及南北區域科技創新效率，進而建立Tobit面板數據模型，得出了影響科技創新效率的重要因素。本文的重要研究意義在于為各省政府更好地促進科技創新，進一步提高全國科技創新水平提供可供參考的決策依據。

二、研究設計

(一)創新效率評價研究設計

1．超效率DEA模型

傳統DEA無法區別有效 DMU 單元之間的效率差異，即當有多個決策單元同時處于有效時，它們的效率值都是1，為避免多個評價單元同時處于最優最前沿面而無法得到DMU的全序，Andersen和Petersen(1993)提出了超效率DEA模型，其有效決策單元的值可以大于1。其基本思想是當評價一個決策單元時，將其與其他決策單元的線性組合做比較，而其排除在外，在測評時，無效決策單元其生產前沿面不變，因此其效率值與傳統DEA模型一樣。但當決策單元的投入如果提高到計算得到的效率值比例時，該決策單元仍然可以保持DEA有效，其超效率DE有效決策單元的效率值大于1。超效率DEA模型分為投入導向型和產出導向型兩種。由于投入的數量是決策的基本變量，與產出量相比，投入量更容易控制，因此，本文采用如下投入導向型超效率DEA模型進行分析。

2．Malmquist指數

Malmquist指數方法是基于DEA模型提出的，可以利用多種投入與產出變量進行效率分析，且不需要相關的價格信息，也不需要成本最小化和利潤最大化等的條件，它把生產率的變化原因分為技術進步變化與技術效率變化：技術進步變化是生產前沿面的移動；技術效率變化是生產技術的利用效率，是生產前沿面和實際產出量之間的距離變化。Malmquist指數定義為：

Malmquist指數可以進一步分解為技術效率指數（EF）和技術進步指數（TE），分解公式如下，

3、指標選取

利用超效率DEA-Malumquist指數度量區域科技創新效率，其本質是要構建一個投入-產出系統，測度其投入產出效率，以此衡量區域科技創新效率。選取R&D人員全時當量(I1)、R&D經費支出數目(I2)以及規模以上工業企業新產品開發經費（I3）作為創新投入的衡量指標。創新產出是表征創新產出成果的變量，指標體系主要是能夠體現創新活動產出，故選擇專利申請量(o1)、規模以上工業企業新產品銷售收入（o2）和，以及技術市場成交額（o3）等三個指標作為創新產出指標，學術界對于使用專利申請量還是專利授權量一直存在爭論，本文為專利申請量往往能代表一個地區人們的創新能力和創新意愿，和專利授權量相比，由于制度和時效原因，方分產品存在了社會價值但未被授權，另外一方分未通過申請的專利也可能正在產生社會價值而未被授權，專利申請量則將其考慮在內，因而與專利授權量相比，能夠更好地衡量創新產出。

（二）科技創新效率影響因素研究設計

1、Tobit面板數據模型

超效率DEA方法得出的效率指數值都非負，且數據大量集中于(0,1)之間，因此其可以看作是受限因變量，如果直接采用最小二乘法，會給參數估計帶來有偏和不一致①朱麗娟、張改清、張建杰：《水土資源利用方式對種糧大戶技術效率的影響分析——基于黑龍江省697個種糧大戶的調查數據》，《經濟經緯》2018年第35卷5期，第66-72頁。②段婕、白海林、金慧寧：《創新對軍民融合企業效率影響的實證研究——以“十大軍工集團”上市公司為例》，《科技管理研究》2019年第39卷2期，第55-61頁。，因此采用Tobit模型考察科技創新效率影響因素。模型設定如下：

2、變量選擇

本文選擇通過投入導向的超效率DEA模型計算的科技創新效率來測度各省歷年來區域創新水平差異，作為被解釋變量。后采用文獻分析法及定性分析，選擇政府支持、教育投入、開放程度、地區經濟、人力資本、勞動力素質、微觀創新環境差異、以及產業結構中的非農產業作為影響各區域科技創新效率的因素，分別用科學技術投入比重、教育投入比重、外貿依存度、人均GDP、適齡常住人口比重、高素質勞動力筆者、城市化率、非農產業比重來衡量作為解釋變量，具體見表1，描述性統計見表2。

表1 變量指標解釋

表2 變量描述性統計

（三）數據來源

本文的數據主要來源于《中國科技統計年鑒（2013—2019）》和《中國統計年鑒（2013—2019）》，其中2012-2017年國外三大索引系統收錄的科技論文數指標來源于《中國科技統計年鑒（2014—2019）》。

三、實證結果及分析

（一)科技創新靜態效率評價

1．省際靜態效率比較

根據公式（1）超效率DEA模型，計算中國2012年-2019年30個省區市( 西藏數據暫缺) 科技創新效率值，為了便于進行靜態分析，本文根據分析數據將創新效率劃分為四個級別，分別為創新低效（0.9以下）、創新近有效（0.9-1.0），創新有效（1.0-1.1）和創新高效（1.1以上），具體效率值如表3所示。

表3 2012-2018年中國30個省（區、市）科技創新效率

廣 西 0.734 0.941 0.959 1.295 1.490 1.265 0.993海 南 0.646 0.698 0.655 0.668 0.495 0.742 0.713重 慶 1.147 1.079 1.307 1.486 1.158 1.037 0.790四 川 1.021 0.964 0.831 1.048 0.871 0.924 0.761貴 州 0.819 1.183 1.526 0.882 0.715 1.066 1.228云 南 0.688 0.598 0.550 0.566 0.426 0.520 0.690陜 西 0.925 0.896 0.874 0.962 0.766 0.978 0.727甘 肅 0.952 1.007 0.902 0.901 0.828 1.129 1.021青 海 0.658 0.812 0.860 1.718 1.604 1.393 1.648寧 夏 0.591 0.901 0.589 0.736 0.465 0.922 1.125新 疆 0.589 0.570 0.853 0.804 0.562 0.639 0.744

橫向來看，只有北京市歷年來保持創新高效，創新效率值始終穩定在1.5以上，但創新效率明顯下滑，由2012年的3.734降低到2018年的1.501，降低了近59.8%，相反，青海省創新效率實現了有效增長，由2012年的0.658增長至2018年的1.648，增長了近50.5%。從實際情況找尋原因發現，2015年青海省頒布了《中共青海省委青海省人民政府關于深化體制機制改革加快創新驅動發展的實施意見》（青發[2015]17號）、《青海省人民政府關于改革省級財政科技計劃和資金管理的實施意見》（青政[2015]80號）、《青海省人民政府辦公廳關于發展眾創空間推進大眾創新創業的實施意見》（青政辦[2015]144號）等8項改革性文件，營造了大眾創業、萬眾創新的政策環境和制度環境，因此自2015年伊始，青海省由創新低效地區發展至創新高效地區。北京市作為全國政治中心，其始終保持著高效產出，但通過觀察其投入產出指標發現，歷年來其投入規模不斷擴大，但產出規模較上年增長較低，以2017年、2018年兩年舉例，2017年R&D 經費內方支出15796512萬元，規模以上工業企業新產品銷售收入41192830.9萬元，2018年R&D 經費內方支出18707700.8萬元，擴大了近18.4%，模以上工業企業新產品銷售收入41366175.3萬元，增加幅度僅為0.4%。河北、山西、內蒙古、遼寧、福建、河北、海南、云南、新疆歷年來始終創新低效，效率值穩定在0.9以下，而廣東、山東比較特殊在創新低效及近有效之間波動，2018年效率值在0.9以下，處于創新抵低效狀態，效率值不算太高。天津、吉林、黑龍江、上海、浙江、湖南、甘肅、在創近有效及有效之間波動、廣西、貴州在創新高效及有效之間波動，安徽、湖北、寧夏則實現了創新效率的增長，由創新低效地區發展到創新有效地區，而江蘇、重慶地區創新效率明顯下滑，由效率由2012年的高效狀態降低至2018年的低效狀態。

縱向來看，2012年至2015年，北京市創新效率始終位于第一位且遠超出第二位，但在2016年，其創新效率劇烈下滑，由2.488降低至1.527，而在這兩年中財政支出中的科學技術支出占比也由2015年的5.02%降低至2016年的4.46%。2016年及2018年，北京市創新效率排名下滑至第二，青海后期而上成為創新效率排名第一的省市，而通過研究青海及北京的投入指標發現，青海的投入遠沒有北京的投入規模大，因而產品飽和度低，邊際產量高，更容易獲得相對較高的比較產出，另一方面講即較高的投入不一定能獲得較高的相對產出。河北、山西、內蒙古、云南、新疆等省份處于各省排名末端，而與此同時作為經濟大市的上海其創新效率一致處于中游，觀察其經濟指標可以發現歷年來其外貿依存度在90%以上，人均GDP位列各省前列，在如此良好的經濟體制下卻沒有產生好的創新效率，究其原因是因為盡管對外貿易頻繁，但國外高技術卻難以輸入，盡管地區經濟較好，但較好的經濟條件往往存在大規模的投入，規模過大，由于邊際產量遞減規律，不一定形成良好的產出，從而導致創新低效率降低。以此本文提出在當前對外貿易與地區經濟與創新效率之間存在弱聯系或負向聯系的假設，并在影響因素分析中進行論證。

2.區域靜態效率比較

根據秦嶺淮河分界線及南北方行政區劃的概念，南方地區包括上海、江蘇、浙江、安徽、福建、江西、湖北、湖南、廣東、廣西、海南、重慶、四川、貴州、云南、西藏、臺灣、香港、澳門，由于數據的不可獲得，西藏、臺灣、香港、澳門本文不予研究，則本文研究的南方省份包括西藏、臺灣、香港、澳門外的其余15個省份。北方地區包括北京、天津、河北、山西、內蒙古、遼寧、吉林、黑龍江、山東、河南、陜西、甘肅、青海、寧夏、新疆等15個省份。根據此劃分求解全國（除港澳臺及西藏）及南方（除港澳臺及西藏）、北方科技創新效率均值，如圖1。

圖1 2012-2018年全國及南北區域科技創新效率均值

由2012-2018年中國分區域科技創新效率均值可以看出，南方區域科技創新效率整體低于北方地區，但呈波動性上升趨勢，北方區域科技創新效率波動程度遠大于南方，起伏劇烈，2012年-2016年，大幅度整體下滑，2016-2018年大幅度上升，且基本恢復到2012年效率值水平，實現科技創新有效。南方地區科技創新水平基本在創新近有效區間內，效率值在0.9水平線附近波動，距離實現整體創新有效有一段距離，但小幅度的效率增長趨勢意味著南方科技創新水平在不斷提高，朝著創新有效階段邁進。從全國科技創新角度來看，全國科技創新水平基本穩定在創新有效區間內，效率值在在0.90－0.95之間波動，且2016－2018年創新效率整體實現增長，由0.9突破到0.95以上，且仍有小范圍增長的趨勢，意味著我國整體創新效率在不斷提高。

（二）全要素生產率及其分解的時空格局分析

1．省際動態效率比較

運用 DEAP2.1軟件得到基于2012年到2018年Malmquist-DEA指數及其分解指數進行動態分析，如圖2所示。

圖2 2012-2018年各省Malmquist指數及其分解指數

由圖2（a）可以看出，各省市全要素生產率變化值均在效率值為1的圓周附近波動，基本大于等于1，只有江蘇省全要素生產率變化值小于1，說明與2012年相比，2018我國出江蘇省以外的各省市的全要素生產率實現了有效增長或維持不變，這意味著我國部分分地區的生產效率在不斷提高，投入相同的生產要素，產出在不斷增加，這部分地區如云南、寧夏、新疆、山西、遼寧、福建等靜態效率值很低的地區，以及貴州、陜西、甘肅、青海、河北、黑龍江、安徽、江西、河南、湖北、廣東、廣西等創新近有效、有效或突出有效的地區，而像北京、四川，雖然其靜態各省相對創新效率值橫向來看降低了，但僅通過全要素生產率變化值，僅從其自身的相對變化來看，其仍然實現了生產效率的有效增長，而靜態效率降低的原因主要是與其他省市區相比，其產出值提升的幅度太小。

由圖2（b）可以看出，陜西、上海、江蘇、山東、湖北、重慶、四川的技術效率變化值均效率值均小于1，即與2012年相比，未實現技術效率的有效進步，而青海、寧夏、新疆、河北、山西、內蒙古、江西、河南、湖北、廣東、廣西、貴州均突出的實現了技術效率的增長，效率變化值穩定在1.05-1.1之間,證明了中西部某些地區的技術效率增加值高于東部地區，該結論與張明龍的結論中西部地區的效率增長高于東部地區具有一致性,。由圖2（c）可知，我國各省市去的技術進步效率變化值均在1以上或在1上，其中青海、北京、黑龍江、四川均突出地實現了技術進步效率的增長，技術效率變化值穩定在1－1.2之間。

因此可以看出，北京市實現全要素生產率的有效增長，依賴于技術進步效率，即各個技術更新的累計效應，而不是技術效率，即技術的應用效用。而新疆、河北、山西、內蒙古、江西、河南、湖北、廣東、廣西、貴州等地區實現全要素生產率的有效增長則依賴于技術效率而非技術進步效率，值得矚目的是青海實現全要素生產率的突出增長，原因在于技術效率及技術進步效率的雙重效應，即兩者均實現有效且突出的增長。

2．南北區域的動態效率比較

由圖3（a）可以看出，歷年全國全要素生產率變化值基本穩定在1以上，僅2018年小幅度地低于1，說明歷年來我國生產效率在不斷增長,2012-2016年，全要素生產率主要受技術效率影響，兩者的變化值起伏波動具有一致性。2016-2017年受到技術效率與技術進步效率兩者綜合效應，全要素生產率未有太大變化，2017-2018年，技術進步效率變化不大，因而主要受技術效率變化地影響，兩者地變化值均呈下降趨勢。

圖3 2012-2018年分區域全要素生產率及其分解指標變化趨勢

由圖3（b）和（c）知，2012-2014年，南北地區地全要素生產率地變化值基本一致，均穩定在1-1.05之間，均實現生產效率的增長，2014年后，北方地區地全要素生產率明顯高于南方，尤其是2014-2015年及其突出，北方地區地全要素生產率接近1.15，南方地區地全要素生產率僅接近1.1，究其原因在于，北方地區技術效率及技術進步效率變化值基本穩定在1以上，2014-2015年，技術進步效率變化值甚至接近1.1，同時技術效率變化值亦接近1.05，二南方地區歷年來技術效率及技術進步效率變化值起伏波動劇烈，且不穩定，像2015=2016年技術進步效率變化值便在1之下，未實現有效增長，2016-2017年、2017-2018年，技術進步效率亦顯著低于1，但總體上看，歷年來南方及北方地區全要素生產率均能實現有效增長，全要素生產率變化之值均在1或1之上。

（三）區域科技創新效率影響因素分析

利用除西藏外30省（市、自治區）2012-2018年7年來9個指標共1890個數據進行Tobit面板數據回歸（表4），分析全國省際科技創新效率及南北方地區科技創新效率影響因素。

表4 模型回歸結果

注：***、**和*分別表示1%，5%和10%的顯著性水平，（）內為自抽樣標準誤差。

總體來看，政府支持、對外貿易、地區經濟、微觀環境及產業結構的回歸系數均通過1%的顯著性水平檢驗，而勞動力素質的回歸系數則通過10%水平的顯著性檢驗，說明，政府支持、對外貿易、地區經濟、微觀環境、產業結構以及勞動力素質均對全國科技創新效率有顯著影響。其中政府支持、地區經濟、微觀環境、產業結構以及勞動力素質均能有效地促進科技創新效率地提高，不管通過觀察各相關變量的回歸系數發現，地區經濟地回歸系數較小在10的-5次位，并沒有想象的有強烈的促進作用，這可能因為中國經濟已經高速發展到一定程度，經濟規模的擴大往往帶來投入的進一步擴大，但由于邊際產量遞減規律，不一定獲的理想產出，因而目前地區經濟與創新效率存在弱聯系，回歸系數較小，而對外貿易則對科技創新效率有一定的削減作用，說明在對外貿易過程中，由于發達國家的技術封鎖，我國并沒有太多的高技術流入，反而有一定的流出，證明了前述省際效率縱向比較所提出的當前對外貿易與地區經濟與創新效率之間存在弱聯系或負向聯系的假設。

就南方地區各項影響因素的顯著性水平來看，政府支持的回歸系數通過1%的顯著性水平檢驗，且系數為正，即財政支出中科學技術占比每增加1個百分點，南方地區科技創新效率會增加0.0671，體現了政府支持對我國南方地區科技創新效率的關鍵性作用。勞動力素質及產業結構亦通過5%的顯著性水平的檢驗，且回歸系數為正，說明高素質人才及非農產業比重即產業結構升級對促進南方地區創新效率的提高有直接作用。地區經濟與南方地區創新效率的提高有著負向作用，進一步驗證了邊際產量遞減規律。

政府支持、微觀創新環境以及產業結構均會有助于北方科技創新效率的增長，且各回歸系數至少通過10%的顯著性水平檢驗，說明上述三個因素不僅能促進北方地區科技創新效率。而且效果顯著。其中政府支持的回歸系數為0.2291，即財政支出中科學技術占比每增加1個百分點，南方地區科技創新效率會增加0.2291，政府調控對于北方地區創新效率的提高比南方地區更加明顯。與南方地區科技創新效率各影響因素相比，微觀創新環境即城市化率對北方地區有顯著影響，城市化率每增加1個百分點，科技創新效率值增加0.0539，而地區經濟與北方地區科技創新效率亦有著負向關系。

四、研究結論與啟示

基于2012-2018年全國各省有關數據，對中國各區域科技創新效率進行全面測算及影響因素分析，得出如下結論：第一、從各省之間的相互比較效率看，北京市歷年來保持創新高效，但近年來有所下滑，而青海省近年來實現了創新效率的有效增長，河北、山西、內蒙古、遼寧、福建、河北、海南、云南、新疆歷年創新效率較低，天津、吉林、黑龍江、上海、浙江、湖南、甘肅基本實現了創近有效，江蘇、重慶地區創新效率有所下滑，其余省份創新效率則處于波動狀態。而從各省歷年來本身的比較效率來看，除江蘇省外，全國各地區全要素生產率均實現了有效增長。

第二、從各區域之間的相互比較效率均值來看，南方區域科技創新效率整體低于北方地區，但呈波動性上升趨勢，北方區域科技創新效率波動程度遠大于南方，起伏劇烈，全國科技創新水平基本穩定在創新近有效區間內，效率值在在0.90-0.95兩水平線之間波動，且2016-2018年創新效率整體實現增長，由0.9突破但0.95以上，且仍有小范圍增長的趨勢，意味著我國整體創新效率在不斷提高。而從各區域歷年來本身的比較效率來看，南方及北方地區全要素生產率均能實現有效增長，全要素生產率變化之值均在1或1之上，全國全要素生產率變化值基本穩定在1以上，亦表明我國生產效率在不斷上升。

第三、從各區域科技創新效率影響因素來看，科學技術支出比重的增加、城市化率的提高以及非農產業比重的增加均會有助于北方科技創新效率的增長，另外政府支持增加以及產業結構升級亦有助于南方地區創新效率的增加，除此已外，高素質勞動力的增肌亦對南方地區的創新效率有明顯促進作用，而從整體分析發現，政府支持、對外貿易、微觀創新環境、產業結構以及勞動力素質均對全國科技創新效率有顯著促進作用。因此在統籌全局的基礎上，應該有效地推進產業結構升級，加大政府科技投入，不斷培養高素質人才，形成良好的創新環境，因地制宜調節影響科技創新效率的主要因素，實現科技創新效率的穩步提高。