我國區域科技創新效率測評及影響因素研究
——基于超效率SBM-Malmquist-Tobit模型

賴一飛，謝潘佳，葉麗婷，馬昕睿

(武漢大學 經濟與管理學院，湖北 武漢 430072)

0 引言

科技創新包含知識創新、技術創新以及信息技術引領的管理創新三大子系統[1]，科技創新效率則是反映科技創新資源配置能力和運營能力的重要指標。我國科技強國建設已經步入關鍵期，科技創新成為決定地區核心競爭力的關鍵，也是關系到我國發展全局的重要問題。面對高質量發展要求，需要全面釋放科技創新的驅動力量，突破關鍵核心技術，以科技帶動經濟增長，構建具有中國特色的現代化科技創新體系，贏得全球科技競爭主動權。2020年《中共中央關于制定國民經濟和社會發展第十四個五年規劃和二O三五年遠景目標的建議》將科技創新擺在前所未有的高度，強調堅持創新在我國現代化建設全局中的核心地位，把科技自立自強作為國家發展的戰略支撐?；诖?，本文以中國內地30個省市(西藏因數據不全，未納入統計)為研究對象，考察2011—2019年全國各地區科技創新效率及其影響因素，以期助力創新驅動發展戰略實施，為政府相關部門政策制定提供決策參考。

1 文獻綜述

目前關于我國科技創新效率綜合評價的研究較多，通過梳理相關文獻發現，大多數文獻主要從以下方面展開研究：

(1)科技創新效率與經濟社會發展的關系。焦繼文和郭寶潔[2]以北京、上海和廣東三大地區中心城市科技資源集聚度及各省GDP增長率為變量，聚焦中心地區科技資源集聚與當地經濟及周邊地區經濟增長之間的關系；孫藝璇等[3]運用固定效應模型和隨機效應模型進行回歸分析，發現科技創新通過作用于生產力結構改革和動力機制轉換，促進地區經濟發展；賴一飛等[4]基于Cobb-Douglas生產函數和聯立方程模型，探究“中三角”地區創新資源配置與經濟增長的關系，發現創新資源集聚能帶動當地經濟長遠發展。

(2)科技創新效率評價。關于科技創新效率評價的研究最多，主要集中在科技資源配置效率方面，大體上可劃分為靜態和動態兩類。在靜態評價方面，唐五湘等[5]運用主成分分析法構建評價指標體系，采用投入與產出綜合水平比的評價方法，計算得到我國30個省(市、自治區)科技資源配置效率值；周偉和葉常林[6]依據因子分析法的基本思路，設計科技資源配置效率的因子分析模型，從人力資源、財力資源、物力資源和信息資源4個方面選擇指標，對中部六省科技資源配置效率進行比較分析?？萍假Y源配置效率靜態評價中運用較多的方法是DEA模型及相關改進方法，如劉琦[7]運用DEA方法對廣東省21個城市科技資源配置效率進行分析，發現2012—2014年廣東省科技資源配置平均水平偏低，極端化現象突出，技術效率和規模效率呈下降趨勢，從而導致資源配置效率低下等問題；劉釩和鄧明亮[8]基于PCA超效率DEA組合模型，對全國和長江經濟帶科技創新效率進行測度，發現長江經濟帶科技創新效率略低于全國平均水平，且長江上中下游省市科技創新效率地區差異呈逐步擴大趨勢；康楠等[9]針對2007年我國內地31個省(市、自治區)科技投入產出情況，分別采用主成分分析法、熵權TOPSIS法、超效率DEA法3種評價方法對區域科技資源配置效率進行排名，采用組合評價方法彌補了單一方法的不足，得到的評價結果更客觀合理。在動態評價方面，較多學者結合DEA模型與Malmquist指數進行研究。如賴一飛等[10]運用DEA-Malmquist指數深入研究中部六省R&D活動投入產出效率，發現湖北處于領先地位，河南、湖南和山西R&D活動效率最低；王建民[11]基于技術進步動態條件，采用超越對數生產函數對2000—2017年長三角地區技術創新要素及其配置效率進行測量和分析，發現長三角地區需要提高科技人員數量和素質，進一步優化創新要素配置效率，提高技術創新績效，從而驅動高質量發展。

(3)科技創新效率影響因素。李健和魯亞洲[12]采用系統動力學方法，建立京津冀科技創新能力體系仿真模型，以專利授權量為表征對象，探索京津冀科技創新實力及其影響因素；朱林和朱學義[13]采用灰色關聯度分析法，研究2004—2018年中國工業企業科技創新績效的影響因素，發現R&D人員全時當量、R&D經費支出、新產品開發項目經費支出和有效發明專利數是工業企業科技創新績效的四大主要影響因素；林德珊和呂建秋[14]采用決策實驗室法，分析高?？萍紕撔履芰Φ挠绊懸蛩?，指出人才資源是影響高?？萍紕撔履芰﹃P鍵因素；李蕓等[15]針對我國多個省市面板數據，采用Tobit模型分析發現，經濟發展水平、政府支持、對外開放程度、產業結構、人力資源水平等多個因素對科技創新綜合效率存在顯著正向影響。

與已有文獻相比，本文的貢獻在于：首先，已有研究主要通過DEA模型對科技資源配置效率進行單一測度，本文采用超效率SBM模型和Malmquist指數模型，對2011—2019年中國內地30個省市科技創新效率進行靜態和動態的全方位測度，超效率SBM模型結合了超效率DEA與SBM模型的優點，使得效率測度更加精準；其次，本文進一步從廣義社會環境角度探討全國各省市科技創新效率的主要影響因素，并構建Tobit模型分析各影響因素的作用機理，為各省市在有限的資源財力約束下，優化資源配置、提升科技投入產出效率助力。

2 研究設計

2.1 研究工具與方法

由于DEA模型不需要預先設定指標之間的函數關系，可避免主觀因素對模型構建的影響，因此在靜態效率評價方面使用較為廣泛。Caves[16]將DEA模型與Malmquist指數相結合測算生產部門全要素生產率。由此形成DEA-Malmquist靜態與動態相結合的效率評價分析方法，并被逐漸應用于醫療、金融、工業等領域多投入、多產出條件下的全要素生產率測算。目前，我國大多數學者在科技資源配置效率的測度評價上，一般采用DEA-Malmquist指數方法。然而，在傳統DEA模型中，對無效率程度的測量只包含所有投入(產出)等比例縮減(增加)的比例，忽視了變量松弛性問題和徑向問題帶來的測量誤差，導致測量結果不準確。為改進這一問題，更客觀反映各要素實際情況，Tone[17]提出基于松弛變量的非徑向、非導向型SBM模型(Slacks Based Measure，SBM)。然而，該模型與傳統DEA模型一樣，難以衡量多個有效決策單元之間的效率高低。

綜合上述因素，本文選取超效率SBM模型并結合Malmquist指數模型，對2011—2019年中國內地30個省市科技創新投入產出面板數據進行分析，使得科技資源靜態配置效率測度結果更為精準，同時彌補了超效率SBM模型在時間序列數據動態效率分析方面的不足。在科技創新效率研究中，通過超效率SBM模型計算得到我國30個省市科技創新效率后，進一步分析科技創新效率影響因素的影響方向與程度，對于有計劃調整資源配置有著重要理論研究價值和現實指導意義。回歸分析是研究影響因素作用機理的常用工具，考慮到超效率SBM模型估計出的效率值是截斷的離散分布數據，若運用最小二乘法，其參數估計會有嚴重偏差，因此本文選用Tobit回歸模型。

2.2 變量確定

2.2.1 綜合效率評價指標設計

科技創新活動是一個多主體參與、多要素互動的復雜過程[18]。鑒于此，本文在科技創新效率評價中，綜合考慮全國各地區經濟發展水平、技術水平、資源稟賦以及科技創新要素投入來源與用途等特點，主要評價反映一般創新能力的投入與產出關系。本文沿用已有研究的成熟做法，將科技創新投入分為R&D人力和R&D資金投入兩類，選取R&D人員全時當量和R&D經費支出作為投入指標。為側重考察政府和企業科技創新投入，再分別選擇地方政府和企業研究與實驗發展經費內部支出，構成創新要素投入指標。在科技創新產出方面，為反映科技成果產出，同時體現經濟效益的創新產出情況，選擇專利申請數、有效專利數、高等學校R&D課題數和技術市場應用，構成創新產出指標。其中，專利蘊含技術發明、創造等直觀信息；高等學校是我國科學技術活動的重要力量，尤其在基礎研究活動中占有重要地位，高等學校R&D課題數能反映地區科技活動發展規模、資源配置和變化情況，對促進科學技術事業發展和自主創新具有重要意義；技術市場應用以地區技術市場成交額與地區生產總值的比值表征，能夠更好地反映創新成果商業化水平，衡量產業經濟效益。最終構建如表1所示的評價指標體系。

表1 我國各省市科技創新效率綜合評價指標體系

2.2.2 影響因子確定

科技創新行為是在一定社會環境下進行的，社會環境包括政治、經濟、環境和文化等方面。本文從廣義社會環境角度出發，通過梳理相關文獻，確定影響科技創新效率的因素包括政府對科技創新的支持、經濟發展水平、科技基礎設施投入和科技認知程度4個方面。

區域創新活動對政府力量具有內在依賴性，政府是創新系統頂層設計的主體，是引領創新戰略與方向、塑造創新環境的根本力量。本文采用政府科技投入占政府財政支出比重量化政府對科技創新的支持程度?？萍紕撔率怯绊懮鐣洕降耐馍蛩?，同時經濟發展也是引領科技創新的主要動力。經濟發展與經濟實力、經濟增長及產業結構等相關，本文采用人均GDP衡量經濟發展水平?？萍蓟A設施是指與科技活動有關的公共產品，是技術創新的物質基礎和信息保障。李蘭冰(2008)研究表明，科技基礎設施對科技創新能力的影響存在區域異質性。本文選取信息傳輸、軟件和信息技術服務業投資額作為衡量科技基礎設施投入的指標。文化環境是指社會對事物的看法、理解或偏好，關于文化環境對科技創新影響的研究已經較為豐富，但大多從定性角度進行分析，目前仍未形成統一量化指標。鑒于此，本文將文化環境聚焦于社會在多大程度上能了解科技創新現狀與發展情況，即不管人們的認知是否正確，只考慮科技創新信息在地區的傳播能力和范圍，本文將該影響因子定義為科技認知程度。數字時代，互聯網已經成為人們獲取信息的最主要途徑，地區互聯網絡發展狀況能有效衡量信息獲取途徑的便利性，地區互聯網絡發展狀況參考《中國互聯網絡發展狀況統計報告》，選擇互聯網普及率衡量。影響區域創新要素市場化配置效率的因素及其量化指標如表2所示。

表2 我國各省市科技創新效率影響因素及量化指標

2.3 數據來源與處理

考慮到樣本容量的充分性和數據可獲得性，本文選取2011—2019年中國內地30個省市(西藏因數據不全，未納入統計)面板數據，計算超效率SBM-Malmquist指數模型和Tobit模型。考慮產出具有滯后性，實際測評的是2011—2018年科技創新投入指標和2012—2019年科技創新產出指標。數據主要來源于2011—2019年《中國科技統計年鑒》及中國統計局等網站，其中，2019年高等學校R&D課題數、互聯網普及率等指標數據暫未更新，本文基于該指標往年數據，采用線性擬合方法預測得出。

3 實證結果分析

3.1 科技創新效率綜合評價

3.1.1 超效率SBM模型分析結果

本文基于超效率SBM模型，采用DEA-Solver-LV8軟件對2011—2018年我國內地30個省域科技創新效率進行逐年測算，結果如表3、4所示。

表3 2011—2018年各省市科技創新要素配置有效區域及比重

從整體看，2011—2018年我國科技創新效率呈波動上升趨勢，一定程度上表明我國自2012年底提出堅持走中國特色自主創新道路、實施創新驅動發展戰略取得積極成效。由于各地區經濟和技術基礎差異較大，導致同一時期各省市科技創新效率差異顯著，表現為東部地區>西部地區>中部地區。每年綜合效率技術水平達到前沿的省市較少，基本穩定在36.67%，即30個省市中有11個省市能達到有效狀態。其中，2011年僅有7個省市科技創新效率達到有效狀態。根據表4中各省市科技創新效率均值，可將其劃分為4個梯隊：第一梯隊科技創新效率較高(大于0.9)，包括北京、青海、海南、廣東、浙江、貴州、安徽和新疆；第二梯隊效率值中等偏上(0.8～0.9)，包括陜西、四川、江西、湖北；第三梯隊效率值中等(0.6～0.8)，包括甘肅、天津、江蘇、湖南、重慶、福建、廣西、云南、上海和吉林；第四梯隊效率值偏低(低于0.6)，包括寧夏、遼寧、黑龍江、山西、山東、河北、河南和內蒙古。

表4 2011-2018年各省市科技創新效率測度結果

第一梯隊中，除新疆在2011年未達到有效狀態外，其余年份各省市均為有效狀態，說明該梯隊省市創新要素投入產出結構較為合理，科技經費和人員管理水平較高，資源在技術研發和成果轉化過程中均得到較為充分的利用，需要繼續保持其資源配置的高效性。

第二梯隊中，陜西、四川和湖北科技創新效率均呈波動遞減趨勢。其中，2015—2018年湖北科技創新效率遞減較為顯著，主要原因是投入產出結構失衡日漸嚴重，R&D經費尤其是企業R&D經費存在較多冗余，而在專利產出數量上缺口逐漸增大。2011—2018年江西科技創新效率波動遞增，且2011—2013年其科技創新效率均在0.6以下。為破解科研與產業“兩張皮”問題，人才、技術相對落后的江西從2013年開始探索建立產學研用緊密結合的協同創新模式，2013年江西采用全國首創的科技協同創新體模式，自2014年起，江西科技創新效率上升迅速，2015—2018年江西達到綜合效率技術水平前沿。

第三梯隊中，甘肅、江蘇、湖南、重慶、福建、云南和上?？萍紕撔滦手党什▌酉陆第厔荨Ｆ渲?，2015—2018年重慶創新效率急速下降，2018年效率值僅0.109，究其原因主要是2015—2018年重慶R&D經費投入冗余嚴重，而有效專利和技術市場應用產出嚴重不足，未來仍需在破除制約科技成果轉化的瓶頸上采取積極措施。作為經濟大市的上海，創新效率一直處于中游，且2013年以后效率下降較快，主要是因為其大規?？萍紕撔峦度氲倪呺H產出較少，從而導致創新效率低下。天津、廣西和吉林科技創新效率總體呈波動遞增趨勢，且增長幅度較大。其中，廣西、吉林分別在2015年和2017年以后效率值達到有效狀態。

第四梯隊中，寧夏科技創新效率波動幅度較大，總體呈W型趨勢，且2017—2018年效率增長較快。由于地理位置不利或經濟技術基礎較弱，其余各省市創新效率始終較低，效率值基本穩定在0.52以下，均未達到綜合效率技術水平前沿。

3.1.2 Malmquist生產指數分析結果

借助DEAP2.1軟件，采用基于投入導向和規模報酬可變的DEA-Malmquist模型，計算得到2011—2018年我國科技創新效率Malmquist指數各分解量，詳見表5、圖1和表6。

表5 2011-2018年我國科技創新效率分年度變動指數及其分解指數

表6 2011-2018年我國各省市科技創新效率整體變動指數及其分解指數

從整體看，2011—2018年我國科技創新全要素生產率呈波動態勢，但基本保持增長趨勢，平均值為1.028，年平均增長率為2.8%，說明這期間我國科技創新發展總體態勢良好。從指數構成看，2011—2018年技術效率變動指數和技術進步指數波動較大，年度變化不夠穩定，平均增長率分別為1.5%和1.3%，全要素生產率增長主要來自兩者的交叉作用。根據圖1可知，全要素生產率年度變化與技術進步指數年度變化呈現同步波動趨勢，說明科技創新全要素生產率受技術進步影響更大。2017—2018年全要素生產率和技術進步頹勢初顯，需要進一步穩定發展，加強新技術研發、引進和轉化吸收仍然是未來主攻方向之一。

圖1 2011-2018年我國科技創新效率變動指數及其分解指數變化趨勢

進一步分解技術效率變動指數發現，除2013—2014年、2014—2015年技術效率主要受規模效率變動影響外，其余年份技術效率受純技術效率和規模效率共同作用的影響。技術效率提升大體依賴于純技術效率和規模效率平穩增長，2011—2018年兩者平均增長率均為0.7%。

分省市看，2011—2018年22個省市全要素生產率大于1，占比高達73.33%，說明我國科技創新情況整體趨勢向好。上海全要素生產率最高，年均增長率達10.2%，重慶全要素生產率最低，呈年均2.9%的衰退趨勢。從區域排名看，上海、遼寧、天津、新疆和廣東全要素生產率增長均在7%以上，且除上海外，其余省市各項效率值增長較為全面，說明近年來上述區域在科技創新投入產出結構與體制機制改革上取得積極成效。上海憑借優越的經濟和地理位置，吸收大量外資并引進先進技術，技術進步抵消了技術效率衰退的影響，未來，上海應著重提升純技術效率。湖南、重慶和云南技術效率的負向影響超過技術進步的增長作用，說明3個省市科技創新管理效率和制度安排上存在較大問題，仍有較大改進空間。內蒙古、寧夏等5個省市技術進步拉動效應較弱，需要技術更先進、功能更豐富的科技成果拉動區域科技創新效率，促進產業結構調整與優化升級。

從分解因素看，北京、天津等絕大多數省市技術效率處于增長態勢，主要受到純技術效率和規模效率的雙重影響，這與前述年份維度統計結果一致。上海、江蘇等6省市技術效率變動指數呈遞減趨勢，其中上海、江蘇、云南和甘肅主要受純技術效率的負向影響，湖南主要受規模效率影響，重慶在純技術效率和規模效率兩方面均較低。

3.2 科技創新能力影響因素分析

上文利用超效率SBM模型和Malmquist指數模型，從微觀層面有效測度了全國各省市科技創新效率，還需從宏觀層面進一步探討各省市創新效率的影響因素及各因素的作用機理。本文基于面板數據對全國總體情況進行分析，解析各省市科技創新效率影響因素作用方向與程度的內在原因，運用Stata15.0軟件計算Tobit回歸模型。

圖2顯示了全國各省市政府支持對科技創新效率影響的回歸結果。從全國總體情況看，政府支持對科技創新效率具有顯著正向作用，說明政府對科技創新的支持程度越高，越有利于我國科技進步。

從各省市情況看，陜西、寧夏、海南和山東4個省市政府支持對科技創新效率具有顯著正向作用。以上省市政府科技投入呈穩定增長趨勢，但在全國排名偏低，因此建議加大政府科技投入，充分發揮政府支持對本地區科技創新效率的促進作用。北京、湖北等11個省市政府支持對科技創新效率的正向作用不顯著。結合地區實際情況發現，部分省市政府科技資金投入大部分流向研究機構、高等院校的基礎研究和應用研究領域，此類研究難以在短時間內產生效益，政府科技投入增加帶來的影響無法立刻顯現。此外，一些省市政府投資對創新的拉動作用基本達到飽和，應當積極尋求其它方式驅動區域科技創新。河北、廣西和黑龍江3個省市政府支持對科技創新效率具有顯著負向作用。數據顯示，上述省市政府科技投入占政府財政支出比重低于全國平均水平，而且比重不增反降，說明政府應當提高對當地科技創新的重視程度。河南、福建等12個省市政府支持對科技創新效率的負向作用不顯著。其中，安徽、福建等省市政府科技投入占比較高，也側面反映我國存在政府創新激勵扭曲、科技投入冗余、產出虧空等問題。

圖3顯示了全國各省市經濟發展水平對科技創新效率影響的回歸結果。從全國總體情況看，我國經濟發展水平對科技創新效率具有負向作用，影響系數接近于0，說明作用效果不佳。當前我國國內生產總值穩居世界第二，經濟發展速度較快，結合有關研究發現，當區域經濟發展水平較高時，容易出現尋租行為，使得原本應該用于科技研發的資金流向其它領域[20-22]。此外，我國民間資本投資科技領域的積極性較低也是造成經濟因素影響不大的原因。

從各省市情況看，海南和河南經濟發展水平對科技創新效率具有顯著正向作用。調查發現，兩省民間資本投資科技領域的積極性較高，如近年來河南企業加大創新投入，高新技術產業化水平居中部地區首位。北京、浙江等8個省市經濟發展水平對科技創新效率的正向作用不顯著，減少尋租行為、激發民間資本投資科技領域的積極性，是上述地區增強經濟優勢對科技創新促進作用的根本方法。江蘇、湖南等9個省市經濟發展水平對科技創新效率具有顯著負向作用；湖北、上海等11個省市經濟發展水平對科技創新效率的負向作用不顯著。進一步分析發現，上述經濟發展水平較高的部分省市并不缺乏科技投資，但普遍存在創新資源冗余、創新資源錯配等問題。

圖2 政府支持對科技創新效率影響的回歸結果 圖3 經濟發展水平對科技創新效率影響的回歸結果

注：β為影響系數，P<0.05表示在5%的水平下顯著，下同

圖4顯示了全國各省市科技基礎設施投入對科技創新效率影響的回歸結果。從全國總體情況看，科技基礎設施投入對科技創新效率的正向作用不顯著，影響系數接近于0，說明作用效果不顯著。隨著我國大部分地區科技基礎設施建設逐漸完善，自2017年起，全國大多數省市科技基礎設施投資呈遞減趨勢，但已建成基礎設施仍在發揮促進作用，這是導致科技基礎設施投入影響不顯著的主要原因。結合有關研究發現，我國科技基礎設施建設存在規劃不合理、利用率低的現象，重復建設、閑置等情況導致每年我國在科技基礎設施上的投資巨大，但投資效果不盡如人意。

圖4 科技基礎設施對科技創新效率影響的回歸結果 圖5 科技認知程度對科技創新效率影響的回歸結果

從各省市情況看，河北、青海等5個省市科技基礎設施投入對科技創新效率具有顯著正向作用。投資數據顯示，2011—2018年，以上省市科技基礎設施投資均保持較為穩定的增長態勢，科技創新效率也呈現平穩遞增趨勢。北京、上海等11個省市科技基礎設施投入對科技創新效率的正向作用不顯著。大部分省市前期科技基礎投資較多，隨著科技基礎設施逐步完善，投資呈現緩慢下降趨勢，但其對科技創新的影響仍在持續，因此影響不顯著。甘肅和陜西科技基礎設施投入對科技創新效率具有顯著負向作用；湖北、湖南等12個省市科技基礎設施投入對科技創新效率的負向作用不顯著。對于科技基礎設施投入較多但效果不佳的地區，改進其科技基礎設施中存在的規劃不合理、使用率低等問題是扭轉負面影響的唯一方法；對于科技基礎設施建設較為落后的地區，雖然近幾年投入有所增加，但基礎設施的作用效果存在滯后性，尚未表現出顯著影響，因此妥善安排后續科技基礎設施投入尤為重要。

圖5顯示了全國各省市科技認知程度對科技創新效率影響的回歸結果。從全國總體情況看，科技認知程度對科技創新效率具有顯著正向作用。良好的科技創新生態是激發創新活力最有效的方法，一般來說，科技認知程度較高的地區更容易吸引科技要素聚集，促進高新技術產業集聚，從而帶動地區科技發展。

從各省市情況看，河北、青海等6個省市科技認知程度對科技創新效率具有顯著正向作用。近10年來，上述省市互聯網普及率均有顯著提升，地區科技認知程度顯著提高。廣東、湖北等13個省市科技認知程度對科技創新效率的正向作用不顯著。其中，部分省市由于邊際影響力減弱，科技認知范圍擴大，對科技創新效率提升難以產生影響；另一部分地區由于互聯網普及率較低，對科技創新的促進作用不明顯。海南、河南和北京科技認知程度對科技創新效率具有顯著負向作用。其中，河南互聯網普及率呈現緩慢遞增趨勢，但總體水平較低，對科技創新效率未產生促進作用；海南科技認知程度處于全國中等水平，科技人才引育機制不完善、科技人才流失嚴重等在一定程度上導致其對科技創新的促進作用不顯著。上海、浙江等8個省市科技認知程度對科技創新效率的負向作用不顯著。上述省市互聯網普及率呈現穩定上升趨勢，但科技創新效率波動較大，因此應該采取相應措施提高互聯網的創新溢出效應。

4 結論與啟示

4.1 結論

本文考察了2011—2019年中國內地30個省市科技創新綜合發展水平及其影響因素，依據超效率SBM-Malmquist模型對中國省域科技創新效率進行綜合評價，并從廣義社會環境角度出發，構建科技創新效率影響因素Tobit模型，實證研究科技創新驅動因素。本文得出以下主要結論：科技創新效率呈波動上升趨勢，受地區經濟和技術基礎影響，全國各省市科技創新效率差異較大，東部地區最高，西部地區次之，中部地區最低；科技創新全要素生產率受技術效率變動指數與技術進步指數的交叉影響，技術進步指數的影響更大，整體上呈波動遞增趨勢，全國有77.33%的省市全要素生產率大于1，科技創新發展整體態勢較好。

對科技創新效率影響因素及其影響機理的研究結論如下：①從全國整體情況看，政府支持和社會科技認知程度對科技創新效率具有顯著正向作用，經濟發展水平對科技創新效率具有顯著負向作用，科技基礎設施投入對科技創新的正向作用不顯著；②分省市看，各影響因素的作用效果并未表現出顯著地域分布特征；③分析各因素對科技創新的作用機理發現，政府支持通過調整財政科技資金投入金額、方向以及對社會資本的吸引效應，作用于科技創新效率，政府支持對科技創新效率的影響程度也與政府支持效應是否達到飽和有關；④地區經濟發展水平對當地民間資本投資積極性、投資戰略和投資風險偏好程度均會產生影響，從而影響科技創新效率，經濟發展水平較高地區的民間資本對科技領域重視程度更高，地方大型企業愿意投資高風險的科技領域，但同時也容易出現尋租、資源冗余等問題；⑤地區科技基礎設施越完善，越有利于科技創新，但由于科技基礎設施建設需要一定周期，其對地區創新效率的影響具有滯后性，基礎設施建設規劃與布局也會影響科技基礎設施對科技創新效率的作用；⑥科技認知程度提高能夠增進人們對科技發展的了解，增強人們對科技創新的興趣，助力營造良好的創新氛圍，從而影響科技創新效率，但科技認知程度的影響作用也與地區人才引導、激勵機制等有關，引導與激勵機制不健全的地區，人們對科技創新的認知較為片面，無法對科技創新效率起到顯著增進作用。

4.2 政策啟示

首先，發展新型融資模式，激發民間資本投資積極性。隨著我國科技事業的發展和創新能力的提高，許多地區依靠政府投資拉動科技創新效率增長的模式逐漸顯現頹勢，應及時切換政府與企業投資主體角色切換，推動政府支持由直接投資向間接投資轉變，如開設科技貸款綠色通道、增加專項信貸額度、支持有條件的地方政府建立風險補償資金池等。其次，營造良好的科技創新氛圍，增強科技創新人才凝聚能力。健全科技人才引育制度，完善落戶居留、醫療保健、出入境服務等保障措施，培養一批核心技術人才、海外高層次人才、產業領軍人才。同時，積極改進現有人才管理機制，營造科技人才良性競爭氛圍。再次，加強科技成果產權保護，打通科技成果轉化鏈條，推動技術成果與產業發展深度融合。設立知識產權法院，做好知識產權維權援助工作；探索基于互聯網技術的一體化科技市場，建立涵蓋科技咨詢、創新資源集聚、技術轉移等功能的綜合服務平臺；發揮財政科技項目在成果供給中的引導作用，面向地方產業發展需求，設置科技計劃專項，重點支持地方優勢產業關鍵核心技術攻關。最后，通過政策調適，引導構建科技監管體系。健全獎懲機制，減少科研項目申報中的尋租與腐敗行為；前瞻布局科技基礎設施建設，引導企業參與科技基礎設施建設，規范我國科技基礎設施建設管理制度。

4.3 研究不足與展望

本文還存在以下不足與局限性：首先，本文選取的科技創新效率測度指標及影響因素指標可能存在遺漏，未來研究可進一步細化，拓寬指標口徑，減少因投入與產出指標潛在對應性導致的誤差；其次，本文雖然對科技創新效率影響因素的相關性進行了分析，但未對具體指標與科技創新效率的耦合性進行深入探究，有待在未來研究中進一步完善。