考慮產學研協同的高校創新效率測度及提升路徑
——地區差異的視角

劉東霞，趙泳琪

(山西財經大學管理科學與工程學院，山西太原 030006）

1 研究背景

科技創新是增強綜合國力的決定性因素，我國“十四五”時期的發展對加快科技創新提出了更為迫切的要求。高校作為科技創新的主力軍，其創新效率的高低不僅影響我國經濟社會的發展速度與水平，而且關系到我國能否在國際科技競爭中占領制高點［1］。從價值鏈的角度看，高校創新活動包括知識創新和知識轉化兩個階段［2］，其創新產出不僅涉及基礎研究及理論創新成果，而且包括掌握知識和技術轉化為現實生產力的方式。因此，高校創新效率的提升不僅需要高校科技創新活動聚焦前瞻性基礎研究，提升知識創新效率，更需要緊密對接經濟社會發展需求，凸顯知識轉化效率。

黨的十九大報告明確提出我國要深化科技體制改革，建設以企業為主體、市場為導向、產學研深度融合的技術創新體系［3］，強調了產學研協同創新在我國創新驅動發展戰略中的重要地位。2018 年我國高校R＆D 研發經費內部支出較2012 年增加了86%，專利授權總數增加了168%，而高校技術轉讓合同成交額卻只增加了24%，高校科技成果轉化效率較低。因此，在產學研協同創新背景下，如何對高校知識創新和知識轉化效率進行科學地測度，探索影響高校創新效率的因素，對增加高校創新成果、夯實創新強國基礎有重要的作用。

2 文獻綜述

現有文獻多從區域中觀和高校微觀層面探討區域高校創新效率與高校間相對效率的差異。沈能等［4］、王曉珍等［1］、蔡文伯等［5］、張海波等［6］學者運用DEA 以及擴展模型研究區域高校創新效率差異，得到我國高校創新效率整體呈非DEA 有效，東部、中部與西部地區（按2003 年國家統計局地區劃分）高校創新效率存在顯著差異；呈現東部最高、中部次之、西部最低的分布特征［7］，且不同省份高校創新效率的差距也較為明顯［8］。閆平等［9］、李勝會等［10］、高擎等［11］、宗曉華等［12］以教育部直屬高校為研究對象，得到2012 年之后高校整體創新效率有所提高，但速度較緩慢；東部地區高校創新效率增長穩定，中西部地區則波動較大。具體到“985工程”高校，林德明等［13］研究發現我國“985 工程”高校的技術轉移平均效率不高，有高達60%的高校是非DEA 有效；王樹喬等［14］得到我國“985 工程”高校科研效率水平不均衡，存在地域差異性，中部地區的“985 工程”高校科研綜合技術效率水平較高。考慮到高校創新效率存在時間與空間差異性，學者們開始探討高校創新效率的動態演化問題，主要的研究方法有DEA 視窗分析［15］，Malmquist 指數法［10］，以及核密度估計等［14］。由于環境因素與隨機擾動項會對高校科技創新效率產生影響，學者們提出了用三階段DEA 模型［16］，三階段超效率DEA 模型等方法［17-18］。

學者們對高校創新效率的研究取得了豐碩的成果，但仍存在需要進一步探討的地方：一是在研究對象上，學者們或者聚焦省域高校或者聚焦重點與教育部直屬高校，我國東中西部地區在經濟發展水平、制度環境建設以及文化意識等方面存在較大的差異，東部地區具有較高的開放程度，形成了公平競爭的環境［19］；而中西部地區封閉程度較高，政府過多干預市場。這可能造成不同地區影響高校創新效率的因素存在差異。二是在研究內容上，學者們將高校創新過程視為一個“黑匣子”，聚焦于高校創新的整體效率，忽視了高校創新活動的階段性特征。按照價值鏈理論，高校創新過程包括知識創新與知識轉化兩個階段，各個階段的效率如何？是否存在區域差異？未有文獻加以論證。三是在投入指標選擇上，大部分研究分別從人員投入、資金投入與智力投入選擇高校創新效率的投入指標。從高校知識轉化過程來看，產學研協同創新直接推動高校知識創新成果轉化為現實的生產力［20］，而研究者未能從這一層面選擇相應的投入指標。

綜合現有的研究成果，本文遵循高校創新從知識創新到知識轉化的研究邏輯，運用三階段超效率EBM-Windows 模型測算不同地區高校知識創新與知識轉化的效率，探討不同地區影響高校創新效率的因素，探索提升高校創新效率的途徑與措施。

3 研究設計

3.1 研究方法

通過梳理現有文獻發現，測算高校創新效率的主流方法主要有隨機前沿分析(SFA)，如李滋陽等［21］、蘇濤永等［22］與數據包絡分析(DEA)如Colin 等［23］、宋維瑋等［24］。隨機前沿分析具有以經濟學理論為支撐，可以使用生產函數對投入產出關系進行定量分析的優點，但存在一旦理論模型設定錯誤，便會出現分析結果偏差大、分析結論沒有實際意義等缺陷。而數據包絡分析無需事先設定投入產出的具體函數形式，特別適用于評價無固定生產函數的決策單元效率。但經典DEA 分析不僅沒有考慮松弛變量與決策系統之外環境因素對決策單元效率的影響，也不能反映決策單元效率的動態變化特征。

在松弛變量方面，傳統SBM 模型雖然考慮了徑向松弛變量與非徑向松弛變量，但未能體現投入產出變量的實現值與目標值之間的比例關系，Tone等［25］提出的混合距離函數EBM 模型可以滿足這一要求。在環境因素方面，Fried 等［26］將隨機前沿分析法(SFA)納入到DEA 分析中，提出了三階段DEA模型，剔除了環境因素與隨機擾動項對決策單元效率的影響。在動態變化方面，Charnes 等［27］提出了DEA-Windows 方法，可以使用面板數據對決策單元效率進行時間序列上的對比。

基于以上分析，本文選擇三階段非徑向超效率EBM-Windows 模型測算高校知識創新與知識轉化效率，以期能夠更加客觀地反映高校的創新效率及其動態變化特征。

3.2 指標選取與研究模型

3.2.1 指標選取

根據創新價值鏈視角［28］，高校創新活動可以分為知識創新與知識轉化兩個階段，在知識創新階段，所需要的投入主要為人力與資金投入，其對應的成果產出主要表現為學術效益；在知識轉化階段，高校與企業對接將論文、專利、專有技術等知識創新成果產品化，該階段的投入便表現為知識創新階段的產出，其對應的成果產出主要表現為經濟效益。

基于以上分析并借鑒吳衛紅等［29］、王曉紅等［30］、李彥華等［31］的研究成果，選取R＆D 人員全時當量與R＆D 經費內部支出作為高校知識創新階段的投入指標。其中，R＆D 人員全時當量可以衡量高校在某一年度R＆D 人員的實際投入水平；R＆D 經費內部支出可以衡量高校單位在某一年度開展R＆D 活動的內部實際支出，能夠更加客觀地反映高校內部開展科研活動的資金投入情況。為了能夠兼顧研究型與應用研究型高校在知識創新階段學術產出的差異性，知識創新階段的產出指標分別選取了學術論文數和授權專利總數。其中，學術論文數是衡量一所高校學科科研實力的重要指標［32］；授權專利總數包含了實用新型、外觀設計以及發明專利的數量，能夠更加全面地反映高校的創新能力［33］。知識轉化階段的投入指標基本與知識創新階段的產出指標一致，另外考慮到高校與企業的協同創新程度顯著地影響高校知識轉化的效率，借鑒王曉紅等［34］、姜文寧等［35］的研究，將企事業單位委托合作資金金額作為測度高校協同創新程度的指標，引入高校知識轉化階段。知識轉化階段的產出指標為技術轉讓簽訂合同數、技術轉讓經費總額以及專利出售總金額，分別從數量與質量兩個層面反映知識轉化成果的經濟價值。

為了能夠更加客觀地反映高校的創新效率，運用三階段非徑向超效率EBM-Windows 模型。在進行第二階段SFA 分析時，需要引入環境變量，以期在第三階段得到調整投入值剔除環境變量的影響。環境變量的選取要求滿足“分離假設”，即環境變量影響高校創新效率，但作為創新主體的高校是無法通過主觀控制改變這種影響［10］。相關研究顯示：政府資金［36］，社會經濟環境［37］，政府支持［38］，地區資源稟賦［7］，市場化水平都會顯著影響高校的創新效率［39］。結合本文的研究重點，選擇人均地區生產總值（GDP）與第三產業增加值占GDP 比重表征社會經濟環境發展狀況；選擇政府資金投入占當年撥入科技經費的比重衡量政府的支持力度；高校創新活動所需要的資源表現為科研人員的質量與潛在的科研人員數量，選擇R＆D 人員中博士的比重與每10 萬人口中高校的在校生人數作為測度地區資源稟賦的指標［40］。

3.2.2 研究模型

以創新價值鏈理論為依據劃分高校創新活動的階段，將協同創新引入高校知識轉化過程，結合本文所選定的研究方法與指標，構建了測度高校知識創新與知識轉化的三階段超效率EBM-Windows 模型，如圖1 所示。

圖1 高校知識創新與知識轉化效率測度模型

模型的縱向邏輯為：高校的創新活動歷經了知識創新與知識轉化兩個過程，通過將知識創新產出成果應用于知識轉化過程，并與企事業單位對接與合作，最終將知識創新成果轉化為現實的經濟效益。模型的橫向邏輯為：第一階段運用非徑向超效率EBM-Windows 測度包含環境影響的知識創新或知識轉化效率；第二階段引入環境變量運用SFA 分析方法調整知識創新或知識轉化投入，以剔除環境對高校知識創新與知識轉化效率的影響；第三階段運用非徑向超效率EBM-Windows 測度剔除環境影響的高校知識創新或知識轉化效率，特別地將協同創新引入高校知識轉化過程，以反映協同創新程度對高校知識轉化效率的影響。

3.3 數據來源與處理

本文以我國29 個省、自治區、直轄市（未含青海、西藏和港澳臺地區）為研究樣本。區位優勢對高校創新的經濟價值效率有較大影響，東部地區的社會環境更加有利于高校創新經濟價值效率的優化［1］；但經濟增長緩慢、人口流失、老齡化等問題使東北三省的經濟社會發展環境發生變化，嚴重影響了該地區高校的創新效率。如果將東北三省合并到東部地區來分析，東部地區其他省份良好的經濟社會環境因素會掩蓋真正影響東北三省高校創新效率的因素。因此，本文將我國29 個省份劃分為東、中、西與東北4 個地區（考慮到東北地區經濟社會環境的差異性，范建平等［41］也做過類似的處理），分別探討高校知識創新、知識轉化效率以及影響因素的地區差異。

2007 年黨的十七大報告中強調我國要促進產學研用相結合，進一步明確了高校成果轉化的重要性。因此，本文將研究周期設定為2007—2018 年，以反映政策引導下高校知識創新與知識轉化效率的變化。研究數據來源于2008—2019 年《高等學校科技統計資料匯編》《中國科技統計年鑒》和《中國統計年鑒》，其中部分省份的個別數據存在為零的情況，為保證評價結果的準確性，借鑒王曉紅等［42］的做法，在評價過程中將此個別數據賦值為相應指標的極小值。

在高校知識創新與知識轉化過程中，創新或轉化投入到成果產出的實現需要一定的時間，即投入到產出存在時滯性。本文參照大多數學者的做法，將知識創新與知識轉化產出的滯后期設置為1 年［22］，即知識創新產出比知識創新投入晚1 年，知識轉化產出比知識轉化投入晚1 年。

4 實證分析結果

4.1 高校知識創新效率的地區差異

4.1.1 第一階段：EBM-Windows 結果

運用MaxDEA 軟件選擇非導向超效率EBMWindows 模型，窗口寬度設為3，計算2008—2017年我國29 個省份高校的知識創新效率（數據備索），匯總計算得到東部、中部、西部及東北地區的高校知識創新效率，其變化趨勢見圖2 所示。

圖2 調整前分區域樣本高校知識創新效率

從圖2 可以看出，2008—2017 年樣本高校知識創新效率呈現波動式上升趨勢，10 年間的均值來為0.706，呈現“東部＞中部＞西部＞東北”的效率空間格局。從動態變化來看，不同地區又呈現不同的變化特征：（1）東部地區高校知識創新效率呈現緩慢上升態勢，年均增長率為1.7%；10 年間其效率值均高于全樣本平均水平，2015 年達到最高點，效率值為0.832。其中，江蘇、海南與浙江的高校知識創新效率均值居東部地區的前三位。（2）西部地區高校知識創新效率呈現逐年上升態勢，是效率提升最快的地區，年均增長率為2.9%；自2013 年其效率值超過全樣本平均水平，并于2016 年達到最高值，為0.825。其中，新疆、寧夏與陜西的高校知識創新效率均值居西部地區的前三位。（3）2008—2016 年，中部地區高校知識創新效率值均低于東部地區；除2008 年與2009 年之外，其余各年其效率值也低于西部地區。2017 年其效率值達到了0.868，超過了東部與西部地區；10 年間的年均增速為2.4%。其中，河南、湖北與湖南的高校知識創新效率均值居中部地區的前三位。（4）東北地區高校知識創新效率呈現緩慢上升態勢，年均增長率為1.8%；10 年間其效率值均低于全樣本平均水平，2017 年達到最高點，效率值為0.616。

4.1.2 第二階段：SFA 回歸結果

考慮到高校知識創新效率會受到外生環境變量的影響，第一階段的測算結果不能準確反映高校的知識創新效率。因此，以第一階段高校知識創新階段的兩個投入指標的松弛變量作為被解釋變量，將6個環境因素作為解釋變量，建立面板SFA回歸方程。回歸分析發現整體SFA 方程未通過單邊t 檢驗，需要調整所選定的環境變量；刪除市場化水平這一環境變量后，整體SFA 回歸方程通過了1%的顯著性檢驗，具體結果見表1 的模型K1 所示。

我國在教育、文化等社會事業的軟硬環境存在較大的地區差距，東部地區的高校數量眾多、建設水平較高，創新氛圍濃厚；而中西部地區高等教育資源特別是優質高等教育資源相對匱乏，創新意識不足；東北地區高校高水平人才嚴重短缺、現有人才流失嚴重。因此，環境因素對不同地區的高校知識創新效率的影響可能存在差異［43］。為檢驗各環境因素對東部與中西部及東北地區高校知識創新效率的影響差異，分別構建了5 個SFA 回歸模型，即在SFA 回歸模型K1的基礎上，依次引入“人均GDP×地區” “第三產業增加值占GDP 的比重×地區”“政府支持力度×地區”“R＆D 人員中博士的比重×地區”與“每10 萬人口中高校在校生數量×地區”等交互項，其中，“地區”為虛擬變量，如果所屬省份在東部地區記為1，在中西部及東北地區記為0。模型K2 至K6 的回歸方程均通過了1%的顯著性檢驗，結果見表1。

表2 樣本高校知識創新階段面板SFA 回歸結果（二）

（1）環境因素對高校知識創新效率的影響分析。由表1 可得，模型K1 中部分環境因素的回歸系數通過了顯著性檢驗，即環境因素對高校知識創新階段的兩個投入指標的松弛變量有顯著影響，進而影響高校的知識創新效率。本文選取的被解釋變量為高校知識創新階段投入指標的松弛變量，若回歸系數為負表示環境變量越大，投入冗余越少，即在產出不變的情況下，僅需要較少的投入，高校知識創新效率越高；系數為正則相反。

具體的影響情況為：1）從社會經濟環境因素來看，人均GDP 僅與R＆D 人員全時當量松弛變量的回歸系數顯著為負，即人均GDP 增加，R＆D 人員的冗余會顯著減少；第三產業增加值占GDP 的比重僅與R＆D 經費內部支出的松弛變量顯著負相關，即第三產業增加值占GDP 的比重越大，R＆D 經費支出的冗余越少。2）政府支持力度與R＆D 人員全時當量松弛變量、R＆D 經費內部支出的松弛變量的回歸系數均為負，但未通過顯著性檢驗，即政府支持力度與R＆D 人員、R＆D 經費內部支出的冗余程度不具有統計上的顯著性。3）從資源稟賦因素來看，R＆D人員中博士的比重僅與R＆D 經費內部支出松弛變量顯著正相關，即R＆D 人員中博士的比重越高，R＆D經費支出的冗余則越多；每10 萬人口中高校在校生數量與R＆D 人員全時當量松弛變量顯著正相關，與R＆D 經費內部支出松弛變量顯著負相關，即每10萬人口中高校在校生數量越多，R＆D 人員的冗余越多，R＆D 經費支出的冗余則越少。

（2）環境因素對高校知識創新效率影響的地區差異。由表1 分析模型K2～K6 的回歸結果，可以得到各環境因素影響高校知識創新效率的地區差異。具體的差異情況為：1）從社會經濟環境因素來看，模型K2 中的交互項“人均GDP×地區”與R＆D 人員全時當量松弛變量、R＆D 經費內部支出松弛變量的回歸系數均不顯著，即人均GDP 對R＆D 人員全時當量松弛變量、R＆D 經費內部支出松弛變量的影響無顯著的地區差異。模型K3 中的交互項“第三產業增加值占GDP 的比重×地區”與R＆D 人員全時當量松弛變量的回歸系數顯著為正，即相較于中西部及東北地區，第三產業增加值占GDP 的比重越大，東部地區R＆D 人員投入的冗余越多；交互項“第三產業增加值占GDP 的比重×地區”與R＆D 經費內部支出松弛變量的回歸系數不顯著，即第三產業增加值占GDP 的比重對R＆D 經費內部支出松弛變量的影響無顯著的地區差異。2）模型K4 中的交互項“政府支持力度×地區”與R＆D 人員全時當量松弛變量的回歸系數顯著為正，即相較于中西部及東北地區，政府支持力度越大，東部地區R＆D 人員投入的冗余越多；交互項“政府支持力度×地區”與R＆D 經費內部支出松弛變量的回歸系數不顯著，即政府支持力度對R＆D 經費內部支出松弛變量的影響無顯著的地區差異。3）從資源稟賦因素來看，模型K5 中的交互項“R＆D 人員中博士的比重×地區”與R＆D 人員全時當量松弛變量的回歸系數顯著為正，即相較于中西部及東北地區，R＆D 人員中博士的比重越大，東部地區R＆D 人員投入的冗余越多；交互項“R＆D 人員中博士的比重×地區”與R＆D經費內部支出松弛變量的回歸系數顯著為負，即相較于中西部及東北地區，R＆D 人員中博士的比重越大，東部地區R＆D 經費內部支出的冗余越少。模型K6 中的交互項“每10 萬人口中高校在校生數量×地區”與R＆D 人員全時當量松弛變量的回歸系數不顯著，即每10 萬人口中高校在校生數量對R＆D 人員投入松弛變量的影響無顯著的地區差異；交互項“每10 萬人口中高校在校生數量×地區”與R＆D 經費內部支出的松弛變量的回歸系數顯著為負，即相較于中西部及東北地區，每10 萬人口中高校在校生數量越多，東部地區R＆D 經費內部支出的冗余越少。

4.1.3 第三階段：調整后EBM-Windows 結果

將窗口寬度設為3，采取非導向EBM-Windows模型再次計算第二階段調整后的投入產出，計算2008—2017 年樣本高校調整后的知識創新效率，匯總計算得到東部、中部、西部及東北地區高校調整后的知識創新效率，其變化趨勢見圖3 所示。

圖3 調整后分區域樣本高校知識創新效率

由圖3 可見，對照第一階段的計算結果，可以發現：（1）剔除環境因素影響之后，2008—2017 年全國高校知識創新效率均值下降為0.675；每年均有小幅度的下降，其中2010—2013 年的下降幅度最大。

（2）剔除環境因素影響之后，2011—2017 年東部地區高校知識創新效率值均有所下降，表明近年來東部地區高校知識創新效率較高與其擁有的環境優勢密切相關。特別地，海南省高校知識創新效率降幅達到92.56%，說明環境因素對海南省高校知識效率的貢獻程度較高。

（3）剔除環境因素影響之后，2008—2017 年中部地區高校知識創新效率均值上升為0.761。特別地，安徽、湖南與山西的高校知識創新效率均值增幅居中部地區前三位。從動態變化趨勢來看，除2011 與2013 年之外，其余各年中部地區高校知識創新效率值明顯高于調整之前的效率值，表明環境因素制約了中部地區高校的知識創新效率。

（4）剔除環境因素影響之后，2008—2017 年西部地區高校知識創新效率均值下降為0.575，下降幅度為18.90%，特別地，寧夏、新疆與內蒙古為西部地區高校知識創新效率均值降幅最大三個自治區。2008—2017 年西部地區高校知識創新效率值均低于調整前的效率值，表明西部地區高校知識創新效率對環境的依賴程度較高。

（5）剔除環境因素影響之后，2008—2017 年東北地區高校知識創新效率均值上升為0.717,上升幅度為35.03%；各年度調整后的效率值均明顯高于調整之前的效率值，表明發展環境較差制約了東北地區高校的知識創新效率。

4.2 高校知識轉化效率的地區差異

4.2.1 第一階段：EBM-Windows 結果

運用MaxDEA 軟件選擇非導向超效率EBMWindows 模型，窗口寬度設為3，計算2009—2018年樣本高校的知識轉化效率，匯總計算得到東部、中部、西部及東北地區的高校知識轉化效率，其變化趨勢見圖4 所示。

圖4 調整前分區域樣本高校知識轉化效率

由圖4 可以看出，2009—2018 年樣本高校知識轉化效率呈現下降趨勢，計算得到10 年間的效率均值為0.433，遠低于高校知識創新效率均值0.706。從空間格局來看，也呈現“東部＞中部＞西部＞東北”的特征。（1）2009—2018 年東部地區的高校知識轉化效率值均高于全樣本平均水平，并在0.44～0.70的區間內呈現波浪式變化特征。（2）除2013 年與2015 年，中部地區其余年份的高校知識轉化效率值均低于全樣本平均水平，呈現先增后降的變化特征。（3）西部地區的高校知識轉化效率值僅在2009 年超過了全樣本平均水平，呈現逐年下降特征。自2011 年，西部地區的高校知識轉化效率值始終徘徊在0.20～0.30 左右，效率值較低。（4）2009—2018 年東北地區的高校知識轉化效率值均低于全樣本平均水平，始終徘徊在0.12～0.34 之間。

4.2.2 第二階段：SFA 回歸結果

環境變量會影響高校的知識轉化效率，以第一階段高校知識轉化階段的3 個投入指標的松弛變量作為被解釋變量，將6 個環境因素作為解釋變量，建立面板SFA 回歸方程。回歸結果顯示，整體SFA回歸方程通過了1%的顯著性檢驗（具體結果見表1的模型T1）。

從成果轉化的角度來看，東部地區具有較高的開放程度與市場化水平，更有利于高校的知識創新成果轉化為現實的產品或服務；而中西部及東北地區封閉程度較高，高校為企業提供研發服務的意識不足，可能造成不同地區環境因素對高校知識轉化效率的影響有差異。因此，為檢驗東部與中西部及東北地區各環境因素對高校知識轉化效率的影響差異，與本文3.1.2 的分析方法相似，在SFA 回歸模型T1 的基礎上，依次引入6 個環境因素與虛擬變量“地區”的交互項，構建了6 個SFA 回歸模型。模型T2～T7 的回歸方程均通過了1%的顯著性檢驗，結果見表2。

表3 樣本高校知識轉化階段面板SFA 回歸結果（一）

表4 樣本高校知識轉化階段面板SFA 回歸結果

表4（續）

（1）環境因素對高校知識轉化效率的影響分析。由表2 可得，模型T1 中部分環境因素的回歸系數通過了顯著性檢驗，即環境因素對高校知識創新階段的兩個投入指標的松弛變量有顯著影響，進而影響高校的知識轉化效率。

具體的影響情況為：1）從社會經濟環境因素來看，人均GDP 僅與授權專利總數松弛變量的回歸系數顯著為負，即人均GDP 增加，授權專利總數的冗余會顯著減少；第三產業增加值占GDP 的比重與授權專利總數松弛變量、企事業單位委托合作資金總額松弛變量的回歸系數均顯著為正，即第三產業增加值占GDP 的比重越大，授權專利總數以及企事業單位委托合作資金總額的冗余度會越高。2）政府支持力度與學術論文數松弛變量的回歸系數顯著為負，與企事業單位委托合作資金總額松弛變量的回歸系數顯著為正，即政府支持力度越大，學術論文數的冗余越少，企事業單位委托合作資金總額的冗余則越多。3）從資源稟賦因素來看，R＆D 人員中博士的比重僅與企事業單位委托合作資金總額松弛變量顯著負相關，即R＆D 人員中博士的比重越高，企事業單位委托合作資金總額的冗余越少；每10 萬人口中高校在校生數量與授權專利總數松弛變量顯著正相關，即每10 萬人口中高校在校生數量越多，授權專利總數的冗余度越高；市場化水平與授權專利總數松弛變量顯著負相關，即市場化水平越高，授權專利總數的冗余度越低。

（2）環境因素對高校知識轉化效率影響的地區差異。由表2 分析模型T2～T7 的回歸結果，可以得到各環境因素對高校知識轉化效率影響的地區差異。

具體的差異情況為：1）從社會經濟環境因素來看，模型T2 中的交互項“人均GDP×地區”與學術論文數松弛變量、授權專利總數松弛變量的回歸系數均顯著為負，即相較于中西部及東北地區，人均GDP 越高，東部地區的學術論文數、授權專利總數的冗余度越少；交互項“人均GDP×地區”與企事業單位委托合作資金總額松弛變量的回歸系數不顯著，即人均GDP 對企事業單位委托合作資金總額松弛變量的影響無顯著的地區差異。模型T3 中的交互項“第三產業增加值占GDP 的比重×地區”與學術論文數松弛變量的回歸系數顯著為負，即相較于中西部及東北地區，第三產業增加值占GDP 的比重越大，東部地區學術論文的冗余越少；交互項“第三產業增加值占GDP 的比重×地區”與授權專利總數松弛變量、企事業單位委托合作資金總額松弛變量的回歸系數均不顯著，即第三產業增加值占GDP 的比重對授權專利總數與企事業單位委托合作資金總額的松弛變量的影響無顯著的地區差異。2）模型T4 中的交互項“政府支持力度×地區”與學術論文數松弛變量、授權專利總數松弛變量的回歸系數均顯著為正，即相較于中西部及東北地區，政府支持力度越大，東部地區的學術論文與授權專利總數的冗余越多；交互項“政府支持力度×地區”與企事業單位委托合作資金總額松弛變量的回歸系數不顯著，即政府支持力度對企事業單位委托合作資金總額松弛變量的影響無顯著的地區差異。3）從資源稟賦因素來看，模型T5 中的交互項“R＆D 人員中博士的比重×地區”與學術論文數松弛變量的回歸系數顯著為負，即相較于中西部及東北地區，R＆D 人員中博士的比重越大，東部地區學術論文的冗余越少；交互項“R＆D 人員中博士的比重×地區”與授權專利總數松弛變量的回歸系數顯著為正，即相較于中西部及東北地區，R＆D 人員中博士的比重越大，東部地區授權專利總數的冗余越多；交互項“R＆D 人員中博士的比重×地區”與企事業單位委托合作資金總額松弛變量的回歸系數不顯著，即R＆D 人員中博士的比重對企事業單位委托合作資金總額的松弛變量的影響無顯著的地區差異。模型T6中的交互項“每10 萬人口中高校在校生數量×地區”與學術論文數松弛變量、授權專利總數松弛變量以及企事業單位委托合作資金總額松弛變量的回歸系數均不顯著，即每10 萬人口中高校在校生數量對學術論文數量、授權專利總數與企事業單位委托合作資金總額的松弛變量的影響無顯著的地區差異。模型T7 中的交互項“市場化水平×地區”與學術論文數松弛變量、授權專利總數松弛變量的回歸系數均不顯著，即市場化水平對學術論文數、授權專利總數的松弛變量的影響無顯著的地區差異；交互項“市場化水平×地區”與企事業單位委托合作資金總額松弛變量的回歸系數顯著為正，即相較于中西部及東北地區，市場化水平越高，東部地區的企事業單位委托合作資金總額的冗余越多。

4.2.3 第三階段：調整后EBM-Windows 結果

將窗口寬度設為3，采取非導向EBM-Windows模型再次計算第二階段調整后的投入產出，計算2009—2018 年樣本高校調整后的知識轉化效率，匯總計算得到東部、中部、西部地區高校調整后的知識轉化效率，其變化趨勢見圖5 所示。

圖5 調整后分區域樣本高校知識轉化效率

由圖5 對照第一階段的計算結果，可以發現：（1）剔除環境因素影響之后，2009—2018 年樣本高校知識轉化效率均值上升為0.543，整體呈現先上升后下降的趨勢，2014年的效率最大，為0.654。分地區來看，高校知識轉化效率呈現“東＞中＞西＞東北”的區域特征。

（2）剔除環境因素影響之后，2009—2018 年東部地區高校知識轉化效率均值上升為0.700，其中，上海、山東與廣東的高校知識轉化效率均值增幅居東部地區的前三位。從動態變化來看，2009—2011年東部地區調整后的效率值低于調整前的效率值，而2012 年之后則高于調整前的效率值，表明2012年之后東部地區高校在知識轉化方面的管理水平有所提升。

（3）剔除環境因素影響之后，2009—2018 年中部地區高校知識轉化效率值均有大幅度的上升，表明中部地區的經濟發展水平、政府重視創新的程度以及資源稟賦水平等環境因素限制了高校的知識轉化效率。特別地，湖北、江西與河南的高校知識轉化效率均值增幅居中部地區的前三位。

（4）剔除環境因素影響之后，除2009 與2018年之外，其他年度西部地區高校知識轉化效率值均顯著提高，但效率值較低在0.40～0.55 之間波動，表明西部地區高校知識轉化效率低下不僅受制于環境因素，更受累于內部管理的無效率。

（5）剔除環境因素影響之后，除2012 年之外，其他年度東北地區高校知識轉化效率均顯著提高，效率值保持在0.20～0.55 之間，與西部地區相似，環境較差、管理水平低下限制了東北地區高校的知識轉化效率。

4.3 高校知識創新與轉化效率二維矩陣分析

綜合本研究的實證結果，將兩個階段的效率均值與年均增長率作為劃分標準，分別繪制高校知識創新效率與轉化效率的靜態與動態二維矩陣圖。

4.3.1 高校知識創新與轉化的靜態二維矩陣

高校知識創新與轉化效率組合可以分為四個不同的區域類型，如圖6 所示。第一類區域即圖6 的左下部分——粗放式低知識創新與轉化效率，這一區域包含了天津、海南、遼寧、江西、貴州、山西、內蒙古、甘肅、寧夏與新疆等10 個省份。這一區域高校的知識創新與轉化效率均較低，低于全樣本平均水平，在知識創新階段投入了大量的研發人員與研發資金但產出不足，同時在進行知識創新成果轉化方面也存在過度投入現象，未來這一區域高校應注重研發投入與成果轉化投入的質量，加強知識創新與成果轉化的過程管理。

第二類區域即圖6 的左上部分——低知識創新效率高知識轉化效率，僅重慶與福建落在這一區域。該區域高校的知識轉化效率相對較高，但知識創新階段的效率水平則較低，可能原因為這類地區的高校比較注重與企事業單位合作，以需求為導向開展研發活動，所以其知識轉化效率較高。未來這類地區高校應提升知識創新階段的成果產出，為知識轉化提供基礎支撐。

第三類區域即圖6 的右上部分——集約式高知識創新與轉化效率，該區域高校的知識創新與轉化效率水平均較高。有14 個省份高校落在這一區域，其中東部地區7 個、中部地區4 個、西部地區3 個。一方面，這些省份的高校數量多且發展水平較高，能夠吸引大量的研發人才集聚，為知識創新提供了人才條件；另一方面，大規模企業集聚為這些省份高校的創新成果轉化提供了條件。

第四類區域即圖6 的右下部分——高知識創新效率低知識轉化效率，該區域高校知識創新階段的效率水平較高，但將知識創新成果轉化為現實生產力方面的效率較低，如黑龍江、吉林與云南。可能受制于當地企業創新需求不足或知識創新成果與企業需求脫節，造成了知識創新成果沒有有效地轉化。因此，未來這些省份的高校不僅要關注知識創新成果的產出，更要關注知識創新成果的市場適用性。

圖6 樣本高校知識創新與知識轉化效率的靜態矩陣

4.3.2 高校知識創新與轉化的動態二維矩陣

以樣本高校10 年的知識創新與轉化效率的年均增長率為劃分標準，可得到高校知識創新與轉化效率的動態變化的二維矩陣圖，如圖7 所示。

第一類區域即圖7 的左下部分——知識創新與轉化效率負增長，這一區域包含了云南、湖北、湖南與山東等省份。這一區域高校的知識創新與轉化效率的年均增長率均為負值，低于全樣本平均水平，表明10 年間該區域高校對知識創新與轉化重視不足，知識創新與轉化效率有所下降。

第二類區域即圖7 的左上部分——知識創新效率負增長、知識轉化效率正增長，這一區域包括北京、江蘇、海南、河南、黑龍江與廣西等省份。具體來看，北京與上海的高校知識創新效率已經接近生產前沿面，資源投入規模較大，創新產出水平較高，其在知識創新階段的效率提升空間非常有限，提升知識轉化效率便成為重要的發展方向。而海南、河南、黑龍江與廣西等地高校知識創新能力相對較低，便加強知識轉化管理活動，提高知識轉化效率。

第三類區域即圖7 的右上部分——知識創新與轉化效率正增長，落在該區域的省份較多，包括3個西部自治區、6 個東部省份、2 個中部省份與2 個東北的省份。10 年間這些省份的高校實現了知識創新效率與轉化效率的同步提升，表明這些地區的高校不僅關注了知識創新階段的管理工作，同時也在推進知識創新成果的轉化活動。最為典型的為甘肅、寧夏與新疆，其知識創新效率年均增長率超過了20%，可能受益于西部高等教育振興計劃等國家政策紅利。

第四類區域即圖7 右下部分——知識創新效率正增長、知識轉化效率負增長，該區域包括重慶、四川、內蒙古、陜西、貴州與安徽。10 年間，這些地區的高校知識創新效率有所提升，知識轉化效率卻有所下降。特別地，四川省高校知識創新效率年均增幅超過15%，陜西、貴州與安徽高校知識轉化效率的年均降幅超過7%。表明這些地區高校大幅改善了知識創新階段的管理活動，而對知識轉化階段的管理活動重視不足。

圖7 樣本高校知識創新與知識轉化效率的動態矩陣

4.4 高校創新效率提升路徑分析

結合高校知識創新與知識轉化效率的動態矩陣分析，處于靜態矩陣的四類地區高校可以采取有針對性的創新效率提升路徑。具體有：

（1）平衡式提升路徑，即處于第二類區域（低知識創新效率高知識轉化效率）與第四類區域（高知識創新效率低知識轉化效率）的地區高校，在結合其創新效率動態增長趨勢的基礎上，通過加強知識創新或轉化方面的管理，提升知識創新效率或知識轉化效率，平衡兩階段創新效率，實現整體創新效率的提高。如重慶、福建的高校可在保持知識創新效率正增長的同時，加強知識轉化方面的積累與管理；吉林、黑龍江與云南的高校在保持知識轉化效率正增長的同時，提高知識創新方面的管理效率。

（2）跨越式提升路徑，即處于第一類區域（低知識創新與轉化效率）并且知識創新與轉化效率年均增長率為正的地區高校，可在知識創新與轉化方面同時發力，提升知識創新與轉化效率，實現創新效率的跨越式提升，如天津、山西、遼寧、江西、寧夏、新疆、甘肅等。

（3）漸進式提升路徑，即處于第一類區域（低知識創新與轉化效率）但僅有知識創新效率或知識轉化效率年均增長率為正的地區高校，可以先充分挖掘其創新優勢階段效率的潛力，再著力彌補其劣勢階段的效率，經過第二類或第四類區域的過渡，最終到達第三類區域，實現知識創新與轉化效率的提升。如內蒙古、貴州等地的高校可在發揮其知識創新效率相對優勢的基礎上重點提升知識轉化方面的效率；海南的高校在發揮知識轉化優勢的基礎上重點加強知識創新力度。

（4）穩步式提升路徑，即處于第三類區域（高知識創新與轉化效率）但未實現知識創新與轉化效率有效的地區高校，已具備良好的知識創新與轉化基礎，可進一步做好知識創新管理活動，積極尋找實業界的合作對象，開展產學研協同創新活動，使知識創新與轉化效率達到生產前沿，如上海、廣東、浙江、山東、河北、安徽、河南、湖南、湖北、陜西、四川與廣西等。

5 研究結論和啟示

5.1 研究結論

本文以我國29 個省份的高校為研究對象，以2007—2018 年的面板數據為實證分析依據，運用超效率EBM-Windows 三階段DEA 方法，考察了不同地區高校知識創新與轉化效率及其環境影響因素，研究了各地區高校創新效率的提升路徑。得到如下結論：

（1）我國高校知識創新與轉化效率未實現DEA有效。剔除環境因素的影響之后，樣本高校的知識創新效率均值為0.675，知識轉化效率均值為0.543，高校原始知識成果到成果轉化存在一定的脫節現象。可能的原因有：一是供給和需求錯配。大多數高校的創新成果表現為學術論文與課題，缺乏市場需求；另外一些高校重科研輕開發，導致多數科研成果只留在實驗環節［44］。二是聚焦的需求不夠，問題凝練不夠精準化。由于高校的定位及發展規律，對于企業的訴求和期望理解不足，無法準確凝練成科學問題進行研究［45］。三是參與產學研協同創新的企業較少。大企業自身資金雄厚，更傾向于企業內部自主研發；而中小企業由于缺乏激勵機制以及政策制度的傾斜，加之自身的動力和能力不足，使其很難參與到產學研協同創新之中［46］。

（2）高校知識創新與轉化階段的效率存在較大的地區差異，刪除環境因素的影響之后，高校知識創新效率呈現“中部＞東北＞東部＞西部”的地區分布格局，而知識轉化效率則呈現“東部＞中部＞西部＞東北”的地區分布格局。表明東部地區高校更加重視知識創新成果的市場化應用，更傾向于發揮其服務區域經濟的作用。

（3）環境因素對高校知識創新效率與知識轉化效率的影響存在顯著的地區差異。相較于中西部及東北地區，第三產業越發達、政府支持力度越大、R＆D 人員博士化率越高，東部地區高校知識創新階段的R＆D 人員投入的冗余越多，從而降低知識創新效率；地區高等教育水平越高，東部地區高校知識創新階段的R＆D 經費投入的冗余越少，有助于提高知識創新效率；地區經濟發展水平與R＆D 人員博士化率越高，第三產業越發達，東部地區高校知識轉化階段的學術論文投入的冗余越少，有助于提高知識轉化效率；政府支持力度越大，東部地區高校知識轉化階段的學術論文與授權專利投入的冗余越多，同時R＆D 人員博士化率越高，授權專利投入的冗余越多，從而降低知識轉化效率；市場化水平越高，東部地區高校知識轉化階段的企事業單位委托合作資金投入的冗余越多，會降低知識轉化效率。

（4）利用靜態與動態二維矩陣分析方式，將高校創新效率劃分為四種類型，進而分析了各地區高校創新效率的提升路徑，具體包括：平衡式、跨越式、漸進式與穩步式等四種。

5.2 啟示

基于本文的結論，可獲得如下啟示：

首先，高校應加強知識創新與轉化階段的過程管理。一方面，優化R＆D 人員與經費的投入量，提高知識創新效率；另一方面，瞄準市場需求凝練知識創新的方向，使學術成果聚焦解決現實問題，減少創新成果與成果轉化之間的脫節現象，提升知識轉化效率。

其次，中西部及東北地區高校要向東部地區高校學習，積極開展知識轉化活動。一方面，充分利用各類成果轉化服務平臺、中介機構，宣傳推廣高校的知識創新成果，獲取企事業單位的研發需求；另一方面，對接企業需求，加入產學研用創新聯盟，共同解決創新鏈中關鍵核心技術問題，促進新技術產業化規模化應用。

再次，強化地區高校間的創新合作。由結論3可知東部地區高校存在科研資源過度集中的現象，可通過科技講座、難題攻關、項目合作、技術咨詢等方式與中西部及東北地區高校開展創新合作，增加科研外部性與技術外溢程度，提高科研資源的利用效率。

最后，根據高校創新效率二維矩陣圖，不同地區的高校應針對其在不同創新階段所具有的優勢和劣勢，分別選擇適宜的創新效率提升路徑，如平衡式提升路徑，即在保持優勢階段效率的同時，著力彌補其不足；跨越式提升路徑，即同時在知識創新與轉化方面發力，實現創新效率整體提升；漸進式提升路徑，即在充分挖掘優勢階段效率的基礎上，再彌補其劣勢；穩步式提升路徑，即充分利用現有科研資源，做好過程管理，使高校創新效率實現DEA 有效。