中國高技術產業科技創新效率評價研究
——基于三階段超效率DEA 模型

沈俊鑫，張超穎，李 晶

（1.昆明理工大學管理與經濟學院，云南 昆明 650500；2.寧波工程學院經濟與管理學院，浙江 寧波 315000）

一、引言

當今之世， 科技是一個國家發展的領航標，若失去科技創新力，最終只會淪為世界加工廠。 2021年為“十四五”開局之年，“關鍵核心技術實現重大突破，進入創新型國家前列”被設定為2035 年基本實現社會主義現代化的遠景目標之一。 放眼全國，中國區域創新創業指數榜單顯示，安徽省和河南省“擠進”全國前10；長三角、珠三角等東部沿海地區指數在87 分以上，是中國創新創業高地。 北方地區中，僅山東省和北京市位列全國前10 位，有3/4 的省份指數得分不足60 分。 由于中國地域遼闊，各方面資源配置無法保證完全均衡，各省對先進的科學技術與創新人才投入不盡相同，區域創新分化才如此嚴重。

放眼全球，2021 年全球創新指數排名顯示，中國連續6 年保持穩步上升態勢，列全球第12 位，在東南亞大洋洲地區處于中偏上水平。 在創新投入和科技集群上，中國僅次于美國排在世界第2 位。 但需要明確的是，中國創新能力依然不及持續在全球創新格局中遙遙領先的北美洲和歐洲，以創新為導向的政策對經濟增長和發展的影響還遠遠不夠。 鑒于此，本文從省際角度分析中國高技術產業創新水平，根據實證結果分析阻礙創新的因素，為探討全國高技術企業實施創新驅動發展戰略、提升科技創新效率的機制路徑提供新思路。

二、文獻綜述

國內外專家學者對高技術產業創新效率的研究在理論和實踐層面取得了豐碩的成果，對本文有非常多的借鑒意義。 國內外專家學者主要從研究對象、內容、方法等幾個方面進行探究。

在研究對象方面， 學者們一般傾向立足于省域、城市群、地級市等，從區域層面進行研究。 如張月明等從省際角度出發，對全國各省市生產效率進行測算。 發現中國高技術產業創新效率的總體水平較高，創新效率存在較大的區域差異。 李健等選擇京津冀地區， 發現京津冀三地存在資源分配不合理、協同機制不完善等不足情況。 戚湧等測算了長江經濟帶各地區， 發現整體創新效率水平較高，各省（市）之間的差距較大。邵青等則聚焦于浙江省11個地市，發現不同規模和不同區域層面的高技術產業都存在知識創新階段的綜合效率高于科技成果轉化階段的綜合效率現象。

在研究方法方面， 常見的包括聚類分析法、層次分析法、灰色系統分析法、數據包絡分析法等。 其中，數據包絡方法在效率估計、變量賦權和量綱處理上具有明顯優勢，因此國內外學者普遍采用數據包絡方法。 既有單一運用的數據包絡模型，如李健等采用傳統DEA 模型對2010—2017 年京津冀地區高新技術產業創新效率進行測算，發現京津冀三地存在資源分配不合理、協同機制不完善等不足情況。 也有與其他方法相結合運用的擴展模型，如張月明等采用超效率DEA 模型對各省市生產效率進行測算，進而構建DEA-Malmquist 模型對各省市綜合生產率指數進行計算和分解。 劉鳳朝等建立兩階段網絡DEA 模型對東北三省高技術制造產業創新效率評價研究發現，東北三省的兩階段效率變化呈離散化態勢。

在研究內容方面，現有的一些研究運用實證分析測算高技術產業科技創新效率、 勞動人員素質、政策支持、市場化水平、創新要素質量、國際直接投資（Foreign direct Investment, FDI）等，這些因素被認為對創新效率有著顯著影響。

總體看來，在高技術產業創新效率的測度方面有較為豐富的研究。 但進行效率評價時，以往大多數文獻采用的評價方法大多基于傳統DEA 模型，在實證分析后分析得到了影響創新效率的因素。 但是，卻不能規避統計噪聲與管理無效率等環境效應對于所選取的投入量或產出量的影響，特別是對結果的可靠性帶來何種程度的影響估計不足，高技術產業創新活動中所存在的問題也無法真正被發現。由于傳統模型無法對效率值為1 的決策單元進一步排名，高技術產業創新排名精確度不足。 而三階段DEA 模型能夠在一定程度上消除環境對投入產出變量的影響， 超效率DEA 模型能夠對決策單元進行精確排名。 因此，本文運用三階段DEA 與超效率DEA 模型相結合的三階段超效率DEA 模型，對2019 年全國30 個省份的高技術產業科技創新效率進行測算與分析，針對實證結果提出相應建議以提高國家高技術產業創新效率。

三、研究設計

（一）評價方法

數據包絡分析（DEA）是由Charnes 等于1978 年提出的一種針對多投入、 多產出指標進行的決策單元（DMU）間相對效率評價的非參數方法。 因在多投入、 多產出指標的效率估計以及變量賦權和量綱處理上具有明顯優勢， 國內外學者普遍采用數據包絡方法進行效率評價。 但傳統DEA 模型只能測算出的效率值是否為1， 并以此為據將眾多研究單元分為DEA 有效（效率值為1）和DEA 無效（效率值＜1）兩類。 對于有效決策單元出現多個的普遍情況， 傳統DEA 模型無法進一步比較這些決策單元之間的效率。 為了解決這一問題，Andersen 等于1988 年提出了超效率DEA 模型，使得有效決策單元的效率值可以大于1，從而能夠進一步將有效與非有效決策單元進行區分。

（二）模型構建

傳統DEA 模型的兩大缺陷會影響到測算結果的準確性和決策單元排名的可靠性。 為了規避模型本身對研究的不良影響， 本文構建三階段超效率DEA 模型，以期得到不受外部干擾的效率值和具體的決策單元排名。 鑒于高技術產業科技創新發展效率涉及多投入和多產出并且受環境因素的影響，本文假定規模報酬可變來構建模型。

1.超效率DEA 模型。三階段超效率模型在構建上的特點是第一階段與第三階段均使用同一數據包絡DEA 模型。與傳統的DEA 模型有所區別的是，超效率DEA 模型評價某個決策單元時， 可以考慮產出與投入的比值大于1 的情況。 基于投入導向的超效率DEA 模型如式（1）所示：

其中，x 為投入指標，y 為產出指標，n 為獨立決策單元個數。 上述模型可以使用DEA solver Pro5.0軟件進行計算。

2.SFA 回歸分析。 為了剔除掉影響評價結果的外部其他因素，第二階段的任務是構建隨機前沿分析模型（SFA 模型）如式（2）所示：

上述模型可以使用frontier4.1 求出以上參數值的估計值。 本文選擇投入導向，對各省各項投入變量的松弛值進行分析， 依據SFA 結果運用Jondrow等于1982 年提出的思路編寫Python 代碼分離管理無效率項后對投入變量進行調整。

（三）指標選取和數據來源

高技術產業通常包含多個投入和產出要素，創新活動的投入一般反映區域對人才的吸引力、區域科技財力；而創新活動的產出往往體現了地區創新能力水平、科技進步帶來的經濟效益、市場創新的接受程度。 高技術產業創新活動還會受到宏觀經濟政策、政府支持力度、地方科技基礎、對外開放水平等諸多外界因素的限制或鼓勵，因此所選取的環境變量需體現以上因素對創新效率的顯著影響。 考慮到指標體系構建的科學性、 系統性及可行性原則，參考現有研究的指標選擇，本文共選取2 個投入指標，3 個產出指標和4 個環境變量，具體指標如表1所示。 本文所選樣本為中國內陸30 個省（直轄市）2019 年高技術產業，其中西藏地區有數據缺失的情況，使用線性插值法補全后計算效果不理想，因此將其數據剔除。

表1 指標選取

四、實證分析

三階段超效率DEA 模型實證分析分以下三個階段進行。

（一）第一階段超效率DEA 模型分析

利用DEA solver pro5.0 軟件，將處理后的數據代入Super-Radial（Super-BCC-I）模型，得到的高技術產業創新效率的測算結果如表2 所示，30 個省份的高技術產業綜合效率排名如表3 所示。

表2 2019 年中國省際高技術產業超效率DEA 結果

表3 2019 年中國省際高技術產業綜合效率排名

從表2 可以看出， 相關要素沒有達到DEA 有效（效率值≥1），說明總體高技術產業創新態勢有待提高。 其中，北京、廣西、吉林、寧夏4 個省份創新效率呈現DEA 有效，處于技術效率前沿。 在非DEA有效（效率值＜1）的決策單元中，浙江、河南、廣東、海南、重慶、四川、甘肅、青海、新疆9 個省份未達到有效是由規模效率低而導致的。 而2/3 的省份因純技術效率低而無法達到DEA 有效， 面臨不同的管理與技術提升空間。 顯然，中國大部分省份投入冗余突出。

（二）第二階段SFA 模型分析

考察環境變量對于兩個投入松弛變量的影響，借助Frontier4.1 進行SFA 回歸分析，分析結果如表4 所示。

表4 SFA 結果

由表4 可知，大部分參數的t 值都在1%的顯著性水平上通過正態檢驗。 γ 值均接近1，表明存在環境因素對創新效率的干擾，且管理無效率項較隨機誤差項干擾更大，因而有必要通過公式對原始投入值進行調整。根據Battese 和Coelli 的研究，LR 值高于自由度為4 的廣義單邊似然比檢驗臨界值，說明SFA 模型的設定有效。

由于環境變量是對投入差額值進行的回歸，所以當相關系數（參數）為正時，表示增加環境變量有利于投入指標松弛值的增加，反之亦然。 也就是說，系數為正時，說明該環境變量的增加對效率的提高有副作用，會造成投入要素的浪費。 系數為負時，則情況相反， 有利于提高效率。 以四個環境變量對R&D 人員投入松弛變量的影響為例，它們的回歸系數均通過1%的顯著性檢驗。其中，如果系數在0—1之間，則會造成過度投入情況。 因此，根據Fried 等給出的調整方法對投入量進行調整，以剔除環境變量對效率測度值的影響。

（三）第三階段超效率DEA 模型分析

將調整后的投入數據和30 個省份的高技術產業的原產出數據代入Super-Radial （Super-BCC-I）模型，超效率DEA 測算效率值如表2 所示，各省份DEA 效率排名如表3 所示。

從表2 可以看出，在考慮環境變量和隨機誤差的影響下，整體效率依舊低下。 說明總體來看，中國高技術產業創新有繼續進步的空間。 由表3 可知，DEA 綜合效率排名有了很大變化。 吉林、 上海、海南、寧夏、甘肅、青海、新疆7 個省份排名有所下降，也證明環境對創新效率有所影響。 其中， 寧夏、海南、甘肅、青海排名差額較大。 結合表4 結果可知，地區人均生產總值（Z1）和有R&D 活動企業數（Z3）對X2 松弛變量的回歸系數為負， 可見宏觀經濟狀況和科技基礎牽制這些地區的R&D 經費投入，從而影響高技術產業創新發展。

對各階段決策單元的效率進行橫向分析能夠初步判斷中國高技術產業創新情況。 由于環境因素在這一判斷過程中產生大小未知的影響，因此縱向對調整前后的三種效率進行對比分析。 得出各省份高技術產業創新活動綜合效率值的增減情況如圖1所示，規模效率值的增減情況如圖2 所示，純技術效率值的增減情況圖3 所示。

圖1 高技術產業調整前后的綜合效率對比圖

圖3 高技術產業調整前后的純技術效率對比圖

由圖1 可知，調整前后綜合效率存在一定程度的虛高，DEA 有效省份由4 個增加至5 個。北京、河南、廣西、吉林、廣東5 個省份創新效率呈現DEA有效，位于中部地區的河南省躋身前列，寧夏因剔除環境因素導致規模效率大幅下降而脫離DEA 有效列隊。 由圖2 可知，非DEA 有效（效率值＜1）的決策單元中，內蒙古、海南、青海、寧夏、新疆5 個省份未達到有效是由規模效率低而導致的，并呈現出一定的區域性。 由圖3 可知，4/5 的省份因技術效率低而無法達到DEA 有效， 特別是陜西省技術效率受環境影響較大，可以依此為高技術產業企業提升運行效率提出針對性的建議。 同時，第三階段采用超效率DEA 模型， 測算之后的效率存在大于1 的情況，也認為其處于前沿面上。 為進一步探究中國高技術產業創新效率的區域差異，按照該劃分方式進行劃分，如表5 所示。

表5 創新能力劃分表

由表5 可知， 在剔除環境因素的影響之后，創新能力較弱的三個省份位于西部地區，說明西部地區高技術產業創新能力的確處于需要大大加強的狀況。 第三階段計算得出綜合效率均值為0.745，還未到較強水平。 可以看出，四大地區的大部分城市效率都為一般水平。

五、建議

高技術產業創新效率的思路是：要進行差別化創新，打造國內大循環“新引擎”。 黨的十九屆五中全會作出“加快構建以國內大循環為主體、國內國際雙循環相互促進的新發展格局” 的重大戰略部署，部署中強調“注重激發基層的改革創新活力，支持開展差別化創新”。 發展只有體現各自特色，才能避免同質競爭、資源閑置和過度開發，才能實現生產要素有序流動、合理配置和充分利用，形成良性的發展互動。 要通過區域發展優勢互補，激發區域經濟活躍程度，提高區域間開放力度，進一步提高區域整體創新能力。 要從“引進消化吸收”國外先進技術起步，向“集成創新”深化。 要以點帶面，健全梯次聯動的區域創新布局。 創新活動的空間分布在客觀上存在區域梯次差異，因此，要促進創新效率提升和科技成果轉化由東部向東北、中、西部協同發展轉變。