双循环视角下安徽省科技创新效率的测算与分析
时间：2023-02-17 12:10:08 来源：千叶帆 本文已影响人
马 兰，陈凌敏，陈巧红，程 曦
1.宿州学院数学与统计学院，安徽宿州，234000；
2.宿州学院皖北地区经济高质量发展研究中心，安徽宿州，234000
2020年党中央提出“加快构建以国内大循环为主体、国内国际双循环相互促进的新发展格局”的战略部署，同时指出经济发展转向更多依靠创新驱动，推动经济高质量发展。安徽省“居中靠东”“沿江近海”，是长三角一体化发展的重要力量。面对新发展格局，安徽省需要紧紧抓住历史机遇，以科技创新引领经济快速发展。
2021年前三个季度，全省创新发展总指数为119.4，增速同比增加10.8%。2021年安徽省财政科技支出415.5亿元，稳居全国区域创新能力第一方阵。2020年，全省R&D经费支出883.18亿元，R&D人员折合全时当量为19.47万人年，专利申请授权量是11.97万项，其中发明专利2.14万项。各项科技创新指标增长速度可观，成绩斐然。但是，安徽省16个地市的创新能力有明显差异，2020年合肥市、芜湖市的R&D人员分别是9.67万人、3.84万人，黄山市、池州市只有0.46万人、0.40万人。正确认识安徽省科技创新发展水平，明确16个地市创新能力的差异，对安徽省扎实打造科技创新策源地，促进全省经济均衡发展具有重要意义。双循环经济发展与科技创新紧密相关，在双循环视角下测算并分析安徽省科技创新效率，有助于安徽省顺利融入长三角一体化发展格局。
科技创新效率是基于投入产出的角度，分析创新要素投入转化为创新成果的程度。国外创新效率的研究最早由Griliches[1]提出，用于分析高校科学研究和知识溢出对经济发展的影响。目前较多地应用于对区域和行业创新效率的测度，Hashimoto等[2]采用DEA-Malmquist指数法测算日本1982—2001年制药业的创新效率，发现日本制造业的创新效率逐步下滑；
Thomas等[3]和Petruzzelli等[4]分别测算美国50个州和298家生物技术公司的创新效率。近年来，国内学者对区域创新效率的研究日益增多。邰鹿峰等[5]基于DEA方法测算并评价了安徽省整体知识创新和技术创新效率；
刘俊[6]、韩兆洲[7]测算了全国各省(区市)的创新效率，比较东中西部创新效率差异并分析影响因素；
刘湘云[8]、刘小双等[9]分别测算了粤港澳大湾区11个城市、珠三角地区、长江经济带城市的科技创新效率。也有学者测算行业创新效率，晁坤[10]、赵玉林等[11]对我国战略性新兴产业、装备制造业和高新技术产业的创新效率进行测算和分析。
结合已有研究，目前对安徽省创新效率的具体分析较少，对安徽省16个地市创新效率的进一步剖析与比较的研究更是罕见。本文在国内国际双循环的时代背景下，对安徽省2011—2020年的科技创新效率进行描述性统计和实证分析，观察其随时间的变化情况；
在此基础上，进一步探究安徽省16个地市创新效率的差别，对寻找安徽省创新发展的短板提供依据。
2.1 DEA模型原理
DEA(数据包络分析)模型由Charnes等[12]提出。通常是对一组给定的决策单元(DMU)，选定一组输入、输出的评价指标，求特定决策单元的有效性系数，以此来评价决策单元的优劣。DEA可以得出每个DMU综合效率的数量指标，据此将各决策单元定级排队，确定有效决策单元。
DEA模型优点显著：一是不用假定函数的形式；
二是适用于多投入与多产出的案例，区别于传统计量模型中单一产出情况；
三是无需任何权重假设，输入输出的权重由决策单元的实际数值求得。随着应用的加深，DEA方法得到不断完善并应用于科技生产的各个领域，特别是在对非单纯盈利的公共服务部门。DEA方法对于评价部门的相对有效性具有显著优势，是其他方法所不能替代的。
2.2 DEA-BCC模型介绍
CCR模型是最早被提出来的数据包络分析方法，前提是规模报酬不变。然而，现实中存在的不完全竞争会导致某些决策单元不能以最佳规模运行。据此，Banker等[13]对以往仅考虑固定模型效益的DEA分析进行了扩展，提出DEA-BCC模型。DEA-BCC模型的表达式为：
(1)
其中，θ为被测度单元即决策单元DMUj的相对效率值；
Xj为决策单元DMUj的投入向量；
Yj为决策元DMUj的产出向量；
n为决策单元个数；
λj为决策单元DMUj的组合比例；
S-、S+为松弛变量。评价第j个决策单元的相对有效性的依据如下：
当θ=1，且S-=0，S+=0时，决策单元DMUj为DEA有效；
当θ=1，且S-≠0，S+≠0时，决策单元DMUj为弱DEA有效；
当θ<0，称此决策单元DMUj为DEA无效。
2.3 DEA-Malmquist指数法
近年来，DEA-Malmquist指数法广泛运用于测量决策单元的全要素生产率随时间的变化趋势。基本公式为：
VRS=Effch×Techch
=Pech×Sech×Techch=Tfpch
(2)
其中，Tfpch为全要素生产率指数；
Effch为综合技术效率；
Techch为技术进步效率；
Pech为纯技术效率；
Sech为规模效率。如果Malmquist指数大于1，表明决策单元的全要素生产率提高；
如果Malmquist指数(VRS)小于1，表明决策单元全要素生产率降低；
如果Malmquist指数等于1，表明其生产效率不变。
3.1 指标选取与数据来源
科技创新效率是指创新资源的投入与产出比，借助已有研究和数据的可得性[14-15]，需要分别从投入和产出两个角度考察。科技创新投入指标一般从人力、物力、财力三方面着手：人力投入采用R&D人员折合全时当量；
物力投入采用高等学校数量和R&D机构数量；
财力投入可用R&D经费支出和政府部门科技活动资金表示。科技产出指标需要考察创新的成果和效益，因此，选取发表科技论文、专利申请受理数和授权数、新产品销售收入作为产出指标。结合已有研究，构建安徽省科技创新投入和产出指标体系，见表1。
表1 安徽省科技创新效率投入和产出指标
本文所需数据来自2011—2020年《安徽省统计年鉴》《中国科技统计年鉴》和EPS(Easy Professional Superior)数据平台。
3.2 指标的描述性分析
由于指标的单位不尽相同，选取指标X4(R&D经费支出)、X5(政府科技资金)、X6(发表科技论文数)、X8(专利授权量)、X9(新产品销售收入)，分析其2011—2020年的发展变化情况。
由图1可知，2011—2020年安徽省R&D经费支出持续上升，从2011年的214.64亿元上升到2020年的883.18亿元，平均增长速度是17.02%。政府部门科技经费支出同样持续走高，从2011年46.89亿元上升到2020年的134.83亿元。
图1 安徽省2011—2020年R&D经费支出和政府科技资金变化情况
图2是安徽省2011—2020年间发表的科技论文数和三种专利授权数。发表科技论文数在波动中上升，从2011年的4.32万篇上升到2020年4.64万篇，平均增长速度为0.79%，增速相对缓慢。三种专利申请授权数从2011年的3.27万项上升到2020年11.97万项，平均增长速度为15.52%，2020年的增长势头更是迅猛。
图2 安徽省2011—2020年发表科技论文数和专利授权数
4.1 DEA模型静态分析
将安徽省16个地市的科技投入指标和产出指标代入DEA-BCC模型，借助DEAP 2.1软件，可得各地市的科技创新效率。结果见表2。
科技创新的综合效率可集中反映决策单元投入产出组合的总体优劣程度。如果综合效率=1，则被测度城市的创新效率DEA有效；
如果综合效率<1，则DEA无效。由表2可知：(1)2011—2020年安徽省有81.25%的地市在科技创新上达到投入产出规模和效率的最优配置。16个地市中，科技创新效率达到DEA有效的城市有13个；
DEA无效的城市有3个(淮北市、亳州市、铜陵市)。(2)安徽省需要继续加大科技创新的投入水平。2011—2020年安徽省科技创新的纯技术效率等于1，但是综合技术效率、规模效率的均值都小于1。
表2 安徽省16个地市DEA模型静态分析表
4.2 DEA-Malmquist指数动态分析
利用DEAP 2.1软件对安徽省科技创新的投入与产出数据进行Malmquist动态分析，计算结果如表3所示。
表3 安徽省科技创新效率的DEA-Malmquist指数
由表3可知，第一，安徽省科技创新全要素生产率呈现先增加后减少，再上升的波动趋势。2012—2013年、2016—2017年、2017—2018年的全要素生产率指数(Tfpch)大于1，其余年份均小于1。这表明只有这三个年份的Tfpch呈现增长态势，其余年份均减少。2011—2020年Tfpch的均值是0.958。
第二，安徽省科技创新全要素生产率的主要驱动因素是综合技术效率和规模效率。将全要素生产率(Tfpch)分解为综合技术效率(Effch)、技术进步效率(Techch)、纯技术效率(Pech)和规模效率(Sech)。其中，Effch、Sech的变化趋势和全要素生产率(Tfpch)相近，二者的均值分别达到1.005 9和1.004 8，均大于1，发展形势较好。
第三，制约安徽省科技创新全要素生产率提升的重要因素是技术进步效率(Techch)。在考察的9个时间段，技术进步效率小于1的年份占66.67%，均值只有0.961 3。这表明，技术进步效率是科技创新效率提升的短板，在后续的创新发展中注意革新创新制度、改变创新方法，推动生产技术的改革。
接下来，进一步分析安徽省各地市2011—2020年科技创新全要素生产率指标的平均变化情况，具体计算结果见表4。
表4 安徽省16个地市全要素生产率DEA-Malmquist指数动态分析
表4是安徽省16个地市全要素生产率DEA-Malmquist指数动态分析表，可知：
第一，2011—2020年安徽省科技创新的全要素生产率(Tfpch)均值小于1的地市占比是81.25%，大于1的城市只有合肥、蚌埠和芜湖。亳州市和黄山市综合技术效率(Effch)和规模效率(Sech)数值小于1，其余城市的两数值均大于或者等于1。因此，除亳州市和黄山市之外，其余城市的科技创新处于规模报酬递增阶段。
第二，安徽省16个地市科技创新的纯技术效率(Pech)一直处于较高的水平，约束各地市全要素生产率的因素是技术进步效率(Techch)。
第三，16个地市的科技创新效率差异较大，各市科技创新全要素生产率的变异系数达到17.96。
4.3 因子分析
采用因子分析方法，利用2020年安徽省科技创新产出的4个指标(发表科技论文X6、三种专利申请受理量X7、三种专利申请授权量X8、新产品销售收入X9)，对16个地市的科技创新产出进行排名。
首先，对4个创新产出指标进行相关性检验，得到相关系数矩阵表如表5所示，4个创新产出指标之间的相关性均大于0.8，适合进行因子分析。
表5 2020年16个地市安徽省科技创新产出相关系数矩阵表
然后，对各指标进行Z-Scores标准化以及KMO检验和Bartlett球形检验。结果显示，KMO值为0.741 0，Bartlett球形检验统计量的伴随概率小于0.01，检验结果较好。接着提取公因子，得到共同度结果。4个创新产出指标的共同度均在0.85以上，说明提取效果较好，公因子可较好反映各变量的原始信息。最后，得到2020年安徽省16个地市科技创新产出的因子得分及排序情况，如表6所示。
表6 2020年安徽省各地市科技创新因子得分及排序
由表6可知，科技创新产出排在前五位的是城市合肥、芜湖、蚌埠、马鞍山和滁州，排在后五位的是宣城、亳州、宿州、池州和黄山。合肥发挥省会城市优势，创新产出名列前茅，作为长三角群的副中心城市，更加有效地融入国内国际双循环，是合肥市在“十四五”期间的新使命；
芜湖、蚌埠、马鞍山和滁州在南京圈的辐射作用下，创新效率大幅提高；
处于皖北地区的亳州和宿州，科技创新起步晚，今后科技创新工作任重道远；
宣城、池州和黄山市地处皖南山区，城市规模小，人口较少，科技创新的产出成果排名靠后。
本文利用DEA静态分析法测度安徽省16个地市的科技创新效率，利用DEA-Malmquist指数动态分析方法分解安徽省2011—2020年的综合技术效率、技术进步效率、纯技术效率和规模效率。结果发现，安徽省科技创新投入和产出指标不断攀升，81.25%的地市达到科技创新规模和效率的最优配置；
综合技术效率和规模效率有助于提升全省全要素生产率，而技术进步效率是制约进步的重要因素；
各地市科技创新发展水平差异明显，皖中、皖南地区处于领先行列。基于此，首先，需要提高各地市科技创新的技术效率水平，注重发展高新技术产业；
其次，重视提升皖北城市科技创新能力，借助城市点对点帮扶政策，切实加大科技创新投入力度和成果转化；
最后，推动在皖高校和科研院所的创新能力，加强基础研究人才培养，以科技创新为导向，帮助安徽省积极融入国内国际双循环潮流。
