政府扶植、產業規模與區域科技創新
——以浙江省為例

馬述忠，許光建

(浙江大學經濟學院，浙江　杭州　310027)

?

政府扶植、產業規模與區域科技創新

——以浙江省為例

馬述忠，許光建

(浙江大學經濟學院，浙江杭州310027)

本文考察區域科技創新水平及其宏觀影響因素，實證檢驗政府扶植與高科技產業自身的發展對提升科技創新效率的作用機制。研究結果發現，在控制區域經濟發展水平、貿易開放水平、金融發展水平和產業結構等因素后，政府扶持對區域科技創新效率的影響存在顯著負效應，而行業自身發展則表現出顯著的正向促進作用。

政府扶植；產業規模；區域科技創新

西方發達國家的科學研發基本上以企業研發為主導，政府僅起著政策引導作用。然而，長期以來，中國的科技事業一直由政府主導，并取得了一些舉世矚目的科技成就，尤其在計劃經濟時期我國的部分學科短期內迅速趕上了世界先進水平。在市場經濟條件下，我國依然保持著政府扶植為主、企業投資為輔的格局。根據全國科技經費投入統計公報的數據，2013年全國共投入R&D經費11846.6億元，政府投資高達6184.9億元(占比52.21%)，但部分省份開始實行以企業發展為主導的科研模式。以浙江省為例，2013年浙江省共投入R&D經費817.3億元，總量在全國排第五位，其中企業的R&D投資占90%以上，政府所屬的R&D經費僅占8.5%。那么，政府主導對科技創新效率產生怎樣的影響？以政府為主導的科研模式和以企業為主導的科研模式，孰優孰劣？本文以浙江省為例，考察以企業為主導的科研模式下政府扶植與科技企業自身發展兩種因素對科技創新效率的影響，探索科技創新效率提升的最優途徑。已有的相關研究可大致分為科技創新效率測量、科技創新效率實證分析和宏觀因素剖析等三個層面。

1.科技創新效率測量方法方面的研究。在科技創新效率測量方面，基本上有兩類方法：一種是基于生產函數的參數估計方法，但由于內生性問題，最終得到的科技創新效率估計值往往有偏；另一種是采用DEA-Malmquist等非參數方法進行估計，主要是數據包絡分析(DEA)。此外，DEA結合Malmquist指數用來評測面板數據的動態技術效率，在目前也廣泛應用于生產效率分析和績效評估。但非參估計法存在明顯的問題——非常容易受到極端值的影響，對數據要求質量很高，估計結果直接用于進一步的回歸分析會產生諸多不確定性影響。而隨機前沿生產函數法(SFA)則可以結合二者的優點，適合做進一步分析。SFA本質屬于參數估計法，構建的是一種具有復合擾動項的隨機邊界模型，其主要思想是將隨機擾動項分為隨機誤差項和技術誤差項，前者是不可控因素，用來計算系統非效率；后者則是可控因素，用來計算技術非效率。為此，本文基于DEA-Malmquist的非參數方法對科技創新效率進行績效評價，宏觀影響因素的實證分析則采取更為穩定的SFA法。

2.科技創新效率實證分析方面的應用。關于這方面的研究最為豐富，研究的領域也比較分散。國外的研究大多集中于企業層面。Halim(2010)對印尼94個主要制造業按食品、塑料、汽車等行業的技術效率進行實證分析，主要采用Malmquist非參數估計法。Price和Jones(2006)通過對英國天然氣行業的效率研究，認為私有化政策的確可以顯著提高天然氣的生產率。國內關于科技資源利用效率的研究成果也十分豐富，但由于“投入-產出”指標選擇的偏差，導致得出的結論不盡相同。于潔和劉潤生等(2009)利用我國1979-2004年的經濟數據，按照改革開放的三個時期，通過計算Malmquist指數對我國東中西三大區域的科技資源效率進行考察，認為技術水平大幅提高是中國經濟發展的主要推動力，但技術水平出現衰退現象。王雪原和王宏起等(2011)采用DEA方法對全國31個省市2005年的數據進行效率測算，發現科技人員在浙江等省份存在嚴重冗余，浙江在高技術產業規模以上產值方面的表現最差。戚湧和張明等(2013)利用Malmquist指數法對江蘇蘇北、蘇中和蘇南等三個區域的創新資源整合進行評估，認為技術效率變動是導致三地效率差異的主要原因。

3.宏觀因素分析方面的研究。劉玲利(2008)結合Malmquist指數并利用面板數據對中國東部、中部和西部三大區域的科技資源配置效率進行分析，認為區域內企業的研發角色、科研機構改革、產學研結合、產業結構調整、高技術產業發展和西部區位因素等對科技資源配置效率的提高具有顯著的正向效應。孟衛東等(2013)利用DEA-Tobit回歸對我國30個省市自治區的科技資源配置效率進行研究，認為區域開放程度、高科技產業的發展和企業對科技創新的支持力度均對我國科技資源的配置具有積極的正向效應，但產學研結合水平、政府對科技創新的支持則對科技創新效率促進并沒有顯著的促進作用。朱慧等(2013)運用DEA-Tobit分析法對安徽省科技資源配置效率及其影響因素進行評價分析，認為安徽省科技資源配置效率近年來總體提升，但各市配置效率差距明顯，高端人才對安徽省科技資源配置效率影響較大。

綜合上述文獻，本文認為由于指標體系選取存在的某些缺陷(如不考慮“滯后效應”)而可能影響研究結論的科學性。多數研究估計的方法比較簡單，且很少考慮或不考慮內生性對模型估計的影響，因此得出的結論是值得懷疑的。此外，宏觀因素的分析集中于宏觀影響因素的“搜尋”研究，針對科研主體的實證研究則很少。在參考相關研究方法和成果的基礎上，本文著重探討浙江省11個地級市2007-2011年科技資源利用效率的實際狀況，從動態變化的角度對浙江省科技資源的利用效率進行考察和績效評估。本文的主要貢獻是在控制區域經濟發展水平、貿易開放水平、金融發展水平及產業結構等宏觀因素條件下，利用工具變量法(IV)估計企業研發主導模式下政府扶植與行業自身發展(行業規模)這兩個核心因素的影響力度。

一、科技創新效率的估計與評價

(一)Malmquist指數、指標選擇和數據來源

本文首先利用DEA-Malmquist指數法描述技術效率變動、技術變動和全要素生產率變動之間的動態關系。簡單來說，Malmquist指數被定義為t到(t+1)期的生產效率指數：

Mt+1(xt+1,yt+1,xt,yt)=effch×techch=pech×sech×techch其中，techch表示技術生產的前沿面推進的程度，techch>1表示技術進步，反之則反；pech>1表示純技術效率的提升，意味著經營管理的進步；sech>1表示規模效益明顯，而effch>1表示技術效率的總體改善，體現DMU(決策單元)之間的“追趕效應”；Mt+1>1表示全要素生產率的進步。

在借鑒相關研究工作的基礎上，本文通過對科技主管部門、相關高校及高技術企業的實際調查與研究，結合數據的科學性和可得性的原則提出表1的指標體系。趙玉林(2009)和戚湧(2013)等大多數學者均將R&D內部支出、R&D人員全時當量作為科技的財力和人力的主要投入指標，專利申請量、技術市場成交額、高新技術產業產值增加值作為直接或間接產出。于潔(2009)和孫緒華(2011)等也將科技從業人員數作為主要的投入指標納入分析體系。朱俊彥和施衛東等(2009)在研究知識密集型服務企業時，投入指標是固定資產和無形資產、員工人數，產出指標則是主營業務收入。研究中國市區縣級TFP變動的劉秉鐮、李清彬(2009)和金飛、張琦(2013)將投入指標簡化為固定資產投資和全社會從業人數，產出指標則為GDP。在參考已有研究的基礎上，本文主要設計七個指標：(1)R&D內部支出，考察地方政府和企業在科技研發領域中投入財力資源的實際情況；(2)政府科技支出，考察政府在科技資源效率中發揮的作用；(3)R&D人員全時當量和科技從業人員數，主要考慮科技人力資源的狀況；(4)專利申請量，衡量一個地區科技活動繁榮的指標；(5)

表1　科技創新效率評價指標體系

技術市場成交額，在登記合同成交總額中明確規定屬于技術交易的金額，按照資金流向分為輸入型和輸出型，前者可以作為成本納入企業的研發，后者則作為收益計入高新技術產業產值，在利用非參數估計時將其作為產出指標；(6)高新技術產業產值，反映創新技術轉化為市場價值的主要形式，也表現該地區的科技產業發展情況。表1中涉及的所有指標的數據主要來自浙江省科技廳的數據庫，部分資料來自于《浙江省科技統計年鑒(2008-2012)》。

(二)Malmquist指數的動態分析

圖1　Malmquist指數分解圖

本文采用DEAP V2.1軟件對浙江省11個地級市2007-2011年的科技創新效率進行測評。根據Claudio等(2013)的研究，我們引入投入指標的一期滯后，從而得到浙江省11市2008-2011年的Malmquist指數分解表和分解圖(如圖1所示)，其中橫軸表示GDP的增長率。據此，我們可以得到關于浙江省科技資源利用效率的三個結論：

1.從TFP(也即Malmquist指數)來看，除去2008-2009年這一特殊階段，浙江省的科技資源利用效率普遍大于1，地方政府和企業的表現還是可圈可點的。特別是杭州、寧波兩大經濟強市，在這5年內所有技術效率變動(effch)和技術變動(techch)等指標均大于1，在省內也起到了很好的帶頭作用。相比于杭州和寧波兩市，其他地級市則表現不穩定，顯著的特點是effch小于1，而不同年份在純技術效率變動(pech)和規模效率變動(sech)的表現也不同。隨著時間的推移，這些城市的各項指標都取得了很大進步。

2.除去2008-2009年這一特殊時期，從平均值上看具有明顯的“effch

3.2008-2009年對浙江省這樣一個非常依賴出口市場的省份來說是比較艱難的一年，受國際金融危機及隨之而來的出口大幅下降的影響，各市GDP由2007年的平均15.8%降至6.1%。而令人矚目的是舟山市的崛起，雖然舟山市在這一階段并未在GDP增長率方面領先其他城市太多(8.8%)，但其科技資源的投入和產出增長非常大，政府科技支出從占GDP的2.62%增至3.89%，增長率高達28.47%；高技術產業產值由2008年的15.22億元猛增至2009年的208.01億元，增長率高達1266.69%。而在同一時期，除舟山外的10個地方政府的平均科技支出從占GDP的3.47%降至3.38%，高技術產業產值也從5906.05億元下降到5798.46億元。在此階段，舟山市主要得益于規模效率(sech)的迅猛增長，但在技術進步方面表現一般。

從圖1可以看出，Malmquist指數作為一種非參數估計法得到的科技創新效率往往不穩定，存在“相對性偏差”——個體之間前沿面相對有效性掩蓋了個體之間的絕對性差異，因此不能直接將其納入宏觀因素的回歸分析，故本文采用SFA法重新估計科技創新效率，并將其估計結果引入隨后的實證模型。

二、宏觀因素對科技創新效率的影響分析

(一)SFA法與TFP計算

本文采用SFA法估計科技創新效率TFP，目的是結合DEA優點的同時剔除極端值的影響，從而使估計結果更為穩定，方便引入隨后的回歸方程。同時，該方法能減輕其他參數方法的內生性問題，且兼顧了參數檢驗的需要，設置的模型形式如下：

lnOutputi=β0+β1lnRDp+β2lnRDnM+β3lnRDM+vi-ui

(1)其中，Output表示高新技術企業的工業總產值；投入指標包括各市的R&D人員全時當量(RDp，萬/人時)、非市場交易的企業R&D投資(RDnM，億元)及技術市場成交額(RDM，億元)，RDnM與RDM之和為企業研究經費的總支出；v為觀測誤差及其他隨機因素；u是與技術無效率相關的非負隨機變量。我們預期人力(RDp)和資本(RDnM)的估計系數應該為正。根據前文關于技術市場成交額的分析，輸入型和輸出型二者的作用合力是難以確知的，且根據散點圖的直觀分析，雖然Output與RDM存在的關系可能為正，但樣本過于分散，說服力不強，即Output與RDM的確切關系難以確認。為更加準確地估計科技創新效率，本文仍將其作為控制變量引入方程(1)中。

SFA模型的估計采用的是Frontier 4.1軟件，估計方法是假定u為半正態分布的ML估計法，最終得到式(2)：

lnOutputi=104.07+11.99lnRDp+9.55lnRDnM-9.11lnRDM

t=(2.10)(6.40)(4.92)(-2.71)

LR=0.7131LLF=-263.05

(2)

圖2　SFA法估計的TFP散點圖

根據t統計量判斷，解釋變量的統計意義均是顯著的，RDnM與RDp的系數為正，與預期的相一致；RDM的系數為負，在理論上并沒有十分具有說服力的解釋。但從數據上來看，因為麗水、衢州等相對落后的城市比之于杭州、寧波等高科技產業發達的城市來說，無論從交易額的穩定性還是量級上講都無法相提并論，而且技術市場成交額存在相當的跳躍性。以麗水市和杭州市為例，2008年的技術成交額分別為180.4萬元和40.21億元，而2009年分別為529萬和41.73億元，到2011年時二者的數值分別為484萬元和48.50億元，麗水市不升反降，這種絕對的差距與巨大的跳躍性造成了技術成交額在TFP貢獻中相當大的偏誤。從TFP的估計結果來看，杭州等發達城市的TFP確實遠高于麗水等城市，穩定性相較于Malmquist指數的估計結果也要好很多，“聚類”效果很明顯，尤其是左圖呈現明顯的對數分布形態(如圖2所示)。

(二)宏觀模型、變量選擇與數據來源

為檢驗政府扶植與行業規模對科技創新效率的影響，本文設定的計量模型如式(5)所示。在變量選取上，我們參考劉珍利(2008)和孟衛東(2013)等人的研究經驗。

TFPit=α+β1Fiscalit+β2lnOutputit+γXit+ωit+εit

(3)

其中，TFP表示科技創新效率，Fiscal(億元)、lnOutput(億元)分別代表各市政府在R&D上的財政支持和各市高新技術產業的規模產值(取對數)。從理論上講，二者的系數預期為正，即政府扶植和企業的“自力更生”均對科技創新效率具有正向影響?？刂谱兞縓it包括四個：lnperGDP表示人均GDP(億元)的對數值，衡量一個區域的經濟發展水平；Open表示各市進出口占GDP的比例，衡量一個區域的經濟開放度；lnFinance(億元)表示各市金融機構貸款額的對數值，衡量一個區域的金融發展狀況；Third表示第三產業占GDP的比例，衡量一個區域的產業結構發展狀況。ω是各市的非觀測效應，a表示常數項，ε表示殘差。

1.產業規模。在式(3)中，lnOutput參與了TFP的計算，這可能導致TFP與lnOutput存在相關性，因此作為行業自身發展的代理變量可能具有很高的內生性。為此，本文尋找企業研發支出占高科技產品銷售收入比率的滯后一期(Ratio-1)和高校人數(Student，人)兩個工具變量以減輕內生性影響。在理論上，Ratio-1與當前的產業規模產值具有較強的相關性，但并不處于TFP與lnOutput的經濟系統下，因此當期TFP不會對Ratio-1產生影響。但根據第一階段的回歸分析，我們發現Ratio-1是一個弱工具變量，與lnOutput相關性比較弱，因此在具體模型中刪除了該變量。將高校人數引入模型作為工具變量，這是因為高校的智力資源往往與Output密切相關，也是高新技術企業的聚集地。而Output對Student是完全沒有影響的，且根據第一階段回歸分析和弱工具變量檢驗的結果，我們認為Student是一個非常好的工具變量。

2.貿易開放度。關于貿易開放度的內生性問題也被很多學者討論，如李鍇和齊紹州(2011)、Badinger(2008)和彭水軍(2013)等。為降低這個變量的內生性，本文采用的方法仍與李鍇等一致，將貿易開放度的滯后一期Open-1作為工具變量引入模型，這在貿易研究的眾多文獻中也是比較常見的。

為檢驗工具變量的有效性，本文在估計模型(4)之前對其進行Hausman檢驗、弱工具變量檢驗(rk Wald F)和過度識別檢驗(Hansen J)。根據上述檢驗結果，本文認為并不拒絕上述選擇的工具變量引入模型，因此引入上述工具變量是合適的(見表2所示)。

(三)宏觀因素分析

這里，我們主要討論政府扶植和行業自身發展在科技創新效率提升方面所起的作用，估計結果按照由簡單到復雜、增加控制變量和降低內生性的方式來檢驗Fiscal和lnOutput這兩個核心變量對科技創新效率(TFP)的影響。不同于以往大多數文獻中的簡單回歸，本文運用較為先進的估計方法，以使結果的分析更為可信(如表2所示)。模型(1)、(2)和(3)均為OLS回歸，模型(4)采用的是工具變量法(Hausman檢驗值為20.11)，結合rk Wald F統計量和Hansen J統計量綜合判斷，我們認為采用工具變量是合適的；模型(5)是采用LSDV法估計的固定效應模型，并利用Driscoll-Kraay標準誤對異方差問題進行糾正；模型(6)是GMM估計、綜合運用IV和方差糾正技術后的最終估計方程。

1.政府扶植。根據模型(1)，Fiscal系數的統計意義并不顯著，但基本維持在10%的置信水平上。結合模型(2)，我們認為Fiscal是顯著為正的。但隨著內生性的減弱，Fiscal的系數變成了顯著為負，而固定效應模型的估計也支持模型(4)的觀點，說明政府扶植對科技創新效率的提升并沒有穩定的積極作用，甚至會產生負向的刺激。換言之，在控制科研經濟系統內的眾多環境因素后，政府扶植并沒有對科技創新效率產生預期的積極效果。這一結論并未完全否認政府在科技研發中的積極作用，政府扶植在科技研發中的貢獻還是明顯的，但單純地從科技創新資源轉化效率上看，政府扶植的“天然弊端”(經費的濫用與效率低下)阻礙了其更好地發揮自身優勢。此外，政府對科研扶植的市場轉化率不高的客觀事實也導致其對技術效率的提升反而產生負面的影響。

2.產業規模。根據表2的估計，企業自身的發展(lnOutput)對科技創新效率的提升具有明顯的積極效應，隨著內生性與異方差問題的剔除，雖然其系數變得越來越小，但仍基本保持顯著為正(但模型(6)不顯著)，這一結論與之前的預期相一致，也符合經濟學的直觀認識。因此，企業的經濟效率優于政府管制下的經濟效率，企業為主導的研發模式更有利于資源的充分利用和科技創新效率的提升。

此外，從模型(1)-(6)來看，多數控制變量的估計系數很不穩定，表明經濟的上行與貿易開放度、產業結構狀況對科技創新效率的影響機制很復雜，無法在模型中得到很好的解釋。另一個顯著的特點是lnFinance的估計系數基本顯著為負，這一結論也比較費解，可能要從更深的層次進行研究。

表2　模型估計結果

注：“* ”表示p<0.1，“** ”表示p<0.05，“*** ”表示p<0.01，括號內為標準誤(SE)；模型(4)、(6)中的rk Wald F統計量括號內為10%水平下的工具變量偏誤。

三、結　語

本文采用DEA-Malmquist指數法和面板模型，對浙江省11市4年的面板數據進行科技創新效率評價，認為浙江省科技創新效率總體來說較好，但更多的是依靠科技突破(techch)的提升來實現，政府扶植對科技創新效率的提升并沒有積極影響，在剔除內生性等問題的影響后具有明顯的負效應，企業自身的發展更能促進科技創新效率的提升，其估計結果穩定且顯著。據此，本文研究結論的政策意義是：

1.政府應更多地發揮引導作用，提倡建立企業投資為主導的科技研發模式。適當減少科研項目的直接投入，注重科研項目的質量監督與驗收。加大扶植、補貼高科技企業研發的力度，借助企業途徑開展科技研發，提高科技創新效率。此外，根據宏觀模型的分析，努力提供更好的經濟環境、金融環境和科研環境，鼓勵高科技企業走出國門，支持高科技產品的出口貿易，應是基礎建設的重要組成部分。

2.本土科技公司更應注重自身科技創新效率的提升。重視對高科技人才的培養與保護，積極與科研院所建立穩固的科研聯系，開發高效人才庫。積極參與全球企業的競爭，引進外國高科技研發人才和管理人才，學習發達國家先進的科研經驗(如建立全球研發中心、信息交流中心等)，逐步提高自身的科研實力。

[1]Claudio Cruz-Cazaresa,Cristina Bayona-Saezb,Teresa Garcia-Marcob. You can’t manage right what you can’t measure well: Technological innovation efficiency[J].Research Policy,2013, (42):1239-1250.

[2]Gunjan M.Sanjeev. Marketing productivity and profitability of Indonesian public listed manufacturing firms[J].Benchmarking: An International Journal,2007,(87):594-604.

[3]Catherine Waddams Price,Thomas Weyman-Jones. Malmquist indices of productivity change in the UK gas industry before and after privatization[J].Applied Economics,2006,28(7):429-444.

[4]于潔,劉潤生.基于DEA-Malmquist方法的我國科技進步貢獻率研究：1979-2004[J].軟科學,2009,(2):1-6.

[5]夏維力,鐘培.基于DEA-Malmquist指數的我國制造業R&D動態效率研究[J].研究與發展管理,2011,(2):58-65.

[6]戚湧,張明.基于DEA-Malmquist指數的江蘇創新資源整合共享效率評價[J].區域發展,2013,(10):101-110.

[7]王雪原,王宏起.我國科技創新資源配置效率的DEA分析[J].經濟縱橫,2011,(8):108-110.

[8]趙玉林,賀丹.智力密集型城市科技創新資源利用效率實證分析[J].區域發展,2009,(10):109-116.

[9]劉秉鐮,李清彬.中國城市全要素生產率的動態實證分析：基于DEA模型的Malmquist指數方法[J].南開經濟研究,2009,(3):139-152.

[10]劉玲利等.中國科技資源配置效率變化及其影響因素分析：1998-2005年[J].科學學與科學技術管理,2008,(8):13-19.

[11]孟衛東,王清.區域創新體系科技資源配置效率影響因素實證分析[J].統計觀察,2013,(4):96-99.

[12]張協奎,楊林慧.基于DEA-Malmquist指數的北部灣經濟區行政效率分析[J].管理世界,2012,(8):176-177.

(責任編輯：化木)

Government Support，Industry Size and S&T Efficiency——Taking Zhejiang Province as An Example

MA Shu-zhong，XU Guang-jian

(School of Economics，Zhejiang University，Hangzhou 310027，China)

This paper examines the regional science and technology innovation level，analyzes its macro influencing factors, and empirically discusses the mechanism of government supports and high-tech industry’s own development in improving technology innovation efficiency. After controlling such factors as regional economic development level, trade openness, financial development level and the industrial structure, the paper finds that government supports have significant negative effects on the regional technological innovation efficiency, while the development of the industry itself plays a significantly positive role.

government support； industry scale； regional science and technology innovation

2015-06-23

浙江省軟科學研究計劃重點資助項目(2014C25015)

馬述忠(1968-)，男，黑龍江綏化人，浙江大學經濟學院教授；許光建(1990-)，男，山東青島人，浙江大學經濟學院博士生。

F061.5

A

1004-4892(2016)02-0011-07