東部十省市高校與產業集群協同創新論述

余慧敏，翟丹妮，周悠然，劉 穎

(南京郵電大學管理學院，江蘇 南京210000)

一、 引言

我國《2019 年政府工作報告》中強調：健全以企業為主體的產學研一體化創新機制。 而各省、直轄市、自治區的政府工作報告中也多次出現“深化產學研結合”的目標。 高校作為各行業創新型人才極為重要的來源，其對創新產業投入的資源與同相關產業園區的對接契合度往往在一定程度上可以體現區域的創新能力。

創新產業區域集群與區域高校的互補模式也正在為越來越多的發展戰略研究人員所關注。 李宇、郭慶磊以“斯坦福-硅谷”這一典型為例較早提出創新集群的協同創新機制；江育恒、趙文華在此基礎上又以更加具體的“研究型大學與生物醫藥聚集區”為研究對象闡述了這一機制；以洪小娟、張聰、朱衛未、周靜為代表的國內學者則從不同角度利用DEA理論衍生方法對高校創新效率進行了評估測算；李清賢、曲紹衛、齊書宇創新地以高校教師的科研成果為指標對高校創新效率進行了測算；而張惠琴、尚甜甜、李璐、苑澤明、張永貝、寧金輝等學者選擇以地理區域劃分研究對象的方法也為大多數高校創新效率測算研究所借鑒。 Bijan Rahmani Parchikolaei、Rohollah Yosefian 對國外高校創新效率的研究中有對“協同創新”與“分類測算”等內容的闡述。

以此為基礎，本文選取我國教育資源積累較早、教育成果較為豐富的東部十省(直轄市、自治區)作為決策單元，對比分析各決策單元的高校創新效率，并基于事實論證區域創新集群與高校集群的優勢互補作用。

二、 研究方法與指標選擇

(一)研究方法

Dea-Malmquist 生產率指數法以構造最佳生產前沿面，通過實際生產點向最佳生產前沿面的距離函數來定義。 假設在每一個時期t=1，2，…，T的投入向量為X=(X1，X2，…，Xt)，產出向量為Y=(Y1，Y2，…，Yt)，且Xt∈R+、Yt∈R+，假設C表示規模報酬不變的情況下的研究常數，可以構造基于產出的距離函數如下：

其中，θ為標量。 當生產點(Xt，Yt)位于生產前沿面上；當生產點位于生產前沿面的內部；當生產點位于生產前沿面的外部。

在規模報酬不變情況下，以t時期生產前沿面與t+1 時期生產前沿面為基準，構建t時期和t+1 時期基于產出的Malmquist 生產率指數為：

而M 指數又可分解為當年技術變化指數TC 與技術效率指數TEC 之積；而基于DEA 理論的技術效率指數TEC 又可分解為純技術效率PEC 與規模效率SEC 之積。

將M 指數的變動率分解到不同資源配置的效率上，對創新效率影響因素進行區別分析。

(二)指標選擇

我國高校創新成果在一定程度上反映了高校學生對于知識的整合、轉換、概括能力，這對就業和科研兩個發展方向都具有重要意義。 但在已有研究中，通常將區域高校集群的創新效率作為一個獨立個體進行效率分析，缺少對區域高校集群所處客觀環境的綜合分析；同時，要以實證推動我國區域高校與創新集群“斯坦福+硅谷”模式的發展，我國學術界在這一方面還存在較大空白。

根據我國前瞻產業研究院發布的《中國產業園區地域分布情況》，進入全國產業集群排行榜前十的東部產業集群有北京中關村園區、上海張江產業開發區與廣東深圳高新技術產業園區。 同時，江蘇省、浙江省、山東省是除港澳臺地區外我國國家級經濟開發區數量前三位的省份，但能進入產業集群的則是江蘇省蘇州工業園區、廣東省廣州經濟技術開發區與天津市經濟技術開發區。

對于區域高校集群的創新，R&D 人員全時當量與R&D經費是其資源投入的代表性指標，同時高校發表的論文數量、出版的著作數量與國家級獎項獲得數量則較為明確且權威地反映了區域高校集群的創新成果。 所以本文選取上述指標作為評價指標。 如表1 所示。

表1 區域高校集群創新效率評價指標

三、 實證分析

依據已選定的模型與指標選取了吉林省(DMU1)、遼寧省(DMU2)、天津市(DMU3)、北京市(DMU4)、山東省(DMU5)、江蘇省(DMU6)、上海市(DMU7)、浙江省(DMU8)、福建省(DMU9)、廣東省(DMU10)為決策單元。 各指標數據以各省(直轄市、自治區)高等學校數據為基準，數據來源于上述地區統計局2013～2017 年間公布的《統計年鑒》。 利用DEAP 2.1 軟件求解，得結果如表2 所示：

表2 2013～2017 年各省(自治區、直轄市)高校集群創新效率指數年平均增長率

續表

根據各決策單元的M 指數結果，本文將其分為以下幾類，并在每一類選取一個代表決策單元進行更為詳細的論述。

全面調整型：年均增長率為負，指數基數較小的決策單元：DMU1、DMU2、DMU5；

基礎利用型：年均增長率為負，指數基數較大的決策單元：DMU6、DMU9；

建議：推薦常規進行多模式鎮痛，方法包括：使用羅哌卡因等藥物進行切口浸潤或周圍神經阻滯或中下胸段硬膜外阻滯控制傷害性疼痛；無禁忌證患者可使用NSAIDs藥物控制炎性痛，適量應用阿片類藥物治療重度疼痛。開放手術推薦聯合硬膜外鎮痛，腹腔鏡手術不推薦常規使用硬膜外鎮痛。

發揮優勢型：年均增長率為正，指數基數較小的決策單元：DMU3、DMU8；

經驗典范型：年均增長率為正，指數基數較大的決策單元：DMU4、DMU7、DMU10。

(一)全面調整型實證分析

以決策單元DMU5為例，分析圖1 可以得出，這一決策單元的TFP 指數與TC 指數在2014 ～2017 年間出現的波動同向，且波動幅度幾乎一致。 同時，SEC 指數則只呈現窄幅波動，但TEC 指數與PEC 指數也呈現近似的波動幅度。Malmquist 理論模型說明，對于DMU5，TC 指數是影響TFP 指數的主要因素，PEC 指數是影響TEC 指數的主要因素。 根據測算數據，DMU5的SEC 指數年均增長率為正，但PEC 指數與TC 指數均顯著下降，導致了TFP 指數的顯著下降。

圖1 決策單元DMU5效率指數變動趨勢

此類決策單元的問題說明，TFP 指數被多個分解指數所影響。 對于DMU5而言，首要問題是解決PEC 指數與TC 指數的顯著下滑；PEC 指數的下滑需要從資源、人員、管理等方面的配置上進行改進，利用精簡機構、優化資源分配等手段扭轉各項效率下降的趨勢。

(二)基礎利用型實證分析

圖2 決策單元DMU9效率指數變動趨勢

以決策單元DMU9為例，可以看到TFP 指數與TC 指數在變化區間段呈現同向近似幅度的變化；但與DMU5不同的是，該決策單元中PEC 指數與SEC 指數均對TEC 指數產生了作用。 該決策單元的PEC 指數下降幅度較小，進而導致了TEC 指數對于SEC 指數更敏感而上升的結果。

總的來說，這一類的決策單元應該充分把握SEC 指數一類的顯著優勢，在此基礎上著力解決TC 指數波動帶來的TFP 指數不穩定問題。 TC 指數的持續波動表明該決策單元對于知識產權成果的利用率還有進步空間，而各指數曲線的波動后期也呈現較為平緩的上升趨勢，說明該決策單元內部進行的調整使得各項效率指數回升，TFP 指數的回升正是在其他各項效率指數共同上升共同作用下產生的。

(三)發揮優勢型實證分析

圖3 決策單元DMU8效率指數變動趨勢

區別于前兩個決策單元，決策單元DMU8的各項效率均處于較高水平。 正因如此，DMU8的TFP 指數曲線與TC 指數曲線在PEC 指數與SEC 指數去除波動因素后達到一致。 此時該決策單元的TC 指數在高PEC 指數與高SEC 指數的顯著作用下使得TFP 指數上升。

由該決策單元可以看出，發揮優勢型決策單元證實了PEC 指數與SEC 指數效率顯著的情況下，對TFP 指數增長有較強的推動作用。 這也是較為理想的決策單元狀態，利用顯著的TEC 指數優勢，同時促進決策單元TC 指數的持續增長，以達到TFP 指數的高水平增長。

(四)經驗典范型實證分析

這一類的決策單元相較前三類決策單元均具有較明顯的優勢，具體體現在：TEC 指數、PEC 指數與SEC 指數均穩定處于DEA 有效的前沿面上，以此為基礎的TC 指數增長在TFP 指數上均反映為較高的年均增長率。 同時也反證了TC指數與TEC 指數效率均顯著的情形下，TFP 指數的增長會受到比單個指數效率顯著更強的推動作用。

四、 協同創新機制論述

(一)區域高校與創新產業集群互補論述

對我國產業園區發展情況與上文的區域高校創新效率進行綜合對比，可以發現：當高校集群與產業領先的創新園區在一定區域內形成協同創新機制時，該區域高校集群的創新效率往往高于沒有此類機制或此類機制不健全的區域高校集群，且波動幅度更小，更為穩定，此結論在TC 指數上尤為顯著。

以上文所分析的決策單元為例，DMU4區域是我國最早建立創新園區與高校集群協同創新合作的區域。 在此機制影響下，以優秀的教育資源為依托，該區域創新產業園區規模迅速增長，且能夠向高校集群回饋科教資源。

(二)創新效率分析綜述

從上述決策單元的分析中可以看出，發揮優勢型與經驗典范型決策單元均在高SEC 指數與高PEC 指數的影響下取得了較高的TFP 指數水平，當然這其中TC 指數的高水準也發揮著極為重要的作用。 根據DEAP 的測算結果，這兩個類型的決策單元在TEC 指數效率方面均優于全面調整型與基礎利用型，加之對TC 指數的有效驅動，在TFP 指數上取得了高增長率，使得高校創新效率的增長趨于良性態勢。 同時，結合我國產業園區相關資料，可以發現這兩類決策單元均在高新產業園區與經濟開發區建設上占得先機，并趨向于在區域內部高校聚集明顯的區域建立“產業—高?！钡拈L久協同創新機制，這種機制的建立也為這兩類決策單元創新指數效率的穩定增長提供了內生動力。

對于全面調整型決策單元，我們可以看到，其TFP 指數同時受到TEC 指數與TC 水平的制約，在TEC 指數整體水平不高的情況下，TC 指數出現的下滑與TEC 指數影響疊加，使得TFP 指數出現較大幅度的下降；對于此類情況，根據DEAMalmquist 理論，應該從研發資源調配、管理配置規劃等方面統籌考慮，既要提升TC 指數，扭轉TFP 指數持續下跌的形勢，又要從SEC 指數與PEC 指數兩個方面提升TEC 指數，以將TC 指數的提升效益最大化。 這類決策單元固然存在著資源較少、起步較晚等不利條件，但同時不應忽略有量無質、產業地區選擇不佳等現有問題。 當“產業—高?！眳f同創新機制不能有效運作時，決策單元區域內部的內生動力不足，加之技術水平的持續下降，很容易形成積極性不足的產業環境。 這類決策單元應該同時對兩方面因素進行改進，以求決策單元各項指數回歸正軌。

而對于基礎利用型決策單元，由分析數據可以看到，它們的TEC 指數相較于全面調整型處于較高水平，但TC 指數依然會出現較大幅度的波動，這也是這一類決策單元TFP 指數較發揮優勢型較低的原因：TC 指數雖然呈現較為穩定的窄幅波動，但由于并未受到TEC 指數的顯著效率提升影響，故TFP 指數稍低于發揮優勢型決策單元。 這類決策單元與發揮優勢型、經驗典范型決策單元最大的共同點在于它們都擁有較為雄厚的產業園區基礎，大部分也都建立了有效的“產業—高校”協同創新機制。 但這類決策單元需要進行更為有效的知識產權利用以達到使各效率指數波動盡可能減小的目的。

五、 啟示

(一)各省(直轄市、自治區)應該充分了解內部高校集群與創新產業集群的效率現狀與面臨的問題

針對自身問題，從不同角度入手：文中提到的全面調整型應優化高校科研資源、管理等各方面的配置，加強協同創新機制的創新產業園區建設，使得“高?！a業”的循環產業鏈充滿活力，以高校科研人才推動產業發展，以產業生態環境引領資源流向高校集群。

(二)區域內部應加強協同創新機制的引導

從“硅谷-斯坦?！钡健爸嘘P村-北大集群”，這類集群的興起與擴張往往伴隨著產業鏈的建立，這與區域內部政策與外部交流密不可分。 以政策推動技術，以優勢搶占成果市場，這能夠在一定程度上調動創新產業研究人員的積極性，同時能夠加速產業研究人員的新老更替，為產業注入活力。

(三)區域內部應優先改進技術水平指數

文中各個決策單元的效率變動趨勢都顯示，TC 指數與TFP 指數在效率變動上具有高度相似性，充分說明了技術水平是制約區域高校創新水平的主要因素。 改進這一指數要從知識產權轉化著手，推動知識產權創造價值，避免創新卻不生產的問題。

(四)區域間加強交流，共同建設

集群間應該加強交流合作，效率指數較低的集群分析已有經驗解決問題，優化內部建設；效率指數較高的集群博采眾長，分擔其他集群壓力的同時將新思路、新方向與自身相融合，以此推動集群發展。