基于兩階段DEA的我國區域創新能力評價

宋李俊，朱明學，孟祥超

（重慶理工大學機械工程學院，重慶 400054）

實施創新驅動發展戰略、加快轉變經濟發展方式是克服我國當前人口、資源與環境等約束，推動經濟可持續發展的最有效方式［1］。創新能力成為衡量地區經濟發展水平與綜合能力的重要指標，進一步強化創新能力能夠在新技術、新產業中尋求發展機遇與獲取主動權［2］。我國創新投入持續增加，2007—2017年R&D內部支出從3 710（億元）增加到17 606（億元），年均增長16.4%。然而創新資源是有限的，創新資源的投入一定要經過科學的決策才能保障資源投入的有效性，才能保障有限資源的高效產出。因此，分析創新驅動的影響因素，并對創新效果進行科學的評價就成為創新驅動發展的關鍵環節。對于創新驅動因素及其影響機制和創新評價體系的研究也顯得十分必要。

縱觀國內外相關研究，有關創新的研究比較豐富。從理論出發，深入研究R&D投入、創新驅動環境、政府政策等創新要素與創新績效之間的關系。Yis等［3］研究科技創新政策投入對不同區域創新能力的差異性影響，發現創新政策對大部分地區的推動作用。Escribano等［4］以產出導向研究創新績效影響因素，如研發投入要素、環境要素對創新產出的影響，Dovev［5］研究外部技術與創新產出的關系，發現外部技術有利于系統創新產出，對系統自主創新帶來負向影響。宋文月［6］采用SYS-GMM模型分析企業創新模型和政府科技支撐力度對經濟增長的影響，發現企業自主創新能力制約全生產要素的提高。李培楠［7］發現內部資金對創新績效的“倒U型”關系，政策支持對創新績效的“正U型”關系。

在創新評價指標方面，周文泳等［8］從創新投入、產出、環境等方面分析各區域創新能力關鍵因素，發現研發人員與基礎設施是關鍵制約因素。徐立平等［9］對比諸多創新能力評價方法，從創新投入、產出與管理、營銷等方面實證分析企業的創新能力。李健等［10］從產業結構、創新政策環境與資源投入等方面探討京津冀創新能力的形成機理。

在評價方法上，主要采用主成分分析法、熵值法、模糊綜合評價、BP神經網絡、層次分析法、DEA分析法等方法評價創新能力［11］。周柯等［12］采用熵值法測算我國區域創新驅動發展能力，并對其影響因素進行實證分析。魏闕等［13］采用層次分析法和綜合評價法對吉林省創新能力進行量化分析，為提高創新能力提供政策建議。劉鳳朝等［14］繪制各創新要素間的因果關系圖，運用神經網絡模型驗證創新功能模塊之間的關系，并建立對創新成果影響的系統動力學模型。

近年來，越來越多的學者運用數據包絡分析（DEA）評價主體的創新能力。比如Kao［15］提出一般化兩階段DEA模型測算子階段的效率值，根據效率分解法獲得整體效率。代明等［16］運用DEA中的CCR模型對國家級城市創新績效實證分析，總結出創新型企業發展依賴企業自主創新，同時創新型城市對企業不同階段的差別支持和影響。韓兵等［17］運用兩階段DEA分析高技術企業在研發以及技術轉化兩階段的效率，發現大部分地區企業重視中間成果而忽略商品化產出問題，針對不同地區企業技術創新提出針對性對策。

綜上所述，已有許多學者對區域創新能力評價指標和方法進行研究，特別是DEA模型的運用豐富了創新能力評價方法。但大都利用提出的評價指標進行能力的綜合評價，而未對創新評價指標之間的影響、耦合關系進行分析，從而使評價效果不準確。傳統的兩階段DEA考慮了創新中間過程及指標間的因果關系，但忽略了有些評價指標在實際創新過程中存在被兩個階段共享使用的情形，而這類共享投入很難確定在兩個階段之間的分配系數。為了準確描述創新的內部過程及準確評價創新能力，本文中將創新過程分為創新研發子階段與成果轉化子階段，考慮指標之間的關系，例如，研發階段將為后續的成果轉化階段提供重要的中間產出。同時考慮共享投入對兩階段評價模型的影響，提出改進的兩階段DEA模型并對我國30個省份創新能力進行有效評價，為實施創新驅動發展戰略提供參考與理論支持。

1 兩階段創新能力評價模型設計

1.1 創新能力評價指標體系

從投入產出角度評價創新能力，在參考國內外研究文獻基礎上提出了包括資金、技術、知識等在內的投入指標體系和包括營收、產值、環境影響等在內的產出指標體系。結合創新過程來看，一些評價指標之間存在著相互聯系，比如研發支出會產生部分知識和技術，表現出論文數量和專利量的增加；論文和專利帶動技術進步，增加新產品收入，減少工業污染物的排放。這些投入指標之間的相互聯系必然會影響創新能力的評價效果。因此，合理有效的評價創新能力就要考慮到創新過程以及這些投入產出評價因素的相互作用。為此，本文將創新過程與評價指標體系結合起來，提出了基于創新過程的評價指標體系，有關評價指標如表1所示。

表1 創新能力評價指標

如圖1所示，將創新過程分解為研發子階段與成果轉化子階段。第1階段的投入為資金和人員要素投入，而這些投入影響了直接產出（國際三大論文索引數）和中間產出（專利授權量、技術市場成交額）。成果轉化階段投入為專利授權量、技術市場成交額、企業其他創新支出（企業技術引進、購買、改造、消化支出），這些創新要素的投入影響了最終產出（新產品銷售收入、工業增加值、環境指數）。由于國家和社會對環保的重視程度，必須考慮創新要素投入在環境產出方面的效果，因此，在產出指標中增加了環境指數。環境指數是運用熵值法綜合氮氧化物排放量、二氧化硫排放量、煙（粉）塵排放量與廢水化學需氧量獲得［18-19］。在兩階段評價體系中專利授權量與技術市場成交額作為中間變量參與了兩個階段創新過程。實際創新過程中，研發階段的R&D內部支出與R&D人員全時當量大部分被研發階段消耗，另一部分被成果轉化階段使用，因此R&D內部支出與R&D人員全時當量為兩階段共享投入。

1.2 兩階段創新能力評價模型

1.2.1 子階段創新能力評價模型

數據包絡分析（DEA）是 Charnes、Cooper等1978年提出的一種評價多投入與多產出的同類決策單元相對效率的評價方法，主要以CCR模型為基礎，并轉化成等價線性規劃問題求解。基于DEA方法中的規模報酬不變（CCR）模型，假設有n個被評價決策單元DMU，結合兩階段創新過程與評價指標，第j0個決策單元DMUj0一階段創新效率值與二階段創新效率值可用模型（1）與模型（2）求解。

其中：vi1、vi2、ur1、ur2、kd表示變量 xi1、xi2、yr1、yr2、zd的權重；αij表示共享投入xi1在第1階段的配置比例，模型（1）（2）中約束條件分別保證了一階段與二階段創新效率值小于1。為合理建立模型，考慮共享投入與中間變量同時存在兩個階段帶來的沖突問題。權重 vi1、kd在模型（1）（2）中保持一致［20］。

1.2.2 整體創新能力評價模型

本文參考加權加法測算整體效率。加權加法是通過找到一組子階段最優權重來實現整體效率最大化［21-22］。整體創新效率 θj0可按照式（3）加權加法進行綜合，權重ω1與ω2分別是子階段占整體的重要性。

參考現有研究，最優權重ω1、ω2通常以各階段投入占總投入的多少來計算，見式（4）。

1.2.3 評價模型的最優求解

通過模型（1）～（4）可以求解整體效率與子階段效率。然而當整體效率存在一組最優解時，子階段效率值可能存在多組最優解，即第1階段優先下的最優解或第2階段優先下的最優解；整體效率也可能具有多組最優解。針對這些問題，目前多數研究在保持整體最優條件下，根據偏好求解其中一個子階段效率最優解，來尋求整體效率和子階段都唯一的最優解。但這仍然可能存在多組效率值，因此可對此方法做一些改進，在保證整體和某一子階段最優的條件下，求解另一個子階段效率最優值。具體方法為整體效率保持最優水平θj0之下，根據偏好優化研發階段效率值，則保證整體效率與研發階段效率都達到最優，再優化第2階段效率值，就可得到研發階段優先的唯一的子階段效率與整體效率。則最優求解模型（5）為：

模型（5）的約束條件保證了整體效率與研發階段效率都處在最優值。利用Charnes-Cooper變換和線性變換將模型（5）等價轉化為線性模型，通過求解模型可獲得第j0個決策單元DMUj0整體效率θ與研發階段優先的子階段效率

2 創新能力評價實證分析

2.1 數據收集與數據說明

本文以30個省份（西藏因數據缺失，未對其分析）為研究對象，根據構建的創新能力指標評價體系收集相關數據，所選指標描述性統計如表2所示。數據主要來源于2015—2017年《中國統計年鑒》、《中國科技統計年鑒》整理所得。在運用DEA方法進行評價時，應考慮研發階段與轉化階段的時間滯后效應，初始投入指標時間節點選取2015年，中間產出與追加投入采用2016年數據，最終產出則定位于2017年。

2.2 實證結果分析

根據本文提出的評價模型與創新能力評價指標數據，利用lingo11軟件編程測算2015—2017年30個省份創新效率與共享投入配置比例，并比較本文模型與傳統兩階段DEA模型、單階段DEA模型的區別與聯系，計算結果見表3。

表2 描述性統計

表3 創新效率值與共享投入配置的計算結果

續表（表3）

1）與單階段模型和傳統兩階段模型的對比

單階段DEA模型評價創新能力，忽略了創新系統內部多階段結構這一實際情況，把創新內部過程視作一個“黑箱”，無法正確描述創新過程。事實上，在不考慮創新過程和資源配置的情況下，單階段DEA模型的整體效率均值為0.943，省份中達到有效值1的有17個。在考慮兩階段創新過程的情況下，整體效率均值為0.775，省份中達到有效值1的有2個，這說明了將創新過程分解為兩階段會大幅降低整體創新效率值。在可獲得的信息上，兩階段模型測算了創新研發效率（均值0.759）和轉化效率（均值0.791），便于針對性地找出提高效率的方法。

傳統兩階段DEA模型與本文模型都將創新過程分為研發階段與成果轉化階段，測算兩階段效率與整體效率。區別是本文模型考慮初始投入在兩階段間的資源分配，可獲得R&D內部支出、R&D人員全時當量在兩階段間的配置信息。結合表4第2～4列與第7～9列測算結果，在研發階段的效率測算方面，由于忽略了共享投入的資源分配，傳統模型研發效率均值達到了0.759，達到了有效值1的有7個。在考慮共享投入之后，研發效率均值為0.520，達到有效值的有3個。這說明忽略共享投入導致省份研發效率有效的數量增多，無效省份的相對效率也較高。從考慮共享投入測量結果來看：不同省份高研發效率與低研發效率差距較大，且初始投入在研發階段分配更多的省份效率反而較低，例如浙江、山東、四川、安徽等地。這說明共享投入對測算研發效率具有一定影響，共享投入的資源配置對各個階段的投入量具有調節作用，考慮共享投入能夠準確判斷創新資源投入的實際情況，從而測算研發階段創新效率。而在成果轉化階段，傳統兩階段和改進后兩階段下的創新效率差異不大，均值分別為0.791和0.727。這說明共享投入對成果轉化階段效率整體影響較小。從測算結果觀察：不同省份高轉化效率和低轉化效率間差距更小，如浙江、廣東、湖北、湖南等地，傳統兩階段模型下創新效率為1，在考慮共享投入資源配置情況下，效率值都有一定程度的下降。這說明考慮共享投入對高效率值的省份具有一定調節作用。

2）整體效率分析

從表3與圖2可知：我國30個省份整體效率均值為0.532，大部分地區整體效率小于0.8，整體創新能力有待提高。其中北京、陜西、青海、吉林等8個省份整體效率達到了0.8以上。陜西、吉林、青海的創新效率與以往研究相差較大，數據顯示陜西、吉林、青海2015—2017年的論文與專利數量、新產品產值、環境指數均逐年上升，而創新投入增長緩慢，說明這些省份處于低投入高回報狀態，資源利用效率得到了提高。

3）研發階段效率分析

根據表3與圖3可知：我國30個省份研發階段效率均值為0.520，大部分地區研發效率在0.3～0.6之間。這說明我國研發階段效率值偏低。

北京、上海、陜西、黑龍江、青海研發階段效率最高。這是因為北京、上海是我國文化、經濟中心，在大規模投入下，實現了國際論文索引量、專利授權量、技術市場成交額的高產出。而陜西與黑龍江等其他同等投入地區相比，在國際三大論文索引量與技術市場成交額遙遙領先。青海、海南等地發展服務與旅游行業，以綠色創新為切入點，以很少的R&D資金和人員投入獲得了較多的專利與論文量。

廣東、浙江與江蘇等地投入了非常多的人力、物力資源，例如，廣東的R&D人力投入約是北京人力投入量的2倍。在產出方面，廣東的技術市場成交額偏低，浙江的國際論文索引數偏低。這是因為重視研發投入而忽略了研發投入的有效利用。研發階段管理機制的不完善限制了研發投入—產出的轉化效率。

4）成果轉化階段效率分析

根據表3與圖4可知：我國30個省份成果轉化效率均值為0.727，成果轉化效率值偏高。這是因為我國大部分地區工業體系發展逐漸完善，成果轉化機制比較成熟，專利、技術等中間成果能夠快速實現產業化。另一方面，可持續發展戰略的實施，控制了工業污染物的排放，提高了環境指數。

其中北京、上海、天津、青海、海南成果轉化效率均大于0.9。北京、上海與天津等地技術市場活躍，資金與人員充足，具有完善的創新制度，創新不僅帶來了利潤的增長，還減少了對環境的損害。其次是浙江、重慶、福建、湖北、湖南、江西等地，成果轉化效率值在0.6以上。河北（0.288）與山東（0.355）成果轉化效率值處于最低水平。山東、河北在R&D資金和人員方面投入較大，新產品收入和工業增加值的增長幅度較小，工業廢水、廢氣的排放量居多，具有較低的環境指數，屬于高投入低產出狀態。這些省份較低的環境指數對成果轉化階段創新效率具有較大負向作用。

2.3 提高創新能力實現路徑

對比表3第3列與第4列、圖4與圖5發現：2015—2017年大部分地區研發階段效率小于成果轉化階段效率。這是因為我國研發階段管理與創新機制還不夠成熟，導致大量的創新投入有效利用率不高，而我國已經進入工業化中后期階段，擁有了較完善的工業體系和強大的制造能力，專利等科研成果能夠快速實現產業化，轉化為經濟效益。由此可見，目前大部分地區提升創新能力的關鍵是提高研發階段效率。而陜西、黑龍江、青海、吉林、甘肅研發階段效率大于成果轉化階段效率，則制約這類地區創新能力提高的是成果轉化階段效率，應該對第二階段加以重視。

通過對整體效率分析與子階段對比分析，發現大部分地區提升創新能力的關鍵是提高研發階段效率，針對每個地區特點與實際情況，設計提高地區創新能力實現路徑。利用表3效率值，以研發階段效率均值0.520和成果轉化階段效率均值0.727為參考線，畫出效率矩陣圖（見圖5）。從圖5可以看出：參考線將30個省份分為4類，即高研發高轉化（A）、高研發低轉化（B）、低研發低轉化（C）、低研發高轉化（D），其中A區共有9個省份、B、C、D區共有21個省份，大部分省份具有提升空間。

對于分別處于B、C、D區的省份可采取不同路徑提高創新能力。對于低研發高轉化的D區，比如浙江、福建、寧夏、廣西、湖南、天津，研發階段效率小于平均值，則要注重提高研發階段效率。對于高研發低轉化的B區，比如四川、遼寧、新疆、黑龍江，則要注重提高成果轉化效率。對于位于C區的省份，創新研發階段效率和成果轉化階段效率都小于均值，則要在兩方面都有所加強，比如廣東、河南、安徽、江西、云南成果轉化階段效率接近均值，可過渡到D區，然后再重點突破研發階段效率。值得注意的是山東與河北，兩階段效率值都非常低，一方面應該從科研管理、人才引進等提高創新研發效率，另一方面通過產學研協同創新、科技中介機構、技術交易市場等多角度提高成果轉化階段效率。

3 結論

建立了考慮共享投入與中間產出、追加投入的兩階段DEA模型，將創新過程分為研發階段與成果轉化階段，利用該模型評價2015—2017年30個省份創新驅動發展能力。建立了創新驅動發展能力評價體系，從創新投入到中間產出，最終帶來經濟效益與環境改善。對比本文中所提出模型與傳統兩階段DEA模型、單階段DEA模型發現，傳統模型過高的估計研發階段效率，而在成果轉化階段兩者差別不大。通過對各省份的創新效率測算，為這些地區客觀認識自身創新能力水平、針對自身薄弱階段尋找提升創新能力實現路徑提供了參考意見。

在所提出的創新能力評價體系中，選取的是直接體現創新投入產出的指標，然而在實際應用中，還有很多創新環境因素對創新過程產生影響，比如政策環境、人文環境、基礎設施等。這種情況下，可以考慮三階段DEA模型，在兩階段DEA模型的基礎上處理環境變量影響創新能力評估問題。