中國省際區域創新效率差異分析

高 禎

（齊魯工業大學，山東 濟南250301）

一、引言

創新能夠促進經濟發展，怎樣在有限的創新投入中獲得更多的創新產出，對于經濟體而言是一個重要的問題。而創新效率能夠有效衡量創新投入與創新產出之間的關系，衡量創新資源的利用效率。創新效率是測算技術創新推動經濟發展的橋梁，許多文獻得出了創新效率的提升能夠促進經濟發展的結論。

研究我國的創新效率變化能夠為促進區域平衡發展提供一個參考思路。原因在于：第一，政府非常支持通過創新推動經濟發展，并且近幾年創新成果的數量和質量也在逐步提升。2008年金融危機后，中國依靠投資拉動的、粗放的經濟增長方式難以為繼，最直接的表現就是GDP增長率從2012年開始逐年下降，經濟結構也發生了大幅變化。中國政府增加了科研、教育等與創新相關領域的投入以鼓勵創新，包括提供財政補貼、提出優惠稅收政策等措施。第二，我國國土面積廣大，經濟發展差距非常明顯，人均GDP最高省份的數值是最低省份的5倍。東、中、西部各區域間經濟增長不平衡的問題依然較為突出。區域間技術進步和創新能力為何會存在差距?除了存在地理空間和基礎條件差異等成因，論文認為還有一個重要的原因是區域創新效率存在差異。

創新效率的研究既包括行業層面也包括區域層面，研究內容主要涉及創新效率的測度以及相關的影響因素。通過對創新效率及相關的影響因素進行測算，能夠發現促進或阻礙創新效率提升的原因并進行改進。Bai等（2013）運用隨機前沿分析（SFA）方法測算了中國的創新效率，發現東部地區的創新效率高于西部地區。余泳澤和劉大勇（2013）運用DEA模型研究創新價值鏈各階段的創新效率以及創新效率的空間外溢效應和價值鏈外溢效應。陳德球等（2016）、胡元木和紀端（2017）分別研究了政治關聯、高管特質等不同因素對創新效率的影響。Jaeho等（2018）發現創新目標的可持續性能夠對創新效率產生影響。

綜上研究，論文基于中國30個?。ㄊ?、自治區）2009～2018年的面板數據，運用隨機前沿分析模型計算區域創新效率及政府補貼、開放經濟、產權保護對創新效率的影響，并將我國分為三大地區，研究創新效率的區域差異。論文將從區域創新效率增長的角度嘗試回答下述問題：中國區域創新效率分布如何?現階段區域創新效率提升的阻礙是什么?中國各地區間的創新效率是否存在差異性?這些問題成為區域經濟發展不可回避的問題，對減小區域間發展差距具有十分重要的意義。

二、理論基礎

論文采用適用于面板數據的隨機前沿分析模型，研究中國各?。ㄊ?、自治區）創新效率的增長以及其影響因素。采用Battese和Coelli（1995）提出的應用面板數據的隨機前沿生產模型，原因在于該模型允許放松用于區分無效性和隨機噪聲所需的若干強假設分布，也能夠研究技術效率的時變問題。

模型用以下方程來描述：

其中，

y

表示地區

i

在

t

時期的產出，

f

表示生產函數，

x

表示地區

i

在

t

時期的投入，

v

表示隨機擾動項，表示無效率項，服從截斷正態分布

u

=

u

exp[-

η

（

t

-

T

）]，其中

η

表示時間對無效率項

u

的影響，

η

＞0、

η

=0和

η

＜0分別表示創新效率-

u

隨時間增加、無變化和降低。

v

和

u

相互獨立。

創新效率是預期產出和實際產出之比：

當

u

=0，TE

=1時，達到生產前沿；當

u

＞0，TE

＜1時，存在無效率項，出現效率損失。在運用隨機前沿模型的研究中，為找出各單元存在效率差異的原因，傳統方法是采用兩個步驟分析外生變量對效率的影響：先通過隨機前沿模型估計單元效率值，然后以效率值為因變量對相關因素進行回歸，但這兩步驟對無效率項的假設不一致，得出的結果存在偏差。而Battese和Coelli（1995）提出的模型則解決了這一問題，模型增加了配置效率分析、去除利潤最大化的一階條件并適用于面板數據。模型延續了Battese和Corra（1977）的參數化方法，設定和取值0～1，當

γ

=0時，表示不存在無效率，此時不需要使用SFA方法，可以改用OLS方法進行估計。

該模型引入效率函數來具體分析影響效率的因素：

其中，

z

表示引起創新無效率的因素，

δ

為常數項，

δ

表示影響因素的系數，

δ

＜0表示該影響因素對創新效率存在正向影響，反之，則存在負向影響，

w

為隨機誤差項。

在經過統計檢驗后，論文決定采取Translog函數作為生產函數模型，設定如下：

三、數據及變量

（一）投入與產出變量

論文的投入變量為研發資金投入（K）和研發人員投入（L）。由于創新是一個持續性的過程，該過程往往能持續幾個月甚至幾年，因此研發投資對創新活動存在持續的影響，當年的投資能夠對其后一段時間內的新成果產生影響，因此論文采用研發資本存量來衡量研發投資對技術創新的持續性影響。研發資本存量（K）采用資本盤存法，基期資本存量參照Goto和Suzuki（1989）的做法。研發投資中的研發人員勞務費與研發人員投入存在重復計算問題，因此在研發資本計算中減去了這一部分。研發資本支出在刨除勞務費后，主要用于購買原材料以及固定資產，因此R&D支出價格指數設定為消費物價指數和固定資產投資價格指數的加權平均值，消費價格指數權重0.55，固定資產投資價格指數權重0.45。研發人員投入（L）用科研人員每年全時當量衡量，具體表示為R&D全職人員數與非全時人員按實際工作時間折算的人數之和。創新產出（Y）用專利申請數衡量。

經過計算，經濟發展水平與創新投入和產出變量之間都存在正相關關系，經濟發達地區的研發投入與產出均多于經濟欠發達地區。東部地區的人均GDP、人均研發資本以及創新產出均大幅度高于中西部地區，且極值差距大，分布較為分散；中西部地區間人均GDP基本持平，但中部地區人均研發資本略高于西部地區，分布較為集中。研發投入和創新產出的區域分布大致呈“東—中—西”三階梯形式。

（二）影響因素

區域創新環境對創新效率存在重要影響，論文選取以下影響因素。

政府一直通過財政補貼、獎金、稅收減免政策等直接或間接的措施對創新活動進行扶持，且地區經濟發展差異也是政府提供扶持計劃的評價因素之一，但財政政策的實踐成果難以通過數據衡量，因此論文選取政府資金占區域創新投資的比重來衡量政府對區域創新活動的扶持程度（gov）；地區對外的經濟交流能夠影響創新要素如知識、信息、資金和研發人員等的獲取和流動，開放經濟（open）用每年區域實際使用的外資金額測度；技術引進力度（import），技術引進并消化吸收是創新能力低下的地區提高技術水平和能力的重要途徑，因此該變量對創新效率存在重要影響，文章以地區購買區域外技術年交易額衡量。

另選取以下控制變量：地區經濟發展水平（gdp）用人均GDP衡量，地區勞動力素質（labor）用接受大學或高等職業教育人數占勞動力比重測量，基礎設施建設水平（inf）使用郵政和電信業務總收入占GDP比重來衡量，郵電業務的繁榮能夠衡量當地通訊、交通等設施的建設水平。結合以上變量得出的效率函數如下：

數據來自中國國家統計局發布的《中國統計年鑒》《中國科技統計年鑒》《中國人口統計年鑒》，選取年限2009～2018年。數據自2009年開始，是因為2008年金融危機后，政府投資、外國投資、信息技術產業發展等變量較之前發生較大變化對回歸結果產生較大影響，創新效率的分布差異及演化趨勢將與過去產生較大不同。論文按照中國國家統計局的區域劃分方法，同時考慮地理特征、經濟發展水平等相關指標，并參考先前學者的研究成果，將中國劃分為東部、中部和西部地區，數據嚴重缺失的西藏、香港、澳門和臺灣予以剔除。所有數據均取自然對數處理。數據描述性統計和相關性檢驗見表1和表2。

表1 相關性檢驗結果

變量 Y K L gov open import gdp edu K 0.519*** 1 - - - - - -L 0.345*** 0.546*** 1 - - - - -gov -0.214***-0.154***-0.261*** 1 - - - -open 0.387*** 0.651*** 0.577***-0.376*** 1 - - -

表2 描述性統計

變量 樣本量 均值 標準差 最小值 最大值Y 300 53065533 172700000 85658.703 2843000000 K 300 10856411 12104080 124305.52 63190436 L 300 122783.19 202699.82 4007.7 2863520 gov 300 0.244 0.137 0.069 0.608 open 300 830557.320 767364.6 1495 3579091 import 300 2453761.3 3101725.5 65650.781 22471516 gdp 300 30413.419 15139.719 1138.863 94691.672 edu 300 0.167 0.097 0.032 0.581 inf 300 1608362.2 3448745.2 24000 32157500

續表

注：＜0.05，＜0.01，＜0.001。

變量 Y K L gov open import gdp edu import 0.402*** 0.536*** 0.442*** 0.062 0.540*** 1 - -gdp 0.230*** 0.617*** 0.344*** -0.046 0.556*** 0.560*** 1 -edu 0.133** 0.530*** 0.194*** 0.236*** 0.295*** 0.568*** 0.635*** 1 inf 0.422*** 0.660*** 0.472***-0.246***0.498*** 0.608*** 0.322*** 0.262***

四、實證結果及分析

論文使用Frontier4.1軟件進行參數估計。

為說明模型選擇的合理性，進行了模型的假設檢驗，檢驗結果見表3。所有假設都通過廣義似然比（LR）檢驗方法進行驗證，統計量近似服從混合卡方分布。假設1通過

γ

的顯著性對技術無效率的存在進行檢驗，檢驗結果拒絕原假設，說明技術無效率存在，隨機前沿模型是合適的。假設2則是就D-G函數和Translog函數的適用性進行檢驗，結果顯示原假設被拒絕，則Translog函數更加合適。假設3和假設4分別對模型是否存在技術變化以及技術變化是否為?？怂怪行赃M行檢驗，結果顯示模型存在技術變化，且表現出技術變化為非?？怂怪行缘奶攸c。模型1～4是加入影響因素后，隨機前沿模型計算出的創新效率結果（表4）。

表3 模型適用性檢驗

假設 LR 自由度 臨界值 結果1.H0：γ=0 243.765 3 7.05 rejected 2.H0：β3=β4=β5=β7=β8=β9=0 81.779 3 7.05 rejected 3.H0：β6=0 26.694 3 7.05 rejected 4.H0：β8=β9=0 18.578 3 7.05 rejected

續表

注：括號內為檢驗統計量，＜0.05，＜0.01，＜0.001。

全國（model1）東部（model2）中部（model3） 西部（model4）β3 0.057（0.359）-1.663***（-3.503）-1.088（-0.666）-2.601***（-4.034）β4 0.283***（2.696）0.781***（8.663）2.092*（1.815）3.873***（4.069）β5 0.196（0.739）2.662***（5.989）2.016（0.759）6.317***（3.927）β6 0.606***（3.002）-1.855***（-9.703）-3.509*（-1.666）-0.180（-0.819）β7 0.073**（2.033）0.219***（5.884）0.284（1.310）0.471***（4.007）β8 0.048（1.336）-0.140***（-3.483）-0.072（-0.467）-0.638***（-4.666）β9 0.005（1.306）-0.007（-1.296）0.013（1.028）-0.014***（-3.528）影響因素δ0-1.225（-0.442）-0.014（-0.012）9.372**（2.639）6.810***（12.082）gov 1.238***（4.350）0.954***（4.072）-0.064（-0.297）0.683***（5.559）open -0.102（-1.603）-0.131（-1.315）-0.319***（-2.806）0.016（0.540）import 0.207***（4.317）0.379***（3.683）0.108（0.756）-0.147***（-3.429）gdp 0.127（0.667）-0.566***（-3.334）-1.631***（-3.227）0.032（0.374）edu -0.569**（-2.227）-0.670***（-3.554）0.238（0.735）-0.488***（-2.758）Inf 0.091（0.541）-0.036（-0.460）1.720***（5.198）-0.217***（-3.012）σ2 0.273***（5.213）0.099***（5.920）0.105***（6.285）0.142***（7.174）γ 0.604***（5.519）0.213**（2.563）0.879***（5.668）0.743***（4.613）LLR -156.770 -20.386 -23.409 -46.388 LR 148.895 49.669 59.477 64.138平均效率 0.707 0.823 0.774 0.587 N 300 110 80 110

表4 隨機前沿模型的回歸結果

全國（model1）東部（model2）中部（model3） 西部（model4）β0 12.906***（2.667）-24.787***（-8.391）-21.620（-1.174）-5.181（-0.584）β1 3.428*（1.698）2.280***（4.891）2.868（0.397）3.159*（1.827）β2 4.021*（1.916）3.903***（3.875）1.067（0.907）5.913***（3.565）

模型1和模型3平均效率相近，模型2創新效率均值為0.823，高于其他三個模型。模型的

σ

和

γ

均通過顯著性檢驗，說明技術無效率存在。模型1中

β

、

β

＞0，表示每增加1%的研發資本，創新效率增加3.428%，而勞動力投入每增加1%，則效率提升4.021%，說明從全國層面來看，資金和勞動力投入對創新效率的正面影響依然存在。模型2中

β

、

β

＞0說明東部地區需要更多的資金和勞動力，但相較全國來講，東部地區投入對創新效率的促進作用較小。模型3中，

β

和

β

均不顯著。而模型4中，每增加1%的研發資本，提升3.159%的創新效率，每增加1%的人員投入會提升5.913%的創新效率，這說明西部地區也需要大量資金和人才投入。

從影響因素回歸結果來看，各因素對不同地區的影響存在差異。結果為負，說明該變量能夠對創新無效率項產生負面影響，也就是對創新效率產生正面的影響，而系數為正則與之相反，即不利于創新效率的提升。政府投資對模型1、2和4的創新效率低下均存在顯著正相關，也就是對創新效率存在負面影響。這說明政府投資占比的繼續提升不能再推動創新效率提高，如圖1中，三個地區近十年來政府資金在研發資金占比均在20%以上，而西部地區更是接近30%，也就是說，僅就研發資金而言，有近似30%的研發活動由政府資金扶持。而回歸結果顯示，政府應通過其他如減免稅收、優先政策等方式激勵企業參與創新活動，鼓勵大學及研究機構通過與產學合作等方式獲得研發資金，提升市場資金在研發投入中的比重，促進創新效率的提升。

圖1 政府資金占研發資金比重的區域分布圖

開放經濟（open）對創新效率的影響僅在模型3顯著，能降低該地區的創新效率，每增加1%的區域外投資，能夠降低0.319%的創新效率，這說明中部地區能夠通過提升經濟開放度獲得更高的收益。技術引進力度（import）增加了模型1、2的創新效率，但降低了模型4的創新效率。這說明，東部和西部地區的發展階段存在差異，東部創新效率的提升需要通過自主創新，而西部地區依然能夠通過引進先進技術，消化吸收再創新的過程提升創新效率。

經濟發展水平（gdp）對模型2和模型3的創新效率產生負面影響，即這兩個地區經濟發展水平的提升能夠促進創新效率的提升。而勞動力素質（edu）對創新效率存在負面影響（除模型3之外），說明這些地區能夠通過提升勞動力的受教育水平提升創新效率和創新能力。

基礎設施建設（inf）對模型4的創新效率有抑制作用。這說明，提高基礎設施建設水平能夠降低創新效率，也就是推動西部地區創新效率的提升。

圖2是模型1 30個?。ㄊ小⒆灾螀^）創新效率分組得到的折線圖。圖中顯示，東部和中部地區的創新效率處于較高水平且效率相近，在十年間存在小幅波動。西部地區創新效率波動幅度較大，從2008年的0.67降至2016年的0.53，隨后出現一點上漲趨勢。各地區創新效率的分布呈現出由“東—中—西”三階梯向“東、中—西”的二階分布差異演變。

圖2 各地區年平均創新效率折線圖

五、結論

研究采用SFA方法對中國30個省（市、自治區）創新效率及相關影響因素進行測度，實驗結果反映了區域創新效率的分布差異，主要結論有以下幾點：①中國各省創新效率存在差異，但分布差異由“東—中—西”三級差距向“東、中—西”二級差距演變；②區域創新效率差異與經濟發展程度有非正相關關系，從回歸結果看，GDP的提升并不能必然推動創新效率的提高；③過高比例的政府資金補貼不利于創新效率的提升。

根據論文研究結論提出以下建議：①政府資金扶持存在上限，當政府資金占比達到1/4時，政府應考慮通過政策措施（減稅、優先政策等）吸引市場中的資金進行投資，擴大市場規模，通過提升市場積極性來推動創新效率的提升；②要促進區域協同創新，協調建立資源共享機制，建立資源市場平臺，形成良好的市場環境，打破省域行政保護和壟斷，促進資源多向流動。各省區位條件、資源稟賦、發展基礎都不一樣，需要結合自身優勢尋找科技創新和產業升級路徑，避免產業發展雷同，造成資源浪費。

論文在以往文獻的基礎上，對區域創新效率的分布差異和演進規律進行研究，發現在當前經濟形勢下，中國區域創新效率與以往不同的變化趨勢，為政策出臺和創新主體行為提供參考。但論文也存在局限性，以省為基本單位進行分析過于宏觀，今后的研究方向之一是收集中國城市數據進行更微觀的分析。