基于投入產出法的科技人才創新效率評價

楊勝利 李 坤

(河北大學 經濟學院，河北 保定 071000)

0 引言

黨的十九屆五中全會公報指出，到2035年我國關鍵核心技術將實現重大突破，進入創新型國家前列。強調了科技創新與進步已成為增強國家或地區綜合實力和核心競爭力的關鍵因素，甚至是推動社會進步和經濟發展的決定力量。科技人才作為信息和知識的重要來源，是國家或地區科技創新與進步的重要支撐。中國經濟正處在從“粗放式”增長向精細化、內涵式增長轉型的關鍵階段，增強科技創新對經濟增長的促進作用，是踐行“創新、協調、綠色、開放、共享”發展理念的最佳表現。當前，我國積極推進“創新驅動發展”戰略，政府以及企業不斷加強人才引進力度、增加科技投入、提升治理水平、加強制度規范，有效地提升了科技人才創新效率，促進了經濟開放、持續、綠色、健康發展。

本文對不同地區的科技人才創新效率進行客觀評價，以期能夠更有效地激發科技人才創新活力。首先，基于投入產出法對各區域科技人才創新效率進行實證研究，在客觀評價基礎上對投入產出轉化機制以及提升策略進行深入研究。其次，分析了某時間節點的創新效率狀況，還使用DEA-Malmquist動態評價模型分析了科技人才創新效率的發展變化情況，探索創新效率變動的區域差異和規律。旨在為政府制訂有效的區域發展政策、合理配置創新資源、提高區域科技人才創新效率提供科學的理論依據，以創新推動經濟高質量協調發展。

1 文獻綜述

關于“創新效率”的研究已經頗多。已有研究主要集中在創新效率測度方法及創新效率的影響因素等方面。在測度方法方面，早前學者研究效率問題多采用數據包絡法，近年來學者們不滿足于研究傳統DEA模型，將傳統的DEA模型改進為DEA二階段、DEA三階段模型去進行效率測算和評價。陳升、扶雪琴[1]基于三階段DEA模型，根據2012-2016面板數據研究我國“一帶一路”沿線省域科技創新效率。姚彥雄，李豪[2]運用二階段DEA法，將科技創新分為研究階段和市場化階段，對中部6省2012-2017年科技創新效率進行評價及分析。還有部分學者使用主成分分析法、因子分析法、Malmquist指數法、熵權TOPSIS法等方法單獨或者搭配DEA模型分析效率問題。

在影響創新效率的因素方面，學者們一般用最小二乘法、Tobit模型等方法去探究。如：張體勤[3]利用Tobit模型研究了省域科技創新效率的影響因素。周海燕[4]研究發現政府支持力度、勞動者素質和金融環境對科技創新效率具有正向影響，科研經費支出強度、“一帶一路”倡議政策和創業水平對科技創新效率具有負向影響。韋顏秋、李瑛[5]采用DEA-Tobit兩階段分析法對地區科技創新效率的主要影響因素進行了分析。從影響科技人才創新效率的具體因素來看，薛建改[6]實證分析發現個人因素、人才環境、人才發展對創新效率具有顯著正相關影響。

關于科技人才的相關研究中，眾多學者認為科技人才標準就是看其是否具備創新思維和創新能力，是否對科技事業作出了創造性貢獻。相關研究主要圍繞科技人才競爭力、開發效率、集聚、政策效率、發展環境等方面展開。如：李梓[7]以我國西部11個省2002-2013年的統計數據為研究對象，研究了西部科技人才開發效率及影響因素。崔宏鐵[8]通過主成分分析法對深圳科創人才發展環境的變化規律、因子特征進行分析和評價。李思宏、羅瑾璉、田瑞雪[9]分析了我國科技人才評價與選拔體系中的問題并提出改進思路。芮雪琴[10]分析了中國科技人才聚集的區域演化對區域創新效率的影響。

上述研究可以看出，科技人才與創新效率密切相關。綜合已有研究，無論是從研究方法還是從研究范圍上，學者對我國科技人才、創新效率等相關問題都已有較為深入的探索。但是對兩者結合，即科技人才創新效率的研究實踐較少，對科技人才創新效率的評價指標體系也尚有待完善。因此，本文選擇DEA-BCC靜態分析和DEA-Malmquist動態分析相結合的方法，以全國30個省市自治區為對象，評價其科技人才創新效率。現有的科技人才定義多從統計角度出發，而忽視人才成長特征。人才接受教育提升人力資本的過程可以培養創新思維，培養想象力與創造力，人在接受教育過程中很大可能會靈光乍現或產生與眾不同的顛覆性想法，并去實踐及創新創造。不論是創新的想法還是充足的執行力，這些特質實現的前提或多或少都需要教育的支撐。故而將教育經費情況作為衡量科技人才創新投入的重要指標加入到模型中進行分析。

2 模型選取與評價指標體系構建

2.1 模型選取

2.1.1 DEA模型

DEA模型是一種結合運籌理論、管理學理論和數理統計理論的研究方法，用于衡量多投入、多產出下的綜合效率。DEA通過度量每個投入的最小水平或每個產出的最大水平來確定每個決策單元的相對效率，進而建立最優效率前沿面。只有處在最優效率前沿面上的DEA投入產出組合才能被稱為有效的，而不在最優效率前沿面上的稱其DEA無效。

DEA模型有兩種最經典的模型就是：CCR模型和BCC模型。規模報酬不變(CRS)是CCR模型的前提，通過測算得到的決策單元(DMU)的綜合效率(TE)。但現實中每個生產單位的規模隨時都會調整。因此，本文采用基于規模報酬可變(VRS)前提下的BCC模型，將綜合效率拆開為純技術效率(PTE)和規模效率(SE)。將CCR模型和BCC模型的結果相除就可得到規模效率值。如公式(1)所示：

(1)

其中，xj、yj分別代表非負數的投入水平和產出水平，θ為決策單元的綜合效率值，取值范圍為[0,1]。當θ=1時，決策單元處于DEA有效狀態。否則，決策單元就會產生1-θ程度的效率損失。DEA的綜合效率=純技術效率×規模效率。當綜合效率等于1時，此決策單元生產規模處于當前最優狀態；當綜合效率小于1時，此決策單元的生產規模應做出調整，具體措施為擴大規模或縮小規模。值得注意的是，純技術效率和規模效率兩者有任何一方測度小于1時，綜合效率一定小于1。

2.1.2 Malmquist指數法

Malmquist指數法可以在不考慮外部因素或制度因素的變化情況下來衡量決策單元資源配置效率的變化，從而反映創新效率的升降。本文借鑒Rolf等[11]的研究成果，采用Malmquist指數法進一步測算科技人才創新效率，當M0大于1時，表示創新效率提高；當M0等于1時，表示創新效率保持不變；當M0小于1時，表示創新效率有所下降。具體如下：

(2)

將Malmquist生產率指數分解為技術效率變動(TE)和技術進步(TC)兩部分。綜合效率值在規模報酬可變的情況下可以分解為純技術效率變化(PTE)和規模效率(SE)變化。公式(3)如下：

TFP=TC*TE=TC*(PTE*SE)

(3)

技術進步被稱為“前沿移動效應”，指在某一時期對決策單元的投入之后，該時期的產出水平與前一時期的產出水平比較得出的結果，通過觀察生產前沿的移動去判斷是否實現了技術進步。技術進步體現在前沿向上移動，技術落后體現在前沿向下移動。純技術效率被稱為“追趕效應”，是指保持規模和技術不變時，判斷兩個時期內決策單元相對生產率的變化，從而判斷決策單元是否更接近前沿面。規模效率則代表了決策單元前后規模收益率的變化。如果TC、PTE和SE的最終值大于1，則表示相對技術進步、相對生產率上升、規模收益遞增；如果TC、PTE和SE值等于1，則表示相對技術進步、相對生產率、規模收益沒有改變；如果TC、PTE和SE值小于1，則表示相對技術倒退、相對生產率下降、規模收益遞減。

2.2 數據來源

鑒于數據可得性和準確性，考慮到西藏的部分指標缺失問題，本文剔除了西藏的數據，對30個省市自治區進行實證研究，評價我國各地區科技人才創新效率的水平；時間跨度為2014-2018年。原始數據主要來自《中國統計年鑒》《中國科技統計年鑒》《中國第三產業統計年鑒》以及各地區的歷年統計年鑒等。

2.3 科技人才創新效率評價指標體系構建

本文借鑒現有文獻的研究經驗，結合十九屆五中全會公報中關于激發科技人才創新活力的論述，選取了12個投入指標和8個產出指標來構建評價指標體系(見表1)。收集2014-2018年的面板數據，并將30個省份作為決策單元，分析我國各地區科技人才創新效率。

表1 科技人才創新效率評價指標體系

2.3.1 投入指標

選取的投入指標為企業投入和人才投入兩大類。主要指標描述如下：R&D人員全時當量是指從事研究開發活動的所有全時人員與非全時人員折合的全時工作量的總和。R&D經費內部支出是指本單位實際使用在R&D活動中的全部支出。規上工業企業中有R&D活動的企業數量是指從事研究開發活動的全部規模以上的工業企業數。研究與開發機構R&D內部經費支出可以直接反映支持科技創新人才進行研發活動的內部支出總額。教育經費支出情況指中央財政部門及地方財政部門的預算中用于實際教育的支出，反映科技人才的發展和培養的潛力，其他指標含義與科技統計年和國民經濟發展統計公報含義相同。

2.3.2 產出指標

選取的產出指標包括科技成果和成果應用轉化兩大類。部分主要指標描述：專利授權量是指在報告期內由專利行政部門向申請人或單位機構授予專利權的件數，是反映科技活動最重要的產出指標。高等學校出版科技著作數量屬于科技成果登記數，是高等學校科技人才創新效率的重要衡量指標。因為科技創新成果可以在技術市場進行交易，所以將反映技術市場成交額作為一個重要指標，即賣方技術合同成交額。其他指標含義與科技統計年和國民經濟發展統計公報含義相同。

3 科技人才創新效率綜合評價結果

本文運用DEAPVersion2.1軟件，基于DEA-BCC靜態分析和DEA-Malmquist動態分析模型，對全國30個省的科技人才創新效率進行綜合評價分析。

3.1 DEA-BCC的靜態分析

通過DEA-BCC模型對全國30個省份科技人才創新的靜態效率進行測度，測度結果包括綜合效率、規模效率和純技術效率，具體結果如表2所示。由于各省市自治區的投入差別較大，所以此處使用面向投入的DEA-BCC模型。

(1)從技術效率指數看，2014年和2018年科技人才創新的技術效率均值分別為0.853與0.966，整體呈現增長趨勢。2014年和2018年分別有12個和19個省份技術效率達到1，處于生產前沿面。且在兩個研究時段中均處于DEA有效的地區為北京、天津、遼寧、黑龍江、浙江、湖北、廣東、海南、重慶、貴州和青海，占比36.67%，這表明這些省份的人才創新效率投資實現了最優配置，投資結構合理，投入產出在不同組合下達到了最佳效果。

從省際角度來說，與2014年相比，2018年不同省份人才創新的技術效率變動存在一定差異，除江蘇、四川科等省份技人才創新的技術效率有所下降外，其他省份科技人才創新效率均有所上升或保持不變。2018年技術效率有效的省份有19個，仍有11個省份技術效率處于非有效狀態，且非有效省份中有10個低于全國平均水平，占技術效率無效省份數的90.91%，這也說明部分省份科技人才創新投入結構不盡合理，技術效率還有較大的提升空間，在國內大循環中，應該重點關注提升這些省份科技人才創新的投入結構。2018年技術效率排名后三位的省份是云南、安徽和河北，這3個省份應該注重加強投入資源的優化配置，設計合理的鼓勵科技人才創新、激發創新活力的政策和制度。

(2)科技人才創新的純技術效率呈現增長趨勢。2018年科技人才創新的純技術效率均值為0.982，與生產前沿面相差0.018，說明科技人才創新管理方面還有一定的改進空間。科技人才創新的純技術效率低于規模效率，說明管理水平和技術水平是制約我國科技人才創新效率的主要因素。2014年有14個省份純技術效率未達到有效，分別是河北、內蒙古、山西、上海、吉林、安徽、福建、山東、湖南、江西、廣西、云南、陜西和新疆；2018年有8個省份純技術效率未達到有效，分別是上海、安徽、山西、廣西、四川、河北、云南和陜西。說明這些省份在固定的投入下未能實現最大化產出，在未來發展應該重點增強科技人才創新管理水平和新技術使用、普及水平。

(3)科技人才創新的規模效率能夠體現出各省份科技人才創新投入是否處于最優規模。從表2可以看出2014年和2018年科技人才創新的規模效率均值分別為0.951和0.983，略有增長。其中規模效率兩年均無效的省份有10個，分別為：上海、廣西、河北、山西、山東、云南、江蘇、陜西、寧夏、安徽，說明這些省份應重點擴大對科技人才創新的投入規模，以達到最佳的規模。2018年規模報酬遞增的地區包括山西、寧夏、山東、廣西等省份，這些省份應該謹慎調整科技人才相關的創新投入，將重點放在投入結構優化、管理水平提升、新技術應用等方面。而規模報酬遞減的地區包括河北、上海、安徽、江蘇、山東、廣西、四川、云南和陜西等省份，這些省份因資金未得到有效利用，導致效率損失，因此要特別注意改善資金使用方向。

表2 分地區2014年和2018年科技人才創新效率值

(4)總體來看，2014年、2018年科技人才創新的技術效率均值、純技術效率均值和規模效率均值有所增大，但都小于1，整體處于DEA無效狀態。且經過實證分析2018年數據，可以將科技人才創新效率概括為3種類型：第一類是已經位于效率生產前沿面上的省份，主要有北京、天津、內蒙古、遼寧、吉林、黑龍江、浙江、福建、江西、河南、湖北、湖南、廣東、海南、重慶、貴州、甘肅、青海和新疆，其純技術效率有效，規模效率也有效，這說明這19個省份當前科技投入與產出規模已經在最佳水平上；第二類是純術效率有效，但規模效率無效而導致技術效率無效的省份，主要有江蘇、山東和寧夏這3個省份，說明了這3個省份科技人才創新投入產出并不匹配，仍有調整空間，可以通過擴大科技人才創新投入規模和優化投資結構來進行相應的調整；第三類是純技術效率和規模效率均無效的省份，主要有河北、山西、上海、安徽、廣西、四川、云南、陜西、寧夏等省份。其共同特征是技術效率無效，純技術效率無效，規模效率也無效。為了盡可能接近生產前沿面，這些省份一方面可以通過提高純技術效率，另一方面可以通過調整科技人才創新投入規模來提升效率。但由于在三種效率中這些省份技術效率最差，所以應該重點突出優化投入和產業結構，提升技術效率。

3.2 DEA-Malmquist的動態分析

運用DEAP2.1軟件進行DEA-Malmquist指數測度，目的是通過測度決策單元全要素生產率的變化，來反映科技人才創新效率的變動。如表3所示。

表3 2014-2018年科技人才創新效率Malmquist指數及其分解

(1)從整體效率變動來看，2014-2018年科技人才創新效率Malmquist指數均值為1.042，說明該測度期內我國科技人才創新效率年均提高幅度為4.2%。2014-2015年的Mamlquist指數為1.186大于1，表明該時間段內我國科技人才創新效率在不斷提高。而2015-2017年Mamlquist指數則分別為為0.911和0.995，Mamlquist指數小于1，表明該段時間內我國科技人才創新效率出現了下降。2017-2018年Mamlquist指數為1.097，表明隨著我國調結構、促轉型經濟發展策略的實施，新的經濟增長點不斷呈現，增長“疲軟”期已過，我國的科技人才創新效率出現了上升趨勢。

(2)從分解指數上看，2014-2018年度技術進步的均值為1.006，年均上升幅度為0.6%；技術效率均值為1.035，年均上升幅度為3.5%；Malmquist指數均值1.042，年均上升幅度為4.2%。由此可見，技術效率、純技術效率和規模效率對Malmquist指數所帶來的貢獻遠大于技術進步。說明技術進步是科技人才創新效率的主要條件，但科技創新資源配置是創新效率提升的關鍵。

(3)從全國的Mamlquist指數變化反映的整體情況上看，2015-2017年我國科技人才創新效率出現短暫的發展疲軟。隨著黨的十九大的召開，為提升科技投入以促進我國經濟結構更快更優轉型升級，我國實行了深化科技強國的經濟政策，更加重視人才在經濟發展中的作用，加強了對科技人才創新的支持力度，使得科技人才創新效率實現新增長。

(4)從各省份效率變化比較來看(見表4)，2014-2018年除遼寧、江蘇、湖南、海南、重慶5個省份的科技人才創新效率Mamlquist指數小于1外，其他25個省份的科技人才創新效率Mamlquist指數都大于1，說明我國絕大部分地區科技人才創新效率在不斷提升，發展態勢良好。遼寧、江蘇等省份需要在今后發展中強化科技人才創新效率提升策略。

表4 2018年各省市自治區科技人才創新效率Malmquist指數及其分解

(5)增長動因方面，內蒙古、吉林、山西、河南、遼寧、湖南、海南、寧夏、廣西、重慶等省份的技術進步小于1，且小于技術效率，故技術進步是制約這些地區科技人才創新效率上升的重要原因。四川省的技術效率小于1，且低于技術進步，其科技人才創新效率提升主要得益于技術進步。除上述地區之外，其他地區技術效率變化和技術進步變化是同步的，即技術效率與技術進步因素協同發揮推動作用。但特殊的是江蘇省的技術效率和技術進步均小于1，即技術進步和技術效率均沒有足夠的的拉升力度，導致其科技人才創新效率出現了下降。

4 結論與建議

4.1 主要結論

本文通過DEA-BCC模型和DEA-Malmquist指數法對中國30個省份2014-2018年科技人才創新效率進行了靜態和動態研究，得出如下結論：

(1)DEA-BCC模型的靜態分析發現，2014年、2018年全國科技人才創新的技術效率、純技術效率和規模效率均值有所提升，但仍均小于1，整體處于DEA無效狀態。2014年和2018年分別有18個和11個省份未達到最優效率前沿面。這表示其都存在不同程度的純技術效率和規模效率的提升空間。2018年上海、安徽、山西、廣西、四川、河北、云 南和陜西8個省份純技術效率未達到有效，河北、山西、上海、江蘇、安徽、山東、廣西、四川、云南、廣西和寧夏11個省份規模效率未達到有效。

(2)DEA-Malmquist指數法的動態分析發現，2014-2018年我國科技人才創新效率整體上呈現上升態勢，年均增長4.2%。技術進步年均上升幅度為0.6%，技術效率年均上升幅度為3.5%。技術效率對科技人才創新效率Malmquist指數所帶來的貢獻遠大于技術進步。技術進步是制約山西、內蒙古、河南、湖南、廣西等省份科技人才創新效率提升的主要原因。技術進步和技術效率協同發展是推動科技人才創新效率提升關鍵因素。

4.2 啟示及建議

通過對研究結論的分析，全國及各省份的科技人才創新效率既具有有效性，又存在不充分、不均衡的一面，在今后有必要進一步加以完善和改進，建議從以下幾方面進一步提高我國科技人才創新效率。

(1)科學合理地利用和調配科技創新資源。科技人才創新綜合效率高的省份，要進一步減少無效投入或增加有效產出，促進科技人才創新效率的提升。科技人才創新綜合效率低的省份，要不斷提高科技人才創新投入，加強科技企業、科研機構、高端人才等創新主體培育。人才是科技創新最寶貴的資源，要注重引進和培養具有創新效率的人才，打造技術創新平臺，加強科技人才創新交流，提升科技人才創新綜合效率。

(2)積極構建科技人才高質量創新生態系統。加強R&D投入強度、積極建設科技人才創新平臺。對于創新資源集聚、創新生態良好的省市自治區，需在市場、法治和科技創新政策之間加強集中聯結配合，構建一流的創新創業生態系統，實現創新生態化，助力整體科技人才創新效率提升。

(3)優化科技人才創新機制。推動創新成果向生產力轉化的政策創新，加強技術研發和創新成果應用之間的銜接。嘗試讓投資者、發明專利的人和將專利權轉化為生產力的人各司其職、分類推進，將發明創造者從生產力轉化的負擔中解放出來。圍繞主導產業制定引育頂尖、領軍、高端、青年等專項實用人才的政策機制，力爭對各類別、層次人才全覆蓋。