基于超效率DEA和GIS的中國省際高校創新效率評價研究

馮亞枝 胡彥蓉 劉洪久

(1.浙江農林大學 信息工程學院， 浙江 杭州 311300；2.浙江省林業智能監測與信息技術研究重點實驗室， 浙江 杭州 311300)

第二屆“一帶一路”國際合作高峰論壇開幕式指出，創新就是生產力，企業賴之以強，國家賴之以盛。黨的十九大報告中明確強調“創新是引領發展的第一動力”，提高自主創新能力是我國發展戰略的核心，是提高我國綜合國力的關鍵，而高校的創新效率是我國整體創新能力的重要體現。因此,研究各省高校創新效率之間的差異，不僅可以為優化資源配置提供依據，還可以為提高高校創新效率和科研創新能力提供參考。

梳理國內外文獻發現，現有對科研創新效率的研究主要分為以下三類：(1) 傳統數據包絡分析方法。如徐愛萍、萬秋霞、王海寧等基于傳統DEA分別對“一流”高校、財經類高校的科研效率進行評價研究[1-3]；孔佳南等引入數據包絡分析，對江西省2003年至2012年有色金屬企業生態效率進行研究，發現技術水平的增長和規模效益的實現才是真正提高生態效率的根本途徑[4]。(2) 采用Malmquist指數法、層次分析法(AHP)、隨機前沿分析法、聚類分析和因子分析法、TOPSIS和熵權法、超效率DEA、模糊集定性比較分析(fsQCA)進行評價研究。如宗曉華采用超效率DEA方法對教育部直屬高校2006—2015年間的科研效率及其影響因素進行分析[5]；李彥華和馬玲玲等采用Malmquist指數法測算了高校科研動態績效[6-7]；Valadkhani等運用聚類分析和因子分析對澳大利亞部分大學的研究績效進行了分類評價[8]；王寧采用TOPSIS、熵權法、因子分析對中國40所“一流大學”建設高?？蒲行蔬M行了評價[9]；張衛國使用模糊集定性比較分析方法，對我國高校的科研生產率的提升路徑進行研究，得出高校提高科研生產率的4條影響路徑[10]。(3) 采用組合評價和人工智能方法對各高?？蒲行蔬M行評價研究，如SOM神經網絡和兩階段DEA模型的組合方法等[11-16]。

國內外學者用不同的方法對科研效率進行了研究，這些評價方法大多采用傳統DEA方法或超效率DEA方法與其他方法結合的模式進行評價,但缺乏從空間角度進行研究，超效率DEA方法和GIS結合的科研效率研究較少。因此,文章擬采用超效率DEA模型和GIS結合的模式對各省高?？蒲袆撔履芰M行評價研究，并運用ArcGIS研究不同省份高校創新效率的空間分布特點，從而有助于發現提高各省高校創新能力的方法，為區域政府制定創新政策提供參考依據。

1 研究方法和指標體系建立

1.1 研究方法

(1) 傳統DEA和超效率DEA。傳統DEA又分為CCR模型和BCC模型，決策單元j記為DMUj，n個決策單元都具有可比較性，每個決策單元都有m種“輸入”和s種“輸出”，1≤j≤n；xij為第j個決策單元對第i種輸入的投入量，xij>0；yrj為第j個決策單元對第r種輸出的產出量，yrj>0；vi為對第i種輸入的權重；vr為對第r種輸出的一種度量，構成如下CCR模型：

BCC模型假設n個決策單元對應的輸入輸出數據分別為：xj(x1j,x2j,…,xmj)T,j=1,2,…,n,yj(y1j,y2j,…,ysj)T,j=1,2,…,n,其中，xj∈Em和yj∈Es,xj>0,yj>0,j=1,2,…,n,構成BCC模型為：

傳統的DEA模型產生多個DEA評價單元，可以判斷它們相對有效或者非有效，但是得出的相對有效DMU效率值都為1，卻不能為它們的大小進行排序，評價單元間的關系難以區別，超效率DEA模型就用來解決這個問題：

(2) 空間自相關分析。一般用來研究空間某點的觀測值是否具有相關性以及空間集聚特征，又分為全局空間自相關和局部空間自相關兩種類型。

全局空間自相關主要分析研究的區域是否存在空間正相關、負相關或者隨機分布，Moran’s I指數表示空間鄰接的區域屬性值的相似程度，1表示空間數據間存在著強烈的正自相關性，-1表示空間數據間存在著強烈的負相關性，0表示空間數據是隨機分布，不存在自相關性。全局Moran’s I指數的計算公式如下：

局部空間自相關可以看出局部地區空間集聚的水平，實質是將全局空間自相關性分解到更小的單元，考察地區附近的空間集聚情況，計算公式為：

(3) 空間半變異函數。該函數指數據點的半變異值與數據點間距離的函數，分析區域化變量空間異質性的重要工具之一，計算出不同空間滯后距離下的創新效率差異，統計創新效率差異與空間滯后距離的變化關系，因此本研究采用半變異函數分析省級高校創新效率空間異質性，半變異函數的計算公式為：

式中，h為樣本之間的距離，N(h)為空間距離為h時樣本點的對數，Z(χi)和Z(χi+h)分別為創新效率Z在空間位置χi和χi+h處的創新效率值。

1.2 指標體系的建立和數據來源

(1) 指標體系的建立。本研究在選取DMU的投入產出指標時，依據有效性與可行性、全面性與代表性、可比性與穩定性等原則，以及各省高校的特點，田水承等根據DEA原理[17]，提出了對指標體系進行優化的原則和方法，據此本研究把影響科技創新的投入指標分為四個部分：科技人員、科技經費、研究與發展機構以及國際科技交流；產出指標包括：出版科技著作、發表學術論文數目、專利授權數。每個部分又分為二級指標，客觀反映高校創新效率，具體見表1所示。

(2) 數據來源及評價指標的篩選。本研究以國內各省份高校作為樣本來進行實證研究，從教育部科學技術司(http://www.moe.gov.cn/s78/A16/A16_tjdc/)選取《2013—2017年高等學?？萍冀y計資料匯編》北京、上海、天津等25個省份高校的12項數據作為數據分析樣本。

表1 創新效率評價指標體系

在所構建的指標體系中，文章采用鑒別力分析方法來評價指標的特征差異，如果評價指標在所有樣本上的得分沒有明顯差異，那么就認為這個指標幾乎不能區分各個研究對象的優劣。反之，則表明該指標具有較高的鑒別力，運用SPSS軟件，以2013—2017年高等學?？萍冀y計資料匯編中的原始數據為基礎，在95%的置信區間內進行各個指標的顯著性檢驗，得到單因素方差分析結果，結果表明，各省份不同指標的顯著性檢驗P值都小于0.05，存在顯著性的差異且具有鑒別力，從而驗證表1所創建的指標體系合理性。

2 實證分析

2.1 基于傳統DEA分析

建立相應的DEA模型，CCR模型綜合效率表示該省份高校創新總效率，BCC表示該省份的純技術效率，綜合效率等于純技術效率和規模效率的乘積。運用Deap 2.1軟件對中國省際高校科技創新的綜合效率、純技術效率和規模效率進行計算，計算結果如表2所示。從表2中可看出：25個決策單元中，2013—2017年綜合效率為無效的決策單元有12個，因為其規模和投入、產出不相匹配，需要增加規模或減少規模；綜合效率有效的決策單元有13個，說明這些省份的高校創新效率是有效的。純技術效率為1的省份有18個，若某省份純技術效率為1但規模效率小于1，則表示對該省份本身的技術效率而言，沒有投入需要減少、沒有產出需要增加，滿足這樣的省份有5個，分別為：遼寧、黑龍江、湖北、湖南、重慶。規模報酬遞減意味著產出比例的增加將小于投入比例的增加，反之，則意味著產出比例的增加大于投入比例的增加，規模報酬不變的省份有北京、河北、山西等13個；規模報酬呈現遞減狀態的省份有遼寧、安徽、湖北等6個；增加投入時要考慮投入產出的效益，可減少相應的投入從而達到最合適的規模，規模報酬遞增的省份有天津、吉林、福建等6個省份，需增加相應的投入以達到最佳規模。

表2 傳統DEA模型計算結果

2.2 基于超效率DEA分析

2.2.1創新效率分析 傳統數據包絡分析對于DEA有效的各省高校效率值都為1，評價單元間的關系難以區別，因此采用超效率DEA模型可解決這一問題。利用MyDEA軟件，計算各省份創新效率值及排序，結果如表3所示。從中可得出以下結論：第一，25個決策單元中，貴州省的創新效率均值排名最高，共14個省份都達到了DEA有效，占56%；第二，福建省的創新效率均值排名最低，隨后為廣東、山東、湖南、吉林、江西、遼寧、天津、湖北、重慶、廣西，說明這10個省份的科研創新資源的利用遠遠不夠，還有一定的提升空間，在現有的基礎上可產出更多的創新成果；第三，從不同的年份看，山西省在2013年的科研創新效率最高，河南省在2014年及2015年的創新效率表現是最好的，貴州省在2016年及2017年創新效率最高；吉林省2013年的創新效率最低，福建省2014—2017年連續四年創新效率表現最差。

表3 2013—2017年中國省際高?？蒲袆撔峦度氘a出效率值及排名

2.2.2創新效率動態分析 中國省際高校綜合效率不斷變化，為了解高校創新效率的動態變化趨勢，繪制綜合效率平均值排名前5和后5的省際高校2013—2017年綜合效率柱狀圖，結果如圖1、圖2所示。從圖1可看出，排名第一的貴州省近五年綜合效率值整體呈現上升趨勢，說明貴州省在技術和管理上創新效率保持穩定發展；河南省從2013年到2017年的綜合效率雖然都實現了有效，但是呈現不斷下降的趨勢；浙江省的創新效率也有所下降，整體呈現波動的狀態且綜合效率保持有效；山西省的綜合效率自2014年下降之后處于在1.5左右波動的狀態，總體較平穩；甘肅省綜合效率值2013—2017年一直保持穩定的狀態，總體呈現穩定的態勢。從圖2中可以看出，吉林省雖然排名靠后，但從2013年到2017年總體呈現上升的態勢，意味著吉林省高校創新效率及創新能力有了很大的提高，一直處于進步狀態；湖南省、山東省、廣東省、福建省四個省份高校創新效率值一直處于穩定但無效的狀態。

2.3 基于GIS空間特征分析

2.3.1空間分布特征 文章采用ArcGis10.2空間分析軟件，以超效率DEA模型計算的中國省際高校2013—2017年創新綜合效率為數據基礎，繪制中國省際高校創新效率分布圖(圖1)和空間趨勢分析圖(圖2)。由圖1可以看出：2013年創新效率集聚區分布在山西、河南和浙江，甘肅、陜西、江蘇、云南、貴州、廣西的創新效率在1.037～1.820 1之間，新疆、西藏、內蒙古、青海創新效率最低，其余省份為創新效率一般區域。到了2017年，創新效率最高的區域是貴州，其次是甘肅、山西、河南、浙江。從五年的變化來看：中國省際高校的創新效率可分為四部分，第一部分主要分布在貴州、河南、浙江、山西、甘肅地區，創新效率最高；第二部分主要集中在江蘇、上海、河北、陜西等地區；第三部分分布在吉林、湖南、山東、廣東、福建地區；第四部分主要以西北部地區為主，創新效率最低?？臻g趨勢分析如圖2所示，其中，Z軸代表省際高校創新效率值，X軸為東西走向，Y軸為南北走向。從圖2可以看出：2013—2017年中國省際高校創新效率曲線呈現出相似的趨勢，在東西方向呈現“凸”形，投影線坐落在1格和3格間；南北方向上也呈現“凸”形，投影線坐落在1格和3格間，這表明2013—2017年中國省際高校創新效率東部高于西部，中部高于南部和北部，呈現顯著的空間非均衡性。

a. 2013年

b. 2017年

a. 2013年

b. 2017年

2.3.2空間自相關分析 為研究五年內各省高校創新效率的空間集聚特征，繪制Moran散點圖并將其結果具體化如表4所示，2013年25個決策單元中，有11個位于第一象限(HH)，這說明這幾個省份的創新效率較高，并且鄰近省份創新效率也較高；有3個位于第三象限(LL)，表示這幾個省份的創新效率較低，并且鄰近省份創新效率也較低；有8個位于第二象限(LH)，這幾個省份創新效率較低但是鄰近地區創新效率較高；有3個省份位于第四象限(HL)，廣西和甘肅位于第四象限，這兩個省份的創新效率遠遠高于周圍地區。2017年25個省份中，有15個位于第一象限(HH)；有2個位于第三象限(LL)；有6個位于第二象限(LH)；有1個省份位于第四象限(HL)——甘肅，是由于甘肅高校的創新效率高于周圍地區。結果表明，2013—2017年間各省的科技創新、經濟都發生了巨大的變化，尤其是創新效率及其空間分布發生了明顯變化，位于第一象限(HH)的省份由11個變為15個。隨著時間的推移，中部地區創新效率有很大的提升，同時經濟也向中部地區快速發展。

表4 Moran散點圖集聚結果

2.3.3空間異質性分析 本研究采用半變異函數分析中國省際高校創新效率空間分布的異質性，對樣本數據分別采用球面、高斯、指數等模型進行擬合，選擇擬合效果最好的高斯模型進行分析，具體結果見表5。從表5可以看出，2014年空間變異尺度最大，自相關距離為1 266.640 km，在此范圍內，各省高校創新效率最為接近，空間依賴性比較明顯；2016年和2017年自相關距離最小，最遠距離只有1 162.182 km。而偏基臺值和塊金比則表明，2013年中國省際高校創新效率的塊金比為82.72%，說明空間異質性主要由結構性因素引起，其影響程度大于隨機因素；2015年中國省際高校創新效率的塊金比最小，僅為59.92%，表明也要重視隨機性因素對空間異質性的影響。

表5 省際創新效率擬合模型參數

3 結論與建議

通過對中國省際高等院校創新效率和空間分布特征進行分析，本研究得出以下結論：(1)從傳統DEA分析結果來看，52%的高校綜合效率實現傳統DEA有效，其余省份綜合效率非有效，除了吉林省創新效率較低以外，各省份創新效率整體較高。(2)從超效率DEA計算出的綜合效率來看，56%的高校綜合效率實現超效率DEA有效。(3)從空間分布特征來看：第一,2013—2017年中國省際高校創新效率呈現顯著的空間特征，東部地區高于西部，中部高于南部和北部；第二,隨著時間推移，中部地區的創新效率處于快速發展階段。空間異質性主要由結構性因素引起但隨機因素也不容忽視。

綜上所述，實現創新能力的提高，做到以下幾點很有必要：首先對于投入資源存在冗余的地區，如天津、安徽、福建等，應合理配置資源利用，提高創新效率，實現最合適的規模報酬；其次吉林省此類雖然創新效率排名靠后的省份，國家可以給予更多的財政支持，鼓勵建立內部創新效率機制，清楚地了解自身的創新效率，以提高創新效率；最后對于西北地區創新效率較低的地區，政府部門給予更多的科技經費，同時根據自身的地域特點，選擇比較有自己專項特色的領域進行創新，合理配置資源向周邊地區學習。