高校技術創(chuàng)新溢出能力對國家大學科技園孵化效率的影響

汪 濤， 楊雪梅

(1.南京師范大學地理科學學院， 南京 210023； 2.江蘇省地理信息資源開發(fā)與利用協(xié)同創(chuàng)新中心， 南京 210023)

隨著全球經(jīng)濟一體化進程的推進，國與國在經(jīng)濟、國防等領域的競爭備受關注，能否在高新技術及其相關產(chǎn)業(yè)領域占據(jù)重要位置，是國家綜合競爭力的關鍵體現(xiàn)[1].世界各國特別是發(fā)達國家為較快建立和發(fā)展新興產(chǎn)業(yè)，建立了以較強研究水平大學為依托的科技園，例如依托美國斯坦福大學而建立的“斯坦福研究園”.我國科技部和教育部于2019年4月組織修訂的《國家大學科技園認定和管理辦法》(國科發(fā)區(qū)〔2019〕117號)[2]中明確指出大學科技園是指以具有科研優(yōu)勢特色的高校為依托，緊密結合大學科教智力資源與市場優(yōu)勢和創(chuàng)新資源，推動創(chuàng)新資源整合、科技成果轉(zhuǎn)化、科技企業(yè)孵化、創(chuàng)新人才培養(yǎng)和開放協(xié)同創(chuàng)新，促進科技、教育、經(jīng)濟融通和軍民融合的重要平臺和科技服務機構.

大學科技園的功能多元，涉及孵化器功能、服務器功能、輻射創(chuàng)新功能等，其中高新技術企業(yè)孵化是大學科技園的核心功能.美國學者埃弗里特和朱迪思使用定性方法對美國硅谷進行了系統(tǒng)分析，并指出硅谷集聚的經(jīng)濟效益，成為國外最早評估科技園區(qū)績效的研究[3].在此基礎上，國外不少學者，提出了成功因素[4]和區(qū)位環(huán)境[5]兩大維度的評價指標體系.國內(nèi)多數(shù)學者從投入、產(chǎn)出的角度，選取從業(yè)人員數(shù)、場地面積、累計畢業(yè)企業(yè)數(shù)、在孵企業(yè)上繳稅金等指標建立大學科技園孵化效率的評價指標體系，指標選取雖略有差異，但是指標體系的構建已較為成熟[6-8].評價大學科技園孵化效率的方法主要包括傳統(tǒng)DEA的CCR模型和BCC模型[9-10]、超效率DEA模型[11]、加權交叉效率DEA模型[12]、兩階段DEA模型[13]和三階段DEA模型等[14].由于地區(qū)政策環(huán)境、經(jīng)濟發(fā)展水平、大學科技園內(nèi)部運行環(huán)境及資源配置條件等存在差異，大學科技園的孵化效率存在地域及園區(qū)間差異性.

技術創(chuàng)新溢出主要體現(xiàn)在創(chuàng)新活動中，大量收益都以外溢的方式被其他非創(chuàng)新主體所吸收[15].從產(chǎn)學研合作角度分析高校、企業(yè)及科研院所之間建立非正式交流，是研究高校技術創(chuàng)新溢出的主流[16].隨著空間科學計量方法在經(jīng)濟地理學中應用的拓展，基于論文和專利等合作與引用信息的產(chǎn)學研定量研究，有助于探索高校技術創(chuàng)新溢出的路徑和影響因素[17].

關于高校與大學科技園關系的研究多是從兩個方面展開，一是從大學科技園依托的高校如何優(yōu)化資源配置促進大學科技園的發(fā)展的角度[18]，二是從產(chǎn)學研角度出發(fā)，研究相關個體之間的關系和相互作用[19-20].關于高校技術創(chuàng)新溢出能力對大學科技園孵化效率影響的研究較少涉及.

本文以我國25個省級區(qū)域104家國家大學科技園及其依托的高校為研究對象，運用三階段超效率DEA模型和熵值法，分別評價大學科技園的孵化效率及高校技術創(chuàng)新溢出能力，探究高校的技術創(chuàng)新溢出對大學科技園孵化效率的影響，并試圖探索高校的技術創(chuàng)新溢出能力與大學科技園輻射異地發(fā)展的關聯(lián).對保障大學科技園的可持續(xù)發(fā)展，充分發(fā)揮依托高校的技術創(chuàng)新溢出作用，實現(xiàn)大學科技園技術成果轉(zhuǎn)化，創(chuàng)新創(chuàng)業(yè)活動開展，高新技術企業(yè)孵化等重要作用具有重大現(xiàn)實意義.

1 研究對象、研究方法及指標數(shù)據(jù)的選取

1.1 研究對象

選取2014年—2018年25個省、自治區(qū)、直轄市的國家大學科技園為研究對象.由于西藏自治區(qū)、港澳臺大學科技園缺乏統(tǒng)計數(shù)據(jù)，青海省、海南省、貴州省、內(nèi)蒙古自治區(qū)和廣西壯族自治區(qū)數(shù)據(jù)存在缺失，因此未被列入研究范疇.同時，根據(jù)國家統(tǒng)計局的統(tǒng)計標準，中國經(jīng)濟區(qū)域劃分為東部、中部、西部、東北四大地區(qū).東部地區(qū)包括北京、天津、河北、上海、江蘇、浙江、福建、山東、廣東、海南；中部地區(qū)包括山西、安徽、江西、河南、湖北、湖南；西部地區(qū)包括內(nèi)蒙古、廣西、重慶、四川、貴州、云南、陜西、甘肅、青海、寧夏、新疆；東北地區(qū)包括遼寧、吉林、黑龍江.

1.2 研究方法

1.2.1 三階段超效率DEA模型 傳統(tǒng)DEA方法被廣泛運用于多領域多單元效率的評價過程，但是Fried指出傳統(tǒng)DEA模型存在忽略環(huán)境變量和隨機因素對效率影響的弊端，并于2002年提出三階段DEA模型[21].其最重要的突破在于進行效率測算時，剔除了環(huán)境變量和隨機因素的干擾，使得最終得到的效率值更為真實可靠.但是在傳統(tǒng)DEA模型測算的結果中，通常會出現(xiàn)多個最大效率值均為1的情況，此時無法對這些相對有效單元進行進一步的區(qū)分和排序.針對這種情況，Andersen和Petersen提出了超效率DEA模型[22]，該模型的基本思路是在自我評價體系上加入互評體系，在評價某個決策單元的效率時，用其他所有決策單元的投入和產(chǎn)出的線性組合，替代該決策單元的投入和產(chǎn)出，使得效率評價的結果更為客觀[23].該決策單元到所有其他決策單元構成的新生產(chǎn)前沿面的距離為其效率值.此時，對于有效決策單元，其效率值會大于1，而對非有效決策單元的效率值不會產(chǎn)生影響[24].因此采用三階段DEA模型和超效率DEA模型結合的方法，有利于剔除由于大學科技園分布于不同的省、自治區(qū)、直轄市，造成的經(jīng)濟、教育等環(huán)境變量和隨機誤差對大學科技園的孵化效率的影響，獲得更為準確的評價結果.該方法的主要過程如下：

1) 第一階段超效率DEA分析

借助MaxDEA 7.0軟件，利用投入導向的超效率 DEA-CCR模型，測算各省級地區(qū)國家大學科技園的技術效率值，即孵化效率.模型的數(shù)學表達式如下[25]：

(1)

2)第二階段：SFA隨機前沿分析

隨機前沿模型最早由Aigner，Lovell和Schmidt提出，并廣泛應用于實證領域[26].第二階段的過程主要是將第一階段超效率DEA模型測算得出的大學科技園從業(yè)人員數(shù)、場地面積和年末固定資產(chǎn)凈值等三個投入變量的松弛變量，與人均GDP、互聯(lián)網(wǎng)寬帶接入用戶和每十萬人口高等學校平均在校生數(shù)三個環(huán)境變量，建立SFA回歸模型，根據(jù)回歸模型中的部分結果數(shù)據(jù)，通過公式計算，可以將松弛變量分解成環(huán)境變量、管理無效率和統(tǒng)計噪聲三種效應，最后對原始的投入產(chǎn)出數(shù)據(jù)進行修正.根據(jù)Fried等人的研究，構建投入導向的SFA回歸函數(shù)：

snj=f(zj;βn)+vnj+unj，

j=1，2，…，J;n=1，2，…，N，

(2)

(3)

SFA回歸的有效目的是剔除影響效率值的環(huán)境變量和隨機誤差，測度置于同一外部環(huán)境下的科技園的真實效率值.最后具體的調(diào)整公式如下：

[max(vnj)-vnj]，

j=1，2，…，J;n=1，2，…，N,

(4)

3)第三階段超效率DEA分析

經(jīng)過第二階段 SFA 回歸分析，將各原始投入指標數(shù)據(jù)進行修正，將調(diào)整過的投入指標數(shù)據(jù)和原始的產(chǎn)出指標數(shù)據(jù)，代入第一階段超效率DEA模型重新運算，最終得到較為真實準確的效率值，并作為最終國家大學科技園的孵化效率，開展后續(xù)相關研究.

1.2.2 混合回歸模型 回歸模型是要分析現(xiàn)象之間相關的具體形式，確定其因果關系，并用數(shù)學模型來表現(xiàn)其具體關系.如果所有個體都具有完全一樣的回歸方程，就可以把所有的數(shù)據(jù)放在一起，像對待橫截面數(shù)據(jù)那樣進行OLS回歸，被稱為“混合回歸”(pooled regression).混合回歸模型估計一個或多個解釋變量在時間序列下對因變量的影響.由于面板數(shù)據(jù)的特點，雖然可以假設不同個體之間的擾動項相互獨立，但同一個體在不同時期的擾動項之間往往存在自相關，而混合回歸模型就考慮了個體間的共性.選取國家大學科技園的孵化效率(Einc)為被解釋變量，核心解釋變量選取高校技術創(chuàng)新溢出能力(Cspill)，同時加入科技服務業(yè)固定資產(chǎn)投資占全社會總固定投資的比例(Pinv)、郵電業(yè)務總量(Rg)、每百家企業(yè)擁有網(wǎng)站數(shù)(Nweb)、教育財政支出占地方財政總支出的比例(Pedu)和區(qū)位(L)等5個控制變量，構建了如下的混合回歸模型：

Einc,it=a0+a1×Cspill,it+a2×Pinv,it+a3×Rg,it+

a4×Nweb,it+a5×Pedu,it+a6×Lit+bit,

(5)

式中，a0為常數(shù)項；a1，a2，…，a6為各變量回歸系數(shù)；bit為模型的誤差項.

1.2.3 技術創(chuàng)新溢出能力評價 基于技術合作和技術轉(zhuǎn)移兩種技術溢出路徑，借助高校與企業(yè)、研究機構等合作申請專利、專利技術轉(zhuǎn)移數(shù)據(jù)，從創(chuàng)新合作能力和技術轉(zhuǎn)移能力兩大層面，構建了高校技術創(chuàng)新溢出能力的評價指標體系.統(tǒng)計各項指標數(shù)據(jù)并匯總到省級層面，利用熵值法確定各指標權重，測算出各省區(qū)市的高校技術創(chuàng)新溢出能力.

1.3 數(shù)據(jù)來源與指標數(shù)據(jù)選取

1.3.1 孵化效率的評價指標選取 在參考相關研究[6-9，11，14]的基礎上，結合數(shù)據(jù)的可獲取性和完整性，從孵化投入和產(chǎn)出角度，選取以下指標構建國家大學科技園孵化效率評價體系，并選取了相關環(huán)境變量，結果如表1所示.選取的指標數(shù)據(jù)是2015年—2019年《中國火炬統(tǒng)計年鑒》和《中國統(tǒng)計年鑒》中省域?qū)用鏀?shù)據(jù).

表1 國家大學科技園孵化效率評價體系構建及環(huán)境變量Tab.1 Evaluation system of incubation efficiency and environmental variables for national university science park

1) 投入指標.大學科技園的發(fā)展離不開人力、物力和財力資源的投入.其中，人力資源投入是大學科技園有效運行的基礎條件，本文選取管理機構從業(yè)人員數(shù)作為衡量指標；財力資源是大學科技園起步和發(fā)展的必要條件，用年末固定資產(chǎn)凈值表征；物力資源投入是大學科技園建設的基礎，用包括孵化、辦公、研發(fā)、生產(chǎn)用房等在內(nèi)的總場地面積來衡量.

2) 產(chǎn)出指標.大學科技園在孵化新創(chuàng)企業(yè)、促進社會就業(yè)和區(qū)域經(jīng)濟發(fā)展等方面均發(fā)揮著重大作用，主要從孵化能力、大學科技園孵化活動帶來的經(jīng)濟效益和社會效益三個方面來考慮其產(chǎn)出.其中，用累計畢業(yè)企業(yè)數(shù)來代表大學科技園成功孵化的企業(yè)，衡量大學科技園的孵化能力；用平均在孵企業(yè)收入和在孵企業(yè)上繳稅金來代表其孵化企業(yè)帶來的經(jīng)濟效益，用在孵企業(yè)從業(yè)人員數(shù)來表征其對社會就業(yè)的貢獻.

3) 環(huán)境變量.為了更加精確地衡量孵化效率，需加入環(huán)境變量.環(huán)境變量需要選取影響孵化效率，但不受國家大學科技園控制的因素.本文選取的環(huán)境變量共有3個，包括區(qū)域經(jīng)濟發(fā)展(以地區(qū)人均 GDP衡量)，文化環(huán)境(以每十萬人口高等學校平均在校生數(shù)作為指標)，信息共享(以互聯(lián)網(wǎng)寬帶接入用戶表征).

1.3.2 技術創(chuàng)新溢出能力的評價指標選取 高校技術創(chuàng)新溢出能力的評價指標體系由四級指標構成(表2).專利數(shù)據(jù)來源于IncoPat專利檢索平臺，該平臺對全球海量的專利信息進行整合，全面整理并漢化120個國家、組織和地區(qū)自1782年以來的

表2 高校技術創(chuàng)新溢出能力評價指標體系Tab.2 Evaluation index system of technological innovation spillover ability of universities

1.3億項專利技術，收錄的專利數(shù)據(jù)全面且質(zhì)量高，信息內(nèi)容具有準確度、可信度高、實時性和可用性等特征.數(shù)據(jù)采集時間為2020年9月12日—2020年9月18日，檢索日期設置為：申請日“2014-2018”年，“申請人”設置為128所高校的準確名稱.選取的專利類型是具有創(chuàng)造性、實用性特征的發(fā)明專利，專利技術轉(zhuǎn)移主要包括專利實施許可和專利權轉(zhuǎn)讓.根據(jù)以上設置，采集得到有效合作申請專利數(shù)據(jù)16 931條，有效專利技術轉(zhuǎn)移數(shù)據(jù)9 181條，并將同一省級行政區(qū)學校的專利信息匯總整理.

1.3.3 混合回歸模型指標選取 高校作為大學科技園依托的核心主體，從人才、技術等方面給予大學科技園支持，影響科技園的企業(yè)孵化和創(chuàng)新活動.利用混合回歸模型研究高校技術創(chuàng)新溢出能力對孵化效率的影響，相關指標選取如下表3所示，其中控制變量選取的是2015年—2019年《中國統(tǒng)計年鑒》中的省域?qū)用鏀?shù)據(jù).

表3 混合回歸模型測量指標Tab.3 Measurement index of the hybrid regression model

2 實證結果分析

2.1 孵化效率結果分析

2.1.1 四大地區(qū)孵化效率分析 由表4可知，2014年—2018年，東部地區(qū)的孵化效率值呈現(xiàn)先增后減的趨勢，5年均實現(xiàn)了DEA有效，東部地區(qū)大學科技園的發(fā)展質(zhì)量較高.中部地區(qū)的孵化效率呈現(xiàn)減—增—減的變動規(guī)律，分別在2015年、2016年和2018年實現(xiàn)了DEA有效，可見大學科技園的孵化效率不穩(wěn)定；西部地區(qū)的孵化效率只在2014年和2018年達到了DEA有效，其余年份的孵化效率值都低于1.東北地區(qū)的孵化效率出現(xiàn)增—減—增的變化，但是效率值均小于1，沒有實現(xiàn)DEA有效，東北地區(qū)的大學科技園的發(fā)展亟需提升.從四大地區(qū)孵化效率5年均值分析結果可知，只有東部地區(qū)國家大學科技園的孵化效率值大于1，遠遠高于中部、西部和東北地區(qū).

表4 四大地區(qū)的孵化效率值Tab.4 Incubation efficiencies of four regions

2.1.2 各省區(qū)市孵化效率分析 由表5可知，2014年—2018年全國的孵化效率均值較低，沒有達到DEA有效.5年內(nèi)，實現(xiàn)DEA有效且排名第一的省份名單變動較大，說明各個省區(qū)市大學科技園的發(fā)展不穩(wěn)定.整體來看，廣東、江蘇的孵化效率較高，寧夏和新疆的孵化效率較低.孵化效率達到DEA有效的省區(qū)市的數(shù)量較少，且出現(xiàn)了逐年下降的趨勢，2014年—2018年，孵化效率大于1的省份個數(shù)由2014年的7個降至2018年的4個.

表5 2014年—2018年國家大學科技園孵化效率均值Tab.5 Average incubation efficiencies of national university science parks during 2014-2018

2.1.3 孵化效率時空格局分析 利用ArcGIS軟件中自然斷裂點法將各省區(qū)市國家大學科技園孵化效率平均值及2014年-2018年5年的孵化效率分別進行分類，分為高效率區(qū)(孵化效率≥1)，中效率區(qū)(0.5<孵化效率<1)，低效率區(qū)(孵化效率≤0.5).孵化效率均值的空間分布特征如圖1所示，高效率區(qū)主要包括北京、河北、廣東和江蘇，這4個省市的5年效率均值都大于1，實現(xiàn)了DEA有效，是全國大學科技園發(fā)展較好的省市代表；中效率區(qū)有11個省，分別為遼寧、山東、河南、湖北、湖南、上海、云南、黑龍江、浙江、江西和四川；低效率區(qū)有10個省，分別為甘肅、新疆、陜西、重慶、安徽、天津、吉林、寧夏、山西和福建.可以看出，大多數(shù)東部城市的孵化效率均值較高，西部及中部省份的孵化效率均值較低.

注:基于自然資源部標準地圖服務系統(tǒng)審圖號為GS(2020)4619號的標準底圖制作，底圖無修改.下圖同.圖1 2014年—2018年孵化效率均值空間分類圖Fig.1 Spatial classification diagram of mean incubation efficiency during 2014-2018

各個年份孵化效率的空間分布特征如圖2所示，高效率區(qū)主要由東部沿海、中部少數(shù)省份組成，東北三省和中部多數(shù)省份多位于中效率區(qū)，低效率區(qū)一般多由西部大部分省份組成.具體分析如下.

圖2 2014年—2018年孵化效率空間分類圖Fig.2 Spatial classification chart of incubation efficiency from 2014 to 2018

2014年—2018年，東部地區(qū)的北京、江蘇和廣東國家大學科技園的孵化效率均大于1，實現(xiàn)了DEA有效，投入和產(chǎn)出的比例達到最優(yōu)值，位于高效率區(qū).河北的孵化效率除了在2015年小于1之外，其余年份均達到DEA有效.2014年—2018年，位于高效率區(qū)的省份數(shù)量呈現(xiàn)波動遞減的趨勢，在2018年僅有4個省份的孵化效率大于1.可見，隨著時間的推移，大學科技園的發(fā)展受到了阻礙，且出現(xiàn)嚴重的地域差異.

2014年—2018年，東北地區(qū)的遼寧、東部地區(qū)的上海、浙江和福建及西部地區(qū)的四川一直位于中效率區(qū)，孵化效率值較高，但是均沒有實現(xiàn)DEA有效，大學科技園的發(fā)展需要進一步的提升.孵化效率值整體不高，多年位于中效率區(qū)的省份主要包括：山東、河南、黑龍江等.具體表現(xiàn)為：山東的孵化效率除在2014年達到DEA有效外，2015年—2018年，其孵化效率低于1，位于中效率區(qū)，但是山東的整體孵化效率值偏高.河南的孵化效率在2017年實現(xiàn)了DEA有效，但是在其余年份，其孵化效率位于中效率區(qū).黑龍江除了在2014年孵化效率值處于低效率區(qū)外，其余年份均位于中效率區(qū).

東北三省的孵化效率均沒有實現(xiàn)DEA有效，孵化效率有待提高.西部陜西、重慶、新疆和寧夏，中部山西和安徽及東部福建都位于低效率區(qū)，還存在很大的提升空間.吉林、天津均有4年的孵化效率位于最低等級.中部湖北和湖南的孵化效率在2015和2016年均實現(xiàn)了DEA有效，位于高效率區(qū)，2018年降至中效率區(qū)，大學科技園的孵化效率出現(xiàn)了下降.

2.2 技術創(chuàng)新溢出能力結果分析

2.2.1 各因子指標權重分析 利用熵值法計算出各指標因子的權重結果如表6所示，結果表明，除2017年外，2014年—2018年各指標的權重表現(xiàn)出的特征相似，都表現(xiàn)為技術轉(zhuǎn)移能力的權重稍高于創(chuàng)新合作能力.其中合作申請專利數(shù)量、合作申請專利創(chuàng)新主體數(shù)量、合作申請專利創(chuàng)新主體交通距離、專利技術轉(zhuǎn)移數(shù)量、吸收專利技術轉(zhuǎn)移創(chuàng)新主體數(shù)量、專利技術轉(zhuǎn)移交通距離等指標的權重較大，對高校技術創(chuàng)新溢出能力評價的影響較大.專利合作強度與專利合作率、專利轉(zhuǎn)移率和專利技術轉(zhuǎn)移強度分別從合作溢出深度和專利轉(zhuǎn)移深度兩大層面測度高校技術創(chuàng)新溢出能力，所占權重均較小.

表6 2014年—2018年各因子指標權重Tab.6 Index weight of each factor during 2014-2018

2.2.2 各指標綜合評價結果分析

1) 四大地區(qū)的高校技術創(chuàng)新溢出能力結果分析

由表7可知，從時間序列分析，東部地區(qū)高校技術創(chuàng)新溢出能力呈現(xiàn)波動遞減的趨勢，但是整體技術創(chuàng)新溢出能力一直穩(wěn)居第一.中部地區(qū)的高校技術創(chuàng)新溢出能力呈現(xiàn)先增后減的變動趨勢，東北地區(qū)出現(xiàn)先減后增的波動變化，西部地區(qū)呈現(xiàn)持續(xù)遞增的趨勢，反映了技術溢出的持續(xù)漸進性.從溢出能力均值分析，東部地區(qū)高校技術溢出能力遠高于其他三個地區(qū).東部地區(qū)經(jīng)濟發(fā)達城市眾多，優(yōu)質(zhì)高校云集，創(chuàng)新資源豐富，高校更容易與外界發(fā)生創(chuàng)新合作和技術轉(zhuǎn)移，技術溢出能力較高.其次是東北地區(qū)，高校技術創(chuàng)新溢出能力最低的為中部地區(qū).

表7 四大地區(qū)高校技術創(chuàng)新溢出能力Tab.7 Technological innovation spillover capacity of universities in four regions

2) 各省區(qū)市高校技術創(chuàng)新溢出能力空間格局分析

利用ArcGIS軟件空間分析中的自然斷裂點法將25個省、自治區(qū)、直轄市5年的高校技術創(chuàng)新溢出能力均值及2014年—2018年高校技術創(chuàng)新溢出能力分別劃分為5類，即高水平區(qū)、較高水平區(qū)、中等水平區(qū)、較低水平區(qū)及低水平區(qū)，均值的空間結構特征如圖3所示.北京和江蘇一直位于高水平區(qū).較高水平區(qū)主要集中于東部沿海地區(qū)，以上海、浙江最為突出，陜西的高校技術創(chuàng)新溢出能力也較高.屬于中等水平區(qū)的省份數(shù)量較少，主要包括東北地區(qū)的黑龍江，東部地區(qū)的山東和廣東，中部的湖北及西部地區(qū)的四川和重慶.位于較低水平區(qū)的省份有9個，從南到北依次為吉林、遼寧、河北、天津、山西、甘肅、河南、湖南和福建.西部地區(qū)的新疆、寧夏和云南，中部的江西和安徽的高校技術創(chuàng)新溢出能力最低，位于低水平區(qū).從合作申請專利數(shù)量和合作申請專利創(chuàng)新主體數(shù)量方面看，北京、江蘇和上海的高校占絕對優(yōu)勢，其中，5年合作申請專利數(shù)量均值分別達到797項、433項和381項，分別占全國平均值的23.5%、12.8%和11.3%.專利技術轉(zhuǎn)移數(shù)量方面，向其它創(chuàng)新主體轉(zhuǎn)移專利數(shù)量均值排名前三的省份分別為江蘇(500項)、浙江(228項)和北京(210項)，專利技術轉(zhuǎn)移創(chuàng)新主體數(shù)量5年均值排名前三位的省市也為江蘇、浙江和北京.以上指標對評價高校技術創(chuàng)新溢出能力的影響權重較大，因此北京、江蘇、上海、浙江等高校技術創(chuàng)新溢出能力較高，安徽、江西、云南、新疆和寧夏等高校技術創(chuàng)新溢出能力水平較低.總體來看，位于中等水平區(qū)以下的省份數(shù)量占據(jù)半數(shù)以上，高校技術創(chuàng)新溢出能力的地域差異性較為明顯.

圖3 2014年—2018年高校技術 創(chuàng)新溢出能力均值空間分類圖Fig.3 Spatial classification map of the mean value of the technological innovation spillover capacity of colleges and universities during 2014-2018

2014年—2018年各省份高校技術溢出能力的空間結構特征如圖4所示，北京和江蘇一直位于高水平區(qū)，原因在于，北京和江蘇的科教資源豐富，高水平大學云集，工科類院校的專利產(chǎn)量較高，在技術創(chuàng)新溢出能力評價上占據(jù)優(yōu)勢.較高水平區(qū)的省份變動較大，上海在2014年—2018年一直位于較高水平區(qū).陜西和山東由2014年—2016年的中等水平區(qū)，上升到2017年較高水平區(qū)，最終達到2018年的高水平區(qū).陜西理工科類高校眾多，專利產(chǎn)出較多，高校的技術溢出能力較高.湖北除了2017年位于較高水平區(qū)外，其余年份均位于中等水平區(qū).中等水平區(qū)的省份主要以湖北、廣東為主.較低水平區(qū)省份的數(shù)量呈現(xiàn)先增加后減少的趨勢，可見，全國高校的技術溢出能力不斷提高.其中遼寧在2014年—2017年研究期內(nèi)，其技術溢出能力一直位于較低水平區(qū)，2018年略有上升.河北的高校技術創(chuàng)新溢出能力由2014年—2016年的較低、低水平區(qū)，上升為中等水平區(qū).位于高校技術創(chuàng)新溢出能力低水平區(qū)的省份比較固定，多為西部地區(qū)的新疆、寧夏、甘肅和云南，中部的安徽和江西.這些省份擁有的國家大學科技園的數(shù)量較少，依托的高校較少，高校的專利合作及專利轉(zhuǎn)移數(shù)量較少，導致這些省份高校的技術創(chuàng)新溢出能力較東部沿海省份偏低.整體來看，東部部分省份的高校技術創(chuàng)新溢出能力較高，中西部省份則普遍偏低.

圖4 2014年—2018年高校技術創(chuàng)新溢出能力空間分類圖Fig.4 Spatial classification of technological innovation spillover capability of colleges and universities from 2014 to 2018

2.3 高校技術創(chuàng)新溢出能力對孵化效率的影響分析

2.3.1 模型實證結果分析

1) 總體回歸結果分析

利用Stata 12.0對模型中變量進行了多重共線性檢驗，發(fā)現(xiàn)方差膨脹因子(VIF)均小于10，說明各變量之間不存在多重共線性.混合回歸模型的實證結果如表8所示，模型的擬合優(yōu)度達到0.481，說明大學科技園孵化效率的變化信息中的48.1%，可以由該模型中的變量予以解釋.在構建的混合回歸模型中，F(xiàn)統(tǒng)計值為8.494，且在1%的統(tǒng)計水平上顯著，表明本模型具有統(tǒng)計意義.

2) 各解釋變量的實證結果分析

由模型結果(表8)可知，具有統(tǒng)計學顯著性的變量主要包括：高校技術創(chuàng)新溢出能力、郵電業(yè)務總量、每百家企業(yè)擁有網(wǎng)站數(shù)和教育財政支出占地方財政總支出的比例.

表8 模型回歸結果分析Tab.8 Regression results

高校技術創(chuàng)新溢出能力這一核心解釋變量的回歸系數(shù)為0.319，在5%的水平上顯著，表明高校技術創(chuàng)新溢出能力與大學科技園的孵化效率呈現(xiàn)較為顯著的正相關關系.高校作為重要的創(chuàng)新主體之一，一方面可以為大學科技園提供各種資源，主要包括大量科研成果和高素質(zhì)人才.另一方面高校積極與外界創(chuàng)新主體開展合作，不斷創(chuàng)造出高轉(zhuǎn)化率的科研成果，并利用自身的創(chuàng)新創(chuàng)業(yè)文化輻射大學科技園，為大學科技園的發(fā)展營造良好的創(chuàng)新環(huán)境，促進大學科技園孵化活動的進行.高校是科研成果的輸出地，通過科學研究和技術創(chuàng)新，為孵化企業(yè)提供技術基礎，高校的技術溢出效應是影響大學科技園孵化活動的重要因素.

高校技術創(chuàng)新溢出能力是指高校在創(chuàng)造科研成果的過程中，通過與外界創(chuàng)新主體的合作，不斷創(chuàng)造更多符合市場需求，促進地區(qū)社會經(jīng)濟發(fā)展的科研成果，并通過技術轉(zhuǎn)移等途徑，將更多的科研成果成功轉(zhuǎn)化為實際的生產(chǎn)力的過程，同時也是實現(xiàn)市場價值的過程.利用大學科技園這一載體，高校創(chuàng)造的科研成果經(jīng)過大學科技園的小試、中試等各個環(huán)節(jié)，使科研成果轉(zhuǎn)化為產(chǎn)品，并通過園區(qū)企業(yè)進行市場化運作，使之成為有價值的商品，最后通過技術擴散，加速實現(xiàn)該技術的產(chǎn)業(yè)化.一方面，高校通過基礎研究和應用研究創(chuàng)造出較多科研成果，經(jīng)過大學科技園這一載體的相關運作，進一步實現(xiàn)科研成果的產(chǎn)品化、商品化、產(chǎn)業(yè)化，有利于企業(yè)的發(fā)展和成長.另一方面，大學科技園接受高校技術創(chuàng)新溢出，得到更多的技術支持，有利于孵化出更多的企業(yè).因此，依托較高技術創(chuàng)新溢出能力高校的大學科技園，更有條件提升其孵化效率.

控制變量中，郵電業(yè)務總量的發(fā)展，反映了地區(qū)的信息基礎設施的服務水平.由回歸結果可知，郵電業(yè)務總量的回歸系數(shù)在1%統(tǒng)計水平下的顯著為正，說明郵電業(yè)務總量對孵化效率呈現(xiàn)正向影響.每百家企業(yè)擁有網(wǎng)站數(shù)和教育財政支出占地方財政總支出的比例均在5%統(tǒng)計水平下顯著為正，每百家企業(yè)擁有網(wǎng)站數(shù)越多，地區(qū)的互聯(lián)網(wǎng)發(fā)展水平越優(yōu)越，對于大學科技園進行孵化和創(chuàng)新活動都十分有利，進而能促進孵化效率的提升.而地區(qū)的教育資源投入影響了高校的發(fā)展水平，進一步影響給予大學科技園的資源支持，進而會影響大學科技園的孵化效率.科技服務業(yè)固定資產(chǎn)投資占全社會總固定投資的比例在模型中的系數(shù)為正，但未通過顯著性檢驗，說明該指標與大學科技園孵化效率不存在顯著的影響關系.

2.3.2 大學科技園空間擴張分析 以上模型實證結果表明，高校技術創(chuàng)新溢出能力與國家大學科技園孵化效率呈現(xiàn)正相關關系.以下將從大學科技園空間異地擴張角度，探究高校的技術創(chuàng)新溢出能力與大學科技園輻射異地發(fā)展之間是否存在關聯(lián)，即高校的技術創(chuàng)新溢出能否有效推動大學科技園孵化活動的跨區(qū)域進行.將25個省區(qū)市104家國家大學科技園依托的128所高校2014年—2018年的專利合作及專利轉(zhuǎn)移的數(shù)據(jù)進行累計，依據(jù)構建的高校技術創(chuàng)新溢出能力評價指標體系，統(tǒng)計相關指標數(shù)據(jù)，利用熵值法計算各高校的技術創(chuàng)新溢出能力值，并按(0，0.1，0.2)三個斷點分為高中低三類.依據(jù)104家國家大學科技園官網(wǎng)及其他相關渠道的信息，統(tǒng)計各大學科技園的發(fā)展模式及分園情況.

由表9可知，大學科技園的發(fā)展模式多以“一園一校”為主，即一家大學科技園主要依托一所高校，而“一園多校”發(fā)展模式的大學科技園僅有16家，占比15%，多表現(xiàn)為本地或者本省的幾所高校共同建立一家大學科技園.無論是“一園一校”還是“一園多校”的發(fā)展模式，大學科技園都主要是為了聚集各大高校的智力、信息、技術資源，共享更多重點實驗室，引進大批的科技人才，從而獲得較多的科研成果，助力大學科技園利用強大的平臺優(yōu)勢，撬動大學資源與社會資源的有機結合，立足本地，輻射全國，面向世界，有助于國家和區(qū)域創(chuàng)新體系的建設以及社會經(jīng)濟的發(fā)展.

表9 2014年—2018年國家大學科技園發(fā)展模式及 空間擴張情況統(tǒng)計Tab.9 Development mode and spatial expansion of national university science parkin 2014-2018

從大學科技園的空間擴張角度分析，共有15家大學科技園在省外建設分園，實現(xiàn)輻射全國的聯(lián)動發(fā)展.其中，53%的國家大學科技園依托的高校技術創(chuàng)新溢出能力處于較高等級，27%依托中等技術創(chuàng)新溢出能力高校，還有20%的大學科技園依托高校的技術創(chuàng)新溢出能力較低.9家大學科技園，依托省內(nèi)其他市、縣等地的優(yōu)勢資源，在省內(nèi)異地建設分園，不斷延伸和擴展其服務功能.這類科技園多是依托中等技術創(chuàng)新溢出能力的高校，實現(xiàn)在省內(nèi)的空間擴張，在一定程度上有利于帶動省內(nèi)經(jīng)濟的發(fā)展.80家大學科技園沒有突破地域界限，局限于本地發(fā)展，它們依托的高校，多數(shù)處于技術創(chuàng)新溢出能力低水平等級.

為了避免高校等級、類型及大學科技園成立年份對研究結果的影響，依據(jù)高校技術創(chuàng)新溢出能力的高、中、低三種水平，選取均為“雙一流”大學的理工類及綜合類高校大學科技園各三所，且成立年份均在2004年之前，發(fā)展時長相近.理工類高校大學科技園分別為清華大學、東北大學和南京理工大學國家大學科技園，選取的綜合類高校大學科技園分別是浙江大學、吉林大學和蘭州大學國家大學科技園.通過收集以上具有代表性高校大學科技園的相關信息，進一步驗證以上結論.

通過分析所選的案例大學科技園的發(fā)展現(xiàn)狀，發(fā)現(xiàn)其功能定位都比較相近，多為集企業(yè)孵化、科技成果轉(zhuǎn)化、人才培養(yǎng)等功能于一體的創(chuàng)新服務平臺.國家大學科技園在發(fā)展運行過程中多依托高校資源，例如優(yōu)勢學科、高質(zhì)完備的人才資源、發(fā)達的校友創(chuàng)投網(wǎng)絡等.

清華大學作為高技術創(chuàng)新溢出能力理工類高校的代表，自2001年建設了江西清華科技園開始，清華大學科技園不斷加強與地方政府的聯(lián)系，整合優(yōu)秀的高技術企業(yè)，積極尋求適合區(qū)域經(jīng)濟發(fā)展的科技園創(chuàng)新發(fā)展新模式.科技園的發(fā)展日益壯大，突破了地理界限，實現(xiàn)了向國內(nèi)上海、沈陽、廣州、南昌、西安等近30個城市和地區(qū)的輻射發(fā)展，為促進大學科技園創(chuàng)新能級躍升、推動地方經(jīng)濟創(chuàng)新發(fā)展等做出了顯著貢獻.

東北大學的技術創(chuàng)新溢出能力位于中等水平，東北大學國家大學科技園為典型的“校府”合作建設模式，發(fā)展范圍僅局限于本校地域，在開放性和資源方面仍存在不足之處[27].低技術創(chuàng)新溢出能力的南京理工大學，其科技園的發(fā)展規(guī)模較小，輻射范圍僅在本地，沒有實現(xiàn)空間上的擴張.

浙江大學作為綜合類一流大學建設高校，其技術創(chuàng)新溢出能力位于高水平區(qū).目前，浙大國家大學科技園分別在浙江寧波、江西南昌等地設立分園，逐步實現(xiàn)向省外的輻射發(fā)展.中等技術創(chuàng)新溢出能力的吉林大學，技術創(chuàng)新溢出能力較低的蘭州大學，其承載的大學科技園還未突破地域的限制，僅發(fā)揮服務本地的功能.

綜上所述，目前以清華大學、浙江大學等為代表的一流高校，其高校技術創(chuàng)新溢出能力較高，大學科技園的發(fā)展突破了地域界限，在省外或省內(nèi)非學校所在地建立若干個分園，實現(xiàn)了大學科技園的輻射異地發(fā)展.技術創(chuàng)新溢出能力較高的高校，學科交叉優(yōu)勢明顯，政策環(huán)境優(yōu)越，師資力量雄厚，高校的科技成果較多，使承載的大學科技園獲得更多的技術支持，有利于提高科技園孵化企業(yè)的能力.此時，大學科技園發(fā)展日益壯大，再加上信息技術的發(fā)展，能夠為大學科技園實行多點孵化、促進相互合作等給予更大的技術支持，使得該國家大學科技園在服務本地的同時，有能力向國內(nèi)其他省份輻射發(fā)展，發(fā)揮其孵化企業(yè)、轉(zhuǎn)化科技成果等功能，進一步實現(xiàn)帶動區(qū)域發(fā)展，創(chuàng)新能級躍升的作用.所以，在一定程度上，依托較高技術創(chuàng)新溢出能力高校的大學科技園，更容易實現(xiàn)跨區(qū)域、國家甚至全球范圍輻射發(fā)展，為科技園邁向世界高水平大學科技園奠定基礎.

3 結論與討論

本文以25個省、自治區(qū)、直轄市國家大學科技園及其依托的高校為研究對象，綜合運用三階段超效率DEA模型和熵值法，分別評價國家大學科技園孵化效率及高校技術創(chuàng)新溢出能力，并利用混合回歸模型展開高校技術創(chuàng)新溢出能力對孵化效率的影響情況的具體分析.得出的主要結論如下.

1) 采用三階段超效率DEA模型可以更清晰地辨識，一定研究期內(nèi)，不同區(qū)域、不同省份國家大學科技園孵化效率的差異及變動態(tài)勢.

2) 從創(chuàng)新合作能力和技術轉(zhuǎn)移能力兩方面，構建的高校技術創(chuàng)新溢出能力評價指標體系，很好地兼顧了對高校與其他創(chuàng)新主體的技術合作與轉(zhuǎn)移的廣度和深度.

3) 省級層面的混合回歸模型分析，可以揭示高校的技術創(chuàng)新溢出能力對大學科技園的孵化效率呈現(xiàn)較強的正向相關關系；高校層面顯示，技術創(chuàng)新溢出能力高的高校，其大學科技園不僅孵化效率高，而且更易于實現(xiàn)跨區(qū)域發(fā)展.

大學科技園的發(fā)展受到諸多因素的影響和制約，更為精準且全面地剖析大學科技園實現(xiàn)輻射異地發(fā)展的機理，是今后可以深入研究的方向之一.如果能準確把握高校技術溢出的強、弱區(qū)域，高校技術合作及技術轉(zhuǎn)移的空間尺度特征，就可以明確高校的技術合作發(fā)展方向及地域，從而為大學科技園的輻射分園建設提供一定的借鑒，有效實現(xiàn)大學科技園的輻射發(fā)展和創(chuàng)新能級的躍升，有望助推大學科技園邁向世界一流科技園.