我國沿海三大經濟區省域創新效率演化、測度及影響因素研究

毛 磊

(南京曉莊學院 商學院，江蘇 南京 211171)

0 引言

京津冀、長三角、粵港澳等地區一體化發展，逐步成為國家創新平臺和新的經濟增長極。據《2020年中國統計年鑒》數據顯示，2019年京津冀、長三角和粵港澳大灣區的地區生產總值之和占全國比重已達43.4%，反映了近年來高質量發展的動力源和增長極不斷拓展，京津冀、長三角和粵港澳大灣區的引領作用不斷凸顯。這三大地區地理位置優越，均屬于我國東部沿海經濟較為發達地區，自然資源較為充沛，吸引了全國乃至全球創新資源快速向其集聚。京津冀地區包括北京市、天津市和河北省，長三角地區涵蓋江蘇、上海、浙江和安徽，而粵港澳大灣區則包括廣東、香港和澳門。

京津冀、長三角和粵港澳大灣區作為東部沿海經濟區的中心地區，是推動國家實施創新驅動發展的重點區域，其各省域的創新效率處于何種水平? 受哪些關鍵因素的影響? 未來應重點從哪些方面著力提升東部沿海三大經濟區的創新績效? 本文將主要圍繞這幾個問題展開研究，其有助于了解這些區域各省份創新績效的現狀以及發展差異，這對于管理者制定科學的創新促進和區域協同政策提供參考。

1 文獻綜述

目前國內外學術界對于區域創新問題的研究主要運用統計分析方法、前沿面分析方法和系統分析方法，其中前沿面分析方法側重對于決策單元的效率評價及影響因素分析，主要包括數據包絡分析方法(DEA)和隨機前沿分析方法(SFA)。數據包絡分析法(DEA)最早是由查恩斯[1]提出，該方法現已在國內外學界得到廣泛應用。虞曉芬[2]、樊華[3]、吳傳清[4]、白俊紅[5-7]等分別以我國各省市、長江經濟帶各省市和區域創新系統的創新效率為研究對象，應用DEA模型實證分析其科技創新效率，結果顯示我國區域技術創新效率是東部地區大于中西部地區，但西部地區創新效率提高快于中部地區。通過構建Tobit回歸模型發現產業結構和人力資本水平是影響我國各省市技術創新效率的重要因素。官建成[8-9]、余永澤[10]、蘇屹[11-12]等分別以區域創新活動、高技術產業和企業的創新活動為研究對象，將其分為技術產出階段和技術轉化兩階段，運用兩階段DEA模型對各決策單元創新有效性進行了評價，研究結果表明我國各省份之間以及各省份所屬的高技術企業之間在技術創新水平上均存在較大差距。劉滿鳳等[13]應用三階段DEA模型討論了我國高新區創新效率問題，研究結果表明長三角和珠三角是技術創新效率值最高的地區，并認為通過改善宏觀經濟環境、優化產業結構等環境變量有利于提升高新區創新效率。許學國等[14]應用三階段Malmquist指數對我國八大綜合經濟區的綠色創新效率進行了測度，并運用概率神經網絡方法對綠色創新效率進行了智能診斷。丁瑩瑩[15]使用兩階段DEA-Malmquist指數法對我國電子信息制造業的軍民融合技術創新效率進行了測度，通過實證分析得出所有制結構、技術市場環境和勞動力素質對技術創新效率有正向影響。李廉水等[16]使用DEA-Malmquist模型測算了我國制造業全要素生產率的變動情況，并著重檢驗了智能化對全要素生產率的影響。

綜上，對決策單元的創新效率評價大多采用數據包絡分析法(DEA)及基于DEA的Malmquist生產率指數來分析創新效率的靜態和動態狀況，并在此基礎上通過構建Tobit模型分析創新效率的影響因素。本文選擇沿海三大經濟區省域作為研究對象，通過沿海主要經濟區內部以及相互之間創新效率的比較分析找到差異并尋求應對策略，這為相關科技管理決策者進行政策制定提供決策參考，因而具有較好的實踐價值。

2 沿海三大經濟區省域創新效率的演化與測度

2.1 研究方法

本文選用DEA-Malmquist模型作為測度沿海經濟區省域創新效率的主要工具。DEA分析方法是一種非參數統計方法，是用來評價多投入、多產出的相同決策單元是否技術有效的數學規劃模型[17]。查理斯等在“相對效率評價”概念基礎上，基于要素規模報酬不變(CRS)假設提出了首個DEA模型(CCR模型)，班克等[18]基于規模報酬可變(VRS)假設提出DEA方法的另一種模型即BCC模型，并將綜合技術效率值(TE)進一步分解為純技術效率值(PTE)和規模效率值(SE)。本文選用規模報酬可變的BCC模型對沿海三大經濟區省域創新效率進行測評。由于 DEA 模型屬于靜態效率測度，即傳統的CCR、BCC模型只能反映決策單元的靜態效率情況，不能反映效率發展的動態變化，而基于DEA模型的 Malmquist 指數能更為全面地反映效率的發展演化過程。基于DEA的Malmquist生產率指數，是一種衡量決策單元生產率變化的工具。該指數由兩個元素組成：一個是度量技術前沿面的變化；另一個是度量技術效率的變化。它將全要素生產率變動指數(Tfpch)分解為技術效率變動指數 (Effch) 和技術進步指數(Tech)的乘積，其中技術效率變動指數進一步分解為純技術效率指數(Pech)和規模效率指數(Sech)的乘積。

2.2 指標選取

在借鑒官建成、吳傳清、韓兵、蘇屹等研究基礎上，本文在DEA-Malmquist指數模型創新投入階段選取R&D人員全時當量(人年)和R&D經費內部支出(萬元)作為投入變量，這兩個指標分別代表創新投入的關鍵要素即研發人員和研發資金的投入量。在模型創新產出階段則選取了有效發明專利數(件)和新產品銷售收入(萬元)作為創新產出變量。

由于本文以沿海三大經濟區共8個省市為決策單元，而 DEA 分析要求樣本量(決策單元數)是選取指標數的2倍以上，選取4個投入產出指標，樣本量能達到投入產出指標的2倍，因此本文可以使用數據包絡分析法(DEA)進行分析。

本文所有數據均來源于2013-2020年《中國統計年鑒》和《中國科技統計年鑒》。

2.3 靜態DEA效率演化與測度

首先使用DEAP Version 2.1軟件導入沿海三大經濟區8省市在2012-2019年的投入產出變量數據，運用BCC模型(規模報酬可變模型)，得出如下DEA靜態效率值。

從表1可以看出，2012-2019年東部沿海三大經濟區省域創新的綜合技術效率值(TE)的均值都大于0.9，整體而言技術創新效率較高。但具體來看，可以發現在沿海經濟區內每個省域的創新效率呈現差異，例如京津冀地區在2012-2019年，北京市技術創新的綜合技術效率值均為1，實現了DEA有效；天津市綜合技術效率值弱于北京，而河北省綜合技術效率值則位于三省市的末位，其技術創新是中等效率。而長三角三省一市綜合技術效率值均較高，其中上海市最高，2012-2019年綜合技術效率值均為1，實現了DEA有效，浙江和安徽次之，江蘇最低。上海市作為全國經濟中心，集聚大量創新資源，產出效率較高。而浙江省綜合技術效率值較高，源于近年來數字經濟和互聯網產業快速崛起以及產業結構進一步優化。安徽省近年來則利用政策傾斜和自身科教資源較為充足的優勢，大力吸納各類科技創新資源，創新績效水平快速提升。而江蘇省作為制造業發達的沿海經濟強省，其近年來綜合技術效率值一直相對偏低，這是因為在其內部不同地域(蘇南、蘇中和蘇北)的產業發展水平和規模效率存在較大差異，從而影響整體的績效表現。

表1 2012-2019年沿海三大經濟區8省市技術創新績效的綜合技術效率值(TE)

將表1所列示的綜合技術效率值進一步分解為純技術效率值和規模效率值。從表2和表3可以看出，在京津冀地區，其中北京市在2012-2019年純技術效率值和規模效率值均為1，即DEA有效。天津市純技術效率值較高，但仍在2014-2016年低于1；更重要的是天津市的規模效率仍有較大提升空間，表3所列示從2012-2019年的8年中天津市規模效率值均小于1，其中2012年、2016年、2017年、2018年和2019年的規模效率值均沒有達到東部沿海三大經濟區8個省市的均值，盡快提升技術創新的規模效率，將是天津市在未來一段時間要努力的方向。與天津市相比較而言，河北省在創新的純技術效率和規模效率方面都存在短板，與京津兩市相比，甚至和沿海三大經濟區的其他省份相比，河北省的純技術效率都是最低的，究其原因則是京津冀地區創新資源更傾向于向科教資源豐富且創新環境優越的北京市集聚，天津市則次之，三地之中吸引力最弱的是河北省。長三角三省一市總體純技術效率值均較高，但四地之間又有差異，上海市和浙江省2012-2019年間純技術效率值均為1，為DEA有效；安徽省在2013年和2019年純技術效率值小于1，其余時期都等于1，在此期間規模效率值均高于江蘇省，原因在于安徽省高校資源較為豐富，近年來全力支持大科學裝置、合肥綜合性國家科學中心等重大平臺建設，不斷加快創新資源集聚，整體呈現技術創新效率快速提升的態勢。江蘇省在2012-2015年純技術效率值都等于1，但在2016-2019年純技術效率值都小于1，這主要是由于江蘇省純技術效率值總體較高，盡管全省創新支出不斷增長，但創新投入的邊際收益不高致使其創新績效并不顯著。另外江蘇省規模效率值低于長三角內部的上海市、浙江省和安徽省，甚至還低于京津冀地區的河北省，處于三大經濟區8個省市的最末位，這主要源于江蘇省內不同地域城市的規模效率差異較大從而引致其整體規模效率值偏低。廣東省由于緊鄰香港和澳門特區，對高端創新資源的集聚吸納能力較強，從而會產生較高水平的純技術效率和規模效率，廣東省在2012-2019年，純技術效率值和規模效率值均為1。

表2 2012-2019年沿海三大經濟區8省市技術創新績效的純技術效率值(PTE)

表3 2012-2019年沿海三大經濟區8省市技術創新績效的規模效率值(SE)

2.4 動態DEA-Malmquist指數的演化與測度

同樣運用DEAP Version 2.1軟件測算了2012-2019年沿海經濟區8省市全要素生產率變動及其分解情況，如表4所示。

表4 2012-2019年沿海三大經濟區8省市全要素生產率變動及其分解

由表 4 可知，全要素生產率變化指數在2012-2019年的不同時期數值均大于1，這表明沿海三大經濟區的8省市技術創新效率總體呈現增長的發展趨勢。同時將全要素生產率指數進行分解，可以看到技術進步指數變動比率除在2017-2018期間小于1，其余期間都大于1，說明沿海經濟區省域技術進步穩步提升，外生技術進步能力相對較強。一方面,技術效率變動指數則在2012-2019年呈現小幅波動的特征，但總體均值大于1，表示沿海經濟區各省域創新效率呈現穩步增長的趨勢，但總體上沿海經濟區省域技術創新能力的提升更多是來自技術進步的增長率；另一方面對技術效率變化指數進行分解，沿海經濟區純技術效率變動指數除 2014-2015年期間等于 1和2017-2018年大于1以外，其余時期純技術效率變動指數均小于1，說明沿海經濟區各省域的技術和管理要素效率依然還有較大提升空間，而規模效率變化指數呈現出小幅波動且總體增長的發展趨勢，總體而言，沿海經濟區各省域創新發展主要得益于外部技術進步，而綜合技術效率改善更多是得益于規模效率改善，純技術效率有待進一步提升。

由表5可以看出，2012-2019年我國沿海三大經濟區8省市全要素生產率變動指數均值持續增長，這反映出8個省市總體全要素生產率處在不斷改善的狀態。具體而言，在京津冀地區，北京市在三地中全要素生產率增長最快，處于絕對領先優勢，這得益于北京市擁有較高的科技創新資源集聚度，從表6 可以看出北京市全要素生產率的增幅主要是受技術進步的影響。表5顯示出天津市除2012-2013年、2018-2019年這兩個時期的全要素生產率增幅高于河北省外，其余時期均低于河北省，天津市對優質創新資源要素的吸納能力弱于北京市，全要素生產率變動指數呈現上下波動的特點。而河北省近年來由于區域協同發展政策的利好因素，創新資源不斷集聚，資源吸納能力不斷增強，從表6還可以看出，河北省創新全要素生產率增幅超過天津，主要是源自于技術效率快速提升，更具體分析是由于河北省近年來的規模效率增長較快而引致的技術效率的提升。在長三角地區，上海市對于創新資源的集聚吸納能力依然較強，但在2012-2019年中，2012-2013年、2014-2015年和2017-2018年的全要素生產率增幅均小于同期平均值。安徽省近年來科技創新效率較好，盡管增幅呈現出波動，但大部分時期全要素生產率增幅都高于平均值，這同樣受益于國家區域一體化發展政策促使創新資源大量集聚，促成該省科技創新能力和效率有較大幅度提升，2020年安徽省區域創新能力排名居全國前列，盡管安徽省的純技術效率還需進一步努力，但其規模效率和技術進步已經實現了較快增長。江蘇省和浙江省近年來創新的全要素生產率增幅不明顯，大部分時期都低于同期平均值，其原因在于江蘇省和浙江省都是傳統沿海經濟強省，兩省均是制造業強省，其產業結構不斷優化，創新資源進一步匯集，創新產出較高，在這種技術水平下已難以持續快速提升全要素生產率，這與吳傳清(2017)得出的結論相一致。但江蘇和浙江兩省依然可以通過加大吸納高端創新資源要素來進一步提升技術進步率和通過提升管理和技術水平來提升技術效率以及進一步提升規模效率等路徑持續推進全要素生產率實現較快增長。總體而言，長三角地區近年來安徽省全要素生產率增長較快，上海市增速放緩，江蘇省和浙江省全要素生產率呈現出波動趨勢，增速低于平均值。處于粵港澳大灣區的廣東省，近年來全要素生產率增幅在2012-2013年、2017-2018年、2018-2019年小于同期均值，而其余時期則大于同期均值。從表6可以看出廣東省全要素生產率的增長都是源于技術進步的影響。綜上所述，從表5和表6可以看出，從省域來說，北京、廣東和上海全要素生產率增幅超過均值，處于第一方陣；而河北和安徽增長較快，處于第二方陣；天津、浙江和江蘇增長則較慢，處于靠后的位次。

表5 2012-2019年沿海三大經濟區8省市全要素生產率變動指數(TFPCH)的演化

表6 2012-2019年沿海三大經濟區8省市Malmquist指數及其分解

續表6 2012-2019年沿海三大經濟區8省市Malmquist指數及其分解

3 沿海經濟區省域創新效率影響因素分析

3.1 數據和模型

在借鑒樊華[3]、吳傳清[4]、李廉水[16]等的研究成果的基礎上，慎重選取產業結構(IS)、對外開放度(DO)、政府扶持(GS)、技術市場成交額(TM)、城鎮化率(UR)、人力資本水平(HR)6個變量作為創新效率影響因素，分析其對創新效率的影響程度[19-20]。其中產業結構(IS)用各省第二、三產業占 GDP 比重來表示，反映產業結構的高端化對剩余創新效率的影響程度；對外開放度(DO)用進出口總額與地區生產總值的比值來表示，反映出該地區外向型經濟的程度對區域創新的影響；政府扶持(GS)用R&D經費內部支出中政府資金的占比來表示，反映出公共財政支出對區域創新效率的影響程度；技術市場成交額(TM)用該地區技術市場成交額來表示，反映該地區技術市場活躍程度對區域創新效率的影響程度；城鎮化率(UR)則反映出當地城鎮化速度對區域創新效率的影響；人力資本水平(HR)用每10萬人中接受高等教育的人數來表示，這反映出該地區未來進行區域創新的R&D人員投入的潛力對區域創新效率的影響程度。數據來自2013-2020年《中國統計年鑒》和《中國科技統計年鑒》。采用處理限值因變量的Tobit模型：

TEit=C+α1ISit+α2Doit+α3GSit+α4TMit+α5URit+α6HRit+εit

(1)

(1)式中TEit為各省域不同年份的綜合技術效率值，研究樣本時間為2012-2019年。另外Tobit模型針對的是面板數據，而粵港澳大灣區由于港澳特區難以獲取全部所需數據，因而只能以廣東省的數據來進行回歸，只能采用普通OLS方法。

3.2 結果分析

(1)從沿海經濟區8省市總體回歸結果來看，產業結構對沿海經濟區省域創新效率具有顯著的正向作用，即第二、三產業產值在GDP總量中占比越高，區域創新效率越高.從區域和省域層面看，廣東其產業結構對省域創新效率的正向影響程度大于京津冀經濟區，而京津冀又略高于長三角經濟區。這反映出產業結構的轉型和升級對于區域創新效率提升有積極作用。

(2)從表7可以看出，總體而言，對外開放度對于省域創新效率提升沒有顯著正向影響。分區域來看，除廣東的對外開放度對該地區創新效率有較弱的正向作用外，京津冀和長三角經濟區的對外開放度均沒有對區域創新效率產生顯著的正向影響，這也反映出沿海經濟區各省域對引進外部技術的消化吸收再創新能力較弱，對外部資源的利用未能轉變為高創新產出。

表7 沿海三大經濟區主要經濟區創新效率影響因素的回歸結果

(3)從表7反映出政府R&D經費的投入對沿海經濟區總體創新效率有顯著的正向作用。但細分各區域又有差異，在長三角經濟區，政府扶持資金對于該省域創新效率有著較為顯著的積極作用，而在京津冀和廣東，政府對于R&D的扶持資金并沒有對當地創新效率產生較為明顯的積極影響，這說明在該地區政府科技資金的引領和導向作用沒有充分發揮，資金使用效率較低。

(4)從表7技術市場交易額對創新效率的影響來看，沿海經濟區總體技術市場交易額對創新效率具有正向作用，也就是說我國沿海經濟區技術市場交易比較活躍，交易金額規模較大，這有助于提升地區創新效率。具體而言，京津冀地區和廣東的技術市場交易對區域創新有較為明顯的正向作用，而長三角地區則不顯著。

(5)表7中城鎮化率總體而言對于區域創新效率有正向作用，從地區來看，長三角和京津冀地區的城鎮化率促進當地創新效率提升，且長三角地區的正向影響程度略高于京津冀地區，而廣東的城鎮化率并沒有對區域創新效率有較為顯著的正向影響。總的來說，城鎮化率較高的地區，有利于創新的各類基礎設施較為完善，更有利于開展創新活動和有更多的創新產出。

(6)從表7可以看出，沿海經濟區總體人力資本水平并沒有對創新效率提升產生明顯的正向促進作用。除京津冀地區的人力資本水平對于當地創新效率有較弱的正向作用以外，長三角和廣東省的人力資本水平都沒有對當地創新效率產生較為明顯的正向作用，究其原因在于高等院校對于人才培養依然還未實現產學研的協同培養，人才培養和產業對人才需求脫節，這也為今后沿海地區人才培養模式的轉型提供方向和目標。

4 結論與建議

4.1 結論

本文使用2012-2019年我國沿海三大經濟區8個省市面板數據，運用DEA-Malmquist 指數和面板Tobit模型對其創新效率進行了測度及影響因素分析。通過分析可以得出如下結論：

(1)從結果來看，北京、上海和廣東的綜合技術效率值均為1，達到了DEA有效；浙江、安徽緊隨其后；而天津、江蘇和河北則排在后三位。具體而言，北京、上海和廣東無論是純技術效率值還是規模效率值都為1，達到了DEA有效；而浙江除個別年份規模效率值低于1以外，其他年份規模效率值和純技術效率值均為1，達到了DEA有效；安徽無論是純技術效率值還是規模效率值均大于0.9，總體處于技術創新的高效率水平；影響天津和江蘇綜合技術效率水平的因素主要是規模效率相對偏低；河北則更需要在純技術效率水平上進一步提升。

(2)沿海三大經濟區的8個省市Malmquist指數即全要素生產率變動指數總體在2012-2019年的不同時期數值均大于1，表明這8個省市的技術創新效率總體呈現增長的發展趨勢。沿海經濟區各省域創新發展主要得益于外部技術進步，而綜合技術效率改善更多是得益于規模效率改善，純技術效率有待進一步提升。從省域來說，北京、廣東和上海全要素生產率變動指數增幅超過均值，處于第一方陣；而河北和安徽增長較快，處于第二方陣；天津、浙江和江蘇增長則較慢，處于靠后的位次，其原因分別是技術進步指數、規模效率變動指數和純技術效率變動指數增幅較低。

(3)Tobit模型回歸結果顯示產業結構對沿海經濟區省域創新效率具有顯著的正向作用，即產業結構的轉型和升級對于區域創新效率提升有積極作用。政府R&D經費的投入對沿海經濟區總體創新效率有顯著的正向作用，但對各地的影響差異較大。技術市場交易額以及城鎮化率都對省域創新效率有正向作用，而對外開放度和人力資本水平并沒有對創新效率提升產生明顯的正向促進作用。

4.2 建議

4.2.1 積極推進區域創新體系與能力建設

具體可從以下幾方面著手：①鼓勵各地政府增加對創新活動的公共資金投入，以此帶動更多社會資本投入創新領域，強化對資金使用效率的監督和考核；②積極構建高水平區域協同創新體系，為區域內創新主體吸收外部資源和開展合作提供平臺;③積極推動區域創新基礎設施與本地各類創新主體建立開放合作關系，構建穩定且緊密協作的區域創新共同體； ④以地區創新能力提升為目標，應強化高校人才培養模式與區域、產業發展深度融合，加強創新型人才培養，堅持理論型和應用型高層次人才培養并重，增強人力資本服務當地創新活動的支撐作用。

4.2.2 完善城鎮化空間布局，加快創新型城市群建設

從分析可以看出，城鎮化水平同樣對創新效率有正向影響作用，因而進一步優化和完善城鎮化空間布局，將有利于省域創新效率提升。借鑒國外創新型經濟體發展的經驗，加快建立創新型城市群是優化和完善城鎮化空間布局的較好發展路徑[21]。目前在我國應通過將北京、上海、廣州、深圳等中心城市非核心功能向周邊中小城市疏解，這有利于優化城市群整體空間布局，促進區域創新活動的空間協同和一體化發展，提升國土空間治理能力和效率。為此需要做到：①進一步優化和完善交通基礎設施網絡，提升大中小城市之間通達水平，不斷提高區域內和區域間創新要素流動效能；②增強創新型中小城市的制造業基礎能力及產業轉移承接能力，優化創新環境，提升公共服務的均等化水平。

4.2.3 通過調節創新資源配置緩解南北經濟差距擴大

我國沿海經濟區中只有京津冀地區地處北方，而長三角地區和粵港澳大灣區均位于南方，經濟上南強北弱的現象較為明顯。從對各省域創新效率的分析看出，由于各省域各類資源稟賦的客觀差異，致使各地對創新資源要素的集聚和吸納能力呈現出較大差異，應促進區域內創新要素的有序流動和合理配置，統籌規劃創新資源在各地的空間布局，應將京津冀、長三角與粵港澳大灣區三地協同對接，通過開展聯合基礎研究和共建重大科技基礎設施等，加強三地之間的互利合作，實現區域內部和區域之間產業創新驅動轉型升級與優勢整合，緩解南北經濟差距擴大。