基于創新創業的區域創新效率時空特征研究

彭緒庶，張 笑

（1.中國社會科學院 數量經濟與技術經濟研究所，北京 100732；2.中國社會科學院大學數量經濟與技術經濟系，北京 100732）

一、引言

當前，中國正處于由高速增長轉向高質量發展的關鍵時期，創新創業是實施創新驅動發展戰略的重要抓手。推動從創新向創業轉化，培育發展新動能，促進經濟轉型升級，實現經濟高質量發展，具有不可替代的重要作用。近年來，中國各級政府對創新創業投入持續加大。從R&D 投入來看，中國自2013 年后R&D 經費穩居世界第二位，且繼續保持快速增長。2019 年，首次突破2 萬億元大關。2020 年，我國R&D 經費投入達到24426 億元，R&D 人員全時當量也增長至509.19 人年①數據來源：國家統計局（http：//www.stats.gov.cn/）。。在各級政府支持下，創新創業金融支持渠道不斷拓寬，創業投資規模持續增長。據統計，2019 年全國創業風險投資累計投資金額達到5635.8 億元②數據來源：《中國科技統計年鑒》。。持續加大創新創業投入和政策支持，帶來了一系列成效，如專利申請授權量、技術市場成交額持續增加，創新型企業研發實力不斷增強，社會創造活力得到增強，涌現出了許多競爭力強、成長性好、知名度高的創新型企業，同時也催生出一批高技術、新業態的就業崗位。

但是，僅從上述統計指標來評價創新創業活動帶來的成效并不全面。學界和媒體關于中國創新資源配置不合理，創新投入高，經濟效益低等問題的研究和報道時有發生。經濟學研究必須重視效率問題，尤其是在新一輪科技革命和產業變革中，科技和經濟領域的競爭首先是對創新創業資源的競爭，國際國內普遍高度重視創新創業問題，對創新創業資源的競爭日趨激烈，必須從創新創業的視角高度重視創新效率問題。

二、文獻綜述

創新效率研究始終是學術界研究的熱點。章成帥（2016）、胡良善（2017）、盛廣耀和孫聰麗（2021）分別對產業創新效率和區域創新效率研究進行了較為詳細的綜述。綜合國內外文獻和綜述研究可以發現，從創新效率測算方法來看，主要可分為三類：第一類是非參數方法，主要是數據包絡分析（data envelopment analysis，DEA）方法；第二類是參數方法，主要是隨機前沿分析（stochastic frontier analysis，SFA）方法，如盛彥文等（2020）對中國東部5 大城市群創新效率的測度。DEA 方法的應用較為廣泛，該方法也是國際上公共政策效應評估的重要模型。因此，第三類是以DEA 方法為基礎，對DEA 方法進行改進，或融合其他方法進行分析研究。例如，顏莉（2012）綜合運用主成分分析和DEA 的組合方法測量我國區域創新效率，并用我國30 個省份的創新數據進行測量實證分析。Chen 和Guan（2012）利用關聯網絡數據包絡模型測算中國30 個地區創新效率。近年來，越來越多研究通過改進傳統DEA 方法進行創新效率測算，例如，白俊紅和蔣伏心（2011）利用三階段DEA 方法，發現控制環境影響因素后，中國區域創新效率平均值相較不控制情況下降低，且規模效率較低成為制約其發展的主要原因；羅穎等（2019）、易繼承和張璐（2021）分別利用三階段DEA 方法測算了長江經濟帶11 省市和27 個國家的創新效率。

從研究內容來看，研究重點除測算產業、園區、區域和國家創新效率外，還包括影響創新效率的因素，區域創新效率的空間差異性特征和時間演進特征。例如，劉滿鳳和李圣宏（2016）、錢麗等（2015）、齊亞偉（2015）也分別從區域層面、企業層面及創新主體層面對創新效率進行測量，并考慮了創新環境如基礎設施、政府支持、金融環境及勞動者素質等對創新效率的影響。歐光軍等（2013）采用DEA 方法分析國家高新區經濟系統運行效率，發現目前多數高新區無論是技術還是規模都處于無效的狀態。劉偉江等（2019）使用聚類分析，將我國31 個省份面板數據按照創新創業水平劃分為4 個區域，并構建鏈式中介回歸方程，探究科技政策對區域生產率增長的作用機理。

黨的十八大后，隨著中央提出“大眾創業，萬眾創新”，與“雙創”相關的創新效率研究日漸增多，如張靜進和陳光華（2019）運用DEA 方法對我國眾創空間的創新創業效率及各省份之間的差異進行了測度；王元地和陳禹（2017）以我國31 個?。ㄊ校祿榛A，構建區域“雙創”效率評價指標體系，并運用三階段DEA 方法，在控制環境因素的基礎上考察各地區“雙創”投入產出轉化效率；林冰儇（2020）運用三階段DEA 方法，考察了我國各地區雙創投入產出轉化效率，并研究其在空間上的差異。

總體來看，區域創新效率研究取得了豐碩成果，但不足也相當明顯。例如，相當多研究都認為DEA 方法是基于線性規劃方法，而忽視了該方法應用的經濟理論基礎。相當多研究將創新和創新效率理解為基于科技研發活動的創新和研發效率，忽視了創新本義上是一種經濟行為。例如，Fritsch 和Slavtchev（2011）研究中創新投入和產出指標分別為私營部門R&D 就業數量和企業專利申請數量，Broeke（l2015）對德國270 個勞動力市場地區創新效率的測算也大致如此。國內研究對投入和產出指標的選擇雖然更加豐富，尤其是在產出指標方面增加了諸如新產品數量、新產品銷售收入等，突出了創新產出的經濟效益，但包括近年基于創新創業或“雙創”的區域創新效率測度研究在內，多數研究仍忽視了創新和創業內在的關聯性，以及較少把創新創業作為一個有機整體分析其對創新效率的影響。

本文嘗試從創新創業促進創新效率的理論機制出發，根據創新創業的目標導向構建測度創新效率的指標體系，評估和比較分析省域創新效率的時空演進特征，對認識各地創新效率現狀和未來進一步完善創新創業政策具有重要參考意義。

三、理論分析

（一）理論機制

效率實際上是一種投入產出之間的比例關系。但由于創新是一種復雜經濟活動，創新投入不僅僅是R&D經費和人力投入，創新產出也不僅僅表現為研究論文、專利或新產品，其投入和產出都需要從多重維度進行度量。因此測度創新效率本身在理論上即存在較大困難，難以形成共識?？傮w上，創新效率衡量的是在一定政策支撐和環境影響下創新要素投入向創新產出的轉化水平，既是對創新績效的反映，也是創新能力的重要體現。在傳統研究中，可能是因為影響創新效率的因素眾多，且創新效率測度困難，創新效率成為一個“黑匣子”；另外，創新活動對創新效率有著顯著影響，其影響機制較易理解。創新與創業長期被視作孤立的兩個領域，盡管近年來關于創新創業的研究日漸增多，但尚未有人系統分析創業對創新和創新效率的影響機制。

創業在提升創新效率過程中的作用主要可以概括為如下幾個方面：

第一，從產業鏈的視角看，科學研發與開發等創新活動的直接產出成果是科學論文、研究報告、專利甚至是商業設計，創業活動是利用這些創新產出付之于生產經營實踐，高質量和活躍的創新有利于推動創業，創業活動是創新活動的自然延伸。反過來，活躍和高質量的創業衍生創新需求，有利于拉動創新發展。創新創業緊密聯系在一起形成的閉環，不僅與從創新投入到創新產出的轉換過程高度耦合，也驅動創新效率轉換成為不斷升級的循環過程。

第二，創業行為的直接產出是催生了大量中小微企業，同時還將帶動科技中介服務發展，有利于形成不同規模企業和產學研相互促進、相互協作、集聚發展的良好創新生態，能夠在一個特定區域內更好匯聚和整合資本、創新型人才、創新信息、技術等創新要素，發揮提升創新效率的合力效應。

第三，與創新相比，創業對區域政策、人才、金融等環境更加敏感。像重視創新一樣重視創業，必然要推動政府簡政放權，完善服務，營造良好營商環境和公平競爭市場環境，充分發揮市場在資源配置中的作用，同時加強對創業政策支持，加大知識產權保護。顯然，重視創新創業與營造創新創業環境密不可分，而良好的創新創業環境直接有利于提升創新效率。

第四，某種意義上，創業是希望利用知識商業潛力獲取超額收益。創業過程實際上是將創新人才具有的隱性知識顯性化，推動區域知識存量商業化的重要過程。在這一過程中，不僅有利于促進知識再生產，提升創新水平，也直接有利于科技創新成果轉化，加快由創新投入向創新產出的轉化。

第五，創業直接表現為開辦新企業，開發新產品，開拓新市場，培育新產業。創新創業緊密結合，與經濟社會發展深度融合，不僅是培育發展新動能，加速產業轉型升級，而且有利于提升經濟發展質量，活躍的創新創業也能促進提升經濟發展效率。創新效率既是經濟發展效率的重要內容和重要支撐，也是經濟發展效率的重要體現。反過來，經濟發展效率的提升也有利于推動提升創新效率。

（二）理論模型

數據包絡分析（data envelopment analysis，DEA）是一種非參數估計的效率評價方法，在經濟計量領域，尤其是在分析公共政策效率的方面已經得到了廣泛應用。DEA 方法的主要原理是通過保持決策單元（decision making units，DMU）的輸入或輸出不變，運用數學的線性規劃方法來構建有效的最佳凸性生產前沿，然后計算出各決策單元的生產曲面，測度其與最佳生產前沿的距離來確定效率值，效率的結果可以判斷決策單元達到最優的投入與產出量（李素梅等，2016）。DEA 方法可分為固定規模報酬的CCR（固定規模報酬）模型和規模報酬可變的BCC（規模報酬可變）模型，CCR 模型假設規模報酬不變，計算出的效率值是包含規模效率的綜合技術效率，BCC 模型可通過綜合技術效率中剔除規模效率的影響，得到純技術效率值。運用DEA 方法進行創新效率測度可以從投入和產出兩種模式進行，其中，投入主導型（inputs）是指在不改變產出數量的前提下，得到使投入最小的方法；產出主導型（outputs）是在不改變投入要素的條件下，得到產出最大的方法。

如前所述，由于創新投入和創新產出都需要多維度指標進行衡量，且不同指標量綱不一致，難以確定不同指標的權重，而DEA 正好適合處理這種多輸入和多輸出的有效性評價。同時，在創新效率評價中，投入因素是創新政策可以施加影響的決策單元，且發揮著主要作用。因此，本文的基本理論模型選用投入導向的BCC 模型，具體可表示為

其中：i=1，2，…，n；n為決策單元的個數；xij（j=1，2，…，m）為第i個決策單元的第j個投入要素；yir（r=1，2，…，s）為第i個決策單元的第r個產出要素；xoj、yor分別表示第o個決策單元的第j個投入要素和第r個產出要素；λi為權重變量；s+和s-為松弛變量；ε為非阿基米德無窮小量，一般取ε為10-6；et=（1，1，…，1）；θ*為最優解，表明該決策單元技術效率最佳，效率θ∈(0，1]。DEA 模型的原理是將處在前沿面上的決策單元認定為其投入產出組合最有效，并把該決策單元的效率值定為1；不在前沿面上的決策單元則被認為是無效的，同時通過與前沿面對比，確定其相對的效率指標。因此當θ*=1 且s-*=0，s+*=0 時，表示決策單元j0為DEA 有效；當0＜θ*＜1 且s-*≠0，s+*≠0，決策單元j0為非DEA 有效，表明該決策單元投入不當，屬于非技術有效。

運用DEA 方法可對眾多領域的效率問題進行有效評價，但傳統的DEA 模型所測定的效率結果中通常會存在一個以上的有效決策單元（效率值為1），而效率值相同意味著無法對這些有效的決策單元進行進一步的比較。為了完善這一不足，本文借鑒Andersen 和Petersen（1993）利用提出的超效率模型進一步對區域創新效率進行測度。超效率DEA 模型評價思想是，要對某決策單元進行效率評價時，先將其排除在外。因此，就無效的決策單元而言，其生產前沿面不變，但就有效決策單元而言，在其效率值不變的前提下，投入按比例增加，將投入增加的比例記為超效率評價值，因其生產前沿面后移，故測定出的效率值要大于利用傳統DEA模型測定的效率值（付麗娜等，2013）。

規模報酬可變的情況下，超效率DEA 模型變為

四、研究設計

（一）DEA 投入產出指標設計

1.指標選擇的基本考慮

利用DEA 方法進行創新效率評估，首要關鍵點在于投入和產出能力的測度。表1 列出了部分代表性文獻在測度區域創新效率時的投入產出指標情況。

表1 代表性文獻測度區域創新效率的指標選擇情況

本文認為，利用DEA 方法測度創新效率，根據創新創業影響創新效率的經濟機理選擇投入和產出指標至關重要，這是指標科學性的基礎。即投入指標必須體現創新創業的核心特征，產出指標必須體現創新效率的基本內涵，同時投入指標和產出指標之間應具有內在的因果關系或相關關系，符合經濟邏輯的一致性。同時，在指標的選擇和相應的指數計算過程中，指標和測算結果在時間維度上能進行縱向對比，在空間維度上能夠進行橫向對比，即同全國范圍內其他樣本的同一指標進行比較。這就要求數據指標必須具有較好的規范性和通用性。

2.DEA 投入指標設定

在選取DEA 投入指標時，本文分別從創新投入、創業投入和發展環境的角度選取創新經費投入、創新人員投入、創業平臺投入、創業資金投入和創新創業環境5 個投入指標。

（1）創新經費投入。創新是創業的先導，衡量創新投入的指標之一，用研究與試驗發展（R&D）經費投入強度來度量。R&D 作為國際上反映一國科技實力和核心競爭力的重要指標，其投入強度指標可用于反映地區創新研究經費投入的整體水平。

（2）創新人才投入，衡量創新投入的指標之一，用研究與試驗發展（R&D）人員全時當量來度量。反映國家或地區創新研究在人才方面的投入和建設水平。

（3）創業平臺投入?？萍挤趸魇菂^域創新體系的重要核心內容，是地方重視和推動創業的重要載體。因此可以用來反映創新創業的平臺投入水平。

（4）創業資金投入。理論上，創業資金投入應使用創業企業注冊資金總額或資本金投入總額來衡量，但考慮到該指標缺乏相應數據，這里用風險投資額來度量。這是因為，風險投資的主體是創業投資，即向初創企業提供資金支持并取得該公司股份的一種融資方式，風險投資涉及的企業大多為新創企業或未上市企業。因此特定地區企業獲得的風險投資額能夠較好地反應該地區的創業金融資金支持強度。

（5）創新創業環境。影響區域創新效率的因素不僅包括創新投入，還包括創新創業環境，包括財政金融環境、基礎設施狀況、社會經濟發展水平和人文教育發展水平等（陳銀娥等，2021）。從創新創業的角度看，最重要的是環境因素就是營商環境。

參考張三保等（2020）的做法，本文在原有評價指標體系的基礎上，根據數據的可得性和可操作性，構建新的中國省級營商環境評價指標體系（表2），計算2014—2019 年各省級營商環境評價指數，其中，網上政務服務能力總體指數、政府透明度指數缺少省份數據的部分以省會數據代替，司法文明指數2014 年缺失的數據用臨近三年的均值代替。

表2 中國省級營商環境評價指標體系

具體計算過程為：采用效用值法處理原始數據，效用值值域為［0，100］。正向評估內容效用值計算公式如式5 所示，逆向評估內容效用值計算公式如式（6）所示，其中，對地價和政府支出進行逆向評估。

其中：a表示評估內容；b表示區域；xab表示b區域a評估內容原始數據；xamax表示a評估內容最大值；xamin表示a評估內容最小值；yab表示b區域a評估內容效用值。

根據式（5）和式（6）計算出二級指標下設的評估內容效用值，對其進行簡單平均，形成二級指標得分，若二級指標僅設一個評估內容，則將該評估內容的效用值作為二級指標得分，根據二級指標的得分與指標權重，計算得到各省營商環境評價指數，結果以總分情況體現，通過對各項指標的綜合處理，能夠有效地體現出各省級營商環境的變化。

3.DEA 產出指標設定

創新產出不僅包括科學出版物、科技論文和專利等，還可以體現在多個方面。但從宏觀效率的角度，這些產出都是效率的間接體現。另外，從創業的角度，創業產出也是提升創新效率的中間產出。根據前述對創新創業影響創新效率的經濟機制分析，本文選擇如下5 個指標作為產出指標。

（1）專利產出。作為直接衡量創新產出的指標之一，用地區發明專利授權量來度量。在創新研發成果中，獲得授權發明專利的質量相對較高，能較好體現創新能力，也是創新主體科技創新成果轉化潛力的體現，是驅動創業的重要先導因素之一。

（2）技術產出。新技術是創新產出的重要目標，但考慮到缺乏標準的技術統計，本文用地區技術市場成交額來度量。技術市場是技術商品的營銷場所和領域，包括軟件技術市場、硬件技術市場、一體化技術市場。技術市場成交額可用于反映技術成果的市場產出水平。

（3）就業質量。創新帶動創業，創業帶動就業。提高就業數量的同時提升就業質量，是創新創業的重要目標之一?？紤]到我國就業統計情況，這里用地區高技術企業從業人員數來度量。我國的高技術產業在統計上包括醫藥制造業、生物生化制品、電子及通信設備制造業、電子器件制造業、醫療器械等高技術密集型產業，代表了前沿、發展速度快的產業領域。高技術企業就業人員數量變化能反映創新創業在勞動力市場上的產出水平。

（4）創業規模。成立新企業是創業的重要目標和標志之一。創業越活躍，新企業數量越多，同理也可以認為創業產出水平越高。因此，新企業數量是衡量創業規模，體現區域創業產出水平的重要指標，本文用地區年度新成立企業法人單位數來度量。

（5）經濟效率。如前述理論分析，經濟效率的提高將帶動創新效率提高，本文用地區全要素生產率來度量。全要素生產率即為資源，包括資金、勞動力開發利用的效率，是技術進步對經濟發展作用的綜合反映，能較為全面地衡量地區各項活動的產出效率。具體測算方法使用隨機前沿分析法（SFA），產出和投入指標包括總產出、勞動投入和物質資本投入，其中，總產出以GDP 進行衡量，勞動投入直接采用全社會從業人員數，物質資本存量以固定資本形成額進行衡量，采用永續盤存法進行估算。

（二）樣本選取及數據來源

根據我國創新創業政策的實施特征和階段，選取首先提出“大眾創業萬眾創新”這一概念的2014 年作為初始年份，并結合現有公開數據的可得性，以我國省級行政單位為研究樣本，選取我國除西藏、港澳臺地區以外的30 個?。ㄖ陛犑?、自治區）2014—2019 年的年度數據。其中，發明專利授權量、技術市場成交額數據來源于國家統計局，高新技術企業從業人員人數、科技孵化器數量來源于《中國火炬統計年鑒》，新成立企業法人單位數來源于《中國基本單位統計年鑒》，R&D 經費投入強度、R&D 人員全時當量數據來源于《中國科技統計年鑒》，風險投資額數據根據WIND 數據庫VC/PE（venture capital/private equity）板塊中各省份風險投資事件數據整理而來。此外，營商環境評價指數參考張三保等（2020）的做法計算得來，全要素生產率數據使用隨機前沿分析法（SFA）進行測算，具體結果參見馬克數據網。具體投入產出指標選取見表3。

表3 DEA 方法投入產出指標選取

在DEA 模型中，決策單元（DUM）效率值的測算不受投入產出指標量綱的影響，但要求輸入、輸出值為正值，但各省風險投資額出現零值情況（青海個別年份出現0 值，實際上的投資額不一定為0，只是尚未披露或數據庫收錄問題，導致統計上出現0）。因此本文參考孫愛軍等（2011）的方法，對該指標數據進行歸一化處理，歸一化處理并不會影響最后的分析結果，其作用機理在于使得各決策單元形成的生產前沿面發生平移和固定比例的縮放。處理后的樣本數據取值范圍為在［0.1，1］內，具體公式為

其中：Xij是第i個省（直轄市、自治區）第j項指標的值，∈[0.1，1]，Xmax=MAX(Xij)；Xmin=MIN(Xij)；i=1，2，…，m；j=1，2，…，n。

（三）數據描述性統計

DEA 模型投入產出指標數據描述性統計見表4，為直觀展現指標的特征，此次均采用未標準化的指標數據統計。表4 展現了整個研究期間（2014—2019 年）DEA 模型的主要描述性統計，由表可知，我國各省6 年間創新創業相關投入產出指標的差異較大，如科技孵化器數量的最大值為1013 個，最小值僅為1 個；技術市場成交額最大值為5695.28 億元，最小值為0.65 億元。

表4 DEA 模型指標數據描述性統計表

五、實證分析

（一）傳統DEA 模型測算結果分析

本文基于投入導向型的DEA 模型對我國省級層面創新效率進行分析，采取這一方法可以分析各省級行政區創新創業活動投入要素的優化方向。本文首先運用Deap2.1 軟件對2014—2019 年除西藏、港澳臺地區以外的30 個省級行政區創新的綜合技術效率進行測算，效率為1 說明該地區在模型的假設條件下相關松弛變量為0，該省域不存在創新投入冗余或產出不足，政策充分有效，而效率小于1 證明該省份未達到政策有效狀態。由表5 可以看出，有較多省份多數年份的創新的綜合技術效率均為1。按綜合技術效率③在DEA 方法測算的效率評估中，綜合技術效率等于純技術效率值與規模效率值的乘積，是對決策單元中要素配置、資源使用等的綜合衡量與評價。計算，2014年，省級行政區的平均值為0.97，DEA 有效省級行政區達23 個，2015 年和2016 年綜合技術效率平均值下降到0.93，2017 年上升到0.96，2018 年和2019 年省級行政區綜合技術效率平均值上升到0.99，DEA 無效省級行政區數量分別下降至5 個和6 個。2014—2019 年間，北京、河北、江蘇、浙江、安徽、江西、山東、湖北、湖南、廣東、海南、陜西、青海、新疆DEA 均保持有效，其他省份的綜合技術效率有所波動但在2016 年后基本都呈現出上升趨勢。

表5 2014—2019 年DEA 綜合技術效率測度值

表6 列出了DEA 無效省份的效率值。具體來看，多數情況下，DEA 無效或說綜合效率低都是純技術效率和規模效率都無效共同作用的結果，但也有例外。例如，一些省份在某些年份情況下純技術效率是有效的，但可能存在規模效率無效的情況。例如，2014 年內蒙古、遼寧、吉林、黑龍江、福建、河南、廣西7 個省份DEA 無效，但只有內蒙古、遼寧、福建和河南4 個省份處于純技術效率和規模效率均未達到有效狀態，而其他3省份純技術效率均有效，而只有規模效率無效。與此類似，以2019 年為例，天津、吉林、上海、貴州和云南5 個省級行政區DEA 無效，但云南和上海仍然處于技術效率的有效狀態。即使是對那些DEA 綜合效率無效的省份而言，多數情況下規模效率的影響超過純技術效率的影響。因此，總體上，規模效率對綜合效率的影響更大。單從產出的角度看，這主要是由于這些省份創新創業規模不足，或者尚未處于最優狀態。例如，從規模報酬變化來看，即使是DEA 無效省份，多數省份仍處于規模報酬遞增狀態，只有少數省份在個別年份呈現規模報酬遞減的情況。例如，2014 年的內蒙古，2016 年的上海和重慶，2018 年的上海，2019年的上海和貴州。

表6 2014—2019 年DEA 無效省份效率值

從時間上來看，2014—2019 年省域創新效率呈U 形發展曲線，即先輕微下降后上升，總體呈上升趨勢。另外DEA 無效省級行政區呈先增多后減少趨勢，總體上DEA 無效省份數量逐步減少。這表明，創新創業可以有效促進提升省域創新效率。從空間上來看，東部、中部、西部和東北地區均存在DEA 無效省份，總體上經濟較發達的東部DEA 無效省份數量相對較少，而相對欠發達的西部和東北地區DEA 無效省份數量更多。

（二）超效率DEA 模型分析

由表5 可以發現，利用傳統DEA 方法，多數省份創新均處于綜合技術效率有效狀態，但根據該結果，不僅難以分析觀察同一省份在研究期間創新效率的動態變化，也難以對不同省份創新效率進行詳細比較分析。為了進一步分析傳統DEA 方法下效率值為1 的省份的創新效率特征，本文運用EMS1.30 軟件，進一步采用投入導向的超效率DEA 模型對除西藏外30 個省級行政區2014—2019 年間創新效率進行測度，結果見表7。

表7 2014—2019 年各地區超效率DEA 測度值

從結果來看，超效率DEA 測算的各省級行政區創新綜合技術效率值總體較高。從發展趨勢來看，研究期間（2014—2019 年），各地創新效率值略有波動，在政策最初實施的2014 年，各省的DEA 效率均值為1.33，在2015 年（1.30）、2016 年（1.27）有所下降，其后在2017 年、2018 年、2019 年持續上升至最大值1.37。這一趨勢與利用傳統DEA 測算省級行政區創新綜合技術效率值U 形波動和發展趨勢大體一致，表明總體上創新創業均能有效提升創新效率。

具體到各省級行政區而言，將30 個省級行政區2014—2019 年的DEA 效率值取均值并進行排名，可以發現，排名前十的省級行政區依次為北京、青海、海南、廣東、山東、陜西、河北、云南、浙江、湖北。對效率值排名進行分析，可發現具有如下特點：

第一，北京、廣東、江蘇、浙江等地向來為我國創新強省和創業大省，創新創業投入和產出均保持在較高水平，且與其他省份有較大差距。以北京和廣東為例，北京的高投入和高產出主要體現在資金方面，6 年間北京的R&D 經費投入強度、風險投資額和技術市場成交額均位于全國首位，而廣東的高投入和高產出主要體現在技術方面，R&D 人員全時當量、科技孵化器數量和高新技術企業從業人員數均位于全國首位。高投入帶來的高產出使得其創新效率較高。在研究期內，北京、河北、江蘇、浙江、山東、廣東、海南的效率值一直處于大于1 的有效狀態，其中北京的DEA 效率均值達到3.52，為各省級行政區排名第1，且2014—2019 年一直維持高水平。一個反面實例是天津。天津排名較低，創新效率表現不佳，從2015 年起處于效率值小于1 的無效狀態。究竟原因，主要是天津市2015 年和2016 年R&D 經費投入強度較低、科技孵化器數量較少、營商環境不佳等，2017—2019 年則表現為R&D 經費投入強度不足和營商環境不佳。內蒙古（2014—2016 年）和河南?。?014）的情況與此類似。這從正面兩方面再次證實，創新創業能有效提升創新效率。

第二，創新創業投入直接影響創新效率。例如，山西、河南和東北三省等，創新效率相對較低，主要與這些地區由于特殊的戰略定位、產業結構，導致創新創業投入不足有密切關系。如山西省R&D 經費支出規模小、強度低，東北作為老工業基地，面臨轉型發展困難，R&D 經費投入、人員投入、科技孵化器數量、營商環境等方面與其他地區相比都存在一定差距。相反的典型例子是福建。超效率DEA 測度的福建創新效率較低，但隨著R&D 經費投入、科技孵化器數量和營商環境這三個投入指標逐年得到改善，福建的效率值呈現明顯的上升變化趨勢。

第三，創新創業關聯性對創新效率有顯著影響。例如，上海和福建，整體創新效率值并不高。這些地區經濟相對發達，創新創業投入較高，但創新創業間并未能形成聯動，導致創新產出并不高，或者是存在其他投入產出效率難以提高的情況。如上海的R&D 經費投入強度、風險投資額穩居全國前三，但是產出情況表現不佳，專利授權量和高新技術企業從業人員數均未進入前三，分別位于全國的第五和第六，高投入沒有帶來相應的高產出。前述利用傳統DEA 模型測算發現上海存在規模報酬遞減也說明這一問題。

第四，青海、海南、陜西等省份，創新創業投入與產出遠低于北京、上海等發達地區，但這些省份創新效率值排名卻比較高。以青海省為例，青海省的投入產出均位于全國較低水平，R&D 人員全時當量、風險投資額和發明專利授權量連年位于全國末端，但是效率值在2014—2018 年位于全國前四。這一現象產生的原因可能在于，雖然這些地區創新創業產出低，但同時創新創業投入也低，形成一種“低水平均衡狀態”，使得創新效率看起來比較高。這也凸顯了DEA 方法的缺陷。

第五，創新效率與區域經濟發展水平之間并無顯著相關關系。創新效率顯著、排名靠前的省份既有經濟發達省份，也有相對欠發達省份。從區域來看，東部地區包括10 個省級行政區，創新效率平均值為1.60，高于全國平均水平，位于全國第一。但東部地區主要是由于北京、海南、廣東、山東、江蘇、浙江等省份效率值較高，且均處于大于1 的有效狀態。西部地區包括11 個省級行政區，創新效率平均值為1.25，低于全國平均水平，位于全國第二，創新效率均值總體處于穩定狀態，除去青海外，各省份的效率值波動差別不大，內蒙古和寧夏的創新效率均值無效。中部地區包括6 個省級行政區，創新效率平均值為1.22，低于全國平均水平，位于全國第三，創新效率均值總體處于穩定狀態。東北地區包括3 各省份，創新效率平均值為0.88，低于全國平均水平，位于全國第四，創新效率均值總體處于穩步上升狀態，但是上升的幅度不大。在研究期內，東北各省效率值大于1 的情況較少，吉林一直處于效率值小于1 的狀態，且波動幅度較大。東北地區作為老工業基地，以資源消耗型產業為主，整體創新性不強，R&D 經費投入、人員投入、科技孵化器數量、營商環境等方面與其他地區還有一定的差距，創新效率測度結果符合東北地區的現實困境。

六、結論和建議

（一）結論

本文運用2014—2019 年中國30 個省級行政區的面板數據，選取投入導向的DEA 模型和超效率DEA 模型，根據創新創業影響創新效率的經濟機理選擇投入產出指標，測算除西藏外30 個省級行政區創新創業效率，得出以下主要結論：

第一，自我國雙創政策實施以來，我國各省份創新創業的綜合技術效率值總體較高，在傳統的DEA 方法下，多數省份達到了DEA 有效狀態。運用超效率DEA 模型進行進一步分析，出現了高投入、高產出的北京、廣東、江蘇、浙江等地，以及低投入、低產出的青海、海南、陜西等地綜合效率值在各省間排名較高，而同樣處于高投入和高產出水平下的福建、上海等地，其綜合效率值卻不高。這表明，區域創新效率與不僅與創新創業投入有關，還與創新產業產出，以及從創新向創業轉化的創新環境密切相關。進一步對我國四大區域的創新效率進行分析，發現創新效率由高到低的排序為東部、西部、中部和東北地區，其中，我國東部地區創新效率平均值最高，高于全國平均水平，西部、中部和東北地區創新效率均值均低于全國平均水平。形成這一結果的原因可能在于東部地區經濟發達，區位優勢明顯，在創新創業的政策扶持、人才引入等方面優于其他地區，而中部、西部、東北地區區位優勢不顯，中部、東北地區的一些省份是傳統的老工業基地，創業環境不佳，造成效率低下。

第二，對各省級行政區年度DEA 測算結果進行分析時，發現導致綜合技術效率無效的原因主要分為兩種：一是純技術效率和規模效率均無效，二是規模效率無效。此外，由于各省份創新創業政策實施進展不同，經濟社會發展程度也不同。因此，出現規模效率無效的情況也不同。如寧夏（2017 年）、上海（2019 年）處于規模報酬遞減階段，廣西（2014 年）、吉林（2015 年）等地處于規模報酬遞增階段。因此，提升創新創業效率除了要提高區域內的整體管控和技術水平，也要保證各省份內部的創新創業規模達到最優。

第三，超效率DEA 模型的引入，可以有效地區別傳統DEA 模型不能區分的效率值為1 的省份，進而分析這些省份的創新效率特征和變化趨勢。通過這一模型，可以更加清晰地看到各省域和地區之間效率值的差異，進而分析省域效率值對于全國整體效率值的影響，為提高創新效率提供了重要啟示。但總體而言，DEA方法能較好研究多投入多產出單元效率測度和政策效果評價問題，但無法進一步識別更加詳細的影響因子及其貢獻大小問題。解決效率或政策效果“黑匣子”的缺陷需要借助其他研究方法。

（二）若干建議

第一，加大創新創業投入。本文的分析測度表明，盡管創新創業投入與創新效率之間尚無法證實存在顯著相關關系，但投入高的省份，DEA 效率值通常更高。同時，對于效率值低的省份，增加創新創業投入，通?？梢源龠M提升DEA 效率值。因此，創新創業投入是影響創新效率的必要條件，包括既要增加R&D 經費和人員等投入，也要增加科技孵化平臺建設，鼓勵和支持創業風險投資等發展，促進創業投入的持續增加。

第二，改善營商環境。對各省份創新效率的測度也表明，營商環境作為重要的政策因素和重要的投入變量，對提升創新效率有著重要影響。對于難以加大R&D 投入和創業投入的地區而言，解放思想，加大“放管服”改革力度，更好發揮市場在資源配置中的作用，優化營商環境，尤為重要。

第三，加強創新創業聯動。重視創業在提升區域創新效率中的積極作用，一方面，要下大力氣加強知識產權保護，加大力度促進科技成果轉化，加快科技人才體制改革，暢通創新人才流動渠道，營造有利于創業的宏觀制度環境和社會氛圍；另一方面，要加強對創業的微觀措施和具體政策支持，包括鼓勵和支持孵化器、加速器等創業載體建設，鼓勵和支持風險投資等科技金融發展，完善創業中介服務等。