黃河流域九省區創新效率評價

沙德春，王茂林

（河南農業大學信息與管理科學學院，河南鄭州 450002）

黃河是我國第二大河。按流經省區計，黃河流域人口數量占我國總人口的30.00%以上，地區生產總值（GDP）占全國（未含港澳臺地區。下同）生產總值的26.00%左右［1］。黃河流域作為人類古文明和中華文明的重要發源地，黃河中下游地區在一個相當長的歷史時期內一直是我國政治、經濟、社會和文化發展的中心。黃河流域近些年經濟社會發展已取得了突破性進展，但是仍存在流域整體創新水平較低和產業結構落后等問題。在創新投入方面，2018 年黃河流域研發經費總投入僅占我國總研發投入的20.58%，平均研發強度低于全國0.82 個百分點；在創新產出方面，黃河流域發明專利授權量僅占全國發明專利授權總量的15.82%［2］。黨的十八大以來，黃河流域的生態保護和高質量發展解決方案成為我國生態文明建設和區域協調發展的戰略方向。2019年9 月18 日，習近平總書記在鄭州主持召開黃河流域生態保護和高質量發展座談會并發表重要講話，明確黃河流域生態保護和高質量發展是重大國家戰略，立足于全流域提出共同抓好大保護，協同推進大治理，促進全流域高質量發展，為黃河流域創新能力和創新水平的提高提供有利機遇［3］。隨著我國經濟社會的不斷發展和黃河流域發展不平衡不充分的問題日益凸顯，在新的發展戰略背景下，如何提升黃河流域創新效率水平，加速科技成果轉化，對加快推進區域創新戰略布局，實現高質量發展有著重要意義。

1 文獻回顧

創新在目前競爭激烈的國際背景下逐漸成為世界各國關注的焦點，創新作為內在驅動力保障社會經濟可持續發展。現階段,在我國建設創新型國家發展戰略推動下,創新效率成為學術研究的熱點。參考以往文獻，區域創新效率一直是國內外學者們研究的熱點領域，主要基于經濟帶、區域性組織、城市群和城市為研究對象，運用效率分析方法測量創新效率并分析創新水平，如田紅彬等［4］運用全局全要素生產率指數（GML）測算規模以上工業企業投入產出數據的綠色創新效率及其分解，分別分析綠色創新效率受到命令控制型、投資型和費用型環境規制下外商直接投入（FDI）流入的影響程度，研究結果表明2010—2017 年我國綠色創新效率平均增長5.20%，綠色創新技術進步是其增長的主要來源；劉鍇等［5］運用超效率松弛變量（SBM）模型測度我國75 個創新城市的技術創新效率，并分析創新型城市的創新網絡結構對科技創新效率的影響機制，研究發現網絡結構在不同方面對科技創新效率的影響不同；徐夏靜等［6］構建Super-SBM 模型對我國創新效率及區域差異進行測算，研究表明我國區域創新效率整體偏低，呈下降趨勢，但區域異質性、集聚性特征顯著；盧小蘭等［7］采用三階段DEA-windows和空間統計方法，測算長江經濟帶創新效率并分析其創新效率的時空特征，研究發現長江經濟帶各省市均未達到數據包絡分析（DEA）有效且區域差距較大；許學國等［8］運用三階段Malmquist 指數構建綠色創新效率測度模型，并結合概率神經網絡對綠色創新效率進行智能診斷，根據診斷結果可以把所有的區域分為全部效率有效地區、純技術無效地區和規模無效地區；郝新東等［9］構建了廣深港澳科技創新走廊擴容前后的門檻模型并實證分析研發投入對科技創新效率的影響，研究發現擴容后各類創新主體可以做到少投入、高效率；文炳洲等［10］運用數據包絡分析方法對區域創新效率進行測度并用Shapley 值分解方法分析不同因素對于區域創新效率影響權重，為我國建立創新型國家戰略提供理論參考。

目前，學者們對黃河流域的研究主要集中在水資源利用和生態保護等方面，也有部分學者從其他方面對黃河流域展開研究，如封思潔等［11］運用SBM-Undesirable 模型和Malmquist 指數模型對各城市綠色發展效率進行測算和分解，從時空維度和動靜結合角度對黃河流域城市綠色發展進行分析；羅巍等［12］通過構建集中度與極化度模型分析黃河流域科技創新極化效應演化過程，并識別省際間的虹吸效應與涓滴效應；張國興等［13］運用熵值法對黃河流域中心城市2013—2017 年發展水平進行測度，研究發現黃河流域城市高質量發展水平穩步上升，但上中下游城市發展水平存在較大差異；石濤［14］運用黃河流域9 省區10 年的面板數據探究其經濟高質量發展的影響因素。黃河流域生態保護和高質量發展已經逐漸成為研究的熱點重點問題，但是從黃河流域高質量發展角度出發的定性與定量相結合的研究比較缺乏，對于黃河流域創新效率的研究還不充分，將黃河流域作為研究對象并結合黃河流域實際情況，通過測度創新效率去探究其創新水平的研究較少。

因此，本研究運用DEA 和Malmquist 指數模型，綜合測算2008—2019 年黃河流域9 省區創新效率并對其進行分解，分別從靜態和動態兩個角度對各省區創新發展的不同階段進行分析，探究黃河流域創新發展水平的變化并提出相關發展建議，以期為推動區域創新戰略布局和黃河流域高質量發展提供參考。

2 數據來源與研究方法

2.1 指標選取與數據來源

完善的指標體系是評價創新效率的關鍵，指標的選取將影響創新效率評價結果。借鑒已有相關研究，結合黃河流域各省區創新實際情況，選取R&D人員全時當量作為勞動力投入要素、R&D 經費支出和規模以上工業企業新產品開發經費作為資本投入要素，產出用規模以上工業企業產品銷售收入、技術市場成交額和國內3 種專利授權數來衡量，以此構建黃河流域創新效率指標體系（見表1）。由于2008 年之前規模以上工業企業新產品開發經費、規模以上工業企業新產品銷售收入等指標未納入相關統計年鑒，且香港、澳門、臺灣相關數據也未納入統計年鑒，為保證測算結果的科學性與嚴謹性，綜合考慮數據可獲得性、簡潔性和可行性等原則，選取我國31 個省、自治區、直轄市2008—2019 年的面板數據為分析基礎，數據來源于2008—2019 年《中國統計年鑒》和《科技統計年鑒》。

表1 黃河流域創新效率評價指標體系

2.2 研究方法

2.2.1 DEA 方法

DEA 方法由美國著名運籌學家Charnes 等［15］在1978 年提出，該方法通過測算決策單元與相對有效生產前沿面的偏離程度來確定相對有效性，常用的模型為規模報酬不變的CCR 模型和規模報酬可變的BCC 模型。DEA 方法在測量效率時，不要求所有的決策單元必須是同一生產函數，也無需對指標計算權重和量綱化處理，所以有較強的客觀性，且滿足多元最優化的原則。由于黃河流域各省區的規模報酬難以實現不變，且以少投入得到優產出為目標，因此，選取BCC 模型對黃河流域各省區創新效率進行研究。假設有k個決策單元，每個決策單元有m種投入和n種產出，投入向量為產出向量為為權重系數，為參數，為松弛變量，構建BCC 模型如下：

式（1）中：若v=1，決策單元DEA 有效；反之則無效。

同時，BCC 模型的綜合效率可分解為純技術效率和規模效率，即綜合效率=純技術效率×規模效率。

2.2.2 Malmquist 指數模型

瑞典經濟學家Malmquist［16］于1953 年首次提出Malmquist指數，之后Fare等［17］將其與DEA方法結合，成為有效測算全要素生產率變化的方法。同樣假設有k個決策單元，每個決策單元有m種投入和n種產出，在測算期間t期的投入向量為產出向量為t期的生產技術和產出距離函數為：

從t期到t+1 期生產效率的動態變化模型如下：

Malmquist 指數可以被進一步分解成技術進步變化（Techch）和技術效率變化（Effch）。其中，技術效率變化包含純技術效率變化（Pech）和規模效率變化（Sech），它們之間的關系為：生產率指數（Tfpch）=Techch×Pech×Sech，Effch=Pech×Sech。當Tfpch＞1 時，說明t到t+1 期整體生產率提高，反之則下降；當Techch＞1 時，說明技術創新和進步對投入產出效率有著明顯貢獻，反之則抑制；當Effch＞1 時，說明技術效率有所改善，反之則退化；當Pech＞1 時，說明由于宏觀調控能力等的提高促進了效率提升，反之則降低；當Sech＞1 時，說明決策單元向最優規模靠近，反之則遠離。

3 黃河流域各地區創新效率分析

3.1 基于DEA 方法的靜態分析

為了使測算結果更加準確，同時便于把黃河流域9 省區與我國31 個省區市整體進行比較，基于DEA 中的BBC 模型，選取投入導向型規模報酬可變模型，運用DEAP2.1 軟件對2018 和2019 年我國31個省區市的創新效率進行測算。

如表2、表3 所示，從平均值來看，黃河流域9 省區僅有規模效率的平均值與我國31 個省區市持平，綜合效率和純技術效率的平均值均低于31 個省區市的平均值，說明黃河流域創新效率較低，在全國中處于滯后水平，且主要是由于技術效率低下導致的總體效率偏低。從黃河流域9 省區創新效率來看，2018 年僅有青海達到DEA 有效，其余省區均未達到DEA 有效狀態；9 省區綜合效率呈現出“W”型分布，其中青海、寧夏、內蒙古、山西和河南的綜合效率高于9 省區平均綜合效率，四川、甘肅、陜西和山東的綜合效率低于9 省區平均綜合效率。從平均綜合效率分解值情況看，黃河流域純技術效率平均值與我國31 個省區市純技術效率平均值相比較低，主要原因是創新投入不足或創新投入資源浪費，創新投入資源浪費和創新產出未達到相應規模都會影響創新效率，因此黃河流域各省區應當避免投入過量資源，在加大創新力度的同時根據各地區實際情況擴大或縮減規模。

表2 2018 年我國區域創新效率測算結果

表3 2018 年黃河流域創新效率測算結果

根據綜合效率的分解值，導致地區非DEA 有效的原因分為兩類。一類是由于純技術效率較低導致，如四川、內蒙古、陜西和山西的純技術效率低于規模效率，說明這些地區的創新投入資源并未充分利用，無法匹配地區創新產出規模，因此造成DEA 無效，尤其是陜西的純技術效率與規模效率相差較大，已經超過0.300，可見陜西盡管存在產出規模不足的情況，但創新投入資源嚴重浪費對其創新綜合效率影響更大。另一類是由于規模效率較低導致，如甘肅、寧夏、河南和山東的規模效率低于純技術效率，說明這4 個地區的創新資源投入較為合理，但創新產出的規模并不理想，未達到相應的產出規模，因此造成DEA 無效的情況，因此，這類地區應拓寬產出渠道、擴大產出規模，提升生產能力。其中，河南的規模效率明顯低于純技術效率，表明河南更應重視創新產出規模，不能只關注創新技術水平的提升和創新資源的投入；寧夏的純技術效率有效而規模效率無效，說明寧夏有合理的創新投入資源配置，但是創新產出未達到一定規模，從而造成綜合效率DEA 無效，因此寧夏應該保持創新資源投入、擴大創新產出規模，使創新投入資源與創新產出規模相匹配，最終實現綜合效率DEA 有效。總體上看，2018 年黃河流域只有青海處于DEA 有效狀態，寧夏處于單效率有效狀態，其余地區均處于DEA 無效狀態；從規模收益變化來看，除青海外的8 個地區均為規模收益遞減，說明這些地區應當縮減投入規模，過多的投入可能會造成浪費。

綜合表4 和表5 可知，2019 年黃河流域9 省區創新綜合平均效率、平均純技術效率和平均規模效率均低于我國31 個省區市的平均值，差值分別為0.065、0.070 和0.007，說明2019 年黃河流域創新效率在全國仍處于較落后的水平，創新技術投入并未得到充分利用，生產規模仍然不能達到目標水平，由于純技術效率普遍不高導致平均綜合效率較低。黃河流域9 省區的創新效率均未達到綜合效率DEA有效，其中甘肅、內蒙古、陜西、山西和山東的綜合效率高于9 省區的平均值，河南的綜合效率最低，僅為0.492；從區域分布來看，與2018 年的“W”型分布相反，在空間上呈“M”型分布；從平均綜合效率的分解值來看，兩個平均值都有所下降，其中純技術效率平均值與2018 年相比下降0.053，規模效率平均值與2018 年相比下降0.163，規模效率的平均值下降幅度較大。說明在區域發展過程中，盡管加大創新投入并提升創新能力，但是創新投入資源過多，產出規模未能很好地跟進創新發展，使得黃河流域整體創新效率低下，并且創新綜合效率低下受產出規模不足的影響程度更大。

表4 2019 年我國區域創新效率測算結果

表5 2019 年黃河流域創新效率測算結果

根據綜合效率的分解值，四川、內蒙古和陜西的純技術效率低于規模效率，屬于純技術效率較低導致的DEA 無效，這3 個地區純技術效率都處于較低水平，說明創新資源投入有較多浪費，冗余的資源投入使純技術效率較低，造成DEA 無效，這些地區應合理控制投入資源與產出規模的比例，避免投入資源過多的現象，對資源配置合理地進行調整；青海、甘肅、寧夏、山西、河南和山東的規模效率低于純技術效率，屬于規模效率較低導致的DEA 無效，說明這6 個地區的規模效率較低是導致綜合效率低下的主要原因，創新資源投入有少量浪費，但是產出規模沒有達到理想情況，創新產出規模處于較低水平。從規模收益變化來看，黃河流域9 省區的規模收益均為遞減，說明各地區應該根據自身發展情況縮減創新投入資源、重新合理配置資源，避免因過量資源導致的資源浪費。

綜合2018、2019 年來看，黃河流域創新效率有小幅下降，整體創新效率仍然偏低。同2018 年相比，2019 年僅有陜西的創新效率有所增長，其余8 個地區的創新效率均呈下降趨勢，導致整體平均創新效率降低，可見黃河流域創新發展仍然任重道遠。解決流域內創新效率低下這個問題，就必須各地區共同努力，根據各自實際情況合理調整創新投入與創新產出規模，避免出現資源冗余或創新產出不足等情況。2018、2019 年在黃河流域9 省區中，山西和內蒙古的創新效率都處在較高的水平，這兩個地區位于黃河流域中游，經濟發展相對落后，但是創新資源能夠較好地投入使用，沒有多余的資源浪費，產出也能達到相應規模，因此創新效率較高；四川和陜西的創新效率水平相對落后，盡管這兩個地區的經濟發展水平相對較高，但創新資源過量投入，投入的資源沒有完全利用，創新產出規模不匹配創新資源投入，因此創新效率較低，四川和陜西應該充分發揮自身優勢，擴大創新產出規模，從而提升創新效率。

黃河流域2018 年、2019 年的創新效率以及創新效率的分解效率變化，如圖1～圖3 所示。

圖1 黃河流域創新綜合效率變化趨勢

圖2 黃河流域創新純技術效率變化趨勢

圖3 黃河流域創新規模效率變化趨勢

3.2 基于Malmquist 指數模型的動態分析

為進一步研究黃河流域創新發展的動態特征，運用DEAP2.1 軟件對2008—2017 年我國31 個省區市以及黃河流域9 省區投入產出數據進行Malmquist指數測算和分解，得到31 個省區市創新效率的動態變化情況及黃河流域各地區創新效率具體變化情況。

如表6 所示，2008—2017 年我國31 個省區市創新效率整體呈上升趨勢，年均提高3.20%，其中2014—2015 年提高幅度最大，達到17.4%，2008—2009 年、2010—2011 年、2013—2014 年 和2015—2016 年呈下降趨勢，分別下降0.10%、11.00%、0.60%和0.80%。從指數分解角度分析，僅有技術進步變動指數的平均值小于1，說明總體上技術發展進步是制約創新效率提升的關鍵因素，因此應當加大對創新技術研究的投入力度，加快創新人才引進，改善現有較落后技術，學習引進先進技術并不斷提高創新能力，從而提升創新效率；技術效率變動指數漲幅最明顯，為年均3.40%，說明黃河流域在發展過程中資源投入水平隨著創新能力的提高而提高，配置更加合理，投入資源浪費情況有所好轉，但改善程度還不明顯。縱觀這10 年的創新發展，我國為創新投入的資源越來越多，但創新產出規模并未隨之增長，且創新投入資源也存在浪費現象，創新資源并未得到合理利用。

表6 我國區域創新效率Malmquist 指數分解結果

從時間維度測算我國31 個省區市2008—2017年創新效率變動及分解指標變動情況，如表7 所示。從總體情況來看，黃河流域9 省區的創新效率年均增長4.90%，與31 個省區市創新效率年均增長相比超出1.70%，黃河流域內各地區的創新效率均有所提高，尤其是甘肅、寧夏、陜西和山西的創新效率提升幅度最大，年均超過5.00%；四川的提升幅度最小，年均增長1.20%。從創新效率指數分解來看，黃河流域9 省區平均技術效率變動指數、平均純技術效率變動指數和平均規模效率變動指數均高于我國31 個省區市，僅有平均技術進步變動指數低于31 個省區市，說明黃河流域9 省區的技術水平在全國處于落后狀態，在未來發展中黃河流域各地區應重視創新技術的發展，積極引進創新技術人才，彌補創新發展能力不足的短板。

表7 2008—2017 年黃河流域年均創新效率Malmquist 指數分解結果

從圖4 來看，黃河流域技術效率變動指數和純技術效率變動指數中，分別均有8 個地區超過1，說明創新效率提升的主要原因是創新技術提高，各地區對創新技術發展越來越重視，創新資源的投入力度加大，配置的資源在創新發展過程中得到較為充分的利用；規模效率變動指數中，河南未超過1，同時有6 個地區接近1，表明黃河流域的創新產出規模雖然沒有阻礙創新發展，但創新產出規模并沒有隨著創新投入資源的增加同比增加，創新產出規模相較于創新資源投入還較為滯后，因此拓寬創新產出渠道、加大創新產出規模是今后提升區域創新效率的重要途徑；技術進步變動指數中，僅有青海、四川、陜西和山東超過1，結合平均技術進步變動效率可見，創新技術進步進程緩慢是黃河流域長期存在的問題，創新技術的發展是提升創新能力的關鍵一步，解決技術發展的瓶頸是實現黃河流域創新效率增長的突破口。從區域層面來看，青海、陜西和山東的4 個變動指數都不低于1，說明這3 個地區在創新發展的過程中全面發展，在創新技術發展的同時兼顧資源配置與產出規模，因此創新效率提升幅度較大；四川技術效率變動指數和純技術效率變動指數均低于1，說明未能充分利用創新投入資源，造成資源浪費與資源配置不合理現象；山西、河南兩地技術進步變動指數和規模效率變動指數均不高于1，由此可見這兩個地區對創新技術發展有一定重視，但是管理和產出都存在一定問題，今后應更加重視創新資源的合理配置與促進創新產出。

圖4 黃河流域創新效率及分解效率變動指數

4 結論與啟示

黃河流域是我國重要的生態屏障和重要的經濟地帶，提高創新能力、創新水平和創新效率對黃河流域的生態和經濟有著重要作用。本研究運用DEA方法和Malmquist 指數模型，從靜態和動態兩個角度對黃河流域2008—2019 年創新效率進行測算分析，并與我國31 個省區市的創新效率進行比較，得到以下結論和啟示：

（1）黃河流域當前整體創新效率仍然較低，創新水平未達到我國31 個省區市的平均水平，急需加強央地合作，強化多方聯動，優化資源配置，齊力提高區域創新水平。研究結果表明，2008—2019 年黃河流域9 省區創新效率平均值明顯低于我國31 個省區市的創新效率平均值，且多數地區處于DEA 無效狀態，2018 年、2019 年黃河流域分別有8 個和9個地區處于DEA 無效狀態，2018 年分別由規模效率低下和純技術效率低下導致DEA 無效的地區各占50.00%，2019 年由規模效率低下導致DEA 無效的地區占比為67.00%，大多數地區由于規模效率水平較低導致DEA 無效，說明黃河流域大部分地區的產出規模不理想。從規模收益來看，黃河流域多數地區的規模收益遞減，說明黃河流域大部分地區既有的有限創新資源尚未得到合理配置，產出與投入匹配程度不高。因而，黃河流域各地區應從兩個層面協同并進，一是要利用好國家黃河流域生態保護和高質量發展戰略布局，爭取更多國家優質創新資源，夯實資源存量，拓展資源增量，提高黃河流域在全國創新版圖中的地位；二是要勇于自我革新，苦練內功，破除陳規舊習，創新體制機制，激活現有創新資源活力，有效提高創新資源產出效益和規模收益。

（2）黃河流域整體創新效率呈上升趨勢，應充分發揮黃河流域生態保護和高質量發展國家戰略布局優勢，乘勢追趕，縮小與國內其他地區創新水平的差距。分析結果顯示，2008—2017 年黃河流域技術效率變動指數、純技術效率變動指數、規模效率變動指數均已超過我國31 個省區市的平均增長速度，整體創新效率變動指數也超過我國31 個省區市的平均創新效率變動指數，創新效率年均增速同樣高于我國31 個省區市的平均值，總體上創新效率呈上升趨勢，技術效率隨著經濟發展水平提高而提升；各地區在黃河流域整體創新效率提高中均有貢獻，其中甘肅、寧夏、陜西和山西的作用更為顯著。黃河流域整體創新效率持續上升與我國近年來制定實施一系列創新戰略舉措及相關政策密切相關，是國家支持科技創新大環境優化帶來的結果，然而，由于創新基礎和經濟發展水平的制約，黃河流域創新效率提升尚有較大空間。黃河流域生態保護和高質量發展是國家重大戰略，該發展戰略的實施為黃河流域創新發展帶來新的歷史機遇，同時對黃河流域創新質量提升提出新的要求，因而，黃河流域各地區應充分釋放國家戰略驅動流域發展的強大勢能，主動擔當，積極凝聚各方有利創新資源，保持區域創新效率高位增長。

（3）黃河流域各地區創新效率存在一定差異，但總體上較為均衡，尚未出現明顯的空間失衡，未來仍需建立相應協同機制，鞏固、優化區域創新格局，促進各地區協同向上，實現區域內創新高水平均衡。從創新效率空間分布上看，黃河流域各地區創新效率略有差距，總體上2018 年和2019 年的創新效率分別呈“W”型和“M”型分布，其中山西和內蒙古兩地保持較高的創新效率。黃河流域是一個有機整體，在提升全域創新質量過程中，需要各地區協同共進，防止部分地區成為創新低地，避免出現木桶效應。黃河流域各地區應當跳出自身局限，合力探索協同創新促進路徑，構建重大創新決策協商機制、重要創新工程協同聯動機制、關鍵創新資源共享流動機制，努力實現創新資源在各地區間合理配置與有效流動，形成相對均衡、運行高效的區域創新空間格局。

（4）技術進步遲緩及規模效率較低是影響黃河流域創新效率水平提升的主要因素，需多措并施，引進優質創新資源，加大創新成果產出，加速創新成果轉化。動態變化分析結果顯示，黃河流域有5個地區的技術進步變動指數低于1，且黃河流域平均技術進步變動指數也低于1，可見技術進步遲緩是阻礙黃河流域創新效率水平提升的一個關鍵影響因素。對于技術進步變動指數低于1 的地區，應加快創新人才引進，改善創新環境，活躍創新氛圍，有效提升創新能力和創新水平，提高全域整體創新效率。從靜態角度來看，黃河流域多數地區存在規模效率或純技術效率較低的問題。一方面，在全國創新高速發展的背景下，科技創新成果轉化速度過慢或創新產出數量過少均會導致規模效率較低，從而抑制區域整體創新效率和創新規模效率的提高，造成創新效率水平較低；另一方面，創新資源投入與配置不合理，不足或過量的創新資源影響同樣會制約區域整體純技術效率的提高。因而，要提升創新效率水平，應當從規模和技術兩方面綜合考慮，擴大創新成果產出，加速創新成果轉化。