基于模型優化的長三角城市群科技資源配置效率研究

文章編號：1005-9679（2022）03-0021-08

摘要：對長三角城市群2014—2020年7年間的科技資源配置狀況進行實證分析，基于FANP賦權求解長三角城市群各省市主要科技資源投入、產出指標的相對發展水平，進行區域間比較以了解各區域資源配置的優劣勢并制定具有針對性的完善優化措施。研究發現：（1）在國家城市群發展戰略政策指導下，長三角各省市科技資源配置效率持續優化，大多數地區配置水平呈現出快速提升的發展態勢;（2）研發人員和投入仍是影響科技資源配置效率的核心要素;（3）市場化是提升資源配置效率的主要途徑;（4）科技成果轉化率的提升是科技資源配置效率提升的核心激勵要素。研究改進了評價模型，結論為長三角城市群科技資源合理配置提供了更為詳細的理論支撐。

關鍵詞：長三角城市群;FANP;科技資源配置;效率評估及優化

中圖分類號：F 062.4

文獻標志碼：A

Research on the Efficiency of Science and Technology Resource Allocation ofYangtze River Delta Urban Agglomeration Based on Model Optimization

CAO Yuhong

（School of Management， Shanghai University， Shanghai 200444， China）

Abstract： This paper makes an empirical analysis on the allocation of scientific and technological resources in the Yangtze River Delta urban agglomeration from 2014 to 2020. Based on the previous research， the relative development level of main scientific and technological resource input and output indicators of provinces and cities in the Yangtze River Delta urban agglomeration is solved based on FANP weighting， Carry out inter regional comparison to understand the advantages and disadvantages of regional resource allocation and formulate targeted improvement and optimization measures. The results show that： （1） under the guidance of the national urban agglomeration development strategy and policies， the allocation efficiency of scientific and technological resources in provinces and cities in the Yangtze River Delta has been continuously optimized， and the allocation level in most regions has shown a rapid development trend; （2） R & D personnel and investment are still the core elements affecting the efficiency of scientific and technological resource allocation; （3） Marketization is the main way to improve the efficiency of resource allocation; （4） The improvement of the conversion rate of scientific and technological achievements is the core incentive factor to improve the efficiency of scientific and technological resource allocation. The conclusion of this paper provides a more detailed theoretical support for the rational allocation of scientific and technological resources in the urban agglomeration of the Yangtze River Delta.

Key words： Yangtze River Delta urban agglomeration; FANP; allocation of scientific and technological resources; efficiency evaluation and optimization

本文以長三角城市群四省市為研究對象，通過對各省科技資源投入與產出變動趨勢的相關分析，對科技資源配置效率進行比較，以期進一步了解城市群四省市科技資源配置效率的區位差距，找出癥結所在，為尋求解決對策提供依據。研究結論將對緩解長三角地區的科技投入壓力，提高長三角地區的科技創新能力和科技競爭力，促進長三角協同發展具有重要的現實意義。

在科技資源配置效率研究方面，已有學者運用不同的研究方法開展了大量的定量研究。劉玲利運用DEA-Malmquist指數模型與隨機效應模型，對1998—2005年我國30個省份科技資源配置效率變化及影響因素進行實證檢驗。范斐等在構建區域科技資源配置效率評價指標體系的基礎上，運用突變級數法對全國31個省區市的科技資源配置效率進行了測度。Cao將23個能值指標納入DEA-Malmquist生產率模型中，并從技術變化和效率變化兩個方面對2009—2015年我國“經濟-生態”效率變化進行探究。黃海霞等運用DEA模型對戰略性新興產業科技資源配置效率進行了分析，結果發現戰略性新興產業間效率存在非均衡性。Luo基于Malmquist-data包絡分析指標對我國綠色科技創新效率進行評價。Cao運用綜合評價法對長三角區域的科技資源分配情況進行了分析。康楠分別采用主成分分析法、熵權TOPSIS法、超效率DEA法三種單一評價方法對我國31個省份區域科技資源配置效率進行排名之后，又采用組合評價方法彌補單一方法的不足。吳獻金等應用Cobb-Douglas生產函數和典型相關分析方法，從投入產出視角對泛珠三角區域1999—2007年科技資源配置行為進行了測度。

現有關于區域科技資源配置效率的研究方法，主要包括數理經濟學分析法、時間序列數據或截面數據分析法以及面板數據隨機效應模型分析法，其中時序數據和截面數據分析法主要包括DEA法、生產經濟函數計算法以及計量經濟學回歸分析法。

借鑒各位學者的成果，本文認為綜合評價法仍然具有較大的優勢。但是，Cao的成果中進行長三角地區科技資源效率評價時僅簡單借用現有研究的模型，沒有考慮科技資源配置效率影響因素的模糊性和相關信息的未確知性，研究具有局限性。因此，本文嘗試運用FANP改進評價模型，通過前后研究成果的比對，以提升研究成果水平，并期望為長三角科技資源的高效分配提供更為科學的參考建議。

1基于FANP的長三角城市群科技資源配置效率評價模型改進

1.1指標設置

作為一個修正性研究，本文的科技資源配置效率評價指標體系依然延續作者前期的研究指標，可以更好地將兩次的實證研究做一個較為科學的對比分析，指標體系如表1、表2所示。同樣，統計年限為2014—2020年，共連續采集7年，數據總量1008個。數據主要來源于各省市的科技統計年鑒和省數據資源管理局數據庫。

1.2數據處理

為解決各指標量綱不一致的問題，研究采用極差法將比較矩陣歸一化處理，構建判斷矩陣，對原始數據進行標準化處理。設多指標綜合評價問題中的方案集為S={S1，S2，…，Sn}，指標集為A={A1，A2，…，An}，則方案Si對指標Aj的屬性值為

aij（i=1，2，…，n; j=1，2，…，m）

A=（aij）n*m表示方案集S對指標集A的決策矩陣：

yij=（aij-ajmin）/（ajmax-ajmin）

（aij-ajmax）/（ajmax-ajmin）（1）

式中：yij為標準化后的數據;amax，amin分別表示Aj項指標的最大值和最小值。

本文所選指標體系中的所有指標均為正向指標，其標準化后的yij值越大，所顯示的正向效應越大。

1.3指標權重確定方法

基于FANP思想，將給出一個改進的不確定語言環境下的權重確定方法。首先構建科技資源效率評價ANP網絡結構，并輸入SD軟件;然后通過專家打分，對存在相互影響關系的各因素之間及各因素組之間，進行兩兩比較判斷，利用語意變量評估集合的模糊區間值表建立模糊成對比較矩陣;接著采用期望值法對模糊判斷矩陣進行非模糊化處理，將相對權重輸入SD軟件，生成超矩陣、加權超矩陣和極限矩陣。非模糊化處理主要步驟如下：

步驟1確定三角模糊數的模糊概率，三角模糊數用M=（1，m，u）表示，以m為界，分等概率情況考慮，根據l與m的偏離程度，確定結果是m的可能性大小是l的倍數N，同樣根據m與u的偏離程度，確定結果是m的可能性大小是u的倍數M，則l、m、u模糊概率分別為1/2（1+N）、（N+2NM+M）/2（1+N）（1+M）、1/2（1+M）。

步驟2由模糊概率確定方法得出lij、mij、uij的模糊概率分別為Pij（lij）、Pij（mij）、Pij（uij），且Pij（mij）≥Pij（lij），Pij（uij），則判斷結果的期望為

aij=Eij（lij，mij，mij）=Pij（lij）·lij+Pij（mij）·mij+Pij（uij）·uij

步驟3aij為非模糊數，并由aij構成非模糊矩陣A=（aij）n×n，轉化后的An×n矩陣可能不為互反矩陣，即aii·aii≠1，可做如下調整：

aii=aii/aiiaii

調整后的矩陣A=（aii）n×n其因素滿足互反性aiiaii=aiiaii/aiiaiiaiiaii=1，若不一致，可利用傳遞矩陣的方法進行調整。在此基礎上，運用FANP通常計算方法，最終可以得到整體效率指標的重要性權重向量。

比于Cao文中所借鑒的綜合評價模型，FANP考慮了評估過程中的不確定性和含糊性問題，并將要素之間的相互依賴關系和回饋關系納入決策過程，由其計算得到的權重結果更有效、更準確。指標權重計算結果如表1、表2所示。

1.4長三角城市群科技資源配置綜合評價結果

在評價指標權重確定后，運用多指標決策排序方法進行綜合評價，計算公式為：

Ei（ω）=∑mj=1yijωi（5）

根據式（5）和表1、表2中的綜合評價指標的權重，對2014—2020年各省加入城市群的城市科技資源配置的全部36項指標進行處理，本文僅列出各省每個年度的綜合評價結果（表3）。

2科技資源配置效率綜合評價結果分析

2.1整體分析

根據表3可發現：（1）7年中，綜合評價總分排名第一位的是上海市，科技投入水平和科技產出水平均排在第一位。作為全國創新驅動發展戰略的試點地區，7年間在各級政府的扶持下，除了科技資源總量得到大幅提升，其配置效率水平也快速提升。統計數據顯示2014年上海近70%的研發經費投向了傳統工業領域，高新技術領域僅有略高于30%的研發經費投入，2020年這兩項數據分別為40%和60%。這種改變讓上海的高技術產業帶動作用顯著增強，高技術產業增加值年均增長31.4%，增速高于全部規模以上工業11.4%。

（2）綜合評價總分排名第二位的是江蘇省，科技投入水平和科技產出水平均排在第二位。江蘇省于1989年就在全國率先提出實施“科技興省”戰略，7年間科技投入顯著增長。2014年，全社會研發投入占地區生產總值的比重為2.2%，到2020年，全社會研發投入占地區生產總值的比重達2.9%，若干科技領域達到世界領先水平，科技進步對經濟增長貢獻率達65%以上，成為國家自主創新的戰略高地、全球有重要影響的產業科技創新中心。

（3）綜合評價總分排名第三位的是安徽省，其科技投入水平排第四位，科技產出水平排第三位。經過7年努力，安徽省科技體制改革取得重要進展，創新創業環境日益優化。到2020年，全社會研發投入占地區生產總值的比重達3.2%，為科技和人才優勢加快釋放奠定了堅實基礎。

（4）綜合評價總分排名第四位的是浙江省，其科技投入水平排第三位，科技產出水平排第四位。2020年，全社會研發投入占地區生產總值的比重達2.3%，企業自主創新能力顯著提升，研發平臺體系日趨完善，本土大中型企業建有研發機構的比例實現翻番，知識創新產出顯著提高。

從投入視角看，四省市科技資源投入水平整體上呈現出快速增長趨勢，如圖1所示。2014年評價初期，四省市科技資源投入指標的綜合評價結果由高到低依次為上海0.439、浙江0.392、江蘇0.332、安徽0.248。2020年評價末期的評價結果由高到低依次為上海0.951、江蘇0.756、浙江0.719、安徽0.708。就增長幅度與資源投入水平而言，上海市最大，處于完全領先地位，穩定居于第一的位次沒有改變，江蘇、浙江、安徽增加迅速，尤其是安徽省，表現尤為突出，充分體現出實施長三角城市群科技領先發展戰略政策的強力影響。四省市整體投入水平的差距在逐步縮小，2014年評價初期，投入水平分布在0.2～0.5;2020年分布在0.7～0.9。安徽與上海相比，2014年安徽的科技資源投入水平僅相當于上海的56.5%，到2020年相當于上海的74.44%，投入水平差距顯著縮小。由于同一年度的評價權重相同，因此同年度的評價結果具有資源投入水平的可比性。

從產出視角看，上海優勢明顯，江蘇、浙江兩省保持較為勻速上升，安徽省增長勢頭明顯，四省市科技資源產出水平的變動趨勢見圖2。2014年評價初期，產出指標的綜合評價結果為上海0.719、浙江0.612、江蘇0.653、安徽0.508。2020年評價末期的評價結果由高到低依次為上海0.997、江蘇0.892、安徽0.868、浙江0.854。四省市整體產出水平的差距在縮小。安徽與上海相比，2014年安徽的科技資源產出水平僅相當于上海的70.6%，到2020年快速上升到相當于上海的87.1%，后期產出水平超過浙江。

2.2核心指標分析

為了方便分析，本文從科技資源投入的23項三級指標中選擇8項核心指標作為對要素影響評價的依據，如表4所示。

從表4中可以看出，整體投入水平處于領先位置的是上海市，然后依次是江蘇、浙江、安徽。在8項投入指標中，上海均排在領先位置，尤其是R&D人員、R&D經費支出以及其中的政府投入和企業投入水平都遠遠高于其他地區。在其他三個省份中，人員投入水平由高到低依次是江蘇、浙江、安徽。R&D經費總支出水平由高到低依次是浙江、江蘇、安徽。R&D經費中政府投入水平由高到低依次是江蘇、安徽、浙江。R&D經費中企業投入水平由高到低依次是浙江、江蘇、安徽。企業科研經費支出水平由高到低依次是江蘇、安徽、浙江。研發機構數量水平由高到低依次是江蘇、浙江、安徽。承擔研發項目數量水平由高到低依次是江蘇、安徽、浙江。總體評價，江蘇、浙江兩省各有優勢，江蘇省在R&D人員、R&D經費中政府投入水平、企業科研經費支出和承擔研發項目數量水平上占有優勢，浙江省在R&D經費總支出、R&D經費中企業投入、研發機構數量水平上占有優勢。安徽省雖然在各項指標上不占優勢，但是在承擔研發項目數量等投入水平上表現非常突出，近幾年增長飛速，說明其科研活力較強，這與安徽政府近年來的強力關注和支持息息相關。

科技資源產出的7項二級指標綜合評價水平的平均值如表5所示。

上海的各項產出指標均以絕對優勢處在長三角城市群的領先位置。在其余三省中，專利申請量從高到低依次是江蘇、安徽、浙江。發表科技論文、出版科技著作量從高到低依次是安徽、浙江、江蘇。獲得標準量從高到低依次是江蘇、安徽、浙江。企業新產品銷售額浙江、江蘇、安徽三省水平相當。而在專利轉讓與許可收入和技術市場交易額兩項指標中，安徽省優勢明顯，在一定程度上發映出安徽省技術市場較為完善，這與近兩年安徽積極推進技術成果轉換息息相關。

綜上所述，上海的科技資源投入產出水平均處在長三角城市群絕對領先位置，浙江、江蘇優勢明顯。相比較而言，安徽省增長迅速，R&D經費支出水平較高，政府資助力度較大，反映出資源配置的市場化程度較高。四省市的高投入水平與高產出水平呈現出顯著的正相關。

2.3投入與產出效率分析

本研究以指標年均增長率的形式反映科技資源投入及產出的效率，計算結果如表6所示。

在科技人力資源指標中，四省市R&D人員總量年均增長率為6.88%，增幅最大的江蘇省為7.72%。規模以上工業企業R&D人員年均增長率為3.31%，增幅最大的也是江蘇省，為4.16%。高新技術產業R&D人員年均增長率為4.86%，上海市為5.66%，處于第一位，安徽為5.32%，略高于浙江和江蘇，排第二位。高等學校和研發機構R&D人員年均增長率為18.02%，上海市為20.96%，仍處于第一位，安徽省為17.99%，排第二位，浙江增幅為16.93%，排最后一位。R&D人員總量全時當量年均增長率為11.86%，增幅最高的上海為14.88%，浙江為10.33%，排末位。R&D人員增長速度的變化方面，上海以絕對值最高排在長三角城市群首位，安徽省多項指標增幅顯著，排在第二。該項指標可反映人力資源政策的促進作用，表明四省市人力資源政策均積極有效，尤其是安徽省，政府部門對吸引研發人才進行了大量的投入。

在科技財力資源指標中，長三角城市群R&D經費總支出的年均增長率為12.23%，各省市增幅均在11%以上，最高增幅為江蘇13.53%，最低增幅為浙江省11.14%。R&D經費支出中政府資金年均增長率為3.93%，最大增幅為上海4.66%，其次為安徽4.23%，江蘇3.72%，浙江排在最后，為3.11%。R&D經費支出中企業資金年均增長率為5.29%，增幅最高為安徽省5.99%，上海為5.82%，浙江為4.72%，江蘇為4.66%。在企業研發經費支出指標中，選擇規模以上企業新產品開發及技術引進經費支出和高新產業新產品開發及技術引進經費支出指標做比較。規模以上企業新產品開發及技術引進經費支出年均增長率為12.39%，增幅最大為安徽13.42%，后面依次為浙江12.56%、江蘇12.34%、上海11.25%。高新產業新產品研發經費支出年均增長率為9.63%，依次為江蘇10.32%、安徽9.88%、上海9.22%、浙江9.13%。

在科技物力資源指標中，規模以上企業研發機構年均增長率為13.62%，增幅最大的是上海15.55%，江蘇省為14.96%，位居第二。高新產業研發機構年均增長率為16.27%，增幅最大是江蘇17.32%，其次是上海16.56%，浙江兩項指標均處于末位。

在科技資源產出指標中，長三角城市群專利申請數量年均增長率為10.74%，增幅最高的是上海13.32%，其次是江蘇10.09%，安徽和浙江持平。專利授權數量年均增長率為7.61%，增幅最高的是上海9.32%，其次是江蘇7.33%。技術市場交易額年均增長率為4.71%，上海為5.88%，排第一位，其次是安徽4.72%，江蘇和浙江分別為4.54%、3.69%。新產品產值年均增長率為2.61%，增幅最高的是上海3.28%，江蘇2.79%，安徽2.22%，浙江2.15%排末位。高技術產品出口額年均增長率為7.16%，增幅第一位的是上海7.97%，第二位的是安徽7.35%，浙江6.46%，排第四位。高新技術產業工業總產值年均增幅為8.84%，上海增幅最高為9.65%，浙江8.03%排在末位。高等學校發表論文和出版著作方面上海仍然是遙遙領先，增幅均超過9%。

對全部投入產出指標年均增長率進行比較發現，長三角城市群增長最快的是上海。江蘇各項指標增速較為穩定。安徽增速顯著，在R&D人員增長、R&D經費支出中政府資金、規模以上工業企業研發機構、高新產業研發機構、專利申請數量、高新技術產業新產品出口額等方面增長顯著，顯示出充足的發展后勁，這和政府部門積極進行財力和政策方面的投入息息相關。浙江在R&D人員增長速度、R&D經費支出中政府資金、R&D經費支出中企業資金、發明專利授權數量、高新技術產業新產品出口額等方面均低于平均水平。

3政策建議

對于研究模型的構建與運用，必須以科學的態度重視其匹配問題，簡單借鑒會產生評估結果的差異，會降低研究成果的實用性。本文基于FANP改進的綜合評價模型相比較于文獻[6]中的模型更能計算出影響長三角地區科技資源分配效率的因素。通過計算結果和排名情況對長三角城市群2014—2020年科技資源配置效率進行二次實證綜合評價，可以形成以下優化政策建議。

第一，R&D人員總量、R&D人員全時當量、R&D經費總支出、R&D經費支出中政府資金以及研發項目投入數量等，在科技資源配置效率中發揮著極其重要的作用，與科技資源產出的專利申請量、企業新產品銷售額、出口額、技術市場交易額等多項指標表現出較高的正相關關系，是政府優化科技資源配置的核心要素。研究發現，現階段的長三角城市群知識資本投入仍然不足，缺乏通過開放創新有效利用世界的高端人才，導致前沿技術研發以及引領產業變革的顛覆性技術的研發較為欠缺。因此，需要不斷完善政府科技資源配置政策，穩定并增加財政研發經費投入，注重發揮好政府計劃項目引導科技資源配置方式的重要作用，注重共性關鍵技術研發的產學研合作，注重社會與企業廣泛參與的鼓勵政策等。

第二，R&D經費支出中的企業資金、高新技術產業科研經費支出、規模以上工業企業科研經費支出等投入指標，企業新產品銷售、專利交易收入、技術市場成交額等產出指標，均易呈現出較大的波動，這表明科技資源配置受到市場變化的影響。因此，應不斷改善區域科技資源配置政策環境，完善有利于發揮市場決定作用的制度體系，同時發揮好政府服務和引導功能，促使科技資源的市場化配置更加暢通。

第三，企業新產品銷售、專利交易收入、技術市場成交額等產出指標與專利申請數量、專利授權數量、發明專利授權數量等產出指標增長幅度差異較大，各種專利申請和專利授權數量增速顯著，但科技成果轉化率不高，大量專利未有實質應用，導致創新收益小于創新投入，嚴重阻礙了創新主體的創新動力。除了出臺政策提升專利轉化率，也需要大力完善各項創新激勵政策，為創新活動提供強大持久的激勵。

第四，R&D經費支出中的企業資金、高新技術產業科研經費支出在四省市中均有一定幅度的提升，但仍需大力促進。要加快實施創新型領軍企業培育行動，加大對高新技術企業的支持和引導力度，鼓勵企業加大研發投入，政府支持創新企業的方式應從以點對點為主轉向以普惠性政策為主，通過完善標準體系、嚴格統一執法和政府采購政策等，打通創新產品、技術和服務進入市場的通道，使創新企業能夠在市場上獲利。

參考文獻：

[1]劉玲利.對我國科技資源配置效率的測度[J].統計與決策，2008（14）：47-50.

[2]范斐，杜德斌，李恒.區域科技資源配置效率及比較優勢分析[J].科學學研究，2012，30（8）： 1198-1205.

[3]CAO L，ZHOU Z H，WU Y.Is metabolism in all regions of China performing well：evidence from a new DEA-Malmquist productivity approach[J].Ecological Indicators，2019（106）：1-15.

[4]黃海霞，張治河.基于DEA模型的我國戰略性新興產業科技資源配置效率研究[J].中國軟科學，2015（1）：150-159.

[5]LUO Q L，MIAO C H，SUN L Y.Efficiency evaluation of green technology innovation of China′s strategic emerging industries：an empirical analysis based on Malmquist-Data envelopment analysis index[J].Journal of Cleaner Production，2019（238）：1-10.

[6]CAO Y H，YOU J X，SHI Y J，et al.Research on the allocation efficiency and influencing factors of scientific and technological resources in the Yangtze River Delta City Group[J]. Sustainability， 2021， 13（14）：1240-1254.

[7]康楠，鄭循剛，母培松.基于組合評價的我國區域科技資源配置效率研究[J].華中科技大學學報（社會科學版）， 2009（6）：79-83.

[8]吳獻金，陳卓.泛珠三角區域科技資源配置的實證研究[J].科技進步與對策， 2010（9）：52-54.

[9]羅珊，安寧.泛珠三角區域科技資源配置的現狀、問題及對策[J].科研管理， 2007（1）：181-187.

[10]管燕，吳和成，黃舜.基于改DE的江蘇省科技資源配置效率研究[J].科研管理， 2011（2）： 145-?149.

[11]張治河，焦貝貝，李怡.科技資源匱乏地區創新驅動發展路徑研究[J].科研管理， 2018（2）：46-?59.

收稿日期：2022-02-22

基金項目：國家自然科學基金面上項目（71871134）;上海市軟科學研究計劃重點項目（18692104400）

作者簡介：曹玉紅（1977—），女，上海大學管理學院博士，副教授，研究方向為組織績效與內控。