基于動態StoNED方法的工業企業創新資源配置效率研究

孫 龍,雷良海

(上海理工大學 管理學院,上海 200093)

改革開放以來,中國創新發展經歷了“引進-吸收-模仿”三階段,逐步轉入了依靠自主創新推進產業轉型升級的關鍵時期[1]。但近年來,中國創新產出并未隨著投入的大幅增加而同步增長:2017～2020年中國國內研發支出總額的年均增長率高達11.15%,按購買力平價計算,2020年中國研發支出總額已達到3 420億美元,僅次于美國,位列世界第二。然而,同期中國發明專利申請數的年均增長率僅為2.71%,發明專利申請數占專利申請總數的比重更是從37.36%降至28.82%,這些都反映出中國創新領域愈發受到邊際效益遞減規律的嚴重影響[2]。尤其后疫情時代愈演愈烈的逆全球化浪潮,更加劇了提高中國自主創新能力的迫切性。Arrow[3]明確指出,反映創新能力的技術水平是強烈依靠研發投資積累的,這意味著中國創新投入還要進一步增加,效率瓶頸需要盡快突破。規模以上工業企業是中國創新發展的重要承載[4],集中了一大批有人力、有資金、有技術的工業企業,涵蓋了代表知識密集型的高端裝備制造業。為此,本文將重點研究中國規模以上工業企業的創新資源配置效率問題。

創新資源配置效率表示單位科技創新投入要素合理有序地分配到創新部門,經過整合按照最優組合進行創新活動后所獲得的最大產出水平[5],這一產出水平會因所處環境的變化而發生改變[6]。近年來,國內外學者在創新效率的研究內容和方法上愈發趨同。Giedre等[7]以及Ana等[8]分別采用DEA和SFA 兩種不同方法研究了歐洲地區創新系統的效率水平。Broekel等[9]利用改進的共享投入DEA模型估算了德國的創新效率。Aparicio等[10]則在效率測度方法上進行探討,認為DEA 方法存在對多維度邊界超載問題,并對此提出了一些改進。朱承亮等[11]以及李作志等[12]也分別采用SFA 和DEA 方法聚焦中國研發效率的評價,并分別從人力資本和研發投入分配方面提出了政策建議。趙聚輝等[13]通過構建DEA-BCC 模型對中國科技研發2014～2016 年的指標進行靜態研究,并結合Malmquist指數做出動態分析,指出了中國省域科技研發效率存在顯著差異。劉蘭劍等[14]通過DEA與Malmquist指數相結合的方法對比了中國和OECD 創新型國家間科技投入產出效率,結果表明,中國全要素生產率的提高來自規模效應而非研發效率。

現有研究存在兩大局限:①內容上,局限在R&D 效率,使得對創新活動的認識缺乏完整性。R&D 固然是影響整體創新產出的關鍵環節,R&D后的科技成果轉化、產業化等階段也同樣重要,以往研究缺乏對R&D 效率和生產效率相互聯系的分析框架而無法正確估計創新效率。②方法上,DEA和SFA 雖然都具有研究效率問題的優勢,但也都存在顯著缺陷。DEA 為確定性非參數方法,最早由Charnes等[15]提出,它無須提前假設特定函數形式,且包容性強,可處理多投入多產出等情況;但缺乏統計特性,即對于樣本觀測點到生產前沿面間的殘差估計量中只包含非有效部分,并未涵蓋隨機誤差或噪音[16-17]。SFA 為隨機參數方法,首先由Aigner等[18]以 及 Meeusen 等[19]分別獨立提出,后經Battese等[20]改進推廣。它考慮到了噪聲對生產前沿面估計的影響,能有效分離純粹的隨機誤差和非效率項,但需要提前設定特定的函數形式,而恰當的函數形式和誤差項分布往往難以確定,最終可能導致估計的嚴重偏差[21-22]。

針對現有研究的不足,本文以中國省際規模以上工業企業為研究對象,從內容和方法上進行改進:首先,借鑒創新價值鏈理論將創新活動劃分為技術成果研發和轉化兩個緊密聯系的階段,并通過專利指標作為研發產出和轉化投入來銜接兩者,用兩階段創新資源配置效率來全面反映企業的創新效率問題。其次,為更好地綜合上述兩種傳統方法的優點并規避其各自的缺點,本文采用隨機非參數數據包絡(Stochastic Nonparametric Envelopment of Data,StoNED)分析方法[23]進行研究。StoNED 將DEA 的非參數邊界與SFA 對效率殘差項和噪聲項的處理整合在一個前沿分析的框架內,利用兩種方法的優勢來解決效率評估問題。StoNED 方法處于研究初期,目前使用較少,國內少數學者進行了有益探索。其中:周四軍等[24]通過測算商業銀行效率從理論和實證兩方面驗證了StoNED 模型比超效率DEA 模型更合理;沈小波等[25]利用StoNED 模型對中國工業部門體現的和非體現的技術進步進行了估算;謝建輝等[17]通過對比DEA 指出了StoNED模型的優越性并提出了改進;范德成等[6]利用中國高端裝備制造業數據對行業科技創新資源配置效率進行了測算,并甄別出了企業規模等具有顯著作用的影響因素。

本文分為兩個部分:①將科技創新活動劃分為技術成果研發和技術成果轉化兩個前后銜接緊密的階段,利用StoNED 方法估算中國各省規模以上工業企業在科技創新兩階段的資源配置效率;②在估算的兩階段效率值基礎上,運用Tobit模型分別對可能影響效率的地區經濟發展水平、地區科研實力、政府支持力度、企業重視程度及企業資產規模5個影響因素進行研究,找出影響兩階段效率的關鍵因素,有針對性地提出改善創新資源配置效率的政策建議。這對改善當前科技創新領域的資源配置浪費現象,提高技術研發和成果轉化兩個階段的創新產出具有重要的理論和現實意義。

1 理論模型和測度方法

1.1 靜態橫截面數據StoNED模型

假定生產函數f:y=f(x)為單調遞增的凹函數,x為投入變量,y為產出變量,f為可能的生產集。根據SFA 模型,引入一個隨機成分表示真實值與觀測值之間的偏差,即εi=vi-ui。其中:ui>0為非效率項,反映企業自身可控制但未達最優的部分,由于無效率會提高成本,故ui服從單邊分布;vi反映統計噪聲的隨機誤差項,服從vi～N(0,δ2)。則生產函數形式為

采用矩方法來估計StoNED 模型,包括3步:①對殘差的凹面非參數最小二乘法;②基于條件分布的無效率項的估計;③StoNED 效率值E的估計。

1.1.1的估計 StoNED 模型采用凹面非參數最小二乘法(CNLS)對合成誤差項εi進行估計,相比普通最小二乘法(OLS)和調整最小二乘法(MOLS),其優點在于考慮了更為一般的單調凹回歸函數的非參數形式,且允許截距和斜率隨著樣本個體變化而改變。可以寫為如下二次規劃問題:

對于未事先設定固定生產函數的形式,CNLS模型是采用一種非特定的生產函數形式來估計n個切超平面。第1個約束條件為線性回歸方程,其中斜率系數βi為要素i的邊際產出;第2個約束條件通過不等式的形式保證了函數的凹性特征;第3個約束條件保證了函數單調遞增的性質。

1.1.2的估計 為分離非效率項ui和隨機誤差項vi,當合成誤差項εi顯著偏倚時,可通過矩估計計算和。首先計算合成誤差項的二階和三階中心距,即:

m2、m3分別為真實矩μ2、μ3的一致估計量,進一步可得:

由式(3)和(4)可求得和的一致估計量分別為:

非效率項ui的均值和方差分別為:

式中:φ是標準正態分布函數;Φ是標準正態累積分布函數。

1.1.3 效率值E的估計 由于合成誤差項εi導致了產出觀測值yi與真實值f(xi)之間的差異,故效率公式可由式(1)兩邊同時除以f(xi)得到。且由于差異是由非效率項ui而非隨機誤差項vi引起的,故最終效率為

1.2 靜態面板數據StoNED模型

橫截面StoNED 模型無法直接適用本文研究的面板數據,故采用相應的面板數據StoNED 模型,即

同樣,生產函數是單調遞增且凹的,企業i在t期的隨機誤差項vit仍服從正態分布,即vit～N(0,)。由于是靜態模型,故生產函數f和無效率項ui不隨時間而變化。在單調性和凹性約束下,StoNED 模型的凹面非參數最小二乘估計為:

式中:第1個約束條件為回歸方程;第2個約束條件對生產函數施加了凹性限制;第3個約束條件保證生產函數的單調性。

綜上可知,效率的測度須由模型式(9)間接得出,效率值E可采用如下標準化形式表示:

1.3 動態StoNED 模型

橫截面數據背景下的StoNED 方法在效率領域已得到初步應用,Kuosmanen[26]在此基礎上進一步提出了面板數據背景下的StoNED 模型,并利用技術進步的思想將其動態化。為了考察生產技術和無效率隨時間的變化,把時間t作為自變量納入生產函數f,即f(x,t),t=0,1,…,T;同時,假定無效率項ui也隨時間而變化,即ui(t),i=1,2,…,n;t=0,1,…,T。因此,有如下動態StoNED 模型:

假設技術進步是產出遞增的、投入可加的,函數f(xit,t)可設為如下形式:

式中:f(xit,0)是基期生產函數;函數Am(t):→R描述了投入體現的技術進步。基期生產函數f(xit,0)的特性按照下述定理可延續至其他時期。

定理如果基期生產函數f(xit,0)對任意xit∈,t∈{0,1,…,T}是單調遞增的,且對?m=1,2,…,M;t=0,1,…,T有Am(t)≥0,則對所有xit∈,t∈{0,1,…,T},f(xit,t)是單調遞增的;如果f(xit,0)對任意xit∈,t∈{0,1,…,T}是全域凹的,則f(xit,t)對所有xit∈,t∈{0,1,…,T}也是全域凹的。

設定技術進步Am(t)為時間的二次函數,則

與技術進步的參數化建模類似,對技術效率的時間變化建模也可以用參數函數來近似。設定無效率項ui(t)為二次多項式,則

該設定包含技術效率穩定不變(bi=ci=0)、技術效率線性提高(bi>0,ci=0)和技術效率非線性提高(bi>0,ci≠0)等不同情形。

綜上可知,待估計的回歸方程如下所示:

為了估計模型式(15)中未知的函數f及參數α、β、θ、?、a、b、c和v,構建如下凹面非參數最小二乘估計:

式中:第1個約束條件代表回歸方程,基期生產函數f(xit,0)用切超平面αit+βitxit表示;第2個約束條件對切超平面施加了凹性限制;第3個約束條件對生產函數f(xit,t)施加了單調遞增限制、對技術變化進行了非負限制。

技術效率的度量必須從模型式(16)間接推斷。給定式(16)的參數估計和,企業i在t期的無效率估計的計算方法為

則效率值E可采用如下標準化形式:

1.4 Tobit模型

為進一步了解中國省際規模以上工業企業科技創新資源配置效率的顯著性影響因素,本文以StoNED 模型所測算的效率值作為被解釋變量,以各影響因素作為解釋變量,設定多元線性回歸方程。由于StoNED 模型測度出來的效率值在特定的區間[0,1]之內,屬于受限因變量,倘若直接采用普通最小二乘法,可能會導致結果偏移或不一致,故采用受限因變量模型中的規范截取回歸模型,即面板Tobit模型,探究不同的影響因素對科技創新資源配置效率影響情況,即

式中:Yk為受限的被解釋變量;Xk為解釋變量;β為未知參數向量;μk～N(0,δ2)。

2 變量選取、數據來源及模型設定

2.1 變量選取及處理

依據創新價值鏈理論[27],本文將規模以上工業企業(以下簡稱“規上企業”)科技創新活動分為技術成果研發和技術成果轉化兩個階段。技術成果研發是指企業開展包括技術立項、研究、試驗和樣品試制等研發階段,是技術成果轉化的基礎;技術成果轉化是指企業將試制成功的樣品進一步試驗開發以論證生產工藝、降低生產成本及提高生產規模的產業化階段[28-29]。由于兩階段的創新活動內容不同,其投入和產出變量的選擇也存在差異,本文研究將根據兩階段創新特征選取各自的投入產出資源要素,并分別測算創新資源配置效率。

2.1.1 技術成果研發階段 投入產出變量參考范德成等[6]的做法。投入變量從人力和資金兩個方面選取指標:①R&D 人員全時當量(Labour1),衡量企業技術成果研發過程中的人力資本投入。②R&D 內部經費支出(RDfunds1),衡量企業研發技術方面的資金投入。③新產品開發經費支出(NRDfunds 1),衡量企業對新技術試驗和對新產品試制的經費投入。R&D 內部經費支出和新產品開發經費支出全面涵蓋了企業在技術成果研發階段的各環節資金投入。企業技術成果研發階段主要以技術作為最終產出成果,包括新技術和改進技術等,因此,產出變量選取規上企業的專利作為衡量標準。④專利申請量(Patent),衡量地區規上企業科技創新產出。

由于創新屬于知識生產過程,其產出不僅依賴當前投入,還依賴于過去投入的積累,故R&D 內部經費支出和新產品開發經費支出應采用存量形式。首先以2011年為基期,用加權R&D 價格指數對兩項經費支出進行平減,消除價格變動影響[30];然后,采用永續盤存法(PIM)對價格平減后的經費支出進行存量計算[31-32]。計算公式為

式中:SEi,t與SEi.t-1分別為產業i在第t年和第t-1年的經費支出存量;FEi.t為產業i在第t年當年的經費支出流量;δ為折舊率,本文取δ=15%。基期經費支出存量的計算公式為

式中:FEi.1為產業i在基期的經費支出流量;g為本文研究樣本年限范圍內經費支出的年均增長率。

2.1.2 技術成果轉化階段 技術成果轉化階段不僅有人力和資金投入,還有承接第1 階段的技術創新成果作為產業化的技術投入,因此,第1階段的產出變量就成了第2 階段的投入變量,正是因為“專利申請量”的存在,將本文研究的第1 和第2階段銜接在一起構成了一個完整的創新流程。具體而言,投入變量包括:①專利申請量(Patent),衡量企業在技術成果應用及推廣過程中的技術投入;②年末研發人員總數(Labour2),衡量企業在技術成果轉化階段的人力資本投入;③技術獲取及改造經費投入(RDfunds2),包括企業引進技術經費支出、消化吸收經費支出、購買境內技術經費支出和技術改造經費支出,衡量企業在技術成果轉化過程中的資金投入。產出變量為新產品銷售收入(Income2),衡量企業將利用新技術開發的新產品推廣上市之后獲得的經濟效益。這里,技術獲取及改造經費投入也采取存量形式,計算方法同上。新產品銷售收入采取以2011 年為基期的居民消費物價指數平減處理。

由于技術成果研發和轉化具有時間滯后效應,故對上述兩個階段的投入變量進行一階滯后處理,最終可估算2011～2019年的兩階段效率值。

2.1.3 影響因素變量 因為本文研究樣本為省際規上企業,所以影響因素選取要包含地區和企業兩個方面特征,且創新涉及各創新主體,選取的影響因素應盡量涵蓋企業、高校、科研院所和政府等主要社會創新主體。最終,共選取5個可能的影響因素并分為兩類。

區域特征:①地區經濟要素。較好的經濟實力可以更多支持創新并吸引人才,參考薛永剛[33]的做法,選取地區人均國內生產總值來衡量地區經濟發展水平(pGDP)。②地區科研要素。企業創新不是閉門造車,離不開對外合作,且受到所在地區科研基礎的影響,而一個地區的科技研發能力主要取決于該地區的高等院校及科研院所的數量[33],故選擇高校和科研院所數量總和衡量地區科研實力(SUM)。③地區政策要素。政府的支持直接關系著轄區企業的創新活力,參考肖振紅等[34]的做法,選擇政府財政科技支出占政府財政總支出的比重來衡量地區政府支持力度(GOV),即財政科技支出/財政總支出。

企業特征:①企業規模要素。資產規模決定著企業的研發機構規模及研發投入水平[35],本文選擇地區規上企業平均資產規模來衡量企業規模(SIZE),即規上企業總資產/規上企業數。②企業重視程度。微觀的工業企業個體是科技創新活動的直接承載,企業只有重視技術研發才能真正加大投入提高產出,參考段姍等[36]的研究,選擇有研發機構的規上企業數占規上企業總數的比重來衡量企業對科技創新的重視程度(VALUE),即有研發機構規上企業數/規上企業總數。其中,地區人均國內生產總值和規上企業總資產采取以2011年為基期的年度CPI指數進行平減。上述影響因素均滯后1期處理。

根據上述選取的兩階段投入產出變量及影響因素的選取,構建本文研究的創新資源配置效率評價指標體系,如表1所示。

表1 規模以上工業企業創新資源配置效率評價指標體系Tab.1 Evaluation index system of innovation resource allocation efficiency of industrial enterprises above the scale

2.2 樣本選擇及數據來源

由于國家統計局從2011年1月起將納入規模以上工業統計范圍的工業企業起點標準從年主營業務收入500萬元提高到2 000萬元,為保證統計數據口徑一致性和可得性,本文研究樣本為2011～2020年中國30個省市自治區(除西藏自治區)的規模以上工業企業數據。研究所需原始數據來自《中國科技統計年鑒》《中國統計年鑒》以及Wind數據庫。

2.3 模型設定

2.3.1 創新資源配置效率測算的StoNED 模型本文研究數據具有典型的動態面板特征,故選擇動態StoNED 方法分別測算30個省市自治區規上企業在2011～2019年共計9年間的技術成果研發階段和技術成果轉化階段的創新資源配置效率值。根據模型式(16)設定具體形式如下:

式中:L、K、M分別表示投入要素;y表示產出要素。

2.3.2 影響因素檢驗的Tobit模型

3 創新資源配置效率實證分析

3.1 創新資源配置效率的測算結果分析

運用GAMS25.1.3軟件求解模型式(21),最終得到如表2所示的30個省市自治區規上企業兩階段效率值。

表2 2011～2019年中國30省市規上企業兩階段創新資源配置效率值Tab.2 Efficiency values of two-stage innovation resource allocation of above-standard enterprises in 30 Chinese provinces and cities,2011～2019

3.1.1 創新資源配置效率動態變化分析 由表2可見,中國30個省市規上企業兩階段創新資源配置效率絕對值分布在0.8～1.0 之間,且隨著年份增加,效率值的變化呈現出一定規律,如圖1所示。

圖1 中國規上企業兩階段創新資源配置效率變化Fig.1 Changes in the efficiency of innovation resource allocation in two stages of Chinese above-standard enterprises

從國家層面看,中國規上企業兩階段創新資源配置效率值皆呈現“倒U 型”態勢,但技術成果研發階段效率始終低于技術成果轉化階段效率。技術成果研發階段效率值從2011年起微弱增長,于2014年達到最高點0.8557,之后便小幅下降,總體來看,研發階段效率值變化不大,基本保持在9年效率均值0.847 6 上下。技術成果轉化階段效率值在2011～2016年間不斷提高,達到最高值0.934 4,而后呈現下降趨勢,但相較于2011 年效率值0.882 6,2019年顯著提升至0.912 2,增幅3.35%。其中,技術成果轉化階段的效率值就一直大于技術成果研發階段的效率值,且一直擴大著領先優勢直到2018年,差值最大達到0.0840。這種效率增幅差異可能原因在于國家創新戰略的調整。自2012年黨的十八大起正式將科技創新擺在了國家發展全局的核心地位,實施了創新驅動發展戰略,與以往不同的是戰略首次明確強調了創新的目的是驅動發展而非發表學術論文等。緊接著針對中國科技成果轉化效率不高的問題,2015年國家修訂了《中華人民共和國促進科技成果轉化法》,2016年起一系列具體政策措施全面推進,如科技成果確權、職務科技成果收益等問題得到解決,都有效促進了包括企業在內的各創新主體技術成果轉化效率的提升[29],使得本身就以技術應用為主的工業企業更加注重技術成果向生產力轉化的創新活動,而技術研發則需要更長時間的知識積累,難以保持穩定的產出增長。因此,技術成果轉化階段效率值逐漸超過研發階段效率值并擴大了領先優勢。

3.1.2 中國30個省市規上企業創新資源配置效率分析 將各省市兩階段的效率求平均值后置于圖2所示的二維象限圖中,并分別以0.846 3和0.912 2為兩個階段效率值的分位線,將30個省市劃入4個區域。其中:右上方為“雙高”(即研發和轉化效率高)區域,順時針看,右下方為“高研低轉”(即研發效率高而轉化效率低)區域;左下方為“雙低”(即研發和轉化效率低)區域,左上方為“低研高轉”(即研發效率低而轉化效率高)區域。

圖2 30省市規上企業兩階段創新資源配置效率二維象限劃分Fig.2 Two-dimensional quadrant of two-stage innovation resource allocation efficiency of above-standard enterprises in 30 provinces and cities

由二維象限劃分圖可以看出,位于“雙高”區域共有10個省市,它們的兩階段效率值均高于全國平均水平。其中,江西省是該區域技術成果研發階段效率值最低的樣本,安徽是該區域技術成果轉化階段效率值最低的樣本。東部地區省市在“雙高”區域中占據5席,分別是廣東、浙江、上海、北京和天津;中部地區占4席,分別是安徽、湖北、江西和河南;西部地區僅有重慶。位于“雙低”區域共9個省市,它們的兩階段效率值皆低于全國平均水平。其中,貴州是該區域技術成果研發階段效率值最高的樣本,遼寧是該區域技術成果轉化階段效率值最高的樣本。西部地區在“雙低”區域中占據6 席,分別是青海、內蒙古、甘肅、寧夏、云南和貴州;中部地區占2席,分別是黑龍江和山西;東部地區僅有遼寧。

由此可見,地區間的創新資源配置效率不平衡現象顯著存在,效率值依“東-中-西”為序遞減。這主要是因為東部地區經濟發展水平較高、區位優勢明顯,擁有更好的科技創新基礎,并能夠吸引大批優秀的科技型企業入駐形成創新產業集群,更好地整合和利用創新資源,資源配置效率相對較高。值得注意的是,技術成果研發階段效率最高的是安徽,技術成果轉化階段效率最高的是海南。可能的原因在于安徽雖然為中部省份,但毗鄰教育資源豐富的江蘇省,屬于長三角經濟圈,資源流通最為發達。2020年最新數據顯示,長三角的研發機構總數位居全國經濟圈首位,這些科研優勢都為落戶安徽的企業提供了便利的研發支持,使得安徽可以充分借助長三角融合發展獲取更大科技研發產出。海南地理位置獨特,作為中國南端的海島省份,其自身研發基礎薄弱,且不與任何省份接壤,地理隔閡造成人才等要素流通不便,因此研發效率低。而海南正逐漸完善以新興工業為主導的第二產業,近年來大力發展具備優勢的油氣化工、醫藥制造和林漿紙一體化等產業,行業內技術更加注重直接的現實應用,引進技術及升級技術轉化利用成為當地企業重要的創新手段,2019年海南吸納技術交易額44.75億元,是同年輸出技術交易額的5.8倍,吸納技術占比僅次于西藏、新疆和青海3個西部省份。由此可見,引進技術轉化利用是海南最普遍的技術創新活動,技術成果轉化效率高。

3.1.3 東中西部分區域創新資源配置效率分析為進一步研究中國規上企業兩階段創新資源配置效率的變化及差異,對東中西部三區域效率值分技術成果研發和技術成果轉化兩個階段分別進行比較動態分析。

如圖3所示,技術成果研發階段,東部效率值一直處于最高水平,其次是中部,西部最低。具體來看,西部地區效率值呈現先增后減的“倒U 型”曲線形態,東部地區效率值呈現出小幅緩慢下降的趨勢,中部地區效率值則最為平穩,觀察期內變化較小。對比2011和2019年首尾兩個年份可以發現,中部地區正逐步縮小與東部地區的差距并拉大與西部地區的差距。其中2015 年,也就是西部地區效率值“倒U 型”曲線頂點的位置,其研發階段效率值達到最高,此時與中部地區效率值和東部地區效率值差距最小。之后,由于西部地區自身研發效率值下降更快,導致差距又進一步擴大。而中部地區研發效率值相對平穩,在東部地區效率值不斷下降的過程中,兩者的差距在逐年縮小。這些都得益于國家近年來在中部地區不斷給予的創新政策傾斜,如2016年出臺的《促進中部地區崛起“十三五”規劃》支持鄭州、武漢建設國家中心城市,2017年合肥成為繼上海之后國家正式批準建設的第2個綜合性國家科學中心。隨著這些國家戰略的推進,一大批創新產業群在中部落地,依托良好的大批高等院校研發資源,中部地區正逐步縮小與東部地區在技術成果研發階段創新資源配置效率上的差距。

圖3 東中西部規上企業技術成果研發階段創新資源配置效率變化Fig.3 Changes in the efficiency of innovation resource allocation in the R&D stage of technological achievements of enterprises on the East,Middle and West Regions

如圖4所示,技術成果轉化階段,3個地區效率值之間的差距隨著時間推移而明顯縮小。3個地區的效率值在2011～2015年間都呈現出顯著的增長趨勢,而2016～2019年間,增長趨緩甚至有所下跌。中部地區效率值從2012年起超越西部地區,并一直縮小與東部地區的差距,并在2019年超過了東部地區。而西部與東部從2011年的效率值差距0.011 5擴大到2015年的差距0.028 5,差值擴大了近2.5倍,而后由于東部地區效率值下降較快,大幅縮小了兩者差距。東部地區在技術成果轉化階段創新資源配置效率上的優勢正逐漸消失,國內物流業的快速崛起抵消了東部沿海的出口便利條件,大批工業企業可以選擇成本更低的中西部城市,通過便捷的物流將產品銷售到全國和海外;更多經濟技術開發區和高新技術開發區落戶中西部,大幅提升了地區技術成果應用的能力,這些都促成了東部與中西部地區技術成果轉化階段效率差距的不斷縮小。

圖4 東中西部規上企業技術成果轉化階段創新資源配置效率變化Fig.4 Changes in the efficiency of innovation resource allocation in the transformation stage of technological achievements of the enterprises on the East,Middle and West Regions

4 創新資源配置效率影響因素實證分析

本文進一步采用Tobit模型,將可能的影響因素分別對兩階段效率值進行回歸檢驗,結果如表3所示。

表3 兩階段創新資源配置效率影響因素的Tobit回歸結果Tab.3 Tobit regression results of the factors influencing the efficiency of innovation resource allocation in two stages

由表3第2列的回歸結果可見,在技術成果研發階段,pGDP和SUM 是影響效率值的顯著因素。其中:pGDP的回歸系數0.046 8在1%的水平上顯著,即地區經濟發展水平越高,當地規上企業的研發效率越高;SUM 回歸系數0.053 7在1%的水平上顯著,表明地區的高等院校和科研機構越多,其轄區內的規上企業研發效率越高,這種顯著的正向促進關系可能是通過產學研合作途徑發揮作用,這一結果不僅與陳偉等[37]的研究結論一致,也驗證了本文關于圖2中安徽省在研發階段效率最高的解釋。而企業資產規模等其他3個影響因素皆不顯著,可能也是由于當前對于成果轉化的重視程度在不斷提高,各方面要素都在加緊向著技術成果轉化階段配置,而技術研發的長周期、重積累的特性造成了短時間內很難出現持續穩定的創新產出,這些都使得其他影響因素對研發階段效率值的回歸無法顯著。由表3第3列的回歸結果可見,在技術成果轉化階段,SIZE和VALUE是影響效率值的顯著因素。其中,SIZE的回歸系數0.0015在1%的水平上顯著,表明規上工業企業的資產規模越大,越能夠提升企業轉化階段的效率,企業運用新技術投入生產的產業化階段往往需要數十倍于技術開發的資金投入[38],只有資產規模大的企業才能在技術轉化為生產力過程投入更多資金,也才能帶來更大產出,達到新產品的規模效應。VALUE 的回歸系數0.0003在5%的水平上顯著,表明企業越重視技術成果轉化,這一階段創新資源配置效率就越高,企業的意愿決定著創新行為,對轉化活動的重視即意味著企業更加看重現實生產力而非技術專利數量,這與近年來的政府政策引導相吻合。pGDP不顯著符合了本文技術成果轉化階段效率值在東中西部地區的差距越來越小的結論。而GOV 不顯著,表示政府支持力度提升并未有效提高企業技術成果轉化效率,這一結果驗證了郭兵等[39]關于政府科技財政支出雖然對企業研發投入有促進作用,但是對企業創新產出沒有積極影響的觀點。

5 結論

本文采用動態隨機非參數數據包絡模型(StoNED),對2011～2019年間中國30個省市自治區規模以上工業企業在技術成果研發和技術成果轉化兩個階段的創新資源配置效率進行了測算,并利用Tobit模型分別對兩階段效率的影響因素進行了實證分析。得到以下研究結論:

(1) 在國家層面,中國規上企業兩階段創新資源配置效率值皆呈現“倒U 型”態勢,但技術成果研發階段效率始終低于技術成果轉化階段效率,且兩者差距長期呈擴大態勢。

(2) 比較30 個省市可以看出:兩階段效率值“雙高”的區域中,東部省份最多,西部省份最少;兩階段效率值“雙低”的區域中,西部省份最多,東部省份最少。這顯示出“東-中-西”創新資源配置效率由高到低的分布格局,反映了區域間創新發展的不平衡。

(3) 進一步分區域比較兩階段效率值動態變化可知:在技術成果研發階段,東中部效率值差距呈逐漸縮小態勢,與西部效率值差距則逐漸增大;在技術成果轉化階段,東中西部效率值差距隨著時間推移明顯縮小。

(4) 影響兩階段效率值的因素存在差異,地區經濟發展水平和科研實力對技術成果研發階段效率值具有顯著的正向作用,企業資產規模和企業重視程度對技術成果轉化階段效率值具有顯著的正向作用,而政府支持力度則對兩階段效率值皆無顯著影響。

綜合上述研究結論,提出以下政策建議:

(1) 國家應進一步調動企業作為創新主體的積極性。持續穩定地向技術研發階段配置人才、資金等資源,充分認識研發活動的長期性,合理設置技術研發目標,改變單純以專利數量和經濟效益衡量技術研發成果的片面評價體系,給予科研活動更多時間和更大空間,從長遠改變技術成果研發階段效率下降的趨勢。

(2) 政府應注重創新政策制定的差異化設計。針對中國東中西部創新資源配置效率的不同情況,結合地區創新資源稟賦,合理引導資源要素的區域間協調分配,如中部地區的安徽合肥等地在新能源汽車產業形成的集聚優勢,應鼓勵支持相關電池、電機、電控等產業匯集,提高產業鏈上下游資源配置效率,形成更大的規模效應。

(3) 針對西部地區研發和轉化效率雙低的局面,國家應從促進地區間創新要素合理流動角度入手。打破屏障,引導人才、資本、產業等向西部地區流動,先選擇數個重要西部核心城市建立區域創新示范中心,鼓勵區域內錯位發展,防止有限資源的內部競爭,優化創新要素分配格局,同時加強東中西部在科技研發等方面的合作,促進技術要素區域間高效流動,以轉化效率提升帶動研發效率提升。

(4) 地方政府應加強創新環境建設。注重企業內部創新投入要素和外部環境因素的相互協調,內外配合提高創新產出效率,優化政府支持科技創新的方式,加強對基礎設施建設和基礎研究的投入,減少對具體產業創新活動的直接干預,提高市場創新自由度和創新活力。