長株潭城市群科技創新效率研究

易斌 施可

摘要： 基于超效率DEA、Malmquist模型和灰色關聯分析方法對2011～2021年長株潭城市群科技創新效率進行測算和影響分析，并與合肥都市圈和鄭州都市圈進行比較分析。得出結論：（1）長株潭城市群科技創新全要素生產率的不斷提升得益于技術進步的推動，科技創新效率為三個城市群中最優；（2）規模以上工業R&D人員全時當量、新產品銷售收入和R&D經費內部支出是與長株潭城市群科技創新效率灰色關聯度最高的三個影響因素。基于此，建議長株潭城市群從人才優先發展、深化企業創新主體作用、加速金融發展和加大財政投入方面共同發力提高科技創新效率。

關鍵詞：長株潭城市群；科技創新效率；超效率DEA模型；Malmquist模型；灰色關聯分析

中圖分類號：F427? ? ? 文獻標志碼：A? ? ? 文章編號：1008-4657（2024）02-0061-08

0? ? ? ? 引言

黨的十八大以來，以科技創新為主要推動的全面創新是全國實施創新驅動發展戰略的核心，湖南省積極響應，持續深化創新驅動發展，全省科技創新綜合實力全國第11位，企業創新綜合實力全國第8位，重點產業的關鍵核心技術達世界領跑先進水平。2021年，長株潭城市群經濟體量1.92萬億元，占湖南省總量的41.6%，長株潭城市群作為湖南省科技創新最高水平代表，不僅是湖南經濟發展的中流砥柱，更是國家“中部地區崛起”戰略的重點發展城市群之一。2022年2月24日國家發改委正式批復了《長株潭都市圈發展規劃》，再一次強調了長株潭城市群的重要建設地位。湖南省正處于“十四五”和“三高四新”戰略風口，創新驅動發展是湖南省以及長株潭城市群高質量發展的長遠核心戰略，科技創新是高質量發展的直接動力，高科技創新效率能推動生產要素良性循環加速高質量發展進程。長株潭城市群想繼續推進先進制造業、科技創新高地建設，深化區域一體化輻射帶動全省經濟社會高質量發展必須要強化科技創新提高創新效率。然而目前對于長株潭城市群科技創新效率的測算研究分析較少，因此了解長株潭城市群科技創新效率的變化并分析其影響原因，從而為提高科技創新效率提出有針對性的建議十分重要。

1? ? ? ?文獻綜述

科技創新活動是基于對投入的科技物資和研發人力的資源配置實現科技創新產出，科技創新活動中的資源配置合理性會直接影響科技創新效率和創新產出水平，從而間接影響地區經濟產出。因此，科技創新效率在一定程度上反映了地區經濟產出的實際水平和發展潛力，也是企業維持獨特市場競爭力的重要手段。

目前有關科技創新效率評價的研究有很多。在評價體系構建上，徐頑強等［ 1 ］在弗里曼的國家創新體系的基礎上構建了基于企業、高校及科研機構、政府和區域經濟產業大環境的省域科技創新體系評價模型的理論框架。遲國泰等［ 2 ］從科技創新環境，科技創新投入，科技創新產出和科技對經濟社會的影響四個維度構建以企業為主體的科技創新指標體系。Pinto? H等［ 3 ］從經濟結構、技術創新、人力資本、勞動力市場四個層面構建區域創新能力衡量體系。然而大部分學者更傾向從科技投入和科技產出兩個層面來構建科技創新評價體系，并根據實際研究需要完善指標體系［ 4-8 ］。在測度方法選擇上，很多學者傾向于選擇DEA及其組合模型［ 8-14 ］。除了效率測度，對效率影響因素的研究也越來越深入。韋顏秋等［ 15 ］發現加強政府重視和治理力度，完善市場機制，優化產業結構和激勵企業自主創新意識等可以逐步解放技術進步和技術效率結構失衡對科技創新效率提升的抑制。Wang? ?Shuai等［ 16 ］認為加大區域開放程度從長遠來看可以加強市場競爭、淘汰落后技術并促進知識交流和資源流入。程廣斌等［ 17 ］發現政府支持力度和人力資本素質與技術創新效率正相關。沙德春等［ 18 ］認為應當從規模與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。

已有文獻對科技創新效率的研究主要集中為國家和省域層面，選取的多為東部經濟發達地區，對中、西部地區和其中的城市群、都市圈的研究相對較少。

2? ? ? ?科技創新效率DEA模型分析

2.1? ? ? 模型選擇

2.1.1? ? ? ?超效率DEA模型

數據包絡分析方法（Date? Envelopment? Analysis，DEA）被廣泛運用于效率測算，傳統的DEA方法存在當多個決策單元效率值均為1時不能區分這些決策單元效率高低的局限性，為了更好地反映城市群科技創新效率的真實值，選擇能突破效率值不超過1界限的超效率DEA模型解決這一問題，具體公式如下：

其中x和y別表示投入和產出值，S和S表示投入和產出的松弛變量，n，q，r表示投入產出項數，i代表年份數，θ表示決策單元的科技創新效率。

2.1.2? ? ? ? Malmquist模型

超效率DEA模型測度的是靜態效率，不能反映科技創新效率的時空變化趨勢，為了更好觀測城市群科技創新效率的動態變化，在靜態模型基礎上采用Malmquist模型測算城市群科技創新動態效率，具體公式如下：

在上式中M代表全要素生產率，M = 1時說明從t到t+1時期全要素生產率不變，M > 1代表全要素生產率提高，M < 1代表全要素生產率下降。同時全要素生產率可分解為技術進步效率（Techch）和技術效率（Effch）的乘積，二者分別代表生產前沿面外移效率和技術水平改良效率。

2.2? ? 指標體系建立和數據來源

目前沒有統一的城市群科技創新評價指標體系，本文參考過往研究，結合長株潭城市群實際發展情況，秉承指標選擇的科學性，客觀性和可獲得性，構建科技創新效率評價的指標體系表1所示［ 17 ］。

科技創新投入主要包括人力投入和資金投入。R&D人員全時當量是國際通用的衡量科研人力投入的指標，由全時人員數與非全時人員按工作量折算為全時人員數加總計算，反映科研活動的人力投入；企業是人力投入的重要載體也是科技創新的主體，有R&D活動企業數能反映一個地區創新主體規模和發展潛力；R&D經費內部支出是指用于機構內部科研活動的實際支出，主要由政府資金和企業資金構成，充分體現了一個地區對科研活動的資金支持。同時，考慮到抓大放小和更能代表地區的整體趨勢的原則，故選擇規模以上工業（以下簡稱規上工業）中的R&D人員全時當量、有R&D活動企業數和R&D經費內部支出作為投入指標。

科技創新產出主要是新技術、新知識的產生與轉化。發明專利授權數指當年授權的發明專利總和，能直接反映創新成果產出規模；新產品銷售收入則反映了創新成果產出轉化帶來的經濟收益。故選擇規上工業新產品銷售收入和發明專利授權數作為產出指標。

為保障數據完整性和科學性，所有原始數據來自2012～2022年湖南省、安徽省和河南省統計年鑒，以及2011～2021年各城市群、都市圈所含市州的國民經濟發展水平和社會發展統計公報，所有經濟指標值均進行平減調整。

2.3? ? 超效率DEA模型結果分析

通過Matlab運算得到超效率DEA模型結果整理，如表2所示：

從橫向效率均值來看，測算期內三個城市群的年均綜合效率為0.908，盡管沒有達到綜合效率有效但整體效率水平并不低。從橫向效率均值變化來看，2012～2018年效率均值在不斷增大，并在2015年后均值開始大于年均值，到2018年達到最大均值1.063，2019年均值短暫回落低于年均值但后期逐步回升，科技創新效率在波動中穩步改善。

從縱向效率均值來看，測算期內長株潭城市群、合肥都市圈和鄭州都市圈的年均效率分別為0.930、0.906和0.888，長株潭城市群整體科技創新效率要優于合肥都市圈和鄭州都市圈。從縱向效率均值變化來看，長株潭城市群和合肥都市圈的效率變化較為接近，均呈現波動上升趨勢，長株潭城市群科技創新效率在2016年達最大值為1.084，合肥都市圈在2018年達最大值為1.092。鄭州都市圈的效率變化呈現上升趨勢，到2021年達最大值為1.089，但自2013年后至2021年整體波動幅度較長株潭城市群和合肥都市圈平穩，綜合效率在1處上下浮動。長株潭城市群相對合肥都市圈和鄭州都市圈工業底蘊深厚、發展較早，又擁有軌道交通和航空動力兩大世界級產業集群，科技創新發展自然先進，效率也在三個城市群中最優。合肥都市圈背靠長江經濟帶，地理位置優越，多年來積極融入長三角開發承接優質產業轉移，發展機會劇增，科技創新實力不斷提升，與長株潭城市群間的效率差距逐漸減小。而鄭州都市圈無論在地理位置還是工業底蘊上均沒有較大優勢，科技創新效率要弱于長株潭城市群和合肥都市圈。

2.4? ? Malmquist模型結果分析

從表3結果來看，城市群科技創新全要素生產率年均值為1.016，表明2011～2021年城市群科技創新全要素生產率整體在以1.6%的年均增長率提高。從趨勢看，2012～2019年全要素生產率增長不斷變緩， 2017～2019年呈現增長短期退步趨勢，2019年以后增長回春。這與技術進步和技術效率變化密切相關，全要素生產率增長變緩主要由于技術進步增長變緩，增長退步則是技術進步停滯與技術效率失衡共同作用結果。2011～2021年技術進步和技術效率年均值分別為0.999和1.017，全要素生產率年均提高1.6%，其中由技術進步貢獻-0.1%，技術效率貢獻1.7%，且技術效率相對固定，技術進步與全要素生產率呈同方向變動，可見城市群科技創新全要素生產率的優化提升是技術進步主導的。

從表4結果來看，城市群的全要素生產率值均大于1，全要素生產率不斷提升。分解Effch值和Techch值來看，長株潭城市群分別為1、1.008，合肥都市圈分別為1、1.030，鄭州都市圈分別為0.960、1.006。從技術效率水平來看，長株潭城市群和合肥都市圈相對固定，而鄭州都市圈在持續改良，且這種提升是技術運用水平和資源配置效率提升共同作用的結果，技術效率對全要素生產率提升作用大于技術進步。從技術進步水平來看，長株潭城市群和合肥都市圈都在穩步提升，生產可能性邊界在前移，二者全要素生產率的提升主要依賴技術進步的貢獻。由此，長株潭城市群和合肥都市圈是技術進步主導的全要素生產率提升，鄭州都市圈是技術效率改善主導的全要素生產率提升。

3? ? 科技創新效率灰色關聯分析

通過超效率DEA和Malmquist模型得出了長株潭城市群、合肥都市圈和鄭州都市圈2011～2021年科技創新效率的變化情況和類型，但其各自效率的變化與規上工業R&D人員全時當量、有R&D活動企業數、R&D經費內部支出、新產品銷售收入和發明專利授權數這些因素的關聯尚不清晰。故下文將探索科技創新效率與這些因素的關聯影響程度。

3.1? ? 灰色關聯分析法

灰色關聯分析通過對研究對象動態過程發展態勢的量化處理，依照時間序列求出參考對象和比較對象之間的灰色關聯度。前文已測出長株潭城市群科技創新效率值，要了解影響因素對科技創新效率的關聯影響程度，運用灰色關聯分析法正合適。灰色關聯分析方法具體操作步驟如下：

3.2? ? 體系構建與數據處理

結合前文，設規上工業R&D人員全時當量、規上工業有R&D活動企業數、規上工業R&D經費內部支出、規上工業新產品銷售收入、發明專利授權數為比較數列；以科技創新綜合效率為參考數列分別構建指標體系。

比較數列的原始數據沿用前文構建超效率DEA模型時收集的各指標數據，參考數列原始數據為運算得出的科技創新效率值，均采用均值化法處理。

3.3? ? 關聯結果分析

根據前文關聯度計算公式分別對長株潭城市群、合肥都市圈和鄭州都市圈計算比較數列與參考數列的關聯度，結果如表5所示。

從表5可知，對于長株潭城市群，與科技創新效率關聯度最高的三個指標是：規上工業R&D人員全時當量、R&D經費內部支出和新產品銷售收入；合肥都市圈是規上工業R&D經費內部支出、有R&D活動企業數和新產品銷售收入；鄭州都市圈是規上工業R&D人員全時當量、R&D經費內部支出和新產品銷售收入。由此可知，規上工業R&D經費內部支出和新產品銷售收入是三個城市群共同與科技創新效率高關聯的指標，表明代表投入的R&D經費內部支出和代表產出的新產品銷售收入很大程度上反映了三者科技創新效率的整體水平。此外，長株潭城市群規上工業有R&D活動企業數關聯度是三個城市群里最低的。有R&D活動企業是科技創新活動的重要載體也是科技人才成長的重要平臺更是新產品高產的潛力平臺，長株潭城市群科技創新效率的穩定提升需要重視并鼓勵企業積極開展研發創新活動，充分發揮企業吸納科技人才和承載科研活動的能力，加強對其科研經費的支持和配置管理，不斷引進、培養、提升科技人才創新能力和科技活動成果產品化效率，推動企業生產和營收的高質量提升。

三個城市群均存在發明專利授權數與綜合效率關聯度偏低的問題，且長株潭城市群和鄭州都市圈該指標的關聯度明顯低于合肥都市圈，分別為0.592和0.581。關聯度偏低的原因可能是由于發明專利在授權后，相應的技術成果轉化困難或遲緩，又可能后續形成經濟產品時生產和銷售相對困難，故對產出的貢獻不及時不充足。對此，三個城市群尤其是長株潭城市群和鄭州都市圈要采取相應措施激勵區域內高校、企業和研發機構積極提升理論技術向現實產品的生產轉化效率，打通產品市場交易壁壘。

4? ? 結論與建議

通過前文研究可以得到以下結論：（1）測算期內長株潭城市群科技創新效率最優，合肥都市圈次之，鄭州都市圈最弱；（2）長株潭城市群科技創新全要素生產率提升得益于技術進步的貢獻，技術進步年增長率略低于合肥都市圈；（3）與長株潭城市群科技創新綜合效率灰色關聯度最高的三個指標分別是規上工業R&D人員全時當量、新產品銷售收入和R&D經費內部支出。

因此，建議未來長株潭城市群科技創新效率的高效提升可以從以下四個方向發力：

（1）從戰略全局把握人才優先發展。科技創新活動需要人才支持，因此首先需要反復推敲人才政策，提高人才吸引力。在牢牢把握長沙人才新政45條、株洲“引培并重”新人才30條以及湘潭的十大人才行動等人才政策的基礎上探索建立針對長株潭一體化科技人才的引進、培養、管理和服務制度體系，加大對從事科技創新活動人才的政策吸引和支持力度，加強長株潭城市群內部人才與技術互通。其次深化本土創新型人才培養模式，重視管理和實踐能力提升。位于中部地區的長株潭城市群人才吸引力和挽留力不如東部發達地區，大力扶持本土創新型人才培養是保障充足創新型人才投入的重要舉措。長株潭城市群內教育資源豐富，優秀企業眾多，應充分利用自身優勢開展本土人才創新能力、實踐能力和管理技能的培養，探索打造高校+企業創新型人才培養進修雙基地，以吸引和培養輸送更多高素質本土人才。

（2）深化企業科技創新主體作用。長株潭城市群要持續優化產業結構，加快建設工程機械、軌道交通裝備和航空動力三大世界級產業集群，加快推進產業基礎高級化，提升產業鏈現代化水平，提升企業自主創新能力。重點跟蹤培育以高新技術企業和高成長性企業為代表的科技型企業，利用專業孵化器或眾創空間支撐科技型中小企業成長，引導和支持科技型中小企業提高研發創新能力和專業化水平，顯著提升科技產品經濟效益。此外，各級政府應鼓勵企業建立高水平研發機構，依托一批國家級和省級技術創新中心、工程技術研究中心、企業技術中心等研發創新平臺，構建具有長株潭城市群優勢產業特色的產業創新研發體系，并對有重大探索和技術攻關的機構給予常規政策優惠外的更大支持。最后，企業作為產學研模式的主體之一，要積極與高校、科研院所聯合開展橫向課題研究或項目研發，充分利用自身研發轉化優勢，助力健全產學研協同創新機制。

（3）加速金融發展助力科技創新。企業資金是R&D經費內部支出的主要來源之一，良好的金融發展有助于企業拓展資金來源，金融活力薄弱會加劇企業融資難度［ 19 ］，加劇人才外流。長株潭城市群要加速構建金融科技發展業態，協調各有關部門緊密結合，引導社會資本流向科技型、創新型企業尤其是中小企業。此外，政府要鼓勵和扶持金融機構不斷升級知識價值信用貸款、湘科貸等貸款項目助力科技型企業發展和科技成果轉化，支持保險機構開發專利、首臺套、科技企業研發責任、關鍵研發設備保險等險種，為企業科技創新提供更全面的知識產權、技術設備、研發風險等方面保障以緩解企業資金壓力。

（4）加大財政投入激勵引導科技創新。財政資金是R&D經費內部支出的另一種主要資金，也是激勵和引導科研活動高效開展的重要因素。長株潭城市群需要進一步加強對科研活動的財政保障力度，確保財政投入在科技投入組成中的穩定增長。這需要加速健全競爭性經費和穩定支持經費相協調的財政投入機制，優化財政資金支出結構，充分支配財政科技專項資金，集中支持重點領域、重點項目、重點產業，通過建立研發導向激勵機制，引導各類財政資金支持研發投入強度大的企業，對研發工作突出的企業和地區予以補助獎勵。最后，政府需遵循科研活動規律加強行業科研經費科學管理，減少資源浪費，通過經費管理進一步規范和引導行業企業科研活動的創新開展和有序進行。

參考文獻：

［1］徐頑強，周曉婷.基于主成分分析法的省域科技創新體系評價模型構建［J］.科技管理研究，2016，36（6）：52-57.

［2］遲國泰，趙志沖.以企業為主體的科技創新評價指標體系的構建［J］.科研管理，2018，39（S1）：1-10.

［3］Pinto H，Guerreiro J. Innovation regional planning and latent dimensions： the case of the Algarve region［J］.Annals of Regional Science，2010，44（2）：315-329.

［4］Yu Tiffany-Hui-Kuang， Huarng Kun-Huang，Huang Duen-Huang. Causal complexity analysis of the Global Innovation Index［J］. Journal of Business Research，2021，137：39-45.

［5］Hu Jin-Li， Yang Chih-Hai， Chen Chiang-Ping. R&D efficiency and the national innovation system： An? international comparison using the distance function approach［J］. Bulletin of Economic Research，2013，66（1）：55-71.

［6］戚湧，郭逸.江蘇科技金融與科技創新互動發展研究［J］.科技進步與對策，2018，35（1）：41-49.

［7］王海花，王瑩，李雅潔，等.長三角區域高技術產業科技創新效率評價研究——基于共享投入的三階段網絡DEA模型［J］.華東經濟管理，2022，36（8）：26-33.

［8］楊劍，夏慧良.中部與長三角地區國家級高新區科技創新效率評價——基于三階段數據包絡分析［J］.科技管理研究，2022，42（16）：70-77.

［9］Zabala-Iturriagagoitia J M，Voigt P，Gutiérrez-Gracia A，et al. Regional innovation systems： How to assess performance［J］. Regional Studies，2007，41（5）：661-672.

［10］Zhang Yixin，Cui Maozhong. Determining the innovation efficiency of resource-based cities using a relational network dea model：evidence from China［J］. The Extractive Industries and Society，2020，7（4）：1557-1566.

［11］陳銀娥，李鑫，李汶.中國省域科技創新效率的影響因素及時空異質性分析［J］.中國軟科學，2021（4）：137-149.

［12］汪永生，李桂君，李玉龍.國家首批創新型縣（市）的科技創新效率評價［J］.統計與決策，2021，37（6）：175-178.

［13］倪志敏，林海.基于SE-DEA模型的廣東省科技創新效率評價研究［J］.科技管理研究，2021，41（5）：15-20.

［14］劉韜，吳梵，曲優.企業科技創新效率時空差異與演變特征［J］.統計與決策，2022，38（7）：175-179.

［15］韋顏秋，李瑛.地區科技創新效率結構性失衡的影響因素分析［J］.統計與決策，2020，36（17）：171-175.

［16］Wang Shuai，Fan Jin，Zhao Dingtao，et al. Regional innovation environment and innovation efficiency： the Chinese case［J］. Technology Analysis & Strategic Management，2015，28（4）：396-410.

［17］程廣斌，吳家慶，孫雪英.長江經濟帶科技創新效率及影響因素研究［J］.科技管理研究，2022，42（3）：57-65.

［18］沙德春，王茂林.黃河流域高質量發展效率的演變及耦合協調水平［J］.科技管理研究，2022，42（20）：80-88.

［19］李合龍，呂羽麟，汪存華，等.粵港澳城市群科技金融對科技創新的支持效率研究——基于城市群協同創新的視角［J］.科技管理研究，2022，42（13）：51-58.

Research on Efficiency of Science and Technology Innovation in Chang-Zhu-Tan Urban Agglomeration

YI? Bin， SHI? Ke

（School of Business， Hunan University of Technology， Zhuzhou 412007， China）

Abstract：Based on the super efficiency DEA， Malmquist model and grey correlation analysis method， the scientific and technological innovation efficiency of Chang-Zhu-Tan Urban Agglomeration （CZT-UA） from 2011 to 2021 was calculated and analyzed， and compared with Hefei metropolitan area and Zhengzhou metropolitan area. The results show that： （1） the continuous improvement of total factor productivity of scientific and technological innovation in the CZT-UA is due to the promotion of technological progress， and the efficiency of scientific and technological innovation is the best among the three urban agglomerations; （2） the full-time equivalent of industrial R&D personnel， sales revenue of new products， and internal R&D expenditure are the three factors with the highest grey correlation degree with the technological innovation efficiency of CZT-UA. Based on this， it is suggested that the CZT-UA should make joint efforts to improve the efficiency of scientific and technological innovation from the aspects of giving priority to the development of talents， deepening the main role of enterprises in innovation， and accelerating financial development and increasing financial investment.

Key words：CZT-UA; Efficiency of scientific and technological innovation; Super efficiency DEA model; Malmquist model; Grey correlation analysis

［責任編輯：許立群］