中國區域創新增長與追趕能力分析

摘 要：基于2013—2022年我國30個省份的數據，將創新過程劃分為兩個階段，基于不同環境變量的分組，采用共同前沿下的超效率SBM-Malmquist模型，分別測算兩個階段的創新效率，并分析其創新增長能力和追趕能力。研究結果表明：①財政支持力度、產業結構優化水平、經濟發展水平和市場化程度等均能正向影響創新效率的增長能力和追趕能力，但產業結構優化水平的影響程度低于其余3個環境因素。②在不同環境因素的分組下，高組和低組在創新研究階段均存在增長效應，在成果轉化階段均不存在增長效應。③高組總體追趕能力強于低組，且在兩個階段均存在創新追趕效應，且主要由前沿技術趕超推動；而在純技術效率趕超上，高組與低組表現基本相同。低組在兩個階段均不存在追趕效應，但持續追趕能力強于高組。④相比于創新研究階段，在成果轉化階段，大部分地區的增長—追趕能力大幅下降，超過半數的地區既無創新增長效應，也無創新追趕效應。基于研究結論，針對不同的地區提出差異化的發展建議。

關鍵詞：追趕能力；增長能力；創新效率；共同前沿；Malmquist指數

中圖分類號：F124.3" " 文獻標志碼：A" " 文章編號：1671-0037（2025）1-48-16

DOI：10.19345/j.cxkj.1671-0037.2025.1.5

0 引言

我國經濟已由高速增長階段轉向高質量發展階段。高質量發展強調科技創新，依靠關鍵性、顛覆性技術創新為其提供堅實的物質技術基礎，是推動產業變革和人類進步的關鍵力量［1］。黨的十八大以來，黨中央把科技創新擺在國家發展全局的核心位置。黨的二十大報告將我國創新發展的三步走戰略目標合并成了兩步走，明確要求“到2035年，實現高水平科技自立自強，進入創新型國家前列，建成科技強國”，同時也指出“發展不平衡不充分問題仍然突出，推進高質量發展還有許多卡點瓶頸，科技創新能力還不強”。當下，科技創新活動已成為現代經濟發展的主要驅動力［2］。隨著國際競爭的不斷加劇，創新能力逐漸成為評估綜合國力和經濟發展水平的代表性指標之一。如何提升國家創新能力和競爭力成為備受關注的重點議題。

根據中國科學技術發展戰略研究院發布的《國家創新指數報告2022—2023》，2023年中國國家創新指數得分為72.7分，比上年提高1.9分，綜合排名位居世界第10位，較上期提升3位①。從國內來看，根據《2024年中國區域創新能力評價報告》，排名前五的省市與去年一致（廣東、江蘇、北京、浙江、上海），意味著其擁有較強的創新能力②。然而，不同于創新能力，在評價創新效率時，由于創新要素的投入與產出均具有多樣性，整個創新過程呈現為復雜的非線性過程［3］。當投入較多而無法有效獲得等量的產出時，創新效率就會顯得不盡如人意。這意味著，創新能力高的地區，創新效率不一定高。顯然，我國盡管越來越重視科技創新，但在提升創新效率方面仍困難重重。在此背景下，對我國各個省份的創新效率進行測算和評價顯得尤為重要。為此，本文基于SBM-Malmquist模型，構建兩階段創新效率評價指標，并考慮到地區間存在技術差異，引入共同前沿模型，以討論不同環境因素下不同組別創新效率的差異情況，最后提出針對性的政策建議。

1 相關研究評述

效率一般指投入產出的比率，當這一比率用來衡量創新行為時則被稱為創新效率，而區域創新系統理論的誕生使效率評價的對象擴展到了整個區域系統。該理論源于英國Cooke［4］教授發表的《區域創新體系：新歐洲的競爭規則》一文。他認為，區域創新使企業在社會經濟活動中的互動學習與改革得到升華，并超越了企業自身。之后，許多學者對區域創新的內涵進行了深入研究。Doloreux和Partob［5］將區域創新系統描述為具有相互作用的私人和公共利益關系、正式機構和其他組織的集合體；傅家驥和程源［6］則認為，區域創新系統是由多方面行為主體構成的綜合性創新網絡系統；柳卸林［7］認為，區域創新系統是由不同要素組成的創新網絡，重要的要素為與創新有關的機構、部門，創新主體應該是企業。在內涵研究的基礎上，Fritsch［8］結合區域創新系統理論與效率評價理論［9］，提出了區域創新效率，并對歐洲11個國家的創新效率進行了測度。目前，對于區域創新效率的研究已十分成熟，學界主要從評價方法、評價指標和影響因素等3個方面出發，對區域創新效率展開研究。

1.1 區域創新效率測算方法

測算效率的方法一般分為靜態測算和動態測算兩種。靜態效率測算不考慮不同時期效率的變化趨勢，只分析不同決策單元之間效率的高低，最常用的方法是隨機前沿分析法（SFA）和數據包絡分析法（DEA）。其中，SFA是典型的參數估計方法。該方法不僅可以測算效率，還可以考察非效率因素。張滿銀和張丹［10］利用SFA測算了京津冀地級市區規模以上工業企業的協同創新效率；郭樹華等［11］構建了超越對數生產函數的SFA模型，來測算中國不同地區的企業綠色創新效率。DEA則是非參數估計方法。相比于SFA，其無需預先設定生產函數，而只需得知投入產出數據，且根據規模效率是否可變被分為BCC模型和CCR模型兩類。李韻婷和張日新［12］利用CCR模型研究了廣東高校的科研創新效率，發現高水平大學建設項目無法提升科研創新效率，而效率低下的主要原因在于技術進步率下降。BCC模型和CCR模型均以徑向為測量基礎，未充分考慮投入和產出的松弛性問題，因而Tone［13-14］提出了SBM模型，后又提出了超效率SBM模型。袁榮等［15］利用超效率SBM模型分析了長三角區域41個地級及以上城市的科技創新效率；張羽等［16］運用非期望產出的超效率SBM模型研究了長江經濟帶74個城市的綠色技術創新效率。動態效率測算通常采用Malmquist指數法，該方法可以評價不同時期效率的變化情況。賴一飛等［17］利用超效率Malmquist指數法研究了我國30個省份的科技創新效率；楊騫等［18］利用全局參比的Malmquist指數法研究了重大國家戰略區域的科技創新效率。

1.2 區域創新效率指標選取

現有研究對于區域創新效率的指標選擇基本上趨于一致。在投入指標方面，普遍選擇人力投入和財力投入，以Ramp;D活動的人員數和資金投入來衡量；也有學者會額外添加物力投入，如研發機構數［19］等。在產出指標方面，少數學者限于研究模型僅選擇單一的產出要素，如易明等［20］在對我國高新技術產業創新效率進行研究時，選擇新產品銷售收入作為產出指標；而大多數研究都會選擇多個產出要素作為產出指標，如羅穎等［21］選擇技術市場成交額等4個產出指標來衡量長江經濟帶的創新效率。此外，有學者認為，創新是一個生產知識再獲得經濟收益的鏈式過程，因此須將創新過程分為兩個階段，且不同階段有不同的投入產出要素。劉鳳朝等［22］、王博等［23］均對區域高技術產業的創新效率進行了研究。他們將整個創新過程劃分為技術創新與成果轉化兩個階段，在技術創新階段以Ramp;D人員和Ramp;D經費為投入指標，以專利數為產出指標；在成果轉化階段則以上一階段的產出為投入指標，以新產品銷售收入為產出指標。兩階段指標的選擇在學界也各有不同：李寧等［24］將新產品開發經費納為第一階段的投入指標，在第二階段額外添加了技術引進經費等4項投入指標；張元慶等［25］額外將新產品開發項目數、企業利潤等分別納入兩階段的產出指標中。

1.3 區域創新效率影響因素

一般采用最小二乘估計或Tobit模型來分析若干個環境因素的影響效果。由于效率的取值具有截斷性，Tobit模型的估計結果更準確，在應用上也更為普遍。相關研究表明，人力資本［26］、財政科技支持［27］、產業結構［26］、經濟發展［28］等因素對區域創新效率有顯著的促進作用。然而，也有研究顯示，上述因素的促進作用并不明顯，甚至可能會對區域創新效率產生抑制作用［29-32］。此外，一些學者關注某一特定變量對區域創新效率的影響。例如：生產性服務業和高技術產業協同集聚［33］能顯著提升區域內的創新效率，但對鄰近地區沒有明顯影響；“互聯網+”［34］也能顯著提升區域創新效率，但這種影響存在一定的滯后性；要素市場扭曲［35］能顯著抑制創新效率，而對于擁有較多大規模企業的地區而言，這種抑制效應較弱。

縱觀以往研究可以看出，一方面，關于區域創新效率的靜態評價，學者們進行了較為充分的探討，而使用Malmquist指數進行動態評價的則較少；基于創新價值鏈理論，結合共同前沿模型的動態創新效率評價更是鮮見。另一方面，與靜態效率評價一樣，Malmquist指數僅能體現決策單元以往效率的增長情況，而無法反映其效率提升的潛力大小。此外，在應用共同前沿模型時，許多學者都提出地區間往往存在技術差異，但現有針對創新效率的研究大部分都按地域位置進行劃分，這種劃分無法考察某一特定因素對于創新效率各個指標的影響情況。鑒于此，本文將創新過程分為兩個階段，基于共同前沿理論，采用超效率SBM-Malmquist指數模型，在不同環境因素的分組下測算中國30個省份的創新增長能力和追趕能力，比較不同環境因素對創新效率影響的差異，并分別研究不同區域的創新效率與創新潛力。

2 研究方法

由于傳統DEA方法僅能對靜態效率進行測算，本文選取Malmquist指數來分析創新動態效率，以考察創新效率的增長能力；同時，相比于Tobit回歸等方法，共同前沿模型不僅能分析不同因素對整體創新效率的作用趨勢，還能分析其對某一具體決策單元或某一分組創新效率的影響，故本文選取共同前沿模型，以分析創新追趕能力。

共同前沿的概念最早由Hayami［36］提出。他認為，不同的決策單元在生產技術上存在異質性，可能體現在地域、類型上，因此可以將不同的決策單元根據一些標準劃分為不同的族群。之后，Rao等［37］基于共同前沿函數來研究生產技術的區域差異性，并提出了共同前沿函數的分析框架。O’Donnell等［38］提出了可以測算群組及整體技術效率的共同前沿模型，其中包含了共同前沿Malmquist指數模型。

設[xi=x1，x2，…，xm∈RM+]為投入向量，[yi=y1，y2，…，yn∈RN+]為產出向量，將不同的省份依據經濟環境、生產結構等因素劃分為k個群組，每個省份所在群組的群組邊界技術集合對應的生產可能性集為[Pm（x）=y：（x，y）∈Sm]，群組技術效率（GTE）可以用距離函數表示為[0≤Dk（xk，yk）=infθθgt;0：（xkθ）∈Pk（xk）=GTE（xk，yk）≤1]。那么，基于群組前沿的全要素生產率（GMPI）被定義為：

[GMPIt+1txt，yt，xt+1，yt+1=Dkt+1xt+1，yt+1Dktxt，yt×Dktxt+1，yt+1Dkt+1xt+1，yt+1×Dktxt，ytDkt+1xt，yt12=GECt+1t×GTCt+1t] （1）

同理，基于共同前沿的全要素生產率（MMPI）被定義為：

[MMPIt+1txt，yt，xt+1，yt+1=Dmt+1xt+1，yt+1Dmtxt，yt×Dmtxt+1，yt+1Dmt+1xt+1，yt+1×Dmtxt，ytDmt+1xt，yt12=MECt+1t×MTCt+1t] （2）

式（1）—（2）中：GEC、GTC分別表示t到t+1時期群組前沿下的效率變化和技術進步；MEC、MTC分別表示t到t+1時期共同前沿下的效率變化和技術進步；GMPI和MMPI分別表示決策單元在群組前沿下和在共同前沿下的增長能力，反映了效率的提升情況，當數值大于1時，表明該決策單元的效率在組內存在增長效應。

Oh和Lee［39］分解出了群組前沿與共同前沿下存在的追趕關系指數，并將其定義為TGRC。

[MMPIt+1t=GECt+1t×GTCt+1t×TGRCt+1t=GMPIt+1t×TGRCt+1t] （3）

式（3）中：TGRC反映了追趕能力。TGRC＞1表示決策單元的效率在共同前沿下的變化速度大于在群組前沿下的變化速度，即群組前沿的技術水平已經領先于共同前沿；反之表明群組前沿相對于共同前沿存在技術水平落差；而TGRC=1則表明群組前沿的技術水平與共同前沿的技術水平一致。

TGRC可以被進一步分解為純技術效率趕超（PTCU）和前沿技術趕超（FCU）兩部分。

[TGRCt+1t=TGRkt+1xt+1，yt+1TGRktxt，yt×TGRktxt+1，yt+1TGRkt+1xt，yt12=TGRkt+1xt+1，yt+1TGRktxt，yt×TGRktxt+1，yt+1TGRkt+1xt+1，yt+1×TGRktxt，ytTGRkt+1xt，yt12=PTCUt+1t×FCUt+1t] （4）

式（4）中：TGR表示技術缺口比率，為共同前沿的效率值與群組前沿的效率值的比值。

[0≤TGRkx，y=Dmx，yDkx，y=MTEx，yGTEx，y≤1] （5）

綜合式（1）—（4），在進行計算時，PTCU和FCU可以簡化為下式：

[TGRCt+1t=MMPIt+1tGMPIt+1t=MECt+1tGECt+1t×MTCt+1tGTCt+1t=PTCUt+1t×FCUt+1t] （6）

式（6）中：PTCU表示群組前沿與共同前沿之間的純技術效率追趕情況。當PTCU＞1時，表明共同前沿下的純技術效率變化幅度大，群組前沿下的純技術效率變化幅度小，即群組前沿與共同前沿之間的差距變小。同理，FCU表示群組前沿與共同前沿之間的技術進步程度。當FCU＞1時，表明共同前沿的技術進步大于群組前沿，此時存在前沿技術追趕效應。

從以上模型可知，MMPI反映了決策單元以往效率的增長水平，而TGRC則考察了決策單元的效率未來可能的變化趨勢。當應用共同前沿模型時，環境因素水平相同的決策單元被劃分到了一組。對于具體的決策單元而言，TGRC＞1也可理解為該環境因素對決策單元有正向影響，這是其存在“追趕效應”的原因。對于二者的分解項MEC、MTC、PTCU和FCU而言，同樣有著類似的含義，本文不再過多說明。

3 指標選取與分組

3.1 指標選取

本文依據創新價值鏈理論，將區域創新過程劃分為創新研究和成果轉化兩個階段。參考方梓旭和徐莉［40］的研究，從人力、財力、物力等方面設計投入指標，從創新效益和經濟效益兩方面設計產出指標。

第一階段為創新研究階段，該階段以知識創新為主。由于物力指標的數據難以獲得，按照通常做法，僅選取人力與財力投入兩個指標，以Ramp;D人員全時當量和Ramp;D經費投入進行衡量。在產出指標選擇方面，由于知識創新并不會產生經濟效益，現有研究多選取專利授權數和科技論文發表數作為知識產出要素，故本文也選取這兩個指標來衡量創新效益。此外，本文認為，專利申請數可以反映研究者對于創新的熱衷度，只是該指標項與科技論文發表數一樣，無法很好地轉化為經濟效益，但一定程度上可以體現出知識創新的成效。有學者指出，專利申請量能夠反映創新主體進行創新的“努力程度”［41］或“活躍程度”［42］。綜合以上分析，本文額外選取專利申請數作為創新研究階段的產出。限于數據的可得性，科技論文發表數指標用SCI、EI和CPCI-S論文發表數之和來衡量。

第二階段為成果轉化階段，該階段主要是將第一階段所產出的成果商業化。在投入指標選擇方面，將專利授權數作為物力投入，同時按照普遍做法，將新產品開發經費支出作為額外的財力投入。在產出指標選擇方面，學界大多采用新產品產值或新產品銷售收入作為經濟產出指標。由于新產品產值更多體現的是創新生產活動的結果，而新產品銷售收入則更多反映的是經營活動，后者所帶來的經濟收益更能體現創新的價值，也更能反映新產品的市場接受程度。同時，由于市場價格的波動，產值核算往往存在一定的不確定性。Liu和Buck［43］認為，新產品銷售收入最能體現創新成果的應用價值和商業化水平，是反映創新經濟產出的最好指標。基于上述分析，本文采用新產品銷售收入作為經濟效益的衡量指標。

兩階段創新效率評價指標體系如表1所示。

本文的數據來源為《中國科技統計年鑒》《中國統計年鑒》及各地方統計年鑒。考慮到數據的可得性，研究對象為我國30個省份（不包含西藏和港澳臺地區），樣本時間跨度為2013—2022年。按照通常做法，本文假設創新活動從投入到產出的延遲時間為1年。

3.2 環境變量及分組

以往研究在運用共同前沿模型時通常按照地理位置來劃分地區，但地理位置影響創新效率的邏輯太過模糊，難以具體到特定的因素來分析這種影響。本文基于經濟、產業、市場等3個維度，最終選取了財政支持力度、產業結構優化水平、經濟發展水平和市場化程度等4個影響因素作為環境變量，以考察不同環境因素下各組別創新效率的變化情況。其中，財政支持力度和經濟發展水平均為反映經濟能力的指標，前者用地方財政科學技術支出占地方財政一般預算支出的比重衡量，后者用人均地區生產總值衡量。產業結構優化水平反映了產業發展能力。胡艷和汪徐［44］研究表明，產業結構高級化和合理化對于創新效率有著相反的作用。但鮮有研究分析二者共同對創新效率的作用情況。因此，本文將這兩個指數相結合，具體做法是：參考陳永強和張昕鈺［45］的研究，計算出產業結構高級化和合理化指數，再利用熵值法測得最終的產業結構優化指數。市場化程度用市場化指數表征，以衡量市場發展水平和資源配置水平；相關數據源自王小魯等［46］編寫的《中國分省份市場化指數報告》。

簡單起見，對上述環境變量分別采用1—4組進行描述，部分數據來源于《中國統計年鑒》和《中國科技統計年鑒》。考慮到決策單元數不宜過少，本文根據各變量中位數確定分組閾值，將樣本省份分為高水平和低水平兩組（簡稱高組、低組）。具體分組結果如表2所示。

4 結果與分析

4.1 創新效率增長能力分析

根據所構建的兩階段創新效率評價指標體系，運用Meta—frontier模型，對共同前沿下的MMPI及分解指標進行測算，結果如表3所示。限于篇幅，本文不再列出單一省份單一時期的測評值。

總體而言，在創新研究階段，考察期內30個省份創新效率的平均值為1.023 1。這表明，若以全局最優創新效率為參考，全要素生產率的提升幅度為2.31%。其中，技術進步的提升幅度為2.25%，而技術效率的提升幅度僅有0.16%，說明MMPI的提升大多是由技術進步推動的。同理，在成果轉化階段，MMPI有1.05%的下降幅度，這更多是技術效率變化（-0.70%）引起的。

從不同環境因素分組下不同群組的視角來看，兩個階段高組的MMPI值均高于低組，表明4個環境因素均與兩階段創新效率的提升有關。就跨階段指標的變化而言，高組的技術效率在第一階段提升而在第二階段降低，低組則是在技術進步上呈現該趨勢。這反映出高組MMPI的提升更多受制于MEC，而低組MMPI的提升則受制于MTC。此外，觀察所有指標的變化情況可以發現，兩個階段的表現幾近相反，即在創新研究階段各個指標普遍上升，而在成果轉化階段各個指標普遍下降。這與大眾認知一致：相較于將知識轉化為成果，將成果轉化為經濟收益更容易受外部環境和政策的影響而變得不穩定，投入很難獲得同等的產出。同時，受限于技術水平，綜合水平較低的省份更難將研究成果轉化為經濟收益。

此外，一些學者的研究表明，經濟水平較高的省份創新效率不一定高［17，47］。然而，由表3可知，在不同環境因素的分組下，高組在創新研究階段MEC的增長情況均明顯優于低組。一個可能的原因是，從表4中可以看出，高組創新效率的增長是由部分省份（如山東、上海等）促成的，而某些高發展水平省份（如浙江、江蘇等）的創新效率增長卻極低；另一個可能的原因是，高組中多數省份都進行了較大規模的投入卻產出了許多無實際價值的“剩余成果”，從而影響了效率。因此，即使高組在成果轉化階段的MTC呈現0.67%的年均增長幅度，但MMPI的年均下降幅度仍達0.72%。同時，這也解釋了為何在成果轉化階段，MEC是6個增長指標中唯一一個高組小于低組的指標。

表4顯示了在不同分組下各省份的MMPI和GMPI值。限于篇幅，本文僅對部分省份的結果進行分析。結合表3來看，在兩階段，相較于MMPI值，高組的GMPI值在4個分組下均有不同程度的降低，而低組則相反，再次說明這4個環境因素均能對創新效率產生一定的影響。但是，對于2組（產業結構優化水平）而言，兩個結果在高組中的變化約有0.01%，遠小于其余環境因素下的變化幅度。可見，產業結構優化水平對創新效率的影響較小，這與多數學者的研究結果［31-32］保持一致。這種差異也進一步說明了傳統按地理位置劃分來研究區域創新效率并不合適。后文2組的結果均在一定程度上與其余組存在差異，不再重復論述。

進一步地，具體到省份進行分析。表4顯示，在創新研究階段，絕大部分省份在4個分組下的GMPI值都大于1，即以各自群組的前沿為參考，當排除了相應環境因素的影響后，其在群組前沿下的創新效率仍能實現增長。但是，貴州、湖南、云南、重慶和寧夏等5個省份在半數分組下的GMPI值均小于1，創新效率未能實現增長；同時，與MMPI值進行對比分析可以發現，僅湖南的GMPI值低于MMPI值。可見，湖南的創新效率增長水平下降是由于剔除了相應環境因素對其效率所產生的影響。換言之，這幾個環境因素對于湖南創新效率的增長具有正向影響，而對于其余幾個省份則未能產生較大影響。同理，在成果轉化階段，僅有少部分省份的GMPI值在至少一個分組下表現為增長態勢。其中，安徽、江蘇、山東、山西、浙江等5個省份在所有分組下的GMPI值均大于1。但是，僅江蘇的GMPI值略低于MMPI值，顯然這4個環境因素均能對江蘇的創新效率增長產生影響。

圖1展示了MMPI及其分解指標隨時間的變化趨勢。在考察期內，創新研究階段的各項指標普遍在1.00～1.05之間波動，總體處于上升趨勢；而成果轉化階段的各項指標則大多在1.00上下浮動。這意味著，創新研究階段的效率整體上升而成果轉化階段的效率整體下降。從技術效率變化和技術進步的角度來看，在創新研究階段，MTC在多數時期對MMPI的作用比MEC大；而在成果轉化階段，二者對MMPI的作用幾乎呈相對的狀態。

圖2給出了2013—2022年間不同環境因素分組下高組與低組MMPI的變化趨勢。考察期內，高組的MMPI在兩階段均普遍高于低組，這與前面的結論類似；但高組波動的幅度更大，這是由于高組的省份大多進行了大量的投入，成果產出量相對而言也更不穩定。綜合兩階段來看，最主要的波動區間在2019—2020年和2020—2021年這兩個時期。在2019—2020年期間，創新研究階段的MMPI值普遍降至考察期內最低點。觀察原始數據可知，2019年的專利申請量和授權量較之上年幾乎持平，然而創新投入卻保持穩步增長態勢，導致了效率的斷崖式下跌。到2020年，專利的申請量和授權量大幅提升，使得2020—2021年創新研究階段的MMPI值呈跳躍式增長趨勢。值得注意的是，2020年后，成果轉化階段的MMPI值呈下降趨勢。原因在于2020年暴發了新冠疫情，經濟交易活動受到了限制，而知識生產活動變得更加頻繁，進而導致兩個階段呈現出不同的變化趨勢。

4.2 創新效率追趕能力分析

表5給出了不同環境因素分組下高組與低組的TGRC、PTCU和FCU的結果。從TGRC來看，高組和低組的TGRC值在兩個階段分別呈現出大于1和小于1的狀態，說明高組的總技術創新水平已經領先于共同前沿，而低組則落后于共同前沿；但二者的年均漲跌幅度均不超過1%，表明領先或落后的幅度并不算大。從TGRC分解的結果來看，僅高組的FCU值在兩個階段均大于1，表明其對潛在前沿具有追趕效應，其余指標均與潛在前沿存在差距。進一步結合前文的分析來看，盡管在創新研究階段，高組的創新效率增長能力明顯強于低組，但由表5可知，其技術效率水平的追趕能力卻與低組不分伯仲。這意味著，雖然高組的創新效率在過去比低組增長得更快，但其潛力卻不強于低組，在未來低組創新效率的增長能力會逐漸接近于高組。而在成果轉化階段，高組在每個分組下的純技術效率追趕能力都不如低組。綜上可知，高組總體上正在追趕潛在前沿，仍有較大的發展潛力，但這種追趕動力主要是由FCU提供的；對于PTCU，由于創新研發階段以知識生產為主，高組得益于較大的資本投入在此階段與低組不相上下，但在成果轉化階段該指標的表現卻不如低組。在陳谷劦和楊浩彥［48］的研究中，FCU被定義為“潛在技術相對變動”（PTRC），當該值大于1時，意味著技術發展潛力提升空間擴大；其在研究各個國家的生產力指數時，發現發達國家的PTRC值大于1，而發展中國家的則小于1。本文在4個分組下的研究結論均與陳谷劦和楊浩彥的相同。

表6給出了各省份在4個分組下PTCU和FCU值大于1的頻次，圖3展示了將頻次按高組、低組進行匯總的結果，反映了總體追趕能力。從圖3中可以看出：高組的總體追趕能力強于低組；僅在成果轉化階段，低組在4個分組下的PTCU表現出了更強的追趕態勢；而對于其余3個指標而言，高組總體追趕能力均強于低組，且在技術進步的追趕能力上優勢最為明顯。此外，觀察表6發現，對于部分較發達地區（如北京、浙江等），其表現并沒有比欠發達地區好。可見，不單是純效率增長能力，表6中的PTCU值表明，高組在對潛在最優水平的追趕表現上也并非都很優秀。造成這種現象的原因可能是，除了普遍認同的投入冗余外，還有另一個重要的原因，即發展水平較低的地區通過加大對基礎設施的投入力度，既增強了對現有資源的利用能力，又增強了成果產出能力，從而推進了潛在最優技術效率前沿，間接導致發展水平較高的地區未能表現出更強的技術效率追趕能力［49］。

表6中括號內的數值為整個考察期各省份在4個分組下對于潛在前沿追趕的總時期數量，圖4展示了將時期數按高組、低組進行匯總的結果，反映了各地區的持續追趕能力。將圖4與圖3進行對比可以發現，高組和低組4個指標的差距均呈現出不同幅度的縮小趨勢，低組中創新研究階段的PTCU和成果轉化階段的FCU甚至出現了反超。可見，與總體追趕能力不同，低組在對潛在前沿的持續追趕上表現更優。具體分析，對于FCU，盡管圖3顯示高組在兩個階段均大幅領先低組，但在圖4中卻呈現出不同的變化趨勢。在創新研究階段，以知識生產為主，更多依賴于先進的儀器設施或技術手段，在這些方面低組均大幅落后于高組，加之高組通過高投入換來高產出，因而低組更難以追趕潛在技術前沿。而在成果轉化階段，技術水平的主導能力下降，促使低組在考察期內比高組更頻繁地對潛在前沿進行追趕。但是，表5顯示，低組在考察期內的FCU值總體下降約5.4%。這是因為高組在此期間實現了技術突破，推進了潛在技術前沿，從而擴大了雙方的技術差距，間接導致低組的追趕能力下降；盡管低組更加頻繁地對潛在前沿進行追趕，但年均追趕速度仍呈現下降趨勢。就PTCU值的變化情況來看，在創新研究階段，創新效率的提升并非由純技術效率主導，因而PTCU值表現為與成果轉化階段FCU值類似的變化趨勢，但總體變化差距并不大。在成果轉化階段，低組的PTCU追趕頻次在兩圖中均呈現較大幅度的領先態勢，考察期內高組技術效率增長潛力的下降幅度較大，這顯然是受到了“剩余成果”的擠壓。

4.3 各地區創新增長與追趕能力綜合分析

在以往研究中，TGRC被認為是一個差距變化的調節項，大多數學者著重分析了PTCU和FCU兩個指標。根據前文的分析，TGRC反映的是綜合技術水平競爭力的變化。因此，本文認為，其是一種追趕能力的體現，當某一地區的TGRC＞1時，則該地區對潛在技術前沿存在追趕效應。同時，MMPI反映了某一地區創新效率的增長能力，當MMPI＞1時，表明存在增長效應。那么，綜合分析TGRC與MMPI，便可以確定該地區在當前及今后一段時期創新競爭力的變化趨勢。具體設定如下：以MMPI為例，當其均值大于1時，將樣本省份根據各自的MMPI值分別劃分到3個組別內，即MMPI≥均值，1≤MMPI＜均值和MMPI＜1；當其均值小于1時，則將樣本省份劃分到MMPI≥1，均值≤MMPI＜1和MMPI＜均值等3個組別內。TGRC的劃分與之類似。基于上述規則，MMPI與TGRC均會產生3個區間，它們的組合在坐標系中將會產生9個區域，于是可將所有地區劃分到這9個區域內。兩階段的具體區域劃分結果如圖5—6所示。

在創新研究階段，僅有重慶、貴州、寧夏、云南等4個省份的MMPI值小于1。其中，重慶表現出追趕態勢（TGRC＞1），表明重慶雖然技術水平處于領先地位，但卻無法很好地發揮優勢來促進效率提升；此外，重慶MMPI值下降極少，且近年來得益于高技術水平而有較大幅度的提升。其余3個地區的TGRC值均小于1，且位于全國均值之下，意味著其技術距離最優、技術缺口較大。隨著時間的推移，其創新效率會進一步下降。從兩個指標的分解項可知，技術效率的降低在一定程度上阻礙了創新效率的增長和追趕。因此，提升純技術效率是這3個省份應著重關注的問題。MMPI和TGRC值均不小于1的省份有13個，以東部地區為主，西部地區僅有陜西。這些省份創新研究階段的效率穩步增長，也在持續追趕潛在最優技術，處于技術領導者地位。但是，安徽、湖南、浙江、江蘇這4個省份的MMPI值位于均值之下，應充分應用現有技術促進效率增長。除了上述地區外，其余省份在考察期內均呈現MMPI增長但TGRC差距擴大的態勢，以中西部地區為主。對于這些省份，其盡管短期內效率能保持增長態勢，但由于技術水平與潛在最優水平差距越來越大，長久下去必然出現效率下降的情況。尤其對于TGRC值小于全國均值的7個省份而言，更應注重對高技術水平地區的學習與追趕，以縮小技術差距。從兩個指標的分解項可知，上述省份普遍表現為純技術效率的增長和追趕不理想，而技術進步增長有余但追趕不足。因此，這些省份所面臨的問題與貴州、寧夏、云南等省份一樣，應將重點放在提升純技術效率上。

在成果轉化階段，僅江蘇兩個指標均不小于1，表現出較強的技術領先實力和追趕能力。除江蘇外，TGRC值大于1的還有甘肅、廣東等6個省份。盡管其MMPI值在考察期內小于1，但若能保持追趕態勢，未來便能實現效率的正向增長。對于安徽、山東和浙江而言，其在考察期內的MMPI值均呈2%～3%的增長趨勢；但與江蘇不同的是，其TGRC值都小于均值，落后幅度較大。除上述省份外，其余省份的TGRC和MMPI值均小于1，約占樣本省份總數的70%。其中，在創新研究階段，絕大部分省份都表現良好，尤其是北京、上海等地區兩個指標均排在全國前列；但在成果轉化階段，其MMPI值小于全國均值，甚至排在末尾。可見，與創新研究階段相比，多數省份在成果轉化階段的增長與追趕能力大幅下降，且高組中這一現象更為嚴重。除上文已闡述的原因外，還有可能由于信息不流通，大量創新成果無法及時轉化為產品。對于一些發展水平較低的省份如貴州、寧夏、云南等，其MMPI和TGRC值在兩階段均呈現下降趨勢；但就二者的分解項來看，盡管近年來這些省份的效率增長幅度不理想，但與其他省份的技術差距有所縮小。

5 結論與啟示

5.1 結論

本文將創新過程劃分為創新研究和成果轉化兩個階段，基于不同環境因素進行分組，利用共同前沿超效率SBM-Malmquist模型，測定了中國30個省份在兩個階段的創新效率，并進一步對創新增長與追趕能力進行分解，主要得到如下研究結論。

①4個環境因素均能正向影響創新效率的增長和追趕能力，但產業結構優化水平對于創新效率的影響程度低于其余3個環境因素。

②在不同環境因素分組下，高組和低組在創新研究階段均存在增長效應，且主要由技術進步驅動；在成果轉化階段均不存在增長效應，主要原因在于技術效率低下，且高組中這一現象更為嚴重。

③就總體追趕能力而言，高組在兩個階段均存在追趕效應，低組均不存在追趕效應，這主要受前沿技術趕超的影響，在純技術效率趕超上高組和低組的表現基本相同；就持續追趕能力而言，高組的表現不如低組。

④與創新研究階段相比，在成果轉化階段，大部分地區的增長與追趕能力大幅下降，超過半數的地區既無創新增長效應，也無創新追趕效應，且以高組居多，主要原因在于“剩余成果”的擠壓導致純技術效率下降。

5.2 啟示

第一，低發展水平地區應聚焦于提升技術進步水平，縮小與高發展水平地區前沿技術水平的差距。此類地區投入一般不多，應因地制宜，結合地域和產業的特點，發揮自身資源優勢，以期在某個特定的領域實現技術突破。

第二，高發展水平地區通常進行了大量的人力和資本投入，因此優化資源要素配置以提升純技術效率尤為重要。一方面，建立國家級信息共享平臺，促進資源信息的共享和快速流通，使不同區域間的創新供給與需求高效對接，避免創新成果出現冗余和堆積；另一方面，通過提供股權或期權等激勵方式，將核心人才與企業發展進行綁定，持續吸納優質人才，拓展人力資源。

第三，對于增長能力強、追趕能力弱的地區，其創新效率的增長主要是由極少數環境因素促成的。此類地區應加強不同因素對創新項目影響的研究，并依據結論進行針對性的改進。例如，財政支持力度對于河北等省份創新效率的影響較小，地方政府應適當加大科技創新的資金投入力度。此外，應鼓勵產業多元化、技術多樣化，以強化不同環境因素對創新的影響力。

第四，對于增長能力弱、追趕能力強的地區，盡管有多個環境因素可以促進其創新效率增長，但這種促進作用普遍較小。因此，該類地區可以通過專家互訪等方式，開展考察和交流活動，學習增長與追趕能力強的地區的創新模式，促進知識和經驗的雙向流動。

第五，針對前文提到的兩階段創新效率差距過大的問題，須以市場為導向，完善監督與評價機制，構建政府、企業、社會共同參與的三元主體的創新與監督體系。其中，企業是創新決策、資金運用、科技研發、成果轉化的主體。政府一方面進行資金投入，把關資金的使用方向；另一方面監督與評價創新成果，以重大工程或重要產業應用的實際貢獻、技術交易合同金額等為主要指標來評價科技創新的成效，同時將此結果作為評價創新等級的重要指標，與企業未來的任務承擔、資金使用等直接掛鉤。最后，以上所有信息均應及時向社會公布，接受社會監督。

注釋：

① https：//app.guangmingdaily.cn/as/opened/n/f9542bb87e024129aad93aee41d2f574.

② https：//news.sciencenet.cn/htmlnews/2024/11/533193.shtm.

參考文獻：

［1］ 展咪咪，彭現科，曹曉陽，等.顛覆性技術多元投入機制研究［J］.中國科學院院刊，2024，39（5）：917-932.

［2］ 眭紀剛.大國科技創新的重點與趨向［J］.人民論壇，2024（4）：19-23.

［3］ 韓素芬，王鑫斌.基于Malmquist指數的京津冀創新效率動態演變趨勢［J］.工業技術經濟，2021，40（10）：109-115.

［4］ COOKE P.Regional innovation systems：competitive regulation in the New Europe［J］.Geoforum，1992，23（3）：365-382.

［5］ DOLOREUXA D，PARTOB S.Regional innovation systems：current discourse and unresolved issues［J］.Technology in Society，2005，27（2）：133-153.

［6］ 傅家驥，程源.面對知識經濟的挑戰，該抓什么？：再論技術創新［J］.中國軟科學，1998（7）：36-39.

［7］ 柳卸林.構建區域創新體系新思維［J］.人民論壇，2006（4）：15-16.

［8］ FRITSCH M.Measuring the quality of regional innovation systems-a knowledge production function approach［J］.International Regional Science Review，2002，25（1）：86-101.

［9］ FARRELL M J.The measurement of productive efficiency［J］.Journal of the Royal Statistical Society，1957，120（3）：253-290.

［10］ 張滿銀，張丹.京津冀地級市區規模以上工業企業創新效率分析［J］.經濟經緯，2019，36（1）：26-33.

［11］ 郭樹華，方鵬飛，畢福芳.基于SFA方法的企業綠色創新效率分析［J］.工業技術經濟，2024，43（7）：112-119.

［12］ 李韻婷，張日新.廣東高校科研創新效率動態評價：高水平大學建設前后對比分析［J］.科技管理研究，2020，40（4）：120-126.

［13］ TONE K.A slacks-based measure of efficiency in data envelopment analysis［J］.European Journal of Operational Research，2001，130（3）：498-509.

［14］ TONE K.A slacks-based measure of super-efficiency in data envelopment analysis［J］.European Journal of Operational Research，2002，143（1）：32-41.

［15］ 袁榮，曹賢忠，曾剛.長三角區域科技創新效率的空間分異及影響因素研究［J］.世界地理研究，2023，32（11）：155-166.

［16］ 張羽，蔡茜，焦柳丹，等.綠色技術創新效率及其時空差異：基于長江經濟帶74個城市的實證研究［J］.生態經濟，2024，40（4）：63-69.

［17］ 賴一飛，謝潘佳，葉麗婷，等.我國區域科技創新效率測評及影響因素研究：基于超效率SBM-Malmquist-Tobit模型［J］.科技進步與對策，2021，38（13）：37-45.

［18］ 楊騫，劉鑫鵬，孫淑惠.中國科技創新效率的時空格局及收斂性檢驗［J］.數量經濟技術經濟研究，2021，38（12）：105-123.

［19］ 徐皓，趙磊，朱亮亮.基于創新價值鏈視角的我國高技術產業創新效率外溢效應研究［J］.上海大學學報（社會科學版），2019，36（5）：67-77.

［20］ 易明，彭甲超，吳超.基于SFA方法的中國高新技術產業創新效率研究［J］.科研管理，2019，40（11）：22-31.

［21］ 羅穎，羅傳建，彭甲超.基于三階段DEA的長江經濟帶創新效率測算及其時空分異特征［J］.管理學報，2019，16（9）：1385-1393.

［22］ 劉鳳朝，張娜，趙良仕.東北三省高技術制造產業創新效率評價研究：基于兩階段網絡DEA模型的分析［J］.管理評論，2020，32（4）：90-103.

［23］ 王博，馮鋒，安慶賢，等.區域高技術產業Ramp;D活動效率分析與評價：基于一種新型改進兩階段網絡DEA模型［J］.科技管理研究，2014，34（5）：58-64.

［24］ 李寧，張佩琪，徐可，等.基于偏好多階段DEA模型的高技術產業區域創新績效評價研究［J］.工業技術經濟，2017，36（2）：57-65.

［25］ 張元慶，劉爍，齊平.高技術數字制造業創新效率測度、區域差異與空間收斂［J］.科技進步與對策，2023，40（13）：40-49.

［26］ 張路娜，孫紅軍，胡貝貝.中國國家高新區創新效率增長的空間差異及影響因素研究［J］.技術經濟，2021，40（6）：1-8.

［27］ 李政，楊思瑩.財政分權、政府創新偏好與區域創新效率［J］.管理世界，2018，34（12）：29-42，110，193-194.

［28］ 陳磊，常雨.區域自主創新效率及其影響因素研究：基于3階段DEA［J］.遼寧大學學報（自然科學版），2022，49（1）：42-53.

［29］ 葉堂林，李璐，王雪瑩.我國東部三大城市群創新效率及影響因素對比研究［J］.科技進步與對策，2021，38（11）：36-45.

［30］ 毛磊.我國沿海三大經濟區省域創新效率演化、測度及影響因素研究［J］.科技創業月刊，2022，35（1）：71-78.

［31］ 李蕓，雷宏振，張小筠.基于SBM模型的科技創新效率及影響因素研究［J］.技術經濟，2020，39（5）：1-8.

［32］ 陳強，徐凱.中國區域可持續創新效率影響因素［J］.同濟大學學報（自然科學版），2023，51（3）：452-461.

［33］ 王文成，隋苑.生產性服務業和高技術產業協同集聚對區域創新效率的空間效應研究［J］.管理學報，2022，19（5）：696-704.

［34］ 韓先鋒，劉娟，李勃昕.“互聯網+”驅動區域創新效率的異質動態效應研究［J］.管理學報，2020，17（5）：715-724.

［35］ 戴魁早，劉友金.要素市場扭曲與創新效率：對中國高技術產業發展的經驗分析［J］.經濟研究，2016，51（7）：72-86.

［36］ HAYAMI YUJIRO.Sources of agricultural productivity gap among selected countries［J］.American Journal of Agricultural Economics，1969，51（3）：564-575.

［37］ RAO D S P，O’DONNELL C J，BATTESE G E.Metafrontier functions for the study of inter-regional productivity differences［J］.CEPA Working Papers Series，2003（1）：56-59.

［38］ O’DONNELL C J，RAO D S P，BATTESE G E.Metafrontier frameworks for the study of firm-level efficiency and technology ratios［J］.Empirical Economics，2008，34（3）：231-255.

［39］OH D H，LEE J D. A metafrontier approach for measuring Malmquist productivity index［J］.Empirical Economics， 2010，38：47-64

［40］ 方梓旭，徐莉.眾創空間創新創業效率評價及影響因素分析：基于中國30個省區市面板數據［J］.科技管理研究，2022，42（20）：65-70.

［41］ 付寧寧，蘇屹，郭秀芳.基于兩階段超效率DEA的智能制造企業創新效率評價［J］.科技進步與對策，2024，41（10）：67-77.

［42］ 宋躍剛，張欣.中國高技術產業創新效率測度［J］.統計與決策，2022，38（10）：86-91.

［43］ LIU X，BUCK T.Innovation performance and channels for international technology spillovers：evidence from Chinese high-tech industries［J］.Research Policy，2006，36（3）：355-366.

［44］ 胡艷，汪徐.長江經濟帶產業結構優化對區域創新績效的影響差異分析［J］.科技管理研究，2019，39（14）：86-93.

［45］ 陳永強，張昕鈺.數字經濟發展對地區產業結構優化的影響機制：基于2011—2019年省級面板數據的實證分析［J］.財經論叢，2023（4）：14-23.

［46］ 王小魯，樊綱，俞靜文.中國分省份市場化指數報告［M］.北京：社會科學文獻出版社，2021.

［47］ 張婷，王瑋蓉，姚昀辰.中國31個省（區、市）及重點省域科技創新效率評價研究：基于超效率SBM-Malmquist模型［J］.科技管理研究，2023，43（3）：87-95.

［48］ 陳谷劦，楊浩彥.同邊界Malmquist生產力指數的延伸：跨國總體資料的實證分析［J］，經濟論文叢刊，2008（4）：551-588.

［49］ 潘雅茹，羅良文.基礎設施投資對區域創新效率的異質性影響研究［J］.貴州社會科學，2019（4）：145-153.

Analysis of Regional Innovation Growth and Catch-up Capability in China

—Based on the Meta-frontier Super-efficiency SBM-Malmquist Model

Tang Zhu， Qin Jiangtao

（School of Management， University of Shanghai for Science and Technology， Shanghai 200093， China）

Abstract： In today's society， we are entering a new era where innovation has become the primary driving force behind economic development. Analyzing the levels of innovation efficiency and the development potential of different regions is crucial for economic growth and effective resource allocation. This paper utilizes data from 30 provinces， cities， and districts in China， covering the years from 2013 to 2022. The study begins by dividing the innovation process into two stages： innovation research and achievement transformation. The regions are categorized into high-level and low-level groups based on four environmental variables： financial support， the level of industrial structure optimization， economic development level， and marketization level. The super-efficiency SBM-Malmquist model is used to measure innovation efficiency and examine the trends of the two innovation process groups. This analysis aims to evaluate the capacity for innovation growth. At the same time， the Meta-frontier model is used to assess the innovation catch-up capability of different regions and to analyze how different environmental factors impact innovation efficiency. The results indicate the following： ①All four environmental factors can promote the growth of innovation efficiency and catch-up capability， but the impact of industrial structure optimization is not as significant as that of the other three environmental factors. ②In the innovation research stage， both the high and low groups exhibit growth effects driven primarily by MTC under different environmental factors. In the achievement transformation stage， neither group shows growth effects， mainly due to low MEC， with the high group showing more pronounced challenges in this regard. ③The overall catch-up capability of the high group is better than that of the low group and the high group shows catch-up effects in both stages. However， this is mainly driven by FCU， while the performance of PTCU is not significantly different from that of the low group; The low group does not show a catch-up effect in either the innovation research stage or the achievement transformation stage， but it exhibits a stronger sustained catch-up capability to the high group. ④Compared with the innovation research stage， in the achievement transformation stage， the growth and catch-up capabilities of most regions have significantly declined in the achievement transformation stage compared to the innovation research stage. More than half of the regions show neither growth nor catch-up effects， mainly due to the squeezing of \"remaining achievements\" that lead to a decrease in technological efficiency and pure technological efficiency catch-up. Finally， based on the above conclusions， targeted development and improvement suggestions are proposed from three aspects： first， how to improve pure technical efficiency and technological progress levels for regions with different levels of development; second， how to enhance the growth or catch-up capabilities of regions with differing potential for advancement; third， how to address the issue of a significant decline in efficiency in the achievement transformation stage following high efficiency in the innovation research stage caused by \"residual achievements\".

Key words： catch-up capability; growth capability; innovation efficiency; meta-frontier; Malmquist index

（欄目編輯：朱可染）

收稿日期：2024-10-31

作者簡介：湯翥（1999—），男，上海人，碩士研究生，研究方向：創新管理；秦江濤（1967—），男，貴州畢節人，博士，副教授，研究方向：信息管理。本文通信作者為秦江濤。