吕彬　曹佳钰

摘要：文章以2018-2021年长三角三省一市128家上市工业企业为样本，运用DEA模型对其科技创新成果转化效率进行静态和动态评价，并基于评价结果提出相应的对策建议。研究结果表明：整体上看，研究期内科技创新成果转化效率有效的工业企业为数稀少；就省市而言，长三角区域内各省市工业企业科技创新成果转化综合效率存在较大的差异。研究期内样本工业企业的Malmquist指数平均值为1.003，整体处于增长趋势，但技术进步指数偏低这一问题不容忽视。

关键词：DEA模型；长三角；工业企业；科技创新成果转化；效率评价

一、引言

科技创新在我国现代化发展全局中居于核心地位，而提升区域科技创新成果转化是实现地区高质量发展，建设创新型国家的必由之路。党的二十大报告強调，要提高科技成果的转化应用。可见，加快推动科技创新成果的落地转化，将科技创新成果变成看得见的“生产力”已成为我国实现创新驱动发展的关键任务。企业作为创新发展的主体，在科技创新成果转化过程中承担着重要角色。工业是国民经济的力量，加快推动工业企业科技创新成果转化为现实的生产力对我国经济实现高质量发展具有重要意义。长三角地区是我国经济最发达、创新能力最强的地区之一，拥有良好的工业基础，其工业企业的创新发展与成果转化受到了国家的重点支持。2019年，政府出台的《长江三角洲区域一体化发展规划纲要》明确提出打造长三角科技创新共同体，形成具有全国影响力的科技创新高地，协同推进科技成果转移转化。为响应这一号召，近年来长三角工业企业科技创新资源投入规模不断增长，然而，其科技创新成果转化效率却并未因此得到显著提升，科技与产业“两张皮”这一严峻问题仍然困扰着长三角工业企业，需对此进行深入分析并提出对策建议加以改善。

为了更准确地了解长三角工业企业科技创新成果转化的现状，本文以长三角工业企业为研究对象，运用DEA模型对其科技创新成果转化效率进行研究与评价。根据效率评价结果，分析长三角工业企业在资源分配、管理技术水平等方面存在的不足并给出提升科技创新成果转化效率的对策建议，这对长三角工业企业创新发展、提升科技创新对经济发展的贡献率具有重要的现实意义。

二、模型选择与指标选取

（一）评价模型

本文选择数据包络分析模型（DEA）对2018-2021年长三角工业企业科技创新成果转化效率进行测度与评价。DEA模型由CHRNES A，COOPER WW和RHODES E于1978年首次提出，能够对多投入多产出的同类型决策单元（DMU）进行效率评价。

1. DEA-BCC模型

传统的DEA模型包括规模报酬不变的CCR模型和规模报酬可变的BCC模型，考虑到实际活动中会有许多因素可能导致DMU无法在规模报酬不变的情况下使用，因此本文选择BCC模型对长三角工业企业科技创新成果转化效率进行静态评价。

2. DEA-Malmquist模型

DEA-Malmquist模型由Fare R，Grosskopf S等人于1994年提出，它可以从动态的角度反映决策单元在一段时期内效率的变动情况，克服了传统DEA模型只能从静态的角度分析和评价决策单元相对效率的不足。本文利用DEA-Malmquist模型对2018-2021年长三角工业企业科技创新成果转化效率进行动态评价。

（二）指标选取与数据来源

1. 指标选取

在文献调研的基础上，本文从投入产出的角度构建长三角工业企业科技创新成果转化效率评价指标体系。借鉴前人的研究，本文从人员投入、资金投入以及专利投入三个方面选取投入指标，从新产品产出的角度选取产出指标。其中，人员投入用研发人员数量来表示，资金投入用研发投入金额来表示，专利投入用专利授权数来表示，新产品产出用新产品销售收入来衡量。由于新产品销售收入并没有被统计在相关企业年报与数据库平台中，根据数据的可得性，本文参照韩东林等学者的替代指标做法，选取营业收入和净利润两个指标表示新产品的产出。具体的评价指标体系见表1。

2. 数据来源

本文从微观视角出发，选取长三角三省一市共128家工业企业作为DMU，对其科技创新成果转化效率进行测度与评价，数据来源于国泰安数据库（CSMAR）和上市公司的企业年报。这128家样本工业企业的选取主要经历了以下过程：首先，本文选择CSMAR数据库公司研究系列中的“上市公司研发创新”版块，按照2012版证监会行业分类代码，对工业行业类别下2018-2021年江苏省、浙江省、安徽省以及上海市全部A股上市企业进行搜索，剔除ST企业后得出符合要求的企业共1406家，其中江苏省516家，浙江省525家，安徽省127家，上海市238家；其次，对筛选出来的企业按照不同年份进行分组并剔除含有缺失值的样本，确保2018-2021年每年选取的都是数据完整的相同企业。由于投入指标中专利授权数据存在缺失的企业数过多，因此缺失数据剔除完毕后，本文最终保留了128家工业企业作为研究样本，其中，江苏省45家，浙江省47家，安徽省15家，上海市21家，四省市样本工业企业的数量之比基本与最初筛选出的1381家企业中各自数量之比保持一致。

考虑到科技创新成果的转化有一定的时间滞后性，本文借鉴王成军等学者使用滞后期对数据进行处理的做法，留出一年的时间作为科技创新成果的转化周期，即2018年的产出数据对应2017年的投入数据，以此类推。

三、长三角工业企业科技创新成果转化效率测度与分析

（一）DEA-BCC模型结果分析

根据所选样本的科技投入产出数据，运用DEAP2.1软件测算长三角工业企业科技创新成果转化综合效率、纯技术效率和规模效率。综合效率是对长三角工业企业资源利用和配置效率的衡量与评价，反映了其整体的科技创新成果转化效率水平，从数值上看，综合效率就等于纯技术效率与规模效率的乘积；纯技术效率是受企业的管理与技术水平等因素影响的生产效率，反映了企业在一定的技术水平上，对所投科技资源的使用效率；规模效率则是指由企业规模影响的生产效率，反映了企业在实际规模与最优规模下产出水平之间的差距。本文选用投入导向（Input-Oriented）、规模报酬可变（vrs）的DEA-BCC模型对长三角128家工业企业科技创新成果转化效率进行测算，模型的运行结果见表2。

由表2可知，2018年长三角128家工业企业科技创新成果转化的综合效率平均值仅为0.225，处于效率前沿面的企业仅有3家；2019年所选全样本工业企业科技创新成果转化综合效率的平均值为0.297，处于效率前沿面的企业共有6家；2020年所选全样本工业企业科技创新成果转化综合效率的平均值为0.404，处于效率前沿面的企业共有9家；2021年所选全样本工业企业科技创新成果转化综合效率的平均值为0.345，处于效率前沿面的企业共有7家。从转化综合效率来看，长三角128家样本工业企业中TE=1的企业数每一年都低于10，说明达到综合效率有效的样本企业为数稀少，科技资源的投入并未得到有效转化。就纯技术效率而言，2018-2021年达到纯技术效率有效（PTE=1）的企业数量呈现出先上升后下降的趋势，并且纯技术效率有效的企业数每年均不足20家，表明大部分样本工业企业的管理和技术水平都有待提高。就规模效率而言，2018-2021年达到规模效率有效（SE=1）的企业数量同样呈现出先上升后下降的趋势，且规模效率有效的企业数每年都不超过10家，表明全样本工业企业中大部分企业都没有实现最优规模生产。结合表格数据不难发现，与综合效率和纯技术效率相比，所选企业的规模效率每年都保持着较高的水平，其平均值每年都在0.6，是三种效率平均值中最高的，由此可以看出2018-2021年长三角全样本工业企业科技创新成果转化综合效率不高的主要原因并不是规模效率不高，而是纯技术效率偏低。除上述三种效率值之外，表2还展示了所选样本企业在2018-2021年这四年间所处的规模报酬状态。由表2可知，所选128家工业企业中处于规模报酬递增状态的企业数量每年都在50家以上，说明有许多样本工业企业的现有規模都低于其最优规模。

上述分析是从整体的角度对长三角工业企业科技创新成果转化效率进行分析，为进一步分析长三角三省一市2018-2021年各自的工业企业科技创新成果转化效率，本文从省市的角度出发，继续选用BCC模型对上海市、江苏省、浙江省以及安徽省工业企业各自的科技创新成果转化综合效率、纯技术效率和规模效率进行了测度，测度结果分别见表3、表4、表5和表6。

根据表格数据，可以发现长三角地区工业企业每年的规模效率均值都在0.65之上，说明各省市工业企业2018-2021年每一年的规模效率情况都趋向良好，但三省一市中安徽省、江苏省以及上海市工业企业科技创新成果转化综合效率均值每一年都要远高于浙江省。究其原因，主要是浙江省样本工业企业每年的纯技术效率均值都远低于当年其他三个省市。企业的纯技术效率值与其管理和技术水平相关，管理和技术水平不足会导致企业纯技术效率低下，从而造成综合效率不高的局面。因此，浙江省工业企业科技创新成果转化综合效率偏低的主要原因是其管理和技术水平不高。值得注意的是，研究期内安徽省工业企业表现非常喜人，其每年的科技创新成果转化综合效率均值均位于前列，除2021年略低于江苏省外，其转化综合效率平均值排名均居三省一市之首，这与近年来安徽省大力支持科技创新，把科技自立自强作为跨越式发展战略支撑的政策是分不开的。据了解，“十三五”以来，安徽省科技创新成绩斐然，凭借中科大、国家实验室以及国家科学中心等平台的支持，其高技术研发水平处于全国领先地位。为加快科技创新成果的落地转化，安徽省于2021年举办了中国首届科技创新成果转化交易会，随后出台的《加快科技成果转化应用体系建设行动方案》更是为破除成果转化体制机制障碍贡献了巨大力量。

（二）DEA-Malmquist模型结果分析

为动态反映长三角工业企业科技创新成果转化效率情况，本文对所选的128家长三角工业企业2018-2021年Malmquist生产率及其分解指标的变动情况进行了评估，具体的评估结果见表。

由表7可知，2018-2021年长三角全样本工业企业全要素生产率的平均值为1.003，平均增长率为0.3%；综合技术效率的平均值为1.204，平均增长率为20.4%；技术进步指数的平均值为0.833，增长率为负，说明这一时期技术进步的不足是导致全要素生产率增长幅度偏低的主要原因。技术进步与投入要素的质量以及科学技术的发展水平有关，各工业企业在投入研发人员数量的同时更应注重研发人员综合素质的提升，从而促进技术的创新发展，提高现有的研发技术水平，增加更符合市场需求的创新成果的产出，为其转化为现实的生产力提供坚实的技术支撑。

四、研究结论

本文利用2018-2021年长三角三省一市128家样本工业企业科技创新成果转化的投入与产出数据，运用DEA-BCC模型从样本整体和各省市两个不同的角度对长三角工业企业科技创新成果转化效率进行静态评价，运用DEA-Malmquist模型对长三角三省一市全样本工业企业科技创新成果转化效率进行动态评价，得出以下结论：

DEA-BCC模型运行结果表明，2018-2021年科技创新成果转化综合效率达到有效状态（TE=1）的长三角工业企业的数量很低，每年都不超过所选样本的10%；研究期间内每年纯技术效率值为1的工业企业数量略高于相应年份综合效率值为1的工业企业数量，但仍然不及所选样本的20%；在规模效率方面，处于规模报酬递增状态的工业企业数量则每年都高于样本总数的40%以上。从各省市的角度来看，2018-2021年间安徽省工业企业每年的科技创新成果转化综合效率每年都处于良好的水平，其次是江苏省和上海市，浙江省综合效率均值每年都是四省市中最低的，原因在于其每年的纯技术效率均值都远低于其他三个省市。

DEA-Malmquist模型运行结果表明，长三角三省一市全样本工业企业2018-2021年科技创新成果转化全要素生产率的均值为1.003，说明所选样本工业企业科技创新成果转化效率总体呈上升趋势，但由于技术进步指数均值低于1，其转化效率增长的幅度很低。

五、对策建议

根据长三角工业企业科技创新成果转化效率的实证分析结果，本文从以下三个方面提出促进长三角工业企业科技创新成果转化效率提升的对策建议：

（一）加强区域协同合作，推进企业管理和技术创新

本文的研究结果表明，长三角工业企业科技创新成果转化效率整体偏低的原因主要是纯技术效率以及技术进步指数过低，这说明企业存在管理能力与技术水平低下的问题。为解决这一问题，长三角工业企业需要从整体上推进管理和技术创新，提高企业综合能力。因此，长三角工业企业应当加强区域协同合作，促进彼此在管理和技术层面的交流与合作，从整体上提高区域内工业企业科技创新成果转化效率。值得一提的是，从省市的角度来看，研究期内安徽省工业企业科技创新成果转化效率每年都处于领先水平，这与安徽省近年来大力推进科技创新工作并取得瞩目成就是分不开的。然而，研究期内浙江省工业企业在科技创新成果转化方面的表现每年都差强人意，除样本选择具有局限性之外，研究结果所反映的浙江工业企业纯技术效率偏低这一问题也不容忽视。为改变这一现状，浙江省工业企业可学习安徽省工业企业的成果转化经验，并加强与区域内各省市的协同合作，派遣专业人员学习优秀工业企业的管理经验与先进技术，将其内化与运用，不断改进自身管理技术水平。

（二）增强政府资金支持力度，提升创新成果转化资金投入规模

由研究结果可知长三角许多工业企业都处于规模报酬递增的状态，说明创新资源投入的增加可以促进科技创新成果转化产出的增加，即研发资金和研发人员的增加有助于提升成果转化的效率。考虑到企业的资金实力有限，很难投入充足的资金支持成果转化，同时，资金不足也将导致研发人员队伍扩大的失败。因此，就需要政府做好资金保障工作，为长三角工業企业重点科技项目、科技创新成果研发及转化提供有力的资金支持，从而缓解长三角工业企业面临的资金压力并减少科技创新成果转化的风险。此外，对于为成果转化做出突出贡献的研发人员，政府可以给其提供科研资金补贴以及奖金激励，从而激励更多的研发人员主动积极地投身于成果转化工作，无形中扩大研发人员的投入规模。

（三）健全成果转化服务中介体系，促进科技创新成果高质量转化

科技创新成果转化服务中介平台能为科技创新成果的供需双方提供优质而专业的服务，提高成果转化成功的概率。此外，长三角工业企业可以通过中介平台更方便地接触符合自身需求的高科技成果以及“高精尖”人才，有利于推进其科技创新成果的高质量转化。根据上述分析，长三角工业企业科技创新成果转化效率不高的原因之一就在于其研发技术水平偏低，并且研究期间出现了技术衰退问题。研发技术水平的提升需要依靠高素质的研发人才，而科技创新成果转化中介平台的服务性质决定其掌握着大量的人才资源，长三角工业企业可凭借该平台拓宽研发人才的引进渠道，从而凭借人才优势实现研发技术的进步，提高科技创新成果的质量并推进创新成果的高质量转化。

参考文献：

[1]杜伟锦，宋园，李靖，杨伟.科技成果转化政策演进及区域差异分析——以京津冀和长三角为例[J].科学学与科学技术管理，2017，38（02）：3-11.

[2]聂有福，宋伟.长三角地区科技成果产业化的现状分析[J].中国高校科技，2017（06）：10-13.

[3]Charnes A，Cooper W W，Rhodes E.Measuring the efficiency of decision making units[J].European journal of operational research，1978，2（06）：429-444.

[4]郭淑芬，张俊.中国31个省市科技创新效率及投入冗余比较[J].科研管理，2018，39（04）：55-63.

[5]Fare R，Grosskopf S，Norris M，et al.Productivity growth， technical progress， and efficiency change in industrialized countries[J].The American economic review，1994，84（01）：66-83.

[6]刘丹，徐墺林，罗湘仪.基于DEA-Malmquist模型的四川省文化旅游产业效率评价[J].中国集体经济，2022（28）：30-32.

[7]罗茜，高蓉蓉，曹丽娜.高校科技成果转化效率测度分析与影响因素扎根研究——以江苏省为例[J].科技进步与对策，2018，35（05）：43-51.

[8]曹幸如，杨剑.基于三阶段DEA-Windows的安徽省地市级科技成果转化效率研究[J].科技管理研究，2021，41（22）：74-82.

[9]韩东林，葛磊，程琪.基于DEA模型的中国物联网上市公司创新效率评价[J].科技管理研究，2015，35（15）：57-63.

[10]王成军，方明，王肖肖.中国科技成果转化为何有米难为炊？——基于三阶段DEA模型和三阶段Malmquist模型[J].汕头大学学报（人文社会科学版），2021，37（04）：46-57+95.

[11]徐墺林，刘丹，罗湘怡.基于DEA模型的成渝经济区十城文化旅游效率比较研究[J].中国集体经济，2022（29）：16-18.

[12]彭晓静.中国三大城市群工业企业创新效率研究——基于京津冀 长三角 珠三角城市群的比较[J].技术经济与管理研究，2022（04）：30-34.

[13]黄传霞，房后启.长三角一体化背景下促进合肥市科技成果转化的对策[J].中共合肥市委党校学报，2021，20（03）：16-19.

＊基金项目：安徽省高校人文社会科学研究重点项目“长三角区域信息资源配置状况评价与优化研究”（SK2020A0186）。

（作者单位：安徽工业大学商学院）