中国省域科技投入产出效率评价

2014-12-22宋杰鲲宋卿

中国石油大学学报(社会科学版) 2014年6期

宋杰鲲+宋卿

[摘要] 科技投入产出效率评价有助于各省分析科技投入产出现状，实现投入产出的最佳配置。选取R&D人员全时当量、R&D经费内部支出作为输入指标，技术市场成交合同金额、专利申请受理数、专利申请授权数、国外主要检索工具收录中国科技论文数作为输出指标。运用数据包络分析对中国30个省2011年的科技投入产出效率进行评价；基于中国30个省2005—2011年的面板数据，运用Malmuist指数对中国科技投入产出效率进行动态评价，并进行分解分析。

[关键词] 科技投入产出；效率评价；数据包络分析；Malmquist指数

[中图分类号] F223；F124.3 [文献标识码]A [文章编号]1673-5595（2014）06-0016-05

一、引言

科学技术已经成为现代生产力发展和经济增长的关键性和主导性要素，其本身同样需要大量的投入。[1]对科技投入产出效率进行评价有助于认识投入产出过程中存在的不足，实现投入产出的最佳配置。由于数据包络分析（DEA）在全要素效率分析方面具有诸多优势，因此许多学者运用该方法对省域科技投入产出效率进行研究。张前荣以每万名经济活动人口中科技活动人数、国外高技术引进额等11个指标为投入，科技论文数、完成软科学课题数等8项指标为产出，对中国沿海、大城市等6个区域2004—2006年的科技投入产出效率等进行评价分析；[2]吕晨和曾明彬以R&D人员数量、重点实验室数量等6项指标为投入，每10万人平均发表的国内外检索论文数、发明专利申请数、高科技产业销售收入占总销售比例为产出，2006年的投入和2009年的产出为样本，对中国31个省的科技投入产出效率进行评价；[3]李燕萍等以研发经费投入、研发人员全时当量、科技活动人员数为投入，三种专利授权数、国际论文发表数、技术市场成交金额为产出，对各省2003—2008年的科技投入产出效率进行评价。[4]赵宏和王军以R&D科学家和工程师、R&D科研经费投入、企业其他经费支出为投入，国内中文期刊科技论文数、发明专利授权量等4项指标为产出，对各省2006—2008年的科技投入产出效率进行评价。[5]方爱平和李虹以R&D人员全时当量、大专以上受教育比重等7个指标为投入，以有效发明专利数、GDP中工业增加值等4项指标为产出，对2012年西部12个省的科技投入产出效率进行评价。[6]除了静态DEA方法外，Malmquist指数能进一步反映投入产出的动态效率，在地区科技投入产出效率评价方面也得到了广泛应用。陈燕武应用Malmquist指数对2004—2008年福建省9个地市的科技投入产出效率进行动态评价；[7]董洁和张体委运用Malmquist指数对长三角地区高技术产业的R&D效率进行测度分析。[8]可见，由于分析视角不同，不同学者构建的科技投入产出效率评价指标体系不尽相同，且多从静态的角度考察省域科技投入产出效率，缺乏省际间的动态、深入分析。本文借鉴上述研究成果，依据2005—2011年中国30个省市自治区的面板数据，对中国省域科技投入产出效率进行评价，找出影响各省域科技投入产出效率的重要原因，提出提高各省投入产出效率的对策建议，以实现各省科技投入产出的合理配置，促进中国科技进步。

二、科技投入产出效率评价指标体系和数据来源

本文选择DEA和Malmquist指数方法对中国省域科技投入产出效率进行评价，选取研究与试验发展（R&D）人员全时当量、研究与试验发展（R&D）经费内部支出作为输入指标，选取技术市场成交合同金额、专利申请受理数、专利申请授权数、国外主要检索工具收录中国科技论文数作为输出指标。决策单元选择中国2005—2011年30个省市自治区（由于缺乏部分数据，不包括台湾和西藏）科技投入产出的面板数据，所有数据均来自2006—2013年的《中国科技统计年鉴》。

三、2011年省域科技投入产出效率的DEA评价

DEA方法由Charnes、Cooper和Rhodes等人提出，由于其不需要事先假设生产函数形式，无需设置指标权重，因此特别适合多个决策单元多输入、多输出的评价问题。设有n个评价对象，第j个决策单元包含m种输入和s种输出，分别记为xij，i=1，2，…，m；yrj，r=1，2，…，s。对第k个评价对象进行DEA评价，投入导向的C2R模型为[9]：

求解模型（1）得到的目标函数值称为技术效率（Technological Efficiency，TE）。由于C2R模型假设规模报酬不变，因此与实际不符。Banker、Charnes和Cooper剔除该假设，提出BC2模型，即在模型（1）的约束条件中增加∑nj=1λj=1，得到的目标函数值称为纯技术效率（Pure Technological Efficiency，PTE）。

对2011年中国各地区科技投入产出的相关指标数据，分别应用投入导向的C2R和BC2模型进行科技投入产出效率横向评价，并计算TE和PTE的比值，得到规模效率（Scale Efficiency，SE）：SE=TE/PTE。很明显，TE≤PTE≤1，SE≤1。若TE=PTE=SE=1，表明决策单元DEA有效，实现了科技投入产出的最佳配置；若TE=PTE<1，SE=1，表明决策单元非DEA有效，其无效率均来自技术方面的因素；若TE

中国石油大学学报（社会科学版） 2014年12月第30卷第6期宋杰鲲，等：中国省域科技投入产出效率评价由表1可知，2011年全国平均科技投入产出效率为71.5%，说明有28.5%的投入和产出未实现科学配置。北京、吉林、黑龙江、江苏、浙江、重庆、陕西、甘肃等8个省市的TE、PTE和SE均为1，表明它们同时实现了规模有效和技术有效，即这8个省市实现了科技投入与产出在规模和技术上的最佳配置；广东省的SE=1，但是PTE<1，表明其科技投入产出规模有效，但技术无效；海南和青海的PTE=1，但SE<1，表明其科技投入产出技术有效，但规模无效；其余19个省市自治区既非规模有效也非技术有效，表明其效率低下是由技术效率和规模效率不高导致的。

四、2005—2011年省域科技投入产出效率的Malmquist指数

Malmquist全要素生产率指数TFP被广泛应用于效率变化分析，该指数可以分解为几个指数的乘积，有助于从不同方面进行效率变化分析。[10]分别用（Xt，Yt）和（Xt+1，Yt+1）表示时期t和时期t+1的投入产出量，Dt（Xt，Yt）和Dt+1（Xt+1，Yt+1）表示以t和t+1时期技术为参照的时期t的投入产出向量的距离函数，有：

当TFP>1时，表示从t到t+1期的效率提高了；TFP=1表明效率不变；TFP<1则说明效率降低了。TFP可以分解为技术进步指数（TC）和技术效率改善指数（TEC）两部分：

式中，TC反映生产技术革新对TFP的影响，TEC则反映决策单元生产运营或资源配置效率的变动，如管理方法提高、组织结构趋向完善、科研设备的引进等。当TEC>1时，表明决策单元更接近生产前沿面，即该地区科技投入产出效率是进步的；TEC<1时，说明该地区的技术效率在降低。在规模收益可变时，TEC可进一步分解为规模效率变动（SEC）和纯技术效率变动（PTEC）两部分，即：

式中，VRS和CRS分别表示规模报酬可变和规模报酬不变，对应的DEA模型分别为BC2模型和C2R模型，有

通过上述分解，TFP就转化为对距离函数的求解，此时可通过DEA模型进行求解。为了研究中国30个省市自治区科技投入产出效率的动态变化，本文以2005—2011年30个省市自治区的面板数据为基础，测算其Malmquist指数并进行分解，结果见表2。

由表2可知，2005—2011年中国30个省市自治区科技投入产出效率的年均Malmquist指数（TFP变化率）为0.988，即科技投入产出效率年均下降1.2%，其中技术进步年均增长0.7%，技术效率年均下降1.9%，表明分析期内技术进步一定程度上促进了科技投入产出效率的提高，而资源配置效率在很大程度上束缚科技投入产出效率。年均PTEC和SEC分别为0.992和0.989，表明规模效率比纯技术效率对资源配置效率的影响略大。

分析期内Malmquist指数变动很大，说明30个省市自治区科技进步态势不稳定。2005—2007年，中国科技投入产出效率呈上升趋势，其中技术进步指数下降了6.7%，技术效率改善指数上升了8.9%，表明这一阶段中国资源配置效率趋优，但是自主创新的激励机制尚不完善，自主创新能力较弱；2007—2009年，科技投入产出效率呈下降趋势，其中技术效率改善指数逐年下降，而技术进步指数在较小增长后有所下降，这表明本阶段自主创新机制仍不完善，技术进步不稳定，同时，受国际金融危机的影响，科技资源配置效率有所下降，产出与投入未能实现有效匹配；2009—2010年，科技投入产出效率及技术进步指数、技术效率改善指数开始上升，这与2008年底中国将提高自主创新能力作为重点，持续增加自主创新、结构调整和技术改造等方面的投资，推进技术进步和技术效率改善不无关系；2010—2011年，科技投入产出效率呈下降趋势，其中技术进步保持较快增长，但技术效率改善指数下降明显，说明在这一阶段，技术革新给中国科技投入产出带来的效果明显，但是科技资源配置效率不高，需要进一步优化科技资源管理结构，应用先进的科技管理技术，加快高新技术设备引进。

东部、中部和西部的Malmquist指数如图1所示。东部Malmquist指数大于中部和西部，这主要是因为东部地区在高密集知识创新方面起步早于其他两个地区，资源利用率高，技术知识沉淀多。TFP>1，TC>1，而TEC<1，PTEC<1，说明近几年东部地区不断进行技术改革，积极引进先进技术，通过各种措施促进技术进步取得了很好的成效，但是由于期初基数大，使规模报酬速度减缓，抑制规模效率的增长，加之科研管理水平依然不高，导致资源配置效率降低。

中部TFP<1，TC<1，TEC<1，且中部地区科技投入产出效率负增长主要是由资源配置效率引起的，说明该地区的科研设备和科研经费尚待继续扩大投入，同时科研机构设置和管理方法也需要完善。但是中部地区规模效率有很大优势，这主要是中部知识密集型产业专利创新的初期投入规模小，基数比较小，而且国家对中部的经济建设投入加大，使中部地区规模效率提高很快。

图1 东部、中部和西部Malmquist指数西部TFP<1，TEC<1，TC=1，构成TEC的要素中，PTEC>1，SEC<1，说明西部近年来注重科技进步，科研机构设置和管理方法明显得以完善，但由于科研设备和科研经费依然缺乏，导致规模效率不足，资源配置效率降低。

2005—2011年各省市自治区科技投入产出的Malmquist指数如表3所示。东部北京、辽宁、上海、江苏、浙江、山东，中部黑龙江、安徽、江西，西部重庆、四川、贵州、陕西、青海等14个省市的TFP>1，表明分析期内它们的科技投入产出效率呈上升趋势，其中江苏、青海的增幅超过10%，分别为16.9%、14.8%；其余16个省市自治区的TFP<1，科技投入产出效率呈现下降趋势，其中内蒙古、新疆下降超过10%，分别为17.7%、11.8%。

为了进一步分析各省市自治区技术进步指数和技术效率改善指数的变动情况，找出导致Malmquist指数变动的原因，绘制TEC、TC象限图（见图2），定义第Ⅰ、Ⅱ、Ⅲ、Ⅳ四象限分别为效率改善-技术进步型、效率恶化-技术进步型、效率恶化-技术退步型、效率改善-技术退步型。其中，效率改善-技术进步型的技术进步指数和技术效率改善指数均大于等于1；效率恶化-技术进步型的技术效率改善指数小于1，而技术进步指数大于等于1；效率恶化-技术退步型的技术进步指数和技术效率改善指数均小于1；效率改善-技术退步型的技术效率改善指数大于等于1，而技术进步指数小于1。可见，北京、江苏等8个省市为效率改善-技术进步型，这些省市的资源配置效率得到进一步提升，科技进步明显；山东、广东等8个省市自治区为效率恶化-技术进步型，即科技进步明显但资源配置效率降低，今后应进一步提高其资源配置效率；宁夏、新疆等9个省市自治区为效率恶化-技术退步型，即科技相对退步、资源配置效率降低，今后应同时注重技术革新、提高资源配置效率；黑龙江、辽宁等5个省为效率改善-技术退步型，即资源配置效率提升但科技相对退步，今后应着重推进技术革新。

图2 各省TEC、TC象限图从规模效率变动和纯技术效率变动来看，目前资源配置效率下降的17个省市自治区中，安徽、河南、广东的SEC≥1，而PTEC<1，它们应着重提升其纯技术效率，即注重科研机构的高效设置和管理水平的持续提升，使现有资源配置进一步优化；云南、宁夏、海南的PTEC>1，而SEC<1，它们应通过扩大研发人员规模、提高科研设备投入和研发经费支出等提升其规模效率；其余10个省市自治区的SEC<1，PTEC<1，应同时从资源配置规模和管理水平提升两个方面提升资源配置效率。在资源配置效率上升（TEC>1）的8个省市自治区中，江西、四川、贵州3个省SEC<1，今后也应该进一步扩大研发人员、科研设备投入和研发经费支出等投入规模，实现规模效率提升，从而进一步提高科技投入产出效率。

五、结论

本文分别运用DEA和Malmquist指数方法对中国30个省市自治区的科技投入产出效率进行静态和动态评价，结果表明：

2011年中国平均科技投入产出效率为71.5%，其中8个省同时实现了规模有效和技术有效，广东省规模有效但技术无效，海南和青海技术有效但规模无效；其余19个省市自治区既非规模有效也非技术有效。

2005—2011年中国科技投入产出效率的年均Malmquist指数为0.988，其中技术进步年均增长0.7%，技术效率年均下降1.9%，且规模效率比纯技术效率对技术效率的影响略大。

2005—2011年中国东部技术进步取得了很好成效，但是资源配置效率有所降低，但总体上科技投入产出效率呈上升趋势。中部在规模效率上具有一定的优势，但是由于科研机构设置和管理方法不尽完善，导致资源配置效率降低，总体科技投入产出效率下降。西部近年来注重科技进步，科研机构设置和管理方法也得以完善，但由于科研设备和科研经费依然缺乏，导致规模效率不足，资源配置效率降低，总体科技投入产出效率下降。

2005—2011年中国有13个省市自治区科技投入产出效率呈上升趋势，其余17个省市自治区呈现下降趋势。从技术进步指数和技术效率改善指数来看，8个省为效率改善-技术进步型，8个省市自治区为效率恶化-技术进步型，9个省市自治区为效率恶化-技术退步型，5个省为效率改善-技术退步型。

[参考文献]

[1] 刘亚旭，龚小军，高蓉，等.科技投入产出评价方法探析[J].中国科技论坛，2007（4）：36-41.

[2] 张前荣.基于DEA模型的区域科技投入相对效率的实证研究[J].大连理工大学学报：社会科学版，2009，30（1）：75-78.

[3] 吕晨，曾明彬.基于DEA的中国区域科技投入产出相对效率研究[J].科学管理研究，2014，32（2）：101-104.

[4] 李燕萍，许颖，吴绍棠.不同省域科研投入产出效率及其影响因素的实证研究[J].经济管理，2011，33（2）：23-30.

[5] 赵宏，王军.2006～2008年中国科技活动投入产出效率比较分析[J].统计与决策，2011（2）：93-95.

[6] 方爱平，李虹.基于DEA模型的西部区域科技投入产出效率分析[J].科技进步与对策，2013，30（15）：52-56.

[7] 陈燕武.基于复合DEA和Malmquist指数的科技投入产出效率评价[J].运筹与管理，2011，20（6）：196-204.

[8] 董洁，张体委.长三角地区高技术产业R&D资源配置效率优化研究[J].科技进步与对策，2012，29（21）：49-54.

[9] 王桂荣，苏贵良.山东省经济可持续发展能力实证研究——基于PCA、DEA及AHP分层法[J].中国石油大学学报：社会科学版，2013，29（5）：54-59.

[10]章祥荪，贵斌威.中国全要素生产率分析：Malmquist指数法评述与应用[J].数量经济技术经济研究，2008（6）：111-122.

[责任编辑：张岩林]