(武汉大学 经济与管理学院,湖北 武汉430072)

张建清,卜书迪

(武汉大学 经济与管理学院,湖北 武汉430072)

绿色科技资源配置效率受外部环境变量和随机因素的影响。为了消除这一影响,以测定绿色科技资源配置自身运行情况,运用三阶段SBM-DEA模型,对2004—2014年广西壮族自治区14个地级城市进行了实证分析。结果表明：第三产业比重对广西各城市的绿色科技创新效率有反向影响,万人高等院校在校生对广西各城市的绿色科技创新效率有正向影响,进出口占GDP的比重对广西各城市的绿色科技创新效率的影响具有多重性。对绿色科技资源的测算结果显示,桂林市的绿色科技资源配置效率呈波动上升趋势。通过对桂林市的投入—产出冗余分析,影响桂林市科技资源配置效率的主要因素是科技资源投入不足,缺乏与科技创新成果相匹配的核心产业,科技成果转化率较低,产学研结合不紧密。因此,桂林市可通过增加教育和科技投入、发展核心竞争力产业和加强人才培养等方式来提高绿色科技资源配置效率。

绿色科技资源配置效率;三阶段SBM-DEA;桂林市

1 引言

近年来,我国经济发展进入了主要依靠科技创新推动经济发展的“新常态”,以创新来推动经济转型的发展模式已成为我国现代经济发展的重点。我国长期粗放型的经济发展模式造成当前的环境问题越来越突出，因此,实施科技创新推动经济发展战略应与可持续发展战略并行。在衡量传统科技创新发展的绩效方面,我国需要考虑环境因素的影响,测算出绿色科技资源的配置效率。

绿色科技资源配置效率(The Allocative Efficiency of Green Samp;T Resource),是在现有科技资源产出有效的基础上,剔除科技资源配置过程对区域资源和环境带来的负效应后的最终配置结果,是全面客观评价科技资源配置的综合效率。绿色科技资源配置效率既反映了一个地区科技资源配置与生态环境之间的协调状况,也衡量了该地区科技资源配置的合理性。但在测量绿色科技资源配置效率时,仍然面临着这样的问题:一方面,较发达地区所处的科技创新环境优越,科技创新投入逐年增多,有可能存在边际产品递减而导致测量误差;相反,较落后地区的科技创新投入较少,即使科技资源配置效率较高,也受制于科技环境较差的影响,所以需要对外部影响因素进行适当的调整。

关于效率的测量方法,Tone Kaoru[1]提出了非径向、非角度的SBM(Slack-based Measure,SBM)模型，它克服了传统DEA(Data Envelopment Analysis,DEA)的缺点,既可衡量松弛改进的部分,又可衡量非射线上的冗余量。Anderson、Peterson[2]提出了超效率分析,克服了传统DEA无法对有效前沿面上的DMU进行排序的缺点,在超效率SBM模型中有效决策单位的值可大于1。在研究科技资源配置效率方面,国内对DEA模型应用广泛,如杨洪涛[3]运用DEA方法评价了上海市高校科技资源配置效率;贾岩[4]运用Cross-efficiency DEA方法测算和比较分析了我国30个省、自治区、直辖市的科技资源配置效率;康楠等[5]针对我国31个省、自治区、直辖市2007年科技投入—产出情况，分别采用主成分分析法、熵权TOPSIS法和超效率DEA法对区域科技资源配置效率进行了评估和排名,最后采用组合评价方法弥补了单一方法的不足,得到更加客观的评价;孙绪华等[6]运用DEA模型测算了全国和各地区科技资源配置的Malmquist指数及其分解情况;颜莉[7]运用主成分分析与DEA相结合的方法测量了我国30个省市的区域创新效率;范斐等[8]使用改进的DEA测算出了我国286个地级以上城市2001—2010年的科技资源配置效率,并探讨分析了研究期内各城市科技资源配置效率的空间分布格局与演变态势。此外,有部分学者考虑到了外部环境变量和随机因素的影响,使用了Fried[9]提出的三阶段DEA模型,该模型应用了SFA理论,可过滤传统DEA模型中外部环境变量和随机因素对估计对象的影响,从而能更加准确地分析管理无效率;钟祖昌[10]将SBM模型与三阶段DEA相结合,实证评估了2001—2008年30个OECD国家和中国的创新效率;支燕[11]等通过三阶段SBM模型对我国各省区的技术创新效率进行了测算;黄毅[12]运用三阶段DEA模型对我国2011年30个省区技术创新效率进行了实证分析,发现知识存量水平、技术市场活跃程度、基础教育投入水平对技术创新具有正向影响,而进出口贸易额和第二产业比重却对创新效率具有相反的作用。

在上述研究中,部分学者使用了三阶段DEA来排除外部环境变量和随机因素的影响,但在构建的科技资源配置体系中并没有考虑环境污染因素,没有契合当今经济可持续发展的需要;另一部分学者虽然考虑到了环境污染因素,但没有排除外生的科技创新环境和随机因素的影响,而这种影响在面板数据中表现得尤为突出,因此所衡量的效率值并不能完全反映区域真正的科技创新能力和效率。同时,已有研究较多地集中在全国各省区甚至是国家层面的科技创新效率。即更多地是关注科技创新能力较强的东部沿海地区,对中西部地区关注较少,中西部广大地区因所处的经济转型、创新驱动阶段与东部地区不同,大多数地区处于创新驱动的起步阶段,需要深入细致的辨析影响科技创新效率不足的原因和提升的途径,以增强区域的创新驱动能力。

鉴于此,本文将环境污染因素作为非期望产出加入到科技资源配置衡量体系中,提出绿色科技资源配置效率的概念。在衡量绿色科技资源配置效率值时使用Super-SBM模型,达到对绿色科技资源配置有效率的单位进行排序的目的。同时,使用三阶段DEA模型,排除外部环境变量和随机因素的影响,真实地衡量绿色科技资源配置效率自身的效率情况。此外,本文重点关注西部地区的绿色科技资源配置效率,对广西壮族自治区14个地级城市2004—2014年的数据进行了实证分析,并在此基础上重点对桂林市绿色科技资源配置效率进行了深入分析,以期提出提高桂林市绿色科技创新效率的政策建议。

2 理论分析与研究方法

本文借鉴Anderson、Petersen[2]提出的超效率模型(Super Efficiency Model),将环境污染因素作为非期望产出来衡量绿色科技资源配置的效率。在超效率模型下,DMU的科技资源配置效率值可能会大于1。同时,为了剔除环境与随机因素的影响,采用了Fried[3]提出的三阶段DEA模型。

2.1 Super-SBM模型

为了避免不变规模报酬过强的假定,本文选择可变规模报酬,认为Zheng等[13]提出的CRS、VRS结果中选择的VRS假设下的结果更加合理。同时,考虑到政府在对科研扶持的同时着眼于产出最大化和投入最小化,所以本文使用无导向(Non-orient)模型。当考虑非期望产出时,假设研究有n个决策单位(Decision Making Unit,DMU)的科技资源配置效率,记为DMUj(j=1,2,…,n);每个DMU均有m个投入,记为xi(i=1,2,…,m);有q1个期望产出,记为yr(r=1,2,…,q1);有q2个非期望产出,记为bt(t=1,2,…,q2);对某一DMUk(xk,yk,bk),其生产可能性集为:

绿色科技资源配置效率为:

(1)

2.2 三阶段DEA

第一阶段:运用传统的DEA模型测量决策单位未经调整的原始效率。本文是应用上文提到的Super-SBM模型,测算出未经科技创新环境调整的决策单位科技资源配置效率。

第二阶段:剔除环境因素和随机变量的影响。首先需建立松弛变量:

Sij=xij-Xiλ(i=1,…,m,j=1,…,n)

(2)

式中,Sij表示第j个DMU的第i个投入的松弛变量,即实际投入量和理想投入量的差值,然后以该投入松弛变量为因变量,对每一种投入的松弛变量进行SFA回归分析,回归方程为:

Sij=fi(zj;βi)+vij+uij

(3)

上述SFA回归需要使用Frontier 4.1软件,并进行计算:

(4)

(5)

(6)

(7)

(8)

2.3 投入冗余分析

3 指标选择与数据来源

3.1 指标选择

在构建绿色科技资源配置效率体系方面,本文根据绿色科技资源配置的内涵和结构,从投入和产出两个方面进行构建。其中,产出又分为期望产出和非期望产出两部分。在三阶段DEA过程中,选择影响绿色科技资源配置效率的三个科技创新环境因素来排除外部因素的影响,见表1。

表1 绿色科技资源配置效率指标体系和科技创新环境因素

3.2 数据来源

为了更好地反映桂林绿色科技资源配置效率,本文选择广西壮族自治区14个地级市2004—2014年的面板数据,在综合考虑数据可得性、指标选取代表性和统计口径一致性的基础上,测度了广西14个地级市2004—2014年不同时期绿色科技资源的配置效率。以上数据分别来自2005—2015年的《中国城市统计年鉴》、《广西统计年鉴》、《中国区域经济统计年鉴》、《桂林经济社会统计年鉴》。

4 绿色科技资源配置效率测算结果及分析

4.1 绿色科技资源配置效率测算

第一阶段运用MaxDEA Pro软件对广西14个地级市2004—2014年未经调整的绿色科技资源配置效率进行测算,测算结果见表2。

第二阶段使用Frontier4.1软件进行SFA回归,分析所选科技创新环境因素对各投入松弛量的影响,得到βi、σ2和γ的最大似然估计值,回归结果见表3。

由式(4)和式(5)可知,Gamma值越大越显著,表明使用随机前沿模型较合理。表3中的Gamma值都大于0.88,说明使用随机前沿模型是合理的,且每个似然比LR都通过了1%的显著性检验,表明投入要素松弛量和所选择的环境要素之间存在显著的关系,使用三阶段DEA模型来剔除科技创新环境因素的影响是可行的。在以上四个回归中,回归系数为负时,表示环境变量增加会导致投入变量的松弛量减少,即缩小实际投入量与最优水平的差距,因此环境变量对投入变量具有正向影响,反之则相反。

表2 第一阶段:调整前广西14个地级市2004—2014年绿色科技资源配置效率

表3 第二阶段:科技创新环境因素对投入松弛量影响的SFA估计结果

(续表3)

项目科学研究、技术服务从业人员数松弛量财政科学支出 松弛量固定资产投资 松弛量国际互联网用户数 松弛量Sigma2 0．237 (10．077)∗∗∗ 4．336×107 (4．335×107)∗∗∗ 9．962×1012 (9．962×1012)∗∗∗ 3．572×1011 (3．572×1011)∗∗∗Gamma 0．989 (183．782)∗∗∗ 0．935 (69．672)∗∗∗ 0．887 (38．661)∗∗∗ 0．886 (38．919)∗∗∗Log-likehoodfunction 69．663-1．451×103-2．444×103-2．180×103LRtestofone-sidederror 120．781∗∗∗ 111．241∗∗∗ 36．692∗∗∗ 58．247∗∗∗

注:“***”、“**”和“*”分别表示在1%、5%和10%的水平下显著;括号内为对应的t统计量。

进出口占GDP比重:该变量对财政科学支出和固定资产投资的松弛量系数为负,且在1%显著水平上显著,说明进出口占GDP的比重对地方公共财政支出和固定资产投资具有正向影响;而对科学研究、技术服务从业人员数和国际互联网用户数的松弛量系数为正,且在1%显著水平上显著,说明进出口占GDP的比重对科学研究、技术服务从业人员数和国际互联网用户数具有负面影响。因此,进出口占GDP的比重对绿色科技资源配置的四个投入量产生显著影响,但这种影响的表现具有较大的差异性。

第三产业比重:该变量对科学研究、技术服务从业人员数、财政科学支出和固定资产投资的松弛量系数为正,但仅对财政科学支出和固定资产投资的松弛量在1%的水平上显著,说明第三产业的比重提高不利于缩小这三项投入量与理想投入量的差距。相反,该变量对国际互联网用户数的松弛量系数为负,并且在1%的水平上显著,说明第三产业的比重提高有利于缩小国际互联网用户数投入量与理想投入量的差距。总之,第三产业的比重提高不利于广西各城市的绿色科技资源配置效率的提高,这可能是因为广西各市的第三产业发展相对较好,但第二产业较中东部地区相对落后,导致经济发展结构不合理,如果依然提高第三产业比重,会降低广西各市的绿色科技资源配置效率。

万人高等院校在校生人数:该变量对财政科学支出、固定资产投资和国际互联网用户数的松弛量系数为负,且在1%的水平上显著,说明该变量对这三项投入量有正向影响。该变量对科学研究、技术服务从业人员数的松弛变量系数为正,但仅在10%水平上显著。所以,该变量对广西各市的绿色科技资源配置具有正向影响,即万人高等院校在校生人数增加会提高广西各市的绿色科技资源配置效率,因为该变量衡量了区域人才储备情况,而人才是科技创新战略的基础,与理论相符。

综上所述,本文所选择的进出口占GDP的比重、第三产业比重和万人高等院校在校生人数三个科技创新环境变量对不同决策单位投入的松弛量的影响具有差异性,且影响显著，因此必须调整原来的投入变量,排除外部环境和随机因素的影响,才能反映出各城市真实的绿色科技资源配置效率水平。利用第二阶段所得的参数估计值,并根据理论部分的式(6)—(8)计算得到调整后的广西14个地级市2004—2014年的绿色科技资源配置效率值,见表4。

表4 第三阶段:调整后广西14个地级市2004—2014年绿色科技资源配置效率

对比表2和表4可见,剔除科技创新环境因素和随机因素的影响后,广西14个地级市的绿色科技资源配置效率值发生了不同程度的变化,各市的排名也略有变化,其中绿色科技资源配置最有效率和最稳定的城市为北海,排名稳居前列;2004—2014年桂林、柳州、玉林三市的效率在不断增长,而百色和防城港两市呈下降趋势;南宁、贺州、钦州和梧州三市的效率表现不稳定,呈波动状态;崇左、来宾、河池和百色四市的效率表现较差,有待提升。

4.2 绿色科技资源配置效率分析

2004—2014年桂林市绿色科技资源配置效率均值在广西14个地级市中排名第九位,属于效率较低的城市。因此，为了分析桂林市绿色科技资源配置效率的表现,单独对桂林市2004—2014年的效率测度值和投入—产出冗余进行分析。从图1可见,经科技创新环境因素调整后,桂林市绿色科技资源配置效率值发生了改变,说明进出口占GDP的比重、第三产业比重和万人高等院校在校生人数这三个科技创新环境变量对桂林市的绿色科技资源配置效率具有影响。同时,桂林市的绿色科技资源配置效率整体在波动中上升,经调整之后的绿色科技资源配置效率由2004年的排名第十位上升到2014年的排名第四位,并且在2013年和2014年成为绿色科技资源配置有效率的城市。

图1 桂林市2004—2014年绿色科技资源配置效率调整前后对比

2004—2012年,桂林市的绿色科技资源配置效率整体较低,可能是由于投入和期望产出不足,或是非期望产出冗余;也可能是因为在桂林市的产业结构中第三产业尤其是旅游业所占的比重较大而第二产业发展相对薄弱,产业发展不均衡。在科技资源配置效率的衡量体系中,服务业的大力发展仅带来环境方面的提升。即非期望产出“三废”减少,但对科技投入和期望产出并没有带来积极影响。

表5 桂林2004—2014年投入产出冗余率

2013年和2014年桂林市绿色科技资源配置效率有了显著提高。从《广西统计年鉴》得到的各项数据显示,桂林市的科技创新投入和期望产出一直稳步升高,环境污染程度在逐年改善,双向作用使桂林市的绿色科技资源配置效率得到了显著提升;桂林市在科学研究、技术服务从业人员数、财政科学支出、固定资产投资和国际互联网用户数方面的投入增加得益于桂林市近几年重视第二产业发展的产业政策和鼓励科技创新的发展战略,加上桂林市的经济开放程度和人才储备等外部环境的改善，对绿色科技资源配置效率起到了积极的作用。为了进一步分析桂林市科技资源配置无效率的来源,对桂林市绿色科技资源进行投入—产出冗余分析,见表5。

由表5可见,桂林市绿色科技资源配置无效率主要来源于投入和非期望产出不足。在绿色科技资源配置的四个投入方面,桂林市2004—2012年的科技资源投入不足率达到了50%左右,说明桂林市的绿色科技资源投入严重不足,需要加大对科技资源的投入量;2013年和2014年桂林市科技资源投入出现了转折,说明桂林市开始加大对科技发展的支持力度,加大了对科技资源的投入。期望产出方面,桂林市2004—2012年的期望产出不足率基本为0,仅有个别年份如2005年、2006年、2011年和2012年在Y1上出现了产出不足的情况,期望产出不足率小于20%;2013年和2014年期望产出Y2超过基本有效值,出现了超效率的情况,说明桂林市在检索科技论文数和三大专利申请数等科技创新研究方面的成果显著。在非期望产出方面,桂林市2004—2012年的非期望产出不足,工业废水排放量不足率平均为45%左右,工业二氧化硫排放量不足率平均为60%左右,工业烟(粉)尘排放量不足率也在40%左右,说明桂林市的工业污染排放并不严重,从侧面反映了桂林市工业产能不足的缺陷,说明桂林市在工业方面仍然有较大的发展空间, 2013年和2014年已出现了转折。

桂林作为全国重点的旅游城市,历年来重视旅游业发展和环境保护,导致第三产业比重较大,工业产能不足,无法带动科技创新发展。同时,桂林市在科技创新研究成果方面成效不显著,说明缺乏与科技创新相匹配的产业导致产学结合不够紧密,科技成果转化率较低,科研优势未有效转化为产业创新优势。

5 结论与政策建议

5.1 结论

本文将三阶段DEA和Super-SBM模型相结合对广西省14个地级市2004—2014年的绿色科技资源配置效率进行了测度,在此基础上重点分析了桂林市绿色科技资源配置效率变化趋势和无效率构成情况,从中可得到以下结论:①广西14个地级市的绿色科技资源配置效率受进出口占GDP比重、第三产业比重和万人高等院校在校生三个科技创新环境因素的影响显著。其中,进出口占GDP比重的影响较复杂,但具有显著影响;第三产业比重对绿色科技资源配置效率有负面影响;万人高等院校在校生对其有正向影响。②在广西14个地级市中,北海的绿色科技资源配置效率最高,并在2004—2014年稳居前列;2004—2014年桂林、柳州和玉林的效率不断提高,绿色科技资源配置表现良好,但其他10市的绿色科技资源配置表现欠缺,说明广西在绿色科技资源配置方面有待进一步提高。③2004—2014年桂林市的绿色科技资源配置效率在波动中上升,但整体效率水平较低,与有效率水平的差距较大,说明桂林市在绿色科技资源配置效率方面仍然有较大的提升潜力。对桂林市绿色科技资源配置无效率的来源进行分析，发现无效率主要是由于科技资源投入不足和污染等非期望产出不足,而科研成果等期望产出表现良好,说明桂林市的主要问题集中在对科技资源投入不足、产业发展不均衡和科技成果无法有效转化为生产力方面。

5.2 政策建议

针对以上问题,提出以下建议:①聚焦重点产业技术领域,大力发展第二产业,完善产业结构。桂林市经济发展的一个重要问题是缺乏产业,无核心竞争力产业,经济增长方式为粗放型,而科技创新需要相匹配的产业才能使产业融合创新。因此,政府应有针对性地在高新技术、战略性新兴产业、现代农业、文化科技、民生等领域重点发展技术含量高、创新性强和经济效益明显的前沿产业,带动整个产业链协调发展。②万众创新,产学结合。地区政府可充分利用国家支持科技创新的契机,增加科技创新方面的投入,设立引导基金,加强重大科技创新平台建设,以此增强领军企业、高校和科研机构的自主创新能力,最终形成“政府引导,企业为主,人才为基础”的万众创新局面。同时,各高校和科研院所的科技研究应更多地结合实际产业发展的需求,避免各科技院所自成体系,科学研究与实际脱节。因此,政府应大力支持企业与高校的研究成果转让、委托开发、合作开发等多种形式的产学研合作,促进技术成果交易平台,积极推进技术交易市场、知识产权交易所等中介体系建设,进一步完善以企业为主体、市场为向导、高校院所共同参与的产学研用协同创新的体系,推动人才、技术与资本、市场的有效对接,促进更多创新成果向现实生产力转化。③注重人才培养和人才引进,注重高层次和高技能人才队伍建设。西部偏远地区属于人才输出型城市,人才流失问题相对严重。针对人才问题,政府一方面应制定人才培养计划,培养一批高素质人才，如围绕创新发展需要,制定切实可行的引进人才配套政策,优化工作环境和激励评价机制,吸引和留住高层次人才；另一方面,企业也应提高人才意识,重视人力资本的作用,采用灵活多样的方式引进各类稀缺人才。

[1]Tone K.A Slacks-based Measure of Super——Efficiency in Data Envelopment Analysis[J].European Journal of Operational Research,2002,143(1)∶32-41．

[2]Andersen P,Petersen N C.A Procedure for Ranking Efficient Units in Data Envelopment Analysis[J].Management Science,1993,39(10)∶1261-1264．

[3]杨洪涛.上海市普通高校科技资源配置效率评价[J].科技管理研究,2008,28(2)∶120-122.

[4]贾岩.基于Cross-efficiency DEA算法的区域科技资源配置效率测算研究[J].现代情报,2009,29(2)∶219-221.

[5]康楠,郑循刚,母培松.基于组合评价的我国区域科技资源配置效率研究[J].华中科技大学学报(社会科学版),2009,23(6)∶79-83.

[6]孙绪华,陈诗波,程国强.基于Malmquist指数的国有科技资源配置效率监测及其影响因素分析[J].中国科技论坛,2011，(3)∶21-27.

[7]颜莉.我国区域创新效率评价指标体系实证研究[J].管理世界,2012,(5)∶174-175.

[9]范斐,杜德斌,李恒,等.中国地级以上城市科技资源配置效率的时空格局[J].地理学报,2013,68(10)∶1331-1343.

[9]Fried H O,Lovell C A K,Schmidt S S.Accounting for Environmental Effects and Statistical Noise in Data Envelopment Analysis[J].Journal of Prodectivity Analysis,2002,(17)∶157-174.

[10]钟祖昌.研发创新SBM效率的国际比较研究——基于OECD国家和中国的实证分析[J].财经研究,2011,(9)∶80-90.

[11]支燕,邓忠奇,王元明.剔除环境干扰的各省市技术创新效率研究——基于三阶段SBM模型的实证分析[J].产业组织评论,2013,(4)∶63-72.

[12]黄毅.创新环境视角的我国省市技术创新效率分析[J].科技管理研究,2014,34(7)∶6-13.

[13]Zheng J,Liu X,Bigsten A.Ownership Structure and Determinants of Technical Efficiency：An Application of Data Envelopment Analysis to Chinese Enterprises(1986—1990)[J].Journal of Comparative Economics,1998,26(3)∶465-484.

[14]Cooper,William W.Data Envelopment Analysis[Z].Handbook on Data Envelopment Analysis.Springer US,2004∶1-39.

[15]成刚.数据包络分析方法与Max DEA软件[M].北京：知识产权出版社,2014.

[16]潘丹,应瑞瑶.中国农业生态效率评价方法与实证——基于非期望产出的SBM模型分析[J].生态学报,2013,33(12)∶3837-3845.

[17]李静,程丹润.中国区域环境效率差异及演进规律研究——基于非期望产出的SBM模型的分析[J].工业技术经济,2008,27(11)∶100-104.

[18]黄宪,余丹,杨柳.我国商业银行X效率研究——基于DEA三阶段模型的实证分析[J].数量经济技术经济研究,2008,25(7)∶80-91.

[19]陈巍巍,张雷,马铁虎，等.关于三阶段DEA模型的几点研究[J].系统工程,2014(9)∶144-149.

[20]邓波,张学军,郭军华.基于三阶段DEA模型的区域生态效率研究[J].中国软科学,2011,(1)∶92-99.

[21]张铭慎,王保林.基于Super-SBM三阶段DEA的政府Ramp;D扶持效率测度——兼析企业Ramp;D支出水平对其影响[J].科学学研究,2013,31(1)∶58-66.

[22]戴永安,董刚.基于三阶段DEA模型的中国城市效率研究[J].技术经济,2012,31(7)∶111-117.

ZHANG Jian-qing,BU Shu-di

(School of Economics and Management,Wuhan University,Wuhan 430072,China)

The allocation efficiency of green Samp;T resource was affected by the external environment and random factors.In order to eliminate the influence,this paper proposed three-stage SBM-DEA based on Super-SBM model to measure the allocation efficiency of green Samp;T resource of 14 cities in Guangxi during the period from 2004 to 2014.This paper demonstrated that:The proportion of tertiary industry was beneficial to the allocation efficiency of green Samp;T resource,on the contrary the ten thousand students in institutions of higher learning played a negative role while the influence of the percentage of the import and export trade in GDP on the allocation efficiency of green Samp;T resource was complex.At the same time,after measuring the allocation efficiency of green Samp;T resource,the results showed that the allocation efficiency of green Samp;T resource in Guilin City presented a fluctuated upward trend.Besides,through the analysis of the input-output redundancy in Guilin City,this paper found that the main factors that influenced the allocation efficiency of green Samp;T resource in Guilin were the insufficient in inputs and the lack of core industries matching with Samp;T,so the rate of Samp;T achievement conversion was low,the combination of production,education and science research was not close.As a result,the government of Guilin could improve the allocation efficiency of green Samp;T resource by increasing education and Samp;T investments,developing industries with core competitive power and fostering talent.

allocation efficiency of green Samp;T resource;three-stage SBM-DEA model;Guilin City

2016-11-23；

2016-12-09

国家自然科学基金项目(编号:41501141);湖北省软科学研究计划项目(编号:2015BDF010)。

张建清(1963-),男,河南省平顶山人,教授、博士生导师,研究方向为区域经济学。

卜书迪(1990-),女,河南省安阳人,硕士研究生,研究方向为中国对外贸易。

F062.1

A

1005-8141(2017)01-0001-07