吴红霞　蔡文柳　赵爽　庞博

[摘 要] 阐述了国内外有关区域创新能力绩效测度的研究，以此为基础从投入、产出和环境三个角度创建了区域创新能力绩效的评价体系，并运用三阶段DEA 分析方法和相关面板数据，对2012-2014年河北省11个城市的区域创新能力绩效进行测度。研究结果表明，总体上河北省区域创新能力的规模效率处于递增的状态，区域创新能力一直呈现出上升的趋势，河北省区域创新能力的提升必须要加强技术创新，提高管理效率。

[关键词] DEA模型；区域创新能力；绩效评价

doi ： 10 . 3969 / j . issn . 1673 - 0194 . 2018. 19. 052

[中图分类号] F062 [文献标识码] A [文章编号] 1673 - 0194（2018）19- 0121- 05

1 引 言

当今随着经济全球化程度的不断加深，世界经济的发展呈现出区域化的特征，区域经济成为全球经济活动的焦点。但是由于地理条件和经济资源条件的原因，我国各个地区的创新能力发展极不均衡。改革开放以前，我国南方沿海地区的创新能力落后于北方地区，而在改革开放以后，南方沿海地区的经济开始飞速发展，北方重工业基地急剧衰退，导致南方地区的创新能力要远远强于北方地区。在党的十八大提出的“大众创业，万众创新”的背景下，地方各级政府高度重视区域创新能力的提升。各地区要想增强其创新能力，必须要充分发挥本地区的创新资源利用水平，提高各地区的区域创新的绩效。因此，本文从投入、产出和环境因素角度构建区域创新能力的绩效评价体系，并运用三阶段DEA分析方法对区域创新能力的绩效进行客观评价。

2 文献综述及评价

区域创新能力绩效评价是一个复杂的系统工程，目前国内学者对区域创新能力绩效评价的研究主要集中在三方面：①关于区域创新能力绩效评价内涵的研究。官建成，刘顺忠（2003）指出区域创新系统是把创新人力资源和财力资源投入转化为创新产出的经济系统，区域创新绩效就是投入与产出的比率[1-2]；唐厚兴，梁威（2005）认为区域创新系统的创新绩效就是创新的效率和创新的效果。②关于区域创新能力绩效评价的指标体系的研究。周洪文等（2014）[3]将区域创新绩效分成区域创新的科技研发过程和区域创新的经济转化过程两部分，指标包括研发人员全时当量、研发经费内部支出占GDP的比重等14个指标；尹凡，单莹洁等（2011）构建了熵权法评价指标体系，投入指标包括人力投入、经费投入，产出指标包括知识产出和经济产出等4个一级指标和科技活动人员数等7个二级指标。③关于区域创新能力绩效评价方法的研究。唐厚興（2006）建立了基于数据包络分析方法的绩效评价模型，对决策单元的综合绩效、技术效率和规模效益进行了分析，在DEA分析的基础上，又采用“基于离差最大化多属性决策”方法和“典型范例确定方法”以及“目标设定方法”对有效决策单元和无效决策单元进行了分析；周洪文等（2014）采用链式关联网络的DEA模型方法和耗散与灰色关联熵的方法对我国各个地区资源配置效率以及区域创新绩效进行了评价；白俊红等[4]（2009）采用非参数分析方法DEA方法对我国区域创新系统的创新效率进行综合评价及分析，揭示出我国各省区科技投入产出的效率，并深入找出我国各区域创新效率的成因；尹凡，单莹洁等（2011）[5]从区域创新效率和效果两方面界定了区域创新绩效的评价指标体系，在此基础上构建了基于熵权法和协调度法的复合测度模型，运用该模型对河北省2008年度各区域创新绩效进行了综合评价。

通过对现有相关文献资料的研究表明，国内学者在区域创新能力绩效评价的指标选择标准不同，不同的学者从不同角度构建出不同的评价指标体系，大部分学者从创新投入和产出两方面建立指标体系，投入指标包含有创新涉及的人、财、物等资源，产出指标包括专利、专著、论文等指标[6]。在评价方法上较多的学者采用主成分分析法、因子分析法、熵值法、灰色关联分析法等多种评价方法。本文在对前人研究的基础上，将采用三阶段DEA模型方法对河北省区域创新绩效进行综合评价，最大程度上保证研究的科学性和有效性。

3 区域创新能力绩效评价模型的构建

3.1 构建区域创新能力绩效评价模型

DEA模型是一种评价多指标投入和多指标产出决策单元相对有效性的多目标决策方法。由于常用到的一阶段DEA模型在评价时对于外部环境因素和随机干扰的因素没有进行考虑，因而使得评价结果不准确。而目前应用最为广泛的模型是三阶段DEA模型，在这一模型中加入环境因素进行相关单元效率的评估，因而使得相关决策单元的评估更具有可比性。

3.1.1 第一阶段：DEA模型

DEA模型中有CCR、BCC、C2GS2和C2WH等四种模型，其中CCR模型是最基本的模型，该模型是以规模报酬不变为假设来衡量效率，评价决策单元DMU是否同时达到技术有效和规模有效[7]。由于本论文选择的投入指标和产出指标数量不多，因此在第一阶段对DMU决策单元进行评价分析时，采用CCR模型。

假设有n个决策单元（DMU），每个决策单元DMUj都有m种输入，s种输出，决策单元j的输入向量为xj=（x1j，x2j，…，xmj）T，决策单元j的输出向量为yj=（y1j，y2j，…，ynj）T ，j=1，2，3，…，n。设DMUj0的输入和输入为（xj0，yj0），评价DMUj0相对有效性的CCR模型为：

假设DEA模型存在最优解，且最优解为xj，则会出现以下结果：

（1）当出现θ=1，s+=s-=0则认为该决策单元的DEA有效，并且该决策单元的技术效率和规模效率也有效。

（2）当出现θ=1时，至少有一个输入变量或者输出变量大于0，则认为该决策单元是较弱DEA有效，而该决策单元的技术效率和规模效率不能同时有效。

（3）当出现θ<1时，则认为该决策单元DEA无效，那么该决策单元的技术效率和规模效率均不佳。

3.1.2 第二阶段：运用SFA模型分解第一阶段的松弛变量

对第一阶段求得的投入松弛变量[x-xλ]进行分析。该松弛变量受到3个因素的影响：环境因素、管理无效率和随机误差。运用SFA回归模型，就可以估计出环境因素、管理无效率和随机误差对松弛变量的影响，进而去除管理无效率和随机误差的影响，仅仅保留环境因素对投入松弛变量的影响。本文构建的SFA回归模型，即对第一阶段的决策单元的投入变量中加入一个投入冗余，进而来观察环境因素变量对不同的投入冗余的影响。

具体模型为：

Aij=fi（Bj，βi）+vij+μij

上式中，Aij表示第j个决策单元的第i项投入指标的松弛变量；fi（·）为随机前沿函数，则为环境因素对投入指标的松弛变量的影响，Bj表示对投入指标有影响的环境因素指标向量；β为相应因素的系数；vij+iμij为混合误差，vij表示统计的随机误差项，它服从正态分布；μij为效率残差项，其大小反映出决策单元的无效率程度，μij服从单边分布，vij和μij是独立不相关的。

3.1.3 第三阶段：进一步改进后的DEA模型

仍然使用第一阶段的CCR模型，对改进后的第一阶段的各投入变量的数据再次进行估算，就能够得到真实的技术效率的数值。

3.2 区域创新能力绩效评价指标体系

区域创新能力绩效评价体系具有动态性的特点，评价的指标体系受到多方面的影响，因此，选择的指标不但要满足区域创新能力绩效的定义，也要确保指标数据的科学性、合理性和客观性，这样才能保证评价结果有实际意义。本论文在构建区域创新绩效评价指标体系时，遵循了综合性、层次性和可操作性原则。依据这些原则和河北省区域创新相关数据统计情况，本论文选择了投入、产出和环境因素三大类指标，其中投入指标包括R&D;人员数量，这一指标反映了各地区科技活动的人力投入；R&D;经费投入，这一指标反映了各地区科技活动的资金投入；产出指标包括专利申请量，这一指标反映了各地区专利技术申请的总体状况；专利授权量，反映了各地区发明专利、使用新型专利和外观设计专利的授权数量。第三类环境因素包括地区经济发展水平，这一指标用地区的GDP总额来表示地区经济发展水平；教育经费支出，这一指标用于反映提高居民素质，培养更多的人参与研发活动。

4 实证分析

本论文以河北省11个市为研究样本，样本选择2012-2014年的科技数据为基础进行统计分析。数据来源于《河北省统计年鉴（2013、2014和2015）》和《河北省科技统计年鉴（2013、2014和2015）》的原始数据。

4.1 第一阶段：DEA分析

区域创新效率DEA分析。采用DEAP 2.1分析软件，分别把河北省各市2012-2014年区域创新投入和产出的原始数据导入到软件中计算各市的综合效率（TE）、纯技术效率（PTE），规模效率（SE）的数值，计算结果如表1所示。

根据表1可以看出近3年河北省各市的区域创新的综合效率较低，只有廊坊市综合效率为1，处于前沿面，DEA值有效，而张家口市、唐山市、邢台市和邯郸市的综合效率值低于平均值，DEA值无效，承德市的综合效率值为0.286，是最差的市。从纯技术效率和规模效率角度分析，近3年石家庄、廊坊和衡水等市的纯技术效率和规模效率的值较高，表明这些年这些区域的创新资源配置相对其他地区来说达到了最优，投入创新资源要素达到了最佳组合，也取得了最大产出效果。从年均值这行数据来看，河北省各年的综合效率较低，最低达到0.669（2012），最高为0.794（2013），纯技术效率的值略大于规模效率的值。

4.2 第二阶段：SFA分析

在第一阶段计算的R&D;人员、R&D;经费投入松弛变量的基础上加入两个环境因素（GDP总额、教育经费支出），构建SFA回归模型，估计计算结果如表2所示。

通过表3可以看出各个环境因素都通过了显著性检验，这表明环境因素对投入的松弛变量有显著影响。如果GDP总额和教育经费支出的系数为正数，则表示这些环境因素的增加则会减少投入松弛变量的浪费，反之则加增浪费。由于LR的值分别为4.16和3.69，则通过了1%和5%的显著性检验，因此采用SFA模型是比较合理的。

4.3 调整后的第三阶段DEA分析

根据第二阶段SFA运算结果，对河北省区域创新的投入和产出指标进行调整，再次使用DEA软件对CCR模型进行运算，最终得到表3的2014年河北省区域创新能力效率的计算结果。

通过表4可以看出，在第一阶段中只有廊坊市的三个效率值都为1，处于效率的前沿面，表明廊坊市区域创新资源的投入比例和配置结构比较合理，而且配置效率达到最优状态。而通过调整，石家庄、唐山、秦皇岛、廊坊和保定等市的三个效率值都为1，表明这些地区的DEA是有效的，这些地区的区域创新能力绩效较好，创新资源的利用效率比较高。

5 结 论

数据包络分析方法主要解决的是多投入和多产出指标的决策评价问题。本论文在传统的DEA模型基础上，利用三阶段DEA分析方法，对2014年河北省区域创新能力绩效进行了比较分析，总体上河北省区域创新仍处于规模报酬递增的阶段。河北省区域创新能力的提升必须要加强技術创新，提高管理效率，许多地区的规模效率将要接近生产前沿面了，不能再进行规模的扩充，只有纯技术效率的提高才能促进河北省整体创新能力的提高。

主要参考文献

[1]刘顺忠，官建成.区域创新系统创新绩效的评价[J].中国管理科学，2002（1）：75-78.

[2]官建成，刘顺忠.区域创新系统测度的研究框架和内容[J].中国科技论坛，2003（3）：24-26.

[3]周洪文，宋丽萍，刘玮.区域创新系统绩效评价比较研究[J].工业技术经济，2014（9）：22-33.

[4]白俊红，江可申，李婧.中国区域创新系统创新效率综合评价及分析[J].管理评论，2009（9）：1-7

[5]尹凡，单莹洁，苏传华，等.河北省区域创新绩效评价模型的构建[J].统计与决策，2011（14）：77-79.

[6]刘明广，李高扬.我国区域创新系统创新绩效评价研究[J].现代管理科学，2011（3）：72-74.

[7]陈伟，冯志军，姜贺敏，等.中国区域创新系统创新绩效的评价研究——基于链式关联网络DEA模型的新视角[J].情报杂志，2010（12）：24-29.