汪艳霞　陆新文　王苗苗

摘    要：通過测算安徽省各地级市科技创新效率评价安徽省科技创新综合绩效，并从科研环境、资金支持等方面考察对安徽省科技创新效率的影响.基于2012—2016年安徽省16个地级市的面板数据，利用数据包络分析方法（DEA）对科技创新效率进行实证研究，进而采用Tobit模型探究影响科技创新效率的主要因素.研究结果表明：2012—2016年安徽省科技创新效率的整体水平有所提高，但地区发展不均衡;研发研究机构的数量对科技创新的综合效率没有明显的影响，而地区科研人才、科研经费的投入比与政府科技活动资金对科技创新的综合效率有着显著的影响.在此基础上，建议注重提升科研质量、优化高学历人才的培养以及完善政府科技活动资助系统，来提升安徽省科技创新的综合效率.

关键词：科技创新效率;影响因素;DEA-Tobit模型

中图分类号：O221                    DOI：10.16375/j.cnki.cn45-1395/t.2019.02.018

0    引言

创新是一个民族进步的灵魂，而科技创新能力决定一个国家、一个民族是否可以屹立于世界民族之林.安徽省作为一个科技大省，2004年省会合肥市成为首个国家科技创新型试点;2008年开始启动创新驱动发展战略，设立了合芜蚌自主创新综合配套改革试验区;2015年提出把创新作为引领发展的第一动力，科技创新综合能力位于全国第九名;2017年合肥继上海之后，成为被国家正式批准建设的第二个综合性国家科学中心.科技创新已成为支撑安徽省地区经济发展的重要力量.

当今，经济日益趋近全球化，科技创新效率引起了国家的高度重视，国内外学者对于科技创新效率及影响因素的研究也愈发深入.以创新效率的研究方法划分，主要体现在两个方面：一方面是通过设定参数，例如李靖等[1]以中国30个省份的面板数据为基础，应用随机前沿模型对各地区科技创新效率进行实证测评，并对影响创新效率的环境因素进行了更深层次的分析;童纪新等[2]构建科技投入和科技产出两方面的评价指标，用灰色关联分析方法对江苏省各城市科技创新效率进行了综合评价.另一方面是非参数方法，主要是数据包络模型（Data Envelopment Analysis，DEA），这种方法因为不会受到主观因素和计量单位的不同而影响效率的评价结果等好处，近几年来成为学者们研究效率等问题的重要手段.金怀玉等[3]运用三阶段DEA模型，在考虑滞后效应的影响下对各地区科技创新效率及影响因素进行了实证分析;孙东[4]利用超效率DEA-Tobit模型对我国各省份的科技创新效率进行测算，并进一步研究了影响提高创新效率的因素;吴朝影[5]通过对传统DEA与Malmquist指数两种方法的比较，对科技创新的省域差异以及影响因素进行了实证分析;柳瑞禹等[6]采用BCC与Malmquist指数相结合的方法分别在测算了中部六省的科技创新效率后，对影响科技创新效率的因素利用Tobit模型进行了实证分析;张小甫等[7]通过构建科技创新两阶段DEA模型，对甘肃省各市（州）的创新效率进行分析并探索了影响甘肃省科技创新综合效率的因素;鲁继通[8]运用DEA、Malmquist指数以及Tobit相结合的3种方法，对我国的东部、中部、西部以及东北部这四大区域创新效率的发展历程以及影响因素进行了实证分析.

学者们对省域范围内的科技创新效率的研究并不多，对安徽省各地级市的分析更是屈指可数.鉴于此，本文在前人研究的基础上，选取了安徽省2012—2016年16个地级市的面板数据，并运用DEA-Tobit模型分析安徽省各地级市科技创新效率及影响因素，为安徽省科技创新效率的提升提出政策建议和参考.

1    研究方法介绍

1.1   DEA模型

数据包络分析（Data Envelopment Analysis，简称DEA）用于解决多投入、多产出的决策评价问题，由著名的美国运筹学家A.Charnes等于1978年首次提出[9].DEA模型中最常用的是CCR模型，但该模型是在规模报酬不变的前提条件下来衡量效率的，这种理想的状态现实生活中难以维持.因此本文选用BCC模型，即规模报酬可变的DEA模型，使得在计算技术效率的时候不会受到规模效率的影响[10].

假设有n个决策单元（DMU），每一个决策单元存在p种输入和q种输出，[Xir]表示第r个DMU的第i个输入变量（i=1，2，…，p），[Yjr]表示第r个DMU的第j个输出变量（j=1，2，…，q）.对应的线性规划模型为：

[min  θ                                      s.t.r=1nλrXr  +S-=θXrr=1nλrXr  -S+=Yrλr，S-，S+≥0r=1， 2， …， n]                                                                 （1）

式（1）中的[θ]表示被考察决策单元中的综合技术效率值，当[θ=1]且[S+=S-=0]时，表示决策单元有效，DMU的规模效率和技术效率同时达到最佳状态;当[θ=1]，但[S+≠0]或[S-≠0]时，表示决策单元弱DEA有效，DMU的规模效率和技术效率并没有同时达到最佳状态;当[θ<1]时，表示决策单元非DEA有效.

1.2   Tobit模型

通过规模报酬可变的BCC模型进行效率评价后，可以发现计算出的效率值都介于（0，1]之间.如果运用普通的回归方法来估计，结果可能会出现偏差.本文采用的是Tobit模型，又称为样本选择模型或受限变量模型，是一种因变量满足某种约束条件下取值的模型，如下：

[Y=Y*=αX+εY*>00             Y*≤0]                             &nbsp;                                                 （2）

其中，扰动项[ε～N（0，θ2）]，[Y]——效率值向量，[Y*]——因变量向量，[X]——自变量向量，[α]——回归参数向量.

2    安徽省科技创新效率的评价

2.1   指标选取与数据说明

进行DEA实证分析之前，首先需要构建科学合理的投入产出指标.在科技创新效率的投入指标方面，往往从人力投入和经费投入这两个角度来考虑，人力投入是科技创新活动成败的关键，经费投入是科技创新的前提和根本性保障.本文借鉴文献[11-13]的研究，选取研究与发展（R&D）人员折合全时当量作为人力的投入指标，研究与发展（R&D）经费作为经费的投入指标;在科技创新效率的产出方面，选取了专利申请量、专利授权量以及有效发明专利量这3个指标（见表1）.在这3个指标之中，专利申请量反映了各个地区专利技术申请的一个总体状况;专利授权量反映了各个地区发明专利、使用新型专利和外观设计专利的授权数量;有效发明专利量则反映的是授权过后、并且持续缴纳年费的一个专利数量，这3个指标从数量上和质量上较全面的体现了科技创新行为.

在使用DEA模型对决策单元进行测度时，需要对各个投入与产出数据进行“同向性”和“自由度”的检验.所谓“同向性”，是指当投入量增加时，产出量也必须增加，投入与产出之间正相关;所谓“自由度”，是指投入变量与产出变量之和的2倍一定要小于决策单元的数量.本文中投入变量2个、产出变量3个，决策单元数为16个，显然满足“自由度”的要求，因此只需要进行“同向性”检验，常采用Pearson相关性检测的方法进行检测（见表2）.结果显示文中的各个投入变量与产出变量的相关系数都为正，并且均在0.01显著性通过双尾检验，即同样满足“同向性”要求，文中各个投入与产出变量具有合理性.

注：**表示在0.01显著性水平上显著;括号内数值为检验的P值

文中所使用的数据均来源于《安徽省统计年鉴》《安徽省科技统计公报》以及省财政厅官网.虽然科技创新投入与科技产出在短期之间存在着一年时间上的滞后，但从长期的角度看，科技创新投入与科技产出之间存在着均衡稳定的关系[14]，因此本文中选取的2012—2016年的投入产出数据在时间上不存在滞后.

2.2   DEA结果分析

本文运用DEAP 2.1软件，对2012—2016年安徽省16个地级市科技创新的综合效率、纯技术效率以及规模效率进行计算，运行结果分别如表3—表5所示.

综合技术效率是综合评价指标，是对决策单元的资源配置能力以及资源使用效率等多方面能力的一个衡量.从表3的实证结果可以看出，2012—2016年安徽省的平均综合技术效率先增加，后小幅度的下滑.各地级市的平均科技创新综合效率值除了阜阳以外均小于1，即除了阜阳以外的DEA均处于非有效状态.其中，铜陵5年的综合技术效率均值最低，且2012年的铜陵综合技术效率值为安徽省16个地级市5年内的最低值，仅为0.250，离生产前沿面最远.

另外如池州、亳州、宿州这样的地级市虽然科研的规模比较小、科研投入与科研产出不及芜湖这些科技创新发展较好的城市，但是这些地级市的科技创新综合技术效率值却较高.其原因在于本文测算的是科技投入资源的利用效率，与科研的规模以及科研的投入数量没有直接的相关关系.这些地级市由于刚开始的时候科技创新规模比较小，整体上处于一个规模报酬递增的趋势，因而能够利用一个较小的资源投入获得一个较大的产出，从而在整体上提高了科技创新的综合效率.

純技术效率所指的是决策单元在一定（最优规模）投入要素的生产效率.根据表4的实证结果可以看出，2012—2016年安徽省科技创新的纯技术效率均值为0.822 7，总体均值较高，但是各个地级市的纯技术效率值还存在着明显的差异.在16个地级市中，芜湖、合肥、六安、阜阳以及亳州这5个地级市的纯技术效率均值为1，处于DEA有效的状态.

在一些科技创新发展较好的地级市，如合肥、芜湖等地级市，在大力发展科技创新的过程中，加上政府积极的政策以及金融方面的支持，达到了较高的资源配置效率.与之相对应的，淮南、淮北等地级市，由于薄弱的基础能力，高新技术产业和R&D人员偏少，使得科技创新的纯技术效率值偏小.可见，淮南、淮北等地级市科技创新纯技术效率较低的原因在于科研资源的投入不足，因此需要适当的增加这些地级市科研资源的转移，提高科研资源的投入.

规模效率则反映的是实际规模与最优规模之间的差距.根据表5的实证结果可以看出，2012—2016年安徽省科技创新的规模效率均值为0.870 7，整体上科技创新规模效率处于良好状态.在16个地级市，只有阜阳这5年的科技创新规模效率的均值为1，达到DEA有效.

可以看出各地级市科技创新的规模效率不一样，而且并非科技创新发展较好的地级市规模效率就一定高于欠发达的地级市，比如合肥、蚌埠以及滁州，科技创新规模效率均值只有0.569 8、0.759 0、0.689 2，均小于安徽省这5年内科技创新规模效率的均值.合肥作为安徽省的省会，是“一带一路”和长江经济带战略的双节点城市，受到国家的重视要高于其他地级市;蚌埠一直享有“珍珠城”的美誉，不仅仅是安徽省旅游的中心城市，而且也是国家区域的中心城市;同时滁州作为合肥都市圈核心圈层城市，南边是长江，东边是京杭大运河，这3个地级市都拥有着较高的R&D人员和高新技术产业，但因为管理体制的不健全导致科研资源的拥挤与堆积，造成科研资源的浪费，最终拉低了资源的配置效率.因此，需要对管理水平进行有效提升，才能更好地提高科研创新效率.

从整体来看，各地级市科技创新效率的差异仍然很大.2012—2016年安徽省16個地级市的综合技术效率、纯技术效率以及规模效率的均值分别为0.713 3、0.822 7、0.870 7，说明安徽省的科技创新效率在总体上还存在着很大的发展潜力.又因为综合技术效率受到纯技术效率与规模效率的双重影响，因此安徽省的科技创新效率要两手抓，在提高规模效率的同时，增加科研投入，提高纯技术效率，从而稳步提升科技创新的综合效率.

3    安徽省科技创新效率的影响因素分析

通过DEA模型所计算出的效率值不仅仅受到投入和产出指标的影响，还受到一些其他因素的影响.因此，为了进一步研究安徽省各地市科技创新效率的影响因素，本文紧接着采用Tobit回归模型并结合第一步DEA测算的效率值进行因变量的受限回归.

3.1   Tobit模型指标说明

地区经济发展水平反映一个地区的总体发展情况[15]，经济发展水平较好的地区有着较高的生产力.各地区以科研项目为导向，通过R&D机构的设置，将科研人员集合起来，形成一套合理有效的交互学习机制.一般而言，研发机构对科技创新起到了促进作用.本研究采用“全社会研发研究机构数（个）”来衡量科研机构对科技创新的促进效应.由此，提出以下假设：

H1：研发研究机构数量越多，该地区的科技创新综合效率越高.

OECD在The Knowledge Based Economy报告中指出，知识经济时代要重视“know-how”和“know-who”，反映出了知识的生产、传递、转换过程中具有较强的豁然性[16].随着科技的迅猛发展，科研人才为社会带来了越来越多的财富.一般而言，地区的科研人力投入越多，其科技创新能力也会越强.本研究采用“全社会研发硕士（人）”来表示科技创新的地区科研人才.由此，提出假设：

H2：地区科研人才越多，该地区的科技创新综合效率越高.

互联网、实验室等基础设施的建立，为科研创新活动提供了条件支撑.充足的科研经费能够帮助科研工作者购买先进的科研设备，更好保障科研活动的顺利开展[15].科研经费占地区GDP的比重可以反映出一个国家或地区对科研的一个重视程度，一般认为，科研经费的投入比重与产出成正比.本研究采用“全社会研发R&D经费内部支出占GDP的比重”来表示科技创新的经费投入比重.由此，提出假设：

H3：科研经费投入比重越多，该地区的科技创新综合效率越高.

科技的进步需要大量的经费作为支撑，政府作为“看得见的手”，其科技活动资金的投入对于基础性的研究以及引导战略性的产业技术突破方面有着重要的现实意义.一般认为，政府科研活动经费的投入与科技创新成正比.考虑到数据的可获取性，本研究采用“规模以上工业企业研发使用来自政府部门的科技活动资金（万元）”作为衡量指标.由此，提出假设：

H4：政府科技活动资金越多，该地区的科技创新综合效率越高.

根据以上的假设，可以建立各地级市的科技创新效率模型：

[Yit=α0+α1X1+α2X2+α3X3+α4X4+μit]                                                （3）

其中，[Yit]——安徽省2012—2016年16个地级市的综合技术效率值;X1——研发研究机构的数量;X2——地区科研人才数;X3——科研经费投入比重;X4——政府科技活动资金;i=1，2，…，16;t=2012，2013，…，2016;[μit]为随机误差项.

3.2   影响因素分析

本文利用Eviews 6.0软件对式（3）进行Tobit模型估计，回归结果如表6所示.

根据表中的回归结果，具体分析如下：

1）研发研究机构数X1与科技创新综合效率有一定的正相关性，但并不十分显著.这说明各地级市应该重视科研情况，在增加R&D机构的同时更要注重管理体制改善，促进科研成果的及时转化与利用，以把握科研的质量，最终提升科技创新的综合效率.

2）地区科研人才数X2与科技创新综合效率呈现负相关性，且在5%的水平下显著.原因是近些年来研究生的教育趋向大众化，研究生学位在授权的时候存在着一些不规范的现象，一些研究生即使获得了研究生学位，也并不意味着具有相应的素质和能力，但是科研机构是需要为其高学历付出成本的，因而使得科技创新的综合效率偏低.

3）科研经费投入比重X3与科技创新综合效率呈现负相关性，且在1%的水平下显著.原因是资源的投入都遵循着经济学中的边际效益递减规律，即在一定时间内，当资源投入过多或者是配置不合理时，出现了投入多、产出少的不经济现象[17]，进而损害了科技创新效率.

4）政府科技活动资金X4与科技创新综合效率呈现正相关性，且在1%的水平下显著.这说明政府的科技活动资金对科技创新的综合技术效率有着直接的积极意义.

4    结论与建议

本文选取了代表科技创新效率的2个投入指标和3个产出指标，在利用DEA模型测算安徽省各地市科技创新效率的基础上，对影响科技创新效率的各个因素进行了计量分析.结果显示，2012—2016年安徽省科技创新效率的整體水平是有所上升的，但是地区发展的差异化明显，部分地级市科技创新的投入出现冗余，产出出现亏损.在科技创新效率影响因素的实证分析中发现，研发研究机构数对科技创新综合效率无明显相关关系，政府科技活动资金这个变量与科技创新综合效率具有显著的正相关关系，而地区科研人才、科研经费投入比重这两个变量与科技创新综合效率呈反方向变动关系.

基于以上实证分析的结论，为了能够提高安徽省各地级市科技创新效率应该从以下几个方面着手.

1）注重科研质量的提升.资源的投入不协调或者是单一的投入某项要素都不会取得既定效果，在经济发展水平较好的地级市，仅仅扩大研发研究机构的数量并不能有效提升科技创新的综合效率，反而会造成科研资源的冗余与浪费.因此，一方面在加大研究机构投入的同时，可以对现有研究机构进行合并、重组，以实现科研资源的合理配置;另一方面，未来可以创建国家级、省部级的研发研究机构以实现对现有研发研究的升级，从根本上来提升科研的质量.

2）优化高学历人才培养.科学技术是第一生产力，而人又是生产力中最具有决定性的因素.高学历人才是科技创新的宝贵财富，科研机构在给他们提供良好的工作条件和环境的同时，更重要的是加强人才的培养，强化内部激励约束机制，提升他们自身的素养和能力.激发他们的科研积极性，迅速提高科技创新能力和创新产出，进而从整体上提升科技创新的综合效率.

3）完善政府科技活动资助系统.从实证分析中可看出，政府科技活动资金对科技创新综合效率起着显著的促进作用，因此政府应该继续完善科技活动资助系统，拓宽科技创新资金的投入渠道，加强引导以便提供更多的资金支持.政府的科技活动资助具体包括科研项目与设备的直接资助，以及对教育减免与税收缩减的间接资助.此外，政府一方面可从法律上建立相关的政策，确保科技创新资金来源的稳定;另一方面，也可以设立专门的政策性银行，来支持科技创新的发展.

参考文献

[1]     李婧，谭清美，白俊红.中国区域创新效率及其影响因素[J].中国人口·资源与环境，2009，19（6）：142-147.

[2]     童纪新，陈继兴，蔡元成.基于灰色关联分析的区域科技创新效率评价研究——以江苏省为例[J].科技进步与对策，2011，28（10）：108-110.

[3]     金怀玉，菅利荣.考虑滞后效应的我国区域科技创新效率及影响因素分析[J].系统工程，2013，31（9）：98-106.

[4]     孙东.我国科技创新效率测算及影响因素研究——基于超效率DEA-TOBIT两步法分析[J].税收经济研究，2014，19（2）：76-84.

[5]     吴朝影. 科技创新效率的省域差异及影响因素研究[D].重庆：西南大学，2015.

[6]     柳瑞禹，何志明，范如国.中部六省科技创新效率与影响因素研究[J].资源开发与市场，2016，32（3）：277-283.

[7]     张小甫，徐吉宏，杨文静.甘肃省区域科技创新效率的时空差异及影响因素[J].开发研究，2018（3）：73-79.

[8]     鲁继通.我国区域创新效率及其影响因素研究——基于创新成本控制视角的分析[J].价格理论与实践，2018（2）：143-146.

[9]      孙慧婷，方晓，王纪，等.基于DEA模型的旅游网站效率评价研究[J].广西科技大学学报，2018，29（3）：121-128.

[10]    张倩.基于DEA方法的跨境电商企业经营绩效评价[J].广西科技大学学报，2018，29（2）：126-131，136.

[11]   李兰冰.我国区域科技创新效率评价——以省际数据为样本[J].科技管理研究，2008（9）：87-90.

[12]   徐小钦，黄馨，梁彭勇.基于DEA与Malmquist指数法的区域科技创新效率评价——以重庆市为例[J].数理统计与管理，2009，28（6）：974-985.

[13]   沈能，宫为天.我国省区高校科技创新效率评价实证分析——基于三阶段DEA模型[J].科研管理，2013，34（S1）：125-132.

[14]   张继红，吴玉鸣，何建坤.專利创新与区域经济增长关联机制的空间计量经济分析[J].科学学与科学技术管理，2007（1）：83-89.

[15]   陈乐颖. 安徽省科技创新效率评价与影响因素分析[D].合肥：安徽大学，2018.

[16]   NONAKA I. A dynamic theory of organizational knowledge creation[J]. Organization Science，1994，5（1）：1-7.

[17]   汪彦，陈悦，曹贤忠，等.上海高校科研创新效率与影响因素实证研究——基于DEA-Tobit模型[J].科技管理研究，2018，38（8）：100-109.

Research on the efficiency and influencing factors of science and

technology innovation in Anhui Province

WANG Yanxia， LU Xinwen*， WANG Miaomiao

（School of Economic Management， Anhui Agricultural University， Hefei 230036， China）

Abstract： By calculating the efficiency of S&T innovation in Anhui Province， the comprehensive     performance of S&T innovation in Anhui Province is evaluated， and the impact on the efficiency of S&T innovation in Anhui Province from the research environment and financial support is studied. Based on panel data of 16 prefecture-level cities in Anhui Province in 2012-2016， the data envelopment analysis （DEA） is used to study the efficiency of STI， and then the Tobit model is used to explore the main factors that affect the efficiency of STI. The results show that the overall level of STI efficiency in Anhui Province increased from 2012 to 2016， but the regional development was uneven. The number of R&D institutions has no significant effect on the comprehensive efficiency of S&T innovation， and the ratio of investment in R&D personnel and R&D funds in regional R&D and government S&T activities has significant effect on the S&T efficiency. On this basis， it is suggested that we should improve the quality of scientific research， optimize the training of high-level talent and improve the government funding system for scientific and technological activities so as to improve the comprehensive efficiency of scientific and technological innovation in Anhui Province.

Key words： efficiency of science and technology innovation; influencing factors; DEA-Tobit model