余慧敏，翟丹妮，刘 颖，周悠然

（南京邮电大学 管理学院，江苏 南京 210003）

一、引言

我国《2018 年政府工作报告》提出：在近年的国家发展工作中，长三角地区一市三省协同发展，促进各省市之间合作，扬长避短，更好地提高了发展效率。长三角地区因其地理优势，加之共同的文化根基，一体化发展显然有利于打造高质量的区域集群，进而带动长江经济带乃至全国经济的发展。

工业作为农业与商业之间的中轴产业，具有盘活区域乃至国家经济的重要效用，而高效率的创新体系则是工业不断发展的活力。同时本文将对崔志新、倪永良、王奇珍、王丽丽[1-13]等学者已有对区域创新效率的研究作出补充，选取长三角地区十个具有代表性的城市，以其规模以上工业企业的R&D 数据作为研究对象，对比分析长三角地区内部城市的创新效率，并对各城市规模以上工业创新效率进行研探叙述。

二、研究方法与指标选择

（一）研究方法

数据包络分析法利用线性规划衡量对拥有相同目标的运营单位进行相对有效性评价。本文采用CCR 与BCC 模型对创新效率进行研究。综合技术效率（Technical Efficiency，TE）可分解为规模效率（Scale Efficiency，SE）和纯技术效率（Pure Technical Efficiency，PTE）的乘积。

以评价某个决策单元j0的效率评价指数hj0为目标，设立分式线性规划，有评价DMU-j0的DEACCR 模型目标函数与约束条件如下：

若线性规划最优目标值hj0=1，则DMU0为CCR模型下弱DEA 有效。线性规划的向量形式存在最优解ω0、μ0，满足ω0＞0，μ0＞0，h0=μ0y0=1，则DMU0为CCR 模型下DEA 有效。

若对偶规划的任意最优解θ0都满足θ0=1，，则可以说此时DMU0为CCR模型下DEA 有效。

针对DMU0的BCC 模型如下：

（二）指标选择

对我国进行区域创新效率分析的多数研究是在省之间或地区之间进行对比，对城市之间创新效率的研究较少；同时，2016 年5 月国务院批准的《长江三角洲城市群发展规划》中也提出“建立城市网格关系”的概念。所以我们将研究单元缩小至城市，选择上海、合肥、芜湖、宁波、杭州、绍兴、南京、苏州、无锡、常州十个具有代表性的城市作为决策单元（DMUj（1≤j≤10））。

对于规模以上工业企业的创新，R&D 人员当量与研发经费是其资源投入的代表性指标，可以较为准确地衡量工业企业对创新的重视程度，而专利申请数与有效发明数则较为明确地反映了工业企业的创新型成果。所以本文选取上述指标作为评价指标。

三、长三角地区规模以上工业企业创新效率实证分析

依据已选定的模型与指标选取了上海市（DMU1）、合肥市（DMU2）、芜湖市（DMU3）、宁波市（DMU4）、杭州市（DMU5）、绍兴市（DMU6）、南京市（DMU7）、苏州市（DMU8）、无锡市（DMU9）、常州市（DMU10）十市为决策单元。各指标数据选取各省市规模以上工业企业为基准，数据来源于上述十个城市统计局公布的各市《统计年鉴》。利用DEASolver软件求解，得结果如表2 所示。

表1 区域规模以上工业企业创新技术效率评价指标

表2 各省市DEA 效率表

（一）综合技术效率分析

使用DEA-CCR 模型得到的综合效率分析结果制成图1，对综合效率图表结果可以做以下分类：

DEA 综合效率上升的决策单元：南京市。值得关注的是，南京市的综合效率值虽然有增长，但其基数与增长率均处于一个较低的水准。

DEA 综合效率基本稳定在1 附近的决策单元：上海市、合肥市、芜湖市、杭州市、绍兴市、无锡市。

图1 十城市2013—2017 年综合技术效率统计条形图

DEA 综合效率下降的决策单元：宁波市、苏州市、常州市。这三座城市的综合效率值则均从0.6～0.7 这一区间段出现不同程度的下跌。

（二）纯技术效率分析

图2 十城市2013—2017 年纯技术效率统计条形图

区别于CCR 模型，BCC 模型得出的纯技术效率可以排除实际生产中不确定环境因素的存在，得到理论生产函数的纯技术效率，从而用于表示决策单元的投入要素配置是否达到最优。

DEA 纯技术效率出现上升趋势的决策单元：南京市。纯技术效率呈增长趋势，与其综合效率趋势相近。

DEA 纯技术效率在1 附近的决策单元：上海市、合肥市、芜湖市、杭州市、绍兴市、无锡市。这些城市的规模以上工业企业在现有投入要素配置下已经达到了资源利用最优化。

DEA 纯技术效率出现下降趋势的决策单元：宁波市、苏州市、常州市。上述城市纯技术效率呈持续下降趋势，但降幅小于综合效率降幅。

（三）规模效率分析

图3 十城市2013—2017 年规模效率统计条形图

将结果制作成图3，并依据其依据变化趋势进行分组处理。

DEA 规模效率为1 的决策单元：上海市、合肥市、芜湖市、杭州市、绍兴市、无锡市。可以观察到规模效率出现波动的芜湖市与杭州市，其波动程度与综合效率无异。

DEA 规模效率下降的决策单元：宁波市、南京市、苏州市和常州市。观察图1、图2、图3 可以发现这四个城市的规模效率下降幅度都接近综合效率的下降幅度。

（四）创新效率分析综述

三图对比可以得到，上海市、合肥市、芜湖市、杭州市、无锡市这些决策单元在现有资源配置条件下已经做到DEA 有效。其中，上海市作为我国极具代表性的创新型城市，其决策单元投入要素与产出要素的量基数大且都保持“稳中有增”，同时一直保持DEA 有效。因而，对于进行创新效率优化的各个决策单元，上海市规模以上工业企业是一个较为优秀的参考借鉴对象。宁波市综合效率持续下降的主导因素显然是规模效率的大幅下降，同时不能忽略宁波市纯技术效率值长期处于0.5 且以微小幅度下降的分析结果。南京市的综合效率与纯技术效率均小幅上升，但其规模效率却出现了下降。苏州市的规模效率一直维持在0.9 以上，但纯技术效率持续较大幅度下降至小于0.4，故其综合效率也处于一个较低的水平且持续下降。而常州市2013—2016年的综合效率持续下降成因较为复杂，其综合效率与纯技术效率都经历了先上升后下降的过程，但2016-2017 年综合效率的“断崖式下降”则是规模效率大幅下降引起的。

四、投影改进

（一）基于气泡图的决策单元投入要素改进方向研究

图4 城市PTE、SE 波士顿矩阵

根据上文对图表的分析结果，各个决策单元的创新效率对其纯技术效率与规模效率的变动反馈程度各不相同，较难确定政策调整与效率改进的主导方向。对于这样的情况，本文拟采用改进后的波士顿矩阵来反映其创新效率的变动主导因素。以纯技术效率为水平轴、规模效率为垂直轴并分别选取0.75 为纯技术效率的分界标准线，0.95 为规模效率的分界标准线。由这两条线将十个决策单元分为四个部分，具体分类如下：

全面调整型：纯技术效率与规模效率均低于标准线值的。

企业规模调整型：规模效率低于标准线值但纯技术效率高于标准线值的。

技术因素调整型：纯技术效率低于标准线值但规模效率高于标准线值的。

维持增长型：纯技术效率与规模效率均高于标准线值的。

由波士顿矩阵可以看出，除苏州、宁波、常州、南京外的决策单一均为维持增长型，这并不说明这些城市不需要进行调整，而是应该使这些城市的纯技术效率与规模效率都从弱DEA 有效转化为DEA有效。

（二）对决策单元投入要素冗余量的投影改进

利用改变投入产出量的投影理论，可以找出投入因素的冗余量与产出因素的缺少量，从而更有针对性地调整冗余的投入要素，将DEA 无效或弱DEA有效的DMU 转换为有效DMU，从而做到利用率最大化。

对于调整型的四个决策单元，显然其规模效率都未能达到DEA 有效，但规模效率的调整难以用量化数据说明，因此本文仅选取纯技术要素的调整，即投入要素的调整量进行说明分析。

应注意的是，投影改进的建议仅针对投入要素进行调整，规模因素与环境因素并不在投影改进的范围内，所以投入要素调整值为0 并不代表创新要素不需要调整，而是代表在当前投入要素配置下应调整环境因素与规模因素，而非调整投入要素。

调整的数目代表了该市要达到DEA 有效所需调整的投入、产出数量，对于投入要素的调整指的是当前状态下该投入要素的缺少量，对于产出要素的调整是指当前状态下该产出要素应该增加的量。

四项指标单位分别为：人、万元、项、件。

五、启示

综合上述分析结果，本文得到以下启示。

（一）各市应因地制宜，根据自身情况进行创新资源配置的调整

宁波市、苏州市均应注重自身R&D 人员冗余的问题，对持续存在的冗余情况做出相关调整，同时宁波市还应注重企业规模的调整，转变企业规模持续下降导致综合效率下降的局面。而南京市与常州市则应对R&D 经费投入进行精简配置，资金出现冗余也不利用创新效率的提高。

表3 2013—2017 年四个决策单元要素调整表

（二）市与市创新部门之间可以形成相关的组织或定期进行工作交流与资源交换

这类措施不仅可以使城市之间相互借鉴经验，同时可以对某些资源进行区域化配置。创新人员资源冗余的城市可以与创新人员资源不足的城市进行沟通，做出相应举措，同时提高两地创新效率。例如，投入资源冗余导致综合创新效率不高的城市可以将自身冗余的资源通过政策向高产出低效率的城市引导，以解决资源分配失衡给两省或多省带来的效率与产出问题。

（三）政府应加强创新环境建设，引导相关产业积极性

综合本文图表可以发现，影响创新效率的因素不仅仅为创新资源，创新环境也是因素之一。除去企业内部管理因素，政府对创新的引导与保护必不可少，需要充分调动从业人员的积极性，对新产品的技术市场进行适度补贴，逐渐使产出要素短缺值缩小，提升DEA 效率。同时，应根据实际情况增加对创新工作的投入，从基础资源配置上对创新工作给予支持。

（四）现有的区域创新效率研究体系在指标选取与数据描述方面趋于固化

在指标选取方面，大部分研究都使用了相同的几个指标，而没有对新指标进行相关性检验并对新指标进行研究。而同时对于创新效率的研究数据多使用统计性描述而非原始数据，可能会导致政策制定时以偏概全，忽略效率问题的次要原因。

（五）对于区域创新效率的理论研究中容易忽略各区域实时政策调整对数据的影响

创新效率研究中绝大多数方法以数据为基础进行进一步分析，但往往遗漏实时政策会对数据产生影响进而造成结果差异的事实，所以，实时政策这一影响因素在今后的区域创新效率研究中如何进行综合考量，是研究者不应忽略的问题。