罗啸潇 王婷

摘 要：我国产学研正迈向协同创新合作模式，但各省、市及自治区发展程度不同，协同创新效率有着较大的差异。文中运用三阶段Super-SBM模型和Malmquist指数测度了我国30个省、市及自治区2010—2016年的产学研协同创新效率，研究发现处于效率前沿面的较少，且呈现明显的东部高于中西部的态势。外界环境对不同地区造成的影响各异，环境变量的增加对效率值并没有完全的正向促进作用，多数省市在剔除环境变量之后效率值有所下降，而西部地区受外部环境影响最为显著，中部次之，东部最小。全国效率值总体有所上升，全要素生产率呈曲折上升的趋势，且环境变量只影响全要素生产率的具体数值，不改变其大体变化趋势，而科技创新能力是影响产学研协同创新的主要因素。结果表明：全国多数省市产学研协同创新效率值存在一定程度的高估，且整体效率值不高，仍有改进空间。

关键词：科研管理;产学研;协同创新效率;三阶段DEA;Super-SBM模型;Malmquist指数

中图分类号：G 646

文献标识码：A 文章编号：1672-7312（2020）04-0336-08

Abstract：Chinas industry-university-research institute is moving towards a collaborative innovation cooperation model，but the development and the efficiency of collaborative innovation in provinces and cities is quite different.This paper uses the three-stage Super-SBM model and the Malmquist index to measure the efficiency of industry-university-institute collaborative innovation in 30 provinces and cities from 2010 to 2016 in China.The study found that among the provinces and cities，there are fewer provinces and cities that are on the frontier of efficiency，and the trend is obviously higher in the east than in the midwest;The impact of the external environment on different regions is different;The increase of environmental variables does not completely promote the efficiency value;Most provinces and cities have reduced the efficiency value after excluding environmental variables;The western region is most affected by the external environment.Followed by the middle and the smallest in the east;The national efficiency value has generally increased，and total factor productivity has shown a tortuous upward trend;Environmental variables only affect the specific value of total factor productivity，and do not change its general change trend;Science and technology innovation capacity is the main factor affecting collaborative innovation of industry，university，and research institutes.The results show that the efficiency value of collaborative innovation of industry-university-research in most provinces and cities in China is overestimated to a certain extent，and the overall efficiency value is not high，and there is still room for improvement.

Key words：research management;industry-university-research;collaborative innovation efficiency;three-stage DEA;super-SBM model;malmquist index

0 引言

科学技术的发展及其创新成果是衡量综合国力的重要指标，努力建设知识产权强国，已成为我国知识产权战略行动的新目标[1]，产学研协同创新是科学技术发展的重要途径。近年来，知识、技术以及科技创新能力成为企业的核心竞争力，仅靠企业自身的创新已经无法满足时代的发展，产学研合作因此成为备受瞩目的一种合作模式。在该模式下，高校与科研机构提供创新成果，企业对成果进行转化，有效地解决了企业创新能力不足的问题，并减少了科技创新的风险与成本，有助于其保持创新成果的先进性与实用性。与此同时，我国产学研合作得到了良好的发展，科研经费和人员的投入显著提升，一系列政策的出台也推进了产学研合作度。而资源投入的增加却并未显著提升创新成果的产出，我国产学研三大主体在协同合作中依旧面临合作程度不高，协同创新效率低的情况[2]，研究各地区产学研合作效率对探索产学研协同创新的提升路径尤为重要。国内外学者从不同的视角探讨了产学研合作问题，Anderson[3]的研究表明，开发新的技术、集聚新的资源和转换研究成果是产学研协同合作过程中的主要步骤，因此评价产学研的绩效需要对各个方面进行综合评价。Bonaccorsi[4]认为应从主观和客观2个方面的指标进行产学研合作效率评价。Mikel和Joost[5]发现高校和研究机构对欧洲区域创新有显著影响。原长弘和张树满[6]分析了陕西省产学研协同创新存在的问题。张巍和华贤[7]运用演化博弈的方法研究了产学研协同创新的利益分配问题。李玲和封峰[8]分别从不同的子系统对产学研协同创新关系进行了检验。肖丁丁和朱桂龙[9]用SFA分析了广东省企业的面板数据。叶佳等[10]基于DEA的方法对全国产學研主体合作效率进行了研究。陈光华等[11]基于DEA-Tobit两步法进行不同行业的合作效率测度。董锋等[12]对各省产学研协同创新效率运用DEA中的SBM超效率模型进行测度。陈怀超等[13]用Malmquist指数计算了我国中部地区省份的效率。李明和李鹏[14]用两阶段网络DEA研究了创新与发展的关系。黄菁菁[15]结合链式网络DEA和Tobit计算协同创新效率。

综上，目前的研究方法未能同时考虑DEA有效决策单元的效率具体数值、松弛变量的影响以及环境因素的干扰，从而无法得出更符合实际情况的效率值。基于此，文中结合三阶段的超效率DEA和SBM（Slack Based Measure）模型以及三阶段的Malmquist指数对各省、市及自治区产学研协同创新效率的差异进行测算分析，以期找到影响产学研协同创新效率的因素及作用机制，为我国产学研合作路径的提升提供理论依据和研究方法。

1 模型及研究方法

1.1 Super-SBM模型

传统DEA对效率值大于1 的决策单元不能计算具体数值，也就无法给出准确排名。超效率DEA解决了这个问题，对于有效的决策单元，按照投入变量增加的比例提升效率值。超效率DEA模型分为径向和非径向，现实情况中投入和产出并非同比例变动，径向模型在测量效率值会有偏差，非径向DEA则考虑了松弛变量，计算的效率值更精准合理。文中选择Tone[16]提出的规模报酬可变的Super-SBM模型，模型的数学式如下

1.2 Malmquist指数模型

Malmquist.S提出了Malmquist指数，Caves等[17]学者基于此提出了Malmquist生产率指数，Fare[18]将其应用于DEA中，模型如下

模型中Tfpch为全要素生产率变化，Effch，Pech，Sech，Techch分别为技术效率、纯技术效率、规模效率、技术进步变化对全要素生产率的影响。

1.3 随机前沿模型

Fried等[19-20]学者提出了随机前沿模型，在三阶段DEA中用于分离环境因素、管理无效率和随机扰动项，以剔除它们对决策单元的影响，其数学公式如下

1.4 研究方法

第1階段，基于Super-SBM模型计算各省、市及自治区的效率值及其Malmquist指数，得到未经调整的各省、市及自治区产学研协同创新效率。第2阶段，以第1阶段投入变量冗余为因变量，环境影响、管理无效率项和随机扰动项为自变量做相似SFA回归，以将各省、市及自治区置于相同外部环境中。第3阶段，将第2阶段调整后的值替换第1阶段的值再进行效率值与Malmquist指数的计算，在剔除了环境影响和随机扰动项的干扰后所得到的值与实际情况更为相符。

2 指标选取与来源

2.1 投入指标

指标的选取需要判断其是否能准确地反映产学研合作力度，以及指标的权威性和可获得性，学者们常以人力和财力作为衡量地区产学研科技投入的指标[12，21-22]。人力资源投入代表了从事相关活动的群体规模大小，大部分学者在身兼教学职位的同时也投身于科研事业，所以R&D人员全时当量能精确地反映科研人员的数量。经费的投入强度更能反映一个地区对科研资金投入的重视程度，投入经费的具体数值则用R&D外部经费对产学研主体的支出来衡量，其包含了三大主体间相互委托和合作所支出的经费，体现了产学研的合作关系。

2.2 产出指标

鉴于产学研协同创新的特殊性，学者们认为应从科技产出和经济产出2个方面考虑产出水平[23-24]。

授权专利能体现研究成果所转化成的实际产出，所以用专利授权数来度量一个区域发明创新技术与方案的能力。产学研合作研发的新技术和新知识最终要转换为实际收入才能体现其最终的经济价值，于是选取技术市场成交额来体现技术合同和知识产权所带来的经济收益。我国在国外主要检索工具上发表的论文能在一定程度上代表我国进行高水平科研活动的能力，较为客观地反映了地区科研成果的产出情况。

2.3 环境指标

在环境指标的选取上目前国内相关的论文不多，没有明确的指标体系。环境变量是影响产学研协同创新效率的因素，但区别于传统的投入变量，环境变量是不可控的，或者在短时间内没有办法做较大的变动。根据环境变量的特点，文中创新性地选择普通高校、科研机构数量和规模以上工业企业总资产作为环境变量。科研活动大都是在高校或者科研机构内进行，或者需要这两者提供所需的客观条件，而高校和科研机构数量能代表一个区域内从事科技研究与创新能力单位的规模，且各地区的发展水平也能通过这2个指标有所体现。企业有多少能力能够参与产学研的合作创新，一定程度上取决于企业的组织规模和运营状况，经营良好又有规模的企业可能投入更多的资金进行合作，并以此提高企业新技术和新知识的产出，因此规上工业企业的总资产能整体反映这一情况。

综上，所有指标都围绕产学研三大主体之间的协同创新进行选取，较为科学地反映了产学研的协同创新效率，见表1，指标与数据选自2010—2018年的《中国科技统计年鉴》和《中国第三产业统计年鉴》。2011年以前“规模以上工业企业”的统计名称为“大中型工业企业”，但对实证分析的影响可忽略不计[24]，因此文中采用相同处理方式，参考其他文献规定时滞期为一年[25-26]。

3 实证分析

3.1 第一阶段

第1阶段借助DEA-SOLVER pro 5.0软件计算效率值，DEA P 2.1软件计算Malmquist指数，分析了全国30个省份（西藏地区数据缺失）的数据，得到了各个省份的综合结果见表2。效率方面，从表中可以看出，在未剔除环境因素和噪声干扰的前提下，北京市的每年的综合效率排在第1位，效率均值最低的为山西省，效率均值极差为1.45。2010—2016年间每年达到效率前沿面的省、市及自治区数量平均约为12.86，而综合效率均值大于1的省市只有9个，数量不及所有省、市及自治区的三分之一。所有年份均处于效率前沿面的省市有北京、江苏、黑龙江、陕西。分地区看，除了2014年西部地区的效率均值大于中部地区外，其余年份的效率值均为东部>中部>西部的状态，且东部地区每年的效率值都高于全国平均值，中部地区在2013和2014年的效率值低于全国效率值，而西部地区的效率值一直低于全国水平。Malmquist指数方面，全国全要素生产率的各项子指标的值均大于1，总体呈上升趋势。东部地区的技术效率和纯技术效率有略微降低，中部地区的技术进步尚有改进空间，西部地区的不足则在纯技术效率方面。

3.2  第二阶段

运用Frontier 4.1软件做相似SFA的相关回归，见表3，3个投入变量分别对应3个方程。随机前沿分析的模型是否设置正确主要看单边广义似然比检验是否通过，从结果来看，所有方程的LR统计量均至少在α=0.01时拒绝原假设，表明使用随机前沿模型是有必要的，即模型设置正确。方程的γ值均接近于1，说明管理无效率项存在，并且是导致效率低下的主要原因，而随机扰动项对于效率基本无影响。所有环境变量对R&D人员全时当量投入冗余的回归系数为正，说明环境变量增加，R&D人员全时当量投入的冗余值越大。规上企业资产总计和研究机构与开发数的增加会导致R&D经费投入强度冗余的减少和R&D外部经费对产学研主体支出冗余的增加。而普通高等学校数的增加则与其相反，会增加R&D经费投入强度冗余和减少R&D外部经费对产学研主体支出冗余。通过上述分析，根据相似SFA的结果对投入变量进行调整，以消除外部环境因素和随机扰动项的影响，让各省、市及自治区处于相同的外部环境中进行分析，从而得到更加切合实际情况的产学研协同创新效率。

3.3 第三阶段

根据上一阶段求得的结果，在排除环境变量和随机扰动项的影响后，重新调整投入变量的数值，再次计算综合效率和Malmquist指数，得到第3阶段的综合数据。从表4结果来看，各省、市及自治区的效率值较第1阶段都有所不同，说明产学研的协同创新效率的确受到了环境因素的影响，且各省、市及自治区受到的影响具有显著性差异。大部分省、市及自治区的产学研协同创新效率较未剔除环境变量之前有所下降，全国均值从0.842下降到了0.712。效率较第1阶段有所上升的省、市及自治区数量平均每年为5个。效率均值最高的依旧是北京，最低为宁夏，极差为1.848，差距进一步扩大。分地区看，在调整投入变量之后，各年份效率值都呈现东部>中部>西部的態势，对各地区的效率值进行分析，西部地区的效率值与第1阶段相比下降最多，说明环境变量对西部地区造成的影响最大，其次是中部地区，对东部地区的影响最小，且只有西部地区效率的平均值低于全国平均值。从各省、市及自治区来看，与第1阶段相比北京市每年的效率值都有上升，所有年份效率值均大于1的省市有北京、江苏和陕西。效率值大于1的省、市及自治区平均每年为9个，效率均值大于1的省市有6个，分别为北京、上海、江苏、浙江、湖北、陕西。这些省市中，除浙江省外，其余省份为拥有“985工程”高校和“211工程”高校数量最多的5个省市，除江苏和湖北的高等学校数量处于前十，其余均排在10～20名之间，说明提升高等学校的质量才能带来产学研协同创新效率的同步提高。在一些经济发展较好的省、市及自治区中，浙江省有着处于前列的专利授权数和国外主要检索工具中科技论文数，而天津和福建的效率值较为落后。通过分析发现，天津市有全国第3的R&D经费投入强度，专利授权数和国外主要检索工具中科技论文数却不及全国平均水平，福建省则是技术市场成交合同金额和国外主要检索工具中科技论文数远低于全国平均值。环境变量对各省、市及自治区中影响最大的是青海，平均效率值从0.854下降到了0.129，广东省受到的影响最小。

调整后的Malmquist指数方面，分解指标中技术效率和规模效率值大于1，与第1阶段相比有所上升，而技术进步和纯技术效率则有所下降，且数值都小于1，表明创新知识和技能的产出以及技术成熟度略有不足，且存在一定程度的高估，全国全要素生产率下降了0.001，但总的来说在2010—2016年期间全国产学研协同创新效率还是实现了增长。分地区看，只有西部地区全要素生产率大于1，东部地区和西部地区的问题主要出现在技术进步和纯技术效率方面，中部地区则是技术进步影响了全要素生产率，并且从表5的数据来看，技术进步与全要素生产率的变化趋势基本相似，说明技术进步是影响全要素生产率的主要原因。全国共有17个省、市及自治区的全要素生产率大于1，超过全部数量的一半，大部分技术效率、规模效率和纯技术效率有所下降，而技术进步有较大的提升，说明科技创新与进步是导致产学研协同创新效率提升的关键因素。分析全要素生产率的变化情况，发现无论调节前后都是呈曲折上升的走向，说明环境变量只是改变了全要素生产率的数值，并未影响大致发展趋势。

4 结语

运用三阶段的Super-SBM模型和Malmquist指数对全国30个省、市及自治区进行测度后，对比排除环境因素和噪声干扰前后2个阶段的数据发现，我国产学研协同创新效率值总体呈上升趋势，但处于DEA有效的省、市及自治区较少，依旧有较大的改善空间。调整投入变量之后多数省、市及自治区效率值有所下降，说明大多数省、市及自治区调整前的产学研协同创新效率值存在一定程度的高估，各地区间的差异进一步扩大，呈现明显的东部>中部>西部的格局，相同地区省、市及自治区间的效率值也有显著差异，说明区域发展极为不平衡。西部地区在调整前后变化最大，即环境因素对西部地区造成了较大的影响，说明西部地区的发展很大程度上受经济水平和资源分配的制约。全要素生产率总体有所增加，技术进步是影响产学研协同创新效率的主要因素。

1）强化区域合作共享机制，建全产学研协同创新体系。中西部高校可向东部高校借鉴产学研合作创新的经验和模式，规划一条符合地区特有情况的产学研协同创新路径，而各地区协同效果好的省、市及自治区需带动周围城市发展。东部地区可向中西部地区提供对口援助，共享技术资源，确保知识传递有效及时，为企业培养更多的高技术人才。高校和科研机构的考核主要以高质量论文和研究课题完成情况为主，而科研成果需转化为经济收益才能为企业带来实际价值，将产学研协同创新成果纳入考核体系，以激励产学研主体间积极展开合作，提高科研成果产出效率。

2）以企业和市场为主要研究目标，确保产出丰富有效的科研成果。企业需向高校和科研机构提供资金及市场前沿资讯，为高校和科研机构的研究方向规划路线。有效利用政策，加大对科技活动的资金投入力度，同时调整各项科研经费投入比例。高校和科研机构要以市场需求为导向，以企业需求为目的，将研究重点放在能最大化收益的关键技术上，以增加技术市场合同成交额。寻求集成创新与技术突破，发明新型实用的专利，增加与企业和行业现状相关的论文产出数量，提高科技成果转化率。合作方式从短期合作向长期深层次合作转变，充分发挥不同高校和科研机构的学科优势，与多个高校建立合作关系，提供定向就业和实习岗位，避免高技术人才流失。

3）充分发挥政府宏观调控作用，推进协同创新平台建设。政府需对合作方的诚信进行监督，确保信息流动高效畅通，确保资金充分有效地利用，确保严格遵守条例规定，坚决打击学术不端和技术抄袭行为。完善政策，为西部地区科研人员提供补贴，吸引一部分人才向西部地区迁移;严格管控高校与研究机构数量，避免盲目提高数量而降低整体质量;对市场需求大的高新技术提供研究补助，引导各方攻克技术难关，提高科技创新能力，促进技术进步。搭建合作平台，推进产学研中介机构的建设，为合作参与方提供信息传递服务和合同保障。建立产学研协同创新基地和合作园区，吸引协同方积极参与，精确了解各方技术特点和需求，建立沟通合作桥梁，按照不同技术类型成立相应研究组，分门别类地进行高效率精细化合作，同时为跨技术行业提供了便捷可靠的合作路径，帮助产学研活动在多方合作中建立新型协同创新机制。

参考文献：

[1] 深入实施国家知识产权战略行动计划（2014—2020年）[N].中国知识产权报，2015-01-07（3）.

[2]樊 霞，赵丹萍，何 悅.企业产学研合作的创新效率及其影响因素研究[J].科研管理，2012，33（02）：33-39.

[3]Anderson T，Daim T，Lavoie F.Measuring the efficiency of university technology transfer[J].Technovation，2007，27（05）：306-318.

[4] Bonnaccorsi A.A theoretical framework for the evaluation of university-industry relationships[J].Management R&D，1994，24（03）：18.

[5]Mikel Buesaa，Joost Heijs.The determinants of regional innovation in Europe：a combined factorial and regression knowledge production function approach[J].Research Policy，2010，39（06）：722-735.

[6]原长弘，张树满.陕西省产学研协同创新的现状、问题及对策[J].技术与创新管理，2018，39（01）：4-9+39.

[7]张 巍，华 贤.产学研协同创新主体间利益协调问题研究[J].技术与创新管理，2017，38（05）：455-460.

[8]李 玲，封 峰.陕西省产学研科技创新系统协同发展实证研究[J].技术与创新管理，2016，37（02）：124-128.

[9]肖丁丁，朱桂龙.产学研合作创新效率及其影响因素的实证研究[J].科研管理，2013，34（01）：11-18.

[10]叶 佳，徐福缘，李 佳.产学研合作效率评价研究——基于DEA分析方法[J].技术经济与管理研究，2013（02）：21-24

[11] 陈光华，王建冬，杨国梁.产学研合作创新效率分析及其影响因素研究[J].科学管理研究，2014，32（02）：9-12.

[12]董 锋，树 琳，李靖云，等.产学研协同创新效率及提升路径研究[J].运筹与管理，2018，27（10）：185-192.

[13]陈怀超，张 晶，费玉婷，等.中部六省产学研创新效率对省域创新的影响——基于Malmquist指数与灰色关联度的分析[J].科技进步与对策，2018，35（20）：137-143.

[14] 李 明，李 鹏.产学研融合下的科技创新与经济发展[J].财经问题研究，2017（01）：41-47.

[15]黄菁菁.产学研协同创新效率及其影响因素研究[J].软科学，2017，31（05）：38-42.

[16] Tone K.A slacks-based measure of efficiency in data envelopment analysis[J].European Journal of Operational Research，2001，130（03）：498-509.

[17]Caves D W，Christensen L R，Diewert W E.The economic theory of index numbers and the measurement of input，output，and productivity[J].Econometrica，1982，50（06）：1393-1414.

[18] Fare R，Grosskopf S，Lindgren B，et al.Productivity changes in Swedish pharmacies 1980—1989：a non-parametric malmquist approach[J].Journal of Productivity Analysis，1992，3（01-02）：85-101.

[19]Fried H O，Schmidt S S，Yaisawarng S.Incorporating the operating environment into a nonparametric measure of technical efficiency[J].Journal of Productivity Analysis，1999，12（03）：249-267.

[20]Fried H O，Lovell C K，Schmidt S S，et al.Accounting for environmental effects and statistical noise in data envelopment analysis[J].Journal of Productivity Analysis，2002，17（01）：157-174.

[21] Buesa M，Heijs J，Baumert T.The determinants of regional innovation in Europe：a combined factorial and regression knowledge production function approach[J].Research Policy，2010，39（06）：722-735.

[22] 何郁冰，伍 静.中国省域基础研究效率的空间分布及其影响因素——基于空间面板数据模型的实证研究[J].研究与发展管理，2019，31（06）：126-138.

[23]王天擎，李 琪.基于RS-DEA的产学研合作效率评价模型[J].系统科学学报，2018，26（02）：126-130.

[24] 姜彤彤.省域范围内产学研协同创新效率评价及分析[J].学术论坛，2015，38（03）：168-172.

[25] Cruzcazares C，Bayona-Saez Cgarcia-Marcot.You cant manage right what you cant measure well：technological innovation efficiency[J].Research Policy，2013，42（06-07）：1239-1250.

[26] 仇冬芳，胡正平.我国省域产学研合作效率及效率持续性——基于省域面板数据和DEA-Malmquist生产率指数法[J].技术经济，2013，32（12）：82-89.

（责任编辑：王 强）