基于交叉效率DEA模型的中国省域科技创新效率评价研究.docx

?

?

基于交叉效率DEA模型的中国省域科技创新效率评价研究

?

?

廖友国沈波

摘要：创新是引领发展的第一动力，充分认识当前科技创新水平，是提升创新能力的必要前提。本文利用交叉效率DEA模型，对2015年中国三十个省（市）进行科技创新效率評价，有效避免了传统DEA模型中决策单元的效率值整体偏高、与实际情况出入较大、多个决策单元效率值相同无法相互比较等缺陷，得出我国整体科技创新效率处于中等水平，高创新效率的省（市）主要集中在东部及沿海地区，中等创新效率的省份集中于东北部和中部地区，西南和西北地区相对落后等结论；在此基础上划分出五种科技创新类型：高投入高效率型、中投入高效率型、中投入中效率型、中投入低效率型以及低投入低效率型，并对各自典型代表省（市）进行了分析。

关键词：科技创新效率交叉效率数据包络法

一、引言

创新是中国未来转变发展方式的新动能、是提升经济质量和增强国际竞争力的主要推动力，习近平总书记在党的十九大报告中指出：以科技创新为核心，坚定不移地实施创新驱动发展战略，是决胜全面建设小康社会，夺取新时代中国特色社会主义伟大胜利的重要环节。

目前我国整体创新能力在世界上提升至了第22名，但区域之间的创新能力还存在着比较大的差异。迄今为止，已有不少的专家学者就我国的区域创新水平进行了深入的研究。曹霞等人（2015）从绿色低碳视角出发，对中国三十个省市在十年内的面板数据进行创新效率实证分析，指出中国各个区域还普遍存在着无效率现象；马大来等人（2017）基于空间经济学视角，发现中国的区域创新效率具有明显的空间自相关性与集群趋势；刘军等人（2017）指出协同创新效率存在着空间异质性，邻近地区协同创新效率的提高可以显著地提高本地区的协同创新效率；乔元波等人（2017）结合三阶段DEA和DEA—Windows法，解决了某些区域因技术效率始终为1而无法观察其时间纵向变化的问题；尤瑞玲等人（2017）利用Malmquist指数分解和Ward聚类分析法发现我国沿海地区科技创新效率的提高主要依赖于技术效率的提高，科技创新效率的高地与经济增长速度不完全成正比。

数据包络法（dataenvelopmentanalysis，DEA）因其客观性、可操作性以及模型的易扩展性等优点泛应用于多维评价指标体系中，是当前评价效率的主要方法之一。目前大多数DEA模型都基于“自评系统”展开评价，在实际运用中就往往出现多个决策单元的效率值为1而无法相互比较的情况，为克服这一缺陷，本文引入交叉效率DEA模型，充分结合“自评”和“他评”的信息，从而提高科技创新效率评价的科学性与合理性。

三、实证分析

本文基于数据的可比性、易获取性等原则，从国家科技统计年鉴的统计指标中展开评价指标的选择。科技力量的投入以人力和财力为基础，考虑到研发活动在科技活动中处于核心地位，故而选取了“RD;人员当时全量”和“RD;经费内部支出”两个指标，它们是科技创新投入中最直观的数据；科技产出通常划分为直接产出和间接产出两个方面，直接产出指标在此选取了“国外主要检索机构收录科技论文数”和“专利申请受理量”，间接产出指标则选取“技术市场成交额”和“高技术产品出口额”，利用这六个指标，构建出中国省域科技创新效率评价指标体系，如表1所示。

本文选取2015年中国内地三十个省（由于数据的缺失未选取西藏）的数据进行科技创新效率评价，数据来源于《中国科技统计年鉴》。利用Matlab程序计算出三十个省在2015年的交叉效率值，并与传统CCR模型结果进行比较，如表2所示。

从表2中可以看出，采用传统BCC模型求出的各省市科技创新效率值中，存在多个决策单元效率值等于1的省市，比如北京与上海，它们之间无法进行比较，同时，广西、甘肃、青海的效率值也为1，这明显有悖于实际情况。

在引入了交叉效率之后，不再出现效率值等于1的情况，因而不同省市之间可以进行相互比较和排序。其中，全国平均效率值为0.4682，表明我国整体科技创新效率处于中等水平；东北部和东部整体科技创新效率分别为0.563和0.5581，高于全国平均值；中部地区的科技创新效率略低于全国平均值；西部地区的科技创新效率与东部、东北部地区差距相对较大，但陕西、四川两省却表现优异，排名分别达到了第6位和第8位。以0.6和0.4两个值为分界点，将科技创新效率分为较高、中等以及较低三个类型，国内三十个省（市）分布状况如表3所示。

从表3中可以看出，高创新效率的省（市）主要集中在东部及沿海地区，中等创新效率的省份集中于东北部和中部地区，西南和西北地区相对落后。结合各省（市）实际科技资源投入产出情况，本文划分出五种主要模式。

高投入高效率模式。北京、上海、广东、江苏、浙江及山东六个省（市），其两个科技投入和四个科技产出指标均在全国的排名前十位，属于国内经济发