区域创新:创新效率（共12篇）
区域创新:创新效率 篇1
摘要：运用空间计量原理将中国大陆划分为十大区域技术创新集群,并通过三阶段DEA法剔除环境因素以及随机误差的影响,对2005-2009年十大区域技术创新集群技术发展效率进行研究。研究结果表明:中国形成了较为明显的区域技术创新空间集群,并且有继续强化的趋势;近几年大陆十大技术创新集群整体综合技术发展效率表现良好,高端集群与中低端集群之间技术差距也在逐年降低;虽然我国整体纯技术创新效率正逐年提升,但受到技术资源配置不均衡影响,我国中低端集群技术创新发展效率并未达到理想水平。
关键词：区域技术创新,空间计量原理,三阶段DEA模型
0 引言
区域创新能力是指一个地区将新知识转化为新产品、新工艺、新服务的能力,其核心是促进创新机构间的互动和联系,表现为对区域社会经济的贡献能力,其中科技能力和科技竞争力是区域创新能力的基础。随着经济全球化、世界信息化和知识经济带来的挑战,区域创新能力高低已逐渐成为地区经济拥有国际竞争优势的决定性因素。加强区域创新体系建设,提高区域创新能力,是增强区域竞争力的根本途径。改革开放以来,我国各地区表现出空前的创新动力,进而形成一系列能够有效凝聚生产要素、整合创新资源、使各创新主体有效互动的区域创新体系。事实证明,提升区域创新能力是推进区域创新体系建设的核心任务,区域创新能力的提升有利于地区经济的可持续发展。
但是已有研究表明,区域创新活动并不是均衡发展的,它往往是一些地区首先发展起来,然后再以其为中心扩展到其他相邻地区。以2005—2009年我国东中西部三地区R&D经费投入为例,这五年间东部地区科技投入费用远超过中西部地区投入费用之和,这就导致三地区科技创新所获得成果也有很大的差异。区域创新作为我国新时期的重点发展战略,其是否具有明显的区域特征?在空间上是否形成有效的集聚发展?倘若地理空间上形成了明显的区域创新集群,那么它们的创新效率如何?本文将针对这些问题进行探讨研究。
1 国内外相关文献研究
国外的区域创新理论的研究主要分为理论分析和实证研究两方面。理论方面以Cooke(1998)的研究为代表,主要包括区域创新系统的理论渊源、产生背景、类型分类,以及区域创新系统网络和创新环境[1]等方面的研究;实证分析则主要集中于区域厂商的创新活动(A Goto,2000)[2]、创新过程的合作伙伴(Philip Cooke,2002)[3]、区域地理位置和创新(Maryann P、Feldman,1994)[4]、以及区域产业集聚和创新(Baptista R,1996)[5]等方面的研究。国外学者认为,区域创新系统主要是由在地理上相互分工与关联的生产企业、研究机构和高等教育机构等构成的区域性组织体系,而这种体系支持并产生创新。
我国学者对于区域创新理论的研究起步较晚,始于20世纪90年代末,目前国内的区域创新研究主要以定性研究为主,例如:冯之浚、刘金友、刘曙光等人在各自的文章中都对区域创新的理论概念进行了论述。由于本文主要是通过数学方法来对我国地区创新能力进行分析,这里我们主要介绍相关的定量分析文章:柳卸林、胡志坚(2002)[6]建立一套综合的创新能力指标体系对中国的区域创新能力做出了一个基本判断,较为清晰地分析了中国区域创新能力演化过程;邵云飞、唐小我、陈光[7]运用聚类分析法对中国区域创新能力进行实证分析,从而得出技术创新能力与经济发展程度有较强的相关性;对于技术创新能力的区域特征,罗发友、刘友今、孙婷,范柏乃[8]等人则运用因子分析法、主成分分析等方法也进行了相关研究;而对于技术创新效率这一方面,孙宝凤、杨印生(2004),官建成、何颖(2005)[9],范群林、邵云飞(2011)[10]等人也采用数据包络分析模型对我国各区域的综合科技能力进行了分析。综上所述,近年来我国学者对于我国区域创新的研究逐渐全面化,取得了相当多的学术成果。
但是我们发现以上研究或多或少都忽略了地区在空间上的联系,将我国区域创新集群简单的划分为东中西部地区也过于笼统,另外采用传统的DEA模型来计算地区效率,研究结果与真实值之间也会存在一定偏差。
因此,本文将运用空间计量方法对我国区域创新集群进行较为详细的分块,并运用三阶段DEA模型对这几大区域创新集群的技术发展效率进行比较研究,进而得出相关政策建议。
2 我国区域创新集群划分
根据空间计量经济学原理方法,进行我国区域创新集群划分:首先,需在我国内地31个省区市间建立空间权值矩阵,并检验其是否存在空间自相关性(本文采用Moran’s I指数法);其次,根据空间聚类原理对表现出显著空间相关性的创新集群区域进行整理划分。
空间权值矩阵定义如下[11]:
式中,i=1,2,…n;j=1,2,…,n;本文采用空间计量研究中常用的K=4的最邻近空间矩阵标准。Moran’s I指数的计算公式为:
式中,Wij为二元空间权值矩阵中的任意元素值;n表示地区总数,本文n=31;xi、xj分别为地区i和地区j上的某一属性值。Moran’s I系数取值范围为-1～+1,趋近+1意味着各区域间存在着强烈的正相关性,0意味着不存在相关性,趋近-1意味着存在负的相关性。
虽然目前我国尚未能够形成统一的区域创新能力评估标准,但是从区域技术创新最终目的,即有效带动地区经济快速发展这一定义出发,本文以2009年我国内地31个省区市技术市场成交合同金额来作为判断地区科技创新能力高低的指标(定义为CXNL),并运用Geoda 0.9.5-i软件来对区域创新集群进行划分(西藏地区数据缺失,本文定义为0)。
研究结果表明,通过空间聚类分析,中国大陆区域创新集群被划分为3个等级:北京—天津—辽宁—山东、上海—江苏—浙江、广东以及四川—陕西—湖北,我国大部分区域技术创新都集中在这4个区域,我们可称之为区域技术创新高端集群;吉林—黑龙江、河北—山西—安徽—河南、福建—湖南、重庆—甘肃,这4个区域为区域技术创新中端集群;贵州—云南—广西—海南—江西、西藏—青海—宁夏—内蒙古—新疆,这2个区域则为区域技术创新低端集群。
另外,Moran’s I值为0.491 3表明,这几类区域创新集群划分均具有显著空间正相关性,这意味着伴随区域技术创新的不断发展,十大集群地区将表现出更加明显的空间集聚特性。
3 区域创新集群效率研究
为了进一步分析以上区域技术创新集群发展情况,本文将研究这些集群的技术发展效率高低。倘若研究结果表明,中低端集群发展效率高于高端集群,那么在未来一段时间内,东高西低这一现象将有可能逐渐消除,地区技术创新差异将逐渐降低。
3.1 三阶段DEA模型
三阶段DEA模型与传统DEA模型相比其主要是多了一个引入环境变量对传统DEA模型差额变量进行调整的过程,由于目前多数文献对DEA模型的介绍已经十分详细,本文则主要介绍三阶段DEA模型的调整过程[12]。
首先,根据传统DEA模型及各投入变量数据,建立各投入变量的差额变量值。令第k个观察单元的第n个投入值为Xnk,其差额值为Snk,则得到:
假设Snk是受到p个环境变量Zk=(Z1k,Z2k,…,Zpk)的影响,k=1,2,…,K。则可以通过SFA(随机边界法)来建立Snk与Zk之间的关系:
式中,Snk表示第k个决策单位第n项投入的差额值;Zk=[Z1k,Z2k,…,Zpk]表示p个环境变量,βn为环境变量的待估参数;fn(Zk,βn)表示环境变量对投入差额值Snk的影响方式,一般取fn(Zk,βn)=Zkβk。Vnk+Unk为复合误差项,Vnk表示随机干扰,并假设服从Vnk～(0,σ2vn)的随机误差项;Unk表示管理无效率,并假设Unk服从截断正态分布,即Unk～(μn,σun),Vnk与Unk独立不相关。
利用以上模型将调整结果引入原始投入项,将所有决策单位调整到相同的虚拟环境条件,并剔除随机干扰的影响。
式中,X*nk为调整后的投入量;Xnk为原始投入量;Zk为环境变量观察值;βn为待估算之未知参数;Vnk为第k个DMU在第n个投入时,其生产过程的随机误差。最后再将调整后的投入值带入DEA模型,进而就可以测算出新的反映各决策单位效率值。
3.2 效率测度指标体系构建
基于我国技术创新能力特点以及数据的可获得性,本文以2005—2009年我国内地31个省区市R&D人员数、R&D经费投入、地方财政科技拨款作为区域技术创新能力测度的投入类指标;以专利申请授权数、国内中文期刊发表篇数、技术市场成交合同金额以及高技术产业规模以上企业产值作为区域技术创新能力测度的产出类指标。
纳入多余的环境变量或缺少必要的环境变量,都将会对调整后的效率值有所影响,因此本文在考虑区域技术创新发展特点基础上,选取以下4项作为环境变量:地区经济发展水平(GDP),直接用地区GDP来衡量;城镇化率(CZHL),本文采用非农人口与总人口之比来衡量城镇化率;经济开放度(JJKF),本文以地区出口总额占GDP的比重来衡量经济开放程度;地理环境(DLHJ),本文以取值1表示平原地区,取值0表示山地、丘陵地区。
本文所需数据均来源于2006—2010年《中国统计年鉴》、《中国区域经济统计年鉴》以及中国科技统计数据库。
3.3 区域技术创新集群效率测算
表1为我国区域技术创新集群第一阶段效率值以及第三阶段效率值与产出项之间的相关性检验(本文运用SPSS软件来进行Spearman检验),表中CE表示区域技术创新集群的综合技术效率,TE表示集群纯技术效率,AE表示集群技术配置效率,三者关系为:综合技术效率=纯技术效率×技术配置效率。计算结果表明,第一阶段以及第三阶段各项效率值与4个产出项均为正相关,显著程度均大于10%。并且三阶段各效率值与产出项的相关程度总体上要略高于一阶段。这就表明,在剔除了环境因素影响后,效率越高的区域技术创新集群有更高的技术效率值,第三阶段DEA结果更能够真实反映实际情况。需要说明的是,为了能够对这十大集群进行有效排名,本文第三阶段采用了超DEA模型来计算。
注:***表示通过1%显著性检验,**表示通过5%显著性检验,*表示通过10%显著性检验。
如表2所示,在剔除环境因素和随机因素影响后,2009年大陆十大技术创新集群综合技术效率表现为有效的区域为:北京—天津—辽宁—山东、上海—江苏—浙江、广东、四川—陕西—湖北、重庆—甘肃以及贵州—云南—广西—海南—江西等六大区域,其中东、西部地区各有3个集群,同时,北京—天津—辽宁—山东技术创新集群表现出最高的综合技术效率水平。其余剩下的4个集群均未能够达到综合技术效率有效标准,河北—山西—安徽—河南集群表现出最低的综合效率水平。同理我们可以看到,我国技术创新集群纯技术效率较高的集群普遍在西部地区,技术配置效率较高的集群普遍在东部地区。
2005—2009年大陆十大区域技术创新集群综合技术效率整体上有一半达到效率有效,并且东部地区技术创新集群综合效率平均值仍远高于中西部地区集群平均值,虽然从2007年开始差距有缩小趋势,但仍然存在改善空间。从区域技术创新集群个体角度分析:在2005—2006年我国区域技术创新集群综合效率最高的为广东,远高于第2位的北京—天津—辽宁—山东集群,但是随着近几年国家对渤海湾地区技术投入的提高,从2007年开始两集群间差异就逐渐缩小,到了2009年环渤海技术创新集群首次超过了珠三角集群;中西部地区中重庆—甘肃区域技术创新集群综合效率远高于其他地区,总体上保持在全国第3位;吉林—黑龙江和河北—山西—安徽—河南集群在2005—2009年综合技术效率均表现不太理想,始终在0.5～1.0徘徊。需要说明的是,上海—江苏—浙江集群在这5年的发展期间,其综合技术效率有明显提高,2005年该集群为综合效率无效,但到了2009年则明显超过了1.0。
就2005—2009年地区创新集群纯技术效率而言,受西部地区创新集群技术创新基数较低影响,西部地区技术创新集群纯技术效率平均值远高于东中部地区集群平均值,但两者间的差距正逐年下降,另外中部地区技术创新集群纯技术效率在观察期间表现仍不是十分理想。从区域技术创新集群个体角度分析,在2005—2009年我国区域技术创新集群纯技术效率最高集群始终为西藏—青海—宁夏—内蒙古—新疆集群,另外,四川—陕西—湖北和重庆—甘肃集群分别为第2和第3位;其余的技术创新集群纯技术效率基本上保持在同一水准层面。
而2005—2009年大陆十大区域技术创新集群技术配置效率发展趋势则类似于综合技术效率发展模式,即东部地区技术创新集群技术配置效率平均值要高于中西部地区集群平均值,且有逐年上升趋势。另外,中西部地区技术创新集群技术配置效率整体差异不大,均表现为准有效水平(接近1.0)。从区域技术创新集群个体角度分析,排名前2位的集群为北京—天津—辽宁—山东和广东集群,两者在2005—2009年技术配置效率变化趋势类似于其综合技术效率发展模式。需要说明的是,西藏—青海—宁夏—内蒙古—新疆和四川—陕西—湖北集群的技术配置效率远低于我国其他集群,与北京—天津—辽宁—山东和广东集群差异尤其明显,这在一定程度上反映出我国区域技术创新资源分配上存在一定问题。
4 结论与相关政策建议
本文运用空间计量原理将大陆划分为十大区域技术创新集群,并通过三阶段DEA法剔除环境因素以及随机误差的影响,对2005—2009年十大技术创新集群技术创新发展效率进行研究,研究结果表明:
虽然近几年在全国范围内加大了技术创新投入,并且取得了良好的效果。但是受到地理环境、基础条件等相关因素影响,我国区域技术创新能力分布并不平衡。近几年我国区域技术创新形成了具有明显空间地理特色的集群,本文根据集群技术创新程度高低将其划分为高端集群集合、中端集群集合和低端集群集合。其中高端集群集合主要集中于我国东部沿海地区,中西部地区只形成了唯一的高端技术创新集群———四川—陕西—湖北,中西部地区各省市形成的集群则主要集中于中低端集群集合中,尤其是西部地区几乎80%的省市都形成了具有地区特色的低端技术创新集群。
2005—2009年,这10个技术创新集群综合技术发展效率平均值为明显有效,其中北京—天津—辽宁—山东、广东、四川—陕西—湖北、重庆—甘肃等4个集群综合技术发展效率远高于其他集群。整体上高端集群技术效率均值要高于中低端集群,而导致不同等级集群技术效率差异的主要原因是技术创新投入规模上未能达到配置最优,即“高端集群拥有较高的技术投入、中端集群拥有一般技术投入、低端集群则为较低技术投入”的不合理资源配置体系仍然存在,严重阻碍了地区间技术创新的平衡发展,并且单从纯技术层面上分析,中低端集群并不落后于高端集群,甚至还远高于高端集群。虽然说近几年国家加大了对于西部地区物资、技术等方面的投入,并且东中西部地区技术创新集群差距也正在逐年缩小,但是仍未能形成最优技术创新资源配置。研究发现,东部地区集群(大部分高端集群区)在多年来技术创新发展影响下,当地纯技术效率已经处于动态稳定状态,而中西部地区集群受地区技术发展基数水平较低影响,当地的纯技术效率水平却相当高,因此我们认为,同样的技术资源投入中西部地区技术创新集群获得的进步将大于东部地区。
综上所述,虽然目前形成的十大技术创新集群间不论是技术资源配置还是技术创新程度上均存在明显差异,但是倘若能够在未来几年有效进行技术资源合理配置,那么缩小集群间差异进而形成具有不同地区特色、内部互相促进的国家技术创新系统将水到渠成。区域技术创新目前是学术界的研究热点,我国属于新兴技术创新国家,目前尚未能够形成一套合理的、符合自身国情的技术创新评价体系,因此本文所定义的区域技术创新指标体系也存在一定的不足,为了能够更好地研究我国区域技术创新集群发展,笔者将把构建区域技术创新指标评价体系作为下一步的研究内容。
参考文献
[1]Cooke P,Uranga MIG,Etxebarria G.Regional systems of innova-tion:an evolutionary perspective[J].Environment and Planning,1998(30):1563-1584.
[2]Goto A.Japan’s national innovation system:current status andProblems[J].Oxford Journals,2000(16):103-113.
[3]Cooke P.Regional innovation systems:general findings and somenew evidence from biotechnology clusters[J].The Journal ofTechnology Transfer,2002(27):133-145.
[4]Maryann P,Feldman.The geography of innovation[M].London:Kluwer Academic Publishers,1994:52-69.
[5]Baptista R.Research round up:industrial clusters and technologi-cal innovation[J].Business Strategy Review,1996(7):60-69.
[6]柳卸林,胡志坚.中国区域创新能力的分布与成因[J].科学学研究,2002(5):550-556.
[7]邵云飞,唐小我,陈光.中国区域技术创新能力的聚类实证分析[J].中国软科学,2003(4):113-118.
[8]范柏乃.城市技术创新透视——区域技术创新研究的一个新视角[M].北京:机械工业出版社,2004:24-33.
[9]官建成,何颖.基于DEA方法的区域创新系统的评价[J].科学学研究,2005(2):265-272.
[10]范群林,邵云飞.我国西南各省市环境技术创新效率研究[J].中国科技论坛,2011(2):89-94.
[11]Auselin L A.Warga patens and innovation counts as measures ofregional production of new knowledge[J].Research Policy,2002(31):1069-1085.
[12]黄森,蒲勇健.中国省域经济综合效率分析基于三阶段DEA模型的研究[J].山西财经大学学报,2010(3):23-29.
区域创新:创新效率 篇2
《报告》指出，同上一年前十位全部位于东部不同，20西部成都、中部武汉进入前十，西安、长沙、郑州、南昌、太原等中西部地区排位也普遍提升，这表征着中西部地区创新潜力正被快速激活，部分创新高地已具全国性竞争实力。创新热力呈“西进态势”，从各项指数中西部前3位排名来看，成都创新综合指数、环境指数、产出指数均排名第一，创新“投入-产出”效率表现尤为突出，成为内陆区域创新的标杆。
副省级城市和地级市作为我国区域创新系统中最重要的创新元，在集聚创新资源、串联创新网络、推进技术创新和管理创新、提升区域综合竞争力等方面具有极为重要的作用。
看排名：
成都进入年度区域创新综合指数排名前十 成为西部创新首位地区
《报告》中的创新综合指数则反映了区域创新的总体发展状况，由创新环境指数、创新投入指数和创新产出指数综合构成。在2016年评价年度中，《报告》显示，全国区域创新综合指数均值为66.55，有100个地区指数值高于平均值。年度区域创新综合指数排名前十位的优势创新元依次是：深圳、苏州、广州、南京、杭州、宁波、成都、武汉、无锡、珠海。
创新环境指数排名前十位的创新元依次是：深圳、广州、苏州、杭州、南京、成都、宁波、武汉、厦门、青岛。《报告》指出，区域创新综合指数的三大分项指数中，创新环境指数最为稳定，可看作区域创新的`“惰性指数”，激活难度较大。
创新投入指数排名前十位的创新元依次是：深圳、南京、珠海、武汉、太原、广州、西安、杭州、济南、厦门。据《报告》，在三大分项指数中，创新投入指数最为敏感，可看作区域创新的“活跃指数”。值得关注的是，《报告》还指出，在军民融合创新等方面具有独特优势的国家科技城绵阳，首次进入前30位榜单，排名第11位。
创新产出指数排名前十位的创新元依次是：深圳、苏州、宁波、广州、杭州、无锡、成都、佛山、温州、南京。
创新型区域网络可推动绿色创新 篇3
在人口趋密集、工业化程度趋高的地区，绿色创新就越显重要。现在，空气和水的质量问题已成为人类面临的严峻挑战，一方面需要加大可再生能源发电的比例，另一方面则需要严格控制各类运输车辆的尾气排放。
从投资角度讲，住房和交通是政府改善空气和水质的两个重要领域。首先，政府可通过设定新的建房标准来节省能源；其次，政府也可对节能省油的车型给予政策优惠。此外，在大城市增强公共交通系统运输，并鼓励居民环保出行，同样可减少尾气排放量，从而改善空气质量。
在亚太经合组织国家中，关于环境的税收总额占到了国内生产总值的1%到6%。不过，只有少数国家意识到，较低的边际收益税率和适当的环境税率对一个国家的国民生计和经济增长是不可或缺的。
创新与资本的聚集决定了经济的增长水平，在许多亚太经合国家，绿色创新以及通讯信息技术的绿色发展已成为国家战略。如今，很多通讯信息行业的公司开始研发更环保的产品，这是因为消耗传统能源与产生二氧化碳的产品所占市场份额正变得越来越小。当然，这也成为吸引优秀员工与研究者的资本之一——在谷歌美国总部，人们能清晰地看到公司正在使用的太阳能发电机。
促进新能源有效利用最简单的方式之一，便是要求企业在其官网公开新能源的利用量。政府应对企业新能源占总能源的消耗比例进行5年或10年的规划，或在这两个时间段设置最低标准，以快速启动新能源行业的竞争。政府可从大公司着手能源使用量化考评，并通过对大公司的支持从而改善整个供应系统内的中小企业能源使用情况。
区域集群也不失为解决可再生能源、绿色通信以及能源有效利用的良策。这个灵感来自于波特法则，即成立创新型区域性网络，并将此区域内的小型企业逐渐发展成大型企业的供应商。联合或者独立研究的效果可以通过专利的数目体现，而相关的创新效率则可通过每个公司每个员工取得的国际专利数来计算。
成功的区域集群一般都有特定的创新机动性，这需要通过以指定区域内一个公司的创新人员数来考量。最后，知识的输出与输入亦可以通过其区域内专利被外界区域引用的次数来决定，也就是说，外界引用此区域内专利技术的次数越多，则说明此区域的创新行为和结果被外界认可的程度。政府可对区域内关注环保的创新和研发给予财政支持。
欧洲国际经济关系研究所开发的全球可持续发展指数显示，2001到2010年这十年间，中国在可持续发展上取得了长足进步。如今，中国正面临发达国家在经济发展过程中所遇到的同样严重的环境问题。采取适当的检测指标，并出台政策引导，激发区域内的绿色创新意识，或可以成为中国化解这些环境问题的途径。（支点杂志2013年7月刊）
区域创新:创新效率 篇4
1 文献综述
自Freeman[3]提出国家创新系统概念及Cooke[4]提出区域创新系统概念后,国外诸多学者从不同维度对区域技术创新效率进行了研究。Sharma等[5]采用DEA方法研究探讨了包括22个国家在内的技术研发效率。Nasierowski[6]对欧盟2005年和2010年的科技创新效率进行比较,并提出改进创新联盟记分牌建议。Tom Broekel[7]运用涵盖德国270个劳动市场和4个行业的面板数据研究了R&D补贴对区域技术创新效率的影响。
就我国而言,学者们主要从区域层面出发对我国各省市的技术创新效率进行测度,所用方法可分为两类: 一类为参数方法,如张宗益等[8]运用基于对数型柯布 - 道格拉斯生产函数的随机前沿生产函数 ( SFA) 实证研究了我国区域技术创新效率; 龚雪媚等[9]运用基于柯布 - 道格拉斯生产函数及Bat-tese和Coelli模型的随机前沿分析方法计算得到我国30个地区的技术创新效率。在运用参数方法的基础上,部分学者开始注重对区域技术创新效率进行动态研究,如李婧等[10]利用收敛性分析对我国各省区市的技术创新效率总体变化趋势进行了研究。另一类是非参数方法,其中数据包络方法 ( DEA) 无需设定投入产出函数和权重假设,具有客观性,得到了广泛运用[2]。吴和成等[11]基于改进的DEA模型对我国区域R&D的相对效率作了评价研究; 官建成等[12]应用三阶段模型,基于DEA方法分别对创新活动的技术有效性、经济有效性以及综合有效性进行评价; 方爱平等[13]以DEA模型为主要分析工具对西部区域12个省市、自治区的科技投入产出效率进行了局部和全局性的比较分析。为改进DEA传统CCR模型对投入和产出指标权重分配不合理的缺陷,郭磊等[14]将DEA利众型交叉效率模型应用到区域技术创新效率评价中,并运用2008年的截面数据实证研究了我国31个省级行政区的技术创新效率。
创新资源特别是高质量的创新人才资源具有紧缺性和流动性,区域所拥有创新资源的质和量均会对区域创新的能力和效率产生影响,这导致各区域对创新资源具有一定竞争性,然而这种“竞争性”未能在现有文献的相关研究方法中得到充分体现。另一方面,我国各区域的技术创新效率不仅在空间上存在明显差异,而且在时间趋势上呈阶段性波动[1,8],用某一年份的效率值或多年效率均值难以体现区域技术创新效率的动态特征。总结发现,基于非参数方法的效率评价中动态研究相对缺乏。综上所述,本文从两个维度对DEA模型进行改进: 首先基于区域间对创新资源的竞争性,采用DEA对抗型交叉评价模型 ( Aggressive Cross Evaluation Model,ACE模型) 测度各区域各时点的技术创新效率; 其次综合考虑创新效率的时序差异和波动因素,运用差异驱动模型对区域技术创新效率进行动态评价。
2 模型与方法
2. 1 面向竞争的评价方法
数据包络分析 ( DEA) 方法广泛用于评价“多投入多产出”模式下决策单元间的相对有效性,其基础模型为Charnes等[15]提出的CCR模型。由于在采用CCR模型进行效率测度时,各决策单元的投入产出权重具有不合理性,且存在无法区分决策单元的优劣和效率改进空间的情况,Sexton等[16]提出交叉效率评价模型,用互评取代自评; 为了解决交叉评价模型中解的不确定性,Doyle等[17]进一步提出利众型和对抗型的交叉评价模型。以上两者均以决策单元的自评效率最大化为基础,其中前者将其他决策单元视为盟友,在交叉评价时同样追求其他决策单元效率最大化; 后者则视其他决策单元为竞争对手,在交叉评价时追求其他决策单元效率最小化。考虑到创新资源的有限性和流动性导致区域创新对资源的竞争性,本文选用DEA - ACE模型,该模型将各区域创新主体视为不同的决策单元。
设有n个决策单元DMU,DMUi( i = 1,2,…,n) 的投入和产出向量为Xi、Yi,与投入和产出向量相对应的权重向量为。令为利用DMUi测度MDUk( k = 1,2,…,n) 所得到的交叉评价值,V*i、U*i为DMUi利用CCR模型进行自评时所得到的解,但此时V*i、U*i并不是唯一解,导致Eik具有不确定性。在此基础上建立DEA - ACE模型:
利用模型 ( 1) 得到最优解V*ik、U*ik,进而求出ACE评价值。当k = i时, Eik为传统CCR模型中的“自我评价值”,由此形成ACE评价值矩阵E:
在矩阵E中,主对角元素Eii为决策单元的自我评价值,第i列为各决策单元对DMUi的交叉评价值,其值越大,说明DMUi的效率越高。现有研究一般用矩阵E的i列元素的均值测度DMUi的效率,记为E*i:
2. 2 动态评价模型
由于区域技术创新效率呈阶段性动态变化,如果仅运用某个时点的效率值进行评价则不能全面反映区域技术创效率; 历年均值虽然能够反映特定时间段内的区域效率水平,但没有考察效率变化的时序差异性和波动性。对此类由时序立体数据所支持的动态综合评价问题,钱吴永等[18]根据新信息优先原理认为可引入时序权重使得近期的评价值在动态评价中被赋予更高的权重,以体现新信息的重要性。郭亚军等[19]提出具有三次差异驱动特征的动态评价方法,即在横向上对各决策单元评的评价指标体系进行差异化赋权实现第一次差异驱动,在纵向上引入时序权重进行第二次差异驱动,运用各决策单元评价值的波动性实现第三次差异驱动。由于ACE模型已从横向上对各决策单元的评价指标体系进行差异化赋权,本文借鉴其中的第二次和第三次差异驱动方法,综合时序差异和不同区域的效率波动性差异建立动态评价模型。
假设DMU个数为n,在评价时间区间T = ( t1,t2,…,tp) 内决策单元MDUi运用ACE模型求解的效率为:
因为不同时刻的E*it对于测度DMUi的技术创新效率而言具有不同的重要性,故引入时序权重向量:Wt=(Wt1,Wt2,…,Wtp)>0,其中
为了测度各区域技术创新效率的波动性,引入效率变异指数:。其中Si、Ai为DMUi在评价时间区间内的效率标准差和效率均值。在考虑效率的波动性时,本文将波动性分为两类,即效率提升而引起的波动和效率下降而引起的波动,并针对不同性质的波动而建立奖励或惩罚机制。本文运用各区域技术创新效率的年均增长率 ( The AverageAnnual Growth Rate) 对效率波动属性进行判别,若的年均增长率为正值,则对该波动予以奖励; 反之则进行惩罚。建立如下模型:
其中,Di为DMU的区域技术创新效率动态评价指数,Ri为DMUi的创新效率年均增长率,μ1、μ2分别为hi、的权重,且μ1+ μ2= 1,0 < μ1,μ2<1,可由专家打分法获得。
3 变量与数据
区域技术创新效率是指在一定的区域创新环境下,单位创新投入获得的产出或者单位创新产出消耗的创新投入[1]。既有研究一般使用创新资本和创新人才的投入量来表示创新投入,将R&D经费支出和R&D人员投入作为衡量创新投入的指标[1,8,10]。本文用R&D经费支出、R&D人员折合全时当量作为投入指标,其中R&D经费支出反映了各执行单位实际用于基础研究、应用研究和试验发展的经费支出; R&D人员折合全时当量反映了参加R&D项目人员的全时当量及应分摊在R&D项目的管理和直接服务人员的全时当量。对于产出而言,现有研究主要用专利、论文、新产品销售收入、技术市场成交额等一个或多个指标进行表征[1,8,20]。本文用国外主要检索工具收入科技论文数、专利授权数、大中型工业企业新产品销售收入、技术市场成交额作为产出指标。国外主要检索工具收入科技论文数是指SCI、ISTP、EI三大权威检索工具收录所收录的论文数量,反映了创新活动所创造知识的数量和质量;专利授权数是发明、实用新型和外观设计3种专利的授权总数,反映了一个地区的创新能力与科技综合实力; 大中型工业企业新产品销售收入与技术市场成交合同金额是创新成果转化为市场价值的表现,反映了科技创新活动促进经济发展的程度。
由于我国不同区域间经济发展水平和创新资源差异较大,如果不考虑区域间的差异而对各区域做笼统比较,评价结果会有失偏颇,同时不利于各区域选择参照基准以提高自身的创新效率[14,21]。环渤海和长三角地区不仅是推动我国经济社会发展与自主创新能力建设的重要板块,而且两者在经济社会发展水平和创新规模方面具有一定的可比性,如2011年环渤海与长三角地区的GDP分别占到全国GDP总量的22. 95% 和22. 23% ,R&D经费支出分别占全国总量的30. 44% 和28. 50% ; 自2000年以来,R&D经费支出年均增长率分别为22. 05% 和23. 91% 。对环渤海和长三角区域范围的界定,学术界尚未形成统一观点,部分学者认为环渤海地区是以辽东半岛、山东半岛、京津冀为主的环渤海滨海经济带,包括北京、天津、河北、辽宁和山东; 有些学者考虑到区内资源的互补和协同,将山西、内蒙古也纳入其中[22]。对长三角地区一般从广义角度进行界定,在上海、江苏、浙江的基础上提出“3 +1”模式,将安徽纳入其中; 也有学者提出“3 + 2”模式,将范围扩展至江西[23]。在本文中环渤海地区包括北京、天津、河北、辽宁和山东,长三角地区包括上海、江苏、浙江、安徽。由于创新投入转化为产出需要一定的时间,产出相对于投入具有时滞性[1,9],本文将时滞性设为1年。文中所用数据为环渤海和长三角地区9个省、市的面板数据,其中投入指标数据的时间区间为2001—2010年,产出指标数据的时间区间为2002—2011年。数据来源于《中国统计年鉴2002—2012》和《中国科技统计年鉴2002—2012》。由于统计口径变更,2011年的大中型工业企业新产品销售额由规模以上工业企业新产品销售额代替。
4 实证分析
4. 1 历年区域技术创新效率测度
本文首先利用DEA - ACE模型,通过Matlab7. 0进行计算得到各区域2001—2010年的技术创新效率,并将其与传统CCR模型的测度结果进行对比为,如表1所示。
观察表1发现运用传统CCR模型测度时,北京、天津、上海、浙江历年的区域技术创新效率均1,导致无法对4个地区的创新效率进行比较,同时意味着它们的创新效率已没有提升的空间。运用ACE模型后,原来处于“始终有效”状态的区域在交叉评价后效率降低,存在进一步的改善空间; 各区域的技术创新效率没有完全一致的情况,为后续的相互比较提供了可能性,这将有利于对各区域的技术创新活动提供参考和借鉴。
4. 2 区域技术创新效率动态测度
为了更加直观地反映各区域历年的技术创新效率变动状况,将ACE模型的测度结果转换成折线图( 见图1) 。在图1中,可发现各区域的技术创新效率是一个动态变化的过程。在2001—2010年间,上海的技术创新效率比较稳定,相对于其他区域具有效率优势; 天津从2001—2008年,效率位于0. 8 ~0. 9之间波动,2008—2010年效率逐渐下滑; 浙江的效率在2001—2003年逐步提升,2003年后有所下降,效率保持在小范围内波动; 北京的技术创新效率徘徊于中等水平,山东、辽宁的效率呈先升后降趋势; 江苏、安徽、河北的效率上升趋势明显,但河北的效率依然处于较低水平。
为了动态测度各区域技术创新效率,运用本文研究提出的动态评价模型,综合运用时序权重和效率波动性对各区域的技术创新效率进行差异驱动,最终得到Di,如表2所示。其中,μ1、μ2分别为0. 95和0. 05。各区域中,上海、天津、北京的技术创新效率年均增长率为负值,按效率波动性的大小受到相应的惩罚; 其他区域的技术创新效率年均增长率均为正值,尤其安徽、江苏、河北的年均增长率较高,按效率波动性给予相应的奖励。观察表2发现上海、浙江、天津的效率动态评价指数较高,江苏、安徽、山东、辽宁的效率动态评价指数处于中等水平,北京、河北的效率动态评价指数偏低。与历年均值排名相比,安徽、山东、辽宁、北京4个区域的效率动态评价指数排名变化显著,山东、北京的效率动态评价指数排名从历年均值排名的第5和第7分别下降至第6和第8; 安徽、辽宁的效率动态评价指数排名分别由历年均值排名的第6和第8提升到第5和第7。
4. 3 讨论与分析
为了验证动态评价结果并分析其原因,本文参考有关文献[24,25]的相关结论对以上实证研究结果进行讨论与分析。郭军华等[24]研究认为我国各区域技术创新效率呈收敛趋势,低效率区域的提升速度比创新效率高的区域更快。本文根据实证研究结果对效率动态评价指数所反映的区域技术创新效率的空间分布差异变化状况进行验证,具体步骤如下:
步骤1: 在各区域中选择一个标杆区域,其基期效率和效率动态评价指数记为E*b0、Db。
步骤2: 分别测度区域的基期效率和效率动态评价指数与标杆区域相对应指标的相对差距,记为E*gi、Dgi,其中E*gi= E*b0- E*i0,反映了各区域与标杆区域在基期的效率差异; Dgi= Db- Di,反映了动态评价后各区域与标杆区域的效率差异。E*i0、Di为区域的基期效率与效率动态评价指数。
步骤3: 运用测度区域i与标杆区域之间效率差距的缩小程度,反映了各区域技术创新效率的相对提升度。
由于上海在历年中技术创新效率均高于其他区域,并且效率动态评价指数排名第一,本文将上海作为环渤海与长三角地区技术创新效率的标杆,将各区域2001年的技术创新效率作为基期效率。如图2所示,自2001年以来,以上海作为标杆,除北京的效率有所下降,其他各区域的效率均有不同程度的提升,各区域间的效率差距逐步缩小。各区域中,基期效率水平较低的地区,如河北、安徽、辽宁、江苏、山东等区域,与上海的效率差距得到了较大程度的缩小,反映了效率提升的速度相对较快; 反之,北京、浙江、天津等基期效率水平较高的地区,与上海的效率差距缩小程度较低,说明三者的效率提升较慢,其中北京与上海的效率差距呈扩大趋势。以上结论与郭军华[24]的研究成果基本一致,表明论文所用模型及其评价结果具有科学性。
为对实证结果进行更深层次的解释,论文从Di和创新投入两个维度作进一步分析。本文对各区域2001—2010年R&D经费的总支出和R&D人员折合全时当量总量分别进行无量纲处理并加总,测算出10年间各区域R&D经支出费和人员投入在全国的所占比重,以此表示各区域的创新投入水平。如图3所示,随着区域创新资源的增加,Di呈先升后降趋势,这与袁潮清[25]的研究结论具有一致性。上海、浙江、天津三个区域的创新投入虽处于中等水平,但技术创新效率高于其他地区,说明三者的资源得到有效配置,投入冗余较少; 北京、江苏、山东不仅创新投入高,而且区域创新体系成熟度高,但技术创新效率并没有达到相应高度,说明处于边际产出递减阶段,其中北京最为明显[25]。根据图3所示,江苏、山东的效率近年来逐渐提升,表明其创新体系不断优化,资源利用率得到改善; 河北、安徽、辽宁的创新投入和区域创新体系成熟度均较低,同时技术创新型效率也处于较低水平,但是三者的效率均在不断提升,说明存在边际产出递增现象,区域技术创新型管理水平得到提高,因此加大创新投入将有利于技术创新效率的提高。
5 总结与建议
区域技术创新是推动区域经济发展的核心动力,随着我国区域技术创新投入的不断增加,对区域技术创新效率评价研究的重要性也日益显现。本文针对区域间对创新资源的竞争性以及区域技术创新效率具有阶段性变化的特点,构建了基于DEA - ACE模型和差异驱动方法的动态评价模型,对环渤海和长三角各区域的技术创新效率进行动态评价。结合现有文献,对各区域的效率动态评价指数进行了验证和分析,北京、浙江、天津等期初效率水平较高地区的技术创新效率提升程度相对较小,河北、安徽、辽宁、江苏、山东等期初效率水平较低地区的技术创新效率提升程度相对较高。
随着创新投入的增加,部分地区存在边际产出递减现象,如北京、江苏、山东的创新性投入过高,造成了资源冗余较多,所以应该加强区域创新管理,适当调节创新投入量,并提高对创新资源投入使用的监管力度,以提升资源配置效率。
河北、安徽、辽宁的创新投入偏低,效率处于较低水平,但近年来三者的效率水平逐步提升,说明存在边际产出递增现象,从自身发展来看,需要改善区域创新环境和完善区域技术创新体系,出台各项政策措施,进一步加大创新投入,吸引优质创新资源。从国家宏观层面来看,需要统筹区域发展,引导创新资源从过剩地区流向不足地区,促进创新资源在各区域的均衡分布。
摘要：考虑不同区域对技术创新资源的竞争性及技术创新效率呈阶段性变化特征,构建了基于DEA对抗型交叉评价模型和差异驱动方法的动态评价模型,以区域技术创新效率评价指标体系为基础,运用2001—2011年的面板数据对环渤海、长三角地区所含9个省市的区域技术创新效率开展了实证研究,并结合相关文献对研究结论进行了验证与分析。
新时期区域公共管理创新 篇5
信息社会发展与全球化趋势,出现了区域集群、区域竞争、区域创新、学习区域等新特征,给区域管理者带来了新的挑战.区域发展需要创新,区域公共管理同样需要创新.本文从新公共管理、区域创新系统、区域核心竞争力、支持系统等方面对区域管理创新进行了探讨.
作 者：施祖麟 刘锋 作者单位：清华大学公共管理学院,北京,100084 刊 名：中国人口・资源与环境 ISTIC PKU CSSCI英文刊名：CHINA POPULATION RESOURCES AND ENVIRONMENT 年，卷(期)： 13(3) 分类号：X22 C93 关键词：全球化 区域管理 新公共管理 创新
区域创新:创新效率 篇6
摘 要：整合创新要素是建设创新能力的一个重要环节。文中概述了创新要素的内涵和分类，对区域协同创新体系的构成进行分析，探索各要素之间的关系，进而得出创新要素对区域协同创新平台的促进作用。
关键词：创新要素；协同创新体系；促进机制
中图分类号：F230 文献标识码：A 文章编号：1006-8937（2016）23-0119-02
1 创新要素概述、内涵和分类
创新要素是指与创新相关的资源及能力组合，主要由人才、技术、资金、政策、平台和体制构成。促进和支持创新要素整合集聚，是提升区域自主创新能力的基础，以市场需求为导向、以机制创新为动力、以服务能力建设为核心，促进区域经济发展方式转变和产业结构调整，不断提升创新驱动发展水平。所以促进整合创新资金、吸引创新人才、完善政府支持政策和加快技术流转，对我们江苏区域创建创新平台有重大意义。
对于创新要素的构成，目前相关研究没有统一的界定标准，分类视角有很多。
具体表现为： 一是从系统与环境角度，认为创新要素包括主体、资源和环境要素，主体要素包括大学、科研机构、企业等，资源要素包括知识信息、人才、资金等，环境要素包括内部软硬件创新环境以及外部创新网络环境等；二是从直接和间接角度，认为创新要素包括直接要素和间接要素，直接要素包括技术、人力资本和资金，间接要素包括基础设施、社会环境和宏观政策；三是从结构和功能角度，认为创新要素包括主体要素、支撑要素和市场要素[1]。
本课题将其归结为人才、技术、资金、政策、平台、体制、知识产权和品牌八大要素。
2 区域协同创新体系的构成分析
党的十八大提出“创新驱动发展战略”，把科技创新放在国家发展的核心位置上，显示出科技创新的重要性。报告指出“要以全球视野谋划和推动创新，提高原始创新、集成创新和引进消化吸收再创新能力，更加注重协同创新”。同时，要完善区域创新发展机制，建设地方特色创新体系。
企业是创新平台中的核心力量，是实施创新的主体，企业在平台中吸引培养人才、获得前沿技术，把重大基础研究成果产业化，能体现市场竞争力与经济水平。高校在平台中需要承担研发任务，是科技发源地，也是人才培养地，起到知识的传播作用。科研机构也有类似的作用，但更侧重于研究开发新产品，是创新的源泉。政府部门在平台构建在起到指导引领作用，出台的一系列政策法规，提供了良好的环境，推进平台有效运行。中介机构和金融机构是平台的外围参与方，提供信息资源，有沟通协调的功能。所以，区域协同创新体系往往由当地政府、企业、高校、科研院所、协同创新平台、金融机构和中介机构构成，如图1所示。
协同创新体系就是各要素为实现共同目标而建立的合作关系。协同创新体系的目标是通过政产学研结合实现科技创新，具体实现途径为：协同创新体系通过政策引导，建立政府、企业、大学、研究机构、中介机构等为了大跨度整合的协同创新组织模式，促进企业、大学、研究机构发挥各自的能力优势，整合资源，实现各方的优势互补，加速技术推广和产业化，开展产业技术创新和科技成果产业化活动。
3 创新要素促进区域协同创新平台机制分析
3.1 政府政策的引导机制
政府扮演着宏观调控的角色，出台的一系列政策，为创建创新平台指明了方向。政府的政策多方面影响着平台内部的要素机制。区域性的法规政策条例对于不同的开发项目提供不同程度的经费补贴，政府为了提升企业的科技创新能力，提高。科研成果市场转化率，通过立法，为中小企业发展提供资金援助，政府资金重点支持科技成果转化，注重投入产出效益，提高产品市场化进程，减少产品由研发到投入市场的时间。除了财政补贴，还有税收优惠政策，为鼓励科研事业，减免税收。
协同创新平台在政府指导下实现市场化运作，从而实现平台运作的良性循环与持续发展。
3.2 人才要素的拉动机制
人才主要来源于高校培养和企业培训，在这里把人才分为三类，高级管理人才、顶尖科技人才、一般的工人技师。
人才是创新的第一要素，是拉动区域发展的第一资源，我国很早就提出了要科教兴国，高等院校的确是推动科技创新建设方面的主力军，充分发挥其优势，促进科技进步和社会发展。而且每个高校都拥有一支专业的科技队伍，高校与高校之间相互联系，与国内外的学术界交流频繁，不仅容易产生新的创新成果，也容易培养出全方位的创新人才，教学科研的一种相互促进。
现在全国各地大量涌现高新技术开发区，在园区内聚集了大量的兴新产业，这些企业高薪聘请高级管理人才，启用创新管理模式，建立人才激励机制，重视对人才的投入，这样就吸引了创新人才向企业流动，同时强化员工技能，造就了一支适应创新转型的员工队伍。
人才对于区域协同创新平台来说是不可或缺的资源，它为创新平台注入新的活力，推动区域新兴产业的发展，促使区域产业链更加完整，带动区域经济转型，所以吸引高端人才向区域聚集，已经成为区域经济崛起的战略选择。
3.3 知识产权的驱动机制
知识产权是指公民、法人和非法人单位所创造的智力劳动成果依法所享有的专有权利。比如发明创造、艺术作品、商标、名称、设计等都是某人或组织拥有的知识产权。知识产权拥有商业价值，会带来巨大的收益，同时它能促进创新，对激励创新有4个方面的作用：
①评价创新、界定产权。有效的创新评价、清晰的产权界定是创新系统良性发展的基石。知识产权不是自然权利，而是法定权利，所以知识产权审查过程既是权利产生的过程，同时也是创新评价的过程，通过对创新成果进行评估，进而根据评价结果界定合理的产权范围。
②保护创新、刺激投入。知识产权制度使权利人在一定时期内对创新成果市场利益独占，这是知识产权的专有性，受到法律保护，保障创新者能够收回创新成本并且获得高额回报，激励发明者的积极性，从而吸引、鼓励、刺激更多的资本和人才投入创新。
③导航创新、配置资源。商标、版权也有类似的功能。通过对知识产权大数据的分析利用，就能够有效地对创新行为进行导航，指导创新方向，并对创新资源进行快速配置。另一方面，知识产权要素对产业的控制力不断上升，知识产权已经成为产业资源配置的依据。
④实现价值、支撑产业。知识产权是创新与市场的桥梁，一头连着创新，一头连着市场。知识产权具有将创新转化成现实生产力的使命和能力。知识产权首先是一种生产资料，是企业的重要生产要素；知识产权更是一种渗透在终端消费品中的无形资产，对产品竞争力产生重大影响。知识产权拥有生产资料的交换价值，无形价值，是有形资产不可比的，是无价的，它代表着市场竞争力，是创新实现价值的主要方式，是创新支撑产业发展的主要路径，是推动社会进步的原动力。
3.4 资金要素的推动机制
现在大部分创新平台主要靠政府部门拨款和企业自筹来维持运转，我们要拓宽创新资金的来源，一方面，做科研、购买设备、建立公司、出新产品新技术都需要投入资金，另一方面，我们要让自身的资源优势流动起来，吸引外来投资机构，发展创业投资，资本使平台稳步发展，推动企业创新创业和向外拓展融资。
政府政策的引导，人才的拉动，知识产权的驱动，资本的推动以及信息服务的整合功能，都促进区域创新平台发展，而技术是支撑机制，是构建区域协同创新平台最核心的部分，其作用大大超过了资金、人才，开发新产品，提高产品质量，提供新服务，只有有了新的技术，才有新的成果，才能进行产业化，形成产业规模效益。
在区域协同创新平台内，建立合作、开放、包容的创新机制。首先要有系统性的管理体制，管理平台日常工作，进一步完善管理，使得平台内所有企业机构规范自身行为，良性发展。然后要建立共享机制，以创新平台为载体，最大程度的实现资源共享，建立这样的共享观念，提高资源利用率，减少资源浪费行为，这也是建立创新平台的目的之一。
区域协同创新平台在整合科技人力、财力、物力和信息等方面具有不可替代的作用，是科技资源整合的重要手段。这是对创新主体自身资源的整合利用，另一方面是使不同创新资源在创新主体之间相互沟通、交流渗透。
通过平台强调一种共有制度，有效协调主体间利益关系，降低市场失灵率，使合作各方实现产业关键性技术突破，可以在较短时间内快速提高创新效率和产学研合作的成功率。
协同创新平台利于营造宽松、合作、竞争的良好氛围，引进高层次高技能人才，在短时间内汇聚一批较高水平的领军人才和组成创新团队，增强专业学科领域的创新实力，并推动教育教学改革，培养满足企业和社会创新需求的高素质人才。
针对具有地方性质的特定的合作项目组织调动区域内既懂技术又懂市场的力量，快速完成技术研发及商业化过程，从而引领企业技术创新，带动产业转型升级。这其中有政策保护、人才资金保证，降低了技术创新风险，消除因合作关系不确定带来的风险，并从创新机制上解决小微企业的技术创新困境，使区域协同创新平台内部主体要素都得到了保障，形成区域特色，这其实就是一种互惠互利共赢的模式，创新要素使平台内部创新主体更好的工作，得到好的创新成果，从而有利于各创新要素主体。
实践证明，为有合作意愿的企业、高校和科研机构搭建协同创新平台，拓宽创新主体间的沟通连接渠道，不仅有利于快速提升我国的创新能力，而且有利于推进我国经济社会发展的转型升级[2]。
参考文献：
[1] 李培楠，赵兰香，万劲波.创新要素对产业创新绩效的影响———基于 中国制造业和高技术产业数据的实证分析[J].科学学研究，2014，32
（4）：604-612.
区域创新:创新效率 篇7
随着“大众创业、万众创新”战略的实施,如何进一步发挥“大中型高技术企业”的作用,提升大型科技企业的创新能力和创新绩效显然具有重要的战略意义。相比于“小微科技型企业”,大中型科技企业面临更为严峻的成本压力和资源约束环境。新经济形势下,针对中型高技术企业的区域创新效率比较就具有了显著的科技政策启示意义。但是,当前大部分针对创新效率评价的研究都集中在区域、产业和大中型企业层面,国内外针对中型高技术企业创新效率的区域比较则基本为空白,从而导致地区之间针对中型高技术企业创新发展的科技政策缺乏针对性和地区特色。
1 相关文献回顾
当前针对创新效率评价的研究范式基本可以分为计量经济学视角的随机前沿分析(SFA)和管理决策视角的数据包络分析(DEA),DEA方法运用更广泛。创新效率评价对象的层级可以分为国家/地区、产业、企业。一般而言,DEA则是通过建立数学规划模型,求解满足一定约束条件下,不同决策单元(多个近似评价对象)之间的相对效率。SFA尽管可以构建更为量化的计量模型,但是多元回归模型的求解也存在一定的局限性,包括要素资本存量的计算,因变量或者自变量之间的多重共线性,伪回归等都需要在计量模型的建模过程中予以考虑[1]。DEA方法的局限性则主要体现在计算结果并不代表决策单元的绝对效率,因此,也有研究结合SFA和DEA两种方法各自的优势,形成所谓的两阶段或者多阶段DEA方法[2,3]。
创新价值链的提出是从传统的产业价值链角度引申出来的概念[4],该理论认为创新本身是价值增值的过程,也是价值链形成过程,这可以认为是对传统熊彼特“创新”定义的拓展。肖仁桥等(2015)基于两阶段价值链视角,构建了两阶段关联型网络DEA模型与指标体系,利用面板数据测算我国不同性质工业企业技术创新分段和整体的效率值[5]。冯志军等(2014)认为高技术产业创新并非单阶段的线性流动,而是分层次、网络化的价值流动过程[6]。宇文晶等(2015)则提出技术研发和技术转化是一个串联结构,二者之间存在一定的耦合关系[7]。胡树华等(2015)从两阶段价值链出发讨论了我国中小企业创新效率的评价问题[8]。
在分析企业规模与创新效率的相关研究中,DEA得到了广泛的应用。周欢怀等(2011)基于DEA模型分析了我国中小企业的创新绩效问题[9]。魏峰等(2012)针对技术创新效率影响因素的灰色关联分析显示,降低和消除政府与企业间的信息不对称等措施可提高安徽省中小企业技术创新效率[10]。严焰等(2013)基于浙江省高技术企业数据,探索了技术获取模式对研发投入和创新绩效的调节作用[11]。赵树宽等(2013)结合实地调研数据,对吉林省高新技术企业的创新效率进行DEA分析,并提出意见[12]。马建峰等基于创新两阶段创新过程,建立了包含共享科技资源投入和自由中间产品产出的DEA效率评价模型并通过研究证实有效[13]。李牧南等提出一种新的基于极大熵准则的三阶段DEA模型并实际运用到评价广东省各个专业镇的科技投入效率中[14]。周丽娟等运用三阶段DEA模型实证研究我国省级面板数据的创新投入和产出情况并提出可行性建议[15]。此外,还有学者将高技术产业创新活动包含高技术研发和技术商业化的两阶段价值流动过程,理解为一个两阶段的价值链构建和运作过程[16]。
综上所述,当前国内外部分相关研究论证了企业规模与创新效率之间的相关性,自从2008年全球金融危机爆发,以及2009年美国正式成为世界第一大天然气生产国,世界能源格局和经济发展方式开始发生重大变革。随着石油价格的暴跌,以及世界产业格局的重大调整,以中国为代表的新兴经济体面临经济增长方式变革的挑战。针对中型科技型企业创新效率的区域比较研究可以进一步探测区域的产业结构变化和创新效率差异以及动因,从而为地区科技创新政策提供重要依据。
2 研究方法与评价指标选择
2.1 研究方法
当前面向小型企业创新效率评价的研究中,采用“研究→开发→转化”的创新价值链视角的研究较少。本文将传统的创新效率评价问题转化为一个含中间产出和投入的两阶段的创新价值链效率计算问题,即:求解“研究→开发”效率和“开发→转化”效率。基本的C2RS2模型如式(1)所示。
在公式(1)中:
此外,θ是决策单元资源投入的相对有效利用程度,部分文献也称其为“技术效率”或“综合效率”,技术效率代表投入产出的转化率,假设线性规划DC2 GS2最优解为θ*,λ*,S-*,S+*,对于决策单元为非DEA有效,其在DEA有效前沿面上的投影为[17,18]:
相比传统的CCR模型,C2RS2模型可以衡量DMU的资源投入规模效率。规模有效是处于规模收益不变的生产方式,规模效率值为1说明决策单元处于最优的规模效率水平,规模效率值低于1说明决策单元规模无效率,如果该决策单元在原有投入的基础上适当增加投入量会带来更高比例的产出增加。
2.2“研究→开发”效率的评价指标集
从企业研发活动的类型看,基本可以分为自主、合作、引进和购买等方式。企业统计报表和科技管理部门的统计年鉴往往将研发(R&D)投入作为一个整体进行计量。相关文献有:官建成等(2009)测度我国高技术产业技术效率时,用各地区R&D支出经费、新产品开发经费支出、技术改造经费和R&D活动人员当量为创新财力和人力投入的指标,用专利授权量、新产品销售收入、新产品出口收入来衡量一个地区的创新产出[19]。曹勇等(2012)认为转化阶段的投入应该包括技术改造经费支出、技术引进经费支出、消化吸收经费支出、购买国内技术经费支出等指标[20]。刘晖等(2015)研究高技术产业的技术创新时,构建的评价指标体系中投入指标包括科技活动人员数、专利申请量、专利授权量、新产品开发经费支出,产出指标包括新产品销售收入等[21]。综上,可知投入指标集有:人员折合全时当量(人年),R&D内部支出(万元),技术引进经费支出(万元),购买国内技术费用(万元),R&D外部支出(万元),技术改造经费支出(万元),研发机构经费支出(万元),消化吸收经费支出(万元);产出指标有:专利申请量(件),新产品开发项目数(项)。
2.3“开发→转化”效率的评价指标集
根据评价指标体系设计的基本原则,结合中型高技术企业技术转化阶段的特点,本文对技术转化阶段投入产出指标进行选择。因此,在考虑上文研发阶段的特性及相关指标的基础上,本文在转化阶段的投入指标为科技活动人员数、新产品开发经费、专利申请量、专利授权量等,产出指标则为新产品销售收入。其中“研发机构人员”和“研发机构经费支出”放到“开发→转化”阶段的主要原因是考虑到企业研发机构本身并不会完全区分“研发”和“转化”的职责,也承担技术转化的工作。而“新产品开发经费支出”则是衡量其转化阶段资金投入情况,“专利申请量”、“有效发明专利”是衡量知识产权投入情况;产出指标为“新产品销售收入”、“新产品产值”和“新产品出口”,都属于经济指标。
3 实证研究
实证分析的数据全部来自《中国高技术产业统计年鉴》,截至2016年6月,最新的统计年鉴为2015年,因此,为了尽量反映近年我国高技术产业发展的整体情况,统计年鉴整理的时间跨度为2010~2015年,实际的数据统计年度则为2009~2014年。
3.1 评价指标选择
由于自从2013年以来,《中国高技术产业统计年鉴》不再提供“新产品产值”和“总产值”的经济产出指标,这可能主要是“新产品”产值的填写存在一定的主观性,而“新产品销售收入”由于与具体相关税收政策相关,更为精确。此外,在统计年鉴中,“技术引进经费支出”、“购买国内技术费用”、“技术改造经费支出”、“消化吸收经费支出”4项有关高技术产业技术获取和技术改造的指标存在一些地区数据不全的情况,因此予以剔除。因此,经过调整后的“研究→开发→转化”价值链的相对效率评价指标如表1所示。
本文假定研发阶段的投入———产出时间为1年,主要是考虑大部分小型企业研发项目属于投资类项目,项目考核周期为财务年度;而转化阶段的滞后时间也为1年,因此一个价值链从研究开始到转化结束的周期为3年,与大部分文献所采用的投入产出周期基本一致。在表1的“开发→转化”阶段的产出只保留了“新产品销售收入”主要是因为受地域限制,“新产品出口”主要集中在少数省份,而且部分西部省份的新产品出口额在多个年份没有数据,也无法作为零值处理。
通过对年鉴数据的整理,发现西藏、青海和新疆缺失重要数据项,则从决策单元(DMU)中剔除。
3.2 基于“研究→开发→转化”创新价值链的DEA效率分析
结合表1中的投入和产出指标,运用DEA效率的计算工具DEAP2.1,则可以得到的创新价值链的效率,是一个包含“研究→开发”和“开发→转化”DEA效率的二维变量,分析结果如表2所示。
从表2中可以看出一些有趣的现象:在上述4列点数据的比较中,综合效率下降明显的有天津、河北、湖北、河南、广西等地区,辽宁基本保持不变,而中部地区的江西、湖南和湖北则保持了一定的增长,这与当前我国高技术产业部分内迁的趋势,以及中部这3个省的基础科研力量较为雄厚也具有一定的关系。这说明中型高技术产业与各地的经济发展水平没有绝对的正相关关系,也说明中部地区在高技术产业上发展速度较快。总体而言,各地区研发效率要高于转化效率,这与现阶段中国创新两阶段发展不平衡的现状有关,也启示了技术创新如何成功走向市场是未来研究的热点。
4 结论与政策启示
由于传统数据包络分析在区域创新效率比较方面存在的局限性,本文基于创新价值链的视角,主要有以下结论和启示:
(1)通过引入创新价值链的观察视角,将创新过程转化为“研究→开发→转化”的价值链的产生过程,从而将传统的投入———产出效率评价,转化为一个综合的二维效率评价过程。
区域创新:创新效率 篇8
关键词：技术创新效率,工业企业,DEA,收敛性
1 引言
科学技术作为第一生产力,已成为一个国家乃至整个社会的的核心竞争力。我国已深刻认识到技术创新的重要性,然而,片面追求技术创新数量和产值是不可取的,这要求我们更加关注技术创新效率问题,众多学者在这一领域也作出了相当的贡献。池仁勇等(2004)利用DEA方法对我国30个省市自治区的技术创新效率进行了测定,结果显示技术创新效率呈东高西低的特征;张宗益,张莹(2008)用DEA方法对我国31个省市自治区2002—2006年的区域技术创新效率进行分析并进一步用面板数据建立固定效应模型分析创新环境对区域技术创新效率的影响;白俊红等(2009)用DEA方法测定了我国区域创新效率,结果显示,当前阶段我国区域创新效率普遍较低,且其原因主要是由纯技术效率低下所致;冯缨,滕家佳(2010)从横向和纵向两个角度对江苏高技术产业技术创新效率进行了评价,并深入分析了江苏省5大高技术行业的技术创新效率,为提高江苏乃至全国高技术产业技术创新效率提供决策参考。
企业是我国从事技术创新的主体,大中型工业企业又是企业的中坚力量,以其较少的数量贡献着较大的经济总量,对整个工业的发展起到了很大的推动作用。在这样的背景下,研究我国大中型工业企业技术创新效率问题就显得十分有意义。
2 模型、指标体系及数据的选取
2.1 DEA模型的选择
DEA(数据包络分析)方法最早由美国运筹学家A.Charnes,W.W.Cooper和E.Rhodes等人于1978年提出,用来评价具有多个输入和多个输出决策单元(DMU)间的相对有效性,CCR是第一个DEA模型。1984年R.D.Banker,Charens和Cooper给出了BCC模型,这是对CCR模型的扩充,把技术效率(TE)分解为纯技术效率(PTE)和规模效率(SE):TE=PTE*SE。中国人民大学的魏权龄教授于1985年最早把DEA模型引入国内。
为检验DEA的有效性,一般考虑带有松弛变量且具有阿基米德无穷小ε模型(BCC的等价模型):
其中,s-=(s1,s2,…sm)是m项输入的松弛变量,s+=(s1,s2,…sn)是n项输出的松弛变量,λ=(λ1,λ2,……λk)是k个DMU的组合系数,e1T=(1,1,…1)l×m,e2T=(1,1,…1)l×n,ε是趋近于0的正数。
定理:设线性规划的最优解为θ,s-,s+,λ,若θ=1,且s-=0,s+=0,则DMU是DEA有效的。
2.2 效率评价指标体系的建立
投入指标的选择一般从人员和经费两方面着手。本文用R&D人员数(X1)来衡量技术创新的人力投入,R&D经费内部支出(X2)来衡量技术创新的资金投入。虽然现阶段我国大力提倡自主创新,但通过引进、吸收、改造国外先进技术进行模仿创新仍是我国大多数企业的选择,所以增加技术经费(X3)作为另一资金投入指标。
产出可分为知识产出和经济产出。本文选取拥有专利数(Y1)作为知识产出指标,新产品销售收入(Y2)作为经济产出指标。新产品销售收入占主营业务收入的比重(Y3)反映了企业开发新产品并有效占领市场的能力,比重越大,说明创新效率越高,因此加入这一比重作为经济产出的另一指标。表1列出了各指标名称及其代码。
2.3 决策单元及数据来源
本文是对区域大中型工业企业技术创新效率的研究,因此以全国31个省、直辖市、自治区作为决策单元(DMU),但因西藏数据不完整,故将其排除在外,仅以其他30个地区作为考察对象。为使结果更具有客观性和可靠性,本文选取了30个省市2003—2010年连续8年的相关数据作为样本容量,数据均来自于《中国科技统计年鉴》。
3 区域大中型工业企业技术创新效率测算及比较分析
使用DEAP2.1软件对投入产出模型进行计算,得到2003—2010年各地区大中型工业企业的技术效率值,并计算出8年的平均值及对各地区进行效率排名,整理成表2。
3.1 各省市大中型工业企业技术创新效率比较分析
上述计算结果中各地区技术效率值是相对值,而不是绝对值。只有当TE=1时,才能称这个地区的技术创新是DEA有效的,即这一地区的技术创新活动处于生产前沿面上,在技术创新活动过程中,既定产出,实现投入最小化或既定投入,实现产出最大化,最大限度发挥投入资源的效率。
技术效率排名第一的是海南,海南R&D人员投入和经费投入相比于北京、上海、广东等大城市是较少的,其产出相比之下也较少,但并不意味着海南的技术创新效率就低。相反,海南的技术效率排名连续8年都是第一,每年都达到了DEA有效水平,意味着投入资源没有浪费,得到了最优配置。
江苏、浙江等经济大省8年平均技术效率排名并不靠前,分别为15名和12名。高产出并不是高技术效率引起的,而主要依靠高投入来拉动,并没有达到资源的最优配置。这种模式会随着资源的匮乏而被淘汰,要保持经济的可持续发展,提高其技术创新效率无疑是一个重要的途径和方法。
3.2 东中西部大中型工业企业技术创新效率比较分析
我国东中西部大中型工业企业技术创新效率存在明显差异,见图1。
2003—2010年,我国三大区域大中型工业企业技术创新效率的起伏波动与全国的较一致。东部技术创新效率连续8年都远高于全国平均水平,而中西部则连续8年都低于全国平均水平,中部技术创新效率除了2010年超过了西部,其余年份都为最低。
东部技术创新效率明显高于中西部,这与东部扎实的经济基础是分不开的。创新能力不仅取决于单个行为主体,更取决于各行为主体之间以及与创新环境之间的互动,东部地区已打造了良好的创新环境,在科技活动过程中,有效的制度保证了技术创新的效率。
西部虽然经济较为落后,但其技术创新效率除了2010年以外一直高于中部地区。对于西部的发展,国家一直是给予了足够的支持和重视,从1999年西部大开发战略到2006年的“十一五”规划,我国投入了相当的人力和物力,而且西部地区在制度管理和创新规模等方面都具有后发优势,正进入历史上最好的发展时期。
3.3 我国大中型工业企业技术效率的分解
技术效率应结合纯技术效率(PTE)和规模效率(SE)加以综合考察。技术效率有效意味着纯技术效率和规模效率都有效,技术效率无效可能是由单个因素或者两个因素共同引起的。纯技术效率(PTE)是指决策单元技术本身与其生产前沿面之间的距离,即同一规模下,既定投入,实现产出最大化,主要体现在制度安排、经营方式的优劣与管理层决策正确与否等方面;规模效率(SE)是指规模报酬不变的生产前沿与规模报酬变化的生产前沿之间的距离,反映地区规模经济对生产率的影响,主要体现在规模扩张等方面。图二为2003—2010年间大中型工业企业技术效率及其分解变动。数据显示:纯技术效率太低是造成技术创新效率不足的主要原因,技术效率和规模效率的波动幅度较为一致。2007年是个拐点,技术效率和规模效率都降到了谷底,2008年开始反弹,并进行周期性波动。
4 区域大中型工业企业技术创新效率的收敛性检验
以上结果表明,区域大中型工业企业技术创新效率存在较大差异,那各省市TE值是否存在收敛趋势,技术创新效率是否将趋于相同的稳态,下面将对全国、东部、中部和西部的技术效率进行β绝对收敛检验。
经济增长理论中,β收敛指经济增长率与经济发展水平之间的负相关关系,这里引申为技术创新效率低的地区往往比效率高的地区具有更高的效率增长率。利用本文获得的TE值进行横截面分析,建立方程:(ln TEt-ln TEt-1)/T=α+βln TEt-1+ε
其中,ln TEt和ln TEt-1为期末和期初的技术创新效率,T=7为观察期时间跨度,α为常数项,β为收敛系数,ε为随机扰动项。如果系数β显著为负,则表示技术创新效率趋于收敛,反之发散,β值的大小表示收敛速度。
由表3可知,全国、东部省市在1%的显著性水平下显著,西部省市在5%的显著性水平下显著,β系数都为负,模型的拟合度较好。从全国来看,各省市大中型工业企业技术创新效率存在共同收敛的趋势,技术创新的溢出效应明显,东部和西部地区也表现出明显的收敛特征。西部地区β绝对值最大,说明收敛速度最快,技术创新效率具有明显的追赶效应。中部地区β值为负但收敛特征并不显著。
注:**、***分别表示5%和1%的显著水平
5 结论
(1)我国各省市大中型工业企业技术创新效率差别较大。江苏、浙江等经济大省创新资源投入绝对值较高,但技术效率值不高,资源没有得到最优配置。相反,海南创新资源投入绝对值较少,但技术创新效率却很高。高投入低效率模式随着资源的匮乏早晚会被淘汰,提高技术创新效率才是可持续发展之道。
(2)我国东部与中西部大中型工业企业技术创新效率存在显著差异。东部省市技术创新效率普遍较高,且明显高于中西部省市。西部地区通过国家支持,自身努力和对外合作,技术创新的质量和效率明显得到增强,并且高于中部地区。
(3)我国大中型工业企业技术创新效率不足主要由纯技术效率太低造成的,技术效率和规模效率的波动幅度较为一致。为提高我国技术创新效率必须同时提高纯技术效率和规模效率,大中型工业企业应继续深入企业体制改革,完善公司治理结构,重视技术创新效率,提高企业经营者自主创新能力。
(4)从全国来看,各省市大中型工业企业技术创新效率趋于稳态,技术创新的溢出效应明显,东部和西部区域也表现出明显的收敛特征。西部地区收敛速度最快,有明显的追赶趋势,中部地区技术效率低且收敛特征不显著。各地区只有互相比较、互相学习、互相吸收,才能共同提高技术创新绩效以及缩小区域经济差距。
参考文献
[1]池仁勇,虞晓芬,李正卫.我国东西部地区技术创新效率差异及其原因分析[J].中国软科学,2004(8):128-131
[2]刘晶,孙利辉,王军.高新技术企业技术创新能力评价研究[J].科研管理,2009(30):19-22
[3]冯缨,滕家佳.江苏省高技术产业技术创新效率评价[J].科学学与科学技术管理.2010(8):107-112
[4]王守宝.地区科技投入产出相对效率评价研究[J].东岳论丛,2010(7):48-51
[5]CHARNES A,COOPER W W,RHODES E.Measuring the Efficiency of DMU[J].European Journal of Operational Research,1978(2):429-444
[6]BANKER R D,CHARENS A,COOPER W W.Some models for esti-mating technical and scale inefficiencies in DEA[J].Management Science,1984(30):1078-1092
[7]魏权龄.评价相对有效性的DEA方法[M].北京:中国人民大学出版社,1988
[8]倪东生.数据包络分析法在我国区域技术创新能力评价中的应用[J].技术经济,2008(8):22-28
[9]张宗益,张莹.创新环境与区域技术创新效率的实证研究[J].软科学,2008(12):123-128
[10]孙玮,王九云,成力为.技术来源于高技术产业创新生产率[J].科学学研究,2010(7):1088-1076
区域创新:创新效率 篇9
罗彦如等[2]在第二阶段中利用Tobit模型代替SFA模型修正第一阶段的投入指标,利用三阶段DEA模型的分析结果揭示了部分地区技术效率显著降低的原因。白俊红等[3]确定了五个环境因素,分别为:地区基础设施、地方政府的干预、金融机构的支持、地区经济发展水平和地区劳动者素质,深入分析了环境因素对区域创新效率的影响。本文将采用三阶段DEA模型,对2010-2014 年我国各省的区域创新数据进行计算分析,研究各省份的区域创新效率问题。
1 研究方法与数据
1.1 三阶段DEA模型研究方法
第一阶段采用传统DEA模型分析各决策单元数据,得出效率值和各投入单元的松弛变量。第二阶段构建类似SFA模型,分离松弛变量中的环境因素和随机因素。第三阶段采用调整后的投入进行DEA计算,得出新的效率值,该效率值能更准确地反映决策单元的管理无效率状况。
在第二阶段的计算中,目前国内学者采用的管理无效率公式多不相同,本文通过分析比较,采用罗登跃[4]的公式:
式中Uni反映了管理的无效率,Vni反映了随机误差,εi=Uni+Vni为联合误差项,φ和Φ 分别是标准正态分布的密度函数和分布函数。
1.2 研究数据
本文数据来源于中国科技发展战略研究小组发布的《中国区域创新能力报告》,考虑到区域创新系统中投入与产出指标存在一定的延迟[4],本文投入指标和环境因素选择2013年的数据,产出指标选择2014年的数据,区域创新能力排名选择2014年的数据。
1.2.1 投入指标
投入指标选择本领域最常用的研发全时人员当量和研发经费支出。研发全时人员当量由研发全时与非全时人员按照标准工作量折算而来,研发经费支出包括企业研发经费支出和政府研发投入。
1.2.2 产出指标
专利包括发明专利、实用新型专利和外观专利,是创新的集中体现。由于外观专利对研发投入的依赖较小,且国内专利申请者通常将发明专利和实用新型专利重复申报,因此本文仅统计发明专利。发明专利的审核较为严格,其授权数比申请数更能反映该地区的创新能力。
新产品是创新的成果,其销售收入能较好地反映一个地区的创新能力。
因此,本文选择的产出指标为发明专利授权数和新产品销售收入。
1.2.3 环境因素
本文在参考前人研究成果的基础上,确定了三个环境因素,分别为:居民消费支出、出口额和教育经费支出。居民消费支出反映了当地的经济发展水平,消费对创新活动有积极的促进作用。一般而言,出口国外的产品具有相对较高的技术含量,出口额能较好地反映一个地区的创新水平。教育经费的支出用于提高居民素质,培养出更多的人从事研发活动,而研发人员的数量和素质对区域创新的作用举足轻重。
2 数据处理与计算分析
2.1 第一阶段:DEA分析
在第一阶段中,本文利用DEAP2.1软件的BBC模型对我国31个地区的创新效率进行分析,得到的技术效率(TE)、纯技术效率(PTE)、规模效率(SE)和规模回报(RTS)如表1 所示。 在RTS一列中,“irs”表示规模报酬递增,“drs”表示递减,“-”表示不变。
2.2 第二阶段:SFA分析
将三个环境变量的数据与第一阶段计算的投入松弛变量数据汇总,利用Frontier4.1软件进行计算,表2为其计算结果。
注:*、**和***分别表示在0.1、0.05和0.01显著性水平上显著。
表2中各环境因素系数均通过显著性检验,说明各环境因素对投入指标松弛变量的影响显著。若环境因素系数为正,则说明增加该环境因素会引起投入的浪费,反之则会减少浪费。单边似然比检验统计量(LR)分别为6.97和13.55,分别通过0.1 和0.005的显著性检验,说明本文采用SFA模型是合理的。
利用相关公式对SFA分析结果进行计算,可得出调整后的投入指标值。
2.3 第三阶段:DEA分析
再次将产出指标和调整后的投入指标导入到DEAP2.1软件中计算,结果如表1所示。
3 实证分析
3.1 环境变量影响分析
由SFA分析结果可知,居民消费支出对研发人员和研发经费松弛有显著负向影响,说明居民消费水平越高,对研发人员的需求越多,并且需要更多的经费来提供研发支持;出口额对研发人员和研发经费松弛有显著负向影响,说明产品出口所带来的收益显著,通常出口产品具有较高的技术含量,出口额越大,越有利于提高研发人员和研发经费的使用效率,减少浪费;教育经费支出对研发人员和研发经费松弛有显著正向影响,说明单靠增加教育经费支出无法有效提升研发人员综合素质和研发经费使用效率,相关部门应探索更有效的教育模式,使教育经费支出能产生有效的负向影响。
3.2 创新效率分析
由表1可以看出,区域创新能力排名靠前的地区其技术效率也较高,说明这些地区创新投入大的同时也有较大的创新产出。吉林的技术效率虽然很高,但是排名靠后,说明该地区若加大创新投入,其创新能力会明显提高。对比第一阶段和第三阶段的DEA分析结果可知,西藏、青海、海南和宁夏的技术效率均显著降低,这与实际情况相符,说明与一阶段DEA模型相比,三阶段DEA模型的分析结果更有效。区域创新能力排名最后六位地区的规模效率普遍较低,说明这些地区的生产规模与最优生产规模存在较大差距,而一阶段DEA模型无法得出此结果。
4 结论
本文通过分析研究,得出以下结论:
1)与一阶段DEA模型相比,三阶段DEA模型能更有效地滤除环境因素和随机因素的干扰,更准确地分析区域创新效率。
2)为提高区域创新能力,对于技术效率高的地区,应继续加大创新投入;对于纯技术效率低的地区,应提高企业的管理和技术水平;对于规模效率低的地区,应扩大其生产规模。
参考文献
[1]FRIED,LOVELL,SCHMIDT,et al.Accounting for environmental effects and statistical noise in data envelopment analysis[J].Journal of Productivity Analysis,2002(1):157-174.
[2]罗彦如,冉茂盛,黄凌云.中国区域技术创新效率实证研究——三阶段DEA模型的应用[J].科技进步与决策,2010,27(14):20-24.
[3]白俊红,蒋伏心.考虑环境因素的区域创新效率研究——基于三阶段DEA方法[J].财贸经济,2010(10):104-112.
区域创新:创新效率 篇10
1 文献回顾
西方学者对于人力资本的研究起源较早,上世纪60年代被誉为“人力资本理论之父”的经济学家舒尔茨[2]在就职演说《人力资本投资》中首次提出了人力资本的概念。舒尔茨指出,人力资本作为资本的一种存在形态,与物质资本不同,是通过对劳动者进行教育、培训、医疗、迁移等方式投资形成的产物,并在此基础上提出了人力资本作为生产能力具有投资收益不断递增的特点。此后,国外专家学者对于人力资本的探讨尤为激烈。美国经济学家贝克尔认为人力资本投资不仅局限在知识、教育等方面,将医疗、时间、培训等方面也纳入到人力资本投资的内容中来,并将人力资本的投入成本分为直接和机会成本两个方面,进一步扩大了人力资本投资的内容。综合相关文献可知,西方学者主要从投资收益的角度出发对人力资本进行研究。人力资本作为资本的一种形式,可以通过投资产生预期收益,个体投资之间的收益是具有差异的,因此应从对人力资本的投资方式、投资手段等各方面加以改进,综合提升人力资本整体水平。
国内对于人力资本理论的研究起步较晚,随着改革开放的进程,国内专家学者才开始对人力资本进行研究探讨。国内学者较为认可舒尔茨关于人力资本的观点。在西方既有研究成果的基础上,国内学者又进一步对人力资本进行了拓展。从高低层次角度来看,周坤[3]将人力资本分为两个层次,分别是体力、知识、经验等初级层次,以及才能、智慧等可持续创造价值并推动社会进步的高级层次,两个层次均依附人而存在。从生产力形态角度来看,根据边际报酬递增和边际报酬递减的不同,将人力资本分为异质和同质两种形态。李忠民从价值范畴强调人力资本是以人为载体,可以物化于服务或者商品,增加其效用,从而创造价值。从主体范围角度来看,人力资本不仅包括个体拥有的具有经济价值因素的整合,还包括群体中的个体拥有的具有经济价值因素的整合。综上可知,国内学者主要以人为出发点探讨人力资本的价值,并强调人力资本可以创造、增加价值,进一步丰富了人力资本的内涵。
与人力资本相关的现有研究中,人力资本对经济增长促进作用的研究成果十分丰富。Mankiw等[4]证实了人力资本投入会影响原始资源的投入对产出的影响;Funke等[5]从把人力资本看作内生变量的角度论证了可以根据人力资本的不同实现形态区分经济增长的不同阶段;国内学者也从不同角度验证了人力资本对中国经济增长的影响[6,7]。在经济增长的基础上,很多学者立足创新领域证实了人力资本的促进机制。张一力[8]通过实证分析,论证了人力资本机构的不同会导致创新模式的不同。吴晓园[9]立足福建省人力资本的探讨,认为调整人力资本结构、加快人力资本投入可以促进技术创新效率的提高。创新效率是在创新活动进行中,通过创新资源的投入、资源的合理配置实现创新产出的最大化;区域创新作为经济适应性的体现,对其效率进行有效评价有利于实现我国科研实力的提高。因此,本文立足于区域人力资本的测量,进一步探讨区域人力资本与创新效率间的相互关系。
2 区域人力资本的空间分布
2.1 指标选取和数据来源
2.1.1 指标选取
从人力资本研究的相关文献来看,对于区域人力资本空间分布的评价主要从人力资本基础、人力资本投资、人力资本存量和人力资本对社会经济发展的影响力4个方面进行[10]。本文根据对相关学者研究成果的总结分析[10,11],借鉴《中国人口统计年鉴》中的区域人力资本指标体系,并考虑数据的可得性,从以上4个方面建立区域人力资本的评价指标体系,如表1所示。
由于选取的指标较多,且指标单位和测量尺度不统一,为了科学准确地反映各个指标,本文用SPSS19软件,选取因子分析的方法对我国31个省(自治区、直辖市)的区域人力资本进行评价。
2.1.2 数据来源
为了保证指标的一致性,本文以《中国统计年鉴》、《中国劳动统计年鉴》为全部数据来源。首先,根据《中国统计年鉴(2014)》、《中国劳动统计年鉴(2014)》选取我国31个省(自治区、直辖市)的指标数据为分析样本。
2.2 实证结果分析
2.2.1 KMO和Bartlett的检验
首先验证因子分析的适当性和有效性,对样本数据进行KMO和Bartlett的检验,检验结果如表2所示。根据统计度量标准可知,KMO值大于0.6且越接近1越适合进行因子分析;Bartlett的球形度检验中则要求Sig为0。根据分析结果可知,KMO统计量为0.723,Sig在0.05的水平上显著,说明变量适合做因子分析。
2.2.2 提取主因子
对数据进行标准化处理,得出相关的特征值和累计贡献率,同时用主成分分析的方法提取主因子,处理结果如表3所示。
%
在累计贡献率88.45%(>80%)的基础上分析得到4个主因子,且这4个主因子的特征值均大于1,可以得出4个主因子提供了14个指标88.45%的信息,有效反映了我国31个省(自治区、直辖市)区域人力资本的空间分布。同时,从表3可以看出,旋转前和旋转后因子的累计贡献率总值未发生改变,可知总的信息量也未发生改变,因此选取该4个因子作为主因子。
2.2.3 计算因子得分和整体排名
首先,为使每个主因子的载荷分配可以清晰解释各个因子的意义,对初始因子载荷的矩阵进行旋转,得出主因子载荷值,并根据载荷值较大的指标定义各个主因子。
对各指标变量进行线性回归,得到因子得分系数矩阵,据此可进一步得出我国31个省(自治区、直辖市)的区域人力资本主因子得分的计算公式:
其中:Fi表示第i个主因子的得分(i=1、2、3、4);ai1、ai2…ai14表示在因子得分系数矩阵中,各指标在第i个主因子的相关系数,即为各指标在第i个主因子上的得分。
根据表3中4个主因子的方差贡献率,可以得出4个主因子的加权数。根据表3可以看出,F1的权重最大,为32.450%,是最关键的影响因子;F2的权重为28.920%,是次要重要的影响因子;F3的权重为18.415%;F4的权重为8.666%。因此区域人力资本的计算公式为:
将原始数据代入上述公式中整合计算,便可以得出我国31个省(自治区、直辖市)区域人力资本的综合得分和相关排名(如表4)。
根据分析结果可以看出,北京市的人力资本实力居于全国绝对领先位置。北京市作为全国的政治文化中心,始终将科技创新和发展人力资本摆在重要位置。经济新常态在北京市具有突出和明显的特点,不仅较早进入了经济增速换挡期,北京市2013年金融、信息科技服务和商务服务占服务业比重达到了近40%,还具有丰富的高端资本和大量的国际人才。全国人力资本指数排名紧随北京市其后的是上海市和天津市。上海市作为长三角经济区的主体城市,地理位置和开放程度均具优势,极大促进了其科技创新能力和知识流动能力。2013年上海市教育经费投资为710.6亿元,保障了教育覆盖的全面性。上海市的经济增速在2011年便提早进入了新常态,不断调整产业结构,并逐渐摆脱经济增长对投资和劳动力的依赖[12]。同为长三角经济群的江苏省和浙江省的人力资本实力则处于全国第4、5名的位置。我国2013年人力资本实力排在最后5名的省区市分别为新疆、青海、贵州、云南和西藏。这些人力资本实力落后的地区均处在我国西部地区,西部地区基础设施较为薄弱,创新氛围不足,专业人才数量与质量均不及其它地区,知识水平也较为落后,使得企业家人力资本较为匮乏。综上可以看出,我国人力资本的空间分布依旧存在严重的不均衡问题,东部发达地区人力资本实力雄厚,西部欠发达地区人力资本则十分匮乏,急需改善。
2.2.4 2009—2013年区域人力资本分布
为了更加明显清晰地显示区域人力资本的空间分布和变化趋势,同时保证数据纵向的可比性,根据上述研究方法对2009—2012年区域人力资本水平进行评价。
对区域人力资本实力纵向比较可以发现,我国2009年到2013年区域人力资本趋于整体不断增加的态势,这说明人力资本作为促进经济增长的关键生产要素,其重要性越来越被正视,全国各省区市逐渐以新型产业取代以劳动力为主的传统工业产业,推动产业结构的转型升级,增加第三产业的比重。2009年我国第三产业总产值为148 038亿元,占总产值的43.4%;2013年增长到262 203.8亿元,占总产值的46.1%。我国产业结构转型的过程在一定程度上促进了人力资本的结构优化[13],从而提升人力资本的综合实力。
纵观我国各区域的人力资本分布,可以发现区域人力资本的空间布局基本上未发生明显改变,北京市区域人力资本指数在2009年到2013年均处在第1位。我国人力资本聚集主要以北京为中心,集中在上海、天津、江苏等东部发达地区;新疆、青海、西藏等西部欠发展的地区人力资本则较为稀缺,且与东部城市的差距较为明显;河南、山西等中部地区则处于劣于东部地区、优于西部地区的层次,进一步证明了区域人力资本分布的不均衡性。
3 区域人力资本与创新效率
3.1 创新效率的评价
3.1.1 评价体系和数据来源
对于创新效率的评价指标主要有投入和产出两个方面。从客观性和科学性角度来分析创新效率,需要明确创新投入和创新产出各个方面的要素,但创新活动的不可预测性客观存在,因此只需选取有代表性的主要要素[14]。综合Sharma等[15]、池仁勇等[16]的研究成果,本文在创新投入的评价指标上选取研发经费和R&D人员全时当量;借鉴Zhang等[17]、赵树宽等[18]的研究成果,选取新产品销售收入、有效发明专利数作为创新产出的评价指标。如表5所示。
3.1.2 研究方法
综合现有学者的研究成果,对于创新效率的评价方法主要分为两种:一种是以DEA为基础的非参数方法,另一种是以SFA为基础的参数方法。Charnes[19]指出,DEA方法更为适用于处理投入产出多指标的复杂情况。而对于创新效率的评价是一项多投入多产出的评价活动,评级过程较为复杂,因此本文采用DEA方法对创新效率进行分析。
DEA方法根据假设条件不同可以分为CCR模型和BCC模型。CCR模型假设规模报酬不变,但科研创新活动不同于传统生产活动,边际收益具有明显的不确定性,因此本文选取规模报酬可变的BCC模型对我国各省(直辖市、自治区)的创新效率进行评价。
3.1.3 2009—2013年创新效率评价
基于数据的可得性和口径一致性,选取的研究对象为我国30个省(直辖市、自治区)(不含我国港澳台地区;西藏数据有缺失,故将其剔除),数据来源为2010—2014《中国统计年鉴》。
基于收集的样本数据,本文使用DEAP2.1软件评价2009年到2013年我国30个省(自治区、直辖市)的创新效率,结果如表6所示。由评价结果可知,我国创新效率居于前5位的地区分别为上海、广东、天津、海南、北京,创新效率均在0.85之上。其中:上海和广东的创新效率为1,达到DEA有效,说明这些区域对研发投入资源的利用效率较高;而青海、内蒙等地的创新效率较低,且与上述地区的差异较为明显,说明这些地区的创新资源管理不善,创新资源投入未能换得合理产出。基于变化趋势来看,从2009年起,我国30个省(自治区、直辖市)的创新效率无论增幅大小如何,均表现为整体增长趋势;但综合各地区的创新综合效率可以发现整体效率不高,DEA有效的区域占比最高年份的比重不超过16.7%,说明我国创新活动投入资本依旧存在很大程度的闲置和浪费。
3.2 区域人力资本与创新效率的相互作用
为了更加明显地对比分析我国区域人力资本分布情况和创新效率之间的对应关系,将2009—2013的区域人力资本指数和创新综合效率评价值取均值。
本文将区域人力资本指数和创新效率分为5个等级,可知我国区域人力资本实力和创新效率高低的空间分布基本相匹配。区域人力资本主要聚集在北京、天津、上海、江苏、浙江等东部发达城市,同时这些城市也是创新效率相对较高的区域;而人力资本相对贫乏的地区,如新疆、甘肃、青海等西部地区,创新效率也较低。可见,在区域人力资本分布较为密集的地方,创新活动较为有效地开展,创新投入可以较大程度地取得创新产出;在区域人力资本分布较为稀缺的地方,创新效率较低,创新资源浪费程度较为严重。人力资本作为创新资源的一种投入,可以有效影响创新活动的效率:人力资本聚集有效促进了创新活动的进程;人力资本的匮乏则会制约了创新效率的提高。我国创新技术在一部分上依靠对外来先进技术的引进和学习,从而进一步实现自主创新的提高,高素质的人力资本越容易实现创新技术的吸收,也更有利于实现创新效率的提高。
为了更清晰地观测区域人力资本和创新效率间的相互关系,通过SPSS19软件进行相关及回归分析。考虑创新活动的产出具有一定滞后性,因此选取区域人力资本各年指数和滞后1期的创新效率进行相关检验。检验结果如表7所示。
通过显著性检验,可以得出F值为102.505,对应的相伴概率值为0.000,在0.05下显著,且样本回归方程的R平方为0.556,说明模型是有效的。根据表7结果所示,创新效率和区域人力资本之间具有正向相关性,区域人力资本的聚集可以带动创新效率的提升,进一步证实了上述结论。
4 结论与分析
4.1 研究结论
我国新常态下,产业结构处于转型期,区域人力资本已逐渐取代劳动力成为经济增长的主要驱动。本文通过构建评价指标,利用2009—2013年我国31个省(自治区、直辖市)的原始数据,对区域人力资本的空间分布及与区域创新效率间的相互关系进行实证分析,根据分析结果得出以下几点结论:
(1)我国区域人力资本的空间分布以北京、上海、天津等东部发达地区为主要聚焦区域,新疆、西藏等西部地区人力资本较为匮乏,区域人力资本依旧存在分布严重不均的情况。处于产业结构转型期的中国经济,人力资本已发挥着越来越具优势的作用。因此,为了加速我国城市转型升级、在新常态经济发展阶段中实现经济稳定持续增长,应重视区域人力资本的均衡发展。
(2)区域间创新活动的投入产出效率差异较为明显,主要表现为沿海地区创新效率普遍高于中西部地区,创新效率的高低情况与地区分布相关。我国区域创新效率虽呈现上升趋势,但整体创新效率水平仍不高,说明我国创新结构还需改善,科技资源的配置还需进一步均衡。
(3)区域人力资本与创新效率具有正向相关性。区域创新效率与人力资本水平表现为空间分布的一致性:在区域人力资本较为密集的区域,创新活动具有更高效率的表现,创新投入得到更大幅度的创新产出;在区域人力资本较为匮乏的区域,创新活动产出效率的提升会受到阻碍。因此,在提高创新效率的方法视角上,可以从提高区域人力资本实力出发。
4.2 对策意见
(1)实施创新型人才战略。区域创新效率的提高同创新人才密不可分,优化对创新人才的培养体系,根据人才梯队的分布状态维持创新人才队伍的年龄结构、学历层次、技术水平,对于掌握前沿技术、经验丰富、能够承担重大项目研究的高层次创新人次给予重点培育,引导支持其为新兴产业攻坚克难;对创新人才技术水平的评估动态化,突出对专业素养和综合素质的重视和考核,摈弃专业技术终身制,时刻保持创新人才提升技术水平的动力,鼓励创新人才自我超越。
(2)优化人力资本发展方向。战略性新兴产业作为最具创新活力的产业,有效支撑区域创新效率的提升。战略性新兴产业发展与人力资本的质量有关,应针对适应战略发展需要的新兴产业,加大科技投入,鼓励高层次人才参与到产业建设中去,优化人力资本的投资方向,加快推动战略性新兴产业发展。
(3)深化以“互联网+”为突破点发展人力资本。发展人力资本应借助互联网平台,促进知识的交流和人力素质的提高。西部地区区域人力资本匮乏的原因,一部分归因于科教软硬件条件不足,利用互联网与科教结合,加速普及西部地区“互联网+”科教模式,通过互联网载体实现科教信息的传递和交流,改善教育资源分配不公的现象,加速西部地区人力资本建设进程,提高西部地区人力素质,有效提升西部区域人力资本的实力,从而改善我国区域人力资本发展不平衡的现状。
(4)进一步健全基层教育体系,加大基础教育的投入。与发达城市不同,较为贫困落后的县城基础教育发展还不够健全,并且高等教育在不发达县市还未普及,其素质教育事业的推动主要依靠基础教育的发展,因此对于相对落后的县域城市来说,基础教育对于人力资本素质的提升具有决定性的影响作用,基层教育体系的健全完善可以保障其人力资本素质的不断优化,进而增强其人力资本实力。
(5)进一步发挥政府的政策引领作用,从宏观层面加大对西部地区的扶持力度。西部地区地理环境较为恶劣,经济欠发达,不利于人力资本的培养和吸引,政府可以在福利待遇、优惠政策、思想导向等各方面引领高质量人力资本向西部地区偏移;同时制定完善合理的研发政策,促进创新投入的使用效率,避免科研资本的闲置。此外,还应健全医疗保障制度。西部欠发达地区的医疗环境和医疗设施条件较为落后,应加快完善西部地区新型农村合作医疗制度,保证人力资本的医疗公平,满足其医疗需求,为人力资本的持续发展提供保障。
摘要：新常态背景下,区域人力资本已成为经济增长的主要驱动。通过构建区域人力资本的评价体系,采用因子分析方法对我国31个省、自治区、直辖市的区域人力资本进行整体评价,并考察区域人力资本与创新效率的相互关系。研究结果表明:我国区域人力资本的空间分布仍处于不均衡状态;创新效率呈现上升趋势,但整体水平不高,仍需进一步提升,区域人力资本的聚集程度与创新效率的高低呈现空间分布的一致性。
区域创新:创新效率 篇11
摘要：文章认为区域产业集群的实现有赖于工业企业自主创新的推进；另一方面，区域产业集群也有助于促进工业企业自主创新的出现。两者的有效结合，有利于形成区域创新型产业集群，推动区域经济发展。
关键词：工业企业；自主创新；区域经济；创新型；产业集群
当前，工业企业自主创新的力量正在向着某些区位条件优越、基础设施完善、配套要素齐全、创新氛围浓厚的区域中心和骨干大型企业聚集，形成区域创新型产业集群。这种产业集群既有利于激发工业企业自主创新，也是创新成果的扩散，有力地推动着区域产业结构优化升级。
一、工业企业自主创新对区域产业集群的推进
经过改革开放30余年的发展，产业集群已成为一种产业结构优化升级的必然选择和普遍现象。从区域空间布局的角度来看，尽管存在着较大的分布不均匀和东西部差距，但总体上看，产业集群不仅在以环渤海湾、长江三角洲、珠江三角洲为中心的广大东部地区发展迅速。而且在中西部地区的中心城市如重庆、成都、武汉、长沙、郑州、西安等地也取得了长足进展。
那么。该如何才能最有效地实现区域产业集群?据联合国贸易与发展会议的界定，根据集群内企业技术的总体水平、集群变化的广泛性以及集群内企业间相互协作与网络化程度三个标准。可将集群分为非正式集群、有组织集群、创新集群、科技集群和孵化器及出口加工区五个类型。这五种类型其实也可以视作实现区域产业集群现象的5种不同作用机制。笔者认为。在现代工业文明的背景下，工业企业自主创新在区域产业集群的形成和发展中起到了关键性作用。其兼有创新集群和科技集群的作用机制。又通过空间扩散作用扩大了集群的影响力和吸纳力。
工业企业自主创新在空间上得以实现的基本模式就是技术联系上的集聚效应和由知识外溢性带来的近邻扩散效应。从企业自身的发展来看。出于加强彼此间经济技术联系和技术分工合作的需要，那些在经济技术上具有同一性、相近性、互补性、依赖性和关联性的经济活动，往往都会倾向于集中到资源和要素组合条件较为优越的同一个地方发展，通过集聚来获得在其它区域难以获得的技术环境和条件，并会产生更多的技术合作、碰撞出更多的创新，以此推动企业的技术进步和领先。同时，创新型的工业企业先行在技术上取得突破，由此改进企业生产组织形态、实现产品升级换代、提升生产效率，这种技术上的创新会从中心向周边扩散。并随着距离远近而递减。这意味着距创新源较近的企业比较容易先获得有关的信息及技术，距离远地区的企业则较难获得同等的信息与技术资源。克鲁格曼(1991)建立的规模报酬递增模型结果表明，一个经济规模较大的区域，由于前向和后向联系，会出现一种自我持续的制造业集中现象，经济规模越大。集中越明显。运输成本越低。制造业在经济中所占的份额越大。在厂商水平上的规模经济越明显。越有利于聚集。“中心—边缘”结构的形成取决于规模经济、运输成本和区域国民收入中的制造业份额。瓦尔兹(1996)也认为。区域经济一体化会导致规模收益递增的生产和创新产品的区域性集中，区域经济增长源于产业部门的地理集中及由此产生的持续的生产率提高。工业企业自主创新是区域产业集群保持活力的核心所在。可以有力地提升区域产业的质量；而且工业企业创新也具有很强的示范作用和带动作用，在成熟规范的市场机制的环境中，一个企业会因为其自主创新的超前性而获得超额利润，成为成功的榜样；并会由于人才、技术的辐射提升周围企业的技术水平，并吸引其它企业的技术转型或新企业的迁移前往。形成较强的企业集中；而由此带来的新的市场需求，又产生了前向、后向和侧向的效应。最后在一定区域范围内出现了成型产业集群。而在区域产业集群形成后，也会因为工业企业自主创新的不断激发涌现，持续地推动区域产业集群壮大发展。
从我国的区域经济现状来看，工业企业自主创新对区域产业集群的发展有着决定性意义。以四川德阳为例。该地的二重、东电、东汽三大厂形成了强有力的创新辐射源头。二重的大型铸锻件相关技术、东电的大型电站设备技术和东汽的各类汽轮机技术，既彼此相关促进，又带动了一大批配套企业集聚发展，使德阳成为我国重大技术装备制造业集中度最高的区域。
二、区域产业集群对工业企业自主创新的促进
一方面是工业企业自主创新对区域产业集群的推进：另一方面。区域产业集群也大大提高工业企业自主创新的出现可能和成功机率。从本质上看。产业集群是在空间范畴上的创新经济，通过企业之间、企业成员之间的技术合作、非正式交流和知识外溢。成为创新的动力和源泉。区域产业集群对工业企业自主创新的作用力主要体现在几个方面：
1、需求拉动力。恩格斯曾有过如此经典性描述：“社会一旦有技术上的需要，则这种需要就会比十所大学更能把科学推向前进。”换言之，区域产业集群一旦形成所产生的需要就会比十所大学更能把企业创新推向前进。区域产业集群形成后会自然而然地因为技术互补、技术交易产生企业间的创新需求：同时区域产业集群也面临着维持其优势、保持区域内领先的需求。必须要求产生更多的企业自主创新技术。这种来自企业间技术交易的需求和产业优化升级的内在需求是促使区域产业集群中企业自主创新涌现的最大动力。
2、企业间竞争压力。随着我国社会主义市场经济的不断完善，企业之间的竞争压力常态化，企业外在生存环境越来越规范而严峻，内部投资收益率也逐步降低，对企业发展的各方面要求则越来越高。但有压力才有动力，区域产业集群本身就是一种优势企业和企业优势的集成。同类或相近企业的密集布局，既有利于产生更多的产品需求，但也会形成更为激烈的竞争关系。为了更好地生存发展，企业必须不断推出创新技术；相应地，在对员工的创新素质提出了高标准要求。这种要求也影响到与之相关的互补或配套企业及中介组织。而且。在区域产业集群中，存在着企业间对自主创新技术、自主创新产品、自主创新品牌暗暗较劲的情况，即如波特提倡的企业集群竞争理论指出的那样，企业集群获得竞争优势的主要来源之一即是企业彼此接近，会受到竞争的隐形压力。而不甘落后的自尊需要和当地高级顾客的需求，迫使企业不断进行技术创新和组织管理创新。由集聚带来的有效的竞争压力。既加剧了竞争。又成为企业竞争优势的重要来源(秦琴、方苏春，2007)。
3、信息集成力。创新的载体是知识，这就是一种信息，工业企业自主创新的产生和扩散过程也就表现为信息的积累、学习、升华和输出的过程。在区域产业集群的系统中。各相互联系工业企业成为既独立又紧密相连的因子，从而可以实现系统内部信息流通更加顺畅，信息特别是那些富集先进理念的知识信息的充分流动更有利于促成企业自主创新。
4、相关联动力。区域产业集群往往是以一个或多个主导(支柱)产业为主体形成的企业集聚。主导产业的自主
创新发展会产生相关联动力，带动相关产业的工业企业自主创新；反过来，相关产业的工业企业自主创新，也会因近邻效应促进主导产业的若干因素自主创新。
5、自演进的推动力。工业企业自主创新的产生和演进并不是无中生有或杂乱无章的，而是有着内在产生规律和发展趋势。在区域产业集群的情况下。有利于工业企业自主创新自演进的内外条件得以大量出现。一般情况而言，创新领先的企业发展形成了创新的路径依赖和惯性，在已有的创新发明创新技术和创新理念的基础上，结合区域产业集群的需求和情况，催生出一系列衍生性的技术创新。
6、吸纳消化力。工业企业自主创新的形成通常来源于创新的思维和创新的科研成果，但仅有创新的想法是远远不够的。从实践情况来看。不少企业在进行自主创新研发过程中，可能会产生许多创新的灵感。但这些灵感往往会因为企业规模、实力和业务的局限或创新投资风险等原因而被忽略或被放弃，难以完成向现实规模化生产的转化。但在区域产业集群的情况下可以提供诸多政策优惠、资本保障等优厚条件。那些富有发展前景和潜在需求的技术创新，往往都会很快地被市场吸纳消化，发掘应用并形成强大的生产力。
7、区域环境作用力。这主要体现为区域产业集群内的创新物质环境、人文环境，以及由于带来的持久创新活力。在区域范围内，工业企业、客户、供应商和关联企业之间形成了庞大的网络，地理的相近、业务的往来和人际的交往创新出了一种促进彼此学习、交流和进步的催人上进的学习型区域环境。在这种情况下，区域内各工业企业成员会自觉或不自觉地产生新想法、新观念，并通过区域创新系统，转化为企业的自主创新行动。
三、构建区域创新型产业集群
作为同类及相关企业活动在地理上或特定地点的集中现象，区域产业集群必须体现出与众不同的地点，而创新可以长久保持其特色。总体来看，走区域创新型产业集群之路是各经济区域的必然选择。这就要求进一步根据现有的产业基础和特色。加大工业企业自主创新力量，在较高的技术水平上推动区域产业集群技术水平的提升：由此又促进更多工业企业自主创新的涌现，形成一个良性循环体系，进而带动整个区域产业结构的优化升级，走上又好又快的发展之路，
在区域产业集群的形成和发展上，我国不同经济区域有着不同的情况。东部地区特别是北京、上海、浙江、广东等地，其产业集群已由于有较多的创新技术支撑。形成了特点鲜明、发展加速、水平领先、效益倍增的格局。譬如。广东省珠三角地区业已形成我国规模最大、发展最快、产品出口所占比重最高的电子信息产品产业集群。据国家信息产业部统计，珠三角地区的产品覆盖通信设备、计算机、家用电器、视听产品和基础元器件，产值占全国三成多。其中新型陶瓷电子元器件基片产量占全国一半，智能化、节能环保型家电占全国产量的六成。其中，深圳华为公司自2002年以来。一直保持了专利申请量全国第一的地位。并且加快了新产品的国际专利申请的步伐。2008年申请的国际专利多达1737项，位居全球企业之冠。与之相应的是，其2008年合同销售金额高达233亿美元，同比增长46％。甚至在金融危机的重灾区——欧洲和北美市场的增长也分别达到42％和58％。相比之下。广大中西部地区的区域产业集群要滞后一些。也正因为此，更需要在完善区域创新体系的基础上，形成区域创新型产业集群。充分发挥地方工业企业在技术创新中的主体作用，走出一条符合区情、富有特色的产学研一体化创新之路。
在区域创新型产业集群发展过程中仍存在不少问题，限制了企业的更好发展。由于自然条件、历史基础、人口素质、基础设施、制度环境等诸多差异。我国不同地区的产业集群在形成和发展的过程中表现出不尽一致的区域特征，但一些共性的问题不可回避。笔者认为。在各区域形成创新型产业集群的共性问题中，内部学习与创新能力不足是关键。受内外条件限制。我国各经济区域的产业集群特别是中西部地区的产业集群往往主要考虑获取外部效益：在区域产业集群内部经常是一产生创新技术即蜂拥而上，企业模仿多于创新产品，不少企业在模仿生产中更把低质低价视为竞争法宝，削弱和打压了企业内部的创新冲动和能力。要改变这一现状，必须要进行有效的规范和引导，严格执行知识产权保护，通过建立区域技术创新平台和技术创新基金。引导企业立足于自主创新谋求自我发展，加速人才、产品、资金、信息的合理合法流动，将创新思维和成果进行有序扩散，实现区域内工业企业技术水平的普遍化提升，进而优化升级区域产业集群的整体水平和效益。
参考文献：
1.朱华友.我国产业集群研究现状及理论述评.资源开发与市场，2004，(2).
2.吴向鹏.产业集群与区域经济发展：区域创新网络的视角.重庆工商大学学报(社会科学版)，2004，(2).
3.王步芳.世界各大主流经济学派产业集群理论综述.外国经济与管理，2004，(1).
4.顾强.解读产业集群.中国民营科技与经济，2005，(8).
5.沈青.区域产业集群与企业技术创新的协同互动思考.科学管理研究，2005，(3).
6.吴向鹏.产业集群与区域经济发展：区域创新网络的视角.重庆工商大学学报(社会科学版)，2004，(2).
7.倪鹏飞.中国城市竞争力报告NO.3.北京：社会科学文献出版社，2005.
8.顾强.中国产业集群(第1辑).北京：机械工业出版社，2005.
区域创新:创新效率 篇12
1文献综述
近年来,国内外关于区域创新效率的研究取得了较多的成果。Sharmas S等[1]( 2008) 、Kao C.[2]( 2009) 、Fritsch M等[3]( 2010) 考察了不同区域的创新效率,分析了区域创新的各自特征与动态演变过程,并且对创新效率偏低的区域提出了针对性的提升建议。国内学者对于区域创新效率的研究,主要采用投入产出法,其中以DEA ( 数据包络分析) 和SFA ( 随机前沿分析) 方法最为普遍。张宗益和张莹[4]( 2008) 使用DEA模型对我国省域技术创新效率进行了研究,结果表明我国区域创新效率呈上升趋势,但是总体水平偏低,而且存在显著的区域差异; 史修松,赵曙东,吴福象[5]( 2009) 借助随机前沿模型分析了空间差异对区域创新效率的影响,研究结果显示中国区域创新效率总体水平偏低,并且区域之间差异显著; 罗彦如,冉茂盛,黄凌云[6]( 2010) 利用三阶段DEA模型对我国2007年区域创新效率进行了实证研究,发现整体创新效率水平较低; 王家庭和单 晓燕[7]( 2010 ) 利用DEA模型和Malmquis指数实证分析了我国区域技术创新两阶段效率变动,研究表明: 试验创新效率基本稳定, 产品创新效率提升幅度较大; 刘和东[8]( 2011) 也是利用随机前沿模型进行了研究,发现人力资本、基础设施建设对区域创新效率有明显的促进作用,企业主体、金融支持对区域创新效率有明显的抑制作用; 谢子远和鞠芳辉[9]( 2011) 利用DEA模型分析了产业集群对区域创新效率的影响,结果发现产业集聚明显地对区域创新效率有负向作用; 白俊红和蒋伏心[10]( 2011) 借助于三阶段DEA模型,考虑了环境因素对区域创新效率的影响,认为现阶段中国区域创新效率不高的主要原因是 规模效率 不高; 陈红梅和 宁云才[11]( 2011) 运用DEA和主成分分析相结合的评价模型研究了区域创新效率,结果显示区域创新总体效率较低,其主要原因是创新投入不足; 樊华, 周德群[12]( 2012) 运用规模报酬可变的DEA模型测算了中国省域科技创新效率并且分析其收敛性和影响因素,研究表明科技创新效率具有周期波动的特点,东部科技创新效率明显高于中西部, 西部创新效率虽然不高,但是提升较快,赶上并超过了中部区域; 钟祖昌[13]( 2012) 利用SBM和三阶段DEA模型,分析影响国家创新效率的因素,研究发现对外开放水平和产业结构优化有利于国家创新效率提升; 中国区域创新效率演变过程中有着明显的地理集聚特点,并且地理集聚水平处于不 断的上升 之中; 王春扬和 张超[14]( 2013) 借助于ESDA模型,研究发现中国区域创新效率演变过程中有着明显的地理集聚特点, 并且地理集聚水平处于不断的上升之中; 赵峥和姜欣[15]( 2014) 运用DEA模型对中国省区创新效率进行了研究,研究结果表明中国省际创新效率波动性很大; 李政和任航[16]运用Malmquist方法测算区域创新效率,研究发现较低的区域技术进步率对中国区域创新效率提升有明显的制约作用。
在上述研究中,基本上假设所有区域都具有相同的技术水平,将具有不同技术前沿的生产单元放在统一标准下进行比较,没有考虑到区域之间存在的差异,这样做法的科学性和研究结果的准确性都是值得思考的。为了解决这个问题,在Battese和Rao[17]( 2002 ) 、O'Donnell[18]( 2008 ) 等学者的努力下,在DEA模型的基础上构建非参数共同前沿,这种方法可以较为准确地测算出群组效率与共同效率。针对中国进行区域创新效率测算时,由于我国幅员辽阔,社会经济发展不平衡,各个区域之间的差异性显著,东部区域、中部区域与西部区域的技术前沿是不相同的,如果将这3个区域放在统一的标准下测算创新效率显然是不合理的。黄奇等人[19,20]( 2014) 在利用共同前沿测算中国区域创新效率方面做了开创性的工作,得到了中国总体创新效率偏低、东部区域与全国最优创新水平非常接近、中部区域与西部区域创新技术缺口比率低于全国平均水平的结论, 但是在选取具体创新投入产出指标时,个人觉得指标数偏少了一些。为了拓展中国区域创新效率问题的研究,本文运用非参数共同前沿方法研究中国区域创新效率及区域差异,以期为提升中国区域创新效率提供有效的决策信息。
2研究方法
假设生产过程中的投入向量为xi,设xi= ( x1,x2,…,xM) ∈ RM+,产出向量为yi,设yi= ( y1,y2,…,yN) ∈RN+。根据区域各自的特点,将不同区域划分为g个群组 ( g = 1,2,…,G) ,则第g个群组中生产单元投入产出的技术集合为Tg,
此时生产可能集P( x) 可以定义为:
Pg( x) 的上界就是 “群组前沿”,隐含的意思就是群组间的技术差距无法被 “突破” 的情况下,生产单元追求最小投入的技术边界。所以以投入最小化为出发点,此时的距离函数可表示为:
因为实际生产水平与前沿生产水平的比值就是距离函数,Farrell ( 1957) 认为,可以用距离函数来测算生产单元的投入效率,在本文中,即为区域投入产出的创新效率,即:
设TJ为包含g个群组生产前沿所包络在一起的凸性共同技术集合,此时共同技术集合为g个子技术集合的并集,即:
此时的生产可能集即可以表示为:
PJ( x) 的上界就是 “共同前沿”。与群组前沿不同的是,共同前沿隐含的意思就是群组间的技术差距可以被 “突破”的情况下,并且所有生产单元具有相同技术能力的情况下,生产单元追求最小投入的技术边界。所以以投入最小化为出发点,此时的距离函数可表示为:
如前所述,DJ( x,y) 测算的是生产单元实际投入与共同前沿上投入的比值,因此共同前沿的技术效率即为:
并且,群组前沿的包络曲线就是共同前沿, 因此在群组前沿与共同前沿下,生产单元的技术效率有着如下关系:
DJ( x,y) ≥Dg( x,y) TEJ( x,y) ≤TEg( x,y) ( 9)
构建共同前沿的目的就是要测算出 “共同技术率 ( MTR ) ”, 也称之为 “技术缺口 比y ( TGR) ”,其值等于生产单元分别在群组前沿与共同前沿下的技术效率的比值,该值表示群组前沿与共同前沿技术水平的差距。TGR越低,就可认为生产单元所在群组的生产技术水平与潜在生产技术水平差距越大,反之亦然。可以表示为:
由上式可得:
为了进一步明确共同前沿、群组前沿以及技术缺口比率 ( TGR) 之间的关系,可以用图1来说明。
在图1中,设定共同前沿为凸函数,所有生产单元构成3个区域前沿样本,分别是区域前沿1、2和3,在共同前沿、区域前沿下的技术效率、 技术缺口比率 ( TGR) 可以分别表示如下:
3样本、指标和数据
本文以2009 ~2013年中国30个省份作为基本的研究单位 ( 包括省、自治区和直辖市,下文都称之为省。考虑到数据的可得性,不包括香港、澳门、台湾和西藏) 。按照传统的区域划分方法,将中国划分为东部 ( 北京、天津、河北、辽宁、上海、江苏、浙江、福建、山东、广东和海南) 、中部 ( 山西、吉林、黑龙江、安徽、江西、河南、湖北和湖南) 和西部 ( 内蒙古、广西、四川、贵州、 云南、陕西、甘肃、青海、宁夏、新疆和重庆) 。
区域创新投入指标。参考以往文献[4,5,6,7,8,9,10,11,12,13,14,15,16],主要从人力、财力和物力3个方面进行考察,即创新劳动力投入、创新固定资产投入和创新资本投入, 分别用2009 ~ 2013年各省份R&D人员全时当量、 R&D资产性支出和R&D经费内部支出1来衡量。
区域创新产出指标。参考以往文献[4,5,6,7,8,9,10,11,12,13,14,15,16],多数选择专利申请、专利授权量、新产品销售收入等指标作为区域创新产出的反映指标。白俊红、 李靖[21]( 2011) 认为专利申请量相对于专利授权量受专利机构工作效率、偏好等外部因素影响较小,同时由于专利授权量具有明显的时滞性,不能很好地反映当期创新水平,相反专利申请量能更好地反映当期的创新水平; 技术市场合同额在一定程度上反映了区域创新水平; 新产品销售收入在相关年鉴中没有省域统计数据,幸好有规模以上工业企业和高技术产业新产品销售收入可以作为替代指标。因此,用专利申请量、技术市场成交合同额、规模以上工业企业和高技术产业新产品销售收入作为反映区域创新产出指标。
相关数据来源于 《中国统计年鉴 ( 2010 ~ 2014) 、《中国科技统计年鉴 ( 2010 ~ 2014) 》 以及各省份相应年份统计年鉴整理得到。
中国三大区域及全国的投入产出指标的统计性描述如表1所示。
注: 面板数据包括 30 个省份 5 年共 150 个样本观测点。
4实证研究
4.1中国区域创新效率的区域差异分析
在这里,将样本期间所有的投入产出数据作为当期的参考技术集,采用 “跨时期前沿”方法构建生产前沿,分别在区域前沿和共同前沿下测度中国各区域2009 ~ 2013年的区域创新效率,统计描述结果如表2所示。
注: 由于篇幅所限,没有列出具体省份创新效率值。
由表2可知,2009 ~ 2013年期间,中国三大地区的区域创新效率整体水平偏低且地区差异显著,还存在较大的提升空间。在共同前沿和区域前沿下,样本期内中国区域创新效率均值分别为0. 6341和0. 8300, 表明在全 国创新投 入削减36. 59% 和17% 的情况下,仍然能够达到现有的创新产出水平。共同前沿下,中部地区和西部地区的区域创新效率低于全国的平均水平; 而在区域前沿下,只有西部地区的区域创新效率低于全国的平均水平。区域前沿下的区域创新效率明显高于共同前沿下的区域创新效率,以西部地区为例,在区域前沿下的区域创新效率值为0. 7491, 说明还存在25. 09% 的提升空间; 而在共同前沿下的区域 创新效率 值仅为0. 4718,说明存在52. 82% 的提升空间,两者的差距非常大。从区域的角度来看,在共同前沿下,东部地区的区域创新效率最高,其次是中部地区,西部地区最低; 而在区域前沿下,区域创新效率值从大到小的排序却为中部———东部———西部的格局。为了验证两种前沿下中国区域创新效率的差异性,本文应用非参数Mann - Whitney检验进一步分析,结果如表3所示。
注: * 、**、***分别表示 10% 、5% 和 1% 的显著性水平。
由表3可知,中、西部地区和全国在两个前沿下的区域创新效率在1% 水平下差异显著。可能是因为: 在区域前沿下,各区域以自己各自的技术前沿为基准,效率值仅仅反映在自身技术条件下的区域创新效率水平。在共同前沿下,参考的技术前沿是全国区域创新效率的潜在最优水平。 由于中西部地区无论从创新的硬件设施、人才储备和管理经验等方面,与东部地区相比存在比较大的差距,所以中西部地区在区域前沿下的区域创新效率水平被显著高估了。东部地区在两种前沿下的区域创新效率没有显著差异,这是由于东部地区经济实力雄厚,技术创新积累和人才储备方面均代表我国的最高水平,两种前沿下的参考技术水平基本相同,所以东部地区的区域创新效率自然不存在显著差异。
4.2中国区域创新效率的差距分析
在测量中国各地区的区域创新效率基础上, 进一步通过应用技术缺口比率 ( TGR) 来分析中国区域创新效率的差距。其结果如表4和图2所示。
注: * 、**、***分别表示 10% 、5% 和 1% 的显著性水平。
由表4可知,在1% 的检验水平下,非参数独立多样本Kruskal - Wallis检验的原假设不成立, 即TGR存在显著的区域差异。三大地区的TGR分别为0. 9316、0. 6735和0. 6334。其中,东部地区在维持创新产出不变的情况下,可以达到全国区域创新投入利用水平的93. 16% ,远远超过中部和西部地区。由图2可知,样本期内东部地区的TGR一直在0. 87以上,2009、2012年和2013年甚至达到0. 95以上。主要是由于,东部地区具有天然的沿海地理优势,改革开放发展比较早, 开放程度比较高,在知识、技术、管理和对外政策等方面均发挥着窗口的作用,吸引外资能力比较强,国外的先进技术引进渠道多,在区域创新方面的制度安排、人才激励和管理方法等方面均比较成熟。由表4可知,与东部地区相比,中西部地区的TGR比较低,分别为0. 6735和0. 6334, 与共同前沿相比,其区域创新效率还有32. 65% 和36. 66% 的提升空间。由图2可知,中西部地区在2009 ~ 2011年期间,TGR呈现上升的趋势, 但是在接下来就有所下降,呈现波动发展的趋势, 说明中西部地区还没有为区域创新稳定发展创造足够的条件。
5结论与启示
创新是社会发展的最强驱动力,考虑到我国作为发展中国家的现实,在有限的科研创新资源下提高区域创新效率是提升中国科技实力的必经路径。本文在非参数共同前沿和区域前沿两种前沿下,对中国东中西部地区在2009 ~ 2013年的区域创新效率差异进行了比较分析,并应用技术缺口比率 ( TGR) 进一步分析了东中西部三大地区的区域创新效率差距。得出结论如下: ( 1) 无论基于共同前沿还是区域前沿,从中国整体来看, 中国的区域创新效率整体水平仍然偏低,提升空间比较大。( 2) 由于参考的技术前沿不同,区域前沿下的区域创新效率值会高估区域创新的真实水平,基于共同前沿的区域创新效率则反映了区域创新效率的潜在提升空间。 ( 3) 从不同地区来看,三大地区的区域创新效率差异显著。东部地区的区域创新效率水平远远超过中西部地区,代表了中国区域创新的最高水平,而中西部地区与东部地区的差距非常明显,其区域创新的相关配套设施条件有待进一步发展。