基于改进超效率DEA模型的长江经济带科技创新效率研究

刘 钒1,邓明亮2

(1.武汉大学 发展研究院;2.武汉大学 经济与管理学院,湖北 武汉 430072)

摘 要:为了揭示长江经济带11省市科技创新效率演变规律及其影响因素,基于PCA-SE-DEA组合模型,对全国和长江经济带科技创新效率进行测度,重点对长江经济带的科技创新效率进行收敛性检验和影响因素分析。研究表明:长江经济带科技创新效率略低于全国平均水平;长江上中下游省市科技创新效率的地区差异呈逐步扩大趋势;长江经济带科技创新效率较低省市的追赶效应尚不明显;地区产业结构优化升级对长江经济带科技创新效率的影响最为显著。由此提出,长江经济带需要统筹协调,建立协同协作机制,构建全流域创新创业生态系统,提高整体科技创新效率。

关键词:PCA-SE-DEA组合模型;长江经济带;科技创新效率

0 引言

长江经济带横贯我国三大经济地带,是唯一连接我国东部、中部和西部的城市带,沿线11个省市人口和经济总量超过全国的40%,对促进我国区域经济社会协调发展具有举足轻重的战略地位。长江经济带发展战略作为新时期国家区域发展三大战略之一,受到中央和地方政府的高度重视。有关长江经济带发展的立体顶层设计已展开并逐步完善,但长江经济带发展仍面临区域发展不平衡、产业转型升级任务艰巨等问题。习近平总书记提出,“要将长江经济带建设成创新驱动带”。2016年9月发布的《长江经济带发展规划纲要》提出:“长江经济带发展应在改革创新和发展新动能上做‘加法’,把长江经济带建设成为我国生态文明建设的创新驱动带。”长江经济带发展必须贯彻落实五大发展理念,尤其要重视依靠科技创新驱动长江沿线地区实现跨越式发展。在此背景下,系统研究长江经济带11个省市的科技创新效率及其在全国的位置状况,深入分析长江经济带科技创新效率的动态变化规律及其影响因素,不仅有利于揭示和预测长江经济带科技创新效率的演化趋势,而且有利于探索长江经济带科技创新效率的有效提升路径,对促进长江经济带沿线地区实现创新驱动发展具有重要的实践意义。

1 文献综述

Hollanders和Funda[1]将创新效率定义为,相同创新投入水平下取得更多创新产出,或相同创新产出水平下更少的创新资源投入,即创新投入和产出的比率。借鉴现有研究成果,本文将区域科技创新效率定义为区域科技创新活动中投入与产出关系,用以反映区域科技创新活动水平与质量,体现了区域创新系统资源配置和使用效率。国内外学者使用的区域科技创新效率测算法主要包括数据包络分析法(DEA)、主成分分析方法(PCA)、Malmquist指数法、随机前沿分析法(SFA)、层次分析法(AHP)等。

数据包络分析法(DEA)是学术界运用比较广泛的科技创新效率测算方法,包括经典DEA方法和改进的DEA方法。李泽霞等[2]、芮雪琴等[3]、吴敏[4]、余泳等[5]、王仁祥[6]、孙志红[7]采用经典DEA方法对我国31省(区市)科技创新效率进行测算与分析;王玉霞等[8]、胡凯[9]、孔原等[10]、许珂等[11]运用经典DEA分析方法对特定省份的科技创新效率及动态演化趋势进行分析。对于改进DEA方法的运用,冯志军等[12]、梁瑞敏等[13]基于二阶段DEA模型对我国各省科技创新效率进行测算与分析;金怀玉等[14]基于三阶段DEA模型,结合各省滞后4期科技投入产出数据,对我国内地30个省份的科技创新效率及其影响因素进行了实证研究;曹振全等(2012)、侯强等[15]、尤瑞玲等[16]运用超效率DEA分析方法,对特定区域科技创新效率进行了测算与分析。

主成分分析法(PCA)也被用于科技创新效率测算。李晓丽[17]基于PCA模型对我国内地31省份区域科技创新效率进行了测算与分析;赵菁奇等[18]、黄天蔚等[19]采用PCA方法分别对长江经济带11省市文化产业园的科技创新效率、创新能力进行了量化研究。

其它区域科技创新效率测度方法。例如,徐小钦等[20]、何丹[21]、尤瑞玲[16]使用Malmquist指数方法对我国各省市科技创新效率进行测算;王犁等[22]、韩先锋等(2010)、张姣芳等[23]采用非参数Malmquist指数法对我国内地31个省市科技创新效率进行评价。又如,陈敏等(2012)、马晓琳(2017)基于随机前沿分析法(SFA)分别对我国东中西经济带的科技创新效率、木材加工制品行业科技创新效率进行测算;刘志华[24]、张勰等[25]通过模糊层次分析法、层次分析法完成科技创新效率的量化分析;童纪新等[26]、雷琳洁等[27]、赵菁奇等[18]基于灰色关联度分析法,对江苏各市、东部九省、长江经济带等不同对象的科技创新效率进行实证研究。此外,侯强等[16]采用非径向的超效率SBM模型,严红等[28]采用灰靶模型,彭迪云等(2016)利用耦合度模型和耦合协调度模型,陈华彬等[34]运用系统聚类分析法,这些方法是对科技创新效率测度研究的有益探索。

综合文献分析可见:从研究方法看,DEA、PCA、SFA、AHP等分析方法在科技创新效率测算中均有不同程度的运用,DEA方法中的经典DEA模型使用最为普遍;从空间尺度看,现阶段科技创新效率研究主要集中在全国内地31省区市的测算与比较,以长江经济带为特定对象的专题性研究尚不多见;从研究内容看,现有研究大部分集中在科技创新效率值的计算,针对科技创新效率动态演变规律及影响因素的研究有待进一步深入。基于此,本文采用改进的DEA分析法,结合PCA方法构建PCA-SE-DEA模型,以长江经济带11省市科技创新效率的时空演变和影响因素为内容进行实证研究。

2 长江经济带科技创新效率测度方法

尽管文献分析表明,DEA方法在科技创新效率测度中运用最为广泛,但其指标强相关带来测算结果难以比较的问题,始终未能得到充分解决,使得DEA模型存在一定缺陷。换言之,当投入与产出变量之间存在强相关性时,区域科技创新效率将出现缺乏区分度的情况,进而影响测评结果的准确性。而超效率DEA模型(以下简称SE-DEA模型)能有效解决科技创新效率值辨识度低的问题。同时,PCA分析法能够提取分析指标中相关性较强的公共因子,通过降维操作,很好地解决DEA模型中指标强相关带来的问题。因此,本文结合PCA分析法和SE-DEA模型,对长江经济带科技创新效率进行实证分析。为了更深入地分析长江经济带科技创新效率的演变规律和影响因子,本文采用σ收敛和绝对β收敛两种方法检验科技创新效率的敛散性,使用Tobit面板回归模型对长江经济带科技创新效率的影响因素进行分析,并且对2004-2015年我国30省(市)(西藏因数据缺失未纳入分析范畴)科技创新效率进行整体测度。

2.1 PCA-SE-DEA组合模型

本文将采用的SE-DEA模型构建于CCR模型基础之上,不同于传统CCR模型,SE-DEA模型将DMU从参考效率的“前沿面”分离,使得科技创新效率测算结果有可能大于1,从而可对所有决策单元进行排序。“前沿面”可以理解为,由所有产出最大的投入组合形成的多维空间面。本文选取基于投入导向规模报酬不变的SE-DEA模型,假设有n个DUM,每个DUM都有m种投入和s种产出,第j个决策单元DUMjxij表示第i种投入,yij表示第r种产出,λj表示第n个DUM的投入产出指标权重为加权处理后的DMU投入量为加权处理后的DMU产出量。模型表示为::

(1)

式(1)中,θ表示相对效率表示松弛变量,ε表示非阿基米德无穷小,通常取ε=0.000 001。假设式(1)存在最优解那么θ*为科技创新效率值。

同时,本文采用PCA方法提取与长江经济带科技创新效率存在较强相关性的公共因子。现有区域科技创新效率研究主要选取人力资源、资金使用、环境污染作为投入指标,本文引入政策环境作为投入指标,建立包括政策投入、人员投入、资金投入和环境投入的指标体系;选取技术市场成交额(y1)、高技术产业新产品销售收入(y2)、专利申请数(y3)和高技术企业数(y4)作为科技创新效率产出指标,科技创新效率测度指标见表1。

表1 科技创新效率测度指标

分项指标 具体指标投入指标政策投入科技成果转化文件数(x11)科技金融改革创新文件数(x12)科技创新财政税收支持文件数(x13)科技创新基金支持文件数(x14)人员投入R&D机构从业人员数(x21)R&D人员全时当量(x22)普通本专科毕业学生数(x23)资金投入R&D经费(x31)新产品开发经费支出(x32)科学技术支出(x33)国家财政性教育经费支持(x34)环境投入高等院校数(x41)R&D机构数(x42)产出指标技术市场成交额(y1)高技术产业新产品销售收入(y2)专利申请数(y3)高技术企业数(y4)

注:数据均来自北大法律信息网、《中国高技术产业统计年鉴》、《中国统计年鉴》、《中国科技统计年鉴》,下同

上述PCA-SE-DEA组合模型一方面可以在保留各投入产出指标信息完整的基础上,降低指标间的关联水平;另一方面,能较好发挥出SE-DEA模型在评价决策单元相对有效性过程中的优势,从而更为精确地测度长江经济带11省市创新效率。

2.2 科技创新效率收敛性检验

为了进一步把握长江经济带11省市科技创新效率区域差异的动态演变规律,本文采用σ收敛和绝对β收敛两种方法检验科技创新效率的敛散性。首先,对长江经济带科技创新效率的σ收敛检验,公式如下:

σt=

(2)

式(2)中,IEi(t)为第i个地区在t时期科技创新效率,N为省份数,本文中N=11。当σt+1<σt时,各省科技创新效率离散系数缩小,即存在σ收敛;当σt+1t时,各省科技创新效率离散系数扩大,即存在σ发散。

长江经济带科技创新效率的绝对β收敛回归如式(3)所示:

=α+βln(IEi,0)+ε

(3)

式(3)中,IEi,T表示在t=T时期的科技创新效率,IEi,T表示基期第i个省的科技创新效率,表示第i个省在t=T时期前科技创新效率的平均增长速度,α为常数项,β为系数,ε为误差项。若β<0,则存在绝对β收敛,各地区科技创新效率增长率与其初始水平呈反向关系,即科技创新效率与初始值成反比,后发地区表现出对先进区域的追赶趋势;若β>0,则各地区不存在收敛,即后发区域的追赶效应不明显

2.3 Tobit模型

在完成长江经济带11省市科技创新效率测算的基础上,本文将科技创新效率(IE)定义为响应变量,将其它影响因素定义为控制变量,采用两阶段分析法建模研究科技创新效率(IE)的影响因素。因为IE∈[1,2],为受限因变量,若仍采用普通的最小二乘法会导致回归参数估计值有偏差。因此,本文采用Tobit模型解决受限或截断因变量的建模问题,具体如式(4):

(4)

式中,Yk为受限因变量,Xk为控制变量,β为参数集,μkN(0,σ2),k=1,2…。

文献分析表明,地区发展水平、经济结构、政策环境是影响区域科技创新效率的主要因素。为进一步分析相关因素对科技创新效率的影响机制,本文选取经济发展水平、产业结构、人口数量、城镇化率、外商投资和研发经费作为影响因素进行Tobit面板分析,分析变量见表2。

表2 长江经济带科技创新效率影响因子

变量名标签变量含义经济发展水平GDP地区生产总值产业结构INDUS工业产值比地区生产总值人口数量POPU地区就业人口总数城镇化率URBAN地区城镇化率外商投资FORIN外商投资总额研发经费R&D研究与实验发展(R&D)经费

3 长江经济带科技创新效率动态性分析

本文首先采用KMO值和Bartlett值检验样本数据的公共因子分析适宜度,再使用SPSS 22.0软件对投入指标进行主成分分析。为使数据平滑且满足模型的数据输入与输出要求,进一步建立包括4个产出指标和4个投入指标的SE-DEA模型,运用极大值标准模型对数据进行无量纲处理,以解决主成分分析中公共因子可能为负的情况,计算方法如式(5)所示:

(5)

式中,Fij表示处理前的值表示处理后的值,maxFij表示最大值,minFij表示最小值。完成数据变换后,结果数据全部在区间[0.1,1]内。

在对投入、产出数据进行无量纲处理后,采用PCA-SE-DEA组合模型对我国大陆30省市2004-2015年的科技创新效率进行测度。长江经济带11省市科技创新效率测度结果见表3。从全国范围看,北京、上海、江苏、浙江的科技创新效率最高,基本每年都位于1的水平之上,处于全国领先地位;从长江经济带范围看,江苏、上海的科技创新效率遥遥领先,浙江、湖北居于中等偏上水平,云南、贵州相对落后;从地区分布看,长江经济带11省市中下游地区的江苏、上海、浙江的科技创新效率在全国位居前列,中游地区的安徽、江西、湖北、湖南四地仅湖北的科技创新效率表现较好,上游地区的四川、重庆、云南、贵州的科技创新效率相对落后;从平均值看,长江经济带11省市12年间的科技创新效率整体略低于全国平均水平,可见长江经济带各省市的科技创新效率还有相当大的提升空间。其中,长江下游省份的科技创新环境整体比长江中上游省份有较大优势,从而其科技创新效率较高,在创新驱动发展与产业结构转型升级中具有更强的竞争优势。

表3 长江经济带11省市科技创新效率测度结果(2004-2015)

年份200420052006200720082009201020112012201320142015mean上海1.501.542.222.015.825.191.241.140.781.500.721.402.15江苏1.901.686.205.691.411.601.431.792.401.712.231.682.55浙江1.181.421.411.241.791.172.264.721.192.611.282.221.84安徽0.270.300.420.380.360.490.750.600.670.850.500.670.51江西2.280.660.650.241.080.440.460.590.801.200.170.690.78湖北0.582.420.700.655.231.020.650.640.720.614.200.631.58湖南0.800.971.040.541.092.380.610.650.720.690.880.580.95重庆0.810.602.130.260.670.320.440.360.360.700.190.650.62四川0.410.560.760.710.901.240.731.021.121.010.510.680.82贵州0.150.190.320.190.080.080.090.100.110.570.090.240.18云南0.360.270.300.140.120.130.090.100.180.400.141.300.20Mean11.130.931.111.001.131.081.131.310.941.250.891.091.18Mean20.930.961.471.101.691.280.801.060.821.080.990.981.11

注:表中用斜体标出的是长江经济带11省市科技创新效率;Mean1表示全国科技创新效率平均值,Mean2表示长江经济带科技创新效率平均值

4 长江经济带科技创新效率差异性分析

由前述讨论可知,长江经济带科技创新效率的区域差异十分明显。因此,需要对数据作进一步处理,以准确把握区域差异的演化趋势,预测各省科技创新效率能否趋同。首先,对长江经济带科技创新效率进行σ收敛分析,根据式(2)计算11个省(市)2004-2015年科技创新效率的σ收敛结果,见图1。2008年,长江经济带11省(市)科技创新效率σ收敛值达到峰值。2008年之前11个省(市)的科技创新效率区域差距呈不断扩大趋势;2008-2012年间11个省(市)的科技创新效率σ收敛结果波动下降,说明科技创新效率的区域差距逐年缩小;而2012年后,11个省(市)的科技创新效率区域差距又呈现扩大趋势。2008年全球金融危机之前,长江下游省份参与国际市场竞争,积极推动科技创新,其科技创新效率与长江中上游省份的差距不断扩大。2008年之后,长江下游省份受金融危机影响,导致科技创新活动受到一定冲击,与此同时长江中上游省份加快科技创新发展,长江上中下游省份的科技创新效率由此呈现下降趋势。然而由于下游省份的科技基础与创新优势较大,下降趋势尚不明显。

图1 长江经济带11省市2004—2015年科技创新效率σ收敛结果

同时,本文对长江经济带科技创新效率进行绝对β收敛分析,以检验科技创新效率低的省市是否对科技创新效率高的省市存在有效追赶,相关结果见表4。检验结果中的回归系数为正,意味着后发地区对优势地区尚无明显的追赶效应,且各地区之间的科技创新效率差异呈继续扩大趋势。这一结论与σ检验分析的结果吻合,长江经济带11个省份的经济、社会、科技发展差异很大,尤其是上中游省份的科技创新基础普遍较为薄弱,科技创新的人员投入、资金投入、环境投入与下游省份的差距较大,因而上游省份科技创新追赶效应还不明显。

5 长江经济带科技创新效率影响因素分析

基于上述测算,本文进一步建立包括以各省科技创新效率为响应变量、影响因素为控制变量的面板实证模型,采用两阶段分析法揭示科技创新效率的影响因素及其影响机制。本文选取经济发展水平(GDP)、产业结构(INDUS)、就业人口数量(POPU)、城镇化率(URBAN)、外商投资(FORIN)、研发经费(R&D)作为影响因素,并借助Tobit面板计量回归模型进行回归,以解决科技创新效率受限因变量的问题。Tobit面板模型如式(6)所示:

IEit=βo+β1LNGDPit+β2INEUSit+β3LNPOPUit+β4URBANit+β5FORINit+β6R&Dit+εi

(6)

式中IEit为长江经济带中i省第t年的科技创新效率,βj(j=1,2,···,11)为参数,εit为误差项。基于极大似然方法原理,经Stata12.0计算得出Tobit模型回归结果见表5。

表4 长江经济带11省市2004-2015年科技创新效率β收敛检验结果

IECoef.Std.Err.tp [95%Conf.Interval]β1.74444220.069786310.670.0000.60611360.8827707α-0.11549280.072552-1.590.114-0.25930350.028318

表5 长江经济带11省市2004-2015年科技创新效率影响因素回归结果

IECoef.Std.Err.zP>z [95%Conf.Interval]LNGDP0.15469170.05206712.970.0030.0526420.2567415INDUS-0.04655030.0328733-1.420.157-0.11098070.0178801LNPOPU0.05357010.05659480.950.344-0.05735360.1644938URBAN0.00734340.001754.200.0000.00391340.0107733FORIN0.00003360.0000340.990.324-0.00003310.0001002R&D8.41e-081.64e-085.140.0005.21e-081.16e-07_cons-1.6506440.2443099-6.760.000-2.129483-1.171806

回归结果显示,各变量都在5%的水平下通过了显著性检验。各变量中除产业结构与地区科技创新效率呈负向相关关系外,其它变量均对科技创新效率产生正向相关关系。研发经费对科技创新效率影响最强,表明科研经费投入始终是提高科技创新效率至关重要的核心要素,科研经费投入增加将直接促进区域科技创新效率提高。地区国民生产总值与科技创新效率显著相关,表明区域科技创新效率与区域经济发展水平存在明显一致性,地区国民生产总值的提高既有利于完善科技创新基础设施,也有助于吸引集聚科技创新人才,从而推动科技创新效率提高。地区就业人口与科技创新效率呈正向相关关系,表明人作为科技创新的能动主体,就业人口增加形成人力资本积累效应,同样有助于培养和吸引更多科技创新人才,从而促进科技创新效率提高。城镇化水平与科技创新效率呈正向相关关系,表明我国大力实施新型城镇化战略带来的城市基础设施完善等软硬件支撑环境优化,能够充分激发科技创新的规模效应,对提高区域科技创新效率有明显推动作用。外商投资与科技创新效率成正向相关关系,表明各地区在积极承接国外资本和产业转移过程中,也在积极学习、借鉴发达国家科技创新的有益经验,间接促进了区域科技创新效率提升。地区产业结构与科技创新效率呈反向相关关系,表明科技创新能够促进产业结构转型升级,而提升第三产业在经济发展中的比重则有利于进一步提升科技创新效率。

6 结语

本文基于超效率数据包络分析法和主成分分析法,构建PCA-SE-DEA组合模型,分析研究长江经济带11省市科技创新效率的演变规律与影响因素,研究结论如下:①2004-2015年,长江经济带科技创新效率平均值略低于全国平均水平。其中,江苏、上海、浙江、湖北等省市的科技创新效率在全国领先,云南、贵州两地的科技创新效率与其它地区差距较大;②长江经济带科技创新效率在2012年后呈现出较明显的发散趋势,11省市之间的科技创新效率差异日趋明显,长江上游地区科技创新效率普遍较低的态势进一步加剧,并且长江中上游省市科技创新的追赶效应不明显。因此,要想在“十三五”期间缩小与长江下游地区的科技创新效率差距,需要付出更多努力;③经济发展水平、就业人口数量、城镇化率、外商投资、研发经费等因素对科技创新效率具有显著的正向作用,而产业结构对科技创新效率存在反向作用。

为了加快长江经济带建设创新驱动带,全面提高长江经济带科技创新效率,长江经济带沿线省市可以采取以下针对性举措:采取积极手段着力提高科技创新资源投入产出比;继续实施产业结构转型优化升级,通过全面改革创新进一步推进创新型经济建设;加大承接产业转移力度,充分挖掘科技创新潜力;长江经济带11省市应在充分协调的基础上,打破行政区划限制和地方保护主义的约束,通过建立跨区域科技创新治理联动机制、跨部门跨行业的协同创新机制等,共同营造全流域良好的创新创业生态,最终促进长江经济带沿线地区协同发展和科技创新效率整体提升。

本文研究还有需要进一步深化之处:首先,选取的科技创新效率测度指标和影响因素指标可能存在遗漏;其次,研究方法的局限,今后还可以尝试采用熵权法等其它方法,以甄选更为科学的科技创新效率测度方法;再次,可进一步考察综合科技创新效率的组成部分,即纯技术效率和规模效率地区差异和动态变化情况。

参考文献:

[1] HOLLANDERS H, FUNDA C E. Measuring innovation efficiency[J].INNO-MetricsThematic Paper,2007,22(6):739-746.

[2] 李泽霞,董瑜,张薇.应用DEA方法评价我国区域科技创新效率[J].图书情报工作,2011(18):24-28.

[3] 芮雪琴,李亚男,牛冲槐.科技人才聚集的区域演化对区域创新效率的影响[J].中国科技论坛,2015(12):126-131.

[4] 吴敏.我国各区域高校科技创新效率比较研究[D].重庆:重庆工商大学,2015.

[5] 余泳,陈龙,王筱.中国区域高技术产业创新绩效测度与评价——基于因子分析和空间计量模型的实证研究[J].西安财经学院学报,2015(2):39-46.

[6] 王仁祥,白旻. 金融集聚能够提升科技创新效率么——来自中国的经验证据[J]. 经济问题探索,2017(1):139-148.

[7] 孙志红,吴悦. 财政投入、银行信贷与科技创新效率——基于空间GWR模型的实证分析[J]. 华东经济管理,2017(4):74-81.

[8] 王玉霞,蒋伏心.科技资源配置效率视角下区域自主创新能力的制约因素和提升路径——以苏南为例[J].经济问题,2010(5):123-126.

[9] 胡凯.我国区域科技创新绩效分析——基于2000—2009年的面板数据[J].科技进步与对策,2012(12):31-36.

[10] 孔原,刘览.科技环境对区域高新技术创新效率的影响研究——以江苏省13个地级市为例[J].企业经济,2014(12):127-130.

[11] 许珂,卢海.区域金融结构与科技创新效率——基于江苏省沿江八市面板数据的实证分析[J].上海金融学院学报,2014(4):68-75.

[12] 冯志军,朱建新.我国区域科技创新二阶段效率评价及策略研究[J].科技进步与对策,2011(6):103-107.

[13] 梁瑞敏.山西省产学研结合科技创新绩效评价研究[D].太原:中北大学,2015.

[14] 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(9):98-106.

[15] 侯强,周雪.基于超效率DEA模型的区域技术创新效率研究[J].沈阳工业大学学报:社会科学版,2015(3):242-247.

[16] 尤瑞玲,陈秋玲.我国沿海地区科技创新效率的省域差异研究[J]. 技术经济与管理研究,2017(5):119-123.

[17] 李晓丽.区域科技创新绩效评价指标体系研究[D].武汉:武汉理工大学,2007.

[18] 赵菁奇,赵晓瑾.长江经济带科技创新能力的区域性评价及对策[J].三峡大学学报:人文社会科学版,2016(3):66-69,110.

[19] 黄天蔚,刘容志.长江经济带文化创意产业园创新能力评价研究[J].科研管理,2016(S1):482-488.

[20] 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(6):974-985.

[21] 何丹,燕鑫. 金融支持科技创新效率实证分析[J]. 统计与决策,2017(10):166-168.

[22] 王犁,张焕明.区域科技自主创新效率及其收敛性研究[J].云南财经大学学报,2009(6):107-114.

[23] 张姣芳,姚晓萍.基于Malmquist指数法的我国区域科技创新效率评价[J].中国城市经济,2011(18):262-263.

[24] 刘志华. 区域科技协同创新绩效的评价及提升途径研究[D].长沙:湖南大学,2014.

[25] 张勰,王俊东,杨丽,等.基于模糊层次分析的兰州区域科技创新评价体系[J].河北省科学院学报,2016(1):39-42.

[26] 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(10):108-110.

[27] 雷琳洁,杜宏巍.基于灰色关联分析的区域科技创新效率评价——以我国东部九省为例[J].河北联合大学学报:社会科学版,2015(3):18-21,59.

[28] 严红,何雄浪.新形势下我国科技创新效率的区域分析[J].湖北经济学院学报,2010(6):43-49.

[29] 陈华彬,袁青垂,胡德茂,等.创新能力:长江经济带不同区域的比较研究[J].湖北文理学院学报,2016(2):70-76.

The Technology Innovation Efficiency Analysis of Yangtze River EconomicBelt Using PCA and SE-DEA Joint Model

Liu Fan1,Deng Mingliang2

(1.Institute of Development,Wuhan University;2.School of Economics and Management, Wuhan University,Wuhan 430072,China)

Abstract:In order to reveal the law of development of the Yangtze River economic belt 11 provinces innovation efficiency, explore the influencing factors of innovation and efficiency, in this paper, technology innovation efficiency of China's 30 provinces were estimated based on the joint model of PCA-SE-DEA, and focus on Technology Innovation Efficiency of the Yangtze River Economic Belt of Yangtze River economic belt 11 provinces and cities, this paper completion factor analysis and impact test of convergence. The results show that the average technological innovation efficiency of Yangtze River Economic Belt 11 provinces is slightly lower than the national average, while regional differences in technological innovation efficiency of 11 provinces and cities in the Yangtze River economic belt showing a trend of expansion, the "catch-up" effect of those provinces, whose technological innovation efficiency is low, is not obvious provinces. The results of scientific and technological innovation efficiency factors indicate that the level of economic development, the number of the employed population, urbanization rate, foreign investment, research and development funding for science and technology innovation efficiency have role in promoting scientific and technological innovation and industrial structure has hindered efficiency.

Key Words:PCA-SE-DEA Joint Model; Yangtze River Economic Belt; Technology Innovation Efficiency

收稿日期:2017-10-16

基金项目:国家社会科学基金项目(15CGL022);湖北省技术创新专项软科学项目(2017ADC091);武汉大学自主科研(人文社会科学)青年项目(16088)

作者简介:刘钒(1982-),男,湖北武汉人,博士,武汉大学发展研究院副院长、副教授,研究方向为科技政策与管理;邓明亮(1994-),男,湖北长阳人,武汉大学经济与管理学院硕士研究生,研究方向为区域经济学。

DOI:10.6049/kjjbydc.201708X265

中图分类号:F061.5

文献标识码:A

文章编号:1001-7348(2017)23-0048-06

(责任编辑:林思睿)