是随机误差项，表示随机干扰因素对投入松弛变量的影响；μ是管理无效率，表示管理因素对投入松弛变量的影响，假设其服从在零点截断的正态分布，即
且二者相互独立。王双进1，李新刚2
(1.天津商业大学 管理学院；2.天津商业大学 公共管理学院，天津 300134)
摘 要：协同创新环境因素是影响区域高技术产业技术创新效率的重要因素。采用京津冀高技术产业1995-2015年的追踪数据，运用三阶段DEA-Windows模型，对京津冀高技术产业R&D活动效率进行比较分析。突出协同创新的环境因素，既剥离了外部环境和随机因素对创新效率的干扰，又考虑了京津冀创新效率的动态演进特征。结果表明：外部环境因素与随机噪声对京津冀高技术产业R&D活动投入产出效率均有显著影响，利用SFA回归法对环境因素和随机噪声进行剔除性分析是合理的。其中，技术获取结构、区域经济关联度、区域贸易依存度、科技型基础设施投资强度、区域比较劳动生产率对R&D经费和新产品开发经费投入冗余均有显著负向影响，而对R&D人员全时当量的影响则是多元的。剔除环境和随机干扰后，北京和天津的R&D活动投入产出效率有所降低，而河北的效率值有所提高。在上述研究的基础上，提出相应的对策建议。
关键词：京津冀；高技术产业；DEA-Windows分析；R&D活动效率；协同创新
在我国三大经济圈中，京津冀城市群相对落后于长三角和珠三角城市群。出现“南快北慢”的现象，与该区域高技术产业的辐射带动作用较弱有直接关系，而R&D活动投入产出效率是衡量高技术产业发展的一个主要指标。国家创新蓝皮书——《中国创新发展报告(2015)》显示，无论是每千人R&D人员专利数还是三方专利数，中国都远落后于美国和日本，其中的最大差距在于科技创新效率。为实现自身集聚效应和规模效应，京津冀三地都存在阻碍自身创新要素外溢的内生约束，势必削弱区域内部协同能力，加大区域内部交易成本，阻碍区际生产要素有效外溢和区域整体发展[1]。在新常态下，高技术产业引领科技创新正逐渐成为京津冀经济动能转换的关键点。要素投入与全要素生产率(TFP)的提高是高技术产业发展的两个重要源泉。在创新资源约束下，如何提高创新资源利用效率从而使有限的创新要素投入获得更多的创新产出？在京津冀科技协同创新中各环境因素对科技创新效率产生怎样的影响？在高技术产业创新发展过程中，是否存在一个相对最优的要素投入配置结构？回答上述问题，对于有效发挥京津冀高技术产业R&D活动投入产出效率的引领示范效应、实现供给侧结构性改革背景下京津冀高新区转型升级具有重要的现实意义。
当前，我国经济发展正由要素驱动向创新驱动转变，科技创新对经济发展的支撑作用日益突显，如何提高区域科技创新绩效引起了学界的高度重视[2-4]。对于高技术产业技术创新影响因素，学界多从科技创新投入要素和产出成果两个角度，围绕人力资源投入、R&D经费投入强度、专利申请数量、新产品销售额、政府资助等方面，对不同时期、不同地区的高技术产业进行实证分析，但研究结论并不一致。有的学者认为R&D经费投入强度和科研活动人数比重是影响技术创新产出的最重要因素。有的学者认为专利申请数量、新产品销售额对技术创新绩效的提高至关重要[5]。有的学者认为企业规模和产业特征对企业技术创新影响最为显著[6-8]。李向东等[9]研究发现，政府资助、金融机构支持对高技术产业创新绩效影响较大。Sipos等[10]从相反方向研究创新绩效影响指标发现，对创新能力较强的产业，市场信息缺失的影响最为主要，而对创新能力较弱的产业而言，寻求资金赞助困难的影响最大。朱晋伟和王杨阳[11]则认为，引进技术费用对航天业和计算机业的影响程度最大，研发人员比例对计算机业影响程度最大，出口比率对每个产业的影响程度均较小。Yung-Ching等[12]提出，有效管理创新的前端已成为成功开发创新产品的一个重要元素，可以提高高科技产业可持续竞争优势。郑霞[13]研究表明，企业R&D投入、组织能力、制造水平、决策能力和营销能力均显著影响高技术企业技术创新能力，且各因素影响程度依次降低。
高技术产业创新绩效评价存在多种研究方法。其中，王丽平等(2016)利用BC2-DEA模型、宇文晶(2015)利用串联DEA模型、陈建丽等(2014)利用SBM模型和DEA相结合，分别对京津冀高技术产业技术创新效率、分行业的高技术产业创新绩效以及我国整体和区域的高新技术创新绩效进行了评价。Lin & Tan[14]使用meta-frontier DEA模型衡量生态全要素节能以及节能潜力较大的中国4个能源密集的子行业。也有学者采用随机前沿模型、二阶段DEA模型[15-16]、三阶段DEA模型[17-18]、灰色关联分析模型、结构方程模型等方法对高技术产业创新绩效进行评价。
以上学者从多方面对高技术企业创新绩效进行了评价，大部分围绕高技术企业创新绩效影响因素的实证分析都是基于线性模型，而高技术企业创新绩效中各变量之间的线性相关性不明显，并且在实证之前就设定好模型容易产生误差。在三阶段DEA模型的相关文献中，大部分采取截面数据作为评价对象，很少采用追踪数据，导致有的省份创新效率始终为1，其动态演进趋势无从得知，亦鲜有文献对京津冀高技术产业R&D活动效率进行动态评价，更鲜有文献从区域协同发展角度进行分析。鉴于此，本文运用DEA-Windows和SFA相结合的方法，考虑协同创新的外部环境因素，从内生和外生角度，对近20年京津冀高技术产业R&D活动投入产出效率进行动态分析，并提出针对性的对策建议，以期为提高该区域高技术产业协同创新能力提供参考。
由于传统DEA模型不能有效剔除环境变量和统计噪声对决策单元(DMU)效率值的影响，无法将DMU置于同等外部环境下进行分析，Fried HO等[19]提出了一种将DEA和SFA两种方法有效整合的新效率评价模型——三阶段DEA模型，融合了非参数分析和参数分析的优点。同时，经典DEA模型仅适用于截面数据，没有考虑时间因素，无法得出决策单元效率变化的动态调整过程。而DEA视窗(DEA-Windows)分析法能通过移动平滑方法对效率的动态演进趋势进行评估[20-21]，使得不同DMU既能在横截面上进行横向比较，又能对同一个DMU不同时点进行动态比较，结果更具可比性。因此，本文将三阶段投入导向的DEA模型和DEA-Windows分析法相结合，将DMU效率评价分为如下3个阶段：
第一阶段：构建DEA-Windows模型。DEA是一种评价相同类型多投入、多产出决策单元是否有效的非参数统计方法。传统DEA模型已成为评价DMU技术有效和规模有效的经典模型，这里对其原理不再赘述。本文运用DEA-Windows和Window-I-V方法，将时间窗口设为3，以投入为导向，首先计算未剔除环境因素的初步DEA效率值，然后将投入松弛变量作为第二阶段的被解释变量。
第二阶段：构建相似SFA模型。Fried[19]认为，决策单元的绩效受到管理无效率、环境因素和统计噪声的影响，因此，有必要分离这3种影响。突出京津冀协同创新的环境因素，将第一阶段的投入松弛变量分解成环境因素、随机干扰因素和管理无效率因素3个解释变量的函数：
Sni=f(Zi;βn)+νni+μni
(1)
其中，i=1,2,…,I；n=1,2,…,N；Sni是第i个决策单元第n项投入的松弛值；Zi是环境变量，βn是环境变量的系数；νni+μni是混合误差项，νni表示随机干扰，μni表示管理无效率。其中，是随机误差项，表示随机干扰因素对投入松弛变量的影响；μ是管理无效率，表示管理因素对投入松弛变量的影响，假设其服从在零点截断的正态分布，即且二者相互独立。
SFA回归的目的是剔除环境因素和随机因素对效率测度的影响，首先对管理无效率项μ进行分离。此处借鉴Jondrow、刘满凤等的方法估计随机干扰项νni。
E[vni|vni+μni]=sni-f(zi;βn)-E[uni|vni+μni]
(2)
(3)
其中，
分别为标准正态分布的密度函数和分布函数。
其次，根据SFA模型回归结果，对各DMU的投入项进行调整，以便将所有决策单元调整到相同的外部环境中。调整公式如下：
i=1,2,…,I;n=1,2,…,N
(4)
其中，
是调整后的投入；Xni是调整前的投入；
是将第n项投入调整至受外部环境因素影响最大的情形；
是决策单元在最大随机干扰中需要增加的投入量。这样就假定了每个决策单元都置于同质的外部环境和自然状态，从而剔除环境因素和随机因素对效率的影响。
第三阶段：调整后的DEA-Windows模型。用每个DMU调整后的投入数据替代原投入数据Xni，并将原产出数据再次代入投入导向的DEA-Windows模型，重新计算各DMU的效率值。由于三阶段DEA方法利用投入松弛变量过滤掉了环境因素和随机因素的影响，得到仅反映经营管理水平的效率值，其结果更能客观地反映各DMU的技术效率。同时，亦可通过第二阶段SFA的回归分析结果，针对环境变量对投入的松弛变量进行调整。
(1)样本选取和数据来源。样本数据和环境变量数据主要来源于《中国高技术企业统计年鉴》(1996-2016年)、《中国科技统计年鉴》(1996-2016年)、《中国火炬统计年鉴》(1996-2016年)、中国公路信息网等京津冀高技术产业科技统计数据，形成7个研发周期的945个投入、产出和环境变量的原始数据，研究周期分别为1995-1997、1998-2000、2001-2003、2004-2006、2007-2009、2010-2012、2013-2015年。
(2)投入产出指标。对于高技术产业科技创新投入指标，学界普遍采用从业人员平均数和研发经费内部支出进行衡量。为客观反映企业技术创新中研发人员的工作时间，本文采用R&D活动人员折合全时当量这一指标。考虑到新产品研发经费是费用化支出，在会计处理时R&D经费支出并非全额费用化，部分为资本化支出，因此，将新产品研发经费纳入R&D投入指标。
对于科技创新产出指标，专利申请量能客观反映技术创新的产出能力，同时，新产品销售收入能直接体现R&D创新绩效的经济效益，因此，采用专利申请量和新产品销售收入作为产出指标。由于R&D投入主要通过资本形成、技术进步、产业结构、产业联系、贸易创造和制度变迁六大效应向产出传导，R&D投入与产出之间通常存在2～3年的时滞期。对于高技术产业，本文将研发周期设为3年，每个研发周期的投入产出数据见表1。
环境变量是指那些能影响高技术产业R&D活动投入产出效率但不受企业主观控制或短期内无法改变的外部因素。在借鉴相关文献的基础上，综合考虑京津冀高技术产业R&D发展的实际情况，突出京津冀科技协同创新外部环境因素对R&D活动效率的影响，选取技术获取结构、区域经济关联度、区际(国内)贸易依存度、科技型基础设施投资强度、区域比较劳动生产率5个方面，共10个原始变量作为环境变量进行SFA分析，具体包括技术引进经费、消化吸收经费、地区总人口、地区生产总值、核心城市间距离、产品和劳务净出口、国际贸易差额、科技型基础实施投资额、地区面积、就业人数等。基于协同发展视角考虑的主要环境变量计算公式如下：
(1)技术获取结构(Technology acquisition Structure，TAS)：用某地区当年高技术产业技术引进经费与消化吸收经费的比值表示。
TASij=DAFij/TTFij
(5)
其中，TASij为i地区第j年的技术获取结构；DAFij和TTFij分别为i地区第j年的消化吸收经费和技术引进经费。该指标越小，反映该地区高技术产业越“重硬轻软”，重视成套、关键设备和显性知识的转移，而对人才、管理经验等隐性知识的转移重视不够。
(2)区域经济关联度(Correlation of regional economy，CRE)：表征区域间经济联系的紧密程度。
(6)
其中，CREij为地区间经济关联强度；Pi、Pj分别为i、j地区的总人口；Gi、Gj为i、j地区的生产总值；Dij表示地区间核心城市距离道路网络的最短路径。该数值越大，表征京津冀经济协同发展程度越高。
表11995-2015年京津冀高技术产业R&D活动投入和产出状况
数据来源：据1996-2016年《中国科技统计年鉴》整理而得
(3)区际(国内)贸易依存度(Interregional trade dependence，ITD)：用某地区的区际间贸易总额占国民生产总值比重表示，反映区域内各地区间贸易依赖程度和区域经济一体化水平。据现行国民经济核算体系，地区生产总值中产品与服务的净出口不仅包括本地区与国外对外贸易进出口，还包括国内区际间产品和服务往来，即区际贸易。
(7)
其中，Br为区际贸易，N为产品和劳务净出口，Bi为国际贸易差额。N-Bi的绝对值越大，表征区际间经济往来越密切，合作水平越高。
(4)科技型基础设施投资强度(Technical infrastructure investment intensity，TIII)。基础设施投资包括一般性基础设施投资和科技型基础设施投资[22]，其中，科技型基础设施投资主要包括信息技术和科研类基础设施投资，用历年固定资产投资中的“科学研究和技术服务业”与“信息传播、软件和信息技术服务费”投资额衡量。科技型基础设施投资强度用科技型基础设施投资额与地区面积的比值表示，是衡量高技术开发区土地利用率的重要依据。
(8)
其中，TIIIi j表示第i地区第j年的科技型基础设施投资强度；TIIi j表示第i地区第j年的科技型基础设施投资额；Areai表示第i地区的面积。京津冀三地该数值差距越大，越说明京津冀高技术产业科技创新资源分布不均衡、配置不合理，越迫切需要三地间的科技资源协同和科技政策协同。
(5)区域比较劳动生产率(Regional comparative labor productivity，RCLP)：指一个地区内不同生产部门或产业的产值比重与本部门或产业劳动力比重的比值，通常用来反映不同产业当年劳动生产率的高低。
(9)
其中，GDPi和GDP分别表示i地区的生产总值和所有地区的生产总值之和；Labori和Labor分别表示i地区的就业人数和所有地区的就业人数总和。京津冀三地该数值差距越大，区际就业人员的生产率反差越大，越说明劳动生产率发展不均衡、空间分异显著，越需要京津冀三地科技创新协作和区域分工有效衔接。
在应用DEA模型评估高技术产业R&D活动效率之前，通常需要满足各投入和产出指标“同向性”的要求，即随着投入量的增加，产出量至少不能降低。所选投入产出指标的Pearson相关性检验结果见表2，各投入指标和产出指标之间的Pearson相关系数均通过了1%显著性水平下双尾统计检验，表明所选投入与产出指标之间具有显著正相关关系，满足DEA效率分析的“同向性”要求。
表2京津冀高技术产业R&D活动投入和产出指标的Pearson相关系数
注：**表示变量在1%显著性水平下拒绝原假设，括号内值为显著性检验的P值
上述京津冀高技术产业7个研究周期的投入和产出数据经过计算和调整，导入DEA-Solver-Pro11.0中，设置时间窗口为3，同时，为强调DEA-Windows方法的优势，运用经典DEA和DEA-Windows两种不同方法，评估京津冀高技术产业每个研发周期的R&D活动效率，结果见表3。
采用经典DEA模型计算得到河北省R&D活动效率一直为1，与事实不符，且无法进一步观察7个创新周期中效率变化情况，显然动态评估乏力。由此，本文运用DEA-Windows方法，既可得到京津冀三地截面上的R&D活动效率，又可得到京津冀三地R&D活动效率的动态演进，从而为R&D资源投入的动态调整提供科学依据。
表3两种DEA方法计算的R&D活动效率比较(调整前)
基于投入导向、规模可变的Window-I-V方法计算结果表明，在7个研究周期中，三地的创新效率大部分在0.7以上，其中，北京R&D活动效率均值为0.788，在三地中居第二，2010-2012年创新效率最高，为1.000，1995-1997年创新效率最低，为0.483；天津的R&D活动效率均值最高，达0.962，1998-2000年效率最低，为0.827；河北省R&D活动效率均值最低，为0.810，2013-2015年创新效率最高，为0.894，1998-2000年效率最低，为0.667。在三地中，北京的创新效率不是最高，一个可能的原因是在投入导向下北京集聚了太多科技创新资源，专利和新产品销售收入两个产出指标对天津更有利。此外，由表3发现，用传统DEA模型和DEA-Windows模型计算的河北省R&D活动效率有较大差异，主要是由于前者在处理同一个DMU的时间序列时，将不同时间的同一个DMU视为不同的DMU，时间窗口为1，使得样本量较少，运用传统DEA模型会造成较大误差，而DEA-Windows方法具有一定的窗口宽度，可以同时引入不同的决策单元，解决了样本量不足的问题，突出了DEA-Windows方法的优势。
由于经典DEA模型无法对环境因素和统计噪声进行有效剥离，此处将第一阶段计算得出的R&D人员全时当量、R&D经费投入量、新产品开发经费3种投入变量的松弛移动和径向移动的值分别相加，把得到的投入松弛变量作为被解释变量，选取基于京津冀协同发展考虑的5个环境变量，即技术获取结构、区域经济关联度、区际(国内)贸易依存度、科技型基础设施投资强度、区域比较劳动生产率，考察其对3个投入松弛变量的影响。由于环境变量均使用虚拟变量，其取舍主要根据输入变量的冗余值是否发生作用，而与其本身的单位没有关系，因此，本文利用SPSS 23.0对所选环境变量进行标准化处理。进一步运用Frontier 4.1软件，构建SFA回归模型，分析结果见表4。
从表4不难看出，5个环境变量对3个投入变量冗余值的系数多数通过了显著性检验，且用于表征管理无效率方差占比总方差的γ值在10%和1%水平下均通过了显著性检验，说明基于区域协同发展的环境因素对京津冀高技术产业R&D投入松弛变量的影响显著。进一步分析发现，3种投入松弛变量的γ值特征各有不同，其中，R&D人员投入松弛变量的γ值为0.056 2，表明随机干扰因素对其松弛变量占主导地位；R&D经费投入松弛变量的γ值为0.554 9，说明其松弛变量受管理无效率和随机因素共同影响；新产品开发经费松弛变量的γ值为0.959 6，说明管理无效率因素对其松弛变量的影响居主。因此，运用SFA模型对环境因素与随机误差对R&D活动效率的影响进行有效剥离是必要的。下面简要分析各环境变量对京津冀高技术产业R&D投入松弛变量的影响。
(1)技术获取结构(TAS)。计算结果表明，该变量与R&D人员全时当量的松弛变量回归系数为正，与R&D经费投入和新产品开发经费松弛变量的回归系数为负，说明提高消化吸收经费，减少其与技术引进经费的巨大反差，能显著减少R&D经费投入和新产品开发经费冗余，促进研发经费的有效利用，提高经费使用效率。同时，提高消化吸收经费，TAS值增大，必然会增加科研人员用于技术消化的工作量。统计数据表明，我国消化吸收和技术引进经费支出比例一直倒挂，在技术引进和消化吸收再创新经费分配方面，同发达国家有较大差距，京津冀近20年来的消化吸收与技术引进经费的比值为0.362，同科技创新发达的美、日、韩等国家(用于消化吸收与技术引进经费比3∶1左右、部分重点领域高达7∶1)相比，差距悬殊，严重制约了我国企业科技自主创新能力的提升。
表4第二阶段SFA回归估计结果
注：*、***分别表示0.1和0.01显著性水平，括号弧内为标准误
(2)区域经济关联度(CRE)。表4显示，该变量与R&D人员全时当量、R&D经费投入和新产品开发经费的松弛变量回归系数为负，说明随着京津冀区域经济关联度的不断提升，京津冀人才要素的跨区域自由流动会提高人才资源配置效率，从而有效降低R&D人员全时当量的冗余值。区域一体化程度提高，对要素关联地区的科技创新效率产生积极影响，促进创新要素的区际流动。人才和资金流入会促进流入地区创新要素配置结构优化，资金和人才的“趋优性”促使创新要素流入边际报酬较高的地区和行业并形成一定的集聚效应，提高要素使用效率。同时，创新要素的区际自由流动会对本地区形成技术溢出效应，促进技术共享和协同创新。
(3)区际(国内)贸易依存度(ITD)。评估结果显示，该变量与R&D人员全时当量、R&D经费投入和新产品开发经费的松弛变量具有显著的负向影响。区际贸易依存度是衡量京津冀市场一体化程度的重要指标。出口可以促进本地区专业化形成，基于本地区资源禀赋和产业链布局，充分发挥比较优势。在京津冀协同发展规划引导下，逐渐打破行政区划和三地局部利益的限制，科技资源和创新要素在区域内自由流动，突破京津冀自然资源约束、市场弱质约束和人力资本约束，可有效减少R&D人员全时当量的冗余量。通过区际贸易可克服本地区市场需求不足的弊端，开发更大市场有助于扩大生产，形成规模经济，减少R&D经费投入和新产品开发经费的松弛变量，促进科技创新效率提升。
(4)科技型基础设施投资强度(TIII)。实现京津冀优质信息资源区域共享效益最大化，需要强大的信息技术和科研类基础设施的支撑，需要快捷、互联互通的“信息高速公路”。从表4可知，该变量对R&D人员全时当量的松弛变量有正向影响，而与R&D经费投入和新产品开发经费松弛变量的回归系数均为负。一个合理的解释是，一方面，科技型基础设施投资与投入使用存在较长时滞，在建的科技型基础设施必然会增加科技人员工作量，使其冗余量增加；另一方面，信息技术基础设施的完善能降低高技术企业之间的交流成本，网络资源的共享性和信息获取的易得性，使研发人员知识信息可以跨时空横向交流和瞬时共享。京津冀的“时空压缩”效应使得区际间不同研发要素的协同创新效应大大增强，提高技术外溢效率，不仅能强化区际间研发要素的竞争激励效应，还能形成一定的规模经济效应，进一步提高区域R&D活动经费和新产品开发经费的投入产出效率。
(5)区域比较劳动生产率(RCLP)。该变量对R&D人员全时当量、R&D经费投入和新产品开发经费松弛变量均有负向影响，其中，对后两者影响显著，说明区域比较劳动生产率越高，劳动者的科研素质越高，有利于降低R&D人员劳动当量的松弛程度。劳动者素质高的地区，其产出能力和创新效率高，人力资本投资会显著提高物质资本利用率，从而有效减少R&D经费投入和新产品开发经费冗余量。因此，优化人力资源结构，提升区域比较劳动生产率，对于充分发挥人才第一资源、创新第一动力，增大公共科技供给，具有强大推动作用。
将第二阶段计算出的基于协同发展的各环境因素估计参数，通过式(4)对原始投入要素进行调整，运用DEA-Solver-Pro11.0，对调整后新的投入产出数据再次进行DEA-Windows分析，得到调整后的京津冀高技术产业各创新周期的R&D活动效率，如图1所示。在剥离环境因素和随机扰动的影响后，京津冀高技术产业R&D活动投入产出效率发生了较大改变。经Wilcoxon符号秩检验，调整前后第一、第三阶段的R&D活动效率值存在显著差异。由此表明，基于协同创新的环境因素对京津冀高技术产业R&D活动效率的影响不可忽视，遗漏了环境因素和随机误差的影响，得出的结论就可能无法反映真实情况。
从时间演化来看，同一地区在不同创新周期由于受不同创新政策和创新环境的影响，也存在较大变化。京津冀三地的R&D活动效率与自身相比，整体上处于不断上升过程中。北京R&D活动效率值的最低点在1995-1997年，为0.483，最高值0.956出现在2010-2012年；天津的效率值最低点0.596处于1995-1997年，在2001-2003年和2004-2006年两个周期达到最高值1；河北的效率最低值0.565处于1995-1997年，最高值1出现在2007-2009年。
图1京津冀高技术产业R&D投入调整前后创新效率对比
从空间演化来看，总体上依然是天津R&D活动投入产出效率最高，北京次之，河北最低，京津冀三地之间存在较大差异，表明科技创新资源在三地分布很不均衡。经过投入要素调整后，北京的效率均值从0.788降低为0.769，天津的效率均值从0.962降低为0.832，而河北的效率均值从0.665增加为0.752。这说明京津冀高技术产业内部差异很大，北京和天津凭借首都和直辖市的区位优势及城市资源汇聚了人才、技术、金融等高端科技资源，对邻近的河北省产生巨大的虹吸效应，去除协同创新的环境因素后，势必会削弱北京和天津的科技创新效率。因此，打破京津冀行政区划和局部利益的限制，破解科技创新链布局不合理困境，促进京津冀科技创新主体协同、要素协同、政策协同，推动科技资源流动共享，对提高京津冀三地的科技创新绩效有重要意义。
本文结合三阶段DEA-Windows模型和SFA分析方法，对京津冀高技术产业1995-2015年的R&D活动效率进行了评估。与以往运用DEA模型评价创新效率的研究不同，本文从协同创新环境因素影响R&D活动效率的视角，运用DEA-Windows分析法，将京津冀创新效率随时间的动态演进考虑在内，并利用SFA方法剥离外部环境因素和随机误差的干扰，在一定程度上克服了以往文献对于省际创新效率动态演化和稳定性分析的不足，较为客观地反映了京津冀高技术产业R&D活动投入产出效率，得到主要结论如下：
(1)三阶段DEA-Windows模型对影响京津冀高技术产业R&D活动投入产出效率的环境因素和随机扰动进行剔除是科学有效的，所得结论更能真实反映京津冀高技术产业的R&D活动情况。
(2)SFA回归结果显示，区际贸易依存度能显著缩减京津冀高技术产业R&D人员全时当量的冗余值；技术获取结构、区际贸易依存度、科技型基础设施投资强度、区域比较劳动生产率能显著减少R&D经费投入和新产品开发经费的冗余量；区际贸易依存度和科技型基础设施投资强度能显著提高新产品开发经费的利用效率。
(3)调整后的DEA-Windows分析结果表明，去掉协同发展的环境因素和随机误差后，北京和天津的R&D活动投入产出效率有所降低，而河北的效率值有所提高。
(4)从时间演化来看，同一地区在不同创新周期受不同创新政策和创新环境的影响，也存在较大变化。京津冀三地的R&D活动效率与自身相比，整体上处于不断上升过程中。
基于以上结论，为从总体上进一步提高京津冀高技术产业R&D活动投入产出效率，本文提出以下建议：
(1)探索建立区域技术引进统筹协调机制，提高技术引进消化吸收再创新总效率。规范技术引进行为，控制盲目、重复引进，建立区域技术引进信息共享系统，避免区域间恶性竞争。在引进外部先进技术资源时，以提高技术引进经费利用效率为目的，增强自身对引进新技术消化吸收再创新的能力，使知识溢出效应在技术引进过程中充分显现，从而提高自主创新能力并发挥“后发优势”。相比一般行业，高技术产业的研发与经营风险更高，单靠企业自身的内源性融资明显不足。建立用于消化吸收、自主创新的专项资金，拓宽高技术产业消化吸收经费的来源渠道。对于重大技术的引进及消化吸收，政府、国家开发银行、风险投资机构等在经费方面提供必要的资金支持。探索企业、金融机构、政府等各创新主体如何实现利益协同，建立科技资源与金融资源衔接机制。
(2)共建一批跨区域科技园区，推动科技创新资源流动与共享。北京作为全国科技创新中心，充分发挥其在集聚高端科技创新资源和创新成果对首都经济圈发展的辐射带动能力，加强科技协同创新对京津冀电子信息、高端制造、航空航天、计算机等高技术产业合作领域的支撑力度。对于选择符合京津冀可持续发展的高技术产业，依据科技资源禀赋，打破三地行政区划，在京津冀整合布局全产业链。以天津滨海—中关村科技园建设为引领，把北京的科技创新资源与天津的先进制造优势和河北的地理优势紧密结合起来，推动京津冀三地共建天津武清、北辰、东丽、宝坻和河北保定、廊坊、张家口等科技合作园区，贯通创新链、产业链、资金链、政策链，使其成为科技成果转化的协同创新型科技园区和创新载体。
(3)共建高新区创新发展联盟和产业协同创新大数据平台，完善科技型基础设施。一是开发区、自贸区、协会加快共建“京津冀开发区创新发展联盟”，联盟成员通过“线上+线下”的模式，共同打造高水平信息开放平台，搭建项目对接、信息交流与投融资等服务平台。联盟单位牵头搭建“京津冀产业协同创新引领公共服务平台”，为三地开发区企业跨域资源对接提供各种信息服务，推动三地产业对接；二是加快构建京津冀产业协同创新大数据平台，联合产业联盟、三地高校与产业链企业等各方力量，联合人才流动与共享、人才培养、人才引进、大数据人才创新试点示范等，为区域大数据产业提供人才与智力支撑；三是做好市场调研，明晰制约京津冀创新活动的基础设施类型，补齐科技型基础设施投资短板，优化基建投资的资金配置结构。
参考文献:
[1] 张贵,温科.协同创新、区域一体化与创新绩效[J].科技进步与对策,2017(3):35-39.
[2] 白俊红,蒋伏心.协同创新、空间关联与区域创新绩效[J].经济研究,2015(7):174-187.
[3] 汪涛,王慧.地理邻近对企业创新绩效的影响:基于企业能力视角[J].商业经济与管理,2017(2):25-32.
[4] 孙慧,王慧.政府补贴、研发投入与企业创新绩效——基于创业板高新技术企业的实证研究[J].科技管理研究,2017(12).
[5] TCOOPER W W,SEIFORD L M,TONE.Data envelopment analysis:a comprehensive text with methods applications references and DEA-Solver Software[M].Berlin:Springer,2007.
[6] HORTA I M,CAMANHO A S,COSTA J M D.Performance assessment of construction companies:a study of factors promoting financial soundness and innovation in the industry[J].International Journal of Production Economics,2012,137(1):84-93.
[7] AKGUN A E,KESKIN H,BYRNE J C,et al. Emotional and learning capability and their impact on product innovativeness and firm performance[J].Technovation,2007(9):501-513.
[8] 王立军，张伯伟，朱春礼．产业特征、宏观调控与技术创新策略选择——来自中国工业层面的证据[J]．世界经济研究，2011(3):3-8.
[9] 李向东，李南，刘东皇.高技术产业创新效率影响因素分析[J].统计与决策，2015(6):109-113.
[10] SIPOS G L,BZOI G,IONESCU A.The impact of hampering innovation factors on innovation performance——European countries case[J].Procedia—Social and Behavioral Sciences,2014,124:415-424.
[11] 朱晋伟，王杨阳，梅静娴.高技术产业间创新绩效及影响因素差异比较分析——基于面板数据的半参数模型[J].系统工程理论与实践，2015,35(12):3135-3143.
[12] YUNG-CHING HO,CHING-TZU TSAI.Front end of innovation of high technology industries:the moderating effect of front-end fuzziness[J].Journal of High Technology Management Research,2011 (22):47-58.
[13] 郑霞.我国高技术企业技术创新能力影响因素研究[J].财经问题研究，2014(11):127-132.
[14] LIN B,TAN R.Ecological total-factor energy efficiency of China′s energy intensive industries[J].Ecological Indicators,2016,70:480-497.
[15] KAO C,HWANG S N.Efficiency decomposition in two-stage data envelopment analysis:an application to non-life insurance companies in Taiwan[J].European Journal of Operational Research,2008,185(1):418-429.
[16] HALKOS G E,TZEREMES N G,KOURTZIDIS S A.A unified classification of two-stage DEA models[J].Surveys in Operations Research & Management Science,2014,19(1):1-16.
[17] 刘满凤,李圣宏.基于三阶段DEA模型的我国高新技术开发区创新效率研究[J].管理评论,2016,28(1):42-52.
[18] 乔元波,王砚羽.基于三阶段DEA-Windows分析的中国省域创新效率评价[J].科学学与科学技术管理,2017,38(1):88-97.
[19] FRIED H O,LOVELL C A K,SCHMIDT S S,et al.Accounting for environmental effects and statistical noise in data envelopment analysis[J].Journal of Productivity Analysis,2002,17(1-2):157-174.
[20] NGUYEN T P T,ROCA E,SHARMA P.How efficient is the banking system of Asia′s next economic dragon evidence from rolling DEA windows[J].Applied Economics,2014,46(22):2665-2684.
[21] 成力为,孙玮,王九云.要素市场不完全视角下的高技术产业创新效率——基于三阶段DEA-Windows的内外资源配置效率和规模效率比较[J].科学学研究,2011,29(6):930-938.
[22] 童健,武康平.经济发展进程中的基础设施投资结构变迁[J].数量经济技术经济研究,2016(12):61-77.
Wang Shuangjin1,Li Xingang2
(1.School of Management,Tianjin University of Commerce, Tianjin 300134，China;2.School of Public Administration, Tianjin University of Commerce, Tianjin 300134, China)
Abstract：The environmental factors of collaborative innovation are the important factors influencing the efficiency of regional high-tech industry's technological innovation.Based on the tracking data of the Beijing-Tianjin-Hebei high-tech industry from 1995 to 2015,the efficiency of R&D activities in the Beijing-Tianjin-Hebei high-tech industry is compared and analyzed with the three-stage DEA-Windows model.Highlight the environmental factors of collaborative innovation, which not only interfere with the external environment and random factors,but also consider the dynamic evolution of innovation efficiency.The results shows that external environmental factors and random noise have significant effects on the input and output efficiency of R&D activities in Beijing-Tianjin-Hebei high-tech industry.It is reasonable to use SFA regression to analyze environmental factors and random noise.Among them,the technology acquisition structure,regional economic relevance,regional trade dependency,technological infrastructure investment intensity,regional comparative labor productivity have significant negative effects on R&D funding and new product development funding redundancy,while the influence on the R&D personnel of full-time equivalent is diverse.Excluding the environment and random interference,Beijing and Tianjin R&D activities efficiency has been reduced,while the efficiency of Hebei has increased.On the basis of the above research,this paper puts forward the corresponding countermeasures and suggestions.
Key Words:Beijing-Tianjin-Hebei;High-Tech Industry;DEA-Windows Analysis;R&D Activity Efficiency;Collaborative Innovation
DOI：10.6049/kjjbydc.2017090109
中图分类号：F269.270.1
文献标识码：A
文章编号：1001-7348(2018)05-0052-08
收稿日期：2017-11-03
基金项目：教育部人文社会科学规划基金项目(15YJA790059)
作者简介：王双进(1973-)，男，河北廊坊人，博士，经济学博士后，天津商业大学管理学院副教授、硕士生导师，研究方向为区域经济、价格调控等；李新刚(1983-)，男，山东东营人，博士，天津商业大学公共管理学院讲师，研究方向为京津冀城市群。
武汉大学区域经济研究中心 协办
(责任编辑：万贤贤)