我国区域科技创新效率测评及影响因素研究 ——基于超效率SBM-Malmquist-Tobit模型

科技创新包含知识创新、技术创新以及信息技术引领的管理创新三大子系统[1]，科技创新效率则是反映科技创新资源配置能力和运营能力的重要指标。我国科技强国建设已经步入关键期，科技创新成为决定地区核心竞争力的关键，也是关系到我国发展全局的重要问题。面对高质量发展要求，需要全面释放科技创新的驱动力量，突破关键核心技术，以科技带动经济增长，构建具有中国特色的现代化科技创新体系，赢得全球科技竞争主动权。2020年《中共中央关于制定国民经济和社会发展第十四个五年规划和二O三五年远景目标的建议》将科技创新摆在前所未有的高度，强调坚持创新在我国现代化建设全局中的核心地位，把科技自立自强作为国家发展的战略支撑。基于此，本文以中国内地30个省市(西藏因数据不全，未纳入统计)为研究对象，考察2011—2019年全国各地区科技创新效率及其影响因素，以期助力创新驱动发展战略实施，为政府相关部门政策制定提供决策参考。

1 文献综述

目前关于我国科技创新效率综合评价的研究较多，通过梳理相关文献发现，大多数文献主要从以下方面展开研究：

(1)科技创新效率与经济社会发展的关系。焦继文和郭宝洁[2]以北京、上海和广东三大地区中心城市科技资源集聚度及各省GDP增长率为变量，聚焦中心地区科技资源集聚与当地经济及周边地区经济增长之间的关系；孙艺璇等[3]运用固定效应模型和随机效应模型进行回归分析，发现科技创新通过作用于生产力结构改革和动力机制转换，促进地区经济发展；赖一飞等[4]基于Cobb-Douglas生产函数和联立方程模型，探究“中三角”地区创新资源配置与经济增长的关系，发现创新资源集聚能带动当地经济长远发展。

(2)科技创新效率评价。关于科技创新效率评价的研究最多，主要集中在科技资源配置效率方面，大体上可划分为静态和动态两类。在静态评价方面，唐五湘等[5]运用主成分分析法构建评价指标体系，采用投入与产出综合水平比的评价方法，计算得到我国30个省(市、自治区)科技资源配置效率值；周伟和叶常林[6]依据因子分析法的基本思路，设计科技资源配置效率的因子分析模型，从人力资源、财力资源、物力资源和信息资源4个方面选择指标，对中部六省科技资源配置效率进行比较分析。科技资源配置效率静态评价中运用较多的方法是DEA模型及相关改进方法，如刘琦[7]运用DEA方法对广东省21个城市科技资源配置效率进行分析，发现2012—2014年广东省科技资源配置平均水平偏低，极端化现象突出，技术效率和规模效率呈下降趋势，从而导致资源配置效率低下等问题；刘钒和邓明亮[8]基于PCA超效率DEA组合模型，对全国和长江经济带科技创新效率进行测度，发现长江经济带科技创新效率略低于全国平均水平，且长江上中下游省市科技创新效率地区差异呈逐步扩大趋势；康楠等[9]针对2007年我国内地31个省(市、自治区)科技投入产出情况，分别采用主成分分析法、熵权TOPSIS法、超效率DEA法3种评价方法对区域科技资源配置效率进行排名，采用组合评价方法弥补了单一方法的不足，得到的评价结果更客观合理。在动态评价方面，较多学者结合DEA模型与Malmquist指数进行研究。如赖一飞等[10]运用DEA-Malmquist指数深入研究中部六省R&D活动投入产出效率，发现湖北处于领先地位，河南、湖南和山西R&D活动效率最低；王建民[11]基于技术进步动态条件，采用超越对数生产函数对2000—2017年长三角地区技术创新要素及其配置效率进行测量和分析，发现长三角地区需要提高科技人员数量和素质，进一步优化创新要素配置效率，提高技术创新绩效，从而驱动高质量发展。

(3)科技创新效率影响因素。李健和鲁亚洲[12]采用系统动力学方法，建立京津冀科技创新能力体系仿真模型，以专利授权量为表征对象，探索京津冀科技创新实力及其影响因素；朱林和朱学义[13]采用灰色关联度分析法，研究2004—2018年中国工业企业科技创新绩效的影响因素，发现R&D人员全时当量、R&D经费支出、新产品开发项目经费支出和有效发明专利数是工业企业科技创新绩效的四大主要影响因素；林德珊和吕建秋[14]采用决策实验室法，分析高校科技创新能力的影响因素，指出人才资源是影响高校科技创新能力关键因素；李芸等[15]针对我国多个省市面板数据，采用Tobit模型分析发现，经济发展水平、政府支持、对外开放程度、产业结构、人力资源水平等多个因素对科技创新综合效率存在显著正向影响。

与已有文献相比，本文的贡献在于：首先，已有研究主要通过DEA模型对科技资源配置效率进行单一测度，本文采用超效率SBM模型和Malmquist指数模型，对2011—2019年中国内地30个省市科技创新效率进行静态和动态的全方位测度，超效率SBM模型结合了超效率DEA与SBM模型的优点，使得效率测度更加精准；其次，本文进一步从广义社会环境角度探讨全国各省市科技创新效率的主要影响因素，并构建Tobit模型分析各影响因素的作用机理，为各省市在有限的资源财力约束下，优化资源配置、提升科技投入产出效率助力。

2 研究设计

2.1 研究工具与方法

由于DEA模型不需要预先设定指标之间的函数关系，可避免主观因素对模型构建的影响，因此在静态效率评价方面使用较为广泛。Caves[16]将DEA模型与Malmquist指数相结合测算生产部门全要素生产率。由此形成DEA-Malmquist静态与动态相结合的效率评价分析方法，并被逐渐应用于医疗、金融、工业等领域多投入、多产出条件下的全要素生产率测算。目前，我国大多数学者在科技资源配置效率的测度评价上，一般采用DEA-Malmquist指数方法。然而，在传统DEA模型中，对无效率程度的测量只包含所有投入(产出)等比例缩减(增加)的比例，忽视了变量松弛性问题和径向问题带来的测量误差，导致测量结果不准确。为改进这一问题，更客观反映各要素实际情况，Tone [17]提出基于松弛变量的非径向、非导向型SBM模型(Slacks Based Measure，SBM)。然而，该模型与传统DEA模型一样，难以衡量多个有效决策单元之间的效率高低。

综合上述因素，本文选取超效率SBM模型并结合Malmquist指数模型，对2011—2019年中国内地30个省市科技创新投入产出面板数据进行分析，使得科技资源静态配置效率测度结果更为精准，同时弥补了超效率SBM模型在时间序列数据动态效率分析方面的不足。在科技创新效率研究中，通过超效率SBM模型计算得到我国30个省市科技创新效率后，进一步分析科技创新效率影响因素的影响方向与程度，对于有计划调整资源配置有着重要理论研究价值和现实指导意义。回归分析是研究影响因素作用机理的常用工具，考虑到超效率SBM模型估计出的效率值是截断的离散分布数据，若运用最小二乘法，其参数估计会有严重偏差，因此本文选用Tobit回归模型。

2.2 变量确定

2.2.1 综合效率评价指标设计

科技创新活动是一个多主体参与、多要素互动的复杂过程[18]。鉴于此，本文在科技创新效率评价中，综合考虑全国各地区经济发展水平、技术水平、资源禀赋以及科技创新要素投入来源与用途等特点，主要评价反映一般创新能力的投入与产出关系。本文沿用已有研究的成熟做法，将科技创新投入分为R&D人力和R&D资金投入两类，选取R&D人员全时当量和R&D经费支出作为投入指标。为侧重考察政府和企业科技创新投入，再分别选择地方政府和企业研究与实验发展经费内部支出，构成创新要素投入指标。在科技创新产出方面，为反映科技成果产出，同时体现经济效益的创新产出情况，选择专利申请数、有效专利数、高等学校R&D课题数和技术市场应用，构成创新产出指标。其中，专利蕴含技术发明、创造等直观信息；高等学校是我国科学技术活动的重要力量，尤其在基础研究活动中占有重要地位，高等学校R&D课题数能反映地区科技活动发展规模、资源配置和变化情况，对促进科学技术事业发展和自主创新具有重要意义；技术市场应用以地区技术市场成交额与地区生产总值的比值表征，能够更好地反映创新成果商业化水平，衡量产业经济效益。最终构建如表1所示的评价指标体系。

2.2.2 影响因子确定

科技创新行为是在一定社会环境下进行的，社会环境包括政治、经济、环境和文化等方面。本文从广义社会环境角度出发，通过梳理相关文献，确定影响科技创新效率的因素包括政府对科技创新的支持、经济发展水平、科技基础设施投入和科技认知程度4个方面。

区域创新活动对政府力量具有内在依赖性，政府是创新系统顶层设计的主体，是引领创新战略与方向、塑造创新环境的根本力量。本文采用政府科技投入占政府财政支出比重量化政府对科技创新的支持程度。科技创新是影响社会经济水平的外生因素，同时经济发展也是引领科技创新的主要动力。经济发展与经济实力、经济增长及产业结构等相关，本文采用人均GDP衡量经济发展水平。科技基础设施是指与科技活动有关的公共产品，是技术创新的物质基础和信息保障。李兰冰(2008)研究表明，科技基础设施对科技创新能力的影响存在区域异质性。本文选取信息传输、软件和信息技术服务业投资额作为衡量科技基础设施投入的指标。文化环境是指社会对事物的看法、理解或偏好，关于文化环境对科技创新影响的研究已经较为丰富，但大多从定性角度进行分析，目前仍未形成统一量化指标。鉴于此，本文将文化环境聚焦于社会在多大程度上能了解科技创新现状与发展情况，即不管人们的认知是否正确，只考虑科技创新信息在地区的传播能力和范围，本文将该影响因子定义为科技认知程度。数字时代，互联网已经成为人们获取信息的最主要途径，地区互联网络发展状况能有效衡量信息获取途径的便利性，地区互联网络发展状况参考《中国互联网络发展状况统计报告》，选择互联网普及率衡量。影响区域创新要素市场化配置效率的因素及其量化指标如表2所示。

2.3 数据来源与处理

考虑到样本容量的充分性和数据可获得性，本文选取2011—2019年中国内地30个省市(西藏因数据不全，未纳入统计)面板数据，计算超效率SBM-Malmquist指数模型和Tobit模型。考虑产出具有滞后性，实际测评的是2011—2018年科技创新投入指标和2012—2019年科技创新产出指标。数据主要来源于2011—2019年《中国科技统计年鉴》及中国统计局等网站，其中，2019年高等学校R&D课题数、互联网普及率等指标数据暂未更新，本文基于该指标往年数据，采用线性拟合方法预测得出。

3 实证结果分析

3.1 科技创新效率综合评价

3.1.1 超效率SBM模型分析结果

本文基于超效率SBM模型，采用DEA-Solver-LV8软件对2011—2018年我国内地30个省域科技创新效率进行逐年测算，结果如表3、4所示。

从整体看，2011—2018年我国科技创新效率呈波动上升趋势，一定程度上表明我国自2012年底提出坚持走中国特色自主创新道路、实施创新驱动发展战略取得积极成效。由于各地区经济和技术基础差异较大，导致同一时期各省市科技创新效率差异显著，表现为东部地区>西部地区>中部地区。每年综合效率技术水平达到前沿的省市较少，基本稳定在36.67%，即30个省市中有11个省市能达到有效状态。其中，2011年仅有7个省市科技创新效率达到有效状态。根据表4中各省市科技创新效率均值，可将其划分为4个梯队：第一梯队科技创新效率较高(大于0.9)，包括北京、青海、海南、广东、浙江、贵州、安徽和新疆；第二梯队效率值中等偏上(0.8～0.9)，包括陕西、四川、江西、湖北；第三梯队效率值中等(0.6～0.8)，包括甘肃、天津、江苏、湖南、重庆、福建、广西、云南、上海和吉林；第四梯队效率值偏低(低于0.6)，包括宁夏、辽宁、黑龙江、山西、山东、河北、河南和内蒙古。

第一梯队中，除新疆在2011年未达到有效状态外，其余年份各省市均为有效状态，说明该梯队省市创新要素投入产出结构较为合理，科技经费和人员管理水平较高，资源在技术研发和成果转化过程中均得到较为充分的利用，需要继续保持其资源配置的高效性。

第二梯队中，陕西、四川和湖北科技创新效率均呈波动递减趋势。其中，2015—2018年湖北科技创新效率递减较为显著，主要原因是投入产出结构失衡日渐严重，R&D经费尤其是企业R&D经费存在较多冗余，而在专利产出数量上缺口逐渐增大。2011—2018年江西科技创新效率波动递增，且2011—2013年其科技创新效率均在0.6以下。为破解科研与产业“两张皮”问题，人才、技术相对落后的江西从2013年开始探索建立产学研用紧密结合的协同创新模式，2013年江西采用全国首创的科技协同创新体模式，自2014年起，江西科技创新效率上升迅速，2015—2018年江西达到综合效率技术水平前沿。

第三梯队中，甘肃、江苏、湖南、重庆、福建、云南和上海科技创新效率值呈波动下降趋势。其中，2015—2018年重庆创新效率急速下降，2018年效率值仅0.109，究其原因主要是2015—2018年重庆R&D经费投入冗余严重，而有效专利和技术市场应用产出严重不足，未来仍需在破除制约科技成果转化的瓶颈上采取积极措施。作为经济大市的上海，创新效率一直处于中游，且2013年以后效率下降较快，主要是因为其大规模科技创新投入的边际产出较少，从而导致创新效率低下。天津、广西和吉林科技创新效率总体呈波动递增趋势，且增长幅度较大。其中，广西、吉林分别在2015年和2017年以后效率值达到有效状态。

第四梯队中，宁夏科技创新效率波动幅度较大，总体呈W型趋势，且2017—2018年效率增长较快。由于地理位置不利或经济技术基础较弱，其余各省市创新效率始终较低，效率值基本稳定在0.52以下，均未达到综合效率技术水平前沿。

3.1.2 Malmquist生产指数分析结果

借助DEAP2.1软件，采用基于投入导向和规模报酬可变的DEA-Malmquist模型，计算得到2011—2018年我国科技创新效率Malmquist指数各分解量，详见表5、图1和表6。

从整体看，2011—2018年我国科技创新全要素生产率呈波动态势，但基本保持增长趋势，平均值为1.028，年平均增长率为2.8%，说明这期间我国科技创新发展总体态势良好。从指数构成看，2011—2018年技术效率变动指数和技术进步指数波动较大，年度变化不够稳定，平均增长率分别为1.5%和1.3%，全要素生产率增长主要来自两者的交叉作用。根据图1可知，全要素生产率年度变化与技术进步指数年度变化呈现同步波动趋势，说明科技创新全要素生产率受技术进步影响更大。2017—2018年全要素生产率和技术进步颓势初显，需要进一步稳定发展，加强新技术研发、引进和转化吸收仍然是未来主攻方向之一。

进一步分解技术效率变动指数发现，除2013—2014年、2014—2015年技术效率主要受规模效率变动影响外，其余年份技术效率受纯技术效率和规模效率共同作用的影响。技术效率提升大体依赖于纯技术效率和规模效率平稳增长，2011—2018年两者平均增长率均为0.7%。

分省市看，2011—2018年22个省市全要素生产率大于1，占比高达73.33%，说明我国科技创新情况整体趋势向好。上海全要素生产率最高，年均增长率达10.2%，重庆全要素生产率最低，呈年均2.9%的衰退趋势。从区域排名看，上海、辽宁、天津、新疆和广东全要素生产率增长均在7%以上，且除上海外，其余省市各项效率值增长较为全面，说明近年来上述区域在科技创新投入产出结构与体制机制改革上取得积极成效。上海凭借优越的经济和地理位置，吸收大量外资并引进先进技术，技术进步抵消了技术效率衰退的影响，未来，上海应着重提升纯技术效率。湖南、重庆和云南技术效率的负向影响超过技术进步的增长作用，说明3个省市科技创新管理效率和制度安排上存在较大问题，仍有较大改进空间。内蒙古、宁夏等5个省市技术进步拉动效应较弱，需要技术更先进、功能更丰富的科技成果拉动区域科技创新效率，促进产业结构调整与优化升级。

从分解因素看，北京、天津等绝大多数省市技术效率处于增长态势，主要受到纯技术效率和规模效率的双重影响，这与前述年份维度统计结果一致。上海、江苏等6省市技术效率变动指数呈递减趋势，其中上海、江苏、云南和甘肃主要受纯技术效率的负向影响，湖南主要受规模效率影响，重庆在纯技术效率和规模效率两方面均较低。

3.2 科技创新能力影响因素分析

上文利用超效率SBM模型和Malmquist指数模型，从微观层面有效测度了全国各省市科技创新效率，还需从宏观层面进一步探讨各省市创新效率的影响因素及各因素的作用机理。本文基于面板数据对全国总体情况进行分析，解析各省市科技创新效率影响因素作用方向与程度的内在原因，运用Stata15.0软件计算Tobit回归模型。

图2显示了全国各省市政府支持对科技创新效率影响的回归结果。从全国总体情况看，政府支持对科技创新效率具有显著正向作用，说明政府对科技创新的支持程度越高，越有利于我国科技进步。

从各省市情况看，陕西、宁夏、海南和山东4个省市政府支持对科技创新效率具有显著正向作用。以上省市政府科技投入呈稳定增长趋势，但在全国排名偏低，因此建议加大政府科技投入，充分发挥政府支持对本地区科技创新效率的促进作用。北京、湖北等11个省市政府支持对科技创新效率的正向作用不显著。结合地区实际情况发现，部分省市政府科技资金投入大部分流向研究机构、高等院校的基础研究和应用研究领域，此类研究难以在短时间内产生效益，政府科技投入增加带来的影响无法立刻显现。此外，一些省市政府投资对创新的拉动作用基本达到饱和，应当积极寻求其它方式驱动区域科技创新。河北、广西和黑龙江3个省市政府支持对科技创新效率具有显著负向作用。数据显示，上述省市政府科技投入占政府财政支出比重低于全国平均水平，而且比重不增反降，说明政府应当提高对当地科技创新的重视程度。河南、福建等12个省市政府支持对科技创新效率的负向作用不显著。其中，安徽、福建等省市政府科技投入占比较高，也侧面反映我国存在政府创新激励扭曲、科技投入冗余、产出亏空等问题。

图3显示了全国各省市经济发展水平对科技创新效率影响的回归结果。从全国总体情况看，我国经济发展水平对科技创新效率具有负向作用，影响系数接近于0，说明作用效果不佳。当前我国国内生产总值稳居世界第二，经济发展速度较快，结合有关研究发现，当区域经济发展水平较高时，容易出现寻租行为，使得原本应该用于科技研发的资金流向其它领域[20-22]。此外，我国民间资本投资科技领域的积极性较低也是造成经济因素影响不大的原因。

从各省市情况看，海南和河南经济发展水平对科技创新效率具有显著正向作用。调查发现，两省民间资本投资科技领域的积极性较高，如近年来河南企业加大创新投入，高新技术产业化水平居中部地区首位。北京、浙江等8个省市经济发展水平对科技创新效率的正向作用不显著，减少寻租行为、激发民间资本投资科技领域的积极性，是上述地区增强经济优势对科技创新促进作用的根本方法。江苏、湖南等9个省市经济发展水平对科技创新效率具有显著负向作用；湖北、上海等11个省市经济发展水平对科技创新效率的负向作用不显著。进一步分析发现，上述经济发展水平较高的部分省市并不缺乏科技投资，但普遍存在创新资源冗余、创新资源错配等问题。

注：β为影响系数，P<0.05表示在5%的水平下显著，下同

图4显示了全国各省市科技基础设施投入对科技创新效率影响的回归结果。从全国总体情况看，科技基础设施投入对科技创新效率的正向作用不显著，影响系数接近于0，说明作用效果不显著。随着我国大部分地区科技基础设施建设逐渐完善，自2017年起，全国大多数省市科技基础设施投资呈递减趋势，但已建成基础设施仍在发挥促进作用，这是导致科技基础设施投入影响不显著的主要原因。结合有关研究发现，我国科技基础设施建设存在规划不合理、利用率低的现象，重复建设、闲置等情况导致每年我国在科技基础设施上的投资巨大，但投资效果不尽如人意。

从各省市情况看，河北、青海等5个省市科技基础设施投入对科技创新效率具有显著正向作用。投资数据显示，2011—2018年，以上省市科技基础设施投资均保持较为稳定的增长态势，科技创新效率也呈现平稳递增趋势。北京、上海等11个省市科技基础设施投入对科技创新效率的正向作用不显著。大部分省市前期科技基础投资较多，随着科技基础设施逐步完善，投资呈现缓慢下降趋势，但其对科技创新的影响仍在持续，因此影响不显著。甘肃和陕西科技基础设施投入对科技创新效率具有显著负向作用；湖北、湖南等12个省市科技基础设施投入对科技创新效率的负向作用不显著。对于科技基础设施投入较多但效果不佳的地区，改进其科技基础设施中存在的规划不合理、使用率低等问题是扭转负面影响的唯一方法；对于科技基础设施建设较为落后的地区，虽然近几年投入有所增加，但基础设施的作用效果存在滞后性，尚未表现出显著影响，因此妥善安排后续科技基础设施投入尤为重要。

图5显示了全国各省市科技认知程度对科技创新效率影响的回归结果。从全国总体情况看，科技认知程度对科技创新效率具有显著正向作用。良好的科技创新生态是激发创新活力最有效的方法，一般来说，科技认知程度较高的地区更容易吸引科技要素聚集，促进高新技术产业集聚，从而带动地区科技发展。

从各省市情况看，河北、青海等6个省市科技认知程度对科技创新效率具有显著正向作用。近10年来，上述省市互联网普及率均有显著提升，地区科技认知程度显著提高。广东、湖北等13个省市科技认知程度对科技创新效率的正向作用不显著。其中，部分省市由于边际影响力减弱，科技认知范围扩大，对科技创新效率提升难以产生影响；另一部分地区由于互联网普及率较低，对科技创新的促进作用不明显。海南、河南和北京科技认知程度对科技创新效率具有显著负向作用。其中，河南互联网普及率呈现缓慢递增趋势，但总体水平较低，对科技创新效率未产生促进作用；海南科技认知程度处于全国中等水平，科技人才引育机制不完善、科技人才流失严重等在一定程度上导致其对科技创新的促进作用不显著。上海、浙江等8个省市科技认知程度对科技创新效率的负向作用不显著。上述省市互联网普及率呈现稳定上升趋势，但科技创新效率波动较大，因此应该采取相应措施提高互联网的创新溢出效应。

4 结论与启示

4.1 结论

本文考察了2011—2019年中国内地30个省市科技创新综合发展水平及其影响因素，依据超效率SBM-Malmquist模型对中国省域科技创新效率进行综合评价，并从广义社会环境角度出发，构建科技创新效率影响因素Tobit模型，实证研究科技创新驱动因素。本文得出以下主要结论：科技创新效率呈波动上升趋势，受地区经济和技术基础影响，全国各省市科技创新效率差异较大，东部地区最高，西部地区次之，中部地区最低；科技创新全要素生产率受技术效率变动指数与技术进步指数的交叉影响，技术进步指数的影响更大，整体上呈波动递增趋势，全国有77.33%的省市全要素生产率大于1，科技创新发展整体态势较好。

对科技创新效率影响因素及其影响机理的研究结论如下：①从全国整体情况看，政府支持和社会科技认知程度对科技创新效率具有显著正向作用，经济发展水平对科技创新效率具有显著负向作用，科技基础设施投入对科技创新的正向作用不显著；②分省市看，各影响因素的作用效果并未表现出显著地域分布特征；③分析各因素对科技创新的作用机理发现，政府支持通过调整财政科技资金投入金额、方向以及对社会资本的吸引效应，作用于科技创新效率，政府支持对科技创新效率的影响程度也与政府支持效应是否达到饱和有关；④地区经济发展水平对当地民间资本投资积极性、投资战略和投资风险偏好程度均会产生影响，从而影响科技创新效率，经济发展水平较高地区的民间资本对科技领域重视程度更高，地方大型企业愿意投资高风险的科技领域，但同时也容易出现寻租、资源冗余等问题；⑤地区科技基础设施越完善，越有利于科技创新，但由于科技基础设施建设需要一定周期，其对地区创新效率的影响具有滞后性，基础设施建设规划与布局也会影响科技基础设施对科技创新效率的作用；⑥科技认知程度提高能够增进人们对科技发展的了解，增强人们对科技创新的兴趣，助力营造良好的创新氛围，从而影响科技创新效率，但科技认知程度的影响作用也与地区人才引导、激励机制等有关，引导与激励机制不健全的地区，人们对科技创新的认知较为片面，无法对科技创新效率起到显著增进作用。

4.2 政策启示

首先，发展新型融资模式，激发民间资本投资积极性。随着我国科技事业的发展和创新能力的提高，许多地区依靠政府投资拉动科技创新效率增长的模式逐渐显现颓势，应及时切换政府与企业投资主体角色切换，推动政府支持由直接投资向间接投资转变，如开设科技贷款绿色通道、增加专项信贷额度、支持有条件的地方政府建立风险补偿资金池等。其次，营造良好的科技创新氛围，增强科技创新人才凝聚能力。健全科技人才引育制度，完善落户居留、医疗保健、出入境服务等保障措施，培养一批核心技术人才、海外高层次人才、产业领军人才。同时，积极改进现有人才管理机制，营造科技人才良性竞争氛围。再次，加强科技成果产权保护，打通科技成果转化链条，推动技术成果与产业发展深度融合。设立知识产权法院，做好知识产权维权援助工作；探索基于互联网技术的一体化科技市场，建立涵盖科技咨询、创新资源集聚、技术转移等功能的综合服务平台；发挥财政科技项目在成果供给中的引导作用，面向地方产业发展需求，设置科技计划专项，重点支持地方优势产业关键核心技术攻关。最后，通过政策调适，引导构建科技监管体系。健全奖惩机制，减少科研项目申报中的寻租与腐败行为；前瞻布局科技基础设施建设，引导企业参与科技基础设施建设，规范我国科技基础设施建设管理制度。

4.3 研究不足与展望

本文还存在以下不足与局限性：首先，本文选取的科技创新效率测度指标及影响因素指标可能存在遗漏，未来研究可进一步细化，拓宽指标口径，减少因投入与产出指标潜在对应性导致的误差；其次，本文虽然对科技创新效率影响因素的相关性进行了分析，但未对具体指标与科技创新效率的耦合性进行深入探究，有待在未来研究中进一步完善。

[1] 宋刚.钱学森开放复杂巨系统理论视角下的科技创新体系:以城市管理科技创新体系构建为例[J].科学管理研究,2009,27(6):1-6.

[2] 焦继文,郭宝洁.区域科技资源集聚与经济增长之关系的实证分析[J].统计与决策,2015,31(24):111-114.

[3] 孙艺璇,程钰,刘娜.中国经济高质量发展时空演变及其科技创新驱动机制[J].资源科学,2021,43(1):82-93.

[4] 赖一飞,覃冰洁,雷慧,等.“中三角”区域省份创新要素集聚与经济增长的关系研究[J].科技进步与对策,2016,33(23):32-39.

[5] 唐五湘,李冬梅,周飞跃.基于面板数据的我国各地区科技资源配置效率的评价[J].科技管理研究,2007,27(3):43-46.

[6] 周伟,叶常林.基于因子分析模型的中部六省科技资源配置效率研究[J].统计与决策,2011,27(12):85-87.

[7] 刘琦.基于DEA方法的科技资源配置效率分析:以广东省为例[J].企业经济,2016,35(6):151-155.

[8] 刘钒,邓明亮.基于改进超效率DEA模型的长江经济带科技创新效率研究[J].科技进步与对策,2017,34(23):48-53.

[9] 康楠,郑循刚,母培松.基于组合评价的我国区域科技资源配置效率研究[J].华中科技大学学报(社会科学版),2009,23(6):79-83.

[10] 赖一飞.中部六省R&D活动投入产出效率研究[J].珞珈管理评论,2016,31(2):184-194.

[11] 王建民,杨力.长三角创新要素、配置效率与创新绩效[J].上海经济研究,2020,32(1):75-85.

[12] 李健,鲁亚洲.京津冀创新能力预测与影响因素研究[J].科技进步与对策,2019,36(12):37-45.

[13] 朱林,朱学义.科技创新绩效影响因素研究:来自全国工业企业2004—2018年数据[J].会计之友,2021(3):103-109.

[14] 林德珊,吕建秋.DEMATEL方法在高校科技创新能力影响因素分析中的应用[J].科技管理研究,2014,34(17):53-56.

[15] 李芸,雷宏振,张小筠.基于SBM模型的科技创新效率及影响因素研究[J].技术经济,2020,39(5):1-8.

[16] CAVES R E.Multinational enterprise and economic analysis[M].Cambridge:Cambridge University Press,1982.

[17] TONE K.A slacks-based measure of efficiency in data envelopment analysis[J].European Journal of Operational Research,2001,130(3):498-509.

[18] 宋刚,唐蔷,陈锐,等.复杂性科学视野下的科技创新[J].科学对社会的影响,2008(2):28-33.

[19] 潘雅茹,罗良文.基础设施投资对区域创新效率的异质性影响研究[J].贵州社会科学,2019,40(4):145-153.

[20] 齐晓丽,郭帅,金浩.京津冀区域创新要素配置效率的影响因素分析[J].河北工业大学学报(社会科学版),2016,8(2):8-15.

[21] BAUMOL W J.Entrepreneurship:productive,unproductive,and destructive[J].Journal of Business Venturing,1996,11(1):3-22.

[22] BAUMOL W J．Productivity growth，convergence，and welfare：what the long-run data show [J]．The American Economic Review，1986，76(5)：1072-1085.

我国区域科技创新效率测评及影响因素研究
——基于超效率SBM-Malmquist-Tobit模型

Research on the Efficiency and Influencing Factors of Science and Technology Innovation in China：based on the Super-Efficiency SBM-Malmquist-Tobit Model

0 引言

1 文献综述

2 研究设计

2.1 研究工具与方法

2.2 变量确定

2.3 数据来源与处理

3 实证结果分析

3.1 科技创新效率综合评价

3.2 科技创新能力影响因素分析

4 结论与启示

4.1 结论

4.2 政策启示

4.3 研究不足与展望

我国区域科技创新效率测评及影响因素研究——基于超效率SBM-Malmquist-Tobit模型

Research on the Efficiency and Influencing Factors of Science and Technology Innovation in China：based on the Super-Efficiency SBM-Malmquist-Tobit Model

0 引言

1 文献综述

2 研究设计

2.1 研究工具与方法

2.2 变量确定

2.3 数据来源与处理

3 实证结果分析

3.1 科技创新效率综合评价

3.2 科技创新能力影响因素分析

4 结论与启示

4.1 结论

4.2 政策启示

4.3 研究不足与展望

我国区域科技创新效率测评及影响因素研究
——基于超效率SBM-Malmquist-Tobit模型