Evaluation of Regional R&D Efficiency Based on Super-efficiency DEA and Malmquist Index:Comparative Research from the View of Four Major National City Clusters

Yang Li1，Wei Qifeng2

(1.School of Economics and Management，Southwest Jiao Tong University, Chengdu 610031,China;2.School of Bussiness, Chengdu University of Technology, Chengdu 610059,China)

Abstract：China is now actively promoting new urbanization strategy. Urban agglomerations, as the main form to advance national urbanization, will undoubtedly become the important pillar for China's future economic development. The 2014-2020 National New Urbanization Proposal, released in 2014, has clarified the layout and planning of urban agglomerations in China, and pointed out that future efforts should focus on scientific optimization of eastern urban agglomerations, and active cultivation of economic growth pole in the central and west regions. In 2018, the State Council made new remarks on establishing new mechanism of regional collaborative development, stating that the form of urban agglomerations would be taken to boost regional strategic integration and development. The 6th Meeting of Central Finance and Economics held in 2020 put forward that Chengdu-Chongqing economic circle will target at world-class urban agglomerations and become an important growth pole of west China high-quality development and the fourth pole of China's economy following the Jing-Jin-Ji, the Yangtze River Delta, and Guangdong, Hong Kong, Macao urban agglomerations. Regional collaborative development within urban agglomerations and integrated market can strengthen regional internal competitiveness, effectively reduce overall operational and institutional cost of urban agglomerations, promote mobility and integration of elements, redress the imbalance in regional development and optimize territorial space structure.

The ability of scientific and technological innovation is vital to the national and regional core competitiveness. Its main role is to stimulate economic vitality and promote sustainable development by gathering innovative resources and strengthening scientific and technological research and development. It is of great significance to study the R&D efficiency and its influencing factors in different economic circles for comparing the efficiency of R&D resources allocation in different regions and making effective management policies of science and technology.

Based on SE-DEA(CCR-I)model, the paper calculates scientific and technological R&D efficiency of 65 cities from four major urban agglomerations in China during 2016 and 2018, comparatively analyzes R&D efficiency variation at different stages of the four major urban agglomerations as well as cities within the urban agglomerations, and explores into the variation characteristics of R&D efficiency in each region.

The research conclusions are as follows. (1) The super efficiency DEA analysis shows that the average R & D efficiency of Guangdong HK & Macao Bay area is the highest, followed by Chengdu Chongqing economic circle and Yangtze River Delta city group. Due to the imbalance of scientific and technological development of Jing-Jin-Ji cities, the average regional R & D efficiency is at the end of the four city groups. (2) Malmquist index analysis shows that most cities in the Yangtze River Delta, Guangdong, HK & Macao, and Jing-Jin-Ji urban agglomerations have achieved positive growth in technological efficiency, while the efficiency of scientific and technological progress of Chengdu Chongqing urban agglomerations has gradually declined, and there is still a certain gap from the other three urban agglomerations. The average technological progress rate of the overall four major national urban agglomerations is higher than the average technological efficiency, and the scientific research of each region has been strengthened. Technical level is the key to improve TFP. On the basis of the empirical analysis of regional R & D efficiency, this paper puts forward countermeasures and suggestions on the allocation of investment resources, the endowment of advantageous resources, the development of regional collaborative innovation and the in-depth cooperation of production, learning and research of the R & D efficiency of urban agglomerations in accordance with local conditions.

Key Words:Regional R&D Efficiency;National Urban Agglomerations; Super Efficiency DEA; Malmquist Index

DOI：10.6049/kjjbydc.2021050144

开放科学(资源服务)标识码(OSID)：

中图分类号：F127

文献标识码：A

文章编号：1001-7348(2022)10-0041-11

收稿日期：2021-05-06

修回日期：2021-06-25

基金项目：国家自然科学基金面上项目(71974020,71673011);四川省软科学研究项目(2020JDR0201)

作者简介：杨力(1982-)，男，四川绵阳人，博士,西南交通大学经济管理学院讲师，研究方向为技术创新管理；魏奇锋(1985-)，男，浙江诸暨人，博士, 成都理工大学商学院副教授，研究方向为技术经济与管理。

0 引言

2018年国务院发布关于建立区域协调发展新机制的意见，表明未来将以城市群推动我国区域战略融合发展[1]；2020年中央财经委员会第六次会议提出，成渝地区双城经济圈将以世界级城市群为目标进行规划建设，并定位为我国西部高质量发展的重要增长极，这是继京津冀、长三角、粤港澳后的中国经济“第四极”。城市群可持续发展离不开科技创新，科技创新活动质量与发展速度影响城市群的经济规模及发展进程。然而，由表1可知，截至2018年底，四大国家级城市群发展不均衡，其中，长三角经济圈经济规模居前，京津冀地区产业创新实力领先，粤港澳大湾区城镇化率一马当先，成渝地区双城经济圈无论是城镇化率、经济规模，还是创新能力均排名靠后。由于区域科技研发与创新能力是占领经济市场的决定性因素，在此背景下，探讨四大国家级城市群研发效率差异及影响因素，对于整合与规划区域科技资源、激发经济圈经济活力、占领我国科技创新制高点具有重要意义。

1 文献综述

1.1 研发效率评价

近年来，关于利用区域科技研发推动经济增长与产业升级已在学术界形成共识，区域研发效率也逐渐成为学者们研究的热点，并产出了很多成果。目前学术界针对研发效率测度的研究主要从3个方面展开。

(1)研发效率评价方法。当前的主流研究方法是以SFA为代表的参数法与以DEA为代表的非参数法。如Guan等[2]、Cruz-Cazares等[3]为了解决研发绩效测算过程中研究结果的不确定性问题，利用DEA-GMM模型测算了西班牙高技术制造业的技术研发效率；程慧平等[4]、刘俊等[5]基于SFA分析方法对我国主要省份的研发创新与转化效率进行了实证研究；樊华等[6]、乔元波[7]采用DEA以及改进的三阶段网络DEA方法对我国区域创新效率进行了测度分析。

(2)从产业层面分析科技研发效率问题，从经济社会环境、国家创新体系差异等外部角度探讨研发活动的影响因素。如Kumbhakar等[8]选取11个欧洲经济体中的18个高技术行业进行科研生产效率测算，研究发现，各国知识生产能力和创新体系都存在系统性差异，是影响科研生产率的根本因素；Li等[9]构建了一个基于共同边界分析与截断回归的动态DEA模型，测算科技人才对高新技术产业研发效率的影响程度。

(3)区域层面的科技研发效率研究主要集中在省域、国家、经济联盟3个层面。如朱天星等[10]运用DEA与累计TFP指数研究亚洲“一带一路”国家研发效率，发现技术进步率是促进研发效率提升的关键，而国家经济发展与研发效率之间呈 “U型”关系；张立杰等[11]基于价值链视角，研究丝绸之路经济带沿线省、市高技术产业研发创新绩效，结果表明，沿线城市研发创新效率差距正逐步缩小，区域协同发展使高技术产业发展态势向好；叶堂林等[12]基于超效率BCC模型，对2010-2018年我国东部三大城市群各城市及城市群整体创新效率进行测度，并利用变异系数考察城市群内部创新效率差距。

1.2 城市群研究

当前关于城市群的研究成果较丰富，但侧重点不同，主要聚焦于城市群发展差异、城市群内部产业布局、城市韧性等。

(1)城市群发展差异。如米锦欣[13]从全球城市群视角分析我国三大城市群，即长三角、京津冀、珠三角特征，从发展模式、空间规划、分散化管理等方面评估我国城市群与世界超级城市群的差距，并据此提出对策建议；杨智雄等[14]研究发现，各城市群之间呈现显著的梯次分布格局，沿海城市整体发展水平超前且较为均衡，长江中游、成渝地区双城经济圈表现出典型的混合特征，区域内部发展不均衡，而关中平原、哈长城市群表现出明显的滞后性，科技研发能力不足，经济发展水平也较低。

(2)城市群产业布局。王青等[15]选取长三角城市群作为研究对象，利用宏观计量模型测算产业分工对经济发展的影响程度，研究表明，人才供给、政府规模对经济高质量发展均具有正向促进作用，推进城市群产业分工能够最大限度地协调与发挥各级城市功能；温晓慧等[16]采用耦合协调理论模型，评价我国三大沿海城市群的区域创新能力，结果发现，各城市群科研创新能力差异显著，作为产业分工和协调系统最完善的珠三角城市群，其创新能力最强，其次是长三角，环渤海最弱。

(3)城市群城市韧性。张明斗等[17]基于协调度模型与层次分析法，测算2007-2016年长三角城市群16个城市的城市韧性和经济发展水平，结果表明，各城市的城市韧性呈波动上升趋势，但内部存在显著的地带性差异，表现为“东强西弱”的发展格局；朱金鹤等[18]运用熵值法、ESDA剖析三大城市群的城市韧性时空演变规律，发现城市韧性从高到低，依次排序为长三角城市群>京津冀地区>珠三角，财政、技术、金融规模对城市群城市韧性空间溢出的差异化影响显著。

1.3 文献述评

通过文献梳理发现，国内外学者针对区域研发效率的研究存在有待完善的地方：第一，现有研究大多以国家、省域或高技术产业数据为主，缺少基于城市群维度的研发效率分析；第二，现有研究普遍采用数据包络分析法，仅停留在研发效率的静态分析层面上，缺乏动态分析分解后的城市群研发动态效率研究，从而无法科学地反映研发投入强度以及研发产出贡献差异。

基于此，本文将从两个方面进行完善：第一，拓展区域研发效率研究视野，选取四大国家级城市群，包含65个地级以上城市作为研究对象，全面探究城市群所含城市的科技研发现状，系统分析投入与产出问题，因地制宜提出相应策略。这对于缩小我国四大城市群以及城市群内部区域科技研发差距、解决区域发展不平衡等问题具有重要参考意义。第二，突破传统科技研发效率测算的单一逻辑思路，从动静态两种视角切入，选取超效率DEA模型与Malmquist指数法进行实证研究，从单一研发生产过程升级到跨期多维度生产过程，基于以往研究缺陷分析影响区域研发效率的关键因素，全面量化区域研发效率水平与影响因素。

2 研究方法与指标构建

选取京津冀、长三角、粤港澳大湾区、成渝地区双城经济圈四大国家级城市群，基于超效率DEA与Malmquist指数法，对2016-2018年各城市群科技研发效率进行测算与对比分析。

2.1 模型设计

2.1.1 超效率DEA模型

DEA模型是一种应用线性规划理论测算投入产出比的模型。模型中含有α种输入指标、β种输出指标，η个决策单位(DMU)，第ε个DMU的输入和输出变量分别为：xε=(x1ε,x2ε,...,xαε)T>0、yε=(y1ε,y2ε,...,yβε)T>0。该模型基于规模报酬不变或可变原则，以投入或产出为导向，分为4个模型，即CCR-I、CCR-O、BCC-I、BCC-O。在实证分析中，使用基础DEA进行效率测算时会出现多个DMU生产效率都为1(即同时有效)的现象，此时无法对这样的DMU作进一步排序。1993年，Per Andersen & Niels Christian Petersen(1993)[19]针对此现象，对DEA模型进行了完善与延伸，建立了超效率DEA模型，如公式(1)所示。

(1)

改进后的超效率DEA模型去掉了约束项中的输入项和输出项。进行测算时，无效的DMU生产前沿面保持不变，而有效的DMU生产前沿面后移，从而能够比较DMU效率。

2.1.2 Malmquist指数方法

基础与超效率DEA模型均是一种静态分析模型，能够独立分析每年的DMU技术效率、规模效率、纯技术效率，但无法识别DMU的跨期动态效率变化，且无法进一步分析引起效率变化的原因。因此，本文在超效率DEA的基础上，应用基于全域技术集的Global Malmquist生产率指数测算全要素生产率(TFP)变化，构造产出导向的产量距离函数，将其表示为：

TFP=Techch×Effch=Techch×Pech×Sech

(2)

技术进步(Techch)反映了生产前沿面从t时期到t+1时期的移动，技术效率(Effch)表示某DMU从t时期到t+1时期对生产可能性边界的追赶速度，它还可以分解为纯技术效率(Pech)和规模效率(Sech)之积。模型构建如下：

(3)

基于公式(3)的进一步分解，得到Global Malmquist生产率指数：

(4)

式中，Dt、Dt+1代表的是DMU在t时期和t+1时期的相对效率，是分解出来的规模效率指数，是分解出来的纯技术效率指数。当指数运算结果大于1时，表明技术效率逐年提高；等于1时，说明技术效率没有变化；小于1时，说明技术效率逐年下降，即资源配置效率有待提升。最后一项是分解出来的技术进步指数，当该指标测算结果大于、等于或小于1时，分别表示该DMU技术进步、不变或退步。进一步，当模型运算结果M>1时，说明TFP逐步增长；当M=1时，说明研究期内TFP处于止步不前状态；当M<1时，说明TFP逐步减小。

2.2 指标构建与数据选取

在指标选取过程中，遵循关联性与适量性，并结合指标现实意义以及数据可获取性原则，但囿于DEA模型的局限性，输入指标应不少于输出指标，因此输入输出指标最多分别选取4个。

2.2.1 区域研发效率输入指标

科技研发活动(R&D)包含基础研究、试验发展与应用研究三类，是反映区域科技创新的有效指标。科研活动的实施主体是研发人员，人才是科技研发活动输入的重要要素，因此本文选取“R&D人员全时当量”作为第一个输入指标X1；资金投入是保障科技研发活动顺利开展的必备条件，因此本文选取“R&D经费内部支出”作为第二个输入指标X2；“R&D经费投入强度”能够反映区域对科技研发的重视程度，因此将其作为第三个输入指标X3。

2.2.2 区域研发效率输出指标

参考已有成果，将科技活动产出分为3个阶段：第一阶段为科学技术孵化，第二阶段为科技成果转化，第三阶段为科技成果产业化，不同阶段对应科研产出的不同表现形式。将科研产出进行阶段划分能够更准确地衡量科研成果的“落地化”，该产出反映了生产力效率。

在新技术孵化阶段，被授权的专利技术能够体现新技术孵化成果，因此选取“专利授权量”作为第一个输出指标Y1，其中包括发明、实用新型、外观设计三类专利技术成果授权；在科技成果转化阶段，市场成交额越高，说明科技成果转化效果越好，创新成果的商业化越成功，因此选取“技术市场成交额”作为第二个输出指标Y2；在产业化阶段，各区域的传统制造业已开始转向高精尖制造业，新产品产出有助于企业获得利润，因此采用“新产品销售收入”作为最后一个输出指标Y3。

2.2.3 数据说明

参考四大城市群发展规划纲要的最新划分标准，选取京津冀城市群13个地级市、粤港澳大湾区10个城市(由于澳门数据缺失，未纳入考量)、长三角城市群26个城市、成渝地区双城经济圈16个城市作为研究主体，测算2016-2018年四大城市群65个城市的科技研发效率。本文数据来源于2016-2018年国家统计局、Wind、四大国家级城市群地方统计局、科学技术厅、知识产权局以及各省市经济与社会发展统计公报，研究期内个别缺失值采用插值法补齐。

由表4的 Pearson相关性系数矩阵可知，3项科技研发输入与输出指标间均为正相关，由此表明构造的研发效率评价体系符合DEA的同向性原则，保证了测算结果的可信度。

3 区域研发效率实证分析

3.1 区域研发效率静态分析

基于SE-DEA(CCR-I)模型对2016-2018年我国四大城市群65个城市的科技研发效率进行测算，对比分析四大城市群以及各城市不同阶段研发效率变化情况，探讨各区域研发效率变化特点。测算得出2016-2018年四大城市群科技研发效率，具体如表5所示。

从四大城市群研发效率总体情况看，2016-2018年粤港澳大湾区的SE-DEA效率均值为0.871，居四大城市群之首，比京津冀的研发效率均值高出10.9%；成渝地区双城经济圈的SE-DEA均值为0.838，虽然在经济规模、产业创新能力上与其它三大城市群有一定差距，但在科技研发活动上处于高效状态；长三角城市群的研发效率均值为0.795，京津冀城市群的研发效率均值为0.762，说明上述两大城市群城市的科技研发在大多数年份处于低效状态。

逐年来看，可以发现，京津冀城市群、粤港澳大湾区、成渝地区双城经济圈均处于递增态势，2016-2018年京津冀城市群研发效率的增长率最高，达到了25.4%，粤港澳大湾区以24.3%的增长率紧随其后，成渝地区双城经济圈的增长率仅为12.97%，而长三角城市群的研发效率呈负增长，下降了7.8%。

从整体情况看，四大城市群研发效率的均值为0.816 5，整体水平存在上升空间；从城市角度看，共有45个城市的科技研发效率低于区域平均水平，占69.2%，说明城市间的科技研发效率存在较大差距。

下面将结合四大城市群特点，对各城市研发效率进行深入分析。

(1)京津冀地区各城市科技发展差距较大，2016-2018年科技研发效率有效地区仅北京一个城市，效率均值为1.503，且处于高效科技研发状态。保定、承德两个城市的SE-DEA效率均值都低于0.5，不足北京的1/3，处于低效科技研发状态，其它十个城市的效率均值处于0.5～1.0之间且没有达到DEA有效状态，秦皇岛在2016年的研发效率达到了1.101的有效状态，但在2018年以29.97%的速度回落至0.854，2016年石家庄的研发效率仅为0.437，两年间以150.34%的增速达到1.094的DEA有效状态，因此石家庄与秦皇岛在区域创新、科技研发道路上的经验及教训可作为其它城市的重要参考。

京津冀地区的科技研发效率呈现明显的两极分化状态。其中，北京作为我国的政治文化中心，其经济实力与科技要素聚集能力明显强于其它城市，是我国科技创新高地，但并没有很好地发挥辐射作用，对周边滞后城市带动不够。河北地区的科创要素聚集与高技术产业聚集程度远落后于北京地区，极大阻碍了区域创新能力提升。

(2)长三角地区科技研发效率均值达到有效层面的共有5个城市，分别为：上海1.201、苏州2.042、宁波1.085、绍兴1.023、池州1.032。其中，苏州的科技研发效率均值为四大城市群之首，也是唯一一个DEA效率均值达到2的城市。苏州拥有雄厚的制造业基础，凭借其区位优势，积极引进外资，促进产业价值链上移，世界500强企业已有90家在苏州投资。此外，苏州积极加强科研投入、主动进行产业转型、高效产出科技成果，在研发效率上占据绝对优势。而作为同样位于江苏省的盐城，其研发效率均值仅有0.351，R&D经费内部支出均值是苏州的1/5，2018年其R&D投入强度均值为0.96%，远低于我国整体均值2.19%，同时，产学研合作不足，没有抓住自身区位优势，导致自主研发能力与企业创新活力得不到充分激发，区域研发效率处于极低效状态。

长三角地区共有21个城市没有达到DEA有效且整体研发效率不高。虽然长三角各大地域都有一定核心竞争力，如上海的科创能力与服务业发展水平为区域翘楚，江苏省制造业成熟，安徽省新兴产业发展迅猛，但是这些优势禀赋并没有为长三角大部分城市带来高效率的科研产出，未来这些区域还需注重城市内部科技研发深度和效率，避免发展滞后的城市影响区域整体科技创新水平。

(3)粤港澳大湾区中广州的科技研发效率均值为1.073，中山为1.917，东莞为1.089，均达到了科技研发有效水平，深圳为0.915，距生产前沿面还有微小距离，香港的研发效率均值为0.347，位于四大城市群各城市最后一名。2016-2018年佛山和中山的研发效率增速分别为77.9%、63.89%，发展迅猛，广州、深圳、东莞、肇庆、江门的研发效率逐年缓步提升。

粤港澳大湾区作为金融、创新与贸易中心，紧紧抓住全球科技和产业革命机遇，如深圳、广州充分发挥其辐射带动作用，促进区域周边城市改革与发展。但除深圳和港澳地区外，珠江三角洲的支柱产业仍是中低端制造业，新能源、新材料等高技术产业发展缓慢。未来粤港澳大湾区应注重挖掘科研创新潜力，优化区域科研创新结构，推动粤港澳大湾区新型工业化发展和技术体制创新。

(4)成渝地区双城经济圈共有4个城市的研发效率均值达到有效层面，分别是重庆1.129、成都1.209、德阳1.095、内江1.098，但没有一个城市达到科技研发高效状态，与标杆还有一定距离。紧随上述4个城市之后的为研发效率均值为0.973的绵阳和均值为0.987的南充；四川达州和资阳的科技研发效率均低于0.5，这两个城市主要存在技术落后、科技研发资源匮乏的问题；其余城市处于0.585～0.918之间。成渝地区未来需积极推动科技创新、优化产业结构，努力追赶科技研发高效率城市。

成渝城市群当前存在的主要问题是产业分工不够明确、创新能力欠缺、产业协同程度低，且核心城市成都、重庆不仅没有充分发挥辐射引领能力，反而因“虹吸”效应削弱了周边城市的经济发展动力。未来成渝双城经济区应着力促进城市一体化发展，推动科技资源跨区流动，完善内部产业结构，细化产业链分工，同时，提升科技研发效率与区域产出效率。

3.2 区域研发效率动态分析

为进一步说明四大城市群各城市2016-2018年科技研发效率的动态变化，使用DEAP 2.1软件，基于Malmquist指数法测算全要素生产率(TFP)并作进一步分解，研究各城市科研产出效率的跨期变化。Malmquist指数法测算结果如表8所示。

3.2.1 各城市群技术效率指数变化情况

京津冀城市群共有11个城市的技术效率指数大于1，占比为84.62%，说明这些城市的科技研发效率都有了提高，其中，提升幅度最大的为石家庄，技术效率指数高达1.513，提升幅度最小的城市为邯郸，仅为1.003。

长三角城市群仅6个城市的研发效率得到提高，占比为23.08%。其中，技术效率最高的城市为安庆1.342，上海和苏州的技术效率均为1.0，说明2016-2018年上述两个城市的科技研发效率保持稳定；在技术效率小于1的城市中，宣城的技术效率值最低，仅为0.676，其余15个城市的技术效率均处于0.8～1.0之间。

粤港澳大湾区有7个城市的技术效率大于1，占比为70%。其中，佛山的技术效率最高，为1.333，而香港、珠海、惠州的技术效率均小于1，说明效率有所下滑。

成渝地区双城经济圈有9个城市的技术效率大于1，占比为56.25%。其中，绵阳、资阳的技术效率排名靠前，分别为1.496与1.412。核心城市重庆和成都的技术效率均小于1，最低的为达州，技术效率仅为0.668。

对四大城市群技术效率指标进行分析可以看出，四大城市群共有33个城市的技术效率大于1，占50.77%，技术效率均值为1.022，整体研发效率呈上升态势，但城市群内部科技发展不均衡问题较突出。其中，长三角区域大部分城市的技术效率都小于1，科技研发效率普遍下滑，成渝城市群有接近一半城市的科技研发效率下降，京津冀城市群和粤港澳大湾区整体呈现技术效率提高态势。

3.2.2 各城市群技术进步率指数变化情况

京津冀城市群除北京外，有12个城市的技术进步率大于1，占92.31%，北京的技术进步率为0.923，说明北京的科技研发水平有所退步。

长三角城市群除上海、铜陵、滁州、合肥外，有22个城市处于技术进步状态，占82.62%。其中，南京、舟山、马鞍山、安庆4个城市的技术效率与技术进步率均有提高，说明科研技术进步直接带动了这些城市科技研发效率提升。

粤港澳大湾区除肇庆、惠州外，其余8个城市的技术进步率均大于1，占80%。其中，中山的技术进步率最高，达到1.402，说明2016-2018年该城市科技研发水平得到了极大提高。

成渝地区双城经济圈只有重庆、成都、泸州、遂宁、广安的技术进步率大于1，占31.25%，其余城市的技术进步率均小于1，受科学技术因素和规模效率影响，这些城市的科技研发水平逐年降低。

通过对技术进步率指数的分析发现，四大城市群共有47个城市的技术进步率大于1，占72.31%，技术进步率均值为1.055，高于技术效率均值。京津冀、长三角、粤港澳3个城市群中大部分城市的科研水平均有提高，而成渝地区双城经济圈则相反，其大部分城市的科研水平都处于下降状态。

3.2.3 全要素生产率指数变化情况

总体来看，四大城市群整体的全要素生产率均值为1.078，其中，技术进步率的均值为1.055，技术效率的均值为1.022，说明四大城市群全要素生产率的提升更加依赖于科学技术进步。因此，提升四大城市群研发效率的关键在于提升科研技术水平，科学配置城市群科技研发要素，加强科技资源管理能力建设。

2016-2018年四大城市群整体的科研全要素生产率由1.025上升至1.133，年均增长率为2.1%，呈缓慢增长态势，说明各城市群的科技研发效率处于动态提升的良好发展态势。

4 总结及启示

4.1 结论

本文采用SE-DEA模型和Malmquist指数方法，从静、动态两个视角切入，测算2016-2018年四大国家级城市群研发效率情况，结论如下：

(1)粤港澳大湾区的研发效率均值最高，但总体没有达到DEA有效状态，其后依次为成渝地区双城经济圈、长三角城市群和京津冀城市群，说明这四大城市群整体科技创新效率都存在上升空间。

(2)城市群内部科研创新绩效存在较大差异，如北京、重庆、成都等核心城市的研发效率明显高于周边地区，表明区域发展不平衡，城市间的协同能力有待加强。

(3)技术进步率提升对四大城市群研发效率提高有明显的正向作用，凸显了科技进步对区域研发活动的显著影响力。

(4)在科研活动中，规模效率是提高全要素生产率的关键影响因素，同时，科学技术进步能够有效促进全要素生产率提高。此外，四大国家级城市群整体的技术转化效率低于技术研发效率，但两者差距逐年缩小。

4.2 对策建议

4.2.1 加快产业链融和，打造产业联动区域

产业结构优化升级能够直接带动区域产出效率提升，各区域在进行产业升级和结构优化时应充分考虑城市群自身优劣势。一是建立分工明确、多方位、集成式的城市群产业发展模式，强化产业能级提升。例如长三角城市群的核心产业为电子、金融、汽车，粤港澳地区制造业发达，京津冀城市群的产业布局为高端制造重工业与生产性服务业，成渝地区双城经济圈以电子信息、商贸物流为支柱产业；二是建立各具特色的产业合作园区，节点城市结合强链、补链、延链需求，明确针对核心城市的产业招商方向，强化城市群产业集中度与协同度。每个城市都需要积极抓住地理优势和资源禀赋带来的机遇，充分激发本地科技创新活力；三是建立城市群科技创新走廊，打造或形成新增长极，各地的城市群规划需要契合各区域优势禀赋，以核心城市为依托，周边城市分工协调，积极承接产业配套与转移，优化区域发展空间格局，加快实现由“单极”核心城市向“多极”发展轴的转换。

4.2.2 促进区域协同，打造科技协同高地

各城市群内部应该积极创建跨区域产业协调机制，推动形成立体化、全面覆盖的产业链，提升资源利用率与科技产出效率，合力推动城市群内生发展。同时，城市群可以选择多核分散的联动机制，例如长三角可以南京、杭州、宁波、合肥、苏锡常等核心城市为支点打造五大都市圈，携手打造区域科技创新特别合作区，形成全国举足轻重的先进制造业和现代服务业中心；成渝地区双城经济圈作为我国西部战略高地，可以成都、重庆双核作为城市群发展驱动力，推进新型工业化和西南地区金融中心建设，周边德阳、绵阳、眉山等节点城市应抢抓“成德绵眉资”50km同城化、创新资源外溢、产业转移的重大机遇，主动承接成都优质高端项目转移，积极推进成都平原经济圈深度融合发展；京津冀则呈现为以首都北京为核心的高端制造业、科创高地城市群，天津、石家庄、保定等地应积极通过与北京的协同，加强基础配套设施建设，以共建研发“飞地”、合作产业园等方式，打通与北京互联互通的纽带，进一步承接北京创新与产业外溢。

4.2.3 优化投入结构，加强科技成果转化

一是因科研投入不足而导致研发效率低下的节点城市有必要加强与核心城市在创新链上的合作，例如乐山、达州、内江、沧州等可以探索建立城市群科技合作联席会议制度，协同加大区域科创要素投入，积极引进高端研发人才并加大资金投入强度，确保创新投入稳定与充足，主动突破科技水平低下和产能落后的桎梏。二是部分城市科研投入已达到一定强度，例如天津、惠州等，但研发效率提升不够。此时应该做好科技与经济的高效连接，注重科技成果转化，培育高科技产业和建设技术交易市场，及时将科技优势转化为经济优势，特别是在承接核心城市优质创新创业型企业、培育战略性新兴产业、创新科技金融服务等领域不断拓展新领域、新方式和新内容，打造紧密的创新链深度合作体系。三是目前研发效率表现不俗的城市应继续保持自身区位优势，创新迭代出更优质的科研产出方式。各城市群只有因地制宜地制定研发效率提升策略，才能最大化地发挥资源效用，走上可持续发展道路。

4.2.4 加强科研合作，提升协同创新能力

由Malmquist指数测算结果可知，技术进步率提升是提高四大城市群研发效率的关键，而研发能力是提升技术进步率的核心动力。四大城市群应重点构建创新生态系统，以创新链带动产业链发展，突出核心城市的首位效应，并围绕核心城市加快科技创新资源同城化、科技平台共建共享、核心城市带动周边节点城市共同实现产业创新能级提升，进而持续推进产学研一体化和紧密结合的协同创新网络，积极实现跨城市、跨区域的科技研发要素流动；通过适当的政府和市场引导，例如加快推进“京津冀协同发展”“协同共进长三角一体化”“粤港澳大湾区创新合作”“成渝绵创新金三角”，实现“城市互动+产业协同+创新联动”；进一步优化创新产学研合作模式，发挥各主体能动性与积极性，提高研发技术成果从理论向产业的转化效率，打造高水平国际研发集聚区，精准发力，实现核心技术突破。

参考文献:

[1] 康海媛,孙焱林,李先玲.中国城市科技研发效率的时空演变与影响因素[J].科学学与科学技术管理,2018,39(4):62-73.

[2] GUAN J, CHEN K. Measuring the innovation production process: a cross-region empirical study of China's high-tech innovations[J]. Technovation, 2010, 30(5-6): 348-358.

[3] CRUZ-CAZARES C, BAYONA-SAEZ C, GARCIA-MARCO T. You can't manage right what you can't measure well: technological innovation efficiency[J]. Research policy, 2013, 42(6-7): 1239-1250.

[4] 程慧平,万莉,黄炜,等.中国省际R&D创新与转化效率实证研究[J].管理评论,2015,27(4):29-37.

[5] 刘俊,白永秀,韩先锋.城市化对中国创新效率的影响——创新二阶段视角下的SFA模型检验[J]. 管理学报,2017,14(5):704-712.

[6] 樊华,周德群.中国省域科技创新效率演化及其影响因素研究[J].科研管理,2012,33(1):10-18，26.

[7] 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.

[8] KUMBHAKAR S C, ORTEGA-ARGILES R, POTTERS L, et al. Corporate R&D and firm efficiency: evidence from europe's top R&D investors[J]. Journal of Productivity Analysis, 2012, 37(2): 125-140.

[9] LI L, LIU B, LIU W, et al. Efficiency evaluation of the regional high-tech industry in China: a new framework based on meta-frontier dynamic DEA analysis[J]. Socio-Economic Planning Sciences, 2017, 60: 24-33.

[10] 朱天星,陈晨,于鑫洋,等.亚洲一带一路国家科技研发效率及其影响因素研究——基于DEA和累积TFP指数[J].工业技术经济,2017,36(12):148-154.

[11] 张立杰,梁锦凯.我国丝绸之路经济带沿线省(市、区)高技术产业创新效率研究——基于DEA-Malmquist-Tobit方法[J].科技进步与对策,2019,36(13):68-75.

[12]. 叶堂林,李璐,王雪莹.我国东部三大城市群创新效率及影响因素对比研究[J].科技进步与对策,2021,38(11):36-45.

[13] 米锦欣.世界城市群视角下中国三大经济圈的特征比较[J].商业经济研究,2017,36(13):173-177.

[14] 杨智雄,翟磊.当前中国城市群发展水平差异评估——基于七个国家级城市群地级及以上城市2018年数据的测算[J].管理现代化,2020,40(3):77-79.

[15] 王青,李佳馨,郭辰.城市群功能分工对经济高质量发展的影响——基于长三角城市群面板数据的实证分析[J].企业经济,2020,41(5):53-61.

[16] 温晓慧,查蒙琪,吉生保,等.外资角色协调与区域创新能力——以三大沿海经济圈为例[J].科技进步与对策,2018,35(18):57-65.

[17] 张明斗,冯晓青.长三角城市群内各城市的城市韧性与经济发展水平的协调性对比研究[J].城市发展研究,2019,26(1):82-91.

[18] 朱金鹤,孙红雪.中国三大城市群城市韧性时空演进与影响因素研究[J].软科学,2020,34(2):72-79.

[19] ANDERSEN P, PETERSEN N C. A procedure for ranking efficient units in data envelopment analysis[J]. Management science, 1993, 39(10): 1261-1264.

(责任编辑：胡俊健)