开放科学(资源服务)标识码(OSID)：
It is found that government funds and enterprise funds in North China, Central South and southwest have a significant negative effect on the efficiency of science and technology investment in this region, and a significant positive spillover effect; and government funds and enterprise funds have a positive total effect on the efficiency of science and technology investment in northeast China government funds and enterprise funds have a significant negative effect on the efficiency of science and technology investment in this region. But the significant positive spatial spillover effects on adjacent regions are different, indicating that the effect of government capital investment in Northeast China is close to saturation, and there is still a large space for enterprise capital investment. Government and enterprise funds in East China have different significant negative effects on the efficiency of science and technology investment in this region, and also have different positive spatial spillover effects on adjacent regions, indicating that the government capital investment in East China is close to saturation, and there is much room for the transformation of enterprise capital investment. The degree of convergence of the spatial correlation between the efficiency transfer of science and technology investment and spatial agglomeration in 30 provinces (cities) is spiraling, the degree of spatial correlation between provinces is obviously close, and the efficiency of science and technology investment in most provinces (cities) is still in the "capital pursuit". In the benefit acquisition stage, the spatial spillover effect is not obvious, and has not yet transitioned to the capital driven value discovery stage.
It is suggested that departments in charge of scientific and technological activities at all levels, enterprises and institutions should concentrate limited resources on scientific and technological projects with more basic and important breakthrough connotation. Secondly it is essential to fully understand the effects of different capital sources in the region to promote the efficiency of investment in scientific and technological activities. Relevant provinces (cities) in the region should carefully clarify the mutual influences and effect deduction degrees of different capital items including government investment, enterprise investment and social investment. It’s vital to pay attention to the dual difference of "quantity and quality" in the continued use of government funds; in many regions, there is still a large amount of space for enterprise capital investment. Thirdly in terms of the total amount, it is still necessary to increase the overall investment in various scientific and technological resources and earnestly fulfill the inevitable requirements of the transformation of service-oriented government. It is critical to clearly understand the mainstream scientific and technological development trend, and make reasonable resource distribution patterns of scientific and technological investment so as to track the forefront of science and technology.
开放科学(资源服务)标识码(OSID)：
从科技大国走向科技强国，科技竞争力成为驱动经济发展的核心能力。从长期看，科技服务业具备典型的生产性服务业特征[1]。2014年《国务院关于加快科技服务业发展的若干意见》(国发〔2014〕49号文)指出：“总体上，我国科技服务业仍处于发展初期，存在市场主体发育不健全、服务机构专业化程度不高…等问题”，并提出“健全市场机制、强化基础支撑、加大财税支持、拓宽资金渠道”等措施。这些纲领性文件从科技服务业主体、发展所需的制度环境和资源约束等方面都提出明确要求，同时，也是科技服务业服务社会经济发展的重要制度指引。伴随国家科技软实力重要性的提升，科技活动将直接面向终端消费者，使得科技活动日益成为独立并可客观衡量的效率来源[2]。仅仅关注科技活动的数量效益已无法满足资源使用主体的利益诉求，更难以应对技术大发展背景下促进区域协同发展、缩小城乡差异的国家宏观调控目标[3]。当前，针对科技服务效率的研究多停留在简单的投入产出分析、趋势分析或定性分析上。这不仅无助于解决科技服务业发展过程中的问题，也无法为资源分配提供更科学的指导和政策观点，特别是在我国区域发展存在落差的现实情况下，开展以效率为核心的研究更需谨慎和充分。
国外关于科技活动效率的研究起步较早，鉴于投入产出效应、资源获取能力、使用方式方法不同，不同学者针对科技活动效率的研究主要通过其在不同国民生产部门中的应用价值予以体现。如在关于科技投入产出关系的研究中[4]，Griliches[5]认为研发资本与人力资本投入创造了科研成果，并通过创建知识生产函数分解价值系数；Lichtenberg等[6]的研究证实了Griliches的说法，其研究结果显示，各国生产力差异很多是由科学家、工程师人数及R&D支出不同造成的；Guellec[7]在对16个国家的面板数据进行分析后指出，R&D 投入每增加 1%，生产率就增长 0.44%，公共研发投入每增加 1%，生产率就增长 0.17%，且在高等院校数量较多的国家，其生产率提升作用更显著。还有学者从不同资本主体角度分析科技投入方式，如Demirel[8]认为，企业R&D投入可以通过增加专利数提升企业经济效益和创新力；Winter[9]以政府为投入主体的研究发现，公共财政通过刺激科技创新力促进区域创新发展；Mario Coccia & Rolfo[10]则认为，公共财政的促进作用是因为政府支出使得公共科研单位的基础研究与应用研究呈现出极强外部性；Dominique&Bruno[11]认为，政府科技投入也会对企业R&D投入产生一定影响。在R&D投入的作用时效上，Hall利用泊松模型估算R&D投入与专利数关系时发现，R&D对专利申请有滞后作用并呈“U”型分布；Lev等[12]在对高研发密度企业的实证分析中也指出，R&D投入与下一年的企业收入密切相关且有明显的滞后效应；Inonu[13]以人均GDP和学术出版物数量作为替代变量，分析经济发展水平对科研产出的影响；Rousseau等[14]通过构建评价指标体系，以GDP、科研人员与科研经费为投入变量、学术出版物与专利作为产出，对不同国家科研效率进行评估。
国内的科技活动效率研究主要从影响因素和效率评价两方面展开。如池仁勇等[15]认为，规模不经济和成本能力低下是造成R&D活动非效率的主要原因；李伟红等[16]利用DEA模型对中国研发投入效率进行实证分析发现，技术衰退是导致中国研发投入效率降低的主要原因；李慧娟等[17]认为，较高的教育投入水平和经济开放度可以为城市科技效率提供良好的发展环境；朱慧等[18]则指出，科技资源效率最大化有赖于企业主体的结构性与流通性，环境因素作用不显著；岳书敬等[19]在研究科技企业对外交流时发现，对外贸易及外商投资对研发效率有明显溢出作用，人力资本提升和市场竞争均可强化这种溢出效应；史欣向[20]则认为，除经费投入外，企业间信任与市场规范也可以形成强大的社会资本，对企业研发产出产生显著正向作用；卫平等[21]对我国战略性新兴产业的实证研究结果显示，企业实力强大会极大地促进科技成果转化，但盲目投入研发经费会造成资源浪费，反而降低科技成果转化效率；范秋芳等[22]认为，只有提供充分的知识产权制度保障，才能最大化提升科技创新效率；夏业良等[23]采用2002-2006年中国工业企业数据，利用随机前沿分析方法(SFA)系统考察外商直接投资(FDI)对中国工业企业技术效率的影响，认为外国资本存在直接溢出效应，但不存在间接溢出效应，港、澳、台资本既不存在直接溢出效应也不存在间接溢出效应。科技效率提升除依靠自身资金和外资外，也离不开政府支持。付空[24]利用DEA模型对政府科技支出效率进行实证分析，发现政府缺乏统一、有效的科技支出管理制度会极大弱化科技支出的经济效益；韩凤芹等[25]应用中国各地区的政府投入面板数据，对政府投入效率进行测度和影响因素分析，研究结果表明，不同地区科技投入效率的差距逐渐缩小且呈阶梯式分布，其中，东部地区高于中西部地区，且自2009年以来技术效率的正向贡献逐步被技术进步率的负向影响所抵消。
在效率测度方面，有研究者利用DEA模型对2008年不同行业转制科研机构的科研效率进行分析，发现大多数行业的综合效率偏低(雷彦斌，李徽，欧国立，2010)；还有学者通过计算非DEA有效产出不足和投入冗余量，探析中国高校科研投入效率(孙世敏，项华录，兰博，2007)；李尽法[26]在评价全国各省市财政科技效率的基础上指出，技术进步是导致财政科技效率变化的重要原因；为了解决DEA单一模型效率的稳定性问题，俞立平等[27]将TOPSIS模型与非径向DEA模型相结合，测度中国不同地区科技效率的组合效率，发现科技效率存在区域不平衡现象，呈现为东、中、西依次降低；刘绘珍[28]采用三阶段DEA评价方法对河南省科技效率进行分析，结果显示，规模不经济造成河南整体上技术无效；颜伟[29]以煤炭行业上市公司为研究对象，通过建立链式DEA模型，将科技创新进一步划分为科技研发与成果转化两个子过程，并进行效率评价，研究发现，科技研发效率拉低了科技整体效率；雎党臣、董玉迪[30]利用DEA-Malmquist指数对中国新丝绸之路经济带的科技效率进行测度，发现经济带的科技效率整体有提升，但科技管理水平不高，限制了全要素生产率指数增长；余泳泽[31]运用空间面板计量方法研究创新要素集聚、政府支持与科技创新效率的关系，实证研究结果表明，我国科技创新效率具有显著的空间相关性，其中，创新要素集聚对科研机构创新效率具有负向影响，对高校的影响不显著，对企业的影响为正向，政府支持对科研机构与高校创新效率的影响具有不确定性，而对于企业具有负向影响。
综上，在目前关于科技效率测度的研究中，大多数学者选择以当期科技投入和产出作为当期科技效率的输入与输出，而现实生产中科技要素投入往往具有一定滞后性，但在效率测度时这种滞后效应往往被忽略。同时，在评价科技效率时，研究对象的资本来源较笼统或者单一，并未就不同资本对科技效率的同时段影响进行比较研究，在分析科技效率影响因素时也忽略了空间差异，导致对科技效率空间关联溢出效应分析不足。因此，本文尝试从以上3个方面对中国科技投入效率演变及资本作用效应进行实证分析。
由Charnes & Cooper等人提出的数据包络分析法(Data Envelopment Analysis，DEA)是效率测度中应用最广泛的基础模型[32]。该方法以相对效率概念为出发点，通过建立一系列数学线性规划模型实现对多投入、多产出决策单元效率的评价，是一种非参数效率评价方法。其中，建立以规模效率不变为前提的CCR模型是DEA方法的具体实现，即假设规模小的决策单元可通过增加投入进行等比例扩大，然后分别为投入产出要素分配权重，添加松弛变量，通过模型求解得出效率值，该效率值即为规模报酬不变条件下的技术效率。但规模效率不变的条件过于苛刻，现实中很难实现，于是Banker等[33]在模型中加入凸性约束条件
建立了BCC模型，同时，放松原有规模不变的条件，得到规模收益不变的纯技术效率值。上述两种DEA模型可根据效率值小于、等于1，分别判定为生产不具有效率和具有效率，但实际使用时偏向选择对被评估单元最有利的权重，这会导致两类基础模型不能评价处于无效状态下的规模效率和技术效率。另外，上述模型在输入输出指标的可控性、决策单元有限性等方面都有所欠缺。因此，加入异质性约束条件后的新模型不断涌现，较为成熟的有Charnes & Banker的CWY模型。该模型假设有n个DMU，每个DMU都有m种输入状态和s种输出状态，输入状态用Χj表示，输出状态用Yj表示， 因此有：
minθ=C⊗Vid
其中，Vd为输入输出矩阵。该模型若存在最优解θ趋近于1，则意味着约束条件中(1)和(2)存在空间意义上的平行关联，即DEA有效；如果θ<1，则DEA无效。但该模型忽略了生产过程中要素的时间效应。在实际生产过程中，当期投入要素多存在滞后效应并作用于后期的生产效率，同时，也会透支后期生产效益、增加当期效率。
Klopp & Cooper等[39]提出的视窗分析法，是将同一个决策单元在不同时间段看成不同决策单元，通过比较同一时间窗口内不同年份数据，分析对象单元效率的动态变化，通过比较不同时间窗口内同一年份数据，考察该时期的效率波动情况。视窗分析法在传统DEA分析法基础上加入时间维度，更贴近现实情况，且该方法可对同一决策单元进行多次运算，增加决策单元个数，实现数据的充分挖掘与处理，因此效率测度结果也更加真实。依上所述，可将t个时间段分为t-w+1个有重叠的时间窗口，每个窗口包含M个决策单元、W个时期效率值，相当于W×M个独立决策单元的效率。基于简单的DEA视窗分析输入输出矩阵，即假设窗口时间从t开始(1≤t≤T)，且窗口宽度为w(1≤w≤T-t)，则每个窗口有n×w个观测值并不符合真实变动数据。如果给不同观测值编号，则窗口tw的输入矩阵为：
输出矩阵为：
此时，原有超效率DEA模型结合视窗法改进如下：
其中，资源投入和效率产出都实现了视窗意义上的动态调整，同时，衡量效率值的θjt因约束条件(6)实际突破了θ<1的束缚，因而除考虑效率约束条件的动态变化外，还从原有效率线性前沿角度进行了时间单元上的点线连接。
效率测度指标通常涉及投入和产出两个方面。科技服务业作为知识密集型产业，是依托科学技术和其它专业知识，将技术开发并转化为生产力的第三产业。知识与科技作为科技服务业的关键投入，具有显著标志性意义[35]。本文分别采用研究与实验发展(R&D)经费、研究与实验发展(R&D)人员表示科技服务业的资本投入和劳动力投入，知识创造或产出多依托于所在区域科研机构，因此科研机构数也是科技服务业的一个重要投入指标；在产出方面，本文参考有关学者做法，从科研直接成果和科研成果转化两方面测度[30]。根据指标数据的可得性及科学性原则，本文利用国外三大期刊检索数和专利授权数作为科技服务业直接产出指标，将新产品营业收入、技术合同额作为科技服务业科研成果转化的间接产出指标[36]。
考虑到数据可获得性，本文选取2010-2019年中国内地30个省、市、区(西藏自治区因数据缺失严重，未予以考虑)科技服务业数据为研究对象，展开分析。数据主要来源于《中国科技统计年鉴》《中国统计年鉴》及各省市国民经济和社会发展统计公报。
本文按通行做法，将中国内地划分为华北、东北、华东、中南、西南、西北6个区域。具体为：①华北地区(北京、天津、河北、山西和内蒙古)；②东北地区(黑龙江、吉林和辽宁)；③华东地区(上海、山东、江苏、浙江、江西、安徽和福建)；④中南地区(湖北、湖南、河南、广东、广西和海南)；⑤西南地区(四川、贵州、云南和重庆)；⑥西北地区(陕西、甘肃、宁夏、新疆和青海)。
利用视窗分析法思维，将同地区同年份科技活动数据放入不同窗口进行比较，应用MyDEA4.0软件，得出超效率DEA模型下不同时间段效率值的比较结果。通过不同时间段的多次比较，可以避免将科技服务业作为生产性服务业而引发的时间滞后影响，并可从区域差异、效率变动趋势等角度充分反映我国科技服务业效率水平。考虑到分省数据结果较多，将30个省(市)划分为六大区域进行考察。
在利用超效率DEA视窗法进行测度过程中，视窗宽度w的确定方法为：w=(t+1)/2±1/2。其中，t为总时间长度，视窗宽度w取5，可分为6个视窗。视窗1：w1(2010-2014)；视窗2：w2(2011-2015)；视窗3：w3(2012-2016)；视窗4：w4(2013-2017)；视窗5：w5(2014-2018)；视窗6：w6(2015-2019)。各视窗下的测度结果如表1所示。
表1 六大区域科技投入效率视窗分析结果
Tab.1 Window analysis results of science and technology investment efficiency in six regions
区域视窗2010201120122013201420152016201720182019华北W10.681 0.604 0.614 0.542 0.711W20.687 0.636 0.550 0.6820.599W30.670 0.551 0.6710.533 0.703 W40.598 0.6690.513 0.610 0.685 W50.6490.507 0.600 0.619 0.682 W60.483 0.539 0.568 0.605 0.726 均值0.681 0.645 0.640 0.560 0.6770.527 0.613 0.624 0.643 0.726 东北W10.877 0.864 0.888 0.763 0.908W20.887 0.903 0.761 0.9070.878 W30.905 0.760 0.9090.864 0.899 W40.780 0.9430.858 0.887 0.928 W50.9320.838 0.862 0.884 0.910 W60.814 0.807 0.818 0.830 1.002 均值0.877 0.875 0.899 0.767 0.9190.851 0.864 0.877 0.870 1.002 华东W10.745 0.723 0.738 0.711 0.903W20.754 0.749 0.695 0.8220.869 W30.804 0.689 0.7830.760 0.859 W40.715 0.7900.761 0.815 0.851 W50.7830.748 0.802 0.799 0.808 W60.719 0.765 0.744 0.724 0.886 均值0.745 0.738 0.764 0.703 0.8160.771 0.810 0.798 0.766 0.886 中南W10.767 0.735 0.752 0.630 0.816W20.762 0.766 0.639 0.7340.650 W30.752 0.633 0.7250.614 0.643 W40.642 0.7270.612 0.620 0.752 W50.7170.605 0.616 0.728 0.770 W60.590 0.595 0.698 0.721 0.839 均值0.767 0.749 0.757 0.636 0.7440.614 0.618 0.726 0.745 0.839 西南W10.713 0.691 0.652 0.766 0.823W20.728 0.681 0.788 0.8240.748 W30.675 0.780 0.803 0.720 0.831 W40.804 0.8090.722 0.794 0.851 W50.8040.716 0.775 0.824 0.929 W60.661 0.733 0.772 0.833 0.982 均值0.713 0.710 0.669 0.785 0.8130.713 0.784 0.815 0.881 0.982 西北W10.676 0.742 0.804 0.652 0.715W20.759 0.804 0.659 0.7170.671 W30.776 0.637 0.6980.647 0.646 W40.646 0.7120.650 0.638 0.762 W50.7100.643 0.629 0.741 0.782 W60.593 0.568 0.655 0.685 1.003 均值0.676 0.751 0.795 0.649 0.7100.641 0.620 0.719 0.734 1.003 总均值0.743 0.745 0.754 0.683 0.7800.686 0.718 0.760 0.773 0.906
由表1可以看出：
(1)华北地区。从横向分析，在w1视窗下，科技投入效率整体呈现出V型螺旋式上升趋势； 在w2视窗下的5年间，科技投入效率出现上下波动；w3视窗与w1视窗情况类似，起始点效率值较高，在经历2个下降点后出现反弹，呈W型螺旋式上升；w4和w5两个视窗的科技投入效率均是在稳步提升中出现1个下降点；w6视窗下的科技投入效率值一直处于上升态势。即10年间华北地区的科技投入效率呈现出早期波动上升、后期趋缓的整体上升态势。从纵向分析，同地区在相同年份、不同视窗下的效率值不同，这是由于不同视窗下相同年份的效率参考值不同，如2014年的效率值在视窗w1中为0.711，在w2中下降为0.682，说明2011-2015年的科技投入效率相对2010—2014年整体有缓慢提升。2014年6个视窗下的效率值呈上下波动并最终趋于下降，2014年之前各视窗下的科技投入效率呈上升态势，2014年后出现下降态势，再次印证了华北地区总体上并不具备完全效率，但是呈现出先螺旋式上升后下降再缓慢上升的趋势。
(2)东北地区。从横向分析，前5个视窗中的科技投入效率值在0.76～0.91之间出现大幅波动，3个视窗期的末效率值低于初效率值，2个视窗期的末效率值高于初效率值，视窗w6中除2016年有下降外，其它时期呈现出加速上升状态，且最后效率值为1.002，说明科技投入表现出较高效率。从纵向分析，考察期前期相同年份、不同视窗下的效率值逐步上升，中期呈波动状态，后期则下降明显，说明10年间东北地区的科技投入效率初始呈大幅波动，后期随着科技产业逐步完善，科技投入效率逐步稳定提升，2019年科技投入已具备完全效率的发展态势，呈现出螺旋式上升的高效率值。
(3)华东地区。从横向分析，前5个视窗中的科技投入效率值在0.71～0.91之间小幅波动，w1至w6视窗期的末效率值均高于初效率值。该地区在2014年前不同视窗下的效率值均有明显下降， 2014年后绝大多数视窗下的效率值有显著上升，总体呈现先下降、后上升的往复发展态势，说明该地区科技投入效率在考察期间显著受到多种因素的作用，特别是随着国际科技活动逐步内移以及国内科技活动逐渐转向内陆地区，导致科技服务投入效率处于脆弱的不平衡发展态势中。
(4)中南地区。从横向分析，前5个视窗中的科技投入效率值在0.61～0.82之间小幅波动，其中，4个视窗期的末效率值高于初效率值，2个视窗期的末效率值低于初效率值。整个地区效率值在2014年以前的不同视窗下均有显著上升， 2014年以后除极少数年份的效率值在不同视窗下有下降外，大多数视窗下的效率值均保持显著上升，总体呈现为“下降—上升”的类L型发展趋势，说明该地区科技投入效率值在考察期内从早期的不平衡逐步过渡到2015年后稳定发展。
(5)西南地区与西北地区。从横向分析，两大区域各视窗中的科技投入效率值分别在0.65～0.85和0.59～0.81间小幅波动，除西北地区的w2和w3视窗外，其它视窗期的末效率值均高于初效率值。两地区效率值在2014年前的不同视窗下均有显著上升(西南地区)或下降(西北地区)， 2014年后在不同视窗下均呈显著上升。其中，西南地区效率值总体呈现 “下降—上升—下降—上升”的W型发展态势，西北地区总体呈现 “上升—下降—上升—下降—上升”的之字型发展态势，说明考察期间两地区科技投入效率变化呈稳定向好态势，其中，西北地区提升的稳定性稍弱。
从全国情况看，各区域科技投入效率值在2016年前波动较大， 2016年后趋于稳定提升。其中，西北地区2016年后的科技投入效率值变化幅度最大；东北及西南地区的科技投入效率值基本具备完全效率；中南地区虽然在2019年的效率值低于1，但自2012年始科技投入效率上升势头强劲，说明潜力较大；华北和中南地区在2014年后的效率值有提升，但提升幅度不大，2019年效率值仍小于1，尚不具备完全效率。相比而言，东北地区科技投入效率较高，西南地区效率最低，西北地区效率上升趋势明显，其它3个地区的效率变化幅度不大，但整体都呈上升态势。此外，多数区域的效率同化趋势开始显现。
运用超效率测度的DEA视窗法分析，得到考察期各省(市)科技投入效率视窗分析数据，如表2所示。
可以发现：
(1)华北地区。北京市科技投入效率值在2014年前呈上升态势，此后呈下降趋势，但科技效率值始终大于1；天津市科技投入效率值存在2010-2014年与2015-2019年相对独立的两个下降区间；河北省呈波动变化态势，后期效率值低于前期效率值；山西省和内蒙古自治区的科技效率值也处于波动状态，但后期效率值大于前期效率值，整体数值仍偏低。
(2)东北地区。辽宁省2012年前的科技投入效率值稍有增长，此后不断下降，均值为0.680，整体效率不高；吉林省科技效率值在0.9～1之间窄幅波动，整体接近于1；黑龙江省除2016年后稍有下降外，此前一直处于效率上升态势。
(3)华东地区。上海市科技投入效率值在2014年以前大于1，具有完全效率，此后一直下降，整体效率均值小于1，极差和标准差相对较大；江苏省科技投入效率值一直处于提升状态，2017年后虽有下降，但幅度较小；浙江省科技投入效率值一直处于高位增长态势，已具备完全效率；安徽省科技投入效率值一直在0.7上下波动，波幅较小，标准差为0.009，稳定在效率偏低水平；福建省科技投入效率值呈下降态势；江西省科技投入效率值逐年上升，效率均值为0.484，仍处于效率低水平状态；山东省科技效率值呈波动变化，整体偏低，均值为0.489。
(4)中南地区。河南省科技投入效率值逐步提升，涨幅较大，但整体效率仍处于偏低水平；湖北省科技投入效率值一直处于下降态势，下降幅度较大，整体效率变化大；湖南与湖北类似，一直处于下降态势但幅度较小；广东省科技投入效率值除在第二视窗下为0.982外，其余均大于1，整体效率较高；广西壮族自治区科技投入效率值整体偏低，2014年以前呈波动变化，此后逐年上升；海南省科技投入效率均值为0.606，处于偏低水平且波动较大， 2015年后效率均值有所降低。
(5)西南地区。重庆市科技投入效率呈螺旋式上升态势，整体效率值在高位运行；四川省科技投入效率不断提升，2017年后稍有下降，但是仍处于较高水平；贵州省和云南省效率值呈螺旋式上升，科技投入效率均值为0.673和0.623，处于偏低状态。
(6)西北地区。陕西省科技投入效率值自2013年后有下降，此前一直处于上升态势并接近1；甘肃省科技效率值一直在0.96～1之间波动，整体均值为0.977；青海省科技投入效率值在0.6～0.8之间波动，整体效率偏低；宁夏回族自治区科技投入效率值呈下降态势，整体效率值较低；新疆维吾尔自治区科技投入效率均值为0.572，与1有较大差距，属V型变化趋势，且2019年比2010年略有下降。
表2 2010-2019年各省(市)科技投入效率视窗数据分析结果
Tab.2 Window data analysis results of science and technology investment efficiency of all provinces (cities) from 2010 to 2019
区域城市W1W2W3W4W5W6均值标准差极差华北地区北京1.056 1.089 1.111 1.048 1.014 1.0041.053 0.038 0.158 天津0.953 0.939 0.902 0.941 0.930 0.863 0.921 0.028 0.090 河北0.479 0.481 0.477 0.457 0.461 0.434 0.465 0.015 0.047 山西0.338 0.360 0.353 0.358 0.377 0.376 0.360 0.012 0.039 内蒙0.326 0.285 0.285 0.271 0.274 0.243 0.281 0.023 0.083 东北地区辽宁0.698 0.712 0.704 0.687 0.656 0.622 0.680 0.029 0.091 吉林0.957 0.945 0.952 0.967 0.998 0.982 0.967 0.017 0.053 黑龙江0.924 0.945 0.946 0.984 1.001 0.959 0.960 0.024 0.077 华东地区上海1.073 1.057 1.052 0.995 0.936 0.864 0.996 0.070 0.209 江苏0.844 0.948 0.956 1.025 1.051 1.029 0.976 0.065 0.206 浙江0.943 0.947 0.973 0.995 1.006 1.009 0.979 0.025 0.066 安徽0.722 0.720 0.698 0.709 0.726 0.712 0.714 0.009 0.028 福建0.865 0.862 0.848 0.769 0.739 0.731 0.802 0.053 0.134 江西0.374 0.412 0.444 0.517 0.570 0.585 0.484 0.073 0.210 山东0.526 0.500 0.481 0.496 0.488 0.445 0.489 0.022 0.080 中南地区河南0.453 0.471 0.476 0.545 0.632 0.738 0.552 0.095 0.284 湖北0.934 0.879 0.806 0.742 0.712 0.675 0.791 0.085 0.259 湖南0.906 0.822 0.754 0.741 0.733 0.676 0.772 0.068 0.230 广东1.042 0.982 1.000 1.020 1.053 1.041 1.023 0.023 0.071 广西0.442 0.441 0.399 0.403 0.418 0.446 0.425 0.018 0.047 海南0.664 0.668 0.605 0.572 0.574 0.556 0.606 0.041 0.112 西南地区重庆0.944 0.924 0.979 1.002 1.066 1.062 0.996 0.050 0.142 四川0.754 0.812 0.822 0.838 0.831 0.778 0.806 0.028 0.084 贵州0.638 0.666 0.638 0.693 0.671 0.729 0.673 0.029 0.091 云南0.580 0.613 0.609 0.651 0.671 0.616 0.623 0.028 0.091 西北地区陕西0.903 0.917 0.930 0.949 0.965 0.933 0.933 0.019 0.062 甘肃0.968 0.983 0.960 0.988 0.991 0.971 0.977 0.011 0.031 青海0.690 0.748 0.663 0.618 0.664 0.692 0.679 0.036 0.130 宁夏0.375 0.363 0.351 0.338 0.324 0.309 0.343 0.021 0.066 新疆0.655 0.599 0.501 0.514 0.561 0.600 0.572 0.049 0.154 视窗均值0.734 0.732 0.722 0.730 0.738 0.723 标准差0.232 0.225 0.237 0.241 0.237 0.231 极差0.747 0.772 0.804 0.840 0.792 0.819
多数国家都通过对基础研究、应用研究的直接投入以及对企业产品研发的间接投入，为科技活动提供支持。同时，在开放条件下外国资本流入往往也伴随国外先进技术与生产设备的引进，这也是重要的资本来源。由于资本来源及利用效率不同，因此有必要分析不同资本来源对科技活动投入效率的影响。
本文以研究与实验发展(R&D)内部经费中的政府资金、企业资本、外来资本作为3种资本的替代变量，相关指标及作用解释如下：①政府资金(GVF)：科技投入是政府履行公共职能的重要手段。洪银兴[37]认为，在科技服务业初级发展阶段无疑以政府财政资金投入为主；程华等[38]构建了R&D投入产出计量模型，并利用五大高技术产业面板数据，就科技活动外部资本(包括政府资本和金融机构融资)对研发产出的影响进行实证分析，得出政府资本对企业研发效应具有典型促进作用；②企业资本(EPF)：郭研等[39]在考察中关村92家企业后发现，企业研发投入对高科技企业绩效有重大影响；李平等[40]结合资本投入产出弹性分析得出，提高自主创新效率主要依靠企业研发投入；③外来资本(FRF)：荣岩[41]利用修正的经济增长分析框架，同时考察FDI对经济增长的直接资本效应和间接溢出效应，对中国1983-2007年数据进行实证分析，探究GDP与其它多个经济变量之间的长期和短期均衡关系，并且对FDI的两种效应进行比较分析，发现FDI的资本效应显著，而溢出效应比较弱。
在开放经济环境下，各地区科技活动交流频繁，本地区科技能力提升也会带动相邻地区科技活动效率提升及相关科技产业发展，所以存在一定的空间联动性。因此，实证研究中有必要考虑空间因素的影响。常用的空间计量模型有空间滞后模型、空间误差模型和空间杜宾模型。由于空间杜宾模型是对前两种模型的融合，能同时考察空间滞后和误差两种因素，因此应用较广泛。在本阶段实证研究中，通过构建空间杜宾模型研究3种资本对科技投入效率的影响[42]。空间杜宾模型基本形式如下：
Y=ρWY+Xβ+γWX+εit
式中，Y为因变量，X为自变量，W为空间权重矩阵，ρ为空间滞后系数，β表示自变量对因变量的直接影响效应，γ表示自变量对因变量的空间溢出效应。
本文中因变量为各地区六大视窗下科技服务业的平均效率值，自变量为三大资本项，即GVF、EPF和FRF。空间权重W采用地理邻接权重法，即结合变量在地理空间上的相邻情况设置空间权重，其中，地理相邻赋值为1，否则为0。具体形式如下所示：
lnYit=ρWlnYit+β1lnGVFit+β2lnEPFit+β3lnFRFit+γ1WlnGVFit+γ2WlnEPFit+γ3WlnFRFit+εit
结合不同模型特点，选用时间和空间双固定模型，具体见表3。
从表3回归结果看出，R2为0.866 4，较接近于1；似然比检验值较大，除外来资本及其滞后项对科技投入效率影响不显著外，政府资本及其滞后项均对科技投入效率产生显著影响，说明模型拟合效果较好；科技投入效率的空间滞后项系数为-0.1421，且通过了5%的显著性水平检验，说明中国科技投入效率的确存在空间溢出效应。为了克服空间杜宾模型回归系数不能完全反映自变量影响因变量的弊端，进一步将3个资本项对科技投入效率的空间溢出效应分为直接效应和间接效应，并计算总效应，结果见表4。
表3 双固定模型回归结果
Tab.3 Regression results of double fixed model
变量系数T值Z值lnGVF-0.344 1***-3.073 9410.002 113 lnEPF-0.306 9***-3.618 5230.000 296lnFRF0.001 90.182 10.855 5WlnGVF0.561 2***2.218 1710.026 543WlnEPF0.449 2***2.265 6350.023 474WlnFRF0.006 90.318 9640.749 753WlnY-0.142 1**-1.727 5990.084 060R20.866 4Sigma 20.024 6Log-likelihood150.142
注：***、**、*分别表示在1%、5%和10%水平下显著，下同
直接效应反映自变量对本地区因变量的直接影响，间接效应为自变量对本地区相邻区域因变量的影响，即空间溢出效应。表4显示，政府资金、企业资金对本地区科技投入效率产生显著负向效应，同时，对相邻地区产生显著正向空间溢出效应，且这种正向溢出效应大于对本地区科技投入效率的负向影响效应，使得政府资金与企业资金对科技投入效率的总效应为正。这说明，整体来看， 2010-2019年我国政府与企业对本地区的科技投入过于盲目，资源配置不合理，资金投入效率出现明显冗余，导致我国科技投入效率值下降，但科技投入产出总量增加，这种总量提升主要源自双边或多边贸易往来带动周边地区科技服务业发展，使周边科技服务业的科技投入效率得到极大提升，而外来资本对科技投入效率的影响不显著。
进一步，分别构建六大区域三大资本来源的自变量与因变量空间杜宾模型，并将科技投入效率的空间溢出总效应分为直接效应和间接效应，具体计算结果见表5。
表4 我国科技投入效率的直接效应、间接效应与总效应
Tab.4 Direct effect, indirect effect and total effect of science and technology investment efficiency in China
变量直接效应T值间接效应T值总效应lnGVF-0.365 5*** -3.364 30.559 3**2.480 40.193 8lnEPF-0.318 6*** -3.735 20.446 1**2.425 10.127 5lnFRF0.002 5 0.230 50.005 50.280 30.007 9
从表5可以看出：华北地区、中南地区和西南地区的政府资金与企业资金对本地区科技投入效率产生显著负向影响效应，但对相邻地区产生较显著的正向空间溢出效应，且这种正向溢出效应一般大于对本地区科技投入效率产生的负向影响效应，同时，政府资金和企业资金对科技投入效率产生的总效应为正。这说明2010-2019年3个地区的政府和企业对本地科技服务业的资本投入接近饱和，资源配置不太合理，资金投入已出现明显冗余。
东北地区的政府资金和企业资金均对本地区科技投入效率产生显著负向影响效应，但对相邻地区科技投入效率造成的正向空间溢出效应不同，其中，政府资金对科技投入效率产生正向总效应，企业资金对科技投入效率产生负向总效应，说明东北地区的政府资本投入接近饱和，而企业资金投入还有较大空间；华东地区的政府资金和企业资金对本地区的科技投入效率产生显著负向影响效应，对相邻地区产生显著正向空间溢出效应，其中，政府资金对科技投入效率产生显著正向总效应，企业资金对科技投入效率产生显著负向总效应，说明华东地区的政府资本投入接近饱和，企业因转型存在巨大资金投入空间；西北地区的政府资金和企业资金对本地区科技投入效率产生显著负向影响效应，对相邻地区产生显著正向空间溢出效应，其中，政府资金对科技投入效率产生显著正向总效应，企业资金也对科技投入效率产生正向总效应，说明西北地区的政府资本投入接近饱和，企业资金投入还有很大空间。
表5 六大区域科技投入效率的直接效应、间接效应与总效应
Tab.5 Direct effect, indirect effect and total effect of science and technology investment efficiency in six regions
地区变量直接效应T值间接效应T值总效应华北地区lnGVF-0.287 4**-3.234 90.384 3**2.376 10.096 9lnEPF-0.282 2**-3.745 00.329 2**2.746 70.047 0lnFRF0.013 90.278 50.014 80.386 30.028 7东北地区lnGVF-0.438 2***-3.674 50.457 8***2.293 60.019 6lnEPF-0.429 4**-2.845 30.420 6**2.784 1-0.008 8lnFRF0.013 5*0.398 20.028 3*0.344 50.041 8华东地区lnGVF-0.287 3**-3.164 20.682 4**2.274 60.395 1lnEPF-0.429 2***-3.663 20.374 6***2.563 4-0.054 6lnFRF0.038 2*0.320 90.019 8*0.394 70.058 0中南地区lnGVF-0.339 6**-3.873 40.473 2**2.863 10.133 6lnEPF-0.362 3**-3.298 10.537 4**2.682 30.175 1lnFRF0.028 70.347 20.046 10.484 30.074 8西南地区lnGVF-0.538 2**-2.984 50.633 4**2.638 20.095 2lnEPF-0.287 7**-3.358 20.376 4**2.673 80.088 7lnFRF0.036 10.420 90.064 20.396 70.100 3西北地区lnGVF-0.637 3**-4.183 80.783 4**3.138 30.146 1lnEPF-0.483 2*-3.924 20.527 1*2.692 50.043 9lnFRF0.058 80.263 30.039 60.328 60.098 4
本文通过对中国科技活动投入效率进行DEA视窗法下的超效率分析，应用2010-2019年全国内地和省级时间序列与面板数据得到六大区域科技活动投入效率值，同时，针对影响科技投入效率的资本效应进行直接效应、间接效应和总效应分析，最后对科技投入效率转移与空间集聚的省域关联性进行Moran′s I指数分析，得到研究结论如下：
(1)中国科技投入效率在超效率DEA视窗法分析下整体呈现 “初始快速上升—上升趋势减缓—近年明显下降”的发展态势。其中，东北地区总体效率已趋于饱和，资本投资冗余特征显著；华北地区总体效率偏低，高效率省(市)的带动能力显著；华东和中南地区的总体效率呈螺旋式上升态势，区域内省(市)组团差异明显；西北地区与西南地区总体效率偏高，但省(市)分化落差明显。同时，六大区域科技投入效率趋同性增强，区域间差距明显。
(2)考虑不同资本投入对科技投入效率的区域影响后发现，华北地区、中南地区以及西南地区的政府资金与企业资金对本地区科技投入效率产生显著负向影响效应，且有显著的正向溢出效应，政府资金和企业资金对科技投入效率产生正向总效应；东北地区政府资金和企业资金对本地区科技投入效率产生显著负效应，但对相邻地区的正向空间溢出效应不同，说明东北地区政府资本投入接近饱和，而企业资金投入还有较大空间；华东地区的政府资金和企业资金对本地区科技投入效率均产生显著负效应，同时，对相邻地区产生正向空间溢出效应，说明华东地区的政府资本投入接近饱和，企业因转型存在较大资金投入空间；西北地区的政府资金和企业资金对本地区科技投入效率产生显著负效应，并对相邻地区产生显著的正向空间溢出效应，对科技投入效率产生较显著的正向总效应。
(3)从科技投入效率转移与空间集聚效应的关联性看，考察期间30个省(市)科技投入效率转移与空间集聚的空间关联度逐渐增强，省际间的空间关联度相似，且绝大多数省(市)的科技投入效率还处于资本追逐的利益获取阶段，空间溢出效应不太明显，未进入资本驱动的价值发现阶段。具体表现为：上海市处于稳定的“高集聚—高转移”空间关联状态；广东省处于稳定的“高集聚—低转移”空间关联状态；重庆市从“高集聚—高转移”的空间关联状态过渡到无关联；北京市则未表现出明显的空间关联。
针对以上基本结论，本文提出建议如下：
第一，近年我国科技活动投入效率明显下降，这不仅是因为经济下行带来的以政府资金为代表的资金投入紧张，更源于长期经济发展结构不合理带来的边际效应递减，是对科技资源投入 “撒胡椒面”式科技工作惯性的惩罚，同时，也是对现有科技资源使用类型和结构进行调整的重要时间段。因此，各级科技活动主管部门和资金使用单位要集中有限资源，投向更具基础性且具有重要突破内涵的科技项目，在认清科技发展现状的基础上，集合长期科技规划目标制定细致的资源使用步骤。具体到六大区域来看，要放缓对东北地区“输血型”的科技资源投入政策，提升其现有科技资源内在“造血”能力；加大华北地区科技活动协同，提高北京、天津等地区对周边省域的科技服务水平；华东地区和中南地区的组团式发展要做好科技活动互补工作，提升科技集聚区域的“多中心”效能；西北地区和西南地区通过促进科技服务业“强本固基”，力争在现有规模上更快、更好、更省地实现科技服务高效率。
第二，各区域要深刻认识政府投入、企业投入和社会投入影响的异质性。目前多数区域的政府资金投入对本地区科技服务效率产生显著负效应，同时，对周边区域的溢出效应也不同，因此政府资金的投入与使用要注意“量和质”的问题；一些地区的企业资金还有很大投入空间，如何更好地引导企业资金投向科研活动是一个重要问题；外来资金对本地区科技服务效率基本无显著影响，说明传统的招商活动有较大弊端，应尽快从制度上大力优化，同时，抛弃那种“两头在外”的“不为我所有，只为我所用”的经济利益导向思维，尽快培育本土具有自主科技能力的企业群和产业集群。
第三，从总量上看，仍然要加大各种科技资源投入，切实履行好服务型政府职能。科技投入效率的提升不会以人的意志为转移，各省(市)要清楚认识到科技发展的主流趋势，以追踪科技前沿的决心布局科技资源分配；要加大与群众生活密切相关的各类科技投入，促进一批新的、具有时代科技感的技术项目“落地”。如上海、广东等科技活动效率转移与空间集聚关联度表现较好的地区要发挥辐射作用，通过输出各种科技资源，积极打造与周边区域的科技生态共同体，共促经济社会良性发展。
[1] 黄群慧.论中国工业的供给侧结构性改革[J].中国工业经济,2016，23(9):5-23.
[2] 江静,刘志彪,于明超.生产者服务业发展与制造业效率提升:基于地区和行业面板数据的经验分析[J].世界经济,2007，30(8):52-62.
[3] 张占斌.中国经济新常态的趋势性特征及政策取向[J].国家行政学院学报,2015(1):15-20.
[4] LENZEN M.A generalized input-output multiplier calculus for Australia[J].Economic systems Research,2001,13(1):65-92
[5] GRILICHES Z.Issues in assessing the contribution of R&D to productivity growth [J].Bell Journal of Economics, 1979, 10(1):92-116.
[6] LICHTENBERG F.R&D investment and international productivity difference[R].National Bureau of Economic Research, 1992.
[7] DOMINIQUE GUELLEC.R&D and productivity growth: panel aata analysis of 16 OECD countries[R].OECD Working Papers,2001.
[8] PELIN DEMIREL,MARIANA MAZZUCATO.Does market selection reward innovators[R].FINNOV,2010.
[9] WINTER S G.Understanding dynamic capabilities[J].Strategic Management Journal, 2003,24(10):991-995.
[10] MARIO COCCIA,SECONDO ROLFO.Technology transfer analysis in the Italian national research council[J].Technovation, 2002, 22(5):291-299.
[11] DOMINIQUE GUELLEC,BRUNO.From R&D to productivity growth: do the institutional settings and the source of funds of R&D matter[J]. Oxford Bulletin Of Economics and Statistics, 2004，66(3)：353-378.
[12] LEV B,SOUGIANNIS T.The capitalization, amortization and value relevance of R&D[J].Journal of Accounting and Economics,1996,21(1):107-138.
[13] INONU E.The influence of cultural factors on scientific production [J].Scientometrics, 2003, 56(1):137-146.
[14] ROUSSEAU S,ROUSSEAU R.Data envelopment analysis as a tool for constructing scientometric [J].Scientometrics,1997,40(1):45-46.
[15] 池仁勇,黄英杰.浙江省R&D活动非效率成因分析[J].科技进步与对策,2009,26(17):41-44.
[16] 李伟红,胡宝民.基于Malmquist方法的我国区域R&D投入效率比较研究[J].工业技术经济,2011,30(8):33-38.
[17] 李惠娟,赵静敏,上官敬芝.城市科技资源配置效率的DEA两阶段方法评价——基于江苏省十三个城市的研究[J].科技管理研究,2010,30(19):57-60.
[18] 朱慧,傅为忠,刘彦华.安徽省科技资源配置效率及其影响因素研究[J].合肥工业大学学报(社会科学版),2013,27(4):13-19.
[19] 岳书敬.外商直接投资与创新能力-基于中国高技术产业的实证分析[J].科技管理研究,2009,29(8):412-414.
[20] 史欣向,梁彤缨.社会资本影响了研发效率——基于中国省际面板数据的经验研究[J].科研管理,2013,34(5):73-79，110.
[21] 卫平,赵良浩.我国战略性新兴产业科技成果转化效率研究[J].工业技术经济,2014,33(1):11-20.
[22] 范秋芳,杨敏,崔珊.知识产权保护背景下中国省域科技创新效率研究[J].中国石油大学学报(社会科学版),2017,33(4):15-20.
[23] 夏业良,程磊.外商直接投资对中国工业企业技术效率的溢出效应研究:基于2002-2006年中国工业企业数据的实证分析[J].中国工业经济,2010(7):55-65.
[24] 付空.我国财政科技支出效率评价及影响因素研究[D].重庆：西南大学,2016.
[25] 韩凤芹,赵伟.R&D中政府投入效率测度及影响因素分析-基于省级面板数据的研究[J].财政研究,2015 (11):75-85.
[26] 李尽法.财政科技支出动态效率测度研究[J].统计与决策,2010 (19):102-104.
[27] 俞立平,熊德平,武夷山.中国地区科技效率的组合测度研究[J].科学学研究,2011,29(8):1141-1146.
[28] 刘绘珍.河南省城市科技效率评价研究[J].郑州航空工业管理学院学报,2014,32(3):34-40.
[29] 颜伟.基于两阶段DEA模型的煤炭行业上市公司科技效率研究[J].中国煤炭,2015,41(11):11-15.
[30] 睢党臣,董玉迪.中国新丝绸之路经济带科技效率的测度及分解——基于DEA-Malmquist指数的方法[J].地域研究与开发,2015,34(5):19-23.
[31] 余泳泽.创新要素集聚、政府支持与科技创新效率——基于省域数据的空间面板计量分析[J].经济评论,2011(2):93-101.
[32] COOPER W W,THRALL R M.Introduction:extensions and new developments in DEA[J].Annuals of operations Research，1996,66(1):1-45.
[33] BANKER R D,CHARNES A,COOPER W W.Some models for estimating technical and scale inefficiencies in data envelopment analysis[J].Management Science,1984, 30(9):1078-1092.
[34] MUNSHI NASER IBNE AFZAL, ROGER LAWREY. A measurement framework for knowledge-based economy (KBE) efficiency in ASEAN:a data envelopment(DEA)window approach[J].International Journal of Business and Management,2012,7(18):57-68.
[35] 曹勇,佘硕.基于动态分析的中国知识密集型服务业概念与分类研究[J].管理学报,2009,6(4):554-559.
[36] 邓悦.科技服务业发展水平与区域研发效率关系研究——基于省级行政区域的实证研究[D].西安：西安电子科技大学，2014.
[37] 洪银兴.科技金融及其培育[J].经济学家,2011 (6):22-28.
[38] 程华,王恩普.科技活动中外部筹资对研发产出的影响——基于高技术产业面板数据的实证分析[J].科学学与科学技术管理,2009 (11):49-56.
[39] 郭研,刘一博.高新技术企业研发投入与研发绩效的实证分析-来自中关村的证据[J].经济科学,2011 (2):117-128.
[40] 李平,崔喜君,刘建.中国自主创新中研发资本投入产出绩效分析-兼论人力资本和知识产权保护的影响[J].中国社会科学,2007(2):32-42，204-205.
[41] 荣岩.FDI的资本效应与溢出效应之比较-基于中国数据的协整分析[J].对外经济贸易大学学报,2010 (6):58-65.
[42] L G GODFREYAM R VEALLB. Bootstrap-based critical values for tests of common factor restrictions[J]. Economics Letters,1998,59(1):1-5.