开放科学(资源服务)标识码(OSID)：
In order to answer the above questions, first of all, this study takes 31 provinces in China from 2015 to 2020 as the research object, establishes the evaluation index system of the reform effect of streamlining administration, delegating power, strengthening regulation and optimizing service in China, and obtains the comprehensive index of the reform effect at the national and regional levels. Secondly, according to the comprehensive index of the effect of the reform in each region, the dynamic distribution law of the reform effects is analyzed by using the nonparametric density estimation method. The Dagum Gini coefficient and its decomposition are used to quantify the evolution characteristics and sources of the differences in the effects of China′s reform of streamlining administration, delegating power, strengthening regulation and optimizing service. By using the σ convergence model and β convergence model to explore whether the regions with poor reform effect can be adjusted and improved in a short time within the research cycle. Finally, the paper uses Moran′s I index to describe the spatial agglomeration characteristics of the reform effect.
It is concluded that firstly, the effect of the reform of streamlining administration, delegating power, strengthening regulation and optimizing service in China is on the rise at the national and regional levels, and there are significant stage characteristics. Secondly, from the perspective of dynamic distribution characteristics, there are differences in the distribution of non-parametric nuclear density curves between China and various regions. Among them, the effect of the reform at the national and regional levels is on the rise. Thirdly, from the perspective of the difference degree, the Gini coefficient of the whole country and all regions shows a downward trend of fluctuation. In terms of difference sources, inter-regional contribution is the largest, followed by intra-regional contribution, and the hypervariable density is the weakest. Fourthly, from the perspective of convergence characteristics, the coefficients of variation of the whole country and all regions support the σ convergence hypothesis and the absolute β convergence mechanism shows that this reform effect in China is in a balanced development trend. It is the spatial agglomeration characteristics of low-high or high-low combination of the reform effect with the characteristics of steady distribution.
Therefore it is necessary to improve the multi-level market regulation system, give play to the regulatory role of the market in the field of science and technology, and realize the combination of regulation and supervision in scientific and technological innovation; it is also important to promote the intelligent technology service mode and improve the service quality in the sci-tech field.
On the basis of the theoretical system of sci-tech decentralization, regulation and service, this study further identifies the connotation of sci-tech decentralization, regulation and service, comprehensively and systematically analyzes the reform effect, and enriches the research literature in the field of sci-tech innovation. Meanwhile, from the perspective of development, it examines the evolution rules and overall differences of the reform effect of China′s sci-tech decentralization, and provides theoretical reference and practical reference for various regions to streamline administration and delegate power, combine decentralization with regulation, optimize services, and promote the reform coordinately and comprehensively.
开放科学(资源服务)标识码(OSID)：
党的十八大以来,中国科技创新获得较大发展空间,且在政府多维助力下取得显著成效。由世界知识产权组织统计数据可知,2021年中国申请人通过《专利合作条约》途径提交的国际专利申请为6.95万件,位居榜首。随着以人工智能、区块链、基因编辑为代表的前沿技术的快速发展,中国科技面临的伦理挑战与应用风险日益增多。同时,科研腐败、科技资源浪费、激励制度匮乏、投入不足等问题,使得科技成果转化效率处于较低水平,阻滞知识系统与经济系统顺畅联结。为实现二者有效衔接、激活关键领域核心技术创新能力,自中共十八大以来,党和国家围绕创新驱动发展战略、加快推进以科技创新为核心的全面创新,下发一系列通知,为开展科技放管服活动提供前进方向与根本遵循。2018年7月颁发的《关于优化科研管理提升科研绩效若干措施通知》(下称《通知》)中指明,要优化科研项目和经费管理、完善有利于创新的评价激励制度、强化科研项目绩效评价、开展科研管理改革试点,贯彻落实党中央、国务院推进科技领域“放管服”改革要求。2022年3月20日,国务院办公厅、中共中央办公厅联合印发的《关于加强科技伦理治理的意见》明确指出,要进一步完善科技伦理体系,实现高水平科技自立自强。在科技政策助力下,各地纷纷开展科技放管服实践工作。如广州将暨南大学作为试点单位,致力于做好科技放管服“加减乘除”;青海成立科技发展服务中心,贯彻落实科技放管服政策,并持续优化服务举措,升级科技领域服务工作;武汉在科技创新领域推行“无纸化办公”“不见面审批”等措施,加大政府在科技领域“简权放政”力度,提升科技服务便捷性。但是,由于经济发展水平和要素禀赋差异,科技放管服改革在不同地区存在规模差异、结构性失衡等问题,会弱化科技创新成效。故而,准确测度中国科技放管服改革效果,并从时间与空间维度刻画科技放管服改革效果变化趋势、动态分布、区域差异与差异来源、敛散性与空间分布情况,具有重要理论价值与现实意义。
科学评价中国科技放管服改革效果是分析其动态演进和空间格局的前提条件。现有关于科技放管服改革的研究主要从两个方面展开:一是从投入与产出两个维度选取指标,构建指标体系测度科技创新水平[1-3],为科技放管服改革效果评价提供有效思路。二是围绕科技创新影响因素开展实证探讨。例如,李芸等[4]基于SBM模型,利用省级面板数据研究发现,经济发展水平、政府支持、对外开放程度、产业结构等因素对科技创新效率具有显著影响;赖一飞等[5]利用SBM-Malmqust模型研究各省份科技创新效率,指出政府支持、经济发展水平、科技基础设施和科技认知程度对科技创新效率具有显著影响;朱林等[6]利用灰色关联度分析法研究中国工业企业科技创新绩效的影响因素,指出研发人员全时当量、研发经费支出、新产品开发项目支出对工业企业科技创新绩效具有显著影响。这些文献从不同维度指出科技创新受到诸多因素影响,侧面证明构建扎实、准确的评价指标体系对探究科技放管服改革效果十分必要。另外,有文献研究发现中国科技创新效果存在地域差异。如刘佐菁等[7]研究发现,经济发达省区科技资源配置水平较高,经济欠发达地区科技资源配置水平较低。这说明中国科技创新改革效果可能存在地区差异,相关研究也存在升级与优化空间。
已有文献为本研究奠定了理论基础,但仍存在一些不足。一是探究影响因素时,已有研究未对科技改革效果进行充分界定与梳理,也未提及科技放管服改革效果相关内容;二是研究科技放管服改革效果时,忽视了对地区差异与分布动态演进特征的考量。
基于此,本文试图作出如下创新:第一,基于科技放管服理论体系,界定科技放管服内涵,从放权、管理与服务3个方面建立评价指标体系;第二,借助核密度函数、Dagum基尼系数及其分解、收敛模型、Moran′s I指数等方法,探析科技放管服改革效果的时空演变特征;第三,从发展角度分析科技放管服改革效果演变规律和整体差异的主要诱因,为科技放管服改革和各区域科技创新协调发展提供参考。
科技放管服改革目的是不断优化与创新管理制度,在科研体制领域营造良好科研环境、建立清晰责任链、强化外部审计监管约束[8]。科技放管服改革内在要求是中央政府与地方政府不断健全引导支持机制,建立健全以企业为主体的技术创新体系;支持与培育高新技术企业,扩大科技创新规模;探索创新券改革,为中小企业科研创新提供助力。结合放管服核心内涵,本文将科技放管服改革定义为简化科研材料采购流程,提高资金拨付效率,明确科研资金使用途径,提升科技创新领域服务质量等一系列举措。
本文以《国务院办公厅关于抓好赋予科研机构和人员更大自主权有关文件贯彻落实工作的通知》(国办发〔2018〕127号)、《国务院关于优化科研管理提升科研绩效若干措施的通知》(国发〔2018〕25号)、《关于深化省级科技计划项目和资金管理“放管服”改革若干措施的通知》等政策为指引,结合中国科技放管服改革特征,从放权、管理与服务3个维度选取关联指标。在此基础上,依据数据可得性和指标体系可复制性、高频性与匹配性,结合科技放管服相关理论[9-12],权衡中国科技年鉴中相关指标体系,从上述3个维度选取21个测度指标,建立中国科技放管服改革效果评价指标体系,如表1所示。
基于评价指标体系,借鉴夏祥谦[13]的研究方法,测度中国科技放管服改革效果。第一步,采用相对化方法对数据进行标准化处理;第二步,利用变异系数法计算指标分值;第三步,基于指标分值对评分值进行加权,获得全国层面与区域层面科技放管服改革效果综合指数以及3个一级指标综合评价值。计算过程如下:
假设有n个区域与m项指标,建立原始数据集:Xij,i=1,2,3…n;j=1,2,3…m。首先,进行标准化处理。标准化处理公式为:
其中,xm为标准值,采用第j项指标在所有区域上的平均值作为标准值。其次,计算指标权重。计算公式为:
其中,第j项指标变异系数用vj表示,权重用wj表征。最后,开展加权处理。通过加权处理方法,获得科技放管服改革效果综合指数,计算公式为:
表1 中国科技放管服改革效果评价指标体系
Table 1 Evaluation indicator system for the reform effect of streamlining administration, delegating power, strengthening regulation and optimizing service of sci-tech in China
一级指标二级指标三级指标属性放权维度经费投入国家财政科技支出占国家财政支出比重(%)+R&D经费支出与GDP比值(%)+地方财政科技支出(亿元)+地方财政科技支出占地方财政支出比重(%)+人力投入万人R&D人员数(人/年)+企业R&D人员占比(%)+管理维度项目投入R&D经费投入强度+R&D人力投入强度+信息化发展水平+科技人力资源培养水平+企业与大学R&D协作程度+项目产出万人发明专利申请数(件/万人)+亿元R&D经费支出发明专利申请数(件/亿元)+万人发明专利授权数(件/万人)+服务维度上市服务成立技术创新中心数(个)+成立上市培育库数(个)+成立上市服务联盟数(个)+孵化服务国家级科技企业孵化器数(个)+科技企业孵化器数(个)+政务服务成立科技企业服务处数(个)+线上服务中心数(个)+
注:“+”表示指标属性为正
将2015—2020年中国内地31个省份作为研究样本,展开综合测度与分析。将研究周期设定为2015—2020年是由于2018年颁布《通知》,其指出要在科技领域推行放管服改革,释放创新活力,建设创新型国家。基于此,本文结合研究需要,选取2018年前3年与后2年作为研究期,旨在考察科技领域放管服改革效果。数据主要来自全国和各省份统计年鉴、EPS数据库、《中国科技统计年鉴》及相关统计资料汇编。收敛模型中所涉数据来自2016—2021年《中国统计年鉴》与《中国科技统计年鉴》。另外,将2015年作为基期,利用平减法对非比例数据进行对数处理。
借助上述测度方法,获得31个省份科技放管服改革效果综合指数以及一级指标测度结果。为更好地分析中国科技放管服改革效果演进趋势,本文绘制研究期内中国科技放管服改革效果均值和中位数变化趋势,如图1所示。进一步,依据国家统计局划分标准,将31个省份划分为东、中、西三大区域,绘制全国与三大区域科技放管服改革效果均值折线图,如图2所示。值得一提的是,本文将东北地区纳入中部地区,主要是由于东北与中部在振兴东北和中部崛起等国家政策的赋能下获得长足发展,且二者在国家战略层面具有较多相似性,如均可作为东部地区产业转移承接带,因而将东北纳入中部地区具有科学性。为描述科技放管服改革效果在3个一级指标上的差异,绘制全国和三大区域雷达图,如图3所示。
从全国层面来看,2015、2020年中国科技放管服改革效果均呈现波动上升趋势。2015年科技放管服改革效果均值与中位数分别为0.85和0.78,2020年增加到1.58与1.51,表明研究期内中国整体科技放管服改革效果呈现上升趋势。其中,2015—2016年作为“十二五”收官之年与“十三五”开局之年,全国各地围绕“十三五”科技规划制定并落实相关政策,这为全国各地开展科技领域改革活动提供了政策支持,促使科技放管服改革效果显著提升。2017年颁布《关于深化科技奖励制度改革方案》,指出要完善科技领域奖励制度,这一定程度上为科技放管服改革效果升级提供了政策基础。2018年国务院颁布《通知》以来,全国各地围绕相关内容,积极在科技领域开展放管服改革工作,使得2018年以后中国科技放管服改革效果显著提升。
图1 2015—2020年科技放管服改革效果均值与中位数
Fig.1 Averages and medians for the reform effect of streamlining administration delegating power, strengthening regulation and optimizing service of sci-tech from 2015 to 2020
图2 2015—2020年全国与三大区域科技放管服改革效果变化趋势
Fig.2 Change trends for the reform effect of streamlining administration, delegating power, strengthening regulation and optimizing service of sci-tech in China and three regions from 2015 to 2020
图3 2015—2020年全国与三大区域科技放管服改革效果一级指标特征
Fig.3 Primary indicators′ characteristics for the reform effect of streamlining administration delegating power, strengthening regulation and optimizing service of sci-tech in China and three regions from 2015 to 2020
从区域来看,各区域科技放管服改革效果演变特征与全国具有一致性。东部地区均值最大,中部最小,西部与全国水平相近。2015—2020年,全国整体均值由0.83增加到1.10,增长率为32.5%;东部地区均值由1.10增长到1.30,增长率为18.1%;中部地区均值由0.65增长到0.90,增长率为38.4%;西部地区均值由0.78增长到1.05,增长率为34.6%。可见,中部地区改善效果最显著,西部次之,东部最弱。中部地区在国家中部崛起战略扶持下,有更多资金用于科技创新领域,为科技放管服改革提供了充足资金支持。
从维度差异来看,图3(a)中放权维度均值最高,表明全国科技放管服改革中放权维度的改革较为充分;管理维度呈扩大趋势,说明全国层面管理维度改革成效逐步趋于良好状态;服务维度呈现与全国科技放管服整体改革效果类似的演变特征。
东部地区3个一级指标变化情况如图3(b)所示,其科技放管服改革效果不同维度变化趋势与全国一致。其中,放权维度远高于其它两个维度,表明东部地区在放权方面改革更彻底。管理维度均值与全国整体具有一致性,且2018年以后得到明显改善,这与国家2018年出台《通知》的时间相吻合。《通知》颁布实施后,东部地区科技放管服中管理维度工作得到改善,可能是由于东部作为科技领域最先进地区,依靠充足的科技资源推动技术创新与发展,一定程度上倒逼科技领域监督与管理方式优化升级。服务维度均值小于放权与管理维度,说明东部地区在科技放管服过程中没有充分释放服务优势。原因可能在于东部地区存在科技“超发展”情景,使得科技放管服改革过程中政务服务作用未充分发挥出来,如科技企业服务部门、线上服务中心的作用未得到有效利用,使得地区科技服务维度改革效果与其它地区相比未呈现明显优势。
中部、西部科技放管服改革效果一级指标情况与全国和东部地区存在一定差异,如图3中(c)和(d)所示。在放权维度,中部、西部地区均值明显低于全国与东部地区。从图中可知,放权、管理、服务维度曲线重合较多,说明中部与西部地区在实施科技放管服过程中需要继续加大放权力度。在管理维度,中部与西部均值明显低于东部,但与全国差距并不明显。原因可能是,中部与西部地区在国家扶持下加大新型数字基础设施建设和科技人才培养力度,促使地区科技管理改革与全国差距逐渐缩小,呈现基本持平现象,但由于起点较低,中西部地区科技管理改革效果与东部地区相比仍存在一定差距。在服务维度,中西部地区与全国水平相比未呈现较大差异。2020年中部、西部地区科技放管服的服务维度与全国和东部地区较为接近,说明中西部地区得益于国家多重优化政策扶持与帮助,已经形成具有鲜明地域特征的科技创新服务体系,并快速追赶东部地区。另外,创新资源与科研成果转化速度不断加快,一定程度倒逼中西部地区改善服务内容与方式,为科技创新活动营造便利环境。
Rosenblatt[14]、Parzen[15]提出的非参数密度估计(KDE)能够清晰刻画经济变量非均衡分布。该方法可在不使用数据分布的先验知识以及不附加任何条件的情况下,根据样本数据特征开展核密度函数分析。因此,本文采用非参数密度估计法,借助Stata14.0软件分析中国科技放管服改革效果动态分布规律。非参数密度估计形式如下:
(1)
其中,
表示概率分布函数,E表示任意科技放管服改革效果预测误差样本,K(•)为权函数,h表示带宽。
全国和各区域核密度估计结果如图4所示,本文选取代表性年份,对分布位置、延伸性与变化趋势进行分析。从全国整体层面来看,图4(a)中所有非参数核密度曲线中心位置与分布区间均呈右移趋势。2020年曲线分布位于最右侧,中心位置与其它4条曲线之间存在一定距离,说明中国科技放管服改革效果呈现持续向好态势,且速度有所加快。从分布曲线波峰高度来看,波峰高度先上升后回落,曲线宽度逐渐收窄,说明部分省份已经在《通知》的指导下率先通过改革与创新科技领域经费审批和管理环节,强化科研项目绩效评价。进一步观察图4(a)可以发现,2020年全国层面科技放管服改革效果绝对差异较其它年份呈下降趋势,且具有明显的拖尾现象,分布延展性呈现紧缩发展趋势。最后,从波峰数量来看,2020年全国科技放管服改革效果曲线为单峰,侧峰与主峰差距呈先增大后缩小趋势,侧峰随着时间变化不断向主峰靠拢,表明科技放管服改革效果单极化特征开始显现,且梯度效应不断弱化,即全国层面科技放管服改革效果平均值有所提升。
图4 中国科技放管服改革效果动态演进分布情况
Fig.4 Dynamic evolution and distribution evaluation for the reform effect of streamlining administration,delegating power, strengthening regulation and optimizing service of sci-tech in China
区域层面,东中西三大区域科技放管服改革效果动态分布情况如图4中(b)、(c)、(d)所示,深入观察发现,三大区域动态分布情况与全国具有相同点,但也存在较大差异。首先,分布位置上,各区域核密度曲线主峰右移,说明各区域科技放管服改革效果明显提升,契合上文结论。其次,分布形状与延伸性上,东部地区曲线波峰呈先上升后快速回落现象,高度与全国水平保持一致,且曲线覆盖与中心线右侧拖尾的宽度逐步拓展,同时,东部波峰高度最早开始出现下降趋势。究其原因,一方面,东部地区各省份间科技放管服改革效果差距分化程度在研究初期与中期有所加剧。另一方面,在国家政策扶持下,东部地区各省份科技放管服改革呈均衡化发展趋势,离散程度趋于收敛。西部地区曲线波峰高度与东部地区和全国整体变化趋势一致,说明西部地区各省份间科技放管服改革效果差距不断缩小,离散程度得到改善。中部地区曲线波峰也呈先上升后快速回落趋势,中心位置逐渐右移,但不同年度波峰高度存在差异,而且中部地区曲线并未呈现拖尾现象,覆盖宽度呈先减小后拓宽趋势,说明中部地区科技放管服改革在研究初期效果较差,且各省份之间差异较为明显。到研究末期,中部地区在中部崛起战略的赋能下,科技放管服改革效果呈现显著提升趋势。2020年中部地区曲线分布特征与全国和其它地区已无明显差异,原因可能是中部地区大部分省份科技放管服改革方式有所改善。对比各地区非参数核密度曲线波峰个数发现,东部地区具有双峰发展潜能,高度差呈缩小趋势,表明东部地区科技放管服改革效果具有梯度效应,且呈两极化发展趋势。中部地区表现为单峰发展形态,说明区域内单极化趋势明显。西部地区单峰演变为双峰,说明科技放管服改革效果梯度效应开始显现,区域内开始呈现两极化或多极化特征。
本文通过核密度分析中国科技放管服改革绝对差异的动态分布演变特征,为进一步量化差异的演变特征与来源,使用Dagum基尼系数及其分解,并借助Matlb2016b软件展开具体分析。
Dagum基尼系数及其分解最早用于收入不平衡问题测度,后来逐渐应用于区域发展差异研究[16]。相较于传统基尼系数、泰尔指数,Dagum基尼系数及其分解可将区域非均衡总体差异(G)分解为区域内差异贡献(Gw)、区域间差异贡献(Gnb)和超变密度(Gt),G=Gw+Gnb+Gt。Dagum基尼系数及其分解在说明区域非均衡总体差异的基础上,可明晰地区间样本数据重叠问题,并直观反映3类差异贡献率在研究期内变化状况。
4.2.1 总体差异
中国科技放管服改革效果总体差异表现出波动下降趋势,如图5所示。中国科技放管服改革效果总体差异大致经历下降—上升—波动下降演变历程。2015-2016年有所下降,2016-2017年呈上升趋势,2018年后呈波动下降趋势。从具体数值来看,总体基尼系数在2018年前位于0.16～0.39之间,2018年后低于0.29,逐渐由指数等级相对合理转变为指数等级比较平均。其中,基尼系数等级依据联合国开发计划署相关规定进行如下划分:低于0.2,表示指数等级高度平均;位于0.20～0.29之间,表示指数等级比较平均;位于0.30～0.39之间,表示指数等级相对合理;位于0.40～0.59之间,表示指数等级差距较大;高于0.6,表示指数等级差距悬殊。事实上,随着中央政府与地方政府对科技放管服改革重视程度的提高,各省份科技经费管理、项目实施与评级工作不断优化,促使全国科技放管服改革均衡化发展。此外,中西部地区在国家政策的助力下,科技放管服改革效果得以大幅提升,使得区域间差异呈现显著缩减态势。
图5 全国与三大区域科技放管服改革效果基尼系数演变趋势
Fig.5 Gini coefficient evolutionary trend for the reform effect of streamlining administration,delegating power, strengthening regulation and optimizing service of sci-tech in China and three regions
4.2.2 区域内差异
东部地区内部差异变化趋势与全国保持一致,但幅度大于全国。2018年之前东部地区内部差异先下降再上升,即区域内差异呈扩大化趋势,2018年后则呈下降趋势。2020年东部地区内部差异低于全国水平,说明东部地区各省份间差异在研究期内整体呈下降趋势。
中部地区内部差异整体呈波动下降状态,且下降幅度小于所有区域。一方面,说明中部地区各省份科技放管服改革效果比较均衡;另一方面,由于缺乏科技强省引领以及科技中心支撑,中部地区科技放管服改革成效难以在短时间内得以改善。从演变趋势来看,2015-2016年为波动下降阶段,2017-2019年为缓慢回升阶段,2019-2020年则呈上升态势。显然,中部地区科技放管服改革效果得到改善,同时,区域差异有所增大。原因可能是,中部地区改善情况更多来自区域内科技相对发达省份所作贡献。
西部地区内部差异为波动上升趋势,但2019-2020年开始出现小幅度下降。原因可能是,西部地区科技放管服改革效果较差地区开始调整结构,提升科技放管服改革效果,使得区域内差异呈现缩小趋势。
4.2.3 区域间差异
东部、中部、西部区域间差异呈现波动下降趋势,但中部—西部间差异与其它地区间差异相比有所不同,如图6所示。
图6 区域间科技放管服改革效果差异动态演变趋势
Fig.6 Dynamic evolution trends for reform effect differences of streamlining administration,delegating power, strengthening regulation and optimizing service of sci-tech in inter-region
东部—中部、东部—西部地区间差异具有相同演变趋势,都呈波动下降趋势。原因可能是,中西部地区在国家政策的引导下,加速科技放管服改革进程,使得区域间差距表现为缩小态势。另外,中部地区科技放管服改革效果改善幅度较大,一定程度上弥合了东部与中部地区间差异。
中部—西部地区间差异表现为波动下降趋势,主要分为两个阶段。一是2015—2017年呈现先下降再上升趋势,原因可能在于,西藏自治区、甘肃等地区科技改革效果存在波动,造成中部与西部地区间差异呈扩大趋势。二是2018—2020年呈现缓慢下降趋势,原因可能是,在中央和地方协同推进西部地区科技放管服改革的情境下,西部地区放管服改革取得较大成效,促使中西部地区之间差异呈缩小趋势。
4.2.4 差异来源与贡献
利用Dagum基尼系数及其分解,将中国科技放管服改革效果总体差异分解为区域内差异、区域间差异和超变密度,结果如图7所示。区域间差异贡献率最大,均值为51%,研究期内不同年份取值集中在19%～62%之间;区域内贡献率次之,均值为30.16%,取值集中在29%～32%之间;超变密度的贡献率最小,均值为18.83%,取值集中在9%～49%之间。显然,中国科技放管服改革效果总体差异的第一大来源为区域间差异,区域内差异次之,超变密度贡献最弱。因此,要解决科技放管服改革效果整体差异问题,关键是缩减区域间差异。
图7 中国科技放管服改革效果不同差异来源的贡献率演变趋势
Fig.7 Evolution trends of contribution rate for different sources of reform effect of streamlining administration,delegating power, strengthening regulation and optimizing service of sci-tech in China
进一步观察变化趋势可知,区域内差异贡献率取值围绕30%上下波动,并没有呈现显著上升或者下降趋势。区域间差异贡献率波动较大,可分为两个阶段,2015—2018年为剧烈波动上升阶段,2019—2020年为快速下降阶段。超变密度贡献率与区域间差异贡献率呈相反趋势,说明区域间科技放管服改革存在相互影响与溢出效应。
本研究进一步借助σ收敛模型和β收敛模型,利用State14.0软件分析区域科技放管服改革效果收敛特征,考察科技放管服改革效果地区差异为区域收敛还是分散,以及样本周期科技放管服改革效果较差的地区能否在短时间内得到调整与改善。
5.1.1 研究方法
借助σ收敛模型分析中国科技放管服改革效果差异,获取区域科技放管服改革效果偏离整体平均水平情况。分析σ收敛性时,通常使用标准差与变异系数进行分析。梳理相关研究发现,这两种方法所得结果没有明显差异,因此,本文利用变异系数分析科技放管服改革效果的σ收敛性。具体计算公式如下:
(2)
其中,j表示全国及三大区域的编号,i为各区域内不同省份的编号,Nj表示各区域内省份数量,
为j区域科技放管服改革效果均值。
5.1.2 结果分析
研究期内科技放管服改革效果动态演变趋势如图8所示。首先,全国变异系数呈波动下降趋势,说明科技放管服改革效果支持σ收敛假说,即科技放管服改革效果的区域间差异随时间变化而不断缩小,这与上文研究结论具有一致性。从演变特征来看,研究期内中国科技放管服改革效果的变异系数呈波动下降趋势。其次,东部地区变异系数演变趋势与全国一致,支持σ收敛假说。再次,中部地区绝对值较小,呈下降趋势但降幅不明显,即中部地区同样支持σ收敛假说。最后,西部地区变异系数整体呈下降趋势,但趋势不太明显,支持σ收敛假说。值得一提的是,西部地区演变特征与全国及其它地区明显不同,西部地区2015—2017年为快速下降阶段,2018—2019年波动下降但降幅不明显,2020年变异系数有所增加。总体来看,无论全国层面还是区域层面,中国科技放管服改革效果均表现出均衡化发展态势。
图8 全国及三大区域科技放管服改革效果的σ收敛性
Fig.8 Convergence of σ related to the reform effect of streamlining administration,delegating power, strengthening regulation and optimizing service of sci-tech in China and three regions
5.2.1 研究方法
为分析科技放管服改革效果较差地区是否具备自我调整能力并快速追赶效果较好的地区,探究随时间变化各区域科技放管服改革效果变化趋势,本文借助β收敛模型,利用State14.0软件研究中国不同区域科技放管服改革效果差异。由新经济理论可知,经济变量收敛性一定程度上受到外在环境的影响。基于此,本文参考Barro[17]的研究方法,将β收敛分为绝对收敛与条件收敛。条件β收敛是指控制其它影响因素后呈收敛状态,绝对β收敛是指不控制其它因素也会呈收敛趋势。具体计算公式如下:
(3)
(4)
其中,式(3)为绝对β收敛,式(4)为条件β收敛。
表示i省份科技放管服改革效果在t+1期的增长率,inti,t+1、inti,t分别为t+1、t期的科技放管服改革效果综合指数;Xi,t为影响科技放管服改革的其它因素。借鉴杨骞等[2]关于中国科技创新效率的研究,选取区域经济发展水平、人力资源投入、外商直接投资展开分析。α表示截距项,μi、ηt、εi,t分别表示地区效应、时间效应、随机误差项;β为收敛系数,若β<0,则说明科技放管服改革效果发展存在收敛趋势,反之则呈发散特征。
5.2.2 绝对β收敛结果分析
表2中列(1)(3)(5)(7)为全国与分区域层面科技放管服改革效果绝对β收敛估计结果。列(1)中β估计系数小于0,且通过显著性检验,说明中国科技放管服改革效果支持绝对β收敛,即科技放管服改革效果较差地区正快速追赶效果较好地区,各省份科技放管服改革效果最终将呈现趋同现象。列(3)(5)(7)的β估计系数最少通过10%显著性检验,说明三大区域科技放管服改革效果支持绝对β收敛机制。此外,在绝对β收敛模型中,未将各区域影响科技放管服改革的其它因素纳入其中,因此,绝对β收敛模型所得结果是否具有科学性仍有待研究。故而,需探究科技放管服改革效果的条件β收敛结果,如表2中列(2)(4)(6)(8)所示。
表2 β收敛估计结果
Table 2 Estimation results of convergence of β
变量全国(1)(2)东部(3)(4)中部(5)(6)西部(7)(8)β-0.758 6***-0.768 4***-0.524 7*-0.792 8***-0.814 9***-0.962 7***-0.786 2***-0.815 7*(0.122 5)(0.100 8)(0.288 7)(0.154 5)(0.126 9)(0.102 4)(0.123 9)(0.112 4)ln int-0.464 7-1.479 5**-0.564 7-0.786 2(0.255 7)(0.505 4)(0.478 8)(0.854 4)控制变量控制控制控制控制常数项-0.252 4***3.476 50.065 812.020 9*-0.543 4***2.872 1-0.369 8***7.456 5(0.087 7)(2.991 4)(0.125 5)(5.996 7)(0.145 1)(5.030 5)(0.110 5)(8.121 4)地区效应控制控制控制控制控制控制控制控制时间效应控制控制控制控制控制控制控制控制R20.366 80.361 90.325 40.195 40.640 80.582 50.426 50.323 6样本量186186606054547272
注:***、**、*分别表示在1%、5%、10%的水平上显著,()内为稳健标准误
5.2.3 条件β收敛结果分析
列(2)中β估计系数通过显著性检验,说明中国科技放管服改革效果支持条件β收敛机制,控制影响科技放管服改革效果的其它变量后,各省份科技放管服改革效果将趋同。列(4)(6)(8)结果表明三大区域的β估计系数均通过显著性检验,支持条件β收敛机制,说明三大区域科技放管服改革效果随时间变化逐渐趋于稳态。
梳理相关文献发现,经济发展存在空间集聚性[18-20]。那么,区域科技放管服改革效果空间分布是否具有集聚性?如果存在,以何种形式演变?为解答上述问题,本文借助Moran′s I指数探析科技放管服改革效果空间集聚特征。若Moran′s I指数大于0,则说明存在正向空间自相关,若小于0,则说明存在负向空间自相关。具体计算公式如下:
(5)
其中,S2为样本方差,
表示地区i的观测值,wij表示空间权重矩阵。
检验空间相关性,首先需要建立空间权重矩阵,空间权重矩阵主要包括地理邻接权重矩阵、地理距离矩阵、经济距离矩阵、反距离矩阵等。其中,经济距离矩阵通常随时间变化而变化,所得结果具有不确定性[21];地理邻接矩阵主要用于测度邻接省份之间的空间相关性,难以测度更远空间单元之间的相关性[22];反距离矩阵是根据地理学第一定律思想“空间单元相关性随地理距离增加而降低”构建,较难精准测度距离较远地区间相关性。而地理距离矩阵可测度更远空间单元之间关系,较为契合本研究实际。基于此,本文借鉴骆康等[23]的研究,使用地理距离矩阵进行空间集聚特征分析。构建31*31阶、元素为两地距离平方倒数的空间权重矩阵,利用Moran′s I指数计算2015—2020年中国科技放管服改革效果的空间相关性(见表3)。由结果可知,Moran′s I指数集中在[-0.049,-0.038]之间,且均通过1%的显著性水平检验,说明研究期内科技放管服改革效果的空间分布并非独立,而是呈现显著空间负相关性。进一步选择代表性年份绘制Moran′s I指数散点图,如图9所示。
表3 2015—2020年中国科技放管服效果Moran′s I指数
Table 3 Moran′s Index of the reform effect of streamlining administration,delegating power, strengthening regulation and optimizing service of sci-tech in China
年份Moran's IZP2015-0.049-3.6540.0002016-0.047-3.2580.0002017-0.046-3.2540.0002018-0.044-2.9870.0002019-0.042-2.6950.0002020-0.041-3.2510.000
图9中,4个象限从右上逆时针开始依次为第1象限、第2象限、第3象限、第4象限,分别代表高高、低高、低低、高低集聚。2015、2020年大部分省份位于第2象限或者第4象限,呈现低高或高低集聚特征,说明Moran′s I指数线性拟合曲线呈现显著地理空间负相关性。中西部省份大多位于第2象限,产生这一现象的主要原因可能是,中西部地区部分省份科技放管服改革效果改善程度有限,与周边省份科技放管服改革效果具有明显差异。第4象限内大部分省份属于东部地区,另外,北京与上海一直处于第1象限,表明两市与周围省份科技放管服改革效果处于较高水平,在空间上呈现高高集聚特征。由此可见,东部地区科技放管服改革效果具有“两超多强”分布特征。综合来看,与2015年相比,2020年局域Moran′s I指数值有所增大,但科技放管服改革效果的空间集聚特征并未发生显著变化,说明2020年科技放管服改革效果的空间差异呈缩小趋势。产生这一现象可能是因为在深化改革创新时代,中西部地区政府开始认识到科技改革驱动创新的重要作用,持续深化科技体制改革,不断完善激励机制与科技评价机制,充分调动科研人员积极性和创造性,促使地区科技放管服改革取到良好效果。这有利于缩小中西部与东部地区间空间差异,因此,2020年Moran′s I指数有所增大。另外,2020年各省份分布呈发散态势,表明省份间科技放管服改革效果开始呈现出一致性发展趋势。
图9 2015、2020年科技放管服改革效果局域Moran′s I指数散点分布情况
Fig.9 Local Moran′s index scatter map for reform effect of streamlining administration,delegating power, strengthening regulation and optimizing service of sci-tech in 2015 and 2020
从放权、管理与服务入手,构建评价指标体系,根据2015—2020年31个省份数据测度中国科技放管服改革效果。借助核密度函数、Dagum基尼系数及其分解、收敛模型与局域Moran′s I指数,分析科技放管服改革效果特征、动态分布、区域差异及来源、收敛特征和空间分布,得到如下主要结论。
(1)从测度结果来看,中国科技放管服改革效果不论在全国层面还是区域层面均呈现上升趋势,且具有显著阶段性特征。区域层面来看,东部地区科技放管服改革效果最佳,西部次之,中部最低。维度层面来看,东部地区放权维度改革效果明显大于全国与中西部地区,2018年后管理维度明显改善,服务维度变化趋势与全国及其它地区一致;中部与西部地区3个维度变化趋势具有差异化特征,放权维度明显低于全国及东部地区,管理维度与东部地区类似,2018年后明显得到改善,服务维度变化与东部及全国保持一致。
(2)从动态分布特征来看,全国与各区域非参数核密度曲线分布存在差异。全国层面上,科技放管服改革效果逐步提升,地区差距缩小。区域层面上,东部与西部科技放管服动态分布特征类似,说明科技放管服改革效果不断优化,内部差异逐步缩小。其中,西部地区科技放管服改革效果显著改善,区域内与区域间差距均呈缩小趋势。
(3)从差异程度来看,全国和各区域基尼系数均呈波动下降趋势。东部下降程度较大,与东部相比,中部与西部地区科技放管服改革效果改善程度更显著,区域间差异呈缩小态势。在差异来源上,超变密度贡献最小,区域内贡献次之,区域间贡献最大。
(4)从收敛特征来看,全国与各区域间变异系数呈下降趋势,支持σ收敛假说,说明中国科技放管服改革效果呈均衡化发展趋势。全国与区域层面绝对β估计系数至少通过10%统计水平,支持绝对β收敛机制。全国与区域层面,条件β估计系数均通过1%的显著性检验,支持条件β收敛机制。
(5)从空间分布特征来看,中国科技放管服改革效果具有负向空间集聚特征。大多数省份的Moran′s I指数均位于第2象限和第4象限,说明科技放管服改革效果存在低—高或者高—低组合的空间集聚特征,且呈现稳态分布特征。
目前,中国科技发展取得巨大成效,但仍存在较多“卡脖子”问题。2018年国务院提出要在科技领域开展放管服改革,致力于解决科技领域发展不平衡与不充分的问题。本研究着力于科技放管服关键领域,旨在探究制约科技创新水平提升、创新结构失衡、创新成果不充分等症结。从发展角度剖析中国科技放管服改革效果的本质规律与演变特征,探究科技放管服改革效果地区差异的成因,有利于从根本上缓解中国区域科技发展不均衡、不充分问题,推动中国科技软实力提升。由此,提出以下几点政策启示。
(1)完善顶层设计。中共十九大以来,我国不断深化科技创新体制改革,出台一系列重大改革举措,使得国家创新体系整体效能持续提升。为实现科技助力发展,我国必须加强顶层设计,营造良好科技生态环境。一方面,积极营造有利的政策环境。政府部门应加快政策链与创新链无缝对接,及时对政策实施情况进行评估与动态调整,对有悖于科技创新的旧制度予以废除,对国际通行贸易规则与标准加以借鉴与遵循,实现政策更好引导科技放管服改革。另一方面,营造具有活力的创新环境。政府部门应积极完善科技成果评价制度,引入科研竞争机制,打破不合理限制,为科技领域放管服改革提供支持。
(2)健全多层次市场调节体系。各地方政府应持续建立健全多层次市场调节体系,在科技创新中实现放管结合与公平竞争。东部地区应立足于科技放管服已取得的成效,培育和壮大科技服务市场主体,发挥市场在科技领域的调节作用,实现科技创新中放管结合。中西部地区应加快众创空间新型孵化器建设,开展众创空间和科技孵化器绩效评价,优化创新孵化环境,最大限度释放市场在科技放管服中的作用。
(3)推行智慧化科技服务模式。在深化科技放管服改革的背景下,“智能税务”“自动审批”等新科技可助力提高政务工作效率,提升科技领域服务质量。各地政府部门应利用网上核名、自动审批与机器人服务相结合的智慧方式,为科技创新主体提供服务。在具体实施过程中,可借鉴成都高新区做法,利用“政策在线导航+人工智能辅助决策”系统,为科技领域提供精准化服务。政府部门可在科技创新服务中引入“仅跑一次”“审批不见面”业务办理方式,减少项目申报、验收等环节,做到“一表多用、一表多能”,改善项目审批流程,实现相同材料不重复报送。
[1] 张超,宋晓华,孙亚男.黄河流域科技创新效率差异测度、来源分解与形成机理[J].经济与管理评论,2021,37(6):38-50.
[2] 杨骞,刘鑫鹏,孙淑惠.中国科技创新效率的时空格局及收敛性检验[J].数量经济技术经济研究,2021,38(12):105-123.
[3] 王雅丽,黄永春.长江经济带科技创新效率测度及影响因素分析[J].统计与决策,2021,37(15):104-108.
[4] 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.
[5] 赖一飞,谢潘佳,叶丽婷,等.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[J].科技进步与对策,2021,38(13):37-45.
[6] 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.
[7] 刘佐菁,陈杰.科技资源配置水平评价及区域差异研究[J].科技管理研究,2019,39(11):93-100.
[8] 国务院.科技“放管服”有利于释放创新活力[EB/OL]．http://opinion.people.com.cn/n1/2018/0726/c1003-301722 21.html.2021-12-11.
[9] 段异兵.中国科技改革开放40年的回顾与展望[J].人民论坛·学术前沿,2020,9(2):58-64.
[10] 王文倩.论产业政策对企业技术创新的影响——政策工具的机制检验、政府行为差异下的异质性特征[J].江汉学术,2022,40(3):82-91.
[11] 汪芳,曹玮宇.金融发展与技术创新水平——兼论经济政策不确定性的调节作用[J].北京邮电大学学报(社会科学版),2022,24(1):47-58.
[12] 李响,李贤慧,李爽.地方政府廉政水平对企业技术创新积极性的影响研究[J].当代经济,2022,29(2):92-102.
[13] 夏祥谦.各省区市金融发展水平的比较研究[J].金融理论与实践,2014,33(1):63-68.
[14] ROSENBLATT M.Remarks on some nonparumetric estimates of a density function[J].Annals of Mathematical Statistics, 1956, 27(3):832-837.
[15] PARZEN E.On estimation of probability density function and mode[J].Annals of Mat Hematical Statistics,1962, 33(3): 1065-1076.
[16] DAGUM C.A new approach to the decomposition of the Gini income inequality Ratio[J].Empirical Economics,1997,22(4): 515-531.
[17] BARRO ROBERT J.Economic growth in a cross section of countries[J]. The Quarterly Journal of Economics,1991, 106(2):407-443.
[18] LI ZEHUI,JIAO LIMIN,ZHANG BOEN,et al. Understanding the pattern and mechanism of spatial concentration of urban land use, population and economic activities: a case study in Wuhan, China[J].Geo-spatial Information Science,2021, 24(4):678-694.
[19] OVCHINNIKOVA A V,TOPOLEVA T N.Clusterization of the economic space as a factor in the growth of the national economy competitiveness[J].Management Science,2020, 10(2):41-52.
[20] MASAHISA FUJITA,PING WANG. Tribute to Marcus Berliant: a pivotal matchmaker of general equilibrium and spatial economics[J].International Journal of Economic Theory,2020, 16(1):6-26.
[21] 王佳莹,张辉.旅游发展、空间溢出与区域经济不平衡[J].旅游科学,2021,35(2):73-94.
[22] 冯严超,王晓红,胡士磊.FDI、OFDI与中国绿色全要素生产率——基于空间计量模型的分析[J].中国管理科学,2021,29(12):81-91.