基于创新价值链的绿色科技成果转化效率研究
——以安徽工业为例

周 勇，张小路，刘志迎

（1.中国科学技术大学管理学院，安徽 合肥 230026；2.安徽省工业和信息化研究院，安徽 合肥 230001）

1 引言

绿色科技发展是人类文明演进和社会发展的大趋势。当前，世界各国均将绿色科技作为推动产业迈向价值链中高端、实现转型升级的重要手段。改革开放以来，我国工业经济快速发展，工业产量已跃居世界第一。然而，“三高一低”的工业运行模式尚未从根本上改变，绿色科技成果转化率低、应用难等问题依然突出。作为“科技创新”和“绿色发展”的融合点，绿色科技不但能实现传统技术创新带来的经济增长，而且有利于资源节约和环境保护，现已成为突破资源环境束缚、实现可持续发展的有效手段。绿色科技创新是一个复杂的工程，通常包括绿色创意产生、绿色技术研发、绿色生产等一系列子过程。基于要素投入、产出视角，绿色科技创新活动可以分为绿色技术研发和科技成果转化两个阶段（李东海，2020）［1］。从两阶段创新价值链视角出发，对科技成果转化阶段进行深入剖析，探究制约绿色科技成果转化效率提升的关键因素，有利于提升我国科技创新能力，促进经济高质量发展。

安徽位于长江三角洲腹地，沿江近海“左右逢源”，区位优势独特。作为新兴工业大省，安徽资源、环境约束较大。为提高研究的针对性和适用性，本文选择安徽工业作为研究对象，从区域异质性的视角对安徽工业绿色科技成果转化效率进行测度，并寻求改善效率的现实途径，从而为促进效率改善提供有针对性的建议。本文具体研究以下三个密切相关的问题：①安徽工业绿色科技成果转化效率如何？②影响转化效率的因素有哪些？③区域异质性对绿色科技成果转化效率有何影响？

绿色科技的概念最早是由Braun等（1994）［2］提出，他们认为绿色科技是以促进经济可持续发展为核心的科技活动。一方面，有利于实现科技创新带来的经济增长；另一方面，有助于提高资源利用效率并保护环境。具体到工业领域，工业绿色科技指的是以绿色科技创新成果为支撑，促进工业的绿色、低碳、可持续发展。关于工业绿色科技的研究，学界主要从研究对象和研究方法两个维度展开。针对研究对象的不同，主要集中在以下几个方面：①行业层面上，主要是对工业部门绿色科技创新效率进行评价。Ghisetti等（2014）［3］和Sun等（2017）［4］分别对德国和中国工业绿色科技创新效率进行测度，发现两国均存在较大的效率损失。②区域层面上，主要是从省际层面对绿色科技创新效率进行探究。罗良文等（2016）［5］通过构建科技效率评价指标体系，发现中国东部地区工业绿色科技创新效率最高，其次是中部地区，最低的是西部地区。③企业层面上，主要是从企业微观视角，为改善绿色科技创新效率提供支撑。如肖仁桥等（2020）［6］利用超效率DEA模型测度了“一带一路”沿线省份工业企业绿色科技创新效率，他们发现，研发人员流入、基础设施完善等因素有利于绿色科技创新效率的提高。

关于效率评价的方法，可分为单一指标法、指标体系法和模型法。单一指标法（贾军等，2014）［7］优点在于操作简单，但缺点往往在于仅用单一指标很难全面地反映绿色科技创新效率。指标体系法（王郁蓉，2012）［8］在加权过程中，往往难以剔除人为主观因素的影响。模型法（Zhou等，2020）［9］采用统计学方法自动赋权，有效减小了指标赋权法的主观影响。在研究多投入、多产出问题时，数据包络分析（DEA）被广泛用于科技创新效率的评价中。李华晶等（2017）［10］基于传统DEA模型测度了70家新能源上市公司绿色科技创新效率，得出较为理想的结果。王海龙等（2016）［11］评价了2007—2011年我国30个省际工业绿色创新效率，并探讨其影响因素。

通过文献回顾，发现学界对工业领域绿色科技创新的研究已经取得较为丰硕的成果，但仍存在一些缺陷：第一，缺乏专门针对工业领域的绿色科技成果转化效率的研究。以往研究大多视工业科技创新活动为黑箱，并未对科技创新内部运行阶段进行区分，研究结果的针对性明显不足。第二，国内关于绿色科技创新的研究主要集中在省际、行业或企业层面，缺乏对省内各地区工业领域的研究。区域差异的存在会导致省级视角下的科技创新研究成果难以直接复制到市级层面，因此，研究结果的适应性将大打折扣。第三，在模型选择上，以往研究大多采用传统DEA模型进行评价。传统DEA模型存在两方面不足：一方面，由于径向性、锥性等假定，实际评价结果可能存在偏差；另一方面，忽视了转化过程中负外部效益等非期望产出的影响，测度结果将偏离真实值。

与已有的文献相比，本文的贡献主要表现在以下四个方面。①首次研究了党的十八大以来安徽省16个地级市的工业绿色科技成果转化效率差异，并探究其效率损失根源。②基于两阶段绿色科技创新价值链视角，专门对工业绿色科技成果转化效率进行实证研究，针对性更强。③考虑到负外部效益的影响，采用非期望产出SBM模型进行效率评价，结果更加准确。④基于区域异质性视角，以皖北、皖中、皖南为划分标准，对16个地级市进行聚类分析，探讨区域异质性的差异。不同地区工业绿色科技成果转化效率的揭示，有助于我们分析关键地区效率变化的原因并提出针对性建议。

2 研究设计

2.1 两阶段绿色科技创新价值链

创新价值链最早是由Hansen等（2007）［12］提出，他们将创新价值链分为创意的产生、转换和传播。在此基础上，余泳泽等（2014）［13］、Chen等（2018）［14］结合中国技术创新实践，将创新过程分为技术研发阶段与成果转化阶段，有效地揭示了创新过程中的内在联系。基于此，本文利用创新价值链理论，构建了工业绿色科技创新效率评价体系，如图1所示。

图1 两阶段绿色科技创新价值链

第一阶段为绿色技术研发阶段，通常指在绿色理念指导下，投入研发人员和研发资本，通过研究与开发产生中间产出。第二阶段为绿色科技创新成果转化阶段，考虑到一、二阶段互相关联，因此，第二阶段的投入包括第一阶段的中间产出和能源使用，最终产出包括期望产出和非期望产出。由于能源使用和污染排放具有连续性和不可追溯性，且实际生产中大部分能耗主要出现在成果转化阶段，参照学界普遍做法，本文将能源投入和污染排放指标纳入科技成果转化阶段进行分析。为进一步揭示安徽工业绿色科技成果转化效率，本文就第二阶段进行定量分析。

2.2 指标选取及数据获取

2.2.1 投入指标。投入指标包括研发阶段的中间产出和非研发投入。专利技术含量高，是国际上通用的衡量研发阶段中间产出的指标（齐绍洲等，2018）［15］。本文选取各地级市规模以上工业企业的发明专利申请数量（件）来衡量研发阶段的中间产出。

非研发投入包括能源投入、电力使用和水资源消耗。能源投入以各地级市单位工业GDP能源消耗量（吨标准煤/千元）进行表征。电力使用和水资源消耗分别以各地级市规模以上工业企业单位GDP用电量（千瓦时/千元）和单位GDP用水量（立方米/千元）来进行衡量。本文用熵权法将非研发投入三个指标合为一个“资源消耗综合指标”进行表征，该指标值越大，表明资源消耗强度越大。

2.2.2 产出指标。绿色科技创新的最终目的是实现经济发展和生态环境的双赢，本文将最终产出分为期望产出和非期望产出。期望产出能够反映绿色科技成果转化为社会经济效益的状况，本文以学界广泛认可的新产品销售收入（亿元）进行衡量（成琼文等，2020）［16］。非期望产出通常指环境效益方面，以各地级市单位工业GDP工业“三废”排放量来进行表征。废气排放由单位工业GDP烟（粉）尘（万吨/千元）和SO2排放量（万吨/千元）进行综合表征；废水排放由单位工业GDP COD（吨/千元）、氨氮（吨/千元）和石油类污染排放量（吨/千元）来进行表征；废固排放由单位工业GDP一般工业固体废弃物排放量（万吨/千元）来衡量。借助熵权法，将非期望产出指标合成一个“环境影响综合指标”，该指标值越低，表明环境污染强度越小，工业绿色科技成果转化效率越高，如表1所示。

表1 工业绿色科技成果转化投入产出指标体系

2.2.3 数据来源。根据数据的可获得性和可比性，本文实证样本采用安徽省2013—2018年16个地级市规模以上工业企业投入、产出面板数据来评价安徽工业绿色科技成果转化效率。为确保数据真实有效，本文使用数据来自《安徽省统计年鉴》（2014—2019年）和16个地级市统计年鉴（2014—2019年）。本文所涉及的收入类指标均采用各地级市2000年出厂价格指数进行平减。

2.3 非期望产出SBM模型

Charnes等（1978）［17］首次提出数据包络分析模型（Data Envelopment Analysis，DEA），主要包括CCR和BCC两种模型。由于传统的DEA模型未考虑生产中客观存在的非期望产出，因而效率值将出现偏差。为解决上述问题，Tone（2003）［18］构造了非径向、非角度且加入非期望产出的SBM（Slacks-Based Measure）模型：

假设N个 决策单元（DUM1，DUM2，···，DUMN），各决策单元均有

定义各单元生产可能性集（P）：

基于上述假定，得到修改后的非期望产出SBM模型：

其中，S-ϵRm、SbϵR2分别为投入和产出冗余量。λ为权重向量。目标函数值变化区间为［0，1］，当且仅当ρ*=1、S-*=0、Sg*=0和Sb*=0时，决策单元DUM0DEA有效；否则，存在投入产出的改进空间。

3 实证分析

3.1 非期望产出SBM模型与传统DEA模型评价结果对比分析

借助Pro-Slover5.0软件，应用非期望产出SBM模型对安徽省16个地级市2013—2018年工业绿色科技成果转化效率进行测度。为了与不考虑非期望产出指标测度结果作对比分析，本文同样运用传统DEA的CCR模型（Charnes等，1978）［17］对成果转化效率进行测算，结果如图2所示。

图2 安徽16个地级市2013—2018年工业绿色科技成果转化CCR模型和非期望产出SBM模型综合技术效率均值（TE）走势

由图2可知，传统DEA的CCR模型综合技术效率介于0.700～0.800之间，效率均值为0.749，远高于非期望产生SBM模型效率均值的0.367。表明非期望产出指标的负作用造成了安徽工业绿色科技成果转化效率的较大损失。这说明，对工业绿色科技成果转化效率进行评价，忽略非期望产出指标的影响是不符合实际且不科学的。至此，本文提出的第一个问题已得到解答，即安徽工业绿色科技成果转化效率较低，非期望产出影响成果转化效率，呈显著负相关性。因此，采用非期望产出SBM模型进行效率测度很有必要。

3.2 非期望产出SBM测度结果与分析

运用非期望产出SBM模型对16个地级市工业绿色科技成果转化效率进行测度，结果如表2所示。样本期间，安徽全省平均综合技术效率总体偏低，效率均值仅为0.367，有63%的改善空间。

表2 2013—2018年非期望产出SBM模型综合技术效率

从时间维度来看，整体呈先下降、后上升的趋势。根据图3所示的综合技术效率走势，党的十八大以来，安徽工业绿色科技成果转化效率可以分为两个阶段。第一阶段为2013—2015年，综合技术效率值由2013年的0.362逐年下降至2015年的最小值0.329，说明该时期内，安徽工业绿色科技成果转化效果欠佳，转化效率持续恶化。造成这种现象的原因可能是“十二五”时期，安徽工业呈粗放型发展，产业结构不够合理，高能耗、高污染、高排放、低效率的工业运行模式依然存在。第二阶段为2015—2018年，综合技术效率由2015年的0.329上升至2018年的0.398，整体呈不断改善趋势。这说明，进入“十三五”时期，安徽以创新驱动为发展战略，科技成果转化环境日趋完善，随着绿色科技在工业领域的应用，节能减排效果凸显，工业逐渐由粗放型向集约型转变。

图3 非期望产出SBM模型综合技术效率、纯技术效率和规模效率走势

从处于技术效率前沿面的维度来看，综合技术有效的地级市的数量在2～3之间，除了2014年和2015年为2个外，其余年份均为3个。综合技术效率排名前三的分别是合肥市（1.000）、铜陵市（1.000）和滁州市（0.861），排名后三位的分别是黄山市（0.113）、池州市（0.074）和淮南市（0.064）。经济发展水平相对较好、高校较为密集的芜湖市（0.553）和蚌埠市（0.436）的转化效率相对较好，分别排第四名和第五名。其余8个地级市，其创新成果转化效率值均低于0.400，且大多数地区仅在0.100～0.300之间徘徊。

从效率分解走势来看，规模效率均值仅为0.494，远低于纯技术效率均值的0.730，如图3所示。至此，可以回答本文提出的第二个问题，即安徽省工业绿色科技成果转化效率低下的原因是纯技术效率（PTE）和规模效率（SE）较低，而规模效率（SE）过低是主要原因（TE=PTE*SE）。因此，一方面，安徽各地级市要注重管理上的创新，优化资源配置，提高技术资源的利用效率；另一方面，考虑各地区工业规模报酬普遍处于递增阶段，各市应结合城市特点，适当扩大科技成果转化规模，提高转化效率。

以全省效率均值为临界点，将各地级市效率分为四种类型，如图4所示。位于右上角的“高—高”区是纯技术效率和规模效率均高于全省平均效率值的地区，共有4个，这类城市工业绿色科技成果转化效率所需改进相对较少。其中，表现最好的是合肥市和铜陵市，它们均属于省内经济发展水平高、工业基础好、高新技术产业相对集聚的地区。右下角的“高—低”区是纯技术效率高但规模效率低的地区，共有6个。特别是黄山市，规模效率仅为0.113，作为依托旅游业发展的城市，未来黄山市发展重点应是实施资源集中配置，有效扩大工业绿色科技成果转化规模。位于左上角的“低—高”区是纯技术效率低但规模效率高的地区，仅马鞍山1个。作为工业强市，马鞍山后续发展应依托紧邻南京、上海等区位优势，积极承接高水平长三角产业转移，获得相应的技术溢出，改善纯技术效率。左下角的“低—低”型为纯技术效率和规模效率均较低的地区，共5个，这类地区科技成果转化效率的改善更为困难。其中，表现最差的淮南市，作为安徽省传统工矿大市，受到资源路径依赖的约束，产业结构转型缓慢。这类城市工业基础和科教实力相对较弱，在未来发展中，应结合城市优势，延伸产业链条，加快产业集聚。同时，扩大开放力度，围绕重点产业及技术环节，承接高水平产业转移，降低非期望产出的负面影响。

图4 工业绿色科技成果转化纯技术效率及规模效率分布图

3.3 区域异质性分析

为进一步探讨区域异质性对工业绿色科技成果转化效率的影响，根据安徽区域空间划分，将16个地级市分为皖北、皖中、皖南三个片区（王钦安等，2019）［19］，如表3所示。

表3 安徽城市区域划分

将2013—2018年转化效率均值导入SPSS 20软件，通过聚类分析，结果可分为三类，如图5所示。由图5可知，安徽省16个地级市工业绿色科技成果转化效率存在较大的区域异质性。合肥市、铜陵市和滁州市转化效率年均值达0.860以上，排名前三位，是转化效率“较高”的第一梯队。芜湖、蚌埠和淮北三个城市转化效率年均值在0.395～0.553之间，属于转化效率“一般”的第二梯队。余下10个城市，如池州、黄山等效率均值在0.064～0.264之间徘徊，是转化效率“较低”的第三梯队。由聚类情况可知，转化效率“较高”的第一梯队全部属于皖中和皖南地区，其中皖中地区占比达67%。第二梯队来源于皖南和皖北地区，皖南地区占比达33%。转化效率“较低”的第三梯队，皖南和皖北地区占比达80%。综上可知，皖中地区工业绿色科技成果转化效率最高，其次为皖南和皖北地区。

图5 2013—2018年工业绿色科技成果转化效率聚类情况

为进一步验证上述聚类分析结果，按照三大异质区，分别测算其工业绿色科技成果转化效率。表4为全省及三大片区2013—2018年工业绿色科技成果转化效率均值，图6为2013—2018年全省及三大片区工业绿色科技成果转化效率对比及发展趋势。

表4 2013—2018年全省及三大片区工业绿色科技成果转化效率

图6 2013—2018年全省及三大片区工业绿色科技成果转化效率趋势

从全省转化效率整体性来看，2013—2015年工业绿色科技成果转化效率呈下降趋势，2015—2018年呈波动上升趋势。分地区来看，皖中地区科技成果转化效率最高，皖南地区第二，皖北地区最低。

皖中片区位于合肥经济圈核心区域，毗邻长三角都市圈，区位优势、政策优势明显。核心成员合肥是安徽省省会，集聚了全省的科技、产业、知识、人才等资源。作为先进制造业新兴城市，合肥依托科研院所富集优势，优化科技成果转化环境，在经费投入、人才队伍及政府引导等方面均投入较多优质资源，工业绿色科技成果转化效率全省第一。滁州毗邻南京都市圈，是皖江示范区承接产业转移的前沿城市，依托与长三角城市圈互联互通，利用大城市的技术溢出效应，积极承接高层次先进制造业和生产性服务业，大大提高了节能减排效率。作为传统农业大市的六安，虽然工业规模较小，但距离省会合肥较近，便于承接长三角新能源、新材料等高层次转移产业，获得相对先进的技术，技术溢出效益明显。

皖南片区主要位于皖江城市带，城市工业基础和科教实力相对较好。一方面，该片区毗邻长三角核心区，交通便利，能够高效吸收产业转移中的技术溢出，保持较高的技术水平。另一方面，作为传统工业城市，在城市发展和承接产业转移过程中，更倾向于发展本地传统支柱产业，节能减排效率提升空间有限。如马鞍山以钢铁、装备制造作为主导产业，这些行业均属于高耗能、高排放的产业，因而转化效率始终在较低位徘徊。

皖北片区大多属于经济发展落后、产业基础相对薄弱的边缘地带，产业规模较小、整体水平不高。在工业化进程中，可能主要以能源密集型和劳动密集型“双高”产业为主，再加上工业化初期对环境管理的忽视，环境污染排放大大增加，资源、能源等浪费较为严重。皖北地区科教资源薄弱，创新环境相对较差，科技成果转化动力长期不足。随着皖北振兴战略的实施，在多重政策叠加扶持下，样本期间，皖北成果转化效率明显得到改善。如地处安徽边缘地带的淮北，距离合肥经济圈和皖江城市带均较远。作为传统资源型城市，淮北紧紧抓住政策红利，围绕科技创新转变经济结构为中心，积极培育新动能。一方面，在承接长三角产业转移中，制定前瞻性、产异化产业转移引资政策，加快布局高层次支柱产业，减少“三废”排放；另一方面，在延链上下文章，促进传统产业与新兴产业融合发展，加快科技成果在工业领域的转化。至此，本文提出的第三个问题也得到了回答，即区域异质性显著影响工业绿色科技成果转化效率。

4 结论与建议

4.1 研究结论

基于两阶段价值链理论，本文以2013—2018年安徽16个地级市为研究对象，运用非期望产出SBM模型，从区域异质性的视角实证研究了安徽工业绿色科技成果转化效率。具体结论如下。

①考虑非期望产出指标的影响后，工业绿色科技成果转化效率显著下降，说明非期望产出指标的负作用造成了较大的效率损失。因此，采用非期望产出SBM模型评价工业部门绿色科技成果转化效率是合理且有必要的。

②工业绿色科技成果转化效率均值为0.367，且大部分城市低于平均值，表明有很大的改善空间。效率分解显示，规模效率均值（SE）仅为0.494，远低于纯技术效率均值（PTE）的0.730，说明工业绿色科技成果转化效率低下是由纯技术效率和规模效率的低效率共同引起的，但规模效率（SE）过低是主要原因。从效率变化情况来看，2013—2015年，效率持续恶化，这主要是“十二五”时期，安徽不够重视绿色科技成果转化，工业发展依然呈“三高一低”的低效率运行模式。2015—2018年，进入“十三五”时期，安徽以创新驱动作为发展战略，工业产业结构不断优化，节能减排效果凸显，效率呈稳步向好态势。

③工业绿色科技成果转化效率具有明显的区域异质性。皖中地区效率最高，皖南次之，皖北最低。具体来看，皖中地区位于合肥经济圈核心区域，政策优势和区位优势明显。这些地区产业集聚度高，技术先进，环保设备先进，因而转化效率最高。皖南地区主要位于皖江城市带，毗邻长三角核心区，一方面，能高效吸收产业转移中的技术溢出，保持相对较高的技术水平，另一方面，作为传统工业城市，更倾向于发展本土传统“两高”产业，资源、能源等浪费严重，减排效率提升空间有限。皖北地区大多经济发展落后，产业层次不高、规模较小，同时，忽略环境保护的管理，因而转化效率相对较低。

4.2 政策建议

本文的研究结论对促进安徽工业绿色发展以及城市工业绿色科技成果转化效率的改善具有重要的参考价值。启示如下。

①将环境指标纳入工业绿色科技成果转化效率评价体系，建立绿色经济发展模式，探索经济发展与环境保护双赢机制。构建绿色科技成果转化平台，鼓励科研院所、企业、服务机构共同推进供需一体化，提高科技成果转化效率。完善企业税收减免政策，提高知识产权保护水平。积极向先进地区学习，促进管理效率的改善。

②因城施策，改善工业绿色科技成果转化效率。针对资源型城市，如传统工矿大市淮南，面对资源枯竭、产业单一困境，应结合本地资源禀赋和发展水平，扩大开放力度，培育发展新动能，促进产业转型升级。针对旅游型城市，如皖南山区的池州、黄山，工业基础相对薄弱，应结合城市比较优势，实施资源集中配置，加快发展服务型制造，有效扩大科技成果转化规模。

③鉴于区域异质性，制定前瞻性、差异化产业引资政策。皖中地区转化效率处于领先地位，区位优势明显，应利用科教资源富集优势，发展原创性、集成式创新，加快促进工业绿色科技成果转化。通过技术溢出效应，缩小区域差异，带动全省协同发展。皖南地区交通便利，应立足自身比较优势，高起点承接长江三角洲产业转移，获得较高的技术溢出效益。同时，依托现有支柱产业，延伸产业链条，开发高附加值产品，提高节能减排效率。皖北地区科教资源薄弱，创新环境相对较差，应积极引进先进设备和技术，在降低能耗的同时，强化污染治理的前端预防。鉴于安徽工业绿色科技成果转化效率整体偏低，各地区正处于规模效率递增阶段，应适当扩大要素投入规模，促进转化效率提升。

本文的局限性：一方面，指标的选取仍需进一步完善。如本文仅以专利申请数量来表征研发阶段的中间产出，未来可以将论文发表数量综合考虑进来；另一方面，工业绿色科技成果转化效率可能受到外界因素的干扰，如利润率、治理费用、技改投入等。未来课题组计划综合运用三阶段DEA模型将影响转化效率的外部因素剥离，以便得到更为真实的效率值。