东部十省市高校与产业集群协同创新论述

余慧敏，翟丹妮，周悠然，刘 颖

(南京邮电大学管理学院，江苏 南京210000)

一、 引言

我国《2019 年政府工作报告》中强调：健全以企业为主体的产学研一体化创新机制。 而各省、直辖市、自治区的政府工作报告中也多次出现“深化产学研结合”的目标。 高校作为各行业创新型人才极为重要的来源，其对创新产业投入的资源与同相关产业园区的对接契合度往往在一定程度上可以体现区域的创新能力。

创新产业区域集群与区域高校的互补模式也正在为越来越多的发展战略研究人员所关注。 李宇、郭庆磊以“斯坦福-硅谷”这一典型为例较早提出创新集群的协同创新机制；江育恒、赵文华在此基础上又以更加具体的“研究型大学与生物医药聚集区”为研究对象阐述了这一机制；以洪小娟、张聪、朱卫未、周静为代表的国内学者则从不同角度利用DEA理论衍生方法对高校创新效率进行了评估测算；李清贤、曲绍卫、齐书宇创新地以高校教师的科研成果为指标对高校创新效率进行了测算；而张惠琴、尚甜甜、李璐、苑泽明、张永贝、宁金辉等学者选择以地理区域划分研究对象的方法也为大多数高校创新效率测算研究所借鉴。 Bijan Rahmani Parchikolaei、Rohollah Yosefian 对国外高校创新效率的研究中有对“协同创新”与“分类测算”等内容的阐述。

以此为基础，本文选取我国教育资源积累较早、教育成果较为丰富的东部十省(直辖市、自治区)作为决策单元，对比分析各决策单元的高校创新效率，并基于事实论证区域创新集群与高校集群的优势互补作用。

二、 研究方法与指标选择

(一)研究方法

Dea-Malmquist 生产率指数法以构造最佳生产前沿面，通过实际生产点向最佳生产前沿面的距离函数来定义。 假设在每一个时期t=1，2，…，T的投入向量为X=(X1，X2，…，Xt)，产出向量为Y=(Y1，Y2，…，Yt)，且Xt∈R+、Yt∈R+，假设C表示规模报酬不变的情况下的研究常数，可以构造基于产出的距离函数如下：

其中，θ为标量。 当生产点(Xt，Yt)位于生产前沿面上；当生产点位于生产前沿面的内部；当生产点位于生产前沿面的外部。

在规模报酬不变情况下，以t时期生产前沿面与t+1 时期生产前沿面为基准，构建t时期和t+1 时期基于产出的Malmquist 生产率指数为：

而M 指数又可分解为当年技术变化指数TC 与技术效率指数TEC 之积；而基于DEA 理论的技术效率指数TEC 又可分解为纯技术效率PEC 与规模效率SEC 之积。

将M 指数的变动率分解到不同资源配置的效率上，对创新效率影响因素进行区别分析。

(二)指标选择

我国高校创新成果在一定程度上反映了高校学生对于知识的整合、转换、概括能力，这对就业和科研两个发展方向都具有重要意义。 但在已有研究中，通常将区域高校集群的创新效率作为一个独立个体进行效率分析，缺少对区域高校集群所处客观环境的综合分析；同时，要以实证推动我国区域高校与创新集群“斯坦福+硅谷”模式的发展，我国学术界在这一方面还存在较大空白。

根据我国前瞻产业研究院发布的《中国产业园区地域分布情况》，进入全国产业集群排行榜前十的东部产业集群有北京中关村园区、上海张江产业开发区与广东深圳高新技术产业园区。 同时，江苏省、浙江省、山东省是除港澳台地区外我国国家级经济开发区数量前三位的省份，但能进入产业集群的则是江苏省苏州工业园区、广东省广州经济技术开发区与天津市经济技术开发区。

对于区域高校集群的创新，R&D 人员全时当量与R&D经费是其资源投入的代表性指标，同时高校发表的论文数量、出版的著作数量与国家级奖项获得数量则较为明确且权威地反映了区域高校集群的创新成果。 所以本文选取上述指标作为评价指标。 如表1 所示。

表1 区域高校集群创新效率评价指标

三、 实证分析

依据已选定的模型与指标选取了吉林省(DMU1)、辽宁省(DMU2)、天津市(DMU3)、北京市(DMU4)、山东省(DMU5)、江苏省(DMU6)、上海市(DMU7)、浙江省(DMU8)、福建省(DMU9)、广东省(DMU10)为决策单元。 各指标数据以各省(直辖市、自治区)高等学校数据为基准，数据来源于上述地区统计局2013～2017 年间公布的《统计年鉴》。 利用DEAP 2.1 软件求解，得结果如表2 所示：

表2 2013～2017 年各省(自治区、直辖市)高校集群创新效率指数年平均增长率

续表

根据各决策单元的M 指数结果，本文将其分为以下几类，并在每一类选取一个代表决策单元进行更为详细的论述。

全面调整型：年均增长率为负，指数基数较小的决策单元：DMU1、DMU2、DMU5；

基础利用型：年均增长率为负，指数基数较大的决策单元：DMU6、DMU9；

建议：推荐常规进行多模式镇痛，方法包括：使用罗哌卡因等药物进行切口浸润或周围神经阻滞或中下胸段硬膜外阻滞控制伤害性疼痛；无禁忌证患者可使用NSAIDs药物控制炎性痛，适量应用阿片类药物治疗重度疼痛。开放手术推荐联合硬膜外镇痛，腹腔镜手术不推荐常规使用硬膜外镇痛。

发挥优势型：年均增长率为正，指数基数较小的决策单元：DMU3、DMU8；

经验典范型：年均增长率为正，指数基数较大的决策单元：DMU4、DMU7、DMU10。

(一)全面调整型实证分析

以决策单元DMU5为例，分析图1 可以得出，这一决策单元的TFP 指数与TC 指数在2014 ～2017 年间出现的波动同向，且波动幅度几乎一致。 同时，SEC 指数则只呈现窄幅波动，但TEC 指数与PEC 指数也呈现近似的波动幅度。Malmquist 理论模型说明，对于DMU5，TC 指数是影响TFP 指数的主要因素，PEC 指数是影响TEC 指数的主要因素。 根据测算数据，DMU5的SEC 指数年均增长率为正，但PEC 指数与TC 指数均显著下降，导致了TFP 指数的显著下降。

图1 决策单元DMU5效率指数变动趋势

此类决策单元的问题说明，TFP 指数被多个分解指数所影响。 对于DMU5而言，首要问题是解决PEC 指数与TC 指数的显著下滑；PEC 指数的下滑需要从资源、人员、管理等方面的配置上进行改进，利用精简机构、优化资源分配等手段扭转各项效率下降的趋势。

(二)基础利用型实证分析

图2 决策单元DMU9效率指数变动趋势

以决策单元DMU9为例，可以看到TFP 指数与TC 指数在变化区间段呈现同向近似幅度的变化；但与DMU5不同的是，该决策单元中PEC 指数与SEC 指数均对TEC 指数产生了作用。 该决策单元的PEC 指数下降幅度较小，进而导致了TEC 指数对于SEC 指数更敏感而上升的结果。

总的来说，这一类的决策单元应该充分把握SEC 指数一类的显著优势，在此基础上着力解决TC 指数波动带来的TFP 指数不稳定问题。 TC 指数的持续波动表明该决策单元对于知识产权成果的利用率还有进步空间，而各指数曲线的波动后期也呈现较为平缓的上升趋势，说明该决策单元内部进行的调整使得各项效率指数回升，TFP 指数的回升正是在其他各项效率指数共同上升共同作用下产生的。

(三)发挥优势型实证分析

图3 决策单元DMU8效率指数变动趋势

区别于前两个决策单元，决策单元DMU8的各项效率均处于较高水平。 正因如此，DMU8的TFP 指数曲线与TC 指数曲线在PEC 指数与SEC 指数去除波动因素后达到一致。 此时该决策单元的TC 指数在高PEC 指数与高SEC 指数的显著作用下使得TFP 指数上升。

由该决策单元可以看出，发挥优势型决策单元证实了PEC 指数与SEC 指数效率显著的情况下，对TFP 指数增长有较强的推动作用。 这也是较为理想的决策单元状态，利用显著的TEC 指数优势，同时促进决策单元TC 指数的持续增长，以达到TFP 指数的高水平增长。

(四)经验典范型实证分析

这一类的决策单元相较前三类决策单元均具有较明显的优势，具体体现在：TEC 指数、PEC 指数与SEC 指数均稳定处于DEA 有效的前沿面上，以此为基础的TC 指数增长在TFP 指数上均反映为较高的年均增长率。 同时也反证了TC指数与TEC 指数效率均显著的情形下，TFP 指数的增长会受到比单个指数效率显著更强的推动作用。

四、 协同创新机制论述

(一)区域高校与创新产业集群互补论述

对我国产业园区发展情况与上文的区域高校创新效率进行综合对比，可以发现：当高校集群与产业领先的创新园区在一定区域内形成协同创新机制时，该区域高校集群的创新效率往往高于没有此类机制或此类机制不健全的区域高校集群，且波动幅度更小，更为稳定，此结论在TC 指数上尤为显著。

以上文所分析的决策单元为例，DMU4区域是我国最早建立创新园区与高校集群协同创新合作的区域。 在此机制影响下，以优秀的教育资源为依托，该区域创新产业园区规模迅速增长，且能够向高校集群回馈科教资源。

(二)创新效率分析综述

从上述决策单元的分析中可以看出，发挥优势型与经验典范型决策单元均在高SEC 指数与高PEC 指数的影响下取得了较高的TFP 指数水平，当然这其中TC 指数的高水准也发挥着极为重要的作用。 根据DEAP 的测算结果，这两个类型的决策单元在TEC 指数效率方面均优于全面调整型与基础利用型，加之对TC 指数的有效驱动，在TFP 指数上取得了高增长率，使得高校创新效率的增长趋于良性态势。 同时，结合我国产业园区相关资料，可以发现这两类决策单元均在高新产业园区与经济开发区建设上占得先机，并趋向于在区域内部高校聚集明显的区域建立“产业—高校”的长久协同创新机制，这种机制的建立也为这两类决策单元创新指数效率的稳定增长提供了内生动力。

对于全面调整型决策单元，我们可以看到，其TFP 指数同时受到TEC 指数与TC 水平的制约，在TEC 指数整体水平不高的情况下，TC 指数出现的下滑与TEC 指数影响叠加，使得TFP 指数出现较大幅度的下降；对于此类情况，根据DEAMalmquist 理论，应该从研发资源调配、管理配置规划等方面统筹考虑，既要提升TC 指数，扭转TFP 指数持续下跌的形势，又要从SEC 指数与PEC 指数两个方面提升TEC 指数，以将TC 指数的提升效益最大化。 这类决策单元固然存在着资源较少、起步较晚等不利条件，但同时不应忽略有量无质、产业地区选择不佳等现有问题。 当“产业—高校”协同创新机制不能有效运作时，决策单元区域内部的内生动力不足，加之技术水平的持续下降，很容易形成积极性不足的产业环境。 这类决策单元应该同时对两方面因素进行改进，以求决策单元各项指数回归正轨。

而对于基础利用型决策单元，由分析数据可以看到，它们的TEC 指数相较于全面调整型处于较高水平，但TC 指数依然会出现较大幅度的波动，这也是这一类决策单元TFP 指数较发挥优势型较低的原因：TC 指数虽然呈现较为稳定的窄幅波动，但由于并未受到TEC 指数的显著效率提升影响，故TFP 指数稍低于发挥优势型决策单元。 这类决策单元与发挥优势型、经验典范型决策单元最大的共同点在于它们都拥有较为雄厚的产业园区基础，大部分也都建立了有效的“产业—高校”协同创新机制。 但这类决策单元需要进行更为有效的知识产权利用以达到使各效率指数波动尽可能减小的目的。

五、 启示

(一)各省(直辖市、自治区)应该充分了解内部高校集群与创新产业集群的效率现状与面临的问题

针对自身问题，从不同角度入手：文中提到的全面调整型应优化高校科研资源、管理等各方面的配置，加强协同创新机制的创新产业园区建设，使得“高校—产业”的循环产业链充满活力，以高校科研人才推动产业发展，以产业生态环境引领资源流向高校集群。

(二)区域内部应加强协同创新机制的引导

从“硅谷-斯坦福”到“中关村-北大集群”，这类集群的兴起与扩张往往伴随着产业链的建立，这与区域内部政策与外部交流密不可分。 以政策推动技术，以优势抢占成果市场，这能够在一定程度上调动创新产业研究人员的积极性，同时能够加速产业研究人员的新老更替，为产业注入活力。

(三)区域内部应优先改进技术水平指数

文中各个决策单元的效率变动趋势都显示，TC 指数与TFP 指数在效率变动上具有高度相似性，充分说明了技术水平是制约区域高校创新水平的主要因素。 改进这一指数要从知识产权转化着手，推动知识产权创造价值，避免创新却不生产的问题。

(四)区域间加强交流，共同建设

集群间应该加强交流合作，效率指数较低的集群分析已有经验解决问题，优化内部建设；效率指数较高的集群博采众长，分担其他集群压力的同时将新思路、新方向与自身相融合，以此推动集群发展。