科技创新效率的时空格局及影响因素分析

沙彦君 王慧 张学波

摘   要：基于山东省2012—2018年科技创新投入产出数据，利用DEA-BBC模型和Malmquist指数，分析山东省及各地市科技创新效率的时空演化和主要来源，运用Tobit模型分析山东省科技创新效率的主要影响因素。结果表明，2012—2018年，山东省科技创新效率呈现先上升后持续下降的特征；山东省科技创新效率整体不高，区域差异明显，中部地区科技创新效率较高，并逐步向外围地区扩展；技术进步是全省及各地市科技创新效率的主要来源；劳动者素质、经济发展水平和政府财政支持是影响山东省科技创新效率的显著性因素。

关键词：科技创新效率；DEA模型；时空分异；影响因素；山东省

中图分类号：F123       文献标志码：A      文章编号：1673-291X（2023）05-0064-05

长期以来，我国依靠人力资源和自然资源的高投入实现经济的快速发展。近年来，我国劳动力成本的优势正在逐渐丧失，迫切需要新的经济增长点和推动力[1]。山东省位于中国东部沿海，黄河流域下游，是建设黄河三角洲高效生态区、环渤海经济圈的枢纽地带。然而，山东省发展一直处于第一梯队中游位置，长期面临突破增长瓶颈的重要课题。山东新旧动能转换综合试验区的建设为山东省迈向经济强省提供了新的机遇，如何提高科技创新效率，是山东省亟待解决的问题[2]。

科技创新效率直观地表示了科技投入转化为产出的质量和速度这一复杂过程[3]。测算区域科技创新效率的主要方法一般有：随机前沿分析（SFA）[4]，数据网络分析（DEA）[5]和Malmquist指数法[6]。分析关于区域科技创新效率的现有研究尺度分为三方面，全国尺度、省区尺度和地区尺度。从全国各省区来看，山东省经济大而不强，总体创新能力不高。为此，山东省近年来加快实施新旧动能转换重大工程，旨在通过科技创新改善经济发展质量。因此，以山东省为案例区域，开展区域创新效率评价具有一定理论基础和现实意义。本文试以山东省17个地市科技创新效率为研究对象，利用DEA-BBC模型、Malmquist指数和Tobit回归模型从时间和空间两方面探索山东省地区科技创新效率的演变格局及其影响因素，找到影响科技创新效率的关键因子，为建设科技创新型省份提供参考。

一、研究方法与指标选取

（一）研究方法

1.DEA模型。数据包络分析（DEA模型）是用于效率评估的方法，基于已知数据可以评估具有多投入和多产出决策单元的相对有效性，能最大程度地保证客观性[7]，可以测算科技创新效率并解释决策单元投入产出结构是否合理。通过规模效率、纯技术效率和科技创新效率的对比分析，找出区域科技创新失衡的主要原因，并判断地区行业发展规模的合理性。

2.DEA-Malmquist模型。Malmquist指数主要用于测算全要素生产率的变化，运用该模型可以确定山东省科技创新效率变化指数[8]，主要指标为科技创新TFP指数（TFP）、技术变动指数（TC）、技术效率变动指数（EC）、纯技术效率变动指数（PE）和规模效率变动指数（SE） [9]。

公式：科技创新TFP指数（TFP）=技术变动指数（TC）×技术效率变动指数（EC）

技术效率变动指数（EC）=纯技术效率变动指数（PE）×规模效率变动指数（SE）

3.Tobit模型构建。运用Tobit模型进一步分析山东省17地市科技创新效率的影响因素[10]。以DEA-BBC模型实际测得的17地市科技创新效率为被解释变量，可能的影响因素为解释变量。由于DEA模型计算出的效率值具有截断数据特点[11]，构建如下Tobit模型，运用Stata16.1进行回归分析。

式中，TEit为第i市t期的科技创新效率，α0为常数项，α为回归系数，ε为随机误差，Xit为i省t期的各解释变量。

（二）指标选取

效率的本质是投入与产出，评价科技创新效率应从创新投入和创新产出两方面分析。考虑到统计数据的可得性、完整性，以及地方政府对地区科技的扶持力度和专利产权对于科技创新的特殊作用，并借鉴相关研究[12-16]，本文选取R&D人员折合全时当量、R&D经费支出、地方财政拨款三个因素作为投入变量；专利申请数、专利授权量、发表论文篇数作为产出变量（见表1）。

各指标数据来自《山东省统计年鉴（2013—2019年）》《中国统计年鉴》，其中，发表科技论文数量来自中国知网，以地级市名称为关键词查询。基于整理后的山东省各地级市2012—2018年的数据，运用Deap2.1软件对整理后的数据进行处理并对输出结果进行分析。

二、山东省科技创新效率的时间序列分析

（一）DEA模型结果分析

山东省科技创新效率表现出先上升后持续下降的特征，各地级市创新效率差距较大。山东各地区大部分年份创新效率值低于1，自2014年以来持续下降，且山东省科技创新效率均值各年份小于1，进一步表明山东省科技创新能力有待提高。青岛、济南是山东创新效率较高的地区；聊城、莱芜、菏泽科技創新效率近年来处上升趋势；淄博、烟台、滨州、德州的创新效率值低于全省平均水平；枣庄、济宁、威海、临沂、潍坊、日照等地市的科技创新效率起伏变化较大。山东省内部各地级市科技创新效率差距较大。

规模效率是决定山东省科技创新效率演变趋势的关键因子，纯技术效率偏低是山东省科技创新效率水平不高的主要原因。图1显示，山东省科技创新效率与规模效率近7年来的发展趋势基本吻合，纯技术效率折线则相对平缓，但规模效率一直处于较高水平，在7年中有5年规模效率值达到0.9，更在2017年达到最优水平的96.8%，这说明山东省行业发展规模一直较为合理，与科技创新发展较为协调。从图1中可以看出，纯技术效率值一直低于规模效率值，是山东省科技创新效率偏低的主要原因，表明山东省整体经营管理水平不高、资源配置能力有待进一步提升。

2015年是趋势改变的分界线，2017—2018年出现科技创新效率的明显下降。整体来看，2012—2015年科技创新发展平缓并未出现明显下降趋势甚至在有些年份出现效率值的上涨，但自2015年，纯技术效率出现明显下降而规模效率显著上升，两者相互抵消造成科技创新效率未有明显变化。2017—2018年，虽然科技创新的纯技术效率下降趋势有所减缓，但在这一年里规模效率大幅度下降，由7年来的最高值0.968下降为历年最低值0.799，这导致科技创新效率大幅下降，达到历年来最低值0.618，说明2017年以来，山东省行业规模发展十分不合理。

（二）Malmuist指数动态分析

前文对研究期山东各地市的科技创新效率进行了测度，但无法反映各地市科技创新效率的动态变化情况。由此，使用DEA-Malmquist模型对科技创新效率做进一步分解。运用Deap2.1软件，分别测算研究期山东省各地级市的EC、TC、PE、SE和TFP。

技术进步是山东省科技创新效率提升的主要来源，在山东省科技创新发展中承担重要支撑作用。相较2012年，2018年科技创新TFP指数提高4.1%，其中技术进步提高8.9%；而技术效率下降4.4%，纯技术效率下降2.3%，规模效率下降2.2%。这说明山东省近七年来科技创新提高主要靠技术进步拉动。2012—2018年TFP均值大于1的城市有12个，为青岛、枣庄、东营、烟台、潍坊、泰安、威海、莱芜、临沂、聊城、滨州、菏泽，其科技创新TFP指数分别上升15.4%、8.2%、4.2%、6.9%、11.9%、2.3%、2.9%、1.8%、4.9%、21.2%、2%、11%。这12个城市可以分为两类，一类为技术进步推动（枣庄、东营、泰安、威海），一类为技术进步、规模效率、纯技术效率综合推动（青岛、烟台、潍坊、莱芜、临沂、聊城、滨州、菏泽），两类城市科技创新效率增长均得益于技术进步。

产业规模不合理和企业管理水平不高是山东省科技创新发展面临的主要问题。经测算，2012—2018年山东省技术效率变动指数均值为0.956，技术效率对山东省科技创新的发展起到阻碍作用，期间纯技术效率变动指数和规模效率变动指数均值皆小于1，两者均起负向作用。研究期山东省科技创新TFP指数均值小于1的城市有济南、淄博、济宁、日照、德州，它们的科技创新TFP指数分别下降2.8%、5.8%、1.3%、3.7%、4.8%，这5个城市技术进步变动指数均大于1，技术进步起到一定推动作用，而技术效率变动指数均小于1，是科技创新效率下降的主要原因。各城市应该合理利用创新资源，加大科技、人才资源投入力度，不断创新管理经营方式，同时也要加强各城市之间的协同合作，发展规模效应，注意城市之间创新资源的合理配置。

三、山东省科技创新效率的空间格局演变

参考前文，山东省科技创新效率的发展具有阶段性，可以看出在2012年、2015年和2018年山东省科技创新效率发展趋势有明显改变，所以本文以3年为间隔，以2012年、2015年、2018年三个典型年份为时间节点，分析山东省17地市科技创新效率的空间格局演变（见图2），科技创新效率划分为低、中等、较高、高四个等级。

1.高科技创新效率集中在少数地区，各城市之间差异巨大。整体上，3个年份科技創新效率均呈现明显的空间分异特征，科技创新效率高的城市主要有青岛、济南、菏泽，而创新效率低的城市主要有滨州、泰安、烟台、淄博。结合上文分析，2018年淄博的科技创新效率最低，为0.285，同年，有3个城市科技创新效率值达到最高值1，分别是青岛、聊城、菏泽，可见各城市之间差异较大。

2.高科技创新效率城市逐渐由省域内部向外围扩散。2012年，科技创新效率高的城市集中在省域内部，如济南、泰安等，而省域外围城市，如烟台、威海、聊城等科技创新效率整体偏低；到2015年，位于山东省中部的泰安科技创新效率大幅降低，而外围的青岛、枣庄、菏泽、聊城等科技创新效率都出现了明显增长；2018年，位于山东省域中部的济南、莱芜、淄博的科技创新效率明显下降，同年出现科技创新效率最高值的青岛、菏泽、聊城则都位于省域外围。

3.城市协同性差，中心城市带动作用不明显，科技创新效率空间聚集性弱。山东省中心城市济南、青岛并没有对区域科技创新起到明显的辐射带动作用，济南和青岛的周边城市科技创新效率一直不高，济南、青岛两个城市还没有成长为带动山东省科技创新的增长极。

4.市域科技创新效率空间分异过渡性愈加明显。图2显示，2012年相邻市域间的科技创新效率差异较大，例如，济南、滨州、东营之间差距较大，由济南到滨州出现了科技创新效率的突减，从滨州到东营出现了突增，城市之间科技创新效率的过渡性差。2015年市域间科技创新效率过渡性愈加明显；2018年也表现出类似的特征，科技创新效率为1的菏泽、聊城、青岛与科技创新效率最低的淄博，中间有明显的城市过渡现象。

四、影响因素分析

（一）影响因素指标选取及其说明

借鉴已有成果[17-19]，本文从经济发展水平、创业水平、政府财政支持、对外开放程度和劳动者素质等5个方面考查可能影响科技创新效率的因素，分别选用人均GDP（X1）、高新技术产业占规模以上工业比重（X2）、各市一般科学技术支出（X3）、各市进口总值（X4）、科学研究和技术服务业就业人数（X5）表征。

（二）结果分析

经检验，选择Tobit随机效应面板模型。结果如表2显示，X2、X4、X5对科技创新效率具有正向相关影响，而X1、X3对科技创新效率具有负向相关影响。其中，X1、X3、X5对科技创新效率的影响显著性水平较高。人均GDP对于地区的科技创新效率有显著的负向影响。由此可以看出，地区经济发展水平高，居民收入高，但科学技术投入资金不足，说明社会和政府对科技创新不够重视。一般科学技术支出对地区科技创新效率呈显著的负相关影响。说明政府对科技创新效率的财政支持不够，对科学技术的资金投入满足不了发展速度的需要。另外，投入的资金与其他科技创新资源配置不合理，创新经费可能存在利用效率不高的问题。劳动者素质与科技创新效率间存在明显正相关关系。丰富的高素质人才是科技创新效率提高的基础，山东省科技创新的劳动力资源比较充足且劳动者素质较高，对科技创新发展有显著促进作用。创业水平对科技创新效率具有正向影响。科技创新效率的成果转化较好，产出效率较高，产业结构具有科技型、创新型发展趋势。应进一步提高企业创新积极性，引导高新技术产业集聚发展，形成规模效应。对外开放对科技创新效率有积极影响。地区对外开放程度越高，吸纳资金、人才等各种创新资源越多，对科技创新效率提高的推动力越大。但总体来看，山东省对外开放对科技创新效率影响显著性水平不高，山东省引进的高新技术与科技创新的适配度和融合水平有待进一步提升。

五、结论与建议

本文综合使用多种定量方法，对山东省科技创新效率时空格局及影响因素进行分析，总结了山东省科技创新效率的时空演变格局特征，获得影响科技创新效率的主要因素，得出以下主要结论：一是整体上，山东省科技创新效率不高，山东省科技创新的纯技术效率值偏低是山东省整体科技创新效率不高的主要原因。二是山东各地级市创新效率差距较大。高科技创新效率集中在少数地区，济南和青岛两个城市的带动能力不够强。三是技术进步在山东省各地级市提升科技创新水平过程中发挥了重要作用。四是山东省科技创新效率时间上呈现先上升后下降的趋势，空间上表现出由省域内部向外部扩散的趋势。五是劳动者素质是影响山东省科技创新效率的重要因素，创业水平和對外开放程度对其产生一定影响，而经济发展水平和政府财政支持却对其产生负向影响。加大对科技创新的资金投入、引导合理配置创新资源、产生高新技术产业规模效应，以及积极引进高素质人才是山东省提高科技创新效率的必要措施。

通过以上分析，影响山东省科技创新效率提升的主要原因是资源配置不合理，政府应进一步增加科技创新资金投入，提高人才与科研投入的适配水平。另外，山东省地区科技协同性较弱，科技创新效率高的中心城市辐射带动作用不明显。山东省应加大科技创新资金投入，积极引入创新型人才，引导高新技术产业集聚发展，加大地区科技协调发展力度，建立分工合理、优势互补的区域产业结构，提升科技创新效率，推进实施新旧动能转换重大工程。

参考文献：

[1]   刘汉初，樊杰，周侃.中国科技创新发展格局与类型划分——基于投入规模和创新效率的分析[J].地理研究，2018，37（5）：910-924.

[2]   姬志恒，李斐斐.山东省经济增长新动能的空间格局及其驱动机制[J].资源开发与市场，2020，36（8）：873-879.

[3]   柳瑞禹，何志明，范如国.中部六省科技创新效率与影响因素研究[J].资源开发与市场，2016，32（3）：277-283.

[4]   Zhang Dapeng，Tu Jinghua，Zhou Lingxu，et al.Higher tourism specialization，better hotel industry efficiency？[J].International Journal of Hospitality Management，2020，（87）：1-9.

[5]   魏权龄.数据包络分析[M].北京：科学出版社，2004.

[6]   Fare R.，Grosskopf S.，Norris M.Productivity Growth，Technical Progress ，and Efficiency Change in Industrialized Countries[J].American Economic Review，1994，84（1）：66-83.

[7]   高天惠，王昱斐.城市科技创新效率DEA评价[J].长春工业大学学报：自然科学版，2019，40（3）：289-293.

[8]   徐小钦，黄馨，梁彭勇.基于DEA与Malmquist指数法的区域科技创新效率评价——以重庆市为例[J].数理统计与管理，2009，28（6）：974-985.

[9]   张洁.我国各省市科技创新效率的DEA测评[J].价值工程，2019，38（30）：293-296.

[10]   唐娟莉，倪永良，郑丽娟.基于创新驱动视角的中国省际技术创新效率测度及影响因素分析[J].科学与管理，2019，39（4）：1-8.

[11]   陈升，扶雪琴.“一带一路”沿线科技创新效率区域差异及影响因素分析——基于三阶段DEA和Tobit模型[J].重庆大学学报：社会科学版， 2022， 28（1）： 154-169.

[12]   潘雄峰，张静，孔新男.R&D经费支出结构对企业绩效的影响效应研究：基于中国上市公司的面板数据分析[J].管理工程学报，2019，33（3）：47-51.

[13]   彭晓静.京津冀城市群创新效率及影响因素研究[J].技术经济与管理研究，2021，（2）：118-122.

[14]   侯静璇，雷怀英.京津冀科技创新效率评价实证研究[J].天津经济，2020，（8）：25-31.

[15]   王元亮.河南城市科技创新效率评价及影响因素研究[J].区域经济评论，2020，（2）：75-83.

[16]   危怀安，平霰.区域协同视角下城市群科技创新与经济产出效率时空分异研究——以武汉城市圈为例[J].科技进步与对策，2019，36（11）：40-45.

[17]   张荣天.基于DEA-Tobit模型的城市科技创新效率评价及影响因素分析——以江苏省扬州市为例[J].池州学院学报，2018，32（6）：55-58.

[18]   严红.中国西部地区科技创新效率测算及其影响因素分析[J].中共四川省委党校学报，2013，（3）：74-78.

[19]   高龙琪，程林，包耀东，等.基于DEA&Tobit模型的南通科技创新效率分析[J].市场周刊，2017，（6）：58-60.

Analysis of Space-time Pattern and Influencing Factors of Scientific and Technological Innovation Efficiency

— Taking Shandong Province as an Example

Sha Yanjun， Wang Hui， Zhang Xuebo

（College of Geography and Tourism， Qufu Normal University， Rizhao 276826， China）

Abstract： Based on the input-output data of science and technology innovation in Shandong Province from 2012 to 2018， using DEA-BBC model and Malmquist index， this paper analyzes the temporal and spatial evolution and main sources of scientific and technological innovation efficiency in Shandong Province and cities， and uses Tobit regression model to analyze the main influencing factors of scientific and technological innovation efficiency in Shandong Province. Results suggest that， from 2012 to 2018， S&T innovation efficiency in Shandong Province increased first and then decreased continuously; S&T innovation efficiency in Shandong Province is relatively low on the whole， with obvious regional differences， and the cities with high efficiency of scientific and technological innovation diffused from the central region of Shandong Province to the peripheral regions; technological progress is the primary source of S&T innovation efficiency of the whole province and its cities; the quality of workers， the level of economic development and government financial support are important factors affecting S&T innovation efficiency in Shandong Province.

Key words： efficiency of scientific and technological innovation;DEA model;spatiotemporal differentiation;influencing factor;Shandong Province

[責任编辑   卫   星]