基于DEA模型的徐州市科技创新效率研究

打开文本图片集

摘 要：建立效率评估指标体系，运用数据包络分析（Data Envelopment Analysis，DEA）运筹学方法，将科技创新活动分为两个阶段：知识创造和成果转化，研究徐州市科技研发效率和成果转化效率，判断徐州市科技创新效率是否达到“帕累托”最优，是否存在科技投入冗余及科技产出不足，并对淮海经济区20市和江苏省13市的科技创新能力进行横向比较分析，以期对徐州市区域性产业科技创新中心建设情况进行监测评估。

关键词：科技创新;效率评估;指标体系;帕累托最优;数据包络分析

中图分类号：F124.3    文献标识码：A    文章编号：1671-0037（2019）5-22-9

DOI：10.19345/j.cxkj.1671-0037.2019.05.004

1 研究背景

《中国中心城市指数研究报告》认为，全球化背景下的国际竞争本质上就是中心城市的竞争，提升吸引和集聚人、财、物的虹吸效应和承载能力是中心城市竞争的关键。如何正确评价、培育和强化城市的中心功能，应该成为决胜大城市化、超大城市化这一世界潮流的重要国家战略。

徐州市区域性产业科技创新中心自建设以来取得了一定的成就，但在某些创新方面还存在短板和缺陷。2017年，在淮海经济区20个城市中，徐州市GDP总量第一，但R&D经费投入强度却落后于莱芜、泰安、蚌埠、临沂和盐城。

目前，徐州市区域性产业科技创新中心建设进展情况如何？对徐州市社会生产力和综合实力的战略支撑作用如何？在整个淮海经济区和省内的科技创新能力地位如何？这就亟须建立一套系统科学合理的监测评估体系和方法，对徐州市区域性产业科技创新中心建设情况进行纵向衡量，并在淮海经济区城市、江苏省兄弟城市间横向比较，以便指导徐州市科学认识自身创新能力，从而采取更加合理的创新发展战略，协调高校、科研院所、企业、科技服务中介等多方主体，统筹科技人力资源、科技物力资源、科技信息资源、科技组织资源等，使得经济效益和社会效益达到“帕累托最优”。

2 DEA模型介绍

数据包络分析（Data Envelopment Analysis， DEA）[1]是由著名运筹学家Charnes，Cooper和Rhodes于1978年提出的，它以相对效率概念为基础，以凸分析和线性规划为工具，计算比较具有相同类型的决策单元（Decision Making Unit，DMU）之间的相对效率，依此对评价对象做出评价。其本质是判断DMU是否处于生产可能集的“前沿面”上，可以看成是一种非参数的统计估计方法。相对于层次分析法、聚类分析法、因子分析法等，数据包络分析法（DEA）具有多输入、多输出的特点，无须任何权重假设、对数据进行无量纲化处理，排除了很多主观因素，且可以获得很多在经济学中具有深刻经济含义和背景的管理信息，现已被应用于各个领域的绩效评价中。张赛飞等[2]、梁瑞敏等[3]、高淑兰[4]、张永安等[5]、刘俭等[6]、张莉莉等[7]、熊曦等[8]、黄光球等[9]都运用数据包络分析（DEA）、二阶段网络DEA或超效率DEA等对基于时间序列的区域科技创新绩效进行测算及比较研究。

DEA方法的基本原理是：设有n个决策单元（j=1，2，…，n），每个决策单元有相同的m项投入（i=1，2，…，m）、s项产出（r=1，2，…，s）。xij为第j决策单元的第i项投入，yrj为第j决策单元的第r项产出，vi为第i种类型投入的度量（权系数），ur为第r种类型产出的度量（权系数）。若衡量第j0个决策单元效率指数，则以所有决策单元的效率指数为约束，构造如下CCR（C2R）模型。

[max hjo=uTyivTxj=r=1suryrjoi=1mvixij0s.t.r=1suryrji=1mvixij≤1，j=1，2，...nu≥0，v≥0]                          （1）

其对偶输入模型为：

[min θs.t.j=1nλjxj≤θx0j=1nλjyj≥y0λj≥o，j=1，2，...nθ无约束]                                        （2）

为讨论和计算应用方便，进一步引入松弛变量s+和剩余s-变量s-，将式（2）变为等式约束：

[min θs.t.j=1nλjxj+s+=θxoj=1nλjyj-s-≥y0λj≥o，j=1，2，...nθ无约束，s+≥0，s-≤0]                              （3）

我们可用CCR模型判定决策单元是否同时技术有效和规模有效：θ*=1且s*+=0，s*-=0，则决策单元j0为DEA有效（即相应于生产可能集而言，已达到投入最小、产出最大的Pareto最优），且同时为技术有效和规模有效;θ*=1，但至少某個投入或产出大于0，则决策单元j0为DEA弱有效，其经济活动不是同时为技术效率最佳和规模最佳;θ*<1，决策单元j0不是DEA有效，其经济活动既不是技术效率最佳，也不是规模最佳。

CCR模型是假设生产过程属于固定规模收益，即当投入量以等比例增加时，产出量应以等比例增加，然而实际的生产过程亦可能属于规模报酬递增或规模报酬递减的状态。Banker，Charnes和Cooper基于此提出了可变规模报酬模型（BC2模型），含松弛变量的对偶输入模型为：

[min θs.t.j=1nλjxj+s+=θxoj=1nλjyj-s-=yoj=1nλj=1λj≥0，j=1，2，...ns+≥0，s-≥0]                                    （4）

可变规模报酬模型将CCR模型中的技术效率分解为纯技术效率（vrste）和规模效率（scale），技术效率=纯技术效率×规模效率，前者反映在给定投入情况下决策单元获取最大产出的能力，或者反映决策单元是否在最适规模下生产经营。

由上所述，DEA是对决策单元的投入规模和技术有效性做出评价，也就是说，对各同类型的部门投入一定数量的资金、劳动力等资源后，其产出的经济效益和社会效益做一个相对有效性的评价。因此，本文采用DEA法对2015年以来徐州市区域科技创新及资源利用效率进行评价。具体做法是：将徐州市分别放到江苏省层面和淮海经济区层面，做横向比较和纵向衡量。

3 指标体系构建

选取的投入和产出指标应能综合反映该地区科技创新的基础和潜力，以定量指标为主，具有动态性和可比性，兼顾权威性和可得性。

有别于以往大多数研究视角，本文将科技活动划分为连续的两个阶段：从投入到中间产出的研发活动（第一阶段）、从中间产出到最终产出的成果转化活动（第二阶段）。投入指标包括科技人力资源投入、科技财力资源投入、科技物力资源投入、科技信息资源投入等;中间产出指標主要反映研发活动成果，包括专利、论文等;最终产出指标反映了将科研成果市场化、产业化从而产生的经济效益、社会效益，用技术合同成交总额、高新技术产业产值等指标衡量。

有研究认为，科技活动从投入到产出有一定的时滞性[10-11]。本文同样按滞后一期（即一年）处理，即2018年的最终科技产出是受2016年的科技投入、2017年的中间产出影响的。

在参考大量文献的基础上，结合地区特点和数据可得性，本文对淮海经济区20市和江苏省13市建立不同的投入产出指标体系。具体来说，选取每万从业人员中R&D人员数、研发经费占GDP比重、政府科技拨款占财政支出的比重、每千人国际互联网用户数作为投入指标;选取企业专利申请、万人发明专利拥有量、高新技术产业投资额、高新技术企业数作为中间产出指标;选取高新技术产业产值及占规上工业产值比重、新产品产值、技术合同成交额作为最终产出指标，对江苏省13市2018年、2017年、2016年科技资源利用效率进行评价。选取R&D人员折合全时当量、R&D支出占GDP比重、人均GDP作为投入指标;选取高新技术企业数、专利申请数、专利授权数、万人发明专利拥有量作为中间产出指标;选取规上工业利润总额、高新技术产业产值作为最终产出指标，对淮海经济区20市2017年科技资源利用效率进行评价。

数据来源于各省市统计年鉴、科技统计年鉴、国民经济和社会发展统计公报、政府工作报告、电话及会议问询等。

4 实证结果分析与主要观点

表1是2018年江苏省各市研发效率评价结果，可以看出，南京市、常州市、苏州市、南通市、盐城市和泰州市是DEA有效的，不仅技术有效而且规模有效，并处于规模报酬不变状态，科技资源利用率很高，科技投入和中间产出都达到了最有效值，实现了经济学上的“帕累托最优”。徐州市效率值只有0.915，低于全省平均水平（0.927），排名第10，仅高于扬州市、连云港市和宿迁市。这种非DEA有效主要是由于规模效率低下引起的，应扩大科技投入规模，增加科技人力资源、财力资源等投入。从松弛变量也可以看出，在中间产出不变的情况下，4个投入指标要同比例下降0.085，同时政府科技拨款占财政支出的比重减少0.416个单位，每千人国际互联网用户数减少21.765个单位，就可以达到最优状态。

由表2可知，徐州市2016年和2017年研发效率全部是DEA有效的，技术进步和适度规模都促使徐州市达到“帕累托最优”状态。从图1和图2可以更直观地看出，江苏省在2017年技术效率达到峰值，2018年稍有下降，纯技术效率和规模效率形成两个极端。李克强总理在2014年9月的夏季达沃斯论坛上号召“大众创业、万众创新”，2015年将此写进政府工作报告，让创新创业成为时代潮流，汇聚起经济社会发展的强大新动能。各地掀起创新热潮，加大科技投入，科技创新成果在2016年、2017年获得突出显现。但一味地持续增加投入规模并没有带来科技资源效率的同比例提高，江苏省和徐州市在2018年的规模效率都小于1，且低于纯技术效率，未来应在统筹科技资源、协调配置上下功夫。

表3是2018年江苏省各市成果转化效率评价。徐州市和南京市、苏州市、南通市、连云港市、淮安市、宿迁市一样，是DEA有效的，纯技术和规模都达到了产出最大化。从表4可以发现，徐州市2016年和2017年成果转化效率全部是DEA有效的，技术进步和适度规模都促使徐州市达到“帕累托最优”状态。但结合前文分析，徐州市研发活动并非全部DEA有效，存在中间产出不足或投入冗余，在增加中间产出的前提下，最终科技成果产出也会同比例增加，即若想提高徐州市科技资源成果转化效率，那么就要增加中间产出或者调整科技资源投入结构，适当减少某些投入比例，以优化资源配置实现科技创新产出最大化，强化科技对经济的支撑作用。进一步地，从图3可知，江苏省科技资源成果转化效率先上升后下降，归根结底在于规模效率下降幅度大于纯技术效率上升幅度。

用相同方法、不同指标体系对淮海经济区20市的资源配置效率进行分析，得出的结论和江苏省13市有很大不同（见表5、6）。淮海经济区20市研发效率和成果转化效率都很低，分别为0.72、0.478，徐州市的研发活动整体效率水平远高于淮海经济区效率均值。但在科技资源成果转化阶段，徐州市技术效率很低，且低于淮海经济区平均效率水平。成果产出只停留在理论研究阶段，未能有效投入市场实现经济和社会效率，成果转化水平太弱。由图4可以直观地看出，徐州市科技资源成果转化效率远低于研发效率，未来应提高科技成果转化水平，将科研活动推向市场，实现经济效益和社会效益。

5 结论与建议

5.1 结论

采用数据包络分析（DEA）法，将科技活动分为研发活动和成果转化活动，从而将科技资源配置效率分为研发效率和成果转化效率，分别对江苏省各市、淮海经济区20市进行效率评价。结果表明，整体而言，徐州市科技资源配置效率没有达到全部DEA有效，存在资源投入冗余或产出不足，且科技成果转化水平较低。

因DEA效率是相对性评价，将徐州市放进江苏省和淮海经济区两大区域进行分析，结果不同并不能说明分析有矛盾，反而揭示了两大区域所含城市的整体水平和科技活动倾向。

当然，选择的指标体系、时间区间和评价方法不同，得出的结论可能也有差异。在未来的研究中，将进一步整合优化指标体系，采用更加成熟的两阶段网络DEA方法，扩展时间范围，更加精准、全面地分析上述城市的科技资源效率水平，以便更明确徐州市在各个区域的实力、不足和定位。

5.2 对策建议

为促进徐州市区域性产业科技创新中心建设，提高徐州市科技创新效率，结合实证分析结论，应着重从以下两方面入手。

一是提高科技资源规模效率，形成科技人力资源和科技财力资源长效投入机制。大力改善营商环境，不拘一格招才引智，集聚大批高层次人才并激发其创新热情;对本地高校、科研院所及科技企业中青年高技能人才实施倾斜政策，鼓励其留在徐州市创新创业;完善科技人力资源体制机制改革制度，促进各类创新人才在区域内合理流动。增加科技财力资源投入，为科技创新持续提供新鲜“血液”，通过税费减免、项目扶持等政策促进科技企业增加科技投入，同时加大财政科技投入力度。

二是提高科技成果转化效率，形成科技活动各方协同创新机制。一个完整的技术创新链由研究—开发—中试—产业等组成，任何创意与想法最后都要通过产品或服务的方式推向市场，实现经济与社会双重效益。其中，产业化阶段是最后阶段，也是非常重要的阶段。在科技活动各主体中，高校和科研院所擅长原始创新与基础创新，而以应用创新为主的科技企业是市场竞争与创新的主体，对市场有着高度的敏锐度。政府部门要综合运用各种手段，创造更加有利的环境，探索并建立高校、科研院所、科技企业、科技中介机构等各方之间的沟通衔接机制，促进科技产业化并在徐州市区域内实施转化。对科技成果就地转化的科研团队及个人，提高其转化收益比例并允许自由支配，同时在职称评定等方面给予政策倾斜。

参考文献：

[1] 魏权龄.数据包络分析[M].北京：科学出版社，2004.

[2] 张赛飞，车晓惠.基于DEA的广州市科技创新效率及其影响因素研究[J].科技管理研究，2011（24）：20-23.

[3] 梁瑞敏，彭佑元.基于网络DEA的山西省区域科技创新绩效评价研究[J].科技管理研究，2014（18）：112-116.

[4] 高淑兰.基于DEA的区域科技创新效率评价实证分析：以广西为例[J].科技创新与应用，2017（17）：42-43.

[5] 张永安，郄海拓，颜斌斌.基于两阶段DEA模型的区域创新投入产出评价及科技创新政策绩效提升路径研究：基于科技创新政策情报的分析[J].情报杂志，2018（1）：198-207.

[6] 刘俭，黄婷，李晓瑞，等.宁夏农业科技资源配置效率分析：基于超效率DEA和Malmquist指数[J].江西农业学报，2016（6）：131-134.

[7] 張莉莉，焦文献，张佳田.河南省城市科技创新能力综合评价：基于超效率DEA和灰色关联分析法[J].河南科学，2019（3）：453-461.

[8] 熊曦，关忠诚，杨国梁，等.嵌套并联结构两阶段DEA下科技创新效率测度与分解[J].中国管理科学，2019（3）：206-216.

[9] 黄光球，白龙博.陕西省工业能源效率及其影响因素研究：基于三阶段超效率DEA模型[J].生态经济，2019（4）：58-64.

[10] 冯志军，朱建新.我国区域科技创新二阶段效率评价及策略研究[J].科技进步与对策，2011（6）：103-107.

[11] 赵文平，杨海珍.基于DEA的西部区域创新网络效率评价[J].科研管理，2016（S1）：393-400.

Research on the Efficiency of Scientific and Technological Innovation in Xuzhou based on DEA Mode

Zhao Shaojuan

（Xuzhou Provincial High & New Technology Innovation Center， Xuzhou Jiangsu 221000）

Abstract： By establishing the efficiency evaluation index system， and using Data Envelopment Analysis （DEA） operational research method， this paper divided the scientific and technological innovation activities into two stages： knowledge creation and achievement transformation. The efficiency of scientific and technological research and development and the efficiency of achievements transformation in Xuzhou were studied， to judge whether the efficiency of scientific and technological innovation in Xuzhou reaches the optimal "Pareto"， whether there is redundancy in scientific and technological input and insufficiency in scientific and technological output. Simultaneously， the scientific and technological innovation ability of 20 cities in Huaihai Economic Zone and 13 cities in Jiangsu Province was compared and analyzed horizontally， in order to monitor and evaluate the construction of Xuzhou regional industrial scientific and technological innovation center.

Key words： scientific and technological innovation; efficiency evaluation; index system; optimal pareto; data envelopment analysis