陶林++宋群++羅森++郭海林

摘 要：通過建立的標準評價體系，以2016年貴州省科技統(tǒng)計年鑒為數(shù)據(jù)來源，運用三階段DEA方法對2015—2016年度貴州省9個市州科技產(chǎn)出與投入效率進行評價。研究結(jié)果表明，通過隨機前沿模型回歸剔除環(huán)境因素和隨機因素影響后，各市州的科技投入與產(chǎn)出效率發(fā)生了明顯的變化，科技投入與產(chǎn)出效率均值由0.776上升到0.872。研究還顯示，科研機構(gòu)數(shù)是科技投入產(chǎn)出效率的有利因素，企業(yè)數(shù)是研發(fā)費用內(nèi)部支出和科技活動人員的有利因素，同時會增加企業(yè)技術(shù)改造經(jīng)費投入的松弛變量；GDP的增長沒有起到促進科技投入產(chǎn)出效率的預(yù)期。在此基礎(chǔ)上提出科技投入與產(chǎn)出效率提高的建議以期促進貴州科技進步與發(fā)展。

關(guān)鍵詞：科技投入與產(chǎn)出 相對效率 三階段DEA模型 環(huán)境因素

中圖分類號：F223 文獻標識碼：A 文章編號：1674-098X（2017）09（c）-0246-05

黨的十八大提出實施創(chuàng)新驅(qū)動發(fā)展戰(zhàn)略，強調(diào)了“十三五”國家科技創(chuàng)新規(guī)劃和《國家創(chuàng)新驅(qū)動發(fā)展戰(zhàn)略綱要》，貴州省將科技投入與產(chǎn)出的數(shù)據(jù)作為科技進步監(jiān)測重要指標，同時納入全省小康指標體系。本文立足于我省科技投入產(chǎn)出較低的客觀事實，對貴州省2015—2016年度9個市州科技投入與產(chǎn)出效率進行分析，據(jù)此提出促進貴州省科技創(chuàng)新的建議。

對于科技投入與產(chǎn)出效率的分析，國內(nèi)外早有研究，魏守華[1]運用SAS分析法對30個?。ㄊ?、自治區(qū)）科技資源配置效率進行分析，認為寧夏、甘肅、青海、貴州等第六梯隊省份科技投入低、產(chǎn)出低、效率低；吳和成等[2]采用改進DEA模型測度我國1999—2000年地區(qū)科技投入與產(chǎn)出的相對有效性，指出貴州、四川、云南等7個地區(qū)要增加現(xiàn)有資源的管理，提高產(chǎn)出的效率；陳永清[3]采用灰色系統(tǒng)理論和方法，對1999—2008年我國科技投入產(chǎn)出指標關(guān)系進行分析，指出增加科技投入能有效提高科技產(chǎn)出的水平，但不同科技投入對不同產(chǎn)出的影響不同；李兵[4]等將科技投入建立生產(chǎn)函數(shù)模型，研究科技要素貢獻率；高龍琪[5]等用DEA&Tobit模型對南通市科技創(chuàng)新效率進行研究；陳燕武[6]用超效率模型和Malmquist指數(shù)對福建省科技投入與產(chǎn)出效率實證研究，指出非DEA有效地區(qū)的形成原因及其生產(chǎn)力的動態(tài)變化；顧暉[7]用DEA模型比較分析了中國和美國科技投入與產(chǎn)出的效率，指出中美之間的差距，我國R&D投入存在過度浪費和使用現(xiàn)象。

綜上所述，DEA及其改進的模型研究科技投入與產(chǎn)出已成為主流，本文在綜合考慮各種計量方法優(yōu)缺點的基礎(chǔ)上，采用三階段DEA模型對我省各市州的科技投入產(chǎn)出效率進行分析，相比較周偉[8]等用相同的方法分析我國中部6省科技投入與產(chǎn)出效率，本文在其基礎(chǔ)上將選取的6投入1產(chǎn)出指標變換為3投入3產(chǎn)出3環(huán)境指標，對貴州省9個市州的科技投入產(chǎn)出效率進行了分析并給出了相關(guān)建議。

1 研究方法

根據(jù)Fried的研究[9-10]，充分考慮環(huán)境因素和隨機擾動對科技投入與產(chǎn)出效率評價的影響，分以下三個階段進行研究。

1.1 傳統(tǒng)DEA模型分析初始效率

1978年由著名的運籌學(xué)家A.Charnes，W.W.Cooper及E.Rhodes等[11]提出數(shù)據(jù)包絡(luò)分析（Data Envelopment Analysis，簡稱DEA模型）的方法，用于評價相同部門間的相對有效性（因此被稱為DEA有效）。A.Charnes等的第一個模型被命名為插入CCR模型，用于評價多決策單元輸入與輸出的綜合技術(shù)效率、純技術(shù)效率以及規(guī)模效率。

本文選擇投入導(dǎo)向的BCC（規(guī)模報酬可變）模型。對于任一決策單元，投入導(dǎo)向下對偶形式的BCC模型可表示為：

其中，表示決策單元，分別是投入、產(chǎn)出向量。DEA模型本質(zhì)上是一個線性規(guī)劃問題。

若，則決策單元DEA有效；

若，則決策單元弱DEA有效；

若，則決策單元非DEA有效。

BCC模型計算出來的效率值為綜合技術(shù)效率（TE），可以進一步分解為規(guī)模效率（SE）和純技術(shù)效率（PTE）。

1.2 似SFA回歸剔除環(huán)境因素和統(tǒng)計噪聲

一般認為，初始決策單元的低效率由松弛變量體現(xiàn)，松弛變量由環(huán)境因素、管理無效率和統(tǒng)計噪聲構(gòu)成。所以本階段的主要目標是采取隨機前沿回歸模型將第一階段的松弛變量分解成以上三種效應(yīng)。

根據(jù)Fried等的想法，借鑒羅登躍和陳巍巍等人從生產(chǎn)函數(shù)的角度構(gòu)造了如下類似SFA回歸函數(shù)（以投入導(dǎo)向為例）：

其中，是第個決策單元第項投入的松弛值；是環(huán)境變量，是環(huán)境變量的系數(shù)；是混合誤差項，表示隨機干擾，表示管理無效率。其中是隨機誤差項，表示隨機干擾因素對投入松弛變量的影響；是管理無效率，表示管理因素對投入松弛變量的影響，假設(shè)其服從在零點截斷的正態(tài)分布，即。

SFA回歸的目的是剔除環(huán)境因素和隨機因素對效率測度的影響，以便將所有決策單元調(diào)整于相同的外部環(huán)境中。調(diào)整公式如下：

其中，是調(diào)整后的投入；是調(diào)整前的投入；是對外部環(huán)境因素進行調(diào)整；是將所有決策單元置于相同運氣水平下。

1.3 調(diào)整后的投入產(chǎn)出變量的DEA效率分析

根據(jù)第二階段對X1、X2、X3投入決策單元進行SFA回歸、管理無效率分離后得到調(diào)整后的投入，調(diào)整后的投入和產(chǎn)出運用傳統(tǒng)BBC模型測算貴州省科技投入與產(chǎn)出效率，此時我們得到的效率已經(jīng)剔除環(huán)境因素和隨機因素的管理無效率，更加真實準確的體現(xiàn)2015—2016年度科技投入與產(chǎn)出效率。

2 評價指標選取

本文評價指標選取主要是在其他學(xué)者研究的基礎(chǔ)上結(jié)合自己的認識，從人、財、物三個方面選取指標，見表1。在科技投入方面選取了科技活動人員、全社會R&D經(jīng)費內(nèi)部支出、規(guī)模以上工業(yè)企業(yè)技術(shù)改造經(jīng)費支出三個指標。需要說明的是，用科技活動人員替代全時當(dāng)量R&D人員和增加了科技投入的松弛變量，但同時也彌補了科技統(tǒng)計過程中沒有應(yīng)統(tǒng)的不足。在科技產(chǎn)出方面，選取了科技論文數(shù)量、專利申請量、新產(chǎn)品銷售收入作為輸出指標，沒有選取專利授權(quán)量作為輸出指標是考慮到由于專利審查時間原因，專利申請量更能體現(xiàn)當(dāng)年的科技產(chǎn)出。環(huán)境因素選取方面，選取了規(guī)模以上的工業(yè)企業(yè)數(shù)、科技機構(gòu)數(shù)、GDP（國內(nèi)生產(chǎn)總值）三個環(huán)境指標。同時，我們假設(shè)企業(yè)數(shù)越多、行業(yè)競爭力越大、效率越高；科技機構(gòu)數(shù)越多，科技活動能力越高；GDP的增長與科技投入產(chǎn)出成正相關(guān)。endprint

3 實證分析

3.1 第一階段傳統(tǒng)DEA實證結(jié)果

在第一階段，我們用傳統(tǒng)DEA模型對貴州省9個市（州）的科技投入與產(chǎn)出的技術(shù)效率和規(guī)模效率進行了實證分析（見表2），可以看出，在不考慮環(huán)境因素和隨機擾動的影響情況下，2015—2016年度我省科技投入與產(chǎn)出綜合效率均值為0.776，其中安順市、銅仁市、黔東南州、黔南州4個地區(qū)處于生產(chǎn)效率前沿面，貴陽市、黔西南州2個地區(qū)處于純技術(shù)效率前沿面，但在規(guī)模效率方面存在改進空間；六盤水市、遵義市、畢節(jié)市在各方面效率均存在改進空間。由于該結(jié)果包含了環(huán)境因素和隨機因素的干擾，并不能反映我省各市州科技投入與產(chǎn)出效率的真實水平，因此還需做更進一步的調(diào)整和測算。運用DEA2.1軟件進行數(shù)據(jù)處理，得到傳統(tǒng)CCR模型效率，見表3。

3.2 第二階段SFA回歸結(jié)果

將第一階段得到的各樣投入變量的松弛量作為被解釋變量，將上文所選取的環(huán)境變量（規(guī)模以上的工業(yè)企業(yè)數(shù)、科技機構(gòu)數(shù)、GDP（國內(nèi)生產(chǎn)總值）作為解釋變量建立回歸模型，并利用Fronter4.1軟件對上述模型的估計。

SFA回歸分析結(jié)果如表4所示。由表4可見，投入的γ分別是0.80、1.0、1.0，且單邊LR檢驗在1%水平下具有統(tǒng)計顯著性，可以使用隨機前沿回歸模型對2015—2016年度貴州省9個市（州）的面板數(shù)據(jù)進行估計。根據(jù)表4～5可知：

（1）GDP（地區(qū)生產(chǎn)總值）：GDP增加會增加3種投入的浪費，這是由于貴州省R&D投入強度小，沒有起到規(guī)模聚集效應(yīng)，同時貴州省企業(yè)大部分屬于資源驅(qū)動型企業(yè)，GDP大部分靠資源要素驅(qū)動導(dǎo)致?？梢哉J為，在GDP未到達某個拐點時，不當(dāng)?shù)卦黾?種投入并不能得到相應(yīng)的科技產(chǎn)出，反而導(dǎo)致投入要素松弛變量的增加，從而對貴州省科技投入與產(chǎn)出的效率產(chǎn)生負面影響。

（2）規(guī)模以上工業(yè)企業(yè)數(shù)：該變量對X1投入是不利因素，即行業(yè)企業(yè)數(shù)的增加會加大企業(yè)技術(shù)改造經(jīng)費投入的浪費，這是由于企業(yè)數(shù)越多，在同樣的技術(shù)改造經(jīng)費的投入下平均到每個企業(yè)的技改經(jīng)費減少，形成撒胡椒面式的投入，起不到該有的效果；該變量對投入X2和X3是有利的，即對提高科技投入與產(chǎn)出效率是有利的。

（3）科研機構(gòu)數(shù)：該變量對X1、X2、X3的松弛變量是有利的，科研機構(gòu)越多，專利申請量和科技論文數(shù)越多，從而開發(fā)的新產(chǎn)品越多，企業(yè)新產(chǎn)品的銷售收入越大，科技投入與產(chǎn)出的效率越高。

（4）管理無效率：在X1投入決策因素中，管理效率排序前三的依次是畢節(jié)市、黔東南州和貴陽市；在X2投入決策因素中，管理效率排序前三的依次是畢節(jié)市、黔西南州和黔東南州；在X3投入決策因素中，管理效率排序前三的依次是畢節(jié)市、黔東南州和黔西南州。

（5）隨機擾動：畢節(jié)市、黔南州、貴陽市、黔西南州、黔東南州等5個地區(qū)在投入X1未受隨機擾動影響，其余市州均不同程度受到影響；投入X2和X3各市州均未受隨機擾動影響，由管理無效率和環(huán)境因素構(gòu)成松弛變量的解釋因素。

3.3 第三階段投入調(diào)整實證結(jié)果

在第三階段，根據(jù)表5調(diào)整投入指標數(shù)據(jù)，根據(jù)調(diào)整后的投入數(shù)據(jù)（見表6）與原始產(chǎn)出數(shù)據(jù)，用傳統(tǒng)DEA模型進行分析，分析結(jié)果見（見表7）。

對比分析前后效率可知：剔除外部環(huán)境變量和隨機擾動因素的影響之后，貴州省科技投入與產(chǎn)出的效率發(fā)生了變化。從各市州均值來看，第三階段的綜合技術(shù)效率由0.776上升到0.872，這主要是由于畢節(jié)市、遵義市、六盤水市和貴陽市的綜合技術(shù)效率在剔除環(huán)境因素和隨機擾動后得到大幅度提升，進而提高全省科技投入與產(chǎn)出效率。

通過投入調(diào)整：保持在技術(shù)效率前沿面的市（州）由4個變?yōu)?個，其中貴陽市和遵義市是剔除環(huán)境因素和隨機擾動后變?yōu)榧夹g(shù)效率前沿面的市州，銅仁市則是從技術(shù)效率前沿面產(chǎn)生截距下滑，黔西南州綜合技術(shù)效率下降，調(diào)整之前的數(shù)據(jù)并不能反映銅仁市和黔西南州真實的技術(shù)管理水平；安順市、黔東南州、黔南州一直都處于技術(shù)效率前沿面，其可見投入與產(chǎn)出效率確實較好。

4 結(jié)論與建議

綜合以上分析，可以得到以下結(jié)論：

（1）通過SFA回歸可以看出，環(huán)境因素和隨機誤差對科技投入與產(chǎn)出存在顯著的影響，環(huán)境因素中科研機構(gòu)數(shù)是科技投入與產(chǎn)出效率的有利因素，規(guī)模以上工業(yè)企業(yè)數(shù)是研發(fā)費用內(nèi)部支出和科技活動人員的有利因素，但是它會增加企業(yè)技術(shù)改造經(jīng)費投入的松弛變量；GDP與預(yù)期不一樣，不但沒有促進效率的提高，反而起到負面作用。

（2）在剔除環(huán)境因素和隨機擾動之后，貴州省科技投入產(chǎn)出效率均值由0.776上升到0.872，上升了12.37個百分點，調(diào)整前后的投入產(chǎn)出效率確實發(fā)生了變化，說明利用三階段DEA方法對貴州省科技投入產(chǎn)出效率進行調(diào)整是有必要的。

（3）本文在數(shù)據(jù)取樣時，部分指標未考慮科技投入與產(chǎn)出滯后期，一定程度上影響了結(jié)果分析。

根據(jù)模型的分析結(jié)果，對貴州省乃至全國未來科技投入產(chǎn)出的效率，本文提出以下具體建議。

（1）優(yōu)化投入結(jié)構(gòu)，合理配置資金資源。

在研發(fā)費用內(nèi)部支出、企業(yè)技術(shù)改造內(nèi)部經(jīng)費支出等投入指標方面要理順政府與市場的關(guān)系，建立健全主要由市場決定的研發(fā)方向、資源配置、成果評價與應(yīng)用等各個環(huán)節(jié)的機制，創(chuàng)新政府扶持的方式，通過對科技成果轉(zhuǎn)化的后補助促進科技產(chǎn)出。

（2）優(yōu)化產(chǎn)業(yè)布局，推進科技創(chuàng)新載體建設(shè)。

堅持建設(shè)高新技術(shù)產(chǎn)業(yè)開發(fā)區(qū)、高新技術(shù)產(chǎn)業(yè)基地、高技術(shù)產(chǎn)業(yè)基地、工業(yè)園區(qū)、經(jīng)濟技術(shù)開發(fā)區(qū)、農(nóng)業(yè)科技園區(qū)、科技孵化器、眾創(chuàng)空間、大學(xué)科技園、星創(chuàng)天地、科普基地等科技創(chuàng)新的載體，科學(xué)合理地創(chuàng)新資源，建立以科技創(chuàng)新園為點帶動整個區(qū)域、整個產(chǎn)業(yè)鏈的科技創(chuàng)新，從而促進高科技、高技術(shù)行業(yè)企業(yè)數(shù)量增加。

（3）大力培養(yǎng)高層次的科技人才。endprint

科技產(chǎn)出不足的原因主要在于缺乏高層次、高水平的科研人才，因此要更大力度地實施貴州省“百千萬高層次人才戰(zhàn)略工程”，完善人才培養(yǎng)機制，面向市場，培養(yǎng)真正的為經(jīng)濟社會服務(wù)的高端科技人才；加快建立科技成果轉(zhuǎn)化經(jīng)紀人、技術(shù)經(jīng)紀人等制度，盡快促進科技成果轉(zhuǎn)化法在各市州真正落地，推進科技人才發(fā)展的制度化、規(guī)范化。

參考文獻

[1] 魏守華，吳貴生.區(qū)域科技資源配置效率研究[J].科學(xué)學(xué)研究，2005（4）：467-473.

[2] 吳和成，鄭垂勇.科技投入相對有效性的實證分析[J].科學(xué)管理研究，2003，21（3）：93-96.

[3] 陳永清.我國科技投入與科技產(chǎn)出關(guān)系的實證研究——基于灰色系統(tǒng)理論的視角[J].廣西社會科學(xué)，2011（1）：54-59.

[4] 李兵，王錚，李剛強.我國科技投入對經(jīng)濟增長貢獻的實證研究[J].科學(xué)學(xué)研究，2009，2（2）：196-201.

[5] 高龍琪，程林，包耀東，等.基于DEA&Tobit模型的南通科技創(chuàng)新效率分析[J].市場周刊，2017（6）：58-60.

[6] 陳燕武.福建省科技投入產(chǎn)出效率評價——基于超效率模型和Malmquist指數(shù)的實證研究[J].科技和產(chǎn)業(yè)，2011，11（1）：40-44.

[7] 顧暉.中美科技投入與產(chǎn)出效率的比較研究[D].東華大學(xué)，2016.

[8] 周偉.基于三階段DEA模型的中部六省科技投入產(chǎn)出效率研究[J].中國集體經(jīng)濟，2013（22）：13-14.

[9] HO Fried，SS Schmidt，S Yaisawarng.Incorporating the Operating Environment Into a Nonparametric Measure of Technical Efficiency[J].Journal of Productivity Analysis， 1999，12（3）：249-267.

[10]HO Fried，C.A.K.Lovell，SS Schmidt，S Yaisawarng.Accounting for Environmental Effects and StatisticalNoise in Data Envelopment Analysis[J].Journal of Productivity Analysis，2002，17（1-2）：157-174.

[11]Chames A Cooper.W W，Rhodes E.Measuring the efficiency of decision making unites[M].European journal of Operational Research，1978：429-444.endprint