浅谈我国区域科技创新效率评价以省际数据为样本
论文关键词：区域创新效率 综合技术效率 纯技术效率 规模效率 DEA模型 论文摘要：以DEA模型为理论工具对我国31个省(直辖市)的区域科技创新效率进行总体评价，并利用Tobit模型对区域创新无效率的影响因素予以识别，最后对研究结论的相关政策含义予以阐释。
在全球化的竞争新时代，区域正以多种复杂的方式进行着全球的资源、市场、生存空间和发展机会的争夺和较量，经济发展呈现出明显的区域化特征，区域层面的竞争力在国家经济发展中的地位日益凸现。
随着区域竞争的不断升级，目前区域竞争模式已经从资源、资本要素导向型转变为科技创新导向型。
无论是区域内产业所形成的核心竞争力还是企业的核心竞争力，都是长期创新累积的结果。
区域创新能力已经成为影响一个地区核心竞争力乃至国际竞争力的关键因素，已经成为区域经济发展的内生动力和重要驱动力。
区域创新效率是区域科技创新活动中投入与产出之间的对比关系，反映了区域创新系统对资源的配置能力与使用效率，是形成区域创新能力的关键要素。
对于效率研究而言，Coelli(1996)指出两种方法最具代表性，一种是数据包络分析法(DataEnvelopmentAnalysis；DEA)，另外一种就是随机边界法(StochasticFrontierAnalysis；SFA)。
与SFA相比，DEA方法无需指定生产函数形态，更加适用于评价具有多投入、多产出的决策单位的生产效率。
区域创新活动错综复杂，具有典型的多投入一多产出生产关系特性，因此本文将选择DEA方法对我国区域创新效率予以定量评价。
1 理论模型与数据来源 1．1数据包络分析法(DEA) DEA模型最早由Chames等(1978)提出，称为CCR模型，假设条件为规模报酬不变，CCR模型计算所得的效率称为综合技术效率；后来，Bnaker等(1984)对CCR模型进行延伸，提出规模报酬可变的假定，即BCC模型，该模型计算所得的效率称为纯技术效率，综合技术效率除以纯技术效率即可得到规模效率。
由此可见，DEA模型不仅适用于评价决策主体(DecisionMakingUnit；DMU)之间的相对效率，而且可以将综合技术效率分解为纯技术效率和规模效率，从纯技术效率和规模效率的视角进一步解构综合技术效率。
此外，DEA模型还可以用于效率优化研究，分析每个DMU的闲置投入与产出亏空，进而指出其投入规模、产出规模的调整方向与具体程度。
DEA模型具有投入导向和产出导向两种基本形式：投入导向模型力求在现有产出条件下使投入最小化，而产出导向模型则力求在现有投入条件下使产出最大化。
针对区域创新系统的相关投人具有灵活可调整性的特征，本文拟采用投入导向型DEA模型。
对于DEA的数学原理本文不再赘述，主要评价DEA模型的优点与不足。
概要地讲，DEA方法对投入、产出的价格信息不具备严格要求，投入、产出变量的权重由数学规划根据样本数据产生，不受人为主观因素影响，关键是该方法无需指定生产函数形态，因此适用于评价具有多投入、多产出的决策单位的生产效率。
DEA方法的不足之处主要在于无法分离随机因素和测量误差的影响。
综合考虑DEA方法的特点和区域创新系统的特性，本文认为应用DEA方法研究区域创新效率具有合理性和可行性。
1．2Tobit回归分析模型 Tobit回归模型最早由诺贝尔经济学奖获得者JamesTobin(1958)率先提出，又称截断式回归模型(CensoredRegres．sionMode1)。
该模型的一个重要特征就是被解释变量为截断数据，即被解释变量都大于或者小于某个确定值。
由于区域创新效率值介于0与1之间，区域创新无效率(效率值的倒数减1)则为从0到无穷大之间的左界截断数据，若以普通最zb—乘法进行参数估计将是有偏且不一致的。
鉴于此，本文选择Tobit回归对我国各区域创新无效率的影响因素进行分析，可以证明用最大似然估计法估计出的Tobit模型参数将是一致估计量。
1．3指标选择与数据来源 科学合理地选择投入与产出指标对于有效地使用DEA模型十分重要。
依据生产函数的基本变量，区域创新活动的投入指标应该主要从资本和劳动两个角度去衡量。
鉴于数据可得性，本文拟采用从事科技活动的人员数量代表劳动指标、科技经费代表资本指标，这两个指标的相关数据主要来源于国家统计局专题统计数据。
从区域创新产出的视角来看，本文拟选择专利申请数作为产出的衡量指标，按照专利的不同类型，具体由发明专利申请受理数、实用新型专利申请受理数、外观设计专利申请受理数三个指标作为区域科技创新的产出指标。
这三个指标的相关数据主要来源于《中国统计年鉴(2006)》。
本文将以我国31个省(直辖市)作为决策评价主体，以2005年度相关数据作为样本数据。
2 实证研究 2．1我国区域创新效率的基本评价——综合技术效率、纯技术效率、规模效率 从各区域科技创新系统的平均效率来看，我国区域科技创新效率总体水平不高(如表1所示)，综合技术效率平均值仅为0．66；与此同时，纯技术效率平均值为0．71，规模效率平均值为0．93，这表明我国区域科技创新系统中同时存在着一定程度的纯技术无效率和规模无效率。
进一步研究发现，规模效率值远高于纯技术效率值，这在一定程度上说明我国区域科技创新的综合技术无效率主要来源于纯技术无效率，虽然规模无效率也存在，但它并不是影响综合技术无效率的主要因素。
综合技术效率是对决策单位的资源配置能力、资源使用效率等多方面能力的综合衡量与评价。
从综合技术效率值来看，天津、上海、广东、贵州、新疆五省市的综合技术效率值为1，是CCR模型的有效决策单位，位于CCR模型的有效生产边界上，这表明对于这些省市而言既不存在纯技术无效率，也不存在规模无效率。
除上述五省市之外的其他地区均不同程度地存在综合技术无效率，尤其是山西、安徽、内蒙古、四川、西藏、陕西、青海、宁夏等省份的综合技术效率值均小于0．5，明显偏低。
纯技术效率用于衡量决策主体以既定投入资源提供相应产出的能力，与决策主体的管理水平直接相关。
从纯技术效率来看，除天津、上海、广东、贵州、新疆五省市之外，西藏地区的纯技术效率也为1，表明其位于BCC模型的有效边界上。
这表明西藏地区综合技术无效率的根源主要在于规模无效率，也就是说该区域创新无效率主要是由于创新资源投入规模不当所引起的，该区域科技创新效率的改善主要依赖于规模效率的提升。
规模效率用于衡量决策主体现有生产规模结构与最优生产规模结构之间的差距。
由表1可知，除天津、上海、广东、贵州、新疆五省市之外，山东、山西、江西、陕西等省份科技创新的规模效率也为1。
这表明山东、山西、江西、陕西等省份的区域创新系统并不存在规模无效率，这些省份创新无效率的主要根源在于纯技术无效率，其效率的改进主要依赖于纯技术效率的提高。
综上所述，除了上述提及的天津、上海、广东、贵州、新疆、西藏、山东、山西、江西、陕西等省市之外，其他省市的区域创新系统同时存在综合技术无效率、纯技术无效率和规模无效率。
这些区域科技创新无效率主要源于纯技术无效率和规模无效率的双重作用，其效率应该是纯技术效率和规模效率双管齐下。
2．2我国科技创新效率的区域差异分析 为研究我国科技创新效率的区域发展差异，本文分别考察了东部、中部、西部地区的区域科技创新效率状况，具体数据如图1所示。
2005年东部地区科技创新的综合技术效率平均值0．80，远高于中部(0．62)和西部(0．56)，这说明东部是我国创新效率最高的区域，中西部地区次之。
从纯技术效率来看，东部地区为0．84，仍然明显高于中部(0．64)和西部(0．65)。
进一步研究发现，无论是对于东部还是中部和西部地区，区域创新活动的规模效率均明显高于纯技术效率，这表明纯技术无效率是三大区域科技创新无效率的共同根源所在。
2．3我国区域科技创新效率的改进 效率优化是效率评价的主要目的之一，因此，本文将对我国区域创新系统进行效率改进的定量研究，分析各区域创新活动的产出增长潜力与投入松弛量，指出其投入规模、产出规模的调整方向，从而为相关政府管理部门决策提供可以借鉴的数据支持。
(1)投入效率目标值状况 根据投入导向型BCC模型所设定的效率边界标准，我国大部分区域的科技创新活动在现有产出不缩减的前提下，投入应该大幅度降低。