EN中文

GEOGRAPHICAL RESEARCH >

2017 , Vol. 36 >Issue 9: 1641 - 1652

DOI: https://doi.org/10.11821/dlyj201709004

Articles

Spatial-temporal pattern and influencing factors in transforming efficiency of scientific research achievements of universities on a provincial scale in China based on the network SBM method

  • QIN Xionghe , 1, 2 ,
  • DU Debin , 1, 2 ,
  • LIU Shufeng 1, 2 ,
  • FAN Fei 3
Expand
  • 1. School of Urban and Regional Science, East China Normal University, Shanghai 200062, China
  • 2. Institute for Innovation and Strategic Studies, East China Normal University, Shanghai 200062, China
  • 3. Institute for the Development of Central China, Wuhan University, Wuhan 430072, China

Received date: 2017-01-14

  Request revised date: 2017-06-12

  Online published: 2017-09-15

Copyright

《地理研究》编辑部
Fold

Abstract

Based on the perspective of the steps in transforming achievements of scientific research, we divided the process into three stages: knowledge acquisition, technological innovation, and value transformation. The Network SBM model was employed to measure overall efficiency and the decomposition efficiencies of transformation of scientific research achievements of universities on a provincial scale in China between 2004 and 2014. On this basis, we applied the panel Tobit model to test the factors which affect the transforming efficiency of scientific research achievements. The empirical results showed that the overall efficiency was relatively low but increased year by year. There was a significant difference in the transforming efficiency between universities in the eastern and western regions. The average transforming efficiency of scientific research achievements in the eastern region was the highest, while it was the lowest in the western region. In terms of phased efficiencies, the efficiencies of knowledge acquisition and value transformation in Chinese universities decreased year by year, while the efficiency of technological innovation greatly improved during this period. The eastern coastal provinces and cities showed a higher efficiency of technological innovation and lower efficiency of knowledge acquisition, while the western region was the opposite. Finally, we analyzed the influencing factors of the transforming efficiency of scientific research achievements in universities and found that regional endowment and quality of R&D talent had a significant positive impact, whereas the impact of financial development was not significant. The main reason is that China's financial development at a relatively low level could not support the transformation of scientific research achievements.

Key words： scientific research; transforming efficiency; Network SBM; spatial-temporal pattern; panel Tobit model; China

Cite this article

QIN Xionghe , DU Debin , LIU Shufeng , FAN Fei . Spatial-temporal pattern and influencing factors in transforming efficiency of scientific research achievements of universities on a provincial scale in China based on the network SBM method[J]. GEOGRAPHICAL RESEARCH, 2017 , 36(9) : 1641 -1652 . DOI: 10.11821/dlyj201709004

1 引言

近年来,中国经济的快速增长促使中国对高校科研经费的投入大幅度增长。尽管每年都创造出大量的科研成果,但这些科研成果的转化率却相对较低。从美国斯坦福大学创造的“硅谷奇迹”及英国剑桥大学产生的“剑桥现象”中认识到,高校科研成果的转化对经济增长具有举足轻重的作用[1]。随着中国经济进入新常态,长期高额的高校经费投入模式是不可持续的[2],这意味着高校科研成果对社会经济贡献率的提高更多应该依靠高校科研成果转化率的提高而非盲目扩大高校经费的投入。目前,大多数的西方发达国家已经将提升高校科研成果转化能力作为增强其自主创新能力的主要途径[3]。在这种背景之下,对高校科研活动质量和效率进行评价,有助于客观认识高校的科研水平,实现科研资源的有效配置。
高校科研成果转化问题已成为当前学术界研究的热点。国外学者对高校科研成果转化的研究无论在研究内容还是在研究方法上都累积了一定的成果。在研究内容上侧重于高校科研成果转化的内部管理组织及政策研究。例如,Feng等凭借高校管理能力效率来衡量高校科研创新效率,认为科研管理能力是影响高校科研创新能力的最主要的因素之一[4]。Saul等对美国高校的科技转化部门进行研究,发现高校科技成果转化的周期越短,创新效率越高,并提出相应的政策建议[5]。在研究方法上主要采取非参数数据包络分析（DEA）、随机前沿面分析方法（SFA）以及DEA扩展模型,例如Siegel等、Chapple等分别运用SFA和DEA模型测度西方发达国家的大学科研成果转化效率并找出制约成果转化的因素[6,7]。
国内学者更多是探讨高校科研成果转化机制与制度建设[8-10],认为当前中国高校科研成果权利归属的设计存在缺陷,通过加大对个人和高校的奖励力度可以促进高校科研成果转化效率。也有学者提出了中国高校科研成果转化的新模式,认为应该根据高校科研成果类型和市场需求来选择合适的转化模式,更需要政府和社会力量共同驱动来提高科研成果转化效率[11,12]。综上所述,国内外学者们对高校科研成果转化相关研究进行了有益的探索,为本文研究提供了较好的基础。然而,在研究内容上,鲜有涉及高校科研成果转化效率;在研究方法上,多将高校科研成果转化过程看作一个“黑箱”进行处理,忽略了系统内部结构及内在运行机理。高校科研成果转化的实现是一个从投入到产出的复杂过程[13],其应当包括知识获取、技术创新和价值转化三个阶段,涉及成果产出和价值转化两个方面,不仅应当考虑论文和著作等成果产出,更要重视专利和新技术等产品价值的转化。因此,本文认为高校科研成果转化效率是高校科技投入产出的综合转化率,其内涵为高校在一定的科研创新环境和创新资源配置条件下各阶段单位科研创新投入获得的产出结合而成。
鉴于此,本文将高校科研成果转化过程分解为知识获取、技术创新和价值转化三个发展阶段,采用网络SBM模型测算中国省际高校科研成果的各阶段转化效率,打开高校科研成果转化复杂过程的“黑箱”,在考察各阶段转化效率的基础上更准确的得出整个阶段的综合转化效率,使之更符合现实。根据测算结果进行时空差异分析,并运用面板Tobit模型检验不同因素对高校科研成果转化的影响,对于厘清中国省际高校科研成果转化效率的空间演化及其驱动机制,实现高校创新资源的地理空间引导,有着重要的理论意义和现实价值。

2 研究方法与数据来源

2.1 高校科研成果转化的概念框架

与其他创新主体的科研成果转化过程一样,高校科研成果转化过程是复杂的[14]。本文对高校科研成果转化过程的研究思路来源于《创新价值链》一书,Hansen等将创新过程分为创意的产生、创意的转化和创意的传播三个阶段[15]。可见,一个完整的高校科研成果转化过程是从科研要素投入到成果转化的一个多阶段、多要素的价值链传递过程,即包括前期的知识获取和技术创新阶段,又包含了价值转化的环节。
遵循这一思路,本文将高校科研成果转化过程分为三个阶段：第一阶段是投入基础研究的研究与发展（research and develepment,R&D）经费,进行知识获取,该阶段的产出是以论文和科技著作表现出来;第二阶段是技术创新,高校将第一阶段的研究成果作为投入,进入应用型研究开发,该阶段的产出是以专利的形式表现出来;第三阶段是价值转化,高校将第二阶段的专利作为投入,进入试验发展研究开发,该阶段产出包括高校专利许可收入、高校从企业获得研究经费和高校技术转让实际收入（图1）。
Fig.1 Three-stage chain process of scientific research achievements in the universities

图1 高校科研成果转化三阶段链式过程

这样分阶段的意义在于：区分了高校科研投入的直接产出与间接转化问题,在一定程度上开启了高校科研成果转化过程的“黑箱”;不同于以往相关研究仅从高校科研投入产出的整体去考察其转化效率,或者虽然将高校科研成果转化过程进行划分,但检验效率的思路过于简单,没有考虑过程之间的关联性及不同的过程对整体效率的影响问题[16]。

2.2 网络SBM模型构建

传统DEA模型在测度多投入多产出决策单元的相对效率时存在一些缺陷：通常会将多部门的决策单元作为单一的整体来评价,忽略了价值链内部的活动过程且无法测度在价值链上各部门活动对综合效率的影响;或者将拥有多部门的决策单元分割为几个单独的部门逐个进行效率评价,该方式没有考虑部门之间联系的连续性[17]。本文引入最早由Färe等提出的网络DEA模型,用来处理决策单元内部具有链接关系的子决策单元,解决了传统模型无法处理的中间投入问题,模型包含投入、产出和中间变量三个部分[18,19]。Tone等[20]进一步提出了基于松弛变量测度的非径向非角度的网络SBM模型,方法优点在于效率值随着投入和产出的松弛程度的变化而严格单调递减,采用非射线的估计方式同时评估决策单元及子决策单元的效率,较之传统网络DEA模型有更强的分辨能力[21,22]。采用网络SBM模型求得决策单元综合效率可以由式（1）表示：
min ρ 0 * = ∑ k = 1 K w k 1 - 1 m k ∑ i = 1 m k s io k - x io k ∑ k = 1 K w k 1 + 1 r k ∑ i = 1 r k s ro k + y ro k
s . t . ∑ k = 1 K w k = 1 , w k ≥ 0 ∀ k x 0 k = X k λ k + s 0 k - k = 1 , … , K y 0 k = Y k λ k - s 0 k + k = 1 , … , K e λ k = 1 k = 1 , … , K S 0 k + , S 0 k - , λ k ≥ 0 ( ∀ k ) z 0 ( k , h ) = Z ( k , h ) λ h ( ∀ ( k , h ) ) z 0 ( k , h ) = Z ( k , h ) λ k ( ∀ ( k , h ) ) （1）
式中： ρ 0 * 是决策单元 DM U 0 的整体效率； X i 0 k ∈ R + m k 是决策单元DMU0的部门k的投入向量;mk是部门k的投入种类; Y r 0 k ∈ R + r k 是部门k的产出向量;rk是部门k的产出种类; s i 0 k - 和 s r 0 k + 分别是投入与产出的松弛变量;wk是部门k的权重;λk∈Rn+是一个非负的矢量; e 是常量,表示非阿基米德无穷小; z 0 ( k , h ) 是中间变量,为k部门的产出以及h部门的投入。
决策子单元的效率可以由式（2）表示：
ρ k = ∑ k = 1 K 1 - 1 m k ∑ i = 1 m k s io k - * x i o k ∑ k = 1 K 1 + 1 r k ∑ i = 1 r k s ro k + * y ro k k = 1 , … , K （2）
式中： s i 0 k - * 和 s r 0 k + * 分别为最优投入松弛变量和最优产出松弛变量。如果ρ0*=1,说明决策单元DMU0整体有效,科研成果转化效率水平达到最高;如果ρk=1,则说明决策单元DMU0中的k部门具有效率。

2.3 指标选取和数据来源

本文将高校科研成果转化过程分为三个阶段,在不同阶段投入产出的变量也不尽相同。在知识获取阶段,主要目的是认识现象、掌握规律及获取事实与基本原理等知识以便解读,因此本文确定在知识获取阶段的投入指标为高校的基础研究R&D经费支出和基础研究R&D从业人员,形成的产出以知识类为主,产出指标为发表学术论文数量和出版科技专著数量。在技术创新阶段,运用获取的知识有目的地利用自然界规律开辟各种可能的途径,目的在于为解决实际问题提供路径,确定在技术创新阶段的投入指标为高校的应用研究R&D经费支出、应用研究R&D从业人员、知识创新阶段产出的学术论文和科技著作的累积,形成的产出以专利类技术为主,产出指标为专利申请数和专利授权数。在价值转化阶段,利用和综合已有的知识和技术创造新的应用来服务于人类生产活动和生活,即将前两阶段获取的知识和技术转化为社会价值,产出以收入的形式为主,在价值转化阶段的投入指标为高校的试验发展R&D经费支出、试验发展R&D从业人员和技术创新阶段产出的专利授权数,产出指标为高校专利许可收入、高校从企业获取科研经费[23]和高校技术转让实际收入,由于该阶段产出都是以收入的形式,我们将三个产出收入指标加总作为最终价值转化的产出指标。
本文以2004-2014年为研究时间段,所选指标覆盖中国30个省份,但由于西藏自治区、香港、澳门及台湾的统计数据难以获取,因此本文暂不分析这4个地区。其中,各省份高等学校科研成果转化投入产出的数据来源于《高等学校科技统计资料汇编》[24],高校科研成果转化效率影响因素的数据来源于《中国城市统计年鉴》[25]、《中国科技统计年鉴》[26]、《高等学校科技统计资料汇编》。

3 结果分析

为研究中国省域高校科研成果转化效率的动态变化,找出其变化的源泉,采用网络SBM模型,分别测算出2004-2014年中国30个省份高校科研成果转化的知识获取效率、技术创新效率、价值转化效率及综合效率（表1、图2、图3）。在空间上,进一步将30个省份划分为东部、中部、西部三个区域,目的在于观测不同区域之间高校科研成果转化效率的差异情况。
Tab. 1 Transforming efficiency of scientific research achievements of universities in China on a provincial scale from 2004 to 2014

表1 2004-2014年中国省际高校科研成果转化效率得分

2004年 2005年 2006年 2007年 2008年 2009年 2010年 2011年 2012年 2013年 2014年 均值
北京 0.1226 0.1168 0.1430 0.1654 0.1916 0.1883 0.2162 0.2372 0.2524 0.3260 0.3964 0.2142
天津 0.0721 0.0697 0.0755 0.0797 0.0842 0.0929 0.1245 0.1670 0.2021 0.1737 0.2447 0.1260
河北 0.1235 0.1087 0.1276 0.1380 0.1475 0.1622 0.1969 0.2185 0.2507 0.2818 0.2466 0.1820
山西 0.0714 0.0716 0.0900 0.0733 0.0845 0.0995 0.1135 0.1327 0.1870 0.1813 0.1566 0.1147
内蒙古 0.0381 0.0438 0.0344 0.0375 0.0576 0.0268 0.0326 0.0227 0.0205 0.0236 0.0267 0.0331
辽宁 0.0865 0.0738 0.0850 0.0948 0.1058 0.1289 0.1386 0.1820 0.1450 0.1478 0.2055 0.1267
吉林 0.0633 0.0705 0.0599 0.0642 0.0673 0.0646 0.0567 0.0726 0.1037 0.0946 0.1095 0.0752
黑龙江 0.0666 0.0824 0.0767 0.0713 0.0975 0.1075 0.1371 0.2472 0.2372 0.3238 0.4488 0.1724
上海 0.1112 0.1036 0.1055 0.1424 0.1676 0.1635 0.1360 0.1888 0.1859 0.2060 0.1650 0.1523
江苏 0.1021 0.0942 0.1012 0.1159 0.1553 0.2186 0.2107 0.2590 0.3789 0.4423 0.4414 0.2291
浙江 0.1021 0.0982 0.1160 0.1298 0.1491 0.1791 0.1918 0.2331 0.3086 0.3455 0.4127 0.2060
安徽 0.0739 0.0716 0.1106 0.0939 0.1117 0.0756 0.0870 0.0975 0.1418 0.1708 0.1559 0.1082
福建 0.0442 0.0391 0.0504 0.0512 0.0589 0.0545 0.0556 0.0732 0.1123 0.1258 0.1911 0.0778
江西 0.0543 0.0686 0.0550 0.0698 0.0785 0.0823 0.0912 0.1047 0.1058 0.0850 0.0741 0.0790
山东 0.0898 0.1101 0.1194 0.1039 0.0984 0.0909 0.1165 0.1242 0.1125 0.1331 0.1074 0.1097
河南 0.0647 0.0460 0.0642 0.0742 0.0776 0.0842 0.0836 0.1028 0.0893 0.0756 0.1041 0.0787
湖北 0.0717 0.0789 0.0859 0.0992 0.0947 0.0937 0.1110 0.1224 0.1278 0.1369 0.1737 0.1087
湖南 0.0768 0.0769 0.0848 0.0974 0.1241 0.1508 0.1353 0.1235 0.0987 0.1052 0.1240 0.1089
广东 0.0826 0.1155 0.1186 0.1111 0.1020 0.1020 0.1233 0.1044 0.1237 0.1660 0.1484 0.1180
广西 0.0579 0.0403 0.0273 0.0405 0.0422 0.0388 0.0376 0.0742 0.1076 0.0969 0.4269 0.0900
海南 0.1625 0.2220 0.2894 0.1041 0.4870 0.1401 0.1004 0.1205 0.1260 0.1168 0.0657 0.1759
重庆 0.1077 0.0728 0.0884 0.0846 0.0966 0.1119 0.1221 0.1712 0.1729 0.1375 0.1787 0.1222
四川 0.0572 0.0543 0.0593 0.0740 0.0895 0.0879 0.0941 0.1414 0.1618 0.1673 0.1773 0.1058
贵州 0.0379 0.0475 0.0507 0.0754 0.0635 0.0559 0.1062 0.1653 0.0885 0.1145 0.0757 0.0801
云南 0.0402 0.0546 0.0497 0.0718 0.1006 0.1049 0.2211 0.1605 0.2335 0.2571 0.1438 0.1307
陕西 0.0784 0.0936 0.1055 0.1111 0.1348 0.1590 0.1454 0.2018 0.2007 0.2263 0.2594 0.1560
甘肃 0.3029 0.1361 0.1486 0.1684 0.2049 0.3079 0.1236 0.1323 0.1376 0.2027 0.1442 0.1827
青海 0.0026 0.0039 0.0101 0.0064 0.0074 0.0064 0.0219 0.0262 0.0464 0.0252 0.0641 0.0201
宁夏 0.0145 0.0238 0.0232 0.0425 0.0314 0.0328 0.0402 0.0405 0.0473 0.0718 0.0399 0.0371
新疆 0.0181 0.0138 0.0147 0.0174 0.0250 0.0237 0.0335 0.0336 0.0542 0.0689 0.0353 0.0308
东部 0.0999 0.1047 0.1211 0.1124 0.1588 0.1383 0.1464 0.1734 0.1998 0.2241 0.2386 0.1561
中部 0.0679 0.0708 0.0784 0.0804 0.0920 0.0948 0.1019 0.1254 0.1364 0.1466 0.1683 0.1057
西部 0.0687 0.0531 0.0556 0.0663 0.0776 0.0869 0.0889 0.1063 0.1155 0.1265 0.1429 0.0899
全国 0.0799 0.0768 0.0857 0.0870 0.1112 0.1078 0.1135 0.1360 0.1520 0.1677 0.1848 0.1184

注：东部地区包括北京、天津、河北、辽宁、上海、江苏、浙江、福建、山东、广东、海南;中部地区包括山西、吉林、黑龙江、安徽、江西、河南、湖南、湖北;西部地区包括内蒙古、广西、重庆、四川、贵州、云南、陕西、甘肃、青海、宁夏、新疆。

Fig. 2 Changing trends of average transforming efficiency of scientific research achievements of China's universities in the eastern, central, and western regions, and the whole country from 2004 to 2014

图2 2004-2014年中国东部、中部、西部地区及全国高校科研成果转化平均效率变化趋势

3.1 中国高校科研成果转化效率变化分析

从全国的层面来看,中国高校科研成果转化效率在2004-2014年间的平均值为11.84%,最高的年份也不过18.48%,总体上仍然处于比较低的水平,主要原因在于中国高校的科研大多依靠国拨经费,高校在利用科研经费上不强调于面向市场,导致真正利用在成果转化上的科研经费的占比低下。从时间维度来看,高校科研成果转化效率总体上呈现逐渐上升的趋势,从2004年的7.99%上升到2014年的18.48%,提升了10.49%,说明这些年中国高校科研成果转化效率有了明显改善的趋势。
按照东部、中部、西部地区的划分,只有东部地区高校科研成果转化平均效率值大于全国平均水平,且东部地区高校科研成果转化效率提升的幅度最大,平均上升了13.87%,说明中国高校科研成果转化效率的逐年上升主要归功于东部地区高校科研成果转化水平的提高。其余地区的高校科研成果转化效率均低于国家平均水平,其中西部地区最低,高校科研成果转化平均效率值不到9%,在此期间提升幅度最小,仅为7.4%。究其原因,中西部地区大多数省份的高校在研究期的基期有着典型的低科研投入、低成果产出的特征,该地区的高校仅以较少的科研投入并不需要很高的成果产出就能有不低的科研成果转化效率,然而随着西部大开发和中部崛起战略的实施,尽管中西部地区高校的科研经费和科研人员投入有所增加,但地区孵化器配套的基础设施建设与科学设备和仪器的完善程度却比较滞后,加上中西部地区高校的数量较少、密度低,弱化了该区域的知识溢出效应,高校的科研成果产出和转化速度放缓,造成中西部地区高校科研成果转化效率增长较慢的局面。

3.2 高校科研成果转化分阶段效率变化分析

基于上文测算得到的中国高校科研成果转化三个阶段的效率,即知识获取效率、技术创新效率和价值转化效率（图3）,发现在第一阶段的知识获取效率和第三阶段的价值转化效率在研究期基期均处于较高水平,分别为47.6%和40.8%,随着时间推移,知识获取效率和价值转化效率呈现逐年下降的趋势。原因在于,在知识获取阶段,尽管高校基础研究资金和人力的投入随着我国经济的高速增长而增加,但是基础研究涉及内容复杂、进程缓慢,具有耗资大见效慢等特点,让从事基础研究的科研人员难以持续专注于搞科研[8],导致获取知识的效率递减。在价值转化阶段,中国高校近年来逐渐重视科研成果转化,在试验与发展研究上投入的经费较多,大约占总科研经费的80%以上,投入的要素过多必然会引起产出效益递减;此外,由于近年来中国高校“重数量,轻质量”的科研评价导致的专利质量不高[23],在此阶段授权专利数的投入量迅速增加,能够转化专利成果却有限,故呈现下降趋势。与此相反的是,技术创新效率在此期间大幅度提升,从9.6%上升到50.1%,这归功于近年来中国专利数的高速增长,技术创新效率的大幅度提升在整体上带动了中国高校科研成果转化综合效率的提高,使之呈现逐年上升趋势。
Fig. 3 Changing trends of efficiency of knowledge acquisition, technological innovation, and value transformation of universities from 2004 to 2014

图3 2004-2014年中国高校知识获取效率、技术创新效率、价值转化效率变化趋势

3.3 高校科研成果转化效率空间分异分析

基于中国省际高校科研成果转化分阶段效率及综合效率的平均得分,运用自然间断点分级法[27]将中国高校科研成果转化效率划分为4类：高转化效率地区、中等转化效率地区、较低转化效率地区和低转化效率地区（图4）。总体来看,高转化效率省份,例如北京、江苏、上海、浙江、海南等主要分布于东部沿海地区,较低与低转化效率的省份主要集中在中西部地区。中国各省份高校科研成果转化分阶段效率在不同地区呈现出一定的差异性特征。天津、山东、江苏、上海、浙江、广东等大多数的沿海省份高校的技术创新效率相对较高、知识获取效率相对较低,更多的关注应该致力于知识获取效率较低的省份。较之内地,这些省份经济基础更加雄厚,拥有更多的资金投入到高校的基础研究,尽管高校基础研究的成果缓慢,但是基础研究可以创造新知识,成为推动技术创新的重要因素[28]。
Fig. 4 Spatial distribution patterns of efficiency in transforming achievements, knowledge acquisition, technological innovation, and value transformation of universities in China on a provincial scale

图4 省际高校科研成果转化效率、知识获取效率、技术创新效率和价值转化效率空间分布格局

与此相反的是中西部地区,例如河南、湖南、湖北、江西、贵州、青海、甘肃、内蒙古、宁夏等绝大多数的省份高校知识获取效率相对较高而技术创新效率相对较低,这些技术创新效率较低的省份高校的专利产生量较少,这可能与地区企业对专利的需求数量有关。此外,高校的价值转化效率相对较高的省份例如黑龙江、吉林、辽宁、北京、河北等主要位于东北和华北地区。决策者可以根据不同省份高校科研成果转化三个阶段效率的差异性来制定相应政策以便更有效地提高各个地区高校科研成果的转化效率。从短期来看,由于提高某些省份得分较低的分阶段效率更具有潜力来提高其整体的转化效率,因此一些短期的政策应该致力于这些方面。

3.4 中国高校科研成果转化效率影响因素分析

由于高校科研成果转化效率的环境因素涉及范围较广,根据数据可得性,借鉴已有研究[29,30],本文从以下几个方面来分析其影响因素：
（1）地区禀赋X1。地区禀赋对技术转移有重要的影响。Klenow等的研究发现,技术转移与人均产出是呈现高度正相关的[31],以人均GDP为衡量标准,主要用于验证区域经济发展水平对高校科研成果转化效率的影响。
（2）对外开放程度X2。由于地区高校会用尽一切资源保证自身在国内竞争中的优势地位,但是当贸易壁垒被取消后,地区高校的资源失去地方保护面临来自国外的竞争,促使高校积极通过技术成果转化去进行更富有成效的创新活动,维持其在国际上的竞争力。通常以外商直接投资或者进出口贸易额单一指标无法比较全面地反映对外开放程度,考虑到外商直接投资与进出口贸易额呈现出一定的互补关系,故以进出口贸易额与外商直接投资之和来衡量对外开放程度。
（3）产业结构X3。产业结构与科研成果吸收和转化能力高度相关,越高级的产业结构对高科技的吸收力越强,越容易促进科研成果的转化[32]。以第三产业结构来衡量产业结构的优化程度。
（4）金融发展程度X4。科研成果转化过程与研发阶段较高依赖地区金融的发展,良好的金融发展环境可以提供投融资、风险分散、价格发现等服务,为高校科研成果转化提供有力支撑。以年末金融机构存款余额占GDP比例来衡量金融发展程度。
（5）国际合作X5。高校国际合作有利于后发国家吸收前沿知识,提升科研效率实现追赶。以大学国际交流合作人次来衡量国际合作。
（6）研发人才质量X6。我们以具有高级职称的研发人员占从事研究与发展人员的比例来衡量研发人才质量,研发人才的质量越高,研发效率也会提高,预期影响为正。
（7）科研项目分配状况X7。科研项目数越多,说明分配到个人负责项目的数量会越多。以每百人高校科学家与工程师研究项目数来衡量。
被解释变量来自于上述网络SBM模型测算结果,由于被解释变量得分值介于0到1之间,Likelihood-ratio检验的Chibar2（1）统计值为83.38,对应的P值为0.000,故认为存在个体效应[33],所以本文将采用随机效应的面板Tobit模型对中国高校科研成果转化效率的影响因素进行识别和分析,模型如下:
Y i t = β 0 + β 1 X 1 i t + β 2 X 2 i t + β 3 X 3 i t + β 4 X 4 i t + β 5 X 5 i t + β 6 X 6 i t + β 7 X 7 i t + u i t （3）式中：Y为高校科研成果转化综合效率;i为省份;t为年份;β0为常数项;β1、β2、β3、β4、β5、β6、β7分别为各解释变量的待估参数;u为随机扰动项。利用Stata 12.0软件,对模型中各参数进行估计,结果如表2所示。
Tab.2 The panel Tobit model estimation results of influence factors in transforming efficiency of scientific research achievements of universities in China

表2 高校科研成果转化综合效率影响因素面板Tobit模型估计结果

变量 系数 标准误差 P > |t|
常数项 -0.1020 0.0475 0.032
地区禀赋X1 0.0150*** 0.0038 0.000
对外开放程度X2 0.0003 0.0004 0.550
产业结构X3 0.0478 0.0883 0.588
金融发展程度X4 -0.0047 0.0084 0.577
国际合作X5 0.0214 0.0329 0.515
研发人才质量X6 0.2389** 0.0672 0.000
科研项目分配状况X7 0.0020* 0.0010 0.051

注：*、**、***分别表示10%、5%、1%的显著性水平。

根据回归结果可以看出：
地区禀赋对高校科研成果转化效率有十分显著的正向影响,说明对于中国大学来说,地区宏观经济发展水平与高校科研成果转化效率有很大的相关性,这符合前面理论分析的预期。经济发展程度越高越有利于当地高校的科研成果转化,经济欠发达地区的科研成果转化比较困难[1]。研发人才质量对高校科研成果转化效率有非常显著的正向作用,由于所拥有的人力资本是决定高校科研生产力的关键性因素,研发人员的水平越高、科研支出的质量越高,科研生产效率越高。因此,高校必须继续重视以职称等衡量科研人员的人力资本水平[29],确保科研人员拥有前沿的知识和理论。
对外开放程度对高校科研成果转化效率影响为正,即外商直接投资与进出口贸易额越高的地区,对外开放程度越高。对外开放程度的提高在一定程度上加剧了本土高校与国际的竞争,这必然要求高校在保证科研投入的基础上提高成果产出和转化效率,但是其主要表现为市场的对外开放程度,对高校科研成果转化的影响需要加强。科研项目分配状况与高校科研成果转化效率呈正相关,且通过显著检验,说明当前从事研发项目的高校科学家与工程师处于相对冗员状态,提高各类科研项目的档次和数量可以促进科研成果转化率的提升。
国际合作和产业结构对高校科研成果转化效率的影响系数为正,但没有通过显著性检验。在大科学时代和全球化时代,科研活动越来越需要借助国际平台,国际交流与合作对科学研究有着积极的影响[34,35],但是由于中国较低的人均经济水平无法支撑一些本来能出国交流的人员出国进行学术交流,加上人口基数较大,使得高校国际交流合作的人数总体上看还是相对比较少的,故其对高校科研成果转化效率影响程度还有待加强。对于产业结构来说,回归结果一定程度确实验证了我们的假设,产业结构越合理,科研成果转化越有利,但是我国高技术产业在国民经济中的份额少、规模小,大批有实用价值可形成规模经济的高校科研成果没有足够的市场空间推广进入产业化,所以影响是不显著的。金融发展程度对高校科研成果转化效率存在负向影响,但不显著。高校科研成果转化是一种具有高风险、高收益的活动,风险资本作为高校科研成果转化的催化剂[36],缺少风险资本的介入来提供大量资金,成果的转化很难取得好的效果。而中国风险资本市场处于刚刚起步的阶段,规模小、种类单一、发展不完善,较低阶段的金融发展程度不足以支撑高校科研成果转化,对高校科研成果转化的影响不显著。

4 结论与讨论

本文采用网络SBM模型估算中国省际高校科研成果转化效率,较之传统DEA方法,网络SBM模型打开高校科研成果转化复杂过程的“黑箱”,将高校科研成果转化过程分为知识获取、技术创新和价值转化三个阶段,在此基础更准确地测算出整个阶段的综合转化效率,主要得出以下结论：
（1）总体上来看,中国高校科研成果转化平均效率值为11.84%,整体上处于较低的水平,但呈现逐年上升的趋势,说明近年来中国高校科研成果转化效率有了明显的改善。按地域分类研究结果显示,仅有东部地区高校科研成果转化率高于全国平均水平,同时东部地区的转化效率提升幅度也是最大的,而西部地区在高校科研成果转化效率的平均值以及提升幅度都是最低的。
（2）分阶段的研究显示,第一阶段的知识获取效率与第三阶段的价值转化效率在研究期基期均处于较高水平,随后呈现逐年下降趋势,而技术创新效率在此期间大幅度提升。从各省份高校科研成果转化效率的空间分异格局来看,转化效率高的省份例如北京、江苏、上海、浙江、海南等主要分布于东部沿海地区,转化效率较低的省份集中在中西部地区。此外,沿海省份技术创新效率高、知识获取效率低,与之相反的是中西部地区。
（3）通过建立Tobit面板数据模型分析高校科研成果转化效率的影响因素发现：地区禀赋和研发人才质量对高校科研成果转化效率呈现非常显著的正向影响,科研项目分配状况与对高校科研成果转化效率呈现一般显著的正向影响;对外开放程度、国际合作和产业结构对高校科研成果转化效率有着不显著的正向影响,而金融发展程度对高校科研成果转化效率的影响系数为负,但没有通过显著性检验。
中国高校科研成果转化不仅需要打通“最后一公里”,也应该重视科研成果转化的源头即知识获取的过程。大多高校都拥有不少的科研成果,这些成果由于质量较低而没有被转化,这正是需要关注知识生产源头的原因。以基础研究为牵引,增强高校原始创新能力,产出高水平的科研成果,增大可转化、可应用的可能性,还要围绕市场需求来创造出以应用研究为牵引的知识和技术,凭借产学研融合来实现问题驱动的研究,提高高校科研成果转化效率。。
本文也存在一些不足,由于受数据的限制,考虑到高校科研成果转化的实现是一个复杂的过程,仅使用劳动力和资本作为投入指标来测度分阶段效率是不够的,对计算结果的可信度会带来一定影响,但是本文给出了定量测度高校科研成果转化效率的方法与分析结果。此外,本文在研究影响机制的过程中未能深入的研究高校科研成果转化效率空间上相互影响,这将是未来需要拓展的主要研究方向。

The authors have declared that no competing interests exist.

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
何彬, 范硕. 中国大学科技成果转化效率演变与影响因素: 基于Bootstrap-DEA方法和面板Tobit模型的分析. 科学学与科学技术管理, 2013, 34(10): 85-94.利用中国24所大学的相关数据，结合Bootstrap-DEA 方法，对中国大学的科技成果转化效率进行评价和分析。并在此基础上利用面板Tobit模型检验了地区禀赋、金融发展程度、产业结构等因素对中国大学科技成 果转化效率的影响。实证研究发现：2001和2002年，中国西部地区与东部地区的大学在科技成果转化效率上存在显著差异；而西部与中部地区的大学，以及 东部与中部地区的大学在科技成果转化效率上并不存在显著差异。2008和2009年，中国西部地区、中部地区和东部地区的大学在科技成果转化效率上存在显 著差异。地区禀赋、产业结构对于中国大学科技成果转化效率具有显著影响，但金融发展程度对其影响并不显著。

[He Bin, Fan Shuo.The evolution and impact factors of university technology transfer efficiency in China: Based on the method of Bootstrap-DEA and panel Tobit model. Science of Science and Management of S&T, 2013, 34(10): 85-94.]

[2]
叶刘刚, 白福臣. 中国“211” 高校科研效率评价和外部影响因素分析: 基于Bootstrap-DEA方法的实证研究. 高等财经教育研究, 2015, (4): 6-14.运用Bootstrap-DEA方法分析了中国101所“211”高校在2005－2012年间的科研效率，并采用两阶段DEA方法考察了外部环境因素的影响。研究发现：（1）Bootstrap的统计推断结果表明，运用传统的DEA方法进行效率比较时需谨慎，因为观测到的差异在统计上可能不显著；（2）高校存在较严重的科研无效率情况（2012年约为35.6%），但科研效率在样本期内提高了35.9%；（3）当高校规模达到一定程度（接近5000人）以后，规模的进一步扩大会带来显著的规模不经济问题；（4）外部环境因素如学校性质、举办者、所在地区和地方经济发展水平等对科研效率有显著影响。

DOI

[Ye Liugang, Bai Fuchen.Evaluation of scientific research efficiency of Project 211 universities and environmental factors analysis: Empirical research based on Bootstrap-DEA method. Journal of Higher Education Finance, 2015, (4): 6-14.]

[3]
游小珺, 杜德斌, 张斌丰, 等. 高校在国家知识创新体系中的作用评价: 基于部分创新型国家和中国的比较研究. 科学学与科学技术管理, 2014, 35(7): 89-97.

[You Xiaojun, Du Debin, Zhang Binfeng, et al.The assessment of the role of university within national knowledge based innovation system based on the comparative study of selected innovative countries and China. Science of Science and Management of S&T, 2014, 35(7): 89-97.]

[4]
Feng Y, Lu H, Bi K.An AHP/DEA method for measurement of the efficiency of R&D management activities in universities. International Transactions in Operational Research, 2004, 11(2): 181-191.

DOI

[5]
Lach S, Schankerman M.Royalty sharing and technology licensing in universities. Journal of the European Economic Association, 2004, 2(23): 252-264.Abstract Using data for 102 U.S. universities, we show that royalty-sharing arrangements (cash flow rights) vary substantially across universities and that they are largely unrelated to most observed university characteristics including faculty size, quality, research funding, technology mix of the faculty, and size of the technology licensing office. However, higher inventors' royalty shares are associated with higher licensing income at the university, controlling for other factors. The results suggest that monetary incentives from inventions have real effects in the university sector. (JEL: O31, O34, L3, L01)

DOI

[6]
Siegel D, Waldman D, Link A.Assessing the impact of organizational practices on the relative productivity of university technology transfer offices: An exploratory study. Research Policy, 2003, 32(1): 27-48.We present quantitative and qualitative evidence on the relative productivity of university technology transfer offices (TTOs). Our empirical results suggest that TTO activity is characterized by constant returns to scale and that environmental and institutional factors explain some of the variation in performance. Productivity may also depend on organizational practices. Unfortunately, there are no quantitative measures available on such practices, so we rely on inductive, qualitative methods to identify them. Based on 55 interviews of 98 entrepreneurs, scientists, and administrators at five research universities, we conclude that the most critical organizational factors are faculty reward systems, TTO staffing/compensation practices, and cultural barriers between universities and firms.

DOI

[7]
Siegel D, Wright M, Chapple W, et al.Assessing the relative performance of university technology transfer in the US and UK: A stochastic distance function approach. Economics of Innovation and New Technology, 2008, 17(7-8): 717-729.University technology transfer offices (henceforth, TTOs) play a critical role in the diffusion of innovation and the development of new technology infrastructure. Studies of the relative efficiency of TTOs have been based on licensing output measures and data from a single country. In contrast, we present the first cross-country comparison of the relative performance of TTOs, based on stochastic multiple output distance functions. The additional dimension of output considered is the university's propensity to generate start-up companies, based on technologies developed at these institutions. We find that US universities are more efficient than UK universities and that the production process is characterized by either decreasing or constant returns to scale. Universities with a medical school and an incubator are closer to the frontier.

DOI

[8]
杜德斌, 李鹏飞, 王俊松, 等. 我国高校科技评价体系改革的思考与建议. 中国高等教育, 2013, (1): 16-19.

[Du Debin, Li Pengfei, Wang Junsong, et al.Thoughts and suggestions on the reform of evaluation system of science and technology in the universities. China Higher Education, 2013, (1): 16-19.]

[9]
朱一飞. 高校科技成果转化法律制度的检视与重构. 法学, 2016, (4): 81-92.我国法律确立了高校对其科技成果的所有权,同时将技术转让设置为高校科技成果转化的主要路径。但实证研究表明,我国高校科技成果的转让率极低,而通过技术开发合同、技术咨询合同和技术服务合同等形式完成的隐性技术转让则大行其道,其实质是一种法律规避行为。反思和检视我国高校科技成果转化法律制度,可以发现,高校科技成果的权利归属存在逻辑错误,成果转化的路径设计亦有缺陷。未来应当系统性地重构我国高校科技成果转化法律制度,在科技成果的权利配置中采取当事人意思自治的原则,同时拓展高校科技成果的使用范围和使用方式。

[Zhu Yifei.The examination and reconstruction of the legal system of transformation of scientific and technological achievements in universities. Law Science, 2016, (4): 81-92.]

[10]
陈向军. 高校科技成果转化法律保障机制论析. 中国高校科技, 2015, (5): 50-52.我国目前已经建立了以宪法为根本大法,《科学技术进步法》和《促进科技成果转化法》为基础,其他部门的法规、规章、政策为补充的科技成果转化系统法律框架。但是在高校科技成果转化中法律纠纷维权难度大、成本高,产权不明晰,有些规定模糊,技术合同签订存在着法律缺陷等,因此,应从切实实施现有法律制度,完善法律法规,加强知识产权法律保障意识以及加强高校技术合同的签订管理等方面,进一步完善高校科技成果转化的法律保障机制。

[Chen Xiangjun.Analysis of legal protection mechanism of the transformation of scientific and technological achievements in universities. Chinese University Science & Technology, 2015, (5): 50-52.]

[11]
胡罡, 章向宏, 刘薇薇, 等. 地方研究院: 高校科技成果转化模式新探索. 研究与发展管理, 2014, 26(3): 122-128.

[Hu Gang, Zhang Xianghong, Liu Weiwei, et al.Local institutes: A new exploration of the transformation mode of S&T achievements in universities. R&D Management, 2014, 26(3): 122-128.]

[12]
谷德斌, 尹航, 杨贵彬. 高校科技成果转化驱动模式研究. 科技进步与对策, 2012, 29(13): 24-28.高校是国家创新体系的重要组成部分,提高高校科技成果转化效率,能够有效助推经济发展方式转变.通过分析科技成果与技术创新的内在联系、高校科技成果的类型、制约高校科技成果转化的主要因素,可以看出高校科技成果转化是一项复杂的系统工程,不仅需要高校自身的努力,更需要政府和社会各方面力量的共同驱动.基于此,提出了高校科技成果转化的驱动模式,以期为高校科技成果转化方略的实施提供建议.

DOI

[Gu Debin, Yin Hang, Yang Guibin.Research on the driving mode of transformation of science and technology achievement in universities. Science & Technology Progress and Policy, 2012, 29(13): 24-28.]

[13]
杨宏进, 刘立群. 基于三阶段DEA的高校科技创新绩效研究. 科技管理研究, 2011, 31(9): 104-107.

[Yang Hongjin, Liu Liqun.Research on the innovation performance of science and technology in universities based on the three stages DEA. Science and Technology Management Research, 2011, 31(9): 104-107.]

[14]
Lee B L, Worthington A C.A network DEA quantity and quality-orientated production model: An application to Australian university research services. Omega, 2016, 60: 26-33.61Comparison of network and standard DEA for 37 Australian universities from 2004 to 2011.61Efficiency scores for each stage reflect the divisional performance lacking in standard DEA.61Standard DEA models tend to overstate the research efficiency of most Australian universities.

DOI

[15]
Hansen M T, Birkinshaw J.The innovation value chain. Harvard Business Review, 2007, 85(6): 121.

[16]
李邃, 江可申, 郑兵云. 基于链式关联网络的区域创新效率研究: 以江苏为研究对象. 科学学与科学技术管理, 2011, 32(11): 131-137.运用DEA方法评价区域创新效率的传统做法是将区域创新系统作为一个＂黑箱＂来处理,不考虑系统内部实际的运作过程及其对系统整体效率的影响。通过将区域创新活动分解为两个相互关联的创新链式子过程,并构建基于规模报酬可变的链式关联网络DEA模型,对江苏省历年以及包括江苏在内的6个国家和地区创新活动的整体效率和各子过程的效率进行评价分析;在此基础上,计算两个子过程间的关联系数,来评价各区域技术创新子阶段的关联有效性程度。

[Li Sui, Jiang Keshen, Zheng Bingyun.Evaluation research on the regional innovation efficiency based on Chain relational Network DEA Model: Evidence from Jiangsu province. Science of Science and Management of S& T, 2011, 32(11): 131-137.]

[17]
Tone K, Tsutsui M.Network DEA: A slacks-based measure approach. European Journal of Operational Research, 2009, 197(1): 243-252.Traditional DEA models deal with measurements of relative efficiency of DMUs regarding multiple-inputs vs. multiple-outputs. One of the drawbacks of these models is the neglect of intermediate products or linking activities. After pointing out needs for inclusion of them to DEA models, we propose a slacks-based network DEA model, called Network SBM, that can deal with intermediate products formally. Using this model we can evaluate divisional efficiencies along with the overall efficiency of decision making units (DMUs).

DOI

[18]
Färe R.Measuring Farrell efficiency for a firm with intermediate inputs. Academia Economic Papers, 1991, 19(2): 329-340.

[19]
Färe R, Grosskopf S, Whittaker G.Network DEA: Modeling Data Irregularities and Structural Complexities in Data Envelopment Analysis. New York: Springer, 2007.

[20]
Tone K, Tsutsui M.Dynamic DEA with network structure: A slacks-based measure approach. Omega, 2014, 42(1): 124-131.We propose a dynamic DEA model involving network structure in each period within the framework of a slacks-based measure approach. We have previously published the network SBM (NSBM) and the dynamic SBM (DSBM) models separately. Hence, this article is a composite of these two models. Vertically, we deal with multiple divisions connected by links of network structure within each period and, horizontally, we combine the network structure by means of carry-over activities between two succeeding periods. This model can evaluate (1) the overall efficiency over the entire observed period, (2) dynamic change of period efficiency and (3) dynamic change of divisional efficiency. The model can be implemented in input-, output- or non-(both) oriented forms under the CRS or VRS assumptions on the production possibility set. Finally, we applied this model to a dataset of US electric utilities and compared the result with that of DSBM.

DOI

[21]
盖美, 连冬, 田成诗, 等. 辽宁省环境效率及其时空分异. 地理研究, 2015, 33(12): 2345-2357.环境问题已经成为辽宁省经济发展的瓶颈。基于随机前沿分析SFA与非期望产出的数据包络SBM的研究方法,选取2005年到2011年为研究时间,对辽宁省14个地级市环境效率进行测算,并利用聚类分析、基尼系数与β趋同等研究方法对环境效率进行时空分析。在此基础上,利用Tobit模型建立多元回归,以分析辽宁省环境效率的影响因素。结果表明:大连、沈阳、鞍山的环境绝对效率水平较高,朝阳市绝对效率水平最低;大连、盘锦、沈阳处于生产有效单元,朝阳相对效率属强无效单元;在空间与时间的分析上大连、沈阳等是效率水平高的地区,朝阳为最低地区,空间呈"山脊状"分布;绝对效率值差距在不断缩小,相对效率差距在拉大后趋于稳定;回归结果显示产业结构与经济发展水平对环境经济效率及企业资本深化与生产技术水平起正向作用;财政支持与外商直接投资没有通过模型检验,未对环境效率起作用。

DOI

[Gai Mei, Lian Dong, Tian Chengshi, et al.The research for Liaoning environmental efficiency and spatial-temporal differentiation. Geographical Research, 2015, 33(12): 2345-2357.]

[22]
黄建欢, 吕海龙, 王良健. 金融发展影响区域绿色发展的机理: 基于生态效率和空间计量的研究. 地理研究, 2014, 33(3): 532-545.近年来严重的雾霾在中国许多城市持续大面积出现,这敲响了提升区域发展绿色度的警钟。金融可以也应该在促进绿色发展中发挥重要作用。本文分析金融发展影响区域绿色发展的四个机理,利用生态效率反映区域绿色发展水平,运用空间杜宾模型和中国省域面板数据实证研究了各机理的相对重要性及其空间溢出效应。主要发现有:相对而言,企业监督效应和资本配置效应的作用更显著;前者对当地绿色发展的积极影响相对最大,但长期中才会对周边区域的绿色发展产生积极的空间溢出效应;后者对当地绿色发展具有显著影响,但空间溢出效应不显著;金融危机后资本支持效应和长期贷款的监督效应得到了加强,但证券市场的监督效应则反而具有负面影响;绿色金融效应及其空间溢出均不明显,暗示着有必要加强金融支持绿色产业和环境保护的力度。金融支持绿色发展的政策重点可能在于加强资金使用监督,而不仅是加大资金投入。

DOI

[Huang Jianhuan, Lv Hailong, Wang Liangjian.Mechanism of financial development influencing regional green development: Based on eco-efficiency and spatial econometrics. Geographical Research, 2014, 33(3): 532-545.]

[23]
杜德斌. 全面客观认识我国高校科技成果转化问题.光明日报, 2015-12-12.

[Du Debin.A comprehensive and objective understanding of the transformation of scientific and technological achievements in Chinese universities. Guangming Daily, 2015-12-12.]

[24]
中华人民共和国教育部科学技术司. 高等学校科技统计资料汇编(2005-2015). 北京: 高等教育出版社, 2005-2015.

[Department of science and >technology of Ministry of Education. Compilation of Scientific and Technological Statistics of Colleges and Universities(2005-2015). Beijing: Higher Education Press, 2005-2015.]

[25]
国家统计局. 中国城市统计年鉴(2005-2015). 北京: 中国统计出版社, 2005-2015.

[National Bureau of Statistics. China City Statistical Yearbook(2005-2015). Beijing: China Statistics Press, 2005-2015.]

[26]
国家统计局科学技术部. 中国科技统计年鉴(2005-2015). 北京:中国统计出版社, 2005-2015.

[Department of Science and Technology of National Bureau of Statistics. Statistical Yearbook of China Science and Technology (2005-2015). Beijing: China Statistics Press, 2005-2015.]

[27]
王芳, 高晓路, 许泽宁. 基于街区尺度的城市商业区识别与分类及其空间分布格局: 以北京为例. 地理研究, 2015, 34(6): 1125-1134.

[Wang Fang, Gao Xiaolu, Xu Zening.Identification and classification of urban commercial districts at block scale. Geographical Research, 2015, 34(6): 1125-1134.]

[28]
张钹. 基础研究对于技术创新的重要性. 科学咨询: 科技信息, 2003, (9): 17-17.

[Zhang Bo.The importance of basic research for technological innovation. Technology & Management, 2003, (9): 17-17.]

[29]
谢子远, 鞠芳辉, 孙华平. 我国海洋科技创新效率影响因素研究. 科学管理研究, 2012, 30(6): 13-16.

[Xie Ziyuan, Ju Fanghui, Sun Huaping.Study on the influencing factors of marine S&T innovation efficiency in China based on ultra- efficiency model. Scientific Management Research, 2012, 30(6): 13-16.]

[30]
梁文艳, 袁玉芝, 胡咏梅. 研究型大学自然科学学科科研生产效率测算及影响因素分析: 基于 DEA-Tobit两阶段模型. 国家教育行政学院学报, 2014, (10): 70-76.

[Liang Wenyan, Yuan Yuzhi, Hu Yongmei.Measuring and analysis of factors affecting research product efficiency of Chinese research universities in natural science disciplines based on DEA-Tobit model. Journal of National Academy of Education Administration, 2014, (10): 70-76.]

[31]
Klenow P J, Rodriguez-Clare A.The neoclassical revival in growth economics: Has it gone too far?. NBER Macroeconomics Annual, 1997, 12: 73-103.

[32]
Thursby J G, Thursby M C.Are faculty critical? Their role in university-industry licensing. Contemporary Economic Policy, 2004, 22(2): 162-178.

[33]
陈强. C 高级计量经济学及Stata应用 C. 北京: 高等教育出版社, 2014.

[Chen Qiang.Advanced Econometrics and Stata Applications. Beijing: Higher Education Press, 2014.]

[34]
Pulkki-Brännström A M, Stoneman P. On the patterns and determinants of the global diffusion of new technologies. Research Policy, 2013, 42(10): 1768-1779.

[35]
司月芳, 陈思雨, Ingo Liefner, 等. 中资企业研发国际化研究: 基于华为WIPO专利分析. 地理研究, 2016, 34(10): 1869-1878.

[Si Yuefang, Chen Siyu, Ingo Liefner, et al.Innovation globalization of Chinese multinational enterprises: The case study of Huawei. Geographical Research, 2016, 34(10): 1869-1878.]

[36]
杜德斌. 全球科技创新中心: 动力与模式. 上海: 上海人民出版社, 2015.

[Du Debin.Global Science and Technology Innovation Center:Power and Model. Shanghai: Shanghai People's Press, 2015.]

Options
Outlines

/

〈 〉