EN中文

GEOGRAPHICAL RESEARCH >

2018 , Vol. 37 >Issue 5: 910 - 924

DOI: https://doi.org/10.11821/dlyj201805005

Articles

Development pattern of scientific and technological innovation and typical zone in China based on the analysis of scale and efficiency

  • LIU Hanchu , 1, 2 ,
  • FAN Jie , 1, 2 ,
  • ZHOU Kan 1
Expand
  • 1. Key Laboratory of Regional Sustainable Development Modeling, Institute of Geographic Sciences and Natural Resources Research, CAS, Beijing 100101, China
  • 2. University of Chinese Academy of Sciences, Beijing 10049, China

Received date: 2017-12-25

  Request revised date: 2018-03-06

  Online published: 2018-05-20

Copyright

《地理研究》编辑部 所有
Fold

Abstract

The increasing influence of scientific and technological (S&T) innovation on the regional development spatial structure in China promotes the Chinese economy into a new era of endogenous growth driven by innovation. A large capital investment, from central to local, has been provided to enhance the capacity for innovation. Such an investment is important for the regional development within the transitional period. However, the S&T innovation efficiency is recognized as a more crucial factor affecting sustainable development in the long run. From the input-output perspective, this study develops a comprehensive framework for measuring the S&T innovation efficiency of 30 provinces in China. A methodology combining the distributed lag models of Almon and the variable returns to scale model is set up to assess the effective cumulative total investment scale of technological innovation and S&T innovation efficiency in China at the provincial level. Based on this assessment, the spatial variation and evolution of the S&T innovation efficiency are examined. Further, the type of region is identified by synthetically considering its investment scale and the S&T innovation efficiency, followed by several policy suggestions. The results are obtained as follows: (1) a large innovational investment gap, which is larger than the economic gap among regions, exists between coastal and inland areas; (2) the total S&T innovation efficiency of China is comparatively low, but the rising trend is continuous; (3) the S&T innovation efficiency shows an obvious spatial heterogeneity as high-efficiency provinces are mainly concentrated in wealthier coastal areas such as cities of Beijing, Tianjin and Shanghai, as well as provinces of Zhejiang and Guangdong; the S&T innovation efficiency experiences a gradual decline from east to west within China; (4) a high spatial coupling between the S&T innovation efficiency and the level of economic development is observed as the S&T innovation efficiency decreases with the decline in the economic level; and (5) the 30 provinces can be classified into four types in terms of their investment scale and S&T innovation efficiency: the regions that are leaders, those that need to make a breakthrough, need to be promoted, and need to develop fast. Thus, policy suggestions could be put forward according to the strength and weakness of each type of region.

Key words： scientific and technological innovation; innovation efficiency; development pattern; hysteresis effect; DEA model; China

Cite this article

LIU Hanchu , FAN Jie , ZHOU Kan . Development pattern of scientific and technological innovation and typical zone in China based on the analysis of scale and efficiency[J]. GEOGRAPHICAL RESEARCH, 2018 , 37(5) : 910 -924 . DOI: 10.11821/dlyj201805005

1 引言

在当前知识经济背景下,决定区域发展的因素已经由传统的资源、劳动力优势转化为科技创新能力优势。科技创新通过提高自然资源的利用效率、优化产业结构、提高全社会劳动生产率等方式对提升区域竞争能力、重塑区域发展格局产生越来越重要的影响。1978年以来,中国高度重视科技创新对国家竞争力的提升,研究与发展（R&D）经费从1990年的125亿元迅猛增加至2015年的14170亿元。但与此同时,在投入产出效益以及市场机制作用下,并受路径依赖的影响,中国科技创新发展在空间上表现出严重不均衡,其中较为明显的是区域间科技创新投入与科技创新效率的巨大差距[1]。十八届五中全会将创新置于五大发展理念之首,标志着创新发展将成为未来区域经济发展实现战略性调整的关键。从单个区域来看,现有的科技创新水平是驱动未来社会经济整体发展的重要基础;从全国整体来看,现状的科技创新发展格局对中国未来区域发展格局变动将产生长远的影响。因此,如何科学评价区域科技创新水平以及揭示全国科技创新发展总体格局就成了新发展阶段亟待解决的关键问题。这些问题的解决有助于国家根据各地区发展条件的不同制定差异化的区域科技创新发展策略以及科技资源空间配置重点。基于此,本文拟从科技创新投入规模和综合效率的角度切入,并将区域科技创新效率的合理测度作为本文研究的重点。
科技创新效率是科技创新能力的重要体现,能综合反映区域科技创新资源的有效配置、合理利用和经营管理水平。由于科技成果转化能力、地区发展环境和体制机制存在空间异质性,科技创新效率的区域差距明显[2]。在发达地区,科技创新资源丰富,形成了相对完善的技术创新体系。该类地区的主导产业以创新性较高、科技成果转化较快的电子信息、软件、高新技术产业等为主,科技创新投入能较快地形成科技成果,同时,科技成果能迅速转化成经济效益,区域总体上表现出较高的科技创新效率。在欠发达地区,科技创新资源较少,尚未建立成熟的技术创新体系,该类地区的主导产业多为资源密集型和劳动密集型等传统产业,科技创新投入产出表现出低效率。张宗益等对中国31个省区科技创新效率进行的实证研究表明东、中、西部之间区域技术创新效率差距明显[3]。
科技创新效率测度历来是学术界的关注重点。区域科技创新是一个复杂的过程,具有多投入、多产出的特征,创新投入向产出转化贯穿于创新的全过程,所以它的效率很难被精确的测度,至今学术界还没有统一的测度方法。现有方法主要包括生产函数法[4,5]、综合评价法[6]、指数法[7]和非参数法等。其中,生产函数法在假设市场完全竞争、评价单期数据等方面存在着局限性;综合评价法和指数法在评价指标的选择和权重的分配过程中带有很强的主观性。而非参数法即数据包络分析（DEA）方法的总体优势较为突出,在实证研究中的运用愈加广泛[8,9,10,11,12,13]。在创新效率的研究方面,Nasierowski采用DEA方法测度了45个国家的创新效率[14];王蓓等运用DEA评价了京津冀、长三角和珠三角地区科技资源配置综合效率[15];樊华等运用规模报酬可变的DEA模型测度了中国省域科技创新效率[16];范斐等应用改进的DEA分别测度了地级市和全国不同时期的科技资源配置效 率[17,18];曹贤忠等运用DEA测度了长三角城市群研发资源的投入产出效率、变化趋势以及空间分异特征[19]。
目前,有关中国科技创新发展格局的研究较多集中在科技资源的空间分布[20]、科技创新效率与创新能力的区域差异[1,21]、区域科技资源体系内涵与配置等方面[22],较少同时考虑科技资源规模与科技创新效率。对创新效率的评价上,学者们在城市层面[17,23]、地区层面[5,14]和全国层面[16,24]进行了研究。但由于城市层面基础数据难以获得,所选指标往往相对简单不能很好地揭示出投入产出内涵;地区层面的研究又难揭示全国科技资源配置效率的差异;全国层面的研究大多是在评价省域单元的基础上进行综合比较分析,或按东中西三大地带、八大经济区[25]等区域单元进行地区差异分析,较少从类型区划分的视角进行研究。另外由于科技创新活动存在时滞性,创新投入需要一定的时间积累才能转化成为创新成果和经济效益,这种滞后效应对评价科技创新效率的准确性影响较大,而以往研究较少关注到这一问题。鉴于此,本文首先构建了科技创新效率评价的指标体系,尝试采用滞后模型和数据包络方法对中国省域单元的科技创新效率进行评价,并揭示科技创新投入规模和创新效率的分布差异与变化规律,在此基础上,依据规模—效率两个维度揭示中国科技创新发展格局,并提出差异化的区域科技创新发展战略和科技资源空间配置重点。

2 研究方法与数据来源

2.1 科技创新效率指标体系的构建

本文从投入与产出的角度探讨科技创新效率。在科技创新投入方面,科技人力资源和科技财力资源是创新生产的基本要素和先决条件,能充分体现科技资源要素的本质特征,本文分别选取科技活动经费内部支出、科技活动人员数量。科技活动经费内部支出包括统计年度内用于科学研究与试验发展、研发成果应用以及科技服务活动的实际经费支出,在一定程度上弥补了R&D支出统计口径过小的弊端,因为区域科技创新活动范围实际上比研发活动范围要大得多。因此,用科技活动经费内部支出衡量科技经费投入较以往研究采用R&D支出更为合理[4]。在科技创新产出方面,考虑到科技创新产出的综合性,根据已有学者提出的区域技术创新效率评价的两阶段模型[26],将科技创新产出分为两类,即科技产出、经济产出,分别表示研究开发效率和成果转化效率。科技产出选取国外三大检索论文数、国内专利申请受理量和技术市场成交额3个指标,代表着科技成果直接产出水平;经济产出选取技术市场成交额、工业新产品销售收入总额、社会全员劳动生产率（GDP总值/从业人员总量）3个指标,代表着科技创新成果转化的经济效益（表1）。
Tab. 1 Evaluation index of regional scientific and technological (S&T) innovation efficiency

表1 区域科技创新效率评价指标

一级指标 二级指标
投入指标 科技经费投入 科技活动经费内部支出总额/亿（FUND）
科技人员投入 科技活动人员总数/万人（EMPLOYEE）
产出指标 科技产出 国外三大检索论文数/篇（PAPER）、国内专利申请受理量/件（PATENT）、技术市场成交额/亿元（MARKET）
经济产出 高技术产品增加值/亿元（HITECH）、工业新产品销售收入总额/亿元（NPI）、社会全员劳动生产率/元（LABOR）
需要指出的是,在DEA模型运用时,一般规定投入指标数与产出指标数的和小于等于1/3评价单元的个数[27]。因此,对中国30个省区进行评价要求投入产出指标最多为10个,本文最终选取8个指标,符合DEA使用的经验法则。

2.2 数据来源

本文采用跨度为16年的时间序列数据进行研究,考虑到滞后效应的影响,科技创新投入数据选取了1997-2013年的连续数据;科技创新产出数据选取了2001年、2007年、2013年3个截面。科技活动经费内部支出、科技活动人员、论文数量、国内专利申请受理量、技术市场成交额等数据来源于相关年份《中国科技统计年鉴》、中华人民共和国科技部网站数据库和相关年份各省份的统计年鉴。高技术产品增加值、工业新产品销售收入数据来源于相关年份《中国高技术产业统计年鉴》,从业人口、GDP等数据来源于相关年份《中国统计年鉴》和各省份统计年鉴。研究区域包括中国30个省区,由于港澳台及西藏缺失数据,未纳入分析。

2.3 研究方法

2.3.1 分布滞后模型—阿尔蒙法 科研投入需要一定的时间积累才能转化成为科研成果,进而带动社会经济发展。学术界从不同层面对科技创新投入对产出的滞后时间进行探讨,形成了不同的结论。一些研究将科技投入的滞后期直接设定为1年[28]、2年[15]或3~4年[29],另一些研究则根据不同科技创新产出指标将投入设定为不同滞后期[30]。但这些研究忽视了科技投入具有的累积效应,因为一个确定年份的科技创新产出并不是由过去某一年的投入产生的,而是由过去几年累计投入实现的。基于阿尔蒙法的分布滞后模型（Almon法）有助于更为准确地度量科技创新投入对产出的滞后效应：
Y t = α + ∑ k = 0 s β k X t - k + μ t （1）
式中： Y t 表示科技创新产出指标; X t - k 表示不同滞后年份的科技创新投入;β0为短期影响系数,表示当期X变化对Y的影响程度;βk（k = 1, 2,…, s）为延迟系数,表示各滞后期X的变动对Y的影响程度。
进一步,通过阿尔蒙变换定义新变量减少解释变量个数,采用OLS法估计参数。假定用一个关于滞后期i的适当阶数的多项式来表示其回归系数βi,即：
β i = α 0 + α 1 k + α 2 k 2 + … + α m k m m < s （2）
该式称为阿尔蒙多项式变换。在实际估计中,为了达到减少变量个数的目的,阿尔蒙多项式的阶数m一般不超过4。滞后期长度可以利用被解释变量Y与解释变量X及各期滞后之间的相关系数进行大致的判断。
2.3.2 改进的可变规模报酬VRS模型 数据包络分析（data envelopment analysis,DEA）方法,是评价社会经济系统中具有多投入和多产出决策单元相对有效性较为理想的工具,这里决策单元指30个省域单元。假设评价的省区个数为N,投入指标有I种,产出指标有O种,xni代表第n个省区的第i种科技创新的投入量,yno代表第n个省区的第o种产出量。在本文中考虑到科技创新投入与产出之间的滞后效应,需要对投入项进行改进,由单个年份的投入调整为经阿尔蒙法滞后模型计算出的多年份有效累计投入,则经过改进的DEA应用模型为：
min θ - ε ∑ I = 1 I s - - ∑ O = 1 O s + s . t . ∑ n = 1 N ( ∑ k = 0 s β k X t - k ) x ni λ n + s - = θ ( ∑ k = 0 s β k X t - k ) x i n ( i = 1,2 , … , I ) ∑ n = 1 N y no λ n - s + = y o n ( o = 1,2 , … , O ) λ n ≥ 0 ( n = 1,2 , … , N ) （3）
式（3）是在不变规模报酬模型的基础上引入约束条件 ∑ n = 1 N = 1 ,将其转变为规模报酬可变的DEA模型（VRS模型）。 θ （0< θ ≤1）代表各省区科技创新效率综合指数, θ 值越大,科技创新综合效率越高, θ = 1表明该区域运行在最优生产前沿面上,其产出相对于投入而言达到了综合效率最优; ε 为非阿基米德无穷小量; λ n （ λ n ≥ 0 ）为用来判断各省区的规模收益情况的权重变量; s - （ s - ≥0）为松弛变量,表示区域达到DEA有效需要减少的投入量; s + （ s + ≥0）为剩余变量,表示区域达到DEA有效需要增加的产出 量[31]。利用VRS模型可将综合效率 θ n 分解为纯技术效率 θ TE 与规模效率 θ SE 的乘积,有0< θ TE ≤1, θ TE ≥ θ n ;0< θ SE ≤1, θ SE ≥ θ n 。同样对于 θ TE 、 θ SE 的值越接近于1,表示区域的纯技术效率、规模效率就越高,当达到1时,则表示区域效率最优。以上改进VRS模型中的综合效率指数能反映区域科技创新资源配置和利用效率、规模集聚效率等,纯技术效率指数则能反映科技创新资源的配置和利用效率,规模效率指数则能反映区域科技创新资源的规模集聚效率。

3 中国科技创新投入滞后期及空间特征

3.1 科技创新投入产出滞后期的确定

本文采用Almon法对科技创新投入与产出之间存在的滞后效应进行测度,以确定中国总体科技创新发展中投入变量对产出变量的滞后时间。经分析,各省份科技经费投入和人员投入之间存在很强的相关性,因此本文选用科技经费投入与科技产出指标间的滞后特征来确定科技投入对产出的滞后期。Almon法分析要求对数据进行平稳性检验,本文采用Eviews 8.0对各项指标进行ADF单位根检验,检验显示二阶差分均通过了10%的显著性水平的t检验,认为是平稳序列,可以采用Almon法进行滞后期的分析。
对科技经费支出与6个产出指标的滞后期判定系数分析,发现第T年的高技术产值、社会全员生产率可以通过当年及之前3年的科技经费投入指标来解释,即第T年的高技术产值、社会全员生产率是由T、T-1、T-2、T-3的科技经费投入决定,滞后期取值为3年。相同的,对论文产出、新产品产出的滞后期取值为4年,对专利、技术市场交易滞后期取值为5年（表2）。综合分析,选择4阶滞后对科研经费与科技产出指标的多项式滞后模型用Almon法进行归回。经Almon法分析,得到6个科技创新产出对科研经费投入的4阶滞后性模型,计算并得到6个滞后模型的平均滞后系数,β0、β1、β2、β3、β4分别为0.068、0.187、0.241、0.310、0.194,从而将6个滞后模型统一为科技创新累计投入滞后模型。
Y t = 0.068 X t + 0.187 X t - 1 + 0.241 X t - 2 + 0.31 X t - 3 + 0.194 X t - 4 + μ t （4）
将各省区1997年-2013年的科技经费以及科技人员代入式（4）,得到2001年、2007年、2013年有效的累计科技经费投入以及累计科技人员投入。
Tab. 2 Lag coefficient of determination and values

表2 滞后期的判定系数及取值

PAPER PATENT MARKET HITECH NPI LABOR
PDL（X, 2, 2） 0.9873 0.9701 0.9659 0.9916 0.9895 0.9974
PDL（X, 3, 2） 0.9874 0.9841 0.9786 0.9928 0.9950 0.9984
PDL（X, 4, 2） 0.9880 0.9943 0.9915 0.9926 0.9956 0.9977
PDL（X, 5, 2） 0.9859 0.9972 0.9949 0.9912 0.9933 0.9975
滞后期取值 4 5 5 3 4 3

注：PDL（X, m, n）中X表示创新投入;m表示滞后期数;n表示二阶差分。

3.2 中国科技创新投入规模的空间分异特征

中国科技创新投入大量增加,2013年全国的累计科技经费投入已经达到11856.45亿元,累计科技人员投入达到683.07万人,并在不同的观测尺度上均呈现出明显的空间差异。图1显示了中国2013年的科技创新投入省际差异的空间格局。
Fig. 1 Cumulative effective S&T innovation investment of each provinces in China in 2013

图1 2013年中国各省区科技创新累计有效投入

（1）中国科技创新投入集中在少数几个省域单元,并呈进一步集聚的趋势。中国科技创新投入主要集中在北京、上海、江苏、广东、山东、浙江等排名靠前的少数几个省份,2001年前6省份的累计科技经费投入总量为726.87亿元,占全国总经费比例为54.76%,2013年增长到6666.17亿元,占比提高至56.22%;同样的,前6省份的科技人员占比也超过全国的50%。与之成鲜明对照的是科技创新投入排名后6位的省域单元,分别是云南、新疆、贵州、宁夏、青海、海南,2001年后6个省份累计科技经费投入总量为38.72亿元,占全国总经费比例仅为2.92%,2013年虽累计科研经费增长到了333.81亿元,但占比却下降至2.82%;同样的,累计科研人员占比仅为3.45%。
（2）中国科技创新投入区域差异巨大,并呈进一步扩大的趋势。中国东部与中西部、沿海与内陆之间的社会经济差距是中国长期以来的基本特征,科技创新投入的空间差异也同样表现出了这一基本特征。从国家区域发展战略划分的“四大板块”①（① 根据国务院和国家发展改革委出台的有关“四大板块”的区域规划和指导意见,“四大板块”主要指东部、中部、西部和东北地区,其中东部地区包括北京、天津、河北、山东、江苏、上海、浙江、福建、广东和海南10省市,中部地区包括湖北、湖南、江西、安徽、河南和山西6省,东北地区包括辽宁、吉林、黑龙江3省,西部地区包括重庆、四川、贵州、云南、广西、陕西、甘肃、青海、宁夏、西藏、新疆和内蒙古12个省市区。）来看,2001-2013年,东部地区累计科技经费投入占全国比例长期保持在62%左右,累计科技人员投入占比却逐年提升,由49%上升到59%;中部地区累计科技经费投入占全国比例逐年上升,由14%上升为17%,累计科技人员投入占比长期保持在20%左右;西部和东北地区累计科技经费投入和累计科技人员投入占全国比例均呈现下降趋势,西部地区累计科技经费投入占比和累计科技人员投入占比分别从16%、22%下降为14%、15%,东北地区分别从8%、11%下降为7%、7%。2013年东部、中部、西部和东北地区累计科技经费投入占全国比例分别为63%、17%、14%、7%,同年,“四大板块”的GDP总量占全国比例分别为51%、20%、20%、9%,表明现阶段中国区域间科技创新投入规模的差距已经大于区域间经济发展水平的差距。

4 中国科技创新效率的时空发展格局

4.1 科技创新效率总体发展特征分析

（1）中国科技创新效率总体呈上升趋势,但处于较低水平。2001年、2007年和2013年中国科技创新综合效率分别为0.736、0.745和0.790,分别达到最优水平的74%、75%和79%,总体仍然处于较低水平。但2001-2013年,中国科技创新效率不断上升。2001年、2007年和2013年达到DEA效率最优的省份分别有8个、8个和9个,其中北京、天津、上海、浙江、广东5个省份在3个年份DEA效率都达到了最优,2001年达到最优的还有吉林、福建、海南,2007年还有吉林、黑龙江、重庆,2013年还有黑龙江、江苏、湖北和重庆（表3）。另外,2001年科技创新综合效率达到最优水平在60%以下的有8个省份、60%~80%之间的省份有11个、高于80%以上的省份有11个,占总数的36.7%;2013年科技创新综合效率达到最优水平在60%以下的省份下降至6个、60%~80%之间的省份下降至8个、高于80%以上的省份大幅上升到16个,占总数的比例提升到53.3%。
Tab. 3 S&T innovation efficiency of each province of China in 2001, 2007 and 2013

表3 2001年、2007年、2013年中国各省份科技创新效率

2001年各省市科技投入产出 2007年各省市科技投入产出 2013年各省市科技投入产出
综合效率 纯技术效率 规模效率 综合效率 纯技术效率 规模效率 综合效率 纯技术效率 规模效率
北京 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000
天津 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000
河北 0.553 0.571 0.968 0.498 0.502 0.993 0.748 0.817 0.916
山西 0.476 0.487 0.979 0.399 0.399 0.999 0.458 0.582 0.787
内蒙古 0.790 0.826 0.957 0.539 0.576 0.935 0.419 0.648 0.647
辽宁 0.698 0.796 0.878 0.738 0.778 0.948 0.863 0.875 0.986
吉林 1.000 1.000 1.000 1.000 1.000 1.000 0.868 0.871 0.996
黑龙江 0.978 0.992 0.986 1.000 1.000 1.000 1.000 1.000 1.000
上海 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000
江苏 0.646 0.824 0.784 0.845 1.000 0.845 1.000 1.000 1.000
浙江 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000
安徽 0.858 0.869 0.987 0.694 0.700 0.991 0.924 0.940 0.983
福建 1.000 1.000 1.000 0.876 0.881 0.994 0.740 0.746 0.992
江西 0.593 0.608 0.975 0.658 0.671 0.981 0.638 0.677 0.943
山东 0.666 0.833 0.800 0.780 0.913 0.854 0.835 0.935 0.893
河南 0.495 0.624 0.793 0.607 0.608 0.997 0.651 0.652 0.998
湖北 0.682 0.688 0.991 0.831 0.990 0.839 1.000 1.000 1.000
湖南 0.825 0.893 0.924 0.826 0.840 0.983 0.875 0.892 0.981
广东 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000
广西 0.714 0.714 1.000 0.640 0.649 0.986 0.755 0.785 0.962
海南 1.000 1.000 1.000 0.794 1.000 0.794 0.688 1.000 0.688
重庆 0.751 1.000 0.751 1.000 1.000 1.000 1.000 1.000 1.000
四川 0.416 0.423 0.983 0.538 0.575 0.936 0.742 0.840 0.883
贵州 0.628 0.634 0.991 0.567 0.620 0.915 0.692 0.816 0.850
云南 0.736 1.000 0.736 0.524 0.552 0.949 0.560 0.584 0.959
陕西 0.615 0.620 0.991 0.730 0.758 0.963 0.937 0.941 0.996
甘肃 0.765 0.826 0.926 0.853 0.906 0.942 0.835 0.970 0.861
青海 0.239 0.263 0.910 0.558 1.000 0.558 0.544 1.000 0.544
宁夏 0.398 0.411 0.968 0.358 0.600 0.598 0.518 1.000 0.518
新疆 0.553 0.627 0.881 0.494 0.589 0.839 0.412 0.556 0.741
全国平均 0.736 0.784 0.939 0.745 0.804 0.928 0.790 0.871 0.904
（2）科技创新纯技术效率呈上升趋势,但相对偏低。2001年、2007年和2013年科技创新纯技术效率分别为0.784、0.804和0.871,达到最优水平的比例从78%提高到87%。纯技术效率达到DEA效率最优的省份多于科技创新的综合效率和规模效率,3个年份数量分别达到10个、11个、12个。另外2001年纯技术效率达到最优水平在60%以下的有5个省份、60%~80%之间有8个省份、高于80%的省份有16个,比例为53.3%;到2013年纯技术效率达到最优水平在60%以下的省份仅有3个、60%~80%之间的省份降低至5个,高于80%的省份上升到了22个,比例提高到73.3%。与科技创新的规模效率相比,纯技术效率仍然相对偏低。
（3）科技创新规模效率较高,但呈下降趋势。科技创新规模效率显著高于综合效率和纯技术效率,2013年三者效率分别为0.790、0.871、0.904,但总体上呈现下降趋势。2001年科技创新规模效率为0.939,其中达到最优水平的省份有9个,达到最优水平在90%以上省份有23个,占76.6%,低于80%的仅有4个省份,最低的云南省也达到73.6%;2013年科技创新规模效率下降到0.904,15个省份的规模效率呈现出不同程度的下降,低于80%的省份增加到6个,其中内蒙古和新疆低于60%的临界值。

4.2 科技创新效率的空间分异特征

（1）高创新效率单元集中在少数省份,创新效率省际之间差异巨大。整体上,3个年度科技创新的综合效率、纯技术效率、规模效率均呈现出明显的空间分异特征。从科技创新综合效率的空间格局来看,北京、天津、上海、浙江、广东等发达地区综合效率相对较高、而新疆、内蒙古、山西、宁夏、青海、云南等欠发达地区综合效率相对较低;2001年、2013年综合效率最低的分别是青海和新疆,效率值仅为0.239、0.412。在变化上,2001年到2013年间江苏、四川、陕西、湖北等综合效率大幅提升,均上升0.3以上;而云南、福建、海南、内蒙古综合效率呈现负增长,均下降0.2以上。总体上,纯技术效率与规模效率的空间分异格局与综合效率基本一致（图2）。2001年黑龙江、江苏、重庆、云南、内蒙古、江西、贵州7省区纯技术效率显著高于规模效率,陕西、吉林、河北、四川、山西等16省区纯技术效率显著低于规模效率;2013年纯技术效率显著高于规模效率的省域单元仅有青海和宁夏2省区,山西、新疆、甘肃、河北、四川等17省区纯技术效率显著低于规模效率。
Fig. 2 Comprehensive efficiency of S&T innovation of each province of China in 2001, 2007 and 2013

图2 2001年、2007年、2013年中国各省区科技创新综合效率

（2）中国区域创新效率具有明显的空间聚集性,自东向西呈梯次递减。从中国区域“四大板块”来看,科技创新效率在空间上表现出显著的自东向西梯次递减规律。通过2001年、2007年、2013年“四大板块”科技创新综合效率、纯技术效率、规模效率的均值分析可知,三者的空间格局均表现为“东部地区>东北地区>中部地区>西部地区”。2013年“四大板块”的综合效率分别为0.901、0.810、0.758、0.587,其中东部和东北均高于全国水平,而中部、西部地区较全国水平还存在着很大的差距（图3）。从2001-2013年变化来看,“四大板块”间科技创新效率的差异呈现不断扩大的趋势,东部和中部地区的综合效率大幅度提高,东北地区基本保持不变,而西部在经过10来年的发展过程中科技创新综合效率不升反降,从2001年的0.601下降到2013年的0.587,与全国水平差距从0.136扩大到0.203。值得注意的是,东部地区、中部地区创新综合效率的上升主要来自于纯技术效率与规模效率共同上升的结果,而西部地区综合效率的下降源自于规模效率的下降。
Fig. 3 Comparison of S&T innovation efficiency in different regions of China

图3 中国“四大板块”科技创新效率比较

（3）科技创新效率与经济发展具有空间耦合特征。根据世界银行的经济发展类型区划分标准,按照全国人均GDP的75%、100%、150%,将各省区划分为欠发达地区、一般发展区、较发达地区、发达地区4个等级水平（表4）。通过比较各年份不同经济发展类型区的变化,说明随着经济发展水平的不断提高,中国科技创新综合效率、纯技术效率、规模效率呈现递增特征,2013年,欠发达地区、一般发展区、较发达地区、发达地区综合效率分别为0.696、0.772、0.818、1.000（表4）。对于不同经济发展类型区,导致综合效率较低的关键因子不尽一致。吉林、山东、福建、辽宁等较发达地区与贵州、甘肃、云南、广西等欠发达地区的关键因子均是纯技术效率较低,湖南、湖北、河北、四川等一般发展区的关键因子是规模效率较低。由此可知,区域经济发展水平与科技创新效率在空间上具有一定的耦合性,区域经济发展水平的空间差异一定程度上导致了科技创新效率的空间非均衡性。
Tab. 4 Comparison of S&T innovation efficiency in areas of China with different developing levels

表4 中国不同经济发展水平地区创新效率比较

2001年各省市科技投入产出 2007年各省市科技投入产出 2013年各省市科技投入产出
综合效率 纯技术效率 规模效率 综合效率 纯技术效率 规模效率 综合效率 纯技术效率 规模效率
发达地区 1.000 1.000 1.000 0.974 1.000 0.974 1.000 1.000 1.000
较发达地区 0.798 0.889 0.890 0.746 0.783 0.953 0.818 0.868 0.931
一般发展区 0.761 0.816 0.935 0.733 0.787 0.933 0.772 0.921 0.838
欠发达地区 0.597 0.644 0.936 0.642 0.729 0.892 0.696 0.762 0.914

5 中国科技创新发展的类型区划分及政策建议

5.1 科技创新发展的类型区划分

区域科技创新发展水平主要取决于投入规模与创新效率,投入规模能反映区域科技创新资源的丰富程度,科技创新效率能反映区域科技创新资源的有效配置和利用水平,一般来说高投入高效率的区域,科技创新发展水平往往更高。所以按照科技创新投入规模和效率水平对中国各省份进行划分,更能科学地揭示中国科技创新发展的客观规律。采用Quantile（分位数）分类方法,将2013年各省级地域单元的科技创新累计经费投入规模和创新效率分为高（H）、中（M）、低（L）3个等级,累计经费投入规模划分为高投入（>450亿元）、中等投入（150亿~450亿元）、低投入（<150亿元）3个水平;同样的,科技创新效率划分为高效率（>90%）、中等效率（70%~90%）、低效率（<70%）3个效率水平。按照投入规模与效率水平对各省级单元进行复合,得到7种科技创新投入—效率类型区（图4）,其中高投入高产出类型区（H-H）有6个省级地域单元;高投入中产出类型区（H-M）有1个;中投入高产出类型区（M-H）有5个;中投入中产出类型区（M-M）有6个;中投入低产出类型区（M-L）有3个;低投入中产出类型区（L-M）有2个;低投入低产出类型区（L-L）有7个。
Fig. 4 Typical areas based on input and efficiency of S&T innovation in China

图4 中国科技创新投入—效率类型区划分

中国科技创新效率与投入规模存在着密切关系,一般说来高投入地区的创新效率显著高于低投入地区。根据科技创新投入规模等级和综合效率等级建立创新评估矩阵（表5）,并综合考虑区域发展背景的相似性以及区域邻近性,将中国划分为4种科技创新发展区,分别为科技创新引领区、科技创新突破区、科技创新提升区、科技创新赶超区（图5）,为推进实施科技创新区域差异化的优先推进战略提供支撑。
Tab. 5 Evaluation matrix of S&T innovation development pattern in China

表5 中国科技创新发展格局评价矩阵

综合效率
高效率 中效率 低效率
投入规模 高投入 北京、天津、上海、江苏、浙江、广东 山东
中投入 重庆、陕西、湖北、安徽、黑龙江 辽宁、吉林、河北、
湖南、福建、四川		 山西、河南、江西
低投入 广西、甘肃 云南、新疆、青海、宁夏、内蒙古、海南、贵州
Fig. 5 Different types of areas of S&T innovation in China

图5 中国科技创新发展类型区

5.2 科技创新发展类型区的政策建议

（1）科技创新引领区
科技创新引领区即高投入高产出类型区（H-H）,包括北京、天津、上海、江苏、浙江、广东6个省市。该类型区全部位于沿海地区,是中国社会经济最发达,人口最稠密、科技资源最为丰富的地区。长期以来,由于地理区位优势明显,外资的进入、经济发展速度远高于其他区域,并在投资收益驱动下,该区采取一系列政策措施来加大科技创新投入、完善创新基础设施、优化创新环境,吸引了大量的创新资本和高科技人才,成为中国科技创新最核心的区域。未来,该区的科技创新发展应立足于领先全国的创新资源与体制优势,打造成为在全球创新网络中具有竞争力并引领中国科技创新发展的区域。因此,应着力于4个方面：① 加强创新策源地建设,面向国家战略需求的基础前沿和高技术研究,依托“科学园区”,集成跨学科、跨领域的优势力量,加快重点突破,为产业技术进步积累原创资源。② 充分发挥国际科技合作的平台优势,积极寻求国际科技合作,自主创新与引进先进技术并行,尽快缩小与发达国家的科技创新差距。③ 大力发展高技术产业,培育世界一流创新型企业,推动主要产业进入全球价值链中高端。④ 推动北京、上海等优势地区建成具有全球影响力的科技创新中心,并成为全国性的研发枢纽城市,加快辐射带动并引领全国科技创新走向新阶段。
（2）科技创新突破区
科技创新突破区由中投入高产出类型区（M-H）和高投入中产出类型区（H-M）组成,包括重庆、陕西、湖北、安徽、黑龙江、山东6省市,科技创新综合效率处于高水平,纯技术效率与规模效率基本相当。该地区科技创新能力仅次于科技创新引领区,在创新基础、产业发展、交通运输等方面都具有一定优势,科技创新具有较大发展潜力。该区域未来发展应立足于当前科技创新基础,在科技成果转化、重点科技创新领域上取得突破。具体来说,应确定4个重点发展方向：① 加大科技成果转化基地建设,扶持、推动重点产业创新链条的形成,实现创新引领区以及本区域科技成果产业化。② 加强产学研合作,充分发挥该区域重点院校和研究单位科研力量的优势,与企业实现资源优势互补、融合,完善有助于产学研结合的优惠政策。③ 重视科技企业创新的环境培育,特别是提高中小型科技企业的创新活力,有利于提高创新效率和推动创新文化的发展。④ 该区域主要分布在长江经济带上,具有承东启西的作用,可将其打造成为沿海发达地区向内陆实现科技创新梯度转移的重要发展轴。
（3）科技创新提升区
科技创新提升区由中投入中产出类型区（M-M）和中投入低产出类型区（M-L）组成,包括辽宁、吉林、山西、河南、河北、湖南、江西、福建、四川9省,集中于中国中部地区,纯技术效率显著低于规模效率,区域科技创新效率不高主要受纯技术效率约束。该区有较为深厚的科技基础,具备较强的科技创新提升潜力,但由于科技创新投入相对较少、创新环境落后、产业结构不合理、企业转型困难等,总体表现为创新效率不高。该区域未来应重点提升3个方面：① 加强市场化生产基地的建设,大力推进市场化进程,主动承接高技术产业转移,加强技术转移的环境建设,包括基础设施等硬环境,同时也包括服务、法规政策方面的软环境。② 增强创新意识、以科技创新为依托促进发展方式从以规模扩张为主导的粗放式增长向以质量效益为主导的可持续发展转变,提升钢铁、有色金属、石化、建材等高耗能行业的节能技术水平,发展绿色高效的现代农业技术。③ 激活新中国成立以来、特别是“三线”时期布局在中部地区以及东北老工业基地的科技创新潜力,以国家主导与地方结合择优发展某些高新技术产业和产品。
（4）科技创新赶超区
科技创新赶超区由低投入中产出类型区（L-M）和低投入低产出类型区（L-L）组成,包括云南、新疆、青海、宁夏、内蒙古、海南、贵州、广西、甘肃9省区,另外从已有的科技创新数据判断,西藏的科技创新能力较弱,所以也将其纳入到这个发展类型区中。该区主要分布于中国的西部,科技创新规模效率与纯技术效率均很低,科技创新效率同时受二者约束,但受规模效率低约束更为显著。该区受历史因素和自然条件的限制,社会经济发展比较落后以及政策体系不健全,使得科技创新基础设施较差。未来该区域科技创新发展要立足于自身的资源优势和自然环境等比较优势条件,实施科技创新赶超战略。具体需要从以下几个方面重点推进：① 针对这些地区科技创新投入缺乏,国家应该在科技政策、科技资源等方面适当倾斜于该类区域,增强这些地区发展的内生动力。② 完善区域内外交通通讯等基础设施,加强对教育的投资力度,着力改善区域科技创新环境。③ 充分利用该地区丰富的矿产资源、新能源资源、生物资源等发展高新技术产业与具有战略前景的产业,加快实现特色优势资源向经济优势转变。④ 整合创新资源,建设高科技人才引进平台,重点打造区域性科技创新城市,与发达地区的科技创新城市保持互动,有选择性地引进高新技术,使之成为带动区域整体发展的科技创新增长极。

6 结论与讨论

本文基于阿尔蒙法的分布滞后模型度量科技创新投入的滞后效应,用改进后的可变规模报酬VRS模型测度中国30个省域单元的科技创新效率,探讨科技创新效率的变化趋势及空间分异特征,并立足投入规模—创新效率双维度,识别中国科技创新发展类型区,主要形成以下几点结论：
① 不同创新产出对创新投入的响应滞后期有所区别,总体来说平均滞后期取4年较为合理。计算结果显示中国科技创新投入主要集中在少数几个省域单元,并呈现出进一步集聚的趋势,区域间呈现出“沿海—内陆”的极大差距,与GDP的区域差距比较发现,当前中国的科技创新投入差距已经大于区域间经济发展水平的差距。② 中国科技创新效率总体处于较低水平,但呈不断上升的趋势,其中纯技术效率与规模效率表现出相反的变化趋势,纯技术效率上升、规模效率下降;创新效率在省际之间分异明显,高创新效率单元主要集中在北京、天津、上海、浙江、广东等发达地区,科技创新效率在空间上呈自东向西梯度递减趋势,并且梯级间的差异逐渐扩大。科技创新效率与区域经济发展水平在空间上具有一定的耦合性,经济发展水平的差距在一定程度上导致了创新效率的空间非均衡性。③ 根据区域创新投入规模与创新效率,可识别出7种科技创新投入—效率类型区。在此基础上,着眼于为中国科技创新发展提供决策支撑,综合考虑区域发展背景的相似性及区域邻近性,进一步划分出4种科技创新发展区：科技创新引领区、科技创新突破区、科技创新提升区、科技创新赶超区。其中,科技创新引领区应重点打造成为在全球创新网络中具有竞争力并引领中国科技创新发展的区域;科技创新突破区应立足于当前科技创新基础,在科技成果转化、重点科技创新领域上取得突破;科技创新提升区应增强创新意识、大力推进市场化进程,主动承接高技术产业转移,转变经济增长方式;科技创新赶超区立足于自身的资源优势和自然环境等比较优势条件,实施科技创新赶超战略。
另外,有几个问题值得进一步深入探究。① 细化研究尺度。本文采用基于滞后效应的科技创新投入产出效率测度方法从省级尺度评价了各单元的创新效率,未来还需要从更小的尺度出发拓展评估内容的深度,并探讨科技创新效率的影响机制。② 当前中国东部发达地区与中西部区欠发达地区科技创新能力的差距已经大于经济发展水平的差距,为了防止区域发展差距进一步扩大,未来国家应该制定怎样的科技创新战略推动区域协调发展还需要更深入的研究。③ 当前中国科技创新政策过于宏观,对如何制定更有针对性的科技创新政策、发展计划等提高科技资源配置效率,仍然需要进一步深化研究。

The authors have declared that no competing interests exist.

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
樊杰, 刘汉初. “十三五”时期科技创新驱动对我国区域发展格局变化的影响与适应. 经济地理, 2016, 36(1): 1-9.十三五时期是我国从投资和外向型经济驱动为主加快向科技创新驱动和内需拉动转型发展的重要阶段。区域发展格局在转型发展中的变化将成为人文与经济地理学研究新因素、新机制的新命题,而且对中央和地方政府应对转型中促进区域协调发展的政策体系具有重要意义。文章采用统计数据分析传统发展模式——投资和外向型经济驱动下形成的区域发展格局的基本特征,得出以下结论：投资拉动区域经济的力度随着区域经济发展水平的降低而显著增加,外向型经济对区域经济的拉动作用随着区域经济发展水平的提高而明显增加;科技创新对区域经济贡献程度在省际层面正逐步超过投资和外向型经济的贡献;当前科技创新能力的区域差距大于当前经济发展水平的区域差距。在此基础上,进一步讨论了科技创新能力对未来区域发展的作用及区域发展格局有可能强化＂沿海—内陆＂梯度的前景,提出在创新驱动下我国区域间发展差距将会进一步拉大的预测结论,从而说明统筹科技创新驱动战略同协调、均衡、共享等区域发展理念的必要性。针对欠发达的中西部地区在新一轮发展中最大短板是科技创新能力落后,为避免中西部欠发达地区在新一轮起跑线上就落伍,提出了着力资源优势转化、激活＂三线＂科技创新潜力以及打造创新链条等培育中西部欠发达地区科技创新能力的政策建议。

DOI

[Fan Jie, Liu Hanchu.Impacts and adaptation of Chinese regional development pattern changes influenced by scientific and technological innovation driven during the thirteenth national five-year plan period. Economic Geography, 2016, 36(1): 1-9.]

[2]
Ungkyu Han, Mette Asmild, Martin Kunc.Regional R&D efficiency in Korea from static and dynamic perspectives. Regional Studies, 2016, 50(7): 1170-1184.

DOI

[3]
张宗益, 周勇, 钱灿, 等. 基于SFA模型的我国区域技术创新效率的实证研究. 软科学, 2006, 20(2): 125-128.使用我国31个省、市、自治区1998～2003年的panel data数据，运用基于对数型柯布-道格拉斯生产函数的随机前沿生产函数（SFA）实证研究了我国区域技术创新效率。研究结果表明：我国区域技术创新效率虽然呈上升趋势，但效率较低，同时，东、中、西部之间区域技术创新效率差距明显。这表明如何提高我国区域技术创新效率和缩小区域之间效率差距是当前问题的关键。

DOI

[Zhang Zongyi, Zhou Yong, Qian Can, et al.The empirical analysis of efficiency of Chinese regional innovation systems on stochastic production frontier function. Soft Science, 2006, 20(2): 125-128.]

[4]
胡恩华, 刘洪, 张龙. 我国科技投入经济效果的实证研究. 科研管理, 2006, 27(4): 71-75, 60.

[Hu Enhua, Liu Hong, Zhang Long.An empirical analysis of economic effect of China's science and technology investment. Science Research Management, 2006, 27(4): 71-75, 60.]

[5]
陈修颖, 陈颖. 浙江省科技资源的区域差异及其空间配置效率研究. 地理科学, 2012, 32(4): 418-425.科技资源是科技活动的基础,是创造科技成果,推动整个经济和社会发展的要素的集合。利用主成分分析法评价了浙江省各地级市科技资源的存量,并运用ArcView 分析了浙江省科技资源的空间分布状况,利用数据包络分析法(DEA)评价了浙江省各地级市的科技资源配置相对效率,利用柯布-道格拉斯生产函数和索洛余值法计算了各个地级市的科技进步对于经济发展的贡献率。结果表明：①浙东北的科技资源及科技进步贡献率都要明显高于浙西南,同时浙东北、浙西南内部也存在着较大的差异。②杭州市、嘉兴市、绍兴市、金华市、舟山市和丽水市科技资源配置效率较高,而宁波市、温州市、湖州市、衢州市和台州市的科技资源配置效率相对较低。

[Chen Xiuying, Chen Ying.The regional differences of science and technology resources and the allocation efficiency evaluation in Zhejiang province. Scientia Geographica Sinica, 2012, 32(4): 418-425.]

[6]
Liberatore M.An extension of the analytic hierarchy process for industrial R&D project selection and resource allocation. IEEE Transactions on Engineering Management, 1987, 34(1): 12-18.

[7]
王伟光. 中国工业行业技术创新实证研究. 北京: 中国社会科学出版社, 2003.

[Wang Weiguang.The Research on Industry Technology Innovation of China. Beijing: China Social Science Press, 2003.]

[8]
Daniel J.Graham. Productivity and efficiency in urban railways: Parametric and non-parametric estimates. Transportation Research. Part E: Logistics and Transportation Review, 2008, 44(1): 84-99.This paper formulates and compares parametric productivity estimates and non-parametric efficiency scores for urban rail firms. It outlines a decomposition of total factor productivity (TFP) change and proposed some hypotheses about how this relates to an analysis of efficiency using data envelopment analysis (DEA). TFP is empirically evaluated using estimates from a translog production function. The estimation also tests some hypotheses about the elements that comprise firm specific ‘technology’. The results show that while estimates of returns to scale differ using the TFP and DEA methods, the ranking of urban rail efficiency is broadly similar.

DOI

[9]
Goran B, Ted L.Evaluating the performance of Swedish savings banks according to service efficiency. European Journal of Operational Research, 2008, 185(3): 1663-1673.This article develops principles for an evaluation of the efficiency of a savings bank. It starts out from the observation that such a bank is less profit oriented than a commercial bank. The customer is a vital stakeholder to the savings bank implying a greater emphasis on customer service provision. We are using data envelopment analysis (DEA) as a method to consider the service orientation of savings banks. We thereby demonstrate how an evaluation of the performance of savings banks according to “service efficiency” differs from an evaluation based on the traditional “profit” or shareholder concept. We determine the number of Swedish savings banks being “service efficient” as well as the average degree of service efficiency in this industry.

DOI

[10]
Hawdon D.Efficiency, performance and regulation of the international gas industry: A boot strap DEA Approaches. Energy Policy, 2003, 31(11): 1167-1178.Natural gas has become increasingly important as a source of energy in recent years. It is widely viewed as an attractive means of realizing environmental objectives post Kyoto, and individual country gas industries have been extensively restructured to encourage investment from the private sector. Barriers to international trade in gas have fallen particularly in areas such as Europe and Asia as pipeline facilities have expanded and trading systems have become established. An important question for policy makers concerns the use of scarce resources by this expanding industry.Regulatory authorities increasingly use efficiency comparators to incentivise minimum cost use of resources by price cap methods, yardstick competition and other techniques. This paper explores some of the policy developments, which affect efficiency of resource use in the gas industry, and uses data envelopment analysis to measure relative performance at the individual country level. Recent developments in bootstrapping techniques are used to correct efficiency estimates for bias and to assess the uncertainty surrounding such estimates. The implications of these results for regulatory authorities are then explored.

DOI

[11]
方创琳, 关兴良. 中国城市群投入产出效率分析, 地理学报, 2011, 66(8): 1011-1022.

[Fang Chuanglin, Guan Xingliang.Comprehensive measurement and spatial distinction of input-output efficiency of urban agglomerations in China. Acta Geographica Sinica, 2011, 66(8): 1011-1022.]

[12]
谢花林, 王伟, 姚冠荣, 等. 中国主要经济区城市工业用地效率的时空差异和收敛性分析. 地理学报, 2015, 70(8): 1327-1338.基于SBM模型分析了2002-2012年中国6个主要经济区城市工业用地利用效率的空间差异,然后用Malmquist指数揭示工业用地全要素生产率(Total factor productivity,TFP)的动态变化,并对其做收敛性分析。结果发现:珠三角和长三角经济区城市工业用地利用效率较高,但TFP却出现衰退趋势;京津冀、成渝、关中—天水和中原经济区城市工业用地利用效率较低,但TFP却出现增长趋势。各经济区都存在工业用地粗放利用、工业劳动力过剩以及工业经济产出不足的情况。工业用地TFP的收敛性分析表明仅有长三角经济区存在俱乐部收敛现象;各经济区都存在条件收敛。影响变量的估计结果表明,为提高工业用地TFP,长三角经济区需要适当减小工业劳动力和工业产值占总体劳动力和经济产值的比重,珠三角经济区需要提高城市化率,京津冀经济区需要适当提高工业产业层次并积极引导转移工业剩余劳动力,成渝经济区需要适当减小工业劳动力比重;所有经济区都需提高工业用地利用强度。

DOI

[Xie Hualin, Wang Wei, Yao Guanrong, et al.Spatial and temporal differences and convergence of China's main economic zones. Acta Geographica Sinica, 2015, 70(8): 1327-1338.]

[13]
程钰, 任建兰, 陈延斌, 等. 中国环境规制效率空间格局动态演变及其驱动机制. 地理研究, 2016, 35(1): 123-136.环境规制效率评价是评估政府环境治理绩效的重要方式和途径。运用数据包络分析方法(DEA模型)测度中国环境规制效率,结合变异系数、基尼系数、空间自相关以及Tobit模型,探讨中国环境规制效率空间演变特征,并探究环境规制效率影响因素及驱动机制,研究表明:1 2000-2012年中国各地区环境规制效率呈现波动上升趋势,变异系数、基尼系数呈现"综合效率规模效率纯技术效率"态势;2环境规制综合效率、纯技术效率和规模效率随着经济发展水平的提高逐渐递增,且呈现东部地区东北地区中部地区西部地区的空间分异特征,环境规制效率空间集聚态势明显;3经济发展、城镇化、技术投入、市场化、全球化等与环境规制效率呈显著性正相关,而产业结构(工业产值占GDP比例)与环境规制效率呈显著性负相关。研究结果可为实现区域可持续发展提供一定的指导和借鉴。

DOI

[Cheng Yu, Ren Jianlan, Chen Yanbin, et al.Spatial evolution and driving mechanism of China's environmental regulation efficiency. Geographical Research, 2016, 35(1): 123-136.]

[14]
Nasierowski W, Arcelus F J.On the efficiency of national innovation systems. Socio-Economic Planning Sciences, 2003, 37: 215-234.This paper presents a non-parametric approach to the disentanglement of the related effects of efficiency and productivity of a country's technological effort. The ultimate purpose is to identify the extent to which the alleged decrease in the productivity growth of many countries can be explained by differences in efficiency and by differences in its components, namely scale and congestion. The role of moderators in explaining productivity fluctuations if also assessed. The database consists of the countries included in the World Competitiveness Report.

DOI

[15]
王蓓, 刘卫东, 陆大道. 中国大都市区科技资源配置效率研究: 以京津冀、长三角和珠三角地区为例. 地理科学进展, 2011, 30(10): 1233-1239.随着21 世纪知识经济时代的到来，科技创新成为经济社会持续发展的助推器；其中，大都市区是科技活动的聚集地。在中国，京津冀地区、长江三角洲地区和珠江三角洲地区在国家创新体系中扮演着重要的角色。文章通过分析京津冀、长三角和珠三角地区科技资源投入产出的主要指标，阐述了3 大都市区的科技发展态势，并运用熵值法和DEA模型方法，评价了科技资源配置综合效率。通过研究发现，京津冀、长三角和珠三角地区的科技发展态势及资源配置效率具有以下特点：① 京津冀、长三角和珠三角地区是中国科技资源的主要聚集地；② 京津冀地区的科技创新能力存在极化现象，创新单元分布不均衡；长三角和珠三角地区创新水平整体较为一致，有望成为中国最具创新活力的地区；③ 长三角和珠三角地区的科技资源配置综合效率整体优于京津冀地区。

DOI

[Wang Bei, Liu Weidong, Lu Dadao.Allocation efficiency of science and technology resources in Jing-Jin-Ji, Yangtze River Delta and Pearl River Delta regions. Progress in Geography, 2011, 30(10): 1233-1239.]

[16]
樊华, 周德群. 中国省域科技创新效率演化及其影响因素研究. 科研管理, 2012, (1): 10-18, 26.本文运用规模报酬可变的DEA模型测度2000-2007年中国省域科技创新效率并分析其收敛性和影响因素。研究发现:科技创新效率具周期性波动演化特点;东部省域科技创新效率高于中西部省域,西部省域科技创新效率提高快,赶上并超过了中部省域;西部省域科技创新效率具有绝对和条件收敛特征;全国和东中部省域科技创新效率条件收敛显著,绝对收敛特征不明显;考察期内工业结构、对外开放度、高等教育发展水平对科技创新效率具有正影响效应,而政府影响力具有负向作用。研究结果为国家及地区科技创新效率政策提供参考信息。

[Fan Hua, Zhou Dequn.Regional science and technology innovation efficiency evolution and its affect factors in Chinese provinces. Science Research Management, 2012, (1): 10-18, 26.]

[17]
范斐, 杜德斌, 李恒, 等. 中国地级以上城市科技资源配置效率的时空格局. 地理学报, 2013, 68(10): 1331-1343.

[Fan Fei, Du Debin, Li Heng, et al.Spatial-temporal characteristics of scientific and technological resources allocation efficiency in prefecture-level cities of China. Acta Geographica Sinica, 2013, 68(10): 1331-1343.]

[18]
陈国生, 杨凤鸣, 陈晓亮, 等. 基于Bootstrap-DEA方法的中国科技资源配置效率空间差异研究. 经济地理, 2014, 34(11): 36-42.目前中国科技资源配置效率区域之间差异较大,并突出地表现出较高的纯技术效率与较低的规模效率。将三阶段DEA模型和Bootstrap-DEA方法相结合对中国科技资源配置效率空间差异进行实证分析,可以看出,经济发展水平和教育投入的提高是改革科技资源配置效率主因素,而工业发展、外资依存度和开放程度的增加不能明显改善科技资源配置效率的空间布局。另外,Bootstrap纠偏后的各区域科技资源配置效率有所下降,其中东部和中部地区的效率下降显著。

DOI

[ Chen Guosheng, Yang Fengming, Chen Xiaoliang.et al.Analysis on the regional differences of science and technology resources allocation efficiency in China: Based on the Bootstrap-DEA method. Economic Geography, 2014, 34(11): 36-42.]

[19]
曹贤忠, 曾刚, 邹琳. 长三角城市群R&D资源投入产出效率分析及空间分异. 经济地理, 2015, 35(1): 104-111.

[Cao Xianzhong, Zeng Gang, Zou Lin.Spatial differentiation of Input-Output efficiency of R&D resources in case of Yangtze river deltaurban agglomeration. Economic Geography, 2015, 35(1): 104-111.]

[20]
李国平, 王春杨. 我国省域创新产出的空间特征和时空演化: 基于探索性空间数据分析的实证. 地理研究, 2012, 31(1): 95-106.

[Li Guoping, Wang Chunyang.Spatial characteristics and dynamic changes of provincial innovation output in China: An investigation using the ESDA. Geographical Research, 2012, 31(1): 95-106.]

[21]
程叶青, 王哲野, 马靖. 中国区域创新的时空动态分析. 地理学报, 2014, 69(12): 1779-1789.

[Cheng Yeqing, Wang Zheye, Ma Jing.Analyzing the space-time dynamics of innovation in China. Acta Geographica Sinica, 2014, 69(12): 1779-1789.]

[22]
吴家喜, 彭洁. 科技资源配置能力内涵及驱动因素分析. 工业技术经济, 2010, 29(12): 103-107.科技资源是科技创新活动的基础,增强科技资源配置能力,提高科技资源配置效率对于顺利推进创 新型国家建设具有重要意义。科技资源配置能力是科技资源配置主体在科技资源配置实践过程中形成的对科技资源投入与使用进行科学定位、对内外部科技资源进行 有效整合和利用的知识与技能,具有独特性、系统性、动态性、路径依赖性等特点。科技资源配置能力由科技资源定位能力、内部科技资源整合能力和外部科技资源 获取能力构成,并通过市场、制度、社会、技术4种驱动因素的协同作用实现科技资源配置效率的提升。

DOI

[Wu Jiaxi, Peng Jie.An analysis on connotation and driving forces of the allocation capability of science and technology resources. Industrial Technology Economy, 2010, 29(12): 103-107.]

[23]
杜志威, 吕拉昌, 黄茹. 中国地级以上城市工业创新效率空间格局研究. 地理科学, 2016, 36(3): 321-327.<p>以中国288个地级以上城市为研究对象,运用2008年第二次全国经济普查工业创新活动数据,综合考察城市工业创新效率的空间格局及其影响因素。首先,从投入和产出两方面构建了中国城市工业创新效率评价体系,运用DEA包络分析方法,从规模效率和纯技术效率两个维度对城市工业创新技术效率进行分析。然后,以聚类分析划分了3类工业创新效率城市,总结工业创新效率模式的空间特征,并分析了影响空间格局的原因。研究发现：中国城市工业创新效率呈现东强西弱,阶梯状减弱的总体空间格局,工业创新规模效率和纯技术效率的空间特征并不重合;全国尺度上,工业创新效率城市的空间分布与人口密度&#x0201c;黑河<i>-</i>腾冲&#x0201d;线的分布基本一致,区域尺度上,城市间呈现&#x0201c;核心<i>-</i>边缘&#x0201d;空间结构;城市工业创新效率空间格局受到工业发展基础与工业创新能力影响,提高城市工业创新效率关键在于提升工业创新中人力资本要素和优化工业创新投入规模。</p>

DOI

[Du Zhiwei, Lyu Lachang, Huang Ru.Spatial pattern of industrial innovation efficiency for Chinese cities at prefecture level and above. Scientia Geographica Sinica, 2016, 36(3): 321-327.]

[24]
刘凤朝, 潘雄锋. 基于Malmquist指数法的我国科技创新效率评价. 科学学研究, 2007, 25(5): 986-990.用Malmquist指数方法测算了我国科技创新效率的变动趋势,并把科技创新效率的增长分解为技术进步和资源配置效率变化两个部分。结果显示:20世纪90年代以来我国科技创新效率的增长主要是由技术进步推动,资源配置效率对科技创新效率的增长贡献较小。

DOI

[Liu Fengchao, Pan Xiongfeng.An empirical research on the influencing factors of cooperative innovation between enterprises based on the relative idle resource. Studies in Science of Science, 2007, 25(5): 986-990.]

[25]
杨志江, 罗掌华. 我国各省市技术创新效率差异的比较研究. 中国科技论坛, 2012, (1): 18-22.

[ Yang Zhijiang, Luo Zhanghua.Comparative study on technological innovation efficiency of provinces or municipal cities in China. Forum on Science and Technology in China, 2012, (1): 18-22.]

[26]
孙凯, 李煜华. 我国各省市技术创新效率分析与比较. 中国科技论坛, 2007, (11): 8-11.通过建立区域创新效率的评价指标体系，应用数据包络分析（DEA）方法对我国30个省市的技 术创新效率进行了分析与比较。结果表明，我国大多数省份没有充分利用或低效率利用其创新投入，并且区域技术创新效率未必与其技术创新能力以及经济发展水平 相一致。各地区应因地制宜地制定技术创新政策，提高技术创新的效率。

DOI

[Sun Kai.Technical innovation efficiency analysis and comparison of provinces and cities in China. Forum on Science and Technology in China. 2007, (11): 8-11.]

[27]
张俊容, 郭耀煌. 评价指标与DEA有效的关系. 系统工程理论方法应用, 2004, 13(6): 520-523.

[Zhang Junrong, Guo Yaohuang.Relationships between evaluation indicators with DEA effectivity. Systems Engineering-Theory Methodology Applications, 2004, 13(6): 520-523.]

[28]
Jefferson G, HU Albert G Z, Guan X, et al. Ownership, performance, and innovation in China's large and medium-size industrial enterprise sector. China Economic Review, 2002, 14: 89-113.China's 22,000 large- and medium-size enterprises (LMEs) stand at the pinnacle of Chinese industry. Although they account for less than a fraction of a percent of China's nearly 8 million industrial enterprises, they collectively account for one third of the nation's total industrial output. Using a panel of these enterprise data for 1994 1999, we find a rapidly diversifying ownership structure in which the role of the state is steadily retreating. At the same time, we find considerable variation in measures of performance across ownership types and see emerging within Chinese industry, evidence of high-intensity R&D performers that exhibit substantial innovation capabilities.

DOI

[29]
官建成, 何颖. 基于DEA方法的区域创新系统的评价. 科学学研究, 2005, 23(2): 265-272.

[Guan Jiancheng, He Ying.The performance of Chinese regional innovation system evaluation based on data envelopment analysis. Studies in Science of Science, 2005, 23(2): 265-272.]

[30]
胡斌. 基于改进DEA的我国各省市R&D活动效率实证分析. 工业技术经济, 2009, 28(8): 80-83.

[Hu Bin.An empirical analysis the efficiency of R&D activities in various cities and provinces based on changed data envelopment analysis. Industrial Technology Economy, 2009, 28(8): 80-83.]

[31]
孙威, 董冠鹏. 基于DEA模型的中国资源型城市效率及其变化. 地理研究, 2010, 29(12): 2155-2165.利用DEA模型和Malmquist生产率指数,对2000年和2008年我国24个典型资源型城市效率及其变化进行了深入研究。研究发现,资源型城市综合效率水平一般,只有少数城市达到了综合效率最优;规模效率是决定综合效率最优的主要因素,但作用有所下降。从城市效率的分类特征看,东北地区的资源型城市效率始终排在前列;人口规模与城市效率呈一定的正相关关系。资源型城市的综合效率变化呈弱改善趋势;技术变化指数和生产率变化指数均呈下降趋势。从城市效率变化的分类特征看,西部地区的城市综合效率提高最明显;除钢铁型城市外,不同资源类型的城市综合效率都有提高;中小城市的综合效率提高幅度大于大城市。

DOI

[Sun Wei, Dong Guanpeng.The efficiencies and their changes of China's resources: Based cities employing DEA and Malmquist Index Models. Geographical Research, 2010, 29(12): 2155-2165.]

Options
Outlines

/

〈 〉