国家中心城市科技投入产出效率评价——基于五大中心城市的数据

刘绘珍

(郑州航空工业管理学院 管理科学与工程学院，河南 郑州 450015)

一、引 言

科技投入产出效率是相关科技资源的效率和效果的集合，反映了一个国家或地区的利用科技资源的能力。2011年我国“十二五”规划提出：坚持把科技进步和创新作为加快转变经济发展方式的重要支撑，深入实施科教兴国战略和人才强国战略，加快建设创新型国家。目前我国确立了北京、上海、天津、广州、重庆五个国家中心城市。所谓国家中心城市，就是指在全国范围内在政治、经济、文化诸方面具备引领、辐射、集散功能的城市。对国家中心城市科技投入产出进行评价研究，是当前创新型国家和创新型城市建设的内在需要，是提高科技资源利用效率的需要，也是制定国家科技政策的重要依据。

就科技投入产出效率的评价而言，目前方法很多。如何科学合理地选择评价方法，从而使结果具有说服力和指导作用是研究的重点。现有的研究中常用的几种评价方法都存在不足之处：指标加权评价法由于研究角度和研究者的主观判断，在指标的选取和指标权重的确定上存在较大差异；模糊评价法无法解决评价指标间相关造成的评价信息重复问题，缺乏系统地确定隶属函数的方法，而且模糊推理合成法则的选择带有很大的经验性问题；层次分析法同样以主观判断为重要依据，缺乏客观性。可见，虽然以上几种方法在进行科技投入产出评价时被广泛使用，但由于自身的缺陷，分析结果往往存在偏误。因此，如何制定科学系统、全面的评价指标体系并采用科学严谨的数理统计方法对指标体系进行处理，使评价结果减少主观性，更具客观性，是保证评价结果准确的前提。[1]

本文选择了近年来运筹学中常见的DEA模型，其优点是可用于多个同质决策单元的相对效率评价，特别是多投入、多产出的复杂系统的效率评价。[2]

二、DEA评价模型

数据包络分析方法(Data Envelopment Analysis, DEA)是运筹学发展的一个新领域，其方法和模型是由美国著名运筹学家A.Charnesh和W.W.cooper等人以效率概念为基础发展起来的一种效率评价方法，它是研究若干相同类型的具有多输入、多输出的部门(或单元)的相对有效的方法。[3-7]

DEA评价模型具有如下性质：

(1)存在性定理——至少存在一个决策单元，它是DEA有效的；

(2)有效性与量纲选取无关定理——决策单元的DEA有效性与输入和输出量纲的选取无关；

(3)有效性与评价单元同倍“增长”无关定理——决策单元的DEA有效性与决策单元对应的输入和输出同倍“增长”无关。

鉴于以上优点，本文选用DEA模型对国家中心城市科技投入产出进行评价。进行DEA评价的过程中，通常会用到技术有效和规模有效的概念。技术有效：输出相对输入而言已达最大。规模有效：指投入量既不偏大，也不过小，是介于规模收入收益由递增到递减之间的状态，即处于规模收益不变的状态。

DEA有多个模型，本文采用非阿基米德无穷小的C2R模型来评价科技投入产出的综合效率和规模效率，用C2GS2模型评价技术效率[3]。

1.非阿基米德无穷小的C2R模型

假设有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)，每个决策单元有相同的s项产出(r==1,2,…,s)，xij表示j决策单元的第i项投入，yrj表示j决策单元的第r项产出。

衡量第j0决策单元是否DEA有效，模型如下。

C2R模型判定是否同时技术有效和规模有效。设该模型最优解为λ*,θ*,S*-,S*+，则有如下结论：

(2)θ*=1，但至少有某个输入或输出大于0，则决策单元j0为弱DEA有效，经济活动不同时为技术有效和规模有效。

(3)θ*<1，决策单元j0不是DEA有效，经济活动既不是技术最好，也不是规模最好。

2.评价技术有效性的C2GS2模型

符号的假设如前文，模型如下。

minσ

该模型的决策单元效率是纯技术效率。设该模型最优解为λ*,σ*,S*-,S*+，则有如下结论：

(1)若σ*=1，则决策单元j0为弱DEA有效(C2GS2纯技术)。

(3)若σ*<1，则决策单元j0不为DEA有效(C2GS2纯技术)。

三、实证分析

本文根据科学性、合理性、可比性、可获得性原则，参照《中国科技发展研究报告2006》[8]中有关科技竞争力的评价指标体系，并结合当前社会经济及科技发展趋势，构建科技投入和产出指标。科技投入下设人力、财力和机构3个二级指标，科技产出下设专利和论文2个二级指标。具体评价指标体系如表1所示。

本文研究数据主要来源于《中国科技统计年鉴》、《广东省科技年鉴》、《中国第三产业统计年鉴》、《中国教育统计年鉴》、《中国教育经费统计年鉴》、中华人民共和国国家知识产权局以及五大中心城市的科技厅官方网站。本文选取五大中心城市从2005年至2009年共五年的数据作为原始数据。

根据上面提到的C2R和C2GS2模型和收集的数据[9,10]，通过编程得到如表2所示的结果。

表1 科技投入产出评价指标体系

分析表2的计算结果，可以得出如下结论。

1.从整体效率方面分析

θ=1，但松弛变量不全为0的评价有5个单元，其为C2R模型下弱DEA有效。

θ<1的评价有7个单元，其为C2R模型下非DEA有效。

2.从规模效率方面分析

∑λ=1，在测评的25个单元中，18个单元属于规模收益不变阶段，即具有恰当的投入规模。

∑λ>1的无，即不存在评价单元规模收益递减的情况。

∑λ<1的有7个单元，即规模收益递增。

3.从技术效率方面分析

σ=1，但松弛变量不全为0的评价有2个单元，其为C2GS2模型下弱DEA有效。

σ<1的评价有5个单元，其为C2GS2模型下非DEA有效。

表2 C2R和C2GS2模型计算的结果

四、结 论

综上分析，无论从整体效率还是技术效率上，天津市的投入产出效率最高，这也反映了该市高科技产业结构比较合理，资源配置效率高。广州市的情况稍差些，从纵向比较，该市2009年投入产出的效果最好，说明该市的高科技产业结构在这5年中经历了一个从不合理到合理的调整。从规模效率上分析，上海市5年全部处于规模收益不变的状态。如果一个行业、公司或组织处于规模收益不变的阶段，则说明投入和产出达到了较为饱和的状态。所以上海市这5年的投入和产出基本处于较为饱和的状态。

根据上述分析，本文得出如下的政策启示。

首先，从2005年到2008年的数据来看，技术效率和规模效率相对落后，存在一定发展空间。这种不平衡性表现为技术效率和规模效率的“高低型”和“低高型”，原因在于技术落后和内部结构不合理。对于“高低型”的情况，应该扩大科技投入规模，优化内部结构，实现资源集中配置；对于“低高型”的情况，应该加大力度促进科技创新，充分提高技术利用效率。在加大科技投入力度的同时，提高科技成果利用率。企业也需进一步建立市场导向机制，使技术与市场紧密结合，提高科技利用效率。

其次，加强产学研间的协同效应。企业需要在充分利用内外部技术源的同时，进一步加强与科研机构和高等院校的合作，促进“产、学、研”一体化。利用大学教育的三大职能，提高企业员工的素质，加强对先进技术的消化吸收，并采取有效的激励政策留住人才，使其全身心投入研发工作，从而提升企业的创新水平。同时，具有较强的基础研发能力的科研院所也可以为企业的试验开发提供技术支持。

最后，政府应加大支持力度。政府需进一步完善税收减免、知识产权保护等政策法规，对高技术产业发展给予支持，引导企业将更多的人物力资源投向科技研发、成果转化等活动。加快建设一批投资少、见效快的创业园或创业孵化基地，促使科技发明、专利、创意转化成产品，促进高新技术产业的发展。

[1]赵 前，焦 捷，王以华.中国省际科技竞争力评价——基于超效率DEA的分析[J].清华大学学报(自然科学版)，2011，51(6)：820-826.

[2]胡同泽，黄利军．基于超效率DEA方法的大中型工业企业科技竞争力度量[J].科技进步与对策，2007,24(5)：56-58.

[3]Banker R D,Charnes A,Cooper W W. Some models for estimating technical and scale inefficiencies in date envelopment analysis [J]. Management science, 1984, 30(9):1078-1092.

[4]Cooper W W, Seiford L M and Tone K. Data envelopment analysis: A comprehensive text with models. Applications, references and DEA-solver, Kluwer academic publishers, Boston. 2000.

[5]Zhong W, Yuan W, Li S X, et al. The performance evaluation of regional R&D investments in China: An application of DEA based on the first official China economic census data[J]. Omega, 2010，(39):447-455.

[6]Banker R D, Natarajan R. Evaluating contextual variables affecting productivity using data envelopment analysis[J]. Operations Research, 2008，(56):48-58.

[7]Guan J C, Chen K H. Measuring the innovation production process: A cross-region empirical study of China's high-tech innovations [J]. Technovation, 2010，(30):348-358.

[8]倪鹏飞.中国城市竞争力报告[M].北京：科学社会文献出版社，2010.

[9]Li Y J, Chen Y, Liang L, et al. DEA models for extended two-stage network structures [J].Omega,2012，(40):611-618.

[10]尹伟华. 三大执行主体视角下的区域R&D投入绩效评价研究[J].科学学与科学技术管理，2012，33(10):58-66.