中国31个省（区、市）及重点省域科技创新效率评价研究——基于超效率SBM-Malmquist模型

张 婷，王玮蓉，姚昀辰

（西北工业大学公共政策与管理学院，陕西西安 710072）

我国的《“十四五”国家科技创新规划》明确提出，坚持以科技自立自强为战略支撑，将创新置于国际发展和建设全局的中心位置。科技创新已成为中国社会进步、经济发展、国家安全保障的重要路径。2021年12月的中央经济工作会议上，也首次在七大政策取向中列入科技政策，并且提出要将重点放在科技政策的落实上，即将2022年作为科技政策落实年，更加有力地保障了国家科技方针政策贯彻到整个创新链的各个环节。在此关键之年，对我国31个省（区、市）的科技创新效率做出测算和评价，重新审视自2015年以来的科技创新效果尤为重要。基于SBM—Malmquist模型，本文通过构建科技创新效率评价指标，分别从静态与动态的视角系统且深入地剖析2015—2020年间我国整体、区域间以及《中国区域科技创新评价报告2021》（以下简称《报告》）中重点省（区、市）的科技创新效率发展特征，以期为我国科技创新效率提供优化方案，为政府制定科技政策提供理论参考。

1 文献综述

1.1 科技创新效率测算方法

科技创新效率是指在某一阶段科技创新投入与产出之间的数量关系，反映了科技创新投入资源的利用程度，一定程度上能够表现科技创新能力和水平。现有科技创新效率的研究主要集中于科技创新效率的测算、区域差异研究、科技创新效率影响因素研究等，其中科技创新效率的测算是学界最热衷于研究的话题之一。

参数法与非参数法是当前最常用的效率测算方法，这两类方法中最为典型的分别是随机前沿分析（SFA）和数据包络分析（DEA）。参数法的优势是可对生产过程进行描述，如李婧等［1］用SFA方法不仅对我国30个省（区、市）的创新效率进行了评价，还对其影响因素进行了分析。而就非参数法而言，避免了人为设定生产函数所带来的主观影响，且实施起来更加简洁，在研究中的应用更为广泛。现有研究使用频率相对较高的是数据包络分析（DEA）方法，它的优势在于能够用于多项投入与产出的效率测算，不会因为计量单位的差异而导致效率测算结果的偏差。DEA模型是美国运筹学家Charnes等［2］于1978年提出的，其经典形式有CCR模型和其改进后形成的BBC模型。李政等［3］运用DEA框架下的经典模型CCR测算我国创新效率，发现我国各地区呈现出东、西、中部依次降低的现象，且中部区域创新效率显著低于东部和西部。郭淑芬等［4］利用DEA框架下的BBC模型进行效率测算与评价，并得出我国对科技创新投入资源配置需要进一步优化的结论。

经典的CCR模型以及后来的BBC模型都是径向、角度模型，但由于现实中大多数情况下无法达到这种状态，故SBM模型等非径向、非角度模型在部分研究中常被认为是更适合采用的。如杨树旺等［5］利用该模型评估了长江经济地区绿色创新效率，结果表明长江经济带的总体绿色创新效率涨幅趋势明显。同时，由于DEA模型只能对静态效率进行测算，为了对其在时间序列数据动态效率分析中的不足进行完善，常将Malmquist指数与其结合使用，如董克勤等［6］运用BBC-Malmquist模型对全国50个首批国家创新型县（市）的创新效率进行测算，得出它们总体上科技创新呈进步趋势的结论。赖一飞等［7］运用超效率SBM-Malmquist模型测度2011—2019年我国30个省（区、市）的科技创新效率，发现全国科技创新效率大致呈上升趋势，东、西、中部地区科技创新效率呈递减趋势且差异较大，且全国整体科技创新发展呈进步趋势。

1.2 科技创新效率区域评价

国内主要针对我国31个省（区、市）的科技创新效率进行研究，对区域关联或差异进行评价。兰海霞等［8］则是用变异系数和泰尔指数揭示我国区域创新效率的差异与特征。

除了对我国整体科技创新效率进行研究，有很多学者还会对我国的重要经济带进行研究，例如长江经济带和“一带一路”沿线省（区、市）。罗颖等［9］以长江经济带各省和直辖市为研究对象，运用三阶段DEA方法进行科技创新效率测算，并分析了其空间差异特征。陈升等［10］运用三阶段DEA模型剖析我国“一带一路”沿线17个省（区、市）2012—2016年科技创新效率的地区差异性。除以上两种研究对象的选择，部分学者还对一些重点区域进行了研究，如兰海等［11］运用DEA-Malmquist模型对青海省科技创新效率进行了研究，董克勤等［6］则测度与评价了我国50个首批国家创新型县（市）的创新效率。

综上，科技创新效率评价的研究方法多样且较为成熟，相比采用静态或者动态单一角度进行分析，本文认为运用SBM-Malmquist模型，从动、静态相结合的角度来分析科技创新效率更为全面；就研究对象而言，现有研究多侧重于国家整体层面和重要经济带层面，缺乏针对科技创新水平较强的省市的比较分析。上海、北京、湖北、陕西等省市都是我国科技创新水平较强的地区，在经济发展水平、人力资源水平等因素相差较大的背景下，各自的特征和趋势都值得深入分析。基于此，本文对2015—2020年我国省级区域科技创新效率进行测算和分析，着重探讨以下3个问题：

（1）我国整体和科技创新水平较高的重点省（区、市）的科技创新效率的现状如何？

（2）我国整体和科技创新水平较高的重点省（区、市）的科技创新效率的变化趋势如何？

（3）基于本文研究结论，如何有效地提高我国科技创新效率？

2 研究方法、指标构建与数据来源

本文所采用的效率评价分析方法结合了超效率SBM模型与Malmquist指数，通过构建科技创新投入与产出指标，借助MATLAB和DEAP2.1软件，对2015—2020年我国31个省份的科技创新效率进行测算与对比分析。

2.1 研究方法

2.1.1 超效率SBM模型

在科技创新效率评价的实证研究中，DEA模型及其衍生模型的运用最为广泛。但传统DEA模型无法对并列的有效决策单元进行完全排序，并且多是径向的或角度的，其松弛性和非期望产出的问题会使得效率值具有一定偏差。为此，国内外学者对传统DEA模型进行了优化和改进。其中，Andersen等［12］提出的超效率模型为有效DUM的比较和排序提供了可能。Tone［13］所构建的SBM模型，作为一种非径向、非角度的DEA模型，在某种程度上克服了传统DEA的缺点，提高了测算精度。Tone［14］进一步将超效率模型与SBM模型的优势进行综合，构建出超效率SBM模型。本文将基于超效率SBM模型进行科技创新效率的静态评估，具体模型构建如下：

式（1）（2）中，P为效率值，P≥1表明效率相对有效，且越大代表DUM越有效率，反之P＜1表明效率仍有进步和改进的空间；x代表投入要素；yg和yb分别代表期望以及非期望产出要素；m、s1、s2分别对应前三者的指标个数，为权重向量。

2.1.2 Malmquist指数

DEA框架下的各种模型广泛应用于静态效率评价，但无法测算时间序列下决策单元效率的动态变化趋势。为弥补DEA非连续性描述的不足，本文引入Malmquist指数评价跨期各省（区、市）科技创新效率的动态变化特征。假设为t至t+1期数的Malmquist指数，则：

式（4）～（6）中，（xt+1，yt+1）和（xt，yt）表示投入产出，TEPCH＞1表示全要素生产率提高；EFFCH＞1表示技术效率提高，缩小了决策单元与效率前沿面的差距；TECH＞1表示技术和创新取得进步，生产边界外扩；PECH＞1表示技术和管理优化导致效率提升；SECH＞1表示规模效率提升，反之均成立。

2.2 指标构建

目前学术界对科技创新效率进行评价时，主要基于科技创新能力的投入与产出进行评价。基于科学性、可比性和可及性的基本原则，本文主要从科技创新投入和产出两个角度构建指标体系（见表1）。为消除投入产出数量级的影响，文中均选择相对指标值。

表1 科技创新效率评价指标体系

2.2.1 科技创新投入

在科技创新投入方面，本文借鉴国内外Miller等［16］、刘顺忠等［17］、吴和成等［18］研究的普遍做法，将科技创新投入分为资金和人力两大类。在资金投入中，以研究与发展（R&D）经费内部支出和R&D经费支出为主要指标，学术界进行了大量探讨。谭俊涛等［19］和吴传清等［20］以R&D经费内部支出作为投入指标之一测算创新效率并分析其影响因素。蒋天颖［21］以R&D经费支出测算创新效率并进行比较。而R&D经费内部支出是真实开支，更能体现科研活动的支撑状况，因此本文更认可前者。在人力投入上，R&D人员全时当量既是国际上常用的比较标准，也是被选取频率较高的指标。综合以上，国内许多学者在考量科技创新投入时，仅用R&D经费内部支出和R&D人员全时当量，如杨树旺等［5］、范建平等［22］和兰海霞［8］。以樊华等［23］为例的一部分学者也用相对指标进行考量，考虑了R&D人员占科技活动人员的比重以及科技经费支出占GDP的比重，罗颖等［9］将R&D经费支出占GDP比重纳入指标体系。基于数据可得性，本文纳入每万人R&D人员全时当量和R&D经费内部支出占GDP比重两者，组成投入类指标。

2.2.2 科技创新产出

在建立科技创新产出指标上，本文在反映其成果产出的同时也体现了其经济效益。

科技成果方面，专利与科技论文是将大量人力和资金用于R&D研发的结果，它能够充分反映一个区域的科技创新状况，因而，衡量科技创新产出的主要标志即为专利和科技论文。由于专利可重复申请且不一定能通过审核，不能客观反映科技创新的最终产出，因此相对于专利申请量，专利授权量被作为指标使用的频率较高，杨树旺等［5］将专利申请授权量纳入产出指标中，以测算绿色创新效率。由于发明专利具有极强的创新性和应用价值，并且是在国际上公认的产出指标［24］，因此有很多研究用发明专利授权数代替专利授权数来作为衡量指标，范建平等［22］在研究科技创新效率时将其纳入产出指标中；此外，专利中的实用新型专利在创新和经济效益上虽不如发明专利，但其对科技创新的贡献却不可忽视，故将各省每年度发明专利和实用新型专利数量相加，共同作为一项科技创新产出指标。

在经济效益方面，已有研究多以技术市场成交额作为度量标准，部分研究选取新产品销售收入来进行量化。兰海霞等［8］采用了技术市场成交额代表经济效益，而兰海［11］等则采用了新产品销售收入，罗颖等［9］将两者均纳入了产出指标。

本文借鉴赵青霞等［25］和汪本强等［26］等人相对指标的做法，选取每万人发明和实用新型专利授权、每万人科技论文、技术市场成交额占GDP比重构成产出类指标。

2.3 数据来源与说明

本文所采用的数据主要来自《中国统计年鉴》《中国科技科技统计年鉴》以及各省（区、市）的统计年鉴。由于数据缺失，港澳台地区被剔除在外。

同向性假设原则是在构建指标体系时需要注意的，所以本文对所选样本进行Pearson检验。由表2的结果显示，本文所构建的投入产出指标之间相关性不但为正,且在显著性为1%的情况下通过双尾验证，这表明该投入产出指标均满足模型所要求的“同向性”要求，据此进行效率测度和评价也具有一定合理性。

表2 Pearson 相关系数检验

3 科技创新效率静态分析与评价

对科技创新效率进行静态分析与评价，本文基于超效率SBM模型，以2015—2020年我国31个省（区、市）为研究对象，借助MATLAB软件得出测算结果，结果如表3所示。

表3 2015—2020年31个省（区、市）科技创新效率

表3（续）

表3（续）

3.1 科技创新效率综合分析

从整体看，2015—2020年我国科技创新效率没有明显变化，均值维持在0.632～0.699之间。每年科技创新效率达到有效水平的省（区、市）较少，集中在32.3%左右。2015年和2016年有9个省（区、市）达到有效水平，2017年和2018年有11个省（区、市）达到有效水平，2019年和2020年达到有效水平的省（区、市）则为10个。其中北京、甘肃、新疆和西藏每年均能达到有效水平，天津、吉林、浙江、陕西和青海在2015—2020年的6年里有4个及以上年份科技创新效率处于有效水平。根据各省（区、市）2015—2020年平均科技创新效率进行排序，结果如表4所示。

表4 2015—2020年平均科技创新效率排序

从地区来看，西部地区的科技创新效率明显高于东部和中部地区，而东部地区科技创新效率则稍高于中部。东部区域的科技创新效率在0.569～0.743区间内波动，与31个省（区、市）平均水平基本持平；中部地区均值在0.363～0.559之间波动，在三大区域中排名最后；西部地区科技创新效率最高，均值波动于0.682～0.833之间。

东部地区中，仅有北京市的科技创新处于效率前沿面，且稳定处于较高水平，不仅是东部地区科技创新效率最高的省（区、市），在31个省（区、市）内也一直处于最高水平。这也可以侧面反映出东部地区效率主要靠北京市的拉动，整体区域协同发展不足，北京市的辐射影响能力需要不断提升。天津市近年来科技创新效率较高，且有稳步上升的趋势。浙江省2015—2019年科技创新效率均大于1，处于有效水平，整体科技创新效率较高。

中部地区中，吉林和黑龙江近年来科技创新效率较高，其中吉林省呈波动上升趋势，而黑龙江省则在2017和2018年均呈现跳跃式增长，说明该省这两年的科技创新效率均有明显进步，投入产出结构得到优化，资源配置更加高效。

西部地区中，陕西、甘肃、贵州、青海、新疆和西藏科技创新效率都稳定处于较高的水平。西藏经济、地理和政策等方面的特殊性可能为其科技创新效率提供了保障。除西藏之外，甘肃、贵州、青海和新疆虽然科技创新水平指数较低，但科技创新效率一直稳定在有效水平，可能由于这三个省和自治区的科技创新投入力度较低，造成科技创新效率和科技创新水平看似相矛盾的情况。陕西的科技创新水平指数较高，科技创新效率逐步上升，且自2017年来稳定于有效水平，说明该省科技创新投入力度较大，且投入产出较为合理，资源配置较为高效。

3.2 《报告》排名前十省（区、市）的比较分析

《报告》基于科技活动投入、科技活动产出、科技创新环境、高新技术产业化和科技促进经济社会发展等5个方面，评价31个省（区、市）的综合科技创新水平。其中排名前十的省（区、市）按顺序排列分别为上海、北京、广东、天津、江苏、浙江、重庆、湖北、陕西和山东。可以看出十大省（区、市）中，7个省（区、市）属于东部，分别为上海、北京、广东、天津、江苏、浙江和山东，中部地区仅有湖北省，而西部地区有重庆和陕西2个省（区、市），占据两席。整体来看，东部地区科技创新水平远高于中部和西部，而在中西部二者间，西部略胜一筹。

在这十个省（区、市）中，平均科技创新效率最高的是北京，效率均值为2.251，远高于其他省（区、市）。说明北京具有坚实的科技创新基础、丰厚的科技创新资源和活跃的科技创新主体。然而从趋势来看，北京市科技创新效率呈现波动下降趋势，总体增速呈现“W”型。同时根据表5可知，综合科技创新水平指数排名前十的省（区、市）中东部地区科技创新效率的平均值最高，但是这其中北京做了巨大贡献，除北京、浙江和天津外的其他省（区、市）科技创新效率均低于十省整体均值，原因可能为投入产出结构不够合理，科技创新投入存在冗余。

表5 2015—2020年《报告》前十的省（区、市）科技创新效率

仅次于北京的省（区、市）为浙江、陕西和天津。其中，陕西省作为西部科技创新大省，2015—2020年间科技创新效率实现了低效到高效的转变，并持续处于有效水平。这要归功于陕西省深入推进深化科技体制改革方案,将科技这第一生产力、创新这第一驱动力发挥到了极致。

值得注意的是在《报告》中科技创新水平指数分别位于第一、第三和第五的上海市、广东省和江苏省，这3个省（区、市）作为经济较强的省（区、市），科技创新效率并不高，2015—2020年的均值都在0.4～0.6之间，可见科技创新水平高并不意味着科技创新效率一定优异。究其原因，可能是由于区域内大规模科技创新投入的边际产出下降，从而使得科技创新效率不高。

4 科技创新效率动态分析与评价

4.1 Malmquist指数综合分析

本文借助DEAP2.1软件计算得到科技创新效率Malmquist指数及分解量，结果如表6所示。

表6 31个省（区、市）科技创新效率的Malmquist指数及其分解

从总体上来看，近6年31个省份的科技创新全要素生产率虽然有很大幅度波动，但数值基本都超过1，平均值为1.098，即年均增长率为9.8%，说明2015—2020年科技创新效率基本处于上升趋势。从指数分解结构来看，2015—2020年的技术进步指数具有很大起伏性，平均增长10.9%；技术效率变化指数总体上呈现下滑态势，并以每年1%的速度递减。观察图1可知，2015—2020年技术进步指数与全要素生产率波动趋势相近，说明技术进步变化对全要素生产率变化的影响更大，技术的引进、优化和开发对技术创新进步有着非常重要的作用。

图1 31个省（区、市）科技创新效率的Malmquist指数变化趋势

对分解指数进行分析，发现技术效率和纯技术效率变化指数之间存在一定关系，其变动规律是一致的，并且数值非常接近，故纯技术效率变化指数是影响技术效率指数的主要因素。在2015—2020年间的总体走势下降，且2017—2020年期间均小于1，说明这期间我国科技创新资源配置能力和资源利用效率并不理想，需要进一步完善。

从国家总体层面（见表7和图2）来看，2015—2020年31个省（区、市）全要素生产率均大于1，说明我国科技创新效率总的来说是呈上升趋势的。河北省全要素生产率以23.8%的年均增速位居全国前列，而重庆最低，只有0.2%。河北、江苏、山东、内蒙古、宁夏等13个省（区、市）的全要素生产率在10%以上，占比达到41.9%，其中东、中、西部省（区、市）分别有7个、2个和4个。这13个省中江苏、内蒙古、天津、广东、福建和青海的各项指数值均大于1，说明这些省（区、市）技术创新进步较为平衡和全面，管理水平、产业结构和技术水平等方面的改善均有成效。宁夏、河南、山西、贵州和上海的技术效率都有些微衰退，而技术进步弥补了这部分衰退，进而使得科技创新综合效率得到了增长。技术效率是由纯技术效率和规模效率两方面共同作用的，河南、山西和贵州技术效率的下降是受到了纯技术效率衰退的影响，未来这3个省应当将重点放在技术效能提升、资源合理分配、管理水平提高以及制度水平提升方面；而宁夏和上海主要是受到规模效率的影响，应当优化生产规模。山东省虽然技术效率和技术进步均呈增长趋势，但规模效率却出现了一定的下滑，应当在未来对规模效率进行改善。

图2 2015—2020年31个省（区、市）科技创新效率Malmquist指数雷达图

表7 2015—2020年31个省（区、市）科技创新效率Malmquist指数及其分解量

表7（续）

4.2 重点省（区、市）科技创新效率Malmquist指数分析

从重点省（区、市）层面看，《报告》中综合科技创新水平指数位于前十的十个省（区、市）中，北京、天津、江苏、广东和陕西科技创新增长结构较好，说明这些省（区、市）的投入产出结构、创新管理水平和科技发展等方面均得到了优化，并取得了成效。

前文测算发现，北京市科技创新效率在31个省（区、市）内居于高位，但有下降趋势。故本文通过其分解量来探究原因。从表8中指数的动态演变来看，2015—2019年Malmquist指数下降了12.42%，说明“十三五”期间科技创新发展出现疲软。此外，综合技术效率始终为1，且全要素生产率与技术进步的走势一致，因此可以推断北京市全要素生产率主要受技术进步的影响。据统计，2020年北京市基础研究环节的投入仅占研发投入总量的16.04%，明显不足。同时首都科技发展战略研究院院长关成华表示“目前虽然北京拥有庞大的人力资源，但是在一些重要的核心技术方面，尤其是在诸如人工智能这样的新兴技术方面，还是缺少一流的科学技术人员。”这说明北京市科技创新虽常居榜首，但面对不断增长发展需求，基础环节投入不足以及关键核心领域人才缺口成为了阻碍技术进步的“卡脖子”问题。即技术进步迟缓是北京市科技创新效率波动下降的最大问题所在。

表8 2015—2020年北京市科技创新效率Malmquist指数及其分解

前文测算出现异常低值的上海，其技术效率变化指数在1以下且低于技术进步指数，技术进步并不能抵消技术效率衰落（如表9所示）。这说明上海凭借经济和地理位置的优势，有着丰富的人力和财力的创新投入要素，但相对薄弱的环节在于科技成果转化的经济产出。由于上海的工业产业集群规模不如江浙等周围地域，而且获取的成本相对较高，所以其经济收益并不是很好，导致科技创新效率处于较低水平。从分解结构进一步发现，导致技术效率衰退的最主要原因是规模效率变化，这也进一步证明上海科技创新投入冗余现象。

表9 2015—2020年上海市科技创新效率Malmquist指数及其分解

表9（续）

与上海相同，浙江、湖北和重庆的症结所在也为技术效率的下降，但与上海不同的是，这3个省份不仅规模效率出现了衰退，纯技术效率也未实现增长，即资源配置能力、制度与管理水平、生产规模等多方面能力和要素均需要发展和完善。

5 结论与建议

5.1 结论

本文依据超效率SBM-Malmquist模型，剖析了2015—2020年中国31个省（区、市）的科技创新发展效率和发展趋势，并对《报告》中综合科技创新水平指数位于前十的10个省（区、市）进行了重点探究，通过以上研究，本文得出以下结论：

5.1.1 科技创新效率现状

从整体看，31个省（区、市）科技创新效率在2015—2020年处于0.632～0.699间的水平，属于低效状态。区域间呈现西部＞东部＞中部区域的态势。西部科技创新效率较高，原因可能为其投入产出结构较好，但因为科技创新投入基数较少，造成了效率虚高的现象。虽然东部地区整体科技创新效率不低，但这主要是依赖于北京的拉动，其中大部分省（区、市）科技创新效率处于较低的状态，这说明东部地区区域间的协同发展不足，科技强省的辐射力不够。

从《报告》排名前十的省（区、市）来看，我国东部科技创新水平远高于中部和西部，而在中西部之间，西部略胜一筹。另外，上海、广东、江苏等省（区、市）科技创新效率比较低，原因可能为这些地区科技创新环境、高新技术产业化成果等因素的支撑弱化了科技创新效率不高所带来的负面影响。

5.1.2 科技创新效率发展趋势

从整体看，2015—2020年31个省（区、市）科技创新全要素生产率均大于1，说明我国科技创新效率呈增长趋势，科技创新发展形势向好，其中技术进步对科技创新效率增长作出的贡献更大。此外，纯技术效率的衰退对技术效率带来的负面影响较大，说明科技创新资源合理分配、制度水平提升、创新管理等方面仍有很大发展空间。

5.2 建议

5.2.1 通过精准施策提升各省的科技创新效率

我国科技创新效率整体效率偏低，且区域发展不平衡，一方面是科技强省的辐射带动力不足，另一方面西部地区存在虚高现象。对此，政府需要因地制宜，精准施策。对于科技强省，在加强巩固科技创新中心建设的同时充分发挥其火车头作用，辐射带动周边省（区、市）的发展。同时对科技创新效率较弱省（区、市），在着力打造自身的同时需要加强政策支持，尤其在财政资金、科技发展专项资金和人才引进和培养方面的倾斜，从而提高整体科技创新水平。

5.2.2 加强要素的跨区域流动

根据测算结果，部分省（区、市）（尤其是上海市）没有达到效率前沿面主要是由于科技创新资源投入存在一定的冗余或资源浪费情况，因此要加强要素的跨区域流动，做到优势互补。首先需要各省（区、市）根据自身创新能力和规模，在资源配置合理化的基础上促进要素的有效利用；其次全国范围内建立“经济+声誉”的双重共享激励机制和资源共享双向补助政策，打破要素流动壁垒，建立有效的资源要素协作网络，探索“用工共享”“专利共享”的可能性；最后需要积极融入国际创新大环境中，扩大对外开放程度，从而不断提升自身科技创新能力。

5.2.3 进一步发挥技术进步在科技创新中的关键作用

我国虽然科技创新效率偏低，但发展形势向好。根据Malmquist指数分解，本文发现技术进步在其中的贡献最大，因此为了更好地发挥技术进步在科技创新中的关键作用，需要加快对“卡脖子”技术难题的攻克。首先需要加强对关键领域人才的引进和培养，并建立创新人才的激励机制增强人才创新动力，促进科技成果的形成。其次需要加快产学研协同发展，政府牵头建设，由高校、企业、科技中介、新型研发机构等组成的区域创新联盟，健全科技成果与市场对接的创新网络；最后通过“揭榜挂帅”等一系列改革措施推动科技创新以需求为导向，促进“一技一策”的有效对接，精准突破关键技术。

5.2.4 优化科技创新的投入产出结构

我国技术效率衰退主要受纯技术效率的影响，因此优化科技创新投入产出结构，使资源配置合理化尤为关键。一方面，需建立多元主体的科技创新投入机制，另一方面，在保证科技创新投入有效供给的基础上，建立多元科技创新成果转化机制；最后，在投入资源有限的情况下要使得科技创新产出最大化，这需要对投入的资金、方向以及效果收益建立合理的监督或者反馈评价机制，确保科技创新效率可长效追踪并溯源。