基于三階段DEA模型的貴州省科技投入與產(chǎn)出效率分析

陶林++宋群++羅森++郭海林

摘 要：通過建立的標(biāo)準(zhǔn)評價(jià)體系，以2016年貴州省科技統(tǒng)計(jì)年鑒為數(shù)據(jù)來源，運(yùn)用三階段DEA方法對2015—2016年度貴州省9個(gè)市州科技產(chǎn)出與投入效率進(jìn)行評價(jià)。研究結(jié)果表明，通過隨機(jī)前沿模型回歸剔除環(huán)境因素和隨機(jī)因素影響后，各市州的科技投入與產(chǎn)出效率發(fā)生了明顯的變化，科技投入與產(chǎn)出效率均值由0.776上升到0.872。研究還顯示，科研機(jī)構(gòu)數(shù)是科技投入產(chǎn)出效率的有利因素，企業(yè)數(shù)是研發(fā)費(fèi)用內(nèi)部支出和科技活動人員的有利因素，同時(shí)會增加企業(yè)技術(shù)改造經(jīng)費(fèi)投入的松弛變量；GDP的增長沒有起到促進(jìn)科技投入產(chǎn)出效率的預(yù)期。在此基礎(chǔ)上提出科技投入與產(chǎn)出效率提高的建議以期促進(jìn)貴州科技進(jìn)步與發(fā)展。

關(guān)鍵詞：科技投入與產(chǎn)出 相對效率 三階段DEA模型 環(huán)境因素

中圖分類號：F223 文獻(xiàn)標(biāo)識碼：A 文章編號：1674-098X（2017）09（c）-0246-05

黨的十八大提出實(shí)施創(chuàng)新驅(qū)動發(fā)展戰(zhàn)略，強(qiáng)調(diào)了“十三五”國家科技創(chuàng)新規(guī)劃和《國家創(chuàng)新驅(qū)動發(fā)展戰(zhàn)略綱要》，貴州省將科技投入與產(chǎn)出的數(shù)據(jù)作為科技進(jìn)步監(jiān)測重要指標(biāo)，同時(shí)納入全省小康指標(biāo)體系。本文立足于我省科技投入產(chǎn)出較低的客觀事實(shí)，對貴州省2015—2016年度9個(gè)市州科技投入與產(chǎn)出效率進(jìn)行分析，據(jù)此提出促進(jìn)貴州省科技創(chuàng)新的建議。

對于科技投入與產(chǎn)出效率的分析，國內(nèi)外早有研究，魏守華[1]運(yùn)用SAS分析法對30個(gè)?。ㄊ小⒆灾螀^(qū)）科技資源配置效率進(jìn)行分析，認(rèn)為寧夏、甘肅、青海、貴州等第六梯隊(duì)省份科技投入低、產(chǎn)出低、效率低；吳和成等[2]采用改進(jìn)DEA模型測度我國1999—2000年地區(qū)科技投入與產(chǎn)出的相對有效性，指出貴州、四川、云南等7個(gè)地區(qū)要增加現(xiàn)有資源的管理，提高產(chǎn)出的效率；陳永清[3]采用灰色系統(tǒng)理論和方法，對1999—2008年我國科技投入產(chǎn)出指標(biāo)關(guān)系進(jìn)行分析，指出增加科技投入能有效提高科技產(chǎn)出的水平，但不同科技投入對不同產(chǎn)出的影響不同；李兵[4]等將科技投入建立生產(chǎn)函數(shù)模型，研究科技要素貢獻(xiàn)率；高龍琪[5]等用DEA&Tobit模型對南通市科技創(chuàng)新效率進(jìn)行研究；陳燕武[6]用超效率模型和Malmquist指數(shù)對福建省科技投入與產(chǎn)出效率實(shí)證研究，指出非DEA有效地區(qū)的形成原因及其生產(chǎn)力的動態(tài)變化；顧暉[7]用DEA模型比較分析了中國和美國科技投入與產(chǎn)出的效率，指出中美之間的差距，我國R&D投入存在過度浪費(fèi)和使用現(xiàn)象。

綜上所述，DEA及其改進(jìn)的模型研究科技投入與產(chǎn)出已成為主流，本文在綜合考慮各種計(jì)量方法優(yōu)缺點(diǎn)的基礎(chǔ)上，采用三階段DEA模型對我省各市州的科技投入產(chǎn)出效率進(jìn)行分析，相比較周偉[8]等用相同的方法分析我國中部6省科技投入與產(chǎn)出效率，本文在其基礎(chǔ)上將選取的6投入1產(chǎn)出指標(biāo)變換為3投入3產(chǎn)出3環(huán)境指標(biāo)，對貴州省9個(gè)市州的科技投入產(chǎn)出效率進(jìn)行了分析并給出了相關(guān)建議。

1 研究方法

根據(jù)Fried的研究[9-10]，充分考慮環(huán)境因素和隨機(jī)擾動對科技投入與產(chǎn)出效率評價(jià)的影響，分以下三個(gè)階段進(jìn)行研究。

1.1 傳統(tǒng)DEA模型分析初始效率

1978年由著名的運(yùn)籌學(xué)家A.Charnes，W.W.Cooper及E.Rhodes等[11]提出數(shù)據(jù)包絡(luò)分析（Data Envelopment Analysis，簡稱DEA模型）的方法，用于評價(jià)相同部門間的相對有效性（因此被稱為DEA有效）。A.Charnes等的第一個(gè)模型被命名為插入CCR模型，用于評價(jià)多決策單元輸入與輸出的綜合技術(shù)效率、純技術(shù)效率以及規(guī)模效率。

本文選擇投入導(dǎo)向的BCC（規(guī)模報(bào)酬可變）模型。對于任一決策單元，投入導(dǎo)向下對偶形式的BCC模型可表示為：

其中，表示決策單元，分別是投入、產(chǎn)出向量。DEA模型本質(zhì)上是一個(gè)線性規(guī)劃問題。

若，則決策單元DEA有效；

若，則決策單元弱DEA有效；

若，則決策單元非DEA有效。

BCC模型計(jì)算出來的效率值為綜合技術(shù)效率（TE），可以進(jìn)一步分解為規(guī)模效率（SE）和純技術(shù)效率（PTE）。

1.2 似SFA回歸剔除環(huán)境因素和統(tǒng)計(jì)噪聲

一般認(rèn)為，初始決策單元的低效率由松弛變量體現(xiàn)，松弛變量由環(huán)境因素、管理無效率和統(tǒng)計(jì)噪聲構(gòu)成。所以本階段的主要目標(biāo)是采取隨機(jī)前沿回歸模型將第一階段的松弛變量分解成以上三種效應(yīng)。

根據(jù)Fried等的想法，借鑒羅登躍和陳巍巍等人從生產(chǎn)函數(shù)的角度構(gòu)造了如下類似SFA回歸函數(shù)（以投入導(dǎo)向?yàn)槔?/p>

其中，是第個(gè)決策單元第項(xiàng)投入的松弛值；是環(huán)境變量，是環(huán)境變量的系數(shù)；是混合誤差項(xiàng)，表示隨機(jī)干擾，表示管理無效率。其中是隨機(jī)誤差項(xiàng)，表示隨機(jī)干擾因素對投入松弛變量的影響；是管理無效率，表示管理因素對投入松弛變量的影響，假設(shè)其服從在零點(diǎn)截?cái)嗟恼龖B(tài)分布，即。

SFA回歸的目的是剔除環(huán)境因素和隨機(jī)因素對效率測度的影響，以便將所有決策單元調(diào)整于相同的外部環(huán)境中。調(diào)整公式如下：

其中，是調(diào)整后的投入；是調(diào)整前的投入；是對外部環(huán)境因素進(jìn)行調(diào)整；是將所有決策單元置于相同運(yùn)氣水平下。

1.3 調(diào)整后的投入產(chǎn)出變量的DEA效率分析

根據(jù)第二階段對X1、X2、X3投入決策單元進(jìn)行SFA回歸、管理無效率分離后得到調(diào)整后的投入，調(diào)整后的投入和產(chǎn)出運(yùn)用傳統(tǒng)BBC模型測算貴州省科技投入與產(chǎn)出效率，此時(shí)我們得到的效率已經(jīng)剔除環(huán)境因素和隨機(jī)因素的管理無效率，更加真實(shí)準(zhǔn)確的體現(xiàn)2015—2016年度科技投入與產(chǎn)出效率。

2 評價(jià)指標(biāo)選取

本文評價(jià)指標(biāo)選取主要是在其他學(xué)者研究的基礎(chǔ)上結(jié)合自己的認(rèn)識，從人、財(cái)、物三個(gè)方面選取指標(biāo)，見表1。在科技投入方面選取了科技活動人員、全社會R&D經(jīng)費(fèi)內(nèi)部支出、規(guī)模以上工業(yè)企業(yè)技術(shù)改造經(jīng)費(fèi)支出三個(gè)指標(biāo)。需要說明的是，用科技活動人員替代全時(shí)當(dāng)量R&D人員和增加了科技投入的松弛變量，但同時(shí)也彌補(bǔ)了科技統(tǒng)計(jì)過程中沒有應(yīng)統(tǒng)的不足。在科技產(chǎn)出方面，選取了科技論文數(shù)量、專利申請量、新產(chǎn)品銷售收入作為輸出指標(biāo)，沒有選取專利授權(quán)量作為輸出指標(biāo)是考慮到由于專利審查時(shí)間原因，專利申請量更能體現(xiàn)當(dāng)年的科技產(chǎn)出。環(huán)境因素選取方面，選取了規(guī)模以上的工業(yè)企業(yè)數(shù)、科技機(jī)構(gòu)數(shù)、GDP（國內(nèi)生產(chǎn)總值）三個(gè)環(huán)境指標(biāo)。同時(shí)，我們假設(shè)企業(yè)數(shù)越多、行業(yè)競爭力越大、效率越高；科技機(jī)構(gòu)數(shù)越多，科技活動能力越高；GDP的增長與科技投入產(chǎn)出成正相關(guān)。endprint

3 實(shí)證分析

3.1 第一階段傳統(tǒng)DEA實(shí)證結(jié)果

在第一階段，我們用傳統(tǒng)DEA模型對貴州省9個(gè)市（州）的科技投入與產(chǎn)出的技術(shù)效率和規(guī)模效率進(jìn)行了實(shí)證分析（見表2），可以看出，在不考慮環(huán)境因素和隨機(jī)擾動的影響情況下，2015—2016年度我省科技投入與產(chǎn)出綜合效率均值為0.776，其中安順市、銅仁市、黔東南州、黔南州4個(gè)地區(qū)處于生產(chǎn)效率前沿面，貴陽市、黔西南州2個(gè)地區(qū)處于純技術(shù)效率前沿面，但在規(guī)模效率方面存在改進(jìn)空間；六盤水市、遵義市、畢節(jié)市在各方面效率均存在改進(jìn)空間。由于該結(jié)果包含了環(huán)境因素和隨機(jī)因素的干擾，并不能反映我省各市州科技投入與產(chǎn)出效率的真實(shí)水平，因此還需做更進(jìn)一步的調(diào)整和測算。運(yùn)用DEA2.1軟件進(jìn)行數(shù)據(jù)處理，得到傳統(tǒng)CCR模型效率，見表3。

3.2 第二階段SFA回歸結(jié)果

將第一階段得到的各樣投入變量的松弛量作為被解釋變量，將上文所選取的環(huán)境變量（規(guī)模以上的工業(yè)企業(yè)數(shù)、科技機(jī)構(gòu)數(shù)、GDP（國內(nèi)生產(chǎn)總值）作為解釋變量建立回歸模型，并利用Fronter4.1軟件對上述模型的估計(jì)。

SFA回歸分析結(jié)果如表4所示。由表4可見，投入的γ分別是0.80、1.0、1.0，且單邊LR檢驗(yàn)在1%水平下具有統(tǒng)計(jì)顯著性，可以使用隨機(jī)前沿回歸模型對2015—2016年度貴州省9個(gè)市（州）的面板數(shù)據(jù)進(jìn)行估計(jì)。根據(jù)表4～5可知：

（1）GDP（地區(qū)生產(chǎn)總值）：GDP增加會增加3種投入的浪費(fèi)，這是由于貴州省R&D投入強(qiáng)度小，沒有起到規(guī)模聚集效應(yīng)，同時(shí)貴州省企業(yè)大部分屬于資源驅(qū)動型企業(yè)，GDP大部分靠資源要素驅(qū)動導(dǎo)致。可以認(rèn)為，在GDP未到達(dá)某個(gè)拐點(diǎn)時(shí)，不當(dāng)?shù)卦黾?種投入并不能得到相應(yīng)的科技產(chǎn)出，反而導(dǎo)致投入要素松弛變量的增加，從而對貴州省科技投入與產(chǎn)出的效率產(chǎn)生負(fù)面影響。

（2）規(guī)模以上工業(yè)企業(yè)數(shù)：該變量對X1投入是不利因素，即行業(yè)企業(yè)數(shù)的增加會加大企業(yè)技術(shù)改造經(jīng)費(fèi)投入的浪費(fèi)，這是由于企業(yè)數(shù)越多，在同樣的技術(shù)改造經(jīng)費(fèi)的投入下平均到每個(gè)企業(yè)的技改經(jīng)費(fèi)減少，形成撒胡椒面式的投入，起不到該有的效果；該變量對投入X2和X3是有利的，即對提高科技投入與產(chǎn)出效率是有利的。

（3）科研機(jī)構(gòu)數(shù)：該變量對X1、X2、X3的松弛變量是有利的，科研機(jī)構(gòu)越多，專利申請量和科技論文數(shù)越多，從而開發(fā)的新產(chǎn)品越多，企業(yè)新產(chǎn)品的銷售收入越大，科技投入與產(chǎn)出的效率越高。

（4）管理無效率：在X1投入決策因素中，管理效率排序前三的依次是畢節(jié)市、黔東南州和貴陽市；在X2投入決策因素中，管理效率排序前三的依次是畢節(jié)市、黔西南州和黔東南州；在X3投入決策因素中，管理效率排序前三的依次是畢節(jié)市、黔東南州和黔西南州。

（5）隨機(jī)擾動：畢節(jié)市、黔南州、貴陽市、黔西南州、黔東南州等5個(gè)地區(qū)在投入X1未受隨機(jī)擾動影響，其余市州均不同程度受到影響；投入X2和X3各市州均未受隨機(jī)擾動影響，由管理無效率和環(huán)境因素構(gòu)成松弛變量的解釋因素。

3.3 第三階段投入調(diào)整實(shí)證結(jié)果

在第三階段，根據(jù)表5調(diào)整投入指標(biāo)數(shù)據(jù)，根據(jù)調(diào)整后的投入數(shù)據(jù)（見表6）與原始產(chǎn)出數(shù)據(jù)，用傳統(tǒng)DEA模型進(jìn)行分析，分析結(jié)果見（見表7）。

對比分析前后效率可知：剔除外部環(huán)境變量和隨機(jī)擾動因素的影響之后，貴州省科技投入與產(chǎn)出的效率發(fā)生了變化。從各市州均值來看，第三階段的綜合技術(shù)效率由0.776上升到0.872，這主要是由于畢節(jié)市、遵義市、六盤水市和貴陽市的綜合技術(shù)效率在剔除環(huán)境因素和隨機(jī)擾動后得到大幅度提升，進(jìn)而提高全省科技投入與產(chǎn)出效率。

通過投入調(diào)整：保持在技術(shù)效率前沿面的市（州）由4個(gè)變?yōu)?個(gè)，其中貴陽市和遵義市是剔除環(huán)境因素和隨機(jī)擾動后變?yōu)榧夹g(shù)效率前沿面的市州，銅仁市則是從技術(shù)效率前沿面產(chǎn)生截距下滑，黔西南州綜合技術(shù)效率下降，調(diào)整之前的數(shù)據(jù)并不能反映銅仁市和黔西南州真實(shí)的技術(shù)管理水平；安順市、黔東南州、黔南州一直都處于技術(shù)效率前沿面，其可見投入與產(chǎn)出效率確實(shí)較好。

4 結(jié)論與建議

綜合以上分析，可以得到以下結(jié)論：

（1）通過SFA回歸可以看出，環(huán)境因素和隨機(jī)誤差對科技投入與產(chǎn)出存在顯著的影響，環(huán)境因素中科研機(jī)構(gòu)數(shù)是科技投入與產(chǎn)出效率的有利因素，規(guī)模以上工業(yè)企業(yè)數(shù)是研發(fā)費(fèi)用內(nèi)部支出和科技活動人員的有利因素，但是它會增加企業(yè)技術(shù)改造經(jīng)費(fèi)投入的松弛變量；GDP與預(yù)期不一樣，不但沒有促進(jìn)效率的提高，反而起到負(fù)面作用。

（2）在剔除環(huán)境因素和隨機(jī)擾動之后，貴州省科技投入產(chǎn)出效率均值由0.776上升到0.872，上升了12.37個(gè)百分點(diǎn)，調(diào)整前后的投入產(chǎn)出效率確實(shí)發(fā)生了變化，說明利用三階段DEA方法對貴州省科技投入產(chǎn)出效率進(jìn)行調(diào)整是有必要的。

（3）本文在數(shù)據(jù)取樣時(shí)，部分指標(biāo)未考慮科技投入與產(chǎn)出滯后期，一定程度上影響了結(jié)果分析。

根據(jù)模型的分析結(jié)果，對貴州省乃至全國未來科技投入產(chǎn)出的效率，本文提出以下具體建議。

（1）優(yōu)化投入結(jié)構(gòu)，合理配置資金資源。

在研發(fā)費(fèi)用內(nèi)部支出、企業(yè)技術(shù)改造內(nèi)部經(jīng)費(fèi)支出等投入指標(biāo)方面要理順政府與市場的關(guān)系，建立健全主要由市場決定的研發(fā)方向、資源配置、成果評價(jià)與應(yīng)用等各個(gè)環(huán)節(jié)的機(jī)制，創(chuàng)新政府扶持的方式，通過對科技成果轉(zhuǎn)化的后補(bǔ)助促進(jìn)科技產(chǎn)出。

（2）優(yōu)化產(chǎn)業(yè)布局，推進(jìn)科技創(chuàng)新載體建設(shè)。

堅(jiān)持建設(shè)高新技術(shù)產(chǎn)業(yè)開發(fā)區(qū)、高新技術(shù)產(chǎn)業(yè)基地、高技術(shù)產(chǎn)業(yè)基地、工業(yè)園區(qū)、經(jīng)濟(jì)技術(shù)開發(fā)區(qū)、農(nóng)業(yè)科技園區(qū)、科技孵化器、眾創(chuàng)空間、大學(xué)科技園、星創(chuàng)天地、科普基地等科技創(chuàng)新的載體，科學(xué)合理地創(chuàng)新資源，建立以科技創(chuàng)新園為點(diǎn)帶動整個(gè)區(qū)域、整個(gè)產(chǎn)業(yè)鏈的科技創(chuàng)新，從而促進(jìn)高科技、高技術(shù)行業(yè)企業(yè)數(shù)量增加。

（3）大力培養(yǎng)高層次的科技人才。endprint

科技產(chǎn)出不足的原因主要在于缺乏高層次、高水平的科研人才，因此要更大力度地實(shí)施貴州省“百千萬高層次人才戰(zhàn)略工程”，完善人才培養(yǎng)機(jī)制，面向市場，培養(yǎng)真正的為經(jīng)濟(jì)社會服務(wù)的高端科技人才；加快建立科技成果轉(zhuǎn)化經(jīng)紀(jì)人、技術(shù)經(jīng)紀(jì)人等制度，盡快促進(jìn)科技成果轉(zhuǎn)化法在各市州真正落地，推進(jìn)科技人才發(fā)展的制度化、規(guī)范化。

參考文獻(xiàn)

[1] 魏守華，吳貴生.區(qū)域科技資源配置效率研究[J].科學(xué)學(xué)研究，2005（4）：467-473.

[2] 吳和成，鄭垂勇.科技投入相對有效性的實(shí)證分析[J].科學(xué)管理研究，2003，21（3）：93-96.

[3] 陳永清.我國科技投入與科技產(chǎn)出關(guān)系的實(shí)證研究——基于灰色系統(tǒng)理論的視角[J].廣西社會科學(xué)，2011（1）：54-59.

[4] 李兵，王錚，李剛強(qiáng).我國科技投入對經(jīng)濟(jì)增長貢獻(xiàn)的實(shí)證研究[J].科學(xué)學(xué)研究，2009，2（2）：196-201.

[5] 高龍琪，程林，包耀東，等.基于DEA&Tobit模型的南通科技創(chuàng)新效率分析[J].市場周刊，2017（6）：58-60.

[6] 陳燕武.福建省科技投入產(chǎn)出效率評價(jià)——基于超效率模型和Malmquist指數(shù)的實(shí)證研究[J].科技和產(chǎn)業(yè)，2011，11（1）：40-44.

[7] 顧暉.中美科技投入與產(chǎn)出效率的比較研究[D].東華大學(xué)，2016.

[8] 周偉.基于三階段DEA模型的中部六省科技投入產(chǎn)出效率研究[J].中國集體經(jīng)濟(jì)，2013（22）：13-14.

[9] HO Fried，SS Schmidt，S Yaisawarng.Incorporating the Operating Environment Into a Nonparametric Measure of Technical Efficiency[J].Journal of Productivity Analysis， 1999，12（3）：249-267.

[10]HO Fried，C.A.K.Lovell，SS Schmidt，S Yaisawarng.Accounting for Environmental Effects and StatisticalNoise in Data Envelopment Analysis[J].Journal of Productivity Analysis，2002，17（1-2）：157-174.

[11]Chames A Cooper.W W，Rhodes E.Measuring the efficiency of decision making unites[M].European journal of Operational Research，1978：429-444.endprint