论文部分内容阅读
[摘 要] 阐述了国内外有关区域创新能力绩效测度的研究，以此为基础从投入、产出和环境三个角度创建了区域创新能力绩效的评价体系，并运用三阶段DEA 分析方法和相关面板数据，对2012-2014年河北省11个城市的区域创新能力绩效进行测度。研究结果表明，总体上河北省区域创新能力的规模效率处于递增的状态，区域创新能力一直呈现出上升的趋势，河北省区域创新能力的提升必须要加强技术创新，提高管理效率。
[关键词] DEA模型；区域创新能力；绩效评价
doi ： 10 . 3969 / j . issn . 1673 - 0194 . 2018. 19. 052
[中图分类号] F062 [文献标识码] A [文章编号] 1673 - 0194（2018）19- 0121- 05
1 引 言
当今随着经济全球化程度的不断加深，世界经济的发展呈现出区域化的特征，区域经济成为全球经济活动的焦点。但是由于地理条件和经济资源条件的原因，我国各个地区的创新能力发展极不均衡。改革开放以前，我国南方沿海地区的创新能力落后于北方地区，而在改革开放以后，南方沿海地区的经济开始飞速发展，北方重工业基地急剧衰退，导致南方地区的创新能力要远远强于北方地区。在党的十八大提出的“大众创业，万众创新”的背景下，地方各级政府高度重视区域创新能力的提升。各地区要想增强其创新能力，必须要充分发挥本地区的创新资源利用水平，提高各地区的区域创新的绩效。因此，本文从投入、产出和环境因素角度构建区域创新能力的绩效评价体系，并运用三阶段DEA分析方法对区域创新能力的绩效进行客观评价。
2 文献综述及评价
区域创新能力绩效评价是一个复杂的系统工程，目前国内学者对区域创新能力绩效评价的研究主要集中在三方面：①关于区域创新能力绩效评价内涵的研究。官建成，刘顺忠（2003）指出区域创新系统是把创新人力资源和财力资源投入转化为创新产出的经济系统，区域创新绩效就是投入与产出的比率[1-2]；唐厚兴，梁威（2005）认为区域创新系统的创新绩效就是创新的效率和创新的效果。②关于区域创新能力绩效评价的指标体系的研究。周洪文等（2014）[3]将区域创新绩效分成区域创新的科技研发过程和区域创新的经济转化过程两部分，指标包括研发人员全时当量、研发经费内部支出占GDP的比重等14个指标；尹凡，单莹洁等（2011）构建了熵权法评价指标体系，投入指标包括人力投入、经费投入，产出指标包括知识产出和经济产出等4个一级指标和科技活动人员数等7个二级指标。③关于区域创新能力绩效评价方法的研究。唐厚兴（2006）建立了基于数据包络分析方法的绩效评价模型，对决策单元的综合绩效、技术效率和规模效益进行了分析，在DEA分析的基础上，又采用“基于离差最大化多属性决策”方法和“典型范例确定方法”以及“目标设定方法”对有效决策单元和无效决策单元进行了分析；周洪文等（2014）采用链式关联网络的DEA模型方法和耗散与灰色关联熵的方法对我国各个地区资源配置效率以及区域创新绩效进行了评价；白俊红等[4]（2009）采用非参数分析方法DEA方法对我国区域创新系统的创新效率进行综合评价及分析，揭示出我国各省区科技投入产出的效率，并深入找出我国各区域创新效率的成因；尹凡，单莹洁等（2011）[5]从区域创新效率和效果两方面界定了区域创新绩效的评价指标体系，在此基础上构建了基于熵权法和协调度法的复合测度模型，运用该模型对河北省2008年度各区域创新绩效进行了综合评价。
通过对现有相关文献资料的研究表明，国内学者在区域创新能力绩效评价的指标选择标准不同，不同的学者从不同角度构建出不同的评价指标体系，大部分学者从创新投入和产出两方面建立指标体系，投入指标包含有创新涉及的人、财、物等资源，产出指标包括专利、专著、论文等指标[6]。在评价方法上较多的学者采用主成分分析法、因子分析法、熵值法、灰色关联分析法等多种评价方法。本文在对前人研究的基础上，将采用三阶段DEA模型方法对河北省区域创新绩效进行综合评价，最大程度上保证研究的科学性和有效性。
3 区域创新能力績效评价模型的构建
3.1 构建区域创新能力绩效评价模型
DEA模型是一种评价多指标投入和多指标产出决策单元相对有效性的多目标决策方法。由于常用到的一阶段DEA模型在评价时对于外部环境因素和随机干扰的因素没有进行考虑，因而使得评价结果不准确。而目前应用最为广泛的模型是三阶段DEA模型，在这一模型中加入环境因素进行相关单元效率的评估，因而使得相关决策单元的评估更具有可比性。
3.1.1 第一阶段：DEA模型
DEA模型中有CCR、BCC、C2GS2和C2WH等四种模型，其中CCR模型是最基本的模型，该模型是以规模报酬不变为假设来衡量效率，评价决策单元DMU是否同时达到技术有效和规模有效[7]。由于本论文选择的投入指标和产出指标数量不多，因此在第一阶段对DMU决策单元进行评价分析时，采用CCR模型。
假设有n个决策单元（DMU），每个决策单元DMUj都有m种输入，s种输出，决策单元j的输入向量为xj=（x1j，x2j，…，xmj）T，决策单元j的输出向量为yj=（y1j，y2j，…，ynj）T ，j=1，2，3，…，n。设DMUj0的输入和输入为（xj0，yj0），评价DMUj0相对有效性的CCR模型为：
假设DEA模型存在最优解，且最优解为xj，则会出现以下结果：
（1）当出现θ=1，s =s-=0则认为该决策单元的DEA有效，并且该决策单元的技术效率和规模效率也有效。
（2）当出现θ=1时，至少有一个输入变量或者输出变量大于0，则认为该决策单元是较弱DEA有效，而该决策单元的技术效率和规模效率不能同时有效。 （3）当出现θ<1时，则认为该决策单元DEA无效，那么该决策单元的技术效率和规模效率均不佳。
3.1.2 第二阶段：运用SFA模型分解第一阶段的松弛变量
对第一阶段求得的投入松弛变量[x-xλ]进行分析。该松弛变量受到3个因素的影响：环境因素、管理无效率和随机误差。运用SFA回归模型，就可以估计出环境因素、管理无效率和随机误差对松弛变量的影响，进而去除管理无效率和随机误差的影响，仅仅保留环境因素对投入松弛变量的影响。本文构建的SFA回归模型，即对第一阶段的决策单元的投入变量中加入一个投入冗余，进而来观察环境因素变量对不同的投入冗余的影响。
具体模型为：
Aij=fi（Bj，βi） vij μij
上式中，Aij表示第j个决策单元的第i项投入指标的松弛变量；fi（·）为随机前沿函数，则为环境因素对投入指标的松弛变量的影响，Bj表示对投入指标有影响的环境因素指标向量；β为相应因素的系数；vij iμij为混合误差，vij表示统计的随机误差项，它服从正态分布；μij为效率残差项，其大小反映出决策单元的无效率程度，μij服从单边分布，vij和μij是独立不相关的。
3.1.3 第三阶段：进一步改进后的DEA模型
仍然使用第一阶段的CCR模型，对改进后的第一阶段的各投入变量的数据再次进行估算，就能够得到真实的技术效率的数值。
3.2 区域创新能力绩效评价指标体系
区域创新能力绩效评价体系具有动态性的特点，评价的指标体系受到多方面的影响，因此，选择的指标不但要满足区域创新能力绩效的定义，也要确保指标数据的科学性、合理性和客观性，这样才能保证评价结果有实际意义。本论文在构建区域创新绩效评价指标体系时，遵循了综合性、层次性和可操作性原则。依据这些原则和河北省区域创新相关数据统计情况，本论文选择了投入、产出和环境因素三大类指标，其中投入指标包括R
[关键词] DEA模型；区域创新能力；绩效评价
doi ： 10 . 3969 / j . issn . 1673 - 0194 . 2018. 19. 052
[中图分类号] F062 [文献标识码] A [文章编号] 1673 - 0194（2018）19- 0121- 05
1 引 言
当今随着经济全球化程度的不断加深，世界经济的发展呈现出区域化的特征，区域经济成为全球经济活动的焦点。但是由于地理条件和经济资源条件的原因，我国各个地区的创新能力发展极不均衡。改革开放以前，我国南方沿海地区的创新能力落后于北方地区，而在改革开放以后，南方沿海地区的经济开始飞速发展，北方重工业基地急剧衰退，导致南方地区的创新能力要远远强于北方地区。在党的十八大提出的“大众创业，万众创新”的背景下，地方各级政府高度重视区域创新能力的提升。各地区要想增强其创新能力，必须要充分发挥本地区的创新资源利用水平，提高各地区的区域创新的绩效。因此，本文从投入、产出和环境因素角度构建区域创新能力的绩效评价体系，并运用三阶段DEA分析方法对区域创新能力的绩效进行客观评价。
2 文献综述及评价
区域创新能力绩效评价是一个复杂的系统工程，目前国内学者对区域创新能力绩效评价的研究主要集中在三方面：①关于区域创新能力绩效评价内涵的研究。官建成，刘顺忠（2003）指出区域创新系统是把创新人力资源和财力资源投入转化为创新产出的经济系统，区域创新绩效就是投入与产出的比率[1-2]；唐厚兴，梁威（2005）认为区域创新系统的创新绩效就是创新的效率和创新的效果。②关于区域创新能力绩效评价的指标体系的研究。周洪文等（2014）[3]将区域创新绩效分成区域创新的科技研发过程和区域创新的经济转化过程两部分，指标包括研发人员全时当量、研发经费内部支出占GDP的比重等14个指标；尹凡，单莹洁等（2011）构建了熵权法评价指标体系，投入指标包括人力投入、经费投入，产出指标包括知识产出和经济产出等4个一级指标和科技活动人员数等7个二级指标。③关于区域创新能力绩效评价方法的研究。唐厚兴（2006）建立了基于数据包络分析方法的绩效评价模型，对决策单元的综合绩效、技术效率和规模效益进行了分析，在DEA分析的基础上，又采用“基于离差最大化多属性决策”方法和“典型范例确定方法”以及“目标设定方法”对有效决策单元和无效决策单元进行了分析；周洪文等（2014）采用链式关联网络的DEA模型方法和耗散与灰色关联熵的方法对我国各个地区资源配置效率以及区域创新绩效进行了评价；白俊红等[4]（2009）采用非参数分析方法DEA方法对我国区域创新系统的创新效率进行综合评价及分析，揭示出我国各省区科技投入产出的效率，并深入找出我国各区域创新效率的成因；尹凡，单莹洁等（2011）[5]从区域创新效率和效果两方面界定了区域创新绩效的评价指标体系，在此基础上构建了基于熵权法和协调度法的复合测度模型，运用该模型对河北省2008年度各区域创新绩效进行了综合评价。
通过对现有相关文献资料的研究表明，国内学者在区域创新能力绩效评价的指标选择标准不同，不同的学者从不同角度构建出不同的评价指标体系，大部分学者从创新投入和产出两方面建立指标体系，投入指标包含有创新涉及的人、财、物等资源，产出指标包括专利、专著、论文等指标[6]。在评价方法上较多的学者采用主成分分析法、因子分析法、熵值法、灰色关联分析法等多种评价方法。本文在对前人研究的基础上，将采用三阶段DEA模型方法对河北省区域创新绩效进行综合评价，最大程度上保证研究的科学性和有效性。
3 区域创新能力績效评价模型的构建
3.1 构建区域创新能力绩效评价模型
DEA模型是一种评价多指标投入和多指标产出决策单元相对有效性的多目标决策方法。由于常用到的一阶段DEA模型在评价时对于外部环境因素和随机干扰的因素没有进行考虑，因而使得评价结果不准确。而目前应用最为广泛的模型是三阶段DEA模型，在这一模型中加入环境因素进行相关单元效率的评估，因而使得相关决策单元的评估更具有可比性。
3.1.1 第一阶段：DEA模型
DEA模型中有CCR、BCC、C2GS2和C2WH等四种模型，其中CCR模型是最基本的模型，该模型是以规模报酬不变为假设来衡量效率，评价决策单元DMU是否同时达到技术有效和规模有效[7]。由于本论文选择的投入指标和产出指标数量不多，因此在第一阶段对DMU决策单元进行评价分析时，采用CCR模型。
假设有n个决策单元（DMU），每个决策单元DMUj都有m种输入，s种输出，决策单元j的输入向量为xj=（x1j，x2j，…，xmj）T，决策单元j的输出向量为yj=（y1j，y2j，…，ynj）T ，j=1，2，3，…，n。设DMUj0的输入和输入为（xj0，yj0），评价DMUj0相对有效性的CCR模型为：
假设DEA模型存在最优解，且最优解为xj，则会出现以下结果：
（1）当出现θ=1，s =s-=0则认为该决策单元的DEA有效，并且该决策单元的技术效率和规模效率也有效。
（2）当出现θ=1时，至少有一个输入变量或者输出变量大于0，则认为该决策单元是较弱DEA有效，而该决策单元的技术效率和规模效率不能同时有效。 （3）当出现θ<1时，则认为该决策单元DEA无效，那么该决策单元的技术效率和规模效率均不佳。
3.1.2 第二阶段：运用SFA模型分解第一阶段的松弛变量
对第一阶段求得的投入松弛变量[x-xλ]进行分析。该松弛变量受到3个因素的影响：环境因素、管理无效率和随机误差。运用SFA回归模型，就可以估计出环境因素、管理无效率和随机误差对松弛变量的影响，进而去除管理无效率和随机误差的影响，仅仅保留环境因素对投入松弛变量的影响。本文构建的SFA回归模型，即对第一阶段的决策单元的投入变量中加入一个投入冗余，进而来观察环境因素变量对不同的投入冗余的影响。
具体模型为：
Aij=fi（Bj，βi） vij μij
上式中，Aij表示第j个决策单元的第i项投入指标的松弛变量；fi（·）为随机前沿函数，则为环境因素对投入指标的松弛变量的影响，Bj表示对投入指标有影响的环境因素指标向量；β为相应因素的系数；vij iμij为混合误差，vij表示统计的随机误差项，它服从正态分布；μij为效率残差项，其大小反映出决策单元的无效率程度，μij服从单边分布，vij和μij是独立不相关的。
3.1.3 第三阶段：进一步改进后的DEA模型
仍然使用第一阶段的CCR模型，对改进后的第一阶段的各投入变量的数据再次进行估算，就能够得到真实的技术效率的数值。
3.2 区域创新能力绩效评价指标体系
区域创新能力绩效评价体系具有动态性的特点，评价的指标体系受到多方面的影响，因此，选择的指标不但要满足区域创新能力绩效的定义，也要确保指标数据的科学性、合理性和客观性，这样才能保证评价结果有实际意义。本论文在构建区域创新绩效评价指标体系时，遵循了综合性、层次性和可操作性原则。依据这些原则和河北省区域创新相关数据统计情况，本论文选择了投入、产出和环境因素三大类指标，其中投入指标包括R