EN中文

经济地理 >

2020 , Vol. 40 >Issue 2: 97 - 107

DOI: https://doi.org/10.15957/j.cnki.jjdl.2020.02.011

产业经济与创新发展

中国区域创新效率的时空演变及创新环境影响因素

  • 兰海霞 , 1, 2 ,
  • 赵雪雁 , 1, ※
展开
  • 1.西北师范大学 地理与环境科学学院，中国甘肃 兰州 730070
  • 2.西北师范大学 经济学院，中国甘肃 兰州 730070
※赵雪雁（1971—），女，甘肃武都人，教授，博士生导师。主要研究方向为生态经济。E-mail：。

兰海霞（1982—），女，甘肃嘉峪关人，博士研究生，讲师。主要研究方向为区域经济。E-mail：。

收稿日期: 2019-04-23

  修回日期: 2019-10-09

  网络出版日期: 2025-04-01

基金资助

中国科学院A类战略性先导科技专项(XDA19040502)

国家自然科学基金项目(41661115)

中科院内陆河流域生态水文重点实验室开放基金(KLEIRB-2S-16-03)

甘肃省社科规划项目(YB048)

西北师范大学青年教师科研能力提升计划项目(SKQN15005)

收起

Spatial-Temporal Evolution and Innovation Environment Factors of Regional Innovation Efficiency in China

  • LAN Haixia , 1, 2 ,
  • ZHAO Xueyan , 1, ※
Expand
  • 1. College of Geography and Environment Science，Northwest Normal University，Lanzhou 730070，Gansu，China
  • 2. College of Economics，Northwest Normal University，Lanzhou 730070，Gansu，China

Received date: 2019-04-23

  Revised date: 2019-10-09

  Online published: 2025-04-01

Fold

摘要

提高区域创新效率，缩小区域创新差距是推动中国经济转型和建设创新型国家的必经之路，探明区域创新效率的时空演变特征及其影响因素对制定区域创新政策、构建富有特色的区域创新模式具有重要作用。文章以中国30个省（直辖市、自治区）为研究单元，运用DEA方法、变异系数、泰尔指数等测算了中国2001—2015年的区域创新效率及区域差异，利用NICH指数和Hurst指数进一步分析各省份创新效率的未来发展趋势，并借助Tobit模型分析了创新环境对区域创新效率的影响。 结果发现：①中国创新效率总体呈上升趋势，2001—2015年呈“东—中—西”阶梯式递减，2013年后出现明显的交替节点；②中国创新效率存在明显的区域差异，但差异趋于收敛。其中，总体差异主要由地带内差异引起，且地带内差异呈“东—中—西”阶梯式递增，地带间差异仅占总体差异的1.96%；③创新效率的空间分布由分散趋于集中，其中，东部各省市的创新效率分布比较稳定，中西部地区均衡化趋势明显，创新效率“东—中—西”的分异格局逐步弱化；④未来，中国区域创新效率“西—中—东”递减式空间布局将得到延续和强化；⑤基础设施、市场环境、劳动者素质、金融市场和创业水平是影响区域创新效率时空变化的关键因素，但各因素对区域创新效率的影响强度和方向存在显著的空间异质性。

关键词： 创新发展; 创新效率; 创新环境; 创业水平; 劳动者素质; 人力资本; 金融市场

本文引用格式

兰海霞 , 赵雪雁 . 中国区域创新效率的时空演变及创新环境影响因素[J]. 经济地理, 2020 , 40(2) : 97 -107 . DOI: 10.15957/j.cnki.jjdl.2020.02.011

Abstract

In order to promote China's economic transformation and build China into an innovative Country,it is essential to improve regional innovation efficiency and narrow regional innovation gap.Therefore,it is important to investigate spatial-temporal evolution and innovation environment factors of regional innovation efficiency in China so as to provide references for future regional innovation policy making and regional innovation mode construction.Taking 30 provinces (municipalities and autonomous regions) in China as basic units,the present research firstly measures the regional innovation efficiency and difference from 2001 to 2015 by adopting DEA,coefficient of variation and Theil index,then analyses the future innovation efficiency tendencies in each province by using NICH index and Hurst index,and finally analyses the influences upon regional innovation efficiency by innovation environment by resorting to Tobit model.The findings indicate that:1)nnovation efficiency in China is generally on the rise, showing an "East-Middle-West" stepwise decline during 2001-2015 and obvious alternate nodes after 2013. 2)Innovation efficiency in China shows obvious regional differences which tend to converge.The overall difference is mainly caused by the difference within the regions which shows an "East-Middle-West" stepwise increase. By contrast, the difference between the regions only accounts for 1.96% of the overall difference.3)The spatial distribution of innovation efficiency evolves form decentralization to centralization,i.e.the distribution of innovation efficiency of eastern provinces is relatively stable,that of the middle and western provinces is more and more balanced,,and the "East-Middle-West" differentiation pattern of innovation efficiency weakens gradually.4)In the future,the "West-Middle-East" decrease spatial layout of regional innovation efficiency tends to continue and strengthen.5)Among factors influencing spatial-temporal evolution of regional innovation efficiency,infrastructure,market environment,labor quality,financial market and entrepreneurship level are the key ones whose intensity and direction show significant spatial heterogeneity.

Key words： innovation and development; innovation efficiency; innovation environment; entrepreneurial level; labor quality; human capital; financial market

创新是促进生产资源重新整合、创造更优产出的重要方式[1]，创新发展也已成为各国持续发展的主要驱动力[2]。当前，中国经济发展正处于新旧动能接续转换、经济转型升级的关键时期，创新被视作实现高速度增长转向高质量发展的必然路径。党的十八大报告中确立了创新驱动在国家发展中的重要地位，十九大报告进一步指明创新是引领国家发展的第一动力；在《国家创新驱动发展战略纲要》中细化了创新发展战略的路线图，并着重强调要大幅提升创新效率，不断优化创新环境，以此加快推进创新动能培育以及创新型国家建设。然而，囿于中国区域发展程度的差距，使创新活动在区域层面呈现多样态势，部分地区的创新效率低下成为限制总体水平提升的主要羁绊，不仅强化了“强者愈强，弱者愈弱”的马太效应[3]，更阻碍了构建创新型国家和区域协调发展等政策目标的顺利实现。因此，正确认识中国创新效率的区域差异，对当前创新驱动战略的实施具有重要的现实意义。
目前，国内外学者对创新效率的研究主要集中在两方面：一是创新效率的测度与评价。非参数分析方法（DEA）和参数分析方法（SFA）被认为是测度个人或组织效率最重要的手段[4]，测度对象包括企业、行业和产业[5⇓-7]，经济带与区域[8-9]等，如Lin等基于DEA方法对中国绿色技术创新效率进行评价，并发现产业间的绿色技术创新效率存在显著差异[10]，刘俊等通过SFA测算并比较分析了中国各省份创新效率及东、中、西部地区的梯度性差异[11]。刘汉初等对区域创新效率空间分异进行了探究，指出区域层面的创新效率自东向西呈递减趋势，并且北京、上海、广东、天津等发达省份属于高效率单元，一定程度上反映了经济发展水平与创新效率的耦合特征[12]；杜志威等以地级以上城市工业创新效率作为研究对象，同样得出自东向西阶梯型递减的分布格局[13]。大量研究已证实了不同主体或同一主体在不同区域之间创新效率存在差异的事实。
二是创新效率的影响因素。首先，经济是众多研究关注的首要因素，如经济发展状况[14]、外商直接投资[15]等对创新效率的变动和差异形成均有良好的解释能力。Kalapouti等以欧洲192个国家和地区作为样本，得出欠发达和转型地区从事特定和受限技术的创新将有更高效率；而经济发展水平高的地区若遵循分散化的创新政策，创新效率则更高，阐明了创新效率变动对于区域经济状况的敏感性[14]。其次，是政府行为，包括创新政策[16]、税收安排[17]、研发合作补助[18]等多个方面，研究结论印证了政府行为能够对创新主体产生影响的观点。此外，从监管[19]、知识溢出[20]、地方政府行为[21]等视角开展的研究也屡见不鲜。然而，各类因素均以创新环境作为作用传递介质。通常，区域创新环境的提升能够改善创新效率，而恶劣的创新环境可能会引起高创新需求与低创新能力的“创新悖论”。可以说，创新环境是影响地区创新效率的关键变量，尤其在中国正通过改善创新创业环境以实现构建创新型国家战略目标的关键时期，认识该变量在区域创新效率中的地位显得尤为迫切。当前，关于创新环境对创新效率影响的研究成果也较为丰富。在创新环境评价方面，Wang等将创新环境解构为经济基础（EI）、创业者的质量和结构（QSI）和区域开放（RO）[22]；李习保认为创新环境由产业结构和集群特征、人力资本、财政支出、高等教育和科研机构、金融系统构成[23]；王鹏等则利用金融规模、市场化率、公路密度、通讯业务量、高校毕业人数衡量创新环境[24]；但被大多数学者广泛接受的创新环境评价方法来自《中国区域创新能力报告》，其主要从基础设施、市场环境、劳动者素质、金融市场和创业水平五个维度进行综合评估[25⇓-27]。在因素考察方法上，空间计量模型、面板数据模型是最为普遍的研究方法，少数学者也采用Tobit模型等对创新效率和创新环境的相关性展开讨论。尽管所得结论因创新环境评价和计量方法选择的不同而存在差异，但均证明了创新环境是区域创新效率的关键影响因素之一。
总体来看，创新效率评价及其影响因素的研究虽已较为成熟，但仍存在诸多不足：一是已有研究多以时间序列、描述性统计及区域比较分析为主，缺乏对创新活动显著空间特征[31]及其变化规律的探析；二是目前大多文献仅停留在过去经验的总结，对创新效率未来发展趋势研究不足，缺乏一定的预见性和前瞻性；三是关于创新环境因素影响的研究，仅停留在对创新效率存在区域差异的背景介绍，并没有深入探究其相互作用关系或作用机理；四是在探讨创新效率影响因素的过程中，多采用面板数据模型、空间计量模型进行估计，容易忽视创新效率属于0-1型受限变量的特点，而导致结果产生偏误。
为此，本文将2001—2015年作为研究时段，以中国大陆30个省（直辖市、自治区）为基本研究单元，使用DEA数据包络分析方法测度各省域的创新效率，借助泰尔指数、变异系数等方法分析创新效率的区域差异，并采用ArcGIS技术描述中国区域创新效率的时空格局演变特征，同时，利用NICH指数和Hurst指数判断区域创新效率的未来发展趋势，从时间和空间维度构建相对立体的地区创新效率分析框架，并运用Tobit回归模型分析创新环境因素对区域创新效率的影响，旨在为中国优化区域创新战略、构建创新型国家提供理论参考与借鉴。

1 数据来源及研究方法

1.1 数据来源

本文以中国大陆30个省（直辖市、自治区）为基本空间观测单元（西藏因缺乏统计数据未被纳入研究范围），反映区域综合创新投入能力、创新潜力与规模的R&D经费内部支出和R&D人员的全时当量数据，衡量创新活动直接成果或产出的专利数，表征一个地区在基础研究、应用研究等方面成果及与外界交流情况的科技论文数，反映一个地区创新活动与经济相结合、创新成果转化为市场价值水平的技术市场成交额数据以及衡量地区创新环境的基础设施、市场需求、劳动者素质、金融环境和创业水平等数据来源于2001—2017年的《中国科技统计年鉴》和《中国区域创新能力报告》。

1.2 研究方法

1.2.1 创新效率的测度

对于创新效率指标变量的选取至今没有形成统一的认识，借鉴相关文献研究[26,28⇓-30]，本文选取R&D经费内部支出和R&D人员全时当量作为衡量创新效率的投入变量，并选取专利申请授权数、国外主要检索工具收录中国科技论文数、技术市场成交额作为衡量创新效率的产出指标。考虑到创新活动是一项具有多投入和多产出特点的复杂活动，很难确定其生产函数关系，因此，本文采用数据包络分析法（Date Envelopment Analysis，DEA）进行各省域创新效率的测度。DEA方法在多投入、多产出的效率度量上有独特优势，具有避免生产函数误设、相对客观等优越性，在测量经济主体效率研究中是常用的方法，具体测度步骤如下：
设有n个决策单元，每个决策单元都有m种类型的输入向量和s种输出向量，对于任意一个决策单元，判断其有效性的模型可表示为：
m i n θ , λ θ - ε e t s - + e t s +， s . t . ∑ i - 1 n λ i x i j + s - = θ x o j ∑ i - 1 n λ i y i r - s + = y o r ∑ i = 1 n λ i = 1 λ i ≥ 0 ; s + ≥ 0 ; s - ≥ 0
式中：i=1，2，3…，n；j=1，2，3…，m；r=1，2，3…，s；s、n为决策单元的个数；xij（j=1，2，3…，m）为第i个决策单元的第j个投入要素；yir（r=1，2，3…，s）为第i个决策单元的第s个产出要素；θ为决策单元的有效值，s+和s-表示决策单元投入冗余和产出不足。若θ=1，且s+=s-=0，则决策单元DEA有效；若θ=1，且s+0或s-0时，则决策单元为弱DEA有效；若θ<1，则说明决策单元DEA无效。

1.2.2 创新效率区域差异的测度

本文采用变异系数来测度中国区域创新效率水平的区域差异程度，用泰尔指数来测度区域创新效率水平差异在东、中、西三大地带内以及地带间的差异，其计算公式分别为：
C V = 1 e - ∑ i = 1 n e i - e - 2 n - 1
式中：CV为变异系数；n为省域数；ei为i省的创新效率；e为ei的平均值。CV越小，表明创新效率水平区域差异越小。
T h e i l = ∑ i = 1 n T i l n n T i = T W + T B
T W = ∑ i = 1 n e T i l n n e T i T e + ∑ i = 1 n m T i l n n m T i T m + ∑ i = 1 n w T i l n n w T i T w
T B = l n T e n n e ∑ i = 1 n e T i l n n e T i T e + l n T m n n m · ∑ i = 1 n m T i l n n m T i T m + l n T w n n w ∑ i = 1 n w T i l n n w T i T w
式中:TW为东、中、西三大地带内差异；TB为东、中、西三大地带间差异；n为空间观测单元数；ne、nm、nw为东、中、西各部观测单元数；Ti为i观测单元创新效率占全国的比重；Te、Tm、Tw为东、中、西各部创新效率占全国的比重。

1.2.3 创新效率发展趋势预测

创新效率的演变是一个不断变化的过程，对其发展趋势的研判能够增强研究结论的前瞻性和预判性。因此，本文利用相对发展率指数（NICH）和Hurst指数共同探讨创新效率的未来发展趋势。NICH是反映相对增长量的指标，表示各省区在某一时段内创新效率的变化与该时期内整个区域创新效率变化的关系，用来衡量各个省域创新效率的变化方向和变化程度，以此判断创新效率的变化趋势。计算公式为：
N I C H = e t - 1 i - e t i e t - 1 - e t
式中： e t i、 e t - 1 i分别表示第i个区域在时间t和时间t-1的创新效率； e t和 e t - 1分别代表全国在时间t和时间t-1的创新效率。
Hurst指数是一种定量反映时间序列内长期自相似性特征的有效方法，能较好地揭示变量在时间序列中的趋势性成分及强度，被广泛用于自然、社会及经济现象研究[31-32]，本文用以衡量区域创新效率的发展持续性。其基本原理为：
一组时间序列E（1），E（2），…E（t），对于任何一整数T$\in${1，2…}定义均值序列：
E T = 1 T ∑ t = 1 T E ( t )
累积离差： X t , T = ∑ u = 1 t E u - E T，t=1，2，…，T
极差： R T = m a x 1 ≤ t ≤ T X t , T - m i n 1 ≤ t ≤ T X t , T
标准差： S T = 1 T ∑ t = 1 T E t - E T 2 1 / 2
式中：E表示创新效率值。若比值R（T）/S（T）@R/S存在R/S$\propto$TH的关系，则说明时间序列E（1），E（2），…E（t）存在Hurst现象，H为Hurst指数。可由原始数据计算R（T）/S（T），然后在ln（R/S）-lnT坐标系中用直线拟合观测点，该直线的斜率即为H值。当H$\in$（0，0.5），表示未来创新效率的变化趋势与过去相反，具有反持续性；当H=0.5，表示创新效率的变化与过去无关；当H$\in$（0.5，1），表示未来创新效率的变化趋势与过去相同，具有可持续性，且H越接近1持续强度越大。

1.2.4 创新效率的影响因素分析

创新效率值的分布介于0~1之间，最大值为1，称为完全有效率，最小值为0，称为完全无效率。创新效率作为被解释变量具有被切割的特点，属于典型的受限因变量，如果采用最小二乘法进行参数估计，容易导致估计有偏且不一致。Tobit模型是对部分连续分布和部分离散分布的因变量提出的计量模型，该模型能有效解决因变量在某种约束条件下取值的问题[33]。因此，本文采用Tobit回归模型对区域创新效率的影响因素进行回归更具说服力，该模型的基本形式为：
y i * = X i β + ε i y i = y i * i f     y i * ≻ 0 0       i f     y i * ≤ 0     ε i ∼ N o r m a l 0 , σ 2
当yi=0时，其概率密度函数为：
P y = 0 = P y i * ≤ 0   = Φ - β ' X i σ = 1 - Φ β ' X i σ
当yi=y*时，yi就有y*的密度，因此似然函数可表示为：
l β = ∑ y i ≻ 0 l n 1 σ ϕ y i - β ' X i σ + ∑ y i = 0 l n 1 - Φ β ' X i σ
式中：yi为效率值向量；yi*为因变量向量；xi为自变量向量；β为未知参数向量。

2 中国区域创新效率的时空变化

2.1 创新效率的时序特征

2001—2015年中国区域创新效率水平总体呈现波动上升的特征，创新效率均值从2001年的0.67上升至2015年的0.756，创新效率水平提高了12.8%，但其波动较为平稳，除了在2001年效率值最低为0.67，其余考察期绝大部分在0.7~0.8之间变动，说明区域创新效率有20%~30%的提升空间（图1）。从不同时段来看：2001—2008年，创新效率水平由0.67上升至0.78，提升幅度达到16.42%，受互联网和信息技术产业迅猛发展的影响，全球研发快速增长，加之中国加入WTO以后实施“引进来”和“走出去”并重发展的策略，加快了创新资源要素双向流动，2006年又出台《国家中长期科学和技术发展规划纲要（2006—2020年）》等系列文件，明确了建设创新型国家的具体目标和实施路径，这些举措使得创新效率大幅提升；2009—2012年，创新效率水平由0.748下降至0.702，降幅为6.23%，主要是由于国际金融危机对创新活动开展的短暂冲击，致使研发支出受限导致创新效率有所降低；2013—2015年，在创新驱动发展战略的指导下，各地区均努力构建更加高效的科研体系，进而创新效率水平呈快速增长态势，创新效率均值由0.709升至0.756，增幅达到6.55%。
图1 2001—2015年中国区域创新效率变化趋势

Fig.1 The change trend of regional innovation efficiency in China in 2001-2015

2001—2015年中国区域创新效率水平区域差异整体呈略缩小特征，变异系数从0.333下降到0.281，降幅为15.59%，泰尔指数从0.054降到0.042，降幅为23.35%，但期间存在较强的波动性（图2）。其中，除在2003—2004、2006—2007、2011—2012年这三个时间段变异系数基本保持稳定之外，其余年份均呈现次年反向变动的情况，泰尔指数曲线和变异系数曲线总体呈现一致的曲线轮廓和变化趋势，说明区域创新效率水平总体步调基本一致，越来越向均衡方向发展。
图2 2001—2015年中国区域创新效率的地区差异

Fig.2 The regional inequality of regional innovation efficiency in China in 2001-2015

2.1.1 地带尺度创新效率变化特征

从东、中、西三大地带来看（图1），各地带间创新效率水平存在显著差异，东部地区的创新效率水平普遍较高，而中西部地区特别是西部地区效率水平普遍偏低。期间，尽管东部地区效率水平趋于下降，中西部地区显著上升，且局部出现了中、西部短暂超越东部的现象，但“东—中—西”阶梯式递减格局基本保持不变。从不同时段来看：①2001—2002年，东、中、西部地区创新效率同步提高。②2002—2005年，东部地区创新效率呈下降趋势；中部地区呈上升趋势，且上升速度快于东部下降的速度，以至于2005年效率水平超过了东部地区；西部地区呈先下降后上升的“山谷状”运动。③2005—2013年，三大区域的创新效率变动方向在各个年份基本趋同，呈现“东部>中部>西部”，尤其在2008—2013年期间，东、中、西部的创新效率水平显现出较明显的下降及收敛态势。④2013—2015年，东、中、西的创新效率水平表现出较强的提升势头，且出现“西部>中部>东部”的“反常”现象。出现这一现象的原因可能是国家创新驱动战略与区域协调发展的并驾齐驱，引致西部的创新效率大幅提升，一个典型的例子是贵州大数据中心的建成与落实，因产生强大的溢出效应，带动了西部整体创新效率的大幅提升。
从东、中、西三大区域的变化来看（图1），2001—2015年东部、中部和西部地区的变异系数整体均呈缩小趋势，其中，中部地区的减幅较大，达22.46%，东部地区减幅为19.08%，西部地区减幅最小，为7.43%，说明三大区域各省份间创新效率水平的差异在逐渐减小。通过泰尔指数的分解，表明地带内差异的演变与总体差异高度一致，且地带内差异远大于地带间差异，总体差异主要由地带内差异所致，其对总体差异的贡献率平均高达98.04%，地带间差异的贡献率仅为1.96%。其中，西部地区的内部差异最大，中部地区次之，东部地区最小。总体来看，中国区域创新效率水平地带内差异和地带间差异均呈减小态势，但东、中、西部地带内差异演变存在较大差别，其中，东、中部地区地带间差异波动较大，减幅分别为44.27%和44.88%；西部地区地带间差异虽有扩大趋势，但波动幅度相对较小，泰尔指数增幅仅达29.54%，说明东、中部地区省份间创新效率水平差异的扩大幅度更为显著。

2.1.2 省级尺度创新效率变化特征

对2001—2015年中国30个省（直辖市、自治区）的创新效率值进行整理，结果见表1。
表1 2001—2015年中国区域创新效率结果

Tab.1 The result of regional innovation efficiency in China in 2001-2015

年份 DEA有效数 DEA有效区域 效率最小值 效率最小值区域
2001 5 北京、浙江、海南、吉林、甘肃 0.303 青海
2002 8 北京、上海、浙江、海南、吉林、重庆、甘肃、新疆 0.354 四川
2003 5 北京、上海、浙江、重庆、甘肃 0.174 青海
2004 8 北京、上海、浙江、广东、海南、重庆、甘肃、新疆 0.211 青海
2005 7 北京、上海、浙江、广东、湖北、重庆、甘肃 0.255 青海
2006 8 北京、上海、浙江、广东、吉林、湖南、重庆、新疆 0.343 江西
2007 6 北京、上海、浙江、广东、湖南、新疆 0.321 宁夏
2008 9 北京、上海、浙江、海南、黑龙江、湖北、湖南、甘肃、青海 0.374 江西
2009 6 北京、上海、浙江、吉林、甘肃、青海 0.315 内蒙古
2010 6 北京、上海、浙江、黑龙江、重庆、甘肃 0.317 内蒙古
2011 6 北京、江苏、浙江、吉林、重庆、甘肃 0.255 内蒙古
2012 7 北京、江苏、浙江、吉林、黑龙江、重庆、甘肃 0.255 宁夏
2013 7 北京、浙江、吉林、黑龙江、重庆、陕西、甘肃 0.249 内蒙古
2014 6 北京、浙江、吉林、重庆、贵州、甘肃 0.244 内蒙古
2015 8 北京、浙江、吉林、黑龙江、重庆、贵州、甘肃、青海 0.251 内蒙古
从省级层面来看，2001—2015年，每年均有实现创新DEA有效（创新效率值为1）的省份，北京、浙江在考察期内一直处于DEA有效状态，其余省份的创新效率存在波动性，有效省份个数保持在5~9个。2008年实现DEA有效的省份数达到最大，占全部省份的30%，2001和2003年数量最少，为5个，占全部省份的16.67%。其中，在DEA有效省份数量最多的年份，东部地区有效数占全部有效省份数的44.44%，中部地区占比为33.33%，西部地区为22.22% ① ；在DEA有效省份数量最少的年份，东部地区有效数占全部有效省份数的60%，中部地区占比在2001年为20%、2003年为0，西部地区分别为2001年的20%和2003年的40%，一定程度反映创新效率在区域层面的极化现象；在此期间，东部地区DEA有效省份个数所占全部有效省份个数的比例趋于下降，从2001年的60%下降到了2015年的25%，中部地区所占比例从20%上升到了25%，西部地区从20%上升到了50%，说明创新效率DEA有效的省域结构发生了显著变化，自东向西逐渐变大。同时，历年创新效率的最低值低于0.4，2003年创新效率最低的省份效率值仅为0.174，全国有近83%的地区存在创新资源投入无效的现象。

2.2 区域创新效率的空间分布格局

为了较为直观地反映中国区域创新效率的空间分布特征及其变化，基于2001、2008、2015年的区域创新效率值，将30个省（直辖市、自治区）划分为低效率区、较低效率区、较高效率区和高效率区4种类型。
2001—2015年，中国区域创新效率的类型有较大变化（图3）：①2001—2008年，低、较低效率区均明显减少，减幅分别为42.86%、37.5%，较高效率区略有增加，增幅为16.67%，高效率区急速增加，增幅为55.56%，创新效率水平显著提升。其中，向高等级递次转移的省份占30%，向高等级跨越式转移的省份占16.67%，创新效率的转移路径以向高等级转移为主。②2008—2015年，低效率区保持不变，较低效率区有所增加，增幅为20%，较高效率区增加57.14%，高效率区减少35.71%，创新效率水平略有下降。其中，向低等级递次转移的省份占26.67%，向低等级跨越式转移的省份占3.33%，创新效率的转移路径以向低等级转移为主。
图3 中国区域创新效率的类型变化

Fig.3 The change of regional innovation efficiency type in China

2.2.1 地带尺度的空间分异特征

从三大地带的创新效率水平看（图3）：①2001—2008年，东部地区创新效率水平以高、较低效率区为主转为以较高、较低效率区为主，高效率区比重减少了19.64%，但较高效率区、较低效率区比重分别增加了28.57%和20%，低效率区比重降为0，创新效率水平有所上升；中部地区以高、较高效率区为主转向以低效率区为主，高效率区比重仅减少了14.29%，低效率区比重由28.57%增加到了50%，但较低效率区比重增加了60%，创新效率水平略有上升；西部地区以低效率区为主转为以低、较高效率区为主，较高效率区比重增加了28.57%，且高效率区比重增加了60.71%，创新效率水平大幅上升。②2008—2015年，东部地区保持以较低、较高效率区为主，但交替变化，其比重分别由60%和42.86%转为50%和45.45%，且低效率区增加高效率区减少，创新效率水平明显下降；中部地区转向以较低、较高效率区为主，比重分别为33.33%和27.28%，且高效率区比重减少到了22.22%，创新效率水平略有下降；西部地区转向以低、高效率区为主，低效率区比重未发生变化，但较低、较高效率区比重均大幅下降，高效率区比重增加了55.56%，创新效率显著提升。总体看，东、中、西部的创新效率差异趋于减小，且西部地区呈现出追赶式发展的态势。

2.2.2 省级尺度的空间分异特征

从区域创新效率水平的空间分布看（图4）：①2001—2008年，不同等级省份的空间分布变化较大。高效率区大幅扩张，由分散布局转向集中布局，主要呈新—青—甘—陕—渝—鄂—湘—粤链式分布，形成自西北向东南延伸的创新效率隆起脊柱；黑—吉两省呈相对孤立的创新效率高地；较高效率区由相对集中布局转为散落式分布，空间范围略有缩小，呈点（辽、津）片（苏—皖、川—黔—桂）状分布；较低效率区和低效率区空间范围略有缩减，较低效率区由相对集中趋于分散，呈点（滇、闽）片（冀—鲁—豫）分布；低效率区则趋于集中，以秦岭淮河为轴，呈北片（宁—内蒙—晋）南点（赣）分布。②2008—2015年，不同等级省份的空间分布相对更为集中。与上一时间段相比，高效率区仍然以两大连片区分布为主，但其空间范围大幅缩小；较高效率区大幅扩张，呈点（新）片（川—滇、沪—苏—皖—鄂—赣—闽—粤）分布；较低效率区主要分布在辽、津和鲁—豫、湘—桂两个片区；低效率区连片分布于宁—内蒙—冀—晋地区。可见，在2001—2015年期间，不同省份在各个效率水平上均有分布，但总体经历了由分散到集中的分布变化过程，东部地区省份效率水平相对较为稳定，中西部地区省份均衡化发展趋势明显，中国区域创新效率“东—中—西”的分化演变格局逐步衰弱。
图4 中国区域创新效率的空间分布

Fig.4 The spatial distribution of regional innovation efficiency in China

2.3 区域创新效率发展趋势预测

对于创新效率区域差异的判断不能仅局限于过去经验，因此，本文利用NICH指数和Hurst指数，结合前文对创新效率时空格局的认识，对其未来趋势展开具有前瞻性和预判性的讨论。根据公式（6）计算出区域创新效率2001—2015年的NICH指数，计算结果表明各省份创新效率相对全国创新效率而言具有三种不同的变化形态，即提升、不变与下降，基于结果将30个空间单元划分为低下降区、较低下降区、相对零增幅区、较高提升区和高提升区5种类型 ① ，如图5a所示；基于2001—2015年各省份的区域创新效率值，测算出各空间单元的Hurst指数，基于结果将研究单元创新效率变化的可持续性分为三类 ② ，如图5b所示；将Hurst值与NICH指数的空间分布图进行叠加，可以得到中国区域创新效率水平未来的变化趋势，图5c所示。
图5 中国区域创新效率的变化趋势(a)、Hurst指数(b)及未来发展趋势(c)

Fig.5 The change trend of regional innovation efficiency in China (a), Hurst index (b) and future trend (c)

2001—2015年，全国63.33%的省份创新效率处于提升及DEA有效形态，高、较高和相对零提升区占比分别为40%、10%和13.33%，较低下降区和低下降区占比分别为16.67%和20%；全国创新效率的Hurst值为0.6373，高于全国Hurst值的省份占到了76.67%，表明创新效率的变化具有较强的持续性。总体表明，未来中国区域创新效率将呈现出继续提升的发展趋势。

2.3.1 地带尺度创新效率发展趋势

从三大地带的发展变化来看：①东部地区以较低下降区为主的形态略为凸显，在东部地区所占比重为27.27%，其余形态均匀分布，占该区比重均为18.18%；中部地区以高提升区和低下降区为主，在西部地区所占比重均为37.5%；西部地区以高提升区为主的形态颇为显著，在西部地区所占比重达到63.64%。可见，东部地区创新效率正经历缓慢下降的过程，中部地区表现为高提升和低下降的两极分化格局，而西部地区则因强劲的提升态势而快速增长。②高于全国Hurst值的省份在东、中、西部地区所占比重分别为72.73%、87.5%和90.91%，表明东、中、西部地区创新效率的变化具有较强的持续性，且持续强弱程度呈现“西部>中部>东部”的格局。③持续提升区和持续下降区所占比重分别为40%和36.67%，其中，东部地区以强持续下降区为主的趋势较为明显，占东部地区比重为36.36%，中部和西部地区以强持续提升区为主的发展趋势颇为显著，分别占中部和西部地区的比重为50%和54.55%，表明未来区域创新效率呈现持续提升的发展趋势，且持续提升趋势亦呈现“西部>中部>东部”的分布格局。

2.3.2 省级尺度创新效率发展趋势

从省级层面来看：①高提升区主要呈带（新—青—川—渝—黔—桂—陕—豫—苏）片（赣—闽）状自西北向东南延伸；较高提升区主要集中于辽宁、河北、湖北三省；相对零提升区呈零星（吉、京、浙、甘）分布；较低、低下降区分布较为分散，呈现碎片化格局。②除河北、福建、山东、安徽、重庆5省持续强度较弱以外，其余省份均保持较强的可持续性；③未来中、西部地区大多数省份创新效率将持续提升，尤其是西部地区省份创新效率加速提升势头更加强劲，而东部地区省份在不同趋势区中的分布比较均匀，但如天津、上海、广东等创新大省均表现为强持续下降的变化趋势，可能会引致东部地区创新效率的总体下降。可见，创新效率将因其区域发展方向和持续性的差异而延续甚至强化2013年以来所形成的“西—中—东”分布格局，这一现象预示原本趋于收敛的创新效率区域差异将重新扩大，引发新一轮的差异扩张问题。

3 创新环境对中国区域创新效率的影响

创新环境是创新效率的重要影响因素这一结论获得学界和政府的普遍认可，而由于不同地区的创新环境存在明显的异质性，使其对创新效率的影响亦有所差异，差异的存在是当前及未来中国区域创新效率时空格局演化的关键因素。为进一步探明创新环境对创新效率的影响，为政府继续改善“双创”环境提供政策调整理论借鉴，本文基于Toibt模型，选择《中国区域创新能力报告》中所定义的创新环境评价指标，将基础设施、市场环境、劳动者素质、金融环境和创新水平五个维度作为创新效率的影响因子，以创新效率值为因变量对创新环境的影响进行考察，回归结果见表2。
表2 中国区域创新效率的创新环境影响因素回归结果

Tab.2 The regression result of innovation environmental factors of regional innovation efficiency in China

全国 东部 中部 西部
基础设施 -0.009 -0.139*** 0.003 0.064
（-0.38） （-3.55） （0.11） （1.44）
市场环境 0.022 -0.034 0.026 0.094
（0.58） （-0.52） （0.49） （1.29）
劳动者素质 0.134*** 0.245*** 0.029 0.140**
（4.14） （4.96） （0.63） （2.22）
金融环境 -0.029 0.008 0.006 -0.054**
（-2.00） （0.36） （0.23） （-2.09）
创业水平 0.039** -0.047* -0.006 0.082***
（2.54） （-1.84） （-0.20） （3.28）
常数项 0.229 0.688** 0.555* -0.304
（1.15） （2.04） （1.96） （-0.78）
Sigma_u 0.232*** 0.267*** 0.216*** 0.231***
（6.92） （3.77） （3.92） （4.28）
Sigma_e 0.151*** 0.117*** 0.111*** 0.185***
（25.05） （14.45） （13.35） （15.47）
N 450 165 120 165
chi2 31.084 36.192 0.962 25.318

注：括号内为t值；*p<0.1，**p<0.05，***p<0.01。

①基础设施对创新效率的影响。基础设施对创新效率的影响在全国、中部和西部样本中并不显著，说明在上述区域中基础设施未能对创新效率的提升提供足够的动力支持。而就东部地区而言，基础设施与创新效率呈负相关，说明基础设施每变动1%，创新效率往相反方向变动0.139%，这与白俊红等[26]基于全国层面的研究结论一致。究其原因，多年以来，中国的基础设施建设一直围绕“经济建设”为核心，投资主要以规模大及对经济增长弹性高的项目为标的。基础设施建设对中国经济增长有卓越贡献，但就目前而言，东部地区经济发展成效显著，转型需求迫切，尤其是仍以“经济增长”为核心的基础设施建设难以满足“创新型发展”的需求，基础设施建设不显著的原因在于“基础设施”指标并未瞄准创新[26]。因此，基础设施对东部地区创新效率提升作用为负，对全国、中西部地区的创新效率提升不显著，围绕“创新活动”调整基础设施建设的结构显得十分迫切。
②市场环境对创新效率的影响。一方面，市场是创新供给与创新需求的接洽平台；另一方面，市场也是创新要素及相关资源配置的重要机制。经历数十年的市场化改革，市场环境理应为创新效率的提升提供关键的作用。然而，从实证结果看，市场环境对于全国及各区域的创新效率作用并不显著，这与理论认知相悖。可能的原因有二：第一，中国的市场环境对于培育创新产出保障并不健全，主要是知识产权保护、法律制度保障等制度因素滞后造成创新主体的创新动机不足。根据《2016—2017全球竞争力报告》指数，中国的知识产权保护强度评分为4.3分，位列62，显著低于全球竞争力较强的国家，说明中国知识产权保护制度建设方面仍有较大的提升空间。第二，在创新活动中，政府的缺位、越位与错位是影响创新驱动的重要原因[34]。由于“计划”的惯性思维，政府在当前的创新活动中大包大揽，一定程度上弱化了市场在创新活动和资源配置中的决定性作用，致使中国的创新效率并未对市场环境的改善作出响应。
③劳动者素质对创新效率的影响。创新是典型的知识密集型活动，创新是人力资本积累和配置的结果[35]。实证结果显示，劳动者素质与全国、东西部地区创新效率均在5%的显著性水平下具有正相关性，验证了劳动者素质提升有利于提高创新效率的共识性观点。但对于中部地区而言，该共识性观点并不成立。李婧等测度所得中西部地区R&D人员流出态势严重的结论能够较好地支撑本文实证结果[36]。在中部地区创新需求相对较高的背景下，大量的R&D人员流出致使该地区无法享受劳动者素质中的人力资本溢出，创新效率无法通过提升劳动者素质的通道得以提高，因此在统计上未能得到显著的结果。
④金融环境对创新效率的影响。由于创新活动需要大量的资金支持，尤其从投入至产出过程周期长、耗资大的特点决定了创新效率对金融环境的严苛要求。然而，实证结果显示全国及各地区的金融环境与创新效率的相关性并未通过显著性检验，这一结论与大多数研究有所出入，如叶丹等实证表明除西部地区外，金融环境对创新效率的正向作用[27]；宇文晶等同样得出金融环境越好，创新效率越高的观点[37]。出现这一“反常”结论的原因可能在于：创新活动需要大量的资金投入，熊彼特曾在创新理论中强调资本家的重要性，一定程度上说明了金融在创新活动中的重要性。但在中国，政府作为主要的创新投入主体，使创新主体可以“越过”金融市场获得融资支持，出现忽略金融市场的融资“短路”现象。这一判断与市场环境所得结论基本一致，政府的缺位、错位与越位一定程度上造成了金融环境在创新效率中的无效性。
⑤创业水平对创新效率的影响。从实证结果看，创业水平与创新效率在全国层面正相关，但从区域层面看，呈现对东部创新效率负相关，与中部无相关性，对西部正相关的布局。创业是创新的载体，对创新效率的影响举足轻重。但鉴于各地区创新效率水平的高低不一致，东部地区显著高于中、西部地区，因此对于创业水平的需求并不相同。就东部而言，高创业水平意味着较多的小规模创新初期企业，可能会造成分化资源、加剧竞争的不良后果[27]，造成创新效率的损失；对于西部而言，由于对创新的需求较大，因此创新效率对创业水平的正向边际作用较大。

4 结论与建议

本文运用DEA方法，测度了中国30个省（直辖市、自治区）的创新效率；利用变异系数和泰尔指数、NICH指数及Hurst指数、Tobit模型考察了创新效率的时空变化、未来发展趋势及创新环境影响因素。主要结论如下：
①中国创新效率总体呈上升水平，但受到经济和政策因素的影响，部分年份出现了创新效率的“拐点”，使创新效率的变动曲线略带波动性。各区域的创新效率变动与中国创新效率的波动状态基本一致，大致按照“东—中—西”梯度排列，但2013年西部地区创新效率快速提升改变了排列格局。
②中国创新效率的区域差异总体呈收敛态势，但各个区域的创新效率水平仍表现出了较大的差异性。分解来源结构可以发现，创新效率的区域差异主要源自于地带内差异，地带内差异大小依次按“西—中—东”递减式排列。从空间分布可以看出，东、中、西部地区在各个效率水平上均有分布，总体经历了由分散到集中的分布变化过程，东部地区效率水平相对较为稳定，中西部地区均衡化发展趋势明显，中国区域创新效率“东—中—西”的分化演变格局逐步衰弱。
③中国创新效率在未来将持续提升，中、西部地区大多数省份创新效率与全国未来发展趋势一致，尤其是西部地区创新效率的增长势头更加强劲，而东部地区省份在不同趋势区中的分布比较均匀，但持续下降的趋势更加明显。因此，创新效率将因其发展方向和持续性的变化而延续甚至强化2013年以来所形成的“西—中—东”分布格局。本文通过对创新效率未来发展趋势的研判，在理论上使对创新效率分布格局的探讨向“未来”的时间尺度拓展，丰富了对创新效率空间布局刻画的研究。在实践上，对创新效率新格局所引致的新差异问题提出警示。
④基于对基础设施、市场环境、劳动者素质、金融环境、创业水平五个视角考察发现，创新环境是创新效率的重要影响因素，且创新环境对创新效率的影响在各区域各有不同。
基于以上结论，为避免创新效率区域差异及差异进一步扩张所引起的问题，使创新发展战略向纵深推进，加快创新型国家构建目标的实现，要充分认识创新环境和其对创新效率影响的差异性。就全国层面看，要着力提升创新环境的质量，主要是明确政府和市场在提升创新活动中的定位。针对缩小区域差异而言，要瞄准各区域对创新环境的内在需求，东部地区需要调整创新环境的结构，从原本的促增长型环境转变为促创新型环境，以此作为重新提振创新效率提升的重要抓手；而中、西部地区应着眼于弥补创新环境中的短板，主要是强化基础创新环境的建设，以期吸引创新资源、提升创新效率，使其保持和延续强劲的创新效率提升势头。
本文在时间和空间两个维度对创新效率变化规律进行多尺度认识后，利用Tobit模型对其环境影响因素进行了分析，为尽快结束创新发展区域不平衡格局、实现创新型国家构建目标在理论上提供了科学依据。然而，囿于创新效率取值范围的局限，本文在讨论创新环境因素的过程中未能在空间层面进行探讨，为此，在后续研究中将挖掘空间计量模型中的恰当方法，更加充分地在空间层面对相关问题展开讨论。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
约瑟夫·熊彼特. 经济发展理论[M]. 北京: 商务印书馆,1990.

[2]
迈克尔·波特. 国家竞争优势[M]. 北京: 中信出版社, 2012.

[3]
程叶青, 王哲野, 马靖. 中国区域创新的时空动态分析[J]. 地理学报, 2014, 69(12):1 779-1 789.

[4]
Lampe H W, Hilgers D. Trajectories of efficiency measurement:A bibliometric analysis of DEA and SFA[J]. European Journal of Operational Research, 2015, 240(1):1-21.

[5]
Huang Q, Jiang M S, Miao J. Effect of government subsidization on Chinese industrial firms’technological innovation efficiency:A stochastic frontier analysis[J]. Journal of Business Economics and Management, 2016, 17(2):187-200.

[6]
陈羽洁, 赵红岩, 俞明传, 等. 中国创意产业创新效率及影响因素——基于两阶段DEA模型[J]. 经济地理, 2018, 38(7):117-125.

[7]
Claudio Cruz-Cázares, Cristina Bayona-Sáez, Teresa García Marco.You can’t manage right what you can’t measure well:Technological innovation efficiency[J]. Research Policy, 2013, 42(6-7):1 239-1 250.

[8]
游达明, 黄曦子. 长江经济带省际工业生态技术创新效率评价[J]. 经济地理, 2016, 36(9):128-134.

[9]
Junhong B. On Regional innovation efficiency:evidence from Panel Data of China's different provinces[J]. Regional Studies, 2013, 47(5):773-788.

[10]
Lin S, Sun J, Marinova D, et al. Evaluation of the green tech nology innovation efficiency of China's manufacturing industries:DEA window analysis with ideal window width[J]. Technology Analysis and Strategic Management, 2018, 30(4):434-446.

[11]
刘俊, 白永秀, 韩先锋. 城市化对中国创新效率的影响——创新二阶段视角下的SFA模型检验[J]. 管理学报, 2017, 14(5):704-712.

[12]
刘汉初, 樊杰, 周侃. 中国科技创新发展格局与类型划分——基于投入规模和创新效率的分析[J]. 地理研究, 2018, 37(5):910-924.

DOI

[13]
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[J]. 地理科学, 2016, 36(3):321-327.

DOI

[14]
Kalapouti K, Petridis K, Malesios C, et al. Measuring efficien cy of innovation using combined Data Envelopment Analysis and Structural Equation Modeling: empirical study in EU regions[J]. Annals of Operations Research, 2017(7):1-24.

[15]
Zheng Li, Jun Li, Bin He. Does foreign direct investment en hance or inhibit regional innovation efficiency?Evidence from China[J]. Chinese Management Studies, 2018, 12(1):35-55.

[16]
Yang H, Phelps C, Steensma H K. Learning from what others have from you:the effects of knowledge spillovers on originating firms[J]. Academy of Management Journal, 2010, 53(2):371-389.

[17]
张希, 罗能生, 彭郁. 税收安排与区域创新——基于中国省际面板数据的实证研究[J]. 经济地理, 2014, 34(9):33-39.

[18]
Broekel T. Do Cooperative research and development (R&D) subsidies stimulate regional innovation efficiency?evidence from Germany[J]. Regional Studies, 2015, 49(7):1 087-1 110.

[19]
Franco C, Pien F, Venturini F. Product market regulation and in novation efficiency[J]. Journal of Productivity Analysis, 2016, 45(3):299-315.

[20]
王崇锋. 知识溢出对区域创新效率的调节机制[J]. 中国人口·资源与环境, 2015, 25(7):77-83.

[21]
Bai J, Li J. Regional innovation efficiency in China:The role of local government[J]. Innovation, 2011, 13(2):142-153.

[22]
Wang S, Fan J, Zhao D, et al. Regional innovation environment and innovation efficiency:the Chinese case[J]. Technology Analysis & Strategic Management, 2016, 28(4):396-410.

[23]
李习保. 区域创新环境对创新活动效率影响的实证研究[J]. 数量经济技术经济研究, 2007(8):13-24.

[24]
王鹏, 曾坤. 创新环境因素对区域创新效率影响的空间计量研究[J]. 贵州财经大学学报, 2015(2):74-83.

[25]
张宗益, 张莹. 创新环境与区域技术创新效率的实证研究[J]. 软科学, 2008, 22(12):123-127.

[26]
白俊红, 江可申, 李婧, 等. 区域创新效率的环境影响因素分析——基于DEATobit两步法的实证检验[J]. 研究与发展管理, 2009, 21(2):96-102.

[27]
叶丹, 黄庆华. 区域创新环境对高技术产业创新效率的影响研究——基于DEA-Malmquist方法[J]. 宏观经济研究, 2017(8):132-140.

[28]
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[J]. 地理研究, 2012, 31(1):95-106.

DOI

[29]
刘汉初, 樊杰, 周侃. 中国科技创新发展格局与类型划分——基于投入规模和创新效率的分析[J]. 地理研究, 2018, 37(5):910-924.

DOI

[30]
陆远权, 郑威, 李晓龙. 中国金融业空间集聚与区域创新绩效[J]. 经济地理, 2016, 36(11):93-99.

[31]
王开泳, 张鹏岩, 丁旭生. 黄河流域旅游经济的时空分异与R/S分析[J]. 地理科学, 2014, 34(3):295-301.

DOI

[32]
方利, 王文杰, 蒋卫国, 等. 2000-2014年黑龙江流域(中国)植被覆盖时空变化及其对气候变化的响应[J]. 地理科学, 2017, 37(11):1 745-1 754.

[33]
周华林, 李雪松. Tobit模型估计方法与应用[J]. 经济学动态, 2012(5):105-119.

[34]
李晓萍, 李平, 江飞涛. 创新驱动战略中市场作用与政府作为——德国经验及其对我国的启示[J]. 产经评论, 2015, 6(6):5-12.

[35]
赖德胜, 纪雯雯. 人力资本配置与创新[J]. 经济学动态, 2015(3):22-30.

[36]
李婧, 产海兰. 空间相关视角下R&D人员流动对区域创新绩效的影响[J]. 管理学报, 2018, 15(3):399-409.

[37]
宇文晶, 马丽华, 李海霞. 基于两阶段串联DEA的区域高技术产业创新效率及影响因素研究[J]. 研究与发展管理, 2015, 27(3):137-146.

Options
文章导航

/

〈 〉