【摘 要】 通过构建旨在评价中国三大创新主体( 企业、高校和科研院所) 的创新效率及其影响因素的随机前沿模型，对1999 － 2008 年中国30 个省份的面板数据进行实证研究，发现三大主体的创新活动均对创新资源的依赖较大，创新效率值均小于1，其中企业的创新效率值最低。技术非效率因素显著存在，其中政府资助和创新主体间的联系对创新主体的作用截然不同。同时，在以创新效率的聚类分区中，企业创新高效区的省份相当少，高校创新高效区和科研院所创新高效区的省份较多，但又有所差异。区域创新主体间的效率差异，以及区域之间的差别，显示出了区域创新的动力源泉和发展特点。
【关键词】 创新主体；创新效率；随机前沿分析法；区域差异
【中图分类号】F127 【文献标识码】A
1 引言
面对日益严峻的国际竞争形势和资源环境约束，世界主要国家纷纷将科技创新提升为国家发展战略，大幅增加研发投入。为抢占创新发展的先机和主动权，发挥科技进步和创新对加快转变经济发展方式的支撑作用，我国多年来也不断加大对创新资源的投入。2010 年我国全社会研发投入已达到6980 亿元，是2005 年的2. 8 倍。“十一五”期间我国研发人员全时当量年均增长13%，2010 年达到255 万人年。然而，必须看到，增加创新资源的投入只是创新发展的必要条件而非充分条件。各个地区的创新建设不仅要注重创新资源的总量投入，更要关注创新效率的改善，特别是在我国各类资源都较为缺乏的情况下，效率问题尤为重要。与此同时，我国的区域创新效率差异显著。根据数据统计，1999 年，我国的专利申请量最多的5 个地区占比达到49. 36%，到2008 年，该份额上升到了60. 64%。而研发投入最多的5 个地区在1999 年和2008 年占比稳定在53%。可见，创新成果的区域分布表现出日益集中的趋势，创新效率的差异已成为我国区域差异的重要表征，且必将成为影响区域竞争力和新一轮区域格局的核心因素。
目前学术界主要从宏观和微观两个视角对创新效率展开研究。宏观视角主要在国家、区域层面评价各地区的创新效率，并且大部分学者主要运用知识生产函数进行分析比较。如Acs et al.( 2002) ［1］运用该方法研究了美国知识生产投入和产出之间的关系；Fritsch( 2002) ［2］运用该方法测量和比较了欧洲11 个区域的创新效率；吴玉鸣( 2007) ［3］、李习保( 2007) ［4］运用该方法分别测算了中国不同省份的创新效率。但是，宏观层面的创新效率研究无法充分挖掘不同区域创新差异的根源。对微观层面，创新主体的创新效率研究逐渐成为学界的热点。Larsson ＆ Malmberg( 1999) ［5］、Hassink ＆ Wood( 1998) ［6］对不同技术特征的产业进行了创新效率研究。Jefferson et al.( 2006) ［7］、Zhang et al. ( 2003) ［8］评价了不同产权类型企业的创新效率。吴延兵( 2006) ［9］、陈勇等( 2007) ［10］对中国工业企业的创新效率做了研究。
从国内外已有的文献看，对微观主体的研究主要聚焦于企业这一创新主体。虽然在很多研究中会选用企业与高校的关联等作为影响创新效率的重要因素［4， 11］，但对高校和科研院所的创新效率研究十分少见。然而，在中国的创新活动中，企业、高校、科研院表现出三足鼎立的特征。中国企业的R＆D 人员投入远不如高校和科研院所，R＆D 资金投入直到2005 年，才突破全国总量的50%，这与西方发达国家的情况极其不同。美国80%左右的科研人员在企业，75% 左右的科研经费用于企业；德国70% 的科研人员分布在企业，70%的研发经费掌握在企业［12］。因此，在中国，企业尚未成为创新活动的绝对主体，创新主体的多元化仍是我国创新活动的一个重要特征。高校和科研院所在创新活动中的地位和作用不可小视。
综上所述，区域创新研究必须从微观主体的创新表现来全面把握区域创新的动因和特征。在中国，创新主体不仅指企业，高校和科研院所仍然是重要的创新资源获得者和创新成果生产者。因此，本文通过评价三大主体的创新效率及其各影响因素，并通过三大主体创新效率的区域差异比较，分析中国创新发展的区域特征。
2 研究方法
已有文献对创新效率的测算通常选用以数据包络分析法( DEA) 为代表的非参数法和以随机前沿方法( SFA) 为代表的参数法。以DEA 为代表的非参数法，其最大优点是避免了函数形式误设导致的错误结论。但是由于该方法设定了确定性边界，将所有对生产边界的偏离都归因于低效率( 包括数据统计上的误差) ，因此对投入、产出数据非常严格，同时也阻碍了效率影响因素的估计。参数法，特别是SFA，将误差项分为技术效率误差和随机误差两项，避免了统计误差对效率测算的影响，体现出独特的优势。因此，本文选取SFA 测算区域创新主体的创新效率。
目前使用较多的随机前沿模型是Battese ＆Coelli( 1995) ［13］提出的扩张模型，表达如下:
其中f( ·) 代表生产可能性边界上的确定前沿产出，Xit代表观察单元i 在时间t 的一组投入向量，β 为待估计的参数向量；vit ～ N( 0，σv2 ) 是服从独立正态同分布假设的随机扰动项，包含了不可控因素；uit是技术非效率项，反映效率损失部分。可通过设定uit = 0 得到有效创新产出水平^Pit，进而推导各观察单元i 的创新效率:
显然，uit = 0 时，TEit = 1，表示观察单元恰好位于前沿面上，技术有效；uit ＞ 0 时，TEit ＜ 1，观察单元位于前沿面下方，存在技术非效率。
文中利用Battese ＆ Coelli( 1995) ［13］提出的模型，引入技术非效率函数:
式中，z it为影响技术非效率的因素。若其系数为负，说明该因素对创新效率有正的影响，反之，则有负的影响，wit为随机误差项。
由于函数形式对SFA 的测算结果影响较大，本文将构建C － D 生产函数和超越对数生产函数两种形式的模型，并根据似然比检验，选择最适合的函数形式，以获得最切实有效的估计结果。
3 实证分析
3. 1 企业创新效率模型
( 1) 模型和变量。
本部分以各省级行政区域内工业企业为观察对象，具体模型可表示为:
其中，i 代表行政区域，t 代表时间，P1it代表i地区企业的创新产出，IK1it、IL1it分别代表i 地区企业的创新资本投入和创新劳动投入。
企业创新产出( P1it) 以各个地区大中型工业企业①专利申请量② 代表，企业创新资本投入( IK1it) 和创新劳动力投入( IL1it) 以相应的各地区大中型工业企业R＆D 经费支出③和R＆D 人员全时当量代表④。
地区企业创新效率模型的技术非效率因素，主要从企业获取创新资源的渠道、与其他创新主体的联系以及该地区知识溢出水平三方面选取。其中，企业获取创新资源的渠道主要有自有资金、政府资助和银行贷款等，文中重点考察了政府资助GOV( 1) 和银行贷款Bank( 1) 对企业创新效率的影响。创新主体间的联系以各地区高校科技活动经费筹集中企业资金所占比例( Link1) 代表。地区知识溢出水平由高新技术产业份额( HTh) 、产业集中度( K) 和外商直接投资份额( FDI) 反映。其中，高新技术产业份额以各地区高新技术产业产值占该地区生产总值的比重来衡量；产业集中度以地区相对专业化指数⑤来衡量；外商直接投资份额以该地区外商投资总额占该地区固定资产投资的份额来衡量。
于是将技术非效率模型具体化为:
2) 模型估计结果。
基于1999 ～ 2008 年省级行政区面板数据，按照式( 4) 、( 5) 和( 6) 模型结构，运用Battese ＆Coelli( 1995) ［13］方法，分别估计C － D 生产函数和超越对数生产函数的随机前沿模型⑥。文中利用广义似然比统计量检验了各种函数形式是否恰当⑦，最终筛选出两个模型适用于评价地区企业创新效率，具体估计结果如下表1。
表1 中模型1 和模型2 分别表示不考虑时间因素的C － D 随机前沿模型和考虑时间因素的超越对数随机前沿模型。从模型的估计结果看，创新的经费投入和劳动投入与企业创新产出显著相关，
且R＆D 经费投入对创新产出的带动度相对更大。
政府资助( GOV( 1) ) 在模型中的估计系数显著为正，表明政府资助对企业创新效率的提高不仅没有促进作用，反而有显著的负面影响。政府进行科技资助主要为了引导企业研发活动的方向，降低研发成本。但政府资助是一把“双刃剑”［11］，现实中存在大量为获得资助而转型的企业，同时还会产生“挤出效应”［14］，政府资助会产生大量的浪费效率损失。Goolsbee ( 1998) ［15］还发现，政府科技资助的效果仅仅是提高了研发人员的工资，对研发活动并没有多大帮助。银行贷款( Bank( 1) ) 为显著负值，表明金融机构对企业的资助显著提高了企业的创新效率。可见，银行贷款作为企业获取创新资金的一种更直接、更有效方式，对企业创新活动的顺利开展意义重大。企业与高校的联系( Link1) 为显著的负值，说明企业与高校之间的合作，通过创新资源和市场需求的有效对接，有效地提高了企业创新效率。
高新技术产业份额( HTh) 为显著的正值，表明高新技术产业并没有对地区企业创新效率的提高产生促进作用，反而有显著的负面影响。白俊红等( 2009) ［11］也有类似的发现。产业集中度( K) 为不显著的负值，表明地区的产业集聚与创新效率的正相关并不显著。这在一定程度证实了王辑慈( 2001) ［16］、陈佳贵等( 2005) ［17］的观点，即我国现阶段的多数产业集聚只是一种低层次的“扎堆”，产业集群远未成为我国企业创新活动的良性载体。外商直接投资( FDI) 对当地企业创新效率的提高也没有产生明显影响。沈坤荣( 2009) ［18］研究发现FDI 的技术溢出效应并不确定，对东道国企业生产率的正面促进作用完全可能被负面效应抵消，最终的结果受东道国企业吸收能力和市场竞争程度等影响。
3. 2 高校创新效率模型
( 1) 模型与变量。
本部分将以各省级行政区域内高等院校为观察对象，具体模型可表示为:
其中，i 代表行政区域，t 代表时间，P2it代表i地区高校的创新产出， IK2it、IL2it分别代表i 地区高校的创新资本投入和创新劳动投入。
由于高校的创新活动更多依赖创新资源的投入和高端知识的获取，技术非效率解释变量主要选取了地区高校科技活动经费筹集中政府资助的比例( GOV( 2) ) 和企业资助的比例( Link1) 。于是，地区高校的技术非效率模型为:
( 2) 模型结果分析。
基于1999 ～ 2008 年省级行政区面板数据，按照式( 7) 、( 8) 和( 9) 模型结构，在地区高校创新效率模型中，最适用的为表2 中的三个模型，具体估计结果如下。
