应用随机前沿模型评测中国区域研发创新效率，本文主要内容关键词为：中国论文,模型论文,效率论文,区域论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
一、引言
近年来，为实现中国经济的持续、健康发展，中国政府将“提高自主创新能力，建立创新型国家”作为新时期国家发展战略的核心，试图通过技术创新、科技进步来提升产业结构，转变经济增长方式，并以此来带动未来经济的持续发展。数据显示，近年来，中国研发创新投入持续攀升，研发经费从2000年的859.7亿元，增长到2007年的3710.2亿元，年均增长20.1％，其绝对规模已位居世界第五；与此同时，R&D人员总量也有大幅增长，从2000年的92.2万人年，增长到2007年173.6万人年，总数仅次于美国，位居世界第二①。但应当指出，增加创新资源投入只是建立创新型国家的必要条件而非充分条件。中国在创新型国家建设过程当中，不仅要注重创新资源的总量投入，更要注重其效率问题，特别是在相对于发达国家，中国科技创新资源严重不足的情况下，效率问题就变得更为突出。
事实上，自Freeman(1987)提出国家创新系统概念以来，对不同国家成功创新模式的考察以及绩效的测度一直是学术界探讨的一项主要内容(Lundvall,1992; Nelson,1993; Furman et al.,2002; Porter and Stern,2002; Nasierowski and Arcelus,2003；Wang,2007; Wang and Huang,2007; Sharma and Thomas,2008)。但是对于中国，由于不同区域间经济发展水平差异较大，如果不考虑这种区域间的发展差异而仅仅是基于国家整体层面考察其创新能力可能有失偏颇(Liu and White,2001)。因此，基于区域层次来考察中国的创新能力可能更为合适(Li,2009)，也即考察中国区域创新系统的创新能力。作为国家创新系统的重要组成内容，区域创新系统自Cooke(1992)提出以来，便引起学术界的高度重视，众多学者对其内涵及类型(Cooke et al.，1996；Asheim and Isaksen,1996、2002; Autio,1998; Cooke and Schienstock,2000)进行了较为深入的探讨，一般认为区域创新系统是由地理上相互临近的企业、大学和科研机构及地方政府等构成的区域性组织体系，且企业在这一体系中发挥主体作用。需要注意的是，上述研究均是建立在市场机制较为完善的发达国家，但是像中国这样处于经济转轨时期的发展中国家，一方面企业是否已成为创新的主体尚值得进一步考察；另一方面由于地方政府在科技政策制定和资金调配方面拥有较大的权利，对各个地区创新能力的形成和发展起着巨大的作用，因此在考核中国区域创新系统的创新效率时就不能不把地方政府的影响考虑在内。
本文研究的主要目的即是测评中国区域创新系统绩效，并以此为基础考察企业、大学、科研机构、地方政府及金融机构等区域创新系统主体要素行为及其联结关系对创新效率的影响。越来越多的文献关注中国创新活动的效率问题，学者们分别从企业、产业及区域等层面对其进行了分析。在企业与产业层面，学者们的研究一方面主要是对研发创新效率进行测算(Zhang，2003；吴延兵，2008；吴和成，2008)，另一方面则是集中考察企业规模、市场结构及产权结构等因素对创新效率的影响(冯根福，2006；朱有为、徐康宁，2006；邓进，2007)。在基于区域层面的研究中，刘顺忠和官建成(2001)、官建成和何颖(2005)以R&D经费支出等指标作为研发创新的投入指标，测算了各省份的创新效率；李习保(2007)则在测算各省份研发创新效率的基础上，进一步考察了产业集群、人力资本、地区财政支持及开放程度等因素对创新效率的影响。
本文将运用1998-2007年中国30个省份的研发数据，对各个省份研发创新资源利用效率情况做进一步考察。与以往研究相比，本文主要在以下两个方面作了拓展：第一，我们在确定中国各省份研发创新的投入时核算了R&D资本存量，而非以往文献中通常采用的R&D经费支出这一流量指标。由于R&D投入对当期及日后的创新活动都会产生影响(Griliches，1980；吴延兵,2006)，因此如果以R&D经费支出作为投入指标势必会使测算结果产生较大偏差，不能真实的反映各地区研发创新的发展情况。吴延兵(2006、2008)虽然对R&D资本存量进行了核算，但其对象是地区工业企业，而非地区总的R&D资本。第二，我们从区域创新系统的角度，考察了区域创新系统内部主体要素及其联结关系对创新效率的影响。李习保(2007)的研究亦对创新效率的影响因素进行了分析，但这些影响因素的选择却具有随机性，为何要选择这些因素尚缺乏充分的理由。而本文基于区域创新系统角度的考察，一方面奠定了论文研究的理论基础，使得要素的选择更具科学性；更为重要的是，通过考核近年来各地区区域创新系统内部建设情况，检验其对创新效率的影响，对于进一步有针对性地改善区域创新环境，提升区域创新能力具有重要的政策指导价值。
沿袭Griliches(1990)的研究，本文将创新过程视为一个生产过程，将中国的各个省份视为一个投入一定人力和财力进行创新生产的生产部门，通过建立一个跨省份的研发创新效率分析框架，应用随机前沿分析(Stochastic Frontier Analysis，SFA)方法测评各个省份的研发创新效率，并分析其影响因素。文章后续部分结构安排如下：第二部分简述研究方法；第三部分简要介绍数据和变量；第四部分对研究结果进行讨论；最后给出结论。
二、研究方法
本文将中国的各个省份看作是投入一定研发创新资源(人力和财力等)进行创新生产的决策部门，这些资源的投入总量及合理利用决定了一个地区的创新潜力(创新活动的最大产出)。如果一个地区的实际产出与潜力产出相一致，我们就认为这个地区的创新活动是技术有效的，否则技术无效。研发创新活动的技术效率，我们简称为创新效率。关于技术效率，根据Farrel(1957)，技术效率是和生产可能性边界(Production Frontier)联系在一起的。考虑单一产出的情况，生产可能性边界即是指在一定要素投入下所能达到的最大产出所形成的曲线。技术效率便是一个生产部门在等量要素投入条件下实际产出与最大产出的比率。
目前评测决策单元技术效率的方法主要有参数法和非参数法两大类。非参数方法以Chames等(1978)提出的数据包络分析(Data Envelopment Analysis,DEA)方法为代表，该方法采用线性规划技术，无需设定函数形式，从而避免了主观设定函数的影响，且在处理多投入多产出的效率度量上具有优势。但DEA也由于设定了确定边界，并且不考虑测量误差的存在而具有不足之处(朱有为和徐康宁，2006)。参数方法以随机前沿分析(Stochastic Frontier Analysis,SFA)方法为代表，该方法由Aigner等(1977)、Meeusen和Broeck(1977)、Battese和Corra(1977)提出。SFA采用计量方法对前沿生产函数进行估计，有更为坚实的经济理论基础。通过估计生产函数对生产过程进行描述，使技术效率估计得到控制，并且SFA方法不仅可以测算每个个体的技术效率，而且可以定量分析各种相关因素对个体效率差异的具体影响。本文研究旨在解决两个基本问题：第一，各个地区的创新活动有效率吗？第二，如果没有效率，那么非效率程度又依赖于哪些因素？SFA方法正好符合本文的研究意旨，可以有效地解决上述问题。因此，本文选用SFA方法对中国区域创新过程中的效率情况进行考察。现有文献中，SFA方法已应用到国家层次(Wang，2007)及企业层次(Zhang，2003；吴延兵，2006)创新效率的评测当中，而将其应用于区域层次正是本文关注的问题。
根据Kumbhakar和Lovell(2000)的总结，随机前沿模型的一般形式如式(1)所示：
技术效率TE定义为实际产出期望与前沿面产出期望的比值，即：
在具体选择生产函数时，较为常用的有柯布-道格拉斯和超越对数两种形式。前者虽然形式简单，但假定技术中性和产出弹性固定；后者放宽了这些假设(傅晓霞、吴利学，2007)，且在形式上更加灵活，能更好地避免由于函数形式的误设而带来的估计偏差(王争、史晋川，2007)。本文分析中采用的是面板数据，随着时间的推移，技术是否为中性，产出弹性是否固定，研究中并不能事先确定，因此选用超越对数生产函数的随机前沿模型，具体形式如式(6)所示。
式中，β为待估计变量的系数，j和l代表第j和l个投入变量，其余变量和误差项定义与前文相同。
三、数据与变量
本文所使用的基础数据来源于1999-2008年各期的《中国统计年鉴》和《中国科技统计年鉴》。以1998年为考察基期是因为本文使用的研发投入数据，《中国科技统计年鉴》从1998年才开始记载。另外，文中研究对象为中国内地的30个省级行政地区，而西藏由于数据不全，分析中暂时不予考虑。我们选取的30个省份的研发投入产出数据均不为零，这也保证了在建立生产函数时可以对其做对数处理。此外，为了研究的需要，我们沿袭中国传统的东、中、西部划分，对三大地区的研发创新效率状况进行比较，以考察研发创新与经济发展的结合程度。其中东部包括北京、天津、河北、辽宁、上海、江苏、浙江、福建、山东、广东、海南；中部包括山西、内蒙古、吉林、黑龙江、安徽、江西、河南、湖北、湖南；西部包括广西、重庆、四川、贵州、云南、陕西、甘肃、青海、宁夏、新疆。
(一)投入与产出变量
有关研发创新活动的投入，文献中通常选用R&D经费支出和R&D人员投入来表征(Pavitt and Wald，1971；Bound et al.，1984；Sharma and Thomas，2008；刘顺忠、官建成，2001；冯根福等，2006；李习保，2007)。R&D经费支出反映了年度内执行单位的实际研发资金投入，是一项流量指标。但正如Griliches(1980)及吴延兵(2006)指出的，R&D活动对知识生产的影响不仅反映在当期，对以后的知识生产也将产生影响。因此，测算创新活动的效率时应该首先核算R&D资本存量。参考吴延兵(2008)的做法，采取永续盘存法来核算R&D存量，计算公式为：
进一步需要估算基期资本存量，假设R&D资本存量的增长率等于R&D经费的增长率，则基期资本存量的估算公式为：
而至于研发创新的另一项投入指标R&D人员，文中选用R&D人员全时当量来衡量，其值为报告年内R&D全时人员数加非全时人员按工作量折算成全时人员数的总和。
在衡量创新过程的产出时，文中选取发明专利授权量作为考核指标。事实上，专利是否适合于衡量创新产出，学术界一直存在质疑。这主要是由于一些发明并不申请专利，因此专利在反映创新活动的全部成果时存在不足(Pakes and Griliches，1984)；而且由于专利质量的不同，在体现创新成果的经济价值上也存在一定的缺陷(Griliches，1990；吴延兵，2006)。基于此，一些学者开始尝试一些新的指标，比如新产品开发项目数(冯根福等，2006；吴延兵，2008)、新产品销售收入(Zhang et al.，2003；朱有为、徐康宁，2006)等。显然，新产品开发项目数存在着与专利类似的缺陷，即并不能全面反映出创新成果的经济价值和商业化水平；新产品销售收入虽然能够较好地衡量创新产出，但相关统计年鉴中并没有分省份的这一指标。因此，尽管专利在衡量创新产出时存在着诸多缺陷，但由于找到更好的替代指标还存在一定的困难，目前研究中依然被广泛使用。比如，Nasierowski和Arcelus(2003)、Wang(2007)对不同国家R&D创新活动效率的比较，Akihiro和Shoko(2008)对日本医药产业R&D创新效率变化情况的测度，以及官建成和何颖(2005)等对中国区域创新效率的研究均选取专利作为创新产出的主要考核指标。在我国，专利包括发明、实用新型和外观设计3种形式。3种专利中，发明专利是衡量创新产出水平的较好指标，其技术含量高且申请量很少受到专利授权机构审查能力的约束，更能客观地反映出一个地区原始创新能力与科技综合实力(官建成、何颖，2005；刘凤朝，2006)。因此，本文选用发明专利授权量作为创新产出考核指标，而至于技术含量较低的其他两种专利，分析中暂时不予考虑。
(二)影响因素
理论上讲，任何与创新活动相关的因素都可能对创新效率造成影响，本文主要基于系统角度，考察区域创新系统内企业、高校、科研机构、地方政府、金融机构等主体要素及它们之间的联结关系对创新效率的影响。同时为了研究的方便，我们将主体要素分为直接主体和间接主体。直接主体主要包括企业、高校和科研机构，它们直接参与研发创新活动；而间接主体主要是指政府和金融机构等公共组织，它们主要是在制度建设、资金调配上对创新活动予以支持。各主体要素及其之间的关系如图1所示。
图1 区域创新系统主体要素
地方政府是研发创新活动有效开展的重要支持机构，在区域创新系统中扮演着重要的角色。地方政府通过建立和实施促进创新有效发展的机制和法律法规，改善地区基础设施条件等措施营造良好的创新环境，更为直接地，通过财政科技拨款、税收优惠及政府采购等渠道对创新活动进行直接资助；金融机构是创新活动的重要资金来源，亦可为创新组织提供金融咨询服务。金融机构通过为创新项目提供信贷资本，为科技型中小企业提供风险资金等形式对创新活动提供资金支持，并可利用其金融信息与人才优势为企业提供专业服务，提高资金的营运效率；企业、大学和科研机构是参与研发创新的直接主体。大学和科研机构主要从事基础性和应用性研究，为企业提供所需的基础知识，而企业与市场直接接触，其研发活动主要集中在应用与开发领域。从企业与高校、科研机构之间的联结关系来看，企业可以通过委托高校对研发人员培训、委托高校、科研机构进行研发、建立联合实验室或直接购买专利等渠道与高校和科研机构取得联系，而高校与科研机构为企业提供知识支持，并将其研究成果转接至企业，同时也获得了商业收益。
从上文分析也可以看出，无论是直接主体之间，还是间接主体与直接主体之间，它们之间的联结关系都是纷繁复杂的。如果详尽地考察这些联结关系对创新效率的影响，一方面我们无法找出所有的联结关系，另一方面由于一些联结关系本身无法得到数量上的定义或数据上的支持，也就无法对其进行定量化的考察。基于此，我们在考核各主体之间的关系时，主要是以它们之间在资金方面的联结来近似表征的。
我们将从以下几个方面来检验区域创新系统内部构成对创新活动效率的影响。
(1)地方政府对创新活动的资助；
(2)金融机构对创新活动的支持；
(3)企业、高校及科研机构等直接主体在地区研发创新过程中参与强度的影响；
(4)企业、高校及科研机构等直接主体之间联结关系对创新活动的影响。
下面我们对这4项因素逐一进行分析。
1.地方政府对创新活动的资助
由于创新活动，特别是基础研究活动具有公共物品的属性，个体投资者往往无法独占其创新成果的全部收益(Nelson，1959；Arrow，1962)，这就会降低私人投资的积极性。为了克服这一不足，政府倾向于采用拨款资助及税收优惠等政策工具对研发创新活动进行扶持。Guellec和Pottelsberghe(2000)、Czarnitzki和Hussinger(2004)及Czarnitzki和Licht(2006)等人的研究发现政府资助降低了企业的研发成本和风险，刺激了企业的研发积极性，因此对专利产出具有积极的影响。但Lichtenberg(1989)、Wallsten(2000)等人的研究却发现政府资助一定程度上挤出了企业的R&D投资，降低了研发创新的产出水平。
在具体衡量地方政府对创新活动的资助时，其资助金额数据可从《中国科技统计年鉴》中直接获得，我们将其除以地区总的科技经费筹集金额得到政府资助强度指标，并用其来表征区域创新系统中地方政府的影响。
2.金融机构对创新活动的支持
企业的研发创新需要大量的资金，单靠企业自筹往往无法满足这一需求，这就需要拓展新的筹资渠道，而金融机构可以为企业提供研发资金支持(Tadesse，2002)。另一方面，创新具有不确定性特征(Storey and Sykes，1996；Lane and Maxfield，2005)，企业投入资金进行研发创新并不一定就能获得成功，其也面临着失败的风险，而金融机构可以通过为企业提供不同的金融资本组合来优化研发资源配置，规避创新风险。因此，金融机构的支持对研发创新活动的有效开展具有积极意义。
在衡量金融机构对创新活动的影响时，我们同样根据《中国科技统计年鉴》的数据记载，用金融机构科技贷款除以地区总的科技经费筹集额来表征区域创新系统中金融机构的支持程度。
3.企业、高校及科研机构的参与强度
参与强度是指各主体要素在地区研发创新过程中所扮演的角色、发挥的作用，亦即各主体在研发创新活动中所承担的比重。企业、高校以及科研机构在区域创新系统中扮演着不同的角色，具有不同的功能定位(Buesa et al.,2006)。在成熟的市场经济条件下，企业是按照市场机制配置创新资源进行知识创造并取得收益的直接主体，是参与创新实践最为活跃的因素和最重要的组成部分。而大学和科研机构是创新的知识库和知识源，其功能主要体现在知识的生产、传播和转让等方面(郭树东等，2004)。因此，不同主体参与研发创新的强度不同，会使地区表现出不同的创新能力，进而影响地区研发创新的绩效。
《中国科技统计年鉴》详细记录了企业、高校及科研机构各自的研发经费内部支出金额。我们用企业的研发经费支出金额除以三者的合计金额来表示区域创新系统中企业参与创新的强度。显然，用1减去这一比例即为高校与科研机构的参与强度。当然，这里我们并没有对高校与科研机构做进一步细分。
4.企业、高校及科研机构之间的联结关系
区域创新系统内部主体之间的交互作用对创新绩效具有重要的影响(Lundvall，1988；Edquist et al.，2002)。企业、高校和科研机构之间通过各种正式或非正式的合作联结关系，比如技术转让、合作开发、共同成立新的研究机构等，促进了各主体之间信息的流动和知识的共享，这样一方面弥补了单一主体自主研发知识不足的缺陷，满足了其对新知识的需求，另一方面也促进了创新系统内新知识的快速扩散和采用，进而提升了创新系统的整体绩效。
为了衡量各主体之间联结关系对区域创新效率的影响，类似上文的指标建构方法，我们设置各地区高校科技活动经费筹集中企业资金所占的比例和各地区科研机构科技活动经费筹集中企业资金所占的比例两项指标来分别表征企业与高校、企业与科研机构之间的联结关系。需要注意的是，我们并没有考察高校与科研机构之间的关系，这主要是由于高校与科研机构之间的合作很少是通过资金的输入与输出来形成的，因而我们也无法对其进行定量估计。当然，这并不表明高校与科研机构之间的联结就不重要，相反两者之间的技术合作亦是新知识产生的一项重要途径。
(三)其他控制变量
为准确地估计区域创新系统主体要素对创新效率的影响，我们对其他一些相关变量进行了控制。此变量包括：地区劳动者素质，用每百万人在校大学生数来表征；地区的基础设施水平，用地区邮电业务总量占GDP的比重来表征；地理区位特征，用地区虚拟变量来表征(1表示东部地区，0表示中西部地区)；地区产业特征，用规模以上工业企业增加值中高技术产业份额来表征。
综合上述分析，在本文选取的创新活动投入产出指标框架内，可建立如下超越对数生产函数随机前沿经验模型：
分别表示企业与高校、企业与科研机构之间的联结关系，Particpate表示企业、高校及科研机构的参与强度，而Labor、Base、Geog、Industry分别为控制变量劳动者素质、基础设施、地理区位和产业特征。
本文中使用的变量及其定义如表1所示，而对这些变量的描述性统计可见表2。
四、结果分析
创新活动过程中，从R&D投入到专利产出存在着一定的时间滞后。刘顺忠和官建成(2002)将这一滞后时间设定为1年，Goto和Suzuk(1989)、Furman等(2002)设定为2年，Li(2009)的考察则认为中国发明专利申请获得授权大约需要3年左右的时间，而其他学者，如Nasierowski和Arcelus(2003)及Wang(2007)等，均未考虑投入与产出的时间滞后。为全面起见，我们将同时考察无时间滞后、滞后1年、滞后2年及滞后3年4种情形下随机前沿模型的回归情况。首先在不考虑效率影响因素的情形下对前沿模型进行估计，结果如表3所示。
表3显示了在未考虑效率影响因素时随机前沿模型极大似然法估计结果。模型1、模型2、模型3和模型4分别表示投入与产出之间无时间滞后、滞后1年、滞后2年和滞后3年。从估计结果来看，模型1～模型4的
和γ均通过了显著性水平为1％的检验，表明技术非效率在各地区的创新生产过程中是显著存在的，同时印证了本文采用SFA技术的合理性。η也显著异于零且为正，表明技术非效率是随时间加速递减的，也即研发创新的技术效率是随时间不断改善的。
除了上面的简单分析外，我们更关心传统的柯布—道格拉斯知识生产函数是否适宜于拟合样本数据，是否适应于表达中国这样一个快速发展国家的知识生产过程。为此，我们建立了原假设
，即超越对数生产函数中二次项系数
均为零，也即柯布—道格拉斯知识生产函数适宜拟合样本数据，并用广义似然率统计量对原假设进行检验②。检验结果如表4所示。
从表4结果可看出，模型1、模型2、模型3和模型4的广义似然率均大于相应的5％显著性水平下的卡方分布临界值，因此，我们有充分理由拒绝柯布—道格拉斯知识生产函数更适宜拟合样本数据，更适宜表达中国知识生产过程的原假设。因此，我们在下文效率估计及影响因素分析时均选取超越对数生产函数作为前沿函数。模型1～模型4效率估计的描述性统计结果如表5所示。
从表5可看出，无论是无时间滞后，滞后1年，滞后2年还是滞后3年的模型测算的区域创新效率均值均较低，最低的为滞后2年的均值，仅为0.219，即使是均值最高的滞后3年的模型4，其值也仅为0.486，尚有超过50％的改善空间。近年来，中国虽然加大了对研发创新的投入力度，但这些投入并没有充分有效地转化为创新产出，至少从我们的测量结果来看，其效率情况并不理想。
为澄清效率不理想的原因，我们将在下文中对影响效率的因素作进一步分析，且这些影响因素是具有重要政策含义的。
表6给出了在考虑效率影响因素情形下随机前沿的模型的估计结果，其中模型5、模型6、模型7以及模型8分别表示投入与产出之间无时滞、滞后1年、滞后2年和滞后3年。4个模型中，γ均在1％的显著性水平下显著，表明技术非效率是创新生产未达到前沿面产出水平的重要原因。从效率影响因素的估计结果来看，模型5～模型8的回归系数估计结果基本一致。下面我们就表6中的结果作进一步分析。
政府资助变量(GOV)在模型1和模型2中的回归估计系数都显著为正，虽然模型3为负，但并不显著，我们的检验结果表明政府资助对创新效率的提高并没有促进作用，反而有显著的负面影响。政府进行科技资助其目的主要是引导企业研发投入的方向，降低企业的研发成本，克服由于技术外溢而带来的私人投资与收益不对等问题。但政府资助同样是一把“双刃剑”，政府资助在提高企业研发积极性的同时也会产生一些不利的影响。一方面，如果政府介入了本可以由企业自身完成，或者说是政府不投入企业也会自发投入的研发领域，那么政府的资助并没有增加总的R&D供给，反而挤出了企业投资；另一方面，政府资助会增加企业对R&D资源(比如R&D人员)的需求量，这样在短期内R&D资源供给缺乏弹性的条件下，R&D资源的价格(比如R&D人员的工资)就会上升，提高了企业的研发成本，进而可能使企业转向其他的盈利项目，同样也挤出了企业的研发投资(程华，2005)。正如Goolsbee(1998)的研究所显示的：“由于R&D支出的很大一部分都是用来支付R&D人员的工资，而且由于这部分人的科研能力供给缺乏弹性，政府科技资助的效果仅仅是提高了研发人员的工资而已，对研发活动的质量改善并没有多大帮助。”事实上，以2006年为例，中国R&D经费按来源划分，政府资金所占的比重仅为24.7％，这一比例尚低于同期像美国(29.3％)、英国(31.9％)、法国(38.4％)及德国(28.4％)等实行自由市场经济的西方发达国家的投入比例。因此，中国政府在科技资助时更需要合理化投入结构，将这部分资金投入到社会效益高的研究领域，尽量减少对企业资本的挤出，另一方面也需建立有效的监督机制，以确保研发创新活动的有效进行和质量改善。
金融支持变量(Finance)在4个模型中回归估计系数均显著为正，我们的检验结果表明其对创新效率亦产生负面的影响。相对于政府科技资助而言，金融机构的放贷更是以盈利为主要目的的，因此，其更倾向于资助那些周期短、低风险、高成功率、具有良好前景的创新项目，而这些项目往往是即使金融机构不进行资助企业也准备实施的，这样金融贷款便在一定程度上挤出了企业投资，R&D总量并没有相应地增加。更为重要的是，出于信用担保的压力，金融机构在具体选择资助对象时，往往更喜欢选择那些规模实力大、偿债能力强的企业作为资助对象，而这些企业往往不缺乏研发资金。相反，那些具有良好创意，急需资金支持的中小型企业并没有获得贷款资助。这样就致使金融贷款并没有真正发挥其扶持作用，反而助长了研发垄断，排挤了中小型企业的创新活动。另外，值得思考的是，金融机构在考核一项创新项目是否值得资助时一般是以其能获得多少商业价值为主要标准的，而专利数目显然不具备表达这一内容的条件，因此将专利数目作为衡量金融机构的支持意愿时存在一定的缺陷，这也可能是造成本文回归估计系数显著为正的一项重要原因。
表示创新直接主体间企业与高校联结关系的变量Link 1在模型5及模型6中对创新效率的影响均表现出显著的负效应，虽然在模型7和模型8中情况发生变化，但其效果并不显著。表示企业与科研机构联结关系的变量Link 2在模型5、模型6及模型8中对创新效率均有显著的负影响。我们的经验结果表明中国企业、高校及科研机构之间的联结抑制着创新效率的提高。企业投入资金与高校、科研机构开展合作，其目的一般是为了获取高校和科研机构的新技术、新成果，并将这些成果应用于市场以获得商业利益。而在中国，长期以来对科研成果的价值衡量主要是以发表论文数的多寡、获得奖励的数量与级别为评价标准的，缺乏对科研成果市场价值的关注，这显然脱节了企业的需求，以至于造成科研成果的“有效供给”不足。另一方面，从需求方来讲，一些企业在引进技术时更多地注重技术的先进性而并不考虑技术的适宜性，加上由于人才队伍及能力不能及时跟上，引进的技术并不能被企业消化和吸收，进而转化为生产力，造成企业的“有效需求”不足(丁同玉，2003)。供给与需求的不对称可能是造成主体间联结负效应的重要原因。因此，进一步完善高校、科研机构科技成果评价体系，引导企业转化观念，合理选取适宜技术，应是今后产学研结合提高创新效率的重要工作之一。
出乎预料的是，表示企业参与创新活动强度的Participate变量对创新效率亦有负的影响。企业参与的强度越大，创新效率反而越低，这似乎有悖于常理。但是仔细观察近年来研发经费的分配与发明专利的产出情况可以发现其中的一些原因。还是以2006年为例。2006年，中国研发经费内部支出中企业支出为1630.2亿元，科研院所与高等院校共支出844.1亿元，企业研发经费占了全部支出的65.9％，但从其产出来看，这一年企业共获得发明专利授权量9933件，科研院所和高等院校获得发明专利授权量8751件，企业的专利产出占据全部产出的51.9％，投入与产出并不成比例。造成这一现象的原因可能与专利作为考核指标有关。企业参与研发创新，是为了通过研发创新而获得市场竞争优势的，申请专利只是使其知识产权得到保护的一种途径，并不是企业的终极目标，而且为了使技术知识不被外漏，企业往往更愿意采取技术保密的方法来维护其技术垄断地位。因此，在与科研院所、高等院校的比较研究中，如果以专利产出作为衡量创新绩效的标准，企业不占上风也是在情理之中了。
其他控制变量中，代表劳动者素质的Labor变量，代表基础设施的Base变量在4个模型中回归系数均显著为负，表明其对创新效率存在显著的正向效应，也即意味着一个地区的劳动者素质越高，基础设施越完备，创新效率就会越高。地区虚拟变量系数也显著为负，表明中国三大地区的创新效率存在显著差异，且东部地区的创新效率要高于中西部，这与各地区的经济发展水平是相一致的。在中国，东部地区经济实力较强，这就增强了其在创新基础设施建设、创新人才培养等方面的能力，进而也有利于研发效率的提高。而中西部地区由于经济实力较弱，削弱了其在创新环境建设方面的能力，创新发展缓慢。值得注意的是，代表地区产业特征的高技术产业发展水平变量(Industry)对创新效率的提高亦有显著的负影响，李习保(2007)的研究也有类似的发现。这可能还是与以专利数量作为产出变量有关。专利并不能反映高技术产业创新发展的全部绩效(李习保，2007)。
至此，我们已将影响因素分析完毕。表7进一步给出了加入影响因素变量以后模型5～模型8核算的创新效率值的描述性统计结果。从表7可看出，加入效率影响因素后，模型5～模型8的效率均值分别为0.466、0.392、0.492和0.581，虽然离前沿面水平还有较大差距，但较之表5未考虑影响因素的效率水平已有大幅提高。因此，在分析创新效率时，如果不考虑环境影响因素的冲击，各地区的效率水平将有可能被低估。同时，由于用来控制各地区差异的各项因素对创新效率均有显著的影响，这也说明各地区在政府资助、金融支持、创新直接主体的参与强度与联接关系、劳动者素质、基础设施、地理区位及产业特征等因素是造成区域间效率差异的重要原因。
表5与表7只是粗略地描述了1998-2007年10年间全国创新效率的总体情况，进一步，我们用图2和图3描绘了考察期内全国创新效率均值的时间倾向。其中，图2表示未考虑影响因素情形下创新效率的时间演变，图3表示考虑了影响因素以后创新效率的时间趋势。
图3 考虑影响因素的创新效率时间趋势
从图2与图3可看出，无论是否考虑影响因素，也无论是否有时间滞后，考察期内创新效率均值均表现出上升的发展态势，那么是什么原因使得效率水平不断提高呢？在不考虑影响因素的情况下(图2)，效率的提升可以理解为创新生产过程的自我调节与优化。随着时间的演变，创新生产系统通过不断调节其投入与产出，使其配置更为合理，进而也改善了生产效率。对于考虑了影响因素的情况(图3)，可以理解为除了生产过程投入产出的自身调节外，还有外部因素的作用。对比各项影响因素期初与期末的数据我们发现，政府资助变量取值有明显的下降趋势，企业参与强度变量取值有明显的上升趋势，控制变量中劳动者素质和基础设施变量取值也有较为明显的提高。因此，一方面近年来劳动者素质的提高与地区基础设施的改善促进了创新效率的提升；另一方面，政府干预的降低和企业创新主体地位的不断确立亦是创新效率不断提高的重要原因。由此也启示减少政府干预，进一步确立企业的创新主体地位是今后改善创新绩效的重要途径。
五、结论
本文应用超越对数随机前沿模型实证测算了中国各地区的研发创新效率，并考察了区域创新系统主体要素及其联结关系对创新效率的影响，其价值在于对近年来中国地区研发创新的效率状况进行评估，并探求影响创新效率提升的关键因素，从而为创新型国家建设过程的效率改善提供启示。我们的研究发现：由于区域创新系统内部各主体及主体之间的联结并不理想，这也导致了各区域的创新效率处于较低的水平。具体来讲，无论是作为创新支持变量的政府资助和金融支持，还是作为创新直接主体的企业、高校、科研机构以及它们直接的联结关系都对创新效率产生显著的负面影响。因此，进一步完善区域创新系统支持体系，理顺各主体间的内在关系是摆在当前政策制定者面前的一项重要任务。
最后，本文的研究也提出一个非常棘手的问题，那就是专利在表征创新产出时的适宜性。考虑到数据的可得性与通用性，本文的研究依然选用了专利作为衡量创新的产出指标，但正如我们前面所讨论的，专利并不能全面表达创新成果的质量属性，同时也并非企业等组织机构参与创新活动的终极目标，因此探求更为合理的替代指标在今后研究中就显得尤为必要。选择不同的创新产出指标将有可能对结论的稳定性造成影响。但不管怎样，本文至少从专利角度检验了中国区域研发创新的效率情况，更为重要的是考察了区域创新系统主体要素及联结关系对创新效率的影响，对后续研究也有一定的参考和比较价值。
注释：
①上述数据系根据《中国科技统计年鉴(2001、2008)》相关数据计算得到，而关于研发经费和研发人员总量的世界排名来源于《中国科技统计报告(2008)》。
