Study on Technology Transfer Efficiency of Beijing, Shanghai, and Shenzhen Based on the DEA Model
-
摘要:
北京、上海、深圳作为中国重要的科技创新高地，对于中国创新发展与追赶具有重要战略意义。技术转移是创新的重要手段，对创新能力提升及经济发展发挥着重要作用。基于2010—2020年京沪深的面板数据，建立DEA模型，测度三地技术转移效率，同时还进行了敏感度分析与投影值分析，发现三地均存在R&D经费投入过多和高新技术产品出口额不足的问题；其中北京还存在R&D人员产出效率较低的问题，说明以大规模经费投入和人员投入的发展方式已经不适应三地当前的发展阶段。针对以上研究结果，提出合理规划投入、提质增效，顺应双循环发展格局、先锋突破，聚焦重点指标、特色管理等政策建议。
Abstract:Beijing, Shanghai, and Shenzhen, as the highland of science and technological innovation in China, have important strategic significance for innovative development and catching up. Technology transfer is an important means of innovation and has an important impact on the improvement of innovation capabilities and economic development. Based on panel data from 2010 to 2020 of Beijing, Shanghai, and Shenzhen, this paper establishes a DEA model to measure the technology transfer efficiency of the three cities. Sensitivity analysis and projection value analysis are also conducted. The findings reveal that in addition to the problems of excessive investment in R&D funds and insufficient export volume of high-tech products, Beijing still faces the issue of low efficiency in output per R&D personnel, indicating that the development pattern with large-scale expenditure investment and personnel investment is no longer suitable for the current development stage of the three cities. In response to the above findings, this study proposes policy recommendations, such as rational planning and investment, increasing quality and efficiency, conforming to the dual circulation development pattern, pioneering breakthroughs, focusing on key indicators, and special management.
-
2021年3月，国家“十四五”规划纲要提出，建设重大科技创新平台，支持北京、上海、粤港澳大湾区形成国际科技创新中心。三大国际科技创新中心，拥有中国最密集优质的科技资源，创新活力十足，作为重要科技创新策源地和区域发展增长极，能够辐射带动国内创新发展，深度参与全球科技产业竞争合作，在国内大循环和国内国际双循环中发挥关键作用，是科技高质量发展和高水平科技自立自强的重要支撑，承担着勇攀全球科技创新高地的重任。
根据国际科技创新中心指数2023
① ：北京综合排名从2020年第五位上升至第三位，粤港澳大湾区排名第六位，上海排名第十位。虽然美国的多个老牌创新中心仍保持领先地位，但中国这三个都市圈展现较强的增长动力和良好态势。技术转移是科技创新的重要手段，已有研究表明技术转移能够促进创新活力释放与推动区域创新能力、创新绩效提升[1-2]，同时，本土技术转移和国外技术引入相互作用能促进创新效率提升[3]。许培源和吴贵华提出深圳将成为粤港澳的科技创新中心，应着力强化深圳在其创新网络的中心地位[4]。京沪深是全国技术转移网络的核心[5]1466，三地依托各自的资源优势、区位优势、产业优势、政策优势，在建设国际科技创新中心的定位上也有所差异。王俊松和颜燕提出北京、上海、深圳三地技术基础与演化特征存在显著的差异，需要制定针对性发展政策[6]；方力等提出京沪深创新发展模式的不同之处[7]。因此，研究三地技术转移效率，提出更有针对性的政策建议，对中国科技创新中心建设和创新驱动发展战略落地具有重要意义。一、 文献综述
一是关于技术转移与科技创新中心建设相关研究。有研究介绍了英国通过成立国家技术创新中心促进技术转移的发展的经验[8]，还有研究认为促进上海建设全球科技创新中心需要承接技术转移[9]。以上两个研究说明建立科技创新中心与技术转移能够相互促进。
二是关于区域技术转移效率相关研究。部分研究以高校[10]和企业[11]为主体，聚焦地区之间技术转移效率差异，但也有研究认为使用高校、企业两个子阶段的效率代替整体会高估整体效率[12]，所以区域维度的技术转移效率研究往往将地区整体作为主体测算，Danquah探究了40年间撒哈拉以南非洲国家效率的跨国差异[13]，王七萍和易凌峰测算了安徽省地级市工业技术转移效率，发现研发投入和研发人员投入不足的问题[14]，冯华和单丽曼测算评价各省技术转移效率，发现大部分省技术转移效率都处于较低水平[15]16-21，肖国华等提到研发投入存在浪费冗余问题[16]10，杜传忠等测算发现泛长江三角洲经济圈绩效相对较高[17]98-99。
三是关于技术转移效率影响因素的研究。宏观影响因素方面，经济发展水平、对外开放程度和政策支持等因素对技术转移能起到正向作用[5]1471-1473，财政转移支付对地区特别是西部地区的技术转移有着十分明显的积极影响[18]，也有研究探究了跨境技术转移，得到技术水平差距、地理位置相邻度与技术通道等对中国跨境技术转移起主要影响的结论[19]。技术转移主体方面，胡欣悦等发现高技术产业聚集度和市场联系密切度是影响高校技术转移效率的重要因素[20]205-207，也有研究探究了城市技术转移的影响因素，得到城市第一产值规模有显著的阻抗作用[21]749-751。还有部分研究聚焦技术转移微观环节，Ravilious等得到影响技术商业化交易时间的主要因素是合作伙伴数量等的结论[22]。
综上所述，技术转移是影响创新能力的重要因素之一，是促进科技成果发挥社会效用、经济效用的重要方式。现有研究表明中国整体技术转移效率偏低、地区差异大、起伏大，仍存在较大的改进空间。与此同时，城市已经成为技术创新与技术转移的主要场所。依托京津冀、长三角、粤港澳大湾区的京沪深三地是中国技术转移的活跃核心[5]1473[21]738-754[23]。目前研究空间维度以省域、区域为主，以中心城市为主体的技术转移效率量化研究及其比较研究较少，尽管有研究提出要重视京沪深的引领作用，并对三地的创新能力[24]、创新创业环境[25]、金融中心建设[26]、经济发展[27]等方面进行了研究，但未聚焦三地的技术转移效率。笔者将运用数据包络分析法（data envelopment analysis, DEA），分析京沪深三地的技术转移效率，同时在效率值、敏感度、投影值等方面进行比较，以期发现科技创新中心城市在技术转移和科技创新方面的更多实际问题，进而提出更有针对性的政策建议。
二、 模型及数据
（一） 模型选择
目前，有关技术转移的研究方法主要包括DEA模型[16]8[28-29]、前沿估计法（SFA）[20]202-203、主成分分析法[17]98、GMM估计法[30]、Malmquist指数法[15]16等，也有学者尝试自己建立模型[31]。DEA模型作为常见、常用的效率测度方法，与需要大规模样本的SFA模型不同，无须对数据进行参数估计与标准化处理，可以削弱主观因素影响，根据有限的样本进行测度，更方便运用于多产出情况。鉴于此，笔者使用DEA模型测度京沪深三地技术转移效率。
CCR模型是DEA的传统模型，主要用于评价多投入和多产出决策单元的相对有效性，通过测试有效性，针对无效单元提出建议，其重点在于应用。该模型假设有n个决策单元
$DMU_j $ （j=1, ···, n），每个$DMU $ 都有m种输入和s种输出，即Xj=(x1j, x2j$ \cdots $ , xmj)T, Yj=(y1j, y2j$ \cdots $ , ysj)T，于是第j0决策单元${{DMU}}_{j_{0}} $ 的效率计算可转化为分式规划问题$$\left\{ \begin{array}{l}\text{max}{{h}}_{{0}}=\dfrac{\sum _{{r=1}}^{{s}}{{u}}_{{r}}{{y}}_{{{rj}}_{{0}}}}{\sum _{{i=1}}^{{m}}{{v}}_{{i}}{{x}}_{{i}{{j}}_{{0}}}} \\ \text{s.t.}\dfrac{\sum _{{r=1}}^{{s}}{{u}}_{{r}}{{y}}_{{rj}}}{\sum _{{i=1}}^{{m}}{{v}}_{{i}}{{x}}_{{ij}}}\leqslant{1;\;j=1,}\cdots{,n} \\ {{u}}_{{r}}\geqslant{0,}{{v}}_{{i}}\geqslant{0;\;r=1,}\cdots{,s;\; i=1,}\cdots{,m} \end{array} \right.$$ (1) 式中：
$h_0 $ 为第$j_0 $ 个决策单元的效率值，$ {\boldsymbol{v}}= $ $\left(v_1,v_2,\cdots,v_m\right)^{\mathrm{T}} $ 和$ {\boldsymbol{u}}=\left(u_1,u_2,\cdots,u_s\right)^{\mathrm{T}} $ 分别为m种输入和s种输出的权系数。通过Charnes-Cooper变换并引入非阿基米德无穷小量可将分式形式的模型化为等价的线性规划
$$ \left\{ \begin{array}{l} \text{min}\left[{\theta- \varepsilon }\left({{{\boldsymbol{e}}}}^{\land{{\mathrm{T}}}}{{{s}}_{{i}}}^{-}+{{{\boldsymbol{e}}}}^{{{\mathrm{T}}}}{{{s}}_{{r}}}^{+}\right)\right]\\ \text{s.t.}\displaystyle\sum _{{j=1}}^{{n}}{{ \lambda }}_{{j}}{{x}}_{{ij}}+{{{s}}_{{i}}}^{-}{=\theta}{{x}}_{{i}{{j}}_{{0}}}\\ \displaystyle\sum _{{j=1}}^{{n}}{{ \lambda }}_{{j}}{{y}}_{{rj}}+{{{s}}_{{i}}}^{+}={{y}}_{{r}{{j}}_{{0}}}; j=1,\cdots , n\\ {{ \lambda }}_{{i}}{\geqslant 0;}\;{{{s}}_{{i}}}^{-}{\geqslant 0,}\;{{{s}}_{{r}}}^{+}{\geqslant 0};\; i=1, \cdots , m ; r=1,\cdots ,s \end{array} \right.$$ (2) 式中：
$\varepsilon $ 为非阿基米德无穷小量，${\boldsymbol{e}}^{{\land}}= (\mathrm{1,1},\cdots ,$ $ 1)^{{\mathrm{T}}}\in {{\boldsymbol{E}}}^{{\boldsymbol{m}}};\; {{\boldsymbol{e}}=}{({1,1},\cdots ,1)}^{{\mathrm{T}}}\in {{\boldsymbol{E}}}^{{\boldsymbol{s}}}; $ ${\boldsymbol{E}}^{\boldsymbol{m}} $ 为输入指标的单位向量，${\boldsymbol{E}}^{\boldsymbol{s}} $ 为输出指标的单位向量，${{{s}}_{{i}}}^{{-}} $ 、${{{s}}_{{i}}}^{{+}} $ 为松弛变量；$\theta $ 为决策单元的有效值，$\lambda_i $ 为权系数，反映${{DMU}}_{j_{0}} $ 在保持产出不减少的条件下，所有投入同比例减少能达到的最低值。（二） 指标设计
技术转移效率包含多投入与多产出，需要选取投入和产出两个指标。其中，投入一般分为人员投入和资金投入，而产出一般分为专利产出和经济产出。研究将研究与开发（research and development, R&D）人员、R&D人员全时当量、科技活动人员、R&D经费内部支出、新产品开发经费支出、技术改造经费支出及技术引进经费支出等作为投入指标；将专利申请量、发明专利数、有效发明专利数、技术市场技术输出地域合同金额以及合同数、新产品销售收入、新产品出口额、主营业务收入等作为产出指标[32]。
冯华和单丽曼认为有效发明专利数是专利形式的科技成果，同时R&D人员全时当量体现实际投入强度[15]15-16，但是，他们把有效发明专利数归为投入指标，考虑专利是一定投入的技术产出结果，笔者将其设定为产出指标；封伟毅等认为R&D投入是影响产业竞争力的重要因素，而R&D经费内部支出是衡量其重要指标之一[33]；刘志迎等则提出技术由开发向应用转移最终是以新产品为表现的，因此选取新产品销售收入这一指标来反映技术应用的发展程度[34]；Bolatan等也指出创造新产品或改进现有产品的技术公司比单纯生产传统产品和服务的公司具有许多优势[35]；同时，从投入角度来看，王晓珍等通过统计检验得出新产品开发经费支出对新产品销售收入的影响与贡献十分显著[36]，所以，选取新产品开发费用支出作为投入指标之一；最后，考虑三地国际化特征及技术转移环节，选取高新技术产品出口额作为经济产出的一部分。三地技术转移效率测度指标体系，如表1所示。
表 1 三地技术转移效率测度指标体系投入指标 人员投入 R&D人员全时当量（人/年） 资金投入 R&D经费内部支出（万元） 新产品开发经费支出（万元） 产出指标 专利产出 有效发明专利数（件） 经济产出 高新技术产品出口额（万美元） 新产品销售收入（万元） （三） 研究对象及数据来源
根据指标数据的完整性与可获得性，以各年份作为决策单元，选取了北京、上海和深圳2010—2020年的数据，建立DEA模型以此测度三地技术转移效率。数据来源于《北京统计年鉴》《上海统计年鉴》《深圳统计年鉴》以及《中国科技统计年鉴》。
三、 效率测度及结果分析
（一） 技术转移效率测度结果
运用DEAP 2.1软件，选取三地2010—2020年的数据，综合成33个决策单元对技术转移效率进行测度，三地技术转移效率值对比，如图1所示；三地技术转移效率值，如表2所示；三地技术转移效率值趋势，如图2所示。
表 2 三地技术转移效率值年份 深圳技术转移
效率值北京技术转移
效率值上海技术转移
效率值2010 1.000 1.000 1.000 2011 1.000 0.753 1.000 2012 0.961 0.683 0.940 2013 1.000 0.702 0.897 2014 0.984 0.824 0.936 2015 1.000 0.807 0.872 2016 1.000 0.899 0.934 2017 1.000 0.969 1.000 2018 0.894 0.950 0.977 2019 0.945 0.969 0.948 2020 0.946 1.000 0.866 平均值 0.975 0.869 0.943 注：技术转移效率值为1.000代表DEA有效。 由图1和表2可知，从数值来分析：横向来看，深圳各年技术转移效率值都比较接近1.000，说明其各年效率值较高，11年间达到DEA有效的年份为6年，在总年份中占比为55%，效率值平均值高达0.975，但仍存在非有效情形，技术转移效率改进空间处于1.6%～10.6%之间。此外，需注意，2018年技术转移效率值下降幅度相对较大，造成整体轻微波动；北京技术转移效率值基本低于1.000，达到DEA有效的年份仅为2年，特别是2011—2015年效率值较低，但是2016—2019年效率值有所提升，逐渐达到DEA有效；上海技术转移效率值变动频繁，达到DEA有效的年份为3年，近几年表现不如深圳和北京，总体来说不太稳定，进步空间相对较大。
纵向来看，深圳大部分年份技术转移效率值均高于北京和上海，同时，年份波动、年份差距小于这两地。北京有强劲的发展势头，2018—2020年反超深圳。北京和上海达到DEA有效的年份占比低于深圳，可改进比例高于深圳。从各年技术转移效率值平均值来看，深圳领先，其次是上海，最后是北京。虽然，北京效率值平均值落后于深圳和上海，但综合各年份效率值增长变化，可从另一角度展现其发展势头。
由图2可知，从趋势角度来看：深圳效率值趋势较为平稳，有着较好的技术转移起点，且一直保持着较高的技术转移效率值，但是2018年下降较明显，有一定的波动；北京效率值上升趋势明显，初始水平较低，发展速度较快；上海效率值趋势波动较大，初始水平较高，但呈现下降趋势。
综上所述，深圳在技术转移效率方面具有一定的模范带头作用，效率值尤为突出；上海效率值率先取得突破；北京效率值增长性显著高于深圳和上海。三个主要的科技创新中心城市效率值虽有一定的差距，但是近年来差距逐渐减小，三地技术转移效率值趋势均较为可观。下一步，应聚焦如何让北京、上海、深圳等中心城市带动周边甚至全国技术转移效率的提升。
（二） 敏感度分析
通过分析当增加或减少输入指标或输出指标时效率值的变化，可以更深入了解各指标对效率值的影响大小。以深圳为例，得到减少各指标后效率值与标准效率值的趋势对比，即各指标敏感度，如图3—图8所示。
由图3和图4可知，去掉有效发明专利数和高新技术产品出口额两个指标的效率值曲线与原效率值曲线基本重合，说明效率值对二者的敏感度较低，但是也存在个别明显波动的年份，去掉有效发明专利数的效率值在2017—2020年一定程度上下降；去掉高新技术产品出口额的效率值曲线在2017年以前一定程度上偏离了原效率值曲线。由图5—图7可知，去掉新产品销售收入、R&D人员全时当量和R&D经费内部支出指标的效率值曲线与原效率值曲线偏离较多，特别是去掉新产品销售收入的效率值波动较大。由图8可知，去掉新产品开发费用支出指标的效率值曲线与原效率值曲线完全重合，说明该指标对深圳技术转移效率值没有影响。
依次去掉有效发明专利、高新技术产品出口额、新产品销售收入、R&D人员全时当量、R&D经费内部支出和新产品开发经费支出指标，得到三地新效率值平均值与原效率值平均值的差额，以此来表示三地各指标对技术转移效率的影响强弱，即三地各指标敏感度，如图9所示。
综上所述，除了高新技术产品出口额和R&D内部经费支出敏感度较低，其他指标均具有一定的敏感度。从具体城市角度来看，深圳对新产品销售收入和R&D人员全时当量具有一定的敏感度：新产品销售收入平均使效率值降低13.0%，最多让效率值降低34.8%；R&D人员全时当量平均使效率值降低12.0%，最多让效率值降低22.4%。可见，深圳应加强对这两个指标的管理。北京对有效发明专利数较为敏感：有效发明专利数平均使效率值降低31.0%，最多让效率值降低51.9%。可见，北京应加强对有效发明专利数的管理。上海对新产品销售收入和R&D人员全时当量较为敏感：新产品销售收入平均使效率值降低28.0%，最多让效率值降低33.7%；R&D人员全时当量平均使效率值降低30.0%，最多让效率值降低42.2%。可见，上海应重点关注这两个指标的管理。
（三） 投影值分析
通过投影值分析可以回答造成三地部分年份未达到DEA有效的原因，同时也能回答其与达到DEA有效的年份的具体差距。截取DEAP 2.1运行结果与投影值相关部分，如表3所示。从投入指标角度来看，深圳在R&D人才运用以及R&D经费投入控制方面表现较好，只在2014年R&D经费投入过多导致DEA无效，但是存在新产品开发费用支出冗余问题；而北京在11年间断断续续出现R&D人才投入相对于产出效率较低、R&D经费投入过多的情况；上海在R&D人才投入和新产品研发费用支出方面控制得较好，但也有超半数的年份R&D经费投入过多，存在资源浪费。
表 3 投影值分析地区 年份 标准效率值 松弛变量 剩余变量 R&D人员
全时当量（人/年）R&D经费
内部支出（万元）新产品开发
经费支出（万元）有效发明
专利数（件）高新技术产品
出口额（万美元）新产品销售
收入（万元）深圳 2010 1.000 0 0 0 0 0 0 2011 1.000 0 0 0 0 0 0 2012 0.961 0 0 1262100.808 0 0 1168055.691 2013 1.000 0 0 0 0 0 0 2014 0.984 0 38039.284 83756.635 5666.520 0 0 2015 1.000 0 0 0 0 0 0 2016 1.000 0 0 0 0 0 0 2017 1.000 0 0 0 0 0 0 2018 0.894 0 0 3224895.206 0 3097777.175 0 2019 0.945 0 0 3375146.189 0 4612137.421 0 2020 0.946 0 0 3917381.435 0 3471285.603 0 北京 2010 1.000 0 0 0 0 0 0 2011 0.753 0 157761.617 0 0 2319246.750 0 2012 0.683 4125.583 0 0 0 2026088.192 0 2013 0.702 0 31265.887 0 0 2528329.583 0 2014 0.824 0 267559.093 0 0 3112764.695 0 2015 0.807 10347.879 0 0 0 1839071.923 0 2016 0.899 8115.724 0 0 0 2362153.237 0 2017 0.969 25272.147 0 172256.512 0 1618875.397 0 2018 0.950 0 432757.187 0 0 284336.834 0 2019 0.969 0 1532814.786 0 0 1478276.534 0 2020 1.000 0 0 0 0 0 0 上海 2010 1.000 0 0 0 0 0 0 2011 1.000 0 0 0 0 0 0 2012 0.940 0 420730.835 0 0 0 0 2013 0.897 0 258148.847 0 0 0 0 2014 0.936 0 57156.107 0 0 0 0 2015 0.872 0 940761.361 0 0 0 0 2016 0.934 0 0 0 0 726409.039 0 2017 1.000 0 0 0 0 0 0 2018 0.977 0 1730809.026 0 0 0 0 2019 0.948 0 2761707.769 0 0 493976.506 0 2020 0.866 0 1282990.136 0 0 124457.158 0 从产出指标角度来看，深圳有个别年份有效发明专利数和新产品销售收入较多，可能与政策优惠力度（如R&D经费补贴）有关，但近几年都达到有效，提高高新技术产品出口额是深圳近几年的工作重点；北京和上海有效发明专利数和新产品销售收入一直有效，高新技术产品出口额不足是影响两地，特别是上海效率值的重要原因。可见，提高高新技术产品出口额也应作为北京和上海今后工作的重点。
总的来看，三地普遍存在投入方面R&D经费内部支出过剩的问题，现有研究也发现类似的问题，例如，中国科技创新研发投入大部分没有达到有效，且政府研发投入对工业企业的创新活动效率并不能起到促进作用[37]。以宁夏为例，有研究发现研发经费投入强度对宁夏研发活动效率起负向作用[38]。中国经济已进入高质量发展阶段，通过大规模经费投入拉动科技创新[39]的发展方式已经不再适用。北京还存在R&D人员投入相对于产出效率较低的问题，现有研究也得出相似的结论，例如，在集成电路产业中，企业研发人员投入和人才密集性对其创新效率分别起到消极和积极的影响[40]。从衍生企业角度来看，科研投入、技术转移服务机构和发明披露都能促进衍生企业的增加，但研发人员投入未产生促进作用[41]。
从这两个方面来说，高投入并不一定带来高产出，事实上需要对资源进行合理的配置。当前科研人员高度集中在北京[42]，无论是科技创新还是技术转移效率的提升关键在于质量而非数量，因此，应加强对人才结构、资金的科学管理与配置，提高人才素质，宁缺毋滥。
在产出方面，近几年三地高新技术产品出口额均不足。以2010年为基期，计算得到京沪深三地高新技术产品出口额增长率，如图10所示。
由图10可知，三地高新技术产品出口额总体规模均呈现不断扩大的趋势，但增长速度放缓，下降趋势明显，甚至出现负增长。目前，国际上“逆全球化”思潮兴起，发达国家贸易保护主义抬头，各国实施了一系列的贸易保护措施，如知识产权保护壁垒等限制措施针对中国高新技术产品的出口，给中国高新技术产品出口和发展带来了严重的阻碍。同时，高新技术产品出口不仅面临技术性壁垒等外部阻碍，还存在内部瓶颈，中国创新质量、自主创新能力形势仍然严峻，高新技术产品出口贸易结构单一[43]。由此可知，中国高新技术产品出口面临内部和外部压力双重夹击。
四、 结论
研究基于DEA模型对京沪深三地进行技术转移效率评价，通过效率值分析得到各地横向年份变化分析及三地纵向对比分析；通过敏感度分析得到各个输入、输出指标对技术转移效率的具体影响大小；通过投影值分析找出技术转移效率较低的决策单元的薄弱环节。总的来看，三地不仅存在一些相似问题，也存在特性问题，可以得出如下结论：
（一） 三地技术转移效率逐渐接近，但随时间变化呈现不同的发展趋势
效率值分析结果显示，2017—2020年三地总的趋势均处于效率值较高水平，三地趋势线逐渐靠近；深圳和上海初始水平都较高。但三地技术转移效率随时间变化呈现不同的发展趋势：深圳属于高位平稳型，综合效率领先于北京和上海；北京属于低开高走型，增长性显著高于深圳和上海；上海属于小幅起伏型。
（二） 影响三地技术转移效率的指标既有共同性又有差异性
敏感度分析结果显示，三地均对新产品销售收入这一指标敏感。深圳和上海都对R&D人员全时当量这一指标敏感；而北京对有效发明专利数更为敏感，这可能与北京的高校、科研院所众多，专利产出占比较多有关。
（三） 从技术转移效率反映的问题来看，三地存在共同问题，但北京还存在特殊性
投影值分析结果显示，三地均存在R&D经费投入过多和高新技术产品出口额不足的问题。这说明了以大规模R&D经费投入推动创新产出增加已经不适应当今的发展阶段，换句话说，高投入不一定能带来高绩效，经济高质量发展在科技创新与技术转移方面的发展方式还需探索。高新技术产品出口面临外在环境不确定和阻碍多、内部瓶颈难突破的双重问题，这些都导致高新技术产品出口额不足。
相较于深圳和上海，北京还存在R&D人员全时当量冗余值过大，R&D人员产出效率较低的问题。大部分研究认为研发人员的投入对创新及技术转移活动起到促进作用[44-45]，但也有研究发现与笔者研究的结论类似：当研发投入超过阈值时，研发投入对经济高质量发展的促进作用会被削弱甚至大滑坡，而研发人员甚至还会对经济高质量发展起到负向作用，发生结构性变化[46]。目前，虽然只有北京存在R&D人员产出效率较低的问题，但是该问题需要引起三地的重视。这不仅是数量的问题，也可能是结构的问题。中国研发人员数量虽然位居第一，但高质量研究成果及转化带动产业从低端走向高端却难以达到发达国家水平。研发人员总量过剩且结构失衡，一般研发人员冗余而核心研发人员缺失，进而造成资源浪费，效率降低。
五、 政策建议
（一） 合理规划投入，提质增效
1. 研发投入
研发投入过多是三地普遍存在的问题。在增大研发投入规模和强度的同时，更应强调各研发要素在不同研发活动类型、不同创新主体之间的合理配置，严格审查研发经费项目实施的必要性，容易突破、使用经费又相对较高的项目可选择从国外引进，提高研发经费和研发人员的使用效率，切忌以量的扩张取代质的提升。不断完善研发经费审查管理机制，避免研发投入在投入前夸大、进行中浪费的情况；探讨评价政府技术创新、技术转移支持力度以及发展程度新体系，除了硬性的绝对指标，如科研经费投入等，尝试加入效率指标，既可以更好地激励政府合理安排资源配置，谨防资源浪费、政府怠政；也可以采用税收优惠等取代政府直接增加研发投入政策。
2. 研发人员
在研发人员方面，政府引才政策可以适当偏向高层次人才，以质代量，但也要避免走入仅“以学历论英雄”的困境。有研究表明，以博士占比作为高层次科技人才指标在知识创新效率测度中起负向作用[47]。可加大创造性、求知欲等前瞻性指标在高层次人才引进评估中的占比。同时，应科学合理地确定人才引进数量，避免来者不拒、广撒网，科学判断人才缺口、人才类型缺口，强化重点领域关键环节的人才支持。北京可对现有研发人员数量及分布进行分析，判断是否存在某一研究领域，特别是成熟研究领域研发人员过度密集的现象；如若存在，应妥善建立人才引导机制，引导人才向周边区域流动，防止人才浪费。同时，在引才方面可以尝试改变大规模财政投入，将用在宣传、人才竞争上的经费投入到能吸引人才主动加入等方面，如创新生态环境等。
（二） 顺应双循环发展格局，先锋突破
受制于不稳定国际环境持续甚至增强的情况，一方面，京沪深建设国际科技创新中心是中国在不稳定、不确定的国际环境下进行的先行先试，中国始终坚持对外开放，三地应积极探索提高高新技术产品出口额的方式和方法，打破层级壁垒，补齐短板，积极探索新出口对象，多元化出口路径与出口产品种类，勇于探索，敢于试错，为中国其他地区寻找路径，积累经验。另一方面，中国拥有广阔的国内市场，随着国内统一大市场的提出，在探寻突破国际障碍的同时，立足内需，将目光转移到国内大循环中，增加国内高新技术产品的销售，通过加强各要素流动、融入国内大循环进而促进统一大市场的建立。同时，尝试灵活改进评价体系，将国际国内高新技术产品销售均纳入效率评价系统，双驱齐动，两“市”并行。
（三） 聚焦重点指标，特色管理
通过敏感度分析，得出投入产出指标中对三地效率值影响较大的指标，首先，R&D人员全时当量对上海和深圳较为重要，可见两地应有目的、有选择、有意识地引入人才，引入的同时还需留住人才，两地应重点关注人才政策等方面；其次，有效发明专利数对北京比较重要，北京可以从专利创新主体企业、高校、科研机构分类管理，有效促进其专利水平提高[48]；最后，新产品销售收入对三地均重要，作为市场化最显著的环节，新产品连结科技创新成果与市场，也是“转移”的重要结果，三地应发挥各自的特色，丰富新产品种类，促进、服务科技成果转化。总而言之，三地技术转移均具有特性，需要抓住各自重点，解决各自瓶颈与短板，需要因地施策，建设有特色的技术转移中心与国际科技创新中心。
注释：
① 国际科技创新中心指数2023数据来源，网址为https://www.ncsti.gov.cn/kjdt/ztbd/cxzs2023/。 -
表 1 三地技术转移效率测度指标体系
投入指标 人员投入 R&D人员全时当量（人/年） 资金投入 R&D经费内部支出（万元） 新产品开发经费支出（万元） 产出指标 专利产出 有效发明专利数（件） 经济产出 高新技术产品出口额（万美元） 新产品销售收入（万元） 
下载: 导出CSV
表 2 三地技术转移效率值
年份 深圳技术转移
效率值北京技术转移
效率值上海技术转移
效率值2010 1.000 1.000 1.000 2011 1.000 0.753 1.000 2012 0.961 0.683 0.940 2013 1.000 0.702 0.897 2014 0.984 0.824 0.936 2015 1.000 0.807 0.872 2016 1.000 0.899 0.934 2017 1.000 0.969 1.000 2018 0.894 0.950 0.977 2019 0.945 0.969 0.948 2020 0.946 1.000 0.866 平均值 0.975 0.869 0.943 注：技术转移效率值为1.000代表DEA有效。
下载: 导出CSV
表 3 投影值分析
地区 年份 标准效率值 松弛变量 剩余变量 R&D人员
全时当量（人/年）R&D经费
内部支出（万元）新产品开发
经费支出（万元）有效发明
专利数（件）高新技术产品
出口额（万美元）新产品销售
收入（万元）深圳 2010 1.000 0 0 0 0 0 0 2011 1.000 0 0 0 0 0 0 2012 0.961 0 0 1262100.808 0 0 1168055.691 2013 1.000 0 0 0 0 0 0 2014 0.984 0 38039.284 83756.635 5666.520 0 0 2015 1.000 0 0 0 0 0 0 2016 1.000 0 0 0 0 0 0 2017 1.000 0 0 0 0 0 0 2018 0.894 0 0 3224895.206 0 3097777.175 0 2019 0.945 0 0 3375146.189 0 4612137.421 0 2020 0.946 0 0 3917381.435 0 3471285.603 0 北京 2010 1.000 0 0 0 0 0 0 2011 0.753 0 157761.617 0 0 2319246.750 0 2012 0.683 4125.583 0 0 0 2026088.192 0 2013 0.702 0 31265.887 0 0 2528329.583 0 2014 0.824 0 267559.093 0 0 3112764.695 0 2015 0.807 10347.879 0 0 0 1839071.923 0 2016 0.899 8115.724 0 0 0 2362153.237 0 2017 0.969 25272.147 0 172256.512 0 1618875.397 0 2018 0.950 0 432757.187 0 0 284336.834 0 2019 0.969 0 1532814.786 0 0 1478276.534 0 2020 1.000 0 0 0 0 0 0 上海 2010 1.000 0 0 0 0 0 0 2011 1.000 0 0 0 0 0 0 2012 0.940 0 420730.835 0 0 0 0 2013 0.897 0 258148.847 0 0 0 0 2014 0.936 0 57156.107 0 0 0 0 2015 0.872 0 940761.361 0 0 0 0 2016 0.934 0 0 0 0 726409.039 0 2017 1.000 0 0 0 0 0 0 2018 0.977 0 1730809.026 0 0 0 0 2019 0.948 0 2761707.769 0 0 493976.506 0 2020 0.866 0 1282990.136 0 0 124457.158 0
下载: 导出CSV
-
[1] EATON J, KORTUM S. Trade in ideas patenting and productivity in the OECD [J]. Journal of international Economics,1996,40(3-4): 251-278
[2] 侯健敏, 党兴华. 研发合作及技术转移影响区域创新能力路径研究[J]. 科学学与科学技术管理, 2010, 31(9): 56-61. [3] 冯宗宪, 丁梦. 本土技术转移对省际高新技术产业创新效率影响的实证分析[J]. 统计与决策, 2018, 34(22): 108-111. [4] 许培源, 吴贵华. 粤港澳大湾区知识创新网络的空间演化——兼论深圳科技创新中心地位[J]. 中国软科学, 2019(5): 68-79. [5] 刘承良, 管明明, 段德忠. 中国城际技术转移网络的空间格局及影响因素[J]. 地理学报, 2018, 73(8): 1462-1477. [6] 王俊松, 颜燕. 复杂度、关联度与城市技术演化路径——基于北京、上海、深圳的对比分析[J]. 地理科学进展, 2022, 41(4): 554-566. [7] 方力, 张士运, 王健. 京沪深科技创新综合效应比较评价研究[J]. 世界科技研究与发展, 2020, 42(2): 192-205. [8] 陈俐, 冯楚健, 陈荣, 等. 英国促进科技成果转移转化的经验借鉴——以国家技术创新中心和高校产学研创新体系为例[J]. 科技进步与对策, 2016, 33(15): 9-14. [9] 杨波, 邓智团. 全球创新链、链接机制与上海全球科创中心建设研究[J]. 上海城市规划, 2016(6): 11-16. [10] 范柏乃, 余钧. 高校技术转移效率区域差异及影响因素研究[J]. 科学学研究, 2015, 33(12): 1805-1812. [11] 方炜, 郑立明. 军民融合企业技术转移效率区域差异及影响因素研究[J]. 运筹与管理, 2020, 29(8): 1-11. [12] 吕荣杰, 贾芸菲, 张义明. 我国省份技术转移效率评价——基于高校、企业比较的视角[J]. 科技管理研究, 2018, 38(12): 86-91. [13] DANQUAH M. Technology transfer, adoption of technology and the efficiency of nations: Empirical evidence from sub Saha-ran Africa [J]. Technological Forecasting and Social Change,2018,131: 175-182
[14] 王七萍, 易凌峰. 安徽省工业技术转移效率评价研究[J]. 华东经济管理, 2014, 28(10): 29-31. [15] 冯华, 单丽曼. 中国技术转移效率评价研究——基于Malmquist指数和Bootstrap-DEA的实证分析[J]. 学习与实践, 2016(11): 14-22. [16] 肖国华, 杨云秀, 王江琦. 四螺旋参与度对技术转移及其效率的影响研究[J]. 科技进步与对策, 2016, 33(4): 7-11. [17] 杜传忠, 冯晶, 张咪. 中国三大经济圈技术转移绩效评价研究[J]. 财经问题研究, 2017(7): 95-101. [18] 毛军, 李子豪, 石信秋. 财政转移支付对区域技术转移的影响研究[J]. 科研管理, 2021, 42(1): 88-99. [19] 司月芳, 王岱, 王丰龙. 对华跨境技术转移影响因素研究[J]. 地理科学, 2019, 39(2): 259-266. [20] 胡欣悦, 任紫娟, 汤勇力. 我国重点高校技术转移效率变化的影响因素研究——基于面板随机前沿分析方法[J]. 技术经济, 2020, 39(7): 200-208. [21] 段德忠, 杜德斌, 谌颖, 等. 中国城市创新技术转移格局与影响因素[J]. 地理学报, 2018, 73(4): 738-754. [22] RAVILIOUS G E, CHOUDHRY V, HOWIESON S V, et al. An analysis of factors affecting federal laboratory technology transfer transactional efficiency [J]. Research-Technology Management,2021,64(3): 20-30
[23] 段德忠, 谌颖, 张杨. 中国城际技术转移等级体系空间演化与关联机制[J]. 长江流域资源与环境, 2020, 29(1): 44-54. [24] 王立, 张士运, 李功越, 等. 北京与上海、深圳的创新比较研究[J]. 中国科技论坛, 2007(8): 50-54. [25] 叶琴, 曾刚, 王丰龙, 等. 上海浦东新区、北京海淀区、深圳市创新创业环境比较研究[J]. 上海经济研究, 2016(4): 117-124. [26] 戴国强, 邓文慧. 上海、北京、深圳国际金融中心建设对比研究[J]. 上海金融, 2017(5): 84-88. [27] 李立红. 总量扩张 结构提升——“十一五”期间深圳、上海、北京、广州、苏州经济发展比较[J]. 中国统计, 2011(5): 57-58. [28] PENG F, ZHANG X C, ZHOU S Z. The role of foreign technology transfer in improving environmental efficiency: Empirical evidence from China’s high-tech industry [J]. Frontiers in Environmental Science,2022,10: 855427
[29] SUTOPO W, ASTUTI R W, SURYANDARI R T. Accelerating a technology commercialization; with a discussion on the relation between technology transfer efficiency and open innovation [J]. Journal of Open Innovation: Technology, Market, and Complexity,2019,5(4): 95-122
[30] 曾婧婧, 温永林, 毕超. 高校技术转移与企业技术转移对区域创新能力的差异性贡献——技术转移中心的调节作用[J]. 科技进步与对策, 2020, 37(6): 84-91. [31] SECUNDO G, DE BEER C, PASSIANTE G. Measuring university technology transfer efficiency: a maturity level approach [J]. Measuring Business Excellence,2016,20(3): 42-54
[32] 彭峰, 周银珍, 李燕萍. 中国高技术行业的技术转移与效率差异[J]. 求索, 2016(3): 92-96. [33] 封伟毅, 李建华, 赵树宽. 技术创新对高技术产业竞争力的影响——基于中国1995—2010年数据的实证分析[J]. 中国软科学, 2012(9): 154-164. [34] 刘志迎, 毕盛, 谭敏. 基于SD中国技术转移系统演化的动态模型研究[J]. 科学学研究, 2014, 32(12): 1811-1819. [35] BOLATAN G I S, GIADEDI A, DAIM T. Innovation leadership through technology transfer: Case of Turkish industry [J]. Technology in Society,2022,68: 101909
[36] 王晓珍, 党建民, 吉生保. 高技术产业科技投入、经费配置结构对新产品销售影响的统计检验[J]. 统计与决策, 2012(23): 79-82. [37] 何卫平, 刘兵. 地方政府研发投入对工业企业科技创新效率的影响研究[J]. 科技促进发展, 2020, 16(8): 939-945. [38] 苗冠军, 苏杨, 张庆霞. 研发投入强度及资源配置结构对西部欠发达地区研发效率的影响——以宁夏为例[J]. 中国科技论坛, 2019(7): 11-18. [39] 韩晶. 中国高技术产业创新效率研究——基于SFA方法的实证分析[J]. 科学学研究, 2010, 28(3): 467-472. [40] 李宏宽, 何海燕, 单捷飞, 等. 剔除非管理性因素影响的我国集成电路产业技术创新效率研究:基于广义三阶段DEA和Tobit模型[J]. 管理工程学报, 2020, 34(2): 60-70. [41] 陈强, 赵一青, 常旭华. 衍生企业视角的高校技术转移绩效影响因素研究[J]. 中国科技论坛, 2021(9): 71-81. [42] 王若宇, 黄旭, 薛德升, 等. 2005—2015年中国高校科研人才的时空变化及影响因素分析[J]. 地理科学, 2019, 39(8): 1199-1207. [43] 柴利, 马龙南. 中美贸易摩擦背景下中国高新技术产品出口贸易瓶颈及对策[J]. 价格月刊, 2020(12): 57-63. [44] 赵顺龙, 吴思静. 企业R&D人员间知识转移过程对技术创新的影响机理分析[J]. 科技管理研究, 2009, 29(11): 330-332. [45] 高霞, 其格其, 高群婷. 知识转移效果的结构性指标对企业创新绩效的影响[J]. 科学学与科学技术管理, 2018, 39(5): 89-100. [46] 赵喜仓, 朱大鹏. 研发投入对江苏经济高质量发展的影响分析[J]. 科技管理研究, 2021, 41(12): 70-76. [47] 徐斌, 罗文. 价值链视角下科技人才分布对区域创新系统效率的影响[J]. 科技进步与对策, 2020, 37(3): 52-61. [48] 沈映春, 吴佩珍, 张旭辉. 新发展理念下北京市创新主体投入结构产出效率动态分析——基于DEA-malquist指数与灰色系统理论的专利产出分析[J]. 科技管理研究, 2019, 39(2): 71-79.
计量
- 文章访问数: 148
- HTML全文浏览量: 109
- PDF下载量: 13
