基于ECM的区域科技成果转化绩效实证分析

摘要：搜集省际面板数据，运用主成分方法测度各地区科技成果转化绩效，建立误差修正模型探究影响科技成果转化绩效的因素。研究表明，科技集聚对科技成果转化绩效具有长期和短期正向显著影响；R&D经费对科技成果转化绩效有长期和短期负向显著影响；R&D人员投入、教育环境、基础设施水平对科技成果转化绩效有长期显著影响；制度因素对科技成果转化绩效影响不显著。

关键词：科技成果转化绩效； Panel data 模型； ECM模型

中图分类号：F224；G322；F0615 文献标识码：A 文章编号：1001-8409（2013）07-0088-05

一、引言

数据显示，我国科技投入日益加大，2010年我国R&D总经费规模仅次于美国和日本，成为全球第三大国；科技成果产出量较大，发明专利授权量、SCI论文数量和EI论文数量分列世界第三、第二和第一位。然而，我国科技与经济融合存在问题，使大量科技成果成为“展品”，难以高效快速转化。科技成果高效转化是创新驱动战略的核心问题之一，直接影响不同创新主体创新能力提高和创新资源的利用效率。探析区域科技成果转化的影响因素及其作用效果，已成为广泛关注的课题。

针对科技成果转化效率评价及其影响因素问题，众多学者进行了深入探讨。如尹航以23个科技成果转化项目作为分析对象，运用AHP-Entropy方法对23个科技成果转化绩效进行了综合评价[1]。迟国泰等用离差最大化方法对指标赋权，用灰色关联度对指标评分，建立了基于灰色关联分析的科技评价模型，并利用Ward聚类揭示了14个典型省份科技成果转化水平的异质性[2]。王桂月和王树恩利用模糊神经网络具有模糊化和良好泛化（预测） 能力， 在构建高校科技成果转化评价指标基础上， 建立高校科技成果转化评价的模糊神经网络模型[3]。在影响因素方面，刘家树、菅利荣从主体因素、政策环境因素、科技成果转化推广因素、科技成果转化服务因素、区域因素五个方面选取指标，运用Tobit模型，对影响科技成果转化效率因素进行分析，结果表明，政府资金支持、新产品开发经费、科技服务和区域因素对科技成果转化效率有显著影响[4]。林江等以“泛珠三角”为例构建了面板模型，对影响科技成果转化效率的宏观因素进行了实证分析，结果表明地方政府科技拨款、政府相关鼓励科技政策、R&D投入、风险投资和企业所得税率等对“泛珠三角”地区科技成果转化效率具有显著影响[5]。还有学者探析了知识产出与科技成果转化绩效的链式关系，并说明加强知识产出与成果转化的耦合是促进科技成果转化绩效的重要途径[6]。

上述文献对本文进一步研究具有宝贵的借鉴意义，但是没有考虑到变量之间的长期均衡关系和短期波动关系。科技成果转化是一个系统工程，受到诸多因素影响。在影响因素中，有些因素对科技成果转化绩效作用具有长期性和持久性；而有些因素对成果转化绩效作用是短期的。因此，在探究科技成果转化的影响因素过程中，必须对长期均衡关系和短期波动关系进行区别，本文选用2004～2010年我国省级面板数据，建立误差修正模型，研究科技成果转化绩效与其影响因素之间的长期协整关系和短期波动关系。首先，收集我国各地区大中型企业的数据，运用主成分分析法测度地区科技成果转化绩效；其次，选取变量，建立误差修正模型；最后，根据实证分析结论提出相关建议。

二、区域科技成果转化绩效测度与影响因素分析

科技成果转化是实现科技成果产业化、商业化过程，目的是获得经济效益。从新产品产出、高技术产业产出、利润率和技术市场水平四个方面选取指标测度科技成果转化绩效，分别用大中型工业企业新产品产值占工业总产值的比重、高技术产业新产品产值占高技术产业当年总产值的比重、大中型工业企业成本费用利润率和技术市场成交额来表征。各指标的原始数据来源于2005～2011年《中国科技统计年鉴》和2005～2011年《中国统计年鉴》，由于部分数据缺失将其排除，共得到30个地区7年间共210个样本点数据。由于选取的指标量纲不同，因此对其进行标准化处理，使其具有可比性。

（一）方法简介

主成分分析，就是设法将原来变量指标重新组合成一组新的、互不相关的几个综合变量或指标，同时根据实际需要从中选取几个较少的综合变量或指标来尽可能多地反映原变量或原指标的信息[7]。本文运用SAS统计软件，对各年度的统计数据进行主成分分析，主成分个数m的选取使得方差的累积贡献率达到85%，最后对主成分进行线性组合，系数为相应主成分的方差贡献率，求得各地区的转化绩效，即y=γ1F1+γ2F2+…+γmFm。式中，y为绩效的综合评价指标，F1，F2，…，Fm分别为第一主成分，第二主成分，…，第m主成分，γ1，γ2，…，γm为它们的系数。

（二）科技成果转化绩效的影响因素

1.区域知识吸收能力与科技成果转化。科技成果作为知识的载体，能否被成功转化，取决于知识能否在系统中进行有效转移及吸收。曾德明等认为，产学研中知识转移的障碍成了产学研合作绩效的关键问题[8]。知识吸收能力是知识转移的重要障碍因素，企业知识吸收能力是企业吸取新知识保持和提高竞争优势的关键因素[9]。Knudsen证明了企业知识吸收能力受企业研发投资强度、员工学历水平以及企业人力资本管理模式影响。朱美光认为区域知识吸收能力很大程度上受当地企业学习能力、区域受教育水平、信息和交通便利程度等因素影响[10]。郑展认为区域吸收能力主要与区域的基础知识水平、存在的交流技能、自身创新水平以及教育环境有关，同时区域内部知识吸收能力主要内化于人力资源中[11]。本文参考朱美光和郑展的研究，从地区创新水平和地区教育环境两方面选取三个指标：各地区R&D经费内部支出、各地区R&D人员全时当量、各地区每十万人口高等学校平均在校生数来表征区域知识吸收能力。

2.基础设施水平与科技成果转化。Furman等的研究表明基础设施对创新具有重要作用[12]。基础设施的功能是为创新系统提供物质、交通、信息等支撑条件，特别是信息基础设施，直接关系到科技成果的传播与推广。卜茂亮等证明了信息技术水平对我国区域创新活动的影响[13]。本文用创新基础设施综合指标值来表征地区基础设施水平。

3.制度因素与科技成果转化。制度变革能够优化资源配置方式，引致激励机制的变化，刺激科技创新，释放经济主体的创造力和参与经济活动的积极性[14]。诺斯认为制度通过提供一系列规则来界定人们的选择空间，约束人们的相互关系，从而减少环境中的不确定性和交易费用，进而保护产权，增进生产性活动[15]。袁中华、冯金丽认为制度具有整合功能，可以实现资金、人才、技术三大要素的互动与集成[16]。对中国而言，改革开放以来的制度变迁主要是经济制度的变迁，包括经济主体产权制度变革和资源配置方式等的变革。科技成果的产权归属，科技成果的市场化交易，科技成果的保护，科技中介的发育都需要制度来保证。由于制度变量较为抽象，难以量化，故需要找到其变量。国外用经济自由化指数作为其变量，国内如金玉国构造了四个制度变量：非国有化率、市场化程度、国家财政收入占GDP比重和对外开放程度[17]。结合国内外的研究情况，本文选取市场化总指数来表征制度因素。

4.科技集聚水平与科技成果转化。科技集聚是指一些具有纵向、横向或互补性联系的科技机构集中在特定领域，在相关机构的协同作用下，集结成产业合作网络，通过不断创新形成持续的竞争优势，并根植于当地社会文化环境的经济现象[18]。科技集聚包含了人、财、物等资源，是区域科技实力的综合表现。科技集聚与成果转化的互动，在于区域企业在整体上拥有的地理临近、关系临近、制度临近等区域层面因素对区域知识传播的影响，地理临近有利于隐形知识的传播且带来较低的搜寻成本和壁垒[19]，从而有利于科技成果的转化。本文科技集聚水平从科技投入和科技产出两方面来进行测度。

基于以上讨论，并借鉴李习保[20]和白俊红[21]的相关研究，构建我国科技成果转化绩效影响因素的模型，如式（1）：

y=fpeo，mon，num，inf，mar，agg（1）

其中，y为科技成果转化绩效；peo为R&D人员全时当量；mon为R&D经费内部支出；num为每十万人口高等学校平均在校生数；inf为基础设施水平；mar为市场化总水平；agg为科技集聚水平。

三、科技成果转化绩效实证分析

（一）数据来源

本文中各地区R&D人员全时当量、各地区R&D经费内部支出额数据来自2005～2011年《中国科技统计年鉴》，各地区每十万人口高等学校平均在校生数来自2005～2011年《中国统计年鉴》。基础设施指标值来源于2004～2010年《中国区域创新能力报告》，该指标由通信综合指标、公路拥有量综合指标、客货流量综合指标三部分构成。市场化总指数来源于《中国市场化指数——各省区市场化相对进程2011年报告》，该指数由政府与市场的关系、非国有经济发展、产品市场发育程度、要素市场发育程度、市场中介组织的发育和法律制度环境五部分构成。弗里德曼认为经济政策往往具有效果滞后性，卓勇良、周鸿飞认为市场化是一个更大范围、高更层次的制度变迁过程，其时滞会更加漫长[22]。因此，本文市场化总指数选取滞后期为一年。科技集聚水平则是从科技投入与科技产出两方面选取指标，运用主成分分析法计算出的。选取的指标为技术引进经费密度、技术改造经费密度、技术消化吸收经费密度；收录科技论文数密度、专利申请授权数密度、技术市场成交额密度、商标核准注册数密度等。原始数据来源于2005～2011年《中国科技统计年鉴》。为减轻异方差的影响，本文中对除了y之外的所有变量进行对数变换，变换后的变量记为lnpeo，lnmon，lnnum，lninf，lnmar，lnagg。

（二）单位根检验与协整检验

为了避免伪回归，首先对模型中的对数序列与对数差分序列进行单位根检验。采用的方法分为两类，一类是相同根检验方法，依次为LLC检验和Breitung检验方法；另一类是不同根检验方法为Im-Pesaran-Skin检验。结果表明，所选取变量的对数序列不平稳，但各变量的对数一阶差分后序列为平稳序列，满足建立误差修正模型的要求。

在面板单位根检验的基础上，对各变量进行面板协整检验，以检验各非平稳序列之间是否存在长期均衡关系。本文采用Pedroni检验，以回归残差为基础构造7个统计量来检验面板变量之间协整关系[23]，检验结果见表1。