中國創新全要素生產率連續動態測度與時空差異分解

于愛水 張繼如 于得水

摘 要：基于2011—2020年中國內地30個省份面板數據，采用二次動態加權法測算創新全要素生產率的連續動態演變特征，并借助時空分異模型探究創新全要素生產率時空差異。結果發現：①中國多數省份創新全要素生產率隨時間推移呈穩定上升趨勢；②創新資源、知識創新、協同創新、創新政策、創新環境在不同省份表現出較大差異；③不同樣本期內，影響創新全要素生產率的子系統有所差別，其中創新資源對創新全要素生產率的作用強度波動較大，知識創新對創新全要素生產率同樣表現為促進作用，且作用強度遠大于創新資源；④知識創新、協同創新、創新政策對全國創新全要素生產率提升均具有顯著正向促進作用，創新環境效應表現出東部促進、中西部作用不明顯的空間分布格局。據此，提出實施差異化導向型政策、優化區域要素資源配置、主動加入全球創新網絡等措施，以提升中國創新能力與水平。

關鍵詞：創新全要素生產率；時空差異分解；二次加權因子分析；動態演變趨勢

DOI：10.6049/kjjbydc.2022090437

開放科學（資源服務）標識碼（OSID）：

中圖分類號：F204

文獻標識碼：A

文章編號：1001-7348（2024）08-0011-11

0 引言

高質量發展源于創新，創新為高質量發展提供持續動力。2021年《政府工作報告》指出：“必須將創新擺在國家發展全局與現代化建設的核心位置?！绷暯娇倳浽谥泄捕髨蟾嬷兄赋觯骸氨仨殘猿挚萍际堑谝簧a力、人才是第一資源、創新是第一動力，深入實施科教興國戰略、人才強國戰略、創新驅動發展戰略，開辟發展新領域新賽道，不斷塑造發展新動能新優勢?！睂嵤﹦撔买寗影l展戰略就是將科技創新作為全面創新的關鍵，圍繞產業化方向與現代化需求導向，形成助推經濟增長與高質量發展的動力源泉。加快各領域創新，堅持將創新視作引領發展的第一動力，走中國特色自主創新道路，既是實現“兩個一百年”奮斗目標的關鍵，也是助力中華民族偉大復興中國夢的動力源泉。尤其是伴隨著經濟進入高質量發展階段，我國已邁入“劉易斯拐點”，若要防止資本報酬遞減并順利跨越“中等收入陷阱”，需要不斷優化創新要素配置，激活創新要素生產活力，提高創新全要素生產率，進而推動經濟增長。創新全要素生產率在一定程度上可有效判斷各類創新要素投入對產出增長的貢獻程度，是衡量經濟體增長質量和潛力的一個重要指標（柳卸林等，2021）。因此，展開創新全要素生產率評價研究，對于我國持續保持創新活力以及提高創新能力具有重要意義。但不可忽視的是，中國創新全要素生產率處于持續動態變化狀態^[1]。剖析中國創新全要素生產率增長時空差異，厘清差異形成和演變的內在機理，可為中國創新全要素生產率提升提供決策參考。那么，如何連續測度中國創新全要素生產率的動態演變過程及時段特征？中國創新全要素生產率是否存在區域性差異？若絕對增長水平存在較大差異，區域創新全要素生產率增速差異是否較為顯著？解決上述問題，不僅可以從連續、動態視角拓展測度創新全要素生產率的方法，還能為政府相關部門制定創新全要素生產率提升政策提供借鑒。

1 文獻綜述

目前，學術界對創新全要素生產率展開測度與分析的文獻較少，但涉及創新與全要素生產率的相關研究成果頗豐。就創新而言，由于創新內涵較豐富，學界從多個維度圍繞創新這一主題展開研究。第一，在科技創新層面，姜玉梅等^[2]基于TVP-VAR模型，實證分析科技創新驅動經濟高質量增長的時變特征，發現科技創新驅動經濟高質量增長經歷基礎創新、增量創新、技術體系變革及技術經濟模式變革4個階段；劉波和李湛^[3]研究指出，中國城市群科技創新資源配置效率表現出波浪式上升態勢，且中心城市對科技創新存在集聚擴散效應；孫青（2022）研究發現，適度財政縱向失衡可提升地區科技創新水平，而過度財政縱向失衡則會阻礙科技創新。第二，在創新要素層面，郝漢舟等^[4]通過構建創新要素、綠色技術創新能力與市場化評價指標體系評價創新要素集聚水平，發現創新要素集聚通過綠色技術創新促進產業升級；王素素等^[5]研究發現，中國創新要素集聚水平雖然整體偏低，卻表現出逐步向好趨勢；張冕和俞立平^[6]綜合采用面板數據模型、門檻模型分析創新要素投入偏向效應和特征，發現我國高技術產業研發要素投入總體向資本偏向發展。除此之外，還有諸多學者從創新績效^[7-8]、創新能力^[9]、創新政策（張杰，2021）等方面展開分析。

就全要素生產率而言，國內外學者對全要素生產率進行大量研究并漸成體系。一是全要素生產率測度。An等^[10]采用隨機前沿分析法（SFA）測算中國內地30個省份全要素生產率；李紅艷等（2022）基于DEA-Malmquist評價法，實證得出黃河流域農業全要素生產率整體偏低，但增速明顯高于全國平均水平的結論；周祎慶和聶元昆（2022）研究發現，我國綠色全要素生產率整體呈平穩上升態勢；趙玉林和陳泓兆^[11]采用SYS-GMM模型測算制造業細分行業綠色全要素生產率，發現基礎創新、產品創新和工藝創新有助于促進綠色全要素生產率提升。二是全要素生產率影響因素。孫向偉和丁成日^[12]考察科研創新產出對城市全要素生產率的影響發現，科技經費投入、科研產出對全要素生產率的影響顯著為正；郭秋秋和馬曉鈺^[13]探討數字經濟對城市綠色全要素生產率的影響發現，綠色創新水平、產業結構對城市綠色全要素生產率具有間接影響；史丹和孫光林^[14]實證檢驗大數據對制造業企業全要素生產率的影響，指出企業創新、要素配置、數據賦能、資本優化等因素對制造業企業全要素生產率具有正向影響；彭有為等（2022）從靜態和動態兩個方面挖掘中國高技術產業全要素生產率深層次因素，發現剝離外部環境和隨機擾動項后，純技術效率是提升全要素生產率的主要原因。

通過上述文獻梳理可知，現有研究多從農業、綠色等視角探究全要素生產率，缺乏對創新全要素生產率的系統性分析。并且，針對中國創新全要素生產率的研究較少，缺乏科學合理的度量指標，尤其是針對創新全要素生產率時空演變特征分析較少。本文主要貢獻在于：①在合理界定創新全要素生產率內涵的基礎上，從創新資源、知識創新、協同創新、創新政策和創新環境5個方面構建評價指標體系進行科學測度；②從時空演化視角出發，對創新全要素生產率的時空格局演化特征進行系統性分析，可為勾勒中國創新格局提供科學參考。

2 創新全要素生產率評價指標體系構建

立足于可獲取性、實用性和客觀性原則，借鑒相關學者研究^[15-16]，并參考《中國區域創新能力評價報告》《中國創新城市評價報告》《歐洲創新報告》等權威報告遴選的經典指標，選取創新資源、知識創新、協同創新、創新政策、創新環境5個二級指標以及19個三級指標測度創新全要素生產率。

（1）創新資源。創新資源是創新過程中所需人力、物力、財力等投入要素的集合，也是創新全要素生產率提升的基礎。一方面，創新資源具備有價值、稀缺性、不可模仿與替代等優勢特征，能夠為中國創新全要素生產率逐年攀升帶來長期競爭優勢^[17]；另一方面，創新資源是助力知識創新、協同創新的核心動能，能夠保證知識創新、協同創新持續運轉，進而提高創新全要素生產率。創新資源包括每萬人R&D人員全時當量、具有本科及以上學歷人數占常住人口數量比重等5個三級指標。

（2）知識創新。知識創新包括基礎研究和應用研究，其既是新技術和新發明的動力源泉，也是促進技術進步與經濟持續增長的革命性力量，能夠為中國創新全要素生產率提升提供不竭動力^[18]。創新資源是創新全要素生產率的基礎支撐，知識創新則是助力創新全要素生產率提升的根本途徑，能夠為協同創新、創新政策和創新環境提供有效引導。知識創新包括基礎研究與應用研究經費支出占GDP的比重、每萬人有效發明專利擁有數等3個三級指標。

（3）協同創新。協同創新是以知識創新增值為核心，以政府、知識生產機構、第三方中介機構、企業等為參與主體，為實現重大科技創新而進行大跨度整合的創新模式^[19]。協同創新通過促進地區內各主體發揮自身能力優勢，實現資源、優勢互補，加速技術推廣與產業化，是支撐中國創新全要素生產率提升的重要“催化劑”。協同創新包括R&D經費支出中來自國外資金的比重、R&D經費支出中來自企業的比重等3個三級指標。

（4）創新政策。政府創新政策具有較強的探索性和嘗試性特征，是中國創新全要素生產率提升的重要保障^[20]。創新政策實施既為知識創新、協同創新開展與創新環境營造提供制度保障，又通過處理好財政政策與貨幣政策的關系促進創新全要素生產率提升。創新政策包括政府R&D支出占GDP的比重、技術支出占一般財政預算支出比重等5個三級指標。

（5）創新環境。無論是知識創新、協同創新的開展，抑或是創新政策的制定，均離不開創新環境的不斷優化。換言之，創新環境是支撐中國創新全要素生產率提升的重要載體。尤其是在中國技術發展突飛猛進的背景下，中國創新環境愈發趨向良好和包容，持續為創新全要素生產率提升賦能。良好的創新環境可為高技術產業發展營造良好的市場環境，為創新全要素生產率快速提升注入動能。創新環境包括促進行為主體不斷創新的區域環境、調節功能強的區域創新系統兩個三級指標。

根據上述分析，圍繞指標選取原則，最終形成創新全要素生產率評價指標體系，如表1所示。

3 研究方法

3.1 “縱橫向”拉開檔次法

創新全要素生產率是隨時間變化表現出不同屬性特征的系統工程，子系統時序變化會引致相關指標根據不同時間節點進行適當調整，因此需要采用動態化處理方式評估創新全要素生產率各項指標。由于靜態測度法難以綜合測度創新全要素生產率動態演變特征，因此亟需引入動態測度法。本文借鑒郭國峰等^[21]的“縱橫向”動態拉開檔次法解決上述問題?！翱v橫向”拉開檔次法主要具有兩方面優勢：一是可從橫向上表現出中國不同省份間創新全要素生產率差異；二是可從縱向上體現出各省份創新全要素生產率2011—2020年的總體發展規律?！翱v橫向”拉開檔次法能夠最大程度上反映研究對象的總體差異，解決三維數據權重問題，并從時空視角揭示研究對象規律，具體實施步驟如下：

首先，對需要測度的時間t₁，t₂，…，t_n段內n個測度主體u₁，u₂，…，u_n進行綜合測度；其次，根據各測度主體m個測度指標y₁，y₂，…，y_m的初始數據建成初始化三維數據矩陣y_ij（t_k）（i=1，2，...，n;j=1，2，...，m;k=1，2，...，N）。其中，由于數據類型與初始數據量綱不一致，且數據間差異較大，故先對初始數據進行預處理。若數據類型與初始數據一致，則對初始數據實施無量綱化與標準化處理，得到完善的數據矩陣u_ij（t_k），即u_ij（t_k）=y_ij－y_j（t-_k）/s_j（t_k）（i=1，2，...，n;j=1，2，...，m;k=1，2，...，N）。其中，s_j（t_k）為標準差；y_j（t-_k）代表樣本平均值；最后，“縱橫向”拉開檔次法需要確定測度模型。測度模型為常見的數學表達形式，一般會將測度模型集結成測度值以有效獲取研究對象的綜合權重。加之所構測度指標具有較強的關聯性，因此本文采用線性加權集結方式進行測算。假設w_j為指標未知權重系數，則將被測度對象i在t_k時刻的綜合測度值u_i（t_k）設定為：

在解決上式未知權重系數w_j值的基礎上，“縱橫向”拉開檔次法可最大程度上反映各權重系數的總差異值，即確保測度值數據矩陣u_i（t_k）差異最大化、總體離差平方和δ²最大化，公式如下：

值得注意的是，式 （2）中均對所有指標的初始數據進行標準化處理，分別得到樣本方差、平均值為1和0，并得到如下公式：

對此，δ²可進一步簡化為：

在權重系數w取值約束下，當w^TH_w取最大值時，w取值即為權重系數，公式如下：

maxw^TH_w

綜上所述，采用“縱橫向”拉開檔次法雖然可獲得各評價主體在不同時間段內的測度值，卻無法獲取測度主體的全部測度值，故難以展現研究主體整體發展情況，亦無法解決各測度主體在不同時間段的權重系數。對此，進一步將二次加權法引入模型，在動態測度法的基礎上求解時間權重系數。

二次加權法能夠反映時間對研究對象的影響作用，以此確定第t_k時刻的權重系數w_k。參考相關學者研究成果，利用“厚今薄古”法確定時間權重系數^[22]，即距離現期愈近權重愈大，距離現期愈遠權重愈小。因此，第t_k時刻在時間段［t₁，t_N］內的時間權重系數為：

解決時間權重難題后，便能獲取被測對象在［t₁，t_N］時間段內的總測度值，以探究被測對象在固定時間內的規律。對此，構建被測對象i測度值T_i的具體表達公式：

3.2 兼顧均衡性與功能性的組合集結模式

為使二次加權法測算結果更加貼近實際，參考郭亞軍^[23]提出的兼顧均衡性有序加權幾何平均算子（owga）和功能性有序加權平均算子（owa）組合集結模式，構建如下公式：

owa－owga=λ₁owa+λ₂owga??? （9）

是在owa算子基礎上計算的評價值方差，?₂是根據算子得到的評價值方差。

3.3 時間差異分解模型

為測度中國創新全要素生產率區域差異在時間維度上的縱向變化特征，參考LMDI（Logarithmic Mean Divisia Index）因素分解法構建時間差異分解模型，公式如下：

式（10）中，F_i代表i省份創新全要素生產率指數；S_i代表創新資源；I_i代表知識創新；Z_i代表協同創新；C_i代表創新政策；X_i代表創新環境。

假定時間由t－1發展到t，全要素生產率變化量ΔF^t－1，t能夠分解成5個驅動效應：

其中：

其中，ΔF^{t－1，t}_S為創新資源效應，反映創新資源對創新全要素生產率的貢獻；ΔF^{t－1，t}_I為知識創新效應，反映知識創新對創新全要素生產率的貢獻；ΔF^{t－1，t}_Z為協同創新效應，反映協同創新對創新全要素生產率的貢獻；ΔF^t－1，t_C為創新政策效應，反映創新政策對創新全要素生產率的貢獻；ΔF^{t－1，t}_X為創新環境效應，反映創新環境對創新全要素生產率的貢獻。

3.4 空間差異分解模型

假設有兩個地區分別用R₁與R₂表示，兩地區創新全要素生產率差異ΔF^R₁^－R₂表示為：

式（17）中，F^R₁、F^R₂分別表示R₁地區與R₂地區的創新全要素生產率；F^R_1i、F^R_2i分別表示R₁地區與R₂地區的i產業全要素生產率。

隨后，將公式（17）轉換為：

式（18）中，S^R_1i、S^R_2i分別代表R₁與R₂地區創新全要素生產率指數中的創新資源情況；I^R_1i、I^R_2i分別代表R₁與R₂地區的知識創新情況；Z^R_1i、Z^R_2i分別代表R₁與R₂地區的協同創新情況；C^R_1i、C^R_2i分別代表R₁與R₂地區的創新政策情況；X^R_1i、X^R_2i分別代表R₁與R₂地區的創新環境情況。結合上述分析，創新全要素生產率地區差異ΔF^R₁^－R₂可分解為5個驅動效應：

其中，ΔF^R₁^－R_2G主要反映地區創新全要素生產率指數對全國創新全要素生產率提升的貢獻；ΔF^R₁^－R_2S代表創新資源效應，用于反映地區創新資源差異對創新全要素生產率提升的貢獻；ΔF^R₁^－R_2I代表知識創新效應，用于反映地區知識創新差異對創新全要素生產率提升的貢獻；ΔF^R₁^－R_2Z代表協同創新效應，用于反映地區協同創新差異對創新全要素生產率提升的貢獻；ΔF^R₁^－R_2C代表創新政策效應，用于反映地區創新政策差異對創新全要素生產率提升的貢獻；ΔF^R₁^－R_2X代表創新環境效應，用于反映地區創新環境差異對創新全要素生產率提升的貢獻。

4 實證檢驗

4.1 數據說明

本文選取2011—2020年中國內地30個省份（西藏地區由于數據缺失嚴重，故未納入統計）面板數據，所選數據均來源于《中國科技統計年鑒》《中國統計年鑒》以及各省份統計年鑒。為保證數據精準性、可靠性，針對部分地區缺失數據，利用均值插補法補齊。

4.2 創新全要素生產率綜合評價

在一次因子研究的基礎上，對創新全要素生產率5個維度指標進行二次因子加權分析，最終得到中國內地30個省份創新全要素生產率綜合評價數據，結果如表2所示。由表2可知，我國多數省份2011—2020年創新全要素生產率處于穩定上升態勢，山東、云南、遼寧、貴州和重慶呈現下滑趨勢。這是因為，上述省市存在較大技術缺口，未縮小與經濟發達地區技術前沿差距，從而導致本地區創新全要素生產率分值較低。從平均值排名看，排名靠前的是上海、北京、浙江、廣東、江蘇、天津。其中，北京創新全要素生產率從2016年開始便居于領先地位。另外，上海、廣東、天津、浙江經濟較為發達，基礎設施較為完善，故創新全要素生產率綜合排名同樣靠前。

4.3 混合算子動態綜合評價

考慮到時間越近，數據對創新全要素生產率的影響作用越大，故依據“厚今薄古”原理并參考相關學者研究成果^[24-25]，選取時間度λ=0.3，先測算時間權重，結果如表3所示。在此基礎上，運用Lingo軟件求解線性規劃方程。

基于公式（2）計算OWGA算子、OWA算子所改進升級的混合算子，得到中國內地30個省份創新全要素生產率的綜合值，結果如表4所示。由表4可知，在綜合考慮時間因素及評價對象功能性、均衡性之后，之前排在首位的北京變為第二位，廣東由第二位升至第一位?！吨袊鴧^域創新能力評價報告》發布的數據顯示，2021年廣東省科技企業孵化器數量新增51家，研發投入較上年增長38.09%，研究與試驗發展全時人員當量增加5.31%。這表明，廣東尤為重視基礎研究，強化創新載體搭建，為區域創新要素生產率提升奠定了堅實基礎。浙江、天津、重慶、福建、遼寧創新全要素生產率排名出現下降，分別為第5、15、12、13和20名。原因可能在于，上述省市技術市場交易額排名降幅較大，且規模以上研發人員數量、專利申請數量、科技企業孵化金額等指標值均有不同程度下降，從而造成區域創新全要素生產率下降。

4.4 中國創新全要素生產率時空分解分析

4.4.1 時間分解分析

基于上述所構時間分解模型，對中國創新全要素生產率逐年進行分解分析，得到時序變化驅動下的估計結果，如表5所示。若結果為正值，表明中國創新全要素生產率得到顯著提升，反之亦反。由表5可知，除2011年外，其余年份創新資源對創新全要素生產率均產生促進效應，平均指數達1.379 9，說明創新資源豐富程度影響創新全要素生產率。從縱向演變趨勢看，創新資源的促進作用較為明顯，說明全國范圍內創新資源分布與開發程度對創新全要素生產率的影響走勢較為穩定。2011—2020年，知識創新對創新全要素生產率的影響同樣表現為促進作用，且作用強度遠大于創新資源，是提升創新全要素生產率的主要因素。分時間段發現，2011—2018年知識創新平均指數為1.242 1，創新全要素生產率平均水平呈上下波動趨勢；2019-2020年，知識創新的促進效應開始下降，平均促進效應指數為1.115 5，且影響作用呈降低態勢。知識創新主要由每萬人專利擁有數與單位科研人員發表技術論文表征，既能反映全國有效發明專利擁有數，又能彰顯我國對創新投入、創新產出與創新成效的重視。受新冠肺炎疫情沖擊以及國外技術貿易壁壘限制，國內專利發明與科技論文數增速有所放緩，引致創新全要素生產率開始下滑。2011—2020年協同創新表現出先促進后抑制效應，即2011—2018年協同創新顯著促進國內創新全要素生產率提升，但2019-2020年協同創新影響效應有所下降。這主要是因為，新冠肺炎疫情導致國外資金難以順利注入國內研發機構，從而阻滯國內技術創新與研發，導致創新全要素生產率下降。創新政策對中國創新全要素生產率的影響表現為顯著促進作用，平均促進指數為1.761 4，表明創新政策是保障國內創新全要素生產率提升的主要因素。由縱向演變趨勢可知，創新政策與創新環境影響效應走勢存在較強的正相關性，相關系數高達0.911 3，說明創新政策與創新環境為我國創新全要素生產率提升提供了強有力支撐。此外，從總效應看，由于能產生負面抑制效應的因素較少，所以中國創新全要素生產率整體表現出遞升態勢。

4.4.2 空間分解分析

僅了解時序特征無法全面揭示創新全要素生產率總體變化規律，可能會導致結果存在一定偏差，從而難以為國家持續創新提供理論依據。因此，為深入分析我國創新全要素生產率演變規律，需要從空間角度進一步探究創新全要素生產率的省際貢獻度及演變規律^[26]。為此，對中國內地30個省份進行分解，探究創新資源、知識創新、協同創新、創新政策、創新環境驅動創新全要素生產率提升的空間分布特征與演化規律。

考慮到研究期限為10年，本文采用等距劃分標準，將2011—2020年劃分為3個時間段，即2011—2013年、2014—2016年和2016-2020年。在此基礎上，綜合分析3個時間段內創新資源、知識創新、協同創新、創新政策、創新環境驅動創新全要素生產率提升的空間分布特征與動態演變規律。表6列示了中國創新全要素生產率分解因素變化的空間分布結果。時間分解因素結果表明，創新資源、知識創新、創新政策、創新環境是促進創新全要素生產率提升的主要因素，協同創新效應表現出先促進后抑制態勢。為全面把握我國創新全要素生產率區域分布特征，本文將驅動效應分解到中國內地30個省份。從創新資源視角看，2011—2013年，除安徽、青海、新疆、寧夏、內蒙古外，其余省份創新資源對創新全要素生產率均呈現正向促進作用。其中，促進作用較大的6個省份分別為上海、北京、江蘇、浙江、廣東、湖北，總計占創新資源效應的29%。不難發現，這些省份主要集中于經濟發達與資源要素集聚區。2014—2016年，山東、湖南創新資源對創新全要素生產率提升的驅動作用下降，而福建、河南、江蘇、廣東與浙江驅動效應提升，總計占創新資源效應的24%。同時，黑龍江創新資源驅動效應由正轉負，成為唯一抑制創新全要素生產率提升的省份。原因在于，黑龍江創新人才流失、專利數量持續減少，導致該地區創新全要素生產率下降。

（1）從知識創新入手，2011—2013年，知識創新對全國創新全要素生產率提升發揮顯著正向促進作用，其中江蘇、北京、廣東、湖北、四川、湖南影響作用較大，總計占知識創新效應的26%。2014—2016年，知識創新促進效應較強省份主要包括江蘇、上海、廣東、浙江、安徽、湖北，總計占32%。進入第3階段，知識創新總效應緩慢下降，降幅為19%，其中福建、安徽、湖南、新疆、湖北等省份影響作用較大。這說明，各省份知識創新驅動創新全要素生產率提升的空間分布漸趨穩定，知識創新驅動全國創新全要素生產率提升的影響差距逐漸縮小。

（2）從協同創新效應看，2011—2013年協同創新效應顯著促進全國創新全要素生產率提升，其中作用較強省份包括北京、廣東、廣西、上海、湖南、江蘇，總計占知識創新效應的31%。從中可見，在協同創新促進效應較強省份，知識創新促進效應也較顯著。2014—2016年，協同創新促進效應省份變為江蘇、湖南、上海、四川、福建、廣東，總體占比為27%。2017—2020年，協同創新效應同知識創新總效應走勢一致，表現出較強的抑制作用，導致創新全要素生產率下降，降幅為21%。由表6可知，我國協同創新影響效應在空間集中度上表現出先促進后抑制趨勢。這表明，我國創新主力仍集中在東部地區，造成協同創新效應空間分布從分散走向集中。

（3）從創新政策效應看，2011—2013年創新政策對全國創新全要素生產率提升存在正向促進作用，其中北京、江蘇、上海、廣東、浙江等省份影響較大，總計占創新政策效應的25%。2014—2016年，創新政策促進效應較強省份主要包括北京、上海、浙江、江蘇、廣東、安徽，總計占31%。過渡至3個階段，創新政策總效應提升速度加快，增幅高達44%，其中湖北、北京、江蘇、廣東等省份促進作用最明顯。這主要是因為，國家為提振經濟發展水平和增強技術創新能力，陸續出臺了諸多支持創新的政策。在創新政策的支持與指引下，我國創新全要素生產率始終保持穩定提升態勢。

（4）從創新環境看，2011—2013年，創新環境對全國創新全要素生產率的提升作用呈現東部地區顯著、中西部地區不顯著的空間分布格局。東部地區多數省份創新環境影響作用較大，主要包括北京、天津、河北、廣東、江蘇、上海，總計占41%；中西部地區中部省份創新環境對當地創新全要素生產率提升有一定促進作用，包括湖北、湖南、四川、重慶，總計占創新環境效應的14%。2014-2016年，創新環境效應影響較強省份主要包括北京、上海、廣東、廣西、江蘇，總計占創新環境效應的36%。進入第3個階段，東部創新環境對省域創新全要素生產率的影響作用較為顯著。

5 結論與建議

5.1 研究結論

本研究主要利用二次加權因子分析法對中國創新全要素生產率進行分項，引入OWGA算子和OWA算子改進升級的混合因子對中國創新全要素生產率進行綜合評價，運用LMDI法探究中國創新全要素生產率提升水平，同時剖析創新資源、知識創新、協同創新、創新政策、創新環境的時空差異驅動效應，得出如下結論：

（1）創新全要素生產率動態測度。我國多數省份創新全要素生產率隨時間推移呈現穩定增長態勢，僅少數省份因為資金缺乏、生產設備陳舊、交通不暢等問題使創新全要素生產率出現下滑。

（2）創新全要素生產率時空差異分解。一是時間分解。從縱向演變趨勢看，創新資源對創新全要素生產率的作用表現出波動性特征；知識創新對創新全要素生產率的影響同樣表現為促進作用，且作用強度遠大于創新資源；協同創新表現出先促進后抑制效應；創新政策與創新環境影響效應走勢持續向上。二是空間分解?？臻g集中度最強且最顯著的是知識創新效應，創新資源、協同創新、創新政策與創新環境效應空間集中度呈現交錯分布態勢。東部地區除協同創新效應下降外，其余四大驅動效應均保持穩定上升趨勢；中西部地區五大驅動效應對區域創新全要素生產率的影響作用較弱。

5.2 政策建議

根據上述研究結論，本文提出如下政策建議：

（1）實施差異化、導向型政策。由上述結論可知，全國創新全要素生產率存在顯著時空差異，且創新全要素生產率五大子系統綜合得分較高省份多集中于東部地區。因此，為實現區域協調發展，改善區域創新資源要素使用效率和提升創新能力，亟需國家、地方政府實施差異化、導向型政策予以支撐，促進全國創新全要素生產率穩定提升。針對不同地區，中央、地方政府部門要聯合起來印發與頒布針對性創新扶持政策，因地制宜地對相關科研人員給予資金支持，促進中國創新全要素生產率提升。

（2）優化區域要素資源配置。由結論可知，創新全要素生產率在不同省份存在顯著差異。鑒于此，相關政府部門要不斷優化區域資源要素配置，提高區域資源要素使用效率，解決區域創新發展結構不平衡問題。相關政府部門應深入探究區域人才、資金、信息等資源要素分布規律，借助信息平臺為各地區提供多元化資源配置方案，推進區域創新資源要素配置模式優化與完善。另外，打破資源要素在空間層面的集聚與累積，優化創新產業空間布局，形成以技術、創新為支撐的區域工具體系，加快資源要素在區域內流動。

（3）積極主動加入全球創新網絡。政府應積極統籌社會安全與發展，以全球視野參與國際創新，主動加入全球創新網絡，提升創新國際話語權。一方面，主動牽頭國際大科學工程，聯合其它國家不斷研發與攻關新興技術，提高創新能力；另一方面，構建開放型創新生態體系，積極與其它國家開展創新交流與合作，將最新技術、創新方案納入開放生態體系，方便各國合理使用創新技術。

5.3 不足與展望

本文存在如下不足：①盡管指標選取過程充分考慮了可能影響創新全要素生產率提升的各個環節，但未覆蓋創新全要素生產率所有維度，未來將進一步完善評價指標體系，確保研究結果更加準確；②從時間傳遞性與動態效率層面分析中國創新全要素生產率，未從效率、靜態等視角展開對比分析，未來將從效率、靜態層面分析與測度中國創新全要素生產率；③本文所關注的創新全要素生產率屬于大類，其內部不同子行業之間創新邏輯存在諸多差異，未來將進一步拆分創新全要素生產率，比較創新全要素生產率對不同行業的異質性影響；④由于創新全要素生產率影響因素涵括較廣，可能涉及人力資本、專利數量、技術進步等因素，未來將從上述視角進行補充與完善。

參考文獻：

[1] 謝謙，郭楊.數字技術、創新要素結構優化與企業全要素生產率[J].北京師范大學學報（社會科學版），2022，67（6）：134-144.

[2] 姜玉梅，孟慶春，李新運.區域科技創新驅動經濟高質量發展的績效評價[J].統計與決策，2021，37（16）：76-80.

[3] 劉波，李湛.中國科技創新資源配置體制機制的演進、創新與政策研究[J].科學管理研究，2021，41（4）：8-16.

[4] 郝漢舟，徐新創，左珂怡，等.創新要素集聚與產業升級：中介效應和調節效應研究[J].長江流域資源與環境，2022，31（11）：2357-2368.

[5] 王素素，盧哲凡，盧現祥.中國創新要素集聚水平測度、空間差異及形成機理[J].貴州財經大學學報，2022，40（5）：1-12.

[6] 張冕，俞立平.創新要素投入偏向：機制、測度及其效應研究——研發勞動力與研發資本之比合理嗎[J].數理統計與管理，2022，41（5）：883-898.

[7] 黃遠浙，鐘昌標，葉勁松，等.跨國投資與創新績效——基于對外投資廣度和深度視角的分析[J].經濟研究，2021，67（1）：138-154.

[8] 易靖韜，曹若楠.流程數字化如何影響企業創新績效——基于二元學習的視角[J].中國軟科學，2022，36（7）：94-104.

[9] 崔新蕾，劉歡.國家創新型城市設立與區域創新能力[J].科研管理，2022，43（1）：32-40.

[10] AN KE，SHAN YIKE，SHI SHENG. Impact of industrial intelligence on total factor productivity[J].Sustainability，2022，14（21）：14535-14535.

[11] 趙玉林，陳泓兆.異質性技術創新與綠色全要素生產率提升[J].財會月刊，2020，41（18）：145-152.

[12] 孫向偉，丁成日.高?？蒲挟a出對城市全要素生產率的影響研究[J].城市發展研究，2020，27（3）：132-140.

[13] 郭秋秋，馬曉鈺.數字經濟對城市綠色全要素生產率的影響研究[J].現代管理科學，2022，41（5）：156-166.

[14] 史丹，孫光林.大數據發展對制造業企業全要素生產率的影響機理研究[J].財貿經濟，2022，43（9）：85-100.

[15] ZHONG S， WANG H， WEN H， et al. The total factor productivity index of science and technology innovations in the coastal regions of China between 2006 and 2016[J]. Environmental Science and Pollution Research International，2020，28： 1-13.

[16] 武宵旭，韓永楠，葛鵬飛.中國制造業自主創新與全要素生產率的耦合協調性研究[J].經濟問題探索，2021，42（8）：141-154.

[17] 解佳龍，熊曉雪.國家高新區創新資源集聚分異與空間極化格局[J].管理現代化，2022，42（6）：14-21.

[18] 楊坤，吳金玉，胡斌.創新網絡中知識協同演化機理模型及計算實驗分析[J].科技進步與對策，2020，37（8）：124-133.

[19] 徐維祥，周建平，周夢瑤，等.長三角協同創新網絡韌性演化及驅動機制研究[J].科技進步與對策，2022，39（3）：40-49.

[20] 陳強，沈天添.中國科技創新政策體系演變研究——基于1978—2020年157份政策文本的量化分析[J].中國科技論壇，2022，38（12）：35-46.

[21] 郭國峰，高一帆，張穎穎.基于縱橫向拉開檔次法的區域經濟發展能力綜合評價研究——以我國中部六省科技創新能力為例[J].征信，2020，38（8）：18-22，83.

[22] 范巧，HUDSON DARREN.一種新的包含可變時間效應的內生時空權重矩陣構建方法[J].數量經濟技術經濟研究，2018，35（1）：131-149.

[23] 郭亞軍.綜合評價理論、方法及應用[M].北京：科學出版社，2007.

[24] 鄭堅，陳斌.基于時間權重序列的GM（1，1）初始條件優化模型[J].控制與決策，2018，33（3）：529-534.

[25] 徐慧君，王忠，馬麗萍，等.改進Mini Batch K-Means時間權重推薦算法[J].計算機工程，2020，46（3）：73-78，86.

[26] KANG CHAOGUI，JIANG ZHUOJUN，LIU YU. Measuring hub locations in time-evolving spatial interaction networks based on explicit spatiotemporal coupling and group centrality[J].International Journal of Geographical Information Science， 2022， 36（2）： 360-381.

（責任編輯：王敬敏）

Continuous Dynamic Measurement and Decomposition of Temporal and

Spatial Differences of Innovation Total Factor Productivity in China

Yu Aishui¹，Zhang Jiru²，Yu Deshui³

（1.School of Government，Beijing Normal University，Beijing 100875， China；

2.School of Public Management， Inner Mongolia University，Hohhot 010021，China；

3.Wuhai Energy Co.， Ltd， National Energy Investment Group Co.， Ltd. Wuhai 016000，China）

Abstract：Innovation total factor productivity is an essential factor to enhance international competitiveness， and also the driving force for China′s economic growth. Confronted with the reality that the traditional production factors of labor and capital have a declining contribution to the national economic growth， China needs to rely more on the rise of innovation total factor productivity to promote industrial digitization and digital industrialization， and to help traditional energy-intensive industries upgrade in an innovative direction. However， prior research has little to say with regard to China′s innovation total factor productivity， and the in-depth discussion on the continuous dynamic measurement of total factor productivity of innovation and the decomposition of temporal and spatial differences are scarce.

The absence of relevant research is at odds with the importance attributed to China′s innovation total factor productivity. Then what are the continuous dynamic evolution process and time characteristics of China′s innovation total factor productivity？ Is there regional heterogeneity？? In order to answer the above questions， it is necessary to sort out relevant data and conduct an empirical test based on the development status of China′s innovation total factor productivity. Therefore， drawing on the panel data of 30 provinces from 2011 to 2020， this study uses the secondary weighted factor analysis method to conduct a sub-item and comprehensive evaluation of China′s innovation total factor productivity， and introduces the OWGA operator and OWA operator to implement the transformation and upgrading of mixed factors， with the aim to clarify its dynamic evolution process. In order to further reveal the vertical changes of the regional differences of China′s innovation total factor productivity in the temporal dimension， the LMDI factor decomposition method is used to explore the driving effect of temporal and spatial differences on innovation resources， knowledge innovation， collaborative innovation， innovation policy and innovation environment.

In terms of the dynamic measurement， the innovation total factor productivity of most provinces in China has shown a steady growth trend over time， while only a few provinces have experienced a decline in innovation total factor productivity due to a lack of funds， outdated production equipment and inconvenient transportation. In terms of the decomposition of temporal and spatial differences， the first is the temporal decomposition. The effect of innovation resources on innovation total factor productivity shows volatility， and the impact of knowledge innovation on the total factor productivity of innovation presents a promoting effect， and the effect intensity is far greater than that of innovation resources. Collaborative innovation shows the effect of promotion first and then inhibition， and there is a continuous upward trend of the impact of innovation policy and innovation environment . The second is spatial decomposition. The strongest and most significant spatial concentration is the effect of knowledge innovation， while the spatial concentration of innovation resources， collaborative innovation， innovation policy and innovation environment effects all present staggered distribution trends. In the eastern region， except for the decline of collaborative innovation effect， the other four driving effects have maintained a steady upward trend. The five driving effects in the central and western regions have a weak impact on regional innovation total factor productivity.

Compared with the existing literature， this paper makes a reasonable explanation of innovation total factor productivity， and then establishes an indicator system for scientific measurement based on a comprehensive consideration of innovation resources， knowledge innovation， collaborative innovation， innovation policy and innovation environment. Second， from the perspective of temporal and spatial evolution， this paper systematically analyzes the evolution of temporal and spatial patterns and temporal characteristics of innovation total factor productivity， and reveals the regional differences in China′s innovation total factor productivity. The paper sheds light on the continuous dynamic measurement and decomposition of temporal and spatial differences in innovation total factor productivity in China. The findings are conducive to further improving China′s innovation capability and levels， and? provide a reference for relevant government departments to formulate development strategies to improve innovation total factor productivity.

Key Words：Innovation Total Factor Productivity; Decomposition of Temporal and Spatial Differences ;Quadratic Weighted Factor Analysis;Dynamic Evolution Trend