四、技术创新效率评价方法的研究

国内外学者对于专利的产出效率或者区域创新效率大体有两种基本的测度方法：一种是基于数学规划的数据包络分析（Data Envelopment Analysis，DEA），另一种是基于知识生产函数而发展起来的随机前沿分析（Stochastic Frontier Analysis，SFA）。前者的优势是不需要定义生产函数的形式，而且能够测量多投入和多产出的效率，但其缺点是不能考虑偶然因素对产出变量的影响，而且不能进行统计的显著性检验。与其相比，SFA能够考虑随机冲击的影响以及在模型中加入环境变量，而且可以进行参数检验，但是其测量结果容易受指标体系的影响，不够稳定。

DEA模型也有很多的衍生模型，例如，邓英芝（2010）采用基于松弛变量的网络DEA模型研究30个省级行政区域（未包括港澳台和西藏）电力系统环境效率变动情况，结果发现，网络DEA模型效率评价结果优于传统模型。冯锋等（2011）、肖仁桥等（2012）分别利用CCR链式DEA和BCC链式DEA测度行业和省域的创新效率，结果发现行业的平均创新效率略高于省域的创新效率。同时，Malmquist指数也被广泛应用于测度创新效率、技术效率和规模效率等。例如，何昭丽等（2020）运用Malmquist指数、Dagum基尼系数和空间杜宾模型等对“一带一路”沿线四大区域18省市入境旅游全要素生产率进行评价，得出技术效率是入境旅游全要素生产率提升的主要源泉的结论。

SFA模型的出现解决了DEA模型不能衡量随机冲击的局限，因此在测度创新效率时其也逐渐得到了广泛应用。例如，林伯强和杜克锐（2013）利用面板数据的固定效应SFA模型和反事实计量的方法，对中国1997—2009年要素市场扭曲的能源效应进行实证分析，得出要素市场扭曲对能源效率具有负向影响的结论。朱芳芳（2019）运用SFA模型研究要素偏向视角下的区域发展异质性，说明广东省创新技术进步整体偏向创新性人力资本。韩兆洲等（2020）运用DEA、SFA以及Bootstrap-DEA的面板模型测度区域创新效率，并采用σ收敛模型检验其时空的收敛性质。虽然SFA模型可以很好地弥补DEA模型的不足，但是SFA是一种参数方法，需要设定生产函数的函数形式，并利用一种特别的SFA回归方法估计出生产函数，因此SFA模型会存在模型设定错误的可能。