（一）研究模型
1.DEA-Tobit两步法
由于使用DEA方法计算得出的效率值均处于0—1之间，且超过1的更高效率值也被归为1，因此效率值成为受限因变量，概率分布就变成由一个离散点与一个连续分布所组成的混合分布，此种情况下使用OLS估计，无论使用的是整个样本，还是去掉离散点后的子样本，都不能得到一致的估计。因此Tobin（1958）提出使用MLE方法估计此种含有受限因变量的模型，即Tobit模型。Tobit模型的基本形式为：
其中，
为潜变量，Yi为观察到的因变量，Xi为自变量向量，β为相关系数向量，ϵi～N（0，σ）。
DEA-Tobit方法[14]在效率研究中被广泛使用，该方法可以在测算出效率的基础上，进一步研究不同因素对其产生的影响。Nasierowski就运用DEATOBIT两步法以人口数量和GDP作为平减指数，分别分析对比了45个国家创新体系的吸收技术效率及创新产生技术效率，并且通过TOBIT模型找出了相关因素[15]。涂俊等同样运用DEA-Tobit两步法对中国各省市农业创新系统的效率进行评价比较，同时探讨了劳动力文盲率、科技三项经费支出与成灾面积对效率的影响，结论认为科技三项经费支出对农业创新效率的影响并不显著[16]。于晓宇等在利用主成分分析法对评价指标进行提炼基础上，将提取到的投入产出因子作为DEA方法的输出量，进而计算上海创新系统的资源配置效率，再通过TOBIT模型分析影响效率的环境因素[17]。
2.变量选择
现有研究普遍认为创新环境主要由经济环境、生活环境、人力资源环境及产业环境等因素共同组成[18]。地区经济的发达与否在某种程度上反映了生活便捷程度及人才未来发展前景，经济环境因素以人均GDP及可支配收入为代表，不仅影响企业的投资意向，还决定了创新人才的地区选择。生活环境因素即所在城市的交通便捷程度、气候及空气质量等基本状况，影响着创新人才日常生活的方方面面。人力资源环境因素主要由人才市场和储备的质量与规模组成，高校是孕育创新人才的摇篮，高学历学生也将会组成未来企业创新的主力军和有生力量。产业环境因素主要由产业聚集度及市场规模组成，科技人才赖以获取收益的市场越大，则其从事相关活动的激励就越强[19]，创新网络规模越大，社会文化环境越丰富，人才越集中。同时科研机构越多，科技人才获得的发展机会就更多，相应的会有更多的创新性人才愿意安家落户。本文选取旅客周转量、AQI二级及以上天数比重、万人在校大学生数，普通高等学校数、社会从业人员中科技人员占比、规模以上开展创新活动工业企业占比作为自变量，由于研究的是2016年创新效率，因而环境变量数据来源于各市2015年统计年鉴。
3.变量假设(https://www.daowen.com)
经济环境因素：人均GDP（pgdp）和城镇居民可支配收入（dincome）可以在很大程度上反映城市的经济状况和居民的生活水平。一般经济发达、创新企业密集的地区，人均生产总值和可支配收入也较高。基于前文对图1的分析，人均GDP与创新效率的相关性并不明显。可支配收入高的地区，人们生活质量提升的同时，劳动力成本也相应提升，一方面，高质量便捷的生活与较高的薪资待遇吸引更多科技人才；另一方面，高成本成为企业较重的负担，资金压力使其无法为创新提供更多资源，尤其在经济较发达的长三角地区，为一单位科技型劳动力付出的高成本可能要高于增加的效益。所以预期人均GDP为不显著变量，可支配收入与创新效率负相关。
生活环境因素：生活环境通过旅客周转量（pk）和AQI二级及以上天数比重（aqi）来共同反映。旅客周转量大，表示该城市交通较便捷，地理位置较好，有利于企业降低运输成本，提高创新及生产效率，因此该变量预期与创新效率正相关。二级以上天数比重越大意味着城市空气质量越好，好的空气质量给予居民更高的生活水平，从而吸引创新人才落户，但也从侧面表现了该城市的工业企业数量较少，或政府对于工业企业排污标准要求更严格，所以预期该变量与创新效率负相关。
人力资源环境因素：人力资源环境由万人在校大学生（students）和普通高等学校数（universities）来衡量。高校多，在校大学生数量相应较多。在校大学生多，可以为创新产业输送更多的高学历人才。所以该变量预期与因变量正相关。高校数量多会为人才提供更多的发展机会，但由于本文产出创新效率的投入输出数据偏向研究规模以上工业企业的R&D效率，高校数量多有可能会分流高学历技术人才，进而形成竞争性创新人才市场，企业劳动力成本随之提高，所以高等学校数变量预期与效率负相关。
表3 模型变量选择
产业环境因素：本文用社会从业人员中科技人员占比（staffs）及规模以上开展创新活动工业企业占比（rdenterprises）两变量来衡量创新人才群体与创新工业企业集聚程度。对于经济落后地区，科技人员及创新工业企业数量较少，吸引更多科技人才和鼓励企业创新可以对创新效率产生正向影响。而对于经济发达、人才流动性高、科技人员及创新企业数量均较饱和的地区，对于现有的科技投入和市场规模，过多的人才和创新企业可能会造成一定程度的低效率。长三角地区城市大多经济较为发达，因此两变量关系预期为负。
4.回归模型
经过变量选择和先验假设，我们将回归模型写成下面的形式：
lnEi= β0+β1lnpgdpi+β2lndincomei+β3lnpki+β4lnaqii+β5lnstudentsi+β6lnuniversitiesi+β7lnstaffsi+β8lnrdenterprisesi+εi
其中，下标i代表长三角地区13个城市。