| 联系我们 |
 |
合作经济与科技杂志社
地址：石家庄市建设南大街21号
邮编：050011
电话：0311-86049879 |
|
|
| 经济/产业 |
| 河北省企业创新效率及影响因素分析 |
| 第617期 作者：□文/王 孟 马玉玲 肖雅韵 时间：2019/9/16 17:53:18 浏览：290次 |
［提要］ 企业创新效率表明承接产业转移、享受技术溢出的能力。为研究河北省企业创新效率水平和影响因素，本文采用DEA-Tobit模型，分别对河北省规模以上工业企业创新研发阶段和成果转化阶段效率进行测度。研究表明：河北省规模以上工业企业创新研发阶段效率低于成果转化阶段；R&D内部经费支出和新产品开发经费与创新效率成正相关，而R&D人员、技术购买及引进费用和专利申请数则与之呈现负相关，其中新产品开发经费影响最为显著。由此提出：河北省规模以上工业企业应优化资源在创新价值链中的配置，增加R&D内部经费支出和新产品开发经费，提高工业行业整体创新效率。
关键词：DEA模型；规模以上工业企业；科技创新
中图分类号：F273.1 文献标识码：A
收录日期：2019年8月1日
一、引言
我国经济发展进入新常态，经济从高速转向中高速发展，发展动力从要素驱动向创新驱动转换。在中国经济转型升级、全面深化供给侧改革的背景下，习近平将京津冀协同发展提升为新时期我国区域发展的重大国家战略之一，旨在通过区域协调发展，整合资源，以创新引领京津冀地区产业升级。京津冀三地资源禀赋差异较大，产业存在互补性，在京津冀协同发展的过程中，河北省主要承担服务者的角色，充分发挥传统区位优势，承接京津产业转移，在推动区域产业整合优化的过程中实现自身经济的可持续发展。企业良好的创新能力和较高的创新效率是承接产业转移的有效保障，提高企业的科技创新效率是有效承接产业转移、获取核心竞争力、享受技术溢出效用的关键措施。规模以上工业企业作为整个工业行业的排头兵，其创新效率代表着行业整体的创新水平，研究规模以上工业企业创新效率对于工业的未来发展具有指导性意义。
目前，一些学者从京津冀省级数据或者市级数据为样本，横向对比分析了区域内部创新效率的差异，但对于河北省创新效率和影响因素的深入研究较少。基于此，本文运用DEA模型，将科技创新过程细分为研发和成果转化两个阶段，深入研究河北省规模以上工业企业两个阶段的创新效率，然后分析关键影响因素，并提出相关建议。
二、文献综述
科技创新是将新设想实现市场化应用的过程，包括新想法的产生、研发、商业化生产以及市场化等环节，是科技与经济的有机结合。学者们将创新过程深入分为研发阶段和成果转化阶段，科技创新效率是科技活动的投入产出转化效率，反映资源的利用程度。
学者们已经对科技创新效率进行了大量研究，使用的主要方法包括数据包络分析（DEA）、随机前沿分析（SFA）、因子分析定权；研究对象主要集中在区域、产业及企业三个层面的创新效率。“区域技术创新性”概念最早由Kaukonen提出，之后学者进行了国家层面或地区层面的区域创新效率研究。潘雄锋（2010）等采用随机前沿生产函数模型研究了中国工业企业1996～2006年间技术创新效率，发现区域间的效率差距在不断缩小；许敏（2012）等采用DEA方法研究了中国大中型工业企业的科技创新效率，结果表明全国大部分地区的科技创新效率均处于较低水平，东中西部地区之间存在着明显的差异。在行业研究方面，张立杰（2019）基于价值链的视角，利用DEA-Malmquist指数模型分析丝绸之路经济带沿线地区高技术产业技术研发和转化效率，并采用Tobit模型验证探讨关键创新效率的关键影响因素。肖文（2014）等采取随机前沿分析方法研究36个工业行业的科技创新效率，结果表明36个工业行业的科技创新效率均值位于［0.5，0.6］之间，并深入探讨了技术创新能力的有利和不利因素。对于企业的研究，主要从微观的角度，围绕企业的规模、类型、管理水平等进行创新效率评价。梁娜（2019）运用DEA方法研究了环保行业的创新效率，发现该行业整体创新效率较低，纯技术效率偏低是导致整体创新效率较低的主要因素，创新投入不足是导致规模效率偏低的主要原因。吴浩强（2018）运用DEA-BCC模型计算了发生并购的259家中国制造业上市公司的数据，对企业并购前后的技术创新效率进行评价。
总体而言，在已有研究中，学者往往运用DEA方法将科技创新作为一个整体过程进行效率测算，考虑到从科技创新到实际转化为商业成果可以分为技术研发和成果转化两个阶段，本文在借鉴以上学者研究思路的基础上，利用DEA和Tobit模型测算河北省规模以上工业企业创新效率并探讨关键影响因素，以期发现企业创新过程中的问题，提出科学合理的解决办法。
三、模型介绍
（一）DEA模型。DEA是由Charnes等三位学者创建，该方法以相对效率为基础，运用线性规划技术对具有多输入、多输出的同类决策单元间相对有效性的进行非参数统计。DEA不需要预先进行参数估计，与其他方法相比具有非参数性的优势，可以避免主观因素影响、减少运算误差，其与经济学的Pareto等价，被广泛应用于经济效益、产业结构、可持续发展和区域经济研究中。1986年，Macmillan首次将DEA运用于区域经济研究中，对中国主要城市的效率进行评价，并以评价结果为基础，对无效地区行为进行深入分析。随后，DEA依次被用于评价中国省市的宏观经济状况、中国省市的工业技术问题等方面。
DEA模型包含规模报酬不变模型（CCR）、规模报酬可变模型（BCC）和规模报酬非增模型（NIRS）三种类型，本文运用规模报酬可变模型评价决策单元技术与经营管理的有效性。该模型的结构如下所示：
min?兹-?着（■Si-+■Sr+）s.t.■xij?姿j+Si-=?兹x■，i∈（1，2，…，m）■xrj?姿j-Sr+=y■，r∈（1，2，…，s）■?姿j=1?兹，?姿j，Si-，Sr+≥0，j=1，2，…，n
其中，?兹表示相应DMU的效率值；n表示同类DMU的数量；m和s分别表示输入和输出的个数；Si-和Sr+分别为第i项输入和第r项输出的松弛变量；x■和y■表示DMU的第i项输入和r项输出；?姿为线性组合系数；?着为非阿基米德无穷小量，是一个小于任何正数且大于零的“抽象数”。
根据DEA有效性的定义可知：
（1）当?兹=1时，代表DEA有效，决策单元的投入与产出合理，效率达到最优。
（2）当?兹>1时，代表弱DEA有效，决策单元投入与产出仍有改进余地，适当加以调整便能提高效率。
（3）当?兹<1时，代表非DEA有效，决策单元的投入与产出尚未达到最优状态，投入资源没能被充分利用，可以适当减少倍的投入资源而达到原有的产出。
（二）变量选取。研究规模以上工业企业科技创新效率，最为关键的一步是选择合理的投入产出指标。本文借鉴学者们的指标选取，遵循科学、合理的原则进行投入和产出指标的选择。在研发阶段，本文采用R&D人员（X1）代表人力的投入，用技术购买及引进费用（X2）表示物力的投入，用R&D内部经费支出（X3）表示财力的投入；在科技成果转化阶段，投入指标主要涉及到投入的科技创新成果和将科技创新成果转化为企业收入的有效载体，本文采用新产品开发经费（X4）表示企业辅助创新成果转化为收益的必要财力投入，用技术吸收及改造费用（X5）表示物力投入，用专利的申请数（X6）表示相关技术的投入。
产出指标方面，需要重点关注创新研发的成果和科技成果的经济效益。在研发阶段，本文将专利申请数（Y1）作为研发阶段的产出指标。在成果转化阶段，企业可以通过两条主要途径将科技创新成果转化为经济产出，即创新成果的内生性转化和外生性转化，前者是指将科技创新成果等用于企业自身的生产过程，生产新产品，从而为企业带来收益；后者是指企业利用市场化手段，通过专利许可和转让等多种方式为企业创造收益。由于规模以上工业企业技术合同成交额的统计数据的缺乏，本文选用新产品销售收入（Y2）和工业总产值（Y3）作为成果转化阶段的产出指标。
综上所述，本文所选变量如表1所示。（表1）
（三）Tobit模型。美国经济学家James Tobin于1958年提出Tobit模型，最初它是一个用于研究耐用消费品需求的经济计量学模型。Tobit模型的标准形式如以下公式所示：
yi*=Xi?茁+?着i
yi=yi*，yi*＞00，yi*≤0
式中：yi为因变量；Xi为自变量；?茁为系数；?着i为残差。
DEA-Tobit组合模型被称为两阶段的分析方法，将DEA模型测算的科技创新效率作为被解释变量、各阶段的投入变量作为解释变量进行回归分析，根据各解释变量的影响系数判断每个因素对因变量的影响方向及程度，依此为依据调整资源配置。
四、实证分析
（一）样本选取和数据来源。本文采用数据包络分析的BCC模型，分阶段研究河北省规模以上工业企业创新效率，发现河北省规模以上工业企业创新效率的现状，分析企业创新能力中存在的问题，并提出相关建议。鉴于数据的可得性与准确性，本文选取了河北省2000～2017年的时间序列数据进行规模以上工业企业创新效率分析，从投入产出的角度揭示京津冀地区规模以上工业企业的创新效率。数据来源于2001～2018年中国科技统计年鉴。
（二）基于DEA的效率测算。本文利用DEAP2.1软件对2008～2018年河北省规模以上工业企业的创新效率进行测度，依次进行结果的对比分析。（表2）
综合技术效率是对河北省的经济发展水平、资源配置能力、资源使用效率等多方面能力的综合衡量与评价；纯技术效率是河北省由资源管理和技术等因素影响的生产效率，规模效率是受经济发展规模影响的生产效率。
从研发阶段来看，2000～2017年间河北省规模以上工业企业的综合技术效率在［0.206，1］的区间内波动，其中2000～2010年间的创新效率一直处于下降和上升的变换波动中，2011～2016年期间，处于上升状态，2017年有小幅下降。细分来看，有4年达到了综合效率最优，其纯技术效率和规模效率均处于 DEA有效状态，共同构成了生产前沿面；其余处于非DEA有效的年份为规模效益递减，其中4年的纯技术效率到达最优水平，规模效率则均小于1。从效率均值可以发现，规模效率是导致综合技术效率低下的主要原因，企业经济规模对企业创新效率具有阻碍作用。
从成果转化阶段角度来看，综合技术效率较高，在［0.55，1］之间波动，幅度较小，从2012年开始一直处于上升状态，整体水平优于成果研发阶段。细分来看，河北省规模以上工业企业有5年处于DEA有效状态，13年为非DEA有效状态，其中，2001～2007年规模效益递增，2011～2016年为规模效益递减。从分析数据可知，纯技术效率是该阶段综合技术效率较低的主要原因，说明在成果转化阶段规模以上工业企业的资源管理和技术水平不能满足要求，阻碍企业生产效率的提升。
（三）Tobit模型实证分析。鉴于DEA测算所得综合技术效率值均位于［0，1］之间，具有截断性特征，采用最小二乘法回归将会带来偏差和不一致，而具有截断回归特征的Tobit模型无此影响，因此本文采用Tobit模型进行回归分析。将研发阶段和成果转化阶段的综合技术效率作为被解释变量、投入指标作为解释变量，建立Tobit回归模型（1）和（2），具体形式如下：
Y1＝C+?琢1X1+?琢2X2+?琢3X3+?着 （1）
Y2＝C+?琢4X4+?琢5X5+?琢6X6+?着 （2）
式（3）、（4）中：Y1和Y2分别表示研发阶段和成果转化阶段的综合技术效率；X1～X3表示研发阶段的投入指标，X4～X6表示成果转化阶段的投入指标；ε表示回归残差。本文将所有的投入指标进行无量钢化处理，运用Stata进行Tobit回归分析，结果如表3所示。（表3）
研发阶段，R&D内部经费支出（X2）与科技创新效率存在正相关的关系，表明研发经费的投入越多，河北省的创新效率就越高；R&D人员（X1）、技术购买及引进费用（X3）与综合技术效率存在负相关的关系，表明随着上述两个要素投入的增加，研发阶段的创新效率会降低，说明在研发阶段R&D人员和技术购买及引进费用的投入存在冗余现象。
成果转化阶段，新产品开发经费（X4）的系数为1.149235，与综合技术效率存在着显著的正相关关系，即在其他条件不变的情况下，新产品开发经费每增加1%，综合技术效率可以提高1.149235%；技术吸收及改造费用（X5）和专利的申请数（X6）与创新效率存在着负相关关系，表明随着技术吸收及改造费和专利申请数的增加，综合技术效率会降低，以上两个变量的投入冗余现象十分明显。
五、结论及建议
（一）结论
1、成果转化阶段的创新效率优于研发阶段，但纯技术效率较低，仍有较大的发展空间。科技成果转化阶段的综合技术效率（均值：0.836）优于研发阶段（均值：0.698），成果转化阶段创新效率的波动幅度小于研发阶段，整体水平较高，但仍有16.4%的优化空间。与规模效率相比，成果转化阶段的纯技术效率较低。
2、不同阶段的制约因素不同。通过分析可以发现，规模效率不高是研发阶段整体效率低下的主要原因，纯技术效率不高是导致成果转化阶段综合技术效率较低的主要因素。
3、投入变量冗余现象较为严重。研发阶段的R&D人员、技术购买及引进费用、成果转化阶段的专利申请数和技术吸收及改造费用与创新效率存在负相关关系，投入均存在冗余，而研发阶段的R&D内部经费支出和成果转化阶段的新产品开发经费与综合效率存在显著的正相关关系，在其他条件不变的情况下，增加研发经费和新产品开发经费的投入会提高整体的创新效率。
（二）建议
1、政府应引导企业缩减规模，让市场发挥更大的作用。河北省规模以上工业企业存在结构重型化、产业层次低、产品低端等问题，企业为了追求利润最大化，盲目扩张企业规模，加大科研人员、技术购买费用等创新要素的投入，造成研发阶段的投入冗余；受到自身经济发展水平、对外开放程度的影响，企业缺乏成果转化的有效载体，政府应制定相关鼓励政策，引导企业向生产前沿点靠拢，同时让市场管理机构发挥更多的职能，提高市场的发育程度，为企业之间提供高效的交流平台，从而提高企业成果的转化效率。
2、企业应密切关注市场需求动向，增大R&D内部经费支出和新产品开发经费支出。企业需要密切关注市场需求动向，以市场需求为导向有目的地调整企业创新方向，优化企业内部资源配置，提高管理水平。加大新产品开发经费投入，保证科技创新成果能够顺利实现市场化应用，为企业带来经济效益。同时，应减少专利申请数，可以通过专利成果的外生性转化为企业带来收益；适当较少技术吸收及改造费用投入，将更多的费用转移到新产品开发环节，提高规模以上工业企业整体创新效率。
（作者单位：东北大学秦皇岛分校经济学院）
主要参考文献：
［1］李守伟.技术创新能力的数据包络分析与实证研究［J］.科技进步与对策，2010.27（1）.
［2］余泳泽.我国高技术产业技术创新效率及其影响因素研究——基于价值链视角下的两阶段分析［J］.经济科学，2009（4）.
［3］康淑娟.行业异质性视角下高技术产业创新价值链效率测度——基于SFA 修正的三阶段DEA模型的实证分析［J］.科技管理研究，2017.37（6）.
［4］Melgarejo，Zuray；Arcelus，Francisco J；Simon-Elorz，Katrin，A THREE-STAGE DEA-SFA EFFICIENCY ANALYSIS OF LABOUR-OWNED AND MERCANTILE FIRMS，2011（3）.
［5］KAUKOMEN E Evaluation of scientific research in Finland［R］.OECD.The evaluation of scientific research：selected experiences.Paris：OECD，1997.
［6］潘雄锋，刘凤朝.中国区域工业企业技术创新效率变动及其收敛性研究［J］.管理评论，2010.22（2）.
［7］许敏，谢玲玲.基于DEA 的我国大中型工业企业技术创新效率评价研究［J］.科学管理研究，2012.30（3）.
［8］张立杰，梁锦凯.我国丝绸之路经济带沿线省（市、区）高技术产业创新效率研究——基于DEA-Malmquist-Tobit方法［J］.科技进步与对策，2019.6.5.
［9］肖文，林高榜.政府支持、研发管理与技术创新效率——基于中国工业行业的实证分析［J］.管理世界，2014（4）.
［10］梁娜，姚长青，高影繁.基于DEA方法的环保行业上市企业创新效率评价［J］.科技管理研究，2019.39（5）.
［11］吴浩强，刘树林.并购对企业技术创新能力的影响——基于中国制造业分行业的视角［J］.财会月刊，2018（1）
|
|
|
|
