高技術產業研發創新效率分析

李向東，李南，白俊紅，謝忠秋

(1.南京航空航天大學 經濟與管理學院，江蘇 南京210016;2.江蘇技術師范學院 商學院，江蘇 常州213001;3.南京師范大學 商學院，江蘇南京210046)

高技術產業研發創新效率分析

李向東1，2，李南1，白俊紅3，謝忠秋2

(1.南京航空航天大學 經濟與管理學院，江蘇 南京210016;2.江蘇技術師范學院 商學院，江蘇 常州213001;3.南京師范大學 商學院，江蘇南京210046)

以1995-2006年中國高技術產業17個細分行業的研發面板數據為基礎，應用隨機前沿分析和數據包絡分析兩種方法實證測算了高技術產業的研發創新效率。主要的發現有：考察期內高技術產業研發創新效率整體偏低，但其時間演變基本呈現出逐年上升的良好態勢;數據包絡分析方法測算的效率高于隨機前沿分析法，但后者具有較強的穩定性;雖然兩種方法測算的效率在均值上具有顯著差異，但在排序方面卻顯示出高度的一致性;提高研發創新效率對提升高技術產業的經濟績效具有重要意義。

高技術產業;研發創新;效率

一、引言

近年來，中國高技術產業發展迅速，其工業增加值占制造業的比重從2000年的9.3%增加2006年的11.5%，占GDP的比重也從2000年的2.8%增加到2006年的4.6%，成為推動中國經濟增長，促進產業結構優化升級的一個富有活力的增長點。高技術產業是一個知識和技術密集型產業，高研發投入、高創新性是其區別與傳統產業的重要特征［1］。因此，提高高技術產業研發創新資源的利用效率對促進其健康發展具有重要的意義。

事實上，作為一項稀缺性資源，研發創新資源利用的效率問題已引起學術界的充分關注。

目前研究主要集中在兩個方面：一是對研發創新效率做實證測評，比如，劉順忠和官建成［2］、官建成和何穎［3］及孫凱和李煜華［4］等人以中國省級行政區域為考察對象，測算了各省區研發投入產出的效率情況;而 Zhang［5］、吳延兵［6］則測算了中國大中型工業企業的創新生產效率。另一方面的研究主要是對研發創新效率影響因素的考察，比如，池仁勇等［7］、李習保［8］、岳書敬［9］及白俊紅等［10］考察了勞動者素質、產業結構、基礎設施、地方財政支持等因素對省區研發創新效率有效發展的影響;Jefferson［11］、吳延兵［12］及馮根福等［13］實證檢驗了企業規模、產權結構等因素對中國大中型工業企業研發創新效率的影響。

從以往研究成果來看，考察對象還主要集中在區域及企業兩個層面，而對研發投入和產出都比較高的高技術產業創新效率的考察還比較匱乏。朱有為和徐康寧［14］曾測算并分析了高技術產業的研發效率及影響因素，但其結論只是建立在參數形式的隨機前沿分析方法(Stochastic Frontier Analysis，SFA)基礎之上的，而且在設定生產函數時并沒有對模型的適宜性進行檢驗，這有可能在表達中國高技術產業的知識生產過程時產生偏誤。測定技術效率的另一種常用方法是非參數形式的數據包絡分析方法(Data Envelopment Analysis，DEA)，由于兩種方法的測算原理各不相同，因而得出的結論可能并不一致。本文將綜合應用SFA和DEA兩種方法測算高技術產業的研發創新效率，以期使其結果更為可靠，進而可以對高技術產業的創新發展狀況有一個較為全面的認識。

本文將利用1995-2006年中國高技術產業17個細分行業的研發面板數據，以新產品銷售收入作為創新生產的產出，以R＆D資本存量和R＆D人員投入作為創新生產的投入，應用隨機前沿分析和數據包絡分析兩種效率測度方法，測算高技術產業的研發創新效率。文章后續部分結構安排如下：第二部分簡述研究方法，第三部分介紹本文數據的來源及選用的投入產出變量，第四部分對測算結果進行討論，第五部分進一步闡釋研發創新效率與經濟績效的關系，最后給出結論。

二、研究方法

評測決策單元技術效率的方法主要有參數法和非參數法兩大類。非參數方法以Chames等提出的數據包絡分析(Data Envelopment Analysis，DEA)方法為代表，該方法采用線性規劃技術，無需設定函數形式，從而避免了主觀設定函數的影響，且在處理多投入多產出的效率度量上具有優勢。但DEA也由于設定了確定邊界，并且不考慮測量誤差的存在而具有不足之處［14］。參數方法以隨機前沿分析(Stochastic Frontier Analysis，SFA)方法為代表，該方法由 Aigner等［15］、Meeusen 和Broeck［16］、Battese 和 Corra［17］提出。SFA 采用計量方法對前沿生產函數進行估計，可以對得出的參數進行統計檢驗，有更為堅實的經濟理論基礎，而且在測算過程中可以控制個體沖擊的影響，從而在一定程度上克服了由于個體差異而造成的技術非效率。但是SFA方法也有可能由于設定了錯誤的生產函數而得出錯誤的結論。由于兩種方法各具優劣，我們擬同時采用隨機前沿分析方法和數據包絡分析方法來測算中國高技術產業的研發創新效率，以期能夠更準確可靠地揭示近年來高技術產業的創新發展狀況。

(一)SFA方法

根據 Kumbhakar和 Lovell［18］的總結，隨機前沿模型的一般形式如式(1)所示：

式(1)中，yit表示決策單元i在時期t的實際產出，f(·)表示生產可能性邊界上的確定前沿產出，即具有完全效率時的最大產出，x表示一組投入向量，t為時間趨勢，其中 i=1，…，n;t=1，…，T。誤差項vit-uit為復合結構，第一部分，vit服從N(0，σ2v)，表示隨機擾動的影響;第二部分，uit為技術非效率項，表示個體沖擊的影響。

技術效率TE定義為實際產出期望與前沿面產出期望的比值，即：

顯然，uit=0時，TEit=1，表示決策單元位于前沿面(f(xit，t)exp(vit，uit=0))上，技術有效;當 uit＞0時，TEit＜1，決策單元位于前沿面下方，技術無效。

(二)DEA方法

DEA方法是通過線性規劃來求解決策單元技術效率的。假設有個受評估的決策單元，各使用種投入要素xij(j=1，…，m)，生產 種產出 yir(r=1，…，s)，在投入導向模式下，決策單元 的相對效率衡量指標ho(u，v)可表示為式(3)的形式：

其中，ur、vj分別為第r種產出與第j種投入的權重系數。利用Chames-Cooper變換及對偶變換，并引入松弛變量s+≥0、s-≥0及非阿基米德無窮小量ε，可以將式(3)等價變換成線性規劃模型式(4)：

式(4)中的θ即為決策單元的效率值。若θ=1，且s+=s-=0，則決策單元DEA有效;若θ=1，且s+≠0或s-≠0時，則決策單元為弱DEA有效;若θ＜1，則決策單元DEA無效。

三、數據與變量

本文分析所使用的樣本為1995-2006年中國高技術產業分行業面板數據，統計口徑為國有及年銷售收入在500萬以上的非國有工業企業。文中所使用的投入、產出變量原始數據來源于歷年《中國高技術產業統計年鑒》，而相應的價格指數來源于《中國統計年鑒》。《中國高技術產業統計年鑒》記載的高技術產業共有5個兩位碼行業，并細分為17個三位碼行業。為擴大樣本容量，我們選擇全部的17個三位碼行業進行分析。這樣，17個行業12年的時間跨度，共計204個樣本觀測值。接下來，我們將對文中投入、產出變量的選擇與處理情況做適當說明。

(一)產出變量

在衡量研發創新的產出時，專利數量是一個較為常用的指標。專利含有大量關于技術、發明及發明者方面的信息，且數據較容易獲得。但在具體表征創新產出時，其也存在一定的缺陷，主要表現在：一方面，由于一些發明并不申請專利，因此專利并不能反映創新活動的全部成果［19］;另一方面，由于專利質量的不同，在體現創新成果的經濟價值上也存在一定的缺陷［20-21］。馮根福等［13］、吳延兵［21］等曾嘗試采用新產品開發數來作為創新產出的衡量指標，但顯然，與專利數目一樣，新產品開發數亦是一個數量指標，并不能體現創新產出的質量所在，也不能全面反映創新成果的商業價值和經濟化水平。相比較而言，新產品銷售收入是一個較好的指標。新產品銷售收入可以有效地反映出創新成果的商業價值，而且有幸的是，《中國高技術產業統計年鑒》提供了高技術產業17個細分行業的新產品銷售收入值，這也使得我們的這一選擇具備了可行性。以往一些研究，比如馮根福等［13］、吳延兵［21］等，之所以沒有使用這一指標，很大程度上是其考察的對象(比如地區工業企業)在相關年鑒中缺失這一統計指標的緣故。

需要說明的是，由于SFA模型的單產出特性，本文只選擇新產品銷售收入作為衡量創新產出的考核變量。計入模型時，為了克服價格波動的影響，我們用工業品出廠價格指數對其進行縮減，統一折算成1995年不變價。

(二)投入變量

對于創新活動的投入，文獻中通常選用R＆D經費 支 出 和 R＆D 人 員 投 入 來 表 征［2，13，22-24］。R＆D經費支出反映了年度內執行單位的實際研發資金投入，是一項流量指標。但正如Griliches［21］及吳延兵［21］指出的，R＆D活動對知識生產的影響不僅反映在當期，對以后的知識生產也將產生影響。因此，測算創新活動的效率時應該首先核算R＆D 資本存量。參考 Griliches［21］、Goto 和 Suzuki［26］及吳延兵［21］的做法，本期的 R＆D 資本存量可以表示為上一期的R＆D資本存量與過去所有期的R＆D支出現值之和，即：

式(5)中，Kt與Kt-1分別為當期和滯后1期的R＆D資本存量，k為滯后期，μk為滯后算子，即R＆D支出的貼現系數，δ為R＆D資本存量的折舊率。由于難以獲得μ的滯后結構，一般假定平均滯后期為θ，且t-θ期的R＆D支出直接構成了t期的R＆D資本存量的增量，即k=θ時，μk=1;k≠θ時，μk=0。這樣，式(5)可寫成式(6)的形式：

在假定平均滯后期為1年的情況下，式(6)可寫成：

也即當期的R＆D資本存量等于滯后1期的R＆D現值與滯后1期的R＆D資本存量之和。

從式(7)可看出，核算R＆D資本存量需核算R＆D支出的現值，確定R＆D資本存量的折舊率及基期資本存量。

在核算R＆D支出現值時，關鍵是構造R＆D支出價格指數對名義R＆D經費支出進行平減。李習保［8］、岳書敬［9］分別選用消費價格指數和固定資產投資價格指數來表征R＆D支出價格指數，并以此對R＆D經費支出進行平減。朱平芳和徐偉民［27］將R＆D支出價格指數設定為固定資產投資價格指數和消費價格指數的加權平均，其中前者權重0.45，后者權重 0.55，朱有為和徐康寧［14］亦有類似的設定，不過權重有所差別，兩種指數的權重分別為0.75和0.25。事實上，上述學者對R＆D支出價格指數的設定均是建立在對R＆D經費支出的明細構成基礎上的。李習保［8］和岳書敬［9］的設定方式實際上是假定R＆D支出全部用于勞動力成本或購置固定資產上，而朱平芳和徐偉民［27］、朱有為和徐康寧［14］的設置則是基于R＆D經費支出用于勞動力成本和購置固定資產成一定比例的構造。基于同一思路，我們對R＆D支出價格指數進行了重新構造。根據《中國高技術產業統計年鑒》對 R＆D經費支出的明細，1995-2006年間R＆D經費支出中用于勞務費的支出共計8917576萬元，用于設備儀器的支出共計7576227萬元，這樣，勞務費支出占了兩者合計支出的54%，而設備儀器支出占了46%。因此，我們將R＆D支出價格指數設定為：

式(8)中，PR表示R＆D支出價格指數，PL表示消費價格指數，PI表示固定資產投資價格指數。顯然，我們的設定與朱平芳和徐偉民［27］的設定比較接近，但我們給出了這一設定的科學依據。

至于折舊率，我們不失一般性，采用文獻中通常采用的經驗設置，取δ=15%［21-25］。

最后還需要估算基期資本存量。根據Goto和Suzuki［26］及吳延兵［21］，在假定 R＆D 資本存量的增長率等于R＆D經費增長率的情況下，基期資本存量可以用下式來估計：

式(9)中，K0為基期資本存量，E0為基期實際R＆D經費支出，g為考察期內實際R＆D經費支出的平均增長率，δ為折舊率。

至此，我們已解決了估算R＆D資本存量的全部技術。而至于研發創新的另一項投入指標R＆D人員，文中選用R＆D人員全時當量來衡量，其值為報告年內R＆D全時人員數加非全時人員按工作量折算成全時人員數的總和。

表1給出了投入產出變量的描述性統計結果，圖1進一步給出了高技術產業17個明細行業的R＆D資本存量均值，而圖2則描述了高技術產業各期R＆D資本存量均值的時間趨勢。

表1 變量的描述性統計結果

從圖1可看出，17個細分行業中R＆D資本存量最高的為航天器制造業，其次是化學藥品制造業及中成藥制造業;而R＆D資本存量最低的三個行業分別為計算機外部設備制造業、電子器件制造業和辦公設備制造業。圖2 R＆D資本存量的時間趨勢顯示出各期穩步上升的態勢，從1995年的79.045千萬元，增長到2006年的93.081千萬元，年均增長約1.490%。

圖1 高技術產業各行業R＆D資本存量均值(千萬元)

圖2 高技術產業R＆D資本存量均值時間趨勢(千萬元)

四、結果分析

利用SFA模型核算技術效率時，需首先選取合適的生產函數。目前文獻中較為常用的有柯布-道格拉斯和超越對數兩種形式。前者形式較為簡單，但假定技術中性和產出彈性固定;后者放寬了這些假設［28］，且在形式上更加靈活，能更好地避免由于函數形式的誤設而帶來的估計偏差［29］。本文分析中采用的是面板數據，隨著時間的推移，技術是否為中性，產出彈性是否固定，技術是否存在進步，研究中并不能事先確定。因此我們首先設置超越對數生產函數的隨機前沿模型，而后通過檢驗此模型的適宜性對生產函數進行選擇。超越對數生產函數的隨機前沿模型的具體形式如式(10)所示。

式(10)中，yit、Kit和 Lit分別為 i產業 t期的實際新產品銷售收入、R＆D資本存量和R＆D人員投入，β為回歸系數。上式中，如果建立原假設，即假設二次項系數 βkk、βll、βtt、βkl、βkt、βlt均為零，則式(10)即變成了柯布-道格拉斯形式的隨機前沿模型(11)：

式(10)和(11)到底哪種形式更適合擬合樣本數據，我們用廣義似然率統計量進行驗證。廣義似然率λ為：

式(12)中，L(H0)和L(H1)分別是前沿模型在零假設H0和備擇假設H1下的對數似然函數值。如果零假設成立，則檢驗統計量服從混合卡方分布，自由度為受約束變量的數目。而備擇假設H1為不受約束的模型式(10)。如果核算出的廣義似然率λ大于臨界值，我們便拒絕原假設，接受超越對數生產函數形式的隨機前沿模型;反之，則接受原假設，柯布-道格拉斯生產函數形式的隨機前沿模型更適宜擬合樣本數據。

我們利用Frontier4.0軟件包對式(10)和(11)分別進行回歸，估計結果如表2所示。

從表2的檢驗結果來看，廣義似然統計量λ=17.477略大于臨界值16.812，但幾乎相差無幾。另外，從超越對數生產函數的隨機前沿回歸模型系數參數估計結果來看，只有常數項β0通過了顯著性檢驗，其它回歸系數參數均不顯著。而柯布-道格拉斯隨機前沿回歸模型的各項回歸系數參數估計值均具有較高的顯著性。因此，在下文分析中我們依然采用了柯布-道格拉斯生產函數的隨機前沿回歸模型。

應用隨機前沿模型估算研發創新效率時我們依舊采用Frontier4.0軟件包，而數據包絡分析時我們采用DEAP2.1軟件包。兩種方法估算結果的描述性統計如表3所示。

由表3可看出，兩種方法測算結果揭示的我國高技術產業研發創新效率均處于較低的水平，創新發展狀況并不理想，即使是效率較高的DEA方法測算結果，其均值也只有0.383，尚有超過60%的提升空間。但將此結果與朱有為和徐康寧［14］測算的結果相比，我們發現無論采用何總方法，我們測算的結果均高于同期他們的測算結果①朱有為和徐康寧應用SFA方法測算了1996-2004年間的高技術產業研發創新效率，其均值為0.242，而本文SFA與DEA測算的同期效率均值分別為0.257和0.383。，其原因可能與不同的數據處理方式有關，比如上文中提到的研發支出價格指數的構造。從標準差的對比來看，DEA測算結果的標準差要大于SFA測算結果的標準差，這也在一定程度上說明DEA測算結果具有更大的波動性。

表3只是對測算結果進行了簡單的描述，進一步我們用圖3刻畫了研發創新效率均值與標準差的時間演變趨勢。

表2 兩種隨機前沿模型參數估計結果

表3 SFA與DEA方法測算研發創新效率結果的描述性統計 樣本容量N=204

從圖3來看，考察期內，SFA測算的研發創新效率均值一直處于緩慢的上升狀態，表明高技術產業研發創新效率的不斷改善，而其標準差各年基本持平，也即意味著高技術產業內部各行業間的效率差異并沒發生明顯變化。考察期內DEA方法測算的創新效率均值具有一定的波動性，且1996年效率均值最低為0.357，而此后各期雖略有波動，但均高于這一數值，呈現出一定的上升趨勢，其中2001年達到最高為0.411，是最低值的1.15倍，期末水平(即 2006 年)也達到了 0.391，比期初效率水平(0.365)提高約7.12%。從兩種方法測算結果的對比來看，各期DEA方法測算的效率均值均高于SFA方法測算效率的均值。進一步為了比較此差異是否顯著，我們對其進行了配對t檢驗(Paired t test)。結果顯示出t統計量值為-30.248，雙尾檢測顯著性概率為 0.000，由此也意味著SFA方法測算的效率值與DEA方法測算的效率值之間的差異是顯著存在的。標準差方面的對比也表現出與均值類似的特征，DEA方法測算的各期效率標準差均高于SFA方法，說明SFA方法測算結果更具有穩定性。事實上，由于SFA方法考慮了個體沖擊對技術效率的影響，因而其測算結果也可能更為穩定，相關研究也有類似的發現［21，28］。

圖3 研發創新效率均值與標準差的時間趨勢

表4 各行業研發創新效率均值與標準差

表4列出了高技術產業各行業研發創新的效率均值及標準差情況。從兩種方法各自的測算結果來看，SFA方法測算效率最高的為家用視聽設備制造業、其次是電子器件制造業及飛機制造及修理業;而效率最低的三個行業分別為廣播電視設備制造業、其他電子設備制造業和航天器制造業。DEA方法測算的結果中，由于電子器件制造與家用視聽設備制造兩個行業的效率均值都為1，兩行業均處于生產前沿面上，因此排序并列第一，雷達及配套設備制造業處于第三的位置;而處于后三位的行業分別為其他電子設備制造業、生物、生化制品的制造業及航天器制造。對兩種方法測算的結果進行對比可以發現，除通訊設備制造業SFA方法測算結果較高外，其他行業的效率均值SFA測算結果均小于DEA測算結果;而在標準差方面，除了電子器件制造與家用視聽設備制造兩個行業由于各期效率均為1，使其標準差為0外，其余各個行業的效率標準差均表現出SFA測算結果小于DEA測算結果的情形，表明應用SFA方法的測算結果更趨于穩定。

除了上文對行業效率的簡單排序與比較之外，我們更關心兩種方法測算的效率情況是否具有顯著差異以及排序上是否具有一致性。對此，我們分別應用配對t檢驗及斯皮爾曼等級相關檢驗(Spearman rank correlation test)進行考察。配對t檢驗的結果顯示，配對t檢驗值為-3.469，顯著性概率為0.003，表明兩種方法測算的行業效率是有顯著差異的;而斯皮爾曼等級相關檢驗的結果顯示，Spearman相關系數為0.902，顯著性概率為0.000，此結果也意味著兩種測算方法的排序結果是高度相關的，具有顯著的排序一致性。

五、進一步研究

研發創新之所以受到人們的廣泛關注，其根本原因還在于其對經濟增長的重要推動作用［30］。這也使得如何更加有效地利用研發創新資源，提高創新效率便成為當前學術界研究的一項重要議題。而提高研發創新效率，其目的并不僅僅局限于使用盡可能少的研發投入獲得盡可能多的創新產出，其最終目的依然在于借此以提升經濟績效。本部分內容我們將建立一個簡單的回歸模型，以檢驗研發創新效率的提高對經濟績效是否有影響。我們以高技術產業各細分行業的工業增加值作為考核高技術產業的經濟績效的因變量，以研發創新的效率值作為自變量，建立如式(12)所示的面板數據計量模型：

式(12)中，gyit表示i行業第t期的工業增加值，其值按照工業品出廠價格指數折算成1995年不變價，TEit為i行業第t期的效率值(SFA效率值或DEA效率值)，α、β分別為常數項和回歸系數，εit為隨機誤差。回歸之前，我們利用豪斯曼檢驗(Hausman＇s test)確定回歸模型是選擇混合估計模型、隨機效應模型、還是固定效應模型。檢驗結果顯示(見表5中第2列)，當自變量為SFA方法測算的效率值時，固定效應模型更為有效;而當DEA效率值做為自變量時，隨機效應模型更有效。具體回歸結果如表5所示。

從表5給出的結果可看出，無論是采用SFA方法測算的效率值作為自變量，還是以DEA方法測算的效率值作為自變量，其回歸結果都顯示出研發創新效率對高技術產業的經濟績效具有顯著的正向影響，提高創新效率對提升高技術產業的經濟績效具有重要意義。這同時也有力地印證了我們及同行其他研究中考察研發創新資源利用效率問題的重要價值所在。

表5 研發創新效率對高技術產業經濟績效影響的回歸結果

六、結論

本文的研究目的在于測算高技術產業的研發創新效率，以期對近年來高技術產業的研發投入產出績效做合理監督和評價。為了使結果更為可靠，我們同時采用了效率測算的隨機前沿分析和數據包絡分析兩種方法。研究結果表明，考察期內高技術產業研發創新效率整體處于較低的水平，但可喜的是近年來已呈現緩慢上升的趨勢;隨機前沿分析方法的測算結果低于數據包絡分析方法的測算結果，但隨機前沿分析測算的效率更為穩定;兩種方法測算的均值對比具有顯著差異，但在排序方面卻表現出較強的一致性。因此，倘若考察目的在于比較高技術產業各行業研發創新效率的高低，進而有針對性地不同效率的行業進行決策時，兩種方法具有通用性。我們的另一項發現即是提高研發創新效率對提升高技術產業的經濟績效確實有重要的影響。上述結論的政策含義是明顯的，中國在增加創新投入提高高技術產業創新產出的同時，也許重點關注投入產出的效率問題，這不僅有利于創新資源的有效利用，更重要的是有益于高技術產業整體經濟績效的提升。

［1］鄭堅，丁云龍.高技術產業技術創新的邊際收益特性及效率分析［J］.科學學研究，2008，26(5)：1091-1097.

［2］劉順忠，官建成.區域創新系統創新績效的評價［J］.中國管理科學，2002，(1)：75-78.

［3］官建成，何穎.基于DEA方法的區域創新系統的評價［J］.科學學研究，2005，23(2)：265-272.

［4］孫凱，李煜華.我國各省市技術創新效率分析與比較［J］.中國科技論壇，2007，(11)：8-11.

［5］Zhang Anming，Zhang Yimin，Zhao Ronald.A Study of the R＆D Efficiency and Productivity of Chinese Firms［J］，Journal of Comparative Economics［J］，2003，(31)：443-464.

［6］吳延兵.中國地區知識生產效率測算［J］.財經研究，2008a，34(10)：4-14.

［7］池仁勇，虞曉芬，李正衛.我國東西部地區技術創新效率差異及其原因分析［J］.中國軟科學，2004，(8)：128-131.

［8］李習保.區域創新環境對創新活動效率影響的實證研究［J］.數量經濟技術經濟研究，2007，(8)：13-24.

［9］岳書敬.中國區域研發效率差異及其影響因素--基于省級區域面板數據的經驗研究［J］.科研管理，2008，29(5)：173-179.

［10］白俊紅，江可申，李婧，李佳.區域創新效率的環境影響因素分析--基于DEA-tobit兩步法的實證檢驗［J］.研究與發展管理，2009，21(2)：98-102.

［11］ Jefferson，G H Bai Huamao，Guan Xiaojing，Yu Xiaoyun.R＆D Performance in Chinese Industry［J］，Economics of Innovation and New Technology，2006，15(4-5)：345-366.

［12］吳延兵.R＆D存量、知識函數與生產效率［J］.經濟學(季刊)，2006，5(4)：1129-1156.

［13］馮根福，劉軍虎，徐志霖.中國工業部門研發效率及其影響因素實證分析［J］.中國工業經濟，2006(11)：46-51.

［14］朱有為，徐康寧.中國高技術產業研發效率的實證研究［J］.中國工業經濟，2006，(11)：38-45.

［15］Aigner，D J Lovell，C A K Schmidt P.Formulation and Estimation of Stochastic Frontier Production function Models［J］，Journal of Econometrics，1977，(6)：21-37.

［16］ Meeusen W，Broeck J V.Efficiency Estination from Cobb-Douglans Production Functions with Composed Error［J］，International Economic Review，1977，(18)：435-444.

［17］ Battese G E，Corra G S.Estination of a Production Frontier Model with Application to the Pastoral Zone of Eastern Australia［J］，Australian Journal of Agricultural Economics，1977，(21)：169-179.

［18］ Kunbhakar S，Lovell C.Stochastic Froniter Analysis［M］.New York：Cambridge University Press，2000.

［19］ Pakes A，Griliches Z.Patents and R＆D at the Firm Level：A Firstlook.InZ.Griliches(Ed.)，R＆D Patents and Productivity［M］.Chicago：University of Chicago Press，1984.

［20］Griliches Z.Patents Statistics as Economic Indicators：A Survey［J］.Journal of Economic Literature，1990，28(4)：1661-1707.

［21］吳延兵.用DEA方法評測知識生產中的技術效率與技術進步［J］.數量經濟技術經濟研究，2008b，(7)：67-79.

［22］Pavitt K，Wald S.The Conditions for Success in Technological Innovation［R］.Pairs：OECD，1971.

［23］Bound，John，Clint Cummins，Zvi Griliches，Bronwyn H.Hall and Adam B.Jaffe.Who Does R＆D and Who Patent［A］?Griliches，Zvi(ed.).R＆D，Patent and Productivity［M］.Chicago：University of Chicago Press，1984.

［24］Seema S，Thomas V J.Inter-country R＆D Efficiency Analysis：An Application of Data Envelopment Analysis［J］.Scientometrics，2008，76(3)：483-501.

［25］ Griliches Z.R＆D and Productivity Slowdown［J］.American Economic Review，1980，70(1)：343-348.

［26］ Goto A，K Suzuki.R＆D Capital，Rate of Return on R＆D Investment and Spillover of R＆D in Japanese Manufacturing Industries［J］.Revies of Economics and Statistics，1989，(4)：555-564.

［27］朱平芳，徐偉民.政府的科技激勵政策對大中型工業企業R＆D投入及其專利產出的影響--上海市的實證研究［J］.經濟研究，2003，(6)：45-54.

［28］傅曉霞，吳利學.前沿分析方法在中國經濟增長核算中的適用性［J］.世界經濟，2007，(7)：56-66.

［29］王爭，史晉川.轉型時期中國工業生產績效的地區差異及波動性的解釋--基于隨機前沿生產函數的分析［J］.世界經濟文匯，2007，(4)：29-45.

［30］Wang E C.R＆D Efficiency and Economic Performance：A Cross-country Analysis Using the Stochastic Frontier Approach［J］.Journal of Policy Modeling，2007，(29)：345-360.

(本文責編：辛 城)

Study on the R＆D Innovation Efficiency of High-tech Industry in China

LI Xiang-dong1，2，LI Nan1，BAI Jun-hong3，XIE Zhong-qiu2
(1.School of Economics and Management，Nanjing University of Aeronautics and Astronautics，Nanjing 210016，China;2.Business School，Jiangsu Teachers University of Technology，Changzhou 213001，China;3.Business School，Nanjing Normal University，Nanjing 210046，China)

Based on the panel data of China’s high-tech industry during 1995-2006，this study conducted an empirical analysis on the R＆D innovation efficiency of high-tech industry by using the stochastic frontier analysis(SFA)and data envelopment analysis(DEA).Our results show that innovation efficiency of high-tech industry in China remains at a lower level，but it has been improving in recent years.The efficiency calculated by the DEA method is higher than the SFA method，but the latter is stabler;although the average efficiency value calculated by the SFA and DEA method is remarkable difference，but the order has a high uniformity;raising the R＆D innovation efficiency has a positive effect

on the economic performance of high-tech industry.

high-tech industry;R＆D innovation;innovation efficiency;calculation

F270;F127

A

1002-9753(2011)02-0052-10

2010-08-16

2010-10-15

江蘇省高校哲學社會科學基金項目(NO.09SJB790011);2010年江蘇省哲學社會科學基金項目(NO.10GLD024)

李向東(1972-)，男，江蘇常州人，副教授，南京航空航天大學經濟與管理學院博士生，研究方向：技術創新、產業安全。