基于DEA的我國R&D知識轉化效率評價研究

尹極+鄧乾旺+李衛明+崔巍

〔摘 要〕知識轉化效率影響知識的決策與發展，文章選取研究與開發機構（R&D）領域知識為研究對象并構建指標體系，以2002-2011共10年間數據為面板數據，按照經濟發達程度將全國30個地區劃分為5個區級，基于數據包絡分析（BCC-DEA）方法對R&D知識轉化效率進行區域維度的靜態研究，基于DEA-Malmquist指數法對R&D知識轉化效率進行區域及時間雙重維度的動態研究。根據測度結果分析各區級R&D知識轉化情況并得出各區域R&D知識轉化效率平均值排名。

〔關鍵詞〕數據包絡分析；R&D知識；轉化效率；全要素生產率

DOI：10.3969/j.issn.1008-0821.2015.07.031

〔中圖分類號〕G302 〔文獻標識碼〕A 〔文章編號〕1008-0821（2015）07-0162-05

〔Abstract〕This paper concentrated on R&D knowledge and established an index system to evaluate its conversion efficiency，in which the panel data of ten years are selected and thirty districts in China are divided into five regions depending on economic development degree.Then a static analysis on conversion efficiency of R&D knowledge was made from the region dimension via BCC-DEA method，while a dynamic research was carried in the double dimensions of region and time by utilization of the Malmquist-DEA method.Based on the results，conversion situations of R&D knowledge in different regions are analyzed and the ranking of average value of conversion efficiency is obtained.

〔Key words〕data envelopment analysis；knowledge of R&D；conversion efficiency；total factor productivity

隨著經濟時代的到來，“知識”已經成為社會發展、企業興廢的重要資源，對于知識的研究已然成為熱點。一些文獻對知識轉化效率進行了研究，王毓軍等[1]從投入角度對知識創新過程對我國東西部區域知識配置效率、成本效率進行分析；李建華等[2]選取1998-2005年我國30省份為對象進行區域維度（東、中、西部）的知識生產效率及變化率的測度；馮堯[3]運用DEA-Malmquist指數法選取我國1999-2008年間高新技術產業科技成果作為對象從區域（東、中、西部）、時間維度進行轉化效率研究；陳偉等[4]運用DEA-Malmquist指數法從區域維度（省級）、時間維度對2005-2010年間我國知識密集型產業專利創新績效進行分析；吳延兵[5]運用DEA-Malmquist指數法選取我國大中型工業企業數據為樣本，從區域維度（省級）進行技術效率的分析；郭淑芬等[6]選取20家文化產業上市公司為研究對象，運用超效率DEA模型及Malmquist指數法進行公司績效評價分析。在轉化效率的研究中，很多學者選用科學研究中非常重要的一個指標“R&D”為研究對象，部分文章選取我國多個地區為研究樣本[7-8]，針對1年或幾年的R&D數據開展對每個區域（東、中、西部或省市地區）的效率分析；也有部分學者選擇某個?。ɑ蚴校10-11]，針對1年或幾年的R&D數據，進行R&D效率的研究；也有部分學者針對不同領域如制造業R&D[12]、高新區或高新技術產業R&D[15]，運用DEA方法進行R&D效率測度與分析。

基于以上分析，由于“R&D”具備“知識”的衡量特點，故本文將“R&D”與“知識”相結合，從知識角度選取研究對象為“R&D知識”，合理構建投入產出指標體系；以2002-2011共10年間我國5個區級（30個地區）“R&D知識”投入產出數據為面板數據；采用BCC-DEA模型——DEA-Malmquist模型雙階段分析方法，從區域、空間雙重維度進行“R&D知識”的轉化效率及效率變化情況分析；在分析思路上，對于區域的分析結合地區經濟發達情況進行5個區級的劃分，進而對2002-2011年間我國“R&D知識”轉化效率進行全面、客觀、獨特的分析研究。

1 指標選取與數據來源

11 指標選取

對于知識的研究，不僅要考慮知識的效果（即知識的產出），對于知識的投入（即知識的成本）分析也至關重要。為了更好地對知識的轉化效率進行研究，合理選取R&D知識投入與產出指標并構建出指標體系，本文根據所選研究對象R&D知識的情況，參考和整理了大量文獻并通過對“中國知網”等網站相關可能指標詞的出現頻次進行匯總，分析出R&D知識的投入主要包括人力成本及資金成本，R&D知識的產出主要包括對衡量知識產出成果（如課題、專利、論文及合同等）的分析，最終選取具有代表性的指標形成相對全面、客觀的R&D知識投入產出指標體系，該指標體系構建如圖1。

投入指標（2個）：R&D人員全時當量（人年）、R&D經費支出（萬元）。

產出指標（4個）：課題數（個）、專利申請授權數（件）、論文數（篇）、國外技術引進合同數（件）。endprint

12 數據來源

本文選用數據均來源于《中國科技統計年鑒》，包括2002-2011年10年間全國30個地區（不含港澳臺及西藏）關于R&D知識的投入與產出數據。由于對知識的整理具有延后性，故本文通過對《中國科技統計年鑒》中相關數據進一步整理，最終根據2個投入、4個產出指標進行了面板數據匯總。

2 研究方法與模型

21 DEA基礎模型

DEA方法針對具有投入產出的決策單元（DMU）進行分析評價，用來比較各決策單元之間的規模收益及相對效率，顯示其最優值（投影值）。DEA方法最常用的有CCR模型和BCC模型。

BCC模型評價的是在可變規模報酬（VRS）條件下的決策單元相對效率。模型分為輸入導向模型和輸出導向模型，本文使用輸出導向（output-BCC模型）模型。

選取我國30個區域為決策單元，即n=30，設n個決策單元DMUj（j=1，2，…，n），決策單元與區域對應關系見表1。

某一決策單元DMUj的輸入Xj、輸出Yj；每一決策單元有m個輸入，即m=2，Xij：i=1，2，…，m，s個輸出，即s=4，Yrj：r=1，2，…s。Xj1為第j個決策單元的“R&D人員全時當量（人年）”輸入值，Xj2為第j個決策單元的“R&D經費支出（萬元）”輸入值，Yj1為第j個決策單元的“課題數（個）”輸出值，Yj2為第j個決策單元的“專利申請授權數（件）”輸出值，Yj3為第j個決策單元的“論文數（篇）”輸出值，Yj4為第j個決策單元的“國外技術引進合同數（件）”輸出值，XjYj構成知識轉化過程。ωj為第j個決策單元的權重，maxδ0為所求轉化效率最大值。

本文運用BCC—DEA模型進行轉化效率的測度分析，故在此不再介紹CCR—DEA模型。

22 DEA-Malmquist指數模型

Malmquist指數法是運用“距離函數”來描述多個輸入變量和多個輸出變量的模型，距離函數Dn（x，y）∶Dn（X，Y）=min{δ∶（Y/δ）∈p（x）}，其中p（x）為可能R&D知識轉化過程集合，δ為R&D知識輸出效率指標。輸出變量的距離函數Dn（x，y）可以測定t時期技術條件下，從t到（t+1）時期的整體R&D效率變化情況；在t時刻的Malmquist指數為：Mtn（xtn，ytn，xt+1n，yt+1n）=Dtn（xt+1n，yt+1n）/Dtn（xtn，ytn），在（t+1）時刻的Malmquist指數為：Mt+1n（xtn，ytn，xt+1n，yt+1n）=Dt+1n（xt+1n，yt+1n）/Dt+1n（xtn，ytn），將t時刻及（t+1）時刻指數取幾何平均值，即可作為從t時期到（t+1）時期的Malmquist生產率指數：Dt+1n（xtn，ytn，xt+1n，yt+1n）=Dtn（xt+1n，yt+1n）Dtn（xtn，ytn）×Dt+1n（xt+1n，yt+1n）Dt+1n（xtn，ytn）1/2；Malmquist指數可分解為技術效率變化指數（EC）和技術進步指數（TP）：Mt+1n（xtn，ytn，xt+1n，yt+1n）=EC×TP=Dt+1n（xt+1n，yt+1n）Dtn（xtn，ytn）×Dtn（xt+1n，yt+1n）Dt+1n（xt+1n，yt+1n）×Dtn（xtn，ytn）Dt+1n（xtn，ytn）1/2；EC從t到（t+1）時期決策單元DMU對最優知識活動前沿的追趕程度，TP衡量的是從t到（t+1）時期最優知識活動前沿面的變化情況。

該部分針對區域維度的橫向研究中選取我國30個區域為決策單元，即n=30，設n個決策單元DMUj（j=1，2，…，n）；具體DMUj情況與BCC-DEA方法同；針對時間維度的橫向研究中選取我國2002-2011年共10年間9個年度為決策單元，即n=9，DMU2=2002-2003，DMU3=2003-2004，DMU4=2004-2005，DMU5=2005-2006，DMU6=2006-2007，DMU7=2007-2008，DMU8=2008-2009，DMU9=2009-2010，DMU10=2010-2011；X代表輸入，Y代表輸出，兩個維度分別有2個輸入指標（即m=2）和4個輸出指標（即s=4），輸入及輸出情況與BCC-DEA方法中相同。

3 研究與開發機構R&D知識轉化效率研究

為全面分析研究2002-2011年10年間我國30個地區的R&D知識的轉化效率，選取全國30個地區為決策單元，參照2014年最新公布的一線城市、二線城市、三線城市名單，依據城市所在地區（就高原則）屬于一線城市、二線發達城市、二線中等發達城市、二線發展較弱城市、三線城市劃分為五級區域，側重于所在地區進行橫向對比分析。

同時，在Malmquist指數分析中還就10年間效率變化進行時間維度的縱向分析，具體分析如下。

31 基于BCC-DEA方法的靜態分析研究

為對2002-2011年10年間我國30個地區的R&D知識的轉化效率進行靜態分析，該部分選用輸出導向的BCC—DEA模型，應用軟件為DEAP 21。測度結果見表2（第3～7列）。

綜合技術效率為規模報酬不變的效率值，純技術效率為規模報酬可變的效率值，綜合技術效率等于純技術效率與規模效率之積。

基于表2，形成分區域的平均規模效率值見圖2，結合表2及圖2，針對2002-2011年10年間全國30個地區的BCC—DEA測度情況，分析如下：

①一級區域、二級區域、三級區域、四級區域、五級區域規模效率均值分別為0666、0898、0723、0823、0870，轉化效率按照二級區域、五級區域、四級區域、三級區域、一級區域依次遞減，說明在相關資源的協調中，二級區域最合理，一級區域相對比較欠缺。endprint

2 各區級平均規模效率

②五級區域30個地區綜合技術效率、純技術效率、規模效率總均值分別為0621、0736、0814，其中二級區域、四級區域、五級區域規模效率平均值在總規模效率平均值以上，一級區域、三級區域規模效率平均值在總規模效率平均值以下。

③全部30個地區只有浙江（二級區域）規模效率為1，說明浙江的R&D知識轉化效率最優；規模效率排名在后三位的依次是北京（排名30、一級區域）、四川（排名29、三級區域）、陜西（排名28、三級區域），可見知識效率的轉化與區域發達級別沒有明顯的關聯，合理優化資源的投入產出結構，才會獲得轉化效率的最優。

④從2011年規模報酬來看，只有天津（一級區域）、青海（五級區域）實現了規模報酬遞增，上海等9個地區處于規模報酬不變狀態，其余19個地區均處于規模報酬遞減狀態。

32 基于DEA-Malmquist指數法的動態分析研究

由于DEA方法可以對研究對象的轉化效率進行靜態研究，為了更全面地分析轉化效率動態變化情況，使用Malmquist方法進行R&D知識的第二階段研究（包括基于區域維度的橫向分析及基于時間維度的縱向分析）。該方法的運用可以得出效率值變化（eff）、技術變化（tech）、純技術效率變化（pe）、規模效率變化（se）及全要素生產率變化（tfp）5個重要參數及對應不同測度單元的測度值。其中全要素生產率變化指系統產出價值與全部投入價值之比，反映出生產或制造過程中全部生產要素綜合生產率水平，效率值變化為技術變化與純技術效率變化之積，全要素生產率變化為效率值變化與技術變化之積。本文使用產出導向的Malmquist指數模型，通過對10年全國5個區級30個地區的R&D知識的測度，對不同地區及不同年份的測度情況進行分析。所用軟件為DEAP 21。

321 區域維度橫向分析

該部分選取全國30個地區為決策單元，按照劃分的五級區域，側重于所在區域及地區間進行橫向對比分析，測度結果見表2（第8～13列）。

基于表2，針對2002-2011年10年間全國30個地區的全要素生產率變化情況，分析如下：

①其中遼寧、吉林、江蘇、浙江、湖北、湖南、四川、陜西8個地區測度值均大于1，說明該部分地區在10年間平均變化值是增長的；其余地區測度值均小于1，說明該部分地區在10年間平均變化值是下降的。

②按照區域等級分析，只有二級區域的全要素生產率變化平均值大于1，說明該區域地區在2002-2011年間平均變化值是增長的；其他區域全要素生產率變化平均值均小于1，說明該區域地區在10年間平均變化值是下降的。各區域全要素生產率變化平均值排名依次為二級區域（1012）、一級區域（0976）、三級區域（0975）、四級區域（0920）、五級區域（0888）。

③二級區域測度平均值結果效率值變化（1011）、技術變化（1000）、純技術效率變化（1004）、規模效率變化（1007）、全要素生產率變化（1012）全部大于1，說明該區域在10年間平均變化值是增長的，效果最優。

322 時間維度縱向分析

運用Malmquist指數模型測算結果除以上各區域的效率變化情況外，還反饋了2002-2011年10年間各效率值變化的時間維度情況，由于比較的是第（t+1）年與第t年的情況，故測度結果展示為第2～10共9個決策單元的情況，見表3。

基于表3，針對2002-2011年全國30個地區R&D知識時間維度變化值測度結果，分析如下：

①第3、第5、第6、第7、第9決策單元全要素生產率變化值均大于1，即2003-2004年、2005-2006年、2006-2007年、2007-2008年、2009-2010年這5年度效率變化值效果良好，后一年均較前一年有所增長，特別是2005-2008年幾年間實現了持續增長。其余幾個年度全要素生產率變化值均小于1，說明后一年較前一年比較生產率變化有所下降。

②第9決策單元即2009-2010年度效率值變化（1056）、技術變化（1059）、純技術效率變化（1032）、規模效率變化（1024）、全要素生產率變化（1119）全部大于1，說明該年度在各項變化值都是增長的，效果最優。

③第8決策單元即2008-2009年度全要素生產率變化值為0438，表明2009年較2008年測度值下降幅度非常大，且主要體現在技術變化值為0362，及時調整R&D知識的投入產出結構，因此2009-2010年度實現各項測度值均大于1。

4 結束語

本文選取2002-2011年全國30個地區R&D知識作為研究對象，合理構建“R&D知識”投入產出指標體系；對于區域的分析依據區域經濟發達程度將所有區域劃分為5個等級，在此基礎上，運用DEAP 21軟件，采用輸出導向的BCC-DEA模型——DEA-Malmquist模型對“R&D知識”的轉化效率進行雙重階段分析；在DEA-Malmquist方法運用中從區域維度、空間維度進行“R&D知識”的雙重維度轉化效率分析；較為全面的實現對2002-2011年間我國“R&D知識”轉化效率的分析研究。基于分析結果，為促進各地區R&D知識的穩定發展，提高知識轉化效率，提出以下建議：通過R&D知識轉化效率的橫向分析，一級區域及三級區域的規模效率均值未達到5個區級的平均值，說明這兩個區級的R&D知識轉化情況不夠理想，R&D知識的投入與產出不夠合理，因此建議該部分區域及時分析造成知識轉化效率低下的原因，不斷完善R&D知識資源分配機制，合理規劃資源投入；通過R&D知識轉化效率的縱向分析，R&D知識各年度之間的效率增長不夠平穩（如2009年較2008年測度值下降幅度較大），因此建議優化知識結構，調整知識布局，確保知識轉化效率平穩增長；在同一個區級中，不同地區的知識轉化效率差距較大（如全要素生產率排名中第三區級所有地區最高排名為第3名，最低排名為第30名），說明在同一經濟發達維度中缺少相互的知識共享，因此建議加強R&D知識管理經驗的學習交流，加強知識的共享互利，從而實現各地區知識轉化效率的優化。endprint

參考文獻

[1]王毓軍，梁芳，李志學.東西部地區知識創造過程投入要素配置效率的比較研究[J].科技管理研究，2011，31（2）：190-192.

[2]李建華，劉玲利.我國區域知識生產效率測度研究[J].情報科學，2007，25（5）：655-659.

[3]馮堯.基于DEA方法的我國高技術產業科技成果轉化效率研究[J].學術交流，2011，（3）：101-105.

[4]陳偉，沙蓉，張永超，等.我國知識密集型產業專利創新績效評價研究——基于DEA—Malmquist指數方法[J].管理評論，2013，（8）：39-45，53.

[5]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，2008，25（7）：67-79.

[6]郭淑芬，郝言慧，王艷芬.文化產業上市公司績效評價——基于超效率DEA和Malmquist指數[J].經濟問題，2014，（2）：75-78.

[7]申菊梅，趙建斌.基于DEA的我國區域R&D效率比較研究[J].科技管理研究，2009，（10）：92-94.

[8]李偉紅，胡寶民.基于Malmquist方法的我國區域R&D投入效率比較研究[J].工業技術經濟，2011，（8）：33-38.

[9]Raab R A，Kotamraju P.The Efficiency of the High-Tech Economy：Conventional Development Indexes Versus a Performance Index[J].Journal of Regional Science，2006，46：545-562.

[10]時鵬將，許曉雯，蔡虹.R&D投入產出效率的DEA分析[J].科學學與科學技術管理，2004，25（1）：28-30.

[11]穆智蕊.基于超效率DEA模型的北京R&D投入績效評價[J].科技進步與對策，2012，29（5）：117-120.

[12]夏維力，鐘培.基于DEA-Malmquist指數的我國制造業R&D動態效率研究[J].研究與發展管理，2011，23（2）：58-66.

[13]葉麗莎，王學東，方婧.網絡信息資源知識發現機理研究[J].現代情報，2014，34（8）：160-163.

[14]周義剛.語義網下的動態知識管理相關研究述評[J].現代情報，2014，34（9）：166-170.

[15]陳金曉.超效率數據包絡分析模型與評價方法的改進研究[D].浙江大學，2011.

[16]陳仲常，張澤東.我國不同所有制工業企業全要素生產率比較研究——基于Malmquist指數的實證分析[J].工業技術經濟，2011，（1）：13-19.

（本文責任編輯：郭沫含）endprint