中國高技術產業研發創新效率研究

代　明，劉可新，陳　俊

(暨南大學經濟學院，廣東　廣州　510632)

?

中國高技術產業研發創新效率研究

代明，劉可新，陳俊

(暨南大學經濟學院，廣東廣州510632)

摘要：本文利用雙前沿面數據包絡法，將評價單元分別同“最優”和“最差”的決策單元相比，對中國高技術產業的樂觀效率和悲觀效率進行測量，綜合結果由幾何平均效率表達。研究結果表明，中國高技術產業的研發創新效率普遍偏低，22個分產業的研發創新效率差異較大。中國高技術產業在保持投入的同時，應著重提升科技成果轉化能力。

關鍵詞：高技術產業；研發創新效率；雙前沿面數據包絡法

中國進入經濟轉型關鍵期，經濟結構急需優化升級，驅動方式也需從要素轉為創新，創新驅動是未來經濟發展的關鍵推動力。知識、技術和智力密集度高是高技術產業的顯著特點，且其創新也最為活躍。在2008年美國爆發次貸危機后，世界經濟大多處于疲軟狀態，高技術產業卻仍展現出強勁勢頭。2007年中國高技術產業主營業務收入49714億元,到2013年突破110000億元；產品出口額也由2007年的2870億美元增加到2013年5582億美元，現中國高技術產業產品出口額已為世界第一。但從貿易方式來看，中國高技術產業的出口仍以加工貿易為主，技術水平同研發能力仍處于較低水平。2013年中國試驗發展經費占總研發經費的84.6%，基礎研究和應用研究分別占4.7%和10.7%，研發投入比例顯著偏低。在中國研發資源不充足的情況下，科研投入產出效率的高低就十分重要。

以往測量高技術產業的研發創新效率主要基于經典DEA模型，評價有效的決策單元，其主要存在的問題是主觀因素過多，且經典的DEA模型，評價單元僅僅同“最優”的決策單元相比，得出“最優”的結果，分析較為片面。本文所使用的雙前沿面數據包絡法，是將評價單元分別同“最優”和“最差”決策單元相比，得出樂觀效率和悲觀效率。較經典DEA方法增加了對比分析，相對的減少了主觀因素，使結論更加可靠。

1文獻綜述

高技術產業研發創新效率的測量問題一直是研究的熱點，如朱有為、徐康寧利用隨機前沿生產函數測量了中國高技術產業的相對研發效率，得到結論為高技術產業研發效率整體偏低[1]；官建成、陳凱華基于松弛度和臨界效率模型對中國高技術產業的技術創新效率進行了實證分析，結果表明中國高技術產業技術創新效率普遍偏低[2]；劉川則利用三階段DEA對中國省際高技術產業創新效率進行測量，結果同樣表明中國高技術產業研發創新效率偏低[3]。黃貴寶運用數據包絡法和空間計量測量了中國省際高技術產業的創新效率，結果表明創新效率總體呈上升趨勢，但研發和規模效率仍處于較低水平[4]。

相對于DEA模型中的其他方法的廣泛應用，雙前沿面數據包絡法是DEA家族中的年輕成員，應用較少，對高技術產業研發創新效率的測量就更少。Parkan和Wang基于傳統的DEA模型，提出了悲觀效率模型，并從悲觀的角度測量決策單元的效率[5]；隨后Entani等融合樂觀、悲觀視角研究決策單元的綜合效率[6]；Wang和Chin基于雙前沿面數據包絡法來選擇高技術產業[7]；Wang和Lan運用雙前沿面數據包絡法測量Malmquist生產力指數[8]。

2研究方法

Charnes、Cooper和Rhodes創建了DEA模型，該模型是評價一組決策單元相對效率的非參數方法[9]。經典DEA模型是同“最優”單元相比得到相對效率，即當產出保持不變的情況下，投入可等比例降低的最大幅度，此效率即為樂觀效率，效率值為1時位于有效前沿面上。Parkan和Wang最先從悲觀角度測量決策單元的相對效率[5]。在投入導向模型中，悲觀效率是在產出保持不變的情況下，投入可等比例增加的最大幅度，也就是同“最差”的決策單元相比所得的效率值，效率值為1時位于無效前沿面上。雙前沿面數據包絡法為同時考慮樂觀、悲觀效率的測量方法，雙前沿面由有效前沿面和無效前沿面構成。Wang和Chin提出幾何平均效率，將樂觀和悲觀效率結合起來綜合分析[10]，完善了雙前沿面數據包絡法。

2.1　樂觀模型

樂觀模型基于CCR模型，CCR是通過產出投入的比例測量其相對效率。假設存在n個決策單元，每個決策單元都有m種投入、q種產出，用xij表示第j個決策單元對第i種輸入的投入量，yrj表示第j個決策單元對第r種輸出的產出量。分別用vi(i=1,2,…,m)和ur(r=1,2,…,q)代表投入和產出的權重。評價單元j的產出投入比為:

(1)

式中一定存在適當的權重，滿足θj≤1。對式(1)加入限制條件，則模型轉變為:

(2)

模型是規模報酬不變的，若u*和v*是式(2)的一對最優解，則對任意t>0，tu*和tv*同樣是其最優解。因此需將模型(2)轉化為線性模型：

ur,vi≥0,r=1,…,q;i=1,…,m.

(3)

其對偶模型為

(4)

模型(4)的目標函數的最優解為θ*，1-θ*表示在技術水平保持不變的情況下，被評價的DUMO在產出水平不變的條件下，其投入能夠縮減的最大程度。θ*越小，表示投入可以縮減的幅度越大，投入利用度越低。若θ*=1，DUMO位于有效前沿面上，在不改變產出的條件下，其各項投入沒有等比例下降的空間，處于技術有效的狀態OE；小于1則表明決策單元處于無效率狀態ON，在不減少產出的情況下，其各項投入可以以(1-θ*)比例降低。

2.2　悲觀模型

悲觀效率模型為在不增加產出的條件下，其投入能等比例增加的最大幅度，即同“最差”的決策單元相比的相對效率。悲觀效率模型由Parkan和Wang提出[5]:

(5)

悲觀效率模型也是非線性的，存在無窮多個最優權重解，也需將非線性規劃模型轉換成線性模型：

(6)

其對偶模型如下：

maxφ

r=1,…,q;i=1,…,m;j=1,…,n.

(7)

模型(7)目標函數的最優解為φ*，φ*-1為在當前技術保持不變的情況下，被評價的DUMO在不提高產出的條件下，其投入能增加的最大幅度。若φ*=1，DUMO位于無效前沿面上，即在不提高產出的條件下，其各項投入沒有等比例上升的空間，為無效狀態PI。當φ*>1，決策單元處于技術非無效狀態PN，即在不提高產出的情況下，其各項投入可以以(φ*-1)比例增加。φ*越大，表明投入可以增加的幅度越大，效率越高。

2.3　幾何平均效率

樂觀、悲觀效率模型測量方法和分析角度不同，所得效率的排序結果大多也不相同。同時考慮樂觀、悲觀模型增加了結論客觀性和可靠性。模型為：

(8)

幾何平均效率同時包含樂觀和悲觀效率，因此可將其作為雙前沿面數據包絡法測量的效率。

3實證分析

3.1　數據和指標的選擇與處理

本文根據《中國高技術產業統計年鑒》的分類標準，將高技術產業分為五大類產業，即醫藥制造業，航空、航天器及設備制造業，電子及通信設備制造業，計算機及辦公設備制造業，醫療儀器及儀器儀表，共22個分支產業。本文根據Sharma、Thomas[11]和白俊紅等[12]的研究，選取高技術產業R&D項目經費和R&D人員數量作為投入指標，有效發明專利數和新產品銷售收入作為產出指標。其中有效發明專利數代表了知識產出的情況，而新產品銷售收入表示研發創新的經濟產出情況。

采用2012年數據，數據來源于《中國科技統計年鑒》和《中國高技術產業統計年鑒》。運用MATLAB(2012)軟件對數據進行樂觀、悲觀效率的測量，運用Excel計算幾何平均效率(見表1)。

表1　中國高技術產業的研發創新效率

3.2　樂觀模型結果分析

樂觀模型測量結果表明電子器件制造L和其他電子設備制造Q為OE，其他分產業為ON。L和Q的樂觀效率要優于其他分產業，投入轉化為產出的能力高于其他產業。22個分產業的相對樂觀效率值的大小：DUML>DUMQ>DUMB>DUMK>DUMA>DUMV>DUMP>DUMD>DUMU>DUMC>DUMJ>DUMO>DUMM>DUMF>DUMG>DUME>DUMN>DUMI>DUMH>DUMR>DUMT>DUMS。樂觀效率值最小的決策單元為計算機外圍設備制造產業，效率值為0.115，遠遠低于1。樂觀效率平均數為0.475，中位數為0.409，中位數小于平均數，效率值多數分布在平均數左側。多數分產業研發創新的樂觀效率普遍偏低，產業間樂觀效率值相差較大(見表1)。

3.3　悲觀模型結果分析

悲觀模型測量結果表明航天器制造E為PI，其他產業為PN，航天器制造業無效投入比例最大。22個分產業悲觀效率的大小為：DUMR>DUMF>DUMK>DUML>DUMH>DUMI>UMB>DUMS>DUMM>DUMT>DUMA>DUMV>DUMO>DUMG>DUMQ>DUMN>DUMC>DUMU>DUMJ>DUMP>DUMD>DUME。悲觀效率值最大是計算機整機制造產業14.632，其次是通信設備制造5.183，二者相差很大，悲觀效率分布存在異常值。悲觀效率值的平均數為3.580，中位數3.135，中位數小于平均數，位于平均數左側的產業偏多。多數產業研發創新的悲觀效率偏低，存在異常偏大值(見表1)。

3.4　幾何平均效率分析

幾何平均效率最高的是電子器件制造產業2.018其樂觀效率同樣也最高，其次計算機整機制造悲觀效率最高，但其樂觀效率僅為0.241，因此只考慮樂觀或悲觀效率所得結果并不全面。幾何平均效率值由大到小為：DUML>DUMR>DUMK>DUMB>DUMQ>DUMA>DUMV>DUMF>DUMP>DUMM>DUMO>DUMU>DUMI>DUMH>DUMC>DUMG>DUMJ>DUMN>DUMD>DUMS>DUMT>DUME。其中有14個分產業的幾何平均效率值分布在1.0～2.0之間，平均數1.195，中位數1.078，中位數小于平均數，同樣多數分布在平均數左側。產業研發創新效率普遍偏低，且與只考慮樂觀或悲觀的結果存在較大差異(見表1)。

3.5　效率分布圖分析

以分產業的樂觀、悲觀效率平均數0.475和3.580為界，將圖1分為L-L、L-H、H-H、H-L四區。L-L區的樂觀、悲觀效率值均小于平均數，分產業密集分布在L-L區，共含10個分產業，幾何效率值的排序均在10之后，L-L區研發創新效率偏低，資源利用率低，存在著粗放式投入。L-L區存在很大的改善空間，在保持投入的同時，應著重提高利用率。L-H區樂觀效率高于平均數，悲觀效率低于平均數，共含6個分產業，幾何平均效率排序集中在4～9名。L-H區分產業在保持產出不變條件下，投入可等比例減少程度低，等比例增加的程度也較低，因此增加投入對研發產出會有較為明顯的影響。H-H區中分產業的樂觀、悲觀效率值均高于平均數，含2個分產業，均屬于電子及通信設備制造業，H-H區研發資源得到了較為充分的利用，科技成果的轉化能力較強，促進H-H區分產業發展，應著重于增加投入。H-L區悲觀效率高于平均數，樂觀效率低于平均數，H-L區研發創新效率不理想在較大程度上受資源投入不足和資源利用率低的影響，提升H-L區研發創新效率即需保證投入，同時要注意研發資源的利用情況(見圖1)。

3.6　高技術五大產業總體研發創新效率分析

醫藥制藥業幾何平均效率最高為1.429；航空、航天器及設備制造業的效率最低0.687，醫藥制造業的效率是其2.08倍，研發創新效率存在很大差異。五大產業中，研發創新效率由大到小依次為醫藥制造業、電子及通信設備制造業、醫療儀器設備及儀器儀表、計算機及辦公設備制造業和航空、航天器及設備制造業。

五大產業中計算機及辦公設備制造業的分產業平均數偏低且標準差最大，效率偏低但存在異常大值，其中最高效率為計算機整機制造的1.878，而另兩個分產業的效率只有0.6多，相差超過2倍。而標準差最小的為航空、航天器及設備制造業，其平均數也最小，其分產業效率普遍偏低，研發效率還存在很大的改善空間(見表2)。

表2　高技術五大產業幾何平均效率

4結論與建議

中國高技術產業研發創新的樂觀、悲觀和幾何平均效率均偏低，研發效率水平偏低，投入未得到充分的利用，結論與官建成等運用松弛度和臨界效率測量模型所得結論相同[2]。原因猜想：一是中國還未形成完善的研發創新市場環境；二是現存的管理制度不能有效地促進研發創新和自主創新的發展；三是未形成自主的創新模型；四是創新型人才的缺乏。中國高技術產業間研發創新效率差異較大，五大類產業效率相差同樣較大，差異較大可能主要由于是各產業自身特征不同，研發資源分配存在不合理的原因。

基于以上結論，本文提出以下建議，一是深化科研管理體制，提升科技成果轉化的能力，減少研發投入浪費；二是在制定相關政策時，可結合分產業研發創新效率差異，采取有針對性的措施，優化資源配置和空間布局；三是加快經濟結構調整，促進產業升級，高技術產業的研發創新效率的提升同經濟結構調整和產業升級二者相輔相成，互為促進。四是加強培育企業的自主研發能力，營造良好的創新氛圍，使企業勇于研發創新，鼓勵其積極參與國際合作與競爭。

參考文獻：

[1]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.

[2]官建成,陳凱華.中國高技術產業技術創新效率的測量[J].數量經濟技術經濟研究,2009(10):19-33.

[3]劉川.中國高技術產業研發創新效率研究[J].工業技術經濟,2012(12)19-25.

[4]桂黃寶.中國高技術產業創新效率及其影響因素空間計量分析[J].經濟地理,2014(6):100-107.

[5]PARKAN C，WANG Y M.Worst efficiency analysis based on inefficient production frontier[J].Information sciences 2000,175(1-2):20-29.

[6]ENTANI T，MAEDA Y，TANAKA H.Dual models of interval DEA and its extension to interval data[J].European journal of operational research，2002(136):32-45.

[7]WANG Y M，CHIN K S.A new approach for the selection of advanced manufacturing technologies DEA with double frontiers[J].International journal of production research,2009(47):6663-6679.

[8]WANG Y M，LAN Y X.Measuring malmquist productivity index:a new approach based on double frontiers data envelopment analysis[J].Mathematical and computer modelling,2011(54):2760-2771.

[9]CHARNES A，COOPER W W，RHODES E.Measuring the efficiency of decision making units[J].European journal of operational research，1978(2):429-444.

[10]WANG Y M，CHIN K S，YANG J B.Measuring the performances of decision making units using geometric average efficiency[J].Journal of the operational research society，2007(58):929-937.

[11]SHARMA S，THOMAS V J.Inter-country R&D efficiency analysis:application of data envelopment analysis[J].Scientometrics,2008(76):483-501.

[12]白俊紅,江可申,李婧.中國區域創新系統創新效率綜合評價及分析[J].管理評論,2009(9):3-9.

(責任編輯劉傳忠)

R&D Efficiency of High Technology Industries in China Dai Ming,Liu Kexin,Chen Jun

(College of Economics，Jinan University，Guangzhou 510632，China)

Abstract：In this paper，by using DEA approach with double frontiers，the evaluation units were divided into“optimal”and“worst”，China’s high-tech industries optimistic and pessimistic efficiency were measured and the comprehensive results were expressed by the geometric average efficiency.According to the analysing results，Chinese high-tech industries’ R&D efficiency was low.Besides，the R&D gap between 22 subdivision industries was large.The study suggested that while maintaining the investment，Chinese high-tech industry industries should focus on improving the ability to transform scientific and technological achievements.

Key words:High-tech industry；R&D efficiency；DEA approach with double frontiers

中圖分類號:F062.9

文獻標識碼:A

作者簡介：代明(1955-)，男，重慶人，教授，博士生導師；研究方向：產業經濟與區域經濟。

收稿日期:2015-05-21

基金項目：廣東省軟科學重點引導項目(2011B070300066)，廣東產業發展與粵港澳臺區域合作研究中心項目“兩岸及粵臺研發產業比較與合作研究”(52702481)。