中國人工智能產業技術創新效率評價分析
——基于DEA和Malmquist指數模型

凌 飛，胡登峰

(安徽財經大學 工商管理學院，安徽 蚌埠 233030)

人工智能的發展正在改變人類的生活方式[1]，多語言翻譯、智能病例處理、自動駕駛系統、人臉識別支付等人工智能技術的出現為大眾生活帶來諸多便利.自《中國制造2025》頒布后，中國政府將人工智能的發展作為未來產業轉型升級的重心，之后又推出一系列的相關政策.2019年中央全面深化改革委員會通過《關于促進人工智能和實體經濟深度融合的指導意見》[2]，旨在鼓勵人工智能企業的發展，推動制造業智能化，加快中國邁入工業4.0時代的步伐.另外，還實行“六大政策”，涉及人工智能的法律法規制定、安全監管、知識產權保護等方面[3]，為人工智能的發展提供了保障.據中國信息通訊研究院發布的數據顯示，2018年人工智能行業市場規模已超過300億元，預計2020年將達到710億元[4]，表明中國的人工智能產業已經步入發展快車道.但是中國人工智能產業的發展仍處于起步階段，數量上的快速增長不能等同于質量上的同步提升，需要進一步驗證其發展效率及資源配置的現狀，為尋找企業生產活動短板，深入推動人工智能產業健康發展提供現實參考依據.

1 文獻綜述

近年來，不少研究針對人工智能產業的發展效率展開.尤建新等從研發轉化與生產經營兩個階段出發，使用二階段DEA模型分析我國智能汽車企業運營效率，發現企業研發效率較低而生產經營效率較高[5].劉超等以我國37家人工智能上市公司為研究對象，對其融資效率進行測量，結果發現融資效率不高，大多數企業未達到DEA有效，主要是由規模效率低下引起的[6].黃俊等運用DEA-Tobit模型研究我國國產機器人企業研發效率及其影響因素，發現國產機器人R&D效率呈上升趨勢，企業經營規模和融資能力會對研發效率產生影響[7].侯志杰等基于中國人工智能上市企業的面板數據，采用Malmquist生產率指數方法，發現中國人工智能企業技術效率存在拖累效應，導致全要素生產率出現負增長[8].吳淑娟等也研究了我國智能企業的全要素生產率，得出相似結論，建議采取措施促進智能產業技術進步和規模擴大，加強企業管理[9].朱承亮等采用隨機前沿分析方法構建超越對數生產函數模型，實證測度了中國智能產業的技術效率，發現其技術效率水平低下，但保持緩慢的增長態勢，存在較大的增長空間[10].

不難發現，融資效率、全要素生產率等是人工智能產業發展效率研究中常見的評價指標，但關于技術創新效率評價的研究較少.技術創新是保障企業持續發展的基礎，技術創新效率能很好地反映企業研發活動的質量和水平，因此對人工智能產業技術創新效率進行測算具有很強的現實意義.目前，上市公司基本為各個行業發展的領導者，將人工智能產業的上市公司作為研究對象具有代表性和合理性.另外，DEA方法是學者們最常用的效率評測方法.故本文擬采用DEA和Malmquist指數方法，以中國人工智能產業的29家上市公司為研究對象，依據純技術效率、規模效率、綜合技術效率和效率變化程度對其技術創新活動進行評價，探討我國人工智能產業的創新能力及研發現狀，并在此基礎上提出相關建議.

2 研究方法、指標選取和數據來源

2.1 研究方法

2.1.1 DEA模型數據包絡分析(DEA)是一種常用的非參數效率評價方法，通過建立模型來評價研究對象多個投入、產出指標的相對效率，在評價相對效率方面有著重要地位[11].因為無需構建生產函數對參數進行估計，且不受投入產出量綱的影響.BCC模型是其比較常用的經典模型，它建立在規模報酬可變的前提下，能測算研究對象的純技術效率和規模效率.此外還可分別以產出和投入為導向來建立，投入導向型模型更易實現對投入指標的掌控而達到控制成本的目的.考慮到由于上市公司的企業規模和所處行業存在較大差異，且生產經營活動十分復雜，創新活動邊際收益具有不確定性，故本文選擇建立投入導向的BCC模型來評價上市公司的技術創新效率.

minθ

其中，xi、yi分別表示第i個樣本對象在技術創新活動中的資源投入量和成果產出量；s-和s+為松弛變量，用來反映資源配置的水平；θ為每個樣本公司的效率評價指數，能直觀判斷其是否有效.

2.1.2 Malmquist指數用DEA模型測算樣本公司的技術創新效率具有局限性，即僅能測出每年的靜態效率，無法對其技術效率、規模效率等的動態變化趨勢進行合理測算，此時需要引入Malmquist指數[12-13]來研究，用來測算t到t+1期間生產效率的變動情況，可表示為

其中，pech、sech、techch分別表示純技術效率變動、規模效率變動和技術進步變動；Mt， t+1表示全要素生產率的變動情況，若大于1，說明全要素生產率處于上升階段，反之則處于下降階段.

2.2 指標選取

本文通過總結前人的研究成果來確定指標，以確保技術創新效率評價結果的客觀性.在投入指標的選擇方面，韓東林、肖文等學者使用研發經費支出、研發人員數量研究技術創新效率[14-15]；熊阿珍和李健英選用科研經費占比、科研人數占比衡量研發投入的強度[16，19].在產出指標的選擇方面，韓東林使用新產品銷售收入、凈利潤和專利授權數反映公司技術創新的產出[14]；童澤望和任治分別引入企業營業收入總額和專利申請數[17，18]；李健英則使用營業收入、銷售增長率、專利申請數、利潤總額研究上市公司的創新績效[19].由于專利授權具有延遲性，授權數不能完全代表企業當年的專利產出量，故本文選擇專利申請數作為非收益性產出指標，又考慮到指標數據易獲取原則，最終指標選取結果見表1.

表1 我國人工智能產業上市公司技術創新投入產出指標

2.3 數據來源

由于萬得數據庫對我國上市公司行業類型有明確界定，因此本文依據其劃分標準，剔除數據殘缺的部分企業，最終確定29家人工智能上市公司的數據作為研究樣本(見表2)，研究期間為2014—2018年.樣本期公司申報專利數量來源于中國專利智能檢索系統專利之星，其他來源于公司年報和萬得資訊.

3 實證分析

3.1 靜態技術創新效率測算

本文使用DEAP2.1對樣本數據進行分析.表2展示了2014年和2018年人工智能上市公司技術創新效率評價結果，TE、PTE、SE分別為綜合技術效率、純技術效率和規模效率.

表2 人工智能產業上市公司2014和2018年技術創新效率

根據數據包絡分析理論，當綜合技術效率值(TE)為1時，表明結果為DEA有效，并且PTE和SE同時有效.2018年我國人工智能產業上市公司的綜合技術效率為0.571，較2014年的0.479有所提升，但總體還處于較低水平.其中，有6家公司DEA達到有效，分別為海康威視、浪潮信息、廣電運通、江南化工、軟控股份和勁拓股份，相比于2014年增加了兩家，技術創新水平已達到最佳，不存在投入冗余和產出不足的問題.2018年綜合技術效率在0.4～0.8的有7家，占總體的24.1%；低于0.4的有12家，占比為41.4%.由此可知，中國人工智能產業上市公司的技術創新水平較低，有65.5%的綜合技術效率水平低于0.8，技術創新方面的投入未得到充分利用.

從純技術效率(PTE)來看，2018年我國29家人工智能產業上市公司PTE均值為0.673，較2014年有所提高.其中有9家為1，除去TE值為1的6家，慈星股份、高樂股份、長高集團的PTE也達到有效，處于技術有效而規模無效的弱DEA有效狀態，其綜合技術效率的無效狀態是公司生產規模問題導致的.

從規模效率(SE)來看，2018年我國29家人工智能產業上市公司SE均值為0.813，高于同期PTE值.只有6家公司規模效率為1，現有資源得到充分利用，生產規模達到最優狀態.另外在23家非DEA有效的公司中，處于規模收益遞減的有5家，占非DEA有效的21.7%，它們在技術創新活動中投入過多資金和人員，造成部分資源未得到充分利用，造成資源浪費；處于規模收益遞增的有18家，占非DEA有效的78.3%，應該加大在技術創新活動中的投入并加以合理利用，擴大規模效益.

綜合而言，相較于2014年，2018年我國人工智能產業上市公司的SE值、PTE值和TE值都得到提升，表明各企業越來越重視技術創新活動，技術創新效率呈上升趨勢，但總體水平依然較低.

3.2 投入產出水平分析

為探究導致中國人工智能行業上市公司技術創新DEA無效的原因，本文進行松弛變量分析(見表3).

表3 2018年人工智能產業上市公司技術創新投入產出水平

從表3可知，有21家公司在技術創新中存在投入冗余和產出不足的問題，其中科大訊飛、景嘉微、北京君正、川大智勝等較為嚴重.另外，有19家存在投入冗余的問題，并且研發費用投入冗余比人員投入更嚴重，紫光國微、東方網力等只存在資金投入冗余，說明在技術創新活動中，研發費用額度的確定需要經過更謹慎地考慮，以免造成浪費.有14家存在產出不足的問題，東華軟件、東方網力等公司的專利產出不足，表明其研發水平較低，需提高研發人員的綜合素質和技術水平；科大訊飛、美亞柏科、賽為智能等只存在營業收入不足的問題，不存在專利產出不足，可能與公司的經營管理模式有關.總體而言，中國人工智能產業上市公司普遍研發資源投入不合理，亟待提高資源配置水平以提高技術創新效率.

3.3 Malmquist指數動態分析

運用DEAP2.1軟件，對2014—2018年我國29家人工智能產業上市公司的Malmquist生產指數進行測算和分解，結果如表4所示，全要素生產率及其分解指標變化趨勢如圖1所示.

表4 2014—2018年人工智能上市公司技術創新Malmquist指數

圖1 2014—2018年人工智能上市公司技術創新Malmquist指數變化趨勢

表4數據結果顯示，2014—2018年我國人工智能產業上市公司的技術創新效率表現為全要素生產率的波動上升，年平均增長率為0.4%，2016—2017年全要素生產率下降10.6%，2017—2018年上升9.5%.圖1顯示，Effch與Techch變化趨勢基本相同，表明全要素生產率主要受技術進步影響.從Pech的變化來看，2014—2018年我國人工智能產業上市公司的純技術效率增長率基本保持在1.012水平，年平均增加2.5%.從Sech的變化來看，2014—2016年這些公司的規模效率處于上升階段，而2016—2018年卻處于下降階段，但整體處于上升水平，年平均增加1.9%.純技術效率和規模效率的增長共同引起技術效率的增長，其年平均增長率為4.4%.綜合而言，中國人工智能上市公司的全要素生產率主要受技術進步變動影響，技術效率的“拉動效應”使得全要素生產率的增長率要高于技術進步，整體處于上升趨勢.

表5 人工智能上市公司技術創新Malmquist指數

從微觀角度探究我國人工智能產業技術創新的動態變化.表5結果顯示，在2014—2018年，有16家人工智能上市公司的全要素生產率呈上升趨勢，占樣本量的55.2%，其中科大訊飛增長幅度最大，增長率達到32.6%，美亞柏科、慈星股份、漢王科技等4家公司的增長動力是由其技術效率的增長來實現的，技術進步變化具有抑制作用；另外13家公司的全要素生產率呈下降趨勢，占44.8%，思創醫惠下降18%，下降幅度最大，機器人、中興電發、神思電子等的下降是由技術進步的下降造成的.總體而言，各人工智能上市公司全要素生產率增長差異明顯，全要素生產率的上升得益于技術效率的提高.

4 結語

本文使用DEA模型和Malmquist指數對2014—2018年我國人工智能產業29家上市公司的技術創新效率進行靜態和動態測算，結果表明：

第一，我國人工智能產業上市公司的技術創新效率差異較大且整體水平偏低.2018年僅有6家公司達到DEA有效，大部分處于無效狀態，TE均值為0.571，且PTE低于SE，說明PTE低是造成部分公司DEA無效的主要原因，企業的技術創新能力有待提高；第二，72.4%的公司存在投入冗余和產出不足的問題，技術創新活動的資源配置水平較低，并且資金投入冗余較人員投入更為嚴重，合理配置研發資金成為重點；第三，采用Malmquist指數進行測算和分解后發現，我國人工智能產業上市公司的全要素生產率呈上升趨勢，年均增長率為0.4%，2014—2018年全要素生產率變動幅度與技術進步的變動大致相同，但技術進步對其有“拖累效應”，全要素生產率的上升得益于技術效率的提高.因此，本文建議

首先，針對人工智能產業上市公司技術創新效率差異大且水平低的情況，政府應積極發揮分類指導作用.將技術創新效率高的公司作為龍頭企業培養，加大稅收和財政優惠力度，使其引領整個人工智能產業的發展.對于效率較低的企業，政府應積極鼓勵引進先進的科學技術和管理模式，提高純技術效率和整體創新水平.其次，各企業需要合理利用創新資源，提高資源配置能力，尤其要注意研發資金的投入，避免不必要的浪費.最后，針對我國人工智能企業存在技術效率驅動和技術進步抑制的現象，需在發揮技術效率“拉動效應”的同時，積極補齊技術進步的短板，促進技術進步和技術效率的雙驅動，提高企業的全要素生產率，從而保證公司技術創新效率的穩定增長.

本文選取我國人工智能產業的上市公司作為研究對象，探究了該產業技術創新效率的發展現狀，但由于相關數據不易獲取等原因而忽略了一些諸如大疆等非上市智能企業，而它們也屬于行業領導者，因此在樣本選取上存在不足之處，未來可以擴大樣本量加以分析，使研究結論更加全面.