中國新能源汽車上市公司創新效率測度及影響因素研究

韓斌 馮筱偉 蘇屹 梁德智

摘 要：以187家中國新能源汽車上市企業為研究對象，在剔除環境因素對企業創新效率影響的基礎上，采用三階段DEA模型分析新能源汽車上市企業創新效率，并從企業自身特征角度，采用Tobit模型對企業創新效率的影響因素進行分析。研究表明，在考慮環境因素的情況下，新能源汽車企業整體創新效率呈現“N”型發展趨勢，規模效率是制約新能源汽車企業創新效率提升的關鍵因素；企業規模、專利存量與企業創新效率正相關，與研發活動密切相關的研發人員和研發支出均對企業創新效率存在積極作用，但研發支出對企業創新效率的正向作用不顯著，政府補助強度與企業創新效率負相關。鼓勵新能源汽車企業兼并重組、完善政府補助評價機制以及建立新能源汽車企業協同創新平臺是提高新能源汽車企業創新效率的關鍵措施。

關鍵詞：新能源汽車；創新效率；三階段DEA；Tobit面板模型

DOI：10.6049/kjjbydc.2021090205

中圖分類號：F426.471

文獻標識碼：A

文章編號：1001-7348（2023）06-0110-11

0 引言

近年來，面對氣候變化和能源危機的雙重發展問題，培育壯大新能源產業、實現可持續發展成為各國發展的重要目標。新能源汽車具有低碳綠色、可再生等特點，有助于緩解環境壓力，在我國越來越受到重視，并被列為戰略性新興產業之一，成為實現我國汽車產業低碳轉型的重要發展方向。國家工信部、發改委、科技部印發的《汽車產業中長期發展規劃》提出，通過鼓勵新能源汽車技術創新和商業化發展，加快汽車產業轉型升級進程。近年來，為促進我國新能源汽車產業良性發展，政府、新能源汽車企業逐漸加大新能源汽車創新資源投入，以提高新能源汽車創新產出。但隨之而來的是新能源汽車創新產出邊際遞減問題，傳統的高投入、高產出模式可能不再適用。相應地，企業創新產出邊際遞減與創新投入邊際成本遞增的內在規律，可能會抑制新能源汽車企業創新效率提升。在此背景下，測度分析新能源汽車企業創新效率及其影響因素，促進新能源汽車高效創新成為政府、學者重點關注的問題。

效率是衡量企業創新情況的常見指標，一直是學者關注重點。創新效率可以通過決策單元相對于生產前沿的位置進行衡量，生產前沿可以通過參數法和非參數法確定，其中參數法主要包括隨機前沿分析（Stochastic Frontier Approach，SFA），非參數法則以數據包絡分析（Data Envelopment Analysis，DEA）的廣泛應用為主。數據包絡分析方法在應用時不需要提前確定生產函數形式，在計算多投入、多產出決策單元的效率時具有獨特優勢，因而受到學者們關注^[1]。數據包絡分析（DEA）的關鍵在于投入與產出變量選擇，根據研究問題、變量的不同，研究得到的結果也不同。在早期研究中，學者多從產出角度衡量創新效率，如采用專利^[2-4]、營業收入^[5-6]等產出指標或專利數量與研發投入的比值^[7-8]衡量企業創新效率。然而，這些研究都僅直觀考慮創新產出以及產出與投入的簡單比例關系，忽略了創新過程中多種因素的復雜作用，這一缺口吸引了學者們的研究興趣。學者們開始嘗試選取多種指標、方法科學衡量企業創新效率，以數據包絡分析^[9-10]和隨機前沿分析^[11]方法測度企業創新效率逐漸得到廣泛應用。隨著企業創新效率研究的深入，越來越多的學者深化DEA模型在效率測度中的應用，如將基于非徑向與非角度的DEA-SBM模型^[12-14]、基于理想窗口寬度的數據包絡分析^[15-16]以及兩階段共同邊界動態網絡DEA模型^[17-18]等應用于創新效率測度。趙文等（2020）采用數據包絡分析中的MinDS模型測度創新效率；蘇屹等（2021）采用DEA-RAM模型研究新能源企業技術創新效率；Wang等^[19]運用非徑向數據包絡分析方法測度新能源企業創新效率，實證發現新能源企業在研發階段的創新效率尤其低下。上述研究均采用DEA模型測度創新效率，均忽視了環境因素對企業創新效率的影響，而在企業復雜的創新活動中，環境因素是不可忽略的，這使得研究結果客觀反映企業實際創新情況面臨重大挑戰。

綜上所述，企業創新效率測度是學界研究熱點之一，學者們運用數據包絡分析和隨機前沿分析方法對新能源企業創新效率進行了一系列研究，但大多從創新階段劃分、DEA模型改進等方面展開研究，忽略了環境因素對新能源企業創新效率的現實影響作用。本文主要研究目的是測度剔除環境因素影響后的新能源汽車企業創新效率，并在此基礎上考察企業自身特征因素對創新效率的影響。與以往研究相比，本文貢獻在于：首先，考慮新能源汽車企業環境因素對創新效率的影響，而非以往采用傳統DEA和隨機前沿分析方法計算新能源汽車企業創新效率，客觀忽略環境因素的作用。其次，在已有研究基礎上，選取常用的企業創新效率影響因素，如股權結構、政府補助和員工質量等，進一步探索剔除環境因素后企業創新效率的影響因素。

1 模型構建

1.1 三階段DEA模型

1.1.1 第一階段：傳統DEA模型

在第一階段，使用未經處理的投入產出變量測度創新效率。根據研究問題的不同，DEA模型可以分為投入導向和產出導向，其中投入導向是指在一定產出水平下，如何降低投入水平；產出導向是指在不改變投入水平的條件下，如何提高產出水平。由于創新具有不確定性，產出情況不容易控制，因而本文在測度新能源汽車企業創新效率時，選擇投入導向的BCC（規模報酬可變）模型。對于任一決策單元，投入導向下對偶形式的BCC模型^[20]為：

式中，j=1，2，…，n表示決策單元，X、Y分別表示投入和產出變量。BBC模型測度出的創新效率（crste）由純技術效率（vrste）和規模效率（scale）兩部分組成，且crste=vrste*scale。

1.1.2 第二階段：相似SFA模型

傳統DEA模型在測量效率時容易忽略環境因素和統計噪聲的影響，導致得出的效率值與決策單元真實效率值存在一定差異，可靠性低。第二階段研究第一階段傳統DEA模型的松弛變量，松弛變量是低效率的體現，由環境因素、管理無效率和統計噪聲三部分構成。通過SFA回歸模型可以將松弛變量分解為環境因素、管理無效率和統計噪聲，具體來說，以第一階段傳統DEA模型的松弛變量作為被解釋變量，以環境因素作為解釋變量，并構建SFA回歸模型^[21]。

式中，s_ij表示第i個決策單元第j項投入的松弛值， z_i是環境變量，β^j是環境變量的系數，v_ij+u_ij是混合誤差項；v_ij表示隨機干擾因素對投入松弛變量的影響，且v_ij～N0，σ²_jv；u_ij表示管理因素對投入松弛變量的影響，服從半正態分布，且u_ij～N⁺μ^j，σ²_ju。

基于隨機前沿分析結果，通過剔除環境因素和隨機因素對效率值的干擾作用，將所有決策單元調整至相同的外部環境中，調整公式如下^[21]：

式中，X^A_ni、X_ni分別表示調整后和調整前的投入，maxfZ_i;β︿_n－fZ_i;β︿_n是對環境因素進行調整，maxv_ni－v_ni表示將所有決策單元調整至相同隨機干擾條件下。通過控制相同環境因素和隨機干擾，避免二者對決策單元效率測量結果產生影響，確保調整后測度得到的效率值能夠反映決策單元真實水平。

1.1.3 第三階段：調整后投入產出變量的DEA效率

將第二階段調整后的投入變量與原始產出變量帶入DEA模型，測度剔除環境因素和隨機因素干擾的新能源汽車企業創新效率。

1.2 Tobit回歸模型

在客觀評價新能源汽車企業創新效率的基礎上，進一步分析新能源汽車企業創新效率的影響因素，本文采用Tobit回歸模型進行分析。由于三階段DEA模型測度的創新效率取值在0～1之間，屬于受限制的被解釋變量，采用傳統最小二乘法分析容易導致結果有偏或不一致^[22]，而Tobit回歸模型在處理受限制的被解釋變量時可以有效避免這一問題。標準Tobit回歸模型如下^[23]：

式中，y_i^*表示受限制的被解釋變量，X_i是解釋變量，β為估計參數。μ_i是誤差項，服從正態分布，且μ_i～N（0，σ²）。

1.3 數據變量

1.3.1 投入與產出變量

本文將新能源汽車企業研發人員數量和研發經費支出作為投入變量，企業發明專利申請數和主營業務收入作為產出變量，考慮到投入的滯后效果，參考逄淑媛等^[24]的做法，對產出變量作滯后1年處理。變量具體信息如表1所示。

采用SPSS 26分析投入與產出變量的Pearson相關系數，結果如表2所示。各投入變量均在1%水平上與產出變量正相關，說明滿足DEA分析對投入與產出變量之間同向性的要求。

1.3.2 環境變量

環境因素選取原則是對新能源汽車企業創新效率產生實質影響且企業無法通過管理等方式進行控制。新能源汽車作為戰略性新興產業，具有重大技術突破和促進經濟發展的關鍵需求，其創新活動具有高投入、高風險等特征。本文基于新能源汽車企業創新活動特質，選取最具影響力且涵蓋經濟、人才、政策等方面的區域開放程度、勞動者素質、技術市場環境、技術基礎和環境規制5個指標作為環境變量。

（1）區域開放程度（fdi）。改革開放以來，我國對外開放水平不斷提高，外商投資有序進入國內市場和產業，成為我國經濟發展的重要組成部分。雖然學者們就區域開放程度與企業創新的關系尚未達成一致，但普遍認同區域開放程度與企業技術創新之間存在關聯^[25]，因而本文將區域開放程度納入影響新能源汽車企業創新效率的環境因素中。本文采用企業所處省份實際利用外商直接投資額表征區域開放程度。

（2）勞動者素質（lab）。勞動者是消化吸收新技術、提升科技輸出能力的重要載體。勞動者素質會影響企業學習前沿技術的經驗和能力，進而影響企業創新效率。勞動者素質的提高可以促進企業消化吸收新知識，提升企業創新效率^[26]。本文采用每十萬人口各級學校平均在校生數衡量區域勞動者素質。

（3）技術市場環境（tec）。建立不同規模的技術市場能夠提高技術利用率和技術成果轉化率，良好的技術市場環境會對高技術產業創新產生積極效應。技術市場環境質量越高，企業創新效率就越高^[27]。本文使用技術市場成交額衡量技術市場環境。

（4）技術基礎（base）。新能源汽車作為戰略性新興產業，其技術呈現快速迭代特征，使得新能源汽車企業創新存在一定門檻，原有技術基礎可以幫助企業快速占據產業制高點。本文采用新能源汽車企業所在省份前5年涉及新能源汽車的發明申請數衡量地區技術基礎。

（5）環境規制（env）。環境規制對創新效率具有重要影響。古典經濟理論認為，環境規制會擠占創新資金，降低創新效率。曹霞和于娟（2015）研究發現，環境規制強度對企業技術創新具有顯著影響。新能源汽車具有環境友好型特征，其創新更容易受到環境規制影響。本文從政策角度出發，采用區域當年現行環境法規數衡量環境規制^[28]。

1.3.3 影響因素

（1）股權集中度（con）。適度集中的股權結構可以有效緩解代理問題，降低企業創新成本，提升企業創新效率（朱德勝和周曉珮，2016）。新能源汽車技術創新有賴于持續的創新投入，為探究股權結構如何影響新能源汽車企業創新效率，本文選擇企業前五大股東持股比例的平方和衡量股權集中度。

（2）專利存量（pat）。新能源汽車技術具有快速迭代特征，良好的專利積累有助于企業進行持續性創新^[29]，打破跨領域創新壁壘。本文采用企業t年累計獲得的發明專利數衡量企業專利存量情況。

（3）員工質量（quality）。員工是創新知識的載體和傳播者，員工質量決定企業吸收轉化創新知識的能力。本文采用企業在職員工中本科及以上學歷占比衡量員工質量。

（4）政府補助強度（gov）。政府補助是促進新能源汽車創新發展的重要政策措施，但其在不同場景下會表現為擠出效應^[30]或激勵效應^[31]。本文以政府補助金額與企業主營業務收入比值作為政府補助強度的代理指標，并與企業研發經費支出一同納入Tobit模型中，分析政府補助強度對企業創新效率的影響。

（5）企業規模（size）。企業規模是企業開展創新的重要決定因素，只有規模達到一定程度的企業才有能力承擔創新研發所需的經費、人員等資源投入。從規模效益角度解釋，規模較大的企業在資源獲取方面具有獨特優勢，能夠實現更高的創新產出。本文采用企業年末總資產衡量企業規模。

（6）融資結構（lev）。創新是企業的一種投資性活動，具有較大的不確定性。融資結構是企業獲取資金支持的重要影響因素，不合理的融資結構會抑制企業創新活動。本文采用資產負債率表征融資結構。

2 實證分析

基于上述方法和數據，采用DEAP2.1、Frontier4.1、Stata16軟件進行實證分析。首先，采用三階段DEA方法測量剔除環境因素影響的新能源汽車企業創新效率；然后，基于測量得到的新能源汽車企業創新效率值，選取已有研究常用的企業特征指標，采用Tobit回歸模型分析企業創新效率的影響因素。

2.1 數據來源

本文以中國A股新能源汽車上市企業為研究樣本，樣本選擇原則如下：首先，確定樣本為新能源汽車企業，由于目前上市公司涉及新能源汽車業務占企業主營業務的比例不一，選擇同花順財經新能源汽車概念板塊的上市企業作為基礎樣本庫；其次，剔除金融、保險等行業上市公司；最后，為降低極端樣本對研究結果的影響，參考已有研究的通用做法，剔除ST和*ST企業以及年報中研究數據缺失量較大的企業。根據上述原則，最終獲得187家新能源汽車上市公司數據，篩選得到的企業均在新能源汽車產業鏈上，如整車制造、電池電源、電動機、配件、充電樁等（見表3）。本文數據主要來源于《中國統計年鑒》《中國環境年鑒》以及中國研究數據服務平臺（CNRDS）、EPS數據庫。

2.2 中國新能源汽車企業創新效率測度

2.2.1 第一階段傳統DEA結果分析

采用DEAP2.1軟件，將2014—2018年187家新能源汽車上市公司面板數據帶入投入導向的BCC（規模報酬可變）模型，測算未剔除環境因素和隨機誤差的新能源汽車企業創新效率，結果如表4所示。結果顯示，187家新能源企業的創新效率、純技術效率和規模效率分別為0.14、0.26、0.59，說明新能源汽車企業創新效率總體不高，純技術效率可能是造成這一現象的主要因素。結合圖1分析考察期內樣本的效率變化，在未剔除環境因素和隨機誤差的情況下，新能源汽車上市企業創新效率呈倒“N”型發展趨勢，其均值在0.15上下波動，純技術效率和規模效率均值分別在0.25、0.6上下波動，相較于規模效率，純技術效率一直處于較低水平。綜合來看，純技術效率低下是造成新能源汽車企業創新效率不高的主要原因，說明新能源汽車企業在內部管理方面存在較大改善空間。

2.2.2 第二階段SFA結果分析

將第一階段傳統DEA模型的投入松弛變量作為被解釋變量，以區域開放程度、勞動者素質、技術市場環境、技術基礎和環境規制5個環境變量作為解釋變量，帶入隨機前沿模型（SFA），結果如表5所示。結果顯示，兩個投入變量松弛值對應SFA回歸模型的gamma值分別為0.961、0.826，均接近1，說明隨機誤差對企業創新效率的影響效果有限，SFA模型設置合理。環境因素的系數符號不一，當回歸系數為正時，環境變量對投入松弛值發揮正向促進作用，增加投入會造成浪費或者產出下降；反之，投入松弛值變小會導致投入減少或者產出增加。環境因素對投入松弛值的具體影響為：區域開放程度對研發人員數量松弛值和研發經費支出松弛值的影響在1%水平上負相關，說明開放程度越高的地區，新能源汽車企業越能夠降低研發人員和經費投入，從而在一定程度上提高新能源汽車企業創新效率。勞動者素質對研發人員數量松弛值和研發經費支出松弛值的影響在1%水平上負相關，說明企業所在地區的勞動者素質提高，能夠在一定程度上降低新能源汽車企業研發資源投入，促進新能源汽車企業創新效率提升。技術市場環境對研發人員數量松弛值和研發經費支出松弛值的影響在1%水平上正相關，表明技術市場環境的改善會導致企業研發投入資源浪費，抑制新能源汽車企業創新效率提升。技術基礎對研發人員數量松弛值在1%水平上負相關，對研發經費支出松弛值在1%水平上正相關，說明隨著新能源汽車專利存量增加，會加劇研發經費的浪費，降低企業創新效率，但研發人員冗余情況會逐漸改善。環境規制對研發人員數量松弛值和研發經費支出松弛值的影響在1%水平上負相關，說明政府相關環境政策的實施能夠降低新能源汽車企業研發資源投入，一定程度上激發企業創新動力，促進創新效率提升。

2.2.3 第三階段結果分析

使用第二階段獲得的投入產出變量和原始產出變量，帶入DEA模型中再次測算新能源汽車企業創新效率，結果如表4所示。從圖2可以看出，剔除環境因素對創新效率的影響后，新能源汽車企業創新效率總體平穩，呈現“N”型發展趨勢，說明環境因素會對新能源汽車企業創新效率產生實質性影響，采用三階段DEA模型剔除環境因素的影響是必要的。剔除環境因素后，新能源汽車企業創新效率、規模效率處于較低水平，純技術效率達到0.9的高水平。由此可知，剔除環境因素后，造成新能源汽車企業創新效率不高的原因不再是純技術效率，規模效率不高成為制約新能源汽車企業創新效率提高的關鍵因素。

2.3 中國新能源汽車企業創新效率影響因素分析

以三階段DEA測度得到的新能源汽車企業創新效率值作為被解釋變量，并選取股權集中度、企業專利存量、員工質量、政府補助強度、企業規模、融資結構、研發人員數量和研發經費支出作為解釋變量，運用Tobit模型分析上述變量對新能源汽車企業創新效率的影響。為確保模型結果的穩健性，本文對股權集中度、企業規模、研發經費支出等非負變量在0.01水平上進行縮尾處理，并對企業規模、研發人員數量和研發經費支出取對數。本文設定回歸模型如下：

式中，i、t分別表示決策單元（企業）和時間，crste_it表示企業創新效率，β為待估參數，ε_it為隨機擾動項。采用Stata 16進行分析，結果如表6所示。

表6結果顯示，考察期內，企業自身特征因素對創新效率具有不同程度的影響。在創新資源方面，研發支出對創新效率具有促進作用，但在統計上不顯著，研發人員在1%水平上與創新效率正相關。新能源汽車產業屬于戰略性新興產業，需要大規模資源作為支撐。根據回歸結果分析，當前我國新能源汽車企業研發人員對企業創新效率具有顯著正向促進作用，但研發支出對企業創新效率的促進作用還不夠顯著，原因可能是研發支出結構與創新活動需求不匹配。同時，員工質量與企業創新效率呈現負向關系但不顯著。這與多數學者的研究結論存在一定出入，可能是由于當前新能源汽車企業員工素質對企業創新效率不存在明顯的正向或負向影響，而是更多依賴人力投入。在企業股東方面，股權集中度在1%水平上對企業創新效率具有顯著促進作用，說明股權集中有助于企業創新效率提升。這可能是由于當前新能源汽車產業內部競爭環境復雜多變，股權集中度提升有助于緩解“搭便車”和代理問題^[32]，提高企業創新戰略制定效率，進而促進創新效率提升。在企業技術基礎方面，企業專利存量在1%水平上促進企業創新效率提高，說明新能源汽車企業創新活動受到企業自身研發實力影響，專利存量越大，新能源汽車企業創新效率越高。這可能是因為，具有較高專利存量水平的新能源汽車企業在協調創新資源方面更有優勢。企業規模在1%水平上與企業創新效率呈現正向關系，說明企業規模擴大有助于新能源汽車企業創新效率提高。這可能是因為規模更大的新能源汽車企業擁有更多專利存量，更有助于提升企業創新產出和商業化水平，進而提升企業創新效率。在企業財務方面，政府補助強度與融資結構均在10%水平上對企業創新效率產生負向影響，說明政府補助強度與融資結構顯著抑制新能源汽車企業創新效率。政府補助可能會對新能源汽車企業研發資金產生擠出效應^[33]，從而降低企業創新效率。同時，由于缺乏完善的監督和處罰機制，企業可能挪用政府補助用于其它生產經營活動，導致創新效率低下^[34]。由于創新具有高不確定和高風險特征，合理的融資結構（合適的資產負債率）有助于企業從事持續性創新活動^[35]，提高創新活動產出，進而提升企業創新效率。

3 結論與對策

基于2014—2018年187家新能源汽車上市企業數據，通過三階段DEA模型分析剔除環境因素后的新能源汽車上市企業創新效率，并運用Tobit回歸模型研究創新效率的影響因素。主要結論如下：首先，有必要剔除環境因素對新能源上市企業創新效率的影響。在未剔除環境因素對企業創新效率影響的情況下，新能源汽車上市企業創新效率以及分解后的純技術效率和規模效率發展形態均為倒“N”型；剔除環境因素后，3種效率發展形態出現變化，呈現“N”型發展，且兩種情形下造成企業創新效率低下的原因截然不同。由此可知，環境因素會對新能源汽車企業創新效率測度結果產生顯著影響。因此，為保證企業創新效率測度值能夠真實反映企業創新現狀，有必要剔除環境因素的影響。其次，新能源汽車上市企業創新效率不高主要是由于其規模效率低下所致。剔除環境因素影響后，造成新能源汽車上市企業創新效率不高的原因在于其規模效率落后于純技術效率，且差距較大，規模效率成為制約新能源汽車企業創新效率提升的關鍵因素。最后，剔除環境因素影響后，企業創新效率的Tobit回歸結果表明，與創新密切相關的兩類創新投入對企業創新效率的影響作用不同，研發支出雖然具有促進作用但不顯著，研發人員可以顯著促進企業創新效率提升。企業專利存量和企業規模能夠顯著促進創新效率提升，但剔除環境因素后的規模效率處于極低水平，說明新能源汽車企業還需要進一步擴大規模。模型結果顯示，員工素質對創新效率不存在明顯的正向或負向影響，股權集中度可以顯著提升企業創新效率。政府補助強度與融資結構對企業創新效率具有顯著負向作用，說明政府在支持新能源汽車企業發展過程中需要采取合適的補助形式，企業在創新過程中也需要保持合理的融資結構。

基于上述結論，本文提出如下對策建議：首先，提高產業集中度，鼓勵新能源汽車企業兼并重組、做大做強。Tobit回歸結果顯示，企業專利存量和企業規模均能夠對企業創新效率產生積極作用。結合調整后的企業創新效率結果，大多數新能源汽車企業均存在規模效率較低的情況，這制約了企業創新效率提高。當前新能源汽車企業存在數量多但小而散的情況，通過鼓勵兼并重組等方式做大做強新能源汽車企業，加快整合新能源汽車產業鏈，有助于新能源汽車企業集聚專利、研發人員等多種創新資源，充分發揮新能源汽車企業規模優勢。其次，政府補助“重質輕量”，需要進一步完善評價機制。實證結果顯示，政府補助對新能源汽車上市企業創新效率具有顯著負向作用，這印證了劉豐云等^[36]關于政府補助具有擠出效應的結論。為規避這種現象，中央和地方政府應當進一步完善評價機制，在支持新能源汽車企業發展時，將企業創新資源的自主投入和創新產出質量納入評價標準，不唯數量論，重點關注政府補助對新能源汽車企業創新的引領示范作用，積極發揮政府補助的杠桿作用^[37]。最后，建立新能源汽車企業協同創新平臺。Tobit回歸結果顯示，新能源汽車企業專利存量能夠促進創新效率提高，一定程度上說明技術基礎對創新效率具有重要作用。通過建立協同創新平臺，可以降低新能源汽車產業鏈企業間技術交易成本，有助于傳遞技術需求，推廣新產品、新技術，促進合作交流，最大限度發揮每個企業優勢，共同推進新能源汽車產業創新發展。

本文測度剔除環境因素后的新能源汽車企業創新效率，并采用Tobit回歸模型分析企業自身特征對創新效率的影響，但還有一些問題需要在以后的研究中加以完善。本文采用滯后1年的產出變量，考慮到發明專利申請數最新數據為2019年，因而本文只選取了2014—2018年數據，研究區間較短導致難以觀測到新能源汽車企業創新效率的全局發展。此外，本文Tobit回歸模型中僅選取了常見的影響因素，未來還需要探索更多、更復雜的創新效率影響因素。

參考文獻：

[1] 白俊紅， 江可申， 李婧. 應用隨機前沿模型評測中國區域研發創新效率[J]. 管理世界， 2009，25（10）： 51-61.

[2] 陳德球， 金雅玲， 董志勇. 政策不確定性、政治關聯與企業創新效率[J]. 南開管理評論， 2016，19（4）： 27-35.

[3] 陳克兢， 萬清清， 康艷玲. 國家治理體系與國有企業創新效率——基于巡視監督的準自然實驗[J]. 科研管理， 2020，41（8）： 211-219.

[4] HE Y， GAN S， XIAO L. Can foreign suppliers act as “innovation springboards” for firms？ evidence from China[J]. Research in International Business and Finance， 2021，56： 101353.

[5] 解學梅， 王宏偉， 唐海燕. 創新生態戰略與創新效率關系：基于創新生態網絡視角[J]. 系統管理學報， 2020，29（6）： 1065-1077.

[6] 王延霖， 郭曉川. 資源型上市公司高管團隊激勵方式對企業創新效率的影響研究——基于創新價值鏈和產權性質的考量[J]. 研究與發展管理， 2020，32（4）： 149-161.

[7] 姜軍， 江軒宇， 伊志宏. 企業創新效率研究——來自股權質押的影響[J]. 金融研究， 2020，63（2）： 128-146.

[8] HIRSHLEIFER D， HSU P， LI D. Innovative efficiency and stock returns[J]. Journal of Financial Economics， 2013，107（3）： 632-654.

[9] LI H， PANG S， CAO Y， et al. Research on the evaluation of comprehensive efficiency of technological innovation and eco-environment in China[J]. Journal of Cleaner Production， 2021，283： 124603.

[10] KALAPOUTI K， PETRIDIS K， MALESIOS C， et al. Measuring efficiency of innovation using combined Data envelopment analysis and structural equation modeling： empirical study in EU regions[J]. Annals of Operations Research， 2017（11）： 1-24.

[11] HASCHKA R E， HERWARTZ H. Innovation efficiency in European high-tech industries： evidence from a Bayesian stochastic frontier approach[J]. Research Policy， 2020，49（8）： 104054.

[12] LI J， DU Y. Spatial effect of environmental regulation on green innovation efficiency： evidence from prefectural-level cities in China[J]. Journal of Cleaner Production， 2021，286： 125032.

[13] LI D， ZENG T. Are Chinas intensive pollution industries greening？ an analysis based on green innovation efficiency[J]. Journal of Cleaner Production， 2020，259： 120901.

[14] WANG S， ZHANG J， FAN F， et al. The symbiosis of scientific and technological innovation efficiency and economic efficiency in China：an analysis based on data envelopment analysis and logistic model[J]. Technology Analysis & Strategic Management， 2019，31（1）： 67-80.

[15] LIN S， SUN J， MARINOVA D， et al. Evaluation of the green technology innovation efficiency of China's manufacturing industries： DEA window analysis with ideal window width[J]. Technology Analysis & Strategic Management， 2018，30（10）： 1166-1181.

[16] LIN S， LIN R， SUN J， et al. Dynamically evaluating technological innovation efficiency of high-tech industry in China： provincial， regional and industrial perspective[J]. Socio-Economic Planning Sciences， 2021，74： 100939.

[17] FENG Y， ZHANG H， CHIU Y， et al. Innovation efficiency and the impact of the institutional quality： a cross-country analysis using the two-stage meta-frontier dynamic network DEA model[J]. Scientometrics， 2021，126： 3091-3129.

[18] AN Q， MENG F， XIONG B， et al. Assessing the relative efficiency of Chinese high-tech industries： a dynamic network data envelopment analysis approach[J]. Annals of Operations Research， 2020，290（1）： 707-729.

[19] WANG Q， HANG Y， SUN L， et al. Two-stage innovation efficiency of new energy enterprises in China： a non-radial DEA approach[J]. Technological Forecasting and Social Change， 2016，112： 254-261.

[20] BANKER R D， CHARNES A， COOPER W W. Some models for estimating technical and scale inefficiencies in data envelopment analysis[J]. Management Science， 1984，30（9）： 1078-1092.

[21] 劉滿鳳， 李圣宏. 基于三階段DEA模型的我國高新技術開發區創新效率研究[J]. 管理評論， 2016，28（1）： 42-52.

[22] 安勇， 王拉娣. 金融要素扭曲、地方政府行為與創新效率缺失[J]. 數理統計與管理， 2022，41（1）： 135-147.

[23] 鄭兵云， 楊宏豐. “一帶一路”中國沿海城市港口效率評價——基于DEA博弈交叉效率-Tobit模型[J]. 數理統計與管理， 2021，40（3）： 502-514.

[24] 逄淑媛， 陳德智. 專利與研發經費的相關性研究——基于全球研發頂尖公司10年面板數據的研究[J]. 科學學研究， 2009，27（10）： 1500-1505.

[25] 張平， 張鵬鵬， 蔡國慶. 不同類型環境規制對企業技術創新影響比較研究[J]. 中國人口·資源與環境， 2016，26（4）： 8-13.

[26] YI S， FENGYAN C. Regional innovation systems based on stochastic frontier analysis： a study on thirty-one provinces in China[J]. Science， Technology and Society， 2015，20（2）： 204-224.

[27] 肖仁橋， 錢麗， 陳忠衛. 中國高技術產業創新效率及其影響因素研究[J]. 管理科學， 2012，25（5）： 85-98.

[28] 王云， 李延喜， 馬壯， 等. 媒體關注、環境規制與企業環保投資[J]. 南開管理評論， 2017，20（6）： 83-94.

[29] 陶鋒， 趙錦瑜， 周浩. 環境規制實現了綠色技術創新的“增量提質”嗎——來自環保目標責任制的證據[J]. 中國工業經濟， 2021，38（2）： 136-154.

[30] 夏玲. 政府補貼對企業R&D投入的影響——基于戰略性新興產業的實證分析[J]. 會計之友， 2020，38（24）： 132-137.

[31] 蘇屹， 林雨儂. 政府補貼對新能源企業R&D投入影響研究[J]. 科學管理研究， 2021，39（1）： 102-110.

[32] 趙國宇， 禹薇. 大股東股權制衡的公司治理效應——來自民營上市公司的證據[J]. 外國經濟與管理， 2018，40（11）： 60-72.

[33] 張彩江， 陳璐. 政府對企業創新的補助是越多越好嗎[J]. 科學學與科學技術管理， 2016，37（11）： 11-19.

[34] HONG J， FENG B， WU Y， et al. Do government grants promote innovation efficiency in China's high-tech industries[J]. Technovation， 2016，57-58（SI）： 4-13.

[35] 鄧立治. 中國汽車企業技術創新效率及其影響因素研究——以滬深上市公司為例[J]. 技術經濟與管理研究， 2015，224（3）： 26-31.

[36] 劉豐云， 沈亦凡， 何凌云. 補貼時點對新能源研發創新的影響與區域差異[J]. 中國人口·資源與環境， 2021，31（1）： 57-67.

[37] 戴浩， 柳劍平. 政府補助對科技中小型企業成長的影響機理——技術創新投入的中介作用與市場環境的調節作用[J]. 科技進步與對策， 2018，35（23）： 137-145.

（責任編輯：陳 井）

Innovation Efficiency Measurements and Influencing Factors of Chinese New Energy

Vehicle Listed Enterprises：An Analysis Based on Three-stage DEA and Tobit Panel Model

Han Bin， Feng Xiaowei， Su Yi， Liang Dezhi

（School of Economics and Management， Harbin Engineering University， Harbin 150001， China）

Abstract：Nowadays， the government and new energy vehicle companies have gradually increased their investment in innovative resources for new energy vehicles to increase the innovation output of new energy vehicles. But what follows is the problem of diminishing marginal output of new energy vehicle innovation， and the traditional model of "high input and high output" may no longer be applicable. Correspondingly， the inherent law of diminishing marginal output of corporate innovation and increasing marginal cost of corporate innovation input may inhibit the innovation efficiency of new energy vehicle companies. Most of the present studies carry out in-depth and detailed research from the aspects of innovation stage division and DEA model improvement， ignoring the actual impact of environmental factors on the innovation efficiency of new energy enterprises.

This paper selects 187 new energy vehicle listed companies as research samples to make an empirical analysis. First， regional openness， labor quality， technical market environment， technical foundation， and environmental regulation are selected as environmental factors， and the three-stage DEA method is used to measure the influence of environmental factors and the innovation efficiency of new energy vehicle enterprises; second， equity concentration， enterprise patent stock， employee quality， government subsidy intensity， enterprise-scale， financing structure， number of R&D personnel， and R&D personnel are selected based on the measured innovation efficiency value of new energy vehicle enterprises. By taking the expenditure as an explanatory variable， the Tobit model is used to study the influencing factors of the selected variables on the innovation efficiency of new energy vehicle enterprises.

The results show that the innovation efficiency， pure technical efficiency and scale efficiency of 187 new energy companies are 0.14， 0.26， and 0.59 respectively， indicating that the overall innovation efficiency of new energy vehicle companies is not high. Pure technical efficiency may be the main factor responsible for this phenomenon. Without removing environmental factors and random errors， the innovation efficiency of listed new energy vehicle companies presents an inverted N shape， with the average value fluctuating around 0.15， the average pure technical efficiency fluctuating around 0.25， and the average scale efficiency fluctuates about 0.6， and the low pure technical efficiency of new energy vehicle enterprises is the main reason for the low innovation efficiency， indicating that new energy vehicle enterprises have much room for improvement in internal management. After excluding the impact of environmental factors on innovation efficiency， the innovation efficiency of listed new energy vehicle companies is generally stable， and the development trend has changed， showing an N-shaped development， indicating that environmental factors have had a substantial impact on measuring the innovation efficiency of new energy vehicle companies. It is necessary to use the three-stage DEA model to measure innovation efficiency after eliminating the influence of environmental factors. From a specific analysis， the innovation efficiency and scale efficiency of new energy vehicle enterprises are at a low level， and the pure technical efficiency is at a high level of 0.9. Therefore， it is analyzed that the reason for the low innovation efficiency of new energy vehicle enterprises is no longer pure technical efficiency， and the low scale efficiency has become the key factor restricting the low innovation efficiency of new energy vehicle enterprises.

The Tobit model is used to study the influencing factors of the selected variables on the innovation efficiency of new energy vehicle enterprises. The results show that the characteristics of enterprises themselves have different degrees of influence on innovation efficiency. R&D expenditures promote innovation efficiency but are not statistically significant， and R&D personnel is positively correlated with innovation efficiency at the 1% level. At the level of 1%， ownership concentration has a significant role in promoting the innovation efficiency of enterprises. Enterprise patent stock at the level of 1% promotes the improvement of enterprise innovation efficiency. At the 1% level， there is a positive relationship between enterprise-scale and enterprise innovation efficiency. Both the government subsidy intensity and the financing structure have a negative impact on the innovation efficiency of enterprises at the level of 10%.

Compared with previous studies，this study considers the impact of environmental factors of new energy vehicle companies on innovation efficiency， instead of using traditional DEA methods and stochastic frontier analysis methods to calculate innovation of new energy vehicle companies. Second， based on the existing research foundation of new energy vehicle enterprises， the study selects the commonly used factors affecting enterprise innovation efficiencies， such as ownership structure， government subsidies and employee quality， and further explore the influencing factors of enterprise innovation efficiency excluding environmental factors.

Key Words：New Energy Vehicle; Innovation Efficiency; Three-stage DEA; Tobit Panel Model