基于兩階段超效率DEA的智能制造企業創新效率評價

收稿日期：2023-02-07" 修回日期：2023-04-27

基金項目：國家自然科學基金項目（72074059，72001055）；黑龍江省省屬本科高?；究蒲袠I務費科研項目（2022-KYYWF-015）；工業和信息化部黨建課題重大項目（GXZY2212）

作者簡介：付寧寧（1988—），女，黑龍江哈爾濱人，哈爾濱工程大學經濟管理學院博士研究生，哈爾濱金融學院管理系講師，研究方向為創新網絡；蘇屹（1983—），男，黑龍江哈爾濱人，博士，哈爾濱工程大學經濟管理學院教授、博士生導師，研究方向為數字經濟與創新管理；郭秀芳（1980—），女，吉林農安人，哈爾濱開放大學人文教學部副教授，研究方向為創新管理。本文通訊作者：蘇屹。

摘" 要：智能制造企業創新效率關乎我國未來制造業的全球地位，對于加快發展現代產業體系，鞏固壯大實體經濟根基具有重要作用。利用超效率DEA模型和Tobit回歸方程，測算智能制造企業兩階段創新效率及其影響因素，結果表明，我國智能制造企業創新效率呈逐年上升趨勢，但漲幅較小，還存在很大提升空間；高研發高轉化和低研發低轉化類智能制造企業數量最多，電氣機械和器材制造業、汽車制造業創新效率優勢明顯，個體和行業差異均較大；科技水平、資產規模、創新基礎環境、股權集中度對兩階段創新效率均具有正向影響；政府支持、人才結構、市場結構對技術研發效率具有正向影響，但對經濟轉化效率存在負向影響。最后，從制定合理有效的政府支持政策、完善科技投入管理制度、規范市場競爭機制、合理調整創新人才結構4個方面提出提高我國智能制造企業創新效率的政策建議。

關鍵詞關鍵詞：智能制造企業；創新效率；超效率DEA模型；技術研發；經濟轉化

DOI：10.6049/kjjbydc.2023020167

開放科學（資源服務）標識碼（OSID）""""" 開放科學（資源服務）標識碼（OSID）：

中圖分類號：F273.1

文獻標識碼：A

文章編號：1001-7348（2024）10-0067-11

0" 引言

中共二十大報告提出加快建設制造強國和數字中國。這是黨中央作出的重大決策部署，充分體現了以習近平同志為核心的黨中央對推動制造業高質量發展、建設制造強國的高度重視。在我國實現全面建成小康社會奮斗目標和中華民族偉大復興中國夢的新征程中，加快發展先進制造業具有十分重大而深遠的意義。發展智能制造既是貫徹落實黨中央決策部署的具體行動，也是加快推動制造業高質量發展、建設制造強國和數字中國的重要抓手。智能制造是以數字化、網絡化和智能化為特征的數字經濟與傳統制造業深度融合的結果，是世界各國經濟技術競爭的焦點。我國智能制造發展總體處于起步階段，面臨產業基礎能力薄弱、數據要素供給不足和智能技術應用相對滯后等問題。大數據、云計算、人工智能等新一代信息技術的快速發展，為智能制造發展提供了基礎支撐。創新是引領智能制造發展的第一動力，而企業創新則是智能制造的源頭活水。從創新主體看，企業是智能制造的主要推動力量；從創新形式看，“互聯網+”和工業互聯網是制造業領域的重要推動力量。本文通過探討智能制造企業創新資源的配置結構，科學測度智能制造企業創新效率，為提高智能制造企業創新能力提供參考。

Wright amp; Bourne［1］首先提出智能制造的概念，認為智能制造是指通過集成知識工程、制造軟件系統和機器人視覺等技術，在不需要人為干預的情況下，獨立實現小型批量制造 。在新一輪數字化和智能化技術革命推動下，智能制造發展被賦予新的意義，除能夠實現自動化和無人化生產外，其深層作用是通過“產銷合一”機制，幫助企業實現從批量生產到定制化生產，從而實現高效生產和資源優化配置［2］。目前智能制造并沒有統一的概念，本文依據工業和信息化部發布的《智能制造發展規劃（2016—2020年）》，將智能制造定義為新一代信息通信技術與先進制造技術深度融合，貫穿生產、設計、服務和管理等生產活動各環節，具有自學習、自感知、自執行、自決策和自適應等功能的新型生產方式。近幾年，國內外學者對智能制造的研究呈現出“井噴”式增長 ［3-5］。智能化轉型升級、智能制造可持續發展、智能制造技術流程、數字智能制造及智能制造創新等成為熱點研究領域［6-11］。

Afriat［12］最先應用生產前沿模型研究創新效率理論，提出創新效率是指在創新投入要素不變的情況下，實現產出最大化，或者在產出要素不變的條件下，使創新投入最小化。此后，眾多學者遵循這一思想，把創新效率定義為既定投入下的最大產出，或既定產出下的最小創新投入［13］。借鑒已有研究，本文認為創新效率是衡量智能制造企業創新過程中創新投入與產出轉化關系的指標，用創新產出與創新投入的比值表示［14］。本文追求的智能制造企業創新效率最優可以從兩個方面理解：一是在智能制造企業創新產出要素不變情況下的最小創新投入；二是在智能制造企業創新投入要素不變的情況下，實現創新產出最大化［15］。已有研究關于創新效率的測度方法大多采用SFA模型隨機前沿法和DEA模型數據包絡分析法［16］。其中，SFA隨機前沿法通常應用模型設定對不同研究對象之間的效率差進行定量分析，但是模型必須設置特定函數，并且假定條件比較苛刻，在計算中容易出現誤差［17］；DEA數據包絡分析法不需要設定投入產出要素的生產模式，依據投入產出要素就可以客觀計算出各指標權重，能夠避免人為設定參數錯誤而導致估計偏差，在創新效率測度中應用最為廣泛［18］。在智能制造企業創新效率測度指標選取上，學者們主要從勞動力和資本兩個維度考慮投入指標，如劉峰等［19］將Ramp;D投入、企業員工人數和凈資產作為創新投入指標；產出指標大多選擇專利數和營業收入或凈利潤，如樓旭明和徐聰聰（2020）以專利申請量表示知識產出，以凈利潤和總營業收入共同反映智能制造企業創新能力及公司盈利能力。智能制造企業的創新過程非常復雜且企業間不同階段的創新效率也會有明顯不同，如經濟發達地區的轉化效率可能更高，但其技術研發效率不一定處于較高水平。因此，分階段研究智能制造企業創新效率可以更全面地反映企業創新能力［20］。

已有文獻為本文研究奠定了基礎，但仍有以下方面值得進一步探究：首先，對于我國智能制造企業創新效率的測度，大部分研究采用DEA模型，但當多個單元的效率值同時為1時，DEA模型無法進行排序評價。其次，已有文獻大多將智能制造企業創新過程看作一個整體，研究智能制造企業整體創新效率，探討整體效率變動趨勢，并進一步分析外部環境對智能制造企業創新效率的影響，但僅對創新初始投入和最終產出進行研究，沒有考慮中間過程，忽略了智能制造企業創新過程的內部研發結構，可能造成智能制造企業創新過程中的“黑箱”問題。鑒于此，本文邊際貢獻在于：第一，借助智能制造示范試點項目專項行動，采用超效率DEA模型測度智能制造企業創新效率，彌補了DEA模型不能對效率為1的單元排序的不足，豐富了智能制造企業創新效率評價方法。第二，將智能制造企業技術創新分為研發階段和經濟轉化階段，構建兩階段DEA模型，測度智能制造企業總體創新效率和兩階段創新效率，并對智能制造企業進行重新分類，有針對性地給出智能制造企業創新效率提升建議，以期為提高我國智能制造企業創新能力提供可借鑒的范本。

1" 智能制造企業創新過程分析

傳統創新理論將創新過程看作一個投入產出的過程，其中，投入方面涉及的資源包括物力、人力和財力，如研發人員、研發資金和固定資產等，產出方面包括科技產出和價值產出。這種評價方法能夠展現創新活動的最終結果，但是忽視了創新過程。隨著我國人口紅利逐漸消失，企業成本不斷上升，再加上西方國家的技術封鎖，我國制造業發展陷入瓶頸。如何提升中國制造業整體競爭力，是現階段迫切需要解決的重要問題，各界普遍認為創新是解決這一問題的有效手段。產出水平是創新能力的主要表現，不同階段的產出存在較大差異，上一階段的產出是下一階段的投入。因此，創新價值是若干創新環節協同作用的結果，只要有一個環節的效率較低，則整個創新價值都會受到一定負面影響。企業從最開始的研發投入到最后的價值產出會經歷知識創造、科技產出和經濟轉化3個階段。知識創造階段需要投入大量資源，為科技產出奠定基礎；在科技產出階段，投入水平進一步提高，上階段的科技產出是下階段的投入，為經濟轉化鋪平道路，企業取得相應經濟效益，回籠投入資金。這兩個階段的投入產出能夠促進科技進步，為企業可持續發展提供堅實保障。徐詠梅等［21］認為企業創新產出分為科技產出和經濟效益產出。其中，科技產出是前期研發投入的成果，也是后期生產升級的基礎，屬于中間變量；經濟效益產出是在科技產出的基礎上進一步投入創新資源，通過提升創新能力，促進企業經營收入增長［22］。基于此，本文對創新過程進行更加細致的劃分，將智能制造企業創新過程進行階段性分解，如圖1所示。

基于上述分析，參考曾卓騏等［23］的研究，本文將智能制造企業創新過程分為技術研發和經濟轉化兩個階段，前者是創新資源投入到技術研發成果的階段，后者是從技術成果到生產升級從而獲得經濟效益的成果轉化階段。需要注意的是，技術研發階段的創新資源投入不僅會影響技術產出，對經濟產出也有一定影響。基于此，本文將智能制造企業創新效率分為整體創新效率和兩階段創新效率。整體創新效率反映智能制造企業將整體創新資源轉化為創新產出的能力。兩階段創新效率是指技術研發效率和經濟轉化效率，其中，技術研發效率反映智能制造企業將創新資源轉化為專利研發產出的能力，經濟轉化效率反映智能制造企業將技術研發產出和研發投入等創新資源轉化為經濟產出的能力。

2" 研究設計

2.1" 變量說明

2.1.1" 技術研發階段變量選取

技術研發階段的創新投入主要包括創新資金和創新人員兩方面［24］，創新人員投入用研發人員數量衡量，創新資金投入用研發經費投入金額衡量。技術研發階段的產出是智能制造企業創新活動的中間產出，學者們主要采用專利申請量、專利授權量和新產品開發項目數衡量［25］。專利申請量反映的是創新主體進行創新的努力程度，而不是反映科技創新能力的變量。專利授權需要經過嚴格的審查后才能獲得，更能反映企業創新能力。由于部分智能制造企業新產品開發項目無法獲取官方數據，考慮指標選取的可操作性，本文用發明專利授權量衡量技術研發階段的產出。

2.1.2" 經濟轉化階段變量選取

經濟轉化階段的投入包括上一階段的研發產出，授權專利是創新活動的中間產出，技術研發階段與經濟轉化階段通過中間產出相連接。參考陳海強等［26］、王洪海和李洪銳［27］的研究，本文選取新增員工人數、新增固定資產和發明專利授權量作為投入變量。經濟轉化階段的最終目的是實現經濟效益，營業利潤不僅可以衡量企業經營能力，更能反映技術研發階段的創新效果，本文將營業利潤作為經濟轉化階段的產出變量［28］。

本文研發投入金額、新增固定資產值和營業利潤3個變量與物價變動有關，為剔除價格變化的影響，以2014年為基期，對這3個指標數據進行平減處理。借鑒相關研究［29-30］，研發投入金額的平減指數由消費物價指數（權重55%）和固定資產投資指數（權重45%）加權平均構成，新增固定資產值的平減指數為固定資產投資指數，營業利潤的平減指數為工業品出廠價格，相關數據均來自國家統計局網站。由于技術創新投入與產出存在滯后效應，滯后期大致為1～2年，本文將技術研發階段的投入產出和經濟轉化階段的滯后期均設定為1年［31］。

2.2" 模型設定

2.2.1" 超效率DAE模型

根據Andersen等（1993）提出的超效率DEA模型，對n家智能制造企業的創新效率進行評價，每家智能制造企業Dj（j=1，2，… n）有k種投入Xij（j=1，2，… k）、p種投入Ywj（j=1，2，… w）。第l家智能制造企業Dk的超效率DEA模型如式（1）所示，其中，D的線性組合系數為λ，最優解θ為效率值， j ≠l。

s.t.minθ∑nλjxij≤θxjl∑nλjxwj≥θxjlλ≥0i=1，2…，k;w=1，2…，p;j=1，2…，n（1）

本文利用超效率DEA模型測算技術研發效率（E1）和經濟轉化效率（E2），如圖2所示，A、B、C、D分別表示（EA1，EA2）、（EB1，EB2）、（EC1，EC2）、（ED1，ED2）對應的兩階段創新效率。參考范德成等［28］的做法，智能制造企業整體創新效率（E）的計算公式為：

E=E21+E22（2）

2.2.2" Tobit回歸模型

Tobit回歸模型［30］已成為估計回歸系數較常用的方法，在能源利用、財政支出和銀行運行等效率研究中應用廣泛，其通用模型如式（3）所示。

y*=αxi+εi，εi～N（0，σ2）yiy*i，y*igt;00，y*ilt;0（3）

其中，yi是效率值，y*i是因變量向量，xi是自變量向量。

在式（3）基礎上，構建智能制造企業創新效率影響因素的Tobit回歸方程，如式（4）。

y*=α1E1it+α2E2it+α3E3it+α4E4it+α5E5it+α6E6it+α7E7it+εit （4）

其中，y*表示智能制造企業創新效率值，αj表示回歸參數，Ejit表示各自變量，εit表示殘差項，i表示智能制造企業編號，t表示時間。

2.3" 數據來源

2015—2018年，工信部發布了四批國家智能制造試點示范項目，本文選取涉及的45家智能制造上市企業作為研究樣本。按照“官網—專利審查信息查詢—中國及多國專利審查信息查詢系統—公共查詢”的途徑，以申請企業全名和發明專利為檢索條件，進行對應年限檢索。在信息檢索過程中，整理發明專利授權數據，企業年報數據來自國泰安數據庫。

3" 智能制造企業創新效率分析

3.1" 智能制造企業創新效率測度結果

根據前文構建的智能制造企業創新投入產出指標體系，運用超效率DEA模型，借助MaxDEA軟件對我國智能制造企業整體創新效率和兩階段創新效率進行測度。

3.1.1" 技術研發效率測度結果

如表1所示，2015—2021年，樣本智能制造企業技術研發效率均值呈波動上升趨勢，總體保持平穩增長，但漲幅較小。技術研發效率均值為0.523，高于均值的企業有22家，低于均值的企業有23家。技術研發效率均值最高的是江蘇徐工機械（1.086），最低的是陜西峽鼓動力（0.109），相差0.977，表明我國智能制造企業技術研發效率差異較大。如圖3所示，比較不同行業智能制造企業技術研發效率發現，各行業技術研發效率呈波動上升趨勢。其中，汽車制造業技術研發效率呈“M”型發展，電氣機械和器材制造業、汽車制造業技術研發效率處于斷層式領先位置，黑色金屬冶煉和壓延加工業以及計算機、通信和其它電子設備制造業技術研發效率處于行業平均水平，食品制造業、紡織制造業技術研發效率則處在較低水平?？傮w看，行業間技術研發效率差距明顯，電氣機械和器材制造業、汽車制造業引領智能制造企業技術研發先進水平，其它行業技術研發效率整體偏低，未來趕超相對困難。

3.1.2" 經濟轉化效率測度結果

如表2所示，2015—2021年，樣本智能制造企業經濟轉化效率總體呈上升趨勢，但漲幅較小。經濟轉化效率均值為0.568，高于均值的企業有22家，低于均值的企業有23家。經濟轉化效率均值最高的是上海天地科技（1.122），達到DEA有效，最低的是安徽華貿股份（0.176），相差0.946，表明我國智能制造企業經濟轉化效率差異較大。如圖4所示，比較不同行業智能制造企業經濟轉化效率發現，汽車制造業、電氣機械和器材制造業經濟轉化效率整體優勢明顯，紡織業相比其它行業存在明顯劣勢，其它行業差距不明顯。與技術研發效率相比，經濟轉化效率行業差距明顯縮小。總體看，大部分行業之間差距較小，未來發展潛力都很大且互相趕超相對容易。

3.1.3" 整體創新效率測度結果

在技術研發效率和經濟轉化效率測度的基礎上，運用式（2）計算我國智能制造企業整體創新效率，如表3所示。樣本智能制造企業整體創新效率均值為0.787，高于均值的企業有22家，低于均值的企業有23家。整體創新效率均值最高的是上海天地科技（1.478），最低的是陜西峽鼓動力（0.270），相差1.208，表明我國智能制造企業整體創新效率差異大，區域間發展不平衡。如圖5所示，比較不同行業智能制造企業整體創新效率發現，汽車制造業、電氣機械和器材制造業整體創新效率依舊遙遙領先，計算機、通信和其它電子設備制造業以及黑色金屬冶煉和壓延加工業處在行業中等水平，鐵路船舶航空航天和其它運輸設備制造業波動較大，其它行業整體水平偏低，其中紡織業整體創新效率最低。對比行業整體創新效率與技術研發效率發現，排在前兩位和后兩位的行業相同，并且行業間差距水平相似，說明當前技術研發階段效率是影響整體創新效率的主要因素，也側面反映出創新成果轉化階段效率落后是拉低整體效率水平的主要因素。

3.2" 智能制造企業兩階段創新效率比較分析

本文打破固化思維，不局限于依據地理位置進行區域劃分，而是基于兩階段創新效率的特點對各智能制造企業進行分類。參考李柏洲等［32］的做法，本文根據技術研發效率和經濟轉化效率均值將智能制造企業區分為4類，具體分類結果如表4和圖6所示。

如表4所示，高研發高轉化類智能制造企業具有良好的創新技術基礎與市場前景，需要更加注重創新質量的提升，充分利用自身高效的創新資源配置優勢，補齊核心技術短板，追趕世界技術前沿；高研發低轉化類智能制造企業在進一步提高研發能力的同時，更要以市場需求促進研發成果的商業化，要以市場為導向，合理投入創新資源，重視經濟效益；低研發高轉化類智能制造企業應關注自身研發成果轉化能力，通過模仿創新、消化吸收再創新降低研發風險，提升自身研發能力，努力轉化為第一類企業；低研發低轉化類智能制造企業要以市場為導向，將有限的創新資源集中整合，降低自身創新風險，向第二、三類企業轉化積累，逐步發展成為第一類企業。

3.3" 影響因素分析

影響企業創新效率的因素眾多，結合智能制造企業特點，本文選擇以下7個指標進行分析：①企業規模，創新效率與企業規模正相關［33］，采用企業總資產的對數衡量；②股權集中度，股權集中度對企業創新效率具有促進作用［14］，采用智能制造企業前10大股東持股比例的平方和衡量；③人才結構，智能制造企業在創新過程中需要更多高素質人才，采用企業研發人員與企業員工總數的比重表征；④市場結構，市場結構能夠反映企業在行業內的壟斷程度，采用同行業企業數量占智能制造企業總數的比重衡量；⑤科技水平，智能制造企業所在地區較高的科技水平能夠為企業創新提供更多技術服務，采用地方財政支出中科學技術支出占比衡量；⑥創新基礎環境，交通基礎設施是企業創新的重要基礎環境，采用智能制造企業所在城市公路、鐵路和內河航道總里程與地區面積之比衡量［34］；⑦政府支持，政府通過稅收優惠、財政補貼等多種手段支持智能制造企業創新發展，采用Ramp;D研發經費支出中政府資金占比衡量［35］。上述指標原始數據均來源于各期企業財務年報、《中國統計年鑒》以及地方統計年鑒等。由于統計年鑒數據是以當年價格進行核算，本文對受價格影響的指標數據以2014年為基期按價格指數進行平減處理。

以各影響因素為自變量，以兩階段創新效率為因變量，運用EViews11.0軟件構建技術研發效率和經濟轉化效率的Tobit模型進行回歸分析，結果如表5、表6所示。

由表5可知，上述7個影響因素對智能制造企業技術研發效率均具有正向影響，其中，資產規模、股權集中度、市場結構在5%的水平上顯著，其它因素在1%的水平上顯著。政府支持對智能制造企業技術研發效率的影響最大，回歸系數為0.051，表明政府資金支持對企業創新積極性和技術研發成果轉化的助推效果很好；地區科技水平的回歸系數為0.042，政府財政科技投入能夠代表當地科技水平，加大財政科技投入，為智能制造企業技術研發提供更好的服務環境和服務質量，有利于智能制造企業技術研發成果轉化；資產規模的回歸系數為0.032，表明適度擴大智能制造企業規模，有助于企業技術研發活動開展，促進技術研發成果轉化；人才結構的回歸系數為0.021，表明智能制造企業研發人員占比越高，企業技術研發能力越強；股權集中度和市場結構的回歸系數分別為0.006、0.005，表明這兩個因素對智能制造企業技術研發效率存在微弱的正向影響，說明穩定的股權集中度對智能制造企業技術研發有益，行業內市場主體數量增加也對智能制造企業創新研發有一定幫助。

由表6可知，資產規模、股權集中度和市場結構對智能制造企業經濟轉化效率的影響在1%的水平上顯著，其它因素在5%的水平上顯著。其中，市場結構對智能制造企業經濟轉化效率的影響最大，回歸系數為-0.056，表明市場競爭過于激烈不利于智能制造企業研發成果的經濟轉化；地區科技水平的回歸系數為0.53，表明較高的財政科技投入水平不但有助于企業研發活動開展，對企業研發成果的經濟轉化也有很大幫助，是影響智能制造企業創新發展的重要因素；創新基礎環境的回歸系數為0.045，表明優化創新基礎設施環境能夠為智能制造企業創新活動提供保障，有利于創新成果的經濟轉化；資產規模的回歸系數為0.038，表明規模較大的企業更容易實現研發成果的經濟轉化，在經濟轉化效率中，智能制造企業的規模優勢凸顯；人才結構的回歸系數為-0.023，表明研發人員數量增加有助于企業技術研發效率提升，但是研發產出如果不能及時轉化為經濟價值，則會降低企業經濟轉化效率；政府支持的回歸系數為-0.011，政府支持能夠提高企業創新積極性，但是僅依靠政府財政支持，企業沒有高質量的創新產品，研發成果無法讓市場接受，也會影響智能制造企業經濟轉化效率。

4" 結論與政策建議

4.1" 結論

本文運用超效率兩階段DEA模型對我國智能制造企業創新效率進行測度，在測度結果基礎上，利用Tobit回歸模型對智能制造企業兩階段創新效率的影響因素進行分析，得出以下主要結論：首先，從智能制造企業創新效率測度結果看，我國智能制造企業創新效率整體呈逐年上升態勢，但漲幅較小，還存在很大上升空間，且個體差異較大，高研發高轉化和低研發低轉化類智能制造企業數量最多。電氣機械和器材制造業、汽車制造業的兩階段創新效率優勢明顯，紡織制造業的兩階段創新效率均處在較低水平，技術研發階段效率是影響整體創新效率的主要因素。其次，從智能制造企業創新效率的影響因素看，政府支持對技術研發效率的促進作用最大，不考慮市場需求、盲目提高研發產出會降低研發成果的經濟轉化效率。良好的科技環境和基礎設施環境對智能制造企業技術研發、經濟轉化都具有助推作用，大型智能制造企業在兩階段創新效率上較中小企業更具優勢。股權集中度對智能制造企業兩階段創新效率的影響甚微。研發人員數量增加有助于提高研發產出，但技術研發階段的產出如果不能及時轉化為經濟價值，則會降低經濟轉化效率。市場競爭有利于智能制造企業提高研發產出，但對經濟轉化效率存在較大負向影響，表明我國智能制造企業市場結構還不完善。

4.2" 政策建議

基于以上結論，本文為促進我國智能制造企業創新效率提高提出以下政策建議：第一，制定合理有效的政府支持政策。政府在扶持智能制造企業時應注意支持環節和質量，適當減少成果轉化過程中的直接資金支持，通過政策補貼和稅收優惠等多種手段扶持重點環節，提高財政支持的靈活性。第二，完善科技投入管理制度。政府財政科技投入可以反映地區科技水平，加大科技投入對智能制造企業創新效率提升具有積極作用。政府在制定科技投入計劃時，應重點支持我國智能制造創新發展戰略相關領域，如加大對“卡脖子”技術領域的支持力度，提高科技服務質量，促進創新成果推廣應用。第三，規范市場競爭機制。我國智能制造企業起步較晚，市場結構還不完善，需要規范市場競爭機制，引導智能制造企業通過技術研發和開發新產品提高市場競爭力，打擊違規侵權、價格戰等惡意競爭行為。同時，通過建立政企創新合作聯盟、制定行業發展準則等方式為智能制造企業發展營造良好的市場競爭環境，保障智能制造企業創新能力健康發展。第四，合理調整企業創新人才結構。智能制造企業應建立員工管理制度，不能盲目擴大研發人員規模，應根據研發需求、企業規模、市場環境等因素綜合確定研發人員數量，合理調整人才結構，注意研發人員數量與總體創新資源的匹配程度，避免造成人才投入冗余。

4.3" 不足與展望

新產品銷售收入作為企業創新產出的商業化成果，在衡量創新產出中被學者廣泛采用，考慮到數據的可得性和準確性，本文采用營業收入變量替代，有一定局限性，也是現階段智能制造企業創新效率測度指標的缺口。未來研究將通過企業走訪、問卷調查等多種渠道收集相關數據，為進一步研究智能制造企業創新效率提供有價值的可靠數據。此外，本文僅采集了45家智能制造上市企業指標數據，樣本數量相對較少，并且地處長三角地區的智能制造企業數量較多，地域分布不均衡，研究結論可能存在一定偏差。未來研究將繼續擴充研究樣本數量，以更全面地反映我國智能制造企業創新效率。

參考文獻：

［1］" "WRIGHT P K， BOURNE D A.Manufacturing intelligence［M］.Addisin-Welsley Publishing Company，1998.

［2］" 戚聿東，徐凱歌.智能制造的本質［J］.北京師范大學學報（社會科學版），2022，64（3）：93-103.

［3］" 王柏村，陶飛，方續東，等.智能制造——比較性綜述與研究進展［J］.Engineering，2021，7（6）：80-122.

［4］" 戚聿東，徐凱歌.新時代十年我國智能制造發展的成就、經驗與展望［J］.財經科學，2022，66（12）：63-76.

［5］" 龔其國，楊麗萍.“中國制造2025”背景下制造業的發展策略研究——基于社會網絡分析和文本挖掘［J］.科技促進發展，2020，16（8）：917-923.

［6］" 楊淵鋆，劉軍，姚幃之，等.新中國70年智能制造研究熱點與前沿探討——基于知識圖譜的分析［J］.科技管理研究，2020，40（18）：46-54.

［7］" YANG T， YI X， LU S， et al. Intelligent manufacturing for the process industry driven by industrial artificial intelligence［J］. Engineering， 2021，7（9）：1224-1230.

［8］" HE B， BAI K J. Digital twin-based sustainable intelligent manufacturing： a review［J］. Progress in Advanced Manufacturing， 2021， 9（1）：1-21.

［9］" GREFEN PAUL，VANDERFEESTEN IRENE，TRAGANOS KOSTAS，et al. Advancing smart manufacturing in Europe： experiences from two decades of research and innovation projects［J］. Machines，2022，10（1）：45-46.

［10］" 王友發，周圓圓，羅建強.近20年智能制造研究熱點與前沿挖掘［J］.計算機工程與應用，2021，57（6）：49-57.

［11］" 尹洪英，李闖.智能制造賦能企業創新了嗎——基于中國智能制造試點項目的準自然試驗［J］.金融研究，2022，43（10）：98-116.

［12］" AFRIAT S N.Efficiency estimation of production functions［J］. International Economic Review，1972，13（3）：568-598.

［13］" WANG Y，PAN JIAOFENG，PEI RUIMIN，et al，Assessing the technological innovation efficiency of China's high-tech industries with a two-stage network DEA approach［J］.Socio-Economic Planning Sciences，2020，71：100810.

［14］" 徐琛輝，宋良榮.基于DEA模型的智能制造企業創新效率評價［J］.技術與創新管理，2022，43（3）：334-341.

［15］" 張夢成，宋良榮.智能制造企業經營能力與創新效率研究［J］.技術與創新理，2022，43（1）：21-29.

［16］" 韓兵等.基于兩階段DEA的高技術企業技術創新績效研究［J］．科研管理，2018，39（3）：11-19.

［17］" CHIARA FRANCO，FABIO PIERI，FRANCESCO VENTURINI.Product market regulation and innovation efficiency［J］.Journal of Productivity Analysis，2016，45（3）：299-315.

［18］" ALI RAKHSHAN.Efficiency ranking of decision making units in data envelopment analysis by using TOPSIS-DEA method［J］.The Journal of the Operational Research Society，2017，68（8）：906-918.

［19］" 劉峰，寧健.智能制造企業技術創新效率及其影響因素［J］.企業經濟，2016，35（4）：142-147.

［20］" GUAN J， CHEN K. Measuring the innovation production process： a cross-region empirical study of China's high-tech innovations［J］. Technovation， 2010， 30（5-6）：348-358.

［21］" 徐詠梅，王洪玲.基于價值鏈視角的中國高技術產業技術創新效率研究［J］.創新與創業管理，2014，10（1）：50-61.

［22］" 潘文彪，陳志云，張寧.中國裝備制造企業轉型升級實踐研究和企業智能制造體系構建的建議思考［J］.現代管理科學，2019，38（2）：27-29.

［23］" 曾卓騏，王躍.戰略性新興產業上市公司動態創新效率測度及其影響因素研究——基于兩階段DSBM模型與Tobit模型［J］.科技進步與對策，2022，39（21）：65-74.

［24］" 張雪琳，賀正楚，任宇新.中國區域工業企業技術創新效率研究：整體創新和階段創新的視角［J］.科學決策，2022，29（10）：1-19.

［25］" 蘇屹， 陳鳳妍.企業家地方政治關聯對技術創新績效影響研究［J］. 系統工程理論與實踐， 2017， 37（2）：365-378.

［26］" 陳海強， 韓乾， 吳鍇. 融資約束抑制技術效率提升嗎——基于制造業微觀數據的實證研究［J］. 金融研究，2015，36（10）：148-162.

［27］" 王洪海，李洪銳.智能制造上市企業創新效率測度——基于三階段DEA模型［J］.江蘇海洋大學學報（人文社會科學版），2022，20（5）：102-111.

［28］" 范德成，李盛楠.區域高技術產業技術創新效率測度與提升路徑研究——基于共享投入關聯型兩階段DEA模型［J］.運籌與管理，2019，28（5）：156-165.

［29］" 方瑩瑩，劉戒驕，馮雪艷.空間相關性、創新生態環境與高技術產業創新生態系統創新效率——基于中國內地23個份的實證研究［J］.科技進步與對策，2022，39（3）：59-68.

［30］" 陳懷超，張晶，馬靖.產學研創新資源錯配對域創新效率的影響——基于要素扭曲測度模型與超效率SBM-DEA模型［J］.科技進步與對策，2021，38（10）：46-55.

［31］" TOBIN JAMES. Estimation of relationships for limited dependent variables［J］. Econometrica， 1958， 26（1）：24-36.

［32］" 李柏洲，王雪，蘇屹，等.我國戰略性新興產業研發—轉化兩階段創新效率［J］.系統工程，2019，37（4）：48-56.

［33］" 范德成，杜明月.高端裝備制造業技術創新資源配置效率及影響因素研究：基于兩階段StoNED和Tobit模型的實證分析［J］.中國管理學，2018，26（1）：13-24.

［34］" DMURGER S. Infrastructure development and economic growth： an explanation for regional disparities in China ［J］. Journal of Comparative Economics， 2001， 29（1）： 95-117.

［35］" 范凌鈞， 陳燕兒. 政府Ramp;D資助對高技術產業技術效率的影響研究［J］. 運籌與管理， 2014， 23（4）： 246-253.

（責任編輯：陳" 井）

Innovation Efficiency Evaluation of Intelligent Manufacturing Enterprises Based on Two-stage Super Efficiency DEA

Fu Ningning1， 2， Su Yi1，Guo Xiufang3

（1. School of Economics and Management，Harbin Engineering University;2. Department of Management，Harbin Finance University；3.Humanities Teaching Department，The Open University of Harbin，Harbin 150001，China）

Abstract：Along with the deep integration of digital economy and traditional manufacturing characterized by digitization， networking and intelligence， intelligent manufacturing has become the focus of economic and technological competition among countries around the world. Chinese intelligent manufacturing is confronted by problems such as weak industrial infrastructure， an insufficient supply of data elements， and the relatively lagging application of intelligent technology. Innovation is the primary driving force of the development of intelligent manufacturing， while intelligent manufacturing is rooted in enterprise innovation. Since enterprises are the main driving force of intelligent manufacturing， and \"Internet plus\" and industrial Internet are important driving forces in the field of manufacturing， this paper aims to explore the allocation structure of innovation resources in intelligent manufacturing enterprises， make scientific measurement of the innovation efficiency of intelligent manufacturing enterprises， and provide references for how to improve the innovation capability of intelligent manufacturing enterprises.

This study selects the enterprises from China's intelligent manufacturing demonstration pilot project as a sample， and constructs a two-stage super efficiency DEA model to measure technology development efficiency， economic transformation efficiency， and overall innovation efficiency. The intelligent manufacturing enterprises are divided into four categories： high Ramp;D and" high transformation， high Ramp;D and low transformation， low Ramp;D and high transformation， and low Ramp;D and low transformation. Then the factors and degrees that affect the two-stage innovation efficiency of intelligent manufacturing enterprises are analyzed by the Tobit regression model. The results indicate that， first， the innovation efficiency of intelligent manufacturing enterprises has been increasing year by year， but there is still a lot of room for improvement. There are also significant individual differences， and the proportion of intelligent manufacturing enterprises with high Ramp;D and high transformation，low Ramp;D and low transformation is the highest. The two-stage innovation efficiency advantages of the electrical machinery and equipment manufacturing industry and the automobile manufacturing industry are clear， while the textile manufacturing industry is at a relatively low level of innovation efficiency. The efficiency in the technology research and development stage is the main factor determining the overall efficiency of innovation. Second， from the analysis of factors affecting the innovation efficiency of intelligent manufacturing enterprises， government support has the greatest impact on technology research and development efficiency. However， ignoring market demand and blindly increasing research and development output could lead to a decrease in the economic transformation of research and development achievements. A high-quality technological environment and infrastructure have a boosting effect on the Ramp;D generation and economic transformation of intelligent manufacturing enterprises. Large enterprises are more likely to have higher two-stage innovation efficiency than small and medium-sized enterprises. The equity concentration ratio has little effect on two-stage innovation efficiency. An increase in the number of Ramp;D personnel will increase Ramp;D output， but the increased Ramp;D output during the technology Ramp;D stage cannot be timely converted into economic value， and instead will reduce the economic conversion rate. Market competition is beneficial for the Ramp;D output of intelligent manufacturing enterprises， but it has had a significant negative impact on economic transformation efficiency， indicating that the market structure of intelligent manufacturing enterprises in China is not yet sound.

Four policy implications are put forward to improve the innovation efficiency of China's intelligent manufacturing enterprises. First， the government should pay attention to the links and quality when providing support to intelligent manufacturing enterprises， appropriately reduce financial support for the achievement transformation process， support key links through various means such as policy subsidies and tax incentives. Second， the government should focus on supporting fields related to China's intelligent manufacturing innovation development， improve the quality of scientific and technological services， and promote the application of innovative achievements to improve the management system for science and technology investment. Third， it is essential for the government to improve the market competition mechanism， encourage the enterprises to strengthen their market competitiveness through research and development capabilities and new products， and crack down on malicious competition through methods such as illegal infringement and price wars. Fourth， it is necessary to reasonably adjust the structure of innovative talents according to the matching degree between Ramp;D personnel and overall innovation resources， and avoid causing redundant talent investment.

Key Words： Intelligent Manufacturing Enterprises; Innovation Efficiency; Super Efficiency DEA Model; Technology Research and Development; Economic Transformation