2018中国制造业创新绩效研究

6510275

　　　　摘要：本文利用指标体系及DEA方法分析了中国制造业创新绩效，结果发现不同行业间创新水平相差很大，新产品比重与研发投入强度呈较高的正向关系，不能单纯采用指标体系来衡量创新水平。我国制造业创新的技术效率总体偏低，纯技术效率小于规模效率，反映出我国制造业创新体系中创新水平及制度与管理存在问题。 　　关键词：制造业，创新，指标体系，数据包络分析
　　一、引言
　　创新是一个民族进步的灵魂，是国家兴旺发达的不竭动力。创新也是企业生存及发展的重要因素。我国已迅速发展成为世界制造业大国，仅次于美国、日本、德国，居第四位，制造业在我国国民经济发展中也占有举足轻重的地位。研究制造业中各行业的创新效益和效率，有利于比较不同行业创新现状，分析存在的问题，优化宏观科技政策，给政府及相关部门提供决策参考。
　　对创新绩效的实证研究，主要集中在区域创新领域和行业创新领域，其中以区域创新领域的研究为主。在研究方法上，也是百花齐放，第一种是DEA方法，池仁勇，虞晓芬等选取RD投入及工业总资产作为投入变量，区域产品出口额、新产品产值、名优产品指数、全员劳动生产率、高新技术产业增加值作为产出变量，分析了东西部技术创新效率差距及原因。李双杰、王海燕等利用技术创新活动人员、经费作为投入变量，专利申请受理量、发表科技论文及出版科技著作、行业总产值变化率作为产出变量，利用DEA方法对北京制造业的创新效率进行分析。官建成，刘顺忠利用研发人员与投入作为投入变量，发明专利作为产出变量研究区域创新效率。第二种是随机前沿SFA法，张宗益、周勇等选取RD人员、RD经费作为投入变量，专利申请量作为产出变量，利用随机前沿估计我国的区域创新效率。第三种是相关分析法，李晓钟、张小蒂通过各行业RD投入对本行业产出、其他行业产出以及全国范围内本地区以外的行业RD投入对本地区同一行业产出的影响，比较了江苏与浙江的技术创新效率。柴剑峰、陈光分析了RD投入与产品技术水平、市场接受程度、技术新颖程度、后续产品多少程度等的关系。王海盛、郑立群(2005)利用生产函数研究区域创新成果与创新投入之间的关系。第四种是指标体系法，黄鲁成、张红彩采用因子分析定权法测算了北京制造业行业的技术创新效率，选取产品项目数、专利申请数、新产品销售收入和新产品工业总产值作为技术创新的产出指标。王伟光建立了中国工业行业技术创新效率指数对中国38个行业的技术创新效率进行比较，发现效率差距呈缩小趋势。王广泽、张延等建立了国家创新系统评价指标体系。此外还有许多学者分析创新绩效的影响因素。
　　总体上，对创新绩效的研究成果比较丰厚，研究范围主要集中在区域创新领域，对行业创新研究较少。DEA方法能在一定的投入产出下，对经济系统进行综合效率评价，其方法成熟，被应用到许多领域，但对投入产出变量的选取及异常值比较敏感，如果选取不当，会造成很大误差，如工业总资产作为创新投人明显不妥，出口额作为创新的产出指标就存在诸多争议，名优产品、高新技术产品也不见得就是创新产品，全员劳动生产率更不能作为创新的产出，由于我国科技成果转化率偏低，仅用发明专利数量作为创新的产出指标也过于单薄。随机前沿需要事先确定解释变量与被解释变量的函数关系，在复杂经济系统中实现这一点并不容易。相关分析法更适合研究创新投人与产出的关系及创新绩效的影响因素。指标体系法存在着指标权重的赋值问题，存在人为因素，同时要注意行业及地区的可比性。本文在科学选取创新绩效指标体系的基础上，应用统计指标与DEA方法全面分析我国制造业行业创新绩效。
　　二、可变规模报酬DEA模型(BCC)
　　DEA是一种测算具有相同类型投入和产出的若干系统或部门(简称决策单元，DMU)相对效率的有效方法。其实质是根据一组关于输入输出的观察值，采用数学规划模型，来估计有效生产的前沿面，再将各DMU与此前沿做比较，进而衡量效率。凡是处在前沿面上的DMU，DEA认定其投入产出组合最有效率，将其效率指标定为1；不在前沿面上的DMU则被认定为无效率，同时以效率前沿面之有效点为基准，给予一个相对的效率指标(大于0，小于1)。此外，DEA还可以判断各个DMU的投入规模的适合程度，给出各DMU调整其投入规模的方向和程度。传统的统计方法是从大量样本数据中分析出样本集合整体的一般情况，其本质是平均性，DEA则是从样本数据中分析出样本集合中处于相对有效的样本个体，其本质是最优性。DEA在测定若干个决策单元的相对效率时注重的是对每一个决策单元进行优化，所得出的相对效率是其最大值，是最有利于该决策单元的相对效率。
　　规模报酬不变模型是Charnes，Cooper和Rhodes(CCR)所提出的最基本DEA模型，因此也称为CCR模型。为了对DMU的有效性进行较简单的判别，Charnes和Cooper引入了非阿基米德无穷小量的概念，以便用线性规划的单纯形方法求解模型，对决策单元进行一次性判别。
　　用不变规模报酬模型进行效率测评时，必须假定各决策单元是位于最佳生产规模，否则所测的效率值中，就包含规模效应的影响。为测算生产单元的纯技术效率水平，Banker，Charnes，Cooper提出了可变规模报酬(BCC)模型。在可变规模报酬的假设下，生产可能集TV为：
　　建立在Tv上的纯技术效率评价的模型(加入松弛变量SA和SB及摄动量ε后)为：
　　则有：当该问题的解为，λ*，SA*，SB*时，有如下结论：
　　(1)若=1，且SA=SB=0，则DMU0有效。
　　(2)若=1，则DMU0弱有效，
　　(3)若＜1，则DMU0非有效。
　　如前所述，用不变规模报酬模型测算所得到的效率值，包含了规模效率和纯技术效率两方面的内容。而可变规模报酬模型所考察的，是生产单元的纯技术效率水平。则技术效率θc、纯技术效率θv和规模效率趴的关系为：
　　θc=θv*θs，θs=θc/θv　　(3)
　　通过分别运行CRS、VRS的DEA模型得到θc和θv，用他们便可以推算规模效率的水平。当θc=θv时，生产单元的规模效率为1，即生产处于最佳规模；否则生产单元的规模效率有所损失。造成规模效率损失的也有两种原因，分别是规模过大和规模过小造成。如上推算的θs＜1时，并不能区分这两种情况。即无法判定生产是处于规模报酬递增、还是规模报酬递减阶段，这样就降低了规模效率分析的作用。为此Tim Coelli T.J(1996)提出了非增规模报酬NIRS(Non-increase Returns to Scale)模型，即将VRS模型约束条件改为≤1就变成NIRS模型。
　　当生产单元处于规模无效(θs＜1)时，通过比较θs和θn就可判别生产所处的规模报酬阶段：
　　(1)θs=θn时，生产处于规模报酬递减阶段。
　　(2)θs≠θn时，生产处于规模报酬递增阶段。
　　三、变量的选取与说明
　　本文重点研究制造业的行业绩效，2006年中国统计年鉴中，将制造业分为42个行业，考虑到数据的可得性，实际选取29个行业作为研究对象。全部数据来自于国家统计信息网2006年大中型工业企业自主创新统计资料以及2006年中国统计年鉴，实际数据为2005年的数据。表1为变量表。
　　RD人员和RD经费作为创新系统的投入变量已经得到公认，这两项数据有两个来源，一是各个行业的RD人员和经费投入，一是按项目统计的RD人员和经费投入，很显然后者数据要低于前者，作为行业创新，并不都是以项目作为基本投入单位的，本文选取前者数据。
　　消化吸收支出是消化吸收引进技术的支出，包括消化吸收引进国外技术和国内技术的支出。技术创新除了一部分自主创新外，相当一部分是在吸收消化国内外先进技术的基础上进行的创新，如我国的家电制造业、通信设备计算机制造业等都是如此。如果没有消化吸收的过程，就没有进一步的创新。
　　新产品销售收入是典型的创新产出，之所以不选取新产品产值数据是因为部分新产品也许会面临失败，没有在市场上交换，不被市场承认。发明专利数是典型的创新成果，申请专利数虽然可以在一定程度上反映创新成果，但不如发明专利数准确，因为前者并没有被认定，而后者是认定后的结果。专利拥有量是存量数据，显然不能选取。
　　以上投入产出变量的选取充分考虑了创新的实际成果而不是理论成果，较准确地反映了制造业在创新中的投入产出关系。用这些数据作为主要指标进行进一步的分析能科学合理地衡量制造业行业绩效情况。