隨機(jī)前沿分析在創(chuàng)新績(jī)效上的應(yīng)用

李鵬

摘 要： 運(yùn)用隨機(jī)前沿分析實(shí)證研究了我國(guó)29個(gè)省市自治區(qū)科研機(jī)構(gòu)研發(fā)投入對(duì)其創(chuàng)新績(jī)效的影響和科研機(jī)構(gòu)創(chuàng)新效率的水平，以及我國(guó)30個(gè)省市自治區(qū)產(chǎn)學(xué)研協(xié)同創(chuàng)新效率，研究表明：科研機(jī)構(gòu)研發(fā)投入對(duì)其創(chuàng)新績(jī)效有正的促進(jìn)作用；我國(guó)科研機(jī)構(gòu)創(chuàng)新效率整體并不高，且各省市差異也很大；我國(guó)產(chǎn)學(xué)研協(xié)同創(chuàng)新效率也不高，還有很大提升空間。

關(guān)鍵詞： 隨機(jī)前沿分析； 科研機(jī)構(gòu)； 產(chǎn)學(xué)研協(xié)同； 創(chuàng)新績(jī)效

中圖分類號(hào)： F 423 文獻(xiàn)標(biāo)志碼： A 文章編號(hào)： 1671-2153（2018）03-0100-04

0 引 言

隨機(jī)前沿分析（Stochastic Frontier Analysis，SFA）是利用隨機(jī)前沿生產(chǎn)函數(shù)進(jìn)行效率估計(jì)的一種方法。該方法是對(duì)決策單元的技術(shù)效率進(jìn)行估計(jì)，其中誤差項(xiàng)可以分為兩部分：隨機(jī)誤差和技術(shù)無效性。同時(shí)，該方法可以判斷模型擬合質(zhì)量，提供各種統(tǒng)計(jì)檢驗(yàn)值。

目前，隨機(jī)前沿分析得到了廣泛的的應(yīng)用。陳關(guān)聚[1]研究了我國(guó)制造業(yè)30個(gè)行業(yè)的全要素能源效率，分析了能源結(jié)構(gòu)對(duì)技術(shù)效率的影響；梁鑠等[2]對(duì)我國(guó)省域近海捕撈業(yè)技術(shù)進(jìn)步率和技術(shù)效率進(jìn)行了測(cè)算，以之為基礎(chǔ)推測(cè)了近海漁業(yè)資源衰退速度，并對(duì)各省份技術(shù)效率演變趨勢(shì)及省域差異進(jìn)行了分析；霍明等[3]以社會(huì)信息化的視角，運(yùn)用隨機(jī)前沿分析中的B-C模型，對(duì)我國(guó)農(nóng)業(yè)生產(chǎn)的技術(shù)效率進(jìn)行分析。

由此可見，不同領(lǐng)域的學(xué)者都會(huì)使用隨機(jī)前沿分析來分析解決自己領(lǐng)域的相關(guān)效率問題，也能很好的解決自己所研究的效率問題。本文將運(yùn)用隨機(jī)前沿分析實(shí)證研究我國(guó)科研機(jī)構(gòu)創(chuàng)新績(jī)效和我國(guó)產(chǎn)學(xué)研協(xié)同創(chuàng)新績(jī)效。

1 在科研機(jī)構(gòu)創(chuàng)新績(jī)效上的應(yīng)用

1.1 變量與數(shù)據(jù)說明

我國(guó)的專利制度將專利劃分為發(fā)明、實(shí)用新型和外觀設(shè)計(jì)3種類型，在這3種類型中，發(fā)明專利的技術(shù)含量最高，同時(shí)申請(qǐng)難度最大，被認(rèn)為是表征創(chuàng)新能力的最有效的指標(biāo)。本文選取“發(fā)明專利申請(qǐng)數(shù)”代表科研機(jī)構(gòu)創(chuàng)新產(chǎn)出水平的高低。同時(shí)，選取R&D課題數(shù)（項(xiàng)）、R&D人員（人年）和R&D經(jīng)費(fèi)（萬元）3個(gè)變量作為科研機(jī)構(gòu)研發(fā)投入變量。本文的研究中，不設(shè)置投入轉(zhuǎn)換為產(chǎn)出的滯后時(shí)間。

本文的研究樣本為2015年我國(guó)29個(gè)省、市、自治區(qū)數(shù)據(jù)，因西藏和青海的有數(shù)據(jù)缺失， 故將其剔除。原始數(shù)據(jù)來自《中國(guó)科技統(tǒng)計(jì)年鑒》（2016）。

1.2 實(shí)證結(jié)果分析

本文運(yùn)用對(duì)數(shù)型柯布道格拉斯生產(chǎn)函數(shù)對(duì)我國(guó)各省市自治區(qū)的科研機(jī)構(gòu)創(chuàng)新績(jī)效進(jìn)行測(cè)算。參照Battese&Coelli[4]模型的基本原理，具體研究模型為

lny=β0+β1lnR+β2lnL+β3lnK+v+u， （1）

式中：y為科研機(jī)構(gòu)“發(fā)明專利申請(qǐng)數(shù)”；R為科研機(jī)構(gòu)R&D課題數(shù)（單位：項(xiàng)）；L為科研機(jī)構(gòu)R&D人員投入（單位：人年）；K為科研機(jī)構(gòu)R&D經(jīng)費(fèi)投入（單位：萬元）；v為隨機(jī)誤差項(xiàng)；u為效率殘差項(xiàng)，反映無效率的程度，v和u相互獨(dú)立。對(duì)模型（1）中的參數(shù)估計(jì)應(yīng)使用最大似然法。

運(yùn)用Frontier4.1軟件對(duì)模型進(jìn)行回歸，回歸結(jié)果如表1所示。表2給出了我國(guó)29個(gè)省市自治區(qū)2015年科研機(jī)構(gòu)創(chuàng)新效率水平估計(jì)結(jié)果。

表1結(jié)果顯示：模型的γ值為0.9942，這表明技術(shù)無效率項(xiàng)占了99.42%以上，隨機(jī)誤差項(xiàng)還不到1%，γ值在1%的水平下顯著，表明選用SFA測(cè)算此面板數(shù)據(jù)的效率較為適合；δ2也在1%的顯著水平下通過了檢驗(yàn)。因此對(duì)2015年的科研機(jī)構(gòu)數(shù)據(jù)使用SFA技術(shù)估計(jì)是必要的，而不能選擇OLS估計(jì)。

從參數(shù)結(jié)果來看，β0，β1，β2均通過了顯著性檢驗(yàn)，僅有β3沒通過顯著性檢驗(yàn)。其中，模型中R&D課題數(shù)系數(shù)β1為正，值為0.177，這說明增加R&D課題投入能帶來研發(fā)創(chuàng)新效率的持續(xù)攀升。R&D人員系數(shù)β2=0.9851（為正），說明R&D人員對(duì)效率的提高也會(huì)產(chǎn)生一定的正向影響，R&D人員投入每增加1%，會(huì)帶來創(chuàng)新產(chǎn)出升高0.9851%，因此，我國(guó)在增加資本投入、加大產(chǎn)業(yè)化的同時(shí)，也應(yīng)注重人力資本的投入。投入經(jīng)費(fèi)盡管沒有通過顯著性檢驗(yàn)，但其系數(shù)為正，值為0.032，說明增加投入經(jīng)費(fèi)對(duì)效率的提高也會(huì)產(chǎn)生正向的影響，即R&D經(jīng)費(fèi)投入每增加1%，會(huì)帶來創(chuàng)新產(chǎn)出增加0.032%。

從各個(gè)省市自治區(qū)科研機(jī)構(gòu)創(chuàng)新效率來看，效率排名前三的分別是海南、遼寧、安徽，為東中部地區(qū)；黑龍江、內(nèi)蒙古、寧夏排在后三位。寧夏創(chuàng)新效率是最低的，創(chuàng)新效率只有0.2569，與創(chuàng)新效率最高的海南相比，差了71%，說明我國(guó)各省份的科研機(jī)構(gòu)創(chuàng)新績(jī)效差異很大。北京和上海的創(chuàng)新效率都不高于0.7，北京僅0.4789，不足0.5；全國(guó)效率均值0.6205，該數(shù)值與1還相差較遠(yuǎn)，表明我國(guó)2015年科研機(jī)構(gòu)創(chuàng)新效率水平并不太高。可見，提高科研機(jī)構(gòu)創(chuàng)新能力仍然是任重道遠(yuǎn)。

2 在產(chǎn)學(xué)研協(xié)同創(chuàng)新績(jī)效上的應(yīng)用

2.1 變量與數(shù)據(jù)說明

對(duì)于產(chǎn)學(xué)研協(xié)同創(chuàng)新的投入產(chǎn)出指標(biāo)的選取，我們根據(jù)國(guó)外學(xué)者Griliches[5]和Jaffe[6]的研究成果，選取企業(yè)、高校和科研機(jī)構(gòu)的R&D人員和R&D經(jīng)費(fèi)作為產(chǎn)學(xué)研協(xié)同創(chuàng)新投人指標(biāo)，選取專利授權(quán)數(shù)作為產(chǎn)學(xué)研協(xié)同創(chuàng)新產(chǎn)出指標(biāo)，如表3所示。

為了全面、動(dòng)態(tài)地描述我國(guó)產(chǎn)學(xué)研協(xié)同創(chuàng)新效率的變化態(tài)勢(shì)，本文的研究樣本為2009-2015年我國(guó)30個(gè)省市自治區(qū)的面板數(shù)據(jù)（西藏地區(qū)由于部分年度數(shù)據(jù)缺失，所以刪除了西藏自治區(qū)），共包含了210個(gè)數(shù)據(jù)樣本。本文原始數(shù)據(jù)來自《中國(guó)科技統(tǒng)計(jì)年鑒》以及Wind資訊。