中國區(qū)域工業(yè)創(chuàng)新效率評價研究Malmquist指數模型
——基于

彭偉明，周 慧

(安徽財經大學 經濟學院，安徽 蚌埠233030)

2015年5月，中國出臺了《中國制造2025》，旨在大幅提高中國工業(yè)與科技的創(chuàng)新力，以科技創(chuàng)新為核心打造現代化強國。黨的十九大報告也指出，加快建設制造強國，堅定不移走中國特色新型工業(yè)化道路是實現中國民族偉大復興的必經之路。2019年李克強總理在兩會上作政府工作報告中提出要打造工業(yè)互聯網平臺，拓展“智能+”為制造業(yè)轉型升級賦能。工業(yè)創(chuàng)新對于中國的經濟發(fā)展尤為重要，從絕對量來看，2018年中國國內生產總值為900309億元，工業(yè)增加值為305160.2億元，工業(yè)對國內生產總值的貢獻度達到了33.9%。從關聯性來看，工業(yè)發(fā)展與絕大多數其他行業(yè)息息相關。然而，中國不同區(qū)域工業(yè)化發(fā)展程度存在顯著差異，針對不同地區(qū)需要不同的發(fā)展政策。因此，從數理角度針對中國不同區(qū)域進行工業(yè)創(chuàng)新評價，并提出相應的改進措施，就顯得尤為必要。

國外利用全要素生產率對工業(yè)效率進行評價相對較早，主要研究工具為數據包絡分析。數據包絡分析作為一種非參數技術效率分析方法，相比于其他效率評價方法有許多有優(yōu)點，因而在工業(yè)創(chuàng)新效率評價方面得到了廣泛應用。Perelman利用SFA和DEA模型測算了OECD 11個成員國8個工業(yè)部門在1970—1987年的全要素生產率[1]。Granderson利用Malmquist指數測算了美國天然氣管道運輸業(yè)在1977—1989年間的生產率變化[2]。Hashimoto等利用Malmquist指數測算了1983—1992年日本醫(yī)藥行業(yè)全要素生產率[3]。Pammolli等通過對比研究美國和歐洲制藥業(yè)的研究效率，得出結論：區(qū)域研發(fā)效率基本不受區(qū)域因素影響[4]。由此可以看出，國外學者利用數據包絡分析進行研究的領域十分廣泛，并且取得了顯著成效。此外，國內學者根據不同區(qū)域范圍，對工業(yè)企業(yè)進行效率評價。有的學者從中國整體進行研究，如韓潔平等選取中國2007—2013年中國30個省市規(guī)模以上工業(yè)企業(yè)生態(tài)創(chuàng)新的相關數據，利用DEA-BCC模型進行創(chuàng)新效率評價，結果顯示，中國工業(yè)企業(yè)總體的生態(tài)創(chuàng)新能力不高，仍有很大的發(fā)展空間[5]。熊曦等采用兩階段DEA模型對中國2011—2015年規(guī)模以上工業(yè)企業(yè)進行效率測算，結果表明，規(guī)模以上工業(yè)企業(yè)效率在研究期間不斷上升，轉化效率起到了重要作用[6]。有的學者以部分地區(qū)為研究對象，如陳偉等以東北地區(qū)大中型工業(yè)企業(yè)為研究對象，利用2008—2014年的數據進行指標構建，采取DEA-Malmquist模型進行指數分解，結果表明，雖然東北地區(qū)全要素生產率高于全國平均增長率，然而技術吸收的不充分等原因制約了該地區(qū)工業(yè)企業(yè)創(chuàng)新效率的進一步提高[4]。游達明和黃曦子以長江經濟帶為研究對象，利用2002—2013年工業(yè)生態(tài)技術的面板數據，結合超效率DEA模型和Malmquist指數進行效率分析，結果顯示，長江經濟帶工業(yè)生態(tài)創(chuàng)新效率地域差異性顯著，技術效率整體有下降趨勢[8]。還有學者從工業(yè)細分行業(yè)進行研究，如楊朝均等從產出與效率兩個維度出發(fā)，利用PPE-Malmquist-LWM方法對中國30個制造行業(yè)進行技術創(chuàng)新效率進行實證分析，結果表明，中國目前的制造業(yè)總體創(chuàng)新水平不高，且行業(yè)之間差距明顯[9]?？梢钥闯?，國內學者使用數據包絡分析進行問題研究大多采取多種研究方法相結合的方式，優(yōu)點在于不僅豐富了文章研究內容，同時也可以增強結論的可信度。

對現有文獻系統梳理發(fā)現，利用數據包絡分析法并結合其他模型進行綜合分析的比重上升，但是目前的研究仍有兩大問題：1)研究指標數量過多，在進行多區(qū)域分析時可行性不強。2)針對區(qū)域工業(yè)創(chuàng)新效率動態(tài)研究的文獻并不多，且研究不夠深入。鑒于此，本文將以全國30個省市規(guī)模以上工業(yè)企業(yè)為研究對象，綜合利用DEA-BCC模型、Malmquist指數以及聚類分析等進行方法進行效率評價，對研究結果進行詳細分析，并給出相應的政策建議。

一、工業(yè)創(chuàng)新效率評價體系構建

(一)評價指標體系的構建

工業(yè)企業(yè)的創(chuàng)新活動是一個漫長而復雜的過程，不同的學者對該問題有不同的見解?；谥袊魇∈泄I(yè)企業(yè)創(chuàng)新的特點以及數據的可獲得性，借鑒國內外相關學者對該領域的研究成果，分別從投入和產出兩個角度進行效率評價體系的構建。

1)從投入角度來說，主要考慮資金、人力資本、精力的投入。從現有文獻來看，最常用的指標是R&D經費支出和R&D人員折合全時當量。包英群等的研究結論表明，R&D經費支出和R&D人員折合全時當量是衡量企業(yè)研究開發(fā)財力投入和人力投入的關鍵指標[10]。李培哲等通過對中國30個省市高技術產業(yè)創(chuàng)新效率的研究也證實了這一觀點[11]。因此，本文選擇規(guī)模以上工業(yè)企業(yè)R&D經費支出代表資金支出，規(guī)模以上工業(yè)企業(yè)R&D人員折合全時當量代表人力資本投入。通過對國內外文獻的進一步發(fā)現，大多數學者過分強調資金和人力資本的投入，忽視了R&D人員有效研究內容。R&D項目是指一系列具有獨特性、復雜性、關聯性、目標明確、資源有限并按照一定規(guī)范完成的活動，從某種意義來說，進行項目研究是最有意義的R&D活動。因此，本文創(chuàng)新性地選擇規(guī)模以上工業(yè)企業(yè)R&D項目數代表有效活動投入。

2)從產出角度來說，主要從收益角度進行指標選取。賈帥帥和王孟欣選取專利申請數、新產品銷售收入和技術市場成交額作為產出指標進行工業(yè)企業(yè)創(chuàng)新活動效率評價[12]。周密和申婉君的研究也將技術市場成交額、專利申請數、新產品銷售收入作為創(chuàng)新產出指標[13]。本文認為，專利申請數不能完全代表創(chuàng)新產出，因為有很大一部分專利的申請并未通過考核，并不具有很高的價值。鑒于此，本文根據前人的研究，用技術合同成交額及新產品銷售收入作為資金收益指標。考慮到發(fā)明專利申請難度大，含金量高，因此將有效發(fā)明專利數作為另一個產出指標。具體指標如表1所示。

表1 規(guī)模以上工業(yè)企業(yè)創(chuàng)新效率評價指標

(二)數據來源及說明

本文研究對象是中國各省市規(guī)模以上工業(yè)企業(yè)。考慮到數據的可獲得性，西藏及港澳臺地區(qū)未列入，因此選擇其余30個省市自治區(qū)作為決策單元。選取的數據為2011—2017年各省市自治區(qū)規(guī)模以上工業(yè)企業(yè)的相關數據，數據來源為歷年《中國科技統計年鑒》、國研網、中經網。

二、工業(yè)創(chuàng)新效率評價模型構建

(一)BCC模型

1978年，Charnes、Cooper和Rhodes三人首創(chuàng)DEA模型，簡稱CCR模型[14]。該模型是一種非參數效率評價方法，由于原理簡單，適用條件低、范圍廣等優(yōu)點，且在研究多投入多產出問題時有很大優(yōu)勢，因而被廣泛應用于金融、電信、管理等領域。CCR模型以規(guī)模收益不變?yōu)榍疤?，根據該模型得出的技術效率包含規(guī)模效率成分，因而被稱作綜合技術效率。然而在工業(yè)生產的實際過程中，許多企業(yè)并沒有獲得最優(yōu)生產規(guī)模，即規(guī)模收益不變的前提并不成立。因此在1984年，Banker、Charnes和Cooper提出了以規(guī)模收益可變?yōu)榍疤岬腂CC模型[15]。該模型計算得出的效率剔除了規(guī)模影響，故該效率值為純技術效率，即受管理和技術影響的生產效率。其中，投入導向的BCC模型為：

i=1,2,…,m;r=1,2,…,q;j=1,2,…,n

其中，x為投入變量，y為產出變量，λ表示DMU的線性組合系數，模型最優(yōu)解θ*表示效率值。在該模型中，綜合技術效率等于純技術效率和規(guī)模效率的乘積。當綜合技術效率為1時，表示決策單元有效。

(二)Malmquist指數

生產是一個連續(xù)過程，因而技術本身也在不斷變化。當使用面板數據時，利用Malmquist指數就能分析效率的動態(tài)變化狀況。Malmquist指數可以歸結為兩個方面，一是被評價單元在一段時期內技術效率的變化，二是被評價單元生產技術本身的變化。根據其分解方法，從t期到t+1期的Malmquist指數進行分解如下：

Malmquist指數可以進一步分解，即

M0=pech×sech×techch

其中，pech表示純技術效率變動，主要描述管理、生產能力等因素對全要素生產率的影響，sech表示規(guī)模效率變動，主要描述規(guī)模收益變動對全要素生產率的影響，techch表示技術進步變動，主要描述技術水平進步對全要素生產率的影響。

三、創(chuàng)新效率測算與分析

(一)基于BCC模型的規(guī)模以上工業(yè)企業(yè)創(chuàng)新效率評價

基于投入導向的BCC模型，利用DEAP2.1軟件對2011年和2017年中國各地區(qū)規(guī)模以上工業(yè)企業(yè)進行創(chuàng)新效率的測算，結果如表2所示。

表2 中國區(qū)域規(guī)模以上工業(yè)企業(yè)創(chuàng)新效率及分解

續(xù)表

數據來源：DEAP2.1軟件的分析結果。

從總體來看，2011年中國各地區(qū)平均綜合技術效率為0.62，2017年上升至0.691，這主要得益于純技術效率的大幅提升，而規(guī)模效率在此期間有小幅下降。2011年綜合技術效率超過平均值的省份有9個，低于平均值的省份有21個，且綜合技術效率最低和最高的差值為0.706。而2017年綜合技術效率超過平均值的省份有11個，低于平均值的省份有18個，且綜合技術效率最低值和最高值的差值為0.569。因此，從某種意義上說，與2011年相比，2017年中國省域規(guī)模以上工業(yè)企業(yè)創(chuàng)新效率的差距在縮小。從有效單元數來看，2011年有效單元數為4個，分別為北京、吉林、廣東、海南；2017年 有效單元數上升為6個，分別為北京、吉林、上海、廣東、廣西、海南。其中上海綜合技術效率的提高主要由規(guī)模效率拉動，廣西綜合技術效率的提高主要由純技術效率的大幅提高所拉動。2011年綜合技術效率最低的地區(qū)為黑龍江，2017年綜合技術效率最低的地區(qū)是甘肅，僅次于黑龍江。而黑龍江綜合技術效率低下最大的原因是純技術效率的低下，即黑龍江省規(guī)模以上工業(yè)企業(yè)的管理水平和生產技術的低下最終導致了工業(yè)低效率。

與2011年相比，2017年大多數地區(qū)綜合技術效率都有明顯的提升，其中，有的地區(qū)主要由純技術效率拉動，如河北、內蒙古等；有的地區(qū)主要由規(guī)模效率拉動，如上海、江蘇。但是天津、浙江、福建、四川、云南、甘肅6個地區(qū)綜合技術效率有所下降。其中福建、四川、云南、甘肅主要是純技術效率下降導致綜合技術效率下降，浙江省綜合技術效率的下降主要由規(guī)模效率下降導致，而純技術效率和規(guī)模效率同時下降導致天津綜合技術效率的下降。從總體來看，純技術效率低于規(guī)模效率，純技術效率水平的低下制約了綜合技術效率的提高，制約了工業(yè)企業(yè)的快速發(fā)展。

(二)基于Malmquist指數的規(guī)模以上工業(yè)企業(yè)創(chuàng)新效率評價

BCC模型只能觀測效率值的靜態(tài)變化，而Malmquist指數則是利用面板數據測算效率值的動態(tài)變化。首先運用DEAP2.1軟件對中國30個省市2011—2017年規(guī)模以上工業(yè)企業(yè)的面板數據進行實證分析，從時間維度得出的全要素生產率及分解結果如表3和圖1所示。

表3 2011—2017年中國規(guī)模以上工業(yè)企業(yè)創(chuàng)新Malmquist指數及分解

數據來源：DEAP2.1軟件的分析結果。

根據表3的數據可知，從總體上看，2011—2017年中國30個省市規(guī)模以上工業(yè)企業(yè)技術效率的全要素生產率平均增速為8%，技術效率平均增速為2.3%，技術進步平均增速為5.6%，純技術效率平均增速為2.2%，規(guī)模效率平均增速為0。而全要素生產率增速呈現出先上升后下降的態(tài)勢，其中，從2011—2015年為上升期，從2015—2017年為下降期。全要素生產率變動等于技術效率變動與技術進步變動的乘積，技術效率變動的平均值小于技術進步變動的平均值，表明技術進步是全要素生產率的主要推動力。進一步分析可知，在2013年以前技術效率變動大于1，技術進步變動小于1，2013年之后則發(fā)生了逆轉，表明從2013年以后技術效率變動阻礙了全要素生產率的進一步提高。而技術效率變動又可分解為純技術效率變動和規(guī)模效率變動的乘積，雖然從總體上看，純技術效率變動和規(guī)模效率變動的平均值都不低于1，然而從2013年以后二者基本上都小于1，這說明近年來中國部分地區(qū)規(guī)模以上工業(yè)企業(yè)的管理水平、技術水平有下滑趨勢，企業(yè)生產規(guī)模的不合理也導致規(guī)模效率開始降低，這一系列原因阻礙了技術效率的提高，并最終阻礙了全要素生產率的提高。

表3從時間維度分析了中國30個省市規(guī)模以上工業(yè)企業(yè)創(chuàng)新效率的變化情況，然而該結果并沒有清晰地表明各區(qū)域的不同狀況，因此有必要從空間維度對全要素生產率再度進行測算與分解，最終結果如表4所示。

表4 中國30個省市規(guī)模以上工業(yè)企業(yè)Malmquist指數及分解

續(xù)表

數據來源：DEAP2.1軟件的分析結果。

從空間維度來看，2011—2017年工業(yè)創(chuàng)新效率最高的地區(qū)為陜西省，最低為甘肅省。從總體來看，技術效率平均增長2.3%，其中低于平均值的地區(qū)有16個，超過地區(qū)總數的一半，說明絕大多數地區(qū)技術效率變動并未達到預期，且技術效率下降最大的地區(qū)為重慶，下降比例為4.3%，上升最大的地區(qū)為廣西，上升比例為12.6%，因此變動的極差為16.9%。技術進步平均增長5.6%，其中低于平均值的地區(qū)為18個，說明絕大多數地區(qū)技術進步變動并未達到預期，且技術進步變動唯一下降地區(qū)為甘肅，下降比例為2.2%，上升最大的地區(qū)為云南和海南，上升比例為14.8%，因此變動的極差為17%。純技術效率變動平均增長2.2%，其中低于平均值的地區(qū)為17個，說明絕大多數地區(qū)技術進步變動并未達到預期，且純技術效率變動最低的地區(qū)為云南，下降比例為4.1%，上升最大的地區(qū)為廣西，上升比例為11.9%，變動的極差為16%。規(guī)模效率平均增長為0，其中低于平均值的地區(qū)為10個，說明絕大多數地區(qū)技術進步變動超過預期，且規(guī)模效率下降最大的地區(qū)為河南，下降比例為5.1%，上升最大的地區(qū)為江蘇和山東，上升比例為3.2%，變動的極差為8.6%。因此，從各分解指數極差來看，規(guī)模效率變動差距最小，技術進步變動差距最大，根據該結果，初步得出結論：技術進步是創(chuàng)新效率較差的地區(qū)提升創(chuàng)新效率的有利途徑。從各地區(qū)全要素生產率來看，除浙江、福建、重慶、甘肅四個地區(qū)外，其余地區(qū)全要素生產率均呈現出增長態(tài)勢。其中，浙江、福建、重慶三個地區(qū)全要素生產率下降主要是由于技術效率下降，而甘肅省技術效率下降和技術進步變化率下降共同導致了全要素生產率的下降。從具體的指數分解來看，除甘肅以外，其他地區(qū)技術進步變動均為增長，說明大多數地區(qū)的技術水平有很大的提高。從技術效率變動來看，雖然大多數地區(qū)處于增長狀態(tài)，但是基本上都小于技術進步變動。說明技術效率需要進一步提高。進一步分析可知，規(guī)模效率下降的區(qū)域要略多于純技術效率下降的區(qū)域，因此形成合理的發(fā)展規(guī)模，提高規(guī)模效率，是提高區(qū)域工業(yè)創(chuàng)新能力的重中之重。

從各地區(qū)Malmquist指數測算結果，初步發(fā)現存在某些欠發(fā)達地區(qū)其創(chuàng)新能力超過部分發(fā)達地區(qū)的可能性。然而這些欠發(fā)達地區(qū)是否屬于創(chuàng)新效率較高的行列，以及部分發(fā)達地區(qū)是否處于創(chuàng)新效率較弱的行列，需要通過進一步分析才能得出科學的結論。

(三)聚類分析

通過BCC模型和Malmquist模型的分析，可以清晰地看出不同區(qū)域、不同年份在創(chuàng)新效率狀況，然而卻不能看出哪些地區(qū)在創(chuàng)新效率上有相似性。因此本部分利用SPSS20.0中的K-means算法對30個省市進行聚類分析。將30個地區(qū)分為3類，結果如表5所示。

表5 中國規(guī)模以上工業(yè)企業(yè)創(chuàng)新效率聚類表

數據來源：SPSS20.0軟件的分析結果。

從聚類結果來看，中國30個省市規(guī)模以上工業(yè)企業(yè)創(chuàng)新能力強弱的分布并沒有完全遵循傳統的東部、中部、西部的分類。第一類包含7個地區(qū)，第二類包含11個地區(qū)，第三類 包含12個地區(qū)。第一類中除北京、廣東以外，其他地區(qū)均為欠發(fā)達地區(qū)。而上海、江蘇等發(fā)達地區(qū)并沒有進入第一類。這與Malmquist指數分解的結果相符?？傮w來看，經濟越發(fā)達，工業(yè)創(chuàng)新能力越強，這主要依賴于強大的研發(fā)投入，但是從增幅來看，并沒有顯著大于其他地區(qū)。對于一些欠發(fā)達地區(qū)如貴州、云南等，盡管研發(fā)投入不高，但是單位創(chuàng)新產出高于其他地區(qū)，導致這些地區(qū)創(chuàng)新效率較高。還有一個重要的原因就是基數問題。有的地區(qū)可能工業(yè)基礎總量很大，盡管創(chuàng)新產出很大，也可能出現創(chuàng)新效率增幅不明顯的狀況。聚類分析最大的作用在于，創(chuàng)新基礎好的地區(qū)資源利用效率并不一定高于創(chuàng)新基礎差的地區(qū)，所有地區(qū)工業(yè)的發(fā)展都要重視資源的合理分配與效率提升。

四、研究結論與政策建議

本文利用中國30個省市2011—2017年規(guī)模以上工業(yè)企業(yè)的面板數據，運用BCC模型、Malmquist指數以及聚類分析進行工業(yè)創(chuàng)新效率的測算，得到以下結論：

第一，根據BCC模型對2011年和2017年數據的靜態(tài)測算與比較可知，總體來說，中國規(guī)模以上工業(yè)企業(yè)的綜合技術效率呈上升趨勢。然而純技術效率相對于規(guī)模效率仍有不足，制約了工業(yè)企業(yè)的進一步發(fā)展。第二，根據Malmquist指數分解的結果可知，從總體上看，2011—2017年中國30個省市規(guī)模以上工業(yè)企業(yè)的全要素生產率都大于1，表明全要素生產率一直為增長態(tài)勢。然而這種增長近年來表現出一定的頹勢，其主要原因是純技術效率和規(guī)模效率都有一定程度的下滑，技術進步的速度也有所放緩。第三，根據聚類分析結果可知，中國30個省市規(guī)模以上工業(yè)企業(yè)創(chuàng)新能力強弱的分布并沒有完全遵循傳統的東部、中部、西部的分類。創(chuàng)新基礎差的地區(qū)可能有很強的創(chuàng)新能力，而創(chuàng)新基礎較好的地區(qū)由于種種原因可能創(chuàng)新能力并沒有達到預期。

基于以上分析，本文給出相應的政策建議：第一，形成合理的生產規(guī)模。過小的生產規(guī)模會帶來過高的單位生產成本，過大的生產規(guī)模會造成資源調配和管理的困難，只有生產規(guī)模符合本企業(yè)、本地區(qū)的實際生產能力，才能有效降低成本，提升創(chuàng)新能力。第二，加強企業(yè)的管理和研發(fā)投入，在增加投入資金規(guī)模的同時，加大人才培養(yǎng)力度，根據本地區(qū)工業(yè)生產的特點重點培養(yǎng)合適的人才，發(fā)展地區(qū)產業(yè)優(yōu)勢，從產量和質量兩個角度提高區(qū)域工業(yè)創(chuàng)新能力。第三，加強區(qū)域間的合作。地區(qū)與地區(qū)之間可以通過合作進行優(yōu)勢互補，尤其是很多欠發(fā)達地區(qū)有很強的創(chuàng)新效率，發(fā)達地區(qū)可以通過轉移過剩生產力等方式提升中國總體的創(chuàng)新效率，促進區(qū)域協調發(fā)展。