基于超效率DEA的区域高技术产业发展绩效评价

2010-12-13吴旭晓许正中

统计与决策 2010年22期

关键词：投入产出高技术决策

吴旭晓，许正中

（1.天津大学管理学院,天津 300072;2.国家行政学院，北京100089）

基于超效率DEA的区域高技术产业发展绩效评价

吴旭晓1，许正中2

（1.天津大学管理学院,天津 300072;2.国家行政学院，北京100089）

高新技术产业在我国经济社会多元复合转型中起着关键的作用，是区域经济跨越式发展的起跳器。为此，高技术产业发展绩效目前已经成为一个重要的研究课题。本文在对高技术产业投入产出2003～2007年数据进行平均化的基础上，利用超效率DEA模型对我国30个省市的高技术产业发展绩效进行实证研究，并得出合理的评价结论。对我国进一步发展高技术产业有极大的指导性作用。

超效率DEA；高技术产业；绩效评价

0 引言

随着知识经济时代的到来，作为现代技术体系先导力量的高新技术产业在各国迅速发展，并对全球经济产生深远的影响。高新技术产业的发展在改变了人们的就业结构的同时，促成了新的竞争格局，甚至在一些先发国家已经成为支撑整个国民经济的重要支柱。高新技术产业的发展水平，也己成为凸显国家或区域经济实力和核心竞争力的关键标志。改革开放特别是近十年来来，我国高技术产业取得较快发展。根据联合国工业发展组织统计，2009年中国在世界工业生产总值中份额达到15.6%，比日本高出0.2个百分点，仅比世界第一的美国落后3.6%。但在世界经济论坛2009年9月8日发表的2009年世界竞争力排名中，中国仅居29名。两个排名存在巨大落差的根本原因，暴露了我国产业竞争力不足。而产业竞争力不足的主要原因是高技术产业创新潜力没有完全发挥。高技术产业创新潜力没有完全发挥的深层次原因主要是因为高技术产业效率低下。科学评价高技术产业的效率，找出问题的所在，以便提出相应的解决对策，是目前我们必须面对的一项艰巨任务。现有研究文献从不同角度研究了高技术产业的投入产出效率问题，取得了很多有价值的研究成果。总的看来，数据包络分析法（DEA）是对高技术产业效率分析的主流。但是，DEA在使用中存在2个方面的主要问题，一是没有考虑高技术产业投入、产出的时间差，其结果必然存在较大的偏差。二是一般都选取CCR-DEA模型，决策单元相对效率都有效（θ=1）时，不能区别它们之间的有效的差异程度。因此本文采取超效率DEA评价模刑 (Superefficiency DEA,简称SE-DEA)，同时对样本数据进行平均化处理，避免以上的问题。

1 超效率DEA评价模型

数据包络分析方法(简称DEA)，是由Charnes和W.W.Cooper等人于1978年所提出的，以相对效率概念为基础，评价具有相同类型的多投入、多产出的决策单元是否有效的一种效率评价方法。P.Anersen等学者于1993年提出了超效率DEA评价模刑。在传统DEA评价值中，无效或弱有效的决策单元（DMU），在SE-DEA评价值中仍然是无效或弱有效的DMU；但对于有效率的DMU，在传统DEA评价值中都显示为1，不能区分它们的有效程度，而在超效率DEA评价值中可以区分它们的有效程度，进而可以对所评价的决策单元进行有效的排序。

假定有n个独立的决策单元(DMU)，每个DMU有m种要素投入和S种产出，SE-DEA模型的基木思想是在进行某个决策单元效率评价时，使此决策单元的投入和产出为其他所有决策单元投入和产出的线性组合代替，从而将此决策单元排除在外，而传统DEA模型则将此决策单元包括在内。产出导向的SE-DEA模型数学表达式为：

X和Y分别表示第j个决策单元的输入和输出可能集。θ为被考察单位的效率指数，θ≥1说明决策单元为DEA有效；θ＜1，说明决策单元不是DEA有效，表示决策单元的生产活动既不是技术效率最佳，也不是规模效率最佳。

s-为松弛变量；其中，S-表示投入的“超量”,S+表示产出的“亏量”。

表1 各省市投入和产出的数据

λi主要用于判别决策单元的规模收益情况。如果存在（j=1,2,…,n）使得，表明决策单元规模效益不变。如果不存在使得，则若，表明决策单元规模效益递增；若，表明决策单元规模效益递减。

2 实证研究

2.1 确定决策单元

我国传统的高能耗、高污染的发展模式已经走到了极致，发展高技术产业是实现我国经济社会多元复合转型的必然选择，也是区域产业创新、提升核心竞争力的重要内容。区域高技术产业发展水平的高低是考量调整产业结构、转变经济增长方式的主要标杆。我国各省市政府都充分重视发展高技术产业，把发展高新技术产业作为实现区域跨越式发展的重要抓手。

但由于历史和现实的问题，各地高技术产业水平存在很大的差别，其投入产出效率指数更是参差不齐。为了全面评估我国区域高技术产业发展的情况，本文选取2003～2007年我国30个省、市和自治区的数据作为高技术产业相对效率评价的决策单元，希望通过对各省市高技术产业发展效率水平的研判，识别其在高技术产业发展方面存在的问题，为进一步探讨区域高技术产业发展效率的改进路径提供理论支撑。

2.2 建立指标体系

建立合理的投入产出指标体系是采用SE-DEA模型有效准确地评价高技术产业绩效的基础。总的说来，投入越小，产出越大，说明绩效越好。DEA模型选取投入产出指标时一般将成本型指标作为投入指标，而将效益型指标作为产出指标。

投入、产出要素的确定是选取投入、产出指标的关键问题所在。高技术产业与其他产业一样，其投入主要是劳动和资本。目前国际上关于高新技术产业还没有统一的定义。根据2002年7月国家统计局印发的《高技术产业统计分类目录的通知》，我国高技术产业的统计范围包括航空航天器制造业、电子及通信设备制造业、电子计算机及办公设备制造业、医药制造业和医疗设备及仪器仪表制造业共五类行业。按照经济合作与发展组织(OECD)的定义:高技术产业业是指研发(R&D)经费占总产值的比例远高于各产业平均水平的产业。美国劳动统计局则用专业科技人员密度和研发经费密度分别两倍于全部制造业该项密度的平均值来定义高新技术产业。参考这两个权威的定义，再综合《中国区域创新能力报告2008》和科技部发布的《中国高技术产业统计年鉴2008》，本文将科技活动人员（X1，单位：万人）、科技经费支出额（X2，单位：亿元）和地方财政科技拨款（X3，单位：亿元）确定为投入指标。产出方面的指标主要包括高技术产业规模以上企业产值（Y1，单位：亿元）、高技术产业规模以上企业增加值（Y2，单位：亿元）和高技术产品出口额（Y3，单位：亿美元）。高技术产业规模以上企业产值、高技术产业规模以上企业增加值是衡量高新技术产业经济效益最基本的指标，而高技术产品出口额是反映产业国际竞争力的最重要的指标之一。

2.3 数据来源与处理

本研究的各指标数据来源于中华人民共和国科技部《中国高技术产业数据2004～2008》、《全国科技经费投入统计公报2004～2008》、《国家主要科技指标数据库》中的省市主要指标（2004～2008）。

由于高技术产业投入和产出一般存在时间差，当年的投入可能在未来的几年都对产出有贡献，所以，投入和产出都取这几年的平均值，即用不同省市2003～2007年各要素的投入和产出的平均值分别作为DEA的投入和产出的数据（见表 1）。

通过SPSS13.0 for window软件对投入产出进行相关性分析，得到它们之间的相关系数如表2所示。由表2我们可以看出，投入和产之间的相关系数全部大于0.85，表明我们的指标选取和数据处理比较科学有效。同时我们还发现科技活动人员、科技经费支出额和地方财政科技拨款与高技术产业规模以上企业增加值相关度最高，均大于0.92；与高技术产业规模以上企业产值相关度大于0.865。因此可以通过加强投入要素的管理来提升高技术产业产出水平。

表2 投入与产出之间的相关系数

2.4 模型计算

先用EXCEL2007进行数据输入，然后用MYDEA1.0 for Data Envelopment Analysis软件进行计算，利用CCR-DEA、BCC-DEA和SE-DEA模型计算我国各省市高技术产业效率，结果如表3所示。

2.5 结果分析

上面的数据表明了利用CCR-DE、BCC-DEA模型根据得到效率值的大小能够把有效单元与无效单元区分出来，但对于有效的决策单元，它们都无法对其进行优劣比较和排序。在CCR-DEA中江苏和广东的效率值都为1，在BCCDEA中，江苏、广东和天津的效率值都为1，BCC模型比CCR模型效率值不同的地方是前者中效率值为1的决策单元多了天津，原因是BCC模型表示的是被评价对象的纯技术效率值，而CCR模型表示的是被评价对象的综合效率，即除了包含纯技术效率外，还包含规模效率。

名列高技术产业相对效率前十名的依次是广东、江苏、天津、福建、上海、山东、陕西、四川、江西和贵州。其中，以珠三角高技术产业迅猛发展为核心的广东以2.1062的相对效率位居第一。江苏作为率先规划建设了国内第一个国家高新技术产业开发带即沿江火炬带的省份，以1.1647的相对效率名列第二，该省在南京、苏州、无锡、常州市建设了多个火炬计划软件基地和集成电路设计产业化基地，这些基地聚集了全省60%以上高技术企业，高技术产业集群已经呈现。天津抓住滨海新区发展的契机，充分发挥后发优势，高技术产业迅猛发展，以0.9618的相对效率名列第三。而后十名则分别是广西、安徽、黑龙江、湖南、甘肃、云南、山西、青海、宁夏和新疆，与这些地区的经济发展水平基本一致。创造中关村奇迹的北京的高技术产业产出较多，但与巨大的资源投入相比，其效率并不高，仅仅名列14名，应该引起我们的高度警惕。北京投入要素组合不够科学，科技经费支出额可以减少97.121亿元，而产出有很大的上升空间，高技术产业规模以上企业产值、高技术产业规模以上企业增加值和高技术产品出口额分别有5083.799亿元、1175.483亿元和518.364亿美元的潜力可以挖掘。

从Σλ=1.6070来看，广东省处在规模收益递减阶段，这表明广东省的高技术产业的资源投入要素配置不科学，存在相对过剩的情况.其余的 Σλ＜1，说明它们规模效益递增。

表3 区域高技术产业效率评价结果

3 结论

本文应用超效率DEA模型对2003～2007年我国30个省市高技术产业发展的相对效率进行了分析，解决了传统的CCR-DEA和BCC-DEA模型对相对有效决策单元无法进行有效评价与比较的问题和投入产出存在时滞性两个问题。超效率DEA模型能够对所有决策单元进行允分评价和排序，为各省市的决策者提供相对更加完善的信息，比传统的DEA模型更具有优势，其评价结果也更客观。评价结果表明，2003～2007年我国30个省市中，只有广东、江苏2个省份高技术产业发展相对有效，各项投入要素得到了充分利用，但同时广东的高技术产业发展出现规模递减的趋势。其余的93%的省市的高技术产业发展效率相对无效，整体形势不容乐观，资源利用效率低，各项投入要素的组合不佳，产出不足.我国30个省市中有29个呈现规模效益递增的趋势，应该加大投入，优化产业结构，科学配置投入要素比例，高技术产业投入产出效率还有巨大的提升空间。

[1]邓小平.邓小平文选第三卷[M].北京:人民出版社,1993.

[2]许玉明.中国高技术产业的科技进步贡献率分析[J].中国西部科技2005,(5).

[3]刘志迎,叶蓁.中国高技术产业各行业技术效率的实证分析—基于非参数的MalnquisL指数方法[J].科学学与科学技术管理,2006,(9).

[4]朱又为,徐康宁.中国高技术产业研发效率的实证研究[J].中国工业经济,2006,(11).

[5]邓进.中国高新技术产业研发资本存量和研发产出效率[J].南方经济,2007,(8).

[6]李伟红,陈燕.基于DEA模型的区域创新系统中政府作用的评价研究[J].价值工程,2007,(8).

[7]傅毓维,朱发根,刘拓.基于复合DEA的我国各地区高新技术产业投入产出相对效率评价研究[J].现代管理科学,2008,(3).

[8]龙如银,李仲贵.基于SE-DEA的中国省域技术创新效率评价[J].科技管理研究,2009,(1).

[9]张霞,胡贤辉等.湖北省高技术产业投入产出动态评价[J].统计与决策,2006,(22).

[10]薛娜,赵曙东.基于DEA的高技术产业创新效率评价——以江苏省为例[J].南京社会科学,2007(5).

[11]路永明.基于DEA的我国高技术产业科技投入产出经济效率评价[J].经济师,2008,(3).

[12]方福前,张平.我国高技术产业的投入产出效率分析[J].中国软科学,2009,(7).