R＆D影响下的工业行业技术效率部门差异研究:基于大中型工业企业37个行业面板数据随机前沿分析

冯 锋， 李慧敏

（中国科学技术大学 管理学院，安徽合肥230026）

一、引 言

新中国成立以来，我国工业生产一直保持着较高的增长速度，现今已建成独立的、门类比较齐全的工业体系，工业布局日趋完善。但工业发展过程中也面临着发展方式较为粗放、自主创新能力不强、资源能源消耗高等诸多问题。2011年，国务院印发的《工业转型升级规划（2011～2015年）》就明确指出：“今后5年，我国工业发展环境将发生深刻变化，长期积累的深层次矛盾日益突出，粗放增长模式已难以为继，已进入到必须以转型升级促进工业又好又快发展的新阶段。”可见，转型升级、结构调整将逐步成为我国工业发展的主旋律，而提升创新效率作为加快工业转型升级的核心环节，也日益受到了越来越多学者的关注。

目前学者们对于创新效率的研究主要集中在创新活动中的技术效率或R&D效率评价方面，因为技术效率能够反映创新资源的最优利用能力［1］，对技术效率进行评价，有利于提高创新资源的使用效率，促进创新资源的优化配置，并最终促进经济的长期增长［2］。而R&D投入则是推动技术进步、提升技术效率过程中的一项重要科技资源。目前的研究具体可分为两类视角：（1）区域视角。Bannistter和Stolp研究了墨西哥各区域制造业的技术效率［3］；Nasierowski和Arcelus运用DEA方法考察了45个国家的R&D创新效率及其影响因素［4］；张海洋运用DEA-Tobit两步法对我国各地区大中型工业R&D效率和影响因素进行了分析［5］；唐德祥、李京文、孟卫东运用随机前沿方法分析了R&D对技术效率影响的区域差异及路径依赖［6］。（2）行业视角。Griliches对美国1000家制造业企业1957～1977年的数据进行了分析，结果表明科技投入对生产力的提高具有重要作用，其中R&D投入的作用最为重要［7］；Collier研究了R&D投入的部门绩效［8］；李胜文、李大胜利用中国34个工业细分行业面板数据，测算了工业及其细分行业的全要素生产率增长率［9］；田长明以工业行业技术创新投入、产出指标数据为样本，利用因子分析模型研究了行业特征对创新效率的影响［10］。

已有的文献或利用多元回归分析探讨区域（行业）工业技术效率的水平，或直接以R&D为投入指标考察区域（行业）R&D效率变动趋势及影响因素，目前还尚无文献将R&D投入作为随机扰动项，考察行业R&D影响下的技术效率。为进一步揭示R&D与技术效率相关关系及技术效率部门差异，本文运用随机前沿生产函数模型（SFA）对大中型工业企业37个行业R&D影响下的技术效率进行测度，并对测度结果按照“技术效率—产值平均增长率”（E-G）相关关系进行部门划分，结果显示各部门行业具有明显的聚类或差异性特征，然后在对上述聚类或差异特征进行初步探讨的基础上给出了相应政策建议，以期对未来各工业行业的发展提供参考。

二、研究模型和数据说明

1.研究模型

近年来，确定性前沿生产函数模型（DEA）和随机前沿函数模型（SFA）因各自的优势和特色，在生产率和效率度量研究中得到了广泛应用。DEA模型是将有效的生产单位连接起来，用分段超平面的组合即生产前沿面来紧紧包络全部观测点，是一种确定性前沿方法，该方法的特点在于无需设定前沿生产函数，约束较少，但缺点是没有考虑随意误差项和无效率项对生产率和效率的影响，而随机前沿生产函数则解决了此问题。Aigner、Lovell、Schmidt和 Meeusen、Van Den Broeck同时于1977年引进了随机前沿生产函数［11］，其基本函数形式为：

其中，yit表示观测对象i在时期t的标量产出，xit表示要素投入，f（·）是生产函数，表示在可能性边界上的确定前沿产出，（vit-uit）为复合误差项，vit为观测误差和其他随机因素影响（随机扰动影响），服从N（0，σ2v）分布，uit是一个非负变量，服从N+（0，σ2u）分布，表示仅对某个体产生的冲击影响（技术非效率项）。变差系数定义为γ=σ2u／（σ2v+σ2u），0≤γ≤1，用来检验技术非效率项所占比例，若γ接近于零，说明实际产出与可能最大产出的差异主要来源于观测误差和其他随机因素vit，此时采用传统生产函数方法即可；γ接近于1，则说明无效率项uit在生产单元与前沿面的偏差中占主要成分。从统计角度看，当γ显著异于零时，说明存在无效率效应，因此随机前沿生产函数成为更有效的模型形式。

Battese和Coelli等学者不断改进和发展了随机前沿方法，将时间因素和其他因素引入模型，并能够对模型中的参数和模型本身进行检验，该方法得到了更为广泛地应用。本文依据模型基本原理，运用对数型柯布-道格拉斯生产函数及2005～2009年面板数据，对我国大中型工业企业各行业R&D影响下的技术效率水平进行测定。具体研究模型如下：

其中，下标i为行业序号，i=1，2，…，N，下标t为年份序号，t=1，2，…，T；式（2）中Y 表示各行业产值（单位：亿元），L表示各行业年均从业人员数量（单位：万人），K表示各行业年均资本存量（单位：亿元），β0为截距项，β1、β2为待估参数，β1、β2分别表示劳动力产出弹性和资本产出弹性，误差项（vit-uit）为复合结构，vit为观测误差和随机扰动影响，服从N（0，σ2v）分布，uit是一个非负变量，服从N+（0，σ2u）分布，表示仅对某个行业产生的冲击影响（技术非效率项），vit和uit之间相互独立；式（3）中TEit=exp（- uit）表示样本中第i个行业在第t时期内技术效率水平，当u=0，TE=1时，处于技术效率状态。当u＞0，0＜TE＜1时，则处于技术非效率状态；式（4）和（5）是定量描述时间因素对uit的影响，η为衰减系数；式（6）中和分别表示随机误差项方差和技术效率项方差，γ为最大似然法估计的参数，在统计检验中，若γ=0这一原假设被接受，则说明所有行业的生产都位于生产可能性曲线上，直接使用OLS方法分析即可，反之，则需要使用SFA方法分析；式（7）为无效率函数，δ0、δ1、δ2为一组待估参数，用来评估R&D经费和R&D人员对技术效率产生的影响。

2.数据来源及说明

本文采用《中国统计年鉴》（2006～2010年）和《中国科技统计年鉴》（2006～2010年）中按行业分大中型工业企业2005～2009年的相关数据。因其他采矿业、废弃资源和废旧材料回收加工业数据缺失严重，故剔除了这2个行业，形成37个细分工业行业。其中包括采矿业的5个细分行业；制造业29个细分行业以及公用事业的3个细分行业。

模型中的Yit表示各细分行业产值（单位：亿元），按照1990年价格基准进行折算。

L表示各行业年均从业人员数量（单位：万人），年均就业人员数=（上年年末就业人员数+本年年末就业人员数）／2。

K表示工业各行业年均固定资本存量（单位：亿元），该指标采用Goldsmith在1951年提出的永续盘存法（perpetual inventory method）进行计算。其基本公式如下：

其中，Kt表示t期期末的资本存量，It表示t期内的投资额，at为t期的资本折旧率，Pt为t期的投资价格指数。固定资本折旧率和当年固定资产投资指标采用张军、吴桂英、张吉鹏的研究成果进行测算（固定资本折旧率为9.6%）［12］；固定资产投资价格指数2005～2009年的数据可以直接从《中国统计年鉴（2010年）》上得到；基期固定资本存量则使用郭玉清的方法予以计算［13］。根据以上数据和方法可以计算得到2005～2009年全社会固定资本存量，并按1990年价格进行折算。最后，根据大中型工业各子行业增加值占GDP比重计算结果，即可将全社会固定资本存量按比例分摊到大中型工业企业各子行业，进而得到各行业资本存量近似结果。

R&D经费支出（单位：亿元），按1990年价格基准进行折算；R&D人员数据均折合全时当量（单位：万人／年）进行表示。

三、实证结果

1.实证计算结果

根据研究模型和2005～2009年面板数据，运用Frontier4.1分析软件对前沿生产函数（1）进行估计，得到模型的参数估计值和检验结果如表1所示。

表1 SFA估计结果

2.结果分析

从表1可以看出：

（1）模型的γ值为0.2983，且通过了1%显著水平下统计显著性检验，说明式（2）中的误差项具有明显的复合结构，采用随机前沿模型对本文的面板数据进行研究分析是合理且有效的。

（2）考察劳动力和资本投入的产出弹性β1和β2均为正且β2通过了1%水平下的显著性检验，其中β1=0.2626，表明各行业年均从业人员每增加1个百分点，能使各行业产值增加0.2626个百分点；β2=0.7127，表明各行业年均资本存量每增加1个百分点，能使各行业产值增加0.7127个百分点。可见，劳动力投入对我国各大中型企业产值增长贡献不明显，而资本投入则对其具有明显的正向作用。

（3）行业技术效率的影响参数δ1为负且通过了1%水平下的显著性检验，说明R&D经费支出对各工业行业技术效率具有显著的正向影响；δ2为正，未通过显著性检验，说明R&D人员当量对各行业技术效率水平具有负向影响，但影响作用不明显。具体来看，每增加1个单位R&D经费支出，行业技术效率水平将增长34.88个百分点；每增加1个单位R&D人员当量，将带来行业技术效率29.27个百分点的损失。上述结果表明，R&D经费支出能够给各工业行业技术效率带来较大程度的增长，其投入具有规模效应；而R&D人员当量对技术效率具有负面影响，当R&D人员当量超过了最佳生产规模时，存在过度投入的可能。

基于SFA模型的我国大中型工业企业技术效率测算结果如表2所示。

大中型工业企业各行业平均技术效率变动趋势如图1所示。

图1 我国大中型工业企业行业平均技术效率趋势

从表2和图1可以看出，在样本期间，各行业技术效率随时间推移呈缓慢增长趋势，各行业5年技术效率平均增幅为2.59%，技术效率均值为0.6085，具备较大的提升空间。此外，从时间趋势图上看，2005～2006年、2008～2009年技术效率增幅较大，而2006～2008年增幅较为平缓。具体到各行业，技术效率水平差距很大，最高的黑色金属冶炼及压延加工业5年平均技术效率达到了0.8489，而最低的水的生产和供应业5年平均技术效率仅为0.3777，行业间技术效率的较大差距，不仅来自部门本身特点的差异，更与R&D投入、市场结构、产业政策等诸多因素相关。

四、部门划分及其差异研究

通过数据和模型结果分析可以看到，大中型工业企业各行业均投入了大量资金和人力发展生产，并广泛开展R&D活动，R&D影响下的技术效率逐年提高，行业产值稳步增长。但模型结果同时显示，各行业间技术效率差距较大，部分行业自身技术效率在样本期间也呈现震荡变化特征。为进一步解释差异来源，本文参考了瑞典学者Olof Ejermo，Astrid Kander等人在研究瑞典国民经济各部门R&D投入与经济增长相关关系时采用的部门分类思想［14］，依据各工业行业产值增长态势和技术效率相关关系（E-G关系），将样本中特征突出的部分行业划分为以下四类部门，对各部门聚类或差异性特征表现及来源作了初步探讨。

第Ⅰ类：“兼优”部门。即行业产值增长迅速且技术效率较高（产值5年平均增长率超过20%，平均技术效率超过0.6）。

这一部门包括有色金属冶炼及压延加工业、交通运输设备制造业、农副食品加工业、电气机械及器材制造业等6个工业行业，无一例外全部为制造业。研究发现，上述行业可分为三种类型：（1）高耗能特性和高R&D投入（以有色金属冶炼及压延加工业为代表）；（2）规模总量大、产业集聚明显、骨干企业逐步成长（以交通运输设备制造业为代表）；（3）较高的资本密集程度、较高的R&D投入和国内国际市场近年来持续升温的高需求（以电气机械及器材制造业为代表）；（4）高劳动密集程度（以农副食品加工业为代表）。

第Ⅱ类：“前优后劣”部门。即行业产值增长迅速但技术效率较低（产值5年平均增长率超过20%，平均技术效率低于0.6）。

这一部门包括黑色金属矿采选业、非金属矿物制品业等7个行业。容易发现，这一部门大多为采矿业或矿物制品业，具有明显的聚类特征：以自然资源的存在为前提，大量的资源开采产生了较高的产值；生产效率较为低下，机械化程度不高；R&D活动有所开展但覆盖范围不广，技术效率不高；行业内无序竞争导致的成本提升、利润降低。

第Ⅲ类：“前劣后优”部门。即行业产值增长较慢但技术效率较高（产值5年平均增长率低于15%，平均技术效率高于0.6）的部门。

这一部门包括造纸及纸制品业、通信设备、计算机及其他电子设备制造业等5个行业，大致可归类为轻工业制造业和通信、电子设备等技术含量较高的设备制造业。几个轻工业行业产值增长率在2008～2009年出现了较大幅度的下滑，结合轻工业的出口导向、外向依赖度强等特征，可以推断轻工业制造业受到始于2008年的国际金融危机影响较大；其次，上述行业在样本期间保持了较高的技术效率，R&D活动投入也呈稳步上涨趋势，R&D对技术效率影响的释放作用较强，具体表现在该类行业以多学科工艺和技术为支撑，各学科的进步为轻工业行业发展注入了活力，在科技带动生产能力方面，轻工业行业具有较大优势。再看通信等技术含量较高的设备制造业，观察其在样本期间的产值增长率变化特征，和轻工业类似，受2008年国际金融危机影响较大，连续2年出现大幅下降，在2010年有较大回升，R&D释放作用非常明显，受国际国内需求影响剧烈，后金融危机时期反弹势头强劲。部分行业处在国际竞争力不断加强，中、低端设备世界制造中心地位逐步确立的阶段，某些分支行业具备世界领先水平。

第Ⅳ类：“兼劣”部门。即行业产值增长较慢同时技术效率较低（产值5年平均增长率低于15%，平均技术效率低于0.6）。

这一部门包括水的生产和供应业、印刷业、文教体育用品制造业等6个行业。该部门行业较为分散，既涉及公用事业，也有日用品制造业等。尽管行业聚类特征不明显，但单独来看，仍可发现：R&D投入相对同类行业而言较低；行业整体科技含量不高；行业中中小企业占比大，规模效益不明显；部分行业具有公共服务性质或自然垄断性质；科技政策覆盖力度不强、覆盖面不广是该部门的特征所在。

五、结论及政策建议

本文利用随机前沿生产函数模型（SFA），采用2005～2009年面板数据对大中型工业企业37个行业R&D影响下的技术效率、技术效率部门差异进行了研究。结果表明：（1）R&D投入对工业行业技术效率具有普遍的正向促进作用。（2）各行业平均技术效率随着R&D投入的增加逐年稳步增长。（3）劳动力投入对行业产值增长贡献不明显，而资本投入则对其具有明显的正向作用。（4）R&D经费对技术效率正向作用明显，其投入具有规模效应，而R&D人员当量对技术效率具有负面影响，超过了最佳生产规模，存在过度投入的可能。（4）按E-G关系划分的工业行业部门存在明显聚类特征或差异性特征。

本文结合四类部门的具体特征，分别提出以下政策建议：

（1）“兼优”部门。有色金属冶炼类行业应继续将改善产业结构、降低单位能耗作为持续发展的目标，履行国家“低碳经济”战略；在增加R&D投入的基础上加强对R&D人员的培养，促进科技创新效率的提升；各机构应完善政策支撑体系，为其转型升级提供保障。

（2）“前优后劣”部门。加快采矿业等传统行业的转型升级步伐，取缔产能落后企业，合并不规范的小企业，发挥规模优势；持续加大R&D活动投入，着力释放R&D对技术效率的影响，以自动化控制等先进工艺和现代化管理手段不断促进采矿业的发展壮大。

（3）“前劣后优”部门。加大对自主创新的支持力度，不断利用先进技术改造提升传统轻工业，节约资源，保护环境，实现轻工业和社会的可持续发展。技术含量较高的设备制造业应继续加大R&D投入，重视自主研发，大力推进价值链向高端转移。

（4）“兼劣”部门。通过要素配置效率的提升来拉动技术效率；进一步完善资本市场组合功能，以提升企业规模效益、改善经营管理；相关政策制定机构应酌情加大对该部门行业的政策倾斜力度，完善产业化环境，促进企业产学研共生体系建立，为其发展提供良好的政策环境。

［1］白少君，韩先锋，朱承亮，等.中国工业行业R&D创新全要素生产率增长：技术推进抑或效率驱动［J］.中国科技论坛，2011，（11）：27-28.

［2］袁鹏，程施.中国城市环境效率度量与分析［J］.大连理工大学学报（社会科学版），2010，31（4）：31-36.

［3］BANNISTER G J，STOLP C.Regional concentration and efficiency in mexican manufacturing［J］.European Journal of Operational Research，1995，80（3）：672-690.

［4］NASIEROWSKI W，ARCELUS F J.On the efficiency of national innovation systems［J］.Socio-Economic Planning Sciences，2003，37：215-234.

［5］张海洋.我国工业R&D生产效率和影响因素——基于省级大中型工业数据的实证分析［J］.科学学研究，2008，26（5）：970-978.

［6］唐德祥，李京文，孟卫东.R&D对技术效率影响的区域差异及其路径依赖——基于我国东、中、西部地区面板数据随机前沿方法（SFA）的经验分析［J］.科研管理，2008，29（2）：115-127.

［7］GRILICHES Z.Productivity，R&D and basic research at the firm level in the 1970s’［J］.American Economic Review，1986，76（6）：141-154.

［8］COLLIER D W.Measuring the performance of R&D department［J］.Research Management，1977，20（2）：4-30.

［9］李胜文，李大胜.中国工业全要素生产率的波动：1986～2005［J］.数量经济技术经济研究，2008，（5）：43-54.

［10］田长明.中国工业行业技术创新效率评价实证研究［J］.工业技术经济，2008，27（5）：68-72.

［11］COELLI T J，RAO D S P，O’DONNELL C J，et al．An Introduction to Efficiency and Productivity Analysis［M］.London：Kluwer Academic Publisher，1998.241-261.

［12］张军，吴桂英，张吉鹏.中国省际物质资本存量估算：1952～2000［J］.经济研究，2004，（10）：35-44.

［13］郭玉清.资本积累、技术变迁与总量生产函数——基于中国1980～2005年经验数据的分析［J］.南开经济研究，2006，（3）：79-89.

［14］EJERMO O，KANDER A，HENNING M S.The R&D-growth paradox arises in fast-growing sectors［J］.Research Policy，2011，40（5）：664-672.