新常态经济视角下我国制造业创新效率研究*——以江苏省医药制造业为例



新常态经济视角下我国制造业创新效率研究*——以江苏省医药制造业为例

申远李湘君孙峰

内容提要本文以新常态经济为背景，以制造业转型升级为目标，分析我国制造业发展的现状以及创新驱动与制造业发展转型的关系。实证分析中以江苏省医药制造业为例，利用2008-2012年的企业面板数据，将医药制造业的价值创新过程分解为研发和技术转化两个相互关联的阶段，使用DEA模型分析江苏省医药制造业创新效率。研究结果表明：江苏省医药制造业研发效率和技术转化效率均较低，尤其是研发效率平均值仅为0.184，技术转化效率则略高于研发效率；Malmquist全要素生产率分析表明技术效率的提升是江苏省医药制造业效率提高的主要动力，但除2008-2009年度外其他年份均存在技术退步现象；江苏省医药制造业中不同地区和不同行业的研发效率和技术转化效率均有提升空间，但各地区和各行业间在提升路径上存在较大差异。

关键词制造业创新驱动效率关联两阶段DEA模型全要素生产率

*本文系国家自然科学基金青年项目“一种特殊的非凸稀疏优化模型及其在负面清单管理中的应用”(项目号：11401295)、江苏省自然科学基金青年项目“稀疏优化在负面清单管理模式的应用研究”(项目号：BK20141007)的阶段性成果。

2014年5月，习近平总书记在河南考察时首次提出中国经济正在进入“新常态”，同年11月，习近平主席在APEC工商领导人峰会开幕式主旨演讲中，阐述了新常态下中国经济发展的基本特征之一就是经济增长要从要素驱动、投资驱动向创新驱动转变。

制造业是我国经济发展的核心能力，当前在经济发展“新常态”下，我国制造业面临着产业转型，一方面制造业转型的再生性动力从生产低端、低附加值的产品向高端、高附加值的产品和产业转移，其中技术和产品创新驱动是制造业转型发展的重要动力。另一方面制造业转型的外生性动力需要运用“互联网+”制造业，进行深刻的业态转型升级。

国内外学者对创新效率展开了系统研究

国外学者主要关注从区域创新的角度分析不同国家的技术创新效率，如Wang & Huang(2007)采用DEA对30个国家近年来R&D活动的相对效率进行了测度，并通过Tobit回归方法实证分析了的对国家创新效率的影响因素。Hu et al.(2014)以24个国家1998-2005年的数据为研究对象，通过随机前沿方法估计了不同因素对国家研发产出影响的显著性。还有学者从产业或企业的角度探索了技术创新效率问题，如Kumbhakar et al.(2012)采用随机前沿方法测算了欧洲高技术企业的研发创新效率，提出了不同技术层面企业的研发定位对企业创新产出的影响。

国内许多学者也开展创新效率的相关研究。从研究对象上来看，相关文献中研究最多是对我国不同地区创新效率及其影响因素的分析，如朱有为和徐康宁(2006)使用随机前沿方法测算了我国不同地区高技术产业的创新效率；余泳泽、刘大勇(2014)等从创新价值链视角分析我国不同地区高新技术产业创新效率，利用二维矩阵的方式将各地区的创新效率进行归类，并对不同类型地区给出效率提升的建议。另外，对比不同行业的研发效率的差异是该领域另一个研究热点，李中、周勤(2012)使用随机前沿方法考察了研发投入、研发效率与企业绩效之间的关系；余泳泽、武鹏等(2010)利用松弛变量的DEA模型对我国高技术产业细分行业的创新效率及影响因素进行了实证分析。还有许多学者则关注了某一行业创新效率的评价及效率改善的路径分析(洪进，李敬飞，2013；张小蒂、曾可昕，2012等等)。

我们认为国内外这些相关文献都较好地描述和评价了制造业的创新效率，但对创新在不同阶段的特殊规律阐释不足，创新与社会需求行业环境的关系分析不够，尤其是对“互联网+”促进企业整体创新研究不够。本文以新常态经济下经济发展从要素依赖型向知识密集型过度为背景，以制造新型经济为目标，研究制造业技术创新效率，从而为我国制造业适应经济发展新常态，加强整体创新促进产业转型升级提供策略性参考。

我国制造业创新效率评价及数据处理

1.两阶段概念模型及评价指标

根据我国企业的特征，本文将技术创新效率分为两个过程：研发过程和技术转化过程两个阶段，两个过程均为多投入、多产出问题，在开展相关评价之间，首先要确定技术创新过程中投入和产出指标。由于我国企业承担了主要的技术创新活动，因此本文考察均为企业技术创新指标。本文用图1来描述各投入、产出指标及其与两个过程之间的关系。

图1　技术创新两阶段效率概念模型

在研发阶段，R&D资源是技术创新的关键要素，相关学者在研究技术创新成果时，一般选取R&D人员和R&D总投入经费作为R&D创新的投入指标。而作为技术创新的中间产品，其直接产出主要有专利和非专利技术，由于非专利技术的相关数据难于获得和度量，本文选择用于衡量专利技术的专利申请数和专利授权数作为研发阶段的产出指标。

在技术转化阶段，这里用新产品的销售收入和新产品产值分别衡量收益性和竞争性产出。

2.评价方法

(1)数据包络分析方法

数据包络分析(Data Envelopment Analysis,简称DEA)最初由Charnes, Cooper & Rhodes(1978)提出的一种面向多投入、多产出的系统评价方法。根据本研究的特点本文使用基于规模报酬可变的BCC(Banker, Charnes & Cooper, 1984)模型进行制造业技术创新效率的研究。

(2)Malmquist全要素生产率指数

用于计算全要素生产率(Total Factor Productivity，简称TFP)的Malmquist生产率指数则能够有效地计算决策评价单元动态的效率，并对效率产生的因素进行分解。在规模报酬可变的情形下，根据Färe等(1994)的研究，Malmquist全要素生产率指数(MPI)分解为纯技术效率(PEC)、规模效率(SE)和技术变动(TC)三部分的乘积，具体如下：

MPI=PEC*SE*TC

上式中PEC>1代表决策单元纯技术效率上升，反之代表纯技术效率下降；SE>1代表规模效率提升，反之规模效率下降；TC>1代表技术进步，反之代表技术退步。且技术效率PE=PEC*SE。

3.数据处理

考虑创新产出的时滞性，技术开发阶段的R&D总投入经费采用R&D资本存量，并使用朱有为、徐康宁(2006)“研发价格指数”的计算方法将R&D总投入经费进行了平减，折旧率取值为15%。R&D人员指标则参考余泳泽等(2010)R&D人员的年平均数等于本年度R&D人员数与上一年度R&D人员数数之和除以2。技术转化阶段的资产总额则采用永续盘存法转化为资本存量。

本文以江苏省医药制造业的微观调研数据作为研究对象，数据来源于江苏省医药行业协会和问卷调查收集整理获得，该数据包括2008-2012年江苏省医药制造业2155个样本企业的研发和产出情况。由于部分城市存在少量的数据缺失问题，因此最后用于效率分析的样本为2008-2012年江苏省13个市4个行业中的250个决策单元。

根据上述要求对相关指标处理后得到用于效率分析的投入产出数据描述性统计值如下表所示：

表1　江苏省医药制造业研发创新数据均值

注：括号内为标准差

江苏省医药制造业创新效率分析

1.研发创新效率分析

基于技术创新两阶段概念模型，使用DEA方法计算江苏省医药制造业研发技术效率，并按地区和行业归类后的均值分别如表2和表3所示。

表2　江苏省医药制造业研发技术效率结果(按地区)

表3　江苏省医药制造业研发技术效率结果(按年份)

由表2和表3可以看出，2008-2012年间江苏省医药制造业研发阶段创新效率平均值仅为0.184，且表现出从高到低再从低到高的波动。表2中不同地区医药制造业研发阶段创新技术效率存在一定的差异，但效率值均较低。技术效率的分解表明纯技术效率和规模效率对研发技术效率平均作用强度基本一致，但不同地区和年份上存在一定的差异。

根据13个城市的研发效率和技术转化效率的分布情况，可以将江苏省各市的创新效率分为如下四种类型：

研发高效率、转化低效率型(A型)：以镇江和苏州两市为例，表2可以看出这两市研发阶段效率值相对较高，但是由于这两个城市的技术转化效率均较低，因此这两个城市整体效率值均较低；

研发高效率、转化高效率型(B型)：以扬州为例，该市的研发效率和技术转化效率相对均较高，这种类型的城市是其他地区学习的典范；

研发低效率、转化高效率型(C型)：无锡、连云港和泰州均是这种类型，这类地区由于其技术转化效率较高，因此系统整体效率值相对较高，但研发的低效率影响了这些地区医药产业的发展；

研发低效率、转化低效率型(D型)：以宿迁为代表，由于研发阶段和技术转化阶段的效率均较低，因此这类地区的系统整体效率也较低，该类地区应对整个研发过程做改进，以提高系统整体效率。

表4　江苏省医药制造业研发技术效率结果(按行业)

表4中按行业计算的结果则表明，研发效率和技术转化效率在不同行业中呈现出较低变化特征，即研发效率越高的行业其技术转化效率越低，反之亦然。其中非高技术行业的研发效率最高，但其技术转化效率最低；化学药品制造业的研发效率最低，但是其技术转化效率最高。

2.全要素生产率分析

表5中研发阶段全要素生产率的均值为1.163，说明2008-2012年江苏省医药制造业研发阶段的平均每年的效率提升达到16.3%。在这5年里，江苏省医药制造业研发阶段全要素生产率呈现交替增长，这可能与研发活动具有一定的波动性和周期性有关。说明江苏医药制造业研发能力虽然在不断增强提升，但主要依靠对现有技术能力的有效利用实现创新效率提升，虽然具有技术转化时间短，风险小而很快形成生产力的特点，但这对于医药企业来讲仅是量变过程，还没有发生质的飞跃，长远来看，不利于企业的发展。

表6中技术转化阶段的全要素生产率的均值为1.395，说明这5年内江苏省医药制造业技术转化阶段平均每年效率提升达到了39.5%，该数值明显高于研发阶段。2008-2009年和2009-2010年间规模效率的提高是技术效率提升的主要动力，而2010-2011年和2011-2012年间技术效率的提高则依赖于纯技术效率的提高。说明在效率提升中，纯技术效率和规模效率会互相拉动，趋向整体平衡的内化机制。

表5　江苏省医药制造业研发阶段全要素生产率

表6　江苏省医药制造业技术转化阶段全要素生产率

结论与建议

本文使用江苏省医药制造业2008-2012年的微观面板数据，基于经济转型升级视角分别采用DEA模型和Malmquist指数计算的江苏省医药制造业技术效率和全要素生产率。根据实证研究结果得出如下结论：

首先，从整体来看，根据经济转型升级的要求，产业从规模速度型粗放增长向资本和技术集约质量效能型创新增长的角度来分析，江苏省医药制造业研发效率和技术转化效率均较低，其中尤其是研发阶段效率仅为0.184，整体效率有待进一步提高。

其次，分别从地区和行业来看，江苏省医药产业各地区和各行业的两阶段创新效率均较低。同时我们发现创新效率大小与地区经济发展水平关系不大，但与地方医药产业的空间集聚情况存在一定的相关性，在空间经济上具有医药产业集聚区的城市其创新效率基本都较高(苏州除外)。

最后，江苏省医药制造业创新全要素生产率平均增长速度较高，研发效率平均每年增长16.3%，技术转化效率平均每年增长39.5%。创新两阶段效率增加的动力主要来自于技术效率的增长，技术进步对效率增长的贡献较小。说明江苏技术创新在全国虽处于先进行列，但与转型经济要求相比还处于量变阶段，要实现原创研发和技术突破还有待时日。

对江苏省医药制造业研究结果，现阶段对于我国制造业内部结构发展的指导意义在于：

第一，创新两阶段效率值确定的制造业创新类型，针对四种不同类型的地区可以采取不同的效率提升路径。A型地区或行业应加强研发成果的市场化，以便提高其技术转化效率；B型地区或行业其两阶段效率虽然相对均较高，但系统整体效率仍有提升空间；C型地区或行业的已有研发成果的市场化程度较高，但研发成果的产出率相对较低，有待进一步加强；D型属于双低型，该类型地区或行业应从自身优势出发，向A型或C型过度，最终力争达到B型。启示政府需要运用产业政策进一步推动二元经济发展，产生经济极化效益，促进创新研发能力和生产力转化能力强的产业集群起引领作用，促进在区域空间经济优异的地区实现重要突破，引领其他地区发展。

第二，江苏医药制造业创新效率提升速度虽然较快，但主要依赖的是现有技术条件下的资源的有效利用，技术进步对效率提升的贡献较小，因此改进制造业技术环境，即运用信息化、智能化创新，提升其整体的技术水平是进一步提高系统整体效率的有效措施。提示政府在重点支持战略性新兴产业发展同时，运用公共政策，推进共性技术平台建设，鼓励企业间，企业和高校协作创新，同时运用互联网技术，物联网技术，形成人因工程学的智慧工厂，整体推动产业转型升级。

参考文献

1.陈凯华、官建成：《共享投入型关联两阶段生产系统的网络DEA效率测度与分解》，《系统工程理论与实践》2011年第7期。

2.傅晓霞：《企业研发效率测度与比较——以中国各地区大中型工业企业数据为例》，《管理工程学报》2011年第4期。

3.洪进、李敬飞、李晓芬：《两阶段创新价值链视角下的我国医药制造业技术创新效率及影响因素分析》，《西北工业大学学报》(社会科学版)2013年第6期。

4.李中、周勤：《内生性约束下研发投入、研发效率与企业绩效——中国高技术产业细分行业的样本》，《软科学》2012年第7期。

5.余泳泽、刘大勇：《创新价值链视角下的我国区域创新效率提升路径研究》，《科研管理》2014年第5期。

6.余泳泽、武鹏、林建兵：《价值链视角下的我国高技术产业细分行业研发效率研究》，《科学学与科学技术管理》2010年第5期。

7.张小蒂、曾可昕：《基于产业链治理的集群外部经济增进研究——以浙江绍兴纺织集群为例》，《中国工业经济》2012年第10期。

8.朱有为、徐康宁：《中国高技术产业研发效率的实证研究》，《中国工业经济》2006年第11期。

9.Castelli L, Pesenti R, Ukovich W. A Classification of DEA models when the internal structure of the decision making units is considered,AnnalsofOperationsResearch, 2010, 173(1):207-235.

10.Chen Y, Liang L, Yang F, et al. Evaluation of information technology investment: a data envelopment analysis approach,ComputersOperationsResearch, 2006, 33(3):1368-1379.

11.Chang Chia-Chin. Influences of knowledge spillover and utilization on the NIS performance: a multi-stage efficiency perspective,Quality&Quantity, 2014(8):1-14.

12.Färe R.,Grosskopf S. Intertemporal Production Frontiers: With Dynamic DEA， Springer Netherlands,1996.

13.Hu Jin-Li,?Chih-Hai Yang?and Chiang-Ping Chen. R&D efficiency and the national innovation system:an international comparison using the distance function approach, Bulletin of Economic Research, 2014(66): 55-71.

14.Lee Keeeun, Byungun Yoon. The idiosyncrasy of research and development efficiency across types of small- and medium-sized enterprises: evidence from Korea,R&DManagement, 2014(8):

15.Kumbhakar Subal C., Raquel Ortega-Argilés, Lesley Potters, Marco Vivarelli, Peter Voigt. Corporate R&D and firm efficiency: evidence from Europe’s top R&D investors,JournalofProductivityAnalysis, 2012(37):125-140.

16.Wang Eric C., Weichiao Huang. Relative efficiency of R&D activities: A cross-country study accounting for environmental factors in the DEA approach,ResearchPolicy, 2007, 36(2): 260-273.

〔责任编辑：凌羽〕

作者简介：申远，南京财经大学应用数学学院讲师；李湘君，南京中医药大学经贸管理学院副教授；孙峰，江苏省科技情报所。南京，210023