中国高技术产业行业效率测度与分解——基于共享投入关联DEA模型

叶 锐，刘 洋

（长安大学，陕西 西安 710064）

中国高技术产业行业效率测度与分解
——基于共享投入关联DEA模型

叶 锐，刘 洋

（长安大学，陕西 西安 710064）

文章基于高技术产业知识产出和科技成果转化为生产力两阶段视角，考虑“中间产品产出再投入”和“初始投入在两个子过程间的分配结构”，构建共享投入关联DEA模型，使用1999-2013年中国高技术产业11个细分行业数据，测算并分解效率。高技术产业11个行业系统效率水平介于0.128～0.592之间，知识产出效率水平介于0.124～0.590之间，科技成果转化效率水平介于0.119～0.398之间。研究表明：共享投入关联DEA模型测算效率水平的同时，还可得到初始投入在两个生产阶段的配置比例和中间产品的转化信息，利于做出正确的管理决策；我国高技术产业科技成果转化效率较低，在注重研发投入的同时，须增强科技成果商品化和市场化的应用能力。

高技术产业；科技成果转化；效率测度与分解；DEA模型

一、引 言

高技术产业引导着新兴产业的发展，是一个国家科技水平的主要代表。发展高技术产业已成为世界主要国家抢占新一轮竞争机会的战略部署，也是我国在新一轮产业革命中占据经济竞争主动权的必然要求。同时，高技术产业效率直接影响着科技创新水平和产业发展方向。

高技术产业具有高投入、高产出和高风险的特点。因DEA方法具有测算多投入多产出决策单元相对效率的特性，可以应用于高技术产业行业效率的研究。以DEA为代表[1-2]的非参数方法进行效率测度已得到了普遍应用。刘杰、谭清美（2011）[3]应用DEA方法测量江苏省的科技投入产出效率，并对DEA中常用的CCR模型进行了改进。颜鹏飞、王兵（2004）[4]应用该方法测量我国30个省市的技术效率，并在此基础上验证人力资本、制度因素和生产率增长的关系。蒋殿春、黄静（2007）[5]运用DEA方法，分析我国工业行业中内外资企业技术水平及发展趋势。官建成、陈凯华（2009）[6]综合运用DEA模型测量了我国高技术产业技术创新效率。王晓珍（2012）[7]针对DEA交叉效率评价中权重不唯一情况，用最小调整法研究了区域高技术产业R&D效率评价；尹伟华（2012）[8]通过构建SBM模型和Tobit模型，全面评价了中国区域高技术产业技术创新效率，研究发现现阶段中国高技术产业技术创新活动的整体效率和两个子过程效率都较低，存在明显的省际差异。陈骑兵、马铁丰（2012）[9]运用DEA模型对1999年至2006年四川省高技术产业技术创新效率进行了有效性评价，并进一步运用DEA交叉评价模型得出各年份交叉效率值。赵嘉倩、宋伟、叶胡（2013）[10]运用链式关联网络DEA方法对区域知识产权战略实施绩效评价进行了研究；戚宏亮、王翔宇（2013）[11]以黑龙江省五大高技术产业作为研究对象，选取2006到2010年相关指标进行因子分析，构建技术创新效率评价模型。

综观已有文献，基于传统DEA模型的高技术产业效率研究仅从研发主体角度考察投入产出效率，并未科学评价高技术产业投入转化为科技成果，科技成果转化为生产力具体每一阶段的效率问题。已有的DEA模型并未考虑决策单元内部生产结构的具体运行，无法测算决策单元内部结构以及真实生产效率。

本文试图在考虑存在共享投入的前提下，基于高技术产业投入产出知识成果和知识成果转化为生产力的两阶段生产系统，构建共享投入关联DEA模型，测算我国高技术产业行业的系统效率、知识产出效率和科技成果转化效率，同时得到中间产品的转化信息和初始投入资源的动态配置信息，深入到决策单元内部找到低效问题的原因，做出正确的科学管理决策。

二、模型设定与变量选取

存在共享投入高技术产业生产过程可以划分为两个阶段：知识转化阶段和产业化阶段。知识转化阶段为高技术产业从初始投入到产业科技成果阶段。这一阶段效率主要反映了高技术行业的技术创新能力；产业化阶段为科技成果投入市场，转化为生产力阶段。这一阶段效率主要反映了高技术行业的技术应用能力。

（一）模型设定

图1 高技术产业两阶段生产过程

（1）

若令：

借助Charnes-Cooper转换，可直接获得VRS假设下的数学规划模型，为了便于计算，再将非线性规划转化为线性规划如下：

（2）

（3）

（4）

同时可证明ω（1）+ω（2）=1，ω（1）+ω（2）E（2）=E，ω（1）inE（1）+ω（2）inE（2）=inE,表明DMU整体技术效率水平是内部两个子系统技术效率水平的凸线性组合，整体技术无效率水平是内部两个子过程无效率水平的凸线性组合。

（二）变量选取

在应用DEA方法测量效率时，投入产出指标的选取影响到评价结果。现有文献对我国高技术产业投入产出指标的选取差异较大，不具有一般性。衡量投入指标有：R&D人员投入、R&D经费投入、科技活动经费筹集额中政府资金、微电子控制设备原价（林秀梅、徐光瑞，2007[13]）,但研发资本较研发经费投入具有持续性（赵玉林、魏芳,2006[14]）；衡量研发产出指标有：高技术产业产值、高技术产业增加值、高技术产品出口额、高技术产业利税总额、国内市场占有率、全员劳动生产率、拥有发明专利数、新产品销售率、国家级高技术产业开发区企业数、国家级高技术产业开发区总产值。专利申请或授权只是把研发投入转化为知识产出，这仍属于一种中间产出，专利并不能代表企业研发努力的全部产出，销售收入则是一种容易测量的显性研发产出指标（赵玉林、魏芳,2006[14]）。高技术产业对经济增长的作用主要体现在GDP、工业增加值、制造业增加值、高技术产业及各部门增加值等方面[15]。从定性和定量分析两个方面选取指标，首先根据可比性、可行性和科学性的原则在已有研究的基础上建立原始指标体系，之后基于灵敏度分析确定最终指标（见表1）。

本文选取了具有代表性的11个高技术行业，包括航空航天制造业、通信设备制造业、半导体分立器件制造业、集成电路制造业、医疗器械及仪器仪表制造业、雷达及配套设备制造业、飞机制造及修理业、广播电视设备制造业、家用视听设备制造业、电子元件制造业、电子真空器件制造业等。

由于高技术产业从投入到科技成果转化为生产力存在一定的时滞，故本文在实证检验中，高科技产业投入、科技成果产出与经济产出增长分别采用第t年、第t+1年、第t+2年数据。经整理选取我国高技术产业11个行业数据进行实证分析，即高科技产业投入指标采用1999—2011年数据，科技成果产出指标选取2000—2012年数据，经济产出增长指标选取2001—2013年数据。对于缺失数据，采用朴素贝叶斯分类方法进行处理。数据来源于2000—2014年的《中国统计年鉴》、《中国科技统计年鉴》、《中国高技术产业统计年鉴》、《中国工业经济统计年鉴》。

表1 高技术产业投入产出指标

三、实证分析

根据公式（2）、（3）和（4），应用Matlab7.0进行数据处理和模型运算，结果如表2所示，并根据表2结果画出高技术产业11个行业的效率分解矩阵图（见图2）。

从表2和图2可知，我国高技术产业整体效率仍然不高，这与我国高技术产业仍以加工为主，始终没有摆脱低技术的特征有关。从高技术产业各行业来看，行业效率差异较大，系统效率水平介于0.128～0.592之间，知识产出效率水平介于0.124～0.590之间，科技成果转化效率水平介于0.119～0.398之间。

（一）高技术产业行业系统效率

从高技术产业整个行业系统效率角度看，家用视听设备制造业生产能力最高，雷达及配套设备制造业生产能力最低。

家用视听设备制造业的知识产出效率和科技成果转化效率均高于其他行业，分别为0.590和0.398，可见，家用视听设备制造业的技术创新能力和技术应用能力较高。从内部决策来看，第一子系统和第二子系统的集结权重近于0.749和0.251，R&D活动人员、R&D经费内部支出和固定资产投入在第一阶段的分配比例分别为0.665、0.398和0.627，在第二阶段的分配比例分别为0.335、0.602和0.373。家用视听设备制造业中间产品转化效率较高，效率损失较低，高技术产业化两个子系统间进行了有效的联结。同时，从外部因素看，一方面，家用视听设备制造业积极引进技术设备并消化吸收，实现技术升级，提高了科技成果转化率；另一方面，作为服务于终端消费市场的家电行业，市场直接转化效益较快，家用设备制造企业注重自主研发，研发成果与市场需求紧密结合，研发成功率较高。

雷达及配套设备制造业知识产出效率和科技成果转化效率分别为0.124和0.119，分别低于其他行业。可见，雷达及配套设备制造业的技术创新能力和技术应用能力较低。从内部决策来看，存在两个子系统的纯技术效率偏离最优集结权重和R&D活动人员、R&D经费内部支出和固定资产投入在两个子系统间分配不合理的问题，在做科学管理决策时，须调整初始投入在两个子系统间的分配结构，使其接近于最优值。从外部因素看，雷达及配套设备制造业效率低下与囿于传统的经济体制，市场发育不健全，管理迟滞有关。

图2 我国高技术产业行业两阶段效率分解图

表2 我国高技术产业行业效率测算与分解结果（1999—2013年）

注：ω（1）、ω（2）分别表示在系统效率值最大条件下第一子系统和第二子系统的纯技术效率的系统集结权重。α1、α2和α3分别表示R&D活动人员、R&D经费内部支出和固定资产投入在第一子系统的分配比例。

（二）高技术产业行业效率分解

从高技术产业行业效率分解角度看，可根据11个行业的两个子系统效率，划分为四个象限（见图2）：A象限为知识产出效率较低，科技成果转化效率较高行业；B象限为知识产出效率较高，科技成果转化效率较高行业；C象限为知识产出效率较低，科技成果转化效率较低行业；D象限为知识产出效率较高，科技成果转化效率较低行业。

广播电视设备制造业位于A象限，知识产出效率和科技成果转化效率分别为0.224和0.267，与其他行业相比知识产出效率较低，科技成果转化效率较高。从决策单元内部结构看，这与纯技术效率在第一阶段权重过低，在第二阶段权重过高，以及初始投入在两个子系统间分配结构不合理有关。科学的管理决策为：R&D活动人员、R&D经费内部支出和固定资产投入在第一子系统的投入比例分别为0.578、0.654和0.874，这样在保持广播电视设备制造业较高科技成果转化效率的同时，提高知识产出效率，从而提高该行业的整个系统效率。从外部因素看，广播电视设备制造业商品化和市场化市场前景广阔，直接收益较快，企业较重视提高科技成果转化能力。

家用视听设备制造业、飞机制造及修理业和半导体分立器制造业位于B象限，知识产出效率分别为0.590、0.261和0.307，科技成果转化效率分别为0.398、0.298和0.257。这三个行业与其他行业相比，知识产出效率和科技成果转化效率都较高。其中，飞机制造及修理业系统效率仅为0.282，位于第6位。可见，飞机制造及修理业两个生产阶段并未进行有效的联结，须深入到决策单元内部找到低效的问题所在。

真空电子元件制造业、电子元件制造业、通信设备制造业和雷达及配套设备制造业位于C象限，知识产出效率分别为0.232、0.246、0.219和0.124，科技成果转化效率分别为0.183、0.178、0.123和0.119。

与其他行业相比，这四个行业的知识产出效率和科技成果转化效率均较低，同时系统效率也较低，分别为0.183、0.178、0.292和0.128。可见，这四个行业无论从系统内部结构还是整个效率角度来看，都须进行有效的管理。从外部因素看，我国电子制造业长期以来以传统低级元件产品加工为主，高技术研发人才培养滞后，新产品开发能力不足，导致我国电子制造业充当附属加工制造基地的角色，高端电子产品元件仍主要依靠进口。

医疗器械及仪器仪表制造业、集成电路制造业和航空航天制造业位于D象限，知识产出效率分别为0.337、0.265和0.260，科技成果转化效率分别为0.237、0.197和0.182，与其他行业相比，这三个行业的知识产出效率较高，科技成果转化效率较低。这与初始资源投入偏重于生产的第一阶段，对生产的第二阶段重视不足有关。

四、结论和建议

共享投入关联DEA模型与传统DEA模型相比，可进行效率分解，并深入到决策单元内部找到低效的问题所在，获得系统效率值最优背景下的生产信息和投入要素的配置信息，可以对效率改进提出具体的具有针对性的措施。

我国高技术产业整体效率仍然不高，行业效率差异较大，系统效率水平介于0.128～0.592之间，知识产出效率水平介于0.124～0.590之间，科技成果转化效率水平介于0.119～0.398之间。从高技术产业整个行业系统效率角度看，家用视听设备制造业效率最高，雷达及配套设备制造业效率最低。

保持高技术产业研发投入的同时，决策单元须注重两个生产阶段的资源投入配置比例，重视高技术产业科技成果转化为生产力的产出过程和高技术成果的市场价值，增强高技术科技成果转化能力，为我国经济增长方式转变提供动力支持。

[1] ANMING ZHANG, YIMIN ZHANG, RONALD ZHAO.A study of the R&D efficiency and productivity of Chinese firms[J].Journal of Comparative Economics,2003（31）：90-102.

[2] CHARNESH A, W W COOPER, E RHODES.Measuring the efficiency of decision making units[J]. European Journal of Operational Research，1978（2）：429-444.

[3] 刘杰,谭清美.科技投入产出效率评价模型的改进研究——以江苏省为例[J].科学管理研究，2011,29（1）：106-109.

[4] 颜鹏飞，王兵.技术效率、技术进步与生产率增长:基于DEA的实证分析[J].经济研究，2004（12）：55-66.

[5] 蒋殿春，黄静.外商直接投资与我国产业内技术二元结构[J].数量经济技术经济研究，2007（7）：44-54.

[6] 官建成,陈凯华.我国高技术产业技术创新效率的测度.数量经济技术经济研究[J].2009（10）：19-33.

[7] 王晓珍.基于DEA 交叉效率的R&D效率评价和资源配置研究——以区域高技术产业为例[J].科技管理研究，2012（17）：115-120.

[8] 尹伟华.中国区域高技术产业技术创新效率评价研究——基于客观加权的网络SBM模型[J].统计与信息论坛，2012（8）：99-106.

[9] 陈骑兵，马铁丰.基于 DEA 交叉评价的四川省高技术产业技术创新效率动态研究[J].科技管理研究，2012（16）：57-60.

[10]赵嘉倩，宋伟，叶胡.基于链式关联网络的区域知识产权战略实施绩效评价研究[J].中国科技论坛，2013（4）：103-108.

[11]戚宏亮，王翔宇. 黑龙江高技术产业技术创新效率评价[J].科技管理研究，2013（3）：51-54.

[12]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[J].系统工程理论与实践，2011,29（7）：1213-1221.

[13]林秀梅,徐光瑞.我国高技术产业竞争力省际比较[J].当代经济研究，2010（5）：20-25.

[14]赵玉林，魏芳.高技术产业发展对经济增长带动作用的实证分[J].数量经济技术经济研究，2006（6）：44-55.

[15]武增海.高新技术产业增长问题的实证研究——基于向量自回归模型分析[J].西安财经学院学报，2013（3）：40-50.

（责任编辑：任红梅）

Efficiency Measurement and Decomposition of China’s Provincial High-Tech Industry: 1999-2013：Based on Network DEA for a Relational Two-Stage Production System with Shared Inputs

YERui，LIUYang

（Chang’an University，Xi’an 710064,China）

A network DEA for a relational two-stage production system with shared inputs is developed in this paper on the view of two stage of knowledge out and achievement transfer and on the assumption of “re-input of the intermediate products” and “allocation information of the initial input in the two sub-processes”, and then with the model, system efficiency and pure technical efficiency of each stage is calculated with the data of 29 provinces from 1999 to 2013, the level of inefficiency and the proportion of initial input is tested simultaneously. It also reveals the efficiency level of 11 industries is in 0.128～0.592, the knowledge transformation efficiency is in between 0.124～0.590 science and technology achievement transformation efficiency is generally low, ranging from 0.119～0.398. The results shows that network DEA not only can calculate efficiency of system and its sub-processes, but also production information embedded in the intermediate products as well as the allocation information of various inputs among the individual sub- processes. While maintaining a high level of R & D investment, it is necessary to increase the ability to transform scientific and technological achievements.

hi-tech industry；the transform of scientific and technological achievements; efficiency measurement and decomposition；DEA model

2015-01-09

国家自然科学基金项目“寡头垄断企业R&D博弈模式及其动力学问题研究”（71072160）；国家社科基金项目“财政补贴退出后的多主体创新网络运行机制研究”（12CGL009）；中央高校基本科研业务费专项“创新网络中企业地位变迁机理与控制实证研究”（CHD2009JC012）

叶锐（1983-），女，吉林磐石人，长安大学政治与行政学院讲师，博士，研究方向为企业创新；刘洋（1987-），男，陕西西安人，长安大学教务处教师，硕士，研究方向为教育管理。

F264.2

A

1672-2817（2015）04-0032-06