我国医药制造业创新效率评价研究

江依+褚淑贞

摘 要：[目的]评价我国2015年各省医药制造业创新效率，以发现制约行业创新效率发展的原因，为提高行业发展水平提供依据。[方法]采用数据包络分析三阶段模型（DEA），在传统DEA基础上采用SFA回归模型剔除环境因素及随机变量造成的影响，使得到的效率值更加准确。[结果与结论]我国各省创新效率差异较大，应在实行相关政策投入时注重均衡发展，以促进医药制造业创新效率的全面提升。

关键词：三阶段DEA；医药制造业；创新效率

中图分类号：F2

文献标识码：A

doi：10.19311/j.cnki.1672-3198.2017.16.001

近年来，我国医药制造业发展迅速，在学术界得到越来越多的关注。目前国内多数学者运用数据包络分析法对医药制造业技术创新效率、生产效率等方面进行研究，如王秀明（2015）运用DEA对医药制造业子产业生产效率进行了评价；霍艳飞（2016）运用DEA对医药制造业技术创新效率进行研究。但以往在评价产出效率时，往往只是运用传统DEA模型测算，其测算过程将环境变量纳入投入或产出变量，但实际上各省处于不同的发展环境，这样测算的效率值存在一定的偏差。由此，本文通过DEA三阶段模型，剔除环境变量及随机变量带来的误差，使测算结果更具有参考价值。

1 研究方法及模型简介

1.1 DEA分析基于规模收益可变的BCC模型（第一阶段）

数据包络分析（Date Envelopment Analysis，DEA）中BCC模型将综合效率分为规模效率及纯技术效率。因本文研究的对象对医药制造业产生的效益影响较大，因此采用基于规模收益可变的BCC模型。

BCC模型使投影点的生产规模与被评价DMU的生产规模处于同一水平，模型中i表示评价指标体系中的投入指标。θ表示被评价决策单元（DMUK）的技术效率；s-松弛变量表示产出不足和投入剩余的大小。若θ=1且松弛变量等于0，此时DMU0处于DEA有效。若θ=1，但松弛变量不为1，此时DMU0处于弱有效。若θ<1，此时DMU0处于非DEA有效。若仅有松弛变量等于0，则此时DMU0处于技术有效，即此时资源获得充分利用，投入要素组合呈现最佳组合状态。

BCC模型的规划式为：

1.2 SFA随机前沿分析（第二阶段）

第二階段，通过SFA模型剔除环境变量及随机误差带来的影响，从而减少测量误差。模型中将环境变量作为解释变量，第一阶段得到的投入冗余作为被解释变量，构造下式：

其中前一项表示投入松弛量，后两项表示生产过程中的统计噪音及管理无效率。

利用SFA模型是为了将所有的决策单元投入指标调整到相同的环境状态，进而在考虑随机误差影响的基础上测度出“真实”反映各DMU经营管理水平的技术效率值。本文对所处环境较好的决策单元，通过增加其相应的投入量来使所有决策单元处于相同的外部环境，调整公式如下：

1.3 DEA模型（第三阶段）

通过第二阶段调整后新得到的投入数据代替原始数据，再次通过BCC模型对创新效率进行测算，新得到的结果更能反映结果的准确性。

2 指标体系的构建与数据来源

2.1 指标体系的构建

医药制造业属于高技术产业之一，是一个高投入高产出的综合性产业，因此选择的研究指标至关重要。在指标选择过程中，国内学者也有相关的研究例子，当然也存在一定不同。如表1所示。

基于效率评价的科学性、系统性、指导性、可操作性和可比性原则，且依据高技术产业统计年鉴及现有文献研究的相关指标体系的基础上。本文从投入——产出角度，建立评价医药制造业创新效率评价指标体系（见表2）。在指标选取过程中，医药制造业创新效率投入指标主要在于研发经费的投入及人员的投入，因此本文选取医药制造业R&D经费内部支出及R&D人员全时当量及新产品开发经费作为投入指标，其中新产品开发经费在一定程度上也反映出企业对创新投入的程度。而在产出指标中，本文除了选取拥有专利发明数、新产品销售收入之外，在参考相关研究的基础上新增主营业务收入及利润总额作为产出指标，综合体现技术创新的转化结果。在SFA回归分析中，需要通过剔除环境因素造成的测量误差，我国各省医药制造业环境差异大，因此在选择环境指标时应选取能够对创新效率产生一定影响但又不可控的指标。结合文献研究及数据可获得性及合理性，本文选取政府资金、各省医药制造业企业数、研发机构数、GDP数值四个外部指标作为环境测量指标。

2.2 数据来源

本文中医药制造业数据均来自《中国高技术制造业统计年鉴2016》，截取2015年我国各省医药制造业相关投入与产出指标。为了能够尽可能将大部分省市区纳入评价范围，由于数据的可获得性及模型的可操作性，（剔除西藏和青海、宁夏、新疆四个省，数据缺失严重），因此最后确定27个省作为评价单元。

3 实证结果

3.1 DEA第一阶段

通过DEA中BCC模型测算我国27省医药制造业创新效率，从测量结果（表3）来看，未调整前我国各省创新效率平均值为0.877，纯技术效率为0.927，规模效率均值为0.945。其中天津、山西、吉林、江西、湖北、湖南、重庆、四川、贵州9省处于效率前沿，属于DEA有效状态。其他省均有不同程度投入冗余，处于DEA无效状态，同时多省处于规模效率递减状态，造成各省之间差别的原因可能是由于创新转化能力不同，也可能是所处环境不同造成的。因此，本文需进一步通过SFA剔除环境及随机变量及管理无效率带来的影响，进而准确地反映各省的创新效率水平。

3.2 第二阶段

第二阶段通过SFA回归分析，以第一阶段测量的投入松弛变量作为被解释变量，环境指标作为解释变量，得到结果如表4。

从回归结果可知四个环境变量对绝大多数投入松弛通过显著性检验，这表明选取的环境变量对各松弛变量的投入冗余影响较大。其中值接近于1或等于1，说明各省医药制造业间的管理效率差异大，管理因素的影响占主导地位。

由于松弛变量反映的是投入的冗余，因此在回归结果中，若回归系数是负值，则表明解释变量的增加利于投入松弛的减少，从而利于产业创新效率的提高；反之，则不利于创新效率的提高。从表中可以看出，R&D经费、R&D人员、新产品开发经费三项投入冗余均通过地区医药企业1%的显著性检验，且R&D经费投入松弛及新产品开发经费松弛回归系数均是负数，表明地区医药企业数越多，越有利于经费投入的减少。这可能由于企业数增多，导致地区竞争力提高，促使各企业提高创新效率研究投入经费的利用率；而地区研发机构数的增加也同样利于研究经费及产品开发经费利用率的提高。政府研发资金的投入与R&D经费投入及新产品开发经费投入均未通过显著性检验，表明两者不存在显著性影响，但其与R&D人员松弛变量存在较强显著，且回归系数为负值，表明政府研发资金的投入，有利于人员冗余的减少，利于创新效率值的提高。地区GDP对R&D人员及新产品开发经费松弛呈显著关系，但回归系数为正，表明地区GDP的投入不利于人员及新产品开发经费的投入减少，造成该结果的原因可能是随着地区GDP增长，尽管研发投入也随之增长，但人员创新及新产品经费投入产出没有相应的提高。

3.3 第三阶段（调整后）

第三阶段在第二阶段剔除由环境及随机误差产生的影响后得到新的投入值，通过新的投入值再通过BCC模型得到新的创新效率测量值。

经调整后结果显示各省创新效率均值由調整前0.877下降为0，843，纯技术效率及规模效率也有不同程度的下降，均下降至0.918。绝大部分省创新效率值较调整前有所减少，这表明本文所选择的环境变量对医药制造业创新效率的影响是正面的。这也证明了DEA三阶段的必要性。在剔除环境变量及随机变量产生的影响后，天津、吉林、江西、湖南、四川五省仍处于效率前沿，属于DEA有效，表明以上几省未受到环境因素及随机变量的影响，而山西、湖北、重庆、贵州四省效率水平均有不同程度的下降，不再处于效率前沿，表明环境变量对这几省的影响是负向的。且相较于调整前，不少省由规模递增变为规模递减，这表明制约我国医药制造业创新效率的主要因素是产业规模的大小。

4 结论

通过三阶段的测量，发现我国医药制造业创新效率均值无论是综合效率值还是纯技术效率值及规模效率值均有下降，其中规模效率下降的值相较纯技术效率更多，这表明所选取的环境变量对各省医药制造业创新效率的影响是正向的，且其对规模效率的影响更大。这也启示各省应加大对创新规模的投入力度。

在第二阶段中，环境变量中地区医药企业及研发机构数对医药制造业创新效率存在显著性影响，而地区GDP及政府研发资金投入对产业创新效率存在较弱显著性，各省要注重提升整体经济发展水平，利用较好的经济环境来促进医药制造业创新效率的提升；各省在进行创新研发投入时，避免无效率投入R&D人员，应控制人员的数量和质量。政府对地区进行投入时，应该把好经费关，以保障其真正用在研发创新体系中。

对第三阶段DEA所得结果进行分析时，可以发现我国各省医药制造业的创新效率差异性大。因此各省应根据自身发展情况提高创新效率水平。

参考文献

[1]王秀明，邱家学.我国医药制造业子产业的生产效率研究[J].中国新药杂志，2015，（13）：1451-1455.

[2]霍艳飞，石晟怡，王广平等.我国医药制造业技术创新效率研究——基于DEA模型的Malmquist指数分析[J].中国新药杂志，2016，（07）：728-732，744.

[3]邹鲜红，罗承友.基于DEA模型的我国医药制造业技术创新相对有效性研究[J].科技管理研究，2009，（09）：252-254.

[4]肖文，林高榜.政府支持、研发管理与技术创新效率——基于中国工业行业的实证分析[J].管理世界，2014，（04）：71-80.