我国农业类上市公司研发效率测度基于三阶段DEA模型

古鸿雨,王玉峰,杨曼路,李 松(四川农业大学 经济学院,四川 成都 611130)

我国农业类上市公司研发效率测度基于三阶段DEA模型

古鸿雨,王玉峰,杨曼路,李 松
(四川农业大学 经济学院,四川 成都 611130)

研发效率是衡量企业创新能力的关键因素。基于2012—2015年面板数据,运用三阶段DEA模型,在控制环境因素的基础上对我国36家农业类上市公司的研发效率进行了测度和分析。结果表明:过于集中的股权结构会加剧公司投入冗余,而政府补贴则有助于减少研发投入浪费;在剔除环境因素、随机误差的影响后,大多数公司的综合技术效率和规模效率下降,且普遍处于规模递增状态,说明规模扩张仍是研发效率提升的重要瓶颈,因此要提高农业公司的研发效率。

农业类上市公司;研发效率;三阶段DEA模型

1 引言

在我国大力推进农业科技创新的政策背景下,如何补齐农业科技创新投入短板需要精准查找当前涉农企业的研发效率水平及其制约因素,以更有效地利用财政、金融政策增强我国农业科技创新能力,提高农业现代化水平。目前,国外研究主要集中在对制药业与食品业等行业研发效率的评估[1,2]、对不同国家或同一国家不同地区研发效率的评估[3-5]和对高校研发效率的评估[6-8]等方面。国内学者关于研发效率的研究起步相对较晚,主要集中在:对各类上市公司研发效率的研究[9,10],对高新技术产业、电子信息制造业、文化产业等不同产业研发效率的研究。其中,部分学者选取行业面板数据来测度了不同产业的研发效率[11,12],还有学者运用省域面板数据来测算各省产业研发效率[13,14],以及对不同国家或同一国家不同地区研发效率的研究[15,16],对高校、科研机构和政府等不同部门研发效率的研究[17,18],但针对农业上市公司研发效率的研究文献较少。黄洁莉[19]以我国农、林、牧、渔业上市公司2007—2012年的面板数据为研究样本,运用回归模型验证其研发投入、实际所得税率与其风险、业绩的相关关系;魏长升[20]选取深交所和上交所20家农业上市公司为样本,采用传统DEA模型研究其研发投入对企业经营绩效的影响。回归方法只能假设一个产出变量为因变量,而传统DEA方法忽略了环境因素和随机误差的影响。本文运用三阶段DEA模型测度我国农业类上市公司研发效率,查找制约因素并提出相应的建议。

2 研究设计与数据说明

2.1 研究方法

本文采取Fried等[21]提出的DEA与SFA模型相结合的三阶段DEA模型。该模型可避免生产函数设定错误,同时考虑了外部环境因素和随机误差的影响。

第一阶段DEA模型采用Banker等[22]提出的BBC修正模型,得到样本公司的综合技术效率、纯技术效率和规模效率。

(1)

式中,j(=1,2,…，n)为决策单元；X和Y分别是投入与产出变量。

第二阶段,构建投入松弛变量与环境变量的SFA模型:

Sni=f(Zi;βn)+υni+μni; (i=1,2,…,I;n=1,2,…，N)

(2)

式中,Sni为第i个决策单元第n项投入的松弛值；Zi为环境变量；βn为环境变量的系数；υni+μni为混合误差项；υni为随机干扰；μni为管理无效率。

调整公式为:

(3)

2.2 样本选择与数据来源

本文以2012年证监会修订的《上市公司行业分类指引》(简称《指引》)作为分类标准,选取我国农业类上市公司2012—2015年相关数据进行研究。样本公司来自《指引》的两个板块:一是农、林、牧、渔及其服务业板块,目前共有43家上市公司;二是农副食品加工业板块,目前共有38家上市公司。剔除1家B股上市公司、16家ST公司、18家上市不满5年的公司、11家未披露研发支出等相关数据的公司,本文将剩余36家公司作为研究样本。数据来自上市公司年报、国家知识产权局网站、2013—2016年的《中国统计年鉴》。

2.3 变量选择

产出变量:①发明专利申请数。专利是通用的测量研发活动创新成果的指标[23],专利申请数能较好地反应上市公司的研发能力[24],但考虑到实用新型专利和外观设计专利并不能有效反应研发产出能力,故本文选取发明专利申请数作为农业类上市公司研发活动的产出指标之一。②营业收入。提高经营绩效是企业创新活动的最终目的,本文选择价格指数平减后的营业收入作为产出指标。具体来说,以2012年为基期,利用种植业、林业、畜牧业和渔业产品的生产价格指数以及农业生产服务价格指数分别对农、林、牧、渔及其服务业的上市公司营业收入进行平减,利用农副食品加工业的工业生产者出厂价格指数对农副食品加工业的上市公司营业收入进行平减。

投入变量——研发支出:研发支出是从资本投入的角度衡量研发活动的直接投入。为剔除前期和当期研发投入的影响,选择研发资本存量来衡量研发支出,并作为农业类上市公司的研发投入指标。即依据Ramp;D经费中劳务费40%、固定资产30%、原材料30%的比重,分别乘以居民消费价格指数、固定资产投资价格指数、工业生产者购进价格指数之和,再以2012年为基期进行平减。然后,在假定平均滞后期为1年的情况下,采用永续盘存法来测算研发资本存量:

Ki,t=Ei,t-1+(1-δ)×Ki,t-1

(4)

式中,K为当年末的研发资本存量(以每年研发支出的平均增长率衡量);E为每年的研发支出;i为第i家上市公司;t为年份;δ为折旧率,借鉴Griliches[25]对研发资本折旧率的估计,本文假定折旧率为15%。

初始年份研发资本存量为:

Ki,0=Ei,0/(gi+δ)

(5)

式中,Ki,0为第i家上市公司初始年份的研发资本存量;Ei,0为第i家上市公司初始年份的研发支出流量;gi为第i家上市公司在研究期间内的年均研发支出增长率。

研发人员:研发人员是从劳动力投入角度衡量研发活动的直接投入。由于大部分上市公司并未直接披露研发人员数量,本文选择技术人员数量作为研发人员的代理变量。

环境变量:①GDP增长率。当GDP增长率比较高时,经济持续扩张,农业类上市公司面临良好的融资环境和市场环境,有利于上市公司研发效率的提升,但是产生的生存压力和竞争压力的降低又可能导致公司内部资源配置效率降低[26]。②政府补贴。政府补贴是对涉农公司研发支持的政策,是较容易量化的政府支持变量,但政府补贴是提升公司研发效率还是增强公司对政策的依赖性而影响其研发积极性需要做进一步验证。③股权集中度。在股权集中度过高的情况下,控股股东可能会因单方面利益而影响研发活动,制约公司研发效率的提升[27]。④上市年限。公司上市后,经营行为受到多重监督,较上市前信息更加透明,这可能促使公司不断提升经营管理水平。但上市后由于融资约束减小,生存压力显著降低,可能导致公司研发效率伴随着上市年限的增加而出现退化[26]。环境变量设置见表1。

表1 变量设置

3 实证分析

3.1 第一阶段DEA模型实证结果

在不考虑环境因素和随机误差影响的情况下,2012—2015年我国36家农业类上市公司的综合技术效率水平偏低,平均值为0.403,其中纯技术效率和规模效率平均值分别为0.516和0.780,见表2。

表2 第一阶段和第三阶段我国36家农业类上市公司研发效率情况

3.2 第二阶段SFA模型实证结果

以第一阶段投入冗余变量为被解释变量,以各环境变量为解释变量,建立回归模型,结果见表3。

表3 第二阶段不同环境变量对投入冗余变量的回归估计结果

注:***、**、*分别表示在1%、5%和10%水平下显著。

从表3可见,环境因素对样本公司研发效率产生显著影响:①GDP增长率。GDP增长率对研发支出冗余和研发人员冗余存在显著的正向影响。这表明经济处于扩张期时,农业类上市公司面临良好的融资环境和市场环境,但由此产生的生存压力降低可能导致公司内部资源配置效率降低,加剧研发资本和劳动力的投入浪费,不利于研发效率提升,与季凯文等的研究结论一致。②政府补贴。政府补贴对农业类上市公司研发支出冗余和研发人员冗余存在显著的负向影响。这表明政府补贴金额增加能有效促进农业类上市公司研发资源的配置,提升研发效率水平。因此,政府进行适宜的资金补贴来鼓励涉农公司从事农业研发创新活动,在一定程度上缓解部分公司因资金缺乏而带来研发资金投入不足的困境。③股权集中度。第一大股东持股比例对研发支出和研发人员的冗余存在显著的正向影响。股权集中度过高容易产生“内部控制人现象”,将导致研发支出和研发人员浪费程度增加,这验证了彭熠等的观点,可见调整“一股独大”的股权结构更有利于农业类上市公司研发效率的提升。④上市年限。样本公司上市年限对研发支出冗余存在显著的正向影响,对研发人员冗余影响不显著,表明公司上市时间越长,研发支出浪费程度越大。相较于成长期企业,成熟期企业所面临的生存压力将会显著降低,且经营范围由单一化转向多元化,进而研发效率出现退化。可见,由于各个环境变量对农业类上市公司投入冗余变量存在不同程度和不同方式的影响,因此需要调整原始投入变量,使样本公司处于同质的环境条件和同样的随机条件,再进一步分析其真实研发效率水平。

3.3 第三阶段调整DEA模型实证结果

使用剔除环境因素和随机误差影响后所得的投入数据,再次对我国36家农业类上市公司的研发效率进行测度,得出各样本公司2012—2015年的真实效率状况,见表2。

总体效率分析:①从不同行业来看,农副食品加工业的样本公司综合技术效率相对较高。20家农、林、牧、渔及其服务业上市公司的综合技术效率平均为0.127,明显低于16家农副食品加工业上市公司(其综合技术效率平均值为0.387)，这与现实情况相符。相对于传统农业公司,农副食品加工业属于制造行业,其技术含量更大、研发要求更高。②从各样本公司来看,样本公司的综合技术效率存在较大差异,仅新希望、保龄宝、海大集团、大北农、晨光生物和通威股份6家公司的综合技术效率大于0.5。其中,新希望处于技术效率前沿面(三项效率值均为1),其余样本公司的综合技术效率均偏低,且12家上市公司的综合技术效率值小于0.1。

对比第一阶段和第三阶段的分析结果,我国36家农业类上市公司的平均综合技术效率在2012—2015年由调整前的0.403下降到调整后的0.242,且平均规模效率值较调整前显著降低。具体来说:①综合技术效率方面。6家上市公司综合技术效率在调整后有所上升,30家在调整后明显下降。6家上市公司平均上升幅度为15.2%,上升幅度最大的为双汇发展,上升24.7%;哈高科降幅最大,下降幅度高达94%,且荃银高科、星河生物、敦煌种业、万向德农、永安林业、益生股份、新五丰、壹桥海参、天宝股份、金字火腿、金健米业和冠农股份12家公司综合技术效率的降幅均超过60%。②纯技术效率方面。在36家样本公司中,有11家公司纯技术效率有所降低,1家公司在调整前后没有变化,其余23家公司纯技术效率均有不同程度的提升。调整前,壹桥海参、新希望、金健米业和冠农股份4家公司处于纯技术效率前沿面;调整后,万向德农、新希望和通威股份3家公司处于纯技术效率前沿面。③规模效率方面。仅新希望和双汇发展的规模效率在调整后有所上升,其余34家样本公司的规模效率在调整后均降低。下降幅度最大的为哈高科,降幅度高达89%;下降幅度超过80%的还有亚盛集团、永安林业、益生股份、新五丰、冠农股份。

规模报酬分析:从表4可见,新希望一直处于规模报酬不变状态,海大集团、晨光生物和通威股份仅2015年处于规模报酬不变状态,双汇发展在2015年处于规模报酬递减状态,其余31家公司均处于规模报酬递增状态。

效率改进分析:结合样本公司研发效率的实际差异,本文以0.7作为纯技术效率和规模效率的临界值,分类情况见表5。具体来说:①第一种类型为纯技术效率与规模效率“双高型”,包括新希望、海大集团和通威股份3家公司。②第二种类型属于纯技术效率与规模效率“高低型”,包含8家上市公司,占样本总数的22%。③第三种类型属于纯技术效率与规模效率“低高型”,包含双汇发展、大北农和晨光生物3家公司。④第四种类型属于纯技术效率与规模效率“双低型”,包含22家上市公司,占样本总数的61%。这一类型的农业类上市公司需同时提升纯技术效率和规模效率,即同时优化资源配置水平、管理水平并扩大企业规模,效率改进难度较大。

表4 调整投入后我国36家农业类上市公司规模报酬变动情况

注:irs为规模报酬递增,drs为规模报酬递减,-为规模报酬不变。

表5 我国36家农业类上市公司纯技术效率和规模效率的分布情况

4 研究结论与政策启示

本文运用三阶段DEA模型,对我国36家农业类上市公司的研发效率进行了测度,得出如下结论:①环境因素对农业类上市公司的研发效率产生显著影响。经济持续扩张、股权集中度的提高、上市年限的增加,将在一定程度上导致研发支出冗余和研发人员冗余增加,而政府补贴则有助于减少研发投入的浪费。②剔除环境因素和随机误差的影响后,绝大多数农业类上市公司的综合技术效率值和规模效率值下降明显,而纯技术效率值有所上升。从规模报酬变动情况来看,31家公司均处于规模报酬递增状态,意味着大多数公司尚未达到最适生产规模,较低的规模效率成为公司研发效率低的重要原因。③从行业类型来看,农、林、牧、渔及其服务业的上市公司与农副食品加工业的上市公司综合技术效率差异较大,且农副食品加工业的上市公司效率更优。④从各样本公司来看,根据纯技术效率与规模效率的高低配合情况,农业类上市公司主要以低纯技术效率与低规模效率为主,需要针对效率类型合理确定上市公司研发效率的提升方向。

根据上述结论,提出以下对策建议:①精准查找制约因素,补齐研发短板。根据实证结论,农、林、牧、渔业及其服务业上市公司与农副食品加工业上市公司之间,以及所有样本公司之间的研发效率差异显著,各个公司应根据具体情况采取相应的措施。具体而言,纯技术效率较低的公司应以提高资源配置水平和管理水平为改进方向,规模效率较低的公司应充分发挥龙头企业的带动与辐射作用,向规模化和集约化方向发展,提升农业企业的研发效率和整体发展水平。②增强政策法规的支持力度和协调性,优化农业公司科技研发的外部环境。提高财政对农业技术研发的补贴力度,创新收益补贴机制,鼓励农业企业从事研发创新活动;加强资金管理,充分发挥财政资金在农业科技创新活动中的导向作用;结合农业科技在研发和成果应用方面的特殊性,完善农业专利技术等科技成果的保护制度。③注重公司治理结构和农业科技人才建设,改善农业公司科技研发或成果应用的内部环境。对较大规模的农业公司,可通过引入战略投资者来优化治理结构,探索建立合理的研发投入与风险分担、成果共享机制,提高其农业科技创新效率和水平;对中小规模的农业公司,重点是通过科技成果的引进和运用,加大应用型技术人才建设,提高其农业生产活动的技术水平和经营效益。

[1]Akihior Hashimoto,Shoko Haneda.Measuring the Change in Ramp;D Efficiency of the Japanese Pharmaceutical Industry[J].Research Policy,2008,37(10)∶1829-1836.

[2]Fernando Jiménez-Sáez,Jon Mikel Zabala-Iturriagagoitia,José L Zofío,etal.Evaluating Research Efficiency Within National Ramp;D Programmes[J].Research Policy,2011,40(2)∶230-241.

[3]Eric C Wang.A Dynamic Two-sector Model for Analyzing the Interrelation Between Financial Development and Industrial Growth[J].International Review of Economics amp; Finance,2000,9(3)∶223-241.

[4]Hak-Yeon Lee,Yong-Tae Park.An International Comparison of Ramp;D Efficiency：DEA Approach[J].Asian Journal of Technology Innovation,2005,13(13)∶207-222.

[5]Thomas V J,Seema Sharma,Sudhir K Jain.Using Patents and Publications to Assess Ramp;D Efficiency in the States of the USA[J].World Patent Information,2011,33(1)∶4-10.

[6]Avkiran.Investigating Technical and Scale Efficiencies of Australian Universities Through Date Envelopment Analysis[J].Socio-economic Planning Science,2001,35(1)∶57-80.

[7]Korhonen,Cherchye,DianaI.Angelis.An Option Model for Ramp;D Valuation [M].International Journal of Technology Management,2002,24(1)∶44-56.

[8]Cherchye L,Vanden Abeele P.On Research Efficiency：A micro-analysis of Dutch University Research in Economics and Business Management[J].Research Policy,2005,34(4)∶495-516.

[9]杨敏,陈泽明.异质行业下企业创新效率的可比测度——基于极化模拟的DEA二次叠加[J].软科学,2015,29(7)∶7-11.

[10]李爽.Ramp;D强度、政府支持度与新能源企业的技术创新效率[J].软科学,2016,30(3)∶11-14.

[11]王新红,郝海蕾.我国“十一五”工业企业研发效率评价[J].经济管理,2013,(4)∶51-59.

[12]刘伟.中国高新技术产业研发创新效率测算——基于三阶段DEA模型[J].数理统计与管理,2015,34(1)∶18-28.

[13]蒋萍,王勇.全口径中国文化产业投入产出效率研究——基于三阶段DEA模型和超效率DEA模型的分析[J].数量经济技术经济研究,2011,(12)∶69-81.

[14]牛冲槐,曹海曼.中部六省高技术产业研发创新的相对效率分析——基于超效率DEA方法[J].工业技术经济,2015,(2)∶111-116.

[15]王海峰,罗亚非,范小阳.基于超效率DEA和Malmquist指数的研发创新评价国际比较[J].科学学与科学技术管理,2010,(4)∶42-49.

[16]刘满凤,李圣宏.基于三阶段DEA模型的我国高新技术开发区创新效率研究[J].管理评论,2016,28(1)∶42-52.

[17]张霄,刘京焕,王宝顺.我国省级财政研发支出效率的评价[J].经济实证,2013,(1)∶134-137.

[18]郭江江,王子晨,许益波.我国不同Ramp;D执行部门研发效率评价与比较研究[J].科技管理研究,2015,(4)∶23-25.

[19]黄洁莉,汤佩,蒋占华.税收优惠政策下农业企业研发投入、风险与收益——基于我国农业上市公司的实证检验[J].农业技术经济,2014,(2)∶120-128.

[20]魏长升,黄绣娟.基于DEA模型的研发投入对农业上市公司经营绩效影响研究[J].江西农业学报,2015,27(11)∶129-133.

[21]Fried,Lovell,Schmidt,etal.Accounting for Environmental Effects and Statistical Noise in Data Envelopment Analysis[J].Journal of Productivity Analysis,2002,1(17)∶121-136.

[22]Banker R D,Charnes A,Cooper W W.Some Models for Estimating Technical and Scale Inefficiencies in Data Envelopment Aanalysis[J].Management Science,1984,30(9)∶1078-1092.

[23]Guan J C,Gao X.Exploring the H-index at Ppatent Llevel[J].Journal of the American Society for Information Science and Technology,2009,60(1)∶35-40.

[24]邓立治.中国汽车企业技术创新效率及其影响因素研究——以沪深上市公司为例[J].技术经济与管理研究,2015,(3)∶26-31.

[25]Zvi Griliches.Patents Statistics as Economic Indicators：A Survey[J]. Journal of Economic Literature,1990,28(4)∶1661-1707.

[26]季凯文,孔凡斌.中国生物农业上市公司技术效率测度及提升路径——基于三阶段DEA模型的分析[J].中国农村经济,2014,(8)∶42-57.

[27]彭熠,邵桂荣.国有股权比重、股权制衡与中国农业上市公司经营绩效——兼论农业上市公司国有股减持方案[J].中国农村经济,2009,(6)∶73-81.

MeasurementonRamp;DEfficiencyofAgriculturalListedCompaniesinChinaBasedonThree-stageDEAModel

GU Hong-yu,WANG Yu-feng,YANG Man-lu,LI Song
(School of Economics,Sichuan Agricultural University,Chengdu 611130,China)

Ramp;D efficiency was the key factor to measure the innovation ability of enterprises.Based on panel data(2012-2015),the Ramp;D efficiency of 36 agricultural listed companies in China were measured with controlling the environment factors and the random error using the three-stage DEA model.The results showed that concentration of ownership structure would increase the company into redundancy,while the government subsidy could help reduce the waste of Ramp;D,the comprehensive technical efficiency and the scale efficiency were reduced,and generally in a state of increasing scale after eliminating the influence of environment factors and random error,which showed that scale expansion was still the important bottleneck of improving Ramp;D efficiency.In the end,it put forward some suggestions to improve the Ramp;D efficiency.

agricultural listed companies;Ramp;D efficiency;three-stage DEA

10.3969/j.issn.1005-8141.2017.04.003

F323.3；F273.1

A

1005-8141(2017)04-0396-05

2017-02-17；

2017-03-13

四川省软科学项目(编号:2017ZR0013、2016ZR0255)。

古鸿雨(1991-),女,四川省绵阳人,硕士研究生,研究方向为农村金融。

王玉峰(1978-),男,四川省仁寿人,博士，副教授，硕士生导师,研究方向为投资与风险管理。