浅析国内外企业创新绩效评价体系

许薇

摘 要：企业作为社会经济发展不可缺少的一部分，其经济利益与社会效益密切关系着社会经济的发展，创新绩效的评价更是帮助企业提高核心竞争力的重要手段。目前国内众多学者对创新绩效的评价方法开展了许多探索和讨论，主要分为参数法与非参数法，但这两种方法各有利弊，在实际运用过程中各有所不足。本文将梳理国内外企业创新绩效评价方法方面的文献，简要介绍两种方法的产生演变过程，并列出常见的模型，最后比较评价两种方法的优劣。

关键词：创新绩效;数据包络分析;随机前沿分析

引言：“创新是引领发展的第一动力，是建设现代化经济体系的战略支撑。”这是2017年10月在党的十九大报告中所提及的，它对于加快建设创新型国家提出了要求。如今创新直接推动了经济与社会的发展，是建立创新型国家的战略选择。我国开展经济建设的“灵魂”是创新，而企业作为中国科技创新的主力军，在一国科技进步中占据着不可忽视的地位。创新绩效是企业技术创新能力的重要表征，是影响企业核心竞争力的重要因素。增强企业的自主创新能力，提高企业的创新绩效，加快形成一批具有核心竞争力的创新企业，进而能大大地推动我国经济增长方式的转变与国际竞争力的提升。因此，如何对企业创新绩效进行有效的评价，进而为中国的创新能力评价提供科学合理的支撑，是值得研究者探讨的重要议题。本文将对创新绩效评价体系进行梳理、分类，并分析其在实际运用中的优劣。

一、文献回顾

鉴于创新绩效的重要性，国内外学术界对其开展了许多有益的探索和讨论，其中方法、理论和应用成果层出不穷。下文将梳理回顾创新绩效的评价方法，主要有两大类：非参数方法和参数方法。前者的主要代表为随机前沿分析（Stochastic Frontier Analysis，下文简称SFA），后者的主要代表为数据包络分析（Data Envelope Analysis，下文简称DEA）。

非参数方法的代表性研究包括：朱学冬和陈雅兰（2010）基于创新型企业创新绩效影响因素，构建了创新型企业创新绩效评价指标体系，并以福建省创新型企业为例，运用DEA方法根据2006-2008年福建省创新型企业的相关数据，对其创新绩效进行了评价和分析;张梅（2013）运用DEA分析方法，考察了65家高新技术上市公司的创新绩效，并利用Tobit模型探讨了高新企业创新绩效的影响因素;白俊红和蒋伏心（2015）首先运用DEA方法评测了区域创新绩效，并以此为依据，通过空间计量模型，对影响区域创新绩效的因素进行研究，结果显示政府科技资助等对区域创新绩效具有显著的影响;茶洪旺和蔡高楼（2017）选取2015年32家大数据企业数据，运用DEA方法对大数据企业创新绩效进行了实证分析，发现中国大数据企业创新绩效整体水平低。

参数方法始于Aigner et al.（1977）、Meeusen and Broeck（1977）、Battese and Corra（1977）等提出的随机前沿分析（Stochastic Frontier Analysis，SFA）。代表性研究包括：徐盈之、朱依曦（2009）利用1998-2005中國制造业各行业的相关数据，采用SFA对全要素生产率进行测算，全面分析制造业整体的TEP变动率、技术进步率以及技术效率及其变动率的趋势;林佳显等（2010）采用随机前沿模型理论与空间经济计量分析方法的结合，运用不同的参数估计方法，针对各种模型估计出技术效率;戴卓、代红梅（2012）以2003年-2008年中国工业37个细分行业大中型企业的面板数据为基础，运用随机前沿模型，对影响创新效率的因素进行了探讨。

二、创新绩效评价方法

生产前沿分析方法的产生源自于经济学中对测量技术效率的需要。我们可以把技术效率理解为生产可能性边界，即在技术条件一定的情况下，生产者获得最大产出的能力。若最大产出越接近边界，则其生产越有效。因此，技术效率的测定在经济与管理领域中具有非常重要的意义。通常，我们用生产函数来表示生产前沿分析方法，并根据生产函数具体形式是否已知将其分为参数方法和非参数方法。参数方法以随机前沿分析为代表，非参数方法以数据包络分析为代表。

1.随机前沿分析（SFA）

Aigner et al（1977），Meeusen and Broeck（1977），Battese and Corra（1977）分别独立提出了随机前沿模型（Stochastic Frontier Analysis， SFA）。之后，国外许多学者不断地进行拓展。Pitt and Lee（1981）发展了面板数据随机前沿模型，极大地扩大了参数的自由度。在此基础上， Battese and Coelli（1995）引入时间因素并一次回归直接计算技术效率影响因素的参数估计结果。因而到了20世纪90年代，SFA模型很快便成为了计量经济学中一个引人注目的分支。

随机前沿模型对技术效率的测算依赖于生产函数的选择，早期多以科布-道格拉斯（Cobb-Douglas）生产函数为主。C-D函数形式简洁，参数有直接的经济学含义，但假定技术中性和产出弹性固定，过强的假设与许多生产者的行为不符。目前多采用超越对数（Translog）生产函数，因为它放宽了那些假设，能更好地避免由于函数形式的误设而带来的估计偏差，在形式上比较灵活。

2.数据包络分析（DEA）

Chames et al（1978）创建了一种基于相对效率的多投入多产出分析法——数据包络分析法（Data Envelopment Analysis，DEA）。当时，他们提出了CCR模型，是DEA中的第一个模型，也是DEA其他模型的基础。接下来，在其他学者的努力下，一种非参数方法逐渐形成。例如，Banker等（1984）提出了BCC模型，将CCR模型中规模报酬不变的假设放宽，修改为规模报酬可变。Andersen and Petersen（1993）提出了超效率模型。在经济学中DEA模型多达数十种，但在我国应用最为普遍的便是以上三种模型。

DEA采用的是线性规划方法，不需要设定函数的形式，也不需要知道生产前沿的具体形式，因而常用来评价具有相同类型的多投入、多产出的决策单元是否技术有效。

三、SFA与DEA比较

同为前沿效率的评价方法，SFA与DEA共同点在于以距离函数为共同基础，都需要构造生产前沿。它们度量出的技术效率是相对效率，虽然其效率值在样本内部具有很强的可比性，但在不同样本间却具有相反的效果。

DEA的主要优点在于只要得到投入产出数据即可计算出创新绩效，不用担心有无具体的生产前沿形式，因而直接处理多产出多投入问题很方便。在BCC模型中，可求出规模效率和规模报酬情况。它的最大缺点在于：（1）完全用技术效率去解释实际产出小于前沿产出的原因，忽略了随机因素对于产出的影响。（2）当构造生产前沿时，DEA根据每周期的面板数据各构造一个，通过线性规划计算出效率值。如果给出的样本容量太大，这些样本或许不能满足线性规划的一些基本假设，无法成功地计算出创新绩效。（3）由于构造方法较差的稳定性，导致异常点对DEA的影响很大。（4）在分析影响效率因素时，DEA方法相对复杂，分为两个阶段。

与DEA方法相比，SFA最主要的优点有以下几点：（1）将随机因素对于产出的影响纳入考虑因素，并把实际产出分为生产函数、随机因素和技术无效率这三部分。（2）根据所有的周期数据仅构造出一个统一的生产前沿函数，通过极大似然估计法估计出各个参数值，具有大样本的相合性，更适合大样本的计算。（3）由于仅构造一个前沿面，计算结果较为稳定，不易受异常点的影响。（4）SFA不仅可以计算技术效率，还能根据参数值得到投入的产出弹性和规模报酬情况。在计算出技术效率进一步分析影响效率的因素时，SFA更为方便。但是SFA虽然考虑了效率的影响因素和随机误差对效率的影響，有一个重要的前提假设是模型设定正确。由于SFA模型较为复杂的基本假设，随之带来更高的投入产出数据的要求。如果投入产出数据不能满足模型的基本假设，则容易导致计算失败。

四、总结

综上所述，我们可以看出，两种度量方法并没有绝对的孰优孰劣，而是在不同的方面优劣势互补。因而我们在选择不同的方法进行计算时，得到的结果也会有许多不同。在测量技术效率时，具体选择哪一种方法更加合适，我们要根据实际情况判断，并综合判断实际的计算结果和相关的检验情况。

参考文献：

[1]Aigner D J，Lovell C A K，Schmidt P J.Formulation and Estimation of Stochastic Frontier Production Function Models [J].Econometrics，1977.

[2]白俊红，蒋伏心.协同创新、空间关联与区域创新绩效.经济研究[J].2015（7）.

[3]Banker R D，Charnes A，Cooper W W .Some models for estimating technical and scale inefficiencies in DEA [J].Management Science，1984，（30）：1078～1092.

[4]Battese G E，Corra G. Estimation of a production frontier model：With application to the pastoralzone of eastern Australia[J].Australian .Journal of Agricultural Economics，1977，2l： 169-179.

[5]Battese G E，Coelli T J.A model for technical ineficiency effects in a stochastic production frontier for panel data [J].Empirical Eocnomics，1995，20：325- 332.

[6]Charnes A，Cooper W W，Rodes E. Measuring the Efficiency of Decision Making Units [J].European Journal of Operational Research，1978.

[7]茶洪旺，蔡高楼.基于DEA方法的中国大数据企业创新绩效评价研究[J].北京邮电大学学报，2017（1）.

[8]戴卓，代红梅.中国工业行业的技术创新效率研究[J].经济经纬，2012（4）：90-94.

[9]林佳显，龙志和，林光平.空间面板随机前沿模型及技术效率估计[J].商业经济与管理，2010（5）.

[10]Meeusen W，van den Broeck J.Efficiency estimation from Cobb-Douglas production functions with composed error[J].International Economic Reviews，1977，18：435 444.

[11]徐盈之，朱依曦.基于随机前沿模型的中国制造业全要素生产率研究[J].统计与决策，2009（23）67-70.

[12]朱学冬，陈雅兰.创新型企业创新绩效评价研究--以福建省为例[J].中国科技论坛，2010（9）.