中部地区R&D效率及全要素生产率研究——基于地市级数据的实证

■吕江林，桂 燕

一、引言

目前国内外对R&D效率的研究主要有两种方法，第一种方法是随机前沿分析（SFA）方法。但由于SFA的模型基本假设较为复杂，需要事先确定生产函数的具体形式和分布假设，一旦生产函数形式和分布假设有误，结果就会出现偏差（肖仁桥等，2012）。而DEA在这方面具有一定的优势，它是一种非参数方法，即不需要已知生产前沿的具体形式，只需已知投入产出的数据（李双杰和范超，2009）。且该方法是基于全要素生产率理论，考虑经济主体各种投入要素之间的相互作用对技术创新效率的影响（汪克亮等，2010），因而被广泛应用于各类经济体效率和生产率的测度之中。

国内外学者也有较多采用DEA方法对R&D效率进行研究。Wang&Huang（2007）运用DEA方法研究30个国家的R&D效率，发现只有近1/3的国家属于R&D有效，而超过2/3的国家仍处于规模效率递增阶段。Sharma&Thomas（2008）运用DEA方法研究发展中国家R&D效率，发现R&D资源的有效利用能够加速地区的成长。方毅和林秀梅（2012）采用DEA-Malmquist效率指数对中国高技术产业在2001～2004年和2004～2007年两个不同时期不同行业的动态研发效率进行实证分析。朱雪珍和施盛威（2013）通过构建网络DEA模型，对江苏省各城市的研发效率、经济转化效率及整体创新效率进行测算。黄俊等（2017）利用超效率DEA与Malmquist指数方法综合评价我国机器人行业14家上市公司R&D效率，并基于评价结果利用Tobit回归模型分析R&D效率的影响因素。

有关江西省R&D效率的研究，如熊国经（2005）把江西、泛珠江三角区域与我国在R&D活动中的经费投入以及科技进步状况进行了对比研究，探讨江西R&D投入与“泛珠三角”配角效应。目前来看，针对江西省R&D效率系统性的研究比较匮乏，因此，本文运用DEA方法评价江西省近年R&D效率，同时运用Malmquist指数法分析江西省近年R&D全要素生产率演化的路径与趋势，并且研究过程中贯穿着对江西省各地级市的横向与纵向的对比分析。在此基础上，利用Tobit回归模型对江西省R&D无效率影响因素进行剖析，进而为改善江西省R&D效率提出针对性对策建议。

二、理论模型

（一）数据包络分析

数据包络分析（DEA）是由Charnes et al.（1978）提出的用于评价多投入、多产出的相同属性决策单元相对有效性的方法。由于DEA方法属于非参数法，无需事先设定生产函数关系，无投入产出指标价格信息的约束等优势，适合评价多投入、多产出的R&D效率。设有n个决策单元，每个决策单元有m种输入和s种输出，用X表示输入量，Y表示输出量，V和U分别代表对m种输入和s种输出的权重。第j个决策单元的效率评价指数：

其中h值越大，表示决策单元越有效，即可用较少的投入取得较多的产出。若考虑所有决策单元效率值约束，则第j个决策单元效率评价规划模型CCR如下：

为方便求解，我们过对上述模型进行Charnes-Cooper变换，把分式模型变为对等的线性规划模型。令:

则相应的P模型为：

（二）全要素生产率分解

Malmquist指数基于距离函数原理，研究决策单元不同时期的效率变化。Cave et al.(1982)将其应用到非随机框架中，Färe et al.(1994)把Malmquist指数分解为技术效率变动(TE)和技术进步(TC)。

根据Färe et al.(1994)分解方式，同时可以得到式（5）。

其中（TE0）表示技术效率变化，（TC0）表示前沿面技术进步。由此可见，R&D全要素生产率的提高来源于技术效率改善和技术进步。当Mt+＞1时，若（TE0）和（TC0）某一变化率大于1，则表明是R&D全要素生产率提高的源泉，反之则是其降低的根源；若（TE0）和（TC0）同时大于（小于）1，则二者共同作用于R&D全要素生产率的提高（下降）。

三、实证分析

（一）样本和数据来源

参考Zhong（2011）等研究的投入产出指标选择，本文选取R&D经费支出和R&D人员数量两个最常用的指标作为投入指标，选取专利申请受理数量作为产出指标。R&D经费支出是指用于研发的经费开支，反映了一个国家或省市对研发的重视程度；R&D人员数量是指参与研发活动的人员数，包括研发机构、大中型企业和高等学校的全时当量总计人员数。专利包括申请受理专利和申请授权专利两类，考虑数据的可得性，本文只选取了专利申请受理数量，代表科研开发强度。

本文研究对象为江西省及下属的11个地级市（南昌、景德镇、萍乡、九江、新余、鹰潭、赣州、吉安、宜春、抚州和上饶），投入产出指标数据均来源于2012～2016年卷《江西统计年鉴》。

（二）基于DEA的R&D效率评价

本文运用软件DEAP2.1对2011～2015年江西省11个地级市的年度R&D效率值进行求解。进一步，归纳整理出2011～2015年江西省各地级市R&D效率均值，如表1所示。第一，江西省各地级市2011～2015年度R&D效率（TE）均值分别为0.527、0.525、0.401、0.368和0.335，5年来R&D效率值逐年下降，平均值（mean）为0.431。这充分表明江西省R&D整体效率水平较低，同时也说明江西省及各地级市R&D效率有很大提升空间。第二，从各年度R&D效率（TE）分解（为PTE变动与SE变动的乘积）结果来看，2011～2012年纯技术效率（PTE）均值大于规模效率（SE）均值，表明江西省R&D效率低下的原因主要来源于规模效率无效；但2013～2015年纯技术效率（PTE）均值却小于规模效率（SE）均值，这说明江西省R&D效率低下的原因由规模无效转变为纯技术效率低下。究其原因：可能因为江西省意识到前期R&D投入不足导致的规模效率无效制约了R&D效率，因而后期较注重R&D投入但却忽视了R&D纯技术效率水平的提高，相比之下，纯技术效率（PTE）又成为制约R&D效率提高的主要原因。第三，从各地级市年度R&D效率水平看，2011年、2012年和2014年三年中R&D效率（TE）水平最低的3个地级市均为南昌、景德镇和萍乡，2013年则为九江、景德镇和萍乡（TE值分别为0.170，0.180，0.189），其他年度九江R&D效率（TE值）水平也相对较低。这充分表明南昌、萍乡、景德镇和九江研发创新实力相对较弱，而且与其他地级市水平差距较大；新余和鹰潭的R&D效率（TE值）均处于领先水平（2014年除外），其中鹰潭2011～2015年均为完全相对有效（TE值为1），可以说是景德镇和萍乡等研发创新能力较弱的地级市的学习标杆。第四，从各地级市年度R&D效率（TE）分解结果来看，各地级市R&D效率低的原因并不相同。如景德镇、萍乡、九江R&D的纯技术效率（PTE）均小于规模效率（SE），这表明其纯技术效率遏制了其R&D效率的发展，该类地级市应更关注提高纯技术效率水平（而不是规模效率），合理配置研发创新资源。

表1 2011～2015年江西省各地级市R&D效率均值

（三）基于Malmquist指数的R&D全要素生产率分解

为了进一步考察近年来江西省各地级市R&D过程中全要素生产率的变化情况，并探究其变化的动因，本文根据Färe et al.（1994）把Malmquist指数即全要素生产率（TPF）分解为技术效率变动（TE）和技术进步（TC），其中，技术效率（TE）变动又可分解成纯技术效率（PTE）变动与规模效率（SE）变动的乘积，进而测算了各地级市R&D的全要素生产率增长及其分解情况。根据上述公式分解，同样运用软件DEAP2.1对2011～2015年江西省及11个地级市的R&D全要素生产率的变化及分解进行求解，具体结果见表2和表3。从中可知，第一，2011～2015年江西省R&D全要素生产率(TFP)、技术进步(TC)均值均大于1，分别为1.208和1.305；技术效率(TE)均值为0.926，小于1，说明其R&D全要素生产率和技术进步均有所提高，技术效率则相反。进一步分解江西省R&D全要素生产率增长结构，发现技术进步（TC均值为1.305）为全要素生产率增长平均贡献了30.5%，而技术效率（TE均值为0.926）对全要素生产率增长平均的贡献为-7.4%，这说明技术进步是江西省R&D全要素生产率增长的主要推动力。第二，2012年和2014年的R&D全要素生产率（TFP为1.268和1.217）主要源自于技术进步的贡献（TC值分别大于TE值，且TE值均小于1）。2013年，虽然R&D技术进步（TC值为1.414）大幅度提高，但技术效率（TE值为0.733）的大幅衰退导致R&D全要素生产率（TFP值为1.036）仅增长了3.6个百分点；2015年，R&D全要素生产率（TFP值为1.332）33.2个百分点的增长源于技术效率（TE值为1.061）与技术进步（TC值为1.256）的共同增长。第三，2011～2015年R&D全要素生产率（TFP）与技术效率（TE）同步先减后增，而技术进步（TC）则同步先增后减，表明R&D全要素生产率增长主要取决于技术效率的贡献。同时可看出，2011～2013年，R&D技术进步（TC）与技术效率变动（TE）差距逐渐变大，之后，二者变化差距逐渐缩小。这说明R&D技术效率（TE）得到了逐步改善。第四，11个地级市R&D全要素生产率2015年比2011年均有提高（TFP值均大于1），但从R&D全要素生产率增长分解情况看，仅有新余、鹰潭、南昌三地R&D全要素生产率增长来源于R&D技术效率（TE）改善和技术进步（TC）的共同作用（其TE值和TC值均大于1），其他8个地级市R&D全要素生产率增长都来自技术进步（TC）的贡献（仅TC值大于1）。

表2 江西省2011～2015年11个地级市全要素生产率增长及分解均值

表3 2011～2015年江西省全要素生产率增长及分解

四、江西省R&D无效率影响因素分析

参考岳书敬（2008）和刘和东（2011）研究文献，本文选取的R&D无效率影响因素如下：（1）政府资助（Gov），以政府经费投入占各地级市总投入比重表示；（2）外商直接投资（FDI），以年度外商直接投资额占当地GDP比例表示；（3）开放程度（Open），用年度进出口贸易总额占GDP比重表示；（4）经济增长（Eco），用年度GDP增长率来表示；（5）人力资本（Hum），用科技人员数占当地城镇就业人数比表示。各影响因素定义见表4。

表4 影响因素定义

根据被解释变量的特性，本文运用Tobit回归模型来对R&D无效率影响因素展开分析。设无效率函数为：

式（6）中，被解释变量uit为R&D无效率值，解释变量Gov、FDI、Open、Eco、Hum为无效率的影响因素，i和t分别表示第i个地级市和第t年，δ0…δ5分别为影响因素的系数；若系数为负，表示对应因素对R&D效率的影响是正向的，反之则是负向的。R&D无效率值uit通过表3整理而得，影响因素等解释变量数据均来源于2012～2016年卷《江西统计年鉴》。

表5 R&D技术无效率影响因素分析的Tobit模型回归结果

Tobit模型的回归结果见表5。从中可知，政府资助、外商直接投资、开放程度、经济增长和人力资本对R&D效率都具有统计显著性。经济增长对R&D效率提高的积极作用在所有影响因素中力度最强。经济增长对R&D无效率的影响系数高达-3.948。政府资助对R&D效率有较大正向促进作用。政府资助对R&D技术无效率的影响系数达-3.673。人力资本对R&D效率同样有较大正向促进作用。人力资本对R&D技术无效率的影响系数达-3.208，外商直接投资对R&D效率的提高有积极作用。外商直接投资对R&D技术无效率的影响系数为-2.483。开放程度的增强对R&D效率的提高也有积极作用。开放程度的增强对R&D技术无效率的影响系数为-1.904。

五、结论与建议

本文分别运用DEA和Malmquist指数评价江西省各地级市R&D效率和全要素生产率增长率及分解，结果表明：总体上江西省R&D效率水平偏低，尚存很大的提升空间；江西省R&D效率低下的主要原因由规模效率无效转变为纯技术效率低下；南昌市R&D效率在全省各地级市中排名甚至靠后，明显低于鹰潭等市。对江西省而言，技术进步是R&D全要素生产率增长的主要推动力，而技术效率对全要素生产率增长的作用则为负或仅有微弱贡献。Tobit模型分析的结果表明，正向影响江西省R&D效率的因素按作用大小排序为经济增长、政府资助、人力资本、外商直接投资和开放程度。

根据上述研究结论，江西省今后在经济新常态环境下，在经济发展过程中，应当针对性地加强R&D活动。一方面，江西省各级政府应继续高度重视R&D整体技术进步，保持技术进步作为R&D全要素生产率增长主要动力的优势，要加大政府激励力度和市场管理水平，不断优化省、市范围内的资源配置；企业应树立先进的管理理念，采取高效的管理模式，以集约化方式提高资源的利用效率。另一方面，江西省应努力克服R&D技术效率水平偏低这一短板，各级政府要在促进经济稳定和较快增长的基础上，加大政府对R&D的经费资助，加大对R&D优秀人才的吸引和激励力度，保持吸引外商直接投资的适当强度，大力发展开放型经济，以此切实提高江西省R&D效率。

[1]方毅，林秀梅.中国高技术产业研发的动态效率研究[J].数理统计与管理，2012，31（5），761～770.

[2]黄俊等.国产机器人企业研发效率评价及影响因素研究——基于DEA-Tobit两阶段分析法[J].科技进步与对策，2017，9(18):101～105.

[3]李双杰，范超.随机前沿分析与数据包络分析方法的评析与比较[J].统计与决策，2009，7（283）:25～28.

[4]汪克亮，杨宝臣，杨力.考虑环境效应的中国省际全要素能源效率研究[J].管理科学，2010，23（6）：100～111.

[5]肖仁桥，钱丽，陈忠卫.中国高技术产业创新效率及其影响因素研究[J].管理科学，2012，（5）：85～98.

[6]熊国经.从融入泛珠三角经济区视角分析江西省R&D投入[J].科技管理研究，2005，（9）：52～59.

[7]岳书敬.中国区域研发效率差异及其影响因素——基于省级区域面板数据的经验研究[J].科研管理，2008，(5):173～179.

[8]朱雪珍，施盛威和封亚.基于价值链视角的创新效率评价——以江苏省为例[J].管理评论，2013，10（25）:120～127.

[9]Caves D W，Christensen L R，Diewert W E.“The Economic Theory of Index Numbers and the Measurement of Input，Output，and Productivity”[J].Econometrica，1982，（50）：1393～1414.

[10]CharnesA，CooperW W，RhodesE.Measuring the efficiency of decision making units[J].European Journal of Operational Research，1978，2(6)：429～444.

[11]Färe R et al..Productivity Growth，Technical Progress，and Efficiency Change in Industrialized Countries[J].American Economic Review，1994，（84）：66～83.

[12]Sharma S，Thomas V.Inter-country R&D efficiency analysis:An application of data envelopment analysis[J].Scientometrics，2008，76(3):483～501.

[13]Zhong W et al..The Performance Evalution of Regional R&D Investments in China:An Application of DEA based on the First Official China Economic Census Data[J].OMEGA-InternationalJournalof Management Science，2011，39(4):447～455.