中国规模以上工业企业R&D效率：评价、影响因素及策略

2018-04-13方梓旭

中国科技论坛 2018年3期

徐　莉，方梓旭

(江西师范大学商学院，江西　南昌　330000)

据2016年统计数据显示，中国全年各类企业R&D经费支出占据全部R&D经费支出的77.47%，而规模以上工业企业的R&D经费支出又占据各类企业R&D经费支出的90.12%，规模以上工业企业在R&D活动中已经占据主导地位。虽然中国R&D投入强度逐年上升，2016年R&D经费投入居世界第二位，R&D投入强度达到了2.11%。与之相比，早在2014年美国、日本和韩国已达到2.74%、3.59%和4.29%的投入强度，中国远远落后于以美国为首的创新型国家。而规模以上工业企业2015年R&D经费支出增加8.21%，新产品销售收入增加5.57%，专利申请数增加1.26%，体现出R&D活动产出增加幅度跟不上投入的步伐，R&D投入产出效率不高。同时，国内经济增长速度放缓、供给侧结构性改革的提出更是深化了R&D在经济发展中的重要性，对R&D提出新的深层次要求。本文基于DEA方法，对2011—2013年、2012—2014年、2013—2015年三个阶段30个省市区的规模以上工业企业R&D效率进行评价，并基于R&D效率值来进行相关影响因素分析，提出策略建议。

1　文献综述

当下，国内的相关研究主要集中在不同的效率评价方法、不同的R&D投入产出指标、不同的研究对象等方面。在研究方法上，冯志军构建资源约束型二阶段DEA模型[1]，綦良群采用SFA方法和Cobb-Douglas生产函数相结合的研究方法[2]，张永凯采用Malmquist指数分析方法[3]，高霞采用DEA和Tobit回归分析相结合的方法[4]，左铠瑞运用DEA、面板数据模型等方法[5]。在R&D投入产出指标的选择上，卢方元挑选R&D人员全时当量作为投入指标，以新产品销售额和专利申请数、每万元R&D内部支出经费的新产品销售收入和专利申请数作为产出指标[6]；王学军等择取R&D资本存量、教育经费支出、医疗经费支出作为R&D投入变量[7]；胡汉辉等选择技术市场合同成交额作为产出指标[8]，从研究对象出发，尹述颖等将中国医药企业作为研究对象，对其R&D效率进行评价分析[9]；高丹丹对中国装备制造业进行技术创新综合效率评价研究[10]；曹贤忠等以长三角城市群作为研究对象[11]。

对于企业R&D效率的影响因素，肖文等研究政府支持和研发管理两方面因素对技术创新效率的影响，通过对技术创新效率进行市场和非市场导向的划分，得出政府支持不利于企业技术创新效率和研发管理不利于非市场导向技术创新效率的进步等结论[12]。冯宗宪等研究政府投入和市场化程度对工业企业研发效率的影响，发现政府投入不利于工业企业技术效率和规模效率的提高，而市场化程度对技术效率呈正相关，对规模效率呈负相关[13]。谢伟等研究发现大多数省份的高新技术企业研发效率呈现较低水平，政府政策导向和R&D投入强度等与研发效率负相关，而产业经济水平与企业研发效率呈正向关系[14]。陈泽聪等研究发现市场竞争程度与制造业创新效率负相关[15]。

在已有研究的基础上，本文进行以下两个层次的研究，一是测算出30个省市区的规模以上工业企业的R&D效率并加以评价，二是以R&D效率值为被解释变量进行影响因素分析并得出其影响效应，提出如何调控相关投入产出和影响因素的策略建议。

2　模型构建

2.1　研究方法

(1)效率评价方法：DEA(数据包络分析法)。该方法对同类DMU(决策单位)的多投入指标和多产出指标进行相对效率评价，专长于处理多目标决策问题，针对指定的DMU选取一组投入和产出的评价指标，判断DMU的有效性，从而测量得出DMU本身的效率结论。本文具体采用基于投入导向BCC模型，此模型前提假设规模报酬可变，计算得出各DMU的纯技术效率。在通过CCR模型计算出各DMU综合效率的基础上，据公式：综合效率(TE)=纯技术效率(PTE)×规模效率(SE)，进而得出SE。该模型是CCR模型应用范围的延伸，当CCR模型无法解释说明各DMU弱DEA有效时，BCC模型从PTE和SE两方面深入探讨其效率问题。关于上述公式的经济含义，仅当同时满足纯技术和规模的效率值等于1时，可以认定为DEA 有效，若只满足其中之一，表示弱 DEA 有效，两者条件都不满足的话，就是非DEA有效。

(2)影响因素分析方法：面板数据模型。不同于截面数据模型和时间序列模型，面板数据模型既研究了每个个体在单一时间的不同之处，又分析了在不同时期内的动态变化情况，弥补前两个模型样本量不足的缺点，从而提高了模型参数估计的有效性，一般函数表达式如下：

Yit=αit+βitXit+εit

(1)

式中，Xit表示解释变量第i个个体在第t个时期的数值，Yit表示被解释变量在第i个个体第t个时期的数值，αit表示截距向，εit表示随机误差项，i=1,…,N、t=1,…,T。

另外，根据系数与截距的不同可以将面板数据模型划分为以下几种形式:系数与截距都不变的则为混合模型；截距随个体的不同而不同，且系数相同的模型为个体固定效应模型，截距随时点的不同而不同，且系数相同的模型为时点固定效应模型；截距和时点都随个体的不同而不同的模型，则为个体时点固定效应模型。以上三类都可统一归为固定效应模型，依照上述分类标准还可划分一种随机效应模型。

2.2　变量选取与数据说明

对企业R&D效率进行有效合理评价，投入产出指标的选择十分关键。目前对于研发投入指标，学术界主要用人员、资金、设备等方面来衡量；对于研发产出指标，主要有论文、专利、新产品等。本文基于规模以上工业企业R&D的过程特点和数据可获得性，选取如下R&D投入产出指标。

(1)R&D投入指标。规模以上工业企业的R&D活动离不开资金与人才的付出，所以本文选取R&D经费支出(亿元)来衡量企业的研发财力投入，以R&D人员全时当量(万人/年)来衡量企业的研发人力投入，同时以硕士及以上学历R&D人员数量(万人)作为反映研发人力投入的构成质量的变量。因此，本文将R&D经费支出、R&D人员全时当量、硕士及以上学历R&D人员数量作为R&D投入指标。

(2)R&D产出指标。本文以专利申请数量、发明专利申请数量、新产品销售收入、国家税收作为R&D产出指标。专利申请数量、发明专利申请数量是企业R&D的基础性科技成果，通常是直接产出成果。而新产品销售收入则是企业R&D获得的间接产出，是R&D成果的市场化反映。本文还特别增加了社会效益这一R&D产出指标，使得R&D效率评价研究更加全面客观，进一步完善企业R&D效率评价体系。

(3)非投入产出指标影响因素的选取。①企业盈利能力(PROFITit)，对于企业R&D有着较大的影响，直接对企业R&D资金投入产生影响，本文以利润总额/主营业务收入来衡量企业盈利能力。②政府支持(GOVit)，政府对企业R&D的支持往往会引导企业R&D方向和研发周期，同时会影响企业自身R&D资金的投入，所以本文以政府资金/R&D经费支出来衡量政府支持。③企业R&D的重视程度(R&Dit)，基于陈泽聪提出企业创新效率不仅仅受到研发有形投入的影响(如资金、人才等)，同时也受到无形投入的影响，如创新战略、管理和思想等[15]，故本文认为一家企业的研发创新效率的高低很大程度取决于企业对R&D在企业当下及未来发展中发挥作用的认知和行为，所以本文以企业R&D的重视程度作为规模以上工业企业R&D效率影响因素之一，并以企业内部研发机构/企业数量来衡量企业R&D的重视程度。④高校及科研机构数量(IURit)：非规模以上工业企业的科研机构与高校数量，基于赵增耀的研究成果：中国创新效率具备极强的区域依赖性，地理位置集聚效应明显[16]，本文认为企业R&D效率会受到所在省市区的高校和科研机构的极大影响，高校和科研机构数量的多少会对企业R&D效率产生环境影响，所以本文以高校和科研机构数量作为规模以上工业企业R&D效率影响因素之一。

本文采用的数据为全国30个省市区规模以上工业企业的R&D投入产出数据，时间跨度为2011—2015年。基于R&D投入与产出的时间滞后性特点，本文指定投入与产出的时间跨度为2年，划分出2011—2013年、2012—2014年、2013—2015三个时间段，以2011年的R&D投入对应2013年的R&D产出，以此类推。R&D经费支出、新产品销售收入、硕士及以上学历的R&D人员数量、专利申请数、发明专利申请数、R&D人员全时当量、企业盈利能力、政府支持、

企业R&D的重视程度、高校及科研机构数量来源于《中国科技统计年鉴》，国家税收来源于《中国工业统计年鉴》。由于西藏、台湾等地区数据严重缺失，所以只选择30个省市区作为决策单位。

3　规模以上工业企业R&D效率评价

3.1　描述性统计分析

本文在采用相关模型进行效率测度前，有必要对投入产出指标进行描述性统计分析，大致了解R&D投入产出数据的特征，为进一步深入分析打下坚实基础，主要结果见表1。

表1　2011—2015年规模以上工业企业R&D投入产出情况

由表1可知，上述投入与产出指标的最大值与最小值之间相差很大，标准差一度大于平均值，表示30个省市区在R&D的投入与产出方面存在巨大差异。可以初步预测30个省市区的R&D投入产出效率间也存在较大差距，会出现R&D效率极其不理想的状况。

3.2　DEA结果分析

为了研究2011—2015年规模以上工业企业R&D效率特点，通过DEA方法中基于投入导向的BCC模型，得出30个省市区规模以上工业企业R&D的综合效率值、纯技术效率值和规模效率值。可以发现30个省市区的综合效率值普遍较低，只有极少量的省份实现了DEA有效。2011—2015年连续三个时间段内，规模以上工业企业R&D效率实现有效的省市区分别为天津、浙江、安徽、湖南、海南、重庆，天津、上海、浙江、安徽、湖南、海南、重庆、新疆，安徽、湖南、重庆、新疆；2011—2015年综合效率值、纯技术效率值、规模效率值分别为0.73、0.81、0.91，0.78、0.84、0.93,0.67、0.80、0.86。不论综合效率、纯技术效率还是规模效率都远远没有达到效率前沿面，并且呈现先升后下降的趋势。根据公式：综合效率(TE)=纯技术效率(PTE)×规模效率(SE)，发现绝大多数省份的规模以上工业企业R&D效率偏低主要是因为纯技术效率偏低造成的。

中国规模以上工业企业R&D效率地区差异明显，按照从大到小的顺序排列为东、中、西、东北(见表2)，东部地区的R&D效率最高，其次为中部、西部、东北部地区。通过进一步分析发现，各大地区效率值全部处在下降中，所以，深入探索现象存在的原因已刻不容缓。

表2　东、中、西、东北部地区规模以上工业企业R&D效率比较分析

4　规模以上工业企业R&D效率影响因素分析

(1)构建回归方程如下所示：

CRSTEit=α0+α1PROFITit+α2GOVit+α3R&Dit+α4IURit+εit

其中，α0为常数项，CRSTE为各省市区规模以上工业企业每年的R&D效率值，α1、α2、α3、α4分别表示企业盈利能力、政府支持、R&D重视程度、科研机构和高校数量的弹性系数，i表示年份，t表示省份，εit表示未完全考虑到的影响因素造成的误差项，依据该模型可以检验对各省市区规模以上工业企业R&D效率影响因素的影响效应。

(2)在对面板数据进行回归分析前通常需要单位根检验，以防出现伪回归现象，但是本文研究数据时间区间较小，所以针对数据平稳性验证的单位根检验以及证明变量间存在长期稳定关系的协整检验可以省略。

(3)Hausman检验,原假设：建立随机效应模型,见表3。根据表3的结果，显示统计量为28.2361，P值为0.0000，拒绝原假设，所以选取固定效应模型。

表3　Hausman检验结果

(4)回归结果分析。由表4的数据分析发现，调整后的拟合优度较高，F统计量也达到了35.228410且显著，DW值也为2.136611，表示残差序列不相关。

企业盈利能力对R&D效率的影响处于正相关，但是没有达到显著性水平，说明虽然企业利润的增加会提高R&D效率，但是效果并不显著。该情况与当下中国企业R&D情况大体相符，绝大多数企业不太热衷于R&D，他们往往把赚得的企业利润用于扩大产能，用于修建厂房和购买设备，对企业R&D始终处在模糊不定的境界，虽然也知道R&D对企业的重要性，但是往往不愿意去付诸实践。所以当企业利润增加时，虽然R&D效率会提升却不显著。

表4　规模以上工业企业R&D效率影响因素的面板数据分析

政府支持对企业R&D效率的影响处于负相关，效果不显著。表示政府资金对企业R&D的注入不是有利于R&D效率的提高，反而会抑制R&D效率的进步，特别是政府作为社会稳定的主要力量，它的行为往往带有极强的政治色彩，如果说企业R&D投入是一种投资行为，那么政府对企业的支持，对企业R&D活动注入资金就往往是一种周期长，具备战略性、政策性的行为，与企业R&D效率这种较为短期性的评价不符。同时，往往政府资金在R&D中扮演着拥挤者的角色，会进一步压缩企业自有R&D资金投入的空间，并且主导企业R&D方向，不利于企业R&D效率的提高。所以现实社会中，政府大量资金流入规模以上工业企业，引导其进行R&D开展的现象，需要加以限制。

企业R&D重视程度对R&D效率的影响处于正相关，且达到5%的显著性水平。表示当企业创办的科研机构数量与规模以上工业企业数量之比越大时，越有利于R&D效率的提高，即当许多企业开始重视R&D并付诸行动，创立自己的科研机构，并纷纷投入科研资源，期许通过R&D来提高企业的核心竞争力，创造更多的经济利益时，进而提高企业的R&D效率。

科研机构和高校数量对企业R&D效率的影响处于正相关，实现10%的显著水平。表示当一个省市区中拥有数量较多的进行科研的研究单位，随着产学研的深度互动，会提高该地区规模以上工业企业R&D效率。科研机构和高校基于他们本身强大的科研能力和丰富的科研资源，往往能够产生许多R&D成果，却缺乏将科研成果市场化运作的经验和能力，而企业基于其强大的市场销售和推广能力，从而具备将实验室的成果转化为经济效益的能力，所以企业通常积极参与到这些R&D活动中去，试图获取第一手的R&D成果，同时提高其自身R&D能力，而高校和科研机构也乐于让企业参与其中。所以，往往规模以上工业企业处于一个浓厚的科研环境中，其R&D效率会得到相应的提高。

5　提高规模以上工业企业R&D效率的策略

本文采用DEA方法评价2011—2015年30个省市区的规模以上工业企业R&D效率，结果发现，绝大多数存在R&D效率偏低的现象，纯技术效率是造成DEA无效的最主要原因。东、中、西、东北部地区R&D效率的比较，也发现东部>中部>西部>东北部，所以需要立足R&D资源的有效配置，拒绝盲目扩大资源投入，加强R&D产出的经济效益转化效率，合理规划投入与产出，积极探索并建立统一有效的R&D管理制度，对内从企业R&D管理入手，对外优化配置R&D资源的投入，做到双向结合统一提高企业R&D效率。

基于DEA方法测算出的规模以上工业企业R&D综合效率，采用面板数据模型分析企业盈利能力、政府支持、科研机构和高校数量、R&D重视程度对R&D综合效率的影响效应。研究结果表明，企业盈利能力、科研机构和高校数量、R&D重视程度正向影响R&D效率，但是企业盈利能力没有实现显著影响，政府支持负向影响R&D效率，基于影响因素的影响效果提出如下建议：

(1)加强企业R&D意识和创新能力,将企业利润转化为对企业R&D效率的强劲助推器。企业R&D意识很大程度上取决于管理层，所以强化管理层R&D意识将直接决定企业R&D活动，也将间接影响R&D效率。应在政府有关部门之间建立省、市、县(区)三级动态、双向的企业创新指导和管理培训机制，组织开展企业创新管理宣讲活动，宣讲国家和省市有关激励自主创新的政策和创新管理知识，提高企业家的创新意识和创新管理能力，增强企业家的创新动力。

(2)扩大研发资金来源渠道。政府支持不利于规模以上工业企业R&D，所以企业需要扩大研发资金来源渠道，做到以企业自有资金为主导，政府资金、外资、社会资金为辅的研发资金筹措体系，企业管理层必须要牢牢把握住R&D活动的方向，必须要以企业现有发展现状和未来行业发展趋势作为R&D的主要背景，做到R&D服务于企业未来发展，不任意支配R&D资金，同时又不能使企业R&D被资本绑架，所以扩大研发资金来源渠道是提高企业R&D效率的关键途径。

(3)深度融合产学研活动。科研机构和高校数量显著正向影响企业R&D效率，不同省份的科研机构和高校数量存在差异，每个地区规模以上工业企业不能仅仅将眼光局限于省内，需要加强与省外科研机构和高校的联系。每个省市区的规模以上工业企业首先都要立足于本地区科研机构和高校，围绕其进行技术研发联盟建设，开展紧密的R&D活动，对外要积极追踪并参与其他省市区科研机构和高校的前瞻性R&D活动，如积极参加学术交流活动、积极投资R&D活动等，尽力做到与地区内部高校和科研机构保持紧密合作关系，对外保持一定的联系与交流。

(4)积极建立研发平台。R&D重视程度显著正向影响R&D效率，所以企业要积极建立研发平台，开展创新研发活动。以全球五百强企业排名85位的华为公司为例，它一年的R&D投入比中国市值排名前50家上市企业的R&D支出总和还要多，可见企业R&D活动缺乏的急迫性。企业必须积极建立研发平台，同时，应积极响应并利用政府出台相关的优惠政策，积极引进高层次人才。一个好的研发平台不仅仅需要R&D人才，还需要管理人才，所以企业必须以人才为导向，积极建立研发平台。另外，由于研发平台的建设是一个耗资巨大的项目，所以应积极寻求优惠的银行贷款服务，为研发平台寻求优质的资金来源。

参考文献：

[1]冯志军，陈伟.中国高技术产业研发创新效率研究：基于资源约束型两阶段DEA模型的新视角[J].系统工程理论与实践，2014，34(5)：1202-1212.

[2]綦良群.中国装备制造业R&D效率评价及其影响因素研究[J].研究与发展管理，2014(1)：112-130.

[3]张永凯.中国R&D资源配置效率的时空差异分析[J].资源开发与市场，2017(2)：137-144.

[4]高霞.规模以上工业企业技术创新效率的行业分析[J].软科学，2013，27(11)：58-62.

[5]左铠瑞.中国区域R&D效率变化测度及其影响因素研究[J].科学学与科学技术管理，2016(4)：80-90.

[6]卢方元.区域规模以上工业企业R&D投入绩效：基于三次全国经济普查分析[J].中国科技论坛，2016(3)：5-12.

[7]王学军，张文敏.基于DEA视窗和SFA的中国区域研发创新效率对比研究[J].商业研究，2015(8)：2-9.

[8]胡汉辉，金刚，于斌斌.溢出还是集聚：中国R&D效率的区域关联效应[J].科学学与科学技术管理，2014(6)：68-77.

[9]尹述颖，陈立泰.基于两阶段SFA模型的中国医药企业技术创新效率研究[J].软科学，2016(5)：54-60.

[10]高丹丹.中国装备制造业技术创新综合效率评价研究：基于CCR模型和BCC模型[J].价值工程，2013(6)：1-4.

[11]曹贤忠，曾刚，邹琳.长三角城市群R&D资源投入产出效率分析及空间分异[J].经济地理，2015(1)：105-113.