基于三阶段DEA的人工智能上市企业创新效率评价

徐书彬，黎新伍，李 果

(江西财经大学国际经贸学院，江西南昌 330013)

随着计算机硬件性能及计算技术的逐步优化，大数据、云计算等技术的迅猛发展，人工智能技术及其应用迎来重大发展机遇，成为新一代科技革命的重要引领。人工智能产业规模不断扩大，2017年中国人工智能市场规模达到237.4亿元，同比增长67%；其中计算机视觉、语音、自然语言处理等领域的发展态势更为成熟，市场规模分别占比34.9%、24.8%和21%。预计2018年中国人工智能市场增速达到75%，整体规模将达到415.5亿元。此外，人工智能已在教育、医疗、零售、金融、家居及安防等多个垂直领域实现落地，深刻改变着社会生产、生活方式以及思维模式等。

世界各国纷纷将人工智能作为重要的国家战略，密切关注和推进人工智能的发展，中国政府也对人工智能的发展给予高度重视和有力支持。国家层面关于人工智能的政策密集出台，2016年5月国家发改委、科技部、中央网信办、工信部联合印发《“互联网+”人工智能三年行动方案实施》，明确未来3年人工智能产业的发展重点与具体扶持项目；2016年8月国务院印发《“十三五”国家科技创新规划》，明确人工智能作为发展新一代信息技术的主要方向；2017年7月，国务院印发《新一代人工智能发展规划》，人工智能上升至国家战略。地方政府也纷纷发力，积极推动人工智能的技术研发与产品应用。截至目前，中国人工智能人才有18 232人，占世界总量的8.9%，主要来源于高校和科研机构；人工智能企业1 011家，位列全球第二，有力支撑了人工智能的技术研发及应用。然而，与国外领先企业相比，中国人工智能企业的知识生产能力稍显不足，在专利申请方面不如高校和科研机构，即使百度、腾讯、阿里巴巴等国内人工智能领军企业在人才、论文以及专利方面都表现一般。因此，为了提升国内人工智能企业的创新能力，对人工智能企业的创新效率进行有效评价，并分析创新效率的影响因素及其作用强度显得尤为迫切和必要。

1 文献综述

创新效率的测算主要通过两种方法：参数法和非参数法[1]。参数法以随机前沿分析(SFA)为代表，SFA方法具有区分误差项、对结果进行假设检验、测量绝对效率等优点，但应用模型前需要建立生产函数，且生产函数的产出为单一变量。非参数法以数据包络分析(DEA)为代表，DEA方法的优势在于：效率测度时不需要生产函数的具体形式，可以避免函数设定失误所导致的问题；采用最优化方法确立投入、产出的权重，可以避免人为确立各指标权重的主观性；允许指标量纲不一致；能显示非有效单元投入、产出的调整方向和幅度。

DEA方法是企业创新效率测度的常用方法之一，目前用于战略性新兴产业、高端制造业、环保行业、风电产业等多个行业。闫俊周等[2]运用BCC模型、超效率模型和回归模型对战略性新兴产业上市公司的创新效率进行评价，发现中国战略性新兴产业创新总效率、纯技术效率水平较低，且各产业创新总效率差异较大，政府补贴、研发投入强度和全时研发人员人数对战略性新兴产业创新产出有正向影响。韩东林等[3]以“中国制造2025”上市企业为样本，采用DEA方法分别从创新效率、规模收益、有效性、行业及投影分析5个方面对其创新效率进行评价，结果表明“中国制造2025”上市企业创新效率整体水平偏低且波动大。黄俊等[4]结合超效率DEA与Malmquist指数对国产机器人上市企业的研发效率进行测度，利用Tobit模型分析创新效率的影响因素，结果表明资产规模和资产负债率对企业创新效率有显著的正向影响，而研发支出劳动比和资本密集度对创新效率没有显著影响。梁娜等[5]运用DEA方法对环保行业上市公司的创新效率进行评价，发现环保行业整体创新效率较低，主要由纯技术效率偏低引起。魏咏梅等[6]运用DEA-Tobit模型对22家风电上市公司的技术效率及其影响因素进行分析，结果表明风电产业的整体技术效率偏低，资产负债率起显著的负向作用。

Fried等[7]指出运用传统DEA模型进行效率测算没有考虑环境效应和随机干扰的影响，应把所有的决策单元置于同等的外部条件和随机冲击下，用调整后的投入(或产出)再次测算以得到决策单元的真实效率，被称为三阶段DEA模型。三阶段DEA模型在科技进步与创新领域应用广泛，研究成果主要集中于区域和产业层面。钟祖昌[8]为了剔除环境外生变量和随机冲击的影响，结合SBM模型和三阶段DEA模型，对30个OECD国家和中国的创新效率进行分析。余泳泽等[9]采用三阶段DEA方法考察了知识创新、科研创新以及产品创新三个阶段的区域创新效率。乔元波等[10]运用DEA-Windows分析法对我国省域创新效率进行评价。刘伟[11]利用三阶段DEA模型对中国高新技术产业的创新效率进行研究，结果表明三阶段DEA模型的测算结果更为真实可靠。孟维站等[12]利用三阶段DEA对我国高技术产业研发阶段和转化阶段的创新效率进行测算。虽然运用三阶段DEA进行创新效率测度时，投入、产出指标以及环境变量会根据研究对象有所差异，但较为常用的投入指标有研发人员数量、研发投入金额等，产出指标有专利申请数量、专利授权数量、新产品销售收入等，环境变量则主要从宏观经济形势、政府干预、行业竞争、企业股权结构等方面考虑。目前学者们主要应用三阶段DEA从宏观区域层面、中观产业层面考察创新效率，微观企业层面的研究还比较匮乏。

第一，目前对细分领域创新效率的评价主要集中于战略性新兴产业、高端制造业、环保行业、风电产业等，鲜有学者运用DEA方法聚焦人工智能产业的创新效率，而对研究对象进行细分能够提高评价结果的准确性[13]。第二，目前运用三阶段DEA模型进行创新效率研究的成果主要集中在区域、产业层面，对企业层面创新效率展开分析的既有成果多应用传统DEA模型，忽略了环境因素、随机干扰对效率水平的影响。本文应用DEA与SFA相结合的三阶段DEA模型，对人工智能企业的创新效率进行有效测算，从微观层面更为准确地考察人工智能企业的创新效率，并对创新效率的影响因素展开探讨，最后基于实证结果提出人工智能上市公司创新效率的提升路径。

2 研究设计

2.1 研究方法

DEA方法利用非参数线性规划技术为相同或相似部门的效率评估提供了有用的工具，是研究复杂系统创新效率的常用方法之一。本文采用Fried等[7]提出的三阶段DEA模型来剖析中国人工智能上市企业的创新效率情况，它改进了传统DEA和DEA-Tobit模型的不足，通过清除环境效应、随机干扰的影响，更加真实、可靠地展现各决策单元的效率水平。模型分为以下三个阶段：

(1)第一阶段：基于原始数据的传统DEA分析。即将原始投入和产出数据放入传统DEA模型中，测算各决策单元的效率值。本文参照多数三阶段DEA模型应用的文献，选择Banker等[14]提出的投入导向的BCC(规模报酬可变)模型。假设有n个决策单元数量，m项投入，s项产出，Yk为第k个决策单元的技术效率，yrk为第k个决策单元的第r项产出，xik为第k个决策单元的第i项投入，λi和θi分别为第r项产出和第i项投入的权重，uk为第k个决策单元的规模报酬指标。投入导向的BCC-DEA模型公式为：

(2)第二阶段：采用SFA法剔除环境效应与随机干扰的影响。

1)基于随机前沿生产函数，以环境变量为解释变量，以第一阶段得到的投入变量的冗余变量为被解释变量，构造如下回归模型：

2)基于SFA回归的估计系数，调整投入变量，将所有的决策单元置于同质的外部环境、随机干扰之下，以计算清除了环境因素和随机因素影响的实际投入。调整公式如下：

2.2 样本选取

人工智能企业指核心业务为提供及应用人工智能产品、服务和相关解决方案的企业。参考易观对人工智能产业链的分析，本文将人工智能企业分为三类：(1)人工智能基础层企业：提供包括服务器、芯片、传感硬件、大数据、云计算、算法系统等产品或服务，为人工智能产业奠定网络、算法、硬件铺设和数据获取等基础的企业；(2)人工智能技术层企业：提供包括计算机视觉、语音语义识别、机器学习、自然语言处理等算法、产品及解决方案的企业；(3)人工智能应用层企业：将人工智能技术应用于金融、公共安全、教育、交通、医疗、零售、工业等领域的企业。

基于前文对人工智能企业的概念界定，结合wind金融终端的人工智能概念板块以及上市公司年报对人工智能业务的描述，剔除ST、PT、*ST企业，最终选取41家 A 股上市的人工智能企业作为样本，包括10家基础层企业，4家技术层企业，27家应用层企业。

2.3 变量选取

(1)投入和产出变量。国内外学者在测算企业创新效率时，一般选用研发人数和研发费用作为投入指标[3]，也有学者选用研发人员强度和研发经费强度等指标[4]；衡量创新产出一般采用专利申请数、专利授权数、新产品销售收入和无形资产等指标。参考现有文献，考虑数据可得性，本文选取研发人员和研发经费作为创新投入指标，选取专利授权数量、无形资产作为创新产出指标。

为了确保所选取的投入和产出指标的科学性，本文采用Pearson相关系数法进行检验。经计算得到，专利授权数与研发人员数量、研发经费的Pearson相关系数分别为0.788和0.847，无形资产与研发人员数量、研发经费的Pearson相关系数分别为0.444和0.466。各投入指标与产出指标的相关系数均为正数，且均在1%的显著性水平通过检验，表明本文选取的投入和产出指标满足DEA模型要求的“同向性”假定，较为科学合理。

(2)环境变量。环境变量需要选取对企业创新效率有影响但又不受样本主观控制的因素，以满足“分离假设”[15]。本文基于人工智能产业的发展特点，参考相关研究成果，选取以下8个指标作为环境变量：

1)成立年限。通常情况下，创新投入会根据企业所处的发展阶段不同而有所差异。有研究表明，随着成立年限的增长，企业的研发经费和研发经验会逐步累积，进而减少研发过程中的资源浪费，提升创新效率[16]。

2)企业规模。有的学者认为企业创新效率与规模呈正相关，大规模企业可以通过成本分摊获取更高的研发回报[17]；有的研究则表明创新效率与企业规模呈U型关系，规模较大或较小的企业的创新效率高于规模适中的企业[18]。

3)股权性质。关于所有制结构对创新效率的影响，学术界普遍认为民营和外资企业的创新效率比国有企业高[11]。

4)股权集中度。通常认为，过高的股权集中会导致企业整体利益和第一股东的利益过多重合，产生“内部控制人”现象，具有控股优势的股东可能通过牺牲企业整体利益的方式为自身谋利，不利于企业创新效率的改进。

5)政府补贴。有的研究认为政府补贴能够提升企业创新的积极性，降低创新风险，从而提升创新效率[16]；有的认为政府补贴对技术创新效率有抑制作用[19]；也有的发现政府补贴对企业技术创新效率没有显著性影响[20]。

6)信息化水平。作为高新技术产业，人工智能企业的创新发展离不开基础设施，尤其是信息化基础。

7)对外开放水平。地区对外开放水平的提高有助于加速要素的流动，开放过程中对信息、技术等要素的吸收有助于提升企业的竞争意识。鉴于数据可得性，本文采用外商直接投资总额来度量地区对外开放水平。

8)经济发展水平。企业进行创新活动需要大量人力、资本投入，不同区域的生产要素丰富程度也有差异。

所有变量描述如表1所示。

表1 变量描述

2.4 数据来源

创新过程存在投入产出时滞，从创新投入到专利产出及转化为企业的无形资产需要时间，且不同的创新活动周期存在差异，导致创新投入和产出难以匹配，当前的文献研究也没有统一[11]。参考多数文献的做法，本文设定所有创新产出指标比投入指标滞后一期，即选用2016年的研发人员和研发经费数据、2017年的专利授权和无形资产数据。专利数据来自国家知识产权局下的专利检索系统(http://www.pss-system.gov.cn)，互联网普及率、地区人均GDP数据来自国家统计局，外商直接投资数据来自各地区统计年鉴，其他数据来源于wind金融研究数据库。

3 实证结果分析

3.1 第一阶段：传统DEA模型实证结果

运用DEAP2.1软件对原始数据进行分析，测度人工智能上市企业的创新效率。如表2所示，在不考虑环境因素和随机因素时，中国41家人工智能上市企业的创新效率均值为0.406，处于较低水平；纯技术效率均值和规模效率均值分别为0.603和0.699。这表明，纯技术效率低下和规模效率低下共同导致企业创新效率低下，人工智能企业在资源配置、创新管理方面有待提高，研发规模仍需改进。同时，人工智能上市企业的创新效率存在显著差异，仅三丰智能和楚天科技2家企业达到有效状态，埃斯顿、劲拓股份、机器人、高乐股份和浪潮信息5家企业的创新效率在0.7以上，其余企业的创新效率均偏低，尤其是以浪潮软件为代表的10家企业的创新效率均不到0.2。

表2 第一阶段和第三阶段41家人工智能上市企业创新效率

注：I代表人工智能基础层企业，II代表技术层企业，III代表应用层企业。

3.2 第二阶段：SFA模型实证结果

以第一阶段传统DEA模型估计结果中的投入冗余变量为被解释变量，以8个环境变量为解释变量，利用Frontier4.1软件估算各环境变量对投入冗余的影响。如表3所示，各个环境变量基本通过1%或5%水平的显著性检验，且两个模型的LR值均达到1%的显著性水平。这表明本文选取的环境变量具备合理性，并且环境因素对人工智能上市企业创新效率的影响显著，非常有必要应用SFA分析清除环境因素的影响，进而对投入变量做出调整。两个模型的γ值均趋近于1，显著性水平达到1%，表明人工智能上市企业研发投入冗余主要是由管理无效率引起的，受随机误差等偶然性因素的影响不大。

表3 第二阶段SFA估计结果

注：***、**和*分别表示在1%、5%和10%的显著水平；小括号内的数据表示t-ratio。

回归系数为负，表明环境变量的增加有助于投入冗余变量的减少；回归系数为正，则表明环境变量的增加会导致投入冗余变量的增加。根据各个环境变量对投入冗余的回归系数，可以得到如下结论：

(1)成立年限。样本企业成立年限对研发人员冗余存在较为显著的负向影响，对研发经费冗余影响不显著。这表明，随着企业成立年限的增长，积累的经验有助于减少研发人员的浪费，促进人工智能上市企业创新效率的改进。

(2)企业规模。企业规模对研发人员和研发经费冗余均存在显著的负向影响，表明人工智能上市企业规模的扩大有助于发挥创新的规模经济性，提升企业的创新效率。人工智能属于高新技术产业，中小企业的技术创新极易受到资金约束，难以进行大规模的研发投入。

(3)所有制结构。股权性质对研发人员和研发经费冗余均存在显著的正向影响，意味着相比于民营企业，企业的国有性质会制约创新效率的提升。

(4)股权集中度。股权集中度对研发投入冗余存在显著的正向影响。这说明股权的过度集中造成人工智能上市企业研发人员和研发经费投入的严重浪费。

(5)政府补贴。政府补贴对人工智能上市企业研发人员冗余有显著的负向作用。这表明，政府补贴金额的增加可以缓解部分企业由于资金短缺造成的创新投入不足的问题，减少人工智能上市企业创新投入冗余，促进人工智能上市企业研发资源的有效配置，推动企业创新效率的提升。

(6)互联网普及率。互联网普及率对研发人员冗余、研发经费冗余均有显著的正向影响。这说明，地区互联网普及率的上升会增加研发人员和研发经费的浪费，进而制约企业创新效率的提升。

(7)外商直接投资。外商直接投资对研发人员冗余有显著的负向影响，对研发经费冗余影响不显著。地区开放程度的提高能加快区域技术人员流动，方便技术信息交流，进而有助于提升企业的创新效率。

(8)地区人均GDP。该变量对研发人员冗余有显著的负向影响，对研发经费影响不显著。较高的地区经济水平能为人工智能企业提供良好的市场环境和融资环境，帮助减少研发人员的浪费，有利于企业创新效率的提升。

综上，环境因素对人工智能上市企业创新投入冗余的影响显著，且各个环境变量对创新投入冗余变量的影响方向和作用强度也存在差异。若是直接使用未清除环境效应的原始数据进行创新效率测度，得到的结果缺乏真实性和科学性。因此，很有必要利用第二阶段SFA的回归结果对原始投入数据做出调整，将41家样本企业置于相同的环境条件和随机干扰下展开分析。

3.3 第三阶段：调整后DEA模型实证结果

利用DEAP2.1软件，对调整后的投入数据进行BCC-DEA模型分析，更为准确地测算出41家人工智能上市企业的创新效率。本文将第一阶段的结果和第三阶段的结果放入同一张表以便对比分析，具体参见表2。

(1)总体创新效率分析。对比第一阶段和第三阶段，41家人工智能上市企业的平均创新效率由调整前的0.406上升至调整后的0.535，平均纯技术效率由调整前的0.603上升至调整后的0.757，平均规模效率由调整前的0.699下降至调整后的0.696。这表明，中国人工智能上市企业的实际管理水平偏低，实际创新效率不高是由纯技术效率较低和规模效率较低共同导致的。具体来看：

1)创新效率。投入调整后，29家企业的创新效率上升，占比70.73%，其中增幅最大的科大智能高达251.5%，且以华胜天成为代表的9家企业创新效率的增幅均超过100%；10家企业有小幅度下降，降幅最大的富瀚微为56.27%；2家企业保持不变。

2)纯技术效率。投入调整后，4家企业纯技术效率降低，降幅均较小，降幅最小的高新兴仅为1.2%；有30家企业纯技术效率明显上升，其中和而泰增幅高达453.54%，海得控制、拓尔思、劲拓股份、海康威视、汉王科技、川大智胜、中科曙光和华胜天成8家企业的增幅均超过100%。

3)规模效率。投入调整后，24家企业规模效率下降，降幅最大的劲拓股份为65.16%，降幅超过40%的上市企业有四维图新、高新兴、川大智胜、软控股份、GQY视讯和拓斯达；14家企业规模效率上升，增幅最大的北京君正为239.63%，其次为拓尔思和楚天科技，增幅分别为236.64%和179.46%。

(2)规模报酬分析。如表4所示，投入调整后，41家样本企业中，26家企业处于规模报酬递增状态，占比63.41%，6家企业处于规模报酬不变状态，9家企业处于规模报酬递减状态。这表明当前大多数人工智能上市企业的研发规模尚未达到最优，与自身的技术水平不匹配，限制了企业创新效率的提升。

这与现实情况比较相符。中国人工智能创业企业的涌现集中于2012—2016年，全国人工智能企业的成立年限平均为5.5年，北京、上海和天津等初创企业密集的地区企业平均成立年限更短。近几年不仅国内科技巨头企业(如百度、阿里巴巴)纷纷布局，许多老牌工业企业也开始向人工智能方向转型。例如，民爆及新能源企业安徽江南化工股份有限公司自2015年起陆续对人工智能进行布局，投资了图灵机器人、锋时互动(视觉交互技术提供商)。传统企业转型人工智能时期较短，在人工智能领域起步晚，业务布局时经验不足，导致研发规模偏小等问题，因此适时、适度扩大研发规模是多数人工智能企业提升创新效率的有效途径。另外，虽然中国人工智能企业的研发规模在不断扩大，但与美国相比仍存在较大差距。微软、谷歌、亚马逊、Facebook、IBM等美国科技巨头均把人工智能作为未来重要战略方向，加大研发投入，例如亚马逊2017年研发投入为161亿美元，IBM为58亿美元；中国领先企业如百度2017年研发投入为101.5亿元，科大讯飞仅为11.5亿元。

表4 投入调整后中国41家人工智能上市企业规模报酬状况

(3)不同类型人工智能上市企业的创新效率分析。本文对三类人工智能企业的创新效率分别进行计算和排序，以便进一步分析中国人工智能上市企业的创新效率状况，计算结果如表5所示。

投入变量调整前后，三类人工智能上市企业创新效率的排名并未产生变化。人工智能应用层企业创新效率最高，基础层企业次之，技术层企业最差，三类企业的创新效率均较低且相差不大。结合现实情况来看，不管从融资热点来看，还是从企业布局来看，中国在人工智能基础层和技术层都明显不足。融资方面，美国投资者更注重基础层，美国人工智能企业融资占比最多的为芯片/处理器领域，融资315亿，占比31%；而中国投资者更关注应用层，中国人工智能企业融资占比最多的为计算机视觉与图像领域，融资143亿元，占比23%。企业层面，美国基础层和技术层的企业数量约为中国的2倍，应用层差距较小；与美国科技巨头人工智能布局注重AI基础层不同的是，中国科技巨头以AI应用层为重点方向，AI初创企业更注重获取某一方向的AI核心技术后进行商业化应用。与国外相比，中国企业在人工智能基础研究的投入少，能力弱。以芯片为例，目前中国的人工智能芯片行业发展尚处于起步阶段，长期以来在CPU、GPU、DSP处理器设计上一直追赶国外，绝大部分芯片设计企业依靠国外的IP核涉及芯片，缺乏自主创新。

表5 三大类型人工智能上市企业调整前后的创新效率对比

(4)创新效率改进分析。为了更加清晰、明确地对各样本企业的创新情况提出改进措施，本文以纯技术效率值0.9作为临界点，规模效率值0.75作为临界点，将41家样本企业划分为五种创新类型，如表6所示。

1)“创新先锋型”企业处在效率前沿面，是其他企业学习的榜样。如浪潮信息持续推进IPD(集成产品开发)体系建设，旨在提升产品开发管理体系效率。

2)“创新良好型”企业虽然没有达到效率前沿面，但是纯技术效率在0.9以上，规模效率也比较高，只需更为合理地进行资源配置，改善管理便很有可能达到有效状态。

3)“规模效率改进型”企业纯技术效率表现较好，创新效率低下主要是由规模效率较低引起的，此类企业应着重提高规模效率。

4)“纯技术效率改进型”企业其效率改进方向为提升纯技术效率，此类企业需要加强管理制度设计和机制创新，提高资源配置水平、改善管理。

5)“创新滞后型”企业纯技术效率和规模效率都较低，拥有很大的成长空间，不仅需要优化资源配置与改善管理，还应适度扩大企业研发规模。

表6 41家人工智能上市企业的分布状况

4 研究结论与政策建议

本文运用DEA与SFA相结合的三阶段DEA模型，对41家人工智能上市企业的创新效率进行有效测算，得出如下结论：

(1)人工智能上市企业的创新效率受环境因素的影响较大。企业规模的扩大会降低研发投入的冗余程度，有利于发挥创新的规模经济性；企业的国有性质、股权的过度集中和地区信息化水平则会加剧研发投入的冗余程度，制约企业创新效率的改进；企业成立年限、政府补贴、地区对外开放水平和经济发展水平会减少研发人员的冗余，而对研发经费冗余影响不显著。

(2)清除环境效应、统计噪声的影响后，多数样本企业的创新效率和纯技术效率上升，规模效率下降，整体处于较低水平。人工智能上市企业实际创新效率不高是由纯技术效率低下和规模效率低下共同导致的。另外，26家样本企业处于规模报酬递增状态，占比63.41%，表明适度扩大研发规模是中国多数人工智能上市企业创新效率提升的有效路径。

(3)不同类型人工智能上市企业的创新效率存在差异，应用层企业最高，基础层企业次之，技术层企业最差。应根据纯技术效率与规模效率的具体表现，确定人工智能上市企业的改进方向。“规模效率改进型”企业应以提升规模效率为主；“纯技术效率改进型”企业应以提升企业管理和决策水平为主；纯技术效率与规模效率双低型企业，在提升企业管理水平的同时应调整研发投入规模。

鉴于此，本文提出如下建议：

(1)从政府层面来讲，政府应实施差异化战略，在巩固人工智能应用层企业创新发展的同时，大力推动企业在人工智能基础层、技术层的创新活动；适当加大对人工智能企业的研发补贴力度，扩大补贴范围，优化补贴结构；进一步落实自主创新的配套政策，在产业、财税、金融等方面给予人工智能企业相关支持，引导科技资源向人工智能产业倾斜，帮助企业构建有效的创新风险规避机制；结合商标法、专利法等法律法规，有效保护创新成果，提升企业的创新积极性。

(2)从企业层面来讲，企业应适度扩大创新投入规模，合理配置创新投入资源，减少资源浪费；加强国际合作，引进行业内领先企业的管理理念，完善管理机制，改进管理水平；通过加强和创新“产学研”合作模式，破解企业人才、技术要素瓶颈；深化股权结构改革，在保持适度股权集中的基础上，通过股权分置改革构建较为合理的股权制衡机制。