基于DEA-Malmquist指数方法的高新技术企业科技创新效率的动态评价——以铜仁市为例

钟小容， 吴立忠

(铜仁学院， 贵州 铜仁 554300)

1 文献回顾

随着社会的不断进步，科技创新已成为新时代经济高速发展的引擎。高新技术企业是科技创新的重要主体，其科技创新效率的高低直接影响经济增长的速度和质量。因此，研究高新技术企业科技创新效率对于促进经济发展有着重要作用。近年来，贵州铜仁市经济增长速度处于全省前列，其高新技术企业总产值实现了快速增长，高新技术企业数量也实现了翻倍地增长。铜仁市“十三五”战略规划中，将促进科技发展列为重要目标，将加大力度支持高新技术企业的发展。因此，本文鉴于这样的研究背景，对铜仁市高新技术企业的科技创新效率进行研究，以找出其可能存在的问题，为铜仁市实现科技兴铜的战略目标助力。

关于企业创新的研究屡见不鲜。首先是理论方面的研究。Schumpeter首次给出创新定义，即认为创新是企业为了抢占市场获得经济效益而进行的技术改进。Freeman认为企业的技术创新是产业创新的第一步，然后再经过产品创新、管理创新及市场创新，最终实现产业创新。陆国庆认为从微观来看产业创新即企业研发新产品和服务的能力[1]。夏维力认为在新产业诞生中，多数高新技术企业以“引进-消化吸收-创新”模型进行创新[2]。钱旭潮认为企业技术创新可分为微创新、集成创新、延伸创新和持续创新四个成长阶段[3]。

其次是实证方面的研究。国外研究主要从研发效率和生产要素配置效率方面对创新效率进行研究，如Cullmann A 等采用DEA方法对创新、研发效率和监管环境的影响进行了分析了，A方法成员国的知识生产效率进行了绩效评价，发现为了减少竞争而设置的进入壁垒会削弱创新和有效分配资源的动机，从而降低研究效率[3]；Kafouros M 等研究了英国制造企业的公司创新回报率，发现大公司以及采用研发密集型战略企业比研发密集程度较低和规模较小企业的经济回报要高得多[4]；Broekel T 等使用共享投入DEA模型研究了德国劳动力市场的区域创新效率及其随时间的变化，发现当创新产出与研发投入之间涉及到模糊的匹配程序时，该方法尤其有用。且该方法更公平地对待产业结构向高、低创新强度产业倾斜的地区[5]；Borozan等运用两阶段DEA分析方法研究了欧盟地区生产要素及环境变量对技术和能源效率的影响，发现技术效率和能源效率的区域差异相当大，且技术和能源效率的决定因素存在差异，并指出人力资本和创新对于提高地区的效率或生态绩效尤为重要[6]。而国内的实证研究大致可分为三个方面。其一为国家层面的研究。陈元志等对中国大中型企业和高新技术企业的技术创新效率进行了实证研究，发现相比其他所制企业，国有高新技术企业在改进技术创新效率方面的表现更好[8]。周阳敏等从企业家特质角度运用统计回归方法研究了国家自创区高新技术企业的创新能力与盈利能力之间的关系，结果发现企业创新对企业盈利具有正向效率[9]。郭建平等运用DEA模型测算了2016年东中部八个省市的高新技术企业投入产出效率，发现不同省份不同行业的高技术企业的投入产出效率存在一定差异[10]。朱兰亭研究了研发投入、技术创新产出与高新技术企业国际竞争力三者间关系,结果发现研发投入强度的提升作用并不明显[11]。陈珊运用DEA方法研究了科技金融对高新技术企业创新效率的影响，发现的科技金融的不断发展使得高技术产业的创新效率不断提升[12]。其二为地区层面的研究。张自力等研究了金融支持与广东高新技术企业自主创新的影响，发现其金融体系运行对高新技术企业自主创新的支持力度不够, 支持效率偏低[13]。顾群等运用DEA方法研究了融资约束对河北省高新技术企业创新效率的影响，发现融资约束的上升会促进企业创新效率的提高[14]。刘程军等对浙江省高新技术园区企业的吸收能力、知识溢出与创新绩效的关系进行了研究，发现前两者对企业的创新绩效均有显著正向效应[15]。熊飞等运用DEA方法对北京市丰台科技园区的高新技术企业的创新效率进行了研究，发现高新技术企业合理的投入结构影响创新效率[16]。张玉臣运用DEA方法对上海市高新技术企业的创新绩效进行了研究，发现不同技术领域的创新绩效存在显著差异[17]。其三为单个公司层面的研究。陈朝晖等以某一家上市高新技术企业为研究对象，从专利角度运用模糊网络分析法研究了科技创新与公司融资能力的关系[18]。

综上，从现有文献来看关于高新技术企业科技创新效率的研究较为丰富，而数据包络分析方法的使用也较为成熟，但关于中国西部地区企业层面的相关研究较少。本文在以上研究基础之上，运用DEA-Malmquist指数方法从动态角度研究铜仁市高新技术企业的创新效率，以期补充西部地区关于高新技术企业的相关研究。

2 研究方法、指标选取及数据来源

2.1 研究方法

数据包络分析(Data Envelopment Analysis,简称DEA)方法是应用最广泛的非参数的绩效评价方法。于1978年由查尼斯(Charnes)和库伯(Cooper)共同提出来。DEA方法被大量应用于工业企业的生产管理及科研机构效率评价等多个领域。相比于统计回归分析需要事先确定生产函数形式，DEA方法则具有独特优势。因其不需要事先确定生产函数形式，从而避免了因主观因素导致的随意性和非准确性。该方法适用于多投入多产出的复杂系统，假定每个评价对象为一个决策单元(简称DMU)，以每个DMU的各投入产出权重为变量，建立数学规划模型，通过求解模型的最优解及权重值，从而对各个评价主体的相对绩效进行排序和分析，得出评价结果为管理层提供决策参考。DEA最早的模型有四大类：即C2R模型；CSGS;CW;CH;之后又经过了不断改进。如BCC模型是在C2R模型基础上加以改进的模型，将规模收益不变的C2R模型转换为规模可变的BCC模型，进而应用更广泛更方便。首先给出BCC模型具体形式如下：为进一步方便计算各个DMU是否在生产前沿面及其投影，引入松弛变量s+,s-及非阿基米德无穷小(即小于任何正数且大于0的数)，同时加入凸性假设将模型(2)变换为BCC模型。具体形式如下：

(1)

M0(yt+1,xt+1,yt,xt)=

上式中M0即t时刻点(xt,yt)到t+1时刻点(xt+1,yt+1)两点之间的距离函数即两个时刻全要素生产效率(简称TFP,以下均简记为TFP)的变化函数。若M0大于1，即表示从t时刻到t+1时刻，TFP实现了增长；若M0小于1，即表示即表示从t时刻到t+1时刻，TFP出现了下降；若M0等于1，即表示即表示从t时刻到t+1时刻，TFP没有变化。

1994年，Fare等人进一步将Malmquist指数进行了分解，使其能更有效地分析出不同经济生产单位的生产效率变化的原因。其原理是在规模收益可变的条件下将Malmquist指数分解为综合效率变化指数和技术进步指数的乘积。而综合效率变化指数为纯技术效率指数和规模效率指数的乘积，技术进步率用来衡量技术进步较前一年技术进步的变化情况。因此，相比于DEA方法，DEA-Malmquist指数方法更易分析不同经济单位的生产要素变化的原因。鉴于本文重在分析铜仁市高新技术企业效率的动态变化情况，因此选用该方法。

2.2 指标选取及数据来源

数据的选取影响DEA分析的结果，在指标选取时要考虑科学性、可比性、可得性三个原则。从现有文献综合来看，评价科技投入的因素分为人财物的投入，科技产出分为直接产出和间接产出。根据铜仁市科技局的统计数据显示截止2018年12月铜仁市共有22家高新技术企业，除去1家上市企业的子公司，其他均为非上市企业，分布在6大不同领域。鉴于指标和数据选取的科学性、可比性和可得性原则，本文从铜仁市近三年表现良好的三大领域中各选取一家高新技术企业为样本，其中投入指标选取科技活动人员数及R&D经费支出；产出指标选取专利申请量及新产品销售收入。具体见表1所示。

表1 铜仁市高新技术企业科技投入产出指标体系

以2016—2018年的数据为样本，构建了9个决策单元，每个决策单元包含了2个投入指标和2个产出指标。研究所用数据来自铜仁市科技局及调查问卷，为企业隐私保密起见，以下实证分析中各企业名称均以其所属领域代替。

3 实证结果及分析

运用DEAP2.1软件，以产出为导向，运用DEA-Malmquist指数方法对铜仁市2016—2018年三类高新技术企业的科技创新效率进行动态评价。

3.1 单个企业科技创新效率年度变化情况

分年度来看单个企业的变化情况，2016—2018年各类高新技术企业科技创新效率的Malmquist指数及其分解指标值动态变化情况见表2～表3所示，表2为2016—2017年三类不同领域企业科技创新效率变化情况，表3为2017—2018年的科技创新效率变化情况。

表3 2017—2018年高新技术企业Malmquist指数及其分解值

表2 2016—2017年高新技术企业Malmquist指数及其分解值

从表2中的数据可以看出：①电子信息类企业，2016—2017年TFP值为1.361，说明该企业2016—2017年的科技创新效率较好，实现了36.1%增长幅度。从其分解值来看，电子信息类企业的综合效率、纯技术效率和规模效率值均为1，达到了DEA有效。另外，电子信息企业的技术进步率值也大于1，说明电子信息类企业在2016到2017年有比较大的技术进步和创新。②其他两类企业，资源与环保企业和新材料企业2016—2017年TFP值分别为0.494和0.514，均小于1，说明这两类企业在这段时期内，全要素生产效率值下降了。从分解值来看，资源与环保类企业综合效率、纯技术效率和规模效率值均小于1，未实现DEA有效，且技术进步率值也小于1；新材料类企业综合效率、纯技术效率和规模效率值分别为0.474、0.529和0.895。总体来看这两类企业的效率变化差别不大，但新材料类公司的技术进步率大于1且要高于资源与环保类公司。

从表3中数据可以看出，相比于2016—2017年的效率变化值来看，三类企业的TFP值均有变化：①新材料类企业，TFP值为7.457，为三类企业中变化最大的企业，说明新材料企业增长最快。从其分解值来看，新材料公司的综合效率值为8.126，规模效率值为4.3，且纯技术效率值也不低，而增长的动力源于资源配置效率的提高和规模效应，尤其是规模效应。②其他两类企业，电子信息和资源与环保企业的TFP值均小于，说明两类企业的增长均有所下降，其中电子信息企业下降更明显。从分解值来看，电子信息企业的技术进步率较之前下降较快，而资源与环保企业在纯技术效率和规模效率方面均有所提高。

3.2 科技创新效率整体变化情况

铜仁市高新技术企业科技创新效率的Malmquist指数及其分解指标值总变化情况如表4所示，不同企业的Malmquist指数及其分解指标值总变化情况如表5所示。

表5 2016—2018年不同高新技术企业的Malmquist指数及其分解值

表4 2016—2018年高新技术企业整体Malmquist指数及其分解值

从表4数据可以看出，2016—2018年铜仁市高新技术企业的整体TFP值0.893，整体来说偏低。可能与铜仁市2016年之前高新技术企业发展不够理想有关，但TFP呈现逐年增长趋势。从其分解值来年，综合效率值和规模效率值较为理想，且效率改善较为明显。但纯技术效率和技术进步率分别仅为0.897和0.843，但总体两者均呈现递增趋势。而技术起步率值变化却呈先现递减的现象，可能与高新技术企业所处的技术进步积累不够稳定有关。总之，铜仁市高新技术企业创新效率还有待进一步提升。

从表5中数据可以看出， 2016—2018年铜仁市各类高新技术企业科技创新效率差异较大，其中新材料企业的TFP值最大为1.958，其次为电子信息企业，最后是资源与环保企业。从分解值来看，新材料企业表现最好，而电子信息企业同新材料企业相差不大。但资源与环保企业表现最差，综合效率和技术进步率均为最低，分别为0.604和0.644。导致这一结果的可能原因是由于资源与环保企业起步期有关，创新效率有待进一步提高。

4 结论及建议

针对铜仁市高新技术企业科技创新效率研究可以得出以下结论及相应建议：

1)不同企业的TFP值变化较大且不同行业的企业之间TFP值差距较大。有些企业实现了较快增长，有些企业则出现了下降的情况。比如电子信息企业2018年较2017年TFP值由1.361下降到了0.64，从其分析值来看，主要是在于其技术进步率的下降。而新材料类企业则由0.514提高到了7.457，从其分解值来看，得益于规模效率和纯技术效率的提高。出现这一结果的原因可能与企业所属行业的发展周期及其自身的发展周期有关。因此，铜仁市应取长补短，对于优势高新技术企业应大力支持其高速发展，尤其是新材料领域企业。而对于弱势企业应该帮助企业逐步实现产业结构升级。

2)高新技术企业科技创新效率总体不够理想，但呈现上升趋势。2016—2017年铜仁市高新技术企业的综合效率值仅为0.62，纯技术效率值也仅为0.693，低于全国水平。但2017—2018年数据显示，无论是纯技术效率还是规模效率均大幅提高改善。可能与铜仁市近两年对科技发展的高度重视有关。因此，建议铜仁市加大对高新技术企业的扶持力度，进一步为企业提供税收优惠及营造良好的融资环境，积极促进高新技术企业产业结构升级，督促高新技术企业提高自身科技创新水平。

3)技术进步率总体不够高，且呈现波动情况。从前面分析可发现，新材料企业的技术进步率是唯一呈现递增趋势，而其他企业则存在下降趋势，说明高新技术企业技术进步的外在环境有待进一步完善。因此，铜仁市应该强化产教研的融合，大力引进高新技术和人才，重视基础研究；加强科技平台的建设，充分利用周边省市乃至全国的优势科技资源，进一步为高新技术企业积累技术创新基础及提供良好的创新环境。