“互联网+”战略下信息技术服务业创新效率评价研究——以北京、上海、广东三地为例

晁一方，黄永春，2，彭 荣

（1.河海大学商学院，江苏南京 211100；2.“世界水谷”与水生态文明协同创新中心，江苏南京 211100；3.国家电网有限公司客户服务中心南方分中心，江苏南京 210013）

1 研究背景

中共十九大报告将加快建立创新型国家作为落实新发展理念、构建现代化经济体制的一项重要工作，创新驱动发展战略逐渐落实到各行各业。随着互联网和信息技术的广泛使用，依托互联网开展生产运营成为各行业发展的重要选择。2015年，李克强总理在政府工作报告中首次提出“互联网+”行动计划，提出“要推动移动互联网、云计算、大数据、物联网等与现代制造业结合，引导互联网产业拓展国际市场”，由此“互联网+”的浪潮席卷全国，信息技术服务业也因此蓬勃发展。对于以科技为支撑的信息技术服务业来说，创新是企业运作的核心，创新效率的高低不仅决定了企业的创新能力，而且还关系到企业的竞争力，甚至会影响到企业整个宏观环境的资源有效配置［1］。“十三五”期间颁布的信息技术服务业指导性文件《软件和信息技术服务业发展规划（2016—2020年）》明确提出“坚持把创新放在产业发展全局的中心位置”。信息技术服务业具有技术更新快、产品附加值高、应用领域广、渗透能力强、资源消耗低、人力资源利用充等突出特点，对经济社会发展具有重要的支撑和引领作用。因此，现阶段对信息技术服务企业创新效率进行客观有效的评价研究对信息技术服务型企业的经营管理以及创新转型升级具有重要的理论与现实意义。

国内外学者对创新效率的研究涉及各个行业，但研究重点多集中在制造业和高技术企业［2-3］。在研究方法上，大多数学者采用DEA模型［4］和随机前沿函数测定方法［5］通过构建投入与产出指标体系来测度研究对象的创新效率。例如，冯志军等人［6］通过对高技术行业的创新效率进行测算发现，电子计算机及办公设备制造业研发创新过程的整体效率最高，航空航天器制造业最低。刘芳［7］运用Malmquist指数法动态的分析了河南省高技术产业在 2003—2008年间的技术创新效率，Horta等［8］运用随机前沿方法中的距离函数模型，以24个国家1998—2005年的相关数据为样本，在多投入多产出的框架下对样本国家的R&D效率进行研究。

现有研究中大多数学者采用传统DEA模型进行效率分析，但传统的 DEA模型无法去除环境因素和随机误差的影响，从而降低测度结果的真实性，从研究对象上来看，鲜有研究对信息技术服务企业的创新效率进行评价。基于此，本文采用传统DEA与SFA相结合的三阶段DEA模型对我国信息技术服务业创新效率进行评价研究。值得说明的是，我国信息技术服务业上市公司共有136家，其中北京、上海、广东三地共有86家，占总数的63%，其余地区分布十分分散，并且受到产业集聚以及经济发展水平的影响与北上广三地存在明显差距，不能代表我国信息技术服务业整体水平，因此本文选取具有代表性的北京、上海和广东三地的信息技术服务业上市公司为样本，采用三阶段DEA模型对信息技术服务业的创新效率进行测度和评价，进而提出提高信息技术服务产业上市公司创新效率的相关建议。

2 研究方法、变量选取及数据说明

2.1 三阶段DEA模型

本文选取Fried等学者［9］提出的三阶段 DEA模型对信息技术服务业创新效率进行测算分析。三阶段DEA模型通过剥离外部环境和随机误差对测算结果的影响，将影响因素置入模型计算过程，令所有决策单元都面临相同的环境，更真实可靠的展现了各个主体的效率水平，弥补了传统DEA-Tobit模型的缺陷。三阶段DEA模型的计算过程包括以下3个阶段：

第一阶段：基于投入与产出数据构建传统的DEA模型。本文选择投入导向的 BC2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。其计算公式为：

第二阶段：构建SFA模型，去除环境因素和随机误差的干扰。首先，基于随机前沿生产函数，以环境因素为自变量，将上述传统BC2模型测算的投入变量的冗余变量作为因变量，构建如下回归模型：

式（2）中，Sik为第k个主体的第i项投入的冗余量；Zk为环境变量，f(zk;βi) 是环境变量对对该投入冗余量的影响，Vik+μik是随机误差项和管理无效率项之和。然后，根据SFA的回归系数，调整投入变量，令全部主体处于相同的外部环境及随机干扰之下，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：

其中,Xik和Xiko分别表示调整前后的投入，βi0是环境变量的待估系数，maxk(zkβi0)-Zkβio表示对外部环境进行调整，maxk(viko)-viko表示将所有决策单元置于相同运气水平下。

第三阶段：进行调整后的DEA模型测算。选取调整后的投入数据，产出数据保持不变，再次测算各主体的效率值，以此得到去除了环境因素与随机干扰影响的真实效率值。

2.2 指标选取

（1）投入和产出变量：本文在遵循生产法和资产法的指标选取规则基础上，借鉴芦锋等学者［10-11］的指标选取方法，创新投入指标分别选择研发人员数量、研发经费内部支出来代表企业创新的人力和财力投入，在创新产出指标方面，大部分学者采用专利申请数量和新产品销售收入来衡量，但由于上市公司的新产品销售收入指标无法获得，因此本文选择用主营业务收入来代表企业的产品产出，选取专利申请数量来代表企业创新的技术产出。由前人研究可知，企业进行创新投资的作用不只存在于创新活动开展的当前时间，而对其长远发展都存在影响，因此应该选取存量数据而非流量数据进行估计［12］。故而本文运用永续盘存法，以2013年为基期，对研发经费内部支出的存量数据进行计算：

其中K代表研发经费资本存量，E代表经过价格调整的研发经费固定资产购建费，δ 为研发经费资本存量的折旧率，本文将δ 设置为R&D资本存量常用的折旧率15%，其中基期研发活动资本存量用以下公式进行估计：

（2）环境变量：根据前人研究，环境变量的选取要满足两个条件，首先所选变量需要对企业创新效率有影响，其次，所选变量要满足不能被样本主观控制的“分离假设”［13］。本文结合信息技术服务业的自身特点，参考相关研究文献，在环境因素方面选取以下5个指标：

1）政府补贴。近年来，“互联网+”的浪潮席卷全国，国家相关部门加大了对信息技术服务业的扶持力度，学术界普遍认为政府颁布的相关政策对企业的发展有具有较强的引导作用［14］，根据我国的现实情况，高投入、高收益的技术创新活动大部分会获得政府等相关部门的补贴，部分学者认为政府补贴一定程度上缓解了企业可能由于资金不足造成的创新效率低下等问题［15］。

2）企业规模。不同规模的企业综合能力有很大差别，面对风险时采取的策略也不同，与小公司相比，规模大的公司各种运行机制相对来说更加完善，更有可能去尝试有风险的创新投入与研发。

3）产权性质。有学者认为，国企以“稳定”功能为主，民企以“发展”功能为主［16］，相对来讲，民企由于竞争压力较大，对创新的活动的开展更为重视，更希望通过突破性创新来获取长远的发展。

4）股权集中度。对于公开发行股票的上市公司来说，股东的个人意志会影响到公司的日常运营及重要决策。关于股权集中度对创新效率的影响，学术界意见并不一致，有学者认为当股权较分散时，容易形成权力的拉扯，无法在短时间内达成统一的意见，在危机状况下可能产生“推诿扯皮”的现象［14］，不利于企业创新效率的提升。但也有学者表示，当股权过于集中时，大股东掌握绝对控制权，容易产生大股东“一言堂”和中小股东“用脚投票”的情况［17］。

5）地区经济发展水平。不同区域经济发展水平的差异造成其生产要素的丰富程度不同，故而对企业创新投入所需的人力财力的支撑能力存在差距，从而对创新效率产生影响。

所有指标的具体描述见表1。

表1 变量描述

2.3 样本来源

参照2018年上市公司行业分类结果，本文选取北京、上海、广东三地2013—2018年信息技术服务业上市公司的相关数据为研究对象，并对缺少数据的样本进行剔除，最后得到60家信息技术服务业上市企业。环境变量中地区经济发展水平来自《中国统计年鉴》以及各地区统计年鉴，部分专利信息来自国家专利信息服务平台，其余指标均来自于国泰安、万得数据库和各上市公司年报。

3 实证结果与分析

3.1 第一阶段：传统DEA模型的创新效率测度分析

本文采用 Deap2.1软件，基于传统DEA模型，根据样本企业所在省份，分区域对2013—2018年信息技术服务业上市企业的创新效率进行测度分析，结果如表2所示。在没有考虑环境因素和随机干扰项时，本文选取的60家信息技术服务业上市公司创新综合效率的平均值是0.470，处于较低水平，纯技术效率和规模效率的平均值为0.562和0.841，综合效率较低的原因主要在于纯技术效率水平低，因此，信息技术服务业上市企业存在创新资源投入结构不合理，管理有待加强等问题。从规模报酬来看，有6家企业达到最佳规模收益点，其余均应根据规模效率做出调整。除此之外，还可以看出，无论是综合效率值、纯技术效率值还是规模效率、规模收益，不同上市公司之间存在较大差异，分布很不平衡，只有银信科技、光环新网、杰赛科技、赛为智能、兆日科技5家企业达到有效状态，而有37家企业的效率值在平均值0.470以下。但由于此结果受环境因素及随机误差因素的干扰，因此还需进一步调整。

表2 第一阶段DEA测算结果

3.2 第二阶段:SFA模型的回归结果

本阶段以第一阶段传统DEA模型测算出的2个投入变量的冗余变量为因变量，以环境变量政府补贴、企业规模、产权性质、股权集中度和地区经济发展水平为自变量，采用Frontier4.1软件进行随机前沿分析，得出各环境变量对投入冗余的影响，结果如表3所示。由回归结果可知，5个环境变量的回归结果基本通过了10%水平以内的显著性检验，研发人员与研发经费内部支出冗余所对应的单边似然比检验统计量LR值均大于检验的标准值，且γ值趋近于1，这说明环境变量选取合理，信息技术服务企业的创新投入冗余受环境变量影响较大。

下面本文进一步分析5个环境变量对创新投入冗余的回归结果：

（1）政府补贴与研发人员冗余、研发经费内部支出冗余的回归系数分别在5%和10%的水平上显著为正，这表明政府补贴的增加并不能减少信息技术服务业创新资源投入冗余，同时也体现出政府补贴对企业创新的导向作用没有充分发挥。

这可能是由于政府补贴的项目大多数偏重于风险较高、难度较大、周期较长的技术，为了完成此类项目，企业需要投入大量的人力、物力和财力，导致投入冗余；另一方面，政府鼓励企业加强对有战略导向的新兴技术开展研究，企业为了申请到政府补贴不得不进行相关研发，但又缺乏对创新资源的有效管理，以至于使研发资源被大量消耗。

（2）企业规模与研发人员冗余、研发经费内部支出冗余的回归系数均在1%的水平上显著为负，这表明随着企业规模的扩大，创新投入冗余会减少。企业规模越大，企业的综合能力就相对越强，对于信息技术服务业这种技术导向型企业来说，越是规模大的企业越能承担高额成本的创新活动，发挥规模经济的优势，并且能通过向不同方式分散化投资以降低创新风险。其次，规模大的企业的市场相对开阔，因此，技术转化率相对较高，通过创新活动获取的盈利比小企业更可观且更持久，只有当利润收入有乐观预期时，企业才会积极投入创新活动，同时也提高了大企业的创新效率。

（3）产权性质与研发人员冗余、研发经费内部支出冗余的回归系数均在1%的水平上显著为正，这表明相比于非国有企业，国有企业的创新投入冗余较多，制约了创新效率的提升。非国有企业的生存和竞争压力要远大于国有企业，因此，非国有企业为了自身发展对创新资源的把控更加严格。

（4）股权集中度与研发经费内部支出冗余的回归系数均在5%的水平上显著为正，而对研发人员冗余并不显著，这表明股权过于集中会导致信息技术服务企业研发经费投入的浪费。当企业股权过于集中时，容易出现大股东“一言堂”的现象，企业创新投入的力度和方向极容易被大股东个人意志所左右，不利于创新效率的提升。

（5）地区经济发展水平与研发人员冗余的回归系数在5%的水平上显著为负，对研发经费内部支出冗余的影响不显著。这表明经济发展水平的提升能够减少研发人员冗余，经济发展水平的提升是信息技术服务业集聚发展的重要条件，经济条件良好地区能够为信息技术服务企业的创新研发人员提供足够的市场和机会，减少人员浪费。

表3 第二阶段SFA回归结果

由以上分析可知，环境因素影响着信息技术服务企业的创新投入和企业内部管理，因此，将样本公司置于相同的环境因素和随机干扰状态水平下再进行创新效率的评价，更能体现公平性，更具有现实价值。

3.3 第三阶段：调整后的创新效率测度分析

根据第二阶段的调整，再次对调整之后的数据进行DEA测算，得到更加真实可靠的信息技术服务企业创新效率值。由表4的测算结果可以看出经过调整后的综合效率、纯技术效率、规模效率、规模报酬以及与第一阶段相比的改进比例，整体来看，综合效率的平均值由第一阶段的0.470上升至0.495，纯技术效率的平均值由0.562上升至0.605，规模效率由0.841下降到调整后的0.829。虽然综合效率和纯技术效率值均有所上升，但总体上信息技术服务业的创新效率依旧不乐观，主要原因是纯技术效率较低，即企业创新资源的投入结构不合理，管理水平有待提高。

在综合效率方面，经过调整后，有35家企业的综合效率值上升，其中有15家企业增幅超过50%，华宇软件增幅最高达到211.282%，说明由于受环境因素和随机误差因素的影响，其效率被明显低估，在综合效率下降的企业中，飞利信的降幅最大，达到-43.364%，另外还有2家企业效率值保持不变。在纯技术效率方面，有32家企业经过调整后纯技术效率值上升，超图软件、华宇软件、华平股份的纯技术效率提升幅度超过100%，有9家企业继续保持纯技术效率有效，说明这些企业的资源投入配置良好，有利于创新效率的提升。在规模效率方面，有36家企业在调整后出现较第一阶段规模效率下降的现象，但降幅整体较小，其中大多数降幅小于20%，综合平均值来看，信息技术服务企业的规模效率整体较好，但只有3家企业规模报酬不变，有26家企业规模报酬是递增状态，31家企业规模报酬是递减状态，因此大部分企业的创新活动只是趋近于最优生产规模，仍需进一步改进。

表4 第三阶段调整后的信息技术服务业创新效率

表4（续）

根据以上测算结果，本文以平均值为界，将全部样本企业内部划分为五种创新类型，分别是创新领先型、创新良好型、纯技术效率改善型、规模效率改善型和创新落后型。其中，创新领先型是指纯技术效率和规模效率均达到有效的企业，这类企业的创新效率达到最优，应在经营中继续保持，样本中有3家企业属于创新领先型，其他企业应多吸收创新领先型企业的宝贵经验。创新良好型是指虽然没能达到效率最优，但纯技术效率和规模效率均保持在全部样本企业效率值的平均水平以上，此类企业应注意查找管理方面的漏洞，并在不改变战略方向的基础上及时弥补，进一步提升创新效率。纯技术效率改善型和规模效率改善型是指在纯技术效率和规模效率两方面只有一个效率值达到良好以上，由表5可知，纯技术效率改善型企业有23家，占样本总体的38%，这些企业应着重改善资源配置和投入结构，增强内部管理水平，而规模效率改善型企业应继续保持高的资源配置效率优势的同时，更加注重调整生产规模。创新落后型是指纯技术效率和规模效率均在平均值以下的企业，此类企业应一方面加大对创新资源的投入，促进生产规模的扩大；另一方面，要积极调整创新资源配置结构，注重管理水平提高，提升资源转换效率。

表5 信息技术服务企业的创新类型分布

4 研究结论与建议

本文以2013—2018年北京、上海、广东三地信息技术服务业上市公司为研究样本，以三阶段DEA模型为主要研究方法，对信息技术服务企业的创新效率进行测度与评价。研究表明：

（1）根据第三阶段与第一阶段的创新效率对比，环境因素及随机干扰项会令信息技术服务企业的创新效率被低估，环境因素中，政府补贴、股权集中度以及企业的国有产权性质会增加创新投入冗余，而企业规模和地区经济发展水平对创新投入冗余有抑制作用。

（2）去除环境因素和随机干扰项的影响后可以看出，信息技术服务企业的创新综合效率值较低，其主要原因在于纯技术效率低，资源投入结构不合理导致资源配置与转换效率低，内部管理有待加强，在规模效率方面，有26家企业规模报酬是递增状态，31家企业规模报酬是递减状态，因此大部分企业的创新活动规模仍需进一步改进。

（3）通过对样本企业的内部分析发现，纯技术效率改善型企业有23家，占样本总体的38%，是占比最大的类型，因此，信息技术服务业的创新效率改进方向应以提升纯技术效率为主，在保证企业规模收益良好的情况下，改善企业管理和资源配置水平。

基于以上研究结论，为提高我国信息技术服务企业创新效率，加强信息技术服务业的创新能力，本文提出以下对策建议：第一，合理配置资源投入，提升管理水平，促进创新成果商业化。信息技术服务企业应当根据自身发展情况合理进行研发经费和研发人员的投入，避免盲目投入资源导致资源浪费的情况发生。一方面要将投入资源的绝对数量控制在合理的范围内，加强对创新资金、科研人员的监管力度，提升资金和员工的利用效益。另一方面应加大力度提升科技创新成果的转化率，促进技术成果商业化，将技术成果转化为企业的经济效益，实现创新活动投入与公司盈利之间的良性循环。第二，完善公司创新机制，充分发挥政府补助的激励作用。企业应根据自身的发展情况去申请在能力范围内的政府项目，完善创新机制，做到专款专用，有计划的运用政府资金，充分发挥政府补助对创新效率的激励和引导作用。另外，政府对企业进行创新补贴时应注重补贴的引导和杠杆作用，积极推动企业成为创新主体，激励企业加大研发投入，进而提高创新效率。第三，为创新活动创造有利的环境条件，提升员工工作积极性。企业应重视营运能力的提升，并在发展中应处理好集权与分权的关系，为创新活动创造良好的制度条件和组织环境，激发员工创造活力。鼓励企业与高校和科研机构合作，积极吸收技术资源与人才资源，提高员工素质，从而提升整个信息技术服务业的创新效率。