智能制造上市企业创新效率测度——基于三阶段DEA模型*

王洪海,李洪锐

(江苏海洋大学 商学院,江苏 连云港 222005)

一、引言

人工智能的崛起、数据爆炸式增长、工业化与信息化的深度融合,推动了制造业向智能制造转型升级。当前,我国制造业的技术创新能力与发达国家相比还有差距,仍有超过80%的高端数控装备依赖进口[1],核心智能部件研发缺乏高层次的人才支持[2]。围绕智能技术关键领域,完善制造业创新体系和优化市场环境是其智能化升级的重要途径。不少发达国家强力推进智能制造发展战略,如德国的“工业4.0”、美国的工业互联网战略以及日本的工业价值链等,目的是巩固其现有竞争优势,抢占全球智能制造市场份额。我国政府高度重视智能制造行业的高质量发展,相应政策密集出台。2016年12月,工信部和财政部联合制定《智能制造发展规划》,在传统制造业重点领域进行数字化改造,并逐渐建立智能制造支撑体系。2018年8月,工信部印发《推动企业上云实施指南》,加快企业数字化、网络化、智能化转型;同年10月,工信部和国家标准化管理委员会发布《国家智能制造标准体系建设指南》,强化智能制造行业标准的实施与监督,加快创新技术成果向标准转化。面对国外的技术封锁和国内制造业价值链升级的迫切需求,自主创新能力显得尤为重要。

二、文献综述

(一) 智能制造

智能制造是指将智能技术运用于制造活动,在产品全生命周期的设计、研发、加工和装配等环节的制造过程中自主学习、实时感知以及智能决策。学界对智能制造业的现实问题、成长路径、影响因素等方面展开了研究。谭建荣等认为我国缺乏从数字制造到智能制造的技术途径指引[3]。韩明华等发现目前制造业的智能化升级缺乏创新动力，难以形成产业协同格局[4]。邵婧婷认为制造类企业引入数字化、智能化技术能够重塑其全价值链,促进链上各环节效率的提高[5]。吕文晶等探讨了中国制造企业实现全球价值链升级的一般模式[6]。陈金亮等认为智能制造能够帮助企业提高信息处理能力,提升创新绩效[7]。

(二) 创新效率

技术创新效率的概念最早由Afriat提出[8],主要用于对某一主体创新活动中投入要素转化为产出的效率进行衡量,其测度方法主要有参数法和非参数法。参数法在模型应用之前需要建立生产函数,函数的假设具有一定的主观性。而非参数法中较为常用的是数据包络分析(DEA),其不需要假设生产函数的具体形式,更加客观合理。韩东林等运用DEA模型研究“中国制造2025”上市公司的创新效率,结果显示各年间企业创新效率的水平偏低且变化较大[9]。吴和成等利用超效率DEA模型评价国内17个制造行业的R&D效率,发现半数以上的制造行业R&D资源未得到有效利用[10]。李士梅等测算高端装备制造业的五个细分行业2012—2016年度的创新效率,并通过Malmquist指数得出全行业的动态创新效率每年有小幅度下降的结论[11]。刘峰等对智能制造上市企业的创新效率进行评价,发现创新效率与股权集中度呈现“倒U型”关系,与资产负债率、资产周转率正相关[12]。楼旭明等使用交叉效率模型分析智能制造上市企业的创新效率,并通过Tobit模型研究发现偿债能力、盈利能力、营运能力和企业规模对创新效率均有正向影响[13]。

然而Fried等认为,传统DEA模型所进行的效率测度并未考虑到环境因素和随机误差的影响,因此有必要对它们进行分离,将所有决策单元置于同样的环境水平下,以此计算的效率值更为准确[14]。三阶段DEA模型弥补了传统DEA模型的不足，且在科研与创新评价方面得到广泛应用。刘满凤等使用三阶段DEA模型对国内高新技术开发区的创新效率进行评价,发现多数高新区的技术效率与纯技术效率有明显提升,规模效率小幅下降[15]。孟维站等分别对高技术产业研发过程与转化过程的效率进行测算,通过三阶段DEA模型调整后,发现两种过程中的纯技术效率一直受到环境因素的严重影响[16]。徐书彬等借助三阶段DEA模型对国内人工智能上市公司的创新效率进行了有效测算,并依据评价结果提出了相应建议[17]。

梳理上述文献可以看出，引入智能技术是制造企业转型升级的有效途径,但这也对制造企业的技术创新效率提出了要求。现有关于创新效率的文献大多集中在产业或细分行业,聚焦在企业层面的创新效率研究不多。本文借助三阶段DEA模型对智能制造上市企业的创新效率进行测度,分析了智能制造上市企业创新效率的影响因素,并在此基础上提出对策与建议。

三、研究设计

(一) 研究方法

三阶段DEA模型能够有效改善传统DEA模型的不足,主要分析步骤如下。

(1) 第一阶段:初始DEA模型。初始DEA模型是由Charnes和Cooper提出的规模报酬不变CCR模型,Banker等对CCR模型进行了完善,提出了规模报酬可变的BCC模型[18]。CCR模型得到的效率值为技术效率(TE),BCC模型可将其进一步分解为纯技术效率(PTE)和规模效率(SE),即TE=PTE×SE。

(2) 第二阶段:SFA随机前沿分析。借助随机前沿生产函数,将第一阶段计算出的投入指标的松弛值作为被解释变量,环境变量作为解释变量,构造SFA回归函数模型

Sij=f(Zi;βj)+vij+μiji=1,2,…,I;j=1,2,…,N

(1)

其中,Sij表示第j个决策单元第i项投入松弛值,Zi表示环境变量,βj表示环境变量的系数;vij+μij为混合误差项,vij表示随机噪声,vij～N(0,σv2),即随机误差项对投入松弛的影响,μij表示管理无效率,μij～N+(0,σμ2),即管理无效率对投入松弛的影响。

接着,借鉴罗登跃给出的管理无效率分离公式[19],将随机误差项和管理无效率从外部环境中分离,即

(2)

E(vij|vij+μij)=Sij-E(μij|vij+μij)

(3)

最后,基于SFA回归系数调整投入变量,使所有的决策单元都处于同样的外在环境水平,调整公式为

(4)

(3) 第三阶段:调整后的DEA模型。将调整后的投入变量XijA替换原始数据Xij,再次应用BCC模型计算各决策单元的效率值,即可获得去除环境影响和随机误差的实际效率值。

(二) 指标体系选取

投入与产出指标。对投入指标，选取研发人员、研发费用、年末固定资产作为投入指标,分别对应企业人力、财力和物力方面的资源投入[17]；对产出指标,选取专利申请量、专利授权量作为企业创新的知识型产出,选取营业收入作为企业创新的经济产出。

环境变量指标。环境变量是指那些影响企业创新效率但不受企业主观控制的因素。结合智能制造上市企业的发展特点,选择以下六个指标。(1) 企业成立年限。在不同的发展阶段,企业的创新投入也会有所差异。研究表明,企业成立年限的增加会逐渐累积企业在研发过程中的经验,从而减少资源浪费提升创新效率[20]。(2) 地区经济水平。以当地GDP数据表示,通常经济发展水平较高的地区,对从事创新研发人员的吸引力也较强,研发过程中投入的经费也会比其他地区高,以此带动创新的产出。(3) 外商直接投资。外商直接投资可反映该地区对外开放的程度,开放程度的提高有利于要素的加速流动。同时,外商直接投资也会产生技术溢出效应,间接促进的企业创新效率[21]。(4) 政府补助。政府为激励企业创新,会对有创新活动的企业进行财政补贴,以此提高创新积极性,降低企业创新风险促进创新效率的提升。然而也有研究表示,政府给予工业企业的资金支持并未对创新效率起到积极的作用[22]。(5) 企业规模。以企业年末总资产表示,规模越大的企业在研发中的投入也会越多,当市场竞争程度激烈时,大型企业往往更容易有效整合手头的资源,加大研发投入推动新产品或技术的出现。(6) 股权集中程度。过高的股权集中程度会使得企业整体的利益与第一大股东的利益产生重合[23]。具有控股优势的大股东可能出于利益最大化的目的更关注经营效益,会对企业创新的投入和创新效率产生影响。

(三) 数据来源及说明

本文选取智能制造上市企业作为研究对象,除去其中ST、PT以及数据不完整的样本,最终确定了73家上市企业,对其2015—2019年的创新效率进行测度。投入产出变量数据均来自国泰安数据库披露的上市公司财务报告,专利数据来自国家知识产权局的专利数据库。我国的专利分类有以下三种:发明专利、实用新型、外观设计,本次创新效率研究只涉及前两种专利类型的数据。环境变量的数据来自各企业的年度财务报告以及各省市的统计年鉴。各变量的描述性统计结果见表1。

表1 各变量描述统计Table 1 Description statistics of variables

作为知识生产的创新过程,从投入环节到最终的成果产出存在一定的时滞性,多数文献假设该延迟时间为1年。而从长期来看,研发创新活动具有持续性,对于连续年度的创新投入和产出数据不采用滞后效应[13]。此外,在DEA模型测算效率的过程中,为验证指标之间的“同方向单调性”假设[24],借助SPSS软件进行Pearson相关性检验,结果显示投入产出变量之间均为正相关关系,且各相关系数都通过了1%的显著性检验。

四、实证分析

(一) 第一阶段:初始DEA模型分析

此阶段利用CCR模型测算智能制造上市企业的技术效率,再通过BCC模型得出纯技术效率和规模效率,具体结果如表2所示。可以看出,2017年智能制造上市企业的技术效率均值0.592最高,但该数值反映出的创新水平仍然较低。2019年的有效DMU占比15.07%最高,其中紫光股份、福能东方、上海机电连续5年保持DEA有效，达意隆、澳柯玛、美的集团和高新兴等企业的技术效率也处于领先位置,另外还有21家上市企业的技术效率均值低于0.4,说明智能制造企业之间的创新水平存在明显差异。通过对效率情况的分解可以发现,由于纯技术效率不高导致了技术效率偏低,相比之下,规模效率整体的情况较好,2016年均值为0.747最低,该年处于规模报酬递增状态的上市企业最多,而2019年规模效率均值最高,同时递增状态的企业数量明显减少,但处于递减状态的企业较多,变化情况不稳定。

表2 智能制造上市企业第一阶段创新效率Table 2 Innovation efficiency of listed intelligent manufacturing enterprises in the first stage

(二) 第二阶段:SFA回归结果分析

将第一阶段DEA模型中得出的投入变量松弛作为被解释变量,6个环境变量作为解释变量,运用Frontier 4.1软件进行随机前沿分析,结果如表3所示。

表3 第二阶段SFA回归结果Table 3 Second stage SFA regression results

环境变量的SFA回归系数大多能通过5%或1%的显著性水平检验,3项投入变量松弛的LR检验值均达到1%的显著性水平,模型具有一定的复合结构,gamma值趋近于1,说明受到管理无效率的影响较大。

回归系数为负值,表明环境变量的增加有助于投入变量松弛的减少,回归系数为正数表明环境变量的增加会导致投入松弛增加。根据上述环境变量的系数,可以发现如下结论。(1) 成立年限与固定资产、研发人员和研发金额松弛的系数均为正,说明随着成立年限的增加,智能制造上市企业在资产设备、创新人员与资金方面较为充沛,创新过程中的投入量相对较大,导致了冗余的产生。(2) 地区GDP与固定资产、研发人员和研发金额松弛的系数均为负,说明较高的经济发展水平可为智能制造上市企业提供优质的市场环境和融资条件,能有效避免资源浪费,促进创新效率提升。(3) 外商直接投资与研发投入的松弛系数都为正,说明对外开放程度的提升能使区域内要素快速流动,智能制造上市企业拥有更多的创新资源投入,但利用程度不高造成了投入的冗余。(4) 政府补助与固定资产松弛的系数为负,说明政府补贴金额的增加能够提高固定资产的利用效率,促进设备资源的有效配置;而该变量与研发人员和研发金额松弛的系数为正,这表明补贴金额的增加会引起智能制造上市企业在人员和资金方面的投入增多,造成资源浪费。(5) 企业规模与研发投入松弛的系数都为正,说明智能制造上市企业规模的扩大会使其在创新活动中的资源投入随之增加,但未能带来相应的成果产出,创新的规模经济性未得到充分发挥,导致了投入冗余的出现。(6) 第一股东持股比例与研发投入松弛的系数也均为正,这说明股权的过度集中引起了智能制造上市企业创新资源的浪费。由上述分析得知,环境变量对于智能制造上市企业创新效率的影响比较显著,同时各环境变量对于创新投入松弛的影响方向与强度存在差异。因此需根据SFA回归结果将原始的投入变量进行调整,使各上市企业置于同样的环境水平,再进行创新效率的测算。

(三) 第三阶段:调整后的DEA模型结果

将原始投入变量进行调整,再次运用DEA模型测算智能制造上市企业的创新效率,结果如表4所示。

表4 智能制造上市企业第三阶段创新效率Table 4 Innovation efficiency of listed intelligent manufacturing enterprises in the third stage

经过模型调整后,2017年智能制造上市企业的平均技术效率由0.592变为0.598,2018年技术效率均值上升至0.620达到最高,该年DEA有效的上市企业为15家占比最高,其余年份的技术效率均值有不同程度的下降;纯技术效率方面的变动幅度不大,2015年、2018年和2019年的数值有所提升;规模效率则整体下降,2016年的效率均值从0.747降至0.663仍为历年最低,而2019年规模效率均值的降幅14.72%最大。

具体来看,模型调整后33家上市企业的技术效率均值上升,其中科大讯飞、楚天科技和华中数控的效率增幅超过60%,3家企业效率均值为1保持不变,美的集团、达意隆也连续5年DEA有效,海尔智家、澳柯玛、广日股份等企业的技术效率处于领先水平,37家上市企业的技术效率均值相比第一阶段有所减少。

在纯技术效率方面,39家智能制造上市企业的效率均值上升,其中美亚柏科的效率增幅为105.85%最高,连续5年保持在纯技术效率前沿面的上市企业有7家,28家上市企业的纯技术效率均值出现了小幅度下降。

46家上市企业的规模效率均值产生下降,比例高达63.01%,雷柏科技、世纪鼎利、智云股份等9家企业降幅超过40%,3家企业规模效率均值始终为1,24家上市企业的规模效率均值上升但大多增幅较小。可以看出,由于环境因素的影响,导致部分智能制造上市企业创新过程中的纯技术效率被低估,而大多数企业的规模效率被高估。

关于规模报酬,除2015年以外,多数智能制造上市企业处于规模报酬递增状态,适当增加创新投入能够带来相应的产出;规模报酬不变的上市企业逐渐减少,报酬递减状态的企业数量不超过10个,相关企业更应注重创新资源的利用效率和管理水平。这表明环境因素制约着智能制造上市企业研发规模的扩大,创新效率的提升受到了限制。

(四) 各地区智能制造上市企业创新效率分析

将我国智能制造上市企业按所在地划分为东、中、西三大区域,对各区域调整前后的效率值进行计算,分析不同地区企业的创新效率水平,具体结果如表5所示。

表5 各地区智能制造上市企业创新效率均值Table 5 Average innovation efficiency of listed intelligent manufacturing enterprises in different regions

根据第一阶段DEA模型可知,东部地区智能制造上市企业的技术效率和纯技术效率最高,西部地区上市企业的规模效率最高而中部地区最低。剔除环境因素的影响后,由于中部的上市企业规模效率大幅提升因此其技术效率高于东西部,东部地区在纯技术效率方面表现最好,西部上市企业的各项效率情况最差。

得益于东部地区良好的经济发展水平,创新技术人才和资源要素比较集中,智能制造上市企业整体的创新技术水平最好,纯技术效率均值高于中西部。东部地区的企业数量最多,产业的过度集中引发企业之间竞争加剧,创新资源无法有效配置,导致地区内企业的创新水平存在明显差异,大多数企业创新的规模经济性难以发挥。中部的智能制造上市企业在纯技术效率方面低于东部地区,但规模效率高于东部和西部地区。由于受到东部地区的技术影响和经济辐射,中部地区部分企业的创新水平不低,如安徽省、湖北省的技术效率和纯技术效率甚至高于东部的平均水平。但中部地区的企业数量不多且大规模的企业少,位置也相对分散,产业集聚效应不易形成。

西部智能制造上市企业的技术效率、纯技术效率和规模效率都低于东中部地区。相比之下,西部地区的经济发展水平不高,智能制造企业起步较晚,其科研能力和创新投入不足,创新人才资源也很匮乏,难以在行业内建立起竞争优势。

五、结论与建议

本文运用三阶段DEA模型对我国73家智能制造上市企业的创新效率进行测度,得出主要结论如下。(1) 环境因素对于智能制造上市企业创新效率的影响较大。地区经济发展水平能够降低企业研发投入的冗余,有利于创新效率的提升;政府补助能够降低固定资产投入的冗余,但会致使研发人员和研发金额的投入增多产生投入冗余;外商直接投资、企业成立年限的增长、规模的扩大和股权的过度集中会加剧研发投入资源的冗余程度。(2) 剔除了环境因素和随机误差的影响之后,多数智能制造上市企业的技术效率和纯技术效率有所上升,规模效率下降,但整体的创新效率水平不高。此外,大多数企业处于规模报酬递增状态,还未达到最优的研发规模,适度增加研发投入能够提升创新效率;少数企业处于不变或递减状态,需重视研发过程中资源的合理配置与有效利用。(3) 从各地区的创新效率情况来看,东部智能制造上市企业创新的纯技术效率高于中西部地区,中部地区企业在技术效率和规模效率方面略高于东部地区,西部地区企业的各项效率值最低。可以看出,环境因素的影响导致中部地区企业的纯技术效率被低估,而东部和西部地区企业的规模效率被高估。

鉴于以上研究结论,提出如下建议。(1) 政府层面上,应适当增加对智能制造企业研发的补助力度与范围,并对企业研发过程中的资金使用、资源分配进行引导与监督,保证企业创新活动的有效推进。同时,发挥宏观调控作用,制定和落实有利于企业自主创新的优惠政策和财税政策,激发企业创新积极性。针对中西部地区智能制造企业数量少、规模小的情况,应建立完善的人才引进机制,拓宽中小企业融资渠道,增强企业抗风险能力。(2) 产业层面上,建立“产学研”合作联盟,整合智能制造企业、科研机构、高校的创新资源和商用资源,科研机构和高校更多集中于基础理论研究,企业更多聚焦于技术应用研究,加快创新成果的实际落地。同时注重各区域智能制造企业的协调发展,通过建立创新合作平台、重大科研项目合作等方式优化行业创新环境,促进产业链、技术链协同创新。(3) 企业层面上,应适当扩大研发投入的规模,合理地配置和利用研发资源减少不必要的浪费。智能制造企业在创新效率上存在明显的地区差异,因此企业的战略路径也不相同。东部地区创新水平较高的智能制造企业在保持自身优势的基础上,通过国际战略合作引入先进的技术和理念推动国内智能制造业的发展。中部的企业需要对研发过程中资源配置的技术水平和管理模式进行优化,加强与东部智能制造企业的交流,缩短与东部企业技术方面的差距。西部地区企业应在政府的扶持下,引进创新人才和创新团队,建立科学的人才培养机制,并且加强与国内龙头企业的合作。部分创新水平较低的企业可通过技术合作或专利并购的方式推进智能制造的研发,提高自身创新效率。