高技术制造业创新效率的影响因素研究

徐超毅，高 敏

(安徽理工大学 经济与管理学院，安徽 淮南 232001)

高技术产业通常包括服务业和制造业，促进高技术制造业的发展对提升技术能力以及在资源合理利用的同时提高劳动生产率具有重要意义。21世纪以来，高技术产业发展迅速，推动了中国集约型经济的增长，创新效率是表明高技术制造业发展水平的重要指标。目前，虽然中国制造业的发展在总量和规模上较为领先，但在全球价值链分工中仍处于低端环节，制造业创新性不强，“大而不强”的发展“短板”制约了技术发展[1]。相对于传统制造业，高技术制造业资源消耗少、知识密集且增长率高，代表着未来产业的发展方向，是中国技术创新的重要载体，体现出中国的科技实力与产业竞争力。但中国的高技术制造业发展较初级，产业集中度与技术创新水平与发达国家相比还有差距。下文对高技术制造业4个行业的创新效率进行测算、分析与评价，并针对高技术产业创新能力发展提出相应的建议。

一、文献综述

现有文献中针对制造业创新效率及创新能力影响的研究较为丰富。Liu等[2]研究了产业发展环境与高技术产业创新效率的关系，并通过因子分析测度区域发展条件、消费潜力及创新主体间的相互作用。Jiang等[3]认为，一个国家的经济竞争力在很大程度上取决于高技术产业发展水平，并运用数据包络分析法对高技术产业效率进行评价。Cao等[4]基于中国高技术产业17个细分行业的面板数据检验市场竞争对创新效率的影响，结果表明市场竞争及规模对创新效率具有正向影响，行业出口密集度与政府干预对R值有显著的正向影响。Chen等[5]认为，各省间高技术产业创新效率存在明显差异，东部沿海发达省份的技术开发、改造和整体创新效率普遍高于中西部。此外，政府支持力度、研发投入强度、产业聚集度、经济外向度和现代服务业发展水平对创新效率也有不同程度的影响。肖仁桥[6]等通过构建DEA模型对高技术制造业的创新效率与影响因素进行研究，结果表明，东、中、西部高技术制造业效率依次递减，且区域间存在明显的技术差距。章新蓉等[7]通过智能制造业上市公司数据研究不同产业类别以及不同区域和市场竞争环境下政府补助的异质性效果。结果表明市场竞争和政府补助对企业创新产出均有显著的正向激励作用。邹玉坤等[8]基于CiteSpace软件研究数字化创新视角下中国制造业高质量发展的机遇与对策。钟志华等[9]认为应深度融合数字化网络智能化技术,优化调整技术路线,注重产品、生产、模式以及制造系统集成创新,加快中国制造业由大变强发展。忻超娜等[10]将高技术产业创新活动分为科技研发及成果转换两个阶段,并分析数字化水平对高技术产业创新的影响。结果表明数字化水平对高技术产业科技研发效率有显著作用,对最终的成果转换效率没有显著作用。

通过研究相关文献可以发现，现有文献主要针对创新投入及创新成果转化等进行研究。高新技术产业作为创新的重要产业支撑,区域之间以及各细分行业之间均存在一定差距，其创新效率将极大地影响区域创新水平。因此，分析中国高技术制造产业发展现状，采用DEA-Malmquist指数测算高技术制造业效率变化情况，并通过灰色关联法探究创新投入与产出绩效的关联度，可有针对性地为制定提升高技术制造业创新能力的措施提供依据。

二、研究设计

构建创新投入与产出指标，结合DEA-Malmquist生产率指数法对高技术制造业创新效率的动态变化进行分析。通过熵值法确定创新投入指标的权重，最后通过灰色关联分析法对各行业创新投入与产出指标间的关联度进行度量。

(一)测度指标体系构建

结合高技术制造业研发和创新现状，并参考孙俊玲[11]和杜宇[12]等学者的研究，确定创新投入与创新产出指标。创新投入包括人力和资金投入。在人力投入方面，用研发人员全时当量来表示；在资金投入方面，用新产品开发经费支出、消化吸收经费支出以及技术改造费用支出和政府资金来表示。创新产出包括经济效益和成果的产出，选择主营业务收入和利润总额来衡量经济效益，在创新成果方面以新产品销售收入和专利申请量来衡量。综合评价指标体系见表1。

表1 综合评价指标体系

(二)研究方法

传统DEA模型对创新效率进行静态分析，Malmquist指数方法通过相邻两期的生产率变化对创新效率进行动态分析。将DEA与Malmquist指数相结合，可实现对高技术制造业创新效率的动态变化描述。

1.DEA-Malmquist生产率指数法

采用DEA-Malmquist方法测算高技术制造业以及各行业创新动态效率,全要素生产率变化模型如下：

(1)

上式中，S、P和T分别对应规模效率变化、纯技术效率变化和技术进步变化的指数。通过指数变动情况可评价各行业技术创新能力的差异性。

2.熵权法

由于高技术制造业各行业间的投入要素存在差异，为保证客观地对投入指标进行赋权，因此采用熵值法确定权重。由于数据的属性、量纲及数量级之间存在差别，因此需对数据进行标准化处理，以解决不同指标的同质化问题。

以高技术制造业各行业为研究对象，选取r个行业s个指标，指标中包含投入指标与产出指标。对数据进行无量纲化处理，具体公式如下：

(1)对正向指标，数据的处理方法为

(2)

(2)对负向指标，数据的处理方法为

(3)

式(2)和式(3)中：xij表示第i个行业第j项指标的数值；max{x1j，…,xnj}和min{x1j,…,xnj}分别表示最小值和最大值。

为避免赋权法的客观性产生偏差，第j项指标下第i个行业所占指标的比重为

(4)

计算第j项指标的熵值为

(5)

各指标的差异系数为

Hj=1-Ej

(6)

各指标的权重为

(7)

3.灰色关联分析法

灰色关联度是按照比较因素与参与因素之间相近的程度来评价各因素之间的关联程度。若随着时间的变化因素之间的趋势相近，则两者之间的关联度高，反之则关联度低[13]。将反映高技术制造业产出绩效的指标作为参考数列，将影响产出绩效的投入指标作为比较数列，通过比较数列和参考数列之间的关联程度对系统进行综合评价。该文选取灰色关联分析法计算各行业创新投入与产出绩效的关联度，比较各行业要素投入的差异以及投入对产出的影响程度。具体步骤如下：

首先，为对不同的影响因素进行评价，确定参考数列和比较数列。参考数列Yi=(yi1,yi2,yi3…yin)(i∈(1,2,3…m))表示高技术制造业产出指标；比较数列Xi=(xj1,xj2,xj3…xjn)(j∈(1,2,3…m))表示创新投入指标。其次，为更好地对数据进行计算和处理，通过均值法对数据进行标准化处理。最后，计算各投入指标与产出指标之间的关联系数，计算公式如下：

(8)

上式中，k=1，2，3…n,ρ为分辨率系数，通常取ρ=0.5。计算指标灰色关联度：

(9)

通过比较序列与参考序列得出影响因素与参考指标之间的关联度，其结果越接近1，表明该因素对参考指标的影响程度越大。各投入指标与产出绩效的综合关联度为

(10)

上式中，ω为考虑指标权重的综合关联度，rij为得出的灰色关联度，Wj为指标权重。对综合关联度进行划分，结果见表2。

表2 关联程度等级划分标准

(三)数据说明

高技术制造业主要包括医药制造业、信息化学品制造业、医疗仪器设备及仪器仪表制造业、电子及通信设备制造业、计算机及办公设备制造业和航空、航天器及设备制造业[14]。由于信息化学品制造业与航空以及航天器及设备制造业这两个行业的数据缺失，因此选取医药制造业、电子及通信设备制造业、计算机及办公设备制造业和医疗仪器设备及仪器仪表制造业4个行业的数据进行研究，数据来源于2011-2020年《中国高技术产业统计年鉴》。由于2018年年鉴停刊，因此对2017年缺失的数据采用插值法补充完整，各指标取2010-2019年原始数据计算得到。

三、高技术制造业创新效率分析

通过对高技术制造业创新效率以及投入与产出指标进行聚类分析，测算逐年增长指数及相似数据的分类。

(一)创新效率分析

基于DEA-Malmquist生产率指数法，运用DEAP-XP软件得出2010-2019年中国高技术制造业创新效率逐年增长指数(表3)。

表3 高技术制造业创新效率增长指数

由表3可以看出，技术与全要素生产率呈现相同的变化趋势，这说明影响全要素生产率变化的主要因素是技术进步效率。从2010—2019年创新投入与产出指标可以看出，2014年专利申请量与2013年相比出现降低的趋势，表明2013—2014年中国高技术制造业整体创新效率较低，技术创新产出没有随着创新投入的增加而提高。2010—2019年，技术进步效率指数均值为1.170 7，表明中国高技术制造业资源配置稳定，技术创新水平不断提升；技术效率平均值为1.000 4，表明资源配置和技术水平不断优化；2010年以来纯技术效率变化较为稳定，规模效率指数总体上有所提高，可以看出规模效率抑制了技术效率变化；规模效率变化指数平均值大于1，表明制造业规模与创新效率相匹配。综上分析可知，技术进步对全要素生产率的影响不断增大，且两者之间存在协同效应。

(二)创新投入与产出聚类分析

对中国高技术制造业4个行业创新投入与产出结果进行聚类分析，结果见图1。

图1 高技术制造业聚类分析结果

由图1可以看出，4个行业可以分为两类。其中：医药制造业、计算机及办公设备制造业以及医疗仪器设备与仪器仪表制造业为一类，电子及通信设备制造业为一类。2个类别的聚类中心见表4。

表4 高技术制造业各指标聚类中心

从表4可以看出，类别1的投入与产出指标值比类别2低。将创新效率情况综合进行分析，结果见表5。

表5 高技术制造业各行业创新效率

由表5可以看出，2010—2019年，4个行业的全要素生产率均大于1，这说明各行业的技术创新能力显著提升。其中：计算机及办公设备制造业效率排名最高，说明该产业发展较好，引领中国高技术制造业的创新水平；电子及通信设备制造业效率水平较低，今后需进行产业转型升级以实现更好发展。

四、创新要素投入分析

通过确定各投入指标的权重，并结合灰色关联分析法，对各行业创新投入与创新产出指标的综合关联度进行测算。

(一)创新投入指标权重

根据公式(2)～(7)计算创新投入指标权重(表6)。

表6 投入指标权重

由表6可以看出，消化吸收经费支出以及技术改造经费支出的权重较高，这主要归因于2006年为促进中国科学技术创新发展而颁布的发展规划纲要。各行业政府资金与新产品开发经费支出指标权重均在0.1～0.2。

(二)创新投入与技术产出综合相关度

运用灰色关联分析法，结合创新投入指标权重，利用公式(8)～(10)对医药制造业、电子及通信设备制造业、计算机及办公设备制造业和医疗仪器及仪表设备制造业各指标进行测算，得出综合相关度(表7)。

由表7可以看出，医药制造行业中政府资金与产出指标的综合相关程度较高，政府通过增加研发投入加快技术领域的研发速度。电子及通信设备制造业中技术改造经费支出与产出指标的相关度较高。计算机及办公设备制造业与医疗仪器设备及仪器仪表制造业中消化吸收经费支出的贡献度较高。在人力投入方面，医疗仪器及仪表设备制造业与计算机及办公设备制造业的R&D人员全时当量与产出绩效的相关度较高，由于医疗仪器与仪表设备制造业和计算机及办公设备制造业的技术含量高且技术变革快，人力资本是技术创新的关键性要素，因此对人力投入的重视程度比其他行业高。在技术引进方面，各行业的消化吸收经费支出及技术改造经费支出与产出绩效的综合关联度均普遍较高，这主要归因于中国越来越重视对引进技术的消化吸收。由此可知，技术进步是影响生产率的关键因素。

表7 投入与产出指标综合相关度

五、结论与建议

通过对中国高技术制造业各行业的效率进行实证分析，得出以下结论：首先，从整体创新效率变化可以看出，高技术制造业全要素生产率均值大于1，表明高技术制造业各行业的创新水平较高；技术效率、技术变化以及规模效率均值指数大于1，表明中国在资源配置及技术创新水平方面都有所提高；纯技术效率指数的值为1，表明高技术制造业的技术成熟度趋于稳定。因此，影响各行业创新能力提高的关键因素是技术进步。其次，从各行业创新效率方面可以看出，计算机及办公共设备制造业全要素生产率最高，表明该产业发展较好且技术先进。相对而言，电子及通信设备制造业的全要素生产率最低，原因主要在于技术进步没有达到理想的水平。最后，从创新投入与绩效产出的综合相关度可以看出，医疗仪器设备及仪器仪表制造业和计算机及办公设备制造业这两个行业的发展侧重对技术引进的消化吸收、改造与开发，且该行业技术含量高，变革更新快，依靠人力资本驱动创新是促进该行业发展的关键性要素。根据上述结论，提出以下建议：第一，提高消化吸收能力，强化自主创新。推进技术引进、消化吸收与自主创新的一体化，不断强化产学研协同创新。以消化吸收经费作为枢纽，并依据创新模式调整相关的技术费用支出。第二，提高创新能力，加快技术改造。构建协同联动的技术研发创新链，加强区域合力，解决技术瓶颈与创新发展间的矛盾。通过高技术制造业创新链和产业链的联动与延伸,加快形成产业集群。第三，提高产业创新绩效，合理配置资源要素投入强度。构建以提高产业创新绩效为导向的研发体系。寻求自主突破，加大研发投入,提高投入要素对创新产出的贡献度，寻找最优要素投入组合，促使投入要素的联合效应获得最大效益。

综上，通过DEA-Malmquist生产率指数法对中国高技术制造业各行业的创新效率进行测算，并结合灰色关联分析法对各行业创新投入与创新产出指标的综合关联度进行研究，分析高技术制造业创新效率的影响因素。针对存在问题提出强化自主创新、提高创新能力、加快技术改造和合理配置资源要素投入强度等建议，以期提高中国高技术制造业的创新效率。