制造企业创新效率测度与影响因素研究——基于数字化转型的视角

贺正楚 潘为华 潘红玉

1 引 言

自从2010年中国成为全球制造业第一大国以来，中国制造业在规模结构、创新发展等方面不断取得进步，制造业的增加值从2012年的16.98万亿元增长至2021年的31.4万亿元，研发投入的经费由6850.5亿元增长至16914.3亿元。但中国制造业在高速发展的同时，产业创新还一直存在创新效率低、关键核心技术受制于人等问题（蔡昉，2021［1］）。制造业领域的企业（制造企业）是当之无愧的创新主体，是创新成果孵化的载体，更是推动创新效率提升的主要力量。然而，制造企业创新风险高，创新效率提升难度大，尤其是当前我国面临百年未有之大变局和受到新冠病毒感染的巨大影响，制造企业正经历前所未有的冲击。在激烈的“贸易战”“技术战”以及被“卡脖子”的创新困境中，如何通过创新效率改进来提升企业的韧性和抗压性，是制造企业生存和发展的关键，也是学者们研究和关注的重点。

已有的诸多文献，为制造企业创新效率相关研究的开展奠定了较好的基础：（1）在测度方法上，早期学者多从“投入-产出”的角度来测度创新效率，如采用专利产出、专利产出与研发投入比等指标来衡量创新效率。这些指标考虑企业在创新过程中的投入产出关系，能够直观衡量创新投入与创新产出之间的比例关系，但是忽略了影响创新效率的其他环境因素。因此，后续学者尝试选取多种指标、方法科学衡量创新效率，包括数据包络分析（DEA）随机前沿分析（SFA）等方法。在此基础上，部分学者加以改进，使用动态网络SBM模型、超效率网络模型等方法对创新效率进行测度；（2）在研究对象上，包含宏观层面研究不同区域和城市的创新效率；中观层面研究不同产业或行业的创新效率；微观层面研究不同类型企业的创新效率，如不同规模、不同生命周期等；（3）在研究视角上，考察了创新效率的影响因素，探讨创新效率的动态演变和空间差异，提出了不同主体创新效率的提升路径和模式等。

可以看出，已有关于创新效率的研究大都是基于传统工业经济时代的研究，或是探讨数字经济视角下的行业创新效率（殷群和田玉秀，2021［2］）,或是分析数字技术和数字金融发展对企业效率的驱动作用和机制（陈金丹和王晶晶，2021［3］；刘婷婷等,2022［4］）。鲜有基于数字经济时代的企业创新效率研究，基于数字化转型的视角研究制造企业创新效率更为罕见。熊彼特指出，创新是“在生产体系中引入一种新组合”。进入数字经济时代，数据作为第五大生产要素引入制造业生产体系（陶长琪和丁煜，2022［5］），推动制造企业产品升级和业态重构。制造企业纷纷把握这一机遇，应用新兴数字技术改造产品生产流程、创新商业模式，通过数字化转型来实现效率的提升（林琳和吕文栋，2022［6］）。在制造企业数字化转型过程中，企业创新的类型和模式愈加丰富，因而创新效率来源、生成逻辑和演变规律也更加复杂，传统工业经济时代对创新效率的测度和研究方法、指标体系容易造成结果偏差。因此，在数字经济时代，基于数字化转型的视角研究和测度制造企业创新效率十分有必要。基于此，本文采用三阶段DEA模型对制造企业创新效率进行测算和分解，试图探讨数字经济时代制造企业创新效率的演变规律、动态特征和影响因素。本文的边际贡献在于将数字化转型中制造企业的创新投入和创新产出纳入三阶段DEA模型，综合考察影响创新效率的外部环境因素，有助于更好的理解和把握数字化转型视角下制造企业创新的生成逻辑和演变规律，对于优化制造企业创新资源配置、把握创新发展方向，为企业创新战略决策和政府创新政策实施提供参考。

2 测算方法与指标体系构建

2.1 测算方法

DEA是数据包络分析方法的简称，是运筹学和经济学中常用的一种用来测量评价决策部门（DMU）投入产出间效率的方法。DEA模型的原理是以最优投入和产出作为生产前沿，采用非参数线性规划的技术构建数据包络曲线。位于前沿面上的点效率值标定为1，位于前沿面外的点效率值标定为0至1之间。DEA模型通常包含规模报酬不变（CCR模型）和规模报酬可变（BCC模型）两种，应用于经济管理领域中评价投入产出的相对效率，具有较强的客观性。但是传统的DEA并未考虑环境因素和随机扰动项对决策部门效率的影响，为此，Fried等人提出三阶段的DEA模型，主要分为以下三个阶段。

（1）第一阶段：传统DEA模型

第一阶段所使用的模型为传统DEA模型，基于原始的创新投入和创新产出数据来研究制造企业的创新效率。传统DEA模型分为投入导向和产出导向两种，一般而言企业创新具有较大的不确定性，创新的成果产出情况不易受到企业控制。因此，本文选投入导向的DEA模型，并假定规模报酬可变，将制造企业的综合效率分解为纯技术效率和创新效率。基本模型设定如下：

式（2）中，j=1，2，…，n表示决策部门，X为创新投入变量，Y为创新产出变量。

（2）第二阶段：似SFA模型

传统DEA模型在测量效率时容易忽略环境因素和随机扰动项的影响，导致得出的效率值与决策部门真实效率值存在一定差异，可靠性低。松弛变量是低效率的表现，主要包含环境因素、随机噪声等。在第二阶段，以第一阶段中投入松弛变量为被解释变量，以环境因素为解释变量，采用似SFA模型剔除环境因素的影响。模型设定如下：

式（3）中，Sij是松弛变量，Zj是环境变量，β j是环境变量的系数，vij+uij是混合误差项；vij表示随机干扰因素对投入松弛变量的影响，且表示管理因素对投入松弛变量的影响，服从半正态分布，且。似SFA回归模型的主要作用是剔除环境因素和随机扰动项对企业创新效率的干扰，从而将所有决策部门调整至相同的外部环境中。调整公式如下：

（3）第三阶段：调整后DEA模型

将第二阶段调整后的创新投入变量与未调整的创新产出变量代入传统DEA模型，测度剔除环境因素和随机干扰因素的制造企业创新效率。

2.2 指标体系构建

从创新的视角来看，制造企业数字化转型的核心是创新，数字化转型的过程同时也是创新的过程。在这一复杂、系统的过程中，探讨制造企业创新效率的基础是构建科学的评价指标体系。借鉴已有文献关于创新效率评价指标的选取，本文从3个一级指标“创新投入、创新产出、创新环境”来构建多层指标体系，如表1所示。

表1 制造企业创新效率评价指标体系

（1）创新投入变量

制造企业通过数字化投入，将数据要素引入企业生产运营过程中，形成新的生产函数，实现对生产要素的重新组合或生产条件的创新。本文选取人力投入、物质投入、资金投入三个二级指标来衡量创新投入水平：（1）人力投入。创新的第一要素是人才，制造企业数字化转型同样需要创新人才的引领和推进。研发人员是企业创新和数字化转型必备要素之一，考虑到数据可获得性和可比性，本文参考已有关于创新效率的研究，使用R&D人员占全部员工的比重作为人力投入指标；（2）物质投入。制造企业对于创新的物质投入，主要通过构建先进的实验室和试验设备，实现生产技术和生产设备的改进。因此，物质投入主要通过固定资产等实物增加来实现。本文选用当年固定资产增加额来衡量物质投入水平；（3）资金投入。创新活动的开展和产出的实现，离不开持续的资金投入。本文选择制造企业R&D支出作为衡量资金投入水平的指标。

（2）创新产出变量

制造企业通过数字化转型，创新的类型和模式、创新产出和成果愈加丰富。因此，本文从技术、经济和数字化三个方面来衡量创新产出：（1）技术产出。技术产出是创新重要的直接产出之一，包含了专利、著作权等形式，其中专利产出是最常见和使用最广泛的指标。一般而言，专利从申请到授权需要3年左右的时间，这种时滞的存在导致专利授权量无法有效衡量企业本年技术产出水平，因此一般选用专利申请量作为当年技术产出指标。此外，中国专利划分为发明专利、实用新型专利和外观设计专利3种类型，其中发明专利技术含量与内涵价值最高，最能体现企业的技术创新水平。因此，本文采用发明专利的申请量作为制造企业的技术产出指标；（2）经济产出。企业数字化转型和创新活动的开展，最终要通过价值增值的形式来实现。作为市场主体，制造企业开展创新活动的最终目的在于通过技术改进、工艺更新和产品升级，实现利润最大化。因此，本文选择当年主营业务收入作为经济产出的衡量指标；（3）数字化产出。制造企业数字化转型也伴随着相应的产出，既包含技术产出也包括经济产出，本文选择数字化技术无形资产来衡量数字化产出水平。具体来说，上市公司财务报告附注披露的无形资产明细项中，包含的“软件”“网络”“客户端”“管理系统”“智能平台”等与数字化转型技术相关的无形资产加总（何帆和刘红霞，2019［7］），计算企业本年度数字化无形资产。

（3）创新环境变量

在三阶段DEA模型中，第二阶段采用似SFA模型剔除外部环境因素的影响，创新环境变量的选取主要遵循两个标准：一是不受样本主观控制；二是对样本的创新效率具有显著影响。因此，本文选择以下指标作为创新的环境变量：①数字经济环境。数字经济时代，围绕数据要素在数据的感知、传输、存储、分析和处理等方面加强数字基础设施建设是企业数字化转型的关键。数字经济发展水平和数字基础设施建设完善程度也是影响创新效率的重要因素。因此，本文借鉴潘为华等（2021）［8］的方法，从互联网普及率、互联网相关从业人员数量、互联网产出、移动互联网用户数、数字普惠金融发展指数五个方面构建指标体系，并采用熵值法赋权计算地级市的数字经济发展指数作为数字经济环境变量；②政府支持环境。已有关于创新效率的文献中，大都采用政府补贴作为政府支持的环境指标。然而，政府对企业的补助不仅包含了创新补助，还包含其他如环保、税收优惠等方面的补助。企业在获取政府补助后，具有一定的动机将政府补助用于创新之外的其他投入，因而不符合环境变量选取时不受主观控制的标准。因此，本文选择地方财政科学技术支出在财政支出中占比来衡量政府支持水平；③行业竞争环境。数字经济的发展推动了知识和信息在行业内的扩散，竞争越激烈的行业制造企业所生产的产品同质性越高，因而知识和信息的溢出效应越显著，创新扩散的效率一般也较高。本文采用赫芬达尔-赫希曼指数来衡量行业竞争程度，其计算方法为单个公司总资产所占行业市场份额；④教育环境。地区对教育的重视程度越高，人文环境和人口素质也相对较好，能够为创新提供有力的人才支撑。因此，本文选择地区财政中教育支出占比作为教育环境的衡量指标；⑤开放环境。数据要素具有非稀缺性、非均质性和非排他性的特质，数字技术的应用加速了创新信息的流动与共享，因此数字经济时代企业创新愈加体现为开放式创新。本文选用地区进出口总额占GDP的比重来衡量地区开放程度，开放程度越高，各类资源越容易聚集，企业能够更加容易获取创新信息，从而刺激创新水平和创新效率提升。

2.3 数据来源

本文研究对象为上市制造企业，时间跨度为2007-2020年，数据来源包含两个部分：一是反映制造企业创新投入产出的变量主要来自于国泰安数据库（CSMAR）和中国研究数据服务平台（CNRDS），其中反映数字化产出的指标通过整理上市制造企业年度财务报表附注中加总关于数字化无形资产余额所得，个别缺失指标数据通过整理上市公司年度报告进行补齐；二是反映制造企业创新环境变量的指标包含省域、城市、行业三个层次，其中反映数字经济、政府支持、教育环境的指标属于城市层面，相关数据来自于历年《中国城市统计年鉴》、各城市国民经济与社会发展统计公报；反映行业竞争的指标属于行业层面，相关数据来自于国泰安数据库中的赫芬达尔指数；反映开放环境的指标属于省域层面，相关数据来自于各省（自治区、直辖市）统计年鉴以及国民经济与社会发展统计公报。将企业层面的创新投入与产出变量按照时间以及所在省份、城市、行业分别匹配创新环境变量，得到2007-2020年上市制造企业创新效率测度的面板数据。个别指标缺失部分数据，采用线性插值法进行补齐。

3 制造企业创新效率的测算和分解

3.1 第一阶段：传统DEA模型实证结果

采用DEAP2.1软件，将2007-2020年2335家上市制造企业面板数据代入投入导向的BBC模型（规模报酬可变），测算未剔除环境因素和随机误差影响的制造企业创新效率，结果如表2所示。

表2 第一阶段传统DEA模型结果

从表2可以看出：（1）整体上看，综合效率是反映创新投入和产出是否达到最优配置的综合指标，2007-2020年制造企业综合创新效率较低，均值在0.2以下，且呈现出“U”型发展趋势。说明近年来，我国通过实施国家创新驱动战略，制造企业创新能力得到较大程度的增强，企业创新效率得到较大程度的提升。但是，相对美国、德国、日本等西方发达国家，我国的制造企业创新效率仍然处于较低水平。尤其在芯片、光刻机、核心工业软件等关键技术领域，虽然投入了大量研发资源，但是创新无法突破“卡脖子”的技术难题，关键技术仍然受制于人。综合效率较低的主要原因在于纯技术效率较低，2007-2020年制造企业纯技术效率平均值为0.2617。纯技术效率是剔除管理、技术等因素后的创新效率，当前制造企业纯技术效率离效率的前沿面还具有较大的距离，说明在内部管理、技术开发和引进等方面还存在改善空间；（2）分样本来看，2007-2020年国有制造企业的平均综合效率略高于民营企业，这与传统民营企业创新效率会显著高于国有企业的观点有一定差别。传统的研究中，多数学者是立足于工业经济时代，认为民营企业产权更为清晰、信息不对称水平更低、创新激励程度更为充足，因此创新效率会高于国有企业。在数字经济时代，随着中国混合所有制改革的推进，国有企业产权更加清晰，面向市场的竞争能力不断提高。尤其是国有企业数字化改革的加快，数字技术的应用有效改善了信息不对称程度，在上市国有企业中表现更为明显。在表2中表现为，国有制造企业纯技术效率略低于民营企业，且整体上的差距越来越小，国有企业的治理水平有明显提升。国有制造企业的规模效率仍显著高于民营企业，这是因为国有企业在融资、项目获取等方面具有一定优势，更容易形成规模效应。

3.2 第二阶段：似SFA模型实证结果

将第一阶段传统DEA模型的投入松弛变量作为被解释变量，分别以数字经济、政府支持、行业竞争、教育环境和开放环境作为自变量建立似SFA回归模型，运用Frontier4.1软件进行分析，实证结果如表3所示。

表3 第二阶段似SFA模型实证结果

表3可以看出，三个投入变量松弛值似SFA回归的Gamma值均接近1，说明随机误差对制造企业创新效率的影响效果有限，SFA回归模型设置较为合理。Likelihood检验结果表明，影响制造企业创新效率的环境因素较为显著，说明环境变量选择合理。具体而言：

（1）数字经济环境对人力投入和资金投入松弛变量影响显著为正，对物质投入松弛变量的影响显著为负。说明在数字经济时代，数据要素日益成为核心生产要素，传统的人力、资本要素的效率提升正逐步被数据要素所取代，如工业智能机器人的推广使用替代了传统劳动力，数字普惠金融替代了传统金融服务。然而，随着数字经济发展水平的提升，制造企业数字化转型水平并没有得到相应提升，对于数字技术的使用还不能满足创新效率提升的要求；（2）政府支持对人力资本松弛变量的影响显著为正，对物质投入和资金投入松弛变量的影响显著为负，说明政府在补贴、金融、税收等方面的资金支持政策能够有效降低物质和资金投入的松弛变量，从而提升创新的效率。在人力资本投入上，地方政府出台了一系列人才政策，但是各城市资源禀赋、区位条件不同，对于人才的吸引力度也大不相同。因此，人才资源集中于大城市和省会城市周围，三四线城市人才资源配置不均衡，整体上不利于创新效率的提升；（3）行业竞争对人力投入和资金投入松弛变量的影响显著为正，对物质投入松弛变量的影响显著为负。行业内竞争越激烈，制造企业具有更加强烈的动机通过技术创新来提升竞争力。制造企业利用自有资金和融资资金不断更新设备，改进技术，有利于创新效率的提升。然而，随着竞争程度的加剧，对于人才和资金的争夺力度也不断加强，整体上造成创新资源的浪费，不利于创新效率的提升；（4）教育环境对人力投入、物质投入和资金投入松弛变量的影响均为负，但对人力投入和物质投入松弛变量的影响在1%的水平上显著，对资金投入松弛变量的影响不显著。说明教育环境的改善，有利于制造企业员工技能水平的提升，培养管理者和员工的创新意识，从而提升创新效率；（5）开放环境对人力投入松弛变量的影响显著为正，对资金投入松弛变量的影响显著为负，对物质投入松弛变量的影响不显著。说明随着对外开放水平的提高，一方面存在着人才流失的现象，制造业高端人才缺失，关键技术领域难以突破，抑制了创新效率的提升。另一方面，外资流入有效改善了产业金融发展环境，为制造企业创新提供了外部资金来源渠道，有利于创新效率的提升。

3.3 第三阶段：调整后DEA模型实证结果

第二阶段似SFA回归分析可以看出，环境因素的存在对于不同创新资源投入的影响有所不同，造成处于不同环境的决策单元创新效率估计结果产生偏差。因此，在第三阶段剔除环境因素的干扰，采用DEA方法重新测算制造企业的创新效率，结果如表4所示。

表4 第三阶段调整后DEA模型结果

对比表2和表4可以看出：（1）从整体上看，剔除环境因素后制造企业创新效率有所提升，但仍处于较低水平，仍具备较大的提升空间。说明环境变量是影响创新效率的重要因素，通过改善数字经济发展中的创新环境，提升制造企业的数字化转型水平，能够有效降低创新资源的投入冗余，提升制造企业的创新效率。进一步分析发现，在调整后纯技术效率提升幅度和规模效率的降低幅度均较大，说明调整前综合效率较低的主要原因是管理和技术方面的原因，创新环境的改善主要通过提升制造企业的管理效率、技术适应能力等来提升创新效率。（2）分样本来看，在剔除环境因素和随机扰动项的影响后，民营企业能够更好的发挥其在产权、激励、治理方面的优势，相对于国有制造企业具有更高的综合技术效率。调整后，民营企业的纯技术效率要显著高于国有企业，而规模效率则要显著低于国有企业，这也在一定程度上验证了前文结论的正确性。

4 制造企业创新效率的影响因素分析

4.1 模型设定

前文采用三阶段DEA模型对数字化转型视角下的制造企业创新效率进行了测度，从分析结果可以看出，调整前后创新效率取值区间均为［0，1］，处于DEA的效率边界范围之类，若采用传统的OLS回归会导致估计结果不一致而存在偏误。因此，本文借鉴美国经济学家James Tobin（1958）［9］提出的归并模型展开研究，对制造企业创新效率的影响因素进行分析。模型构建如式（5）所示：

4.2 变量选择与描述性统计

（1）被解释变量。选择调整后的创新效率为被解释变量，2007-2020年上市制造企业创新效率平均为0.2061，整体而言创新效率较低。部分企业如长园集团、沃森生物和朗科科技在部分年份综合效率为1，航发控制、云内动力、东富龙等综合效率也较高，达到或接近了效率的前沿面。对创新效率进行分解发现，纯技术效率平均值为0.5209，远高于规模效率的平均值。说明虽然环境因素是影响创新效率的重要变量，但制造企业创新效率的提升应当主要通过管理的改善和技术的升级来实现。（2）解释变量。基于企业创新主体行为和特征，参考已有研究成果，兼顾变量数据的可获得性，选取企业规模（Size）、企业年龄（Age）、资产收益率（Roa）、负债结构（Debt）、股权集中度（Con）、机构持股（Ins）和独立董事比例（Inde）等变量作为被解释变量，考察制造企业创新效率的主要影响因素。主要变量定义及描述性统计如表5所示：

表5 变量描述性统计

4.3 实证分析结果

根据模型（5）的设定，采用STATA17软件进行回归，实证结果如表6所示。具体而言：（1）企业规模对创新效率的影响系数为0.0180，且在1%的水平上显著。按照“熊彼特假说”，一般而言大企业具有更加强烈的创新意愿通过生产技术的改进与商业模式的创新，来保持其在行业和领域内的竞争优势地位，因而研发产出会随着规模的扩大而扩大（Diniel和Ammon，2005［10］），对规模效率的影响更显著。另一方面，企业规模越大，创新信息传递的灵活性和通达性越低，更加有可能出现信息不对称的现象，导致创新活动的低效甚至失败（Rogers，2004［11］），因此在表6中体现为企业规模对纯技术效率的影响系数为-0.1183，且在1%的水平上显著。（2）企业年龄对综合效率、纯技术效率和规模效率的影响均为正，且都通过1%水平的显著性检验。企业年龄与其行业经验成正比（Coad等，2016［12］），企业年龄越长所拥有的资源和经验也越丰富，面对创新活动中各种不确定性的应变能力也越强，能够通过降低创新的成本和风险来提升效率。（3）资产收益率对综合效率、纯技术效率和规模效率的影响均为正，且都通过1%水平的显著性检验。制造企业创新的过程需要大量的资金，资产收益率和盈利能力越强的企业，资金越充沛，对创新的资金的保障能力也越强（张忠寿和朱旭强，2022［13］）。（4）负债结构对综合效率和规模效率的影响系数分别为0.0425、0.0594，且都在1%的水平上显著。负债融资是企业创新资金的重要来源之一，对创新活动的开展至关重要，对于企业创新规模效率的影响尤为显著（李海燕，2021［14］）。当负债率越高时，发生财务风险和危机的可能性也越大，因而在一定程度上会抑制经营者创新的动机，尤其是资金投入量较大的技术创新活动中这种抑制作用会更为明显（Czarnitzki和Kraft，2009［15］）。体现在表6中，负债结构对纯技术效率的影响系数为-0.0142。（5）股权集中度对综合效率、纯技术效率、规模效率的影响系数分别为-0.0004、-0.0005、-0.0006，且都在1%的水平上显著。股权集中与股权制衡构成了公司治理的基本框架，对企业创新活动的开展具有重要影响。在高度集中的股权结构中，控股股东会采取更为保守的创新策略规避创新活动中可能发生的风险（芦锋和赵雯雯，2020［16］），因而会在一定程度上抑制创新效率的提升。（6）机构持股对综合效率、纯技术效率和规模效率的影响均为负，且对纯技术效率的影响在1%的水平上显著。对于机构投资者而言，相对于企业内部投资者更加具备信息优势，有充足的动机和能力利用私有信息进行交易，通过消极参与管理干扰企业创新项目的理性决策，在一定程度上削弱企业的创新能力（Azar等，2018［17］）。（7）独立董事比例对综合效率和规模效率的影响系数为正，且至少在10%的水平上显著。对于纯技术效率的影响为正，但是不显著。通过独立董事制度，为企业管理者提供更多的专业知识和意见，降低代理成本，提升企业经营管理效率，从而提升企业创新能力（Balsmeier等，2017［18］）。

表6 Tobit模型回归结果

5 结论与启示

5.1 结论

基于2007-2020年中国制造业上市企业面板数据，采用三阶段DEA模型分析数字化转型视角下的企业创新效率，并运用Tobit回归模型考察制造企业创新效率的影响因素。主要结论如下：

（1）传统DEA模型结果显示，制造企业综合创新效率较低，呈现出“U”型发展趋势。综合效率较低的主要原因在于纯技术效率离效率的前沿面还具有较大的距离，在内部管理、技术开发和引进等方面还存在改善空间。（2）分样本来看，2007-2020年国有制造企业平均创新效率略高于民营制造企业。主要原因在于数字技术的广泛使用和国有企业混合所有制改革的深入推进，国有制造企业纯技术效率相对民营企业的差距越来越小，而在规模效率上始终保持较大的优势。因此，在数字经济时代，传统民营企业相对于国有企业的创新效率优势正逐步被替代。（3）似SFA模型的回归结果显示，数字经济、政府支持、行业竞争、教育环境和开放环境等是影响制造企业创新效率的重要外部环境因素。为真实反映制造企业创新发展和创新效率现状，在测算过程中有必要剔除环境因素的影响。（4）调整后DEA模型结果显示，整体上剔除环境因素后制造企业创新效率有所提升，但仍处于较低水平。说明通过环境的改善，制造企业在适应数字经济环境的能力得到提高以后，企业创新效率有所提升。此外，调整后纯技术效率提升幅度和规模效率的降低幅度均较大，说明调整前综合效率较低的主要原因是管理和技术方面的原因，创新环境的改善主要通过提升制造企业的管理效率、技术适应能力等来提升创新效率。（5）Tobit回归模型的结果显示，企业规模、企业年龄、资产收益率、负债结构、独立董事比例等因素对制造企业创新效率的影响系数均为正，且至少在1%的水平上显著。股权集中度和机构持股比例对综合效率的影响为负，但机构持股比例对综合效率的影响不显著，股权集中度对综合效率的影响在1%的水平上显著为负。

5.2 启示

基于三阶段DEA模型和Tobit回归模型的分析结果，为进一步提升制造企业数字化转型水平，改善制造企业创新环境，提升创新效率，本文提出如下政策建议：

（1）在数字化经济环境下，不断推进制造企业数字化转型，提升制造企业数字技术的应用能力。依托工业互联网、云计算、大数据等新一代数字技术引导企业重构制造企业技术创新体系，通过数据采集、传输和贡献，精准获取创新需求。通过数字技术的应用缓解信息不对称水平，提升研发决策的科学化、智能化水平，最终实现创新效率的提升。（2）通过进一步加大产业政策扶持力度，在创新投入上，从资金、人才等多方面支撑和强化制造企业的创新主体地位，提升企业创新效率。政府要创新财政科技资金使用方式，保证制造企业技术创新发展专项资金逐年增长、足额到位，从人才引进、研发补助等方面加大扶持力度。在创新产出上，构建政企学研协同创新平台，通过完善知识产权转化、科技成果的引进和转化、知识产权保护等体制机制，提升制造企业创新产出的效率。（3）进一步推动国有制造企业混合所有制改革，在发挥其规模效率优势的同时，通过提升国有企业管理效率，加强创新激励，优化国有企业创新环境。针对民营企业要在融资、政府采购等方面加强支持力度，保持其纯技术效率优势的同时，提升民营制造企业的规模优势。