战略性新兴产业技术创新效率及影响因素研究

[摘 要：文章以2013—2022年新能源汽车产业链上的44家上市公司为研究对象，运用DEA-BCC模型和DEA-Malmquist模型，分别从静态和动态视角测度其技术创新效率，并构建Tobit模型，分析影响其技术创新效率的内外部因素。研究发现：受规模效率和纯技术效率制约，新能源汽车产业技术创新效率整体偏低；研发费用加计扣除优惠对技术创新效率具有显著促进作用，所得税税收优惠和财政补贴对技术创新效率作用不理想；专利存量、企业规模、企业年龄和企业性质均对技术创新效率具有显著促进作用，研发人员、企业成长和财务杠杆对技术创新效率作用不理想。由此，提出鼓励兼并重组、强化知识产权保护、优化财税政策供给等对策建议。

关键词：战略性新兴产业；新能源汽车；技术创新；技术创新效率；财税政策；DEA模型

中图分类号：F426.471；F273.1 文献标识码：A 文章编号：1007-5097（2024）12-0054-11 ]

Efficiency and Influencing Factors of Technological Innovation in

Strategic Emerging Industries：

From the Perspective of the New Energy Vehicle Industry

CHENG Xiazhen， TANG Xiaoting

（Department of Economics Teaching&Research， Party School of the Anhui Provincial Committee of the Communist Party of

China （Anhui Academy of Governance）， Hefei 230022， China）

Abstract：This article uses 44 listed companies in the new energy vehicle industry chain from 2013 to 2022 as the research subjects， utilizes the DEA-BCC model and DEA-Malmquist model to measure its technological innovation efficiency from both static and dynamic perspectives， and builds a Tobit model to analyze the internal and external factors affecting this technological innovation efficiency. According to the research findings， as constrained by scale efficiency and pure technical efficiency， the overall efficiency of technological innovation in the new energy vehicle industry is relatively low. The additional tax deduction for R&D expenses has a significant promoting effect on technological innovation efficiency， while income tax incentives and fiscal subsidies have an unsatisfactory effect on technological innovation efficiency. Patent stock， enterprise size， enterprise age， and enterprise nature all have a significant promoting effect on technological innovation efficiency， while R&D personnel， enterprise growth， and financial leverage have an unsatisfactory effect on technological innovation efficiency. Based on this， we propose strategies and suggestions such as encouraging mergers and acquisitions， strengthening intellectual property protection， and optimizing fiscal and tax policy provisions.

Key words：strategic emerging industries; new energy vehicle; technological innovation; technological innovation efficiency; fiscal and tax policies; DEA model

一、引 言

2023年7月以来，习近平总书记在四川、黑龙江、浙江、广西等地考察调研时提出，要整合科技创新资源，引领发展战略性新兴产业和未来产业，加快形成新质生产力。新质生产力是创新起主导作用，摆脱传统经济增长方式、生产力发展路径，具有高科技、高效能、高质量特征，符合新发展理念的先进生产力质态，是以全要素生产率大幅提升为核心标志，特点是创新，关键在质优，本质是先进生产力［1］。2024年政府工作报告强调，要“实施产业创新工程，完善产业生态，拓展应用场景，促进战略性新兴产业融合集群发展”［2］。由此可见，战略性新兴产业是引领未来发展的新支柱、新赛道，科技创新是推动经济高质量发展的主引擎、主动能。因此，积极研究并着力提升我国战略性新兴产业技术创新效率，对促进新质生产力发展、助力中国式现代化建设意义重大。

战略性新兴产业，如新能源产业、节能环保产业、高端装备制造业、新一代信息技术产业等［3］，对发展新质生产力作用显著，对经济社会发展影响重大。其中，新能源汽车产业一直是国家政策扶持的重点。自2015年起，其产销量节节攀升（见表1所列），2023年产销量占全球比重超过60%，已实现量的突破，如今正迈步向全球价值链高端攀升［4］。随着互联网、大数据、人工智能等多种变革性技术的融入，我国新能源汽车产业创新有效重塑了汽车产业生态，促进了经济社会绿色发展，切实推动我国从汽车大国向汽车强国迈进。但不可否认的是，我国大部分新能源汽车企业仍存在自主研发投入力度不大、产业创新氛围不浓、核心技术创新能力不强等问题。国务院办公厅在《新能源汽车产业发展规划（2021—2035年）》中，将加大关键技术攻关、提高技术创新能力放在首要位置，充分彰显了技术创新在新能源汽车产业可持续发展中的重要性［5］。因此，客观评价我国新能源汽车产业技术创新效率，剖析影响技术创新效率的主要因素并探究应对之策，对于促进我国新能源汽车产业健康发展十分必要。

二、文献综述

（一）技术创新效率界定的研究

Afriat（1972）［6］基于产出视角认为，在一定资源条件下，技术创新效率是指技术最佳产出与实际创新产出之间的差距，差距越大，技术创新效率越低，差距越小，技术创新效率越高；Fritsch和Slavtchev（2010）［7］基于投入产出视角，将技术创新效率的概念延伸至区域层面，通过关联区域研发投入和产出构建效率测度模型，认为只要在一定的创新投入中获得最大创新产出，则该区域的技术创新活动就是有效的；吕海萍和池仁勇（2016）［8］认为，技术创新效率就是多种创新要素投入向创新产出转换的投入产出概念；方正起等（2019）［9］认为，技术创新效率是企业创新资源有效配置和技术创新活力的重要体现，也是企业生产经营能力的核心支撑。结合国内外学者的相关研究，本文认为，企业在技术创新活动中，其技术创新效率不仅表明了各项投入与产出之间的内在联系，而且也反映了实际的技术创新活动与生产前沿面的接近程度，在投入一定时，产出离生产前沿面的距离越近，效率越高，反之则越低。

（二）技术创新效率测度方法研究

刘志辉等（2022）［10］认为，技术创新效率测度方法一般基于生产前沿面分析。根据生产前沿面的参数是否需要估计，可分为两种方法：一是参数法，主要是随机前沿分析法（SFA），适用于生产函数能够确定的情形下，用于单投入单产出或多投入单产出评估研究，因其准确性较高，受到部分学者青睐。如尹述颖和陈立泰（2016）［11］、易明等（2019）［12］基于SFA方法，分别对中国医药企业技术创新效率和中国高新技术产业创新效率进行了研究。二是非参数法，主要是数据包络分析法（DEA），适用于生产函数不易确定情形下的多投入多产出分析，因其更符合技术创新活动实际，故被多数学者采用。如刘顺忠和官建成（2002）［13］、官建成和何颖（2005）［14］、吴传清等（2017）［15］采用数据包络分析法，以行政区域为考察对象，测算了我国各省份技术创新效率情况；而肖仁桥等［16-17］则以产业为研究对象，采用数据包络分析法测算了我国高新技术产业技术创新效率情况。

（三）技术创新效率的影响因素研究

影响技术创新效率的因素纷繁众多，不同学者从不同视角进行了研究，归纳起来主要包括内部因素和外部因素两个方面。其中，内部因素主要与企业自身生存和发展的特性相关，如研发人员［18］、财务杠杆［5］、专利存量［19］、企业规模［20］、成长能力［21］、企业年龄［21］、企业性质［18］等，这些因素短期内往往不易改变；外部因素主要与企业外部经济社会状况和变化情况相关，涵盖政治、经济、文化、科技等多方面因素，如政策环境［21］、市场环境［19］、环境规制［19］等，这些影响因素因地而异，因时而变。特别值得关注的是，由于政府是创新系统顶层设计的主体，是引领创新战略方向、塑造创新环境的根本力量，因此，基于技术创新的正外部性和不确定性，考虑财税政策对技术创新效率的影响至关重要，一些学者［22-24］对此作了大量研究。

本文可能的边际贡献在于：一是现有研究主要聚焦于区域创新效率和高技术产业创新效率，而针对某一产业特别是新能源汽车产业的技术创新效率研究不多，本文对此作了有益探索；二是在对影响产业技术创新效率的外部因素进行研究时，涉及财税政策的分析，现有研究大多关注财政补贴和税收优惠政策，对研发费用加计扣除优惠较少涉及，本文在探究财政补贴和税收优惠政策的同时，更着力关注研发费用加计扣除优惠政策成效，以期对新能源汽车产业提升技术创新效率有所助益，为政府制定新能源汽车产业财税政策提供参考。

三、研究假设和研究框架

企业技术创新效率受内部因素和外部因素的综合影响。在众多影响因素中，内部因素主要体现为企业的研发人员、财务杠杆和专利存量，外部因素着重体现在财税政策［18-19，21］上。因此，本文将由财政补贴、税收优惠和研发费用加计扣除三部分构成的财税政策作为主要外部因素，将研发人员、财务杠杆和专利存量三个核心变量作为内部因素，着力研究它们对企业技术创新效率的影响。

（一）财政补贴、税收优惠和研发费用加计扣除对企业技术创新效率的影响

依据古典经济学理论，完全的市场竞争虽能使社会资源达到最优配置，但外部性问题的存在使其难以实现帕累托最优效应。由于企业技术创新活动具有正外部性，因此，完全依靠市场自发调节，其创新资源配置很难实现最优。杜斌等（2017）［25］认为，新能源汽车企业创新成果存在非市场性扩散现象，其溢出效应可使其他创新主体受益而企业自身并未从中获得经济补偿或得不偿失。肖鹏和代龙涛（2023）［26］认为，技术创新成果不仅具有溢出效应，而且具有不完全可收益性，由此导致企业技术创新存在“市场失灵”，即私人收益率低于社会收益率，研发投入和产出均低于社会最优水平。

为提升技术创新效率，政府通常运用财税政策矫正“市场失灵”，引导企业技术创新的方向、速度和规模，支持企业增强技术创新动力、能力和信心。事实上，财政补贴和税收优惠正是用来弥补企业正外部性的［27］。财税政策影响企业技术创新效率的渠道有两种：一是增加企业技术创新的现金流。张建顺和解洪涛（2022）［28］认为，财政补贴和税收优惠不仅能帮助企业缓解融资压力、提升产出成效，还能激励企业增加创新投入、增强创新动力。二是降低企业技术创新风险。周振等（2024）［29］认为，研发费用加计扣除不但能分担企业创新风险、减轻企业创新顾虑、提高企业对创新风险的承担能力，而且能释放激励信号，降低外部投资者对创新的风险预期，刺激外部资金加入，进而提升企业技术创新效率。因此，本文提出假设1。

H1：财政补贴、税收优惠和研发费用加计扣除均对企业技术创新效率具有正向影响。

（二）内部因素对企业技术创新效率的影响

影响企业技术创新效率的内部因素虽然很多，但核心因素是研发人员、财务杠杆和专利存量。

1. 研发人员对企业技术创新效率的影响

内生经济增长理论认为，人力资本是影响经济增长的内生因素，而技术创新则是经济持续增长的发动机。王美红等（2008）［30］认为，依托人力资本的知识创新，可促进技术创新，并作用于经济增长；于晓宇等（2007）［31］认为，技术创新过程，知识含量密集，资金投入不可少，研发人员是关键；黄寰等（2015）［32］认为，企业技术创新与研究部门的劳动力正相关，与研发人员设计研究的能力正相关；刘金涛（2017）［33］认为，企业技术创新离不开知识型人才，并最终落实到以研发人员为典型代表的人员身上。

研发人员影响企业技术创新效率的渠道有两种：一是直接效应，二是间接效应。秦天如等（2018）［34］认为，在企业创新要素投入中，研发人员直接决定着企业技术创新能力和水平，决定着企业技术创新成败和效率；张树满和原长弘（2022）［35］认为，科技人员是科技创新主体，能将隐性知识转化为显性知识，创造并应用新的技术知识，最终影响技术创新效率；Soh和Grover（2022）［36］认为，企业研发人员的新思路、新观点可催生新技术、新产品，企业能否取得技术优势，关键在于研发人员创新能力的显露，而企业能否提升创新效率，关键在于研发人员核心作用的发挥。因此，本文提出假设2。

H2：研发人员对企业技术创新效率具有正向影响。

2. 财务杠杆对企业技术创新效率的影响

陈华东（2016）［37］认为，技术创新投入大、周期长、风险高，需要利用财务杠杆来优化资金配置，确保现金流支撑；Brown等（2009）［38］提出，根据优序融资理论，应首选内部融资，但Hall（2002）［39］认为，内部融资不稳定，容易中断技术创新活动进程，因此，王玉泽等（2019）［40］提出，应借助财务杠杆，吸纳外部资金来保障技术创新现金流；曾国安等（2023）［41］认为，使用财务杠杆要适度，较高的财务杠杆会增加企业财务风险和破产风险，加重委托代理问题和经营环境的不确定性；辜胜阻和庄芹芹（2016）［42］认为，债务比例上升意味着财务成本增加，债务融资越多，风控要求越高，企业技术创新活动越受限；吴延兵（2012）［43］认为，在高杠杆条件下，企业高管会倾向于成本低、收益快的项目，其投资偏好会抑制技术创新效率的提升；周勤和盛巧燕（2004）［44］认为，企业杠杆率过高，财务稳定性就会降低，融资信誉也会受到影响，会给企业技术创新带来更多的不确定性。因此，本文提出假设3。

H3：财务杠杆对企业技术创新效率具有反向影响。

3. 专利存量对企业技术创新效率的影响

内生增长理论代表人物Romer（1990）［45］认为，新知识的生产不仅取决于研发投入，还取决于对知识存量的有效利用；龙小宁和王俊（2015）［46］认为，专利是企业知识产出的重要组成部分，是衡量企业自主创新能力的重要维度；肖仁桥等（2015）［47］认为，专利存量是企业技术创新实力的体现，对企业新技术研发具有良好的促进作用；袁礼等（2024）［48］认为，依托专利存量的专利质押，可为企业创新提供融资，从而缓解企业融资约束；俞剑和刘晓光（2024）［49］认为，专利质押可发挥担保价值，获得银行资金支持，从而拓宽了企业融资渠道，有利于企业技术创新效率的提升；Saidi和Zaldokas（2021）［50］认为，基于信息不对称，专利存量成为彰显企业创新能力的重要信号，从而增强银行和风险投资等金融机构投资企业技术创新的信心；Hochberg等（2018）［51］认为，基于专利质押，风险投资对企业的支持是一种可信承诺，也向外传递了企业有良好创新行为的信号，从而有利于促进企业技术创新效率的提升。因此，本文提出假设4。

H4：专利存量对企业技术创新效率具有正向影响。

除了研发人员、财务杠杆和专利存量三个内部核心因素外，企业规模、企业成长、企业年龄和企业性质四个内部一般因素也对企业技术创新效率产生影响，此部分内容在下文“控制变量”中详细说明。

综上所述，本文研究框架如图1所示。

四、研究设计

（一）样本选择与数据来源

1. 样本选择

新能源汽车产业链主要由上游企业、中游企业、下游企业及后期服务企业四部分构成。上游企业一般从事资源采集业务，如锂矿、钴矿、稀土、石墨的开发生产等；中游企业重在动力研制与拓展，如动力电池、电驱和电控的研发创新等；下游企业主要是指汽车零部件生产、整车制造等企业；后期服务企业通常包括充电桩制造与运营以及电池回收等企业。本文以新能源汽车产业链上已在A股上市的公司为研究对象，剔除其中被ST、*ST的企业，以及数据缺失或财务指标明显异常的企业（净利润率大于100%、资产负债率小于0或大于1），最终选取44家有代表性的上市公司作为研究样本，通过数据收集与整理，分别获取其在2013—2022年的平衡面板数据，共计440个样本观测值。

2. 数据来源

本文数据主要来源于东方财富Choice数据库，专利申请数据来源于国家知识产权局的检索系统，研发人员和研发费用数据来源于巨潮资讯网公布的上市公司年报，财政补贴数据采用公司财务报告中的“政府补助”。

（二）模型构建

1. DEA-BCC模型

在采用数据包络分析法（DEA）测度企业技术创新效率时，有两种导向：一是投入导向，基于一定的产出水平，致力于降低投入水平；二是产出导向，基于一定的投入水平，致力于提高产出水平。由于新能源汽车产业技术创新具有不确定性，其产出情况不易把控。因此，本文选择投入导向的DEA-BCC模型来测度其技术创新效率。

DEA-BCC模型将测度效率的组织称为决策单元。假设有n个决策单元（j＝1，2，3，…，n），每个决策单元均有m种投入（i＝1，2，3，…，m）和s种产出（r＝1，2，3，…，s）。若用xij代表第j个决策单元DMUj的第i种投入量，用yrj代表第j个决策单元DMUj的第r种产出量，则决策单元DMUj的投入向量为Xj＝（x1j，x2j，x3j，…，xmj），产出向量为Yj＝（y1j，y2j，y3j，…，ysj）。借鉴相关研究成果［52］，评价决策单元（DMU）有效性的对偶形式的DEA-BCC模型如式（１）所示。

[Minθ-ε∑sr=1s+r-∑mi=1s-is.t.∑nj=1λjxij+s-i=θxi0， i=1，…， m ∑nj=1λjyrj-s+r=yr0， r=1，…， s ∑nj=1λj=1， λj， s-i， s+r≥0] （1）

其中：λj表示单位组合系数；ε表示非阿基米德无穷小量；[s-i]和[s+r]分别表示投入与产出维度的松弛变量；θ表示综合技术效率（crste），包含纯技术效率（vrste）和规模效率（scale），且crste＝vrste×scale。综合技术效率（crste）反映决策单元对投入资源的配置利用情况，当crste=1时，说明决策单元在此投入产出下，综合技术效率有效，即纯技术效率（vrste）和规模效率（scale）同时有效。纯技术效率（vrste）是指企业由于管理和技术方面的原因带来的生产效率，当vrste=1时，说明在当前技术水平下，资源被有效利用，反之则相反。规模效率（scale）是衡量企业生产效率的重要指标，它反映企业实际规模与最佳生产规模之间的差距，如果scale<1，表明企业未达到最佳生产效率，处于规模无效率的状态，需要据实调整投入产出规模。

2. DEA-Malmquist模型

DEA-BCC模型旨在考察企业某一静态时间内的综合技术效率，要动态分析多个决策单元多投入、多产出、多时期的技术创新效率变化情况，还需引入DEA-Malmquist模型。DEA-Malmquist模型是一种基于效率测度的非参数方法，可基于面板数据，以决策单元的定向输入和定向输出定义距离函数，通过距离函数计算投入产出效率，并动态分析多个决策单元相对效率的变化趋势［53］。其输出变量的距离函数表达式如式（2）所示。

[D0（x，y）=inf{δ：（x，y）/δ∈p（x）}] （2）

其中：x表示输入矩阵元素；y表示输出矩阵元素；D0（x，y）为输出变量的距离函数；δ表示输出效率标量；p（x）表示所有可行的生产效率可能集合。t时期到t+1时期Malmquist生产率指数（以下简称Malmquist指数）M（xt+1，yt+1，xt，yt）如式（3）所示。

[M（xt+1， yt+1， xt， yt）=Dt0（xt+1， yt+1）Dt0（xt， yt）×Dt+10（xt+1， yt+1）Dt+10（xt， yt）12] （3）

其中：xt和yt分别表示第t时期投入值与产出值；xt+1和yt+1分别表示第t+1时期投入值与产出值；D0t（xt，yt）和D0t（xt+1，yt+1）分别表示第t时期和第t+1时期的距离函数。Malmquist指数M（xt+1，yt+1，xt，yt）可进一步分解为技术效率变动与技术进步变动的乘积，分解后的Malmquist指数如式（4）所示。

[TFP=M（xt+1， yt+1， xt， yt）=Dt0（xt+1， yt+1）Dt0（xt， yt）×Dt+10（xt+1， yt+1）Dt+10（xt， yt）12=Dt+10（xt+1， yt+1）Dt+10（xt， yt）×Dt0（xt+1， yt+1）Dt+10（xt+1， yt+1）×Dt0（xt+1， yt+1）Dt+10（xt， yt）12=Effch×Tech] （4）

上式中，TFP为全要素生产率，TFP＝Effch×Tech。其中：Effch为技术效率变动，表示t时期到t+1时期技术创新能力与规模变化程度；Tech为技术进步变动，表示t时期到t+1时期由技术进步引起的效率变化。技术效率变动（Effch）又可分解为纯技术效率变动（Pech）与规模效率变动（Sech），前者是规模报酬变动情况下的效率之比，后者是指规模经济对全要素生产率（TFP）的影响。此时，Malmquist指数如式（5）所示。

TFP = Effch × Tech = Pech × Sech × Tech （5）

当Malmquist指数>1时，表明从t到t+1时期的效率增长率为正，即TFP呈上升趋势；当Malmquist指数<1时，表明从t到t+1时期的效率增长率为负，即TFP呈下降趋势；当Malmquist指数=1时，表明TFP不变。

3. Tobit模型

基于DEA-BCC模型测算出的技术创新效率，是在0～1之间截断的离散分布值，属于受限制的被解释变量，此时若仍采用传统最小二乘法分析，难免估计结果有偏或不一致［54］。为有效避免这一问题，在分析内外部因素对技术创新效率的影响时，大多数学者运用Tobit模型，如韩斌等（2023）［19］、白俊红（2011）［20］。标准Tobit模型如下：

[Yi=βTXi+ei，βTXi+ei>00，βTXi+ei<0] （6）

其中：Yi为被解释变量，是受限制的观测值，只能在一定条件下被观测到（当Yi>0，无限制的观测值均取实际的观测值；当Yi≤0，受限制的观测值均取0）；[βT]是估计参数向量；Xi是解释变量向量；ei是误差项，服从正态分布，且ei～N（0，σ2）。

（三）数据变量

1. 投入与产出变量

投入变量主要包括新能源汽车企业的研发费用和研发人员；产出变量包括知识产出和经济产出，主要用企业专利数量来代表知识产出，用主营业务收入来代表经济产出，具体见表2所列。

2. 影响因素

（1）被解释变量。本文被解释变量为技术创新效率。借鉴韩斌等的研究［19，21.29］，采用上述DEA-BCC模型测度的综合技术效率（crste）作为衡量指标。

（2）核心解释变量。由上述分析可知，新能源汽车产业技术创新效率受内部和外部因素的共同影响。由于新能源汽车企业相关的税收优惠主要涉及车辆购置税、车船税、增值税和企业所得税等，首先排除以消费者为对象的车辆购置税和车船税优惠，其次排除增值税退税优惠，只考虑企业所得税税收优惠。参考相关研究［5，18-19］，本文选取所得税税收优惠、研发费用加计扣除、财政补贴、研发人员、财务杠杆以及专利存量作为核心解释变量。

（3）控制变量。借鉴相关研究［18-20，29］，本文选取企业规模、企业6QJAqw9+L1lp4uV3J2mPyBe+DV9dELa/zz5ffyojTuo=成长、企业年龄和企业性质作为控制变量。①企业规模（size）。在技术创新活动中，不同规模的企业具有不同特点，占据不同优势［54］。总体而言，规模大的企业，拥有资源配置相对丰沛的优势；规模小的企业，可能在创新方面机制灵活［55］。②企业成长（grow）。技术创新投入与企业成长有明显的正相关关系，具有较高成长性的企业会更加注重创新效率的提高［56］。③企业年龄（age）。新老企业在技术创新方面具有明显差异，企业年龄越长，其行业资源和管理经验往往就会越多，信息获取和决策管理方面的优势也就越大，这无疑有利于技术创新效率的提升。④企业性质（prop）。不同产权性质的企业，其经营管理理念不尽相同，风险管控方式差异较大。国有企业的经理人为了追求个人利益最大化，可能对风险大、周期长的技术创新活动积极性不高；而非国有企业由于面临更大的市场竞争压力，进行技术创新的意愿会更强，创新效率可能会更高。

为控制异方差，本文对有关变量作对数处理（企业成长、企业年龄和企业性质除外）。各变量的具体定义见表3所列。

五、实证分析

（一）新能源汽车产业技术创新效率测度

1. DEA-BCC模型的静态分析

根据DEA-BCC模型，借助DEAP2.1软件，通过对样本数据的整理与输入，本文测度出2013—2022年新能源汽车产业链上的44家上市公司的技术创新效率，其有关平均值如图2所示。

由图2可知，新能源汽车产业技术创新效率总体发展趋势呈倒“N”型走势。具体来说，其综合技术效率、纯技术效率和规模效率均值分别围绕0.4、0.5和0.8上下波动；综合技术效率偏低，且和纯技术效率走势基本一致；纯技术效率始终低于规模效率，处于较低水平。由于纯技术效率主要反映企业在既定投入下实现产出最大化或在既定产出下实现投入最小化的能力，因此，新能源汽车产业纯技术效率不高，表明其技术创新活动中的管理效率不高。纯技术效率的提升，依赖于企业管理方式优化和管理水平的提高。

2. DEA-Malmquist指数的动态分析

基于DEA-Malmquist指数的动态分析，旨在进一步探究新能源汽车产业在技术逐步升级过程中效率的变动情况［56］。当Malmquist指数大于1，表明新能源汽车产业经营绩效呈上升趋势；当Malmquist指数小于1，表明新能源汽车产业经营绩效呈下降趋势。相关结果见表4所列。

由表4可知，2013—2022年新能源汽车产业年均全要素生产率为0.985，年均增长率为-1.5%，总体效率不高。究其原因，一方面，就全要素生产率而言，其技术效率变动均值为0.974，年均增长率为-2.6%，技术进步变动均值为1.011，年均增长率为1.1%，表明全要素生产率的下降主要应归咎于技术效率的降低；另一方面，就技术效率而言，其纯技术效率变动均值为0.988，年均下降1.2%，规模效率变动均值为0.986，年均下降1.4%，表明技术效率下降主要应归咎于纯技术效率和规模效率的双降态势。由此可见，新能源汽车产业全要素生产率下降，不仅是因为企业存在经营规模不大、管理水平不高、发展方式不活等问题，而且是因为企业面临资源配置不优、资源利用效率不高等问题。

（二）新能源汽车产业技术创新效率影响因素分析

1.建立Tobit模型

为进一步分析内外部环境等相关因素对新能源汽车产业技术创新效率的影响，本文借鉴相关研究［19-20］，建立Tobit模型。以技术创新效率（IE）作为被解释变量，根据前文所述，选取所得税税收优惠（taxb）、研发费用加计扣除（rded）、财政补贴（gos）、研发人员（peop）、财务杠杆（leve）、专利存量（pate）作为核心解释变量，选取企业规模（size）、企业成长（grow）、企业年龄（age）、企业性质（prop）作为控制变量，设定Tobit模型如下：

[IEit=β0+β1taxbit+β2rdedit+β3gosit+β4peopit+β5pateit+β6leveit+β7sizeit+β8growit+β9ageit+β10propit+εit] （7）

其中：IEit表示技术创新效率（i代表决策单元，即企业；t代表时间，即年份）；β0为常数项；β1—β10为各变量回归系数；εit为随机扰动项。

2. 变量描述性统计

本文采用Stata15进行相关分析，变量的描述性统计结果见表5所列。

3. Tobit回归结果分析

依据上述结论，结合企业相关特征指标，本文采用Tobit模型，对新能源汽车产业技术创新效率影响因素进行回归分析，结果见表6所列。

由表6可知，从外部影响因素来看，财税政策的不同支持方式对技术创新效率具有不同影响。研发费用加计扣除在1%的水平上对技术创新效率具有显著促进作用，可能是因为新能源汽车产业从政府导向过渡到市场导向阶段后，很多企业逐渐意识到技术创新是企业的核心竞争力，所以该政策能更进一步激励企业增加研发投入。因此，研发费用加计扣除对企业技术创新效率具有正向影响的假设得以验证。财政补贴对技术创新效率具有正向促进作用但在统计上不显著，而所得税税收优惠在1%的水平上对技术创新效率提升具有显著抑制作用。所得税税收优惠和财政补贴对技术创新效率作用不理想，究其原因可能是因为上述资金的获得都需要通过政府资质认定，实施过程难免会受外在因素干扰，使用过程也难免监督不到位、处罚不及时，优惠资金挪作他用也不鲜见，导致相关政策效果不佳。因此，财政补贴和税收优惠对企业技术创新效率具有正向影响的假设未得到验证。

从内部影响因素来看，不同企业因自身特性不同，各因素对技术创新效率的影响也不尽相同。首先，从三个核心因素来看，研发人员在1%的水平上对技术创新效率提升有显著抑制作用，原因可能是新能源汽车企业研发人员结构与创新活动需求不匹配，人力资本水平尚未达到促进其技术创新的“门槛”，“非关键人才”的冗余会造成创新资源浪费，由此阻碍了技术创新效率的提高，H2未得到验证。财务杠杆对技术创新效率提升有负向影响但在统计上不显著，可能是因为企业在技术创新时，受信息不对称和代理问题等影响，缺乏资金支持和投资机会，难以拓展其发展空间，所以最终阻碍了技术创新效率的提升，H3未得到验证。专利存量在1%的水平上显著促进企业技术创新效率的提高，可能是因为企业专利存量越多，可协调的创新资源就越优，其创新活动优势越大，创新效率也就越高。因此，H4得以验证。其次，从四个一般因素来看，企业规模在1%的水平上对企业技术创新效率有显著促进作用，可能是因为规上企业的专利存量相对较多，资源整合能力较强，其经营管理能力和商业化操作水平也相对较高，从而有助于企业技术创新效率的提高；企业成长在10%的水平上对技术创新效率提升有抑制作用，可能是因为企业成长并趋于稳定后，具有高风险性和不确定性的技术创新会影响企业整体架构的稳固，从而不利于企业技术创新效率的提高；企业年龄在1%的水平上对技术创新效率有显著促进作用，可能是因为企业成立时间越长，积累的资源就越多，管理经验越成熟，就越有利于技术创新效率的提升；企业性质在1%的水平上对技术创新效率有显著促进作用，可能是因为国企政策待遇好、发展基础厚、经营环境优，拥有更多的技术创新资源和较强的风险承担能力，肩负着更高的职责和更强的使命担当，所以在创新驱动发展战略大背景下，无论是从技术实力还是从创新要求来看，其技术创新活动相对民营企业而言，总体上更加有力并深受激励，这无疑极大地促进了企业技术创新效率的提升。

六、结论及对策

（一）结论

本文以2013—2022年新能源汽车产业链上的44家上市公司为研究对象，通过DEA模型，测度其技术创新效率，并运用Tobit模型，探析技术创新效率的影响因素，具体结论如下：

第一，DEA-BCC模型的静态分析显示，新能源汽车产业的综合技术效率不高，主要缘于其纯技术效率低下，意味着技术创新活动的组织管理能力和水平不高。

第二，DEA-Malmquist指数的动态分析显示，新能源汽车产业全要素生产率下降主要受技术效率降低拖累，而导致技术效率下降的主要原因在于纯技术效率和规模效率的双降态势。这表明，新能源汽车产业全要素生产率下降，不仅在于企业存在管理水平不高、经营规模不大等问题，还在于企业存在资源配置不优、利用效率不高等问题。

第三，新能源汽车产业技术创新效率的Tobit回归结果表明，从外部影响因素来看，在财税政策中，研发费用加计扣除对技术创新效率具有显著促进作用，所得税税收优惠和财政补贴对技术创新效率作用不理想；从内部影响因素来看，不同因素对技术创新效率的影响具有差异性，专利存量、企业规模、企业年龄和企业性质均在1%的水平上显著促进企业技术创新效率的提高，而研发人员和企业成长分别在1%和10%的水平上对技术创新效率提升有抑制作用，财务杠杆对技术创新效率提升有负向影响但不显著。

（二）对策

基于上述结论，本文提出以下对策建议：

第一，鼓励兼并重组，强化产业集聚，提升管理效率，推动新能源汽车产业形成规模优势。当前，新能源汽车企业数量众多但规模不大、管理分散且效率不高，其产业发展未能真正形成规模化、集群化发展态势。管理效率不高会导致技术效率下降，规模效率不高会对企业技术创新效率提升有显著影响。因此，应大力发挥市场主导作用和政府引导作用，支持优势企业兼并重组，完善僵尸企业退出机制，激励新能源汽车企业集聚发展，提高产业集中度，促进管理现代化；大力夯实产业基础，推动创新要素集聚，促进各类新能源汽车企业融通发展，形成规模优势，并选树龙头骨干企业，发挥其示范带动作用，不断提高管理水平，优化资源配置，提升创新效率，实现可持续健康发展。

第二，用好专利存量，强化技术合作，保护知识产权，推动新能源汽车产业技术创新平台建设。产业的专利存量对提升技术创新效率作用显著，应最大限度依托行业整体优势，充分发挥产业专利存量效用，建立互惠互利的企业专利共享平台；打破产业链企业间技术壁垒，降低技术交易成本，促进企业技术合作，构建新能源汽车产业共融共生的创新发展平台；强化知识产权保护，加大侵权行为查处力度，并构建知识产权服务体系，为企业技术创新和专利申请提供坚实的法治保障，为催生形成更多高价值核心产品探索更多协同创新模式，努力搭建合作共赢的专利转化运用平台。

第三，细化税收优惠，优化财政补贴，增强研发激励，推动新能源汽车产业技术创新高质量发展。基于技术创新的正外部性和不确定性，外部环境影响特别是政府的财税政策，对新能源汽车产业的技术创新可谓至关重要。因此，政府应进一步提升财税政策的精准性，减少所得税税收优惠和财政补贴力度，以便更好地发挥财政资金“四两拨千斤”的引导作用；加大研发费用加计扣除优惠力度，提高财政资源配置效率；进一步注重财税政策的有效性，着力提升财政资金使用效率，有效激励企业增加研发投入，壮大创新动能，以技术创新效率提升推动企业高质量发展。

参考文献：

［1］习近平.发展新质生产力是推动高质量发展的内在要求和重要着力点［J］.求是，2024（11）：4-8.

［2］李强作的政府工作报告（摘登）［N］.人民日报，2024-03-06（3）.

［3］林丽鹂.聚焦新兴产业8个领域和未来产业9个领域——为新产业定标准、促发展［N］.人民日报，2024-01-03（2）.

［4］金永花.新发展机遇期我国新能源汽车产业链水平提升研究［J］.经济纵横，2022（1）：83-90.

［5］李朋林，王婷婷.政府补贴对新能源汽车产业发展的促进作用——基于技术创新效率视角的评价［J］.地方财政研究，2021（8）：86-96.

［6］AFRIAT S N. Efficiency Estimation of Production Function［J］. International Economic Review，1972，13（3）：568-598.

［7］FRITSCH M，SLAVTCHEV V. How Does Industry Specialization Affect the Efficiency of Regional Innovation Systems？［J］.The Annals of Regional Science，2010，45（1）：87-108.

［8］吕海萍，池仁勇.基于产业波及效应视角的9ff42ecfcd300e235adf1a57550b2da5浙江省战略性新兴产业技术创新效率研究［J］.科技管理研究，2016，36（21）：91-97，122.

［9］方正起，张宝承，秦杰.创新价值链视角下我国上市军工企业技术创新效率评价研究［J］.经济与管理评论，2019，35（6）：37-48.

［10］刘志辉，席崇俊，杨岩.基于动态网络SBM模型的区域科技创新效率测度方法研究［J］.情报科学，2022，40（7）：145-153.

［11］尹述颖，陈立泰.基于两阶段SFA模型的中国医药企业技术创新效率研究［J］.软科学，2016，30（5）：54-58.

［12］易明，彭甲超，吴超.基于SFA方法的中国高新技术产业创新效率研究［J］.科研管理，2019，40（11）：22-31.

［13］刘顺忠，官建成.区域创新系统创新绩效的评价［J］.中国管理科学，2002（1）：75-78.

［14］官建成，何颖.基于DEA方法的区域创新系统的评价［J］.科学学研究，2005（2）：265－272.

［15］吴传清，黄磊，文传浩.长江经济带技术创新效率及其影响因素研究［J］.中国软科学，2017（5）：160-170.

［16］肖仁桥，钱丽，陈忠卫.中国高技术产业创新效率及其影响因素研究［J］.管理科学，2012，25（5）：85-98.

［17］宛群超，杨晓岚，邓峰.中国省域高技术产业创新效率的收敛性及其影响因素研究——基于空间经济学视角［J］.科技管理研究，2018，38（8）：80-86.

［18］范琳，姜娟.中国新能源汽车企业创新效率研究——SBM—Tobit两阶段模型［J］.生产力研究，2023（6）：24-30.

［19］韩斌，冯筱伟，苏屹，等.中国新能源汽车上市公司创新效率测度及影响因素研究——基于三阶段DEA与Tobit面板模型［J］.科技进步与对策，2023，40（6）：110-120.

［20］白俊红.企业规模、市场结构与创新效率——来自高技术产业的经验证据［J］.中国经济问题，2011（5）：65-78.

［21］孙健夫，贺佳.财税支持政策对新能源汽车产业研发效率的效应分析［J］.软科学，2021，35（1）：56-61.

［22］HONG J，FENG B，WU Y R，et al. Do Government Grants Promote Innovation Efficiency in China's High-Tech Industries？［J］.Technovation，2016，57/58：4-13.

［23］张帆，孙薇.政府创新补贴效率的微观机理：激励效应和挤出效应的叠加效应——理论解释与检验［J］.财政研究，2018（4）：48-60.

［24］罗雪婷.政府补助对高技术企业技术创新效率的影响研究——基于东中西区域的门槛分析［J］.调研世界，2020（10）：33-41.

［25］杜斌，张治河，李斌.健全技术创新的市场导向机制：动态最优、福利分配与补偿机制——弥合技术创新溢出效应的视角［J］.经济管理，2017，39（3）：63-75.

［26］肖鹏，代龙涛.财政补贴、税收优惠与创新激励：效应分析与政策启示［J］.经济与管理评论，2023，39（5）：21-35.

［27］路春城，王翠翠，姜常梅.政府补贴、创新投入与制造业企业全要素生产率［J］.经济与管理评论，2023，39（1）：50-61.

［28］张建顺，解洪涛.财政补贴分配方式变革能促进企业创新吗？［J］.科研管理，2022，43（10）：61-70.

［29］周振，陶欣然，应望江.财税政策对新能源汽车产业研发效率的影响分析［J］.华东经济管理，2024，38（6）：12-20.

［30］王美红，孙根年，康国栋.我国自然资本、人力资本与经济资本的空间错位及组合分析［J］.软科学，2008（8）：1-5，10.

［31］于晓宇，谢富纪，彭鹏.知识管理与高技术企业技术创新模式的耦合性机理研究［J］.情报科学，2007（2）：302-305.

［32］黄寰，王玮，曾智.基于DEA－Malmquist指数的四川创新科技效率评价分析［J］.软科学，2015，29（10）：131-135.

［33］刘金涛.知识管理、人才管理和技术创新的耦合模型分析［J］.软科学，2017，31（9）：97-100.

［34］秦天如，康玲，梁文群.绿色低碳发展视域下人力资本的创新效应研究——基于区域工业企业面板数据的实证研究［J］.中国人力资源开发，2018，35（4）：107-117.

［35］张树满，原长弘.制造业领军企业如何培育关键核心技术持续创新能力？［J］.科研管理，2022，43（4）：103-110.

［36］SOH F，GROVER V. Leveraging Platform Boundary Resources：The Role of Distributed Sensemaking［J］. Journal of Management Information Systems，2022，39（2）：366-394.

［37］陈华东.管理者任期、股权激励与企业创新研究［J］.中国软科学，2016（8）：112-126.

［38］BROWN J R，FAZZARI S M，PETERSEN B C. Financing Innovation and Growth：Cash Flow，External Equity，and the 1990s R&D Boom［J］.The Journal of Finance，2009，64（1）：151-185.

［39］HALL B H. The Financing of Research and Development［J］. Oxford Review of Economic Policy，2002，18（1）：35-51.

［40］王玉泽，罗能生，刘文彬.什么样的杠杆率有利于企业创新［J］.中国工业经济，2019（3）：138-155.

［41］曾国安，苏诗琴，彭爽.企业杠杆行为与技术创新［J］.中国工业经济，2023（8）：155-173.

［42］辜胜阻，庄芹芹.资本市场功能视角下的企业创新发展研究［J］.中国软科学，2016（11）：4-13.

［43］吴延兵.国有企业双重效率损失研究［J］.经济研究，2012，47（3）：15-27.

［44］周勤，盛巧燕.企业破产成本的研究综述［J］.经济学动态，2004（6）：84-88.

［45］ROMER P M. Endogenous Technological Change［J］. Journal of Political Economy，1990，98（5）：71－102.

［46］龙小宁，王俊.中国专利激增的动因及其质量效应［J］.世界经济，2015，38（6）：115-142.

［47］肖仁桥，王宗军，钱丽.我国不同性质企业技术创新效率及其影响因素研究：基于两阶段价值链的视角［J］.管理工程学报，2015，29（2）：190-201.

［48］袁礼，周燕，戴鹏毅.专利质押对企业技术创新的影响研究［J］.科研管理，2024，45（6）：174-182.

［49］俞剑，刘晓光.专利权质押与企业创新［J］.经济理论与经济管理，2024，44（1）：55-70.

［50］SAIDI F，ZALDOKAS A. How Does Firms′ Innovation Disclosure Affect Their Banking Relationships？［J］. Management Science，2021，67（2）：742-768.

［51］HOCHBERG Y V，SERRANO C J，ZIEDONIS R H. Patent Collateral，Investor Commitment，and the Market for Venture Lending［J］. Journal of Financial Economics，2018，130（1）：74-94.

［52］BANKER R D，CHARNES A，COOPER W W. Some Models for Estimating Technical and Scale Inefficiencies in Data Envelopment Analysis［J］. Management Science，1984，30（9）：1078-1092.

［53］安勇，王拉娣.金融要素扭曲、地方政府行为与创新效率缺失［J］.数理统计与管理，2022，41（1）：135-147.

［54］韩庆潇，杨晨，顾智鹏.高管团队异质性对企业创新效率的门槛效应——基于战略性新兴产业上市公司的实证研究［J］.中国经济问题，2017（2）：42-53.

［55］龚立新，吕晓军.政府补贴与企业技术创新效率——来自2009—2013年战略性新兴产业上市公司的证据［J］.河南大学学报（社会科学版），2018，58（2）：22-29.

［56］吴文清，赵黎明.中国火炬计划项目的效率现状及动态效率分析［J］.软科学，2012，26（2）：1-5.

［责任编辑：余 芳］