中国高技术产业创新效率实证研究——基于面板随机效应Tobit模型的估计

张运华，高 晶

(江苏科技大学经济管理学院，江苏镇江212003)

高科技产业作为研究和开发密集型产业，具有高研发投入和高创新性两大特点.新世纪以来，我国的高科技产业发展迅速，对经济增长的带动作用日益增强.作为国民经济的重要支柱，技术的载体和转化媒介，高科技产业的持续、健康发展对于产业结构提升和经济发展方式转变均具有重要意义，更是衡量一个国家综合国力的重要标志.目前，学术界对于高科技产业技术创新效率研究已经积累了相当的基础，取得了丰硕的成果.文献［12］运用数据包络分析方法(data envelopment analysis，DEA)分析了高新技术产业的效率，但并未考虑影响效率的环境因素;文献［34］利用随机前沿的方法对中国高技术产业创新效率进行了实证分析，考虑到创新产出是一个多指标体系，单纯的随机前沿方法并不能同时有效地进行处理，这样会掩盖产出指标之间可能存在的关联性;文献［5］从价值链的角度出发，构建规模报酬可变情形下的两阶段链式关联DEA模型，分析了中国28个省份高技术产业的效率，但并未对高新技术领域的各行业进行分析.文献［6］利用两阶段DEA模型，对1999～2007年我国高技术产业的技术创新效率进行了测度，但没有考虑到投入和产出之间存在的滞后问题，从而对研究结果的准确性带来一定影响.文献［7］运用三阶段的DEA模型研究高技术产业研发创新效率，但其使用的是截面数据，局限在于除了没有考虑投入和产出之间的滞后问题，也不能利用面板数据所包含的信息优势，从而会导致研究结论产生偏差.

简单的数据包络分析法并没有考虑测度问题给数据带来的随机误差，而是将所有存在的随机误差认为是效率的不同，从而导致数据的偏差越多，平均效率的偏差也会越大.随机前沿函数法虽然对于无效率项的影响因素进行了考虑，但其对于多产出的情况，只能分别进行处理，然后进行汇总分析.两阶段DEA模型，第一阶段运用传统的DEA模型得出效率值;在第二阶段将第一阶段效率值作为产出，同时引入虚拟投入变量，用于评价综合效率值.虽然两阶段DEA模型将环境因素纳入模型，但无法剥离环境及误差因素对效率的影响，结果仍不具有可比性.针对以上模型存在的不足，文中采用基于面板随机效应Tobit模型，在有效控制环境因素和随机误差的基础上，同时考虑了投入与产出之间的滞后问题，在此基础上对我国高新技术产业的创新效率进行深入的探讨.

1 研究思路

1.1 第一阶段:传统DEA模型

本阶段将采用投入导向下的规模报酬可变(BCC)模型进行分析.投入导向就是在保证产出不变的情况下达到投入的最小化.之所以采用BCC模型，是由高科技产业知识、技术密集以及高投入的特点决定的.在技术环境影响下尽量减少不必要的投入、降低负产出，对于优化资源配置乃至产业机构的升级都是十分必要的.由于BCC模型已经是一个相当成熟的DEA模型，这里就不再加以描述.

1.2 第二阶段:利用Tobit模型量化环境因素的影响

在Fried等的三阶段DEA模型中，认为第一阶段传统DEA模型分析得到的投入产出松弛变量受到三项因素的影响，即随机因素、环境因素和管理效率.第二阶段则通过构建类似SFA模型来分别观测以上三个因素的影响.投入差额的公式表示如下:

sij=xij－Xiλ≥0，i=1，2，…，m，j=1，2，…，n

式中:sij为第一阶段运算得出的第j个决策单元的第i种投入的差额，xij为第j个决策单元的第i种投入的实际值，Xiλ为第j个决策单元的最佳投入值.

考虑到第一阶段传统DEA模型所估计出来的投入差额变量值最小为零，不可以为负值的情况，故会产生数据截断(censored data)的问题，因此，文中采用Tobit截断回归模型来取代SFA回归模型［8］.Tobit模型的定义为:

为了控制环境和随机扰动因素的影响，需要对投入变量进行调整.文中则以环境最差的决策单元为标准，把处于不同环境的决策单元调整至处于相同的环境.调整公式如下:

1.3 第三阶段:使用调整后的数据进行DEA评价

将第二阶段调整后得到的投入值和第一阶段原始的产出值重新应用BCC模型进行技术效率评估.由此得到的各决策单元的效率值即为剔除了环境因素及随机影响因素后的技术效率值，即仅剩下管理因素影响的效率值.从而对比第一阶段更能反映各决策单元的实际运营情况.

2 变量的选取及数据来源

2.1 投入产出指标的选取

创新产出.文中创新产出用两个指标来衡量，即新产品销售收入和申请专利数.新产品销售收入代表产业创新成果的转化能力，能够客观反映高技术产业研发所形成的新产品的竞争力;而申请专利数是高技术产业研发的直接产出，可以充分反映拥有自主知识产权的设计和科技成果的情况［9］.

创新投入.劳动力的投入和资本投入是研究投入产出效率的常用指标，文中同样使用劳动和资本投入作为创新投入.对于高技术产业创新效率来说，研发劳动的投入与研发费用的投入对其有着直接的影响，也是最主要的影响因素.文中采用各行业的R＆D人员全时当量和R＆D经费内部支出作为创新投入变量，分别用于反映高技术产业在研发中人力资源的投入量和资金的投入量［3］.17个高技术行业包括:①化学药品制造，②化学药品原药制造，③化学药品制剂制造，④生物生化制品制造，⑤航空航天器制造，⑥通信设备制造，⑦雷达及配套设备制造，⑧广播电视设备制造，⑨电子器件制造，⑩电子元件制造，○11家用视听设备制造，○12其他电子设备制造，○13电子计算机及办公设备制造，○14电子计算机整机制造，○15电子计算机外部设备制造，○16医疗设备及器械制造，○17仪器仪表制造.

此外，在R＆D效率分析中，由于研发具有滞后效应和周期性，不能采用同年的投入和产出数据.R＆D投入与它的产出实现之间的时间滞后结果可以从未来几年的产出变量的变动中观察到.在高新技术产业中，R＆D投入与产出之间的平均时滞为3年［10］.因此，文中采用时滞为3年，投入数据的考察时期为1996～2008年，产出数据的考察时期为1999～2011年.

2.2 环境指标的选取

对于环境变量的选取，选取那些对高技术产业效率产生影响但不在样本主观可控范围内的因素.借鉴文献［11］，选择的环境变量包括:①行业企业数(NE)，这一变量反映了该行业的市场结构状态，企业数越多表明市场竞争力越强;②平均企业规模(AS)，该变量反映行业的市场规模状态，平均企业规模越大，越有能力进行技术创新;③政府资助(GS)，采用科技活动经费筹集额中政府资金指标表示，反映政府的直接财政支持力度.由于技术创新具有较大的风险性，政府直接资金资助从一定程度上分担了高技术产业创新的部分风险，从而鼓励了企业技术创新活动的深入进行.④金融扶持(FS)，采用科技活动经费筹集额中金融机构贷款数表示.这一变量反映了金融体系的资金支持力，金融体系较高的资源配置能力和风险管理功能能够显著提高技术创新的收益.⑤行业R＆D密集度(IRD)，反映行业整体的更新发展速度，行业更新速度越快，对技术创新的依赖程度越高.⑥平均技术人员(AT)，反映行业创新意愿，具有较高创新意愿的行业创新活跃性也就越强［12］.文中数据均来源于历年《中国高新技术产业统计年鉴》.

2.3 相关数据调整

1 )对与价格相关的数据指标数据进行调整.由于通货紧缩或膨胀会造成与价格相关的指标数据的虚增或虚减，尤其是在时间序列较长时，影响更大.所以为了更准确地反映高技术产业的真实运行情况，对指标数据进行调整，从而剔除价格因素的影响.文中利用固定资产投资价格指数来对与价格相关的R＆D经费内部支出和新产品销售收入等指标数据进行价格平减，使得数据之间更加具有可比性.

2 )R＆D经费投入的累积性和滞后性.对于高科技产业来说，当年的R＆D经费投入对当年的绩效产出产生影响，而往年的R＆D经费投入所形成的经验和知识的积累会对产业未来的科技产出产生深远的影响.所以，采用R＆D经费内部支出存量来替代当年的R＆D经费内部支出值.

采用永续盘存法计算1995～2008年各年R＆D内部支出经费存量，计算公式为:Kt=Kt－1(1－δ)+It.其中，Kt为当年R＆D内部支出经费存量;Kt－1为前一年的R＆D内部支出经费存量;It为当年按不变价格调整后的R＆D内部支出经费流量;δ为折旧率，参照国际惯例，把它设定为15%.数据的描述性统计见表1.

表1 数据的描述性统计Table1 Descriptive statistics of data

3 实证结果与分析

综合运用投入导向的CCR模型和BCC模型，分别求得高技术产业17个分行业第一阶段和第三阶段的平均创新效率(Ee)、配置效率(Ae)、研发效率(Te)、纯技术效率(PTE)与规模效率(SE)，从这3个方面来综合分析各行业的技术创新效率.利用DEAP 2.1，Stata 12.0软件计算各效率值，计算结果见表2.

表2 第一阶段与第三阶段创新效率、研发和配置效率平均值Table2 Average innovation efficiency，R＆D efficiency and allocative efficiency of the first stage and the third stage

由表2可得，①高技术产业各部门研发效率与配置效率高低不均，由于研发效率或者要素配置效率低下，导致高技术产业各部门的创新效率不高.进一步细分行业中，除家用视听设备制造业、电子计算机外部设备制造业和医疗设备及器械制造业的研发效率处于生产前沿面上外，其余各个行业的效率值都不在前沿面上.②剔除环境因素和随机影响因素之后，研发效率有所上升，由原来的0.881上升到0.889，但配置效率却下降了，导致创新效率依然较低.可见，外部环境因素虽然促进了配置效率提高，却降低了研发效率.2000年以来，对于我国高技术产业，一直强调市场机制对于资源配置的重要作用，逐渐减少行政直接干预，但是却以创新效率的降低为代价.考虑到规模报酬因素对于高技术产业生产创新的重要性，进一步将创新研发效率分为纯技术效率与规模效率(表3).可见，较低的纯技术效率是研发效率不高的主要原因.

表3 第一阶段与第三阶段DEA估计结果Table3 DEA estimates of the first stage and the third stage

表4 各行业第一阶段与第三阶段效率值分布Table4 Distribution of efficiency value of the first stage and the third stage

从表3，4可知，对比分析第一阶段和第三阶段分别测算的结果，可以明显看出剔除环境因素和随机影响因素之后，各DMU效率表现发生很大改变，表现为纯技术效率值的显著上升和规模效率值的略微下降，且最终促使研发效率稍微有所提升，并且规模效率和纯技术效率之间的差距显著缩小了.这意味着单纯从可控的管理效率角度来看，高技术产业各个技术部门的技术研发创新能力和要素配置的损耗被低估，也说明环境和随机影响因素对创新效率存在显著影响，但对不同的效率值的影响方向存在着差异.由于第三阶段测算的效率值为剔除掉不可控的环境和随机影响因素的创新效率值，因此各个行业处于相同的外部环境下，其结果更具有可比性.从高技术产业17个分行业的效率表现的平均情况来看，第三阶段研发效率均值与第一阶段相比有所上升，由原来的0.881上升到0.889，同时纯技术效率均值也有所上升，由0.924上升到0.943，而规模效率均值则有一定下降，由第一阶段的0.955下降到调整后的0.943.根据公式Te=PTE*SE，结果说明我国高技术产业技术创新所带来的收益有一部分被规模的低效率抵消了.此外，对比第一、三阶段各高技术行业所处的规模状态可以发现，各高技术行业的规模状态由第一阶段的三种规模报酬状态并存转变为规模报酬递增状态占多数，而其它规模状态占少数的情况.对比调整前后结果发现，在剔除环境和随机影响因素之后，各高技术行业各部门技术创新效率水平高低不等，除家用视听设备、电子计算机外部设备、医疗设备、器械3个行业综合技术效率较高，接近于1外，其他行业综合效率普遍相对较低，且行业间效率差距高低不等.无论市场是否处于完全竞争情况下，技术创新效率最高的行业都为家用视听设备、电子计算机外部设备及医疗设备及器械3个行业，最低的分别为航空航天器制造业和广播电视设备制造业.

此外，对中国高技术产业调整前与调整后的创新效率进行了时序分解(图1).从图1中可以看出，调整后的研发效率值相对调整前的综合效率值较高，除在1999～2000年之间有小幅度的下滑之外，其余年份研发效率水平在逐渐改善.在1997～1999年之间，研发效率值上升较快，其主要动力来源于纯技术效率的快速上升，而2000年之后，研发效率值的稳健上升主要动力来源于规模效率值的平缓上升.

图1 研发创新效率时序变化图Fig.1 Temporal variation of the R＆D innovation efficiency

从规模报酬阶段来看(表5)，调整前我国高技术产业技术创新效率以规模报酬递减(4个，23.53%)与规模报酬不变(6个，35.29%)为主，而调整后主要表现为以规模报酬递增为主(11个，64.70%)，可见我国高技术产业技术创新现正处于规模报酬递增的阶段.

表5 第一阶段与第三阶段规模报酬阶段Table5 Scale reward stage of the first stage and the third stage

为了更清楚地表达高技术产业各大行业的效率分布，以0.9为临界点，按照规模效率与纯技术效率对各行业的创新类型进行分类，如表6所示.

表6 各行业规模效率与纯技术效率分布Table6 Distribution of scale efficiency and pure technical efficiency

表6将各高技术产业各大行业的创新模式分为4种类型.类型一:规模效率和纯技术效率均高于0.9的“双高型”［7］，此类行业包括医药制造业、化学药品制剂制造业、生物生化制品制造业等9个行业.这几个行业的规模效率和纯技术效率都较高，所需要的改进较少.类型二:规模效率高于0.9，而纯技术效率低于0.9的“高低型”，主要包括化学药品原药制造业、航空航天器制造业、电子器件制造业等5个行业.这些行业今后的发展重点应该是改进管理和制度水平，大力提高纯技术效率，从而有效提高生产力.类型三:规模效率低而纯技术效率高的“低高型”，主要包括雷达及配套设备制造业、广播电视设备制造业、其他电子设备制造业3个行业.这些行业规模效率均低于0.9，而纯技术效率在0.9以上，这类行业今后提高技术效率的重心应该放在进一步改善并创新规模从而提升规模效率上.最后一种类型是规模效率和纯技术效率均低于0.9的“双低型”，没有行业属于这一类型，可见我国高科技行业不断发展与改善取得了显著的效果.

4 结论

文中为了使结果更为可靠，在测算高技术产业的创新效率时，对数据的选择方面使用了面板数据，对方法的选择方面使用的三阶段的DEA模型，同时兼顾到了投入与产出之间的滞后问题.实证研究的结果表明，与传统的DEA测算方法相比较，在剔除随机误差影响因素和环境因素之后，研发效率有所上升，但配置效率却下降了，导致创新效率依然较低;同时，在考虑随机误差影响因素和环境因素的情况下，规模效率有所降低，但是纯技术效率却有了显著的提高，制约研发效率的主要因素由原先的纯技术效率改变为后来的规模效率.这一结论从一个侧面反映了我国的高技术产业市场有一个普遍存在的问题:即企业数量过多、而规模过小，从而严重阻碍了我国高技术产业研发创新技术效率的进一步提升.因此，促进我国高技术企业做强做大是未来这一段时间内我国高技术产业市场面临的主要结构调整的方向.各高技术行业可以根据自身规模效率和纯技术效率的特点，有针对性地扩大创新生产规模或提高管理水平，从而快速有效地促进我国高技术产业创新研发效率水平的整体提升.

高新技术产业创新能力是一个国家创新能力的重要标志，文中提出如下政策建议:①高新技术产业创新效率提升，不能仅仅关注“技术”维度，缺乏对于资源配置角度的关注，也即“市场”维度.应进一步理清市场与企业之间的关系，加大放权，为企业的创新营造良好的外部环境.所以，当务之急是发展和完善市场机制，促进资源要素的自由流动，充分发挥市场配置资源的效率.②政府对于高技术产业的政策支持要尽量权衡配置效率与研发创新技术效率，研发创新技术效率的提高不能以配置效率的降低为代价，并且在促进研发创新技术效率提升时，要尽量避免规模效率和配置效率的损失.在充分发挥市场资源配置效用的基础上给予适当的政策引导，从而促进高技术产业的创新与发展.③高技术产业创新效率的提升不仅依赖市场与政府政策的支持，更依靠企业家及企业家精神的存在，企业家及企业家精神能够刺激社会零碎的知识、技术资源的整合，从而更大发挥知识、技术资源的配置和利用效率，发展和振兴高技术产业.

References)

［1］ 陈伟，康鑫，冯志军.区域高技术产业知识产权运营效率研究:基于DEA和TOPSIS模型的实证分析［J］.科学学与科学技术管理，2011，32(11):125130.

Chen Wei，Kang Xin，Feng Zhijun.Research on the regional high-tech industries operation efficiency of intellectual property based on the perspective of DEATOPSIS［J］.Science of Science and Management of S＆T，2011，32(11):125130.(in Chinese)

［2］ 官建成，陈凯华.我国高技术产业技术创新效率的测度［J］.数量经济技术经济研究，2009(10):1933.

Guan Jiancheng，Chen Kaihua.Measuring innovation performance of Chinese high-tech industries［J］.The Journal of Quantitative＆Technical Economics，2009 (10):1933.(in Chinese)

［3］ 韩晶.中国高技术产业创新效率研究［J］.科学学研究，2010，28(3):467472.

Han Jing.An empirical analysis on China’s high-technology industry innovation efficiency based on SFA［J］.Studies in Science of Science，2010，28(3):467472. (in Chinese)

［4］ 蓝庆新.我国高新技术产业创新效率的经验分析: 20012008年［J］.财经问题研究，2010(10):2632.

Lan Qingxin.An empirical study of innovation Efficiency in China’s high-tech Industry 20012008［J］.Research on Financial and Economic Issues，2010(10):2632.(in Chinese)

［5］ 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):8598.

Xiao Renqiao，Qian Li，Chen Zhongwei.Research on the innovation efficiency and Its affecting factors in China’s high-tech industries［J］.Journal of Management Science，2012，25(5):8598.(in Chinese)

［6］ 黄舜，管燕.基于过程的高技术产业技术创新效率测度［J］.工业技术经济，2010，29(1):9297.

Huang Shun，Guan Yan.Emciencymeasure of high-tech industry rechnical innovation based on the process［J］.Journal of Industrial Technological Economics，2010，29 (1):9297.(in Chinese)

［7］ 刘川.我国高技术产业研发创新效率研究——基于三阶段DEA方法［J］.工业技术经济，2012(12):1925.

Liu Chuan.Research on the R＆D efficiency of high-tech industry based on the three-stage DEA［J］.Journal of Industrial Technological Economics，2012(12):1925.(in Chinese)

［8］ 罗彦如，冉茂盛，黄凌云.中国区域技术创新效率实证研究三阶段DEA模型的应用［J］.科技进步与对策，2010，27(14):2024.

Luo Yanru，Ran Maosheng，Huang Lingyun.Empirical study on efficiency of China’s regional technical innovation:an application of three-stage DEA model［J］.Science＆Technology Progress and Policy，2010，27(14): 2024.(in Chinese)

［9］ 景保峰，周霞，吕健权.广东省高技术产业研发效率实证研究［J］.技术经济与管理研究，2011(10):96100.

Jing Baofeng，Zhou Xia，LüJianquan.The empirical stud on R＆D efficiency of high-technology industries in Guangdong Province:based on stochastic frontier analysis approach［J］.Technology Economics＆Management Research，2011(10):96100.(in Chinese)

［10］ Hagedoorn J，Cloodt M.Measuring innovative performance:is there an advantage in usingmultiple indicators［J］.Research Policy，2003(32):13651379.

［11］ SimarL P W.Estimation and inference in two-stage，semi-parametric models of production processes［J］.Journal of Econometrics，2007，136:3164.

［12］ 成力为，孙玮，王九云.要素市场不完全视角下的高技术产业创新效率:基于三阶段DEAWindows的内外资配置效率和规模效率比较［J］.科学学研究，2011，29(6):930938.

Cheng Liwei，Sun Wei，Wang Jiuyun.High-tech Innovation efficiency under the condition of incomplete factor market:on the perspective of scale and allocation efficiency based on three-stage DEAWindow［J］.Studies in Scienceof Science，2011，29(6):930938.(in Chinese)