基于DEA方法的中国人工智能上市企业创新效率实证研究

王 进，王丽珊

(延安大学经济与管理学院，陕西延安716000)

一、引言

21世纪高科技领域最前沿的人工智能是新一轮产业变革和科技革命的着力点，世界各国纷纷对人工智能的发展给予高度重视，力图在科技竞争中抢占先机。为抓住人工智能发展机遇，中国已将人工智能纳入国家发展战略层次。《中国制造2025》立足全球产业发展大势，提出将以人工智能为重要依托的智能制造作为打造世界制造强国的主攻方向。《新一代人工智能发展规划》掀起新一轮热潮，提到人工智能产业应坚持“三步走”战略不断增强创新能力，在2030年将中国打造成世界主要的人工智能创新中心。为使人工智能充分发挥对经济、社会发展的带动效应，党的十九大报告明确提出要进一步推动互联网、人工智能和实体经济深度融合发展。人工智能在核心技术和典型应用上均已呈现爆发式进展，并与国家发展战略相契合，立足于新时代来大力发展人工智能是推动国民经济高质量增长和提高国际竞争力的必要举措。创新是实现技术突破、推进企业发展的第一驱动力，而创新效率是影响创新能力的直接因素。在创新活动中企业的各项投入保持一定的情况下，创新产出越多，则企业的创新效率就越高，创新能力也就越强。这也就意味着，企业的创新效率是由创新投入与产出的相对有效性决定的。所以，要实现人工智能企业创新能力的全面提升，首先需要准确把握企业的创新效率，这对人工智能企业成长关系重大。基于人工智能的重要性和促进其产业发展的必要性，需要对人工智能企业的创新效率展开研究。

随着近几年来人工智能的发展和应用，关于人工智能的文献研究也有所增多，主要是围绕人工智能及产业发展的重要性、前景和促进发展的相关措施。关于人工智能及产业发展的重要性，多数研究指出人工智能的发展会引导产业变革、推动经济结构的转型升级和人类社会的智能化发展[1]；关于人工智能的发展前景，有研究表明“AI+X”的发展前景十分广阔[2]，人工智能依靠强大的赋能性，势必会对金融、医疗、服务等众多领域均产生巨大影响；关于促进人工智能及产业发展的措施，多数学者倾向于加强政府和企业的双向互动[3]，进而从政府、企业和协会三个方面着手对人工智能的关键技术领域进行深入研究，同时充分利用人才和创新发展机制，加速培育人工智能产业的核心竞争力，使人工智能的影响效应得到充分且有效的发挥。在知识经济时代，创新作为知识投入和产出，是发展经济的关键。企业的持续创新和创新效率的提升，对经济增长质量的影响十分显著，并且对绿色发展水平、产业结构优化程度等也有着深刻影响。当前，具有核心竞争力的企业不断涌现，企业间日益密切的国际化合作更为创新效率的提高提供了无限可能。研究指出，企业通过创新不断制造出新产品、新工艺来开拓新市场，还能通过提升企业管理水平、改善内部组织结构来提高生产效率，从而推动经济高质量增长；企业创新的规模报酬递增效应和替代效应均可以减少污染排放、降低能源类要素所占比重，进而提高绿色发展动能；企业创新还能通过影响供给结构、需求结构以及传统的工业产业，进一步细化社会分工、推动资源转移和产业升级，逐步优化产业结构。关于企业的创新效率，已有部分学者采用实证手段对其进行了研究。在研究方法上，对于企业创新效率的测度，应用最多的就是DEA方法。在研究对象上，有学者对中国物联网上市公司[4]、七大装备制造业[5]、军工企业[6]以及煤炭企业[7]等各类型企业的创新效率进行了实证测算，并从不同的角度出发进一步提出了提高企业创新效率的发展建议，但鲜有针对人工智能企业的实证分析。可见，学术界对于人工智能企业的已有研究多偏重于定性分析层面，缺乏定量分析，此外，针对其他领域企业创新效率的实证研究已取得一定进展，然而几乎没有文献对人工智能企业的创新效率进行实证探讨，基于此，本文以16家具有代表性的人工智能上市企业为研究对象，采用2011—2017年的面板数据，基于DEA模型来测算其创新效率，以期为提高人工智能企业创新效率和核心竞争力、推动人工智能企业高质量发展提供依据。

二、模型设计、指标选取、样本与数据

(一)模型设计

在传统线性模型中多是有多个投入指标和一个产出指标，然而多数企业的运营、生产等活动非常复杂，往往涉及多项投入和多项产出，显然依靠传统线性模型是不适合的。通过研读相关文献，关于企业创新效率的研究最典型且最有效的方法是数据包络分析法(DEA)。该方法在1978年由Charnes，Cooper和Rhodes提出，是对多投入、多产出及多个决策单元进行效率评价最为常用的方法之一，其原理在于：假设有n个决策单元，即DMU，且DMUj(1≤j≤n)均有m种投入和s种产出，每个DMUj均有对应的效率评价指数：

在此基础上，构建出CCR模型：

(1)

对(1)式进行转化，并引进松弛变量s+和剩余变量s-，即得到(2)式，如下：

(2)

在(2)式中，若θ=1且s+=0、s-=0，是DEA有效，即DMU处在生产前沿面上；若θ=1且s+≠0、s-≠0，说明DMU是DEA弱有效；若θ<1，说明DMU是DEA无效。

因人工智能上市企业在创新方面的边际收益具有一定程度的不确定性，这就需要在CCR模型的基础上构建BCC模型，以对规模收益变动情况下的各DMU进行效率评价，得到：

(3)

(二)指标选取

测算某一个企业的创新效率，通常都会选取创新投入和产出两方面的指标，在借鉴国内学者选取创新投入、产出指标的基础上，本文基于投入产出角度对人工智能上市企业的创新效率进行测算。在投入方面，主要从劳动投入和资本投入来衡量企业的研发投入，选取了3个投入指标，分别是：(1)研发人员数量，(2)研发投入金额，(3)固定资产，该指标能较好地反映企业总体规模的大小。在产出方面，这里选取营业收入和净利润作为产出指标，该指标不仅能很好地反映人工智能企业的运营和获利能力，还能反映出企业真实的发展和成长状况。具体指标体系见表1。

表1 人工智能企业创新效率指标体系

(三)样本与数据

1.样本与数据来源

本文以国内人工智能上市企业为研究对象，剔除数据不全且数据披露不足6年的部分企业，又因为DEA模型在数据方面要求较为严格，要求决策单元中不能有负值存在，再次对部分企业予以剔除，最终选取出具有代表性的16家人工智能上市企业，时间跨度是7年。从企业的年度报告获得这16家人工智能上市企业在2011—2017年的研发人员数量和研发投入金额，从企业的财务报表获得固定资产、营业收入和净利润等数据。

2.描述性统计

在此对2011—2017年这16家人工智能上市企业的指标数据做了描述性统计，详细情况见表2。通过表2可以看到，在创新投入方面，研发人员数量、研发投入金额、固定资产的均值呈递增趋势，导致了标准差也较大的状况。在产出方面，营业收入和净利润的最小值和最大值存在巨大差异，这一差异导致了均值、标准差也普遍较大。

表2 人工智能上市企业相关指标的描述性统计

三、实证结果及其分析

(一)创新效率评价

利用DEAP2.1软件对16家人工智能上市企业的相关数据加以处理，运行得出各个上市企业的crste、vrste、scale和规模收益等各方面的情况，对近7年来人工智能上市企业的创新效率进行比较分析，整理出的结果见表3。

表3 2011—2017年人工智能上市企业创新效率测度值

表3中，当综合效率值为1时，代表着技术有效及规模有效。若综合效率值小于1，代表技术无效或规模无效，或者两者均无效。irs、-、drs分别指规模收益的递增、不变和递减三种状态。

从综合效率层面看，这7年来，昆仑万维和巨星科技一直保持DEA有效状态，这两家人工智能上市企业始终处在生产前沿面上，表明企业的创新投入和产出效果非常好，创新水平达到最佳状态。同时，通过表3可以看到，在所分析的16家人工智能上市企业中，综合效率值等于1的企业数量在2011—2017年分别为：4家、6家、5家、6家、3家、4家、4家，说明人工智能上市企业对创新资源的综合利用效率存在一定的波动性。此外多数企业的综合效率存在一定波动且有部分企业7年来的综合效率整体上水平不高，这也间接说明我国人工智能上市企业的创新效率整体而言较不理想。

从纯技术效率层面看，2011—2017年纯技术有效的上市企业分别有：6家、6家、6家、7家、8家、8家、7家，同时发现综合效率无效但纯技术有效的企业分别有：2家、无、1家、1家、5家、4家、3家，表明这些上市企业的综合效率无效状况并不是由纯技术效率无效引发的。另外，可以看到同一企业在不同年份的纯技术效率具有一定的波动性且不同企业的纯技术效率存在着很大的差距，川大智胜在2014年的纯技术效率低至0.092，在2011年则达到0.623，反映出企业纯技术效率的不稳定。

从规模效率层面看，2011—2017年生产规模达到最优状态的企业分别有：4家、6家、5家、6家、3家、4家、4家，说明了这些企业对所有资源进行了充分的利用，现存生产规模也比较合适。16家企业的规模效率在7年间均呈现不同程度的波动态势，而且有一部分企业在不同年份的规模效率相差很大，这就反映了企业生产规模的不理想状态，存在一定提升空间。另外发现，与2012和2013年相比，规模效率大于0.9的企业在最近三年有所减少，其中2016年仅6家企业的规模效率大于0.9，这反映出有一部分人工智能上市企业并不是在合适的规模下进行生产和运营，与最优的生产规模尚存一定差距。

为了对整体状况有一个更清晰的把握，在此对16家人工智能上市企业的综合效率、纯技术效率、规模效率求均值，详细情况见表4。

表4 平均效率结果

通过表4看到，2011—2017年16家人工智能上市企业的平均综合效率值存在一定程度的波动，最高值是0.702，最低值是0.535，且都低于同年的平均纯技术效率，可见人工智能企业创新综合效率总体处于一般水平且都没有达到有效状态。另外，表4反映出7年来企业的平均纯技术效率均低于其平均规模效率，由此可认为人工智能上市企业创新效率不高主要在于其纯技术效率，这也就意味着，在现有技术水平下，人工智能上市企业有着巨大的发展空间和发展潜力，不断提高纯技术效率是推动人工智能上市企业持续创新的有效举措。

(二)创新效率分析

通过模型计算并根据创新效率值对人工智能样本企业进行统计分类，划分了“好”“较好”“一般”“差”四个层次，整理得出表5。可以看出，创新效率为1即DEA有效的企业在2012年和2014年最多，均是6家，均占当年比重的37.5%；2015年最少，仅有3家，占比18.75%。创新效率“较好”的人工智能上市企业，在2011年和2012年均是2家，均占当年比重的12.5%；在2013—2017年均是1家，均占比6.25%。创新效率“一般”的企业在2011—2017年分别有8家、5家、6家、6家、4家和5家，分别占比50%、31.25%、37.5%、25%、37.5%、25%、31.25%。创新效率“差”即≤0.4的企业在7年间分别有2家、3家、4家、5家、6家、7家和6家，分别占比12.5%、18.75%、25%、31.25%、37.5%、43.75%、37.5%。2011—2017这7年间，创新效率低于0.8的企业占比分别高达62.5%、50%、62.5%、56.25%、75%、68.75%、68.75%，可以发现，这7年来每年都有50%以上的企业其创新效率评价在“一般”及以下，表明人工智能上市企业创新效率整体较低。

表5 人工智能上市企业创新效率分析结果

(三)规模收益分析

通过对人工智能上市企业进行规模收益分析，可以对企业的整体规模状况有更为清晰的认识。如表6所示，2011—2017年，规模收益递增的人工智能上市企业分别有11家、7家、6家、5家、3家、4家、6家，分别占比68.75%、43.75%、37.5%、31.25%、18.75%、25%、37.5%，对于这些规模收益递增的人工智能企业来说，应适当加大在创新方面的投入，以使其规模效率有所提高；规模收益递减的人工智能企业分别有4家、3家、5家、5家、10家、8家、6家，分别占比25%、18.75%、31.25%、31.25%、62.5%、50%、37.5%，说明这些企业存在着生产规模较大的状况，应优化创新投入各项资源的配置，以使规模效益得到有效发挥；规模收益不变的企业分别有1家、6家、5家、6家、3家、4家、4家，分别占比6.25%、37.5%、31.25%、37.5%、18.75%、25%、25%，这些人工智能上市企业处于最优规模收益点。

表6 人工智能上市企业创新规模收益分析结果

(四)DEA有效性分析

运用DEA模型加以计算，根据所得结果明确不同企业的DEA有效性并分为三类进行统计，具体情况见表7。

表7 人工智能上市企业创新有效性分析

DEA有效是指企业在创新活动中既达到了技术有效也达到了规模有效，也就是说企业的创新投入和产出处于最优状态。2011年DEA有效的企业有4家：海康威视、华胜天成、昆仑万维、巨星科技；2012年赛为智能和大华股份取得良好发展，也达到DEA有效，DEA有效企业在2011年的基础上增长到6家；2013年DEA有效的企业有5家：赛为智能、佳都科技、华胜天成、昆仑万维、巨星科技，而海康威视在2013年是DEA弱有效且规模收益递减，说明该企业的创新投入过多，海康威视在2013年的研发投入金额较2012年增长了52.01%，过多的投入导致其规模效率降低，而大华股份在2013年为DEA无效。2014年DEA有效的企业有6家：海康威视、赛为智能、佳都科技、华胜天成、昆仑万维、巨星科技，到2015年DEA有效的企业仅佳都科技、昆仑万维、巨星科技3家，原因在于：海康威视和华胜天成在2015年均为DEA弱有效且规模收益递减，这两家企业在2015年的研发投入金额较2014年的增长率分别为32.44%、93.06%，创新投入过多，从而导致规模效率下降；而赛为智能在2015年DEA弱有效且规模收益递增，在创新投入方面的力度不够。2016年、2017年DEA有效的企业均是佳都科技、华胜天成、昆仑万维、巨星科技4家。

DEA弱有效的企业在2015年最多，占比31.25%，有海康威视、赛为智能、华胜天成、大华股份和深思电子。在这5家人工智能上市企业中，海康威视、华胜天成和大华股份因盲目加大创新投入尤其是研发投入金额，导致企业规模收益较低，进而造成规模收益递减；其余两家企业则规模收益递增，这反映出企业在创新资源方面应继续加大投入，以使企业的规模收益最大化。

DEA无效的企业数量在这7年来变化不大，较为稳定，这类人工智能上市企业既没有达到技术有效也没有达到规模有效。表7显示出这7年间，每年都有50%以上的企业是DEA无效，2011—2013年的DEA无效企业占比更是高达62.5%，可见多数人工智能上市企业的创新效率还尚存不足、有待进一步提高。

(五)投影分析

投影分析主要是对非DEA有效的决策单元的投入冗余和产出不足进行分析，对非DEA有效的人工智能上市企业进行投影分析，可以深入了解这些企业在创新投入—产出指标的状况，进而探寻出致使企业非DEA有效的原因。我们整理出2011年人工智能上市企业的投影分析结果，见表8。

表8 2011年非DEA有效人工智能上市企业创新效率投影分析统计表

以2011年的投影分析结果为例，在表8中可以看到有10家人工智能上市企业均存在着一定程度的投入冗余状况，相当一部分的创新投入资源被浪费，这也导致了创新效率无法得到提高。同时有7家企业存在着产出不足的问题，主要体现在营业收入方面与达到DEA有效的目标值相距甚远，如机器人企业的营业收入产出不足多达52829万元。其中科大讯飞在2011年研发投入金额14833万元，而冗余多达11063万元，固定资产投入18557万元，冗余达到13840万元；拓尔思研发投入金额冗余434万元，占投入金额总量的17.82%，机器人的研发人员冗余量更是多达全年研发人员总量的26.26%；紫光国徽的固定资产冗余18432万元，高达其固定资产投入总额的72.45%，可以发现研发人员、研发金额和固定资产投入的大量冗余使得整体利用效率降低，进而导致企业出现较大的产出缺口。可见，近年来，虽然人工智能企业得到了政府在财力和政策上的大力扶持，但多数企业并未达到有效的状态，也没有形成十分成熟的商业发展和运营模式。

四、结论及建议

(一)结论

人工智能上市企业的创新效率存在一定波动，而且创新效率也普遍偏低。2012年的平均综合效率值最高，但也仅为0.702，而2015、2016、2017年的综合效率均在0.5左右，这表明人工智能上市企业的创新能力和水平尚需进一步提高。不同人工智能上市企业的创新效率存在较大的差异。昆仑万维和巨星科技在这7年来均是DEA有效，其综合效率连续7年都保持为1；科大讯飞、川大智胜和楚天科技的综合效率连续7年都在0.5以下，其创新水平远远落后于其他人工智能上市企业，这一差距也造成了不同企业发展水平的巨大差异。再次，人工智能上市企业对创新方面各项资源的配置较不合理。多数企业的创新效率是DEA弱有效或者DEA无效，表明这些人工智能企业的创新投入和产出都没有实现最优状态。投影分析更是反映出部分企业存在的投入冗余和产出不足的问题，对创新投入资源达不到高效利用，导致资源浪费，其创新产出也未达到DEA有效的目标值。

(二)建议

人工智能上市企业创新效率的提高需要从政府、人工智能产业和人工智能上市企业三个方面着手改进：政府应充分发挥对人工智能产业的宏观调控作用，给予政策鼓励来引导和扶持人工智能产业的发展，改善上市企业内部的创新环境，为企业创新提供切实保障，以使人工智能上市企业的创新效率逐步提高。人工智能产业应以技术和人才为立足点，深度挖掘高新技术、完善人才培养及引进机制，同时联合高校和科研院所来延长产业研发链，健全产学研相结合的创新机制[3]，进一步推动人工智能产业在创新方面的转型升级。对于人工智能上市企业来说，规模收益递增的企业应适当加大创新资源的投入，以使其规模效率提高，实现企业规模收益最大化；规模收益递减的企业，应对内部创新方面投入的各项资源进行优化配置，以使规模效益得到有效发挥。同时，人工智能上市企业应积极引进高技术专业人才，优化研发人员和经费配置，还应正确认识技术创新并提高对研发人员、经费和固定资产的利用效率，同时着眼于企业的经营管理、运营方式，全方位提升人工智能上市企业的整体创新效率。总的来说，政府、人工智能产业和人工智能上市企业均应采取针对性的措施使人工智能上市企业的创新状况得到有效改善，在提高其创新效率的基础上推动整个人工智能上市企业不断实现关键技术的新突破并取得高质量发展。