中国人工智能产业技术创新效率评价分析——基于DEA和Malmquist指数模型

凌 飞，胡登峰

(安徽财经大学 工商管理学院，安徽 蚌埠 233030)

人工智能的发展正在改变人类的生活方式[1]，多语言翻译、智能病例处理、自动驾驶系统、人脸识别支付等人工智能技术的出现为大众生活带来诸多便利.自《中国制造2025》颁布后，中国政府将人工智能的发展作为未来产业转型升级的重心，之后又推出一系列的相关政策.2019年中央全面深化改革委员会通过《关于促进人工智能和实体经济深度融合的指导意见》[2]，旨在鼓励人工智能企业的发展，推动制造业智能化，加快中国迈入工业4.0时代的步伐.另外，还实行“六大政策”，涉及人工智能的法律法规制定、安全监管、知识产权保护等方面[3]，为人工智能的发展提供了保障.据中国信息通讯研究院发布的数据显示，2018年人工智能行业市场规模已超过300亿元，预计2020年将达到710亿元[4]，表明中国的人工智能产业已经步入发展快车道.但是中国人工智能产业的发展仍处于起步阶段，数量上的快速增长不能等同于质量上的同步提升，需要进一步验证其发展效率及资源配置的现状，为寻找企业生产活动短板，深入推动人工智能产业健康发展提供现实参考依据.

1 文献综述

近年来，不少研究针对人工智能产业的发展效率展开.尤建新等从研发转化与生产经营两个阶段出发，使用二阶段DEA模型分析我国智能汽车企业运营效率，发现企业研发效率较低而生产经营效率较高[5].刘超等以我国37家人工智能上市公司为研究对象，对其融资效率进行测量，结果发现融资效率不高，大多数企业未达到DEA有效，主要是由规模效率低下引起的[6].黄俊等运用DEA-Tobit模型研究我国国产机器人企业研发效率及其影响因素，发现国产机器人R&D效率呈上升趋势，企业经营规模和融资能力会对研发效率产生影响[7].侯志杰等基于中国人工智能上市企业的面板数据，采用Malmquist生产率指数方法，发现中国人工智能企业技术效率存在拖累效应，导致全要素生产率出现负增长[8].吴淑娟等也研究了我国智能企业的全要素生产率，得出相似结论，建议采取措施促进智能产业技术进步和规模扩大，加强企业管理[9].朱承亮等采用随机前沿分析方法构建超越对数生产函数模型，实证测度了中国智能产业的技术效率，发现其技术效率水平低下，但保持缓慢的增长态势，存在较大的增长空间[10].

不难发现，融资效率、全要素生产率等是人工智能产业发展效率研究中常见的评价指标，但关于技术创新效率评价的研究较少.技术创新是保障企业持续发展的基础，技术创新效率能很好地反映企业研发活动的质量和水平，因此对人工智能产业技术创新效率进行测算具有很强的现实意义.目前，上市公司基本为各个行业发展的领导者，将人工智能产业的上市公司作为研究对象具有代表性和合理性.另外，DEA方法是学者们最常用的效率评测方法.故本文拟采用DEA和Malmquist指数方法，以中国人工智能产业的29家上市公司为研究对象，依据纯技术效率、规模效率、综合技术效率和效率变化程度对其技术创新活动进行评价，探讨我国人工智能产业的创新能力及研发现状，并在此基础上提出相关建议.

2 研究方法、指标选取和数据来源

2.1 研究方法

2.1.1 DEA模型数据包络分析(DEA)是一种常用的非参数效率评价方法，通过建立模型来评价研究对象多个投入、产出指标的相对效率，在评价相对效率方面有着重要地位[11].因为无需构建生产函数对参数进行估计，且不受投入产出量纲的影响.BCC模型是其比较常用的经典模型，它建立在规模报酬可变的前提下，能测算研究对象的纯技术效率和规模效率.此外还可分别以产出和投入为导向来建立，投入导向型模型更易实现对投入指标的掌控而达到控制成本的目的.考虑到由于上市公司的企业规模和所处行业存在较大差异，且生产经营活动十分复杂，创新活动边际收益具有不确定性，故本文选择建立投入导向的BCC模型来评价上市公司的技术创新效率.

minθ

其中，xi、yi分别表示第i个样本对象在技术创新活动中的资源投入量和成果产出量；s-和s+为松弛变量，用来反映资源配置的水平；θ为每个样本公司的效率评价指数，能直观判断其是否有效.

2.1.2 Malmquist指数用DEA模型测算样本公司的技术创新效率具有局限性，即仅能测出每年的静态效率，无法对其技术效率、规模效率等的动态变化趋势进行合理测算，此时需要引入Malmquist指数[12-13]来研究，用来测算t到t+1期间生产效率的变动情况，可表示为

其中，pech、sech、techch分别表示纯技术效率变动、规模效率变动和技术进步变动；Mt， t+1表示全要素生产率的变动情况，若大于1，说明全要素生产率处于上升阶段，反之则处于下降阶段.

2.2 指标选取

本文通过总结前人的研究成果来确定指标，以确保技术创新效率评价结果的客观性.在投入指标的选择方面，韩东林、肖文等学者使用研发经费支出、研发人员数量研究技术创新效率[14-15]；熊阿珍和李健英选用科研经费占比、科研人数占比衡量研发投入的强度[16，19].在产出指标的选择方面，韩东林使用新产品销售收入、净利润和专利授权数反映公司技术创新的产出[14]；童泽望和任治分别引入企业营业收入总额和专利申请数[17，18]；李健英则使用营业收入、销售增长率、专利申请数、利润总额研究上市公司的创新绩效[19].由于专利授权具有延迟性，授权数不能完全代表企业当年的专利产出量，故本文选择专利申请数作为非收益性产出指标，又考虑到指标数据易获取原则，最终指标选取结果见表1.

表1 我国人工智能产业上市公司技术创新投入产出指标

2.3 数据来源

由于万得数据库对我国上市公司行业类型有明确界定，因此本文依据其划分标准，剔除数据残缺的部分企业，最终确定29家人工智能上市公司的数据作为研究样本(见表2)，研究期间为2014—2018年.样本期公司申报专利数量来源于中国专利智能检索系统专利之星，其他来源于公司年报和万得资讯.

3 实证分析

3.1 静态技术创新效率测算

本文使用DEAP2.1对样本数据进行分析.表2展示了2014年和2018年人工智能上市公司技术创新效率评价结果，TE、PTE、SE分别为综合技术效率、纯技术效率和规模效率.

表2 人工智能产业上市公司2014和2018年技术创新效率

根据数据包络分析理论，当综合技术效率值(TE)为1时，表明结果为DEA有效，并且PTE和SE同时有效.2018年我国人工智能产业上市公司的综合技术效率为0.571，较2014年的0.479有所提升，但总体还处于较低水平.其中，有6家公司DEA达到有效，分别为海康威视、浪潮信息、广电运通、江南化工、软控股份和劲拓股份，相比于2014年增加了两家，技术创新水平已达到最佳，不存在投入冗余和产出不足的问题.2018年综合技术效率在0.4～0.8的有7家，占总体的24.1%；低于0.4的有12家，占比为41.4%.由此可知，中国人工智能产业上市公司的技术创新水平较低，有65.5%的综合技术效率水平低于0.8，技术创新方面的投入未得到充分利用.

从纯技术效率(PTE)来看，2018年我国29家人工智能产业上市公司PTE均值为0.673，较2014年有所提高.其中有9家为1，除去TE值为1的6家，慈星股份、高乐股份、长高集团的PTE也达到有效，处于技术有效而规模无效的弱DEA有效状态，其综合技术效率的无效状态是公司生产规模问题导致的.

从规模效率(SE)来看，2018年我国29家人工智能产业上市公司SE均值为0.813，高于同期PTE值.只有6家公司规模效率为1，现有资源得到充分利用，生产规模达到最优状态.另外在23家非DEA有效的公司中，处于规模收益递减的有5家，占非DEA有效的21.7%，它们在技术创新活动中投入过多资金和人员，造成部分资源未得到充分利用，造成资源浪费；处于规模收益递增的有18家，占非DEA有效的78.3%，应该加大在技术创新活动中的投入并加以合理利用，扩大规模效益.

综合而言，相较于2014年，2018年我国人工智能产业上市公司的SE值、PTE值和TE值都得到提升，表明各企业越来越重视技术创新活动，技术创新效率呈上升趋势，但总体水平依然较低.

3.2 投入产出水平分析

为探究导致中国人工智能行业上市公司技术创新DEA无效的原因，本文进行松弛变量分析(见表3).

表3 2018年人工智能产业上市公司技术创新投入产出水平

从表3可知，有21家公司在技术创新中存在投入冗余和产出不足的问题，其中科大讯飞、景嘉微、北京君正、川大智胜等较为严重.另外，有19家存在投入冗余的问题，并且研发费用投入冗余比人员投入更严重，紫光国微、东方网力等只存在资金投入冗余，说明在技术创新活动中，研发费用额度的确定需要经过更谨慎地考虑，以免造成浪费.有14家存在产出不足的问题，东华软件、东方网力等公司的专利产出不足，表明其研发水平较低，需提高研发人员的综合素质和技术水平；科大讯飞、美亚柏科、赛为智能等只存在营业收入不足的问题，不存在专利产出不足，可能与公司的经营管理模式有关.总体而言，中国人工智能产业上市公司普遍研发资源投入不合理，亟待提高资源配置水平以提高技术创新效率.

3.3 Malmquist指数动态分析

运用DEAP2.1软件，对2014—2018年我国29家人工智能产业上市公司的Malmquist生产指数进行测算和分解，结果如表4所示，全要素生产率及其分解指标变化趋势如图1所示.

表4 2014—2018年人工智能上市公司技术创新Malmquist指数

图1 2014—2018年人工智能上市公司技术创新Malmquist指数变化趋势

表4数据结果显示，2014—2018年我国人工智能产业上市公司的技术创新效率表现为全要素生产率的波动上升，年平均增长率为0.4%，2016—2017年全要素生产率下降10.6%，2017—2018年上升9.5%.图1显示，Effch与Techch变化趋势基本相同，表明全要素生产率主要受技术进步影响.从Pech的变化来看，2014—2018年我国人工智能产业上市公司的纯技术效率增长率基本保持在1.012水平，年平均增加2.5%.从Sech的变化来看，2014—2016年这些公司的规模效率处于上升阶段，而2016—2018年却处于下降阶段，但整体处于上升水平，年平均增加1.9%.纯技术效率和规模效率的增长共同引起技术效率的增长，其年平均增长率为4.4%.综合而言，中国人工智能上市公司的全要素生产率主要受技术进步变动影响，技术效率的“拉动效应”使得全要素生产率的增长率要高于技术进步，整体处于上升趋势.

表5 人工智能上市公司技术创新Malmquist指数

从微观角度探究我国人工智能产业技术创新的动态变化.表5结果显示，在2014—2018年，有16家人工智能上市公司的全要素生产率呈上升趋势，占样本量的55.2%，其中科大讯飞增长幅度最大，增长率达到32.6%，美亚柏科、慈星股份、汉王科技等4家公司的增长动力是由其技术效率的增长来实现的，技术进步变化具有抑制作用；另外13家公司的全要素生产率呈下降趋势，占44.8%，思创医惠下降18%，下降幅度最大，机器人、中兴电发、神思电子等的下降是由技术进步的下降造成的.总体而言，各人工智能上市公司全要素生产率增长差异明显，全要素生产率的上升得益于技术效率的提高.

4 结语

本文使用DEA模型和Malmquist指数对2014—2018年我国人工智能产业29家上市公司的技术创新效率进行静态和动态测算，结果表明：

第一，我国人工智能产业上市公司的技术创新效率差异较大且整体水平偏低.2018年仅有6家公司达到DEA有效，大部分处于无效状态，TE均值为0.571，且PTE低于SE，说明PTE低是造成部分公司DEA无效的主要原因，企业的技术创新能力有待提高；第二，72.4%的公司存在投入冗余和产出不足的问题，技术创新活动的资源配置水平较低，并且资金投入冗余较人员投入更为严重，合理配置研发资金成为重点；第三，采用Malmquist指数进行测算和分解后发现，我国人工智能产业上市公司的全要素生产率呈上升趋势，年均增长率为0.4%，2014—2018年全要素生产率变动幅度与技术进步的变动大致相同，但技术进步对其有“拖累效应”，全要素生产率的上升得益于技术效率的提高.因此，本文建议

首先，针对人工智能产业上市公司技术创新效率差异大且水平低的情况，政府应积极发挥分类指导作用.将技术创新效率高的公司作为龙头企业培养，加大税收和财政优惠力度，使其引领整个人工智能产业的发展.对于效率较低的企业，政府应积极鼓励引进先进的科学技术和管理模式，提高纯技术效率和整体创新水平.其次，各企业需要合理利用创新资源，提高资源配置能力，尤其要注意研发资金的投入，避免不必要的浪费.最后，针对我国人工智能企业存在技术效率驱动和技术进步抑制的现象，需在发挥技术效率“拉动效应”的同时，积极补齐技术进步的短板，促进技术进步和技术效率的双驱动，提高企业的全要素生产率，从而保证公司技术创新效率的稳定增长.

本文选取我国人工智能产业的上市公司作为研究对象，探究了该产业技术创新效率的发展现状，但由于相关数据不易获取等原因而忽略了一些诸如大疆等非上市智能企业，而它们也属于行业领导者，因此在样本选取上存在不足之处，未来可以扩大样本量加以分析，使研究结论更加全面.