基于三阶段DEA的我国医药产业创新效率评价研究

徐俐颖 翁坤玲 蒋丹 褚淑贞

摘 要 目的：為提升我国医药产业创新效率、促进我国医药产业高质量发展提供参考。方法：运用三阶段数据包络分析法（DEA），以经济发展、政策支持、产业基础和创新基础等4个因素作为环境变量，从《中国统计年鉴》和《中国高技术产业统计年鉴》中选取2012-2016年以及2018年我国31个省（区、市）的投入、产出及环境等相关指标数据，探讨我国医药产业创新效率变化规律并给出相应建议。结果与结论：有18个省（区、市）的医药产业创新效率被高估，13个省（区、市）被低估。其中，福建、黑龙江、吉林、江西、云南、辽宁、重庆调整前的创新效率存在0～0.1的高估，陕西、海南、甘肃和山西存在0.1～0.3的高估，内蒙古、贵州、广西、新疆和宁夏存在0.3～0.5的高估;而安徽、湖南、上海、北京、河北、四川、天津和河南调整前的创新效率存在0.1～0.3的低估，湖北、江苏、浙江、山东和广东存在0.3～0.5的低估;西藏、青海和广东受环境因素较大，其中西藏、青海调整前的创新效率比调整后分别高估了0.603、0.538，而广东则低估了0.470。总体而言，我国东部地区和中部地区调整前的创新效率被低估，而东北地区和西部地区被高估;调整前创新效率由高到低排序依次为中部、西部、东部和东北地区，而调整后变为东部、中部、东北和西部地区。我国医药产业创新效率受环境影响较大，因此各地要注重对医药产业的政策支持，加强对医药产业的政策引导作用;完善产业链及配套措施，营造良好的创新氛围;促进各地创新资源的流动，加强地区间合作与交流，以提升我国医药产业的创新效率、促进医药产业的高质量发展。

关键词 医药产业;创新效率;三阶段数据包络分析法;经济发展;政策支持;产业基础;创新基础

ABSTRACT   OBJECTIVE：To provide reference for improving the innovation efficiency of Chinese pharmaceutical industry and promoting the high-quality development of the pharmaceutical industry. METHODS： Using local economic development， policy support， industrial foundation and innovation foundation as environmental variables，three-stage data envelopment analysis （DEA） was used to explore the change regularity of innovation efficiency of the pharmaceutical industry by collecting related data such as input， output and invironment of 31 provinces （autonomous regions， municipalities） in China during 2012-2016 and in 2018 from China Statistical Yearbook and China High-tech Industry Statistical Yearbook. RESULTS & CONCLUSIONS： The innovation efficiency of the pharmaceutical industry in 18 provinces （autonomous regions， municipalities）were overestimated， and other 13 provinces （autonomous regions， municipalities） was underestimated. The innovation efficiency of Fujian， Heilongjiang， Jilin， Jiangxi， Yunnan， Liaoning and Chongqing before adjustment were overestimated 0-0.1， Shaanxi， Hainan， Gansu and Shanxi were overestimated 0.1-0.3，Inner Mongolia， Guizhou， Guangxi， Xinjiang and Ningxia were overestimated 0.3-0.5; while the innovation efficiency of Anhui， Hunan， Shanghai， Beijing， Hebei， Sichuan， Tianjin and Henan were underestimation 0.1-0.3， Hubei， Jiangsu， Zhejiang， Shandong and Guangdong had an underestimation of 0.3-0.5 before adjustment. Tibet，Qinghai and Guangdong were greatly affected by environmental factors. The innovation efficiency in Tibet and Qinghai before adjustment were overestimated by 0.603 and 0.538 compared with after adjustment， while Guangdong was underestimated by 0.470. The innovation efficiency value of the eastern and central regions of China before adjustment was underestimated， while the northeastern and western regions were overestimated overall. Before the adjustment， the order of innovation efficiency in descending order was the central， western， eastern and northeastern regions， and after the adjustment， it became the eastern， central， northeastern and western regions. The innovation efficiency of Chinese pharmaceutical industry is greatly affected by the environment， so all localities should pay attention to the policy support for the pharmaceutical industry and strengthen the policy guiding role for the pharmaceutical industry; improve the industrial chain and supporting measures to create a good innovation environment;promote the flow of innovation resources in different regions， strengthen the cooperation and exchange among regions， so as to improve the innovation efficiency of Chinese pharmaceutical industry and promote the high-quality development of the pharmaceutical industry.

采用Frontier 4.1软件。由于此时松弛变量反映的是初始的管理无效率，因此还需考虑环境因素和随机因素的影响。将第1阶段算出的人员投入和资本投入的松弛变量作为被解释变量，标准化后的环境变量作为解释变量，进行随机前沿模型（SFA）回归。松弛变量（Sni）的计算公式如下：

式中，Sni是第i个决策单元第n项投入的松弛值，i=1，2，…;n=1，2，…（下同）;Zi是環境变量，βn是环境变量的系数;vni+μni是混合误差项，其中vni是随机干扰项（表示随机干扰因素对投入松弛变量的影响，服从正态分布）、μni是管理无效率项（表示管理因素对投入松弛变量的影响，本研究假设其服从在零点截断的正态分布）。

SFA回归的目的是剔除环境因素和随机因素对效率测度的影响，以便将所有决策单元调整为相同的外部环境和随机干扰。调整公式如下：

ni是调整后的投入要素;Xni是调整前的投入要素;{max[f（Zi;β^n）]-f（Zi;β^n）}是指将所有决策单元置于相同外部环境下;[max（vni）-vni]是指将所有决策单元置于相同随机干扰下。

2.3 第3阶段：调整后的创新效率测算

依据第2阶段得出的调整后的投入要素，再次运用投入导向规模报酬可变的BCC模型测算各决策单元调整后的创新效率。此时的创新效率已经剔除了环境因素和随机因素的影响，是相对真实准确的。

3 实证结果与分析

3.1 影响创新效率的环境因素分析

采用环境指标数据对投入要素的松弛变量进行SFA回归，结果见表2（本文以P<0.01为差异有统计学意义）。由表2可见，广义单边似然比检验结果显示，极大似然值具有统计学意义（P<0.01），说明本研究对投入要素的松弛变量进行SFA回归是合理的;除创新基础对人员投入松弛变量没有显著影响外，其余各环境变量对于人员投入和资本投入松弛变量的影响均是显著的（P<0.01），因此有必要对投入变量进行调整。SFA回归结果中γ值的回归系数越接近0表示随机因素的影响越趋于主导地位，越接近1表示管理无效率的影响越趋于主导地位。由表2可见，人员投入松弛变量和资本投入松弛变量的γ值分别为0.60和0.57，说明松弛变量受管理无效率和随机因素的共同影响。

SFA回归系数为正，表示增加该环境变量的值能够扩大对应松弛变量的值，导致创新效率降低;回归系数为负，则相反。由表2可见，经济发展与医药产业创新活动中人员投入松弛变量和资本投入松弛变量均成显著正相关，说明经济发展水平越高的地区越注重对医药产业研发人员和研发资金的投入，但可能在投入的过程中缺乏合理的规划与引导，从而导致医药产业研发人员和经费投入的冗余，造成创新效率的降低。政府的政策支持对两个投入变量松弛变量的回归系数均为负，说明政府加强对医药产业的政策支持能够减少医药产业创新研发人员和研发投入的冗余，激励研发人员创新、促进研发经费的合理使用。这点也印证了医药产业是政策导向型产业，受政策影响较大这一观点。产业基础对人员投入和资本投入松弛标量的回归系数均为正，说明医药产业基础越好的地区越容易发生创新投入的冗余，不利于医药产业创新效率的提升。创新基础对医药产业创新活动资本投入的松弛变量的回归系数为负，说明医药企业巩固内部的创新基础有助于减少研发经费投入的冗余，有助于整体医药产业的创新效率的提升。

3.2 调整前后我国31个省（区、市）的医药产业创新效率对比分析

调整前后我国31个省（区、市）医药产业创新效率对比见表3。由表3可见，剔除环境因素和随机因素后，有18个省（区、市）的创新效率存在高估，13个省（区、市）的创新效率被低估。从调整前后的幅度来看，福建、黑龙江、吉林、江西、云南、辽宁、重庆调整前的创新效率存在0～0.1的高估，调整前后差距较小，说明环境因素对这些地区医药产业创新效率的影响较小;陕西、海南、甘肃和山西调整前的创新效率存在0.1～0.3的高估，而安徽、湖南、上海、北京、河北、四川、天津和河南调整前的创新效率存在0.1～0.3的低估;内蒙古、贵州、广西、新疆和宁夏调整前创新效率比调整后高估0.3～0.5，而湖北、江苏、浙江、山东和广东的调整前创新效率比调整后低估0.3～0.5。环境因素对创新效率值影响较大的是西藏、青海和广东，西藏、青海调整前的创新效率比调整后分别高估了0.603、0.538，而广东则低估了0.470。从区域来看，创新效率值被低估的地区大多是属于东部沿海地区以及长江中下游地区，被高估的地区大多属于西部地区。

3.3 调整前后我国各区域医药产业创新效率对比

调整前后我国各区域医药产业创新效率对比详见表4。由表4可见，我国东部地区和中部地区调整前的创新效率被低估，而东北地区和西部地区被高估。调整前，创新效率由高到低排序分别中部、西部、东部和东北地区，而调整后变为东部、中部、东北和西部地区。东部地区调整后的创新效率、纯技术效率以及规模效率均有大幅度提升，且调整后的各项效率值均高于其他地区，说明东部地区环境因素对于医药产业创新效率整体表现为负向影响。由于东部地区各省份大多经济发展程度高、医药产业基础好[2]，这会使得企业愿意去增加对研发人员和研发经费的投入。但由上文分析结果可知，一味的投入会造成人员的冗余和资金的浪费，反而降低了创新效率;而良好的政策支持和医药创新基础能够引导资金的合理投入和使用、激励研发人员的创新，从而提升创新效率。但当投入相对过多或者引导相对过少时，就会使得创新效率降低。中部地区调整后的纯技术效率有小幅度提升，而规模效率有小幅度降低，但总体的创新效率表现为小幅度提升。东北地区调整后的纯技术效率提升而规模效率降低，其总体的创新效率表现为降低。西部地区调整后表现为纯技术效率提升但规模效率大幅度降低，从而导致创新效率大幅度下降。由于西部地区的经济水平和产业基础与其他地区均有较大差距[21]，因此不会出现医药研发资源的过度投入，减弱了环境因素对创新效率的负向影响;同时，西部地区出台的医药产业政策能促进医药产业创新效率的提升，故环境因素对西部地区的医药产业创新效率的影响整体表现是正向的。

4 建议

本研究运用三阶段DEA模型评估了2012-2016年及2018年我国31个省（区、市）医药产业的创新效率。结果可见，经济发展、政策支持、产业基础和创新基础这4个环境因素对我国东部和中部地区的影响作用整体表现为负向影响，使得东部和中部地区的医药产业创新效率被低估;而其对东北和西部地区医药产业创新效率的影响则整体表现为正向影响，使得东北地区和西部地区的医药产业创新效率被高估。据此，为提高我国医药产业的整体创新效率，笔者提出以下建議。

4.1 注重产业政策支持，加强产业创新投入引导

各地应重视医药产业政策在医药产业创新中的支持作用，但医药产业政策不能只是一味地加大对研发人员以及研发经费的投入，尤其是经济发达、医药产业基础好的东部地区，而应在依据当地医药产业实际发展状况的基础上，充分发挥产业政策的引导作用。可通过建立创新研发人才引进激励计划、完善对创新研发人才培养机制等措施来加大对医药产业创新人员数量和质量的投入;通过规划未来创新方向、构建良好投融资体系等举措来推进研发资金的合理投入，从而促进医药产业创新投入资源的高效利用。

4.2 完善产业链及配套措施，营造良好的创新氛围

各地在推进医药产业创新的时候，要注重完善创新产业链以及相关的配套措施，通过建立一体化的创新服务平台、组织多种形式的医药产业技术创新联盟，为医药企业等营造良好的医药创新氛围;通过降低医药企业自身创新的门槛，构建良好的医药企业创新基础，从而提高企业研发经费的使用效率，进而提升医药产业的整体创新效率。

4.3 促进各地创新资源流动，加强地区间合作与交流

各地区要充分发挥自身资源、技术、地理位置等各方面的优势，促进创新资源的流动，如医药产业创新效率高的东部和中部地区要充分发挥自身的知识溢出效应以及辐射能力带动欠发达的西部以及东北地区的医药创新。促进医药创新人才、资本以及技术的地区间合作和交流，提升创新资源的使用效率。

5 结语

综上所述，经济发展、政策支持、产业基础和创新基础这4个环境因素对于医药产业的创新效率影响较大，一定程度上也印证了运用三阶段DEA模型评估医药产业创新效率的合理性，可为未来医药产业创新效率的评价研究提供一定参考。但基于数据的可获得性以及研究水平等条件的限制，本文仅考虑了4个环境因素，在今后的研究中，可进一步纳入绿色治理、产业集聚等环境因素，更加全面科学地评估医药产业的创新效率。

参考文献

[ 1 ] 徐芳萍，庄倩，褚淑贞.我国医药产业转型升级水平与优化路径探析[J].中国新药杂志，2019，28（14）：1670-1674.

[ 2 ] 褚淑贞，都兰娜，席晓宇.医药产业空间布局评价指标体系及产业层级研究[J].中国药学杂志，2018，53（4）：318-322.

[ 3 ] LOUKIL K. Innovation policy and R&D efficiency in emerging countries：a stochastic frontier analysis[J]. East Eur Bus Econ J，2016，2（3）：165-192.

[ 4 ] 曹阳，周晓夏.基于随机前沿分析的我国医药制造业技术开发与成果转化创新效率研究[J].中国药房，2016，27（4）：433-437.

[ 5 ] 刘忠敏，马文婷.基于网络SBM-Malmquist模型的医药制造业创新效率及影响因素研究[J].科技管理研究，2017，37（12）：152-158.

[ 6 ] 霍艳飞，石晟怡，王广平，等.我国医药制造业技术创新效率研究：基于DEA模型的Malmquist指数分析[J].中国新药杂志，2016，25（7）：728-732.

[ 7 ] HE P，CHEN W，HAO Q. Technological innovation efficiency measurement of Chinese industrial enterprises under environmental constraints based on SBM-Malmquist model[J]. Tech Bull，2017，55（12）：615-626.

[ 8 ] 罗颖，罗传建，彭甲超.基于三阶段DEA的长江经济带创新效率测算及其时空分异特征[J].管理学报，2019，16（9）：1385-1393.

[ 9 ] 邵云飞，詹坤，汪腊梅.中国医药产业创新效率的BCC- Malmquist时空差异研究[J].科研管理，2016，37（1）：32- 39.

[10] 余紫君，褚淑贞.我国医药制造业竞争力与创新药物研发能力的关联度分析[J].中国新药杂志，2018，27（3）：279-284.

[11] 茅宁莹，张帅英，褚淑贞.基于DEA方法的我国医药制造业技术创新效率的实证研究[J].中国药房，2012，23（5）：391-394.

[12] 谭晓东，陈玉文.基于Malmquist指数的中国医药制造业科技创新效率动态评价[J].中国医药工业杂志，2016，47（1）：127-130.

[13] 曹阳，闫岩.基于多项式滞后分布模型的江苏省医药产业创新投入对产出影响研究[J].中国新药杂志，2017，26（4）：361-367.

[14] 郭瑞，文雁兵.高新技术产业绿色创新研究：效率测算与FDI区位选择[J].浙江大学学报（人文社会科学版），2019，49（5）：224-239.

[15] 成定平，淦苏美.长江经济带高技术产业投入产出效率分析[J].长江流域资源与环境，2017，26（3）：325-332.

[16] 李宏宽，何海燕，单捷飞，蔡静静.剔除非管理性因素影响的我国集成电路产业技术创新效率研究：基于广义三阶段DEA和Tobit模型[J].管理工程学报，2020，34（2）：60-70.

[17] 赖红波，施浩.创新质量视角下医药制造业创新效率再评价[J].经济研究导刊，2019（32）：34-35.

[18] FRIED HO，LOVELL CAK，SCHMIDT SS，et al. Accounting for environmental effects and statistical noise in data envelopment analysis[J]. J Prod Anal，2002，17（1/2）：157-174.

[19] FRIED HO，SCHMIDT SS，YAISAWARNG S. Incorporating the operating environment into a nonparametric measure of technical efficiency[J]. J Prod Anal，1999，12（3）：249-267.

[20] BANKER RD，CHARNES A，COOPER WW. Constrained game formulations and interpretations for data envelopment analysis[J]. Eur J Oper Res，1989，40（3）：299-308.

[21] 叶梦寒，王群，徐俐颖，等.我国中西部地区医药制造业与区域经济耦合协调发展分析[J].中国药房，2019，30（24）：3337-3341.

（收稿日期：2020-02-23 修回日期：2020-07-13）

（编辑：孙 冰）