区域视角下我国高新技术产业R&D效率及影响因素研究

张红梅 任 杰

(贵州财经大学 大数据应用与经济学院(贵阳大数据金融学院)，贵州 贵阳 550025)

0 引言

自“十一五”以来，我国高新技术飞速发展，尤其是在新材料、交通、信息技术以及能源等方面有了突破性进展，产业成果化显著，自主研发及自主创新能力得到进一步提升。我国在无线通信、新能源汽车、信息网络等领域已经迈入了世界前列，许多高新技术设备以及相关零件实现了自主设计创造。新时代下我国国家发展战略的核心是“提高自主创新能力，建设创新型国家”，我国在高新技术产业R&D经费的投入虽然逐年提升，但是投入程度与发达国家相比还有很大的差距，由于缺乏核心技术，产品的附加价值较低。

1 文献回顾

关于我国高技术产业R&D效率影响因素的研究文献较为丰富。谢伟[1]发现我国高新技术产业的R&D效率偏低，而研发投入过程中的大量冗余以及因素间的不平衡发展是主要因素。朱桂艳[2]则对东中西部地区高新技术企业科技创新进行现状分析，发现科技金融对高新技术企业创新影响效果显著。

还有着重研究了环境因素对高新技术产业的影响，周姣[3]对2007-2011年我国54个高新区的高新企业R&D的数据进行了测算，发现我国高新区除了存在创新效率低下的问题，还存在严重的资源配置不均，其原因主要来源于企业规模、劳动者素质以及地理因素等。刘满凤[4]考察了我国高新区2012年的创新效率，研究发现，导致我国中西部地区高新区的创新效率低下的主要原因是外部环境因素。而谢婷[5]以我国高新技术五大产业为样本分析和考察我国高新技术产业研发绩效，发现环境因素的差异对高新技术产业R&D效率造成了显著的差异影响。孙研[6]则做了进一步研究，政府扶持资金越多、技术投入越大就越会给高新技术企业带来更多的研发冗余。刘伟[7]以中国高新技术产业的2000-2009年行业面板数据进行分析，研究表明当不考虑环境因素时，高新技术企业的规模效率会上升但是纯技术效率会下降。曾胜[8]对2006-2013年我国30个省市区的高新技术企业的投入与产出数据进行了测度，发现当不考虑环境因素时，各省市区的R&D会显著降低，而造成下降的主要原因为规模效率显著下降。马东华[9]就如何提高高新技术创新效率展开了研究，发现单纯增加研发投入并不能带来科技水平提升。

另外，还有学者测度了高新技术企业R&D的金融支持效率。张自力[10]研究发现广东省对高新技术产业自主创新的金融支持力度不够，从而导致金融支持效率整体较低。而黄诗伟[11]在研究时发现企业经营能力、企业盈利能力等因素对金融支持效率产生正面影响，而资产负债率对金融支持效率产生负面影响。马玉琪[12]发现企业的经营水平越高、科研能力越强就越能获得更多的金融支持而且金融支持对小微企业的R&D效率的作用要优于大中型企业。

通过文献回顾，本文将进行以下研究：首先通过传统DEA模型对我国高新技术企业的R&D效率进行测度，其次分析哪些环境变量对高新技术的R&D效率造成了显著的影响并进行相应的调整，最后提出相关的政策建议。

2 模型与方法

2.1 三阶段DEA模型

三阶段DEA模型最早是由Fried提出，他通过研究发现传统的DEA模型在进行效率测度时，忽略了环境因素的影响，因而导致决策单元的效率值并不准确。三阶段DEA模型就是在传统的DEA模型基础上引入了环境因素以及随机噪声，其最重要的步骤是在第二阶段将环境变量因素以及随机噪声剔除掉。三阶段DEA模型虽然出现较晚，但是发展速度较快，国内有很多学者都开始考虑环境因素以及随机噪声的影响。

2.1.1 第一阶段：传统DEA模型

DEA模型即数据包络分析，由Charnes、Cooper以及Rhodes于1978年首次提出，它主要用来评价各决策单元的相对有效性。简单来说，它是通过输入与输出来衡量决策单元是否能达到“规模有效”与“技术有效”。他们的第一个模型被命名为CCR模型。

第一阶段主要使用原始投入值与原始产出值来进行初步的效率测算，DEA模型可以根据投入与产出导向的不同分为以产出为导向的CCR模型以及以投入为导向的BCC模型。以产出为导向的CCR模型是规模报酬不变的，而以投入为导向的BCC模型是规模报酬可变的，我国学者在运用三阶段DEA模型分析时，大多都以投入为导向的BCC模型进行分析。BCC模型是CCR模型的对偶形式，下面将对BCC模型进行展开介绍。

设有m个决策单元DMUr(r=1,2,...,m)，这些决策单元都分别对应有i个输入和o个输出。若以向量形式表示，其输入向量形式可写为X=(xr1,xr2,...,xri)T>0，输出向量形式为Y=(yr1,yr2,...,yro)T>0，其中，xri为第r个决策单元的i种输入，yro为第r个决策单元的o种输出。为了简便，我们将分别记DMUr0为DMU0，Xr0为X0，Yr0为Y0，则以投入为导向的BCC模型的对偶线性规划模型如公式1所示：

(1)

其中，θ为综合效率值，θ∈(0,1]，S-为输入的松弛变量，S+为输出的松弛变量，ηr为常数向量，并且有如下几个结论：

(1)若θ=1且S-=0，S+=0，这说明DMU0为DEA有效决策单元；

(2)若θ=1且S-≠0或S+≠0，则说明DMU0为弱DEA有效决策单元；

(3)若θ<1，则说明DMU0为非DEA有效决策单元。

模型测算结果得出的θ值为综合效率值(TE)。它由规模效率(SE)与纯技术效率(PTE)所构成，表达式为综合技术效率(TE)=规模效率(SE)*纯技术效率(PTE)。

2.1.2 第二阶段：似SFA模型

第二阶段是核心部分，Freid认为决策单元应受到三个方面的影响：管理无效率、环境因素与统计噪声。在第二阶段中主要将三种影响分别分离出来。

通过第一阶段的测算结果可以得到输入与输出指标的松弛变量，而松弛变量我们认为是包含着管理无效率、环境因素与统计噪声的初始结果，这显然是低效率的。要分离这三种影响，需要借助SFA(随机前沿)模型，将输入与输出的松弛变量作为被解释变量，将环境变量和混合误差项作为解释变量，最后进行回归分析。构造的SFA回归方程如公式(2)所示：

Sri=f(Zr;βk)+vri+μri,i=1,2,...,I,r=1,2,...,m

(2)

其中，Sri表示第r个决策单元第i个投入的松弛变量；Zr=(Zr1,Zr2,...,Zrk)表示有k个环境变量，Zr1为第r个决策单元的一个环境变量；βk为环境变量的系数；vri+μri表示混合误差项，其中vri为随机干扰项且vri～N(0,σvr2)，其含义为随机干扰因素可能对投入的松弛变量的影响；μri为管理无效率。μri服从在零点截断的正态分布，μr～N+(0,σμr2)，其含义为因管理因素可能对投入松弛变量的影响。

(3)

以上过程将环境因素以及随机因素去除掉，接下来将介绍如何剔除因管理无效率造成对投入变量的影响。管理无效率的分离公式不同的学者给出了不同的形式而且差别较大。罗登跃[13]依据Jondrow[14]的思路得出了较为科学的分离公式，如式(4)所示：

(4)

接着计算得出随机误差项μ，计算公式如式(5)所示：

E[vri|vri+μri]=sni-f(Zr;βk)-E[μri|vri+μri]

(5)

第二阶段总的来说就是将三种影响从投入变量中剥离出来，得出调整后的投入变量，下一步将剥离了各项影响因素的投入变量再次代入到DEA模型进行分析，即第三阶段。

2.1.3 第三阶段：调整后的投入变量再利用DEA法进行测算

【普氏《核子周刊》2018年9月13日刊报道】 2018年9月11日，美国X能源公司(X-energy)高层管理人员在与美国核管会(NRC)工作人员会谈时表示，Xe-100的概念设计目前已完成约50%，该公司计划在未来几年与核管会进行Xe-100设计认证申请提交前的互动，并在2022年或2023年完成这种反应堆的设计。Xe-100是一种200 MWt/75MWe的高温气冷球床反应堆，基于过去50年在高温气冷堆领域的研发和运营经验。

由于各决策单元的相对效率值是经过似SFA模型处理后的结果，即过滤掉了环境因素以随机干扰项的结果，因此经调整后得出的决策单元的相对效率值更加准确和合理。

2.2 选取指标

2.2.1 投入指标、产出指标与环境变量指标

投入指标以及产出指标的选择应合理，否则将会影响效率的测算准确性。本文所选取各项指标如下所示：

(1)投入指标与产出指标的选取。在研究企业R&D效率方面，国内有很多学者构建了衡量企业研发效率的评价体系，本文投入和产出指标部分参照李洪伟[15]的做法。在投入方面，重点考察新产品开发经济支出与政府资金支持对我国各省市区高新技术企业经济产出的影响。考虑到数据的可得性，将新产品销售收入以及专利申请数作为产出指标。

(2)环境变量的选取。环境变量是三阶段DEA模型中必不可少的一个环节，由于三阶段DEA模型的核心就是将外部环境因素纳入到考察范围内，因此，选取的环境变量应该考虑到我国各省市区的经济发展水平。根据现有文献成果，本文将研发机构个数、企业规模、国有产权比重、地区生产总值、学历为大专以上人口5个指标作为环境变量。

2.2.2 数据来源

本文所使用的投入指标、产出指标与环境变量指标数据来自我国2011-2017年的《中国高技术产业统计年鉴》以及《中国科技统计年鉴》，本文参照卢剑忧[16]的做法，设定产出具有时滞性，例如将2016的数据作为投入，将2017年的数据作为产出。

2.3 我国各省市区金融支持效率的实证分析

本文将通过三阶段DEA模型对我国各省市区的高新技术企业的R&D效率进行测度，并考察外部因素对R&D的影响。

2.3.1 第一阶段：传统DEA模型

综上，当TE、PTE以及SE均为1时，决策单元才为有效决策单元。如果出现PTE为1但SE小于1，此时决策单元被认为是无效的，且综合技术效率无效是规模效率值无效所导致的。运用DEAP 2.1对我国27个省市区2011-2016年高新技术产业的综合效率值进行分析，如表1所示。

表1 2011-2016年省市区的综合效率值

由表1可知，当过滤掉外部环境因素，2011-2016年我国各省市区的效率值均值分别为0.673,0.692,0.666,0.588,0.699,0.602。其中2011年天津、江苏、广东、重庆、贵州处于生产效率前沿面；2012年河南、广东处于生产效率前沿面；2013年安徽、河南、广东、贵州处于生产效率前沿面；2014年内蒙古、河南、广东、重庆处于生产效率前沿面；2015年江苏、江西、山东、河南、广东处于生产效率前沿面；2016年内蒙古、江西、河南处于生产效率前沿面。而其余各省市在PTE以及SE上都存在改进空间，由于在第一阶段中有环境因素以及随机干扰项的影响，所以第一阶段结果并不能准确的反映我国各省市区的高新技术产业的投入产出效率，因此需要对其进一步调整。

2.3.2 第二阶段：似SFA模型

通过第一阶段分析，不仅得到了各省市高新技术产业的金融支持效率值，还得到了其投入松弛变量，综上所述，投入的松弛变量即为目标投入值(理想投入值)与实际投入值之差。在第二阶段，将会建立SFA模型，并将松弛变量以及环境变量代入运行，从而得到不存在外部环境因素的条件下环境变量以及随机因素对金融支持效率的影响。需要注意的是采用的是似SFA模型而非标准的SFA模型，区别在于似SFA模型不对环境变量做对数化处理。采用式(2)进行线性回归。

本文使用软件Frontier4.1对SFA模型进行回归，在进行数据输入前，有必要对环境变量进行标准化处理消除量纲的影响，标准化处理方法采用极差法，如式(6)所示。

(6)

软件运行结果如表2、表3所示。

表2 投入变量为新产品开发经费支出的SFA分析结果

表3 投入变量为政府资金支持的SFA分析结果

在第二阶段中，如果环境变量的系数为正，表明环境变量越大，投入的松弛变量也就越大。环境变量的影响越大，所产生的投入冗余也就越多。反之，如果环境变量系数为负，环境变量的影响越大，所产生的投入冗余也就越少。

根据SFA回归分析结果，发现各年份γ=1.00，说明我国各省市区高新技术产业的研发无效率基本是由新产品开发经费支出及政府支出管理无效率造成。LR单边检验表示是否存在影响无效率的因素，通过查阅单边广义似然比检验的临界值可知自由度(环境变量个数)为5，在0.5%的显著性水平下为10.371，各年份均通过了显著性检验，这就表明管理无效率的影响的确存在，利用SFA进行分析是合理的。

以下将具体分析5个环境变量对金融支持效率的影响。

首先，观察新产品开发经费支出，研发机构数对新产品开发经费支出的松弛变量产生负面影响并且均通过了1%的显著性检验；企业规模对新产品开发经费支出的松弛变量只有在2013年和2016年产生正面影响并且通过1%和5%的显著性检验；国有产权比重对新产品开发经费支出的松弛变量在2013年、2014年和2016年产生正面影响并且通过1%和5%的显著性检验；地区生产总值对新产品开发经费支出的松弛变量在2011年和2012年产生正面影响并且通过了1%的显著性检验，而2013年却没有通过显著性检验，在2014-2016年产生负面影响并且通过了1%的显著性检验；大专以上学历的人口数对新产品开发经费支出的松弛变量在2011年产生负面影响并且通过了1%的显著性检验，在2012-2016年产生正面影响并且通过了1%和5%的显著性检验。

这表明2011-2016年各省市区的研发机构数量越多，就越能提升高新技术产业的研发效率。关于内在机理，可以这样解释：研发机构数量越多，就越能增加各省市区的高新技术企业的竞争强度，因而会加强对新产品开发经费的使用效率，从而提升研发效率。而企业规模可能会对高新技术企业的研发效率产生负面影响(2013年和2016年对新产品开发经费支出的松弛变量产生正面影响)。国有产权比重有降低高新技术企业的研发效率的趋势，即在2013年、2014年和2016年国有产权比重越大，就越能降低高新技术产业的研发效率。这可能是因为国有产权比重越大，使得资金投入量变大从而在一定程度上降低资金的使用效率，从而造成了资金的浪费，从而降低研发效率。2011-2012年地区生产总值越高就越能降低研发效率但在2014-2016年却正好相反，这说明有地区生产总值越高就越能提升高新技术企业研发效率的趋势。2011年大专以上学历人口数越多就越能提升高新技术研发效率，而在2011年后却正好相反且对研发效率产生越来越强的负面影响，这说明有研发人员骗取研发经费的现象，从而降低了地区的高新技术的研发效率。

其次，观察政府资金支出，研发机构数对政府资金支出的松弛变量在2011-2014年产生负面影响并且均通过1%和5%的显著性检验，在2015-2016年没有通过显著性检验但有微弱的负面影响；企业规模对政府资金支出的松弛变量只有2016年产生正面影响并且通过1%的显著性检验；国有产权比重对政府资金支出的松弛变量在2013年和2015年没有通过显著性检验但仍然存在微弱的正面影响，在其余年份产生的正面影响并且通过1%的显著性检验；地区生产总值对政府资金支出的松弛变量在2011年产生正面影响并且通过了1%的显著性检验，而2011年后却逐渐呈现出负面影响的趋势，除了2013年均通过1%的显著性检验；大专以上学历的人口数对政府资金支出的松弛变量在2011年产生负面影响并且通过了1%的显著性检验，在2012-2016年产生正面影响并且通过了1%的显著性检验。通过观察发现基本上与以上的结果保持一致。

通过分析，可知环境变量的存在的确会给各省市区的高新技术企业的研发效率造成影响，高估“运气”好(环境因素良好)的地区而低估“运气”差(环境因素较差)的地区，这就会对各决策单元的效率评价造成影响。所以在第三阶段中，将各决策单元置于相同的“运气”(相同环境因素)水平下，进一步考察各省市区的金融支持效率。

2.3.3 第三阶段：调整后的投入变量再利用DEA法进行测算

根据对原始投入指标新产品开发经费支出以及政府资金支出进行调整，并再次利用DEA模型中的以投入为导向的、规模报酬可变的BCC模型进行测算，通过软件DEAP2.1得到运行结果，如表4所示。

对比表1和表6发现剔除掉环境变量和随机干扰项后，发现各省、市的综合效率均值与原始投入相比有明显的下降，这说明总体而言我国高新技术产业效率去除外部环境和随机因素后更加不理想，其中河南在2012-2016年仍然处于技术效率前沿面；广东经过调整后在2011年-2015年仍然处于技术效率前沿面并在2016年达到了有效前沿面，说明这两个省的高新技术产业投入产出效率确实较高。

2011年，天津和江苏处于技术效率前沿面不变，说明这两个省市在2011年投入产出效率较高；重庆和贵州剥离了环境因素和随机干扰项后退出了技术效率前沿面，说明这两个省市的高效率与其所处的有利环境和“好运气”有关而北京和四川与其正好相反。2013年，安徽和贵州省剥离了环境因素和随机干扰项后退出了技术效率前沿面；2014年内蒙古和重庆剥离了环境因素和随机干扰项后退出了技术效率前沿面，而江苏、安徽和山东剥离了环境因素和随机干扰项达到了技术效率前沿面；2015年，江苏和山东处于技术效率前沿面不变，说明这两个省在2015年投入产出效率较高，而江西剥离了环境因素和随机干扰项退出了技术效率前沿面；2016年内蒙古和江西剥离了环境因素和随机干扰项退出了技术效率前沿面而江苏和山东与其正好相反。剥离了环境因素和随机干扰项后退出了技术效率前沿面的省市区说明高新技术产业的研发高效率与其所处的有利环境和“运气”有关，即其本身的技术管理水平并不高。而剥离了环境因素和随机干扰项后达到了技术效率前沿面的省市区说明高新技术产业的研发效率受环境影响。

3 结语

本文以全国27个省市区的新产品开发经费支出与政府资金支出作为投入指标，以新产品销售收入和专利申请书为产出指标，并且考虑了环境因素的影响，重点考察了我国各省市区的高新技术企业的研发效率以及影响因素。本文采用三阶段DEA模型构建了区域视角下我国高新技术企业研发效率分析模型，通过实证分析对各省市区的研发效率进行测算，得到了以下结论：

(1)研发机构数量越多就越能提高省、市的高新技术产业的研发效率，因此各省市区应大力发展高新技术产业，从而提高地区高新技术产业的竞争力从而提升高新技术企业的研发效率。

(2)企业规模对高新技术产业的研发效率的影响不是很大，只有微弱的负面影响。企业规模越大就越容易造成资金的浪费，导致研发效率低下，而微弱的负面影响说明高新技术企业规模大部分还是较小，各省市区应适当扩大高新技术企业的规模。

(3)国有产权比重越大就越有可能使得高新技术产业的研发效率下降，这可能是由于存在“所有制歧视”，使得国有高新技术企业能够获得更多的资金，从而造成了资金的浪费，导致高新技术企业的研发效率低下。我国应大力扶持民营高新技术企业的发展，加大金融支持。国有高新技术企业应当更加严格地管理资金的使用，完善资金监管制度。

(4)地区生产总值越高新技术企业的研发效率就越高，这说明经济发达的地区能够扶持高新技术企业的发展，高新技术企业的发展能够带来更多的收益，使得地区生产总值进一步提高，从而形成良性循环。