甘肃省高新技术企业创新效率研究——基于三阶段DEA模型

■/ 吴 敏

一、引言

我国经济已经从高速增长阶段转向高质量发展阶段，要实现高质量发展，就必须实现依靠创新驱动的内涵型增长。国内学者对于高新技术产业创新效率的研究主要分为四个层面：国家级高新技术产业开发区、区域、行业和企业。高新区层面上，白素霞等（2021）基于数据包络分析方法测度了我国152 个国家级高新区的创新效率，曾武佳等（2020）运用三阶段DEA 模型测算了我国高新区的创新效率并分析了其影响因素，研究结果表明高新区综合创新效率较低，区域差异明显；刘钒等（2019）采用超效率DEA 方法测算高新区的创新效率，发现我国高新区的创新效率由东部向西部逐渐递减。区域层面上，方大春等（2016）研究，发现各地区创新效率差异显著，市场结构和企业规模对创新效率具有显著影响。行业层面上，孙研等（2020）运用三阶段DEA 模型研究了我国高新技术产业7个细分行业的创新效率态势，发现我国高新技术产业的创新效率总体上处于较低水平；孟维站等（2019）采用同样的方法对我国高新技术产业的12个细分行业分研发阶段和转化阶段的效率进行了测算，发现我国大部分高新技术行业的创新效率在研发阶段和转化阶段都呈增长趋势。企业层面上，刘飒等（2020）运用三阶段DEA 方法测算发现我国高新技术企业的创新效率由东部至西部逐渐递减；窦钱斌等（2020）用反事实估计和中介效应模型研究发现，政策对上市公司技术研发阶段的创新效率具有促进作用，但对技术转化阶段的创新效率具有显著抑制效应。

综上所述，学界对于高新技术产业创新效率的研究主要集中在四个层面，对具体的某个省，尤其是落后地区省市的高新技术产业研究极为有限，因此本文在前人的研究基础上，选取三阶段DEA 模型拟对甘肃省不同地区的创新效率进行研究。

二、研究设计

（一）样本选取与数据来源

本文以2019 年为研究期，以甘肃省14 个市州高新技术企业的创新效率为研究对象，投入变量、产出变量以及环境变量的数据均来自甘肃省科技厅和甘肃省统计局，其中表1数据来自甘肃省科技厅，其余数据来自甘肃省统计局。

表1 2019年甘肃省各市州高新技术企业数据

（二）指标选取

1.投入变量。考虑到生产过程的复杂性，投入众多，本文借鉴王飞航等（2019）选取指标的经验，将投入指标分为资本投入和劳动投入，资本投入为R&D 经费内部支出，劳动投入为各地区科技活动人员数量。

2.产出变量。借鉴易明（2019）和李婉红（2019）选取新产品销售收入、专利申请数、主营业务收入、高新技术产品收入做为产出指标的做法，结合研究重点以及数据可获得性，本文选择主营业务收入和高新技术产品收入做为产出变量。

3.环境变量。参考曾武佳等（2020）和孙研等（2020）选择环境变量的经验，本文选取宏观经济环境、政府支持、市场结构、创新能力水平和技术环境为环境变量。

4.松弛变量。Fried et al.（2002）认为，松弛变量产生的主要原因在于管理无效率、外部环境因素和随机误差三种因素。本文的松弛变量包括劳动投入松驰变量和资本投入松弛变量。松弛变量值由DEAP2.1软件计算得出。

变量定义见表2。

表2 变量定义表

（三）模型构建

创新效率的评价方法主要包括参数法和非参数法，参数法主要是随机前沿分析法，由Aingner et al.（1977）提出，该方法通过给定特殊的生产函数估计得出技术效率，因此存在一定的偏差。非参数法主要以DEA 模型为主，最早由运筹学家Charnes et al.（1978）提出，但其在测算创新效率时忽略了随机因素和环境因素的干扰，使得效率估计值与真实值之间有误差。因此，学者们对该方法进行完善，将传统DEA 方法与随机前沿分析法相结合得到了三阶段DEA方法，此方法由Fried et al.（2002）提出，它通过剔除随机因素和环境因素的双重干扰，将决策单元置于相同的环境下进行研究，能更加真实地评价创新效率。因此，本文选取三阶段DEA 模型测算甘肃省高新技术企业的创新效率，具体模型构建如下：

第一阶段：传统DEA 模型。选取甘肃省14 个市州为决策单元，采用DEA 模型中的BCC 模型以投入为导向，即在规模报酬可变的假定下测算各个决策单元的综合效率（CIE）、纯技术效率（PTE）和规模效率（SE），以及投入松弛变量，其中综合效率等于纯技术效率乘以规模效率，投入松弛变量等于原始投入量减去目标投入量。这一阶段的测算结果可以通过将产出量和投入量的数据输入DEAP2.1软件得出。

第二阶段：类似SFA模型。由于第一阶段没有考虑环境因素和随机因素的影响，所以进行第二阶段类似随机前沿分析，将投入松弛变量作为被解释变量，环境因素作为解释变量进行回归分析，构建类似SFA分析如下：

其中，n=1，2表示本文的两个投入松弛变量，i=1，2，…14表示甘肃省14个市州，Sni为第i个决策单元在第n种投入的松弛变量；m=1，2，3，4，5表示本文共5 个环境变量，Zm为环境变量，βm为环境变量对应的系数，uni+vni为混合误差项，uni为管理无效率项，服从半正太态分布uni～N+（0，），vni为模型的随机误差项，vni～N（0，σ2nv），uni与vni相互独立。定义：γ=，σnu为管理无效率的标准差，σnv为随机误差的标准差。γ 趋于1 时，管理无效率是主要原因，γ 趋于0 时，uni可以从模型中剔除，使用最小二乘法估计即可。最后，通过Front4.1 软件得出相关参数，使用罗登跃（2012）中给出的公式在Excel上对投入量进行调整。

第三阶段。将原始产出量和调整后的投入量重新导入DEAP2.1 软件，再次使用DEA 模型中BCC模型以投入为导向，测算出新的综合创新效率值、纯技术效率值和规模效率值。此时得到的效率值就为剔除环境因素和随机因素的最终效率值，更为真实的反映各决策单元的创新效率。

三、实证分析

（一）一阶段DEA结果分析

综合技术效率反映决策单元（DMU）的创新效率，只有当纯技术效率和规模效率都为1 时，决策单元才是DEA 有效的；纯技术效率是指企业在创新投入不变的情况下，对产出能否达到最大化进行分析，反映决策单元的管理能力和技术水平；规模效率是在同比例增加企业创新投入的条件下，分析产出比例能否达到更高。表3 是根据一阶段DEA模型测算出的甘肃省各市州高新技术企业的创新综合技术效率、纯技术效率和规模效率结果。由表3可知，甘肃省高新技术企业的综合技术效率均值为0.52，纯技术效率的均值为0.651，规模效率的均值为0.801。总体上看，甘肃省高新技术企业的创新效率偏低，规模效率高于纯技术效率，表明规模因素在高新技术企业的创新效率中发挥主要作用。分市州看，只有金昌、白银和甘南的综合效率值为1，为DEA有效，表明在目前的技术条件下，这些市州高新技术企业的资源配置与管理效率相对有效；其他市州均为非DEA有效。但以上结果忽略了环境因素和随机因素的影响，不能真实地反映各市州高新技术企业的创新效率，因而继续进行第二阶段的研究。

表3 一阶段DEA结果

（二）类似SFA回归结果分析

在一阶段DEA 结果的基础上，将劳动投入和资本投入的松弛变量作为被解释变量，宏观经济环境、政府支持、市场结构、创新能力水平和技术环境作为解释变量，利用Front4.1 软件进行SFA 回归估计，结果如表4所示。由表4可知，各环境变量的回归系数均通过了显著性检验，其中只有宏观经济环境在5%的水平下显著，其余解释变量均在1%的水平下显著，表明环境变量对甘肃省各市州高新技术企业的创新投入冗余存在显著影响。此外，在回归结果中还可以看到γ 值趋近于1，这表明纯技术效率方差对总方差贡献极大，环境因素对投入松弛变量影响显著，因此运用SFA模型剔除环境因素和随机因素是非常有必要的。环境影响因素具体分析如下：

表4 类似SFA回归结果

宏观经济环境（Z1）对劳动投入松弛量的影响系数为负值，且通过5%的显著性检验，说明地区经济水平的提高会减少劳动投入冗余，使得科技活动人员物尽其用，从而提高创新效率；而宏观经济环境对于资本投入松弛量的影响系数为正值，也通过5%的显著性检验，表明地区经济水平的提高可能会使企业管理者对企业发展前景的预期较好，从而加大R&D经费投入，但由于创新研发是高风险、时间长的活动，短期内并不能得到收益，导致投入冗余。

政府支持（Z2）对劳动投入和资本投入的松弛量影响系数均为负值，通过1%的显著性检验，且系数值都较大，说明政府支持对于甘肃省各地区高新技术企业创新投入的影响极为显著。由于甘肃省地处内陆，外资较难引进，且地区高新技术企业规模及自身发展水平有限，使得创新投入不足，主要依靠政府扶持，所以随着政府资金投入的增加会使劳动和资本投入冗余下降，从而提高创新效率。

市场结构（Z3）对劳动投入和资本投入松弛量的影响系数为负值，均通过1%的显著性检验，表明市场结构对创新投入的影响显著。随着高新技术企业数量的增多，市场竞争更加激烈，企业为了获取更大的利润，自发的进行研发创新活动、提高企业管理效率以保持自己的竞争优势，从而促进了资源的合理配置，降低了劳动和资本的投入冗余。

创新能力水平（Z4）对劳动投入和资本投入松弛量的影响系数为负值，均通过1%的显著性检验，表明高学历人员在从业人员中所占的比重越大越有利于创新活动的开展。在既定的R&D经费的投入下，高学历人员越多越有利于技术效率的提高，因为拥有技术知识的人才普遍更具有研发创新的能力，所以企业只需聘用适当数量的技术人才，加以激励并充分利用现有的研发资金，就可以拥有较高的创新效率，从而降低劳动和资本的投入冗余。

技术环境（Z5）对劳动投入和资本投入松弛量的影响系数为正值，均通过1%的显著性检验，表明技术环境的提高会造成劳动投入和资本投入的冗余增加。更加优质的技术环境会使得产出在既定的投入下大幅增加，所以在拥有高技术的加成条件下，要达到原定产量只需投入相比于之前较少的劳动和资本即可，从而导致了劳动和资本投入冗余的增加。

（三）第三阶段DEA结果分析

通过第二阶段类似SFA模型得出的结果，利用罗登跃（2012）的公式以及Excel对投入变量进行调整，即在剔除环境因素和随机因素的影响后，将调整后的投入变量再次导入DEAP2.1 软件得出各市州高新技术企业的效率值如表5。

表5反映了各市州调整后的综合技术效率、纯技术效率、规模技术效率，其中兰州、嘉峪关、金昌、白银的综合技术效率为1，是DEA 有效的，表明这四个市的创新效率相对于其他市州是最佳的；而平凉、庆阳的综合技术效率最低，甚至没有超过0.1，效率损失主要来源于规模效率过低；总体来看剔除环境因素后，甘肃省各市州高新技术企业的创新效率的提高主要源于纯技术效率的提高，规模效率是限制非DEA有效的决策单元的创新效率提高的主要原因。

表5 第三阶段DEA结果

对比表3 和表5 发现，在剔除环境因素和随机因素的双重干扰后，从总体上看甘肃省高新技术企业的综合创新效率均值从0.52 提高到了0.564，将近60%的地区综合效率低于0.6，表明甘肃省高新技术企业整体创新效率较低，外部环境对创新不利，第一阶段对效率值低估了；纯技术效率均值从0.651提高到了0.973，表明企业的管理水平相对较高且对创新效率的提高发挥了主要作用，而规模效率均值从0.801降低到了0.578，70%的地区处于规模报酬递增的状态，表明创新效率的损失从第一阶段时纯技术效率所导致变成规模效率所导致，高新技术企业的生产规模严重制约了企业创新效率的提升。分地区来看，综合效率值为1的地区从第一阶段的金昌、白银和甘南转变为兰州、嘉峪关、金昌和白银，其中白银和金昌一直处于效率前沿面上，这表明该地区外部环境并没有对其效率造成影响，兰州、嘉峪关的综合效率值分别从0.535上升到1，0.736到1，这四个地区的高新技术企业相对其他地区的资源配置更加合理，更加具有效率。此外，天水、武威、张掖、酒泉和定西的综合效率都有所提高，说明这些地区的外部环境对创新不利；平凉、庆阳、陇南、临夏和甘南的综合效率值都下降了，这些地区的外部环境对企业创新效率有促进作用；其中甘南的效率值出现了大幅度的下降，直接从1降到了0.174，这表明甘南的技术效率受外部环境的影响极大。

四、结论

本文采用三阶段DEA模型对甘肃省14个市州高新技术企业创新效率进行测算，综合分析了各市州高新技术企业的创新效率水平以及创新投入的影响因素，得出以下结论：

1.从总体上看，在剔除环境因素和随机因素后，甘肃省各市州高新技术企业的创新综合效率得到了一定的提升，但仍处于较低的水平，未来高新技术企业不管是创新技术、管理水平还是创新环境都存在很大的提升空间。各市州纯技术效率大幅上升趋于均等化，规模效率在一定程度上下降，规模报酬状态也转变为规模报酬递增，创新效率的主导因素由规模效率转变为纯技术效率，地区创新投入不足，企业聚集程度不足，使得规模经济未被充分利用。

2.从地区上看，各市州的创新效率差异较大，兰州、嘉峪关、金昌和白银处于效率前沿面，这四个市的资源配置相对于其他地区较为合理，技术管理水平较高，企业较多且较为集中，充分利用了规模经济所带来的效益；而平凉、庆阳高新技术企业的创新综合效率极低，主要在于规模经济未发挥其作用，企业数量较少且在地区上分布不集中，未充分发挥企业集聚效应；其余市州都处于DEA 无效状态，各方面都存在不同程度的改进空间。

3.从影响因素上看，各市州的外部创新环境对于当地的高新技术企业影响较大。（1）宏观经济环境虽然在统计检验上较为显著，但对于创新投入的影响有限。（2）政府支持对于创新投入的影响最为明显，甘肃省高新技术企业自身的创新研发投入能力不足，很大程度上依赖政府支持，因此政府资助是各地区高新技术企业能发展起来的主要原因，但政府在资助的同时一定要注意引导企业自主创新，从企业内部集资开展研发创新活动，从而提高企业的风险意识、管理水平，提高资源配置效率，降低投入过度造成的资源浪费。（3）市场越集中对于地区高新技术企业的创新越有利，因此政府应全局规划引导企业集聚，积极推动高新技术产业开发区的形成，从而形成集聚效应，提高资源利用率，降低企业成本。（4）创新能力水平的提高有助于投入冗余的减少，所以企业应多引进和培养高技术水平人才，实施“不为所有但有所用”的用人政策，使其发挥最大的价值，形成优秀的企业团队，提高企业创新能力。（5）技术环境越好越有利于创新投入的节约，在一个良好的技术环境下，企业的创新效率会逐渐提高，因此企业一定要注重产学研的深度结合，紧密企业与高校、研发机构的联系。