我国石油石化产业创新效率的测度研究

张欣

摘   要：提高我国石油石化产业创新能力，具有推动产业转型升级、优化经济结构以及引领经济高质量发展的时代价值。基于我国石油石化产业上市公司数据，使用传统DEA模型和DEA-Malmquist模型对我国石油石化产业创新效率进行测算及评价。研究发现，中国石油石化产业整体的创新效率水平较低，呈现先上升后下降的趋势；国有样本的创新效率均值均超过非国有样本的创新效率均值；从整体上看，2012—2019年我国石油石化产业全要素生产率有所降低，主要是因为技术进步率指数下降。

关键词：石油石化产业；创新效率；DEA模型；DEA-Malmquist指数法

中图分类号：F416.22        文献标志码：A      文章编号：1673-291X（2023）19-0031-03

一、研究背景

石油石化产业对我国国民经济的影响非常巨大，地位极其重要。2021年我国石油和化工行业实现营业收入14.45万亿元，实现利润总额1.16万亿元，双双实现历史最好成绩。然而，我国石油石化产业一直存在低端产品供给过多、高端产品供给不足的矛盾。解决这些问题最重要的条件是提高产业的创新效率。提升产业创新效率不仅是我国创新驱动发展战略的内在要求，也从客观上提高了产品核心竞争优势，促进实现产业转型升级。因此，测算我国石油石化产业创新效率值，分析影响产业创新效率值的实际因素，提出提升产业创新水平的建议具有重要现实意义。

通过对文献的梳理发现，创新效率测算的主要方法包括数据包络分析DEA非参数方法和随机前沿方法SFA参数方法。DEA模型无须对前沿生产函数进行设计，同时也不需要考虑指标量纲及权重，比较适合用于多投入、多产出的对象研究。而SFA模型通常适用于对线性规划的计算，通过构造生产前沿面来计算出在一定条件下使用某种技术方法所能实现的最高技术水平。目前，学者分别从不同视角对创新效率进行了研究。赖一飞等通过运用超效率SBM-Malmquist模型研究发现，我国科技创新效率总体水平显著提升，其受技术进步效率影响更大[1]。陈娜等采用三阶段DEA模型发现我国西部地区高技术产业技术创新效率处于低水平[2]。兰海等运用BCC模型和Malmquist指数方法计算青海省科技创新综合效率，认为创新投入规模不足阻碍青海省科技创新效率提高[3]。任保全通过Malmquist指数法对长三角生产率进行测算，发现产业存在不重视技术创新及生产率不断降低的问题[4]。马书刚等通过运用DEA模型对地方区域创新效率进行测算，发现规模效率的提高对创新效率有促进作用[5]。周东生等通过构建数据包络分析模型与Malmquist指数对我国36家企业经营效率进行测度[6]。姚凤阁等引入三阶段DEA模型对石油加工企业进行生态效率评价，认为提高企业污染物的处理能力可以提高其生态效率[7]。

本文运用传统DEA模型测算我国石油石化产业静态创新效率值，运用基于DEA的Malmquist指数模型测算动态创新效率值，并根据研究测算结果展开分析，针对提高我国石油石化产业创新效率值给出具体建议。

二、研究方法

（一）DEA模型

Charnes等[8]在1978年创建DEA模型，该模型采用数学规划模型，在静态效率评价方面使用较为广泛。DEA模型中的BCC模型使用企业原始的投入与产出数据进行初始效率测算，将测算出的综合技术创新效率值（TE）分解为纯技术效率值（PTE）和规模效率值（SE）。当纯技术效率（PTE）和规模效率（SE）都不为1时，DEA无效；当纯技术效率（PTE）或规模效率（SE）为1时，DEA弱有效；当两者都为1时，DEA有效。BCC模型符合本文研究的实际情况，研究构建的模型为DEA-BCC模型。

（二）DEA-Malmquist指数法

本文采用MalmquistSten[9]率先提出来的Malmquist指数法，测算我国石油石化产业的全要素生产率指数并对其进行分解，研究影响生产率指数的原因和内在机理。第一，将Malmquist指数定义为全要素生产率变化率（TFPch）；第二，将其分解为技术进步率指数（TEch）和技术效率指数（Effch）；第三，当规模报酬不变时，将技术效率指数分解为纯技术效率指数（PEch）和规模效率指数（SEch），即：

TFPch=TEch×Effch×=TEch×PEch×SEch（1）

全要素生产率变化率（TFPch）主要用于表示t+1期与t期之间的全要素生产率的变化，若TFPCH大于1，表明全要素生产率增长；若TFPCH等于1，表明全要素生产率不变；若TFPCH小于1，表明全要素生产率降低。TEch为技术进步率指数，反映技术创新能力的变化，若TEch大于1，代表技术创新水平提高，反之为技术创新水平降低。Effch代表技术效率指数，反映技术效率的变化，若Effch大于1，则技术效率进步，反之代表技术效率退步。PEch代表纯技术效率指数，表示为纯技术效率的变化，若PEch大于1，则表明纯技术效率改善，若 PEch小于1，则表明纯技术效率恶化；SEch为规模效率指數，表明投入要素规模效应对生产率的影响，若SEch大于1，代表规模效率提高，反之则为规模效率降低。

三、指标选取与数据来源

（一）指标选取

1.投入变量。参考赵树宽等[10]研究的指标构建，从研发性视角和生产性视角两个角度去考虑创新投入。本文选取企业科研人员数量和企业年度科研经费支出总额作为企业研发性投入；选取企业年末在职员工人数和企业固定资产净值作为生产性投入。

2.产出变量。目前，多数学者将企业专利授权量和新产品销售收入视为企业的创新产出指标。由于石油石化企业的新产品销售收入不容易获得，本文采用企业年度专利授权数量和主营业务收入作为企业创新产出。

（二）数据来源与数据缺失处理

本研究中所需要的上市公司数据均来自于企业年报、Wind和国泰安数据库。涉及样本为86家上市公司，样本数据期间为2012—2019年，本文共有688个“公司—年”观测值。对于研究样本中存在的部分缺失值，本文采取取平均数进行插补的处理方法。

四、实证结果与分析

（一）我国石油石化产业创新效率的静态分析

本文运用DEAP2.1软件分别从产业整体、不同产权性质视角对我国石油石化产业历年创新效率进行研究，测算的效率值见表1。由于本文样本数量较多，测算结果只列出企业历年创新效率的平均值。

综合创新效率可以有效反映决策单元创新资源配置效率以及存在的提升空间。从实证结果可以发现，第一，2012—2019年我国石油石化产业创新效率均值都比较低，最高均值仅为2015年的0.485，最低均值年份是2013年，均值仅为0.335；第二，2012—2019年我国石油石化产业创新效率均值呈现先上升后下降不断往复的趋势；第三，产业纯技术效率均值最低为2018年的0.505，产业规模效率均值最低为2013年的0.620；第四，历年国有样本的创新效率均值整体呈现下降趋势，历年非国有样本的创新效率均值均低于历年国有样本的创新效率均值。

（二）我国石油石化产业创新效率的動态分析

下页表2为我国石油石化产业整体全要素生产率变化历年均值。从整体上看，我国石油石化产业全要素生产率指数均较为稳定，全要素生产率指数均值为0.966，

2012—2019年均值下降了3.4%；技术进步指数平均值和技术效率指数平均值分别下降了2.8%、0.6%，这表明我国石油石化产业创新效率下降的主要原因是技术进步指数的降低；技术效率指数整体有轻微下降，下降了0.6%，其中纯技术效率指数降低了2.7%，规模效率指数提高了2.1%，这在一定程度上表明我国石油石化企业创新资源配置水平有待提高。

五、结论与建议

（一）结论

从静态效率值来看，第一，我国石油石化产业整体创新效率是低水平的，且呈现“上升—下降—上升”的趋势，且历年创新效率均值波动不大；第二，提高纯技术效率是提高我国石油石化产业创新效率的关键，目前我国石油石化产业纯技术效率存在较大提升空间。第三，历年非国有样本的创新效率均值均低于历年国有样本的创新效率均值。

从动态变化率来看，第一，历年全要素生产率变化率变化不大，其主要原因来源于技术进步指数的降低；第二，技术效率指数呈现整体轻微下降趋势，这是由于纯技术效率指数降低导致的；第三，规模效率指数整体上是上升的，随着产业创新投入要素的增加，产业创新产出成果也增加，产业存在创新的规模效应。

（二）建议

第一，根据研究结果可知，产业纯技术创新效率仍有较大提升空间，产业重视技术创新水平的提升，比如加强与国内外科研院校的合作，以提高产业纯技术创新效率进而提高产业技术创新能力。第二，非国有企业应该对创新生产规模进行调整，促使创新达到规模效应，以促进产业整体创新效率的提高。第三，企业应提升管理水平，优化资源配置，使创新资源发挥最大的效能。

参考文献：

[1]   赖一飞，谢潘佳，叶丽婷，等.我国区域科技创新效率测评及影响因素研究：基于超效率SBM-Malmquist-Tobit模型[J].科技进步与对策，2021，38（13）：37-45.

[2]   陈娜，林军.剥离环境因素的高技术产业技术创新效率评价：以我国西部地区为例[J].科技管理研究，2020，40（6）：93-99.

[3]   兰海，吴悦，王丹.基于DEA和Malmquist指数的青海省科技创新效率研究[J].科技管理研究，2021，41（17）：40-46.

[4]   任保全.技术创新、市场需求与石油石化产业生产率动态演变：基于江苏上市公司的Malmquist指数法[J].常州大学学报（社会科学版），2017，18（6）：89-99.

[5]   马书刚，谢欣圆，吉海荣.基于DEA和Tobit模型的县域科技创新效率评估及影响因素研究[J].河北企业，2021（10）：5-10.

[6]   周东生，刘佳昕.区块链概念上市公司经营效率研究：基于DEA和Malmquist指数模型的分析[J].价格理论与实践，2020（10）：135-138，179.

[7]   姚凤阁，张蒙.基于三阶段DEA模型的石油加工行业生态效率评价[J].中国软科学，2010（S2）：266-272.

[8]   Charnes A.， Cooper W.W.，Rhodes E. Measuring the efficiency of decision making units[J].European Journal of Operational. Research，1978，2（6）：429-444.

[9]   Malmquist S. Index numbers and indifference surfaces[J].Trabajos de Estatistica，1953（4）：209-242.

[10]   赵树宽，余海晴，巩顺龙.基于DEA方法的吉林省高技术企业创新效率研究[J].科研管理，2013，34（2）：36-43，104.

[责任编辑   白   雪]