基于DEAMalmquist我国高技术产业创新效率分析.docx

基于DEAMalmquist我国高技术产业创新效率分析.docx

《基于DEAMalmquist我国高技术产业创新效率分析.docx》由会员分享，可在线阅读，更多相关《基于DEAMalmquist我国高技术产业创新效率分析.docx（19页珍藏版）》请在冰豆网上搜索。

基于DEAMalmquist我国高技术产业创新效率分析

《技术创新与管理》硕士生课程论文

研究生姓名:

年欢得分：

基于DEA—Malmquist我国高技术产业创新效率分析

摘要：

文章采用BCC模型测算了2000—2008年中国28个省份的高技术产业的技术创新效率，并使用DEA-Malmquist生产率指数测算了28个省份高技术产业的全要素生产率（TFP）的变动。

研究表明：

中国大部分省份高技术产业的技术效率不高，且省际间技术效率差异较大，主要由规模效率的差异所导致；东、中、西部地区高技术产业的技术创新效率呈现上升趋势；中国高技术产业的TFP有所上升，但是各地区TFP增长的源泉不同：

东部地区主要依赖于技术进步，中部地区主要依赖于技术效率的增长，而技术退步是西部地区TFP负增长的主要原因。

关键词：

高技术产业；数据包络分析；Malmquist指数

Onthebasisofhigh-techindustrialinnovationMalmquistDEA-efficiencyanalysis

Abstract:

thearticleUSEStheBCCmodelestimatesthe2000-2008yearsofChinese28provincesofhightechnologyindustrytechnologyinnovationefficiency,andUSESDEA-Malmquistproductivityindexof28provincesofhightechnologyindustrytotalfactorproductivity（TFP）.ResearchshowsthatmostofChina'shightechnologyindustrytechnicalefficiencyisnothigh,andtechnicalefficiencyaredifferentbetweenprovinces,mainlybythedifferencecausedbytheefficiencyofscale;Eastern,centralandwesternregionsofhightechnologyindustrytechnologyinnovationefficiencyrise;TFPinChina'shightechnologyindustryhasincreased,butthesourceofTFPgrowthindifferentregionsisdifferent:

theeasternregionmainlydependsontechnicalprogress,thecentralregionmainlydependsonthetechnicalefficiencyofgrowth,andtechnologyretrogressionisamajorcauseofTFPgrowthinthewesternregionofChina.

Keywords:

hightechnologyindustries;Dataenvelopmentanalysis（dea）;Malmquistindex

1.引言

当前，高技术产业已成为一个国家和地区拉动经济增长和社会持续发展的重要手段，发展知识密集、技术密集、附加值高的高科技产业成为中国转变经济发展方式的必然选择。

近年来，中国高技术产业也有了很大的发展。

截止到2011年，中国高新技术产值达到8843亿元，占国民生产总值的18.73%，已成为拉动国民经济增长和促进产业结构调整的重要力量。

随着高技术产业在国家经济和社会发展中的作用越来越显著，国家也逐渐加大对高技术产业人力物力的投入。

数据显示，近年来中国高技术产业的投入持续攀升。

R&D经费从1998年的56.45亿元，增长到2007年的545.32亿元，年均增长28.44%；R&D人员总量也有大幅度增长，从1998年到70879人，增长到2007年的248228人，年均增长14.94%。

但是，仅仅加大对高技术产业的资源投入就能够提升其生产效率吗？

数据显示，高技术产业的新产品销售收入从1998年的1207.254亿元，增长到2007年的10303.222亿元，年均增长只有26.68%，比R&D经费年均增长率还低。

由此可见，中国高技术产业的发展不仅要注重生产要素的投入，更要注重生产要素的合理利用，即生产效率的提高。

相对于发达国家，中国科技创新资源存量严重不足。

因此，对中国各个省份的高技术产业的技术创新效率的测算与评价有利于当地政府认清自身发展的不足，从而制定合理的发展规划策略，实现高技术产业的可持续发展。

2.文献综述

目前，国内外学者对于高新技术产业创新效率进行了很多研究。

研究表明，对于高新技术产业创新效率的度量有利于其向集约型生产方式进行转变，并且有利于改善高新技术产业的创新活动。

当前国内外学者主要从两个角度研究中国高新技术产业的创新效率。

一是从行业的角度，对高新技术产业内部的五大行业的创新效率进行测算和分析。

Sun等测算了韩国制造业的技术创新效率，指出在高技术产业和低技术产业都存在技术进步，需要对技术进步和技术效率这两方面加以改进；杨惠瑛从研发的角度测算了中国高技术产业的R&D效率，指出高技术产业技术效率较高，但规模效率高低不一的状况；石光等利用1996—2007年中国高技术产业的面板数据，估算了中国高技术产业研发投入对于高技术产业发展的作用；冯缨从横向比较和纵向分析两个角度评价了江苏省域际高技术产业技术创新效率，及高级产业中各个行业的技术创新效率陈程等从创新链的角度，采用二段DEA模型测度了1999—2008年中国高新技术产业的创新绩效，并对其影响因素进行了分析；官建成等测量了五大高技术产业中的15个细分产业2001—2004年的技术创新效率，指出中国高技术产业纯技术效率有所改善，但规模效率逐年恶化；朱有为等使用随机前沿生产函数测算了中国高新技术产业研发效率，并分析了企业规模等因素对研发效率的影响；赵莉、单春霞采用DEA-Malmquist方法计算了五大高技术产业的技术进步指数和TFP指数；方毅等采用Malmquist指数测算了中国高新技术产业不同行业的动态研发效率；吕品等测算了1995—2007年中国高技术产业17个行业全要素生产率的Malmquist指数，指出中国高技术产业技术进步较低，且创新能力不足，与发达国家相比存在很大差距。

二是从地区角度，对不同地区的高技术产业技术创新效率进行测量。

Raab等对2002年美国50个州的高新技术产业的技术效率进行了评价和分析；Lu等利用DEA-Tobit模型对台湾194家高新技术企业的研发效率进行了评价，并对效率的影响因素进行了分析,探索高技术企业效率无效的原因所在；苏屹等使用改进DEA模型对各个省份高新技术产业技术创新绩效进行了研究，认为中国高新技术产业对中间成果过分注重，但对商品化阶段成功重视不足的问题；肖仁桥等使用二阶段DEA模型从价值链的角度，对中国28个省份2005—2009年高新技术产业的创新效率和影响因素进行了分析，指出高技术产业整体效率及分阶段效率较低，政府支持、企业规模、劳动者素质、产业结构等都对高技术产业的创新效率有着显著影响；余泳泽从价值链的角度对省际高新技术产业技术创新效率及影响因素进行了分析，认为两个阶段的技术创新的平均效率偏低，且呈现逐年恶化，这主要是由于纯技术无效率，且市场化程度、企业规模、政府政策支持和企业自身的经营绩效对各地区高技术产业技术创新效率均有正的影响；冯锋等使用链式网络DEA测算中国29个省的科技投入效率，指出中国两阶段的科技投入产出链的效率在省区和区域都存在差异；余永泽等采用随机前沿模型计算了1996—2007年中国高技术产业的研发效率，发现中国高技术产业研发效率整体较低，但呈现逐年改善的趋势，而且呈现出一定的空间差异性。

上述文献从各个角度对中国高技术产业技术创新效率进行了测算，但是对于中国各个省份高技术产业的全要素生产效率（TFP）的变动趋势及其变动源泉的研究较少。

因此，本文首先采用DEA的传统模型对中国各个省份高技术产业技术创新的技术效率、纯技术效率和规模效率进行分析，探讨中国省际高技术产业技术创新效率的差异所在；再采用DEA的Malmquist指数来测算和分解高技术产业的TFP，考察各个省份及地区的技术效率和技术进步对其TFP增长的影响，从而找出TFP增长的源泉所在，期望为各个省份优化产业资源配置提供科学依据。

3.研究方法与指标选取

3.1研究方法介绍

3.1.1数据包络分析

数据包络分析（DEA，DataEnvelopmentAnalysis）是以相对效率概念为基础对同部门或同单位多投入、多产出经济系统的相对有效性或相对效益进行评价的一种方法。

Charnes、Cooper和Rhodes于1978年首先提出了规模报酬不变的CCR模型。

而后，Banker、Charnes和Cooper在1984年用规模报酬变动假设取代了CCR模型的固定规模报酬假设，发展成BCC模型。

BCC模型可以区分纯技术效率和规模效率，能够评价决策单位在生产技术既定的情况下是否处于生产规模最优。

基于此，本文采用DEA方法中的BCC模型对中国各省份高技术产业技术创新效率进行测度。

设有n个决策单元，每个决策单元有输入向量

输出向量Y=

，对于任意的决策单元DMUj,在凸性、锥性、无效性和最小性的公理假设下，其生产可能集：

。

可得到以下DEA模型：

（1）

公式是考虑规模收益不变的C2R模型，若在限定的条件再加上

，则得到规模收益可变的BC2模型。

其中，θ表示决策单元的技术效率值（TE），S+和S—表示决策单元投入冗余与产出不足。

若θ=1.且S+=S-=0，则说明该决策单元DEA有效；若θ=1.且S+=S-≠0，则说明该决策单元弱DEA有效；若θ＜1，则说明该决策单元为DEA无效。

3.1.2Malmquist生产效率指数

Malmquis指数方法是基于DEA而提出，并用来考察跨时期的多投入和多产出变量间的动态生产效率，并由此测定全要素生产率的变化。

Malmquist指数将TFP分解为技术进步变化和技术效率变化两个部分。

而技术效率变化又可进一步分解为纯技术效率变化和规模效率变化。

通过对TFP的分解，我们可以对效率和技术的变动情况进行测量，从而有利于TFP

增长推动的内在因素进行研究。

根据Fare等于1992年对Malmquist指数的定义，其表达公式如下：

其中，

和

是分别根据生产点在相同时间段即（t和t+1）同前沿技术相比较得到的投入距离函数；

和

分别是根据生产点在混合期间同前沿面技术相比较得到的投入距离函数。

另外，根据Fare等人的研究，Malmquist生产率指数可以分解为技术效率变化和技术变化两部分，其中技术效率变化又可进一步分解为纯技术效率变化和规模效率变化。

公式

（2）可变形为：

（3）

其中，第一项表示规模效率变化Sech，第二项表示纯技术效率变化Pech，第三项表示技术进步Tech，且第一项和第二项的乘积表示技术效率变化Effch。

根据公式（3），TFP的变化可分解为规模效率的变化、纯技术效率变化以及技术进步。

Sech>1，意味着生产存在规模效率；Pech>1，意味着管理水平或制度的改善使得生产效率有所提高；Tech>1，意味着由于新技术的使用或新发明的出现，使得生产前沿面向前推移，实现技术进步；Tfpch>1，意味着生产效率有所改善。

反之，上述指标小于1，则表明相应效率退化。

3.2指标选取与数据说明

3.2.1指标选取

根据以往学者们对高技术产业技术创新效率的指标体系的研究中，对于投入指标的选取主要集中在人力投入和资金投入两个方面。

因此，本文选取R&D经费内部支出（X1）和新

产品开发经费（X2）作为资金投入指标，选取R&D人员全时当量（X3）作为人力投入指标。

而对于产出指标的选取主要集中在经济产出和专利发明两个方面。

因此，本文选取新产品销售收入（Y1）衡量其经济效益产出，选取专利申请量（Y2）和拥有专利量（Y3）作为衡量其专利发明的产出。

3.2.2数据说明

由于西藏、海南和新疆的数据缺失较多，无法补全，本文仅选取中国大陆28个省份2004—2012年的数据进行分析。

由于研发投入转化为最终经济产出具有一定的时滞性，本文按

照通常的做法，取滞后期1年。

投入指标为2004—2011年的数据，产出指标为2005—2012年的数据，所有数据均来自于2004—2009年的《中国高技术产业统计年鉴》。

投入产出指标数据特征如表1所示。

表1投入产出指标的描述性统计（2004—2012）

数据来源于：

2007—2012年《中国高技术产业统计年鉴》

表2投入、产出指标之间的Pearson相关系数表

注：

**.在p＜0.01水平（双侧）上显著相关

由表2可以看出，投入指标R&D经费内部支出（X1）、新产品开发经费（X2）和R&D人员全时当量（X3）与产出指标新产品销售收入（Y1）、专利申请量（Y2）和拥有专利量（Y3）呈现显著正相关，而且相关系数都在0.7以上。

通过对投入产出变量相关性的检验，发现所选样本满足DEA模型所要求的产出随投入的增加而变大的性质，即等张性。

因此，利用该样本数据建立DEA效率测度模型是有效的。

4.实证分析

4.1.1基于BCC模型的中国省际及地区高技术产业技术创新效率测算结果及分析

各个省份高技术产业技术创新效率测算结果及分析。

本研究选取2004—2012年中国28个省份的高技术产业的投入产出数据，基于规模报酬可变的产出导向的DEA模型，利用Deap2.1软件，测算了这些省份的技术效率值、纯技术效率值和规模效率值。

并且，计算得出这28个省份在2004—2012年的技术效率的均值、纯技术效率的均值、规模报酬的均值，以及各个省份在2004—2012年间的规模报酬递增、递减和不变所占的比例。

具体结果见表3。

（1）云南和天津的技术效率、纯技术效率和规模效率的均值都为1，在所有年份都是DEA有效的。

可见，这两个省份的创新效率较高，技术水平和资源配置水平都是全国最高的。

其次，福建、上海、北京、山西和青海的技术效率值都大于0.6，创新效率相对较高。

其中，福建、上海和北京地处东部沿海地带，科技水平处于全国领先地位，具有大量的优秀人才，国家也给与了许多政策的支持，为该地的高技术产业发展提供良好的条件。

但这三个省份的规模效率要小于纯技术效率，从而拉低了其技术效率值。

而山西省重视科研经费的投入、人才的引进与培训等工作，纳米氧化锌等新材料产业走在全国的前列；青海利用青藏高原特殊动植物优势资源，形成以生物技术、中藏药为主导的高科技生物产业集群。

这两个省份不仅高技术产业的科技水平较高，而且取得了良好的规模效率。

山西的规模效率较高为0.913，且在2000年、2003年、2004年这三年中都呈现规模报酬递增的态势。

而青海的技术效率较高为0.955，且2002年、2003年、2004年和2007年都呈现规模报酬递增的态势。

这说明了这两个省份以较少的投入产生了较多的产出，而且存在投入不足，生产规模过小的情况，可以加大对其高技术产业的支持力度，扩大规模，获取规模效益。

表3各个省份高技术产业技术创新效率均值及规模报酬

地区

技术效率值

纯技术效率值

规模效率值

规模递减比例

规模递增比例

规模不变比例

北京

0.663

0.927

0.702

75.0%

—

25%

天津

1.000

1.000

1.000

—

—

100.0%

河北

0.210

0.346

0.626

100.0%

—

—

山西

0.717

0.784

0.913

25.0%

37.5%

37.5%

内蒙古

0.512

0.781

0.716

12.5%

62.5%

25.0%

辽宁

0.396

0.588

0.662

87.5%

12.5%

—

吉林

0.482

0.702

0.682

100.0%

—

—

黑龙江

0.282

0.452

0.607

87.5%

12.5%

—

上海

0.791

0.989

0.797

87.5%

—

12.5%

江苏

0.450

0.855

0.515

100.0%

—

—

浙江

0.413

0.714

0.586

100.0%

—

—

安徽

0.313

0.409

0.756

100.0%

—

—

福建

0.821

0.961

0.853

62.5%

—

37.5%

江西

0.192

0.321

0.629

100.0%

—

—

山东

0.483

0.808

0.621

100.0%

—

—

河南

0.316

0.608

0.562

100.0%

—

—

湖北

0.229

0.583

0.440

100.0%

—

—

湖南

0.455

0.782

0.579

100.0%

—

—

广东

0.521

1.000

0.521

100.0%

—

—

广西

0.521

0.617

0.833

87.5%

12.5%

—

重庆

0.345

0.489

0.705

100.0%

—

—

四川

0.358

0.636

0.581

100.0%

—

—

贵州

0.347

0.653

0.568

100.0%

—

—

云南

1.000

1.000

1.000

—

—

100.0%

陕西

0.137

0.328

0.426

100.0%

—

—

甘肃

0.382

0.419

0.872

62.5%

37.5%

—

青海

0.795

0.955

0.816

—

50.0%

50.0%

宁夏

0.542

0.571

0.917

25.0%

37.5%

37.5%

东部

0.575

0.819

0.688

中部

0.373

0.580

0.646

—

西部

0.494

0.645

0.743

而其余省份的技术效率值相对较小。

特别是河北、黑龙江、江西、湖北、陕西等省份的技术效率值在0.3以下，创新效率较低，科技水平和资源配置水平都相对较低。

主要原因在于这些地区技术水平等行业发展环境明显落后于东部地区。

而且，这些地区的产业结构以劳动密集型的制造业和农业为主，且高技术产业的产品同质化严重，从而导致其高技术产业投入资源拥挤，产品利润低下。

（2）技术效率值为纯技术效率值和规模效率值的乘积，纯技术效率值越高，说明其技术和管理水平越高；而规模效率值越高，说明其当前的生产规模越接近规模最优。

中国许多省份的纯技术效率值相差不大，而规模效率相差较大，是造成省际技术效率差距的主要原因。

广东省的高技术产业的纯技术效率值为1，说明了该省在当前的技术水平下，对于投入资源的利用是有效率的，并没有因为技术或者管理的因素而造成资源浪费。

但是，广东省的规模效率仅为0.521，说明了该省高技术产业的规模过大，投入较多，却产出不足。

除了广东省以外，江苏和山东这两个东部沿海城市的纯技术效率较高，分别为0.855和0.808。

但是，由于规模效率较低，使得江苏和山东的技术效率值较低。

（3）根据各个省份在2004—2012年之间，其高技术产业存在规模报酬递增、递减还是不变的情况，得知：

在26个DEA无效的省份中，15个省份在所有年份都呈现规模报酬递减；7个省份在超过一半的年份呈现规模报酬递减；仅4个省份规模报酬递增的年份多于递减的年份。

这说明了，中国大多数省份高技术产业的生产规模并未达到最优，存在投入较大而产出不足的情况。

而事实也是如此。

根据刘和东等的研究表明，中国高技术产业在1998—2007年期间的R&D经费年均增长28.44%；R&D人员总量年均增长14.94%。

但与此同时，新产品销售收入年均增长只有26.68%，低于R&D经费年均增长率。

这说明了一味的增加生产要素的投入，扩大生产规模并不一定有利于高技术产业的可持续发展。

因此，各个省份高技术产业应逐步实现粗放式经营到集约式经营的转型。

4.1.2中国省际及地区高技术产业Malmquist指数的测算结果及分析

本研究利用Deap2.1软件和各个省份高技术产业2004—2012年的面板数据，计算出28个省份的Malmquist生产率指数，包括：

全要素生产率指数（TFP）、技术进步指数、技术效率变化指数、纯技术效率变化指数和规模效率变化指数。

具体结果见表4。

中国28个省份中，有21个省份的全要素生产率（TFP）有所上升，而7个省份的全要素生产率（TFP）有所降低。

其中，TFP降低的7个省份包括：

内蒙古、黑龙江、广西、四川、云南、青海和宁夏。

除了黑龙江以外，其余省份都地处西部地区。

其中，青海省TFP年均增长率为-49.8%，技术进步年均增长率为-42%，技术效率变化年均增长率为-21.6%。

本文认为技术进步呈现负增长并不是说明其高技术产业出现了技术衰退，而是其技术进步的增长速度有所下降。

所以，青海省的高技术产业的技术进步的增长速度呈现衰退趋势，从而使得其高技术产业的整体技术创新水平与生产前沿面上的省份的差距逐渐拉大，是其TFP呈现负增长的主要原因。

与其处于相同处境的还有云南省和宁夏省。

根据省际高技术产业技术创新效率的测算结果，云南省高技术产业在2000—2008年都是DEA有效的，处于最优的生产前沿面上，即在当前的技术水平和管理水平下，达到生产规模最优，从而获得最大的产出。

但是，云南省TFP年均增长率为-24.2%，技术进步年均增长率为-24.3%，技术效率无变化。

这说明了云南省高技术产业虽然在当前的技术和管理水平下，达到规模最优，投入产出有效。

但是，云南省的技术进步增长速度也呈现下降的趋势，使得其高技术产业的技术创新水平与先进省份的差距逐渐加大，是其TFP呈现负增长的源泉。

而宁夏省的TFP年均增长率为-9.9%，技术进步年均增长率为-9.2%，技术效率变化年均增长率为-0.8%。

可见，技术进步的增长速度放缓也是宁夏省TFP降低的主要原因。

而黑龙江的TFP年均增长率为-6%，技术进步年均增长率为7.6%，技术效率变化的年均增长率-12.6%。

可见，黑龙江的技术进步速度有所上升，但是其技术效率呈现下降趋势。

而其纯技术效率年均增长率为-16.6%，规模效率年均增长率为4.6%。

这说明了黑龙江在当前的技术和管理水平下，其投入资源的利用存在浪费，且产出不足。

而技术效率变化的降低是其TFP呈现负增长的主要原因。

表4中国省际高技术产业Malmquist指数及其构成

地区

TFP指数

技术进步指数

技术效率变化指数

纯技术效率变化指数

规模效率变化指数

北京

1.161

1.127

1.031

1.000

1.031

天津

1.034

1.034

1.000

1.000

1.000

河北

1.181

1.026

1.150

1.170

0