<span class="emphasis_bold">绿色增长下我国大型制造</span><span class="emphasis

(1.东南大学经济管理学院，江苏南京 211189；2.中国科学技术大学信息科学技术学院，安徽合肥 230026)

摘要：基于绿色增长视角，采用三阶段DEA模型对2011-2015年中国内地30个省(市)大型制造企业创新效率进行评价。结果发现：①环境因素和随机误差对我国大型制造企业创新效率影响较大；②调整后的我国大型制造企业整体创新效率不高，规模效率成为制约创新效率的主要因素；③东部地区大型制造企业平均创新效率最高，而中、西部地区则相对较低；④多数省(市)大型制造企业创新效率存在一定程度的提升空间。在此基础上，提出了不同地区相应的创新效率提升路径。

关键词：绿色增长；大型制造企业；创新效率；提升路径；三阶段DEA

0 引言

大型制造企业在国民经济建设中发挥着基础性支撑作用，成为科技创新的核心推动力，对整个产业链和区域竞争具有关键带动作用。大力支持和培育大型制造企业有利于促进产业优化升级和经济可持续发展，是我国新常态下的必然选择。2015年5月，国务院出台《中国制造2025》，明确提出全面提升中国制造业发展质量和创新水平，降低重点行业单位工业能耗和废弃物排放，早日迈入具有国际竞争力的制造强国行列。截至2016年底，我国工业增加值达到24.8万亿元，比2015年增长了6.0%，占GDP的33.3%，其中规模以上制造业同比增长6.8%。然而，随着新一轮国际产业分工和科技革命的到来，我国制造业发展内生动力不足，资源能源和生态环境约束日益趋紧。大型制造企业作为我国制造业主体，虽然受到国家战略重视，但是其产能利用率较低、能源消耗较高、绿色增长难等问题仍是制约产业创新的瓶颈。为了实现创新可持续发展，2017年1月，国务院印发《“十三五”节能减排综合工作方案》，强调构建绿色制造体系，推广系统性技术研发，提升整体创新水平。因此，本文以中国大型制造企业为研究样本，从绿色增长视角对纯技术效率、规模效率、综合效率进行分析，进而提出合理的创新效率提升路径。

1 文献综述

关于创新效率，国外学者Joaquin[1]运用结构方程模型分析得出组织学习能力会提升产品生产创新效率。Michael与Viktor[2]认为,高研发强度和机构知识外部性会导致区域专业化与创新效率之间的反向U型关系。Thomas等[3]将美国50个州及哥伦比亚特区作为案例，发现专利研发是影响区域创新效率的重要因素。在制造企业创新方面，Yong等[4]基于韩国626家制造业调查问卷，比较分析了业务运营、竞争力与创新效率之间的关系。Nicola[5]分析医药制造业的创新活动，发现临床阶段的成本制约较少，医药制造业创新效率较高。Wolfgang与Jurgen[6]以德国制造企业为分析对象，认为R&D强度与企业创新效率存在显著正相关。得到类似结论的还有Petr[7]，他认为当汽车制造业创新要素投入较多时，企业创新效率会提高。

国内学者从不同视角构建评价指标体系，并运用不同实证分析方法对创新效率进行研究。从指标体系看，周冬冬与韩东林等[8]借鉴知识管理理论，从技术创新决策能力、技术创新实施能力和技术创新实现能力方面评价了高技术服务业研发机构的创新效率。余永泽与刘大勇[9]从创新价值链出发，构建了包含知识创新指标、研发创新指标、产品创新指标3个方面的创新效率评价体系。余红伟、郑伟华(2016)基于质量管理视角，从创新投入、创新产出、企业特质、人力资本、市场环境及政府影响等方面构建了制造企业创新效率评价指标体系。常晓然等[10]从经费投入、人员投入、知识创新、技术商业化、经济效益、环境成本等方面构建了我国城市创新效率评价指标体系。从研究方法看，谭蓉娟与翟青[11]借鉴结构方程原理，得出珠三角地区装备制造企业创新效率影响因素。邬龙与张永安(2013)应用随机前沿生产函数，分别对北京市医药产业和信息技术产业创新效率进行了测算。董艳梅与朱英明(2015)结合两阶段DEA模型和动态网络模型，得出我国高技术产业创新效率不高且在成果转化阶段具有较大改进空间的结论。王海龙等(2016)通过对数据包络模型和Tobit回归模型综合研究发现，绿色技术创新效率对绿色增长绩效具有正向影响，并且呈现东部高、西部低的区域分布态势。近年来，赵金楼与康正[13]对大型制造企业生产管理模式进行了分析，杨瑾[14]则对大型制造业集群供应链绩效模式进行了实证研究。

通过文献梳理发现，国外学者主要以不同地区、不同部门的制造业为研究样本，并基于不同视角探讨制造业创新问题。对于创新效率评价，国内学者从指标体系、实证方法等角度展开研究，在创新效率指标体系方面，大多数研究者忽视了环境因素对创新效率的影响。现有研究主要涉及我国整体和区域制造业，对规模划分下大型制造企业创新效率及提升路径的研究鲜见。因此，本文从绿色增长视角出发，运用三阶段DEA模型评价大型制造企业创新效率，并注重我国各省(市)创新效率提升路径分析，以期提供更具可行性的战略指导。

2 研究方法与指标体系构建

2.1 研究方法

数据包络分析法(DEA，data envelopment analysis)是由A.Charnes、W.W.Cooper等(1978)创立的一种测度效率非参数方法。传统DEA方法没有考虑环境因素的实际影响，且忽视了松弛变量在效率评价中的作用，不可避免地存在技术缺陷。因此，Fried在传统DEA方法的基础上提出了三阶段DEA方法。本文采用三阶段DEA方法对我国大型制造企业创新效率提升路径进行分析，该方法具体计算步骤如下：

假设决策单元(DMU)有I个，且所有DMU都包括N项投入和M项产出。令Xi=(X1i,X2i,...,XNi)，Xni表示第i(i=1,2,...,I)个DMU的第n(n=1,2,...,N)项投入指标值；令Yi=(Y1i,Y2i,...,YMi)，Ymi表示第i(i=1,2,...,I)个DMU的第m(m=1,2,...,M)项产出指标值。此外，S-与S+分别表示投入冗余值和产出不足值，ε表示非阿基米德无穷小，θ表示DMU的有效值。本文从绿色增长视角出发，尽量减少投入和降低负产出，采用投入导向下的BCC-DEA模型，具体形式如式(1)所示。

若θ=1，且S-=S+=0，则该DMU为DEA有效；若θ=1，但S-≠0或S+≠0，则该DMU为弱DEA有效；若θ<1，则该DMU为DEA无效。BCC-DEA模型测算了综合技术效率(TE)、纯技术效率(PTE)和规模效率(SE)，且满足TE = PTE × SE。

相似SFA模型将第一阶段的松弛变量S-分解为环境因素、随机误差和管理无效率3种效应，并有效剔除环境因素和随机误差的影响，得到仅由管理无效率导致的投入冗余。根据Fried的理论，相似SFA模型构造如式(2)所示。

在式(2)中，Sni是第i个DMU第n项的投入松弛量，f(zi;βn)是随机前沿函数，zi=[z1i,z2i,…,zKi](i=1,2,…I)是K个可观测的环境因素，βn是环境因素的系数，vni+uni是混合误差项，vni表示随机误差对松弛变量的影响且服从

分布，uni表示管理无效率对松弛变量的影响且服从

分布，vni和uni二者独立。为了将每一个DMU都置于相同外部环境中，利用SFA模型对DMU的原始投入进行调整，如式(3)所示。

在式(3)中，Xni是实际投入

是调整后投入

是对环境因素进行调整的结果，[max(νni)-νni]是对随机误差进行调整的结果，最终将所有DMU调整至相同状态。

将第二阶段调整后的投入

取代原始投入，运用BCC-DEA模型对各个DMU进行效率评价，最终得到剔除环境因素和随机因素的创新效率值，可以更加准确反映出大型制造业创新效率实际提升路径。

2.2 指标体系构建

大型制造企业在规模扩张过程中很可能带来环境污染和能源损耗，因此本文在构建指标体系时除考虑一般性投入产出指标外，还结合了大型制造企业与绿色增长相关指标。在第一、三阶段的BCC-DEA模型分析中，分别选择R&D活动人员折合全时当量、R&D经费内部支出作为人力资源投入及R&D资金投入指标。在创新产出上，专利和新产品销售收入是常用产出指标，考虑到专利只有获得专业机构批准才能生效，本文选取有效发明专利数作为专利产出指标。基于大型制造企业绿色增长视角，本研究还选取了工业废水排放量、废气污染物排放量衡量以资源消耗、环境污染为代价的产出。由于工业废水排放量、废气污染物排放量属于非期望负产出，本文借鉴Korhonen和 Luptacik(2004)对负产出的处理方法，将其纳入投入指标。

为了避免DEA模型中出现投入数量增加导致产出数量减少的情况，采用Pearson相关性检验方法对投入、产出指标进行检测。经计算可得，有效发明专利数与R&D活动人员折合全时当量、R&D经费内部支出、工业废水排放量、废气污染物排放量Pearson相关系数分别为0.879、0.774、0.777、0.131，新产品销售收入与R&D活动人员折合全时当量、R&D经费内部支出、工业废水排放量、废气污染物排放量Pearson相关系数分别为0.945、0.970、0.904、0.329。各投入指标均与产出指标之间存在正相关，且除废气污染物排放量外均在1%的显著性水平下通过检验，说明适合作DEA有效分析。

在第二阶段SFA模型分析中，环境因素虽然不在样本可控范围内，但对大型制造企业创新效率产生了较大的促进或约束作用。本文根据数据可获得性，将环境因素分为科技扶持、环保意识、基础设施3种，其中科技扶持反映地方政府对企业创新直接支持力度，用地方财政科技支出占财政总支出的比例表示；环保意识反映地方政府对环境保护的重视程度，通常来说，技术创新的积极性受到环境资源重视程度的正向影响，用地方节能环保支出占财政总支出的比例表示；基础设施反映物质、信息等要素对企业创新活动的支撑作用，用邮电业务总量代表。大型制造企业创新效率指标体系如表1所示。

2.3 数据来源

本文数据主要来源于2012-2016年各省(市)统计年鉴、《工业企业科技活动统计年鉴》及《中国统计年鉴》等，考虑到部分数据缺失，决策单元为我国内地(西藏因数据缺失未纳入统计范畴)30个省(市)大型制造企业。根据国家统计局分类标准，将这30个省(市)划分为东部、中部、西部3个地区。其中东部地区包括北京、天津、河北、辽宁、上海、江苏、浙江、福建、山东、广东、海南；中部地区包括山西、吉林、黑龙江、安徽、江西、河南、湖北、湖南；西部地区包括内蒙古、广西、重庆、四川、贵州、云南、陕西、甘肃、青海、宁夏、新疆。相对于投入，产出存在时滞，本文假设创新从投入到产出的时滞期为一年，并且所有数据均经过平均化处理，从而降低了单一年份波动性的影响。

3 实证结果与分析

3.1 创新效率测算结果

通过DEAP2.1软件对我国内地30个省(市)大型制造企业创新效率水平和规模收益状况进行分析，结果如表2所示。在剔除环境因素和随机误差影响之前，全国大型制造企业平均综合效率值为0.719，平均纯技术效率值为0.772，平均规模效率值为0.931，说明大多数省(市)大型制造企业的规模效率比纯技术效率高。从3大地区看，东部地区的综合效率值为0.857，明显大于中部地区的0.644和西部地区的0.636，纯技术效率、规模效率均处于全国领先水平。天津、上海、江苏、浙江、广东、重庆6个省(直辖市)的大型制造企业综合效率值达到1，处于创新效率前沿，其它省(市)均存在创新效率提升空间。由于传统DEA模型受环境因素和随机误差的影响，不能较好地反映大型制造企业真实创新水平，故需要采用SFA方法进行调整和测算。

注：irs表示规模收益递增；drs表示规模收益递增；—表示规模收益不变

选择第一阶段的R&D人员、R&D经费、工业废水和废气污染物4个松弛变量作为第二阶段的被解释变量，以科技扶持、环保意识、基础设施3个环境变量作为解释变量进行SFA回归分析，结果如表3所示。

在表3中，各环境变量对松弛变量的系数大多通过了显著性检验，说明选取的环境变量能够较好地反映投入指标的冗余情况。每个松弛变量的γ值都接近1，且通过了1%的显著性检验，说明管理因素对创新效率的影响占据主导地位。因此，运用SFA模型剔除环境因素与随机因素对创新效率的影响是有必要的。鉴于环境变量是对各投入指标松弛变量的回归，若回归系数为负，增加环境变量则会减少投入松弛，即提高创新效率；若回归系数为正，增加环境变量会增加投入松弛，即降低创新效率。

(1)科技扶持。以地方财政科技支出占财政总支出比例衡量的科技扶持对各投入松弛变量的回归系数均为负，且在1%的显著性水平上通过检验，说明当地方财政科技支出占财政总支出比例提高时，R&D人员、R&D经费投入量以及工业废水、废气污染物排放量显著下降，有助于减少资源浪费和环境污染，提升大型制造企业创新效率。

(2)环保意识。以地方节能环保支出占财政总支出比例衡量的环保意识与各投入松弛变量呈反向关系，且通过1 %的显著性检验，说明地方政府加大对环保的重视程度一方面可以有效利用人力和经费资源，另一方面可以降低工业污染压力，从而带动大型制造企业创新效率提高。

(3)基础设施。基础设施的完善理应促进创新效率提升，但在回归结果中以邮电业务总量衡量的基础设施对各投入松弛变量均具有正向作用，不利于创新效率提高，这可能是由于重复建设和过度投资引发相应的冗余浪费所致。此外，工业废水松弛变量的回归系数并不显著，可见影响是具有方向性的。

由上述分析可知，不同环境变量对大型制造企业创新效率的影响效果不同，有可能造成处于较好环境的决策单元效率值较高，而处于较差环境的决策单元效率值相对较低，从而影响创新效率评价的准确性。因此，有必要对原有投入变量进行调整，使每个决策单元处于相同的环境状态。

与调整前相比，调整后的全国综合效率均值由0.719下降到0.657，纯技术效率均值由0.772上升到 0.883，规模效率均值由0.931下降到0.742，波动幅度较大。总体上看，纯技术效率在调整前被低估，规模效率在调整前被高估，规模收益大多表现为递增状态。东部、中部、西部3大地区的创新效率变化趋势与全国创新效率变化趋势相同，东部地区综合效率值依然最高，而西部地区效率变化最为明显。对比各省(市)结果发现，除天津、上海、江苏、浙江、广东、重庆一直处于最优状态(综合效率为1，保持稳定)外，其它各省(市)的创新效率值均有所变化。其中，河北、辽宁、福建、山东、江西、河南、湖北、湖南、广西、四川的综合效率有所上升，特别是山东和湖南，调整后两省综合效率达到最佳，而其它省(市)的综合效率均出现不同幅度的下降。

3.2 调整后的各地区创新效率差异分析

调整后的创新效率值剔除了环境因素和随机误差的影响，能更真实反映出各区域大型制造企业绿色化创新发展水平。因此，采用调整后的DEA评价结果,对3大区域30个省(市)大型制造企业创新效率作进一步分析。

根据有效性判断原则，并结合0.7和0.3两个临界点，将DEA无效结果分为轻度、中度、重度3类，如表4所示。

从表4可看出，创新有效的省(市)有8个，仅占省(市)总数的26.67%。除湖南和重庆外，其余省(市)多位于东部地区，这些地区的大型制造企业依靠其发达的经济支撑，企业技术层次较高，环境污染较小。在DEA无效的省份中，安徽、江西、河南3个中部地区省份与广西、四川两个西部地区省份的大型制造企业R&D 投入规模有限且资源利用效率不高，呈现轻度DEA无效。同属于轻度DEA无效的省份还有东部地区的辽宁省，虽然该省大型制造企业的产业基础较好，且管理经验比较成熟，但是在生产过程中企业污染排放较大，自主创新能力不强。中度DEA无效的省份在所有DEA无效的省份中最为集中，这类无效省份大多位于西部地区，还有部分位于东部地区和中部地区。西部地区的贵州、云南、陕西、甘肃、新疆由于经济发展相对缓慢，大型制造企业技术研发与绿色转型工作开展难度较大，企业创新水平较低。重度DEA无效的省份包括东部地区的海南和中部地区的黑龙江以及西部地区的内蒙古、青海、宁夏。这些省份的大型制造企业均属于粗放式传统产业，企业创新意识普遍不强，从而导致环境污染较大。

以全国纯技术效率和规模效率均值作为划分标准，可将30个省(市)大型制造企业创新效率分为4类，分别为高纯技术效率低规模效率的A类型、纯技术效率和规模效率双高的B类型、纯技术效率和规模效率双低的C类型以及低纯技术效率高规模效率的D类型，二维分布如图1所示。

由图1可知，青海、海南、贵州、宁夏、新疆、甘肃、云南7 个省份属于A类型，创新效率存在较大提升空间。这些地区大型制造企业规模收益普遍处于递增状态，应充分利用R&D资源扩大发展规模，实现大型制造企业规模经济。处于创新效率前沿面的8个省(市)及广西壮族自治区属于B类型，大型制造企业技术管理与规模实力均处于我国领先水平，是我国大型制造企业创新效率表现最好的地区。除广西外，其它省份纯技术效率和规模效率均达到同时有效，创新效率提升空间较小。陕西、内蒙古、山西、黑龙江4个省份属于C类型，在大型制造企业可持续发展过程中，这些地区一方面要提高技术管理水平，另一方面要增强企业规模实力，操作起来难度相对较大。江西、四川、安徽、吉林、河南、辽宁、福建、湖北、北京、河北10个省(市)属于D类型，这些地区应着重进行纯技术效率提升，使创新资源投入发挥最大作用。

对于纯技术效率提升空间，三阶段DEA模型给出了各地区大型制造企业投入指标的松弛变量及其调整程度。除纯技术有效省份原始投入值等于投入目标值，不需要调整外，其它省份大型制造企业都需要减少投入松弛，具体如表5所示。

从表5可以看出，大部分创新投入松弛省份处于中部地区和西部地区，这两个地区投入松弛省份各有7个，约为东部地区投入松弛省份数量的2倍，说明影响中、西部地区大型制造企业创新效率的主要原因是投入冗余。以30%的松弛程度为临界点，河北和黑龙江4项投入指标的松弛程度较高，因此不能单纯依靠加大投入提升创新效率，而应在适度控制R&D投入的基础上，注重优化资源配置结构。山西、内蒙古、陕西的大型制造企业还没有充足的科技能力消化已投入的R&D资源，造成R&D人员、R&D经费和废气污染物3个投入变量的松弛程度较高，工业废水排放松弛程度则相对较低。两项投入指标松弛程度较高的省份有辽宁、吉林、河南，其中，辽宁在R&D经费和废气污染物上松弛程度较高，吉林、河南在R&D人员和废气污染物上松弛程度较高。福建、安徽、江西、湖北、四川、甘肃、宁夏、新疆的大型制造企业虽然投入冗余状态不尽相同，但是松弛程度较高的指标均集中于废气污染物排放上。此外，北京和云南是情况最好的，各投入变量的松弛程度均偏低。

3.3 大型制造企业创新效率提升路径

本文以天津、上海、江苏、浙江、山东、广东、海南、湖南、广西、重庆、贵州、青海12个纯技术有效省(市)为标准，基于投入松弛的严重程度和改善的难易程度，对其余18个省份的大型制造企业有针对性地采用不同创新效率提升路径，即人才高效型Ⅰ、资本集约型Ⅱ、水环境与绿色发展型Ⅲ、大气环境与绿色发展型Ⅳ。由于部分省(市)松弛程度较高的投入变量较多，不能简单地采用一种提升路径，需要结合实际情况全面考虑(见图2)。

(1)属于单一提升路径的有人才高效型地区(福建和湖北)、水环境与绿色发展地区(云南)、大气环境与绿色发展地区(安徽、江西、四川、甘肃、宁夏、新疆)。具体而言，福建和湖北应以提升人才资源配置水平为主，先发挥资本集约和环境友好的优势，再弥补人才资源配置的不足；云南各项投入松弛程度均小于30%，其中，工业废水的松弛程度最高，应将控制工废水排放作为创新效率提升的重点，利用研发技术和创新成果降低工业废水对环境的污染；安徽、江西、四川、甘肃、宁夏和新疆6个省份应在发挥研发效率较高和水环境绿色发展较快的相对优势的基础上，重点完善生产流程，降低大气污染物排放。

(2)辽宁、吉林、河南不能采取同一种提升路径，而需双管齐下。对于辽宁而言，虽然在大型制造企业R&D上投入了大量经费，但是资本使用效率不高，且生产过程中废气污染物排放过多，应加强资本集约化并促进大气环境改善与绿色发展；对于吉林和河南而言，大型制造企业尚未合理配置R&D人员，造成人才浪费，再加上受大型制造业产业结构、发展方式、选址布局等影响，废气污染物排放量大。因此，应将人才高效、大气环境改善与绿色发展并重，在合理配置人力资源的同时，加强大气环保力度。

(3)采取3种提升路径多管齐下的有山西、内蒙古和陕西。这3个省份大型制造企业的共同特点是在R&D人员、R&D经费、废气污染物上均具有较高冗余度，应综合采取人才高效型、资本集约型、大气环境改善与绿色发展型3种创新效率提升路径。在人才高效型提升路径方面，应合理调整R&D人员比例，完善人才培养体系，提高R&D人员素质；在资本集约型提升路径方面，应减少资金浪费现象，提高资本利用效率，增强资本配置能力；在大气环境改善与绿色发展提升路径方面，应推广使用绿色技术，减少大气污染物排放，提升创新发展质量。

(4)同时采用4种提升路径的是北京、河北和黑龙江。北京虽然松弛比例不高，但各项投入仍存在一定程度的冗余，从而影响了大型制造企业创新效率。因此，应该在现有基础上进一步促进资源优化配置，实现大型制造企业高效集约化发展；而河北和黑龙江面临的问题最严重，大型制造企业研发效率和绿色增长水平都不尽人意。对于河北而言，应着重控制大气污染物排放，以大气环境改善与绿色发展为突破口，不断提升研发资源经营管理水平；黑龙江则应以打造高效R&D团队和降低污染物排放为主，综合采取有效措施，提升创新效率。

4 结语

4.1 主要结论

本文运用三阶段DEA模型，在绿色增长视角下考察2012-2016年我国内地30个省(市)大型制造企业创新效率，并对创新提升路径进行了分析，结果发现：

(1)环境因素和随机误差对我国大型制造企业创新效率的影响较大。剔除环境因素和随机误差的影响后，全国大型制造企业综合效率明显下降，西部地区综合效率比东、中部地区综合效率下降更显著，大多数省(市)综合效率变化较大。

(2)调整后的我国大型制造企业整体创新效率不高，规模效率成为制约大型制造企业创新效率的主要因素。与调整前相比，调整后的全国平均创新效率仅为0.657，效率值偏低，且平均规模效率0.742比平均纯技术效率0.883低，影响了创新效率提升。

(3)东部地区大型制造企业平均创新效率最高，中、西部地区大型制造企业平均创新效率则低于全国平均水平。东部地区凭借其发达的经济实力，纯技术效率和规模效率较高，中、西部地区由于技术管理水平有限、发展规模不合理等，其创新效率还有待提高。

(4)多数省(市)的大型制造企业创新效率存在一定程度的提升空间。我国内地30个省(市)中仅有8个省(市)大型制造企业创新效率处于前沿面，大部分省份的纯技术效率、规模效率有待提升，其中，纯技术效率无效的省(市)投入松弛程度均不理想。

4.2 政策建议

大型制造企业创新效率提升除了需要各省(市)根据实际情况选择适宜的路径外，还需要宏观政策推动，具体包括如下几个方面：

(1)积极发挥政府对大型制造企业的引导功能。在当前经济新常态下，政府应加强对大型制造企业的战略指导，完善相关支持政策。对于创新水平较高的大型制造企业，政府可以实施专门的奖励措施，而对于创新层次较低的大型制造企业，则可以提供政策优惠。此外，政府应健全高素质和高技能研发人才培养机制，提高整个大型制造业自主创新能力。

(2)深化科技体制改革，提高大型制造企业科技资源配置效率。创新效率偏低地区的大型制造企业还处于传统加工阶段，面临研发资源比例不合理、产品结构层次较低、管理技术含量不高等问题。因此，有必要深化低技术地区企业科技改革，建立公共创新平台，鼓励技术交流与合作。同时，有效整合现存R&D资源，将原有不合理的R&D资源投入模式转变为高度集约型驱动模式，提升新技术利用率。

(3)以环境与绿色发展为突破口，带动创新效率整体提升。一方面，各地区要确立绿色增长思路，转变经济发展方式，由单纯关注经济效益向兼顾经济效益与资源、环境协调统一转变；另一方面，加大环境保护与支持力度，提升污染物处理技术水平，解决粗放式发展带来的环境污染问题，积极营造有利于创新效率提升的外部环境。

[1] JOAQUIN ALEGRE.Assessing the impact of organizational learning capability on product innovation performance:an empirical test[J].Technovation,2008(6):315-326.

[2] MICHAEL FRITSCH,VIKTOR SLAVTCHEV.How does industry specialization affect the efficiency of regional innovation systems[J].The Annals of Regional Science,2010(1):87-108.

[3] V J THOMAS,SEEMA SHARMA,SUDHIR K JAIN.Using patents and publications to assess R&D efficiency in the states of the USA[J].World Patent Information,2011(1):4-10.

[4] YONG JU CHO,CHOON SEONG LEEM,KI TAE SHIN.The relationships among manufacturing innovation,competitiveness,and business performance in the manufacturing industries of Korea[J].The International Journal of Advanced Manufacturing Technology,2008(7):840-850.

[5] NICOLA DIMITRI.An assessment of R&D productivity in the pharmaceutical industry[J].Trends in Pharmacological Sciences,2011(12):683-685.

[6] WOLFGANG BECKER,JURGEN DIETZ.R&D cooperation and innovation activities of firms——evidence for the German manufacturing industry[J].Research Policy,2004(2):209-223.

[7] PETR PAVLINEK.The internationalization of corporate R&D and the automotive industry R&D of East-Central Europe[J].Economic Geography,2012(3):279-310.

[8] 周冬冬，韩东林，杜永飞.基于知识管理的中国高技术服务业研发机构技术创新能力评价[J].中国科技论坛，2013(11)：5-10.

[9] 余永泽，刘大勇.创新价值链视角下的我国区域创新效率提升路径研究[J].科研管理，2014(5)：27-37.

[10] 常晓然，周全，吴晓波.我国54个城市的创新效率比较研究:基于包含非期望产出的SBM-NDEA模型[J].管理工程学报，2016(1)：9-18.

[11] 谭蓉娟，翟青.珠三角装备制造业自主创新效率影响因素实证研究[J].科技进步与对策，2011(9)：69-74.

[12] 邬龙，张永安.基于SFA的区域战略性新兴产业创新效率分析——以北京医药和信息技术产业为例[J].科学学与科学技术管理，2013(10)：95-102.

[13] 赵金楼，康正.基于知识管理的大型制造企业生产进度管理模式研究[J].科技管理研究，2009(11)：423-425.

[14] 杨瑾.大型复杂产品制造业集群供应链绩效评价模式研究[J].中国管理科学，2013(6)：64-71.

Research on the Path of Improvement in Innovation Efficiency of Chinese Large-Scale Manufacturing Enterprises based on Green Growth

(1.School of Economic and Management,Southeast University,Nanjing 211189,China; 2.School of Information Science and Technology,University of Science and Technology of China,Hefei 230026,China)

Abstract：Using three-stage DEA model,the research analyzes the innovation efficiency in 30 provinces of large-scale manufacturing enterprises from 2011 to 2015 with the perspective of green growth.The results show that environmental factors and random errors have great influence on the innovation efficiency of Chinese large-scale manufacturing enterprises; the overall efficiency of Chinese large-scale manufacturing enterprises is not high and the scale efficiency is the main factor restricting the innovation efficiency; the average innovation efficiency in the east area is the highest,while the central area and the west area are relatively low; most provinces' efficiencies exist a certain amount of space.On the basis of empirical research,the paper puts forward to the corresponding ascending path of innovation efficiency in different areas.

Key Words:Green Growth; Large-Scale Manufacturing Enterprises; Innovation Efficiency; Path of Improvement; Three-Stage DEA Model

基金项目：江苏省社会科学基金项目(14SZB024)；江苏省高校哲学社会科学研究重大项目(2015ZDAXM004)；中央高校基本科研业务费基金重大引导立项项目(2242017S10014)

作者简介：袁茜(1991-)，女，安徽合肥人，东南大学经济管理学院博士研究生，研究方向为技术创新评价；吴利华(1962-)，女，安徽黄山人，博士，东南大学经济管理学院教授、博士生导师，研究方向为技术创新与产业演化；张平(1988-)，男，安徽桐城人，中国科学技术大学信息科学技术学院博士研究生，研究方向为信息安全。

绿色增长下我国大型制造企业创新效率提升路径研究