国产机器人企业研发效率评价及影响因素研究
——基于DEA-Tobit两阶段分析法

黄 俊1,杨紫锐1,殷丽梅1,张旻旻2,秦 颖3

(1.西南大学 经济管理学院,重庆 400715;2.重庆市质量与标准化研究院,重庆 400023;3.四川省科技促进发展研究中心,四川 成都 610041)

摘 要:基于国内机器人行业发展现状,利用超效率DEA与Malmquist指数相结合的评价方法以及Tobit回归模型,对我国机器人行业14家上市企业的研发创新效率及影响因素进行实证研究。结果发现:国产机器人R&D效率呈现上升趋势,技术进步突出,政策效果明显,但还存在较大提升空间;研发投入和资本密集度对R&D效率没有显著影响,企业经营规模和融资能力与R&D效率显著正相关。最后,结合研究结果,从营造创新环境、制定行业标准、整合产业链以及转型招商模式等方面提出了政策建议。

关键词:机器人企业;研发效率;超效率DEA;Malmquist指数

0 引言

随着全球产业竞争格局的变化,中国经济发展步入新常态,制造战略核心从传统制造调整为智能制造。2016年4月,国家工信部、发改委、财政部联合印发了《机器人产业发展规划(2016-2020)》,加快贯彻落实《中国制造2025》,紧密围绕我国经济转型和社会发展重大需求,提出要增强机器人企业技术创新能力,实现关键零部件和高端产品的重大突破,构建具有中国特色的机器人产业体系,为建设制造强国奠定基础[1]

2013年国产机器人行业超越日本成为全球最大的机器人消费市场,年产量逐年提升,2016年达到了72 426套,但是,在核心零部件等关键技术领域长期受制于国外品牌,在自主研发创新和自主品牌建设方面还有较大发展空间。2016年12月,工信部制定了《工业机器人行业规范条件》,加强了国内机器人行业的产品质量和市场秩序管理,旨在提升机器人企业研发效率,以创新推动机器人行业可持续发展。因此,本文以国内机器人行业上市公司为研究对象,对机器人上市企业的研发(R&D)创新效率进行评价和影响因素研究,具有重要的现实意义。

1 文献回顾

企业技术研发创新效率是企业竞争能力的源泉和可持续发展的动力,直接关系到实体产业的兴衰,进而影响整个国民经济发展。企业研发投入风险高,成功率低,一直是政府、企业以及理论界关注的重点,国内外学者对企业研发效率进行了大量理论和实证研究。Afriat[2]提出,研发效率是研发创新活动的技术效率。李艳玲[3]把研发创新效率定义为企业技术创新过程中投入要素相对于产出的利用率,其是研发创新能力发挥和经济效益的客观反映。

目前,效率测度通常采用多指标综合评价法,其中,数据包络法(DEA)是较为常用的方法。陈伟[4]利用基于DEA的Malmquist指数方法,对我国电子行业15家上市企业的创新效率变动进行了评价,提出了提高电子行业创新效率的政策建议。李兰冰[5]利用DEA模型对国内31个省(直辖市)的区域科技创新效率进行总体评价,并利用Tobit模型对区域创新无效率的影响因素进行识别和分析。张根文[6]利用DEA-Tobit两阶段法对我国21家新能源汽车上市企业进行了生产效率评价及影响因素研究,并基于实证结果提出了提高国内新能源汽车行业生产效率的政策建议。国内对企业创新效率的研究主要围绕不同方面独立展开,如左铠瑞[7]、罗彦如[8]等从国家区域层面对创新效率进行了评价研究,尹述颖[9]、夏维力[10]等从行业层面进行了研究。纵观国内研究成果,对于机器人行业研发效率现状,亟需从静态和动态效率两个方面进行测度研究。本文基于超效率DEA和Malmquist指数方法,把静态效率和动态效率相结合,对机器人企业研发效率进行综合评价,然后基于Tobit模型回归分析其影响因素,具有一定的理论价值。

2 评价方法、指标及样本数据

2.1 评价方法

数据包络分析(DEA)由A Cooper与W W Charnes等[11]提出,适用于多投入、多产出和多目标决策单元的绩效评价,近年来多用于科技、创新等领域的研究。根据王健等[12]的研究,本文将先运用超效率DEA对样本企业的研发创新总效率进行评价,然后利用Malmquist指数方法对研发效率进行分解。

超效率DEA模型排序方法由Andersen和Petersen[14]提出,超效率DEA能将有效决策单元从生产前沿面分离出去,区分效率值为1的决策单元并排序,使得原本无效的DMU仍然无效,而且效率值不变[13-14]。因此,本文利用超效率DEA方法,根据效率值有效评价样本企业的研发情况。

Malmquist指数是基于多维向量反映投入产出决策单元的全要素生产率变化情况的非参数方法。Caves(1982)等将malmquist指数应用到生产率测算领域,Fareet等[15]在此基础之上结合数据包络法,构建了基于DEA方法的Malmquist指数。该方法可以进一步拆分开来,分别表示技术进步和规模效率变化情况,对研究对象的绩效尤其是技术进步具有较强的表现和评价能力。

2.2 企业研发效率评价指标体系构建

R&D效率评价建立在合理的绩效评价体系之上,通常遵循准确性、可行性、独立性、协调性等原则[16]。本文将机器人上市企业R&D效率评价指标划分为投入和产出指标。对于投入指标,目前国内外关于企业研发效率的文献一般从研发人力和资本角度选取,参照虞晓芬[17]研究我国区域技术创新效率中的评价体系,以及魏长升[18]关于研发投入对上市公司经营绩效的研究,本文从R&D投入强度(X1)、R&D人员投入强度(X2)和R&D费用3个方面多维描述企业研发投入。其中,R&D费用是企业用于产品研发及管理运营活动所需费用,但由于各企业间R&D费用的标准差过大,本文将R&D费用作为R&D投入强度的一部分参与测评。R&D投入强度是指企业用于研发创新的R&D费用占本年度主营业务的比重;R&D人员投入强度是指企业研发人员与企业员工总数之比。

R&D效率产出指标是指企业研发活动的主要成果,一般通过企业盈利能力和研发技术创新能力等对应的财务指标进行测量[19]。基于杨勇松[20]对我国大中型企业R&D效率研究中的评价体系,以及赵京[21]的研究成果,本文选取主营业务利润率(Y1)、资产收益率(Y2)和技术资产率(Y3)作为产出指标。其中,主营业务利润率和资产收益率分别反映企业主营业务盈利能力和企业资本运营效率;技术资产率是企业无形资产与总资产之比,反映企业通过无形资产研发成果的效率,是企业技术创新能力的体现。总之,上市机器人企业R&D效率评价指标体系如表1所示。

表1 R&D效率评价指标体系

一级指标指标分解指标涵义投入指标R&D投入强度(X1)R&D人员投入强度(X2)产出指标技术盈利能力主营业务利润率(Y1)资产收益率(Y2)技术创新能力技术资产率(Y3)

2.3 样本数据

本文从沪深股市选取具有行业影响力的机器人上市企业作为研究样本,将每个机器人企业作为一个DMU,根据沪深交易所披露的上市企业年报,选取2010-2015年审计后的财务数据作为研究对象,剔除数据披露少于5年的企业,摒弃财务状况连续两年出现问题的企业,考虑到数据的可靠性和异常点等因素[4],最终确定14家国产机器人上市公司作为研究样本。

同时,DEA模型对数据要求比较高,要求输入数据必须为正数,但是,样本数据包含企业产出数据,难免出现负数的情况,例如华中数控2015年资产收益率为-4.94%,为了解决负产出的情况,本文利用初等行变换和足够小的正数代替的方法对负产出数据作进一步处理[22],以使DEA模型计算能够更真实地反映结果。

3 实证分析

3.1 静态效率值分析

本文基于超效率DEA方法,运用DEA-solver数据包络分析软件,对2010-2015年度有效的DMU进行计算分析,得出超效率值(见表2),并对其均值进行排名。

如表2所示,从单个企业来看,在2010-2015年的综合效率评价中,法因数控、均胜电子和智云股份分别排在前3位,其次是博实股份、蓝英装备等企业。其中,研发效率最高的是法因数控,资料显示其拥有较为强大的科研团队,比较注重研发成果转化和产品营销,通常在销售队伍中配备技术研发人员,不仅有效提升了服务水平,还能有效反馈产品使用情况,提升研发设计水准,增强企业竞争力。而效率值最低的华中数控,虽然近年来研发投入大幅增长,但研发成果转化效率较低,无法助推业绩增长,反而增加了管理费用和营业成本,出现了连年亏损情况。从总体行业来看,2011-2015年均R&D效率值呈现增长态势,符合国产机器人行业整体发展情况,近年来,全球机器人行业处于大发展时期,中国机器人产业发展势头更为强劲,据OFweek工控网资料显示,中国作为全球最大的机器人消费市场,2015年机器人销量达到7.5万余台,占全球机器人销量的1/3,年均增长超过20%[23]。但从企业平均效率来看,实证结果显示样本企业中有6家企业的效率值小于1,说明大多数企业的研发投入资源没有得到有效利用,研发效率均有待提高。本文经过严格的样本筛选,14家上市公司都是国内机器人行业的典型代表性企业,其整体R&D效率状况进一步说明,整个机器人行业的R&D效率还比较低,亟待提高。

表2 2011-2015年机器人上市企业效率值评价结果

上市企业20112012201320142015平均值排名华昌达(300278)0.7960.8681.3721.0001.0001.0077智云股份(300097)0.8860.8972.1281.6300.6251.2333华中数控(300161)0.5170.5970.6330.4500.5970.55913蓝英装备(300293)1.3921.4731.0000.8080.6101.0575软控股份(002073)1.2641.0060.5990.6230.8130.86111法因数控(002270)0.9021.0341.1721.9613.8241.7791亚威股份(002559)1.0001.0001.0001.0001.0051.0019新时达(002527)0.9461.1081.0581.0020.8981.0038上海机电(600835)0.4931.0001.0001.0000.8590.87010均胜电子(600699)1.0001.0002.1221.6921.4391.4512博实股份(002698)1.1701.3221.2461.1610.6401.1084三丰智能(300276)1.3871.0720.7210.8821.0191.0166南京熊猫(600775)0.8000.4360.4720.4100.4440.51314宝德股份(300023)0.6270.7150.5110.7861.0000.72812均值0.9420.9661.0741.0291.0551.013

3.2 Malmquist指数动态效率分析

本文的动态Malmquist指数效率分析由DEAP2.1软件实现,分析了2011-2015年14家机器人上市企业的动态效率变化情况,如表3所示,2011-2015年机器人上市样本企业全要素生产率变化分解如表4所示。

从表3可以看出,2011-2015年样本企业中有6家企业的全要素生产效率指数(TFP)小于1,占样本企业的40%,说明本土企业研发效率存在较大提升空间。结合国产机器人的占比情况(如图2所示),目前国内生产搬运类的直角坐标机器人和平面多关节机器人较多,而应用于汽车、焊接等制造行业的高端多关节机器人不到10%,主要依赖从日本、欧洲等国家和地区进口。大多国产机器人企业以组装和代加工为主,处于产业链底端,技术含量不高,企业创新能力不强,研发效率不高,呈现出“高端产业低端化”的发展态势。以华中数控为例,其效率退步的主要原因在于技术退步,技术效率变化指数Effch为1.042,技术进步变化指数Tech只有0.941,说明研发技术的衰退抵消了技术效率对总效率TFP的正向作用,这与前文分析结果较为吻合。

由表4可知,从时序变动情况来看,2011-2015年平均Malmquist指数为1.074, R&D效率呈现基本为正的增长态势,这与超效率DEA模型结果一致。2012-2014年有所下降,样本企业技术进步指数Tech均小于1,技术效率变化指数Effch均大于1,说明TFP的增长动力主要源于技术效率的改善,技术进步有待加强。2015年TFP值回升至1.376,其中,技术进步指数Tech达到了1.594,在很大程度上促进了TFP增长。2012年国家工信部下发了《智能制造装备发展专项2012年实施指南》,提出要振兴我国制造业,加强核心技术突破和产业示范应用,大力推进智能制造。机器人行业的技术进步突出,2015年Tech指数达到了1.594,如表4所示,考虑到政策实施和投入产出的延迟性,说明国家制定的智能制造战略的政策效果较为明显。

表3 2011-2015年企业R&D效率变动情况

上市企业技术效率变化指数Effch技术进步变化指数Tech纯技术效率变化指数Pech规模效率变化指数Sech全要素生产效率变化指数TFP华昌达 0.8761.1030.9750.8980.966智云股份1.0820.9821.1420.9471.063华中数控1.0420.9410.9561.0900.980蓝英装备1.3441.1021.1151.2051.482软控股份1.0471.0261.0431.0031.073法因数控0.8950.9770.9700.9220.874亚威股份1.0151.0361.0001.0151.052新时达 1.0541.0481.0191.0341.105上海机电0.8710.9470.9320.9340.824均胜电子1.0001.5011.0001.0001.501博实股份1.1350.9681.1131.0191.099三丰智能1.0001.3131.0001.0001.313南京熊猫1.1111.2831.1610.9571.425宝德股份0.7560.8720.8970.8440.659均值 1.0071.0671.0200.9871.074

图1 各类型工业机器人国产占比情况

数据来源:《中国机器人产业发展白皮书(2016版)》

表4 2011-2015年样本企业全要素生产率及分解

年份技术效率变化指数Effch技术进步变化指数Tech纯技术效率变化指数Pech规模效率变化指数Sech全要素生产效率变化指数TFP2011-20121.0880.9231.0741.0141.0042012-20131.0490.9520.9981.0510.9992013-20141.0440.9251.0520.9920.9652014-20150.8631.5940.9610.8981.376均值1.0071.0671.0200.9871.074

3.3 DEA-Tobit回归分析

基于前文对机器人样本企业的R&D效率评价,利用Tobit回归模型进一步分析R&D效率的影响因素。本文重点研究企业R&D创新效率,从微观层面出发,着眼于企业自身运营的影响因素,并根据原毅军等[24]运用Tobit模型分析国内装备制造业影响因素的方法以及赵京[25]的研究成果,提出R&D效率影响因素指标,采用研发支出劳动比(X1)、资本密集度(X2)、资产规模(X3)和资产负债率(X4)表示企业研发支出、研发劳动力、企业规模和经营管理水平,其数据来源于各上市公司年报,被解释变量取自DEA模型中计算出的样本企业2011-2015年的R&D绩效综合效率(Y)。回归模型如下:

其中,i=1,2,3,4;y为效率值;xi为解释变量;β0为截距项;βt是各解释变量的回归系数;μi为残差项。

采用Eviews6.0对DEA-Tobit二阶段模型进行回归分析,结果如表5所示。

表5 DEA-Tobit模型分析结果

解释变量系数Z统计量P值研发支出劳动比(X1)0.0000852.0940190.0363*资本密集度(X2)-0.059856-1.8306610.5271资产规模(X3)0.1713973.4142390.0006***资产负债率(X4)0.2329928.7741270.0000***

注:***、**、*分别表示在1%、5%、10%的水平下显著

回归结果说明如下:

(1)研发支出劳动比(X1)的P值为0.036 3,系数为正,则其与R&D效率在10%的显著水平下正相关,但系数为0.000 085,相关度不是很高,说明样本企业研发支出对R&D效率的影响很小。进一步分析,一方面是国内机器人企业在关键技术领域受制于外资品牌,迫于竞争和生存压力,大多注重眼前的短期效益,代理加工国外机器人产品,大多科研人员都从事科技含量较低的集成组装工作,自主创新能力不强;另一方面,由于国外品牌长期占领国内机器人市场,自主品牌认可度不高,本土品牌推广应用困难,研发产品不能尽快投入市场,研发成果转化水平较低。因此,自主创新能力不强,成果转化率低,研发支出并没有大幅提升企业R&D效率。

(2)资本密集度(X2)反映企业每个员工拥有的资本量,客观上资本密集度越高的企业用于员工选拔、培训和激励的资本就越多,员工的组织支持感也越强,员工工作投入会促进企业形成良好的研发创新环境。而实证结果显示,资本密集度的系数为负且不显著,说明资本密集度对我国机器人行业上市公司的研发效率影响较小。结合实地访谈国内机器人企业发现,大多国产机器人企业并没有重视员工激励和素质提升,用于员工提升和激励的资本相对较少,员工创新能力不强,缺乏积极的创新研发环境,资本要素没有正向促进R&D效率提升。

(3)资产规模(X3)的回归系数为正且在1%的水平下显著,表明资产规模对我国机器人行业上市企业R&D效率有着显著的正相关关系,企业规模越大,其整合资源的能力和经营管理水平越高,规模效应越明显,越有利于企业R&D效率提升。

(4)资产负债率(X4)的P值为0,回归系数为正,则其与R&D效率显著正相关,说明我国机器人行业上市企业的资产负债率控制在适度范围内,其资产负债率越高,研发绩效就越高。资产负债率反映企业融资水平,联系国内机器人行业实际,企业通过融资可以提高经营活动能力,扩大生产规模,开拓市场,增强企业活力,从而提升创新研发效率,促进企业可持续发展。

4 结论及建议

本文利用超效率DEA和Malmquist指数方法,综合分析了2011-2015年国内机器人行业上市公司的R&D效率,并基于评价结果构建DEA-Tobit两阶段分析模型,研究了R&D效率影响因素,得出如下结论:国内机器人行业的R&D效率呈现上升趋势,但还存在较大提升空间;在动态效率方面,机器人行业的技术进步突出,政策效果明显;在R&D效率影响因素方面,研发投入和资本密集度对R&D效率的作用不显著,企业经营规模和融资能力对R&D效率具有显著影响。

基于以上实证分析结果,为提升国内机器人行业R&D效率,发展我国机器人产业,进一步推动整个制造业转型升级,本文提出以下建议:

(1)增加科研投入,营造创新环境,提升企业员工自主创新能力。 ①对于政府来说,增加机器人企业的科研投入,营造良好的创新环境,是机器人企业创新发展的保障。推动科技与经济政策相衔接,鼓励企业以多种形式筹措资金,并引导政府资金和民间资本向机器人产业流动,解决中小企业的研发资金短缺问题。同时,在立法上重视机器人中小企业的技术创新活动,加强中小企业知识产权保护,鼓励中小企业参与到重大创新项目中,推动企业进行研发创新和技术推广,营造良好的技术创新环境;②对机器人企业来说,提升机器人产品研发效率,不仅需要国家和地方的支持引导,还需要切实营造企业内部良好的创新环境。要建立员工创新能力提升机制,企业资源进一步向技术人才的选拔、使用、培训和激励上倾斜,培养高素质的创新人才队伍,构建活跃的组织创新氛围,调动全体员工的研发创新积极性。

(2)制定行业标准,加强自主创新,引导产业向创新高端发展。 对于国内机器人行业来说,标准的缺失是造成机器人产品良莠不齐、低端发展的主要因素。引导机器人企业在企业标准、行业标准及国家标准上开展工作,优先研究制定具有自主知识产权的标准体系,建设统一的行业标准和认证规范,逐步完善以技术、功能、信息以及生产销售等为一体的规范指标,提升行业进入门槛,引导企业进行正确的产品定位,提升生产技术含量,增强企业创新研发效率,不断推动国产机器人行业向创新高端发展。同时,应建立机器人标准化和模块化信息服务平台,实现信息资源共享,鼓励企业和科研院所合作,组建机器人产业创新技术联盟,加强人工智能、大数据、卫星导航等科学技术的应用整合,建设高水平工业机器人研发平台,促进关键零部件和核心技术的自主创新突破,将现代信息技术与机器人产业相结合,提升行业技术水平,以协同创新推进整个产业发展。

(3)整合产业链,加强成果转化,抓住发展突破口。 ①对政府来说,国内机器人行业亟待打通产业链上下游,促进机器人产业链一体化,推动本体制造企业有效整合上游零部件和下游系统集成企业,培育规模大、技术强、产值高、具有国际竞争能力的龙头企业,争取在核心技术领域取得突破,发展自主品牌,降低产品成本,增强产业竞争力。同时,要推动国内传统制造企业转型升级,利用新兴技术改造、扶持传统制造企业,以融资和补贴的方式增强制造企业对机器人的应用需求,并以各种机制促进机器人产品的推广应用,加强机器人企业创新成果转化; ②对企业来说,国外品牌在汽车、电子等行业技术成熟、应用广泛,国产机器人要在短时间内实现赶超比较困难,而在家电、化工和食品等轻工制造业中,经济型机器人本体价格低廉,工艺要求不高,国外品牌并没有占据主导优势,国产机器人本体企业可以审时度势,加大适用于轻工制造业的机器人研发力度,利用本土资源成本优势,抓住发展机会,抢先占领市场,以支撑企业及整个产业发展。

(4)政策协同,转型招商模式,扶持国产企业做大做强。 转型传统招商模式是国内机器人产业发展的重点。当前国内制造业面临全新的挑战,人口红利逐渐消失,劳动力日益短缺,以资源和环境为代价的传统发展模式和以“市场换技术”的传统招商模式,已不能适应当前的发展状况。一方面,在机器人产业欠发达的西部地区要积极招商引资,吸纳技术成熟、创新力强的机器人国际巨头企业,强化多方面的战略合作,加强产业集聚,发挥规模经济效益,提升整个产业的活力;另一方面,在机器人产业趋于成熟的中东部地区要着力于人才培养和研发创新,优化创新创业环境,完善机器人全产业链孵化体系,吸纳国际化的研发人才和风险资本,构建国际化的融资环境,增强资本聚集,并加强企业和国家间交流合作,打造机器人产业国际化发展格局。

另外,政府要注重保护国产机器人企业。树立国家科技价值观,加强对国产机器人品牌的信任和尊重,充分调动地方和企业的积极性,结合行业发展现状,完善产业链配套,合理布局具有地域特色的产业集群,培育具有市场领导力的国内机器人龙头企业。同时,政府应该推动金融机构改革转型,从研发、生产到销售各个环节,设立财政专项资金,制定各种优惠政策,重点扶持中小机器人企业,大力支持创新能力强、技术先进的机器人项目,保护本土企业在核心技术研发和机器人应用领域的生存空间,做大做强国产机器人产业,以智能制造推动整个制造业转型发展。

参考文献:

[1] 国家工信部,发改委,财政部.机器人产业发展规划(2016-2020)[Z]. 2016.

[2] AGGARWAL, VIKAS A,HSU, DAVID H. Modes of cooperative R&D commercialization by start-ups[J]. Strategic Management Journal,2009(8): 835-864.

[3] 李艳玲,潘杰义,陈玥希. 基于DEA的企业技术创新效率评价研究[J].河北工业科技,2005(2):74-76+80.

[4] 陈伟,刘井建. 基于DEA-Malmquist指数的企业创新效率变动研究——对我国电子行业的15家上市企业的实证分析[J]. 科技进步与对策,2008(8):139-142.

[5] 李兰冰. 我国区域科技创新效率评价——以省际数据为样本[J]. 科技管理研究,2008(9):87-90.

[6] 张根文,曾行运. 基于DEA-Tobit模型的新能源汽车生产效率及影响因素研究[J]. 工业技术经济,2014(3):130-137.

[7] 左铠瑞,宫建成. 中国区域R&D效率变化测度及其影响因素研究[J]. 科学学与科学技术管理,2016(4):79-88.

[8] 王善礼.区域创新环境对区域技术创新效率影响的实证研究[D].重庆:重庆大学,2008.

[9] 叶红雨,杨雨婷. 基于三阶段DEA模型的我国医药制造业技术创新效率研究[J]. 经济与管理评论,2015(2):46-52.

[10] 夏维力,钟培. 基于DEA-Malmquist指数的我国制造业R&D动态效率研究[J]. 研究与发展管理,2011(2):58-66.

[11] CHARNES A COOPER W W,RHODES E. Measuring the efficiency of decision making units [J]. European Journal of Operational Research,1978(2):429-444.

[12] 王健,金浩,梁慧超.我国商业银行效率分析——基于超效率DEA和Malmquist指数[J]. 技术经济与管理研究,2011(4):124-127.

[13] ANDERSEN P,PETERSEN N C.A procedure for ranking efficient units in data envelopment analysis[J] .Management Science,1993,39(10):1261-1294.

[14] 王关强,李勇军.效率DEA模型的模糊扩展[J].中国管理科学,2009,17 (2):117-24.

[15] 戚湧,孟小燕,赵宏,等. 基于Malmquist指数的创新团队合作研发绩效评价[J]. 科技进步与对策,2011(20):117-121.

[16] 穆智蕊. 基于超效率DEA模型的北京R&D投入绩效评价[J]. 科技进步与对策,2012(5):117-120.

[17] 虞晓芬,李正卫,池仁勇,等. 我国区域技术创新效率:现状与原因[J]. 科学学研究,2005(2):258-264.

[18] 魏长升,黄绣娟. 基于DEA模型的研发投入对农业上市公司经营绩效影响研究[J]. 江西农业学报,2015(11):129-133.

[19] 冯康. 河北省高新技术企业研发效率研究[D].秦皇岛:燕山大学,2012.

[20] 杨勇松. 我国大中型工业企业R&D效率评价与对策研究[D].南京:南京航空航天大学,2009.

[21] 赵京. 基于DEA的汽车行业上市公司R&D绩效评价研究[D].南京:南京师范大学,2015.

[22] 沈江建. 负产出在DEA模型中的处理——基于软件DEAP的运用[A].第十届(2015)中国管理学年会论文集,2015.

[23] OFweek机器人.机器人未来市场存忧,产业三大痛点解析[Z].2016.

[24] 原毅军,耿殿贺. 中国装备制造业技术研发效率的实证研究[J]. 中国软科学,2010(3):51-57+144.

[25] 李刚. 民营中小型制造企业技术创新能力提升研究[D].北京:北京交通大学,2009.

(责任编辑:万贤贤)

Analysis on R&D Efficiency of Domestic Robot Enterprises and Related Factors in China——Based on DEA-Tobit Two-Stage Analysis Method

Huang Jun1,Yang Zirui1,Yin Limei1,Zhang Minmin2,Qin Ying3

(1.College of Economics and Management, Southwest University, Chongqing 400715, China;2.Chongqing Institute of Quality and Standardization, Chongqing 400023, China;3.Research Center of Science and Technology Promotion of Sichuan Province, Chengdu 610041, China)

Abstract:It empirically studies on the innovation efficiency and influencing factors of 14 Listed Companies in domestic robot industry, with the method of combining super efficiency DEA and Malmquist index and Tobit regression model. It finds out that R&D efficiency of domestic robots show an upward trend, technological progress is very prominent and policy effect is obvious, but there is still much room for improvement; R&D investment and capital intensity never have any significant effect on R&D efficiency, and the scale of business and the ability of financing have significant positive correlation with R&D efficiency. Finally, according to the research results, this paper puts forward some policy suggestions on the development of industry standards, the integration of industrial chain and the transformation of investment model.

Key Words:Robot Enterprises; R&D Efficiency; Super Efficiency DEA; Malmquist Index

DOI:10.6049/kjjbydc.2017030775

中图分类号:F426.67

文献标识码:A

文章编号:1001-7348(2017)18-0101-06

收稿日期:2017-06-26

基金项目:国家社会科学基金项目(12XGL007);重庆市质量和标准化研究院委托项目(16C2146)

作者简介:黄俊(1972-),男,湖北云梦人,博士,西南大学经济管理学院教授、博士生导师,研究方向为创新创业管理;杨紫锐(1992-),男,湖北恩施人,西南大学经济管理学院硕士研究生,研究方向为企业创新管理;殷丽梅(1992-),女,四川眉山人,西南大学经济管理学院硕士研究生,研究方向为人力资源管理;张旻旻(1978-),女,重庆人,重庆市质量和标准化研究院工程师,研究方向为质量标准化与技术性贸易措施;秦颖(1975-),女,四川成都人,四川省科技促进发展研究中心副研究员,研究方向为科技政策与科技评价。本文通讯作者为秦颖。