<span class="emphasis_bold">高新技术企业创新系统</span>“<span class="emphasis_bold">黑箱</span>”<span class="emphasis

摘要：基于“黑箱”视角，将高新技术企业创新系统解构为研发和商业化两个子系统。运用两阶段复合网络DEA评价方法，测度2012-2015年我国内地25省市大中型高新技术企业创新系统效率，并以此为量化判别指标，结合聚类分析法，对各省市地区进行分类。结果表明：①我国高新技术企业创新系统效率总体不高，且研发子系统是薄弱环节；②2012-2015年，无论是创新系统总体效率还是各子系统效率，均呈现逐年递减趋势；③我国各省区高新技术企业创新系统的总体效率以及各子系统效率区域异质性特征明显。最后，提出政策建议，以期为企业和政府提供决策参考。

0 引言

十九大报告提出“创新是引领发展的第一动力，是建设现代化经济体系的战略支撑”。高新技术企业是创新的重要载体，对提高企业自身核心竞争力、促进经济结构调整以及转变经济发展方式有着举足轻重的作用。数据表明，2011-2015年，高新技术企业内部研发经费总投入平均年增长超过了15.72%，而新产品出口销售收入年均增长率仅为13.40%，即创新产出增速低于创新投入增速。由此可见，增加创新投入只是增加创新产出的必要条件。在当前我国创新资源相对不足的情况下，效率问题就变得尤为突出，高新技术企业创新系统效率的高低成为决定其竞争成败的关键。

关于高新技术企业创新系统效率，学者们主要围绕以下几个层面展开研究。①企业创新系统总体效率。熊飞等[1]利用数据包络分析法CCR及BCC模型，测度评价了丰台科技园区42家高新技术企业的创新系统效率。李刘艳[2]利用DEA模型对2003-2009年间我国高新技术企业整体综合效率、纯技术效率、规模效率和投影分析等进行了测度评价。吕月珍等[3]运用数据包络分析法测度了杭州式不同技术领域的高新技术企业整体创新效率；②创新系统的研发或商业化子系统效率。如朱有为、徐康宁[4]利用随机前沿生产函数对中国高技术企业的研发效率及影响因素进行了测算。韩亚峰等[5]通过构建知识资本动态积累模型，利用动态面板测算了64家高新技术企业的研发绩效。Tseng等[6]针对中国台湾的高新技术制造业建立了商业效率的综合分析模型；③行业层面的创新系统内部子系统间的联系。余泳泽[7]等利用DEA模型，将高技术企业技术研发过程分为技术开发和技术成果转化两个子系统，基于行业层面对我国高技术产业进行了实证分析。刘和东、陈程[8]运用DEA方法测度了我国12个不同行业的原创性高新技术企业在创新链不同阶段的技术效率、规模效应及投入与产出的冗余与松弛状况。冯志军、陈伟[9]运用资源约束型两阶段DEA模型测评了中国高新技术产业17个细分行业研发创新的整体及各子系统效率。

综上，已有成果从不同层面评测了高新技术企业创新系统效率，对高新技术企业的发展具有不同程度的推动作用。遗憾的是，现有研究仍存在以下不足：学者们在测度整个系统效率时，往往将企业创新系统视为一个“黑箱”，只考虑系统整体输入和输出，缺乏对系统内部结构的分析，难以发现系统低效率的深层结构原因；部分学者只侧重于测度研发或商业化子系统效率，未考虑子系统间的联系，导致测度的结果缺乏合理性；部分学者虽然分析了各创新子系统之间的联系，但局限于行业层面，未从区域层面对其进行精准测度。中国区域层面的高新技术企业创新系统整体、研发与商业化子系统的效率及其相互间关系如何？区域创新系统效率的异质性特征如何？已有研究很少对这些问题进行解答。

为此，本文基于系统视角对高新技术企业创新系统“黑箱”进行解构。利用2012-2015年我国内地25个省市大中型高新技术企业创新数据，准确测度创新系统整体、研发及商业化子系统的效率，分析系统效率间的关系，追溯创新系统低效的根源。同时，采用聚类分析法对各省市效率进行分类，得到不同区域企业创新系统效率的异质性特征。在此基础上，提出各地区高新技术企业创新系统效率提升对策，以期为政府或企业提供决策参考。

1 高新技术企业创新系统效率测度

高新技术企业创新系统可以解构为多个相互联系的子系统，既需要考虑系统整体效率，也要考察各子系统间的关系及其对系统整体效率的影响。

1.1 高新技术企业创新系统“黑箱”解构与指标选取

1.1.1 “黑箱”解构

高新技术企业创新系统“黑箱”是指，包括高新技术企业从技术创新投入到技术创新经济效益环节的创新系统。事实上，高新技术企业创新系统“黑箱”可解构为研发子系统和商业化子系统。其中，研发子系统是指从初始技术研发投入到中间技术创新产出的上游技术研发过程，其核心任务是技术创新，即在各种研发经费支持下，专业科研人员根据企业创新系统需求进行研发活动；商业化子系统是指从中间技术创新产出到最终技术创新经济收益转化的下游技术商业化过程，其核心任务是实现研发成果的市场价值。企业技术研发需以市场为导向，以解决实际问题并推动企业结构升级为目的。商业化子系统将技术成果与市场需求相结合，形成商业产品并使企业得利。

研发子系统与商业化子系统由中间产出连接起来，即中间技术创新产出在技术创新过程中具有“双重”身份，既是研发子系统的产出，又是商业化子系统的投入。本文基于企业创新系统整体视角，结合不同子系统间的协同运作机理，以及对各子系统效率的分析结果，探析实现创新系统整体效率最优化的路径。高新技术企业创新系统“黑箱”解构如图1所示。

根据上述创新系统“黑箱”解构图，选取创新系统各子系统测度指标如下：

(1)研发子系统投入：R&D人员、R&D经费。

(2)研发子系统产出：专利申请数、有效发明专利数。

(3)商业化子系统投入：技术投入包括专利申请数、有效发明专利数。

(4)人员投入：从业人员平均数。

(5)经费投入：技术改造、技术引进、消化吸收、购买国内技术经费。

(6)商业化子系统产出：新产品销售收入、新产品出口销售收入。

各项指标定义如表1所示。

1.2 高新技术企业创新系统DEA评价模型

高新技术企业创新系统效率评价涉及多项投入及产出指标，在具体评价时不仅要分析高新技术企业创新系统总体投入-产出效率和各子系统效率，还要分析两个子系统间的相互联系及各子系统对高新技术企业创新系统总体效率的影响。因此，本文采用两阶段复合网络DEA模型进行效率分析。与传统的DEA模型相比，复合网络DEA模型更适合描述创新整体过程与子过程的物质关系，得到的效率测度结果也更为可靠，具体表现为：①传统DEA面对多阶段生产过程，只能对各模块效率进行独立计算，而网络DEA能在整体框架下对整体过程和子过程进行系统同步效率计算；②网络DEA可满足具有协作性与系统性特征的创新过程测度要求，避免出现传统DEA可能带来的整体效率与子效率相悖的生产关系。综上可知，只有创新系统所有子过程效率有效，整体过程效率才有效，这更加符合系统的观点。

两阶段复合网络DEA模型是由Wei & Yan等[10]在Sexton&Lewis的S-L序贯方法思想的基础上，提出的只需一个线性规划实现的复合网络DEA模型。该模型适用于测度2个生产阶段有连接关系的生产系统效率，如式(1)所示。

其中θ1、θ2分别为决策单元j中两个生产阶段的效率值，xj为第一阶段的投入向量，zj为第一阶段的产出向量与第二阶段的投入向量，yj为第二阶段的产出向量，

分别为第一、二阶段决策单元的组合系数。假定两个阶段的生产过程对系统总体绩效的权重系数分别为ω1和ω2，为简化运算，取待定系数ω1=0.5、ω2=0.5。

由于高新技术企业创新系统的两个子系统之间联系紧密，本文将两阶段复合网络DEA模型引入高新技术企业创新系统进行绩效测度，研发子系统、商业化子系统分别对应于该方法的两个阶段。

2 高新技术企业创新系统效率实证分析

2.1 样本选择与数据来源

由于西藏、内蒙古、海南、青海、宁夏、新疆6个省、自治区部分数据缺失，予以剔除。最终选取除此六地外的全国内地25个省市为决策单元，对其大中型高新技术企业创新系统效率进行分析，各项指标数据来自2009-2016年的《中国高新技术产业统计年鉴》。

2.2 结果分析

2.2.1 创新系统效率评价结果

本文对2012-2015年全国各省市大中型高新技术企业创新系统效率进行测评，考虑到投入-产出具有时滞[11]，借鉴Markman[12]、Llor[13]、陈琨等(2014)的方法，设置高新技术企业创新系统总体效率滞后期为4期，研发子系统和商业化子系统分别滞后2期。即 R&D人员、内部R&D经费数据取自2008-2011年，中间产品专利申请数、有效发明专利数等数据取自2010-2013年，最终产出指标如新产品销售收入等数据取自2012-2015年。全国各省市2012-2015年大中型高新技术企业研发子系统效率(θ1)、商业化子系统效率(θ2)和创新系统总体效率(θ)计算结果如表2所示。

(1)我国各省市大中型高新技术企业研发子系统效率有一定波动，并呈明显下降趋势，与2012年峰值0.592相比，2015年下降到0.239，下降幅度达到59.6%。各省市研发子系统效率值差异明显，北京研发子系统效率值一直处于领先地位，各年效率值均为1；天津、安徽、河南和广东研发子系统效率值维持在较高水平；黑龙江、陕西和上海研发子系统效率一直远离生产前沿面，年平均效率值分别为0.107、0.143和0.159；贵州各年研发效率值分别为1、0.221、0.210、1，效率值起伏较大。

(2)我国各省市地区大中型高新技术企业创新系统商业化子系统效率总体水平较高，且远高于研发子系统效率水平。全国大中型高新技术企业创新系统商业化子系统效率均值维持在0.8的高水平上，而研发子系统均效率最高值仅为0.592。各省市商业化子系统效率值差异显著，北京、天津、江西、河南和贵州的商业化子系统效率值连续为1，处于生产前沿水平；上海商业化子系统年均效率值仅为0.317，远离生产前沿面；黑龙江各年商业化效率值为1、0.238、1、0.196，效率值起伏较大。

(3)我国各省市大中型高新技术企业创新系统效率存在一定波动，且逐年下降趋势明显。从4年内大中型高新技术企业创新系统效率值看，2012年达到最高值0.778，随后效率值明显下降， 2015年达到最低值0.436。各省市总体效率值的变化情况差异较大，北京(各年总体效率值1、1、1、1)、广东(各年总体效率值0.904、1、1、0.608)等省市高新技术企业创新系统效率一直保持在较高水平；辽宁(各年总体效率值0.610、0.641、0.640、0.647)等省市创新系统效率稳定在中等水平；上海(各年总体效率值0.419,0.149,0.179,0.203)等省市创新系统效率处在较低水平；山西(各年总体效率值0.893,0.650,0.119,0.065)等省市效率值波动较大。

2.2.2 创新系统效率区域异质性分析

上文高新技术企业创新系统效率测度结果显示了我国各省市高新技术企业创新系统运行状况及相互衔接程度，然而我国各省市高新技术企业创新系统总体和各子系统效率的区域差异较大，仅通过观测、描述各省市高新技术企业创新系统值，难以准确解析我国高新技术企业创新系统发展状况。因此，本文采用聚类分析法，结合高新技术企业创新系统的3项效率指标(2012-2015均值)，对各省市进行分类。利用SPSS软件，采用系统聚类中的离差平方和法对各省市进行聚类，最终保留6个类别。

第一类：北京。北京市各子系统效率和总体效率均达到最优，区域内大中型高新技术企业在全国起到带头作用，这与北京作为全国经济发达城市和科技创新中心的现状相吻合，具体见表3。

第二类：天津、贵州、湖南、河南、安徽、重庆、广东、云南。这类地区的研发、商业化子系统和总体效率均较高，高新技术企业投入-产出具有较好的协同表现，研发子系统效率值均高于全国平均水平(0.427)；除云南(0.794)外，商业化效率值均高于全国平均水平(0.804)；总体效率值均高于全国平均水平(0.618)，具体见表4。

第三类：辽宁、江西。该类地区研发子系统效率(均值低于0.3)偏低，商业化子系统效率达到最优，总体效率(处于全国平均水平0.618)中等，研发子系统投入-产出效率明显偏低，研发过程运行不顺畅，R&D投入与产出不协调，导致区域创新系统整体效率水平不高，具体见表5。

第四类：江苏、湖北、浙江、福建、山东、四川、甘肃、河北。该类地区研发子系统效率较低，商业化子系统中等，总体效率较低；除福建(0.256)、河北(0.276)外，该地区其它省份大中型高新技术企业创新系统研发子系统效率值在0.3～0.4，商业化子系统效率值处于全国平均水平(0.804)；总体效率值低于全国平均水平(0.618)，表明这些省份大中型高新技术企业商业化子系统状况良好，但在研发方面的协同程度较低，创新资源没能得到合理利用，导致创新系统整体运行状况偏离最优水平，见表6。

第五类：山西、广西、吉林、黑龙江、陕西。该类地区研发、商业化子系统和总体效率偏低，对于大中型高新技术企业创新系统子系统效率，除山西(0.328)、广西(0.368)外，其它省市研发子系统效率均低于0.3；除黑龙江(0.609)、陕西(0.687)外，其它省市商业化子系统效率均低于0.6；总体效率均低于0.5，见表7。

第六类：上海。上海市研发子系统、商业化子系统和总体效率水平均低于全国平均水平(0.427、0.804、0.618)，子系统效率和总体效率最低，表明上海高新技术企业创新系统总体运行效率不佳，研发子系统和商业化子系统资源利用率有待提升。上海作为我国经济中心和科技发达城市，从绝对量看，其高新技术企业规模较大、创新投入与产出较多，但因规模效应递减，易造成资源浪费。因此，其创新系统效率相对较低，见表8。

3 结语

3.1 研究结论

本文通过将高新技术企业创新系统解析为研发和商业化两个子系统，运用两阶段复合网络DEA模型对2012-2015年我国内地25省市大中型高新技术企业创新系统效率进行评价分析，采用聚类分析法并结合高新技术企业创新系统的3个效率指标对各省市地区进行分类，旨在解构高新技术企业创新系统“黑箱”，得到主要结论如下：

(1)全国大中型高新技术企业创新系统效率总体水平不高。从创新系统子系统看，研发子系统是我国高新技术企业创新系统的薄弱环节。企业在研发人员投入、研发资金投入等上游阶段的资源投入利用效率较低。

(2)2012-2015年，无论是高新技术企业创新系统总体效率还是各子系统效率，均呈现逐年递减趋势。这与经济发展、科技进步的大环境下企业盲目加大投入而不重视成果转化效率和资源利用率有一定关系。

(3)我国各省市大中型高新技术企业创新系统总体及各子系统效率区域异质性特征明显，在提升高新技术企业创新系统效率方面各具优势和劣势：部分省市研发子系统较为领先，R&D投入资源利用率高，专利等研发成果丰硕，但商业化子系统效率较低，成果转化过程受阻；有些省市研发子系统效率不高，但商业化子系统效率高，技术成果转化能力较强。

3.2 对策建议

依据上述结果，为有效提高我国大中型高新技术企业创新系统效率，本文提出如下建议：

(1)各省市应重点提升高新技术企业创新系统在研发子系统的投入-产出效率，鼓励、引导高新技术企业着力提升研发子系统资源利用率，使高新技术企业职能向技术研发子系统深入、延伸。企业应积极响应国家政策号召，加入产学研合作平台，通过与高校、研究院等专业机构沟通交流、合作研发，减少自身研发人员和经费支出，提高企业研发子系统资源利用效率。

(2)鉴于高新技术企业创新系统效率逐年递减的趋势，企业应防止盲目加大创新投入、避免资源浪费。在资源有限的情况下，要根据规模效应等因素选择是否加大创新系统投入，不能为追求多产出而加大各子系统投入量。同时，要重视提高资源利用效率，降低企业生产成本，提高经营利润，节约社会资源。

(3)各省市应根据自身情况，采取针对性举措提升高新技术企业创新系统效率，把握发展方向，增强跨区域的企业联盟合作，充分发挥各省市高新技术企业创新系统不同子系统优势，弥补各自薄弱环节，最终实现跨越式发展。第一、二类省市总体和各子系统效率均处于领先地位，应继续保持；第三、四类省市相对于商业化子系统，应重点提高研发子系统效率；第五、六类省市地区要两手抓，同时提高研发和商业化两个子系统效率。

3.3 不足与展望

本文侧重于从系统视角解构我国高新技术企业创新系统“黑箱”，构建高新技术企业技术创新系统及其子系统效率评价指标体系和评价模型。受篇幅限制，本研究还存在一些不足:①没有对高新技术企业各子系统内部运作机制及相互作用机理作深入分析；②仅测度了高新技术企业创新系统及其子系统效率，并未考察其规模效应、投入产出的冗余与松弛状况，也未作投影分析。后续研究可针对这些不足，从理论上深度挖掘高新技术企业研发子系统与商业化子系统的内部运作机制及其相互作用机理，进一步分析其规模效应、投入产出的冗余与松弛状况并作投影分析,以找出各子系统内部瓶颈所在。

[1] 熊飞,郑茜,唐葆君.基于DEA方法的高新技术企业创新效率研究——以丰台科技园为例[J].中国管理科学,2012(s2)：676-701.

[2] 李刘艳.基于DEA分析法的高新技术企业创新效率研究[J].科技管理研究,2013,292(18):171-174.

[3] 吕月珍,龚勤,胡俊峰等.高新技术企业创新现状调查及创新效率评价研究——以杭州市国家高新技术企业为例[J].科技通报,2017,33(3):242-247.

[4] 朱有为,徐康宁.中国高技术产业研发效率的实证研究[J].中国工业经济,2006(11):38-45.

[5] 韩亚峰,樊秀峰,周文博.R&D投入、技术外溢对高新技术企业研发绩效的影响——基于知识资本积累模型[J].财经论丛：浙江财经大学学报,2015(8):81-88.

[6] TSENG F M, CHIU Y J, CHEN J S. Measuring business performance in the high-tech manufacturing industry: a case study of Taiwan's large-sized TFT-LCD panel companies[J]. Omega, 2009,37(3):686-697.

[7] 余泳泽,武鹏,林建兵.价值链视角下的我国高技术产业细分行业研发效率研究[J].科学学与科学技术管理,2010,31(5):60-65.

[8] 刘和东,陈程.中国原创性高新技术产业技术效率测度研究——基于创新链视角的两阶段分析[J].科技进步与对策,2011,28(12):119-124.

[9] 冯志军,陈伟.中国高技术产业研发创新效率研究——基于资源约束型两阶段DEA模型的新视角[J].系统工程理论与实践,2014(5):1202-1212.

[10] QUANLING WEI, HONG YAN, LIYONG PANG. Composite network data envelopment analysis model[J]. International Journal of Information Technology & Decision Making,2011,10(4):613-633.

[11] 余元春,顾新,陈一君.产学研技术转移“黑箱”解构及效率评价[J].科研管理,2017,38(4):28-37.

[12] MARKMAN G D, GIANIODIS P T, PHAN P H, et al. Innovation speed: transferring university technology to market[J]. Research Policy, 2005,34(7):1058-1075.

[13] LLOR A. Delay from patent filing to technology transfer: a statistical study at a major public research organization[J]. Technovation, 2007,27(8):446-460.

Deconstruction of "Black Box"and Efficiency Evaluation in High-tech Enterprise Innovation System

(College of Economics and Management, Nanjing Tech University,Nanjing 210009, China)

Abstract：Based on the "black box" perspective, this paper deconstructs the high-tech enterprise innovation system into two phases: R&D and commercialization. The two-stage composite network DEA evaluation method was used to measure the efficiency of innovation systems of large and medium-sized high-tech enterprises in 25 provinces and cities in China from 2012 to 2015, and this was used as a quantitative discriminant index combined with cluster analysis to classify provinces and cities. The results show that: 1. The efficiency of our country's high-tech enterprise innovation system is generally low, and the research and development stage is a weak link. 2. From 2012 to 2015, both the overall efficiency of the innovation system and the efficiency of each sub-phase have shown a decreasing trend year by year. 3. The overall efficiency of the innovation system of high-tech enterprises in various provinces and cities in China and the regional heterogeneity of efficiency in each sub-phase are significant. Based on this, effective policy recommendations are proposed in order to provide reference for decision-making by enterprises and governments.

Key Words:High and New Technology Industry; Innovation System; Innovation Efficiency

作者简介：刘和东(1971-)，男，安徽庐江人，博士，南京工业大学经济与管理学院教授、硕士生导师，研究方向为知识产权与科技创新管理；陈文潇(1993-)，女，安徽淮南人，南京工业大学经济与管理学院硕士研究生，研究方向为知识产权与科技创新管理。

高新技术企业创新系统“黑箱”解构及效率评价