高技术制造业创新效率评价及要素投入差异性研究

创新决胜未来，科技关乎国运。在经济新常态下，国际竞争日趋激烈，要形成经济增长新动力、塑造国际竞争新优势，创新既是出路，亦是重点、难点[1]。随着经济全球化的迅猛发展，以医药制造业、航空、航天器及设备制造业等为代表的高技术产业已然成为各国创新竞争的战略焦点。

近年来，我国高技术制造业发展规模日益扩大，截至2017年底，高技术制造业实现主营业务收入17.25万亿元，较2016年增长13.2%。高技术制造业的快速发展为我国科技创新注入了强劲的生命力，然而，需要注意的是，现阶段我国高技术制造业发展处于全球价值链中低端，产能过剩、创新效率不足等问题亟待解决。因此，如何有效且合理评价高技术制造业创新绩效，对提升高技术制造业技术创新能力至关重要。本文在探究高技术制造业创新效率的基础上，深入分析投入指标对产出绩效的贡献度，对比研究行业差异性，为提升高技术制造业创新绩效与发展提供相关建议。

1 文献综述

创新效率是衡量高技术制造业技术创新能力及资源配置情况的重要指标，科学测度高技术制造业创新效率有利于政府把握制造业发展趋势，提升高技术制造业技术水平，从而推动产业经济发展。当前，国内外有关高技术制造业创新效率的研究成果颇丰，研究视角主要从区域、行业层面展开。RAAB等[2]以美国50个州高技术制造业为研究对象，评价并对比分析了50个州高技术制造业创新效率的差异；潘娟和张玉喜[3]从区域和东中西部地区角度评价科技金融投入产生的创新绩效，并进一步分析了区域差异存在的原因；SUN等[4]对比研究了韩国制造业不同行业的创新效率，并认为应从技术进步角度提高高技术制造业创新能力；冯志军和陈伟[5]以我国高技术产业细分17个行业为对象，实证研究了各行业整体效率。

随着学者们对高技术制造业创新效率的深入研究，研究方法越来越多，包括DEA分析法、随机前沿分析法、综合指标法等。陈莹文[6]、王双进[7]、肖仁桥[8]等采用DEA方法研究了高技术制造业创新效率，其中，陈莹文[6]、肖利平[9]等基于高技术制造业创新过程，将其分为两阶段、三阶段，并分别测算了每阶段的创新效率；宛群超[10]、范德成[11]、张涵[12]等运用随机前沿法，测度了高技术制造业创新效率；黄永兴[13]等采用因子分析法测算了安徽省高技术制造业创新效率。

通过对高技术制造业创新效率相关文献的梳理与分析，发现大多数学者只测度了高技术制造业的创新效率，由于不同学者选择的创新投入与创新产出指标不同，其计算结果也存在较大差异，所以需要对各创新投入要素与产出绩效关系进行更深入的挖掘，系统探究各创新投入要素对创新产出的影响程度。因此，本研究将在传统DEA(静态)分析方法基础上，采用DEA-Malmquist指数法测度高技术制造业整体动态效率变化情况，并运用灰色关联法进一步探究所选投入要素对产出绩效的贡献度，找出其中存在的问题。

基于此，本文研究框架如图1所示。

2 研究方法与数据来源

2.1 创新绩效评价指标遴选

创新绩效评价与科技进步、社会发展有着密切联系，已经成为近年学术界研究热点[14]。高技术制造业作为我国经济发展的重要支柱，是提高我国自主创新能力的重要载体，近几年发展规模日益扩大，但与发达国家相比仍然存在竞争力较弱、创新水平不足等问题，因此对高技术制造业创新绩效进行合理评价，找出其中存在的问题具有重要意义。合理评价高技术制造业创新绩效的前提是确定合适的创新投入与创新产出指标。结合高技术制造业研发创新现况，且考虑到量化指标数值的易获取性及连续性，本文参考相关文献[6,15，16，17，18]，构建如表1所示的创新绩效评价指标体系。

(1)创新投入指标。创新投入要素一般从人力投入与资金投入角度衡量[6,15]。其中，在人力投入上，本文选择以研发人员全时当量表示；在资金投入方面，有学者[16]提出，研发投入属于关键的资金投入，但技术改造及引进投入也与创新有密切联系，均属于创新投入的一部分，所以本文选择新产品开发经费支出、消化吸收经费支出及技术改造费用支出衡量创新资金投入。同时，高技术制造业作为国家大力支持的产业，政府每年投入大量资金以提升高技术制造业技术创新水平，因此在创新资金投入上理应考虑到政府资金，并且在后续研究中可进一步探究不同来源创新资金投入对产出绩效作用效果的差异。

(2)创新产出指标。在创新产出绩效的衡量上，一般可从创新经济收益与创新成果产出角度进行测度。在创新经济收益方面，对于高技术制造业来说，不是所有的创新产出都能直接体现，有些小的技术改进或者发明体现在生产流程优化上，使生产效率及产品质量获得大幅提升，从而增加制造业总产值[17]，包括总收入与总利润，所以本文选取主营业务收入与利润总额衡量创新经济收益。在创新成果产出方面，本文依据国际惯用做法，以专利申请量与新产品销售收入衡量[18]。为避免主营业务收入与新产品销售收入重复计算，本文的主营业务收入为原主营业务收入减去新产品销售收入。

2.2 研究方法选择

2.2.1 DEA-Malmquist生产率指数法

Malmquist指数是由瑞典经济学家Malmquist在19世纪50年代提出的，1982年Cave等在Malmquist的基础上提出了Malmquist生产率指数，1989年Fare[19]将其与DEA结合，构建了DEA- Malmquist生产率指数模型。后来，Fare等[19]、Banker等[20]进一步将Malmquist生产率指数分解为技术效率变化指数(Effch)与技术进步变化指数(Techch)，其中，技术效率变化指数又可进一步分解为纯技术效率变化指数(Pech)与规模效率变化指数(Sech)。Malmquist指数是指全要素生产率变化，用Tfpch表示。具体模型如下：

本文拟通过DEA-Malmquist生产率指数法计算高技术制造业及各行业创新动态效率变化情况，评价各行业技术创新能力差异。

熵是度量不确定性的一种方法，用以判断数据离散程度。数据越离散，其不确定性越大，越不容易预测。因此，可以用熵值法判断指标离散程度。熵值越小，表明指标提供的信息量越大，在评价系统中的作用越大，相应权重也越大。由于本文研究对象是高技术制造业下属行业，各行业创新要素投入强度差异较大，因此拟采用熵值法确定各行业创新投入要素权重，以确保后续灰色关联分析法计算结果的严谨性。

借鉴以往文献[22]，计算指标权重。具体步骤如下：

(1)以高技术制造业下属行业为研究对象，选取n个行业，m个指标，即xij为第i个行业第j个指标的数值，其中，i=1,2,3…n；j=1,2,3…m。

(2)异质指标同质化。由于所选指标的计量单位、指标属性不统一，在进行综合计算前，需要对其进行标准化处理，目的是解决不同指标的同质化问题。指标中往往包含正向指标与负向指标，正向指标指的是效益类指标，负向指标指的是成本类指标，因此针对不同类型指标要采取不同算法进行标准化处理，具体如下：

为方便后续运算，仍记为xij。

(3)计算第j项指标下第i个行业占指标的比重。

(4)计算第j项指标的熵值。

(5)计算第j项指标的差异系数。

(6)计算指标权重。

2.2.3 灰色关联分析法

灰色关联分析法是统计分析多因素关系的一种方法，主要根据各因素样本数据，通过一系列运算得出灰色关联度，用以描述各因素关系的疏密程度及次序，如果关联度较大，则表示两因素之间有较强关系；反之，则较松散[23]。因此，本文选取灰色关联分析法计算高技术制造业各行业创新投入要素与产出绩效的关联度，以进一步分析各创新投入要素对创新产出的影响程度并比较各行业要素投入的差异性。具体步骤如下：

(1)确定参考序列和比较序列。

设参考序列Yi=(yi1,yi2,yi3…yin)(i∈(1,2,3…m))表示高技术制造业技术创新产出指标；比较序列Xj=(xj1,xj2,xj3…xjn)(j∈(1,2,3…n))表示高技术制造业创新投入指标。

(2)消除指标变量的量纲效应。

(3)计算各指标之间的关联系数。其计算公式为：

式中，k=1,2,3…n， ρ∈(0,1)为分辨率系数，一般取ρ=0.5。

(4)计算各指标关联度。其计算公式为：

rij代表第j个影响因素与第i个参考指标的关联度，其结果越接近于1，则表示该因素对参考指标的影响程度越大。

(5)综合计算各投入指标对产出绩效的综合贡献度。

其中，w为考虑指标权重后的综合贡献度，rij为公式(9)得出的灰色关联度，pij为公式(7)得出的权重值。

2.3 数据来源

本文研究对象是高技术制造业，主要包括医药制造业，航空、航天器及设备制造业，电子及通信设备制造业，计算机及办公设备制造业，医疗仪器设备及仪器仪表制造业，信息化学品制造业6个行业。研究时间跨度选择为2010-2016年，数据均来源于《中国高技术产业统计年鉴(2011-2017年)》。限于信息化学品制造业数据严重缺失，因此只选取医药制造业，航空、航天器及设备制造业，电子及通信设备制造业，计算机及办公设备制造业，医疗仪器设备及仪器仪表制造业5个行业数据。

3 基于DEA-Malmquist生产率指数法的高技术制造业创新效率动态分析

基于上述DEA-Malmquist生产率指数法，运用Deap2.1软件，得出2010-2016年我国高技术制造业分年度及行业创新动态效率，即全要素生产率指数(Tfpch)、技术进步指数(Techch)、技术效率指数(Effch)、纯技术效率指数(Pech)及规模效率指数(Sech)，具体结果如表2、表3及图2所示。

由表2可知，2010-2016年高技术制造业各行业全要素生产率平均指数为1.081，说明总体创新效率呈逐年上升趋势。从年度角度分析，2010-2014年全要素生产率指数整体波动不大，但在2014-2015年仅为0.841，在2015-2016年增大到1.078，即创新效率经历了短时下滑又迅速回升的过程。由图2可看出，技术进步效率指数与全要素生产率指数基本上呈相同变化趋势，变动轨迹基本相似，由此可知，技术进步效率是影响全要素生产率指数变化的主要因素，这正好验证了全要素生产率指数分解为技术效率指数与技术进步效率指数的合理性。结合2010-2016年高技术制造业创新投入与产出指标可知，各创新投入量逐年递增，然而2015年创新产出指标中专利申请量与2014年相比出现降低，意味着2014-2015年技术创新能力没有随着创新投入要素增加而提升，创新资源存在一定程度浪费，导致整体创新效率较低，但2010-2016年整体的技术进步效率指数为1.066，表明我国高技术制造业资源配置情况比较稳定，技术创新能力不断提升；平均技术效率为1.013，说明技术逐渐优化，资源配置效率提高，但2010-2011年效率值仅为0.932，将技术效率分解为纯技术效率与规模效率后发现，2010-2016年纯技术效率无变动，规模效率始终有效，所以显然是规模效率抑制了技术效率变化；平均规模效率指数大于1，说明我国高技术制造业规模整体上与创新效率达到匹配，不存在因规模变化导致创新效率变化的问题，然而2010-2011年与2013-2014年的规模效率指数均小于1，说明该期间存在规模不经济问题，究其原因主要是过度投资或者投资不当造成资源浪费。

综上可知，技术进步效率与全要素生产率之间存在一定程度的协同效应，而技术效率与规模效率之间的变化与之类似。由此可以判断，技术水平提高是实现高技术制造业规模经济的主要推力，创新绩效提升依赖于技术进步。

表3结果显示，2010-2016年航空、航天器及设备制造业、电子及通信设备制造业、计算机及办公设备制造业、医疗仪器设备及仪器仪表制造业的全要素生产率均大于1，仅医药制造业小于1，其主要原因是技术进步效率降低，而创新效率提升主要来自技术进步，说明近年医药制造业的技术创新能力没有显著提升，行业竞争中存在“价格战”方式，忽视了技术创新的重要作用，存在创新资源滥用情况，造成创新成果转化不足。航空、航天器及设备制造业的全要素生产率最高，为1.204，作为制造业中的高端装备制造业，其技术水平遥遥领先于其它行业，因此依靠科学技术才能发展为国际领先行业。

4 基于熵值-灰色关联分析法的高技术制造业创新要素投入差异性分析

4.1 创新投入指标权重

根据公式(2)-(7)，计算可得创新投入指标权重，由于数据来源限定为2010-2016年，即指标权重为七年平均值，具体如表4所示。

由熵值法求解得出的指标权重能在一定程度上减少主观因素影响，并为后续计算提供可靠性。由表4可知，整体上看，权重较高的指标是消化吸收经费支出及技术改造费用支出，这主要归因于《国家中长期科学和技术发展规划纲要(2006-2020)》(简称《纲要》)的颁布。《纲要》提出要加大对引进技术和消化吸收的重视，但是从结果中可以明显看出消化吸收经费支出与技术改造费用支出存在较严重的比例失衡问题。各行业政府资金与新产品开发经费支出权重基本维持在0.100～0.200之间，比消化吸收经费支出及技术改造费用支出低，而在人力投入方面，计算机及办公设备制造业的权重值为0.244，比其它行业高。

4.2 基于熵值-灰色关联分析法的创新投入与技术创新产出关系

结合表4，运用灰色关联分析法，利用公式(8)-(10)对医药制造业，航空、航天器及设备制造业，电子及通信设备制造业，计算机及办公设备制造业，医疗仪器设备及仪器仪表制造业进行综合运算，得出综合关联度结果，如表5所示。

一般认为，当ρ取0.5时，关联度更接近于1；关联度越大，指标贡献度也越大。

由表5可知，在医药制造业领域，各投入指标对产出指标的贡献度比较均衡，其中，新产品开发经费支出的贡献度较高，为0.668；从航空、航天器及设备制造业、医疗仪器设备及仪器仪表制造业的产出绩效可以看出，消化吸收经费支出与技术改造费用支出的贡献度较高，其中，消化吸收经费支出指标的综合关联度超过0.9，说明近年我国越来越重视对国外先进技术的引进、消化与创新；在电子及通信设备制造业、计算机及办公设备制造业中，技术改造费用的贡献度较高，尤其是前者，关联度达到0.985。为了更清晰直观地对比各行业创新投入要素对产出绩效的综合关联度，绘制图3。

结合表5及图3可知，从人力投入角度，R&D人员全时当量与产出绩效综合关联度较高的行业是计算机及办公设备制造业，其它行业之间不存在显著差异，这主要是因为计算机及办公设备制造业是一个资金密集型且技术含量高、技术变革迅速的行业，无论是研发创新还是生产制造，对人力投入的重视均高于其它行业；在资金投入方面，各行业中政府资金、新产品开发经费支出与创新绩效关联度的差异较小；从技术引进视角，各行业消化吸收经费支出与技术改造费用支出对创新绩效的贡献度普遍较高，尤其是航空、航天器及设备制造业，差异较显著的是医药制造业，两指标贡献度均较低，但由表4可知，医药制造业在技术引进上的指标权重并非最低，说明两指标对创新绩效的贡献度尚没有达到理想效果，即沿袭传统技术无法进一步提升技术水平，无法满足资源配置需求，造成了资源禀赋浪费，而航空、航天器及设备制造业采用的是国际前沿技术与设备，在提高技术创新能力的同时也使创新资源投入与产出成正比，实现国家科学技术进步和工业发展水平提升。由上述对各行业创新效率的动态分析可知，仅有医药制造业的全要素生产率小于1，再次验证了技术进步是影响全要素生产率主要因素的结论。

5 结论与政策建议

5.1 结论

高技术制造业是我国经济发展的重要支撑，而技术创新是产业发展的主要推力，合理评价高技术制造业创新绩效是促进产业发展的关键环节。本文基于2010-2016年高技术制造业各行业面板数据，运用DEA-Malmquist生产率指数与灰色关联分析，就我国高技术制造业创新投入对技术创新产出的动态变化效率及贡献度进行研究，得出如下结论：

(1)从整体创新动态效率变化视角看，平均全要素生产率指数大于1，表明我国高技术制造业创新效率整体有所提高，其中，技术进步是促进创新能力提升的主要因素；平均技术效率指数、平均技术进步效率指数及平均规模效率指数均大于1，说明技术创新能力、资源配置效率、规模效应都得到了提升；纯技术效率指数始终为1，说明我国高技术制造业在技术成熟度上是有效的。

(2)从细分行业创新动态效率变化视角看，行业全要素生产率差异明显的是医药制造业与航空、航天器及设备制造业，但从两者投入指标来看并没有较大差异，主要原因在于医药制造业对引进技术的创新度不够，技术进步没有达到一定水平，导致消化吸收经费支出与技术改造费用支出没有达到理想效应值，造成了一定程度的创新资源浪费。

(3)不同行业创新投入的侧重点不同，且对创新绩效贡献度不同。如航空、航天器及设备制造业在消化吸收与技术改造中投入较多，更侧重于技术创新与水平提升。结合现实情境来分析，航空、航天器及设备制造业体现了一个国家的综合实力，属于我国重点发展项目，而国外的航天业发展较成熟，因此必须加大对国外技术与人才的引进；计算机及办公设备制造业发展侧重于人力投入，这是因为计算机及办公设备制造业比其它产业成熟，只有依靠更多优秀人才才能实现更大的发展。

5.2 政策建议

(1)采用新技术、新设备提高行业创新能力。政府相关部门应积极推进高技术制造业发展战略制订，加快技术改造，减少资源浪费，着力解决产业技术瓶颈和创新发展上的主要矛盾，通过协调产学研各方进行联合攻关，形成具有较强优势的产业集群。

(2)提高技术引进消化吸收再创新能力，充分发挥技术改造与消化吸收效应。企业在消化吸收及技术改造过程中过度重视新产品开发而忽视新技术研发创新，导致两项费用支出并没有达到预期产出效率。所以，企业在购买和引进国外先进技术时，要尽快掌握技术，稳定生产出达到引进技术水平的产品，并加强对新产品新技术的改造和创新，不能仅停留于对原始产品的引进与模仿，在努力追求经营绩效的同时提高企业创新绩效。

(3)合理配置各要素投入强度，多途径提高产业创新绩效。根据以上结果可知，投入指标对创新绩效均有不同程度的贡献度，但还有其它投入要素暂未考虑。对于高技术制造业，要努力寻找最优要素投入组合，使投入要素联合效应获得最大化发挥，共同提高产业创新绩效。

6 研究不足与展望

本文在指标选取上具有一定局限性，仅选取三类投入指标探究其对高技术制造业创新绩效的影响，实际中创新绩效受多方面因素影响。因此在未来研究中，应充分考虑其它投入要素，细化研究各投入要素对高技术制造业产出绩效的贡献度，除此之外，将研究对象细化到高技术企业内部，从微观层面深入探究各投入要素对产出绩效的不同影响程度。

[1] 葛宝山,王毅,于渤，等.面向中国制造2025的创新能力建设与竞争优势塑造专栏介绍[J].管理科学,2017,30(2):1-2.

[2] SUN C H , KALIRAJAN K P . Gauging the sources of growth of high-tech and low-tech industries: the case of korean manufacturing[J]. Australian Economic Papers, 2005, 44(2):170-185.

[3] 潘娟,张玉喜.政府、企业、金融机构科技金融投入的创新绩效[J].科学学研究,2018,36(5):831-838+846.

[4] RAAB R A, KOTAMRAJU P.The efficiency of the high-tech economy: conventional development indexes versus a performance index[J]. Journal of Regional Science, 2010, 46(3):545-562.

[5] 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,2014,34(5):1202-1212.

[6] 陈莹文,王美强,陈银银,等.基于改进两阶段DEA的中国高技术产业研发创新效率研究[J].软科学,2018,32(9):14-18.

[7] 王双进,李新刚.京津冀高技术产业R&D活动效率测度[J].科技进步与对策,2018,35(5):52-59.

[8] 肖仁桥,陈忠卫,钱丽.异质性技术视角下中国高技术制造业创新效率研究[J].管理科学,2018,31(1):48-68.

[9] 肖利平,蒋忱璐.高技术产业技术创新效率的阶段性特征及其动态演变[J].商业研究,2017(10):153-161.

[10] 宛群超. 产业集聚对中国省域高技术产业技术创新效率的影响研究[D].乌鲁木齐：新疆大学,2018.

[11] 范德成,李盛楠.考虑空间效应的高技术产业技术创新效率研究[J].科学学研究,2018,36(5):901-912.

[12] 张涵,杨晓昕.创新环境约束下高技术产业区域创新效率及收敛性研究[J].科技进步与对策,2018,35(3):43-51.

[13] 黄永兴,张国庆.安徽省高技术产业技术创新效率研究[J].安徽工业大学学报：社会科学版,2007(6):20-22.

[14] 裴潇,陈俊领.湖北省高技术产业技术创新绩效评价研究[J].科技进步与对策,2013,30(21):128-132.

[15] 张永安,郄海拓,颜斌斌.基于两阶段DEA模型的区域创新投入产出评价及科技创新政策绩效提升路径研究——基于科技创新政策情报的分析[J].情报杂志,2018,37(1):198-207.

[16] 官建成,陈凯华.我国高技术产业技术创新效率的测度[J].数量经济技术经济研究,2009,26(10):19-33.

[17] 周亚虹,贺小丹,沈瑶.中国工业企业自主创新的影响因素和产出绩效研究[J].经济研究,2012,47(5):107-119.

[18] 周密,申婉君.研发投入对区域创新能力作用机制研究——基于知识产权的实证证据[J].科学学与科学技术管理,2018,39(8):26-39.

[19] FARE R,GROSSKOPF S,LINDGREN B，et al. Productivity changes in Swedish pharamacies 1980-1989: a non-parametric malmquist approach[J].Journal of Productivity Analysis, 1992, 3 (1-2)：85-101.

[20] BANKER R D,CHARNES A,COOPER W W.Some models for estimating technical and scale inefficiencies in data envelopment analysis[J]. Management Science,1984,30(9).

[21] 陈怀超,张晶,费玉婷,等.中部六省产学研创新效率对省域创新的影响——基于Malmquist指数与灰色关联度的分析[J].科技进步与对策，2018，35(20)：137-143.

[22] 李守林,赵瑞,陈丽华.基于灰色关联分析和TOPSIS的物流企业创新绩效评价[J].工业技术经济,2018,37(4):12-21.

[23] 邓聚龙.灰色系统基本方法[M]. 武汉:华中理工大学出版社, 2005.