Innovation Efficiency Measurements and Influencing Factors of Chinese New Energy Vehicle Listed Enterprises：An Analysis Based on Three-stage DEA and Tobit Panel Model

Han Bin, Feng Xiaowei, Su Yi, Liang Dezhi

(School of Economics and Management, Harbin Engineering University, Harbin 150001， China)

Abstract：Nowadays, the government and new energy vehicle companies have gradually increased their investment in innovative resources for new energy vehicles to increase the innovation output of new energy vehicles. But what follows is the problem of diminishing marginal output of new energy vehicle innovation, and the traditional model of "high input and high output" may no longer be applicable. Correspondingly, the inherent law of diminishing marginal output of corporate innovation and increasing marginal cost of corporate innovation input may inhibit the innovation efficiency of new energy vehicle companies. Most of the present studies carry out in-depth and detailed research from the aspects of innovation stage division and DEA model improvement, ignoring the actual impact of environmental factors on the innovation efficiency of new energy enterprises.

This paper selects 187 new energy vehicle listed companies as research samples to make an empirical analysis. First, regional openness, labor quality, technical market environment, technical foundation, and environmental regulation are selected as environmental factors, and the three-stage DEA method is used to measure the influence of environmental factors and the innovation efficiency of new energy vehicle enterprises; second, equity concentration, enterprise patent stock, employee quality, government subsidy intensity, enterprise-scale, financing structure, number of R&D personnel, and R&D personnel are selected based on the measured innovation efficiency value of new energy vehicle enterprises. By taking the expenditure as an explanatory variable, the Tobit model is used to study the influencing factors of the selected variables on the innovation efficiency of new energy vehicle enterprises.

The results show that the innovation efficiency, pure technical efficiency and scale efficiency of 187 new energy companies are 0.14, 0.26, and 0.59 respectively, indicating that the overall innovation efficiency of new energy vehicle companies is not high. Pure technical efficiency may be the main factor responsible for this phenomenon. Without removing environmental factors and random errors, the innovation efficiency of listed new energy vehicle companies presents an inverted N shape, with the average value fluctuating around 0.15, the average pure technical efficiency fluctuating around 0.25, and the average scale efficiency fluctuates about 0.6, and the low pure technical efficiency of new energy vehicle enterprises is the main reason for the low innovation efficiency, indicating that new energy vehicle enterprises have much room for improvement in internal management. After excluding the impact of environmental factors on innovation efficiency, the innovation efficiency of listed new energy vehicle companies is generally stable, and the development trend has changed, showing an N-shaped development, indicating that environmental factors have had a substantial impact on measuring the innovation efficiency of new energy vehicle companies. It is necessary to use the three-stage DEA model to measure innovation efficiency after eliminating the influence of environmental factors. From a specific analysis, the innovation efficiency and scale efficiency of new energy vehicle enterprises are at a low level, and the pure technical efficiency is at a high level of 0.9. Therefore, it is analyzed that the reason for the low innovation efficiency of new energy vehicle enterprises is no longer pure technical efficiency, and the low scale efficiency has become the key factor restricting the low innovation efficiency of new energy vehicle enterprises.

The Tobit model is used to study the influencing factors of the selected variables on the innovation efficiency of new energy vehicle enterprises. The results show that the characteristics of enterprises themselves have different degrees of influence on innovation efficiency. R&D expenditures promote innovation efficiency but are not statistically significant, and R&D personnel is positively correlated with innovation efficiency at the 1% level. At the level of 1%, ownership concentration has a significant role in promoting the innovation efficiency of enterprises. Enterprise patent stock at the level of 1% promotes the improvement of enterprise innovation efficiency. At the 1% level, there is a positive relationship between enterprise-scale and enterprise innovation efficiency. Both the government subsidy intensity and the financing structure have a negative impact on the innovation efficiency of enterprises at the level of 10%.

Compared with previous studies,this study considers the impact of environmental factors of new energy vehicle companies on innovation efficiency, instead of using traditional DEA methods and stochastic frontier analysis methods to calculate innovation of new energy vehicle companies. Second, based on the existing research foundation of new energy vehicle enterprises, the study selects the commonly used factors affecting enterprise innovation efficiencies, such as ownership structure, government subsidies and employee quality, and further explore the influencing factors of enterprise innovation efficiency excluding environmental factors.

Key Words：New Energy Vehicle; Innovation Efficiency; Three-stage DEA; Tobit Panel Model

收稿日期：2021-09-08

修回日期：2021-11-07

基金项目：国家自然科学基金项目(72074059)；黑龙江省社会科学基金项目(20GLB120)；黑龙江省重点研发计划项目(GZ20210003)

作者简介：韩斌(1971—)，男，黑龙江鹤岗人，博士，哈尔滨工程大学经济管理学院副教授，研究方向为企业管理；冯筱伟(1996—)，女，山东茌平人，哈尔滨工程大学经济管理学院硕士研究生，研究方向为创新管理；苏屹(1983—)，男，黑龙江哈尔滨人，博士，哈尔滨工程大学经济管理学院教授、博士生导师，研究方向为企业创新与系统科学；梁德智(1997—)，男，安徽六安人，哈尔滨工程大学经济管理学院博士研究生，研究方向为创新管理。

DOI：10.6049/kjjbydc.2021090205

开放科学(资源服务)标识码(OSID)：

中图分类号：F426.471

文献标识码：A

文章编号：1001-7348(2023)06-0110-11

0 引言

近年来，面对气候变化和能源危机的双重发展问题，培育壮大新能源产业、实现可持续发展成为各国发展的重要目标。新能源汽车具有低碳绿色、可再生等特点，有助于缓解环境压力，在我国越来越受到重视，并被列为战略性新兴产业之一，成为实现我国汽车产业低碳转型的重要发展方向。国家工信部、发改委、科技部印发的《汽车产业中长期发展规划》提出，通过鼓励新能源汽车技术创新和商业化发展，加快汽车产业转型升级进程。近年来，为促进我国新能源汽车产业良性发展，政府、新能源汽车企业逐渐加大新能源汽车创新资源投入，以提高新能源汽车创新产出。但随之而来的是新能源汽车创新产出边际递减问题，传统的高投入、高产出模式可能不再适用。相应地，企业创新产出边际递减与创新投入边际成本递增的内在规律，可能会抑制新能源汽车企业创新效率提升。在此背景下，测度分析新能源汽车企业创新效率及其影响因素，促进新能源汽车高效创新成为政府、学者重点关注的问题。

效率是衡量企业创新情况的常见指标，一直是学者关注重点。创新效率可以通过决策单元相对于生产前沿的位置进行衡量，生产前沿可以通过参数法和非参数法确定，其中参数法主要包括随机前沿分析(Stochastic Frontier Approach，SFA)，非参数法则以数据包络分析(Data Envelopment Analysis，DEA)的广泛应用为主。数据包络分析方法在应用时不需要提前确定生产函数形式，在计算多投入、多产出决策单元的效率时具有独特优势，因而受到学者们关注[1]。数据包络分析(DEA)的关键在于投入与产出变量选择，根据研究问题、变量的不同，研究得到的结果也不同。在早期研究中，学者多从产出角度衡量创新效率，如采用专利[2-4]、营业收入[5-6]等产出指标或专利数量与研发投入的比值[7-8]衡量企业创新效率。然而，这些研究都仅直观考虑创新产出以及产出与投入的简单比例关系，忽略了创新过程中多种因素的复杂作用，这一缺口吸引了学者们的研究兴趣。学者们开始尝试选取多种指标、方法科学衡量企业创新效率，以数据包络分析[9-10]和随机前沿分析[11]方法测度企业创新效率逐渐得到广泛应用。随着企业创新效率研究的深入，越来越多的学者深化DEA模型在效率测度中的应用，如将基于非径向与非角度的DEA-SBM模型[12-14]、基于理想窗口宽度的数据包络分析[15-16]以及两阶段共同边界动态网络DEA模型[17-18]等应用于创新效率测度。赵文等(2020)采用数据包络分析中的MinDS模型测度创新效率；苏屹等(2021)采用DEA-RAM模型研究新能源企业技术创新效率；Wang等[19]运用非径向数据包络分析方法测度新能源企业创新效率，实证发现新能源企业在研发阶段的创新效率尤其低下。上述研究均采用DEA模型测度创新效率，均忽视了环境因素对企业创新效率的影响，而在企业复杂的创新活动中，环境因素是不可忽略的，这使得研究结果客观反映企业实际创新情况面临重大挑战。

综上所述，企业创新效率测度是学界研究热点之一，学者们运用数据包络分析和随机前沿分析方法对新能源企业创新效率进行了一系列研究，但大多从创新阶段划分、DEA模型改进等方面展开研究，忽略了环境因素对新能源企业创新效率的现实影响作用。本文主要研究目的是测度剔除环境因素影响后的新能源汽车企业创新效率，并在此基础上考察企业自身特征因素对创新效率的影响。与以往研究相比，本文贡献在于：首先，考虑新能源汽车企业环境因素对创新效率的影响，而非以往采用传统DEA和随机前沿分析方法计算新能源汽车企业创新效率，客观忽略环境因素的作用。其次，在已有研究基础上，选取常用的企业创新效率影响因素，如股权结构、政府补助和员工质量等，进一步探索剔除环境因素后企业创新效率的影响因素。

1 模型构建

1.1 三阶段DEA模型

1.1.1 第一阶段：传统DEA模型

在第一阶段，使用未经处理的投入产出变量测度创新效率。根据研究问题的不同，DEA模型可以分为投入导向和产出导向，其中投入导向是指在一定产出水平下，如何降低投入水平；产出导向是指在不改变投入水平的条件下，如何提高产出水平。由于创新具有不确定性，产出情况不容易控制，因而本文在测度新能源汽车企业创新效率时，选择投入导向的BCC(规模报酬可变)模型。对于任一决策单元，投入导向下对偶形式的BCC模型[20]为：

(1)

式中，j=1,2,…,n表示决策单元，X、Y分别表示投入和产出变量。BBC模型测度出的创新效率(crste)由纯技术效率(vrste)和规模效率(scale)两部分组成，且crste=vrste*scale。

1.1.2 第二阶段：相似SFA模型

传统DEA模型在测量效率时容易忽略环境因素和统计噪声的影响，导致得出的效率值与决策单元真实效率值存在一定差异，可靠性低。第二阶段研究第一阶段传统DEA模型的松弛变量，松弛变量是低效率的体现，由环境因素、管理无效率和统计噪声三部分构成。通过SFA回归模型可以将松弛变量分解为环境因素、管理无效率和统计噪声，具体来说，以第一阶段传统DEA模型的松弛变量作为被解释变量，以环境因素作为解释变量，并构建SFA回归模型[21]。

sij=fj(zi,βj)+vij+uij(i=1,2,…,N;j=1,2,…,P)

(2)

式中，sij表示第i个决策单元第j项投入的松弛值, zi是环境变量，βj是环境变量的系数，vij+uij是混合误差项；vij表示随机干扰因素对投入松弛变量的影响，且vij～N(0,σ2jv)；uij表示管理因素对投入松弛变量的影响，服从半正态分布，且uij～N+(μj,σ2ju)。

基于随机前沿分析结果，通过剔除环境因素和随机因素对效率值的干扰作用，将所有决策单元调整至相同的外部环境中，调整公式如下[21]：

(3)

式中，XAni、Xni分别表示调整后和调整前的投入，是对环境因素进行调整，max(vni)-vni表示将所有决策单元调整至相同随机干扰条件下。通过控制相同环境因素和随机干扰，避免二者对决策单元效率测量结果产生影响，确保调整后测度得到的效率值能够反映决策单元真实水平。

1.1.3 第三阶段：调整后投入产出变量的DEA效率

将第二阶段调整后的投入变量与原始产出变量带入DEA模型，测度剔除环境因素和随机因素干扰的新能源汽车企业创新效率。

1.2 Tobit回归模型

在客观评价新能源汽车企业创新效率的基础上，进一步分析新能源汽车企业创新效率的影响因素，本文采用Tobit回归模型进行分析。由于三阶段DEA模型测度的创新效率取值在0～1之间，属于受限制的被解释变量，采用传统最小二乘法分析容易导致结果有偏或不一致[22]，而Tobit回归模型在处理受限制的被解释变量时可以有效避免这一问题。标准Tobit回归模型如下[23]：

(4)

式中，yi*表示受限制的被解释变量，Xi是解释变量，β为估计参数。μi是误差项，服从正态分布，且μi～N(0,σ2)。

1.3 数据变量

1.3.1 投入与产出变量

本文将新能源汽车企业研发人员数量和研发经费支出作为投入变量，企业发明专利申请数和主营业务收入作为产出变量，考虑到投入的滞后效果，参考逄淑媛等[24]的做法，对产出变量作滞后1年处理。变量具体信息如表1所示。

采用SPSS 26分析投入与产出变量的Pearson相关系数，结果如表2所示。各投入变量均在1%水平上与产出变量正相关，说明满足DEA分析对投入与产出变量之间同向性的要求。

1.3.2 环境变量

环境因素选取原则是对新能源汽车企业创新效率产生实质影响且企业无法通过管理等方式进行控制。新能源汽车作为战略性新兴产业，具有重大技术突破和促进经济发展的关键需求，其创新活动具有高投入、高风险等特征。本文基于新能源汽车企业创新活动特质，选取最具影响力且涵盖经济、人才、政策等方面的区域开放程度、劳动者素质、技术市场环境、技术基础和环境规制5个指标作为环境变量。

(1)区域开放程度(fdi)。改革开放以来，我国对外开放水平不断提高，外商投资有序进入国内市场和产业，成为我国经济发展的重要组成部分。虽然学者们就区域开放程度与企业创新的关系尚未达成一致，但普遍认同区域开放程度与企业技术创新之间存在关联[25]，因而本文将区域开放程度纳入影响新能源汽车企业创新效率的环境因素中。本文采用企业所处省份实际利用外商直接投资额表征区域开放程度。

(2)劳动者素质(lab)。劳动者是消化吸收新技术、提升科技输出能力的重要载体。劳动者素质会影响企业学习前沿技术的经验和能力，进而影响企业创新效率。劳动者素质的提高可以促进企业消化吸收新知识，提升企业创新效率[26]。本文采用每十万人口各级学校平均在校生数衡量区域劳动者素质。

(3)技术市场环境(tec)。建立不同规模的技术市场能够提高技术利用率和技术成果转化率，良好的技术市场环境会对高技术产业创新产生积极效应。技术市场环境质量越高，企业创新效率就越高[27]。本文使用技术市场成交额衡量技术市场环境。

(4)技术基础(base)。新能源汽车作为战略性新兴产业，其技术呈现快速迭代特征，使得新能源汽车企业创新存在一定门槛，原有技术基础可以帮助企业快速占据产业制高点。本文采用新能源汽车企业所在省份前5年涉及新能源汽车的发明申请数衡量地区技术基础。

(5)环境规制(env)。环境规制对创新效率具有重要影响。古典经济理论认为，环境规制会挤占创新资金，降低创新效率。曹霞和于娟(2015)研究发现，环境规制强度对企业技术创新具有显著影响。新能源汽车具有环境友好型特征，其创新更容易受到环境规制影响。本文从政策角度出发，采用区域当年现行环境法规数衡量环境规制[28]。

1.3.3 影响因素

(1)股权集中度(con)。适度集中的股权结构可以有效缓解代理问题，降低企业创新成本，提升企业创新效率(朱德胜和周晓珮，2016)。新能源汽车技术创新有赖于持续的创新投入，为探究股权结构如何影响新能源汽车企业创新效率，本文选择企业前五大股东持股比例的平方和衡量股权集中度。

(2)专利存量(pat)。新能源汽车技术具有快速迭代特征，良好的专利积累有助于企业进行持续性创新[29]，打破跨领域创新壁垒。本文采用企业t年累计获得的发明专利数衡量企业专利存量情况。

(3)员工质量(quality)。员工是创新知识的载体和传播者，员工质量决定企业吸收转化创新知识的能力。本文采用企业在职员工中本科及以上学历占比衡量员工质量。

(4)政府补助强度(gov)。政府补助是促进新能源汽车创新发展的重要政策措施，但其在不同场景下会表现为挤出效应[30]或激励效应[31]。本文以政府补助金额与企业主营业务收入比值作为政府补助强度的代理指标，并与企业研发经费支出一同纳入Tobit模型中，分析政府补助强度对企业创新效率的影响。

(5)企业规模(size)。企业规模是企业开展创新的重要决定因素，只有规模达到一定程度的企业才有能力承担创新研发所需的经费、人员等资源投入。从规模效益角度解释，规模较大的企业在资源获取方面具有独特优势，能够实现更高的创新产出。本文采用企业年末总资产衡量企业规模。

(6)融资结构(lev)。创新是企业的一种投资性活动，具有较大的不确定性。融资结构是企业获取资金支持的重要影响因素，不合理的融资结构会抑制企业创新活动。本文采用资产负债率表征融资结构。

2 实证分析

基于上述方法和数据，采用DEAP2.1、Frontier4.1、Stata16软件进行实证分析。首先，采用三阶段DEA方法测量剔除环境因素影响的新能源汽车企业创新效率；然后，基于测量得到的新能源汽车企业创新效率值，选取已有研究常用的企业特征指标，采用Tobit回归模型分析企业创新效率的影响因素。

2.1 数据来源

本文以中国A股新能源汽车上市企业为研究样本，样本选择原则如下：首先，确定样本为新能源汽车企业，由于目前上市公司涉及新能源汽车业务占企业主营业务的比例不一，选择同花顺财经新能源汽车概念板块的上市企业作为基础样本库；其次，剔除金融、保险等行业上市公司；最后，为降低极端样本对研究结果的影响，参考已有研究的通用做法，剔除ST和*ST企业以及年报中研究数据缺失量较大的企业。根据上述原则，最终获得187家新能源汽车上市公司数据，筛选得到的企业均在新能源汽车产业链上，如整车制造、电池电源、电动机、配件、充电桩等(见表3)。本文数据主要来源于《中国统计年鉴》《中国环境年鉴》以及中国研究数据服务平台(CNRDS)、EPS数据库。

2.2 中国新能源汽车企业创新效率测度

2.2.1 第一阶段传统DEA结果分析

采用DEAP2.1软件，将2014—2018年187家新能源汽车上市公司面板数据带入投入导向的BCC(规模报酬可变)模型，测算未剔除环境因素和随机误差的新能源汽车企业创新效率，结果如表4所示。结果显示，187家新能源企业的创新效率、纯技术效率和规模效率分别为0.14、0.26、0.59，说明新能源汽车企业创新效率总体不高，纯技术效率可能是造成这一现象的主要因素。结合图1分析考察期内样本的效率变化，在未剔除环境因素和随机误差的情况下，新能源汽车上市企业创新效率呈倒“N”型发展趋势，其均值在0.15上下波动，纯技术效率和规模效率均值分别在0.25、0.6上下波动，相较于规模效率，纯技术效率一直处于较低水平。综合来看，纯技术效率低下是造成新能源汽车企业创新效率不高的主要原因，说明新能源汽车企业在内部管理方面存在较大改善空间。

2.2.2 第二阶段SFA结果分析

将第一阶段传统DEA模型的投入松弛变量作为被解释变量，以区域开放程度、劳动者素质、技术市场环境、技术基础和环境规制5个环境变量作为解释变量，带入随机前沿模型(SFA)，结果如表5所示。结果显示，两个投入变量松弛值对应SFA回归模型的gamma值分别为0.961、0.826，均接近1，说明随机误差对企业创新效率的影响效果有限，SFA模型设置合理。环境因素的系数符号不一，当回归系数为正时，环境变量对投入松弛值发挥正向促进作用，增加投入会造成浪费或者产出下降；反之，投入松弛值变小会导致投入减少或者产出增加。环境因素对投入松弛值的具体影响为：区域开放程度对研发人员数量松弛值和研发经费支出松弛值的影响在1%水平上负相关，说明开放程度越高的地区，新能源汽车企业越能够降低研发人员和经费投入，从而在一定程度上提高新能源汽车企业创新效率。劳动者素质对研发人员数量松弛值和研发经费支出松弛值的影响在1%水平上负相关，说明企业所在地区的劳动者素质提高，能够在一定程度上降低新能源汽车企业研发资源投入，促进新能源汽车企业创新效率提升。技术市场环境对研发人员数量松弛值和研发经费支出松弛值的影响在1%水平上正相关，表明技术市场环境的改善会导致企业研发投入资源浪费，抑制新能源汽车企业创新效率提升。技术基础对研发人员数量松弛值在1%水平上负相关，对研发经费支出松弛值在1%水平上正相关，说明随着新能源汽车专利存量增加，会加剧研发经费的浪费，降低企业创新效率，但研发人员冗余情况会逐渐改善。环境规制对研发人员数量松弛值和研发经费支出松弛值的影响在1%水平上负相关，说明政府相关环境政策的实施能够降低新能源汽车企业研发资源投入，一定程度上激发企业创新动力，促进创新效率提升。

2.2.3 第三阶段结果分析

使用第二阶段获得的投入产出变量和原始产出变量，带入DEA模型中再次测算新能源汽车企业创新效率，结果如表4所示。从图2可以看出，剔除环境因素对创新效率的影响后，新能源汽车企业创新效率总体平稳，呈现“N”型发展趋势，说明环境因素会对新能源汽车企业创新效率产生实质性影响，采用三阶段DEA模型剔除环境因素的影响是必要的。剔除环境因素后，新能源汽车企业创新效率、规模效率处于较低水平，纯技术效率达到0.9的高水平。由此可知，剔除环境因素后，造成新能源汽车企业创新效率不高的原因不再是纯技术效率，规模效率不高成为制约新能源汽车企业创新效率提高的关键因素。

2.3 中国新能源汽车企业创新效率影响因素分析

以三阶段DEA测度得到的新能源汽车企业创新效率值作为被解释变量，并选取股权集中度、企业专利存量、员工质量、政府补助强度、企业规模、融资结构、研发人员数量和研发经费支出作为解释变量，运用Tobit模型分析上述变量对新能源汽车企业创新效率的影响。为确保模型结果的稳健性，本文对股权集中度、企业规模、研发经费支出等非负变量在0.01水平上进行缩尾处理，并对企业规模、研发人员数量和研发经费支出取对数。本文设定回归模型如下：

crste it=β0+β1conit+β2patit+β3govit+β4log (sizeit)+β5levit+β6log (rdpit)+β7log (rdfit)+εit

(5)

式中，i、t分别表示决策单元(企业)和时间，crsteit表示企业创新效率，β为待估参数，εit为随机扰动项。采用Stata 16进行分析，结果如表6所示。

表6结果显示，考察期内，企业自身特征因素对创新效率具有不同程度的影响。在创新资源方面，研发支出对创新效率具有促进作用，但在统计上不显著，研发人员在1%水平上与创新效率正相关。新能源汽车产业属于战略性新兴产业，需要大规模资源作为支撑。根据回归结果分析，当前我国新能源汽车企业研发人员对企业创新效率具有显著正向促进作用，但研发支出对企业创新效率的促进作用还不够显著，原因可能是研发支出结构与创新活动需求不匹配。同时，员工质量与企业创新效率呈现负向关系但不显著。这与多数学者的研究结论存在一定出入，可能是由于当前新能源汽车企业员工素质对企业创新效率不存在明显的正向或负向影响，而是更多依赖人力投入。在企业股东方面，股权集中度在1%水平上对企业创新效率具有显著促进作用，说明股权集中有助于企业创新效率提升。这可能是由于当前新能源汽车产业内部竞争环境复杂多变，股权集中度提升有助于缓解“搭便车”和代理问题[32]，提高企业创新战略制定效率，进而促进创新效率提升。在企业技术基础方面，企业专利存量在1%水平上促进企业创新效率提高，说明新能源汽车企业创新活动受到企业自身研发实力影响，专利存量越大，新能源汽车企业创新效率越高。这可能是因为，具有较高专利存量水平的新能源汽车企业在协调创新资源方面更有优势。企业规模在1%水平上与企业创新效率呈现正向关系，说明企业规模扩大有助于新能源汽车企业创新效率提高。这可能是因为规模更大的新能源汽车企业拥有更多专利存量，更有助于提升企业创新产出和商业化水平，进而提升企业创新效率。在企业财务方面，政府补助强度与融资结构均在10%水平上对企业创新效率产生负向影响，说明政府补助强度与融资结构显著抑制新能源汽车企业创新效率。政府补助可能会对新能源汽车企业研发资金产生挤出效应[33]，从而降低企业创新效率。同时，由于缺乏完善的监督和处罚机制，企业可能挪用政府补助用于其它生产经营活动，导致创新效率低下[34]。由于创新具有高不确定和高风险特征，合理的融资结构(合适的资产负债率)有助于企业从事持续性创新活动[35]，提高创新活动产出，进而提升企业创新效率。

3 结论与对策

基于2014—2018年187家新能源汽车上市企业数据，通过三阶段DEA模型分析剔除环境因素后的新能源汽车上市企业创新效率，并运用Tobit回归模型研究创新效率的影响因素。主要结论如下：首先，有必要剔除环境因素对新能源上市企业创新效率的影响。在未剔除环境因素对企业创新效率影响的情况下，新能源汽车上市企业创新效率以及分解后的纯技术效率和规模效率发展形态均为倒“N”型；剔除环境因素后，3种效率发展形态出现变化，呈现“N”型发展，且两种情形下造成企业创新效率低下的原因截然不同。由此可知，环境因素会对新能源汽车企业创新效率测度结果产生显著影响。因此，为保证企业创新效率测度值能够真实反映企业创新现状，有必要剔除环境因素的影响。其次，新能源汽车上市企业创新效率不高主要是由于其规模效率低下所致。剔除环境因素影响后，造成新能源汽车上市企业创新效率不高的原因在于其规模效率落后于纯技术效率，且差距较大，规模效率成为制约新能源汽车企业创新效率提升的关键因素。最后，剔除环境因素影响后，企业创新效率的Tobit回归结果表明，与创新密切相关的两类创新投入对企业创新效率的影响作用不同，研发支出虽然具有促进作用但不显著，研发人员可以显著促进企业创新效率提升。企业专利存量和企业规模能够显著促进创新效率提升，但剔除环境因素后的规模效率处于极低水平，说明新能源汽车企业还需要进一步扩大规模。模型结果显示，员工素质对创新效率不存在明显的正向或负向影响，股权集中度可以显著提升企业创新效率。政府补助强度与融资结构对企业创新效率具有显著负向作用，说明政府在支持新能源汽车企业发展过程中需要采取合适的补助形式，企业在创新过程中也需要保持合理的融资结构。

基于上述结论，本文提出如下对策建议：首先，提高产业集中度，鼓励新能源汽车企业兼并重组、做大做强。Tobit回归结果显示，企业专利存量和企业规模均能够对企业创新效率产生积极作用。结合调整后的企业创新效率结果，大多数新能源汽车企业均存在规模效率较低的情况，这制约了企业创新效率提高。当前新能源汽车企业存在数量多但小而散的情况，通过鼓励兼并重组等方式做大做强新能源汽车企业，加快整合新能源汽车产业链，有助于新能源汽车企业集聚专利、研发人员等多种创新资源，充分发挥新能源汽车企业规模优势。其次，政府补助“重质轻量”，需要进一步完善评价机制。实证结果显示，政府补助对新能源汽车上市企业创新效率具有显著负向作用，这印证了刘丰云等[36]关于政府补助具有挤出效应的结论。为规避这种现象，中央和地方政府应当进一步完善评价机制，在支持新能源汽车企业发展时，将企业创新资源的自主投入和创新产出质量纳入评价标准，不唯数量论，重点关注政府补助对新能源汽车企业创新的引领示范作用，积极发挥政府补助的杠杆作用[37]。最后，建立新能源汽车企业协同创新平台。Tobit回归结果显示，新能源汽车企业专利存量能够促进创新效率提高，一定程度上说明技术基础对创新效率具有重要作用。通过建立协同创新平台，可以降低新能源汽车产业链企业间技术交易成本，有助于传递技术需求，推广新产品、新技术，促进合作交流，最大限度发挥每个企业优势，共同推进新能源汽车产业创新发展。

本文测度剔除环境因素后的新能源汽车企业创新效率，并采用Tobit回归模型分析企业自身特征对创新效率的影响，但还有一些问题需要在以后的研究中加以完善。本文采用滞后1年的产出变量，考虑到发明专利申请数最新数据为2019年，因而本文只选取了2014—2018年数据，研究区间较短导致难以观测到新能源汽车企业创新效率的全局发展。此外，本文Tobit回归模型中仅选取了常见的影响因素，未来还需要探索更多、更复杂的创新效率影响因素。

参考文献：

[1] 白俊红, 江可申, 李婧. 应用随机前沿模型评测中国区域研发创新效率[J]. 管理世界, 2009,25(10): 51-61.

[2] 陈德球, 金雅玲, 董志勇. 政策不确定性、政治关联与企业创新效率[J]. 南开管理评论, 2016,19(4): 27-35.

[3] 陈克兢, 万清清, 康艳玲. 国家治理体系与国有企业创新效率——基于巡视监督的准自然实验[J]. 科研管理, 2020,41(8): 211-219.

[4] HE Y, GAN S, XIAO L. Can foreign suppliers act as “innovation springboards” for firms? evidence from China[J]. Research in International Business and Finance, 2021,56: 101353.

[5] 解学梅, 王宏伟, 唐海燕. 创新生态战略与创新效率关系：基于创新生态网络视角[J]. 系统管理学报, 2020,29(6): 1065-1077.

[6] 王延霖, 郭晓川. 资源型上市公司高管团队激励方式对企业创新效率的影响研究——基于创新价值链和产权性质的考量[J]. 研究与发展管理, 2020,32(4): 149-161.

[7] 姜军, 江轩宇, 伊志宏. 企业创新效率研究——来自股权质押的影响[J]. 金融研究, 2020,63(2): 128-146.

[8] HIRSHLEIFER D, HSU P, LI D. Innovative efficiency and stock returns[J]. Journal of Financial Economics, 2013,107(3): 632-654.

[9] LI H, PANG S, CAO Y, et al. Research on the evaluation of comprehensive efficiency of technological innovation and eco-environment in China[J]. Journal of Cleaner Production, 2021,283: 124603.

[10] KALAPOUTI K, PETRIDIS K, MALESIOS C, et al. Measuring efficiency of innovation using combined Data envelopment analysis and structural equation modeling: empirical study in EU regions[J]. Annals of Operations Research, 2017(11): 1-24.

[11] HASCHKA R E, HERWARTZ H. Innovation efficiency in European high-tech industries: evidence from a Bayesian stochastic frontier approach[J]. Research Policy, 2020,49(8): 104054.

[12] LI J, DU Y. Spatial effect of environmental regulation on green innovation efficiency: evidence from prefectural-level cities in China[J]. Journal of Cleaner Production, 2021,286: 125032.

[13] LI D, ZENG T. Are China’s intensive pollution industries greening? an analysis based on green innovation efficiency[J]. Journal of Cleaner Production, 2020,259: 120901.

[14] WANG S, ZHANG J, FAN F, et al. The symbiosis of scientific and technological innovation efficiency and economic efficiency in China:an analysis based on data envelopment analysis and logistic model[J]. Technology Analysis & Strategic Management, 2019,31(1): 67-80.

[15] LIN S, SUN J, MARINOVA D, et al. Evaluation of the green technology innovation efficiency of China's manufacturing industries: DEA window analysis with ideal window width[J]. Technology Analysis & Strategic Management, 2018,30(10): 1166-1181.

[16] LIN S, LIN R, SUN J, et al. Dynamically evaluating technological innovation efficiency of high-tech industry in China: provincial, regional and industrial perspective[J]. Socio-Economic Planning Sciences, 2021,74: 100939.

[17] FENG Y, ZHANG H, CHIU Y, et al. Innovation efficiency and the impact of the institutional quality: a cross-country analysis using the two-stage meta-frontier dynamic network DEA model[J]. Scientometrics, 2021,126: 3091-3129.

[18] AN Q, MENG F, XIONG B, et al. Assessing the relative efficiency of Chinese high-tech industries: a dynamic network data envelopment analysis approach[J]. Annals of Operations Research, 2020,290(1): 707-729.

[19] WANG Q, HANG Y, SUN L, et al. Two-stage innovation efficiency of new energy enterprises in China: a non-radial DEA approach[J]. Technological Forecasting and Social Change, 2016,112: 254-261.

[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): 1078-1092.

[21] 刘满凤, 李圣宏. 基于三阶段DEA模型的我国高新技术开发区创新效率研究[J]. 管理评论, 2016,28(1): 42-52.

[22] 安勇, 王拉娣. 金融要素扭曲、地方政府行为与创新效率缺失[J]. 数理统计与管理, 2022,41(1): 135-147.

[23] 郑兵云, 杨宏丰. “一带一路”中国沿海城市港口效率评价——基于DEA博弈交叉效率-Tobit模型[J]. 数理统计与管理, 2021,40(3): 502-514.

[24] 逄淑媛, 陈德智. 专利与研发经费的相关性研究——基于全球研发顶尖公司10年面板数据的研究[J]. 科学学研究, 2009,27(10): 1500-1505.

[25] 张平, 张鹏鹏, 蔡国庆. 不同类型环境规制对企业技术创新影响比较研究[J]. 中国人口·资源与环境, 2016,26(4): 8-13.

[26] YI S, FENGYAN C. Regional innovation systems based on stochastic frontier analysis: a study on thirty-one provinces in China[J]. Science, Technology and Society, 2015,20(2): 204-224.

[27] 肖仁桥, 钱丽, 陈忠卫. 中国高技术产业创新效率及其影响因素研究[J]. 管理科学, 2012,25(5): 85-98.

[28] 王云, 李延喜, 马壮, 等. 媒体关注、环境规制与企业环保投资[J]. 南开管理评论, 2017,20(6): 83-94.

[29] 陶锋, 赵锦瑜, 周浩. 环境规制实现了绿色技术创新的“增量提质”吗——来自环保目标责任制的证据[J]. 中国工业经济, 2021,38(2): 136-154.

[30] 夏玲. 政府补贴对企业R&D投入的影响——基于战略性新兴产业的实证分析[J]. 会计之友, 2020,38(24): 132-137.

[31] 苏屹, 林雨侬. 政府补贴对新能源企业R&D投入影响研究[J]. 科学管理研究, 2021,39(1): 102-110.

[32] 赵国宇, 禹薇. 大股东股权制衡的公司治理效应——来自民营上市公司的证据[J]. 外国经济与管理, 2018,40(11): 60-72.

[33] 张彩江, 陈璐. 政府对企业创新的补助是越多越好吗[J]. 科学学与科学技术管理, 2016,37(11): 11-19.

[34] HONG J, FENG B, WU Y, et al. Do government grants promote innovation efficiency in China's high-tech industries[J]. Technovation, 2016,57-58(SI): 4-13.

[35] 邓立治. 中国汽车企业技术创新效率及其影响因素研究——以沪深上市公司为例[J]. 技术经济与管理研究, 2015,224(3): 26-31.

[36] 刘丰云, 沈亦凡, 何凌云. 补贴时点对新能源研发创新的影响与区域差异[J]. 中国人口·资源与环境, 2021,31(1): 57-67.

[37] 戴浩, 柳剑平. 政府补助对科技中小型企业成长的影响机理——技术创新投入的中介作用与市场环境的调节作用[J]. 科技进步与对策, 2018,35(23): 137-145.

(责任编辑：陈 井)