Innovation Efficiency Evaluation of Intelligent Manufacturing Enterprises Based on Two-stage Super Efficiency DEA

Fu Ningning1, 2, Su Yi1,Guo Xiufang3

(1. School of Economics and Management,Harbin Engineering University;2. Department of Management,Harbin Finance University;3.Humanities Teaching Department,The Open University of Harbin,Harbin 150001,China)

Abstract：Along with the deep integration of digital economy and traditional manufacturing characterized by digitization, networking and intelligence, intelligent manufacturing has become the focus of economic and technological competition among countries around the world. Chinese intelligent manufacturing is confronted by problems such as weak industrial infrastructure, an insufficient supply of data elements, and the relatively lagging application of intelligent technology. Innovation is the primary driving force of the development of intelligent manufacturing, while intelligent manufacturing is rooted in enterprise innovation. Since enterprises are the main driving force of intelligent manufacturing, and "Internet plus" and industrial Internet are important driving forces in the field of manufacturing, this paper aims to explore the allocation structure of innovation resources in intelligent manufacturing enterprises, make scientific measurement of the innovation efficiency of intelligent manufacturing enterprises, and provide references for how to improve the innovation capability of intelligent manufacturing enterprises.

This study selects the enterprises from China's intelligent manufacturing demonstration pilot project as a sample, and constructs a two-stage super efficiency DEA model to measure technology development efficiency, economic transformation efficiency, and overall innovation efficiency. The intelligent manufacturing enterprises are divided into four categories: high R&D and high transformation, high R&D and low transformation, low R&D and high transformation, and low R&D and low transformation. Then the factors and degrees that affect the two-stage innovation efficiency of intelligent manufacturing enterprises are analyzed by the Tobit regression model. The results indicate that, first, the innovation efficiency of intelligent manufacturing enterprises has been increasing year by year, but there is still a lot of room for improvement. There are also significant individual differences, and the proportion of intelligent manufacturing enterprises with high R&D and high transformation,low R&D and low transformation is the highest. The two-stage innovation efficiency advantages of the electrical machinery and equipment manufacturing industry and the automobile manufacturing industry are clear, while the textile manufacturing industry is at a relatively low level of innovation efficiency. The efficiency in the technology research and development stage is the main factor determining the overall efficiency of innovation. Second, from the analysis of factors affecting the innovation efficiency of intelligent manufacturing enterprises, government support has the greatest impact on technology research and development efficiency. However, ignoring market demand and blindly increasing research and development output could lead to a decrease in the economic transformation of research and development achievements. A high-quality technological environment and infrastructure have a boosting effect on the R&D generation and economic transformation of intelligent manufacturing enterprises. Large enterprises are more likely to have higher two-stage innovation efficiency than small and medium-sized enterprises. The equity concentration ratio has little effect on two-stage innovation efficiency. An increase in the number of R&D personnel will increase R&D output, but the increased R&D output during the technology R&D stage cannot be timely converted into economic value, and instead will reduce the economic conversion rate. Market competition is beneficial for the R&D output of intelligent manufacturing enterprises, but it has had a significant negative impact on economic transformation efficiency, indicating that the market structure of intelligent manufacturing enterprises in China is not yet sound.

Four policy implications are put forward to improve the innovation efficiency of China's intelligent manufacturing enterprises. First, the government should pay attention to the links and quality when providing support to intelligent manufacturing enterprises, appropriately reduce financial support for the achievement transformation process, support key links through various means such as policy subsidies and tax incentives. Second, the government should focus on supporting fields related to China's intelligent manufacturing innovation development, improve the quality of scientific and technological services, and promote the application of innovative achievements to improve the management system for science and technology investment. Third, it is essential for the government to improve the market competition mechanism, encourage the enterprises to strengthen their market competitiveness through research and development capabilities and new products, and crack down on malicious competition through methods such as illegal infringement and price wars. Fourth, it is necessary to reasonably adjust the structure of innovative talents according to the matching degree between R&D personnel and overall innovation resources, and avoid causing redundant talent investment.

Key Words：Intelligent Manufacturing Enterprises; Innovation Efficiency; Super Efficiency DEA Model; Technology Research and Development; Economic Transformation

DOI：10.6049/kjjbydc.2023020167

开放科学(资源服务)标识码(OSID)：

中图分类号：F273.1

文献标识码：A

文章编号：1001-7348(2024)10-0067-11

收稿日期：2023-02-07

修回日期：2023-04-27

基金项目：国家自然科学基金项目(72074059,72001055);黑龙江省省属本科高校基本科研业务费科研项目(2022-KYYWF-015);工业和信息化部党建课题重大项目(GXZY2212)

作者简介：付宁宁(1988—),女,黑龙江哈尔滨人,哈尔滨工程大学经济管理学院博士研究生,哈尔滨金融学院管理系讲师,研究方向为创新网络;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,研究方向为数字经济与创新管理;郭秀芳(1980—),女,吉林农安人,哈尔滨开放大学人文教学部副教授,研究方向为创新管理。本文通讯作者:苏屹。

0 引言

中共二十大报告提出加快建设制造强国和数字中国。这是党中央作出的重大决策部署,充分体现了以习近平同志为核心的党中央对推动制造业高质量发展、建设制造强国的高度重视。在我国实现全面建成小康社会奋斗目标和中华民族伟大复兴中国梦的新征程中,加快发展先进制造业具有十分重大而深远的意义。发展智能制造既是贯彻落实党中央决策部署的具体行动,也是加快推动制造业高质量发展、建设制造强国和数字中国的重要抓手。智能制造是以数字化、网络化和智能化为特征的数字经济与传统制造业深度融合的结果,是世界各国经济技术竞争的焦点。我国智能制造发展总体处于起步阶段,面临产业基础能力薄弱、数据要素供给不足和智能技术应用相对滞后等问题。大数据、云计算、人工智能等新一代信息技术的快速发展,为智能制造发展提供了基础支撑。创新是引领智能制造发展的第一动力,而企业创新则是智能制造的源头活水。从创新主体看,企业是智能制造的主要推动力量;从创新形式看,“互联网+”和工业互联网是制造业领域的重要推动力量。本文通过探讨智能制造企业创新资源的配置结构,科学测度智能制造企业创新效率,为提高智能制造企业创新能力提供参考。

Wright &Bourne[1]首先提出智能制造的概念,认为智能制造是指通过集成知识工程、制造软件系统和机器人视觉等技术,在不需要人为干预的情况下,独立实现小型批量制造 。在新一轮数字化和智能化技术革命推动下,智能制造发展被赋予新的意义,除能够实现自动化和无人化生产外,其深层作用是通过“产销合一”机制,帮助企业实现从批量生产到定制化生产,从而实现高效生产和资源优化配置[2]。目前智能制造并没有统一的概念,本文依据工业和信息化部发布的《智能制造发展规划(2016—2020年)》,将智能制造定义为新一代信息通信技术与先进制造技术深度融合,贯穿生产、设计、服务和管理等生产活动各环节,具有自学习、自感知、自执行、自决策和自适应等功能的新型生产方式。近几年,国内外学者对智能制造的研究呈现出“井喷”式增长 [3-5]。智能化转型升级、智能制造可持续发展、智能制造技术流程、数字智能制造及智能制造创新等成为热点研究领域[6-11]。

Afriat[12]最先应用生产前沿模型研究创新效率理论,提出创新效率是指在创新投入要素不变的情况下,实现产出最大化,或者在产出要素不变的条件下,使创新投入最小化。此后,众多学者遵循这一思想,把创新效率定义为既定投入下的最大产出,或既定产出下的最小创新投入[13]。借鉴已有研究,本文认为创新效率是衡量智能制造企业创新过程中创新投入与产出转化关系的指标,用创新产出与创新投入的比值表示[14]。本文追求的智能制造企业创新效率最优可以从两个方面理解:一是在智能制造企业创新产出要素不变情况下的最小创新投入;二是在智能制造企业创新投入要素不变的情况下,实现创新产出最大化[15]。已有研究关于创新效率的测度方法大多采用SFA模型随机前沿法和DEA模型数据包络分析法[16]。其中,SFA随机前沿法通常应用模型设定对不同研究对象之间的效率差进行定量分析,但是模型必须设置特定函数,并且假定条件比较苛刻,在计算中容易出现误差[17];DEA数据包络分析法不需要设定投入产出要素的生产模式,依据投入产出要素就可以客观计算出各指标权重,能够避免人为设定参数错误而导致估计偏差,在创新效率测度中应用最为广泛[18]。在智能制造企业创新效率测度指标选取上,学者们主要从劳动力和资本两个维度考虑投入指标,如刘峰等[19]将R&D投入、企业员工人数和净资产作为创新投入指标;产出指标大多选择专利数和营业收入或净利润,如楼旭明和徐聪聪(2020)以专利申请量表示知识产出,以净利润和总营业收入共同反映智能制造企业创新能力及公司盈利能力。智能制造企业的创新过程非常复杂且企业间不同阶段的创新效率也会有明显不同,如经济发达地区的转化效率可能更高,但其技术研发效率不一定处于较高水平。因此,分阶段研究智能制造企业创新效率可以更全面地反映企业创新能力[20]。

已有文献为本文研究奠定了基础,但仍有以下方面值得进一步探究:首先,对于我国智能制造企业创新效率的测度,大部分研究采用DEA模型,但当多个单元的效率值同时为1时,DEA模型无法进行排序评价。其次,已有文献大多将智能制造企业创新过程看作一个整体,研究智能制造企业整体创新效率,探讨整体效率变动趋势,并进一步分析外部环境对智能制造企业创新效率的影响,但仅对创新初始投入和最终产出进行研究,没有考虑中间过程,忽略了智能制造企业创新过程的内部研发结构,可能造成智能制造企业创新过程中的“黑箱”问题。鉴于此,本文边际贡献在于:第一,借助智能制造示范试点项目专项行动,采用超效率DEA模型测度智能制造企业创新效率,弥补了DEA模型不能对效率为1的单元排序的不足,丰富了智能制造企业创新效率评价方法。第二,将智能制造企业技术创新分为研发阶段和经济转化阶段,构建两阶段DEA模型,测度智能制造企业总体创新效率和两阶段创新效率,并对智能制造企业进行重新分类,有针对性地给出智能制造企业创新效率提升建议,以期为提高我国智能制造企业创新能力提供可借鉴的范本。

1 智能制造企业创新过程分析

传统创新理论将创新过程看作一个投入产出的过程,其中,投入方面涉及的资源包括物力、人力和财力,如研发人员、研发资金和固定资产等,产出方面包括科技产出和价值产出。这种评价方法能够展现创新活动的最终结果,但是忽视了创新过程。随着我国人口红利逐渐消失,企业成本不断上升,再加上西方国家的技术封锁,我国制造业发展陷入瓶颈。如何提升中国制造业整体竞争力,是现阶段迫切需要解决的重要问题,各界普遍认为创新是解决这一问题的有效手段。产出水平是创新能力的主要表现,不同阶段的产出存在较大差异,上一阶段的产出是下一阶段的投入。因此,创新价值是若干创新环节协同作用的结果,只要有一个环节的效率较低,则整个创新价值都会受到一定负面影响。企业从最开始的研发投入到最后的价值产出会经历知识创造、科技产出和经济转化3个阶段。知识创造阶段需要投入大量资源,为科技产出奠定基础;在科技产出阶段,投入水平进一步提高,上阶段的科技产出是下阶段的投入,为经济转化铺平道路,企业取得相应经济效益,回笼投入资金。这两个阶段的投入产出能够促进科技进步,为企业可持续发展提供坚实保障。徐咏梅等[21]认为企业创新产出分为科技产出和经济效益产出。其中,科技产出是前期研发投入的成果,也是后期生产升级的基础,属于中间变量;经济效益产出是在科技产出的基础上进一步投入创新资源,通过提升创新能力,促进企业经营收入增长[22]。基于此,本文对创新过程进行更加细致的划分,将智能制造企业创新过程进行阶段性分解,如图1所示。

基于上述分析,参考曾卓骐等[23]的研究,本文将智能制造企业创新过程分为技术研发和经济转化两个阶段,前者是创新资源投入到技术研发成果的阶段,后者是从技术成果到生产升级从而获得经济效益的成果转化阶段。需要注意的是,技术研发阶段的创新资源投入不仅会影响技术产出,对经济产出也有一定影响。基于此,本文将智能制造企业创新效率分为整体创新效率和两阶段创新效率。整体创新效率反映智能制造企业将整体创新资源转化为创新产出的能力。两阶段创新效率是指技术研发效率和经济转化效率,其中,技术研发效率反映智能制造企业将创新资源转化为专利研发产出的能力,经济转化效率反映智能制造企业将技术研发产出和研发投入等创新资源转化为经济产出的能力。

2 研究设计

2.1 变量说明

2.1.1 技术研发阶段变量选取

技术研发阶段的创新投入主要包括创新资金和创新人员两方面[24],创新人员投入用研发人员数量衡量,创新资金投入用研发经费投入金额衡量。技术研发阶段的产出是智能制造企业创新活动的中间产出,学者们主要采用专利申请量、专利授权量和新产品开发项目数衡量[25]。专利申请量反映的是创新主体进行创新的努力程度,而不是反映科技创新能力的变量。专利授权需要经过严格的审查后才能获得,更能反映企业创新能力。由于部分智能制造企业新产品开发项目无法获取官方数据,考虑指标选取的可操作性,本文用发明专利授权量衡量技术研发阶段的产出。

2.1.2 经济转化阶段变量选取

经济转化阶段的投入包括上一阶段的研发产出,授权专利是创新活动的中间产出,技术研发阶段与经济转化阶段通过中间产出相连接。参考陈海强等[26]、王洪海和李洪锐[27]的研究,本文选取新增员工人数、新增固定资产和发明专利授权量作为投入变量。经济转化阶段的最终目的是实现经济效益,营业利润不仅可以衡量企业经营能力,更能反映技术研发阶段的创新效果,本文将营业利润作为经济转化阶段的产出变量[28]。

本文研发投入金额、新增固定资产值和营业利润3个变量与物价变动有关,为剔除价格变化的影响,以2014年为基期,对这3个指标数据进行平减处理。借鉴相关研究[29-30],研发投入金额的平减指数由消费物价指数(权重55%)和固定资产投资指数(权重45%)加权平均构成,新增固定资产值的平减指数为固定资产投资指数,营业利润的平减指数为工业品出厂价格,相关数据均来自国家统计局网站。由于技术创新投入与产出存在滞后效应,滞后期大致为1～2年,本文将技术研发阶段的投入产出和经济转化阶段的滞后期均设定为1年[31]。

2.2 模型设定

2.2.1 超效率DAE模型

根据Andersen等(1993)提出的超效率DEA模型,对n家智能制造企业的创新效率进行评价,每家智能制造企业Dj(j=1,2,… n)有k种投入Xij(j=1,2,… k)、p种投入Ywj(j=1,2,… w)。第l家智能制造企业Dk的超效率DEA模型如式(1)所示,其中,D的线性组合系数为λ,最优解θ为效率值, j ≠l。

(1)

本文利用超效率DEA模型测算技术研发效率(E1)和经济转化效率(E2),如图2所示,A、B、C、D分别表示(EA1,EA2)、(EB1,EB2)、(EC1,EC2)、(ED1,ED2)对应的两阶段创新效率。参考范德成等[28]的做法,智能制造企业整体创新效率(E)的计算公式为:

(2)

2.2.2 Tobit回归模型

Tobit回归模型[30]已成为估计回归系数较常用的方法,在能源利用、财政支出和银行运行等效率研究中应用广泛,其通用模型如式(3)所示。

(3)

其中,yi是效率值,是因变量向量,xi是自变量向量。

在式(3)基础上,构建智能制造企业创新效率影响因素的Tobit回归方程,如式(4)。

y*=α1E1it+α2E2it+α3E3it+α4E4it+α5E5it+α6E6it+α7E7it+εit

(4)

其中,y*表示智能制造企业创新效率值,αj表示回归参数,Ejit表示各自变量,εit表示残差项,i表示智能制造企业编号,t表示时间。

2.3 数据来源

2015—2018年,工信部发布了四批国家智能制造试点示范项目,本文选取涉及的45家智能制造上市企业作为研究样本。按照“官网—专利审查信息查询—中国及多国专利审查信息查询系统—公共查询”的途径,以申请企业全名和发明专利为检索条件,进行对应年限检索。在信息检索过程中,整理发明专利授权数据,企业年报数据来自国泰安数据库。

3 智能制造企业创新效率分析

3.1 智能制造企业创新效率测度结果

根据前文构建的智能制造企业创新投入产出指标体系,运用超效率DEA模型,借助MaxDEA软件对我国智能制造企业整体创新效率和两阶段创新效率进行测度。

3.1.1 技术研发效率测度结果

如表1所示,2015—2021年,样本智能制造企业技术研发效率均值呈波动上升趋势,总体保持平稳增长,但涨幅较小。技术研发效率均值为0.523,高于均值的企业有22家,低于均值的企业有23家。技术研发效率均值最高的是江苏徐工机械(1.086),最低的是陕西峡鼓动力(0.109),相差0.977,表明我国智能制造企业技术研发效率差异较大。如图3所示,比较不同行业智能制造企业技术研发效率发现,各行业技术研发效率呈波动上升趋势。其中,汽车制造业技术研发效率呈“M”型发展,电气机械和器材制造业、汽车制造业技术研发效率处于断层式领先位置,黑色金属冶炼和压延加工业以及计算机、通信和其它电子设备制造业技术研发效率处于行业平均水平,食品制造业、纺织制造业技术研发效率则处在较低水平。总体看,行业间技术研发效率差距明显,电气机械和器材制造业、汽车制造业引领智能制造企业技术研发先进水平,其它行业技术研发效率整体偏低,未来赶超相对困难。

3.1.2 经济转化效率测度结果

如表2所示,2015—2021年,样本智能制造企业经济转化效率总体呈上升趋势,但涨幅较小。经济转化效率均值为0.568,高于均值的企业有22家,低于均值的企业有23家。经济转化效率均值最高的是上海天地科技(1.122),达到DEA有效,最低的是安徽华贸股份(0.176),相差0.946,表明我国智能制造企业经济转化效率差异较大。如图4所示,比较不同行业智能制造企业经济转化效率发现,汽车制造业、电气机械和器材制造业经济转化效率整体优势明显,纺织业相比其它行业存在明显劣势,其它行业差距不明显。与技术研发效率相比,经济转化效率行业差距明显缩小。总体看,大部分行业之间差距较小,未来发展潜力都很大且互相赶超相对容易。

3.1.3 整体创新效率测度结果

在技术研发效率和经济转化效率测度的基础上,运用式(2)计算我国智能制造企业整体创新效率,如表3所示。样本智能制造企业整体创新效率均值为0.787,高于均值的企业有22家,低于均值的企业有23家。整体创新效率均值最高的是上海天地科技(1.478),最低的是陕西峡鼓动力(0.270),相差1.208,表明我国智能制造企业整体创新效率差异大,区域间发展不平衡。如图5所示,比较不同行业智能制造企业整体创新效率发现,汽车制造业、电气机械和器材制造业整体创新效率依旧遥遥领先,计算机、通信和其它电子设备制造业以及黑色金属冶炼和压延加工业处在行业中等水平,铁路船舶航空航天和其它运输设备制造业波动较大,其它行业整体水平偏低,其中纺织业整体创新效率最低。对比行业整体创新效率与技术研发效率发现,排在前两位和后两位的行业相同,并且行业间差距水平相似,说明当前技术研发阶段效率是影响整体创新效率的主要因素,也侧面反映出创新成果转化阶段效率落后是拉低整体效率水平的主要因素。

3.2 智能制造企业两阶段创新效率比较分析

本文打破固化思维,不局限于依据地理位置进行区域划分,而是基于两阶段创新效率的特点对各智能制造企业进行分类。参考李柏洲等[32]的做法,本文根据技术研发效率和经济转化效率均值将智能制造企业区分为4类,具体分类结果如表4和图6所示。

如表4所示,高研发高转化类智能制造企业具有良好的创新技术基础与市场前景,需要更加注重创新质量的提升,充分利用自身高效的创新资源配置优势,补齐核心技术短板,追赶世界技术前沿;高研发低转化类智能制造企业在进一步提高研发能力的同时,更要以市场需求促进研发成果的商业化,要以市场为导向,合理投入创新资源,重视经济效益;低研发高转化类智能制造企业应关注自身研发成果转化能力,通过模仿创新、消化吸收再创新降低研发风险,提升自身研发能力,努力转化为第一类企业;低研发低转化类智能制造企业要以市场为导向,将有限的创新资源集中整合,降低自身创新风险,向第二、三类企业转化积累,逐步发展成为第一类企业。

3.3 影响因素分析

影响企业创新效率的因素众多,结合智能制造企业特点,本文选择以下7个指标进行分析:①企业规模,创新效率与企业规模正相关[33],采用企业总资产的对数衡量;②股权集中度,股权集中度对企业创新效率具有促进作用[14],采用智能制造企业前10大股东持股比例的平方和衡量;③人才结构,智能制造企业在创新过程中需要更多高素质人才,采用企业研发人员与企业员工总数的比重表征;④市场结构,市场结构能够反映企业在行业内的垄断程度,采用同行业企业数量占智能制造企业总数的比重衡量;⑤科技水平,智能制造企业所在地区较高的科技水平能够为企业创新提供更多技术服务,采用地方财政支出中科学技术支出占比衡量;⑥创新基础环境,交通基础设施是企业创新的重要基础环境,采用智能制造企业所在城市公路、铁路和内河航道总里程与地区面积之比衡量[34];⑦政府支持,政府通过税收优惠、财政补贴等多种手段支持智能制造企业创新发展,采用R&D研发经费支出中政府资金占比衡量[35]。上述指标原始数据均来源于各期企业财务年报、《中国统计年鉴》以及地方统计年鉴等。由于统计年鉴数据是以当年价格进行核算,本文对受价格影响的指标数据以2014年为基期按价格指数进行平减处理。

以各影响因素为自变量,以两阶段创新效率为因变量,运用EViews11.0软件构建技术研发效率和经济转化效率的Tobit模型进行回归分析,结果如表5、表6所示。

由表5可知,上述7个影响因素对智能制造企业技术研发效率均具有正向影响,其中,资产规模、股权集中度、市场结构在5%的水平上显著,其它因素在1%的水平上显著。政府支持对智能制造企业技术研发效率的影响最大,回归系数为0.051,表明政府资金支持对企业创新积极性和技术研发成果转化的助推效果很好;地区科技水平的回归系数为0.042,政府财政科技投入能够代表当地科技水平,加大财政科技投入,为智能制造企业技术研发提供更好的服务环境和服务质量,有利于智能制造企业技术研发成果转化;资产规模的回归系数为0.032,表明适度扩大智能制造企业规模,有助于企业技术研发活动开展,促进技术研发成果转化;人才结构的回归系数为0.021,表明智能制造企业研发人员占比越高,企业技术研发能力越强;股权集中度和市场结构的回归系数分别为0.006、0.005,表明这两个因素对智能制造企业技术研发效率存在微弱的正向影响,说明稳定的股权集中度对智能制造企业技术研发有益,行业内市场主体数量增加也对智能制造企业创新研发有一定帮助。

由表6可知,资产规模、股权集中度和市场结构对智能制造企业经济转化效率的影响在1%的水平上显著,其它因素在5%的水平上显著。其中,市场结构对智能制造企业经济转化效率的影响最大,回归系数为-0.056,表明市场竞争过于激烈不利于智能制造企业研发成果的经济转化;地区科技水平的回归系数为0.53,表明较高的财政科技投入水平不但有助于企业研发活动开展,对企业研发成果的经济转化也有很大帮助,是影响智能制造企业创新发展的重要因素;创新基础环境的回归系数为0.045,表明优化创新基础设施环境能够为智能制造企业创新活动提供保障,有利于创新成果的经济转化;资产规模的回归系数为0.038,表明规模较大的企业更容易实现研发成果的经济转化,在经济转化效率中,智能制造企业的规模优势凸显;人才结构的回归系数为-0.023,表明研发人员数量增加有助于企业技术研发效率提升,但是研发产出如果不能及时转化为经济价值,则会降低企业经济转化效率;政府支持的回归系数为-0.011,政府支持能够提高企业创新积极性,但是仅依靠政府财政支持,企业没有高质量的创新产品,研发成果无法让市场接受,也会影响智能制造企业经济转化效率。

4 结论与政策建议

4.1 结论

本文运用超效率两阶段DEA模型对我国智能制造企业创新效率进行测度,在测度结果基础上,利用Tobit回归模型对智能制造企业两阶段创新效率的影响因素进行分析,得出以下主要结论:首先,从智能制造企业创新效率测度结果看,我国智能制造企业创新效率整体呈逐年上升态势,但涨幅较小,还存在很大上升空间,且个体差异较大,高研发高转化和低研发低转化类智能制造企业数量最多。电气机械和器材制造业、汽车制造业的两阶段创新效率优势明显,纺织制造业的两阶段创新效率均处在较低水平,技术研发阶段效率是影响整体创新效率的主要因素。其次,从智能制造企业创新效率的影响因素看,政府支持对技术研发效率的促进作用最大,不考虑市场需求、盲目提高研发产出会降低研发成果的经济转化效率。良好的科技环境和基础设施环境对智能制造企业技术研发、经济转化都具有助推作用,大型智能制造企业在两阶段创新效率上较中小企业更具优势。股权集中度对智能制造企业两阶段创新效率的影响甚微。研发人员数量增加有助于提高研发产出,但技术研发阶段的产出如果不能及时转化为经济价值,则会降低经济转化效率。市场竞争有利于智能制造企业提高研发产出,但对经济转化效率存在较大负向影响,表明我国智能制造企业市场结构还不完善。

4.2 政策建议

基于以上结论,本文为促进我国智能制造企业创新效率提高提出以下政策建议:第一,制定合理有效的政府支持政策。政府在扶持智能制造企业时应注意支持环节和质量,适当减少成果转化过程中的直接资金支持,通过政策补贴和税收优惠等多种手段扶持重点环节,提高财政支持的灵活性。第二,完善科技投入管理制度。政府财政科技投入可以反映地区科技水平,加大科技投入对智能制造企业创新效率提升具有积极作用。政府在制定科技投入计划时,应重点支持我国智能制造创新发展战略相关领域,如加大对“卡脖子”技术领域的支持力度,提高科技服务质量,促进创新成果推广应用。第三,规范市场竞争机制。我国智能制造企业起步较晚,市场结构还不完善,需要规范市场竞争机制,引导智能制造企业通过技术研发和开发新产品提高市场竞争力,打击违规侵权、价格战等恶意竞争行为。同时,通过建立政企创新合作联盟、制定行业发展准则等方式为智能制造企业发展营造良好的市场竞争环境,保障智能制造企业创新能力健康发展。第四,合理调整企业创新人才结构。智能制造企业应建立员工管理制度,不能盲目扩大研发人员规模,应根据研发需求、企业规模、市场环境等因素综合确定研发人员数量,合理调整人才结构,注意研发人员数量与总体创新资源的匹配程度,避免造成人才投入冗余。

4.3 不足与展望

新产品销售收入作为企业创新产出的商业化成果,在衡量创新产出中被学者广泛采用,考虑到数据的可得性和准确性,本文采用营业收入变量替代,有一定局限性,也是现阶段智能制造企业创新效率测度指标的缺口。未来研究将通过企业走访、问卷调查等多种渠道收集相关数据,为进一步研究智能制造企业创新效率提供有价值的可靠数据。此外,本文仅采集了45家智能制造上市企业指标数据,样本数量相对较少,并且地处长三角地区的智能制造企业数量较多,地域分布不均衡,研究结论可能存在一定偏差。未来研究将继续扩充研究样本数量,以更全面地反映我国智能制造企业创新效率。

参考文献：

[1] WRIGHT P K, BOURNE D A.Manufacturing intelligence[M].Addisin-Welsley Publishing Company,1998.

[2] 戚聿东,徐凯歌.智能制造的本质[J].北京师范大学学报(社会科学版),2022,64(3):93-103.

[3] 王柏村,陶飞,方续东,等.智能制造——比较性综述与研究进展[J].Engineering,2021,7(6):80-122.

[4] 戚聿东,徐凯歌.新时代十年我国智能制造发展的成就、经验与展望[J].财经科学,2022,66(12):63-76.

[5] 龚其国,杨丽萍.“中国制造2025”背景下制造业的发展策略研究——基于社会网络分析和文本挖掘[J].科技促进发展,2020,16(8):917-923.

[6] 杨渊鋆,刘军,姚帏之,等.新中国70年智能制造研究热点与前沿探讨——基于知识图谱的分析[J].科技管理研究,2020,40(18):46-54.

[7] YANG T, YI X, LU S, et al. Intelligent manufacturing for the process industry driven by industrial artificial intelligence[J]. Engineering, 2021,7(9):1224-1230.

[8] HE B, BAI K J. Digital twin-based sustainable intelligent manufacturing: a review[J]. Progress in Advanced Manufacturing, 2021, 9(1):1-21.

[9] GREFEN PAUL,VANDERFEESTEN IRENE,TRAGANOS KOSTAS,et al. Advancing smart manufacturing in Europe: experiences from two decades of research and innovation projects[J]. Machines,2022,10(1):45-46.

[10] 王友发,周圆圆,罗建强.近20年智能制造研究热点与前沿挖掘[J].计算机工程与应用,2021,57(6):49-57.

[11] 尹洪英,李闯.智能制造赋能企业创新了吗——基于中国智能制造试点项目的准自然试验[J].金融研究,2022,43(10):98-116.

[12] AFRIAT S N.Efficiency estimation of production functions[J]. International Economic Review,1972,13(3):568-598.

[13] WANG Y,PAN JIAOFENG,PEI RUIMIN,et al,Assessing the technological innovation efficiency of China's high-tech industries with a two-stage network DEA approach[J].Socio-Economic Planning Sciences,2020,71:100810.

[14] 徐琛辉,宋良荣.基于DEA模型的智能制造企业创新效率评价[J].技术与创新管理,2022,43(3):334-341.

[15] 张梦成,宋良荣.智能制造企业经营能力与创新效率研究[J].技术与创新理,2022,43(1):21-29.

[16] 韩兵等.基于两阶段DEA的高技术企业技术创新绩效研究[J]．科研管理,2018,39(3):11-19.

[17] CHIARA FRANCO,FABIO PIERI,FRANCESCO VENTURINI.Product market regulation and innovation efficiency[J].Journal of Productivity Analysis,2016,45(3):299-315.

[18] ALI RAKHSHAN.Efficiency ranking of decision making units in data envelopment analysis by using TOPSIS-DEA method[J].The Journal of the Operational Research Society,2017,68(8):906-918.

[19] 刘峰,宁健.智能制造企业技术创新效率及其影响因素[J].企业经济,2016,35(4):142-147.

[20] GUAN J, CHEN K. Measuring the innovation production process: a cross-region empirical study of China's high-tech innovations[J]. Technovation, 2010, 30(5-6):348-358.

[21] 徐咏梅,王洪玲.基于价值链视角的中国高技术产业技术创新效率研究[J].创新与创业管理,2014,10(1):50-61.

[22] 潘文彪,陈志云,张宁.中国装备制造企业转型升级实践研究和企业智能制造体系构建的建议思考[J].现代管理科学,2019,38(2):27-29.

[23] 曾卓骐,王跃.战略性新兴产业上市公司动态创新效率测度及其影响因素研究——基于两阶段DSBM模型与Tobit模型[J].科技进步与对策,2022,39(21):65-74.

[24] 张雪琳,贺正楚,任宇新.中国区域工业企业技术创新效率研究:整体创新和阶段创新的视角[J].科学决策,2022,29(10):1-19.

[25] 苏屹, 陈凤妍.企业家地方政治关联对技术创新绩效影响研究[J]. 系统工程理论与实践, 2017, 37(2):365-378.

[26] 陈海强, 韩乾, 吴锴. 融资约束抑制技术效率提升吗——基于制造业微观数据的实证研究[J]. 金融研究,2015,36(10):148-162.

[27] 王洪海,李洪锐.智能制造上市企业创新效率测度——基于三阶段DEA模型[J].江苏海洋大学学报(人文社会科学版),2022,20(5):102-111.

[28] 范德成,李盛楠.区域高技术产业技术创新效率测度与提升路径研究——基于共享投入关联型两阶段DEA模型[J].运筹与管理,2019,28(5):156-165.

[29] 方莹莹,刘戒骄,冯雪艳.空间相关性、创新生态环境与高技术产业创新生态系统创新效率——基于中国内地23个份的实证研究[J].科技进步与对策,2022,39(3):59-68.

[30] 陈怀超,张晶,马靖.产学研创新资源错配对域创新效率的影响——基于要素扭曲测度模型与超效率SBM-DEA模型[J].科技进步与对策,2021,38(10):46-55.

[31] TOBIN JAMES. Estimation of relationships for limited dependent variables[J]. Econometrica, 1958, 26(1):24-36.

[32] 李柏洲,王雪,苏屹,等.我国战略性新兴产业研发—转化两阶段创新效率[J].系统工程,2019,37(4):48-56.

[33] 范德成,杜明月.高端装备制造业技术创新资源配置效率及影响因素研究:基于两阶段StoNED和Tobit模型的实证分析[J].中国管理学,2018,26(1):13-24.

[34] DÉMURGER S. Infrastructure development and economic growth: an explanation for regional disparities in China [J]. Journal of Comparative Economics, 2001, 29(1): 95-117.

[35] 范凌钧, 陈燕儿. 政府R&D资助对高技术产业技术效率的影响研究[J]. 运筹与管理, 2014, 23(4): 246-253.

(责任编辑：陈 井)