我国省区规模工业创新绩效实证研究——基于hca-sem(超效率)-dea模型-陈四辉.pdf

《我国省区规模工业创新绩效实证研究——基于hca-sem(超效率)-dea模型-陈四辉.pdf》由会员分享，可在线阅读，更多相关《我国省区规模工业创新绩效实证研究——基于hca-sem(超效率)-dea模型-陈四辉.pdf（14页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、第29卷第2期2017年4月研究与发展管理R&D MANAGEMENTV0129 No2Apr2017文章编号：10048308(加17)02m10214我国省区规模工业创新绩效实证研究基于HcASEM(超效率)一DEA模型陈四辉1，2(1岭南师范学院商学院，湛江524048；2岭南师范学院南海丝绸之路协同创新中心，湛江524048)摘要：对我国各省区规模工业进行系统聚类，分为创新效率较高区域、创新效率中等区域和创新效率较低区域3个层次，运用一般化(非)导向超效率DEA模型进行创新绩效分析，得出如下结论：我国省区规模工业创新基本有效率，70的省区处于效率前沿；“创新效率较高区域”在技术输出方面

2、具有绝对优势；要素驱动呈现RD、技改、资本投入与创新效率较高、中等、较低区域依次匹配的显著特征；产出目标呈现重利润、产值、专利与创新效率较高、中等、较低区域依次匹配特征层次分析得到如下结论：在“创新效率较高区域”中，北京处于顶端，上海绩效较差；在“创新效率中等区域”中，江西、吉林、湖南等具有较好的创新效率，黑龙江、重庆和河北具有效率提升空间；在“创新效率较低区域”中，新疆、内蒙古创新效率较高，新疆、海南规模效率较高，山西两项指标都比较低从层次、比例和松弛3个方面提出改进建议：提升层次应该成为各省区规模工业创新绩效提高的首要目标；进行投入与产出的双向比例改进，适应我国当前的供给侧结构性改革；进行

3、精细化成本管理，推进松弛改进关键词：规模工业；创新绩效；超效率DEA模型；系统聚类分析中图分类号：F4299；F204 文献标识码：A随着我国经济总量的扩大，调整产业结构，转变经济发展方式，推进供给侧管理，实现由“中国制造”向“中国创造”的转变，已经成为经济进一步发展的根本出路从党的十八大明确提出创新驱动发展战略以来，2015年关于制定国民经济和社会发展第十三个五年规划的建议提出“创新是引领发展的第一动力”的论断，强调“让创新贯穿党和国家一切工作”，是对创新在未来经济社会发展中重要地位和作用做出的崭新概括，创新驱动已经是我国转变经济发展方式的根本途径企业作为科技创新体系中最重要的主体，既肩负着

4、创新的重任，又要完成创新成果的社会价值转化(国民产出和利润)，在这一过程中，规模以上工业的创新绩效起到了关键作用对我国各省区规模工业创新绩效进行研究和评价并发现其存在的问题，对于各省区有的放矢地提高创新效率，促进区域平衡与协调发展，转变经济发展方式，提升整个国民经济的素质，具有十分重要的理论和现实意义1 文献综述11对创新绩效(效率)的相关研究目前国内外对创新绩效(效率)的研究主要运用随机参数前沿(stochastic frontier analysis，sFA)和确定性非参数前沿(data envel叩e analysis，DEA)两种方法1)运用sFA对创新绩效(效率)的研究国外相关研究始

5、于Aigner等开拓性地用非负随机项衡量技术效率，提出随机前沿生产函数；之后Battese和coelli2在对印度进行技术创新效率分析时，通过用最收稿日期：2016旬118；修改日期：2016旬5_28基金项目：国家自然科学基金资助项目“基于两型社会的城市规模研究”(71073135)；湛江市科技计戈项目“湛江融人海丝之路发展战略的科技创新体系研究”(2015A01045)作者简介：陈四辉(1972一)，男，硕士，副教授，研究方向为科技创新、国民经济运行按我国统计口径，规模以上工业是指年主营业务收入2 000万元以上的法人工业企业，严格说来：创新效率是创新产出与创新投入的比值；创新绩效是指创新

6、过程中所产生的、与目标相关的，并且可以被评价的结果、路径、行为和方式，即：创新产出+创新行为过程文中据此用词万方数据第2期 陈四辉：我国省区规模工业创新绩效实证研究 103大似然法对“非效率函数”进行估计，完善了sFA前沿效率分析方法；在此之后，涌现了大量sFA分析创新绩效(效率)的文献，如Hsieh等旧。利用美国高技术类医药和化学产业数据，以固定资产投资作为行业特征的代理变量，通过建立横截面回归模型进行研究，认为医药行业中企业R&D投入对创新绩效的正效应明显高于化学行业等国内学者借鉴sFA方法，对我国创新绩效(效率)进行了大量研究，如孙早和宋炜H1以企业专利作为产出，R&D经费作为投入，企业

7、利润、规模和市场势力作为控制变量，行业特征和市场结构作为虚拟变量进行回归分析，他们研究认为R&D投入对创新正效应不显著，但所有制对创新绩效存在重大影响；孙早和宋炜”1还以全要素生产率作为创新产出，发展特征变量与技术位置差距的交互项作为创新模式变量，加入控制变量和虚拟变量，进行企业所处创新阶段、所有制结构对创新绩效影响的回归分析，发现企业自主创新程度与所有制的民营化程度对创新绩效有正向影响；陈修德等【61用专利作为产出，R&D人员与经费作为投入，研究高管报酬和持股对企业研发绩效的影响效应，认为高管报酬对研发效率有显著正向影响，而持股比例存在倒u形关系；蔡翔等1以R&D人员与经费作为投入，授权专利

8、与技术交易合同量作为产出指标，研究我国区域R&D绩效问题，认为我国东部创新效率高于中、西部等2)运用DEA方法进行创新绩效(效率)的研究国外chames等旧1最早提出cRsDEA效率分析模型进行创新效率研究，之后Banker等。91提出VRsDEA模型，sharp等训进一步提出非期望产出DEA模型，使DEA效率分析得到了全面发展代表性的有Thomas等o用专利和论文衡量美国R&D绩效，认为美国在20042008年只有14个州的R&D绩效处于正的变化，并且在其进行的国际比较中，认为印度和韩国绩效提升显著；Griliches【121用美国制造业的数据进行研究，发现R&D投入与创新绩效只呈现弱相关性

9、，并认为基于R&D的投入产出指标只能部分反映创新的绩效随着DEA效率分析模型的完善，国内学者使用DEA方法对我国科技创新绩效(效率)进行了大量的研究，代表性的有段宗志和曹泽【1列运用产出导向cRsDEA模型，使用R&D人员与经费投入、技术交易额、论文数量和专利等作为产出，对我国省区层面进行R&D绩效测度，并以单项投入对单项产出计算的效率进行聚类，发现北京、上海创新绩效高，福建和江西创新绩效较低，其余处于中等单春霞41采用R&D人员与经费投入、新产品开发经费、申请专利等7项指标，分析我国高新技术产业各行业的R&D绩效，发现我国高新技术产业平均技术效率为0864，存在136的投入资源浪费总体来说，

10、电子计算机及办公设备和医疗仪表设备制造业R&D绩效较高，而航空航天制造业R&D绩效较低师萍等纠采用R&D人员与经费投入、专利申请量、技术市场交易合同数与金额等5项指标，以传统东部、中部和西部的划分方法，对我国研发创新全要素生产率增长率及空间分布特征进行研究，他们认为我国研发创新技术进步与技术效率显著负相关，研发创新TFP增长率呈东部、西部、中部依次递减趋势刘志迎等【1钊按研发部门与生产部门两个子系统，分别对创新和应用效率进行研究，发现广东、江苏等地两种效率比较高，而山西、内蒙古等地两种效率都比较低等12对我国规模工业企业的相关研究1)对规模工业企业创新的研究梁志兵o利用因子分析法，对我国规模工

11、业创新能力进行研究，认为我国规模以上工业企业创新能力存在区域性差异，东部地区要明显优于中西部地区和东北地区，并认为创新能力的差异主要是由创新投入、创新资源密度和创新基础条件造成张鹏引利用对数cD生产函数回归模型，对我国规模工业企业研发投入对经济增长的影响进行研究，认为研发投入对经济增长有贡献，但低于欧美等发达地区水平；东部地区贡献更为明显2)对规模工业其他方面的研究柳思维等钊对我国规模工业发展政策进行分析，认为国家需要采取区别性措施，适度调整和优化东中部地区工业产业结构，加大对西部地区工业的政策和资金扶持力度，从而促进区域均衡发展周正柱和孙明贵心叫从商务成本的视角对我国规模工业企业迁移区位选万

12、方数据104 研究与发展管理 第29卷择进行研究，认为商业设施、土地成本和劳动力成本为主构成的要素成本，是我国规模工业企业迁移区位选择决策的主要影响因素；张伦俊和李淑萍心也提出我国规模以上工业企业是国家税收的主要承担者等13综合评述从已有的文献来看，国外对创新绩效的研究贡献主要体现在研究方法和模型的构建上，给我们提供了参考和借鉴；国内的研究主要集中在对国内问题的实证计量分析，也得到了一系列有意义的研究成果从目前国内对创新绩效(效率)的已有研究来看，尚存在3个方面的不足：在采用DEA分析方法的研究中，存在将创新效率简单排序的问题，从理论上来看，DEA得出的效率值是样本点与效率前沿某个点的相对值，

13、由于参考标杆的不一致，其排序结论的可信度必然存在问题；从研究模型设置上来看，现有研究一般都是投入导向或产出导向，缺乏一般化(非)导向分析；已有研究基本都存在考虑创新过程因素偏少的问题(最多不超过7项指标，一般为5项指标左右)，创新是一个复杂的过程，涉及的因素众多，考虑因素的减少确实可以使sFA分析过程减少多重共线性的影响，在标准DEA分析中也可以克服由于空间维度增加而带来的有效单元“全面化”问题(差异性不足)，但同时也可能导致相关研究对创新过程再现的失真从对我国规模工业的具体研究来看，尚未见进行创新绩效分析的文献基于以上考虑，本文拟利用各省区规模工业核心指标进行层次性的聚类，以期使同一层级的样

14、本有比较一致的参考标杆，增加效率值排序的可信度；采用一般化导向模型分析，推动生产端的投入与产出双向调整，适应我国现阶段进行的供给侧结构性改革；增加投入与产出指标(9项)，力求使研究能够较好地再现创新过程；运用超效率DEA模型，克服标准DEA模型分析的差异性不足，对我国各省区规模工业进行创新绩效研究；在此基础上，进一步分析规模效应，以期能更好地提出切合各省规模工业调整与发展的政策建议2指标、模型与数据21指标体系指标的合理选择是后续研究能否再现生产过程现实约束的基础，而指标体系的设计就是要用尽可能少的指标反映尽可能多的创新(与生产)过程信息本研究基于“竞争的终极参与者是企业(细胞)，区域总量指标

15、的绝对性优势并不一定反映单个经济体的竞争性优势”的考虑，主要选用平均意义上的指标；基于创新过程涉及因素的广泛性，从我国规模以上工业的资产投入、生产人员投入、R&D投入(人员与经费)和技术改造投入等方面选取5项投入指标，从产值、利润、专利和技术输出等方面选取4项产出指标，虽然师萍等”1以传统东部、中部和西部划分方法进行区域内排序，其结论相对具有合理性，但传统东部、中部和西部划分方法是根据我国几十年前各省区经济发展水平做出的判断，现在如果继续使用这种经济区域性划分方法来描述现实经济发达状态的层级，显然已经不够准确举一个极端的例子，假如美国、日本、中国、印度4个国家进行创新效率的测度，日本的效率值以

16、美国为标杆得出，而印度以中国为标杆得出，中国处于效率前沿，效率值必然高于日本；如果印度与中国的差距小于日本与美国的差距，则印度的效率值也会高于日本，进行效率的简单比较排序是美国、中国、印度、日本，显然这种效率排序是缺乏意义的一般来说，现在经典的DEA研究模型分为投入导向模型和产出导向模型投入导向模型是从要素投入的角度对DMu进行无效率程度的评价，其本质是“不减少产出的条件下，达到技术有效时投入可以减少的程度”；产出导向模型则从产出的角度对DMu进行无效率程度的评价，表示“在不增加投人的情况下，达到有效产出应该增加的程度”根据习近平总书记在省部级主要领导干部学习贯彻党的十八届五中全会精神的讲话：

17、当前我国经济的主要矛盾不是周期性的，而是结构性的，推进我国供给侧结构性改革，要从生产端人手，提高供给结构对需求变化的适应性和灵活性；推进供给侧结构性管理，主要是发展动力要从依靠资源和低成本劳动力等要素投入转向创新驱动，重在调整产业结构性问题一般说来，运用超效率模型进行分析得出的效率，只反映各经济体在当前规模下的一个静态产出投入比，如果要进行基于边际效应考虑的动态调整，还需要进行规模效应分析万方数据第2期 陈四辉：我国省区规模工业创新绩效实证研究 105投入和产出指标选取适当“泛化”，以期更逼近生产过程现实约束的广泛性，指标具体定义见表1表1定义变量Tab1 D娟ning variables22

18、基本模型本研究基于两方面考虑进行研究模型的设置一方面，DEA分析中基于前沿面测算出的效率(理论上来说)其实只对本样本单元有效，样本之间的效率比较并不一定合理，主要原因在于样本效率测算过程中参照的前沿效率点(或者说使用的标杆)不同基于这一考虑，本文在投入产出指标体系的多维空间中选取5项核心指标，进行一个层次性的聚类(区分)，以期在同一层次的样本效率测算中，具有比较一致的参考标杆，增加样本单元效率排序的合理性另一方面，本文对研究指标选取的泛化虽然更能再现生产过程现实约束的广泛性这一现实，但生产前沿面空间维度的增加，从数理逻辑来看，在标准DEA绩效分析模型中，采用截尾数据的DEA效率，必然带来研究样

19、本中有效单元(DMu)的增加(甚至全部样本都变为有效)，使研究结论缺乏区分度而失去意义在这种考量下，本文采用超效率DEA模型进行分析，其非截尾数据效率可以使各样本单元效率更具有区分度具体模型设置如下1)研究样本的层次性聚类模型采用系统聚类法(hierarchical cluster analysis)：组间连接(Pearson相关性)，对总样本进行层次性分类(在sPss 20o中完成，此处不再列出其距离公式)2)一般化(非)导向超效率计量模型将全国每一个省区视为一个决策单元(DMu)，每个决策单元的规模工业共有m(m=5)种创新投入要素，记为戈i(i=1，2，m)；每个决策单元共有g(g=4)

20、种创新产出，记为y，(，=1，2，q)，各省区的投入和产出权重分别为。(i=1，2，m)和u，(r=1，2，q)，定义第南个省区规模工业的创新绩效为矗。=：。酩，y以羔。移ix琥 。o；uo；i=l，2，m；r=1，2，譬考虑到我国供给侧结构性改革，从投入与产出两个方面进行调整的需要，文章选用一般化(非)导向模型进行分析，设置7和。分别为投入导向和产出导向参数(权重)，其中至少有一个参数不等于0；以d代表产出不变时投入可等比例减少程度，届代表投人不变时产出可等比例减少程度，定义五的效率“投入”和“产出”指标由生产逻辑关系确定，未涉及“非期望”产出考虑到不同省区规模工业企业研发能力的差异性，在多

21、指标体系下，这种差异性会造成投入与产出的偏向性，使指标间不一定符合统计上的同向性从样本点间的距离度量的角度来看，如果采用全部9项指标进行系统聚类，其位于9维“凸”性多面体前沿面的样本点(见下文DEA分析)会较多，同一层级前沿面上的样本点间距反而可能会很大(如球体的直径是最大的)，使聚类失去意义，而文章研究所需要考虑的是对各省区进行技术发展层次和产出目标差异进行分层处理，因而系统聚类只选取“R&D人员投入占从业人员比”、“技术改造经费占总资产比”、“企业平均资产规模”、“从业人员人均利润”和“技术输出”5项核心指标超效率模型允许通过同时增加投入并减少产出来投影到其他DMu构成的效率前沿，因而采用

22、文中一般化导向(非)模型，同时可解决超效率模型无可行解的问题万方数据106 研究与发展管理 第29卷值为南=二盟罴，则效率七与矗。具有内在一致性，在标准效率模型的基础上增加(J五)条件，则一般 1十正，化(非)导向超效率模型如下(VRs模型)1 jMinL型1+留st二，。AF1一八7)仅戈矗二刖A，y口1+八。)卢二。=1d，卢，AO；i=1，2，m；r=1，2，q；，=1，2，n(歹露)，+。o，o，。o；八)：fo，扩=o3)松弛计量模型通过VRs模型已求出(仪、p)的最优解为(a 4、JB+)，针对一阶段获得的松弛变量可能不完全的情况2 3。，本研究采用如下二阶段模型(模型)求出完全松

23、弛变量Max(s一十s+)stj脚A，zi+s一卜灭k2。A，y口一s+1+八()。)卢+y血羔。=1a，卢，AO；s一0；s+Oi=1，2，7n；r=1，2，g；J=1，2，n(歹后)，+甜。o，Jo，。o；八)：fo，矿=oL1扩04)规模效率计量模型对我国各省区规模以上工业进行规模效应分析拟选择3个指数：规模效率、规模报酬和规模弹性根据DEA理论，利用模型(VRS模型，规模收益可变)得到的创新效率为纯技术效率(PTE)，借助模型(cRs模型，规模收益不变)可以计算出各经济体的规模效率(sE)，利用模型分析过程中的最优解(仅+、口+)，可以进一步计算和判断各经济体的规模弹性与规模报酬状况，

24、进而说明各经济体在运行过程中的规模效应问题利用如下模型(cRs模型)求解综合效率(TE)，结合模型(VRs模型)计量结果(盯E)，规模效率(sE)=综合效率(TE)技术效率(PTE)MinL坐尝 l+sto严F1一八7)dk羔，AJy。1+八。)卢ym规模效率、规模报酬和规模弹性3个指数都分析企业在创新(和生产)中的规模问题，相互联系，但又有着很大差别规模效率是借助cRs模型分离出VRs中纯技术效率后的剩余；规模报酬是指真实经济体运行所处的层次性的阶段分区；规模弹性是指投入增加某个比例引起产出增加的比例一般认为，现代生产与创新过程具有规模收益可变(VRs)特征，因而文中运用VRs超效率模型分析

25、创新效率，模型(cRs)只是在已知创新效率(纯技术效率，PrE)的基础上，借以分离规模效率的一个工具万方数据第2期 陈四辉：我国省区规模工业创新绩效实证研究 107口，卢，A0；i=1，2，m；r=1，2，q；_=1，2，n，+。o，o，。o；八)：-o，7：。0 L1，矿05)规模收益状态计量模型与判断准则采用最优解线性组合系数之和来判定规模收益状态，此判定方法需要借助模型中(“、届)的最优解为(a+、卢+)，求解模型Max(Min)羔。A，st；：。A卢u1一灭。koyd1+八。)卢4ym羔。=I仅，声，AO；i=l，2，m；r=l，2，g；歹=1，2，珏cc，7+。0，70，。0；八)

26、=00如果MaxA1，说明该DMu处于DRs状态；不在以上两种状况之列，则说明该DMu处于cRs状态6)规模弹性的计量模型将VRs模型求出的(d、卢)的最优值(0c+、卢+)，松弛计量模型求出的(s一、s+)最优值(s、s”)代入菇。=(1一d+)石。一sf+；=(1+卢+)y+s?+，可以求出各DMu投入与产出目标值(戈扑y谴)若产出增加s(非阿基米德无穷小)，投入需增加的比例为p，将目标值代人(E上方，E下方)模型，可以计算出规模弹性(E上方，E下方)E上方的模型如下Minpsto鳓1+p：。；羔AJyd1+s多矗：l：。Aj=1a，口，AO；i=1，2，m；r=1，2，g；歹=1，2，n

27、 P+也上方2了层下方的模型如下规模弹性是对生产规模收益阶段特征的量化，其定义是自变量变动1时，因变量变动的百分比因此对于单投入与单产出的生产过程具有比较确切的意义，而对于多投入与多产出的生产过程来说，理论上可以做到求出4种弹性：所有投入增加1时，所有产出增加的百分比；某种投入增加1时，所有产出增加的百分比；所有投入增加l时，某种产出增加的百分比；某种投入增加】时，某种产出增加的百分比后3种规模弹性既有繁琐的计算，在生产过程中也不太符合生产现实，故本文采用第一种规模弹性，相对比较符合生产过程的特征(其实也远非完美)矿矿，01r，【L=谤-芒茗ypS一一rLrL一V口石yAA=nJn，pXatM

28、吼万方数据108 研究与发展管理 第29卷，=1d，卢，AO；=l，2，m；r=l，2，g；，=1，2，挖=誓23数据说明本文所使用全部数据来自中国科技统计年鉴(2012_2014)25271及中国统计年鉴(2014)心引，各项指标通过计算获得创新从投入到产出会存在滞后，根据现有文献，按滞后1期(如Jefferson心9。、朱有为和徐康宁旧叫)和滞后2期处理(如梁莱歆和张焕风)的文献较多，也有设置为滞后3期和4期的(如刘和东口21)从投入与产出特征来看，各要素滞后效应一般来说不完全相同，因此从理论上来说，最有效的方法是根据产生绩效需要时间的长短来设置投入变量的滞后期数结合本文的研究实际，5项投

29、入指标中，RD人员与经费投入产生绩效最慢，故“R&D人员投入占从业人员比”与“R&D内部经费占总资产比”两项指标滞后2期；“技术改造经费占总资产比”指标产生产出速度会明显快于R&D投入，因而按滞后1期处理；“从业人员平均资产”与“企业平均资产规模”两项指标不存在滞后效应问题，采用当期指标产出指标的滞后确定，根据“R&D投入，产生技术成果(专利)，再到企业经营产生绩效”的原则，确定“R&D人员人均有效发明专利”按滞后1期，其余3项产出指标“从业人员人均产出”、“从业人员人均利润”和“技术输出”不存在滞后问题，按当期处理3实证研究31各省区规模工业的系统聚类结果对我国30个省区(西藏因部分数据缺失

30、，港澳台地区由于统计标准不一致，未纳入)进行系统聚类，数据为本文所设指标体系中的5项核心指标(“R&D人员投入占从业人员比”、“技术改造经费占总资产比”、“企业平均资产规模”、“从业人员人均利润”和“技术输出”)，系统聚类方法采用组间连接(Pearson相关性，各数据按变量均值为1进行标准化处理)，聚类成3个层次(树状图略)，第一层为上海、广东、北京、江苏、湖北和陕西6个省区；第二层有广西、贵州、四川、湖南、福建、重庆、安徽、浙江、河北、吉林、江西、河南、黑龙江、天津、山东、辽宁16个省区；第三层有山西、甘肃、海南、新疆、内蒙古、云南、宁夏、青海8个省区32各省区规模工业效率分析结果运用DEA

31、P 21运算7个线性规划模型，对全国30个省区的规模工业企业进行实证评价，具体分析过程和结果如下1)根据模型计量得到各省规模工业经济运行的技术效率值和比例(改进)值(表2第3列和各指标相应第l列)，根据模型得到各投入与产出指标的松弛值(表2和表3各指标相应的第2列)，根据石。=(1一4)石诜一si+；y拙=(1+卢+)y小+s?+计算出各省规模工业投入与产出指标的目标值(表2和表3各指标相应的第3列)，表2与表3由各计量模型结果结合聚类分析(按技术效率降序)整理而成2)应用各省规模工业的技术效率值(模型计量出的表2第3列)和模型计量出的综合效率，计算各省规模工业的规模效率：规模效率(SE)=综

32、合效率(TE)技术效率(PTE)，结果见表3第15列；应用模型中(d、卢)的最优值(d+、卢+)，求解模型，并根据设定的规模收益阶段判断规则，得到各省规模收益阶段结果(表3第16列)3)根据各省规模工业投入与产出指标的目标值(表2和表3各指标相应的第3列)，应用模型分别计量出各省的投入产出规模弹性(表3第17、第18列)万方数据第2期陈四辉：我国省区规模工业创新绩效实证研究109薯匣n秣o。，状牟举S嚣鳝氍辎曙辍墨lo：状斟慰n靛恒黎f迥n盟账：魈叫：墨察辍蚺靶毯状帐幡一理辍霞鼎嚣嫩怪嚣墨蜷戛丰婶妖趔器筮僻静一坦n8oonoooo寸ooonoooNoooonooooNoo，oNooo_【8oo

33、Hoooo寸8oo寸口oonooo寸8oon8o口8，o寸8oo寸oooo寸oooa8on8oo-8oo8oo寸8oo重口ooN8onooonoo，oh8o20o目oo，o_18onoooon8on8o。寸8oo寸8o口8on8oo90looonooon8oooo_【oooN。6onoaN心一nnN西o，_【N卜NH_【oo卜_【oon凸|oo_【ooo_【onno_【o。_【卜Nonn_【oo小【oooo乱_I卜n昏n卜_【，寸卜oo，o寸_Eoo卜_【oo_【。ooonA寸卜卜西o研口oo昏_【寸_【oon_【oo)0o_【。6o口寸卜寸oo乱一o寸、可寸卜卜_【_18ooa_【oooN8

34、om蕃”oN母口ognoNoo寸_【oon口oo吾onm_【oINNa_【non-NNN8oH8o8oA8o，寸8oc寻，8奠nN”A高o_【)0o_loo_【ooIn。6o卜_I心乱。卜o，寸寸，o卜n卜，No_【)0o，Noo寸)oo寸。6o，卜寸_【N寸Noonnno卜N寸o卜oo卜【ooN口ooN凸6o，一_【呐烈口oo；_hon寸卜西oo卜_【oooo_【，代卜_【o，口口oo一口n一oooo乱_【ooooN寸_【No_【Noo_1乱卜n8oonNoon8oI_【8omo_INo690og譬oo口Iooo_【8o导N文。罱Ho口寻HH8oH8o_【Noo_【ooN8o_l譬_【onn

35、_【o口口_【c9o_18onNoooN8o口【t_Io”_【。ono一99oH凸looNNoon_Ioo寸凸|oo卜_IoNoNo甘_o_【n卜o_【8oHooN_【oon8oAnNo芝Non口oooA_loooNooonoN口noN=_l)0o_【oooNoonnoo卜ooo卜n口寸noo，n卜nonn心o_【nooo【。ooaNoo吾o吾o_【n口_【oNoNot，_【o寸o_【8o口_【oo昌oon8on高no葛，o瓮高_【_【8o【oooHNooo寸8on_【No，o口n_【豁N)0ooNnooN凸lool_f凸10o，n寸nno寸oo，HAAooonNooN_【oo。N凸loo口心

36、n代。寸N_1on寸N_【N)oo_【90onoo寸ooonooo夺西_【No寸【No寸卜_【oo乱NooN凸loon。6o寸卜寸no卜nonN寸口_【心)0o心。oonoo_Ioo寸_【oo卜”-l_【口N_【N卜o_【n心口卜n)0oTooohNoo_【hoo吾on_【no【-A_【口aon_【nhtocIao陋rr憾仆o68_【芝Ao柽扭。葛Non8_【怔嫩o节hAo_【怔悯n8=l口口葛口N_【扣糕乜66【h葛SN一一嘲漆口口nn。o譬AnA_【蹬怛o瓮n_【离一。耳轼眯oNt_【_【葛一。送蚓。墨01【瓮o暑霹o_【寸Nh目oo陋L”葛91夏Ao_【ao删n葛N，导口Nog_【长丌l

37、19h，芯N口c0HH系敲60N1豁nN_【_【目精o1崎nNN_【做桨n”_【均_【_【高_【裁撒口_【N1N口_【_【口A_【怔寒n竺N，2!_【c_【目。寸-【noNhNn_【壮帐o_【寸o【occ_【怔器lo”Nc9oN_In鼍_【捶忸。文!A_【n_【陋日oa芝NN譬o螗qnnNn目h”-_【_【un器”t，nahN目N_I板日oNo寸h_【N口N_【陋鳖on寻口N8Nn长L_Ic8oNlaa口10N朱口口博兽替凶喾铎懈疑凑西餐凶涉导瓣餐榛器鼙凶惶铎瓣较蘼面增蜷皿。蒙衽迥翠蛙避蠖皿，。裂窦迎霹篁靼鞲皿。烈警趔器温避鞲皿。裂窜迥霹彗姆器皿。最警避器基瓣鬃凶船臀凶苗g。84旨一苔苗。IP

38、Il一芎II一勺II器一。II召基。lI。口时。叠口一宦苗：可口州。rB一。III2(IN嚆缎餐鹏晰，其与对应的强有效效率前沿相比所需要进行的投入(减少)与产出(增加)的改进对于超效率分析模型来说，非有效决策单元(效率值小于1)得出的投入产出比例改进和松弛值与标准效率模型是一致的，而对于有效决策单元来说，其比例改进与松弛改进是指此决策单元退化到(不含自身构建的)新效率前沿面的改进，是一种效率退化行为，因此本文只需要进行非有效决策单元的改进分析万方数据第2期 陈四辉：我国省区规模工业创新绩效实证研究 1 13(儿)；甘肃投入过剩：1759(菇：)，产出不足：3295()，：)，004(y，)5结

39、论与政策建议51研究结论本文在对我国各省区规模工业聚类的基础上，运用一般化(非)导向超效率模型进行创新绩效分析，从全国总体来看，得出结论：我国省区规模工业创新情况大致可以分为3个层面，即创新效率较高区域、创新效率中等区域和创新效率较低区域；省区模型工业创新过程基本有效率，处于效率前沿的样本占总额的70；“创新效率较高区域”在技术输出方面具有绝对优势；省区规模工业的驱动方式表现出不同的特征，“创新效率较高区域”重研发、“创新效率中等区域”重技改、“创新效率较低区域”重投资；创新效率较高、中等、较低区域依次呈现重利润、重产值、重专利特征从3个层面分区来看，得到以下结论北京处于“创新效率较高区域”顶

40、端，上海绩效较差；上海和北京处于规模顶端，江苏、陕西、湖北和广东处于追赶之中，广东投入增长带来的追赶效应最大；上海存在245投入冗余(或产出不足)在“创新效率中等区域”中，总体差距不大，江西、吉林、湖南、天津、四川和河南的规模工业具有较好的创新效率，黑龙江、重庆和河北具有效率提升空间；辽宁、吉林、河北等具有较高的规模效率，四川、浙江、福建比较低；通过增加投入带来的追赶效应比较好的是安徽、河南、江西；比例改进比较大的是黑龙江、重庆和河北在“创新效率较低区域”中，新疆、海南和内蒙古3个省区规模效率较高，比较低的是云南和山西；通过增加投入，云南、青海等省区的追赶效应较好；山西存在较大的比例改进和松弛

41、改进52政策建议提高省区规模工业创新绩效，是一项系统工程一方面，在我国推进以需求为导向的产业结构调整、以创新驱动为核心的产业结构升级的供给侧结构性改革的大背景下，既要考虑到各省区规模工业的现实状况、外部条件，还要考虑到由此带来的冲击力(特别是老工业省区)；另一方面，效率是企业生存和发展的根本，变革和改进是通向效率的必由之路，基于此，本文分别从层次聚类、比例和松弛改进3个方面提出建议1)提升层次应该成为各省区规模工业创新绩效提高的首要目标现代工业技术存在很强的技术阶段性，在同一阶段，技术效率的改进可以从两个方面进行，一方面是向前沿方向运动，提高创新效率；另一方面是向上进行技术阶段的突破，进入更高

42、的创新区域层次从根本上来说，向上的阶段性突破，才能为各省区规模工业的发展赢得更为广阔的空间已有研究一般认为创新绩效会从地理区位优势上存在东、中、西的显著性差异(如蔡翔等7I、师萍等1刊)，从本文的研究来看，这种区位性优势的差异可以突破，如湖北、陕西是中部区域，其规模工业的创新效率进入“创新效率较高区域”，处于“创新效率中等区域”可以考虑推进R&D创新投入驱动方式，引导其规模工业进入更高层次；而“创新效率较低区域”可以改变投资驱动为技术改造驱动，从而进入“创新效率中等区域”行列，从层次上提升区域发展的空间2)合理规划投入与产出的双向比例改进，适应供给侧结构性改革我国当前经济的主要矛盾为供给侧结构

43、性矛盾，表现为一般性产能过剩，高新技术产业产能不足，生产与需求呈现结构性矛盾“创新效率较高区域”在技术输出具有绝对优势，规模经济运行具有“重研发”的特征，比例改进主要考虑增加产出，利用其技术输出对产业升级的正向拉动作用，带动全国产业结构升级，助推供给侧结构性改革“创新效率中等区域”可以进行双向比例改进，这一区域具有“重技改”的特征，是进行供给侧结构性改革、调整产业结构的主力军，各省区应根据自身规模工业的状况，决定目标方向，将研发、技术改造与关效率分析中，在空间维度的增加条件下，区域比较优势、技术的层次性、投入产出指标的偏向性都会产生前沿面的畸形性“凸”化；现实中经济运行体的技术层次状态扮演着极

44、为重要的角色，技术状态的层次性变换(技术突破)可以带来规模报酬的层次性跳跃本文超效率DEA分析是从一般化导向进行的，如上海的比例改进为2，45(各项指标的比例值目标值)，因此这种比例改进可以理解为从投人与产出两个方向分别进行改进的总和，例如可以从投人减少1，而产出又增加145，则上海已经达到了有效；当然这种改进也可以只从投人(或产出)进行单边改进245达到有效，下同万方数据114 研究与发展管理 第29卷闭落后产能有机结合如重庆和河北可以维持投入不变，增加高技术产出，达到经济有效运行；黑龙江和辽宁可以维持产出不变，减少投入，腾出空问和资源投入高新技术产业“创新效率较低区域”是我国相对落后省区，

45、比例改进主要考虑减少投入，果断关闭落后产能，腾出资源发展高技术产业和提升区域层次性3)进行精细化成本管理，推进松弛改进从DEA模型意义来看，存在松弛改进的省区，都是处于(或经过比例改进)弱效率前沿的，松弛的存在是一种非效率的表现，从表2和表3来看，每一个省区都存在松弛，比较突出的有：辽宁(菇。，儿)，广西(茁：，y。，)，：，y，儿)，河北(x：，乃，儿)，黑龙江(戈：，y。)，山西(z：，y。，y：，y，儿)，宁夏(y：，y，y。)，甘肃(戈：，y：，y，)等实行精细化成本控制管理可以将这一部分压缩，达到提高绩效的目的参考文献Aigner D，LoVell C A K，Schmidt P F

46、o彻ulation and estimation of stochastic fIDntier production function modelsJJoumal ofEconometrics，1977，6(1)：2l一37Battese G E，coelli T J Frontier productions，technical emciency and panel data：with application to paddyfims in IndiaJJoumal of Produetivity Analysis，1992，3(1)：153一169Hsieh P H，Mishra C S，Gobeli D HThe retum on RD versus c印ital expenditures in ph锄aceutical andchemical industriesJIhnsactions on En西neering Management，20