【摘要】本文应用两阶段半参数DEA方法估计了样本期间内,30个省区市大中型工业企业技术创新活动的技术与规模效率,实证分析了政府投入与市场化程度变量对创新效率的影响程度与方向。研究发现,政府投入与创新活动的技术效率之间呈现出不显著的负相关关系,其对创新活动的规模效率则具有显著的负向影响。市场化程度对创新的技术效率具有显著的正向影响,而它对规模效率的影响却是显著为负的。

　　关键词:创新效率,两阶段半参数DEA法,政府投入,市场化程度

　　引言

　　2008年爆发的席卷全球的金融危机在使世界经济陷入衰退的同时,也有力地刺激了全球科技进步和新技术产业的兴起。要战胜危机的影响,变挑战为机遇,就必须更加重视技术创新的作用,以创新活动促进产业发展,增强企业的国际竞争力。《国务院关于发挥科技支撑作用促进经济平稳较快发展的意见》中也明确提出,加强科技创新,充分发挥科学技术的支撑作用,对于应对国际金融危机,增强经济发展后劲,都具有重要意义。

　　转变经济发展方式,以技术创新带动产业升级的关键在于企业。对于这样一个正处在工业化加速阶段的发展家而言,投入技术创新活动的资源仍然具有很强的稀缺性,这就需要不断致力于提高创新活动投入资源的利用效率,以实现用创新增强企业国际竞争力的战略目标。而大中型工业企业在整个国民经济发展中具有十分重要的地位,它们承担了绝大多数的国内创新投入和地方经济发展责任。因此,对各地区大中型工业企业技术创新效率及其影响因素的研究就显得尤为重要。

　　值得关注的是,在当前促进技术创新、建设创新型国家的大背景下,一些地方政府热衷于把自己当成实现经济转型的主角,抓项目、选企业、分资源,直接投入大量资金开展技术创新(陈宪,2010)。百度、谷歌等网络搜索引擎的搜寻结果也显示,近年来很多地区都纷纷出台了“加大政府投入力度,支持企业进行技术创新”的有关政策文件或发展规划。

　　而另一方面,易纲(2009)曾指出,即便是在产业政策最成功的日本和韩国,政府制定的支持某些行业、企业或项目的产业政策也仅仅得到了毁誉参半的评价。王小鲁(2010)也认为在推进技术创新过程中应当明确市场的主导性地位。

　　在有关技术创新效率的实证研究方面,李习保(2007)分析了创新环境对区域创新产出效率的影响,并发现政府对科技活动的支持力度是促进区域创新效率的显著因素之一。

　　白俊红、江可申等(2009)基于区域创新系统的角度,考察了创新系统内部企业、高校、科研机构、地方政府及金融机构等主体要素及其联结关系对创新效率的影响。研究的结果却表明,政府资助对创新效率的提高并没有促进作用,反而有显著的负面影响。

　　进一步,随着近年来企业研发支出的不断上升和技术进步主体地位的逐渐显现,从企业或产业层面关注创新活动效率问题的文献也越来越多,唐清泉、卢博科(2009)分析了影响大中型工业企业创新效率的各种因素,进而发现充分的政府资金有利于研发效率的提高。潘雄锋、刘凤朝(2010)研究了工业企业技术创新的效率状况,实证结果表明,非国有经济比重对工业企业技术创新效率的提高具有明显促进作用。刘和东(2010)的实证研究则发现市场竞争程度与创新效率之间具有显著的负相关关系。

　　在现有文献研究的基础之上,本文将创新活动视为一个知识生产过程,应用新近发展出来的两阶段半参数DEA方法,对样本期间内30个省区市大中型工业企业技术创新活动的技术与规模效率,以及政府投入与市场化指标对上述效率的影响程度与方向,进行了初步的实证分析。其中,技术效率是指在一定投入水平下,生产者的实际产出达到最大可能产出水平的能力。技术效率的差异主要源自于生产经验、组织管理方法等方面的因素;而规模效率则主要是衡量企业是否已在最优规模上进行技术创新。

　　与现有研究相比,本文主要在以下三个方面进行了拓展:第一,根据Simar(2003),DEA模型的确定性生产前沿估计量非常容易受到随机样本离群值的影响,并将由此导致决策单元相对效率估计值出现偏误。本文首先进行了非参数生产前沿估计前的离群值检测,并将检测出的离群值从样本数据集中舍去,从而避免了决策单元相对效率值的估计偏误问题。

　　第二,鉴于以往分析创新效率影响因素的DEA两阶段法会因为效率估计值之间形式复杂且结构未知的序列相关性而导致对基于效率估计值的环境变量影响程度的统计推断失效,我们应用了Simar和Wilson(2007)提出的两阶段半参数DEA方法,对大中型工业企业技术创新活动的技术与规模效率,以及政府投入与市场化指标对上述效率的影响程度与方向进行了实证分析。第三,针对创新活动实践与经验研究当中存在的争论或困惑,我们将政府投入与地区市场化程度变量同时纳入到了本文创新效率影响因素的实证分析框架之中,从而深入研究了它们与创新效率之间的实证关系。

　　一、研究方法

　　Charnes和Cooper等(1978)正式提出了在规模报酬不变(CRS)的假设下,评价生产单元相对效率的DEA方法。DEA是一种线性规划法,其前沿观测值意味着除它之外,已没有其他决策单元(DMU)或其线性组合在投入给定时,具有相同、甚至更多的每一种产出,或者当产出给定时,仅需要同样、甚至更少的每一种投入。他们所提出的最基本模型被称为C2R模型。

　　实际上,CRS假设适合于所有厂商均以最优规模运营的情况,而政府管制等外生影响因素都将致使厂商不能在最优规模上进行生产经营活动。在并非所有厂商均以最优规模运营的情况下,使用CRS设定就会导致技术效率与规模效率的估计结果混淆不清。因此,Banker和Charnes等(1984)提出了BCC模型,在假定决策单元规模报酬可变(VRS)的情况下,进一步将相对效率分解为纯技术效率与规模效率。所有此类非参数的DEA方法已被广泛应用于生产厂商的效率估计及其影响因素分析之中(Seiford,1996)。

　　1.非参数生产前沿估计前的离群值检测

　　与效率分析的参数方法相比,非参数方法以其所依赖的前提假设较少而具有很强的应用性。然而,基于C2R或BCC模型的确定性生产前沿估计量非常容易受到随机样本离群值的影响,并将由此导致决策单元相对效率估计值出现偏误。而多变量情形下的离群值检测又因其计算的繁复性而较难实现,这很可能就是国内外研究者在应用DEA进行技术创新效率分析时大多没有事先进行离群值检测的主要原因(Lee和Park,2005;Smirlis和Maragos等,2006;Cullmann和Ehmcke等,2009;刘凤朝、潘雄锋,2007;俞立平,2007;余泳泽,2009;唐清泉、卢博科等,2009)。Simar(2003)以Cazals和Florens等(2002)提出的在效率估计上更为稳健的m阶期望前沿(ExpectedFrontierofOrder-m)为基础,给出了一种计算量较少,同时又操作简便的离群值检测方法。其检测方法的核心思想是在投入产出样本点集中,如果某个数据点的产出水平即使当m的值在不断增大时也远离于其所对应的m阶产出前沿,则这个数据点就是一个潜在的离群值。其中,m是切尾参数,限定了估计生产前沿时所利用到的基准样本点的数量。

　　其离群值检测方法的判定准则为,若总的样本容量为n,对于任何产出可能性集合中的数据点(x0,y0),x0为p维投入向量,y0为q维产出向量,当其m阶产出效率指标λm,n(x0,y0)在m持续增加的情况下仍然小于1时,(x0,y0)就是一个潜在的离群点。具体而言,m的值可以为10、25、50、75、100、150等,我们需要针对不同的m值,计算每个数政府投入、市场化程度与工业企业的技术创新效率·5·据点(xi,yi)基于单点遗漏(Leave-one-out)样本数据参照集H(i)的m阶产出导向的效率估计值,并找到潜在离群值数据点,即效率估计值均小于1的数据点。进一步,针对已找到的潜在离群值数据点,我们还需要选择一个门槛值1+α,α∈{0.20,0.30,0.40,0.50},此外再根据式(1)所给出的离群条件,就能够将真实离群值识别出来了。

　　2.两阶段半参数DEA方法

　　传统的DEA两阶段法将可能会影响厂商效率的因素统称为环境变量,环境变量与投入、产出变量不同,都是厂商管理者无法直接控制到的外在影响因素。两阶段法分两步进行,在第一阶段分析中,根据厂商的投入和产出变量,应用DEA方法估计效率值;在第二阶段中再将第一阶段求得的效率值对环境变量进行Tobit回归分析。环境变量的回归系数表明了影响的方向,而假设检验可用来考察这种影响的显著程度。

　　Simar和Wilson(2000)利用自助法(Bootstrap)为基于DEA效率估计量的统计推断提供了统计学基础。初始的DEA自助法主要是被用来处理抽样变异性的,它说明了DEA效率估计值对样本构成变化的敏感性。由于其计算过程复杂,且单边无效分布特征会使自助法更加难以实现等原因,初始的DEA自助法并未在实践中获得广泛应用。但另一方面,使用传统DEA两阶段法又会因为效率估计值之间形式复杂且结构未知的序列相关性而导致对基于效率估计值的环境变量影响程度和方向的统计推断失效(Simar和Wilson,2007)。

　　Hirschberg和Lloyd(2002)较早地察觉到了DEA效率估计值之间的序列相关性,并曾尝试应用自助法解决这一问题。

　　Simar和Wilson(2007)则认为Hirschberg和Lloyd(2002)所做出的努力收效甚微,并提出了两阶段半参数DEA方法(TwoStageSemi-parametricDEAApproach)以解决传统两阶段法所遇到的问题。他们首先从理论上说明了传统两阶段法在进行第二阶段回归分析时,鉴于效率估计值的序列相关性、利用有限样本估计效率值所可能产生的偏误性,以及环境变量的内生性等因素的影响,有关环境变量系数的统计推断将会失效。因此,他们提出了解决此种问题的自助法程序,并得到了蒙特卡洛模拟结果的支持。因为在本文中我们的目的主要在于分析在其他条件不变的情况下,政府投入力度与各省区市场化程度对于大中型工业企业创新活动的技术与规模效率的影响,即需要关注的是环境变量将如何对效率估计值产生影响的统计推断,因此我们选用了两阶段半参数DEA方法的单进程自助算法。

　　Simar和Wilson(2007)所给出的两阶段半参数DEA方法的双进程自助算法的主要作用在于对效率估计值做出某种修正,但代价是需要负担更大的计算量,同时这种算法所构建的置信区间也会更经常地出现不能覆盖环境变量系数的点估计值。Simar和Wilson(2007)在文章中也曾指出,这两种算法具有互补性,双进程自助法在较小的样本空间中会使均方根误差(RMSE)增大。因此经过权衡后我们采用了单进程自助算法。

　　在两阶段半参数DEA方法的第一阶段,我们需要使用投入产出数据集测算出产出导向的效率值,对于特定的数据点(xi,yi),产出导向的VRS模型为:δi=δ(xi,yi)=max{θ>0θyi≤Yq,xi≥Xq,i′q=1,q∈Rn+}(2)i=1,…,n,为生产集合的估计量,Y=[y1,…,yn],X=[x1,…,xn],i表示n×1维的单位向量,q是由强度变量组成的n×1维的向量;θ衡量了数据点(xi,yi)与效率前沿之间的径向距离;1≤δi<∞,而δi-1则表示当投入量不变时,第i个厂商的产出可按比例增加的量;1/δi就是最后得出的技术效率值。在获得效率估计值后的第二阶段,对于δi>1的s个样本点,建立截尾回归(TruncatedRegression)方程式:δi=ziβ+ξi(3)应用最大概似法计算环境变量zi的系数β及误差项标准差的估计值σε。接着,将以下三个步骤循环进行L次①以获得一个自助法估计值的集合A={(β＊,σ＊ε)b}Lb=1:第一步,对每一个i=1,…,s,从在点(1-ziβ)处左截尾的N(0,σ2ε)分布随机抽取εi;第二步,再一次地对于i=1,…,s,计算δ＊i=ziβ+εi;第三步,使用最大概似法估计δ＊i对zi的截尾回归,得出估计值(β＊,σ＊ε)。在获得集合A后,就可以最终对β中的每个元素及σε(使用集合A与β、σε构建被估计出来的置信区间。