基于DEA-Malmquist指数的上海制造业协同创新研究

一、引言
2013年汉诺威工业博览会上首提“工业4.0”概念后，该思想便在全球传播。

中国随之提出“中国制造2025”战略。

2019年8月，以“智联世界，无限可能”为主题的2019世界人工智能大会在上海举办。

上海在全国制造业行业中处于前列，但与西方发达国家制造业综合发展水平差距较大。

国内学者由此从不同方向对制造业转型升级进行探究。

全国范围来看，龚关和胡关亮（2013）[1]采用Levinsohn-Petrin半参数估计法构建垄断竞争模型以确定中国制造业的资源配置效率。

李萍和赵曙东（2015）[2]扩展全球价值链（Global Valve Chain）分工的贸易条件，运用GMM回归测算特定贸易条件下的影响因素。

王小波和李婧雯（2016）[3]利用消耗系数分析影响制造业服务化的因素。

彭伟明和周慧（2019）[4]利用DEA-Malmquist指数对安徽省16个地级市进行创新效率测算。

针对上海这一特定地区，冯梅（2013）[5]通过上海制造业在国际分工中贡献率的测算，确定不同产业间比较优势。

刘潇（2019）[6]以京津冀及长三角地区制造业为研究对象，运用Malmquist-DEA指数分析2006—2016年各地区全要素生产率。

基于相关研究，本文以上海制造业创新现状为研究对象，采用DEA-Malmquist模型对全国制造业区域创新效率测算，深入探究上海制造业创新效率及发展短板。

二、创新评价模型概述
（一）DEA-BCC模型
DEA模型通过非参数线性优化模型分析实际生产技术相对前沿技术水平的差距。

DEA不需事前设置前沿函数和对未知参数估值，在处理投入产出效率问题时更具客观性。

本文选取以规模效率可变为前提的BCC模型。

其函数为：
minαs.t.
n
j=1
∑λi x ij≤αx il
n
j=1
∑λj x ij≤αx il
n
j=1
∑λj x tj≤αx tl
⎧
⎩
⏐⏐
⏐⏐
⏐⏐
⏐⏐
⏐⎨
⏐⏐
⏐⏐
⏐⏐
⏐⏐
⏐
λ≥0，i=1，2，…，p，l=1，2，…，o，j=1，2，…，s
基于DEA-Malmquist指数的
上海制造业协同创新研究
毛友芳，熊博儒，苟富华，来能烨
（上海工程技术大学管理学院，上海201620）
【摘要】以全国31个省市地区为测算对象，选取2011—2017年中国制造业投入产出面板数据，利用DEA-Malmquist模型对全国制造业创新效率进行分析，分析上海制造业协同创新效率及产业创新影响因素。

结果显示：（1）在2011年和2017年的全国制造业静态创新效率中上海纯技术效率及规模效率都位处前列；（2）相比其他省市，上海全要素增长率略有下降；（3）技术进步效率较低制约了全要素生产率提升。

由此提出建议：（1）建立现代制造业协同创新产业体系；（2）优化制造业技术创新环境；（3）建设公共技术研究平台；（4）加强知识产权保护。

【关键词】制造业；协同创新；创新效率；DEA；Malmquist
【中图分类号】F127.51【文献标识码】A【文章编号】1004-2768（2020）08-0093-04
【收稿日期】2020-04-26
【作者简介】毛友芳（1996-），女，四川成都人，上海工程技术大学管理学院硕士研究生，研究方向：战略性新兴产业发展；熊博儒（1993-），男，辽宁沈阳人，上海工程技术大学管理学院硕士研究生，研究方向：房地产经营与管理；苟富华（1996-），女，四川巴中人，上海工程技术大学管理学院硕士研究生，研究方向：企业管理；来能烨（1994-），女，浙江杭州人，上海工程技术大学管理学院硕士研究生，研究方向：网络舆情管理。

其中，x ，y 分别为投入和产出变量，λ为决策单元线性组合的系数。

（二）Malmquist 指数
Malmquist 指数用于测算生产率，通过对目标DUM 在一段时期内技术效率及生产技术变化的分析，可得目标DUM 的相对经济效率动态变化，由此弥补DEA 模型只能处理截面数据的不足。

其距离函数为：
M （x n +1，y n +1，x n ，y n ）=
D n （x n +1，y n +1）D n （x n ，y n ）(
)D n +1（x n +1，y n +1
）D n +1（x n ，y n ）
()[]
1/2
其中，（x n ，y n ）与（x n +1，y n +1）代表在n 与n +1时期内的投入产出量，D n
与D
n+1
则表示相应时期距离函
数。

此时，距离函数值应小于1。

Malmquist 指数为：
M （x n +1，y n +1，x n ，y n ）=D n +1
（x n +1，y n +1）D n （x n ，y n ）×D n
（x n +1，y n +1）D n+1（x n +1，y n +1）
(
)D n
（x n ，y n ）D n+1（x n ，y n ）
(
)[]
1/2
=tech×effch
Malmquist 指数的全要素生产率（TFP ）即决策单
元在特定n 到n +1期的生产率变动情况，
可分为技术水平变化指数（tech ）与技术效率变化指数（effch ）。

当动态指数>1时为增长效率，动态指数=1时效率保持不变，
动态指数<1时为减少效率。

三、创新评价体系构建
（一）指标选取与数据来源
在指标选取时借鉴赵聚辉和黄诗华（2019）[7]
的
指标，基于上海市制造业创新现状及指标选取可操作性，构造创新评价指标体系如表1所示。

表1全国制造业创新评价指标体系
（1）投入角度选取R&D 经费内部支出、R&D 人员折合全时当量和新产品经费支出3个指标。

R&D 经费内部支出和新产品经费支出用于衡量创新资金投入，R&D 人员折合全时当量用于衡量创新人员投入。

（2）产出角度选取主营业务收入、有效发明专利数和新产品销售收入3个指标。

从资金与技术产出两方面衡量产出效率。

本文对全国31个省市（除港澳台）
进行制造业创新效率测算，分析上海制造业的创新发展实况。

选取2011—2017年全国制造业创新投入和产出相
关数据。

数据来源于历年的
《中国科技统计年鉴》和《中国统计年鉴》。

（二）全国制造业产业创新静态效率评价
选择DEA-BCC 模型，运用DEAP 2.1分别对2011年及2017年全国31个省市的投入产出面板数据进行分析，结果如表2所示。

表2
2011年与2017年全国制造业创新效率
由表2可得，2011年有效决策单元为辽宁、
吉林、上海等10个省市。

而2017年有20个省市为有效决策单元。

2011年综合技术效率相较平均值低的
省市有12个，最低为山西，仅有0.565。

2017年综合技术效率低于平均值的省市有10个，最低为西藏，
仅有0.609，主要原因为规模效率较低。

整体而言，2011—2017年全国各省市制造业的平均技术效率上升，表现为纯技术效率与规模效率的共同增长，且纯技术效率增长幅度较大。

可得技术进步是促进
地区北京天津河北山西内蒙古辽宁吉林黑龙江上海江苏浙江安徽福建江西山东河南湖北湖南广东广西海南重庆四川贵州云南西藏
陕西甘肃青海宁夏新疆均值
Te 0.8420.7070.9800.8380.8541.0001.0000.8751.0000.9781.0000.9610.9471.0001.0001.0000.9680.9360.9511.0001.0000.5190.8660.6810.6640.7330.5650.9050.6971.0000.7330.881
Tef 1.0000.7070.9930.9450.9221.0001.0000.8881.0000.9851.0001.0000.9541.0001.0001.0001.0000.9360.9661.0001.0000.5540.8870.7220.6680.7571.0000.9640.7271.0000.8050.918
Se 0.8421.0000.9860.8870.9261.0001.0000.9861.0000.9931.0000.9610.9931.0001.0001.0000.9681.0000.9841.0001.0000.9370.9770.9440.9940.9690.5650.9390.9581.0000.9110.960
Rts 递减不变递增递减递减不变不变递减不变递增不变递减递增不变不变不变递减不变递增不变不变递增递增递减递增递减递增递减递增不变递增
Te 1.0001.0001.0000.8971.0001.0001.0001.0001.0001.0001.0000.7851.0001.0001.0000.9990.8920.8961.0000.6470.6571.0000.7840.9231.0000.6091.0001.0001.0000.8450.9810.932
Tef 1.0001.0001.0000.9171.0001.0001.0001.0001.0001.0001.0000.7871.0001.0001.0001.0000.8920.8961.0000.6470.6881.0000.8620.9241.0001.0001.0001.0001.0000.8630.9860.952
Se 1.0001.0001.0000.9781.0001.0001.0001.0001.0001.0001.0000.9981.0001.0001.0000.9990.9990.9991.0001.0000.9541.0000.9090.9991.0000.6091.0001.0001.0000.9790.9950.979
Rts 不变不变不变递减不变不变不变不变不变不变不变递减不变不变不变递减递增递增不变不变递增不变递减递增不变递增不变不变不变递增递增
2011
2017
一级指标投入
产出
二级指标
R&D 经费内部支出R&D 人员折合全时当量新产品经费支出
主营业务收入有效发明专利数新产品销售收入
单位万元人万元万元个万元
制造业创新效率提升的推手。

上海静态创新效率在全国处于前列，正是依托其优越地理位置与丰富学术研究资源，在技术和政策方面加速上海高端制造业向“微笑曲线”中高端过渡。

上海应根据所处实际不断提升技术与研发管理能力，带动全国制造业水平提升，逐渐形成全国范围产业集聚协同创新效应。

（三）全国制造业产业创新动态效率评价
Malmquist指数能弥补DEA-BCC模型不足，测算效率动态变动程度。

2011—2017年Malmquist指数测算结果如表3所示。

表32011—2017年全国制造业创新程度Malmquist指数
总体而言，全国制造业的全要素生产率处在减少状态，平均减幅为1.5%。

在31个省市中，高于平均全要素生产率的省市有17个，最低为西藏，降幅为16.3%。

整体看来全国制造业主要受制于技术进步效率较低，影响了全要素生产率。

上海全要素生产率的减幅为0.3%，减幅小，技术进步效率抑制了整体全要素生产率增长。

相比北京、天津、江苏等省市增幅，改进技术进步效率是上海制造业当前的关键一步。

四、建议
当前上海高端制造业自主创新处于弱势，低端制造业在市场中仍占主流地位。

协同创新发展模式是技术与规模的结合，随着经济社会的逐步发展，单一企业难以形成较高的产业效率，也无法承担全部的创新活动。

产学研模式和产业集群模式为企业提升创新效率提供了方向。

（一）建立上海现代制造业协同创新产业体系
即通过创新产业链，建立现代制造业协同创新产业体系，由产量提升向质量提升过渡。

以企业为核心，构建高校、政府与企业三者联合的协同创新发展模式，通过高校培养综合性创新人才、政府政策与资金支持、企业之间协同合作共享资金、技术及经验协同创新建立上海制造业协同创新体系。

同时，合理利用企业与企业之间的产业集群效应，深化产品线延伸产品链；建立制造业产业升级转型的协同创新标准，提高规模经济效益。

图1上海现代制造业协同创新产业体系
（二）优化制造业技术创新环境
依靠政府宏观调控，创造良好的国内外竞争与生产环境。

政策鼓励生产创新，降低新兴产业门槛，提升产业竞争主动性。

企业之间也应形成良性竞争环境，积极提升企业技术与规模，就新兴产业共同制定市场进入及技术发展标准。

（三）建设公共技术研究平台
构建基础公共技术研究平台，研究行业共用基础技术，加强先进与后进企业联系，促进产业集群快
地区北京天津河北山西内蒙古辽宁吉林黑龙江上海江苏浙江安徽福建江西山东河南湖北湖南广东广西海南重庆四川贵州云南西藏陕西甘肃青海宁夏新疆均值Effch
1.075
1.041
1.038
1.083
1.051
1.064
1.000
1.075
1.039
1.068
1.045
1.121
0.995
1.074
1.025
1.089
1.089
1.039
1.064
1.113
1.059
0.973
1.048
1.034
1.013
1.000
1.070
0.999
1.035
1.053
1.162
1.052
Tech
0.968
0.935
0.925
0.920
0.891
0.938
1.003
0.939
0.960
0.945
0.942
0.943
0.980
0.977
0.984
0.940
0.963
0.967
1.009
0.986
0.948
0.964
0.940
0.911
0.922
0.837
0.930
0.925
0.823
0.906
0.834
0.936
Pech
1.002
1.007
0.963
0.997
0.993
0.954
1.000
1.024
1.000
1.000
1.000
1.039
0.990
1.069
1.000
1.019
1.035
1.020
1.000
1.066
1.000
0.985
1.000
1.012
0.941
1.000
0.999
1.005
0.999
1.013
1.000
1.004
Sech
1.073
1.034
1.078
1.087
1.059
1.116
1.000
1.050
1.039
1.068
1.045
1.080
1.005
1.005
1.025
1.069
1.053
1.018
1.064
1.044
1.059
0.988
1.048
1.022
1.077
1.000
1.071
0.994
1.036
1.039
1.162
1.048
Tfpch
1.040
0.973
0.960
0.996
0.937
0.998
1.003
1.009
0.997
1.010
0.984
1.058
0.975
1.049
1.008
1.023
1.049
1.005
1.074
1.098
1.004
0.938
0.985
0.942
0.934
0.837
0.995
0.924
0.852
0.953
0.969
0.985
速成长，以上海制造企业协同发展促进知识增值，逐步向中高端产业提升，缩小与发达国家的差距。

（四）加强知识产权保护
提升上海制造业技术进步效率是必要手段。

技术进步是知识产权保护的充分条件。

对于知识产权的拥有者给予法律保护，完善相关法律保护，加强公众对知识产权观念的理解与重视，同时加大对虚假科研成果的惩处力度，营造公平公正的尊重知识与技术的积极研发创新环境。

【参考文献】
[1]龚关，胡关亮.中国制造业资源配置效率与全要素生产率[J].经济
研究，2013，48（4）：4-15，29.
[2]李萍，赵曙东.我国制造业价值链分工贸易条件影响因素的实证
研究[J].国际贸易问题，2015（7）：57-66.
[3]王小波，李婧雯.中国制造业服务化水平及影响因素分析[J].湘潭
大学学报（哲学社会科学版），2016，40（5）：53-60.
[4]彭伟明，周慧.基于DEA-Malmquist模型的安徽省区域创新效率
评价[J].黑龙江工业学院学报（综合版），2019，19（12）：96-102. [5]冯梅.上海制造业比较优势演化与转型升级的路径研究[J].上海
经济研究，2013，25（5）：112-120.
[6]刘潇.京津冀和长三角地区制造业生产效率的比较研究——
—基于Malmquist-DEA模型的全要素生产率分析[J].统计与信息论坛，2019，34（7）：85-91.
[7]赵聚辉，黄诗华.基于超效率DEA和Malmquist指数的中国科技
研发效率评价研究[J].宏观经济研究，2019（9）：123-129.
[8]姚锡凡，景轩，张剑铭，等.走向新工业革命的智能制造[J/OL].计算
机集成制造系统：1-30[2020-04-17].
[9]闫纪红，李柏林.智能制造研究热点及趋势分析[J].科学通报，
2020，65（8）：684-694.
[10]战戟.工业4.0从自动生产到智能制造[J].智库时代，2020（6）：
3-4.
[11]钟润阳，徐旬，Eberhard Klotz，Stephen T.Newman.对工业4.0背
景下的智能制造的回顾[J].Engineering，2017，3（5）：96-127. [12]樊霞，赵丹萍，何悦.企业产学研合作的创新效率及其影响因素
研究[J].科研管理，2012，33（2）：33-39.
[13]苏屹，姜雪松，雷家骕，等.区域创新系统协同演进研究[J].中国
软科学，2016（3）：44-61.
[14]张绍丽，于金龙.产学研协同创新的文化协同过程及策略研究
[J].科学学研究，2016，34（4）：624-629.
[15]林志扬，从奎.中国省际高技术产业创新效率分析——
—基于DEA-Malmquist指数[J].生产力研究，2014（2）：1-8，34.
（责任编辑：张友谊校对：谭锦）
（上接第82页）孵化的产业应当发掘出适应当地的特色产业，形成规模，扩大效益，若能够辐射至周边产业经济的发展，则可以形成产业集群。

大学科技园所研发的科技成果最终要通过孵化相关企业，转化为产业成果，若能与当地已有的特色产业强强结合，则能迸发出更好的经济效益，若当地缺少相关的特色产业，则可以根据大学科技园的科研成果进行相关产业的发散。

【参考文献】
[1]马仁锋，张海燕，袁新敏.大学科技园与地方全面融合发展案例
解读[J].科技进步与对策，2011，28（3）：42-46.
[2]任志祥.大学科技园的发展历程及转型思考[J].中国高校科技，
2018（11）：88-90.
[3]陈薛孝，黄小勇，饶庆林.大学科技园对区域经济发展的影响——
—以南昌大学国家大学科技园为例[J].企业经济，2012，31（5）：122-125.
[4]高顺成.区域创业环境与经济发展关系的实证研究[J].地域研究
与开发，2013，32（2）：31-35.
[5]董淼军，陆震，王虹燕，等.上海国家大学科技园建设现状及发展
趋势[J].中国高校科技，2019（10）：82-85.
[6]郑刚，梅景瑶，何晓斌.创业教育对大学生创业实践究竟有多大
影响——
—基于浙江大学国家大学科技园创业企业的实证调查[J].中国高教研究，2017（10）：72-77.
[7]李荣.基于三阶段DEA模型的国家大学科技园孵化效率研究[J].
科技管理研究，2019，39（6）：93-99.
[8]沈能，周晶晶.基于两阶段共同边界DEA的国家大学科技园创新
效率研究[J].管理工程学报，2018，32（2）：188-195.
[9]孙金花，苟晓朦，杜姣.基于Lotka-Volterra模型-Logistic模型高
校主导的创新生态系统动态演化研究[J].科技管理研究，2019，39（1）：12-19.
[10]金桃，董艳艳，肖玖军，等.喀斯特山区土地整治与区域经济发
展的耦合协调性分析——
—以贵州省为例[J].江苏农业科学，2019（17）：334-337.
[11]沈能，周晶晶.基于两阶段共同边界DEA的国家大学科技园创
新效率研究[J].管理工程学报，2018，32（2）：188-195.
[12]杜洪涛.国家大学科技园建设和发展的政策研究[J].中国行政管
理，2014（6）：105-109.
[13]吴中超.“双链融合”应用型大学的产学研协同创新运行机制分
析[J].宏观经济管理，2020（4）：44-50.
[14]沙德春，荆晶.中国国家大学科技园运行效率研究[J].技术经济，
2019，38（10）：88-94.
[15]高旻昱，曾刚.大学科技园对地方经济发展的影响[J].中国高校
科技，2019（Z1）：119-121.
[16]赵伟，姜长军，李贻学.杭州市土地资源综合承载力评价及耦合
协调性研究[J].湖北民族学院学报（自然科学版），2019，37（3）：345-352.
[17]金钰莹，叶广宇.我国教育公平与区域经济增长的耦合协调性
分析——
—基于2003-2016年省际面板数据[J].湖南社会科学，2019（4）：115-122.
[18]焦妍妍，郭彬，优瑞池.科技创新、金融创新与产业结构优化的
耦合关系研究——
—基于“互联网+”视角[J].管理现代化，2019（5）：32-36.
[19]王凡，傅汴玲，李乐刚.发达国家科技中介机构的发展和管理[J].
江汉论坛，2009（10）：140-143，92.
（责任编辑：张友谊校对：李成淇）。