黄荣义：基于DEA-Tobit 模型的中国各省市产品创新效率影响因素研究

一、引言
当今世界正经历百年未有之大变局，在激烈的国际竞争面前，在单边主义、保护主义上升的大背景下，加快提高我国科技自主创新能力显得更加重要和紧迫。

习近平总书记在召开科学家座谈会上强调，抓创新就是抓发展，谋创新就是谋未来，我国经济社会发展比过去任何时候都更加需要增强创新这个第一动力。

十九届五中全会提出，十四五期间要坚持创新在我国现代化建设全局中的核心地位，要提升企业技术创新能力。

因此，研究影响我国创新能力的影响因素以及找到改善的措施，是当下需要解决的时代命题。

一个国家的创新能力，不仅体现为“量”，更多地体现为“质”，也就是创新的效率。

国家的创新效率主要体现在该国企业的创新效率上，企业的创新阶段主要分为知识创新、科研创新、产品创新三个阶段。

其中，知识创新和科研创新在目前的研究中得到了较多关注，而产品创新则容易被忽略。

产品创新是创新的最后阶段，是把研究专利转化为现实可用的新产品的活动。

因此产品创新是最接近消费者的阶段，是与产生经济利润最接近的阶段，它的重要性不言而喻，然而对此阶段的创新效率研究显然少于前两个阶段。

考虑到产品创新阶段的重要性以及当前研究的不
基于DEA-Tobit模型的中国各省市
产品创新效率影响因素研究
黄荣义
（中国人民大学商学院 博士研究生）
摘 要：在激烈的国际竞争大背景下，加快提高我国科技自主创新能力是重要而紧迫的时代命题。

我国经过改革开放40多年来的发展，在知识创新和科研创新两个阶段有了很大提高，而产品创新阶段稍显不足，因此本文重点对产品创新效率的影响因素进行探究。

本文构建了DEA模型对产品创新阶段的综合效率、纯技术效率、规模效率进行测算，并建立随机面板Tobit模型对影响这三种效率的相关因素进行了实证分析。

结果发现，产业结构和人均技术市场成交金额对产品创新的纯技术效率有显著的影响，而研发经费投入偏向性对纯技术效率和规模效率的影响方向相反，同时一个地区的平均企业规模越大，会造成产品创新的规模效率越低。

关键词：产品创新效率；DEA-Tobit模型；产业结构；企业规模；研发投入偏向
足，本文旨在以我国各省市的企业创新数据为例，采用DEA-Tobit模型，对影响我国企业产品创新阶段的投入产出效率的因素和机制进行实证分析。

二、文献综述
创新这一概念最早由经济学家熊彼特提出，当时的学者大多把创新活动视作黑箱，对创新效率的研究主要是单一阶段的。

VandeVen(1999)[1]最早开始对创新路径的研究，采取纵向分析法给出创新过程的概念，此后学界开始对创新活动进行分解。

Zhu J(2002)[2]将企业的创新活动分为技术创新阶段和经济创新阶段，对应地将创新效率分解为技术效率与经济效率。

Hansen和Birkinshaw(2007)[3]首次提出了创新价值链，将创新活动分解为创意的产生、转换和传播三步。

余泳泽&刘大勇(2014)[4]将创新过程分解为知识创新、科研创新与产品创新三阶段，其中知识创新阶段把知识转化为论文，科研创新阶段把论文转化为专利，产品创新阶段则把专利转化为新产品。

前两阶段的相关研究较多，而对产品创新阶段的研究尤其是关于该阶段创新效率的研究仍较少。

关于创新效率的测算，主要分为参数法与非参数法。

参数法主要是随机前沿分析方法，最早由Aigner(1977) [5]提出。

非参数法主要包括数据包络分析法（DEA）和模糊评价法，其中数据包络分析法是非参数法中的主流方法，最早由Charnes等(1978)[6]提出。

李双杰(2009) [7]认为DEA方法相较于SFA法，不需给出具体的生产函数形式，能够自如处理多产出的情形，因此在对创新这种内部机制较为复杂的活动进行效率评价时，使用DEA方法更加适合。

本文采用了DEA方法中的C2R模型及BCC 模型。

对于影响企业创新活动效率的因素，当前研究主要包括了环境因素和创新主体内部因素。

在环境因素方面，李习保(2007) [8]采用SFA方法研究我国各地区的创新效率变迁，指出区域创新主体的组成结构、政府支持力度对地区创新效率有显著影响。

范红忠和侯晓辉（2007）[9]认为国际贸易对一国的创新能力有正面的促进作用。

白俊红等(2009)[10]发现区域内创新主体之间的联系紧
密度对创新效率产生负面的影响。

魏守华(2010)[11]等发现地区产学研联系质量和对其他地区技术外溢的吸收能力对区域创新效率有正向影响。

吴传清(2017)[12]等发现政府的有效引导服务和更高的战略性产业占比结构对创新效率有积极的影响。

在创新主体内部因素方面，Chen和Chien(2004)[13]发现企业规模对企业的综合创新效率有影响。

目前的研究主要集中在企业整体创新，较少有对企业创新的不同阶段进行单独研究，本文着力于研究企业创新的最后阶段，对产品创新阶段的效率及影响因素进行剖析。

本文采取两阶段法（Coelli和Battese, 1998）[14]进行实证分析，第一阶段使用DEA法测算产品创新效率，第二阶段采取Tobit模型进行回归分析。

三、各省市产品创新阶段的效率测算——DEA模型
1. 样本说明
本文采用我国2012-2016年30个省市自治区（由于西藏、香港、澳门及台湾的数据有缺失，在此不考虑）的面板数据进行研究，数据主要源于《中国统计年鉴》、《中国科技统计年鉴》、《中国劳动统计年鉴》以及《中国高技术产业统计年鉴》。

2. 投入产出变量选择
使用DEA模型测算企业产品创新阶段的效率，需要确定相应的投入、产出变量。

创新投入主要分为物力、人力、财力。

产品创新的主要物力投入是科研创新阶段所产出的专利技术，专利可分为发明、实用新型、外观设计三种类型，本文根据白俊红(2011)的研究，对三种类型分别给出0.5、0.3、0.2的权重。

专利投入程度可由该地区的新专利申请数或授权数体现，本文采取后者。

对于人力的投入，以工作量进行折算的数据比人数更有代表性，因此采用该阶段投入的人员全时当量。

财力投入则采用新产品开发支出以及科研人员的报酬两个变量。

对于创新的产出，分为质和量两方面。

量由新产品开发项目数、销售收入体现，质则由新产品的销售出口额体现。

投入产出模型如图1所示。

3. DEA 模型构建
常用的DEA 模型分为C2R 模型和BC2模型，分别对应着规模报酬不变和规模报酬可变的假设。

而对于创业活动，尤其是最后的产品创新阶段，由于固定成本的存在，规模更大的投入会稀释掉这部分固定成本，因此是存在规模效应的。

本文将把C2R 模型和BC2模
型结合运用，测算出综合创新效率，并分解为纯技术效率与规模效率。

根据本文的变量，构建基本的C2R 模型如下：
现有30个待评估的DMU（即30个省市），第i 个DMU 投入4种要素x ij (j=1,2,3,4)进行生产，获得3种创新产出y ij (r=1,2,3)，对应的C2R 模型为：
图1：DEA模型的投入产出
其中为省市的第种投入要素，为对应的第种产出，值为地区产品创新的综合创新效率，介于0和1之间。

相应的BCC 模型如下
：
其中θ'是该地区产品创新的纯技术效率，将其从综合创新效率中除去，可得到对应的规模效率SE
：
4. 效率测算结果及分析
测算得到的各省市产品创新效率按地区分类描述如
表1所示，其中TE 表示产品创新阶段的综合技术效率，PTE 表示创新的纯技术效率，SE
表示创新的规模效率。

表1：各地区四年平均产品创新效率
由表1可看出，中部地区与东部地区的产品创新效率水平整体上要明显高于西部地区与东北地区。

在纯技术效率水平上，东部地区明显高于其他三个地区，这与东部地区的经济发展水平高、劳动力素质水平高是有关系的，另外东部的产业结构相比其他三个地区更加健康，高技术产业占比更高，因此创新的纯技术效率自然更高；而相比之下，东北地区以传统重工业为经济支柱，不仅创新的投入大而且收效小，因此创新的纯技术效率最低。

而在规模效率上东部地区滑落到第三，在一定程度上说明东部地区的创新投入有点过量，超过了规模有效的程度，因此不是投入越多越好，投入过多反而导致边际收益递减。

四、回归分析——Tobit 模型
1. 变量描述
本文的因变量包括上文测算得到的综合效率（TE）、纯
技术效率（PTE）和规模效率（SE），分别探究影响它们的因素。

本文结合产品创新这一阶段的特点和数据的可得性，选择了如下待研究的影响因素。

第一，劳动力素质水平（Labor），采用该地区劳动力中研究生及以上学历者占高中及以上学历者的比例进行测度；第二，产业结构（InduStruc），采用该地区工业总产值中高技术产业的产值占比来测度；第三，市场发展水平（PerTech），采用人均技术市场成交金额来反映，用地区技术市场成交额与R&D 人员总数之比进行测度；第四，国际技术影响（TechImp），采用国外技术引进经费支出占R&D 经费总支出的比例来测度；第五，企业规模（CorpScale），采用该地区规模以上的工业企业资产总额与企业数量之比进行测度；第六，经费投入偏向性（InvesBias），采用R&D 经费内部支出中资产性支出的占比进行测度。

相关变量的描述性统计如表2所示：
表2：影响因素的描述统计
相关系数矩阵如表3所示，可知各影响因素之间的相关系数都不超过0.8，因此可认为不存在严重的多重共线性。

表3：相关系数矩阵
2. 模型构建
本文采取随机面板Tobit模型分别对产品创新阶段的三种效率（TE, PTE, SE）进行影响因素分析。

以综合效率TE作为因变量的模型为例，模型设定如下
：
PTE和SE作为因变量的模型与此类似。

3. 回归结果分析
表4汇报了回归结果。

由于综合创新效率TE可分解
为纯技术效率PTE和规模效率SE，因此可以先对PTE和
SE的影响因素进行分析，最后再综合分析这些因素对TE
的影响。

表4：Tobit模型的回归结果
对于纯技术效率PTE 的影响因素，产业结构、人均技术市场成交金额、经费投入偏向三种因素具有显著影响。

其中高技术产业占比越高的产业结构会给该地区的产品创新带来更高的纯技术效率，因为高技术产业是近年来国家政策重点扶持的产业，也是我国战略转型的重要环节，因此该产业所生产的新产品具有非常大的市场需求，高技术产业占比大无疑会提升整个地区将专利技术市场化的效率。

人均技术市场成交金额对PTE 有负面的影响，这与我们的直觉相悖。

人均技术市场成交金额在一定程度上代表了一个地区的技术市场的发达程度，即当地的专利技术交易的活跃程度。

这说明我国大部分地区企业的产品创新能力并没有跟上当地快速发展的技术市场，知识创新阶段产生的大量专利技术并没有得到充分的转化，存在大量闲置的浪费的科技成果。

回归结果还显示，如果一个地区的企业总体上偏好于将研发经费投入到大型设备和仪器等固定资产上，而对研发人员的人力成本投入相对较少时，该地区产品创新的PTE 会更高，这说明在产品创新阶段，新增的实验室和设备等的固定资产比劳动力带来的好处要更多。

对于规模效率SE 的影响因素，企业规模和研发经费投入的偏向性具有显著的影响。

其中地区平均企业规模的上升对该地区产品创新的规模效率有消极的影响，这说明了企业应该控制自身规模在适宜的大小内，否则过大的规模反而会导致资源的冗余和创新效率的降低。

这也从侧面说明在当前的科技发展水平下，大部分地区的企业整体规模都已经超过了最佳的规模。

与对PTE 的影响相反，对于产品创新的规模效率，研发经费越偏重于资产性支出该规模效率反而越低，这说明增加大型设备、筹建实验室等固定资产往往容易使企业的规模超过当前
技术水平下的最优规模。

（注：”***”, “**”, “*”分别表示在1%，%5，10%的水平下显著，括号内为统计量的z值）
由于TE 是PTE 和SE 的乘积，因此产品创新的TE 必定也与上述对这两种效率有影响的因素相关，表4的回归结果也证实了这点，同时回归结果还发现TE 受到更多的因素影响。

结果显示，人均技术市场交易金额和企业规模对TE 具有负面的影响，因为这两者分别对PTE 和SE 有负面影响，从而影响到了最终的综合创新效率。

而劳动力素质和技术引进未对PTE 和SE 产生影响，却影响了综合创新效率TE。

首先劳动力素质是以当地高中及以上学历的劳动力中研究生学历所占的比例表示，回归结果表明，像研究生（包括硕士、博士）这种高层次的研究型人才，提高了产品创新阶段的综合创新效率，这也符合我们前面的假设，即一个地区拥有更高比例的知识丰富、综合素质强的人才，会对市场需求有更全面深入的了解，对科研成果的转化有更高效的方式。

另外，国外技术引进对产品创新的综合效率也有积极的影响。

可能的原因是国外的技术较国内技术来说更为先进，国外技术转化成的产品在国内具有更大的市场空间和需求，同时避免了国内产品的激烈竞争，因此产品创新效率得到提升。

对PTE 和SE 都有影响的研发经费投入偏向性对综合效率却没有显著的影响，这很可能是因为该因素对PTE 和SE 分别是反向的影响，从而最后相互抵消。

五、结论与政策建议
本文通过DEA-Tobit 模型对我国各省市产品创新的效率和影响因素进行了实证分析。

分析结果表明劳动力素质水平和国外技术引进水平对产品创新阶段的综合效率有正面的影响，而技术市场的人均交易金额和平均企业规模则对地区的该综合效率有负面的影响。

另外，以高技术产业占比多少表示的产业结构和研发经费投入对固定资产的偏向对产品创新的纯技术效率都有正向的影
响，而研发经费的投入偏向却对规模效率有反向的影响。

根据分析结果，本文对我国各省市的产品创新支持政策提出如下建议。

首先，各地区政府可以加大力度实施人才引进项目，重点提高本地区的劳动力素质水平。

第二，各地区应注意对产品创新这一阶段的政策扶持，完善创新产品的市场建设，保持技术市场和产品市场的均衡发展，防止技术市场产出的大量科研成果得不到有效的转化，降低了创新的效率。

第三，企业应适当地控制自身规模，地区政府也应鼓励当地企业竞争，避免企业垄断不断扩大导致规模超过最优界限。

第四，各地区加大力度转型升级，增加高新技术产业在当地产业中的占比。

第五，各地区在研发经费的投向上应充分考虑当地创新效率结构，若当地纯技术效率较低而规模效率较高，则应把经费偏向投入设备等固定资产上，反之将经费投入到科研劳动人员的劳动性支出上。

参考文献
[1] Van de Ven, Andrew H., Polley, Douglas, Garud, Raghu. The innovation journey: Oxford University Press, USA, 2008
[2] Zhu, Joe. Multi-factor performance measure model with an application to Fortune 500 companies. European journal of operational research, 2000, 123（1）: 105-124
[3] Hansen, Morten T., Birkinshaw, Julian. The innovation value chain. Harvard business review, 2007, 85（6）: 121
[4] 余泳泽，刘大勇. 我国区域创新效率的空间外溢效应与价值链外溢效应——创新价值链视角下的多维空间面板模型研究. 管理世界，2013（7）：6-20
[5] Aigner, Dennis, Lovell, CA Knox, Schmidt, Peter. Formulation and estimation of stochastic frontier production function models. Journal of econometrics, 1977, 6（1）: 21-37
[6] Charnes, Abraham, Cooper, William W., Rhodes, Edwardo. Measuring the efficiency of decision making units. European journal of operational research, 1978, 2（6）: 429-444
[7] 李双杰，范超. 随机前沿分析与数据包络分析方法的评析与比较. 统计与决策，2009（07）：25-28
[8] 李习保. 中国区域创新能力变迁的实证分析：基于创新系统的观点. 管理世界，2007（第12期）：18-30
[9] 范红忠，侯晓辉. 国际贸易对一国研发投入及自主创新能力影响的实证研究. 国际贸易问题，2007（第2期）：13-18
[10] 白俊红，江可申，李婧等. 区域创新效率的环境影响因素分析——基于DEATobit两步法的实证检验. 研究与发展管理，2009（02）：96-102
[11] 魏守华，吴贵生，吕新雷. 区域创新能力的影响因素——兼评我国创新能力的地区差距. 中国软科学，2010（9）：76-85
[12] 吴传清，黄磊，文传浩. 长江经济带技术创新效率及其影响因素研究. 中国软科学，2017（第5期）：160-170
[13] Chen, Chin-Tai, Chien, Chen-Fu, Lin, Ming-Han, Wang, Jung-Te. Using DEA to evaluate R&D performance of the computers and peripherals firms in Taiwan, 2004
[14] Coelli, Timothy J., Rao, Dodla Sai Prasada, O'Donnell, Christopher J., Battese, George Edward. An introduction to efficiency and productivity analysis: Springer Science &
Business Media, 2005。