【www.zhangdahai.com--中国梦征文】
张雪琳 贺正楚 任宇新
我国经济由高速增长阶段转向高质量发展阶段，通过技术创新和进一步优化技术创新效率是驱动我国经济高质量发展的主要路径（史丹和李鹏，2019［1］）。作为工业大国，工业企业是我国国家创新体系以及实体经济的主体，工业企业的发展质量是我国实现经济高质量的基础与前提。我国已经建立门类齐全的现代工业体系，更是世界排名第一的制造业大国，工业发展成就举世瞩目。但目前我国还依然只是工业大国，并非工业强国，部分工业企业还存在核心技术自给率较低、关键技术掌握较少的问题，尤其是创新能力不强仍然是我国工业企业发展面临的主要问题。工业企业发展关键在于技术创新，技术创新活动的重要资源就是人力、物力、财力，因此，将人力、物力、财力进行优化配置，可以充分发挥技术创新知识储备的效果、技术创新科技投入的作用和技术创新成果转化的能力。效率是衡量技术创新能力的一项重要指标，如何提升工业企业技术创新效率，防止重复投资以及资源投入分散等问题，精准把握影响技术创新效率的决定性因素，突破当前部分体制机制壁垒和发展瓶颈，全面释放技术创新驱动力量，构建有中国特色的现代化科技创新体系，具有重要的理论价值和现实意义。
国外现有文献对技术创新效率已经作出部分回答。比如，Afriat（1972）［2］最早提出技术创新效率概念，认为投入产出关系与一定资源与技术条件下可能达到的最大产量组合曲线密切相关；
Nelson（1993）［3］和Poter（1998）［4］率先研究科技资源配置，研究各个国家科学技术经费内部支出、科技资源配置方式以及与科学技术相关行业的创新政策，就各个国家之间的上述三者进行对比分析；
Raab（2006）［5］等学者运用数据包络分析对美国50个州高技术产业创新从高效到低效排序，发现一些州在高技术产业的主导地位与其经济表现之间存在差异。国内现有文献对技术创新效率的研究，一方面是探索使用新的研究方法对技术创新效率进行测度和评价，另一方面是就省际范围或者区域范围对技术创新效率进行研究。比如：陈凯华等（2012）［6］考虑高技术产业创新活动依赖外部技术溢出和内部自主研发，运用非径向-非定向的“强化的Russell测度模型”和非径向的“单因素效率测度模型”对中国高技术产业技术创新效率进行测度，探究高技术产业“高产出、低效益”的原因及相应的对策措施；
肖仁桥等（2012）［7］从价值链角度出发，建立两阶段链式关联DEA模型，研究我国高技术产业整体创新效率、两阶段效率以及创新效率的影响因素；
李洪伟等（2012）［8］采用DEA三个阶段模型，第一阶段传统DEA、第二阶段SFA回归、第三阶段投入调整，剔除外部环境变量和随机因素影响，分析高技术产业技术创新效率；
李锋等（2021）［9］依托生态系统，将高新技术产业创新过程分为同化、生长和利用等三个阶段，运用DEA模型分析高新技术产业三个阶段的创新效率；
范德成和杜明月（2018）［10］将技术创新活动分为技术研发和技术转化阶段，针对高端装备制造业的七大子行业，运用GAMS软件构建两阶段StoNED模型，研究技术创新配置效率，并利用Tobit模型分析两阶段影响效率的重要因素；
朱慧明等（2021）［11］运用DEA模型测度2011-2019年制造业企业技术创新效率及其影响因素，发现创新效率虽呈逐年改善趋势但是整体效率较低，企业在研发阶段效率很低。学界在研究省际范围或者区域范围的技术创新效率方面，主要成果有：钱丽等（2018）［12］利用共同前沿-共享投入两阶段DEA模型测算中国省际工业企业绿色创新效率，区域技术差距以及效率损失来源；
李根等（2019）［13］构建SBM模型对制造业能源生态效率进行测算，采用Tobit模型对全国及东中西部地区制造业能源生态效率的影响因素进行实证分析；
易明等（2019）［14］通过运用SFA模型对全国27个省（区）市和八大经济区域高新技术产业创新效率的测算评估；
代碧波等（2012）［15］利用Malmquist生产率指数分析法测评2001-2008年制造业29个行业的动态效率变化，并探索市场结构、企业规模和企业所有制影响其制造业29个行业的技术创新效率的具体效应；
杨骞等（2021）［16］就我国区域创新效率进行研究，以创新指数作为创新产出，采用Bootstrap-DEA方法测度区域创新效率。发现创新平台等四个因素对创新效率有显著提升作用；
赖一飞等（2021）［17］以30个省（区）市为研究对象，运用超效率SBM-Malmquist模型测算各省（区）市技术创新效率，分析各区域间的差异特征，发现科技基础设施投入、经济发展水平、科技认知程度和科技创新政策对科技创新效率的作用具有较强的区域异质性；
李鸿禧和迟国泰（2016）［18］通过DEA-t的方法检验的方法萃取出显著影响效率的关键指标并找出副省级关键指标的冗余率、不足率及关键问题；
张明斗等（2021）［19］运用空间杜宾模型分析制造业和生产性服务业集聚对城市的经济效率的影响，发现制造业集聚对所在城市不具有门槛效应，而生产性服务业城市对所在城市存在门槛效应；
刘钒和邓明亮（2017）［20］测度长江经济带技术创新效率，并对技术创新影响效率的关键因素进行深入分析；
王蕾等（2019）［21］构建农业效率评价指标体系，利用三个阶段DEA模型对各省（区）市效率进行测度，探究农业改革对地区的影响；
周淑贞和邓群钊（2021）［22］运用两阶段网络DEA模型测度高技术绿色创新效率，运用Tobit回归模型分析国外技术引进、国内技术转移和外商投资等三种转移方式对于创新效率的提升作用；
李颖（2021）［23］对高技术产业集中度和技术创新效率进行研究，探究何种市场结构更有利于技术创新；
杨友才等（2020）［24］采用GVAR模型，测算中国高技术产业在1997-2016年的技术创新效率，并探索高技术产业间创新效率的溢出效应。刘晖等（2015）［25］采用DEA模型，对2007-2012年我国28个省（区）市战略性新兴产业技术创新效率进行测度，发现纯技术效率整体处在较低水平、规模效率相对较好，技术创新效率存在明显的地区不均衡，北京和广东的技术创新效率最高。
通过总结上述国内外文献发现，虽然在创新效率研究方面取得很多成果，但对于工业企业创新效率，特别是对创新过程当中的创新效率情况，其研究还不够具体、细致和深入。由于笼统地把企业技术创新在时间上作为一个时间总体、一个投入及产出的整体进行对待，这就有可能使得国内不少地区工业企业的发展规划和政策决策存在一些不确定性和盲目性。创新过程具有阶段性，每个阶段性的创新投入与产出都不一样，即创新效率存在阶段性的时间差异。结合工业企业创新特点和大量文献研究，可以看出工业企业创新系统内部结构具有明显的三个阶段链式特征，为此对企业创新过程的三个阶段进行区分。第一阶段为基础性创新阶段，为开发工业企业的过程，主要进行知识技术储备。第二阶段是研发性创新阶段，为技术性研发投入，扩展工业企业中间试验阶段，完成从技术开发到试生产的全部技术问题。第三阶段是成果转化创新阶段，这一创新阶段为成果转化过程，将技术性产出变成收益，将成果变为现实的生产力，生产新产品，开拓新市场。三个阶段并不是直线型一一递进，而是互有交叉。创新系统的中间产出既是前一阶段的产出，又是后一阶段的投入，本阶段的问题可以在本阶段寻求答案，也可以反馈给上一阶段寻求解决办法，而下一阶段发现的问题及其解决办法也会推动上一阶段创新活动的投入与开展，三个阶段虽相互区别但也共同促进，体现出阶段间的关联性，形成创新系统的网络构成。
企业技术创新效率在方法方面也有不足之处。学者主要运用DEA和SFA模型研究企业技术创新效率，但由于传统DEA模型忽视技术创新系统的阶段性与关联性，省去了技术创新系统内部的作用过程和运行机理，导致对创新过程内部环节的分析难以深入。而SFA模型由于不恰当的生产函数形式或误差项的分布假设，可能会将设定误差和效率估计二者混淆在一起，从而也带来一定的局限性。在内容上，国内外学者分别在产业、企业和地区等方面对技术创新效率和科技资源配置效率进行深入研究，但对技术创新资源配置的内部作用过程研究较少。还有一点也需要特别说明和引起研究者的特别重视，这就是关于影响因素，研究者多是从企业和市场层面展开研究，而对于从高校、人口和外商投资等因素切入研究，这样的研究视角还较为少见。
基于上述分析，本文拟对工业企业的技术创新整体效率（即“整体创新效率”）进行研究。此外，由于工业企业的技术创新过程分为基础性创新阶段、研发性创新阶段、成果转化创新阶段等三个阶段，这三个阶段分别形成三个“阶段创新效率”，本文也拟对阶段创新效率进行研究。
技术创新效率是技术创新的产出与投入之比，即技术创新资源的配置效率，对技术创新效率开展研究，有利于企业向集约型生产方式转变。技术创新可以从数量层面度量，也可以从效率层面入手，本文从效率方面进行研究，基于2010-2019年省际面板数据，采用三个阶段链式关联网络DEA模型测算我国省际行政区域工业企业的整体创新效率及阶段创新效率，考察2010-2019年我国区域工业企业整体创新效率在近十年不同时间段的动态变化趋势以及阶段创新效率的变化趋势，测算出我国工业企业创新水平。运用Tobit模型对工业企业整体创新效率和阶段创新效率的影响因素进行分析，发现促进企业创新效率的积极因素，找出阻碍企业创新进程的消极因素，为制定有针对性的提升工业企业创新效率的政策制度提供理论依据，进而弥补已有研究的不足。
2.1 研究工具与方法
数据包络分析最早由Charnes等正式提出，用于测量多个投入、产出决策单元的绩效，CCR和BCC是DEA的两种基本模型，CCR模型是规模报酬不变下的衡量标准，而BCC是规模报酬可变假设下的绩效衡量标准。传统DEA处理生产过程，只对资源配置两端的初始投入和最后产出进行分析，将决策单元（DMUs）作为一个只涉及投入-产出的“黑箱”系统，并没有考虑以中间形式存在的连结性因素，如果不剖开其作用过程，会忽视其内部的作用过程和运行机理而产生出误导性效率值，得到的结果不能满足实际问题中对复杂系统进行评价并优化的要求，无法从真正意义上提高绩效。Fare等学者率先提出“网络DEA”理论，构建基于生产系统的效率测度模型，此模型能够适应子系统之间存在的链接关系，为改进传统DEA存在的缺陷提供了重要的理论基础。该模式打破传统DEA固有的“黑箱”，将内部结构划分为多阶段过程，前一阶段的产出作为后一阶段的投入，各个阶段之间有中间产品的流动，在此过程中发现其低效环节，实现对于DMU决策单元的内部解放。大量研究表明，运用网络DEA模型衡量具有网络结构的系统效率，测量结果更加精确，对于效率无效性的原因更能够具体分析。
链形和并形是网络DEA的基本结构，选择哪种结构，取决于决策单元子过程是以链形结构连接还是并形结构链接，根据连接模式又分为独立和关联模型两种类型。本文采用规模报酬可变假设下的三个阶段链式关联网络DEA模型，对区域工业企业创新过程资源配置效率进行分析。
假设创新系统包含n个决策单元DMUj（j=1，2，...，n），工业企业创新过程分为三个阶段，如图1所示。那么每个决策单元在第一阶段有m种投入：，N种产出为：；
这 N种产出转化为研发性创新阶段的部分投入，在此阶段的额外追加P种投入，第二阶段H种产出；
这H种产出转化为成果转化创新阶段的部分投入，在此阶段额外追加K种投入，成果转化创新阶段s种产出。
图1 工业企业创新过程三个阶段的DMU内部结构
如果不考虑决策单元内部结构，也不考虑创新系统内部三个阶段之间的联系，每个决策单元都是一个体系。基础性创新阶段的投入为，产出为；
研发性创新阶段的投入为，追加投入，产出为；
成果转化创新阶段的投入为，追加投入为，产出为。基于BCC 规模报酬可变模型，应用以下公式，即可计算出创新系统的整体创新效率和阶段创新效率。
如果创新系统考虑决策单元内部结构，也重视创新系统内部三个阶段之间的相互联系，每个阶段都符合前沿条件，各个阶段中间产出权重一致，在上述公式中应有δ′=δ′=δ′′。则：
公式（1）为决策单元满足的前沿条件，公式（2）、（3）、（4）分别为三个阶段满足的前沿条件。下面对上述公式进行化简：
通过公式（6）-（9），可求出整体创新效率及阶段创新效率。
为表示创新过程三个阶段之间的相互作用关系，运用关联系数（RC）反映创新过程三个阶段之间的关联关系。若RC>1，表示创新过程三个阶段之间强有效；
若RC=1，表示创新过程三个阶段之间弱有效；
若RC<1，表示创新过程三个阶段之间无效，以此衡量创新过程三个阶段之间的关联程度。根据以上三个阶段链式网络DEA模型，计算可得我国工业企业整体创新效率和阶段创新效率。
2.2 数据来源
Jefferson G等指出，规模以上工业企业在中国工业中居于重要地位。因此，本文选择规模以上工业企业为研究对象。数据来源于《中国科技统计年鉴》（2011-2020）、《中国高技术产业统计年鉴》（2011-2020）、《中国工业统计年鉴》（2011-2020）、《中国统计年鉴》（2011-2020）以及各省统计年鉴，选取2010-2019年间30个省级数据分析（西藏、港、澳、台数据无法全部获取，不纳入统计）。由于创新活动过程存在一定时滞差异，不同领域口径不一，本文参考相关文献的研究成果（朱桂龙等，2021［26］），设定各阶段滞后期为1年。即如果投入为第t年数据，则最终产出为t＋3年数据。
根据工业企业创新的特点和大量文献，发现工业企业创新系统具有明显三个阶段链式结构特征。第一阶段为基础性创新阶段，主要用于知识技术储备；
第二阶段为研发性创新阶段，主要用于技术研发；
第三阶段为成果转化创新阶段，主要用于成果转化。三个阶段对应的效率分别为基础性创新效率、研发性创新效率和收益性创新效率，创新过程如图2所示。通过对工业企业整个创新过程进行分阶段分析，深入研究创新系统内部结构和运作过程，找出生产过程中的低效环节和主要原因，从而明确制定提升工业企业创新效率的制度和措施。
图2 工业企业创新过程三个阶段的链式过程
工业企业创新过程庞大复杂，创新效率受到多方面影响。根据工业企业特点和创新结构特点，通过参考大量的文献资料，使选取指标尽可能地反映工业企业创新过程效率。因此，本文从基础性创新阶段（技术知识储备）、研发性创新阶段（技术研发）和成果转化创新阶段（技术成果应用）三个阶段进行指标选取。
（1）基础性创新阶段
基础性创新阶段资源投入通常从人力、资金两个方面考虑，研发机构、研发人员和研发经费都是该阶段的重要组成部分。参考相关文献，在人力资源投入方面，有的学者选择R&D人员全时当量来表示人力资源的投入。为充分考虑研发的投入要素，本文选取R&D研发机构数和R&D人员折合全时当量作为基础性创新阶段的投入变量。在研发资金投入方面，为表现其技术知识储备，选择高校及科研机构R&D经费，经费来自政府的投入和企业的投入，这样资金投入变量反映政府和企业对于产学研创新体系的支持力度，更能反映对其知识技术的储备。
基础性创新阶段的产出主要体现在对于进入研发阶段前知识和技术的积累上，参考相关研究，有学者选择有效发明专利数作为产出变量（Jaffe等，2017［27］）。专利数作为国际创新产出的重要指标之一，主要分为专利授权数、专利申请数和有效发明专利数，专利申请数高于专利授权数，能更全面反映科技产出，而有效发明专利数，是指经国家知识产权局审批已经授权的专利的数量，更能体现专利有效性，所以在专利方面选择有效发明专利数和专利申请数为产出变量，但专利数据也存在一定的片面性，难以衡量全部的技术知识储备产出，而高校及科研机构发表的论文数可以弥补一定的不足，更能体现其知识储备，在一定程度上体现产学研体系的活跃程度。因此，综合以上考虑，选择专利申请数、有效发明专利数和高校及科研机构发表的论文数作为基础性创新阶段的产出变量，如表1。
表1 基础性创新阶段投入产出指标体系
（2）研发性创新阶段
基础性创新阶段的产出指标，即中间产出之一，作为研发性创新阶段的投入指标。在此阶段追加技术引进经费、消化吸收经费、购买国内技术经费和技术改造经费等四项之和作为此阶段的追加资金投入，更能反映一个区域对于研发的资金规模和支持力度（Mahroum等，2013［28］）。研发性创新阶段的产出体现在成果方面，参考大量文献，选择技术市场合同交易额和新产品开发项目数为产出指标。其中技术市场合同交易额是指技术开发、技术转让、技术咨询和技术服务等合同标的金额的总和，是创新过程的直接收入，反映技术市场进行技术交流的活跃程度；
而新产品开发项目数不仅反映一个区域在创新过程中取得的成果，也反映政府和企业对创新活动的支持力度，如表2。
表2 研发性创新阶段投入产出指标体系
（3）成果转化创新阶段
研发性创新阶段的产出指标，即中间产出之二，作为成果转化创新阶段的投入指标，在此阶段继续追加新增固定资产作为投入指标，表示新增生产能力和效益。成果转化创新阶段体现在经济效益方面，根据大量文献，选取主营业务收入、新产品销售收入和新产品出口额作为产出指标（Khedhaouria等，2017［29］；
于树江等，2021［30］；
李佳等，2021［31］）。主营业务收入代表工业企业的经济效益水平；
新产品销售收入是指在一个区域或行业内具有先进性、新颖性和适用性并能提高经济效益的产品；
新产品出口额反映一定的竞争优势，代表工业企业在国际上的竞争能力。
表3 成果转化创新阶段投入产出指标体系
4.1 工业企业技术创新效率分析
4.1.1 整体创新效率及阶段创新平均效率
运用BCC规模报酬可变的三个阶段链式关联网络DEA模型，对区域工业企业创新的整体创新效率及阶段创新效率进行评价。整体创新效率用E表示，基础性创新阶段效率用E（1）表示，研发性创新阶段效率用E（2）表示，成果转化创新阶段效率用E（3）表示，各阶段关联系数用RC表示。对2010-2019年中国区域工业企业创新的整体创新效率及阶段创新效率均值进行测算，如表4所示。
表4 中国区域工业企业整体创新效率及阶段创新效率均值
（1）整体创新效率
由表4可知，我国区域工业企业整体创新效率值为0.6461，这个数值并不算高，低于平均效率的省份有14个，说明一半的省份都在拉低全国平均效率水平，需要进一步提高整体创新效率；
从我国四大区域看，东部地区整体创新效率均值0.8528、中部地区0.6019、西部地区0.5205、东北地区0.5061，其中东部地区整体创新效率最高，其次中部地区，西部和东北部地区垫底。从DEA有效性来看，达到有效的有三个省份，分别是广东、海南和青海，其它整体创新效率较高的省份有江苏、浙江和山东等，这些省份的资源投入转化为经济产出效率较高；
黑龙江、贵州、云南。陕西和甘肃创新效率过低，需要找出原因，重点提升。从全国来看，各省份在该阶段创新效率差异较大。
（2）基础性创新阶段
基础性创新阶段效率均值为0.8552，其中有17个省份低于均值，在整体创新效率和阶段创新效率当中，基础性创新阶段效率最高，说明大多数省份的知识技术储备工作做得较好，资源投入转化为知识技术产出的效率较高。从我国四大区域看，东部地区创新效率最高，为0.9426，其次是中部地区，为0.7875，这是由于东部和中部地区产业、教育、人力和知识基础较好，规模较大，有较其它地区丰富的资源。再次是东北地区，为0.7610，西部地区最低，为0.7359，西部地区在较少资源投入的情况下取得和中部地区相差不多的创新效率，说明也具有相对较高的创新产出。从DEA有效性来看，上海、广东、海南和青海具有有效性，这几个省份虽然所拥有的创新资源不同，所处的经济环境也有较大差异，但在创新资源的利用上，值得其它地区在考虑自身特点的基础上借鉴；
黑龙江和云南较低，说明在基础性创新阶段，知识技术生产不足，投入产出转化率较低。从全国来看，各省份在该阶段创新效率差异较小。
（3）研发性创新阶段
研发性创新阶段效率均值为0.7044，其中有17个省份低于均值，从我国四大地区看，东部地区创新效率最高，为0.8566，表明东部地区在此阶段优势明显，体现较强创新效率，其次是中部地区，为0.6362，再次是东北地区，为0.5394，西部地区最低，为0.5084，说明西部地区技术研发效率较低，还需要进一步提高资源配置效率，优化产业结构。从DEA有效性来看，广东、海南和青海具有有效性；
贵州、云南和甘肃等技术研发效率较低，资源投入转化为技术研发产出的效率较低。
（4）成果转化创新阶段
成果转化创新阶段效率均值为0.7018，低于平均效率均值的省份有13个，表明大部分省份成果转化创新阶段效率都达到全国的均值水平，从我国四大区域看，东部地区收益性转化率为0.8718、中部地区为0.6431、西部地区为0.5491、东北地区为0.5063，其中，东部地区最高，中部地区次之，西部地区再次，东北地区最低。东北地区虽作为老工业基地，但其三个阶段的效率变化成离散趋势，与其它省（区）市创新效率差距逐渐拉大，需要抓住机遇，重点提升；
西部地区虽资源投入较少，但在四者中并非最低，代表资源投入能较好转化为经济产出；
东、中部地区依然因为较好的经济环境和创新资源位居前列。从DEA有效性来看，有效省份为江苏、浙江、山东、广东、海南和青海，这几个省份在收益性转化方面效率较高；
黑龙江、贵州和陕西收益性转化方面效率较低，未能将资源投入转化为收益。
综上所述，我国工业企业在2010-2019年期间创新效率值偏低，特别是整体创新效率和成果转化创新阶段效率较低，这也说明区域工业企业创新有较大发展潜能和提升空间。
4.1.2 工业企业创新效率变动趋势
为了进一步研究我国工业企业创新效率的变化特征和趋势，基于2010-2019年整体创新效率和阶段创新效率的结果，经计算得到整体创新效率和阶段创新效率在不同时间段的效率均值，如表5。为了直观和清晰地显示工业企业创新效率变化趋势，绘制折线图，如图3。
表5 工业企业在不同时间段整体创新效率和阶段创新效率
由表5和图3可知，我国工业企业在2010-2019年期间整体创新效率及阶段创新效率都有不同程度的波动，但都向提升方向收敛。其中整体创新效率相对于基础性创新阶段和成果转化创新阶段效率较低，与研发性创新阶段效率接近，说明尽管这两个阶段创新效率相对较高，但并未对整体创新效率起到引领作用。从变化趋势角度分析，基础性创新阶段效率先上升再下降再上升，趋势呈现上升状态；
研发性创新阶段效率、成果转化创新阶段效率与整体创新效率变化趋势类似，均为先下降再上升，趋势呈现上升状态，这说明整体创新效率很大程度上依赖于研发性和成果转化创新阶段效率，也说明研发性和成果转化创新阶段是创新过程的重要环节。纵观全国，工业企业整体创新效率和成果转化创新阶段效率偏低，未来在工业企业的发展过程中，不能盲目追加资源投入和扩大规模，要注重效率的提升，特别是研发性创新效率，要对创新活动环节精准把控，找出突破点。研发性创新效率作为创新活动的中间环节，更要注重三个阶段之间的协调和整合，以保证整体创新效率的提升。
4.1.3 创新过程三个阶段的关联程度分析
由表4可知各区域工业企业创新过程三个阶段之间的关联系数，可以看出，除广东、海南和青海以外的其它省份，关联系数均大于1，占总数的90%，即三个阶段之间关联强有效。广东、海南和青海3个地区三个阶段之间的关联系数等于1，占总数的10%，这些地区三个阶段之间为关联弱有效，需要进一步加强三个阶段之间的联系，进而提升创新资源配置效率。
4.2 区域创新效率差异性研究
依据前文创新活动中三个阶段创新效率的结果，以基础性创新阶段效率、研发性技术创新效率和成果转化创新阶段效率分别为x，y，z轴，绘制区域工业企业创新效率三维矩阵图，如图4。
图4 我国区域工业企业阶段创新效率
如表5，我国区域工业企业在基础性创新阶段、研发性创新阶段和成果转化创新阶段的创新效率均值分别为0.8028、0.6338、0.6594，据此对工业企业区域创新效率进行差异性分析，将其分为四种类型，即“三低创新型”“三高创新型”“双低一高创新型”“双高一低创新型”。
（1）“三低创新型”
黑龙江、四川、贵州、云南、陕西和甘肃等省份工业企业的阶段创新效率都比较低。这些地区除黑龙江位于东北地区，其它地区都处于西部，不具备好的产业创新基础，投入产出转化率较低，在基础性创新阶段和研发性创新阶段，知识技术成果和研发成果产出能力较弱，导致资源未能得到有效利用，成果转化创新阶段未能转化成经济效益，不能更好地为当地的可持续发展服务。总体来看，这些地区创新投入并未得到运用，仍然属于粗放型模式，因此应充分发挥企业、高校和研究院的优势，加强成果转化和收益化，以提高产业的基础性、研发性和成果转化创新阶段的效率。
（2）“三高创新型”
天津、上海、江苏、浙江、山东、广东、海南、重庆和青海在阶段创新效率都比较高，这些地区除重庆和青海位于西部地区，其它都居于东部，东部地区教育资源和产业基础较好，具有丰富产学研一体化经验，政策完善，利于工业企业创新的发展。青海作为欠发达地区，基础条件薄弱，但工业企业阶段创新效率却很高，原因可能是该地区虽然资源投入较少，但产出相对较高，而有些地区创新产出的总量虽大，但因为其投入很大，致使效率偏低。
（3）“双低一高创新型”
双低一高创新型地区包括：河北、山西、辽宁、安徽、湖南和广西。其中山西和辽宁基础性创新阶段效率较高，但研发性创新效率和收益性创新效率较低，说明这些地区的资源投入可以高效地转化为知识技术产出，但研发和成果转化阶段处于低水平；
安徽研发性创新阶段效率较高，但基础性创新阶段效率和成果转化创新阶段效率偏低，说明技术成果研发能力较好，但资源投入转化为知识技术产出和成果转化为经济效益停留在低水平；
河北、湖南和广西成果转化创新阶段效率较高，但基础性创新阶段和研发性创新阶段效率偏低，说明这三个地区虽然能够将现有的成果实现较好的收益，但前两个阶段的发展还处于较低水平，证明知识技术的储备和研发资源的投入并没有带来合理产出，需要针对低效阶段，探究阻碍因素，相关部门采取针对性措施，促进整体创新效率提升。
（4）“双高一低创新型”
双高一低创新型地区包括：北京、内蒙古、吉林、福建、江西、河南和宁夏。其中，内蒙古、吉林、福建和宁夏这些地区研发性创新阶段效率偏低，基础性创新阶段和成果转化创新阶段效率偏高，说明这些地区知识创新较好，经济效益的转化率较高，但研发能力较弱，应充分发挥产学研一体化的优势；
北京成果转化创新阶段效率较低，应注重成果转化为收益的技术创新；
江西和河南基础性创新阶段效率偏低，说明要注重资源投入转化为技术知识产出的基础创新方面，促进知识交流和共享。
4.3 我国工业企业创新效率的影响因素分析
上文从微观层面有效测度了全国各省（区）市工业企业的创新配置效率，还需要从宏观层面进一步探索各省（区）市创新效率的影响因素及各影响因素的作用机理。在效率测度的基础上，基于面板数据对各省进行分析，运用Stata15.0软件计算Tobit回归模型，找出各省创新配置效率影响因素的作用方向和内在原因。
构建Tobit回归基准模型如下：
公式（10）-（13）中，，α1～α4，β1～β5，γ1～γ5，δ1～δ5为各自变量的回归系数，α0、β0、γ0、δ0为截距项，i表示省份，ε1、ε2、ε3、ε4为残差项。上述模型中，各变量含义如下：GS表示政府支持，用政府资金占研发经费内部支出的比重来表征，一般而言，比重越大，代表政府对该省份的支持力度越大；
ES表示企业规模，行业从业人员数比主营业务收入，细化后用年均企业营业收入表示，一般情况下，大规模企业优势在于产业规模化，具有较强的市场竞争力；
OS表示企业所有制结构，用国有及国有控股工业企业主营业务收入与工业企业主营业务收入总和之比表示，企业的产业结构往往影响其发展；
MAOP表示市场开放程度，用出口交易额与主营业务收入的比例表示，一般来说，市场越开放，技术交流越深入；
SCH表示高等学校研发人员，高等教育是培养高级专门人才和职业人员的主要社会活动，研发人员越多，技术知识储备能力越强；
WI表示企业自主研发意愿，企业是市场创新主体，一般来说，研发意愿越强，越能提升自身创新水平；
RE表示人力资源，人力资源越丰富，研发人员越多，与创新效率的作用关系就更明显；
MC表示市场集中度，反映垄断和竞争程度，用工业企业的企业数占整个行业企业数的比重度量，一般为反向指标；
RD表示研发经费结构，用R&D经费内部支出中仪器设备的支出占R&D经费内部支出总和的比重来表示；
FI表示外源性创新，用外资引进表示，表示国外对本土的固定资产投资；
EF表示基础性创新阶段的效率，用于观察知识技术储备效率是否对研发阶段的效率产生影响，一般为积极影响；
ER表示市场竞争，用工业企业单位数表示，企业单位数越多，市场竞争越激烈，一般越促进企业发展；
EFF表示研发性创新阶段效率，用于观察技术研发效率是否对成果转化效率产生影响，一般为积极影响。其中，高等学校研发人员、人力资源、外源性创新和市场竞争数值较大，为减少异方差，对指标进行对数处理。
通过上述指标选取，构建创新配置效率影响因素指标体系，见表6。
表6 工业企业创新效率影响因素评价指标
基于前文模型，利用Tobit回归模型进行测算，得到影响工业企业整体创新、基础性创新阶段、研发性创新阶段和成果转化创新阶段效率的所有因素，结果如表7、8、9、10所示。
表7 工业企业整体创新效率的影响因素
如表7，政府支持、企业规模、企业所有制结构和市场开放程度皆在1%水平上具有相关性，其中企业规模和市场开放程度呈现正相关，说明这两个变量对工业企业整体创新效率具有明显推动作用，企业是市场创新的主体，从知识技术储备到技术研发再到成果转化，厂商的规模经济效应得以实现，对效率提升起到助推作用；
市场是开展企业竞争的场所，市场开放有助于国际间的技术交流，能够学习先进的国外技术知识。政府支持和企业所有制结构呈现负相关，起到抑制作用，政府以资金的形式直接介入创新过程，形成挤出效应，在资金周转方面由于企业管理粗放，缺乏谨慎管理，责任意识薄弱，致使创新效率总体偏低；
企业所有制结构起到抑制作用，原因可能是由于产权结构导致企业激励制度效率较低，管理滞后，创新未能正常发展。
如表8，高等学校研发经费、企业研发意愿、政府支持和人力资源在1%水平上具有相关性，市场集中度通过5%的显著性水平检验。其中高等学校研发经费、企业研发意愿和市场集中度与工业企业基础性创新阶段效率呈现正相关，这是由于高等学校是进行培养高级专门人才和职业人员的主要社会基地，研发人员越多，创新效率越高；
企业是市场创新的主体，企业建立自己的研发机构意愿越强烈，就会越加大研究经费投入，提高其自身创新效率；
由于市场集中度是反向指标，垄断市场不利于效率的提升，但垄断性产业可以满足技术创新带来的利益，所以适度的市场竞争有利于创新效率的提升，可以在很长时期内实现技术发展和突破。政府支持呈现负相关关系，原因与整体创新效率分析相同；
人力资源的负相关关系原因，可能因为人力资源队伍过于庞大，管理松散，责任意识薄弱，致使创新积极性不高。
表8 工业企业基础性创新阶段效率影响因素
如表9，研发经费结构、外源性创新、基础性创新阶段效率和企业规模通过1%的显著性水平检验，政府支持通过5%的显著性水平检验。这5项影响因素在此阶段中均为正向指标，这是因为国内外开展试验发展研究均需要购买仪器设备，因此仪器设备投入比例越高，则代表研发活动越多，致使创新效率提升；
外商投资的介入带来先进的创新理念和技术支持，同时带来良性市场竞争，促进创新效率提升；
基础性创新效率越高，对于知识技术储备的了解越深，更能促进研发性创新阶段效率提升；
企业规模对创新效率起到促进作用，原因与整体创新效率分析相同；
政府支持在此阶段呈现正向效应，代表在此阶段并未出现挤出效应，原因与整体创新效率分析相同。
表9 工业企业研发性创新阶段效率影响因素
如表10，企业所有制结构、市场开放程度、市场竞争、研发性创新阶段效率和政府支持均在1%水平上显著。其中，市场开放程度和研发性创新阶段效率具有正向作用，原因可能是国际间的技术交流促进本土学习先进的技术理念，与整体创新效率分析相同；
研发性创新阶段效率越高，对技术研发原理掌握程度越深，则成果转化创新阶段效率也就越高。企业所有制结构对中国工业企业创新效率具有抑制作用，原因与整体创新效率分析相同；
市场竞争呈现负相关，原因可能是在成果转化阶段市场垄断和价格战等低效率的市场竞争较为普遍，并未形成良性竞争；
政府支持由于资源投入的挤出效应导致呈现抑制作用，原因与整体创新效率分析相同。
表10 工业企业成果转化创新阶段效率影响因素
为了测度2010-2019年我国30个省（区）市的工业企业创新效率，采用三个阶段链式网络关联DEA模型，分整体创新和阶段创新，并利用Tobit回归模型，对工业企业创新效率的影响因素进行分析，主要结论如下。
（1）工业企业创新效率虽有不同程度的提升，但仍有较大发展空间和上升潜力，无论是整体创新还是阶段创新，效率值均偏低，特别是整体创新效率和研发性创新阶段效率。因此，在工业企业未来的发展过程中，不能盲目追加资源投入和扩大规模，要注重资源投入是否存在冗余和浪费，优化资源配置，提升整体创新效率。
（2）我国30个省（区）市当中，27个省份工业企业创新过程三个阶段之间强关联有效，3个省份为弱关联有效，说明三个阶段协调和整合较好，要在原有的基础上，进一步加强协调关系，促进协同创新效应的产生。
（3）通过对区域工业企业创新效率的差异性分析，可以得到，广东、青海和江苏等9个省份在基础性创新阶段、研发性创新阶段和成果转化创新阶段等三个阶段的创新效率都较高；
黑龙江、四川和贵州等6个省份在三个阶段的创新效率都很低；
其它省份至少有一个或两个阶段的创新效率都比较低。说明我国大部分省份工业企业创新效率不高，需针对低效环节采取措施，充分利用企业、高校和研究院的基础资源，优化产业配置，发挥协同优势，提升产业竞争力，促进工业企业加速发展。
（4）政府支持虽在研发性创新阶段具有正向作用，但基础性创新阶段和成果转化创新阶段均为负效应，导致政府支持对整体创新效率的抑制，说明过多的资金投入产生挤出效应。因此，政府在颁布优惠政策时，要注意技术创新的主体是企业，充分发挥市场作用。由于企业规模在整体创新效率中具有正向作用，说明企业规模越大、收益性产出也越大，政府相关部门应鼓励工业企业通过兼并、转让和联合等方式优化企业规模结构，以便进一步优化创新资源配置、提高整体创新效率。因此，企业所有制结构在整体创新效率中具有负向作用，是因为产权结构导致企业激励制度效率较低，管理滞后，创新未能正常发展。因此，企业应对其自身的激励机制和管理模式进行改进，使技术创新得到正常发展。市场开放程度在整体创新效率中具有正向作用，说明国际间的技术交流有利于技术创新，本土可在交流中学习先进的技术理念。因此，相关部门应大力开放市场，发挥市场良性竞争的一面，促进良好的创新资源配置因素在市场中充分流动。
猜你喜欢 基础性整体成果 验收成果小读者之友(2020年8期)2020-09-01关注整体化繁为简初中生世界·七年级(2019年8期)2019-08-29数说中国—东盟经贸合作成果中国报道(2019年8期)2019-08-292018数博会4大成果当代贵州(2018年21期)2018-08-29设而不求整体代换神州·下旬刊(2017年6期)2017-10-28一张图看懂“论坛成果清单”中国经济周刊(2017年20期)2017-06-01新课程背景下语文作业的优化设计试题与研究·教学论坛(2017年7期)2017-03-23以“1”为基础的数学教学探究成才之路(2016年21期)2016-08-06十二星座5月整体运程Coco薇(2015年5期)2016-03-29如何选择整体法与隔离法新高考·高一物理(2015年5期)2015-08-18本文来源：http://www.zhangdahai.com/gerenwendang/zhongguomengzhengwen/2023/0605/607395.html
