论文投稿_医学论文投稿_核心期刊,职称论文投稿发表_论文部落

　　另外,规模效率可通过CRS条件下的技术效率与VRS条件下技术效率的比值获得(Coelli和Rao等,2005)。根据Simar和Wilson(2007),同样的统计推断问题也会在利用传统DEA两阶段法分析规模效率的影响因素时出现。因此,本文在分析政府投入与市场化程度变量将如何影响大中型工业企业创新活动的技术与规模效率时,都应用了上述两阶段半参数DEA方法的单进程自助算法。

　　二、变量选取与数据描述

　　本文的研究对象为中国内地30个省级行政地区2001～2007年大中型工业企业创新活动的技术与规模效率。我们所使用的数据主要来源于2002～2008年的《中国科技统计年鉴》、《中国统计年鉴》、《中国工业统计年鉴》与《中国市场化指数———各地区市场化相对进程2009年报告》③。西藏的数据资料缺失较多,因此在后续分析中暂不予以考虑。为了消除价格波动的影响,本文以2001年为基期对有关价值变量的数据进行了调整。

　　1.创新投入与产出变量

　　创新活动的投入变量在有关文献中经常用R&D经费支出和R&D人员全时当量表示(Sharma和Thomas,2008;李习保,2007;韩晶,2010)。但正如Griliches(1980),吴延兵(2006)及白俊红、江可申等(2009)指出的,研发创新活动对知识生产的影响具有持续性,因此,研发活动的资本投入指标应当选用R&D资本存量。RDSi0是基期R&D资本存量,Ii0是基期实际R&D经费支出,g为样本期间内实际R&D经费支出的平均增长率。由此就可测算出各地区工业企业各年的R&D资本存量。另一方面,消化吸收支出是消化吸收引进的国内外技术的支出,对于正处在转型与发展期的中国经济而言,其工业企业的技术创新除了自主研发外,仍有相当一部分的创新活动是在吸收消化引进先进技术的基础上进行的(俞立平,2007),因此消化吸收支出也是本文所选取的一个技术创新投入变量。本文中技术创新活动的劳动力投入指标为R&D人员全时当量,其值是全时人员数与非全时人员按工作量折算成全时人员数的总和。综上,本文选取的技术创新活动的投入变量分别为R&D资本存量(RDS)、消化吸收支出(DAE)与R&D人员全时当量(RDP)。

　　本文设定的技术创新产出变量为发明专利申请量(PATENT)和新产品销售收入(NPS)。由于其通用性、一致性和易得性,使用专利代表技术创新产出是以往有关文献中的通常作法,并且也有研究表明利用专利衡量创新产出具有一定的可靠性(Hagedoorn和Cloodt,2003;李习保,2007)。以专利衡量创新产出所面对的主要质疑为有些发明并没有申请专利或者虽已申请但由于原创性不强而未能得到授权,但对于处在整个国际分工链条末端的发展中国家的工业企业而言,因原创性不强而最终未能获得授权的发明在其生产经营活动中却依然能够发挥出增加产出或价值增值的作用,因此仅用专利授权量反映创新活动的全部成果就存在着明显的不足,而已经被受理的专利申请量则是整个产业创新能力的基础(孙文杰、沈坤荣,2009;韩晶,2010),更能反映出大中型工业企业的技术创新成果。

　　另外,专利申请量也不能准确反映创新成果的转化能力和市场价值,因此我们还选取了新产品销售收入作为衡量创新产出的另一个指标。以发明专利申请量和新产品销售收入来计量技术创新的产出,综合考虑了创新的理论产出与实际产出,因而能较为全面地反映出大中型工业企业技术创新的产出成果。专利申请与发明成果转化为新产品销售收入相对于创新投入而言均有一定的滞后性,但同时考虑到申请的速度会快于专利授权,并且工业企业面对日趋激烈的市场竞争,将会具有较强的创新成果转化动力,故而本文设定的创新产出的滞后期为0年或1年。

　　2.效率影响因素与控制变量

　　本文的研究目的是考察政府投入力度(GOVERNR)与市场化程度(MINDEX)对中国大中型工业企业创新活动的技术与规模效率的影响方向和程度。其实,更长滞后期的设定将使得本文在利用两阶段半参数DEA方法进行技术创新效率影响因素分析时的样本容量过小,从而给有关的统计推断带来困难。我们这里用地方政府对本地区大中型工业企业创新活动的资助额除以地区总科技经费筹集金额,以此得到地区政府投入力度指标,它也近似地反映了大中型工业企业技术创新活动受地方政府影响的程度(王小鲁,2010)。各地区市场化程度则是采用了樊纲、王小鲁等(2010)给出的以2001年为基期的各省区市场化指数为度量指标。市场化指数从政府与市场的关系、非国有经济的发展、产品市场的发育、要素市场的发育程度,以及市场中介组织的发育和法律制度环境等五个方面全面衡量了我国各省区市场化的进展状况,概括地反映了市场机制在推动行为主体进行技术创新等经济活动中的地位和作用。

　　另外根据李习保(2007)、白俊红、江可申等(2009)、潘雄锋、刘凤朝(2010)与刘和东(2010)等,本文设定的与大中型工业企业有关的地区创新环境控制变量包括:产业结构和集群特征指标,用地区工业总产值中轻工业产值的比重(LTOPUT)与工业总产值中高技术行业产值比重(HTOPUT)来表征;地区经济技术对外开放程度,用外资占全社会固定资产投资的比重(FITI)来表示;地区劳动者素质,用教育经费总额在当地GDP中的占比(ETOG)表示;地区基础设施与有效需求水平,用人均国内生产总值(PGDP)来代表。

　　由于在建立技术创新效率影响因素的经验方程时存在主要解释变量和其他控制变量,如果这些变量之间存在严重的多重共线性,则有关参数估计的准确性就会受到较大影响。因此,我们给出了这些变量两两之间的相关系数。可以看出,这些变量之间的相关性并不是很严重。共线性诊断得出的条件指数(ConditionIndex)为25,各变量方程膨胀因子(Vif)的均值是2.72。因此,尽管各变量之间存在着一定的多重共线性,但其仍在可以接受的范围之内,不会给本文的实证分析带来太多困扰。

　　三、实证分析

　　Coelli和Perelman(1999)的研究表明,在大多数情况下,投入导向或产出导向DEA模型的选择对于所得结果的影响是很小的。为了本文离群值检测与两阶段半参数DEA方法应用的方便,同时假定厂商希望使用给定创新资源投入量,能够获得尽可能多的技术创新产出,本文设定的效率估算模型均为产出导向的。

　　本文数据集的截面数只有30个省区,样本期间仅为7年,期间所有省区大中型工业企业所面对的宏观经济环境具有很强的同质性,计算得到的分年度创新效率值的区分度很小。

　　为此,本文采用截面与时间序列数据混合样本集进行效率计算,这也相当于是在得出一个跨年度的共同创新产出前沿,使各省区工业企业在同一标杆的标准下进行比较。另外,李新春、李胜文等(2010)也认为如果对不同地区或不同产业估算创新效率时采用不同的生产前沿作为参照物,就会导致地区间的创新效率难以进行比较,他们的实证分析则进一步表明,根据共同前沿的假设来估计效率值是适当的。

　　根据Simar(2003)提出的离群值检测方法和判别标准,在本文样本容量N为210的情况下,检测出来的离群值的合理上限为15个。应用R软件2.11.1编程估算,并参照给出的离群条件,对应切尾参数和门槛参数的组合(m,α)的选择为(75,0.5)。经估算,在创新活动的产出滞后期设定为0年时,样本期间内中国各省区市大中型工业企业创新活动的平均技术效率为0.512,平均规模效率为0.469;而当产出滞后期设定为1年时,创新活动的平均技术效率为0.484,平均规模效率为0.512。进一步,为了方便进行跨年度效率值变化的直观考察,我们将中国大中型工业企业创新活动的年度平均技术与规模如下。

　　可以看出,无论产出滞后期的设定是0年或者1年,中国大中型工业企业创新活动的平均技术效率都呈现出了整体上升的趋势。虽然这一趋势曾于2004年出现回落,但在随后的年份里,创新的平均技术效率又出现了逐步上行的态势。另一方面,创新活动平均规模效率的走势则有所不同,从图中可见,中国大中型工业企业创新活动的平均规模效率曲线自2001年以来出现了逐渐上升的趋势,在2004～2005年前后就已经到达了峰值,之后却又开始持续下行,并在2007年探底。总体上不难发现,工业企业创新的年度平均技术效率与规模效率的走势在2006年左右的时候开始出现分化。

　　我们也曾在经验方程式中加入了政府投入与市场化程度变量的交乘项,但发现交乘项的系数估计值是非常不显著的,因此这里不再考虑有关这两个变量交互作用的“门槛效果”。中国大中型工业企业创新活动的年度平均技术与规模效率δi=β0+β1GOVERNR+β2MINDEX+x′iβ+εi(6)χi=γ0+γ1GOVERNR+γ2MINDEX+x′iγ+ei(7)其中,δi与χi分别为创新活动技术效率(TE0或TE1)和规模效率(SE0或SE1)估计值的倒数,xi是环境控制变量向量的第i个样本观测值,β与γ为对应的系数向量,εi和ei是干扰项。中国30个省区大中型工业企业技术创新的环境控制变量为LTOPUT、HTOPUT、FITI、PGDP、ETOG。回归方程式中所有比率变量的单位均为百分数,并对价值变量取其自然对数值。这里我们没有构建固定效应的截尾回归模型,因为这种设定方式会导致估计出现偏误(Wooldridge,2002),而本文是将中国30个省区大中型工业企业的技术创新作为研究对象的,样本并非来自于一个很大的总体,因此个体效应也不宜被设定成随机的。另外根据已有文献,本文所选取的环境控制变量也已经概括地反映了不同省区的异质性。

　　《数量经济技术经济研究》2011年第4期同样地,模型1和2的被解释变量分别为大中型工业企业创新活动技术效率TE0与TE1的倒数δi;模型3和4的被解释变量则分别是技术创新规模效率SE0与SE1估计值的倒数χi。模型2与4也可以分别被视为模型1和3的稳健性检验。反之亦然。卡方检验的P值部分地表明了经验截尾回归模型在整体上是显著的。政府投入变量对于δi的影响方向为正,但并不显著;其对创新产出滞后期为0时χi则具有较为显著的正向影响,经过截尾回归修正因子的调整可知,在政府投入的均值处,投入水平增加1%,就会使滞后期为0时的χi上升0.021%,相应的规模效率则会减少大约0.021%。

　　市场化程度对δi的负向影响在1%的显著性水平上统计显著,根据修正因子调整后的结果,在市场化程度的均值处,若其提高1%,创新产出滞后期为0时的δi就下降0.958%,相应的技术效率则会上升约0.967%;当滞后期为1时的δi也会随着市场化程度在其均值处1%的提高而降低1.156%,相应的技术效率则会上升约1.170%。另一方面,市场化程度与χi之间则表现出了较为显著的正向关系,调整后的结果表明,在其均值处,市场化程度提高1%,滞后期为0时的χi就会上升0.659%,相应的规模效率则降低了0.655%;而滞后期为1时的χi也会上升0.460%,对应的规模效率则降低了0.458%。

　　概括而言,政府投入与中国30个省区大中型工业企业创新活动的技术效率之间具有不显著的负向关系,并且其对创新活动的规模效率具有一定程度上显著的负向影响。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。