中国省域工业企业RD效率测度和评价.docVIP

中国省域工业企业RD效率测度和评价 　　内容摘要：本文利用全国第一次经济普查数据，基于因子分析和DEA分析法，对中国31个省域工业企业RD投入产出效率进行测算及分解评价研究，发现各省域工业企业RD投入规模和资源利用效率不同，技术效率、规模效率、拥挤程度和纯技术效率存在显著差异，造成RD资源利用效率方面显著的空间差异。一些沿海省域和直辖市的技术效率较高，而大部分西部省域和一些老工业基地的技术效率较低。各个区域应该依据其相对优势和劣势，优化RD资源配置和利用效率，提高RD活动的相对有效性，实施特色性的RD策略。 关键词：工业企业 RD效率 因子分析 DEA 经济普查数据 引言 研究与开发（RD）是推动技术进步的主要动力，也是促进经济增长的根本原因。RD投入的质量较之数量对自主创新活动的作用更为重要。在既定的投入水平下，RD效率作为投入转化为产出的能力，是衡量RD活动绩效的重要内容，可反映企业RD资源的利用效果。因此，国内外学者都异常重视RD资源投入效率的综合评价问题。我国各个省域的RD资源缺乏，而且分布不均衡，对RD资源效率的评价必须考虑投入产出效率问题，这对我国各个区域自主创新能力的提高具有重要意义。 单项和综合评价得分值，但是无法判断各个评价样本的投入与产出是否已经发挥最优的效率；而DEA方法由于其多投入多产出以及可测算获得各个评价样本相对效率值等特点，是研究RD资源投入产出问题的有效方法。但DEA不像主成分分析法和因子分析法那样，可从多因子中选择主因子作为投入指标。本文利用第一次全国经济普查数据中的工业企业科技活动数据，综合利用因子分析和DEA方法的优势，对中国大陆31个省、直辖市、自治区2004年的工业企业RD效率进行测度与评价研究，以期获得更加有效的政策启示。 基于因子分析的DEA测度方法 鉴于因子分析法和数据包络分析（DEA）各有优缺点，本文将先对RD投入产出多因素指标通过因子分析的降维处理，获得主因子作为投入指标，然后使用DEA方法计算技术效率、规模效率、拥挤程度和纯技术效率，最后再进行分析解释。 DEA作为评价多投入、多产出的决策单元是否有效的一种非参数统计方法，在进行相对效率分析时，该方法注重的是对每一个决策单元进行优化，所得出的相对效率是最有利于该决策单元的最优值。 根据效率研究的目标，DEA模型可以分为投入导向型和产出导向型两种。经过DEA计算的投入规模效率（Input Scale Efficiency）指数S（X， Y |S） ： （1） 一般而言，若S（X， Y | S）=1，则表示规模是有效的，若S（X， Y | S）F（X， Y | C，S），则表示规模报酬递减。 通过修改和增加约束条件，求得可变规模技术投入弱可处置条件下基于产出的NEW模型的最优值的倒数的技术效率F（X， Y | V，W ），为剔除了规模和处置能力变化对生产率的影响的纯技术效率（Pure Technical Efficiency，PTE）。进而定义拥挤程度（Congestion Measure，CM）为： （2） 最后，可得技术效率分解的表达式为： F（X， Y | C，S ）=S（X， Y | S ）×CM（X， Y | V ）×F（X， Y | V，W ） （3） 上式的含义是技术效率为规模效率、拥挤程度和纯技术效率的乘积。规模效率的含义是：如果规模效率指数为1，则评价地区的投入要素处于规模报酬不变阶段；如果规模效率指数小于1，则评价地区的投入要素或者处于规模报酬递增阶段或者处于规模报酬递减阶段。规模报酬递增说明同比增加要素投入将会获得更大比例的RD绩效；规模报酬递减说明增加要素投入将会获得较小比例的RD绩效。 投入要素拥挤程度是资源配置过程中的闲置、过剩或者利用效率低下的要素资源对生产经营活动以及其产出效益的阻碍和制约程度的测度。如果拥挤程度指数为1，表明该地区在投入上不存在要素拥挤；如果拥挤程度指数小于1，那么表明存在着要素拥挤。通常来说，一个处于规模报酬递减阶段的地区更容易出现要素拥挤，但是一个地区可能同时处于投入要素的规模报酬递增阶段和某种要素的拥挤阶段。 省域工业企业RD效率测度及评价 根据DEA的评价原理，我们假定工业企业RD绩效的函数满足两个条件：一是规模报酬不变（CRS），二是投入要素强可处置（SDI）。另外，由于我国目前RD资源的投入情况是，一方面RD经费投入严重不足，与世界发达国家和地区相差甚大，同时还存在着利用效率不高的问题；另一方面，我国又是世界头号RD人力资源大国，我科技人员总数已居世界第一、研发人员总数居世界第二位，但高层人才依然短缺，且空间分布不均衡。由此可见，优化RD投入的资金和人力资源、并