基于DEA中国区域RD效率测度及聚类分析.docVIP

基于DEA中国区域RD效率测度及聚类分析 　　摘要：通过测量我国31个省级区域RD全要素效率、单个投入变量和单个产出变量的效率，并依据三种产出导向的效率得分对各决策单元（DMU）进行聚类分析。我们发现北京、上海在技术交易（技术开发、咨询与服务）CCR效率方面具有绝对优势；以中部各省为主体的九省市及北京、上海科技论文产出效率得分表现突出；浙江、广东、江苏、山东等六省市在技术创新与发明方面居于领先地位；而大部分西部地区以及福建、江西科技产出CCR效率全面落后。 　　关键词：RD效率；数据包络分析；聚类分析 　　中图分类号：F224 文献标志码：A 文章编号：1001-862X（2012）04－0045－006 　　高效的RD活动是国家、地区和企业竞争力的源泉。为了促进RD效率提高，必须能正确地测量和评估RD的效率，许多学者关注并研究RD效率的测量问题。衡量绩效的方法如比例分析??、加权平均法、变异系数法等，都只能针对单项指标的绩效进行评比，而多指标的综合性评估，容易受决策者主观意见对权重的影响，或是利用数学期望值估计，使得绩效评估的结果较不客观。因此，本研究应用DEA绩效衡量工具进行运算分析，通过收集各地区决策单元（DMU）的投入产出数据，对决策总体进行效率评估，找出无效率决策单元，发现差距存在的具体影响指标及差距的大小。并以DEA得分为基础，对各决策单元分层聚类，帮助我们对不同类别的地区进行比较研究。 　　一、理论背景 　　（一）关于RD效率 　　众所周知，效率被定义为产出与投入的比率。相同投入情况下产出越多，或是产出相同情况下投入越少，都被认为是生产效率的提高。在大部分情况下，我们可以容易地测量单个投入指标的效率，比如：劳动生产率、资本效率。他们都是单个产出与单个投入的比率。然而，单个要素的生产率并不能解释产出变化全部影响因素。为了克服单个要素生产力测量中对生产效率变化解释力的不足，人们引入了全要素生产率（TFP），以测量单个投入要素作用之外的效率变化。它等于产出的增长率减去单个投入要素的平均增长率［1］。 　　（二）关于DEA 　　DEA是一种不需要作任何先验性假定的非参数效率测量方法。一个决策单元的DEA效率可以通过估计其输出与输入的比率和与其他决策单元的比较予以评估。DEA模型可以划分为CCR型和BCC型。两种模型的区别在于它们分别处理的规模报酬假设不同。前者假定生产活动的规模报酬不变；而后者假定规模报酬可变［2］。因为RD活动在大部分情况下显示出规模报酬不变的特点，因此本篇采用CCR型的DEA方法。DEA模型还可以根据模型要解决问题的目标予以划分：最大化产出或是最小化输入。因为RD的目标在于扩大输出而不是减少投入，因此这里采用输出导向的DEA模型。 　　输出导向的CCR型线性规划式可作如下表示：假设一生产过程的投入与产出可能集为P，其中P中有n个同质（homogeneous）的决策单元（DMU），每一个DMU使用m项投入x，并获得s项产出y。则其中第k个DMU的效率，表示为 　　这里xik，是第i个输入变量，yrk是第r个输出变量，vi是第i个输入变量的权重，ur是第r个输出变量的权重，k 表示被测量的决策单元。为了测量每一个决策单元的效率，k个决策单元，模型将重复的分析k次。是一个大于0的常数，它的存在是为了保证各投入产出变量的权重非0。 　　二、数据的选择与处理 　　（一）变量的选择 　　关于RD计算中的要素投入，无外乎资本投入和劳动投入。劳动投入即是RD人员数，取不同年度的存量。RD支出或研发强度为资本投入，在过去的文献中这一数据一般都取流量。本文认为科研活动所需要的实验设备和仪器等各种科研物质手段，是长期累积的结果，应当取存量。t 时期的RD资本存量（Rt）等于当期新增加的投入rt加（t-1）期的存量（Rt-1）再减去折旧（为折旧率?啄）。 　　Rt=rt+（1-?啄）Rt-1=rt+（1-?啄）rt-1+（1-?啄）2rt-2+…… 　　为了计算初始的RD资本存量，我们先假定过去每年投入的增长率为常数?姿，则： 　　Rt=rt+■rt+■rt+…=■rt 　　在用于表明RD产出的变量选取方面，不同学者的选择互有差异，有的只把专利数量或是根据技术重要性或质量调整后的专利数量作为产出对象。有的认为专利只代表了RD产出的一个部分。科技期刊发表的论文数、技术收支盈余数以及新产品开发的数量都是RD的产出变量［3］。参考过去文献产出变量选取方案，结合资料的可获得性，本文拟选择技术交易成交额、论文产出和专利产出三个RD产出变量。这样就有两个输入变量和三个输出变量（见表1）。 　　RD支出和研发人员数分别代表资本投入和劳动投入。技术成果交易额、科技论文和专利授权量作为输出变量。技术成果交易额是科技产出的最直接表征，它包括