基于DEATobit模型南通科技创新效率分析.docVIP

基于DEATobit模型南通科技创新效率分析 　　摘 要：文章通过建立包括科技活动经费内部支出额等在内的科技创新投入指标，和专利授权、新产品开发数在内的科技创新产出指标，采用DEA的CCR、BCC模型和超效率模型从综合效率、技术效率、规模效率三方面通过对近17年来南通的科技创新效率进行纵向比较，采用DEA超效率和Tobit回归模型对2014年来识别影响南通市科技创新效率的主要因素。 　　关键词：南通；科技创新效率；DEA模型；Tobit回归模型 　　中图分类号：F207.7 文献标识码：A 文章编号：1008-4428（2017）06-58 -04 　　一、相关研究综述 　　孙凯、李煜华（ 2007）提出区域性创新效率低与其创新能力和经济发展水平没有确定的关系；樊华（2012）提出科技创新效率具有周期性波动的特点；刘凤朝（2007）提出我国科技创新效率的提高主要是由技术进步推动的；李婧等（2009）提出经费支出、人员投入对创新产出有显著正影响；肖仁桥等（2012）从企业价值链角度出发，运用规模报酬可变情况下两阶段链式关联DEA 模型及TOBIT模型分析研究不同性质的高新技术产业创新效率及两阶段的关联度。 　　二、DEA模型介绍： 　　（一）DEA评价模型C2R： 　　C2R模型主要分析各DMU相对其他DMU在“规模和技术”两方面是否同时有效。所谓“规模有效”，即指一定规模的资源所能达到的最佳效益，是指单位或行业处于规模收益不变阶段，即当各资源投入同时增加K倍，相应地产出也增加K倍；“技术有效”即指通过管理技术的充分运用，各项投入均得到充分的利用，是指在现有资源投入前提下，实现了最大的产出。C2R模型表示该单位或行业在有效生产前沿面上，且处于理想规模，称之为“总体有效”。 　　对C2R简称为“综合评价”，“DEA有效”，表述为“综合评价好”。 　　（二）DEA评价模型BCC 　　该模型主要对“DEA无效”“综合评价不好”的各DMU进行分析，考察其管理技术是否得到了应有的发挥，即在现有的规模情况下，各项投入是否均得到了相应的产出、因此经BCC模型对有关DMU分析后的有效结论，亦称为“管理技术有效”。 　　若判断模型（D）的最优解S*，S*，λ*，θ*满足θ*=1则称第j0个DMU为弱DEA有效；若不仅满足θ*=1，而且， S* =0，S* =0，λ*=0则称第j0个DMU为DEA有效。 　　（三）超效率模型 　　（四） Tobit回归模型 　　Tobit回归模型其概念最早是由诺贝尔经济学奖获得者James Tobin（1958） 提出的，是属于因变量受到限制的一种模型。 　　如果要分析的数据具有这样的特点： 因变量是部分连续和部分离散分布的数据时（因变量的数值是切割（truncat-ed）或片段（截断）的情况时），那么此时普通最小二乘法（OLS）就不再适用于估?回归系数， 这时遵循最大似然法概念的 Tobit 模型就成为估计回归系数的一个较好选择。 　　三、基于DEA模型的南通科技创新效率实证分析 　　（一）评价指标及指标值的确定 　　根据南通统计年鉴和本次企业创新调查数据，由于RD经费等相关数据资料不全，故根据相关文献，决定采用历年大中型工业企业研究与发展活动企业数代表创新的主体单位数，历年大中型工业企业研究与发展人员数作为南通科技创新的人力资源投入，历年大中型工业企业研究与发展经费支出总额作为南通科技创新的经费投入，历年大中型工业企业新产品开发项目数和被授予专利作为南通科技创新物化成果。 　　（二）南通科技创新DEA效率值计算 　　首先根据传统DEA算法算出南通科技创新的技术效率，纯技术效率，规模效率等。具体结果如表2所示： 　　由于使用DEA方法进行效率评价所得的结果与投入产出指标量纲无关，所以对决策单元基础数据不必进行无量纲处理。运用C2R模型与BC2及超效率模型进行进一步计算。 　　1.DEA的C2R和BC2模型计算 　　由表1中基础数据，运用C2R和BC2及SE-DEA模型，借助EMS软件，对17个决策单元科研投入产出效率以及非DEA有效决策单元的投入冗余与产出不足进行计算，其计算结果如表3、表4。 　　2.结果初步分析 　　从非DEA有效的11个决策单元的投入冗余与产出不足计算结果看，在初始投入值既定的情况下，11个决策单元要实现DEA有效，达到最佳效率，必须调整投入规模或结构。如2013年、2014年规模报酬递减，这表明初始投入过大，应缩减投入，才能实现DEA有效；2001年规模报酬递增，表明增加投入虽然可以提高效率，但由于投入结构不合理，未达到最佳匹配，所以不能实现DEA有效，只有减少投入，方能实现DEA有效。类似的，其他非DEA有效的决策单元，要实现DEA有