《基于DEA—Malmquist我国高技术产业创新效率分析资料》由会员分享，可在线阅读，更多相关《基于DEA—Malmquist我国高技术产业创新效率分析资料（14页珍藏版）》请在金锄头文库上搜索。
1、技术创新与管理硕士生课程论文研究生姓名:年欢 得分：基于DEAMalmquist我国高技术产业创新效率分析摘要：文章采用BCC模型测算了20002008年中国28个省份的高技术产业的技术创新效率，并使用DEA-Malmquist生产率指数测算了28个省份高技术产业的全要素生产率（TFP）的变动。研究表明：中国大部分省份高技术产业的技术效率不高，且省际间技术效率差异较大，主要由规模效率的差异所导致；东、中、西部地区高技术产业的技术创新效率呈现上升趋势；中国高技术产业的TFP有所上升，但是各地区 TFP 增长的源泉不同：东部地区主要依赖于技术进步，中部地区主要依赖于技术效率的增长，而技术退步是西部
2、地区 TFP 负增长的主要原因。关键词：高技术产业；数据包络分析；Malmquist指数On the basis of high-tech industrial innovation Malmquist DEA - efficiency analysisAbstract: the article USES the BCC model estimates the 2000-2008 years of Chinese 28 provinces of high technology industry technology innovation efficiency, and USES DEA - M
3、almquist productivity index of 28 provinces of high technology industry total factor productivity (TFP). Research shows that most of Chinas high technology industry technical efficiency is not high, and technical efficiency are different between provinces, mainly by the difference caused by the effi
4、ciency of scale; Eastern, central and western regions of high technology industry technology innovation efficiency rise; TFP in Chinas high technology industry has increased, but the source of TFP growth in different regions is different: the eastern region mainly depends on technical progress, the
5、central region mainly depends on the technical efficiency of growth, and technology retrogression is a major cause of TFP growth in the western region of China.Key words: high technology industries; Data envelopment analysis (dea); Malmquist index1.引言 当前，高技术产业已成为一个国家和地区拉动经济增长和社会持续发展的重要手段，发展知识密集、技术密集
6、、附加值高的高科技产业成为中国转变经济发展方式的必然选择。近年来，中国高技术产业也有了很大的发展。截止到2011年，中国高新技术产值达到8843亿元，占国民生产总值的18.73%，已成为拉动国民经济增长和促进产业结构调整的重要力量。随着高技术产业在国家经济和社会发展中的作用越来越显著，国家也逐渐加大对高技术产业人力物力的投入。数据显示，近年来中国高技术产业的投入持续攀升。R&D经费从1998年的56.45亿元，增长到2007年的545.32亿元，年均增长28.44%；R&D人员总量也有大幅度增长，从1998年到70879人，增长到2007年的248228人，年均增长14.94%。但是，仅仅加大
7、对高技术产业的资源投入就能够提升其生产效率吗？数据显示，高技术产业的新产品销售收入从1998年的1207.254亿元，增长到2007年的10303.222亿元，年均增长只有 26.68%，比R&D经费年均增长率还低。由此可见，中国高技术产业的发展不仅要注重生产要素的投入，更要注重生产要素的合理利用，即生产效率的提高。相对于发达国家，中国科技创新资源存量严重不足。因此，对中国各个省份的高技术产业的技术创新效率的测算与评价有利于当地政府认清自身发展的不足，从而制定合理的发展规划策略，实现高技术产业的可持续发展。2.文献综述 目前，国内外学者对于高新技术产业创新效率进行了很多研究。研究表明，对于高新
8、技术产业创新效率的度量有利于其向集约型生产方式进行转变，并且有利于改善高新技术产业的创新活动。当前国内外学者主要从两个角度研究中国高新技术产业的创新效率。一是从行业的角度，对高新技术产业内部的五大行业的创新效率进行测算和分析。Sun 等测算了韩国制造业的技术创新效率，指出在高技术产业和低技术产业都存在技术进步，需要对技术进步和技术效率这两方面加以改进；杨惠瑛从研发的角度测算了中国高技术产业的R&D效率，指出高技术产业技术效率较高，但规模效率高低不一的状况；石光等利用19962007 年中国高技术产业的面板数据，估算了中国高技术产业研发投入对于高技术产业发展的作用；冯缨从横向比较和纵向分析两个角
9、度评价了江苏省域际高技术产业技术创新效率，及高级产业中各个行业的技术创新效率陈程等从创新链的角度，采用二段DEA模型测度了19992008年中国高新技术产业的创新绩效，并对其影响因素进行了分析；官建成等测量了五大高技术产业中的15个细分产业 20012004 年的技术创新效率，指出中国高技术产业纯技术效率有所改善，但规模效率逐年恶化；朱有为等使用随机前沿生产函数测算了中国高新技术产业研发效率，并分析了企业规模等因素对研发效率的影响；赵莉、单春霞采用DEA-Malmquist方法计算了五大高技术产业的技术进步指数和 TFP 指数；方毅等采用Malmquist指数测算了中国高新技术产业不同行业的动
10、态研发效率；吕品等测算了19952007年中国高技术产业17个行业全要素生产率的 Malmquist指数，指出中国高技术产业技术进步较低，且创新能力不足，与发达国家相比存在很大差距。二是从地区角度，对不同地区的高技术产业技术创新效率进行测量。Raab等对2002年美国50个州的高新技术产业的技术效率进行了评价和分析；Lu 等利用DEA- Tobit模型对台湾194家高新技术企业的研发效率进行了评价，并对效率的影响因素进行了分析,探索高技术企业效率无效的原因所在；苏屹等使用改进DEA模型对各个省份高新技术产业技术创新绩效进行了研究，认为中国高新技术产业对中间成果过分注重，但对商品化阶段成功重视不
11、足的问题；肖仁桥等使用二阶段DEA模型从价值链的角度，对中国28个省份20052009年高新技术产业的创新效率和影响因素进行了分析，指出高技术产业整体效率及分阶段效率较低，政府支持、企业规模、劳动者素质、产业结构等都对高技术产业的创新效率有着显著影响；余泳泽从价值链的角度对省际高新技术产业技术创新效率及影响因素进行了分析，认为两个阶段的技术创新的平均效率偏低，且呈现逐年恶化，这主要是由于纯技术无效率，且市场化程度、企业规模、政府政策支持和企业自身的经营绩效对各地区高技术产业技术创新效率均有正的影响；冯锋等使用链式网络DEA测算中国29个省的科技投入效率，指出中国两阶段的科技投入产出链的效率在省
12、区和区域都存在差异；余永泽等采用随机前沿模型计算了19962007年中国高技术产业的研发效率，发现中国高技术产业研发效率整体较低，但呈现逐年改善的趋势，而且呈现出一定的空间差异性。上述文献从各个角度对中国高技术产业技术创新效率进行了测算，但是对于中国各个省份高技术产业的全要素生产效率（TFP）的变动趋势及其变动源泉的研究较少。因此，本文首先采用DEA的传统模型对中国各个省份高技术产业技术创新的技术效率、纯技术效率和规模效率进行分析，探讨中国省际高技术产业技术创新效率的差异所在；再采用DEA的Malmquist指数来测算和分解高技术产业的TFP，考察各个省份及地区的技术效率和技术进步对其TFP增
13、长的影响，从而找出TFP增长的源泉所在，期望为各个省份优化产业资源配置提供科学依据。3. 研究方法与指标选取3.1研究方法介绍3.1.1数据包络分析数据包络分析（DEA，Data Envelopment Analysis）是以相对效率概念为基础对同部门或同单位多投入、多产出经济系统的相对有效性或相对效益进行评价的一种方法。Charnes、Cooper和 Rhodes于1978年首先提出了规模报酬不变的CCR模型。而后，Banker、Charnes 和 Cooper在1984年用规模报酬变动假设取代了CCR模型的固定规模报酬假设，发展成 BCC 模型。BCC模型可以区分纯技术效率和规模效率，能够
14、评价决策单位在生产技术既定的情况下是否处于生产规模最优。基于此，本文采用DEA方法中的BCC模型对中国各省份高技术产业技术创新效率进行测度。设有n个决策单元，每个决策单元有输入向量输出向量Y=，对于任意的决策单元DMUj,在凸性、锥性、无效性和最小性的公理假设下，其生产可能集：。可得到以下DEA模型： （1）公式是考虑规模收益不变的C2R模型，若在限定的条件再加上，则得到规模收益可变的BC2模型。其中，表示决策单元的技术效率值（TE），S+和S表示决策单元投入冗余与产出不足。若=1.且S+=S-=0，则说明该决策单元DEA有效；若=1.且S+=S-0，则说明该决策单元弱DEA有效；若1，则说明
15、该决策单元为DEA无效。3.1.2Malmquist生产效率指数 Malmquis指数方法是基于DEA而提出，并用来考察跨时期的多投入和多产出变量间的动态生产效率，并由此测定全要素生产率的变化。Malmquist指数将TFP分解为技术进步变化和技术效率变化两个部分。而技术效率变化又可进一步分解为纯技术效率变化和规模效率变化。通过对 TFP 的分解，我们可以对效率和技术的变动情况进行测量，从而有利于TFP增长推动的内在因素进行研究。根据 Fare 等于 1992 年对 Malmquist 指数的定义，其表达公式如下：其中，和是分别根据生产点在相同时间段即（t和t+1）同前沿技术相比较得到的投入距离函数；和分别是根据生产点在混合期间同前沿面技术相比较得到的投入距离函数。另外，根据Fare等人的研究，Malmquist生产率指数可以分解为技术效率变化和技术变化两部分，其中技术效率变化又可进一步分解为纯技术效率变化和规模效率变化。公式（2）可变形为： （3）其中，第一项表示规模效率变化Sech，第二项表示纯技术效率变化Pech，第三项表示技术进步Tech，且第一项和第二项的乘积表示技术效率变化Effch。根据公式（3），TFP 的变化可分解为规模效率的变化、纯技术效率变化以及技术进步。Sech1，意味着生产存在规模效
