基于DEA算法的高技术产业相对效率分析

基于DEA算法的高技术产业相对效率分析

【摘要】 DEA算法自1978年提出以来就成为研究决策单元相对效率的有力工具。本文运用DEA模型对我国31个省市2008—2011年高技术产业效率进行分析，认为大多数省市并非DEA有效。接着对MALMQUIST指数的影响因素进行实证分析，发现研发经费投入、研发人员以及FDI对全要素效率的影响较大，而高等教育对全要素效率存在滞后效应。

【关键词】 DEA MALMQUIST 高技术产业 全要素效率

一、引言

高技术产业被定位为：研发（R&D）经费占总产值的比例远高于各产业平均水平的产业。根据《中国高技术产业统计年鉴》的统计数据，其对经济增长的贡献远远高于其他产业，再加上政府采取的扶持政策，使得高技术产业在近几年保持迅猛的增长势头，总产值由2000年的10411.47亿元增长到2011年的88433.9亿元，增长了8.5倍。但是全国范围内的高增长并不能掩盖各地区增长速度的不平衡以及投入产出效益的差别，因此分析高技术产业效率的地域间差异及其影响因素对于各地因地制宜调整政策，促进高技术产业的发展具有重要的现实意义。

研究高技术产业的文献比较多，大体上有以下两种研究思路。一是从产业的角度出发，比较高技术子产业的相对效率。尤勇、纪晓峰（2005）利用DEA的方法对我国高技术产业的技术效率和规模效益进行实证分析，得到整体上我国高技术产业的技术效率和规模效率较低的结论；刘志迎（2006）、徐晔和张秋燕（2009）采用非参数的Malmquist指数对高技术五大类行业的技术效率和配置效率进行了实证研究，并提出了四点建议。梁俊（2012）基于四重分解模型分析17个子行业2000—2009年的劳动生产效率，得出技术效率变化、技术进步和人力资本积累三者在总体上对劳动效率的提高起正向促进作用。二是从区域的角度出发，比较各地区高技术产业的整体效率差异。林秀梅、徐光瑞（2010）运用因子分析法从静态、动态两方面将我国31个省市高技术产业划分为A、B、C三类，得出我国高技术产业竞争力主要来源于规模产出，其贡献率为52.83%～53.75%，远远高于技术创新。

综上可以看出，大部分文献都是从产业的角度对高技术产业进行测度和分析的，指出资源配置是否有效，但是普遍存在的一个缺失是未对引起效率高低的影响因素做进一步的挖掘。本文从区域的角度出发，分析各个区域高技术产业的效率差异，并试图找出产生差异的原因。

二、研究方法及模型选择

目前对效率的测度方法主要有随机前沿方法（SFA）和数据包络分析（DEA）方法。SFA采用计量的方法对生产前沿面进行估计，在估计的过程中需要事先已知生产函数的具体形式，并依赖于随机变量的分布假设。如此一来，在估计过程

中不可避免地存在主观倾向。为了克服上述缺点，在实践中普遍使用的是数据包络分析（DEA）方法。DEA方法使用观测到的样本数据构成的前沿面作为生产函数，把观测值和前沿面的偏差都当做无效率的结果。DEA和SFA相比，优点在于：不需要生产函数的具体形式，不需要随机性假设并且可以用线性最优化的方法求解前沿面。

三、指标的选取及实证分析

在DEA算法中，效率指的是投入产出比。在经典经济学中，投入要素包括土地、资本和劳动。由于无法单独测算出高技术企业的用地面积，所以土地这个投入要素暂时未予以考虑。针对高技术企业研发投入高的特点，本文选择高技术行业中的研发人员作为劳动投入变量，选取各地区高科技企业的总资产作为资本投入变量。变量数据均来源于《中国高技术产业统计年鉴》。在产出方面，总产值、主营业务收入、利税三者都是衡量企业产出的常用指标。运用DMAP2.1软件运算后的统计结果如表1所示。

在评估年度内，北京、上海、山东、西藏四个年度内CRS模型有效，即技术有效并且规模有效。另外，内蒙古三个年度有效，江西二个年度有效。从整体上看，处于规模报酬递减（drs）的地区数要多于规模报酬递增（irs）的数量，说明多数省区高技术产业已经超过最优点，不能发挥规模效应。

上述相对效率测度的是既定时期各省市投入产出与生产边界的相对关系，是一种静态分析；而Malmquist指数分析的是各省市投入产出与生产边界的相对位置变化（effch），以及生产边界的移动（techch），它是一种动态分析（王兵等，2010）。表2是2008—2011年高技术产业Malmquist效率指数及其分解结果。

从表2可以看出，四年内各省市高技术产业的全要素生产率均出现正增长，但是增长速度差别较大。增长最快的是宁夏回族自治区，达到46.4%。增长最慢的是河北省，只有2%的增速。从Malmquist效率指数分解来看，技术进步指数techch均大于1，四年内普遍取得技术进步。但是在考察效率变化时，各省市的effch并不都是大于1，说明有部分地区和生产前沿面的距离越来越大，如河北、吉林、黑龙江等省市。特别是河北省，虽然四年内技术进步率是21.3%，仅次于广西和甘肃，位居第三，但是effch却下降15.9%，最终导致全要素Malmquist排名最后。

四、Malmquist指数的影响因素分析

政府已经意识到高技术产业对于提高国家竞争力的重要作用，各地对于高技术产业在土地、财税政策上的扶持也越来越趋同，但各地的高技术产业效率存在一定的差异。对此，本文选择MALMQUIST指数作为因变量，选择以下几个因素作为自变量进行具体分析。

1、RDfees研发经费投入。所谓高技术产业是指研发（R&D）经费占总产值的比例远高于各产业平均水平的产业。研发经费的投入有利于企业掌握核心技

术、加快新产品的推出速度，增加产品的附加值，强化核心竞争力，对于企业乃至整个行业都具有举足轻重的作用，因此将其纳入自变量。

2、RDers研发人员数。研发人员全时当量（单位万人年）这一指标将全时研发人员和研究人员的研发时间进行折算。因全时当量和RDers高度相关，所以选择二者之一的RDers作为自变量。3、EDUfees教育经费投入。高技术产业的发展需要大量高技术人才的支持，在教育发达的省份其高技术产业的效率一般较高，教育经费的投入对于高素质人才的培养起着不可或缺的作用，投入的高低决定了高等教育毕业生的数量和质量，对高等教育经费的投入也可能成为影响高技术产业效率的因素。

4、FDI。外资不仅能弥补发展中的资金短缺，而且可带来外国先进的技术、管理经验，引进外资对于加快产业改造升级尤其是高技术产业的发展具有十分重要的作用。因此本文把外商直接投资也作为因变量。

上述统计数据来自于《中国高技术产业统计年鉴》、《中国教育年鉴》以及各地的统计年报、公报等。本文采用上述自变量的对数值，这样做的好处一是可以减小自变量的值，更重要的是对数化以后自变量前的系数表示弹性系数，有十分明确的经济学意义。

借助EViews 6.0，采用OLS算法，得到下列结果：

M=0.8732+0.0367？鄢RDers+0.0512？鄢RDfees-0.0021？鄢EDUfees+0.0395？鄢FDI+？着

（2.7423） （3.6942） （1.9054） （3.0173）

R2=0.93

从上式可以看出，RDers、RDfees、FDI三个因变量在5%水平上显著，对MALMQUIST指数有正向促进作用，RDers的系数是0.0367，也就是说研发人员增加1%，全要素效率将增加0.0367%，其他自变量也有类似结论。研发人员、研发经费和FDI在当期就能对全要素生产率产生积极影响。但是EDUfees的系数为负且未能通过5%的显著性检验，与常识不符，这可能是因为高等院校毕业生刚刚走出校门参加工作，技能和经验的积累需要一个过程，新人的加入会暂时性拉低产业的全要素平均效率，对高技术产业效率的提升存在滞后效应。但是从长期来讲，毫无疑问高等教育为高技术产业输送大量高素质的合格人才肯定会促进全要素效率的提升。

五、结论

我国高技术产业整体效率较低，多数省市存在规模过大已经处于规模收益递减的阶段。从MALMQUIST指数分解来看，2008—2011年全国各省市高技术产业普遍取得了技术上的进步，但是技术效率则表现不一。通过对全要素效率影响

因素的分析发现，研发人员、研发经费和FDI对全要素效率促进作用明显，而高等教育经费对效率的提升存在滞后效应。

【参考文献】

[1] 魏权龄：评价相对有效性的数据包络分析模型：DEA和网络DEA[M].北京：中国人民大学出版社，2012.

[2] 张伟、吴文元：基于环境绩效的长三角都市圈全要素能源效率研究[J].经济研究，2011（10）.

[3] 刘志迎、叶蓁：中国高技术产业各行业技术效率的实证分析：基于非参数的Malmquist指数方法[J].科学学与科学技术管理，2006（9）.

[4] 徐晔、张秋燕：中国高技术产业各行业资源配置效率的实证研究：基于DEA-Malmquist指数方法[J].当代财经，2009（12）.

[5] 梁俊：中国高技术产业的劳动生产率差异——基于DEA的实证分析[J].上海经济研究，2012（3）.

[6] 林秀梅、徐光瑞：我国高技术产业竞争力省际比较[J].当代经济研究，2010（5）.

[7] 王建刚、于英川：我国高新技术产业竞争力比较研究[J].工业技术经济，2004（1）.

[8] 王兵、吴延瑞、倪鹏飞：中国区域环境效率与环境全要素生产率增长[J].经济研究，2010（5）.