DEA的技术创新论文

2022-04-18

摘要：文章采用数据包络分析（DEA）方法，以江苏省高技术产业2004年相关数据为研究对象，对高技术产业不同行业的技术创新情况进行了实证研究。通过对投入与产出效率差距的分析，指出了技术创新相对有效与非有效的行业，并找出该行业目前存在的一些问题，为今后政策的制定和行业的发展提供了依据。下面是小编整理的《DEA的技术创新论文(精选3篇)》的文章，希望能够很好的帮助到大家，谢谢大家对小编的支持和鼓励。

DEA的技术创新论文篇1：

基于DEA的区域技术创新效率研究

摘要：本文简单回顾国内外技术创新效率的研究现状，建立东部沿海十省市的技术创新效率评价指标体系，利用数据包络分析的CCR和BCC模型测算了2006—2010年东部沿海十省市的综合效率、纯技术效率、规模效率和规模收益趋势。结果表明：（1）东部沿海十省市的技术创新效率总体较高，但我国经济最发达的北上广地区，技术创新效率并不是最高。（2）综合效率、纯技术效率、规模效率和规模收益趋势存在差异，且技术创新效率并没有表现出随时间变化的趋势。（3）在非DEA有效的省市中，产出不足远远大于投入冗余。在此基础上，本文提出提高东部沿海十省市技术创新效率的政策建议。

关键词：DEA；技术创新效率；东部十省市

一、引言

随着经济全球化和一体化的发展，知识经济时代已然来临。在知识经济时代，技术创新对经济增长的推动作用越来越强，技术创新驱动的产业规模扩大、产业结构调整对于区域经济增长及增长方式的转变有着重要的推动作用[1]。十八届三中全会指出，要深化科技体制改革，加快建设创新型国家，推动经济更有效率、更加公平、更可持续发展。所以在发挥创新技术作用的同时，更应该注重技术创新的效率。

长江三角洲、珠江三角洲、京津唐、辽中南等城市群区，是我国经济最发达、最具经济活力、城市化水平最高的地区。改革开放以来，这些群区经济呈现出持续高速发展态势[2]。特别是东部沿海十省市的经济发展远高于全国平均水平，领跑中国经济，成为我国经济发展的“标杆”省市。2011年，东部沿海十省市GDP占全国的62.77%，研发经费占全国的71.05%。全国研发强度1.84%，东部沿海十省市超过全国水平的有北京、上海、天津、江苏、浙江、山东和广东7个省市。尽管东部沿海十省市具有技术创新的优势，但目前针对东部沿海十省市的技术创新效率的研究却很少。本文采用数据包络分析方法对东部沿海十省市的技术创新效率进行研究，并在此基础上提出提高东部沿海十省市技术创新效率的对策建议。

二、文献综述

技术创新效率是指技术创新活动中的要素投入相对于产出的转化效率，反映技术创新投入对产出的贡献比重，即研究如何在技术创新中合理地配置相关资源。目前学术界关于技术创新效率的测量与评价方法最常用的有两种：一是单一指标的投入产出评价，一般用比较简单的算术比例法；二是对多投入和多产出指标采用的评价方法，包括参数方法和非参数方法。参数方法以随机前沿分析（SFA）为代表，非参数方法以数据包络分析（DEA）为代表。DEA是评价具有多投入和多产出决策单元的一种较好的方法。

国外对于技术创新效率的研究起步较早。1957年，英国经济学家M.J .Farrell提出了技术效率的概念，并给出了测算标准和测算模型。Aigner， Lovell和Schmidt（1977）率先提出了效率测度的随机前沿方法，随后被应用到对技术创新效率的评价，改变了传统的纯理论研究方法，转向了应用研究。A.Charnes和W.W.Cooper等人（1978）提出用数据包络分析方法（DEA）计算技术效率，以相对有效率概念为基础，根据一组关于输入、输出观察值来估计有效前沿面，并根据各决策单元与有效生产前沿面的距离状况，确定各DMU是否有效。美国学者罗杰斯和拉森川（1985）研究了区域创新效率评价。Helmut Forstner和Anders Isaksson（2002）以1980—1990年的截面数据，用DEA方法测算了57个国家的技术效率，得出工业国增长更多是依靠技术进步，而发展中国家的增长则更多依赖于技术效率的进步的结论[3]。Nasicrowski和Arcclus（2003）测度并分析了45个国家的创新效率，发现技术创新规模、资源配置对生产率的变化有重要影响。Nasierowski和Arcelus（2003）研究了信托公司的技术创新效率。3M公司CEO Buckley（2007）结合六西格玛管理探讨了创新与效率的问题。MCRimmon（2007）从成功的管理标准、创新和执行的均衡、组织文化方面论述创新的效率，并提出了管理建议。Akihiro和Shoko（2008）对日本医药产业研发创新效率变化情况进行了测度。Jarvis（2009）从2008年金融危机谈起，进行案例分析，指出了重点关注创新效率的问题[4]。

1997年，我国学者柳卸林首次提出技术创新效率的评价问题，并从企业角度对技术创新效率进行了测算。池仁勇（2003）测算了浙江省大、中、小企业的技术创新效率，并对影响该效率的各个因素进行了回归检验。[5]池仁勇、虞晓芬、李正卫（2004）对我国30个省市自治区的技术创新效率进行了测定，结果呈现东高西低的特征。刘爱芹、张伟（2008）运用数据包络分析方法对山东省17地市的区域技术创新效率进行了测度，结果表明一个区域技术创新的综合能力应该包括投入能力、产出能力和两者相互作用的效率。[3]官建成、陈凯华（2009）运用DEA的松弛测度模型和临界效率测度模型，对中国高技术产业技术创新活动的技术效率、纯技术效率、规模效率、规模状态进行了测度。冯缨、滕家佳（2010）运用数据包络分析法对江苏省高技术产业整体技术创新效率进行了域际评价，并分析了江苏省五大高技术行业的技术创新效率。[6]谢子远、鞠方辉（2011）以国家高新区为样本，实证研究了产业集群对区域创新效率的影响。[7]郭磊、刘志迎、周志翔（2011）运用DEA交叉效率模型，实证研究并给出了31个省、市、自治区技术创新排名。[1]苏海涛等（2012）建立了基于投入和产出指标的江西技术创新效率评价指标体系，利用数据包络分析测算了2001—2009年江西技术创新的技术效率、纯技术效率和规模效率值。[4]叶锐、杨建飞、常云昆（2012）利用1999—2010年我国29个省份的面板数据，测算高技术产业系统效率和子系统的纯技术效率。[8]张江雪、朱磊（2012）运用四阶段DEA模型，对我国2009年各省工业企业技术创新效率进行了实证研究。

综上所述，在对技术创新效率的研究中，所采用的方法有参数的SFA方法，也有非参数的DEA方法。研究领域有的是地区或者行业技术创新效率的差异性，有的是某个地区或行业技术创新效率的特点，但针对相似经济水平的区域技术创新效率的研究相对较少。本文以中国最发达的东部沿海十省市为例，对其技术创新效率进行了研究。

三、评价方法与指标选取

1.评价方法

数据包络分析是线性规划模型的应用之一，常被用来衡量拥有相同目标的运营单位的相对效率，本文采用CCR模型和BCC模型来评价技术创新效率[9]。1978年由著名的运筹学家查恩斯（A.Charnes）、库伯（W.W.Cooper）和罗兹（E.Rhodes）首先提出了一个被称为数据包络分析（Data Envelopment analysis，简称DEA模型）的方法，用于评价相同部门间的相对有效性（因此被称为DEA有效）。他们的第一个模型被命名为CCR模型。这一模型是用来研究具有多个输入，特别是具有多个输出的“生产部门”同时为“规模有效”与“技术有效”的十分理想且卓有成效的方法。1984年查恩斯（A.Charnes）、库伯（W.W.Cooper）、格拉尼（B.Golany）、赛福德（L.Seiford）和斯图茨（J.Stutz）给出另一个模型BCC模型（也称为C2GS2模型），这一模型用来研究生产部门间的技术有效性。

设有n个DMUj（1≤j≤n），每个DMU都有m种输入和s种输出，xij（i=1，2，...，m，j=1，2，...， n）表示第j个决策单元对第i种输入的投入量，并且满足xij>0； yrj（r=1，2，...，s， j=1，2，...， n）表示第j个决策单元对第r种输出的产出量，并且满足yrj>0； vi（i=1，2，...，m）表示第i种输入的一种度量（或称为权）； ur（r=1，2，...， s）表示第r种输出的的一种度量（或称为权）。评价DMU-j0的DEA模型（C2R）为分式规划：max hj0=∑p1r=1uryrj01∑m1i=1vixij0

s.t.∑p1r=1uryrj1∑m1i=1vixij1， j=1，2，…， n

vi， ur0， i=1，2，…，m； r=1，2，…，p（1）用1962年Charnes和Cooper对于分式规划进行Charnes-Cooper变换（称为 C2-变换）：maxhj0=∑p1r=1μryrj0

s.t.∑p1r=1μryrj-∑m1i=1wixij0， j=1，2，…，n

∑m1i=1wixij0=1

μr，wi0， i=1，2，…，m； r=1，2，…，p（2）上式写成向量形式：maxhj0=μTY0

s.t.μTYj-ωTXj0

ωTX0=1j=1，2，…，n

ω0， μ0（3）对上式做对偶规划： Min θ

∑n1j=1XjλjθX0，

∑n1j=1YjλjY0，

λj0， j=1，2，…，n， θ∈E1（4）DEA有效性的判断：

1. 若线性规划最优目标值hj0=1，则DMU0为CCR模型下弱DEA有效。

2. 若线性规划的向量形式存在最优解w0，u0，满足ω0 >0，μ0 >0， h0 = μ0y0 =1，则DMU0为CCR模型下DEA有效。

3. 若对偶规划的任意最优解θ0 ，λ0j， j = 1，2，…， n，都满足θ0=1， ∑n1j=1xjλ0j=θ0x0， ∑n1j=1yjλ0j=y0，则DMU0为CCR模型下DEA有效。

针对DMU0的BCC模型如下：minθ

s.t.∑n1j=1XjλjθX0，

∑n1j=1YjλjY0，

∑n1j=1λj=1

λj0， j=1，…，n（5）解得最优解为θ0，λ0，若θ0=1，则DMU0为CCR模型下弱DEA有效。若线性规划的向量形式存在最优解w0，u0，满足ω0 >0，μ0 >0， h0 = μ0y0 = 1，则DMU0为CCR模型下DEA有效。

2.指标选取

根据Roll（1989）的研究结果，决策单元个数为投入指标和产出指标之和的2倍较优。本文综合考虑数据包络分析对数据的要求以及数据的可获得性，选取了2006—2010年东部沿海十省市技术创新效率的评价指标。投入指标包括研发经费、研发人员全时当量，产出指标包括新产品产值、新产品销售收入和申请专利数。

四、实证研究

根据上述模型和选取的指标，我们选取东部沿海北京、天津、河北、辽宁、上海、江苏、浙江、福建、山东、广东十省市作为评价单元（DMUj（1≤j≤10））。各个指标数据以十省市大中型企业为基准，数据来源于《中国统计年鉴》和《中国科技统计年鉴》。利用LINDO软件求解，解得结果如表2所示：

1.综合效率分析

从上述计算中可知，投入多的省市，其相对效率不一定高，产出少的省市，其相对效率不一定低，因为这涉及到投入产出的比例。由图1可以看出，2006—2010年，效率值等于1的省市有天津和上海；效率值介于0.8与1之间的省份有浙

2.纯技术效率分析

在生产函数理论中，企业能够在其最大可能生产曲线上进行生产。但实际经济环境中，由于管理的漏洞、技术人员的缺乏或者其他原因，使得现有的技术不能得到充分的利用。技术有效性表示在一定的技术条件和管理模式下，产出相对投入而言已达到最优，即决策单元的投入产出活动已经充分发挥了现有技术条件的潜能，使资源达到了最优配置。

由图2可知，2006—2010年纯技术效率值为1的省市有天津、上海、浙江和广东；纯技术效率值介于0.8到1之间的省市有北京、福建和山东；纯技术效率值介于0.4到1之间的省市有江苏、辽宁，纯技术效率值介于0.4和0.8之间的是河北。天津、上海、浙江和广东纯技术效率保持不变，福建和辽宁有增长趋势，其他省市趋势不明显。与图1相比，纯技术效率和综合效率的变化趋势不尽相同，如2009年，北京和山东的综合效率值分别为0.996476和0.976062，可纯技术效率值都为1。原因是影响综合效率的因素除了有纯技术效率外，还有规模效率。

3.规模效率和规模收益分析

综合效率是由纯技术效率和规模效率两部分组成的，综合效率=纯技术效率×规模效率，其中规模效率是由于企业规模等因素影响的生产效率。规模效益指的是，企业将生产要素等比例增加时，产出增加价值大于投入增加价值的情况。只有当经营规模扩大，其产量增加的比例大于全部要素投入量增加比例时，这种经营规模才具有规模效益。

由图3可知，2006—2010年，规模效率值为1的是天津和上海；介于0.8和1之间的是浙江和广东；介于0.6和1之间的是北京、福建、山东、江苏和辽宁；小于0.6的是河北。天津和上海规模效率趋势保持不变，广东规模效率呈下降趋势，其他省市趋势不明显。

2006—2010年规模收益趋势保持不变的是天津和上海，说明这两个省市已达到最佳规模状态。规模收益递减的是山东、江苏和辽宁。规模收益递增的是福建，北京和河北在个别年份也出现了规模收益递增，这会导致规模无效，这些省市应加大投入，扩大规模，但需注意投入的适量性，防止出现“投入冗余”，导致投入产出比例下降。

接下来综合比较2006—2010年十省市综合效率、纯技术效率和规模效率情况，我们选取五年均值，作图如下：

由图4可知，2006—2010年技术创新综合效率均值排名第一的是天津和上海，接下来由高到低依次是浙江、广东、北京、福建、山东、江苏、辽宁和河北。纯技术效率均值排名第一的是天津、上海、浙江和广东，接下来由高到低的顺序跟技术效率一样。规模效率均值排名第一的是天津和上海，接下来由高到低的顺序跟综合效率一样。从图中可以看出三种效率均值变化趋势不尽相同，说明在不同省市的无效率状况的原因不尽相同。浙江和广东的综合效率均值为0.9993和0.9682，它们的无效不是因为技术原因，而是规模原因。北京和福建的综合效率为0.9189和0.7456，它们的无效是由技术和规模的综合原因导致的。

除了探究非DEA有效的原因以外，我们也可以改变投入或者产出，通过投影分析将非有效的DMU转变成有效的DMU。从上面的分析可知，个别年份个别省市的非DEA有效或是存在着投入冗余，或是存在着产出不足，或是两者兼有之。我们可以利用其在有效前沿面上的投影进行调整，在现有投入的基础上扩大产出，也可以在现有的产出上减少投入，以使投入产出比例达到最优。

五、结论与政策建议

改革开放以来，东部沿海十省市集聚了大量的技术和人才，这些地区的经济发展水平也居我国前列。通过对十省市综合效率、纯技术效率、规模效率和规模收益趋势的测算，发现它们的技术创新效率总体较高，但我国经济最发达的北上广地区，技术创新效率并不是最高。其中天津、上海、浙江、北京和广东无论纯技术效率和规模效率都较高；福建和山东的纯技术效率较高，但规模效率偏低；江苏、辽宁和河北的纯技术效率和规模效率都不高；天津和上海达到最佳规模状态，福建五年来一直处于规模无效状态，北京和河北个别年份规模无效。广东的综合效率和规模效率呈下降趋势，江苏的综合效率呈上升趋势，福建和辽宁的纯技术效率呈上升趋势，总体来说，各省市的技术创新效率随时间变化的趋势不明显。在对非有效DEA的省市的研究中，由产出不足导致的无效远远大于投入冗余导致的无效。

上述结论在政策上具有非常重要的意义：

1. 打破行政垄断，充分发挥市场配置资源的作用。在东部沿海十省市中，研发经费和研发人员投入在全国都处于领先地位，但技术投入产出比例相对于发达国家偏低，究其原因是在很多行业都存在研发经费使用效率低和智力资源浪费的现象。要想发挥技术人员的积极主动性，应大力发挥市场的作用，打破行政垄断，加强人员流动，加快产业升级，加速经济的自由发展。

2. 充分发挥技术的作用，处理好规模与效率的关系。宏观层面上，国家应鼓励先进技术的开发，重视科技人才的作用，鼓励产品或技术的创新。微观层面上，企业在技术和管理方面，应做到人尽其才，物尽其用。对东部沿海十省市来说，不同地区应针对自身情况处理好规模与效率的关系，对福建和山东地区应该提高其规模效率，江苏、辽宁和河北地区既要提高其纯技术效率，也要提高其规模效率。对规模无效的福建等地区，应扩大生产规模，但要注意防止出现投入冗余。

3. 从投入产出角度来看，在防止投入冗余的同时，更应该增加产出。首先，各地区应利用先进技术加快产业升级，提高新产品销售收入和新产品产值。其次，完善知识产权保护的相关法律，鼓励申请专利，形成良好的知识产权保护氛围。最后，各省市应建立良好的企业发展绩效考核机制，在考核企业盈利情况时，应结合资源消耗、环境损害、生态效益、产能过剩、科技创新等指标。

参考文献

[1]郭磊，刘志迎，周志翔.基于DEA交叉效率模型的区域技术创新效率评价研究[J].科学学与科学技术管理，2011（32）：138-143.

[2]朱英明.中国城市群区集聚式城市化发展研究[J].工业技术经济，2006（25）：2-4

[3]刘爱芹，张伟.区域技术创新效率的测度与评价——基于山东省的实证研究[J].山东财政学院学报，2008（6）：51-55.

[4]苏海涛，丁虎，马晓伟.基于DEA的技术创新效率评价研究——以江西为例[J].科技与经济，2012（25）：40-44.

[5]池仁勇.企业技术创新效率及其影响因素研究[J].数量经济技术经济研究，2003（6）：105-108.

[6]冯缨，滕家佳.江苏省高技术产业技术创新效率评价[J].科学学与科学技术管理，2010（8）：107-112.

[7]谢子远，鞠方辉.产业集群对我国区域创新效率的影响——来自国家高新区的证据[J].科学学与科学技术管理，2011（32）：69-73.

[8]叶锐，杨建飞，常云昆.中国省际高技术产业效率测度与分解——基于共享投入关联DEA模型[J].数量经济技术经济研究，2012（7）：3-17.

[9]魏权龄.数据包络分析[M].北京：科学出版社，2004：75-83.（责任编辑、校对：臧莉娟）

作者：王奇珍　朱英明　杨连盛

DEA的技术创新论文篇2：

基于ＤＥＡ模型的高技术产业技术创新相对有效性分析

摘要：文章采用数据包络分析（DEA）方法，以江苏省高技术产业2004年相关数据为研究对象，对高技术产业不同行业的技术创新情况进行了实证研究。通过对投入与产出效率差距的分析，指出了技术创新相对有效与非有效的行业，并找出该行业目前存在的一些问题，为今后政策的制定和行业的发展提供了依据。

关键词：DEA；高技术产业；技术创新

一、引言

目前，我国已成为全球高技术产品的重要生产基地之一。美国2005年发布的《科学与工程指标2004》指出，早在2003年，中国的高技术产业规模就已达2 568亿美元，仅低于美国和日本排在世界第三位。瑞士洛桑国际管理学院发布的《全球竞争力年鉴》称，中国高技术产品出口的国际排名已由2000年的世界第9位上升至2003年的第2位。这些事实引发了国内外学术界对中国高技术产业问题的广泛关注。

其中一大焦点是对高技术产业技术创新问题的研究。技术创新是高技术产业发展的基础，是经济持续发展的基础与核心。国内外调查结果中，创新文化、研究型大学、产业技术的选择等被认为是高技术产业成功的关键因素，所暗含的正是强调以技术创新为基础的创新活动在高技术产业发展中的重要性。但是并不是所有高技术产业的技术创新都是相对有效的，它在不同地区或具体行业可能存在很大差别。江苏省贯彻实施“科技兴省”战略，在高技术产业技术创新方面的投入也日趋上升。为了确保这些投入能实现有效的产出，分析评价技术创新的相对有效性就变得尤为重要。本文选取核燃料加工、信息化学品制造、医药制造业等八大行业作为研究对象，对江苏省高技术产业技术创新相对有效性进行具体分析。

二、技术创新评价方法

1．技术创新评价现有方法及DEA简介。当前对技术创新有效性的研究主要有以下几种方法：（1）比较法：根据各行业技术创新的统计数据进行比较、分析，找出规律进行研究。（2）多准则评价法：包括层次分析法（AHP）、模糊综合评价法、德尔菲法、DEA法等。（3）生产函数法：通过经济分析，主观地确定被评价对象所具有的生产函数的形状，然后将实际观察值与生产函数所要求达到的水平相比，得到评价结果。

由于比较法常因各行业特点及发展阶段不同而使数据缺乏可比性；生产函数法多用于评价产出单一的情况，而技术创新是一个多投入多产出的过程；模糊综合评价法、层次分析法（AHP）等研究的重点局限于寻找影响高技术投资成败的基本要素，故本文采用DEA方法进行分析。

数据包络分析（DEA）方法是1978年美国著名运筹学家A.Charnes等人以相对效率概念为基础发展起来的一种效率评价方法，是研究同类型生产决策单元相对有效性的有力工具。它的基本思想是：将每一个被评价的单位或部门视为一个决策单元（Decision Making Unit，简称DMU），由决策单元组（DMUs）构成评价群体。处于同一评价群体的每个DMU确定的主导原则是，在某一视角下，各DMU具有相同的输入和输出。综合分析输入输出数据，得出每个DMU效率的相对指标，据此将所有DMU定级排队，确定相对有效的DMU，并指出其它DMU非有效的原因和程度，给主管部门提供管理决策信息。

2． DEA的C2R模型。技术创新系统是把人力资源和财力资源投入转化为创新的经济系统，利用DEA的C2R模型可以评价创新的规模和技术有效性。C2R模型对决策单元的规模有效和技术有效性同时进行评价，即C2R模型中的DEA有效决策单元即是规模适当又是技术水平高。

设有k个DMU，每个DMU有m种投入和n种产出，分别用不同的经济指标表示。xij表示第j个DMU第i种类型投入的投入总量，xij>0；yrj表示第j个DMU对第r种输出的产出量，yrj>0；vi表示第i种输入的一种度量，ur表示第r种输出的一种度量，i=1，2，…，m；j=1，2，…，n；r=1，2，…，s，其中xij、yrj为已知数据，vi、ur为变量。为了方便求解，引入非阿基米德无穷小量ε，ε为任意小正数，通常取0.000 01后，利用Charnes－Cooper变换可以得到等价的最终的线性规划问题标准型：

其中，s-为各投入的松弛向量，s+为各产出的松弛向量；θ、λj（j=1，…，k）、s-、s+为待估参数向量。

3． DEA模型的经济学意义。

（1）DEA有效性，当θ=1时，称所对应的DMU为弱DEA有效。进一步，如果成立s-=s+=0，称该DMU为DEA有效——既是技术有效，又是规模有效；当θ<1时，称其为DEA无效——或不为技术有效，或不为规模有效。

（2）技术有效性。如果s-=s+=0，则所对应的生产活动从技术角度看，资源获得了充分利用，投入要素达到最佳组合，取得了最大的产出效果，称其为技术有效；否则称技术无效。

（3）规模有效性。令k=∑λj，称k为DMU的规模收益值，当k=1时，该DMU规模收益不变；kl时，规模收益递减。

（4）对于DEA无效的决策单元可以通过“投影定理”适当改进，使其转变为DEA有效。改进公式为：

x=θx-s-，y=y+s+

三、模型运用

1．数据来源。由于数据的可得性以及DEA方法对数据的要求，本文选取了2004年江苏省高技术产业中的核燃料加工业、信息化学品制造业、医药制造业、航空航天器制造业、电子及通讯设备制造业、电子计算机及办公设备制造业、医疗设备及仪器仪表制造业、公共软件服务业八个行业组成样本，数据主要来自2005年《江苏省科技统计年鉴》与《江苏省统计年鉴》。

2．指标选取。技术创新是一个多投入多产出的经济过程，在创新过程中需要多种资源的投入，其中包括人员的投入和资金的投入。资金的投入主要包括R&D投入与非R&D投入。因此，我们以科技活动人员数（I1）、科技活动经费筹集总额（I2）、科技活动经费内部支出（I3）以及其中R&D经费所占比重（I4）4个指标作为投入指标。

技术创新的产出显示各行业技术创新投入要素组合的效果如何，可以用收益性指标与非收益性指标来评价。收益性指技术创新为企业创造的销售收入，销售收入可表现为三种：一是表现为新产品的出售给企业创造的新销售收入；二是表现为企业应出售技术而获得的技术收入，由于技术创新使产品出口方面出现显著的变化，可用产品出口份额来表达；三是表现为总增加值。非受益性指标一般是指专利申请数，专利较接近创新的商业应用，能较全面地反映各行业的发明和创新信息。综上，我们选取专利申请数（O1）、增加值份额（O2）、新产品销售份额（O3）及产品出口份额（O4）为技术创新产出指标①。

3．实例运用。现把江苏省高技术产业八大行业技术创新系统看作4输入、4产出的决策单元（DMU），针对DMU建立C2R模型。运用DEA—solver软件，得到如下结果：

四、运算结果分析

1．从整体来看，根据效率值θ可将各行业分为三大类。

第一类包括核燃料加工业、电子及通讯设备制造业和医疗设备及仪器仪表制造业。这三个行业相对于其他几个行业创新绩效好，θ＝1，并且s-=s+=0，达到了DEA有效——既是技術有效，又是规模有效（规模报酬不变）。

第二类包括医药制造业、航空航天器制造业、电子计算机及办公设备制造业和公共软件服务业。这一类行业创新绩效较差，θ值分别为0.716、0.890、0.858、0.785，s-、s+不全为0，属DEA无效。其中医药制造业、航空航天器制造业和公共软件服务业规模报酬呈现递减趋势，而电子计算机及办公设备制造业规模报酬递增，新增人力财力资源对该行业创新绩效的边际贡献大。

第三类是信息化学品制造业——为创新绩效极差行业，θ值只有0.183，s-全不为0，s+部分不为0，规模报酬递减，是江苏省高技术产业技术创新系统中最薄弱的环节。

2．行业技术无效的原因分析和可行的改进措施。技术创新效率DEA无效的包括信息化学品制造、医药制造、航空航天器制造、电子计算机及办公设备制造和公共软件服务这五个行业。

（1）从投入角度来看。信息化学品制造业、医药制造业和电子计算机及办公设备制造业S1-为0，S2-、S3-、S4-不为0，说明在创新投入中相对于科技活动人员（I1），科技活动经费筹集总额（I2）、科技活动经费内部支出（I3）以及R&D经费所占比重（I4）相对过剩，从另一个角度也反映出这三个行业经费充足，而人力资源相对不足，制约了其创新能力的发挥。考虑到这三个行业中电子计算机及办公设备制造业规模报酬递增，江苏省未来应加大该行业中人力资源的投入力度；而信息化学品制造、医药制造业呈现规模报酬递减趋势，可对这两个行业中相对过剩的财力资源进行适当调整，使它们均达到规模有效。

航空航天器制造业S3-为0，S1-、S2-、S4-不为0，说明在创新投入中相对于科技活动经费内部支出（I3），科技活动人员（I1）、科技活动经费筹集总额（I2）以及R&D经费所占比重（I4）相对过剩；公共软件服务行业S1-、S2-为0，S3-、S4-不为0，说明在创新投入中相对于科技活动人员（I1）和科技活动经费筹集总额（I2），科技活动经费内部支出（I3）以及R&D经费所占比重（I4）相对过剩，另一方面这两个行业均为规模报酬递减，所以应减少相对过剩的投入量，调整投入结构，使达到DEA有效。

（2）从产出角度看。信息化学品制造、医药制造、航空航天器制造和公共软件服务行业S1+、S2+为0，S3+、S4+不为0，说明江苏省这四个行业在新产品销售份额（O3）及产品出口份额（O4）方面产出相对不足；电子计算机及办公设备制造业S1+为0，S2+、S3+、S4+不为0，说明此行业在增加值份额（O2）、新产品销售份额（O3）及产品出口份额（O4）方面产出相对不足，由此可以看出，江苏省这几个行业在科技成果转化上存在不同的薄弱环节，均面临如何将创造出的科技成果销售出去——如何转变为行业利润的问题。所以江苏省要特别注意提高这些行业科研成果转化为生产力的能力，创造出经济效益。

（3）从行业实际发展的角度看。近几年，江苏省高新技术产业工作取得了显著进展，在电子信息、生物技术、新材料三个高新技术产业领域己经形成较强实力，三个领域的研究开发和产业化在全省整个高技术领域中，占有较大份额，如电子信息和生物医药两个产业的产值，占全省高新技术产业总产值的42%以上。但据有关资料显示：2004年在“全国电子及通信设备制造业前20家最大工业企业”排名中，江苏省有熊猫电子集团1家上榜；在“全国器材制造业前20家最大工业企业”排名中，江苏省有春兰集团和长城集团2家上榜；而在全国医药制造业前20家最大工业企业排名中，江苏省无一家上榜。这种结果的产生与这三个行业技术创新效率不无关系。通过前面的分析可知，江苏省的电子及通讯设备制造业和医疗设备及仪器仪表制造业属DEA有效行业，所以这两大行业均有相关企业上榜；而医药制造业θ值仅为0.716，属DEA无效行业，较差的创新绩效制约了该行业的发展，使得行业中无一企业上榜。

再看江苏省五个高新技术产业带的建设情况。其中做的最好的就是移动和卫星通信产业带：重点扶持了南京熊猫爱立信、南京普天、苏州诺基亚、苏州阿尔卡特、苏州摩托罗拉等移动通信产品生产企业以及CDMA移动通信示范工程，积极推进南京熊猫与瑞典爱立信工业园建设，提高国内手机配套产品技术水平，形成手机、基站及配套元器件较为完善的产业链；而软件产业带、信息产业带的建设尚处在起步阶段：江苏软件园、沪宁线10大信息产业基地都正在建设之中。与之相关的公共软件服务业、信息化学品制造业技术创新系統也处在DEA无效阶段。相信随着这两大产业带建设的完善，这两个行业创新系统结构也将会得到进一步调整与改善。

此外，2004年江苏省航空航天器制造业实现的工业总产值占高新技术产业总产值的比重仅为0.6%，远低于电子及通信设备制造业（DEA有效行业）的37.7%。相信今后通过对航空航天器制造业创新系统的调整，可以提高该行业的创新效率，增加其行业产值在总产值中所占的比重，从而进一步提高高技术产业结构的合理性。

（4）注意点。由于DEA模型是评价江苏省高技术产业技术创新的相对有效性，以上政策建议只是一种行业相对于其他行业应当着重解决的问题，上述的调整并非指要在实际工作中将各种投入大幅减少，而是要表明相对核燃料加工、电子及通讯设备制造和医疗设备及仪器仪表制造这三个DEA有效的行业，医药制造业、航空航天器制造业等五个行业离行业技术创新DEA有效的差距。这五个行业要进行有效创新，加大技术创新的投入是必不可少的，但也要进行调整，调整的目的只是使投入结构更合理，资源利用率更高。从前面的分析已知，电子计算机及办公设备制造行业处于技术创新规模收益递增阶段，而信息化学品制造业、医药制造业、航空航天器制造业及公共软件服务行业还处于技术创新规模递减阶段，所以一方面要加大对电子计算机及办公设备制造行业的投入力度，另一方面还要调整其他四个行业的投入结构，提高产出效率，使资源得到更充分的利用。

注释：

①增加值份额（O2）=（增加值/总产值）*100%、新产品销售份额（O3）=（新产品销售收入/总销售收入）*100%、产品出口份额（O4）=（产品出口销售收入/总销售收入）*100%。

参考文献：

1．Charnes，W．W．Cooper and D．Rhodes．Measuring the Deficiency of Decision Making Units．European Journal of Operational Research，1978：429-444．

2．金玲娣．福建省重点行业技术创新相对有效性分析．科学管理研究，2000，（5）：75-78．

3．江苏省发改委高新技术产业处．转变经济增长方式、提升经济发展质量——江苏省高新技术产业发展与“十一五展望”．中国创业投资与高科技，2006，（1）：23-25．

4．李双杰，王海燕，刘韧．基于DEA模型的制造业技术创新资源配置效率分析．工业技术经济，2006，（3）：112-115．

作者简介：常向阳，南京农业大学经济管理学院管理系副主任、教授、博士生导师；罗媛，南京农业大学经济管理学院硕士生。

收稿日期：2007-04-21。

“本文中所涉及到的图表、注解、公式等内容请以PDF格式阅读”

作者：罗　媛　常向阳

DEA的技术创新论文篇3：

基于DEA模型的区域技术创新绩效评价研究

摘要：区域创新系统是国家经济发展的重要基础，客观评价区域技术创新的绩效是制定区域创新政策的前提。选取3个输入和4个输出指标，运用DEA中的C2R模型对我国各地区技术创新绩效进行实证研究，从区域技术创新绩效、投入要素影子价格和规模报酬展开分析。结果表明，区域技术创新绩效和经济发展水平无必然联系，各地的相对稀缺资源不尽相同。根据各地技术创新绩效值对不同区域分类，有针对性地提出促进区域技术创新的对策建议。

关键词：区域；技术创新；绩效；DEA模型

引言

技术创新是经济增长的源泉，区域创新系统作为国家创新系统的重要有机组成部分，是国家经济发展的重要基础。提高区域技术创新能力是推进区域经济发展与建设的重要途径，作为区域发展战略的重点，它必将受到各级各类政府的高度重视。对区域技术创新绩效进行客观评价，有利于进一步把握技术创新活动的规律，也有利于在更大范围内对于不同地区的技术创新活动进行横向比较，从而为制定区域经济发展政策提供科学依据。

本文采集技术创新输入和输出的若干统计指标，根据《中国科技统计年鉴》和《中国统计年鉴》中的原始数据，运用DEA方法中C2R模型对中国区域技术创新绩效进行实证研究和分析，最后有针对性地提出了促进区域技术创新的政策建议。

一、DEA方法及其模型

数据包络分析（Data Envelopment Analysis，简称DEA）是运筹学、管理科学和数理经济学交叉研究的一个新的领域，它是由著名的运筹学家Charnes、Cooper和Rhodes等人于1978年在“相对效率评价”概念的基础上发展起来的，是评价同类型决策单元相对有效性的一种系统分析方法[1]。Macmillan（1986）将DEA模型应用于区域经济研究，指出DEA模型结果可以用于评价区域产出行为[2]。Charnes（1989）等人应用DEA模型分析了28个中国城市经济发展状况，研究结果表明，DEA可以用于评价城市效率[3]。Bannistter和Stolp（1995）研究了墨西哥不同区域的制造业效率，揭示了区域规模、城市经济与技术效率之间的正相关关系[4]。Athanassopoulos（1997）等人评估了希腊北部20个县的经济社会效率[5]。在我国，也有学者利用DEA方法来评价区域技术创新的绩效问题，如刘顺忠（2002）等运用DEA方法分析了我国各地区创新系统的特点，并对各系统的创新绩效进行了评价。他们根据各创新系统的特点和创新绩效，将我国各地区的区域创新系统进行分类。针对每一类创新系统，提出了制定区域创新政策的建议[6]。其不足是在考虑投入指标时仅仅选择了人力和财力两个方面，没有涉及到物力资源。官建成（2005）等应用两阶段模型，以专利作为中间产品，将区域创新活动分为技术产出阶段和经济产出阶段以及二者的综合阶段，并运用DEA方法中的C2R模型，分别对创新活动的技术有效性、经济有效性以及综合有效性进行评价[7]。其两阶段模型的思想值得借鉴，但不足之处是没有充分考虑若干指标存在的相关性，如第一阶段投入指标中的技术引进费用、购买国内技术费用和技术合同金额等之间显然存在着较强的相关性甚至重合性。白俊红（2009）等应用DEA分析方法对我国区域创新系统的创新效率进行了测评和分析[8]。此外，汤建影和周德群（2002）利用DEA模型对我国矿业城市的经济发展效率进行评价，研究结果表明，我国中西部地区的中小型矿业城市处于规模效益递增阶段，国家应当从地区经济发展均衡的角度出发，鼓励西部地区中小型矿业城市的发展[9]；吴雷（2009）运用DEA方法对企业生态技术创新绩效进行评价[10]；傅利平和王中亚（2010）运用DEA中的C2R模型研究我国34个典型资源型城市的经济发展效率[11]，这些成果对区域技术创新绩效研究也有一定的借鉴意义和启示作用。

DEA方法的基本思想是建立一个线性规划模型，对各个决策单元（Decision Making Unit，简记为DMU）做出相应的评价。作为一种效率评价方法，DEA方法能够对同一系统内的各个决策单元的有效性进行评价，它主要是根据系统的输入和输出指标，建立相应的评价模型，从而得到每个评价单元的效率评价值。DEA方法具有以下优点：（1）相对的客观性；（2）不需要考虑量纲，进而不需要进行归一化处理，简化了评价工作的流程；（3）全面评估DMU的生产状况；（4）为主管部门提供许多管理信息[12]。

DEA方法也存在着一些局限性和问题：（1）测量误差和其他噪声将会影响前沿的形状及位置；（2）异常值可能影响到结果；（3）排除掉一个重要的投入或产出要素将会导致有偏结果；（4）所获得的效率分值仅是对于样本中的最佳厂商而言，增加其他厂商于样本中将减少效率分值，等等[13]。

DEA方法包括很多模型，诸如C2R模型（1978年）、C2GS2模型（1985年）、C2W模型（1986年）、C2WH模型（1987年）、C2WY模型（1988年）和逆DEA模型（1999年）等等[14]。

在本文中我们用于评价各个地区技术创新绩效的模型是DEA方法中的具有非阿基米德无穷小的C2R模型。模型如下：

该模型的最优值θ为第j0个地区的技术创新系统相对有效性，表示该地区相对于其它地区的技术创新效率。若θ=1，则第j0个地区为弱DEA有效（总体）；如果θ=1，且s-=0，s+=0，则第j0个地区为DEA有效（总体）。若存在，使，则第j0个地区为规模报酬不变，若存在，使，则第j0个地区为规模报酬递增，若存在，使，则第j0个地区为规模报酬递减[1]。

二、区域技术创新绩效及评价指标

区域技术创新绩效是用来反映某个区域用人财物各种资源创造新知识，并进而将新知识转化为新产品、新工艺和新服务能力的一个概念。一个地区技术创新绩效高意味着该地区的企业、科研机构等能利用较少的投入获得较高的产出，从事技术创新的人财物各种资源得到了充分利用。

区域技术创新绩效评价指标的选择应该遵循一定的原则，如综合性、系统性、层次性和可操作性等[15]。除此之外，指标选择还应简明扼要。遵循以上原则，本文选择的指标主要有七个，其中输入指标包括三个：研究与发展人员投入、研究与发展经费支出和高校的研发机构数目。研究与发展人员投入选用的数据是《中国科技统计年鉴》中的各地区研究与试验发展（R&D）人员全时当量，研究与发展经费投入选用的数据是上述资料中的各地区研究与试验发展（R&D）内部经费支出，高校的研发机构数目同样来自上述资料。参考文献[6]在衡量技术创新效率时，用到了前两个指标。本文之所以添加了高校的研发机构这一指标作为输入指标，是因为资源必然包括人财物三个方面，而高校拥有了大量的实验室、图书馆等各种科学技术创新所不可或缺的物质资源。输出指标包括四个：国外三大检索论文数目、国内三种专利申请授权数目、新产品产值率和人均产值。前三个指标原始数值来自于《中国科技统计年鉴》，第四个指标数据来自于《中国统计年鉴》。其中，新产品产值率是指大中型工业企业新产品产值占总产值的比重，人均产值选取人均地区生产总值。选择二者的理由是技术创新包括技术产出和经济产出两个阶段[7]。用于研发的各种资源首先要转化成各种新知识、新技术，然后进一步转化为新产品和新工艺，最后要提高人们的收入和生活水平。

三、区域技术创新绩效评价的实证研究与分析

利用《中国统计年鉴》和《中国科技统计年鉴》的原始数据，根据DEA方法中的C2R模型（2-1），利用Excel中的规划求解工具和DEAP软件[16]，计算的最终结果如表1所示。表中除列出了计算出的各个地区创新绩效值，还列出了各种投入资源的影子价格，最后一列是规模报酬。

表1 各地区技术创新DEA模型计算结果

注：1.不包括港澳台和西藏

2.取值为10－6

1.技术创新绩效分析

根据表1计算结果，按照创新绩效值高低对不同区域进行分类，结果如表2所示。从表2可以看出，北京、吉林、黑龙江、上海、浙江、湖南、广东、海南、重庆、贵州、青海、宁夏、新疆等地处于技术创新前沿面，为DEA有效；天津、安徽、湖北和甘肃四省市的技术创新绩效值介于0.8和0.9之间，技术创新水平较高；内蒙古、辽宁、福建、广西、四川、云南、陕西的技术创新效率较低；而河北、山西、江苏、江西、山东、河南等地的技术创新效率低于0.6，属于区域技术创新效率低的地区，山东的创新效率只有0.5。由此看来，区域技术创新效率的高低和经济发展水平并不存在着必然的联系。

2.影子价格分析

投入资源的影子价格表示单位资源投入变化所引起的创新绩效的改变，是针对具体创新系统而存在的特殊价格。创新系统某种创新投入的影子价格相对于其它创新系统该投入的影子价格较高时，说明该投入对其创新绩效影响较大，是系统的稀缺资源，系统应加大对该资源的投入。例如，吉林的研发人员投入的影子价格为0.033，相对较高，为该地区的相对稀缺资源；而黑龙江的研发资金支出影子价格为0.04，相对较高，为其稀缺资源；浙江高校研发机构的影子价格为0.022，相对较高，为该地区的相对稀缺资源，等等。每个地区应因地制宜，采取有效措施克服资源瓶颈，从而实现科学发展。

表2 按技术创新效率对各区域的分类

3.规模报酬分析

规模报酬分为规模报酬不变（CRS）、规模报酬递增（IRS）和规模报酬递减（DRS）三种情况。技术创新活动也要经历规模报酬递增、规模报酬不变和规模报酬递减三个阶段。从表1的规模报酬一列可知，北京、吉林、黑龙江等14省市技术创新规模报酬不变，约占总数的46.67%；天津、山西、内蒙古等8省市技术创新规模报酬递减；而河北、辽宁、安徽等8省市技术创新规模报酬递增，它们均占总数的26.67%。对于技术创新处于规模报酬递增阶段的省份而言，其技术创新水平还没有达到经济规模，增长和进步的空间还很大，必须加大技术创新投入的力度，加快技术创新的步伐。

结束语

本文运用DEA方法中C2R模型对中国区域技术创新绩效进行实证研究和分析。结果表明，我国各区域创新系统之间，无论从创新的投入、创新的产出，还是从创新系统的创新效率来说，都存在着较大的差距。区域经济发展水平和区域技术创新绩效并无本质联系。各地区在制定创新政策时应因地制宜，在着重解决影响创新系统创新能力的主要问题时，应通过科学的方法发现其经济发展过程的瓶颈因素，有针对性地加强技术创新人力、财力和物力资源的投入，并努力提高各种资源的利用效率。

参考文献：

[1] 盛昭瀚,朱乔,吴广谋.DEA理论、方法与运用[M].北京:科学出版社,1996.

[2] Macmillan W D. The estimation and applications of multi-regional economic planning models using data envelopment analysis[J]. Papers

of the Regional Science Association, 1986, 60.

[3] Charnes A, Cooper W W, Li S. Using data envelopment analysis to evaluate efficiency in the economic performance of Chinese cities[J].

Socio-Economic Planning Sciences, 1989,23 （6）.

[4] Bannistter G, Stolp C. Regional concentration and efficiency in Mexican manufacturing [J]. European Journal of Operational Research,

1995, 80（3）.

[5] Athanassopoulos A, Karkazis J. The efficiency of social and economic image projection in spatial configuration[J]. Journal of Regional

Science, 1997, 37（1）.

[6] 刘顺忠,官建成.区域创新系统创新绩效的评价[J].中国管理科学,2002,10（1）.

[7] 官建成,何颖.基于DEA方法的区域创新系统的评价[J].科学学研究,2005,23（2）.