淺析國內外企業創新績效評價體系

許薇

摘 要：企業作為社會經濟發展不可缺少的一部分，其經濟利益與社會效益密切關系著社會經濟的發展，創新績效的評價更是幫助企業提高核心競爭力的重要手段。目前國內眾多學者對創新績效的評價方法開展了許多探索和討論，主要分為參數法與非參數法，但這兩種方法各有利弊，在實際運用過程中各有所不足。本文將梳理國內外企業創新績效評價方法方面的文獻，簡要介紹兩種方法的產生演變過程，并列出常見的模型，最后比較評價兩種方法的優劣。

關鍵詞：創新績效;數據包絡分析;隨機前沿分析

引言：“創新是引領發展的第一動力，是建設現代化經濟體系的戰略支撐。”這是2017年10月在黨的十九大報告中所提及的，它對于加快建設創新型國家提出了要求。如今創新直接推動了經濟與社會的發展，是建立創新型國家的戰略選擇。我國開展經濟建設的“靈魂”是創新，而企業作為中國科技創新的主力軍，在一國科技進步中占據著不可忽視的地位。創新績效是企業技術創新能力的重要表征，是影響企業核心競爭力的重要因素。增強企業的自主創新能力，提高企業的創新績效，加快形成一批具有核心競爭力的創新企業，進而能大大地推動我國經濟增長方式的轉變與國際競爭力的提升。因此，如何對企業創新績效進行有效的評價，進而為中國的創新能力評價提供科學合理的支撐，是值得研究者探討的重要議題。本文將對創新績效評價體系進行梳理、分類，并分析其在實際運用中的優劣。

一、文獻回顧

鑒于創新績效的重要性，國內外學術界對其開展了許多有益的探索和討論，其中方法、理論和應用成果層出不窮。下文將梳理回顧創新績效的評價方法，主要有兩大類：非參數方法和參數方法。前者的主要代表為隨機前沿分析（Stochastic Frontier Analysis，下文簡稱SFA），后者的主要代表為數據包絡分析（Data Envelope Analysis，下文簡稱DEA）。

非參數方法的代表性研究包括：朱學冬和陳雅蘭（2010）基于創新型企業創新績效影響因素，構建了創新型企業創新績效評價指標體系，并以福建省創新型企業為例，運用DEA方法根據2006-2008年福建省創新型企業的相關數據，對其創新績效進行了評價和分析;張梅（2013）運用DEA分析方法，考察了65家高新技術上市公司的創新績效，并利用Tobit模型探討了高新企業創新績效的影響因素;白俊紅和蔣伏心（2015）首先運用DEA方法評測了區域創新績效，并以此為依據，通過空間計量模型，對影響區域創新績效的因素進行研究，結果顯示政府科技資助等對區域創新績效具有顯著的影響;茶洪旺和蔡高樓（2017）選取2015年32家大數據企業數據，運用DEA方法對大數據企業創新績效進行了實證分析，發現中國大數據企業創新績效整體水平低。

參數方法始于Aigner et al.（1977）、Meeusen and Broeck（1977）、Battese and Corra（1977）等提出的隨機前沿分析（Stochastic Frontier Analysis，SFA）。代表性研究包括：徐盈之、朱依曦（2009）利用1998-2005中國制造業各行業的相關數據，采用SFA對全要素生產率進行測算，全面分析制造業整體的TEP變動率、技術進步率以及技術效率及其變動率的趨勢;林佳顯等（2010）采用隨機前沿模型理論與空間經濟計量分析方法的結合，運用不同的參數估計方法，針對各種模型估計出技術效率;戴卓、代紅梅（2012）以2003年-2008年中國工業37個細分行業大中型企業的面板數據為基礎，運用隨機前沿模型，對影響創新效率的因素進行了探討。

二、創新績效評價方法

生產前沿分析方法的產生源自于經濟學中對測量技術效率的需要。我們可以把技術效率理解為生產可能性邊界，即在技術條件一定的情況下，生產者獲得最大產出的能力。若最大產出越接近邊界，則其生產越有效。因此，技術效率的測定在經濟與管理領域中具有非常重要的意義。通常，我們用生產函數來表示生產前沿分析方法，并根據生產函數具體形式是否已知將其分為參數方法和非參數方法。參數方法以隨機前沿分析為代表，非參數方法以數據包絡分析為代表。

1.隨機前沿分析（SFA）

Aigner et al（1977），Meeusen and Broeck（1977），Battese and Corra（1977）分別獨立提出了隨機前沿模型（Stochastic Frontier Analysis， SFA）。之后，國外許多學者不斷地進行拓展。Pitt and Lee（1981）發展了面板數據隨機前沿模型，極大地擴大了參數的自由度。在此基礎上， Battese and Coelli（1995）引入時間因素并一次回歸直接計算技術效率影響因素的參數估計結果。因而到了20世紀90年代，SFA模型很快便成為了計量經濟學中一個引人注目的分支。

隨機前沿模型對技術效率的測算依賴于生產函數的選擇，早期多以科布-道格拉斯（Cobb-Douglas）生產函數為主。C-D函數形式簡潔，參數有直接的經濟學含義，但假定技術中性和產出彈性固定，過強的假設與許多生產者的行為不符。目前多采用超越對數（Translog）生產函數，因為它放寬了那些假設，能更好地避免由于函數形式的誤設而帶來的估計偏差，在形式上比較靈活。

2.數據包絡分析（DEA）

Chames et al（1978）創建了一種基于相對效率的多投入多產出分析法——數據包絡分析法（Data Envelopment Analysis，DEA）。當時，他們提出了CCR模型，是DEA中的第一個模型，也是DEA其他模型的基礎。接下來，在其他學者的努力下，一種非參數方法逐漸形成。例如，Banker等（1984）提出了BCC模型，將CCR模型中規模報酬不變的假設放寬，修改為規模報酬可變。Andersen and Petersen（1993）提出了超效率模型。在經濟學中DEA模型多達數十種，但在我國應用最為普遍的便是以上三種模型。

DEA采用的是線性規劃方法，不需要設定函數的形式，也不需要知道生產前沿的具體形式，因而常用來評價具有相同類型的多投入、多產出的決策單元是否技術有效。

三、SFA與DEA比較

同為前沿效率的評價方法，SFA與DEA共同點在于以距離函數為共同基礎，都需要構造生產前沿。它們度量出的技術效率是相對效率，雖然其效率值在樣本內部具有很強的可比性，但在不同樣本間卻具有相反的效果。

DEA的主要優點在于只要得到投入產出數據即可計算出創新績效，不用擔心有無具體的生產前沿形式，因而直接處理多產出多投入問題很方便。在BCC模型中，可求出規模效率和規模報酬情況。它的最大缺點在于：（1）完全用技術效率去解釋實際產出小于前沿產出的原因，忽略了隨機因素對于產出的影響。（2）當構造生產前沿時，DEA根據每周期的面板數據各構造一個，通過線性規劃計算出效率值。如果給出的樣本容量太大，這些樣本或許不能滿足線性規劃的一些基本假設，無法成功地計算出創新績效。（3）由于構造方法較差的穩定性，導致異常點對DEA的影響很大。（4）在分析影響效率因素時，DEA方法相對復雜，分為兩個階段。

與DEA方法相比，SFA最主要的優點有以下幾點：（1）將隨機因素對于產出的影響納入考慮因素，并把實際產出分為生產函數、隨機因素和技術無效率這三部分。（2）根據所有的周期數據僅構造出一個統一的生產前沿函數，通過極大似然估計法估計出各個參數值，具有大樣本的相合性，更適合大樣本的計算。（3）由于僅構造一個前沿面，計算結果較為穩定，不易受異常點的影響。（4）SFA不僅可以計算技術效率，還能根據參數值得到投入的產出彈性和規模報酬情況。在計算出技術效率進一步分析影響效率的因素時，SFA更為方便。但是SFA雖然考慮了效率的影響因素和隨機誤差對效率的影響，有一個重要的前提假設是模型設定正確。由于SFA模型較為復雜的基本假設，隨之帶來更高的投入產出數據的要求。如果投入產出數據不能滿足模型的基本假設，則容易導致計算失敗。

四、總結

綜上所述，我們可以看出，兩種度量方法并沒有絕對的孰優孰劣，而是在不同的方面優劣勢互補。因而我們在選擇不同的方法進行計算時，得到的結果也會有許多不同。在測量技術效率時，具體選擇哪一種方法更加合適，我們要根據實際情況判斷，并綜合判斷實際的計算結果和相關的檢驗情況。

參考文獻：

[1]Aigner D J，Lovell C A K，Schmidt P J.Formulation and Estimation of Stochastic Frontier Production Function Models [J].Econometrics，1977.

[2]白俊紅，蔣伏心.協同創新、空間關聯與區域創新績效.經濟研究[J].2015（7）.

[3]Banker R D，Charnes A，Cooper W W .Some models for estimating technical and scale inefficiencies in DEA [J].Management Science，1984，（30）：1078～1092.

[4]Battese G E，Corra G. Estimation of a production frontier model：With application to the pastoralzone of eastern Australia[J].Australian .Journal of Agricultural Economics，1977，2l： 169-179.

[5]Battese G E，Coelli T J.A model for technical ineficiency effects in a stochastic production frontier for panel data [J].Empirical Eocnomics，1995，20：325- 332.

[6]Charnes A，Cooper W W，Rodes E. Measuring the Efficiency of Decision Making Units [J].European Journal of Operational Research，1978.

[7]茶洪旺，蔡高樓.基于DEA方法的中國大數據企業創新績效評價研究[J].北京郵電大學學報，2017（1）.

[8]戴卓，代紅梅.中國工業行業的技術創新效率研究[J].經濟經緯，2012（4）：90-94.

[9]林佳顯，龍志和，林光平.空間面板隨機前沿模型及技術效率估計[J].商業經濟與管理，2010（5）.

[10]Meeusen W，van den Broeck J.Efficiency estimation from Cobb-Douglas production functions with composed error[J].International Economic Reviews，1977，18：435 444.

[11]徐盈之，朱依曦.基于隨機前沿模型的中國制造業全要素生產率研究[J].統計與決策，2009（23）67-70.

[12]朱學冬，陳雅蘭.創新型企業創新績效評價研究--以福建省為例[J].中國科技論壇，2010（9）.