廣深科技創新走廊智能效率的來源和影響因素研究
——基于與美國硅谷的比較分析

吳淑娟，吳海民

(五邑大學經濟管理學院，廣東江門 529020)

《廣深科技創新走廊規劃》正式于2017年12月頒布，提出到2050年建成國際一流的科技產業創新中心。由此，國內形成了北有北京，東有上海和杭州，南有深圳為核心的廣深科技創新走廊(簡稱“走廊”)爭創“中國硅谷”的情勢。廣深科技創新走廊創建硅谷的目標，就是為了對標美國硅谷(簡稱“硅谷”)、美國波士頓地區和東京-橫濱-筑波創新帶等區域，實施創新驅動發展戰略。美國的智能產業位于全球前列，硅谷起到非常重要的作用。硅谷位于美國加利福尼亞州的舊金山經圣克拉拉至圣何塞近50km的一條狹長地帶，是美國重要的電子工業基地，也是世界最為知名的電子工業集中地。盡管美國和世界其他高新技術區都在不斷發展壯大，但硅谷仍然是世界高新技術創新和發展的開創者和中心，該地區對走廊的建設具有很重要的參考價值。

走廊在建設“中國硅谷”的初期，對標硅谷，摸清自身的效率短板，對于未來的發展有著重大的意義。現有研究尚未能很好地回答走廊與硅谷的效率距離如何這一問題。因此本文嘗試運用定量研究方法，采用能反映包括智能產出的智能效率作為指標，比較分析走廊和硅谷的效率來源，提出相關的對策啟示，希望能有利于走廊的建設。

1 研究綜述

對于如何建設中國硅谷，早在20世紀90年代便有相關的研究。成果主要以定性研究為主，定量研究比較鮮見。定性研究方面，徐康寧[1]、吳敬璉[2-3]對中國硅谷的產生的條件和途徑、如何打造等進行了理念和框架性的研究。后來出現了專門針對深圳如何打造中國硅谷的定性研究，例如高海燕[4]等。近年出現了深圳打造硅谷的經驗的總結性研究分析和對標硅谷的定性研究[5-7]。定量研究則主要是針對個別方面或個別領域的研究，例如杜海東等[8]針對創業環境對新創企業績效的影響的研究和湯匯浩[9]專門針對高科技園區綜合發展要素及其作用的實證分析。

國外對中國硅谷的研究較為鮮見，但是近年我國智能產業的迅猛發展引起了國外學者關注我國硅谷的建設問題。Steiber[10]和施塔布[11]對我國如何挑戰硅谷的研究，認為我國的智能產業在應用等環節存在優勢，但是仍與硅谷存在一定的距離。

綜上所述，現有研究從多個層面和視角對我國如何建設中國硅谷進行了研究，但是定量研究比較欠缺，導致相關研究缺乏有力支撐。因此，本文綜合采用比較分析方法和DEA-Malmquist模型等定量分析方法，比較走廊和硅谷的智能效率差距，從智能產業的最根本層面挖掘走廊建設國際一流的科技產業創新中心的效率短板，因而所提對策也更具有針對性和有效性，更能有利于走廊的建設和智能創新驅動戰略的深化實施。

本文的研究內容主要包括：第二部分測量走廊和硅谷的智能效率。第三部分分別采用回歸分析方法對智能效率和技術進步指數、純技術變化指數、規模效率變化指數的關系，探討走廊和硅谷的智能效率的來源。第四部分比較走廊和硅谷智能效率的差異及其來源的。第五部分為總結和政策啟示。

2 走廊和硅谷智能效率的測量與結果對比

2.1 走廊和硅谷智能效率的測量

2.1.1 測量方法

為了測量走廊和硅谷的智能效率，本文采用走廊和硅谷的上市公司年報數據，采用定量方法加以測量。智能效率的測量方法有參數方法、半參數方法和非參數方法。考慮到走廊和硅谷中覆蓋的智能子行業差異較大，不宜采用參數方法和半參數方法。DEA-Malmquist作為一種非參數方法，已經被廣泛運用于各行業生產效率的測算。該法具有適用性強的特點，因而為本文所用。該法經頗為流行，不再贅述。

2.1.2 評價指標體系的構建

考慮到中美上市公司年報中的會計項目的差異，以及采用的產出指標需要包括智能產出從而使得測量結果能反映傳統效率所未能反映的智能產出，文中的投入變量主要是資金投入變量，采用上市公司的研發投入金額代表，產出變量包括產值產出和知識產出，分別用上市公司的主營業務收益額和無形資產額來代表。研發投入金額是智能企業的重要投入指標之一，其規模在一定程度上與企業的技術水平有一定的相關性。產值產出是衡量智能企業經營效益的重要指標。無形資產包括專利權、非專利技術、管理軟件、商標權和專有技術等，基本上能體現企業的智能產出。

2.1.3 數據

結合實證分析需要，文中采用的數據為走廊和硅谷2012—2017年間的40家硅谷智能企業和63家走廊智能上市企業，涵蓋了兩地主要的智能子行業。數據樣本共有618條。數據統計性描述見表1。

表1 智能效率數據的統計性描述

2.2 結果的對比

表2為走廊和硅谷智能效率的檢測結果。從結果可見，整體上，硅谷的智能效率(TFPCH)、技術效率變化指數(EFFCH)、技術進步變化指數(TECHCH)、純技術效率指數(PECH)和規模效率指數(SECH)的結果均大于1，表明走廊和硅谷的效率均得到了優化。智能效率方面，考察期間內硅谷的智能效率和技術效率變化指數遠高于走廊的智能效率。硅谷的技術進步變化指數和純技術效率指數遠低于走廊的智能效率。而規模效率指數則稍弱于走廊的智能效率。可以初步判斷，硅谷的智能效率受技術效率變化指數的影響較大，而走廊的智能效率受規模效率或者純技術效率的影響較大。

表2 走廊和硅谷智能效率測量結果

3 效率來源的對比

3.1 模型構建、數據來源和數據檢驗

為了判斷智能效率的來源，對Malmquist函數的模型取對數，得：

ln(TFP)=c1ln(TECHCH)+c2ln(PECH)+c3ln(SECH)

(1)

數據來源于前述智能效率的DEA-Malmquist實證分析。數據共包括前述40家硅谷智能企業和63家走廊的智能上市企業的2013—2017年間515條樣本數據。檢驗結果表明變量均通過單位根檢驗，也存在協整關系，運用Stata 15.0進行回歸分析。

3.2 結果的對比

表3為走廊和硅谷智能效率來源的實證檢驗結果。實證結果與前述的初步判斷基本符合。硅谷的智能效率主要來源于其技術進步變化指數，每一個單位的技術進步變化，帶來一個單位的智能效率改善。其次是純技術效率指數，而最低的是規模效率指數。走廊的智能效率的最主要來源是純技術效率指數，其次是規模效率指數。此外，硅谷的技術進步變化指數、純技術效率指數和規模效率指數對其智能效率的支撐作用強于走廊的指數對智能效率的支撐作用。

表3 走廊和硅谷智能效率來源的回歸結果

注：1)*、**、***分別表示在1%、5%、10%的統計水平上顯著；2)括號內的數值為標準誤差。

4 影響因素的對比

4.1 影響因素的選擇

智能效率的影響因素多樣，包括宏觀、中觀和微觀等多個層面的因素，例如企業自身經營能力、企業融資能力和市場規模等。考慮到中美兩國上市公司數據的可獲得性和研究的可行性，本文采用企業的盈利能力、營運能力、投資回報、償債能力、收益質量、融資能力、資本結構、稅收負擔和企業規模等9個方面的指標進行考量。具體的對應的財務項目見表4。

表4 影響因素的指標體系

4.2 實證過程和結果

選取上述2013—2017年間硅谷和走廊智能上市企業數據，對數據進行平穩性檢驗和協整檢驗。本文使用包括LLC、IPS、ADF-Fisher、PP-Fisher和Breitung五種檢驗方法在內的綜合檢驗，綜合P值結果顯示所有變量均不支持含有單位根的原假設，符合平穩定的計量要求；又采用Panel rho-Statistic、Panel PP-Statistic、Panel ADF-Statistic和Group PP-Statistic、Group ADF-Statistic檢驗。檢驗結果表明，除了走廊的SC未通過與TFPCH的協整檢驗外，其他均通過檢驗，表明變量之間存在協整關系。因此，在后續的影響因素分析中去除SC這一影響因素。

以影響因素為自變量，分別以TFPCH、TECHCH、PECH、SECH為因變量，運用Stata 15.0軟件進行固定效應回歸分析。回歸結果表5表明：

(2)技術進步變化指數的影響因素方面。硅谷技術進步變化方面，盈利能力、營運能力、收益質量和稅收負擔與之正相關，其他影響因素與之負相關。與智能效率的影響因素的系數相類似，其影響強度大多數非常弱，只有稅收負擔的系數為0.026 3，較為強烈。走廊技術進步方面，只有投資回報、融資能力和稅收負擔與之正相關，其他影響因素與之負相關。影響程度方面，影響因素對走廊的技術進步的影響力度比較強，其中稅收負擔的系數高達605.7。

表5 走廊和硅谷效率與影響因素的回歸分析結果

注：1)*、**、***分別表示在1%、5%、10%的統計水平上顯著；2)括號內的數值為標準誤差。

4.3 實證結果分析

綜合本部分結果可得：影響因素對硅谷和走廊的智能效率的影響不盡相同；整體上，對硅谷智能效率的影響多數為負效應，對其智能效率的影響多數是來源于其對純技術效率和規模效率的影響；對走廊智能效率的影響正負各半，對其智能效率的影響多源于技術進步和規模效率的影響。

盈利能力因素對硅谷智能效率的輕微的負影響主要源于其對純技術效率的負面影響。盈利能力對走廊智能效率的正影響則主要源于其對規模效率的正面影響。該發現與近年硅谷智能企業的發展情勢相符。在硅谷企業發展的初期，例如Facebook等智能企業能比較迅速地實現盈利，并把大量盈利用于收購或創新。但是近年來，部分創始智能企業已經意識到占據主導地位有利于獲得更多的利潤，因而投入更多的資源以確保其市場的主導者。如此，部分智能子行業開始出現壟斷現象，這使得其他企業更難實現盈利。而走廊的智能產業起步晚于硅谷。經過20多年的發展，終于涌現一批擁有先進技術的人工智能企業。整體上，走廊的智能產業尚未形成寡頭壟斷的局面，反而是隨著企業規模和行業規模的增長和企業盈利能力的改善，走廊的智能效率得以提升。

經營能力因素對硅谷智能效率的輕微的負影響主要源于其對純技術效率的負面影響，而經營能力對走廊的智能效率的負影響主要源于技術進步的負影響。這表明硅谷的智能企業的經營能力強于走廊的智能企業，硅谷的智能企業的經營能力強帶來的盈利有相當一部分投入到鞏固其市場地位，而對其純技術效率的帶動相對較弱。而走廊的智能企業的經營能力相對較弱，在政府主導的研發模式下，其創新資金投入所取得的技術進步成效有限，因而拖累了智能效率的優化。

投資回報對硅谷智能效率的正影響主要源于其對技術效率的正面影響，而其對走廊智能效率的負影響主要源于對其規模效率的負面影響。其原因應該與硅谷和走廊的融資渠道和融資便利度等十分相關。硅谷有充裕的風險投資資金，吸引了美國一半的風投資金[12]。成熟的投資環境和投資市場使得硅谷的投資回報率比較高。而走廊的風險投資資金也許在規模上與硅谷的已經相當，但是多為短期投資，對智能企業的技術進步有一定的正面影響，但是對企業的規模效率的負面影響多大，從而引發對其智能效率形成負面影響。

償債能力對硅谷智能效率的負影響主要來源于其對規模效率的影響，而對走廊智能效率的負面影響主要來源于對其技術進步的負面影響。償債能力是指企業償還到期債務(包含本金及利息)的能力，該能力與流動比率、速動比率和現金比率等有著莫大的關系。而智能效率的提升往往需要投入研發設備等固定資產，從而與企業的償債能力呈負相關關系，也與企業的規模效率和技術進步呈負相關關系。

資本結構對硅谷和走廊的智能效率的正面影響主要來源于其對規模效率和純技術效率的正影響。這表明硅谷和走廊的智能企業的資本結構均比較合理，對兩地企業的規模效率和純技術效率均形成正面的促進作用，從而帶動智能效率的提升。

稅收負擔對硅谷智能效率的負影響主要來源于其對規模效率的影響；而對走廊智能效率的正影響主要來源于對其技術進步的正影響。企業稅收負擔與智能效率呈U型關系。朱玉飛等[13]利用固定效應模型和門檻模型發現企業實際稅負與全要素生產率之間存在明顯的倒U型關系，即當企業實際稅負處于較低水平時，全要素生產率隨著實際稅負增加而逐漸提高，而當實際稅負超過某一水平時，全要素生產率則隨之降低。中美兩國的綜合稅負水平孰高這一問題學界爭議較大，似乎兩國的綜合稅負水平比較靠近，但是中國政策場景和落地更好[14]。隨著《廣深科技創新走廊規劃》的頒布和實施，對走廊的智能產業的稅收優惠將陸續出臺。廊內智能企業的實際稅負處于較低的水平。

收益質量對硅谷智能效率的負影響主要來源于其對純技術效率的影響，而對走廊智能效率的正影響主要來源于對其規模效率的正影響。路妍等[15]針對商業銀行的研究也得到類似的結果。至于為何走廊的智能企業的盈利質量對其智能效率的正效應而對硅谷智能效率有負作用，可能與中美兩國智能經濟發展的階段有關。硅谷的智能經濟較為發達，其智能效率隨著要素投入的積累和產業規模的擴張，規模效率對智能效率的支撐相對較弱，同時，為了鞏固市場主導地位而減少了對技術創新的投入。相對硅谷，收益質量的提升對走廊智能企業增加R&D投入和擴大企業規模的促進作用更大，從而對智能效率帶來的正作用更大。

融資能力對硅谷智能效率的負影響主要來源于其對規模效率的影響，而對走廊智能效率的負影響主要來源于對其技術進步的負影響，對硅谷的副作用比對走廊的副作用弱。理論上，企業融資能力資本配置離不開金融的發展，優化金融資產配置，有助于提升經濟發展效率。盡管負面影響比較輕微，但可以看出當前走廊智能企業的籌資能力遜于硅谷。這也許是因為當前我國的資本市場欠完善，外部融資成本大于內部融資成本，企業投資受到約束，存在融資約束問題[16]，也與走廊智能企業的融資方式不利于智能技術效率的改進和規模效率的提升有關。而美國的融資渠道相對更為完善，對智能產業的資金支持更充足。

5 結論與對策啟示

在走廊創建中國硅谷之際，對標硅谷挖掘走廊智能效率短板并提出相應的政策啟示供有關機構參考，具有非常的必要性。本文采用硅谷和走廊的智能上市公司數據，運用DEA-Malmquist分析方法測量了兩地的智能效率，運用回歸分析法檢驗了兩地的智能效率的來源，運用固定效應回歸分析模型實證了影響兩地的智能效率的影響因素，得以下結論：

(1)考察期內，硅谷和走廊的智能效率、技術效率變化指數技術進步變化、純技術效率和規模效率均得到了優化。

(2)硅谷的智能效率主要來源于其技術進步變化指數，其次是純技術效率指數，而最低的是規模效率指數。走廊的智能效率的最主要來源是純技術效率指數，其次是規模效率指數。

(3)影響因素對硅谷和走廊的智能效率的影響迥異；對硅谷的影響比較微弱而對走廊的影響較為強烈；他們主要通過對規模效率和純技術效率來影響硅谷的智能效率，而通過技術進步和規模效率來影響走廊的智能效率。

因此，在走廊的建設過程中，應該進一步發揮影響因素的正影響，克服影響因素的負影響，提升規模效率和純技術效率，從而最終提升其智能效率。為此，一是要合理運用稅收政策，充分發揮稅收負擔對走廊規模效率和純技術效率的正影響，進而進一步提升其智能效率。高新技術企業稅收減免與研發效率則呈穩定正相關[17]，加強對智能企業的稅收減免與其研發效率的正關系，應該可以促進智能企業的純技術效率的提升。而稅收負擔與規模效率呈倒U型關系，因而注意規模的提升對規模效率提升作用的有限性。二是提高企業的盈利能力。企業盈利能力的提升可以通過改變或者優化現有的銷售模式來提升利潤率、降低庫存、降低運營成本，例如借助大數據構建快速響應模式[18]，提升供給與需求的耦合度，達到提升企業盈利能力的目標。三是進一步優化企業的資本結構。企業資本結構的優化與企業融資策略緊密相關。科技型企業的資本結構與靜態企業價值之間存在著倒U型的關系，長期負債比重與企業價值正相關，因而在未達到最優資本結構之前，適當增加長期債務的比重。因為我國科技型上市公司的長期債務比例普遍低于上市公司水平，偏離水平約為20%[19]。加大技術人員的持股比重。股權集中度有利于加強上市企業的效率提升，加強技術人員的持股比重，有利于智能企業核心技術的持續研發和對核心技術的控制。再通過增加長期借款等方式提高長期負債比例，例如發行公司債券、融資租賃等。四是改善資產回報率。提高盈利能力，改善息稅前利潤，簡化經營周期，進行有效的資產管理、最佳的現金管理等途徑來提高和優化已動用資本回報率。

誠然，本文研究亦存在不足：一是上市公司財務數據難以全面反映政府行為，因此影響因素分析未能涉及政府的影響因素。日后，宏觀的智能經濟統計數據的日益豐富能有助于問題的深入研究。二是中美兩國上市公司年報的會計項目不完全一致，因而本文的研究收到了一定的限制。希望今后的智能產業統計工作能得以完善，使得更多的國家層面和地區層面的比較研究得以實現。