基于三階段DEA的人工智能上市企業創新效率評價

徐書彬，黎新伍，李 果

(江西財經大學國際經貿學院，江西南昌 330013)

隨著計算機硬件性能及計算技術的逐步優化，大數據、云計算等技術的迅猛發展，人工智能技術及其應用迎來重大發展機遇，成為新一代科技革命的重要引領。人工智能產業規模不斷擴大，2017年中國人工智能市場規模達到237.4億元，同比增長67%；其中計算機視覺、語音、自然語言處理等領域的發展態勢更為成熟，市場規模分別占比34.9%、24.8%和21%。預計2018年中國人工智能市場增速達到75%，整體規模將達到415.5億元。此外，人工智能已在教育、醫療、零售、金融、家居及安防等多個垂直領域實現落地，深刻改變著社會生產、生活方式以及思維模式等。

世界各國紛紛將人工智能作為重要的國家戰略，密切關注和推進人工智能的發展，中國政府也對人工智能的發展給予高度重視和有力支持。國家層面關于人工智能的政策密集出臺，2016年5月國家發改委、科技部、中央網信辦、工信部聯合印發《“互聯網+”人工智能三年行動方案實施》，明確未來3年人工智能產業的發展重點與具體扶持項目；2016年8月國務院印發《“十三五”國家科技創新規劃》，明確人工智能作為發展新一代信息技術的主要方向；2017年7月，國務院印發《新一代人工智能發展規劃》，人工智能上升至國家戰略。地方政府也紛紛發力，積極推動人工智能的技術研發與產品應用。截至目前，中國人工智能人才有18 232人，占世界總量的8.9%，主要來源于高校和科研機構；人工智能企業1 011家，位列全球第二，有力支撐了人工智能的技術研發及應用。然而，與國外領先企業相比，中國人工智能企業的知識生產能力稍顯不足，在專利申請方面不如高校和科研機構，即使百度、騰訊、阿里巴巴等國內人工智能領軍企業在人才、論文以及專利方面都表現一般。因此，為了提升國內人工智能企業的創新能力，對人工智能企業的創新效率進行有效評價，并分析創新效率的影響因素及其作用強度顯得尤為迫切和必要。

1 文獻綜述

創新效率的測算主要通過兩種方法：參數法和非參數法[1]。參數法以隨機前沿分析(SFA)為代表，SFA方法具有區分誤差項、對結果進行假設檢驗、測量絕對效率等優點，但應用模型前需要建立生產函數，且生產函數的產出為單一變量。非參數法以數據包絡分析(DEA)為代表，DEA方法的優勢在于：效率測度時不需要生產函數的具體形式，可以避免函數設定失誤所導致的問題；采用最優化方法確立投入、產出的權重，可以避免人為確立各指標權重的主觀性；允許指標量綱不一致；能顯示非有效單元投入、產出的調整方向和幅度。

DEA方法是企業創新效率測度的常用方法之一，目前用于戰略性新興產業、高端制造業、環保行業、風電產業等多個行業。閆俊周等[2]運用BCC模型、超效率模型和回歸模型對戰略性新興產業上市公司的創新效率進行評價，發現中國戰略性新興產業創新總效率、純技術效率水平較低，且各產業創新總效率差異較大，政府補貼、研發投入強度和全時研發人員人數對戰略性新興產業創新產出有正向影響。韓東林等[3]以“中國制造2025”上市企業為樣本，采用DEA方法分別從創新效率、規模收益、有效性、行業及投影分析5個方面對其創新效率進行評價，結果表明“中國制造2025”上市企業創新效率整體水平偏低且波動大。黃俊等[4]結合超效率DEA與Malmquist指數對國產機器人上市企業的研發效率進行測度，利用Tobit模型分析創新效率的影響因素，結果表明資產規模和資產負債率對企業創新效率有顯著的正向影響，而研發支出勞動比和資本密集度對創新效率沒有顯著影響。梁娜等[5]運用DEA方法對環保行業上市公司的創新效率進行評價，發現環保行業整體創新效率較低，主要由純技術效率偏低引起。魏詠梅等[6]運用DEA-Tobit模型對22家風電上市公司的技術效率及其影響因素進行分析，結果表明風電產業的整體技術效率偏低，資產負債率起顯著的負向作用。

Fried等[7]指出運用傳統DEA模型進行效率測算沒有考慮環境效應和隨機干擾的影響，應把所有的決策單元置于同等的外部條件和隨機沖擊下，用調整后的投入(或產出)再次測算以得到決策單元的真實效率，被稱為三階段DEA模型。三階段DEA模型在科技進步與創新領域應用廣泛，研究成果主要集中于區域和產業層面。鐘祖昌[8]為了剔除環境外生變量和隨機沖擊的影響，結合SBM模型和三階段DEA模型，對30個OECD國家和中國的創新效率進行分析。余泳澤等[9]采用三階段DEA方法考察了知識創新、科研創新以及產品創新三個階段的區域創新效率。喬元波等[10]運用DEA-Windows分析法對我國省域創新效率進行評價。劉偉[11]利用三階段DEA模型對中國高新技術產業的創新效率進行研究，結果表明三階段DEA模型的測算結果更為真實可靠。孟維站等[12]利用三階段DEA對我國高技術產業研發階段和轉化階段的創新效率進行測算。雖然運用三階段DEA進行創新效率測度時，投入、產出指標以及環境變量會根據研究對象有所差異，但較為常用的投入指標有研發人員數量、研發投入金額等，產出指標有專利申請數量、專利授權數量、新產品銷售收入等，環境變量則主要從宏觀經濟形勢、政府干預、行業競爭、企業股權結構等方面考慮。目前學者們主要應用三階段DEA從宏觀區域層面、中觀產業層面考察創新效率，微觀企業層面的研究還比較匱乏。

第一，目前對細分領域創新效率的評價主要集中于戰略性新興產業、高端制造業、環保行業、風電產業等，鮮有學者運用DEA方法聚焦人工智能產業的創新效率，而對研究對象進行細分能夠提高評價結果的準確性[13]。第二，目前運用三階段DEA模型進行創新效率研究的成果主要集中在區域、產業層面，對企業層面創新效率展開分析的既有成果多應用傳統DEA模型，忽略了環境因素、隨機干擾對效率水平的影響。本文應用DEA與SFA相結合的三階段DEA模型，對人工智能企業的創新效率進行有效測算，從微觀層面更為準確地考察人工智能企業的創新效率，并對創新效率的影響因素展開探討，最后基于實證結果提出人工智能上市公司創新效率的提升路徑。

2 研究設計

2.1 研究方法

DEA方法利用非參數線性規劃技術為相同或相似部門的效率評估提供了有用的工具，是研究復雜系統創新效率的常用方法之一。本文采用Fried等[7]提出的三階段DEA模型來剖析中國人工智能上市企業的創新效率情況，它改進了傳統DEA和DEA-Tobit模型的不足，通過清除環境效應、隨機干擾的影響，更加真實、可靠地展現各決策單元的效率水平。模型分為以下三個階段：

(1)第一階段：基于原始數據的傳統DEA分析。即將原始投入和產出數據放入傳統DEA模型中，測算各決策單元的效率值。本文參照多數三階段DEA模型應用的文獻，選擇Banker等[14]提出的投入導向的BCC(規模報酬可變)模型。假設有n個決策單元數量，m項投入，s項產出，Yk為第k個決策單元的技術效率，yrk為第k個決策單元的第r項產出，xik為第k個決策單元的第i項投入，λi和θi分別為第r項產出和第i項投入的權重，uk為第k個決策單元的規模報酬指標。投入導向的BCC-DEA模型公式為：

(2)第二階段：采用SFA法剔除環境效應與隨機干擾的影響。

1)基于隨機前沿生產函數，以環境變量為解釋變量，以第一階段得到的投入變量的冗余變量為被解釋變量，構造如下回歸模型：

2)基于SFA回歸的估計系數，調整投入變量，將所有的決策單元置于同質的外部環境、隨機干擾之下，以計算清除了環境因素和隨機因素影響的實際投入。調整公式如下：

2.2 樣本選取

人工智能企業指核心業務為提供及應用人工智能產品、服務和相關解決方案的企業。參考易觀對人工智能產業鏈的分析，本文將人工智能企業分為三類：(1)人工智能基礎層企業：提供包括服務器、芯片、傳感硬件、大數據、云計算、算法系統等產品或服務，為人工智能產業奠定網絡、算法、硬件鋪設和數據獲取等基礎的企業；(2)人工智能技術層企業：提供包括計算機視覺、語音語義識別、機器學習、自然語言處理等算法、產品及解決方案的企業；(3)人工智能應用層企業：將人工智能技術應用于金融、公共安全、教育、交通、醫療、零售、工業等領域的企業。

基于前文對人工智能企業的概念界定，結合wind金融終端的人工智能概念板塊以及上市公司年報對人工智能業務的描述，剔除ST、PT、*ST企業，最終選取41家 A 股上市的人工智能企業作為樣本，包括10家基礎層企業，4家技術層企業，27家應用層企業。

2.3 變量選取

(1)投入和產出變量。國內外學者在測算企業創新效率時，一般選用研發人數和研發費用作為投入指標[3]，也有學者選用研發人員強度和研發經費強度等指標[4]；衡量創新產出一般采用專利申請數、專利授權數、新產品銷售收入和無形資產等指標。參考現有文獻，考慮數據可得性，本文選取研發人員和研發經費作為創新投入指標，選取專利授權數量、無形資產作為創新產出指標。

為了確保所選取的投入和產出指標的科學性，本文采用Pearson相關系數法進行檢驗。經計算得到，專利授權數與研發人員數量、研發經費的Pearson相關系數分別為0.788和0.847，無形資產與研發人員數量、研發經費的Pearson相關系數分別為0.444和0.466。各投入指標與產出指標的相關系數均為正數，且均在1%的顯著性水平通過檢驗，表明本文選取的投入和產出指標滿足DEA模型要求的“同向性”假定，較為科學合理。

(2)環境變量。環境變量需要選取對企業創新效率有影響但又不受樣本主觀控制的因素，以滿足“分離假設”[15]。本文基于人工智能產業的發展特點，參考相關研究成果，選取以下8個指標作為環境變量：

1)成立年限。通常情況下，創新投入會根據企業所處的發展階段不同而有所差異。有研究表明，隨著成立年限的增長，企業的研發經費和研發經驗會逐步累積，進而減少研發過程中的資源浪費，提升創新效率[16]。

2)企業規模。有的學者認為企業創新效率與規模呈正相關，大規模企業可以通過成本分攤獲取更高的研發回報[17]；有的研究則表明創新效率與企業規模呈U型關系，規模較大或較小的企業的創新效率高于規模適中的企業[18]。

3)股權性質。關于所有制結構對創新效率的影響，學術界普遍認為民營和外資企業的創新效率比國有企業高[11]。

4)股權集中度。通常認為，過高的股權集中會導致企業整體利益和第一股東的利益過多重合，產生“內部控制人”現象，具有控股優勢的股東可能通過犧牲企業整體利益的方式為自身謀利，不利于企業創新效率的改進。

5)政府補貼。有的研究認為政府補貼能夠提升企業創新的積極性，降低創新風險，從而提升創新效率[16]；有的認為政府補貼對技術創新效率有抑制作用[19]；也有的發現政府補貼對企業技術創新效率沒有顯著性影響[20]。

6)信息化水平。作為高新技術產業，人工智能企業的創新發展離不開基礎設施，尤其是信息化基礎。

7)對外開放水平。地區對外開放水平的提高有助于加速要素的流動，開放過程中對信息、技術等要素的吸收有助于提升企業的競爭意識。鑒于數據可得性，本文采用外商直接投資總額來度量地區對外開放水平。

8)經濟發展水平。企業進行創新活動需要大量人力、資本投入，不同區域的生產要素豐富程度也有差異。

所有變量描述如表1所示。

表1 變量描述

2.4 數據來源

創新過程存在投入產出時滯，從創新投入到專利產出及轉化為企業的無形資產需要時間，且不同的創新活動周期存在差異，導致創新投入和產出難以匹配，當前的文獻研究也沒有統一[11]。參考多數文獻的做法，本文設定所有創新產出指標比投入指標滯后一期，即選用2016年的研發人員和研發經費數據、2017年的專利授權和無形資產數據。專利數據來自國家知識產權局下的專利檢索系統(http://www.pss-system.gov.cn)，互聯網普及率、地區人均GDP數據來自國家統計局，外商直接投資數據來自各地區統計年鑒，其他數據來源于wind金融研究數據庫。

3 實證結果分析

3.1 第一階段：傳統DEA模型實證結果

運用DEAP2.1軟件對原始數據進行分析，測度人工智能上市企業的創新效率。如表2所示，在不考慮環境因素和隨機因素時，中國41家人工智能上市企業的創新效率均值為0.406，處于較低水平；純技術效率均值和規模效率均值分別為0.603和0.699。這表明，純技術效率低下和規模效率低下共同導致企業創新效率低下，人工智能企業在資源配置、創新管理方面有待提高，研發規模仍需改進。同時，人工智能上市企業的創新效率存在顯著差異，僅三豐智能和楚天科技2家企業達到有效狀態，埃斯頓、勁拓股份、機器人、高樂股份和浪潮信息5家企業的創新效率在0.7以上，其余企業的創新效率均偏低，尤其是以浪潮軟件為代表的10家企業的創新效率均不到0.2。

表2 第一階段和第三階段41家人工智能上市企業創新效率

注：I代表人工智能基礎層企業，II代表技術層企業，III代表應用層企業。

3.2 第二階段：SFA模型實證結果

以第一階段傳統DEA模型估計結果中的投入冗余變量為被解釋變量，以8個環境變量為解釋變量，利用Frontier4.1軟件估算各環境變量對投入冗余的影響。如表3所示，各個環境變量基本通過1%或5%水平的顯著性檢驗，且兩個模型的LR值均達到1%的顯著性水平。這表明本文選取的環境變量具備合理性，并且環境因素對人工智能上市企業創新效率的影響顯著，非常有必要應用SFA分析清除環境因素的影響，進而對投入變量做出調整。兩個模型的γ值均趨近于1，顯著性水平達到1%，表明人工智能上市企業研發投入冗余主要是由管理無效率引起的，受隨機誤差等偶然性因素的影響不大。

表3 第二階段SFA估計結果

注：***、**和*分別表示在1%、5%和10%的顯著水平；小括號內的數據表示t-ratio。

回歸系數為負，表明環境變量的增加有助于投入冗余變量的減少；回歸系數為正，則表明環境變量的增加會導致投入冗余變量的增加。根據各個環境變量對投入冗余的回歸系數，可以得到如下結論：

(1)成立年限。樣本企業成立年限對研發人員冗余存在較為顯著的負向影響，對研發經費冗余影響不顯著。這表明，隨著企業成立年限的增長，積累的經驗有助于減少研發人員的浪費，促進人工智能上市企業創新效率的改進。

(2)企業規模。企業規模對研發人員和研發經費冗余均存在顯著的負向影響，表明人工智能上市企業規模的擴大有助于發揮創新的規模經濟性，提升企業的創新效率。人工智能屬于高新技術產業，中小企業的技術創新極易受到資金約束，難以進行大規模的研發投入。

(3)所有制結構。股權性質對研發人員和研發經費冗余均存在顯著的正向影響，意味著相比于民營企業，企業的國有性質會制約創新效率的提升。

(4)股權集中度。股權集中度對研發投入冗余存在顯著的正向影響。這說明股權的過度集中造成人工智能上市企業研發人員和研發經費投入的嚴重浪費。

(5)政府補貼。政府補貼對人工智能上市企業研發人員冗余有顯著的負向作用。這表明，政府補貼金額的增加可以緩解部分企業由于資金短缺造成的創新投入不足的問題，減少人工智能上市企業創新投入冗余，促進人工智能上市企業研發資源的有效配置，推動企業創新效率的提升。

(6)互聯網普及率。互聯網普及率對研發人員冗余、研發經費冗余均有顯著的正向影響。這說明，地區互聯網普及率的上升會增加研發人員和研發經費的浪費，進而制約企業創新效率的提升。

(7)外商直接投資。外商直接投資對研發人員冗余有顯著的負向影響，對研發經費冗余影響不顯著。地區開放程度的提高能加快區域技術人員流動，方便技術信息交流，進而有助于提升企業的創新效率。

(8)地區人均GDP。該變量對研發人員冗余有顯著的負向影響，對研發經費影響不顯著。較高的地區經濟水平能為人工智能企業提供良好的市場環境和融資環境，幫助減少研發人員的浪費，有利于企業創新效率的提升。

綜上，環境因素對人工智能上市企業創新投入冗余的影響顯著，且各個環境變量對創新投入冗余變量的影響方向和作用強度也存在差異。若是直接使用未清除環境效應的原始數據進行創新效率測度，得到的結果缺乏真實性和科學性。因此，很有必要利用第二階段SFA的回歸結果對原始投入數據做出調整，將41家樣本企業置于相同的環境條件和隨機干擾下展開分析。

3.3 第三階段：調整后DEA模型實證結果

利用DEAP2.1軟件，對調整后的投入數據進行BCC-DEA模型分析，更為準確地測算出41家人工智能上市企業的創新效率。本文將第一階段的結果和第三階段的結果放入同一張表以便對比分析，具體參見表2。

(1)總體創新效率分析。對比第一階段和第三階段，41家人工智能上市企業的平均創新效率由調整前的0.406上升至調整后的0.535，平均純技術效率由調整前的0.603上升至調整后的0.757，平均規模效率由調整前的0.699下降至調整后的0.696。這表明，中國人工智能上市企業的實際管理水平偏低，實際創新效率不高是由純技術效率較低和規模效率較低共同導致的。具體來看：

1)創新效率。投入調整后，29家企業的創新效率上升，占比70.73%，其中增幅最大的科大智能高達251.5%，且以華勝天成為代表的9家企業創新效率的增幅均超過100%；10家企業有小幅度下降，降幅最大的富瀚微為56.27%；2家企業保持不變。

2)純技術效率。投入調整后，4家企業純技術效率降低，降幅均較小，降幅最小的高新興僅為1.2%；有30家企業純技術效率明顯上升，其中和而泰增幅高達453.54%，海得控制、拓爾思、勁拓股份、?？低暋h王科技、川大智勝、中科曙光和華勝天成8家企業的增幅均超過100%。

3)規模效率。投入調整后，24家企業規模效率下降，降幅最大的勁拓股份為65.16%，降幅超過40%的上市企業有四維圖新、高新興、川大智勝、軟控股份、GQY視訊和拓斯達；14家企業規模效率上升，增幅最大的北京君正為239.63%，其次為拓爾思和楚天科技，增幅分別為236.64%和179.46%。

(2)規模報酬分析。如表4所示，投入調整后，41家樣本企業中，26家企業處于規模報酬遞增狀態，占比63.41%，6家企業處于規模報酬不變狀態，9家企業處于規模報酬遞減狀態。這表明當前大多數人工智能上市企業的研發規模尚未達到最優，與自身的技術水平不匹配，限制了企業創新效率的提升。

這與現實情況比較相符。中國人工智能創業企業的涌現集中于2012—2016年，全國人工智能企業的成立年限平均為5.5年，北京、上海和天津等初創企業密集的地區企業平均成立年限更短。近幾年不僅國內科技巨頭企業(如百度、阿里巴巴)紛紛布局，許多老牌工業企業也開始向人工智能方向轉型。例如，民爆及新能源企業安徽江南化工股份有限公司自2015年起陸續對人工智能進行布局，投資了圖靈機器人、鋒時互動(視覺交互技術提供商)。傳統企業轉型人工智能時期較短，在人工智能領域起步晚，業務布局時經驗不足，導致研發規模偏小等問題，因此適時、適度擴大研發規模是多數人工智能企業提升創新效率的有效途徑。另外，雖然中國人工智能企業的研發規模在不斷擴大，但與美國相比仍存在較大差距。微軟、谷歌、亞馬遜、Facebook、IBM等美國科技巨頭均把人工智能作為未來重要戰略方向，加大研發投入，例如亞馬遜2017年研發投入為161億美元，IBM為58億美元；中國領先企業如百度2017年研發投入為101.5億元，科大訊飛僅為11.5億元。

表4 投入調整后中國41家人工智能上市企業規模報酬狀況

(3)不同類型人工智能上市企業的創新效率分析。本文對三類人工智能企業的創新效率分別進行計算和排序，以便進一步分析中國人工智能上市企業的創新效率狀況，計算結果如表5所示。

投入變量調整前后，三類人工智能上市企業創新效率的排名并未產生變化。人工智能應用層企業創新效率最高，基礎層企業次之，技術層企業最差，三類企業的創新效率均較低且相差不大。結合現實情況來看，不管從融資熱點來看，還是從企業布局來看，中國在人工智能基礎層和技術層都明顯不足。融資方面，美國投資者更注重基礎層，美國人工智能企業融資占比最多的為芯片/處理器領域，融資315億，占比31%；而中國投資者更關注應用層，中國人工智能企業融資占比最多的為計算機視覺與圖像領域，融資143億元，占比23%。企業層面，美國基礎層和技術層的企業數量約為中國的2倍，應用層差距較?。慌c美國科技巨頭人工智能布局注重AI基礎層不同的是，中國科技巨頭以AI應用層為重點方向，AI初創企業更注重獲取某一方向的AI核心技術后進行商業化應用。與國外相比，中國企業在人工智能基礎研究的投入少，能力弱。以芯片為例，目前中國的人工智能芯片行業發展尚處于起步階段，長期以來在CPU、GPU、DSP處理器設計上一直追趕國外，絕大部分芯片設計企業依靠國外的IP核涉及芯片，缺乏自主創新。

表5 三大類型人工智能上市企業調整前后的創新效率對比

(4)創新效率改進分析。為了更加清晰、明確地對各樣本企業的創新情況提出改進措施，本文以純技術效率值0.9作為臨界點，規模效率值0.75作為臨界點，將41家樣本企業劃分為五種創新類型，如表6所示。

1)“創新先鋒型”企業處在效率前沿面，是其他企業學習的榜樣。如浪潮信息持續推進IPD(集成產品開發)體系建設，旨在提升產品開發管理體系效率。

2)“創新良好型”企業雖然沒有達到效率前沿面，但是純技術效率在0.9以上，規模效率也比較高，只需更為合理地進行資源配置，改善管理便很有可能達到有效狀態。

3)“規模效率改進型”企業純技術效率表現較好，創新效率低下主要是由規模效率較低引起的，此類企業應著重提高規模效率。

4)“純技術效率改進型”企業其效率改進方向為提升純技術效率，此類企業需要加強管理制度設計和機制創新，提高資源配置水平、改善管理。

5)“創新滯后型”企業純技術效率和規模效率都較低，擁有很大的成長空間，不僅需要優化資源配置與改善管理，還應適度擴大企業研發規模。

表6 41家人工智能上市企業的分布狀況

4 研究結論與政策建議

本文運用DEA與SFA相結合的三階段DEA模型，對41家人工智能上市企業的創新效率進行有效測算，得出如下結論：

(1)人工智能上市企業的創新效率受環境因素的影響較大。企業規模的擴大會降低研發投入的冗余程度，有利于發揮創新的規模經濟性；企業的國有性質、股權的過度集中和地區信息化水平則會加劇研發投入的冗余程度，制約企業創新效率的改進；企業成立年限、政府補貼、地區對外開放水平和經濟發展水平會減少研發人員的冗余，而對研發經費冗余影響不顯著。

(2)清除環境效應、統計噪聲的影響后，多數樣本企業的創新效率和純技術效率上升，規模效率下降，整體處于較低水平。人工智能上市企業實際創新效率不高是由純技術效率低下和規模效率低下共同導致的。另外，26家樣本企業處于規模報酬遞增狀態，占比63.41%，表明適度擴大研發規模是中國多數人工智能上市企業創新效率提升的有效路徑。

(3)不同類型人工智能上市企業的創新效率存在差異，應用層企業最高，基礎層企業次之，技術層企業最差。應根據純技術效率與規模效率的具體表現，確定人工智能上市企業的改進方向。“規模效率改進型”企業應以提升規模效率為主；“純技術效率改進型”企業應以提升企業管理和決策水平為主；純技術效率與規模效率雙低型企業，在提升企業管理水平的同時應調整研發投入規模。

鑒于此，本文提出如下建議：

(1)從政府層面來講，政府應實施差異化戰略，在鞏固人工智能應用層企業創新發展的同時，大力推動企業在人工智能基礎層、技術層的創新活動；適當加大對人工智能企業的研發補貼力度，擴大補貼范圍，優化補貼結構；進一步落實自主創新的配套政策，在產業、財稅、金融等方面給予人工智能企業相關支持，引導科技資源向人工智能產業傾斜，幫助企業構建有效的創新風險規避機制；結合商標法、專利法等法律法規，有效保護創新成果，提升企業的創新積極性。

(2)從企業層面來講，企業應適度擴大創新投入規模，合理配置創新投入資源，減少資源浪費；加強國際合作，引進行業內領先企業的管理理念，完善管理機制，改進管理水平；通過加強和創新“產學研”合作模式，破解企業人才、技術要素瓶頸；深化股權結構改革，在保持適度股權集中的基礎上，通過股權分置改革構建較為合理的股權制衡機制。