智能制造企業經營能力與創新效率研究

張夢成 宋良榮

摘 要：為了準確衡量智能制造企業的研發創新效率從而進一步推動我國制造業的智能化進程，本文將創新行為劃分為研發創新與商業成果轉化兩個階段，采用網絡DEA模型對48家國內上市智能制造企業2015—2020年的創新效率進行了定量衡量，并通過Tobit回歸探究了企業內部經營對不同階段創新效率的調節作用。結果表明：我國大部分智能制造企業仍處于DEA無效狀態，其研發創新效率與成果商業轉化效率難以共同達到生產前沿面;且企業微觀生產運營能力，營銷能力，財務能力和組織管理能力均能在一定程度上影響智能制造企業總體創新效率，以及不同階段下企業營銷能力與財務能力對效率值的作用效果相反。

關鍵詞：網絡DEA模型;智能制造;創新效率

中圖分類號：F 426

文獻標識碼：A

文章編號：1672-7312（2022）01-0021-09

Abstract：In order to accurately measure the innovation efficiency of intelligent manufacturing enterprises and further promote the process of manufacturing intelligence，this paper divides innovation behavior into R&D stage and Achievement transformation stage，measures the innovation efficiency of 48 domestic listed intelligent manufacturing enterprises from 2015 to 2020 by using network DEA model，and then reveals the correlation between innovation and internal operational abilities through Tobit regression.The results show that most intelligent manufacturing enterprises in China are still in the state of DEA ineffectiveness，and their R&D innovation efficiency and achievement transformation efficiency are difficult to reach the production frontier together;Moreover，the operation，marketing，financial condition and management ability of enterprises can affect the overall innovation efficiency of intelligent manufacturing enterprises to a certain extent，and the effect of enterprise marketing and financial condition on the efficiency value is opposite at different stages.

Key words：network DEA model;intelligent manufacturing;innovation efficiency

0 引言伴隨著技術的不斷更新與迭代，物聯網，云計算，自動化生產以及傳感器技術等新興技術逐步成為制造業企業的價值核心。目前，制造業的智能化發展路程也已經由數字化階段邁向了智能化階段，世界各發達國家都已陸續參與到智能制造的建設之中。2013年4月德國為了保障制造業的長期可持續發展推出了工業4.0計劃;隨后美國于2014年發布《振興美國先進制造業》，希望通過制造業的革新維持其領先地位;日本與韓國也相繼推出《機器人新戰略》與《智能制造創新戰略》;我國的智能制造發展歷程也從最初的工業化帶動信息化階段走到了信息化引領工業化階段（李廉水等[1]）。由于中國智能制造轉型起步較晚，相較于其他發達國家而言基礎薄弱，為了追趕并超越世界制造業的發展進程，技術引進和創新開發是不可或缺的一環。《中國制造2025》中也明確指出，提高國家制造業創新能力并推進信息化與工業化深度融合是我國目前的主要任務，因此在我國當前創新資源有限且成本壓力過高的環境下，評估衡量智能制造企業的創新效率并研究其影響因素具有重要意義。

1 文獻綜述對于現有文獻的研究主從以下2個方面展開，首先企業創新效率作為一個抽象概念并不直接在財務數據中體現，如何對其進行定性評價是研究重點，因此需對前人學者在創新效率方面的研發現狀及衡量體系進行綜述，其次是對國內外學者關于經營能力和創新效率之間關系的研究結論和研究觀點進行總結整理。

1.1 創新效率衡量與評價 過去的研究大都集中通過隨機前沿法（SFA模型）與數據包絡分析法（DEA模型）對企業創新效率進行衡量，如LU等選取微觀企業為研究對象，利用DEATobit模型對臺灣194家高技術企業的研發效率進行評價，并探索了高技術企業效率無效的原因[2]，NASIEROWSKI等以DEA基礎測算研究了技術創新效率在國家間的差異，研究發現各國技術創新效率呈現下降的趨勢[3]。LI等通過利用DEA指數模型測算研究了我國東部沿海地區制造業的技術創新效率，發現其技術創新效率正在隨著經濟水平的增加而逐漸提升[4]。除此之外，朱有為等、劉志迎等、馮堯等也分別運用SFA模型或DEA模型從行業或區域差異角度對高技術產業創新效率進行評價[5-7]。但過去的研究大都將整個創新流程作為籠統概念進行分析，少有學者（GUAN[8]，肖仁橋[9]等）從多個階段綜合考慮創新價值鏈內各個環節的效率差異和影響因素，而企業創新實際過程極為復雜且不同企業在不同階段的效率值并不顯著相同，如在知識創新階段處于前沿面的企業其轉化效率并不一定高于平均水平。因此分階段考慮創新行為是可以更加充分地體現企業實際創新效率以及在自主創新進程中所面臨的問題。

1.2 企業內部微觀經營能力與創新效率國內外也有部分學者從企業內部微觀角度探索了企業經營能力對企業創新效率的影響作用，如MLLER等通過結構方程模型對211家德國制造業企業的數據進行分析，定量研究了企業吸收能力，創新戰略與商業模式三者之間的關系，證明了企業獲取、吸收、轉化和利用外部知識的能力將顯著影響企業創新效率。姜娟和劉聰通過固定效應模型對我國上市中小企業進行分析后得出，企業整體財務柔性水平對企業創新績效具有顯著的正相關關系[11]。葛俊等通過實證分析發現企業規模大小、企業盈利能力、以及外部政府支持力度均對國有上市公司技術創新效率具有促進作用[12]。而劉峰等測算了股權集中度、資產負債率、資產周轉率對技術創新效率的影響，得出股權集中度與創新效率間存在倒U型關系[13]。黃俊等采用超效率一階段DEA對國內14家機器人企業進行了衡量，發現企業經營規模和融資能力與R&D效率顯著正相關[14]。從研究角度來說，雖然已有部分研究從微觀角度分析了企業內部經營能力對創新效率的影響，但大多是從行業以及地區角度進行研究，少有從微觀企業角度出發進行探索。這主要是由于企業研發創新相關的數據并不屬于財務報表必須披露項，以往年度中，如企業研發資金投入，研發人員數量等數據通常不會在財務報表中體現，從而導致樣本存在大量缺失值。直到2012年之后，企業研究開發相關信息才得到相對完整的披露，基于數據的可得性，之前對于微觀層面的研究相對較少。除此之外，由于早些年度我國對于企業研發創新與知識產權保護重視不足，相關技術發展緩慢，大部分企業的專利申請數量與保有量不高甚至趨近于零，這也給微觀層面下單一企業創新效率的衡量及后續研究的開展帶來了困難。基于前述，本文選取了48家中國上市智能制造企業作為樣本，將企業整體創新行為分為研發創新階段與商業成果轉化階段，通過二階段網絡DEA模型對其2015—2020年的創新專利情況以及經營數據進行研究。以評估的效率水平作為基礎，從微觀角度探究了智能制造企業生產運營能力、營銷能力、財務能力以及組織管理能力對于企業研發能力的影響，并通過Tobit回歸模型對其作用情況進行檢驗。

2 研究方法由于創新行為涉及到企業研發人員，研發資金等各類資源的投入，因此僅通過專利數量等單一指標進行衡量難以反映實際的效率高低。而數據包絡分析模型（DEA）通過線性規劃的方法，可以直接利用各個決策單元的投入指標與產出指標構造生產可能集前沿面，從而得出具有可比性的不同決策單元之間的創新效率差異[15-16]。因此，本文擬通過DEA模型對企業創新效率進行定性衡量。

2.1 兩階段網絡鏈式DEA模型傳統的DEA模型主要包括CCR模型與BCC模型，但以上兩個模型都是根據最初的投入指標與最終的產出指標得出結論，而在實際經營活動中企業的創新行為以及其他商業行為都是極為復雜，此類“黑箱評價”忽視了中間環節的輸入與輸出數據，導致最終的效率結果存在一定程度的失真[17]。因此本文擬采用二階段網絡DEA模型，打開傳統DEA模型中的“黑箱”，從研發創新和商業成果轉化兩個層面對企業創新效率進行分析。具體如下

3 指標體系建立及變量選取

3.1 DEA投入產出指標選取對智能制造企業創新效率的衡量，本文擬采用兩階段網絡DEA法對國內智能制造企業的創新效率進行，其具體路徑如圖1所示。

其中第一階段最為直觀地體現了企業的研發效率，前人學者對這一階段的關注也相對較多，早在1990年羅默提出了知識創造函數認為創意的產生不是從天而降的，而是源自現有知識存量和人力資本，大量學者也將R&D資金投入、R&D人員全時當量、科學家和工程師數量、R&D資本存量等指標作為創新階段的投入指標開始進行分析研究。本文同樣以R&D研發人員數量和R&D研發經費做為一階段投入指標。而中間產出指標則采用企業專利申請數量與企業發明專利的授權數量。盡管有學者指出，并不是所有的發明都可以申請專利，也不是所有申請了的專利最終都能夠得到授權，而且企業所申請的專利在質量上也存在很大差異。但CRUZCAZARES等[18]與GUAN等認為，專利的申請可能最終會被駁回，但前期的研發活動以及專利申請的過程同樣對企業的創新存在積極意義，專利申請量仍舊是對創新活動進行衡量時的首選標準。DEA第二階段主要體現了企業創新成果的商業轉化效率，正如前文所提及，企業創新活動是一個接續不斷的過程，在形成專利技術之后企業可以利用該技術獲取新產品或者對當前產品進行改進，以技術進步推動企業生產流程革新，優化資源配置從而提升企業價值。因此，可以將企業的經濟產出指標作為DEA二階段產出指標。大多數學者采用新產品的相關經濟指標進行衡量，包括新產品產值、新產品銷售收入、新產品市場占有率，新產品國內銷售收入及出口金額等。但此類與新產品相關的經濟指標僅體現在宏觀層面的產業統計年鑒中，并不在企業單獨的財務報表中進行披露，所以肖仁橋等的研究僅能著眼于宏觀層面研究不同地區不同產業的創新效率，并不能對微觀上市公司個體間的創新效率差別進行研究。基于此，本文為了更好地衡量與探究我國智能制造企業的研發創新效率，對二階段DEA的指標選取進行了重塑。企業投入資金進行研發創新活動可以幫助企業進行產品的開發和優化，增加新產品的銷售收入，但其最終目標始終是為了提高企業核心競爭力，增加企業固定資產利用率以及長期發展能力從而提升企業價值。米晉宏對2000年1月1日至2017年12月31日之間的擁有專利的中國A股市場的上市公司進行實證研究得出企業的專利數量對企業價值和營業總收入有顯著的正向影響[19]，國外學者ERNST（2001）以歐洲20家制造企業作為研究樣本分析后也發現企業專利申請數與企業業績存在正向相關關系。基于此本研究擬選取企業價值作為二階段產出，其中，選取固定資產凈利率從經營角度對企業的會計價值進行衡量，選取企業市值從資本市場交易角度對企業的市場價值進行衡量。

3.2 創新效率影響因素指標構建如前文所述，現有研究大都以企業外部市場環境，資源要素配置以及政府R&D支持行為等外部角度對企業的創新效率進行分析研究。但企業的創新活動是一個復雜的系統性行為，其創新目標、創新流程以及創新效率等除了受到企業外部環境以及政府激勵政策的影響，更多地也受到企業內部經營情況的影響。其中企業微觀經營情況可以通過以下5個能力進行界定，分別為研發能力、生產運營能力、營銷能力、財務能力以及組織管理能力，不同能力互相影響互為支撐，本文擬將研發能力作為被解釋變量探究其他4個能力要素對研發效率的影響情況，具體指標構建見表1。

1）生產運營能力，通過總資產周轉率進行衡量。生產管理能力是企業進行資源轉換的中心環節，反映了企業對資源的利用效率，而針對企業研發創新行為，運轉情況良好的公司可能做的更好。2）營銷能力，本文擬通過銷售費用率及銷售費用占比進行衡量。企業在進行研發創新產出專利之后，需要將專利技術運用于生產經營以及產品開發之中，為企業提供新的經濟增長點，大量研究中也將新產品銷售收入作為衡量企業創新效率的產出指標（肖仁橋、范德成[20]、陳建麗[21]等）。而企業產品差異化戰略的成功往往依賴于其銷售能力，因此認為企業銷售能力很可能會

影響專利的商業成果轉化效率從而影響其創新效率。3）財務能力，通過資產負債率與凈利潤現金凈含量進行衡量。資金活動是企業一切其他經營管理活動的基礎，充分利用負債可以充分利用財務杠桿的避稅效應以及優化企業治理結構從而提升企業價值，而良好的籌資能力和現金流可以為企業的研發創新活動提供支撐，因而假定企業財務能力與創新效率之間存在相關性。4）組織管理能力，采用前十大股東持股比例以及企業監管層人數總和進行衡量。相對集中的股權結構可以增加對大股東的激勵效應，從而提升其對管理層制約與監督，約束管理層的短期行為，更多地注重企業創新研發等長期性價值活動。另一方面，企業監管層人數一定程度上反映了企業的管理力量，充分且良好的管理也有助于提升企業績效。因此，認為企業股東持股比例與監管層人數會對企業創新效率產生影響。

3.3 樣本與數據來源本文參考了吳珊等[22]通過實地調研所得出的中國智能制造企業百強排名以及Eworks研究院所得出的2021年智能制造企業百強榜，結合了《中國制造2025》以及《高端裝備制造業“十二五”發展規劃》，均衡選出了60家智能制造相關的上市公司，在剔除部分數據缺失嚴重的樣本后，將剩余48家上市公司作為決策單元，樣本時間跨度為4年（2017—2020年）。投入產出相關經濟指標原始數據來源于國泰安CSMAR數據庫，專利相關數據通過對國家知識產權局的知識產權披露信息手工整理得到，其中發明專利授權量數據按照申請年度統計。同時按照DEA模型的要求，決策單元（DMU）數量應當超過投入、產出指標數之和的兩倍，本文的樣本數符合DEA使用的經驗要求。由于研發投入轉化為最終經濟產出具有一定時滯性，本文將滯后期設置為2年。第一階段投入指標為2015年至2018年的企業R&D人員投入與資金投入，中間專利產出選取2016年至2019年的企業專利申請數與發明專利授權數，最后得出的第二階段企業價值指標選取2017年至2020年數據進行衡量。數據描述性統計見表2。

由于在進行DEA分析時，要求投入與產出指標數據應大于0，因此本文對企業專利申請數，發明專利申請數以及固定資產凈利率數據進行了標準化處理。同時由于在運用DEA模型測度企業創新效率時樣本數據需要滿足等張性，本文對所選取數據進行了Pearson相關性分析檢驗，實證結果見表3，可以得出投入變量與產出變量之間存在顯著的正相關性，滿足模型測度要求。

4 實證分析

4.1 DEA效率測算結果及分析本文以48家智能制造上市公司作為樣本，基于規模報酬可變的兩階段鏈式DEA模型，使用MaxDEA軟件對2015年至2020年間的微觀經濟指標及專利數據進行分析，計算出智能制造企業研發創新整體效率以及分階段效率。將DEA測算結果按年度分類整理后，效率計算結果見表4。

表4中給出了智能制造企業按年度平均后的分階段效率值，可以看到，年度平均效率值呈現逐年降低的趨勢，但總體變化差異不大。平均創新整體效率值，一階段研發創新效率值以及二階段商業成果轉化效率值分別為0.180 4，0.279 5，0.732 1，相較于二階段效率值，總體效率值以及一階段效率均處于較低水平。由此可知，研發創新階段企業間差異較大，相比于處于生產前沿面的標桿企業，大量企業存在研發人員與資金投入過多但專利產出數量低下的問題。這主要是因為我國目前在智能制造領域起步較晚，自主創新的成本和壓力過高，而國外發達國家已浸淫多年在技術方面存在壟斷優勢，模仿和引進仍然是國內當前智能制造領域的主要技術研發手段。以普通機床為例，雖然我國產量國際占比達到38%，但是高端數控機床多數都來于國外;同樣的雖然我國鋼鐵產量和鋁產量列名列世界前茅，但所用高噸位設備需要的鋼絲以及應用于飛機制造的大多數鋁原材料都需要進口[23]。在自主創新層面，智能制造企業還有很大的提升空間。其次，從樣本分布來看，在測度期內不同領域的智能制造企業之間創新效率存在較大差別，以整體效率，研發創新階段效率值與商業成果轉化階段效率值的平均值作為分界點，可以將各個領域劃分至四個不同維度，見表5。

由表5可以看到：

1）在測度期內48個樣本智能制造企業中，同時達到高研發創新效率及高成果轉化效率的企業僅有3個，僅占到總樣本的6.25%。相比與TCL科技等專利標桿企業，其專利申請量以及發明專利授權數量均處于中游水平，企業規模也相對較小。但基于其良好的資源配置能力與成果運用水平，在遠低于平均水平的研發人員數量配備和資金投入的狀況下達到了效率前沿，做到了研發創新與成果轉化并舉。2）處于低研發效率及低成果轉化效率維度的企業樣本數占到總樣本的10.42%，其無論是技術研發還是專利利用都處于較低水平，形成了很大程度上的資源浪費，如中天科技雖然在研發投入與專利數量層面逐年增高，但資產凈利率并未隨比例增加甚至逐年降低，應當調整優化投資配比從而提高研發投入利用率與成果轉化效率。3）另外，有60.42%的樣本處于低研發創新效率及高成果轉化效率維度，其主要通過對外進口以及技術的引進模仿，利用相對較低的專利水平創造出高于平均水平的經濟產出。但所面臨的問題在于持續增長的研發投入并未帶來相應的專利產出，對于外來引進技術的消化程度以及自我創新研發效率不足，應當重視員工素質培養以及企業創新文化的建設，從根本筑牢創新基礎。4）剩余22.92%的企業處于高研發效率與低轉化效率維度。如大族激光，新松機器人以及東方通信等公司，其專利申請數量自2015年以來均超過100。其中大族激光2020年專利申請數量達到1 328個，現存專利數量與增長幅度均遠超同類企業，但專利數量的爆發式增長未能促進其資產凈利率增加，市值甚至一定程度上下滑。不論從內部經營層面還是市場認可度層面，專利數量都沒有對企業價值帶來顯著的積極影響。說明目標維度內企業在創新研發階段運轉良好，但是在專利的經濟成果轉化方面存在一定問題，出現了專利數量虛高、申請后束之高閣的問題，無法促進企業流程優化與技術裝備更新，從而未能對智能制造企業的價值提升起到推動作用。需進一步樹立市場導向機制，倡導實用性專利的創新研發，在專利數量之外還應當重視專利質量，推動創新與企業價值的同步增長。

4.2 影響因素Tobit回歸分析以上述二階段DEA模型得出的企業創新總效率值與分階段效率值為基礎，運用Tobit截取回歸模型，對其相關影響因素進行檢驗后得出結果見表6。

1）由表6可知，對企業一階段創新研發效率的影響因素共有四個，其中銷售費用占比，資產負債率與監管層持股比例在1%的水平下顯著，而銷售費用率在5%水平下顯著，證明企業營銷能力，財務能力以及組織管理能力均可以在一定程度上智能制造企業總體創新效率。其中銷售費用率的系數顯著為負，即企業在同等銷售收入水平下，耗費的銷售費用越多其一階段創新效率會相應越低;而銷售費用占比的回歸結果表明企業在銷售方面開支比例越大其研發創新行為越有效，均表明較強的銷售能力能有效促進企業的研發行為。資產負債率的系數為正表明一定的負債可以獲得杠桿收益，增加企業的活力，同時促進其研發創新活動。監管層持股比例與一階段創新效率呈現負相關關系，表明管理層激勵程度的提高會降低企業研發效率。這可能是因為對企業高管的激勵雖然可以降低管理成本，促使管理層更加關注企業長期的發展和價值增長，但因為專利本身并不創造價值，所以相較于企業研發創新和專利產出這類具有高度不確定性的行為，管理層可能更注重專利產出后的商業成果轉化即二階段創新效率，這一觀點在二階段的影響因素回歸分析中得到了證實。而其他指標如企業資產周轉率，現金含量比例以及十大股東持股比例等對一階段效率的影響均不顯著，但其對二階段效率與創新總效率具有顯著影響。

2）企業創新成果商業轉化效率的影響因素與一階段效率影響因素一致，但其作用效果區別較大。銷售費用率在與銷售費用占比分別在1%和10%的檢驗水平下顯著正相關，資產負債率在1%的檢驗水平下負相關而監管層持股比例在1%顯著性水平下與二階段效率正向相關。其中銷售費用占比的影響效用與一階段研發效率一樣，由于企業專利的商業成果轉化通常體現為新產品的開發與銷售，而企業產品差異化戰略的推動往往依賴企業的銷售能力，因而在銷售方面投入金額的增加有助于提升企業專利的商業成果轉化效率;銷售費用率的相關系數為負也印證了這一結論，在一定的銷售收入規模下銷售費用支出越多的企業在商業成果轉化上做的更好。資產負債率相關系數為負證明財務杠桿和過高的負債比率會抑制企業創新成果的商業轉化。監管持股比例的提高可以有效緩解企業委托代理問題，促使管理人員摒棄短期視角和決策，將創新專利投入到實際經營中獲取商業利益，從而提升二階段成果轉化效率。3）從整體來說，企業微觀生產運營能力，營銷能力，財務能力和組織管理能力均能在一定程度上影響智能制造企業總體創新效率，其中總資產周轉率在1%的水平下顯著，說明生產運營狀況良好的企業在創新行為上也能做的更好，良好的企業資產管理質量與利用能力不僅是企業日常生產經營活動的基礎，同樣也是企業創新戰略的推動與實施的基本前提。銷售能力衡量指標中銷售費用占比對總效率具有正向影響，不論從分階段效率視角還是整體視角均可以得出，企業銷售費用的投入有助于創新效率的提升。從財務能力角度，企業資產負債率在10%水平下負相關，可能是由于創新研發行為能否取得成果和回報具有高度不確定性，導致債務壓力較高的企業為了保證其償債能力不愿意將資金投入到創新中，反而會侵占部分研發資金用于緩解債務壓力。對于企業組織管理能力的影響，可以看到持股更為集中的企業其整體創新效率也相應更高，但兩者相關系數僅為0.001，表明兩者間關系較弱。而其他指標，如企業現金流狀況，監管層持股比例等對整體效率沒有顯著影響，可能是其對一階段效率和二階段效率的影響作用相互抵消所致。

5 結論與政策建議在當前“制造”轉向“智造”的歷史趨勢下，研發創新成為了各國各企業提升核心競爭力的主要抓手。為了更好地分析并解釋企業微觀創新行為的效率差異，本文將創新行為分為研發與商業成果轉化兩大階段，通過構建二階段網絡DEA模型對我國智能制造企業的創新效率進行了定量分析。并根據分析得出的分階段效率值與總效率值，利用Tobit回歸模型檢驗了企業四大微觀能力對創新效率的影響，研究結果如下。1）總體而言，我國智能制造企業的創新效率差距較大，大部分企業仍處于DEA無效狀態，主要是因為處于不同階段生產前沿面的企業并不一致，僅有個別企業可以做到研發與商業轉化并重，其余企業均存在研發人員和資金投入高居不下但專利產出和企業價值沒有得到明顯改善的狀況。在外部推動自主創新，激勵企業研發行為的同時，也需要企業自身從內部優化創新流程，整體提升創新效率。2）通過以研發階段效率與成果轉化效率均值作為分界點構建矩陣，將智能制造企業劃分至4個維度。其中，大部分（60.42%）企業處于高轉化低研發維度，證明了我國目前在智能制造領域仍處于起步階段，相比于自主研發創新企業更傾向于外來專利的引進以及現有專利的開發運用，從而降低企業研發風險。3）從影響因素分析中得出，企業創新研發活動并不是割裂與企業其他生產經營活動的單獨行為，企業經營能力，銷售能力，財務能力與組織管理能力四大微觀能力均會對企業創新效率產生影響，但對于不同階段的效率的影響作用并不一致。其中經營能力與內部治理能力對總體研發創新具有正向影響;以資產負債率衡量的財務能力對不同階段的創新效率影響效用相反，對于整體創新效率呈現負向影響;而以銷售費用率以及銷售費用占比衡量的銷售能力對二階段商業成果轉化的影響最為顯著，證明企業銷售層面的投入越高其專利成果的轉化率相應越好。基于以上結論得到以下啟示：首先從宏觀政策角度，政府應當重視企業自主創新行為的推動，不能單純依賴資金激勵與稅收優惠，還應重視企業的研發風險兜底，完善相關知識產權法律保護企業自主研發成果，讓我國智能制造企業大膽邁向從先進技術的低成本模仿者轉化為新型技術的研發創造者的進程。其次從人才培養與保護角度，應加強基礎研發人員的教育與培養力度，通過產學研深度合作、組織企業間參觀學習以及推動以及完善研發人員創新績效動態評估體系等提升企業研發投入的效率，從而改善當前人員與資金投入配備過多但成果產出較為低下的問題。最后從企業微觀層面，管理層應從研發與商業轉化角度分別對自身效率進行分析并發現問題，同時重視其他活動對于研發行為的支撐與促進作用，針對處于不同維度的企業應采取不同的方式提升其創新效率，如對于高轉化低研發維度的企業應注重其債務杠桿的利用以及股權結構的調整，而針對高研發低轉化企業應當加大銷售投入從而促進專利轉向新產品的研發與銷售。做到企業內部調整與政策外部激勵并重，實現智能制造企業創新效率的整體提升。需要說明的是，由于智能制造企業這一概念較為新穎其界定也相對模糊，本文為了更具針對性地對智能制造企業的創新問題進行分析，摒棄了以我國高新技術產業為研究樣本從而區別于傳統研究，但存在樣本數量相對較小的問題。因此之后的研究可以繼續擴展智能制造這一概念內涵，完善樣本結構，或是加入國外智能制造企業作為樣本進行研究，可以更為嚴謹地反映我國智能制造企業的創新研發行為的發展現狀，從而對我國制造業智能化進程做出更多貢獻。

參考文獻：

[1] 李廉水，石喜愛，劉軍.中國制造業40年——智能化進程與展望[J].中國軟科學，2019（01）：1-9+30.

[2]LU Y H，SHEN C C，TING C T，et al.Research and development in productivity measurement：An empirical investigation of the high technology industry[J].African Journal of Business Management，Academic Journals，2010，4（13）：2871-2884.

[3]NASIEROWSKI W，ARCELUS F J.On the efficiency of national innovation systems[J].SocioEconomic Planning Sciences，2003，37（03）：215-234.

[4]LI J，ZHANG J，GONG L，et al.Research on the total factor productivity and decomposition of Chinese coastal marine economy：Based on DEAmalmquist index[J].Journal of Coastal Research，2015，73：283-289.

[5]朱有為，徐康寧.中國高技術產業研發效率的實證研究[J].中國工業經濟，2006（11）：38-45.

[6]劉志迎，葉蓁，孟令杰.我國高技術產業技術效率的實證分析[J].中國軟科學，2007（05）：133-137.

[7]馮堯.基于DEA方法的我國高技術產業科技成果轉化效率研究[J].學術交流，2011（03）：101-105.

[8]GUAN J，CHEN K.Measuring the innovation production process：A crossregion empirical study of China’s hightech innovations[J].Technovation，2010，30（05-06）：348-358.

[9]肖仁橋，錢麗，陳忠衛.中國高技術產業創新效率及其影響因素研究[J].管理科學，2012，25（05）：85-98.

[10]MLLER J M，BULIGA O，VOIGT K I.The role of absorptive capacity and innovation strategy in the design of industry 4.0 business Models：A comparison between SMEs and large enterprises[J].European Management Journal，2021，39（03）：333-343.

[11]姜娟，劉聰.中小企業財務柔性、創新投入與創新績效的關系研究[J].技術與創新管理，2020，41（06）：574-580.

[12]葛俊，吳舟.上市公司企業技術創新影響因素研究[J].財會通訊，2014（09）：49-52.

[13]劉峰，寧健.智能制造企業技術創新效率及其影響因素[J].企業經濟，2016（04）：142-147.

[14]黃俊，楊紫銳，殷麗梅，等.國產機器人企業研發效率評價及影響因素研究——基于DEATobit兩階段分析法[J].科技進步與對策，2017，34（18）：101-106.

[15]顧群，翟淑萍.融資約束、代理成本與企業創新效率——來自上市高新技術企業的經驗證據[J].經濟與管理研究，2012（05）：73-80.

[16]CHARNES A，COOPER W W，RHODES E.Measuring the efficiency of decisionmaking units[J].European Journal of Operational Research，1979，3（04）：339.

[17]魏權齡.論"打開黑箱評價"的網絡DEA模型[J].數學的實踐與認識，2012，42（24）：184-195.

[18]CRUZCZARES C，BAYONASEZ C，GARCAMARCO T.You can’t manage right what you can’t measure well：Technological innovation efficiency[J].Research Policy，2013，42（06-07）：1239-1250.

[19]米晉宏，張書宇，黃勃.專利擁有量、市場控制力與企業價值提升——基于上市公司專利數據的研究[J].上海經濟研究，2019（03）：24-37.

[20]范德成，谷曉梅.高技術產業技術創新效率關鍵影響因素分析——基于DEAMalmquist和BMA方法的實證研究[J].科研管理，2020，43（01）：70-77.

[21]陳建麗，孟令杰，姜彩樓.兩階段視角下高技術產業技術創新效率及影響因素研究[J].數學的實踐與認識，2014，44（04）：63-74.

[22]吳珊，龔業明，張金隆.中國智能制造百強評價及發展研究[J].管理學報，2020，17（02）：159-165.

[23]覃浩高.智能制造企業技術創新效率及其影響因素[J].經貿實踐，2018（14）：8-9.

（責任編輯：許建禮）