基于DEA模型的智能制造企業創新效率評價

徐琛輝　宋良榮

摘 要：為了衡量我國智能制造企業創新能力，推動制造業持續發展，應用DEA模型、Tobit回歸及脈沖響應模型對2016—2020年我國27家位列智能制造企業百強名單的上市公司及其所在產業的創新效率進行評價分析，并對創新效率的影響因素進行研究，以滿足“十四五”期間我國制造業面臨的發展規劃。結果表明：在靜態分析層面上，智能制造企業的綜合效率DEA有效個數在5年內有所下滑，規模遞增企業個數顯著增加。在動態分析層面上，智能制造企業的全要素生產率整體呈動態增長，得益于技術效率和技術進步雙向增長。在創新效率影響因素方面，資產規模、內控缺陷長期抑制創新效率增長，而股權集中度在長期對創新效率增長有促進作用。

關鍵詞：智能制造企業;創新效率;DEA模型;Tobit回歸;脈沖響應模型

中圖分類號：F 276.44

文獻標識碼：A 文章編號：1672-7312（2022）03-0334-08

Innovation Efficiency Evaluation of Intelligent Manufacturing

Enterprises Based on DEA Model

XU Chenhui，SONG Liangrong

（School of Management，University of Shanghai for Science and Technology，Shanghai 200093，China）

Abstract：In order to measure the innovation capability of China’s intelligent manufacturing

enterprises and promote the sustainable development of manufacturing industry，this paper applies

DEA model，Tobit regression and impulse response model to evaluate and analyze the innovation

efficiency of the 27 listed companies in China’s top 100 list of intelligent manufacturing

enterprises and their industries from 2016 to 2020，and studies the influencing factors of

innovation efficiency in order to meet the development planning of China’s manufacturing

industry during the “14th Five-Year Plan”.The results show that，on the level of static

analysis，the number of DEA efficiency of intelligent manufacturing enterprises has decreased in

five years，and the number of enterprises with increasing scale has increased significantly.On

the aspect of dynamic analysis，the total factor productivity of intelligent manufacturing

enterprises as a whole shows dynamic growth，benefiting from the two-way growth of technological

efficiency and technological progress.The influencing factors of innovation efficiency are

different among industries;Asset size and internal control deficiencies inhibit the growth of

innovation efficiency in the long run，while equity concentration can promote the growth of

innovation efficiency in the long run.

Key words：intelligent manufacturing enterprises;innovation efficiency;DEA model;tobit

regression;impulse response model

0 引言

智能制造有別于傳統制造概念，是將數字化、智能化、網絡化有機結合，貫穿于從設計到服務的智能系統，是自動化的延伸及未來。智能制造與傳統制造的最大不同即該種制造包含著智能技術和系統，不僅能夠在實踐中不斷更新發展，同時也具有分析和判斷自身行為的能力，是一種現代意義上的創新[1]。十九大報告著重強調，建設現代化經濟體系，必須把發展經濟的著眼點放在實體經濟上。制造業是我國國民經濟的主體所在，也無疑是立國之根本、強國之基礎。《中國制造2025》戰略的頒布，意在聚焦重點領域，深入推進制造業結構調整，提升我國制造業創新能力。同時，在“十三五”規劃的“兩步走”實施戰略中，也強調在2020年完成智能制造發展基礎的“第一步”。

自政策頒布起，我國有哪些行業的創新效率在智能制造企業中具有引領推動作用？又有哪些行業日后需要增力提效？智能制造企業創新效率背后有何原因推動？因此，研究2016—2020年我國智能制造企業創新效率對研究以上客觀現實具有深遠影響。

數據包絡分析（DEA），以其無需量綱和權重的處理優點，被學者廣泛運用于多投入與多產出指標的效率評價中。目前針對制造行業的DEA效率分析方法運用較多，國內的研究主要聚焦在行業板塊和地域板塊。

在行業研究方面，張煒等對人工智能企業為樣本進行研究，認為其整體呈波動下降趨勢，且純技術效率的下降是主要原因[2]。曹晶穎等針對汽車行業，以綠色技術創新效率為對象進行評測，認為該行業整體效率呈較高水平[3]。周靜婷認為輕工業企業與金屬采選業的創新效率關鍵在于技術進步和純技術效率的提升[4]。賴志花等研究高技術產業的創新效率，認為其進步空間有待進一步提高，且規模因素顯著制約創新效率[5]。

在地域研究方面，毛友芳運用因子分析法構建全國智能制造產業競爭力評價指標體系，認為各省市制造業產業區域發展不均[6];大部分省市創新力度不夠。長三角地區技術創新效率平均值居全國首位，但是除了上海以外，江蘇、浙江仍處于非DEA有效階段。楊彩鳳以我國30個省份的工業企業為樣本進行測度，發現湖南省創新效率位于中等水平[7]。何燕子等對湖南省裝備業的R&D效率進行研究，認為湖南省在靜態層面僅少數子行業達到DEA有效;在動態層面整體呈現波動態勢，未有上升趨勢[8]。白露珍等對長江經濟帶的工業企業進行評測，認為純技術效率在地理上呈東高西低的分布，規模效率則從西到東依次遞減;技術創新效率處于上升趨勢[9]。方大春等針對長三角城市群國家高新區進行分析，發現上海和江蘇的多數高新區處于較低水平，而浙江和安徽地區的創新效率呈現上升趨勢[10]。田澤等以綠色技術創新效率為研究對象，認為長三角地區的創新效率呈現逐年上升的趨勢，且具有“西南高東北低”的特點[11]。在研究方法上，學者較多運用DEA-Malmquist模型來測度企業效率。STORTO利用SBM-Malmquist指數對意大利城市固體廢物收集的生產率進行分析[12];OSUNDIRAN O等運用Malmquist生產率指數檢驗新冠病毒對新加坡集裝箱港口海事港口生產率的影響[13]。Dar Ather Hassan等人運用Malmquis指數研究2014—2020年間印度銀行技術效率的異質性[14]。通過歸納前人研究，發現現有文獻對制造行業的研究較少，而從地域角度出發的研究較為豐富。創新效率研究在以下方面仍存在補缺：一是針對智能制造企業整體行業及其子行業研究較少，智能制造企業作為德國工業4.0、美國工業互聯網和中國制造2025背景下的核心概念，其重要性不言而喻。二是從動態和靜態角度結合研究較少。靜態效率分析強調各要素與系統之間的聯系，而動態效率分析注重時間鏈上要素的變化及組合。因此，本文結合智能制造企業百強名單，選取代表性的上市企業及其代表的子行業進行動靜態情況下創新效率的評價，為智能制造行業發展提供參考。

1 研究方法與數據來源

1.1 研究方法

通過前文論述，采用動靜態結合的角度有助于對智能制造企業進行創新效率的評價。其中靜態創新效率采用DEA-CCR& BCC模型;動態創新效率采用DEA-Malmquist模型及脈沖響應模型。在探尋智能制造企業創新效率影響因素方面，使用Tobit模型和脈沖響應模型進行研究。

1.1.1 DEA-CCR和DEA-BCC模型

DEA-CCR模型假設規模效用不變，利用Chame-Cooper[15]變化使得評價每個決策單元（DMU）的投入與產出效率變為線性規劃方程，其評價輸出為綜合效率（TE）;DEA-BCC模型假設規模效用可變，增加了規模報酬的因素，從而將綜合效率（TE）進一步分解成了純技術效率（PTE）以及規模效率（SE），能夠使得測算得到的企業效率更加接近于實際情況。CCR和BCC的表達式見表1，其中綜合效率（TE）和純技術效率（PTE）的值分別為表1中CCR模型和BCC模型的目標函數計算所得值θ;規模效率（SE）為綜合效率值與純技術效率值之比。

在數據要求上，決策單元DMU在數量上不應少于投入與產出指標數量的乘積，同時不少于投入與產出值標數量之和的3倍;DEA不要求投入與產出之間不存在共線性問題，共線性的存在不會導致錯誤的分析結果。

其中：Aj為DMU效率值;θ為目標DMU效率的最小值;n為DMU數量;Xj為投入單元;Yj為產出單元;S-為投入不足時的松弛變量;S+為投入冗余的松弛變量。θ=1為DEA有效;θ∈[ 0.8，1）為輕度DEA無效;θ∈[ 0.6，0.8）為中度DEA無效;θ<0.6為重度DEA無效。

1.1.2 DEA-Malmquist模型

DEA-Malmquist模型反映DMU的技術效率在時間序列上的動態變化，克服了傳統DEA模型的缺陷[16]，其t到t+1時刻的指數表達式為

式中：IM為全要素生產率指數;Itech為技術進步指數;Ieffch為技術效率指數;Ipech為純技術效率指數;Isech為規模效率指數;t為年份;D（·）為距離函數。全要素生產率指數大于1表明企業在時間段內實現要素增長。

1.1.3 Tobit回歸

由于創新效率指數取值介于0和1之間，屬于因變量受限數據，適用Tobit模型進行回歸，相對于最小二乘回歸能較好地解決這一問題，且對本文的樣本數據無需另作處理。Tobit常見表達式如式（2）所示。

式中：y*為潛在因變量，大于零時被觀測到，小于等于零時截尾;xi為自變量向量;β為系數向量，εi為誤差項。

1.1.4 脈沖響應

脈沖響應能夠動態地評價當企業創新效率受到一個變量沖擊時在時間維度上的輸出響應，對

研究智能制造企業的動態效率分析有著重要作用。

1.2 數據來源

本文根據吳珊等[17]中所選的企業及行業分類，依據其中排名及數據可得性，選取了我國智能制造行業6個分類，合計27家代表性的智能制造上市企業的近5年數據，其所在行業及股票代碼見表2。其中，投入及產出數據取自證監會指定披露網站——巨潮資訊網;專利數據來自國家知識產權局認定的佰騰網專利檢索系統;股權集中度和內控質量的數據來自國泰安數據庫。

根據DEA模型對于樣本數量的要求投入與輸出指標和為8，企業樣本數量為27家，符合DEA對于樣本數量的要求。表3列示了DEA模型的投入產出指標體系及具體指標說明。

2 實證分析

2.1 靜態效率分析

基于上文分析，運用MaxDEA軟件分析我國智能制造企業在2016—2020年創新效率的綜合效率（TE）、純技術效率（PTE）及規模效率（SE），情況見表4。

通過樣本數據得到智能制造企業2016—2020年的平均綜合效率為0.631 2，表明我國智能制造企業創新效率整體處于中度DEA無效水平，其逐年分行業情況見表5，2016—2020年DEA有效的企業在逐漸減少。根據《中國制造2025》戰略的發展規劃，至2020年智能制造發展理應處于過半階段，從結果而言有較大提升空間。

智能制造離不開智能技術以及智能設備的應用，而其中蘊含的技術發揮程度即智能制造企業的純技術效率。從圖1中可以發現，汽車制造業和計算機通信及其他電子設備制造業在5年間均落后于行業平均水平;汽車制造業在經歷2018年的低谷后，純技術效率在后2年有所上升，而計算機通信及其他電子設備制造業的純技術效率在5年間呈現“M”型發展趨勢;電氣機械和器材制造業的純技術效率在2019年及2020年反超專用設備制造業，開始引領智能制造行業整體進步。

規模效率是指通過擴大規模、增加投入，從而使得企業產出與企業所擴大的規模相匹配的程度，2016—2020年規模效率有效程度情況見表6。總體而言，智能制造企業在5年間的規模遞增數量穩步提升，且處于多數;但在2020年規模遞減的智能制造企業數量相較之前的年份有明顯上升。

2.2 動態效率分析

2.2.1 Malmquist動態分析

在動態層面的縱向效率比較中，Malmquist模型相較于CCR和BCC模型在時間層面上有著更為出色的因素分解，故運用DEAP 2.1軟件對上述6個行業進行動態層面的創新效率分析。因Malmquist函數具有時間滯后性的特征，故得出4年全要素生產率動態變化情況。根據式（1）的推導，以表3中的投入產出數據帶入模型，Malmquist指數分解結果見表7。其中技術效率為Ieffch，技術進步為Itech，純技術效率為Ipech，規模效率為Isech，全要素生產率為IM。

智能制造企業Malmquist指數分時段要素分解情況見表8。2017—2021年間，全要素生產率的幾何平均值達到1.006，整體呈動態增長，這得益于技術效率和技術進步雙向增長的原因;技術效率又可分解為純技術效率和規模效率，而純技術效率在4年間的幾何平均值為0.996，呈現總體動態下降的趨勢。2017—2018年全要素增長率的提高得益于技術效率的小幅增長（1.008）以及技術進步的拉動（1.192），而當年技術效率主要得益于企業規模的提升。2018—2019年、2019—2020年的全要素生產率未得到有效增長，分別是由于純技術效率和技術進步的降低所致。2020—2021年，盡管智能制造企業的規模效率有所降低，但經過前期技術積累取得技術進步的成效，帶動了全要素生產率的上升。

智能制造企業Malmquist指數分行業要素分

解情況見表9和圖2。從行業角度分析得出：電器機械和器材制造業的全要素增長率是在2017—2021年之間呈動態增長，在智能制造的6個行業中位列首位，主要得益于技術效率和技術進步的提升。計算機通信及其他電子設備制造業的全要素增長率位列最后，表明其在2017—2021年創新效率發展受限，其技術效率未得到有效提高。

從技術進步角度而言，智能制造企業整體指數大于1，主要是由于電氣機械和器材制造業的大幅拉動，鐵路船舶航空航天和其他運輸制造業、汽車制造業及專用設備制造業在技術進步層面有較大的提升空間。

從技術效率角度而言，汽車制造業和通用制造業表現較好，兩者的效率提升都得益于純技術效率和規模效率的提高。在技術效率上，電氣機械和器材制造業表現不佳，主要受制于純技術效率的拖累。此外，純技術效率是計算機通信及其他電子設備制造業的技術效率落后的主要原因。

2.2.2 創新效率因素分析

在前人研究基礎上[18-20]，將智能制造企業創新效率影響因素分為資產規模、股權集中度和內控質量。lnasset為資產規模，此處用企業總資產的對數表示;HHI為股權集中度，此處用公司前10位大股東持股比例的平方和表示;IC為企業內控是否存在缺陷，存在為1，不存在為0。構建Tobit回歸方程如下所示。

其中：TE為表4中智能制造企業各年度創新效率（TE）;ε為殘差項;β0，β1，β2，β3為方程各參數的回歸系數;i為智能制造企業編號;t表示時間。用Eviews 9.0回歸結果見表10。同時運用脈沖響應模型來模擬表10中的解釋變量受到沖擊時對創新效率（TE）的動態影響。為避免出現偽回歸現象，采用ADF法對各解釋變量進行檢驗，各解釋變量的ADF值均小于1%水平下的t值，且P值為0，為平穩序列。檢驗結果見表11。

資產規模對創新效率具有正向影響，Tobit回歸系數為0.068，且在1%的水平下顯著，影響非常有限。從圖3脈沖響應模型結果表明，資產規模在前3個時期對創新效率有正向沖擊，然而隨著沖擊期數的增加，卻對創新效率有著負向影響。

股權集中度對創新效率具有明顯的負向影響，Tobit回歸系數為-1.167，且在1%的水平下顯著。股權結構與公司治理、代理問題密切相關，已有研究表明，股權集中度與公司績效呈現U型或倒U型的趨勢。從圖3中不難發現，創新效率在1-2期沖擊時具有負向影響，結果呈U型趨勢;而在3-4期呈現倒U型趨勢。從長期時間范圍內而言，穩定的股權集中度有助于提升企業的創新效率。

內控質量影響企業的穩健經營和可持續發展能力，對企業創新績效有明顯促進作用。Tobit回歸結果表明，存在內控缺陷的企業對創新效率具有負向作用，即完善的內部控制質量對企業創新效率有正向影響。圖3中的脈沖響應的結果也表明，盡管內控缺陷在短期內會刺激創新效率指數的上升，或因內控制度集中規范企業制度，導致員工創新性降低;但創新效率隨著內控質量缺陷作用期數的增加而顯著減少，表明在長時間跨度內，良好的內部控制質量促進企業創新效率。

3 研究結論與建議

文章通過DEA-CCR，DEA-BCC，DEA-Malmquist

模型對我國27家位列智能制造企業百強名單的上市公司及其所在產業于2016—2020年的創新效率進行評價分析。結論如下。

1）靜態效率分析發現，智能制造企業綜合效率的DEA有效個數在5年內有所下滑，規模遞增企業個數顯著增加。汽車制造業和計算機通信及其他電子設備制造業的純技術效率處于智能制造行業較低水平。

2）動態效率分析發現，2017—2021年間，全要素生產率整體呈動態增長，這得益于技術效率和技術進步雙向增長的原因，其中電氣機械和器材制造業發揮行業“領頭羊”作用，計算機通信及其他電子設備制造業整體仍處于落后水平。Tobit回歸及脈沖響應結果表明資產規模、股權集中度和內控質量對智能制造企業創新效率有十分顯著的影響。資產規模短期對智能制造企業有短暫的提升效果，在長期有持續性的負面效果;股權集中度在長期對創新效率有正向作用;良好的內控質量在長期有利于創新效率的穩步提升。

在動靜態分析的基礎上，結合我國智能制造產業政策，提出以下建議：

1）著力提升計算機通信等行業的技術效率。2020年在面臨新冠疫情的大背景下，芯片資源出現短缺以致原材料成本上升。企業面臨“卡脖子”，應加大技術攻關進度;政府也應在人才引進、技術補貼方面給予優惠，切實提高行業的技術效率。在汽車制造業方面，由于新能源汽車的規模在這2年迎來較大的增長，企業應結合新能源技術發展的風口完善相關技術。

2）深化智能制造企業人才培育體系。一是結合我國智能制造企業行業建立科技人才信息平臺，實現要素資源互通;二是優化人才選拔機制，并疏通青年人才職稱評定方式，促使高校人才更多參與到企業研發智囊團中。

3）完善智能制造企業內部控制體系。智能制造企業創新效率涉及企業內部環境諸多方面。一是抽絲剝繭，尋求內部控制核心要素是智能制造企業的關鍵所在;二是建立有效、可靠的風險管理平臺，為研發投入及研發資金來源質量提供保障;三是制定完備的員工行為準則，在主觀能動方面充分調動員工創造激情，以塑造良好創新氛圍。

參考文獻：

[1] 毛友芳，胡斌，楊坤.我國智能制造的知識圖譜可視化研究——基于CNKI數據庫的文獻計量分析[J].技術與創新管理，2021，42（01）：56-63.

[2]張煒，趙玉帛.人工智能企業創新效率評價及影響因素研究——基于Super DEA-Tobit模型[J].技術經濟與管理研究，2021（08）：41-45

[3]曹晶穎，楊忠敏，張潔，等.汽車行業綠色技術創新效率研究[J].合作經濟與科技，2021（17）：14-16.

[4]周靜婷.規模以上工業企業技術創新效率分行業研究——基于DEA-Malmquist指數法[J].中國儲運，2021（08）：127-129.

[5]賴志花，王必鋒，劉月娜.我國高技術產業技術創新效率行業差異性研究——基于三階段DEA模型[J].統計與管理，2020，35（01）：74-79.

[6]毛友芳.因子分析法下全國智能制造競爭力評價體系的構建與分析[J].技術與創新管理，2020，41（01）：83-90.

[7]楊彩鳳，符洋，魏巍，張越.工業企業研發投入產出創新績效測度與評價[J].科技創新發展戰略研究，2021，5（04）：44-48.

[8]何燕子，王婉玉，王艷蘭.基于DEA模型的湖南省裝備制造業R&D效率評價[J].湖南工業大學學報，2021，35（04）：22-29.

[9]白露珍，邱玉蓮.長江經濟帶工業企業技術創新效率測度與時空演變[J].財會通訊，2021（18）：85-88.

[10]方大春，曾志彪.長三角城市群國家高新區創新效率比較分析——基于三階段DEA模型[J].華中師范大學學報（自然科學版），2021，55（05）：1-17.

[11]田澤，王若梅，肖欽文，等.長三角區域先進制造業綠色技術創新效率研究[J].安徽師范大學學報：人文社會科學版.2021，（5）：137-147.

[12]STORTO C I.Productivity analysis of municipal solid waste collection in italy using SBM DEA malmquist index[J].IOP Conference Series：Earth and Environmental Science，2021，837（01）：012002.

[13]OSUNDIRAN O，OKONTA F，QUAINOO H.An examination of the impact of Covid-19 pandemic on the maritime port of singapore container port productivity using malmquist productivity index[J].Pomorski zbornik，2021，60（01）：85-96.

[14]Dar Ather Hassan，Mathur Somesh Kumar，Mishra Sila.The efficiency of indian banks：A DEA，malmquist and SFA analysis with bad output[J].Journal of Quantitative economics：Journal of the Indian Econometric Society，2021，19（04）：41-49.

[15]CHARNES A，COOPER W W，RHODES E.Measuring the efficiency of decision making units[J].European Journal of Operational Research，1978，2（06）：429-444.

[16]MALMQUIST S.Index numbers and indifference curves[J].Trabajos de Estatistica，1953（04）：209-242.

[17]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.

[18]李雪琪.裝備制造業高管學術背景、股權集中度與企業創新投入[D].保定：河北大學，2021.

[19]王博揚.高管超額薪酬、內部控制與企業創新績效研究[J].山西經濟管理干部學院學報，2021，29（03）：27-33.

[20]張夢生.中國制造業上市公司創新效率及影響因素分析[D].山東大學，2016.

（責任編輯：嚴 焱）

收稿日期：2021-11-12

基金項目：國家自然科學基金項目（71871144）

作者簡介：徐琛輝（1998—），男，浙江海寧人，碩士研究生，主要從事金融科技與量化金融的學習與研究。