數字技術應用對制造業創新效率的影響
——基于DEA- Tobit 模型

常 歆，韓 平

（1.哈爾濱商業大學 經濟學院，黑龍江 哈爾濱 150000；2.綏化學院 經濟管理學院，黑龍江 綏化 152000）

一、引言

在新一輪科技革命和產業變革的背景下，數字技術已成為經濟高質量發展的核心動能。制造業作為中國經濟增長的支柱性產業，如今正面臨著發達國家和發展中國家“前后擠壓”的外部挑戰以及中國制造業產業結構不合理和產品附加值不高的內部問題。早在2016 年，中國工業部和信息化出臺《智能制造發展規劃（2016—2020 年）》，提出加快數字技術的發展和應用，為制造業轉型提供重要動力保障；2020 年“十四五”規劃中再次強調數字技術是提高制造業生產效率、實現智能制造的必然選擇，可見數字技術代表著制造業先進生產方式和核心技術的發展方向，充分抓住技術變革機遇、加大研發和創新投入力度是中國增強自主創新能力、提高制造業創新產出的根本途徑。然而，由于數字技術顛覆性創新和高滲透的特點[1]，使其在制造業研發設計、生產制造、營銷服務等環節的創新過程尤為復雜。因此，為進一步明確數字技術對制造業創新的積極作用、穩定制造業的創新成果和績效，有必要準確衡量制造業創新效率，深入分析數字技術對制造業創新效率的影響。

中國制造業規模龐大，但技術創新能力不足，“大而不強”始終是制造業高質量發展的瓶頸。現有文獻針對制造業創新能力及效率的影響研究較為豐富，早期研究主要集中在創新投入和產出規模的擴大，隨后學者們發現創新效率才是制約制造業創新能力的關鍵[2]，研究重點逐漸轉移到創新效率的分析和測度方面，并將制造業創新過程分解為研發和成果轉化兩個階段，或是從科技產出、物化產出和價值產出三個環節論述制造業創新活動；在測度方法上，學者們普遍采用DEA 模型或是隨機前沿分析評價效率水平，研究對象側重于制造業整體，也有學者針對某一區域、某一細分行業或是企業進行分析，從而得出制造業創新效率的影響因素。在創新驅動的作用下，近幾年針對影響因素的研究基本圍繞技術創新進行[3-5]，只是研究范圍和對象有所不同，地域集中在長三角、珠三角等發達地區，或是對東、西、中部地區進行比較分析；并多以裝備制造業、醫藥、電子、航空等高技術產業為研究對象，其主要原因在于上述高技術產業中的知識和技術比重大，技術創新產生的作用效果更為明顯，更有利于制造業創新效率的提高。但技術創新不是單一過程，且存在技術外溢性，中國傳統制造業轉型迫在眉睫，因此有必要將制造業進行細分，探討制造業子行業對技術創新的反應程度。此外，技術創新過程復雜，現有文獻主要以技術研發的投入產出作為創新的衡量指標，忽略了新技術在制造業中的實際應用效果。為此，基于已有研究內容，文章的邊際貢獻體現在：第一，將制造業細分為傳統和高技術兩個層面，從行業細分角度分析制造業創新效率水平及內在原因；第二，科學構建數字技術應用水平的指標體系，完善技術創新從研發設計到應用效果的測算全過程；第三，以數字技術應用為核心實證檢驗制造業創新效率的影響因素，再次明確數字技術應用對制造業創新效率提高的決定性作用。

二、研究設計

1.研究模型

（1） 傳統DEA—BCC 模型

數據包絡分析(DEA)是評價相對效率的非參數檢驗方法，根據多產出對多投入的比率衡量決策單元的生產效率或技術創新效率并建立投入產出的最佳規模。傳統DEA-BCC 模型在規模報酬可變的條件下測算靜態創新效率，更適于判斷制造業各行業的創新效率有效性，表達式為[6]：

其中，θ 表示各決策單元的綜合效率，當θ＜1 時，決策單元為非DEA 有效，只有當θ=1 時，決策單元為DEA 有效；s-和s+分別代表投入過量和產出不足時的松弛變量；xj和yj為第j個決策單元的投入和產出量，j=1，2，…，n；λ 為各決策單元的組合比例，n 為決策單元個數。

（2） DEA—Malmquist 指數法

Malmquist 指數法在傳統DEA-BCC 模型的基礎上對不同時期的全要素生產率進行測算，與DEA 結合實現了對效率的細化動態分析。DEA-Malmquist 指數將生產率變化分解為技術效率和技術進步兩個方面，綜合考量了全要素生產率的變化水平。技術效率衡量在技術水平不變的前提下，不同時期投入量的變動所導致的實際產出水平與最優產出水平的差距；技術進步則考慮在投入量不變時，科技創新對最優產出水平的促進作用，并在這一條件下衡量純技術進步導致的實際產出水平與最優產出水平的差距。DEA-Malmquist 指數法利用距離函數D(x，y)計算不同時期投入x 和產出y 的全要素生產率，從t 期到t+1 期生產率的變化為[7]：

在規模報酬不變時，全要素生產率可分解為技術效率變化指數(Effch)和技術進步指數(Techch)，當Effch＞1 時表示t 期到t+1 期的技術效率有所改善，能夠拉動全要素生產率的進一步增長，反之則不利于生產率提高；Techch＞1 時表示該段時間技術進步速度較快，促進生產率提高，反之則抑制生產率提高。在規模報酬可變時，技術效率變化指數又可進一步分解為純技術效率變化指數(Pech)和規模效率變化指數(Sech)，可表示為[8]：

文章將制造業劃分為傳統制造業和高技術制造業，運用DEA-Malmquist 指數法評價制造業全要素生產率變化趨勢，從純技術效率、技術進步和規模效率三個層面分析各行業動態創新效率，彌補了傳統DEA-BCC 模型忽略技術進步對全要素生產率貢獻的短板。

（3） Tobit 回歸模型

DEA-BCC 模型測算的制造業創新效率值是介于0 和1 之間的連續變量，使用普通最小二乘法回歸分析結果容易產生有偏性和不一致[9]，而Tobit 回歸模型可基于廣義最小二乘法對受限因變量進行創新效率及影響因素的分析，模型構建如下[10]：

其中，yit為因變量，為潛變量，當為正值時，代表制造業創新效率；xit為制造業創新效率的影響因素，i 為制造業傳統和高技術行業；t 為時間年份；γ 為影響因素的待估參數；ε 為隨機誤差項。

2.制造業創新效率測度

通過查閱大量文獻發現，制造業創新效率的測度一般分為投入和產出兩方面，同時DEA-BCC 模型和Malmquist 指數法也要求根據多項投入和產出指標進行相對有效性評價，因此文章結合許冰、聶云霞(2021)[11]的研究，從研發和成果應用兩個階段選取效率指標。在研發階段主要考慮資本和勞動力要素投入以及研究和開發機構的科技產出，在成果應用階段以制造業技術改進和新產品開發資金投入以及新產品開發規模和收入水平為主，共選取8 項投入產出指標（見表1）。

表1 制造業創新效率投入產出指標體系

由于制造業中不同行業的科技含量有所差別，對數字技術的吸收和應用程度不同，將制造業細分為傳統和高技術行業更有利于深入分析制造業創新效率的具體情況。鑒于傳統制造業以勞動密集型和制造加工業為主，主要包括紡織、鋼鐵、機電、化工等生產性工業，從而選擇農副食品加工業、紡織業、木材加工業、黑色金屬冶煉和壓延加工業、金屬制品業、化學原料和化學制品制造業、電氣機械和器材制造業、非金屬礦物質品業、橡膠和塑料制品業及其他制造業10 個傳統行業，根據《高技術產業（制造業） 分類（2017）》中的分類原則和數據的可獲取性，選取醫藥制造業、電子及通信設備制造業、計算機及辦公設備制造業、醫療儀器設備及儀器儀表制造業、鐵路、船舶、航空航天和其他運輸設備制造業5 個高技術行業，共15 個制造業子行業作為決策單元，相關數據來源于《中國科技統計年鑒》，研究的時間跨度為2009—2020 年。

3.數字技術應用對制造業創新效率的影響測度

以數字技術為主導的數字化轉型改變了制造業原有的技術創新體系。隨著大數據、物聯網、人工智能等新一代信息技術的不斷成熟和廣泛應用，數字技術與制造業的融合過程和創新方式更為緊密和復雜，對制造業是否充分利用和吸收數字技術的賦能效果有待進一步研究。現有文獻也對技術創新和制造業之間的內在聯系進行了充分的理論論述，但定量分析較少。因此，文章參考溫湖煒、王圣云(2022)[12]的方法，將數字技術應用水平作為衡量制造業數字化程度的標準，研究其對制造業創新效率的影響。

（1） 變量選擇和數據來源

第一，被解釋變量。被解釋變量為DEA-BCC 模型測算的2009—2020 年制造業創新效率，用Crste 表示。

第二，解釋變量。文章主要研究數字技術應用對制造業創新效率的影響，因此將數字技術應用作為核心解釋變量，用Dta 表示。考慮到制造業創新效率還容易受到產業創新規模、產業發展水平以及國外技術支持等因素的影響，文章借鑒丁博等(2019)[13]的研究成果，將各因素共同引入Tobit 模型，控制除數字技術應用外的其他因素對制造業創新效率的促進或抑制作用。其中，產業創新規模選擇研發機構數(R&Dins)衡量，產業發展水平選擇利潤總額(Tpro)和經營收入(Opin)衡量，國外技術支持則由技術引進經費支出(Tie)衡量。由此，建立如下Tobit 回歸模型：

（2） 數字技術應用的測算

《數字經濟及其核心產業統計分類（2021）》將數字經濟產業范圍分為5 個大類，其中便包括數字技術應用業，具體分為軟件開發、電信廣播衛星傳輸服務、互聯網相關服務、信息技術服務以及其他數字技術應用業，涵蓋制造業數字化轉型所需的多種基礎性技術支撐行業，因而以此為依據綜合選取軟件開發和應用、電信服務、互聯網相關服務三個方面共9 個指標，并構建科學合理的數字技術應用指標體系（見表2）。

表2 數字技術應用水平測度指標體系

根據上述指標體系，參考蔡玉勝、呂靜韋(2018)[14]的研究方法，采用熵值法在一定程度上彌補主觀賦值的缺陷，并經過標準化處理、計算熵值和指標權重等過程測算出2009—2020 年數字技術應用水平（見表3），數據來源于歷年《中國統計年鑒》 《中國科技統計年鑒》和《中國電子信息產業統計年鑒》。

表3 2009—2020 年數字技術應用水平

三、實證結果分析

1.制造業創新效率動態分析

基于上述DEA-Malmquist 指數法對制造業動態創新效率分析的理論支撐，運用DEAP2.1 軟件，對2009—2020 年制造業15 個子行業的面板數據進行分析，得出中國制造業子行業及各年度的動態創新效率，即全要素生產率及其分解結果，具體如表4 和表5 所示。

表4 2009—2020 年制造業動態創新效率

由表4 可知，制造業創新效率的年平均全要素生產率為0.965，未達到DEA 有效，表明制造業創新效率在2009—2020年整體未達到帕累托最優，但大部分年度數據與DEA 有效距離相差不大，全要素生產率變動幅度較小，主要原因在于全要素生產率增長趨勢不穩定，易出現反復下降過程，從而導致制造業創新效率不高。這一局面與2008 年全球金融危機爆發導致的經濟下行和經濟緊縮的宏觀調控不無關系，同時，中國對外進出口貿易增速放緩甚至出現負值、大量企業破產或減產、失業率大幅上升等因素也使制造業創新的勞動力和資本短缺。隨著經濟增長的重點重新轉移到制造業，中國也提出以創新驅動制造業高質量發展，因此在2014—2015 年間制造業創新效率短暫提升，達到DEA 有效。Malmquist 分解指數的平均值均小于1，也說明制造業創新效率并未達到DEA 有效，多數時間段的技術進步指數與全要素生產率呈現同向變動和一定程度的協同效應，由此判斷技術進步是制造業創新效率提高的主要因素，純技術效率和規模效率各自變動幅度的大小決定了技術效率指數的最終變化。但2011—2012 年、2017—2018 年的數據表明，技術進步指數雖有效，也不能彌補技術效率指數的過大差距，需全方位推動制造業創新效率的提高。

2019 年以來，中國技術研發經費和要素投入逐年提高，但技術效率和進步指數增長動力始終不足。原因在于：一方面是中國偏重于基礎制造，境外技術引進和消化吸收成本高，而由于核心數字技術的貿易壁壘和單邊主義抬頭導致高技術制造業回流到發達國家，為獲取高額利潤只能重新依賴于自主創新；另一方面，中國制造業數字技術基礎薄弱，從技術進步指數推斷出自主創新水平短時間內穩步提高的難度較大，平均規模效率指數小于1 也說明了大規模要素投入和市場擴張導致了規模不經濟問題，造成資源浪費的同時形成了產能過剩現象。2019—2020 年的全要素生產率重新達到DEA 有效，主要原因在于從2018 年開始，技術進步指數和純技術效率指數大幅度上升，表明中國制造業創新能力的顯著提高， 《中國制造（2025）》等國家行動綱領在經歷時滯效應后逐漸帶動技術水平優化，使得制造業創新效率進一步增長。總體而言，2014—2015 年制造業創新效率由于經濟增長觀念的轉變得到短時間內的提升，但由于技術效率和進步水平的短板又一次導致創新效率的下降。隨著中國技術自主創新能力的增強和政策保障，2018—2019 年的技術效率和進步水平開始回升，在2019—2020 年制造業創新效率達到1.030，中國制造業創新效率得以提升。為了更充分地表達制造業創新效率的變動趨勢，將制造業細分為傳統和高技術兩部分進行子行業Malmquist 指數及分解分析，具體如表5 所示。

表5 列出了制造業子行業的創新效率值。在傳統制造業行業中，木材加工業、非金屬礦物制品業和其他制造業的全要素生產率大于1，高技術制造業中所有子行業全要素生產率小于1，制造業平均全要素生產率及分解指標均小于1，說明近十年中國制造業創新能力有限，無論是傳統制造業還是高技術制造業都缺少持續發展動力。究其原因，從分解指標可以看出制造業整體技術進步指數較低，制造業創新效率受到技術和制度創新匱乏的制約。具體而言，高技術制造業的技術效率指數幾乎均達到1，是由于技術進步指數的拖累效應導致高技術制造業創新效率偏低；而傳統制造業中多數子行業的純技術效率和規模效率各有不足，說明子行業中各自存在資源配置或是生產規模不當的情況，但共性問題仍在于技術進步對創新效率貢獻不大，尤其是農副食品加工、金屬制品、化學原料和化學制品、電氣機械和器材、橡膠和塑料等傳統行業受到技術創新匱乏、制度保障不足、資源使用不合理及生產規模效率有限等多重因素的影響，可見傳統制造業技術效率和技術進步水平均有待改善。傳統制造業和高技術制造業的創新效率雖不高，但其內因各不相同，高技術制造業的問題集中在技術水平和制度創新層面，傳統制造業則需全方位提高薄弱環節。總體而言，高技術制造業創新效率整體優于傳統制造業，相比傳統制造業而言，技術自主創新能力的促進作用更為明顯；反觀傳統制造業，技術效率和技術進步指數的雙重壓力為創新效率的提升提出了更多挑戰，亟需針對性發展策略。

表5 2009—2020 年制造業子行業創新效率

綜合制造業全要素生產率的時間動態變化和各子行業的全要素生產率水平可知，技術進步指數偏低成為抑制制造業創新效率的主要因素。技術進步是制造業生產工藝、制造技能等方面的改進，反映制造業生產前沿面的移動及對創新效率的貢獻，其內在動力來源于技術創新和應用[15]。因此，在新型技術層出不窮、制造業數字化轉型的驅動下，數字技術成為創新的核心動力，數字技術應用的賦能對制造業創新效率提升具有重要作用。基于以上分析，文章進一步借助Tobit 模型研究數字技術應用對制造業創新效率的影響。

2.數字技術應用對制造業創新效率的Tobit 回歸分析

文章運用stata16.0 軟件測算數字技術應用對制造業創新效率的影響程度。首先，對模型進行Hausman 檢驗以篩選模型偏好，為降低原始數據波動對實證結果的影響，將所有數據取對數進行平滑性處理，同時不改變數據原有性質和關系。由于Prob＞chi2=0.2672，不拒絕原假設，且制造業創新效率值具有截斷特征，各變量數據連續強平衡，因而選擇面板隨機效應Tobit回歸模型進行分析；其次，在面板數據隨機效應模型下，進行可行的廣義最小二乘法和穩健性估計，實證結果如表6 所示。

表6 制造業創新效率影響因素的Tobit 回歸結果

由實證結果可知，數字技術應用對制造業創新效率具有顯著促進作用，回歸系數為0.26，在所有因素中影響程度最高，再次驗證了技術進步在制造業創新效率中的決定性增加研發機構數量能帶動現有技術的創新改革，業務經營的穩步發展有利于穩固制造業資本實力，從而促進制造業創新效率提高；利潤增多并未引起制造業創新效率的提高，其原因可能是利潤再投資與創新效率提高之間存在差異，從而導致資源與供需錯配；技術引進經費支出對制造業創新效率的回歸系數顯著為負，其原因一方面在于對國外技術引進的依存度過高容易導致國內制造業失去自主創新的積極性和源動力；另一方面則是國外技術引進成本過高，國內技術尚未與國外技術形成良好互補，導致資本投入量大且抑制創新效率的提高。整體上看，研發機構數量、利潤總額、營業收入以及技術引進經費支出雖對制造業創新效率具有顯著影響，但其影響效果遠低于數字技術應用，這一現象表明在新一代信息技術革命背景下，傳統的勞動密集和資本密集型生產模式有效性不斷降低，數字技術所釋放的技術紅利和溢出效應已成為制造業價值創造和獲取的新動能，進一步深化了數字技術應用對制造業創新效率的重要滲透和融合作用。

四、結論和建議

文章以中國2009—2020 年制造業15 個子行業為研究對象，采用DEA-Malmquist 指數法對其創新效率進行動態評價，結果表明大部分子行業的創新效率未達到DEA 有效，其主要原因在于技術進步指數不高，即制造業技術創新和應用能力不足。而使用面板隨機效應Tobit 回歸模型對影響因素進行實證分析后發現，加強數字技術應用顯著提高制造業創新效率，且影響程度遠大于制造業發展水平、創新規模以及國外技術引進對創新效率的促進或抑制作用，由此可見，數字技術應用是影響制造業創新效率的決定性因素。此外，從研發機構數量對制造業創新效率的正向影響可以判斷，中國數字技術創新水平提升空間較大，適當降低國外技術引進有利于提高中國技術自主創新能力；利潤總額的反向作用也表明利潤提高并不能反哺制造業創新效率，而是要在利潤轉化為資本的同時避免資源配置與制造業供需的結構性矛盾，并通過增加經營收入穩固制造業資本轉化實力。數字技術應用是制造業創新效率提高的新增長點，是數字化產品在制造業中的深層次嵌入和融合，由于目前中國技術基礎薄弱，數字技術的滲透力和推動力還存在不足，因此為提高制造業創新效率，仍應進一步拓展技術創新空間，加強數字技術應用。

第一，夯實技術創新基礎，強調自主創新和研發能力。一是加快新型基礎設施建設，完善數字技術應用于制造業的支撐載體，構建數字技術大規模發展應用平臺；二是明確數字技術投資新方向，加大對人工智能、工業互聯網等新型信息技術的投入，整合和優化資源要素，保證技術研發精準匹配市場需求；三是推進知識創新和技術創新，注重原始創新、集成創新和引進消化吸收再創新，突破關鍵核心技術難題，開展數字技術應用標準研究；四是加強數字技術與制造技術的融合，以數字技術保障智能材料、智能元器件等制造業核心零部件的創新能力，獲取制造業高附加價值。

第二，完善數字技術應用準則，規范市場交易行為。數字技術應用所釋放的巨大紅利和價值增值打破了市場原有的利益均衡，且尚未形成新的價值分配體系，因此一方面要以立法的形式明確數字技術所有權和使用權的歸屬，制定價值分配、技術共享等方面的準則；另一方面要改善市場環境，規范技術自我保護所導致的行業準入壁壘行為，增強金融服務、市場營商環境等制度保障的時效性。