我國智能制造企業(yè)技術創(chuàng)新效率提升的主要影響因素
——基于三階段DEA-Tobit 模型的分析

張 浩，毛家輝，汪天宇

（江蘇科技大學經(jīng)濟管理學院，江蘇鎮(zhèn)江 212100）

智能制造企業(yè)主要是指從事軟硬件等智能產(chǎn)品的開發(fā)與銷售工作的企業(yè)，屬于典型的高技術產(chǎn)業(yè)，故而對于技術的要求十分嚴格。這些軟硬件技術需要大量的研發(fā)投入和長期的經(jīng)驗積累，所以怎樣合理分配創(chuàng)新資源的投入以及如何提高效益產(chǎn)出在智能制造企業(yè)的發(fā)展過程中十分重要。但是，我國目前在智能制造發(fā)展方面仍然存在一些不足，如王媛媛等［1］認為我國智能制造企業(yè)基礎理論和技術體系建設滯后，關鍵核心技術對外依存度較高；覃浩高［2］指出我國智能制造領域缺乏行業(yè)標準和自主創(chuàng)新能力。不難看出，制約我國智能制造行業(yè)發(fā)展的核心在于技術創(chuàng)新體系滯后及能力的不足。因此，通過對智能制造行業(yè)技術創(chuàng)新效率有關問題進行分析研究，能夠為我國智能制造企業(yè)進行結構調(diào)整與產(chǎn)業(yè)轉型提供決策支持。

1 文獻綜述

技術創(chuàng)新效率最早由Afriat［3］提出，認為衡量技術創(chuàng)新的水平主要由研發(fā)創(chuàng)新活動的效率所決定。目前國內(nèi)外學者已經(jīng)對技術創(chuàng)新效率開展諸多研究，其中最常用的是隨機前沿分析（SFA）以及數(shù)據(jù)包絡分析（DEA）。洪進等［4］運用SFA 方法研究了我國醫(yī)藥制造產(chǎn)業(yè)的創(chuàng)新效率并分析了其影響因素，結果顯示雖然大部分產(chǎn)業(yè)創(chuàng)新效率較低，但創(chuàng)新效率值呈現(xiàn)上升趨勢；李向東等［5］基于我國高技術產(chǎn)業(yè)的面板數(shù)據(jù)，采用SFA 方法對技術創(chuàng)新效率影響因素進行研究；Rezaei 等［6］運用SFA 方法對伊朗庫爾德斯坦醫(yī)院的技術效率進行研究，結果表明其技術效率值較低，并提出在醫(yī)院績效評估時需要考慮的因素。然而隨機前沿分析法模型假設較為復雜，對投入產(chǎn)出數(shù)據(jù)要求較高。而DEA 方法由于不需要具體函數(shù)且能測算評估多投入多產(chǎn)出的系統(tǒng)，因而成為測算技術創(chuàng)新效率的主流方法，例如，Li 等［7］利用DEA 模型測算了我國東部制造業(yè)技術創(chuàng)新效率發(fā)現(xiàn)，技術創(chuàng)新帶動了經(jīng)濟水平的提升；劉迎春［8］采用DEA 方法分兩個階段測算研究我國戰(zhàn)略性新興產(chǎn)業(yè)的創(chuàng)新效率。近年來，DEA 方法的應用得到了不同程度的擴充和改進，如鄭旭輝等［9］運用共享投入關聯(lián)兩階段DEA 測量創(chuàng)新效率研究發(fā)現(xiàn)，2015—2018 年福建省高新區(qū)技術研發(fā)效率低下、創(chuàng)新能力薄弱，離有效的效率前沿差距較大；王義新等［10］運用兩階段網(wǎng)絡DEA-Tobit 模型研究了我國36 個工業(yè)細分行業(yè)的科技創(chuàng)新效率，以及研發(fā)階段和成本轉化兩階段效率的影響因素；童萍等［11］通過建立投入產(chǎn)出指標體系，運用兩階段DEA-Malmquist 指數(shù)模型測算出2012—2016 我國新能源汽車企業(yè)在動態(tài)和靜態(tài)兩個層面上的技術創(chuàng)新效率。

自“十四五”規(guī)劃實施以來，我國智能制造企業(yè)飛速發(fā)展，已有較多學者利用DEA 模型對我國智能制造企業(yè)技術創(chuàng)新效率相關問題進行了研究分析，如樓旭明等［12］通過建立包括4 個投入指標、3個產(chǎn)出指標的DEA 交叉效率模型，從企業(yè)和行業(yè)兩個層面對43 家智能制造上市公司技術創(chuàng)新效率進行測度及分析；穆建森等［13］基于DEA 模型對2013—2016 年50 家智能制造上市公司進行技術創(chuàng)新效率測算研究，并進行行業(yè)對比分析；劉峰等［14］使用報酬可變的BCC-DEA 模型建立包括4 個投入、兩個產(chǎn)出指標模型，對52 家智能制造企業(yè)技術創(chuàng)新效率進行了測算分析。相較于傳統(tǒng)DEA 模型，三階段DEA 模型可以把環(huán)境變量及隨機噪聲引入到投入指標中，從而得出更加真實可靠的結果。自Fried 等［15］最早將環(huán)境變量及隨機噪聲引入DEA 模型，以及Jondrow 等［16］推導出三階段DEA 模型的分離公式后，三階段DEA 模型便得到廣泛運用，此后，有研究運用三階段DEA 模型對我國40 家半導體企業(yè)技術創(chuàng)新效率進行了評價［17］，還有研究運用三階段DEA模型測算分析了我國187 家新能源汽車上市公司技術創(chuàng)新效率［18］。

誠然，現(xiàn)有對于智能制造企業(yè)技術創(chuàng)新效率問題的研究取得了一些進展，但仍然存在以下不足：已有關于智能制造企業(yè)技術創(chuàng)新效率的相關文獻大多是采用一階段DEA 模型或是網(wǎng)絡DEA 模型，這樣容易忽視環(huán)境變量及隨機擾動等對智能制造企業(yè)技術創(chuàng)新效率的影響，且缺少智能制造企業(yè)技術創(chuàng)新效率的影響因素分析。

2 智能制造企業(yè)技術創(chuàng)新效率測度研究設計

2.1 樣本及數(shù)據(jù)來源

選取智能制造上市企業(yè)作為研究對象，除去其中ST、PT 以及數(shù)據(jù)不完整的樣本，最終確定了86家上市企業(yè)，對其2016—2020 年的技術創(chuàng)新效率進行測度。投入產(chǎn)出變量數(shù)據(jù)均來自國泰安數(shù)據(jù)庫披露的上市公司財務報告，專利數(shù)據(jù)來自國家知識產(chǎn)權局的專利數(shù)據(jù)庫，環(huán)境變量的數(shù)據(jù)來自各企業(yè)的年度財務報告以及各省市的統(tǒng)計年鑒。

2.2 評價指標體系的建立及環(huán)境變量的選取

評價指標體系如表1 所示。

表1 智能制造企業(yè)技術創(chuàng)新效率測度指標體系

運用SPSS22.0 對投入指標進行主成分分析，先對7 個投入指標進行KMO 檢驗和Bartlett 球形檢驗，如表2 所示，結果顯示智能制造企業(yè)技術創(chuàng)新投入數(shù)據(jù)的KMO 檢驗值為0.596，同時sig 值為0，結果通過了顯著性檢驗，說明樣本數(shù)據(jù)適合使用因子分析。

表2 KMO 檢驗和Bartlett 球形檢驗結果

隨后對樣本進行因子方差分析，結果見表3，顯示前2 個因子的特征根均大于 1，累計方差貢獻率為74.11%（大于70%），能夠較好地解釋數(shù)據(jù)包含的信息。

表3 因子方差分析結果

表4 將兩個主成分下的指標按系數(shù)從大到小依次排列，由于第一和第二主成分的方差貢獻率分別為48.79%和25.33%，基于使用 DEA 方法時的指標個數(shù)原則，投入指標在兩個主成分中的選取個數(shù)分別定為2 和1，因此第一主成分中選取指標X1和X6，第二主成分中選取指標X4。

表4 主成分得分系數(shù)矩陣

產(chǎn)出指標的篩選以吳和成等［19］提出的產(chǎn)出集中度原則為依據(jù)，即所選取的產(chǎn)出指標必須是相互關聯(lián)的，使生產(chǎn)函數(shù)中達到所要求的產(chǎn)出集中度，所以本研究以產(chǎn)出指標之間的相關系數(shù)為依據(jù)，剔除與其他指標相關較小的產(chǎn)出指標，從而使所保留的技術創(chuàng)新產(chǎn)出指標可以更好地反映技術創(chuàng)新成果。根據(jù)各產(chǎn)出指標間的相關系數(shù)（見表5），剔除與其他變量具有較小相關性的Y2和Y5指標。

表5 樣本智能制造企業(yè)產(chǎn)出指標間相關系數(shù)

在實際研究分析時，智能制造企業(yè)的技術創(chuàng)新效率不僅取決于投入指標和產(chǎn)出指標，還受到宏觀經(jīng)濟、政府政策等多重因素的影響，所以，要想讓智能制造企業(yè)的技術創(chuàng)新效率測算結果更加全面、準確，就需要將其與環(huán)境變量相結合進行全面的考慮。在對現(xiàn)有文獻進行綜述的基礎上，結合智能制造企業(yè)技術創(chuàng)新的特點和數(shù)據(jù)的可得性，選擇了3 個因素，即腹地生產(chǎn)總值（GDP）（智能制造企業(yè)所在省份生產(chǎn)總值）、政府財政補貼和地區(qū)競爭程度，來度量環(huán)境因素對智能制造企業(yè)技術創(chuàng)新效率的影響。

綜上所述，最終構建智能制造企業(yè)技術創(chuàng)新效率測算指標體系如表6 所示。

表6 智能制造企業(yè)技術創(chuàng)新效率測度指標體系

2.3 研究模型

Fried 等［15］指出傳統(tǒng)DEA 模型未考慮環(huán)境因素和隨機噪聲對各決策單元（DMU）效率評價的影響，因此提出三階段 DEA 模型，將傳統(tǒng) DEA 與隨機前沿分析法結合，將初次DEA 結果中的隨機誤差、環(huán)境因素等剔除，隨后進行第二次 DEA 結果測算，可以更為準確地得到每個決策單元的真實效率。

第一階段：選用規(guī)模報酬可變的 BCC 模型，使用 DEAP 2.1 軟件將決策單元的原始投入和產(chǎn)出數(shù)據(jù)代入BCC 模型，測度各個決策單元最初的綜合效率、純技術效率及規(guī)模效率，并得到投入松弛變量。

第二階段：構建SFA 模型，以剔除環(huán)境因素和隨機變量對各個DMU 效率值的影響。

在SFA 回歸參數(shù)基礎上，采用成本函數(shù)的形式對變量進行分離，并對原始投入數(shù)據(jù)進行調(diào)整，如式（2）所示：

第三階段：將調(diào)整后的投入值替代原始投入值，并與原始產(chǎn)出值一同再次代入傳統(tǒng) DEA 模型，使用DEAP 2.1 軟件進行效率測度，由此得到剔除環(huán)境和隨機誤差影響的決策單元各項效率結果。

3 智能制造企業(yè)技術創(chuàng)新效率測度分析

3.1 第一階段結果分析

通過BCC 模型和DEAP2.1 軟件對樣本企業(yè)的綜合效率、純技術效率、規(guī)模效率及規(guī)模收益狀態(tài)進行測算，結果如表7 所示。可以發(fā)現(xiàn)，規(guī)模效率整體較高，但純技術效率不高導致了綜合效率偏低；綜合效率平均值整體呈現(xiàn)先上升后下降的波動趨勢，效率值范圍在0.4 至0.7 之間波動，說明企業(yè)技術創(chuàng)新效率處于相對較低的水平、有待提高。其中，綜合技術效率值始終維持在1 的企業(yè)有6 家，分別是大族激光科技產(chǎn)業(yè)集團股份有限公司、武漢精測電子集團股份有限公司、寧波慈星股份有限公司、福能東方裝備科技股份有限公司、杭州品茗安控信息技術股份有限公司以及浙江田中精機股份有限公司，其投入產(chǎn)出效率一直處于技術創(chuàng)新的前沿面上，也表明了這些企業(yè)在生產(chǎn)過程中能夠高效利用資源、降低生產(chǎn)成本，提高產(chǎn)品質量和產(chǎn)出效益；有13家企業(yè)的綜合技術創(chuàng)新效率始終低于平均值，距離DEA 有效的目標較遠。

表7 樣本智能制造企業(yè)第一階段平均技術創(chuàng)新效率

3.2 第二階段結果分析

在DEA 分析的第二階段，把第一階段中測算出的3 種投入變量即R&D 人員全時當量、固定資產(chǎn)投入、研究經(jīng)費支出的松弛變量作為函數(shù)的被解釋變量，選取腹地GDP、政府財政支持總額以及區(qū)域開放程度作為解釋變量，考察3 個環(huán)境變量對3 個投入松弛變量的影響。利用Frontier4.1 軟件計算得出的結果如表8 所示，具體分析如下：

表8 樣本智能制造企業(yè)技術創(chuàng)新效率基于SFA 的第二階段回歸結果

（1）企業(yè)所在地區(qū)經(jīng)濟水平對企業(yè)R&D 人員當時數(shù)量、期末固定資產(chǎn)和企業(yè)研究經(jīng)費3 種創(chuàng)新投入松弛變量的回歸系數(shù)均為負，且在5%或1%水平下通過顯著性檢驗。說明當智能制造企業(yè)處于經(jīng)濟水平發(fā)展較高的地區(qū)時，其技術創(chuàng)新投入冗余得到有效減少。可能因為當企業(yè)所在腹地GDP 增加時，能夠給企業(yè)的技術創(chuàng)新活動提供有力的經(jīng)濟支持，為企業(yè)的創(chuàng)新活動提供源源不斷的動力，同時能夠吸引更多的創(chuàng)新資源為企業(yè)所用，推動企業(yè)對技術創(chuàng)新活動資源進行合理配置，減少了企業(yè)開展技術創(chuàng)新活動中R&D 人員全時當量、固定資產(chǎn)以及研究經(jīng)費支出等投入浪費，在一定程度上提高了智能制造企業(yè)技術創(chuàng)新效率。

（2）政府財政支持對智能制造企業(yè)研究經(jīng)費支出的技術創(chuàng)新投入松弛變量的回歸系數(shù)為負，且通過1%的顯著性水平檢驗。說明了政府財政支持的增加能夠減少企業(yè)研究經(jīng)費支出的冗余，同時能夠促進技術創(chuàng)新活動、盤活企業(yè)技術創(chuàng)新活動的資源。這可能是因為隨著政府提高對智能制造企業(yè)技術創(chuàng)新的重視，給企業(yè)提供資金支持，同時又建立了堅實的制度為企業(yè)創(chuàng)新活動保駕護航，使得智能制造企業(yè)加強了對技術創(chuàng)新投入資源的控制，避免盲目擴大研究經(jīng)費支出而導致投入冗余。

（3）區(qū)域競爭程度對R&D 人員全時當量、固定資產(chǎn)以及研究經(jīng)費投入的松弛變量系數(shù)均顯著為負。說明當智能制造企業(yè)所處環(huán)境中行業(yè)競爭較為激烈時，其用于技術創(chuàng)新活動的人力、物力、財力投入的資源均能夠得到合理配置，技術創(chuàng)新效率得到顯著提高，這也反映了產(chǎn)業(yè)集群效應。產(chǎn)業(yè)集群進一步集中了區(qū)域內(nèi)的人力、物力、財力，技術創(chuàng)新交流與共享也因此更加方便流暢，從而能夠促使智能制造企業(yè)合理配置技術創(chuàng)新活動的投入支出；同時，當區(qū)域內(nèi)同類型企業(yè)增多時，競爭壓力增大在一定程度上有助于提高企業(yè)研發(fā)投入的利用率，從而開拓更多的創(chuàng)新資源，在市場競爭中占據(jù)優(yōu)勢。

可見，各個環(huán)境變量對樣本企業(yè)技術創(chuàng)新投入的冗余造成不同方向、不同程度的影響，且企業(yè)的技術創(chuàng)新效率在一定程度上受到了隨機因素的干擾，這樣會使得第一階段DEA 模型所測算的效率值不可避免產(chǎn)生誤差，導致效率失真的可能性。因此，應當根據(jù)第二階段SFA 的回歸結果對智能制造企業(yè)技術創(chuàng)新活動的投入進行調(diào)整，使各企業(yè)位于相同的環(huán)境。

3.3 第三階段結果分析

將剔除環(huán)境因素及隨機噪聲的投入產(chǎn)出代入第一階段模型中重新計算，結果如表9 所示，樣本企業(yè)技術效率平均值有所上升，這說明利用傳統(tǒng)DEA方法未考慮環(huán)境條件和隨機噪聲致使智能制造企業(yè)技術創(chuàng)新效率被低估，未能真實反映技術創(chuàng)新效率水平；純技術效率平均值由0.652 上升到0.660，有19 家企業(yè)的純技術效率幾乎保持不變，有48 家企業(yè)的純技術效率上升，有19 家企業(yè)的純技術效率下降。由此可見，環(huán)境因素和隨機噪聲其實掩蓋了企業(yè)真實純技術效率，最終對其綜合效率值產(chǎn)生影響。由表7 和表9 對比可知，企業(yè)的平均規(guī)模效率由0.808上升為0.832，這說明在剔除環(huán)境因素及隨機噪聲的影響后，規(guī)模收益遞增的企業(yè)明顯增多，說明環(huán)境因素有利于智能制造企業(yè)規(guī)模的擴大，因此，大部分企業(yè)可以加大投入規(guī)模從而提高技術創(chuàng)新效率。而調(diào)整前后規(guī)模收益都呈現(xiàn)遞減狀態(tài)的企業(yè)更應該合理利用與配置創(chuàng)新資源來提高創(chuàng)新效率，而不是繼續(xù)擴大投入要素。

表9 樣本智能制造企業(yè)第三階段平均技術創(chuàng)新效率

4 智能制造企業(yè)技術創(chuàng)新效率影響因素分析

為了進一步分析企業(yè)技術創(chuàng)新效率的影響因素，結合投入產(chǎn)出指標和國內(nèi)外研究基礎，并結合智能制造企業(yè)的特征，選取影響企業(yè)智能制造技術創(chuàng)新效率的6 個因素，即企業(yè)員工素質、企業(yè)規(guī)模大小、企業(yè)研發(fā)投入強度、專利授權數(shù)量、政府補助力度和股權集中度，構建Tobit 回歸模型如下：

從表10 可知，企業(yè)員工素質、企業(yè)規(guī)模大小、企業(yè)研發(fā)投入強度和政府補助力度的回歸系數(shù)均為正數(shù)，且企業(yè)規(guī)模大小的系數(shù)達到了1%的顯著性水平，說明企業(yè)規(guī)模大小與智能制造企業(yè)技術創(chuàng)新效率顯著正相關。大規(guī)模企業(yè)通常擁有更多的研發(fā)資源和資金，可投入更多的技術創(chuàng)新和研發(fā)項目，進而提升企業(yè)的技術水平和創(chuàng)新潛力，從而提高企業(yè)技術創(chuàng)新效率。政府補助力度的回歸系數(shù)達到了5%的顯著性水平，說明政府補助力度與智能制造企業(yè)技術創(chuàng)新效率顯著正相關。政府補助可以幫助企業(yè)緩解資金壓力，為企業(yè)的技術創(chuàng)新提供重要的經(jīng)濟保障；同時，政府補助還能夠加速智能制造技術的推廣和應用，提高技術創(chuàng)新的整體效率。企業(yè)研發(fā)投入強度的回歸系數(shù)達到了10%的顯著水平，說明企業(yè)研發(fā)投入強度與智能制造企業(yè)技術創(chuàng)新效率顯著正相關。企業(yè)研發(fā)投入強度是企業(yè)技術創(chuàng)新活動的重要保障和基礎，隨著研發(fā)投入的增加，企業(yè)擁有更多的研發(fā)資源和資金、聘請更多的技術人才，并完善企業(yè)技術創(chuàng)新的各個環(huán)節(jié)，加速技術創(chuàng)新的進程，從而提高企業(yè)的智能制造技術創(chuàng)新效率。企業(yè)員工素質的回歸系數(shù)未通過顯著性檢驗，所以企業(yè)員工素質對智能制造企業(yè)技術創(chuàng)新效率影響不顯著。一般來說，智能制造技術創(chuàng)新活動主要依賴于企業(yè)內(nèi)部技術團隊以及研發(fā)人員的專業(yè)知識和技能，如果想要提升員工的素質從而讓員工增強創(chuàng)新意識和能力，則需要花費更多的時間，并對其進行更多的資源投資，這就意味著并不能快速地提升企業(yè)的技術創(chuàng)新效率。專利授權數(shù)量回歸系數(shù)未通過顯著性檢驗，即說明專利申請數(shù)對智能制造企業(yè)技術創(chuàng)新效率影響不顯著。首先，一些企業(yè)為了滿足專利申請數(shù)量的需求，可能會將精力更多地投入到專利的量產(chǎn)上，而不是專注于技術開發(fā)，導致企業(yè)技術創(chuàng)新效率受到負面影響，雖然獲得了更多的專利授權，但這并不代表企業(yè)的技術創(chuàng)新效率更高；其次，專利授權數(shù)量多并不代表著專利質量高或對相關技術領域影響力大。股權集中度回歸系數(shù)未通過顯著性檢驗，表明股權集中度對智能制造企業(yè)技術創(chuàng)新效率影響不顯著；原因在于，股權集中度較高的企業(yè)可能會受到股東對企業(yè)經(jīng)營決策的限制，尤其是對于那些主要集中在幾位股東手中的企業(yè)，這些股東可能重視短期利潤，對于長期的技術創(chuàng)新和研發(fā)投資不愿意承擔更多的風險，而技術創(chuàng)新和研發(fā)投資一般需要長期的投資和持續(xù)的耐心，股權集中度高的企業(yè)可能會更注重短期利潤，導致技術創(chuàng)新的效率降低。

表10 樣本智能制造企業(yè)技術創(chuàng)新效率影響因素的Tobit 回歸結果

5 結論與啟示

本研究運用三階段DEA 的模型測算了我國86家智能制造上市公司2016—2020 年的技術效率情況，結果發(fā)現(xiàn)，在剔除了環(huán)境和隨機因素之后，大部分企業(yè)的技術效率、純技術效率和規(guī)模效率都有所上升，說明我國智能制造企業(yè)技術創(chuàng)新效率被低估了；隨后運用Tobit 回歸模型，得出企業(yè)規(guī)模大小、企業(yè)研發(fā)投入強度以及政府補助力度的回歸系數(shù)均為正，說明智能制造企業(yè)技術創(chuàng)新效率提升需要企業(yè)擴大規(guī)模和強有力的政府補助支持，同時也需要企業(yè)自身加大研發(fā)投入強度。

基于以上研究結果，提出以下對策建議：

（1）完善政府扶持政策，優(yōu)化智能制造企業(yè)創(chuàng)新環(huán)境。政府扶持政策是推廣智能制造、促進企業(yè)發(fā)展的重要保障，因此，在政府職能轉變中，應建立健全相關法律法規(guī)體系、完善相關政策制度。對智能制造企業(yè)實施分類管理，對于具備一定技術實力、創(chuàng)新能力較強、有較強市場競爭力的智能制造企業(yè)，實行重點扶持，培育其成為國家重點龍頭企業(yè)；對于生產(chǎn)技術水平較低、市場競爭力不強的企業(yè)，要加大扶持力度，為其提供場地和設備支持等相關配套服務。對于中小企業(yè)和高新技術企業(yè)則要一視同仁，在稅收優(yōu)惠方面給予一定的照顧。建立和完善智能制造服務體系，加快智能制造公共服務平臺建設，建立健全智能制造產(chǎn)品質量檢測標準體系；積極開展服務外包，降低智能制造企業(yè)的成本；加強對知識產(chǎn)權的保護，降低企業(yè)創(chuàng)新風險，鼓勵企業(yè)開展“雙創(chuàng)”活動，提高企業(yè)創(chuàng)新能力。

（2）構建智能制造協(xié)同創(chuàng)新機制，實現(xiàn)“產(chǎn)學研用”一體化發(fā)展。鼓勵企業(yè)積極參與行業(yè)、科研機構組織開展的技術交流與合作研發(fā)活動，一方面通過成立協(xié)同創(chuàng)新平臺，促進產(chǎn)業(yè)協(xié)同發(fā)展；另一方面充分發(fā)揮產(chǎn)業(yè)集聚優(yōu)勢，利用產(chǎn)業(yè)集聚效應促進智能制造產(chǎn)業(yè)協(xié)同發(fā)展，推動新一代信息技術與制造業(yè)深度融合，提升產(chǎn)業(yè)競爭力。

（3）加強研發(fā)創(chuàng)新投入，積極推動科技成果轉化。本研究的實證結果顯示導致智能制造企業(yè)效率低下的主要原因在于純技術效率降低，因此企業(yè)要加大研發(fā)及科技投入，支持團隊的研發(fā)和實驗工作，為技術創(chuàng)新提供有力的資金和技術保障。通過加大科技投入，增強企業(yè)的研發(fā)創(chuàng)新能力，把研發(fā)創(chuàng)新工作納入企業(yè)整體戰(zhàn)略規(guī)劃并優(yōu)先考慮發(fā)展新技術和新產(chǎn)品，建立完善的研發(fā)管理制度，為研發(fā)創(chuàng)新提供完善的管理和保障，倡導研發(fā)創(chuàng)新文化，激發(fā)員工創(chuàng)新積極性和創(chuàng)新意識，形成濃厚的創(chuàng)新氛圍。