中國科技企業創新效率研究
——以美國實體清單上的中國科技企業為例

卞萬霞，姜 娟

（南京郵電大學 管理學院，江蘇 南京 210003）

一、引言

近些年，美國以維護自身國家利益為由，工業和安全局通過頒布拒絕人員清單、未經驗證清單和實體清單來保護美國技術產權，控制美國技術外流。實體清單是以上所有清單中條件最為苛刻的，主要為限制存在威脅美國國家安全可能性的組織或者有可能威脅美國外交政策利益的組織獲得美國敏感技術以及特殊組件。實體清單上的實體除非擁有許可證，不然將被美國出口商拒絕提供清單上的管轄物項。目前，美國已經對軍工、科技、芯片、核電、安防、網絡安全等多個領域的相關實體進行了限制。總而言之，美國實體清單類似于“黑名單”，一旦相關企業、研究院所、政府機構或其他組織被列入實體清單中，將會在美國貿易受限，難以獲得需要的物項以及技術。

目前中國部分科技公司和研究院所被美國列入實體清單當中，被列入實體清單的中國部分科技企業的發展水平和發展速度受到了一定的限制。比如美亞柏科、科大訊飛、海康威視等科技企業在芯片、半導體材料、高科技技術等方面難以保持先前的研發水平和研發速度，相關科技企業的創新效率受到不同程度影響。而科技企業作為推動經濟增長的主要力量之一，在我國的經濟發展中起著不可忽視的作用。因此，在我國的發展進程中，科技企業的創新效率起著至關重要的作用，對推動國家的進步和繁榮具有重大意義。我國科技企業的創新效率應當受到國家的高度關注和重視。面對美國頒布實體清單限制中國科技企業的現狀，我國應該采取相應的措施，保護實體清單上被列出的科技企業，為我國科技企業的研發水平與研發能力提供支持，保持和維護我國科技企業的創新效率。

因此，一系列新的問題值得被關注：在美國頒布實體清單的背景下，實體清單上的中國科技企業創新效率是否存在顯著變化；實體清單上不同地區、不同所有制的中國科技企業的創新效率是否存在明顯差異；實體清單上的中國科技企業創新效率可以從哪些影響因素方面得到提高。

二、文獻綜述

（一）創新效率測量

在基于DEA 的創新效率測量中，不同于前期運用傳統DEA 模型研究企業創新效率的研究方法，邱建華和賀靈（2013）[1]在前人研究基礎上，采用了超效率DEA 模型，選取鋁企業作為研究對象，對其技術創新效率和相對效率進行計算和排序。同年，馮志軍（2013）[2]將CCR 模型計算出的傳統工業企業綠色創新效率與改良后的SBM 模型計算出的工業企業綠色創新效率進行比較，分析不同方法測算出綠色創新效率的差異。研究發現，改良后的SBM 模型計算結果相較于傳統模型計算結果與實際更加接近，沿海地區的綠色創新效率相較于其他地區更高。

屈國俊等（2018）[3]對中國上市公司進行三階段DEA 模型分析，研究顯示受規模效率影響，中國上市公司技術創新效率較低，且企業遭受不利的環境影響。此外，康年等（2019）[4]選擇72 家制造企業作為研究對象，結合三階段DEA 模型，研究結果顯示制度環境是企業創新效率的重要影響因素之一。徐書彬等（2020）[5]選擇我國人工智能上市企業為研究對象，運用三階段DEA 模型，研究人工智能企業的創新效率和創新效率影響因素。經過環境因素的排除，研究表明企業的創新效率雖然仍處于較低水平，但已經得到了一定程度的提升。而張雪琳等（2022）[6]圍繞我國工業企業，探究我國工業企業整體與階段創新效率水平，研究結果顯示我國工業企業的創新效率有待提升。

（二）創新效率影響因素

國內學者向鵬飛和符大海（2019）[7]研究跨國研發與企業創新效率的關系，研究結果發現跨國研發范圍越大，創新效率越低，跨國研發的持續時間與創新效率的影響呈現先下降后上升關系。童澤望（2019）[8]選取湖北省上市公司為研究對象，綜合研究了企業股份制屬性與所屬行業與企業創新效率、規模收益等的關系。而孟韜和徐廣林（2021）[9]選擇64 家獨角獸上市企業為研究對象，在研究過程中得出企業創新效率會隨著企業規模、成立年限等影響因素的增加而提高，而產權性質、股權集中度會對企業創新效率產生負面影響的結論。唐瑋等（2022）[10]對A 股醫藥制造業上市公司進行研究，分析結果顯示地區稅收征管強度的提升能夠有效促進醫藥制造業上市公司創新效率的提高。孫潔和李杰（2022）[11]選取滬深A 股公司為研究對象，通過2007—2020 年的數據研究，探究大數據應用與企業創新效率之間的關系。研究結果發現，大數據應用與企業創新效率呈顯著正向關系。同年，楊水利等（2022）[12]結合A股制造業上市公司數據，選擇2007—2019 年為研究時期，研究結果表明數字化轉型與企業創新效率之間存在正向關系。

而國外學者Haschka 和Herwartz（2020）[13]以歐洲高科技市場中的企業為研究對象，探究本地網絡、競爭溢出效應或未觀察到的區位優勢在多大程度上影響了企業層面的創新過程。Qiao 等（2022）[14]運用固定效應和系統GMM 模型，對中國59 家上市電力企業的創新效率進行了研究，研究顯示：企業的創新效率受到資本和勞動力價格扭曲的抑制，而電力企業的創新效率受到經濟性和監督性環境監管的促進，法律環境監管則對其創新效率產生了抑制作用。Hao 等（2022）[15]運用門檻效應模型，探究政策不確定背景下企業融資約束對企業創新效率的影響。隨著政策不確定性的加劇，企業融資面臨著更加嚴苛的限制，這不利于企業的創新。而Huang（2023）[16]選擇12 020 家中國制造企業數據，分析競爭與創新效率的關系，得出中國的制造業企業在研發方面的效率相對較低，且競爭的破壞性會導致企業研發效率的不穩定。競爭在推動企業關注自身創新效率的同時，仍存在抑制企業創新效率對企業績效產生積極影響的情況。此外，Li 等（2023）[17]選擇醫藥初創企業及其風險資本投資者的項目作為研究對象，研究共同所有權對企業創新的影響。研究結果顯示，共同所有權通過投資初創企業創新，提高整體創新效率，進而產生了社會效益，但在此過程中也產生了社會成本。

表1 創新效率影響因素總結

（三）文獻評述

據現有研究表明，當前對于創新效率的探究主要采用傳統DEA 模型、兩階段DEA 模型或三階段DEA 模型等非參數方法或SFA 參數方法，但較少文獻將SBM 模型和Malmquist 指數以及Tobit 模型多種研究方法進行結合使用，對研究對象進行綜合分析。目前對企業創新效率的影響因素研究較為分散，未根據企業盈利性特點進行影響因素討論分析。

對此，本文選擇美國實體清單上的中國科技企業為研究對象。采用SBM 模型對實體清單上的中國科技企業進行創新效率分析，結合Malmquist 指數分析實體清單上的中國科技企業的全要素生產率，并利用Tobit 模型對影響企業創新效率的因素進行深入分析。最后，基于企業盈利性的特點，本文將從營業凈利率、資產收益率等角度考慮實體清單上的中國科技企業創新效率的影響因素。

三、研究設計

（一）模型構建

1.SBM 模型。2001 年Tone 以考慮松弛變量和非期望產出為前提，提出了SBM 模型[19]。SBM 模型引入了松弛變量，同時還考慮了決策單元的非期望產出情況。SBM 模型公式如式（1）所示。

其中ρ 表示效率值，x0表示投入、y0表示產出、s-、s+分別代表投入、產出冗余。

2.Malmquist 指數。1994 年，Fare 等構建了Malmquist生產力指數來測算決策單元的全要素生產率（TFP）[20]，如式（2）所示。全要素生產率主要包含技術進步（TECH）和技術效率（EFFCH）兩部分，如式（3）和式（4）所示。

3.Tobit 模型。Tobit 模型是由James Tobin 提出[21]，此模型是考慮變量存在約束的前提下的一種線性回歸模型，可以有效解決使用OLS 回歸模型存在的弊端。Tobit 模型如式（5）所示。

其中，Yi是被解釋變量，即SBM 模型計算的美國實體清單上的中國科技企業的創新效率；Xi為解釋變量，即為美國實體清單上的中國科技企業創新效率的影響因素，ε 為隨機誤差。

（二）指標選取

在投入指標方面，本文參考吳翔華和儲心怡（2022）[22]、權錫鑒和朱雪（2022）[23]的研究，選取研發投入和研發人員數作為投入指標。同時借鑒劉俊杰和傅毓維（2008）[24]的做法，將固定資產作為衡量企業創新效率物力投入的指標。

在衡量企業創新效率時，專利數量往往是最直觀的指標之一。因此本文以陳池（2022）[25]、韓斌等（2023）[26]的做法為參考，將當年企業專利申請數作為衡量企業創新效率的產出指標。而主營業務收入可以反映出當年企業的銷售水平和銷售能力，因此在本文中選取主營業務收入作為產出指標。

因此本文構建了以研發投入、研發人員數、固定資產為投入指標，主營業務收入、當年專利申請數量為產出指標的評價指標體系。投入產出指標如表2所示。

表2 投入產出指標

（三）數據來源

根據數據的可得性和獲取性，本文最終選擇33家在美國實體清單上的中國科技企業進行研究分析。選擇的企業主要分布在華北、華中、華東、華南、西北和西南地區，研究時期為2016—2021 年，研發投入、研發人員數來源于國泰安數據庫，固定資產、主營業務收入來源于東方財富網，當年專利申請數來源于國家知識產權局。

四、結果與討論

（一）創新效率分析

1.SBM 模型分析。本文運用DEA-Solver 軟件對收集到的33 家美國實體清單上的中國科技企業數據進行SBM 模型分析，結果如表3 所示。

表3 2016—2021 年33 家美國實體清單上的中國科技企業創新效率

由圖1 可知，在2016—2021年間，創新效率的年平均值由0.514 8 上升至0.613 3。創新效率的年平均值在研究期內有所上升，但仍具有38.67%的上升空間。2020 年創新效率年平均值是6 年中最高的，原因是當年我國明確指出十四五時期的路徑規劃，重點強調新發展理念。國家重點關注企業的創新水平和創新能力，發布相關政策幫助企業提升創新水平，故相關科技企業雖然受到美國實體清單的影響，但創新效率年均值仍然較高。而2016 年實體清單上的中國科技企業的創新效率年均值是研究期內最低，究其原因是當時我國處于粗放型發展模式，對科技企業的創新水平和創新能力重視程度較低，未意識到科技企業的創新效率對國家經濟發展的重要作用和意義，對科技企業的發展和創新缺乏政策支持和引導，而美國在2016 年就逐步開展對我國部分科技企業的限制，導致我國科技企業當年的創新效率水平處于較低狀態。

圖1 2016—2021 年33 家美國實體清單上的中國科技企業創新效率年平均值

為探究不同地區的美國實體清單上的中國科技企業的創新效率是否存在顯著差異，本文從科技企業所在地區角度出發，通過分析各地達到最優創新效率的企業的數量來判斷地區之間創新效率的差異。

由表3 可知，在2016 年有11 家科技企業達到最優創新效率。其中華東地區有4 家企業達到最優創新效率，華南、華中、華北當年均有2 家科技企業達到最優創新效率，西北有1 家企業達到最優創新效率。2017 年僅有9 家科技企業實現了最優創新效率，其中華東地區達到最優創新效率的企業數最多，占比33.33%。2018 年、2019 年、2020 年達到最優創新效率的企業數量連續上升。2020 年是研究期內企業達到最優創新效率數量最多的一年，當年華東地區最優創新效率的企業數量最多，占當年所有達到最優創新效率的科技企業總數的50%。而2021年達到最優創新效率的科技企業數量有所回落。在研究時期內華東地區是達到最優創新效率科技企業數量最多的地區，由此可以看出華東地區較為重視科技企業的投入和管理，注重科技企業的創新效率和創新能力。而華南、華中、華北、西北地區的創新效率水平相差不大，西南地區的創新水平相對較弱。

為探究美國實體清單上的中國科技企業的創新效率是否受到科技企業本身所有制的影響，本文將研究的科技企業區分為：國企和央企類、私企和民營類。運用SBM 模型對兩類企業收集的數據進行測算，結果如表4 和表5 所示。

表4 國企和央企類科技企業2016—2021 年創新效率

表5 私企和民營類企業2016—2021 年創新效率

由表4 和表5 可知，在2016—2021 年間，國企和央企類科技企業的年均創新效率為0.754 8，尚未達到最優創新效率，整體創新效率均值呈現波動上升趨勢，其中2020 年創新效率平均值是研究期內創新效率平均值最高的，2017 年為研究期內創新效率平均值最低的年份。私企和民營類科技企業的年均值呈現波動上升的趨勢，創新效率年均值由2016年的0.662 4 波動上升至2021 年的0.743 5。在研究期內創新效率年均值2016 年最低，2017 年最高。

由此可見，國企和央企類科技企業的年均創新效率高于私企和民營類企業的年均創新效率，但兩類企業的年均創新效率均未達到效率前沿面，說明兩類企業在創新效率水平和創新能力上均有一定的提升空間。國企和央企類科技企業相較于私企和民營類企業有更高的創新效率均值，且有更多的國企和央企類科技企業在2016—2021 年間達到最優創新效率。相較于私企和民營類企業，國企和央企類科技企業體現出更好的創新能力和創新水平，具有一定的優勢。

2.Malmquist 指數分析。本文對所選的33 家科技企業運用DEAP 軟件進行了Malmquist 指數分析，并在表6 中呈現了分析結果。

表6 2016—2021 年美國實體清單上的中國科技企業創新效率動態分析

根據表6 可知，在2016—2021 年間，全要素生產率在2019—2020 年和2020—2021 年呈現上升趨勢。而2016—2017 年、2017—2018 年、2018—2019年呈現下降趨勢。但2016—2019 年的全要素生產率的下降比例逐年遞減，說明相關科技企業逐漸重視全要素生產率，在企業正常運營過程中注重管理水平和管理能力的發展，提升資源利用效率，加大對技術創新的資金投入。在2019—2020 年和2020—2021 年期間，企業的全要素生產效率得到了顯著提升，呈現出逐步攀升的趨勢。2016—2017 年期間，科技企業綜合技術效率提高了4.3%、技術進步降低了11.1%、當年全要素生產率降低了7.3%。在2017—2018 年間，盡管科技企業的綜合技術效率得到了23.7%的提升，但其技術進步卻遭到了24.1%的下降，全要素生產率也遭到了6.1%的下降。可見，科技企業的發展主要是依靠技術進步推動。在2020—2021年期間，科技企業的綜合技術效率經歷了7.6%的下降，但技術進步卻提升了10.5%，全要素生產率也增長了2.2%。實體清單上的中國科技企業的全要素生產率變化趨勢與技術進步的變化趨勢相一致，相較于綜合技術效率變化的影響，技術進步變化對其影響更為顯著。

下文通過Malmquist 指數分析國企和央企類企業以及私企和民營類企業在2016—2021 年全要素生產率的變化，結果如圖2 所示。

圖2 2016—2021 年國企和央企類企業、私企和民營類企業全要素生產率

由圖2 可知，在2019—2020 年和2020—2021 年國企和央企類企業以及私企和民營類企業的全要素生產率從最初2016—2019 年的下降趨勢轉變為上升趨勢，在2019—2020 年和2020—2021 年期間，國企和央企類企業的全要素生產率均呈現出2.2%和6.8%的增長趨勢。在2019—2020 年，私企和民營類企業的全要素生產率增長13.2%，在2020—2021年間上升了0.7%，較為明顯地體現出美國實體清單上的科技企業在2016 年開始受到美國實體清單制裁的壓力，故在最初遭受美國實體清單的制裁時，國企和央企類企業以及私企和民營類企業的全要素生產率均處于下降趨勢。但2019 年之后，部分企業開始在美國實體清單制裁中吸取經驗，探求破解之道，積極尋求企業轉型的方式，繼續加大研發創新力度，試圖保持和提升企業的創新效率和創新能力。故在2019—2020 年、2020—2021 年企業的全要素生產率不斷上升，保持在較好水平。

由表7 和表8 可知，國企和央企類企業的綜合技術效率在2016—2020 年均處于上升趨勢，純技術效率和規模效率在此期間也處于上升趨勢。由此可見，國企和央企類企業重視企業的管理水平和管理能力，較好地進行了資源的有效配置。在2016—2017年和2019—2020 年期間，私企和民營類企業的綜合技術效率呈現上升趨勢，而在其他研究時期則出現了下降趨勢，而純技術效率則在2016—2017 年呈現出上升趨勢，但2017—2018 年、2018—2019 年處于下降趨勢，2019—2020 年、2020—2021 年又處于上升趨勢。由此可見，私營和民營類企業在2016—2019年期間感受到自身企業的管理水平和管理能力的不足，并采取了相關措施進行改進與提升，故在2019—2020 年、2020—2021 年間私營和民營類企業的純技術效率得到有效改善，在此期間純技術效率處于上升趨勢，保持在較好水平。

表7 2016—2021 年國企和央企類企業Malmquist 指數分析結果

表8 2016—2021 年私企和民營類企業Malmquist 指數分析結果

而國企和央企類企業在2016—2020 年間技術進步一直處于下降趨勢。其中在2017—2018 年下降幅度最大，當年下降40%。但國企和央企類企業不斷在生產與運營過程中進行經驗的積累，努力提升企業的技術進步指數。在2020—2021 年，國企和央企類企業的技術進步終于處于上升趨勢，且當年國企和央企類企業綜合創新效率雖處于下降趨勢，但當年的全要素生產率在技術進步的影響下仍保持上升趨勢。私企和民營類企業技術進步在2016—2017年下降幅度最大，因此雖然當年企業綜合技術效率處于上升趨勢，但全要素生產率仍下降6%。在2017—2018 年，私企和民營類企業的技術進步上升了6.4%，盡管當年的綜合技術效率下降了9.9%，但技術進步和綜合效率的協同作用使得當年全要素生產率的下降幅度相對較小，且2020—2021 年私企和民營類企業綜合效率下降4.8%，但當年技術進步上升了5.8%，全要素生產率上升了0.7%。因此私企和民營類企業加大投入在研發水平和研發能力上，注重技術進步的提升，有利于企業提升全要素生產率。

總而言之，國企和央企類企業的創新效率整體上略好于私企和民營類企業，國企和央企類企業注重企業管理水平的培養，能夠更好地進行企業資源的有效配置，企業資源利用率較高，但國企和央企類企業在技術進步方面仍有較大的提升空間，對于創新水平和創新能力的資金投入不足，未來應該更加注重對技術進步的投入。而私企和民營類企業在規模效應上仍存在欠缺，因此在未來應該有條理性地規劃和整合業務，從而更好地進行資源配置，達到更高的資源利用率，更有效地發揮企業的規模效應。

（二）美國實體清單中的中國科技企業創新效率影響因素分析

本文參考曹志鵬和吳亞潔（2021）[27]、賀正楚等（2023）[28]對企業創新效率的影響因素的選取，最終選擇股權集中度、營業凈利率、資產收益率、資產負債率、獨立董事比例、企業規模、政府補貼、凈利潤增長率作為解釋變量，探究其對于科技企業創新效率的影響，以促進科技企業創新效率的提高。測量因素及其含義如表9 所示。

表9 美國實體清單中國科技企業創新效率的測量因素及具體含義

在剔除缺失值后，運用Tobit 模型對研究期內的面板數據進行回歸分析，運用Stata 17 軟件進行運算，結果如表10 所示。

表10 美國實體清單上的中國科技企業創新效率的影響因素分析

通過表10 的回歸結果可知，股權集中度、營業凈利率、資產收益率、資產負債率、獨立董事比例是企業創新效率的影響因素。營業凈利率、資產收益率在1%的水平上顯著，資產負債率在5%的水平上顯著，股權集中度、獨立董事比例在10%的水平上顯著。

股權集中度對實體清單上的中國科技企業的創新效率產生了正向影響，影響系數為0.005，達到了10%的顯著水平。企業的前十大股東持股比例決定了股權集中度，而這一比例的高低則反映了高層對企業規劃與發展的共識程度，為企業的長期規劃和研發創新提供了有力支撐。

營業凈利率對美國實體清單上的中國科技企業的創新效率產生了顯著負面影響，其影響系數為-6.752，在1%的水平上表現出顯著性。當企業的盈利能力較強時，更傾向于將更多的資金投入到能夠帶來更多凈利潤的業務上。因此，對于那些凈利潤較低但對創新有利的業務投入有所減少，這將導致企業的創新能力和創新水平下降。

資產收益率對美國實體清單上的中國科技企業創新效率具有顯著正向影響，影響系數為9.417，在1%的水平上顯著。企業的資產收益率越高，體現出企業可以通過其全部資產。獲得更多的收益，因此企業可以在創新方面投入更多的資金，給予更多的支持。

資產負債率對美國實體清單上中國的科技企業創新效率具有負向影響，影響系數為-0.911，在5%的水平上顯著。企業的償債壓力越大將會導致企業員工擔心企業的財務狀況和薪酬待遇的穩定性，從而給企業的研發創新帶來一定的壓力，阻礙了企業長期穩定發展，不利于企業創新效率的提高。

獨立董事比例對美國實體清單上中國的科技企業創新效率具有正向影響，影響系數為0.014，在10%的水平上顯著。企業的獨立董事比例越高，說明企業有更多的管理者規劃發展路徑、進行業務開拓，使企業的策略更加完善，給企業的研發創新提供一個穩定的環境。

五、研究結論與建議

（一）研究結論

本文以美國實體清單上的中國科技企業為研究對象，采用SBM 模型研究實體清單上的中國科技企業的創新效率，運用Malmquist 指數動態分析實體清單上中國科技企業的全要素生產率，結合Tobit模型探究企業創新效率的影響因素，研究結論如下：

通過SBM 模型分析可知，在2016—2021 年間美國實體清單上的中國科技企業的創新效率均值呈現上升趨勢，但尚未達到最優創新效率。在研究時期內，華東地區是達到DEA 有效數量最多的地區。從所有制角度出發，國企和央企類科技企業的年均創新效率高于私企和民營類企業的年均創新效率，但兩類企業的年均創新效率均未達到前沿面。

通過Malmqusit 指數分析可知，在2016—2021 年間，美國實體清單上中國的科技企業全要素生產率呈現上升趨勢，但全要素生產率受到了技術進步的制約。國企和央企類企業的創新效率整體上略好于私企和民營類企業，但技術進步是制約國企和央企類企業全要素生產率的重要因素，而規模效率是制約私企和民營類企業全要素生產率的重要原因。

通過Tobit 模型可知，股權集中度、營業凈利率、資產收益率、資產負債率、獨立董事比例是企業創新效率的影響因素，且通過了顯著性水平檢驗。

（二）政策建議

根據上述研究結論，本文將從政府和企業兩個角度出發，提出相應的建議，以提高美國實體清單上的中國科技企業的創新效率。

從政府的角度，政府可以對實體清單上的中國科技企業進行稅費減免，減少實體清單上的中國科技企業的應交稅費，從而使實體清單上的中國科技企業擁有更多的可支配資金，推動相關企業將更多的資金應用于企業的研發、創新過程中，運用大量的資金投入來推動實體清單上的中國科技企業的業務發展，確保在實體清單上的中國科技企業持續對創新性強的研發任務注入資金，以促進其創新水平和能力的提升，從而推動企業創新效率的提高。

從企業角度，實體清單上的中國科技企業可以將創新性高的業務作為自己重要的發展業務，進而帶動企業的創新能力。企業應該重視科技人才，應該高薪聘請科技類人才參與企業的研發過程，積極鼓勵企業中的科技人才進入各大知名學校繼續深造，積極鼓勵企業中的科技人才去其他國家創新效率較高的企業學習交流。此外，實體清單上的中國科技企業可以找尋其他國家的科技企業進行合作，從其他國家進口我國科技企業所需的原材料、機器設備等，從而減少美國實體清單對我國科技企業創新能力與創新水平的影響。企業應該提升資源利用率，從而較好地發揮出企業的規模效應，進而推動企業的創新能力。隨著企業創新水平和創新能力的不斷提升，在實體清單上的中國科技企業的創新效率也會隨之不斷提高，減少受美國實體清單制裁的影響。