严 晗

（中共合肥市包河区委党校，合肥 230610）

2012年，我国经济增长速度开始放缓，GDP增长率由2011年的9.5%下降到了2019年的6.1%，我国经济出现了“新常态”。经济不断下行的压力要求我国转变经济增长动力和模式，并优化产业结构。2016年，我国政府提出了新旧动能转化的产业政策构想，加快新旧动能的持续转化速度，调整产业结构，提高经济增长质量。新动能是指新一轮科技革命和产业变革中形成的、可以推动社会经济发展的新动力、新技术、新产业、新业态、新模式等，该概念的提出引起了我国学者们的关注，并进行了一些研究，例如，王小洁（2019）将新动能概括为“改革开放、制度技术创新以及产业结构升级与转型”[1]。新旧动能转换是一个相对概念，目前学界尚未对此概念达成共识，然而，通常认为，新旧动能转换是指从旧动能向新动能的替换过程，经济增长的关键在于新动能的培养和扩展[2]。

新动能产业的发展速度和质量决定着我国新旧动能转换效率，而新动能产业的创新情况是其发展质量的关键，一些学者已经从产业创新角度研究了我国当前新旧动能转换问题。吴爱东认为，创新涉及多方面内容，对于产业升级至关重要，其中，技术创新可以加速新旧动能转化和产业结构升级，有利于促进新旧动能的互动关系[3]。孙文浩认为人才聚集对高科技产业集群具有显著的线性影响，较高的人才聚集对产业创新的影响更大，因此人才可以促进高科技产业动能的培育[4]。刘超在研究中指出，作为现代经济增长的关键因素，创新的另一个方面是金融创新，它可以促进产业升级，特别是在研发投入方面，因此，金融创新有助于探索新动能促进产业升级问题[5]。

关于产业的创新效率问题，目前学界也已经进行了比较丰富的研究，比如Piao利用2008年至2017年数据，使用多投入产出的SFA模型研究了融资创新对我国互联网企业技术创新效率的影响，结果表明，互联网公司的技术创新效率整体呈现下降趋势，并且融资方式不同企业创新效率也存在较显著的差异，采用融资创新方式的公司具有更高的技术创新效率[6]。Lai用DEA-BCC模型分析了我国28个省的医药制造业的创新效率，他们发现，我国制药业存在U型效率陷阱，中等技术水平的区域位于陷阱的底部[7]。康淑娟结合产业异质性和价值链环境的差异，采用SFA修正的三阶段DEA模型研究了17个子行业和3个高科技产业创新价值链的创新效率，结果表明，高新技术产业的创新投入要素在产业之间存在差异，创新活动存在结构性失衡问题[8]。Marchet使用DEA模型评估了意大利71家第三方物流公司的创新效率，确定了13家公司为规模创新效率领导者，6家公司为技术创新效率领导者[9]。通过研究2004年至2008年哥伦比亚特区和美国50个州的研发（R＆D）效率，Thomas发现，研发效率仅在14个领域发生了积极变化，并强调这一点主要得益于各地区技术专利数量和质量的变化[10]。

学界从不同角度、利用不同方法对不同产业的创新效率及影响因素问题进行了研究，但目前尚无新动能产业创新效率的证据，而新动能产业作为近年来国家政府部门重点扶持的产业，对我国产业结构转型、国家创新能力提升意义重大。所以，对新动能产业创新效率进行测度和分析，不仅能够丰富关于新动能产业创新方面的理论研究，对于新常态下我国政府部门从新动能产业角度制定相关产业政策、创新激励政策也有较高的现实参考价值。本文将在现有研究基础上，着眼于创新投入和产出，基于安徽省样本企业数据，利用DEA模型探讨我国新动能产业的创新效率问题。

一、研究设计

DEA方法是当前效率测量研究中使用最为广泛的测量方法之一，在行业层面和企业层面效率值得测量上均有很广泛的应用[11-13]，本文运用DEA模型对新动能产业的创新效率进行测度。数据包络分析（DEA）由Charnes等人提出的一种有多个输入和输出的评估决策数学模型，可分为CCR模型和BCC模型两种类型。CCR模型是基于规模报酬不变而测量相对效率[14]。Banker等人（1984）在CCR模型基础上开发了BCC模型，它是在规模为变量的假设下测量相对效率[15]。在使用DEA模型时，需要区分模型是面向输入的还是面向输出的。在恒定输出前提下面向输入的模型以最小化输入为目标，与之相对应的是，在恒定输入条件下面向输出的模型以实现最大输出为目标。

（一）指标体系构建与数据收集

创新投入和产出是创新评价指标体系构建的两个方面[16]。创新投入主要包括人力投入和资金投入两方面，人力投入又可以分为技术人员投入和研发人员投入，而资金投入主要包括技术经费和研发支出[17]，而发明专利数量和新产品销售收入则是创新产出的主要衡量指标[18]。所以，本文建立的新动能产业创新效率评价指标体系如表1所示。

表1 新动能产业创新效率评价指标体系

2018以年，大力支持新动能产业发展、促进全省新旧产业转型升级成为安徽省的重要发展战略之一，推动以合肥市等为代表的城市向创新型城市发展、将智能制造、信息技术、新能源、生物医药等新动能产业作为未来发展的重点产业，为“新常态”下安徽省未来产业结构调整和经济发展做准备。在政策的大力支持下，安徽省的新动能产业得到了较快的发展，根据中安在线新闻网发布数据显示，2020年，安徽省新动能产业增加值增长16.4%，创2017年以来的最高水平，其中智能制造业增加值增长19.8%，新能源、信息技术、生物医药等行业增加值分别增长了51.5%、37.4%、26.3%和13.5%。

选择安徽省新动能产业为代表探讨我国新动能产业的创新效率，将新动能产业划分为智能制造、信息技术、新能源和生物医药四大行业。为了便于获取相关数据和资料，选择安徽地区的上市新动能企业为研究样本，从安徽省所有上市企业中筛选了63家符合新动能产业特点的上市企业，从各样本企业公布的年度财务报告中获取了各企业2020年创新投入和产出方面的相关数据（表2）。

表2 各新动能行业创新投入和产出描述性统计表

（二）评估模型

面向输入的BCC模型用于评估新动能产业的创新效率，其原因在于，首先，在受到资源限制的情况下，工业企业追求的都是投入最小化和产出最大化。其次，新动能产业的主要驱动力是创新，其边际收入不确定，规模收益可变。

利用BCC模型计算得到新动能产业的三种创新效率，分别为综合创新效率（CRSTE）、技术效率（PTE）和规模效率（SE），三种创新效率之间的关系是CTSTE包括PTE和SE，即CRSTE=PTE×SE。面向输入的BCC模型如下所示：

1、决策单位评价指标

假设决策单元（DMU）的数量为n，并且有m种输入因子和s种输出，因此，每个DMUi具有相应的效率评估指标：

上式中，xij是第j个DMU的第i个输入因子，此外，vi表示此DMU的第i个输入因子的权重系数，所有输入因子的权重系数之和等于1；yrj是第j个DMU的第r个输出的量，ur是第r个输出的权重系数，所有输出权重系数之和等于1。

2、CCR模型

以所有DMU的评估指标为约束条件，将第j0个DMU的效率评估值设置为：

首先，用Charnes–Cooper方法[19]处理公式（1）。然后采取对偶形式并引入残差变量s和松弛变量s+，从而得到CCR模型。

通过公式（2）可以得到最优解θ0、λ0、s0+、s0-，从而可以判断DMU的有效性。

3、BCC模式

创新是新动能产业的主要动力，但是，创新活动需要大量的资金和人力投入，创新产出的回报风险相对较高。鉴于创新的边际收益具有不确定性，本文将约束条件∑λj=1引入CCR模型。

首先，将DMU评估的CRSTE分为两个维度，分别称为PTE和SE。可以估计DMU补偿处于哪个级别（不变、递增或递减）。其次，当涉及DMU地DEA效率低下时，可以通过使用投影分析来切换到效率上。方法为：令，将设置为DMU原始值（x0,y0）的边界投影。由于该投影与初始DMU相比是DEA有效的，因此投影分析前后DMU原始值所需的变量值为（∆x0,∆y0）。输入冗余量表示为∆x0=（1-θ）x0+s-，输出不足量表示为∆y0=s+。

二、新动能产业创新效率计算与分析

（一）综合创新效率评估

基于前文DEA模型，利用智能制造、信息技术、新能源、生物医药四个行业的63家企业的数据，对安徽省新动能产业的综合创新效率进行计算，所有计算过程由Eviews8.0实现，新动能产业的综合创新效率评估结果如表3所示。

表3 新动能行业创新效率评价结果

从表3可以看出，安徽省的新动能产业创新效率总体水平较低，平均值为0.166。生物医药产业的综合创新效率最高（0.240），而最低的是智能制造行业（0.079）。此外，单纯从技术效率和规模效率来看，技术效率低于规模效率的（0.378<0.433），技术效率较低是安徽省新动能行业综合创新效率低的原因，安徽省新动能产业在技术创新方面还存在较大提升空间。

（二）规模效率分析

进一步从规模效率（SE）角度评估了新动能产业的创新效率（表4）。

表4 新动能产业的规模效率评价结果

表4所示，在新动能产业中，平均有85.7%的企业的规模效率处于增长阶段，9.5%的企业的规模效率不变，4.8%的企业的规模效率降低。其中，智能制造行业的所有样本企业都处于增长阶段，该行业的产出不足。信息技术、新能源和生物医药三个行业中处于规模效率增长状态的企业数量也占据绝大部分比例，规模效率不变和降低的企业都很少。结合表4和表1中结果可以看出，安徽省新动能产业的绝大部分企业都处于产出不足状态，企业的发明专利数量和新产品销售收入均较低，其可能原因可能是人员投入和研发支出无法有效转化为相应的创新产出，以及激励机制和创新投入结构等原因。

（三）创新效果分析

比较CRSTE、PTE和SE之间的关系以判断新动能产业DEA的有效性，探讨DMU是否达到最佳效率，当且仅当CRSTE、PTE和SE的值都等于1时，DEA才有效。表5中结果显示，4个行业（智能制造，信息技术，新能源，生物医药）的企业达到最佳效率的很少，尤其是智能制造行业的14家企业均为DEA无效，安徽省新动能产业的创新效率很差。

表5 新动能产业创新效益分析

为了提高安徽省新动能产业的创新效率，对引起DEA效率低下原因可能是无效的PTE或SE。一方面，当PTE较高时（PTE>SE），SE无效是DEA效率低下的主要原因，创新投入无法实现规模经济。另一方面，当SE较高（PTE

表6 新动能行业的DEA效率低下

表6显示，对于信息技术和新能源行业而言，PTE明显低于SE，无效地PTE导致这两个行业的DEA效率低下。而智能制造和生物医药两个行业的PTE和SE没有显著差异，这两个行业同时存在技术效率和规模效率，这可能是没有合理的创新投入和产出结构造成的，实现创新投入产出比最优化是推动这两个行业创新效率提升的重要渠道。同时，智能制造和生物医药行业中也存在明显的规模经济问题，因此，这两个行业在注意创新投入产出比的同时，也需要多关注产业的规模经济。

（四）投入冗余和产出不足分析

投入冗余和产出不足是创新效率低下的两种表现形式，也是未来产业结构需要调整的信号。采用预测分析法探讨新动能产业的投入冗余和产出不足情况（表7）。

表7 新动能产业创新投入和产出分析表

1、创新投入冗余分析

首先，技术人员的投入最多是新能源行业，其余三个行业的投入冗余都低于平均水平，因此，新能源产业抬高了安徽省新动能产业技术人员投入冗余的整体水平。其次，信息技术行业在研发人员方面的投入冗余程度最大，相反，智能制造和生物医药行业在这方面表现良好。第三，生物医药行业的技术经费投入最多，而智能制造行业在此方面的投入最少。第四，在研发投入冗余方面，信息技术行业表现最差，智能制造行业表现相对较好。综上所述，智能制造行业的表现优于其他行业，尤其是优于新能源和生物医药行业。进一步比较发现，技术人员投入和技术经费投入的冗余度要高于研发投入，新动能产业的创新投入结构相对不合理，主要体现在研发人员投入和经费支出方面。

2、创新产出不足分析

新产品销售收入和专利数量是创新产出的最主要两个方面，从表7中来看，智能制造行业的新产品销售收入的不足程度远远超过四个行业的平均水平，但是发明专利数量并不短缺，因此，可以改善新产品的生产和销售，从而提升经济规模效益。生物医药行业的新产品销售收入不足程度也高于四个行业的均值，但是明显低于智能制造行业，而信息技术和新能源行业相差不大，且均低于均值。信息技术行业发明专利的不足程度最严重，不但远远高于平均水平，且远高于其他三个行业，但其新产品销售收入不足的程度最小，所以，信息技术企业可以将重点放在研发经费投入和研发人员投入上。新能源行业的新产品销售收入和发明专利数量均低于平均水平，但发明专利数量与平均值之间的差距要小于新产品销售收入，所以，新能源行业可以不用差别对待研发资源的分配及新产品的生产和销售。

三、结束语

在我国新旧动能转换背景下，从新动能的角度出发，运用DEA方法，以安徽省上市企业为研究样本，对新动能产业的创新效率进行研究，主要得出以下几点结论：

其一，新动能产业的创新效率总体水平相对较低。研究的四个行业中，生物医药行业的综合创新效率水平最高，但通常需要高水平创新的智能制造行业的创新效率最低。低水平的技术创新效率会导致较低的综合创新效率，所以，加强技术创新将有助于提高我国新动能产业的创新水平。

其二，新动能产业的规模效率基本处于增长阶段，这主要是由于创新产出不足所致。生物医药和智能制造行业分别为最佳规模效率和最差规模效率行业。创新产出不足表明新动能产业创新投入产出比较低。研究结果还表明，研发人员投入并没有有效转化为相应的创新产出，因此，在新动能产业创新激励机制和创新投入结构上需要改进。

其三，智能制造、信息技术、新能源和生物医药四个行业均处于DEA无效状态，大多数新动能企业都没有实现创新效率最优。在四个行业中，创新效率水平最低的是智能制造行业，智能制造行业的样本企业中没有一家是DEA有效的，信息技术行业和新能源行业的技术效率明显小于规模效率，技术效率低下会导致二者的DEA效率低下。而技术效率低下和规模效率低下同时存在造成了智能制造和生物医药行业的DEA效率低下。

其四，投入冗余和产出不足。人员投入冗余以及研发支出低于技术费用，表明中国新动能产业的创新投入结构不合理，主要反映在人力和研发投入不足上。智能制造行业的新产品销售收入不足程度最大，相比之下，信息技术行业的不足程度最小。尽管信息技术行业在新产品方面表现出色，但专利数量方面的短缺却很明显。因此，两个行业的重点不同，当智能制造行业侧重于规模经济增长和加强新产品生产和销售时，信息技术行业应注意增加研发的经费和人员投入。新能源和生物医药行业的专利数量和新产品销售收入都存在问题，这两个行业应优化研发资源配置的同时，在新产品的生产和销售方面也要提高重视。

根据以上结果和结论，政府、行业及企业可以尝试采取一些措施推动我国新动能产业创新效率的提升。政府方面，加大对新动能产业创新的政策扶持力度，比如可以通过设立创新产业发展基金的方式加大对新动能产业的资金支持。大力培养和引进创新型人才，实现人才聚集与产业创新的互动发展。建立了新旧动能转化综合试验区，实现新动能产业协同创新和积累效应，尝试将产业升级和区域创新有效结合、共同发展。企业应加强创新激励，提高研发创新效率。新动能产业的企业需要不断改善研发人员结构，提升高层次人才比例，同时加大研发支出的投入。