1引言

创新是由英文Innovation一词翻译过来的，其字面意义就是引入新事物。加强自主创新，建设创新型国家，是中国政府在综合分析世界发展大势和中国所处历史阶段的基础上，提出的面向未来的重大战略。创新是一个民族进步的灵魂，是国家兴旺发达的不竭动力。创新也是企业生存及发展的重要因素。我国已迅速发展成为世界制造业大国，仅次于美国、日本、德国，居第四位，制造业在我国国民经济发展中也占有举足轻重的地位。研究制造业中各行业的创新效益和效率，有利于比较不同行业创新现状，分析存在的问题，优化宏观科技政策，给政府及相关部门提供决策参考。

对创新绩效的实证研究，主要集中在区域创新领域和行业创新领域，其中以区域创新领域的研究为主。在研究方法上，也是百花齐放，第一种是DEA方法，池仁勇,虞晓芬等（2004）^[1]选取R&D投入及工业总资产作为投入变量，区域产品出口额、新产品产值、名优产品指数、全员劳动生产率、高新技术产业增加值作为产出变量，分析了东西部技术创新效率差距及原因。李双杰、王海燕等（2006）^[2]利用技术创新活动人员、经费作为投入变量，专利申请受理量、发表科技论文及出版科技著作、行业总产值变化率作为产出变量，利用DEA方法对北京制造业的创新效率进行分析。官建成,刘顺忠（2003）^[3]利用研发人员与投入作为投入变量，发明专利作为产出变量研究区域创新效率。第二种是随机前沿SFA法，张宗益、周勇等（2006）^[4]选取R&D人员、R&D经费作为投入变量，专利申请量作为产出变量，利用随机前沿估计我国的区域创新效率。第三种是相关分析法，李晓钟、张小蒂（2005）^[5]通过各行业R&D投入对本行业产出、其他行业产出以及全国范围内本地区以外的行业R&D投入对本地区同一行业产出的影响，比较了江苏与浙江的技术创新效率。柴剑峰、陈光（2003）^[6]分析了R&D投入与产品技术水平、市场接受程度、技术新颖程度、后续产品多少程度等的关系。王海盛、郑立群（2005）^[7]利用生产函数研究区域创新成果与创新投入之间的关系。第四种是指标体系法，黄鲁成、张红彩（2005）^[8]采用因子分析定权法测算了北京制造业行业的技术创新效率，选取产品项目数、专利申请数、新产品销售收入和新产品工业总产值作为技术创新的产出指标。王伟光（2003）^[9]建立了中国工业行业技术创新效率指数对中国38个行业的技术创新效率进行比较，发现效率差距呈缩小趋势。王广泽、张甦等（1999）^[10]建立了国家创新系统评价指标体系。此外还有许多学者分析创新绩效的影响因素。

总体上，对创新绩效的研究成果比较丰厚，研究范围主要集中在区域创新领域，对行业创新研究较少。DEA方法能在一定的投入产出下，对经济系统进行综合效率评价，其方法成熟，被应用到许多领域，但对投入产出变量的选取及异常值比较敏感，如果选取不当，会造成很大误差，如工业总资产作为创新投入明显不妥，出口额作为创新的产出指标就存在诸多争议，名优产品也不一定就是创新产品，高新技术产品也不见得就是创新产品，全员劳动生产率更不能作为创新的产出，由于我国科技成果转化率偏低，仅用发明专利数量作为创新的产出指标也过于单薄。随机前沿需要事先确定解释变量与被解释变量的函数关系，在复杂经济系统中实现这一点并不容易。相关分析法更适合研究创新投入与产出的关系及创新绩效的影响因素。指标体系法存在着指标权重的赋值问题，存在人为因素，同时要注意行业及地区的可比性。

本文在科学选取创新绩效指标体系的基础上，应用统计指标与DEA方法全面分析我国制造业行业创新绩效。

2可变规模报酬DEA模型（BCC）

DEA是一种测算具有相同类型投入和产出的若干系统或部门（简称决策单元，DMU）相对效率的有效方法。其实质是根据一组关于输入输出的观察值，采用数学规划模型，来估计有效生产的前沿面，再将各DMU与此前沿做比较，进而衡量效率。凡是处在前沿面上的DMU，DEA认定其投入产出组合最有效率，将其效率指标定为1；不在前沿面上的DMU则被认定为无效率，同时以效率前沿面之有效点为基准，给予一个相对的效率指标（大于0，小于1）。此外，DEA还可以判断各个DMU的投入规模的适合程度，给出各DMU调整其投入规模的方向和程度。

传统的统计方法是从大量样本数据中分析出样本集合整体的一般情况，其本质是平均性，DEA则是从样本数据中分析出样本集合中处于相对有效的样本个体，其本质是最优性。DEA在测定若干个决策单元的相对效率时注重的是对每一个决策单元进行优化，所得出的相对效率是其最大值，是最有利于该决策单元的相对效率。

规模报酬不变模型是Charnes，Cooper和Rhodes（CCR，1978）^[11]所提出的最基本DEA模型，因此也成称为CCR模型。为了对DMU的有效性进行较简单的判别，Charnes和Cooper引入了非阿基米德无穷小量的概念，以便用线性规划的单纯形方法求解模型，对决策单元进行一次性判别。

用不变规模报酬模型进行效率测评时，必须假定各决策单元是位于最佳生产规模，否则所测的效率值中，就包含规模效应的影响。为测算生产单元的纯技术效率水平，Banker,  Charnes, Cooper(1984)^[12]提出了可变规模报酬（BCC）模型。在可变规模报酬的假设下，生产可能集T_v为：

      （1）

建立在T_v上的纯技术效率评价的模型（加入松弛变量SA和SB及摄动量ε后）为：

                          （2）

则有：当该问题的解为 时，有如下结论：

(1)         若 ，且SA=SB=0，则DMU₀有效。

(2)         若 ，则DMU₀弱有效，

(3)         若  ，则DMU₀非有效。

如前所述，用不变规模报酬模型测算所得到的效率值，包含了规模效率和纯技术效率两方面的内容。而可变规模报酬模型所考察的，是生产单元的纯技术效率水平。则技术效率 、纯技术效率 和规模效率 的关系为：

                 （3）

通过分别运行CRS、VRS的DEA模型得到θ_c和θ_v，用他们便可以推算规模效率的水平。当θ_c=θ_v时，生产单元的规模效率为1，即生产处于最佳规模；否则生产单元的规模效率有所损失。造成规模效率损失的也有两种原因，分别是规模过大和规模过小造成。如上推算的θ_s<１时，并不能区分这两种情况。即无法判定生产是处于规模报酬递增、还是规模报酬递减阶段，这样就降低了规模效率分析的作用。为此Tim  Coelli T.J(1996)^[13]提出了非增规模报酬NIRS（Non-increase Returns to Scale）模型，即将VRS模型约束条件  改为 就变成NIRS模型。

当生产单元处于规模无效（θ_s<１）时，通过比较θ_s和θ_ｎ就可判别生产所处的规模报酬阶段。

（1）θ_s=θ_ｎ时，生产处于规模报酬递减阶段。

（2）θ_s≠θ_ｎ时，生产处于规模报酬递增阶段。

3变量的选取与说明

本文重点研究制造业的行业绩效，2006年中国统计年鉴中，将制造业分为42个行业，考虑到数据的可得性，实际选取29个行业作为研究对象。全部数据来自于国家统计信息网2006年大中型工业企业自主创新统计资料以及2006年中国统计年鉴，实际数据为2005年的数据。表1为变量表。

表1 摘要统计量

    R&D人员和R&D经费作为创新系统的投入变量已经得到公认，这两项数据有两个来源，一是各个行业的R&D人员和经费投入，一是按项目统计的R&D人员和经费投入，很显然后者数据要低于前者，作为行业创新，并不都是以项目作为基本投入单位的，本文选取前者数据。

    消化吸收支出是消化吸收引进技术的支出，包括消化吸收引进国外技术和国内技术的支出。技术创新除了一部分自主创新外，相当一部分是在吸收消化国内外先进技术的基础上进行的创新，如我国的家电制造业、通信设备计算机制造业等都是如此。如果没有消化吸收的过程，就没有进一步的创新。

    新产品销售收入是典型的创新产出，之所以不选取新产品产值数据是因为部分新产品也许会面临失败，没有在市场上交换，不被市场承认。发明专利数是典型的创新成果，申请专利数虽然可以在一定程度上反映创新成果，但不如发明专利数准确，因为前者并没有被认定，而后者是认定后的结果。专利拥有量是存量数据，显然不能选取。

    以上投入产出变量的选取充分考虑了创新的实际成果而不是理论成果，较准确地反映了制造业在创新中投入产出关系。用这些数据作为主要指标进行进一步的分析能科学合理地衡量制造业行业绩效情况。

4实证结果

4.1制造业创新水平指标分析

为了对制造业不同行业创新水平进行分析，本文采用5个指标进行考察，第一是研发经费投入强度，表示研发经费投入占工业总产值的比重。第二是创新覆盖面，即创新企业占整个行业企业数的比例。第三是创新企业平均项目数，反映了企业的创新强度。第四是新产品比重，即新产品产值占所有产品产值的比重。第四是消化吸收投入比重，即消化吸收投入占引进技术投入的比重。结果如表2所示。

表2 制造业行业绩效分析表

研发经费投入强度较高的有专用设备制造业、医药制造业、交通运输设备制造业、电气机械及器材制造业、通用设备制造业；较低的有石油加工炼焦及核燃料加工业、皮革毛皮羽毛(绒)及其制品业、农副食品加工业、家具制造业、烟草制品业等。

    创新覆盖面较高的行业有医药制造业、烟草制品业、专用设备制造业、仪器仪表及文化办公用机械制造业、交通运输设备制造业等；较低的有皮革毛皮羽毛(绒)及其制品业、纺织服装鞋帽制造业、家具制造业、农副食品加工业、印刷业和记录媒介的复制业等。

    创新企业平均项目数较高的行业有医药制造业、有色金属冶炼及压延加工业、石油加工炼焦及核燃料加工业、烟草制品业、黑色金属冶炼及压延加工业等；较低的有皮革毛皮羽毛(绒)及其制品业、家具制造业、纺织服装鞋帽制造业、工艺品及其他制造业、木材加工及木竹藤棕草制品业等。

    新产品比重较高的行业有交通运输设备制造业、电气机械及器材制造业、通用设备制造业、通信设备计算机及其他电子设备制造业、专用设备制造业等；较低的有农副食品加工业、石油加工炼焦及核燃料加工业、食品制造业、造纸及纸制品业、皮革毛皮羽毛(绒)及其制品业等。

    技术消化吸收投入比重较高的有家具制造业、非金属矿物制品业、木材加工及木竹藤棕草制品业、医药制造业、工艺品及其他制造业等，较低的有文教体育用品制造业、烟草制品业、造纸及纸制品业、有色金属冶炼及压延加工业、黑色金属冶炼及压延加工业等。

    总体上，医药制造业、专用设备制造业等行业的创新水平较高，而农副食品加工业、家具制造业、皮革毛皮羽毛(绒)及其制品业等行业创新水平较低。

需要指出的是，单纯用某项指标来衡量某个行业的创新绩效是有失偏颇的，所谓“隔行如隔山”，需要结合行业特点以及我国该行业的世界比较等因素进行综合分析，如研发投入强度指标，烟草制造业比较成熟，技术相对稳定，产品单一，新品研发成本较低，也许研发投入低正是节省资源的体现。又如技术消化吸收投入比重指标，某些行业在我国属于弱势行业，加上国外对我国实行技术封锁，技术引进消化吸收比较困难，如果短期内关键技术不能突破，有可能导致该项指标值偏低。

为了研究新产品比重Y与研发经费投入强度X的关系，将二者进行回归，结果如下：

Y=1.535+18.034X

           (0.818) (7.621)  R²=0.675

从回归结果看，研发投入强度与新产品比重呈较高的正相关关系，R²值较高，为0.675,并且统计检验比较显著，显示了研发资金投入对创新的影响。

4.2 制造业行业创新效率分析

将技术效率分解为纯技术效率与规模效率的乘积，纯技术效率反映了在现有技术条件下行业创新的投入产出水平，它是一个决策单元技术水平的综合体现，在一定的技术条件和相同的投入下，纯技术效率越高，产出率越高；规模效率实际上反映的制造业宏观管理水平，它是从规模经济角度分析的，规模效率一般呈倒U型曲线，即在规模较小时，效率较低，随着规模扩大，效率升高至最大值，当规模继续扩大时，由于管理水平不够，规模效率又继续降低。

表3 制造业行业效率及其分解

采用Tim Coelli的DEAP2.1软件进行DEA分析，结果如表3所示。我国制造业创新总体技术效率不高，平均仅为0.70，纯技术效率平均为0.78，低于规模效率平均值0.89的水平。

从技术效率看，有8个行业达到了技术与规模同时有效，包括是烟草制品业、医药制造业、通信设备、计算机及其他电子设备制造业、电气机械及器材制造业、石油加工炼焦及核燃料加工业、文教体育用品制造业、皮革毛皮羽毛(绒)及其制品业、家具制造业。技术效率最低的5个行业依次是农副食品加工业、造纸及纸制品业、饮料制造业、仪器仪表及文化办公用机械制造业、化学原料及化学制品制造业。技术效率综合反映了行业的技术及管理水平。

    从纯技术效率看，有11个行业纯技术效率有效，除8个技术效率完全有效的行业外，还包括交通运输设备制造业、专用设备制造业、化学纤维制造业。纯技术效率最低的5个行业依次是农副食品加工业、造纸及纸制品业、饮料制造业、化学原料及化学制品制造业、仪器仪表及文化办公用机械制造业。

    从规模效率看，规模效率完全有效的行业就是技术效率完全有效的8个行业。规模效率较低的5个行业依次是专用设备制造业、纺织业、黑色金属冶炼及压延加工业、交通运输设备制造业、通用设备制造业。

    从规模报酬看，除8个技术效率完全有效的行业外，余下21个行业有8个行业规模报酬递增，增加规模可以提高效率；有13个行业规模报酬抵减，减小规模能够增加效率。深层次反映了管理水平的问题，与整个制造业创新效率偏低有关。

    表3 还给出了在维持制造业创新成果不变的情况下，投入要素的节约或改进程度，研发投入的使用效率相对高一些，改进度为35.98%，其次是研发人员投入的改进度，为41.75%，引进技术消化吸收投入效率最低，改进度高达48.19%，总体上，投入要素的使用效率偏低，存在大量的资源浪费。

    结合4.1中指标体系的分析会发现一些有趣的现象，医药制造业则是各项指标较高，技术效率完全有效；皮革毛皮羽毛(绒)及其制品业虽然各项指标值偏低，但它是完全有效的。农副食品加工业各项指标偏低，并且技术效率偏低。这些情况都是正常的，创新水平高并不一定效率高，创新水平低也并不一定效率低，DEA方法正是弥补了指标分析的不足。

5结论与讨论

    从研发投入强度、创新覆盖面、创新企业平均项目数、消化吸收投入比重、新产品比重5个创新指标看，不同行业创新水平相差很大，新产品比重与研发投入强度呈较高的正相关关系，反映了研发投入与产出的关系。我国制造业创新的技术效率总体偏低，纯技术效率小于规模效率，反映了我国制造业创新体系中制度与管理存在的问题。

    对制造业的创新绩效进行研究，必须从指标体系与效率两个层面进行，并且要从系统的高度全面进行衡量，即在分析问题时，要从行业特点、技术水平、国际现状、比较优势等角度通盘分析。某个行业创新指标低不见得就是坏事，各行业千差万别，有些行业是可比的，而有些行业是不可比的。实际上，在比较不同行业或不同地区的创新绩效时，采用指标体系必须慎重考虑，个别指标相比只是在特定的情况下才有意义。在用创新指数衡量行业或地区创新绩效时，只有在行业相似或地区制造业结构大致相同的情况下才能进行比较，否则结果意义不大。从效率角度出发分析行业和地区的创新效率则没有这样的问题。低效或不完全有效总是要避免的，效率低下必然意味着资源的浪费。

    我国是个资源缺乏型国家，在创新中必须考虑资源节约问题，在短期内创新技术难以取得突破的情况下，首先应从制度及管理层面进行改进，以调动广大企业及创新人员的积极性。资源是有限的，我们不可能在制造业所有行业都进行等比例的创新投入，必须有所侧重，发扬优势，在基础领域及关键行业，应保证足够的资源投入，力求取得突破，以带动相关行业发展。

    创新除了技术创新和产品创新外，还包括制度创新和管理创新，由于后者很难量化，因此，本文只能局限在技术创新和产品创新层面进行研究，而将制度创新和管理创新的成果隐含在整个制造业经济系统中。

参考文献

[1] 池仁勇,虞晓芬等. 我国东西部地区技术创新效率差异及其原因分析[J]. 中国软科学,2004(8):128-131

[2]李双杰、王海燕等. 基于ＤＥＡ模型的制造业技术创新资源配置效率分析[J]. 工业技术经济,2006(3):112-115

[3] 官建成,刘顺忠. 区域创新机构对创新绩效影响的研究[J]. 科学学研究,2003(4):210-214

[4] 张宗益、周勇等. 基于SFA模型的我国区域技术创新效率的实证研究[J]. 软科学,2006(2):125-128

[5] 李晓钟、张小蒂. 江浙区域技术创新效率比较分析[J]. 中国工业经济,2005(7):57-64

[6]柴剑峰、陈光. R&D植入技术创新的动态机理及绩效分析[J]. 科学学与科学技术管理,2003(5):20-23

[7] 王海盛、郑立群. 区域创新系统创新绩效测度研究[J]. 安徽工业大学学报(社会科学版),2005(11):39-40

[8]黄鲁成、张红彩. 北京制造业行业的技术创新效率评价[J]. 科学学研究,2005(12):279-282

[9] 王伟光. 中国工业行业技术创新效率的实证研究(1990-1999)[J]. 沈阳师范大学学报(社会科学版),2003(1):57-62

[10]王广泽、张甦等. 国家创新系统效率的评价指标体系[J]. 科技与管理,1999(3):27-31

[11]Charnes A, Cooper W W, Rhodes E. Measuring the efficiency of decision making units[J]. European Journal of Operational Research, 1978(2): 429-444

[12]Banker, R.D., Charnes, A. and Cooper, W.W. Some Models for Estimating Technical and Scale Inefficiencies in Data Envelopment Analysis[J], Management Science, 1984,30（9）：1078-1092.

[13]Coelli, T.J.  A Guide to DEAP Version 2.1: A Data Envelopment Analysis (Computer) Program, CEPA Working Paper 1996/8, Department of Econometrics, University of New England, Armidale NSW Australia.08