1、中国区域工业创新全要素生产率的实证分析 摘要：文章以非参数 DEA的修正 Malmquist指数方法测算了 2003年 2010年我国区域工业创新的全要素生产率指数并对其进行了分解。实证结果表明，造成近年来我国区域工业创新全要素生产率提高的主要原因在于其创新前沿水平的提高超过了创新效率的下降；无论从省际层面还是从东、中、西三大区域层面，我国工业创新全要素生产率水平都存在明显差异，然而随着时间推移，区域之间的差异有逐渐缩少的趋势。 下载 关键词：区域；工业；创新全要素生产率 一、 引言 目前已有的国内相关文献大多使用非参 数 DEA 方法对于中国工业创新的技术效率进行测算和分析，如潘雄锋等（ 2
2、010）、余东华（ 2010）以及项本武（ 2011）等。事实上技术效率反映的是现有技术前沿水平下创新投入资源的实际产出能力，并未包括技术前沿本身的变化情况，而学者白少君等（ 2011）虽然首次使用非参数 DEA 方法计算了我国工业研发创新的全要素生产率，但是其使用的是行业层面数据，不能反映我国区域工业创新的生产率差异，且采用的依然是传统的建立在规模报酬不变前提假设基础上，仅考虑投入或产出单一方面可变情况的 Malmquist指数分解方法。由于这一规定 在现实的创新生产过程中很难满足因而也影响了使用 Malmquist指数方法进行测算的准确性。为此，本文将采用能够综合考虑规模报酬因素以及投入产
3、出皆可变的修正 Malmquist指数方法，就我国区域层面工业创新的全要素生产率进行计算和分解，以考察不同区域工业创新的整体投入产出绩效差异。 二、 研究方法和数据选择 1. 基于非参数 DEA 的修正 Malmquist 指数方法。学者黄薇（ 2008）针对传统 DEA方法有关规模报酬不变和只有投入产出单一方面可变的假设与现实情况不相吻合的状况，提出了一种计算全 要素生产率的修正的 Malmquist指数方法，即采用定向技术距离函数对传统的 Malmquist指数进行修正，并在计算决策单元生产率变动情况之前，确定生产可能集的规模收益特征从而选择对应的距离函数以解决全要素生产率分析中的规模经济
4、因素。 根据 Chamber， Chung & Fare（ 1996， 1998）的研究，可以将定向技术距离函数定义为如下形式： D（ x， y， gx， gy） =max?兹： ?兹 gx， y+?兹 gyT （ 1） 其中 ?兹是常数，（ gx， gy） 0 为给定的方向向量，表示 决策单元向生产前沿面逼近的路径，这种设定避免了单方面考虑投入或产出径向变化的缺陷，而相应地定向技术距离函数测度了给定方向下被观测单元与前沿面之间偏离的程度，程度越小代表生产率水平越高，若偏度为零，则意味着该决策单元位于前沿面上，生产率水平达到最高。此外，可以借鉴 Coelli（ 1996）提出的规模收益非增模型
5、的思路，将上述 CCR 模型中规模收益不变（ CRS）的约束条件 ?撞 ?姿 ?叟 0 扩展为 ?撞 ?姿 ?叟 1 和 ?撞 ?姿 ?燮 1 以得到规模收益递增（ IRS）和规模收益递减（ DRS）情况下的定向技术距离函数： 规模收 益递增条件下的定向技术距离函数为： Di（ x， y， gx， gy） =max?兹： X?姿 ?燮 x-?兹 gx， Y?姿 ?叟 y+?兹 gy， ?撞 ?姿 ?叟 1（ 2） ?琢规模收益不变条件下的定向技术距离函数为： Dc（ x， y， gx， gy） =max?兹： X?姿 ?燮 x-?兹 gx， Y?姿 ?叟 y+?兹 gy， ?撞 ?姿 ?叟 0
6、 ?茁规模收益递减条件下的定向技术距离函数为： Dd（ x， y， gx， gy） =max?兹： X?姿 ?燮 x-?兹 gx， Y?姿 ?叟 y+?兹 gy， ?撞 ?姿 ?燮 1 对上述定向技术距离函数应用线形规划方法求解： 借鉴 Hirofumi Fukuyama（ 2003）的方法判断决策单元的规模收益特征： 当 Dd（ x， y， gx， gy） Di（ x， y， gx， gy）时，为规模收益递增（ DRS）； 当 Dd（ x， y， gx， gy） =Di（ x， y， gx， gy）时，为规模收益不变（ CRS）； ?茁当 Dd（ x， y， gx， gy） Di（ x， y
7、， gx， gy）时，为规模收益递减（ DRS）。 根据以上的改进技术，可以将全要素生产率 Malm-quist指数修正模型定义如下： M（ xt+1， yt+1， xt， yt） = 其中下标变量 ?琢表示决策单元的规模收益特征。 学者 Fare 等（ 1994）的研究将全要素生产率指数的变化分解为两个重要的组成部分，即技术进步的变化（ TC）和技术效率的变化（ EC），前者反映了样本单位技术创新所带来的不同时期生产最佳前沿边界的移动，后者则表示样本单位在不同时期相对最佳前沿边界的实际移动。具体的计算公式如下： M（ xt+1， yt+1， xt， yt） =ECTC （ 7） 根据以上公式
8、， 可以得出 t+1 期相对于 t期的全要素生产率变动指数 M（ xt+1， yt+1， xt， yt）（ TFP）以及技术进步变动指数 TC 和技术效率变动指数 EC。 2 数据选择。由于 2002年我国颁布了新的国民经济行业分类标准，使得在此前后统计年鉴中的数据口径有了较大程度的变化，因此我们采用2003 年 2011 年中国科技统计年鉴各省大中型工业企业的创新投入和产出数据来计算区域工业创新的全要素生产率，并从中剔除数据缺失的西藏和海南省，共计 29个地区作为实证研究的决策单元。 （ 1）投入变量。采用各地区大中 型工业企业 R&D 经费和 R&D 人员投入作为计算创新全要素生产率投入变
9、量的依据。按照 Griliches等学者的研究，在知识生产函数中 R&D经费投入应该以累积的知识资本存量形式来衡量。因此参照 Griliches（ 1998）和吴延兵（ 2006）的处理方法，使用通用的永续盘存法来测算我国制造业各行业的知识资本存量，即： RDt=Et+（ 1-） RDt-1（ 10） RD0=E0/（ g+）（ 11） 其中， RDt 和 RD0 分别代表了第 t期和基期的知识资本存量， Et和 E0 分别代表了第 t 期和基期各地区 不变价格的大中型工业企业 R&D 经费投入（扣除劳务费部分）， g 为研究期内各地区工业 R&D 经费投入的年均增长率，为知识资本的折旧率，本
10、文采取国内外文献中广泛使用的 15%的折旧率。而有关 R&D 经费投入的价格指数则参照吴延兵（ 2006）的作法，将其设定为固定资产投资价格指数和原材料购进价格指数的算术平均值，并以此将不同年份的各地区大中型工业企业 R&D 经费投入扣除劳务费部分后分别按照 2003年不变价格进行平减处理。 （ 2）产出变量。常用的衡量创新产出的指标包括专利、新产品产值（或新产品销售收入）、技术开发项 目数等等，考虑到指标的代表性和数据的连续可得性，本文选择各地区大中型工业企业的专利申请数和新产品销售收入作为创新的产出变量，其中后者并按照工业品出厂价格指数折算成 2003年不变价格。 三、 实际计算结果 1
11、我国省际工业创新的全要素生产率及其分解情况 .使用基于非参数DEA 的修正 Malmquist 指数方法对 2003 年 2010 年我国 29 个省区工业创新的全要素生产率进行测算和分解，其结果见表 1。 （ 1）从总体上分析， 2003 年 2010 年我国省际工业创新全要素生产率TFP指数均值 为 1.017，其中反映工业创新的技术前沿进步指数 TC的均值为1.059，其数值大于 1；而反映工业创新实际技术效率的指数 EC 的均值为0.960，其数值小于 1。这表明近年来我国各地区工业创新质量水平总体上存在着一定程度的提高趋势，而造成这一现象的原因主要在于工业创新的技术前沿面向外扩展，而
12、各地区平均的技术创新效率还远未达到理想水平，有待改善。 （ 2）从各省区情况来看，我国工业创新的全要素生产率存在明显的省际差异： 2003年 2010年在全部 29个省区中，共有 21个省区工业创新的全要素生产率 TFP 指数值大于 1，而小于 1的 8 个省份分别为河北、山西、吉林、江西、贵州、甘肃、青海和宁夏；其中工业创新绩效水平最高的为上海，其创新全要素生产率 TFP 指数达到了 1.141，而最低的为青海，其 TFP 指数为 0.795，还不到上海的 70%。而从各省区创新全要素生产率分解情况来看，有 25 个省区工业创新的技术前沿进步指数 TC的数值都超过了 1，最高的仍然是上海，达
13、到了 1.140；反之创新的实际技术效率值超过 1 的省份仅有 6个，其 EC 指数均值为 1.002，勉强达到有效水平。 2 我国区域工业创新全要素生产率及其变 动情况。为进一步分析我国各区域工业创新的绩效水平差异及其变动情况，我们将 29 个省区划分为东中西三大区域，其中东部区域包括北京、天津、河北、辽宁、山东、上海、江苏、浙江、福建、广东 10 个省区，中部区域包括吉林、黑龙江、内蒙古、山西、河南、安徽、江西、湖北、湖南 9个省区；其余 10 个省区属于西部区域，分别计算了各区域工业创新全要素生产率指数 TFP、技术进步指数 TC和技术效率指数 EC的均值以及上述三个指数在 2003 年
14、 2010 年期间的年均增长率，结果见表 2。 （ 1）从各区域工业研发创新的全要素生产率均值来 看， 2003 年 2010 年我国三大区域以全要素生产率 TFP指数衡量的工业研发创新的整体质量水平呈现出东部最高、西部次之、中部最低的区域分布情况，且东部和西部区域的 TFP 指数均值都超过了 1，仅有中部区域研发创新的 TFP 指数均值为0.997，小于 1。此外，对各区域工业研发创新全要素生产率的分解情况表明，虽然三大区域研发创新的前沿水平（ TC 指数）都有显著提高，但是实际的技术效率（ EC 指数）却都在 1 以下，其中东部地区无论创新的技术前沿TC 指数还是技术效率 EC 指数值都超
15、过了中西部地区；而中西部地区在研发创新分解指数上 的表现则相反：中部地区工业创新的前沿水平均值为 1.047，低于西部地区；而实际的技术效率均值则为 0.962，优于后者。 （ 2）从各区域工业研发创新全要素生产率的动态变化来看， 2003 年2010 年我国东、中、西三大区域无论总体的 TFP 指数还是分解后的技术前沿 TC 指数值都表现为上升趋势（年均增长率都在 1以上），而在创新的实际技术效率方面，除了西部地区的 EC指数年均增长率小于 1以外，东部和中部地区的技术效率水平也处在不断提高的状态。对各区域创新全要素生产率的年均增长率比较结果表明：目前 TFP指数均值最 低的中部地区，其动态
16、的年均增长率却达到了 1.084，不仅高于西部地区，而且超过了目前创新TFP 指数最高的东部地区，从而使区域之间以 TFP 指数表示的工业创新绩效差异呈现出动态的缩小趋势。而通过对各区域细分的 TC和 EC指数的年均增长率数值的比较，则可以发现造成以上现象的主要原因在于中部地区近年来工业研发创新实际技术效率较高的年均增长率（其数值为 1.026），而相比之下，一直在整体工业创新的全要素生产率及其细分指标上表现最好的东部地区近年来不仅在创新的实际技术效率变动（ EC指数年均增长率）上落后于中部地区，而且在 创新的技术前沿水平增长（ TC指数的年均增长率）上也逐渐被西部地区赶超。 四、 研究结论与
17、讨论 采用基于非参数 DEA 的修正 Malmquist 指数方法对我国 2003 年 2010 年地区工业全要素生产率 TFP及其分解指数 TC和 EC的计算结果表明：从横向比较来看，无论在省际层面还是东、中、西三大地区层面，我国工业研发创新绩效（质量）水平的区域差异都显著存在；而从纵向变动趋势分析，在三大区域工业研发创新的全要素生产率持续提高的同时，它们之间的差异却在逐渐缩小。 作为我国工业最为发达也是研发 创新活动最为集中的东部地区，得益于其丰富的人力资本、良好的区位条件以及创新的集聚优势，使其不仅在整体的创新全要素生产率 TFP 指数上，而且在其细分的创新前沿（ TC 指数）和实际技术
18、效率（ EC 指数）的表现上都明显优于中西部地区；然而近年来随着西部大开发战略的实施以及产业自东向西的逐步转移，我国中西部地区工业创新全要素生产率的总体水平也在不断提高，甚至分别在创新前沿和技术效率的变动上似乎有后来居上的趋势。 虽然从总体情况上来看，我国区域工业研发创新的全要素生产率水平近年来体现出积极的正向变动态势，但是我们 仍然应该注意到其中存在的问题和亟待改善的地方：除少数省份外，大部分地区工业研发创新的 EC 指数值小于 1，处于创新的技术无效率状态，即存在着创新投入冗余和创新产出低于前沿水平的状况；中部地区虽然在创新的技术效率年均增长水平上位居三大区域之首，但是在创新的技术前沿上无
19、论从目前已达到的水平还是纵向的变动趋势上都落在东部和西部地区之后，这与该地区相对薄弱的工业创新技术基础和短缺的人力资本资源密切相关；而西部地区虽然由于拥有建国以后形成的西北和西南等重工业基地以及近年来西部大开发战略实施带来的资金、政策和人才等方面的有 利因素而在创新的技术前沿水平上高于中部地区，甚至在动态的年均增长率上还超过了东部地区，但是在产权等工业组织和创新管理体制改革上的滞后却使其在创新的实际技术效率上表现欠佳，且近年来还有不断恶化趋势。 参考文献： 1. 黄薇中国保险业全要素生产率研究当代经济科学， 2008，（ 11）：85-90 2吴延兵 R&D 存量、知识函数与生产效率经济学（季
20、刊）， 2006，（ 7）： 1130-1158 3潘雄锋，刘凤朝中国区域工业企业技术创新效率变动及其收敛性研究 .管理评 论， 2010,（ 2）： 59-64 4余东华，王青国有工业企业自主创新效率变化及影响因素 基于 1998-2007 年省域面板数据的 DEA 分析山西财经大学学报， 2010，（ 1）：94-101 5项本武中国工业行业技术创新效率研究 .科研管理， 2011，（ 1）：10-14 基金项目：国家社会科学基金重点项目（项目号： 07AJY017）。 作者简介：郭克莎，国务院研究室宏观司副司长，中国社会科学院研究员；张沛东，南开大学经济学院城市与区域经济研究所博士生，天津外 国语大学国际商学院讲师。 收稿日期： 2012-03-12。
