我国智能制造企业技术创新效率提升的主要影响因素

张 浩，毛家辉，汪天宇

（江苏科技大学经济管理学院，江苏镇江 212100）

智能制造企业主要是指从事软硬件等智能产品的开发与销售工作的企业，属于典型的高技术产业，故而对于技术的要求十分严格。这些软硬件技术需要大量的研发投入和长期的经验积累，所以怎样合理分配创新资源的投入以及如何提高效益产出在智能制造企业的发展过程中十分重要。但是，我国目前在智能制造发展方面仍然存在一些不足，如王媛媛等［1］认为我国智能制造企业基础理论和技术体系建设滞后，关键核心技术对外依存度较高；覃浩高［2］指出我国智能制造领域缺乏行业标准和自主创新能力。不难看出，制约我国智能制造行业发展的核心在于技术创新体系滞后及能力的不足。因此，通过对智能制造行业技术创新效率有关问题进行分析研究，能够为我国智能制造企业进行结构调整与产业转型提供决策支持。

技术创新效率最早由Afriat［3］提出，认为衡量技术创新的水平主要由研发创新活动的效率所决定。目前国内外学者已经对技术创新效率开展诸多研究，其中最常用的是随机前沿分析（SFA）以及数据包络分析（DEA）。洪进等［4］运用SFA 方法研究了我国医药制造产业的创新效率并分析了其影响因素，结果显示虽然大部分产业创新效率较低，但创新效率值呈现上升趋势；李向东等［5］基于我国高技术产业的面板数据，采用SFA 方法对技术创新效率影响因素进行研究；Rezaei 等［6］运用SFA 方法对伊朗库尔德斯坦医院的技术效率进行研究，结果表明其技术效率值较低，并提出在医院绩效评估时需要考虑的因素。然而随机前沿分析法模型假设较为复杂，对投入产出数据要求较高。而DEA 方法由于不需要具体函数且能测算评估多投入多产出的系统，因而成为测算技术创新效率的主流方法，例如，Li 等［7］利用DEA 模型测算了我国东部制造业技术创新效率发现，技术创新带动了经济水平的提升；刘迎春［8］采用DEA 方法分两个阶段测算研究我国战略性新兴产业的创新效率。近年来，DEA 方法的应用得到了不同程度的扩充和改进，如郑旭辉等［9］运用共享投入关联两阶段DEA 测量创新效率研究发现，2015—2018 年福建省高新区技术研发效率低下、创新能力薄弱，离有效的效率前沿差距较大；王义新等［10］运用两阶段网络DEA-Tobit 模型研究了我国36 个工业细分行业的科技创新效率，以及研发阶段和成本转化两阶段效率的影响因素；童萍等［11］通过建立投入产出指标体系，运用两阶段DEA-Malmquist 指数模型测算出2012—2016 我国新能源汽车企业在动态和静态两个层面上的技术创新效率。

自“十四五”规划实施以来，我国智能制造企业飞速发展，已有较多学者利用DEA 模型对我国智能制造企业技术创新效率相关问题进行了研究分析，如楼旭明等［12］通过建立包括4 个投入指标、3个产出指标的DEA 交叉效率模型，从企业和行业两个层面对43 家智能制造上市公司技术创新效率进行测度及分析；穆建森等［13］基于DEA 模型对2013—2016 年50 家智能制造上市公司进行技术创新效率测算研究，并进行行业对比分析；刘峰等［14］使用报酬可变的BCC-DEA 模型建立包括4 个投入、两个产出指标模型，对52 家智能制造企业技术创新效率进行了测算分析。相较于传统DEA 模型，三阶段DEA 模型可以把环境变量及随机噪声引入到投入指标中，从而得出更加真实可靠的结果。自Fried 等［15］最早将环境变量及随机噪声引入DEA 模型，以及Jondrow 等［16］推导出三阶段DEA 模型的分离公式后，三阶段DEA 模型便得到广泛运用，此后，有研究运用三阶段DEA 模型对我国40 家半导体企业技术创新效率进行了评价［17］，还有研究运用三阶段DEA模型测算分析了我国187 家新能源汽车上市公司技术创新效率［18］。

诚然，现有对于智能制造企业技术创新效率问题的研究取得了一些进展，但仍然存在以下不足：已有关于智能制造企业技术创新效率的相关文献大多是采用一阶段DEA 模型或是网络DEA 模型，这样容易忽视环境变量及随机扰动等对智能制造企业技术创新效率的影响，且缺少智能制造企业技术创新效率的影响因素分析。

选取智能制造上市企业作为研究对象，除去其中ST、PT 以及数据不完整的样本，最终确定了86家上市企业，对其2016—2020 年的技术创新效率进行测度。投入产出变量数据均来自国泰安数据库披露的上市公司财务报告，专利数据来自国家知识产权局的专利数据库，环境变量的数据来自各企业的年度财务报告以及各省市的统计年鉴。

评价指标体系如表1 所示。

表1 智能制造企业技术创新效率测度指标体系

运用SPSS22.0 对投入指标进行主成分分析，先对7 个投入指标进行KMO 检验和Bartlett 球形检验，如表2 所示，结果显示智能制造企业技术创新投入数据的KMO 检验值为0.596，同时sig 值为0，结果通过了显著性检验，说明样本数据适合使用因子分析。

表2 KMO 检验和Bartlett 球形检验结果

随后对样本进行因子方差分析，结果见表3，显示前2 个因子的特征根均大于 1，累计方差贡献率为74.11%（大于70%），能够较好地解释数据包含的信息。

表3 因子方差分析结果

表4 将两个主成分下的指标按系数从大到小依次排列，由于第一和第二主成分的方差贡献率分别为48.79%和25.33%，基于使用 DEA 方法时的指标个数原则，投入指标在两个主成分中的选取个数分别定为2 和1，因此第一主成分中选取指标X1和X6，第二主成分中选取指标X4。

表4 主成分得分系数矩阵

产出指标的筛选以吴和成等［19］提出的产出集中度原则为依据，即所选取的产出指标必须是相互关联的，使生产函数中达到所要求的产出集中度，所以本研究以产出指标之间的相关系数为依据，剔除与其他指标相关较小的产出指标，从而使所保留的技术创新产出指标可以更好地反映技术创新成果。根据各产出指标间的相关系数（见表5），剔除与其他变量具有较小相关性的Y2和Y5指标。

表5 样本智能制造企业产出指标间相关系数

在实际研究分析时，智能制造企业的技术创新效率不仅取决于投入指标和产出指标，还受到宏观经济、政府政策等多重因素的影响，所以，要想让智能制造企业的技术创新效率测算结果更加全面、准确，就需要将其与环境变量相结合进行全面的考虑。在对现有文献进行综述的基础上，结合智能制造企业技术创新的特点和数据的可得性，选择了3 个因素，即腹地生产总值（GDP）（智能制造企业所在省份生产总值）、政府财政补贴和地区竞争程度，来度量环境因素对智能制造企业技术创新效率的影响。

综上所述，最终构建智能制造企业技术创新效率测算指标体系如表6 所示。

表6 智能制造企业技术创新效率测度指标体系

Fried 等［15］指出传统DEA 模型未考虑环境因素和随机噪声对各决策单元（DMU）效率评价的影响，因此提出三阶段 DEA 模型，将传统 DEA 与随机前沿分析法结合，将初次DEA 结果中的随机误差、环境因素等剔除，随后进行第二次 DEA 结果测算，可以更为准确地得到每个决策单元的真实效率。

第一阶段：选用规模报酬可变的 BCC 模型，使用 DEAP 2.1 软件将决策单元的原始投入和产出数据代入BCC 模型，测度各个决策单元最初的综合效率、纯技术效率及规模效率，并得到投入松弛变量。

第二阶段：构建SFA 模型，以剔除环境因素和随机变量对各个DMU 效率值的影响。

在SFA 回归参数基础上，采用成本函数的形式对变量进行分离，并对原始投入数据进行调整，如式（2）所示：

第三阶段：将调整后的投入值替代原始投入值，并与原始产出值一同再次代入传统 DEA 模型，使用DEAP 2.1 软件进行效率测度，由此得到剔除环境和随机误差影响的决策单元各项效率结果。

通过BCC 模型和DEAP2.1 软件对样本企业的综合效率、纯技术效率、规模效率及规模收益状态进行测算，结果如表7 所示。可以发现，规模效率整体较高，但纯技术效率不高导致了综合效率偏低；综合效率平均值整体呈现先上升后下降的波动趋势，效率值范围在0.4 至0.7 之间波动，说明企业技术创新效率处于相对较低的水平、有待提高。其中，综合技术效率值始终维持在1 的企业有6 家，分别是大族激光科技产业集团股份有限公司、武汉精测电子集团股份有限公司、宁波慈星股份有限公司、福能东方装备科技股份有限公司、杭州品茗安控信息技术股份有限公司以及浙江田中精机股份有限公司，其投入产出效率一直处于技术创新的前沿面上，也表明了这些企业在生产过程中能够高效利用资源、降低生产成本，提高产品质量和产出效益；有13家企业的综合技术创新效率始终低于平均值，距离DEA 有效的目标较远。

表7 样本智能制造企业第一阶段平均技术创新效率

在DEA 分析的第二阶段，把第一阶段中测算出的3 种投入变量即R&D 人员全时当量、固定资产投入、研究经费支出的松弛变量作为函数的被解释变量，选取腹地GDP、政府财政支持总额以及区域开放程度作为解释变量，考察3 个环境变量对3 个投入松弛变量的影响。利用Frontier4.1 软件计算得出的结果如表8 所示，具体分析如下：

表8 样本智能制造企业技术创新效率基于SFA 的第二阶段回归结果

（1）企业所在地区经济水平对企业R&D 人员当时数量、期末固定资产和企业研究经费3 种创新投入松弛变量的回归系数均为负，且在5%或1%水平下通过显著性检验。说明当智能制造企业处于经济水平发展较高的地区时，其技术创新投入冗余得到有效减少。可能因为当企业所在腹地GDP 增加时，能够给企业的技术创新活动提供有力的经济支持，为企业的创新活动提供源源不断的动力，同时能够吸引更多的创新资源为企业所用，推动企业对技术创新活动资源进行合理配置，减少了企业开展技术创新活动中R&D 人员全时当量、固定资产以及研究经费支出等投入浪费，在一定程度上提高了智能制造企业技术创新效率。

（2）政府财政支持对智能制造企业研究经费支出的技术创新投入松弛变量的回归系数为负，且通过1%的显著性水平检验。说明了政府财政支持的增加能够减少企业研究经费支出的冗余，同时能够促进技术创新活动、盘活企业技术创新活动的资源。这可能是因为随着政府提高对智能制造企业技术创新的重视，给企业提供资金支持，同时又建立了坚实的制度为企业创新活动保驾护航，使得智能制造企业加强了对技术创新投入资源的控制，避免盲目扩大研究经费支出而导致投入冗余。

（3）区域竞争程度对R&D 人员全时当量、固定资产以及研究经费投入的松弛变量系数均显著为负。说明当智能制造企业所处环境中行业竞争较为激烈时，其用于技术创新活动的人力、物力、财力投入的资源均能够得到合理配置，技术创新效率得到显著提高，这也反映了产业集群效应。产业集群进一步集中了区域内的人力、物力、财力，技术创新交流与共享也因此更加方便流畅，从而能够促使智能制造企业合理配置技术创新活动的投入支出；同时，当区域内同类型企业增多时，竞争压力增大在一定程度上有助于提高企业研发投入的利用率，从而开拓更多的创新资源，在市场竞争中占据优势。

可见，各个环境变量对样本企业技术创新投入的冗余造成不同方向、不同程度的影响，且企业的技术创新效率在一定程度上受到了随机因素的干扰，这样会使得第一阶段DEA 模型所测算的效率值不可避免产生误差，导致效率失真的可能性。因此，应当根据第二阶段SFA 的回归结果对智能制造企业技术创新活动的投入进行调整，使各企业位于相同的环境。

将剔除环境因素及随机噪声的投入产出代入第一阶段模型中重新计算，结果如表9 所示，样本企业技术效率平均值有所上升，这说明利用传统DEA方法未考虑环境条件和随机噪声致使智能制造企业技术创新效率被低估，未能真实反映技术创新效率水平；纯技术效率平均值由0.652 上升到0.660，有19 家企业的纯技术效率几乎保持不变，有48 家企业的纯技术效率上升，有19 家企业的纯技术效率下降。由此可见，环境因素和随机噪声其实掩盖了企业真实纯技术效率，最终对其综合效率值产生影响。由表7 和表9 对比可知，企业的平均规模效率由0.808上升为0.832，这说明在剔除环境因素及随机噪声的影响后，规模收益递增的企业明显增多，说明环境因素有利于智能制造企业规模的扩大，因此，大部分企业可以加大投入规模从而提高技术创新效率。而调整前后规模收益都呈现递减状态的企业更应该合理利用与配置创新资源来提高创新效率，而不是继续扩大投入要素。

表9 样本智能制造企业第三阶段平均技术创新效率

为了进一步分析企业技术创新效率的影响因素，结合投入产出指标和国内外研究基础，并结合智能制造企业的特征，选取影响企业智能制造技术创新效率的6 个因素，即企业员工素质、企业规模大小、企业研发投入强度、专利授权数量、政府补助力度和股权集中度，构建Tobit 回归模型如下：

从表10 可知，企业员工素质、企业规模大小、企业研发投入强度和政府补助力度的回归系数均为正数，且企业规模大小的系数达到了1%的显著性水平，说明企业规模大小与智能制造企业技术创新效率显著正相关。大规模企业通常拥有更多的研发资源和资金，可投入更多的技术创新和研发项目，进而提升企业的技术水平和创新潜力，从而提高企业技术创新效率。政府补助力度的回归系数达到了5%的显著性水平，说明政府补助力度与智能制造企业技术创新效率显著正相关。政府补助可以帮助企业缓解资金压力，为企业的技术创新提供重要的经济保障；同时，政府补助还能够加速智能制造技术的推广和应用，提高技术创新的整体效率。企业研发投入强度的回归系数达到了10%的显著水平，说明企业研发投入强度与智能制造企业技术创新效率显著正相关。企业研发投入强度是企业技术创新活动的重要保障和基础，随着研发投入的增加，企业拥有更多的研发资源和资金、聘请更多的技术人才，并完善企业技术创新的各个环节，加速技术创新的进程，从而提高企业的智能制造技术创新效率。企业员工素质的回归系数未通过显著性检验，所以企业员工素质对智能制造企业技术创新效率影响不显著。一般来说，智能制造技术创新活动主要依赖于企业内部技术团队以及研发人员的专业知识和技能，如果想要提升员工的素质从而让员工增强创新意识和能力，则需要花费更多的时间，并对其进行更多的资源投资，这就意味着并不能快速地提升企业的技术创新效率。专利授权数量回归系数未通过显著性检验，即说明专利申请数对智能制造企业技术创新效率影响不显著。首先，一些企业为了满足专利申请数量的需求，可能会将精力更多地投入到专利的量产上，而不是专注于技术开发，导致企业技术创新效率受到负面影响，虽然获得了更多的专利授权，但这并不代表企业的技术创新效率更高；其次，专利授权数量多并不代表着专利质量高或对相关技术领域影响力大。股权集中度回归系数未通过显著性检验，表明股权集中度对智能制造企业技术创新效率影响不显著；原因在于，股权集中度较高的企业可能会受到股东对企业经营决策的限制，尤其是对于那些主要集中在几位股东手中的企业，这些股东可能重视短期利润，对于长期的技术创新和研发投资不愿意承担更多的风险，而技术创新和研发投资一般需要长期的投资和持续的耐心，股权集中度高的企业可能会更注重短期利润，导致技术创新的效率降低。

表10 样本智能制造企业技术创新效率影响因素的Tobit 回归结果

本研究运用三阶段DEA 的模型测算了我国86家智能制造上市公司2016—2020 年的技术效率情况，结果发现，在剔除了环境和随机因素之后，大部分企业的技术效率、纯技术效率和规模效率都有所上升，说明我国智能制造企业技术创新效率被低估了；随后运用Tobit 回归模型，得出企业规模大小、企业研发投入强度以及政府补助力度的回归系数均为正，说明智能制造企业技术创新效率提升需要企业扩大规模和强有力的政府补助支持，同时也需要企业自身加大研发投入强度。

基于以上研究结果，提出以下对策建议：

（1）完善政府扶持政策，优化智能制造企业创新环境。政府扶持政策是推广智能制造、促进企业发展的重要保障，因此，在政府职能转变中，应建立健全相关法律法规体系、完善相关政策制度。对智能制造企业实施分类管理，对于具备一定技术实力、创新能力较强、有较强市场竞争力的智能制造企业，实行重点扶持，培育其成为国家重点龙头企业；对于生产技术水平较低、市场竞争力不强的企业，要加大扶持力度，为其提供场地和设备支持等相关配套服务。对于中小企业和高新技术企业则要一视同仁，在税收优惠方面给予一定的照顾。建立和完善智能制造服务体系，加快智能制造公共服务平台建设，建立健全智能制造产品质量检测标准体系；积极开展服务外包，降低智能制造企业的成本；加强对知识产权的保护，降低企业创新风险，鼓励企业开展“双创”活动，提高企业创新能力。

（2）构建智能制造协同创新机制，实现“产学研用”一体化发展。鼓励企业积极参与行业、科研机构组织开展的技术交流与合作研发活动，一方面通过成立协同创新平台，促进产业协同发展；另一方面充分发挥产业集聚优势，利用产业集聚效应促进智能制造产业协同发展，推动新一代信息技术与制造业深度融合，提升产业竞争力。

（3）加强研发创新投入，积极推动科技成果转化。本研究的实证结果显示导致智能制造企业效率低下的主要原因在于纯技术效率降低，因此企业要加大研发及科技投入，支持团队的研发和实验工作，为技术创新提供有力的资金和技术保障。通过加大科技投入，增强企业的研发创新能力，把研发创新工作纳入企业整体战略规划并优先考虑发展新技术和新产品，建立完善的研发管理制度，为研发创新提供完善的管理和保障，倡导研发创新文化，激发员工创新积极性和创新意识，形成浓厚的创新氛围。