中国航空航天制造业自主创新效率研究

陈伟，周文

（哈尔滨工程大学经济管理学院，黑龙江哈尔滨150001）

中国航空航天制造业自主创新效率研究

陈伟，周文

（哈尔滨工程大学经济管理学院，黑龙江哈尔滨150001）

为了有效测度和探索中国航空航天制造业的自主创新效率及其模式，以我国21个地区1995-2010年期间航空航天制造业的产业自主创新活动为研究对象，通过运用三阶段DEA-Windows模型对我国各地区航空航天制造业的产业自主创新效率进行了实证研究。研究结果表明：通过剔除环境变量和随机扰动因素的影响可以更准确地测度产业自主创新效率；从结构特征的聚类分析结果来看，我国航空航天制造业产业自主创新效率存在4种模式；从收敛性分析结果来看，各地区航空航天制造业的产业自主创新效率σ收敛。

航空航天制造业；产业自主创新效率；三阶段DEA-Windows模型；聚类分析；收敛性分析

航空航天制造业作为我国的战略性高技术产业，在这60多年的过程中已经取得令人瞩目的成绩，但其发展仍存在不少问题。例如，自主创新能力与世界发达国家相比存在着相当大的差距、某些领域内缺乏自主知识产权核心技术，从而在国际竞争中备受遏制、出口的高技术产品缺乏足够的竞争力等，这些已成为阻碍我国航空航天制造业深入发展的重要因素。要突破现存困境，重点在于积极推进其产业自主创新，其基础是准确测度和评价该产业的自主创新效率。因此，如何科学准确地测度和评价我国航空航天制造业产业自主创新效率具有重要意义。

国内外对航空航天制造业产业自主创新效率的研究不多。国外一般是从创新竞争力［1］、综合创新和开放式创新［2］、知识管理［3］和供应链管理［4］等方面对其创新效率问题进行研究。国内的研究则集中在创新效率的影响因素［5］、创新效率评价指标体系的建立［6］和区域创新效率的比较等方面［7］。总的来说，现有关于航空航天制造业产业自主创新效率研究的文献主要存在以下不足：1）研究航空航天制造业产业自主创新效率的文献较少，而且所用的创新效率评价方法还有待进一步优化和完善。2）现有文献所建立的效率评价指标体系还没有统一标准，而且在进行效率评价时没有考虑统计噪音和外部环境变量对效率评价模型的影响。3）现有测度航空航天制造业效率的文献分析的数据大部分属于截面数据，没有考虑数据的时间相关性问题，由此得到的效率值存在偏差。为了准确地测度和评价我国航空航天制造业的产业自主创新效率，本研究采用三阶段DEA-Windows模型进行研究。这一模型不仅能够剔除影响产业自主创新效率测度的外部环境变量和随机干扰，而且能够将数据之间的相关性纳入考察范围，从而较为全面和准确地测度各地区产业自主创新效率及其变动情况。

1 模型与变量选择

1.1 三阶段DEA-Windows模型

产业自主创新效率受管理效率、环境因素和随机因素这3个因素的影响，其中管理效率属于内生变量，而环境因素和随机因素属于外生变量［8］。为了能够真实测算出基于产业自主创新活动所对应的产业自主创新效率，应该把外生变量对产业自主创新效率的影响分离出来。Fried等［8］提出的3阶段DEA模型能够有效地排除环境因素和统计噪音从而能够实现真实效率的有效测度，具体过程如下。

1）利用DEA（BBC）模型测度产业的自主创新效率。

2）构建SFA模型剔除环境变量和随机干扰的影响。Fried等［8］指出在第1阶段DEA模型计算得到的效率值存在投入产出松弛值，而产生这些松弛值的原因是存在管理非效率、环境变量和随机误差这3项因素对效率造成影响，因此建议使用SFA模型测算出管理非效率、环境变量和随机误差这3项因素，进而从效率值中把它们剔除出去，仅仅保留管理非效率所造成的投入松弛值。即以投入松弛变量为因变量，环境变量为自变量构建SFA模型：

式中：s

nk为投入松弛变量，fn（zk；βn）为随机前沿函数。为了能够测度随机扰动对投入松弛变量的影响，需要利用SFA模型的回归结果的估计值（β＾n，和管理非效率的条件估计值（vnk+unk）］将随机扰动从管理非效率中分离出来，如下：

根据上述计算结果调整投入量即可将环境变量因素和随机扰动对投入松弛变量的影响分离出来，如下：

3）将SFA模型调整后的投入值重新代入第1阶段所使用的DEA（BBC）模型，计算得到产业自主创新的真实效率值。由于剔除了环境变量和随机扰动对效率的影响，这样就能够更客观和准确地反映产业自主创新的真实效率水平。

此外，利用DEA模型计算面板数据的效率是DEA发展的一个前沿方向。Charnes［9］构建了一个能够实现DEA面板数据处理的DEA-Windows模型。这一模型的处理思路类似于统计学里面的平滑指数原理，把几个时期作为一个视窗，每一次将视窗向前平滑一个时期，这样对于某一特定的DMU决策单元而言，在横截面上需要与其他的DMU决策单元进行比较，而在时间序列上还需要和不同时点上的自身进行比较，这能够更全面地反映决策单元的效率情况。

虽然三阶段DEA模型能够有效剔除环境变量和随机干扰的影响，但是这种模型难以处理面板数据的效率问题；而DEA-Windows模型虽然实现了面板数据的效率分析，但是其本质还是停留在简单的DEA模型处理层面，因此难以避免简单DEA模型的缺陷。为了准确地测度和评价我国航空航天制造业产业的自主创新效率，弥补单独使用三阶段DEA模型或DEA-Windows模型的不足，构建以下三阶段DEA-Windows模型：

假设要测度N个DMU决策单元（n＝1，2，..，N）在T个时期内（t＝1，2，..，T）的效率，那么DEA视窗模型所要处理的决策单元总数一共是N×T个。

首先设定模型所需要的视窗宽度，然后按类似于指数平滑的方法将总时期数T分隔为一系列有所重叠的时间段。每个视窗内均有w个时期数，且包含这N个DMU决策单元在w个时期内的值，即每个视窗都包含w×N个单元。窗口的输入矩阵为

输出矩阵为其中，每个窗口的宽度为w（1≤w≤T-j），jw（1≤ w≤T-w+1）表示每个窗口的序号。输入向量在时间t（t＝1，2，..，T）下为：；输出向量

其次是分别对这些视窗进行第1阶段DEAWindows模型计算。将投入变量松弛值输入到第2阶段的SFA回归模型中，由此计算第2阶段的SFA回归结果。

最后将经由SFA模型调整后的投入值重新代入到上述第1阶段所使用的DEA-Windows模型中，利用DEA-Windows模型计算得到最终的效率测度结果，这一结果不仅实现了面板数据的效率计算，而且还剔除了环境变量和随机扰动的影响。

此外，为了深入分析产业自主创新效率的影响因素，本研究将产业自主创新效率分解为纯技术效率和规模效率。通过分析航空航天制造业的产业自主创新效率、纯技术效率和规模效率，探索其产业自主创新效率的具体模式，为提升产业自主创新能力提供科学的建议和对策。

1.2 投入产出变量、环境变量选择及数据说明

选取我国航空航天制造业R＆D经费支出存量、R＆D活动人员全时当量为投入变量，以专利申请数和自主创新新产品销售收入为产出变量，以航空航天制造业的企业数、平均企业规模、科技活动经费筹集额中政府资金、行业R＆D密集度和科技活动人员数量为环境变量。

1.2.1 投入产出变量选择

自主创新投入变量方面，本研究采用通用的R＆D人员全时当量来衡量R＆D人员的实际投入水平。为了衡量产业自主创新活动研发资本投入，借鉴文献［10］的思路，本研究使用永续盘存法测算的R＆D研发经费支出存量作为衡量产业自主创新活动的资本投入指标。

自主创新产出变量方面，由于发明专利是产业自主创新的重要体现，借鉴文献［10-11］等的思路，本研究选择发明专利申请量作为产业自主创新产出效率的一个衡量指标。另外，借鉴文献［11］的观点，采用自主创新的新产品销售收入作为衡量自主创新产出的另一个衡量指标，该指标剔除了不属于产业自主创新活动所体现的产品价值，即自主创新新产品销售收入＝新产品销售收入×（R＆D科技活动人员／科技活动人员）。

1.2.2 环境变量选择

选择的环境变量包括：1）航空航天制造业的行业企业数，这一变量能够反映该产业的市场结构状态。2）航空航天制造业的平均企业规模，这一变量能够反映该产业的市场规模状态。3）政府资助，政府直接资金投入能够分担高技术产业的自主创新活动过程中的部分风险，在较大程度上支持和鼓励了自主创新活动。本研究选用科技活动经费筹集额中政府资金来表示政府资助。4）行业R＆D密集度，该变量能够在一定程度上反映该产业的R＆D水平。行业R＆D密集度高的产业往往意味着该产业具有较高的更新和发展速度，这种产业对自主创新具有较高的依赖性。5）科技活动人员数量。该变量能够反映产业的创新意愿和实力水平。

1.2.3 样本数据来源

本研究的原始数据均来源于《中国高技术产业统计年鉴》。由于内蒙古、福建、海南、广西、云南、青海、宁夏、新疆和西藏的数据不全或者严重缺失，本研究没有对其航空航天制造业的自主创新效率进行研究，另外为了实现统计数据的一致性，本研究将重庆的各项数据并入四川进行统一处理。因此研究对象为我国航空航天制造业比较活跃的21个地区，研究的时间跨度为1995-2010年。本研究对缺失数据利用SPSS软件的EM（expectation and maximization）技术进行填补。

2 实证结果分析

2.1 第1阶段DEA产业自主创新效率分析

本研究综合考虑16年的时间跨度和软件数据处理能力的限制，设定第1阶段DEA模型的视窗宽度为6，共11个视窗。通过使用DEA-Windows模型，运用Deap2.1软件，计算了1995-2010年我国21个地区的航空航天制造业的产业自主创新效率。限于篇幅，本研究只给出1995-2010年我国航空航天制造业的自主创新效率及其分解的平均值，如图1所示。

由第1阶段DEA-Windows模型的计算结果可知，16年间21个地区航空航天制造业的自主创新效率和纯技术效率的平均值较低且高低效率值差异较大，大部分地区自主创新效率在低层次趋同。其中浙江、江苏和四川的自主创新效率最好。另外由图1也可以发现，这些地区的产业平均规模效率相对较高。总体来说，我国航空航天制造业的产业自主创新规模效率较高而自主创新效率和纯技术效率不高，动态的产业自主创新效率在时空分布上呈现低位集聚、低层次趋同的演变现象，这说明航空航天产业目前的自主创新比较严重地依赖于规模扩张和资源整合，自主创新活动的质量仍有待进一步提高。

图1 第1阶段DEA与第3阶段DEA的自主创新效率对比图Fig.1 Comparison of the efficiency of indigenous innovation between first-stage DEA model and third-stage DEA model

2.2 第2阶段SFA回归结果

在第2阶段，分别以我国21个地区航空航天制造业R＆D经费支出存量、R＆D活动人员全时当量的投入松弛值为因变量，以航空航天制造业的企业数、平均企业规模、科技活动经费筹集额中政府资金、行业R＆D密集度和科技活动人员数量为自变量建立SFA回归模型，回归估算结果如表1所示。

表1 第2阶段SFA模型回归结果Table 2 Results of regression of second stage SFA model

由表1可知，航空航天制造业R＆D经费支出存量和R＆D活动人员全时当量的投入松弛变量SFA回归模型中的δ2、γ值均通过了显著性检验，其中，对于R＆D经费支出存量的噪声影响主要是随机误差的值趋于0），这说明与环境变量要素相比，影响航空航天制造业R＆D经费支出存量的主要是随机误差，环境变量对其影响相对较弱；对R＆D活动人员全时当量的噪声影响主要是环境变量的值趋于1），这说明与随机误差相比，产业自主创新活动中环境因素对产业自主创新活动的R＆D活动人员全时当量投入的影响更为重要。因此，自主创新效率测度过程中需要应用SFA回归模型剔除环境因素和随机因素对产业自主创新效率的影响。

2.3 第3阶段DEA产业自主创新效率分析

在剔除环境因素和随机因素对产业自主创新效率的影响后，本研究使用DEA-Windows模型分析第3阶段DEA的产业自主创新效率，结果如图1所示。通过采用Wilcoxon符号等级检验对第1阶段与第3阶段效率值进行显著性差异分析，等级检验的P值为0.007 2，即拒绝原假设：第1阶段的自主创新效率值与第3阶段的存在显著差异。因此，所选择的环境变量及随机因素对各地区产业自主创新效率存在影响，需要把环境变量和随机因素剔除后才能更真实地评价各地区航空航天制造业的产业自主创新效率。由图1可以发现，经过调整后，除了浙江、江苏、四川、北京、陕西等少数地区的产业自主创新效率较高以外，其余大部分地区的产业自主创新效率普遍处于较低的水平，这一结果验证了文献［7］的结论：我国航空航天制造业的产业自主创新效率相比其他高技术产业而言较低。

为了揭示调整前后各区域的航空航天制造业产业自主创新效率的变动情况，本研究对第1阶段与和第3阶段DEA的自主创新效率差异值变动情况进行分析，具体如图2所示。

图2 第1阶段与第3阶段DEA的自主创新效率差异值Fig.2 Difference of the efficiency of indigenous innovation between first-stage DEA model and third-stage DEA model

由图2可知，各个区域的航空航天制造业的产业自主创新效率和纯技术效率波动范围不大，而规模效率则出现较为明显的大范围波动。这说明了比较多的区域的航空航天制造业是依靠规模扩张而不是提高纯技术效率来提高其自主创新效率的，但是这种规模效率受外部环境的影响较大，通过剔除环境因素和随机因素后出现较大的波动，这意味着仅通过扩大规模提高自主创新效率的途径难以成为提高自主创新能力的持续动力。

3 航空航天制造业创新效率结构特征及其收敛性分析

3.1 产业创新效率的结构特征—聚类分析

为了进一步了解各个地区航空航天制造业的产业自主创新效率的结构特征，从而更有效地根据各区域的实际去指导各区域的产业自主创新活动，本研究对其进行聚类分析。首先以这些地区的航空航天制造业自主创新效率为聚类指标，采用组间距离法进行系统聚类，如图3（a）所示。由图3（a）的聚类结果可以发现这些区域可以划分为3类，其中浙江、江苏和四川属于第1梯队，这些区域的航空航天制造业的自主创新效率最高，而上海、北京、贵州、陕西、辽宁、河南、山西和山东划分为第2梯队，其自主创新效率处于一般水平，而其余地区则划分为第3梯队，其自主创新效率有待进一步提高。在此基础上从纯技术效率和规模效率2个角度进行多元聚类分析，聚类所用方法与第1次聚类分析所用方法一致，如图3（b）所示。由图3（b）可以发现，山东由于其技术效率高导致了其划分到第1梯队，而其余的地区相比第1次聚类结果也有比较大的变动，这主要是因为各个地区的纯技术效率和规模效率不同。

图3 航空航天制造业自主创新效率聚类结果Fig.3 Results of clustering analysis of the efficiency of indigenous innovation of the aerospace industry

通过上述的聚类分析结果，借鉴文献［12］分析各国创新效率结构特征时总结创新效率类型的思路，本研究提炼我国航空航天制造业自主创新效率的4种模式，具体如下：

1）“全面均衡—高度创新—高潜能型”。即在自主创新效率、纯技术效率和规模效率3个方面均有比较优异的表现，相对全面均衡。这一模式包括的地区有江苏、浙江和四川，其产业自主创新效率在行业中处于较高位置，这3个地区航空航天制造业产业自主创新效率水平表现不俗，是其他地区发展的标杆。

2）“不均衡—中度创新—高潜能型”。即在自主创新效率、纯技术效率和规模效率3个方面不均衡，自主创新效率表现一般，虽然规模效率表现低下，但是因为纯技术效率表现较为突出，有着很好的提升潜能，这一模式包括的地区有北京、山西、辽宁、吉林、上海、陕西、山东。这些地区航空航天制造业的发展目标应该是提高自主创新能力的协调性和均衡度。

3）“不均衡—中度创新—低潜能型”。即在自主创新效率、纯技术效率和规模效率3个方面不均衡，自主创新效率和纯技术效率表现一般，而规模效率表现较为突出，即其主要依赖于扩大规模来提升效率，这种发展模式有着极大的局限性，很难长期持续发展，所以其发展潜能低下，这一模式包括的地区有河北、河南、黑龙江、安徽、江西、湖北、湖南、广东、贵州。这些地区航空航天制造业自主创新能力的目标应该是在获得规模效益的同时着力提高其纯技术效率。

4）“不均衡—低度创新—低潜能型”。即在自主创新效率、纯技术效率和规模效率3个方面的表现较为差强人意，有待加强。这一模式包括的地区有天津和甘肃。这2个地区的效率发展潜能不高，没有达到其应有的规模效率，其发展目标应是扩大发展规模并提高其纯技术效率。

3.2 自主创新效率的收敛性分析

为了进一步探究不同地区航空航天制造业自主创新效率差距的变化趋势，进行收敛性分析。借鉴Barro等［13］的σ收敛研究思想，本文研究的自主创新效率σ收敛是指各地区航空航天制造业自主创新效率的离散程度随着时间逐渐降低，这可通过分析各地区水平指标的变异系数进行判定，如图4所示。

图4 各地区平均自主创新效率σ收敛分析Fig.4 σ convergence analysis of mean efficiency of indigenous innovation in various districts

由图4可知，无论是第1阶段还是第3阶段的DEA，各地区的平均自主创新效率（包括自主创新效率、纯技术效率和规模效率）的变异系数在整体上表现出明显的下降趋势，这说明了我国航空航天制造业的产业自主创新效率存在σ收敛，各个地区的产业自主创新效率差距在逐渐缩小。另外从图4还可以发现，2004年之前我国航空航天制造业的产业自主创新效率的标准差递减的波幅较大，随后至2010年间其波动幅度减少，趋于稳定下降，这说明了随着我国产业结构调整进程的推进，高技术产业自主创新活动不断深入开展，各地区航空航天制造业的产业自主创新效率的地区差距不断缩小，自主创新战略的成效逐步得以体现。

4 结论

本研究构建了三阶段DEA-Windows模型，并运用该模型测度和评价了我国航空航天制造业的产业自主创新效率。通过研究得到以下结论：

1）分析表明了本研究构建的三阶段DEA-Windows模型不仅有效剔除了环境变量和随机扰动因素对我国航空航天制造业产业自主创新效率测度的影响，而且能够实现面板数据的效率测度，分析结果比三阶段DEA模型和DEA视窗模型更具有准确性和全面性。

2）我国航空航天制造业产业自主创新效率存在4种模式，这些模式不仅揭示了我国航空航天制造业的自主创新效率结构特征，而且通过划分创新效率模式可以准确定位各地区产业的自主创新情况以及存在的问题，从而明确其发展方向。

3）与文献［7］的结论不同，本文研究发现我国航空航天产业目前的自主创新比较严重地依赖于规模扩张，自主创新活动的质量仍有待进一步提高，动态的产业自主创新效率在时空分布上呈现低位重叠、低层次趋同的σ收敛演变现象。这也表明了本研究提出的三阶段DEA-Windows模型能够深入揭示产业自主创新效率背后的规律。

虽然本研究在测度我国航空航天产业自主创新效率的过程中控制了常见的环境因素，但是由于影响该产业自主创新效率的环境变量在产业发展的不同阶段具有不同的重要性和影响力，而且如何选择投入变量和产出变量也会对航空航天产业自主创新效率的测度造成影响，因此基于数据可获性前提深入探索我国航空航天产业自主创新效率的测度框架是未来进一步的研究方向。

［1］CORALLO A，LAZOI M，MARGHERITA A，et al.Optimizing competence management processes：a case study in the aerospace industry［J］.Business Process Management Journal，2010，16（2）：297-314.

［2］ARMELLINI F，KAMINSKI P C，BEAUDRY C.Integrating open innovation to new product development-he case of the Brazilian aerospace industry［J］.International Journal of TechnologicalLearning，InnovationandDevelopment，2012，5（4）：367-384.

［3］BRADDORN D，HARTLEY K.The competitiveness of the UK aerospace industry［J］.Applied Economics，2007，39（6）：715-726.

［4］SMITH D J，TRANFIELD D.Talented suppliers strategic change and innovation in the UK aerospace industry［J］.R＆D Management，2005，35（1）：37-49.

［5］张近乐，赵娟.中国航空航天制造业科技创新能力环境影响因素研究——基于结构方程模型的路径分析［J］.北京理工大学学报：社会科学版，2014，16（3）：100-106.ZHANG Jinle，ZHAO Juan.Research on environmental influencing factors of scientific and technological innovation capability of China’s aerospace manufacturing-based on the path of structural equation modeling analysis［J］.Journal of Beijing Institute of Technology：Social Sciences Edition， 2014，16（3）：100-106.

［6］谢毅梅.航空航天产业创新能力评价体系构建研究［D］.大连：大连理工大学，2010：11-38.XIE Yimei.The research on the evaluation system analysis of aerospace industrial innovation［D］.Dalian：Dalian University of Technology，2010：11-38.

［7］董晓辉.中国航空航天工业科技资源区域配置效率研究——基于DEA-Malmquist指数方法［J］.北京航空航天大学学报：社会科学版，2013，26（4）：69-74.DONG Xiaohui.A Study on the region allocation efficiency of aeronautics＆astronautics S＆T resources in China：based on DEA and Malmquist index［J］.Journal of Beijing University of Aeronautics and Astronautics：Social Sciences Edition，2013，26（4）：69-74.

［8］FRIED H O，LOVELL C K，SCHMIDT S S，et al.Accounting for environmental effects and statistical noise in data envelopment analysis［J］.Journal of Productivity Analysis，2002，17（1-2）：157-174.

［9］CHARNES A，CLARK C T，COOPER W W，et al.A developmental study of data envelopment analysis in measuring the efficiency of maintenance units in the US air forces［J］.Annals of Operations Research，1984，2（1）：95-112.

［10］吴延兵.自主研发、技术引进与生产率——基于中国地区工业的实证研究［J］.经济研究，2008（8）：51-64.WU Yanbing.Indigenous R＆D，technology imports and productivity：evidence from industries across regions of China［J］.Economic Research Journal，2008（8）：51-64.

［11］成力为，孙玮，王九云.要素市场不完全视角下的高技术产业创新效率—基于三阶段DEA-Windows的内外资配置效率和规模效率比较［J］.科学学研究，2011，29（6）：930-938.CHENG Liwei，SUN Wei，WANG Jiuyun.High-tech innovation efficiency under the condition of incomplete factor market-on the perspective of scale and allocation efficiency based on three-stage DEA-window［J］.Studies in Science of Science，2011，29（6）：930-938.

［12］钟祖昌.国家创新效率的结构特征及其收敛性研究——基于OECD国家和中国的经验分析［J］.科学学与科学技术管理，2012，33（2）：22-29.ZHONG Zhuchang.Research on structure feature and convergence of innovative efficiency in OECD countries and China［J］.Science of Science and Management of S＆T，2012，33（2）：22-29.

［13］BARRO R J.Economic growth in a cross section of countries［J］.The Quarterly Journal of Economics，1991，106（2）：407-443.

Research on the efficiency of indigenous innovation of the aerospace industry in China

CHEN Wei，ZHOU Wen
（School of Economics and Management，Harbin Engineering University，Harbin 150001，China）

To effectively measure and explore the efficiency of indigenous innovation regarding the aerospace industry in China，this paper discusses the empirical research into the performance of indigenous innovation in twenty one districts in China from 1995 to 2010，based on the three-stage DEA-Windows model.The results show that the efficiency of industrial indigenous innovation can be measured more accurately by ruling out the influences of environmental variables and random disturbance factors.Moreover，there are four patterns of the efficiency of indigenous innovation of the aerospace industry in China，revealed by the structure characteristics which are shown in the results of the clustering analysis.In addition，the efficiency of indigenous innovation of the aerospace industry in every district is a central feature of σ convergence.

aerospace industry；indigenous innovation；three-stage DEA-Windows model；clustering analysis；convergence analysis

10.3969／j.issn.1006-7043.201306010

http：／／www.cnki.net／kcms／doi／10.3969／j.issn.1006-7043.201306010.html

F224；F062.4

A

1006-7043（2014）06-0777-07

2013-06-03.网络出版时间：2014-05-14 15：48：37.

国家软科学计划资助项目（2010GXS5B173）；黑龙江省自然科学基金资助项目（G201209）；高等学校博士点基金资助项目（20102304110008）

陈伟（1957-），男，教授，博士生导师；周文（1984-），男，博士研究生.

周文，E-mail：vincizhou＠163.com.