基于DEA模型的智能制造企业创新效率评价

徐琛辉　宋良荣

摘 要：为了衡量我国智能制造企业创新能力，推动制造业持续发展，应用DEA模型、Tobit回归及脉冲响应模型对2016—2020年我国27家位列智能制造企业百强名单的上市公司及其所在产业的创新效率进行评价分析，并对创新效率的影响因素进行研究，以满足“十四五”期间我国制造业面临的发展规划。结果表明：在静态分析层面上，智能制造企业的综合效率DEA有效个数在5年内有所下滑，规模递增企业个数显著增加。在动态分析层面上，智能制造企业的全要素生产率整体呈动态增长，得益于技术效率和技术进步双向增长。在创新效率影响因素方面，资产规模、内控缺陷长期抑制创新效率增长，而股权集中度在长期对创新效率增长有促进作用。

关键词：智能制造企业;创新效率;DEA模型;Tobit回归;脉冲响应模型

中图分类号：F 276.44

文献标识码：A 文章编号：1672-7312（2022）03-0334-08

Innovation Efficiency Evaluation of Intelligent Manufacturing

Enterprises Based on DEA Model

XU Chenhui，SONG Liangrong

（School of Management，University of Shanghai for Science and Technology，Shanghai 200093，China）

Abstract：In order to measure the innovation capability of China’s intelligent manufacturing

enterprises and promote the sustainable development of manufacturing industry，this paper applies

DEA model，Tobit regression and impulse response model to evaluate and analyze the innovation

efficiency of the 27 listed companies in China’s top 100 list of intelligent manufacturing

enterprises and their industries from 2016 to 2020，and studies the influencing factors of

innovation efficiency in order to meet the development planning of China’s manufacturing

industry during the “14th Five-Year Plan”.The results show that，on the level of static

analysis，the number of DEA efficiency of intelligent manufacturing enterprises has decreased in

five years，and the number of enterprises with increasing scale has increased significantly.On

the aspect of dynamic analysis，the total factor productivity of intelligent manufacturing

enterprises as a whole shows dynamic growth，benefiting from the two-way growth of technological

efficiency and technological progress.The influencing factors of innovation efficiency are

different among industries;Asset size and internal control deficiencies inhibit the growth of

innovation efficiency in the long run，while equity concentration can promote the growth of

innovation efficiency in the long run.

Key words：intelligent manufacturing enterprises;innovation efficiency;DEA model;tobit

regression;impulse response model

0 引言

智能制造有別于传统制造概念，是将数字化、智能化、网络化有机结合，贯穿于从设计到服务的智能系统，是自动化的延伸及未来。智能制造与传统制造的最大不同即该种制造包含着智能技术和系统，不仅能够在实践中不断更新发展，同时也具有分析和判断自身行为的能力，是一种现代意义上的创新[1]。十九大报告着重强调，建设现代化经济体系，必须把发展经济的着眼点放在实体经济上。制造业是我国国民经济的主体所在，也无疑是立国之根本、强国之基础。《中国制造2025》战略的颁布，意在聚焦重点领域，深入推进制造业结构调整，提升我国制造业创新能力。同时，在“十三五”规划的“两步走”实施战略中，也强调在2020年完成智能制造发展基础的“第一步”。

自政策颁布起，我国有哪些行业的创新效率在智能制造企业中具有引领推动作用？又有哪些行业日后需要增力提效？智能制造企业创新效率背后有何原因推动？因此，研究2016—2020年我国智能制造企业创新效率对研究以上客观现实具有深远影响。

數据包络分析（DEA），以其无需量纲和权重的处理优点，被学者广泛运用于多投入与多产出指标的效率评价中。目前针对制造行业的DEA效率分析方法运用较多，国内的研究主要聚焦在行业板块和地域板块。

在行业研究方面，张炜等对人工智能企业为样本进行研究，认为其整体呈波动下降趋势，且纯技术效率的下降是主要原因[2]。曹晶颖等针对汽车行业，以绿色技术创新效率为对象进行评测，认为该行业整体效率呈较高水平[3]。周静婷认为轻工业企业与金属采选业的创新效率关键在于技术进步和纯技术效率的提升[4]。赖志花等研究高技术产业的创新效率，认为其进步空间有待进一步提高，且规模因素显著制约创新效率[5]。

在地域研究方面，毛友芳运用因子分析法构建全国智能制造产业竞争力评价指标体系，认为各省市制造业产业区域发展不均[6];大部分省市创新力度不够。长三角地区技术创新效率平均值居全国首位，但是除了上海以外，江苏、浙江仍处于非DEA有效阶段。杨彩凤以我国30个省份的工业企业为样本进行测度，发现湖南省创新效率位于中等水平[7]。何燕子等对湖南省装备业的R&D效率进行研究，认为湖南省在静态层面仅少数子行业达到DEA有效;在动态层面整体呈现波动态势，未有上升趋势[8]。白露珍等对长江经济带的工业企业进行评测，认为纯技术效率在地理上呈东高西低的分布，规模效率则从西到东依次递减;技术创新效率处于上升趋势[9]。方大春等针对长三角城市群国家高新区进行分析，发现上海和江苏的多数高新区处于较低水平，而浙江和安徽地区的创新效率呈现上升趋势[10]。田泽等以绿色技术创新效率为研究对象，认为长三角地区的创新效率呈现逐年上升的趋势，且具有“西南高东北低”的特点[11]。在研究方法上，学者较多运用DEA-Malmquist模型来测度企业效率。STORTO利用SBM-Malmquist指数对意大利城市固体废物收集的生产率进行分析[12];OSUNDIRAN O等运用Malmquist生产率指数检验新冠病毒对新加坡集装箱港口海事港口生产率的影响[13]。Dar Ather Hassan等人运用Malmquis指数研究2014—2020年间印度银行技术效率的异质性[14]。通过归纳前人研究，发现现有文献对制造行业的研究较少，而从地域角度出发的研究较为丰富。创新效率研究在以下方面仍存在补缺：一是针对智能制造企业整体行业及其子行业研究较少，智能制造企业作为德国工业4.0、美国工业互联网和中国制造2025背景下的核心概念，其重要性不言而喻。二是从动态和静态角度结合研究较少。静态效率分析强调各要素与系统之间的联系，而动态效率分析注重时间链上要素的变化及组合。因此，本文结合智能制造企业百强名单，选取代表性的上市企业及其代表的子行业进行动静态情况下创新效率的评价，为智能制造行业发展提供参考。

1 研究方法与数据来源

1.1 研究方法

通过前文论述，采用动静态结合的角度有助于对智能制造企业进行创新效率的评价。其中静态创新效率采用DEA-CCR& BCC模型;动态创新效率采用DEA-Malmquist模型及脉冲响应模型。在探寻智能制造企业创新效率影响因素方面，使用Tobit模型和脉冲响应模型进行研究。

1.1.1 DEA-CCR和DEA-BCC模型

DEA-CCR模型假设规模效用不变，利用Chame-Cooper[15]变化使得评价每个决策单元（DMU）的投入与产出效率变为线性规划方程，其评价输出为综合效率（TE）;DEA-BCC模型假设规模效用可变，增加了规模报酬的因素，从而将综合效率（TE）进一步分解成了纯技术效率（PTE）以及规模效率（SE），能够使得测算得到的企业效率更加接近于实际情况。CCR和BCC的表达式见表1，其中综合效率（TE）和纯技术效率（PTE）的值分别为表1中CCR模型和BCC模型的目标函数计算所得值θ;规模效率（SE）为综合效率值与纯技术效率值之比。

在数据要求上，决策单元DMU在数量上不应少于投入与产出指标数量的乘积，同时不少于投入与产出值标数量之和的3倍;DEA不要求投入与产出之间不存在共线性问题，共线性的存在不会导致错误的分析结果。

其中：Aj为DMU效率值;θ为目标DMU效率的最小值;n为DMU数量;Xj为投入单元;Yj为产出单元;S-为投入不足时的松弛变量;S+为投入冗余的松弛变量。θ=1为DEA有效;θ∈[ 0.8，1）为轻度DEA无效;θ∈[ 0.6，0.8）为中度DEA无效;θ<0.6为重度DEA无效。

1.1.2 DEA-Malmquist模型

DEA-Malmquist模型反映DMU的技术效率在时间序列上的动态变化，克服了传统DEA模型的缺陷[16]，其t到t+1时刻的指数表达式为

式中：IM为全要素生产率指数;Itech为技术进步指数;Ieffch为技术效率指数;Ipech为纯技术效率指数;Isech为规模效率指数;t为年份;D（·）为距离函数。全要素生产率指数大于1表明企业在时间段内实现要素增长。

1.1.3 Tobit回归

由于创新效率指数取值介于0和1之间，属于因变量受限数据，适用Tobit模型进行回归，相对于最小二乘回归能较好地解决这一问题，且对本文的样本数据无需另作处理。Tobit常见表达式如式（2）所示。

式中：y*为潜在因变量，大于零时被观测到，小于等于零时截尾;xi为自变量向量;β为系数向量，εi为误差项。

1.1.4 脉冲响应

脉冲响应能够动态地评价当企业创新效率受到一个变量冲击时在时间维度上的输出响应，对

研究智能制造企业的动态效率分析有着重要作用。

1.2 数据来源

本文根据吴珊等[17]中所选的企业及行业分类，依据其中排名及數据可得性，选取了我国智能制造行业6个分类，合计27家代表性的智能制造上市企业的近5年数据，其所在行业及股票代码见表2。其中，投入及产出数据取自证监会指定披露网站——巨潮资讯网;专利数据来自国家知识产权局认定的佰腾网专利检索系统;股权集中度和内控质量的数据来自国泰安数据库。

根据DEA模型对于样本数量的要求投入与输出指标和为8，企业样本数量为27家，符合DEA对于样本数量的要求。表3列示了DEA模型的投入产出指标体系及具体指标说明。

2 实证分析

2.1 静态效率分析

基于上文分析，运用MaxDEA软件分析我国智能制造企业在2016—2020年创新效率的综合效率（TE）、纯技术效率（PTE）及规模效率（SE），情况见表4。

通过样本数据得到智能制造企业2016—2020年的平均综合效率为0.631 2，表明我国智能制造企业创新效率整体处于中度DEA无效水平，其逐年分行业情况见表5，2016—2020年DEA有效的企业在逐渐减少。根据《中国制造2025》战略的发展规划，至2020年智能制造发展理应处于过半阶段，从结果而言有较大提升空间。

智能制造离不开智能技术以及智能设备的应用，而其中蕴含的技术发挥程度即智能制造企业的纯技术效率。从图1中可以发现，汽车制造业和计算机通信及其他电子设备制造业在5年间均落后于行业平均水平;汽车制造业在经历2018年的低谷后，纯技术效率在后2年有所上升，而计算机通信及其他电子设备制造业的纯技术效率在5年间呈现“M”型发展趋势;电气机械和器材制造业的纯技术效率在2019年及2020年反超专用设备制造业，开始引领智能制造行业整体进步。

规模效率是指通过扩大规模、增加投入，从而使得企业产出与企业所扩大的规模相匹配的程度，2016—2020年规模效率有效程度情况见表6。总体而言，智能制造企业在5年间的规模递增数量稳步提升，且处于多数;但在2020年规模递减的智能制造企业数量相较之前的年份有明显上升。

2.2 动态效率分析

2.2.1 Malmquist动态分析

在动态层面的纵向效率比较中，Malmquist模型相较于CCR和BCC模型在时间层面上有着更为出色的因素分解，故运用DEAP 2.1软件对上述6个行业进行动态层面的创新效率分析。因Malmquist函数具有时间滞后性的特征，故得出4年全要素生产率动态变化情况。根据式（1）的推导，以表3中的投入产出数据带入模型，Malmquist指数分解结果见表7。其中技术效率为Ieffch，技术进步为Itech，纯技术效率为Ipech，规模效率为Isech，全要素生产率为IM。

智能制造企业Malmquist指数分时段要素分解情况见表8。2017—2021年间，全要素生产率的几何平均值达到1.006，整体呈动态增长，这得益于技术效率和技术进步双向增长的原因;技术效率又可分解为纯技术效率和规模效率，而纯技术效率在4年间的几何平均值为0.996，呈现总体动态下降的趋势。2017—2018年全要素增长率的提高得益于技术效率的小幅增长（1.008）以及技术进步的拉动（1.192），而当年技术效率主要得益于企业规模的提升。2018—2019年、2019—2020年的全要素生产率未得到有效增长，分别是由于纯技术效率和技术进步的降低所致。2020—2021年，尽管智能制造企业的规模效率有所降低，但经过前期技术积累取得技术进步的成效，带动了全要素生产率的上升。

智能制造企业Malmquist指数分行业要素分

解情况见表9和图2。从行业角度分析得出：电器机械和器材制造业的全要素增长率是在2017—2021年之间呈动态增长，在智能制造的6个行业中位列首位，主要得益于技术效率和技术进步的提升。计算机通信及其他电子设备制造业的全要素增长率位列最后，表明其在2017—2021年创新效率发展受限，其技术效率未得到有效提高。

从技术进步角度而言，智能制造企业整体指数大于1，主要是由于电气机械和器材制造业的大幅拉动，铁路船舶航空航天和其他运输制造业、汽车制造业及专用设备制造业在技术进步层面有较大的提升空间。

从技术效率角度而言，汽车制造业和通用制造业表现较好，两者的效率提升都得益于纯技术效率和规模效率的提高。在技术效率上，电气机械和器材制造业表现不佳，主要受制于纯技术效率的拖累。此外，纯技术效率是计算机通信及其他电子设备制造业的技术效率落后的主要原因。

2.2.2 创新效率因素分析

在前人研究基础上[18-20]，将智能制造企业创新效率影响因素分为资产规模、股权集中度和内控质量。lnasset为资产规模，此处用企业总资产的对数表示;HHI为股权集中度，此处用公司前10位大股东持股比例的平方和表示;IC为企业内控是否存在缺陷，存在为1，不存在为0。构建Tobit回归方程如下所示。

其中：TE为表4中智能制造企业各年度创新效率（TE）;ε为残差项;β0，β1，β2，β3为方程各参数的回归系数;i为智能制造企业编号;t表示时间。用Eviews 9.0回归结果见表10。同时运用脉冲响应模型来模拟表10中的解释变量受到冲击时对创新效率（TE）的动态影响。为避免出现伪回归现象，采用ADF法对各解释变量进行检验，各解释变量的ADF值均小于1%水平下的t值，且P值为0，为平稳序列。检验结果见表11。

资产规模对创新效率具有正向影响，Tobit回归系数为0.068，且在1%的水平下显著，影响非常有限。从图3脉冲响应模型结果表明，资产规模在前3个时期对创新效率有正向冲击，然而随着冲击期数的增加，却对创新效率有着负向影响。

股权集中度对创新效率具有明显的负向影响，Tobit回归系数为-1.167，且在1%的水平下显著。股权结构与公司治理、代理问题密切相关，已有研究表明，股权集中度与公司绩效呈现U型或倒U型的趋势。从图3中不难发现，创新效率在1-2期冲击时具有负向影响，结果呈U型趋势;而在3-4期呈现倒U型趋势。从长期时间范围内而言，稳定的股权集中度有助于提升企业的创新效率。

内控质量影响企业的稳健经营和可持续发展能力，对企业创新绩效有明显促进作用。Tobit回归结果表明，存在内控缺陷的企业对创新效率具有负向作用，即完善的内部控制质量对企业创新效率有正向影响。图3中的脉冲响应的结果也表明，尽管内控缺陷在短期内会刺激创新效率指数的上升，或因内控制度集中规范企业制度，导致员工创新性降低;但创新效率随着内控质量缺陷作用期数的增加而显著减少，表明在长时间跨度内，良好的内部控制质量促进企业创新效率。

3 研究结论与建议

文章通过DEA-CCR，DEA-BCC，DEA-Malmquist

模型对我国27家位列智能制造企业百强名单的上市公司及其所在产业于2016—2020年的创新效率进行评价分析。结论如下。

1）静态效率分析发现，智能制造企业综合效率的DEA有效个数在5年内有所下滑，规模递增企业个数显著增加。汽车制造业和计算机通信及其他电子设备制造业的纯技术效率处于智能制造行业较低水平。

2）动态效率分析发现，2017—2021年间，全要素生产率整体呈动态增长，这得益于技术效率和技术进步双向增长的原因，其中电气机械和器材制造业发挥行业“领头羊”作用，计算机通信及其他电子设备制造业整体仍处于落后水平。Tobit回归及脉冲响应结果表明资产规模、股权集中度和内控质量对智能制造企业创新效率有十分显著的影响。资产规模短期对智能制造企业有短暂的提升效果，在长期有持续性的负面效果;股权集中度在长期对创新效率有正向作用;良好的内控质量在长期有利于创新效率的稳步提升。

在动静态分析的基础上，结合我国智能制造产业政策，提出以下建议：

1）着力提升计算机通信等行业的技术效率。2020年在面临新冠疫情的大背景下，芯片资源出现短缺以致原材料成本上升。企业面临“卡脖子”，应加大技术攻关进度;政府也应在人才引进、技术补贴方面给予优惠，切实提高行业的技术效率。在汽车制造业方面，由于新能源汽车的规模在这2年迎来较大的增长，企业应结合新能源技术发展的风口完善相关技术。

2）深化智能制造企业人才培育体系。一是结合我国智能制造企业行业建立科技人才信息平台，实现要素资源互通;二是优化人才选拔机制，并疏通青年人才职称评定方式，促使高校人才更多参与到企业研发智囊团中。

3）完善智能制造企业内部控制体系。智能制造企业创新效率涉及企业内部环境诸多方面。一是抽丝剥茧，寻求内部控制核心要素是智能制造企业的关键所在;二是建立有效、可靠的风险管理平台，为研发投入及研发资金来源质量提供保障;三是制定完备的员工行为准则，在主观能动方面充分调动员工创造激情，以塑造良好创新氛围。

参考文献：

[1] 毛友芳，胡斌，杨坤.我国智能制造的知识图谱可视化研究——基于CNKI数据库的文献计量分析[J].技术与创新管理，2021，42（01）：56-63.

[2]张炜，赵玉帛.人工智能企业创新效率评价及影响因素研究——基于Super DEA-Tobit模型[J].技术经济与管理研究，2021（08）：41-45

[3]曹晶颖，杨忠敏，张洁，等.汽车行业绿色技术创新效率研究[J].合作经济与科技，2021（17）：14-16.

[4]周静婷.规模以上工业企业技术创新效率分行业研究——基于DEA-Malmquist指数法[J].中国储运，2021（08）：127-129.

[5]赖志花，王必锋，刘月娜.我国高技术产业技术创新效率行业差异性研究——基于三阶段DEA模型[J].统计与管理，2020，35（01）：74-79.

[6]毛友芳.因子分析法下全国智能制造竞争力评价体系的构建与分析[J].技术与创新管理，2020，41（01）：83-90.

[7]杨彩凤，符洋，魏巍，张越.工业企业研发投入产出创新绩效测度与评价[J].科技创新发展战略研究，2021，5（04）：44-48.

[8]何燕子，王婉玉，王艳兰.基于DEA模型的湖南省装备制造业R&D效率评价[J].湖南工业大学学报，2021，35（04）：22-29.

[9]白露珍，邱玉莲.长江经济带工业企业技术创新效率测度与时空演变[J].财会通讯，2021（18）：85-88.

[10]方大春，曾志彪.长三角城市群国家高新区创新效率比较分析——基于三阶段DEA模型[J].华中师范大学学报（自然科学版），2021，55（05）：1-17.

[11]田泽，王若梅，肖钦文，等.长三角区域先进制造业绿色技术创新效率研究[J].安徽师范大学学报：人文社会科学版.2021，（5）：137-147.

[12]STORTO C I.Productivity analysis of municipal solid waste collection in italy using SBM DEA malmquist index[J].IOP Conference Series：Earth and Environmental Science，2021，837（01）：012002.

[13]OSUNDIRAN O，OKONTA F，QUAINOO H.An examination of the impact of Covid-19 pandemic on the maritime port of singapore container port productivity using malmquist productivity index[J].Pomorski zbornik，2021，60（01）：85-96.

[14]Dar Ather Hassan，Mathur Somesh Kumar，Mishra Sila.The efficiency of indian banks：A DEA，malmquist and SFA analysis with bad output[J].Journal of Quantitative economics：Journal of the Indian Econometric Society，2021，19（04）：41-49.

[15]CHARNES A，COOPER W W，RHODES E.Measuring the efficiency of decision making units[J].European Journal of Operational Research，1978，2（06）：429-444.

[16]MALMQUIST S.Index numbers and indifference curves[J].Trabajos de Estatistica，1953（04）：209-242.

[17]吳珊，龚业明，张金隆.中国智能制造百强评价及发展研究[J].管理学报，2020，17（02）：159-165.

[18]李雪琪.装备制造业高管学术背景、股权集中度与企业创新投入[D].保定：河北大学，2021.

[19]王博扬.高管超额薪酬、内部控制与企业创新绩效研究[J].山西经济管理干部学院学报，2021，29（03）：27-33.

[20]张梦生.中国制造业上市公司创新效率及影响因素分析[D].山东大学，2016.

（责任编辑：严 焱）

收稿日期：2021-11-12

基金项目：国家自然科学基金项目（71871144）

作者简介：徐琛辉（1998—），男，浙江海宁人，硕士研究生，主要从事金融科技与量化金融的学习与研究。