高精尖产业科技资源配置效率动态演化研究＊
——基于企业微观视角

■ 尹夏楠 孟杰 陶秋燕

北京联合大学管理学院 北京 100101

0 引言

十九大报告明确提出了继续深化创新驱动发展战略，发挥市场在资源配置中的重要作用，矫正要素资源扭曲，推动经济高质量发展。现实中信息不对称等因素导致了生产要素资源错配，且我国的资源错配现象比成熟的市场经济国家更为严重（季书涵，2016）[1]。大量研究证实资源配置效率低下是阻碍发展中国家经济增长的重要原因之一（步晓宁、张少华，2019）[2]。科技资源是实现企业自主创新的物质基础，科技资源配置能力决定并制约着高技术产业的创新能力和发展潜力（汪朗峰、伏玉林，2013）[3]，而企业的人、财、物等资源的合理配置能够充分发挥企业研发能力和创新成果转化能力（范德成，2018）[4]。一般来说，处于市场竞争程度和行业集中度越高的企业，其资源配置效率也应该越高，但王文和牛泽东（2019）采用2008～2017年中国工业A 股上市公司数据研究结果表明，轻纺制造业的资源配置效率反而低于采矿业的资源配置效率，建议政府需谨慎使用产业扶持政策，持续减低不同行业内部的资源错配程度[5]。北京作为全国科技创新中心，以战略性、技术先进性和产出高效性为特征的高精尖产业作为政府重点发展的产业，其科技资源配置是否有效？在持续优惠政策的扶持下，科技资源的配置效率是否实现了逐步优化？其动态演化的规律如何？影响科技资源配置效率的主要因素有哪些？本文针对上述问题，从企业微观视角在静态评价科技资源配置效率的基础上，运用Malmquist 指数模型进一步对企业面板数据进行了测度，以揭示科技资源配置效率的动态发展演化趋势，为企业更加高效地配置科技资源以及政府制定相关政策提供重要的决策依据。

1 相关研究评述

1.1 资源配置效率影响因素的研究

国内外学者从区域或产业等宏观视角对影响或抑制资源配置效率因素的研究表明，城市规模、政府支出规模、资本、劳动和知识等均是影响资源配置效率的重要因素（Hsieh，2009；Paula，2014；张天华，2017；祝平衡，2018）[6-9]；靳来群等（2015）的研究显示，财政补贴、金融抑制、行政性市场进入壁垒对行业内资源错配具有显著影响，而劳动力流动管制、金融抑制则对行业间资源错配作用明显[10]。资源配置是否合理以及资源发挥效力的高低归根结底是由企业来决定的，但鲜有文献从企业微观视角研究资源配置效率，针对高精尖产业企业科技资源配置效率的研究更为缺乏。

1.2 资源配置效率度量方法的研究

近年来学术界对资源配置效率的测度方法大致可以分为参数方法和非参数方法。参数方法以随机前沿生产函数分析法（SFA）为代表，如戚湧等（2015）基于SFA 法对全国科技资源市场配置效率展开实证研究，结果表明我国科技资源市场配置效率的平均水平仍较低[11]。由于SFA 构建函数模型时参数估计偏差问题难以解决，因而更多的学者选择了非参数方法进行研究，且以数据包络分析法（DEA）为代表，如李伟（2016）运用超效率DEA 方法对我国31 个省份工业企业自主创新效率进行测度，指出政府资金指出和技术市场活跃度对自主创新效率有负面影响[12]。曾燕萍（2019）利用DEAMalmquist 指数模型对中国文化服务业企业全要素生产率变动进行测算并对差异进行了比较分析[13]。可见，DEA 方法因其解决多投入多产出指标的相对效率评价问题时无需知道生产函数具体形式的优点而被广泛应用。

1.3 对资源错配程度的研究

季书涵等（2016）研究发现中国71%的行业资本配置不足，69%的行业劳动力配置过剩，且技术密集行业劳动力配置存在明显缺口[1]；步晓宁等（2019）认为中国行业内部企业之间的资本配置效率年均恶化程度至少是劳动力配置效率的两倍[2]。戴魁早等（2015）对战略性新兴产业的研究结果表明不同区域间科技资源配置效率存在严重分化现象[14]；郭淑芬等（2020）实证表明山西绝大多数行业的绝对错配指数较高，整体科技资源配置不足[15]。白雪洁等（2018）研究发现资源配置效率对光伏行业上下游企业的产能利用率具有显著的积极作用，但对其中游企业的产能利用率产生负向影响[16]。随着资源配置研究的深入，战略性新兴产业和高技术产业科技资源配置的研究引起了国内外学者的关注。但研究对象仍以中观产业为主，以微观企业为样本的研究明显不足。

鉴于鲜有文献以企业微观层面为切入点对科技资源配置效率进行研究，本文在考虑不同产业间科技资源禀赋差异以及区域发展程度差异的前提下，科学选取科技资源配置效率的评价指标，并以北京十大高精尖产业中最具代表性的新一代信息技术企业为研究对象，构建资源配置效率理论模型，采用面板数据对其进行验证，静态评价其科技资源配置效率以及揭示其动态演化规律。

2 研究方法

2.1 超效率DEA方法

数据包络分析法（Data Envelope Analysis, DEA）是根据帕累托最优原理，运用线性规划技术来评估一个决策单元的相对效率的评价方法。C2R 模型和BC2模型是DEA 方法常用的模型。其中，C2R 模型常用于规模报酬不变的情况，而BC2模型常用于规模报酬可变的情况。本文研究过程中，每一个决策单元的生产过程并非都是规模报酬不变的，因此采用规模报酬可变的BC2模型，具体模型如下：

其中，x、y 分别表示投入向量和产出向量；θ 表示决策单元的综合效率值；λj表示各决策单元的权重，s-、s+是松弛变量，s-表示投入冗余，s+表示产出不足。

2.2 Malmquist指数

BC2-DEA 方法仅能实现对截面数据进行静态测度，如果需要对主体不同时间序列生产效率的变动情况进行分析，即对面板数据进行动态演化分析，则需利用Malmquist 指数方法，即全要素生产率（Tfpch）。近些年该方法与DEA 理论结合使用得到了广泛的应用。Malmquist指数可以进一步分解为技术效率指数（Effch）和技术进步指数（Techch）；当规模报酬可变时，技术效率指数又可分解为纯技术效率指数（Pech）和规模效率指数（Sech），即Tfpch= Effch×Techch= Pech×Sech×Techch。若指数的数值大于1，则说明该指数代表的效率与前一期相比呈上升态势；如果指数小于1，则说明该指数代表的效率与前一期相比呈下降态势。

3 变量选取、样本选择与数据来源

3.1 变量的选取

科技创新离不开金融资源和科技人员的投入，金融资源的配置及其逐利性推动了科技资源要素市场的配置，尤其是高精尖战略发展产业的资源配置。金融资源是引导其他各项资源流动的风向标，金融资源的配置效率决定了社会资源的配置效率（李俊霞等，2019）[17]。《2018年全国科技经费投入统计公报》显示，2018年全国研发经费投入总量达到19678 亿元，研发经费投入强度为2.19%，比2017年均所有提高，但研发强度与美国、日本等科技强国相比仍存在较大差距。我国不同区域、不同产业间的研发投入和研发资本呈现投入分配不均衡状态（张贵等，2019）[18]，而且资金投入与技术进步不一定保持正相关关系。企业研发投入越多，对企业的技术进步和经济增长不一定具有越强的促进作用。如果科技资源的投入效率低，则投入越多，造成稀缺资源的冗余浪费越严重，反而会抑制企业生产效率的提高（程时雄等，2014）[19]。高技术技能型人力资本具备对隐性知识的外化能力和对显性知识的吸收能力，从而能够为提高企业技术创新效率提供更多的贡献（Lichtenthaler,2009）[20]，且人力资本与技术创新之间能够形成螺旋递进的良性循环关系（Acemoglu,1997）[21]。科技资源的创新成果既可以直接体现为企业的创新收入，又可以形成间接为企业带来经济效益的专利资产。

结合上述对科技资源投入产出的分析，本文最终选取企业研发投入、研发人员数量、企业资产总额为科技资源的投入指标，选取专利授权数量和企业创新收入作为科技资源的产出指标。但考虑到科技型企业的创新收入主要以主营业务收入的形式来体现，同时企业层面的创新收入数据难以获取，因而采用企业主营业务收入测量创新收入。

表1 变量描述性统计

3.2 样本选取和数据来源

《北京市十大高精尖产业登记指导目录（2018年版）》明确指出，新一代信息技术、集成电路、医药健康、智能装备、节能环保、新能源汽车、新材料、人工智能、软件和信息服务以及科技服务为“十大高精尖产业”。鉴于地区差异、各产业间科技资源要素禀赋的异质性以及数据的真实性和客观性，本文选取北京地区新一代信息技术产业上市公司为研究对象，初步筛选满足基本条件的上市公司为64 家，选取2014～2018年五年的数据进行研究，剔除ST公司和数据不完整的公司，最后确定22家样本公司，共计550 个观测值。专利授权量由国泰安数据库查询，个别年份经国家知识产权局网站手工检索并经测算取得，其他变量数据均来源于wind数据库。运用SPSS软件对样本变量原始数据进行了描述性统计，结果见表1。

22 家上市公司的数据均大于零，样本数量大于投入产出指标数量的2 倍，完全符合采用BC2-DEA 模型的要求。从表1描述性统计结果可以看出，22 家公司评价指标的数据存在较大的差异，为后续配置效率差异分析提供了基础。

4 实证分析

4.1 企业科技资源配置效率的静态评价——基于BC2-DEA模型

利用22 家上市公司2014～2018年的原始数据作为输入数据，运用Deap2.1 软件进行计算，企业各年的科技资源配置效率结果见表2。

根据表2的结果可以测算出各年度科技资源配置有效的公司数量以及占比，结果见表3。

4.1.1 配置效率数值的时间序列维度分析

从表2和表3的结果来看，2014～2018年各年度科技资源配置有效率的公司占比分别为18.18%、18.18%、13.64%、27.27%、18.18%，配置有效的公司数量偏低，即使有效性最高的2017年度也仅为27.27%。2014～2018年各年度公司科技资源配置效率的均值介于0.645～0.772 之间，基本保持了缓慢地持续上升趋势，如图1所示。可见，虽然各年度配置有效率的公司数量偏低，但整体资源配置效率实现了逐年上升的态势，说明不同企业的科技资源配置管理水平存在较大差异，但科技资源的管理水平和运用程度正在逐年提高，科技资源配置逐渐趋于合理有效。

表2 企业科技资源配置效率一览表

表3 企业科技资源配置有效率比较

4.1.2 不同上市公司主体维度分析

以各公司2014～2018年科技资源配置效率均值为分析主体，如图2所示，只有飞天诚信和银信科技2 家公司的资源配置是有效的，说明这2 家公司具有非常合理的科技资源投入，科技资源产出也处于生产前沿面，呈现配置效率有效的状态。真视通、旋极信息、太极股份、华胜天成、易华录、博彦科技和中国软件共7家公司的配置效率处于0.8～1 之间，说明这些公司科技资源配置尚存在进一步优化的空间；有11 家公司的配置效率处于0.5～0.8之间，说明这些公司的科技资源配置存在较大的合理化空间；此外，有2 家公司的配置效率低于0.5，分别为0.3438 和0.4932，该类公司急需优化科技资源投入和产出状况，即降低科技资源冗余，提高科技资源效用。

4.2 企业科技资源配置效率的动态分析——基于Malmquist模型

为进一步探究2014～2018年间企业科技资源配置效率的动态演化过程及其变动原因，本文运用Malmquist模型测算了科技资源配置效率。结果见表4。

4.2.1 总体纵向动态演化分析

图1 2014～2018年度科技资源配置效率均值

图2 2014～2018年各公司科技资源配置效率均值

从表4可知，2014～2018年全要素生产率的均值为1.023，大于1，意味着新一代信息技术企业的科技资源配置效率整体上升，5年间平均以2.3%的比率增长。具体到各年度来看，2014～2018年全要素生产率经历了0.996、1.040、1.008 和1.051 的数值变动。除2014～2015年全要素生产率略微下降0.4%外，2015～2018年全要素生产率数值均大于1，整体表现为逐步上升趋势，但上升速度具有波动性。

究其原因，“高精尖”产业概念的正式出现于2015年4月中共中央政治局审议通过的《京津冀协同发展规划纲要》文件中，该文件明确要求升级北京现有产业结构，构建“高精尖”的经济结构；2016年北京市出台《北京市人民政府关于进一步优化提升生产性服务业加快构建高精尖经济结构的意见》，标志着高精尖产业成为引起北京市经济发展的新引擎；2017年北京市委市政府印发了《关于加快科技创新构建高精尖经济结构系列文件的通知》，以加快高精尖产业的有序发展。实证结果也这充分说明北京市高精尖产业确实得到了政府的重视，新一代信息技术产业在科技资源配置方面得到了逐步的优化和提高。

4.2.2 总体横向动态演化分析

从表4可知，影响全要素生产率1.023的增长主要源自于技术效率的提升。5年间技术效率均值为1.056，上升幅度为5.6%；而技术进步指数为0.969，下降了3.1%，制约了全要素生产率的增长；但由于技术效率变动对全要素生产率提升的积极作用超过了技术进步效率变动对全要素生产率制约的影响，因而全要素生产率整体表现为上升态势。通过对技术效率变动的深层次分析发现，纯技术效率和规模效率指数均值都大于1，意味着纯技术效率和规模效率的变动均促进了技术效率的增长。

可见，随着北京市政府大力推进产业结构升级，高精尖产业在技术创新、要素集聚等方面实现了快速的发展，企业科技资源配置也在不断优化，技术效率的变化使得全要素生产率从整体上得到了改善，但在技术进步方面需要下大力气改进，努力提高企业的自主研发和创新能力。

4.2.3 全要素生产率动态演化轨迹分析

由实证结果可知，各年度全要素生产率变动的幅度和影响因素各不相同。2014～2015年全要素生产率数值为0.996，小于1，说明2015年全要素生产率略微下降。究其原因，影响全要素生产率的技术效率和技术进步指数中，技术效率指数为1.001，技术进步指数仅为0.995，技术进步的下降对全要素生产率的负面影响导致其处于无效状态。2015～2016年全要素生产率发生了逆转，数值为1.03，是由于技术效率和技术进步指数双重上升处于有效状态的结果；2016～2017年全要素生产率保持了上升的趋势，但上升的幅度下滑，数值为1.008，分析可知，技术进步高达16.7%的大幅度下降，虽然在技术效率20.9%的上升补救下，全要素生产率仅保持了0.8%的上升幅度；2017～2018年全要素生产率依然保持了上升的趋势，且上升的幅度有所加快，数值高达1.051。分析发现，是由于技术效率和技术进步均为正向影响全要素生产率的结果。

表4 2014～2018年样本企业科技资源配置效率Malmquist指数

综观5年的变化，技术效率对全要素生产率均起到了促进作用，而技术进步则呈现交替变动的状态，说明新一代信息技术企业科技资源的配置和利用水平发展处于较稳定的态势，但技术进步则需要加大力度发展。

4.2.4 技术效率动态演化轨迹分析

整体来看，2014-1018年技术效率指数均大于1，说明企业科技资源配置中技术效率逐年增长。进一步分析其构成因素，5年间纯技术和规模效率指数均值都大于1，说明二者双重上升对资源配置效率产生了积极的影响作用。分年度来看，两个因素对技术效率增长的影响各年均不相同。二者均产生积极影响的阶段为2016～2017年，纯技术指数和规模效率均大于1；而2015～2016年和2017～2018年两个阶段纯技术指数大于1，但规模效率无效；2014～2015年正好相反，纯技术无效、规模效率大于1。这些数据说明了新一代信息技术企业大多数处于初创阶段或者成长阶段，无论是科技资源本身还是科技资源管理方面都不够成熟，需要进一步调整或者优化。

5 结论与建议

5.1 结论

本文运用超效率DEA-Malmquist 指数对2014～2018年北京地区新一代信息技术产业22 家上市公司的科技资源配置效率及其动态演化进行了测度和分析。结果发现：

静态评价来看，除2017年资源配置有效的公司数量占比为27.27%外，其他年份占比均未达到20%，配置有效的公司数量较少。5年间只有2 家公司的科技资源配置是全部有效的，7 家公司的配置效率处于0.8～1 之间，11 家公司的配置效率处于0.5～0.8 之间，2 家公司的配置效率低于0.5，不同配置效率的公司数量分布基本呈正态分布。2014～2018年各年度科技资源配置效率均值介于0.645～0.772之间，配置效率整体偏低。

动态评价来看，2014～2018年全要素生产率的均值为1.023，新一代信息技术企业的科技资源配置效率整体保持上升态势。除2015年配置效率比2014年稍微下降外，其他年度的配置效率比上一年度均有所上升，但上升程度呈现一定的波动性。其中，技术效率始终对全要素生产率的上升起到了积极的促进作用，而技术进步因素的影响则不太稳定；同时发现纯技术效率对技术效率的正向影响比较明显，而规模效率的影响则有一定的波动性。

5.2 建议

第一，进一步加强高精尖企业的自主研发和创新能力。适当加大企业的自主研发投入，包括资金投入和高素质人员的引进，提升企业的自主研发能力和创新能力，尤其是技术创新能力，增强企业的核心竞争力。同时，企业之间应加快科技项目合作与沟通，在保护知识产权的前提下，增强知识外溢效应，加快企业科技进步。企业内部应该强化科技资源管理能力，促进企业科技资源的合理配置，不断提高企业的纯技术效率和规模效率，实现高精尖产业企业科技资源配置效率的整体提升，以推动北京区域经济绿色健康发展。

第二，强化政府对科技资源优化配置引导作用，发挥优势资源集聚效应。高精尖产业经济作为众多资源大规模聚合产生特定功能的总部经济，应该具备高效的资源配置能力。但资金的逐利性和企业经营风险将会制约企业对研发周期长的技术投入，因而，政府应该继续发挥政策引导作用，制定合理的产业政策，多渠道撬动社会资金，引进科技创新人才，鼓励企业技术创新，适当调整企业规模，为高精尖产业的发展提供良性的科技资源生态系统，发挥科技资源协同、集聚效应和规模效应，以提升科技资源的整体配置效率。