新一代信息技术产业技术创新效率研究

吴继英 阮宏发

[摘要]基于2015年中国新一代信息技术产业103家样本上市企业截面数据，运用随机前沿分析法构建C-D对数生产函数模型，测定我国新一代信息技术产业技术创新效率，并构建技术无效项函数分析了资本密集度、股权结构等因素对技术创新效率的影响作用。研究结果表明，我国新一代信息技术产业技术创新效率存在技术无效项；资本密集度、股权结构对新一代信息技术产业技术创新效率具有负向影响作用；企业规模、盈利能力以及政府支持力度对技术创新效率具有正向促进作用。在此基础上提出提升我国新一代信息技术产业技术创新效率的政策建议。

[关键词]新一代信息技术产业；技术创新效率；随机前沿分析；C-D对数生产函数模型

[中图分类号]F49 [文献标识码]A

1 引言

世界的发展与信息技术紧密联系，信息技术渗透各行业，成为各行业发展必不可少的部分，信息技术成为各国竞相争夺的新资源。“十三五”规划中将大力发展。近几年，由于政府的政策性引导，我国新一代信息技术产业得到飞快发展。2015年中国电子信息产业进出口总额达到13088亿美元，是2009年的1.7倍，规模位居全球前列，成为全球新一代信息技术产业发展中不可忽视的部分。我国信息化发展情况依旧不容乐观，“十二五”规划目标明确指出2015年国家信息化指数预期可达到79%，但是实际只达到了72.45%，这也从一定程度上凸显出目前我国新一代信息技术产业发展过程中仍然存在诸多问题，如企业技术创新能力不足，人才与研发费用投入不足，技术创新成果转化导致的技术创新效率低下等问题制约我国新一代信息技术产业在全球的竞争力提升。寻找影响新一代信息技术产业技术创新效率的因素，对实现新一代信息技术产业健康良好发展具有重大意义。

2 文献综述

创新理论的始祖熊彼特最早从经济学的角度提出创新的概念。在其著作中，把创新看作是重新建立起一种新的生产函数，可以把以前的生产要素和生产条件进行重新组合之后再引入这个生产函数中，从而创造出新的生产体系。Afriat（1972）在此基础上首次提出了技术创新效率的概念，并指出技术创新效率是研发创新活动的技术效率，创新活动的完成离不开创新体系。目前国内外技术创新效率测定方法可以分为两种：一种是参数方法，另一种是非参数方法。基于文献梳理可以发现，国内外对于技术创新效率的研究存在着诸多差异，具体如表1所示。

3 理论模型

考虑到随机前沿分析在模型估计上具有的优势， 在研究新一代信息技术产业技术创新效率时采用随机前沿分析。基本模型为：

，其中 （1）

式（1）中，为随机干扰项，为技术效率项（）；称为随机生产前沿。令，式中，因此在经典随机前沿模型中通常假设服从单边正态分布，即，对于误差来源也设定了相应的参数，其中。我国新一代信息技术产业随机前沿生产函数模型设定为：

（2）

（3）

式（2）和（3）中，表示企业产出指标，分别表示资本投入与劳动力投入指标。通过式（4）可以进一步对其中的（技术无效率项）进行建模，以探究相关因素对我国新一代信息技术产业技术创新效率的影響。 基于现有文献基础上选取的影响因素指标包括股权结构、企业规模、资本密集度、盈利能力、政府支持度，构建的技术无效率项模型见式（4）。

（4）

4 实证分析

4.1 数据来源及指标变量选取

由于截至目前各上市企业2016年年报并未公布，因此 选取的样本是2015年中国新一代信息技术产业中103家上市公司相关数据，原始数据均来自于上市公司年报以及国家知识产权局。

4.1.1 指标选取。（1）产出指标。选取专利申请数作为技术创新产出指标。上市公司的专利申请量为产出指标（Y）。

（2）投入指标。所采用的投入指标包括资本投入（K）与劳动力投入（L），其中资本投入为各上市企业的研发投入费用，劳动力投入为各上市企业的研发科技人员数量。

（3）股权结构（owner）。选取上市企业最大股东持比衡量股权结构。

（4）企业规模（scale）。选取上市企业在职员工总人数来衡量企业规模。

（5）资本密集度（CI）。以上市企业营业收入与总资产的比值作为资本密集度的衡量指标。

（6）盈利能力（profit）。以上市企业的利润与营业收入的比值作为企业盈利能力衡量指标。

（7）政府支持度（gover）。以政府补助作为政府支持度衡量指标。

4.2 随机前沿生产函数模型估计

利用最大似然估计法对式（2）和式（3）两种随机前沿生产函数模型进行估计，结果见表2。

4.2.1 在模型估计结果中，C-D对数生产函数与超越对数生产函数的随机前沿模型估计的分别为0.5937和0.7505，两者的>0.5，且具体的参数值在10%的显著性水平下通过了检验，表明随机前沿模型中的随机误差项中绝大部分是来自于技术的无效性，选择随机前沿分析模型是合理有效的。

4.2.2 表3中C-D对数生产函数模型除了截距项不显著之外，其它项在不同显著性水平下都是显著的；而超越对数生产函数模型只有截距项、研发投入费用和研发投入费用的二次项在不同显著性水平下通过了显著性检验；其他项都没有通过显著性检验。基于以上分析，我们认为针对新一代信息技术产业技术创新效率测定选用C-D对数生产函数模型。

4.2.3 表3中对数生产函数随机前沿模型的资本产出弹性为0.4447，表明研发投入每增加1%，技术创新产出增加0.4447%；劳动产出弹性为0.2664，表明研发人员数量每增加1%，技术创新产出增加0.2664%；从资本产出弹性和劳动产出弹性的大小可以看出，资本产出弹性高于劳动产出弹性，意味技术创新产出主要依靠研发投入拉动，劳动投入的拉动效果远低于研发投入。研发投入产出弹性与劳动投入产出弹性之和为0.7111，表明目前我国的新一代信息技术产业技术创新依然处于低产出阶段。

4.3 新一代信息技术产业技术创新效率测定及影响因素分析

由表3可知，盈利能力、政府支持度对技术创新效率具有显著影响；资本密集度、股权结构、企业规模对技术创新效率具有不同程度的影响，但影响并不显著，这可能与样本容量选取有关。通过表3可以得到以下结论：

4.3.1 上市公司资本密集度CI对我国新一代信息技术产业技术创新效率为负向影响。从表中技术无效率项模型估计结果可以发现，资本密集度的估计系数为0.032，说明资本密集度与我国新一代信息技术产业技术创新效率之间存在负向相关关系，这种关系体现出新一代信息技术产业资本的经济效应，即随着新一代信息技术产业的资本密集度越高，使得单位营业收入平均分摊的单位资产越高，从而导致产生相同经济效益所投入的资本增加。

4.3.2 股权结构Owner对技术创新效率的影响。股权结构的估计系数为0.0564，说明股权结构对我国新一代信息技术产业技术创新效率的提高具有负向的影响作用，即股权越集中的企业，技术创新效率越受抑制。这主要体现在股权结构的内部决策影响方面，由于上市公司实行股份制，各股东凭借本身所持有的股权维护自身的利益，导致企业在进行重大项目决策时，最终结果由股权比例决定，少数大股东的不合理选择行为往往产生错误的决策，从而导致项目无法达到预期效果。

4.3.3 企业规模Scale对技术创新效率的影响。企业规模的估计系数为-0.254，说明企业规模对我国新一代信息技术产业技术创新效率具有正向的影响作用，这种影响方向主要体现了新一代信息技术产业内部规模产生的经济效应，即企业规模扩大带来生产规模扩大，生产规模带动产品产量增多，进而促进单位新产品所需的成本降低，技术创新效率得到提升。

4.3.4 盈利能力Profit对技术创新效率的影响。盈利能力的估计系数为-0.07629，说明盈利能力对我国新一代信息技术产业技术创新效率具有正向的影响作用。企业盈利能力的提高，一方面能够促进企业本身内部资产利用效率，另一方面也能够完善企业在生产、经营、管理等环节方面存在的不足，从而有利于提升整个新一代信息技术产业的技术创新效率。

4.3.5 政府支持度Gover对技术创新效率的影响。政府支持度估计系数为-0.2353，说明政府支持度对我国新一代信息技术产业技术创新效率具有正向的影响作用。

5 结论及政策建议

得出的主要研究结论：资本密集度、股权结构对我国新一代信息技术产业技术创新效率具有负向作用；企业规模、盈利能力以及政府支持力度对我国新一代信息技术产业技术创新效率具有正向促进作用。针对上述实证分析结果提出以下建议。

企业应加强生产结构改革，改善固定资产重复利用率，提高企业资本利用，降低单位成本，获取资本利益最大化，达到技术创新效率提升的效果。

政府积极引导新一代信息企业上市公司进行股权分配改革，合理调整企业股权结构，充分发挥股权合理分配所带来的激励效应，严格把控企业内部决策机制的合理性，形成决策约束机制，避免出现企业决策受到个人行为的影响，从而提升整个产业的技术创新效率。

政府在企业规模结构合理化方面加强管理，制定符合市场经济体制的新一代信息技术产业企业入市标准，提高企业入市的门槛，提高上市企业整体规模，防止拉低新一代信息技术产业整体技术创新效率。

企业应该根据自身发展制定合理的经营模式，重点提升企业盈利能力。同时新一代信息技术产业企业应该加强企业内部运行机制与管理机制，寻求要素投入最优化组合，确保企业要素投入利用率最大化，企业产出率最大化。

政府应该根据新一代信息技术产业企业技术创新发展的不平衡，对具体企业实行分类引导。针对技术创新效率较高的企业，充分将其作为重点发展对象，在研发资金投入以及政策方面支持力度不断加大，充分发挥领头企业对整体产业技术创新效率发展的推动作用。

[参考文献]

[1] Afriat S.N.Efficiency Estimation of Production Function[J]. International Economic Review， 1972 （13）：568-598.

[2] Bauer Johannes M.，Market Power. Innovation and Efficiency in Telecommunications[J]. Journal of Economic Issues，1997 （2）：557-565.

[3] Myriam Cloodt， John Hagedoom. Measuring innovative performance： is there an advantages in using multiple indicators？[J]. Research Policy， 2003 （13）：121-139.

[4] Sharma S. ， Thomas V. J. Inter-country R&D Efficiency Analysis： An Application of Data Envelopment Analysis[J]. Scientometrics， 2008（76）： 483-501.

[5] Joaquin Maudos，Jose M. Pastor.Economic integration，efficiency and economic growth：the European Union experience[J]. Applied Economics Letters， 1999 （6）：87-96.

[6] Stock G.N.Firm Size and Dynamic Technological Innovation[J]. Tech-innovation，2002 （9）：537-549.

[7] Tom Broekel. Do Cooperative Research and Development Subsidies Stimulate Regional Innovation Efficiency？ Evidence from Germany[J]. Regional Studies， 2015 （7）： 1087-1110.

[8] 張宗益，周勇.基于SFA模型的我国区域技术创新效率的实证研究[J].中国软科学，2006（2）：125-128.

[9] 王珍珍，黄茂兴.福建省科技成果转化的调控机制优化研究[J].福建论坛人文社科版，2013（2）：155-161.

[10] 杜先进，胡苏.合芜蚌技术创新效率动态评价与影响因素研究—基于改进的DEA-Tobit两步法分析[J].华东经济管理，2014（11）：27-31.

[11] Lin Feng，Davide Consoli. An evolutionary perspective on health innovation system[J]. Journal of Evolutionary Economics， 2009 （2）：297-319.

[12] Joost K. Creation-driven marketing： integrating meta data into the production process[J]. New Library World，2007（11）： 552-560.