济南市工业行业科技投入产出DEA效率的提升策略

　一、引言
　　关于科技的投入产出效率，国内外学者采用了不同的方法进行了广泛的研究，在各种评价方法中，数据包络分析（Data Envelopment Analysis，简称DEA）是目前主流的研究分析方法。我国已经有许多学者使用DEA方法研究全国或者各省市地区的科技投入相对效率问题，如孙善侠等[1]利用我国科技投入产出数据，采用DEA方法对我国从事科技研发的三大主要部门的科技投入产出状况进行分析，获得各部门使用科技投入的总体效率和规模收益情况的相关数据，并对各部门提高科技投入使用效率的途径提出建议。张前荣[2]运用DEA方法对我国各省域2004-2006年科技投入的总体效率、纯技术效率、规模效率和规模收益进行实证分析，并在此基础上利用改进的DEA模型对各省域的效率进行排序，可以为采取相应的政策措施提供依据，以促进各地区经济持续、均衡和协调发展。
　　在国外研究中，Bonaccorsi等利用基于DEA的无参数定量分析方法对意大利高校的研究效率进行了评价研究。
　　针对山东省科技投入产出效率研究中，代富强等[6]使用DEA方法分析了2002年山东省17 地市的R&D 投入产出效率；刘爱琴等[7]利用同样方法分析了2007年山东省17 地市的科技投入相对效率，但基本也是只使用了R&D科技投入指标。汪洋等[8]是通过分析若干省市的数据，间接分析了山东省科技投入效率。
　　总之，DEA分析法是众多学者认可的一种方法，它能有效地评价研究主体的科研效率。但是，针对山东省的相关分析并没有构建完整的科技投入产出效率的评价体系，且无关于济南市科技投入产出效率方面的研究。因此，我们将采用此方法，对2011年济南市21个工业行业的科技投入产出相对效率进行实证研究。
　　二、研究方法——DEA模型
　　数据包络分析 （DEA） 方法是一种线性规划模型，通过使用DEA模型可得到相应的生产前沿，以评价具有多输入和多产出的决策单元（DMU，Decision making units）之间的相对有效性。第一个DEA模型，即CCR模型由Charnes， Cooper和Rhodes（1978）提出，后来Banker， Charnes和Cooper（1984）将CCR模型中规模收益不变（CRS，Constant returns to scale）的假定，改为规模收益可变（VRS，Variable returns to scale），从而得出了BCC模型。
　　此外，DEA模型均有投入导向（Input-oriented）和产出导向（Output-oriented）两种形式， 产出导向DEA模型指给定一定量的投入要素，求产出值最大； 投入导向DEA模型则表示在给定产出水平下使投入成本最小，两个模型是对偶关系。
　　假设对第j个企业而言，存在N×I的投入矩阵X和M×I的产出矩阵Y包含其所有投入产出数据。对应DEA模型，j表示决策单元，Xij表示第j个决策单元第i个投入，Yrj表示第j个决策单元第r个产出，λj表示第j个决策单元的非负权重。根据Farrell（1957），获得的θ值就是第j个企业的绩效，满足θ≤1。如果值为1，就是说明该点位于前沿面上，即为技术有效企业，针对每个企业都需要求解一次，最后获得各个企业的θ值。
　　从公式（2）和公式（1）的区别可以看出，CRS的线性规划问题可以很容易地被修改成适应VRS的问题，只需在公式（1）中加入一个凸集限制，即II×1λ=1。
　　此外，BCC模型引进了Shephard（1970）距离函数的概念，把综合技术效率（TE，Technology Efficiency）分解成纯技术效率（Pure technology efficiency：PTE）和规模效率（Scale efficiency：SE），三者之间的关系是：TE=PTE×SE 。BCC模型主要考察纯技术效率（PTE），纯技术效率反映生产中现有技术利用的有效程度，即在给定投入的情况下单个决策单元获取最大产出的能力。规模效率（SE）反映了生产规模的有效程度，即反映了各决策单元是否是在最合适的投资环境下进行经营。
　　综合上述分析，并考虑现实中，科技产出并不可控，因此，我们将研究目标设定为：在产出既定的情况下，如何通过调整科技投入，达到相对有效。既我们选取了产出导向型的BCC模型，拟应用STATA10.0计量软件中关于DEA模型的运算程序，来分析2011年济南市21个工业行业的科技投入产出的DEA技术效率。
　　三、济南市科技投入产出指标体系的建立
　　根据《济南市统计年鉴》中关于“科技”项目的相关描述，选取人力投入、资金投入和物质投入作为投入指标，并在产出指标中又细分为直接产出和间接产出指标（见表1）。人力投入指标采用科技人员构成中博士、硕士和本科学历的人员数。资金投入指标根据数据完整性和其性质划分为资金筹集、资金使用1和资金使用2，其中资金筹集采用政府和企业资金来源数额；资金使用1采用R&D活动经费内部支出中按照活动类型划分出来的实验与发展经费支出与“实验与发展经费支出”对应的是“应用研究经费支出”，但后者对应各工业行业的数值基本为0，因此没有采用。以及按照活动性质划分的经常性支出和资本性支出；资金使用2采用了研究发展经费支出、新产品开发经费支出和技术改造经费支出。物质投入指标采用的是仪器和设备支出的数据。
　　产出指标中，直接产出包含了专利申请数、发明专利申请数、拥有注册商标数和形成国家或行业标准数；间接产出仅包含新产品产值一个指标。表1济南市科技投入产出指标体系投入
　　指标人力投入博士硕士本科资金投入资金筹集政府企业资金使用1实验发展经费支出经常性支出资产性支出资金使用2研究与发展经费新产品开发经费技术改造经费物质投入仪器和设备产出
　　指标直接产出专利申请数合计发明专利申请数拥有注册商标数形成国家或行业标准数间接产出新产品产值四、济南市工业行业科技投入产出DEA技术效率
　　基于数据的可获得性，选取了21个工业行业的科技数据进行分析。由于可选的科技投入和产出指标较多，使得不同组合的DEA模型结果不尽相同。因此，我们根据实际情况 设定为9种不同的DEA模型，并计算出不同模型下对应21个工业行业的DEA技术效率（见雷达图）。并对不同模型中DEA技术效率进行聚类分析，以此探究不同工业行业的科技投入产出技术效率的分布特征。
　　3.不同效率模型的比较
　　综合图1和图2的所有分析结果，可发现两个主要特征：
　　第一，科技指标分布特征。对所有21个工业行业而言，其科技产出三个指标中，商标和标准产出效率最好，专利产出效率较差，新产品产出效率最差；其科技投入四个指标中，资金使用效率较高，资金筹集效率其次，人力投入效率排第三，物资投入效率最差。主要原因：首先，科技产出效率的排序可以反映出，一项专利或发明专利的申请要比一项商标或标准的申请更为困难，或者说技术含量更高，因此，专利产出效率要比商标和标准产出效率差。而新产品投入生产并产生较高的产出效率需要更长时间的检验。因此，在短时间分析中，新产品产出效率最差。其次，由于我们只分析了某一年度的截面数据，没有考查时间因素的影响。而在短时间内，资金投入对提升科技投入产出效率的作用最明显，人力投入和物质投入可能要依赖于更长时间的检验。
　　第二，行业分布特征。一般情况下，科技产出模型低效的行业，其科技投入模型也低效，如食品、印刷、有色金属、仪器仪表和电气机械等5个行业。比较特殊的两个行业是：电力、热力行业科技产出模型都无效，但科技投入模型中仅物质投入模型无效，其余4个投入模型都有效；电力、燃气和水行业电力、热力行业和电力、燃气和水行业的分类采用自《济南市统计年鉴》中相关描述。根据《中国工业统计年鉴》中的相关描述和《国民经济行业分类GBT 4754-2011》的分类标准理解，这里的电力、燃气和水行业应该为燃气和水行业。科技产出模型都有效，但科技投入模型中仅物质投入模型有效，其余4个投入模型都无效。产生这种现象的原因可能是：首先，这两个行业都属于垄断性行业，电力、热力行业每年都需要大量的基础设施的建设和研发投入，但短时间内科技产出效率较低；而电力、燃气和水行业，基础设施投入一定，只涉及每年的维护费用的支出，因此，相对而言，虽然该行业的科技产出短期有效，但科技投入明显不足，不利于长期发展。
　　（二）DEA技术效率的聚类分析
　　（1）科技投入有效、科技产出无效型。这个类型仅包含了电力、热力一个行业。其特征是在所有组合的科技投入指标中DEA技术效率都有效，但是在所有组合的科技产出指标中DEA技术效率都无效。
　　（2）科技投入无效、科技产出有效型。这个类型仅包含了电力、燃力和水一个行业。其特征是在所有组合的科技产出指标中DEA技术效率都较突出，但是在所有组合的科技投入指标中DEA技术效率表现欠佳。
　　（3）科技投入无效、科技产出低效型。这个类型仅包含了农副食品一个行业。其特征是在所有组合的科技投入指标中DEA技术效率都无效，在所有组合的科技产出指标中DEA技术效率都较差。
　　（4）科技投入低效、科技产出低效型。这个类型包含了食品、仪器仪表、印刷业、有色金属和电气机械等5个行业。其特征是在所有组合的科技投入和产出指标中DEA技术效率都较差。
　　（5）科技投入和产出都有效型。这个类型包含了剩余的13个行业。其特征是在所有组合的科技投入和科技产出指标中DEA技术效率都有效。
　　综上，我们发现，聚类分析的结果与前面DEA技术效率分析的结果基本一致。
　　表3DEA技术效率的聚类结果行业科技投入有效、科技产出无效电力、热力科技投入无效、科技产出有效电力、燃气和水科技投入无效、科技产出低效农副食品科技投入低效、科技产出低效食品、印刷业、仪器仪表、
　　有色金属和电气机械科技投入和科技产出都有效其余13个行业五、结论及建议
　　通过对济南市21个工业行业DEA技术效率的深入分析，我们发现：
　　在不同产出指标组合的模型中，大部分行业的商标和标准产出效率较高，但是专利和发明的产出效率较低，新产品的产出效率最低。这一方面与DEA模型只能分析截面数据有关，但另一方面也说明，大部分行业的在科技活动中仍存在急功近利，只关注短期成果的行为，这对科技活动的长期发展以及企业自身的长远规划都会产生不利影响。因此，政府及相关部门可以制定鼓励和保障企业的长期科研投入的措施，关注科技成果的原始创新和成果的后期转化，比如，减免相关科研活动的税费；协调相关科技项目的信贷支持；帮助相关科研人员的引进和安置；奖励相关科技成果，以及考核和监管相关科技活动过程的等等。
　　在不同投入指标组合的模型中，大部分行业的资金筹集和使用效率较高，但科研人员的投入效率较低，物质投入的效率最低。因此政府及相关部门可以创建创新人才的激励机制，制定各种人才资助政策，也可以在高校设立与科技产业相关的专业学科，实现订单培养；调整工业企业科研人员的结构，提高新产品开发"设计人员的比例；结合人才计划的实施，以工业科研项目带动工业科技人才的培养。
　　此外，由于行业自身特征决定了其科技活动的特殊性，因此，相关部门应该因地制宜，制定适合行业发展的科技促进措施。具体而言：
　第一，针对垄断性行业如电力、热力及电力、燃气和水两个行业，要根据其生产周期长和高耗能高污染的特征，制定合适的科技衡量指标，有必要将有关环保和节能降耗的研发投入产出纳入考核体系。
　　第二，针对科技投入或科技产出效率都较低的行业，如农副食品、食品、仪器仪表、印刷业、有色金属和电气机械等6个行业，多数是劳动密集型行业，因此要注重调整其科技投入和科技产出的搭配比例，优化科研资金支出比例，优化科研人员的组成比例，做到物尽其用，人尽其才。
　　第三，针对科技投入或产出效率都较高的行业，应在加大科技投入的同时，更加关注科技投入更快更多地转化为现实生产力，加快形成科技产业化。
　　参考文献：
　　[1]孙善侠，范纯增，史清华. 我国科技投入产出效率的测度与评价[J]. 上海管理科学，2008 （1）：65-68.
　　[2]张前荣. 我国省域科技投入产出效率的实证分析[J]. 南京师大学报（社会科学版），2009 （1）：59-63.
　　[3]ANDREA B C. Handbook of Quantitative Science and Technology Research： The Use of Publication and Patent Statistics in Studies of S&T Systems[M]. Kluwer Academic Publishers， 2004：51-74.
　　. Scientometrics， 2006， 69（1）：85-101.
　　[5]GIOVANNI A， CIRIACOANDREAD， FABIO P. The Measurement of Italian Universities’Research Productivity By A Non-Parametric-Bibliometric Methodology[J]. Scientometrics， 2008， 76（2）：225-244.
　　[6]代富强，李新运.山东省R&D 投入产出效率的区域差异研究[J]. 海南师范学院学报（自然科学版），2005 （2）：180-784.
　　[7]刘爱琴，张伟.区域技术创新效率的测度与评价——基于山东省的实证研究[J].山东财政学院学报，2008 （6）：51-55.
　　[8]汪洋，张伟.山东省区域创新系统的实证分析[J].山东行政学院山东省经济管理干部学院学报，2006 （6）：46-48.
　　. European Journal of Operational Research，1978（2）：429-444.
　　. Management Science， 1984（9）：1078-1092.