安徽创新驱动全要素生产率研究——基于DEAMalmquist指数模型的实证分析

山东农业工程学院学报2019年第36卷第2期0.引言十八大提出创新驱动发展战略以来,创新、创新驱动成为中国人生活中的高频词汇。

2013年11月,安徽省通过科技部有关开展创新型省份建设试点的复批,成为全国第二个创新型省份试点省。

为进一步加快创新型省份建设,中共安徽省委、安徽省人民政府于2014年2月颁布了《关于实施创新驱动发展战略进一步加快创新型省份建设的意见》。

面对创新型省份建设的新形势和新时期安徽经济社会发展的新任务,如果按照以往的发展方式,安徽的现代化建设向纵深阶段推进将遇到新的瓶颈。

这就需要探索新的发展模式,必须大力推进创新驱动战略,大力推动科学和技术对促进经济增长方式转变和结构调整的重要作用,重视科技创新对效率的提升,实现创新型省份建设目标和新时期安徽经济社会发展目标。

但是安徽省目前城市之间发展不均衡、自主创新能力不足,中低端产业较为集中。

研究安徽省的创新驱动的效率,合理利用创新资源要素,加快安徽省主要城市的产业转型升级,对于安徽实施创新驱动具有十分重要的作用,因此,对位于安徽省创新驱动全要素生产率进行研究,并通过对其分解因子的探求创新生产率的变化原因,对安徽省创新驱动的战略的实施具有十分重要的理论和现实意义。

全要素生产率(Total Factor Productivity,TFP)是对区域创新总体效率的衡量。

关于创新驱动全要素生产率的研究,官建成等(2005)采用数据包络分析法(DEA)分析了我国省级区域创新体系的效率。

在实际应用中,很多学者将DEA方法与其他方法结合起来使用。

例如:郭淡泊(2012)等基于39个国的连续11年的面板数据,运用数据包络(DEA)对技术、经济以及综合效率进行评价,并运用Tobit模型分析了效率影响因素的差异。

梁龙武等运用Malmquist-Tobit方法,基于我国省级面板的数据分析了我国省际创新驱动的全要素生产率及其经济环境影响因素。

王珍珍等(2013)基于模型和中国省级面板数据对我过科技创新生产率进行了实证研究。

刘明广等(2017)基于指数模型对广东省的创新效率进行了动态评价。

从以上现有的研究来看,国内学者对创新效率的研究主要集中在国家,省等宏观层面上的研究,这无法反映出某一特定的地区的创新驱动效率的现状和问题,少数从区域层面上的研究也集中在长江三角洲、以及广州福建等经济较为发达的地区。

基于此,本文将研究对象设定在位于安徽省的9个地市。

运用DEA-Malmquist指数模型对2010~ 2016年期间安徽省9个地市的面板数据进行分析,测度安徽省创新驱动全要素生产率的变化情况,找到影响效率变化的因素,并且给如安徽创新驱动全要素生产率研究———基于DEA-Malmquist指数模型的实证分析杨慧(河海大学文天学院安徽马鞍山243000)【摘要】本文利用2010~2016年安徽9个地市的面板数据,采用DEA-Malmquist指数分析方法分析探讨安徽9个地市创新驱动的全要素生产率及变动情况。

并通过指数的分解分析创新全要素生产率增长的内在动因。

结果说明:①安徽省的9个地市的区域创新生产效率处于上升趋势,年均增长达到7.8%;②技术进步是安徽的创新全要素生产率增长提高的主要推动力;③安徽省各地市的全要素生产率水平呈现区域的不平衡性,地区差异非常明显。

【关键词】安徽省;创新驱动;全要素生产率;DEA-Malmquist指数Analysis on the Total Factor Productivity of the Anhui Province———Based on Malmquist IndexYang hui(Hohai University Wentian College Anhui Ma'anshan243000)【Abstract】This article is based on the panel data comes from9cities of the Anhui Province in2010-2016,using Malmquist DEA method to measure the total factor productivity of the Anhui Province innovation drive during the study period.Furthermore,the increase reason of factor productivity is analyzed through the decomposition of Malmquist Index.The results show that:①the Anhui Province of the whole innovation to drive the total factor productivity presents the rising trend,and the average annual growth is7.8%;②Technology change is the major driver of efficiency increase;③It is showing that total factor productivity of the Anhui Province exhibited regional imbalance.【Key words】Anhui Province;Innovation-driven;Total factor productivity;DEA-Malmquist中图分类号:TS959.9文献标识码:A文章编号:2095-7327(2019)-02-0015-03基金项目:安徽省高校人文社会科学研究重点项目,《安徽推进创新战略的突破路径选择问题研究》SK2016A0797。

作者简介:杨慧(1982.7.27—),女,安徽人,就职于河海大学文天学院,讲师,硕士学位,研究方向为产业关系、企业管理。

15山东农业工程学院学报2019年第36卷第2期何提高创新驱动全要素生产率指明方向。

1.相关研究方法和变量的选择1.1研究方法本文采用基于DEA的Malmquist指数法进行创新驱动全要素生产率的分析。

DEA-Malmquist指数模型是一种非参数估计的方法,因为不需要设定具体的生产函数。

在分析具有多投入多产出的全要素生产率上是一种有效的方法。

最早由瑞典经济学家Malmquist提出,是通过利用缩放因子之比构造消费数量。

1994年,Fare等把这种非参数线性规划法与数据包络分析法(DEA)理论相结合,这才使得Malmquist指数被广泛应用。

现今,这一方法被广泛应用于金融、工业、区域等生产效率的测算。

DEA-Malmquist指数模型相对于数据包络分析法(DEA)在截面上的静态分析,DEA-Malmquist指数法能够对决策单元的多个时间点的跨期面板数据进行分析。

另外,此方法还可以对创新全要素生产率的变化情况,及其分解因子中的技术进步指数以及技术效率指数对全要素生产率的变动的影响进行分析。

该方法的首先采用创新的投入以及产出数据构建一个生产前沿面函数,通过DEA的非参数线性规划模型求解距离函数,计算决策单元在前后两个时期与生产前沿的距离来表示不同时期生产率的变化。

全要素生产率变动指数(TFP change,Tfpch)计算公式如下:M t,t+1=d t(x t+1,y t+1)d t(x t,y t)×d t+1(x t+1,y t+1)d t+1(x t,y t) []12=Tfpch(1)其中,x t,y t,x t,y t,x t+1,y t+1x t+1,y t+1分别表示,在t和t+1期的投入和产出向量,Malmquist指数中,d t(x t,y t)d t(x t,y t),d t(x t+1,y t+1)d t(x t+1,y t+1)分别表示以是以t期的技术为参照表示的第t期和t+1的距离函数。

Tfpch>1表示全要素生产率呈增长趋势,创新效率提高;Tfpch<1表示全要素生产率呈下降趋势,创新效率下降。

在规模报酬不变的情况下,全要素生产率指数的变化分解为两个重要的组成部分,即技术进步指数(Technical Change,TC)和综合技术效率的变化(Efficiency Change,EC),其分解过程如下:M t,t+1Mt,t+1=EC×TC(2)EC=d t+1(x t+1,y t+1)d t(x t,y t)(3)TC d t(x t,y t)d t+1(x t,y t)×d t(x t+1,y t+1) d t+1(x t+1,y t+1)[]12=(4)M t,t1=d t+1(x t+1,y t+1)d t(x t,y t)×dt(x t,y t)d t+1(x t,y t)×d t(x t+1,y t+1)d t+1(x t+1,y t+1)[]12(5)EC代表从t期到t+1期,决策单元对生产前沿面的追赶程度。

当EC>1时,综合技术效率提升,说明和上一期相比生产更接近生产前沿面。

当EC<1时,综合技术效率下降,说明和上一期相比生产更接近生产前沿面。

TC代表技术进步变化,即生产最佳前沿边界的移动。

当TC>1时,技术进步,说明生产前沿面向上抬升或者向外移动。

在规模报酬可变情况下,综合技术效率指数还可以分解为纯技术效率变动指数(PC)以及规模效率(SC)。

1.2指标选择与数据来源在对创新驱动的全要素生产率进行求解时,根据以往研究人员对全要素生产率的指标体系的研究,考虑到相关数据的可获得性,来选取投入和产出指标。

(1)投入变量常用的衡量创新投入的指标主要集中在人力资本的投入和资金的投入两个方面。

因此,本文选取企业R&D经费支出(X1)和新产品研发支出经费(X2),R&D人员全时当量(X3)作为人力投入指标。

(2)产出变量。

常用的衡量创新产出的指标主要有经济效益产出和专利发明两个方面,具体包括专利、新产品销售收入、技术开发项目数等,借鉴现有的文献并参考数据的可得性,本文选择各地区专利申请授权量(Y1)和新产品销售收入(Y2)作为创新的产出变量。

本研究所使用的数据是安徽省的9个地市(合肥、芜湖、马鞍山、安庆、滁州、淮北、宿州、蚌埠、淮南)2010~2016年的年度面板数据,数据来源于各地市2010~2016年的统计年鉴,安徽省统计年鉴2010~ 2016年。

2.实证研究2.1安徽创新驱动全要素生产率的求解分析为了研究安徽省的9个地市在2010~2016年之间的整体变化情况,本文通过deap2.1软件对9个地市的创新生产的面板数据求解,得到年度平均的创新全要素生产率及其分解。