D产出水平（共7篇）
D产出水平 篇1
1 区域R&D产出水平测度指标
为了对我国区域R&D产出水平差异进行量化分析, 本文引入以下变量作为反映R&D产出水平的测度指标。
1.1 主要检索工具收录论文相对数量, 用来反映区域R&D知识产出能力
一般来讲, 地区高等教育和科研机构越集中, R&D知识的产出越多, 具有创新的论文越多, 主要检索工具收录论文数量越多。
主要检索工具收录论文相对数量=地区主要检索工具收录论文数量/全国主要检索工具收录论文数量 (1)
1.2 授权专利相对数量, 用来反映区域R&D成果产出的能力
一般来讲, 区域R&D成果产出越多, 授权专利数量越多。地区R&D成果产出能力不仅与地区科技实力有关, 而且受地区市场化程度和文化的影响。
授权专利相对数量=地区授权专利数量/全国授权专利数量 (2)
1.3 技术市场相对规模, 用来反映区域R&D成果商品化的能力
一般来讲, 地区科技越发达, R&D成果越多, 技术市场越成熟, 技术市场合同金额越大, 区域R&D成果商品化能力越强, 技术市场相对规模越大。
技术市场相对规模=地区技术市场合同金额/全国技术市场合同金额 (3)
1.4 新产品产值相对规模, 用来反映区域R&D成果产业化的能力
R&D成果产业化需要大量的资金投入。一般来讲, 地区经济越发达, 资金越多, 区域R&D成果产业化能力越强, 新产品产值相对规模越大。
新产品产值相对规模=区域新产品产值/全国新产品产值 (4)
2 我国区域R&D产出水平比较
2.1 R&D产出强度比较
根据《2006年中国科技统计年鉴》中的数据, 依照公式 (1) 计算的2005年我国各地区主要检索工具收录论文相对数量。
资料来源:根据《2006中国科技统计年鉴》计算所得。
由上表可以看出, 各地区主要检索工具收录论文相对数量差异较大, 主要检索工具收录论文相对数量最大的5个地区分别是北京 (24.5) 、上海 (11.90) 、江苏 (7.24) 、浙江 (5.63) 、湖北 (5.42) 。主要检索工具收录论文相对数量最小的5个地区分别是内蒙古 (0.09) 、青海 (0.04) 、海南 (0.02) 、宁夏 (0.01) 、西藏 (0.00) 。从总体上看, 地区主要检索工具收录论文相对数量与经济发展水平及高等教育发展水平密切相关。主要检索工具收录论文相对数量最大的5个地区, 其中4个为我国高等教育最发达的地区。浙江高校的数量虽不算太多, 但浙江大学科研实力较强, 所以使浙江主要检索工具收录论文相对数量的位次靠前。北京因有众多国家级科研机构和高等院校集中, 因此, 其主要检索工具收录论文相对数量明显高于其他地区。尽管湖北属中部地区, 经济发展水平不高, 但因其省会武汉是我国高等院校最集中的地区之一, 所以, 湖北的主要检索工具收录论文相对数量较高。主要检索工具收录论文相对数量最小的5个地区都是经济、教育欠发达的少数民族地区。可见, 各地区主要检索工具收录论文相对数量不仅同经济发展水平相关, 同高等教育发展水平更为密切相关。
2.2 授权专利相对数量比较
利用《2006年中国科技统计年鉴》提供的数据, 依据公式 (2) 计算的2005年我国各省区授权专利相对数量。
资料来源:根据《2006中国科技统计年鉴》计算所得。
由上表可以看出, 授权专利相对数量较大的5个省市为:广东 (21.49) 、浙江 (11.10) 、江苏 (7.91) 、上海 (7.34) 、山东 (6.25) , 均为沿海经济发达地区。经济越发达, 市场化程度越高, 技术创新的意识越强, 授权专利数量越大。授权专利相对数量较小的5个省区依次为甘肃 (0.31) 、宁夏 (0.12) 、海南 (0.11) 、青海 (0.04) 、西藏 (0.02) 。从总体来看, 授权专利相对数量与经济发展水平密切相关。授权专利相对数量较大的地区主要是我国经济发展水平较高的沿海地区, 而授权专利相对数量较小的地区主要是经济欠发达的边疆少数民族地区。各地区授权专利相对数量不仅同科技水平相关, 同经济发展水平更为密切相关。科技水平较高的北京、湖北位次并不靠前, 而科技实力相对较弱的广东授权专利相对数量明显领先其他地区。
2.3 技术市场相对规模比较
根据公司 (3) 、利用《2006年中国科技统计年鉴》中的数据, 计算的2005年我国各省区技术市场相对规模。
资料来源:根据《2006中国科技统计年鉴》计算所得。
由上表可以看出, 技术市场相对规模较大的5个地区依次为:北京 (31.55) 、上海 (14.93) 、广东 (7.25) 、江苏 (6.49) 、山东 (6.34) , 都是经济发达地区, 北京作为全国的科技中心, 其技术交易规模接近全国的1/3。技术市场相对规模较小的5个地区依次为:宁夏 (0.09) 、青海 (0.07) 、贵州 (0.06) 、海南 (0.06) 、西藏 (0.00) , 都是经济、教育欠发达的少数民族地区。总体来看, 技术市场相对规模与经济发展水平密切相关, 技术市场相对规模较小的5个地区与授权专利相对数量较小的5个地区有4个相同, 虽然顺序有所差别。
2.4 新产品产值相对规模比较
利用《2006年中国科技统计年鉴》提供的数据, 根据公式 (4) , 计算的2005年我国各省区新产品产值相对规模。
资料来源:根据《2006中国科技统计年鉴》计算所得。
由上表可以看出, 新产品产值相对规模最高的5个省区, 依次是广东 (14.04) 、上海 (13.06) 、江苏 (11.11) 、山东 (10.29) 、浙江 (8.92) , 均为沿海经济发达地区。经济越发达, 资金越丰富, 市场化程度越高, R&D成果产业化能力越强, 新产品产值规模最大。新产品产值相对规模最小的5个省区依次为宁夏 (0.09) 、新疆 (0.08) 、青海 (0.06) 、海南 (0.04) 西藏 (0.00) , 都是经济、科技欠发达的少数民族地区。新产品的开发和生产, 不仅受技术的影响, 还受资金和制造能力的影响, 所以, 新产品产值相对规模最高的5个省区, 都是我国的制造业基地。
3 我国区域R&D产出水平差异聚类分析
为了更全面地反映我国各地区R&D产出水平的差异, 下面我们采用系统聚类方法对我国各地区R&D产出水平进行分类。31个省区分别以样本X1、X2、……X31表示, 每个样本都具有4个属性, 分别是主要检索工具收录论文相对数量、授权专利相对数量、技术市场相对规模、新产品产值相对规模, 于是每个样本就对应着1组描述其属性的指标。聚类分析的一般原则是将特征比较接近的样本归为一类, 下面我们用动态聚类也称为K-均值聚类法 (K-Means Cluster) 进行聚类分析, 其基本思想是开始先粗略地分一下类, 然后按某种最优的原则修改不合理的分类, 直到分得比较合理为止, 这样就形成了最优的分类结果。本文采用SPSS11.0分析软件, 依上述数据进行聚类分析, 得结果如表5所示。
资料来源:根据SPSS10.0分析计算所得。
根据表5可以看出, 各类别包含的地区数目不一, 这从形式上看不如人为分组整齐, 但这恰恰反映了聚类分组的科学性。它避免了人为分组的主观随意性。我们可以得到如下结论:
我国各地区经济、科技水平差异较大, 使我国各地区R&D产出水平差异明显, 按照R&D产出水平的高低, 30个地区 (除西藏外) 可分为6类。
北京作为我国的教育、科技和研究中心, 其知识产出、技术成果交易优势突出, 主要检索工具收录论文数量占全国的近1/4, 技术市场合同金额占全国技术市场合同金额的近1/3。但授权专利相对数量和新产品产值相对规模不具有优势, 与北京作为全国科技产业发展的服务中心, 而非制造中心的地位相符合, 单独归为第一类。
上海市经济、科技、教育都很发达, 尽管在主要检索工具收录论文数量和技术市场合同金额两项指标与北京相比有差距, 但明显优于其它地区, 且授权专利相对数量和新产品产值相对规模也具有优势, 单独归为第二类。
广东教育规模, 尤其高等教育规模与北京、上海相比有较大的差距, 因此, 主要检索工具收录论文数量不具有优势, 但广东市场经济比较发达, 市场竞争意识较强, 在北京不具有优势的授权专利相对数量和新产品产值相对规模两方面, 具有明显优势, 均位于全国第一, 单独归为第三类。
浙江、江苏、山东归为第四类。天津、辽宁、湖北、四川、陕西属于第五类。剩余其他地区属于第六类。
由于R&D产出受科技、教育、经济等多种因素的影响, 因此, 在R&D知识产出、成果产出、商品化、产业化等方面, 没有一个地区在我们所考察的4个指标中都具有突出优势。说明我国各省区在R&D产出方面具有不均衡性。
参考文献
[1].2006中国科技统计年鉴[M].北京:中国统计出版社, 2007
[2].刘新同.我国大中型企业R&D活动特点实证分析[J].工业技术经济, 2006, (11)
[3].卫海英.SPSS10.0 for windows在经济管理中的应用[M].北京:中国统计出版社, 2001
D产出水平 篇2
国内外许多学者从不同角度对R&D投入的绩效评价及相关问题进行了研究。在国外, Kcrsscns- van Drongclcn 和 Cook (1997) 提出了绩效评价系统应遵循的基本原则, 认为评价系统要动态地变化以适应新的组织和过程, 同时还要考虑利益相关者和用户的要求, 并认为R&D项目早期应关注定性战略绩效评价, 而中后期则应关注定量运营绩效评价;Laurel A.Adams (1998) 调查研究了在外国竞争对手模仿而非创新前提下本国企业的R&D成果, 在幼稚产业中差别保护通常可以带来更多的R&D产量, 而在成熟产业却相反;Andr′es Rodr′lguez-Pose (2000) 通过西欧R&D投资改革分析, 强调在落后地区R&D投资的优势和劣势;Leon A.G.Oerlemans和Marius T.H.Meeus (2001) 提出在交易代价中的R&D合作问题, 得出买家和卖家之间合作的交易代价理论和资源倾向理论;John E.Jankowski (2001) 提出了美国在非制造业的R&D支出趋势, 在广泛比较其它国家情况的基础上分析其增长状况并提出该趋势的衡量方法;Petr Hanel和Alain St-Pierre (2002) 根据278个企业样本分析并提出了企业效率和R&D资本、知识、市场溢出之间的关系, 且认为R&D在知识产权有效保护下将对效率产生直接而有效的影响。
在国内, 许庆瑞等 (1998) 认为企业为了提高R&D绩效, 需要建立一套完善的绩效测度系统;杨列勋 (2001) 介绍了美国、日本、德国等发达国家、韩国等新兴工业化国家以及我国等发展中国家在R&D评估实践中取得的成功经验;席酉民、杨列勋 (2002) 在回顾、评述R&D项目评估研究的基础上, 结合项目生命周期理论, 提出R&D项目包括:立项评估、进展评估和绩效评估的整体模型;黄敏、张铀 (2006) 指出跨国公司在我国的多种R&D投资形式, 从正反两方面分析了R&D国际化对我国技术创新能力的提高产生的影响, 并探讨了在经济全球化日趋深入的形势下, 我国应如何利用跨国公司的R&D国际化来加快我国技术创新能力的提高, 以及如何实现我国企业自身的R&D国际化。
上述研究成果, 所采用的研究方法多是规范性研究, 对R&D绩效评价指标及方法大多仅仅是评述和介绍, 而进一步对我国西部地区R&D绩效评价进行实证分析的目前尚未见有。因此, 本文将应用因子分析方法评价我国西部地区当前R&D投入的绩效, 并探讨西部地区R&D投入绩效存在的区域差异, 以期为有差别地、有效地开展西部地区的R&D活动, 发展区域经济、培育区域创新能力提供决策参考。
2 指标选择和数据采集
2.1 评价指标的选择
在构建我国西部地区R&D投入评价指标体系时, 由于地区R&D活动中涉及的影响因素很多, 为了客观地分析这些复杂的影响因素, 就需要选择反映R&D活动各个方面的指标来进行评价, 同时注意所选取的指标数据既能满足对客观情况的全面真实反映, 又能便于实际应用推广。本文参考了国内外有关R&D指标体系构建的文献并根据以上原则, 选择了能够反映R&D活动的创新绩效指标, 投入方面主要包括人力投入和财力投入, 产出方面主要为知识形态的产出和科技转化形式的产出。具体指标体系及指标含义如下:在R&D投入指标方面有万人R&D科学家和工程师数, 它反映了一个地区技术创新能力的核心水平;科技活动财力投入, 它反映了一个地区对R&D活动的支持力度;R&D经费支出与GDP比例, 它反映了一个地区R&D活动的规模大小以及对其支持的能力和态度。在R&D产出指标方面有万名就业人员发明专利授权量, 它是专利形式中最能反映创新价值的部分;企业R&D经费支出占产品销售收入比重, 它反映了一个企业对R&D活动的支持能力和态度;企业消化吸收经费与技术引进经费比例, 它反映了企业R&D活动的创新能力;技术成果市场化, 它反映了一个地区进行技术交流的活跃程度;新产品销售收入占产品销售收入比重, 它反映了一个地区企业的终端产品的创新能力;高技术产业增加值率, 它反映了一个地区高技术产业的最终创新成果水平。
2.2 评价指标数据的采集
在进行指标数据的采集过程中, 许多学者认为应该根据R&D活动的特点而考虑R&D产出的时滞效应, 从而在具体的指标体系建立中将时滞效应具体化, 设定为一年或者几年。从微观角度分析, 本文认为每一年的R&D活动从输入到其输出之间存在一定的时滞, 但是该时滞跨度会由于涉及不同的行业和不同的研究类型而不同。R&D时滞问题较为复杂, 本文则尝试从宏观的角度去理解时滞问题。由于R&D活动具有连续性, 体现其产出的成果也具有延续性, 每一年的R&D投入都会对以后不定时期内的R&D产出产生影响, 所以从整体角度考虑, 可以认为R&D投入所产生的时滞效应是不可测定年份的积累, 本文将这种影响近似理解为对每一年的作用。所以从上面的观点出发, 在采集数据时, 各项指标均采用西部12个省市自治区 (重庆、四川、贵州、云南、西藏、陕西、甘肃、青海、宁夏、新疆、内蒙古、广西) 2005年资料, 资料来源于《科技统计资料汇编2006》, 具体指标及数据见表1所示。
注:数据来源于《科技统计资料汇编2006》。rdrs表示万人R&D科学家和工程师数;rdtr表示科技活动财力投入;rdfp表示R&D经费支出与 GDP 比例;zljs表示万名就业人员发明专利授权量;rdpp表示企业R&D经费支出占产品销售收入比重;jsyj表示企业消化吸收经费与技术引进经费比例;cgsc表示技术成果市场化;xcpp表示新产品销售收入占产品销售收入比重;gxcp表示高技术产业增加值率 (下同) 。
3 因子模型的构建及评价
3.1 因子分析模型的构建
从分析各变量之间的相关关系入手, 通过统计分析软件可以得到变量之间的相关系数矩阵 (见表2) 。各个变量之间的关系可以为后面的因子分析提供依据。
从表2可以看出, 西部地区R&D评价指标之间的相关系数大部分都大于0.3, 且能够通过统计检, 说明这些变量适合作因子分析。运用统计分析方法进行因子的提取, 结果见表3所示。
从表3可以看出, 前4个因子总方差为5.23, 累计方差贡献率为94.29%, 可以认为这四个因子基本上刻画了原变量的信息。
在建立因子载荷矩阵的时候, 由于上述4个因子在原变量上的载荷值都相差不大, 不太好解释它们的含义, 因此根据西部地区R&D评价指标, 利用统计分析方法并采用Varimax法对因子载荷矩阵进行旋转, 可以得到因子旋转矩阵 (见表4) 。
通过表4的因子旋转矩阵可以看出, 第一个因子变量基本上反映了一个地区R&D人力和经费投入情况;第二个因子变量基本上反映了一个区域技术成果交易和新产品产出的情况;第三个因子变量基本上反映了专利即R&D产出的情况;第四个因子变量基本上反映了企业R&D活动的技术引进及消化方面的能力。从表5因子的协方差矩阵可以得出, 上述4个因子变量应该是正交且不相关的。
在对因子进行分析和检验后, 为了能更好地看出各个因子在变量上的载荷作用, 可以利用统计分析方法得到因子得分矩阵 (见表6) , 然后根据因子得分系数和原始变量的标准化值计算各观测量的各因子的分数。
通过因子得分矩阵表, 可以得到以下因子得分模型:
根据因子得分模型, 以4个因子变量的方差贡献率为权重, 可以计算得到西部地区R&D评价指标 (用F表示) 的评价模型为:
F=45.634 F1 + 22.980F2 + 12.974F3 + 12.705F4
3.2 评价结果
由因子评价模型及各个因子的方差贡献率作为权重进行加权计算, 得到西部各地区的综合得分F (见表7) 。
注:因子得分为负数表示该地区的因子评价指标的水平在被考察地区的平均水平之下。
由表7可以看出, R&D绩效水平最高的前3位是陕西、重庆、四川, 其综合评价值在西部平均值水平之上;其它省份的综合评价值低于平均水平。这几个省市的综合评价值之所以高于其他省份, 主要是因为其R&D投入的总量和R&D占GDP的比例都位于西部前列;其次是这些省市拥有高水平的高等院校和科研机构数量众多, 人力资本和科研实力较强, 由此产生的大量科研成果也在此次评价中对F1因子的得分提供了有力的支撑。同时, 由表7可以看出, 陕西的R&D人力和经费投入因子F1的得分较高;重庆的技术成果交易和新产品产出排在第一, 主要是因为其新产品产出及技术市场化带来的优势。另外, 由表7可以看出, 西部R&D绩效呈现区域差异, 在上述分析中除四川、陕西、重庆的R&D绩效较好之外, 西藏、新疆、云南、广西等多数西部区域的R&D绩效还普遍较低, 其R&D绩效水平低于西部总体水平, 主要原因是这些省份的R&D投入还很欠缺, 拥有高水平的高等院校和科研机构数量也较少, 人力资本和科研实力较弱, 造成实际R&D的相对落后。
4 政策建议
通过以上的分析, 发现评价的结果与实际情况比较接近, 说明运用因子分析方法可以解决多指标的区域R&D绩效评价问题, 能为客观评价一个地区的R&D绩效水平提供决策借鉴, 具有一定的实际意义, 也为提高R&D投入产出质量、培育西部地区区域创新能力、加快西部经济的发展提供了理论依据。
从评价结果可以看出, R&D绩效水平在西部各省呈现省际差异性;同时, 西部地区总体区域R&D水平还远远低于全国平均水平。因此, 在进行西部大开发的过程中, 应该分不同区域实施内涵式的经济发展道路。首先, 西部各省应根据实际情况加大R&D的投入, 包括人力、物力、财力的投入, 加快科技创新能力向现实生产力的转化, 可以对有R&D创新活动的企业给予适当的奖励, 政府可以加大R&D创新活动的财政投入, 增加从事这方面的机构、科学家和工程师。其次, 提高R&D的产出效率和产出成果的产品化、市场化。建立专利的产品化基地, 联合科技企业加强专利产品的推广及出新, 建立R&D产品市场化的推广机构, 促进最后成果的产品化、市场化。最后, 加快西部各省区域创新体系的培育。在国务院西部开发领导小组的领导下, 可以有针对性、有目的性地成立以陕西西安、四川成都、重庆三地为中心的国家级的区域创新基地和管理机构, 建立中央——三中心——省 (自治区) 的三级区域性的西部R&D投入、成果转化、人才培养、管理制度规范的创新平台体系, 有计划、有重点、有差别地实施西部的R&D工作。
参考文献
[1]杨列勋.R&D评估实践研究[J].研究与发展管理, 2001 (6) :29-31.
[2]席酉民, 杨列勋.R&D项目评估整体模型研究[J].系统工程理论与实践, 2002 (10) :29-31.
[3]杨列勋.R&D项目评估研究综述[J].管理工程学报, 2002 (2) :29-31.
[4]许庆瑞, 郑刚.研究与开发绩效评价在中国:实践与趋势[J].科研管理, 2002 (1) :29-31.
[5]赵涛, 张爱国.基于因子分析的区域R&D绩效评价研究[J].西北农林科技大学学报 (社会科学版) , 2006, 6 (3) :65-69.
[6]RICHARD A JOHNSON, DEAN W WICHEN.实用多元统计分析[M].陆璇, 译.北京:清华大学出版社, 2001:59-79.
D产出水平 篇3
西安是我国高等教育、科学研究、国防科技和高新技术产业的重要基地,西安地区高校数量多达63所。在科技迅速变革的时代中,西安高校的科技创新日益成为西安科技创新源,而高校R&D活动以其在高校科技创新活动中的核心地位倍受社会各界关注和支持。在此背景下,怎样利用最少的R&D投入来实现最大的效益,是值得研究的问题。目前,尚未有人单独研究西安高校R&D活动投入产出效率,本文运用2004—2014年间西安高校R&D活动投入产出年鉴数据对其进行探讨。
1 文献综述
目前,基于高校区域性的R&D投入产出效率视角的研究成果丰富,比如;徐寒、胡宗菊(2015)采用DEA方法对湖北省高校R&D活动的效率进行分析评价,结果表明:不同类型的高等学校的R&D投入产出效率存在差异性[1];滕文静(2013)根据新疆高校的R&D活动发现新疆高校的R&D活动与全国高校相比无明显差异[2];陈召魁(2011)讨论了教育部直属64所高校的R&D相对效率比较,得出早期的投入对绩效影响最大的结论[3];査奇芬、丁月娇(2013)通过E—DEA模型对DEA有效的决策单元进行对比排名,发现经济比较发达城市的高校存在科研资源高、科技水平高、DEA资源配置相对效率低的情况,表明R&D绩效并不是完全受区域经济的影响[4]。
在综合国内学者研究成果的基础上,本文选取西安市大专院校R&D试验与发展情况,采用数据包络分析法,对西安高校整体R&D研发产出效率进行纵向比较。
2 研究设计
2.1 建立模型
当前,高校R&D的效率研究有诸多综合评价方法,如数据包络分析法、随机前沿分析法、回归模型分析法、因子分析法等。笔者考虑到数据包络分析法(DEA)适用于多输入、多输出复杂评价系统的优势,决定采用DEA方法。该方法是A.Charnes和W.W.Cooper等以相对效率概念为基础发展起来的一种新的效率评价方法。
由于CCR模型不能单纯地评价“技术有效”性,1984年Banker、Charnes和Cooper给出了能单独评价DMU“技术有效”的BCC模型[5]。通过该模型可以得到决策单元的纯技术效率、规模效率以及规模报酬,具体模型如下所示[6]:
2.2 数据选取和处理
结合国内外已有研究成果,本研究选取的投入指标包括R&D人员折合全时当量及R&D内部经费投入,产出指标包括年度专利申请数、科技论文及科技著作数量。出于数据的可得性,本文选择年份作为决策单元。考虑到投入与产出之间存在的滞后性,将滞后期设置为1年,即研究西安高校2004~2013年R&D活动的投入数据与2005~2014年R&D活动的产出数据。数据来源于2004~2014年《西安市统计年鉴》和《陕西省统计年鉴》,计算软件为DEAP2.1。
3 实证分析
3.1 效率值分析
通过运行软件DEAP2.1,得出数据的综合技术效率、纯技术效率、规模效率和规模报酬,结果如表1所示。在2005~2014年10年时间内,平均综合技术效率为0.968,10个决策单元的综合技术效率均高于80%。西安高校2005年、2007年、2008年、2010年、2011年和2014年R&D活动综合技术效率为1,属于技术有效,技术无效的年份有2006年、2009年、2012年和2013年。表明西安高校2005~2014年的R&D活动整体情况不错且比较稳定。除了2006年和2013年,其余各年度的纯技术效率都为1,说明西安高校在既定的科研投入上的科研产出是非常理想。从规模效率上看,10年当中有2.3%的资源浪费,2006年及2009年处于规模效率递增,2012年及2013年处于规模效率递减,其余几年均保持不变。
3.2 冗余分析
对数据进行冗余分析,得出投入冗余与产出不足状况(见表2)。
由表2可知,2006年和2013年综合效率没有达到相对有效,且存在投入冗余和产出不足。2006年投入变量R&D人员折合全时当量为472.843,R&D内部经费投入为19068.27;产出方面,专利申请数的不足为102.075,科技著作不足为18.702。而2013年投入冗余变量R&D人员折合全时当量为184.645,R&D内部经费投入为5950.517,产出变量科技论文的不足为1575.204,科技著作不足为38.48,其他几年都达到了综合效率的相对有效。
4 结论
通过以上实证分析,我们可以知道,西安高校R&D活动在年度之间的差异较小,投入产出效率相对有效的年份较多,说明西安高校总体的R&D活动是令人满意的。但效率无效的年份数仍有4年,在这4年中,有2年规模报酬递增,2年规模报酬递减。如能合理配置公共资源,提高科研管理效率,整合科教资源,形成以企业为主体、产学研相结合的有效机制,就可以更好地促进西安地区的发展。
摘要：以西安高校R&D投入产出活动为研究对象,采用数据包络(DEA)效率评价模型,结合西安高校2004~2014年R&D投入产出数据,比较分析西安高校R&D投入产出效率,发现西安高校整体的R&D活动是积极且相对有效的。
关键词：西安,高等学校,R&,D,DEA
参考文献
[1]徐寒,胡宗菊.高等学校R&D投入产出效率分析[J].合作经济与科技,2015(10):83-85.
[2]滕文静.基于DEA方法的新疆高校R&D投入产出成效研究[J].新疆大学学报(自然科学版),2013(3):374-378.
[3]陈召魁.高校R&D投入产出滞后性与相对效率评价研究[D].天津大学,2011.
[4]査奇芬,丁月娇.基于SE-DEA模型的我国高校R&D绩效评价[J].中国集体经济,2014(27):78-79.
[5]魏权龄.评价相对有效性的数据包络分析模型-DEA和网DEA[M].北京:中国人民大学出版社,2012.
D产出水平 篇4
在经济全球化的大背景下, 技术进步已成为经济增长的首要推动力。目前我国制药产业仍保持粗放式的增长模式, 资本投入对于医药产业产出贡献率高达72.54%。制药产业作为高技术产业, 除了加大资本和劳动力上的投入外, 更应该注重提高自身技术水平。只有以技术水平的提高为保证, 才可以在日趋激励的市场竞争中不被淘汰。
研究与开发 (R&D) 作为技术进步的源头, 一般由基础研究、应用研究和试验开发三项活动组成。投入的效果必须以产出效果来衡量, 高强度的投入能否带来高效益的产出是评价研发能力最现实的指标。为了进一步了解制药产业目前的研发现状, 本文选取制药产业1996-2008年数据样本, 在对制药产业投入和产出情况作出实证分析后, 得出一些结论。在研发投入上, 一般选取科技活动经费投入与科技活动人员投入作为指标。产出上, 反映制药产业产出的数据主要有工业总产值、产品销售收入、利润总额、专利申请、拥有发明专利数等, 本文选取的是以工业总产值作为产出指标。
2 生产函数模型构建
本文以生产函数 (Cobb-Dauglas) 模型作为基本模型。柯布—道格拉斯生产函数是以美国数学家C.W.柯布和经济学家保罗.H.道格拉斯的名字命名的, 是在生产函数的一般形式上作出的改进, 引入了技术资源这一因素。其基本形式为:Y= (K, L, R……) , 其中Y为产出量, K、L、R分别为资本、劳动、R&D投入等投入要素。
2.1 柯布—道格拉斯生产函数模型
Y=AKαLβRundefined
式中Y是工业总产值, A是综合技术水平, 假设A是固定常数。K是投入的资本, L是投入的劳动力数, R是R&D投入。α是资本产出的弹性系数, β是劳动力产出的弹性系数, 相应地, γ为研发投入的弹性系数。μ表示随机干扰的影响, μ≤1。
本文拟采用计量经济学里的多元线性回归进行处理, 为了将因变量与自变量转变为线性关系, 对该式进行对数变换, 为:LnY=LnA+αLnK+βLnL+γLnR+Lnμ。
为了反映制药产业有关研发的各要素投入产出关系, 本文以医药行业总产值作为被解释变量Y, 解释变量具体为:用固定资产净值年平均余额表征资本投入、医药行业科技活动人员人数表征劳动投入、医药行业R&D经费内部支出表征研发投入。另外, 一些无法量化的变量以虚拟变量μ的形式在模型中体现。
2.2 样本数据 (见表1)
以上数据来源:《统计年鉴》和《中国高技术产业统计年鉴》。
3 数据处理结果
本文采用SPSS17.0统计软件对数据进行处理, 数据分析结果如下:
4 模型分析与经济意义解释
4.1 模型分析
模型1 (强制进入策略模型) :直接对被解释变量和解释变量做多元线性回归分析, 从数据结果可以看出, 虽然解释变量通过了F检验, 不过t检验值和P值并不理想, 说明解释变量对被解释变量的整体影响是显著的, 但并不是每一个解释变量都有显著影响, 解释变量间存在多重共线性, 该模型需要进一步修正。
模型2 (向后筛选策略模型) :运用SPSS的向后筛选策略模型的功能, 自动完成解释变量的筛选。最终模型的解释变量为LnK, LnL, 剔除了LnR。排除原因可能是:R&D费用支出与科技人员数目的相关性程度较高, 导致共线性的存在。最终结果通过了F检验, t检验, 并且回归方程显著性检验的概率P值小于显著性水平α (α取0.05) , 说明被解释变量与解释变量间的线性关系显著, 建立的线性模型是恰当的。
4.2 经济意义解释
(1) 边际生产力:undefined, 说明对于医药制造业而言, 随着K、L投入的增加, 工业总产值是增加的。
(2) 要素的产出弹性:指的是当要素增长1%时, 引起的产出量的变化率。其中α是资本产出的弹性系数, β是劳动力产出的弹性系数。
①α+β>1, 称为规模报酬递增, 表明随着生产规模的扩大, 有利于生产效率提高。
②α>β, 说明对于医药行业有关研发投入的资源要素而言, 资本产出弹性比劳动产出弹性更大, 在资本和劳动同比例增加的情况下, 资本引起产出增长的程度大于劳动引起产出的增加, 资本对我国医药行业研发投入具有更为重要的意义。
5 结论
由于在技术创新各要素中, 固定资产的产出弹性最高, 行业人员的产出弹性次之。因此在总体投入水平一定, 并保持各种要素投入水平相对平衡的基础上, 应当尽可能加大对于固定资产的投入, 其次是行业人员数量的投入。这可以从1996-2008固定资产投入和行业人员数量的平均增长率看出来。固定资产投入的年平均增长率14.83%, 高于行业人员数量的年平均增长率13.23%。
虽然在本文多元线性模型中, 排除了研发投入费用支出指标, 但只是从数据处理的角度考虑, 在现实经济生活中, 研发经费投入对制药产业技术创新能力的影响是不容小视的, 数据表明, 研发投入每增加1亿元, 医药工业产值增加42.251亿元。
制药产业是我国发展最快的产业之一, 在国民经济中的地位也不断提高。但我国制药产业研发创新的现状也是不容乐观的, 医药企业普遍现状是:自主研发能力薄弱, 缺乏真正意义上的创新药, 以长远发展的眼光看, 提高我国制药产业技术创新能力已经刻不容缓。同时, 由于我国制药业研发资源比较分散, 而生产规模的扩大, 有利于制药产业生产效率的提高。因此, 医药企业可以考虑通过并购的方式, 实现研发资源的整合, 提高整体竞争力。同时, 在当前我国制药产业技术创新的水平偏低的情况下, 应当继续加大对于制药产业研发创新各要素的投入水平, 从而进一步促进医药产业做大做强。
参考文献
[1]李凯, 马爱霞.我国医药制造业技术创新能力分析[J].中国医药技术经济与管理, 2008, 2 (10) :48-54.
[2]李文文, 韩东林.关于我国医药制造业科技创新投资绩效的评价及对策[J].皖西学院学报, 2010, 26 (2) :14-17.
D产出水平 篇5
1.1 背景及研究意义
发展中国家从落后到先进, 大体都要经历要素驱动、投资驱动、效率和创新驱动的经济增长阶段。要素驱动的增长方式支持的粗放型经济增长方式对经济的推进作用是有限的;过度依赖投资的经济增长方式又会造成投资和消费的结构失调。向效率和创新驱动的经济转型, 使经济结构转入技术密集型产业是现阶段中国所面临的重大战略问题。
R&D活动是科技活动的核心和创新之源, 是整个科技活动的物质基础。R&D资源具有明显的稀缺性, 如何有效利用现有R&D资源来推动科技进步以及通过对R&D投入产出效益分析, 实现经济效益最大化原则, 不仅具有重要理论价值, 更具有重要现实意义。
1.2 研究综述
近年来, 我国学者关于R&D投入产出效率的研究成果较为丰富。穆智蕊 (2012) 在对北京地区R&D投入绩效评价的研究中, 利用DEA模型和超效率分析法, 从纵向和横向的角度对北京地区1998~2009年科技投入的有效性进行了评价。表明北京地区R&D投入绩效水平处于全国领先地位。傅晨, 姚婷等 (2012) , 运用DEA模型, 对2001~2009年广东省R&D活动的产出效率进行分析, 认为提升R&D科技产出和经济产出的稳定性, 优化R&D资源配置, 是广东省提高R&D产出效率的主要途径。罗玮 (2012) 利用DEA和SFA (随机前沿分析法) 方法对比研究南京市和其他地区的投入产出效率。王苗 (2012) 运用SFA方法对2004~2010年, 全国30个省市自治区R&D活动的技术效率进行分析, 进而对陕西省R&D效率进行评价和比较研究, 认为陕西省绩效水平低于其他经济较发达省市, 建议政府加大R&D投入力度, 充分发挥科学技术对经济的支撑作用。严焰, 徐超 (2010) 采用C—D生产函数模型, 从行业和所有制角度对浙江省高新技术企业的自主创新效率进行了回归分析, 揭示了浙江省高新技术企业整体研发经费投入的产出效率高于科研人员的产出效率。杨晔 (2008) , 利用因子分析模型, 对2006年全国不同省份大中型工业企业自主创新投入、产出状况进行综合评价。朱玲, 党耀国, 王正新 (2008) , 根据灰色关联分析方法对江苏省“十一五”期间R&D投入结构进行优化设计。
总的来说, 国内学者关于R&D投入产出效率的研究, 从研究对象范围上看, 主要有宏观的, 立足于全国, 省市;有中观的, 立足于行业, 有微观的, 立足于某类型企业。从研究角度上看, 主要分横向的和纵向的比较分析。从研究方法上看, 主要有DEA效率评价模型, SFA分析法, 回归模型分析法, 因子分析法及灰色关联分析法等。
介于DEA效率评价模型是近年来衡量资源配置效率较为有效的方法, 本文将采用DEA效率评价模型, 对陕西省R&D投入产出效率与全国其它省市进行横向比较分析。
2 陕西省创新投入产出现状分析
2.1 创新投入方面
创新投入是指某地区为保持和提升创新能力而提供的物质资本、人力资源及相关政策支持。衡量创新投入能力的具体指标一般有:物质资本投入程度, 一般用R&D支出占GDP的比重来表示;人力资源投入程度, 一般有科技人力资源占就业人口数来表示。
2.1.1 物质资本投入。
创新投入中物质资本的投入程度一般用R&D强度来表示, 这里选取陕西省2007年至2011年的科技统计数据进行研究分析。
*数据来源, 2012年《中国科技统计年鉴》
如图1所示, 陕西省2007~2011年的R&D投入强度经历了一个先降低后增加到2009年达到五年中的最高值, 接着连续两年降低的一个过程。其中, 2009年陕西省R&D投入强度在全国31个省市自治区中排名第四, 仅次于北京、上海、天津三城市[9]。2011年全国排名中又落后于江苏, 位列第五, 但均高于每年的全国平均水平。而由数据可见, 陕西省科研投入强度基本达到在《国家中长期科学和技术发展规划纲要 (2006—2020年) 》中提出的到2010年全社会R&D投入占国内生产总值的比重提高到2.0%的水平。
2007~2011年的五年间, 陕西省GDP从5757.29亿元增长到12512.3亿元, 陕西省R&D经费内部支出从121.7亿元增长到249.4亿元, 可见无论是陕西省生产总值还是科研经费内部支出都呈现了逐年增长的态势, 而2008年、2010年和2011年中出现的R&D强度降低 (见图1) , 均由于R&D经费内部支出的增长速度落后于地区GDP的增长速度造成。此外, 代表国民经济的战略性先导产业—高技术产业2011年R&D经费内部支出占全省R&D经费总支出的比重为18.83%, 在全国范围内属于较高水平。由此可见, 随着陕西省五年来经济的不断发展, 其在科技创新方面一直保持了较高的投入水平, 体现了近年来陕西省对科技创新的重视。
*数据来源, 2010~2012年《中国科技统计年鉴》
表1中列举了2009~2011年三年间陕西省R&D投入中政府资金及企业资金的数额与比重, 在不考虑通胀的情况下, 三年中, 政府科研资金投入与企业科研资金投入总额呈逐年增加态势, 与此同时, 政府资金在全省R&D经费投入中所占的比重逐年减少, 而企业资金所占的比重逐年增加。其中, 以每一年的情况来看, 均为政府资金占比较多, 企业资金占比较少。对于多数发达国家来说, 其科技投入的资金中大部分源于企业, 如美国2009年的数据显示, 其R&D投入中有70.3%的资金来源于企业, 而来源于政府的仅为11.7%。这说明在发达国家企业作为重要科技主体之一, 其对科技创新的重视程度及自主性很强, 而陕西省作为经济处于中等水平的省份, 其科技创新还比较依赖政府投入, 虽然随着其经济的发展, 其企业资金占比的逐年增加, 但企业作为科技创新中最活跃主体的地位还未显现。
2.1.2 人力资源投入。
科技人力资源作为知识技术的重要载体和创新过程中的智力投入, 其重要地位显而易见。陕西省作为教育资源大省, 其人力资源储备也是相对比较充裕的, 但2011年陕西省在企业, 高校及研究与开发机构中投入科研人员数量占全省就业人员数量的比重为2.65%, 仅位列全国第十位。
2.2 创新产出方面
创新产出主要包括创新过程中的知识成果, 即专利、论文数, 与经济产出, 主要由技术市场成交合同金额及高技术产业新产品产值等来体现。
有效专利数是指调查单位作为专利权人在报告年度拥有的、经国内外知识产权行政部门授权且在有效期内的专利件数。因此, 以有效专利数作为一个年度内的知识成果指标是较为准确的。据2012年《中国科技统计年鉴》可知, 陕西省2011年的专利有效数为31544件, 排名全国第十八位, 每万人口中专利有效数为8.43件, 位居全国14位, 远低于全国平均水平, 其中发明型专利所占比例达到26.9%, 位居全国第五位, 只是总数略显不足, 而发明型专利中的高技术产业有效发明专利数仅位列全国第11位。此外, 陕西省2011年发表科技论文数59652篇, 每万人口发表科技论文数21.7篇, 位于全国第七位。
经济产出方面, 据2008~2012年《中国科技统计年鉴》中数据分析可知, 陕西省技术市场成交合同金额从2007年开始以每年大于50%的速度递增, 到2011年成交额达215.4亿元, 跃居全国第五位, 但较北京市的1890.3亿元和上海市的480.7亿元还差距悬殊。陕西省2011年高技术产业新产品产值为209亿元, 居全国第15位, 较上年增长30%, 但其占全国高技术产业新产品产值的比重从2007年的1.46%到2011年的0.97%呈总体下降态势。
总体来看, 近年来陕西省科技投入强度在全国范围内属于较高水平, 但科技产出方面除了科技论文数在全国排名靠前外, 人均专利有效数及代表经济成果的技术市场成交金额和高技术产业新产品产值等与国内其他省市自治区相比成果较不显著。
3 R&D投入产出效率模型分析
3.1 模型原理
根据2010年及2011年全国R&D资源清查的统计资料, 我们拟采用数据包络分析 (DEA) 方法进行比较研究。数据包络分析方法 (DEA, Data Envelopment Analysis) 由著名运筹学家A Charnes, W.W.Cooper和Rhodes于1978年提出, 该方法的原理主要是通过保持决策单元 (DMU, Decision Making Units) 的输入或者输出不变, 借助于数学规划和统计数据确定相对有效的生产前沿面, 将各个决策单元投影到DEA的生产前沿面上, 并通过比较决策单元偏离DEA前沿面的程度来评价它们的相对有效性。
本文选用DEA方法中的VRS模型, 即规模可变的DEA模型来衡量R&D投入和产出效率的问题。假设有n个部门, 每个部门作为一个决策单元 (DMU) , 每个决策单元都有m项投入指标和s项产出指标。
S-, S+为松弛变量, 代表投入冗余和产出不足量。
θ代表模型的最优解。
模型的经济含义为: (1) 当θ=1且S-, S+=0时, 则决策单元为DEA有效, 决策单元的经济活动同时为技术有效和规模有效, 即在这n个决策单元所组成的经济系统中, 该单元的投入与产出已经达到最优的组合; (2) 当θ=1且S-≠0或S+≠0时, 则称DMU0为DEA弱有效, 即在这n个决策单元所组成的经济系统中, 对于该单元的投入可以减少S-而保持原产出不变, 或者在投入不变的情况下可以将产出提高S+; (3) 当θ<1时, 则称DMU0为DEA无效, 即可以通过组合将投入降到原投入的θ比例而保持原产出不变。
DEA方法中的规模收益: (1) 当DMU的规模效率不变时, DMU达到了最大的产出规模; (2) 当DMU的规模效率递增时, 继续增加投入规模会提高规模效率; (3) 当规模效率递减时, 继续增加投入规模不会带来规模效率提高, 反而会使其减小。
3.2 模型应用
首先根据R&D活动的特点及指标的可获得性进行指标选取。本文选取: (1) R&D投入指标。R&D投入指标主要包括人力资源投入和物质资源投入, 选取科研人员, 即三大科技活动主体:研究与开发机构、规模以上工业企业及各地高等学校的研究人员总数作为人力资源投入;R&D经费内部支出作为物质资源投入。 (2) R&D产出指标。R&D产出指标主要包括科技成果和经济成果。科技成果由专利申请授权数及发表科技论文数来表示;经济成果由技术市场成交合同金额及高技术产业新产品产值来表示。由于科技投入对产出的影响存在滞后效应, 假定滞后期为1年。因此本文选取全国30个省市自治区 (不含西藏) 的2010年的R&D活动投入数据与2011年的R&D活动产出数据进行研究分析 (数据来源, 2011~2012年《中国科技统计年鉴》) 。
运用软件DEAP2.1进行数据分析, 得出结果, 其中, 综合效率代表各决策单元在相同规模的情况下的投入产出效率, 纯技术效率和规模效率则考虑到了不同规模情况下各决策单元的投入产出效率。由表2可知, 达到DEA有效的单元为北京、江苏、浙江、广东以及海南五个省市, 其纯技术效率和规模效率同时为1, 代表其经济活动同时为技术有效和规模有效, 其相应的规模报酬保持不变, 此时的投入产出效率为最佳状态。又见吉林、黑龙江、安徽、福建、湖北、重庆、四川等省市的纯技术效率为1, 但规模效率不为1, 这表示其技术效率在现有的规模下是最有效的, 但其规模效率并非最佳, 若处于规模报酬递减阶段则应当减少投入规模以使投入产出达到最佳规模状态;若处于规模报酬递增阶段则应该增加投入规模才可达到DEA有效状态。
由表2可见, 陕西省2010年的R&D投入与2011年R&D产出效率关系为, 其纯技术效率为0.982, 规模效率为0.671, 两者都不为1, 且处于规模报酬递减阶段。因此, 无论是其当前规模下的技术效率还是规模效率都未达到DEA有效。
由表3可知, 与生产前沿面相比, 陕西省在同样的投入情况下产出不足, 其中专利申请授权数量不足率 (即产出不足量与原产出量的比率) 为21.17%, 高新技术产业新产品产值不足率为46.34%。这表示, 与生产前沿面相比, 陕西省在同样的投入规模下, 产出量过低, 主要体现在专利申请授权数量与高新技术产业新产品产值两个方面。因此, 应通过适当减小投入规模, 即投入减少1.84%且保持产出不变, 或提高技术效率, 在投入不变的情况下使产出增加, 来达到最佳效率。
4 提高陕西省科研投入产出效率的几点建议
由上述分析可知, 造成陕西省2011年产出效率低下的主要表现为:首先, 高新技术产业产出率过低, 发展还不完善。其次, 专利产出数量不足, 未形成良好的社会创新氛围。解决这些问题, 有以下几点建议:
4.1 构建以政府为引导、政策调控和市场调节相结合的环境支撑体系
首先, 调整政府支持R&D活动的范围, 建议政府逐步退出竞争性领域, 加强对公益性领域的支持 (如农业、环境、能源、健康等) , 重点支持具有基础性、公共性和外溢性特点的R&D活动。政府在企业自主创新中的作用, 就是创造需求环境, 鼓励供给, 维护企业自主创新的主体地位, 持续推进要素市场的发育和完善, 形成要素的有效定价机制, 通过基础设施提供和体制制度创新来促进要素市场的完善。通过产权制度改革和交易方式改进来形成更多具有效率的微观市场主体, 通过行政性管制的放松和行政性垄断的消减来增强要素市场活力。通过市场力量的“倒逼机制”, 提高企业科技创新的自主性。
4.2 加强知识产权保护﹑创造良好的社会创新氛围
相比实物资产, 知识产权更易受盗版、侵权的冲击, 若无有效保护机制, 即使成功的技术创新也很难获得较好的效益, 进而损害了社会创新的原动力和激情, 而对个人、企业来说, 进行知识产权保护的成本过高, 所以复制别人的创新成果就显得更加有利可图, 这种局面一旦形成, 社会创新的积极性便会被挫伤。加强对知识产权的保护是促进社会形成良好创新环境的必要条件之一, 陕西省专利产出效率相对较低, 作为政府部门, 应当为加强知识产权保护创造良好的制度环境和激励机制, 鼓励社会创新, 提升社会创新能力及水平。
4.3 大力发展高新技术产业, 形成并发挥其产业集群效应
高技术产业是指用当代尖端技术生产高技术产品的产业群。是研究开发投入高, 研发人员比重大的产业。高技术产业发展快, 对其它产业的渗透能力强。高技术产业代表了一个地区的科技前沿。陕西省高技术产业新产品产值水平相对过低, 说明其高技术产业发展还不成熟, 未能体现其经济效益, 因此大力发展高新技术产业, 也是目前陕西省面临的重要课题。这就要求政府要科学规划, 积极推动高新技术产业集群式发展, 以高新区、经济区、民营区为载体, 着力培育有广阔发展前景的高新技术产业集群。
摘要：采用数据包络 (DEA) 效率评价模型, 基于2010年、2011年全国各省R&D投入产出数据, 对陕西省2011年R&D投入产出效率进行比较分析, 并对于如何提高陕西省R&D资源利用效率提出建议。
关键词：陕西省,R&,D投入产出,效率
参考文献
[1]穆智蕊.基于超效率DEA模型的北京R&D投入绩效评价[J].科技进步与对策, 2012, (03) :117-120.
[2]傅晨, 姚婷, 骆芳芳, 曾亿武.R&D活动的产出效率分析—基于广东省的个案研究[J].桂海论丛, 2012, (06) :62-66.
[3]罗玮.南京市R&D投入产出效率研究[D]南京:南京财经大学, 2012:1-94.
[4]王苗.陕西省R&D效率评价与比较研究[D].西北大学, 2012:1-53.
[5]严焰, 徐超.浙江省高新技术企业自主创新投入产出效率研究[J].现代物业, 2010, (10) :40-42.
[6]杨晔.我国省际企业自主创新投入产出效率的综合评价[J].经济管理, 2008, (09) :25-29.
[7]朱玲, 党耀国, 王正新.江苏省“十一五”期间R&D投入结构优化模型[J].研究与发展管理, 2008, (05) :96-101.
[8]中国科协发展研究中心, 国家创新能力评价研究课题组.国家创新能力评价报告[M].科学出版社, 2009:6-9.
[9]国家统计局, 科学技术部.中国科技统计年鉴-2012[M].中国统计出版社, 2012.
D产出水平 篇6
一、河北省R&D活动投入表现
增加科技投入是提高科学技术水平, 增强一国或地区竞争力的战略措施。R&D经费是科技投入经费的核心部分, 国内外通常用一国或地区R&D经费的投入规模、投入强度来衡量该区域对R&D活动的投入是否充分。
1. R&D经费投入规模与投入强度
河北省投入R&D活动的经费规模由2000年的26.3亿元, 增加到2006年的76.7亿元, 特别是从2004年以来, 每年的增长率都在30%以上。此外, 根据统计数据, 我们计算了2000-2006年河北省R&D活动经费占河北省GDP的比重 (即R&D活动经费投入强度) , 计算结果显示2006年以前, 河北省的R&D活动经费投入强度均在0.5%左右, 2006年达到0.66%, 与其他省份相比, 河北省的R&D经费投入强度较低, 甚至低于全国平均水平。我国自2002年以来R&D经费投入强度就已经超过了1%, 2006年达到1.4 2%, 相比而言, 河北省的投入强度还不到全国投入强度的一半。另外, 地方财政科技拨款占地方财政支出的比重显示出河北省地方财政对科技的投入出现缩水的现象, 从2 0 0 0年的1.6 3%下降到2006年的1.14%, 而全国地方财政科技拨款占地方财政支出的平均水平却由2001年的1.96%, 上升到2006年的2.22%。
2. R&D人员投入
人员是R&D活动开展的重要资源, 近年来河北省R&D活动人员数量逐年增加, 2005年全省科技活动人员总数为12.32万人, 比2000年增长了22.2%, 其中科学家和工程师8.39万人, 并且科学家和工程师的数量占科技人员的比重一直保持在6 0%以上, 这说明河北省R&D人员投入量在持续增加的同时, 高素质人员众多。2006年全省每万人口中有19名科技活动人员。2006年河北省反映从事R&D活动人员数量的R&D折合全时人员达到4.4万人年, 较2000的2.9万人年, 增长了50%以上, 这些数据说明河北省在R&D活动人员方面的投入有显著上升。
二、河北省R&D活动产出表现
R&D活动的产出成果形式多样, 通常选取的衡量指标有专利申请数与授权数、科技成果项目、科研论文数、技术市场成交额、规模以上工业企业增加值中高技术产业份额等。统计数据显示2000年～2006年河北省专利申请与授权数量平均每年以约10%和5%的速度增长;2000年科技成果1223项, 2005年1750项;国内外中文期刊论文发表数量从2000年的401篇, 增加到2006年的10283篇, 增长了24倍;技术市场成交额方面也显示出连续增长的趋势。然而, 值得注意的是河北省规模以上工业企业增加值中高技术产业比重却呈现了连续下降, 由2000年的4.68%降到了2006年的2.81%, 同时高技术产业规模以上企业产值占全国比重也由2000年的1.53%下降到2006年的0.7%。在区域经济的创新与可持续发展中, R&D活动的作用也在于降低生产的能源消耗水平, 因此万元GDP综合能耗也成为反映R&D活动产出的指标。河北省产业结构决定了其较高的能源消耗水平, 2005年以来河北省的万元GDP综合能耗出现明显下降, 2006年万元GDP综合能耗为1.895吨煤, 比2005年的1.96吨煤/万元GDP, 下降了3%, 这说明在节能减排方面河北省取得了良好的开端。
从河北省R&D活动投入指标纵向比较来看, R&D活动资金与人员投入数量均在增加, 但R&D活动产出指标结果并不都是在增加, 特别是在能够体现科技成果转化为现实生产力的高技术产业、新产品产值等方面, 河北省均显示出较低的水平。因此, 对河北省R&D活动效率进行综合分析, 有利于河北省R&D资源的高效利用, 合理配置科技资源, 进而推动区域创新能力的提高与区域经济的可持续发展。
三、河北省R&D活动投入-产出效率分析
数据包络分析 (DEA) 是以相对效率分析为基础对同类多指标投入、多指标产出经济系统的相对有效性进行评价的一种方法, 具有很强的客观性。我们将河北省R&D活动系统 (某一时间或某一时段) 视作DEA中的一个决策单元, 对R&D活动效率进行评价。
1. 指标的选择
在效率评价中, 指标的选择是评价结果准确的重要前提, 指标选择常用的定性方法, 对评价者所掌握的相关知识有较高的要求, 使评价受到一定的局限。因此选用科学合理的统计方法对评价指标进行选择有利于评价工作的进行。本文采用吴和成、刘思峰利用主成份法与相关分析法筛选得到的R&D活动投入与产出指标为评价指标。R&D活动投入指标:R&D经费支出/GDP比重、R&D折合全时人员、地方科技拨款/地方GDP;R&D活动产出指标:科技论文数、发明专利授权数、技术市场合同成交额、规模以上工业企业增加值中高技术产业比重。
2. 模型的构建
模型是DEA的第一个模型, 但其未考虑产出对投入的滞后性, 因此大量研究对模型进行了改进, 本文运用改进后的模型对R&D活动投入与产出效率进行评价。
其中, k是产出相对于投入的滞后期。借助于多元回归线性的回归系数R2, 测定得到产出指标相对于投入指标的滞后期, 即K1=1, K2=K3=K4=2。根据以上模型计算得到θ*, 若θ*=1, 且每一个s-, s+都为0, 则决策单元为DEA有效, 反之为无效。
3. 计算结果
利用2000年～2006年科技统计数据, 得到河北省2002年～2006年R&D活动投入与产出DEA效率值:
2002年～2006年河北省R&D活动的DEA值均未达到1, 模型计算结果反映出河北省近几年来R&D活动的投入与产出并不完全相对有效, 说明R&D活动的投入并未实现产出的最大化, 存在一定的投入剩余。运用D E A模型中的投影公式计算得到河北省非DEA有效的投入剩余值。在2002年～2006年反映投入强度的R&D经费支出/GDP比重的剩余量平均约为12%左右, 投入的R&D人员平均剩余量约为30%左右, 地方科技拨款/地方GDP平均剩余量约为13%左右, 计算结果进一步说明了河北省2002年～2006年R&D投入与产出活动的相对非有效。
通过以上分析, 我们发现尽管河北省自2000年以来, 对R&D活动的投入量持续在增加, R&D活动的部分产出成果数量每年也有一定的增长, 但R&D活动的效率并不高。这主要是因为R&D资源未能充分利用, 投入的经费、人力资源存在较大的剩余, 生产力的转化效率过低。因此, 在今后的发展中, 河北省在强调R&D活动投入资源数量增加的同时, 应较多地关注R&D产出和转化的问题, 即通过提高投入与产出的转化效率, 优化科技资源配置, 提高R&D活动的产出成果数量, 积极有效地促进河北省经济的可持续发展。
参考文献
[1]魏权龄:评价相对有效性的DEA方法[M].北京:中国人民大学出版社, 1998
[2]于瑛英:我国区域R&D效率评价研究[J].经济论坛, 2006, (24)
[3]吴和成 刘思峰:基于改进DEA的地域R&D相对效率评价[J].研究与发展管理, 2007, (2)
[4]赵海娟 程红莉:R&D活动在东、中、西部的差异性分析[J].经济纵横, 2007, (3)
[5]许晓雯 蔡 虹:区域R&D投入绩效评价测度体系研究[J].科学学与科学技术管理, 2003, (5)
D产出水平 篇7
目前,我国越来越多的企业采用了研发合作的形式开展研发活动,我国的各级政府也在采取各种措施推动企业参与 “产学研” 合作项目。原因有三: 其一,我国许多企业的技术创新实力还不够强, 特别是中小企业,这些企业虽然具有了一定的R&D能力,但往往受限于经验、资金及人才等筹措能力的限制,无力进行庞大而复杂的R&D项目; 其二, 产品竞争日益激烈且产品的生命周期不断缩短,企业独自开发新产品所需的R&D费用过大、承担的风险过高,通过R&D联盟共同分担R&D所需的成本及风险,可增强其 在市场上 的竞争优 势; 其三, R&D投资具有外部性,虽然其经由知识和技术扩散可带动整体及相关产业的技术进步,但外溢效应的存在,使得企业R&D创新所获得的利益,并不能完全被该企业内部化,这影响了企业R&D投资的动机。通过形成R&D联盟,将R&D活动所产生的外部利益内部化,可促进企业R&D投入,带来更大的技术进步。那么,企业的研发合作是否提高了企业的创新绩效呢? 本文试图 通过考察R&D合作在R&D投入与专利产出之间的调节作用,探讨R&D合作是否促进了企业的创新绩效? 以及解答竞争性R&D合作和非竞争性R&D合作是否存在差异的问题。”
2理论分析及研究假设
2. 1 R&D合作类型
根据企业不同的R&D合作对象,可以将R&D合作划分为不同的类别,一些学者 ( 杨梅英等[1], 2009) 将其分为三类: 横向合作 ( 与竞争对手和其它企业合作) 、纵向合作 ( 与供应商和客户合作) 、社会合作 ( 与高校和 科研院所 合作) 。Tsang[2]( 1999) 则将其分为竞争性合作和非竞争性合作。竞争性合作是指在合作中存在着学习竞赛,在学习竞赛中获胜的一方占据主导地位,其被描述为输 - 赢游戏。而非竞争性合作则是指在合作中,合作各方并不是直接的竞争对手,或者说尽管是竞争对手, 但他们并没有将竞争的状态带入合作中,在可预见的将来,合作者并没有竞争的意图,而是在各自的领域内提高他们的技术实力,非竞争的合作带来的是一个双 赢的局面。 本文内容 遵循了Tsang[2]( 1999) 的分类方法,将与高校和科研院所的合作定义为非竞争性合作,与其它企业的合作则定义为竞争性合作。
2. 2吸收能力、R&D投入及R&D合作
Cohen和Levinthal[3]( 1990) 提出,吸收能力是企业识别、评价、消化和利用外部新知识的能力, 是先前创新活动和问题解决的副产品 ( by - product) ,依赖于组织成员的个体吸收能力。 Zahra和George[4]( 2002) 结合动态能力理论,提出了潜在吸收能力向现实吸收能力转化的过程模型。在模型中,外部知识来源与组织过去的经验显著地影响企业潜在吸收能力,该潜在吸收能力存在一个向现实吸收能力转化的过程,而现实吸收能力的提升使得企业在柔性、创新和绩效方面的竞争优势得以加强。
一般认为,企业内部R&D投入可以理解为企业知识吸收能力的程度,内部R&D的努力,如训练计划、个体或者组织内部之间的交流强度都会影响到企业的知识获取能力,这一能力是企业评估、模仿和利用外部新知识的能力。这样,一个拥有较高R&D强度的企业,其吸收能力更强,那么他们也能更好地利用外部的知识和资源,拥有更好外部新知识能力的企业可以更好地利用R&D合作获取的外部新知识,因此,R&D投入较大的企业更容易实施R&D合作。
已有一些研究成果通过考察企业R&D合作与专利产出之间的关系探讨了R&D合作的效应 ( Baum et al . 2000 ) 。这些研究假定在企业同时参与一种R&D合作的基础上,研究了企业R&D合作和专利产出之间的关系,譬如,Belderbos et al[6]. ( 2006 ) 研究了企业同时与不同R&D合作方合作的效率情况,Un et al[7]. ( 2010) 考察了四种不同的R&D合作类型 ( 高校、供应商、顾客、竞争者) 对企业产品创新的影响,但这些研究没有考虑企业外部R&D合作和企业内部R&D能力之间的整合效应如何影响到企业的专利产出以及不同类型的R&D合作类型对企业创新产出的联合效应 ( 共同效应) 。
2. 2. 1非竞争性R&D合作与专利产出。以前的研究表明了企业和高校及科研院所的非竞争性R&D合作可以对企业的专利产出产生积极的直接的作用 ( Nieto and Santama[8],2007) 。高校和科研院所在可预计的将来并没有意图和企业在同一个市场中进行竞争。这样,从这些R&D合作方中获取的知识对企业的内部创新起到了补充和强化的作用。这样,企业和非竞争对手之间的R&D合作可以对企业的专利产出产生一个直接的积极影响。为此,提出假设1。
假设1: 非竞争性R&D合作在R&D投资和专利产出之间起到了正向调节作用;
2. 2. 2竞争性R&D合作与专利产出。和非竞争对手之间的R&D合作对企业专利产出起到了正向的积极作用,而和竞争对手之间的合作则对企业专利产出起到了负面的影响 ( Nieto and Santama ,2007) 。 以前的研究表明,和直接竞争对手之间的R&D合作是比较难以管理的 ( Hamel[9],1989) ,并且也容易引起学习竞赛。那些学习速度快的企业会主导这种关系并通过R&D合作成为一个较难逾越的竞争者。 他们可以将R&D合作中获取的知识内部化,从而更容易建立超越竞争对手的竞争优势。这表明在与竞争对手进行R&D合作中,面临着更多的技术溢出风险。由于知识共享和溢出,R&D合作的参与者会采取一些措施管理其知识。没有这些管理措施,竞争R&D合作就产生更高的机会成本, 通常情况下, R&D合作各方所采取的措施会产生一个不满意的结果。然而,一个合作方的工程技术人员可以通过和竞争对手R&D人员的合作获得一些有用的信息,因此,即使在项目层面或者公司层面,R&D合作并没有成功,工程技术人员之间学习能力的提高也可以为其他R&D合作创造价值。这样,竞争性R&D合作的正面溢出效应有多大,取决于企业探索和整合知识的能力,这些在R&D合作中获取的知识对于企业内部的R&D合作是非常有用的,并且也会产生更高的专利产出。当然,这种效应会影响到R&D合作的各方。所以,本文认为,竞争性的R&D活动会产生一个间接的正面的作用,而竞争性R&D合作在企业R&D投入和专利产出之间产生一个正面的调节作用。
为此,提出假设2。
假设2: 竞争性R&D合作在R&D投资和专利产出之间起到了正向调节作用;
2. 2. 3竞争性R&D合作与非竞争性R&D合作的效应比较。本文认为,非竞争性R&D合作在R&D投入和专利产出之间的调节作用要比竞争性R&D合作的强。如前所述,竞争性R&D合作中的机会主义行为阻碍了企业在R&D合作中投入更多的资源,更有甚者,将合作方的杰出科学家和工程技术人员挖走。这些行为阻碍了创新投入和专利产出之间的关系。相对来说,在非竞争性R&D合作中,共同的利益和目标则鼓励了R&D合作各方充分展开信息和知识的共享和交流。这样,本文认为,非竞争性R&D合作的调节作用比竞争性R&D合作的调节作用要强一些。
为此,提出假设3。
假设3: 非竞争性R&D合作比竞争性R&D合作的调节作用要高基于以上论述,构建的模型如下图1所示:
3研究方法
为验证以上提出的假设,本文手工收集整理了我国深圳中小板上市企业在2006 - 2011年间的R&D投入、R&D合作及R&D投资绩效相关数据,并运用了负二项式回归检验了以上提出的假设。
3. 1样本公司和数据搜集
本文内容的研究对象同样是深圳中小板上市企业,选择的理由: 其一,中小板上市公司规模较小, 主导产品较为突出,R&D活动对企业的长期发展更为重要; 其二,目前深圳证券交易所要求中小板上市企业披露其创新活动,绝大部分企业都披露了最近几年的R&D投入情况。这样,可以较为容易的获取企业R&D投入数据。
本文主要选取了披露R&D合作信息的上市企业。采取了仔细阅读年报的方式,方法是输入查找 “R&D合作”,这样,我们就获取了企业是否参与R&D合作的信息,并通过定位获取该R&D合作是竞争性的R&D合作还是非竞争性的R&D合作,此外,我们对于没有定位到的企业,也采用了百度搜索的形式,将公司的 “名称”和 “R&D合作”作为搜索词汇,确定其是否有参与R&D合作的信息。所选择的时间跨度为2006 - 2011年,这样,我们总共得到了215个样本。
由于研发合作数据属于非强制性披露的信息, 所以当上市企业没有披露研发合作数据时,有两种可能: 一是该公司没有参与研发合作; 二是该公司有研发合作行为但没有披露,由于我们无法区分这两种原因导致可能存在样本选择偏误。这里采用了一介ANOVA函数分析了基于企业规模 ( 企业平均每年的营业收入) 基础的三个子样本,分析表明三个子样本之间不存在系统性偏差 ( F = 1. 452,P > 0. 1) ,这样,就解决了选择性偏差的问题。
3. 2变量测定
3. 2. 1因变量: 专利产出。本文将专利作为企业创新绩效的一个测定标准。考虑到R&D投入和R&D创新绩效之间存在一个时滞,我们将R&D投入取值区间定义为2006 - 2010; R&D投资绩效的取值区间定义为2009 - 2011年。
3. 2. 2自变量: R&D投入。企业的R&D投入可以采用R&D费用以及R&D人员的数量来测定,R&D费用包括了设备和人员工资成本的各项支出,由于本项研究集中于探讨企业的内部R&D能力与外部R&D合作之间的关系,而R&D人员占企业员工的总数可以较为完整反映企业的创新能力或者说知识吸收能力水平 ( Fritsch and Lukas[10],2001) ,一个企业的内部R&D可以采用全时科学家和工程技术人员的数量来测定,人力资本是企业创新成功的关键 ( Miyazaki[11],1995) ,Scherer[12]( 1965) 曾以企业技术人员 的数量作 为企业创 新投入的 指标, OECD[13]( 2002) 以一个国家科学家或者工程师的数量来测定其技术人力资源。这样,以R&D人员的数量和质量作为R&D投入的指标更具有合理性。并且,R&D资金投入及R&D资金强度和技术人员的数量和比重具有较大程度的相关性,同时使用两个指标测定没有太大必要。因此,本文内容以2006 2010年企业平均在岗的技术人员为测定基数,计算R&D人员投入强度,即技术人员占企业全部职工人数的比重。
3. 2. 3调节变量: 竞争和非 竞争性R&D合作。 R&D合作的类型是我们研究的调节变量,本文研究主要回答不同类型的R&D合作对企业创新绩效的调节作用。基于以前研究 ( Un et al[7],2010) ,我们考察了三种不同类型的R&D合作类型: 和高校和研究机构的非竞争性R&D合作,和其他公司的竞争性R&D合作。一般来说,企业外部R&D合作的贡献一般采用外部R&D合作者的数量来测定 ( Decarolis And Deeds[14],1999) ,但在数据的获取方面,要确定R&D合作者的数量存在一定的困难,因此我们借鉴Un et al[7]( 2010) 和Kuo - Feng Huang al ( 2011)[15]采用的方法,考察企业在2006 - 2010年是否参与了三种类型的R&D合作: 高校和科研院所合作以及竞争性企业R&D合作。这样,就产生了一个哑元变量,1表示有合作,0表示没有合作。与高校合作我们以UC表示; 与科研院所合作我们以RC表示, 与企业合作我们以FC表示。
3. 2. 4控制变量。第一个控制变量为企业规模,众所周知,大企业拥有较多的资源开展R&D投资活动,这会影响到企业R&D投资与绩效之间的关系 ( Finkelstein and Hambrick[16],1989) 。本文将企业规模作为控制变量,一般来说,用营业收入或者总资产规模的自然对数来表示企业规模,本文则用总资产的自然对数表示企业规模,因为R&D投资强度指标是用营业收入作为分母,为了做到较好的区分, 这里用2006 - 2010年间平均资产的自然 对数来测定。
第二个控制变量为行业,专利产出在很大程度上受到企业所处行业的影响。行业因素对于专利产出的影响主要来自于资产专用型或者说企业能够将R&D投资所带来的利益内在化的程度受行业的影响,可以说,不同的行业,其R&D投资的外溢程度是不同的,企业自身从R&D投资中获得的收益程度是不一样的。本文的行业分类是在深圳证券交易所分类的基础上进行了重新分类。共引入了8个行业。
第三个控制变量为竞争强度 ( 以CI表示) ,行业的竞争强度影响到了企业的创新活动。在本文研究中,以行业内的平均毛利率为测定变量,高的毛利率表示竞争强度较弱,而低的毛利率表示竞争强度较大。
表1列示了变量定义表。
3. 3研究模型
由于我们的因变量是专利产出,该变量属于离散性变量,这里采用普哇松回归处理这类变量。但普哇松分布都是假定方差和均值都是相同的,如果方差超过了均值,就产生了过度离散的问题。因此, 在以前的研究中,采用的负二项式回归模型,能够克服样本过度离散问题以及变量省略的问题 ( Keil et al[7],2008) ,这里我们采用了负二项回归模型来检验我们的假设。
为了测定R&D合作的调节效应,本文采用了分层回归的方法验证了研发合作对研发投入与专利产出关系的影响作用。共分为三个步骤: 其一,先做R&D人员投入强度与专利产出之间的回归,其二, 引入研发合作作为自变量,其三,引入研发合作与研发人员投入强度的乘积作为自变量。基于以上分析步骤,本文构建了4组回归模型,第一组回归模型是基本回归模型,考察专利产出与控制变量之间的关系; 第二个回归模型用来考察专利产出和企业R&D人员投入之间的关系; 模型3,5,7用来检验不同类型的R&D合作模式对专利产出的直接影响; 模型4,6,8用来检验外部R&D合作的调节效应。 最后,我们采用了一个配对的T检验来考察竞争性R&D合作和非竞争性R&D合作对企业创新绩效的调节效应的差异。
4实证分析
4. 1统计描述和相关系数
样本的统计描述表明,大约近40% 的企业存在着和高校 ( 产学研) 、科研院所、竞争对手的R&D合作行为,其数目分别为128、94、53。
表2列示了三种不同类型R&D合作的交叉分析表,由表2,我们可以看到,在215家存在R&D合作行为的企业中,同时参与企业合作和科研院所合作的企业有30家; 同时参与企业合作和高校合作的有34家; 同时参与科研院所合作和高校合作的有67家,同时参与 三者合作 的有19家, 这表明了69. 77% 的样本企业同时进行了多种R&D合作行为。
表3列示了215家样本企业的描述性统计结果, 表3中的企业规模是总资产的自然对数,其均值为12. 67,R&D强度 ( 技术人员占全部员工的比重 ) 的均值为0. 14,表3也列示了以上这些变量的相关系数。结果表明,在这些调节变量之间也存在一些相关关系,为了考察这些关系是否会产生多重共线性的问题,本文计算了各因素的方差膨胀因子VIFs, 其中最大的VIFs为2. 912,远低于上限值10,这说明并不存在显著的多重共线性问题。
注: N = 215,***,**,*分别表示显著水平为 0. 01,0. 05 和 0. 10。
4. 2实证结论
注: N = 215,***,**,*分别表示显著水平为 0. 01,0. 05 和 0. 10。
4. 2. 1 R&D人员投入与专利产出之间的关系。上表4表示专利产出的回归结果。表4的模型2表示企业R&D投入和企业专利产出存在显著的正相关关系 ( B = 3. 122,P < 0. 01) ,这表明,R&D人员的投入提高了企业创新的技术绩效,这也印证了以前的研究结论,即企业技术员工的数量与素质和企业创新的技术绩效之间是成正相关关系的 ( Sakakibara and Dodgson[18],2003) 。
4. 2. 2 R&D合作类型、企业规模与专利产出之间的关系。表4中的模型3和模型5表明,企业和高校及科研院所的R&D合作与专利产出之间存在显著的正相关关系 ( B = 0. 695,P < 0. 01; B = 0. 471,P < 0. 01) ; 模型7则表明,企业和其他企业的R&D合作与专利产出之间的关系并不显著,其相关系数分别为 ( B = 0. 171,P > 0. 1) ,以上情况表明,我国目前推行的产学研合作对我国企业的技术创新活动起到了较好的作用,特别是在专利申请、新产品研发方面较为显著。表4的所有9个模型中,企业的规模和专利产出均表现为正相关关系,印证了熊比特 ( 1942) 有关大企业更容易实施创新的结论。
4. 2. 3不同R&D合作类型的调节效应。为了检验不同类型R&D合作对R&D人员投入与专利产出关系的调节效应,本文采用了负的二项回归模型 ( 模型4,6,8) 。表4中,R&D人员投入和高校合作以及R&D人员投入和科研院所合作的交互作用与专利产出之间的关系均为显著正相关关系 ( B = 1. 871,P < 0. 01; B = 0. 920,P < 0. 01 ) ,这一结果表明,非竞争性的R&D合作在创新的人员投入和专利产出之间起到了积极的作用,这支持了假设1。同时,与其它企业的竞争性R&D合作与创新投入的交互项与专利产出之间也存在显著正相关关系 ( B = 0. 761,P < 0. 01) ,这表明了竞争性R&D合作同样提高了企业的专利产出,支持了假设2。
综上,得到的结论如下: 企业R&D人员可以从竞争性R&D合作和非竞争性R&D合作中提高其学习的水平,从而增强创新效率,提高R&D投入的绩效。
为了说明竞争性R&D合作和非竞争性R&D合作调节作用的差异,本部分进一步采用了配对的T检验以考察竞争性R&D合作和非竞争性R&D合作对于企业R&D投入和专利产出之间调节效应的差异。结果表明,和高校合作的调节效应显著高于和竞争对手合作的调节效应 ( T = 1. 582,P < 0. 05) 。 然而,和高校合作的调节效应及与研究机构合作的调节效应差异不大 ( T = - 0. 029,P > 0. 1) 。这支持了假设3。
5讨论和分析
5. 1 R&D投入和R&D合作
本文的实证结果表明,企业的创新投入和专利产出之间表现为正相关关系。这表明,企业有能力通过自主创新的投入提高其创新的效率和水平,由于自主创新可以提高企业自身的学习能力和经验 ( Cohen and Levinthal[3],1990) ,因此,自主创新对企业非常重要,具有自主创新水平的企业在创新活动中更有效率。实证结果同样表明了企业的创新绩效也可以通过企业的R&D合作予以提高,当然,在实践中,企业管理者可以自由决定R&D合作的对象,在本文的统计结果以及相关调研中,我们发现,企业选择高校和科研院所作为R&D合作对象的还是占到了绝大多数, 企业选择高校和科研院所的原因有二: 其一,有政府的推动,目前,我国产学研合作较为广泛,地方政府和中央政府出台了较多的完善产学研合作相关的法律法规,为产学研合作提供了良好的政策环境,同时, 也强化了对产学研合作的宏观调控,许多地方政府成立了产学研合作的专门机构,负责组织和协调产学研合作工作,并鼓励和支持高等院校、科研院所与企业在产学研方面开展有效联合,为企业的技术创新提供可靠的技术支持; 其二,与高校和科研院所合作属于非竞争性合作,不会将竞争性和侵略性的状态带入合作过程 ( Tsang[2],1999) ,企业可以更好地利用溢出效应提高创新的绩效。当然,本文也发现,与其他竞争性企业的R&D合作在一定程度上也提高了企业的创新绩效。
5. 2竞争性R&D合作和非竞争R&D合作的调节效应
一般而言,拥有较丰富人力资源的企业,其吸收消化能力较强,也更容易对外部的知识进行吸收、 消化和整合 ( Zahra and George[47],2002) 。拥有更多人力资源的企业,可以更好进行自主创新,也可以更好从企业外部获取知识。本文在考察了企业不同类型R&D合作对企业创新绩效的调节作用以后, 发现竞争性R&D合作和非竞争性R&D合作都可以提高企业的创新绩效,特别是竞争性R&D合作可以更显著地提高企业的创新能力,从而提高其创新绩效。这一结论较为重要,这表明企业可以从竞争对手的合作中获取互补性的知识。与以前的研究不同, 本文提供了一个不同的视角,以前的研究表明,竞争性的R&D合作对企业创新绩效产生了一个负面的影响。而本文研究结果表明,竞争性R&D合作对企业创新绩效产生了一个积极的影响。竞争性R&D合作对企业绩效的直接相关关系证实了企业内部R&D投入和创新绩效之间的间接关系。
以前的研究表明,企业选择的R&D合作伙伴是基于这些 被选合作 伙伴所拥 有的资源 ( Nooteboom[9],1999) ,也有研究表明企业选择R&D合作伙伴会从保持其自身资源和维持其竞争力的角度考虑 ( Lin ,2003) 。企业为了保护其知识,可能会选择特定的合作伙伴以避免R&D知识的泄露。企业在竞争性R&D合作中为了保护有价值的知识可能会派出特定的R&D人员去学习外部的知识。这表明竞争性R&D合作对企业的创新绩效可能会产生一个积极的正溢出效应。尤其是那些拥有机会行为的企业以及那些具有较强学习动机的企业。这一结论为R&D合作描绘了一个双赢的局面。和非竞争对手合作, 合作各方可以享受到各种直接和间接的益处,和竞争对手合作,合作各方可以享受间接的益处。这也解释了为什么很多企业,在明知道竞争性R&D合作存在负面影响的情况下,仍然进行竞争性R&D合作的原因。他们明白,在缺乏保证措施以及诚信机制的情况下,R&D合作失败的几率很高,但他们更多的是期望能够从R&D合作中获取更多的知识,从而能够提高创新的效率。举例来说,在上个世纪80年代,IBM和微软公司在操作系统方面是竞争对手, 但在初始的开发阶段,他们却相互开展合作。在合作过程中,双方的研究人员相互学习,尽管这种合作可能并不成功,但最终微软公司在合作中学习到了更多的有价值的信息,这个例子表明了企业竞争导向的合作可能产生积极的效应,通过增强企业内部R&D的能力从而提高企业的创新绩效。
摘要：以深圳中小板上市企业为样本,研究研发合作是否促进了企业创新绩效的提高?竞争性研发合作和非竞争性研发合作的作用效果是否存在差异?实证结果表明,竞争性研发合作和非竞争性研发合作在研发投入与专利产出之间都起到了正向调节作用,并且,非竞争性研发合作的调节效应要强一些。