小伙伴们反映都在为论文烦恼，小编为大家精选了《DEA的技术创新论文(精选3篇)》，供大家阅读，更多内容可以运用本站顶部的搜索功能。摘要：本文简单回顾国内外技术创新效率的研究现状，建立东部沿海十省市的技术创新效率评价指标体系，利用数据包络分析的CCR和BCC模型测算了2006—2010年东部沿海十省市的综合效率、纯技术效率、规模效率和规模收益趋势。结果表明：（1）东部沿海十省市的技术创新效率总体较高，但我国经济最发达的北上广地区，技术创新效率并不是最高。
DEA的技术创新论文 篇1：
基于主成分分析和DEA的企业技术创新能力评价
[摘要]针对传统企业技术创新能力评价方法的局限性,提出一种基于主成分分析和DEA的企业技术创新能力评价模型。首先選取企业技术创新能力的投入产出指标,然后用主成分分析法提取出影响技术创新能力的主要因子,最后用DEA的方法对技术创新能力进行得分计算和排序。
[关键词]主成分分析 数据包络分析 技术创新能力
一、引言
企业技术创新能力是指企业在技术创新活动中表现出来的直接影响技术创新效果的特征。企业技术创新能力决定了企业的核心竞争力,已经成为企业生存和发展得主要决定因素之一。因此,科学、系统、有效的对企业技术创新能力进行评价,对于增强企业核心竞争力和提高企业经济效益都具有重要意义。
目前对企业技术创新能力进行评价的方法和工具已经有很多。单红梅运用模糊数学中综合判断方法,对企业技术创新绩效进行整体的分析和综合评判,并运用“最大隶属度”原则,评价出企业技术创新绩效的优劣;杨智勇,覃锋提出了企业技术创新能力评价的因果关系模型,利用结构方程模型对评价指标间的因果关系进行了建模和求解;曹萍,陈福集针对评价指标间存在反馈的特点,应用网络层次分析法(ANP)对企业的技术创新能力进行了评价;王丹针对传统企业技术创新能力评价方法的局限性,提出一种基于DEA和熵值法的企业技术创新能力评价模型。
以上的这些评价方法或模型一般存在着指标难以量化或者数据不以获取的局限性,本文将主成分分析和数据包络分析两种方法引入到企业技术创新能力的评价中,简化了指标体系,首先选取技术创新能力投入产出指标,然后用主成分分析法提取出影响技术创新能力的主要因子,最后运用DEA方法进行得分计算和排序。
二、研究方法
主成分分析法(Principal Component Analysis, PCA)是一种数学变换的方法,利用降维的思想,把多指标转化为少数几个综合指标。在实证问题研究中,为了全面、系统地分析问题,我们必须考虑众多影响因素。这些涉及的因素一般称为指标,在多元统计分析中也称为变量。因为每个变量都在不同程度上反映了所研究问题的某些信息,并且指标之间彼此有一定的相关性,因而所得的统计数据反映的信息在一定程度上有重叠。在用统计方法研究多变量问题时,变量太多会增加计算量和增加分析问题的复杂性,人们希望在进行定量分析的过程中,涉及的变量较少,得到的信息量较多,主成分分析正是适应这一要求产生的。
1978年由著名的运筹学家A.Charnes,W.W.Cooper和 E.Rhodes首先提出了一个被称为数据包络分析(Data Envelopment Analysis,DEA)的方法,去评价部门间的相对有效性(因此被称为DEA有效)。他们的第一个模型被命名为CCR模型。从生产函数角度看,这一模型是用来研究具有多个输入、特别是具有多个输出的“生产部门”同时为“规模有效”与“技术有效”的十分理想且卓有成效的方法。利用数学规划模型,该方法可以解决具有多输入多输出特征的同行业企业生产效率评价问题。
三、评价指标体系
考虑到技术创新能力评价的复杂性和指标的可获取性,本文剔除那些不易量化和不易获取的指标,构建表1所示的指标体系。
四、实证分析
我们对湖南省13家科技型生产性企业进行调查,得到了这些样本企业的各项指标数据,限于篇幅,本文不列出原始数据。由于主成分分析要求指标无量纲化,因此,首先对原始数据进行无量纲化处理,具体处理方法如下:
其中为的平均值,为的方差。本文所讨论的企业技术创新能力指标体系,投入和产出指标都为正向指标。
得到标准化数据后,我们利用SPSS18.0软件进行主成分分析,计算标准化后的企业投入产出数据的特征根、方差贡献率和主成分负载,可得结果如表2和表3所示。
投入指标的3个主成分的的累积贡献率达到了82.211%,因此用主成分E1、E2和E3可以代表原来8个投入指标的绝大部分信息。而产出指标的2个主成分的累积贡献率达到了83.174%,用主成分F1和F2代表原来4个产出指标可以表达出绝大部分信息。
接着将原始数据的投入指标转化成3个主成分指标E1、E2和E3,产出指标转换成2个主成分指标F1和F2,从而得到新的主成分指标数据见表4所示(企业的名称分别用序数表示)。
得到表4的数据后,我们利用DEA SOLVER3.0软件进行DEA分析,计算出的13家科技企业的技术创新能力评价得分和排序如表5所示。
从表5的数据可以得到,样本企业中的3家企业都是DEA有效的,其他的10家样本企业则是DEA非有效的。
五、结论
企业技术创新是一个技术的创造、转换、应用和实现的复杂过程。本文针对现有指标体系存在的无法量化和数据不易获取等缺点,提出了一套技术创新能力评价体系,并结合主成分分析法和DEA对湖南13家高技术样本科技企业进行了实证分析,验证了模型的有效性和可行性。
参考文献:
[1]单红梅:企业技术创新绩效的综合模糊评价及其应用[J].科研管理,2002,23(6):120-124
[2]杨智勇 覃锋:基于结构方程模型的企业技术创新能力评价研究[J].科技进步与对策,2009,26(12):119-122
[3]曹萍 陈福集:基于ANP理论的企业技术创新能力评价模型[J].科学学与科学技术管理,2010,2:67-72
[4]王丹:基于信息熵和DEA的企业技术创新能力评价方法[J].东北大学学报(自然科学版),2010,31(5):741-745
作者：张智越
DEA的技术创新论文 篇2：
基于DEA的区域技术创新效率研究
摘要：本文简单回顾国内外技术创新效率的研究现状，建立东部沿海十省市的技术创新效率评价指标体系，利用数据包络分析的CCR和BCC模型测算了2006—2010年东部沿海十省市的综合效率、纯技术效率、规模效率和规模收益趋势。结果表明：（1）东部沿海十省市的技术创新效率总体较高，但我国经济最发达的北上广地区，技术创新效率并不是最高。（2）综合效率、纯技术效率、规模效率和规模收益趋势存在差异，且技术创新效率并没有表现出随时间变化的趋势。（3）在非DEA有效的省市中，产出不足远远大于投入冗余。在此基础上，本文提出提高东部沿海十省市技术创新效率的政策建议。
关键词：DEA；技术创新效率；东部十省市
一、 引言
随着经济全球化和一体化的发展，知识经济时代已然来临。在知识经济时代，技术创新对经济增长的推动作用越来越强，技术创新驱动的产业规模扩大、产业结构调整对于区域经济增长及增长方式的转变有着重要的推动作用[1]。十八届三中全会指出，要深化科技体制改革，加快建设创新型国家，推动经济更有效率、更加公平、更可持续发展。所以在发挥创新技术作用的同时，更应该注重技术创新的效率。
长江三角洲、珠江三角洲、京津唐、辽中南等城市群区，是我国经济最发达、最具经济活力、城市化水平最高的地区。改革开放以来，这些群区经济呈现出持续高速发展态势[2]。特别是东部沿海十省市的经济发展远高于全国平均水平，领跑中国经济，成为我国经济发展的“标杆”省市。2011年，东部沿海十省市GDP占全国的62.77%，研发经费占全国的71.05%。全国研发强度1.84%，东部沿海十省市超过全国水平的有北京、上海、天津、江苏、浙江、山东和广东7个省市。尽管东部沿海十省市具有技术创新的优势，但目前针对东部沿海十省市的技术创新效率的研究却很少。本文采用数据包络分析方法对东部沿海十省市的技术创新效率进行研究，并在此基础上提出提高东部沿海十省市技术创新效率的对策建议。
二、 文献综述
技术创新效率是指技术创新活动中的要素投入相对于产出的转化效率，反映技术创新投入对产出的贡献比重，即研究如何在技术创新中合理地配置相关资源。目前学术界关于技术创新效率的测量与评价方法最常用的有两种：一是单一指标的投入产出评价，一般用比较简单的算术比例法；二是对多投入和多产出指标采用的评价方法，包括参数方法和非参数方法。参数方法以随机前沿分析（SFA）为代表，非参数方法以数据包络分析（DEA）为代表。DEA是评价具有多投入和多产出决策单元的一种较好的方法。
国外对于技术创新效率的研究起步较早。1957年，英国经济学家M.J .Farrell提出了技术效率的概念，并给出了测算标准和测算模型。Aigner， Lovell和Schmidt（1977）率先提出了效率测度的随机前沿方法，随后被应用到对技术创新效率的评价，改变了传统的纯理论研究方法，转向了应用研究。A.Charnes和W.W.Cooper等人（1978）提出用数据包络分析方法（DEA）计算技术效率，以相对有效率概念为基础，根据一组关于输入、输出观察值来估计有效前沿面，并根据各决策单元与有效生产前沿面的距离状况，确定各DMU是否有效。美国学者罗杰斯和拉森川（1985）研究了区域创新效率评价。Helmut Forstner和Anders Isaksson（2002）以1980—1990年的截面数据，用DEA方法测算了57个国家的技术效率，得出工业国增长更多是依靠技术进步，而发展中国家的增长则更多依赖于技术效率的进步的结论[3]。Nasicrowski和Arcclus（2003）测度并分析了45个国家的创新效率，发现技术创新规模、资源配置对生产率的变化有重要影响。Nasierowski和Arcelus（2003）研究了信托公司的技术创新效率。3M公司CEO Buckley（2007）结合六西格玛管理探讨了创新与效率的问题。MCRimmon（2007）从成功的管理标准、创新和执行的均衡、组织文化方面论述创新的效率，并提出了管理建议。Akihiro和Shoko（2008）对日本医药产业研发创新效率变化情况进行了测度。Jarvis（2009）从2008年金融危机谈起，进行案例分析，指出了重点关注创新效率的问题[4]。
1997年，我国学者柳卸林首次提出技术创新效率的评价问题，并从企业角度对技术创新效率进行了测算。池仁勇（2003）测算了浙江省大、中、小企业的技术创新效率，并对影响该效率的各个因素进行了回归检验。[5]池仁勇、虞晓芬、李正卫（2004）对我国30个省市自治区的技术创新效率进行了测定，结果呈现东高西低的特征。刘爱芹、张伟（2008）运用数据包络分析方法对山东省17地市的区域技术创新效率进行了测度，结果表明一个区域技术创新的综合能力应该包括投入能力、产出能力和两者相互作用的效率。[3]官建成、陈凯华（2009）运用DEA的松弛测度模型和临界效率测度模型，对中国高技术产业技术创新活动的技术效率、纯技术效率、规模效率、规模状态进行了测度。冯缨、滕家佳（2010）运用数据包络分析法对江苏省高技术产业整体技术创新效率进行了域际评价，并分析了江苏省五大高技术行业的技术创新效率。[6]谢子远、鞠方辉（2011）以国家高新区为样本，实证研究了产业集群对区域创新效率的影响。[7]郭磊、刘志迎、周志翔（2011）运用DEA交叉效率模型，实证研究并给出了31个省、市、自治区技术创新排名。[1]苏海涛等（2012）建立了基于投入和产出指标的江西技术创新效率评价指标体系，利用数据包络分析测算了2001—2009年江西技术创新的技术效率、纯技术效率和规模效率值。[4]叶锐、杨建飞、常云昆（2012）利用1999—2010年我国29个省份的面板数据，测算高技术产业系统效率和子系统的纯技术效率。[8]张江雪、朱磊（2012）运用四阶段DEA模型，对我国2009年各省工业企业技术创新效率进行了实证研究。
综上所述，在对技术创新效率的研究中，所采用的方法有参数的SFA方法，也有非参数的DEA方法。研究领域有的是地区或者行业技术创新效率的差异性，有的是某个地区或行业技术创新效率的特点，但针对相似经济水平的区域技术创新效率的研究相对较少。本文以中国最发达的东部沿海十省市为例，对其技术创新效率进行了研究。
三、 评价方法与指标选取
1.评价方法
数据包络分析是线性规划模型的应用之一，常被用来衡量拥有相同目标的运营单位的相对效率，本文采用CCR模型和BCC模型来评价技术创新效率[9]。1978年由著名的运筹学家查恩斯 （A.Charnes）、库伯 （W.W.Cooper）和罗兹 （E.Rhodes）首先提出了一个被称为数据包络分析（Data Envelopment analysis， 简称DEA模型）的方法，用于评价相同部门间的相对有效性（因此被称为DEA有效）。他们的第一个模型被命名为CCR模型。 这一模型是用来研究具有多个输入，特别是具有多个输出的“生产部门”同时为“规模有效”与“技术有效”的十分理想且卓有成效的方法。1984年查恩斯（A.Charnes）、库伯（W.W.Cooper）、格拉尼（B.Golany）、赛福德（L.Seiford）和斯图茨（J.Stutz）给出另一个模型BCC模型（也称为C2GS2模型），这一模型用来研究生产部门间的技术有效性。
设有n个DMUj（1≤j≤n），每个DMU都有m种输入和s种输出，xij（i=1，2，...，m，j=1，2，...， n）表示第j个决策单元对第i种输入的投入量，并且满足xij>0； yrj（r=1，2，...，s， j=1，2，...， n）表示第j个决策单元对第r种输出的产出量，并且满足yrj>0； vi（i=1，2，...，m）表示第i种输入的一种度量（或称为权）； ur（r=1，2，...， s）表示第r种输出的的一种度量（或称为权）。评价DMU-j0的DEA模型（C2R）为分式规划：max hj0=∑p1r=1uryrj01∑m1i=1vixij0
s.t.∑p1r=1uryrj1∑m1i=1vixij1， j=1，2，…， n
vi， ur0， i=1，2，…，m； r=1，2，…，p（1） 用1962年Charnes和Cooper对于分式规划进行Charnes-Cooper变换（称为 C2-变换）：maxhj0=∑p1r=1μryrj0
s.t.∑p1r=1μryrj-∑m1i=1wixij0， j=1，2，…，n
∑m1i=1wixij0=1
μr，wi0， i=1，2，…，m； r=1，2，…，p（2）上式写成向量形式：maxhj0=μTY0
s.t.μTYj-ωTXj0
ωTX0=1j=1，2，…，n
ω0， μ0（3）对上式做对偶规划： Min θ
∑n1j=1XjλjθX0，
∑n1j=1YjλjY0，
λj0， j=1，2，…，n， θ∈E1（4）DEA有效性的判断：
1. 若线性规划最优目标值hj0=1， 则DMU0为CCR模型下弱DEA有效。
2. 若线性规划的向量形式存在最优解w0，u0， 满足ω0 >0，μ0 >0， h0 = μ0y0 =1，则DMU0为CCR模型下DEA有效。
3. 若对偶规划的任意最优 解θ0 ，λ0j， j = 1，2，…， n， 都满足θ0=1， ∑n1j=1xjλ0j=θ0x0， ∑n1j=1yjλ0j=y0， 则DMU0为CCR模型下DEA有效。
针对DMU0的BCC模型如下：minθ
s.t.∑n1j=1XjλjθX0，
∑n1j=1YjλjY0，
∑n1j=1λj=1
λj0， j=1，…，n（5）解得最优解为θ0，λ0，若θ0=1， 则DMU0为CCR模型下弱DEA有效。若线性规划的向量形式存在最优解w0，u0， 满足ω0 >0，μ0 >0， h0 = μ0y0 = 1，则DMU0为CCR模型下DEA有效。
2.指标选取
根据Roll（1989）的研究结果，决策单元个数为投入指标和产出指标之和的2倍较优。本文综合考虑数据包络分析对数据的要求以及数据的可获得性，选取了2006—2010年东部沿海十省市技术创新效率的评价指标。投入指标包括研发经费、研发人员全时当量，产出指标包括新产品产值、新产品销售收入和申请专利数。
四、实证研究
根据上述模型和选取的指标，我们选取东部沿海北京、天津、河北、辽宁、上海、江苏、浙江、福建、山东、广东十省市作为评价单元（DMUj（1≤j≤10））。各个指标数据以十省市大中型企业为基准，数据来源于《中国统计年鉴》和《中国科技统计年鉴》。利用LINDO软件求解，解得结果如表2所示：
1.综合效率分析
从上述计算中可知，投入多的省市，其相对效率不一定高，产出少的省市，其相对效率不一定低，因为这涉及到投入产出的比例。由图1可以看出，2006—2010年，效率值等于1的省市有天津和上海；效率值介于0.8与1之间的省份有浙
2.纯技术效率分析
在生产函数理论中，企业能够在其最大可能生产曲线上进行生产。但实际经济环境中，由于管理的漏洞、技术人员的缺乏或者其他原因，使得现有的技术不能得到充分的利用。技术有效性表示在一定的技术条件和管理模式下，产出相对投入而言已达到最优，即决策单元的投入产出活动已经充分发挥了现有技术条件的潜能，使资源达到了最优配置。
由图2可知，2006—2010年纯技术效率值为1的省市有天津、上海、浙江和广东；纯技术效率值介于0.8到1之间的省市有北京、福建和山东；纯技术效率值介于0.4到1之间的省市有江苏、辽宁，纯技术效率值介于0.4和0.8之间的是河北。天津、上海、浙江和广东纯技术效率保持不变，福建和辽宁有增长趋势，其他省市趋势不明显。与图1相比，纯技术效率和综合效率的变化趋势不尽相同，如2009年，北京和山东的综合效率值分别为0.996476和0.976062，可纯技术效率值都为1。原因是影响综合效率的因素除了有纯技术效率外，还有规模效率。
3.规模效率和规模收益分析
综合效率是由纯技术效率和规模效率两部分组成的，综合效率=纯技术效率×规模效率，其中规模效率是由于企业规模等因素影响的生产效率。规模效益指的是，企业将生产要素等比例增加时，产出增加价值大于投入增加价值的情况。只有当经营规模扩大，其产量增加的比例大于全部要素投入量增加比例时，这种经营规模才具有规模效益。
由图3可知，2006—2010年，规模效率值为1的是天津和上海；介于0.8和1之间的是浙江和广东；介于0.6和1之间的是北京、福建、山东、江苏和辽宁；小于0.6的是河北。天津和上海规模效率趋势保持不变，广东规模效率呈下降趋势，其他省市趋势不明显。
2006—2010年规模收益趋势保持不变的是天津和上海，说明这两个省市已达到最佳规模状态。规模收益递减的是山东、江苏和辽宁。规模收益递增的是福建，北京和河北在个别年份也出现了规模收益递增，这会导致规模无效，这些省市应加大投入，扩大规模，但需注意投入的适量性，防止出现“投入冗余”，导致投入产出比例下降。
接下来综合比较2006—2010年十省市综合效率、纯技术效率和规模效率情况，我们选取五年均值，作图如下：
由图4可知，2006—2010年技术创新综合效率均值排名第一的是天津和上海，接下来由高到低依次是浙江、广东、北京、福建、山东、江苏、辽宁和河北。纯技术效率均值排名第一的是天津、上海、浙江和广东，接下来由高到低的顺序跟技术效率一样。规模效率均值排名第一的是天津和上海，接下来由高到低的顺序跟综合效率一样。从图中可以看出三种效率均值变化趋势不尽相同，说明在不同省市的无效率状况的原因不尽相同。浙江和广东的综合效率均值为0.9993和0.9682，它们的无效不是因为技术原因，而是规模原因。北京和福建的综合效率为0.9189和0.7456，它们的无效是由技术和规模的综合原因导致的。
除了探究非DEA有效的原因以外，我们也可以改变投入或者产出，通过投影分析将非有效的DMU转变成有效的DMU。从上面的分析可知，个别年份个别省市的非DEA有效或是存在着投入冗余，或是存在着产出不足，或是两者兼有之。我们可以利用其在有效前沿面上的投影进行调整，在现有投入的基础上扩大产出，也可以在现有的产出上减少投入，以使投入产出比例达到最优。
五、 结论与政策建议
改革开放以来，东部沿海十省市集聚了大量的技术和人才，这些地区的经济发展水平也居我国前列。通过对十省市综合效率、纯技术效率、规模效率和规模收益趋势的测算，发现它们的技术创新效率总体较高，但我国经济最发达的北上广地区，技术创新效率并不是最高。其中天津、上海、浙江、北京和广东无论纯技术效率和规模效率都较高；福建和山东的纯技术效率较高，但规模效率偏低；江苏、辽宁和河北的纯技术效率和规模效率都不高；天津和上海达到最佳规模状态，福建五年来一直处于规模无效状态，北京和河北个别年份规模无效。广东的综合效率和规模效率呈下降趋势，江苏的综合效率呈上升趋势，福建和辽宁的纯技术效率呈上升趋势，总体来说，各省市的技术创新效率随时间变化的趋势不明显。在对非有效DEA的省市的研究中，由产出不足导致的无效远远大于投入冗余导致的无效。
上述结论在政策上具有非常重要的意义：
1. 打破行政垄断，充分发挥市场配置资源的作用。在东部沿海十省市中，研发经费和研发人员投入在全国都处于领先地位，但技术投入产出比例相对于发达国家偏低，究其原因是在很多行业都存在研发经费使用效率低和智力资源浪费的现象。要想发挥技术人员的积极主动性，应大力发挥市场的作用，打破行政垄断，加强人员流动，加快产业升级，加速经济的自由发展。
2. 充分发挥技术的作用，处理好规模与效率的关系。宏观层面上，国家应鼓励先进技术的开发，重视科技人才的作用，鼓励产品或技术的创新。微观层面上，企业在技术和管理方面，应做到人尽其才，物尽其用。对东部沿海十省市来说，不同地区应针对自身情况处理好规模与效率的关系，对福建和山东地区应该提高其规模效率，江苏、辽宁和河北地区既要提高其纯技术效率，也要提高其规模效率。对规模无效的福建等地区，应扩大生产规模，但要注意防止出现投入冗余。
3. 从投入产出角度来看，在防止投入冗余的同时，更应该增加产出。首先，各地区应利用先进技术加快产业升级，提高新产品销售收入和新产品产值。其次，完善知识产权保护的相关法律，鼓励申请专利，形成良好的知识产权保护氛围。最后，各省市应建立良好的企业发展绩效考核机制，在考核企业盈利情况时，应结合资源消耗、环境损害、生态效益、产能过剩、科技创新等指标。
参考文献
[1]郭磊，刘志迎，周志翔.基于DEA交叉效率模型的区域技术创新效率评价研究[J].科学学与科学技术管理，2011（32）：138-143.
[2]朱英明.中国城市群区集聚式城市化发展研究[J].工业技术经济，2006（25）：2-4
[3]刘爱芹，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.
[4]苏海涛，丁虎，马晓伟.基于DEA的技术创新效率评价研究——以江西为例[J].科技与经济，2012（25）：40-44.
[5]池仁勇.企业技术创新效率及其影响因素研究[J].数量经济技术经济研究，2003（6）：105-108.
[6]冯缨，滕家佳.江苏省高技术产业技术创新效率评价[J].科学学与科学技术管理，2010（8）：107-112.
[7]谢子远，鞠方辉.产业集群对我国区域创新效率的影响——来自国家高新区的证据[J].科学学与科学技术管理，2011（32）：69-73.
[8]叶锐，杨建飞，常云昆.中国省际高技术产业效率测度与分解——基于共享投入关联DEA模型[J].数量经济技术经济研究，2012（7）：3-17.
[9]魏权龄.数据包络分析[M].北京：科学出版社，2004：75-83.（责任编辑、校对：臧莉娟）
作者：王奇珍 朱英明 杨连盛
DEA的技术创新论文 篇3：
基于DEA模型的区域技术创新绩效评价研究
摘 要：区域创新系统是国家经济发展的重要基础，客观评价区域技术创新的绩效是制定区域创新政策的前提。选取3个输入和4个输出指标，运用DEA中的C2R模型对我国各地区技术创新绩效进行实证研究，从区域技术创新绩效、投入要素影子价格和规模报酬展开分析。结果表明，区域技术创新绩效和经济发展水平无必然联系，各地的相对稀缺资源不尽相同。根据各地技术创新绩效值对不同区域分类，有针对性地提出促进区域技术创新的对策建议。
关键词：区域；技术创新；绩效；DEA模型
引言
技术创新是经济增长的源泉，区域创新系统作为国家创新系统的重要有机组成部分，是国家经济发展的重要基础。提高区域技术创新能力是推进区域经济发展与建设的重要途径，作为区域发展战略的重点，它必将受到各级各类政府的高度重视。对区域技术创新绩效进行客观评价，有利于进一步把握技术创新活动的规律，也有利于在更大范围内对于不同地区的技术创新活动进行横向比较，从而为制定区域经济发展政策提供科学依据。
本文采集技术创新输入和输出的若干统计指标，根据《中国科技统计年鉴》和《中国统计年鉴》中的原始数据，运用DEA方法中C2R模型对中国区域技术创新绩效进行实证研究和分析，最后有针对性地提出了促进区域技术创新的政策建议。
一、DEA方法及其模型
数据包络分析（Data Envelopment Analysis，简称DEA）是运筹学、管理科学和数理经济学交叉研究的一个新的领域，它是由著名的运筹学家Charnes、Cooper和Rhodes等人于1978年在“相对效率评价”概念的基础上发展起来的，是评价同类型决策单元相对有效性的一种系统分析方法[1]。Macmillan（1986）将DEA模型应用于区域经济研究，指出DEA模型结果可以用于评价区域产出行为[2]。Charnes（1989）等人应用DEA模型分析了28个中国城市经济发展状况，研究结果表明，DEA可以用于评价城市效率[3]。Bannistter和Stolp（1995）研究了墨西哥不同区域的制造业效率，揭示了区域规模、城市经济与技术效率之间的正相关关系[4]。Athanassopoulos（1997）等人评估了希腊北部20个县的经济社会效率[5]。在我国，也有学者利用DEA方法来评价区域技术创新的绩效问题，如刘顺忠（2002）等运用DEA方法分析了我国各地区创新系统的特点，并对各系统的创新绩效进行了评价。他们根据各创新系统的特点和创新绩效，将我国各地区的区域创新系统进行分类。针对每一类创新系统，提出了制定区域创新政策的建议[6]。其不足是在考虑投入指标时仅仅选择了人力和财力两个方面，没有涉及到物力资源。官建成（2005）等应用两阶段模型，以专利作为中间产品，将区域创新活动分为技术产出阶段和经济产出阶段以及二者的综合阶段，并运用DEA方法中的C2R模型，分别对创新活动的技术有效性、经济有效性以及综合有效性进行评价[7]。其两阶段模型的思想值得借鉴，但不足之处是没有充分考虑若干指标存在的相关性，如第一阶段投入指标中的技术引进费用、购买国内技术费用和技术合同金额等之间显然存在着较强的相关性甚至重合性。白俊红（2009）等应用DEA分析方法对我国区域创新系统的创新效率进行了测评和分析[8]。此外，汤建影和周德群（2002）利用DEA模型对我国矿业城市的经济发展效率进行评价，研究结果表明，我国中西部地区的中小型矿业城市处于规模效益递增阶段，国家应当从地区经济发展均衡的角度出发，鼓励西部地区中小型矿业城市的发展[9]；吴雷（2009）运用DEA方法对企业生态技术创新绩效进行评价[10]；傅利平和王中亚（2010）运用DEA中的C2R模型研究我国34个典型资源型城市的经济发展效率[11]，这些成果对区域技术创新绩效研究也有一定的借鉴意义和启示作用。
DEA方法的基本思想是建立一个线性规划模型，对各个决策单元（Decision Making Unit，简记为DMU）做出相应的评价。作为一种效率评价方法，DEA方法能够对同一系统内的各个决策单元的有效性进行评价，它主要是根据系统的输入和输出指标，建立相应的评价模型，从而得到每个评价单元的效率评价值。DEA方法具有以下优点：（1）相对的客观性；（2）不需要考虑量纲，进而不需要进行归一化处理，简化了评价工作的流程；（3）全面评估DMU的生产状况；（4）为主管部门提供许多管理信息[12]。
DEA方法也存在着一些局限性和问题：（1）测量误差和其他噪声将会影响前沿的形状及位置；（2）异常值可能影响到结果；（3）排除掉一个重要的投入或产出要素将会导致有偏结果；（4）所获得的效率分值仅是对于样本中的最佳厂商而言，增加其他厂商于样本中将减少效率分值，等等[13]。
DEA方法包括很多模型，诸如C2R模型（1978年）、C2GS2模型（1985年）、C2W模型（1986年）、C2WH模型（1987年）、C2WY模型（1988年）和逆DEA模型（1999年）等等[14]。
在本文中我们用于评价各个地区技术创新绩效的模型是DEA方法中的具有非阿基米德无穷小的C2R模型。模型如下：
该模型的最优值θ为第j0个地区的技术创新系统相对有效性，表示该地区相对于其它地区的技术创新效率。若θ=1，则第j0个地区为弱DEA有效（总体）；如果θ=1，且s-=0，s+=0，则第j0个地区为DEA有效（总体）。若存在，使，则第j0个地区为规模报酬不变，若存在，使，则第j0个地区为规模报酬递增， 若存在，使，则第j0个地区为规模报酬递减[1]。
二、区域技术创新绩效及评价指标
区域技术创新绩效是用来反映某个区域用人财物各种资源创造新知识，并进而将新知识转化为新产品、新工艺和新服务能力的一个概念。一个地区技术创新绩效高意味着该地区的企业、科研机构等能利用较少的投入获得较高的产出，从事技术创新的人财物各种资源得到了充分利用。
区域技术创新绩效评价指标的选择应该遵循一定的原则，如综合性、系统性、层次性和可操作性等[15]。除此之外，指标选择还应简明扼要。遵循以上原则，本文选择的指标主要有七个，其中输入指标包括三个：研究与发展人员投入、研究与发展经费支出和高校的研发机构数目。研究与发展人员投入选用的数据是《中国科技统计年鉴》中的各地区研究与试验发展（R&D）人员全时当量，研究与发展经费投入选用的数据是上述资料中的各地区研究与试验发展（R&D）内部经费支出，高校的研发机构数目同样来自上述资料。参考文献[6]在衡量技术创新效率时，用到了前两个指标。本文之所以添加了高校的研发机构这一指标作为输入指标，是因为资源必然包括人财物三个方面，而高校拥有了大量的实验室、图书馆等各种科学技术创新所不可或缺的物质资源。输出指标包括四个：国外三大检索论文数目、国内三种专利申请授权数目、新产品产值率和人均产值。前三个指标原始数值来自于《中国科技统计年鉴》，第四个指标数据来自于《中国统计年鉴》。其中，新产品产值率是指大中型工业企业新产品产值占总产值的比重，人均产值选取人均地区生产总值。选择二者的理由是技术创新包括技术产出和经济产出两个阶段[7]。用于研发的各种资源首先要转化成各种新知识、新技术，然后进一步转化为新产品和新工艺，最后要提高人们的收入和生活水平。
三、区域技术创新绩效评价的实证研究与分析
利用《中国统计年鉴》和《中国科技统计年鉴》的原始数据，根据DEA方法中的C2R模型（2-1），利用Excel中的规划求解工具和DEAP软件[16]，计算的最终结果如表1所示。表中除列出了计算出的各个地区创新绩效值，还列出了各种投入资源的影子价格，最后一列是规模报酬。
表1 各地区技术创新DEA模型计算结果
注：1.不包括港澳台和西藏
2.取值为10－6
1.技术创新绩效分析
根据表1计算结果，按照创新绩效值高低对不同区域进行分类，结果如表2所示。从表2可以看出，北京、吉林、黑龙江、上海、浙江、湖南、广东、海南、重庆、贵州、青海、宁夏、新疆等地处于技术创新前沿面，为DEA有效；天津、安徽、湖北和甘肃四省市的技术创新绩效值介于0.8和0.9之间，技术创新水平较高；内蒙古、辽宁、福建、广西、四川、云南、陕西的技术创新效率较低；而河北、山西、江苏、江西、山东、河南等地的技术创新效率低于0.6，属于区域技术创新效率低的地区，山东的创新效率只有0.5。由此看来，区域技术创新效率的高低和经济发展水平并不存在着必然的联系。
2.影子价格分析
投入资源的影子价格表示单位资源投入变化所引起的创新绩效的改变，是针对具体创新系统而存在的特殊价格。创新系统某种创新投入的影子价格相对于其它创新系统该投入的影子价格较高时，说明该投入对其创新绩效影响较大，是系统的稀缺资源，系统应加大对该资源的投入。例如，吉林的研发人员投入的影子价格为0.033，相对较高，为该地区的相对稀缺资源；而黑龙江的研发资金支出影子价格为0.04，相对较高，为其稀缺资源；浙江高校研发机构的影子价格为0.022，相对较高，为该地区的相对稀缺资源，等等。每个地区应因地制宜，采取有效措施克服资源瓶颈，从而实现科学发展。
表2 按技术创新效率对各区域的分类
3.规模报酬分析
规模报酬分为规模报酬不变（CRS）、规模报酬递增（IRS）和规模报酬递减（DRS）三种情况。技术创新活动也要经历规模报酬递增、规模报酬不变和规模报酬递减三个阶段。从表1的规模报酬一列可知，北京、吉林、黑龙江等14省市技术创新规模报酬不变，约占总数的46.67%；天津、山西、内蒙古等8省市技术创新规模报酬递减；而河北、辽宁、安徽等8省市技术创新规模报酬递增，它们均占总数的26.67%。对于技术创新处于规模报酬递增阶段的省份而言，其技术创新水平还没有达到经济规模，增长和进步的空间还很大，必须加大技术创新投入的力度，加快技术创新的步伐。
结束语
本文运用DEA方法中C2R模型对中国区域技术创新绩效进行实证研究和分析。结果表明，我国各区域创新系统之间，无论从创新的投入、创新的产出，还是从创新系统的创新效率来说，都存在着较大的差距。区域经济发展水平和区域技术创新绩效并无本质联系。各地区在制定创新政策时应因地制宜，在着重解决影响创新系统创新能力的主要问题时，应通过科学的方法发现其经济发展过程的瓶颈因素，有针对性地加强技术创新人力、财力和物力资源的投入，并努力提高各种资源的利用效率。
参考文献：
[1] 盛昭瀚,朱乔,吴广谋.DEA理论、方法与运用[M].北京:科学出版社,1996.
[2] Macmillan W D. The estimation and applications of multi-regional economic planning models using data envelopment analysis[J]. Papers
of the Regional Science Association, 1986, 60.
[3] Charnes A, Cooper W W, Li S. Using data envelopment analysis to evaluate efficiency in the economic performance of Chinese cities[J].
Socio-Economic Planning Sciences, 1989,23 （6）.
[4] Bannistter G, Stolp C. Regional concentration and efficiency in Mexican manufacturing [J]. European Journal of Operational Research,
1995, 80（3）.
[5] Athanassopoulos A, Karkazis J. The efficiency of social and economic image projection in spatial configuration[J]. Journal of Regional
Science, 1997, 37（1）.
[6] 刘顺忠,官建成.区域创新系统创新绩效的评价[J].中国管理科学,2002,10（1）.
[7] 官建成,何颖.基于DEA方法的区域创新系统的评价[J].科学学研究,2005,23（2）.
[8] 白俊红,江可申,李婧.中国区域创新系统创新效率综合评价及分析[J].管理评论,2009,21（9）.
[9] 汤建影,周德群.基于DEA模型的矿业城市经济发展效率评价[J].煤炭学报,2003,28（4）.
[10] 吴雷.基于DEA方法的企业生态技术创新绩效评价研究[J].科技进步与对策,2009,26（18）.
[11] 傅利平,王中亚.基于DEA模型的资源型城市经济发展效率实证研究[J].电子科技大学学报：社科版,2010,12（6）.
[12] 吴育华,刘喜华,郭均鹏.经济管理中的数量方法[M].北京:经济科学出版社,2008.
[13] 蒂莫西 J 科埃利,等.效率与生产率分析引论[M].北京:中国人民大学出版社,2008.
[14] 魏权龄.数据包络分析（DEA）[J].科学通报,2000,45（17）.
[15] 罗守贵,甄峰.区域创新能力评价研究[J].南京经济学院学报, 2000,（3）.
[16] Tim Coelli. A Guide to DEAP Version 2.1: A Data Envelopment Analysis （computer） Program[R]. Armidale, Australia: University
of New England, 1996.
Study on the regional technical innovation performance evaluation based on the DEA model
LIU Pei
（Yellow river,River work bureau,Henan ,Zhengzhou 450003,China）
Key words:region; technical innovation; performance ; DEA model责任编辑 张宇霞
作者：刘蓓