创新质量视角下医药制造业创新效率再评价

    赖红波 施浩

    

    

    摘 要：在创新质量差异化视角下，以2016年截面数据为样本，应用三阶段DEA模型，对我国医药制造行业创新效率进行再评价。研究发现，（1）引入质量系数后，三阶段DEA模型刻画和解释现实的能力显著提升;（2）环境因素虚高了创新效率值，置于同质经营环境时，纯技术效率不高的问题更为突出;（3）作为环境因素，工业基础对制药业创新效率有显著正向影响，而政府支持和制药企业规模却未表现出明显的促进作用。

    关键词：医药制造业;质量系数;创新效率;三阶段DEA模型

    中图分类号：F124.3 ? ? ?文献标志码：A ? ? ?文章编号：1673-291X（2019）32-0034-02

    一、文献回顾

    我国经济正由高速增长向高质量发展转化，但在现代经济学的学术主体框架中，“质量”基本上是一个被抽象掉的因素，一般将其归之于“假定不变”的因素中。学者们在分析评价高技术产业创新效率时，大多会不自觉地以“创新同质”为假设前提，即直接以新产品销售收入作为产出变量，不考虑各地区在创新质量上的差异。但“创新同质”的假设，与高技术产业创新规律以及医药制造业发展现状明显不符。技术创新可简单分为渐进性技术创新与探索性技术创新，尽管两者均是企业提升绩效、获取竞争优势的重要途径，但在创新质量上却有明显差异。以革命性、破坏性为主要特点的探索性技术创新，在提升医药企业、乃至医药制造全行业的技术水平方面都有着渐进性创新不能比拟的作用。科研人员、资本投入、知识积累等创新要素流动性差，所有医药企业都在通过高质量创新树立、更新技术壁垒，并逐步积累成区域间技术壁垒。医药制造行业中创新能力和创新质量的差异显然存在，若不加区分地混同处理，则分析结果就不能完全反映我国医药制造产业实际发展情况。

    目前，对于包括制药产业在内的高技术产业的创新效率测度，主要有随机前沿分析法（Stochastic Frontier Analysis，简称SFA模型）和数据包络分析法（Data Envelopment Analysis，简称DEA模型）。由于DEA模型不需要设定函数形式，排除了人为因素干扰，且在多投入多产出效率测算中具有的特殊优势，而更为学者们青睐。现有研究大多从区域和行业角度入手，对创新效率进行测度比较分析。国外学者如桥本龙太郎（Hashimoto，2008）[1]、本努（Pannu，2011）[2]运用DEA模型分别对日本和印度医药产业创新效率进行实证研究。国内学者如褚淑贞等（2013）[3]，黄海霞等（2015）[4]根据高技术统计年鉴数据，运用DEA模型对制药产业进行分析，结果显示，我國大部分地区医药制造业均处于非DEA有效状态存;陈冰和吉生保（2013）[5]根据37家医药制造业上市公司2002—2009年间的面板数据，通过DEA-Tobit模型进行实证测度，也得出类似结论。由于传统DEA模型未剔除环境因素和随机噪声因素的影响，故测度结果难免有失偏颇。部分研究如刘志迎和张吉坤（2013）[6]、杨青峰（2014）[7]在评价高技术产业创新效率时通过三阶段DEA模型，剔除了环境因素和随机噪声因素，但未考虑区域间在创新质量上的差异，且将医药制造业置于整个高技术产业内，未细致区分各产业特点。

    本研究在创新质量差异化视角下引入质量系数，应用三阶段DEA模型，剥离环境因素和随机噪声，对医药制造行业创新效率进行再评价，以期可以更加客观地认识我国医药制造业发展现状及制约产业技术创新的环境因素。

    二、变量选取

    鉴于数据的可能对和完整性，本研究选取2016年中国26个地区（西藏、甘肃、青海、宁夏、新疆、台湾、澳门、香港等地区数据不全，故排除）的医药制造业为样本形成截面数据。文中数据分别来源于《中国统计年鉴2017》、《中国高技术产业统计年鉴2017》等。

    投入产出指标：（1）投入指标：对医药制造产业创新投入指标，主要考虑人力投入和资本投入。基于数据可获得性和有效性，本研究选取国际上通用的、用于比较科技人力投入的指标“R&D人员折合全时当量”和“新产品开发经费支出”作为产业创新投入指标。（2）产出指标：专利是医药企业研发直接目标，但考虑医药专利审批周期较长，故本研究选取受政策制度影响较小的“专利申请数”作为产业知识产出变量。同时，医药产业技术创新最终仍然要回到实际的生产消费中去，故本研究选取“新产品销售收入”作为生产性产出变量。

    质量系数指标：发明专利是医药制造企业研发活动的直接成果，含金量最高，且医药专利有严格的技术壁垒，最能体现各医药企业现有技术水平，故本研究尝试以“拥有发明专利数”作为质量系数来表征新产品的创新质量。

    环境变量指标：（1）政府支持力度：考虑数据有效性和可得性，本文选取“R&D经费内部支出中政府资金”表征政府支持力度。（2）制造工业基础：地区制造工业发展水平对医药企业的科研绩效有重要影响，本文选取“制造业法人单位数”表征各地制造工业发展水平。（3）制药企业规模：企业规模对企业创新意愿、创新绩效都有重要影响，在医药制造行业更为突出，本研究选择“资产总计”与“企业数”之比表示制药企业平均规模。

    三、实证分析

    （一）影响医药产业创新效率的环境因素分析

    以上一阶段各投入变量的松弛变量作为因变量，将环境变量标准化后作为自变量，通过Frontier4.1软件进行SFA回归，得到结果如表1。

    模型的两个似然比LR均通过了5%的显著性检验，说明混合误差项中存在技术非效率，第二阶段的SFA分析是十分必要的。而且λ表示技术无效率方差占总方差的比率，每个回归分析都显示γ趋近于1，且均通过了1%的显著性检验，说明技术效率存在差异，采用SFA分析是适宜的。各影响因素均通过了0.01的显著性检验，说明模型的变量选取是较为合理。

    由于环境变量是对各投入松弛变量的回归，所以当回归系数为负时，表示增加环境变量有利于投入松弛变量的减少，即有利于减少各投入变量的浪费。具体而言，制造业基础在两个模型中的系数均是负值，说明地区制造业基础的提升有利于提高医药制药产业的创新投入产出效率;政府支持力度和医药企业规模在两个模型中的系数均是正值，说明政府的财政支持和企业规模的扩大并未对制药产业的創新效率并未取得良好的促进作用。

    （二）医药产业创新效率分析

    根据三阶段DEA模型，通过调整原投入变量，将各决策单元置于相同的环境下进行再比较，测度其真实的创新效率。将26个决策单元按照纯技术效率得分和规模效率得分进行分布，结果如图1所示。图中PTE为纯技术效率，SE为规模效率。本研究未采取纯技术效率得分0.9和规模效率得分0.9的绝对划分方法，而是根据企业生产的特性采取类似生产可能性曲线的三区域划分方式。

    由图1可知，26个省的医药制造业创新效率差距较大，可分为高中低三个组。其中，位于图1右上角高效率组7个决策单元的纯技术效率和规模效率均很高;位于中间组的12个省份或是纯技术效率较低，或是规模效率较低;位于左下角区域的7个省份，两项效率均很低。

    四、结论

    我国医药制造业创新效率在省际间存在明显差异，部分省份医药制造业创新效率不容乐观。大部分地区制药产业创新效率的确受环境因素影响，且置于同质经营环境下纯技术效率不高的问题更为突出。创新效率较低的省份受环境影响较大，剔除环境影响和运气因素后，纯技术效率均显著下降。作为环境变量，制造工业基础对制药业创新效率有显著正向影响，而政府支持力度、制药企业规模却未对其表现出明显的促进作用。可见，各省在着力提高产业创新效率时仍然不应急于求成，不应过度依赖政府补助吸引外地产业转移，或者购买所谓的“成果”;而应当继续立足环境，逐步改善工业基础，从而提升本地区全产业创新效率。只有这样，才能打开高质量发展新局面。

    参考文献：

    [1] ?Hashimoto A，Haneda S.Measuring the change in R&D efficiency of the Japanese pharmaceutical industry.Research Policy，2008，37（10）：1829-1836.

    [2] ?Pannu H S，Dinesh Kumar U，Farooquie J A.Efficiency and productivity analysis of Indian pharmaceutical industry using data envelopment analysis[J].International Journal of Operational Research，2011，10（1）：121-136.

    [3] ?褚淑贞，谢小燕，沈念伍.我国医药制造业技术创新效率的研究[J].中国新药杂志，2013，22（13）：1483-1486，1490.

    [4] ?黄海霞，张治河.基于DEA模型的我国战略性新兴产业科技资源配置效率研究[J].中国软科学，2015，（1）：150-159.

    [5] ?陈冰，吉生保.中国医药行业上市公司的绩效评价及影响因素——基于面板数据的DEA-Tobit实证研究[J].中央财经大学学报，2013，（8）：62-68.

    [6] ?刘志迎，张吉坤.高技术产业不同资本类型企业创新效率分析——基于三阶段DEA模型[J].研究与发展管理，2013，25（3）：45-52.

    [7] ?杨青峰.剥离环境因素的中国区域高技术产业技术效率再估计——基于三阶段DEA模型的研究[J].产业经济研究，2014，（4）：94-102.