中国新能源企业的两阶段创新效率：一个非径向数据包络分析方法外文翻译资料

英语原文共 8 页，剩余内容已隐藏，支付完成后下载完整资料

中国新能源企业的两阶段创新效率：一个非径向数据包络分析方法

.

.

.

摘要:受有效创新的能力和市场产品与服务驱使的企业（称作“创新企业”）经历一个从初始研究到具有获利能力的复杂进程。本文考虑新能源企业所经历的与两阶段成长创新有关的活动：研究与发展（Ramp;D）过程和市场化过程。一个非径向数据包络分析方法被用于构造指标以测量Ramp;D效率，市场效率以及综合创新效率。使用这些指标和从2009年到2013年的38间中国新能源企业数据的实证研究揭示三个重要发现：首先，当提及创新，新能源企业总体无效率。在创新的Ramp;D阶段尤其正确，并且有一个周期性的现象是企业更少关注Ramp;D，而是强调市场。第二，关于他们的创新效率，不同种类的新能源企业互不相同。其中，核能企业在综合创新和市场中最有效率；风能企业在Ramp;D创新中最有效率；太阳能企业在Ramp;D效率中位于另两者之后。第三，创新活动仅在少数几间企业中被认为是“有效和集约化”；在大多数企业中创新可以被广泛地认为是“粗放和低效”。有不同创新和市场效率模式的企业应当基于效率特性，实施有针对性的改进策略。

关键词：新能源企业 创新效率 两阶段效率 非径向数据包络分析

1.介绍

不断的经济增长导致中国整体能源消耗增加。在2013年，中国的能源消耗是37.5亿吨标准煤，占全球消耗的22.4%（BP，2013）。根据国际能源机构预测，在接下来的十年中国的能源消耗预期增长。煤是中国最重要的能源资源，而由煤消耗导致的环境污染造成可持续发展的挑战。改善能源效率帮助解决这个问题，所以许多研究已经关注估计能源效率（Zhou等, 2012;Wang et al., 2013a, 2013b; Zhang and Xie, 2015）。但是，也需要优化能源消耗结构以节约能源并减少排放至目标水平。中国必须实行新的能源替代品以减少其对煤和其它化石能源的依赖并满足不断增长的能源需求。

中国中央政府认可发展新能源资源的重要性，作为回应也已经发起支持性政策。第12个五年计划说明2015年可再生资源，例如风能，太阳能，核能占全部初级能源消耗的11.4%。到2020年，目标是全部能源消耗的15%来自非化石能源资源。新能源产业是中国有重大战略重要性的新兴产业；它受到政府大力扶持并且新能源资源的装备容量已经增加，例如太阳能，风力，水力以及其它新能源。

但不幸的是，中国的新能源企业有较弱的研发（Ramp;D）能力；并且Ramp;D投资低于国际平均水平20%（The Economic Observer,2015）。这导致不充足的新核心技术以及对于新能源企业无力从创新产品中产生充足的收入。最近几年，中国的过剩生产能力已经变得尤为明显。出口新能源设备和部件也变得很困难，部分因为全球经济低迷以及发达国家的保护主义政策。

新能源企业必须通过拥有核心技术与成功地商业化新技术和产品，以提升市场竞争力并且取得可持续发展。发展核心技术和商业化产品依靠公司独立创新能力。所以，对于新能源企业很重要是增加它们的创新活动效率（称为“创新效率”）。之前的研究者已经讨论过可再生能源技术和创新系统（Blum等, 2015; Tigabu等, 2015）以及高技术产业的效率（Guan and Chen, 2010a; Chiu等, 2012）。但是，少有聚焦分析新能源企业的创新效率，以及创新过程不同阶段的效率。

这篇文章评估新能源企业创新效率的两个阶段，使用一个非径向数据包络分析（DEA）方法。综合创新效率和不同发展阶段性效率被考虑到。这些分析可以帮助揭示丢失效率的根源和具体改进措施。

2.文献回顾

为了测量创新效率，研究者之前通常使用单一产出和单一投入比值作为效率价值。这个方法直观且简单，但是不能处理多样投入与产出，并且不能探查无效率的根源。因为效率计算方法已经改进，研究者已经开始使用应用一个边界分析方法的工具，例如随机边界分析（SFA）和DEA。这些工具已经成为计算创新效率的主流方法（Guan and Chen, 2010a, 2010b）。

SFA是一个参数化分析方法时Aigner et al.（1977）提出。它假定投入与产出函数关系一个特定的形式，并且应用经济计量技术估计未知参数以识别边界。SFA方法已经被用于制造业、银行业和其它领域，执行效率推测（Liadaki and Gaganis, 2010; Charoenrat and Harvie,2014）。使用SFA，Wang and Huang (2007)计算了30个国家的创新效率，解释环境因素，并探索Ramp;D效率与收入水平之间的关系。Li（2009）使用一个由Battese 和Coelli(1995)提出的SFA方法以测量1998年到2005年之间中国30个省测量区域创新表现和能力。SFA方法解释随机因素对产出的影响（Aigner et al., 1977）；但是，它们还是处理多样产出情景的最好方法（Guan and Chen, 2010a）。

相反，DEA方法适应来自多重投入和多重产出的数据，，不用事先设定一个特定的函数形式（Guan and Chen,2012）。就其本身而论，DEA方法更广泛地用于测量效率，所以许多使用DEA的创新效率研究在文献中被发现。Chen等(2006)使用DEA测量从事1991年至今1999年台湾六大高技术产业的表现，Hashimoto和Haneda(2008)DEA-Malmquist方法分析了1983年至1992年间日本制药工业的研究与创新效率。建立于超效率DEA方法，Schmidt-Ehmcke和Zloczysti(2011)计算和比较了17个国家的13个产业创新效率，包括德国，美国和丹麦，识别大量前沿，技术效率产业。

上述研究使用不同的DEA方法测量创新效率，但是全部视企业创新过程为一个黑箱，在这个黑箱中创新过程是一个“单一阶段”将投入转化为产出的过程。这种研究没有评定创新系统的内部机制，且没有解决与创新关联的内部操控系统和过程如何影响综合创新效率（Wang 等,2013a,2013b）。

“单一阶段”创新过程未反映生产实践。事实上，在典型的高技术产业或商业创新过程包括两阶段：上游技术发展和下游经济转型（Moon和Lee,2005;Sharma和Thomas,2008）。对于这个原因，一些学者已经应用一个两阶段DEA模型以评估创新效率。Guan和Chen(2010a)使用相关网络DEA模型以比较2002年至2003年间中国26个省份高技术的创新效率。他们发现商业效率优于Ramp;D效率；且整体创新效率更近似关联于商业效率。

一份稍后的研究测量了一个国家层面的创新效率，检验30个国家上游知识生产过程和下游知识商业化过程（Guan和Chen，2012年）。Cullmann等（2012）使用两阶段半参数DEA方法实证研究经济合作与发展组织（OECD）国家的工业创新效率；这项研究改进了优化资源分配的方法。Wang等(2013a,2013b)将创新过程的第一阶段划分为“基础生产”和“Ramp;D努力”，然后估计了2006年至2007年间台湾65间高技术企业的盈利能力和市场能力效率。这项研究产生了一个Ramp;D决定矩阵以识别高技术公司操控和Ramp;D效率根源。这个两阶段DEA方法已经应用于研究商业银行(Seiford和Zhu,1999;Chiu等，2016)，保险（Wanke和Barros,2016），和工业系统(Bian等，2015)。

大多数创新效率研究关注宏观层面，例如一个产业或地理区域。更少的研究检验了微观层面企业，例如新能源企业。更进一步地，当计算两阶段创新效率，许多研究使用径向DEA方法。但是这种方法不能解释与每个投入和产出非径向松弛变量关联的低效率。就其本身而论，这项研究关注于新能源企业，使用非径向DEA方法和一个两阶段创新过程以计算综合创新效率和不同发展阶段的效率。这项研究也提供基于不同效率模式的相应优化策略。

3.两阶段创新效率非径向DEA模型

3.1创新活动的阶段

熊彼特，创新理论的创立者，从生产过程的视角，定义创新为生产要素的“新的结合”（熊彼特，1934）。一个生产要素的结合直接影响创新效率：一个企业的创新过程包括一系列复杂创新活动，包括研究，发展，论证和部署(Su和Zhang,2012)。

创新活动投入包括人力，资金和物质资源。产出包括来自Ramp;D阶段的中间产出（即科学和技术成果，新产品）和来自技术商业化的最终产出（利润和市场价值）中间产出（即科学和技术成果，新产品）是Ramp;D阶段的结果，但也作为技术市场化（商业化）的基础。这引致了创新活动的两阶段，包括新能源企业（图1）。

图1.创新活动的阶段划分

第一阶段是Ramp;D过程，包含Ramp;D投入和新技术与产品。这个过程评定创新资源投入与产出测量Ramp;D效率。第二阶段使用Ramp;D产出以获取利润并创造市场价值。这个过程反映市场效率并且代表了Ramp;D成果向经济利益的转化。这两个阶段不是独立的；它们与第一阶段的Ramp;D产出相联系。两个阶段一同提升综合创新效率。

3.2两阶段创新效率模型

这个研究假设有N个新能源企业，记作(j=1,2,hellip;,N)。每个DMU有I（,i=1,hellip;,I）个投入和R（,r=1,hellip;,R）个来自于第一创新阶段的(Ramp;D)的中间产出。然后，R个中间产出装进第二阶段（市场，商业化）作为这一阶段的投入。第二阶段有另K(,k=1,hellip;,K)个最终产出。所以，生产技术（T）被定义为公式(1)。

T= （1）

对应T的生产技术被假设为一个封闭集，有界凸性。此外，投入和产出被假定为强的或自由地任意使用。使用DEA方法，公式（2）对于Ramp;D阶段（）在规模报酬不变（CRS）假设下，定义生产技术。公式（3）定义生产技术在CRS条件下对于市场阶段（）。

= (2)

= (3)

在公式（2）和（3），上标D代表Ramp;D阶段，上标M代表市场阶段。变量和各自代表与Ramp;D阶段和市场阶段相关的企业j的权重，为了识别投入和产出的松弛变量，径向DEA方法由CRS代表（Charnes等，1978）和变量规模报酬（VRS）(Banker等，1984)成比例地减少投入或增加产出。

这些方法，但是，没有解释每个投入产出的不同松弛变量（Fukuyama和Weber,2009）。与之代替，根据Chen等（2012），这篇文章通过联合方向性距离函数和一个低效率方向性Russell测量，采用非径向方法。这允许投入与产出同步放缩，并且解释了全部的投入和产出松弛变量（Luenberger,1992;Fukuyama和Weber,2009;Chiu等，2013；Zhang和Choi,2013a,2013b,2014)。

使用CRS模型，面向投入和面向产出的模型将产生相同结果。对于非径向DEA模型，一个不同定位产生不同结果，因为每个投入和产出被不成比例地缩放。所以，确定模型方向很重要，因为在使用非径向DEA方法评估效率之前，面向投入或者面向产出都要被定位。

对于创新第一阶段，最大化Ramp;D效率包含尽可能多的放缩投入。就其本身而论，这是面向投入的。给定一个确定数量的Ramp;D产出，我们之后想要最大化最终产出。所以，面向产出模型被用于评估第二阶段的效率（市场）。这个混合定位适应了中间产出不能像其它阶段那样被对待的事实。例如，假定一个面向产出模型被每个阶段所使用。如果Ramp;D阶段表现通过使用面向产出的DEA模型增加中间产出得到改善，增加的中间产出可能在一个产出定位放置市场阶段效率。

这个研究认可了减少投入但也增加创新活动产出的潜能。使用一个综合创新效率指标和半阶段效率指标使之完成。从而，我们定义在CRS假设下的非径向DEA模型以最大化全部投入和产出松弛变量有利联合，如公式所示：

IP=()=max()

=max() (4)

这个表述从属于下列等式：

a.Ramp;D阶段：

(1-) i=1,hellip;,I

r=1,hellip;,R (4-1)

b.市场阶段：

r=1,hellip;,R

k=1,hellip;,K (4-2)

j=1,hellip;,N

在公式（4）中，代表在Ramp;D阶段投入i的减少，而代表在市场阶段产出k增加的潜能。与Ramp;D阶段和市场阶段对应的强度变量分别是。在目标函数中，=是在Ramp;D阶段全部投入潜在减少的平均值，而=测量在市场阶段全部产出增加的平均值。变量IP表示在创新活动中全部潜在减少投入和增加产出的改进。一个更大的IP表示减少投入与增加产出的更大能力，并且已经优化其资源利用级别。

Chen等（2012）研究台湾焚烧发电厂的低效率，并且分解了这些低效率。采用一个相反的想法，我们关注分析企业效率。在计算投入与产出的成比例改进后，我们更进一步地定义Ramp;D效率，市场效率和综合创新效率指标。在公式（4），给定相同产出水平，在Ramp;D阶段冗余投入i由表示。这是低效率的测量；有效率由(1-)表示。公式（5）由此定义生产边界的最优投入与真实投入的差距。

相似地，在市场阶段，给定一个确定的投入数量，最优生产边界的最大产出由(1 )表示。公式（6）表示产出k的效率是真实产出与生产边界上最大产出的比率。公式各自表示Ramp;D效率与市场效率指标。综合创新效率是Ramp;D阶段与市场阶段全部投入与产出的综合创新效率。公

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[17535]，资料为PDF文档或Word文档，PDF文档可免费转换为Word