论文部分内容阅读
近年来，国家十分重视R&D活动的发展，通过财政拨款、政策引导等方式推动R&D合作，实现产业技术创新和结构升级。高技术产业的各项R&D投入（R&D全时人员当量、R&D经费、新产品开发经费支出等）和各项R&D产出（新产品销售收入、新产品出口等）均占全国水平的27%以上，在我国R&D活动中占据重要战略地位。数据包络分析（DEA）是一种数据驱动的效率评价工具，十分适合用来评价多投入多产出决策单元（DMUs）的相对效率，也是R&D效率评价中最常用的方法，已有很多学者用DEA来评价我国高技术产业的R&D效率。
R&D活动过程中存在非期望产出。现有的处理非期望产出的方法总是倾向于提高DMUs的效率或保持DMUs的效率不变，不能让DMUs的效率实现反向的变化，这与非期望产出的特征不符。针对这一问题，本文构建基于公共权重和非期望产出的聚合DEA方法，通过公共权重模型计算得到非期望产出的聚合权重，将非期望产出数据整合到期望产出数据中，得到修正的期望产出数据。以此修正数据为最终产出，计算2014年我国30个地区高技术产业的R&D效率，并与不考虑非期望产出及现有的几种方法的结果进行比较，说明非期望产出对我国高技术产业R&D效率的影响情况。
R&D活动的投入和产出在时间上存在滞后性。针对时间滞后效应，在用DEA评价R&D活动的效率时，学者们有两种主要的处理方式。一种是选取不同时期的投入和产出数据，即用后一期或后两期的产出对应当期投入；一种是用当期和前一期或前两期的投入来对应当期产出。前者与实际的R&D情况相差较大，后者会造成投入数据的重复利用。本文考虑R&D活动的时滞效应期间为两年，引入参数?将当期的投入完整地对应到当期和后两期的产出中。假设一组内部存在三个进程的虚拟DMU，以其总体效率最优为目标函数，计算得到参数?的值。在此基础上，将投入完整地不重复地分配到各项产出中，以此计算2014-2016年我国30个地区高技术产业的R&D效率，并与不考虑时滞效应和基于间断数据的处理方法的结果进行对比分析，说明时滞效应对我国高技术产业R&D效率的影响情况。
R&D活动过程中存在非期望产出。现有的处理非期望产出的方法总是倾向于提高DMUs的效率或保持DMUs的效率不变，不能让DMUs的效率实现反向的变化，这与非期望产出的特征不符。针对这一问题，本文构建基于公共权重和非期望产出的聚合DEA方法，通过公共权重模型计算得到非期望产出的聚合权重，将非期望产出数据整合到期望产出数据中，得到修正的期望产出数据。以此修正数据为最终产出，计算2014年我国30个地区高技术产业的R&D效率，并与不考虑非期望产出及现有的几种方法的结果进行比较，说明非期望产出对我国高技术产业R&D效率的影响情况。
R&D活动的投入和产出在时间上存在滞后性。针对时间滞后效应，在用DEA评价R&D活动的效率时，学者们有两种主要的处理方式。一种是选取不同时期的投入和产出数据，即用后一期或后两期的产出对应当期投入；一种是用当期和前一期或前两期的投入来对应当期产出。前者与实际的R&D情况相差较大，后者会造成投入数据的重复利用。本文考虑R&D活动的时滞效应期间为两年，引入参数?将当期的投入完整地对应到当期和后两期的产出中。假设一组内部存在三个进程的虚拟DMU，以其总体效率最优为目标函数，计算得到参数?的值。在此基础上，将投入完整地不重复地分配到各项产出中，以此计算2014-2016年我国30个地区高技术产业的R&D效率，并与不考虑时滞效应和基于间断数据的处理方法的结果进行对比分析，说明时滞效应对我国高技术产业R&D效率的影响情况。