研發(fā)投入、企業(yè)規(guī)模與人工智能企業(yè)的生產(chǎn)效率
——基于三階段DEA模型與Tobit模型的二階段分析

劉 晨 崔 鵬

(1.北京大學(xué)，北京 100871；2.中國銀行，北京 100818；3.青島科技大學(xué)，山東 青島 266100)

一、引言和相關(guān)文獻(xiàn)綜述

“人工智能”概念最早起源自1956年的達(dá)特茅斯會(huì)議，經(jīng)過互聯(lián)網(wǎng)、物聯(lián)網(wǎng)、算力算法技術(shù)的前期技術(shù)積累，人工智能技術(shù)成為當(dāng)前推動(dòng)第四次工業(yè)革命的關(guān)鍵性通用目的技術(shù)。無論是第一次、第二次工業(yè)革命的蒸汽機(jī)、電氣化技術(shù)，還是第三次工業(yè)革命的互聯(lián)網(wǎng)技術(shù)，作為通用目的技術(shù)都具有廣泛的應(yīng)用前景，不僅大幅提升了社會(huì)生產(chǎn)力，同時(shí)也促進(jìn)了生產(chǎn)方式和社會(huì)運(yùn)行產(chǎn)生結(jié)構(gòu)性變革。當(dāng)前，人工智能已經(jīng)成為引領(lǐng)新一輪經(jīng)濟(jì)發(fā)展的重要引擎(Furman et al.，2018；Bolton et al.，2018)。

對(duì)于我國而言，龐大市場規(guī)模實(shí)時(shí)產(chǎn)生的海量數(shù)據(jù)、加速迭代形成的人工智能技術(shù)和不斷豐富的應(yīng)用環(huán)境，為發(fā)展人工智能產(chǎn)業(yè)奠定了良好基礎(chǔ)。2017年7月，國務(wù)院發(fā)布《新一代人工智能發(fā)展規(guī)劃》，人工智能正式進(jìn)入戰(zhàn)略發(fā)展階段。此后，國家、地方政府先后出臺(tái)大量人工智能相關(guān)政策。在政策紅利下，國內(nèi)一系列人工智能企業(yè)快速發(fā)展，研發(fā)創(chuàng)新活動(dòng)十分活躍。

在此背景下，部分學(xué)者開始針對(duì)新一代人工智能企業(yè)的績效評(píng)價(jià)展開研究。宋子杰等(2018)從單案例分析的角度采用事件分析法分析了科大訊飛2017年股權(quán)激勵(lì)計(jì)劃的市場效應(yīng)。覃姍姍等(2017)利用層次分析法(AHP)構(gòu)建企業(yè)智慧專業(yè)化評(píng)價(jià)模型，并對(duì)33家上市人工智能企業(yè)進(jìn)行評(píng)級(jí)和影響因素分析。

對(duì)新興產(chǎn)業(yè)的績效評(píng)價(jià)依賴于生產(chǎn)效率的測(cè)算，但是目前僅有極少數(shù)學(xué)者進(jìn)行了相關(guān)研究(侯志杰 等，2018)。生產(chǎn)效率的計(jì)算方式包括參數(shù)法的隨機(jī)前沿分析(Stochastic Frontier Analysis，SFA)和非參數(shù)法的數(shù)據(jù)包絡(luò)分析(Data Envelopment Analysis，DEA)。其中，SFA的優(yōu)勢(shì)在于有經(jīng)濟(jì)理論作為支撐(臺(tái)航 等，2017)，但需建立生產(chǎn)函數(shù)；DEA的優(yōu)勢(shì)在于可以處理多產(chǎn)出模型(馮偉，2015)，無需建立生產(chǎn)函數(shù)。DEA最早由Charnes et al.(1978)提出，此后眾多學(xué)者利用截?cái)嗷貧w模型對(duì)企業(yè)效率的影響因素進(jìn)行分析，形成DEA-Tobit二階段模型。

雖然DEA能夠有效測(cè)算企業(yè)生產(chǎn)效率，但是其原始分析結(jié)果中不僅沒有剔除環(huán)境因素的影響，而且隨機(jī)干擾也會(huì)對(duì)生產(chǎn)效率造成影響。因此，F(xiàn)ried et al.(2002)提出了三階段DEA模型，該模型在第一階段對(duì)決策單元的投入產(chǎn)出直接進(jìn)行生產(chǎn)效率測(cè)度；第二階段利用SFA消除環(huán)境因素與隨機(jī)干擾的影響；第三階段在控制環(huán)境因素與隨機(jī)干擾一致后，對(duì)研究對(duì)象的生產(chǎn)效率再次進(jìn)行比較。三階段DEA保證了各樣本決策單元的環(huán)境一致性，在羅登躍(2012)、陳巍巍等(2014)等學(xué)者引入我國并進(jìn)一步推廣與發(fā)展后，眾多學(xué)者采用三階段DEA對(duì)生產(chǎn)效率進(jìn)行分析(杜金岷 等，2016；季凱文 等，2014；藍(lán)虹 等，2014；劉子飛 等，2015；劉滿鳳 等，2016；劉廣斌 等，2017)。同時(shí)，也有學(xué)者將三階段DEA與二階段DEA-Tobit模型進(jìn)行融合，在進(jìn)行三階段DEA方法測(cè)算后，采用二階段Tobit模型測(cè)度環(huán)境因素對(duì)第一階段測(cè)算結(jié)果的影響(黃珂 等，2014)。

綜上，現(xiàn)有的研究在測(cè)度人工智能企業(yè)生產(chǎn)效率時(shí)沒有消除企業(yè)自身所處環(huán)境的影響，比較企業(yè)生產(chǎn)效率時(shí)未考慮企業(yè)所處客觀條件差異。同時(shí)，目前對(duì)企業(yè)生產(chǎn)效率提升路徑的相關(guān)研究仍然不足。因此，本文沿用黃珂等(2014)的方式，采用三階段DEA對(duì)人工智能企業(yè)的生產(chǎn)效率進(jìn)行研究，在此基礎(chǔ)上使用DEA-Tobit二階段法探討企業(yè)生產(chǎn)效率的提升路徑。此類做法的優(yōu)勢(shì)在于既能進(jìn)行排除環(huán)境因素后的效率比較，又能通過二階段回歸分析比較影響因素對(duì)生產(chǎn)效率的作用大小(童紀(jì)新 等，2019)。但不同之處在于，第一，將DEA-Tobit二階段分析得到的生產(chǎn)效率再次拆分成純技術(shù)效率與規(guī)模效率進(jìn)行回歸，分析不同影響因素具體通過何種路徑來影響生產(chǎn)效率；第二，將影響企業(yè)生產(chǎn)效率的外部環(huán)境因素分為企業(yè)可控因素和企業(yè)不可控因素，在三階段分析過程中剔除掉企業(yè)不可控的環(huán)境因素，從而排除回歸分析中客觀環(huán)境因素導(dǎo)致的內(nèi)生性問題。

二、研究設(shè)計(jì)與理論假設(shè)

本文在設(shè)計(jì)研究過程中考慮了以下幾點(diǎn)：第一，采用DEA測(cè)算的企業(yè)生產(chǎn)效率為兩種生產(chǎn)效率的乘積，一是企業(yè)使用既有生產(chǎn)要素所能達(dá)到的純技術(shù)效率，二是企業(yè)達(dá)到最優(yōu)生產(chǎn)規(guī)模時(shí)所獲得的規(guī)模效率；第二，僅僅將所有環(huán)境變量在第二階段剔除將無法直觀檢測(cè)各因素如何影響企業(yè)的具體生產(chǎn)效率，即在討論影響因素的作用時(shí)，如果把企業(yè)無法改變的外部環(huán)境因素納入多元回歸分析缺乏實(shí)際價(jià)值。

因此，本文采用三階段DEA與二階段Tobit同時(shí)分析的方式，第一步采用三階段DEA剔除其他環(huán)境因素后分析比較企業(yè)的生產(chǎn)效率，并觀測(cè)人工智能企業(yè)處于生產(chǎn)規(guī)模報(bào)酬的何種階段。第二步剔除企業(yè)無法改變的外部環(huán)境因素，將消除環(huán)境因素后的人工智能企業(yè)生產(chǎn)效率、純技術(shù)效率以及規(guī)模效率作為下一步實(shí)證研究的因變量，企業(yè)可控的影響因素作為自變量，進(jìn)行生產(chǎn)效率提升路徑的研究。

作為高新技術(shù)產(chǎn)業(yè)的代表，人工智能企業(yè)往往被認(rèn)為是技術(shù)密集型企業(yè)，較高的研發(fā)投入會(huì)提高人工智能企業(yè)的生產(chǎn)效率。但是，新一代人工智能技術(shù)的創(chuàng)新應(yīng)用尚未成熟，技術(shù)創(chuàng)新在基礎(chǔ)階段呈邊際報(bào)酬遞減(劉偉 等，2008)。前人的研究并沒有對(duì)人工智能企業(yè)的該項(xiàng)特征進(jìn)行實(shí)證分析。我們同樣認(rèn)為，企業(yè)在相關(guān)領(lǐng)域的科技研發(fā)投入可能造成大量的沉沒成本，導(dǎo)致生產(chǎn)效率隨科技投入的增加在最初有所提升，但是此后由于科技攻關(guān)的困難性將呈現(xiàn)邊際報(bào)酬遞減。據(jù)此，提出第一個(gè)假設(shè)：

H1

：

研發(fā)投入對(duì)生產(chǎn)效率的提高作用呈邊際報(bào)酬遞減。

規(guī)模經(jīng)濟(jì)是影響企業(yè)生產(chǎn)效率的重要途徑。Cockburn et al.(2018)認(rèn)為，人工智能作為通用目的技術(shù)必須與產(chǎn)業(yè)應(yīng)用部門融合才能支持產(chǎn)業(yè)發(fā)展。因此，目前人工智能企業(yè)既包括具備核心技術(shù)的中小型AI科技企業(yè)，也包括利用AI技術(shù)轉(zhuǎn)型的傳統(tǒng)大型企業(yè)。那么人工智能企業(yè)的規(guī)模大小如何影響企業(yè)的生產(chǎn)效率？是企業(yè)規(guī)模過大引起了規(guī)模報(bào)酬遞減還是企業(yè)規(guī)模太小可以進(jìn)一步提高規(guī)模效率？研究企業(yè)規(guī)模對(duì)生產(chǎn)效率的影響具有一定的實(shí)際意義。據(jù)此，本文引入第二個(gè)假設(shè)：

H2

：

企業(yè)規(guī)模的改變會(huì)影響企業(yè)的規(guī)模效率并最終影響企業(yè)生產(chǎn)效率。

劉張發(fā)等(2017)認(rèn)為高資產(chǎn)負(fù)債率會(huì)通過減少可支配現(xiàn)金流的途徑增加管理者約束，提高生產(chǎn)效率。然而鑒于國內(nèi)的實(shí)際情況，企業(yè)的債務(wù)融資以銀行貸款為主，對(duì)于大企業(yè)而言，規(guī)模優(yōu)勢(shì)和擁有充足的抵押物使其容易獲得更多的銀行貸款(張璇 等，2017)。負(fù)債率的提高表明該企業(yè)更受銀行“青睞”，可以獲得更多資金支持。因此，負(fù)債率較高的企業(yè)可能忽視要素的集約使用而轉(zhuǎn)向粗放的行為方式，導(dǎo)致純技術(shù)效率下降。為了檢驗(yàn)這兩種相反效應(yīng)的作用效果，提出第三個(gè)假設(shè)：

H3

：

負(fù)債率的提高會(huì)通過影響企業(yè)的純技術(shù)效率并最終影響企業(yè)生產(chǎn)效率。

三、生產(chǎn)效率測(cè)度與分析

1.變量說明

由于Wind數(shù)據(jù)庫對(duì)“人工智能”概念有著較為明確的界定(侯志杰 等，2018)，因而本文選取Wind數(shù)據(jù)庫中屬于“人工智能”概念的34家上市公司作為研究對(duì)象。企業(yè)變量相關(guān)數(shù)據(jù)來源于Wind數(shù)據(jù)庫，其他變量數(shù)據(jù)來源于歷年《國家統(tǒng)計(jì)年鑒》。研究的年限為2016—2018年。

(1)投入產(chǎn)出變量

在生產(chǎn)效率的測(cè)度上，借鑒大部分研究者的做法選取樣本企業(yè)當(dāng)年的固定資產(chǎn)投入和員工人數(shù)作為衡量資本與勞動(dòng)的兩大投入變量(季凱文 等，2014；陳海強(qiáng) 等，2015；李憲印 等，2016；崔鵬，2017)。

關(guān)于產(chǎn)出變量的選取，本文認(rèn)為人工智能企業(yè)對(duì)于人工智能技術(shù)的應(yīng)用不僅體現(xiàn)在將其應(yīng)用于生產(chǎn)環(huán)節(jié)從而出售產(chǎn)品獲利，同樣也會(huì)將其應(yīng)用于日常管理與其他業(yè)務(wù)的生產(chǎn)經(jīng)營上，因此本文選取營業(yè)總收入作為產(chǎn)出變量。

(2)客觀環(huán)境變量

在第二階段的分析中，需要將所有企業(yè)的外部環(huán)境因素進(jìn)行剔除從而在第三階段對(duì)生產(chǎn)效率進(jìn)行分析。根據(jù)本文的研究目的，選取了以下三個(gè)環(huán)境變量：

其一為上市年份。借鑒季凱文等(2014)的研究觀點(diǎn)，上市年份會(huì)影響企業(yè)的生產(chǎn)效率?；谖覈C券市場的制度環(huán)境，上市企業(yè)一般不會(huì)面臨較大的退市威脅，因此上市年份越久的公司易產(chǎn)生“惰性”，導(dǎo)致對(duì)要素投入約束的重視程度不及上市初期。從某種程度上來說，這種上市時(shí)間越久生產(chǎn)效率越不斷降低的特征是由我國目前的證券市場制度環(huán)境所決定，難以受企業(yè)主觀意志轉(zhuǎn)移。因此在比較企業(yè)生產(chǎn)效率時(shí)，有必要嘗試將這一環(huán)境因素剔除。

其二為區(qū)域人均GDP。鑒于我國地區(qū)之間發(fā)展差距較大，不同地區(qū)的經(jīng)濟(jì)發(fā)展情況會(huì)對(duì)企業(yè)的營業(yè)收入與經(jīng)營狀況等造成一定影響，這種地區(qū)經(jīng)濟(jì)發(fā)展的影響完全不受企業(yè)自身所控制，因此應(yīng)予以剔除。多數(shù)研究也在二階段的分析中將地區(qū)經(jīng)濟(jì)發(fā)展情況進(jìn)行剔除，但進(jìn)行企業(yè)的生產(chǎn)效率三階段分析一般不再剔除其它地區(qū)環(huán)境變量(沈忱，2017)。

其三為行業(yè)類型。34個(gè)人工智能上市企業(yè)的行業(yè)類型包括制造業(yè)和信息傳輸、軟件和信息技術(shù)服務(wù)業(yè)兩種，分別可視為硬件行業(yè)與軟件行業(yè)。不同行業(yè)生產(chǎn)經(jīng)營特點(diǎn)和企業(yè)文化通常存在差異，這種行業(yè)特征的差異同樣會(huì)導(dǎo)致生產(chǎn)效率的差異，而這種差異無法通過改善管理水平與技術(shù)投入等主觀行為而改變。同樣，不同行業(yè)可能獲得國家級(jí)別的政策支持也不相同。因此，本文認(rèn)為有必要將企業(yè)的行業(yè)特征因素消除。

2.第一階段DEA結(jié)果分析

第一階段DEA結(jié)果為原始結(jié)果，其中當(dāng)年固定資產(chǎn)投入與當(dāng)年員工人數(shù)為投入變量，營業(yè)總收入為產(chǎn)出變量。具體結(jié)果見表1。值得注意的是，DEA所測(cè)算的生產(chǎn)效率只是樣本企業(yè)間生產(chǎn)效率相對(duì)大小的比較，其中相對(duì)效率最高的企業(yè)(即決策單元)生產(chǎn)效率結(jié)果為1，即處于生產(chǎn)有效的前沿面。若規(guī)模效率不為1，則未處于最優(yōu)生產(chǎn)規(guī)模，處于規(guī)模報(bào)酬遞增(irs)或規(guī)模報(bào)酬遞減(drs)階段。

表1 不同企業(yè)第一階段DEA結(jié)果(2018年)(2) 受限于篇幅，第一階段DEA結(jié)果僅保留2018年，且一階段與三階段結(jié)果均只保留部分企業(yè)，其余年份與企業(yè)結(jié)果可向作者索取。

僅從第一階段的DEA結(jié)果可以看出，在2018年，只有浪潮集團(tuán)、昆侖萬維、佳都科技三家企業(yè)位于生產(chǎn)效率的前沿面。從生產(chǎn)效率來看，其它企業(yè)與這三家企業(yè)相差較大。而相差較大的主要原因是樣本企業(yè)的純技術(shù)效率相差較大，除上述三家處于生產(chǎn)效率前沿面的企業(yè)外，僅北京君正、?？低曁幱诩兗夹g(shù)效率的前沿面。從規(guī)模報(bào)酬的階段來看，三家處于總生產(chǎn)效率前沿面的企業(yè)位于最優(yōu)生產(chǎn)規(guī)模階段，而東華軟件與?？低曁幱谝?guī)模報(bào)酬遞減階段，即這兩家企業(yè)規(guī)模相對(duì)偏大，且在2017年就已經(jīng)出現(xiàn)了規(guī)模報(bào)酬遞減。其余所有企業(yè)全部處于規(guī)模報(bào)酬遞增階段，即企業(yè)規(guī)模相對(duì)偏小。從年份來看，所有樣本的綜合生產(chǎn)效率考察期間整體呈增長趨勢(shì)，但純技術(shù)效率與規(guī)模效率分別在2017年與2018年有所下降。

3.二階段SFA對(duì)環(huán)境因素的分析結(jié)果

由于環(huán)境因素會(huì)影響企業(yè)實(shí)際的投入與產(chǎn)出，因而在第二階段分析中，將剔除企業(yè)自身所無法改變的環(huán)境變量。在第一階段的分析中，本文計(jì)算出資本與人力投入的冗余變量，并將其作為被解釋變量，同時(shí)將上市年份、宏觀經(jīng)濟(jì)發(fā)展、行業(yè)類型等企業(yè)自身難以改變的環(huán)境變量作為解釋變量。

將第一階段得到的固定資產(chǎn)凈值冗余與從業(yè)人員冗余作為被解釋變量，將上市年份、區(qū)域人均GDP、行業(yè)類型作為解釋變量建立多元回歸模型進(jìn)行隨機(jī)前沿生產(chǎn)函數(shù)分析。其中，上市年份變量為2019年與企業(yè)上市年份之間的差額；人均GDP為企業(yè)所在省份當(dāng)年的人均GDP，代表企業(yè)所在地的經(jīng)濟(jì)發(fā)展情況；行業(yè)類型采用虛擬變量，制造業(yè)為1，信息傳輸、軟件和信息技術(shù)服務(wù)業(yè)為0。利用極大似然法進(jìn)行估計(jì)，所得結(jié)果見表2。

表2 隨機(jī)前沿回歸分析結(jié)果

回歸結(jié)果顯示，兩個(gè)模型的單邊LR值較高，均在1%的水平上顯著，表明環(huán)境變量選取合理。實(shí)際上兩個(gè)模型中三個(gè)環(huán)境變量均在1%的水平上顯著，說明所選擇的環(huán)境變量確實(shí)影響到了樣本企業(yè)的要素投入冗余。同時(shí)，兩個(gè)模型的γ值全部接近于1，表示隨機(jī)擾動(dòng)對(duì)要素的投入冗余影響極小。

從表中結(jié)果來看，首先，上市年份越久，企業(yè)由于約束降低導(dǎo)致在固定資產(chǎn)投入與人員投入都出現(xiàn)了明顯冗余。即伴隨上市年份增加，公司不必?fù)?dān)心退市威脅，因此缺乏監(jiān)督而忽視自身生產(chǎn)效率，再次驗(yàn)證了季凱文等(2014)的觀點(diǎn)。

其次，區(qū)域人均GDP越高，生產(chǎn)要素的冗余越低。即地區(qū)的發(fā)展程度存在環(huán)境效應(yīng)，處在發(fā)達(dá)地區(qū)的企業(yè)可能受到環(huán)境發(fā)展的影響提高要素的使用效率。

最后，行業(yè)類型對(duì)固定資產(chǎn)凈值冗余與從業(yè)人員冗余造成的影響相反。即制造業(yè)更容易出現(xiàn)固定資產(chǎn)投入冗余，而信息傳輸、軟件和信息技術(shù)服務(wù)業(yè)更容易出現(xiàn)從業(yè)人員的冗余。一種可能的解釋是制造業(yè)的生產(chǎn)以機(jī)器生產(chǎn)為主，企業(yè)往往會(huì)加大對(duì)機(jī)器的投入來精簡人員；而軟件和信息技術(shù)服務(wù)業(yè)所代表的軟件業(yè)生產(chǎn)以軟件工程師為主力，這種類型的企業(yè)也更傾向于招募更多從業(yè)人員作為人力資本的投資。

4.第三階段DEA結(jié)果分析

利用二階段SFA剔除環(huán)境因素影響后的固定資產(chǎn)投入與從業(yè)人員數(shù)量作為投入變量，企業(yè)營業(yè)總收入作為產(chǎn)出變量，對(duì)樣本企業(yè)進(jìn)行第三階段的DEA分析，結(jié)果如表3所示。

表中結(jié)果顯示，只有浪潮信息在2018年達(dá)到了生產(chǎn)有效的前沿面，其他企業(yè)距離生產(chǎn)有效前沿面較遠(yuǎn)。純技術(shù)效率中，除浪潮信息外，紫光國微、川大智勝、?？低暤绕髽I(yè)也達(dá)到了生產(chǎn)有效的前沿面，同時(shí)其他企業(yè)的純技術(shù)效率距離生產(chǎn)有效的前沿面較近。而在規(guī)模效率中，只有浪潮信息達(dá)到了生產(chǎn)有效的前沿面，其他企業(yè)均未達(dá)到且距離較遠(yuǎn)。除?？低曉?018年處于規(guī)模報(bào)酬遞減階段外，其他企業(yè)在考察期內(nèi)全部處于規(guī)模報(bào)酬遞增階段。

表3 不同企業(yè)第三階段DEA回歸結(jié)果

由于DEA測(cè)算的是相對(duì)效率，即每家企業(yè)距離效率最高企業(yè)(生產(chǎn)前沿面)的差距，因此不易將兩個(gè)階段下各企業(yè)的效率進(jìn)行直接比較。但兩個(gè)階段中2018年的浪潮集團(tuán)均處于生產(chǎn)前沿面，剔除環(huán)境因素的調(diào)整后發(fā)現(xiàn)，幾乎所有企業(yè)都距離生產(chǎn)前沿面更遠(yuǎn)，表現(xiàn)為所有企業(yè)的規(guī)模效率大幅降低，但是純技術(shù)效率卻相對(duì)提高。

5.第一、第三階段DEA結(jié)果比較

由于第三階段DEA結(jié)果為第一階段DEA剔除企業(yè)外部環(huán)境之后所得結(jié)果，因此，將不同年份、不同規(guī)模、不同行業(yè)的兩個(gè)階段DEA結(jié)果進(jìn)行平均值的橫向比較，可以看出環(huán)境因素究竟如何影響了企業(yè)之間生產(chǎn)效率的差距。均值越小代表大部分企業(yè)的生產(chǎn)效率距離有效前沿面越遠(yuǎn)。結(jié)果如表4所示。

表4 剔除環(huán)境因素前后生產(chǎn)效率比較

通過對(duì)比發(fā)現(xiàn)，無論是否剔除環(huán)境因素的影響，生產(chǎn)效率均呈逐年提高的狀態(tài)。未調(diào)整環(huán)境因素時(shí)生產(chǎn)效率的提高來自于純技術(shù)效率的進(jìn)步(即資源配置、管理等因素)，調(diào)整環(huán)境因素后生產(chǎn)效率的提高來自于規(guī)模效率的提高。進(jìn)一步將所有樣本按上市類型(主板、中小企業(yè)板、創(chuàng)業(yè)板)與按行業(yè)(制造業(yè)、信息服務(wù)業(yè))進(jìn)行分類發(fā)現(xiàn)結(jié)果仍然未變。

一方面，環(huán)境因素的納入使得人工智能企業(yè)整體的純技術(shù)效率距離有效前沿面更遠(yuǎn)，而規(guī)模效率整體距離有效前沿面更近。一種可能的解釋是，眾多企業(yè)自身利用生產(chǎn)要素的能力與效率相差不大，但是外部環(huán)境導(dǎo)致這種差距拉大。具體表現(xiàn)為，有些企業(yè)上市年份久從而導(dǎo)致管理僵化或位于不發(fā)達(dá)地區(qū)而受到區(qū)域經(jīng)濟(jì)的不利影響。企業(yè)間規(guī)模效率本身差距很大，但一些企業(yè)具備初創(chuàng)或者位于發(fā)達(dá)地區(qū)(典型的比如聚集在一線城市的初創(chuàng)科技型中小企業(yè))等外部環(huán)境優(yōu)勢(shì)縮小了這一差距。

另一方面，在剔除環(huán)境因素后，不同上市類型企業(yè)的純技術(shù)效率幾乎相同，三者的差距全部呈現(xiàn)在規(guī)模效率上。其中，主板上市企業(yè)規(guī)模效率最高，中小企業(yè)板次之，創(chuàng)業(yè)板上市企業(yè)最低。從行業(yè)類型來看，不同行業(yè)生產(chǎn)效率基本一致。剔除環(huán)境因素前信息服務(wù)業(yè)相對(duì)于制造業(yè)規(guī)模效率較高，剔除環(huán)境因素后信息服務(wù)業(yè)的純技術(shù)生產(chǎn)效率較高。由于行業(yè)特征對(duì)兩種投入要素的冗余呈反方向的影響，因此調(diào)整前后行業(yè)整體的三種效率差別并不明顯。

四、生產(chǎn)效率影響因素分析

1.數(shù)據(jù)來源、變量選取與模型建立

本部分?jǐn)?shù)據(jù)為上文所選取的34家樣本企業(yè)2016—2018年的相關(guān)財(cái)務(wù)數(shù)據(jù)，數(shù)據(jù)來源于Wind數(shù)據(jù)庫。其中，因變量采用前文DEA第三階段所得的調(diào)整環(huán)境因素后的三組生產(chǎn)效率，分別為生產(chǎn)效率以及將其拆分得到的純技術(shù)效率與規(guī)模效率。根據(jù)前文所提假設(shè)，第一個(gè)關(guān)鍵自變量為研發(fā)投入，采用企業(yè)當(dāng)年研發(fā)支出；第二個(gè)關(guān)鍵自變量為資產(chǎn)規(guī)模，采用企業(yè)總資產(chǎn)，包括流動(dòng)資產(chǎn)與固定資產(chǎn)總額，實(shí)際處理取自然對(duì)數(shù)，以代表企業(yè)的總體規(guī)模；第三個(gè)關(guān)鍵自變量為企業(yè)的資產(chǎn)負(fù)債率。所設(shè)置的三個(gè)自變量分別用于證明前文所提出的三個(gè)假設(shè)。

需要特別指出，使用三個(gè)因變量，是因?yàn)樯a(chǎn)效率本身是純技術(shù)效率與規(guī)模效率的乘積，將三個(gè)變量與生產(chǎn)效率、純技術(shù)效率、規(guī)模效率分別進(jìn)行回歸，可以看出自變量影響生產(chǎn)效率的具體路徑?？紤]到上文第二階段的SFA分析中已經(jīng)將其他控制變量所代表的環(huán)境因素予以剔除，此時(shí)模型中的因變量已經(jīng)剔除了其他控制變量的影響，因此不再設(shè)置其他控制變量。同時(shí)，為檢驗(yàn)研發(fā)投入的邊際遞減效應(yīng)，在三個(gè)因變量的基礎(chǔ)上，分別再選擇是否加入研發(fā)投入的二次項(xiàng)。因此，本文設(shè)置六個(gè)模型，具體表示如下：

(1)

(2)

(3)

crste=σ+σres+σln(asset)+ σlev+V+ε

(4)

vrste=β+βres+βln(asset)+βlev+V+ε

(5)

scale=γ+γres+γln(asset)+ γlev+V+ε

(6)

其中：下標(biāo)i表示不同企業(yè)；t代表不同年份；模型(1)、(4)中被解釋變量crste為企業(yè)的生產(chǎn)效率，模型(2)、(5)中被解釋變量vrste為企業(yè)的純技術(shù)效率，模型(3)、(6)中被解釋變量scale為企業(yè)的規(guī)模效率；res為企業(yè)的研發(fā)投入；ln(asset)為企業(yè)總資產(chǎn)的自然對(duì)數(shù)；lev為企業(yè)的資產(chǎn)負(fù)債率；V代表企業(yè)的個(gè)體效應(yīng)。由于考察年份較短，故沒有設(shè)置年份效應(yīng)。

由于被解釋變量為歸并數(shù)據(jù)(上限為1)，因此采用面板Tobit模型進(jìn)行回歸。由于企業(yè)的自身因素可能存在影響，需采用個(gè)體效應(yīng)進(jìn)行估計(jì)。但是個(gè)體固定效應(yīng)中的Tobit模型無法得到個(gè)體異質(zhì)性的充分估計(jì)量，而混合Tobit回歸中使用LSDV法的固定效應(yīng)估計(jì)量存在不一致問題，因此采用有個(gè)體效應(yīng)的隨機(jī)效應(yīng)模型。

2.描述性統(tǒng)計(jì)

樣本企業(yè)相關(guān)變量描述性統(tǒng)計(jì)結(jié)果如表5所示?？傎Y產(chǎn)最高企業(yè)為6348435萬元，最低為33418.16萬元，平均值為663964.20萬元。企業(yè)研發(fā)支出最高達(dá)到448278.10萬元，最低僅為1376.55萬元，平均研發(fā)支出為36843.78萬元。平均資產(chǎn)負(fù)債率為32.47%。統(tǒng)計(jì)結(jié)果顯示，樣本企業(yè)中頭部企業(yè)的總資產(chǎn)規(guī)模和研發(fā)支出均顯著超過其他企業(yè)。

表5 變量描述性統(tǒng)計(jì)

3.回歸結(jié)果分析

通過面板Tobit模型進(jìn)行回歸，結(jié)果如表6所示。首先，考察企業(yè)研發(fā)投入與生產(chǎn)效率之間的關(guān)系。模型(1)和(4)的回歸結(jié)果顯示，企業(yè)生產(chǎn)效率與研發(fā)投入顯著正相關(guān)，研發(fā)投入的提高對(duì)生產(chǎn)效率呈正向促進(jìn)作用。加入研發(fā)投入的二次項(xiàng)后，企業(yè)生產(chǎn)效率對(duì)研發(fā)投入的正向促進(jìn)作用顯著性增強(qiáng)，企業(yè)生產(chǎn)效率與研發(fā)投入的二次項(xiàng)呈顯著負(fù)相關(guān)。此外，加入二次項(xiàng)的線性模型擬合程度提高。因此，研發(fā)投入的提高對(duì)生產(chǎn)效率起促進(jìn)作用，但存在邊際報(bào)酬遞減趨勢(shì)。模型(2)和(5)的回歸結(jié)果顯示，純技術(shù)效率與研發(fā)投入及其二次項(xiàng)均顯著正相關(guān)，即研發(fā)投入的提高可能帶來純技術(shù)效率的指數(shù)型提高。模型(3)和(6)的回歸結(jié)果顯示，規(guī)模效率與研發(fā)投入顯著正相關(guān)，與其二次項(xiàng)顯著負(fù)相關(guān)，即研發(fā)投入的提高對(duì)規(guī)模效率起促進(jìn)作用但呈邊際遞減，且研發(fā)投入對(duì)規(guī)模效率的邊際遞減效應(yīng)大于對(duì)純技術(shù)效率的邊際遞增效應(yīng)，最終反應(yīng)在生產(chǎn)效率中呈現(xiàn)出研發(fā)投入對(duì)生產(chǎn)效率的促進(jìn)作用呈邊際遞減狀態(tài)。由此可以看出，假設(shè)1得證。

表6 Tobit二階段回歸結(jié)果

其次，考察企業(yè)規(guī)模與生產(chǎn)效率之間的關(guān)系。模型(1)和(4)中，不考慮研發(fā)投入的邊際遞減效應(yīng)時(shí)，企業(yè)資產(chǎn)規(guī)模顯著促進(jìn)了生產(chǎn)效率提升。模型(2)和(5)中，企業(yè)純技術(shù)效率與資產(chǎn)規(guī)模顯著負(fù)相關(guān)，即企業(yè)規(guī)模的擴(kuò)大會(huì)降低純技術(shù)效率。模型(3)和(6)中，企業(yè)規(guī)模效率與資產(chǎn)規(guī)模顯著正相關(guān)，即企業(yè)規(guī)模的擴(kuò)大會(huì)提高規(guī)模效率，前文DEA三階段的考察中幾乎所有企業(yè)都處于規(guī)模報(bào)酬遞增階段也證實(shí)了這一點(diǎn)。由此可知，假設(shè)2得證。

最后，考察企業(yè)負(fù)債率與生產(chǎn)效率之間的關(guān)系。模型(1)和(4)中，不考慮研發(fā)投入的邊際遞減效應(yīng)時(shí)，企業(yè)負(fù)債率顯著促進(jìn)了生產(chǎn)效率提升。模型(3)和(6)中，企業(yè)規(guī)模效率與負(fù)債率顯著正相關(guān)，即企業(yè)負(fù)債率對(duì)生產(chǎn)效率提升主要由規(guī)模效率提高引起，與原假設(shè)不符?？赡茉蛟谟谌谫Y能力較強(qiáng)的企業(yè)融資目的主要在于擴(kuò)大企業(yè)規(guī)模，由此帶動(dòng)規(guī)模效率提升。由此可以看出，假設(shè)3未通過驗(yàn)證。

4.進(jìn)一步檢驗(yàn)

從回歸結(jié)果可以看出，研發(fā)投入、企業(yè)規(guī)模、負(fù)債率均通過影響規(guī)模效率進(jìn)而影響生產(chǎn)效率。同時(shí)，由于原數(shù)據(jù)中只有浪潮集團(tuán)在2018年達(dá)到了規(guī)模效率和生產(chǎn)效率的前沿面，可以認(rèn)為生產(chǎn)效率與規(guī)模效率數(shù)據(jù)一定程度上不存在“歸并”。因此，本文嘗試使用非歸并回歸的固定效應(yīng)模型和混合效應(yīng)模型再次檢驗(yàn)研發(fā)投入、負(fù)債率、企業(yè)規(guī)模對(duì)生產(chǎn)效率與規(guī)模效率的影響，即采用面板固定效應(yīng)模型與面板混合效應(yīng)模型分別對(duì)模型(1)(被解釋變量為生產(chǎn)效率)、(3)(被解釋變量為規(guī)模效率)進(jìn)行檢驗(yàn)，結(jié)果如表7所示。

表7 進(jìn)一步檢驗(yàn)回歸結(jié)果

采用個(gè)體固定效應(yīng)估計(jì)發(fā)現(xiàn)，系數(shù)與顯著性均與基于個(gè)體隨機(jī)效應(yīng)的Tobit模型的估計(jì)結(jié)果基本一致，原假設(shè)進(jìn)一步得到驗(yàn)證。

五、研究結(jié)論及建議

相對(duì)于以往三階段DEA的研究，本文的邊際貢獻(xiàn)在于將第二階段需要剔除的環(huán)境因素分為企業(yè)可控與企業(yè)不可控因素。對(duì)于企業(yè)不可控的環(huán)境因素，在第二階段予以剔除；而對(duì)于企業(yè)可控的環(huán)境因素在第二階段不予以剔除，并基于第三階段的DEA結(jié)果進(jìn)行Tobit模型的二階段分析，來研究企業(yè)可控因素對(duì)生產(chǎn)效率造成的影響。

首先，通過研發(fā)投入對(duì)生產(chǎn)效率影響的實(shí)證研究發(fā)現(xiàn)，研發(fā)投入對(duì)生產(chǎn)效率有顯著促進(jìn)作用，且呈邊際報(bào)酬遞減。將生產(chǎn)效率拆分為純技術(shù)效率與規(guī)模效率進(jìn)行回歸發(fā)現(xiàn)，研發(fā)投入對(duì)規(guī)模效率的促進(jìn)作用呈邊際遞減，但對(duì)純技術(shù)效率的促進(jìn)作用呈邊際遞增。因此，研發(fā)投入對(duì)規(guī)模效率提高的邊際遞減效應(yīng)導(dǎo)致了研發(fā)投入對(duì)企業(yè)生產(chǎn)效率提高的邊際遞減效應(yīng)。研發(fā)投入存在邊際遞減效應(yīng)主要表現(xiàn)為研發(fā)投入資金有效利用不足所造成的投入冗余。一方面，企業(yè)本身管理依然存在缺陷；另一方面，我國當(dāng)前在人工智能領(lǐng)域基礎(chǔ)研究仍有進(jìn)一步提升空間。

政府相關(guān)部門需要加大對(duì)人工智能技術(shù)領(lǐng)域的支持力度，特別是要進(jìn)一步加強(qiáng)基礎(chǔ)理論和關(guān)鍵技術(shù)的研發(fā)，強(qiáng)化應(yīng)用示范、倫理治理，促進(jìn)我國人工智能健康發(fā)展。企業(yè)自身也應(yīng)提高科研資源的管理水平，提高科研經(jīng)費(fèi)使用效率，強(qiáng)化關(guān)鍵環(huán)節(jié)核心人才培養(yǎng)和引進(jìn)。

其次，不考慮環(huán)境因素的生產(chǎn)效率測(cè)算具有“誤導(dǎo)”作用，導(dǎo)致嚴(yán)重低估規(guī)模效率對(duì)人工智能企業(yè)生產(chǎn)效率的決定作用。事實(shí)上，絕大部分人工智能企業(yè)的純技術(shù)效率都與生產(chǎn)有效前沿面距離較近，導(dǎo)致生產(chǎn)效率不高的原因在于生產(chǎn)規(guī)模偏低。在測(cè)算結(jié)果中，除個(gè)別大型企業(yè)位于生產(chǎn)有效前沿面外，絕大部分企業(yè)均由于規(guī)模較小而處于規(guī)模報(bào)酬遞增階段。通過二階段Tobit回歸可以發(fā)現(xiàn)，擴(kuò)大企業(yè)規(guī)模能夠顯著提高規(guī)模效率，再次證明了目前絕大部分企業(yè)處于規(guī)模報(bào)酬遞增階段。同時(shí)，企業(yè)負(fù)債率的提高可以通過企業(yè)規(guī)模效率影響人工智能企業(yè)的全要素生產(chǎn)率來實(shí)現(xiàn)?？紤]到規(guī)模無效率的企業(yè)往往規(guī)模較小，因此資產(chǎn)負(fù)債率對(duì)生產(chǎn)效率的提高作用可能更多是通過提升融資能力的途徑來提高規(guī)模效率。

應(yīng)當(dāng)加快布局人工智能產(chǎn)業(yè)，著力形成涵蓋核心技術(shù)、關(guān)鍵系統(tǒng)、支撐平臺(tái)和智能應(yīng)用的完備產(chǎn)業(yè)鏈和高端產(chǎn)業(yè)群，開拓重點(diǎn)領(lǐng)域應(yīng)用示范場景，引育區(qū)域型龍頭企業(yè)。同時(shí)，推動(dòng)人工智能領(lǐng)域中小企業(yè)加快發(fā)展，持續(xù)拓寬中小型人工智能企業(yè)融資渠道，助力企業(yè)規(guī)模提升，提高規(guī)模經(jīng)濟(jì)水平。