中國人工智能產(chǎn)業(yè)技術(shù)創(chuàng)新效率評價分析
——基于DEA和Malmquist指數(shù)模型

凌 飛，胡登峰

(安徽財(cái)經(jīng)大學(xué) 工商管理學(xué)院，安徽 蚌埠 233030)

人工智能的發(fā)展正在改變?nèi)祟惖纳罘绞絒1]，多語言翻譯、智能病例處理、自動駕駛系統(tǒng)、人臉識別支付等人工智能技術(shù)的出現(xiàn)為大眾生活帶來諸多便利.自《中國制造2025》頒布后，中國政府將人工智能的發(fā)展作為未來產(chǎn)業(yè)轉(zhuǎn)型升級的重心，之后又推出一系列的相關(guān)政策.2019年中央全面深化改革委員會通過《關(guān)于促進(jìn)人工智能和實(shí)體經(jīng)濟(jì)深度融合的指導(dǎo)意見》[2]，旨在鼓勵人工智能企業(yè)的發(fā)展，推動制造業(yè)智能化，加快中國邁入工業(yè)4.0時代的步伐.另外，還實(shí)行“六大政策”，涉及人工智能的法律法規(guī)制定、安全監(jiān)管、知識產(chǎn)權(quán)保護(hù)等方面[3]，為人工智能的發(fā)展提供了保障.據(jù)中國信息通訊研究院發(fā)布的數(shù)據(jù)顯示，2018年人工智能行業(yè)市場規(guī)模已超過300億元，預(yù)計(jì)2020年將達(dá)到710億元[4]，表明中國的人工智能產(chǎn)業(yè)已經(jīng)步入發(fā)展快車道.但是中國人工智能產(chǎn)業(yè)的發(fā)展仍處于起步階段，數(shù)量上的快速增長不能等同于質(zhì)量上的同步提升，需要進(jìn)一步驗(yàn)證其發(fā)展效率及資源配置的現(xiàn)狀，為尋找企業(yè)生產(chǎn)活動短板，深入推動人工智能產(chǎn)業(yè)健康發(fā)展提供現(xiàn)實(shí)參考依據(jù).

1 文獻(xiàn)綜述

近年來，不少研究針對人工智能產(chǎn)業(yè)的發(fā)展效率展開.尤建新等從研發(fā)轉(zhuǎn)化與生產(chǎn)經(jīng)營兩個階段出發(fā)，使用二階段DEA模型分析我國智能汽車企業(yè)運(yùn)營效率，發(fā)現(xiàn)企業(yè)研發(fā)效率較低而生產(chǎn)經(jīng)營效率較高[5].劉超等以我國37家人工智能上市公司為研究對象，對其融資效率進(jìn)行測量，結(jié)果發(fā)現(xiàn)融資效率不高，大多數(shù)企業(yè)未達(dá)到DEA有效，主要是由規(guī)模效率低下引起的[6].黃俊等運(yùn)用DEA-Tobit模型研究我國國產(chǎn)機(jī)器人企業(yè)研發(fā)效率及其影響因素，發(fā)現(xiàn)國產(chǎn)機(jī)器人R&D效率呈上升趨勢，企業(yè)經(jīng)營規(guī)模和融資能力會對研發(fā)效率產(chǎn)生影響[7].侯志杰等基于中國人工智能上市企業(yè)的面板數(shù)據(jù)，采用Malmquist生產(chǎn)率指數(shù)方法，發(fā)現(xiàn)中國人工智能企業(yè)技術(shù)效率存在拖累效應(yīng)，導(dǎo)致全要素生產(chǎn)率出現(xiàn)負(fù)增長[8].吳淑娟等也研究了我國智能企業(yè)的全要素生產(chǎn)率，得出相似結(jié)論，建議采取措施促進(jìn)智能產(chǎn)業(yè)技術(shù)進(jìn)步和規(guī)模擴(kuò)大，加強(qiáng)企業(yè)管理[9].朱承亮等采用隨機(jī)前沿分析方法構(gòu)建超越對數(shù)生產(chǎn)函數(shù)模型，實(shí)證測度了中國智能產(chǎn)業(yè)的技術(shù)效率，發(fā)現(xiàn)其技術(shù)效率水平低下，但保持緩慢的增長態(tài)勢，存在較大的增長空間[10].

不難發(fā)現(xiàn)，融資效率、全要素生產(chǎn)率等是人工智能產(chǎn)業(yè)發(fā)展效率研究中常見的評價指標(biāo)，但關(guān)于技術(shù)創(chuàng)新效率評價的研究較少.技術(shù)創(chuàng)新是保障企業(yè)持續(xù)發(fā)展的基礎(chǔ)，技術(shù)創(chuàng)新效率能很好地反映企業(yè)研發(fā)活動的質(zhì)量和水平，因此對人工智能產(chǎn)業(yè)技術(shù)創(chuàng)新效率進(jìn)行測算具有很強(qiáng)的現(xiàn)實(shí)意義.目前，上市公司基本為各個行業(yè)發(fā)展的領(lǐng)導(dǎo)者，將人工智能產(chǎn)業(yè)的上市公司作為研究對象具有代表性和合理性.另外，DEA方法是學(xué)者們最常用的效率評測方法.故本文擬采用DEA和Malmquist指數(shù)方法，以中國人工智能產(chǎn)業(yè)的29家上市公司為研究對象，依據(jù)純技術(shù)效率、規(guī)模效率、綜合技術(shù)效率和效率變化程度對其技術(shù)創(chuàng)新活動進(jìn)行評價，探討我國人工智能產(chǎn)業(yè)的創(chuàng)新能力及研發(fā)現(xiàn)狀，并在此基礎(chǔ)上提出相關(guān)建議.

2 研究方法、指標(biāo)選取和數(shù)據(jù)來源

2.1 研究方法

2.1.1 DEA模型數(shù)據(jù)包絡(luò)分析(DEA)是一種常用的非參數(shù)效率評價方法，通過建立模型來評價研究對象多個投入、產(chǎn)出指標(biāo)的相對效率，在評價相對效率方面有著重要地位[11].因?yàn)闊o需構(gòu)建生產(chǎn)函數(shù)對參數(shù)進(jìn)行估計(jì)，且不受投入產(chǎn)出量綱的影響.BCC模型是其比較常用的經(jīng)典模型，它建立在規(guī)模報(bào)酬可變的前提下，能測算研究對象的純技術(shù)效率和規(guī)模效率.此外還可分別以產(chǎn)出和投入為導(dǎo)向來建立，投入導(dǎo)向型模型更易實(shí)現(xiàn)對投入指標(biāo)的掌控而達(dá)到控制成本的目的.考慮到由于上市公司的企業(yè)規(guī)模和所處行業(yè)存在較大差異，且生產(chǎn)經(jīng)營活動十分復(fù)雜，創(chuàng)新活動邊際收益具有不確定性，故本文選擇建立投入導(dǎo)向的BCC模型來評價上市公司的技術(shù)創(chuàng)新效率.

minθ

其中，xi、yi分別表示第i個樣本對象在技術(shù)創(chuàng)新活動中的資源投入量和成果產(chǎn)出量；s-和s+為松弛變量，用來反映資源配置的水平；θ為每個樣本公司的效率評價指數(shù)，能直觀判斷其是否有效.

2.1.2 Malmquist指數(shù)用DEA模型測算樣本公司的技術(shù)創(chuàng)新效率具有局限性，即僅能測出每年的靜態(tài)效率，無法對其技術(shù)效率、規(guī)模效率等的動態(tài)變化趨勢進(jìn)行合理測算，此時需要引入Malmquist指數(shù)[12-13]來研究，用來測算t到t+1期間生產(chǎn)效率的變動情況，可表示為

其中，pech、sech、techch分別表示純技術(shù)效率變動、規(guī)模效率變動和技術(shù)進(jìn)步變動；Mt， t+1表示全要素生產(chǎn)率的變動情況，若大于1，說明全要素生產(chǎn)率處于上升階段，反之則處于下降階段.

2.2 指標(biāo)選取

本文通過總結(jié)前人的研究成果來確定指標(biāo)，以確保技術(shù)創(chuàng)新效率評價結(jié)果的客觀性.在投入指標(biāo)的選擇方面，韓東林、肖文等學(xué)者使用研發(fā)經(jīng)費(fèi)支出、研發(fā)人員數(shù)量研究技術(shù)創(chuàng)新效率[14-15]；熊阿珍和李健英選用科研經(jīng)費(fèi)占比、科研人數(shù)占比衡量研發(fā)投入的強(qiáng)度[16，19].在產(chǎn)出指標(biāo)的選擇方面，韓東林使用新產(chǎn)品銷售收入、凈利潤和專利授權(quán)數(shù)反映公司技術(shù)創(chuàng)新的產(chǎn)出[14]；童澤望和任治分別引入企業(yè)營業(yè)收入總額和專利申請數(shù)[17，18]；李健英則使用營業(yè)收入、銷售增長率、專利申請數(shù)、利潤總額研究上市公司的創(chuàng)新績效[19].由于專利授權(quán)具有延遲性，授權(quán)數(shù)不能完全代表企業(yè)當(dāng)年的專利產(chǎn)出量，故本文選擇專利申請數(shù)作為非收益性產(chǎn)出指標(biāo)，又考慮到指標(biāo)數(shù)據(jù)易獲取原則，最終指標(biāo)選取結(jié)果見表1.

表1 我國人工智能產(chǎn)業(yè)上市公司技術(shù)創(chuàng)新投入產(chǎn)出指標(biāo)

2.3 數(shù)據(jù)來源

由于萬得數(shù)據(jù)庫對我國上市公司行業(yè)類型有明確界定，因此本文依據(jù)其劃分標(biāo)準(zhǔn)，剔除數(shù)據(jù)殘缺的部分企業(yè)，最終確定29家人工智能上市公司的數(shù)據(jù)作為研究樣本(見表2)，研究期間為2014—2018年.樣本期公司申報(bào)專利數(shù)量來源于中國專利智能檢索系統(tǒng)專利之星，其他來源于公司年報(bào)和萬得資訊.

3 實(shí)證分析

3.1 靜態(tài)技術(shù)創(chuàng)新效率測算

本文使用DEAP2.1對樣本數(shù)據(jù)進(jìn)行分析.表2展示了2014年和2018年人工智能上市公司技術(shù)創(chuàng)新效率評價結(jié)果，TE、PTE、SE分別為綜合技術(shù)效率、純技術(shù)效率和規(guī)模效率.

表2 人工智能產(chǎn)業(yè)上市公司2014和2018年技術(shù)創(chuàng)新效率

根據(jù)數(shù)據(jù)包絡(luò)分析理論，當(dāng)綜合技術(shù)效率值(TE)為1時，表明結(jié)果為DEA有效，并且PTE和SE同時有效.2018年我國人工智能產(chǎn)業(yè)上市公司的綜合技術(shù)效率為0.571，較2014年的0.479有所提升，但總體還處于較低水平.其中，有6家公司DEA達(dá)到有效，分別為?？低?、浪潮信息、廣電運(yùn)通、江南化工、軟控股份和勁拓股份，相比于2014年增加了兩家，技術(shù)創(chuàng)新水平已達(dá)到最佳，不存在投入冗余和產(chǎn)出不足的問題.2018年綜合技術(shù)效率在0.4～0.8的有7家，占總體的24.1%；低于0.4的有12家，占比為41.4%.由此可知，中國人工智能產(chǎn)業(yè)上市公司的技術(shù)創(chuàng)新水平較低，有65.5%的綜合技術(shù)效率水平低于0.8，技術(shù)創(chuàng)新方面的投入未得到充分利用.

從純技術(shù)效率(PTE)來看，2018年我國29家人工智能產(chǎn)業(yè)上市公司PTE均值為0.673，較2014年有所提高.其中有9家為1，除去TE值為1的6家，慈星股份、高樂股份、長高集團(tuán)的PTE也達(dá)到有效，處于技術(shù)有效而規(guī)模無效的弱DEA有效狀態(tài)，其綜合技術(shù)效率的無效狀態(tài)是公司生產(chǎn)規(guī)模問題導(dǎo)致的.

從規(guī)模效率(SE)來看，2018年我國29家人工智能產(chǎn)業(yè)上市公司SE均值為0.813，高于同期PTE值.只有6家公司規(guī)模效率為1，現(xiàn)有資源得到充分利用，生產(chǎn)規(guī)模達(dá)到最優(yōu)狀態(tài).另外在23家非DEA有效的公司中，處于規(guī)模收益遞減的有5家，占非DEA有效的21.7%，它們在技術(shù)創(chuàng)新活動中投入過多資金和人員，造成部分資源未得到充分利用，造成資源浪費(fèi)；處于規(guī)模收益遞增的有18家，占非DEA有效的78.3%，應(yīng)該加大在技術(shù)創(chuàng)新活動中的投入并加以合理利用，擴(kuò)大規(guī)模效益.

綜合而言，相較于2014年，2018年我國人工智能產(chǎn)業(yè)上市公司的SE值、PTE值和TE值都得到提升，表明各企業(yè)越來越重視技術(shù)創(chuàng)新活動，技術(shù)創(chuàng)新效率呈上升趨勢，但總體水平依然較低.

3.2 投入產(chǎn)出水平分析

為探究導(dǎo)致中國人工智能行業(yè)上市公司技術(shù)創(chuàng)新DEA無效的原因，本文進(jìn)行松弛變量分析(見表3).

表3 2018年人工智能產(chǎn)業(yè)上市公司技術(shù)創(chuàng)新投入產(chǎn)出水平

從表3可知，有21家公司在技術(shù)創(chuàng)新中存在投入冗余和產(chǎn)出不足的問題，其中科大訊飛、景嘉微、北京君正、川大智勝等較為嚴(yán)重.另外，有19家存在投入冗余的問題，并且研發(fā)費(fèi)用投入冗余比人員投入更嚴(yán)重，紫光國微、東方網(wǎng)力等只存在資金投入冗余，說明在技術(shù)創(chuàng)新活動中，研發(fā)費(fèi)用額度的確定需要經(jīng)過更謹(jǐn)慎地考慮，以免造成浪費(fèi).有14家存在產(chǎn)出不足的問題，東華軟件、東方網(wǎng)力等公司的專利產(chǎn)出不足，表明其研發(fā)水平較低，需提高研發(fā)人員的綜合素質(zhì)和技術(shù)水平；科大訊飛、美亞柏科、賽為智能等只存在營業(yè)收入不足的問題，不存在專利產(chǎn)出不足，可能與公司的經(jīng)營管理模式有關(guān).總體而言，中國人工智能產(chǎn)業(yè)上市公司普遍研發(fā)資源投入不合理，亟待提高資源配置水平以提高技術(shù)創(chuàng)新效率.

3.3 Malmquist指數(shù)動態(tài)分析

運(yùn)用DEAP2.1軟件，對2014—2018年我國29家人工智能產(chǎn)業(yè)上市公司的Malmquist生產(chǎn)指數(shù)進(jìn)行測算和分解，結(jié)果如表4所示，全要素生產(chǎn)率及其分解指標(biāo)變化趨勢如圖1所示.

表4 2014—2018年人工智能上市公司技術(shù)創(chuàng)新Malmquist指數(shù)

圖1 2014—2018年人工智能上市公司技術(shù)創(chuàng)新Malmquist指數(shù)變化趨勢

表4數(shù)據(jù)結(jié)果顯示，2014—2018年我國人工智能產(chǎn)業(yè)上市公司的技術(shù)創(chuàng)新效率表現(xiàn)為全要素生產(chǎn)率的波動上升，年平均增長率為0.4%，2016—2017年全要素生產(chǎn)率下降10.6%，2017—2018年上升9.5%.圖1顯示，Effch與Techch變化趨勢基本相同，表明全要素生產(chǎn)率主要受技術(shù)進(jìn)步影響.從Pech的變化來看，2014—2018年我國人工智能產(chǎn)業(yè)上市公司的純技術(shù)效率增長率基本保持在1.012水平，年平均增加2.5%.從Sech的變化來看，2014—2016年這些公司的規(guī)模效率處于上升階段，而2016—2018年卻處于下降階段，但整體處于上升水平，年平均增加1.9%.純技術(shù)效率和規(guī)模效率的增長共同引起技術(shù)效率的增長，其年平均增長率為4.4%.綜合而言，中國人工智能上市公司的全要素生產(chǎn)率主要受技術(shù)進(jìn)步變動影響，技術(shù)效率的“拉動效應(yīng)”使得全要素生產(chǎn)率的增長率要高于技術(shù)進(jìn)步，整體處于上升趨勢.

表5 人工智能上市公司技術(shù)創(chuàng)新Malmquist指數(shù)

從微觀角度探究我國人工智能產(chǎn)業(yè)技術(shù)創(chuàng)新的動態(tài)變化.表5結(jié)果顯示，在2014—2018年，有16家人工智能上市公司的全要素生產(chǎn)率呈上升趨勢，占樣本量的55.2%，其中科大訊飛增長幅度最大，增長率達(dá)到32.6%，美亞柏科、慈星股份、漢王科技等4家公司的增長動力是由其技術(shù)效率的增長來實(shí)現(xiàn)的，技術(shù)進(jìn)步變化具有抑制作用；另外13家公司的全要素生產(chǎn)率呈下降趨勢，占44.8%，思創(chuàng)醫(yī)惠下降18%，下降幅度最大，機(jī)器人、中興電發(fā)、神思電子等的下降是由技術(shù)進(jìn)步的下降造成的.總體而言，各人工智能上市公司全要素生產(chǎn)率增長差異明顯，全要素生產(chǎn)率的上升得益于技術(shù)效率的提高.

4 結(jié)語

本文使用DEA模型和Malmquist指數(shù)對2014—2018年我國人工智能產(chǎn)業(yè)29家上市公司的技術(shù)創(chuàng)新效率進(jìn)行靜態(tài)和動態(tài)測算，結(jié)果表明：

第一，我國人工智能產(chǎn)業(yè)上市公司的技術(shù)創(chuàng)新效率差異較大且整體水平偏低.2018年僅有6家公司達(dá)到DEA有效，大部分處于無效狀態(tài)，TE均值為0.571，且PTE低于SE，說明PTE低是造成部分公司DEA無效的主要原因，企業(yè)的技術(shù)創(chuàng)新能力有待提高；第二，72.4%的公司存在投入冗余和產(chǎn)出不足的問題，技術(shù)創(chuàng)新活動的資源配置水平較低，并且資金投入冗余較人員投入更為嚴(yán)重，合理配置研發(fā)資金成為重點(diǎn)；第三，采用Malmquist指數(shù)進(jìn)行測算和分解后發(fā)現(xiàn)，我國人工智能產(chǎn)業(yè)上市公司的全要素生產(chǎn)率呈上升趨勢，年均增長率為0.4%，2014—2018年全要素生產(chǎn)率變動幅度與技術(shù)進(jìn)步的變動大致相同，但技術(shù)進(jìn)步對其有“拖累效應(yīng)”，全要素生產(chǎn)率的上升得益于技術(shù)效率的提高.因此，本文建議

首先，針對人工智能產(chǎn)業(yè)上市公司技術(shù)創(chuàng)新效率差異大且水平低的情況，政府應(yīng)積極發(fā)揮分類指導(dǎo)作用.將技術(shù)創(chuàng)新效率高的公司作為龍頭企業(yè)培養(yǎng)，加大稅收和財(cái)政優(yōu)惠力度，使其引領(lǐng)整個人工智能產(chǎn)業(yè)的發(fā)展.對于效率較低的企業(yè)，政府應(yīng)積極鼓勵引進(jìn)先進(jìn)的科學(xué)技術(shù)和管理模式，提高純技術(shù)效率和整體創(chuàng)新水平.其次，各企業(yè)需要合理利用創(chuàng)新資源，提高資源配置能力，尤其要注意研發(fā)資金的投入，避免不必要的浪費(fèi).最后，針對我國人工智能企業(yè)存在技術(shù)效率驅(qū)動和技術(shù)進(jìn)步抑制的現(xiàn)象，需在發(fā)揮技術(shù)效率“拉動效應(yīng)”的同時，積極補(bǔ)齊技術(shù)進(jìn)步的短板，促進(jìn)技術(shù)進(jìn)步和技術(shù)效率的雙驅(qū)動，提高企業(yè)的全要素生產(chǎn)率，從而保證公司技術(shù)創(chuàng)新效率的穩(wěn)定增長.

本文選取我國人工智能產(chǎn)業(yè)的上市公司作為研究對象，探究了該產(chǎn)業(yè)技術(shù)創(chuàng)新效率的發(fā)展現(xiàn)狀，但由于相關(guān)數(shù)據(jù)不易獲取等原因而忽略了一些諸如大疆等非上市智能企業(yè)，而它們也屬于行業(yè)領(lǐng)導(dǎo)者，因此在樣本選取上存在不足之處，未來可以擴(kuò)大樣本量加以分析，使研究結(jié)論更加全面.