浙江财经大学,浙江 杭州 310000
摘要:本文基于2013-2021年中国大陆上市的191只人工智能概念股的研发创新面板数据,使用DEA-Malmquist指数方法,以《新一代人工智能发展规划》的部署规划为元年,进行该政策的实施前后各地区的人工智能企业创新效率比较研究。结果表明,2013-2021年我国人工智能企业的总体综合技术效率较高,全要素生产率在2017年前后出现较大增幅。这可能与人工智能企业从产品研发到商业化并反映在业绩上需要较长的周期,且大规模团队及大规模投入的企业更加容易受到政策带来的影响。
关键词:人工智能企业;创新效率;DEA-Malmquist指数方法
党的二十大报告强调“推动战略性新兴产业融合集群发展,构建新一代信息技术、人工智能、生物技术、新能源、新材料、高端装备、绿色环保等一批新的增长引擎”[1]。人工智能是21世纪最具“颠覆性”的科技革新之一,在全球范围掀起了生产方式、生活方式和治理方式变革的现代化进程[2]。2022年11月,ChatGPT智能聊天机器人的问世,其在自然语言理解、文字生成等方面的表现出来的强大能力,引发了全球社会对人工智能革命的关注。人工智能被人类社会寄予厚望,希望其能够模拟和扩展人的智能、辅助甚至代替人类实现多种功能,包括识别、认知、分析和决策等。如今,许多人工智能技术已经在社会经济和国家治理的各个领域得到了广泛的应用,比如人脸识别、语音识别、图像识别、自动驾驶、对话机器人、智能决策系统等。因此,人工智能企业的创新对于我国整体的技术创新具有至关重要的意义。
目前国内对于人工智能企业的创新效率研究鲜有学者涉及,大多为高新技术企业的创新效率研究,这也是本文研究的主要特色。《新一代人工智能发展规划》实施以来,我国人工智能产业发展迅速,据数据统计,2021年,中国的机器人出货总量高达26.8195万台,库存量超过一百万台。自2011年以来,中国在人工智能专利申请数量上已领先全球,2020年的申请量达到了46960项。这些数据证明,中国已成功进入全球人工智能发展的领先群体,市场潜力巨大。对《规划》实施前后人工智能企业的创新效率比较研究意义深刻,可以有效的检视《规划》的实施成果,并且本文观察各重点区域的人工智能企业创新过程,发现各地区人工智能企业的问题以及不足并对其提出有针对性的建议。
一、文献综述
(一)创新效率评价指标
国内外学者对创新效率评价指标进行了大量的研究,在投入指标方面,普遍认为应该把研发人员数量以及研发投入作为两种基本的投入指标,在早期的研究中,Sidney和Afriat(1972)就将研发支出和人力资源数量当作创新效率评价指标。Frantzen和Drik(2003)研究了TFP指数与研发投入的协整关系,证明了研发投入指标对全要素生产率研究的重要性。国内大多数学者以研发投入和研发人员数量为投入标对创新效率进行研究,吴翠花、万威武(2005)[3]以研发投入为核心指标结合其它因素构建指标体系来研究中小企业的创新效率。池仁勇(2004)[4]、张宗益(2006)[5]、石峰(2010)[6]以R&D投入,R&D人员数量构建指标体系,运用SFA、DEA等定量分析方法对不同时期我国区域创新效率进行了测算。
产出指标方面,大多数的研究认为专利申请量是最能衡量企业的创新水平的指标,因此大多将专利申请量作为产出指标,段婕、刘勇、王艳红(2012)[7]将专利申请量以及新产品销售额作为产出指标计算企业创新效率,尤其是对于一些中小微企业,其专利申请量更直接的反应出其创新水平的高低。
(二)DEA-Malmquist指数方法
数据包络分析(DEA)最早由Charnes,Cooper,Rhodes(1978)提出,该方法主要研究评价对象具有多投入以及多输出的有效性问题,主要包括规模报酬可变的DEA-BBC模型以及规模报酬不可变的DEA-CCR模型。高鹏和张黎(2006)[8]首次将数据包络分析法引入高新技术企业的效率评价,基于DEA模型对我国高新技术产业进行分析,并且提出优化我国高新技术产业的创新效率的措施。
从研究内容来看,用DEA模型评价创新效率主要集中在区域和行业层面,企业层面的研究偏少:徐蕾(2017)、朱雪珍(2013)等从区域影响因素出发,研究创新效率;康淑娟(2017)、宋之杰(2018)等人基于DEA模型分别对高新技术产业、电子信息制造两个产业的创新效率进行了评价;胡树华(2015)在DEA模型的基础上,建立了我国军工企业和上市中小企业两个层次的创新效率评价指标体系,得出企业在不同层次创新效率显著不同的结论。
目前将DEA模型应用于企业层面的研究较少,赵树宽,余海晴,巩顺龙 (2013)运用DEA方法,从创新效率、
DEA有效性、规模收益等分析吉林省高科技产业的创新效率。陈立梅,邵丽娟,朱卫未(2021)等将企业的创新过程分为技术开发、物料转化、效益产出三个阶段研究大数据企业创新效率影响机制。何瀚玮,蒋键(2022)通过单独专利申报数量、研发投入、联合专利申报数量等运用双重差分估计模型研究美国制裁对中国人工智能上市企业创新绩效影响,是该领域的最新研究成果。由此可以看出DEA模型对于研究企业的创新效率具有适用性强,可比性好的特点。
总体而言,国外对创新效率的研究大多集中在发达国家,对我国的创新效率研究没有太大的借鉴意义。而我国的创新效率主要集中在宏观和中层,很少涉及到微观层面的创新效率,特别是在微观层面上,更是少有研究成果,难以直接用于本文的研究。此外,一些学者仅以绩效评价指标和影响因子为基础,很少有学者从微观层次上对企业创新效率的影响因素进行实证分析。陈立梅等人对于大数据企业的创新效率研究是创新效率微观层面研究领域的前沿成果,对于本文的研究参考意义大,但在微观层次上,大多数研究都基于截面数据对企业的创新效率进行评价,这样得出的结果往往会受到特定的年份和极端情况的影响,不能很好地反映某一时期的总体情况和动态变化情况,因此本文的主要在DEA模型的基础上构建能反应其动态变化的DEA-Malmquist模型。
国内早有将DEA模型和Malmquist指数结合起来研究企业创新效率的先例。王媛(2006)[最早将DEA模型结合Malmquist指数分析城市基础设施的投资效率,黄海霞和张治河(2015)基于DEA-Malmquist指数对中国省级的面板数据进行测算,将TFP指数分解为技术进步指数、综合技术效率。达虎,范瑞龙(2022)基于DEA-Malmquist指数测度甘肃省科技创新效率,并从技术效率、技术进步效率、纯技术效率、规模效率及全要素生产效率五个方面评价投入产出指标,是该领域的最新成果。
二、研究设计
(一)数据来源
截至2021年12月,共有214只人工智能概念公司在主板上市,(相关概念股选取标准参考同花顺以及CSMAR数据库“人工智能概念”),考虑到部分公司上市时间较晚,较早年份的数据有缺失,剔除该部分公司后,还有191个样本。从CSMAR数据库选取相关创新指标,使用stata软件对所得数据进行预处理,删除一些缺失值较大的样本。同时对其他缺失值较少的样本使用STATA.17的线性插值法(外插法)进行填充,并根据年份以及个股进行整理归纳。由于DID模型将氢能板块数据作为控制组,所以我们将氢能板块中与人工智能板块重复的6只股票去除,以避免样本重复。
(二)模型变量选取
1.结果变量
《国务院关于印发新一代人工智能发展规划的通知》(以下简称“《人工智能规划》”)旨在提升人工智能企业的创新效率,因此本文将从该点出发构建人工智能企业创新效率的测量指标体系。上文DEA模型中已经得到各企业的TFP值,故本文直接选取TFP这一指标来衡量企业创新能力。
2.处理变量
《人工智能规划》于2017年出台,若本文分别将2017前后的时间变量分别赋值为0和1,在设置控制组和处理组时,本文分别将人工智能企业(处理组)和氢能企业(控制组)分别赋值为1,否则赋值为0;
3.协变量
由前述文献可知人工智能企业的专利申请量是最能反应其创新水平的,但是由于人工智能企业专利从申请到审批以及落地所需时间不等,专利申请所属年份无法划定,且由于现行的专利标准较多,有已申请,已授权,截止年底累计已获得等多种计量标准,即使我们使用了数据最多的标准,也有较多的缺失值,且上市人工智能企业中存在较多近几年才上市的公司,为防止数据缺失过多,综合考虑数据的完整性以及可获得性,将产出指标从专利申请量更换为意义相近的无形资产增加额。产出阶段,企业需要将创新所得产品转化为最终的经济效益,但是由于大多数人工智能企业不公布人工智能产品的销售收入,且该部分收入往往也难以衡量,故将企业财务指标中具有收益代表性的营业收入及营业利润作为产出指标。
本文借鉴陈立梅、邵丽娟等的研究成果,并且在阅读大量文献基础上,综合考虑数据的可获得性,时效性以及科学性原则,选用研发人员数量、研发人员数量占比、研发投入金额、研发投入占营业收入比例、营业收入、营业利润、无形资产净额七个指标构建协变量。因研发人员数量、研发投入金额、营业收入、营业利润、无形资产净额这五个变量的标准差比较大,为方便模型估计故对这几个变量进行了标准化。最终指标为研发投入金额(万元),研发人员数量(人/年)
,研发投入比例(%),研发人员占比例(%),无形资产增加额(万元),营业收入(万元),营业利润(万元)。
(三)模型构建
1.DEA模型
Charnes(1978)等人提出的数据包络分析是一种以多项输入输出为基础,对同一类型决策单位的有效性进行评估的方法,即CCR模型。对人工智能企业创新效率评估采用基于产出的非阿基米德无穷小规划的
DEA模型。设有n个决策单元,每个决策单元DMUi有m种类型的输入和k种类型的输出,分别用输入变量Xi和输出变量Yi表示,Xit>0表示第i个决策单元的第t类型的输入量;Yir表示第i个决策单元的第r种类型的输出量。[1]模型规划表达式如下:
(1)
其中j=1,2,…n表示决策单元,Uj,Vj分别是投入和产出向量;λ为DMU规模收益;n为决策单元个数,s-,s+则分别为基于投入和产出的松弛变量,Ɛ为阿基米德无穷小,本文取10-10,上述模型施加约束条件=1即为规模报酬可变的DEA-BBC模型。
2.Malmquist指数
上述DEA-BBC模型基于静态数据,为了更好地考察政策实施前后研发创新效率的动态变化,以及适应2013-2021人工智能企业创新效率相关面板数据,我们需要进一步引入研发创新的Malmquist指数:
(2)
Malmquist指标衡量了一个决策单位在两个阶段的生产率的变化,Malmquist指标大于1,代表生产效率在t到t+1阶段的提高;小于1表示下降;等于1表示未变化。在规模报酬不变假设下,Malmquist指数可分解为技术效率变化指数(ΔTEC)和技术进步变化指数(ΔTE)的连乘;在规模报酬可变假设下,综合技术效率(TEC)可分解为纯技术效率(PTE)和规模效率(SE)的乘积,故Malmquist指数可以进一步分解为技术进步变化指数(ΔTE)、纯技术效率变化指数(ΔPTE)与规模效率变化指数(ΔSE)的连乘。[18]即:
(3)
在数据方面采用2013-2021连续9年中国股市上市的191只人工智能概念股包含4个投入指标变量、3个产出指标变量的面板数据,以2013年至2016年五年的面板数据作为对照组,2017年至2021年四年的面板数据作为实验组进行两阶段的比较研究。
三、实证分析
(一)投入产出相关指标相关系数检验
DEA模型成立的一个重要前提假设是投入和产出变量之间存在等张性,即产出变量会随着投入变量的增加而增加,反之,当投入变量减少时,产出变量也会减少。[1]故须使用皮尔逊相关系数检验对投入产出相关变量进行检验,以确定其是否能够满足DEA模型前提要求,检验相关结果均能通过10%水平下的皮尔逊相关系数检验,故满足等张性的假设要求,适用于DEA模型,亦证明本文所选指标皆合理。
(二)DEA创新效率测度
DEA模型要求投入变量为正值,由于营业利润相关数据存在部分负值情况,本文首先使用归一化对原始数据进行处理,发现结果中规模效率数据过大,不符合实际情况,原因可能是本文所使用数据同一变量间具有较大的数值跨度,从而使得无量纲处理失效。考虑到负值存在个数较少,本文统一将其替换为无穷小,取10-10处理。
表1 2015-2020人工智能企业创新效率测度结果
年份 | 纯技术效益PTE | 规模效益SE | 综合效益TE |
2013 | 0.675 | 0.563 | 0.683 |
2014 | 0.763 | 0.456 | 0.527 |
2015 | 0.976 | 0.880 | 0.467 |
2016 | 0.453 | 0.758 | 0.345 |
2017 | 0.489 | 0.762 | 0.385 |
2018 | 0.558 | 0.911 | 0.834 |
2019 | 0.531 | 0.689 | 0.778 |
2020 | 0.601 | 0.904 | 0.641 |
2021 | 0.718 | 0.917 | 0.730 |
均值 | 0.518 | 0.817 | 0.630 |
结果表明,2013-2021年我国人工智能企业创新效率并不高,但综合创新效率随年份逐步波动上升。从总体数据看,各年份规模效益均值显著高于纯技术效益均值,由此可见,人工智能企业综合效益较高的原因是由纯技术效益显著偏低,即创新投入转化为创新产出的效率低下,人工智能企业过分强调创新投入所带来的商业价值,而没有重视对自身的技术研发效率的提升,说明了人工智能企业的技术研发没有以市场为导向,严重偏离了市场,脱离了用户群体,说明纯技术效益有较大的改进空间。人工智能企业规模效益高可以说明人工智能企业的产业集聚的规模效益高,所带来的经济收益较高。总之,人工智能企业不能盲目地加大创新投入,而应该以市场为导向,以提高自身的研发效率,有根据,切中用户痛点地去增大研发投入。
从各年份的表现看,TE,SE,PTE值均明显的随年份波动上升,尤其是2017年前后,各值均呈现出较大的跃升,初步说明该政策对人工智能企业的激励作用显著。另外2020年之后的TE值相较于2018和2019年数据均偏低,这可能是由于新冠疫情影响,该年份的异常需要政府充分重视。
(三)Malmquist指数创新测度
上述DEA创新效率测度对于本文的面板数据研究显然是远远不够的,为进一步研究人工企业创新效率随时间变化情况,本文引入DEA-Malmquist指数模型进行实证分析。
表22013-2021人工智能企业跨年度平均Malmquist指数
年度 | TEC指数 | TE指数 | PTE指数 | SE指数 | TFP指数 |
2013-2014 | 0.976 | 1.122 | 0.976 | 1 | 1.083 |
2014-2015 | 1.135 | 1.134 | 1.135 | 1 | 1.247 |
2015-2016 | 0.957 | 1.223 | 0.957 | 1 | 1.134 |
2016-2017 | 1.517 | 0.950 | 1.517 | 1 | 1.210 |
2017-2018 | 1.005 | 1.168 | 1.005 | 1 | 1.335 |
2018-2019 | 1.025 | 1.372 | 1.025 | 1 | 1.256 |
2019-2020 | 1.198 | 1.044 | 1.198 | 1 | 1.361 |
2020-2021 | 1.377 | 0.413 | 1.377 | 1 | 1.263 |
均值 | 1.349 | 1.053 | 1.349 | 1 | 1.174 |
纵观2013-2021年整个年份区间,Malmquist全要素生产率TFP指数均大于1,说明全要素生产率每年几乎都在稳步提升,同时,人工智能企业的创新效率也在逐年提高,尤其是该政策实施后首年2017-2018年度TFP指数有明显的增长,且2017年之后的TFP指数比之前年份的TFP指数都提升不少,说明了2017年该政策的实施有效地提高了人工智能企业的总体创新效率,这与前文DEA分析阶段所得结论符合,证实了该政策的实施成果对人工智能企业创新效率影响显著。
从Malmquist的指数分解上看,TFP指数均值为1.174,TEC指数和TE指数均值相近,说明它们对TFP指数增长的贡献度几乎相等,而对TEC指数继续分解可发现,PTE指数均值高于SE指数,这说明纯技术效率变化对TEC增长的贡献度大于规模效率变化对TEC指数的贡献度。可以看出,在Malmquist指数逐年稳步提升的同时,其分解指数也逐年上升,且各年度增长情况不一。2019-2020年伴随着SE指数和PTE指数的同步上升,TEC指数大幅上升,但由于TE指数小于1,从而导致TFP指数未有大幅上升,这可能和其中一个年度的截面数据所有的某些特有因素的影响有关。综上所述,人工企业malmquist全要素生产率TFP指数在2013-2021年皆上升,尤其是2017年该政策实施后,TFP指数出现显著上升。
四、结论与建议
本文首先运用DEA指数方法,对我国人工智能企业的创新效率进行测算,再使用DEA-Malmquist指数方法测算2017年该政策实施前后人工智能企业创新效率的动态变化,并基于其结果构建PSM-DID模型进行实证分析,并得出以下结论:
(1)总体而言,2013-2021年我国人工智能企业综合创新效益不高,创新投入转化为创新输出的效率不足,但创新效率随年份波动上升。综合技术效率低下的主要原因是纯技术效率低下,人工智能企业过分强调创新投入所带来的商业价值,强调面向市场的经济效益,而没有重视对自身的技术研发效率的提升;人工智能企业应该充分重视对自身技术优势的积累以及转化,不能盲目地加大创新投入,而应该以市场为导向,以解决用户实际需求为导向以提高自身的研发效率,切中用户痛点地去增大研发投入,从而提升整体的市场竞争力。政府应该积极引导相关企业努力提升自身创新效率,出台相关政策鼓励企业进行新技术的研发,以及相关减税免税政策,更好的激发企业的创新动力。
(2)2017年创新驱动发展战略实施后,人工智能企业的全要素生产率逐年上升,且在政策实施后有显著提升,说明该政策有效地提升了人工智能企业的创新效率。政策实施后,全要素生产率的增长大多为技术进步变化率和纯技术效率贡献,充分说明,该政策的实施有力的促进了企业对现有技术的充分利用,配置要素结构的能力提升,以及研发新技术的实力有了大幅提升。
参考文献
[1]曲忠芳,李正豪. 人工智能行业企业家热议二十大报告[N]. 中国经营报,2022-10-31(C01).DOI:10.38300/n.cnki.nzgjy.2022.002898.
[2]孟天广.智能治理:通用人工智能时代的治理命题[J].学海,2023,No.200(02):41-47.DOI:10.16091/j.cnki.cn32-1308/c.2023.02.022.
[3]吴翠花,万威武,祁敬宇等.科技型中小企业技术创新效率评价指标研究[J].生产力研究,2005(02):198-200.DOI:10.19374/j.cnki.14-1145/f.2005.02.074.
[4]池仁勇,唐根年.基于投入与绩效评价的区域技术创新效率研究[J].科研管理,2004(4):23-27.
[5]张宗益,周勇.基于SFA模型的我国区域技术创新效率的实证研究[J].中国软科学,2006(2):125-128.
[6]石峰.基于省际面板数据及DEA的区域创新效率研究[J.]技术经济2010(5):42-47.
[7]段婕,刘勇,王艳红.基于DEA改进模型的装备制造业技术创新效率实证研究[J].科技进步与对策,2012,29(06):65-69.
[8]高鹏,张黎. 高技术产业创新效率比较分析[C]//中国优选法统筹法与经济数学研究会,马鞍山市人民政府.现代工业工程与管理研讨会会议论文集.[出版者不详],2006:4.
[9]翟伟.绿色信贷政策对企业绿色技术创新的影响[D].东北财经大学,2022.DOI:10.27006/d.cnki.gdbcu.2022.001694.
[10]李盛基,商明贺,周十同.城乡居民保能降低农村低收入家庭贫困脆弱性吗?——基于PSM-DID的实证分析[J].税务与经济,2023,No.248(03):91-98.
[11]曹礼阳.绿色债券政策对企业全要素生产率的影响——基于PSM-DID模型的实证研究
[J].全国流通经济,2023,No.2347(07):141-144.DOI:10.16834/j.cnki.issn1009-5292.2023.07.043.
[12]尚洪涛,宋岸玲.工业互联网产业政策促进了企业数字化转型吗[J/OL].科学学研究:1-26[2023-05-25].https://doi.org/10.16192/j.cnki.1003-2053.20230320.002.
[13]陈立梅,邵丽娟,朱卫未.大数据企业技术创新效率影响机制研究[J].南京邮电大学学报(社会科学版),2021,23(02):52-66.
[14]HANSEN M T, BIRKINSHAW J. The innovation value chain [J]. Harvard Business Review, 2007(6):121-130+142.
[15]ROPERS,DUJ,LOVEJH.Modelling the innovation value chain [J].Research Policy,2008(6):961-977.
[16]SALIMIT,LEHNERJP,EPSTEINRS,etal.A framework for pharmaceutical value⁃basedinnova⁃tions[J].Journal of Comparative Effectiveness Research,2012(1suppl):3-7.
[17]GANOTAKISP,LOVEJH.The innovation value chain innew technology⁃basedfirms:evidence from the U.K.[J].Journal of Produc Innovation Management,2012(5):839-860.
[18]TAHIZADEHSK,JAYARAMANKS,ISMAILI,etal.Innovation value chain as predictors for innovation strategy in telecommunication industry[J].Problemsand Perspectives in Management,2017(4):533-539.
作者简介:
第一作者:朱文照1998年8月男浙江省温州市汉族硕士硕士研究生浙江财经大学研究方向:应用统计
通讯作者:郑林晨2000年9月男浙江省衢州市汉族硕士研究生浙江财经大学研究方向:应用统计
第三作者:朱康1998年7月男浙江省湖州市汉族硕士硕士研究生浙江财经大学研究方向:应用统计
第四作者:周凯颖2000年5月女浙江省台州市汉族硕士硕士研究生浙江财经大学研究方向:汉语国际教育