区域科技创新政策对企业创新绩效的影响效率研究,本文主要内容关键词为:科技创新论文,绩效论文,效率论文,区域论文,政策论文,此文献不代表本站观点,内容供学术参考,文章仅供参考阅读下载。
0 引言 随着完全竞争假设在现实中不可能实现,以及垄断抑制了市场机制的有效运行后,越来越多学者承认“市场失灵”的存在,至此,政府干预收到了学术界的关注。此后随着国家创新系统的研究,区域政策驱动作用被视为企业创新活动的另一个重要驱动力。创新既离不开市场“无形的手”调节,更离不开政府“有形的手”调控。由于我国的特殊国情及特定背景,政府及政策对于国家经济运行、产业布局、企业创新等具有重要的引导及保障作用,这只“有形的手”是“无形的手”的重要补充,两者相辅相成、紧密结合。因此在我国,政府及政策对于创新活动的研究具有较高的理论价值,创新绩效作为企业创新活动的结果对企业创新决策具有重要的参考价值,区域科技创新政策对企业创新绩效的效率如何,是政策对企业实际意义的体现,也是研究区域科技创新政策对企业创新绩效作用机理的后续研究,特别是我国正处于经济转型和深化改革的特殊历史时期,明确区域科技创新政策对企业创新绩效的机理及政策的效率问题更加具有强烈的现实意义。 党的十八大以来,以习近平同志为总书记的党中央高度重视科技创新政策的颁布与实施,并且提出一系列新思想、新论断、新要求,成为了加快建设创新型国家的基本遵循及行动指南[1]。随着区域科技创新政策的不断覆盖,企业的创新活动得到了明显的导向、激励及规范作用,创新绩效也得到显著提升。但也需看到,区域科技创新政策应该发挥的最大效用与目前企业响应政策所产生的创新绩效差距甚远,即区域科技创新政策的效率仍然较低[2];区域科技创新政策的不同政策工具及其组合运用对企业创新绩效的效率高低还存在很大程度的争论,研究往往强调单一政策工具的作用,缺少企业绩效与政策工具组合的联动效应,并且各项政策工具的协调或互斥关系不明确,不能反映区域科技创新政策的实际情况,宏观经济数据的考察也不能体现微观层面企业的实际创新绩效。因此,研究区域科技创新政策对企业创新绩效的效率是创新政策领域的焦点问题,对于政策在企业创新活动中发挥的激励作用效果如何以及为政府预测、制定、调整更具针对性的区域科技创新政策提供重要依据[3]。本文就上述问题开展研究,将区域科技创新政策的效率问题作为研究主线,尝试挖掘更加科学合理的企业创新绩效指标,基于复杂适应系统(CAS)的“刺激—反应”机理,运用随机前沿分析(SFA)方法进行实证分析,旨在为发挥政策最佳效能、提高政策最大效率及加快企业对政策响应提供理论与实践帮助。 l 理论基础与研究述评 1.1 复杂适应系统(CAS)理论文献综述 “适应造就复杂,复杂造就简单”这是复杂适应系统理论的精髓。政策的复杂性特征最早可以追溯到Eric Kljin、Goktug Moreol和Ronald Scott等人,他们都倾向于借助复杂适应系统理论的研究框架来解释政策从制定到实施及评估这一系列的动态演化过程[4]。随着区域科技创新政策研究的不断深入,传统的还原论、归纳、演绎推理等建模方法已经不能很好地刻画其复杂性的特征,CAS理论及其模型成为了研究政策复杂系统最具活力、最有影响力的方法之一[5-6]。李晨光在Murray研究的基础上[7],运用“刺激—反应”模型描述了创新政策对企业的影响过程,并构建了“要素变动刺激—研发创新反应—绩效水平计量”的因素模型。邬龙在研究北京市医药和信息技术产业的创新效率问题时[8],基于“刺激—反应”规则分析了当前生产条件下科研经费政策及科技人员投入政策对技术创新产出和经济效益产出的效率问题,并剖析了不同的技术创新政策对产业创新的敏感性系数。Carreira和Teixeira基于CAS理论分析了科技政策的实施首先引起产业发展环境的改变[9]。在产业层面,科技政策影响市场准入,内部企业数量会受到政策影响增加或减少,市场供需均衡关系被打破并向着新的均衡发展,新的供需关系导致企业产品价格变动,为适应新环境,产业不断加强技术创新、开辟新的技术路线;企业层面,企业根据自身是否能够适应环境发展作出判断,此时企业将面临破产、兼并及革新的选择,选择革新的企业根据科技政策的引导制定新的发展战略,并应用政策提供的投资补贴或财政支持投入进行创新活动;创新包括引进人才及培养科技人才,加强新产品的研发、降低成本,学习先进同行的创新经验等。慕静等学者通过比较研究可知[10-11],其他方法在研究政策多维复杂系统时都不可避免地受到系统不确定性的影响,而这正是CAS方法的优越之处。 1.2 区域科技创新政策效率文献综述 效率评估方法于1957年首次提出,即通过将生产前沿面与实际差距进行测量实现效率的评估。目前对于区域科技创新政策对企业创新绩效的效率这一问题,国内外相关研究主要集中在以下几点:首先,定性或定量评价区域及产业的创新效率。Onder等指出了对于机械制造产业[12],由于集聚程度所形成的创新效率差异性;唐德祥等基于我国东、中、西地区面板数据评价了创新投入对技术效率影响的区域差异及路径依赖[13];韩晶基于随机前沿分析的方法对中国高技术产业创新效率进行评价[14],发现了科技投资较科技人才对创新绩效的影响更弱;樊华、周德群以省级为单位分析中国各省域科技创新效率的演化规律及其影响要素[15],揭示出省域科技创新效率总体存在差异性及周期性特点并具有较大发展空间。其次,揭示影响企业创新绩效的关键政策要素。Atkeson A和Burstein A T揭示了税收政策要素对创新活动的重要性[16];Snvastava M K和Gnyawali D R分析了资源投入对于科技创新的敏感性[17];Oka A等研究了科技创新人才变动对于企业研发的影响程度[18];Meuleman M和De Maeseneire W发现研发补贴政策要素对于企业创新活动最具正向影响[19];Lerner J则分析了政府项目对于企业创新的重要影响[20]。最后,探索区域科技创新政策对企业创新绩效的影响机制。Yang等研究发现科技创新政策通过保障资源供给和促进知识扩散帮助企业快速创造知识[21]、升级技术、转化成果,有效提升企业创新效率;刁丽琳等研究科技环境对于技术效率的影响机制并指出政策通过构建良好的政策创新环境[22]、有效带动社会资源参与企业创新、提升企业的积极性并降低研发风险。 1.3 随机前沿分析(SFA)文献综述 随机前沿分析(SFA)是目前应用较为广泛的前沿分析方法。作为参数分析方法的代表,SFA通过比较各生产单位等量投入条件下实际产出与最大产出之间的距离获得生产前沿面及随机假设,以技术无效误差估算技术效率。国内外学者在基于SFA研究创新效率方面已经获得诸多成果,具有代表性的有Helvoigt等人通过对1968-2002年美国太平洋西北锯木产业数据进行SFA分析[23],揭示了技术进步、效率变化和生产率提高的关键因素,并通过回归方程研究每一项对贡献无效率的影响因素,研究结果表明生产率的进步几乎完全是由技术进步导致的;Grilches提出的科研投资效率方法能够专门研究科研投资引发的技术进步和经济效益[24];王锐淇等基于SFA与Malmquist方法对区域技术创新效率进行测度并分析其影响因素[25];朱承亮等基于SFA模型人力资本及其结构与研发创新效率进行检验[26];张信东等运用数据包络分析(DEA)和SFA方法比较分析了结构调整中的行业创新效率[27];曹霞、于娟基于投影寻踪和随机前沿的实证分析研究了创新驱动视角下中国省域研发创新效率[28]。 1.4 本研究与以往研究的比较分析 通过对以往文献的梳理,本研究的不同之处与改进主要包括:第一,以往研究表明大量学者研究创新效率问题,基本采用两步回归方法,首先估计随机前沿生产函数,估计效率值,然后用可能的影响因素与效率值进行回归,通过观察各个影响因素的系数来判定显著性及其影响大小。本研究依旧采用两步回归法,但是生产函数选取超越对数,其目的是区分不同政策工具及其组合搭配对政策效率的敏感程度。区域科技创新政策的不同政策工具及其组合运用对企业创新绩效的效率高低还存在很大程度的争论,研究往往强调单一政策工具的作用,缺少企业绩效与政策工具组合的联动效应,并且各项政策工具的协调或互斥关系不明确,不能反映区域科技创新政策的实际情况,因此,有必要做进一步讨论;第二,以往研究对于企业创新绩效的衡量大多以专利数量为考量指标。而创新过程是知识创新与知识创造的统一,知识创新产生新知识形成专利,而知识创造则表现为知识物化成产品、流程和服务[29],因此企业创新绩效应包含知识创新和知识创造这两部分,而这两部分的代表性指标分别为专利数量和新产品收益,以这两类指标作为考量才能更全面的研究企业的创新绩效;第三,以往研究更多的考察宏观经济数据,从企业层面考察不同行业、不同规模的微观实证较为缺乏,企业是创新决策、创新政策响应、研发投入的主体,因此,有必要从企业绩效层面研究区域科技创新政策的效率。鉴于此,为弥补上述研究不足,本文以北京市中关村上市企业为研究样本,应用SFA方法对2006-2013年间区域科技创新政策对企业创新绩效的效率进行测评,运用CAS中的“刺激—反应”机理描述政策的作用过程,构建区域科技创新政策的影响要素模型及SFA模型,并对不同行业的企业创新效率进行比较分析,最后提出结论与启示,以期为政府更好的实施调整区域科技创新政策提供借鉴。 2 研究设计与过程 2.1 构建影响要素模型框架 根据霍兰的理论,CAS中的刺激—反应机理是用来描述不同性能的适应性主体的方式,它说明了主体在不同时刻对环境的反应能力,即政策产生效率是企业为实现需求最大化而采取的适应性改变。基于上述刺激反应机理,构建“政策刺激—创新反应—创新活动—绩效计量”的影响要素模型框架,如图1所示,有助于解释某种程度上政策推动技术进步可能性的同时,确立了政策分析从宏观到微观层层剖析的视角。 2.2 方法适用性说明 SFA作为参数方法的代表,比DEA的最大优势在于随机误差与非效率值的分离和生产前沿面的计量估计,即SFA可以定量分析影响要素变量对个体技术效率差异的影响,而DEA虽然解释了变量的系数和描述科技创新政策的投入效率,但不能测定各投入指标的贡献度与检验外生性因素对个体差异的影响[30]。本研究的重点为政策效率,内容涉及企业创新绩效中政策的效率和非效率工具及其组合,以及随机误差项与非效率项对效率的影响程度,因此,随机前沿分析更加适合本研究的主题,同时也可从非效率影响的视角拓宽现有关于政策效率的研究。 2.3 选取变量及收集数据 基于刺激反应机理,本文构建了“政策刺激—创新反应—创新活动—绩效计量”的影响要素模型,其中以张永安研究为基础[31],重点探讨5项最常用的政策工具(分别为人才激励、研发补贴、税收优惠、政府采购及服务外包)对企业创新绩效的影响,因此设计为自变量;对因变量企业创新绩效的选取,不仅和大多数文献一样选取“专利数量”作为考量指标,还选取了“新产品收益”作为对企业创新产品转化效率的指标,以更加全面地将知识创新和知识创造结合起来反应企业创新绩效。然而,企业进行创新产生创新绩效并不完全由政策因素决定,其自身技术水平、规模大小、投入资本及劳动力都是绩效产生的关键,但本研究重点是政策因素对企业创新绩效产生的影响,因此企业自身的重要因素被设定为控制变量。基于科学性与可得性原则,得到如下变量说明,如表l所示。 本文以北京市中关村国家自主创新示范区企业为研究对象,研究样本以2006-2013年间上市企业年报数据和北京市经信委技术中心统计数据为数据源,其中涉及了电子信息技术、现代装备制造、生物医药等行业的90家上市较早企业,具体观测值包括企业市值、专利数量、新产品收益、研发(政策)补贴、创新人才、税收优惠等指标。其中,专利数量参照国家知识产权局网站根据企业名称获得各年的授权专利数;税收优惠参照《北京市关于进一步促进高新技术产业发展的若干规定》(京政发[2001]38号)和中关村2005年8月发布的《高新技术企业税收优惠政策》对目标企业分别进行计算得出;人才引进、政府采购统计数据以北京市科委项目统计数据摘出获得。标签:企业创新论文; 绩效改进计划论文; 绩效指标论文; 高新技术企业税收优惠论文; 绩效目标论文; 专利管理论文; 税收优惠论文; 效率论文; 政府采购法论文;