基于DEA模型的德国纺织服装业技术创新效率研究
陈志祥，王 宏
(东华大学，上海 200051)
[摘 要] 文章以德国纺织服装业为研究对象，建立技术创新效率评价指标体系，分别运用DEA-CCR与DEA-Malmquist模型从静态与动态两个角度评价德国纺织服装业技术创新情况。从动态角度可以发现德国纺织服装业全要素生产率主要依靠技术进步，即技术创新能力；从静态角度可以发现，德国纺织服装业在近十年都能达到DEA有效，整体处于生产前沿面。
[关键词] 德国纺织服装业；技术创新；效率DEA
1 引 言
从2014年开始，德国便开始对纺织行业升级改造，将其纳入国家级创新战略，名为“未来纺织(Future Tex)”。该项目获批成为德国“2020创新伙伴”计划资助的十大项目之一，它将纺织业与高性能新材料、人工智能、节能环保、医疗健康跨界合作，把纺织业定位成一个全新的战略性新兴行业，最终目的是想让纺织业成为德国最具创新活力的行业之一。在地区上，德国将“未来纺织(Future Tex)”战略项目布局在东部图灵根州和萨克森州区域，有条不紊地对这些区域进行纺织业集群。其实这里本来就属于德国传统三大纺织工业区之一，这些地区有良好的纺织业传统以及大量相关的产业城市，也有许多与纺织相关的科研院所。通过对这一核心地区的产学研合作、重点突破和跨界协作，可以吸引德国各地的科研院所、企业与组织共同参与，最终形成以德国东部地区为支点来带动全国的产业转型升级。文章期望通过研究德国纺织服装业技术创新效率情况，为提升我国纺织服装业技术创新提供启示与建议。
他们收获的大部分是冷杉和雪松，然后出售给一个合作社，扣除总价值的一部分返还给伐木公司后，每根原木哈蒙德和摩尔可得25美元的收入，两人平分。除了从伐木公司流出到海上的原木之外，他们还在海上搜寻未经砍伐自然倒下的原始树木，这些树木通过风雨侵蚀或洪水冲刷最终进入海里，由于它们不属于伐木公司所有，可以卖出更高的价钱。他们说，最好的海上拾荒时间是在秋季和冬季，海水涨潮加上强烈的暴风雨，会有更多的原木和倒下的树木进入暴涨的河流水系中然后流向大海。
2 理论综述
Leibenstein(1966)从产出角度阐述了技术效率的定义。他认为在相同的投入规模、结构、市场价格和体制的前提下，实际产出与最高可能达到的产出量的比值就是技术效率。Lau和Yotopoulos (1971,1973)则从相对的角度阐述技术效率的定义。其假定分别给K与L两个经济单元同样的要素投入，若K经济单元的产出高于L，那么相对而言，经济单元K的技术效率更高。
随着时间发展，越来越多的学者将技术效率等同于技术创新效率，将技术效率赋予更多的“创新”特征，其实技术创新效率与技术效率并没有本质上区别。池仁勇(2003)认为，所谓技术创新效率就是技术创新资源投入与产出之比，可以用技术创新产出除以技术创新投入，它代表某个经济单元技术创新的贡献程度，它贯穿于整个创新生产过程。文章认为，处于生产前沿面上的投入产出关系一定要满足以最少的投入获得最高的绩效产出这样的前提条件，这样的投入与产出关系便处于生产前沿面上，在这个前沿面上，技术创新效率是最高的。
孩子们是有思想的。他们比我们想象得睿智，甚至超过我们的智慧。比如，一位作者以小狗的语气写被主人遗弃的失落与悲伤，引发小伙伴们浓厚的阅读兴趣与深深的悲悯情怀。文章如下：
(1)在2006至2015年这十年间德国纺织服装业M指数均值为1.03，表明着德国纺织服装业生产效率水平呈年均3%的增长，这些年德国纺织服装业全要素生产率总体保持提升。2015年的M指数是1.19，相对于2007年提升了59.2%，由于M指数受技术创新效率变动和技术进步的影响，其中技术进步总体均值为1.03大于技术创新效率的变动，所以我们可以在一定程度上认为德国纺织服装业的生产效率变化更多的依赖于技术进步，即技术创新能力。
对系统的优化设计,省去外部芯片,节省PCB布板空间,减少信号线之间的相互干扰问题,将并行数据的传输速率由原来的35 MHz提升到50 MHz,对相同的原始图像,在相同的压缩倍数下进行压缩后,由上位机显示的原始图像和压缩图像的对比结果图分别如图8和图9所示。
3 变量设定与模型建立
3.1 变量设定
文章在借鉴前人研究的基础上，同时结合纺织服装产业本身的特点与实际情况，建立了如下三层级指标衡量技术创新效率情况。
表1 纺织服装业技术创新效率评价指标体系
3.2 DEA-CCR效率评价模型构建
DEA-CCR模型是基于规模报酬不变的前提下，最终计算得到的技术创新效率(Technical Efficiency,TEF)是经济单元的综合技术创新效率，可以用它来衡量投入产出效率情况。另外该模型还可以计算出生产单元为达到其生产前沿面(即为了达到技术创新效率为“1”)时各个投入要素需要达到的目标值。
假设存在n个DMUj(1≤j≤n)，每个DMU有m种投入类型和s种产出类型。将投入与产出向量分别记为：Xj=(X1j,X2j…Xmj)T>0，Yj=(Y1j,Y2j…Y1j)T>0，j=1,…,n，其中：Xij表示第j个决策单元的第i种类型的投入总量，Yrj为第j个决策单元的第r种类型的产出总量，且Xij> 0(i=1,2,…,m), Yrj>0(r=1,2,…,s),Vi表示第i种投入指标的权重系数，Ur表示第r种产出指标的权重系数，且Vi≥0,Ur≥0。因此，每个决策单元DMU投入与产出的相对效率评价指数如公式(1)所示：
(4)假设在规模效益不变和完全竞争这些理想条件下，技术创新效率变化是效率的变化，它可以具体分为纯技术效率变化和规模效率变化两个指标。纯技术效率变化是规模效率变化等非理想条件下的效率变化率，而规模效率变化更多地表现出理想状态和规模效益变化实际情况发生时的偏离程度。其中，技术创新效率变化=纯技术创新效率变化×规模效率变化。
(1)
由表2可以发现：
一个下午，我都在琢磨于丹教授的话，伟翔说他做了我的奴隶，母亲说伟翔并不欠我的，难道我真的做错了什么吗？
技术创新效率的提升并不能直接影响经济增长，它先是作用于全要素生产率，然后再由全要素生产率提升作用于经济单元，使经济发生增长。
(2)
文章数据主要来源于2008—2018年《德国统计年鉴》、《德国专利商标年鉴》中关于食品制造业，饮料制造业，烟草制造业，纺织服装业，皮革毛皮及其制品，木材加工，造纸加工及纸制品，印刷业，石油加工及炼焦加工业，医药制造业，橡胶制品业，金属制品业共13个行业规模以上的制造业相关统计数据。一般来说，规模企业相对于非规模企业具备专业的研究器材与独立从事科研的条件，同时能获得巨额资金支持，相对也更能体现出技术创新的高低，所以只采用规模以上企业数据。
3.3 DEA-Malmquist指数模型构建
早在1953年，瑞典经济学家Sten就使用了Malmquist指数(M指数)，其以多个不同消费群体为研究对象，同Malmquist对比其在时间序列上的差异。后来越来越多的学者将Malmquist指数与DEA方法结合起来，测算全要素条件下的企业或产业的生产率变化趋势。将这个方法应用到文章中，也同样适用于研究纺织服装业技术创新效率的变化和在技术创新影响下的生产率的变化趋势。
基本公式为：
由图4知，仅轴力作用和纯弯作用下的剪力滞系数沿纵向分布的趋势基本相同，仅轴力作用下和纯弯荷载作用下，根据圣维南原理，在靠近支座的一段长度范围内应力是不符合平面均匀受压状态的。纯弯状态下或者仅轴力作用下离作用点越远即越靠近跨中位置就越符合平面变形状态，这些区段剪力滞现象是不存在的。如图5所示，在过渡段仍分布有剪应力，说明梁端附近的过渡段是存在剪力滞效应的。这部分剪力滞现象是由于预应力锚固端及梁端板壁纵向自由变形时产生的。
在投入水平保持不变的情况下，用投入的最小值除以实际的投入量便可以得出技术创新效率值。Xt,Xt+1,Yt,Yt+1分别表示t与t+1期的投入与产出
代表“距离函数”，
表示用t期的技术来表示t+1期的技术水平，
表示从t期至t+1期的生产率的变化程度。
文章动态角度的实证研究是通过在DEA-BCC模型基础上建立DEA-Malmquist指数模型从而计算出M指数的。当计算任意相邻的两年M指数时，针对t期的投入产出向量(Xt,Yt)将会计算得到四个不同的距离函数，分别是：D0t-1(Xt-1,Yt-1)，D0t-1(Xt,Yt)，D0t(Xt-1,Yt-1)，D0t(Xt,Yt)。
用BCC模型计算为：
(3)
(4)
(5)
(6)
(Xi,t-1,Yi,t-1)表示的是第i个工业产业在年份为t-1时的投入产出量，(Xi,t,Yi,t)则表示的是第i个工业产业在年份为t时的投入产出量。
3）草地的重心向西南偏移，由肥西西南部移向庐江地区，是由于东北地区的草地被转化为耕地，草地面积大幅度减少，而西南地区由于退耕还草政策的实施，草地得到了部分恢复；
4 德国纺织服装业技术创新效率实证分析
4.1 数据源
若公式(2)存在w0,μ0使得hj0=μTy0=1，那么DMUj0为弱DEA有效；若存在w0>0,μ0<0,且hj0=μTy0=1，那么DMUj0为DEA有效，否则非DEA有效。
4.2 基于Malmquist模型的动态实证评价
通过计算基于2006基年的Malmquist指数可以具体观察出技术创新效率对纺织服装产业生产变化的影响，并在此基础上将技术创新效率拆分成纯技术创新效率和规模效率两个指数指标，并从这两个指标来研究纺织服装产业技术创新效率情况，结合以上分析得出动态比较相关的结论。
基于纺织服装产业技术创新效率动态评价模型我们能够得到以下五个指数：“全要素生产率变化”“技术创新效率变化”及其分解的效率——“纯技术创新效率变化”和“规模效率变化”，还有“技术进步变化”。
(1)全要素生产率变化(Total Factor Productivity Change，以下简称M指数)受两个因素影响，分别是技术创新效率变化和技术进步变化，全要素生产率变化=技术创新效率变化×技术进步变化。当M指数大于1时，意味着t+1期相较于t期生产率增加了；当M指数等于1时，意味着t+1期相对于t期之间的生产率没有变化；当M指数小于1时，意味着t+1期的生产率相对于t期下降了，此时我们需要进一步观察是哪个因素引起的。
(2)技术创新效率变化(IEFC)表示决策单元从t期到t+1期向最佳生产状态的追赶程度，意味着在t期基础上的技术创新变化。当effch大于1时，意味着t+1期的技术创新效率相对于t期而言增加了，缩小了与生产前沿面的距离，意味着企业管理水平、分工协作、劳动力素质的提高；当effch小于1时，意味着t+1期的技术创新效率相对于t期而言减小了，进一步拉开了与生产前沿面的距离；当effch等于1时，意味着本期相比于上期没有变化。
(3)技术进步指数变化(TEC)是生产技术进步的表征指标，它指的是决策单元在t+1期相对于t期的生产技术变化率；意味着全产业行业的生产前沿面的向外扩展，代表着最佳生产状态随时间变动，即全行业的生产力能力的提高或者降低。若TEC 大于 1，则表示最佳生产面向外移动，出现了技术创新或者生产技术有所进步，相对技术创新效率得到提高，最佳生产状态也出现了提升；若TE等于1，则表示相邻两个时期内的生产技术水平保持不变，没有发生重大技术更新；若TEC 小于1，则表示生产前沿面向内移动，整体行业生产力水平下降。
“智慧珠”实验可简可难，千变万化，让学生乐在其中，多种的平面及立体的变化，可以持续不断地迎接挑战，带给学生持续的快乐和成就感。在实验过程中，学生判断事物的速度与能力提升了，其敏捷思维的能力加强了，高阶思维的火花在不断地碰撞、激发。当然，在结伴研究的过程中，学生合作的意识、组织协调能力也得到了锻炼，评价思维也有了历练。可以说，通过实验，学生的各项隐性认知都得到了发展。
4.2.1 德国纺织服装业的技术创新效率动态评价
本部分利用了2006—2015年德国投入产出情况，基于deap 2.1软件使用Malmquist模型测算了德国纺织服装业技术创新效率动态变化情况，具体如表2所示：
表2 德国纺织服装业技术创新效率Malmquist指数
选择合适的U和V，使得0<hj<1，j=1,2,…,n。将第j0个决策单元的效率指数为目标，对公式(1)进行Charns-Cooper变换，最终得到CCR模型如公式(2)：
经过对以上文献的梳理，文章认为处于最佳技术创新效率状态应该满足以下特征：只有当在“增加一种或一种以上的创新要素投入”和“减少同类产出”两者择一时，才能增加产出。总的来说，所谓技术创新效率就是指一个企业或者国家地区在投入要素一定时，产出距生产前沿面的距离，如果距离越大，那么技术创新效率越低。
(2)技术创新效率的变化(effch)均值为1，说明在这十年间德国纺织服装业技术创新效率变动有效，处于一直都能追赶上前沿面的状态。2015年技术创新效率变动相对于2007年变化了5%。
(3)从技术进步变化角度来看，相对于2007年，技术进步变化整体提升了51.5%，技术创新相对于2007年变化5%，技术进步变化巨大，从另一个角度反映出德国纺织服装业全要素生产率依赖于技术进步。以上数据一方面说明德国一直注重技术创新体系与研发投入，另一方面说明德国更加注重产品的更新换代。
MDCK细胞生长至对数生长期，分别以血凝滴度为 26HAU 的流感病毒株 PR8、Memphis、Aichi感染MDCK细胞，18 h后收集细胞并裂解，以纯化单克隆抗体作为一抗进行Western印迹实验。
(4)进一步将技术创新效率变动拆分可以发现纯技术效率与规模效率变动都比较稳定，趋近于1。说明德国的纺织服装业科技活动渠道，相关科技资源得到了合理配置与使用。
4.3 基于CCR模型静态实证评价
本部分采用DEA-CCR静态模型并使用deap 2.1软件分别对德国纺织服装业进行综合技术创新效率测度。时间周期为2006—2015年，分别取这段时间内13个工业制造业的投入产出数据作为样本数据。具体结果如表3所示：
在打桩时，钢板桩出现扭转，这种情况主要是由于定位桩船晃动导致打拔桩机桩锤水平位置不能良好地控制，而前后钢板桩已通过锁孔锁死，致使后沉入钢板桩绕锁孔转动。这种情况由于钢板桩下部已沉入土层，受土压力影响产生局部扭转，产生扭矩导致钢板桩变形。
表3 德国纺织服装业技术创新效率静态评价
由表3可知，德国技术创新效率除了2007年为0.95，其余均为1，均值为1，说明德国纺织服装业的整体都能达到DEA有效，即德国纺织服装业生产始终处于生产前沿面上，对技术的利用效率一直处于领先地位的。
5 结论与对策
通过对德国纺织服装业发展现状以及实证结果分析，我们可以发现德国纺织服装业“持续处于”生产前沿面主要有以下三点原因：
(1)完善的技术创新体系。一方面，德国纺织服装业全要素生产率主要由技术进步贡献，另一方面，德国将纺织业与高性能新材料、人工智能、节能环保、医疗健康跨界合作，把纺织业定位成一个全新的战略性新兴行业充分发挥其技术创新能力；
(2)产业集群。德国将“未来纺织(Future Tex)”战略项目布局在东部图灵根州和萨克森州区域，有条不紊地对这些区域进行纺织业集群。通过对这一核心地区的产学研合作、重点突破和跨界协作，期望形成以德国东部地区为支点来带动全国的产业转型升级。
(3)政府政策支持。由萨克森州纺织研究中心(STFI)领衔的“Future TEX”(未来纺织)项目，获批成为德国“2020创新伙伴”计划资助的十大项目之一，得到德国联邦教育与研究部自2014年起为期6年、共计4500万欧元的经费支持。
研究表明，酵母菌通过膜通透性的破坏和流动性的变化实现对乙醇毒性的适应性响应，膜的完整性依赖于存活因子（甾醇和长链不饱和脂肪酸）的补充，含有高浓度存活因子的酵母细胞具有很强的迅速完成发酵的能力，这也是适应性活化的主要作用[11]。
参考文献:
[1]LEIBENSTEINH.Allovativeefficiencyvs“X-efficiency”[J].AmericanEconomicReview，1966，56(3):392-415.
[2]逢红梅.我国装备制造业技术效率实证研究[D].沈阳：辽宁大学，2014.
[3]池仁勇.企业技术创新效率及其影响因素研究[J].数量经济技术经济研究，200(6):105-108.
[4]李向东，李南，刘东皇.高技术产业创新效率影响因素分析[J].统计与决策，2015(6):109-113.
[5]郭磊，刘志迎，周志翔.基于DEA交叉效率模型的区域技术创新效率评价研究[J].科学学与科学技术管理，2011(1):138-143.
[6]范群林，吴花平.我国文化科技创新效率研究——基于数据包络分析[J].现代商贸工业，2015(3):2-4.
[7]代碧波，孙东生，姚凤阁.我国制造业技术创新效率的变动及其影响因素——基于2001—2008年29个行业的面板数据分析[J].情报杂志，2012(3):123，185-191.
[8]魏悦.基于DEA模型和Malmquist指数法的江门市高技术产业的效率研究[J].五邑大学学报(自然科学版)，2014(4):23-28.
[9]张江雪，朱磊，基于绿色增长的我国各地区工业企业技术创新效率研究[J].数量经济技术经济研究，2012(2):113-125.
[10]巴曙松，华中炜，杨现领.中国经济减速的性质与政策选项[J].中国市场，2012(37):12-19.
[DOI] 10.13939/j.cnki.zgsc.2019.16.051
[作者简介] 陈志祥(1993— )，男，江苏盐城人，东华大学技术经济及管理专业在读硕士研究生;王宏(1971— )，女，黑龙江庆安人，东华大学旭日工商管理学院教授，研究方向:技术经济学。