基于混合型网络DEA-Malmquist法的中国智能效率测量研究
吴淑娟 吴海民 肖健华
(五邑大学经济管理学院，广东 江门 529020)
摘 要: 为了准确测量中国智能效率，剖析智能企业运行过程的混合网络型结构，构建并运用混合型网络DEA-Malmquist指数模型，采用2011—2018年中国82家上市智能企业的数据，分别运用构建的模型和传统效率模型进行实证，研究发现:中国智能效率被低估，政府补贴、融资环境和税收负担通过影响智能企业子系统的投入共同影响智能效率。
关键词: 智能产业；智能效率；混合型网络DEA模型；Malmquist指数
0 引 言
智能技术进步是中国实现科技创新驱动的关键。但智能技术种类多样，技术差异性强，产业范围宽泛，智能技术进步的测量、非效率环节和负面影响因素的挖掘极为困难。
技术进步研究成果以子行业和企业的研究为主，如人工智能[1]、大数据[2]、物联网[3]；常采用技术效率[1,2,4]、全要素生产率(TFP)等作为指标；测量方法以随机前沿方法和DEA方法为主，数据涵盖国际数据[5]、国内产业数据[6-8]和企业数据[1,3-4,9]等3个层面，专门的智能效率的实证研究鲜见，多是以之作为研究的组成部分。
但是现有研究的实证结果不能真实反映智能技术产出。传统DEA模型无法剔除外部环境因素对效率评价的影响，降低了评价结果的准确性。传统的Malmquist指数法也难以克服“暗箱操作”的弊端。因此，本文结合智能企业的运作过程结构特点构建混合型网络DEA-Malmquist模型，以期能剔除外部环境因素的影响，得出更真实可靠的智能效率值，并据之提出相关的对策建议。
1 构建模型
1.1 智能企业的运作结构
基于文献10，把智能企业运作过程分为智能研发和产品生产两个子系统。在研发子系统，企业投入智能人才和智能技术研发资金，从事智能技术研究活动，获得发明专利等知识性产出。在产品生产子系统，智能企业运用智能科研子系统中获得的知识性产出，另加劳动力和营业成本等投入，进行产品生产和销售活动，实现企业利润。两个子系统形成既串联又并联的混合型网络结构系统。
1.2 模型的构建
在两个子系统中，假设有s 个决策单元(DMU)，每个DMU有m 种子系统一的投入，q 种中间输出(既是子系统一的产出又是子系统二的投入)、h 种子系统二的其他的投入和n 种最终输出。
对“既尽力而为，又量力而行”这一原则，计划起草者之一、生态环境部环境发展中心环境管理研究所所长王亚男感受颇深：“既要让群众感受到明显改观，又要考虑到目前农村的治理能力，能干到什么程度确实是我们反复考虑的问题。”
1.2.1 子系统一的三阶段DEA-Malmquist指数模型
[Max {V 1ik }-V 1ik ]
① 第一阶段DEA-Malmquist模型。引入Malmquist指数建立三阶段DEA-Malmquist指数模型,建立面向产出的距离函数：
子系统二的投入向量
由H j =(h 1jt ,h 2jt ,…,h qjt )T 和Z j =(z 1jt ,z 2jt ,…,z qjt )T 共同组成。z pjt (p =1,2,…,q )表示t 年第j 个DMU 的第p 种中间产品。
(1)
式(1)中，x 和z 分别表示投入变量和产出变量矩阵；δ 表示面向产出的效率指标，P 1(x )定义为可能的生产集合。采用几何平均值来计算定向输出Malmquist指数：
TFP 1=M 1(x t ,z t ,x t+1 ,z t+1 )
(2)
该指数分解为不变规模报酬假定下的技术效率指数(EC)和技术进步指数(TP)。技术效率指数分解为纯技术效率指数(PC)和规模效率指数(SC)，V 1、S 1表示规模效率发生变化的情况。得Malmquist指数：
(3)
为调整前的投入量，
为调整后的投入量，
代表将所有DMU调整至相同的环境变量中，Max {V 2ik }-V 2ik 代表将所有DMU的随机干扰因素调整至相同的情形中。
以106份样本的13个形态性状为指标，采用Bray-Curtis距离系数和离差平方和法聚类策略，建立缺齿蓑藓的形态聚类图。原始数据用最大值标准化处理，同时以平均形态性状为指标，建立11个地理居群的形态距离系数矩阵。同时计算藓类枝叶的连续变量性状在106份样本间的变异系数。
(4)
S 1ik 和EN k 分别为松弛变量和环境变量，
为环境变量的待估参数，
是环境变量对松弛变量的影响函数，V 1ik +U 1ik 为混合误差项，V 1ik 为随机干扰项，服从
分布，U 1ik 表示管理无效率，服从
的截断正态分布，V 1ik 与U 1ik 独立不相关且当γ 1=σ ui1 /(σ ui1 +σ vi1 )趋近于1时，管理无效率占主导因素，说明忽略环境变量的传统一阶段DEA-Malmquist指数不能反映DMU的TFP的真实情况及其变动。
夏冰举着手枪退出来，又轻轻打开旁边一间卧室，还是没人。另一间是书房，满架高高低低的图书，一些横放着，一些竖放着，上面还散乱着一些笔筒、镇纸之类的小物件。四壁都挂着画，全是雪萤的画像，有正面，有侧面，还有背影，有一张两个人牵手在一起，一个是雪萤，一个是范坚强，画成婚纱照的样子。夏冰愤愤地把这幅画从墙上扯下来，摔在地上，又在范坚强的画像上踩了几脚。
利用SFA模型得出的松弛变量结果，对DMU的投入量进行调整，即：
当前智能楼宇综合管理系统大多从建筑物业后勤管理的角度进行投资建设，如何对建筑运行的海量数据进行统计分析并发掘数据潜在的价值，值得进一步研究。随着大数据技术的应用发展，可以借助数据分析和挖掘等技术，进一步分析建筑运行的规律，降低建筑运行成本，实现建筑运维的精益化管理和增值化服务[5]。
从拟建/在建和储备项目总量来看，近期最为活跃的长青集团在2015～2016年大举扩张，累计签署32个秸秆直燃发电项目的投资合作框架协议，拟装机规模1355MW。目前其河南方城、辽宁灯塔、山东曹县等13个秸秆直燃发电项目已签署投资协议，山东鄄城项目获得核准[27]。
结合SFA法剔除传统DEA模型中环境和随机因素的影响，建立三阶段DEA-Malmquist指数模型。该指数法的第一阶段按照最初选取的投入和产出指标，运用DEA-Malmquist指数法评价相对效率。第二阶段运用SFA模型剔除外部环境因素影响，对最初的投入指标进行调整。第三阶段依据调整后的投入指标，按照第一阶段的方法，重新分析Malmquist指数。
(5)
X ik 为调整前的投入量，
为调整后的投入量，
代表将所有DMU 调整至相同的环境变量中，Max {V 1ik }-V 1ik 代表将所有DMU的随机干扰因素调整至相同的情形中。
(5) 由上述结论可知,在地震动的作用下钢管塔下横担以下的部位较安全,下横担以上,尤其是中横担以上的部位变形较明显,在塔头处和上中横担之间的部分构件出现了最大应力,在进行抗震分析时需要注意,在必要时需对薄弱的构件进行加强.
1.2.2 子系统二的三阶段DEA-Malmquist指数模型
D 1(x ,z )=inf{δ 1:(x ,z |δ 1)∈P 1(x )}
本综述就外源性硫化氢在肾移植缺血再灌注损伤中发挥的保护作用进行了探讨，对其在分子水平发挥着的诸多作用进行总结，相信随着国内外学者的深入研究，在不久的将来，硫化氢可有效应用于临床并取得满意的疗效，有望成为解决肾移植缺血再灌注损伤的新途径，并应为更多肾脏疾病的治疗提供新思路。
分别为松弛变量、环境变量、环境变量的待估参数，
是环境变量对松弛变量的影响函数，V 2ik +U 2ik 为混合误差项，V 2ik 为随机干扰项。
③ 第三阶段DEA-Malmquist模型。利用投入量与原产出量，再次运用Malmquist指数模型计算各DMU的效率值，可得剔除外部环境和随机干扰因素影响的效率值，从而能真实地反映子系统一的TFP及各分解效率指数。
而品牌文化则具有市场的导向性。也就是说，阅读推广的品牌文化是由读者所在的“市场”为主导因素建立起来的，以读者与图书馆的价值融合为基础，以两者的文化共荣为目标，建立共同的价值观和行为准则，从而实现图书馆和读者的价值最大化。
D 2(h ′,y )=inf{δ 2:(h ′,y |δ 2)∈P 2(z )}
(6)
式中，h ′和y 分别表示投入变量和产出变量矩阵；δ 2表示面向产出的效率指标，P 2(z )定义为可能的生产集合。得定向输出Malmquist指数：
得Malmquist指数：
(8)
② 第二阶段随机前沿分析模型。对DMU的投入量进行调整，使之处在相同环境中。建立模型：
(9)
① 第一阶段DEA-Malmquist模型。采用中间输出变量和最终投入变量构建面向产出的距离函数：
利用SFA模型得出的松弛变量结果，对DMU的投入量进行调整，即：
[Max {V 2ik }-V 2ik ]
(10)
② 第二阶段随机前沿分析模型。第二阶段通过建立随机前沿分析模型对DMU的投入量进行调整，使之处在相同的环境中,即：
③ 第三阶段DEA-Malmquist模型。利用投入量与初始产出，再次运用Malmquist指数模型计算各DMU的效率值，得剔除外部环境和随机干扰因素影响的子系统二的Malmquist效率值，即企业最终Malmquist效率值。
2 实证过程
2.1 变量的选择
2.1.1 投入变量和产出变量的选择
Simulation on Power System of Offshore Platform with Closed Bus-Tie(s)
子系统一采用智能技术研发投入和高级人才投入为投入变量；采用专利等智能知识产出为产出变量。子系统二采用子系统一的专利等智能知识产出为投入变量之一，另加劳动力投入和经营成本投入为投入变量；采用总产出和无形资产为产出变量。智能技术研发投入采用上市企业的年度科技资金投入额来代表。高级人才投入采用上市企业的本科及以上学历人才数量来衡量。专利等智能知识产出采用剔除了土地使用权以外的无形资产额代表。劳动力投入量采用智能企业的生产工人量代表。经营资金投入采用经营总成本额代表。总产出采用上市公司的主营业务收益额来代表。无形资产产出采用无形资产额来表示。
2.1.2 环境变量指标的选择
子系统一具有资金密集的特点，以政府补贴和金融市场成熟程度为影响因素。政府补助对幼稚产业的发展具有重要作用，采用政府补助额来代表。金融市场的成熟程度采用能直接体现地方金融发展水平的企业筹资活动现金流入量来代表。子系统二的资金密集度相对较低，税收对其影响更大，以之作为影响因素，采用企业所缴纳的所得税和营业税附加额代表。
目前临床上用于胰腺癌术后的营养方式主要有肠内营养和肠外营养两种，为了探究胰腺癌合并糖尿病患者术后最佳的营养支持方式，选取2017年6月—2018年8月间该院收治的112例患者为研究对象，该文以下就对肠内营养和肠外营养在胰腺癌合并糖尿病术后恢复中的作用进行，对比分析。报道如下。
Fig. 2 shows the distribution of the depletion region in the linear regime.
2.2 样本数据的选择和处理
数据来自2011—2018年深沪证交所的82家智能上市公司年报。数据样本共656条，其统计性描述见表1。对环境变量数据进行标准化处理。按上述模型，采用Stata15.0进行运算。
表1 数据统计性描述
3 结果分析
3.1 两个子系统结果的比较
3.1.1 子系统一的结果分析
表2为子系统一的传统Malmquist指数值和三阶段网络DEA-Malmquist指数值。在影响因素和随机因素的干扰下，智能企业的研发子系统的传统技术进步被高估，纯技术效率和规模效率被低估。中国智能企业的传统TFP值均恶化。规模效率值拉低TFP值；纯技术效率推升传统效率进步值。三阶段网络DEA-Malmquist指数值表明智能企业的技术效率虽未进步但亦未退步，且均高于传统Malmquist指数值。三阶段网络DEA-Malmquist指数分解出的技术进步、规模效率和纯技术效率多数未得到改善或退步。
3.1.2 子系统二的结果分析
子系统二的情况与子系统一相似(见表3)。除2012年外，其他年度的三阶段DEA-Malmquist指数值均高于传统的Malmquist指数值。传统的Malmquist指数中的技术进步、技术效率和纯技术效率基本上都被低估，共同导致智能效率被低估。
3.1.3 两个子系统的结果比较
通过对智能企业生产过程的分解，可发现智能企业研发系统的技术进步非常稳定；生产销售系统的技术进步多变。这表明智能企业的研发活动已进入了比较稳定的阶段；而生产和销售则因市场、政策等因素而变动频繁。两个子系统的效率来源不同。子系统一的三阶段DEA-Malmquist指数值非常稳定，其纯技术效率、技术进步和规模效率相当稳定，共同形成稳定的智能技术效率。而子系统二的技术进步和规模效率对智能技术进步的影响较大，共同影响智能技术进步。
表2 子系统一的传统Malmquist指数和三阶段 DEA-Malmquist指数结果
表3 子系统二的传统Malmquist指数和三阶段 DEA-Malmquist指数结果
3.2 传统Malmquist指数和网络DEA-Malmquist指数的比较
采用产出和投入数据运用DEA-Malmquist指数法得到企业大系统的传统Mailmquist指数值。传统DEA-Malmquist指数和网络DEA-Malmquist指数值均显示中国智能企业的智能效率隔年升降。受影响因素的影响，智能企业的智能效率整体上被低估，尤其是2013年的智能技术进步被严重低估。这证实了网络DEA-Malmquist指数法可以剔除外部影响因素对智能效率的影响，也表明影响因素对中国智能企业的智能效率具有负面影响。从指数的分解看，传统Malmquist指数中的纯技术效率和规模效率基本上未出现明显变动，该Malmquist指数主要受技术进步影响。混合型网络DEA-Malmquist指数中的规模效率和技术进步效率是智能技术进步的主要来源，两者此起彼伏。整体上，考察期内智能企业的智能技术进步的改善尚欠稳定。
YL82B热轧盘条合格显微组织为索氏体+珠光体，且索氏体在显微组织中占有一定的比例（不小于85%）才能使YL82B钢具有高的冷拉极限值。因为索氏体的片层间距小，当盘条拉拔变形时，片层多而薄的铁素体相可以使位错运动均匀而分散，抑制位错塞积的提前发生。另外，当索氏体中的渗碳体相为薄片形态时，它在拉拔变形时可以发生弯曲且不易发生折断。但是，如果渗碳体和铁素体片层继续变薄成为屈氏体时，在拉拔变形时渗碳体片之间发生碰撞的概率增大，使塑性变差。
3.3 环境因素的结果分析
分别对两个子系统的投入变量与其影响因素进行SFA回归。回归结果通过似然比检验。P值基本上小于1%，表示通过1%的显著性检验。
政府补助与研发资本投入显著正相关，但与智能人才数量显著负相关，表明政府补助对智能企业的研发投资行为起到刺激作用，却未能带动智能人才投入增加，反而降低了智能人才投入。其原因是：研发活动前期需一批高价设备资本品投资投入；当前中国的智能人才短缺,智能人才的培养相对技术引进更耗时，尽管智能研发投入迅猛增加，智能人才的结构和数量等尚不能满足企业的需要。
融资环境与研发资本投入和智能人才数量均显著正相关，表明诸如发行股票、债券等融资环境的优化，提升企业外部资金的可获得性，激发企业研发和生产销售活动的活力，对智能人才就业起到刺激作用。正如李巍等(2013)的发现，外部融资规模的扩大明显改善了技术密集型制造业的就业状况[11]。
近些年，随着4G建设的全面展开，我国移动互联网得到了非常迅速的发展，民众的上网速度越来越快。5G是未来发展的必然趋势，WIFI也早已在家家户户中普遍使用，移动互联网的发展使上网的成本大大降低。在移动互联网迅速发展的时代下，智能手机的普及是必然结果，从最开始的用笔触摸到现在的戴手套都可以操作的智能手机已经在大众生活中普遍使用。无论是android还是 ios，各种应用十分丰富且不断更新，这就为短视频的内容生产与客户消费提供了保障。
税收政策与中间因素知识投入和企业经营成本均负相关，表明企业税收负担不利于知识性投入和经营成本投入。但税收政策与低级劳动力就业正相关。传统观点认为较低的宏观税收负担减轻企业和个人税负，能确保经济稳定增长和促进就业[1]。但是有实证结果表明企业实际税负与TFP间存在明显的倒U型关系[12]。当前智能产业的税收水平尚处于有利于就业增长的水平,很可能是税收负担与低级劳动力就业正相关的原因所在。
4 结 论
智能上市企业的运作过程是由研发子系统和产品生产子系统组成的既并联又串联的网络型结构。采用网络DEA-Malmquist指数法测量智能效率是可行的。智能企业的整体智能效率、研发环节和生产销售环节的智能效率均被低估。政府补贴和融资环境对研发环节的投入的影响、税收对生产销售环节的投入的影响共同影响智能效率。
5 对策建议
加快人才供给侧改革，尽快提升人才培养规模和优化结构。当前中国智能人才教育改革工作已启动，在有条件的高校开设相关专业，也鼓励企业柔性引进高端人才。但是人才培养难度较大、时间较长，加上中国人工智能人才培养的基础和经验不足，难以在短期内满足业界需求。前些年，业界对柔性引进高端人才的积极性和主动性欠佳。今后在激发业界积极性的同时，应加强相关制度的构建和完善。放宽内地高层次人才政策，充分发挥高校教师对地方智能经济的智库作用。完善海外人才的引进和管理制度，特别是要对海外华人华侨学者实行个性化的激励，完善相关的考核制度，使其真正参与到智能技术领域的研发活动当中。
加强低级劳动力的技能培训工作，使其适应智能产业发展的需要。当前中国人口量大，但技能结构偏低，低级劳动力就业压力未减。因而，加大中等职业教育规模和调整专业结构，加强智能技术技能培训工作也是当务之急。今后要拓宽对失业人员免费培训和补贴的覆盖面，加强对培训机构的考核和质量监控，保障培训的有效性和针对性。
完善企业外来资金对智能效率提升的作用。发挥政府补助对智能生产投入的拉动作用。当前的政府补助主要是投向龙头企业，中小型智能企业受益较少。因此，应进一步疏通和完善融资环境，拓宽私人资金的准入门槛，规范天使投资和风险投资，以便加大私人投资的力度；加强对天使投资和风险投资的市场准入和退出的管理，在引进资金的同时避免过渡的投机行为对产业发展的冲击。
改革税收制度。当前，企业引进国外技术可享受免征关税和进口增值税，但企业引进国内的智能技术却未能享受税收减免的优惠。因此，今后可以进一步改革税收制度，鼓励智能技术转让和应用，促进智能技术的研发活动。
参考文献
[1] 侯志杰,朱承亮.中国人工智能企业技术效率及其影响因素研究[J].工业技术经济,2018,37(6):29-37.
[2] 韩先锋,董明放.研发投入能促进中国智慧城市企业技术进步吗?[J].经济问题探索,2017(12):73-82.
[3] 周方召,仲深,王雷.财税补贴、风险投资与高新技术企业的生产效率——来自中国物联网板块上市公司的经验证据[J].软科学,2013,27(3):100-105.
[4] 王明哲,冉伦,张增博.基于DEA-Malmquist和Tobit Regression的物联网上市公司效率评价[J].数学的实践与认识,2017,47(11):74-83.
[5] 吕洁,杜传文,李元旭.工业机器人应用会倒逼一国制造业劳动力结构转型吗?——基于1990—2015年间22个国家的经验分析[J].科技管理研究,2017,37(22):32-41.
[6] 李金叶,葛涛.技术创新、城镇化的就业效应分析——基于中国省际面板数据的经验证据[J].华东经济管理,2017(1):46-52.
[7] 刘明,刘渝琳,丁从明.我国工业部门技术进步对就业的双门槛效应研究[J].中国科技论坛,2013,1(11):35-40.
[8] 胡雪萍,李丹青.技术进步就业效应的区域差异研究——基于中国东、中、西部地区的比较分析[J].上海经济研究,2015(8):3-10.
[9] 栾斌,杨俊.企业创新投入与创新绩效的就业效应及其差异分析[J].管理学报,2016(5):725-734.
[10] 蓝虹，穆争社.我国农村信用社改革绩效评价——基于三阶段DEA-Malmquist指数分析法[J].金融研究，2016(6):159-175.
[11] 李巍，张志超.外部融资对就业状况和工资报酬的影响——源自异质性制造行业的证据[J].经济与管理研究，2013(10):92-100.
[12] 朱玉飞，安磊.企业实际税负与全要素生产率:一个倒U型关系[J].中南财经政法大学学报，2018(5)：9.
Research of Efficiency Measurement of Chinese Intelligent Industry Based on Malmquist Index Analysis of Hybrid Network DEA Model
WU Shu -juan WU Hai -min XIAO Jian -hua
(Economy and Management College, Wuyi University, Jiangmen 529020, China)
Abstract : In order to evaluate the efficiency of intelligentindustry in China, a hybridnetwork DEA-Malmquist index model is constructed based on the analysis of the hybrid network structure of the operation process of intelligent enterprises. By using the data of 82 listed intelligent enterprises over the period of 2011 to 2018, results show that the intelligent efficiency of listed companies in China is underestimated; government subsidies, financing environment and taxation influence the intelligence investment and jointly affectthe intelligence efficiency.
Key words : intelligent industry; intelligent efficiency; hybrid network DEA model; Malmquist index
基金项目: 国家留学基金地方合作项目(201808440650)成果之一；教育部人文社会科学研究项目——“破解中国工业增加值的率的‘递减之谜’成因、机理与对策研究”(项目编号：19YJA790091；项目负责人：吴海民)成果之一；广东省普通高校特色创新类项目——“大广海湾海洋产业调查及发展路径研究”(项目编号：2016WTSCX114；项目负责人：肖健华)成果之一。
作者简介: 吴淑娟，五邑大学经济管理学院副教授，美国爱荷华卫斯廉大学(Iowa Wesleyan University)访问学者，研究方向：工业经济与运行效率；吴海民，经济学博士，五邑大学经济管理学院教授，研究方向：工业经济与运行效率；肖健华，工学博士，五邑大学经济管理学院教授，研究方向：系统工程、电子商务、智能信息处理。
(收稿日期： 2019 -07 -31)
标签：智能产业论文; 智能效率论文; 混合型网络DEA模型论文; Malmquist指数论文; 五邑大学经济管理学院论文;