第三節 產業績效測度

目前學術界測度產業績效的方式主要有三種：指標測度、效率測度和生產率測度。

一、指標測度

指標測度是用反映產業經濟活動效果或效益的某一個或多個指標來衡量產業績效。如產業總產值、增加值、銷售利潤率、增加值率、勞動生產率等指標常被用來衡量產業績效，而專利數和新產品銷售收入常被用來衡量產業創新績效。唐要家（2004）以銷售利潤率和資產利稅率代表工業行業績效，研究了影響工業行業績效的因素。郭斌（2004）以資產利稅率和產值利稅率作為衡量工業績效的指標，實證研究了國有工業部門和非國有工業部門績效差異的原因。周亞虹（2012）在研究工業R&D累計投入對產出績效的影響時用工業增加值衡量產出績效。程華（2013）在研究工業研發投入對產出績效的影響時用工業總產值和主營業務收入表示產出績效。張繼良（2015）以增加值率作為績效的代表指標，研究了技術密集型行業的增加值率和自主創新的關系。余偉（2017）以全員勞動生產率代表工業經營績效，實證分析了環境規制、技術創新和工業經營績效之間的關系。

單一指標測度比較簡單，能夠反映產業績效的某一方面。但用單一指標測度產業績效存在明顯不足，僅用一個指標來反映產業績效容易片面化。為此，許多學者以多指標綜合評價來衡量產業績效。楊洪焦（2008）從規模實力、發展效率和增長能力三個方面選取指標，利用主成分法，對全球47個主要經濟體制造業的績效進行了比較研究，并重點分析了中國制造業的優勢和不足。顧乃華（2009）從工業內部結構協調等10個方面構建了評價工業發展績效的指標體系，利用層次分析法對廣東省2001—2006年的工業發展績效進行了綜合評價。李慧（2011）從盈利能力、營運能力等四個方面構建了一套反映企業績效的指標體系，采用主成分分析法對企業績效進行了綜合評價。王秋香（2012）使用1998—2010年中國工業行業面板數據，同樣利用主成分分析法，選取總資產貢獻率、資本保值增值率、資產負債率、流動資產周轉率、成本費用利用率、全員勞動生產率和產品銷售率7項指標進行綜合評價，詳細分析了樣本期間中國工業部門績效的變動規律，并分析了影響因素。

二、效率測度

效率指投入轉化為產出的能力，在學術界許多學者用效率衡量產業績效以研究產業的發展狀況。Koopmans（1951）首先提出了技術效率的概念，認為技術效率是給定投入時實現產出最大化的能力或者給定產出時實現投入最小化的能力。Farrell（1957）利用Koopmans的研究成果，提出了技術效率的前沿測算方法。前沿分析法是使用已有的投入產出觀察值尋找生產前沿面，然后考察決策單元與生產前沿面的距離，以此度量各決策單元的效率值。根據構造前沿面思路的不同，前沿分析法有非參數法和參數法兩種。非參數法不用設定生產函數和估計參數，而是用線性規劃技術確定生產前沿面，常用的非參數法是DEA。參數法需要設定前沿生產函數的具體形式并進行參數估計，進而確定生產前沿面，常用的方法是隨機前沿分析法（Stochastic Frontier Analysis，SFA）。

（一）數據包絡分析法（Date Envelope Analysis，DEA）

數據包絡分析法是一種利用線性規劃技術計算相對技術效率的評價方法。DEA法將被評價單位稱為決策單元（Decision Making Unit，DMU），以投入和產出比率構造目標函數，以DMU的各個投入和產出指標的權重為變量進行計算，確定有效生產前沿面，根據各DMU與有效生產前沿面的距離確定各DMU是否有效。DEA法的基本模型是CCR模型，該模型是Charnes等于1978年提出的。CCR模型在假設規模收益不變（Constant Return to Scale，CRS）的生產技術條件下，計算各決策單元的相對效率值。隨后，Banker（1984）放松了規模報酬不變的假設前提，提出了規模報酬可變條件（Variable Return to Scale，VRS）下的DEA模型。

目前有不少學者采用DEA法測算效率衡量產業績效。Raab（2006）利用2000年美國50個州的高技術產業數據，用DEA法測算了各州高技術產業績效，結果顯示一些州在績效方面的排名與其在高技術產業發展中的主導地位并不一致。Johnes（2008）運用DEA法測算了2003年和2004年中國109所大學的科研績效，研究發現綜合性大學比專科的科研效率更高，沿海地區的高校比中西部地區的科研效率更高。吳旭曉（2010）利用超效率DEA模型對中國30個省份的高技術產業發展績效進行了實證研究，結果表明只有廣東、江蘇兩個省份的高技術產業發展相對有效。張仁壽（2011）運用DEA法對2007年廣東等13個省份文化產業的投入產出績效進行了實證分析，認為廣東文化產業投入產出績效綜合效率最高。楊曉冬（2012）運用DEA法評價了中國東部和中部省份的高技術產業創新績效，研究認為東部地區的高技術產業資源利用效率較高。司桂霞（2015）采用DEA模型對1997—2011年長三角地區的高技術產業績效進行了研究，結果發現整體上績效良好，絕大部分年份DMU有效，但仍存在較大的提升空間。

（二）隨機前沿分析法（SFA）

隨機前沿分析法是由Aigner（1977）以及Meeusen（1977）分別提出。隨后一些學者又發展和完善了SFA，如Battese（1988，1992，1995）、Kumbhakar（1990，2000）等。SFA是在確定性生產函數的基礎上提出具有復合擾動項的隨機邊界模型。Battese（1992）提出的隨機前沿生產函數模型在實際中應用廣泛，其基本形式為：y=f（x）·exp（v-u），其中v是不能控制的影響產出的隨機因素，用以表示系統非效率；u 是廠商可以控制的隨機因素，可用來計算技術非效率。SFA考慮了統計白噪聲，認為生產前沿是隨機的，更符合現實。

SFA在產業績效的測算中應用也較多。Hattori（2002）采用SFA對1982—1997年美國和日本電力公司的績效進行了評估和比較，結果表明控制環境變量后，日本電力公司的平均效率更高。王爭（2006）采用SFA方法考察了1987—2002年中國工業生產績效的動態變化狀況，結果發現各地區工業部門的生產績效呈現增長趨勢。干春暉（2009）利用中國1998—2007年工業分行業數據采用隨機前沿生產函數模型估計了中國工業生產績效，研究表明工業生產效率存在波動，行業之間差異明顯，較高的市場化程度、較大的產業規模和較低的能源消耗均有利于生產效率的提高。Belegri（2010）采用SFA研究了1970—1997年希臘電力行業的績效及影響因素，結果認為希臘電力行業技術效率較高，與歐盟地區的合并是影響其績效的重要因素。楊悅（2014）基于2007—2011年戰略性新興產業各行業的數據，運用SFA研究了戰略性新興產業各行業的績效。董明放（2016）以SFA算出的效率作為產業績效指標，基于戰略性新興產業上市公司數據，采用門限回歸模型研究了R&D投入與戰略性新興產業績效之間的關系。

DEA法和SFA法在測算效率時各有優勢和不足。DEA的優點是不需要設定生產函數形式，不需要估計參數，生產前沿完全由數據產生，不受人為主觀因素的影響。DEA法的缺陷是其得到的前沿是確定性前沿，沒有考慮隨機因素的影響。SFA的優點是可以利用統計方法對模型和參數進行檢驗，考慮了統計白噪聲，生產前沿是隨機的，使得結論更接近于現實。但SFA往往只能處理單輸出的情形，不能處理多輸出的情形，DEA在這一點上比它更具優越性。

三、生產率測度

全要素生產率也被學者們作為衡量產業績效的指標之一。全要素生產率（Total Factor Productivity，TFP）又稱綜合要素生產率，它是總產量與全部要素投入量之比，是衡量每單位總投入可以帶來多少總產出的一種效率指標。TFP與效率的主要區別在于TFP討論實際產出與實際投入的比例關系，而效率討論實際產出與最優產出或者實際投入與最優投入的比例關系。它們之間的聯系是TFP是效率的動態變化，因此DEA法和SFA法也常被用來計算TFP。除此之外還有一種最基本的計算TFP的方法——索洛余值法，其是Solow（1957）在其經典的文章《技術變化和總量生產函數》中提出的，其基本思想是，在估算出總量生產函數后，用產出增長率減去各種投入要素增長率后的剩余部分作為TFP的增長。

Ferrara（2000）用TFP衡量經濟績效，研究了意大利的公共基礎設施對經濟績效的影響，研究認為公共投資的有效性隨著時間的推移而增加。Vencappa（2010）用印度制造業的TFP衡量制造業績效，探討了貿易自由化前后制造業績效的變化，結果表明貿易改革之后制造業中多數行業的績效有了提高。張誠（2012）用TFP代表績效指標，基于1999—2009年工業行業數據研究了創新投入和行業特征對中國工業績效的影響，發現工業行業在制度方面存在的問題會阻礙績效的提高。孫早（2013）以TFP表示工業績效，估計了不同創新模式對工業績效的影響，結果顯示自主創新與工業績效的正向相關關系更為顯著，民營企業比重的上升強化了自主創新的貢獻。趙明亮（2014）采用TFP和新產品產值衡量高技術產業發展績效，研究發現研發經費內部支出對TFP的影響為負，對新產品產值有積極影響。

本書采用Brumbrach（1998）對于績效的定義，認為績效包括活動實施的行為和結果兩個方面。產業績效是指產業層面的經濟活動實施后的效率和業績，效率是產業活動實施行為過程的效果，即投入產出關系，業績是產業活動實施的最終結果。為了較全面地反映高技術產業績效的狀況，本書將同時采用指標測度和效率測度對其進行度量，分析創新驅動因素對其的影響。