第三节 产业绩效测度

目前学术界测度产业绩效的方式主要有三种：指标测度、效率测度和生产率测度。

一、指标测度

指标测度是用反映产业经济活动效果或效益的某一个或多个指标来衡量产业绩效。如产业总产值、增加值、销售利润率、增加值率、劳动生产率等指标常被用来衡量产业绩效，而专利数和新产品销售收入常被用来衡量产业创新绩效。唐要家（2004）以销售利润率和资产利税率代表工业行业绩效，研究了影响工业行业绩效的因素。郭斌（2004）以资产利税率和产值利税率作为衡量工业绩效的指标，实证研究了国有工业部门和非国有工业部门绩效差异的原因。周亚虹（2012）在研究工业R&D累计投入对产出绩效的影响时用工业增加值衡量产出绩效。程华（2013）在研究工业研发投入对产出绩效的影响时用工业总产值和主营业务收入表示产出绩效。张继良（2015）以增加值率作为绩效的代表指标，研究了技术密集型行业的增加值率和自主创新的关系。余伟（2017）以全员劳动生产率代表工业经营绩效，实证分析了环境规制、技术创新和工业经营绩效之间的关系。

单一指标测度比较简单，能够反映产业绩效的某一方面。但用单一指标测度产业绩效存在明显不足，仅用一个指标来反映产业绩效容易片面化。为此，许多学者以多指标综合评价来衡量产业绩效。杨洪焦（2008）从规模实力、发展效率和增长能力三个方面选取指标，利用主成分法，对全球47个主要经济体制造业的绩效进行了比较研究，并重点分析了中国制造业的优势和不足。顾乃华（2009）从工业内部结构协调等10个方面构建了评价工业发展绩效的指标体系，利用层次分析法对广东省2001—2006年的工业发展绩效进行了综合评价。李慧（2011）从盈利能力、营运能力等四个方面构建了一套反映企业绩效的指标体系，采用主成分分析法对企业绩效进行了综合评价。王秋香（2012）使用1998—2010年中国工业行业面板数据，同样利用主成分分析法，选取总资产贡献率、资本保值增值率、资产负债率、流动资产周转率、成本费用利用率、全员劳动生产率和产品销售率7项指标进行综合评价，详细分析了样本期间中国工业部门绩效的变动规律，并分析了影响因素。

二、效率测度

效率指投入转化为产出的能力，在学术界许多学者用效率衡量产业绩效以研究产业的发展状况。Koopmans（1951）首先提出了技术效率的概念，认为技术效率是给定投入时实现产出最大化的能力或者给定产出时实现投入最小化的能力。Farrell（1957）利用Koopmans的研究成果，提出了技术效率的前沿测算方法。前沿分析法是使用已有的投入产出观察值寻找生产前沿面，然后考察决策单元与生产前沿面的距离，以此度量各决策单元的效率值。根据构造前沿面思路的不同，前沿分析法有非参数法和参数法两种。非参数法不用设定生产函数和估计参数，而是用线性规划技术确定生产前沿面，常用的非参数法是DEA。参数法需要设定前沿生产函数的具体形式并进行参数估计，进而确定生产前沿面，常用的方法是随机前沿分析法（Stochastic Frontier Analysis，SFA）。

（一）数据包络分析法（Date Envelope Analysis，DEA）

数据包络分析法是一种利用线性规划技术计算相对技术效率的评价方法。DEA法将被评价单位称为决策单元（Decision Making Unit，DMU），以投入和产出比率构造目标函数，以DMU的各个投入和产出指标的权重为变量进行计算，确定有效生产前沿面，根据各DMU与有效生产前沿面的距离确定各DMU是否有效。DEA法的基本模型是CCR模型，该模型是Charnes等于1978年提出的。CCR模型在假设规模收益不变（Constant Return to Scale，CRS）的生产技术条件下，计算各决策单元的相对效率值。随后，Banker（1984）放松了规模报酬不变的假设前提，提出了规模报酬可变条件（Variable Return to Scale，VRS）下的DEA模型。

目前有不少学者采用DEA法测算效率衡量产业绩效。Raab（2006）利用2000年美国50个州的高技术产业数据，用DEA法测算了各州高技术产业绩效，结果显示一些州在绩效方面的排名与其在高技术产业发展中的主导地位并不一致。Johnes（2008）运用DEA法测算了2003年和2004年中国109所大学的科研绩效，研究发现综合性大学比专科的科研效率更高，沿海地区的高校比中西部地区的科研效率更高。吴旭晓（2010）利用超效率DEA模型对中国30个省份的高技术产业发展绩效进行了实证研究，结果表明只有广东、江苏两个省份的高技术产业发展相对有效。张仁寿（2011）运用DEA法对2007年广东等13个省份文化产业的投入产出绩效进行了实证分析，认为广东文化产业投入产出绩效综合效率最高。杨晓冬（2012）运用DEA法评价了中国东部和中部省份的高技术产业创新绩效，研究认为东部地区的高技术产业资源利用效率较高。司桂霞（2015）采用DEA模型对1997—2011年长三角地区的高技术产业绩效进行了研究，结果发现整体上绩效良好，绝大部分年份DMU有效，但仍存在较大的提升空间。

（二）随机前沿分析法（SFA）

随机前沿分析法是由Aigner（1977）以及Meeusen（1977）分别提出。随后一些学者又发展和完善了SFA，如Battese（1988，1992，1995）、Kumbhakar（1990，2000）等。SFA是在确定性生产函数的基础上提出具有复合扰动项的随机边界模型。Battese（1992）提出的随机前沿生产函数模型在实际中应用广泛，其基本形式为：y=f（x）·exp（v-u），其中v是不能控制的影响产出的随机因素，用以表示系统非效率；u 是厂商可以控制的随机因素，可用来计算技术非效率。SFA考虑了统计白噪声，认为生产前沿是随机的，更符合现实。

SFA在产业绩效的测算中应用也较多。Hattori（2002）采用SFA对1982—1997年美国和日本电力公司的绩效进行了评估和比较，结果表明控制环境变量后，日本电力公司的平均效率更高。王争（2006）采用SFA方法考察了1987—2002年中国工业生产绩效的动态变化状况，结果发现各地区工业部门的生产绩效呈现增长趋势。干春晖（2009）利用中国1998—2007年工业分行业数据采用随机前沿生产函数模型估计了中国工业生产绩效，研究表明工业生产效率存在波动，行业之间差异明显，较高的市场化程度、较大的产业规模和较低的能源消耗均有利于生产效率的提高。Belegri（2010）采用SFA研究了1970—1997年希腊电力行业的绩效及影响因素，结果认为希腊电力行业技术效率较高，与欧盟地区的合并是影响其绩效的重要因素。杨悦（2014）基于2007—2011年战略性新兴产业各行业的数据，运用SFA研究了战略性新兴产业各行业的绩效。董明放（2016）以SFA算出的效率作为产业绩效指标，基于战略性新兴产业上市公司数据，采用门限回归模型研究了R&D投入与战略性新兴产业绩效之间的关系。

DEA法和SFA法在测算效率时各有优势和不足。DEA的优点是不需要设定生产函数形式，不需要估计参数，生产前沿完全由数据产生，不受人为主观因素的影响。DEA法的缺陷是其得到的前沿是确定性前沿，没有考虑随机因素的影响。SFA的优点是可以利用统计方法对模型和参数进行检验，考虑了统计白噪声，生产前沿是随机的，使得结论更接近于现实。但SFA往往只能处理单输出的情形，不能处理多输出的情形，DEA在这一点上比它更具优越性。

三、生产率测度

全要素生产率也被学者们作为衡量产业绩效的指标之一。全要素生产率（Total Factor Productivity，TFP）又称综合要素生产率，它是总产量与全部要素投入量之比，是衡量每单位总投入可以带来多少总产出的一种效率指标。TFP与效率的主要区别在于TFP讨论实际产出与实际投入的比例关系，而效率讨论实际产出与最优产出或者实际投入与最优投入的比例关系。它们之间的联系是TFP是效率的动态变化，因此DEA法和SFA法也常被用来计算TFP。除此之外还有一种最基本的计算TFP的方法——索洛余值法，其是Solow（1957）在其经典的文章《技术变化和总量生产函数》中提出的，其基本思想是，在估算出总量生产函数后，用产出增长率减去各种投入要素增长率后的剩余部分作为TFP的增长。

Ferrara（2000）用TFP衡量经济绩效，研究了意大利的公共基础设施对经济绩效的影响，研究认为公共投资的有效性随着时间的推移而增加。Vencappa（2010）用印度制造业的TFP衡量制造业绩效，探讨了贸易自由化前后制造业绩效的变化，结果表明贸易改革之后制造业中多数行业的绩效有了提高。张诚（2012）用TFP代表绩效指标，基于1999—2009年工业行业数据研究了创新投入和行业特征对中国工业绩效的影响，发现工业行业在制度方面存在的问题会阻碍绩效的提高。孙早（2013）以TFP表示工业绩效，估计了不同创新模式对工业绩效的影响，结果显示自主创新与工业绩效的正向相关关系更为显著，民营企业比重的上升强化了自主创新的贡献。赵明亮（2014）采用TFP和新产品产值衡量高技术产业发展绩效，研究发现研发经费内部支出对TFP的影响为负，对新产品产值有积极影响。

本书采用Brumbrach（1998）对于绩效的定义，认为绩效包括活动实施的行为和结果两个方面。产业绩效是指产业层面的经济活动实施后的效率和业绩，效率是产业活动实施行为过程的效果，即投入产出关系，业绩是产业活动实施的最终结果。为了较全面地反映高技术产业绩效的状况，本书将同时采用指标测度和效率测度对其进行度量，分析创新驱动因素对其的影响。