徐琛輝　宋良榮

摘 要：為了衡量我國智能制造企業(yè)創(chuàng)新能力，推動制造業(yè)持續(xù)發(fā)展，應(yīng)用DEA模型、Tobit回歸及脈沖響應(yīng)模型對2016—2020年我國27家位列智能制造企業(yè)百強名單的上市公司及其所在產(chǎn)業(yè)的創(chuàng)新效率進行評價分析，并對創(chuàng)新效率的影響因素進行研究，以滿足“十四五”期間我國制造業(yè)面臨的發(fā)展規(guī)劃。結(jié)果表明：在靜態(tài)分析層面上，智能制造企業(yè)的綜合效率DEA有效個數(shù)在5年內(nèi)有所下滑，規(guī)模遞增企業(yè)個數(shù)顯著增加。在動態(tài)分析層面上，智能制造企業(yè)的全要素生產(chǎn)率整體呈動態(tài)增長，得益于技術(shù)效率和技術(shù)進步雙向增長。在創(chuàng)新效率影響因素方面，資產(chǎn)規(guī)模、內(nèi)控缺陷長期抑制創(chuàng)新效率增長，而股權(quán)集中度在長期對創(chuàng)新效率增長有促進作用。

關(guān)鍵詞：智能制造企業(yè);創(chuàng)新效率;DEA模型;Tobit回歸;脈沖響應(yīng)模型

中圖分類號：F 276.44

文獻標(biāo)識碼：A 文章編號：1672-7312（2022）03-0334-08

Innovation Efficiency Evaluation of Intelligent Manufacturing

Enterprises Based on DEA Model

XU Chenhui，SONG Liangrong

（School of Management，University of Shanghai for Science and Technology，Shanghai 200093，China）

Abstract：In order to measure the innovation capability of China’s intelligent manufacturing

enterprises and promote the sustainable development of manufacturing industry，this paper applies

DEA model，Tobit regression and impulse response model to evaluate and analyze the innovation

efficiency of the 27 listed companies in China’s top 100 list of intelligent manufacturing

enterprises and their industries from 2016 to 2020，and studies the influencing factors of

innovation efficiency in order to meet the development planning of China’s manufacturing

industry during the “14th Five-Year Plan”.The results show that，on the level of static

analysis，the number of DEA efficiency of intelligent manufacturing enterprises has decreased in

five years，and the number of enterprises with increasing scale has increased significantly.On

the aspect of dynamic analysis，the total factor productivity of intelligent manufacturing

enterprises as a whole shows dynamic growth，benefiting from the two-way growth of technological

efficiency and technological progress.The influencing factors of innovation efficiency are

different among industries;Asset size and internal control deficiencies inhibit the growth of

innovation efficiency in the long run，while equity concentration can promote the growth of

innovation efficiency in the long run.

Key words：intelligent manufacturing enterprises;innovation efficiency;DEA model;tobit

regression;impulse response model

0 引言

智能制造有別于傳統(tǒng)制造概念，是將數(shù)字化、智能化、網(wǎng)絡(luò)化有機結(jié)合，貫穿于從設(shè)計到服務(wù)的智能系統(tǒng)，是自動化的延伸及未來。智能制造與傳統(tǒng)制造的最大不同即該種制造包含著智能技術(shù)和系統(tǒng)，不僅能夠在實踐中不斷更新發(fā)展，同時也具有分析和判斷自身行為的能力，是一種現(xiàn)代意義上的創(chuàng)新[1]。十九大報告著重強調(diào)，建設(shè)現(xiàn)代化經(jīng)濟體系，必須把發(fā)展經(jīng)濟的著眼點放在實體經(jīng)濟上。制造業(yè)是我國國民經(jīng)濟的主體所在，也無疑是立國之根本、強國之基礎(chǔ)?！吨袊圃?025》戰(zhàn)略的頒布，意在聚焦重點領(lǐng)域，深入推進制造業(yè)結(jié)構(gòu)調(diào)整，提升我國制造業(yè)創(chuàng)新能力。同時，在“十三五”規(guī)劃的“兩步走”實施戰(zhàn)略中，也強調(diào)在2020年完成智能制造發(fā)展基礎(chǔ)的“第一步”。

自政策頒布起，我國有哪些行業(yè)的創(chuàng)新效率在智能制造企業(yè)中具有引領(lǐng)推動作用？又有哪些行業(yè)日后需要增力提效？智能制造企業(yè)創(chuàng)新效率背后有何原因推動？因此，研究2016—2020年我國智能制造企業(yè)創(chuàng)新效率對研究以上客觀現(xiàn)實具有深遠影響。

數(shù)據(jù)包絡(luò)分析（DEA），以其無需量綱和權(quán)重的處理優(yōu)點，被學(xué)者廣泛運用于多投入與多產(chǎn)出指標(biāo)的效率評價中。目前針對制造行業(yè)的DEA效率分析方法運用較多，國內(nèi)的研究主要聚焦在行業(yè)板塊和地域板塊。

在行業(yè)研究方面，張煒等對人工智能企業(yè)為樣本進行研究，認為其整體呈波動下降趨勢，且純技術(shù)效率的下降是主要原因[2]。曹晶穎等針對汽車行業(yè)，以綠色技術(shù)創(chuàng)新效率為對象進行評測，認為該行業(yè)整體效率呈較高水平[3]。周靜婷認為輕工業(yè)企業(yè)與金屬采選業(yè)的創(chuàng)新效率關(guān)鍵在于技術(shù)進步和純技術(shù)效率的提升[4]。賴志花等研究高技術(shù)產(chǎn)業(yè)的創(chuàng)新效率，認為其進步空間有待進一步提高，且規(guī)模因素顯著制約創(chuàng)新效率[5]。

在地域研究方面，毛友芳運用因子分析法構(gòu)建全國智能制造產(chǎn)業(yè)競爭力評價指標(biāo)體系，認為各省市制造業(yè)產(chǎn)業(yè)區(qū)域發(fā)展不均[6];大部分省市創(chuàng)新力度不夠。長三角地區(qū)技術(shù)創(chuàng)新效率平均值居全國首位，但是除了上海以外，江蘇、浙江仍處于非DEA有效階段。楊彩鳳以我國30個省份的工業(yè)企業(yè)為樣本進行測度，發(fā)現(xiàn)湖南省創(chuàng)新效率位于中等水平[7]。何燕子等對湖南省裝備業(yè)的R&D效率進行研究，認為湖南省在靜態(tài)層面僅少數(shù)子行業(yè)達到DEA有效;在動態(tài)層面整體呈現(xiàn)波動態(tài)勢，未有上升趨勢[8]。白露珍等對長江經(jīng)濟帶的工業(yè)企業(yè)進行評測，認為純技術(shù)效率在地理上呈東高西低的分布，規(guī)模效率則從西到東依次遞減;技術(shù)創(chuàng)新效率處于上升趨勢[9]。方大春等針對長三角城市群國家高新區(qū)進行分析，發(fā)現(xiàn)上海和江蘇的多數(shù)高新區(qū)處于較低水平，而浙江和安徽地區(qū)的創(chuàng)新效率呈現(xiàn)上升趨勢[10]。田澤等以綠色技術(shù)創(chuàng)新效率為研究對象，認為長三角地區(qū)的創(chuàng)新效率呈現(xiàn)逐年上升的趨勢，且具有“西南高東北低”的特點[11]。在研究方法上，學(xué)者較多運用DEA-Malmquist模型來測度企業(yè)效率。STORTO利用SBM-Malmquist指數(shù)對意大利城市固體廢物收集的生產(chǎn)率進行分析[12];OSUNDIRAN O等運用Malmquist生產(chǎn)率指數(shù)檢驗新冠病毒對新加坡集裝箱港口海事港口生產(chǎn)率的影響[13]。Dar Ather Hassan等人運用Malmquis指數(shù)研究2014—2020年間印度銀行技術(shù)效率的異質(zhì)性[14]。通過歸納前人研究，發(fā)現(xiàn)現(xiàn)有文獻對制造行業(yè)的研究較少，而從地域角度出發(fā)的研究較為豐富。創(chuàng)新效率研究在以下方面仍存在補缺：一是針對智能制造企業(yè)整體行業(yè)及其子行業(yè)研究較少，智能制造企業(yè)作為德國工業(yè)4.0、美國工業(yè)互聯(lián)網(wǎng)和中國制造2025背景下的核心概念，其重要性不言而喻。二是從動態(tài)和靜態(tài)角度結(jié)合研究較少。靜態(tài)效率分析強調(diào)各要素與系統(tǒng)之間的聯(lián)系，而動態(tài)效率分析注重時間鏈上要素的變化及組合。因此，本文結(jié)合智能制造企業(yè)百強名單，選取代表性的上市企業(yè)及其代表的子行業(yè)進行動靜態(tài)情況下創(chuàng)新效率的評價，為智能制造行業(yè)發(fā)展提供參考。

1 研究方法與數(shù)據(jù)來源

1.1 研究方法

通過前文論述，采用動靜態(tài)結(jié)合的角度有助于對智能制造企業(yè)進行創(chuàng)新效率的評價。其中靜態(tài)創(chuàng)新效率采用DEA-CCR& BCC模型;動態(tài)創(chuàng)新效率采用DEA-Malmquist模型及脈沖響應(yīng)模型。在探尋智能制造企業(yè)創(chuàng)新效率影響因素方面，使用Tobit模型和脈沖響應(yīng)模型進行研究。

1.1.1 DEA-CCR和DEA-BCC模型

DEA-CCR模型假設(shè)規(guī)模效用不變，利用Chame-Cooper[15]變化使得評價每個決策單元（DMU）的投入與產(chǎn)出效率變?yōu)榫€性規(guī)劃方程，其評價輸出為綜合效率（TE）;DEA-BCC模型假設(shè)規(guī)模效用可變，增加了規(guī)模報酬的因素，從而將綜合效率（TE）進一步分解成了純技術(shù)效率（PTE）以及規(guī)模效率（SE），能夠使得測算得到的企業(yè)效率更加接近于實際情況。CCR和BCC的表達式見表1，其中綜合效率（TE）和純技術(shù)效率（PTE）的值分別為表1中CCR模型和BCC模型的目標(biāo)函數(shù)計算所得值θ;規(guī)模效率（SE）為綜合效率值與純技術(shù)效率值之比。

在數(shù)據(jù)要求上，決策單元DMU在數(shù)量上不應(yīng)少于投入與產(chǎn)出指標(biāo)數(shù)量的乘積，同時不少于投入與產(chǎn)出值標(biāo)數(shù)量之和的3倍;DEA不要求投入與產(chǎn)出之間不存在共線性問題，共線性的存在不會導(dǎo)致錯誤的分析結(jié)果。

其中：Aj為DMU效率值;θ為目標(biāo)DMU效率的最小值;n為DMU數(shù)量;Xj為投入單元;Yj為產(chǎn)出單元;S-為投入不足時的松弛變量;S+為投入冗余的松弛變量。θ=1為DEA有效;θ∈[ 0.8，1）為輕度DEA無效;θ∈[ 0.6，0.8）為中度DEA無效;θ<0.6為重度DEA無效。

1.1.2 DEA-Malmquist模型

DEA-Malmquist模型反映DMU的技術(shù)效率在時間序列上的動態(tài)變化，克服了傳統(tǒng)DEA模型的缺陷[16]，其t到t+1時刻的指數(shù)表達式為

式中：IM為全要素生產(chǎn)率指數(shù);Itech為技術(shù)進步指數(shù);Ieffch為技術(shù)效率指數(shù);Ipech為純技術(shù)效率指數(shù);Isech為規(guī)模效率指數(shù);t為年份;D（·）為距離函數(shù)。全要素生產(chǎn)率指數(shù)大于1表明企業(yè)在時間段內(nèi)實現(xiàn)要素增長。

1.1.3 Tobit回歸

由于創(chuàng)新效率指數(shù)取值介于0和1之間，屬于因變量受限數(shù)據(jù)，適用Tobit模型進行回歸，相對于最小二乘回歸能較好地解決這一問題，且對本文的樣本數(shù)據(jù)無需另作處理。Tobit常見表達式如式（2）所示。

式中：y*為潛在因變量，大于零時被觀測到，小于等于零時截尾;xi為自變量向量;β為系數(shù)向量，εi為誤差項。

1.1.4 脈沖響應(yīng)

脈沖響應(yīng)能夠動態(tài)地評價當(dāng)企業(yè)創(chuàng)新效率受到一個變量沖擊時在時間維度上的輸出響應(yīng)，對

研究智能制造企業(yè)的動態(tài)效率分析有著重要作用。

1.2 數(shù)據(jù)來源

本文根據(jù)吳珊等[17]中所選的企業(yè)及行業(yè)分類，依據(jù)其中排名及數(shù)據(jù)可得性，選取了我國智能制造行業(yè)6個分類，合計27家代表性的智能制造上市企業(yè)的近5年數(shù)據(jù)，其所在行業(yè)及股票代碼見表2。其中，投入及產(chǎn)出數(shù)據(jù)取自證監(jiān)會指定披露網(wǎng)站——巨潮資訊網(wǎng);專利數(shù)據(jù)來自國家知識產(chǎn)權(quán)局認定的佰騰網(wǎng)專利檢索系統(tǒng);股權(quán)集中度和內(nèi)控質(zhì)量的數(shù)據(jù)來自國泰安數(shù)據(jù)庫。

根據(jù)DEA模型對于樣本數(shù)量的要求投入與輸出指標(biāo)和為8，企業(yè)樣本數(shù)量為27家，符合DEA對于樣本數(shù)量的要求。表3列示了DEA模型的投入產(chǎn)出指標(biāo)體系及具體指標(biāo)說明。

2 實證分析

2.1 靜態(tài)效率分析

基于上文分析，運用MaxDEA軟件分析我國智能制造企業(yè)在2016—2020年創(chuàng)新效率的綜合效率（TE）、純技術(shù)效率（PTE）及規(guī)模效率（SE），情況見表4。

通過樣本數(shù)據(jù)得到智能制造企業(yè)2016—2020年的平均綜合效率為0.631 2，表明我國智能制造企業(yè)創(chuàng)新效率整體處于中度DEA無效水平，其逐年分行業(yè)情況見表5，2016—2020年DEA有效的企業(yè)在逐漸減少。根據(jù)《中國制造2025》戰(zhàn)略的發(fā)展規(guī)劃，至2020年智能制造發(fā)展理應(yīng)處于過半階段，從結(jié)果而言有較大提升空間。

智能制造離不開智能技術(shù)以及智能設(shè)備的應(yīng)用，而其中蘊含的技術(shù)發(fā)揮程度即智能制造企業(yè)的純技術(shù)效率。從圖1中可以發(fā)現(xiàn)，汽車制造業(yè)和計算機通信及其他電子設(shè)備制造業(yè)在5年間均落后于行業(yè)平均水平;汽車制造業(yè)在經(jīng)歷2018年的低谷后，純技術(shù)效率在后2年有所上升，而計算機通信及其他電子設(shè)備制造業(yè)的純技術(shù)效率在5年間呈現(xiàn)“M”型發(fā)展趨勢;電氣機械和器材制造業(yè)的純技術(shù)效率在2019年及2020年反超專用設(shè)備制造業(yè)，開始引領(lǐng)智能制造行業(yè)整體進步。

規(guī)模效率是指通過擴大規(guī)模、增加投入，從而使得企業(yè)產(chǎn)出與企業(yè)所擴大的規(guī)模相匹配的程度，2016—2020年規(guī)模效率有效程度情況見表6?？傮w而言，智能制造企業(yè)在5年間的規(guī)模遞增數(shù)量穩(wěn)步提升，且處于多數(shù);但在2020年規(guī)模遞減的智能制造企業(yè)數(shù)量相較之前的年份有明顯上升。

2.2 動態(tài)效率分析

2.2.1 Malmquist動態(tài)分析

在動態(tài)層面的縱向效率比較中，Malmquist模型相較于CCR和BCC模型在時間層面上有著更為出色的因素分解，故運用DEAP 2.1軟件對上述6個行業(yè)進行動態(tài)層面的創(chuàng)新效率分析。因Malmquist函數(shù)具有時間滯后性的特征，故得出4年全要素生產(chǎn)率動態(tài)變化情況。根據(jù)式（1）的推導(dǎo)，以表3中的投入產(chǎn)出數(shù)據(jù)帶入模型，Malmquist指數(shù)分解結(jié)果見表7。其中技術(shù)效率為Ieffch，技術(shù)進步為Itech，純技術(shù)效率為Ipech，規(guī)模效率為Isech，全要素生產(chǎn)率為IM。

智能制造企業(yè)Malmquist指數(shù)分時段要素分解情況見表8。2017—2021年間，全要素生產(chǎn)率的幾何平均值達到1.006，整體呈動態(tài)增長，這得益于技術(shù)效率和技術(shù)進步雙向增長的原因;技術(shù)效率又可分解為純技術(shù)效率和規(guī)模效率，而純技術(shù)效率在4年間的幾何平均值為0.996，呈現(xiàn)總體動態(tài)下降的趨勢。2017—2018年全要素增長率的提高得益于技術(shù)效率的小幅增長（1.008）以及技術(shù)進步的拉動（1.192），而當(dāng)年技術(shù)效率主要得益于企業(yè)規(guī)模的提升。2018—2019年、2019—2020年的全要素生產(chǎn)率未得到有效增長，分別是由于純技術(shù)效率和技術(shù)進步的降低所致。2020—2021年，盡管智能制造企業(yè)的規(guī)模效率有所降低，但經(jīng)過前期技術(shù)積累取得技術(shù)進步的成效，帶動了全要素生產(chǎn)率的上升。

智能制造企業(yè)Malmquist指數(shù)分行業(yè)要素分

解情況見表9和圖2。從行業(yè)角度分析得出：電器機械和器材制造業(yè)的全要素增長率是在2017—2021年之間呈動態(tài)增長，在智能制造的6個行業(yè)中位列首位，主要得益于技術(shù)效率和技術(shù)進步的提升。計算機通信及其他電子設(shè)備制造業(yè)的全要素增長率位列最后，表明其在2017—2021年創(chuàng)新效率發(fā)展受限，其技術(shù)效率未得到有效提高。

從技術(shù)進步角度而言，智能制造企業(yè)整體指數(shù)大于1，主要是由于電氣機械和器材制造業(yè)的大幅拉動，鐵路船舶航空航天和其他運輸制造業(yè)、汽車制造業(yè)及專用設(shè)備制造業(yè)在技術(shù)進步層面有較大的提升空間。

從技術(shù)效率角度而言，汽車制造業(yè)和通用制造業(yè)表現(xiàn)較好，兩者的效率提升都得益于純技術(shù)效率和規(guī)模效率的提高。在技術(shù)效率上，電氣機械和器材制造業(yè)表現(xiàn)不佳，主要受制于純技術(shù)效率的拖累。此外，純技術(shù)效率是計算機通信及其他電子設(shè)備制造業(yè)的技術(shù)效率落后的主要原因。

2.2.2 創(chuàng)新效率因素分析

在前人研究基礎(chǔ)上[18-20]，將智能制造企業(yè)創(chuàng)新效率影響因素分為資產(chǎn)規(guī)模、股權(quán)集中度和內(nèi)控質(zhì)量。lnasset為資產(chǎn)規(guī)模，此處用企業(yè)總資產(chǎn)的對數(shù)表示;HHI為股權(quán)集中度，此處用公司前10位大股東持股比例的平方和表示;IC為企業(yè)內(nèi)控是否存在缺陷，存在為1，不存在為0。構(gòu)建Tobit回歸方程如下所示。

其中：TE為表4中智能制造企業(yè)各年度創(chuàng)新效率（TE）;ε為殘差項;β0，β1，β2，β3為方程各參數(shù)的回歸系數(shù);i為智能制造企業(yè)編號;t表示時間。用Eviews 9.0回歸結(jié)果見表10。同時運用脈沖響應(yīng)模型來模擬表10中的解釋變量受到?jīng)_擊時對創(chuàng)新效率（TE）的動態(tài)影響。為避免出現(xiàn)偽回歸現(xiàn)象，采用ADF法對各解釋變量進行檢驗，各解釋變量的ADF值均小于1%水平下的t值，且P值為0，為平穩(wěn)序列。檢驗結(jié)果見表11。

資產(chǎn)規(guī)模對創(chuàng)新效率具有正向影響，Tobit回歸系數(shù)為0.068，且在1%的水平下顯著，影響非常有限。從圖3脈沖響應(yīng)模型結(jié)果表明，資產(chǎn)規(guī)模在前3個時期對創(chuàng)新效率有正向沖擊，然而隨著沖擊期數(shù)的增加，卻對創(chuàng)新效率有著負向影響。

股權(quán)集中度對創(chuàng)新效率具有明顯的負向影響，Tobit回歸系數(shù)為-1.167，且在1%的水平下顯著。股權(quán)結(jié)構(gòu)與公司治理、代理問題密切相關(guān)，已有研究表明，股權(quán)集中度與公司績效呈現(xiàn)U型或倒U型的趨勢。從圖3中不難發(fā)現(xiàn)，創(chuàng)新效率在1-2期沖擊時具有負向影響，結(jié)果呈U型趨勢;而在3-4期呈現(xiàn)倒U型趨勢。從長期時間范圍內(nèi)而言，穩(wěn)定的股權(quán)集中度有助于提升企業(yè)的創(chuàng)新效率。

內(nèi)控質(zhì)量影響企業(yè)的穩(wěn)健經(jīng)營和可持續(xù)發(fā)展能力，對企業(yè)創(chuàng)新績效有明顯促進作用。Tobit回歸結(jié)果表明，存在內(nèi)控缺陷的企業(yè)對創(chuàng)新效率具有負向作用，即完善的內(nèi)部控制質(zhì)量對企業(yè)創(chuàng)新效率有正向影響。圖3中的脈沖響應(yīng)的結(jié)果也表明，盡管內(nèi)控缺陷在短期內(nèi)會刺激創(chuàng)新效率指數(shù)的上升，或因內(nèi)控制度集中規(guī)范企業(yè)制度，導(dǎo)致員工創(chuàng)新性降低;但創(chuàng)新效率隨著內(nèi)控質(zhì)量缺陷作用期數(shù)的增加而顯著減少，表明在長時間跨度內(nèi)，良好的內(nèi)部控制質(zhì)量促進企業(yè)創(chuàng)新效率。

3 研究結(jié)論與建議

文章通過DEA-CCR，DEA-BCC，DEA-Malmquist

模型對我國27家位列智能制造企業(yè)百強名單的上市公司及其所在產(chǎn)業(yè)于2016—2020年的創(chuàng)新效率進行評價分析。結(jié)論如下。

1）靜態(tài)效率分析發(fā)現(xiàn)，智能制造企業(yè)綜合效率的DEA有效個數(shù)在5年內(nèi)有所下滑，規(guī)模遞增企業(yè)個數(shù)顯著增加。汽車制造業(yè)和計算機通信及其他電子設(shè)備制造業(yè)的純技術(shù)效率處于智能制造行業(yè)較低水平。

2）動態(tài)效率分析發(fā)現(xiàn)，2017—2021年間，全要素生產(chǎn)率整體呈動態(tài)增長，這得益于技術(shù)效率和技術(shù)進步雙向增長的原因，其中電氣機械和器材制造業(yè)發(fā)揮行業(yè)“領(lǐng)頭羊”作用，計算機通信及其他電子設(shè)備制造業(yè)整體仍處于落后水平。Tobit回歸及脈沖響應(yīng)結(jié)果表明資產(chǎn)規(guī)模、股權(quán)集中度和內(nèi)控質(zhì)量對智能制造企業(yè)創(chuàng)新效率有十分顯著的影響。資產(chǎn)規(guī)模短期對智能制造企業(yè)有短暫的提升效果，在長期有持續(xù)性的負面效果;股權(quán)集中度在長期對創(chuàng)新效率有正向作用;良好的內(nèi)控質(zhì)量在長期有利于創(chuàng)新效率的穩(wěn)步提升。

在動靜態(tài)分析的基礎(chǔ)上，結(jié)合我國智能制造產(chǎn)業(yè)政策，提出以下建議：

1）著力提升計算機通信等行業(yè)的技術(shù)效率。2020年在面臨新冠疫情的大背景下，芯片資源出現(xiàn)短缺以致原材料成本上升。企業(yè)面臨“卡脖子”，應(yīng)加大技術(shù)攻關(guān)進度;政府也應(yīng)在人才引進、技術(shù)補貼方面給予優(yōu)惠，切實提高行業(yè)的技術(shù)效率。在汽車制造業(yè)方面，由于新能源汽車的規(guī)模在這2年迎來較大的增長，企業(yè)應(yīng)結(jié)合新能源技術(shù)發(fā)展的風(fēng)口完善相關(guān)技術(shù)。

2）深化智能制造企業(yè)人才培育體系。一是結(jié)合我國智能制造企業(yè)行業(yè)建立科技人才信息平臺，實現(xiàn)要素資源互通;二是優(yōu)化人才選拔機制，并疏通青年人才職稱評定方式，促使高校人才更多參與到企業(yè)研發(fā)智囊團中。

3）完善智能制造企業(yè)內(nèi)部控制體系。智能制造企業(yè)創(chuàng)新效率涉及企業(yè)內(nèi)部環(huán)境諸多方面。一是抽絲剝繭，尋求內(nèi)部控制核心要素是智能制造企業(yè)的關(guān)鍵所在;二是建立有效、可靠的風(fēng)險管理平臺，為研發(fā)投入及研發(fā)資金來源質(zhì)量提供保障;三是制定完備的員工行為準(zhǔn)則，在主觀能動方面充分調(diào)動員工創(chuàng)造激情，以塑造良好創(chuàng)新氛圍。

參考文獻：

[1] 毛友芳，胡斌，楊坤.我國智能制造的知識圖譜可視化研究——基于CNKI數(shù)據(jù)庫的文獻計量分析[J].技術(shù)與創(chuàng)新管理，2021，42（01）：56-63.

[2]張煒，趙玉帛.人工智能企業(yè)創(chuàng)新效率評價及影響因素研究——基于Super DEA-Tobit模型[J].技術(shù)經(jīng)濟與管理研究，2021（08）：41-45

[3]曹晶穎，楊忠敏，張潔，等.汽車行業(yè)綠色技術(shù)創(chuàng)新效率研究[J].合作經(jīng)濟與科技，2021（17）：14-16.

[4]周靜婷.規(guī)模以上工業(yè)企業(yè)技術(shù)創(chuàng)新效率分行業(yè)研究——基于DEA-Malmquist指數(shù)法[J].中國儲運，2021（08）：127-129.

[5]賴志花，王必鋒，劉月娜.我國高技術(shù)產(chǎn)業(yè)技術(shù)創(chuàng)新效率行業(yè)差異性研究——基于三階段DEA模型[J].統(tǒng)計與管理，2020，35（01）：74-79.

[6]毛友芳.因子分析法下全國智能制造競爭力評價體系的構(gòu)建與分析[J].技術(shù)與創(chuàng)新管理，2020，41（01）：83-90.

[7]楊彩鳳，符洋，魏巍，張越.工業(yè)企業(yè)研發(fā)投入產(chǎn)出創(chuàng)新績效測度與評價[J].科技創(chuàng)新發(fā)展戰(zhàn)略研究，2021，5（04）：44-48.

[8]何燕子，王婉玉，王艷蘭.基于DEA模型的湖南省裝備制造業(yè)R&D效率評價[J].湖南工業(yè)大學(xué)學(xué)報，2021，35（04）：22-29.

[9]白露珍，邱玉蓮.長江經(jīng)濟帶工業(yè)企業(yè)技術(shù)創(chuàng)新效率測度與時空演變[J].財會通訊，2021（18）：85-88.

[10]方大春，曾志彪.長三角城市群國家高新區(qū)創(chuàng)新效率比較分析——基于三階段DEA模型[J].華中師范大學(xué)學(xué)報（自然科學(xué)版），2021，55（05）：1-17.

[11]田澤，王若梅，肖欽文，等.長三角區(qū)域先進制造業(yè)綠色技術(shù)創(chuàng)新效率研究[J].安徽師范大學(xué)學(xué)報：人文社會科學(xué)版.2021，（5）：137-147.

[12]STORTO C I.Productivity analysis of municipal solid waste collection in italy using SBM DEA malmquist index[J].IOP Conference Series：Earth and Environmental Science，2021，837（01）：012002.

[13]OSUNDIRAN O，OKONTA F，QUAINOO H.An examination of the impact of Covid-19 pandemic on the maritime port of singapore container port productivity using malmquist productivity index[J].Pomorski zbornik，2021，60（01）：85-96.

[14]Dar Ather Hassan，Mathur Somesh Kumar，Mishra Sila.The efficiency of indian banks：A DEA，malmquist and SFA analysis with bad output[J].Journal of Quantitative economics：Journal of the Indian Econometric Society，2021，19（04）：41-49.

[15]CHARNES A，COOPER W W，RHODES E.Measuring the efficiency of decision making units[J].European Journal of Operational Research，1978，2（06）：429-444.

[16]MALMQUIST S.Index numbers and indifference curves[J].Trabajos de Estatistica，1953（04）：209-242.

[17]吳珊，龔業(yè)明，張金隆.中國智能制造百強評價及發(fā)展研究[J].管理學(xué)報，2020，17（02）：159-165.

[18]李雪琪.裝備制造業(yè)高管學(xué)術(shù)背景、股權(quán)集中度與企業(yè)創(chuàng)新投入[D].保定：河北大學(xué)，2021.

[19]王博揚.高管超額薪酬、內(nèi)部控制與企業(yè)創(chuàng)新績效研究[J].山西經(jīng)濟管理干部學(xué)院學(xué)報，2021，29（03）：27-33.

[20]張夢生.中國制造業(yè)上市公司創(chuàng)新效率及影響因素分析[D].山東大學(xué)，2016.

（責(zé)任編輯：嚴(yán) 焱）

收稿日期：2021-11-12

基金項目：國家自然科學(xué)基金項目（71871144）

作者簡介：徐琛輝（1998—），男，浙江海寧人，碩士研究生，主要從事金融科技與量化金融的學(xué)習(xí)與研究。