中国机器人产业全要素生产率及影响因素研究
来源:用户上传
作者:杜可 李桥兴
摘 要：机器人产业能够有效提升中国高端制造业的良性发展。本文基于CNRDS数据库33家机器人上市公司在2015—2019年的相关数据，从时序角度和区域角度分别采用DEAMalmquist模型、BCC模型及其他计量模型测算和分析我国机器人产业的全要素生产率及其影响因素。结果表明：现阶段机器人产业的全要素生产率略微上升但其技术效率、纯技术效率和规模效率表现不一;优化企业的资本构成、获利能力、资金流运转、运营规模和管理能力等均可快速提高其全要素生产率但作用不尽相同。基于以上结果提出建议如下：企业层面需要制定恰当的发展目标并改善其自身管理模式，从而提高企业的规模效率和纯技术效率;产业层面需根据各区域自身情况制定切合实际的产业发展策略;政府层面需配合产业发展推出更具有针对性的政策措施等。
关 键 词：机器人产业;全要素生产率;DEA模型;技术效率
DOI：10.16315/j.stm.2020.05.002
中图分类号： F425
文献标志码： A
Abstract：The robot industry can effectively improve development of highlevel manufacture industry in China. In this paper， we respectively utilized DEA Malmquist method， the BCC model and the other econometric models to measure and analyze the total factor productivity and its influence factors of the robot industry from the aspects of time sequence and region by using the panel data of the listed 33 Chinese robot companies from the CNRDS database in 2015—2019. The results show that： The current TFP was slowly improved by the different expression of technical efficiency， pure technical efficiency， and scale efficiency; It can quickly improve the TFP to optimize the capital composition， the profit ability， the capital flow operation， the operation scale and the management ability， but their roles are different. We proposed some suggestions based on results above： the enterprises should formulate appropriate development strategies and improve their own management mode in order to improve their scale efficiency and pure technical efficiency; The industries must formulate the industrial strategies according to the local conditions; The governments need to launch more targeted policies that fit for their industrial development.
Keywords：robot industry; total factor productivity; DEA model; technical efficiency
收稿日期： 2020-07-26
基金项目： 贵州省哲学社会科学规划联合基金课题项目（18GZLH04）;贵州省国内一流学科建设项目（GNYL[2017]005）;贵州大学国家社科基金重大培育项目（GDPY2019005）。
作者简介： 杜 可（1996—），男，硕士研究生;
李桥兴（1973—），男，教授，博士，博士生导师.
随着“中国制造2025”规划在中国有条不紊地展开，作为国家经济重要支撑点的制造业又获得了新的快速发展机遇。而机器人产业则是衡量制造业创新能力和竞争力的重要风向标，并与新能源、新材料、新技术等相融合，成为驱动科技和产业革命的重要支撑力量。然而，尽管国家已经发布了《机器人产业发展规划（2016—2020）》（以下简称《规划》）并给予该产业在其他方面政策的照顾，但是我国的机器人产业与世界其他工业强国相比仍存在较大的发展差距。《规划》曾指出，我国机器人产业的不足之处主要表现为较弱的核心竞争能力、欠完善的产业结构，以及无法有效保障高端产品的质量和大量存在“小、散、弱”企业并过渡依赖人口红利等，而全要素生产率与这些不足息息相关，因此改善机器人产业的全要素生产率，不仅有助于该产业发展，而且有助于实施“中国制造2025”战略和加快实体经济发展等发挥重要作用。
尽管国内不少学者开始关注中国机器人产业，但是相关研究还处于起步阶段并且主要停留在理论指导层面，如机器人产业的目标规划、路线设计、政策影响以及技术创新影响等。曲道奎[1]基于技术、需求、社会等角度分析该产业发展的影响因素和目标导向。而王伟光等[2]则从专利地图视角具体分析中国工业机器人产业过去演进情况、目前发展情况以及未来发展方向。董桂才[3]认为中国机器人产业应该在发展前期通过低要素成本优势抢占全球市场份额，并成为全球的机器人产业体系的一环后，通过转型并以规模经济为跳板实现产业价值升级。杨威[4]认为政府除对机器人产业的政策支持外，还应调整政策制定模式来保证政策制定的有效性;不仅要加强地方政策和国家政策的統筹，还要发挥市场规律，构建市场导向。胡峰等[5]通过构建技术路线图分析政策对机器人产业的影响，并指出政策导向趋势应随着产业发展从技术导向过渡到市场导向。另外，胡峰等[6]还从政策的工具维度和创新维度具体分析长三角地区的政策对机器人产业的影响，提出应该出台更多具有针对性的专项政策，并且提高政策与产业的平衡性与匹配性。王茜等[7]根据专利数据的统计分析来探索我国机器人行业的创新趋势，认为其总体发展态势稳健但专利技术成果转换为生产力的效率不高。以上分析表明，相关研究基本是从宏观整体的角度来把握机器人产业的重要性，也对我国机器人产业的不足以及发展方向做出了探索。但与其他高技术产业对比，较少有机器人产业效率的实证研究，而创新研发领域则有部分实证分析成果。如黄俊等[8]通过DEA方法对我国机器人产业的研发效率及影响因素等研究，从环境、产业、政策等方面分别提出建议;黄蕊等[9]综合静态和动态的指标研究企业技术创新能力的评价问题;徐爽等[10]结合DEA模型对国内外机器人企业的创新能力进行对比分析，获得企业的创新能力与企业规模、成长年龄和区域分布的关系。综上可知，目前有关机器人产业发展研究还处于基础认知和理论层面，定量化地实证分析我国机器人产业技术效率及影响因素还尚未涉及，故而研究我国机器人产业的全要素生产率及其影响因素显示出重要的应用价值。 那么，现阶段中国机器人产业的全要素生产率处于一个怎样的水平？制约又或驱动产业发展的要素都有哪些？这些要素在多大程度上影响机器人产业？本文将基于微观角度，通过多家上市机器人企业2015年1月1日—2019年12月31号连续5期的面板数据，运用DEAMalmquist模型和BCC模型等方法深入剖析其全要素生产率和影响因素，揭示机器人产业近几年在蓬勃发展背后的深层次因素，为进一步提高我国机器人产业增长质量提供理论支持。
1 研究设计
1.1 模型构建与指标选取
1.2 数据说明
本文选取CNDRS数据库中的上市机器人企业的财务报表以及年报等各相关数据，从微观企业入手分析中观产业，探索中国机器人产业的技术效率和影响因素。选取CNRDS数据库主要出于2个方面的考虑：第一，政府部门尚未对机器人产业进行详细的数据统计，其数据均集中于制造业、工业或高技术产业的统计。而根据“机器人产业联盟”和《规划》中给出的相关企业数据，本文在CNRDS数据库中能够找到所需的上市公司的较为详实的数据;第二，CNRDS数据库中上市公司的数据可靠性和可获取性较高，并且数据较为详细且指标清晰。根据《规划》的内容并结合模型1～4的相关指标，本文采集2015年1月1日-2019年12月31日中国33家机器人上市公司为研究对象并采用DEAp2.1软件计算。
2 实证分析
2.1 TFP的测度与分析
2.1.1 基于时序的测度与分析
选取DEAP2.1软件的Malmquist模型以及33家上市企业在2015—2019年的相关数据进行计算，获得我国机器人产业的相关结果，如表2所示。
由表2可知，在《规划》实施后的5年（2015—2019年），我国机器人产业的全要素生产率总体呈现递增态势但增长幅度不大，即其年均增长率仅为0.6%。由表2可知，即纯技术效率（PECH）年均增长3.1%和规模效率（SECH）年均下降2.1%，使技术效率（EFFCH）年均增长只有0.8%，显示纯技术效率递增是技术效率提升的主导因素，而规模效率则是影响技术效率增加的阻力因素。另外，在此期间内技术进步（TECHCH）以年均0.6%的速率递减，与技术效率协同提升全要素生产率。因此，要想全面提高我国机器人产业的全要素生产率，就要在重视技术效率水平的基础上，充分发挥技术进步的驱动能力。
基于时序视角，本文对机器人产业的全要素生产率变化做进一步分析。由表2可知，我国机器人产业的全要素生产率先下滑随后持续提高。究其原因，是因为其5年间技术效率波动明显，技术进步在缓慢增长。我国机器人产业在2015—2019各年度的全要素生产率、技术效率和技术进步的变化趋势出现不同步现象说明：随着时间的变化，我国机器人产业全要素生产率发展的主要影响因素也在不断发生变化，并且该产业在当前发展阶段的技术效率和技术进步由于存在联动的时滞性而往往不能同时达到促进全要素生产率提升的目的。通过上述对2015—2019年度机器人产业全要素生产率的分析，尽管《规划》在一定程度上刺激了机器人产业的发展，但其规模效率每年都呈现出一定程度的负增长，说明不少企业仍带有盲目性扩张以及生产要素配置不合理等现象，即还位于以要素驱动为主的低端粗放型发展阶段。
2.1.2 基于地域的测度与分析
根据33个公司的地理位置，参照文献[20]等对地域划分的分类，本文将机器人企业分属于长三角、珠三角、东北部和中西部等4个区域。另外，本节将参照以往研究的模式即采用软件DEAP2.1的BCC模型从区域视角计算中国机器人产业的技术效率[21-24]、纯技术效率和规模效率，分别如表3～5所示。
由表3所示，中国机器人产业于2015—2019年间技术效率的全国均值为0.768，而东北部地区和珠三角地区则分别为0.740和0.733，说明在不改变其他投入的条件下，技术效率将成为这2个地区的机器人产业的后发优势。从另一个角度来说，东北部地区和珠三角地区由于机器人产业发展相对较早，前期的技术优势已经逐步减弱，甚至与其他地区相比而成为技术劣势地区。从整体来看，我国机器人产业技术效率只在2016年有明显的下滑，并且同样以东北部地区和珠三角地区下滑为主。究其原因，除了与当地经济具体状况有关外，还与我国政策制定的时滞性有关，包括供给侧改革的提出，都对粗放型地区产业的技术效率有直接影响。长三角地区机器人产业的技术效率则是在稳步提高，并且最新数据显示该地区产业的技术效率最大，表明该地区的投入比相对而言配置最合理。中西部地区一直都能保证技术效率的持续提高，是因为中西部省市在近几年对高技术产业政策的强大支持并持有后发优势[22]。
由表4可知，中国机器人产业的纯技术效率值相对较高。东北部地区在2016年波谷后其纯技术效率持续居于较高水平;长三角和珠三角2个地区的纯技术效率保持上升最后略有回落;而中西部地区在经历前3年的增长后却在2018年有明显下降，其与其他地区的明显差异应当引起关注。珠三角地区在2015—2016年的纯技术效率一直最低，并且在2017—2018年仍然较低，其4年均值也处于4个地区的末位。一般来说，产业的纯技术效率与产业管理和使用投入要素密切正相关。中西部地区和珠三角地区应该继续提高机器人产业投入要素的管理效率，审视产业生产的外部环境和生产积极性。另外，与其他地区相比，珠三角地区和长三角地区拥有更先进的管理模式、更強的技术优势以及更多的人才，理应具有较高的纯技术效率。但是其纯技术率却落后于其他地区，说明中西部地区和东北部地区的机器人产业所采取的技术手段、管理模式和组织形式比较适合当地的经济社会形式，因而在纯技术效率方面可以超越较发达地区。
中国机器人产业在2015—2019年的规模效率均值为0.917，东北部和珠三角两个地区的值偏低，但长三角和中西部两个地区却偏高，如表5所示。虽然中西部地区的经济情况较为落后，但是该地区获得国家政策的扶持并且拥有后发优势，其机器人产业的规模效率已经超过珠三角地区。《中国机器人产业发展报告（2019）》曾说明我国东北部规模效率偏低的主要原因是该地区拥有充足的生产资源和较多的国有企业，以及出台了与振兴东北老工业基地相关的诸多政策等。这些因素促使该地区机器人产业扩张较为突出。珠三角地区因地理优势更容易引进外资促进企业扩大规模，从而出现生产力和生产模式不匹配的现象。从表5的4年总体变化情况来看，规模效率有波动下降的趋势，表明我国机器人产业还处于总体扩张阶段。因此，我国政府特别是东北部和珠三角2个地区政府应指导机器人企业思考如何合理调整其生产规模。 综合以上基于时序视角和地域视角的讨论，建议我国需要大力提升机器人产业的技术效率，但同时也要注意提高其纯技术效率和规模效率。
2.2 影响TFP因素的测算和分析
基于上小节的测算分析结果并参考文献[12-17]，本文选取获利能力Pro、资本构成Caps、资金流运转Capf、企业运营规模Ope以及管理能力Mac等作为我国机器人产业全要素生产率TFP的主要影响因素。
首先，基于模型2探讨企业的全要素生产率。第一，运营规模的系数显著为正，表明企业运营规模越大，机器人企业全要素生产率水平也越高，即企业运营规模越大越有利于整个机器人产业发展。第二，资金流运转的系数显著为正，并且通过了1%的显著性水平检验，说明企业的全要素生产率与资金的流动质量和效率均正相关，表明更加合理地使用资金可以直接促进机器人产业的快速发展。第三，获利能力的系数为正，表明获利能力对企业全要素生产率提高产生积极影响，并且这种影响的效果显著。第四，资本构成和管理能力的系数为负，表明这些因素都明显抑制了企业的全要素生产率，因而企业的管理模式需要改进，同时企业的资本构成也需要进一步优化。第五，模型5与模型2相对应的各系数符号相同，仅存在显著性方面的差异，因此模型5进一步印证了基于模型2的以上结论的稳健性。
其次，基于模型3探讨企业的技术效率。第一，获利能力、资本构成、资金流运转和运营规模的系数均为正，表明以上因素均有效促进了机器人产业的技术效率。结合模型2的结论，虽然资本构成是全要素生产率的阻碍因素，但却是技术效率的促进因素，其原因是由于机器人产业的负债资本多数被用于引入新技术，从而使企业的技术效率获得提高，也进一步说明企业的资本构成需要优化。第二，管理能力的系数为负，表明机器人企业的管理模式直接影响了企业的技术效率，提示企业应当提升内部管理力度促进企业技术效率增长。
再次，基于模型4探讨企业的技术进步水平。第一，资本构成、资金流运转和管理能力都对机器人产业的技术进步产生一定的抑制作用，但抑制的效果较弱。结合模型3的结果，资金流运转在提升技术效率的同时却抑制了技术进步，因此该因素弱化了技术效率的积极作用，也导致其对全要素生产率不发生显著影响。第二，获利能力和运营规模的系数都为正，表明这两者对企业技术进步的影响显著，加上模型3获得的正面促进技术效率，进一步说明两个因素对全要素生产率的显著影响效果。
综合以上模型2至模型5的分析结果，可获得如下结论：第一，资本构成和资金流运转抑制了企业的技术进步，但促进了企业的技术效率。这两者表明，我国机器人企业需要合理把控企业的资本构成，在关注资本来源能够优化企业技术效率的同时，要避免因盲目扩张资本而导致影响了企业的技术进步;同时，企业需要根据自身情况合理规划和利用资金，在加强资金流运转促进企业技术效率的同时，注意把资金流优化配置到科研部门促进企业的技术进步。在资本构成和资金流运转保持正面影响技术效率的前提下，继续优化资本构成和合理利用资金以促进企业的技术进步，综合促进企业全要素生产率的增长。第二，管理能力同时抑制了技术效率和技术进步，从而导致该因素对全要素生产率的负面影响显著，说明中国机器人产业的管理能力并不适应于当前的生产率发展情况，表明我国机器人企业的管理模式有待优化以保证企业资源的有效投入并形成有效产出。第三，获利能力和运营规模均对技术效率和技术进步产生正向影响，从而使二者更显著影响了企业的全要素生产率，说明我国机器人产业正处于卖方市场。此时，我国政府应适应其旺盛的市场需求而出台相关政策积极引导企业扩大运营规模扩大市场份额。
3 结论与建议
3.1 结论
本文采用DEAMalmquist模型和BCC模型以及CNRDS数据库中我国机器人33家上市企业在2015—2019年的统计数据，通过测算全要素生产率及其要素并分析这些要素与其影响因素的关系，得出结论如下：
第一，从整体来看，机器人产业的全要素生产率水平在缓慢增长，其原因是技术进步和技术效率的增长幅度不大并且以技术效率为主，表明在现阶段技术效率对该产业全要素生产率增长占据主导作用，也预示我国应当通过优化企业的资本构成和资金流运转以及提升企业的管理能力等来促进企业的技术进步，从而加快提高机器人产业的全要素生产率水平。
第二，中国机器人产业的技术效率受到规模效率的明显约束。中西部的后发优势以及长三角的高密集产业，使该产业在规模效率和纯技术效率等方面都优于发展较早的东北部地区和深度发展的珠三角地区，因此东北部和珠三角应当结合自身优势提高纯技术效率和扩大生产规模，缩小同中西部和长三角之间的差距。
第三，获利能力和运营规模对机器人产业的技术效率和技术进步都有促进作用;资本构成虽然提高了企业的技术效率但同时也明显抑制了企业的技术进步;资金流运转显著提高了企业的技术效率但对技术进步的影响作用不强;管理能力对提升我国机器人产业的技术效率和技术进步水平都产生了直接影响。
3.2 建议
为了响应《规划》要求，促进我国机器人产业高速度高质量发展，结合本文分析结果提出以下建议：
第一，我国机器人企业急需改善当前的管理模式。机器人企业要优化当前商业模式，依据当地的文化特色和经济社会发展水平，改善企业的管理模式，提升管理水平;应当重新审视企业的资本结构和资金流运转情况，优化企业资源的投入产出，通过改善企业的技术效率促进全要素生产率的增长;加强技术效率和技术进步之间的联动，使二者能够同时促进全要素生产率的提高，改变当前增长缓慢的局面;结合各地区政策环境进一步推动企业制定最佳的发展战略，推动企业转型升级，促使企业从低技术粗放型向高技术质量型发展。
第二，机器人产业层面需要各地结合本地的经济社会形式提出适宜的发展策略。我国机器人产业在不同地区的发展阶段、发展模式以及发展优劣势等存在较大差异，各地机器人产业的发展策略应该是结合当地产业实际提出不同阶段的不同发展重点。如东北地区作为老工业基地，其原有的制造业技术优势反而转变为机器人产业的技术劣势，因而原技术需要升级更新以提高机器人企业的纯技术效率，此时可适当收缩机器人产业的发展规模并引进新管理制度来改变当前局面;中西部地区制造业拥有后发优势，因而其机器人企业的纯技术效率较好，应在进一步提升企业技术效率的基础上重点调整提高其产业规模以便增长其市场份额;长三角地区的制造业聚集度高且产业技术成熟，应当着力从大规模粗放式生产模式转向高质量集约型发展模式;珠三角地区产业的纯技术效率和规模效率都有进一步提升的空间，应当结合自身地缘优势引进先进技术和更新管理模式，促使纯技术效率和規模效率的内涵式发展，双向联动提高机器人产业的全要素生产率。 第三，政府层面应深化机器人产业的发展政策。一方面，加强政府对机器人产业的政策扶持力度。根据当地产业发展阶段，针对不同市场的需求差异制定政策措施，例如差异化的补贴政策、龙头企业培育、中小企业扶持等。另一方面，充分发挥政府职能，促进产学研政的沟通交流。比如，各地区政府牵头组织本地企业前往发达国家和地区开展学习交流;鼓励企业依靠高校和研究所开展研发活动等。
参考文献：
[1]曲道奎.中国机器人产业发展现状与展望[J].中国科学院院刊，2015，30（3）：342.
[2]王伟光，余景年，彭莉.中国工业机器人产业技术研究：专利地图视角[J].科技进步与对策，2017，34（7）：55.
[3]董桂才.中国工业机器人在全球价值链的地位及变化趋势[J].中国科技论坛，2016（3）：49.
[4]杨威.我国工业机器人产业技术创新策略[J].宏观经济管理，2017（4）：33.
[5]胡峰，刘媛，陆丽娜.基于机器人产业发展阶段的政策：技术路线图构建[J].中国科技论坛，2019，（6）：72.
[6]胡峰，张巍巍，曹鹏飞，等.基于政策工具视角的长三角地区机器人产业政策研究[J].科技管理研究，2019，39（4）：174.
[7]王茜，王玲.我国机器人行业企业创新趋势研究：基于专利数据的分析[J].科技管理研究，2016，36（16）：27.
[8]黄俊，杨紫锐，殷丽梅，等.国产机器人企业研发效率评价及影响因素研究：基于DEATobit两阶段分析法[J].科技进步与对策，2017，34（18）：101.
[9]黄蕊，张肃，王含.基于“融知发酵”模型的企业技术创新能力评价研究：以机器人企业为例[J].商业研究，2016（11）：144.
[10]徐爽，宋亮，何颖，等.国内外机器人企业创新能力比较研究：基于创新投入产出的DEA模型分析[J].工业经济论坛，2016，03（4）：397.
[11]BANKER R D，CHARNES A，COOPER W W.Some models for estimating technical and scale inefficiencies in data envelopment analysis[J].Management Science，1984，30（9）：1078.
[12]张鸿，汪玉磊.陕西省高技术产业技术创新效率及影响因素分析[J].陕西师范大学学报（哲学社会科学版），2016，45（5）：118.
[13]彭迪云，齐丽芳，周彤菲.我国汽车制造企业技术创新绩效的路径分析[J].工业技术经济，2018，37（1）：17.
[14]王曙光，王子宇.技术进步与高新技术产业发展：多向度分析与路径选择[J].中国特色社会主义研究，2018（6）：42.
[15]李烨，曹梅，龙梦琦.资源型企业循环经济评价指标体系构建与实例分析[J].中国人口·资源与环境，2016，84.
[16]王丽平，周龙.京津冀高技术产业技术创新效率评价及资源配置研究[J].科技管理研究，2016，36（8）：1.
[17]韩增林，杨文毅，郭建科.供给侧视角下中国生产性服务业集聚对城市全要素生产率的影响[J].首都经济贸易大学学报，2018（2）：65
[18]李培哲，菅利荣，刘勇.基于DEA与Malmquist指数的区域高技术产业创新效率评价研究[J].工业技术经济，2019，38（1）：27.
[19]陈伟，张长孝，李传云，等.基于DEAMalmquist指数的高新技术产业技术创新效率评价研究[J].科技管理研究，2017，37（23）：79.
[20]罗芳，王远卓.长江经济带工业企业技术创新效率研究[J].科技与管理，2019，21（6）：24.
[21]徐小鹰.供给侧改革背景下我国全要素生产率的实证分析[J].统计与决策，2018，34（3）：134.
[22]贾若祥.中西部和东部地区老工业基地振兴发展政策体系的构建[J].改革，2017（8）：103.
[23]王新红，李拴拴.基于数据包络分析的创新型企业技术创新效率测度研究[J].科技管理研究，2020，40（8）：59.
[24]冯长利，张昂，梅小敏.中国情境下制造企业服务化提升财务绩效了吗：基于大型、中小型上市公司的对比分析[J].科技与管理，2018，20（6）：10.
[編辑：费 婷]
转载注明来源:https://www.xzbu.com/8/view-15344616.htm
