我国医药制造业创新效率评价研究摘要：[目的]评价我国2015年各省医药制造业创新效率，以发现制约行业创新效率发展的原因，为提高行业发展水平提供依据。[方法]采用数据包络分析三阶段模型（DEA），在传统DEA基础上采用SFA回归模型剔除环境因素及随机变量造成的影响，使得到的效率值更加准确。[结果与结论]我国各省创新效率差异较大，应在实行相关政策投入时注重均衡发展，以促进医药制造业创新效率的全面提升。关键词：三阶段DEA；医药制造业；创新效率：F2文献标识码：Adoi：10.19311/jki.1672-3198.2017.16.001近年来，我国医药制造业发展迅速，在学术界得到越来越多的关注。目前国内多数学者运用数据包络分析法对医药制造业技术创新效率、生产效率等方面进行研究，如王秀明（2015）运用DEA对医药制造业子产业生产效率进行了评价；霍艳飞（2016）运用DEA对医药制造业技术创新效率进行研究。但以往在评价产出效率时，往往只是运用传统DEA模型测算，其测算过程将环境变量纳入投入或产出变量，但实际上各省处于不同的发展环境，这样测算的效率值存在一定的偏差。由此，本文通过DEA三阶段模型，剔除环境变量及随机变量带来的误差，使测算结果更具有参考价值。1研究方法及模型简介1.1DEA分析基于规模收益可变的BCC模型（第一阶段）数据包络分析（DateEnvelopmentAnalysis，DEA）中BCC模型将综合效率分为规模效率及纯技术效率。因本文研究的对象对医药制造业产生的效益影响较大，因此采用基于规模收益可变的BCC模型。BCC模型使投影点的生产规模与被评价DMU的生产规模处于同一水平，模型中i表示评价指标体系中的投入指标。θ表示被评价决策单元（DMUK）的技术效率；s-松弛变量表示产出不足和投入剩余的大小。若θ=1且松弛变量等于0，此时DMU0处于DEA有效。若θ=1，但松弛变量不为1，此时DMU0处于弱有效。若θ<1，此时DMU0处于非DEA有效。若仅有松弛变量等于0，则此时DMU0处于技术有效，即此时资源获得充分利用，投入要素组合呈现最佳组合状态。BCC模型的规划式为：1.2SFA随机前沿分析（第二阶段）第二?A段，通过SFA模型剔除环境变量及随机误差带来的影响，从而减少测量误差。模型中将环境变量作为解释变量，第一阶段得到的投入冗余作为被解释变量，构造下式：其中前一项表示投入松弛量，后两项表示生产过程中的统计噪音及管理无效率。利用SFA模型是为了将所有的决策单元投入指标调整到相同的环境状态，进而在考虑随机误差影响的基础上测度出“真实”反映各DMU经营管理水平的技术效率值。本文对所处环境较好的决策单元，通过增加其相应的投入量来使所有决策单元处于相同的外部环境，调整公式如下：1.3DEA模型（第三阶段）通过第二阶段调整后新得到的投入数据代替原始数据，再次通过BCC模型对创新效率进行测算，新得到的结果更能反映结果的准确性。2指标体系的构建与数据2.1指标体系的构建医药制造业属于高技术产业之一，是一个高投入高产出的综合性产业，因此选择的研究指标至关重要。在指标选择过程中，国内学者也有相关的研究例子，当然也存在一定不同。如表1所示。基于效率评价的科学性、系统性、指导性、可操作性和可比性原则，且依据高技术产业统计年鉴及现有文献研究的相关指标体系的基础上。本文从投入――产出角度，建立评价医药制造业创新效率评价指标体系（见表2）。在指标选取过程中，医药制造业创新效率投入指标主要在于研发经费的投入及人员的投入，因此本文选取医药制造业RD经费内部支出及RD人员全时当量及新产品开发经费作为投入指标，其中新产品开发经费在一定程度上也反映出企业对创新投入的程度。而在产出指标中，本文除了选取拥有专利发明数、新产品销售收入之外，在参考相关研究的基础上新增主营业务收入及利润总额作为产出指标，综合体现技术创新的转化结果。在SFA回归分析中，需要通过剔除环境因素造成的测量误差，我国各省医药制造业环境差异大，因此在选择环境指标时应选取能够对创新效率产生一定影响但又不可控的指标。结合文献研究及数据可获得性及合理性，本文选取政府资金、各省医药制造业企业数、研发机构数、GDP数值四个外部指标作为环境测量指标。2.2数据...