高技术企业创新效率的dea模型与回归模型.doc

本科生毕业设计（论文） 摘要高技术产业是国民经济的战略性先导产业，在产业结构调整和经济增长方式转变中发挥着重要作用，已成为当今世界综合国力竞争的制高点。作为动力型先导产业，高技术产业的效率将直接影响到我国产业链的效率水平和自主创新能力。对于高技术企业来说，加强新产品的研究与开发，是高技术企业技术创新能力和核心竞争力的源泉与持续发展的动力，而提高技术创新效率和核心竞争力又是高技术企业赢得竞争的根本保证。在振兴辽宁老工业基地战略指导下，如何使辽宁高技术产业又好又快发展，从而提高辽宁自主创新能力，并由此推动辽宁产业结构调整，转变经济增长方式，是亟待解决的关键问题。本文通过查阅大量相关文献，搜集整理2007-2011年统计年鉴数据，运用DEA模型测算北京、辽宁、上海、浙江、广东五个省市高技术企业创新效率，并采用回归模型考察辽宁高技术企业R&D投入对创新效率的影响程度。结论如下：北京、辽宁、上海、浙江、广东五个省市中，辽宁、浙江的高技术企业创新效率较低，尤其是辽宁。并得出辽宁高技术企业R&D经费投入和R&D人力投入会促进企业创新效率的提升,前者的作用更为显著。根据本文研究的结论，有针对性提出了提升辽宁省区域经济效率的对策和建议。关键词：高技术企业；创新效率；R&D；DEA模型；回归模型。AbstractHigh technology industry is a strategic leading industry of national economy, the adjustment of industrial structure and economic growth mode transformation plays an important role, has become the commanding heights of the comprehensive national strength competition in the world. As power type leading industry, high-tech industry will directly affect the efficiency of the industrial chain efficiency level and capacity for independent innovation in our country. For high technology enterprise, strengthen the research and development of new products, is a high technology enterprise technology innovation ability and the core competitiveness of the source and motive force of sustainable development, and improve the efficiency of technological innovation and core competence is the fundamental guarantee of high technology enterprises win the competition. In under the guidance of the revitalization of Liaoning old industrial base strategy, how to make the Liaoning high technology industry, nice and fast development, thus improve the Liaonings capacity for independent innovation, and thus promote the Liaoning industry structure adjustment, transformation of the mode of economic growth and is a key problem to be solved. This article through consulting a large number of relevant literature, collect statistical yearbook data from 2007 to 2011, using DEA model to measure Beijing, Liaoning, Shanghai, Zhejiang, Guangdong high-tech enterprise innovation efficiency, five provinces and cities and examines the regression model of Liaoning high technology enterprises the influence of R&D input on the innovation efficiency. Conclusions are as follows: Beijing, Liaoning, Shanghai, Zhejiang and Guangdong in five provinces and cities, Liaoning, Zhejiang high-tech enterprise innovation efficiency is low, especially in Liaoning. And Liaoning high-tech enterprise R&D expenditure and R&D effort will help to promote the efficiency of enterprise innovation, the role of the former is more significant. According to research conclusions, this paper targeted puts forward some countermeasures to increase the economic efficiency of the region of Liaoning province and the suggestion. Key words: High technology enterprise; Innovation efficiency; R&D; DEA model; Regression analysis.目 录第1章 绪论11.1 论文研究的背景11.2 论文研究的意义21.3 研究的思路及方法21.3.1 研究的思路21.3.2 研究的方法21.4 本论文的主要内容3第2章 相关理论及概念52.1 R&D涵义及特点52.2高技术企业的涵义及特点52.3创新效率的涵义62.4 DEA的理论及模型72.4.1规模报酬不变模型C2R82.4.2规模报酬可变模型82.4.3关于松弛因子92.5回归分析9第3章 指标体系与模型的建立113.1选取指标原则113.2创新效率产出指标、投入指标的确定113.3创新效率产出指标、投入指标的处理123.4 R&D投入指标的选取173.5 DEA模型的建立183.6研究假设193.7 假设检验203.7.1 R&D活动经费与辽宁高技术企业创新效率的关系假设203.7.2 R&D人员全时当量与高技术企业创新效率的关系假设203.8回归模型的设定20第4章 实证分析234.1创新效率分析234.2效率冗余额的分析254.2.1投入方面冗余额分析254.2.2产出方面冗余额分析264.3 R&D投入对辽宁高技术企业创新效率回归结果分析264.4模型拟合优度检验274.5 回归模型残差直方图、散点图和P-P检验274.6 回归模型的方差分析、回归系数和显著性检验29第5章 提升R&D投入对辽宁高技术企业创新效率影响的建议305.1创新效率方面305.1.1提高创新效率305.1.2减少冗余305.2.R&D投入方面315.2.1R&D经费投入315.2.2 R&D人员投入31参考文献33致 谢35IV第1章 绪论1.1 论文研究的背景随着经济全球化的发展, 科学技术推动经济发展和促进社会进步的主导作用更加凸显，以技术创新为基础的国际竞争更加激烈。在这种情况下，世界很多著名企业都把技术创新作为重要的发展战略，把科技投入作为战略性投入。科技投入技术创新是高技术企业显著地特征。对于高技术企业来说，加强新产品的研究与开发，是高技术企业技术创新能力和核心竞争力的源泉与持续发展的动力，而提高技术创新效率和核心竞争力又是高技术企业赢得竞争的根本保证，然而这一切都离不开企业对R&D活动的投入与实施。R&D可以提高生产要素的质量和使用率,给企业带来新知识、新技术，节约某些环节中的支出,促进规模经济的形成,实现企业开发、设计、制造、营销及管理的高度集中化。面对我国RD高投入高产出的现状，我国RD效率是高还是低，影响因素又有哪些，这些问题已经引起了众多学者的关注。蔡翔（2013）等学者基于“科研产出-成果转化”视角，以2000-2008年的面板数据为基础，运用随机前沿分析方法研究了我国各地区R&D效率及其影响因素，研究结果表明: 随着我国经济高速增长，全社会各类RD 投入也在不断加大。政府支持力度和企业R&D投入力度对科研产出效率的提高有促进作用但不显著，外资吸纳能力能显著促进科研产出效率的提高，高新技术产业规模反而抑制科研产出效率的提高；政府支持力度高新技术产业规模以及企业R&D投入力度对我国科研成果转化效率的提高有显著促进作用，外资吸纳能力抑制成果转化效率但不显著1。石琳（2011）对辽宁高技术产业发展现状进行简要分析，指出辽宁省高技术企业持续稳定增长，自主关键技术不断涌现，核心竞争力日益提高，重大项目建设进展顺利，支撑带动作用增强，固定资产投资保持增长，吸引外资能力提高，沈阳、大连继续保持带动作用，全省整体发展态势看好，高技术产业基地正成为辽宁省经济发展新的领头羊。但是我省高技术企业的发展也面临很多问题，辽宁高技术企业科技投入较低，全社会多元投入机制尚未形成2。荆浩(2012)基于 DEA-Malmquist 指数方法，对辽宁高技术产业不同行业的全要素效率、技术效率变化和技术进步情况进行了分析，发现了辽宁高技术产业发展中存在的问题与不足。提出高技术产业是国民经济的战略性先导产业，在产业结构调整和经济增长方式转变中发挥着重要作用，已成为当今世界综合国力竞争的制高点。4在振兴辽宁老工业基地战略指导下，如何使辽宁高技术企业又好又快发展，从而提高辽宁自主创新能力，并由此推动辽宁产业结构调整，转变经济增长方式，是亟待解决的问题。1.2 论文研究的意义高技术企业创新效率的高低直接影响高技术产业的发展，R&D研发投入是高技术企业创新发展的源泉，对于增加企业竞争力，保持在经济领域中快速发展起着关键的作用。R&D是企业获得核心技术、培育核心技术能力的主要途径。R&D是企业获得核心竞争力和经济效益、求得生存和发展的基础，企业经济效益取决于销售额与成本之差。销售额的扩大要靠优势产品尤其是新产品去开拓和扩大市场。同时R&D水平也影响了企业成本的降低。大量的调查表明，超过80的产品成本在研发和设计阶段确定，生产和销售过程中尽管努力降低成本，也不会从根本上改变成本结构，就不能弥补成本先天决定的缺陷。探求R&D研发投入对高技术企业创新效率的影响，对深入研究R&D理论和高技术企业创新发展模式具有重要理论意义，并且无论从政府和企业角度都为辽宁省高技术企业发展的政策制定提供一定的参考价值，有利于提升辽宁省高技术企业创新效率，有效促进辽宁高技术产业的发展。1.3 研究的思路及方法1.3.1 研究的思路本论文具体研究思路如下图1-1所示。1.3.2 研究的方法（1） 文献法,通过从各类书籍,报刊,杂志,网站上搜集相关信息资料作为研究的背景信息。文献整理2007年-2011年的中国高技术产业统计年鉴、中国科技统计年鉴、辽宁省统计年鉴，搜集高技术企业创新效率有关的数据以及辽宁省R&D经费投入和R&D人员规模等数据。（2）实地调研法，走访锦州、大连、沈阳等部分高技术企业，深入了解高技术企业发展及技术创新概况和R&D经费投入和R&D人员规模等现状。（3） 统计分析法，运用数据包络模型DEA软件deap2.1计算高技术企业创新效率，通过spss软件验证R&D投入对辽宁高技术企业创新效率的影响的回归模型检验。数据收集文献法实地调研相关概念及理论模型的建立实证分析辽宁高新技术企业创新效率数据包络模型DEA软件deap2.1回归分析结论及建议RD投入对辽宁高技术企业创新效率影响实证研究R&D投入对辽宁高新技术企业创新效率影响模型建立理论及概念回归模型及其建立DEA数据包络模型及其建立R&D活动及特点创新效率高技术企业涵义及特点图1-1 论文研究思路1.4 本论文的主要内容第一部分：绪论。该部分主要阐述课题研究的背景、研究的意义、研究的目的、研究的方法、及研究的思路。第二部分：相关理论及概念。主要包括R&D、高技术企业、创新效率的涵义及特点，并归纳总结了数据包络模型DEA、回归模型相关理论知识。第三部分：指标体系及模型构建。该部分依据各项指标的选取原则，建立了辽宁高技术企业创新效率投入产出影响指标体系，根据所选取的辽宁高技术企业创新效率影响指标建立DEA模型。最后以R&D投入作为自变量，辽宁高技术企业创新效率作为因变量建立回归模型，通过回归模型分析R&D投入对辽宁高技术企业创新效率影响程度。第四部分：实证分析。包括创新效率相对有效性分析、规模效率的相对有效性分析、投入方面冗余额分析及其产出方面冗余额分析，R&D投入对辽宁高技术企业创新效率回归分析。第五部分:对策及建议。该部分针对第三部分和第四部分的研究结果，总结并提出有针对性的发展辽宁高技术企业的对策和建议。第2章 相关理论及概念2.1 R&D涵义及特点R&D （research and development）指“研究与开发”、“研究与发展”或“研究与试验性发展”。按照弗拉斯卡蒂手册的定义,R&D活动是指为了增加知识的总量,包括有关人类、文化和社会的知识,以及运用这些知识去创造新的应用,所进行的系统的创造性的工作，R&D活动是科技活动的核心活动,也是国际上通用的科技活动。我国科技部对R&D的定义：R&D活动指为增加知识的总量(包括人类、文化和社会方面的知识)，以及运用这些知识去创造新的应用而进行的系统的、创造性的活动。包括基础研究、应用研究、试验发展三类活动。周晓珺（2013）提出高技术企业的研究与开发（R&D）具有资金投入大、产品附加值高、研发风险高、较强的探索性，未知因素多，不确定性大、产品生命周期短等特点12。高新技术创新具有显著的外部经济效应，能够对全社会的科技进步与经济增长起到推动作用，提高整个社会生产的效率和国际竞争力。因而各国政府都把发展高技术企业放在极其重要的在地位，在政策上对高技术企业及其研发活动加以支持。2.2高技术企业的涵义及特点李维胜（2010）从技术角度、产业角度分别阐述了对高技术企业的理解。从技术的角度来理解的主要有：高技术企业的定义是需要不断进行高水平创新的企业，是一类体现出高增长率、高额的研究和开发费用、高附加值、强烈的出口导向和劳动密集的公司，是知识密集、技术密集的经济实体。以从事产业的角度来理解主要有：高技术企业不能只看是否采用了高技术的生产手段，而应该看它的经营领域是否处于技术较快的高技术领域，看企业是否将高技术转化为现实生产力，不管企业是否拥有先进的技术，只要它涉足高技术产业，就称它为高技术企业3。徐文昕和徐家源(2012)认为高技术产业是技术和知识高度密集，采用尖端的信息技术、生物技术等生产高技术产品的产业群7。李维胜(2010)总结了高技术产业的7个特点，分别为：高投入，与一般的企业相比，高技术企业需要更多的资金投入来支持其发展；高风险，认为高技术企业的风险远大于传统企业，高技术企业具有高风险特征；高收益，认为高技术企业的高风险同时也伴随着高收益，高技术企业具有超常规、跨越式发展的特性，能为投资者带来丰厚的回报，成功的高技术企业，呈几何级数增长；高成长；“资源链”特征明显；产品更新换代快，创新占重要地位，高技术产品的应用周期缩短、高技术产品更新换代速度快、高技术产业化的速度不断加快；高渗透性3。总结来说，高技术企业有许多与传统产业不同的地方，主要有三个特点即：高新技术企业是不断创新的企业、拥有科技性技术、处于一个不断上升的产业内，高技术企业的技术创新可能是产品的功能、性质、质量、成本等方面带来的巨大竞争，是产品可迅速占领市场，是企业因某项创新的成功而迅速成长。2.3创新效率的涵义创新概念的起源可追溯到1990年美籍经济学家熊彼特的经济发展概论。熊彼特在其著作中提出：创新是指把一种新的生产要素和生产条件的“新结合”引入生产体系。它包括五种情况：引入一种新产品，引入一种新的生产方法，开辟一个新的市场，获得原材料或半成品的一种新的供应来源。熊彼特的创新概念包含的范围很广，如涉及到技术性变化的创新及非技术性变化的组织创新。13创新效率是技术创新能力的反映，是推进区域经济效益的主要动力。创新效率是个新兴词汇，随着高技术产业创新的发展应运而生。创新效率是提升企业创新能力、增强资力的重要方面。技术创新效率是技术创新能力的反映，是推进区域经济效益的主要动力。20世纪40年代，索罗(S.CSofo)对技术创新理论进行了较全面的研究后，在在资本化过程中的创新:对熊彼特理论的评论一文中，首次提出技术创新成立的两个条件，即新思想来源和以后阶段的实现发展。索罗的“两步论”是技术创新概念研究上的一个里程碑。1962年，在石油加工业中的发明与创新一文中，伊诺思(J.L.Enos)从行为集合角度对技术创新进行了定义，他认为技术创新是包括发明的选择、资本投入保证、组织建立、制定计划、招用工人和开辟市场等行为的综合结果，这被认为是技术创新定义的首次提出。创新效率是一种高技术市场的市场效率，也可以通过创新要素或经济资源在不同部门的自由流动来实现其有效配置。创新效率是一个组织的效率，它是通过改善资源配置的利用和提高科技技术来实现的。对高技术产业创新效率进行测度，有利于高技术产业向集约型方式转变，并可同时辅助改善其技术创新活动15。肖仁桥等（2012）通过建立链式关联型网络 DEA 模型，对中国高技术产业创新的整体效率、各阶段效率及关联强度进行分析，研究结果为中国高技术产业技术创新的整体效率偏低，且呈现 U 型变化趋势，经济增长仍然处于高投入、低研发产出、低经济转化阶段。中国高技术产业创新资源利用模式处于高研发、高经济转化型的地区仅占25%。2.4 DEA的理论及模型数据包络分析模型（Data Envelopment Analysis，简称为DEA）是由美国著名运筹学家查恩斯（A.Charnes）和库伯（W.W.Cooper）和罗兹（E.Rhodes）于1978年创立的一种评价具有相同类型投入和产出的若干部门或单位相对有效性的数量方法，通过包络出最佳生产前沿面，根据包络面可得到每个生产单位的效率指数。DEA非参数效率测量方法是运筹学、经济学和管理科学交叉研究的一个新的领域，在管理科学和经济分析中广泛使用。DEA不需要对输入和输出变量之间的函数关系进行估计，而是运用线性规划的原理计算所有决策单元（DMU）的生产前沿，然后根据各个决策单元与生产前沿面的相对位置来判断各自的效率，位于生产前沿面上的决策单元就是有效率的，否则就是无效率的。OU2BU1U3U4MN本论文用如图2-1来详细说明DEA的效率评价原理，U1，U2，U3，U4分别表示4个决策单元，每个决策单元有两种资源X1和X2投入进行生产活动，Y为相应的输出。将U2，U3，U4 点连成折线，从U2 点作垂直射线U2M（虚线），从U1点作水平射线U1N（虚线），则包络线M U2U3 U1 N称为生产前沿面，处于生产前沿面(包络面)上区域称为决策单元都是DEA有效的，而处于其他区域为决策单元为非DEA有效。图2-1 数据包络模型DEA效率评价思想图中显示U1，U2，U3这三个决策单元为DEA有效，而位于包络线右上方的决策单元U4称为非DEA有效。这意味着U1 ，U2，U3这三个决策单元来说，每产出Y所需投入的两种资源X1和X2的投入量不能同时减少，若减少其中一种资源的投入量，则必须增加两一种资源的投入量。相对于B来说，U4是无效的，对于无效的决策单元U4来说，U4使用了过多的资源，而用B点的投入也可以生产出不少于U4的产出。而若使决策单元U4进化为DEA有效，则必须降低其产出Y所需投入的两种资源X1和X2。当企业在生产过程中，投入产出（输入和输出）的作用和地位不同，要评价投入产出（输入和输出）的DEA是否有效率，必须对它的投入产出（输入和输出）进行“综合”。DEA正是一种有效地综合各个DMU输入/输出数据的评价分析方法。C2R模型和BCC模型是DEA两个最常用的模型，C2R模型是规模收益不变的数据包络模型，BCC模型是规模收益可变的数据包络模型。2.4.1规模报酬不变模型C2RC2R模型是规模收益不变的数据包络模型，该模型是由Charnes、Cooper和Rhodes于1978年提出来的，又被称为CRS模型，它有一个规模收益不变（Const Returns Scale）的基本假设,构建一个评价DEA有效性的模型： （2.1）若求解结果为，则决策单元为DEA有效；若，则为非DEA有效。模型的经济意义在于测算的是规模收益不变情况下各个DMU的创新效率。假设是由模型所得到的的技术效率，那么，当时，可以认为被评价对象是技术和规模有效的，即同时达到了规模有效和技术有效，既评价对象是综合有效率的,也即是DEA有效率的，否则认为被评价对象是综合效率无效的。2.4.2规模报酬可变模型当所有单元都以最优规模运作时，规模报酬不变（CRS）的假设是合理的。但很多情况下单元不是以最优规模运作。很多学者，如Afriat(1972)，Fare、Groskopt和Logan(1983)，还有Banker、Charnes和Cooper(1984)，提出对CRS的DEA模型进行调整来解决规模报酬可变（VRS）的情况。当不是所有企业都以最优规模运作时，使用CRS的条件会导致创新效率的测度受到规模效率的影响。使用VRS的条件，可以在不受规模效率影响的前提下计算创新效率。为解决这个问题，Banker，Charnes和Cooper（1984）提出了模型的改进方案，又称为模型。Banker等人在模型中加入了一个凸性假设：，从而将其改造为模型，见模型（2.2）。该模型加入了的凸性假设，也是测算规模可变（VRS）的DEA模型，比模型用来测算高技术产业创新效率更趋理性化。 （2.2）2.4.3关于松弛因子DEA中的逐段线性形式的非参数前沿面可能在创新效率测度上有一些困难。出现问题是因为逐段线性的前沿面有些区段平行于轴线（如图2-2）。图中用C和D代表两个有效率的单元，A和B代表两个无效率的单元。根据Farrell(1957) 关于创新效率的测量方法，给出单元A和B的创新效率测度分别是和。但有一个问题，如果降低投入量的值（减少的值），但还是产生同样的产出，那在是否还是有效点？这种情况在术语上被称为投入松弛（input slack）。如果考虑更多投入和多种产出，也可能出现产出松弛。160DCx2/yx1/ySAB图2-2 创新效率测量和投入松弛2.5回归分析1.回归分析（Regression Analysis）是一种统计学上分析数据的方法，主要是希望探讨数据之间是否有一种特定关系。回归分析是建立因变量Y（或称依变量、原文为：response variables, dependent variables）与自变量X（或称独变量，原文为predictors, independent variables）之间关系的模型。复回归（Multiple regression）指的是超过一个自变量。回归分析的目的在于了解两个或多个变量间是否相关、相关方向与强度，并建立数学模型以便观察特定变量来预测研究者感兴趣的变量。2.回归分析的主要内容为：（1）从一组数据出发确定某些变量之间的定量关系式，即建立数学模型并估计其中的 未知参数。估计参数的常用方法是最小二乘法。（2）对这些关系式的可信程度进行检验。（3）在许多自变量共同影响着一个因变量的关系中，判断哪个（或哪些）自变量的影响是显著的，哪些自变量的影响是不显著的，将影响显著的自变量选入模型中，而剔除影响不显著的变量，通常用逐步回归、向前回归和向后回归等方法。（4）利用所求的关系式对某一生产过程进行预测或控制。回归分析的应用是非常广泛的，统计软件包使各种回归方法计算十分方便。在回归分析中，把变量分为两类。一类是因变量，它们通常是实际问题中所关心的一类指标，通常用Y表示；而影响因变量取值的的另一变量成为自变量，用X来表示。3.回归分析研究的主要问题是：（1）确定Y与X间的定量关系表达式。这种表达式成为回归方程；（2）对求得的回归方程的可信度进行检验；（3）判断自变量X对Y有无影响；（4）利用所求得的回归方程进行预测和控制。第3章 指标体系与模型的建立3.1选取指标原则为了客观、全面、科学地研究RD投入对辽宁高新技术企业创新效率的影响，本论文在建立DEA模型及其研究创新效率影响的时候，应该严格遵循以下几个选取原则：(1)指标选取科学性原则。指标的选择应该符合模型研究的目的，应该选择那些对实证结果有较大影响的指标，尽量避免就指标论指标，数据的选取、计算一定要建立在科学的基础之上；(2)指标选择的精简性、全面性和关联性，即指标具有较强的代表性，不仅能简化指标体系，而且还能全面集中地反映辽宁高新技术企业创新效率的各种特征和状况，同时要选择逻辑相关的指标，在确定评价指标的大前提下可以设置几个输入输出指标体系，从而进行比较来选出最能反映RD投入对辽宁高新技术企业创新效率影响的指标体系；(3)指标的可获得性和可操作性，以便于对数据进行搜集，便于采取措施全面提高创新效率。(4)系统优化原则不可忽视。所选的指标之间最好既有横向联系，又有纵向联系，指标之间能深度反映不同层次之间的互相制约及其相互联系的关系，有较强的系统性。本论文将遵循上述的指标选取原则对数据进行筛选处理，选择恰当、有效的指标来建立研究模型16。3.2创新效率产出指标、投入指标的确定学者徐文昕(2012) 以R&D经费投入和R&D人员投入作为投入指标，高技术企业新产品销售收入作为产出指标7。曹勇(2012)认为仅以RD投入来衡量技术创新投入已不能适应知识经济时代高技术产业发展的需要，结合高技术产业的特点和统计资料数据的可取性，决定从RD投入与非 RD 投入两方面来衡量技术创新投入，以发明专利数和新产品销售量作为产出指标。综上所述，结合以上学者的研究，本文将以新产品开发项目数（个/年）、研发人员数（人/年）、新产品开发经费支出（万元/年）、研发机构数（个/年）、固定资产投资额（万元/年）和从业人员年平均数（人/年）作为投入指标，以新产品产值（万元/年）、专利申请数（件/年）作为高技术企业创新效率产出指标。分别对北京、辽宁、上海、浙江、广东（2007-2011）5个地区的高技术企业创新效率进行分析。如表3-1所示。表3-1 辽宁省区域创新效率DEA投入产出评价指标体系指标类别指标输出指标Y1新产品产值（万元/年）Y2专利申请数（件/年）输入指标X1新产品开发项目数（个/年）X2研发人员（人/年）X3新产品开发经费支出(万元/年)X4研发机构数（个/年）X5固定资产投资额（万元/年）X6从业人员年平均数（人/年）3.3创新效率产出指标、投入指标的处理为了建立一个能有效反映辽宁高新技术企业创新效率的DEA模型，数据的选取、过滤、处理是十分重要的，它是建立模型的基础，也是模型的基本构成。我们在选取数据时一定要考虑数据的科学性、代表性、可获得性和可操作性等原则，以便选择最优的数据指标。本论文选取全国5个省市2007-2011年中国高技术产业统计年鉴中相关数据作为建立DEA模型的基本指标，数据来自2007-2011年的中国高技术产业统计年鉴。表3-2 2007-2011年中国高技术产业各地区指标数据指标年份北京辽宁上海浙江广东产出指标专利申请数（Y1）2007141824619311997209962008285645216392467211852009178568130422977272552010280465034533358267402011622513545031724339338新产品产值（ Y2）2007156593492013023144902764948538212773412008135745982242131165975235947937320108502009146475971683839106199967231973360546862010136594472326777107796477409716615676642011153796493463252100810621210858074080657投入指标投入指标新产品开发经费支出（X1）200728715873376525342452210200542120083321389545954726850511326832242009421029282935709547480187318855420105032641878398514625801922710412201179168443204910058137182155503043研发机构数（X2）200776391102624422008983512329251620092451213378639932010104541703886562011256772069351111新产品开发项目数（X3）200722237402753112008482946223045820093199143033255258157772010139453221922234145952011422510764057543515310研发机构人员数（X4）20075364551712577156769432820087345425816142244851265752009640139927922937478268201039494324811267598140420112024183102095945128179445固定资产投资额（X5）200738.37155.62176.4145.48420.62200852.84238.94148.42158.14440.45200935.91356.5592.09139.55327.742010136.94440.27232.34152.63495.852011266.55350.63278.54306.88703.53从业人员年平均数（ X6）2007246244193370502404582618279898420082472541956025134625399143134669200923898421521147524055307831246612010249889218709531834646326354748820112595351982485868465863663614903（1）专利申请数从图3-1可以看出，在2007-2011年，北京、上海、浙江、辽宁、广东专利申请数水平持增长态势。其中辽宁专利申请数低于其他地区，但是增长率明显高于其他地区2011年比2007年增加450%。广东相对增长较少，增长87%。浙江增长263%。上海增长161%。北京增长340%。图3-1 2007-2011年部分地区专利申请数（2）新产品产值从图3-2中可以看出，在2007-2011年，辽宁、浙江、广东的高新技术企业新产品产值总水平持增长态势。其中广东新产品产值水平明显高于其他四个地区，从2011年比2007年增加248%。浙江新产品产值水平增长144%。辽宁新产品产值水平明显低于其他地区2010年比2006年增长72%。上海高新技术企业新产品产值总水平持下降态势，5年间新产品产值水平出现负增长30%。北京新产品产值水平也出