亏损性高科技制造企业的持续运营效率分析

《Sustainable Futures》：Sustained operational efficiency analysis of loss-making high-tech manufacturing enterprises

中国亏损高科技制造企业运营效率评估及环境影响因素研究。基于三阶段DEA模型，选取2015-2020年472家亏损企业，分析发现环境因素显著提升整体效率但损害技术效率，重复亏损企业效率最低，国有参股企业效率最优。主要问题为员工和研发投入冗余，建议优化环境支持、引导规模经济、调整股权结构。

　　在中国的高科技制造业中，大量上市公司出现了亏损现象，这些企业的持续运营效率成为亟待研究的重要议题。本文采用三阶段数据包络分析（Data Envelopment Analysis, DEA）模型，对2015年至2020年间472家上市亏损企业进行研究，旨在评估其持续运营效率及其受外部环境影响的程度。研究发现，外部环境在整体上对亏损企业的运营效率有显著提升作用，但多数企业在东、中、西三个区域的效率差异并不明显。同时，企业亏损次数与运营效率之间存在反向关系，亏损频率越高，运营效率越低。此外，国有企业在面对外部环境变化时，其运营效率受到的影响相对较小，但高或低的股权集中度对效率的影响并未显示出显著差异。通过分析松弛变量，研究还发现亏损企业低效率的主要原因是严重的员工和研发投入冗余。然而，各种环境变量对运营效率的影响方向和程度存在差异。基于这些结论，本文从环境、政府和企业三个层面提出相关政策建议。

在探讨高科技企业创新效率与持续运营效率的关系时，文章指出，科技创新是衡量国家未来竞争力的关键指标，而制造业企业一直是提升技术创新能力的主力军。因此，确保高科技制造业企业的长期稳定健康发展，对我国未来的技术发展和经济增长具有重要意义。文章还强调，科学评估亏损企业的持续运营效率，并从不同角度分析亏损与运营效率之间的关系，是当前研究的重要任务。这不仅有助于理解企业效率的内在机制，也为制定有效的政策提供依据。

现有的DEA方法在评估企业效率时，通常无法充分考虑外部环境因素和统计噪声的影响，因此，研究引入了三阶段DEA模型，以系统性地分离管理效率、环境影响和随机扰动，从而获得更准确的效率估计。这种模型特别适用于分析企业运营效率受外部环境影响的情况，有助于更真实地反映企业实际运营能力。通过这种方法，研究不仅能够评估企业的整体技术效率，还能进一步分解为纯技术效率（PTE）和规模效率（SE），从而更全面地了解企业效率的构成。

在变量选择方面，研究从输入、输出和环境变量三个维度出发。输入指标主要包括固定资产、总运营成本、研发投资和员工数量，这些指标反映了企业在运营过程中的资源投入情况。输出指标则包括企业市值和总运营收入，它们代表了企业在市场上的表现和收益能力。环境变量则涵盖了宏观和微观层面，如人均GDP、地方政府科技支出、本地金融机构贷款余额、企业获得的政府补贴以及企业成立年限等。这些变量旨在衡量企业所处的外部环境和其内部成熟度对运营效率的影响。

在数据来源上，研究选择了2015至2020年期间的中国上市亏损高科技制造企业作为样本。由于部分企业连续三年亏损导致退市，这些企业也被纳入效率计算的参考组中。最终，研究样本被进一步缩小至472家制造行业的高科技亏损企业，以确保分析的聚焦性和代表性。输入数据主要来源于RESSET数据库，而环境数据则来自CSMAR数据库。通过这种方式，研究能够更准确地捕捉企业运营效率与外部环境之间的关系。

研究还进行了描述性统计分析，以了解样本企业的基本特征。数据显示，2015至2020年间，每年亏损企业数量有所不同，其中2020年的样本量最大，占34%。而在2018年，样本量最小，仅占8%。从亏损频率来看，有292家企业仅出现一次亏损，占62%；而180家企业出现多次亏损，占38%。从企业性质来看，有40家企业拥有国有股权，占8%，其余92%为民营企业。从股权集中度来看，55%的企业股权集中度低于50%，45%的企业股权集中度高于50%。这些数据为后续的效率分析提供了基础支持。

在第一阶段的DEA模型分析中，研究发现，所有472家企业的总体技术效率（TE）平均为0.762，纯技术效率（PTE）平均为0.789，规模效率（SE）平均为0.965，整体上处于较高水平。这表明，由于外部环境的影响，企业的规模效率接近理想状态，但纯技术效率相对较低。从时间维度来看，2018年的TE最低，说明该年度企业的整体运营效率相对较差。从区域来看，东部地区的平均效率高于中部和西部地区，而中部地区又高于西部地区，这与人们普遍的认知一致。从股权结构来看，拥有国有股权的企业平均效率低于民营企业，但这一差异并不显著，需要进一步排除环境因素的影响后进行分析。此外，股权集中度与企业效率之间存在一定的正相关关系，即股权集中度越高，企业的平均TE和PTE也越高。

在第二阶段的SFA回归分析中，研究发现，环境变量对大多数输入松弛变量有显著影响。例如，政府补贴对固定资产投资、研发投资和员工投资的松弛变量有显著的正向影响，但对总运营成本的松弛变量影响不显著。这表明，政府补贴虽然有助于企业运营，但可能导致资金的冗余配置，从而削弱企业的运营效率。企业成立年限对固定资产投资、研发投资和员工投资的松弛变量有正向影响，但对总运营成本的影响较小。这说明，成立时间较长的企业在资源配置上可能更倾向于保守，导致资源投入的冗余。人均GDP对所有输入松弛变量都有显著影响，其中固定资产投资和总运营成本的松弛变量系数为负，表明在经济较为发达的地区，企业更倾向于优化资源配置，减少冗余。然而，研发投资和员工投资的松弛变量系数为正，说明在经济较为发达的地区，企业可能因过度投资而产生资源浪费。地方科技支出对固定资产投资、研发投资和员工投资的松弛变量有显著的正向影响，这表明政府科技投入对企业的支持作用明显，但也可能造成企业对政府资源的过度依赖，从而影响其自主创新能力。本地金融机构贷款余额对研发投资和员工投资的松弛变量有显著的正向影响，表明金融支持对企业的研发和运营具有促进作用，但也可能导致过度投资，增加运营负担。

在第三阶段的调整DEA模型分析中，研究进一步排除了环境因素和随机误差的影响，从而得到更真实的效率评估。结果显示，去除环境影响后，企业的总体技术效率（TE）和规模效率（SE）显著下降，而纯技术效率（PTE）显著上升。这表明，企业在调整后，其运营效率受到了环境因素的显著影响，但管理效率在一定程度上得到了提升。从时间维度来看，2015至2020年间，企业的总体技术效率（TE）呈现出波动，但整体上仍处于较低水平。从区域维度来看，尽管东部地区的平均效率较高，但中部和西部地区的效率也有一定提升，但整体仍低于东部地区。从亏损频率来看，多次亏损的企业在去除环境影响后，其效率显著低于仅亏损一次的企业，这表明企业频繁亏损可能与其内部管理问题密切相关。从股权结构来看，国有企业在去除环境影响后，其效率仍高于民营企业，但这一差异在某些方面并不显著，说明外部环境对企业的效率影响较大。从股权集中度来看，无论是高还是低集中度的企业，其效率差异均较为显著，表明股权结构在企业运营效率中起着重要作用。

通过松弛变量分析，研究发现，亏损企业低效率的主要原因是严重的员工和研发投入冗余。例如，固定资产投资的冗余比例为23%，总运营成本的冗余比例为28%，研发投资的冗余比例为35%，员工数量的冗余比例接近50%。这表明，企业在员工和研发方面的投入存在较大浪费，尤其是在多次亏损的企业中更为严重。对于输出指标，市场价值和总运营收入的不足在亏损企业中较为普遍，其中市场价值的不足比例最高，约为40%。这说明，亏损企业的市场价值受到盈利能力的显著影响，而总运营收入的不足比例相对较低，但多次亏损的企业在总运营收入的不足比例上仍高于仅亏损一次的企业。

研究还发现，企业亏损频率与效率之间存在显著的反向关系，即亏损频率越高，效率越低。这可能是因为频繁亏损表明企业在运营过程中存在诸多问题，如流程不协调、资源配置不合理和管理执行不力。此外，从规模收益来看，绝大多数企业处于规模收益递增阶段，其中多次亏损的企业占比高达97%。这表明，这些企业处于扩张阶段，需要更多的资金和资源投入以实现规模效益，从而降低亏损风险。然而，这种扩张可能伴随着资源浪费和效率低下，需要进一步优化资源配置。

在政策建议方面，研究提出了一系列措施，以提升高科技制造企业的持续运营效率。首先，应建立合理的环境利用机制，避免对企业的“挤出效应”，即外部环境对企业的支持应更加精准，防止资源的重复配置和低效使用。其次，应改善亏损企业的运营条件，通过“规模经济”引导企业扩大规模，拓宽融资渠道，从而提高运营效率。第三，应建立合理的援助机制和行业互助机制，帮助企业避免连续亏损或重复亏损，提高其利用环境优势的能力。第四，应进一步增加国有资本在高科技制造企业的持股比例，加强企业与地方政府的联系，同时优化国有资本的管理机制，提高企业的市场适应能力和创新活力。第五，应组织更多行业和地区层面的管理培训，提高亏损企业的管理效率和能力，同时引导企业关注技术研发和投资，优化股权结构，控制冗余成本投入。

综上所述，本研究通过三阶段DEA模型，系统分析了中国高科技制造企业持续运营效率及其受外部环境影响的程度。研究发现，尽管外部环境在整体上对企业的运营效率有提升作用，但多数企业在排除环境影响后，其运营效率仍然较低，主要原因是员工和研发投入的冗余。此外，企业亏损频率与运营效率呈反向关系，表明企业频繁亏损可能与其内部管理问题密切相关。通过分析不同环境变量的影响，研究为政府和企业提供了具体的政策建议，以提高高科技制造企业的持续运营效率。未来的研究可以进一步探索动态DEA模型或引入SBM-DEA模型，以更全面地分析企业效率的动态变化和非期望输出的影响。此外，扩大研究样本范围，纳入非上市公司，或将亏损企业与盈利企业进行对比研究，也将有助于提升研究的外部效度。最后，采用混合方法，如案例研究或结构方程模型（SEM），有助于更深入地揭示国有资本对企业创新、资源配置和整体运营效率的影响机制，为制定更加精准的治理策略提供理论依据。