دانلود رایگان مقاله بهره وری نوآوری دو مرحله ای سرمایه گذاری های جدید انرژی

چکیده

         سرمایه گذاری های رانده شده توسط توانایی برای نوآوری موثر و محصولات و خدمات بازار (سرمایه گذاریهای نوآوری خوانده می شود) تجربه یک پیشرفت پیچیده از تحقیقات اولیه برای سودآوری را دارند. این مقاله فعالیتهای مرتبط با نوآوری در طول دو مرحله رشد تجربه شده توسط سرمایه گذاریهای جدید انرژی را در نظر می گیرد: فرآیند تحقیق و توسعه و فرایند بازاریابی. از یک روش تحلیل پوششی داده های غیرشعاعی برای ساخت شاخصها در جهت اندازه گیری بهره وری تحقیق و توسعه، کارایی بازار و بهره وری نوآوری یکپارچه استفاده شد. پژوهش تجربی با استفاده از این شاخصها و داده ها در مورد 38 سرمایه گذاری جدید انرژی در چین از سال 2009 تا 2013 سه یافته مهم را آشکار ساخت. اول، سرمایه گذاریهای جدید انرژی معمولا زمانیکه به نوآوری کشیده می شوند ناکارآمد هستند. این حالت مخصوصا در طول مرحله تحقیق و توسعه نوآوری صدق می کند و بطور دوره ای یک پدیده که سرمایه گذاریها کمتر بر روی تحقیق و توسعه بجای تاکید بر بازاریابی تمرکز دارند وجود دارد. دوم، انواع مختلف سرمایه گذاریهای انرژی با توجه به بهره وری آنها در نوآوری با هم تفاوت دارند. از این تعداد، سرمایه گذاریهای انرژی هسته ای بیشترین کارآمدی را در بازارایابی و نوآوری ادغام شده دارند، سرمایه گذاریهای انرژی بادی بیشترین کارامدی را در نوآوریهای تحقیق و توسعه دارند و سرمایه گذاریهای انرژی خورشیدی در بهره وری تحقیق و توسعه پشت سر بقیه قرار دارد. سوم، فعالیتهای نوآوری بصورت موثر و فشرده تنها در تعداد کمی از سرمایه گذاریها در نظر گرفته می شوند، نوآوری در اکثر سرمایه گذاریها می تواند بطور کلی گسترده و ناکارآمد در نظر گرفته شود. سرمایه گذاریهای با نواوری و حالتهای مختلف بهره وری بازاریابی باید استراتژیهای پیشرفت هدفمند را بر اساس ویژگیهای بهره وری پیاده سازی کند. 

1. مقدمه

        مصرف کلی انرژی چین در نتیجه رشد سریع اقتصادی در حال افزایش است. در سال 2013، مصرف انرژی چین 75/3 میلیون زغال سنگ استاندارد است که 4/22 درصد مصرف جهانی را تشکیل می دهد. با توجه به پیش-بینیهای آژانس بین المللی انرژی، پیش بینی می شود که مصرف انرژی چین در دهه های آتی رشد داشته باشد. زغال سنگ مهمترین منبع انرژی در چین است و آلودگیهای زیست محیطی ایجاد شده توسط مصرف زغال سنگ چالشهایی را برای توسعه پایدار ایجاد می کند. بهبود بهره وری انرژی کمک می کند که این مسئله را نشان دهیم و بسیاری از مطالعات بر روی تخمین بهره وری انرژی تمرکز کرده اند. با این حال بهینه سازی ساختار مصرف انرژی نیز باید منجر به صرفه جویی در انرژی و کاهش انتشار به سطوح مورد نظر شود. چین باید جایگزینهای انرژی جدید را برای کاهش وابستگی به زغال سنگ و سوختهای فسیلی و رسیدن به تقاضاهای انرژی در حال رشد اجرا و پیاده-سازی کند.

         دولت مرکزی چین اهمیت توسعه منابع انرژی جدید را تصدیق می کند و سیاستهای حمایتی را آغاز کرده است. برنامه دوازدهم پنج ساله پیشنهاد کرد که انرژی تجدیدپذیر، مانند انرژی بادی، انرژی خورشیدی، انرژی هسته ای 4/11 درصد کل مصرف انرژی را تا سال 2015 تشکیل می دهد. تا سال 2020، هدف رسیدن به 15 درصد مصرف انرژی کلی است که از منابع غیرفسیلی آمده است. صنعت انرژی جدید یک صنعت در حال ظهور با اهمیت استراتژیک زیاد در چین است، این صنعت قویا توسط دولت حمایت می شود و افزایشی در ظرفیت منابع انرژی جدید مانند خورشیدی، بادی، برق آبی و دیگر انرژیهای جدید وجود داشته است. 

        متاسفانه، سرمایه گذاریهای جدید انرژی چین قابلیتهای تحقیق و توسعه ضعیفی دارد، و سرمایه گذاری تحقیق و توسعه 20 درصد کمتر از متوسط بین المللی است. این امر منجر به فناوری هسته ای جدید ناکافی و ناتوانی برای سرمایه گذاریهای جدید انرژی در جهت تولید درآمد کافی از محصولات نوآورانه می شود. در سالهای اخیر، ظرفیت تولید بیش از حد چین آشکار شده است. صادرات تجهیزات و اجزای انرژی جدید نیز به دلیل رکودهای اقتصادی جهانی و سیاستهای حمایتی در کشورهای توسعه یافته خیلی مشکل شده است. 

        سرمایه گذاریهای جدید انرژی باید باید رقابت خود را در بازار افزایش دهند و توسعه پایدار را با داشتن فناوری هسته ای و تجاری سازی موفق فناوریها و محصولات جدید به دست آورند. توسعه فناوری هسته ای و تجاری سازی محصولات به توانایی سرمایه گذاری برای نوآوری مستقل بستگی دارد. بنابراین، افزایش بهره وری فعالیتهای نوآورانه (بهره وری نوآوری) برای سرمایه گذاریهای جدید انرژی اهیمت دارد. محققین قبلی فناوریهای انرژی تجدیدپذیر و سیستمهای نوآوری و بهره وری صنایع با فناوری بالا را توضیح داده اند. با این حال، برخی بر روی تحلیل بهره وری نوآوری در سرمایه گذاریهای جدید انرژی و بهره وری مراحل مختلف در طول فرآیند نوآوری تمرکز داشته اند. 

       این مقاله دو مرحله بهره وری نوآوری سرمایه گذاریهای انرژی جدید را با استفاده از روش تحلیل پوششی داده های غیر شعاعی (DEA) ارزیابی می کند. هر دو بهره وری نوآوری یکپارچه و بهره وری در طول فازهای مختلف توسعه در نظر گرفته می شوند. این تحلیلها ممکن است به آشکار شدن منابع بهره وری گم شده و اندازه گیریهای پیشرفت خاص کمک کند. 

2. مروری بر ادبیات موضوع

       برای اندازه گیری بهره وری نوآوری، محققیق قبلا از یک نسبت ورودی منفرد به خروجی منفرد بعنوان مقدار بهره-وری استفاده می کردند. این روش ساده و بصری است، و در تشخیص منابع بدون بهره وری با شکست مواجه می-شود. چونکه روشهای محاسبه بهره وری پیشرفت کرده است، محققین شروع به استفاده از ابزارهایی کرده اند که روش تحلیل مرزی را به کار می برد، مانند آنالیز مرزی اتفاقی (SFA) و DEA. این ابزارها به روشهای اصلی برای محاسبه بهره وری نوآوری تبدیل شده اند. 

        روش SFA یک روش تحلیلی پارامتری است که توسط آینر و همکاران پیشنهاد شده است. این روش یک شکل خاص را در رابطه بین توابع ورودی و خروجی فرض می کند و از تجهیزات اقتصادی برای تخمین پارامترهای مجهول استفاده می کند. روش SFA برای هدایت ارزیابی های بهره وری در تولید، بانکداری و دیگر حوزه ها استفاده شده است. با استفاده از SFA، وانگ و هوانگ بهره وریهای نوآوری در 30 کشور را به احتساب فاکتورهای محیطی و بررسی رابطه بین بهره وری تحقیق و توسعه و سطوح درآمد محاسبه کردند. لی (2009) از یک روش SFA که توسط کولی (1995) برای محاسبه عملکرد نوآوری منطقه ای و قابلیتها در 30 استان چین از سال 1998 تا 2005 پیشنهاد شده استفاده کرد. روشهای SFA تاثیر عوامل تصادفی را بر روی خروجی را به حساب می آورد، با این حال آنها برای نشان دادن سناریوهای با خروجیهای چندگانه مناسب نیستند. 

         در مقابل، روش DEA داده ها را از ورودیها و خروجیهای چندگانه بدون تنظیم شکل عملکردی خاص در پیشرفت تطبیق می سازد. روش DEA بطور گسترده ای برای اندازه گیری بهره وری استفاده می شود و بسیاری از مطالعات بهره وری نوآوری که از DEA استفاده می کنند در ادبیات موضوع یافت می شوند. چن و همکاران (2006) از DEA برای اندازه گیری عملکرد شش صنعت با فناوری بالا در تایوان از سال 1991 تا 1999 استفاده کردند. هاشیموتو (2008) تحقیق و بهره وری نوآوری صنعت دارویی را بین سالهای 1983 تا 1992 با استفاده از روش DEA-malmquist تجزیه و تحلیل کرد. ایجاد روش DEA با بهره وری خیلی بالا، اشمیت و زلوستی (2011) بهره وری نوآوری 13 صنعت در 17 کشور شامل آلمان، امریکا و دانمارک با شناسایی شماری از صنایع با تکنولوژی بالا محاسبه و مقایسه کرد. 

Abstract

       Enterprises driven by the ability to effectively innovate and market products and services (called “innovation enterprises”) experience a complex progression from initial research to profitability. The paper considers activities related to innovation during two stages of growth experienced by new energy enterprises: the research and development (R&D) process and the marketing process. A non-radial data envelopment analysis method was used to construct indices to measure R&D efficiency, market efficiency, and integrated innovation efficiency. Empirical research using these indices and data about 38 Chinese new energy enterprises from 2009 to 2013 revealed three key findings. First, new energy enterprises are generally inefficient when it comes to innovating. This is particularly true during the R&D stage of innovation, and there is periodically a phenomenon where enterprises focusing less on R&D, and instead emphasizing marketing. Second, different types of new energy enterprises differ with respect to their efficiency in innovation. Of these, nuclear power enterprises are the most efficient in integrated innovation and marketing; wind energy enterprises are the most efficient in R&D innovations; and solar energy enterprises lag behind the others in R&D efficiency. Third, innovation activities are considered “effective and intensive” in only a small number of enterprises; innovation in most enterprises can be generally considered “extensive and inefficient”. Enterprises with different innovation and marketing efficiency modes should implement targeted improvement strategies, based on efficiency characteristics.

1. Introduction

       China's total energy consumption is rising as a result of rapid economic growth. In 2013, China's energy consumption was 3.75 billion tons of standard coal, accounting for 22.4% of global consumption (BP, 2013). According to International Energy Agency forecasts, China's energy consumption is expected to grow in the coming decades. Coal is the most important energy source in China, and environmental pollution caused by coal consumption creates challenges for sustainable development. Improving energy efficiency helps address this problem, and many studies have focused on estimating energy efficiency (Zhou et al., 2012; Wang et al., 2013a, 2013b; Zhang and Xie, 2015). However, optimizing the energy consumption structure is also needed to save energy and reduce emissions to target levels. China must implement new energy alternatives to reduce its dependency on coal and other fossil fuels and meet growing energy demands.

        China's central government acknowledges the importance of developing new energy sources, and has launched supportive policies in response. The 12th Five-Year Plan proposed that renewable energy, such as wind energy, solar energy, nuclear energy account for 11.4% of total primary energy consumption by 2015. By 2020, the goal is to have 15% of total energy consumption come from non-fossil energy sources. The new energy industry is an emerging industry of great strategic importance in China; it is greatly supported by the government and there has been an increase in the installed capacity of new energy sources, such as solar, wind, hydroelectric, and other new energies.

       Unfortunately, however, China's new energy enterprises have weak research and development (R&D) capabilities; and R&D investment is less than 20% of the international average (The Economic Observer, 2015). This leads to insufficient new core technology, and an inability for new energy enterprises to generate sufficient revenue from innovative products. In recent years, China's excess production capacity has become particularly obvious. Exporting new energy equipment and components has also been very difficult, in part due to global economic downturns and protectionist policies in developed countries.

        New energy enterprises must enhance their competiveness in the market and achieve sustainable development, by having core technologies and successfully commercializing new technologies and products. Developing core technology and commercializing products depends on the enterprise's ability to independently innovate. Therefore, it is important for new energy enterprises to increase the efficiency of their innovation activities (called “innovation efficiency”). Previous researchers have discussed renewable energy technologies and innovation systems (Blum et al., 2015; Tigabu et al., 2015) and the efficiency of high-tech industries (Guan and Chen, 2010a; Chiu et al., 2012). However, few have focused on analyzing the efficiency of innovation in new energy enterprises, and the efficiency of different stages during the innovation process.

        This paper evaluates two stages of innovation efficiency in new energy enterprises, using a non-radial data envelopment analysis (DEA) approach. Both integrated innovation efficiency and efficiency during different development phases are considered. These analyses may help reveal sources of lost efficiency and specific improvement measures.

2. Literature review

        To measure innovation efficiency, researchers previously often used a ratio of single input to single output as an efficiency value. This method is intuitive and simple, but cannot address multiple inputs or outputs, and fails to detect sources of inefficiency. As efficiency calculation methods have improved, researchers have started to use tools that apply a frontier analysis approach, such as stochastic frontier analysis (SFA) and DEA. These tools have become mainstream methods to calculate innovation efficiency (Guan and Chen, 2010a, 2010b).

       SFA is a parametric analysis method proposed by Aigner et al. (1977). It assumes a specific form in the relationship between the input and output functions, and applies econometric techniques to estimate unknown parameters to identify the frontier. The SFA method has been used to conduct efficiency assessments in manufacturing, banking, and other domains (Liadaki and Gaganis, 2010; Charoenrat and Harvie, 2014). Using SFA, Wang and Huang (2007) calculated innovation efficiencies in 30 countries, accounting for environmental factors, and exploring the relationship between R&D efficiency and income levels. Li (2009) used an SFA method proposed by Battese and Coelli (1995) to measure regional innovation performance and capabilities in China's 30 provinces between 1998 and 2005. SFA methods account for the influence of random factors on output (Aigner et al., 1977); however, they are not best for addressing scenarios with multiple outputs (Guan and Chen, 2010a).

        In contrast, the DEA method accommodates data from multiple inputs and multiple outputs, without setting a particular functional form in advance (Guan and Chen, 2012). As such, the DEA method is more widely used to measure efficiency, and many innovation efficiency studies using DEA are found in the literature. Chen et al. (2006) used DEA to measure the performance of six high-tech industries in Taiwan from 1991 to 1999. Hashimoto and Haneda (2008) analyzed the research and innovation efficiency of the Japanese pharmaceutical industry between 1983 and 1992, using the DEA-Malmquist method. Building on the super-efficiency DEA method, Schmidt-Ehmcke and Zloczysti (2011) calculated and compared the innovation efficiency of 13 industries from 17 countries, including Germany, U.S., and Denmark, identifying a number of cutting-edge, technically efficient industries.

چکیده

1. مقدمه

2. مروری بر ادبیات موضوع

3. مدل DEA غیرشعاعی بهره وری نوآوری دو مرحله ای

3.1 مراحل فعالیتهای نوآوری

3.2 مدل بهره وری نوآوری دو مرحله ای

4. تحلیل تجربی و بحث

4.1 داده ها و نمونه

4.2 نتایج و بحث

4.2.1 تحلیل کلی بر روی بهره وری نوآوری

4.2.2  بهره وری نوآوری انواع مختلف

4.2.3 استراتژی بهبود بهره وری نواوری

5. نتیجه گیری

منابع

Abstract

1. Introduction

2. Literature review

3. Two-stage innovation efficiency non-radial DEA model

3.1. Stages of innovation activities

3.2. Two-stage innovation efficiency model

4. Empirical analysis and discussion

4.1. Data and sample

4.2. Results and discussion

4.2.1. Overall analysis on innovation efficiency

4.2.2. Innovation efficiency of different types

4.2.3. Innovation efficiency improvement strategy

5. Conclusions

References