長三角城市群國家高新區創新效率比較分析
——基于三階段DEA模型

方大春，曾志彪

(安徽工業大學商學院， 安徽 馬鞍山 243032)

國家高新技術產業開發區(以下簡稱“國家高新區”)是各地區創新驅動發展的排頭兵和領頭羊，其創新效率高低直接決定本地區創新水平[1].習近平總書記在科學家座談會上指出“創新是引領發展的第一動力”，國家高新區要想實現高質量發展，就必須走創新發展.自1988年國家火炬計劃實施起，我國開始建立國家高新區，到2019年年底國家高新區的數量已達到169個，其中長三角城市群國家高新區占比為20.1%.2019年長三角城市群國家高新區營業收入為69 838.17億元，占全國國家高新區營業收入18.1%；其工業總產值為64 952.97億元，占全國國家高新區工業總產值27%；其凈利潤為7 024.96億元，占全國國家高新區凈利潤26.9%；其出口總額為14 902.48億元，占全國國家高新區出口總額36%.與長三角城市群人口占全國1/6、GDP占全國1/4而言，長三角城市群國家高新區創新效率顯著性不夠.長三角區域內部資源稟賦、經濟發展環境等不同，長三角城市群國家高新區創新發展存在不平衡不充分.因此，需要考察長三角城市群不同城市國家高新區創新效率特征，優化創新資源配置結構，促進整體創新效率提高.

我國學者對國家高新區創新發展已經做了大量理論與實證研究.理論分析主要從政策[2]、機制體制[3]、經濟效應[4]等方面探討國家高新區創新發展.實證分析主要集中在效率和影響因素兩個方面.在效率方面，許多學者采用DEA方法對全國層面國家高新區創新效率進行實證研究[1，5-6]；部分學者采用DEA方法分別對西部地區和長三角地區國家高新區的效率進行實證研究[7-8]；一些學者采用DEA方法分別對山東省、福建省和湖北省國家高新區的效率進行實證研究[9-11].在影響因素方面，主要運用面板Tobit回歸分析方法[12]、廣義矩估計方法[13]等來研究國家高新區創新效率的影響因素.

從文獻分析來看，我國學者對國家高新區的研究已有不少，但在長三角區域國家高新區方面鮮有研究，個別學者使用傳統DEA方法測算2011年—2015年長三角地區國家級高新區運行效率及變化趨勢[8].2016年后隨著長三角一體化進程加快，更需要考察長三角城市群國家高新區創新效率，優化創新資源配置.由于長三角區域內部資源稟賦、宏觀環境存在著不同，必須消除環境因素影響，再比較真實創新效率.因此，文章采用能剔除環境因素的三階段DEA方法來研究長三角城市群國家高新區創新效率.

1 研究方法

Fried提出能剔除環境和隨機因素的三階段DEA模型，其主要分為三個階段來評價每個決策單元的效率值.

1.1 第一階段：傳統的DEA模型

數據包絡分析方法(data envelopment analysis，DEA)是在1978年由查恩斯(Charens)和庫伯(Cooper)這兩位學者提出的一種模型，主要作用是評價相同部門有效性.最初其提出的是CCR模型，其規模報酬不變，后修整為規模報酬可變的BCC模型.具體做法是將CCR模型中的綜合技術效率(TE)細分為純技術效率(PTE)和規模效率(SE)，分解公式為：

TE=PTE×SE，

(1)

式中，TE衡量決策單元(DMU)的資源利用是否充分、資源配置是否合理；PTE表示將投入轉化為產出的技術水平；SE表示高新區是否在合適的規模下生產.

DEA方法將一個“可以通過一系列決策，投入一定數量的生產要素，并產出一定數量的產品”的經濟系統稱為決策單元(DMU)，在文章中將長三角各高新區作為一個決策單元.第i個決策單元的BCC模型如下：

(2)

1.2 第二階段：隨機前沿分析(SFA模型)

將環境變量設定為解釋變量，將松弛變量(S-，S+)設定為被解釋變量，以此來剔除環境和隨機因素對第一階段效率值的影響.構建SFA模型如下：

Sij=fj(zi，βj)+vij+μij，

i=1，2，…，N;j=1，2，…，P，

(3)

根據上面得到的參數值，依據羅登躍、陳巍巍等[15-16]使用的分離公式

式中，λ=σμ/σv，φ(x)為密度函數，φ(x)為累計分布函數，求出μij的估計值，然后再求出vij的估計值.最后根據SFA模型的估計結果，調整每個決策單元的原始投入值：

i=1，2，…，N；j=1，2，…，P，

(4)

1.3 第三階段：調整后的DEA模型

第三階段主要是將原始產出和第二階段調整后的投入一起導入到Deap 2.1中，得到新的效率值.在剝離環境和隨機因素對效率值的影響后，此時能得到真實反映現狀的效率值.

2 指標選取與數據來源

2.1 投入與產出指標選取

文章對長三角城市群國家高新區進行創新效率測算，國家高新區創新投入和產出涉及多項指標，但沒有一個統一的標準.考慮到國家高新區的經濟效益重要性，參考相關文獻[1，17]，投入指標選擇國家高新區的年末資產、科技活動經費內部支出、科技活動人員；產出指標選擇國家高新區的工業總產值、凈利潤、技術收入.

2.2 環境變量選取

受環境變量的影響，即使國家高新區所有投入指標都一樣，在不同環境下所得到的效率值不相同，其產出量也不會相同[18].因此，環境變量應選取那些對國家高新區效率產生影響但不在樣本主觀可控范圍內的因素，即滿足所謂“分離假設”[1].考慮到國家高新區發展特點，參考相關文獻[1，7]，從經濟發展水平、市場開放程度、勞動者素質、科技創新潛力四個方面來選取環境變量.用人均GDP來反映經濟發展水平，用實際利用外資來代表地區市場開放程度，用大專以上學歷從業人員來表示勞動者素質水平，用地區普通高等學校在校大學生數來衡量科技創新潛力.具體評價指標見表1.

表1 創新效率評價指標體系Tab.1 Innovation efficiency evaluation index system

2.3 研究范圍與對象

2014年9月，國務院印發《關于依托黃金水道推動長江經濟帶發展的指導意見》，首次明確安徽作為長江三角洲城市群的一部分.2019年12月，《長江三角洲區域一體化發展規劃綱要》中明確規劃范圍為蘇、浙、皖、滬四省市全部區域.因此，研究范圍為長三角城市群的所有國家高新區.2015年長三角有上海紫竹、上海張江、南京、無錫、江陰、徐州、常州、武進、蘇州、昆山、常熟、南通、連云港、鹽城、揚州、鎮江、泰州、杭州、蕭山臨江、寧波、溫州、嘉興、莫干山、紹興、衢州、合肥、蕪湖、蚌埠、馬鞍山慈湖等29個國家高新區，2017年新增淮安、宿遷和銅陵獅子山三個國家高新區，2018年新增蘇州工業園和淮南兩個國家高新區.由于同一個城市的國家高新區所處環境相同、政策相似，相互間聯系密切，需要作為一個總體來考慮.因此，如果一個城市有兩個以上的國家高新區，就將它們的數值相加起來成為一個國家高新區，在對國家高新區的稱呼上也以其所在城市命名，如上海張江和上海紫竹合并，統稱為上海國家高新區，無錫和江陰合并，常州和武進合并，蘇州、昆山、蘇州工業園和常熟合并，杭州和蕭山臨江合并，最終研究對象為27座城市國家高新區.

2.4 數據來源與處理

使用數據均來自2016年—2020年的《中國火炬統計年鑒》和各個國家高新區所在城市的《統計年鑒》.為此，研究時間選擇為2015年—2019年.對于2019年淮安國家高新區的凈利潤產出指標為負值，文章借鑒相關學者做法，將負產出變為一個足夠小的數值0.001[19-20]，該方法不改變其他決策單元的效率值，僅影響該決策單元的效率值.以2015年為基期，對人均GDP、實際利用外資進行價格指數平減，以此來消除物價對上述指標的影響.

3 長三角城市群國家高新區創新效率實證分析

3.1 第一階段：傳統DEA模型分析

利用Deap 2.1軟件計算出2015年—2019年長三角城市群國家高新區的綜合技術效率(TE)、純技術效率(PTE)、規模效率(SE)、規模收益狀態，囿于篇幅，在此僅給出2015年和2019年第一階段的分析結果，其他年份省略，結果如表2所示.

見表2可發現，在未剔除環境變量和隨機干擾項之前，長三角城市群國家高新區的創新效率總體上存在以下特征：綜合技術效率總平均值為0.732，沒有達到DEA有效；純技術效率總平均值為0.874，說明長三角城市群國家高新區的投入產出轉化技術水平相對較高；規模效率總平均值為0.840，說明長三角城市群國家高新區存在較顯著的規模效應.泰州國家高新區有五年處于效率前沿面，常州、南通、杭州等國家高新區有4年處于效率前沿面，徐州、鹽城、合肥、馬鞍山等國家高新區有3年處于效率前沿面，連云港、揚州、寧波、嘉興、紹興、銅陵等國家高新區有1年處于效率前沿面.上海、無錫、蘇州等國家高新區純技術效率為1，但規模效率較低，導致綜合技術效率在整體國家高新區中并不突出.從第一階段的實證結果來看，長三角城市群國家高新區純技術效率均值大于規模效率均值，說明長三角城市群國家高新區的綜合技術效率不高主要原因是規模效率不高.

表2 長三角城市群國家高新區第一階段效率值Tab.2 Efficiency value of the first stage of national high-tech zones in the Yangtze River Delta urban agglomerations

3.2 第二階段：SFA分析

在第二階段中，將第一階段得到的年末資產、科技活動經費內部支出和科技活動人員松弛變量作為被解釋變量，將環境變量作為解釋變量，導入到Frontier 4.1中，得到SFA的回歸結果.囿于篇幅，在此僅列出2015年、2019年第二階段的SFA分析結果(其他年份省略)，結果如表3所示.當回歸系數為正，說明環境變量會增加投入松弛量，造成資源浪費增加；當回歸系數為負，說明環境變量會促使資源利用率上升，致使資源浪費減少.

表3 2015年和2019年長三角城市群國家高新區SFA分析結果Tab.3 SFA analysis results of national high-tech zones in the Yangtze River Delta urban agglomerations in 2015 and 2019

在表3基礎上，結合其他年份的SFA分析結果發現：一是人均GDP對松弛變量的影響逐漸由減少冗余變成增加冗余，這也解釋了一些發達城市(如上海、南京)自身所處環境優越，經濟實力雄厚，創新資源較多，對國家高新區的投入也較多，但因為沒有合理配置資源，導致創新效率不高；二是實際利用外資對松弛變量的影響由減少冗余變成增加冗余，表明國家高新區的市場開放程度越高，就越會吸引高科技人才進入國家高新區，同時使得科技活動經費投入增加，猶如城市虹吸效應致使資源堆積浪費，不利于創新效率的提高；三是大專以上學歷從業人員對松弛變量的影響保持不變，五年間與松弛變量的回歸系數絕大部分為負，減少投入冗余，說明國家高新區的勞動者素質越高，科技資源的利用程度就越高，科技資源的浪費就越少；四是在校大學生人數對松弛變量的影響由增加冗余變成減少冗余，這從側面反映了未來國家高新區從業人員能力水平將逐日提高，科技資源將得到合理的利用.考慮到環境變量對不同地區國家高新區的影響不同，一些城市的國家高新區由于面臨較好的外部環境優勢而比其它城市國家高新區呈現出更高的效率值，所以必須調整原始投入，使所有國家高新區處在相同外部環境進行測算，這樣才能得到真實的創新效率水平.

3.3 第三階段：調整后的DEA模型分析

通過Deap 2.1軟件，憑借原始產出值和調整后的投入值，得到新的效率值.此時得到的效率值是剔除環境和隨機因素后的真實效率值，囿于篇幅，在此僅給出2015年、2017年、2019年第三階段的分析結果(其他年份省略)，結果如表4所示.

表4 長三角城市群國家高新區第三階段效率值Tab.4 Efficiency value of the third stage of national high-tech zones in the Yangtze River Delta urban agglomerations

將第一、三階段的結果進行對比分析，發現在剔除環境變量和隨機干擾項后，綜合技術效率總均值增加到0.743，純技術效率總均值增加到0.907，規模效率總均值降低到0.826，這說明環境因素和隨機干擾因素確實掩蓋國家高新區的真實效率值.總體來看，有三個國家高新區(常州、南通、泰州)在五年內處于DEA有效，較之未剔除環境變量和隨機干擾項前，增加兩個；純技術效率有效的高新區數量雖然保持不變，但徐州的純技術效率均值由有效變為無效，合肥由無效變為有效；規模效率均值有效的國家高新區由未調整前的1個(泰州)增加到3個(常州、南通、泰州).為了更直觀的觀察調整前后創新效率的變化，取2015年、2017年和2019年為對照組(見圖1)，來具體分析綜合技術效率、純技術效率、規模效率.

3.3.1 綜合技術效率分析 由圖1可知，在2015年經過調整后，有11個國家高新區的綜合技術效率處于有效前沿面，其中常州、鹽城、泰州、杭州、寧波、合肥保持不變，上海、無錫、蘇州、南通、連云港由DEA無效調整為DEA有效，說明由于環境因素的存在，導致其創新效率被低估，揚州則由DEA有效調整為DEA無效，且從1降到至0.773，說明環境因素和隨機因素使揚州的創新效率出現虛高的現象.南京、蕪湖、蚌埠、馬鞍山等國家高新區創新效率呈現大幅度提高，徐州、湖州、紹興等國家高新區創新效率出現小幅度的下降.2017年經過調整后，徐州、常州、南通、鹽城、泰州、杭州、紹興、合肥、馬鞍山等國家高新區處于有效前沿面，其中常州由0.927增加到1.連云港、淮安、宿遷、徐州、衢州、銅陵等國家高新區創新效率降低，說明環境因素和隨機因素使得這些地方性中心城市國家高新區創新效率出現虛高的現象.其余國家高新區創新效率均呈小幅度上升.2019年經過調整后，徐州、常州、南通、泰州、合肥、馬鞍山、銅陵等為處于效率前沿面的國家高新區，上海、南京、無錫、蘇州、揚州、鎮江、杭州、紹興、衢州、蕪湖等國家高新區創新效率出現小幅度的上升，連云港和淮南國家高新區創新效率出現一定幅度的下降.

續表4

根據表4和圖1，對比可以發現，2019年調整后上海、南京、無錫、蘇州、連云港、淮安、鹽城、揚州、杭州、寧波、溫州、蕪湖、蚌埠等國家高新區創新效率呈下降趨勢，徐州、鎮江、宿遷、嘉興、湖州、紹興、衢州、合肥、馬鞍山、銅陵等國家高新區創新效率呈上升趨勢，其中馬鞍山和銅陵上升幅度最為明顯，馬鞍山由2015年的0.461升到2019年的1，銅陵由2017年的0.223升到2019年的1，常州、南通、泰州保持不變.根據表4和圖1，與2015年相比，2019年上海國家高新區創新效率下降20.7%，江蘇國家高新區創新效率均值下降14.2%，浙江國家高新區創新效率均值上升8.6%，安徽國家高新區創新效率均值上升4.1%.由此可見，上海國家高新區和江蘇的多數國家高新區投入要素冗余，造成創新效率下降，而浙江和安徽的大部分國家高新區較為年輕，活力較強，更具創新能力.

圖1 2015年、2017年和2019年調整前后綜合技術效率對比Fig.1 Comparison of technical efficiency before and after adjustment in 2015， 2017 and 2019

3.3.2 純技術效率分析 由圖2可知，在2015年經過調整后，超過一半的國家高新區純技術效率處于有效前沿面上.在其它國家高新區中，南京、無錫由有效調整為無效，連云港、溫州、湖州由無效調整為有效，蚌埠、馬鞍山國家高新區純技術效率呈小幅度的提高，說明在沒有剔除環境因素和隨機因素的前提下，一些中小城市國家高新區的純技術效率值被低估.2017年和2019年調整后，近一半的國家高新區創新效率為1，大部分國家高新區純技術效率呈上升趨勢.根據表4和圖2，對比可以發現，上海國家高新區純技術效率一直為1，江蘇國家高新區純技術效率均值為0.938，明顯高于浙江國家高新區的純技術效率均值(0.863)和安徽國家高新區的純技術效率均值(0.870).

圖2 2015年、2017年和2019年調整前后純技術效率對比Fig.2 Comparison of pure technical efficiency before and after adjustment in 2015， 2017 and 2019

3.3.3 規模效率分析 由圖3可知，在2015年經過調整后，有10個國家高新區規模效率處于有效前沿面，即常州、鹽城、泰州、杭州、寧波保持不變，上海、無錫、蘇州、南通、連云港由DEA無效調整為DEA有效，其中無錫調整幅度最大，從0.526上升到1，此外南京、徐州、蕪湖、蚌埠分別上升到0.877、0.954、0.835、0.863，揚州從1降至0.797，溫州、嘉興、湖州、紹興、衢州、馬鞍山均有小幅度的降低.從規模收益狀態來看，調整后，處于規模收益遞增的國家高新區由7個上升到10個，處于規模收益遞減的國家高新區由10個減少到3個，所以環境和隨機因素嚴重掩蓋了這些國家高新區規模效率的真實情況，最終影響對其綜合效率的評價.在2017年經過調整后，淮安、宿遷、銅陵這三個國家高新區屬于剛成立，因此，受環境和隨機因素影響，其規模效率被明顯高估，其他多數國家高新區規模效率增加，但都變化不大.在2019年經過調整后，大多數國家高新區的規模效率呈上升趨勢，且紹興、衢州、蕪湖等國家高新區規模效率大幅度上升，只有鹽城國家高新區規模效率出現明顯小幅度降低.

根據表4和圖3，相比于2015年，2019年上海國家高新區規模效率下降20.7%，且處于規模收益遞減狀態，江蘇的國家高新區規模效率均值下降6%，且部分國家高新區處于規模收益遞減狀態，說明上海、南京、無錫、蘇州等發達城市的國家高新區應通過合理配置與使用創新資源來提高創新效率，而不是通過擴大要素投入來提高創新效率.浙江的國家高新區規模效率均值上升17.3%，安徽的國家高新區規模效率均值上升0.5%，且兩省國家高新區普遍處于規模收益遞增狀態，說明可以通過擴大要素投入來提高創新效率.

圖3 2015年、2017年和2019年調整前后規模效率對比Fig.3 Comparison of scale efficiency before and after adjustment in 2015， 2017 and 2019

從圖1、圖2和圖3可以發現，上海國家高新區和江蘇的多數國家高新區綜合技術效率沒有處于有效前沿面主要是規模效率低所導致，安徽和浙江的多數國家高新區綜合技術效率沒有處于有效前沿面主要是純技術效率不高所導致.

此外，對比2015年、2017年和2019年的三種效率圖可以發現，調整前后各國家高新區效率變化幅度逐漸變小，說明環境和隨機因素對國家高新區的影響逐漸減弱.

4 結論與建議

4.1 結論

文章運用三階段DEA方法對長三角城市群國家高新區2015年—2019年的綜合技術效率、純技術效率、規模效率進行分析測度，得出以下結論.

1) 長三角城市群國家高新區創新效率水平較低.長三角城市群國家高新區創新效率水平較低主要是純技術效率和規模效率不高共同導致，且規模效率影響更大.上海國家高新區和江蘇多數國家高新區創新效率低是規模效率低所導致，安徽和浙江的多數國家高新區創新效率低是純技術效率低所導致.

2) 長三角城市群國家高新區效率存在地區差異.在創新效率方面，上海國家高新區投入相對較多，但利用程度低致使創新效率降低，江蘇大部分國家高新區投入要素冗余，創新效率減少，而浙江和安徽的大部分國家高新區較為年輕，活力較強，更具創新能力.在純技術效率方面，上海和江蘇的國家高新區純技術效率明顯高于浙江和安徽的國家高新區.在規模效率方面，上海國家高新區和江蘇的多數國家高新區規模效率呈下降趨勢，且逐漸處于規模收益遞減狀態，而浙江省和安徽省的多數國家高新區規模效率基本呈上升趨勢，且普遍處于規模收益遞增狀態.

3) 長三角城市群國家高新區創新效率受環境變量的影響具有差異.經濟發展水平對松弛變量的影響由減少冗余演變為增加冗余，造成資源浪費，不利于國家高新區創新效率的增長；市場開放程度對松弛變量的影響由減少冗余變成增加冗余，說明市場開放程度越高，就越會吸引高科技人才進入國家高新區，同時使得科技活動經費投入增加，猶如城市虹吸效應致使資源堆積浪費，不利于創新效率的提高；勞動者素質有利于促進國家高新區的創新發展，使其創新基礎設施充分利用，提高國家高新區創新效率；科技創新潛力對松弛變量的影響由增加冗余變成減少冗余，說明國家高新區未來從業人員能力上升，科技資源將得到合理的利用.通過對比2015年、2017年和2019年的三種效率圖可以發現環境因素和隨機因素對國家高新區的影響逐漸減弱.

4.2 建議

根據以上幾點結論，提出以下幾點建議.

1) 在提高規模效率基礎上提高純技術效率.長三角城市群國家高新區創新效率較低主要由于純技術效率和規模效率不高所導致，且規模效率影響更大.因此，要立足于提高投入規模的基礎上推進技術進步.長三角城市群國家高新區不應只追求速度上越快越好和數量上越多越好，應結合自身實際情況來制定相應的發展戰略.對于純技術效率低的國家高新區來說，加大研發投入，利用各自比較優勢吸引不同類型高新技術企業落戶.對于規模效率低國家高新區來說，應按照各自所處規模收益狀態，擴大或者縮小生產規模，提升規模效率.

2) 加強長三角城市群國家高新區交流合作.長三角城市群國家高新區效率存在地區差異，同時隨著長三角一體化戰略的實施，長三角三省一市之間的交流越來越多，各城市國家高新區應加強交流與合作.浙江和安徽國家高新區應向創新效率高的上海國家高新區和江蘇國家高新區學習與合作，一方面選擇學習適合自己的內容，有針對性的解決自身的問題，補全自身的短板，制定具有地方特色的產業發展戰略；另一方面加大推進與其他國家高新區的合作，實現優勢互補、協同發展，共同提升長三角城市群國家高新區創新效率.

3) 優化長三角城市群國家高新區資源配置.不同環境變量對長三角城市群國家高新區創新效率影響具有差異，各國家高新區應優化自身的資源配置，減少投入冗余.立足自身的資源稟賦、經濟發展水平和市場開放程度，制定相應的發展戰略，指導國家高新區內相關企業進行調整和改善，加快所生產產品的更新換代，提高自身的競爭力；要引進高質量外資企業，限制一般外資進入數量，制定相關的政策，防止資源進入過多造成浪費.