招商引资效率评测及招商项目甄选的一般方法——以黑龙江省为例

杨守德，赵德海

(哈尔滨商业大学 经济学院，黑龙江 哈尔滨 150028)

招商引资效率评测及招商项目甄选的一般方法
——以黑龙江省为例

杨守德，赵德海

(哈尔滨商业大学 经济学院，黑龙江 哈尔滨 150028)

通过对2014年黑龙江省12个地市招商数据的测算，发现基于规模效用可变(VRS)假设的数据包络分析方法(DEA-BCC)能够弥补以往方法的不足，可以更加科学、全面地评测招商效率。特别是在国发[2014]62号文件实施后，通过比拼优惠政策开展招商的风气得到了极大的改善。如何甄选那些符合当地资源禀赋基础和产业发展需要并且具有一定市场前景的项目对提高招商效率就显得尤为重要，二分类处理的BP神经网络模型在甄选招商项目方面具有绝对优势，测试结果显示该BP神经网络在招商项目识别上的正确率稳定在72.7%以上。

DEA-BCC；BP神经网络；招商引资效率

2015年10月通过参与黑龙江省招商引资活动第三方评估工作，笔者发现现行的招商引资绩效评价工作存在着两大突出问题：其一就是评价内容“重绩轻效”，往往注重对最终引进和达成的招商企业数量以及资金到位规模的考察而忽视对招引工作效率的评价。并且现行的招商效率评测方法严重滞后于招商工作需要，仅是通过单一比值作为效率考察指标，没有充分考虑当地经济实力和市场环境等客观因素对招商效率的影响，往往横向比较出来的结果实际意义小、参考价值低。另一突出问题就是，目前普遍采用的“感性招商”和“以商招商”的招商项目甄选方法主观性和盲目性强，往往项目洽谈成功率低，落地达产效果差。所以，究竟该如何评测招商引资效率，从中找到造成招商效率低下的原因，再科学客观地甄选招商项目，进一步提高招商引资的成功率，正是本文需要解决的问题。本文通过对2014年黑龙江省12个地市招商数据的测算，认为基于规模效用可变(variable return to scale，VRS)假设的数据包络分析方法(DEA-BCC)和二分类处理的BP神经网络模型在解决招商效率评测和招商项目甄选问题上有着非常理想的表现，能够对全国各地市招商引资工作起到积极的借鉴作用。

一、文献综述

中国招商引资相关研究始于20世纪80年代初，到20世纪90年代中期进入繁荣期，根据不同时期研究内容的不同，大致可以分为三个阶段。从改革开放开始一直到20世纪90年代中期，为理论探索阶段。这一时期主要以外商资本吸引和利用为研究对象，研究方法以定性阐述为主，侧重于研究招商行为与市场规律的关系以及招商方式的创新[1]。李新华(1993)在招商经验和思想逐渐由东南沿海向内地普及和传播方面做出了积极贡献[2]。20世纪90年代中期到21世纪前5年，招商引资研究活动极为活跃，是相关理论的成熟阶段。随着招商引资区域和对象变得更加广泛，招商引资研究领域边界也不断扩大，学者开始探索新的特定历史条件下招商引资工作的新特征和新规律，以及不同地域所面临的迥异的招商形势，相关学者对不同招商模式进行了梳理总结[3-4]。从21世纪前5年至今，是招商引资研究领域方法创新和变革阶段。博弈论和交易成本理论被引入招商引资研究领域，层次分析法、主成分分析法和聚类分析方法等定量分析方法也开始被广泛使用。张钢和徐贤春(2004)首次引入委托—代理模型，对地方政府招商引资的动因进行讨论[5]。廖善章和陈松岭(2009)认识到招商引资工作不仅仅是大力度的宣传和推介，更重要的是投资环境的营造和改善，招商工作更需要区域总体布局和顶层规划，避免区域政府间恶性招商竞争和资源内耗[6]。与此同时还要科学招商和法制招商，提高招商项目质量和招商企业存活率[7]。

关于招商引资效率的定量研究普遍认为是在上述第三个阶段(21世纪前5年至今)开始并丰富壮大起来的[8]。范德成和潘霞(2007)首次运用主成分分析法建立了基于招商引资的区域投资环境评价指标体系[9]。李金龙和马骏(2009)则将平衡积分法方法引入招商工作绩效评价领域，弥补了以往招商绩效评估工作以政府为主导而忽视民众意愿的缺陷[10]。关于招商引资项目甄选的研究，就目前研究资料来看，绝大多数研究仍然普遍依赖于主观判断，并未形成系统的、快捷统一的甄选方法。但学者们的研究普遍都直接或间接体现出了招商项目甄选要以当地禀赋资源为基础，以市场需求为导向的基本思想[11]。通过文献的梳理，笔者发现，关于招商工作绩效评价和招商项目甄选的研究尚未完全成熟，无论是在方法的选用还是指标体系的构建和完善方面都存在极大的研究价值。以往的研究既为本文打下了夯实的理论和实践基础，同时又为相关研究留有空白，本文研究是对前述研究的继承和发扬。

二、基于DEA-BCC模型的黑龙江省招商引资效率评测实证分析

现有招商引资效率评测主要依赖对项目开工率、资金到位率和履约率这三个比值的考察。然而这种考察方式指标过于单一，而且没有很好地考虑当地的经济实力和市场环境等情况。从现有的评价手段来看，数据包络分析方法能够很好地解决上述两方面的问题。一方面，数据包络分析方法对投入指标选择具有极强的包容性，不仅能够忽略各指标量纲上的差异而且能够同时将定性和定量指标纳入投入指标体系。另一方面，相较于层次-模糊评价法和灰色系统方法，不仅能够很好地克服主观性，而且操作流程和计算过程都更加简单快捷。由于数据可得性的限制，本文不做跨时期的效率测算，而仅仅对一个时期(2014年)区域内各地市招商引资工作相对效率进行评测，并进一步研究如何通过调节各要素投入量来提高相对效率。本文引入基于规模效用可变(VRS)假设的具有松弛变量的数据包络分析模型(DEA-BCC模型)进行研究。

(一)模型基本原理

数据包络分析方法(DEA)本质上是判断“决策单元(decision making unit，DMU)”是否位于可能集的“生产前沿面”上[12]。假设在一个经济系统里面共有n个决策单元(j=1，2，…，n)，每个决策单元有相同的m项投入(i=1，2，…，m)，且有相同的s项产出(r=1，2，…，s)，可知第j个决策单元的第i项投入和第r项产出分别为xij和yrj。同时，还假定各项投入指标的权重系数为vi，各项产出指标的权重系数为ur。数据包络分析方法中经典的CCR模型下的技术效率分析表达式如式(1)所示。

(1)

整个过程当且仅当hjj目标值为1时，说明第j个决策单元相对于其他决策单元来说是有效的。进一步地，班克等(Bankeretal.,1984)在原有CCR模型基础上增加一个规模收益可变(variablereturntoscale，VRS)假设[13]。另外，将技术效率(technicalefficiency，TE)分解为纯技术效率(pure technical efficiency，PTE)和规模效率(scale efficiency，SE)的乘积：

技术效率(TE)=纯技术效率(PTE)×规模效率(SE)

(2)

将原有CCR模型进行变量代换由分式规划转化为线性规划，并整理为其对偶规划形式，并在此基础上引入松弛变量，整理后得到BCC模型：

minθjj

(3)

当结果由θjj=1时，则称第j个决策单元为弱DEA有效；当θjj=1且s-=0；s+=0，则称第j个决策单元为DEA有效。在这里，松弛变量是具有现实经济意义的，s-表示过剩量，s+表示不足量，表示第j决策单元距离有效前沿面的“距离”。当第j个决策单元没有达到式(2)中任何一种技术有效时，可以通过式(3)求得的最优解，进一步计算出决策单元在DEA有效前沿面上的投影值。这使得调节投入和产出以使效率达到最优化成为可能：

(4)

(5)

(二)评价指标体系和样本、数据来源

招商意向的达成既是招商引资工作人员努力的成果，同时也是区域投资环境和市场优势吸进的结果。所以，要将以上两方面因素结合起来共同考量，一同作为招商工作“成果”的投入要素。招商引资工作的“产出”主要包括项目总数、投资总额以及项目的开工率、履约率和资金到位率。

2015年10月哈尔滨商业大学受黑龙江省政府委托，会同黑龙江省工商联走访了哈尔滨、齐齐哈尔、牡丹江、佳木斯、大庆、伊春、鹤岗、鸡西、双鸭山、七台河、黑河、绥化12个地市，对2014年年初以来所举办的9项招商引资活动开展第三方评估工作。本文将以上12个地市作为评测样本，实证分析的数据主要来自两方面。一方面，年招商人次、用于招商引资的财政费用支出、项目总数、项目投资总额、项目开工率、项目履约率、项目资产到位率等指标数据，来自于评估过程中向各地招商引资企业投放的

表1 招商引资效率BCC模型评价指标体系

注：*代表单位为个或人，**代表单位为万元，***代表单位为%。

资料来源：《黑龙江统计年鉴》。

《黑龙江省招商引资项目企业绩效统计表》和《招商引资项目第三方评估调查问卷结果统计表》(其中回收有效调查问卷924份)的整理统计。另一方面，人均GDP、人均社会消费品零售总额、人均进出口总额、城乡居民储蓄存款年增加额和普通高等学校数量等指标数据来自于《2015年黑龙江统计年鉴》以及各地市发布的《2014年国民经济和社会发展统计公报》(表1)。

(三)实证结果分析

在结果中，笔者将具体城市名隐去，用字母指代相应城市名。

效率评估结果显示，2014年黑龙江省12个地市招商引资效率呈现出以下几个特点：首先，从技术效率来看，哈尔滨A、齐齐哈尔B、牡丹江C、佳木斯D和大庆E等全省经济总量排名靠前、经济实力较强的地市招商引资效率均低于全省平均效率水平0.762，而经济总量较小的地市招商效率都在平均水平以上，多数地市实现了技术效率有效。其次，从纯技术效率来看，除齐齐哈尔B、牡丹江C、佳木斯D和大庆E外，其余地市均实现了纯技术效率有效(纯技术效率=1)，这表明多数地市能够充分利用现有的管理水平和人员结构有效地开展招商引资工作。最后，从规模效率指标看，在没有实现规模效率有效的8个地市中，哈尔滨A、齐齐哈尔B、牡丹江C、佳木斯D、鹤岗H和鸡西G由于招商工作要素投入过多出现了规模收益递减，而大庆E和七台河K则由于所投入的要素不足而存在着规模效率递增的现象(表2)。

表2 2014年各地市招商引资效率情况

注：12个地市均值采用算术平均方法计算求得。

所以，黑龙江省招商引资效率可以通过两方面得到改善。一方面，充分利用和改善现有的技术条件，提高管理水平，优化人员结构。另一方面就是，在对招商要素的投入使用上做好调控规划，做到合理配置。在上述的投入要素中，由于与区域自身经济实力和资源地理禀赋相关的要素投入在短期内是无法显著改善的，所以主要是通过调节“年招商人次”和“年招商引资财政支出”两项要素投入来实现的。

表3 两项投入的松弛(变量)调整

三、招商引资项目甄选的BP人工神经网络方法

提高招商引资效率的一个非常重要的方面就是对招商引资项目的甄别和筛选。招商引资工作真正需要招引的是那些符合当地资源禀赋现状和产业发展规划需求并且具有一定市场前景对刺激当地经济发展、解决安置就业和充实财政收入有着突出贡献的企业项目，并且最终引进企业和项目能够在当地达产达效。这是一个存在着诸多不确定性因素的复杂问题，目前招商项目筛选方法普遍是通过专家商讨打分定性的方法判断，但这种方法存在着主观性强的天然劣势，甚至很多项目没有经过筛选就匆匆上马，招商工作具有很大的盲目性。人工神经网络(artificial neural network，ANN)是一种模拟生物神经系统的信息处理技术，能够很好地克服上述定性方法的主观性和盲目性。本文依据评估活动获得的问卷资料，利用各个招商项目(企业)相关信息和各个项目最终的达产达效情况为训练和测试样本，构建BP神经网络模型，测试结果显示，该BP神经网络在招商项目识别上正确率稳定在72.7%以上。

(一)BP人工神经网络基本原理

人工神经网络由大量的人工神经元连接组成，通过外界信息改变不同神经元之间的权值结构和映射关系，其本身是一个可塑性极强的的模式识别和数据拟合系统。由于具有优秀的非线性逼近性，人工神经网络在解决现实世界中复杂的模式分类、拟合和优化问题方面具有绝对的鲁棒性和自适应性优势。BP神经网络是一种采用误差反向传播算法(error back-propagation algorithm，BP)的多层前向神经网络，被广泛用于分类识别、逼近、回归和压缩等问题的实际应用中。BP神经网络同一层之间神经元无连接，层与层之间则全连接，各层神经元之间的传递函数要求必须可微。BP神经网络数据从输入层经隐含层逐层向后传播，训练网络权值时，则向着减少误差的方向，从输出层经过中介各层逐层向前修正网络的连接权值，随着不断学习，最终的误差越来越小[14]。

(二)招商引资项目甄选的BP神经网络构建

本模型是基于“各个地市招商引资项目经营建设情况”、“与当地资源禀赋和产业发展规划匹配情况”和“(预期)市场前景和经济贡献情况”3个方面的9类指标信息，对招商引资项目进行二分类处理的BP神经网络模型，将招商引资项目划分为“适宜”和“不适宜”两类。模型基本结构、神经元节点指标说明如下：

构建一个3层的招商引资项目甄选的BP神经网络，其中输入层包含9个神经元节点。神经元节点代表来自3个方面的9个指标，其中包括2个数值指标(B7(预计)达产后的营业收入、B8(预计)安排就业人数)和7个类别指标。指标值中，B2企业规模的填写参照工业和信息化部、国家发展和改革委员会等指定的《关于印发中小企业划型标准规定的通知》和国家统计局出台的《统计上大中小微型企业划分办法》，将企业划分为大型、中型、小型、微型等四种类型。作为一个二分类问题，输出层只有一个神经元节点分类指标，即R招商引资项目的适宜性，最终根据输入层信息将招商引资项目区分为R1“适宜”和R2“不适宜两类”。如表4所示。

表4 BP神经网络层级结构

(三)BP神经网络甄选招商引资项目的实证过程分析

运用软件MATLAB R2014a建立并训练招商引资项目甄选的BP神经网络模型。样本同前述模型使用同一样本，指标来自于对评估活动中投放和回收的《2014—2015年黑龙江省招商引资项目企业绩效统计表》和《招商引资项目第三方评估调查问卷结果统计表》，共回收有效问卷924份，形成样本806份，基本操作流程如下：

1.样本选择、划分和信息数据处理

通过对回收的有效问卷的整理，共回收有效问卷924份，其中意向项目118项，协议项目507项，合同项目299项。本文仅选用协议项目和合同项目进行分析，所以实际样本806份。其中，已经达产达效的项目统计了实际达产后的年收入和安置的就业人数，已建而未达产的项目使用预期目标代替。训练网络时选择70%和15%、15%作为训练样本和两次测试样本比例。

对于样本中的类别型指标使用整数数值来表示，例如：输入层神经元节点指标“B1企业所有制类型”中，“B11国有企业(含国有控股的股份制企业)”表示第一个类型，就用整数“1”来表示，同理，指标“B12民营企业”和“B13外商投资企业”则分别用整数“2”和“3”来表示。输出层神经元节点指标“R招商引资工作的适宜性”则用整数“1”和“0”来表示指标“R1适宜”和“R2不适宜”。

由于BP神经网络的输入层神经元节点既有使用整数替代的类别型指标又存在数值型指标，尽管数值型指标B7(预计)达产后的营业收入将“亿元”作为单位，在一定程度上消除了不同指标间的量纲差异，但仍然需要进一步进行归一化处理。本文的BP神经网络模型中，使用“mapminmax”函数对样本输入层神经元节点指标数据进行归一化处理，由于输出层指标结果仅为“1”和“0”两个数值，因此输出层神经元指标数据不必进行归一化处理。输出层指标分为两类，属于哪一类则在哪一类上显示1，而在另一类上显示0。

2.创建和训练BP神经网络

运用“patternnet”函数创建一个具有模式识别功能的前向神经网络，结合“vec2ind”函数将输出结果的向量维度转换为代表分类的指数，这样便可把分类结果更加直观地表示出来。操作过程中“patternnet”函数中设定网络的隐含层神经元节点数为10，训练方法为“trainbfg”量化共轭梯度法，网络性能使用“crossentropy”函数呈现。

3.模型运行结果

为了保证在现有样本集上所建立和训练的BP神经网络的稳定性，选择相同的样本和样本划分比例，重复运输过程20次。实验结果表明，经过18次迭代，BP神经网络误差稳定在0.005 4，该BP神经网络能够很好地对招商引资项目进行识别，综合正确率达到75.1%，其中训练过程准确率为76.1%，验证过程准确率为72.7%，测试过程准确率为72.7%。

四、关于提高招商引资效率的几点建议

国发〔2014〕62号文件《国务院关于清理规范税收等优惠政策的通知》实施后，通过比拼优惠政策开展招商的风气得到了极大改善，区域内竞争有序的招商引资格局基本形成，但同时也对原本就处于市场边缘的黑龙江省招商引资工作带来了巨大的挑战。各地市需要培养和形成科学的招商引资观念，通过建立法制化的招商引资环境，提高招商引资效率，在新一轮的政策体系下将招商引资科学化和市场化，更好地承接东南沿海产业转移以实现黑龙江省产业转型升级。

(一)培养和形成科学的招商引资观念

首先，以资源禀赋为着眼点，以产业转型升级为契机，将民营企业作为招商引资的重点对象。从评估情况看，历次活动中无论是签约率还是履约率，民营企业都略高于中央企业。特别地，从民营企业所处行业来看，往往集中在农产品加工、现代农机具制造、旅游养老和现代商贸流通项目，对黑龙江省原有企业和产业改革发展起到了很好的引领和示范效应，与黑龙江省产业转型升级战略相契合。

其次，依据产业链招引产城融合项目。以政府为主导，定位好符合区域持续发展的产业，并与城市规划及城市功能配套，鼓励发展新兴产业。积极引入优质的开发工业园(产业园)区企业，借助社会进行招商引资。一方面，降低了政府打造开发区(工业园)的经济压力；另一方面，通过市场化提升产业竞争力。

最后，存量招商做精做强，增量招商转型提质。要利用存量招商，抓好企业重组，做大做强现有企业。积极开展存量资源招商，变包袱为财富。主要通过鼓励企业“腾笼换鸟”、增资扩股、合资合作等形式，充分挖掘存量资源的内涵，提高使用效率。对于增量招商，不断延长产业链条，提高项目质量，通过增量招商项目为先导驱动存量招商转型提质和做精做强，不仅考虑企业的经济效益，兼顾企业的社会效益。

(二)招商引资体制机制创新

一方面，完善招商引资考核、奖励制度体系。由于各地市和园区规模、资源和原有产业结构的差异，不能单纯使用规模性指标和绝对指标进行评价，特别是当招商项目作为较小基数时所使用的绝对数指标(成功率/相对率)。应当建立一套招商引资评价指标体系，定性与定量的指标相结合，将招商引资效率作为关键评价指标，考虑招商引资活动的投入(招商人次、招商活动累计使用经费等)，将招商成果指标同招商投入指标进行比较。既要考虑招商活动的成果规模，又要考虑招商活动的效率。与此同时，招商工作评价要考虑区域产业和地缘因素影响，对不同地市可以通过人均指标(人均GDP、人均可支配收入等)设计相应的权重。另一方面，建立健全地方招商引资行政法规。目前黑龙江省缺少统一的普遍使用的招商引资行政法规，对于政府和园区招商行为缺少一致的行为约束。这使得招商引资工作开展过程中没有明确的参照标准，难免造成渎职和行政资源浪费的现象，仅仅依靠财政口径来约束招商引资行为往往效果不佳。

(三)招商引资方式方法创新

一方面，境内招商丰富引资方式，境外招商引入中介组织。开展多元的招商引资形式，积极外出招商、会展招商、专家招商和以商招商。特别是在境外招商过程中引入招商中介组织，减少招商引资的盲目性，避免因为语言和文化差异造成不必要的误解和麻烦，提高境外招商成功率。另一方面，构建省、市和园区各级招商引资信息和服务平台，引导全民招商。情感招商、以商招商和会展招商都存在着一定的偶然性和盲目性，招商项目对区域产业和市场的适宜性往往也有待考究。未来一段时期内，招商引资工作都是黑龙江省各地市和园区工作的重要内容。通过建立省、市和园区各级招商引资信息和服务平台，能够协助和监督政府招商引资工作，形成全民招商的良性局面。

(四)进一步完善园区基础和生活设施建设，调动招商项目同当地高校学科建设的联动机制

首先，进一步做好基础设施建设，提供生产保障。加强“七通一平”支持力度，针对特定高新技术行业切实抓好基础设施配套工作。其次，完善教育、医疗和休闲设施建设，提供生活保障。特别是园区，在招商项目周边，完善教育、医疗和休闲设施建设，使得招商项目工人的岗位技能培训、子女教育和家庭医疗与休闲在工作之余同步得到满足，真正做到为招商项目培养、引进和留住人才。通过提供完善的生活保障，间接地在软件维护上给予招商引资项目支持。最后，调动招商项目同当地高校学科建设之间的联动机制，真正实现“招商引智”和“打包招商”。部分工业园区积极引导当地高校相关学科专业同招商项目建立合作培养关系，在园区内为高校建立相关专业实训和学习基地，既提高了学生素质又为招商企业留有了充分的人才储备。

[1]杨锡之.评价商业经济效果的指标体系问题[J].经济理论与经济管理，1982(1)：65-70.

[2]李新华.企业招商引资中的问题与对策初探[J].华东经济管理，1993(6)：36-37.

[3]庞立平,张葆春.对开发区搞好招商引资加快建设的几点思考[J].理论学习与研究，1995(6)：27-29.

[4]李群虹,宗刚.创新招商引资模式与提升集合产业集群效应研究[J].科学管理研究，1996(2)：75-79.

[5]张钢,徐贤春.招商引资与地方政府绩效评估[J].数量经济技术经济研究，2004(3)：85-90.

[6]廖善章,陈松岭.地方政府招商引资双边道德风险的博弈模型[J].统计与决策，2009(8):66-67.

[7]黄进冲.试论新形势下的招商引资策略[J].北京工商大学学报，1998(5)：14-17.

[8]祝年贵.西方招商引资相关理论评述[J].中国经济体制改革，2003(5)：151-154.

[9]范德成,潘霞.关于构建招商引资环境评价指标体系的思考[J].河北学刊，2007(3)：186-189.

[10]李金龙,马骏.基于平衡计分卡的地方政府招商引资绩效评估体系的设计[J].统计与决策，2009(12):70-71.

[11]田秀华,焦勇.基于博弈理论的地方政府招商引资政策绩效分析[J].铜陵学院学报，2012(5)：34-37.

[12]成刚.数据包络分析方法与MAXDEA软件[M].北京：科学知识产权出版社，2015.

[13]BANKER R D,CHARNES A,COOPER W W.Some models for estimating technical and scale inefficiencies in date envelopment analysis[J].Management Science,1984,30(9):1078-1092.

[14]陈明.神经网络原理与实例精解[M].北京：清华大学出版社，2014.

(责任编辑：李 叶)

Evaluation of Investment Efficiency and General Methods of Investment Project Selection—Case of Heilongjiang Province

YANG Shoude，ZHAO Dehai

(Harbin University of Commerce,Harbin 150028, China)

By calculating investment data Heilongjiang Province of in 2014, based on the assumption of the utility scale variable data,it is found that the more technical and comprehensive envelopment analysis method (DEA-BCC) can make up the deficiency of previous methods.Especially after the implementation of the document No.62 of the National Development and Reform Commission in 2014,the atmosphere of attracting investment through the competition of preferential policies is greatly improved.How to select the project with local resource endowment basis and industrial development planning needs and certain market prospects to improve the investment efficiency is particularly important,and the BP neural network model in the selection of investment projects has an absolute advantage.The test results show that the BP neural network in project investment recognition accuracy of stability is above 72.7%.

DEA-BCC；BP neural network；investment efficiency

10.13504/j.cnki.issn1008-2700.2017.05.008

2017-02-16

国家社会科学基金项目“基于供给侧改革的中国零售业态结构优化与创新研究”(16BJY125)；国家社会科学基金项目“跨越‘中等收入陷阱’与中国产业结构调整、优化关联研究”(15BJL042)；黑龙江省哲学社会科学研究规划项目“‘一带一路’战略视域下中俄跨境电商发展模式与路径研究”(16JYB20)

杨守德(1990—)，男，哈尔滨商业大学经济学院博士研究生；赵德海(1951—)，男，哈尔滨商业大学经济学院教授，博士生导师。

F061.3

A

1008-2700(2017)05-0063-09