泛长三角地区国家级高新区运行效率测度与评价

陶永宏， 娄伟伟， 吴洁

(江苏科技大学 经济管理学院, 江苏 镇江 212003)

实施创新驱动是我国新时期经济发展的核心战略,而具有高技术含量、高附加值和高竞争力的高新技术产业开发区建设则是我国实施创新驱动战略的关键之一。

泛长三角地区目前拥有的国家级高新区数量占全国总数的20%。据统计,2015年,该地区国家级高新区从业人员数、营业收入、净利润、出口创汇、产品销售收入、技术收入分别占全国国家级高新区总量的21.3%、21.8%、24.5%、32.7%、24.1%和20.2%.这些数据充分显示了泛长三角地区国家级高新区在全国的重要地位。然而,该地区国家级高新区建设尽管在规模上成绩骄人,但其在管理和发展过程中是否各尽所能,技术、设备和资金的引进是否收到了预期成效,各高新区发展质量是否在不断提高,这些都需要在对高新区运行效率进行评价的基础上得出结论。

目前,国内外对于高新技术产业开发区的研究主要集中在以上几个方面。通过上述分析可以发现,在这些研究中，定性研究占绝大多数,而对于运行效率这样的定量研究国内只有苏素[12]、陆根尧[13]等少数学者有所涉及,对泛长三角地区高新区运行效率的研究目前尚属空白。

笔者采用数据包络分析(DEA)和Malmquist指数分析方法,对泛长三角地区国家级高新区的运行效率进行测算,并对测算结果进行全面的分析与评价。

一、 研究设计

(一) 研究方法确定

常见的生产效率衡量方法有比率分析、回归分析、超越对数生产函数分析、随机前沿分析和数据包络分析等。高新区作为一个生产活动多样、市场不确定的复杂经济体,DEA方法非常适合于高新区运行效率的测度。

单纯运用DEA方法对各DMU的生产效率进行测度,其获得的效率值是相对于生产前沿面的相对值,而不同时期DEA方法确定的生产前沿并不一定相同,因此同一DMU不同时期的生产效率并不具有可比性,更不能通过比较不同时期的运行效率来分析高新区的发展变化情况。

针对DEA方法的这种局限性,本文引入了Malmquist指数(MI)。Malmquist指数最初是用来分析不同时期消费情况变化的。1992年,Fare等人将其与DEA方法相结合并应用于全要素生产率增长分析的问题上。笔者将其用来测度各高新区不同时期运行效率的变化值。

(二) 分析模型设计

1. DEA模型优化

(1)

通过式(1)求最小的θ值,并称之为纯技术效率。它是在不考虑规模因素影响的前提下DMU的资源配置效率。技术效率与纯技术效率之间的关系可以表达为:技术效率=纯技术效率×规模效率。这里的规模效率指的是决策单元是否在合适的规模下生产。另外,通过规模收益不变模型中的线性组合系数与1的关系,可以判断出各高新区所处的规模报酬状态。

BCC模型也存在一个问题,即会得到多个运行有效的高新区(效率值=1),而对这些运行有效的高新区的效率高低无法进一步区分。为解决这一问题,在进行效率评价时,将被评价的DMU从参考集中剔除,此时被评价的DMU的效率是参考其他DMU构成的前沿得出的,有效的DMU的效率值一般会大于1,从而可对有效的DMU进行区分,并对各高新区的运行效率进行更深入的比较分析,笔者将之称为SUP-BCC模型,规划式如式(2)：

(2)

2.Malmquist指数分析

MI=TC·PEC·SEC

(3)

上述公式中:第一项即技术变化(生产前沿面变化),当TC>1时,表示技术是进步的,反之则表示技术退步;第二项表示的是纯技术效率变化,即在不考虑规模因素影响的前提下决策单元的资源配置效率变化,当其值大于1时，就表示管理改善、效率提升;最后一项规模效率变化则反映了要素投入或产出的改变是否改变了规模效率,判断方法与前两项相同。

二、 实证分析

(一) 指标体系构建与数据选取

参考经济理论中的生产函数模型及苏素、陆根尧等人的研究成果,结合高新区的实际情况和数据的可获得性,同时满足投入产出指标同向性和相关性原则,笔者构建如表1的投入产出指标体系。投入指标包括年末从业人员数x1、高新区企业数x2和年末资产x3,这三项指标综合反映了高新区的劳动投入和资本投入;工业总产值y1反映了报告期内以货币形式表现的工业最终产品和提供的工业劳务的总价值量,营业总收入y2反映的是高新区产成品收入及其他业务收入,净利润y3则反映了高新区的盈利能力。笔者认为只有综合考虑三者才能真正反映高新区的运行产出。

表1 泛长三角国家级高新区运行效率评价指标体系

为了对所选的投入产出指标的合理性进行检验,笔者运用SPSS软件对投入产出指标进行了分析。结果如表2所示,投入和产出的相关系数均大于0,且在0.01水平(双侧)上显著相关。这表明笔者所选的投入指标和产出指标既满足了同向性原则,又具有较强的相关性,指标体系合理。

表2 高新区投入产出相关系数

注:**表示在0.01水平(双侧)上显著相关

截至2016年底,泛长三角地区共有包括苏州工业园在内的国家级高新区30家,仅2012—2015这4年间就有14家国家级高新区成立。鉴于近年成立的高新区数据统计资料不够完整,笔者选取2012年之前成立的16家高新区为研究对象,利用2011—2015年的数据资料对该地区国家级高新区的运行效率进行深入分析。针对一些文章考虑到投入和产出具有时滞性的问题,国外和国内的一些学者通过实证研究表明,不考虑时间滞后性对效率的测度影响并不大[14-15],因此笔者也不再考虑时间滞后性问题。

(二) 实证研究与结果分析

1. 相对效率值实证结果与分析

运用SUP-BCC模型分别对泛长三角地区16个国家级高新区2011年和2015年的投入产出数据进行处理,得到各高新区的运行效率及分解值，如表3所示。

表3 各高新区2011年、2015年运行效率及其分解值

注: 1. 表中DMU按2011年各高新区技术效率大小降序排列; 2. 原始数据来自《中国火炬统计年鉴2012—2016》

由表3可知,2011年泛长三角地区运行有效(技术效率≥1)的高新区只有南京、合肥、泰州、上海紫竹和上海张江5家,而运行相对无效的高新区占到总数的68.8%,运行效率低于0.8的也有50%。这说明在当前的技术和管理水平下,多数高新区的投入产出结构并不合理,整体运行水平有待提高。另外,2011年泛长三角地区所有高新区的规模效率都小于1,平均值为0.792,而纯技术效率的均值为1.241。很显然,导致该地区高新区运行不佳的主要原因是规模效率太低。通过规模报酬状态来看,处于规模报酬递减的高新区有9家,也就是说，有半数以上的高新区规模过于庞大,现有的技术和管理水平不能将这些投入完全转化为产出,造成了资源浪费。而这些规模报酬递减的高新区除昆山以外,其他全部都是国家第一批成立的高新区,经过近20年的发展,其规模已经相当可观,然而由于早期建设缺乏科学的规划和引导,加上未能在发展中及时调整,导致出现了管理不科学、投入冗余等一系列问题。其中，处于规模报酬递增状态的7家高新区全部都是在2011的前两年成立的,正处于发展建设初期,规模相对于已有的管理和技术条件而言还有所欠缺。因此，他们应该借鉴其他高新区的建设经验,科学规划与引导,稳步扩大规模。

由表3可知,2015年,运行有效的高新区达到7家,效率在0.8以上的高新区占比81.3%。这说明，泛长三角地区的国家级高新区整体运行质量有所提高,发展趋于成熟。通过观察不难发现,排名发生较大变化的高新区有上海紫竹、无锡、苏州、苏州工业园和杭州5家高新区:上海紫竹高新区由2011年的第4位下降到了第8位,原因是规模效率过于低下,经过5年的发展,上海紫竹高新区并未解决其规模相对过小的问题,如何实现该高新区规模增长是管理者亟待解决的问题;苏州高新区的问题与上海紫竹恰恰相反,导致苏州高新区运行效率下降的原因在于其规模过大;无锡高新区排名降低的原因则又有所不同,其运行效率降低的原因在于纯技术效率的下降,在近年成立的高新区表现出较高的技术和管理水平的情况下,无锡高新区并未顺应时代潮流及时作出调整,从而导致了其运行效率下降;苏州工业园和杭州高新区较2011年无论是纯技术效率还是规模效率都有所提高,这是它们积极响应国家政策、调整产业结构、实施创新驱动得到的良好结果。绍兴高新区2015年的排名较2011年没有变化,一直位于所有高新区的最末位,运行效率相对低下,但其在纯技术效率方面表现优异,即在不考虑规模因素影响的前提下,该高新区的资源配置很合理。然而,由于其规模一直相对较小,且经过几年发展并未有所改观,导致其规模效率表现不佳,因此，迅速、科学、合理地扩大规模是绍兴高新区发展的当务之急。

2. Malmquist指数实证结果与分析

前文对泛长三角地区国家级高新区2011年和2015年的运行效率进行了绝对值分析,然而2011—2015这5年间该地区高新区运行效率具体变化趋势还无从知晓。因此,笔者运用MAX-DEA软件对该地区高新区运行效率近年变化情况进行了Malmquist指数(MI)分析,并进一步剖析引起高新区全要素效率变化(MI)的技术变化(TC)和技术效率变化(EC)情况。

图1表示泛长三角国家级高新区四个时期全要素效率变化以及分解值。由图可知,该地区高新区运行的全要素效率整体呈下降趋势,年均下降2%。通过分析其分解结构的变化趋势发现,全要素效率下降主要是由技术退步(年均退步5%)引起的,而技术效率虽然有所波动,但整体上以年均3%的幅度上升,在一定程度上阻止了全要素效率的大幅度下降。

图1 泛长三角国家级高新区不同时期全要素效率变化及其分解值

高新区技术效率整体呈上升趋势(与前文相对效率值实证结果一致),但也存在较大波动。为了探究具体原因,笔者将技术效率变化进一步分解为纯技术效率变化和规模效率变化,如图2。由图2可知,规模效率变化的走势和技术效率变化的走势基本吻合,纯技术效率变化虽然有所下降,但其趋势较平和,这说明技术效率的波动主要是由规模效率变化引起的。

表4是各高新区2011—2015年均全要素效率变化值及其分解值。可以看出,5年间全要素效率处于不断增长(全要素效率变化值≥1)的高新区只有7家,而处于下降状态的高新区占比56.3%。这说明一半以上的高新区在发展过程中并未持续关注发展效率,而只是纯粹地追求规模扩大。如果不及时解决此种问题,其弊端则会越来越明显,甚至妨碍高新区未来的发展。在16家高新区中,技术效率处于增长状态的有10家,这说明大部分高新区越来越重视资源的有效利用。这与近年来我国不断推动供给侧改革、调整产业结构、创新驱动发展等战略有密切关系。苏州、泰州、无锡、合肥、上海紫竹、南京等高新区技术效率不断下降的原因各异:苏州、泰州和上海紫竹都是因为其规模效率整体下降而导致技术效率下降;无锡和南京则是因为纯技术效率下降导致技术效率不断降低;合肥高新区的技术效率不断下降与规模效率下降和纯技术效率下降都有关系。因此，管理者应该根据不同高新区的不同变化情况采取相应措施,及时消除不利条件产生的影响,提高资源利用率。

图2 泛长三角国家级高新区不同时期技术效率变化及其分解值

DMU全要素效率变化技术变化技术效率变化规模效率变化纯技术效率变化蚌埠10660983108510421041苏州工业园10470950110310351066昆山10250965106209541114芜湖10240975105010371013上海张江10241005101810890935常州10130961105510051049杭州10100864116810191146宁波09840923106709871082苏州09620974098809661023绍兴09510949100209221087江阴09470917103310131020泰州09400945099509811014无锡09260956096910030966合肥09260977094809980949上海紫竹09250941098209481036南京09160929098610100976

注:表中DMU按全要素效率变化值降序排列

三、 提升高新区运行效率的建议

第一，在高新区的建设过程中,应避免因追求政绩而盲目投入资源、招商引资。各高新区应根据自身的实际情况,布置与当地资源条件相吻合的产业,加强协作配套,形成产业链条,有目的性地进行建设。

第二，高新区担负着发展高新技术产业、实现科技创新的重要使命,在企业入驻机制方面要有一定的限制。参考美国硅谷、北京中关村的建设经验,高新区应大力发展民营科技企业,支持并培育中小科技企业以形成集群,增强自主创新能力。对园区内高消耗、高污染、产品附加值低的企业应实行退出机制,优化园区的投资环境。

第三，注重高新区创新网络体系建设。政府应积极参与到高新区创新环境建设中去,搭建并维护共性技术创新平台,设立重点实验室以支持企业创新;加强对知识产权的保护,鼓励专利申请,完善专利申请制度;积极推进高校、科研院所与企业之间的合作交流,努力实现理论向产品的有效转化。

第四，加强高新区之间的合作交流。泛长三角地区各高新区发展参差不齐,有些规模过大,有些规模过小。管理者应从宏观层面促进各高新区之间经验、资金、人才的合理流动,缩小各园区之间的差距,实现协调发展。比如，上海紫竹高新区可以加强与上海张江高新区的合作,学习其建设管理经验,可从规模过大的张江高新区引进人才、技术与资金,实现不同高新区的协同、健康发展。

四、 结论

第一，2011年,16家国家级高新区大部分处于运行无效状态,且运行效率低于0.8的高新区占比50%,导致这种结果的原因在于该地区高新区规模效率太低。经过4年的发展,该地区高新区运行效率整体上有所提升,效率排名退步较大的有上海紫竹、无锡和苏州三家,进步较大的有苏州工业园和杭州,排名一直处于末位的是绍兴高新区。

第二，泛长三角地区16家高新区从2011年到2015年全要素效率整体处于下降状态,导致这种情况的原因在于高新区运行技术的退步。虽然在这期间技术效率处于增长趋势,但也有较大波动,而引起波动的是规模效率的变化。5年间,16家高新区中有一半以上园区的全要素效率处于年均下降状态。这显然不是技术效率下降导致的,因为有10家高新区的年均技术效率变化大于1,导致其余6家高新区技术效率处于年均下降状态的原因各不相同。

笔者虽然对高新区运行效率评价指标进行了精心筛选,并参考了大量文献进行阅读,但由于现在还没有一套标准的高新区运行效率评价指标体系,因此指标选取的科学性还有待进一步验证。此外，由于受文章篇幅限制和操作的不现实性,笔者对于高新区运行效率测算结果的分析只能停留在结果本身,而未能对各高新区存在的深层次问题进行剖析。

[ 1 ] MANSOUR A M H, KANSO L. Science park implementation——a proposal for merging research and industry in developing Arab countries[J]. HBRC Journal, 2017(152): 326-335.

[ 3 ] 程郁, 郭雯. 联合治理视角下的高新区管理体制创新[J]. 科学学与科学技术管理, 2014(2): 86-95.

[ 4 ] KUSHARSANTO Z S, PRADITA L. The important role of science and technology park towards indonesia as a highly competitive and innovative nation ☆[J]. Procedia-Social and Behavioral Sciences, 2016(227): 545-552.

[ 5 ] 解佳龙, 胡树华, 王利军. 高新区发展阶段划分及演化路径研究[J]. 经济体制改革, 2016(3): 107-113.

[ 6 ] 张镧. 湖北省高新技术开发区产业发展水平的评价[J]. 统计与决策, 2015(3): 55-57.

[ 7 ] BASILE A. Networking system and innovation outputs: the role of science and technology parks[J]. International Journal of Business & Management, 2011(5): 52-59.

[ 8 ] ALBAHARI A, PÉREZ-CANTO S, BARGE-GIL A, et al. Technology parks versus science parks: does the university make the difference[J]. Technological Forecasting & Social Change, 2016(116): 13-28.

[ 9 ] 张建清, 白洁, 王磊. 产城融合对国家高新区创新绩效的影响——来自长江经济带的实证研究[J]. 宏观经济研究, 2017(5): 108-117.

[10] 余珮, 程阳. 我国国家级高新技术园区创新效率的测度与区域比较研究——基于创新价值链视角[J]. 当代财经, 2016(12): 3-15.

[11] 刘满凤, 李圣宏. 基于三阶段DEA模型的我国高新技术开发区创新效率研究[J]. 管理评论, 2016(1): 42-52.

[12] 苏素, 栾奕. 国家级高新技术产业开发区运行效率评价研究[J]. 特区经济, 2013(5): 162-163.

[13] 陆根尧, 赵丹, 林永然. 国家级高新技术产业开发区运行效率评价——基于DEA-Malmquist指数和聚类分析[J]. 浙江理工大学学报(社会科学版), 2014(6): 449-455.

[14] HOLLANDERS H, ESSER F C. Measuring innovation efficiency[J]. INNO-Metrics Thematic Paper, 2007(6): 739-746.

[15] 孙国锋, 张婵, 姚德文. 大中型高技术企业创新效率测度与分解——基于DEA模型的实证分析[J]. 审计与经济研究, 2016(3): 111-119.