长三角城市群国家高新区创新效率比较分析——基于三阶段DEA模型

方大春，曾志彪

(安徽工业大学商学院， 安徽 马鞍山 243032)

国家高新技术产业开发区(以下简称“国家高新区”)是各地区创新驱动发展的排头兵和领头羊，其创新效率高低直接决定本地区创新水平[1].习近平总书记在科学家座谈会上指出“创新是引领发展的第一动力”，国家高新区要想实现高质量发展，就必须走创新发展.自1988年国家火炬计划实施起，我国开始建立国家高新区，到2019年年底国家高新区的数量已达到169个，其中长三角城市群国家高新区占比为20.1%.2019年长三角城市群国家高新区营业收入为69 838.17亿元，占全国国家高新区营业收入18.1%；其工业总产值为64 952.97亿元，占全国国家高新区工业总产值27%；其净利润为7 024.96亿元，占全国国家高新区净利润26.9%；其出口总额为14 902.48亿元，占全国国家高新区出口总额36%.与长三角城市群人口占全国1/6、GDP占全国1/4而言，长三角城市群国家高新区创新效率显著性不够.长三角区域内部资源禀赋、经济发展环境等不同，长三角城市群国家高新区创新发展存在不平衡不充分.因此，需要考察长三角城市群不同城市国家高新区创新效率特征，优化创新资源配置结构，促进整体创新效率提高.

我国学者对国家高新区创新发展已经做了大量理论与实证研究.理论分析主要从政策[2]、机制体制[3]、经济效应[4]等方面探讨国家高新区创新发展.实证分析主要集中在效率和影响因素两个方面.在效率方面，许多学者采用DEA方法对全国层面国家高新区创新效率进行实证研究[1，5-6]；部分学者采用DEA方法分别对西部地区和长三角地区国家高新区的效率进行实证研究[7-8]；一些学者采用DEA方法分别对山东省、福建省和湖北省国家高新区的效率进行实证研究[9-11].在影响因素方面，主要运用面板Tobit回归分析方法[12]、广义矩估计方法[13]等来研究国家高新区创新效率的影响因素.

从文献分析来看，我国学者对国家高新区的研究已有不少，但在长三角区域国家高新区方面鲜有研究，个别学者使用传统DEA方法测算2011年—2015年长三角地区国家级高新区运行效率及变化趋势[8].2016年后随着长三角一体化进程加快，更需要考察长三角城市群国家高新区创新效率，优化创新资源配置.由于长三角区域内部资源禀赋、宏观环境存在着不同，必须消除环境因素影响，再比较真实创新效率.因此，文章采用能剔除环境因素的三阶段DEA方法来研究长三角城市群国家高新区创新效率.

1 研究方法

Fried提出能剔除环境和随机因素的三阶段DEA模型，其主要分为三个阶段来评价每个决策单元的效率值.

1.1 第一阶段：传统的DEA模型

数据包络分析方法(data envelopment analysis，DEA)是在1978年由查恩斯(Charens)和库伯(Cooper)这两位学者提出的一种模型，主要作用是评价相同部门有效性.最初其提出的是CCR模型，其规模报酬不变，后修整为规模报酬可变的BCC模型.具体做法是将CCR模型中的综合技术效率(TE)细分为纯技术效率(PTE)和规模效率(SE)，分解公式为：

TE=PTE×SE，

(1)

式中，TE衡量决策单元(DMU)的资源利用是否充分、资源配置是否合理；PTE表示将投入转化为产出的技术水平；SE表示高新区是否在合适的规模下生产.

DEA方法将一个“可以通过一系列决策，投入一定数量的生产要素，并产出一定数量的产品”的经济系统称为决策单元(DMU)，在文章中将长三角各高新区作为一个决策单元.第i个决策单元的BCC模型如下：

(2)

1.2 第二阶段：随机前沿分析(SFA模型)

将环境变量设定为解释变量，将松弛变量(S-，S+)设定为被解释变量，以此来剔除环境和随机因素对第一阶段效率值的影响.构建SFA模型如下：

Sij=fj(zi，βj)+vij+μij，

i=1，2，…，N;j=1，2，…，P，

(3)

根据上面得到的参数值，依据罗登跃、陈巍巍等[15-16]使用的分离公式

式中，λ=σμ/σv，φ(x)为密度函数，φ(x)为累计分布函数，求出μij的估计值，然后再求出vij的估计值.最后根据SFA模型的估计结果，调整每个决策单元的原始投入值：

i=1，2，…，N；j=1，2，…，P，

(4)

1.3 第三阶段：调整后的DEA模型

第三阶段主要是将原始产出和第二阶段调整后的投入一起导入到Deap 2.1中，得到新的效率值.在剥离环境和随机因素对效率值的影响后，此时能得到真实反映现状的效率值.

2 指标选取与数据来源

2.1 投入与产出指标选取

文章对长三角城市群国家高新区进行创新效率测算，国家高新区创新投入和产出涉及多项指标，但没有一个统一的标准.考虑到国家高新区的经济效益重要性，参考相关文献[1，17]，投入指标选择国家高新区的年末资产、科技活动经费内部支出、科技活动人员；产出指标选择国家高新区的工业总产值、净利润、技术收入.

2.2 环境变量选取

受环境变量的影响，即使国家高新区所有投入指标都一样，在不同环境下所得到的效率值不相同，其产出量也不会相同[18].因此，环境变量应选取那些对国家高新区效率产生影响但不在样本主观可控范围内的因素，即满足所谓“分离假设”[1].考虑到国家高新区发展特点，参考相关文献[1，7]，从经济发展水平、市场开放程度、劳动者素质、科技创新潜力四个方面来选取环境变量.用人均GDP来反映经济发展水平，用实际利用外资来代表地区市场开放程度，用大专以上学历从业人员来表示劳动者素质水平，用地区普通高等学校在校大学生数来衡量科技创新潜力.具体评价指标见表1.

表1 创新效率评价指标体系Tab.1 Innovation efficiency evaluation index system

2.3 研究范围与对象

2014年9月，国务院印发《关于依托黄金水道推动长江经济带发展的指导意见》，首次明确安徽作为长江三角洲城市群的一部分.2019年12月，《长江三角洲区域一体化发展规划纲要》中明确规划范围为苏、浙、皖、沪四省市全部区域.因此，研究范围为长三角城市群的所有国家高新区.2015年长三角有上海紫竹、上海张江、南京、无锡、江阴、徐州、常州、武进、苏州、昆山、常熟、南通、连云港、盐城、扬州、镇江、泰州、杭州、萧山临江、宁波、温州、嘉兴、莫干山、绍兴、衢州、合肥、芜湖、蚌埠、马鞍山慈湖等29个国家高新区，2017年新增淮安、宿迁和铜陵狮子山三个国家高新区，2018年新增苏州工业园和淮南两个国家高新区.由于同一个城市的国家高新区所处环境相同、政策相似，相互间联系密切，需要作为一个总体来考虑.因此，如果一个城市有两个以上的国家高新区，就将它们的数值相加起来成为一个国家高新区，在对国家高新区的称呼上也以其所在城市命名，如上海张江和上海紫竹合并，统称为上海国家高新区，无锡和江阴合并，常州和武进合并，苏州、昆山、苏州工业园和常熟合并，杭州和萧山临江合并，最终研究对象为27座城市国家高新区.

2.4 数据来源与处理

使用数据均来自2016年—2020年的《中国火炬统计年鉴》和各个国家高新区所在城市的《统计年鉴》.为此，研究时间选择为2015年—2019年.对于2019年淮安国家高新区的净利润产出指标为负值，文章借鉴相关学者做法，将负产出变为一个足够小的数值0.001[19-20]，该方法不改变其他决策单元的效率值，仅影响该决策单元的效率值.以2015年为基期，对人均GDP、实际利用外资进行价格指数平减，以此来消除物价对上述指标的影响.

3 长三角城市群国家高新区创新效率实证分析

3.1 第一阶段：传统DEA模型分析

利用Deap 2.1软件计算出2015年—2019年长三角城市群国家高新区的综合技术效率(TE)、纯技术效率(PTE)、规模效率(SE)、规模收益状态，囿于篇幅，在此仅给出2015年和2019年第一阶段的分析结果，其他年份省略，结果如表2所示.

见表2可发现，在未剔除环境变量和随机干扰项之前，长三角城市群国家高新区的创新效率总体上存在以下特征：综合技术效率总平均值为0.732，没有达到DEA有效；纯技术效率总平均值为0.874，说明长三角城市群国家高新区的投入产出转化技术水平相对较高；规模效率总平均值为0.840，说明长三角城市群国家高新区存在较显著的规模效应.泰州国家高新区有五年处于效率前沿面，常州、南通、杭州等国家高新区有4年处于效率前沿面，徐州、盐城、合肥、马鞍山等国家高新区有3年处于效率前沿面，连云港、扬州、宁波、嘉兴、绍兴、铜陵等国家高新区有1年处于效率前沿面.上海、无锡、苏州等国家高新区纯技术效率为1，但规模效率较低，导致综合技术效率在整体国家高新区中并不突出.从第一阶段的实证结果来看，长三角城市群国家高新区纯技术效率均值大于规模效率均值，说明长三角城市群国家高新区的综合技术效率不高主要原因是规模效率不高.

表2 长三角城市群国家高新区第一阶段效率值Tab.2 Efficiency value of the first stage of national high-tech zones in the Yangtze River Delta urban agglomerations

3.2 第二阶段：SFA分析

在第二阶段中，将第一阶段得到的年末资产、科技活动经费内部支出和科技活动人员松弛变量作为被解释变量，将环境变量作为解释变量，导入到Frontier 4.1中，得到SFA的回归结果.囿于篇幅，在此仅列出2015年、2019年第二阶段的SFA分析结果(其他年份省略)，结果如表3所示.当回归系数为正，说明环境变量会增加投入松弛量，造成资源浪费增加；当回归系数为负，说明环境变量会促使资源利用率上升，致使资源浪费减少.

表3 2015年和2019年长三角城市群国家高新区SFA分析结果Tab.3 SFA analysis results of national high-tech zones in the Yangtze River Delta urban agglomerations in 2015 and 2019

在表3基础上，结合其他年份的SFA分析结果发现：一是人均GDP对松弛变量的影响逐渐由减少冗余变成增加冗余，这也解释了一些发达城市(如上海、南京)自身所处环境优越，经济实力雄厚，创新资源较多，对国家高新区的投入也较多，但因为没有合理配置资源，导致创新效率不高；二是实际利用外资对松弛变量的影响由减少冗余变成增加冗余，表明国家高新区的市场开放程度越高，就越会吸引高科技人才进入国家高新区，同时使得科技活动经费投入增加，犹如城市虹吸效应致使资源堆积浪费，不利于创新效率的提高；三是大专以上学历从业人员对松弛变量的影响保持不变，五年间与松弛变量的回归系数绝大部分为负，减少投入冗余，说明国家高新区的劳动者素质越高，科技资源的利用程度就越高，科技资源的浪费就越少；四是在校大学生人数对松弛变量的影响由增加冗余变成减少冗余，这从侧面反映了未来国家高新区从业人员能力水平将逐日提高，科技资源将得到合理的利用.考虑到环境变量对不同地区国家高新区的影响不同，一些城市的国家高新区由于面临较好的外部环境优势而比其它城市国家高新区呈现出更高的效率值，所以必须调整原始投入，使所有国家高新区处在相同外部环境进行测算，这样才能得到真实的创新效率水平.

3.3 第三阶段：调整后的DEA模型分析

通过Deap 2.1软件，凭借原始产出值和调整后的投入值，得到新的效率值.此时得到的效率值是剔除环境和随机因素后的真实效率值，囿于篇幅，在此仅给出2015年、2017年、2019年第三阶段的分析结果(其他年份省略)，结果如表4所示.

表4 长三角城市群国家高新区第三阶段效率值Tab.4 Efficiency value of the third stage of national high-tech zones in the Yangtze River Delta urban agglomerations

将第一、三阶段的结果进行对比分析，发现在剔除环境变量和随机干扰项后，综合技术效率总均值增加到0.743，纯技术效率总均值增加到0.907，规模效率总均值降低到0.826，这说明环境因素和随机干扰因素确实掩盖国家高新区的真实效率值.总体来看，有三个国家高新区(常州、南通、泰州)在五年内处于DEA有效，较之未剔除环境变量和随机干扰项前，增加两个；纯技术效率有效的高新区数量虽然保持不变，但徐州的纯技术效率均值由有效变为无效，合肥由无效变为有效；规模效率均值有效的国家高新区由未调整前的1个(泰州)增加到3个(常州、南通、泰州).为了更直观的观察调整前后创新效率的变化，取2015年、2017年和2019年为对照组(见图1)，来具体分析综合技术效率、纯技术效率、规模效率.

3.3.1 综合技术效率分析 由图1可知，在2015年经过调整后，有11个国家高新区的综合技术效率处于有效前沿面，其中常州、盐城、泰州、杭州、宁波、合肥保持不变，上海、无锡、苏州、南通、连云港由DEA无效调整为DEA有效，说明由于环境因素的存在，导致其创新效率被低估，扬州则由DEA有效调整为DEA无效，且从1降到至0.773，说明环境因素和随机因素使扬州的创新效率出现虚高的现象.南京、芜湖、蚌埠、马鞍山等国家高新区创新效率呈现大幅度提高，徐州、湖州、绍兴等国家高新区创新效率出现小幅度的下降.2017年经过调整后，徐州、常州、南通、盐城、泰州、杭州、绍兴、合肥、马鞍山等国家高新区处于有效前沿面，其中常州由0.927增加到1.连云港、淮安、宿迁、徐州、衢州、铜陵等国家高新区创新效率降低，说明环境因素和随机因素使得这些地方性中心城市国家高新区创新效率出现虚高的现象.其余国家高新区创新效率均呈小幅度上升.2019年经过调整后，徐州、常州、南通、泰州、合肥、马鞍山、铜陵等为处于效率前沿面的国家高新区，上海、南京、无锡、苏州、扬州、镇江、杭州、绍兴、衢州、芜湖等国家高新区创新效率出现小幅度的上升，连云港和淮南国家高新区创新效率出现一定幅度的下降.

续表4

根据表4和图1，对比可以发现，2019年调整后上海、南京、无锡、苏州、连云港、淮安、盐城、扬州、杭州、宁波、温州、芜湖、蚌埠等国家高新区创新效率呈下降趋势，徐州、镇江、宿迁、嘉兴、湖州、绍兴、衢州、合肥、马鞍山、铜陵等国家高新区创新效率呈上升趋势，其中马鞍山和铜陵上升幅度最为明显，马鞍山由2015年的0.461升到2019年的1，铜陵由2017年的0.223升到2019年的1，常州、南通、泰州保持不变.根据表4和图1，与2015年相比，2019年上海国家高新区创新效率下降20.7%，江苏国家高新区创新效率均值下降14.2%，浙江国家高新区创新效率均值上升8.6%，安徽国家高新区创新效率均值上升4.1%.由此可见，上海国家高新区和江苏的多数国家高新区投入要素冗余，造成创新效率下降，而浙江和安徽的大部分国家高新区较为年轻，活力较强，更具创新能力.

图1 2015年、2017年和2019年调整前后综合技术效率对比Fig.1 Comparison of technical efficiency before and after adjustment in 2015， 2017 and 2019

3.3.2 纯技术效率分析 由图2可知，在2015年经过调整后，超过一半的国家高新区纯技术效率处于有效前沿面上.在其它国家高新区中，南京、无锡由有效调整为无效，连云港、温州、湖州由无效调整为有效，蚌埠、马鞍山国家高新区纯技术效率呈小幅度的提高，说明在没有剔除环境因素和随机因素的前提下，一些中小城市国家高新区的纯技术效率值被低估.2017年和2019年调整后，近一半的国家高新区创新效率为1，大部分国家高新区纯技术效率呈上升趋势.根据表4和图2，对比可以发现，上海国家高新区纯技术效率一直为1，江苏国家高新区纯技术效率均值为0.938，明显高于浙江国家高新区的纯技术效率均值(0.863)和安徽国家高新区的纯技术效率均值(0.870).

图2 2015年、2017年和2019年调整前后纯技术效率对比Fig.2 Comparison of pure technical efficiency before and after adjustment in 2015， 2017 and 2019

3.3.3 规模效率分析 由图3可知，在2015年经过调整后，有10个国家高新区规模效率处于有效前沿面，即常州、盐城、泰州、杭州、宁波保持不变，上海、无锡、苏州、南通、连云港由DEA无效调整为DEA有效，其中无锡调整幅度最大，从0.526上升到1，此外南京、徐州、芜湖、蚌埠分别上升到0.877、0.954、0.835、0.863，扬州从1降至0.797，温州、嘉兴、湖州、绍兴、衢州、马鞍山均有小幅度的降低.从规模收益状态来看，调整后，处于规模收益递增的国家高新区由7个上升到10个，处于规模收益递减的国家高新区由10个减少到3个，所以环境和随机因素严重掩盖了这些国家高新区规模效率的真实情况，最终影响对其综合效率的评价.在2017年经过调整后，淮安、宿迁、铜陵这三个国家高新区属于刚成立，因此，受环境和随机因素影响，其规模效率被明显高估，其他多数国家高新区规模效率增加，但都变化不大.在2019年经过调整后，大多数国家高新区的规模效率呈上升趋势，且绍兴、衢州、芜湖等国家高新区规模效率大幅度上升，只有盐城国家高新区规模效率出现明显小幅度降低.

根据表4和图3，相比于2015年，2019年上海国家高新区规模效率下降20.7%，且处于规模收益递减状态，江苏的国家高新区规模效率均值下降6%，且部分国家高新区处于规模收益递减状态，说明上海、南京、无锡、苏州等发达城市的国家高新区应通过合理配置与使用创新资源来提高创新效率，而不是通过扩大要素投入来提高创新效率.浙江的国家高新区规模效率均值上升17.3%，安徽的国家高新区规模效率均值上升0.5%，且两省国家高新区普遍处于规模收益递增状态，说明可以通过扩大要素投入来提高创新效率.

图3 2015年、2017年和2019年调整前后规模效率对比Fig.3 Comparison of scale efficiency before and after adjustment in 2015， 2017 and 2019

从图1、图2和图3可以发现，上海国家高新区和江苏的多数国家高新区综合技术效率没有处于有效前沿面主要是规模效率低所导致，安徽和浙江的多数国家高新区综合技术效率没有处于有效前沿面主要是纯技术效率不高所导致.

此外，对比2015年、2017年和2019年的三种效率图可以发现，调整前后各国家高新区效率变化幅度逐渐变小，说明环境和随机因素对国家高新区的影响逐渐减弱.

4 结论与建议

4.1 结论

文章运用三阶段DEA方法对长三角城市群国家高新区2015年—2019年的综合技术效率、纯技术效率、规模效率进行分析测度，得出以下结论.

1) 长三角城市群国家高新区创新效率水平较低.长三角城市群国家高新区创新效率水平较低主要是纯技术效率和规模效率不高共同导致，且规模效率影响更大.上海国家高新区和江苏多数国家高新区创新效率低是规模效率低所导致，安徽和浙江的多数国家高新区创新效率低是纯技术效率低所导致.

2) 长三角城市群国家高新区效率存在地区差异.在创新效率方面，上海国家高新区投入相对较多，但利用程度低致使创新效率降低，江苏大部分国家高新区投入要素冗余，创新效率减少，而浙江和安徽的大部分国家高新区较为年轻，活力较强，更具创新能力.在纯技术效率方面，上海和江苏的国家高新区纯技术效率明显高于浙江和安徽的国家高新区.在规模效率方面，上海国家高新区和江苏的多数国家高新区规模效率呈下降趋势，且逐渐处于规模收益递减状态，而浙江省和安徽省的多数国家高新区规模效率基本呈上升趋势，且普遍处于规模收益递增状态.

3) 长三角城市群国家高新区创新效率受环境变量的影响具有差异.经济发展水平对松弛变量的影响由减少冗余演变为增加冗余，造成资源浪费，不利于国家高新区创新效率的增长；市场开放程度对松弛变量的影响由减少冗余变成增加冗余，说明市场开放程度越高，就越会吸引高科技人才进入国家高新区，同时使得科技活动经费投入增加，犹如城市虹吸效应致使资源堆积浪费，不利于创新效率的提高；劳动者素质有利于促进国家高新区的创新发展，使其创新基础设施充分利用，提高国家高新区创新效率；科技创新潜力对松弛变量的影响由增加冗余变成减少冗余，说明国家高新区未来从业人员能力上升，科技资源将得到合理的利用.通过对比2015年、2017年和2019年的三种效率图可以发现环境因素和随机因素对国家高新区的影响逐渐减弱.

4.2 建议

根据以上几点结论，提出以下几点建议.

1) 在提高规模效率基础上提高纯技术效率.长三角城市群国家高新区创新效率较低主要由于纯技术效率和规模效率不高所导致，且规模效率影响更大.因此，要立足于提高投入规模的基础上推进技术进步.长三角城市群国家高新区不应只追求速度上越快越好和数量上越多越好，应结合自身实际情况来制定相应的发展战略.对于纯技术效率低的国家高新区来说，加大研发投入，利用各自比较优势吸引不同类型高新技术企业落户.对于规模效率低国家高新区来说，应按照各自所处规模收益状态，扩大或者缩小生产规模，提升规模效率.

2) 加强长三角城市群国家高新区交流合作.长三角城市群国家高新区效率存在地区差异，同时随着长三角一体化战略的实施，长三角三省一市之间的交流越来越多，各城市国家高新区应加强交流与合作.浙江和安徽国家高新区应向创新效率高的上海国家高新区和江苏国家高新区学习与合作，一方面选择学习适合自己的内容，有针对性的解决自身的问题，补全自身的短板，制定具有地方特色的产业发展战略；另一方面加大推进与其他国家高新区的合作，实现优势互补、协同发展，共同提升长三角城市群国家高新区创新效率.

3) 优化长三角城市群国家高新区资源配置.不同环境变量对长三角城市群国家高新区创新效率影响具有差异，各国家高新区应优化自身的资源配置，减少投入冗余.立足自身的资源禀赋、经济发展水平和市场开放程度，制定相应的发展战略，指导国家高新区内相关企业进行调整和改善，加快所生产产品的更新换代，提高自身的竞争力；要引进高质量外资企业，限制一般外资进入数量，制定相关的政策，防止资源进入过多造成浪费.