基于三阶段数据包络分析的我国高新技术产业开发区绩效评价

赵国宇，周申蓓

(河海大学商学院，江苏南京 211106）

1 问题的提出

1988 年5 月，国务院批准成立北京市高新技术产业开发试验区，它就是中关村科技园区的前身。1988 年8 月，我国实施火炬计划，促进高技术、新技术研究成果商品化，推动我国高技术、新技术产业形成和发展。随后，国内各地纷纷建立起高新技术产业开发区（以下简称“高新区”）以推进当地高新技术产业的发展。截至2019 年，我国国家级高新区已达169 家，共承载企业120 057 家。高新区是为了开发高新技术，促进科技、教育和生产相互结合，推动科技、经济、社会发展，依托智力资源而建设的综合性基地，也是为了加速高新技术产业发展的区域性政策［1］。结合实际背景，我国国家级高新区主要有两个关键内涵：其一，是“高新技术”的基本内涵，相较于一般的产业开发区，高新区的最大特征在于高新技术；其二，是具有政府引导的特色内涵，不同于西方国家以市场为主导的发展经验，我国国家级高新区建设的组织者和引导者主要是政府。因此，我国国家级高新区的功能定位具有多元化和发展性的特点，除了承担国务院明确提出的开发、改革、社区、产业聚集、孵化、扩散和示范功能外，高新区的重点功能还随之发展而不断变化。

如今，建设高新区已经被认为是中国市场经济最引人瞩目的现象之一，国家级高新区也是国内各地区创新生产的前沿阵地［2］，因此高新区的创新绩效评价一直是研究的热点。但随着我国高新区二次创业的完成和功能定位的不断更新，对高新区的绩效评价应当展开新的思考。首先，基于我国高新区“高新技术”和“政府引导”两个关键内涵，高新区毫无疑问承担着科技创新、科技成果转化的功能，但是国家级高新区均为由国务院批准成立建设，管理模式也多为政府主导，政策对其未来发展的影响是非常明显的，这决定了高新区的绩效必定受到政策、经济等环境因素的影响，那么，如何剔除环境和随机因素的影响，客观地衡量高新区的真实绩效？其次，高新区作为一个具有开发、改革、社区、聚集、孵化、扩散和示范等多元化功能定位的组织，应当是多种效益产出的综合体，绩效评价也并非只有创新效率这一目标，所以高新区绩效评价的目标应着重在哪些方面？最后，如何调整高新区资源配置状态，实现绩效水平的提高？以上是本研究主要研究的问题。

2 文献回顾

国内关于高新区绩效评价方面的研究，多集中于创新效率的研究。吕政等［3］在2006 年分析了我国高新区在二次创业阶段中所面临的产业主导向创新突破转换的挑战，并在创业过程各阶段中为破解这些障碍提供了一系列思路。至此，学术界对高新区创新绩效评价指标体系建立和影响因素分析进入了深度探讨，如熊然等［4］基于贸易视角对高新区创新绩效进行了研究，并将样本按照城市的政治经济属性进行了分类，来分别研究贸易开放程度对高新区创新绩效的影响效果。目前，关于高新区绩效评价指标体系构建的研究已经相对完善，其中张爱萍［5］认为目前主流的评价指标设计主要围绕高新区经济、创新、国际竞争力、人才等方面，并强调了有关科技园的绩效评价中不应忽视其经济学属性。

在关于高新区绩效测量的具体方法上，国内外研究多以数据包络分析（DEA）模型为代表的非参数法来测度，所研究的内容主要集中在创新效率的评价。DEA 方法由运筹学家Charnes 等［6］提出。Adner 等［7］运用数据包络分析评价了欧洲187 个地区的科技创新效率；孙国峰等［8］运用DEA 模型对我国大中型国有控股企业、内资企业、港澳台资企业和外资企业进行创新效率测度，结果表明港澳台资企业和外资企业整体创新效率高于国有控股企业和内资企业；赵树宽等［9］运用DEA 模型对吉林省151 家高技术企业的创新效率进行测度，研究表明创新综合效率偏低，不同类型企业之间的创新效率差异较大，并分析了造成效率过低的主要影响因素是规模效率的低下。

近年来DEA 模型得到不断扩充和改进，DEAMalmquist、两阶段DEA、三阶段DEA 模型逐渐被广泛运用。DEA-Malmquist 模型主要运用于同一主体的动态分析，如张立杰等［10］、张月明等［11］运用该模型对我国丝绸之路经济带沿线省（区、市）高技术产业的创新效率进行了研究，结果显示这些省份高新区创新效率呈现“N”型的回调震荡形态。两阶段（又称“双阶段”）DEA 模型是将一个生产过程拆分成两个连续的过程并分别进行测度［12］，如魏巍等［13］将湖南省高技术产业创新过程分成技术研究阶段和经济产出阶段，并根据测度结果将高技术产业分成了4 种产业模式。考虑环境因素对研究主体绩效的干扰影响，三阶段DEA 可以更好地避免随机误差和环境因素的影响，更加真实地反映组织实际的管理水平，如刘满凤等［2］运用三阶段DEA 对2012 年我国高新技术开发区创新效率进行了研究，并且分析了环境因素对高新区发展的制约程度，研究结果表明中西部地区高新区的创新效率受环境影响较大，并根据研究结果提出了改善宏观环境、优化产业结构等解决思路。三阶段DEA 在投入产出效率的研究上有其独特的优势，如刘飒等［14］对我国中小型高新技术企业创新投入效率进行了研究，运用三阶段DEA 模型，剔除环境和随机干扰因素的影响，使三阶段DEA 与传统DEA 结果进行比对，提出促进中小型高新技术企业创新效率提高的方法是适当扩大产业规模，并对4 个环境变量对中小型高新技术企业优化内部资源配置产生的影响进行了分析。

纵观已有研究可以看出，我国高新区绩效评价的研究多集中于创新效率的测度，内容较为单一，多集中于创新效率的评价，且对“创新效率”概念交代得比较模糊。另外，选择三阶段DEA 方法从投入产出的角度对我国高新区绩效评价是较为必要的，原因有三：其一，使用DEA 对高新技术企业进行创新效率的分析是较为主流的研究方法，因为DEA 模型可以针对组织投入产出效率进行测度，但传统的DEA 模型未考虑环境因素和随机干扰因素的影响，两阶段DEA 对组织投入产出过程需要人为地分阶段考虑，主观因素过高，而三阶段DEA 可以很好地避免上述缺点，并且能够分析环境因素对研究对象效率提高的制约程度。其二，大多文献对高新技术产业、高新技术产业开发区、中小型创新企业等组织的绩效评价研究多集中于创新功能，而我国高新技术产业开发区的运营模式多是以政府主导，其功能定位具有综合性和发展性的特点，因此对高新区绩效评价也应该是多方面的，而不应该集中于创新效率一点。其三，组织绩效是组织生产任务完成的效率和效果，核心在于强调内容或者目标的达成程度，可以用来解释组织投入与产出的关系。基于上述，以下本研究从投入产出角度，运用三阶段DEA 模型对我国高新区的绩效评价进行研究。

3 指标选取与数据来源

3.1 指标选择

3.1.1 投入产出指标

国内学者对于高新区绩效评价指标的选择目前还没有统一认识，但绝大部分学者都选择了科技活动经费支出、R&D 经费支出、R&D 活动人员数量、年末从业人员、科技机构数、企业个数等作为投入指标。依据柯布-道格拉斯生产函数，本研究认为影响高新区发展的主要投入要素是研发人员、科技资金和固定资产，综合其他学者的研究成果和指标的可获取性，结合有关统计年鉴的统计口径，选择科技活动经费内部支出、年末从业人员、年末资产作为投入指标。关于产出指标的选择，本研究认为高新区在产出方面主要围绕经济效益、科技效益和社会效益3 个方面，结合前人研究经验以及指标数据的可获取性，选择净利润、工业总产值、技术收入、出口总额和上缴税费作为产出指标，分别衡量高新区的经济效益、科技效益和社会效益。

3.1.2 环境变量

环境变量的选择应该满足既对高新区绩效产生影响，又不在样本主观可控范围内，即满足“分离假设”［2］。借鉴其他文献研究和高新区发展实际情况，考虑从宏观经济环境、政策支持、产业结构、市场开放程度4个方面提出影响高新区绩效的环境变量。

（1）宏观经济环境。市场的经济水平是高新区发展的土壤，因此地区经济发展情况会影响高新区投入决策，选择人均地区生产总值（GDP）作为衡量经济发展水平的指标［14］。

（2）政策支持。我国高新区具有政府主导运营的特色内涵，所以政策支持对高新区的发展起着至关重要的作用，因此选择地方一般公共预算支出代表政府对高新区的政策支持。

（3）产业结构。企业在空间上适度集中会逐渐展现产业集聚效应，然而在空间上过度的集中可能会引起恶性竞争、资源抢占等恶性行为，影响高新区进一步发展，因此选择工业企业数来衡量各地区的产业结构［2］。

（4）市场开放程度。随着经济的全球化，地区的开放程度对区域经济的影响越来越明显，所以选择当年实际外商投资金额作为地区开放程度的评价指标［2］。

3.2 数据来源及说明

从《中国火炬年鉴2019》《中国城市统计年鉴2019》《中国科技统计年鉴2019》中随机抽取40 个国家级高新区作为样本［15-17］。其中，由于长春高新技术产业开发区、哈尔滨高新技术产业开发区数据缺失，昆山高新技术产业开发区行政区域难以界定，因此剔除3 个样本，最终选择37 个高新区为样本1）。由于环境因素的相关数据难以查阅获得，故而采用高新区所在城市环境因素的相关数据来表征。

4 实证结果及分析

4.1 第一阶段：传统DEA 模型

在三阶段DEA 的第一阶段中，通过构建BCC模型对样本高新区的综合效率、纯技术效率、规模效率及规模报酬进行分析，使用Deap.2.1 运行程序协助运算，结果如表1 所示。在没有剥离环境因素和随机误差的影响下，2019 年样本高新区的综合效率、纯技术效率和规模效率平均值分别为0.89、0.93、0.95，反映出高新区的规模效率总体高于纯技术效率，说明在综合效率中规模效率起主要作用。而在不考虑环境因素和随机误差的干扰下，天津、呼和浩特、沈阳、鞍山、无锡、常州等16 个高新区的绩效位于生产前沿面上，即纯技术效率和规模效率均为1，技术管理和资源配置相对有效；太原、郑州、长沙、汕头4 个高新区的综合效率不到0.7，处于绩效低下的状态，值得注意的是，这4 个高新区是由于纯技术效率低下而导致综合效率较低，而纯技术效率低下反映了技术管理存在一定的问题；多数高新区（17 个）的综合效率处于0.70～0.99 之间，其中有7 个高新区的综合效率在0.90 以上。综合来看，2019 年样本高新区整体的情况是较好的。

表1 2019 年样本高新区效率值

4.2 第二阶段：随机前沿分析（SFA）

在第二阶段中，由于第一阶段计算得出的投入松弛变量会受到外部环境因素和随机干扰的影响，所以采用SFA 模型对第一阶段计算的投入松弛变量进行回归分析，用来剔除环境因素和随机干扰对高新区绩效投入的影响。以环境变量人均GDP、地方一般公共预算支出、工业企业数、当年实际外商投资金额为解释变量，以第一阶段计算得出的科技活动经费内部支出、年末从业人员、年末资产的投入松弛变量为被解释变量，使用Frontier4.1 程序进行运算，结果如表2 所示。可以看出，环境变量的SFA 回归系数大多都能通过1%的显著性水平检验，LR 值均大于检验的标准值，且gamma 值均通过了1%水平下的显著性检验，说明投入松弛变量受环境变量的影响较大。另外，当回归系数为正时，表示增加该解释变量将会增加投入松弛变量，从而产生更多冗余；当回归系数为负值时，该解释变量的增加则有利于投入松弛变量的减少，从而减少浪费、提高效率。具体分析结果如下：

表2 变量第二阶段模型回归结果

（1）当年实际外商投资金额对科技活动经费内部支出、年末资产、年末从业人员投入影响为正向，且对年末从业人员通过1%的显著性水平检验，说明随着外商投资金额的增加，样本高新区在人员、资金、物产上的投入并不能转化为有效产出，尤其是在人员上的投入会造成更大的浪费。

（2）工业企业数与科技活动经费内部支出的松弛变量回归系数为正，与年末资产和年末从业人员的松弛变量回归系数为负，说明工业企业数的增加会减少高新区在年末资产和从业人员上的浪费，促使资源更有效地利用；但如果按照现阶段资金投入的程度继续增加，则会造成科技活动经费的浪费。这从一定程度上反映了产业集群效应，当高新区内工业企业数增加，大部分的人力和物力会得到更加充分的利用。

（3）地方一般公共预算支出对科技活动经费内部支出、年末资产的松弛变量回归系数为正，对年末从业人员的松弛变量回归系数为负，说明地方一般公共预算支出的增加会导致高新区科技活动经费内部支出和年末资产的冗余，但可以使从业人员被有效的利用，表明政府在政策或者财力上对高新区发展的支持力度较大，过多的投入会产生更多的浪费，阻碍资源的整体盘活，同时有利的资金支持会优化现有科研资源，从而减少人力的浪费。

（4）人均GDP 对科技活动经费内部支出、年末资产、年末从业人员的松弛变量回归系数均为正，说明人均GDP 的增加会导致这3 项投入冗余增加，反映了部分发达地区的资源投入虽然充足，但却没有合理优化资源配置，造成了整体效率的低下、绩效水平相对落后。

4.3 第三阶段：调整投入后DEA 实证结果

在第三阶段中，将调整后的投入数据和原产出数据代入传统的DEA-BCC 模型，利用DEAP2.1 进行运算分析，重新计算样本高新区的综合效率、纯技术效率、规模效率和规模收益的情况，结果如表1 所示。在剔除环境和随机干扰因素的影响后，有18 个决策单元综合效率有效为1，分别是北京、天津、石家庄、太原、长治、沈阳、鞍山、常州、南昌、武汉、深圳、南宁、重庆、成都、昆明和西安高新区，表明这些高新区资源配置合理，各种投入充分发挥了效用，园区内企业技术水平和管理水平处在领先地位，绩效水平较高。

4.3.1 综合效率分析

在剔除环境和随机干扰因素的影响后，高新区综合效率平均值由0.89 上升至0.90，表明大部分高新区的综合效率均有提高，但从数据来看，有8 个高新区的综合效率在调整后出现了下降，具体如图1 所示，说明在没有考虑环境因素影响的情况下，使用传统DEA 模型会使某些环境因素较差的高新区出现综合效率水平虚高的情况，不能反映高新区真实的绩效水平。其中，综合效率处在前沿面上的高新区有16 个，分别是天津、沈阳、鞍山、常州、南昌、武汉、南宁、重庆、成都、昆明、西安高新区，还有5 个高新区经调整后实现了综合效率有效，分别是北京、石家庄、太原、长治和深圳高新区；上海、南京、杭州、福州、青岛、郑州、长沙、广州、珠海、汕头和贵阳高新区的综合效率都有了明显提升，其中郑州和长沙高新区效率值分别提高0.26 和0.23；而呼和浩特、无锡、苏州、合肥和海口高新区经调整后综合效率从有效（效率值为1）变为无效（效率值小于1），另外，唐山、大连、本溪、宁波和济南高新区综合效率值也出现不同程度下降，其中本溪高新区的综合效率值下降最多，从0.90 下降至0.35。

图1 2019 年样本高新区综合效率调整前后变化对比

4.3.2 纯技术效率分析

在剔除环境因素和随机误差的影响后，样本高新区的纯技术效率平均值由0.93 提高至0.96，77.7%的高新区纯技术效率值为1，处在有效前沿面上，总体水平有所提高，具体如图2 所示。调整后，有28 个高新区的纯技术效率值为1，其中20 个高新区的纯技术效率值不变，石家庄、唐山、太原、长治、杭州、福州、青岛和长沙8 个高新区处于有效前沿面上，实现了纯技术效率有效。值得注意的是，太原高新区调整前的纯技术效率仅为0.65，长沙高新区调整前的纯技术效率也仅为0.75，两地的高新区发展受环境等因素影响较大。其余高新区中，郑州和汕头高新区的纯技术效率值分别增加0.26 和0.11，调整后也接近有效前沿面，另外7 个高新区的纯技术效率值有较少下降，其中苏州、宁波、合肥、海口高新区的纯技术效率从有效变为无效。

图2 2019 年样本高新区纯技术效率调整前后变化对比

4.3.3 规模效率分析

样本高新区规模效率平均值经过调整后，由原来的0.95 降低为0.93，整体水平下降，有13 个规模效率值有效的高新区依然处在前沿面上，有11 个高新区规模效率值有所增加，有13 个高新区规模效率值有所下降，具体如图3 所示。其中，5 个高新区规模效率有较大幅度的下降，本溪高新区由0.90下降为0.35，海口高新区由1 下降至0.93，唐山高新区由0.85 下降至0.64，汕头高新区由0.90 下降至0.72；在规模效率有所上升的11 个高新区中，仅有较发达地区的北京、南京和广州高新区增幅较大，分别从0.72、0.85、0.74 增长至1.00、0.95、0.86，其余石家庄、长治、上海、青岛、长沙、深圳和珠海8 个高新区的规模效率增幅均在10%以下。当决策单元规模效率小于1 时，如果规模报酬递增，说明投入与产出成正比，则应当提高投入；如果规模报酬递减，说明投入与产出成反比，则应当减少投入。在数据调整前，20 个规模效率无效的决策单元中有13 个高新区的规模报酬呈递增状态，7 个呈递减状态；调整后规模报酬递增和递减决策单元比例不变，但有9 个决策单元的规模报酬状态发生变化：呼和浩特和海口高新区规模报酬变为递减，无锡、苏州、郑州高新区规模报酬变为递增，北京、石家庄、长治和深圳高新区规模效率由无效变为有效，所以这些高新区的投入产出成等比例变化。

图3 2019 年样本高新区规模效率调整前后变化对比

5 研究结论及对策建议

本研究以2019 年我国37 家国家高新区统计数据作为研究样本，运用三阶段DEA 模型对其剔除环境和随机误差前后的综合效率、纯技术效率、规模效率以及规模报酬进行了测算，以求得到更接近真实的高新区绩效。根据测算结果，可以得出以下结论：

（1）环境因素和随机误差影响会造成大部分高新区综合效率被低估估、规模报酬与实际情况不符的现象，说明环境因素和随机误差确实干扰了高新区绩效评价的真实结果，也更进一步说明了三阶段DEA 模型相较于传统DEA 模型的优越性。剔除环境因素和随机误差影响后，大部分高新区的综合效率和纯技术效率均有提高，但规模效率有所下降，表明在不考虑环境因素和随机误差的影响下，各高新区的纯技术效率会被低估、规模效率会被高估，且被低估程度大于被高估程度，最终导致综合效率的低估。对比第一和第三阶段规模报酬的变化情况，规模报酬递增和递减的总体比例保持不变，但有24%的高新区规模报酬情况发生变化。由此可见，如果以第一阶段的结果对高新区的管理、技术、资源配置情况进行评估并作出决策，则可能进一步拉低高新区的整体绩效水平。

（2）高新区综合效率无效的原因主要来源于规模效率无效，在19 个规模效率无效的高新区中，有一半以上的高新区规模报酬处于递增阶段。样本高新区中，北京中关村国家自主创新示范区是最大的高新区，进驻企业有24 892 家，其次是上海张江高新技术产业开发区，进驻企业有8 180 家，但仅为北京中关村的33%；有13 个高新区的企业进驻数不足千家，这些高新区通常多集中于偏远地区，其中呼和浩特高新区仅有26 家企业。可见大多数高新区的规模仍然偏小，特别是经济较为落后的西北部和东北部地区，多数高新区的进驻企业不足百家，所以这些地区的高新区整体规模效率相对落后，这也是制约这些地区高新区发展的最主要原因之一。

（3）市场开放程度、宏观经济情况对科技活动经费内部支出、年末资产和年末从业人员3 项投入松弛的影响均为正值，说明高新区的资源配置没有处于最优的状态，会造成更多的浪费；产业结构对年末资产、年末从业人员投入松弛的影响为负值，政策支持对年末从业人员投入松弛的影响亦为负值，说明在此环境下高新区能够减少相应投入的浪费，属于优势环境因素。

为进一步优化我国高新区的资源配置，提升运营效率，提高绩效水平，基于上述结论，提出以下对策建议：

（1）政府、高新区管委会等管理部门应当重视把握本地经济、政策、产业结构、市场开放程度等环境因素的实际情况，科学论证高新区发展定位，改进管理手段，提高管理水平。研究表明以上环境因素均对高新区绩效水平有一定影响，因此各地政府应明确环境的重要作用，营造良好的经营环境，为高新区管理发展提供指导意见。对技术效率较低的高新区，政府应当加强管理制度的设计和机制创新，优化高新区管委会工作效率，提高内部管理水平。

（2）政府应结合实际统筹规划高新区资源投入规模。对于处于规模报酬递增的高新区，应在结合当地实际情况下进一步扩大高新区规模，提高绩效水平；对于处在规模报酬递减的高新区，应适当调整资源配置结构，保守发展，避免过度浪费。每个高新区有自己的发展特点，每个地区的环境水平也各不相同，所以高新区的科学发展应当是“量身定制”，而不是盲目扩大规模、过度投入，遵循可持续发展经营理念才能有效提高创新转化率，提高高新区绩效水平。

（3）政府应发挥政策的协调和导向作用，合理引流。我国高新区整体绩效水平较好，但进一步提高运行效率还需调整投入要素结构，优化人力、资金和各类资源的配置，充分调动现有资源，发挥政策导向和协调作用。另外，推动各地区高新区开放合作，引导创新资源合理流动，弥补自身发展缺陷，缩小各地区之间环境差距，形成金融、人才、科技、信息等资源共享的机制。

注释：

1）样本高新区名称分别用其所在城市来简称。