省域科技企业孵化器运营绩效评估

■钱 坤 孔令媛 张晓建 田 男

(1.南京财经大学会计学院，江苏南京210023；2.坤元资产评估有限责任公司，浙江杭州310013；3.青岛西海岸新区工业和信息化局，山东青岛266555）

一、引言

自1987年中国第一家孵化器——武汉东湖新技术创业中心出现起，我国科技企业孵化器的数量逐年增长，2017年底已达到了4 063 家，居世界首位。随后的2018 和2019年，我国孵化器数量继续增长，达到了5 206 家（如图1）。据科技部火炬中心数据显示，2017年我国孵化器孵化基金总额就已超过840亿。鉴于我国的孵化器是政府重要的产业转化中心，前期离不开各项孵化资源的支持，从政策层面来说，为了让投入资源利用效率实现最大化，需针对其发展情况制定不同的投入方案。因此对不同地区孵化器的运营绩效进行评估，分析运营绩效的区域差异，对于政府有关部门决策制定具有重要的参考意义。

图1 1995-2019年全国科技企业孵化器数量变动情况

国内外对于如何评估孵化器运营绩效已经有了一定的研究基础。在样本的范围选择上，国外学者多为探究国家范围内孵化器的绩效情况，而国内的一些学者选择部分省市的孵化器作为研究对象。Jos等（2012）[1]分析比较了国内五种性能类别的孵化器绩效差异；Johanna Vanderstraetend 等（2016）[2]通过实证分析巴西国内的数家孵化机构的运营情况发现针对性的服务对孵化器的生存和成长具有重要的作用；Martin Luke 等（2019）[3]运用大量意大利初创企业的数据研究了孵化器对于企业成长的作用。在国内，翁莉、殷媛（2016）[4]选择了长三角地区的孵化器作为研究样本，探究了上海孵化器效率低于其他两省份的原因；何慧芳、黄灏然、方凯（2018）[5]对广东省内的二百余家孵化器进行了实证分析，发现深圳的孵化器绩效远优于其他城市；李庆博、刘西明（2018）[6]着眼于位于天津的孵化机构，分析了创新对于孵化绩效的影响。

对于衡量孵化器绩效的模型，国内外学者有着多样化的选择，得出的结论也各有不同。Sung 等（2003）[7]提出可以在实践中使用线性和非线性的数学手段作为孵化器绩效主要的研究工具；K.F.Chan 和Theresa Lau（2005）[8]提出了九个指标下孵化器评价的思路并指出孵化器要想发挥最大作用需要与被孵企业的成长状态紧密结合;李恒光（2007）[9]对国内外指标体系进行了介绍，并构建了3C 系统分析框架用来对孵化器的绩效进行有效评价；王宪明（2013）[10]对我国孵化器整体进行了宏观分析，又对部分的孵化器企业运用DEA 模型进行了针对性的研究；关成华等（2018）[11]使用倾向得分匹配法分析了税收等因素对孵化器绩效的影响；梅强等（2018）[12]利用了IPA 这一分析方法从竞争力的角度评价了具有连锁关系的孵化器；黄攀等（2019）[13]运用单因素方差分析和多重检验等统计分析方法比较了不同控制主体下孵化器绩效的差异；朱媾、周振江、苏瑞波（2020）[14]利用了随机前沿模型发现广东经济落后地区技术反而更加先进。

从现有研究可以发现，国内基于全国背景下对孵化机构运营绩效的评估的文献相对较少，但传统DEA 模型在环境变量、随机因素等多重因素干扰下，难以得出精确的运算结果，进而也无法对呈现出的问题提出具有严格针对性的意见和建议。本文将科技企业孵化器运营绩效评估范围扩大至全国，以31个省级行政区划的孵化器作为研究对象，运用三阶段DEA 模型，在传统DEA 模型基础之上利用随机前沿函数将松弛变量分离出环境变量与随机噪声的影响，所得出的对策建议将更具参考价值。

二、模型介绍及指标选取

（一）研究模型介绍

1.传统DEA 模型

数据包络分析方法（DEA）是一种从投入和产出两个角度对数个决策单元（DMU）进行效率评价的方法，认为效率等于产出与投入的比值，比值最高的决策单元被视为最有效的决策单元，通过每个决策单元的效率与最优效率的比值来判断其他决策单元效率是否相对有效。DEA 有两种基本模型，即CCR 模型与BCC 模型，二者的不同点在于CCR 假设规模报酬不变，得出的结果仅有综合效率，而BCC 模式设定规模报酬可变，认为技术效率=纯技术效率×规模效率，在此种情况下数据结果不仅可以衡量决策单元的综合效率，还可以分析综合效率中纯技术效率与规模效应发挥的作用。

鉴于效率由投入和产出共同决定，对于效率的评价分析可以从投入与产出两个不同角度来进行，即投入导向与产出导向，投入导向为一定产出下探究投入的减少，产出导向为一定投入下探究产出的增加。理论上来两种角度都可以运用，但从孵化器运行实际来看，我们仅能控制投入的成本（土地、人员等），产出往往难以调整，再加上本次研究需要分析技术与规模效应发挥的作用，本次DEA 分析将选取投入角度下的BCC 模型。

2.SFA 模型

随机前沿分析(SFA)是指用随机前沿函数进行效率分析的方法，考虑了随机因素对于产出的影响，在决策单元的绩效评价过程中可将误差项中各因素的效果分离出来。SFA 视角下生产函数f(x)表达为：

3.三阶段DEA 模型

最早提出将SFA 与DEA 结合在一起（也就是三阶段DEA 模型）的是Fried 等人，他认为传统DEA模型中的决策单元受到其自身因素的影响，而SFA模型可以分离出各种影响。在三阶段DEA 模型中，首先将选择的投入变量与产出变量应用于传统DEA模型中得到初步分析结果，可以发现各决策单元投入变量的实际值与目标值存在差距，形成松弛变量，利用随机前沿手段可以对松弛变量进行进一步分析，即各决策单元反映低效率的松弛变量可以被分解为环境因素、管理无效率和随机噪声。通过用SFA 模型对松弛变量进行回归分析，参照陈巍巍等学者（2014）的管理无效率分离公式①陈巍巍,张雷,马铁虎,刘秋繸.关于三阶段DEA 模型的几点研究［J］.系统工程，2014，32（09）：144-149.可以分离出环境变量与随机噪声的影响，将产出指标和经过处理后的投入指标再次应用于传统DEA 模型中，可以得到新的分析结果，通过两次DEA 分析结果的对比可以衡量环境变量对于决策单元发挥的作用，从而达到研究目的。

（二）指标体系构建

本次研究以科技部火炬中心颁布的《中国火炬统计年鉴2020》为数据基础，选择了截止至2019年底各省科技企业孵化器的各项指标作为样本，最终样本为31 个地区的共5 206 家科技企业孵化器。目前关于科技企业孵化器绩效的评价的研究手段还是以DEA 模型为主，在投入指标选取方面，参考代碧波、颜振军等学者研究，本文将选取管理机构从业人员（X1）、孵化基金（X2）、当年新增企业数（X3）、孵化场地面积（X4）作为投入指标，当年毕业企业数（Y1）、孵化器总收入（Y2）、当年获风险投资额（Y3）作为产出指标。

三、实证分析

（一）第一阶段DEA 模型运行结果

本次研究运用了DEAP-xp 软件对搜集来的数据进行了处理，采用了投入导向的BCC 模型，设定规模报酬可变，得出的初步分析结果如下：

表1 传统DEA 模型指标选取

表2 一阶段DEA 运行结果

注：作者根据2020年中国火炬统计年鉴计算整理所得

图2 一阶段效率分布图

我国科技企业孵化器平均综合效率为0.625 低于1，整体来看我国的孵化器综合效率尚未达到相对有效，具有较大的成长空间。规模效率的平均值略高于技术效率，对综合效率的贡献更大，未来国家可考虑将技术效率的提高作为扶持孵化器产业的侧重点，加大孵化器技术层面的投入。综合效率达到1 的北京、内蒙古、海南、云南、西藏5 个省份处于综合效率有效的水平；技术效率为1 代表这5个省份技术水平处于行业前列，规模效率为1、规模报酬不变表明这几个省份的目前发展规模已经达到比较理想的水平。在余下的综合效率没有达到有效的省份里，天津、河北、上海、江苏、浙江、江西、河南、湖北、广东共9 个省份技术效率达到1，说明这几个地区的技术水平已经达到前列，综合效率不高主要是规模效应引起的，而剩余的17 个地区综合效率不高则是规模效应和技术水平不高两个因素共同引起的。在综合效率小于1 的省份中，所有地区都处于规模报酬递减阶段，那么这部分地区未来要提高运营绩效需要控制孵化器增长规模。

从图3 可以发现技术效率与规模效率均高于平均值的有北京、内蒙古、辽宁、江苏、江西、湖南、海南、云南、西藏共计9 个省份，说明这些地区的技术效率与规模效率都居于全国前列；四川与上海的技术效率与规模效率都低于平均值，表明未来这两个省份孵化器的建设技术与规模效应都应受到重点关注。整体来看技术效率高于平均值的省份共有17 个，占全国的54.84%，规模效率高于平均值的有19 个省份，占全国的61.30%，两者的表现情况较为接近，表明孵化器效率在数值分布上较为均衡。

图3 一阶段DEA 纯技术效率与规模效率比较图

从分布来看，我国东北、华东、华中和西北地区暂无综合效率达到有效的省份，落后于其他地区。北方地区技术效率普遍较低，可见我国的孵化器的绩效水平存在分布不平衡的问题。华东、华中地区提升孵化器绩效的关键点在于提高规模效率，鉴于这几个地区目前均位于规模报酬递减的阶段，未来需要通过控制物质投入控制规模增长来提高绩效水平；东北、西北地区技术效率不高是核心问题，未来孵化器发展的侧重点在于管理水平的提高及科研资源、技术人才的投入。而西南地区技术效率与规模效率有效的地区都不多，未来上述两方面都值得关注，发展技术，控制规模，最终提高整体运营效率。

表3 一阶段DEA 各区域不同效率水平省份数量

图4 一阶段效率区域分布图

（二）第二阶段 SFA 模型回归结果

本阶段主要是为了分离出环境变量、随机噪声对孵化器效率值的影响，将所有地区置于相同的环境之下，然后再衡量各地区孵化器的运行效率。

参照学者们在测度效率时选取环境变量指标的考虑因素，结合本次研究目的及数据的搜集情况，本次分析选取环境指标为2019年各省公办本科大学数量、各省发明专利申请受理量(项)和各省的人均GDP。利用一阶段DEA 的运行结果，可以得到各地区投入指标的松弛变量（即实际值-目标值）。

以四个投入指标的松弛变量作为因变量，以公办本科大学数量、各省发明专利申请受理量( 项)和各省的人均GDP 作为自变量，运用FRONT41-xp1 软件，对四个投入指标进行了调整。三个指标的gamma 值都非常接近1，且结果已通过广义单边似然比检验，因此SFA 模型是适用于本次研究的。另外，σ2的值较大，且大部分数值通过了1%的显著性检验，表明管理无效率造成的影响是占主导地位的。

各环境变量的系数正负情况代表其对各松弛变量的影响方向。由结果可见数据基本上都通过了1%的显著性检验。各省发明专利申请受理量(项)、人均GDP 对松弛变量的影响基本都是负向的，明显各省发明专利申请受理量( 项)越多，区域技术创新能力越强，技术水平越高，投入的实际值越接近目标值，投入的冗余越小；财政收入越多，用于孵化器运营的资金越充裕，使得硬件条件能够及时升级，也吸引了更多技术人才的涌入，自然对于孵化器绩效的提升也具有推动作用。公办本科大学数量对松弛变量的影响是正向的，即公办本科大学数量与孵化器数量越多，投入的实际数值与目标数值的差别越大。

表4 环境变量及解释

（三）第三阶段调整后DEA 模型运行结果

将经过处理后的四项投入变量和三项产出变量又应用于DEA 模型，得到新的分析结果。

表5 二阶段SFA 模型回归结果

表6 三阶段DEA 运行结果

续表

图5 三阶段效率分布图

经过对无关要素的剥离后，综合效率平均值为0.746，较一阶段DEA 运行结果有所升高，纯技术效率值为0.892、规模效率值为0.832 也比一阶段要高，说明在相同环境的条件下，我国科技企业孵化器技术水平总体都已经达到较好水平，但技术水平、规模报酬还有提升空间。综合效率有效的省份升高到了10 个，为北京、河北、山西、内蒙古、辽宁、上海、江苏、江西、河南及西藏；在规模效率未达到有效的区域中，浙江、湖北、广东、广西、海南、云南六个地区达到了技术效率有效，表明这六个地区孵化器技术水平已经达到行业领先位置，现阶段主要是规模效应制约效率的提升。除浙江、安徽、福建、山东、湖北、湖南、广东、四川、陕西9 个地区处于规模报酬递减阶段外，其余12 个综合效率未达到有效地区都处于规模报酬递增阶段，即孵化器数量越多，综合效率会越高。可见未来我国孵化器数量规模的不能一味增长或缩减，应针对各地区规模效率的表现情况制定不同的方案。

在三阶段DEA 结果中不难发现位于效率领先的省份升至13 个，北京、河北、山西、内蒙古、辽宁、上海、江苏、江西、河南、湖南、湖北、广西、西藏处于领先地位。云南、海南的规模效率不再高到平均值，说明环境变量对于云南、海南的孵化器建设具有良好的推动作用；而河北、陕西、上海、河南、湖北、广西在剔除环境影响之后跃进行业前列，表明公办本科大学数量、各省发明专利申请受理量(项)和各省的人均GDP 对于这6 个省份的制约效果明显。技术效率与规模效率都低于平均值的只有贵州、甘肃两个省份，从这个角度来看我国孵化器的绩效整体表现良好。所有省份中技术效率超过平均值的升至21 个，占全国的67.74%，规模效率超过平均值的省份仍未19 个，占全国的61.30%。

图6 三阶段DEA 纯技术效率与规模效率比较图

表7 三阶段DEA 各区域不同效率水平省份数量

在三阶段DEA 结果中，依然是华北、华东处于效率领先地位，西北、西南和东北地区处于孵化器发展落后阶段，尤其是技术效率较为落后。如图8所示，东北、西北地区综合效率的平均值较第一阶段有所降低，说明各省发明专利申请受理量（项）、人均GDP 对西北地区孵化器起到的作用大于公办本科大学数共同起到的作用，从而环境变量整体上是促进孵化器绩效提升的；而其他地区综合效率平均值均上升，尤其是华北、华中、华东地区效率上升幅度很大，可见公办本科大学数这一环境变量对这些地区的孵化器绩效的制约效果较为明显。

图7 第三阶段效率分布图

图8 调整后各区域综合效率变动情况

图9 调整后各省份综合效率变动情况

具体到省份来看，除天津、海南、贵州、云南、青海、宁夏、新疆外，其余未达到综合效率有效的省份的综合效率较一阶段DEA 的结果都有所上升，且大部分增长幅度较大，表明环境变量与随机噪声对这些地区的孵化器运营绩效影响较为显著。

四、研究结论及建议

（一）研究结论

本文运用三阶段DEA 模型，对2019年的31 个地区的共5 206 家科技企业孵化器的运营绩效进行了实证分析，得出结论如下：

1.我国孵化器绩效水平有一定提升空间。我国的31 个省份中只有10 个达到了综合效率有效，16个省份达到技术水平有效，10 个省份规模效率达到有效。综合效率平均值只有0.746，有一定成长空间；规模效应平均值为0.832，纯技术效率的平均值0.892，均有较大提升空间。

2.孵化器绩效水平存在区域差异。东北、西南、西北地区综合效率有效的省份数量较少，且综合效率无效省份的技术效率普遍不高，表明这三个区域绩效较低，技术水平较为落后；华南全部为仅技术效率有效地区，规模效应利用情况较差。西北、华北、东北大部分地区都处于规模报酬递增的阶段，需要有更多的孵化资金以及场地等资源投入来提升绩效；东北、西北地区的技术效率与规模效应表现均不理想，未来孵化器的发展不仅要提升硬件水平，软投入也要进一步加强。

3.各公办本科大学数量、各省发明专利申请受理量(项)和各省的人均GDP 作为环境变量都通过了广义单边似然比检验，意味着SFA 模型是适用于本次研究的。环境变量剔除后大部分省份的综合效率都提升明显，表明环境变量对孵化器的发展制约效果显著，这三个因素在未来的政策制定中值得关注。

4.公办本科大学数量对各松弛变量的影响为正向，各省发明专利申请受理量(项)、人均GDP 对各松弛变量的影响都为负向。表明政府的资金支持仍是孵化器初步发展的重要依托，充足的资金意味着孵化企业硬件设施得以及时升级，企业可以有足够的精力进行技术研发和最佳管理模式的探索。目前我国孵化基地的大部分企业为高新技术企业，特有先进技术是这些企业的绝对优势，而成熟的技术来源于发明创造，垄断地位来源于法律保护，专利拥有量成为孵化企业技术先进水平的衡量指标，拥有的专利越多，企业越有可能掌握更多的核心技术，提升其市场竞争能力。

（二）政策建议

1.注重科研队伍的建设。整体来看目前技术效率仍然制约我国孵化器运营绩效，因此未来建设的侧重点在于提高孵化器的科学技术水平，可从科研成果与科研人才两个角度入手。孵化机构应当充分利用已有的技术团队进行技术创新，同时注重技术保护，推动技术的市场化转移水平。对于人才的遴选，孵化机构要扩大范围，严格标准，可与高校合作引进高水平人才，各孵化器科研团队之间可以扩大技术交流范围，实现共同发展。国家应对孵化机构提供相应的人才发展政策支持。

2.制定针对性的扶持政策。我国的孵化器运营绩效区域差异明显，因此，针对不同特点的区域应制定具有一定差异性的扶持政策。对于技术发达的区域政策的侧重点在于加大资金投入力度，提供孵化场地，合理增加孵化器的规模；对于东北地区，应关注人才流失问题，发挥政策对于人才发展的引导作用，提高高精尖人才的待遇和保障水平；对于西南西北地区，政府可以考虑向经济发展地区吸取宝贵经验，一方面不断提高经济发展水平，一方面加强教育资源投入，吸引人才，留住人才，最终实现孵化器综合效率的突破。

3.完善孵化器考核和内部管理体系。孵化器的建立之前，应进行科学评估，从多维度分析其投资可行性，建立之后设立系统化的管理制度，明确各部门的责任，充分发挥各岗位的作用，对各项资源投入的风险提前进行预估，实现精准把控，建立并不断完善孵化资金、人力、场地以及各项资源投入的绩效考核体系。