潘立军，刘喜梅

（湖南工程学院 管理学院，湖南 湘潭411104）

随着“一带一路”发展倡议与建设自主创新型国家战略的实施，国家级高新区已成为我国推动高新技术产业创新驱动发展和调整产业结构、增强国际竞争力的中坚力量。但目前我国国家级高新区的发展仍面临创新投入要素质量有待加强、创新绩效不高［1-2］等问题，提高自主创新能力与创新要素投入产出效率是各级科技园区主管部门关注的重点。因此，尤其需要关注我国各国家级高新区整体创新效率的定量评价，对优化园区投入产出结构值进行深入研究。

当前，国内外对创新绩效（效率）评价研究主要有随机参数前沿（stochastic frontier analysis，SFA）和数据包络分析（data envelope analysis，DEA）两种方法。 SFA 最 早 由Aigner、Lovell 和Schmidt［3］，Meeuser 和Broeck［4］提 出，在 此 之 后，涌 现 了 大 量SFA 分析创新绩效（效率）的文献，如Hsieh 等［5］利用SFA 研究美国医药行业企业R&D 投入对创新绩效的影响，冯根福等［6］利用Cobb-Douglas 函数和无效函数三个变量对我国35 个工业部门的研发效率进行实证分析，周亚虹等［7］在广义Cobb-Douglas 生产函数中考虑知识资本因素，并讨论R&D 内生性问题，实证检验我国工业企业自主创新的效率。

DEA 方面，自Charnes 等［8］最早提出CRS-DEA效率分析模型以来，该方法的研究与应用取得快速发展，在模型研究方面，Banker 等［9］提出VRS-DEA模型，Sharp 等［8］、Andersen［9］等分别提出非期望产出DEA 模型与超效率DEA 模型。而在应用研究方面，DEA 的应用场景极为丰富。白俊红等［10］应用CCR 模型、BCC 模型构造DEA-Malmquist 生产率指数动态对我国30 个省域研发创新过程中的技术效率情况进行了测评；王珍珍［11］利用超效率CCRDEA 模型对我国制造业与物流业联运发展的效率进行评价；Griliches［12］实证了美国制造业R&D 投入与创新绩效的相关性；李鸿禧和迟国泰［13］则用DEA模型测度了我国15 个副省级城市科技创新的总体投入产出效率；谭瑾等［14］则对常州市科技园区的创新效率进行了实证研究。

从已有的创新绩效（效率）评价的文献来看，研究单个区域、单个产业创新绩效的文献较多，尚无研究全国范围内国家级科技园区创新效率；在研究方法上多采用DEA 模型对各园区对象开展创新投入产出要素的效率评价，由于处在数据包络面上的评价单元的DEA 效率值均为1，故应用该方法评价无法对有效单元进一步区分，虽然超效率DEA 模型的区分度较好，但超效率值本质上反映的是被评价单元与其他单元所形成的数据包络面之间的关系，每个被评价单元所参照的数据包络面有可能不同，失去了效率评价的公平性。因此，本文采用广义DEA 方法［17］，建立统一的评价参考样本，对2017 年我国144 个国家级科技园区的创新效率进行全面评价。

一 广义DEA 模型的评价方法

（一）广义DEA 模型

该模型中有n 个待评价单元，其投入、产出分别用向量xp、yp表示，p=1，2，…，n；nˉ个样本单元，其投入、产出分别用向量xˉj、yˉj表示，j=1，2，…，nˉ；待评价单元与样本单元均具有相同数量的投入、产出要素。d 为正数，称为移动因子，可用来调节nˉ个样本单元构建数据包络面的位置，d=1，表示用样本单元来构建数据包络面，d＞1，表示提高样本单元的产出能力，向效率改进方向移动数据包络面，d＜1，则正好相反。可通过调整d值来提升评价模型的区分度。

式（1）为带有非阿基米德无穷小量ε 的目标函数，式（2）、式（3）表明广义DEA 模型中，被评价单元不参与构建数据包络面，模型中的数据包络面均由样本单元构建，式（4）表明该模型为规模效率可变的广义DEA 模型。

（二）基于广义DEA 模型的评价方法

广义DEA 模型中，样本单元负责构建统一的数据包络面，各评价对象均参照该包络面计算效率值，这就使所有的评价对象基于统一的评价标准进行评价，使评价更公平，其基本步骤如下：

第一步：利用DEA-CCR 模型对全部评价对象进行评价，选择DEA 强有效的评价单元作为样本单元，记该样本单元集为- -- -----DMU。

第二步：利用广义DEA-BCC 模型，以- -- -----DMU为样本单元，计算各评价单元的广义超效率值。

第三步：对第二步中超效率值计算结果为不可行的评价单元，增大移动因子d，再次利用广义DEA-BCC 模型，以- -- -----DMU为样本单元，计算其广义超效率值。

第四步：反复执行第三步，直到所有评价单元的超效率值均被计算出来。

第五步：利用各评价单元的超效率值进行排序与评价。

二 国家级科技园区创新效率评价

（一）指标选取与数据说明

参照传统投入产出的经济理论，根据我国国家级科技园区评价数据的可得性，选取“R&D 人员全时当量”作为劳动投入要素，选取“园区注册企业数”替代“场地”投入要素，选取“R&D 经费内部支出”作为资本投入项。对产出量要素的度量，选取“工业总产值”“上缴税费”与“出口创汇”三个指标，其分别从产业发展水平、市场绩效与网络绩效三个方面对国家级科技园区的创新产出绩效进行度量。运用《2017 中国火炬统计年鉴》数据，将2016 年我国144个国家级科技园区视为DEA 决策单元进行评价（因榆林、黄河三角洲部分数据缺少，故未纳入效率评价计算）。

（二）样本单元的选取

运用EMS3.1 系统，以144 个国家级园区作为决策单元，运用DEA-CCR、BCC 模型计算各决策单元的综合技术效率（TE）、纯技术效率（PTE）与规模效率值（SE），选取13 个TE、PTE、SE 均为1 的决策单元作为样本单元（见表一）。

表一 样本单元表

（三）评价结果

运用EMS3.1 系统，以表一的样本单元构建统一的数据包络面，利用广义DEA-BCC 模型，取d=1，对2015年我国144个国家级科技园区进行评价，得出127个科技园区的广义超效率值（表二中排序为18至144位）。对广义超效率值为无限大的17 个决策单元，进一步调整移动因子，分别取d=1.5、2、2.5、3、4、5.7计算广义超效率值进行排序区分（见表二中排序第一至第十七位），其中当d=1.5 时，排序区分第九至第十七位的决策单元，d=2 时，排序区分第六至第八位的决策单元，d=2.5 时，排序区分第四、第五位的决策单元，d=3 时，排序区分第3 位的决策单元，d=4 时，排序区分第2 位的决策单元，d=5.7 时，计算得出第一位的决策单元广义超效率值。排序结果显示北京中关村、上海张江、郑州三个国家新高新区的创新效率列当年全国前3 位，威海、武汉、长春、南宁、深圳、惠州、苏州等7 个国家级高新区创新效率分列全国第4到10 位，较好地反映了国家级创新园区基本创新效率的现状。

表二 2015 年国家级科技园区创新广义超效率值评价表 单位：%

续表二

针对创新效率评价值小于1的97个园区（d=1），表三对投入要素与产出要素的改进比例与改进目标进行了梳理。改进目标的计算方法分别为：x^p=θpxp-s-p、y^k=yk+s+k，其中x^p、y^k分别表示各投入、产出要素的改进目标值，对应表三目标值列，xp、yk为实际投入值与产出值，θp、s-p、s+k为广义DEA 模型的最优解，分别表示超效率得分值、第p 项投入的松弛变量、第k 项产出的松弛变量。改进比例的计算方法为（目标值-实际值）/实际值，对应表三的改进比例列。

表三 效率值小于1 的园区投入产出改进情况分析（d=1）

续表三

三 结果分析

由于所选参考样本集均为综合技术效率、纯技术效率与规模效率为强有效的园区，依据综合技术效率可拆分为纯技术效率与规模效率乘积的原理，有97个园区创新效率为综合技术效率、纯技术效率为无效，占园区总数的67.36%。分区域看，东部地区国家级科技园区整体创新效率相对较高，中部地区国家级科技园区整体创新效率相对较低（见表四），对创新效率小于1 的国家级科技园区进行创新效率改进（见表五）。

表四 分区域园区广义超效率值分布情况 单位：个、%

表五 分区域园区创新效率改进分析 单位：%

表五显示，97 个创新效率小于1 的国家级科技园区R&D 人员全时当量改进、R&D 人员全时当量、企业数量改进三投入要素可缩减的比例分别为63.01%、62.59%与62.26，而工业增加值、上缴税费、出口创汇三产出要素可增加的比例达13.21%、383.07%与248.75%。分区域来看，东部园区应重点关注入园企业质量，中部园区应重点关注研发经费的使用效率，提升园区企业的出口创汇能力，而西部与东北园区则应重点提升研发人员的使用效率，提升园区企业出口创汇能力。

四 对策及建议

国家级高新区作为我国实施建设自主创新型国家战略的中坚力量，提升园区创新效率势在必行，下一步应从以下三个方面提升创新能力与创新效率：一是大力提升创新性人才的质量与数量。科技创新人才是基础，经费是保障，一方面应加大国际性创新人才的引入；另一方面积极出台鼓励科技人员创新创业的政策，激发现有科技人才的创新热情，不断提高创新性人才的质量与数量。二是大力吸进成长性好的科技型中小企业入园，在资金、技术、服务、生活配套等方面为优质企业入园创造条件。三是大力引导园区企业走出去，开拓国际市场，扩大产品出口，促进技术创新与国际接轨。