基于三阶段DEA 的我国高新技术产业开发区内创新型产业集群创新效率研究

魏 谷，汤鹏翔，杨晓非，段俊虎

（1.科学技术部火炬高技术产业开发中心，北京 100045；2.北京航空航天大学，北京 100191；3.中关村技术经理人协会，北京 100083）

1 研究背景

国家科技部2011 年启动了“创新型产业集群建设工程”，进而在2013 年开始“创新型产业集群试点”认定工作。创新型产业集群旨在围绕战略性新兴产业，通过制度建设和机制创新，以政府引导的方式规划区域产业发展，促进资源的合理配置，促使产业转型升级和高新区的协同发展［1］。创新型产业集群在组织形态上由产业链上的跨行业、跨地域相关企业组成，具有技术含量高、知识密集的特点［2］。

国外发达国家十分重视创新型产业集群的培育和发展，并建设了许多著名的新兴产业集群，如美国的匹斯堡绿色科技产业集群、日本的大田机械和金属加工产业集群、德国的汉堡生物产业集群、英国的剑桥科技产业集群等。与国外不同的是，我国的创新型产业集群几乎都是政府主导的，政府在其建设上投入了大量的资源，那么这些投入在不同的创新型产业集群中发挥了哪些作用？投入产出效率情况如何？存在哪些影响创新效率的关键问题？要回答这些问题，就需要从投入产出的角度出发，测算我国创新型产业集群的创新效率，并进行比较与分析，找到制约各个创新型产业集群发展的瓶颈所在，为创新型产业集群管理部门提供参考。

国内外研究人员使用了很多方法来考察创新型产业集群的创新效率。Huixia Z 等［3］基于熵理论，选取集群结构、人力资本和信息三个关键因素及其耦合关系构建创新型产业集群的效率模型。孙智慧等［4］构建蛛网概念模型并基于主成分分析法对创新型产业集群的创新能力进行了评价，发现集群发展的关键因素是政府主导的创新环境。Bhaskaran［5］采用产出导向的DEA 模型对印度汽车零部件产业集群的创新效率进行了评价。周海涛等［6］使用荷兰监视器模型构建创新型产业集群能力评价体系，并采用主成分分析和DEA 的混合评价模型对广东省创新型产业集群进行了评价。林平凡等［7］基于层次分析法和DEA，评价并比较广东、江苏、浙江和山东的创新型产业集群的创新能力，发现广东的创新型产业集群综合创新能力优于其它三省。唐勇等［8］基于DEA-SBM 超效率模型对广东省创新型产业集群的创新效率进行评价，得出创新平台是对测算结果影响很大的一个投入变量。

由以上研究可以发现，基于DEA 模型考察创新型产业集群的创新效率，受到更多学者的重视，原因即在于DEA 理论在评价多投入产出的效率时有显著优势。但是，传统DEA 模型并未考虑外部环境因素和随机因素对创新效率的影响，这在很大程度上降低了DEA 模型在效率研究上的实效性。为了剥离环境因素和随机干扰的影响，一些学者使用三阶段DEA 对创新效率进行评价。刘满凤等［9］采用三阶段DEA 模型对我国高新技术开发区的创新效率进行研究，结果显示环境变量对各高新区创新效率影响显著。李洪伟等［10］运用三阶段DEA 模型对我国高新技术产业的投入产出效率进行了测算，发现剔除环境和随机因素后，各省市的效率值均下降显著。赵瑞静等［11］基于三阶段DEA 模型对河北省区域高新技术产业创新效率进行了研究，结果表明剥离环境和随机因素后，各市区的综合效率和纯技术效率被低估，且规模效率被严重高估。肖嘉奕等［12］利用三阶段DEA 模型对浙江省高新技术产业投资效率进行评价，发现各地区的技术效率被高估的原因是管理无效率和规模无效率。以创新型产业集群的创新效率作为评价对象的三阶段DEA 研究也有一些，如陈升等［13］利用三阶段DEA 模型测度我国创新型产业集群的创新效率，并分产业和分区域分析了集群效率。张冀新等［14］运用三阶段DEA 方法测算产业集群创新效率，并分析了战略性新兴产业技术效率之间的差异。

上述研究显示，基于剔除环境和随机因素的三阶段DEA，更好地描述了创新型产业集群的真实创新效率。问题在于，现有研究均以集群所在城市为环境背景，而我国创新型产业集群尚在起步阶段，更多体现为城市产业发展的新动能与新趋势，产业规模有限且与城市规模产业的联系也有限，因此以集群所在城市作为研究背景，难免过于宏观，客观上降低了环境和随机因素剔除前后的效率差异性。本文注意到目前我国109 个创新型产业集群中，80%位于国家高新技术产业开发区内。作为高新技术产业集聚发展的特定区域，国家高新区无疑与内嵌其中的创新型产业集群具有更为本质和直接的联系，集群的效率表现应受高新区的环境影响更大。为此，本文基于三阶段DEA 模型，以这80%在高新区内的创新型产业集群为评价对象，选取相应高新区的数据为环境变量，整体、分区域、分产业综合评价了创新型产业集群的创新效率。

2 三阶段DEA 模型

为了得到剔除外部环境因素及其他随机因素的影响后的决策单元（DMU），Fried 等［15］基于随机前沿分析（SFA）改进DEA 模型，提出一个新的效率评价模型——三阶段DEA 模型。三阶段DEA 模型通过似SFA 模型对环境变量与随机干扰项的影响进行调整，并更加全面考虑了投入（或产出）的差额值，从而使DMU 调整到同等外部环境下，计算出更加真实的DMU 效率情况。

2.1 第一阶段传统DEA模型（BCC）

第一阶段使用投入导向的BCC（规模报酬可变）模型，将技术效率（TE）分解为纯技术效率（PTE）与规模效率（SE）的乘积，计算公式如下：

其中，TE 表示技术效率，指的是投入不变时产出最大的能力；SE 表示规模效率，指的是生产规模经济性的发挥程度；PTE 表示纯技术效率，指的是剔除规模因素的效率。以原始投入产出数据计算初始效率，效率值等于1 时，说明DMU 是有效的并处于技术前沿面上；效率值小于1 时，表明该DMU 的效率无效，并可求出实际投入与目标投入的差值，即松弛变量。

2.2 第二阶段似SFA模型

第二阶段使用似SFA 模型来剔除环境变量或随机干扰等误差项的影响，分离出仅有管理无效率产生的投入松弛变量。因此，以实际投入与目标投入的差值为因变量，环境变量为自变量，构建SFA 模型如下：

2.3 第三阶段调整后的DEA模型

这一阶段将调整后的xAmn替换原始xmn，再次应用BCC 模型，重新计算各DMU 的效率。调整后的DEA 模型去除了外部环境和随机干扰的影响，可以得到更加真实的投入产出效率。

3 指标选择和数据来源

3.1 创新效率评价指标体系

创新型产业集群是多个投入和产出的动态复杂系统，主要涉及人力和资源等的投入，以及技术和经济等的产出。为了保证指标体系的严谨和科学，本文结合现有研究成果和可检索的指标数据，创建以下评价指标并加以解释。

（1）投入指标。第一，人力投入：人力资源是生产中的重要元素，而科研活动人员是集群技术创新的主要贡献者，科研活动人员的高效率对集群的创新效率有很大的促进作用，因此以科研活动人员数量作为人力投入指标。第二，资金投入：企业科技活动资金的充足是创新的保障，可以为集群创新提供各种必要的资源，因此以企业科技活动经费支出额作为资金投入指标。第三，服务投入：集群中的管理机构、创新服务机构、金融服务机构等可以为企业在科技企业孵化、产品检验、风险投资、知识产权等各方面提供必要的服务，是创新的有力保障，因此以集群日常管理机构人员、创新服务机构、金融服务机构以及其他服务机构数量（加权计算）作为服务投入指标。第四，技术投入：研发机构是技术创新的载体，是企业技术创新的平台，因此以研发机构数量作为技术投入指标。

（2）产出指标。第一，技术产出：技术产出是创新型产业集群的必要任务，其中技术性收入能反映产业集群的技术创新情况，当年发明专利能够表示产业集群的创新能力，因此以技术性收入额和当年发明专利数量（加权计算）作为技术产出指标。第二，经济产出：创新型产业集群通过持续产业创新收获创新价值，净利润可以反映集群创新价值的获取能力，因此以集群净利润总额作为经济产出指标。第三，区域发展产出：创新型产业集群的另一个重要贡献是为区域增长提供经济发展新动能，上缴税费可以基本反映集群的经济贡献能力，因此以实际上缴税费总额作为区域发展产出指标。

3.2 环境变量指标

考虑到影响创新型产业集群的外部环境以及现有研究成果和可检索的指标数据，本文从经济实力、技术产业结构、人才环境和对外贸易等四方面选取环境变量指标，考察其对创新型产业集群创新效率的影响。其中，经济实力：以年末资产总额来反映国家高新区经济发展水平。技术产业结构：以高新技术企业数来反映外部技术产业结构。人才结构：以大专以上从业人员占年末从业人员的比重来反映高素质人才结构。对外贸易：以出口总额来反映高新区对外贸易的发展水平。

3.3 数据来源

本文投入产出指标和环境指标相应数据都来自《2019 中国火炬统计年鉴》，为2018 年的统计数据。本文共选取了83 个创新型产业集群数据和它们所处的73 个国家高新区数据。为消除数据量纲差异的影响，所有数据均进行了标准化处理。

4 高新技术开发区内创新型产业集群的效率评价

4.1 第一阶段DEA模型的计算分析

第一阶段运用BBC 模型，并使用DEAP2.1 软件，对2018 年我国83 个创新型产业集群的投入产出数据进行分析，得到了这些集群的技术效率、纯技术效率和规模效率，如表1 所示。

2018 年我国创新型产业集群技术效率的均值为0.275，纯技术效率的均值为0.384，规模效率的均值为0.666。以上结果显示规模效率远大于纯技术效率，说明规模因素在创新型产业集群的技术效率中起主导作用，技术因素的影响力过弱。

不考虑环境因素和随机干扰的影响，83 个创新型产业集群中，中关村移动互联网产业集群等11 个集群处于效率前沿面上，其资源配置和技术管理效率相对最优。集群整体的技术效率很低，且差异巨大。技术效率大于0.8 的集群为12 个，而占83 个集群总数81.9%的集群的技术效率小于0.5，更有52 个集群的技术效率低于0.2，技术效率最低的是本溪制药创新型产业集群。纯技术效率大于0.8 的集群个数为18 个，低于0.2 的集群个数为39 个，占总体的47%，说明纯技术效率过低是技术效率低的主要原因。

表1 83 个创新型产业集群的技术效率、纯技术效率和规模效率

表1 （续）

4.2 第二阶段似SFA回归结果分析

在第二阶段，将第一阶段得到的四种投入的松弛变量作为因变量，以年末资产总额、高新技术企业数、大专以上从业人员占年末从业人员的比重、出口总额作为自变量，利用SFA 模型对两类变量进行分析，考察环境变量对投入松弛变量的影响，回归结果如表2 所示。

表2 SFA 回归结果

表2 （续）

从表2 可知，γ 均大于0.95，表示环境指标的选择较为合理。四个变量中的LR 单边检验均通过了1%的显著性检验，表示剥离环境变量是必要且合理的。

年末资产总额的系数在企业科技活动经费支出中为正，说明年末资产的增加会促使企业科技活动经费支出松弛变量的增加，反映出高新区的创新资源充足，资金投入大，但因为忽视了技术创新效率和管理效率，导致创新型产业集群的创新效率偏低。年末资产总额的系数在科研活动人员、服务机构和研发机构中均为负，说明年末资产的增加会造成人力投入、服务投入和技术投入的松弛值的减少，这表示高新区经济实力的提升可以促进创新型产业集群的资源聚集并改善运营效率。

高新技术企业数的系数在科研活动人员、服务机构和研发机构中均为正，表明高新技术企业数的增加会导致科研活动人员、服务机构和研发机构的投入冗余，这反映了集群侧重产业集聚，而忽视了技术创新效率和管理效率的提高。高新技术企业数的系数在企业科技活动经费支出中为负，说明高新技术企业数的增加会促进企业科技活动经费支出的相对减少，这体现了产业集聚后的规模效应会促进成本的降低。

大专以上从业人员占年末从业人员的比重的系数在全部投入中都为正，说明大专以上从业人员占年末从业人员的比重对各项投入的冗余影响较大，也表示这一比重的提升会导致投入松弛变量的增加。这既反映了我国产业创新领域人才结构的提升明显，也进一步说明了更高素质人才的集聚，将对创新型产业集群的技术创新有更大的促进作用。

出口总额的系数在科研活动人员中为正，说明出口总额的提升会导致科研活动人员的松弛变量的增加，这表示对外贸易水平越高，国际竞争力越强，就会促使越来越多的科研活动人员的涌入，科研活动人员也将面对更加强烈的竞争。出口总额的系数在企业科技活动经费支出、服务机构和研发机构中均为负，说明对外贸易的提升会促进集群中各种创新资源的有效利用，使管理效率和技术效率提升。

4.3 第三阶段调整后的DEA模型的结果分析

第三阶段再次使用Deap2.1 软件，以调整后的投入产出数据重新计算83 个创新型产业集群的技术效率、纯技术效率和规模效率（见表1）。由表1 可见，剥离环境变量和随机干扰后，83 个创新型产业集群中，中关村移动互联网产业集群等9 个集群处于效率前沿面上，表示它们的资源配置相对合理，技术投入发挥了很好的作用，创新效率高。

4.3.1 创新型产业集群总体创新效率分析

剔除环境变量后，创新型产业集群技术效率的平均值上升，由0.275 提高到0.434；纯技术效率的平均值大幅上升，由0.384 提高至0.834；规模效率则略下降，由0.666 降低至0.514。处于效率前沿面的集群总数由11 个减少为9 个，其中中关村移动互联网产业集群、丰台轨道交通创新型产业集群、大庆高新区石油化工新材料创新型产业集群、泉州微波通信创新型产业集群、深圳高新区下一代互联网创新型产业集群等5 个集群保持不变；齐齐哈尔重型数控机床创新型产业集群、芜湖新能源汽车创新型产业集群、济南智能输配电创新型产业集群、洛阳高新区轴承创新型产业集群由非技术效率有效转为技术效率有效；而新余动力电池创新型产业集群、济南高新区生物制品产业集群、襄阳新能源汽车创新型产业集群、珠海三灶生物医药产业集群、江门轨道交通修造创新型产业集群、乌鲁木齐电子新材料创新型产业集群则由技术效率有效转为非技术效率有效。

创新型产业集群平均纯技术效率得到很大的提升，有20 个集群处于前沿面上，纯技术效率都为1，还有15 个集群纯技术效率介于0.9 到1 之间，两者之和已占83 个集群总数的42%。这表明，剔除环境变量和随机干扰之后，被低估的效率值才能转化成真实的效率值。而规模效率总体是下降的，有接近总数60%的集群的规模效率值下跌。纯技术效率的大幅度提升和规模效率的降低表明，在剔除了环境因素和随机干扰后，国家高新区内创新型产业集群创新效率的提升，主要依靠的是自身管理效率和技术配置的合理、有效，而规模效应的体现则更多依赖于所在高新区的综合发展环境。这同时也说明，采用三阶段DEA 模型进行创新型产业集群创新效率分析，能够更加清晰地揭示提升集群创新效率的途径。

4.3.2 创新型产业集群分区域创新效率分析

国务院发展研究中心撰写的《区域协调发展的战略与政策》中把我国经济区分为八大综合经济区。因此，本部分以八大综合经济区分析分区域的创新型产业集群技术效率，结果见表3。在剔除环境变量和随机干扰调整前后，八大综合经济区内的创新型产业集群效率值变化显著，除西北经济区的技术效率下降外，其余地区的技术效率均上升；纯技术效率上升幅度很大；规模效率均下降。调整后技术效率最高的为东北地区，效率值是0.51，且升幅明显，这一方面说明东北地区创新型产业集群本身具有较强的发展素质，另一方面也可以看出东北地区的地域发展环境对集群的效率表现形成了较强约束；次高为黄河中游地区，效率值是0.505；而东部沿海地区虽然涨幅最大，但是技术效率水平依然不高，效率值为0.412，导致这一结果的根本原因是纯技术效率较弱。东部沿海地区是我国经济最发达的地区，在集聚创新资源上有很大优势，吸引了大量的人才、资金等注入，却没有达到效率前沿面的创新型产业集群，说明技术资源的配置不尽合理，须加强管理和资源配置能力，尽快提升技术创新水平。南部沿海经济区情况类似，调整后的规模效率值是0.563，规模效率在八大综合经济区中居首，但纯技术效率的落后导致总的技术效率只排在第三。

技术效率最低也是唯一下降的综合经济区为西北经济区，相关集群调整后的效率值为0.221，说明西北经济区中的创新型产业集群对外部环境变化的应对能力弱，抗击外部风险的能力也较差。但是值得注意的是，西北经济区调整后的纯技术效率达到了0.919，因此导致其技术效率下降的主要原因是规模效率过低，调整后的规模效率值仅为0.228，为八大经济区最低。这说明相对于其他经济区，西北经济区在创新资源的集聚能力上严重不足，创新型产业集群资源短缺，难以形成规模效益。技术效率次低的是西南经济区，虽然规模效率较西北经济区强，但是纯技术效率是八大经济区最低的，调整后的纯技术效率值为0.777，这说明西南经济区尚需进一步提高资源管理水平。也正因为如此，西北、西南两经济区的创新型产业集群具备可观的发展潜力，随着西部大开发计划和一带一路倡议的协同推进，这两个区域在创新资源集聚和管理能力上将会有质的飞跃，从而较大幅度地提升创新效率水平。

表3 调整前后八大综合经济区相关集群的创新效率

4.3.3 创新型产业集群分产业创新效率分析

国家统计局发布的《战略性新兴产业分类（2018）》中，将战略性新兴产业分为9 大类，分别为：新一代信息技术产业、高端装备制造产业、新材料产业、生物产业、新能源汽车产业、新能源产业、节能环保产业、数字创意产业和相关服务业。在剔除环境变量和随机干扰调整前后，按这9 大类产业划分的创新型产业集群技术效率、纯技术效率和规模效率的对比见图1、2、3。

如图所示，剥离环境变量和随机干扰后，各产业分类集群的效率值有很大变化。除了新能源汽车产业和数字创意产业，其余产业的技术效率均上升；所有产业的纯技术效率都有增长；大部分产业的规模效率降低，只有新能源汽车产业和新能源产业的规模效率有所增长。从图2 中可以发现，由于各产业分类集群的纯技术效率调整后大幅上升，纯技术效率值几乎在一个圆周上，造成了图1 技术效率和图3 规模效率调整后的效率值图形在一定程度上的相似性。这反映了，在不考虑环境因素的情形下，影响技术效率最大的因素是纯技术要素，而非规模要素。因此，较高的管理水平和技术创新水平才是驱动创新型产业集群发展的首要力量。

新一代信息技术产业和新能源产业相关集群技术效率和规模效率处于各大产业分类集群的前两位，效率值均大于0.6，但是其纯技术效率值却不是最高的，说明这两大产业的国家扶持力度大，集聚资源多，规模效应高，集群的发展主要得益于产业规模化。这也从另一个方面反映了这两个产业相关集群的管理效率与技术创新水平相对较低，成为制约这两大产业技术效率提升的瓶颈。因此，这两个产业相关集群应更加注重优化创新资源配置、提高技术创新能力，发挥创新资源的更大作用，提升其经济转化能力。

数字创意产业、节能环保产业和生物产业相关集群调整后的技术效率和规模效率是最低的，效率值均低于0.4。其中，数字创意产业的纯技术效率最低，仅有0.593，说明该产业的政策支持力度不大，资源集聚与技术创新能力均有所不足。节能环保产业和生物产业的纯技术效率相对较高，分别为0.877和0.834，说明这两个产业在集聚创新资源、收获规模效益上虽有不足，但其管理水平和技术创新能力较高，促进了集群技术效率的提升。

高端装备制造业、新材料产业、新能源汽车产业和相关服务业集群的技术效率和规模效率处于中间水平，效率值均在0.4 到0.6 之间，但这些产业相关集群的纯技术效率均超过了0.8，其中在9 大类产业中纯技术效率最高的是新能源汽车产业集群，表明这几类产业相关集群的资源集聚能力虽不是很强，但资源配置较为有效，管理水平也较高，在很大程度上提升了技术创新的效率。

图1 调整前后相关集群技术效率分产业对比图

5 结论

为了更好地反映我国创新型产业集群的创新效率，并对产生效率差异的原因进行深入分析，本文采用三阶段DEA 模型对2018 年我国高新区内83 家创新型产业集群的创新效率情况进行了考察。研究结果发现：采用传统DEA 和三阶段DEA 得到的技术效率值差异较大，传统DEA 未能真实客观地反映创新型产业集群的创新效率。未考虑环境变量和随机干扰时，绝大部分创新型产业集群的纯技术效率过低，规模效率往往被高估，造成技术效率被低估；剥离环境变量和随机干扰后，大部分创新型产业集群的纯技术效率有很大的增幅，规模效率降低，技术效率相应得到了提升。分区域看，东北经济区创新型产业集群的技术效率最高；经济发达的沿海地区创新型产业集群的技术效率因纯技术效率相对较低而没有达到最好；中部经济区创新型产业集群发展可观，技术效率较好；西部地区资源集聚能力弱，技术效率相对最低。分产业类别来看，新一代信息技术产业和新能源产业分类集群的技术效率和规模效率相对较好；数字创意产业、节能环保产业和生物产业相关集群的技术效率和规模效率相对较低；除了数字创意产业集群的纯技术效率最低，仅0.593，其余产业分类集群的纯技术效率均超过0.8。

基于上述结论，为进一步提升我国创新型产业集群的创新效率，本文提出以下政策建议：

（1）扩大创新型产业集群规模。集群创新效率的提升本质上依赖于有效的产业创新生态，而创新生态的形成无不以一定的产业规模为基础。创新型产业集群中只有大连信息技术及服务创新型产业集群、杭州数字安防创新型产业集群和惠州云计算智能终端创新型产业集群处于规模报酬递减的状态，其余创新型产业集群大多处于规模报酬递增状态，说明集群的规模还不够大，集群创新效率提升的基础尚不稳固。因此，应加大集群创新资源集聚力度，加速人才、资金、技术的有效供给，扩大集群规模，这样就可以从整体上进一步提升创新型产业集群的创新效率。

（2）提高管理水平和资源配置效率。规模是基础，效率是根本。在创新资源充沛、集群规模较大的地方，如经济最发达的东部、南部沿海经济区，特别应注重提升集群综合管理水平和资源配置效率，以克服由于纯技术效率较低而限制其创新效率提升的问题。

（3）注重各区域创新型产业集群的协调发展。我国东西部区域协调发展问题在创新型产业集群建设上表现得尤为突出。在创新资源相对匮乏的西部地区，集群规模效率的严重不足限制了其技术效率的提升。应着眼于集群协调发展，加大对西部地区创新型产业集群的政策支持力度，可以通过搭建协同创新合作平台、促进高新区产能合作、推进产业链协同等，加强集群间的技术交流和项目合作，加快扩充西部创新型产业集群规模，提高创新效率。