中国东部三大城市群国家高新区创新效率及影响因素研究

马淑燕，赵祚翔，许 欣，王 丽

（1.中国科学院科技战略咨询研究院，北京 100190；2.中国科学院大学，北京 100049；3.首都师范大学资源环境与旅游学院，北京 100048）

创新是引领发展的第一动力，近年来我国深入实施创新驱动发展战略，持续加大科技创新投入。由于创新活动是一种综合的社会-技术-经济-政治现象，创新网络由复杂、非线性和动态的知识创造、传播和使用过程驱动［1-2］，使得创新产出与投入并非等比例增长，这意味着一味强调创新要素的投入可能导致创新资源的浪费。创新效率是系统的投入与产出的有效经济量的转化效率，如果提高创新效率，在一定的投入水平下等于增加创新产出，或在一定的产出条件下，等于节省创新要素投入［3］。因此，创新效率可以更好地体现区域创新水平和质量。党的十九大指出我国经济已进入高质量发展阶段，需要努力提高发展质量和效益。党的十九届五中全会强调，“坚持创新在我国现代化建设全局中的核心地位，把科技自立自强作为国家发展的战略支撑”。当前，创新在我国经济社会建设中的作用愈发凸显，在高质量发展阶段不仅应重视创新要素的投入，更应重视提高创新效率。本文关注创新效率的测算具有重要的理论和现实意义。

国家高新技术产业开发区（以下简称国家高新区），是我国实施创新驱动发展战略的重要平台，并在区域创新发展中承担着“增长极”的功能［4］。2018 年，我国共有169 家国家高新区，园区GDP 总额约占全国的12.3%，发明专利授权量约占全国的35.4%。国家高新区的创新效率不仅影响园区创新资源的优化配置，而且影响区域创新发展。城市群是我国参与全球竞争的重要载体，东部沿海的京津冀、长三角和珠三角城市群是我国经济最发达和创新能力最强的城市群，也是国家高新区集聚发展的区域。2018 年，三大城市群共拥有39 家国家高新区，占全部国家高新区的23.1%，其中7 家综合排名在全国前十，22家综合排名在全国前五十。因此以京津冀、长三角和珠三角三大城市群为研究区域，进行国家高新区创新效率测度和相关影响因素分析，揭示三大城市群国家高新区的创新效率差异特征，对优化提升国家高新区创新效率，促进三大城市群加快协调发展和创新发展具有重要意义。

1 文献综述

技术效率的概念最早由Farrell［5］提出和应用，他认为一个经济单元如果在给定投入下，不能获得最大可能性产出，则是技术无效的。随着全球对创新的愈加重视和创新投入的不断增长，创新活动的效率成为国内外学者研究的热点。从研究对象来看，许多国内外学者从国家、地区、行业等宏观中观层面开展了创新效率的研究。例如，白俊红等［6］利用随机前沿生产模型研究了中国区域研发创新效率，并考察了区域创新系统内部企业、高校、科研机构、地方政府及金融机构等主体要素及其联结关系对创新效率的影响；Giedre 等［7］运用DEA 方法，对欧盟东部和中部地区创新系统效率水平进行了评价；Ana 等［8］利用欧洲206 个地区的数据，运用随机生产前沿方法，证实了区域主体之间的相互作用对区域创新效率具有重要影响；肖文等［9］采用随机前沿分析方法测算了中国36 个工业行业的技术创新效率，并重点考察了政府支持和研发管理对创新效率的影响，夏海力等［10］运用随机前沿分析法测算了苏州装备制造业技术创新效率，并分析影响因素及其作用效果。同时，企业、高校、科研机构等微观层面的创新效率越来越受到关注。如，Ila 等［11］利用DEA 方法对美国航空公司的技术创新效率进行测度，并分析了股票市场收益和相对技术效率之间的关系；Michael 等［12］基于对德国企业和公共研发部门的实证研究，分析了导致创新系统效率差异的因素；池仁勇［13］利用问卷调查数据实证研究了浙江省大中小企业的技术创新效率，并得出企业技术创新方式、内部职能部门的协调性对技术创新效率均有显著影响；李柏洲等［14］运用PP-SFA 方法测度了中国科学院12 所分院的价值创造效率。由上述研究可以看出，创新效率的测算已经深入到多个层面和多类型创新主体，成为学者们衡量创新活动水平和能力的重要工具。

在城市群层面，许多学者对城市群的创新效率进行了测度和影响因素分析，并在此基础上提出促进城市群创新效率提升的对策建议。姚先国等［15］运用DEA 方法测度了1999—2005 年间长江三角洲15 个城市的技术效率水平，并分析了技术效率和技术创新对GDP 增长的贡献率；孙振清等［16］以京津冀、山东半岛、长三角和珠三角城市群为研究对象，采用三阶段DEA 方法测算四大城市群协同创新效率，并考察了政府研发支持力度、产业结构、区域经济发展水平等环境因素的影响；盛彦文等［17］以中国东部五大城市群为研究对象，利用随机前沿生产函数测度五大城市群的创新效率，并选取经济发展水平、集聚经济、外商投资、政府支持、劳动力素质等7 个方面的因素，利用空间杜宾模型定量分析了创新效率的空间溢出效应；徐林［18］构建长三角城市群创新投入与产出评价指标体系，运用DEA 方法测度了长三角城市群的创新效率。

随着国家高新区创新能力的不断增强，其创新效率也受到更多关注。不同学者分别从全国、地区、省市等多个层面对国家高新区创新效率进行了测度。谢子远［19］利用DEA 方法对我国53 个国家高新区的创新效率进行考察，并分析了投入强度、创新服务、创新环境、产业集群、高新区规模等5 方面的影响因素；周姣等［20］利用随机前沿模型对我国54家国家高新区创新效率进行测度，重点考察了企业规模、利润规模、劳动者素质及区位因素对创新效率的影响；沙德春等［21］利用DEA 方法对我国中部六省国家级高新区创新效率进行考察，得出中部六省国家级高新区整体的综合效率较低；徐伟等［22］运用DEA 方法和Malmquist 指数法，基于我国6 大城市群高新区2013—2017 年的面板数据，测度了高新区创新效率；张立峰等［23］运用随机前沿分析方法对京津冀7 家国家级高新区创新效率及影响因素进行了实证分析；曾武佳等［24］利用三阶段DEA 模型对我国103 个国家高新区的创新效率及其影响因素进行了研究，得出资本集聚、企业集聚、人才集聚、产业集聚程度则是造成高新区创新效率差异的主要原因。

从以上研究中可以看出，已有创新效率的研究一方面侧重创新效率的测度，主要测算方法有非参数方法和参数方法，二者分别以数据包络分析方法（DEA）和随机前沿分析方法（SFA）为代表。其中，DEA 模型在处理多投入和多产出的效率测度上具有优势，但是传统DEA 模型无法剥离环境效应和随机误差对效率值的影响。SFA 模型采用计量方法对前沿生产函数进行估计，有更为坚实的经济理论基础，通过估计生产函数对生产过程进行描述，使创新效率估计得到控制，同时SFA 方法不仅可以测算每个个体的技术效率，而且可以定量分析各种相关因素对个体效率差异的具体影响［6］，因此在研究中得到广泛应用。另一方面侧重考察创新效率的影响因素，经济发展水平、产业集聚、企业规模、劳动者素质、开放水平等因素被许多学者认为对创新效率具有重要影响。

上述研究为国家高新区创新效率测度奠定了良好基础，但是仍存在一定局限。一是利用SFA 模型测度高新区创新效率的研究，基本都使用了高新区技术收入或营业收入单一指标作为创新产出变量。实际上，高新区的创新产出包含多种指标，不同指标反映的园区创新产出水平可能存在较大差异。因此单一产出指标可能不足以真实地反映高新区创新产出水平，导致得到的创新效率评价结果可能存在误差；二是在对国家高新区创新效率测度时，尚无以东部城市群为研究区域的文献。仅有的一篇考察城市群高新区创新效率的文章未能包含珠三角城市群，而东部三大城市群是我国最发达的城市群，并且其国家高新区多为创新资源富集的园区，进行三大城市群高新区创新效率的比较研究具有重要意义。

本文对东部三大城市群国家高新区的创新效率情况做进一步考察。与以往研究相比，本文主要有两个贡献：一是利用SFA 模型时，创新产出变量使用了当年专利申请授权数、技术收入和新产品销售收入3 个指标的合成值，而非以往文献中通常采用的园区技术收入或营业收入，弱化了单个指标难以全面反映国家高新区创新产出水平的问题，以使创新效率评价结果更准确。二是以中国东部京津冀、长三角和珠三角三大城市群为研究区域，考察三大城市群国家高新区创新效率的影响因素，丰富了国家高新区创新效率研究的区域尺度。通过对三大城市群国家高新区创新效率的比较研究和相关影响因素分析，揭示三大城市群国家高新区的创新效率发展特征，为优化提升国家高新区创新效率提供参考，有利于促进三大城市群加快协调发展和创新发展。

2 研究方法与数据来源

2.1 研究方法

2.1.1 熵值法

熵值法作为一种多指标综合评价的重要方法，可以通过实际数据得到指标的最优权重，并能够较为深刻地反映指标信息熵的效用价值，较菲尔普斯法和层次分析法具有更高的客观性和合理性，可以有效避免由主观因素导致的偏差［25-26］。本文借鉴李金滟等［26］在研究城市绿色创新效率时的做法，运用熵值法对国家高新区创新产出进行测度评价，从而得到园区的综合创新产出值。

2.1.2 随机前沿生产函数模型（SFA）

根据随机前沿生产函数的基本原理，超越对数生产函数具有形式灵活、对技术没有限定、包容性强等特点［27-28］，因此本文选用超越对数生产函数的随机前沿模型。具体形式如下:

对国家高新区技术效率差异，本文从高新区创新主体、平均企业规模、利润规模、劳动者素质、对外开放5 个方面因素考察，在下文指标选取部分将详细说明各影响因素，将无效率函数设定为：

2.2 指标选取

构建合理的创新投入和产出指标体系是有效测度创新效率的重要基础，本文梳理了国家高新区创新效率相关研究，将具有代表性研究成果的投入产出指标进行归纳，详见表1。结合相关研究，并考虑数据的可获得性，我们构建了高新区创新效率测度指标体系。在创新投入方面，从创新资本投入、创新人力投入两个维度构建投入指标，分别用R&D经费支出、科技活动人员数量表征，其中R&D 经费支出反映国家高新区对研发和技术创新的重视程度及资金投入能力，科技活动人员数量反映国家高新区创新人才资源集聚能力；在创新产出方面，从创新知识产出、经济成效两个维度构建指标，创新知识产出用当年专利申请授权数表征，反映国家高新区知识产出和自主创新的能力；经济成效用技术收入和新产品销售收入两个指标表征，技术收入反映国家高新区企业科技创新的直接产出能力，新产品销售收入反映国家高新区将知识转化为商品的能力。3 个产出指标通过熵值法形成综合产出指标。

表1 国家高新区创新效率相关研究投入产出指标

结合对创新影响因素分析的现有研究［19-20,23,29］，本文从创新主体、企业规模、利润规模、劳动者素质、对外开放5 个因素分析，分别用园区经认定的高新技术企业数、高新区工业总产值与企业个数之比、高新区企业净利润与总收入之比、本科以上人数占从业人数比例、高新区当年出口总额表征。在创新主体指标的设计上，将高企作为测度创新效率的投入指标进行分析，原因在于高企是国家高新区从事创新活动的主要力量，相对于普通中小企业，高企对创新资源利用和创新产出能力更强，高企越多，越有利于高新区的创新活动。对于企业规模、利润规模、劳动者素质、对外开放4 个因素，已有较多研究使用并进行论述［19-20,23,29］，这里不再赘述。

2.3 研究区域与数据来源

本文研究范围为京津冀、长三角和珠三角城市群，研究对象为三大城市群内的国家高新区。由于高新区近年来常有新晋升园区，主管单位科技部火炬中心从2011 年开始开展了相对稳定的园区统计工作，为了保证研究对象统计数据的时间连续性，我们选取了2011 年之前在选定城市群中获批成立的28家国家高新区，考察时间为2012—2019 年。其中京津冀城市群包含中关村、天津、石家庄、保定、唐山和燕郊国家高新区6 家，长三角城市群包含上海张江、苏州工业园、苏州、合肥、杭州、南京、宁波、常州、无锡、芜湖、昆山、泰州和绍兴国家高新区13 家，珠三角城市群包含现有的全部国家高新区9家。文中数据来源于《中国火炬统计年鉴》（2012—2018）、《国家高新区创新能力评价报告》（2019）以及科技部火炬中心公布的国家高新区统计调查数据。为了消除原始数据的量纲差异和由此产生的对分析结果影响，进行效率分析之前，对于每一年的数据依次进行无量纲化处理。

3 结果分析

基于三大城市群28 家国家高新区的数据，本文对随机前沿生产函数模型和效率影响函数模型进行估计，结果见表2。从估计结果来看，28 家国家高新区的和值均显著不为0，表明对三大城市群国家高新区的面板数据运用SFA 模型估计具有合理性，无效率项对国家高新区的创新效率差异具有显著影响。

表2 我国三大城市群国家高新区创新效率随机前沿生产函数分析结果

3.1 三大城市群国家高新区创新效率综合分析

整体来看（见表3），三大城市群28 家国家高新区2013—2019 年的平均创新效率为0.639，其中，23 家国家高新区的平均创新效率在0.500 以上，占比82.1%，20 家国家高新区在0.600 以上，占比71.4%，说明三大城市群国家高新区创新效率整体较高。从时间序列来看，28 家国家高新区平均创新效率从2013 年至2019 年呈现波动发展趋势，在0.560～0.669 范围内变化，整体变化不大，2012 年为0.667，之后略有下降，2015 年回升到0.669，之后又有所下降，2018 年再次回升到0.667，说明近年来三大城市群国家高新区的创新效率增速不高，提升相对缓慢。

表3 2013—2019 年三大城市群国家高新区创新效率

从具体国家高新区层面来看，中关村国家自创区平均创新效率最高，为0.935，燕郊国家高新区最低，为0.052，前者约为后者的18 倍，可见国家高新区之间创新效率差异较大。创新效率较低的国家高新区科技投入的产出效益不高，科技成果转移转化、创造市场价值的能力不足，需要进一步优化创新资源配置、激发创新主体活力。为分析各国家高新区的创新效率变化，我们将各国家高新区2013 年的创新效率与2019 年的分别进行对比，发现有12家国家高新区创新效率表现为提升，包括燕郊、绍兴、东莞、珠海、肇庆、泰州、上海张江、中山、宁波、佛山、苏州、中关村；16 家表现为降低，包括广州、常州、芜湖、昆山、天津、合肥、杭州、惠州、南京、无锡、深圳、苏州工业园、唐山、保定、江门、石家庄，说明考察期内三大城市群国家高新区创新效率没有变得更好。

为进一步分析三大城市群国家高新区创新效率的变化特征，将28 家国家高新区2013 年至2019年的平均创新效率划分为5 个类型，分别是低效率（0～0.200）、中低效率（0.201～0.400），中效率（0.401～0.600），中高效率（0.601～0.800）和高效率（0.801～1），从表4 可以看出：

表4 2013—2019 年三大城市群国家高新区创新效率结构

（1）属于高效率的国家高新区有6 家，占比21.43%，分别是中关村、上海张江、惠州、合肥、深圳、广州。这一结果与6 家国家高新区的综合实力也非常符合，北京中关村、上海张江、合肥、深圳和广州国家高新区，都是被科技部火炬中心纳入“世界一流高科技园区”建设序列的国家高新区，在科技部火炬中心公布的2019 年国家高新区综合排名中分别位列第1、第3、第6、第2、第7。值得注意的是，惠州国家高新区2019 年的综合排名36，但是平均创新效率排在了第2 位，说明惠州高新区创新投入规模和产出匹配较为合理，创新投入资源利用比较充分。

（2）属于中高效率的国家高新区有13 家，占比为46.43%，分别为苏州、宁波、东莞、南京、佛山、杭州、无锡、常州、天津、昆山、保定、苏州工业园、珠海。其中杭州高新区和苏州工业园也属于被科技部火炬中心纳入“世界一流高科技园区”建设序列的国家高新区，但是创新效率值分别为0.738、0.625，排名分别在12 位和18 位，与中关村、上海张江等的创新效率差距较大，说明两家高新区的创新投入产出不高，创新投入资源配置有待进一步优化。

（3）属于中效率的国家高新区有5 家，占比为17.86%，分别为芜湖、中山、江门、石家庄、绍兴。

（4）属于中低效率的国家高新区有2 家，占比7.14%，分别为肇庆、唐山，这两家国家高新区的综合发展水平较低，2019 年在全国国家高新区综合排名都在100 名之后，需要通过加快提升创新效率和创新能力以推动发展。

（5）属于低效率的国家高新区有2 家，占比7.14%，分别为泰州、燕郊。泰州国家高新区2019年在全国国家高新区综合排名75，创新效率值为0.173，与自身发展实力较不匹配，说明泰州高新区创新资源配置有待加快优化、创新效率有待加快提升；燕郊国家高新区的创新效率值为0.052，与燕郊国家高新区创新资源集聚不足、创新投入低有关。

通过以上分析，说明三大城市群国家高新区创新效率以中高以上效率类型为主，占比67.86%，但是也存在创新低效率和中低效率类型，合计占比14.28%，创新效率不高的国家高新区需要积极利用三大城市群的区位和创新资源优势，不断提升创新资源集聚和优化配置能力。

3.2 三大城市群国家高新区创新效率对比分析

3.2.1 三大城市群国家高新区创新效率横向比较

对三大城市群国家高新区创新效率进行横向比较，可以看出，长三角城市群国家高新区平均创新效率最高，为0.676，珠三角城市群国家高新区次之，为0.670，二者差距不大，京津冀城市群国家高新区最低，为0.511，且与长三角和珠三角城市群差距较大。从不同年份的横向对比来看，京津冀城市群国家高新区创新效率一直低于长三角和珠三角地区，说明京津冀城市群国家高新区创新资源利用效率整体偏低，特别是唐山和燕郊高新区创新效率一直较低，拉低了整个城市群高新区的创新效率。

从时间序列来看，由图1，京津冀城市群的创新效率变化大致呈“U”型，整体上呈现下降趋势，2013 年至2017 年不断下滑，2017 年之后有所回升，但2019 年平均创新效率值低于2012 年，说明近年来京津冀城市群国家高新区在发展过程中，对创新资源投入和产出收益忽视，科技成果转化不足。长三角、珠三角城市群国家高新区的创新效率变化大致呈“W”型波动发展，整体上呈现提升趋势，2013 年至2016 年呈现先下降后上升趋势，2016 年出现一个峰值，之后至2018 年继续呈现先下降后上升趋势。说明长三角、珠三角城市群国家高新区的创新效率表现不太稳定，但整体向好。

图1 2013—2019 年三大城市群国家高新区创新效率变化

从创新效率结构看（图2），从2013 年到2019年，京津冀城市群国家高新区创新效率结构表现出“中高效率国家高新区明显减少、中效率和中低效率国家高新区增加”的特征，由原来包含4 种创新效率类型变为包含5 种，且中高效率和高效率国家高新区比重明显落后于长三角和珠三角城市群，说明京津冀城市群内部国家高新区创新效率“短板效应”明显，创新效率差异在增大。长三角城市群国家高新区创新效率结构表现出“中高效率和中效率国家高新区增加、高效率和低效率国家高新区减少”的特征，且低效率高新区数量减少为0，城市群内部创新效率差异在减小。珠三角城市群国家高新区创新效率结构表现出“中高效率国家高新区增加、中效率国家高新区减少”的特征，创新效率结构进一步优化。

图2 2013 与2019 年三大城市群国家高新区创新效率结构对比

3.2.2 三大城市群国家高新区创新效率内部比较

对京津冀城市群，从内部差距来看，2013 年创新效率最高和最低的国家高新区分别为中关村、燕郊，两者创新效率的差距分别为0.927，2019 年最高和最低的仍为中关村、燕郊，差距缩小为0.805，2013—2019 年所有国家高新区平均创新效率最大差距为0.883。从时间序列来看，中关村和燕郊两家高新区创新效率表现为提升，石家庄、天津、保定、唐山4 家高新区都有所下降，特别是石家庄国家高新区，创新效率由2013 年的0.720 下滑为2019 年的0.428，说明石家庄国家高新区在发展过程中忽视了创新效率，科技创新投入配置和利用科学性、合理性有待加强。

对长三角城市群，从内部差距来看，2013 年创新效率最高和最低的国家高新区分别为无锡、绍兴，两者创新效率的差距为0.783，2019 年创新效率最高和最低的变为上海张江、泰州，创新效率差距缩小为0.680，2013—2019 年所有国家高新区平均创新效率最大差距为0.709。从时间序列来看，上海张江、宁波、苏州、泰州和绍兴5 家国家高新区创新效率表现为提升，特别是绍兴国家高新区，创新效率由2013 年的0.132 提升为2019 年的0.824，年均增速35.7%，说明近年来绍兴国家高新区在加快集聚创新资源、提升创新能力的同时，不断优化创新资源投入，研发创新产出增加。苏州工业园、合肥、杭州等8家国家高新区创新效率有所下降，但下降幅度不大。

对珠三角城市群，从内部差距来看，2013 年创新效率最高和最低的国家高新区分别为深圳、肇庆，两者创新效率的差距为0.706，2019 年变为东莞、肇庆，创新效率差距缩小为0.654，2013—2019 年所有国家高新区平均创新效率最大差距为0.562。从时间序列来看，东莞、珠海、佛山、中山和肇庆5 家国家高新区创新效率表现为提升，其中东莞松山湖国家高新区年均增速8.7%，说明东莞松山湖国家高新区近年来不断加强创新资源集聚以及资源优化配置，创新产出效益不断提高。深圳、广州、惠州和江门4 家国家高新区创新效率有所下滑，其中江门国家高新区下滑较大，由2013 年的0.735 下降为2019 年的0.475，需要在发展过程中更加注重创新投入和产出效益。

综合来看（图3），三大城市群国家高新区创新效率表现出较大的内部发展差距，京津冀城市群内部差距最大，长三角次之，珠三角差距相对较小，但值得注意的是，三大城市群国家高新区创新效率差距都呈现缩小趋势。

图3 2013—2019 年三大城市群国家高新区创新效率最大差距对比

3.3 国家高新区创新效率影响因素分析

由模型运行结果来看（见表2），创新主体、企业规模、利润规模、对外开放四大因素对国家高新区创新效率具有较为显著的积极影响，劳动者素质因素虽然不显著，也显示出对创新效率的积极影响。

（1）创新主体通过显著性检验，表明高新技术企业显著促进国家高新区创新效率。高新技术企业数量可以衡量高新区市场活力和创新活力，一方面，高企数量多表明园区创新创业生态环境建设良好，创新氛围浓厚；另一方面，高企是集聚高端创新研发人才和吸引研发资金的重要载体，有力促进和推动国家高新区技术研发、科技成果转移转化及新技术、新产品等创新成果产出。对创新效率低的国家高新区，大力培育和发展高企是提升园区创新效率的重要措施。

（2）园区企业规模与创新效率呈显著正相关。尽管一些研究认为大规模企业具有较高的市场氛围，容易忽视技术研发投入［31］。但从高新区内大型企业所反映出的情况来看，越来越多的跨国公司和科技龙头企业正在持续加大对创新研发的投入力度。也有研究中指出，企业规模与新产品研发创新效率之间可能呈现先增后减的倒U 型关系［30］，而本文的结果可能正反映出目前多数国家高新区的企业规模仍处于规模增大对创新效率有正向影响的阶段，提升企业规模在此阶段仍可以促进高新区创新效率提升。

（3）利润规模对创新效率有显著影响。利润规模可以反映高新区的整体盈利能力，利润规模越大，说明园区盈利能力越强，越有实力通过政策手段支撑和推动企业的创新研发活动，如加大投入吸引高端创新资源、对创新研发提供专项资金补助、改善园区创新生态环境等。

（4）劳动者素质对国家高新区创新效率有一定促进作用但不显著。一般说来，劳动者素质越高，对创新资源的运用能力及创新产出效率越高，能有效促进地区创新效率提升。模型对劳动者素质估计的结果不显著，可能与一些国家高新区本科以上人数占从业人数比例较低有关。近年来，许多国家高新区都把高素质人才作为创新发展的重点支撑，通过完善人才支持奖励政策、优化人才发展环境、提升人才服务能力等加快集聚人才。随着国家高新区劳动力素质的不断提高，有利于园区更好利用创新资源，进一步提升创新效率。

（5）对外开放通过显著性检验，表明对外开放能够显著提升国家高新区创新效率。出口总额反映了国家高新区对外开放水平，出口总额越大，园区开放程度越高，有利于与先进地区加强创新交流和合作，引入国际化人才、一流技术、创新知识、先进生产和管理经验等，进而推动科技创新发展。

4 结论和建议

4.1 主要结论

（1）整体来看，2013—2019 年三大城市群28家国家高新区平均创新效率较高，且呈现波动变化趋势，但创新效率增速不高，仍有较大优化提升空间。从创新效率结构上看，国家高新区创新效率以中高以上效率类型为主，占比67.9%，但是也存在创新低效率和中低效率类型，合计占比14.2%，创新效率结构有待进一步优化。

（2）从横向比较结果来看，长三角城市群国家高新区平均创新效率最高，为0.676，珠三角城市群国家高新区次之，为0.670，二者差距不大，京津冀城市群国家高新区创新效率整体偏低；从时间序列来看，京津冀城市群国家高新区的创新效率变化大致呈U 型，整体上呈现下降趋势，长三角、珠三角城市群国家高新区的创新效率变化大致呈W 型波动发展，整体上呈现提升趋势；对三大城市群国家高新区创新效率结构的分析表明，长三角和珠三角城市群中高效率国家高新区增多，创新效率结构不断优化，而京津冀城市群中高效率国家高新区减少、中效率和中低效率国家高新区增多。从内部比较来看，三大城市群国家高新区创新效率具有较大的内部发展差距，京津冀城市群内部差距最大，长三角次之，珠三角差距相对较小，但随着时间变化，三大城市群国家高新区创新效率差距都呈现缩小趋势。

（3）从影响创新效率的因素分析看，创新主体、企业规模、利润规模、对外开放四大因素对国家高新区创新效率具有较为显著的积极影响，劳动者素质因素也显示了积极影响。国家高新区在发展中应加强培育和发展高新技术企业等创新主体，支持企业加大研发投入和提升创新效率，通过研发核心技术、核心产品做大规模和提升盈利能力。园区也应进一步集聚高素质人才和加大开放力度，促进园区创新能力提升。

4.2 政策建议

为加快提升城市群国家高新区的创新效率水平，本文提出以下政策建议：

（1）创新政策的制定和实施需要因地制宜。国家高新区管理和指导部门要提倡和鼓励不同发展阶段的高新区实施差别化的政策评价体系，明确地方创新政策的着力点，注重政策实施效果。对于创新效率较低且创新资源相对不足的国家高新区，首先需要营造良好的创新创业环境，加大优质创新资源的吸引力度，同时科学合理地进行优势产业布局。尽量在原有科技资源和产业基础上，打造符合自身发展特色的优质产业，避免产业规划的盲目跟风，重视资源配置的合理性。对创新效率较高的高新区，需要继续重视创新效率的优化提升，加强与周边国家高新区协同创新和产学研合作，充分利用知识的外溢效应，加快提升区域整体创新效率和创新能力。

（2）完善高成长性创新主体的培育机制。基于高新技术企业对创新效率的正向带动作用，高新区应该加快建设企业为主体的创新体系，引导创新要素向企业集聚，加大对企业创新活动的支持和补贴力度，不断增强企业创新动力；加快形成创新型领军企业、高新技术企业、科技型中小企业为主体的多层次发展格局，推动区域创新影响力和竞争力的提升。

（3）人力资本质量提升是创新效率提升的关键因素。高新区应持续优化人才管理制度，推行异地研发、本地应用等柔性化人才引进方式；通过设立对高层次人才分类评价体系和奖励制度，不断深化和改革人才管理方式。尤其在人员激励方面，应该突出知识价值导向，推动以科技成果作价入股，进一步放松股权奖励机制的条件，充分调动研发人员的创新积极性。

（4）在“双循环”发展格局下，进一步扩大对外开放。高新区应完善出口政策，充分开放进口，加大与国外高端创新资源的合作力度，鼓励区内企业融入国际创新网络，加强与国际一流技术转移中心、跨国技术服务机构的服务链接，探索搭建国际创新合作交流平台；支持企业在“一带一路”沿线国家和地区开展投资、技术出口、技术合作和拓展项目，推动高新区形成开放创新的新格局。