区域创新系统运行效率评价研究——基于长三角22 个高科技园区的截面数据分析

巫 英，涂佳航

（1.上海科技政策研究所，上海 201899；2.同济大学 经济与管理学院，上海 200092）

一、研究设计

区域创新系统是创新型国家建设的基础，是科技创新的基石，是经济发展的催化剂与助推器，对我国科技进步和社会经济发展具有重要的促进作用[1-3]。理论上，区域创新系统的运行过程可以划分为技术研发过程、成果产业化过程等多个阶段，每个阶段的效率受到创新投入、政策环境和区域产业基础等多要素的非线性、综合性影响，科学、高效地梳理出发展规律和影响机理是值得探讨的问题。实践中，长三角一体化战略始终以科技创新一体化为发展重点，持续推动科技创新共同体建设，加快打造全球领先的世界级科创中心，长三角高质量一体化创新格局初步形成[4]，其中高科技园区起到举足轻重的作用。近年来，部分理论研究发现，地理位置[5]、区域产业基础[6]、政府治理体系[7]等都是影响科技园区区域创新系统综合效率的因素。全面了解和掌握科技园区各个阶段的影响机理，有助于未来政府相关部门精准施策，优化政策措施，提升区域创新系统的运行效率。

二、模型构建

吴文杰和董正英（2015）[8]建立了从科技投入到技术成果转让效率的两阶段DEA 模型，基于2000—2013 年的数据，对我国26 省市的总和创新能力进行了排序与评价；傅春等（2021）[9]运用DEA模型中的Super-SBM 模型，在考虑科技创新滞后效应的前提下，对2009—2018 年中部地区6 省份的科技创新活动两阶段的效率分别进行测度；王冰清和罗鄂湘（2021）[10]运用DEA 方法对我国2009—2016年29 个省市的高技术产业两阶段创新效率进行测算；陈羽洁等（2020）[11]基于2007—2018 年我国28个省份的面板数据，采用共享投入DEA 模型测度创意产业的两阶段运行效率；王延霖等（2020）[12]基于规模报酬可变条件的两阶段网络DEA 模型，利用2014—2017 年资源型上市公司面板数据检验高技术服务业与资源型产业融合对资源型企业两阶段效率的影响。

在上述研究的基础上，本研究构建了两阶段区域创新系统运行效率评价模型，并基于上述研究对评价模型做了改进，如图1 所示。本文构建的区域创新系统模型描述的是从技术创新到科技成果产业化的全链条过程，更加强调对于整个创新链条过程中的创新效率测度，同时，更加强调创新投入产出过程最终产生的经济效益。一方面，在对区域创新系统运行效率的测度中，劳动投入和资本投入是基本影响因素，两者会直接影响创新产出，进而间接影响经济产出，这一过程即为对区域创新系统中技术创新过程的刻画。与此同时，劳动投入和资本投入也会直接影响经济产出。另一方面，在创新成果转化阶段，本研究主要关注的是创新成果产业化过程，即创新产出如何影响到经济产出。

图1 理论框架

本研究基于已有文献结合现实数据进行变量设定：

（1）投入变量。在创新效率的指标选取方面，过往关于区域创新系统及其子系统的研究通常使用资本（经费）和劳动（人力）两类要素作为投入变量。在二级指标选取方面，考虑到本研究数据主要来源于长三角区域的高科技园区，且多篇测度科技园区、产业园区两阶段效率的研究考虑到产业链前后关联和技术外溢。例如严佳等（2020）[13]利用DEAMalmquist 指数和系统GMM 模型对中关村“一区十六园”创新效率进行测度及其影响因素分析，并选取园区规模作为外部环境变量，郑旭辉等（2020）[14]运用共享投入关联两阶段DEA 测量创新效率，并采用Meta-frontier 模型对比分析福建省7 个国家高新区与国内9 个先进高新区，在投入指标中额外增加了研发机构数、企业数两个指标。因此本研究使用从业人员和高新技术企业的数量测度劳动投入，使用高新技术企业数量和实际用地面积测度资本投入。

（2）产出变量。在创新领域，专利是衡量创新产出的普遍性指标。陈伟等（2010）[15]将技术合同成交额视为成果转化领域重要的产出指标。因此，本研究使用发明专利授权数量和技术合同成交额测度创新产出。在科技成果向经济转化阶段，陈志宗（2016）[16]认为产出指标的设定更侧重于反映技术与经济的结合程度，因此使用营业收入测度经济产出。

三、数据与变量

本文选取长三角区域内具有代表性的22 个科技园区（A1、A2、A3、A4、A5、A6、A7、A8、A9、A10、A11、A12、A13、A14、A15、A16、A17、A18、A19、A20、A21、A22）为研究对象，基于数据的可得性和科学性，选取22 个园区从2014—2019 年的创新投入、创新产出与经济产出等数据进行实证分析和研究。

本研究选取的变量及其统计性质如表1 所示。从业人员的平均值为9.84 万人，标准差为0.77 万人，表明各个园区从业人数波动较小；高新技术企业数量的平均值为186.49 家，标准差为17.919 家，表明各园区之间高新技术企业分布波动性较大；新增发明专利数量的标准差为68.92 件，营业收入标准差为195.38 亿元，这两个变量均体现出较大的波动性。这表明不同园区之间在创新产出和经济产出两个方面差异巨大。各变量之间的相关系数矩阵如表2 所示，可知高新技术企业数量和从业人员、新增发明专利数量相关性较高，同时从业人员数量与新增发明专利数量相关性较高。

表1 变量描述性统计

表2 变量相关系数矩阵

综上所述，本研究基于图1 中的理论框架和现实数据建立两阶段区域创新系统结构方程模型。

四、实证结果

本研究使用结构方程模型对图1 所示的因果关系进行回归分析，回归结果如表3 所示。总体来说，大部分变量的正向影响在预计范围内。首先，从业人员对营业收入的正向影响最为明显，其次，科技园区使用面积对营业收入的正向影响较为明显。从业人员也对新增发明专利数量正向作用较为明显，技术合同金额对营业收入影响较为一般，但高于高新企业数量对营业收入的正向影响。

表3 回归结果

但也有部分关键变量为负，降低了长三角区域创新系统的运行效率，如科技园区使用面积对专利产出的作用不显著，尽管作为创新产出的技术合同金额对营业收入产生正向作用，但新增发明专利对营业收入产生负向作用。由此可见，长三角区域基于技术驱动的经济增长模式整体的运行效率较高，但技术对于经济发展的推动作用未能充分发挥出来，仍然存在进一步提升空间。

为了更加直观地展示区域创新系统的运行效率，本研究根据图1 所示的理论框架把弹性计算结果分成了两个阶段，其中，第一阶段和第二阶段分别包含了6 组和5 组弹性系数，本研究分别按照园区将这两个阶段的弹性系数进行加总，进而可以得到反映每个阶段运行效率的指标，计算结果如表4所示。

表4 各园区第一阶段和第二阶段创新系统创新效率排名

对两阶段创新系统的创新效率计算结果进行排序并分析，发现在第一阶段（创新过程）中，A1、A2、A7、A14 和A9 排名较高，且头部尾部园区相差接近50 倍；在第二阶段（成果转化过程），A1、A2 和A7依旧保持了高排名，同时在前一阶段排名中等的A19后来居上，成果转化效率排名第二，头部尾部园区相差16 倍。这说明：（1）创新效率与成果转化效率高度相关，创新效率较高的园区往往意味着较高的成果转化效率；（2）同时也存在“弯道超车”现象，创新效率不高的园区也可以通过其他途径实现较高水平的成果转化效率；（3）各园区的创新效率差距显著高于成果转化效率，且头部园区和尾部园区效率差距大，区域创新系统呈现明显的两极分化现象。

五、讨论

A1 排名第一主要原因是园区内多个主导产业的创新能力均较为突出。例如，A1 园区第一主导产业无论从顶层设计到研发基地建设均有卓越成效，目前已经实现全球前10 家头部企业中7 家区域总部和研发中心落户，仅2019 年就引进1 亿元以上项目23 个；A1 园区第二主导产业在2020 年实现营收规模超过1 200 亿元，已集聚产业链上近200 家国内外头部企业，研发实力雄厚，同时园区充分发挥公共研发平台作用，推动科技成果应用与转化。而在第一阶段排名第二，在第二阶段排名第三的A2 在电子信息、新材料等产业皆有着较为明显的规模优势，并且拥有包括科技创业苗圃、大学生创业创新园、留学生创业园、孵化器、加速器在内的接力式孵化链和全方位创新创业孵化体系。

相比A1、A2 两个园区，A19 在第一阶段的优势并不明显，但是A19 在第二阶段排名升至第二。一方面可能是因为园区首先将产业化、商业化作为发展重点，并由此集聚了一批主导产业内的头部企业，引导各类产业内创新要素不断聚集，推动多项产业项目和产业线落地；另一方面可能是因为园区持续优化区域创新环境，不仅制定了相应评估和奖励办法，聚焦服务建设、品牌发展和双创载体，推动园区服务能级提升，还搭建“产业+服务+交易”区域创新服务平台，构建科技大市场，提升科技成果转化效率。

曾有相关研究对长三角各科技园区综合实力进行排名，A1 同样位居第一，这表明本研究对长三角各科技园区创新效率的排名与过往研究在一定程度上是一致的。但是本研究结果与过往研究也存在部分差异。例如，A3 在过往研究排名中以较强的综合实力位居第二，而在本研究的创新效率排名中，A3 的位置并不十分靠前。这表明A3 尽管综合实力领先于其他科技园，但创新效率并不高。因此，在同样的创新投入水平情况下，A3 的创新产出及其科技成果转化水平可能低于其他科技园。由此可见，对于部分综合实力排名靠前的科技园来说，其创新效率有较大的提升空间，如果通过提升技术水平不断改进科技园的创新效率，则可能进一步提升科技园的创新效率。

通过对比综合实力和创新效率排名榜单，本研究还发现部分科技园创新效率排名较为靠前，但在综合实力排名靠后，例如A19。对于这些科技园来说，其技术创新方面的综合潜力未能得到有效发挥，在这些科技园加大资金投入可能会带来更多的新产品产出。造成上述结果的原因有两个方面。一方面可能是由于长三角各科技园在技术资源禀赋方面存在先天性差距。例如，早在20 世纪90 年代成立的A1 经过20 多年的开发，目前已汇聚2 万余家企业，初步形成了以信息技术、生物医药等为重点的产业集群。另一方面也是由于长三角区域各科技园功能性产业融合程度不同，如生产性、生活性服务业与工业制造、产业创新融合性存在差异，从而在不同程度上激发出科技园创新潜力造成的。从上述角度考量，位于长三角重点城市核心区域的科技园区普遍优于非重点城市郊区及地理位置相对偏远的科技园区。

六、结论与政策建议

本文建立了技术创新过程和科技成果转移转化过程的两阶段创新系统运行效率模型，并基于该模型对长三角22 个高科技园区的创新效率进行了计算和排名。实证结果显示，长三角区域创新系统运行效率较好，各类投入对创新产出产生了较好的正向作用，但也有部分变量不显著乃至呈现负向作用，例如部分园区，尤其是郊区科技园存在创新投入对创新产出的带动作用有限、创新产出对区域经济贡献度不高、科技园区面积对创新产出作用不显著等问题，本质上是部分高科技园区可能存在资源错配的现象。

基于上述结论，本文提出以下政策建议：

第一，积极推进创新政策体系改革，通过要素市场化丰富创新生态要素，推进各类创新要素和生产要素自由流动。加大吸引更多高质量投资机构、金融服务机构、大企业平台、科研院所、大学、第三方专业化服务机构、媒体资源等要素融入，完善服务生态。鼓励科技园区加强与专业化机构的合作，加强与研发设计、科技中介、科技金融、成果交易等公共服务平台深度合作，为入驻团队及初创企业提供专业化服务，培育特色服务内容。深入分析创新体系运行的体制机制障碍，挖掘限制长三角区域创新系统运行效率提升的关键制度性因素。

第二，强化政府创新投入职能，以市场为导向，发挥政府财政投融资的引导作用。借助市场力量，进一步吸引区域外部资金和技术流入，为当前区域创新系统的良性运行提供支持。政府部门加大引导和支持科技园区建立重点产业方向领域内的专业化服务平台。

第三，树立企业在长三角区域创新系统中的创新主体地位。以企业实际技术需求为科技创新努力的方向，不断激发企业、高校和科研院所开展科技创新的积极性，真正实现创新与经济和产业发展、与市场需求的紧密结合。

第四，培育支持创新的制度环境。有效保护知识产权，支持和鼓励各机构之间开展知识产权转让活动，为勇于创新的科技人员和企业管理人员提供可靠的制度保障和政策激励。

第五，加强长三角联动发展。探索形成长三角科技园区联盟协会，通过活动组织、相互考察、座谈交流、网络年会等方式，搭建平台、整合资源、共享信息，将联盟内所有成员的资源、信息向长三角所有会员开放，推动科技园区与长三角各类科技园区的沟通交流、深度合作。