国家高新区创新效率评价和影响因素分析——基于三阶段DEA-Tobit模型

杨青生，杨图南，沈志刚

（1.广东财经大学文化旅游与地理学院，广东 广州 510320；2.广东财经大学经济学院，广东 广州 510320；3.江西科技师范大学经济管理与法学院，江西 南昌 330038）

0 引言

高新技术产业开发区（以下简称“高新区”），是创新驱动发展的排头兵和领头羊，在我国技术创新和区域经济增长中扮演着重要角色。作为创新的重要战略基地，国家高新区的创新发展受到国家的高度重视。《国家高新区创新能力评价报告2019》提到，高新区要着眼于建设有利于创新要素聚集的体制机制，并成为兼具经济和社会功能的复合功能区。为实现集约高效的发展，高新区不仅要在量和规模上有所增长，更要注重投入产出比，即创新效率的提升，让创新效率成为高新区高质量发展的有力支撑。

目前，国家高新区的发展存在着一些短板，如创新创业总体水平不高、创新投入产出转化水平有待提高、资源环境约束大和园区创新资源与要素流动比较缓慢等。高新区在生产过程中存在着不注重资源配置与技术扩散导致引进大量设备和技术、投入大量资源却收效甚微的问题［1］。沙德春和胡鑫慧［2］运用DEA 法，发现中部六省高新区整体创新效率偏低且发展不平衡；姚盛祺［3］基于DEA 模型评价江西省高新区的创新效率，认为江西省高新区发展不平衡且资源利用效率有待提升。高新区创新效率不高已然成为制约高新区高质量发展的重要因素。分析不同地区高新区创新效率差异特征和影响因素，对促进区域经济高质量发展具有重要意义。

1 文献综述

国内已有文献关于创新效率的测算方法以SFA 法、DEA 法和三阶段DEA 法为主。SFA 法确定了生产函数的具体形式，确保了被估计的效率有效且一致［4］，因此很多学者在研究创新效率时都采用了这种方法。然而，在实践过程中，这种方法中的截距很难通过最大似然函数估计，也未考虑“时间”变量，会使得测算结果产生较大的偏误［5］。DEA 法由Banker 等［6］提出，他们在规模报酬不变的前提下，通过比率形式的最优值，直接从数据中获得技术效率，并在此基础上确立了规模报酬可变的DEA-BCC 模型。DEA 法无须知道前沿生产函数的具体形式即可测算效率，同时也可规避参数方法的多种限制［7］。但是，这种方法无法剥离环境效应和随机误差的影响，会使估计结果存在较大误差［1］。而三阶段DEA模型具有同时剔除环境差异性与统计噪声差异性影响的优势，能够反映真实的经营管理效率［8］。余泳泽和刘大勇［9］基于三阶段DEA 法，将创新过程分为知识创新、产品创新和研发创新等3个阶段，分别计算出各个阶段分地区的效率值和整体效率值；杨捷和秦远建［10］借助三阶段DEA 模型，建立国家高新区的SOM 神经网络拓扑分类，将国家高新区按创新效率分为5个梯队进行分析。但也有学者认为，三阶段DEA 法没有考虑因变量，即投入松弛量的截断问题，因此参数估计不一致［11］。

对于高新区创新效率的评价，已有研究大都是基于国家［1，4］、城市群［12-13］和经济区域［2，14］层面。对于创新投入指标的选择，则都是以财力投入和人力投入指标为主。财力指标如高新区R&D 经费内部支出［15-16］和反映高新区资金投入强度的R&D 经费内部支出占销售收入的比重［17］；人力指标如R&D 人员全时当量［3，18］、科技人员投入量［19-20］和年末从业人员数［21］。此外，反映高新区规模的企业数［22-23］也是衡量创新投入的重要指标；而创新产出度量指标包括专利量［24-25］、产品销售收入和技术性收入［26-27］、工业总产值［28］等。

在高新区创新效率的研究中，根据影响因素的不可控性和可控性，可将其分为外部影响因素和内部影响因素。现有文献关注的外部影响因素中，政府支持［29］、基础设施投入［30-31］、教育水平、技术市场［32］和第二产业占GDP 比重［33］等对高新区创新效率提升有促进作用，而地区经济发展水平对高新区创新效率的影响则由促进转变为降低［12］。另外，有学者研究发现，政府研发活动税收激励和高新技术企业直接税收减免对高新区创新效率的影响分别表现为负相关性和无直接相关性［27］。内部影响因素中除了人力和资本投入外，高新区开放程度［34］、衡量高新区规模的园区企业数［35］和人口比重［30］、劳动者素质［36］、工业总产值［28］和利润规模［13］等也对创新效率具有不同影响。还有学者认为，产业集群通过专业化分工、组织学习和知识溢出等途径促进了高新区创新效率的提升［37］；而谢子远和鞠芳辉［38］研究发现，产业集群会导致高新区内部企业间因产品和技术雷同而出现过度竞争，进而降低了高新区的研发效率。

对上述文献进行归纳整理可以发现：国内学者在对国家高新区创新效率进行研究时，很少考虑剔除环境因素前后效率的变化；也少有文献在分析创新效率的影响因素时将外部因素和内部因素区分开来；同时，对于高新区创新效率的评价，多数文献都基于全国视角，而很少有文献针对东中西和东北地区分析创新效率的区域分布差异情况。本文的贡献在于：第一，运用三阶段DEATobit 模型对我国国家高新区创新效率进行评价，反映了剔除环境因素前后高新区创新效率的变化和高新区真实的经营管理水平，对于改善地区创新环境、促进不同地区高新区高质量发展具有重要意义。第二，在分析影响因素时，考虑了各经济区域创新效率分布的地区差异性和外部环境因素的影响，同时相比于以往文献进行Tobit回归时通常采用随机效应模型，本文采用固定效应的Tobit模型控制个体效应来分析各影响因素，且在分析影响因素时采用政府支持和高新区规模两个指标，丰富了区域创新系统和产业集群理论。第三，本文将综合效率分解为纯技术效率和规模效率来考察创新效率的影响因素，为研究高新区创新效率的提升提供了一条新的分析思路。

2 研究方法

2.1 三阶段DEA模型

2.1.1 第一阶段：传统DEA模型

传统DEA 模型即建立在可变规模报酬上的DEA-BCC 模型，具体做法是将技术效率（TE）分解为纯技术效率（PTE）和规模效率（SE）的乘积。文中将各国家高新区作为一个决策单元（简称DMU），则第k个决策单元的投入导向型BCC模型如式（1）所示。

式中：n为决策单元个数；m和s代表每个决策单元的投入量和产出量；si-和sj+分别为投入和产出松弛变量；xik和yjk分别为投入和产出变量；ε一般取值10-6；θ表示决策单元的效率值；表明模型规模报酬可变。当θ=1和θ< 1 时，该决策单元分别处于DEA 有效和无效状态，且θ越趋于0，说明创新效率越低。

2.1.2 第二阶段：SFA模型

第二阶段将传统DEA 模型求得的投入松弛变量作为被解释变量，以环境变量作为解释变量，并对每种投入松弛变量分别进行回归，构建SFA模型如式（2）所示。

其中，sij表示第i个决策单元下第j项投入的松弛变量，fj(zi，βj)表示在环境因素影响下松弛变量的函数形式，βj为关于环境变量的待估函数系数。定义ε=νij+μij为混合误差项，其中νij为随机误差项，而μij表示管理无效率项。推导出μij的估计值ij和νij的估计值ij后，根据SFA 模型回归结果将各个决策单元的投入变量按照式（3）进行调整，保证每个决策单元都处于相同的外部环境和随机因素冲击中。

式（3）中：i= 1，2，…，n；j= 1，2，…，m；和xij分别表示原始投入量和调整后的投入量；第一个和第二个中括号分别表示在最差的环境标准和最大的随机干扰下需要增加的投入量。

2.1.3 第三阶段：调整后的DEA模型

经过第二阶段调整后，决策单元原始投入数据被调整后的数据替换，产出数据维持不变，再次代入DEA-BCC 模型进行效率评估，得到不受环境和随机因素影响的且反映真实经营管理水平的效率值。

2.2 Tobit回归模型

Tobit 模型是研究创新效率的影响因素时常用的一种方法，又被称为截尾回归模型。其特点是因变量表现为截断特征。本文测算出的效率取值范围为［0，1］。在该模型中，创新效率属于受限因变量，且回归的变量属于面板数据，所以采用面板数据形式的Tobit模型，如式（4）所示。

3 指标选取及数据来源

3.1 创新效率测算指标选取

3.1.1 投入产出指标选取

测算高新区创新效率时涉及多投入多产出指标选取。结合已有文献的研究成果，考虑到高新区层面上数据的可得性和完整性，本文从人力投入和资本投入两个方面建立二级指标。人力投入指标选取科技活动人员数量和年末从业人员数量；资本投入指标选取R&D 经费内部支出。从指标的适用性上看：专利量作为高新区创新的直接产出，能直接反映其技术发明和知识创新能力；而新产品销售收入可反映其在科技成果转化过程中获得的经济效益。这两个指标最能衡量高新区创新活动产出。但是，一方面，完整地获取专利量和新产品销售收入两个指标较为困难；另一方面，技术收入衡量了高新区研发产出，反映了高新区企业从事技术活动获得的收入，而产品销售收入是指高新区内企业销售全部产成品和自制半成品以及提供劳务等所取得的收入，代表了高新区科技成果的应用和转换能力。因此，本文选取次优指标——技术收入和产品销售收入来衡量技术产出和经济产出两个二级指标。另外，由于工业总产值能够反映高新区总体发展情况，本文经济产出用产品销售收入和工业总产值两个三级指标来衡量。

3.1.2 外生环境变量指标选取

环境变量选取应在观察样本之外，不受所选取的样本控制，且能够对创新效率产生影响。考虑到高新区的发展特点，结合前人的研究和数据的可得性，本文从高新区所在地区的经济发展水平、市场开放程度、文化教育水平、政府支持和基础设施环境等5 个方面出发，选取地区人均生产总值、实际利用外资额、普通高等学校在校大学生数、政府财政支出中科学技术支出和邮电业务收入占当地生产总值比重等5个指标来衡量外部不可控因素。

投入产出指标和环境变量指标选取见表1。

表1 54个高新区投入产出和环境变量指标选取结果

3.2 影响因素指标选取

在对高新区创新效率影响因素的分析中发现，除了外部不可控的环境因素外，还有自身可以调整和控制的内部因素这一非环境因素直接对创新效率产生影响。其中，高新区企业能够通过自身管理举措或相应的战略对内部因素的影响程度进行改变。本文结合已有数据并借鉴其他学者的研究成果，从投入角度以及自身环境因素方面来选取影响因素指标。其中，高新区规模、人力投入质量、资本投入强度表示投入因素，高新区开放程度和盈利能力表示自身环境因素。各指标选取及说明见表2。

表2 国家高新区创新效率影响因素指标选取结果

3.2.1 人力投入质量

国家高新区是高新技术产业密集区，而高新区创新活动属于知识密集型活动。在创新活动中，具有较高技能水平或者受教育水平的劳动者，利用自身的经验和技能把创新要素变为直接的生产力来增加企业效益，可见劳动者的受教育程度能够很好地体现高新区在人力方面的投入。本文考察人力投入因素时注重人力投入质量，因此采用大专以上学历人员占年末从业人员的比重这个相对指标来衡量。

3.2.2 资本投入强度

资本投入强度不仅反映了人均资本投入情况，还反映了资本和人力两种生产要素的投入比例。根据新古典增长模型的边际报酬递减规律，在各部门之间存在一个效率最高的资金和人力投入比例，偏离这一最优比例即发生资源错配，从而阻碍创新。因此，资本投入强度对于创新效率的影响是不确定的。本文选取科技活动人员人均R&D经费内部支出来表征资本投入强度。

3.2.3 高新区规模

根据规模经济理论，高新区内企业数量越多，产业集聚效应就会越明显，企业之间通过分工合作和技术外溢的方式来提升创新效率。本文选取高新区入统企业数来表示高新区规模。

3.2.4 高新区开放程度

国家高新区在对外贸易中通过技术转移和技术市场前沿交流，不断扩大产品市场、引进先进技术、加强信息交流，有效发挥技术溢出效应和学习效应，实现技术改进，提升资源配置效率［34］。出口总额能够体现高新区出口产品技术溢出效应。企业通过加强对外交流合作，不断提升出口产品的技术水平，从而促进技术创新，提高企业创新效率。本文选用高新区出口总额来衡量其开放程度。

3.2.5 盈利能力

高新区盈利能力反映了高新区企业的偿债能力。盈利能力越强，企业越有资本进行研发创新活动。本文选用高新区企业净利润与高新区企业总收入的比值来衡量其盈利能力。

3.3 数据说明

为保证所获得统计数据的口径统一性和测算结果的可靠性，本文所选取的高新区投入产出和影响因素指标均来源于《中国火炬统计年鉴2012—2020》，环境变量来源于《中国城市统计年鉴2012—2020》，并用各个城市统计年鉴和统计公报的数据进行补充，对于仍然缺失的数据则使用插值法进行处理。截至目前所成立的169家国家高新区，大多数都在2009 年及以后批复成立。这些高新区属于新升级高新区，部分数据存在缺失，评价该部分高新区的创新效率存在困难。考虑到数据的稳定性和完整性，本文的研究对象为2009年以前成立的处于稳定期的国家高新区和纳入园区建设的苏州工业园区，其中杨凌高新区由于地域归属难以界定，因此将其从样本中剔除。

4 实证结果分析

4.1 第一阶段国家高新区创新效率测算结果分析

第一阶段运用Deap 2.1 软件，根据2011—2019 年54 个高新区的投入产出数据测度国家高新区的创新效率，分别得出每一年各高新区的综合效率、纯技术效率和规模效率，并整理得到各高新区综合效率和分解效率均值，如表3 所示。从第一阶段效率测算结果来看，2011—2019 年国家高新区平均综合效率为0.722，距创新生产前沿还有27.8%的改进空间。平均规模效率为0.907，平均纯技术效率为0.797，表明高新区规模效率更接近有效水平。只有长春的综合效率为1.000，投入转化水平发挥到极致；综合效率达到0.900 以上的有北京中关村、杭州、兰州、乌鲁木齐、沈阳和大庆，其接近生产前沿；综合效率处于0.600～0.900 的33 家高新区占比61.1%；综合效率处于0.600以下的14家高新区占比25.9%，低于全国平均水平。

4.2 第二阶段SFA回归结果分析

为反映高新区真实的经营管理效率，需要进行SFA 回归来剔除外部环境和随机因素的干扰。运用Frontier 4.1软件来估计所构建的SFA函数中的未知系数，以此考察环境变量对于投入松弛变量的影响，回归结果见表4。

表4 第二阶段投入松弛变量与环境变量的SFA回归结果

表4 中结果显示，各环境变量对投入松弛变量的影响系数大部分都通过了显著性检验，且LR单边检验也在1%的水平下显著，说明使用SFA模型进行回归是合理的，环境变量确实对高新区创新效率存在显著影响。环境变量对投入冗余的影响分析结果如下。

4.2.1 地区人均生产总值

该变量对所有投入冗余量均呈现显著的正向影响，说明地区经济发展水平的提高不利于创新效率的提升。这主要体现在我国经济较为发达的城市，如北京、上海、广州和深圳等。这些城市经济实力雄厚且创新资源十分丰富，但是如果较多的创新资源没有得到合理配置，就会出现创新效率不高的问题。

4.2.2 实际利用外资额

实际利用外资额对年末从业人员数量和科技活动人员数量的投入冗余具有正向影响但不显著，而对R&D 活动经费内部支出的投入冗余具有显著负向影响。这表明实际利用外资额会增加人力投入的冗余，但会减少R&D 活动经费内部支出冗余。实际利用外资额代表了当地的市场开放程度，市场开放程度越高，进入园区的创新资源就越多，但大量的创新资源堆积有可能造成其无法得到高效配置。

4.2.3 在校大学生数

回归结果表明，在校大学生数对投入冗余具有显著的正向影响。在校大学生越多，越需要投入更多的人力、财力和物力。虽然在校大学生数一定程度上反映了当地的文化教育水平，但是如果大学生毕业后没有留在域内或者没有被合理配置到相应的技术领域，就会产生资源的错配和浪费，因此造成投入的低效。

4.2.4 政府财政支出中科学技术支出

政府增加科技支出会使得人力投入的冗余减少，但会导致资本投入的冗余增加。政府支持高新区创新有利于提高人力资源的利用率，但若科技资源未得到合理配置就会使研发经费浪费。

4.2.5 邮电业务收入占当地生产总值的比重

该变量与年末从业人员数量冗余量的回归系数为正，而与科技活动人员数量和R&D 活动经费内部支出冗余量的回归系数为负且显著。这说明随着基础设施的逐步改善，高新区年末从业人员冗余增加，但是科技活动人员和资本的投入冗余减少。基础设施越完善，创新平台水平就越高，高新区就能减少交易成本，促进创新效率的提升。

4.3 投入调整前后国家高新区创新效率对比分析

第三阶段将剔除环境变量后的投入值和原始产出值代入DEAP 2.1软件，得到2011—2019年54个高新区调整后的综合效率、纯技术效率及规模效率，并绘制出投入调整前后高新区综合效率和分解效率变化情况图（见图1）。可知，第一阶段高新区综合效率、纯技术效率和规模效率都呈现“W”形的变化特征且趋势一致，纯技术效率不高制约着综合效率提升；第三阶段国家高新区综合效率和规模效率变化趋势一致，呈现“W”形变化特征，每一年的纯技术效率均大于规模效率，规模效率不高制约着高新区综合效率提升。

图1 投入调整前后2011—2019年国家高新区综合效率和分解效率变化图

分析54个高新区创新效率在投入调整前后的变化情况，各高新区年均综合效率及分解效率的变化值见表3。通过对比发现，剔除环境因素的影响后，我国54个高新区综合效率及分解效率值变化明显，大部分高新区综合效率和规模效率出现下降，而纯技术效率则有所提升。就全国层面而言，国家高新区的平均综合效率和规模效率均有所下降，分别由第一阶段的0.722 和0.907 下降为0.604 和0.621，调整之前被高估了0.118 和0.286，平均纯技术效率则在调整后上升了0.177，规模效率的降低直接导致了综合效率的下降。就各高新区而言，沈阳、福州、杭州、石家庄和济南等37个高新区的综合效率在调整前后出现了不同程度的降低，占比达到68.5%，其中降幅最大的是乌鲁木齐高新区，下降了0.726，说明环境因素的存在导致这些高新区创新效率虚高。纯技术效率除了北京中关村、海南、上海张江、长春、西安和乌鲁木齐这6家调整前后都为1.000，其余均有所上升；规模效率除了北京中关村、深圳、上海张江、武汉东湖和西安高新区有所提升，长春高新区保持不变外，其余均出现下降，这说明绝大部分高新区创新要素投入规模不合理，需要改变过往的粗放型发展模式，调整园区规模来提升创新效率。

进一步分析投入调整前后我国四大地区创新效率变化情况，结果如图2所示。对比发现，剔除环境因素后，四大地区国家高新区综合效率均有明显下降，下降幅度排序依次为东部地区（0.033）、中部地区（0.047）、西部地区（0.252）和东北地区（0.299），西部和东北高新区下降幅度明显高于东部和中部，说明环境因素对这两个地区的影响较大，同时也反映出西部和东北高新区的园区管理和建设水平亟待提升。在纯技术效率和规模效率方面，四大地区分别出现10%以上不同程度的提升和20%以上不同程度的下降。四大地区在调整后规模效率不高，这制约着各地区国家高新区创新效率的提升。

图2 投入调整前后我国四大地区国家高新区综合效率和分解效率值对比

4.4 第三阶段国家高新区创新效率区域差异性分析

为了反映各地区国家高新区之间和高新区内部创新效率变化趋势的差异性，本文根据2011—2019年各高新区创新效率测算结果绘制出图3和图4。

图3 2011—2019年四大地区国家高新区创新效率变化趋势对比图

图4 2011—2019年四大地区国家高新区创新效率变异系数变化趋势对比图

由图3 可知：东部高新区综合效率变化趋势呈现“W”形，在2012—2013 年间下降幅度最大，在2016—2019 年间一直上升；中部高新区总体上呈现上升趋势，效率值在2019 年达到最高；西部高新区总体上变化较为平稳，2011—2015 年间在四大地区中效率都是最低的，但在2016—2019 年间呈现上升的态势并超过东北地区；东北高新区呈现逐年下降的趋势，在四大地区中效率降低趋势最为明显；中部和东部的效率差距呈现“减小—增大—减小”的特征，而东北和东部的差距一直在变大，西部与东部的差距则保持稳定。

就各地区高新区创新效率内部差异变化情况而言，东部和西部高新区的变异系数在2011—2019 年间整体上呈现先上升后下降的趋势，创新效率内部差距呈现了先扩大后缩小的变化特征。东部高新区变化较为平稳，一直在0.300～0.400的范围内浮动，西部高新区变异系数呈现较大幅度的缩小态势。中部高新区变异系数在波动中变化且总体呈现下降趋势。东北高新区内部差距则呈现扩大的趋势，变异系数除了在2017—2018年间有小幅降低外，其他年份均在变大。这说明，对于东北地区来说，高新区内部均衡水平下降是阻碍其创新效率提升的重要原因。

根据表5 中四大地区综合效率和分解效率值，可对各地区创新效率进行比较分析。四大地区综合效率水平均不高，呈现东部、中部、东北和西部依次递减的梯状特征。东部高新区综合效率及分解效率最大值排名均为第一，综合效率均值排名第一是由纯技术效率和规模效率均值都较高引起的，表明东部高新区在资源配置和要素投入方面都较为合理；中部高新区规模效率均值排名第一，且变异系数最小，说明中部高新区要素投入规模最为合理且创新效率内部差异小；西部高新区各效率均值都排在末位，且综合效率变异系数最大，说明西部高新区各创新效率水平和均衡水平表现不佳；东北高新区综合效率也不尽如人意，且高新区规模不合理，应当发挥规模扩张带来的外部性效应，重视规模效率的提升。

表5 分地区国家高新区综合效率及分解效率统计指标

4.5 影响因素分析

4.5.1 模型构建

本文选取经过三阶段DEA 模型测算得到的54 个高新区的综合效率、纯技术效率和规模效率作为被解释变量，5 个影响因素指标作为解释变量，以此建立高新区创新效率与影响因素的线性回归方程，考察高新区内部因素对于创新效率的影响。模型设定如下：

为了消除量纲的影响，本文对部分解释变量进行对数化处理。根据因变量所代表的含义不同，Yit在回归时可分别表示2011—2019 年第i家高新区第t年的综合效率、纯技术效率和规模效率；X1it—X5it代表第i家高新区第t年的人力投入质量、资本投入强度、开放程度、规模和盈利能力；C为常数项；εit为随机扰动项。

4.5.2 变量描述性统计

选用2011—2019 年54 个高新区的数据，运行Stata 15.0软件得到如表6所示的各变量描述性统计结果（变量crste、vrste和scale分别表示综合效率、纯技术效率和规模效率）。

表6 解释变量和被解释变量描述性统计

4.5.3 回归结果分析

本文利用Stata 15.0 软件进行Tobit 测算。关于静态面板数据的Tobit 回归主要有混合效应模型、随机效应模型和固定效应模型。经过似然比检验（Likelihood Ratio Test）和拉格朗日乘数检验（LM），发现3 个模型存在显著的个体随机效应，应拒绝面板Tobit混合效应模型假设，即可考虑选择具有随机效应的Tobit 模型来进行回归分析。同时，F 检验可发现面板数据的固定效应显著，说明不应使用面板Tobit 混合效应模型；而经过Tobit模型的豪斯曼检验（Hausman），3个模型P值均小于0.05，通过了5%的显著性水平检验，应拒绝随机效应和固定效应无差异的假设，表明3 个模型都应选择固定效应进行Tobit 回归。因变量为综合效率、纯技术效率和规模效率的模型（1）、（2）和（3）的豪斯曼检验与回归结果见表7。

表7 Tobit回归结果汇总

由表7 可知，人力投入质量、资本投入强度、开放程度、规模以及盈利能力均对综合效率有显著的促进作用。由于综合效率可以分解为纯技术效率和规模效率，因此可以分别就各个因素对分解效率的影响来分析其影响方式。

人力投入质量对纯技术效率和规模效率均有促进作用，但对纯技术效率的促进作用不显著。人力投入质量对纯技术效率的促进作用不显著可以解释为：高新区创新作为智力密集型生产活动，需要从业人员有较高的知识素养，而研究生学历更能反映一定的知识和科研素养［35］；因此，我国国家高新区研究生学历从业人员占比较低［13］，可能引致人力投入质量对于纯技术效率的促进作用不显著这一情况。

资本投入强度、开放程度和规模都能显著促进高新区规模效率的提升，但对纯技术效率的影响都表现为抑制作用，因此三者对综合效率的促进作用是通过影响规模效率来实现的。资本投入强度对于纯技术效率的抑制作用反映出高新区创新资金投入使用效率低的信号：当资本和人力投入的比例不合理时，R&D 经费内部支出和科技活动人员的投入无法支持园区企业技术创新，研发资源未得到合理配置而造成浪费。高新区开放程度对纯技术效率的负向影响可以解释为：第一，高新区开放程度的提升依靠技术引进，而技术引进费用支出可能会占用创新过程中的部分资金投入，从而降低创新效率；第二，开放导致高新区市场竞争更激烈，抑制高新区部分产业创新成果的转化，进而降低创新效率。高新区规模对规模效率的正向影响可以解释为：高新区的研发活动需要知识、人才和其他资源要素作为支撑，只有具备一定规模的企业才能引进高技能人才并且支撑庞大的资源投入［7］，更好地发挥高新区规模效应。而高新区规模对纯技术效率的抑制作用反映出高新区产业集聚水平不高，企业协同创新水平有待进一步提升。

盈利能力对综合效率和分解效率的影响均显著为正，且对高新区综合效率的正向影响来源于对纯技术效率和规模效率的共同影响。一方面，高新区企业盈利能力越强，就越有能力进行研发创新，利润的增加也为创新软环境的优化奠定了基础；另一方面，高新区创新需要资金的支撑，企业盈利能力的减弱会削弱资金的支撑力度，从而制约高新区创新研发活动的开展。

5 结论与建议

5.1 结论

本文基于我国54 个国家级高新区2011—2019 年的投入产出数据和环境变量，运用三阶段DEA-Tobit 模型对国家级高新区创新效率和影响因素进行分析，得出以下结论。

第一，从三阶段DEA 分析结果来看，传统DEA 模型高估了国家级高新区的综合效率和规模效率，低估了纯技术效率，规模效率的下降直接导致了综合效率的下降。环境因素对西部和东北地区的创新效率影响较大，规模效率不高成为限制四大地区创新效率提升的关键因素。

第二，SFA回归发现，经济发展水平和文化教育水平的提升不利于高新区创新效率的提高，说明高新区所在地区的科技创新体制和市场化机制有待改善。

第三，各地区年均综合效率呈现东部、中部、东北和西部依次递减的梯状特征，东北、西部地区与东部、中部地区效率差距明显。西部高新区各项效率都排在末位；东北高新区综合效率不尽如人意，且其高新区规模不合理，应重视规模调整。东部和中部高新区创新效率较高得益于较高的均衡水平，而东北地区创新效率较低是其均衡水平不断下降引起的。

第四，固定效应Tobit 面板数据模型回归发现，对于高新区创新效率的促进作用，人力投入质量和盈利能力通过对规模效率和纯技术效率的共同影响来实现；资本投入强度、开放程度和规模则是通过影响规模效率来实现的。

5.2 建议

5.2.1 因地制宜，互相借鉴

不同类型的高新区应因地制宜，互相借鉴，取长补短。各高新区之间应该结合自身效率损失的原因采取不同的措施，尤其是要明确效率低下是由纯技术效率低下引起的，还是由规模效率低下引起的，抑或是两者兼有。西部高新区效率均值都排在末位，且内部发展差距最大，应扩大人才、资金等科技要素投入，重视资源配置水平和规模水平的提升。东北高新区纯技术效率最高，但规模不合理，应重视规模效率的提升。同时，对于西部和东北地区的高新区，政府部门也应给予政策扶持，改善其发展环境。

5.2.2 加大金融支持力度，拓展高新区融资渠道

我国高新区内企业以中小企业为主。受制于资金、政策、竞争和垄断等因素的影响，中小企业利润规模小、盈利能力弱、承担风险的损失大，严重影响了高新区内中小企业的创新投入水平，因而企业将经营重点放在生产和销售上，创新活动难以持续推进。要深化金融体制改革，推进利率市场化改革；完善金融体系，调整金融结构，扩大金融业对内对外开放，放宽银行业市场准入限制等；大力发展股票、债券等直接融资渠道，探索新型融资方式，提高企业信贷比例和授信额度；鼓励商业银行在高新区内设立科技支行，支持开展知识产权质押融资，支持符合条件的国家高新区开发建设主体上市融资。

5.2.3 壮大高新区规模，发挥优势产业集群效应

近年来，高新区通过扩容提效在创新产出方面取得了丰硕的成果，大部分高新区的规模效益通过扩大生产经营规模而有所提升。要发展壮大高新区规模，充分发挥规模扩张带来的产业集聚效应。各地政府应积极扶持高新区中小企业发展，鼓励中小企业做大做强，提高企业的规模效益，提升企业的研发效率和转化能力。各高新区应当利用政府金融机构宽松的信贷政策吸引高技术产业入驻，利用高技术产业带来的知识和技术溢出效应来促进企业的协同发展，发挥优势产业集群效应。

5.2.4 引导创新资源合理流动，促进高新区协同发展

受经济发展水平和技术水平的影响，我国高新区在东部、中部、西部和东北地区发展极不协调。东部高新区创新投入和创新效率一直处于遥遥领先的水平，而西部和东北地区在人力和资金投入方面均处于劣势，人才流失严重，区域内部发展也相对不平衡。为此，要破除体制机制的束缚，引导资源的自由流动和有序配置。高新区之间应加强合作与交流，打破空间壁垒，通过要素间自由流动来实现知识和技术溢出；各高新区应大力发展特色产业，集聚创新要素，协同推进东部、中部、西部和东北高新区创新效率的提升。