基于异质性复杂系统的高技术园区效率评价研究

严 焰

(浙江外国语学院国际工商管理学院，浙江杭州 310023)

一、引 言

(一)高技术园区及其效率

高技术园区(High－Tech Develo pmentzoo)也称为科学园(Science Park或Technology Parks)，通常包括三个要素:不动产投资，技术转移组织，以及研究所、政府和私人部门的合作，其建立主要是为了促进新技术企业(NTBFs)的形成和发展，在促进技术外溢和就业增长方面具有潜在的重要作用［1］177－184。高技术园区主要通过强调进入园区的优越性以吸引高技术企业的加入，主要包括运输成本、土地、熟练工人、财政补贴、位置优势、服务等方面的优势，其制度因素能够为隐性知识和经验的获取提供良好的环境［1］177－184。

国外关于高技术园区效率的研究主要集中在对其功能效率的探讨上，即通过分析比较高技术园区内企业和园区外企业各方面的绩效以及对区域经济的影响来评价园区的效率。高技术园区与企业相关的目标主要包括促进高校技术成果的转移、推动新技术企业的形成、鼓励已有高技术企业的成长、引导企业采用尖端技术、培育战略联盟或创新网络的形成;与区域经济相关的目标包括促进经济增长、创造就业机会、提升地方形象以推动产业发展［1］177－184。事实上，评价高技术园区的效率是很困难的，因为需要考虑园区内不同参与者的不同目标，比如大学、银行等所追求的利益均是不同的，要明确高技术园区的“附加价值”，就需要具体研究不同园区内企业的性质和绩效。高技术园区内的企业相对于园区外的企业，在性质上更强调其创新能力、竞争对手和市场定位、销售和就业增长及高额利润，它们在战略维度上有巨大的不同，但在绩效差异上园区内企业仅具有微弱的优势［2］245－258。高技术园区的销售和就业环境对园区内企业的成长具有积极影响［3］309－322［4］311－326，但园区内外企业在销售和就业方面的绩效差异并不明显［5］5－17，盈利能力也没有显著的差异［6］1025－1037。然而，大量研究表明高技术园区能对企业其他方面的绩效产生影响［1］177－184。区内高技术企业比区外高技术企业具有明显更高的存活率，较高的存活率和增长率较大的波动表明高技术园区为处于发展阶段的高技术企业提供了位置优势［5］5－17。高技术园区内企业在创新上具有更好的绩效，因此高技术园区是创新的摇篮［7］45－71。原因之一就是高技术园区对地方实验室的数量增长产生影响，而园区又从这些研发活动的增长中获益良多，甚至超过其在区域发展政策中的获益［8］225－243。因此，高技术园区是重要的技术政策工具，尤其在创新系统比较弱的国家内更是如此。

国内对高技术园区的评价大多关注园区本身的经济效益、投资环境、竞争力和运作效率，其出发点本质上大多基于国家对高新区的功能定位和发展。与国外相比，我国的高新区被赋予较多的功能［9］，对其评价更为困难，评价指标也更为复杂。大量学者分别或综合考虑技术园区在经济、环境、创新、辐射等方面的效能，针对评价指标体系的设计进行了研究，并运用所设计指标体系，利用实证数据资料采用不同方法对我国或区域高新园区的运作效率、竞争力及创新能力等进行了评价［9］［10］24－28［11］111－113［12］671－675［13］161－163。也有学者对高新区的聚集功能专门进行评价［14］81－84，并对我国高新区的产业集聚度进行测算，把高新区分为四个等级［15］128－135。关于园区运作效率的评价大多从投入产出的角度来进行［12］671 －675［16］。

(二)高技术园区评价方法

国外学者对高技术园区的评价大多从微观的角度，对园区内和园区外的企业进行调查，获取相应数据资料，通过数据的统计检验和比较分析方法进行［2］245－258［5］5－17。也有学者通过文献评述和定性分析的方法得出相应结论［1］177－184。还有学者采用计量经济方法，利用条件风险集模型(PWP模型)从时间连续性上估计企业取得专利的可能性，以此来评价高新园区的效益［7］45－71。

我国学者在对高技术园区进行评价的方法选取上，既有简单的对比法、指数法［16］，也有常见的统计方法，如层次分析法(AHP分析)［17］229－232、主成分分析和聚类分析法［9］，还有部分学者为了避免常见统计方法需要主观设置指标权重的缺陷，采用特殊的统计方法来进行评价，如基于人工智能神经网络的专家系统(BP网络模型)［10］24－28［11］111－113、熵值法［13］161－163［15］128－135、数据包络分析法(DEA法)［18］25－27等。此外，个别学者还利用标准CD函数建立计量经济模型，运用最小二乘法对高新区的聚集功能进行评价［14］81－84。

二、评价系统和模型构建

(一)评价系统构建

高技术园区内企业与园区外高技术企业是两个具有异质性的系统，它们处于不同范畴，处在不同生产环境，各自有着不同的生产特质。但另一方面，对于整个高技术产业而言，两者又拥有相同的目标和任务。通过比较两者的绩效，可以反映出设立和运行高技术园区的效力。因此，评价园区内企业对于园区外企业的相对效率，也应是园区绩效评价中不可或缺的一部分。而国内对高技术园区的效率评价往往忽视了这一点，大多仅仅从投入产出角度对园区自身运行效率进行评价。结合国内和国外对高技术园区效率评价的思路和方法，本研究试图将两个角度加以融合，建立一个多维的复杂评价系统(如图1)。

以省为单位将高技术产业视为一个大系统，则高技术园区内的高技术企业和园区外的高技术企业构成两个异质子系统(省内有多个高技术园区的情况下，需分别评价不同园区与园区外企业的相对效率，因此依然可简单视为仅有两个异质子系统)，从该维度评价园区内外的相对效率，可以衡量园区的功能效率;而从高技术园区集维度评价的园区相对效率，可以衡量园区的运行效率;利用这两个维度的评价结果，可以最终完成对高技术园区集相对效率的综合评价。该评价系统不仅能对高技术园区效率有一个更为全面和真实的认识，还能对高技术产业上述两子系统相应投入的合理配置指明方向，以达到改善总体绩效的目的。

(二)评价模型构建

1.评价方法和模型选择

数据包络分析(DEA)方法在处理多输入—多输出的有效性评价方面具有绝对优势。该方法不需要对输入和输出之间的关系建立显示表达式，建立模型前无须对数据进行无量纲化处理，而且以决策单元(DMU)输入输出的实际数据求得最优权重，无须任何权重假设，排除了很多主观因素，具有很强的客观性。基于以上优势考虑及所评价对象的特征，本研究选取数据包络分析(DEA)方法作为基本方法。

经典DEA模型假定DMU具有同质性，但在本研究评价系统中，高技术园区内的高技术企业和园区外的高技术企业很显然具有异质性，在这种情况下，经典DEA模型得出的效率分数夹杂着环境等异质因素对投入产出转化能力的影响，并不能合理反映现实。国外很多学者对于这一问题进行了大量有益的探索［19］251－253。根据本研究评价系统中 DMU 的环境异质性，结合可操作性、适用性等考虑，研究选择经典模型的扩展模型——两阶段DEA模型［20］1－5，作为基本评价模型。

两阶段DEA模型的主要模型单元依然是最基本的C2R模型，而C2R模型具有众所周知的局限性。比如，该模型只是将DMU分为有效和非有效两类，由于有效DMU的效率评价值均为1，因此对于多个同时有效的DMU则无法进一步细分，亦无法做出进一步评价和比较。本研究从高技术园区集维度进行运行效率评价时，DMU数量较多，出现多个有效DMU的可能性较大。因此，在该项评价中有必要采用一种DEA 改进模型——DEA 超效率模型［21］38－42。

从园区内外两个异质子系统维度进行园区功能相对效率评价时，只有园区内和园区外两个DMU，DMU数量明显少于输入输出指标，不能满足传统C2R模型对DMU数量的要求。因此，在该项评价中我们采用改进型DEA模型，即在原有模型的基础上引入两个虚拟DMU，以实现有效区分和排序［22］45－46。

2.具体评价模型构建

首先，利用DEA超效率模型，从高技术园区集维度进行运行效率评价。

在以省为单位的高技术产业大系统中，有园区内和园区外两个异质子系统，它们构成异质的独立DMUr(r=1，2)。被评价子系统(如园区内高技术企业)DMUr在其所属集(如高技术园区集)内，有n个同质DMUjr(j=1，2，…，n)，每个DMUjr分别有m种类型的输入和s种类型的输出，分别记为:

则基于高技术园区集维度，利用基于输出的DEA超效率模型，可以评价各子系统在其特定集内的相对效率。

解n次线性规划，即可得到子系统r(r=1，2)在其所属集内各DMUjr的相对效率评价值θjr(j=1，2，…，n)。θjr值大于等于 1 的 DMU 为有效单元，θjr值小于1的DMU为无效单元。

其次，利用改进型DEA模型，在各省内从异质子系统维度进行园区功能效率评价。

园区内高技术企业和园区外高技术企业这两类系统虽然有不同的生产环境和生产特质，但对于各省高技术产业而言，两者拥有相同的目标和任务，并要求尽可能地实现所投资源的增值。设异质 DMUjr(j=1，2，…，n;r=1，2)同样分别有m种类型的输入和s种类型的输出。考虑到异质性，对各省子系统DMUjr增加一输出分量 ys+1，jr= θjr［20］1－5，使 n 个省子系统的输入与输出向量变为:

由于在此研究中，r=2，即进行省内子系统相对效率评价时，只存在两个DMU，需考虑改进型DEA模型。引入两个虚拟决策单元DMUr+1和 DMUr+2，其中DMUr+1表示最优决策单元，即以所有实际决策单元中的最小输入值作为输入，最大输出值作为输出;DMUr+2表示最劣决策单元，即以所有实际决策单元中的最大输入值作为输入，最小输出值作为输出。在此基础上建立相应的基于输出的DEA超效率模型，则可以评价各省园区内外企业的相对效率 ρjr(j=1，2，…，n)。

最后，对高技术园区集进行相对效率评价。

高技术园区的相对效率可由园区在所属集内的相对效率评价值θj和园区内企业对园区外企业的相对效率评价值ρj得出，为αj=ω1θj+ω2ρj。其中，ω1+ ω2=1 ，分别表示权重，可根据各省高技术产业的总体发展状况设定。考虑到园区内企业对园区外企业的相对效率(即功能效率)是在一省内进行比较得出，是一个相对指标，因此，在高技术产业总体发展水平较高的区域，园区的功能效率有存在被低估的可能，从而低估发展成熟区域高技术园区综合效率;反之，在高技术产业总体发展水平较低的区域，园区的功能效率则存在被高估的可能，从而高估发展落后区域高技术园区的综合效率。因此，在高技术产业总体发展水平较高的成熟区域和发展水平较低的落后区域，评价其综合效率时，应适当降低功能效率ρj的权重ω2，提高运行效率θj的权重ω1，以避免该问题的产生，这样可以更为科学合理地对不同省份高技术园区的综合效率进行比较，亦能对各省高技术园区的发展状况有一个更为客观的认识。

在此基础上，即可得到高技术园区集的总体效率:

很容易看出，提高园区运行效率或功能效率之一，或是同时提高两者，均能提高园区综合效率。因此，提高我国高技术园区综合效率的途径之一在于提高各园区资源的利用效率;途径之二在于进一步改善园区内外企业的资源配置，以使得园区功能效率更为突出。

三、评价指标选择及数据获取

本研究在以往研究成果基础上，基于“人、财、物”三个层面，分别设立从业人员、R＆D经费支出和年末资产三个投入指标;在输出指标的选择上，结合数据资料的可得性考虑，选取净利润和出口创汇两项产出指标。

当前我国共有高技术园区(高新区)56个，分布在除青海、宁夏和西藏之外的全国28个省市(自治区)。其中，陕西杨凌区近年净利润出现负值，在进行效率评价时不予考虑。因此，本研究中高技术园区集的DMU数量为55个，非高技术园区集的DMU数量为28个。将一省市(自治区)视为一个大系统，可将其内园区企业和非园区高技术企业分别视为两个异质子系统，将55家高技术园区(园区子系统)分别与其所属大系统中的非园区高技术企业子系统进行相对效率评价，可以得到55个园区的功能效率。最后再计算出高技术园区集的综合效率。

研究所需各DMU投入、产出指标的相应数据，均采用2010年的截面数据，主要由《2011中国火炬统计年鉴》中获取和整理。

四、基于二阶段DEA模型的高技术园区效率评价

研究采用EMS1.3软件对所搜集整理的数据进行数据包络分析。其中，在对各园区功能效率进行评价时，由于DMU数量过少，即使引入了虚拟决策单元，并采用超效率DEA模型，仍难以对有效率园区进行很有效的区分和评价，出现多个效率分值为1的单元。因此，在对功能效率进行排名的时候，对于多个效率分值为1的单元需进一步考虑园区外企业的相对效率。在园区具有相同功能效率评价分值的情况下，园区外企业的相对效率分值越低，说明园区的功能效率相对越高。

综合效率的计算需要设置运行效率和功能效率的权重，如前面的分析所述，我们需根据园区所在省份的高技术产业总体发展水平，为不同省份的园区设置不同的权重。高技术产业的竞争力是衡量高技术产业总体发展水平的一个重要指标，国内外大量学者都曾对此进行过研究。在这里我们采用林秀梅和徐光瑞［23］20－24的研究结论，将本研究中高技术园区所在的28个省根据高技术产业竞争力水平高低划分为三类，A类是竞争力较强的省份，包含广东、江苏、北京、上海4省市;B类是竞争力中等的省份，包含山东、浙江等8个省份;C类是竞争力相对较弱的省份，包含重庆、吉林、海南等16个省市。根据本研究的思路，高技术园区的运行效率和功能效率对其综合效率评价均具有非常重要的作用，可认为一般情况下，这两类效率具有相同的权重，因此，我们将高技术产业竞争力中等的B类省份的运行效率θj权重ω1和功能效率ρj权重ω2分别赋值为0.5和0.5。然而，根据前面的分析，A类省份为高技术产业竞争力较高的成熟区域，功能效率存在被低估的可能，导致对其综合效率的低估;C类省份为高技术产业竞争力较低的落后区域，功能效率存在被高估的可能，导致对其综合效率的高估。因此，对这两类省份的高技术园区进行综合效率评价，均应适当降低功能效率ρj的权重，提高运行效率θj的权重。在此，我们将问题简单化，仅仅通过权重的略微调整展现这一研究思路和考虑，将A类和C类省份的运行效率θj和功能效率ρj分别赋予较高的权重ω1=0.6和较低的权重ω2=0.4，以使得综合评价结果更为科学。从而，各高技术园区运行效率和功能效率的权重赋值如表1所示。

根据表1所赋予的权重，各园区效率、排名及全国高技术园区综合效率评价结果如表2所示。

运行效率、功能效率和综合效率排名前十位和后十位的园区如表3所示。

表1 各高技术园区运行效率和功能效率的权重赋值

表2 我国高技术园区的效率评价结果

表3 我国高技术园区效率排名前十位和后十位

五、结论及启示

(1)以上评价结果显示，我国各高技术园区的功能效率总体较好，具有效率的园区有22家，说明这些高技术园区在突出生产要素聚集、合作研发优势等方面相对本省水平表现良好;运行效率相对来说则要弱，具有效率或超效率的园区只有5家，说明从投入产出角度而言的园区自身运作效率情况并不是很乐观。但从整体排名来看，高技术园区的运行效率在更大程度上影响着园区的综合效率，这在某种程度上显示了两者之间具有密切的关系，即提升园区的运行效率是提升其功能效率和综合效率的根本。因此，全国各高技术园区要提高效率，根本上应着力于运行效率的提升。

(2)从地域分布上来看，排名前十位的高技术园区中有一大半居于东部沿海地区，亦大多位于高技术产业竞争力较强及中等的A类和B类省份;中西部及东北部地区仅有少部分高技术园区综合效率排名居前;但排名后十位的高技术园区则基本都位于中西部及东北地区，我国高技术园区综合运行呈现出东部沿海地区优于中西部及东部地区的总体状况，经济发展水平、宏观环境及政策等对于高技术园区的综合效率起着较为重要的影响和作用。值得注意的是，在排名后十位的高技术园区中，有绵阳、大连、沈阳、淄博和西安的5个园区位于B类省份，在总体高技术产业竞争力中等的情况下，这些园区的综合效率表现却不尽如人意，说明高技术园区在增强这些省份的高技术产业竞争力中的作用十分有限。

(3)进一步强化高技术园区在土地资源的集约利用、产业的集聚、共性技术的创新与扩散、管理服务平台建设及政策的扶持等方面所具有的区位优势，从软环境上突出其功能优势，也是提升我国高技术园区综合效率的重要途径。

(4)根据DEA评价结果，我们可以利用相应的松弛变量，对无效率园区的各项投入进行调整，进行效率的优化。从理论上来说，DEA结果对我们的投入产出调整和资源配置提供了潜在目标，这种改进潜力的理论预测可以作为理论标杆对资源的配置调整提供导向。当然，要实现这样的效率目标，必须要有配套的管理方法和政策机制的改进。

(5)本研究结果中综合效率具有超效率的园区，包括惠州、长春、厦门、乌鲁木齐和上海的5个园区，尤其是长春和乌鲁木齐两个位于C类省份的园区，综合效率的表现出人意料，值得进一步探讨。在后续研究中深入调查、探讨和学习这些表现优异的园区的相关经验，可以为提升无效率高技术园区的效率，促进其发展提供借鉴和帮助。

六、研究的不足及改进

囿于篇幅，研究根据园区所在省份的高技术产业总体发展水平设置不同的权重时，直接借鉴林秀梅和徐光瑞的研究结果［23］20－24，而该结果对于本研究而言，略显粗糙，以后的研究可发展出有针对性的方法和评价体系，以进一步细化和深入对各省份高技术产业总体发展水平的评价和分类，在此基础上，权重的设置也可以进一步科学化。

对高技术产业总体发展水平较好和较差的省份进行权重调整时，本研究仅仅是粗糙地进行简单调整以展现这一研究思路和考虑，缺乏一定的科学性，以后的深入研究中，可依据本研究提供的思路，采用专家打分法，或发展出一套依据产业总体发展水平的细化评价体系设置权重的方法等，进一步提升综合效率评价的科学性。

［1］Donald S.Siegel，Paul Westhead ＆ Mike Wright.Science Parks and the Performance of New Technology－Based Firms:A Review of Recent U.K.Evidence and an Agenda for Future Research［J］ .Small Business Economics，2003，(20).

［2］Lindelöf P. ＆ Löfsten H..Science Park Location and New Technology－Based Firms in Sweden－Implications forStrategy and Performance［J］.Small Business Economics，2003，(20).

［3］Löfsten H. ＆ Lindelöf P..Science parks in Sweden:Industrial renewal and development?［J］.R＆D Management，2001，(31).

［4］Lindelöf P. ＆ Löfsten H..Proximity as a resource base for competitive advantage:University－industry links for technology transfer［J］.Journal of Technology Transfer，2004，(29).

［5］Richard Ferguson＆ Christer Olofsson.Science Parks and the Development of NTBFs－Location， Survival and Growth［J］.Journal of Technology Transfer，2004，(29).

［6］Löfsten H. ＆ Lindelöf P..R＆D networks and product innovation patterns－academic and non－academic new technology－based firms on science parks［J］.Technovation，2005，(25).

［7］Mariagrazia Squicciarini.Science Parks'tenants versus out－of－Park firms:who innovatesmore?A durationmodel［J］.JTechnol Transfer，2008，33.

［8］Appold S.J..Research Parks and the location of industrial research laboratories:An analysis of the effectiveness of a policy intervention［J］.Research Policy，2004，(33).

［9］陈晓亮.基于“四位一体”定位目标的高新区发展评价研究［D］.北京林业大学，2006.

［10］陈先运.高新技术园的竞争力指标体系的构建与模型研究［J］.山东理工大学学报(自然科学版)，2004，18(1).

［11］郭岚，张祥建，等.基于神经网络专家系统的高新技术园区竞争力分析［J］.科学学与科学技术管理，2004，(4).

［12］邵学清，卢博文.对我国高新区评价的现状与要解决的问题［J］. 科学学研究，2007，(4).

［13］王萍，刘思峰.基于熵值法的高新园区自主创新能力综合评价研究［J］.科技管理研究，2009，(7).

［14］田新豹，李玉梅.我国高新区集聚功能评价研究［J］.首都经济贸易大学学报，2006，(1).

［15］刘会武，王胜光，等.国家高新区产业集聚度的测算与分析［J］. 科研管理，2007，28(5).

［16］张子龙.南昌国家高新技术产业开发区发展及投资效益分析［D］.南昌大学，2006.

［17］关伟.大连高新园区技术创新能力评价研究［J］.辽宁师范大学学报(自然科学版)，2006，29(2).

［18］汪婷，向隅.我国高新技术产业开发区发展状况比较评价［J］.技术经济与管理研究，2005，(4).

［19］鲁涛，周晶.基于DMU异质性的DEA研究述评及展望［J］.生产力研究，2010，(2).

［20］吴华清，梁樑，等.非同质子系统间效率评价及其资源配置［J］. 系统工程，2006，24(12).

［21］金水英.基于超效率DEA的城市知识资本利用效率评价［J］.软科学，2010，24(12).

［22］吴雷，陈伟.基于DEA的装备制造业技术创新能力的评价研究［J］.科技管理研究，2009，(6).

［23］林秀梅，徐光瑞.我国高技术产业竞争力省际比较［J］. 当代经济研究，2010，(5).