自1988年我国第一个高新区成立,至今30年来我国国家高新区发展迅猛,各个省份都建立了自己的高新区,但是由于我国地域广阔,各区域或省的经济发展水平之间存在很大的差距,极其不平衡。以往对全国高新区的研究大都是基于某一年的数据,且通常对原始数据或基于因子分析的数据采用聚类分析来对各高新区的发展水平及状况进行研究。以往的研究方法虽然取得很好的应用效果并能对国家政策提供一些有效的政策性建议,但是以往所有的方法都忽略了一个重要事实,就是我国各区域或省的经济发展水平之间存在很大的差异,进而导致高新区建设的原始投入包括人力、财力及政策开放度等方面也会存在很大的差异。不抛开原始投入,只看总量的分析方法无法对高新区真正的发展做出合理的预测,从而也会给出不合理的政策性建议。鉴于此,本文提出基于相对发展速率指标的原始数据和因子分析数据进行聚类分析。进一步,本文将研究聚类数目的自动选择问题,区别于回归或分类等有监督学习,聚类分析属于无监督学习,从而无法通过回归或分类中常用的交叉验证来选择聚类数目。本文创新地引入以往研究中选择聚类数目的26个方法如CH(Calinski和Harabasz)方法,Duda方法等,采用类似分类投票原则来选择26个方法中选择最多的聚类数作为最终的聚类数目。最后,将基于相对发展速率指标的聚类结果分别与基于2014,2017年一年的数据聚类结果进行对比发现,基于2014年,或2017年一年的数据的聚类结果类似,但是这两年的聚类结果与基于相对发展速率指标即本文所提的动态聚类的结果存在较大差异,且结合年度发展状况,可找到真正高速发展的高新区。因此,本文建议政府对那些真正高速发展的高新区进一步加大投入,对那些仅仅是因为丰厚的原始投入但发展速度慢的高新区减少投入,从而实现资源的优化配置。