时 奇， 熊 武

(1. 东华理工大学 经济与管理学院，江西 南昌 330013；2. 南昌大学 经济管理学院，江西 南昌 330031)

福建省地处我国东南沿海地区，经济发展相对处于较高水平，经济发展速度也相对较快。近10年来，福建省科技投入逐渐增加，促进了科技创新，带动了高新技术产业的蓬勃发展。但是,与我国其他发达地区相比，福建省的产业结构还不是足够完善，资金流动速度较慢，科技创新成果较少，科技与金融之间的融合程度并不高。科技与金融是现代经济社会发展中的两个重要力量。科技创新可以推进技术进步，加快企业发展速度，增强企业核心竞争力；金融发展可以调整我国产业结构，促进金融创新，加快资金流通速度，促进经济的发展。科技金融是促进科技开发、成果转化和高新技术产业发展的一系列金融工具、金融制度、金融政策与金融服务的系统性、创新性安排[1]。伴随着科技金融概念的提出，很多学者提出了多种分析科技金融发展效率的方法与模型。数据包络分析和随机前沿分析是研究效率问题的主流方法。与传统方法相比，这两种方法不大需要偏好和价格等经济学信息，而且能够有效地处理多投入或多产出模型，得到了许多研究者的青睐。本文同时使用这两种方法，选取了2000年到2016年福建省的科技金融投入指标与产出指标的数据，分别用两种模型单独测定出福建省科技金融发展效率，随后对两种模型得出的效率分析结果进行对比，以便更精确地把握福建省科技金融发展效率的具体情况。

1 科技金融的研究现状

关于科技金融较早期的研究主要关注科技与金融之间的相互促进作用和结合机制。国外对金融与科技之间促进作用与结合机制方面研究较早。Gurley et.al发现一个国家的银行系统通过金融活动对科技创新的支持力度能够影响到国家的经济发展水平[2]。Darwin发现新技术的产生推动生产效率的提高，提高社会的生产力水平，并带来利润的增加，但这需要事前金融活动的支持，因此科学技术的创新对金融体系的发展起了一定程度的促进作用[3]。Saint-Paul发现，由于市场中金融风险分散机制的完善，人们开始敢于尝试使用高风险高生产率的技术，这就促进了科学技术的进步[4]。King和Levine发现金融工具的发展为科学技术的创新提供了资金方面的支持，金融投入的增加能够加快技术进步，并有力地推动国家经济的迅速发展[5]。Laeven通过研究金融创新对科技创新的作用，得出了金融产品与金融服务的创新能够加快实现科技创新的结论[6]。

在国内，对科技金融的研究起始于本世纪初。早期学者们主要关注科技与金融之间促进作用与结合机制。张育明从市场运行模式与市场竞争等方面进行了论证，分析科技与金融之间融合的具体情况，发现科技与金融的融合机制不仅与国家经济运行的体制有关，还与国家的金融市场运行模式有关[7]。姚战琪和夏杰长考察了科学技术创新与金融创新之间的相互作用，从金融创新对科学技术进步的促进作用与科学技术进步对金融创新的促进作用两方面进行分析，以促进科技与金融之间的高效融合，带动我国经济的发展[8]。黄国平和孔欣欣描述了我国金融市场发展以及科技创新发展的现状进行，并分析我国金融行业的发展对科学技术创新的发展有积极促进作用的机制[9]。

近年来，各界学者对科技金融的探索从开始的理论研究转到对科技金融发展效率的实证分析上来。这些研究主要采用了两种方法。第一种为Charnes等提出的DEA方法，它根据投入产出的数据，选择某一个或几个决策单元作为技术上有效率的点，构造一个生产前沿，该生产前沿是与同级别其它生产者相比较的，因此是相对的。DEA属于非参数方法，不采用特定的生产函数，其均值结构能够根据数据而调整，而不过多的依赖于严格的假设[10]。另一种为Aigner等提出的SFA方法，它利用决策单元的生产函数构造出一个随机生产前沿，这个生产前沿反映了自身最高可能的效率水平，是绝对的。SFA属于参数方法，需要选择适当的生产函数。SFA作为一个随机模型，天然地就更适合处理带有噪音的数据(noisy data)[11]。

采用DEA模型且其研究对象与本文相关的有以下文献。李雅丽选取江西省2000—2010年的时间序列数据，运用DEA模型进行实证分析，得出江西省在2004、2005、2009年存在较为严重的非效率情况，投入过多并且产出不足，资源未能得到合理配置[12]。许汝俊等选取长江经济带中各省市2009—2012年的面板数据，运用DEA模型进行实证分析，得出了近年来这些省份科技金融效率增长主要来源于技术进步，通过加大金融投资对科技创新的支持力度能有效提高整体科技金融发展效率的结论[13]。李丹丹和侯俊华构建了一个DEA-BCC模型，对2003年到2004年江西省农民工创业政策绩效进行了评价。研究结果发现，应当增加政策的持续性，转变创业发展方式，以提高经济绩效[14]。李林汉等选取各省在2015年的截面数据，运用DEA模型进行实证分析，测定出各个省市2015年中的科技金融发展效率及影响因素，他们发现我国除少部分发达地区之外，大部分地区科技金融技术效率值普遍偏低[15]。

采用SFA模型且其研究对象与本文相关的有以下文献。黄瑞芬和邱梦圆根据我国各省2006—2014年的面板数据，选取了科技金融效率测定体系中多产出指标的其中的一个产出指标国内专利申请授权量[16]。他们通过SFA模型进行实证分析，发现我国各省市科技金融效率逐年提高，而且高技术密集地区如北京、上海、浙江等的科技金融发展效率较高，技术发展落后地区如内蒙古、广西等的科技金融发展效率较低。蔺琦珠选取了我国各省2001—2014年的面板数据，面对科技金融效率测定中的多投入多产出指标的情况，先运用熵权法算出产出指标权重，然后将其综合成一种产出，运用SFA模型测定出各个省市的历年科技金融发展效率，她发现随着我国经济发展水平的逐年上升，各省市科技金融效率也具有逐渐提高的趋势[17]。赵文洋等(2017)选取了我国26个省市的2010—2015年的面板数据，面对科技金融效率测定中的多投入多产出的情况，通过引进距离函数并结合超越对数生产函数的SFA模型，得出各个省市历年的科技金融发展效率分析结果。他们发现，一方面，随着科技金融投入强度的增加，科技金融效率值也在提高；另一方面，科技金融效率在各区域之间存在着较大差异，东部地区效率值相对较高，而中西部地区效率值较低[18]。

由上看出，多数文献根据其研究对象，选择了DEA或SFA其中一种方法来做效率评价。在选择DEA模型还是SFA模型的时候，最重要的问题是研究者到底要的是均值结构的弹性还是噪音分离的准确性。本文研究的福建省科技金融发展情况，较少有文献做出前期研究，其均值结构是未知的，而且科技金融的发展具有较大的随机性，且属于带噪音的数据。因此，本文同时运用的DEA模型中的CCR与BCC模型与超越对数生产函数的SFA模型，为研究福建省科技金融发展效率给出一个较为全面的经验分析。

2 变量与数据说明

2.1 投入指标与产出指标的选取

研究科技金融发展效率的时候，指标的选取不但要能够全面准确反映出科技与金融投入数量与产出结果，而且需要适合模型分析的要求。本文在张瑞、江湧、黄瑞芬和王环的基础上[19-21]，结合福建省近年来科技金融发展的现状，所选定的福建省科技金融相关的投入指标与产出指标的具体情况如表1所示。

表1 福建省科技金融投入指标与产出指标

2.1.1 投入指标具体说明

本文所选定的四种投入指标分别为R&D经费内部支出、地方财政科技拨款、人均R&D经费支出及R&D固定资产构建费用。这四个指标的数值大小能充分反映出金融投入的力度。投入指标具体说明如下所示。

(1) R&D经费内部支出：R&D经费又可称为研究与试验发展经费。R&D经费内部支出可分为基础研究支出、应用研究支出与试验发展支出三个部分。其中，包括日常性支出即人员劳务费与资产性支出即仪器和设备购买支出等。

(2) 地方财政科技拨款：指地方政府财政部门为了支持地方科技研究发展所拨发的款项。该项指标的大小充分显示了财政部门对科技创新的支持力度，对于加快实现创新驱动发展战略与实现科学发展具有重大意义。

(3) 人均R&D经费支出：指研究与试验发展机构部门中的科研工作人员每人每年平均获得的科研经费支出。由获得的R&D经费内部总支出除以R&D工作人员总数得到。

(4) R&D固定资产构建费用：指研究与试验发展部门中用于购买研究所需的固定资产所花费的资金。其中，包含了研究试验室房屋的建造费用，购买实验室内部供研究所需仪器等的费用。这些设施的构建是进行研究实验的前提条件。

2.1.2 产出指标具体说明

本文所选定的三种产出指标分别为发明专利授权量，高新技术产业新产品产值以及技术市场成交合同金额，其具体说明如下所示。

(1) 发明专利授权量：指通过国家专利行政部门审核并授予专利权和颁布专利证书的专利数量。它包括理论创新，如论文创新与科技创新及新产品新技术的开发等。创新是经济发展的不竭动力，这些专利的产出可以带动技术进步与经济发展。

(2) 高技术产业新产品产值：通过科技经费的大量投入，其结果便是产生了各种各样的新技术，由此形成的各种高新技术产业并大量产出新产品。通过新产品产值的统计数据的大小，可以明显地看出科技产出的具体情况。

(3) 技术市场成交合同金额：由技术市场上的技术开发类合同、技术转让类合同、技术咨询类合同以及技术服务类合同等的具体成交金额进行汇总得到。通过该指标数值大小可以反映出技术市场的发达程度。

2.2 数据收集及数据来源说明

本文选取2000—2016年福建省的科技金融投入指标与产出指标数据作为研究样本，来测定福建省的科技金融发展效率。其中，科技金融投入指标与产出指标的数据主要来源于《中国科技统计年鉴(2001—2017)》《福建省统计年鉴(2001—2017)》以及《中国高技术产业统计年鉴(2001—2017)》。投入指标数据具体情况如表2所示，产出指标数据具体情况如表3所示。

表2 福建省科技金融投入指标数值

表3 福建省科技金融产出指标数值

3 福建省科技金融发展效率分析

3.1 福建省科技金融发展与经济发展水平的现状与趋势

近年来，福建省经济发展速度较快，科技与金融之间融合程度也有所上升。截至2017年，福建省的GDP总额达到3.23万亿元，比去年增长了8.1%。福建省现有科技活动人员272 770人，R&D人员201 090人，科学研究与开发机构102个，规模以上工业企业17 262个，R&D经费支出为454.29亿元，专利申请授权67 142项，高新技术产业新产品产值达到1 572.92亿元，技术市场成交合同金额达到1 057 125万元。

R&D经费支出是衡量科技金融投入力度的重要指标。GDP总量代表一个地区的总产值，可以较好地反映出经济发展水平。本文选取2000—2016年福建省的R&D经费支出与GDP总额数据来分析福建科技金融发展与经济发展趋势。如表4所示，福建省2000—2016年每年的R&D经费支出与GDP总额都在增加，且R&D经费支出在GDP总额中的占比也在逐年增加，说明福建省的科技金融投入强度在逐渐增加，充分显示了福建省委省政府对科技金融的发展的重视与支持。

表4 福建省R&D经费支出与GDP总额情况

3.2 基于DEA模型的福建省科技金融发展效率分析

3.2.1 DEA模型基本介绍

DEA模型是一种运用十分广泛的非参数方法前沿效率测定模型。其中，CCR模型假定生产规模报酬不变，其测得出的效率称之为整体综合技术效率，其中包含了生产规模影响因素与生产技术影响因素。根据CCR模型的测定结果可以将效率有效性分为四种类型：(1)DEA有效。测定效率值为1时，说明该DMU处在DEA有效状态；(2)DEA相对有效。测定效率值处于0.9～1之间时，说明该DMU处在DEA相对有效状态。(3)DEA非有效。测定效率值处于0.1～0.9之间时，说明该DMU处在DEA非有效状态。(4)DEA无效。测定效率值处于0～0.1之间时，说明该DMU处在DEA无效状态。BCC模型设定生产规模报酬是可变的，在增添了生产规模报酬变化的影响因素之后，其将CCR模型中的综合技术效率分为了两方面，一方面是规模效率，另一方面是纯技术效率。三者之间的关系可以表示为：综合技术效率=纯技术效率×规模效率。

3.2.2 DEA模型效率分析结果

本文选择福建省2000—2016年中与科技金融发展相关的投入指标与产出指标的数据，并将其导入到软件DEAP Version2.1中，运用DEA模型进行实证分析，得到的CCR模型与BCC模型的福建省科技金融发展效率分析结果如表5所示。

表5 福建省科技金融发展效率分析结果

由表5中可以看出，在2000—2016年的17年中有8年实现了DEA有效，说明在这8年之中，福建省科技金融发展效率很高，实现了资源的合理配置与有效利用；有6年实现了DEA相对有效，说明在2001、2005、2006、2008、2013、2014这6年中通过对投入和产出进行相关的轻微调整便能够实现资源的有效配置，提高科技金融发展效率。而在2007、2009、2010这3年中，效率值处于DEA非有效状态，表明这几年中福建省的科技金融相关投入产出并未实现资源的合理配置，需要对投入产出指标进行较大程度的调整才能实现资源的有效配置。

3.2.3 福建省科技金融投入指标与产出指标冗余量

由DEA模型得出的投入指标冗余值表6和表7显示，其冗余值主要集中在地方财政科技拨款和R&D固定资产构建费用两个指标上，表明福建省科技金融发展在地方财政科技拨款和R&D固定资产构建费用方面投入过多，使得资源并未得到充分利用。其中，2005—2010年投入过多现象尤为明显，导致这些年份中科技金融发展效率未达到DEA有效。针对投入过多的情况，政府应适当减少盲目投入，以达到提高福建省科技金融发展效率的目的。

表6 福建省科技金融CCR模型投入指标冗余值

表7 福建省科技金融BCC模型投入指标冗余值

由DEA模型得出的产出指标冗余值表8和表9显示，其冗余值主要集中在专利申请授权量与技术市场成交合同金额两个指标上。这表明福建省科技金融发展在专利申请授权量和技术市场成交合同金额方面产出不足，并未实现既定投入资源下的有效配置。其中，专利申请授权量产出不足主要在2005—2008年，技术市场成交合同金额不足主要在2006—2008年和2013—2014年。针对科技产出不足的情况，政府应当加强科技创新，加快技术进步，以实现资源的更高效运用，达到提高福建省科技金融发展效率的目的。

3.3 基于SFA模型的福建省科技金融发展效率分析

3.3.1 SFA模型基本介绍

SFA模型是一种运用十分广泛的参数方法前沿效率测定模型。该模型需要确定具体的前沿生产函数，其模型基础组成如下所示。

lnyit=lnf(xit,β)+vit-uit(i=1,2,…,n；t=1,2,…,T)

TEit=E(exp{-uit}|εit)

表8 福建省科技金融CCR模型产出指标冗余值

表9 福建省科技金融BCC模型产出指标冗余值

3.3.2 SFA模型效率分析结果

本文选择福建省2000—2016年中与科技金融发展相关的投入指标与产出指标的数据，并将其导入到软件R中，运用SFA模型进行实证分析。运行出的参数估计值如表10所示，得到的福建省科技金融发展效率分析结果如表11所示。

表10 SFA模型参数估计结果

表11 福建省科技金融发展效率分析结果

由表11可知，在2000—2016年的这17年中，大多数的效率值都处于较高水平，说明历年中福建省科技金融发展效率较高，在较高程度上实现了投入与产出的资源有效配置与合理利用。在2002年、2009年、2015年效率值较低，说明这几个年份中科技金融发展不佳，投入产出未能实现资源的有效配置，需要在一定程度上对投入指标与产出指标的数值进行适当的调整，从而提升福建省科技金融整体发展效率。这17年的效率分析结果中并无出现效率值为1的情况，主要是因为SFA模型选取了特定的生产函数来构建前沿面，同时，考虑到随机因素的干扰与技术无效率因素的干扰，其分析过程中不易受到样本中特殊点的影响，因此得到的效率分析结果更加精确。

3.4 DEA模型与SFA模型效率分析结果对比

本文在通过DEA模型与SFA模型分别测定出福建省科技金融发展效率结果之后，将两种模型之间得出的2000—2016年之间的效率分析结果进行对比分析，对比情况如图1所示：

图1 DEA模型与SFA模型福建省科技金融发展效率对比

由图1可看出，由于DEA模型和SFA模型的基本假设和构建的生产前沿面不一致，它们得出的效率分析结果也略有不同。首先，DEA模型得到的效率值的方差更大。2000—2016年的这17年中有8年的DEA效率值是1，接近一半；而2009年的效率值为0.628。相比而言，SFA效率值则更为稳定。其次，在2002年、2007年、2009年、2010年、2015年，DEA效率值和SFA效率值有较大差异。但是，总的来说，这两种效率值之间差异并不大，而且两个模型得到科技金融效率变化趋势相近，具有一个效率水平先高后低再上升的U型发展趋势。其中，2000—2004年效率值处于较高水平，2005—2010年效率值处于较低水平，2011—2012年效率值有所上升，2013—2014年效率值略微下降，2015—2016年继续上升到高效水平。

4 结论及政策建议

本文分别运用了DEA模型与SFA模型分析了2000—2016年福建省科技金融的投入指标与产出指标数据，并测定出各年份福建省科技金融发展效率的具体情况。运用DEA模型中的CCR模型和BCC模型，在测定出福建省科技金融发展效率情况的同时，得出技术无效率年份的投入指标与产出指标的冗余值，发现福建省科技金融发展无效率年份中的地方财政科技拨款和R&D固定资产构建费用投入过多，而专利申请授权量以及技术市场成交合同金额方面产出不足。通过对投入指标与产出指标的数值进行适当调整，能够有效改善资源的配置并提高科技金融发展效率。运用SFA模型，在测定出福建省科技金融发展效率情况的同时，通过参数估计计算出随机因素干扰项与技术无效率项对福建省科技金融发展效率的影响程度，发现福建省科技金融发展中的非效率主要是由于技术无效率项导致，通过人为改进技术可以达到提高科技金融发展效率。使用DEA模型与SFA模型分析得到的效率结果进行对比发现，近年来福建省科技金融发展效率值虽总体较高，但在部分年份如2002、2007、2009、2014等年份中还是存在着技术无效率的情况，且存在较为严重的投入过多与产出不足，因此需要对投入指标与产出指标的数值进行适当的调整，并努力进行创新，加快技术进步，以实现投入资源的合理配置与有效利用，从而提升福建省的科技金融发展效率。从科技金融发展效率趋势中可以看出，近几年福建省科技金融发展效率值正在逐渐提高并保持在一个较高的水平。这表明我国近年来坚持创新驱动发展战略，加快实现科技进步，坚持科学发展的战略取得了较好的成果。

本文从福建省科技金融发展效率实证分析结果出发，结合福建省发展的实际情况，为提升福建省科技金融发展效率水平，提出了下列对策建议：首先，加大对科技发展的金融投入，并优化金融投入的分配结构，从而提高投入资源的利用效率。其次，扶持高新技术产业，鼓励人们进行发明创造并申请专利，同时加大对知识产权的保护力度，从而增加科技产出。最后，坚持创新驱动发展战略，支持自主创新，大力推进金融创新与科技创新，从而促进技术的快速进步并带动经济的高速发展。