马慧斌 宋良荣

摘 要：发展智能制造产业是我国由制造业大国向制造业强国转变的必经途径，考虑到智能制造业研发成本高、投资风险大带来的融资效率较低的问题，本文以33家在A股上市的智能制造企业为样本，选取2017—2020年年报数据，运用数据包络分析法测度债权融资、股权融资和内源融资三种不同融资方式的融资效率水平。结果显示：从静态分析结果来看，我国智能制造企业整体的融资效率水平较低，在研究的33家企业中，仅有不超过30%的企业的融资效率达到最优，三种不同的融资方式中，内源融资的融资效率最高，债权融资的融资效率最低;从动态分析结果来看，债权融资和股权融资的融资效率呈下降趋势，内源融资的融资效率呈上升趋势，技术进步变化指数是影响3种融资方式融资效率的主要因素。

关键词：智能制造;融资方式;融资效率;静态分析;动态分析

中图分类号：F 830.59   文献标识码：A   文章编号：1672 - 7312（2022）02 - 0207 - 06

Abstract：Intelligent manufacturing is the necessary way for China to transform from a large manufacturing country to a strong manufacturing country.Considering the low financing efficiency caused by the high R&D cost and high investment risk of smart manufacturing，this article uses 33 smart companies listed on the Ashare market as a sample，selects the fouryear annual report data from 2017 to 2020，and uses the data envelopment analysis method to measure the financing efficiency of three different financing methods：debt financing，equity financing and endogenous financing.The results show that：from the static analysis results，the overall financing efficiency of China’s smart manufacturing companies is low.Among the 33 companies studied，only 30% of the companies have the best financing efficiency.Among the three different financing methods，the financing efficiency of endogenous financing is the highest，and the financing efficiency of debt financing is the lowest;from the results of dynamic analysis，the financing efficiency of debt financing and equity financing shows a downward trend，the financing efficiency of endogenous financing shows an upward trend，and the technological progress changes Index is the main factor affecting the financing efficiency of the three financing methods.

Key words：intelligent manufacturing;different financing methods;financing efficiency;static analysis;dynamic analysis

0 引言

智能制造是制造业发展的新趋势，是全球经济发展的新引擎和产业变革的核心动力，也是我国制造业转型升级、提质增效、由“制造大国”迈向“制造强国”的必经之路。2015年，我国制定了《中国制造2025》战略计划，智能制造业迎来了高速发展期，产业规模逐年扩大。截止到2020年年底，我国的智能制造业产值规模已经突破25 000亿元，智能制造产业呈现出欣欣向荣的发展态势。但智能制造业是科技创新型产业，在人才培养、技术创新、人工智能技术与制造业的深度融合方面需要大量的资金投入。同新能源汽车产业、新一代信息技术产业一样，国家制定了多项财政补贴政策成立专项资金来扶持智能制造企业的发展。2015年以来，我国智能制造行业的融资规模迎来了大幅增长。2014—2018年，智能制造行业的融资事件由240起增长到655起，融资金额由56亿美元增长到了213亿美元。2019年，受疫情的影响，融资事件和融资金额都出现了大幅的减少，全年共发生了455起融资事件，融资金额为102亿美元。2020年，共发生317起融资事件，虽然持续减少，但融资金额迎来大幅增长，为258亿美元，充分反映了资本开始向头部优秀企业集中。

除满足资金需求外，如何将资金有效分配，最终推动企业获益即提高企业的融资效率，对我国智能制造业的高质量发展至关重要。因此，本文将重点研究智能制造业不同融资方式的融资效率问题，在相关研究成果的基础上，运用DEA评价方法实证研究中国智能制造产业在不同融资方式下的融资效率问题，找出影响融资效率的因素，并提出參考建议。

1 研究綜述

资金是企业发展的立足之本和血液命脉，融资是任何企业的一个关键决定[1]，融资效率对企业的意义重大[2]。人工智能产业作为新兴技术产业，如何高效获取资金成了行业难题。由于目前国内外学者对于人工智能企业融资效率的研究仍处于起步阶段，相关成果不多，而人工智能产业属于高新技术产业，因此可借鉴高新技术产业、战略性新兴产业等领域的相关研究成果。

在人工智能产业融资问题上，研究学者认为初创企业存在着较大的融资难题。ROMANO（2001）[3]通过实证研究发现企业的融资效率受其经营目标、资本结构、管理模式、生命周期等影响。HOGAN等（2007）[4]通过实证研究发现科技型企业更青睐于股权融资而非债权融资。DIRK CZARNITZKI（2006）[5]实证研究了德国制造业中小企业研发活动中的融资约束问题，发现如果政府的补贴费用过高，容易导致企业在研发活动中出现金融市场机制失灵的现象。金辉（2019）[6]通过对2013—2018年人工智能产业融资规模的分析以及对2019—2023年产业市场占有率的预测，得出人工智能行业融资轮次后移，市场趋利的信号。刘俊文等（2019）[7]通过对吉林省人工智能企业现状的分析，发现目前初创企业普遍存在外源性融资渠道不畅，企业贷款覆盖率低等融资问题，由于银行贷款的审批流程复杂、时间长、融资成本高，导致企业融资渠道受限，融资效率过低。王谦等（2021）[8]通过实证研究发现我国装备制造业融资效率有待提高，资本结构、研发投资等对融资效率的影响较大。耿成轩等（2019）[9]认为人工智能产业的发展需要巨额的资金支持，要优化融资生态环境，完善融资服务体系，缓解企业的融资困境和融资约束。

融资效率的测度方法主要有模糊综合评价法（魏开文，2001）[10]、灰色关联评价法（伍装，2005）[11]、层次分析与模糊综合法（王平，2006）[12]以及数据包络分析法（DEA）。由于前3种方法在指标的选取和权重的设计上，主观判断比较多，准确性不高，而数据包络分析法比较客观，无需主观选取指标和确定权重，因此近年来学者们主要使用数据包络分析法来测度融资效率。莫力（2021）采用DEA模型对中美两国新能源汽车上市企业的股权融资效率进行了比较分析[13]。马翔等（2020）运用DEA模型对上市公司的创新能力进行了评估和分析[14]。刘超等（2019）利用DEATobit模型进行实证分析后发现，企业规模与融资效率呈正相关，资产负债率与融资效率呈负相关的关系，他认为企业要找到合适的融资方式就要先优化融资结构[15]。姜妍（2020）通过SuperSBM和DEATobit模型实证研究发现我国的智能制造产业整体融资效率不高，大多处于非效率状态，认为我国的智能制造产业处于产业生命周期的起步阶段，资本配置率的整体水平较低，企业融资效率有较大的提升空间[16]。熊正德等（2014）通过建立两阶段DEA模型研究我国新能源汽车上市公司债权融资效率，发现债券筹资效率的低下而导致债权融资效率水平不高[17]。李京文等（2014）通过建立DEAMalmquist指数模型，发现北京市战略新兴公司2011—2013年的融资水平整体较低，主要受技术进步指数的影响[18]。

融资对于智能制造产业的发展非常重要，但目前学术界的研究更多的是集中在人工智能产业的融资效率问题上，具体到智能制造产业融资效率的研究少之又少，尤其在不同融资方式下对中国智能制造产业融资效率的评价研究成果涉及更少。

2 实证分析

2.1 指标选取与数据来源

2.1.1 指标选取

DEA模型是依据投入指标和产出指标测算决策单元的效率。本文在参考大量文献的基础上，构建中国智能制造业不同融资方式的融资效率指标评价体系。投入指标方面：选取债权融资、股权融资和内源融资3个指标，产出指标方面，选取营业收入、净利润、无形资产、净资产收益率和总资产周转率五个指标。具体定义见表1。

2.1.2 数据来源

为了研究不同融资方式和融资效率的变化，本文以在A股上市的33家智能制造类企业为研究样本，选取其2017—2020年相关财务数据计算不同融资方式的融资效率水平，选取的数据均来自国泰安数据库（CSMAR），并人为剔除*ST类公司以及数据不全的样本。

2.1.3 数据无量纲化处理

运用DEAP 2.1软件来测算智能制造企业不同融资方式的融资效率，在使用该软件测算融资效率指数时，要保证投入指标和产出指标的数据必须是非负数。考虑到原始数据中存在少量的负数，首先对原始数据中的负数进行无量纲化处理，该处理方法不会影响最终的计算结果，且能保证数据的非负性[19]，即

yij=0.1+xij-mjMj-mj×0.9，i=1，2，…，n

其中：mj=min（xij），Mj=max（xij），yij∈[0，1]。2.2 模型选择与结果分析

2.2.1 基于DEABCC模型的静态分析

基于DEA模型中“既定投入下产出最大”的产出导向的BCC模型[20]，测度我国智能制造企业2017—2020年在融资活动过程中的综合技术效率（Tech），并进一步分解为纯技术效率（Pech）和规模效率（Sech）（Tech=Pech×Sech）。3种不同融资方式的融资效率水平的测算结果见表2、3、4。

债权融资的融资效率水平见表2。从表2可以看出，综合技术效率均值、纯技术效率均值和规模效率均值均小于1，说明我国智能制造企业的债权融资的融资效率水平低下。在这4年中，综合技术效率均值最小值为0.072，最大值也仅仅是0.112，效率非常低;样本中的33家企业中也仅仅有一家企业的融资效率处于有效状态，占比3.03%，其他企业的债权融资效率仍有巨大的提升空间。从数据对比来看，这4年的综合技术效率均值逐年递增，说明智能制造企业的债权融资效率水平有略微的提高。

进一步分析，纯技术效率均值介于0.502～0.611范围之内，规模效率均值介于0.128～0.276范围之内，可见，纯技术效率和规模效率共同影响了债权融资的融资效率，而规模效率是更大的影响因素。对于智能制造企业，特别是很多初创企业，企业尚处于发展之中，规模较小，举债成本较高，因此债权融资的融资效率低也不足为奇了。

股权融资的融资效率水平见表3。从表3可以看出，股权融资的综合技术效率平均值介于0.491～0.527范围之内，与债权融资相比，股权融资的融资效率大幅提高，但整体上还是处于低效率水平。在这4年中，有效企业的数量从3家增长到5家，占比从9.10%提高到15.2%，有小小的进步。股权融资的纯技术效率均值介于0.591～0.683范围之内，规模效率均值介于0.791～0.881范围之内，二者共同影响着股权融资效率的影响较大，这表明企业要完善内部管理制度，提高经营管理水平，从而提高股权融资的融资效率水平，使资金得到更有效的利用。

内源融资的融资效率水平见表4。从表4可以看出，内源融资的综合技术效率平均值介于0.403～0.656范围之间，融资效率水平仍然不高，融资有效企业的数量在9家以内，占比不超过27.3%。与上一种融资方式相比，内源融资的融资效率水平略高。进一步分析纯技术效率和规模效率，由结果可以看出，纯技术效率均值大体上呈增长趋势，由2017年的0.693增长到2020年的0.772，规模效率均值逐年减小，由2017年的0.879减小到2020年的0.658，这两个因素共同影响着内源融资的融资效率，两者都有待提高，从而促进内源融资效率水平的提高。

综合来看，中国智能制造企业三种融资模式的融资水平均较低，债权融资的融资效率水平尤其低下。在这四年中，仅有不超过30%的企业高效利用了融入资金，融资效率水平达到最优状态。在这三种不同的融资模式中，从影响因素来看，债权融资的融资效率受规模效率的影响较大，纯技术效率和规模效率对股权融资和内源融资的融资效率影响都比较大;从融资效率大小来看，内源融资>股权融资>债权融资，这与实际的融资规律以及智能制造产业的行业特征相符合。

2.2.2 基于DEAMalmquist指数模型动态分析

DEAMalmquist指数模型可以衡量多个投入、多个产出的决策单元在不同时期的全要素生产效率的动态变化[21]。全要素生产效率指数（Tfpch）可分解为技术效率变化指数（Effch）与技术进步变化指数（Techch）的乘积。在规模报酬可变的情况下，技术效率变化指数（Effch）可分解为纯技术效率变化指数（Pech）与规模效率变化指数（Sech）的乘积。故Malmquist全要素生产效率指数（Tfpch）最终可分解为：Tfpch=Pech×Sech×Techch。

以上5个指数中，若指数大于1，则表明当期的效率与上一期的效率相比得到了提高，反之则在下降。3种不同融资方式的Malmquist指数测算结果见表5、6、7。

债权融资的DEAMalmquist指数测算结果见表5。从表5可以看出，2017—2020年，债权融资的全要素生产效率变化指数平均值为0.986，平均下降了1.4%。其中，2017—2018年平均下降了19.4%，2018—2019年有所提升，平均提升了20.3%，2019—2020年平均下降了1.2%。进一步分析，技术效率变化指数平均增长了29.9%，其中纯技术效率变化指数平均下降了1.4%，规模效率变化指数平均增长了31.8%，但由于技术进步变化指数的均值为0.759，平均下降了24.1%，技术的退步最终导致了债权融资全要素生产效率的下降。

股权融资的DEAMalmquist指数模型测算结果见表6。从表6可以看出，2017—2020年，股权融资的全要素生产效率变化指数的平均值为0.987，平均降低了1.3%。其中，2017—2018年平均降低了4%，2018—2019年平均增长了1.5%，2019—2020年平均降低了1.4%。进一步从分解指数来看，技术进步变化指数平均下降了1.1%，技术效率变化指数平均下降了0.2%，其中纯技术效率变化指数有所增长，平均增长了3.1%，规模效率变化指数平均下降了3.2%。虽然纯技术效率变化指数有小小的增长，但技术进步变化指数和规模效率变化指数均有一定程度的下降，由此可见，股权融资全要素生产效率的下降是由技术进步效率水平和规模效率水平的下降造成的。

内源融资的DEAMalmquist指数模型测算结果见表7。从表7可以看出，2017—2020年，内源融资的全要素生产效率变化指数的平均值为1.002，平均增长了0.2%。其中，2017—2018年平均增长了0.5%，2018—2019年有所下降，平均下降了4.3%，2019—2020年平均增长了4.6%。从测算结果可以看出，技术效率变化指數平均降低了9.4%，其中纯技术效率变化指数平均增长了0.3%，规模效率变化指数平均下降了9.7%;技术进步变化指数有小幅度增长，平均值为1.106，平均增长了10.6%。由此得出结论：技术的进步是内源融资全要素生产效率提高的主要因素。

3 结论与建议

3.1 结论

1）2017—2020年，我国智能制造企业3种不同融资方式的融资效率皆处于非有效状态，纯技术效率和规模效率共同影响着资金的使用效率，在研究的33家智能制造企业中，有不超过30%的企业将融资资金达到高效地利用，使资金投入适当，产出合理，其余企业的资金均没有得到有效的利用，整体的融资效率还有待提高。

2）从综合技术效率均值来看，股权融资和内源融资的融资效率比债权融资的融资效率更高，且其中，内源融资即企业本身的资金融资效率最高，说明企业倾向于优先使用盈余资金等自有资金，股权资本次之，债权资金最低。

3）从全要素生产效率变化指数来看，2017—2020年，债权融资和股权融资的融资效率有所下降，内源融资的融资效率有所上升，技术进步变化指数是影响三种融资方式融资效率变化的主要因素，这表明企业需要借助技术的创新与进步来提高融资的全要素生产率。

3.2 建议

1）技术的创新与进步在融资效率中起主导作用，因此，智能制造业的当务之急是要提高企业的自主创新能力，特别是在高端传感器、高档数控系统、工业应用软件等核心技术方面要进一步打破发达国家的垄断，不再受制于人，突破关键技术的壁垒，真正地将核心技术掌握在自己手中。

2）要提高科研成果的转化率，将科研成果转化为实际技术或产品面向市场，取得相应的经济效益，同时，要重点关注企业产品的推广销售情况，开拓市场，提高企业的经营收入。

3）政府可采取政企合作、科研补贴等方式降低企业的研发成本，减小企业的科研成本负担，帮助企业获得更多的收益。

参考文献：

[1] ROSTAM A M，RUSTOM A A.Does financing behavior of SME entrepreneurs of Bangladesh follow capital structure theory？An investigation into pecking order theory[J].International Journal of Financial Engineering，2021（01）：1 - 16.

[2]尚欣荣.我国上市公司融资效率研究综述[J].技术与创新管理，2011（04）：346 - 349.

[3]ROMANO C A，TANEWSKI G A，SMYMIOUS K X.Capital structure decision making：a model for family business[J].Journal of Business Venturing，2001，16（03）：285 - 310.

[4]HOGAN T，HUTSON E.Capital structure in new technologybased firms：Evidence from the Irish software sector[J].Global Finance Journal，2005，15（03）：369 - 387.

[5]CZARNITZKI D.Research and development in small and mediumsized enterprises：The role of financial constraints and public funding[J].Scottish Journal of Political Economy，Scottish Economic Society，2006，53（03）：335 - 357.

[6]金辉.人工智能产业融资模式及风险分析[J].中国国情国力，2019（06）：7 - 10.

[7]刘俊文，于洪.吉林省人工智能产业融资现状及问题分析[J].现代商贸工业，2019（26）：8 - 9.

[8]WANG Q，WANG J，LI H，et al.Research on financeng efficiency and influencing factors of equipment manufacturing industry：Regression model based on SFA panel data[J].Journal of Intelligent and Fuzzy Systems，2021（12）：1 - 10.

[9]耿成轩，周晨，吴泽民.人工智能产业创新能力与融资生态耦合演进——基于系统动力学视角[J].科技管理研究，2019（23）：114 - 122.

[10]魏开文.中小企业融资效率模糊分析[J].金融研究，2001（06）：67 - 74.

[11]伍装.中国中小企业融资效率的灰色关联分析[J].甘肃社会科学，2005（06）：206 - 209.

[12]王平.基于FAHP的民营企业融资效率评价[J].商业研究，2006（19）：114 - 117.

[13]LI M.Comparative analysis of equity financing efficiency between Chinese and American new energy vehicle listed enterprises[J].E3S Web of Conferences，2021，245（01）：01063.

[14]MA X，LIU Z，GAO Y，et al.Innovation efficiency evaluation of listed companies based on the DEA method[J].Procedia Computer Science，2020，174：382 - 386.

[15]刘超，傅若瑜，李佳慧，等.基于DEATobit方法的人工智能行业上市公司融资效率研究[J].运筹与管理，2019（06）：144 - 152.

[16]姜妍.基于SuperSBM和Logit模型的人工智能产业融资效率及影响因素研究[J].工业技术经济，2020（07）：131 - 136.

[17]熊正德，阳芳娟，万军.基于两阶段DEA模型的上市公司債权融资效率研究——以战略性新兴产业新能源汽车为例[J].证券与投资，2014，35（191）：51 - 56.

[18]李京文，王宇纯，杨正东.战略性新兴产业上市公司融资效率研究——以北京市为例[J].经济与管理研究，2014（06）：74 - 82.

[19]贺正楚，王娇，潘红玉.生物医药产业不同融资方式的融资效率研究[J].财经理论与实践（双月刊），2020（01）：48 - 54.

[20]彭晓静.河北省制造业创新效率评价——基于DEABCC模型和Malmquist指数[J].时代经贸，2021（06）：95 - 100.

[21]CAVES D，CHRISTENSEN L，DIEWENT W.The economic theory of index numbers and the measurement ofinput，output，andproductivity[J].Econometrica，1982，21（02）：88 - 92.

（责任编辑：严 焱）