袁方

摘   要：科技与金融结合是实现创新驱动和高质量发展的重要动力。基于三阶段DEA模型，本文对国家促进科技与金融结合两批试点发展效率进行测度，同时利用Tobit模型对科技金融效率的影響因素进行分析。结果表明：试点地区科技金融效率发展态势良好，剔除环境因素后，北京、安徽、陕西等7个试点省区的技术效率处于前沿面，其他多处于规模报酬递增阶段。科研资金投入、科研氛围及高技术产业发展程度对科技金融效率具有显著正向影响。本文在转变政府职能、深化金融支持及加强外部环境建设三个方面提出了相关建议。

关键词：三阶段DEA;Tobit模型;科技金融效率

中图分类号：F831                          文献标识码：B                        文章编号：1674-0017-2020（7）-0027-06

一、引言

作为现代经济发展两大核心因素，科技与金融资源的深度融合能够有效促进产业升级和经济结构调整，从而有效推动我国经济的高质量发展。自2006年国家陆续出台多项政策，逐步构建了科技金融的顶层设计，其中，2011年确定中关村国家自主创新示范区等16个地区为首批促进科技和金融结合试点地区。2016年《“十三五”国家科技创新规划》明确“十三五”为我国进入创新型国家决胜阶段，提出我国科技创新的发展思路等，再次强调要让金融更好地服务和促进科技创新，为我国科技金融进一步发展提供了政策支持。在此背景下，国家科技金融逐步形成了以政府引导的发展模式。与此同时，科技创新对经济增长贡献度偏低却始终掣肘着经济的高质量发展。因此，在顺应时代发展要求与国家创新战略部署的基础上，研究区域科技金融效率及其影响因素，努力实现金融与科技资源深度融合显得十分重要。

二、文献综述与研究思路

国外方面，熊彼特（1912）较早论述了银行信贷融资对科技创新的影响，提出将新的生产要素和生产条件结合引入生产体系形成创新，银行信用为新生产要素组合提供购买力，进而推动经济发展。Fuerst（1999）认为金融体系中的银行、资本市场以及风险投资都能促进科技的进步。Michalopoulos（2011）通过构建金融创新与经济增长间的动态模型，发现金融创新对科技创新和经济增长具有促进作用。

国内学者主要集中于以下方面研究：一是概念研究。房汉廷（2010）从发展本质定义，认为科技金融是促进技术资本、创新资本与企业家资本等创新要素深度融合、深度聚合的一种新经济范式，包含技术、金融和企业家三大子系统。二是效率测度评价方面研究。朱文莉等（2016）运用DEA-Malmquist模型，对我国西部地区11省市2006-2013年科技金融发展效率测度评价，科技金融效率水平整体上升，研究表明西部地区科技金融与经济发展水平并未呈现正相关关系，规模效率整体较低。陈珊（2019）运用DEA模型和广义柯布道格拉斯生产函数，研究我国2009-2016年东部、西部、中部地区及全国30个省市，科技金融对高技术产业区域创新效率的影响。研究表明，企业自主创新、政府支持及风险投资分别对东部、西部、中部地区的创新效率影响最大。

基于此，本文运用三阶段DEA模型与Tobit模型，分析2017年国家促进科技与金融结合试点共20个省市的科技金融效率、分布差异及影响因素。本文的主要贡献在于：一是将我国两批科技与金融结合试点作为研究对象，分析其科技金融结合效率。二是利用三阶段DEA模型，采用随机边界分析（SFA）剔除影响科技金融投入产出指标测算的环境因素和统计噪声，并在调整投入的基础上更为准确地测度试点区域科技金融相对效率值。三是针对科技金融DEA效率多投入特点，利用Tobit模型进行影响因素回归分析。

三、科技金融效率及影响因素实证分析

（一）模型选取

Fried等考虑到环境因素和随机噪声，采用SFA对传统DEA松弛变量进行回归分析，使决策单元在相同的外部环境再次进行DEA测算效率水平，被称作三阶段DEA。

第一阶段，主要是对全国20个促进科技与金融结合试点省市科技金融投入、产出效率运用传统DEA方法进行初步测算。本文选用基于投入向导下规模报酬可变的DEA分析法对科技金融效率进行一阶段测算。

第二阶段，选取随机前沿分析的投入向导模型，对一阶段投入变量的松弛变量进行分析。随机前沿模型可以表达为：

第三阶段，按照第一阶段的方法对调整后的投入变量再次进行DEA分析。通过调整后的效率值，更能真实地反映出各决策单元效率的真实水平。

（二）指标选取

本文在借鉴现有研究的基础上，结合科技金融发展实际情况，选取以下指标构建科技金融效率评价体系（见表1）。

（三）试点地区科技金融效率测算

1.第一阶段传统DEA分析

利用DEAP2.1软件，测算试点地区2017年科技金融投入产出效率情况（见表2）。在不考虑环境因素和随机变量影响的情况下，初步测算结果主要有以下特征：一是20个试点省（自治区、直辖市）2017年科技金融综合技术效率均值为0.913，其中北京、内蒙古、辽宁、安徽、广东、重庆、四川及陕西的综合效率值为1，前沿面占比为40%，这些地区科技金融投入与产出处于相对均衡状态，资源配置较为科学合理。二是测算期间，纯技术效率低于规模效率均值，因此为影响综合技术效率的主要影响因素。除上述地区外，江苏、浙江、山东、河南、贵州及宁夏的纯技术效率也在前沿面上，纯技术效率有效地区的管理与制度水平较为完善。三是规模效率的平均值为0.957，综合技术效率处于有效状态的8个地区规模效率均有效，因此40%的试点地区科技金融资源配置效率达到了规模最优。四是从规模效应看，除了上述综合技术效率有效的地区外，上海、江西、湖南、贵州及宁夏均处于规模报酬递增阶段，说明这5个综合效率无效地区需要扩大生产规模促进产出最大化。天津、江苏、浙江、福建、山东、河南、湖北处于规模报酬递减阶段。

2.第二阶段SFA回归分析

本阶段以政府重视程度、科研氛围、高技术产业发展程度三个环境变量作为解释变量，以投入松弛变量为被解释变量，运用Frontier4.1软件进行SFA回归分析（见表3）。三个回归模型的值分别为0.97、1、0.9，均非常接近于1，且均达到了1%水平上的显著性，说明存在管理无效率项和随机误差项的影响。政府重视程度、科研氛围及高技术产业发展程度对全部投入松弛变量都在1%的水平上显著，因此三个环境因素对试点地区的科技金融效率存在显著影响。

政府重视度，用科研技术财政支出与财政支出的比例衡量。由于政府重视程度的回归系数均为正数，并且达到了1%水平的显著性，因此政府对科研重视程度与科技金融投入冗余变量呈正向作用，即政府财政方面的科技金融资源配置低效率会对部分市场性科技金融资源配置高效率形成挤出效应，不利于整体科技金融效率的提升。

科研氛围，以地区研究与实验发展（R&D）经费支出占地区生产总值的比例反映科研氛围。由分析结果看，科研氛围对人才投入、金融市场投入及企业自身投入松弛的回归系数为负值，且都达到1%的显著性水平。这表明科研氛围是科技金融效率增加的正向影响因素，试点地区科研氛围越浓厚，越有利于科技金融效率的提升，这与我国的实际情况基本一致。

高技术产业发展程度，以第二产业增加值占GDP的比重代表试点地区高技术产业发展水平。从结果看，高技术产业发展水平对于所有投入变量松弛值的回归系数显著负值，说明试点地区高技术产业发展水平能够促进科技金融效率的提升，显著降低科技研发人员投入、政府财政投入及市场金融资源的投入量。

3.第三阶段调整投入后的DEA分析

根据第二阶段随机前沿分析结果调整投入变量，并将调整后的投入变量与原有产出再次代入DEA测算效率结果，以此得到更为真实的第三阶段试点地区效率水平（见表4）。

对比分析表2与表4测算结果发现：

（1）科技金融发展态势良好。从地区效率有效性看，环境因素调整后仍然处于技术效率前沿面的地区由8个下降至7个，其中北京、安徽、广东、四川及陕西的综合技术效率均值在调整后仍为有效。此现象表明，近一半试点地区的科技金融资源配置效率较高，投入产出结果比较合理。

（2）处于规模报酬递增发展阶段。环境因素调整后，已没有处于规模报酬递减阶段的地区，而规模报酬递增地区由5个增至13个，占比65%。由此表明，剔除环境因素干扰后，全国科技金融试点投入产出无效地区均处于规模报酬递增阶段。

（3）传统DEA测度结果多为高估。从各效率变动情况看，两批试点地区综合技术效率的均值由0.913降至0.796，纯技术效率由0.955降至0.952，规模效率由0.957降至0.835。从各地区变动情况看，调整后综合效率较第一阶段出现下降的地区有12个，分别是天津、内蒙古、辽宁、福建、江西、山东、河南、湖北、湖南、重庆、贵州与宁夏，反映出上述地区未分离环境因素影响的效率值较真实情况有所高估，大多表现为规模效率不够。调整后综合效率上升的地区分别是：上海、江苏与浙江，结果说明这些地区科技金融效率被低估，而非管理水平不足。

（4）试点地区分解效率差异显著。在以横轴为纯技术效率，纵轴为规模效率的散点图中（图1），全国两批试点地区科技金融投入产出效率差异较大。位于第一象限的有9个地区，占全部试点的45%，其中7个地区达到了前沿面，河南、福建虽未处于前沿面，但纯技术效率与规模效率均较高，其中，福建达到纯技术效率有效状态。位于第二象限的地区5个，占试点总数的25%，此区域地区的纯技术效率较高。位于第三象限的有湖南与内蒙古，占比为10%，主要表现为规模效率与纯技术效率均位于临界值以下，均具有较高的提升空间。其中内蒙古在所有试点地区中科技金融效率处在末尾，其纯技术效率与规模效率分别为0.893、0.248，因此需要兼顾技术管理水平提升与科技金融规模扩大，特别是规模效率的提升空间较大。第四象限包括贵州、重庆、辽宁及宁夏，占比20%，此区域的纯技术效率较高。其中宁夏地区纯技术效率达到前沿面，但规模效率仅为0.296，因此需重点改进规模效率，积极扩大科技金融规模。

（四）基于Tobit模型的影响因素结果分析

本文的Tobit模型是基于上述三階段测算结果建立的，由于科技金融效率取值在0-1之间，若使用参数最小二乘法估计各解释变量对科技金融效率的影响程度，参数估计值是有偏的，相比之下Tobit模型能够使得模型参数估计具有无偏性，更适合本文应用。

从表6的回归结果看，以R&D经费内部支出占地区GDP比重（A1）衡量的研发资金投入力度、以科研院所占全国科研院所的比例（A2）表示的地区科研规模、以及用第二产业增加值占地区GDP比重（A3）表示的高技术产业发展程度，均与科技金融效率呈显著正相关。当A1、A2、A3分别增加1%时，科技金融效率分别增加14.961%、4.873%、2.716%，其影响程度排序为A1>A2>A3。上述结果表明：第一，研发资金投入力度与科技金融效率具有较高的相关性，因此提升科技金融效率应首先从加大资金投入的方面入手。第二，科研规模显著性较低，主要原因在于科研机构创新成果转化效率不高，无法带来与之相匹配的利润。

四、研究结论与建议

（一）研究结论

本文在参阅大量研究文献成果的基础上，构建科技金融投入产出、环境指标，运用三阶段DEA-Tobit模型对20个国家科技与金融结合试点省市2017年的科技金融效率进行实证分析。得出的结论是：一是我国科技与金融结合试点发展态势良好，北京、安徽、陕西等7省市的科技金融效率处于技术前沿面，其他地区也多处于规模报酬递增阶段。二是未剔除环境因素的试点科技金融效率多被高估，引起效率调整后下降的原因多是规模效率较低。三是科研氛围、高技术产业发展水平与科技金融效率呈显著正相关，政府的重视支持程度对效率存在负向作用，应降低政府直接干预对市场化的“挤出”影响。四是依据试点地区差异化效率特征，本文将试点地区科技金融效率分为四个类型，为后期依据区域发展阶段改进管理水平、提升规模效益提供依据。五是提出了影响科技金融效率的三个因素，分别为研发资金投入力度、科研氛围与高技术产业发展程度。其中，研发资金投入力度与高技术产业发展程度对科技金融效率具有高度显著正向影响。

（二）相关建议

1.转变政府职能。一是充分发挥本省科技比较优势，将科技产业发展提升到全省经济社会发展的重要战略层面，统筹发展规划，加强顶层设计，完善体制机制，加大扶持力度。二是充分尊重企业在科技创新中的主体地位，避免直接干预，力戒监管重叠，改善营商环境，减轻企业负担。三是充分发挥财政资金的引导功能，发起设立不同类型的天使基金，解决初创科技企业“第一桶金”和科技成果转化“第一公里”的问题;建立科技金融奖励扶持基金和风险缓释基金，通过收益补偿和损失补偿，增强金融机构的参与积极性，解除后顾之忧。

2.深化金融支持。一是拓宽科技型企业融资渠道，在不断加大信贷投入的同时，拓宽融资渠道，提高金融资源配置的规模效率，如设立股权投资基金，引导不同来源资金进入科技创新领域;充分利用中小板、创业板、科创板加大直接融资力度，吸引更多资本进入科技型企业;进一步深化保险服务科技创新的深度，发挥保险业融资增信功能，解决科技型企业融资难问题。二是降低科技创业融资成本，通过知识产权质押、减免担保评估费用等途径切实降低科技型企业财务成本。三是充分发挥保险保驾护航作用，大力发展科技保险业务，不断丰富科技保险产品，加大保险力度，降低科技型企业经营风险。

参考文献

[1]Fuerst M E.Technological innovation and the design of the financial system[D].Michigan，American：University of Michigan，1999.

[2]Michalopoulos.The origins of ethnolinguistic diversity[R].Conference Papers-American Political Science Association，2011.

[3]陳珊.科技金融对我国高技术产业区域创新效率影响分析[J].经济问题探索，2019，（3）：166-172.

[4]房汉廷.关于科技金融理论、实践与政策的思考[J].中国科技论坛，2010，（11）：5-10.

[5]约瑟夫·熊彼特.经济发展理论[M].北京：商务印书馆，1990.

[6]朱文莉，张春春.我国西部地区科技金融发展效率评价研究[J].特区经济，2016，（9）：95-100.

责任编辑、校对：王兆华