中國科技金融資源配置效率與影響因素關系研究

李俊霞，溫小霓

(西安電子科技大學 經濟與管理學院，陜西 西安 710126)

一、引言

美國對華實施貿易戰，說明中國科技創新強勁，已對世界產生重要影響，面臨“修昔底德陷阱”，中興被制裁事件，更是進一步警醒中國企業尤其高技術公司，必須進行創新，掌握核心技術。進行科技創新的過程離不開資本的支持，科技創新始于技術成于資本，資本市場可以優化創新資源配置，金融具有分散創新風險的功能[1]，這使得科技與金融深度融合發展迫在眉睫。在市場經濟中，各種要素都要靠金融的連接，金融資源的配置效率決定了社會資源的配置效率。同時，金融業對經濟增長貢獻率越來越大，研究我國科技金融發展效率問題，是順應時代需求和符合國家戰略方針的，可推動要素市場合理配置，促進金融產業和科技產業更加優質融合[2]，增強我國科技創新力和競爭力，助力中國產業升級、結構調整及高質量發展，邁向世界科技創新強國。

創新和研發投資是高質量經濟增長最為根本的源泉。2017年中國研發經費總投入1.75萬億元，居世界第二，但基礎投入與發達國家15%-25%的占比水平有很大差距。2016年中國R&D投入強度2.11%超過歐盟2.08%的平均水平，但仍低于創新型國家日本(3.49%)、韓國(4.23%)和以色列(4.25%)。中國現已成為與美、日齊名的專利大國，企業申請專利排名華為位居世界第一，但中國專利創收率不及美國的百分之一，每百萬人口專利申請數大約只有日本的14%，不到美國的32%，也顯著低于英法德等其他主要發達國家。2016年中國高新技術出口的比重下降7.8%，風險投資為341.49億美元，占全球26.16%，而美國是52.51%，美國21%的GDP是由風險投資背景的公司貢獻，而中國市場資本對創新生態的支持和發達國家相比還是很低，對原始性價值的投資也較少。2017年中國直接融資占比大幅下滑，僅為6.8%。可見，中國創新能力強勁，科技創新過程金融投入的規模和力度都在逐年增加，但創新效率仍很低，金融投入的并不是越多越好，要注重效益驅動創新，又加之要素資源極為有限，如何實現科技和金融資源深度融合與高效配置的研究顯得尤為重要。

正是在這一思路之下，利用創新理論和創新經濟學思想，本文以2009-2016年全國27個省市自治區科技金融發展面板數據為樣本，基于“金融資源”和“創新成果”質量視角的相對數值構建評價指標體系，從靜態和動態雙重角度進行綜合研究設計與效率測算，并探究主要影響我國科技金融發展效率的市場金融資源要素。

本文的貢獻在于：(1)采用Citespace V可視化軟件對科技金融相關的大量文獻進行計量分析，結合數量統計結果，綜合考慮科技創新資金支持和分散風險等因素，從質量視角科學的構建效率評價指標，豐富和完善了科技金融效率評價指標體系的理論基礎。(2)利用評價效率的主流方法DEA[3]，全面考慮規模效應、資源有限性及整體可比性等問題，選擇SBM產出導向規模報酬可變的Bootstrap-DEA模型，提升了我國科技金融資源配置效率測算的可靠性。(3)從靜態和動態相結合角度，對比分析引起全國、各區域和各省市科技金融發展的技術效率和增長率變動的原因。依據靜態和動態效率測算結果，估計我國各省市整體科技金融發展綜合效率，運用Tobit模型找到影響效率的主要市場金融因素，并結合系統動力學(SD)對其進行政策仿真分析，為提高我國科技金融發展資源配置效率提供科學系統的方法。

二、文獻綜述

(一)科技金融對科技創新的影響

Ang(2014)使用時間序列數據，證明金融對科技創新有促進作用[4]。Doh S(2014)發現政府金融支持對中小企業技術創新有正向促進作用[5]。Lina Sonne(2012)認為金融創新能夠幫助企業解決融資難的問題[6]。王宏起(2012)構建協同度模型，認為要進一步認識科技金融對科技創新的助推作用及二者協同發展的重要性[7]。馬衛剛(2014)利用DEA模型研究了2007-2012年中國科技與金融結合效益，認為金融資源配置效率是引起科技與金融結合效率的主要原因[8]。張玉喜(2015)通過動態面板模型,實證分析發現短期內金融業可以促進我國科技創新的產出[9]。蘆峰(2015)運用面板數據分析科技金融(市場和公共)支持科技創新，結果表明科技金融對不同區域與階段科技創新有不同作用[10]。陳思(2017)認為風險投資顯著促進企業科技創新，使企業專利數量顯著增加[11]。

(二)科技金融發展效率的測算

效率評價是科技金融領域研究的主要內容之一，而測算效率最常用和主要的方法就是數據包絡分析(DEA)。朱有為(2006)利用隨機前沿生產函數，發現中國高技術產業的研發效率整體偏低，并探究企業規模等影響因素[12]。薛曄(2017)對科技金融發展效率用貝葉斯隨機前沿模型進行測算，發現政府財政科技經費投入、創業風險投資和科技資本對科技金融發展具有正向作用，而銀行科技信貸有抑制效果[13]。杜金岷(2016)采用DEA模型，研究發現中國不同地區科技金融投入產出效率受法律、政策環境因素影響差異大[14]。劉悅(2016)發現金融資源配置方式影響產業結構和效率水平[15]。在發達國家，Chowdhury(2012)發現，金融業發展水平與該國企業R&D投入呈正相關，金融業與科技需要深度融合[16]。

通過對文獻的梳理歸納出：一是指標選取上，文獻中涉及的指標種類非常多，但很少是通過定量科學分析來構建評價指標且大多數采用是絕對數值；二是研究方法上，科技金融發展效率的評價理論層面研究多于實證方面的研究，同時僅對某一年或以省份截面數據的分析也是不全面的。在數據選取與設計上，也較少學者同時考慮到規模效應[17]、發展周期性和資源有限性等問題。為補充和完善文獻遺留問題，筆者從(市場、政府、企業)金融資源投入和(專利質量、科技成果轉化規模、創新國際影響力)創新成果產出方面科學構建8個相對數值指標作為本文的評價指標體系。數據設計滯后期為1年，選擇SBM產出導向規模報酬可變的Bootstrap-DEA模型和Malmquist指數測算效率，結合靜態和動態結果估計我國各省科技金融發展綜合效率，并探究關鍵影響因素。

三、模型的選取與設計

決策單元效率可通過產出/投入的比值來定量測度在該行業的水平程度。下文將詳細地介紹是如何選擇和設計研究模型的。

(一)Bootstrap-DEA模型

使用常規DEA模型對每一個決策單元進行評價，其結果有兩類：該決策單元能夠對資源充分利用，效率值為1；另一類效率值為0-1間，該決策單元DEA無效[18]。發現，常規DEA測算后將近2/3的單元效率值都為1，會導致效率估計偏高，無法有效排序，而Bootstrap-DEA模型恰好修正了該缺點。Simar和Wilson(2000)將Bootstrap應用到DEA模型[19]，糾偏了常規DEA測算的效率值，并能夠給出效率的統計估計量，使各地區科技金融發展效率的比較和分析結果更加準確。

在既定投入下應以增加產出作為提高科技金融效率的主要途徑，同時考慮到投入規模對效率的影響、社會資源有限性以及投入產出松弛性等問題，本文最終設計SBM-output模型基于規模報酬可變的Bootstrap-DEA模型來測算我國科技金融區域靜態發展效率。在評價結果中，若效率值小于1，則該決策單元沒有達到最優效率；若效率值等于1，則說明被評價決策單元為強有效。

(二)Malmquist指數模型

Malmquist指數可實現對效率的動態變化研究，彌補了靜態DEA模型不能對連續時間序列數據進行分析的弊端[20]，同時也考慮了技術進步因素。利用面板數據，基于Bootstrap-Malmquist指數模型來測度全要素生產率(TFP)情況，得到的研究結果更具有可信度。因此本文最終選擇動態Bootstrap-Malmquist指數與靜態Bootstrap-DEA方法相結合，以此對我國科技金融發展效率全面度量評價。依據估計的結果，運用Tobit模型探究影響綜合效率的主要因素。該研究的設計使效率評價體系更完整和系統化。

四、評價指標的設計和數據說明

(一)我國科技金融效率評價指標的設計

選擇合適的投入產出指標對測算相對效率非常重要。本文利用Citespace V可視化軟件對大量科技金融文獻計量分析[21]，科學、系統地對當前常用的投入產出指標進行廣泛了解(見圖1)，然后進行指標數量統計(見圖2)，增加了指標選擇的客觀性和科學性。同時使用相對指標增強對比意義、評價結果實用性更高更合理[22]。

最終本文設計的投入指標是基于科技創新過程中必要的金融資源要素[23]，包括市場投入(科技孵化器孵化能力、創業風險投資的投資強度、直接融資比例)、政府支持投入及企業自身投入力度，充分地保證了科技金融發展資本供給需求。本文設計衡量科技金融產出成果包含專利質量、科技成果轉化規模和國際競爭力影響三方面因素，能夠反映和實現對科技金融效率的準確評價。綜上考慮科學性、合理性和創新性，設計出我國科技金融資源配置效率評價指標體系，見表1。

(二)數據的選取與設計

基于數據的時效性、準確性和可獲得性，本文選取2009-2016年中國27個省市自治區(不包含內蒙古、西藏、青海和海南)作為樣本，原始數據均來源于《中國科技統計年鑒》、《中國創業風險投發展報告》、《中國火炬統計年鑒》(2010-2017年)以及Wind金融數據庫。

圖1 科技金融領域文獻關鍵詞時序分布圖

科技金融發展需要一定的周期，為更加準確地度量當年效率，依據歷史相關經驗，本文假設科技金融產出滯后投入1年，自第t-1年開始，每年連續投入研發力量，直至第t年獲得產出。

圖2 評價科技金融發展指標統計圖

評價內容具體指標計算方法單位投入指標企業資金投入政府資金投入市場金融資源投入企業研發投入力度R&D企業經費支出/R&D經費支出%地方財政科學技術投入比例地方公共財政支出合計/地方財政科學技術支出%科技孵化器孵化企業能力科技企業孵化器孵化基金總額/在孵企業數萬元/個創業風險投資的投資強度創業風險投資額/投資項目數萬元/項直接融資比例(企業債券+非金融企業境內股票融資)/社會融資規模%產出指標專利質量發明專利授權數占比發明專利申請授權數/專利申請授權數%技術轉移和科技成果轉化的總體規模每萬名科技活動人員技術市場成交額技術市場成交金額/R&D人員億元/萬人國際競爭力影響高技術產品出口占比高技術產品出口貿易額/貨物出口總額%

五、研究結果分析

(一)我國科技金融資效率靜態視角分析

運行MaxDEA ultra7.6軟件，選取SBM-output規模報酬可變的Bootstrap-DEA模型對中國各省(市、自治區)科技金融發展效率進行測算，計算出我國27個省市自治區2011-2016年科技金融發展的靜態常規效率值和修正后的效率值，并統計出各地區整體糾偏后的效率均值，如表2所示。

通過常規DEA模型測算出，2016年我國27個省市自治區科技金融發展效率中2/3地區達到有效狀態(見表2)。而在Bootstrap估計中，不需要額外樣本和假設，通過隨機模擬大量樣本對DEA的效率值進行估計和糾偏，克服了小樣本估計偏高的缺點，其糾偏后的效率值均小于常規DEA值。這充分說明未經Bootstrap技術糾偏的常規DEA效率原值確實高估了科技金融發展效率，Bootstrap-DEA模型可描述真實效率值統計位置。

表3顯示，2011-2016年我國各省科技金融發展整體效率排名第一的是上海市，均值為0.8572。這結果與上海繁榮的金融和科技市場密不可分。截至2016年末，上海轄區內已有科技特色支行77家，科技支行6家，專屬的科技金融部門11個。上海市每年的高技術產品出口占比均高于北京與廣東。上海直接融資比例由2011年的17.2%上升至2016年的24.26%，而北京市由66.4%下降至38.9%。上海不僅是中國的金融中心，正建設為全球科技創新中心，擁有足夠多的投資人群，吸引到大量的企業、金融產品與復合型科技金融人才。未來，上海市應繼續充分利用好豐富的金融資源和科技資源，推動我國科技金融站立國際制高點。

表2 2016年我國27省(市)科技金融效率值的相關統計量

注“常規DEA效率值”列數據為常規DEA模型所測算的科技金融發展效率原值；“Bootstrap-DEA效率值”列數據是在常規發展效率原值基礎上，使用Bootstrap技術糾偏后得到的技術效率值。由于篇幅限制，只列2016年，其他年份詳細的面板數據測算值從略。

表3 2011-2016年我國27個省(市)整體Bootstrap-DEA靜態技術效率情況

從Bootstrap-DEA模型測算的靜態技術效率值看，我國科技金融發展效率呈先略微下降后穩步上升趨勢，總體波動不大，但均為未達到有效狀態。從各區域整體的Bootstrap-DEA效率值看，西部地區整體的效率值比東部和中部地區要高，原因在于西部地區資金少但有效利用方面效率高，另一方面西部地區各省份發展較均衡。而東部和中部地區各省份之間差異較大，譬如東部地區的浙江省和中部地區的安徽省。可發現浙江省歷年的高技術產品出口占比不及上海市的六分之一，安徽省歷年的科技孵化器資金投入和直接融資比例均低于其他幾個省份。未來，浙江省需要增加高技術產品出口，注重高科技創新要素資源配置，激發高科技企業研發活力，掌握核心技術，提升產業國際競爭力。而安徽省需要加強科技孵化器對企業的孵化能力，可與北京、上海等發達地區聯合建設“離岸孵化器”模式，提升專業服務質量，鼓勵加大風險投資機構的投資力度和范圍，加快發展多層次的資本市場。

(二)我國科技金融效率動態視角分析

為完善評價效果，考慮金融資源投入與技術進步的增長率變化問題，本文結合動態視角Bootstrap-Malmquist模型，探究增長變化趨勢，來全面揭示我國科技金融資源配置效率情況。

表4 我國整體平均Malmquist指數及其效率分解表(2011-2016年)

注：表中各項指標的增長率=表中各項指數-1。

表4結果表明，2011-2016年我國科技金融發展生產率的變動情況呈先升后降再升又降狀態，年均增長率3.97%。但區域增長率變化存在差異，東部地區生產率增長最快，為11%，地區整體金融資源結構豐富、規模較大，技術進步快、發明專利占比大，科技成果轉化規模大，高技術產業對國際競爭力影響大。可見，資本渠道與投入力度會直接影響地區技術進步水平，決定要素生產率變動情況，進而影響該地區科技金融發展水平。

(三)科技金融發展綜合效率估計

依據上文得到各省市自治區科技金融發展整體靜態和動態的效率值，可發現測算的各省市區效率排序存在一定的差異，因此為了更合理地評價各省市自治區科技金融發展的整體狀況，需綜合估計靜態與動態效率值。設計的估計模型為：

科技金融綜合效率=Bootstrap-DEA×α+MI×β。

靜態Bootstrap-DEA主要評價的是科技金融資源配置效率，動態Malmquist指數主要評價生產率變動情況，而各省由于基期發展水平不同，各要素投入產出增長率存在很大差異。依據本文研究目標，最終確定靜態效率值在評價綜合效率時占主導地位，并結合模糊決策等理論，最終設計Bootstrap-DEA靜態偏好系數α為0.8，M指數動態偏好系數β為0.2，測算出我國27個省市自治區2011-2016年整體科技金融發展綜合效率值，并對其進行排序與分類評價，如表5所示。

由表5可看出，估計結果確實中和了靜態和動態效率值，使得評價更合理。2011-2016年整體上各省市自治區科技金融綜合效率均小于1，未達到資源配置有效狀態，且各省市、區域之間存在顯著性差異，應加強地域要素流動，協同發展。

結合27個省市自治區靜態效率與動態效率分類畫出四象限分布圖(見圖3)，可得到綜合效率值在全國水平之上的省市分布在第Ⅰ和Ⅳ象限，其中第Ⅰ象限的省市資源配置效率略高于第Ⅳ象限的省市。第Ⅳ象限分布的省市科技金融資源配置情況和技術進步水平均低于第Ⅰ象限的省市自治區，應加強市場資本的投入力度，提高科技成果轉化規模與創新產業國際影響力。

(四)市場金融資源對科技金融效率影響

金融資源配置要比經濟其他資源配置更加高效，充分發揮市場在配置金融資源中決定性作用尤為重要。因此，當前我國市場金融資源對科技金融發展效率影響如何，是非常值得研究的問題。

基于此，本文選擇2011-2016年我國27個省面板數據作為研究市場金融資源對科技金融發展效率影響的樣本。其中，市場金融資源包含科技企業孵化器基金扶持度、創業風險投資的投資強度以及資本市場直接融資能力，綜合效率值涵蓋資源配置效率與增長率變動。表5結果可知，測算的科技金融綜合效率值均在0-1之間，屬于截斷數據，當用OLS對其進行回歸會使估計量有偏且不一致，而Tobit模型可以很好地解決截斷變量的問題[24]，對科技金融效率影響因素可進行合理地回歸分析。完成對異常數據的清洗，結果見表6。

科技創新始于技術成于資本，市場金融資源對配置效率起決定性作用，通過本文研究結果均得到證實。模型一和模型二都表明，市場金融資源均正向促進科技金融發展效率。其中直接融資比例對科技金融發展效率影響程度最大。模型一與模型二對比可看出，考慮增長率變動，會減弱科技孵化器對科技金融發展效率的影響，此結果也證實了本文把靜態技術效率作為主導力是合理的。各地區要優化高技術產業資源配置方式，鼓勵原創技術研發，制定相應的容錯機制，充分利用資本市場優化金融資源結構。引導創業風險投資和孵化基金大力支持科技創新項目，提升地區科技成果轉化規模和高科技產品出口能力。

表5 2011-2016年各省市平均科技金融發展效率總排名

圖3 2011-2016年我國27個省市自治區整體綜合效率分類圖

(五)科技金融發展效率系統政策仿真

為進一步探究各類金融要素對科技金融發展的支持效率，采用系統動力學(system dynamics，簡稱SD)“政策實驗”的特點[25]，構建系統流圖模型(見圖4)和設置參數值，通過金融資源投入力度(見圖5)變化進行仿真，對比觀察不同情景下科技產出與科技金融發展效率水平變化趨勢。仿真情形分兩類，一探究政策長期效應更強還是短期，二探究市場和公共金融資源影響程度大小。

系統仿真結果如下，①單獨增加直接融資比例2016-2017年各20%和2010-2017每年增加5%，對比仿真科技產出值和科技金融發展效率水平結果(見圖6)可看出，連續五年每年增加5%效益>連續兩年每年增加20%>初始，因此實施長期政策連續支持比短期政策產生的效益更長遠、影響力更大，金融酵母持續發力。②2010-2017年某一金融資源每年單獨增加5%，對比仿真結果(見圖7)可看出，直接融資比例效益>企業R&D經費投入效益>創業風險投資效益>政府R&D經費投入效益，因此，未來應多實施真正拓寬科技企業融資能力針對性政策，政府投入更重在“自上而下”的頂層引導市場資本，注重投資高價值發明專利。

表6 市場資本因素對科技金融發展效率影響Tobit模型估計結果

注：*分別表示在99% 的水平下顯著。TBI科技企業孵化器孵化能力，VC創業風險投資的投資強度，DF直接融資比例。

圖4 科技金融發展效率水平系統動力學流圖

圖5 影響科技金融效率的主要金融資源初始值趨勢圖

圖6 科技產出與科技金融發展效率水平短期與長期政策對比仿真結果

圖7 不同金融資源投入對科技產出與科技金融發展效率水平影響對比仿真結果

六、研究結論與啟示

(1)本文為構建科技金融資源配置效率評價指標體系提供了科學定量的研究方法。研究結果顯示，效率評價指標的選擇與設計視角是比較科學合理的。增加直接融資比例、科技企業孵化器孵化能力和創業風險投資強度指標衡量市場金融資源對科技金融效率影響，視角新穎、符合科技創新需求。專利質量、技術轉移程度、科技成果轉化規模及產業創新國際力影響為產出指標，可全面直接的反映科技金融發展帶來的技術進步。

(2)我國科技金融資源配置未達到最優狀態，企業投入不足，偽創新太多，需進一步深度融合。靜態效率Bootstrap-DEA值整體均小于1，各省市自治區應加強區域間要素流動，優化金融與科技資源配置。動態Malmquist指數結果表明，我國整體科技金融要素生產率以年均3.97%增長，但由于直接融資占比出現嚴重下滑，抑制技術進步，要素增長率同比大幅下降。衡量科技金融發展效率要綜合考慮資源配置水平與增長率變動水平，且整體要素資源配置的影響高于增長率變動。

(3)市場金融資源對我國科技金融發展效率有正向促進作用。盡管我國資本市場與發達國家相比還有一定的差距，但隨著資本市場發展的不斷完善，風險投資、債券和股票市場的發展對我國科技進步影響越來越大。市場金融資源對我國科技金融資源配置有顯著的正向促進作用，其中直接融資比例影響程度最大，風險投資的投資強度次之。而科技企業孵化器孵化能力雖為正向影響，但不顯著，這主要是因為我國科技企業孵化器未形成真正品牌，需進一步提升基金投入力度和專業技術孵化能力。通過SD方法系統仿真結果可知，政府要注重長期政策效應，中國要加大對外開放程度，創造科技金融生態模式。

總的來看，我國科技金融資源配置效率還有一定的提升空間，基于上述研究結論，進一步促進效率的提升可從以下幾方面入手：

第一，政府注重引導，減少干預，完善金融監管體系。政府金融投入對GDP的貢獻率遠大于市場主導的，但其對資源配置效率的提升呈負相關關系，而市場金融資源正向促進資源效率提升。核心技術創新要堅持有為政府和有效市場“兩只手配合”，政府更要注重發揮頂層設計與引導功能，按照市場需求進行創新，為創新者建立滿意均衡制度環境，放寬科技金融融資服務門檻，引導風險投資盡可能投資最具顛覆性的技術項目，不跟風炒作熱點。完善科技人員的創富機制，鼓勵科研院所和高校科技成果轉化走出創業，成立專項基金試點對有價值技術的重點培育，強化知識產權保護的創造、保護和運用。出臺更具針對性、可操作性的優惠政策，防范系統性金融風險。

第二，建設多層次資本市場，提高直接融資比例。科技創新離不開資本市場，發達的資本市場為科技創新提供了良好的外部條件，而2017年中國的直接融資市場回落明顯。以色列是全球公認的“創業的國度”，不僅有專業化的創新孵化器，活躍的風險投資，關鍵科技金融為其產業創新生態環境增色不少。未來，我國應繼續優化金融資源結構，強化金融體制市場化改革，創新股權質押融資新模式，大力推動股票公募市場和企業債券市場的改革和發展，讓優質的企業和海外并購項目通過直接融資等籌集資金，同時政府要放開對資本市場價格的管制。放寬高科技企業的上市標準，充分發揮資本市場在資源配置上的高效率。

第三，注重原始創新，發揮領軍型大企業在核心技術創新中的主力軍作用。堅持技術引進與自主創新齊頭并進，早期創業企業資金需求大，抵押物少，投資人更應關注早期孵化。新興行業創新力強勁，企業更要提高R&D投入比例。高質量科技研發創造新產品、新市場，支持優勢企業開展原創前沿技術攻關，強化對基礎研究的支持，建立寬容失敗機制，激發企業市場的活力，肯定企業家精神的爆發，構建開放型技術創新體系，將金融資源真正配置到核心技術行業，培育一批具有世界影響力的高科技領軍企業。

第四，優化科技金融創新集群生態，助力科技與金融深度融合。依托大學城產學研協同創新，加快建立重大技術發展的生態；融合當前人工智能、區塊鏈等新技術，優化科技金融信用平臺，形成科技企業數據庫和專家智庫；信息共享，撮合雙方業務，構建政府財政資金、創投、銀保、證券等多層次科技金融模式，拓寬融資渠道和方式，并建立相應的監管和獎勵政策。從無到有的創新創業是極明顯的高風險和高收益，最需要的金融創新就是在各個階段都有跟它匹配的科技金融專屬產品，分散高風險。積極探索普惠金融服務，創造大量金融工具，優化信貸資源的配置。金融機構既要有效地識別僵尸企業，同時信貸政策標準和風控手段也應與時俱進。科技保險險種要不斷完善和創新，提高科技保險覆蓋率，保險產品要與科技風險因素相適應。另外，需加強復合型科技金融人才的培訓和引進，提高服務質量和水平，營造良好的科技金融軟環境。總之，要集聚多方資源，協同高效發展，形成“一攬子”科技金融服務，提高中國科技金融資源配置效率。