基于三階段DEA模型的浙江省文化金融合作效率評估

龔旭云

【摘 要】文章使用DEA三階段模型對2017年浙江省文化金融合作效率進行了評估，評估結果表明：在全國29個省（自治區、直轄市）中，浙江省文化金融合作效率并不高，存在較多的投入冗余，并且從投入角度而言，浙江省已處于規模報酬遞減狀態，文化與金融的合作已不再是資金的問題，而是如何通過文化金融產品、服務的創新實現兩者的雙贏問題。要提高浙江省文化金融合作的效率，需要加快金融業發展和引入民間資本，提升民間資本的活躍度，同時要積極尋求文化金融合作的創新路徑。

【關鍵詞】文化金融;DEA模型;SFA回歸

【中圖分類號】F832.46;F224【文獻標識碼】A 【文章編號】1674-0688（2019）06-0022-05

文化產業的發展離不開金融資本的支持，離開金融資本，文化產業的發展、轉型升級都無從談起。文化和金融有著共融共生的緊密關系，二者的融合體現了金融資本、社會資本和文化資源的結合，既是文化產業自身發展的需求，也是金融創新發展的要求。浙江省是文化大省，文化產業已成為浙江省的八大萬億產業之一。同時，浙江省也是金融強省，新金融、互聯網金融已成為浙江省的標志，以浙江省為例，研究文化金融的合作效率，探討文化金融的未來發展，具有重要的現實意義和理論意義。

1 文獻研究

Van Grasstek（2009）最早提出了文化產品金融化的概念，認為文化產品應該允許被資本化，并加入金融市場。此前，一些國外學者也在實踐層面對文化產業的融資現狀、投融資方式等做了具體的研究。A Klamer，Lpetrova（2007）通過對荷蘭視覺藝術家的調查，分析了不同的金融模式對藝術家創造力的影響，并且分析了在社會支持系統中創新過程與融資的相互關系，認為豐富的金融資本有利于藝術家的創作。

相比國外，我國有關文化金融的研究起步較晚。2008年以前，我國文化產業與金融的關系一直處于摸索階段，并無實質性進展。從2008年開始，國家陸續出臺了一些文化產業金融扶持政策，國內理論界開始圍繞文化產業的金融支持問題展開研究。羅靚（2008）、國世平等人（2008），安定明等人（2010）從金融監管嚴、無形資產評估困難、融資渠道單一、政策支持不夠、市場體系不健全等方面分析了我國文化產業的融資障礙，并提出加強知識產權保護、拓寬文化產業融資渠道、建立第三方評估機構、鼓勵投資主體多元化等建議。

隨著文化產業的迅速發展，金融資本的不斷介入，我國文化與金融的研究逐漸走向融合，從“支持”轉向“合作”。學界就文化金融內涵、服務體系及文化金融合作試驗區的創建等展開了一系列研究。蔡尚偉、鐘勤（2013）認為文化金融是發生于文化資源領域所有金融活動的總稱，并提出發展文化金融，要充分發揮政府引導作用，同時要創新金融服務體系、完善文化金融人才培養。張志偉、石瑤（2017）則提出建立文化產品服務平臺，將文化產品資產化、促進產品價值的合理化、加強文化產品的流通使之附有價值角色。在搭建文化金融中介服務平臺方面，政府應發揮主導作用，并介紹了政府主導下建立的南京金融服務中心的運營情況。朱佳俊等人（2017）圍繞文化價值鏈與金融服務鏈，從征信體系、功能體系和服務體系等角度，提出文化金融合作試驗區發展思路，并且提出了基于“實體園區+虛擬網絡”的文化金融合作試驗區雙線發展模式。

縱觀國內外文獻，目前文化金融的研究以現象分析、對策研究為主，理論分析比較少。在研究方法方面，偏重定性分析，定量分析較少，有關文化金融合作效率評價指標體系和評價方法等未有涉及。

2 三階段DEA模型介紹

DEA模型，又稱數據包絡分析，最早由Charnes、Cooper等人（1978）提出，是運籌學領域評價效率的一個重要分析方法，隨著研究研究的不斷深入，DEA方法已運用于社會生產和經濟研究的諸多領域。利用DEA方法分析相對效率的優點如下：①無需估計投入與產出的關系函數;②可以把分散的評價指標綜合起來，避免評價的片面性;③無需設定指標的權重，采用實際的投入、產出數據，使效率評估結果更真實客觀（周菲，2016）。

傳統的DEA模型，不能識別和分離環境因素與隨機變量對效率的影響，Fried等人（2002）提出的三階段DEA模型，在BBC模型的基礎上，運用SFA運算方法，也叫隨機前沿法，將環境因素和隨機噪聲對效率的影響進行剔除，將決策單元調整于相同的外部環境之中，以調整后的投入產出變量測算各決策單元的效率，所測算的效率值相對真實準確。

2.1 第一階段：利用傳統DEA模型計算初始效率和松弛變量

選擇投入導向的傳統DEA模型——BCC模型，對原始投入、產出數據進行初始效率值的計算。BBC模型由Banker和Charnes（1984）提出，其假設前提為規模報酬可變，計算的效率值分為3個部分：綜合效率、純技術效率和規模效率。投入導向下對偶形式的BCC模型如下：

其中，j表示決策單元，X代表投入向量，Y代表產出向量，λj是權重變量，θ為決策單元的相對效率衡量指標，ε代表阿基米德無窮小量，S-為投入松弛變量，S+為產出松弛變量。

若θ=1，S+=S-=0，則決策單元DEA有效;若θ=1，S+≠0，或S-≠0，則決策單元弱DEA有效;若θ<1，則決策單元非DEA有效。

運用DEAP2.1軟件可以計算出BCC模型下的初始效率值、投入冗余、產出冗余、投入目標值、產出目標值等數據。根據原始投入值和投資目標值，可以計算松弛變量，松弛變量等于原始投入值減去投入目標值。

2.2 第二階段：似SFA回歸剔除環境因素和統計噪聲

第二階段的主要任務就是對松弛變量進行分解，松弛變量由環境因素、管理無效率和統計噪聲構成，借助SFA回歸，可以將松弛變量分解成上述3種效應，投入導向下的SFA回歸函數表示如下：

Sn=f（Zi;βn）+vni+μni;i=1，2，…，I;n=1，2，…，N

其中，Sni表示第n個DMU的第n項投入的松弛量;Zi是環境變量，βn是環境變量的系數;vni+μni是混合誤差項，vni表示隨機干擾，μni表示管理無效率，其中v～N（0，σv2），μ～N+（0，σμ2）。

隨機誤差項的計算比較復雜，需要分離管理無效率項μ，對于管理無效率的分離，國內普遍采用Jondrow等人（1982）的觀點，用生產函數形式分離管理無效率項，計算公式如下：

通過SFA回歸分解計算得出回歸系數和管理無效率項分離所得的隨機誤差項，利用調整公式將所有決策單元的外部環境置于同一水平下，調整公式如下：

2.3 第三階段：調整后投入產出變量的DEA效率分析

運用調整公式計算得出的投入產出變量再次進行DEA效率分析，此時的效率值剔除了環境因素和隨機因素的干擾，結果更真實準確。

3 浙江省文化金融合作效率的實證分析

3.1 指標及樣本的選取

（1）投入、產出變量的選擇。目前，國內有關文化金融合作效率的評價，大多偏向于文化產業投融資效率，如劉亞錚等人（2014）以資產總額、負債總額、所有者權益、財務費用為投入指標，凈資產收益率、主營業務收入為產出指標。張群等人（2016）運用異質性隨機前沿分析法，選取投資增長率、托賓Q值、單位資本營業收入、單位資本經營現金凈流量、資產總額、資產負債率、上市公司十大股東持股比例為變量。張桂玲（2016）以企業負債總額、所有者權益總額為融資效率輸入指標，企業資產總額、從業人數為投資效率輸入指標，企業增加值、利潤總額為輸出指標，分析了我國地方國有文化企業的投融資效率。從文化金融合作角度而言，相較所有者權益，實收資本更適合作為投入指標，可以反映企業的股權融資狀況，負債總額則反映的是企業的債權融資狀況，本文選取這兩個指標作為投入指標，而產出指標則選取營業總收入和利潤總額。

（2）環境變量的選取。環境變量的選取，主要看其是否對決策單元的投入松弛變量產生作用，最好經過標準化處理。本文選取《新財富中國區域金融力排行》中公布的經過標準化處理的金融業發展程度、資本化程度和民間資本活躍度3個指標作為環境變量指標。金融業發展程度代表著一個地區金融體系的總體狀況，良好、健全的金融體系有助于區內投融資活動的順利開展。資本化程度不僅體現一個地區的經濟實力，也可以反映一個地區的經濟質量。民間投資則在一定程度上可以反映一個經濟體的內生動力。

（3）樣本的選取及原始數據采集。在樣本的選取上，文化產業包括文化制造業、文化零售業和文化服務業，涉及面廣，數據統計相對較困難，尤其是服務業，很多數據不全。考慮到數據的全面性及完整性，本文選取文化及相關產業上市公司作為樣本進行分析。為提高評估的準確性，本文對全國31個省的所有A股上市公司，共3 569家，按照國家統計局2018年4月頒布的《文化及相關產業分類（2018）》標準，對各省的文化及相關產業上市公司數據進行了梳理和匯總整理。最后選取2017年全國29個省市（因內蒙古沒有文化上市企業，西藏只有1家文化上市企業，且2017年利潤總額為負數，DEA模型無法處理負數，所以將這兩個省份剔除）文化及相關產業上市公司橫截面數據進行相對效率分析。

2017年各省文化及相關產業上市公司投入、產出數據及環境變量基本情況見表1。

3.2 結果的分析

3.2.1 第一階段初始效率分析

運用DEAP2.1軟件對全國29個省市2017年文化金融合作進行效率分析，得到表2中的初始效率值及松弛變量數據。

從表2可看出，盡管浙江省的上市公司數量和上市融資總額都處在全國前列，但是浙江省的文化及相關產業上市公司融資效率并不高，綜合技術效率只有0.502，純技術效率只有0.563，而處在同一梯隊的上海、江蘇、廣東的綜合技術效率都比浙江省高，并且這些省份的純技術效率都為1。綜合技術效率=純技術效率×規模效率，浙江省的規模效率高于純技術效率，說明浙江省的文化產業上市公司融資效率不高主要是由技術和管理等因素主導的。全國29個省市中，河北、黑龍江、上海、重慶、青海、新疆綜合技術效率最高，達到1，江蘇、安徽、山東、廣東、甘肅五省的綜合技術效率未達到1，但是純技術效率為1，說明這些省份的技術和管理水平是相對有效的。此外，全國有14個省（自治區、直轄市）處在規模報酬遞減狀態，只有天津、山西、廣西、貴州、云南、甘肅、寧夏處在規模報酬遞增狀態，有17個省（自治區、直轄市）存在投入冗余，浙江省是投入冗余最高的省份。

3.2.2 第二階段似SFA回歸

分別以第一階段所得的負債總額松弛變量、實收資本松弛變量為因變量，金融業發展程度、資本化程度、民間資本活躍度為自變量建立似SFA回歸模型，運用Frontier4.1軟件進行回歸運算，得到表3。

對表3進行分析可得出，兩個投入指標的松弛變量在SFA回歸方程中LR都通過了5%的顯著檢驗，說明所選擇的3個環境因素對文化金融合作效率的影響是顯著的，通過SFA回歸將其影響剔除是十分有必要的。金融業發展程度對負債總額松弛變量、實收資本松弛變量的回歸系數均為負數，且在1%的顯著性水平下顯著，說明金融發展程度的提高，將有助于負債總額、實收資本冗余量的減少，對文化金融合作效率的提高是有利的。資本化程度則剛好相反，對負債總額松弛變量、實收資本松弛變量的回歸系數均為正數，且在1%的顯著性水平下顯著，說明資本化程度越高，負債總額、實收資本的冗余量越容易增加，不利于效率的提高，所以資本化程度排名前三的省市——廣東、北京、浙江綜合技術效率都不高。民間資本活躍度對負債總額松弛變量、實收資本松弛變量的回歸系數均為負數，且在5%的顯著性水平下顯著，說明民間資本的活躍，有助于文化及相關產業上市公司負債總額、實收資本冗余量的減少，對效率的提高是有利的。

3.2.3 第三階段調整后DEA分析

將調整后的投入變量再次進行DEA分析，得到調整后的效率值，并與調整前的效率值進行對比（見表4）。

從表4可以看出，剔除環境變量和隨機干擾的影響之后，浙江省的綜合技術效率、純技術效率和規模效率都有所提高，從低于全國平均水平到略高于全國平均水平，綜合技術排名更是從原先的第22位上升到第10位。就全國來看，綜合技術效率值為0.528，純技術效率值為0.69，規模效率為0.732，與調整前相比，綜合技術效率、純技術效率和規模效率都有所下降，主要是很多省市地區的綜合技術效率在調整后出現了明顯的下降，尤其是原先效率值為1的河北、黑龍江、江西、重慶、青海、新疆地區，效率值出現了大幅下降，而經濟相對較發達的北京、江蘇、浙江、廣東、山東的效率值都有不同程度的提高。浙江、江蘇和廣東三省是處于規模報酬遞減狀態。從地區對比來看，調整后東部地區的效率值要高于中西部地區，說明經濟、金融越發達，文化金融合作效率越高，調整后的效率值更符合客觀事實。

3.3 進一步論證

因為選取的樣本是文化及相關產業上市公司，個別省份的上市公司數量較少，為進一步提高分析結論的可靠性，所以本文還選取了2012～2016年規模以上文教、工美、體育及娛樂制造業進行了DEA初始效率分析，分析結果見表5，結果與文化及相關產業上市公司分析結果一致：浙江省文化金融合作效率并不高，且處在規模報酬遞減狀態，投入冗余較嚴重。

4 結論和建議

利用2017年全國29個省（自治區、直轄市）的橫截面數據，對浙江省的文化金融合作效率進行相對效率分析，分析結果表明，浙江省的文化金融合作效率并不高，投入冗余較高，且處在規模報酬遞減狀態。所以，在浙江省大力發展文化產業背景下，需要提高文化金融合作效率，讓資本有效地配置，讓資本在文化產業發揮最大的效用，建議如下。

（1）加快金融業發展。金融業發展程度的提高，將有助于負債總額、實收資本冗余量的減少，對文化金融合作效率的提高是有利的。浙江省應深化金融改革，加快金融業發展，尤其是現代金融業的發展，通過金融業的創新發展、服務水平的提高，帶動文化金融的創新發展。

（2）積極引入民間資本。根據前面的分析，民間資本活躍對文化產業上市公司負債和實收資本冗余量的減少。相比國營資本，民間資本更高效、靈活，逐利性更強，在行業、項目的選擇上，民間資本更有利于資金向能人投資者傾斜。因而，引入民間資本，不僅可以促進金融資源的有效配置，還可以促進金融產品及服務的創新，提高文化金融合作的效率。

（3）推動文化金融合作的創新。推動金融產業與文化產業的合作，發揮浙江省的互聯網金融優勢，探索互聯網+文化+金融的深度融合模式;探索共享化、大眾化的文化+理財模式，開發適合大眾投資理財的文化金融產品和服務;結合金融行業IP金融、區塊鏈金融等新業態，探索區塊鏈+金融+文化等新模式的發展。通過創新，進行深入融合，達到金融業和文化產業的雙贏。

參 考 文 獻

[1]Van Grasstek.Treatment of Cultural Goods and Se-

rvices in International Trade Agreements[M].London：Oxford University Press，2009：7-8.

[2]A Klamer，LPetrova.Financing the Arts：The Consequences of Interaction among Artists，Financial Support，and Creativity Motivation[J].The journal of arts management，law&society，2007，37（2）：245-256.

[3]Bakker，G.The decline and fall of the European film

industry：sunk costs，market size，and market structure，1890-1927.Economic History Review，LVIII，2005（2）：310-351.

[4]Angilella S，Mazzù S.The financing of innovative SMEs：a multicriteria credit rating model[J].Europeanjournal of operational research，2015，244（2）：540-554.

[5]ChamesA，Cooper W W，RhodesE.Measuring the efficiency of decision making units[J].European Journal of Operational Research，1978（2）：429-444.

[6]Fried H O，C A Lovell.Accounting for Environme-

ntal Effects and Statistical noise in Date Envelopment Analysis[J].Journal of Productivity Analysis，2002（17）：157-174.

[7]Jondrow，J，Knox Lovell，C，Materov I.On the Estimation of Technical Inefficiency in the Stochastic Frontier Production Function Mode[J].Journal of Econometrics，1982（19）：233-238.

[8]羅靚.發展文化產業與金融支持[J].農村金融研究，2008（5）.

[9]國世平.中國—東盟文化產業面臨的融資問題[J].創新，2008（12）：22-26.

[10]安定明.文化產業投融資機制創新模式研究[J].中國城市經濟，2010（10）：31-33.

[11]蔡尚偉，鐘勤.對我國發展文化金融的初步探討[J].深圳大學學報，2013（7）：150-155.

[12]張志偉，石瑤.關于文化金融服務體系建設的若干思考[J].西華大學學報（哲學社會科學版），2017（5）：66-

70.

[13]朱佳俊，王敏.文化金融合作區的發展模式與運營機制研究[J].江蘇商論，2017（5）：54-57.

[14]周菲.基于三階段DEA模型的股市融資效率分析——來自世界主要國家與地區數據比較[D].合肥：合肥工業大學，2016.

[15]劉亞錚，冉娜娜.文化產業上市公司融資效率評價及優化[J].商業時代，2014（2）：135-136.

[16]張桂玲.基于DEA的文化產業投融資效率研究[J].會計之友，2016（21）：80-83.

[17]張群，邱玉興.文化產業上市公司的融資效率及影響因素研究——基于異質性隨機前沿分析法[J].會計之友，2016（10）：55-59.

[責任編輯：鄧進利]