基于三階段DEA模型的資源型區域科技金融效率研究

山西財經大學 侯旭輝

1 研究背景

隨著我國經濟進入新常態，人口紅利下降，能源問題日漸突出，傳統依賴高投資、高投入的經濟發展模式受到挑戰，轉變經濟發展內涵，推動以科技創新為主體的經濟發展模式已是必然。科技作為推動經濟增長的第一生產力，金融作為創新驅動發展的重要引擎，只有科技金融結合發展，才會帶動資源型區域的高轉型發展，并促進經濟的高質量提升。然而，現階段我國不同區域科技金融能力參差不齊，特別是對資源型區域來說，整體科技金融效率不高，與我國發達經濟地區差距較大。因此，資源型區域如何充分利用其資源優勢，提高科技金融效率成為地方政府現階段面臨的重大問題。

2 文獻綜述

通過閱讀前人文獻，發現國內學者對科技金融效率的研究大多以實證研究為主。施明康、于麗英根據2009—2015年的省際面板數據，基于DEA分析方法，測算了我國科技金融效率以及兩者的協同效率，結果表明，協同效率仍有較大發展空間，且各地區差異明顯[1]。龐金波等基于PP-SFA方法對我國2010-2017年科技金融投入產出的面板數據進行了實證研究，結果顯示不同地區科技金融效率存在差異，而且加大地方政府財政投入有利于提高科技金融效率[2]。孫忠艷基于DEA-Malmquist測度模型，對長三角、珠三角和京津冀2009—2018年科技金融效率進行了測度，結果表明，三大經濟圈效率差異明顯，科技金融尚未達到高效配置[3]。馬玉林等對中國30個省域2004—2017年科技金融效率進行測算，分析其動態演進過程，結果表明，樣本年份以來，各省域科技金融效率逐年提高，且省域之間的差異日漸縮小[4]。

但現有關于科技金融效率的研究多集中在中國整體、省際間或者發達地區，而關于資源型區域科技金融效率的研究較少，且中國的資源型區域大多科技金融發展較慢。因此，在經濟轉型要求下，資源型區域如何引導金融資本加強科技金融創新，實現經濟轉型發展成為亟需解決的問題。

3 研究設計

3.1 三階段DEA方法模型

DEA（數據包絡分析）是由美國著名的運籌學家提出的一種非參數檢驗方法。DEA通過選取決策單元（DMU）的多項投入和產出數據，利用線性規劃的方法，以最優投入和產出數據來形成“生產前沿面”，通過判斷各個DMU是否位于生產前沿面，來判定DMU的相對有效性。而Fried將環境因素和隨機噪聲對決策單元效率評價的影響引入傳統的DEA模型，在國內被學者稱為“三階段DEA模型”。

3.2 變量選取和數據說明

本文以2003—2017年為樣本期間，選取我國14個典型的資源型省份為研究對象，分別為：山西、河北、內蒙古、河南、陜西、黑龍江、吉林、遼寧、云南、四川、新疆、安徽、甘肅和貴州。數據來源于《中國科技統計年鑒》《中國高技術產業統計年鑒》《中國統計年鑒》和各省的統計年鑒以及EPS全球統計數據分析平臺。

通過閱讀前人關于科技金融投入產出效率的研究文獻，發現目前關于科技創新的投入和產出指標選取尚未形成統一標準。考慮到各省的現實情況以及數據的可獲得性，選取高技術產業新增固定資產、R&D經費支出和R&D人員全時當量代表科技金融投入要素。針對科技創新活動的三個階段，選擇國內專利授權數量、技術市場合同成交金額和高技術產業主營業務收入作為科技金融的產出指標。為了剔除傳統DEA模型中環境因素對于效率測度的影響，本文將財政科學技術支出占地方一般預算支出比例代表政府對科技的重視程度；選取人均地區生產總值衡量各地區的經濟發展程度；選取進出口總額占地方生產總值比例反映各地區的對外開放程度。

將投入產出指標數據放入Stata軟件中，進行相關性分析，結果如表1所示：投入指標與產出指標呈正相關關系，因此DEA效率測算結果是可靠的。

表1 科技金融投入產出指標相關性分析

4 實證分析結果

4.1 第一階段DEA分析

第一階段DEA效率值如表2所示。從資源型區域整體來看，不考慮環境因素的第一階段科技金融綜合效率平均值為0.8627，整體處于一個較低水平，且各省份之間效率差異比較大。而純技術效率的均值為0.9069，規模效率的均值為0.9427，純技術效率偏低是造成綜合效率偏低的主要原因。由于第一階段DEA分析中沒有考慮環境因素與隨機變量的影響，因此第一階段只是對科技金融效率值的初步測算，與各省份真實效率水平之間可能還存在差距。

4.2 第二階段隨機前沿分析（SFA）結果

第二階段的SFA回歸的被解釋變量為第一階段DEA產生的各省份科技金融投入變量的松弛值，解釋變量為政府重視程度、經濟發展水平和對外開放程度三個外部環境變量。利用Frontier軟件進行SFA回歸，結果如表3所示。從實證結果來看，sigma平方和gamma在給定的顯著性水平下顯著，表明科技金融投入的冗余量受到外部環境的顯著影響。

從隨機前沿分析（SFA）結果整體來看，各資源型省份的科技金融效率值明顯受到環境因素與隨機噪聲的影響。因此，有必要利用第二階段分析結果調整第一階段的科技金融投入變量，使各資源型地區處于相同的外部環境下，得到更加接近真實水平的效率值。

表2 2003-2017年資源型省份科技金融效率均值

表3 第二階段隨機前沿分析（SFA）結果

4.3 第三階段DEA分析

對資源型區域科技金融投入變量進行調整，調整之后，科技金融投入產出指標再次代入DEA模型中，得到調整后的第三階段DEA效率值，結果如表2所示。從整體來看，綜合效率均值由0.8627下降為0.730，規模效率由0.9427下降為0.743，兩者相比于第一階段效率值均有大幅下降。但純技術效率由0.9069上升為0.982，結合第一階段DEA的結論，分析可知在剔除環境因素對真實效率的影響后，綜合效率較低的主要原因是規模效率偏低，而不是第一階段所顯示的純技術效率偏低。從規模效率的角度來看，除了遼寧、河南和四川這3個地區的規模效率在第三階段有明顯上升以外，其余11個地區的規模效率在第三階段均有下降，表明大部分資源型地區科技金融的實際生產規模與最優生產規模差距較大，并且各地的綜合效率均值偏低也是由于自身的規模效率偏低所導致。

5 結語

本文運用三階段DEA模型對資源型省份2003—2017年的科技金融效率進行了實證分析，結果表明：第一，科技金融效率受環境因素影響較大，特別是受政府重視程度影響較大；第二，資源型省份科技金融效率普遍偏低，各省份之間差異較大，規模效率偏低帶動了資源型省份科技金融效率降低；第三，從純技術效率的角度來看，經過調整之后，除了黑龍江以外的13個地區的純技術效率均值均有提升，而純技術效率衡量決策單元在當前的技術條件下對投入要素的使用效率，說明在剔除了外部環境因素的影響后，大部分資源型地區對科技金融投入要素的使用效率有明顯提高。因此，在科技金融發展過程中，必須加大政府支持力度，提高財政科技支出配置效率，制定合理的科技資金使用規定，并加強政府監督，促進資金的規范使用，確保政府資金有效運用于科技金融過程中。