我國科技金融發展效率的影響因素
——基于模糊集的定性比較分析

周 新，馬 丁

（太原理工大學經濟管理學院，山西太原 030024）

科技創新和金融發展作為經濟社會發展的內在動力，二者的有機結合是推動科技生產力實現高效轉化、促進戰略性新興產業發展和刺激產業結構進行調整升級的重要支柱。科技創新是金融發展的核心要素，而金融發展也為科技創新提供資金和經濟環境的外在保障。目前我國經濟正處于“三期疊加”的關鍵環節，面臨著經濟增長速度放緩、勞動力等低成本優勢逐漸喪失、產業結構和區域發展不均衡等一系列問題，要尋求經濟的突破性發展，離不開科技創新這一強大驅動力的助推，也需要金融發展的有利支撐。我國自2011 年科技部發布《關于促進科技與金融結合加快實施自主創新戰略的若干意見》,各地區相繼出臺相關政策支持科技與金融結合發展，引導科技金融可持續發展，但由于各地區金融資源配置和科技金融人才配置效率的差異，直接影響了區域科技金融的發展效率。因此，研究我國科技金融發展效率的影響因素，不僅是對科技金融深度融合等相關理論的拓展與深化，也符合我國經濟發展新常態下探索科技金融優化路徑及改善區域發展不平衡的現實需要。

1 文獻綜述

國內外學者針對科技金融問題從不同的方面進行討論和研究。國外學者主要是圍繞金融與科技創新的關系展開研究。在金融方面，Canepa 等［1］利用社區創新調查數據，探討了金融因素作為英國創新制約因素的作用，發現金融因素對高科技部門和較小的企業的創新活動有一定的正向影響；Giannetti［2］發現銀行等金融機構介入對中小高新技術企業的技術進步和創新有更顯著的作用；Kortum 等［3］研究了金融風險資本對美國20 個行業專利發明的影響，發現金融風險資本對技術創新有顯著的促進作用。在市場融資方面，Atanassov［4］利用面板數據對美國上市公司進行實證研究發現，上市公司依賴金融市場融資進行的科技創新活動會取得更高質量的成果；Kim 等［5］探討了2000—2008 年外部融資對韓國上市公司技術創新活動的各種影響，發現銀行貸款的間接外部融資對企業的技術創新活動有負面影響，而證券發行的直接外部融資對技術創新活動有積極影響。

20 世紀90 年代，“科技金融”的概念首次在國內提出，國內學者主要是從科技金融的理論和實證兩個方面進行研究。在理論方面，趙昌文等［6］所著的《科技金融》是國內關于科技金融研究的代表性著作，認為科技與金融相互融合對于促進技術研發、成果轉化和高新技術產業發展有重要作用；房漢廷［7］從理論、實踐和政策3 個方面闡述了科技金融問題；鄧天佐等［8］探討剖析了我國科技和金融結合的內涵、規律、特點及表現形式，并針對科技金融相關問題給出建議。在實證研究方面，曹顥等［9］選取科技金融資源指數、經費指數、產出指數和貸款指數4 個方面10 個指標對我國科技金融發展指數進行評價；楊建輝等［10］篩選18 個指標構建科技金融發展評價體系，并利用投影尋蹤模型得到我國20個省份的科技金融發展指數；甘星等［11］構建科技金融指標評價體系，利用數據包絡分析（DEA）方法分析了2006—2014 年我國三大經濟圈的科技金融效率；黃瑞芬等［12］運用DEA-Malmquist 指數法和隨機前沿（SFA）模型對我國科技金融全要素生產率變動和效率進行評價，發現不同地區的科技金融發展效率存在顯著差異；薛曄等［13］運用熵權法和貝葉斯隨機前沿模型測算了2001—2014 年我國30 個省份的科技金融發展效率，并分析了金融投入變量對科技金融發展效率的影響；李林漢等［14］利用DEATobit 模型對我國30 個省份的科技金融發展效率及影響因素進行分析，發現財政科技撥款、科研經費投入等因素具有重要影響；許世琴等［15］采用DEABCC 模型測算了2005—2016 年我國30 個省份的科技金融效率，并利用空間面板模型進行因素分析，發現研發投入強度、科研氛圍以及高新技術產業資金規模對科技金融發展效率有重要的影響。

綜上所述，國內科技金融的實證研究主要是選取指標構建科技金融發展評價體系，利用DEA 方法、SFA 模型等方法測算出科技與金融結合效率，并分析不同區域之間的差異；在分析影響因素方面，大部分學者選取科技金融評價體系中的投入變量作為影響因素，利用面板數據Tobit 模型重點分析研發經費強度、融資方式、資金規模等不同投入要素對我國科技金融發展效率的影響，而較少考慮金融環境的作用。在知網上截至2020 年6 月搜索關鍵詞“科技金融效率”，僅有3 篇文獻專門討論了金融環境對科技發展效率的影響。此外，科技金融發展效率是一個復雜的問題，受多方面因素的影響，但現有文獻中只是研究分析了不同因素對科技金融發展效率產生正向或者負向、顯著或不顯著的影響，卻忽略了因素之間協同組合效應對科技金融發展效率的影響。

本研究在已有研究的基礎上，運用DEA-BCC模型測量2011—2017 年我國各省份的科技金融發展效率，并以各省份2017 年的科技金融發展效率為結果變量，采用模糊集定性比較分析法，從金融環境、科研資金投入和科研人力投入角度選取6 個因素作為影響因素，研究這些因素之間的協同組合效應對我國科技金融發展效率的影響，探尋實現提高科技金融發展效率目標的最佳路徑。

2 實證分析

2.1 定性比較分析法

定性比較分析法（QCA）是20 世紀80 年代開始出現的一種關注條件組態與結果之間復雜因果關系的方法。有學者認為社會現象發生的原因條件間多是相互依賴而非獨立的，因此解釋社會現象發生的原因不能僅局限于關注單個條件對結果的影響［16］。定性比較分析法放棄了單變量的凈效益，采取整體的視角看待各變量之間的關系，以布爾代數作為數據運算的基本原理，研究多個條件變量之間如何組合搭配，可以解釋結果的發生（A×B→Y）。傳統的定量方法追求得到結果的最優解，而定性比較分析法認為導致結果發生的組態具有等效性，即多個不同的條件組合會產生同樣的結果（A×B→Y，C×D→Y）［17］。

在使用模糊集定性比較分析法進行分析前，需要校準所有變量的原始數據。模糊集的功能強大，可以將條件變量的數據值校準到0～1 之間的任何數值，用于評估“完全隸屬”和“完全不隸屬”間的隸屬程度，這樣可以最大化防止數據信息的丟失。這種校準可以得到一個連續變量的模糊集，并且依賴于使用理論和實際知識設定3 個定性的轉折點：“完全隸屬”（1）、“完全不隸屬”（0）以及交叉點（0.5），交叉點是最大的模糊點。

利用組態分析研究結果的QCA 方法結合了定性分析與定量分析各自的優點，既適用于中小案例樣本的研究，也可以用于大規模案例的研究。科技金融發展效率受多個因素影響，應用定性比較分析法有助于從深層次分析科技金融發展效率的影響機制，探究提升我國科技金融發展效率的條件組合路徑。同時，本研究以我國30 個省份（未含西藏和港澳臺地區）為研究案例（以下簡稱“樣本省份”），符合定性比較分析法研究樣本數量的基本要求。

2.2 變量選取及數據校準

2.2.1 結果變量

本研究關注的結果是各省份的科技金融發展效率。利用DEAP2.1 軟件，以金融投入、政府投入和科技投入3 個方面的5 個指標為投入要素，以發明專利申請量、技術市場成交合同額和高新技術新產品銷售額為產出要素，將科技金融產出指標的數據選擇相對于投入指標的數據選擇滯后1期進行研究，計算出2011—2017 年樣本省份的科技金融發展效率，并以其2017 年的科技金融發展效率為結果變量。

2.2.2 前因條件變量

（1）金融環境。金融環境是金融活動發生與發展的支持系統和資源，并影響著金融市場運行的效率［18］。本研究選用科技金融政策和金融發展程度作為金融環境的二級指標。其中，金融發展程度借鑒童紀新等［19］的指標選取方法，采用金融機構各項貸款余額占地區生產總值（GDP）的比重來衡量；科技金融政策以地方政府在官網上發布的促進科技與金融結合的相關文件為依據，設定2017 年以前發布相關科技金融文件的數量0 和1 分別對應隸屬度為0.05 和0.95 的校準點。金融發展方面對應的“完全不隸屬”“模糊點”“完全隸屬點”3 個校準點的數據分別為0.9、1.6 和2.5。

（2）科研資金投入。科研經費是為發展科學技術事業而支出的費用，科研經費是否充足對科研成果有直接影響，因此世界各國都非常重視對科研經費的投入。本研究采用科研經費強度和政府科技支持力度來反映科研資金投入對科技金融發展效率的影響。其中，科研經費強度用R&D 內部經費支出與地區生產總值之比來衡量；政府科研支持力度用地區財政科學技術支出占比來表示。經費投入強度和政府支持力度對應的“完全不隸屬”“模糊點”“完全隸屬點”的校準點分別是0.5%、1.2%、2.6%和0.7%、1.5%、5%。

（3）科研人力投入。科研人員是科技研發中不可或缺的重要部分，科研人數和科研人員學歷對科研創新有重要的影響。本研究采用R&D 人員全時當量和科研人員中本科及以上學歷占比來研究科研人力投入對科技金融發展效率的影響。這2 個變量對應“完全不隸屬”“模糊點”“完全隸屬點”的校準點分別是7 000 人年、135 000 人年、300 000 人年和0.52%、0.71%、0.9%。

本研究數據來源于《中國金融統計年鑒》《中國科技統計年鑒》《中國統計年鑒》和各省份有關官網信息。樣本省份科技金融發展效率前因條件變量的校準點如表1 所示。

表1 樣本省份科技金融發展效率前因條件變量校準點

2.3 前因條件必要性分析

根據模糊集分析的步驟，在利用真值表對條件組合進行分析之前，需要檢測各條件的必要性，以確定該條件是否為結果變量的必要條件，確定的依據是結果變量的一致性數值。根據Rihoux 等［17］的研究，必要性模糊子集關系的一致性可以使用以下公式評估：

式（1）中：Yi為案例i對于結果變量的隸屬度；Xi為案例i對于前因條件的隸屬度。

在fsQCA3.0 軟件中運行必要條件分析，得到單個前因條件變量對結果變量的一致性數值如表2 所示。依據以往研究，當一致性數值大于0.9 時，則可以認定該條件為結果變量的必要條件［20］。根據表2 可知，當結果變量為科技金融發展效率時，單個條件的一致性數值最高為0.821 706，不超過0.9，因此本研究中不存在必要條件。這說明有效提高科技金融發展效率不能單獨依靠某個變量，而是需要多個條件組合搭配共同作用實現。

表2 樣本省份科技金融發展效率前因條件變量必要性分析

2.4 結果分析

條件組態分析是分析各條件變量之間不同組合對結果變量產生的影響作用，本研究運用條件組態分析探究哪些組合是導致我國高科技金融發展效率的路徑。將一致性的閾值分界點設置為0.85，案例閾值設定為1。運行fsQCA3.0 軟件中的標準分析，可以得到3 個解：復雜解、簡約解和中間解。復雜解是根據案例條件未做處理分析得出的結果，解釋模型復雜，普適性較差；簡約解是精簡之后的解，相對簡單，但啟示性較差；中間解兼具前兩者的優點，通常用作問題的分析結果。根據表3 可知，樣本省份科技金融發展效率中間解的總一致性為0.931 062，總覆蓋度為0.759 044，說明這些解的解釋力和可行性強。經分析，有4 條路徑可以實現地區科技金融高水平發展：

（1）路徑1 即政策平衡型。可以解釋為當地方政府出臺相關政策支持科技與技金融結合發展，同時科技型企業投入大量的科研經費和擁有一批學歷高、科研能力強的科技金融人才，因此即使科研人數沒有產生規模效應，該地區也能實現高水平的科技金融發展。其中，科技金融政策為核心條件，科研經費強度和科研人員學歷為輔助條件。符合路徑1 的省份為陜西省和天津市。陜西省雖然總體經濟實力略顯不足，但是重視教育事業，不斷加強高校建設，并大力發展高新技術產業，省內科技型企業科研經費投入占比不斷增大，聚集了一批“高精尖”的科研人才，為科技創新作出巨大貢獻。2012 年陜西省政府出臺了促進科技與金融結合的相關政策，加強科技金融服務體系建設，開展科技與金融結合試點，強化有利于促進科技與金融結合的保障措施，加速科技與金融深度融合發展。天津市臨近北京市，依靠北京市的輻射和自身發展，經濟、科研投入和科研人員能力水平均處于國內領先地位，再加上市政府布局于科技金融發展，因此即使科研人員數量未達到較高狀態，天津市也有較高水平的科技金融發展。

（2）路徑2 即全面協作型。可以解釋為當地方政府支持與科技金融結合發展，同時具有較大的科研經費投入和政府科技支持力度，吸引大量科研人員聚集，無論金融發展程度和科研人員學歷如何，該地區也能實現高水平的科技金融發展。其中科技金融政策、科研經費強度、政府科技支持力度和科研人數均為輔助條件，這4 個條件對實現該路徑的貢獻度相同。符合路徑2 的省份為北京市、上海市、江蘇省、浙江省和廣東省。北京市和上海市是國際化大都市，經濟金融實力強大。在高新技術產業方面，北京擁有“中國硅谷”之稱的中關村科技園，而上海也形成了“一區六園”的高新技術產業開發區新格局，兩市的高新技術產業實力雄厚，而且有大批高等院和科研機構作為支撐，匯集了一大批學歷高、能力強的科技金融人才，再加上科技型企業重視科技研發，政府大力支持科技發展，北京市和上海市均實現了高水平的科技金融發展效率。江蘇、浙江和廣東省均位于國內東部沿海地區，經濟金融發展水平居全國前列。2012 年開始，這3 個省份政府相繼出臺了相關政策，加速科技與金融結合，助推科技創新和經濟高質量發展；此外，這3 個省份的科研經費強度分別為2.63、2.45 和2.6，政府科技支持力度分別為4.03、4.03 和5.48，科研人數分別為560 002 人年、398 091 人年和568 287 人年，均遠高于全樣本平均水平。雖然江蘇省金融發展得分僅為0.27分，浙江省科研人員學歷得分僅為0.05 分，廣東省這兩個指標得分分別為0.48 分和0.56 分，但是這3個省份依舊實現了高水平的科技金融發展。這說明只要同時滿足科技金融政策、科研經費強度、政府科技支持力度和科研人數等條件，金融發展程度和科研人員學歷這兩個條件是否存在得分較低對高科技金融發展效率影響不大。

（3）路徑3 即科研投入型。可以解釋為當地方科研資金投入和政府科技支持足夠大時，即使該地區金融發展水平不高，科研人員的數量和學歷水平不理想，也能實現科技金融高水平發展，其中政府科技支持力度是核心條件，科研經費強度是輔助條件。符合路徑3 的省份有湖北省、安徽省和江西省。這3 個省份位于國內中部地區，相較于東部沿海經濟發達地區，在經濟金融發展上還屬于新興地區。近年來，湖北省已經建有國家級、省級高新技術區21 個，科技型企業科研經費強度不斷增大，同時政府設立科技金融服務中心，引入銀行、風投等機構，幫助企業快速融資，推進科技與金融一體化發展。安徽省和江西省政府重視科技發展，并積極引導推動地方金融體系不斷完善，加大投入支持各類科技金融平臺建設，整合科技與金融資源，同時高新技術企業積極在金融市場中進行科技貸款和科技融資，高新技術產業規模和科研經費投入比重不斷擴大，產業創新能力不斷增強，進一步加速科技與金融結合高水平發展。

（4）路徑4 即環境人力型。可以解釋為當地方金融發展程度較高，政府積極實施促進科技金融發展的舉措并吸引一批學歷高、科研能力強的科技金融人才，也能實現高水平的科技金融發展。在該路徑中，科技金融政策是核心條件，金融發展和科研人員學歷是輔助條件。符合路徑4 的省份是甘肅省和四川省。這2 個省份位于國內西部地區，雖然經濟發展較為落后，但金融市場相對活躍。2013 年甘肅省成立科技發展投資有限公司，致力于培育扶持科技型企業發展，建設科技創新城孵化基地，同時省科技廳與蘭州銀行簽署共同推進科技金融結合的戰略合作協議，為科技型企業加快發展提供融資支持，而且在全省科研人員中本科及以上學歷占總科研人數的比重達79%，加速了地區科技金融的有效融合發展。2008 年四川省科技廳聯合多個部門率先提出了較為全面和系統的科技金融相關政策和措施，加大對高新技術產業投入，鼓勵銀行、保險等金融機構支持高新技術產業發展，致力于優化科技金融生態環境，實現科技與金融深度融合。

表3 樣本省份科技金融發展效率路徑構型

3 結論及建議

本研究選取2011—2018 年我國30 個省份科技金融投入產出的相關數據，運用DEA-BCC 模型測算出科技金融發展效率；并以2017 年的科技金融發展效率為結果變量，運用模糊集定性比較分析法，從金融環境、科研資金投入和科研人力投入3 個方面分析影響科技金融發展效率的因素，探討了科技金融政策、金融發展程度、科研經費強度、政府科技支持力度、科研人數和科研人員學歷這6 個因素對科技金融發展效率的組合效應，探尋提升科技金融發展效率的多元路徑。研究發現：一是高效的科技金融發展具有“多重并發”的特點，要實現高效的科技金融發展需要多個因素聯合作用，任何單獨一個因素都無法導致該結果的發生；二是推動地區實現高效的科技金融發展有4 條路徑，分別是政策平衡型、全面協作型、科研投入型和環境人力型，科技金融政策在4 條路徑中出現3 次且2 次為核心條件，是促進科技與金融結合的重要因素。

基于以上研究，提出如下建議：

（1）科技金融發展效率高的省份應在保持自身優勢的同時積極彌補不足的方面。北京市和上海市無論在經濟金融發展還是科研經費人力投入方面都處于領先地位，除了保持高效發展，還要積極與國際接軌，向國外發達地區學習科技金融建設的先進經驗，并引進大型金融機構和科技型企業長期發展，打造成世界一流的科技金融服務中心；同時需要加強法制建設，促進形成公平的科技金融市場競爭，依靠地區的輻射能力穩步推進京津冀地區和長江三角洲地區的科技金融發展。浙江省、江西省、安徽省和湖北省等金融市場活躍度和科研人員數量不足，地方政府應采取措施完善金融組織體系，加大有效信貸投放，活躍金融市場，同時出臺優惠政策引進一批高學歷科技金融人才，促進科技金融更高效發展。四川省和陜西省的政府科技支持力度、科研人員數量是阻礙其科技金融進一步發展的主要因素，政府應增加財政科技金融投入，提高財政資金運作效率，同時吸引更多的高校畢業生留在當地為地方科技金融發展作出貢獻。廣東省和河南省的科研人員中本科及以上學歷人數偏少，這在較大程度上限制了科技金融更好地發展，政府和企業應該加強科研人員隊伍建設，不僅要關注科研人員的數量，更要注重人員質量，保證科研人數和人員質量兩大方面才能更有效地推動科技金融發展。

（2）科技金融發展效率較低的省份應根據地區發展優勢因地施策，尋找符合自身科技金融高效發展的路徑。廣西壯族自治區、山西省和黑龍江省等的科研人員中本科及以上學歷人數占據優勢，但是其他條件缺乏，可以借鑒路徑1 和路徑4。由于金融發展需要長時間的運作，通常短時間內成效不明顯，政府應頒布和完善相關科技金融政策，鼓勵科技型企業加大研發投入，從而提高當地科技金融發展效率。新疆維吾爾自治區、內蒙古自治區和云南省等的金融市場活躍，發展態勢良好，并且科研人員中高學歷人數占比也超過其他大多數省份，因此可以借鑒路徑3。政府應加強科技扶持力度，并出臺優惠政策激勵企業提高科研投入，加快科技創新，提高科技成果轉化率。山東省和遼寧省積極搭建科技金融綜合服務中心，科技型企業科研投入和科研人數保持在較高水平，可以借鑒路徑2。政府應重點補足科技支持不足的缺陷，同時還要優化資源配置，避免將大量資源傾注于某些企業或者行業，推動地區科技金融高效率發展。