基于DEA-Tobit 模型的中國智能產業金融支持水平與效率評價研究＊

任 杰，張紅梅

（貴州財經大學大數據應用與經濟學院（貴陽大數據金融學院），貴州 貴陽 550025）

2017年，國務院印發了《新一代人工智能發展規劃》和《促進新一代人工智能產業發展三年行動計劃（2018—2020年）》，為我國智能產業的發展提供了依據并明確了方向。近年來，我國在智能產業的投入逐年遞增，這些均表明我國對智能產業的發展十分重視。在政策的指揮棒下，智能產業的發展獲得來自政府和市場的大力推動，其規模迅速擴大。金融是推動我國經濟結構轉型、產業結構升級的重要推手，同時也是智能產業發展的基石，是推動智能產業不斷向前發展的核心支持力量。我國各省市為了引導本土智能產業良好發展，相繼出臺了各種十分具有針對性的政策，同時還從財政補助、稅收減免等方面提供金融支持，促使智能產業科技成果轉化。然而，許多智能企業存在投入高產出低的問題，從而造成了資金浪費，導致金融資源配置較低，不利于智能產業的發展。基于此，本課題小組測度了我國21 個省市的智能產業金融支持效率，并進一步探究其金融支持效率的影響因素，對如何提高智能產業的金融支持效率提供了政策建議。

1 文獻回顧

國內外文獻關于金融支持效率的研究主要側重于分行業、分地區進行考察。

1）分行業看，Han（2016）[1]以風電上市企業作為樣本，對中國風電產業的金融支持效率進行分析；張麗華等（2019）[2]考察了煤炭企業科技創新的金融支持效率；馬軍偉等（2019）[3]對戰略性新興產業發展的投入冗余和產出不足情況進行了分析；王振（2019）[4]以新能源五大行業的上市公司為樣本測度了DEA金融支持效率；李艷麗等（2020）[5]重點研究了引入新三板企業后我國體育產業金融支持效率的變化；Xuan（2020）[6]則聚焦了海洋產業并對其財務支持效率進行了測度。

2）分地區看，陳燕麗等（2018）[7]對東北地區制造業企業的績效進行了評價；Li（2019）[8]對比了沿海地區和非沿海地區金融創新支持效率；崔學海等（2019）[9]測度了長江經濟帶金融支持技術轉移效率，通過對比分析，對金融效率影響因素進行了判識；陳小榮等（2020）[10]通過2014—2018年省際面板數據對京津冀戰略性新興產業的金融支持效率進行了測度，并進一步研究了其影響因素。除此之外，也有學者從宏觀角度出發展開研究，張莉莉等（2018）[11]基于2008—2016年間1 040家公眾企業的面板數據，測度了我國綠色金融發展水平與效率，并進行比較分析；柏宏繁等（2020）[12]對甘肅省新興城鎮化的金融支持效率進行了測度。

綜上分析，國內外文獻有關金融支持效率的研究較為豐富，且研究基本均基于DEA模型或Tobit模型對效率和績效進行測度，研究問題也多種多樣，然而，對于智能產業的研究卻很少。課題小組在充分借鑒國內外研究成果的基礎上，首先利用熵值法對我國智能產業的金融支持水平進行了測度，其次通過DEA-Malmquist 指數法對金融支持效率分別從靜態和動態的角度進行了測度，最后采用Tobit 模型對金融支持效率的影響因素進行進一步分析，通過選取財務指標、宏觀指標、微觀指標和控制變量四個維度指標，以期更加準確地評價我國智能產業金融支持效率狀況，從而彌補現有研究的不足。

2 模型與方法

2.1 熵值法

測度金融支持水平的方法目前有很多種，但諸如層次分析等方法，其弊端在于主觀賦權，雖然主成分分析法不需要主觀賦權，但是通過降維篩選了部分指標，削減了解釋程度。因此，筆者選擇熵值法進行分析。

第一步，通常需要對指標進行標準化處理，但由于本文量綱相同，故不做處理。

第二步，計算各指標 的熵值 。

第三步，計算各指標的權重。

第四步，將權重與各指標數據相乘，得到金融支持水平分數S。

2.2 DEA-Malmquist指數法

DEA 模型即數據包絡分析，通過代入投入值和產出值來對投入產出效率進行測算，測算出的效率值用來表明決策單元是否實現了相對有效性。課題小組參照多數國內學者的做法，以投入為導向的BCC模型進行分析，如式（4）所示。

其中，θ為相對決策的綜合效率值，為輸入的松弛變量，S+為輸出的松弛變量，ηr為常數向量。模型測度結果主要分為三個部分，綜合技術效率、規模效率和純技術效率，分別用TE、SE和PTE來表示，并有如下關系：TE=SE*PTE。若θ=1，則認為其實現了相對有效性。

由DEA模型所測算出的效率值考察了橫截面數據的靜態效率，為了使研究更為全面，采用Malmquist 指數法考察橫截面數據的動態效率。簡單來說，Malmquist 指數法以決策單元效率的當年t為基期，然后對t-1 和t+1 期的總要素生產率的變化進行分析，由追趕效應（EFFCH）和增長效應（TECH）之積構成，追趕效應反映了決策單元效率改善或惡化程度的效率變化，增長效率反映了決策單元t-1 和t+1期效率前沿變動的技術變化。進一步說，追趕效應主要由兩個部分構成，分別為純技術效率和規模效率，這一點與DEA模型是相同的。Malmquist生產率計算如式（5）所示。

若M＞1，說明t期到t+1 期生產率指數為上升趨勢；若M≤1，說明t期到t+1 期生產率指數為停滯或下降趨勢。EFFCH和TECH的判別與M相同。

2.3 Tobit模型

為了對各省市智能產業金融支持效率的影響因素進行進一步探討，本文依托Tobit 模型作為分析工具。如果代入模型的因變量處于0～1 之間且與自變量有關，則說明利用Tobit 模型進行分析是合理的。Tobit 回歸理論模型如式（6）所示。

2.4 指標選取及數據來源

2.4.1 DEA-Malmquist模型指標選取

智能產業融資方式主要有直接融資和間接融資兩種。直接融資即企業通過非金融機構進行融資的方式，考慮到數據的可得性，本文選取商業信用融資和實收資本（代表企業在金融市場上的融資）作為智能企業的直接融資指標；間接融資即企業通過向金融機構借貸的融資方式，將其作為智能產業的間接融資指標。此外，政府還對智能產業的投資研發活動進行補助，本文將政府補助視為外部補助，將內部資金支持視為內部補助，將二者作為智能產業的投資補助指標。在衡量產業金融支持效率方面，國內研究成果較為豐富。本文投入和產出指標部分參照陳小榮等（2020）[10]和張莉莉等（2020）[11]學者的做法，在投入方面選取了政府補助、商業信用融資、內部資金支持、信貸支持與實收資本5個指標；在產出方面選取了營業收入和應交稅費兩個指標。指標具體含義如表1所示。

表1 智能產業金融支持效率相關指標

2.4.2 Tobit模型指標選取

本文部分參照陳琛[13]的做法，將綜合技術效率作為被解釋變量，將解釋變量分為四類，分別為財務指標、宏觀指標、微觀指標以及控制變量。財務指標包括政府補助、商業信用融資、內部資金支持、信貸支持和實收資本5 個指標，以此分析各投入指標對企業金融支持效率的影響；宏觀指標包括地區GDP 總值，通常來講，若一個地區有較高的GDP，則智能產業也就擁有相對良好的融資環境，金融支持效率也應該越高；微觀指標包括企業的總資產，總資產代表一個企業的企業規模，是影響智能企業金融支持效率的重要因素；控制變量包括企業的所有制形式，用于考察國有企業和非國有企業對智能企業金融支持效率的影響，將國有企業設置為1，非國有企業設置為0。

2.4.3 數據來源

本文的研究時期為2015—2019 年，數據主要來源于東方財富網Choice 數據庫。考慮到數據的可得性，課題小組選取東方財富網概念板塊中“物聯網”“人工智能”等10 個板塊滬深兩市的上市企業作為研究樣本，同時考慮到樣本數量，還選取了從事智能業務的新三板企業，由于部分地區樣本數量較少，因此，除了西藏、新疆之外，對其余21個省和直轄市的上市企業和新三板企業共561家進行分析。

2.5 實證分析

2.5.1 金融支持水平描述性統計分析

由表2可知，除北京在直接融資方面取得最大值外，上海在其余各投入產出指標取得最大值，且遠超于平均值；山西在投資補助、間接融資與營業收入方面均為最小值，這說明山西不僅在投入方面很少且產出不足，而江西省在直接融資方面為全國最低。由表中的數據可以看出，我國各地區智能產業金融支持水平嚴重失衡，最大值與最小值差距極大，為了進一步分析差異性，通過標準差計算得出變異系數，分別為1.262、0.813、0.843、1.316、1.297。由此得出，在投入指標中，各省、市在投資補助方面差距最大，其次為間接融資，最后為直接融資。

表2 智能產業金融支持水平相關指標的描述性統計

2.5.2 金融支持水平與效率分析

通過DEA模型對21個省和直轄市智能產業金融支持效率進行分析，運行結果如表3所示。其中綜合技術效率是指智能產業的金融資源的配置、利用和規模等效率，而純技術效率和規模效率分別表示金融管理和技術水平對智能產業金融資源的配置利用效率和金融資源規模集聚的效率。為了方便分析，將各省、市劃分為4個部分。“雙高型”代表高金融支持水平和高金融支持效率，“雙高型”省市均高于均值，同理可知，“高低型”代表金融支持水平高于均值，但金融支持效率低于均值。由表3可知，21個省、市中實現DEA有效的個數為0，只有北京、浙江、福建和重慶4 個省市為“雙高型”，其余各省、市均存在低金融支持水平或低金融支持效率的問題。

“雙高型”省市中，北京和福建金融支持水平主要靠直接融資拉動，浙江和重慶主要靠投資補助拉動。較高金融支持效率主要來自于較高的純技術效率，說明4個省市的金融管理和技術水平對智能產業金融資源的配置利用效率較高。

“高低型”省市中金融支持水平較高的因素除上海、湖南和廣東來自于投資補助外，遼寧、江蘇和山東主要來自于直接融資，而且其金融支持水平排名均處于全國前列。但金融支持效率卻未及全國平均水平，其中遼寧和湖南主要由于規模效率較低導致金融支持效率較低，其余省市則相反，主要由于純技術效率較低，即雖然在金融支持水平上占有優勢，但由于金融管理和技術水平的低下導致金融資源的配置利用效率較低。

“低高型”省市中金融支持水平主要依靠直接融資拉動，造成金融支持水平較低的原因可能是經濟水平較低從而限制了對智能產業的金融投入，因而政府補助較低，相較于發達地區，其產出體量也較小，這又進一步導致產出較少，因而內部資金支持也較少。在“低高型”省市中，金融支持效率較高的主要原因在于純技術效率較高，以河北為例，其純技術效率為0.999，近于1。這表明雖然這些省市的金融支持水平較低，但是由于金融資源配置的利用效率較高，導致金融支持效率較高。

“雙低型”省市中金融支持水平除湖北主要依靠投資補助拉動外，其余省市主要依靠直接融資拉動。天津市投資補助均值僅為0.337，為全國最低，這說明政府對智能產業的金融支持或智能產業的產出較低，因而造成了投資補助的低下。規模效率偏低是這些省市金融支持效率低下的重要原因，說明智能產業的金融資源沒有形成規模集聚效應。

由表4 可知，2015—2017 年主要依靠直接融資拉動了金融支持水平，而2018—2019 年主要依靠投資補助拉動了金融支持水平，而表3 表明從全國來看，智能產業的金融支持水平主要依靠投資拉動，這說明整體來看近5 年各地區政府已經重視智能產業的發展。同時，從各指標增長率情況來看，2015—2019 年間一直保持正增長率的指標只有投資補助，直接融資和間接融資均在2018 年出現負增長，但幅度較小。而2016年、2017年及2019年間接融資增長率最高，說明金融機構對智能產業發展趨勢看好。

表3 各省、市智能產業金融支持水平與金融支持效率

以上對各省、市的金融支持水平和金融支持靜態效率進行了分析，下面將從金融支持水平和金融支持動態效率進行分析。表5 反映了2015—2019 年金融支持效率的動態變化，發現2015—2017 年金融支持效率呈現上升趨勢，而2017—2019 年金融支持效率呈現下降趨勢，同時無論呈現上升或下降趨勢，均是主要緣于技術進步的影響，因此影響金融支持效率的主要因素為技術進步。由表6 可知，各省、市在2015—2019 年間金融支持水平平均增長率均為正數，其中天津的金融支持水平平均增長幅度最高，為110.083%，黑龍江增長幅度最低，為0.646%。這雖然反映了智能產業在我國各省、市均獲得了不同程度的金融支持，但也表明了我國智能產業金融支持水平發展極不均衡。而在金融支持效率方面，有的省市呈現下降趨勢，其中，福建等4個省市是技術效率下降主導，湖南的技術進步均值小于1；北京等8 個省市則是技術進步下降主導，只有重慶的技術效率均值大于1。綜上，金融支持效率的下降是技術進步主導且大部分省市的技術效率也小于1。而金融支持效率呈現上升趨勢的省市只有吉林和山東的技術效率和技術進步均大于1，其余省市技術效率均小于1，因此對于呈現上升趨勢的省市應重點關注技術效率的改進。

表5 2015—2019 年智能產業MPI 均值

表6 2015—2019 年各省、市智能產業金融支持水平及金融支持動態效率

3 金融支持效率的影響因素分析

運行結果如表7 所示，可知政府補助、商業信用融資、內部資金支持、地區GDP 總值以及總資產均通過了顯著性Z 值檢驗，其中政府補助、內部資金支持、實收資本、總資產系數均為負數，這說明政府補助、內部資金支持、實收資本和企業規模越大使得企業面臨的資金管理風險就越大，其原因可能是我國智能產業仍處于發展的成長階段，由于技術水平的局限導致無法形成規模化收益，通過政府補助、內部融資和資本市場融資等方式可能使得智能產業得到了充分的金融支持，一旦金融支持有所降低時，產能便會大幅下降從而造成了資金浪費的情況，而企業盲目擴大規模也使得經營管理效率下降，同樣造成資金浪費問題，致使企業缺乏創新動力，從而造成地區純技術效率低下，導致綜合技術效率較低。而商業信用融資和地區GDP總值系數均為正數，表明商業信用融資和地區GDP 總值對智能產業的金融資源配置效率具有促進作用。這說明企業在經營和研發等過程中得到了認可，由此獲得了較高的商譽，從而對企業獲得金融支持更有利好作用；某個地區GDP總值越高，說明該地區經濟狀況運行良好，金融市場也更加繁榮，從而使得機構投資者信心提高，更加關注具有高收益性的智能產業。因此，智能產業獲得了更加充分的金融支持，且規模效率較高。

表7 我國智能產業金融支持效率影響因素Tobit 回歸結果

信貸支持和企業所有制形式未通過顯著性Z值檢驗，表明金融機構借款和是否為國有企業對智能產業的金融支持效率影響并不顯著，但均具有微弱的負向關系。這表明我國智能產業通過金融機構借款融資仍然較為困難，原因有二：其一，智能產業雖具備高收益性但同時具備高風險性，違約風險較高；其二，存在企業騙貸現象，通過偽造虛假材料從而騙取貸款的案例屢見不鮮。若企業為國有企業，相比民營企業缺乏創新動力，同時還缺乏激勵機制，這就導致國有企業即便擁有良好的金融資源，但仍然對金融支持效率有微弱負面影響。

4 相關建議

智能產業是否實現健康發展關系著我國經濟水平的高低，國家應大力培育和支持智能產業。

1）對于上海、廣東等發達地區，雖然經濟水平較高且對智能產業投入規模較大，但是在一定程度上存在資金浪費問題，致使金融資源的配置利用效率低下，使得純技術效率較低。因此，此部分地區智能企業應當提高研發創新力，政府應當嚴格管控資金流向；而經濟發展水平較低的省市，例如山西、吉林等，應當充分做好市場調研，了解市場需求，做好專精特精產品，從而擴大規模效率。但從總體來看，我國智能產業金融支持效率低下的主要原因還是規模效率較低。同時，由于2017—2019 年金融支持效率呈下降趨勢，各省、市還應當注意技術進步，加大技術改進力度。

2）間接融資雖然在不斷增長且增長幅度較高，但對智能產業的金融支持水平貢獻最小。而直接融資和投資補助增長幅度有所放緩，進一步表明了金融機構還應進一步擴大放貸規模，提升智能產業的金融支持水平。

3）金融機構對智能產業擴大信貸規模，可以根據企業的商譽并對信用狀況進行綜合評價，靈活采用擔保組合等方式，從而提升地區的規模效率。對于地區生產總值較高的地區，政府應當通過提高純技術效率來提升綜合技術效率，進一步提高地區生產總值，從而形成良性循環。針對企業自身，應當提高盈利能力，從而提升商譽以獲得較多的融資。除此之外，還要注重增強自身的技術創新能力，適當擴大企業規模。

5 結論

筆者利用熵值法和DEA-Malmquist指數法對我國21個省、市的智能產業的金融支持水平和效率分別進行了測度，通過Tobit模型對影響智能產業金融支持效率的因素進行了分析。研究發現，我國21 個省、市的智能產業的金融支持水平與效率較低，各省、市智能產業的發展水平差距較大。總體來看，投資補助為智能產業金融支持水平做出的貢獻最大且影響最大，而影響其金融支持效率低下的主要原因是規模效率較低，技術進步是造成金融支持效率變動的主要因素。Tobit 回歸結果表明：地區GDP 總值對智能產業的金融資源配置效率具有顯著的促進作用，總資產卻具有顯著的抑制作用，而智能企業是否為國有企業具有微弱的抑制作用，政府補助和內部資金支持對金融支持效率有顯著負面影響。