四川省科技金融政策執行效果評價

朱波強 蔡洪文 李權 白雪 龔城

［摘要］經濟發展離不開科技創新，科技創新需要資金支持，金融服務需要政策支持，科技金融政策的效果需要評價，總結經驗，發現不足，進一步推進科技金融政策促進科技金融，從而實現科技創新和經濟發展。本文通過對四川省科技金融政策的評價，結合四川省科研經費的投入和研發隊伍的規模和作用，根據GDP和有效專利受理等產出效應，參照云南省和貴州省科技金融政策效果，運用DEA-Malmquist-Tobit研究方法研究了四川省科技金融政策對四川省全要素生產率的促進作用。研究發現，四川省科技金融政策對四川省生產率的發展和經濟進步具有較好的促進作用，同時也發現在科技金融政策的引領下，科研經費的投入也對經濟發展起到了積極作用。

［關鍵詞］科技金融政策；DEA-Malmquist-Tobit；執行效果；全要素生產率；四川省

中圖分類號：F832.72 文章標志碼：A 文章編號：1672-0563（2024）03-0065-11

DOI：10.13773/j.cnki.51-1637/z.2024.03.008

引言

《中華人民共和國國民經濟和社會發展第十四個五年規劃綱要》指出，展望二〇三五年，我國經濟實力、科技實力、綜合國力將大幅躍升，經濟總量和城鄉居民人均收入將再邁上新的大臺階，關鍵核心技術實現重大突破，進入創新型國家前列。現在世界正面臨更加復雜的政治經濟形勢，實施創新型國家戰略是應對這種復雜局面的必由之路。科技創新離不開科技金融的支持，更離不開科技金融政策的引導、扶持、促進和規范。為了促進科技創新，就要加強對科技金融政策進行研究、規范和提升，強化科技金融政策的引領、扶持、促進和規范功能，從而實現完善科技金融政策、促進科技金融發展以加速科技創新的戰略目標。

作為我國的科技創新大省，四川省在大力發展科技金融的前提下，積極制定和完善政策以助推科技創新。四川省先后出臺了《關于加強科技和金融結合，加快科技成果轉化，促進戰略性新興產業發展的意見》《四川省科技金融發展規劃2018-2020》《四川省“十四五”科技金融發展規劃》等文件。這些科技金融政策文件極大地促進了四川省科技金融及高新技術產業發展，但這些政策也存在缺乏系統性和忽視地區行業差異等問題，影響了科技金融政策效果的發揮，為此需要進一步研究以充分發揮科技金融政策在四川省社會經濟建設中的作用。

一、文獻綜述

國內對科技金融的研究較多，研究科技金融較為系統的是2009年趙昌文出版的《科技金融》一書，該書系統介紹了科技金融的基本理論、我國科技金融的演化史，世界各國科技金融的形式和現狀，并主要介紹了國家科技創新基金、風險投資、科技貸款、科技保險等科技金融形式的概念、特征、原理和基本操作等，是一本有關科技金融百科全書式的研究，在此基礎上有關科技金融的研究就大量出現。

在研究科技金融發展演化方面，張明喜等（2019）［1］把我國科技金融發展分為萌芽階段、起步階段、探索階段、推進階段和發展階段，演化經濟學貫例、新奇和搜尋、選擇過程等理論解釋了科技金融的演進機理并從經濟基礎、金融自身發展、體制與制度等進行了科技金融發展動因的分析。李詩林等（2019）［2］研究了風險投資、企業家創新創業與多層次資本市場演化發展，該文分析了風險投資市場生態系統的協同演化機制，回顧了中國風險投資市場發展歷程，并從協同演化的視角總結了這個發展風險投資市場的主要經驗。孟方琳等（2019）［3］也用演化經濟學對我國創業投資體制的演進歷程，根據新制度經濟學的基本理論，介紹了美國的創業投資體制的演化過程，并把我國的創業投資體制分為從無到有、曲折前行、黃金10年和走向成熟等四個階段，同時也從新制度經濟學的視角研究了我國創業投資體制的演進演化原因和核動力。

在我國，認為科技金融的發展離不開科技創新和金融創新的深度融合，認為只有二者的深度融合才能更好地促進科技金融的發展。為此王仁祥和黃家祥（2016）［4］研究了科技創新和金融創新耦合的內涵、特征和模式，認為科技創新和金融創新的耦合具有共生性、聯動性和風險性，并將我國科技創新和金融創新耦合的模式分為泛耦合模式、內部化耦合模式、直接耦合模式和一體化耦合模式等四種耦合模式。袁永和陳麗佳（2014）［5］研究了科技創新和金融負債的耦合機理并對此做出了相關建議。張媛媛等（2017）［6］運用協調度評價模型對蘇南五市區域性科技創新和科技金融的協同發展程度進行研究，并借鑒上海張江、武漢東湖、北京中關村等國家自主創新示范區的政策，提出了蘇南區域性科技創新和快捷鍵耦合升級的建議。姚永玲和王翰陽（2015）［7］對北京市的科技創新和金融資本的融合關系進行了實證分析，驗證了科技創新和金融資本可以通過市場機制實現共贏。王宏起和徐玉蓮（2012）［8］構建了科技創新和科技金融協同度模型，并用2000—2010年間我國科技創新和科技金融的有關數據對我國科技創新和科技金融的協同度進行了研究。與此同時，徐玉蓮等（2017）［9］還用系統科學的序參量對區域科技創新和科技金融的系統協同演化進行了研究。除了研究科技創新和金融創新的耦合機理等理論研究以外，還有一些學者對科技金融的效率進行了研究。余麗霞和鄭潔（2019）［10］運用DEA模型對四川省科技金融結合效率進行了研究。黃瑞芬和邱夢園（2016）［11］應用Malmquist指數和SFA模型對我國科技金融效率進行了評價。許汝俊等（2015）［12］采用DEA-Malmquist指數法對長江經濟帶的科技金融發展效率進行了研究評價。程翔和鮑新中（2018）［13］對京津冀地區的科技金融政策也做了類似的研究。由此可見，我國對科技創新和金融創新協調協同的研究頗豐，這些研究都一致認為，科技金融的發展離不開科技創新和金融創新的深度融合和高度耦合。

在科技金融政策方面，錢雪松（2018）［14］收集了2006—2011年間促進科技和金融結合的政策文件并進行了文件匯編，李媛媛等（2022）［15］研究了政策評價的理論框架，張永安和郄海拓（2017）［16］用PMC指數量化評價了政策的作用效果，程翔等（2020）［17］研究了政策對企業競爭力的影響。

國內研究科技金融的學者比較多，比較集中在科技金融的類型、效率和融合度等方面，科技金融政策研究的不夠深入。本文通過對四川省科技金融政策的評價，結合四川省科研經費的投入和研發隊伍的規模和作用，對四川省科技金融政策對四川省全要素生產率的促進作用做了進一步研究。

二、理論分析

科學技術是第一生產力，科學技術的提升離不開金融支持，支持科技創新的金融主要通過支持風險投資、科技貸款、科技發展專項基金、科技保險等科技金融發展的形式實現。科技金融的發展除了科技創新自身豐厚回報吸引科技金融自發跟進以外，也需要政府科技金融政策的引導。根據各國特別是發達國家的發展經驗來看，科技金融政策在科技金融發展壯大和科技創新的不斷推進的進程中發揮著越來越重要的作用。政府通過出臺一系列科技金融政策，激發科技創新主體的創新熱情和科技金融主體對科技創新投入的力度，從而創造出更多更先進的科技創新成果，進而引發投入更多投資和人力資源，提高社會生產力，創造更多社會財富，推動社會的進步和發展。

三、方法選擇和模型構建

（一）方法選擇及指標選擇

數據包絡分析法，簡稱DEA（Data Envelopment Analsis），是由美國Charnes教授等（1978）提出的，用于估計和測算相對投入和產出效率的非參數評價方法。DEA方法主要通過構建一個虛擬效率前沿面來衡量和評價決策單元DMU（Decision Making Unit）的相對效率。效率前沿面由所有最有效的DMU的邊界組成，是給定輸入輸出條件下的最有效率。其他DMU的相對效率則可以通過效率前沿面的距離來測度，距離越近表示該DMU越接近最高效率。該方法能評價技術的有效性，能處理多輸入多輸出的實際問題。同時該方法還能消除在多因素決策中事先人為設定權重而帶來的主觀因素造成的結果誤差。不僅如此，該方法還能發現非有效DMU的非有效狀態的原因并提出效率優化方案。同時運用Malmquist方法對四川省、貴州省和云南省的全要素生產率的動態變動趨勢進行研究。

為了反映科技金融政策對四川省經濟發展的影響效果，我們用Tobit回歸予以研究，在Tobit回歸中，我們以DEA得出的全要素生產率為因變量，以科技金融政策的得分為自變量，以勞動投入、固定資產規模、研發投入和研發人員投入為控制變量予以分析。

在DEA模型中，輸入輸出指標是評價DMU效率的關鍵因素，輸入指標通常是各種資源的投入，如資本、原材料、人力資源等生產要素的投入，輸出指標主要是指各DMU的各種產出，如GDP，銷售收入等。本文用固定資產投入和勞動力資源作為輸入變量，將GDP和科技創新成果作為輸出變量。

（二）模型構建

1.DEA模型

為了評價四川省科技金融政策執行效果，我們將選擇同處西南地區的云南、貴州作為決策單元（DMU）予以研究。在這些決策單元（DMU）中均有m種投入和n中產出，xij為第j個DMU對應的第i種投入量，xij≥0，ykj為第j個DMU對應的第k種產出量，ykj≥0，ui和vk分別為對應投入量和產出量的權重。以產出的加權和投入的加權的比值來衡量效率，并以此為目標函數，以各DMU的效率不超過1為約束條件即可得到如下模型：

經過Charne-Cooper變換可得到如下模型：

Maxθ=∑mk=1vkxk0

St.∑nj=1uiyij－∑mk=1vkxkj≤0，j=1，2，……，n

∑mj=1uiyij=1

U，v≥ε，i=1，2，……，n，k=1，2，……，s（2）

其對偶形式如下

Maxθ=θ0-ε（∑sk=1S+k+∑mi=1S-i ）

St.∑nj=1λjyxij+ S-i≤θ0xi0

∑nj=1 λjykj+λjxij =yk0

λj，S-i，S+k≥0，i=1，2，……，m；

j=1，2，……，n，k=1，2，……，s（3）

這樣就得到規模報酬不變（Constant Returns to Scale，CRS）假設下的DEA模型CCR模型（C2R包絡模型）

Banker，Charnes和Cooper（1984）又假定規模報酬可變，從而建立了BCC模型。該模型利用CCR模型得到的θ值為DMU的綜合效率值（CRSTE），加入約束條件∑λj=1，綜合效率分為兩部分，即純技術效應（VRSTE）和規模效應（SCALE），且CRSTE= VRSTE×SCALE

Maxθ=θ0-ε（∑sk=1S+k+∑mi=1S-i）

St.∑nj=1λjyxij+S-i≤θ0xi0

∑nj=1 λjykj-S+k=yk0

∑nj=1λj=1

λj，S-i，S+k≥0，i=1，2，……，m；

=1，2，……，n，k=1，2，……，s（4）

一般認為，規模可變條件下的分析更合理一些，因此本文選擇BCC模型進行研究。

2.Malmquist模型

DEA一般用于靜態分析，不能進行動態趨勢研究。Malmquist模型較好的解決了這個問題。Malmquist模型主要用于研究DMU在不同時間下的效率變化情況，用此方法能較好反映科技金融政策的動態效果。該模型如下：

假設有s個DMU，每個DMU在t期用m種投入獲得n種產出。若用xtj表示DMU第j個DMU在第t期的投入量，則Xtj=（Xt1j，Xt2j，……Xtmj）≥0，，若用ytj表示DMU第j個DMU在第t期的投入量，則Ytj=（Yt1j，Yt2j，……Ytmj）≥0。在規模報酬不變（CRS）情況下，令（xt，yt）在t期的距離函數為Dtc（xt，yt），在規模報酬可變（VRS）情況下，令（xt，yt）在t期的距離函數為Dtv（xt，yt），由此得到t期到t+1期的效率變化：

M（xt，yt，xt+1，yt+1）=Dtv（xt+1，yt+1）Dtv（xt，yt）×Dt+1v（xt+1，yt+1）Dtv（xt，yt）］12（5）

其中，當M（xt，yt，xt+1，yt+1）>1>1時，表明DMU在科技金融政策下改善了技術，生產效率取得了進步，反之表示DMU效率退步。

Ray和Dwsli（1997）對模型進行了修正，提出了Malmquist指數分解的RD模型，模型如下：

MRD（xt，yt，xt+1，yt+1）=Dtv（xt+1，yt+1）Dtv（xt，yt）×［Dt+1v（xt，yt）Dt+1v（xt，yt）×Dtv（xt+1，yt+1）Dt+1v（xt+1，yt+1）］12

×［Dtc（xt+1，yt+1）/Dtv（xt+1，yt+1）Dtc（xt，yt）/Dtv（xt，yt）×Dt+1c（xt+1，yt+1）/Dt+1v（xt+1，yt+1）Dt+1c（xt，yt）Dt+1v（xt，yt）］12（6）

=TC△RD×PTE△RD×SE△RD

其中TC△RD，PTE△RD，SE△RD分別表示技術進步、純技術效率變動、規模效率變動。且TEC＝PDE×SE。

當M＞1時，表明Malmquist指數在t到t+1期間呈現上升趨勢，效率提高；

當M＝1時，表明Malmquist指數在t到t+1期間呈現上升不變，效率保持不變；

當M＜時，表明Malmquist指數在t到t+1期間呈現上升下降，效率降低。

3.Tobit回歸模型

Tobit回歸模型是James Tobit對Probit回歸模型的一種推廣，該模型的因變量取值受到一定范圍限制，因此也稱為受限因變量模型。Tobit模型如下：

Yi=Y*i=βlXi+μi，Y*i＞0

0，Y*i≤0

模型中，βl表示未知的參數估計向量，Yi表示效率值向量，Y*i代表因變量向量，μi表示誤差項，Xi代表自變量向量。

四、科技金融政策效果模型構建

（一）全要素生產率指標選擇

借鑒余麗霞和鄭潔（2019）和許汝俊等（2015）的方法，收集四川省有關數據，運用DEA-Malmquist方法，以固定資產規模和就業人員數為投入變量，以GDP和有效發明專利作為產出變量，如表1所示。以此計算四川、云南、貴州三省的全要素生產率。

其中固定資產規模采用永續盤存制計算，其公式如下：

FAt=（1-δ）FAt-1+It（7）

其中FAt表示第t年四川省、貴州省和云南省固定資產存量，也就是該年固定資產的規模，It用于表示四川省、貴州省和云南省在第t年的固定資產投資水平，δ表示固定資產的折舊率。

（二）科技金融政策文本量化分析

1.政策文本數據來源

本文參考程翔等（2020）的做法，通過設定“科技金融”“科技貸款”“財政科技投入”“科技保險”等關鍵詞在四川省人民政府網站、云南省人民政府網站、貴州省人民政府網站和《中國法律檢索系統》（北大法寶）等網站進行搜索，獲得四川省的科技金融政策文本。本文收集了2015年—2022年四川省、云南省和貴州省的科技金融政策。

2.科技金融政策文本量化

本文參考程翔等（2020）的做法，在政策力度、政策目標和政策措施三個方面分別對科技金融政策進行打分。科技金融政策量化標準手冊如表2所示。

參照程翔等（2020）和李媛媛等（2022）的做法，將政策力度和政策目標的和乘以政策措施就可得到科技金融政策的評價分值，公式如下：

scoret=Σni=1（Lit+Mit）Cit（8）

式中i為第i項政策，t為四川省、貴州省和云南省科技金融政策頒布的年份，Lit表示

式中i為第i項政策，t為四川省、貴州省和云南省科技金融政策頒布的年份，Lit表示t年第i科技金融政策政策力度的得分，Mit為t第i項科技金融政策目標的得分，Cit為t第i項科技金融政策政策措施的得分，scoret為t第i項科技金融政策的最終得分，反映了四川省、貴州省和云南省具體年份科技金融的整體狀況。

（三）DEA測算與結果分析

本文收集了四川省、貴州省和云南省三省2015—2022年的固定資產規模、勞動力投入、科技研發投入和科技人員數量作為投入指標，GDP，科技專利成果作為產出指標進行分析得到以下DEA分析結果表（表3）：

從表3可以看出，在科技金融政策的推動下，四川省的綜合效率（CRS_TE）、純技術效率（VRS_TE）和規模效率值（SCALE）在2015—2021年的值都是1，只有2022年的全要素生產率為0.995，主要原因是規模報酬率為0.995，其全要素生產率都是較高的。而貴州省在2015—2021年的綜合效率（CRS_TE）分別為0.949、0.955、0.962、0.978、0.985、0.990和0.997，2022年為1，效果也是比較理想的，效果欠佳年份主要受到規模效率的影響，所以擴大投入，提高規模效應是可以選擇的方向。對于云南省而言，2015—2019年的綜合效率（CRS_TE）分別為0.959、0.957、0.961、0.972和0.983，2020—2022年的均為1。導致2015—2019年全要素生產率沒有達到1的原因除2017年的純技術生產率為0.997和2018年的純技術生產率為0.999以外，主要原因均為規模報酬生產率銀翼的。何總體效果也很好，科技金融政策均起到了應有的效果。總體來看，四川省全要素生產率較其他省份好一些。

（四）Malmquist測算與結果分析

運用上述指標對四川省、貴州省和云南省進行Malmquist分析得到上述三省的動態全要素生產率變化指標（TFPCH）、技術效率變化指標（TECH）和技術進步變化指標（TECCH），見表4。

從分析來看，四川省2016—2017年、2018—2019年、2020—2021年和2021—2022年的全要素生產率變化指標分別為0.9919、0.9822、0.9573和0.9893，低于1這個分界線，影響因素主要是技術進步變化指標，說明這兩個發展階段技術進步乏力，有待加強科技金融政策的扶持，其他年份都超過1這個指標，表現較好。貴州省2015—2022年的動態全要素生產率變化指標都高于1，效果較好。云南省2018—2019年、2020—2021年和2021—2022年的全要素生產率變化指標低于1，其他年份的變化趨勢都較好。總體看，四川省全要素生產率的變化趨勢還是比較好的，都在0.99以上。

五、實證分析

（一）樣本選取

政策樣本數據如上所述，采用2.2.2所述方法在四川省人民政府網站、云南省人民政府網站、貴州省人民政府網站收集了2015—2022年的科技金融相關政策并進行量化。其他數據通過《四川省統計年鑒》《云南省統計年鑒》《貴州省統計年鑒》《中國科技統計年鑒》《中國高技術產業統計年鑒》等獲得，主要收集了2015—2022年的相關數據。

（二）模型設定

參照錢雪松等（2018）的方法構建Tobit計量模型如下：

crstet=β0+β1fcoret+β2ln_persont+β3ln_rd_persont+β4ln_rd_feet+β5ln_fixedt+εt（9）

模型中crstet是四川省、云南省、貴州省第t年的全要素生產率，fcoret是四川省貴州省、云南省第t年的科技金融政策得分的對數，ln_persont是第t年就業人數的對數，ln_rd_persont是第t年投入科研人員數量的對數，ln_fixedt是第t年固定資產的對數，ln_rd_feet是第t年投入科研人員數量的對數，εt是一個隨機變量。

（三）變量定義

1）被解釋變量TEPt為四川省全要素生產率，通過DEA-Malmquist方法收集相關數據獲得。

2）解釋變量為scoret，其為通過收集的科技金融政策文本并進行量化得分求得。

3）控制變量主要包括四川省的年科技經費投入和科技人員投入數量，通過它們和科技金融政策協同作用來觀察這些科技要素對四川省全要素生產率的貢獻情況。

對上述變量進行統計描述如表5。

（四）科技金融政策實證效果分析

采用模型（3）對科技金融政策的效果進行線性回歸和Tobit回歸分析可得到如下結果，見表6。

研究發現，科技金融政策得分的顯著水平為0.082，較為顯著，且回歸系數為正，表明四川省科技金融政策與全要素生產率呈正相關關系，提高科技金融政策對科技創新的扶持力度能有效提高生產效率。同時就業人員、科研人員以及科研經費的投入的顯著水平分別為0.071、0.044和0.242，也同樣較為顯著，且相關系數為正，所以科技金融政策對生產率的發展和經濟進步具有較好的促進作用。同時也發現在科技金融政策的引領下，科研經費的投入也對經濟發展起到了積極作用。

六、研究結論與建議

在與貴州省、云南省等省的比較中可以看出，無論是四川省、還是貴州省、云南省的科技金融政策都對該省的經濟發展起到了應有的推動作用，特別是四川省科技金融政策對過去四川省科技金融、科技創新和經濟發展所起作用略微明顯一些，也引領相關單位和部門加大了科研經費的投入，并取得了較好效果。但也同時發現，四川省科技金融政策的效果不太明顯，今后四川省可進一步擴大科技金融政策數量、加強政策力度、強化政策措施等完善四川省科技金融政策，充分發揮科技金融政策在經濟建設和社會發展方面的作用，實現四川省經濟社會高質量發展。

參考文獻

［1］ 張明喜，郭騰達，張俊芳.科技金融發展40年：基于演化視角的分析［J］.中國軟科學，2019（3）：20-33.

［2］ 李詩林，王丹，陳澤.風險投資、企業家創新創業與多層次資本市場協同演化發展［J］.區域與全球發展，2019，3（3）：5-30.

［3］ 孟方琳，田增瑞，賈巧萍，等.演化經濟學視角下我國創業投資體制的演進歷程、經驗與政策研究［J］.西南金融，456（7）：4-9.

［4］ 王仁祥，黃家祥.科技創新與金融創新耦合的內涵、特征與模式研究［J］.武漢理工大學學報（社會科學版），2016，29（5）：875-872.

［5］ 袁永，陳麗佳.科技創新與金融發展的耦合機理及政策建議［J］.科技管理研究，2014，34（20）：14-17.

［6］ 張媛媛，袁奮強，劉東皇，等.區域科技創新與科技金融的協同發展研究——基于系統耦合理論的分析［J］.技術經濟與管理研究，2017（6）：71-76.

［7］ 姚永玲，王翰陽.科技創新與金融資本融合關系研究——基于北京市的實證分析［J］.中國科技論壇，2015（9）：103-108.

［8］ 王宏起，徐玉蓮.科技創新與科技金融協同度模型及其應用研究［J］.中國軟科學，2012（6）：129-138.

［9］ 徐玉蓮，于浪，王玉冬.區域科技創新與科技金融系統協同演化的序參量分析［J］.科技管理研究，2017，37（15）：15-20.

［10］余麗霞，鄭潔.基于DEA模型的科技金融結合效率研究——以四川省為例［J］.會計之友，2019（4）：33-37.

［11］ 黃瑞芬，邱夢園.基于Malmquist指數和SFA模型的我國科技金融效率評價［J］.科技管理研究，2016，36（20）：43-48.

［12］ 許汝俊，龍子午，姚逍遙.基于DEA-Malmquist指數法的科技金融發展效率評價研究——以長江經濟帶為例［J］.科技管理研究，2015，35（13）：188-191.

［13］ 程翔，鮑新中.科技金融政策效率研究——以京津冀地區為例［J］.北京聯合大學學報，2018，61（3）：116-124.

［14］ 錢學松，康瑾，唐英倫，等.產業政策、資本配置效率和企業全要素生產率［J］.中國工業經濟，2018（8）：42-59.

［15］ 李媛媛，陳文靜，王輝.科技金融政策、資金網絡與企業創新績效［J］.科技管理研究，2022（6）：28-35.

［16］ 張永安，郄海拓.國務院創新政策量化評價——基于PMC指數模式［J］.科技進步與對策，2017，34（17）：127-136.

［17］ 程翔，楊小娟，張峰.區域經濟高質量發展和科技金融政策的協調度研究［J］.中國軟科學，2020（增刊）：115-124.

［責任編輯：魏 凈］

Research on the Implementation Effectiveness of

Policies Regarding Technology and Finance in Sichuan Province

ZHU Boqiang， CAI Hongwen， LI Quan， BAI Xue

（School of Economics and Management， Panzhihua University， Panzhihua 617000， Sichuan）

Abstract：Economic development is inseparable from technological innovation， which requires financial support. Financial services also necessitate policy support， and the effectiveness of policies regarding technology and finance requires assessments， accumulation of experiences and identification of weaknesses in order to promote policies regarding technology and finance and facilitate technological innovation as well as economic development. This paper integrates the assessment of policies regarding technology and finance in Sichuan Province with the scale and role of scientific research funding and personnel. In compliance with the output effects such as GDP and effective patent acceptance， the research takes effects of policies regarding technology and finance in Yunnan Province and Guizhou Province as reference， applies DEA-Malmquist-Tobit research method to study the its promotional effect on Sichuan Provinces total factor productivity. The study finds that the policies regarding technology and finance in Sichuan Province have a desirable promoting effect on the growth of productivity and economic progress. Meanwhile， it is observed that under the guidance of policies regarding technology and finance， the scientific research funding also plays a positive role in economic development.

Keywords： policies regarding technology and finance； DEA-Malmquist-Tobit； implementation effect； total factor productivity； Sichuan Province