基于三阶段DEA模型的我国金融支持科技创新效率评价

曾　胜，张明龙

(重庆工商大学 财政金融学院，重庆 400067)



基于三阶段DEA模型的我国金融支持科技创新效率评价

曾胜，张明龙

(重庆工商大学 财政金融学院，重庆 400067)

摘要：利用三阶段DEA模型及均值聚类方法，采用2006—2013年我国30个省份金融投入和科技产出的面板数据，在控制外部环境的基础上测算我国金融支持科技创新的效率，并根据效率值各省份划分为高效、中效和低效三个层次。研究表明，外部环境对我国用于科技创新的金融资源配置影响明显，剔除环境因素后金融支持科技创新效率明显下降，这主要源于规模效率的降低；各地区金融支持科技创新效率存在明显差异，东部地区处于中、高效层，中部地区集中于中效层，西部地区集中于低效层。各地区应根据自身效率情况采取相应的措施，建立多层次、多渠道的金融市场体系，提高金融支持科技创新效率。

关键词：金融支持；科技创新；金融资源配置；金融资源利用效率；金融投入；科技产出；规模效应；三阶段DEA模型；科技产业

一、引言

近年来，我国科技投入和产出皆在大幅度增加，这将为经济发展提供转型动力和路径。早在2011年，国家就发布了《国家“十二五”科学和技术发展规划》，规划中对科技与金融的融合以及金融支持科技产业发展的服务机制和多渠道多层次融资体系进行了专门的阐述。而在经济转型和市场经济体制完善的过程中，资源投入的效率受多种因素的影响而具有不确定性，因此，研究金融资源支持科技创新的效率有着重要的意义。

国外学者有关金融与科技之间关系的研究主要集中在以下几个方面：第一，技术创新来自银行的影响。Benfratello等(2008)对意大利公司的研究表明地方银行显著地影响了企业开展技术创新活动的成功率。Giannetti(2012)认为银行的金融支持对高技术企业引进新产品能力和开展创新活动起到了显著的作用。第二，资本市场对科技创新的影响。King等(1993)、Aghion等(2005)分别研究了直接融资市场流动成本、金融创新、金融约束对科技创新的影响，认为直接融资市场可降低科技创新风险、促进全社会的投资。第三，风险投资对技术创新的影响。Gil等(2006)认为在一定条件下，风险投资是推动高新技术集群转化的重要因素。第四，政策性金融对科技创新的影响。Gerard等(2003)认为政策性金融通过弥补市场失灵促进科技创新；而Fontana(2009)则认为政策性金融通过统筹调控促进科技创新发展。

近年来，国内关于金融与科技之间关系的研究成果颇丰。王认真(2014)运用探索性空间数据分析方法对我国省域科技金融与技术创新的空间相关性进行了分析，结果表明其存在显著的空间依赖性。俞立平(2015)研究了国家创新中科研经费投入的贡献，结果表明对科技创新贡献最大的是政府科技投入，其次是企业科技投入，最低的是研发人员全时当量，贡献不显著的是银行科技贷款。郑玉航(2015)等分析了政府、金融信贷、资本市场等金融服务科技创新的有效程度。程慧平(2015)等运用SFA方法，对我国的R&D创新和转化效率进行了分析，结果表明整体效率低下，东部地区最高，中部次之，西部最差。目前国内关于金融支持科技创新效率的研究，主要运用以下几种方法来进行：第一，运用层次分析法(AHP)进行加权评价。王海等(2003)利用经过AHP加权后的评价指标体系和模型对科技金融结合效益进行了实证分析。第二，运用传统DEA模型进行效率评价。孙伍琴等(2008)运用DEA模型测算了我国23个省市金融发展促进技术创新的效率，认为金融发展对技术创新和技术产出效率的作用越来越明显，并呈现逐渐加强的态势。第三，运用DEA模型与Malmquist指数进行效率的静态和动态评价。马卫刚(2014)对我国科技和金融结合的效益进行了动态与静态分析，结果表明其结合效益负增长主要在于金融资源配置效率的下降。第四，运用三阶段DEA模型进行效率评价。杨凤鸣(2014)等基于三阶段DEA 模型对我国2011年省际科技资源配置效率进行了测算，发现我国科技资源配置效率较低，且区域差异明显。

总体来看，已有研究文献存在以下局限性：一是从要素投入来看，已有文献更多是从产业内部的要素投入和科技产出进行效率评价，没有以金融为要素投入进行效率研究；二是从研究方法来看，有关金融与科技关系的研究主要采用DEA模型和Malmquist指数方法，而Fried等(2002)认为DEA模型没有考虑外部环境和随机干扰对决策单元的影响，得到的效率值并不一定真实，而已有的三阶段DEA模型分析缺乏时间跨度的考察；三是从研究范围来看，已有文献的研究侧重于部分省份或经济区域，缺乏考察全国范围内金融支持科技创新效率的研究。有鉴于此，本文以金融资源为要素投入、科技创新为产出，并考虑环境因素的影响，运用三阶段DEA模型，采用2006—2013年我国30个省份的面板数据，对金融支持科技创新的效率进行更为全面的测算；同时，根据第一阶段和第三阶段的分析结果分别进行聚类分析，以发现调整前后地区之间的差异，进而为提高各地区金融支持科技创新的效率提供政策参考。

二、模型、变量选择与数据说明

1.模型构建

本文借鉴Fried等(2002)提出的三阶段DEA模型，对我国金融支持科技创新的效率进行测算。其模型描述如下：

(1)采用投入导向的规模报酬可变的BCC修正模型作为第一阶段DEA模型。假定规模报酬可变，将技术效率(TE)分解为规模效率(SE)和纯技术效率(PTE)，即导致无效率的原因包括决策单元未达到规模效应和自身技术上的无效率两个方面。这里将各个省份作为决策单元(DMU)，从而得到各个省份的技术效率、纯技术效率和规模效率；同时，还得到各个省份金融投入差额(Slack)，即实际金融投入与最佳效率下的金融投入之差，该差额值会受到环境因素、随机干扰和管理无效率等因素的影响。

(2)采用SFA回归模型对金融投入差额进行分析(第二阶段)，将环境因素、随机干扰和管理无效率分离出来。对每一项金融投入的松弛变量建立一个SFA模型回归方程，以环境条件或运气较差的省份为基准，增加环境或运气相对较好的省份的金融投入，将所有省份调整到相同的环境或运气条件下，同时考虑随机干扰的影响，得到各省份调整后的金融资源投入，以排除随机干扰项和环境变量的影响。

(3)调整后的DEA模型(第三阶段)。将初始的科技产出和调整后的金融资源投入再次代入BCC修正模型评价其效率，得到剔除环境因素和随机干扰的影响后的金融支持科技创新效率值。

2.投入产出变量和环境变量

(1)金融投入与科技产出变量。本文在借鉴相关研究文献的基础上，同时考虑数据的代表性、相关性和可得性，采用的投入产出指标见表1。

表1　金融投入和科技产出指标

(2)环境变量。本文经过多方面的考虑，参考前人的相关研究，并结合我国金融支持科技创新的现状，选择了5个变量来反映影响我国金融支持科技创新效率的外部因素(见表2)。

表2　第二阶段SFA模型的环境变量

2.数据来源与处理

本文选取我国2006—2013年30个省级地区的面板数据(不包括港、澳、台地区以及数据缺失较多的西藏地区)进行实证分析，数据来源于相应年度的《中国高技术产业统计年鉴》《中国科技统计年鉴》和《中国统计年鉴》。由于统计年鉴调整了编制体系，2008年以后不再有各省级地区“金融机构科技贷款”的数据，本文根据其历史序列数据运用灰色预测模型估计该指标2009—2013年的数据。

三、实证分析结果

1.第一阶段DEA分析

第一阶段DEA测算值结果如表3所示。从整体来看，在不考虑外部环境因素影响的情况下，我国金融支持科技创新的平均技术效率为0.841，其中规模效率的均值为0.938、纯技术效率的均值为0.890。科技产出的总体效率没在效率的前沿面上，纯技术效率低是其主要原因。从各省份看，只有北京、上海、广东、浙江、江苏、四川、海南和陕西8个省份的技术效率值达到有效值1；而宁夏和内蒙古两地的效率值排在最后两位，仅为0.373和0.354，其技术效率低下的原因各不相同：宁夏在于规模效率低，没有形成相应的科技产业规模；内蒙古则在于纯技术效率低，科技产业发展中投入的金融资源未得到充分利用。

表3　2006—2013年各省市科技金融结合的平均效率值(第一、三阶段)

注：由于篇幅有限表格中的数据为各省历年的平均效率值。

2.第二阶段SFA回归分析

第二阶段的SFA回归，被解释变量是第一阶段产生的各省份金融投入变量中的松弛值，解释变量是政府支持力度、金融市场发展情况、外商依存度、进出口程度以及市场竞争五个外部环境变量，利用Frontier 4.1软件，通过SFA模型进行回归分析，结果如表4所示。实证结果显示sigma平方和gamma在给定的显著性水平下显著，表明外部环境比随机干扰的影响要更为明显；从大部分显著的参数估值来看，金融投入的冗余量受到了外部环境的显著影响。

表4　第二阶段SFA模型的回归结果

注：***，**，*分别表示1%，5%，10%的显著水平。

(1)政府资助力度。该指标与财政科技拨款和企业资金的松弛值显著正相关，说明用于科技创新的政府资金并没有有效降低地方财政拨款和企业自身资金投入的冗余量。原因在于，目前我国的科技产业发展属于国家导向模式，国家给予科技创新更多的是资金支持，地方财政也给予科技创新相应的资金补助，可是获得政府资金支持的企业缺乏对补助资金的有效管理，造成资金投入效率不高。

(2)金融市场发展情况。该指标与财政科技拨款和企业资金的松弛值显著正相关，与金融机构科技贷款显著负相关，说明金融市场的发展没有降低财政科技拨款和企业资金的冗余量，但降低了金融机构科技贷款的冗余量。由于金融市场属于商业性金融范畴，对于高风险的科技产业需要高收益作为回报，而我国的科技产业的发展更多还是依靠政策性金融予以扶持，造成政府科技拨款过多。金融机构的风险管理不断完善，因此金融发展有效减少了金融机构科技贷款的冗余量。而科技型企业在间接融资困难的情况下，会通过直接融资的方式获取资金，进而造成企业资金的冗余。

(3)外商依存度。该指标与财政科技拨款、金融机构科技贷款和企业资金的松弛值负相关，与其他资金(企业技术引进和消化吸收经费支出)正相关，这说明外商投资能降低财政科技拨款、金融机构科技贷款以及企业自有资金的冗余量，但增加了企业用于技术研发的经费支出。各地企业和研究机构利用国外资金解决融资难的问题，挤占了政策性金融和国内商业性金融的融资渠道，而用于技术研发的经费则会因为外资的引入而增加

(4)对外开放程度。该指标与各种金融投入的松弛值均显著正相关，表明用于科技创新的金融投入并没有因对外开放程度的提高而下降。这是由于科技成果的转化与应用需要得到国际的认可，科技成果通过出口带来的收益也带动了金融资源对科技产业投入的增加。

(5)市场竞争。该指标与财政科技拨款和金融机构科技贷款的松弛值显著负相关，与企业资金的松弛值显著正相关，说明市场竞争能有效降低政策性金融和商业性金融的过多投入，但却不能降低企业自有资金的投入。原因在于，有效竞争能促使企业或研发机构加大资金投入以提高自身的技术能力。

3.第三阶段DEA分析

根据第二阶段SFA结果，对各区初始金融投入指标进行调整，再次利用DEAP 2.1软件进行BCC模型测算，得到调整后的第三阶段DEA效率值，结果如表3所示。

与第一阶段相比，第三阶段DEA效率值下降明显，其技术效率平均值仅为0.507，规模效率和纯技术效率的平均值也只有0.595和0.838。与第一阶段相比，第三阶段规模效率均值显著下降，而纯技术效率的表现较为稳定。调整之后，技术效率平均值降低39.71%，纯技术效率平均值降低5.84%，规模效率平均值降36.57%，说明技术效率低的主要原因是规模效率低，并非第一阶段结果显示的纯技术效率低。

从各个省份的技术效率来看，仅有北京和广东在调整前后均位于效率前沿面上，其余28个省份的技术效率呈现不同程度的降低，其中下降尤为明显的有新疆、内蒙古、重庆、云南、广西、贵州、宁夏和青海等西部省份。从各个省份的规模效率来看，除了北京和广东外，其余省份均有不同程度的下降。青海、宁夏、内蒙古、贵州、云南、广西和新疆等省份的下降幅度超过70%，其中青海达到93.78%，说明西部地区的科技产业与形成规模效应还有很大的距离。从各个省市的纯技术效率来看，湖北、福建、重庆、山东、四川和陕西等省市的下降幅度尤为明显，平均降幅超过了20%，说明这些经济发展水平较高、基础设施较为完备的省份科技产业的经营管理不够完善，金融资源没有得到充分利用。而西部的一些省份与之相比则恰好相反，虽然科技产业尚未形成规模，但有限的金融资源得到了较为充分的利用，如内蒙古、新疆和云南，其纯技术效率分别增加了64.09%、32.69%和16.58%。

可以看出，第一、三阶段的分析结果具有明显的差异，深入分析其原因，可以发现：外部环境和随机干扰对我国金融支持科技创新效率具有显著影响，这种影响根据各个省份的不同情况而不同。因此，在对金融支持科技创新的效率进行测算时，有必要将全国各地置于统一环境和运气条件下，这样才能得到更为真实的效率值。

4.我国金融支持科技创新效率的聚类分析

本文运用Stata 12.0软件对我国30个省市调整前后的金融支持科技创新效率值分别进行K均值聚类分析，将其划分为高效层、中效层和低效层，分析结果如表5所示。

表5　第一、三阶段各省份金融支持科技创新效率的聚类分析

东部地区除海南外，其余省份的金融支持科技创新效率都处于中高层次；中部地区主要集中在中效层，说明未来具有很大的提升空间；西部地区除甘肃、四川和陕西外，其余省份主要集中于低效层，说明西部地区用于科技创新的金融资源没有得到充分利用，科技产业的规模效应尚未形成，需要国家相关部门予以重视。

高效层的省份，无论是经济发展水平还是基础设施建设，乃至人力资源聚集等情况均处于全国的领先水平和拥有优势地位，不仅用于科技创新的金融资源得到了较为充分利用，而且科技成果也得到有效的转化，从而提升了金融支持科技创新的效率，促进了科技产业的发展。中效层的省份，经济发展水平相对较好，并具备较为完善的基础设施，但金融资源没有得到充分利用，科技成果转化不高；未来这些地区需要进一步加强对科技金融资源的管理和利用，降低金融资源浪费并提高科技的有效产出。低效层的省份，经济发展水平不高而且基础设施不完善，用于科技创新的金融资源没有得到有效利用，也没有实现规模效应，还存在非市场化配置科技金融资源等问题。

四、结论与建议

本文选取金融支持变量为投入要素，以环境因素为控制变量，运用三阶段DEA方法对2006—2013年我国30个省份金融支持科技创新的效率进行测算，同时运用K均值聚类分析对各省份的效率值进行分类，主要研究结论如下：(1)第一阶段和第三阶段的金融支持科技创新效率值之间存在显著的差异，说明外部环境和随机干扰对用于科技创新的金融资源的产出效率具有显著影响；(2)外部环境对用于科技创新的金融投入效率的影响是显著的，政府资助、金融市场发展和对外开放程度对政策性金融和企业资金的配置不利，金融市场的发展能优化商业性金融资源的配置，对外商投资依存度越高越有利于政策性金融和企业资金的配置，市场竞争程度的提升可以提高政策性金融和商业性金融资源的配置和使用效率；(3)剔除外部环境和随机干扰的影响后，金融支持科技创新效率相比第一阶段下降十分明显，技术效率和规模效率分别下降39.71%和36.57%，而纯技术效率仅下降了5.84%；(4)我国金融支持科技创新效率的地区差异明显，东部地区(除海南外)处于中高效层，中部地区主要集中在中效层，西部地区(除甘肃、四川和陕西外)主要集中于低效层。

各地区应根据自身效率情况制定相应的应对措施。比如山东、安徽、山西等纯技术效率较低的地区，应大力引进高新技术，加强科技创新管理，重视科技成果的转化，完善科技管理体制，提高科技资金使用效率；而宁夏、青海、新疆、云南、贵州等规模效率较低的地区，应增加科技型企业和研发机构的数量，增强地区科技竞争力，大力推动科技产业规模扩张，实现规模效益。各地区应建立多层次、多渠道的金融市场体系，为支持科技创新提供充足的资金来源；逐渐将商业性金融作为科技产业发展的主要融资渠道，同时充分利用外商投资，促进科技成果的转化，加快我国科技产业的良性发展。

参考文献：

程慧平，万莉，黄炜，等.2015.中国省际R&D创新与转化效率实证研究[J].管理评论，27(4)：29-37.

马卫刚，张红丽.2014.我国科技与金融结合效益评价[J].科技管理研究，34(20)：43-47.

孙伍琴，朱顺林.2008.金融发展促进技术创新的效率研究——基于Malmquist指数的分析[J].统计研究，25(3)：46-50.

王海，叶元煦.2003.科技金融结合效益的评价研究[J].管理科学，16(2)：67-72.

王认真.2014.中国省域技术创新的科技金融支持研究[J].经济问题探索(4)：93-100.

杨凤鸣，陈国生，彭文武.2014.基于三阶段DEA模型的省域科技资源配置效率差异分析[J].湖南社会科学(6)：193-197.

俞立平.2015.金融支持、政府与企业投入对科技创新的贡献研究[J].科研管理，36(3)：57-63.

郑玉航，李正辉.2015.中国金融服务科技创新的有效性研究[J].中国软科学(7)：127-136.

AGHION P，HOWIIT P. Mayer-Foulkes. 2005.The effect of financial development on convergence：Theory and evidence [J]. The Quarterly Journal of Economics，120(1)：173-222.

BENFRATELLO L，SCHIANTARELLI F，SEMBENELLI A. 2008. Banks and innovation：Microeconometric evidence on Italian firms[J]. Journal of Financial Economics，90(2)：197-217.

FONTANA G. 2009. Money，uncertainty and time[M]. London and New York：Routledge International Studies in Money and Banking.

FRIED，LOVELL，SCHMIDT，et al. 2002. Accounting for environmental effects and statistical noise in data envelopment analysis[J]. Journal of Productivity Analysis，17(1)：121-136.

GERARD G，GANESH N P. 2003. Developmental financial institutions as technology policy instruments：Implications for innovation and entrepreneurship in emerging economies[J]. Research Policy，32(1)：89-108.

GIANNETTI C. 2012. Relationship lending and firm innovativeness[J]. Journal of Empirical Finance，19(5)：762-781.

GIL A，MORRIS T. 2006. Creating venture capital industries that co-evolve with high tech：Insights from an extended industry life cycle perspective of the Israeli experience[J]. Research Policy，35(10)：1477-1498.

KING R，LEVINE R. 1993. Finance，entrepreneurship and growth：Theory and evidence[J]. Journal of Monetary Economics，32(3)：523-542.

CLC number：F222.33；F832.1Document code：A Article ID：1674-8131(2016)04-0101-08

(编辑：朱德东；段文娟)

DOI：10.3969/j.issn.1674-8131.2016.04.012

* 收稿日期：2016-03-26；修回日期：2016-04-25

基金项目：国家社会科学基金资助项目(15BJL045)；国家自然科学基金资助项目(71271227)；重庆市教委科技项目(KJ1400627)；重庆市企业管理研究中心、重庆工商大学管理学院开发基金项目(14AGL024)

作者简介：曾胜(1969—)，男，重庆云阳人；副教授，博士，硕士生导师，在重庆工商大学财政金融学院任教，主要从事能源与科技金融研究；E-mail:cqzs2002@163.com。

中图分类号：F222.33；F832.1

文献标志码：A

文章编号：1674-8131(2016)04-0101-08

Study on Evaluation on Chinese Finance Support Efficiencyfor Scientific and Technological Innovation Based on Three-stage DEA

ZENG Sheng, ZHANG Ming-long

(School of Finance, Chongqing Technology and Business University, Chongqing 400067, China)

Abstract:This paper uses the three-stage data envelopment analysis model and K-means clustering method, analyzes the panel data of the Chinese financial input and scientific and technological output from 2006 to 2013 in 30 provinces and municipalities, calculates the efficiency of Chinese finance support to science and technology innovation based on the control of external environment, and divides the efficiency into three levels such as high level, middle level and low level respectively. Research shows that the external environment has an obvious impact on the financial resources for scientific and technological innovation of China. After we reject environmental factors, the efficiency of all kinds of provinces and municipalities is declining differently, the degeneration of scale efficiency is the main reason. According to the result of clustering analysis, the efficiency stays in middle and high level in east part of China, stays in middle level in middle part of China and stays in low level in west part of China. The efficiency of Chinese finance supporting scientific and technological innovation can be raised by relative measures according to self situation of each province and municipality, and by setting up multiple-channel and multiple-layer financial market system.

Key words:financial supporting; scientific and technological innovation; financial resources allocation; efficiency of financial resources; financial input; scientific and technological output; scale effect; three-stage data envelopment analysis model; scientific and technological industry