中国科技金融资源配置效率与影响因素关系研究

李俊霞，温小霓

(西安电子科技大学 经济与管理学院，陕西 西安 710126)

一、引言

美国对华实施贸易战，说明中国科技创新强劲，已对世界产生重要影响，面临“修昔底德陷阱”，中兴被制裁事件，更是进一步警醒中国企业尤其高技术公司，必须进行创新，掌握核心技术。进行科技创新的过程离不开资本的支持，科技创新始于技术成于资本，资本市场可以优化创新资源配置，金融具有分散创新风险的功能[1]，这使得科技与金融深度融合发展迫在眉睫。在市场经济中，各种要素都要靠金融的连接，金融资源的配置效率决定了社会资源的配置效率。同时，金融业对经济增长贡献率越来越大，研究我国科技金融发展效率问题，是顺应时代需求和符合国家战略方针的，可推动要素市场合理配置，促进金融产业和科技产业更加优质融合[2]，增强我国科技创新力和竞争力，助力中国产业升级、结构调整及高质量发展，迈向世界科技创新强国。

创新和研发投资是高质量经济增长最为根本的源泉。2017年中国研发经费总投入1.75万亿元，居世界第二，但基础投入与发达国家15%-25%的占比水平有很大差距。2016年中国R&D投入强度2.11%超过欧盟2.08%的平均水平，但仍低于创新型国家日本(3.49%)、韩国(4.23%)和以色列(4.25%)。中国现已成为与美、日齐名的专利大国，企业申请专利排名华为位居世界第一，但中国专利创收率不及美国的百分之一，每百万人口专利申请数大约只有日本的14%，不到美国的32%，也显著低于英法德等其他主要发达国家。2016年中国高新技术出口的比重下降7.8%，风险投资为341.49亿美元，占全球26.16%，而美国是52.51%，美国21%的GDP是由风险投资背景的公司贡献，而中国市场资本对创新生态的支持和发达国家相比还是很低，对原始性价值的投资也较少。2017年中国直接融资占比大幅下滑，仅为6.8%。可见，中国创新能力强劲，科技创新过程金融投入的规模和力度都在逐年增加，但创新效率仍很低，金融投入的并不是越多越好，要注重效益驱动创新，又加之要素资源极为有限，如何实现科技和金融资源深度融合与高效配置的研究显得尤为重要。

正是在这一思路之下，利用创新理论和创新经济学思想，本文以2009-2016年全国27个省市自治区科技金融发展面板数据为样本，基于“金融资源”和“创新成果”质量视角的相对数值构建评价指标体系，从静态和动态双重角度进行综合研究设计与效率测算，并探究主要影响我国科技金融发展效率的市场金融资源要素。

本文的贡献在于：(1)采用Citespace V可视化软件对科技金融相关的大量文献进行计量分析，结合数量统计结果，综合考虑科技创新资金支持和分散风险等因素，从质量视角科学的构建效率评价指标，丰富和完善了科技金融效率评价指标体系的理论基础。(2)利用评价效率的主流方法DEA[3]，全面考虑规模效应、资源有限性及整体可比性等问题，选择SBM产出导向规模报酬可变的Bootstrap-DEA模型，提升了我国科技金融资源配置效率测算的可靠性。(3)从静态和动态相结合角度，对比分析引起全国、各区域和各省市科技金融发展的技术效率和增长率变动的原因。依据静态和动态效率测算结果，估计我国各省市整体科技金融发展综合效率，运用Tobit模型找到影响效率的主要市场金融因素，并结合系统动力学(SD)对其进行政策仿真分析，为提高我国科技金融发展资源配置效率提供科学系统的方法。

二、文献综述

(一)科技金融对科技创新的影响

Ang(2014)使用时间序列数据，证明金融对科技创新有促进作用[4]。Doh S(2014)发现政府金融支持对中小企业技术创新有正向促进作用[5]。Lina Sonne(2012)认为金融创新能够帮助企业解决融资难的问题[6]。王宏起(2012)构建协同度模型，认为要进一步认识科技金融对科技创新的助推作用及二者协同发展的重要性[7]。马卫刚(2014)利用DEA模型研究了2007-2012年中国科技与金融结合效益，认为金融资源配置效率是引起科技与金融结合效率的主要原因[8]。张玉喜(2015)通过动态面板模型,实证分析发现短期内金融业可以促进我国科技创新的产出[9]。芦峰(2015)运用面板数据分析科技金融(市场和公共)支持科技创新，结果表明科技金融对不同区域与阶段科技创新有不同作用[10]。陈思(2017)认为风险投资显著促进企业科技创新，使企业专利数量显著增加[11]。

(二)科技金融发展效率的测算

效率评价是科技金融领域研究的主要内容之一，而测算效率最常用和主要的方法就是数据包络分析(DEA)。朱有为(2006)利用随机前沿生产函数，发现中国高技术产业的研发效率整体偏低，并探究企业规模等影响因素[12]。薛晔(2017)对科技金融发展效率用贝叶斯随机前沿模型进行测算，发现政府财政科技经费投入、创业风险投资和科技资本对科技金融发展具有正向作用，而银行科技信贷有抑制效果[13]。杜金岷(2016)采用DEA模型，研究发现中国不同地区科技金融投入产出效率受法律、政策环境因素影响差异大[14]。刘悦(2016)发现金融资源配置方式影响产业结构和效率水平[15]。在发达国家，Chowdhury(2012)发现，金融业发展水平与该国企业R&D投入呈正相关，金融业与科技需要深度融合[16]。

通过对文献的梳理归纳出：一是指标选取上，文献中涉及的指标种类非常多，但很少是通过定量科学分析来构建评价指标且大多数采用是绝对数值；二是研究方法上，科技金融发展效率的评价理论层面研究多于实证方面的研究，同时仅对某一年或以省份截面数据的分析也是不全面的。在数据选取与设计上，也较少学者同时考虑到规模效应[17]、发展周期性和资源有限性等问题。为补充和完善文献遗留问题，笔者从(市场、政府、企业)金融资源投入和(专利质量、科技成果转化规模、创新国际影响力)创新成果产出方面科学构建8个相对数值指标作为本文的评价指标体系。数据设计滞后期为1年，选择SBM产出导向规模报酬可变的Bootstrap-DEA模型和Malmquist指数测算效率，结合静态和动态结果估计我国各省科技金融发展综合效率，并探究关键影响因素。

三、模型的选取与设计

决策单元效率可通过产出/投入的比值来定量测度在该行业的水平程度。下文将详细地介绍是如何选择和设计研究模型的。

(一)Bootstrap-DEA模型

使用常规DEA模型对每一个决策单元进行评价，其结果有两类：该决策单元能够对资源充分利用，效率值为1；另一类效率值为0-1间，该决策单元DEA无效[18]。发现，常规DEA测算后将近2/3的单元效率值都为1，会导致效率估计偏高，无法有效排序，而Bootstrap-DEA模型恰好修正了该缺点。Simar和Wilson(2000)将Bootstrap应用到DEA模型[19]，纠偏了常规DEA测算的效率值，并能够给出效率的统计估计量，使各地区科技金融发展效率的比较和分析结果更加准确。

在既定投入下应以增加产出作为提高科技金融效率的主要途径，同时考虑到投入规模对效率的影响、社会资源有限性以及投入产出松弛性等问题，本文最终设计SBM-output模型基于规模报酬可变的Bootstrap-DEA模型来测算我国科技金融区域静态发展效率。在评价结果中，若效率值小于1，则该决策单元没有达到最优效率；若效率值等于1，则说明被评价决策单元为强有效。

(二)Malmquist指数模型

Malmquist指数可实现对效率的动态变化研究，弥补了静态DEA模型不能对连续时间序列数据进行分析的弊端[20]，同时也考虑了技术进步因素。利用面板数据，基于Bootstrap-Malmquist指数模型来测度全要素生产率(TFP)情况，得到的研究结果更具有可信度。因此本文最终选择动态Bootstrap-Malmquist指数与静态Bootstrap-DEA方法相结合，以此对我国科技金融发展效率全面度量评价。依据估计的结果，运用Tobit模型探究影响综合效率的主要因素。该研究的设计使效率评价体系更完整和系统化。

四、评价指标的设计和数据说明

(一)我国科技金融效率评价指标的设计

选择合适的投入产出指标对测算相对效率非常重要。本文利用Citespace V可视化软件对大量科技金融文献计量分析[21]，科学、系统地对当前常用的投入产出指标进行广泛了解(见图1)，然后进行指标数量统计(见图2)，增加了指标选择的客观性和科学性。同时使用相对指标增强对比意义、评价结果实用性更高更合理[22]。

最终本文设计的投入指标是基于科技创新过程中必要的金融资源要素[23]，包括市场投入(科技孵化器孵化能力、创业风险投资的投资强度、直接融资比例)、政府支持投入及企业自身投入力度，充分地保证了科技金融发展资本供给需求。本文设计衡量科技金融产出成果包含专利质量、科技成果转化规模和国际竞争力影响三方面因素，能够反映和实现对科技金融效率的准确评价。综上考虑科学性、合理性和创新性，设计出我国科技金融资源配置效率评价指标体系，见表1。

(二)数据的选取与设计

基于数据的时效性、准确性和可获得性，本文选取2009-2016年中国27个省市自治区(不包含内蒙古、西藏、青海和海南)作为样本，原始数据均来源于《中国科技统计年鉴》、《中国创业风险投发展报告》、《中国火炬统计年鉴》(2010-2017年)以及Wind金融数据库。

图1 科技金融领域文献关键词时序分布图

科技金融发展需要一定的周期，为更加准确地度量当年效率，依据历史相关经验，本文假设科技金融产出滞后投入1年，自第t-1年开始，每年连续投入研发力量，直至第t年获得产出。

图2 评价科技金融发展指标统计图

评价内容具体指标计算方法单位投入指标企业资金投入政府资金投入市场金融资源投入企业研发投入力度R&D企业经费支出/R&D经费支出%地方财政科学技术投入比例地方公共财政支出合计/地方财政科学技术支出%科技孵化器孵化企业能力科技企业孵化器孵化基金总额/在孵企业数万元/个创业风险投资的投资强度创业风险投资额/投资项目数万元/项直接融资比例(企业债券+非金融企业境内股票融资)/社会融资规模%产出指标专利质量发明专利授权数占比发明专利申请授权数/专利申请授权数%技术转移和科技成果转化的总体规模每万名科技活动人员技术市场成交额技术市场成交金额/R&D人员亿元/万人国际竞争力影响高技术产品出口占比高技术产品出口贸易额/货物出口总额%

五、研究结果分析

(一)我国科技金融资效率静态视角分析

运行MaxDEA ultra7.6软件，选取SBM-output规模报酬可变的Bootstrap-DEA模型对中国各省(市、自治区)科技金融发展效率进行测算，计算出我国27个省市自治区2011-2016年科技金融发展的静态常规效率值和修正后的效率值，并统计出各地区整体纠偏后的效率均值，如表2所示。

通过常规DEA模型测算出，2016年我国27个省市自治区科技金融发展效率中2/3地区达到有效状态(见表2)。而在Bootstrap估计中，不需要额外样本和假设，通过随机模拟大量样本对DEA的效率值进行估计和纠偏，克服了小样本估计偏高的缺点，其纠偏后的效率值均小于常规DEA值。这充分说明未经Bootstrap技术纠偏的常规DEA效率原值确实高估了科技金融发展效率，Bootstrap-DEA模型可描述真实效率值统计位置。

表3显示，2011-2016年我国各省科技金融发展整体效率排名第一的是上海市，均值为0.8572。这结果与上海繁荣的金融和科技市场密不可分。截至2016年末，上海辖区内已有科技特色支行77家，科技支行6家，专属的科技金融部门11个。上海市每年的高技术产品出口占比均高于北京与广东。上海直接融资比例由2011年的17.2%上升至2016年的24.26%，而北京市由66.4%下降至38.9%。上海不仅是中国的金融中心，正建设为全球科技创新中心，拥有足够多的投资人群，吸引到大量的企业、金融产品与复合型科技金融人才。未来，上海市应继续充分利用好丰富的金融资源和科技资源，推动我国科技金融站立国际制高点。

表2 2016年我国27省(市)科技金融效率值的相关统计量

注“常规DEA效率值”列数据为常规DEA模型所测算的科技金融发展效率原值；“Bootstrap-DEA效率值”列数据是在常规发展效率原值基础上，使用Bootstrap技术纠偏后得到的技术效率值。由于篇幅限制，只列2016年，其他年份详细的面板数据测算值从略。

表3 2011-2016年我国27个省(市)整体Bootstrap-DEA静态技术效率情况

从Bootstrap-DEA模型测算的静态技术效率值看，我国科技金融发展效率呈先略微下降后稳步上升趋势，总体波动不大，但均为未达到有效状态。从各区域整体的Bootstrap-DEA效率值看，西部地区整体的效率值比东部和中部地区要高，原因在于西部地区资金少但有效利用方面效率高，另一方面西部地区各省份发展较均衡。而东部和中部地区各省份之间差异较大，譬如东部地区的浙江省和中部地区的安徽省。可发现浙江省历年的高技术产品出口占比不及上海市的六分之一，安徽省历年的科技孵化器资金投入和直接融资比例均低于其他几个省份。未来，浙江省需要增加高技术产品出口，注重高科技创新要素资源配置，激发高科技企业研发活力，掌握核心技术，提升产业国际竞争力。而安徽省需要加强科技孵化器对企业的孵化能力，可与北京、上海等发达地区联合建设“离岸孵化器”模式，提升专业服务质量，鼓励加大风险投资机构的投资力度和范围，加快发展多层次的资本市场。

(二)我国科技金融效率动态视角分析

为完善评价效果，考虑金融资源投入与技术进步的增长率变化问题，本文结合动态视角Bootstrap-Malmquist模型，探究增长变化趋势，来全面揭示我国科技金融资源配置效率情况。

表4 我国整体平均Malmquist指数及其效率分解表(2011-2016年)

注：表中各项指标的增长率=表中各项指数-1。

表4结果表明，2011-2016年我国科技金融发展生产率的变动情况呈先升后降再升又降状态，年均增长率3.97%。但区域增长率变化存在差异，东部地区生产率增长最快，为11%，地区整体金融资源结构丰富、规模较大，技术进步快、发明专利占比大，科技成果转化规模大，高技术产业对国际竞争力影响大。可见，资本渠道与投入力度会直接影响地区技术进步水平，决定要素生产率变动情况，进而影响该地区科技金融发展水平。

(三)科技金融发展综合效率估计

依据上文得到各省市自治区科技金融发展整体静态和动态的效率值，可发现测算的各省市区效率排序存在一定的差异，因此为了更合理地评价各省市自治区科技金融发展的整体状况，需综合估计静态与动态效率值。设计的估计模型为：

科技金融综合效率=Bootstrap-DEA×α+MI×β。

静态Bootstrap-DEA主要评价的是科技金融资源配置效率，动态Malmquist指数主要评价生产率变动情况，而各省由于基期发展水平不同，各要素投入产出增长率存在很大差异。依据本文研究目标，最终确定静态效率值在评价综合效率时占主导地位，并结合模糊决策等理论，最终设计Bootstrap-DEA静态偏好系数α为0.8，M指数动态偏好系数β为0.2，测算出我国27个省市自治区2011-2016年整体科技金融发展综合效率值，并对其进行排序与分类评价，如表5所示。

由表5可看出，估计结果确实中和了静态和动态效率值，使得评价更合理。2011-2016年整体上各省市自治区科技金融综合效率均小于1，未达到资源配置有效状态，且各省市、区域之间存在显著性差异，应加强地域要素流动，协同发展。

结合27个省市自治区静态效率与动态效率分类画出四象限分布图(见图3)，可得到综合效率值在全国水平之上的省市分布在第Ⅰ和Ⅳ象限，其中第Ⅰ象限的省市资源配置效率略高于第Ⅳ象限的省市。第Ⅳ象限分布的省市科技金融资源配置情况和技术进步水平均低于第Ⅰ象限的省市自治区，应加强市场资本的投入力度，提高科技成果转化规模与创新产业国际影响力。

(四)市场金融资源对科技金融效率影响

金融资源配置要比经济其他资源配置更加高效，充分发挥市场在配置金融资源中决定性作用尤为重要。因此，当前我国市场金融资源对科技金融发展效率影响如何，是非常值得研究的问题。

基于此，本文选择2011-2016年我国27个省面板数据作为研究市场金融资源对科技金融发展效率影响的样本。其中，市场金融资源包含科技企业孵化器基金扶持度、创业风险投资的投资强度以及资本市场直接融资能力，综合效率值涵盖资源配置效率与增长率变动。表5结果可知，测算的科技金融综合效率值均在0-1之间，属于截断数据，当用OLS对其进行回归会使估计量有偏且不一致，而Tobit模型可以很好地解决截断变量的问题[24]，对科技金融效率影响因素可进行合理地回归分析。完成对异常数据的清洗，结果见表6。

科技创新始于技术成于资本，市场金融资源对配置效率起决定性作用，通过本文研究结果均得到证实。模型一和模型二都表明，市场金融资源均正向促进科技金融发展效率。其中直接融资比例对科技金融发展效率影响程度最大。模型一与模型二对比可看出，考虑增长率变动，会减弱科技孵化器对科技金融发展效率的影响，此结果也证实了本文把静态技术效率作为主导力是合理的。各地区要优化高技术产业资源配置方式，鼓励原创技术研发，制定相应的容错机制，充分利用资本市场优化金融资源结构。引导创业风险投资和孵化基金大力支持科技创新项目，提升地区科技成果转化规模和高科技产品出口能力。

表5 2011-2016年各省市平均科技金融发展效率总排名

图3 2011-2016年我国27个省市自治区整体综合效率分类图

(五)科技金融发展效率系统政策仿真

为进一步探究各类金融要素对科技金融发展的支持效率，采用系统动力学(system dynamics，简称SD)“政策实验”的特点[25]，构建系统流图模型(见图4)和设置参数值，通过金融资源投入力度(见图5)变化进行仿真，对比观察不同情景下科技产出与科技金融发展效率水平变化趋势。仿真情形分两类，一探究政策长期效应更强还是短期，二探究市场和公共金融资源影响程度大小。

系统仿真结果如下，①单独增加直接融资比例2016-2017年各20%和2010-2017每年增加5%，对比仿真科技产出值和科技金融发展效率水平结果(见图6)可看出，连续五年每年增加5%效益>连续两年每年增加20%>初始，因此实施长期政策连续支持比短期政策产生的效益更长远、影响力更大，金融酵母持续发力。②2010-2017年某一金融资源每年单独增加5%，对比仿真结果(见图7)可看出，直接融资比例效益>企业R&D经费投入效益>创业风险投资效益>政府R&D经费投入效益，因此，未来应多实施真正拓宽科技企业融资能力针对性政策，政府投入更重在“自上而下”的顶层引导市场资本，注重投资高价值发明专利。

表6 市场资本因素对科技金融发展效率影响Tobit模型估计结果

注：*分别表示在99% 的水平下显著。TBI科技企业孵化器孵化能力，VC创业风险投资的投资强度，DF直接融资比例。

图4 科技金融发展效率水平系统动力学流图

图5 影响科技金融效率的主要金融资源初始值趋势图

图6 科技产出与科技金融发展效率水平短期与长期政策对比仿真结果

图7 不同金融资源投入对科技产出与科技金融发展效率水平影响对比仿真结果

六、研究结论与启示

(1)本文为构建科技金融资源配置效率评价指标体系提供了科学定量的研究方法。研究结果显示，效率评价指标的选择与设计视角是比较科学合理的。增加直接融资比例、科技企业孵化器孵化能力和创业风险投资强度指标衡量市场金融资源对科技金融效率影响，视角新颖、符合科技创新需求。专利质量、技术转移程度、科技成果转化规模及产业创新国际力影响为产出指标，可全面直接的反映科技金融发展带来的技术进步。

(2)我国科技金融资源配置未达到最优状态，企业投入不足，伪创新太多，需进一步深度融合。静态效率Bootstrap-DEA值整体均小于1，各省市自治区应加强区域间要素流动，优化金融与科技资源配置。动态Malmquist指数结果表明，我国整体科技金融要素生产率以年均3.97%增长，但由于直接融资占比出现严重下滑，抑制技术进步，要素增长率同比大幅下降。衡量科技金融发展效率要综合考虑资源配置水平与增长率变动水平，且整体要素资源配置的影响高于增长率变动。

(3)市场金融资源对我国科技金融发展效率有正向促进作用。尽管我国资本市场与发达国家相比还有一定的差距，但随着资本市场发展的不断完善，风险投资、债券和股票市场的发展对我国科技进步影响越来越大。市场金融资源对我国科技金融资源配置有显著的正向促进作用，其中直接融资比例影响程度最大，风险投资的投资强度次之。而科技企业孵化器孵化能力虽为正向影响，但不显著，这主要是因为我国科技企业孵化器未形成真正品牌，需进一步提升基金投入力度和专业技术孵化能力。通过SD方法系统仿真结果可知，政府要注重长期政策效应，中国要加大对外开放程度，创造科技金融生态模式。

总的来看，我国科技金融资源配置效率还有一定的提升空间，基于上述研究结论，进一步促进效率的提升可从以下几方面入手：

第一，政府注重引导，减少干预，完善金融监管体系。政府金融投入对GDP的贡献率远大于市场主导的，但其对资源配置效率的提升呈负相关关系，而市场金融资源正向促进资源效率提升。核心技术创新要坚持有为政府和有效市场“两只手配合”，政府更要注重发挥顶层设计与引导功能，按照市场需求进行创新，为创新者建立满意均衡制度环境，放宽科技金融融资服务门槛，引导风险投资尽可能投资最具颠覆性的技术项目，不跟风炒作热点。完善科技人员的创富机制，鼓励科研院所和高校科技成果转化走出创业，成立专项基金试点对有价值技术的重点培育，强化知识产权保护的创造、保护和运用。出台更具针对性、可操作性的优惠政策，防范系统性金融风险。

第二，建设多层次资本市场，提高直接融资比例。科技创新离不开资本市场，发达的资本市场为科技创新提供了良好的外部条件，而2017年中国的直接融资市场回落明显。以色列是全球公认的“创业的国度”，不仅有专业化的创新孵化器，活跃的风险投资，关键科技金融为其产业创新生态环境增色不少。未来，我国应继续优化金融资源结构，强化金融体制市场化改革，创新股权质押融资新模式，大力推动股票公募市场和企业债券市场的改革和发展，让优质的企业和海外并购项目通过直接融资等筹集资金，同时政府要放开对资本市场价格的管制。放宽高科技企业的上市标准，充分发挥资本市场在资源配置上的高效率。

第三，注重原始创新，发挥领军型大企业在核心技术创新中的主力军作用。坚持技术引进与自主创新齐头并进，早期创业企业资金需求大，抵押物少，投资人更应关注早期孵化。新兴行业创新力强劲，企业更要提高R&D投入比例。高质量科技研发创造新产品、新市场，支持优势企业开展原创前沿技术攻关，强化对基础研究的支持，建立宽容失败机制，激发企业市场的活力，肯定企业家精神的爆发，构建开放型技术创新体系，将金融资源真正配置到核心技术行业，培育一批具有世界影响力的高科技领军企业。

第四，优化科技金融创新集群生态，助力科技与金融深度融合。依托大学城产学研协同创新，加快建立重大技术发展的生态；融合当前人工智能、区块链等新技术，优化科技金融信用平台，形成科技企业数据库和专家智库；信息共享，撮合双方业务，构建政府财政资金、创投、银保、证券等多层次科技金融模式，拓宽融资渠道和方式，并建立相应的监管和奖励政策。从无到有的创新创业是极明显的高风险和高收益，最需要的金融创新就是在各个阶段都有跟它匹配的科技金融专属产品，分散高风险。积极探索普惠金融服务，创造大量金融工具，优化信贷资源的配置。金融机构既要有效地识别僵尸企业，同时信贷政策标准和风控手段也应与时俱进。科技保险险种要不断完善和创新，提高科技保险覆盖率，保险产品要与科技风险因素相适应。另外，需加强复合型科技金融人才的培训和引进，提高服务质量和水平，营造良好的科技金融软环境。总之，要集聚多方资源，协同高效发展，形成“一揽子”科技金融服务，提高中国科技金融资源配置效率。