基于DEA模型的科技金融结合效率研究

余丽霞 郑洁

【摘 要】 科技与金融的有效结合是实现创新驱动发展，提升区域综合竞争力的重要引擎。在建立科技金融效率评价指标体系的基础上，运用DEA模型对2016年30个省（自治区、直辖市）及2002—2016年四川省金融投入与科技产出进行横向和纵向分析①，横向对比显示四川省2016年科技金融综合效率、纯技术效率及规模效率均处于相对有效状态，需进行一定程度的调整和改进才能达到有效状态;由纵向分析可知在2002—2016年这15年间，四川省科技金融总体效率有13年未达到有效状态，其中7年存在投入冗余和产出不足问题。基于实证分析结果，提出了促进四川省科技金融发展的政策性建议。

【关键词】 科技金融; 数据包络分析法（DEA）; 聚类分析; 整体效率; 纯技术效率; 规模效率

【中图分类号】 F832;F224  【文献标识码】 A  【文章编号】 1004-5937（2019）04-0032-06

一、引言

自“科技金融”一词在1993年中国科技金融促进会首届理事会上正式使用以来，科技金融的发展受到党中央、国务院的高度重视，陆续出台的一系列政策文件成为了科技金融的顶层设计。2006年国务院颁布了《国家中长期科学和技术发展规划纲要（2006—2020年）》，提出了促进科技创新的科技金融政策，标志着科技金融被正式列为国家科技创新战略;2011年在科技部《国家“十二五”科学和技术发展规划》中，专门阐述了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;2012年，科技部把科技金融等一系列科技服务作为现代服务的建设重点，大力鼓励和扶持相关企业发展;2015年，中共中央、国务院颁布的《关于深化体制机制改革加快实施创新驱动发展战略的若干意见》着重强调：“发挥金融创新对技术创新的助推作用，培育壮大创业投资和资本市场，提高信贷支持创新的灵活性和便利性，形成各类金融工具协同支持创新发展的良好局面”;2017年党的十九大报告中确定了建设现代化经济体系的战略部署，强调“着力加快建设实体经济、科技创新、现代金融、人力资源协调发展的产业体系”。目前，我国经济发展已经开始由要素驱动向创新驱动转变，四川作为西南地区的科技大省，创新能力全国排名第16名，西部第3名②，已经积累了大量科技资源，但是科技成果转化效果不是十分理想，尚未形成财富效应，科技创新对经济增长贡献的比例偏低。因此，科技金融作为调整经济结构和提高企业竞争力的重要手段日益得到学术界和实务界广泛关注，本文尝试利用四川省的历史数据对其科技金融结合的效率进行实证研究，深入分析四川科技金融结合存在的问题并提出相关政策建议。

二、文献回顾

（一）科技金融的概念回顾

对科技金融（Sci-tech Finance）的概念界定目前还没有统一定论，现阶段国内备受关注和认可的是以赵昌文为代表的科技金融“工具论”和以房汉廷为代表的科技金融“本质论”。国务院发展研究中心产业经济研究部部长赵昌文[1]指出科技金融是促進科技开发、成果转化和高新技术产业发展的一系列金融工具、金融制度、金融政策与金融服务的系统性、创新性安排，是由向科学与技术创新活动提供融资资源的政府、企业、市场和社会中介机构等各主体及其在科技创新融资过程中的行为活动共同组成的一个体系，是国家科技创新体系和金融体系的重要组成部分。随后卢金贵等[2]、徐玉莲[3]、胡苏迪等[4]分别从不同角度对科技金融概念加以界定，但其实质都是将技术与金融作为创新产业的外生变量，因此都是科技金融“工具论”的倡导者。与此相对的是，科技部研究员房汉廷[5]沿用熊彼特、佩蕾丝的逻辑体系，把技术与金融作为创新产业的两大动力源泉并提出了科技金融“本质论”。他认为科技金融是以培育高附加价值产业、创造高薪就业岗位、提升经济体整体竞争力为目标，促进技术资本、创新资本与企业家资本等创新要素深度融合、深度聚合的一种新经济范式，这种新经济范式由技术、金融和企业家这三大子系统构成，即同质化的金融资本通过科学技术异质化的配置，获取高附加回报的过程。

目前关于科技与金融的结合，还有另一个热点名词叫“金融科技”（Fin-tech），是伴随“互联网+”与金融行业深度结合而快速兴起的一个新概念。学术界和实务界对这一概念普遍的看法是指将新的科技成果如人工智能、大数据、区块链、云计算、生物技术、互联网技术等科学技术应用于金融领域，通过改造和创新，融合产生的金融领域新产品、新服务、新模式等。因此，综合现有学者们的研究，本文认为“金融科技”侧重点是科技在金融业的运用，而“科技金融”则更多指的是如何给科技产业提供更多、更好的金融支持和金融服务，这也是本文研究的重点。

（二）科技金融的效率研究回顾

1.国外研究

国外研究在该部分主要围绕金融发展与科技创新的相互作用，一方面金融发展对科技创新有明显的促进作用，且这种促进作用普遍适用于各个国家。Alessandra et al.[6]、Liao et al.[7]、Ayyagari[8]、Chowdhury et al.[9]等分别基于英国、欧盟等不同国家和地区从理论和实证两方面研究了金融机构资本占企业运营资本比例、企业外部资源获取的难易程度、证券市场筹资与银行信贷在技术创新投资中的占比等与科技创新的关系，结果显示，无论是发达国家还是发展中国家，这些指标均与科技创新效率显著正相关，促进作用明显;另一方面，科技创新反过来也会促进金融发展，但对此的研究相对较少，Hasan et al.[10]、Consoli[11]分别基于动力演化机制和自动化控制视角研究科技进步对银行业和证券交易所的影响，结果显示先进技术能显著提升银行及证券交易所的成本效率和收益效率，是其业务结构变化的核心。随后，Schinckus[12]以电子信息技术为代表的技术革命作为科技创新指标分析得出技术革命不仅能提高金融机构效率，也对金融市场的运作效率有极大的促进作用。

2.国内研究

国内对科技金融的研究侧重于分析科技与金融的融合度和结合效率。徐玉莲等[13]实证分析了我国省级区域的科技创新和科技金融耦合度，结果表明两者耦合协调度整体偏低，且东部、中部、西部③差异明显。同科技创新与金融耦合协调度一样，我国科技金融结合效率水平也表现为整体效率偏低且地区差异较大，王新龙等[14-15]将我国2006—2014年各省市科技金融投入与产出的面板数据作为样本，分别采用NOICA与DEA模型和DEA-Malmquis指数与SFA模型进行实证分析得出的结论。以上研究是基于国家整体层面而言的，而刘俊岐等[16]、许汝俊等[17]采用SE-DEA与Malmquist指数线性组合模型、DEA模型对比研究了我国三大经济区（东部、西部、中部）的科技金融运行情况，研究结果呈现三级分化，东部地区综合效率最高、西部地区其次、中部地区综合效率最低。在此基础上，戴志敏[18]运用变异系数、基尼系数和泰尔系数分析了我国科技金融梯形递减分布格局，得出区域间差异程度总体趋于收敛状态，但区域内差异化严重且呈现锯齿状波动的态势。现有文献基于各省市、各地区科技金融结合效率对比研究较少，基于四川省的实证研究则更少。

三、研究设计

（一）方法介绍

数据包络分析方法（Data Envelopment Analysis，DEA）是Charnes A.和Copper W W.等著名运筹学家以“相对效率”为基本思想，根据多指标投入和多指标产出对相同性质的决策单元（DUM）进行相对有效性测算的一种系统分析方法。该方法是一种非参数前沿效率分析方法，相对于一般参数法有其独特的优点：一是在多个决策单元间进行相对有效性评价时，不必事先考虑指标的权重和确定投入产出指标间可能存在的函数关系，直接通过投入—产出判断决策单元是否处于生产前沿面，排除了许多主观因素，增强了评价结果的客观性;二是DEA模型既可对各决策单元进行评价及排序，又可指明非DEA有效的决策单元与最佳决策单元相比，在哪些投入产出项目上有冗余或不足，进而为决策者提供改进效率的最优途径。其基本模型有如下两种：

不变规模报酬模型（CCR），是假设在规模报酬不变条件下，将各项投入与产出的生产因子进行线性组合，以投入产出的线性组合比率表示整个集合的相对效率，作为DEA最基本模型用来评价决策单元的整体效率。

可变规模报酬模型（BCC），是为解决CCR模型无法进一步分析决策单元弱效率是由技术无效还是规模无效引起的缺陷而加以改善的，将假设条件由固定规模报酬放宽为变动规模报酬，分析当决策单元处于非有效状态时，有多大程度是由技术无效引起的。其CCR和BCC得分与决策单元效率之间的关系如表1所示。

（二）指标选取及数据来源

1.指标选取

本文金融投入与科技产出指标体系在借鉴相关学者研究的基础上，严格遵循指标选取的四大原则：一是目的性，不管是投入指标还是产出指标必须真实反映科技金融效率评价的目的，且对评价结果有较大影响;二是适当性，指标数量选取要适当，若指标过多将导致DMU数增加，降低DEA的评价功能，原则上投入指标要多于产出指标，且DMU数应多于投入与产出指标之和的两倍;三是可获得性，在我国还未形成科技金融指标体系的情况下，难免会有数据的缺失，因此为保证数据的真实有效，需选择易于获取的数据;四是多样性，投入与产出指标需多样化，提供多角度的效率评价参考。本文将经费投入（地方财政科技拨款和R&D经费内部支出）及人力资本投入（R&D人员总量）作为金融投入指标;直接产出（专利申请受理数）及间接产出（技术市场成交合同额）作为科技产出指标（见表2）。

2.样本选择及数据来源

本文涉及的样本为2016年30个省（自治区、直辖市）以及2002—2016年四川省的面板数据。在数据收集方面，考虑到金融投入与科技产出之间存在一定的滞后性，本文假定滞后期为一年，即文中采用的输出指标滞后输入指标一年，因此样本区间数据来源于2002—2017年的《中国科技统计年鉴》《中国统计年鉴》《四川省统计年鉴》及中国科技统计网。

四、实证分析

本文在指标数据收集完整的基础上采用Deap 2.1軟件进行求解，在求解过程中，选择以投入为主导型进行效率评价，即在既定投入下计算产出的最大值，分别对2016年30个省级科技金融结合效率及2002—2016年四川省科技金融结合效率进行分析，分析结果如表3、表4所示。

（一）DEA平面结果分析

根据表3的实证结果可知，2016年在30个决策单元中，仅北京、浙江、福建、广西、陕西、青海这6个地区科技金融综合效率为1，即金融投入与科技产出达到有效均衡状态。2016年四川省科技金融综合效率为0.973，处于相对有效状态，表明四川省科技投入能大部分但未能完全转化为科技产出，借助BCC模型的进一步分析，2016年四川省科技金融的纯技术效率值（0.985）和规模效率值（0.988）相差无几，且均处于相对有效状态，表明四川省科技金融取得了丰硕成果，但相对有效值为1的省市而言，还需进行一定程度调整方可达到有效水平。此外，2016年四川省科技金融规模报酬处于递增状态，即每增加一单位的投入带来的产出增加将大于一单位，因此在调整期间，可通过增加金融投入来促进科技产出，同时在加大科技金融投入规模时应注重科学技术创新，使纯技术效率与规模效率匹配上升至有效水平，促使金融投入与科技产出协调均衡，发挥其规模效益作用。

（二）DEA时序结果分析

1.CCR模型结果分析

从表4的数据结果可知，在2002—2016年共15年中，仅两年（2015、2016）的CCR得分为1，整体效率为有效状态④，表明这两年金融投入和科技产出结合效率较高，实现了在既定投入下的最大产出，科技金融资源配置合理;而2002—2009年的CCR得分均小于0.9，处于非有效状态，这8年间四川省科技金融在规模和技术方面都存在一定问题，且金融投入相较于技术创新对科技产出的作用更显不足;随着近年政府部门对科技金融的重视，2010—2016年的综合效率均有了明显提高，由非有效上升至相对有效和有效状态，在维持此效率的基础上政府只需采取一定调整措施就能使科技金融结合效率达到有效。

2.BCC模型结果分析

从BCC模型分析结果可以看出，四川省在2002—2016年纯技术效率基本都处于有效和相对有效这两种状态，仅两年处于非有效状态，从该角度看，四川省在这15年中科学技术对科技产出的支持和科技创新均较为稳定。其中，2002—2003年、2005年、2007年、2011—2012年、2015—2016年BCC得分为1，说明这8年用于技术水平提升和科研能力增强的投入均高效的转化为了科技产出;2006年、2009—2010年、2013—2014年这5年的纯技术效率处于相对有效状态，稍加调整即可达到均衡状态;剩下的2004年和2008年这两年的BCC得分均小于0.9，说明科技创新能力欠佳，对科技产出的支撑作用尚未凸显等。

当纯技术效率未达到有效状态时，DEA处于弱有效，若想达到均衡状态，需通过技术的径向调整和要素配置的松弛调整，经过调整的数据表现为投入冗余或产出不足（见表5）。如四川省在2004年、2006年、2008—2010年、2013—2014年这7年中，各项金融投入均偏多，出现冗余，而相应技术市场成交合同额产出不足。因此，在控制金融投入的同时加大技术创新及优化金融投入管理，使金融投入均衡的转化为科技产出。

3.规模有效性结果分析

规模效率是总体效率（CCR）与纯技术效率（BCC）的比值，其得分反映当DUM处于非有效状态时，有多大程度是由规模无效引起的。从表4规模效率的结果分析，四川省2002—2016年仅2015年和2016年的规模效率得分为1，表明这两年金融投入适当，实现了一定产出下的最小投入;2002—2014年规模效率均未达到有效状态，其中，2002—2007年规模效率值均小于0.9，表明四川省在这6年间科技金融投入规模不高，且这种规模投入也未能完全转化为科技产出，但这种情况随着2008年四川省科技金融在财政科技拨款、R&D人员总量及R&D内部经费支出上的投入较2007年分别增长了近42.62%、14.98%及29.07%的基础上，其规模效率也由非有效转化为了相对有效状态，由此说明提高四川省科技金融投入能一定程度上促进其效率提高。此外，表4显示四川省科技金融规模报酬处于递增状态，即各金融投入要素增加时，科技产出的增加比重大于投入的变化比重，因此应适当增加金融投入规模来促进产出增加。

（三）我国金融支持科技创新效率的聚类分析

为进一步明确四川省科技金融结合效率在全国科技金融结合效率中的排序，本文运用SPSS 17.0软件对2016年30个省级科技金融结合效率值进行K-均值聚类分析，将其划分为5层级（高效层、中高效层、中效层、中低效层、低效层），分析结果如表6所示。其中，四川省科技金融效率处于高效层，说明四川省在立足自身实际的基础上走出了一条科技金融效率的“四川模式”，但同时也应注意到在与高效层中的部分沿海省市相比四川省科技金融效率依然存在巨大提升空间。

五、结论与建议

（一）主要结论

1.通过对2016年30个省级科技金融效率对比可知，四川省2016年的科技金融综合效率（0.973）、纯技术效率（0.985）和规模效率（0.988）均处于相对有效状态，由此揭示出四川省科技金融的规模投入和技术创新能力均能以较高水平转化为科技产出，但距离完全转化还需要进行一定程度调整。

2.纵观2002—2016年四川省科技金融综合效率、纯技术效率和规模效率的结果。一方面随着四川省近年来对科技金融的重视，其综合效率和规模效率一直处于不断上升态势，且技术效率在这15年间表现得较为稳定;另一方面，在这15年间，四川省科技金融综合效率仅2015年和2016年达到有效状态，其余13年综合效率值均小于1，其中四川省科技金融综合效率有8年是处于非有效状态，且这种非有效状态多是由规模非有效导致的，揭示出四川省科技金融的投入不足依然是限制科技金融综合效率提高的主要原因之一，应在加大科技資金投入力度的同时发挥政府主导地位，以此确保政府、企业及社会资金的共同参与，不断优化科技金融投入结构，其余5年综合效率处于相对有效状态，且这种相对有效是由规模效率和纯技术效率共同引起的。因此，四川省科技金融投入规模和科学技术创新能力等均有待进一步提高。

（二）相关建议

针对四川省科技金融存在的规模投入和技术创新问题，建议政府、金融机构、科创企业等科技金融参与者在当前制度体系下进行一定程度的优化，以期达到科技金融投入和科学技术完全转化为科技产出，共同落实四川省科技金融发展目标。

首先，政府作为科技金融的特殊参与主体，应充分发挥其主导与调控作用，在制定和健全科技金融顶层设计的同时，创新财政资金支持科技产业发展的方式方向，给予科创企业不同发展阶段以针对性支持，合理配置科技资源，在此基础上，优化完善财政科技资金“预算—监管—评价”的全过程管理机制。

其次，充分依托金融机构，拓宽融资渠道，一方面鼓励传统金融机构针对科技企业特点开发新的金融工具，如充分利用科创企业拥有的专利、知识产权、股权等轻资产，创新质押融资贷款模式和产品，以科创企业未来发展潜力衡量贷款规模及期限;另一方面创新发展新的金融模式，如成立专门的科技银行、科技保险、创投基金、私募基金、产业基金等，克服融资形式单一带来的不稳定，有效促进科技资源与金融资源的长期结合。

最后，就企业自身而言，应提升企业技术创新及管理能力，而这种能力的高低很大程度上取决于企业是否拥有高端技术人才，因此企业应在加强人才引进力度的同时，完善现有从业人员培训考核机制，加快建立科技成果转化经纪人、科技保险经纪人、科技融资租赁经纪人等制度，推进科技金融人才发展制度化和规范化，增强企业核心竞争力。●

【参考文献】

[1] 赵昌文，陈春发，等.科技金融[M].北京：科学出版社，2009.

[2] 卢金贵，陈振权.广东科技金融工作的实践及对策研究[J].科技管理研究，2010（24）：7-10.

[3] 徐玉莲，王宏起.科技金融对技术创新的支持作用：基于Bootstrap方法的实证分析[J].科技进步与对策，2012（3）：1-4.

[4] 胡苏迪，蒋伏心.科技金融理论研究的进展及其政策含义[J].科技与经济，2012（3）：61-65.

[5] 房汉廷.关于科技金融理论、实践与政策的思考[J].中国科技论坛，2010（11）：5-10.

[6] ALESSANDRA，STONEMAN.Financial constraints to innovation in the UK：evidence from CIS2 and CIS3[D].Oxford Economic Papers，2009（4）：394-398.

[7] LIAO T S，RICE J.Innovation investments，market engagement and financial performance：a study among Australian manufacturing SMES[J].Research Policy，2010（1）：117-125.

[8] AYYAGARI.Technostress：technological antecedents and implications[J].MIS Quarterly，2011（4）：831-858.

[9] CHOWDHURY R，MAUNG M.Financial market development and the effectiveness of R&D investment：evidence from developed and emerging countries[J].Research in International Business and Finance，2012，26 （2）：258-272.

[10] HASAN，SCHMIEDEL.Technology，automation，and productivity ofstock exchanges：international evidence[J].Journal of Banking&Finance，2003，27（9）：1743-1773.

[11] CONSOLI D，The dynamics of technological change in uk retail banking services：an evolutionary perspective[J].Research Policy，2005，34（3）：461-480.

[12] SCHINCKUS C.The financial simulacrum：the consequences of the symbolization and the computerization of the financial market[J].Journal of Socio-Economics.2008，37（3）：1076-1089.

[13] 徐玉蓮，王玉冬，林艳，等.区域科技创新与科技金融耦合协调度评价研究[J].科学学与科学技术管理，2011（12）：116-122.

[14] 王新龙.我国科技金融结合效率研究[D].南昌：江西财经大学硕士学位论文，2014.

[15] 黄瑞芬，邱梦圆.基于Malmquist指数和SFA模型的我国科技金融效率评价[J].科技管理研究，2016（20）：43-48.

[16] 刘俊岐，史本山.中国省际科技金融效率研究——基于SE-DEA与Malmquist指数线性组合模型[J].科技与经济，2015（12）：68-73.

[17] 许汝俊，龙子午，姚逍遥.基于DEA-Malmquist指数法的科技金融发展效率评价研究——以长江经济带为例[J].科技管理研究，2015（13）：188-191.

[18] 戴志敏.科技金融效率多尺度视角下的区域差异分析[J].科学学研究，2017（9）：1326-1333.