我国“一带一路”区域科技金融效率及影响因素研究

2019-06-24曹越美

当代经济管理 2019年6期

摘要基于三阶段DEA探究我国“一带一路”区域2012～2016年科技金融效率及其空间分布差异，最后建立Tobit模型对影响因素进行分析。研究结果表明：剔除环境因素后科技金融效率显著下降，其中较低的规模效率是制约效率提高的深层原因，东南板块综合效率最高，西北板块综合效率不容乐观。高技术产业规模、企业对科研的资金支持力度、地区法制化水平、技术创新程度与科技金融效率呈显著正相关;政府财政科研支出对其存在消极影响。为此提出合理配置财政科技资源、加强科研经费投入力度、提高区域法制化水平、鼓励科技创新等政策建议。

关键词“一带一路”;科技金融效率;三阶段DEA;Tobit模型;影响因素分析

[中图分类号]F061.5;F832.7 [文献标识码]A [文章编号]1673-0461（2019）06-0082-08

一、引言

“一带一路”（the Belt and Road）是“丝绸之路经济带”和“21世纪海上丝绸之路”的简称。2017年5月9日，国家金融与发展实验室发布我国首份《“一带一路”倡仪的金融支持》报告，中国社科院原副院长、国家金融与发展实验室理事长李扬称，中国在发展过程中的若干成功经验和做法，可以为“一带一路”沿线国家提供借鉴。简而言之，一带一路的战略目标即促进我国跟中西亚、东亚国家的合作，从而实现各国互利共赢，也体现出我国作为一个大国对世界的责任和担当[1]。

科技金融即科技创新活动与金融资源配置之间形成的相互融合、共同促进的系统性、整体性制度安排。科技金融在“一带一路”中的作用主要表现在金融融资、科技投资带动科技进步，以科技进步推动高质量创新发展。“一带一路”战略性政策通過借助现有的区域合作平台进行双多边机制的搭建，这一模式能够实现资源利用效率的最大化，使科技产出与创新效能获得提升。伴随着新知识经济时代到来，创新成为全社会宝贵的战略性财富，也是推进社会前进的重要动力，而在这一步骤中创新开始渐渐变成知识与生产力间的转化剂以及粘合剂，因此完善“一带一路”倡议地区的科技金融建设，有利于带动新时代的创新风潮，为迎接新知识经济时代做好充分的准备。“一带一路”作为当前学术研究的热点话题，关于金融抑或科技引领“一带一路”倡议发展的文献不胜枚举，但是较少学者关注“一带一路”科技金融问题的研究。本文预建立三阶段DEA模型探究我国“一带一路”区域最真实的科技金融效率，通过效率分解分析我国“一带一路”地区科技金融效率的短板。

为配合和推进“一带一路”倡议，政府的资金支持，为科技创新企业的发展提供了经济支撑，随着“一带一路”建设的推进，高新技术区、产业集群创新将会得到进一步发展和完善。银行作为金融融资主体，在传统服务模式中主要针对大型科技企业，忽略了对中小型科技企业的扶持，在一定程度上造成了中小科技企业融资难的问题[2]。“一带一路”倡议旨在解决这些问题，以实现金融科技资本配置与科技创新活动的有效对接，激发科技金融投入提高科技创新的最大潜能，有利于加快调整经济结构、推动产业转型升级，在创新中持续迸发经济发展新活力[3]。故本文后半部分通过建立Tobit模型，从高技术产业、R&D经费支出、政府、企业运营环境、金融市场等方面，分析其对科技金融效率的影响，为我国实施“一带一路”倡议进程中的科技金融事业发展提供可行性建议，对促进我国带动中西亚、东亚国家共同发展具有重要意义。

二、文献回顾与本文创新之处

（一）文献回顾

1.金融发展促进科技进步研究

国外学者对科技金融的研究可追溯到20世纪后期，主要从理论方面探索科技与金融的关系，但较少研究科技金融效率。King 等经济学者研究认为金融发展可以通过在技术研发和商业化运作过程中投入大量的资金带动科技的改进和升级[4]。Levine认为金融能够通过金融深化促进科技知识的积累，伴随着金融发展的创新，也能够引起融资创新从而缓解科技型企业融资难的现状[5]。George 和 Prabhu 通过对金融投入、科技产出相关数据进行研究，发现增强金融机构支撑高新技术企业融资的力度，对企业科技创新能力的提高具有不可比拟的作用[6]。杜金珉选用我国省际面板数据，通过建立面板向量自回归（PVAR）模型进行分析，结果表明：我国东部地区金融发展对科技进步存在大幅度冲击效应且持续期较长;而中西部地区效应微弱、持续时间较短[7]。

2.科技金融理论研究

国外学者集中于探讨金融发展与科技进步的关系，却未提出“科技金融”这一名词。1992年，在中国科技金融促进会中，我国首次提出“科技金融”，但仅代表科技和金融的缩写，并无其它含义。直至2009年，国内学者赵昌文教授提出科技金融体系，开创了科技金融效率研究的先河，即在政府、市场、企业和各类投融资机构主体的推动下，将一系列金融工具、金融制度、金融政策、金融服务等应用于科技研发、成果转化、创新驱动，激发市场活力，促进科技型企业繁荣发展[8]。2011年，“十二五”科技规划的提出，标志着科技金融被正式列入我国科技创新战略。2012 年，随着科技的进步和金融业的发展，科技金融首当其冲成为了现代服务的建设重点。近年来，政府不断加强科技金融创新重要性的意识，中国也在相关领域中取得了不错的成绩，北京中关村、武汉东湖高新区、广州科技产业集群等科技创新示范区就是最成功的示范[9]。

3.科技金融效率研究

国外学者Major Clark、Mahmood 从政府机构支持角度，通过研究发现政府部门是科技金融效率的重要推动者，政府机构的资金支持为科技企业进行基础设施建设提供服务保障，政策支持更是满足了科技企业发展的需求。徐玉莲运用DEA交叉评价模型，研究得出我国公共科技金融资金的配置效率呈现出一定上升趋势，而市场科技金融资金、整体科技金融资金的配置效率在一定范围内上下波动，没有明显的趋势走向[10]。杜金岷选取2014年全国29个省市区代表性的科技金融投入产出指标，通过三阶段DEA模型进行测算，结果表明我国大部分省份规模效率处于较低水平，在一定程度上阻碍了中国科技金融效率提升[11]。张明龙运用超效率 DEA-Malmquist 指数对我国30个省市的科技金融效率进行探究，结果表明TFP主要依靠技术进步拉动，中西部地区效率增速大于东部地区，我国科技金融效率整体呈“U”形走势[12]。

（二）本文创新之处

通过梳理相关文献，发现前人对科技金融领域的研究已取得丰硕的成果，但仍存在改进的空间。从研究方向来看，外国的学者侧重于研究金融投入与科技产出的因果关系，国内学者的研究习惯于比较我国东、中、西部的科技金融效率差异，在影响因素的分析过程中，一些文献只是从投入产出变量中推算出影响因素，得出的结果不甚合理。从研究方法来看，之前的学者主要倾向于采用传统DEA测算科技金融效率，忽略了环境因素和随机干扰的影响，导致效率的测算结果不够精确;在数据选取上，很多文献都是利用截面数据进行分析，这显然存在一定的局限性。最后本文在相关研究成果的基础上，克服以往研究的缺陷，拟选取我国“一带一路”沿线17个省市 2012～2016 年面板数据，通过三阶段DEA模型，探究排除环境因素之后“一带一路”区域的科技金融效率及其空间分布差异，最后建立Tobit模型对影响因素进行分析。

三、指标选取说明及数据来源

（一）指标选取说明

1.投入产出变量

（1）科技金融投入指标。用政府财政科技拨款（X1）、金融机构科技贷款（X2）两个指标来分别反映政府和金融机构对科技的支持力度，选取R&D经费内部支出（X3）代表企业对科研的重视程度。

（2）科技金融产出指标。选用国内专利申请授权数（Y1）衡量地区科技创新能力，它是科技产出直接成果的代表性指标;选取技术市场成交合同额（Y2）反映技术市场的发展状况。高技术产业的发展是地区科技进步的不竭动力，此处采取徐玉莲的做法，选取高技术产业的主营業务收入（Y3）、出口交货值（Y4）和新产品销售收入（Y5）来分别衡量高技术企业的经营成果、对外扩散成果和市场化产出[13]。相关投入、产出指标汇总如表1所示。

2.环境变量

基于代表性、相关性、可得性原则，并结合我国科技金融现状，本文选取 4 个变量来反映影响地方科技金融效率的外部因素。政府对科技的重视程度（E1）、地区浓厚的科研气氛（E2）都有利于提高科技金融效率;科技发展推动经济增长，而经济增长为科技进步提供支撑，本文选取地区开放程度（E3）、人均GDP（E4）两个指标反映地区经济发展质量。相关环境变量的选取如表2 所示：

3.影响因素

本文从主体（高技术企业、政府）、金融市场、企业运营环境、技术创新程度等角度进行分析：

（1）高技术产业作为科技金融发展的主力军，承担着转化科技金融成果的重任，企业规模越大，运营能力越强，科研效率越高，科技金融效率也会随之增高，本文采取李林汉的做法，选取高技术产业利润总额占GDP比例来描述各地区高技术产业的规模（Z1）。另一方面，R&D经费支出可以反映企业对科研方面的资金支持力度，此处选取R&D投入与当地GDP占比（Z2）来衡量这一指标[14]。

（2）政府是科技金融发展的有力推手，由于高技术企业的自身性质，高风险性的企业成长周期较长，而民间金融机构难以提供持续的资金供给，政府的帮扶在这时候尤其关键，此处选取地方财政科学支出与地方财政支出的占比来衡量政府支持力度（Z3）。另外，在樊纲等学者的研究中，得出地方法制化水平对科技金融的投资和运转存在影响，因此本文采用地方市场法律制度环境评分指标（Z4）来衡量[15]。

（3）金融市场的主要责任在于转化资金投向，公平对待具有成长潜力的中小科技型企业，缓解中小科技企业融资难的问题，为其成长提供养分，更能反向的为其自身的资本增值提供空间，有利于实现资本市场资源的最优配置，为科技金融效率的提高提供有力保障。本文借鉴学者韩威的指标选取方法，以地方各项贷款余额占GDP比例来衡量金融市场发展程度（Z5）。科技金融的发展植根于科技创新的进步，技术创新在催生科技创新要素的同时，将内生的科技创新能力，外化为科技创业的动力，把技术创新落到实处[16]。本文选用地方专利授权数占比来描述技术创新程度（Z6）。相关影响指标汇总如表3所示：

（二）样本选择及数据来源

本文将“一带一路”倡议敲定的18个省市分为4个板块进行分析，其中，东南板块：上海、福建、广东、浙江、海南五省市;西南板块：广西、云南、西藏、重庆四省市;东北板块：辽宁、吉林、黑龙江三省;西北板块：内蒙古、陕西、甘肃、青海、宁夏、新疆六省。由于西藏地区统计数据缺失，本文不做研究。高技术产业相关数据来源于2013～2017年《中国高技术产业统计年鉴》，其他数据资料主要摘自《中国金融统计年鉴》《中国科技统计年鉴》《中国分省企业经营环境指数报告》和国家统计局网站。

四、三阶段DEA模型介绍及效率测算

（一）三阶段DEA模型介绍

第一阶段：对原始投入产出变量进行 DEA 效率测算。数据包络分析法（Date Envelopment Analysis）简称DEA，该模型的原理是借助于数学规划和统计数据构建相对有效的生产前沿面，然后通过每个决策单元偏离生产边界的程度来评估它们的相对有效性。一般假定规模报酬可变生成BCC模型，可评估技术有效和规模有效，计算公式：SE=TE/PTE。

第二阶段：利用SFA回归模型对投入松弛进行分析。本文选择投入导向视角，分离出环境因素、随机干扰项及管理无效率，为第三阶段的测算做铺垫。假设决策单元有 m 个投入松弛变量，SFA可以表述为：

其中，sij表示第j个决策单元的第i种投入松弛，ej=（e1j，e2j，……， eij）表示k个环境变量;βi表示环境zj变量系数;f（zj;βi）表示环境变量对投入冗余的影响;vij+uij表示混合误差。

第三阶段：剔除环境因素、随机误差项的影响，即把所有样本都置于同一外部环境下，将调整后的投入再次代入模型。具体做法是，利用经过SFA回归模型对调整过的Xij和原始产出变量重新进行效率测算，效率值相比第一阶段更加精确。

（二）第一阶段DEA分析

利用 DEAP2.1效率分析软件处理得到“一带一路”区域17个省市的科技金融总效率及其分解效率，在此仅列出平均值。

由表4可知，在不考虑外部环境因素影响的情况下，由于样本区域17个省市差距悬殊，科技金融效率平均值为0.707。其中东南板块的上海、浙江、广东三省，东北板块的黑龙江省及西北板块的陕西省、青海省科技金融效率值为1，说明这6个省市科技金融的投入与产出处于相对均衡状态，科技金融资源配置较科学合理。全样本区域纯技术效率的平均值为0.781，其中有8个省市的纯技术效率值为1，包括综合技术无效的海南、甘肃两个省市;全区域规模效率的平均值0.901，综合效率处于有效状态的6个省市规模效率均有效，除内蒙古外，其他省市均规模效率无效。由此可得出，纯技术效率是造成科技金融效率低下的主要原因[17]。

（三）第二阶段SFA回归分析

由于区域地理资源、历史文化等不同，环境因素对各区域科技金融综合效率的影响存在差异。在第一阶段 DEA 分析中，环境因素干扰了效率的准确性。故利用 Frontier 4.1 软件，将第一阶段产生的投入变量的松弛值作为被解释变量，将科研氛围、政府支持力度、对外开放程度及地方经济发展水平作为环境变量进行随机前沿分析。通过表5结果可以看出环境因素对投入变量得冗余值有显著影响，即环境优越的地区效率值可能会被高估，反之环境条件较差的地区效率值存在被低估的可能性。下面对各个环境变量进行具体分析：

第一，科研氛围。SFA回归结果表明，该指标与各项科技金融投入的冗余变量均顯著负相关，即良好的科研氛围可以提高科技金融效率，加快科技金融成果转化，此结论与理论预期相符合。

第二，政府支持力度。研究结果发现政府支持力度与科技金融投入松弛值呈正向关系，究其原因可能是科技金融作为一种市场化行为，政府财政拨款在一定程度上助长了事业单位科技产出的低效率[18]，而真正提高科技创新水平特别是促进其产业化的却是企业，故政府财政支持对科技金融效率的影响和预期相违背。

第三，对外开放程度。该指标与各种金融投入的冗余变量负相关，即地方对外开放度可以提高科技金融效率。基于对外开放程度的提高，国外先进技术不断引进国内，促进科研成果转化，技术水平不断提高。表明在社会的不断进步中，对完开放程度对地方科技金融的影响力有效增加。

第四，地方经济发展水平。研究发现该指标与地方科技金融投入松弛值呈正向关系，主要原因在于该指标选取不当，由于历史遗留问题，我国经济贫富差距较大，东西部不断拉开的发展速度，贫富两极分化趋势加剧，人均GDP已经不能真正反应一个地区的经济发展水平。

（四）第三阶段DEA分析

为排除环境因素的影响，根据第二阶段SFA回归结果对原始科技金融投入指标进行调整，之后再次进行DEA效率测算，以得到更真实的效率水平，结果如表4所示。整体来看，第三阶段各省市科技金融效率与第一阶段相比存在较大差异。第三阶段全样本区域综合效率平均值仅为0.542，纯技术效率和规模效率均值分别为0.884、0.587。第三阶段由于规模效率的显著下降，造成科技金融效率整体下降，而纯技术效率呈小幅增长。经过调整，综合效率均值降低16.5%，纯技术效率均值上升10.3%，规模效率均值下降31.4%，这说明规模效率较低才是导致综合效率低下的主要根源，并非第一阶段结果分析中的纯技术效率。

以17个省市纯技术效率值为横轴，以规模效率值为纵轴绘制散点图，如图1所示。不难发现“一带一路”沿线各省市科技金融效率差异较大，位于右上第 I 象限的省市已经全部达到了生产前沿面，该象限共有8 个省份占样本整体29.4%;位于右下第 II 象限省市拥有较高的纯技术效率，其数量占样本整体的47.1%;位于图1 左上第III 象限省区的规模效率较高，仅有辽宁1个省份占据样本整体5.9%;左下角第IV 象限的广西、云南、新疆，规模效率及纯技术效率均存在提高空间，3个省份占样本整体17.6%。由此可看出，大部分省市科技金融的纯技术效率大于规模效率，表明科技金融投入接近生产前沿面，但是规模效率的提高任重而道远。

由图2和图3可看出，东南板块技术效率处于绝对优势状态，即使其综合效率平均值从第一阶段的0.880下降至第三阶段的0.752，但其在4个板块中仍居首位，纯技术效率保持平稳，规模效率从0.912下降到0.756。具体到各省市来看，上海、浙江、广东三省市仍然处于生产前沿面，福建、海南综合效率均出现下滑，尤其海南省下降51%，下降幅度在17个省市中位居第二。究其原因可能是东南板块具有独特的地理位置优势，海南省作为特殊区位城市同样如此，对外开放程度较高，另外上海作为我国的金融中心，对周围省市具有辐射作用。所以将各省市置于相同环境条件下时，东南板块科技金融效率出现明显下降。

东北板块综合效率次之，平均值从0.724下降至0.665，纯技术效率平均值从0.729上升至0.890，规模效率从0.992下降到0.764，从整体来看，在4个板块中受环境因素影响最小。其中，辽宁省是唯一1个调整后综合效率上升的省份，说明辽宁省科技金融效率被环境所限制，应完善其金融市场的管理并提高对外开放水平。相反，黑龙江省经调整之后离开生产前沿面，黑龙江省聚集了较多的科研机构，金融业发展势头迅猛，科技金融效率确实受到环境的影响。吉林省在一、三阶段综合技术效率值均处于较低水平，调整后纯技术效率达到最优水平，规模效率出现大幅度下滑，达到50.7%。意味着吉林省科技金融投入未得到充分利用，其改革的重点在于如何更好地发挥其规模效益。

西南板块综合效率第三，平均值从0.558下降至0.372，纯技术效率得分从0.623上升至0.747，规模效率下降最为明显，从0.871降至0.438。重庆市经调整后纯技术效率已达到最优水平，而广西、云南两省市管理制度和技术水平受到环境因素的影响尚需优化;云南省规模效率仅为0.244，实际规模与最优规模存在较大差距。

西北板块在4个板块中排名最后，综合技术得分的下降幅度也是最大的，达到28.7%。其中第一阶段处于生产前沿面的青海省，第三阶段综合效率仅为0.261，是17个省市中下降幅度最大的省份，陕西省综合技术效率仍处于最优状态，内蒙古、甘肃、宁夏、新疆分别下降2.4%、44%、25.7%、26%。纯技术效率上升9.8%，规模效率下降43.9%。甘肃省在排除环境因素和随机干扰后，规模效应由递减状态转换为递增。通过对比纯技术效率和规模效率得分可以看出，东南板块、东北板块、西南板块科技金融的纯技术效率分别高于规模效率23.9%、12.4%、30.9%，西北板块两者的差距更是达到51.4%。进一步表明西北板块省市科技金融资源利用效率虽有提高，但是现有科技产业距离形成规模效应还需经过一段漫长的过程。

五、Tobit模型介绍及影响因素分析

由上文的实证结果显示，在当今科技金融投入、产出均处于上升的趋势下，是什么因素导致了“一带一路”沿线省市科技金融效率的差距？本文欲在DEA第三阶段测算结果基础上进一步建立 Tobit 模型，探究影响科技金融效率的具体因素。

Tobit模型最初由经济学家 Tobin 在研究被解释变量具有上、下限和极值问题时提出，Heckman于1974年用该模型研究女性工资高低的影响因素，既而 Tobit 模型受到学者们的青睐，被广泛应用于研究受限因变量的问题。本文基于DEA三阶段的研究，得到的效率值都介于0和1之间，选用Tobit模型合理[19]。以第三阶段得到的效率值作为被解释变量，引入上述6个解释变量，利用Stata 12软件进行回归，结果如表6所示：

由表6的回归结果可知，高技术总产值占比（Z1）、R&D 经费投入强度（Z2）、地方法制化水平（Z4）、地方专利授权数量占比（Z6）4个指标与金融科技效率呈显著正相关，可以得出当上述4个变量分别提高 1% 时，科技金融效率分别增加 0.376%、1.785%、0.235%、0.380%;政府财政科技支出占比（Z3）对科技金融效率存在负向影响，财政科技支出占比每增加 1%，科技金融效率降低0.244%;地方各项贷款余额占比（Z5）与科技金融效率呈不显著关系，无法判定其能否提高科技金融效率。

回归结果表明：第一，高技术产业的规模（Z1）、企业对科研的资金支持力度（Z2）、地区法制化水平（Z4）、技术创新程度（Z6）与科技金融效率呈显著正相关，其中影响程度排序为R&D经费投入>高技术产业总产值占比>技术创新程度> 地方法制化水平，意味着科技发展程度是促进科技金融效率提高的首要因素，这与李林汉等学者的实证研究结果不谋而合。第二，政府财政科研支持度（Z3）对于科技金融效率存在消极作用，实证结果与原假设相悖，这说明单纯的依赖政府投入不能提升科技金融效率，科技产业吸收能力跟不上经费投入速度，这种情况下容易造成科技投入的冗余，而政府也缺乏对所扶助项目的后续跟进、管理和监督，这与上文中SFA回归结果吻合。第三，地区金融市场发展程度（Z5）与科技金融效率之间关系不显著，这主要是因为目前的金融市场仍不完善，未能把资金恰到好处的投入到中小型科技企业中，资本市场的资源配置功能亟需优化。

六、研究结论及政策建议

本文基于科技金融投入、产出指标，选取环境指标作为控制变量，运用三阶段DEA-Tobit 模型对我国“一带一路”区域2012～2016年的科技金融效率进行测算并分析其影响因素，研究结果表明：

第一，科技金融效率的地域差异明显，东南板块大部分省市均处于生产前沿面，西北板块（除陕西外）效率呈现强无效状态，但具有上升空间。第二，剔除运行外部环境及随机干扰的影响后，各省市科技金融效率与第一阶段相比显著下降，同时发现规模效率是造成综合效率低下的主要根源，并非第一阶段结果分析中的纯技术效率[20]。第三，高技术产业的规模、企业对科研的资金支持力度、地区法制化水平、技术创新程度对科技金融效率呈显著正相关，政府财政科研支持度对于科技金融效率存在负向作用。

综上所述，提出如下政策建议：第一，从上述回归分析得出，我国“一带一路”区域的科技金融效率相差较大，各板块应实施有针对性的、促进区域间协调的科技金融差异化发展战略;利用“一带一路”倡议互联互通的优势，由东南板块地区带动其他几个板块科技金融共同进步。第二，优化规模效率。调整科技企业、科研机构的数量，节约投资成本，提高科技金融投资效率，优化科技产业规模，力争尽早实现规模效益。第三，高技术产业的规模、企业对科研的资金支持力度对科技金融效率影响程度较大，因此，应加强高技术产业R&D经费的投入力度，完善经费投入的体系，对重大项目予以更多的经济支持，在宏观上保障科技拨款行为，为高技术产业的发展营造良好的科研经费投入氛围。第四，政府财政科技支出占财政总支出的比重与科技金融效率呈显著负相关关系，说明政府的财政科研资金投入没有全部落到实处，存在资源浪费的问题。政府应加强对扶持企业、项目资金使用情况的后续跟进管理、监督，均衡分配政府财政科技资源，改变过去只关照重点科技企业的行为，优化政府财政科技资金配置，扶持具有发展潜力的中小科技企业，把政府对“一带一路”倡议的扶持落到实处。第五，提高区域法制化水平，保障科技金融市场有序运营。当今经济迈入新常态，各板塊更需推进、加强法制建设，制定完善的法律规范体系、严密的监督体系，保证法律的高效实施，从而实现公平、公开、公正的市场竞争。第六，鼓励科技创新。首先，企业应培养和引进高科技人才，建立合理的薪酬激励体系，营造良好的实体工作环境，构建产学研合作平台，为他们提供海外留学机会，达到工作与生活的平衡。其次，要对接好科技创新理论与实践。在注重理论丰富性的同时，还要注重实践，将科技创新理论运用到具体科技产品上，以达到推动科技进步的真正目的。

收稿日期：2018-12-06

网络出版网址：http：//kns.cnki.net/kcms/detail/13.1356.f.20190111.0913.002.html 网络出版时间：2019-01-14 16：20：14

基金项目：国家社会科学基金项目（15AGL011）;江苏省软科学研究计划项目（BR2015046）。

作者简介：童纪新（1964-），男，浙江金华人，博士，河海大学商学院教授，研究方向为技术经济及管理研究;曹越美（1994-），女，江苏南通人，河海大学商学院硕士研究生，研究方向为东西部及沿海地区经济发展。

[参考文献]

[1] 赵丹妮.“一带一路”创新驱动科技金融“试验田”运行模式研究[J].科学管理研究，2015，33（4）：110-112.

[2] 曹颢，尤建新，卢锐，等.我国科技金融发展指数实证研究[J].中国管理科学，2011（3）：134-140.

[3] 肇启伟，付剑峰，刘洪江.科技金融中的关键问题——中国科技金融2014年会综述[J].管理世界，2015（3）：164-167.

[4] KING R G，LEVINE R. Finance and growth：schumpeter might be right[J]. The quarterly journal of economics，1993，108（3）：717-737.

[5] LEVINE R. Financial development and economic growth：views and agenda[J]. Journal of economic literature，1997，35（2）：688-726.

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

[7] 杜金岷，梁岭，吕寒.金融发展促进科技成果产业化的区域异质性研究[J].华南师范大学学报（社会科学版），2017（6）：109-115，191.

[8] 陆燕春，朋振江.我国科技金融理论研究综述[J].科技进步与对策，2013，30（16）：156-160.

[9] 肖维.对黄石市科技金融发展路径的调查与思考——基于武汉城市圈副中心视角[J].武汉金融，2017（7）：72-74.

[10] 徐玉莲，王玉冬.区域科技金融资金的配置效率研究[J].科学管理研究，2015，33（2）：93-96.

[11] 杜金岷，梁岭，吕寒. 中国区域科技金融效率研究——基于三阶段 DEA 模型分析[J].金融经济学研究，2016，31（6）：84-93.

[12] 张明龙.我国金融支持科技创新的效率评价：基于超效率DEA与Malmquist指数方法[J].金融发展研究，2015（6）：18-25.

[13] 徐玉莲，赵文洋，张涛.科技金融成熟度评价指标体系构建与应用[J].科技进步与对策，2017，34（11）：118-124.

[14] 李林汉，王宏艳，田卫民.基于三阶段DEA-Tobit模型的省际科技金融效率及其影响因素研究[J].科技管理研究，2018，38（2）：231-238.

[15] 樊纲.克服信贷萎缩与银行体系改革——1998年宏观经济形势分析与1999年展望[J].经济研究，1999（1）：5-10，54.

[16] 芦锋，韩尚容.我国科技金融对科技创新的影响研究——基于面板模型的分析[J].中国软科学，2015（6）：139-147.

[17]陈敏，李建民.金融中介对我国区域科技创新效率的影响研究——基于随机前沿的距离函数模型[J].中国科技论坛，2012（11）：85-90.

[18] 张元萍，刘泽东. 金融发展与技术创新的良性互动：理论与实证[J].中南财经政法大学学报，2012（2）：67-73，92，143-144.