科技金融投入对科技型企业创新效率影响研究

张家永

摘 要：以2010-2017年长江经济带11省市科技型企业的面板数据为依据，先基于熵权的TOPSIS法预测科技创新综合水平，再构建面板数据模型实证分析科技金融支持科技型企业的创新效率.实证结果显示，短期内政府和企业科技金融投入有效提高科技创新产出效率，而金融机构投入对科技型企业创新效率较低;长江上、中、下游地区科技创新效率有所差异.政府引导资金对中游地区的科技型企业创新效率很高，企业资本和社会资本对上游和下游科技型企业的创新效率较高.最后提出政策建议.

关键词：科技金融;创新效率;科技型企业;面板模型

中图分类号：F830.573;O174.1  文献标识码：A  文章编号：1673-260X（2020）02-0025-04

在“新常态”背景下，发达国家不断增加科技金融的资金预算，优化资源配置，加强基础研究，提高新兴市场竞争力，各个新兴市场纷纷抢占科技创新的制高点.在党的十九大报告中，多次提到科技，并反复强调创新，确立了“用创新打造核心竞争力，用创新为企业发展提供空间和发展动力”.同时，科技部会同银保监会、证监会和财政部等多部门出台制定的《关于进一步推动科技型中小企业创新发展的若干意见》《科技型中小企业创业投资引导基金股权投资收入收缴暂行办法》等多个科技金融与科技创新的法律法规和政策文件，为建设科技金融体系提供了政策保障.但是在国家和政府出台的多项此类政策中，主要是围绕科技创新为中心，重点关注科技创新成果的转化过程与结果，忽略了在科技创新过程中，科技金融在资金和金融服务等方面起到的关键作用.

1 文献综述

科技金融支持科技创新方面的研究较多.Chemmanur、Fulghier（2014）认为科技创新不仅受科技资本市场和商业银行贷款的影响，还会受金融中介机构、创业风险投资和天使投资等影响[1].Liang X（2019）等人以四川省为例，用熵法和改进的垂直分散程度方法分别计算每个区域的水平和垂直分数，最后得出各区域科技创新能力[2].Viju、Willianaliur（2019）利用众多科技指标来加强企业的内部创新，并使用可视化和面板回归分析的双重方法，结果表明不同主题的科技金融投入对国家创新生态系统产生不同的影响[3].张芷若等（2018）指出我國科技金融发展水平呈“东高西低”的显著特征[4].郑磊等（2018）通过建立面板门槛模型，确立了科技金融、科技创新能力、经济发展水平三者的关系，指出只有在经济发展水平超过一个阈值时，技创新能力才能提升[5].杜江等（2017）利用SDM模型将我国科技金融对科技创新进行了测度，结果显示各地区科技创新能力呈现出明显的空间相关性[6].曹文芳（2018）利用回归分析法得出产出不同的企业，科技金融主体的投入对科技创新的影响效果不同[7].

综上，虽然学者们对科技金融与创新方面都有所研究，但是主要研究层次较为单一而且大多采取的是单一科技指标代替科技创新水平.事实上，科技金融的资源是有限的，同时加大各地区科研资金的投入不仅在短期内很难实现理想的效果，还不利于用好用活有限的金融资源配置.针对不足，本文通过建立面板数据模型，实证分析如何高效利用有限的金融资源，为合理配置长江经济带金融资源的使用效率和长江上中下游地区金融资源的倾斜力度提供参考.

2 变量选取

2.1 科技金融投入指标的选取

本文借鉴张玉喜（2015）将科技金融投入按其参与主体分别用政府、企业、金融机构、社会中介机构投入作为主要衡量指标[8].考虑到社会中介机构R&D经费内部支出数据少有网站公布且数据较难获取，这里借鉴万建香等（2016）学者的思想[9]，其认为社会资本可以作为科技创新发展的引擎，当社会资本不断积累，技术人才加速流向创新部门，促进科技创新发展.万建香学者用社会网络中的信息沟通和信息共享衡量社会资本.基于此，本文用人均营业网点服务和人均年发函件数代表社会中介机构的投入.

2.2 科技创新指标的选取

科技创新是一个综合评价指标，它是由产品的研究与开发、科技产品的转化、高新技术产业化和技术的扩散组成的一系列过程[10].国内部分学者用专利授权量作为科技创新产出.本文为了能够较为全面的评价科技创新效果和数据的可获得性，在此借鉴和瑞亚（2014）的方法，分别采用发表科技论文数、出版科技著作、专利申请数、新产品销售收入、新产品开发项目数和技术市场成交金额这六个样本指标数据进行科技创新产出效率分析[11].借鉴万程成（2018）等学者的方法，运用基于熵权的TOPSIS法对2010-2017年长江经济带11省际面板数据进行综合评价，得到最接近真实科技创新水平的唯一衡量指标[12].计算结果如表1所示.

由表1可以看出：长江经济带2010-2017年科技创新水平呈空间不均特征.浙江、江苏和上海地区科技型企业的创新产出水平较高，尤其是江苏地区的科技创新发展速度最快.位于中部地区的安徽，其科技创新综合水平大致呈逐年递增趋势，而上游经济区包含的重庆、云南和贵州的科技创新产出连续八年排名靠后且科技创新成果收效甚微.总体来看，各省市科技金融支持科技创新能力基本保持方向一致性，同时也表明在创新驱动发展战略下，科技金融对经济发展有进步意义.

3 模型构建及检验

3.1 模型的构建

其中SIi，t表示科技创新的面板数据;A表示常数项;GLSRi，t指的是政府财政科技投入面板数据，代表科技金融的公共金融部分;ESEi，t表示企业自主创业投入的面板数据，衡量科技创新过程中企业自主投入力度;TIi，t表示金融机构科技贷款，金融机构中商业银行的科技贷款的支持力度越大，表示政府支持指标越大;VCIi，t表示创业风险投资所提供的金融服务，代表科技金融投入中的市场金融部分;NSi，t表示人均网点服务量;SLNi，t表示人均年发函件数;NSi，t和SLNi，t代表社会中介机构提供的金融服务;Li，t表示R&D人员当时量，代表劳动投入部分;GHi，t表示R&D课题投入经费，i表示长江经济带的11省份（i=1，2，3……11）;t表示时间纬度（t=1，2，3……10）;μi，t表示随机扰动项.

3.2 模型的检验

3.2.1 单位根检验结果分析

在建立面板模型之前，需要检验时间序列的平稳性，防止出现伪相关现象.故进行下面的单位根检验.检验结果见表2.

由表2显示：通过一阶差分后的所以序列均在1%的水平下显著，说明一阶差分后的各变量都是平稳的，即各解釋变量都不存在单位根.综上所述，可以接受变量一阶单整I（1）过程.接下来对变量进行协整检验.

3.2.2 协整检验结果分析

由表3可以看出：DF检验和ADF检验的P值都在5%的水平下拒绝原假设，说明各变量之间存在“长期均衡关系”，因此本文用面板模型进行回归分析是合理的.

4 模型的确定及实证结果分析

4.1 静态面板模型估计

若将面板据模型定义为：

当横截面个体在不同时期的α和β都相同时，称（4）式为混合模型;当每个αi各不相同，且αi与xi，t的变化相关时，称（4）式为个体固定效应模型;当T个截面有T个不同αt，且αt与xi，t相关时，则称（4）式为时点固定效应模型;当αi为随机变量且与xi，t无关时，（4）式被称为随机效应模型.对于选择哪一种回归模型本文采用LR test（似然比检验）和Hausman检验.结果如表4所示.

由表4的检验结果显示：两种检验的P值均在1%的显著水平下拒绝随机效应模型和混合效应模型，因此，本文采用固定效应模型进行参数估计更有效.估计结果见表5.

结果可以看出：两种模型的拟合优度R2和adR2均大于0.9，说明使用固定效应模型能够较好地解释科技金融投入对科技创新效率均有所提高.但从时间固定效应和个体固定效应模型进行纵向比较上看，前者明显优于后者.因为个体固定效应模型中的NS、GH虽然通过显著性检验，但是弹性系数β1和θ的符号为负，与实际经济意义相违背;其余解释变量虽然符合经济意义但是除了GLSR、VCI以外，其余变量均不能显著解释科技创新.因此，本文详细分析时间固定效应模型的回归结果.

首先各变量的回归系数符号均为正，表明各金融主体财力、人力和信息资源投入对科技创新效率均有所正向影响，其次各变量回归系数值的数值大小不同，GLSR的回归系数最大为0.4640，ESE和NS的回归系数紧跟其后，分别为0.3261和0.4065，表明长江经济带科技金融投入对科技创新效率主要来自政府、企业和社会中介机构R&D的投入;TI和VCI的回归系数较小，表明金融机构R&D投入在对科技创新方面存在资源配置效率低下问题.因此，金融市场如何将长江经济带科技创新释放无限空间是需要解决的问题之一.

4.2 三大经济区域静态面板模型估计结果分析

现利用时间固定效应回归模型分析长江经济带下游、中游和上游三大经济区域的创新效率.静态面板回归结果如表6所示.

由表6可以看出长江经济带的上游、中游和下游区域科技金融投入对科技创新效率有明显差异.第一，下游地区各变量的回归系数较为接近长江经济带（11省市）的总体回归系数，其中政府贷款和企业自主创新的回归系数最为显著，说明政府科技资金的投入和企业自主创新给科技创新带来的效率最高，长期持续的公共金融投资可以更好发挥科技创新效果.第二，中游地区中GLSR的回归系数最大，说明政府科技计划和创新补贴成为中游地区的主要发展创新支柱.但是这也说明了中游地区创新资源投入效率不高，仍依靠于传统的科技创新投资路径，尚未激发企业和金融市场的投资活力，这在一定程度上对长江经济带产业转型升级造成消极影响.第三，上游地区的社会资本投入对科技创新存在滞后性，说明上游地区科技金融对接平台和金融信息服务平台连接效率低，需要建立有效市场信息服务体系加强上中游地区的互联网与信息技术沟通能力.第四，R&D人员当时量对科技创新的贡献度在上中下游地区呈低、中和高的方式排列，说明科技创新效率直接受地区经济发展水平影响，也间接影响科研人员流动方向，因为科研人员在经济发展水平好的地区有良好的科研环境和优质的科研待遇，随之下游吸纳了较多优秀的技术人员，但这也在某种程度上造成了人才浪费现象.

5 结论及政策建议

通过对长江经济带11省市科技型企业的面板数据进行分析，得出如下结论：（1）不同科技金融投资主体对长江经济带的科技创新产出效率影响不同.政府、企业和社会中介机构资本投入成为科技型企业创新效率的主力军.（2）长江经济带中江苏、浙江、上海、湖北四个城市的科技创新产出效率较高，说明搭建金融信息服务平台和金融中介服务平台对科技创新产出有很大影响，但是由于各省市的区域壁垒，给科技金融的有效投入带来了一定的干扰作用;（3）科技金融投入对长江上、中、下游地区科技型企业科技创新效率有所差异.政府引导资金对中游地区的科技型企业科技创新效率较高，企业资本和社会资本对上游和下游的效率较高.

根据上述研究结果，得出如下政策启示：第一，加大政府对科技型企业的投融资规模，让长江上中下游地区协同提高科技创新能力，并对科技型企业制定税收优惠政策，减轻企业负担.同时制定并实施法律法规，建立健康的经济生态环境，营造良好的市场氛围;第二，针对特定区域的科技型企业提供多样化选择，打破企业自有资金短缺的瓶颈.如建立股权众筹和民间金融服务平台，为科技型企业办理贷款和担保贷款业务，增加科技金融投入中民间资本的投入比例，并防范风险.第三，优化金融市场服务体系，针对不同区域的市场结构搭建一站式金融服务平台，重点关注多层次的资本市场，力争实现投融资平衡，并促进现有资本市场形成良好预期.同时高效匹配不同区域科技型企业的融资需求和融资效率，打通省域间科技资金配置不合理的弊端，为科技型企业提供资金保障并有效发挥促进作用.

参考文献：

〔1〕Chemmanur J.， Fulghieri P. Entrepreneurial Finance and Innovation： An Introduction and Agenda for Future Research [J]. Review of Financial Studies， 2014 （1）： 1-19.

〔2〕Liang X.， Si D.， Li Z.， Liu T. Dynamic Analysis of Regional Scientific and Technological Innovation Capacity—A Case Study in Sichuan Province [C]. Industrial Engineering and Engineering Management ，2019：315-323.

〔3〕Viju R.， Wullianallur R. Exploring science-and-technology-led innovation： a cross-country study [J]. Innovation and Entrepreneurship， 2019 （01）：1-45.

〔4〕张芷若，谷国锋.科技金融发展对中国经济增长的影响研究——基于空间计量模型的实证检验[J].财经理论与实践，2018（03）：112-118.

〔5〕郑磊，张伟科.科技金融对科技创新的非线性影响——一种U型关系[J].软科学，2018（07）：16-20.

〔6〕杜江，张伟科，范锦玲，韩科振.科技金融对科技创新影响的空间效应分析[J].科技与经济，2017（04）：19-22.

〔7〕曹文芳.科技金融支持科技创新的实证检验[J].统计与决策，2018（13）：160-163.