基于三阶段DEA模型的资源型区域科技金融效率研究

山西财经大学 侯旭辉

1 研究背景

随着我国经济进入新常态，人口红利下降，能源问题日渐突出，传统依赖高投资、高投入的经济发展模式受到挑战，转变经济发展内涵，推动以科技创新为主体的经济发展模式已是必然。科技作为推动经济增长的第一生产力，金融作为创新驱动发展的重要引擎，只有科技金融结合发展，才会带动资源型区域的高转型发展，并促进经济的高质量提升。然而，现阶段我国不同区域科技金融能力参差不齐，特别是对资源型区域来说，整体科技金融效率不高，与我国发达经济地区差距较大。因此，资源型区域如何充分利用其资源优势，提高科技金融效率成为地方政府现阶段面临的重大问题。

2 文献综述

通过阅读前人文献，发现国内学者对科技金融效率的研究大多以实证研究为主。施明康、于丽英根据2009—2015年的省际面板数据，基于DEA分析方法，测算了我国科技金融效率以及两者的协同效率，结果表明，协同效率仍有较大发展空间，且各地区差异明显[1]。庞金波等基于PP-SFA方法对我国2010-2017年科技金融投入产出的面板数据进行了实证研究，结果显示不同地区科技金融效率存在差异，而且加大地方政府财政投入有利于提高科技金融效率[2]。孙忠艳基于DEA-Malmquist测度模型，对长三角、珠三角和京津冀2009—2018年科技金融效率进行了测度，结果表明，三大经济圈效率差异明显，科技金融尚未达到高效配置[3]。马玉林等对中国30个省域2004—2017年科技金融效率进行测算，分析其动态演进过程，结果表明，样本年份以来，各省域科技金融效率逐年提高，且省域之间的差异日渐缩小[4]。

但现有关于科技金融效率的研究多集中在中国整体、省际间或者发达地区，而关于资源型区域科技金融效率的研究较少，且中国的资源型区域大多科技金融发展较慢。因此，在经济转型要求下，资源型区域如何引导金融资本加强科技金融创新，实现经济转型发展成为亟需解决的问题。

3 研究设计

3.1 三阶段DEA方法模型

DEA（数据包络分析）是由美国著名的运筹学家提出的一种非参数检验方法。DEA通过选取决策单元（DMU）的多项投入和产出数据，利用线性规划的方法，以最优投入和产出数据来形成“生产前沿面”，通过判断各个DMU是否位于生产前沿面，来判定DMU的相对有效性。而Fried将环境因素和随机噪声对决策单元效率评价的影响引入传统的DEA模型，在国内被学者称为“三阶段DEA模型”。

3.2 变量选取和数据说明

本文以2003—2017年为样本期间，选取我国14个典型的资源型省份为研究对象，分别为：山西、河北、内蒙古、河南、陕西、黑龙江、吉林、辽宁、云南、四川、新疆、安徽、甘肃和贵州。数据来源于《中国科技统计年鉴》《中国高技术产业统计年鉴》《中国统计年鉴》和各省的统计年鉴以及EPS全球统计数据分析平台。

通过阅读前人关于科技金融投入产出效率的研究文献，发现目前关于科技创新的投入和产出指标选取尚未形成统一标准。考虑到各省的现实情况以及数据的可获得性，选取高技术产业新增固定资产、R&D经费支出和R&D人员全时当量代表科技金融投入要素。针对科技创新活动的三个阶段，选择国内专利授权数量、技术市场合同成交金额和高技术产业主营业务收入作为科技金融的产出指标。为了剔除传统DEA模型中环境因素对于效率测度的影响，本文将财政科学技术支出占地方一般预算支出比例代表政府对科技的重视程度；选取人均地区生产总值衡量各地区的经济发展程度；选取进出口总额占地方生产总值比例反映各地区的对外开放程度。

将投入产出指标数据放入Stata软件中，进行相关性分析，结果如表1所示：投入指标与产出指标呈正相关关系，因此DEA效率测算结果是可靠的。

表1 科技金融投入产出指标相关性分析

4 实证分析结果

4.1 第一阶段DEA分析

第一阶段DEA效率值如表2所示。从资源型区域整体来看，不考虑环境因素的第一阶段科技金融综合效率平均值为0.8627，整体处于一个较低水平，且各省份之间效率差异比较大。而纯技术效率的均值为0.9069，规模效率的均值为0.9427，纯技术效率偏低是造成综合效率偏低的主要原因。由于第一阶段DEA分析中没有考虑环境因素与随机变量的影响，因此第一阶段只是对科技金融效率值的初步测算，与各省份真实效率水平之间可能还存在差距。

4.2 第二阶段随机前沿分析（SFA）结果

第二阶段的SFA回归的被解释变量为第一阶段DEA产生的各省份科技金融投入变量的松弛值，解释变量为政府重视程度、经济发展水平和对外开放程度三个外部环境变量。利用Frontier软件进行SFA回归，结果如表3所示。从实证结果来看，sigma平方和gamma在给定的显著性水平下显著，表明科技金融投入的冗余量受到外部环境的显著影响。

从随机前沿分析（SFA）结果整体来看，各资源型省份的科技金融效率值明显受到环境因素与随机噪声的影响。因此，有必要利用第二阶段分析结果调整第一阶段的科技金融投入变量，使各资源型地区处于相同的外部环境下，得到更加接近真实水平的效率值。

表2 2003-2017年资源型省份科技金融效率均值

表3 第二阶段随机前沿分析（SFA）结果

4.3 第三阶段DEA分析

对资源型区域科技金融投入变量进行调整，调整之后，科技金融投入产出指标再次代入DEA模型中，得到调整后的第三阶段DEA效率值，结果如表2所示。从整体来看，综合效率均值由0.8627下降为0.730，规模效率由0.9427下降为0.743，两者相比于第一阶段效率值均有大幅下降。但纯技术效率由0.9069上升为0.982，结合第一阶段DEA的结论，分析可知在剔除环境因素对真实效率的影响后，综合效率较低的主要原因是规模效率偏低，而不是第一阶段所显示的纯技术效率偏低。从规模效率的角度来看，除了辽宁、河南和四川这3个地区的规模效率在第三阶段有明显上升以外，其余11个地区的规模效率在第三阶段均有下降，表明大部分资源型地区科技金融的实际生产规模与最优生产规模差距较大，并且各地的综合效率均值偏低也是由于自身的规模效率偏低所导致。

5 结语

本文运用三阶段DEA模型对资源型省份2003—2017年的科技金融效率进行了实证分析，结果表明：第一，科技金融效率受环境因素影响较大，特别是受政府重视程度影响较大；第二，资源型省份科技金融效率普遍偏低，各省份之间差异较大，规模效率偏低带动了资源型省份科技金融效率降低；第三，从纯技术效率的角度来看，经过调整之后，除了黑龙江以外的13个地区的纯技术效率均值均有提升，而纯技术效率衡量决策单元在当前的技术条件下对投入要素的使用效率，说明在剔除了外部环境因素的影响后，大部分资源型地区对科技金融投入要素的使用效率有明显提高。因此，在科技金融发展过程中，必须加大政府支持力度，提高财政科技支出配置效率，制定合理的科技资金使用规定，并加强政府监督，促进资金的规范使用，确保政府资金有效运用于科技金融过程中。