基于DEA-Malmquist 模型的科技金融结合效率评价——以安徽省为例

文/义旭东 宋丁丁（西华大学经济学院）

一、引言

新一轮全球科技革命和产业革命中，各国均在大力发展科技基础研究，增强科技竞争力。国务院等多部门出台了一系列政策文件，如《国家创新驱动发展战略纲要》《“十三五”国家科技创新规划》等，为科技与金融的融合发展提供了扎实的制度基础和良好的创新环境。长三角地区是我国经济最具活力、开放程度最高、创新能力最强的区域之一，主要包括上海、浙江、江苏、安徽三省一市。2019年，国务院颁发《长江三角洲区域一体化发展规划纲要》，要求各地区结合实际贯彻实施协同合作发展。安徽省是长三角地区经济发展水平最低的省份，科技金融结合发展水平也落后于其他省市[1]。同时，从科技金融投入产出数据来看，安徽省科技金融输入规模在不断扩大，研究与试验发展（R&D）经费投入由2009 年的37.47亿元增加到2018 年的294.81 亿元，2019 年金融机构人民币各项贷款余额44289.3 亿元，比上年末增加5301.9 亿元。科技成果产出也在不断增大，2019 年高新技术企业6636 家，比上年净增1233 家；2019 年申请专利16.7 万件，授权专利8.25 万件、比2018 年多0.28 万件。安徽省的科技创新资源较为丰富，但科技成果转化效果却不是太理想，因此，提升科技金融结合发展水平迫在眉睫。

在科技金融相关文献分析中，科技金融效率测算方法主要分为参数法与非参数法。前者是以随机前沿分析（SFA）为测算方法，如时奇等[2]运用SFA 模型评价了福建省16 年间科技金融发展效率；赵文洋等[3]运用SFA 方法分析科技金融结构对科技创新效率的影响，发现资本市场筹资额与科技创新效率呈正相关关系。后者是以数据包络分析（DEA）为主要测量工具，如胡丽娜[4]、陈非等[5]、刘立霞[6]、贺丽丽[7]等许多学者运用DEA-Malmquist 方法对全国范围或某一区域、城市的科技金融发展效率进行静态、动态两视角评价。还有些学者运用扩展后的DEA 方法评价各区域科技金融效率，如杜金岷等[8]运用三阶段DEA 方法分析全国区域科技创新效率，发现仅有7 个省份达到生产前沿面。也有些使用DEA-Tobit 测量方法，如邵立杰[9]、张倩霞等[10]先运用DEA 方法衡量区域科技金融效率，随后运用Tobit 模型分析影响科技金融结合效率发展水平的因素。

通过梳理相关文献发现，关于科技金融结合效率的研究成果颇多，但还存在可提升的空间，如采取更为合理的评价指标、评价方法等，同时有关安徽省科技金融结合效率的研究较少。因此，本文选取安徽省2009—2018 年以及安徽省16 地市2016—2018 年的数据，运用DEA-Malmquist方法评价其科技金融结合效率发展水平，对其差异化进行比较分析并提出相应的建议。

二、研究方法与数据说明

1.研究方法

（1）DEA 模型。数据包络分析（DEA） 是通过计算各决策单元（DMU）到生产前沿面距离的远近，判断效率的高低，有利于对同类型的决策单元的效率进行评价。DEA 能测度多对投入产出之间的效率且不需要已知生产前沿函数的具体形式。DEA模型分为规模收益不变假定的DEA-CCR 模型和规模收益可变假定的DEA-BCC 模型。用CCR 模型计算出安徽省科技金融综合技术效率（TE），效率值的高低表示服务于科技的金融资金运用效率的高低。BCC 模型输出的效率值分别为综合技术效率（TE）、纯技术效率（PTE）和规模效率（SE），其数值介于0 和1 之间，且TE=PTE·SE。DEA-BCC 模型的公式为：

式中，j=1,2，……，n为决策单元；Xj和Yj表示输入和输出向量，θ为相对效率，λ为向量参数，S-为输入项的差额变量，S+为输出项的差额变量。当θ=1 且S-=0，S+=0 时，决策单元处于有效状态；当θ=1 且S-≠0，S+≠0时，决策单元处于弱有效；当θ＜1时，决策单元处于无效状态。

（2）Malmquist 分析法。BCC 模型是从静态角度分析科技金融效率水平，无法实现决策单元的跨期对比。Malmquist 指数模型是以相邻两个决策单元为参照，对数据进行跨期处理比较。Dt（xt，yt）、Dt（xt+1，yt+1）分别表示以第t时期的技术前沿为参照下，第t时期与第t+1 时期生产点的距离函数。Dt+1（xt+1，yt+1）、Dt+1（xt，yt）分别表示第t时期和第t+1 时期生产点在第t+1时期技术前沿的距离函数。且M 指数分解为技术效率变化指数（effch）和技术进步指数（techch），而技术效率变化指数又分解为纯技术效率指数（pech）与规模效率变化指数（sech）。

当M＞1 时，说明DMU 从第t期到第t+1 期的生产效率上升，反之则下降。而当pech＞1 时，说明是由于管理能力提升导致效率提高，反之则是由于管理水平下降导致效率下降。当sech＞1 时，说明边际报酬接近规模最优状态，sech＜1 说明边际报酬远离规模报酬。techch＞1 时，说明技术进步，反之则表示技术衰退。

2.指标选取及数据来源

科技金融效率是指在一定的生产要素下，金融资本的投入所带来的科技成果产出的情况。对科技金融效率的评价包含金融投入和科技产出两个方面。在遵循准确性、合理性、可选取性和科学性等原则上，结合安徽省的实际情况，从金融投入和科技产出两个方面选取指标构建安徽省科技金融融合效率评价指标体系。运用DEA 模型评价安徽省2009—2018 年的科技金融效率，其中涉及两项输入指标和两项输出指标，见表1。各指标来源于2010—2019 年的《安徽省统计年鉴》及各地市统计公报。

在参考已有研究的基础上，本文从财力与人力两个角度选取科技金融投入指标，即R&D 内部经费支出、R&D 人员折合全时当量，见表1。R&D 内部经费支出是指企事业单位在内部开展研究与试验发展活动的实际支出，是反映科技金融财力投入的重要指标；R&D 人员折合全时当量是国际上通用的、用于比较科技人力投入的指标，是指R&D 全时人员工作量与非全时人员按实际工作时间折算的工作量之和。

表1 科技金融效率评价指标

同时，本文从知识产权、商业化两个视角选取专利授权数、高新技术产业新产品销售收入作为科技产出指标。专利授权数是指报告期内由专利行政部门授予专利权的件数，是发明、实用新颖、外观设计三种专利授权数的总和，是反应地区科技知识产权成果的重要指标；新产品销售收入是科技成果产业化经济效益的重要体现。

3.相关性分析

运用DEA 模型对效率进行测算时，要保证投入与产出之间存在正相关关系。因此，运用stata 软件对科技金融投入与产出的指标进行相关性检验，结果显示各指标之间的相关系数均为正值，且其概率值均小于0.01，即说明在1%的显著水平下，安徽省各项投入与产出指标的相关关系显著，均为正相关。各项输入与输出指标之间的相关系数均大于0.9，属于高度相关。因此，安徽省的科技金融结合效率评价指标是有效的，适用于DEA 方法。

三、实证结果

1.2010—2018 年科技金融结合效率评价

根据安徽省的科技金融投入与产出评价指标，运用Deap2.1 软件对2010—2018 年的科技金融投入产出效率值进行评价分析。安徽省2010—2018 年科技金融相对效率的分析结果见表2。

从表2 可知，在这10 年期间，安徽省的综合效率均值为0.917，处于相对有效状态。只要稍加调整即可达到有效状态。其中，2013 和2015 年处于相对有效状态，2009、2010 与2014年的综合效率值低于0.9，处于DEA无效状态，其余年份均处于DEA 有效状态。因此，从整体来看，技术效率还是呈现平稳上升的趋势。从纯技术效率来看，安徽省纯技术效率均值为0.987，处于DEA 相对有效状态。除了2013 与2014 年的纯技术效率处于0～1，余下8 年的纯技术效率均为1。从规模效率来看，安徽省的规模效率均值大于0.9，处于相对有效状态。其中，2009 年和2010 年的规模效率值小于0.8，处于无效状态，而2013—2015 年的规模效率处于相对有效状态。从未达到有效状态的年份来看，即2009、2010 年，综合效率和规模效率均处于无效状态，而纯技术效率处于有效状态，也就是说这两年综合效率处于无效状态主要是由于规模因素所导致的，应调整科技金融投入产出规模，达到资源结构合理有效。从所处的规模报酬阶段来看，2009、2010 年处于规模报酬递增状态，即说明安徽省应增大科技金融投入，从而获取更大规模的科技产出；而2013—2015 年，这三年出现规模报酬递减的现象，即说明安徽省科技金融的投入规模未得到相应规模的科技产出。其余年份均处于规模报酬不变阶段，处于整体有效的状态。

表2 2010—2018 年安徽省科技金融效率值

2. 安徽省16 个地市的科技金融效率评价

（1）综合效率：众所周知，安徽省16 个地市的经济发展水平并不平衡，因此安徽省科技金融的整体效率有可能受到16 个地市科技金融效率的影响。本文对2016—2018 年安徽省16 个地市科技金融的综合效率进行测算，结果见表3。

表3 各地市2016—2018 年综合效率

由表3 可知，2016—2017 年的综合效率是处于上升状态，2017—2018年是递减的。2016 年，仅有蚌埠市与池州市的综合效率处于有效状态，即一定规模的科技金融投入带来了最大规模的产出水平。2017 年有4 个城市的科技金融的综合效率达到DEA有效状态，即阜阳市、滁州市、六安市与池州市，且还有亳州市处于相对有效状态。2018 年有3 个城市的科技金融发展效率处于有效状态，分别是阜阳市、六安市和铜陵市。三年间，淮北市、宿州市、阜阳市、六安市、铜陵市、黄山市综合效率呈现上升趋势；合肥市、亳州市、淮南市、滁州市、芜湖市、安庆市综合效率呈现先升后降的现象。此外，蚌埠市、马鞍山市和宣城市的综合效率一直处于下降的状态。

（2）纯技术效率：各地市2016—2018 年纯技术效率见表4。由表4 可知，在2016—2018 年，纯技术效率呈现不断上升的趋势，且2017、2018 年纯技术效率均值位于0.8 以上，说明纯技术效率较高。具体来看，2016 年仅有3 个地市处于有效状态，分别是合肥市、蚌埠市与池州市。2017 年处于有效状态的地市较前一年增加了4个，且铜陵市与安庆市处于相对有效状态。2018 年全省有一半地市的纯技术效率位于生产前沿面。除了合肥市与池州市始终处于有效状态，阜阳市、滁州市、六安市、芜湖市、铜陵市、黄山市的纯技术效率均处于上升阶段，且处于有效状态。淮北市和宿州市处于先降后升的状态。相反，亳州市、淮南市、马鞍山市、安庆市呈现先升后降的现象。此外，蚌埠市和宣城市的纯技术效率一直处于下降阶段。

表4 各地市2016—2018 年纯技术效率

（3）规模效率：各地市2016—2018 年规模效率见表5。由表5 可知，整体来说，规模效率的变化趋势等同于综合效率。2016—2018 年，规模效率呈现先增加后下降的趋势。具体来说，2016 年规模效率有效的城市只有蚌埠市与池州市，处于相对有效状态的有淮南市与马鞍山市。2017 年规模效率处于有效状态的城市与综合效率相同，且处于相对有效状态的城市有6 个，分别为淮北市、宿州市、亳州市、铜陵市、安庆市以及黄山市。2018 年仅有淮北市、淮南市与安庆市处于相对有效状态。其中，合肥市、滁州市、芜湖市、池州市、黄山市的纯技术效率等于1，说明这些地市在技术与管理层面不存在太大的问题，其综合技术效率低的主要原因是受规模效率的影响，这说明经济发达地区的综合效率不一定就高，反而可能由于投入过多而导致效率低下，可通过调整创新资源规模达到提升科技金融效率的目的。

表5 各地市2016—2018 年规模效率

3.Malmquist 模型结果分析

采用Malmquist 指数分析法测算各年份16 地市的科技金融效率，结果见表6。M 指数大于1 说明效率上升，反之则说明效率下降。

由表6 可知，整体来看，16 地市各年的效率变动指数基本上都大于1，说明安徽省科技金融结合效率呈现上升趋势。从技术进步指数和全要素生产率来看，两者的均值都是小于1，这说明安徽省还要加大改进和提升技术研发能力，提高科技金融效率。同时，规模效率变动对综合效率的影响也较大，可通过合理调整规模结构来提升整体效率，如宿州市、滁州市、芜湖市和宣城市均可适当调整投入产出规模促进科技金融效率的提升。合肥市、芜湖市等地市的全要素生产指数大于1，科技金融效率变化指数也较高，处于上升的阶段。而蚌埠市全要素生产指数小于1，主要是由于纯技术变动指数较低造成的，因此蚌埠市要加大企业管理和技术能力提升，以此促进整体效率提升。

表6 各市Malmquist 全要素生产指数

四、结论及建议

1.主要结论

本文对安徽省2009—2018 年的科技金融效率进行评价，随后运用DEA 模型进一步分析了2016—2018年安徽省16 个地市的科技金融结合效率，研究结果如下：

（1）总体上，安徽省科技金融投入产出效率处于DEA 相对有效状态。但其地区化差异较大，部分地市级科技金融结合效率较低。科技金融投入较多的城市其科技金融效率不一定高，如近几年合肥市的综合效率处于效率不足状态，而落后于合肥市的池州市的科技金融投入产出效率却基本处于有效状态。安徽省16 个地市的Malmquist 指数小于1，且大多数地市仍需要改进和提升技术创新能力，从而提升科技金融结合效率。

（2）安徽省的综合技术效率处于先上升后下降随后又上升的发展趋势。且除了2013 和2014 年，其余年份的纯技术效率均位于生产前沿面。具体来说，2011、2012、2016—2018 年处于有效状态，即说明在当前的投入规模下能带来最大的产出量。2013、2015 年处于相对有效状态，2009、2010、2014 年处于DEA 非有效状态，投入产出要素结构不合理，且2009、2010 年的纯技术效率等于1，因此，规模因素是导致这两年科技金融效率较低的关键因素。2009、2010 年的规模报酬处于递增状态，说明安徽省应加大科技金融投入规模，从而获取最大化的科技产出。2013—2014 年的规模报酬处于递减状态，这说明安徽省的科技金融投入规模较大，但资源分配结构不合理，金融资源未得到充分的利用，存在资源浪费的现象。

（3）2016 年，仅有2 个地市达到科技金融发展效率有效状态。2017年，16 个地市中有4 个地市的科技金融资源达到有效配置，即阜阳市、滁州市、六安市和池州市，且还有1 个地市即亳州市处于科技金融相对有效状态。到2018 年只有3 个地市达到DEA 有效，即阜阳市、六安市与铜陵市。大多数地市都处于无效状态，即说明各地市之间要合理配置科技与金融资源，提高科技金融资金投入的使用效率，从而提升科技金融对地区生产总值的影响。

2.对策建议

近几年，安徽省积极响应国家政策，鼓励并支持科技企业进行技术创新，不断加大对科技创新的资金投入，其科技产出也在不断提升。但根据实证结果可知，安徽省的科技金融综合效率仅处于DEA 相对有效状态，且大部分地市还处于DEA 无效状态，安徽省科技金融发展水平还有很大的提升空间。基于以上实证结果，本文提出合理配置R&D 经费、加大科研人才队伍建设、构建产学研模式提高科技成果转化以及加快区域间科技金融的协同发展等对策建议。

（1）优化配置R&D 经费投入。科技金融结合效率的提高，关键在于合理配置现有的投入要素并提升其配置水平。因此，地方政府要合理配置科技创新资源，避免投入要素的冗余。一是优化金融资本投入方式。科技创新可凭借政府资金的投入，建立健全以市场为导向、政府为主导、企业为主体的多渠道资金投入体系，为科技创新提供充足的资金支撑。二是优化资金配置结构。一些经济欠发达地市的综合效率要高于经济发达地市，如池州市的综合效率远高于合肥市。将优质的创新资源一味地投向某一地区，会加大地区间的科技金融效率差距，而且当地区生产规模达到某一固定程度时，进一步增加科技金融投入，科技金融效率不会上升反而会下降，这不仅造成创新资源的浪费，同时也不利于促进安徽省的发展。因此，政府要监督、规范经费使用情况，保证资金的高效运用，促进各地区科技创新能力的提升。

（2）加大科研人才队伍建设。科技创新的提高离不开高端科技型人才的支持，要加快培育引入高科技人才队伍，形成具备高竞争力和发展潜力的科技人才管理体制，进而充分发挥科技创新人才的自主创造性。可通过高校等创新平台与海内外人才对接，建立并完善技术创新人才引进措施和优惠政策；加大建设长三角地区科技创新人才互通互联沟通交流机制，提高科研人才科学素养；鼓励并支持青年团体创新创业，参与相关科研项目，并为其提供科研合作交流的机会，提高国际化视野。因此，要制定高科技人才培养与引进政策，完善科研人才资源合理配置，提高科研人才奖励机制。

（3）加快产学研建设，提高科研成果转化率。由于高校和科研院所具备人才、设备、知识和技术方面的优势，企业在市场渠道与资金方面具有优势，这为二者的合作提供了可能。政府要发挥推动引领作用，通过政策导向，促使产学研各方形成合作，充分发挥高校、科研院所和高新技术企业的集聚效应，有效集成区域内创新资源。一方面，高校与科研机构可凭借其技术和知识优势进行技术创新，并将科研创新成果出售或转让给高新技术企业，或通过自己创办科技企业将科研成果转化为生产力，实现技术成果转化。另一方面，高新技术企业本身既是科技研发的主体又是生产的主体，为满足市场竞争的需要，企业一方面要提升自身的研发创新能力，另一方面根据自身研发需求，寻找高校和研究院所的技术支持、咨询与服务，实现主体之间信息知识共享以及科技成果快速转化等目的，达到优势互补、资源集中的协同效应。

（4）推动区域间科技与金融的协同发展。安徽省科技金融效率呈现明显的区域差异，因此要实行局部与整体兼顾以促进科技创新的发展。首先，促进科技金融效率高的地区先行发展。加快合芜蚌国家自主创新示范区建设，发挥示范区的引领带动作用，从而提高区域创新体系的整体效率。其次，鼓励并支持低效率地区追赶发展。科技金融效率较低的城市不仅要充分发挥科技创新资源聚集所产生的规模效应，还要合理配置科技金融资源推动技术创新的进步，进而实现科技创新效率的提升。最后，各地市要建立科技创新合作机制。安徽省各地市要以提高科技金融效率为目标，加强各地市之间的科技创新合作与交流，鼓励效率高的城市向效率低的城市进行科学技术的输出。同时，要发挥合肥市的科技创新发展优势，在建设合肥-芜湖-蚌埠科技创新示范区时，发挥其辐射和引领作用，鼓励和带动其他地区科技金融的发展，从而打造一个开放式的科技金融融合体系，实现科技创新成果在省内的自由流动和共享，推动安徽省科技金融整体效率的提高。