基于DEA-Malmquist模型的皖北城市科技金融效率测度及差异分析

王辛

摘要：在我国经济发展进行转型进入新常态的背景下，科技和金融的有机融合实际上是生产力与竞争力的结合，党的十九届五中全会上强调，把科技自立自强作为国家发展的战略支撑，并把完善科技创新体制机制作为坚持创新驱动发展、全面塑造发展新优秀的重要内容。本文以皖北地区为研究对象，选取2015-2019年间的科技金融投入产出指标，采用DEA-BCC和DEA-Malmquist指数模型从个体静态和整体动态对皖北地区城市的科技金融效率进行测度实证分析，研究皖北城市科技金融发展效率和差异，针对性地提出皖北城市科技金融发展的意见和建议，推进皖北地区落实国家科技金融发展的战略。

关键词：DEA-Malmquist模型;市科技金融; 效率;影响因素

中图分类号：G642      文献标识码：A

文章编号：1009-3044（2021）25-0151-02

1 文献综述

和国外相比，国内对科技金融的研究相对较晚，且研究角度不尽相同，国外主要是以某一特定金融要素为出发点，研究其对金融发展的影响，而国内对科技金融的研究相对较晚，主要是侧重科技金融政策和体系等宏观分析。在研究方法上，郭昕昕（2019）采用DEA-Tobit模型测算河南省18个地市在2008-2017年的科技金融投入产出效率，并对其整体变化趋势和差异进行分析，得到政府支持、金融市场发展程度、科技创新水平等对金融投入产出效率有显著影响。熊康（2020）采用三阶段DEA模型对2010-2018年的安徽省各地级市的科技金融效率水平进行实证分析，得出整体水平不高、区域差异较大，受高新技术产业规模、政府支持力度、金融发展程度等因素影响等结论。

2 模型构建

2.1 指标选取

本文将科技金融效率指标的构成分为投入变量和产出变量，选取社会研究与试验发展（R&D）经费支出、社会研究与试验发展（R&D）人员当时全量和财政科技支出占地方财政支出的比重等3项作为投入变量指标，选取国内专利申请授权数、高技术产业产值技术市场成交合同额等2项作为产出变量指标，构成了皖北城市科技金融发展效率指标。

2.2 模型建立

（1） DEA模型

DEA-BCC模型是对多种投入、多种产出情况下进行测度其效率最常用的方法，以线性规划和统计数据确定相对有效的生产前沿面，通过比较评价单位偏离前沿面的程度评价其有效性。假设向量[Xi]投入向量，[Yi]为产出向量，将约束条件[λi=1]构建模型：

N表示决策单元的数量，[λi]表示各单位组合系统，[s-]、[s+]表示松弛变量，[θ]表示效率评价值。通过对[θ]、[s-]、[s+]的值判断决策单位DEA是否效率，并根据有无效率确定有否需要对投入产出变量进行调整。

（2） DEA-Malmquist模型

DEA理论方法与Malmquist指数有机结合可以对评价单元的效率变动进行动态分析，以T和T+1两个时间序列为参照的Malmquist生产率指数公式如下：

3 实证分析

本文根据DEAP2.0软件，对皖北地区在2015-2019年六个地市的科技金融效率进行个体静态测算和整体动态测算，具体分析结果如下：

3.1 个体静态分析

对皖北地区六市在2015-2019年五年期间的科技金融静态效率进行测度，测度的指标包括规模效率值（SE）、纯技术效率值（PTE）和综合效率值（TE），另外，RS代表规模报酬情况（其中irs代表规模报酬递增，drs代表规模报酬递减，-代表规模报酬不变），具体结果如下表：

从综合效率值（TE）可以看出，皖北地区科技金融效率总体处于相对有效的状态，但未达到最优状态，且存在明显的区域差异，表现为各地的不均衡性，在2015-2019年期间，阜阳市科技金融综合效率值均为1，且其规模报酬几近每年为递增状态，说明阜阳市实现科技金融的投入产出最优化，即DEA有效，该地能将金融资源与科技创新有效结合;淮南市、蚌埠市在大部分时间的综合效率值为1，且其规模报酬几近每年都不变，说明两地的科技金融的配置未在既定的投入下实现产出最大化，即DEA弱有效，需要对其投入进行调整;淮北市、蚌埠市、宿州市的综合技术效率在大部分时间内都小于1，即DEA无效，三地的科技金融效率发展不稳定，时而上升时而下降的态势，需要对科技金融的投入进行有效的调整。

从分解值可以看出，蚌埠市的纯技术效率值（PTE）呈下降趋势，而规模效率值（SE）却呈上升趋势，这说明其纯技术效率不高，应注重提升技术改进，加强科技管理水平，宿州市的纯技术效率值（PTE）水平较高，而规模效率值表现不稳定，这说明其科技金融的投入力度不够，应加大对科技金融的投入，实现规模经济。

3.2 整体动态分析

根据DEA-Malmquist模型对皖北地区六市在2015-2019年五年期间的科技金融动态效率进行测度，测度的指标包括全要素生产率变动指数值（tfpch）、技术效率变化指数值（effch）、技术变化指数值（techch），具体实证结果如下表：

DEA-Malmquist指数主要测度的是各决策单元全要素生产率变动指数值，即tfpch值，由上表可以看出，皖北地区在2015-2019年的科技金融的全要求生产率整体呈上升-下降的发展趋势，在2015-1017年，皖北地区其指数均大于1，说明在此期间皖北地区的全要素生产效率整体处于较高的水平，但2018-2019年皖北地區其指数小于1，说明皖北地区该期间较上年度发生较大的变动，其科技金融投入产出效率呈现负增长，从各城市的表现来看，在2015-2016年期间，淮北市的全要素生产率变动值为1.815，在2016-2017年期间，蚌埠市的全要素生产率变动值为1.748，这说明两市整体促进了当期皖北地区的正增长，反映该时期两地的科技金融支持科技创新力效应较大;另外，DEA-Malmquist指数可分解为技术效率变化指数值（effch）和技术变化指数值（techch），从分解指数来看，皖北地区的技术效率变化指数（effch）变化相对较小，均在1上下浮动，说明该段期间内皖北地区的技术效率比较稳定，而技术变化指数值（techch）的变化不稳定，且各市之间相差较大，说明区域内差异化严重，有的城市技术创新不足，未能有效推动高新技术产业快速发展。

4 政策建议

基于上述实证结果，结合各城市的现实情况，提出如下政策建议：一是完善科技金融政策体系，各地高新企业的融资渠道以政府的财政支出、减免部分高新企业税收等方式为主，支持方式较为单一，应从完善科技金融政策体系、增加金融配套服务、建立科技金融综合服务平台，将服务形式多样化，从创业指导、产权保护、信用中介等方面对企业进行直接支持，加强银行类金融机构对企业科技贷款产品的创新、风险投资促进科技创新项目的研发等可间接带给初创企业以资金支持;二是提高对科技人才引进的力度，科技企业要想在众多企业在突出重围，核心技术是关键，而人才也是不可缺少的要素，目前皖北地区的科技人员数量并不具备优势，应加大对高科技人才的引进力度，通过产学研融合加大与应用型高校的合作，鼓励高层次人才投入到科技研发工作中，并提升人才待遇，切实从根本上留住人才，提升企业的核心竞争力。

参考文献：

[1] 熊康.安徽省科技金融效率及其影响因素研究[D].蚌埠：安徽财经大学，2020.

[2] 郭昕昕.河南省科技金融投入产出效率及影响因素研究[D].开封：河南大学，2019.

[3] 邵立杰.河南省科技金融效率及影响因素分析——基于DEA-Tobit模型[J].福建商学院学报，2019（2）：33-39.

[4] 尚小琳.山东省科技金融发展的影响因素研究——基于省际比较的视角[D].济南：齐鲁工业大学，2020.

[5] 孙忠艳.我国区域科技金融效率及影响因素实证研究——以京津冀、长三角与珠三角为例[D].保定：河北金融学院，2020.

【通联编辑：李雅琪】