科技金融政策、资金网络与企业创新绩效——基于潜在狄利克雷分布模型

李媛媛，陈文静，王 辉

（河北工业大学经济管理学院，天津 300401）

科技企业是技术创新活力之源，是实现技术跨越的主要力量。但由于科技企业具有高风险、低资产的特征，容易产生融资不足的市场失灵现象，新冠肺炎疫情更是加剧了科技企业发展难的问题。科技金融政策在一定程度上可以帮助企业解决用工、资金、专利保护等问题，推动科技企业安全并高质量发展。国内学者对科技金融效能已逐步重视，需要各方各面的科技金融政策共同发力，对企业的各类短板“对症下药”，才能让资金顺利达到科技领域以支持企业创新、提升科技金融效能，从而直接或间接弥补企业科技创新的不足。我国目前颁发的科技金融政策具有一定的偏向性、针对性，但不同类型科技金融政策的创新绩效存在差异，并且过度的政策支持也有可能会导致企业寻租行为等不良现象，因此对科技金融政策的绩效水平仍存在争议。目前，网络化信息技术的突破和企业组织网络化趋势的加强使得企业创新体系正从传统封闭式向开放网络化转变，资金网络描绘了企业与资金供给方之间的关系，是获取包括资金、技术等有形资源与社会支持等无形资源的重要媒介，更是共享资源的重要平台。在资金网络的支持下，企业有更充裕的资源与精力投入创新与发展，更好地满足企业在发展中的多重个性化需求。那么在科技金融政策制定和实施过程中，能否借助网络中企业与资金供给方的密切联系及其二者间的资金流动，进一步释放科技金融效能，从而提升企业创新绩效呢？我国科技金融政策研究还需从企业网络特征视角找到新的契合点，以深入挖掘科技金融政策潜力，为政策供给提供方向性引导，提高科技金融政策绩效，从而进一步激发企业创新活力。

1 文献回顾

1.1 科技金融政策的类型划分

已有文献常采用内容分析法对科技金融政策进行手动分类。有的学者根据政策支持的直接与否，将其划分为资金支持政策和公共服务政策，资金支持政策主要包括税费减免、专项补贴和政府采购政策，公共服务政策主要涉及知识产权保护和简政放权［1］。还有的学者从市场主体角度出发，将科技金融政策分为科技政策、产业政策和金融政策三大类［2］，或更具体地分为财政补贴、税收优惠、风险投资、科技信贷、科技保险、科技担保、服务平台和金融监管政策等8 类［3］。结合大数据分析方法对政策进行文本聚类，不仅可以提高文本处理速率［4］，还能够凭借技术理性和机器效率挖掘出政策文本的潜在信息，为后续的文本量化提供有力支撑［5］。但政策文本始终不是由单纯的字拼凑而成，其文字背后包含一定语义，如何解决隐藏在词语背后的语义问题是文本挖掘的一大问题。为解决这一问题，Deerwester［6］首次提出潜在狄利克雷分布（LDA）模型，用于探索词语之间的潜在语义关系；随后，Hofmann［7］改进了潜在语义分析（LSA）模型，提出概率潜在语义分析（PLSA）模型，选择结合概率模型避免聚类过程中的重复计算，但无法计算过大的数据量；最后，Blei 等［8］在上述模型基础上使得文档、主体和词的概率分布参数服从狄利克雷先验分布，是对PLSA 模型的改进，防止了过拟合现象，增强了模型的泛化能力。目前，在政策分析领域，可运用LDA模型挖掘地市政策实施的侧重点，并与中央层面对比探究其不足［9］；也可用于探明修订政策时公众意见的主题领域，与具体修订情况进行对比，从而考察政策制定对于公众反馈的采纳偏好和参考程度［10］。

1.2 科技金融政策绩效评价

政策绩效评价主要是针对政策运行实施情况的评价［11］，并分为正向效应、负向效应和混合效应3类作用观点。一方面，通过政策供给，政府补贴能够促进企业扩大投资规模，引导企业投资方向，提高投资效率和规模效率，对于企业创新活动的激励效应是显著存在的［12］。另一方面，部分学者发现企业多数偏好在政府支持的领域进行创新活动，导致激励扭曲，挤出了政府未投资领域的创新行为，减少了在这些领域的研发投入［13］。此外，越来越多的研究结果发现，政府政策支持对于企业的创新活动同时存在正向效应和负向效应。在政策方面，Guellec 等［14］指出财政激励对企业研发有短期的积极影响，但由于长期存在较高的税收减免，会出现消极影响。在企业方面，Clausen［15］发现政策效应具有异质性，在社会回报率差距较大的领域，政府补贴具有更强的刺激效应。

1.3 网络在政策绩效评价中的作用

随着经济加速转型，企业正在从传统封闭式的创新体系逐渐向开放网络化的创新体系转变［16］。复杂网络理论与政府科技政策制定具有内在的契合性，能够揭示政策制定的复杂性产生的内在机理及内在规律［17］。因此，网络视角得以引入。处于网络中心位置的企业可被称为“核心行动者”，它们的行为常被其他成员学习与跟随，因此中心企业可以影响甚至决定网络中其他成员的行为以及行为的选择模式，进而对政策的制定与实施产生一定影响。并且，中心企业连接边更多，即拥有更多合作伙伴与知识要素，这将会带来许多可以帮助企业利用潜在资源的额外信息，有助于企业把握创新机会［18］，以便将更多资金用于更值得投资的研究方向上，促进资金有效流动，保障科技金融政策绩效。

综上所述，运用大数据分析方法进行文本聚类可以快速挖掘政策语义，提升类型划分的效率，并且在对政策进行绩效评价时，需要深入到网络层面进行研究，考虑资金网络特征在绩效产生过程中发挥的效应。基于此，本研究运用Python 软件对科技金融政策进行LDA 聚类分析，通过科学划分科技金融政策类型，挖掘不同类型政策的创新绩效差异，探求资金网络在不同类型政策实施过程中的效用，进而提出有针对性的建议。

2 科技金融政策的类型划分与量化

2.1 政策文本采集与预处理

（1）数据采集。数据收集对象为全国适用的、与科技金融相关的政策文本。在中国法律检索系统中，通过设定“科技金融”“ 技术创新”“科技贷款”“风险投资”和“科技担保”等17 个关键词作为法规全文检索词，搜索下载我国2011—2020 年颁布的政策文件。进行筛选与剔除后，最终纳入研究的科技金融政策共计223 项（以下简称“样本政策”）。

（2）数据预处理。为了更好地利用Python 软件对文本数据进行分析，首先对数据进行预处理，主要包括数据清洗、文本分词、去除停用词3 个步骤。

1）数据清洗。原始文本数据中包含一些特殊字符或英文字符，这部分数据价值含量低、数据结构混乱，易导致挖掘结果出现偏差，所以在数据清洗中选择只保留文本中的汉字字符，并且采用正则表达方式。

2）文本分词。通过文本分词能够缩小研究细粒度，在分词基础上进行的文本挖掘工作将会更加精确。使用Python 软件中的jieba 程序包进行中文文本分词，并将“财政补贴”“融资担保”和“风险投资”等科技金融政策较独有的词汇汇总设置为字典，在分词中予以保留。

3）去除停用词。分词后发现“了”“的”和“我”等无实际意义的词所出现频次较高，对后续文本分析结果的解读帮助非常小，甚至可能会产生干扰作用，所以需要剔除。结合常见的3 种通用停用词表（《哈尔滨工业大学停用词表》《百度停用词表》和《四川大学人工智能实验室停用词库》），将对科技金融政策研究无用的高频词加入停用词词典，构建了自定义停用词词典，并依据该词典在分词结果中剔除停用词。

2.2 主题个数选取

LDA 是一种机器学习技术，可以用来识别大规模文档文件中潜藏的主题信息。LDA 模型算法可以保证一份文件的每个词都会通过一定概率选择某个主题，并且该主题也会有一定概率选择某个词语，从而实现主题与词语的匹配，而政策分类也可视为类型与文件语义的匹配。LDA 模型以更快的效率实现了文本主题划分，与政策分类具有一定的适用性，因此本研究选取LDA 算法对文本进行聚类。LDA 提取的每一个主题都应该是一个可理解的、有意义的、紧凑的语义簇，过多或过少的主题数量都不利于后期的具体分析。若主题数量较多，主题易重叠且相关性较高；但是若主题数量较少，主题包含的信息将过于冗杂。因此确定主题个数k值至关重要。借鉴Blei 等［8］的方法计算了不同主题数量对应的困惑度，样本政策的主题数量困惑度和主题数曲线如图1 所示。

图1 样本政策主题数量及其困惑度关系分布

2.3 主题提取与结果分析

从图1 可以明显看出，随着主题数增加，困惑度随之减小且困惑度下降速度变慢，当主题数为4个时，困惑度趋于平稳，继续增加主题数所得到的边际收益明显减小。因此，确定样本政策的最佳主题数为4 个，即将科技金融政策分为4 类最为合理。首先使用词频-逆向文件频率（TF-IDF）算法抽取政策文本中的关键词，此方法在文本挖掘中被广泛用于评估一个词语对文本的重要程度；随后，依据TF-IDF 值较高的词语进行LDA 聚类，聚类结果如表1 所示。可以看出，主题1 聚焦于国家整体的创新发展和对中小企业的创业支持，是对未来创新发展方向的宏观规划，以进一步引导平衡各类技术的差异性发展，充分激发民众创业热情，因此，主题1 可看作是宏观导向类政策；主题2 聚焦于金融对实体企业的支持，此类政策鼓励金融机构以降低门槛、减少息费等手段，通过银行贷款、风险投资、设立基金等方式给予企业直接的资金支持，以缓解企业融资压力，因此，主题2 可看作是资金支持类政策；主题3 聚焦于建设协同创新平台，提倡合理运用互联网技术，利用数字化优势建立平台帮助企业开展供需对接、资源匹配等工作，实现资源整合、信息共享、协同创新，因此，主题3 可看作是平台建设类政策；主题4 聚焦于知识产权的保护，要求科技部规范专利项目申报流程，制定相关政策保护高价值核心专利，同时推动树立版权意识、品牌观念和专利思维，使我国从知识产权引进大国向知识产权创造大国转变，从而激发企业创新活力，因此，主题4 可看作是专利保护类政策。

表1 样本政策主题的LDA 聚类结果

2.4 政策分类量化

为了更全面地反映科技金融政策的内容和效度，在借鉴程翔等［19］、杨宜［20］研究的基础上，从政策力度、政策目标和政策措施3 个维度对4 类科技金融政策进行量化，具体标准如表2 所示。科技金融政策力度是指政策颁布实施后特定社会群体对政策的信服程度，这与政策效力息息相关，本研究依据中国法律检索系统显示的政策效力级别来度量科技金融政策力度。科技金融政策目标是指有关主体为了促进科技金融相关问题的解决而采取的政策行为所要达到的目标、指标和效果，具有明确性、针对性和可能性的特点，本研究主要从政策对科技金融支持的全面程度，及其在处理科技金融发展中所遇到问题的行政效率的高低来度量科技金融政策目标。科技金融政策措施是指解决科技金融问题采取的具体处理办法，本研究主要从具体措施的详细程度来度量科技金融政策措施。

表2 科技金融政策量化标准

在对科技金融政策措施、政策目标和政策力度进行赋值量化后，首先将目标分值和措施分值相加之和乘以力度分值，得到某项科技金融政策的评价分值如下：

式（1）中：Si为第i项科技金融政策的评价分值；Pi为第i项科技金融政策的政策力度分值；Ti为第i项科技金融政策的政策目标分值；Mi为第i项科技金融政策的政策措施分值。

随后依据以上分类结果，计算每年不同类别政策的得分情况。由于每项政策都有自己所属的分类，计算出每类政策每年的总得分后，除以每年每类政策数量，得到的平均值即为每年每类政策的评价分值。评价分值计算方式如下：

式（2）中：SSjt为第t年第j类科技金融政策的评价分值；n为第t年第j类政策的项数；Si为第i项科技金融政策的评价分值。

3 研究假设与研究设计

3.1 研究假设

3.1.1 不同类型科技金融政策对企业创新绩效的影响

（1）宏观政策主要是为企业创新提供方向、力度与节奏［21］，通过制定国家层面战略方针，可以确定未来发展的创新导向、国家支持的创业类型与亟需突破的技术瓶颈，从而引导区域因地制宜地落实详细规划，逐步形成崇尚创新精神，以及敢于拼搏创业、勇于科技研发的价值导向和文化氛围，进一步激发企业创新活力。基于此，提出如下假设：

H1a：宏观导向类科技金融政策有助于提升企业创新绩效。

（2）企业创新活动的开展通常会受到资金约束［22］，再加上创新研发具有风险大、周期长、投入高等不确定性，科技企业融资难问题较为突出，而通过资金支持类科技金融政策的实施，增加了企业融资渠道，提升了融资便利性，更充足的资金有利于企业购置固定资产、扩大市场规模以及加大科技研发的投入，从而助力企业创新成长，保障了专利产出。基于此，本文提出如下假设：

H1b：资金支持类科技金融政策有助于提升企业创新绩效。

（3）运用互联网技术构建电子平台是构建数字政府、实现国家治理能力现代化的现实通道［23］。通过平台建设，可以实现创新资源和信息的集成，推动相匹配的要素之间以最便捷合理的方式相结合，从而提升政府服务效率，优化企业创新环境，加强企业创新信心。基于此，提出如下假设：

H1c：平台建设类科技金融政策有助于提升企业创新绩效。

（4）知识产权保护制度授予发明人排除权和临时垄断权，在一定程度上保障了创新回报［24］，专利保护类科技金融政策也是如此。一方面，此类政策赋予创新企业合规的专利认证，企业可以合理经营或出售其知识成果，不必担心技术被盗用，促进了技术市场化；另一方面，权责分明的专利保护类政策为技术转移转化提供了纽带与契机，企业间知识元素得以有效流动，有利于新产品的研究开发、新产业的优化拓展，加速技术专利产出，促进知识市场的繁荣发展。基于此，提出如下假设：

H1d：专利保护类科技金融政策有助于提升企业创新绩效。

3.1.2 网络效应下不同类型科技金融政策对企业创新绩效的影响

（1）网络中心度衡量企业在网络中所处位置的中心程度，处于较高网络地位的企业具有一定的权威性与便利性，资金、信息与知识资源较为充足，获取资源的成本较低，更有助于企业提升创新绩效。资金网络中心企业多为行业龙头或具有较优资质的企业，对其他企业有一定的领航作用，而宏观导向类科技金融政策的制定初衷就是为创新发展提供一定指向性。中心企业的发展一般与宏观大方向契合度较高，可以利用其他企业对中心企业的依赖性与跟随性，推动行业整体发展质量符合预期，因此，在一定程度上把控中心企业发展趋势，可以帮助此类政策取得更好的绩效。基于此，提出如下假设：

H2a：网络中心度增强了宏观导向类科技金融政策对企业创新绩效的促进作用。

（2）资金网络内部连边代表着资金的流动，中心度越高说明企业的资金优势越显著，较高的中心度减少了企业获取资源所需时间和资金，为企业满足自身的研发需求提供便利，从而中心企业能够更有效地利用科技金融政策促进创新绩效提升。基于此，提出如下假设：

H2b：网络中心度增强了资金支持类科技金融政策对企业创新绩效的促进作用。

（3）网络中心度较高的企业具有一定的地位优势，与网络内其他成员知识与信息的交换频率较高，并具有一定的持久性，网络中连边双方的信任度与知识信息共享程度较高，可以帮助平台建设类科技金融政策实现资源整合，有利于后续的资源开发拓展和匹配优化，促进双方共赢、提高政策绩效。基于此，提出如下假设：

H2c：网络中心度增强了平台建设类科技金融政策对企业创新绩效的促进作用。

（4）在具有良好的专利保护水平基础上，资金网络近似于技术转移的“桥梁”。中心企业可以在公开透明的网络环境中出售或转移自己所拥有的知识元素，不仅提高了技术转移效率，也大大降低了转移成本，有助于提升专利产出数量，即专利保护类科技金融政策的创新绩效得以提升。基于此，提出如下假设：

H2d：网络中心度增强了专利保护类科技金融政策对企业创新绩效的促进作用。

综合以上分析，得到基本概念模型如图2 所示。

图2 研究基本概念模型

3.2 研究设计

3.2.1 数据来源

政策样本数据情况如以上所述。企业数据方面，选取2011—2020 年创业板上市企业作为初始样本，并剔除金融行业上市企业、缺失数据的企业和经营情况异常的企业，数据来源于国泰安CSMAR 数据库、同花顺iFinD 金融数据库。

3.2.2 变量定义与测度

（1）被解释变量为企业创新绩效。本研究认为专利是企业新技术、新产品以及新工艺的具体体现，故采用企业专利数量进行衡量。

（2）解释变量为4 类科技金融政策，分别为宏观导向类科技金融政策（Z1）、资金支持类科技金融政策（Z2）、平台建设类科技金融政策（Z3）和专利保护类科技金融政策（Z4）。政策数据依据上述政策量化打分所得。

（3）调节变量为资金网络中心度（degree）。借鉴李媛媛等［25］的方法，以资金供给方和企业作为两方节点，但在边的链接方式上进行改良，选取实际发生的资金数额大小作为链接依据，网络构建完成后，运用UCINET 软件输出资金网络中心度。

（4）控制变量具体如下：1）资产收益率（roa）。资产收益率可以反映企业的盈利能力；利用税后净利润与总资产的比值衡量资产收益率。2）企业年龄（age）。随着企业年龄的增长，企业规模、投资机会和人力结构等都会发生变化，企业年龄对创新绩效具有重要影响；利用当期年份与企业成立年份之差衡量企业年龄。3）资本结构（lev）。保持健康的资本结构更有利于企业的长期可持续发展；利用期末总负债与期末总资产的比值衡量资本结构。4）研发投入强度（inv）。利用研发投入总额与营业收入额衡量研发投入强度。

3.2.3 研究方法

通过F检验判断所采用的面板数据模型是否为非混合效应模型，随后运用Hausman 检验进行随机效应模型回归分析适用性检验。被解释变量属于大于0 的计数型数据，且标准差大于均值，因此最终确定采用随机效应负二项回归。

4 实证结果与分析

4.1 描述性统计与相关性分析

变量描述性统计结果与相关系数如表3 所示。从均值上来看，资金支持类与宏观导向类科技金融政策近10 年得分较高，专利保护类政策得分较低，说明在专利保护方面仍需加强。从标准差上来看，平台建设类科技金融政策波动较大，说明近10 年在平台建设方面制定变动较多。整体来看，相关系数普遍低于0.3，满足实证研究条件。

表3 变量的描述性统计与相关系数

4.2 回归结果分析

为缓解多重共线性问题，对解释变量和调节变量进行中心化处理，随后再构造自变量与调节变量的交乘项，最后将各变量依次加入回归模型中分析其主效应与调节效应。回归结果如表4 所示。其中，模型1 是包括4 类政策和控制变量的基础模型，从回归结果来看，4 类科技金融政策均对企业创新绩效具有正向显著影响，并且宏观导向类政策的正向影响系数最大（0.048***），资金支持类政策次之（0.013***），说明这两类科技金融政策的创新绩效较优，即国家层面制定的战略方针较好地带领企业发展，为科技创新指明了方向，同时,资金的落实到位在一定程度上缓解了企业融资问题。即H1a、H1b、H1c、H1d得到检验。

表4 变量的模型回归结果

模型2 在基础模型中加入宏观导向类科技金融政策和资金网络中心度的交乘项，探讨资金网络对宏观导向类科技金融政策的调节效应。回归结果表明，资金网络中心度对宏观导向类科技金融政策与企业创新绩效的关系具有正向的调节效应。正确的创新方向是降本增效、提升核心竞争力、实现企业可持续发展的基石，在此基础上，资金网络为企业提供了更加稳定的资金支持和更加高效的信息沟通，从而进一步提升了企业创新水平。即H2a得以验证。

模型3 在基础模型中加入资金支持类科技金融政策和资金网络中心度的交乘项，探讨资金网络对资金支持类科技金融政策的调节效应。回归结果表明，资金网络中心度对资金支持类科技金融政策与企业创新绩效的关系有正向的调节效应。资金网络中心度越高，企业有更充足的资金以满足创新成长、研发拓展等多种需求，提高了融资便利性，增强了资金支持类科技金融政策创新绩效。即H2b得以验证。

模型4 在基础模型上加入平台建设类科技金融政策和资金网络中心度的交乘项，探讨资金网络对平台建设类科技金融政策的调节效应。回归结果表明，资金网络中心度对平台建设类科技金融政策与企业创新绩效关系的正向调节效应并不显著，说明目前资金网络规模仍较小，中心企业尚未实现作为“交通枢纽”的功能。即H2c目前并不成立。

模型5 在基础模型中加入专利保护类科技金融政策和资金网络中心度的交乘项，探讨资金网络对专利保护类科技金融政策的调节效应。回归结果表明，资金网络中心度对专利保护类科技金融政策与企业创新绩效关系的调节效应呈现负向不显著的结果。专利对科技企业而言十分重要，是新产品、新技术发展的象征，中心企业所拥有的知识元素更加全面、知识产权得到一定的保护有助于保障整个网络内部的知识流动，使得企业与企业之间、企业与科技金融机构之间的知识、信息、资金交互更加安全，专利保护类科技金融政策绩效得以释放。即H2d得以验证。

5 结论与建议

本研究通过收集2011—2020 年我国国家层面的科技金融政策，利用LDA 算法将科技金融政策划分为宏观导向类、资金支持类、平台建设类和专利保护类4 类，并对其逐一量化，同时运用2011—2020年我国创业板上市企业相关数据，研究不同类型政策对企业创新绩效的提升效果，挖掘网络在其中所发挥的效应。结果表明：（1）4 类科技金融政策对企业创新绩效均具有显著提升作用，其中宏观导向类和资金支持类科技金融政策对企业创新绩效的提升效应最强；（2）资金网络中心度对宏观导向类、资金支持类和专利保护类科技金融政策与企业创新绩效关系具有显著的正向调节效应，但对平台建设类科技金融政策与企业创新绩效关系的调节效应并不明显。

科技金融政策在缓解融资约束、保障科技成果权益和促进技术转移等方面可促进企业创新发展，对政策类型进行细分可以深入挖掘政策的不足之处，优化政策供给，以激发政策潜能。基于以上结论，从政策、网络与企业3 个角度提出以下建议：

维持绩优政策供给力度，赋能较弱效用政策。我国现有科技金融政策的宏观导向和资金支持力度较优，可紧跟国家宏观创新方向，同时落实减税降费、提供项目补贴和建设产业基金等缓解企业融资困境的政策措施。除此之外，一方面应当持续保护科技专利成果，规范行政执法行为，针对新业态下的侵权行为出台监管办法，同时降低维权成本，以提高企业维权的积极性，从而促进知识市场的繁荣发展，彰显专利保护权威；另一方面，要加大财政投入力度，借助互联网搭建公共信息服务平台，建立专业的人才队伍，针对企业的共同需求和困难，为企业提供政策解读、信息发布、信息检索、人才交流与引进、专利维权等高水平、低成本、便利化的信息服务，克服信息不对称问题，推动资源合理分配，正向激发政策潜力。

第二，扩大资金网络规模，发挥网络积极效应。目前仍需加强我国资金网络内部的沟通合作，通过建立专属的合作帮扶机制，吸引更多企业加入，从而进一步扩大网络规模，提高网络密度，以更好实现中心企业的“交通枢纽”功能；同时，还要注意稳定网络内部资金流，充分发挥各类金融机构对企业发展的支撑作用，建立专门的扶持规定，如对于朝阳产业和高技术产业予以资金支持，对于发展困难的中小企业予以信贷优惠，稳定企业的现金流与资金链，从而在资金网络效应下更好地通过科技金融政策推动资金流向科技研发领域。

第三，把握网络核心地位，提升企业竞争力。从企业战略角度出发，社会网络有非常重要的利用价值，企业应该积极主动地利用各类网络，提高企业核心竞争力，并积极与网络中的成员加强沟通合作，增加成员间信任感，逐步成为核心网络地位，从而利用网络效应优化各类政策的实施效果，释放创新潜能。对于发展方向迷茫、陷入融资困境或专利保护较弱的企业，其可主动加入资金网络，从而找准未来创新发展方向，获得稳定的现金流以及加强知识产权保护；而对于信息资源较为匮乏的企业，其可加入另一种有助于提升信息可得性的社会网络，这也是未来的研究方向。