面向科技企业的科技与金融的融合路径研究

杨 青，郭秀蕙，2，曹兰娟,3，汪金美，刘星星

(1.武汉理工大学 安全科学与应急管理学院，湖北 武汉 430070；2.中国国检测试控股集团股份有限公司，北京 100024;3.浙大宁波理工学院 商学院，浙江 宁波 315100)

科技金融是促进科技开发、成果转化和高新技术产业发展的一系列金融工具、金融制度、金融政策与金融服务的系统性、创新性安排[1-2]。科技金融是一个国家社会经济发展到一定阶段后，科技创新活动与金融资源配置之间形成的相互融合、共同促进的系统性、整体性制度安排，对于我国推进经济结构调整、转变经济发展方式、建设创新型国家都具有重要意义[3]。ZETSCHE等[4]认为科技金融不仅具有降低交易成本、改善业务和风险管理的特点，还具有更强的金融包容性，能为中小企业和消费者带来更多的信贷支持。PARK等[5]通过分析美国生物技术产业创业公司的样本，发现在最初的独立风险投资之后建立CVC投资有利于初创企业的创新。冯永琦等[6]通过对科技金融试点政策面板数据进行分析，发现科技金融对产业结构的合理化和升级具有正向作用。胡欢欢等[7]通过双重差分模型发现科技金融对创新驱动的作用是明显的。我国科技金融创新绩效呈逐年上升趋势[8]，但资源配置效率偏低[9]，科技金融政策的推动作用具有一定的路径导向，所产生的创新绩效有显著性差异[10]。我国正处在科技创新发展的关键时期，需要强大的新动力支撑，但目前科技金融发展中供需不匹配导致的资源利用率低等问题影响着科技金融助力科技发展的进程。

针对我国科技与金融深度融合的生命周期资金需求匹配度低、金融支持供给精准度差、金融支持供给持续性弱等现实问题，构建科技金融供需双向动态匹配模型，针对融合效率测度设计指标体系，并运用多元线性回归模型测算科技与金融融合的路径突破口，探索科技企业科技与金融融合发展路径思路。

1 科技与金融融合的供需双向动态匹配效率与发展路径模型

科技企业也称高科技企业或高新技术企业，是持续进行研究开发与技术成果转化，形成企业核心自主知识产权，并以此为基础开展经营活动的企业。《高新技术企业认定管理办法》对科技企业有明确的界定，由科技部、财政部、税务总局共同负责认定管理工作。科技企业发展的不同阶段(种子期、初创期、成长期、成熟期、衰退期)，融资方式、规模、模式、不尽相同。金融支持的主体包括政府、银行机构、证券机构、创业投资机构、互联网金融机构、科技资本市场、科技保险和科技担保机构等多元供给主体。相对多元的金融支持主体，科技企业面临着融资信贷风险大、内源融资能力有限、融资渠道狭窄、契约不完备、股权不合理、回报周期长等困境。为推动产业结构转型和创新驱动战略，各地均在开展科技与金融融合的试点或举措，以期将金融支持的供给方转变为主动方，力图改变迫切需求融资的科技企业的被动局面，然而各地举措有别，效果有异。因此，笔者建立科技与金融融合的供需双向动态匹配效率模型，以探究区域发展的差异和经验，并挖掘发展趋势和可行路径。

1.1 科技与金融融合的供需双向动态匹配效率模型

为定量分析金融供给主体与金融需求主体的对接现状，采用三阶段DEA模型来测算科技金融深度融合的供需双向动态匹配投入产出效率。相对效率评价的有效工具主要有代表参数法的随机前沿分析法和代表非参数法的数据包络分析两种方法[11]。DEA则以“相对效率”概念为基础，根据多指标投入和多指标产出对相同类型的单位(部门)进行相对有效性或效益评价[12]。由于衡量科技金融供需双向动态匹配模型的产出项目体现为多个方面，故科技金融供需双向动态匹配模型测度的指标体系为多投入-多产出型。

采用三阶段DEA模型，克服了传统DEA模型的缺陷，同时也剔除了环境变量、随机干扰及管理无效率等因素对科技金融深度融合发展的影响，更加准确可靠地测算了投入产出效率。

第一阶段采用投入导向的规模报酬可变的BCC模型来计算各决策单元的技术效率(TE)、纯技术效率(PTE)和规模效率(SE)。借鉴BANKER等[13]的研究，将该模型表示为：

第二阶段采用SFA模型过滤掉环境因素与管理无效率的影响，使所有决策单元处于相同外部环境，然后将第一阶段分析得到的投入冗余作为被解释变量，将环境变量和混合误差项作为解释变量。SFA模型通过对误差项的分解对决策单元的技术效率做出估计，误差项分为两部分，一项表示随机误差，另一项表示技术无效性，构造如下SFA回归函数：

Sik-f(Zk；βi)+vik+μik,i=1,2,…,N

第三阶段采用传统DEA-BCC模型，再次测算各决策单元的技术效率、纯技术效率和规模效率，此时的效率已经剔除环境因素和随机因素的影响，其值是相对真实准确的。

1.2 科技与金融融合的供需双向动态匹配发展路径模型

我国金融供给主体与金融需求主体的匹配程度出现了明显的差异性，这不利于二者的共生发展。因此，采用多元回归模型分析金融支持科技企业的发展情况，再通过实证研究检验造成这一差异的原因，以寻求优化路径。

假设科技创新下经济增长符合柯布道格拉斯(C-D)生产函数[14]，生产前沿函数为Y=f(X,β)，其中X为生产相关要素，如人力、资本、科技等，对数化后可转为lnY=α+∑βlnX+μ。构建如下回归模型：

lnU=α+β1lnR+β2lnS+β3lnG+β4lnP+μ

考虑金融体系运行有效条件下回归模型的被解释变量为lnU，U为单位效率产出，设为I/E，I为科技型企业营业收入，E为综合效率值(由DEA运行结果取得技术效率TE)；R为科技型企业研发人员数量占比，用以衡量科技企业人力资源投入；S为研发投入占营业收入的比例，用以衡量科技企业资金投入；G为政府补助，用以衡量政府财政投入；P为专利授权量，用以衡量科技型企业科技实力。

2 指标选取及数据来源

2.1 投入、产出指标及环境变量的选取

通过分析关于金融与科技结合效率的指标体系构建的文献，发现现有文献多以间接融资总金额、政府补助金额、研发投入、研发人员、专利授权量、净利润、技术市场合同成交金额、新产品销售收入与产品销售收入的比重等作为衡量产出投入比的指标[15-16]。由于数据源分散且形式多样，科技企业成长过程中的技术与经济数据复杂，且多涉及商业和技术秘密，专门针对科技企业的天使投资、风险投资、银行贷款的数据比较缺乏，考虑到数据的可获得性以及科技企业的生命周期可持续能力，故笔者重点研究已上市的科技企业的发展情况。选取研发投入占营业收入比例、政府补助金额、研发人员数量占比作为投入指标，选取专利授权量和营业收入作为产出指标。

环境变量的选择是三阶段DEA方法的关键步骤，为满足“分离假设”原则，环境变量需要选用对企业经营效率有影响但又不可主观控制的因素，并且将影响企业运行效率的外部因素概括为地区GDP和区域常住人口数。

2.2 数据来源

通过CSMAR(中国经济金融研究数据库)查找2020年在主板、中小板、创业板的上市科技企业名单。根据典型性、覆盖性原则，筛选出大于全国科技企业数量平均水平的地区进行测算。

3 实证研究

3.1 创业版科技企业分析

利用投入导向的DEA三阶段模型，借助DEAP2.1软件测算技术效率(TE)、纯技术效率(PTE)、规模效率(SE)，测算23个省(市、自治区)295家创业板科技企业三阶段发展效率，如表1所示。从表1可知，剔除环境变量和随机因素的影响后，23个地区创业板科技企业的综合技术效率、纯技术效率和规模效率均有小幅度提升，但数值变化不大。经过对原始投入的数据进行调整后，各地的排名均出现了不同程度的上升和下降，名次变化最大不超过四位，大部分地区仅是上升或下降一个名次。从平均值看，第三阶段虽有所上升但上升空间不超过1%，表明环境因素对创业板科技企业的影响较小。

表1 创业板科技企业三阶段模型结果对比

以各省(市、自治区)创业板科技企业的指标平均值进行路径模拟，在共线性检验和显著性检验后进行多元回归分析，结果如表2所示。对回归参数的显著性进行t检验，发现企业研发人员数量占比、研发投入占营业收入比例、政府补助对创业科技企业营业收入有显著影响。通过以上分析，得出回归方程为：lnU=0.474lnR-0.388lnS+0.723lnG+6.205+μ。在金融支持有效情况下，作用最显著的是政府补助(影响系数为0.723)，其次是研发人员数量占比(影响系数为0.474)，可见政府补助对于创业科技企业的发展具有重要扶持作用，而人才是科技产出的关键所在。研发投入占营业收入比例的影响为负(-0.388)，可见研发投入在短期内难以获得科技产出，导致效率降低，进而折射出政府引导和人才引领对创业板科技企业的重要作用。

表2 创业板科技企业科技与金融融合回归方程的系数及系数检验结果

3.2 中小板科技企业分析

利用投入导向的DEA三阶段模型，测算了150家中小板科技企业三阶段发展效率，如表3所示。从表3可知，中小板科技企业综合技术效率整体处于较低水平，综合技术效率还有很大提升空间。从一定程度上映射出各地区中小板科技企业供给不均衡与结构性失衡等诸多困境尚存。纯技术效率方面，河南的纯技术效率最高达到0.95，究其原因在于河南省近年来大力推进“科技贷”和“科技保”业务以解决融资难的问题。此外，除湖北省以外的其余12个地区的纯技术效率均在0.6以上，以投入成本、服务能力、服务效能为对象的治理效率尚为可观。针对中小板科技企业的创新驱动发展问题，我国的金融支持政策在部分地区发挥了实效，进而导致部分指标快速突破，例如高新技术企业引进导致专利授权量激增、“互联网+”浪潮下订单激增而使得营业收入快速提升。同时，也可能是因为投入指标的降低，而在产出水平短时间保持不变的情况下，形成产出效率“伪提升”。金融支持措施对于中小板科技企业的作用是显著的，也可以认为是“立竿见影”的。

表3 中小板科技企业三阶段模型结果对比

在规模效率方面，上海的规模效率最高为0.493，天津最低为0.194。13个地区的规模效率均值为0.386，标准差为0.086。结果表明13个地区之间规模效率差距较小，但是整体处于较低水平，大部分中小板科技企业投入产出未达到最优规模。与纯技术效率相比，规模效率普遍较低的问题较为突出，具体体现为中小板科技企业的投入-产出-效益各要素之间配合不当，协调状态不佳，亟需从科技企业服务协同治理视角，促进供给主体、供给资源、供给空间的通畅、充分与平衡，优化供给规模。

剔除环境变量和随机因素的影响后，13个地区的综合技术效率、纯技术效率和规模效率均有所下降。经过对原始投入数据进行调整，各地区的排名均出现了不同程度的上升和下降。广东的排名上升幅度较大，其中综合技术效率、规模效率均上升至排名第一，纯技术效率排名上升两位。各地区技术效率变化较大的主要原因是在投入变量调整之后对规模效率影响较大，即从企业规模效率的角度出发，在现有技术效率的基础上，合理利用资源配置，不断调整实际规模，缩小其与最优生产规模的差距，提高科技中小型企业的综合技术效率。

由于中小板科技企业正处于成熟的初级阶段，发展路径基本成型，数据表现具有一定的稳定性，运用多元回归模型来测算发展路径，其结果如表4所示。对回归参数的显著性进行t检验，发现政府补助、专利授权量对科技中小企业单位效率产出有显著的影响，其回归方程为：lnU= 0.350lnG-0.272lnP+13.252+μ。相比于创业板科技企业，政府补助对中小板科技企业的发展依然保持重要的引导作用，而专利授权量的影响为负(影响系数为-0.272)，可见已形成一定规模的中小板科技企业需要的不仅是专利发明数量，更要注重科技成果的有效转化；且其截距值(13.252)较高，可见中小板科技企业科技与金融融合的效率基数要高于创业板科技企业，体现出科技产出规模的推动作用。

表4 中小板科技企业科技与金融融合回归方程的系数及系数检验结果

3.3 主板科技型企业分析

利用投入导向的DEA三阶段模型，以2020年14个省市168家主板科技企业的数据为样本，测算了金融支持科技企业发展三阶段的融合效率，如表5所示。从表5可知，整体上14个省市的技术效率平均值为0.256，表明14个省市的金融支持科技企业发展效率亟待提高，距离生产前沿面较远；14个省份的纯技术效率平均值为0.690，规模效率平均值为0.356，表明技术效率比较低的原因主要是规模效率很低，因此效率改善方向应以提升规模效率为主，注重提高企业的技术和管理水平，借鉴国内外的相关管理经验和技术，重视人力资本和先进技术的引进。

表5 主板科技企业三阶段模型结果对比

山东和广东的金融支持科技企业发展的技术效率最高，与这两省深入实施科技企业梯次培育行动以及科技企业上市服务绿色通道等政策密切相关。河南的金融支持科技企业发展的技术效率最低，这是因为科技企业的自身束缚、间接融资偏少，金融支持科技企业的机制有待完善。

环境变量与随机因素的存在会对效率值的测量产生显著影响。剔除环境变量和随机因素的影响后，14个省市科技企业的综合技术效率、纯技术效率和规模效率有升有降。经过对原始投入数据进行调整，各省市的排名均出现了不同程度的上升和下降。从整体上看，综合技术效率平均值为0.240，有一定程度的降低；纯技术效率平均值为0.705，有一定程度的上升；规模效率平均值为0.328，也有一定程度的下降。这表明科技企业技术创新综合效率低的原因主要是技术创新活动规模不够。

湖北、湖南、安徽等中部地区的金融支持科技企业发展的技术效率处于中等水平，整体范围在0.19～0.29之间，主要原因是中部地区的大多省份在目前的技术水平上，投入科技企业资源使用的效率不高，科技企业的科技创新能力有待提高，科技企业的规模也不大，且企业一直面临着“融资难、融资贵、融资慢”三座大山[17]。

运用多元回归模型来测算主板成熟型科技企业发展路径，其结果如表6所示。对回归参数的显著性进行t检验，科技企业研发人员数量占比的p值小于0.1，研发投入占营业收入比例的p值小于0.05，而政府补助和专利授权量这两个变量的p值大于0.1，未通过显著性检验，说明其对因变量没有显著影响，没有进入回归方程。通过以上分析，得出回归方程为：lnU=1.704lnR-1.790lnS+9.348+μ。在金融支持有效情况下，作用最显著的是科技企业研发投入占营业收入比例，其次是研发人员数量占比，且影响系数均大于1。相比于创业板和中小板的科技企业而言，主板科技企业体量大，政府补贴的作用会相对弱化，人才的作用愈发凸显，资本扩张和多元化经营则可能导致研发投入的产出效率降低。

表6 主板科技企业科技金融融合回归方程的系数及系数检验结果

4 结论与建议

4.1 结论

(1)从生命周期上看，科技企业的各阶段科技与金融融合效率差异化明显。在多阶段效率测算中，创业板科技企业的科技与金融融合效率对环境的整体敏感性较低，体现出创业板科技企业对金融支持的需求纯粹，科技与金融的融合能快速“起效”，尤其是对创业活动较为稀疏的地区，例如辽宁、西藏、甘肃、内蒙古、黑龙江等地区。金融支持对创业科技企业的推动作用在全国的普遍情况是具有较为显著的正向影响。而在生命周期的中后期，中小板和主板科技企业的金融支持的效能出现了多样化的结果。创业板科技企业迫切需要政府补助，但在研发投入的持续性上则显得不足，中小板科技企业依然需要政府补助，但重点在于科技成果转化得到经济回馈。人才和经营对于主板科技企业而言更为关键。

(2)从地域上看，中部地区的科技创新对科技与金融融合效率具有提升前景。我国东部沿海地区经济与西部地区经济差距较大，科技金融并不在同一起跑线上。在剔除环境因素和随机干扰的影响后发现，东部沿海地区金融支持的投入成本、服务能力、服务效能水平均较高，但大多并未达到最优规模。安徽、河南、湖北、湖南等中部地区的效率出现上升趋势，但受投入规模限制，仍有较大提升空间。

(3)从要素上看，人力资源对科技与金融融合效率具有关键作用。创业板科技企业的创新资源更多依靠原始积累的创新，在转化成果过程中获得发展的机遇和经济的回馈，而科技企业进入中小板和主板之后，金融支持的规模要求逐渐提升，政府补助往往承担着科技与金融融合的触发作用，但对科技与金融的融合并不能持续影响。对于研发投入而言，过多的投入会降低科技与金融的效率，而高科技人力资源的投入的影响则保持较高且稳定的水平，也就意味着精准有效地投入到人才以及人才所承载的技术创新对科技与金融融合效率有着关键作用。

4.2 建议

(1)健全科技与金融融合的市场机制。从国家顶层设计上，进一步加速推动完善多层次资本市场，促进风险投资和天使投资更加自由高效地投入到科技创新活动，开展多方公平合作的科技金融产品交易平台，运用大数据技术发展科技金融服务模式创新，支持创业型或初创期科技企业进入快速发展轨道。

(2)精准挖掘科技与金融融合突破点。由于各地区科技金融投入-产出规模存在结构性差异，对于科技创新集聚地可建立政府引导母基金和风险补偿机制，一方面引导各类长期资金进驻科技金融资本池；另一方面，建立风险补偿大数据评估平台，确保资本专注投资于有潜力的创新项目。

(3)充分发挥人才对科技与金融融合的本质作用。在全球人才流动格局下，智力资源成为最为关键和稀缺的资源，新兴产业的快速发展必须依托多层次人才体系。各地方应当制定精准政策落实人才引进工程，切实实现科技人才与新兴产业发展的有机耦合，着力打造具有活力的科技与金融融合的人才生态圈，健全征信制度以及知识产权保护制度，营造良好和宽松的科技创新环境和营商环境。