我国城市科技金融发展评价

王孟欣 王猛 张军茹

[提要] 科技金融是我国金融创新一个重要方向。近年来，我国出台一系列相关政策促进科技金融的发展。本文基于一定准则选取金融业发展较好的11个城市，通过建立BP神经网络模型，对样本城市的科技金融发展水平进行评价。结果表明：北京、上海、深圳三个城市科技金融发展状况较好，其他城市较弱。最后提出促进我国科技金融发展的政策建议。

关键词：BP神经网络模型；科技金融；科技创新

中图分类号：F83 文献标识码：A

一、引言

近年来，随着我国经济发展进入新常态，科技创新成为促进经济转型与健康发展的重要推动力；而实现金融与科技的结合，以金融发展促进科技发展，成为转变社会经济发展方式的必然选择，也是构建创新型国家的重要战略举措。为了促进科技创新的不断发展，中央与地方政府近年来出台大量相关的政策和文件。2011年《“十二五”国家科技创新规划》提出要创新科技创新投入方式，构建多元化、多渠道的科技创新投入体系，吸引更多的社会资金投向科技创新活动，完善科技创新和金融结合机制，加强科技融资体系建设。2016年《“十三五”国家科技创新规划》再次明确强调，要不断完善科技与金融结合机制，大力发展创业投资和多层次资本市场，为我国迈进创新型国家行列，实现综合创新能力世界排名前15位打下坚实基础。

对科技金融的研究源于科技发展和金融发展之间相互关系的研究。近年来，许多学者对科技金融的发展状况予以关注，科技金融发展效率问题是一个重要的切入点。如黄瑞芬等运用DEA-Malmquist指数法和SFA模型对2006～2014年我国30个省市区全要素生产率变动和科技金融效率值进行评价；甘星等运用DEA方法对2006～2014年环渤海、长三角、珠三角三大经济圈十个省市的科技金融相对效率进行实证研究；薛晔等运用熵权法和贝叶斯随机前沿模型对2001～2014年内地30个省市区科技金融发展效率进行了测算，并分析了不同金融投入对中国科技金融发展效率的影响。还有学者关注科技金融的发展模式及发展方向等问题，如洪银兴认为科技创新需要足够的资金投入，科技金融是当前金融创新的一个重要方向；季菲菲等以中国科技金融创新的主要发源地之一的无锡国家级高新区为例，通过实地调查，对科技金融体系的产生、发展及其空间效应进行实证研究；张兴旺等就国内外科技金融创新发展模式进行了比较研究。

综合来看，现有关于科技金融的研究大多从科技金融本身的性质出发，研究科技金融的运行机制、作用效果或创新水平；而针对区域方面的研究往往集中于省级区域层面，从城市角度进行研究的并不多见。考虑到省域层面覆盖的区域较广泛，许多省份包括广大农村地区，金融业发展较落后，导致不同省份之间可比性较差。本文则着眼于城市层面的比较，经过一定的标准筛选出若干具备较强可比性的城市进行对比分析，能够更加有效地说明城市之间的金融业发展状况。

二、比较基准城市的选取

本文主要就我国城市科技金融发展状况进行比较分析，考虑到我国城市众多，不同城市之间科技金融发展程度差距较大，简单将所有城市放在一起比较缺乏可比性，因此要采用一定的标准对城市进行筛选，将选出的若干具有可比性的城市进行比较。

考虑到指标数据的重要性与可得性，本文主要采用城市2016年金融业增加值占地区生产总值比重（）和金融业增加值增长率（r）这两个指标进行样本城市的筛选。在进行筛选时，采用的具体指标及标准如表1所示。（表1）

筛选出的城市符合下列两个标准之一：（1）金融业增加值占地区生产总值比重大于8%。符合此条件的城市，金融业往往已形成较大规模，金融市场发达，金融交易活跃；（2）金融业增加值占地区生产总值比重介于5%～8%之间，且金融业增加值增长率达到或超过10%。符合此条件的城市，金融业往往已初步形成规模，发展速度较快，可持续发展能力较强。

基于以上原则，本文最终选择的样本城市有11个，分别是北京、上海、广州、深圳、天津、重庆、南京、武汉、苏州、杭州、青岛。各城市具体指标情况见表2。（表2）

从数据可看出，除青岛外其余10个城市金融业增加值占GDP比重均超过了8%，金融业发展水平较高；青岛市虽然金融业占比仅为6.68%，但2016年增长率达到13.69%，也符合拟定的标准。就增加值增长率看，杭州的增长率相对较低，仅为4.91%；北京、天津增长率比8%略高；其余城市增长率均超过10%。整体看，这些城市金融业规模较大，城市经济基础较高，金融业较发达，具备较强的可比性。

本文分别从政府角度和科技金融市场角度出发对广州科技金融发展状况进行比较分析。研究内容涵盖了政府对11个城市科技金融发展的引导方向和扶持力度，以及科技金融资本市场发展状况，并对这些城市的科技金融现状进行简单评述。

三、资本市场融资分析

（一）新三板市场融资分析。新三板市场主要针对中小微型企业在资本市场融资的交易平台，是众多中小型科技企业获取融资的重要渠道，使得高新技术企业的融资不再仅仅依赖于政府资金补助和银行贷款，增强科技类中小微型企业增长后劲。

鉴于数据的公布结构与本文所需数据有一定的差异，因此对于我国各主要城市新三板市场科技类挂牌公司数量进行了适当的估算。该部分以证监会行业分类为基准，选取了科学研究和技术服务业以及信息传输、软件和信息技术服务业两类行业代表科技类企业，Wind数据库公布了我国各省份科技类企业在新三板市场挂牌的公司数量以及各市的新三板挂牌公司数量在该省份中所占比例，该部分将各市新三板挂牌公司数量占比引申为该市科技类企业在新三板市场挂牌数量占比，从而计算得到該城市科技类公司在新三板挂牌公司数量。

该结果如表3和图1所示，结合两个图表来看，我国北京科技类企业在新三板市场挂牌的公司有729家，是上海的两倍之多，且明显多于其他几个城市的数量。上海的科技类企业在新三板挂牌公司数量达337家，排名第二位；深圳有175家，排名第三位；广州的拥有数量较之北京、上海、深圳3个城市则最少，仅有91家，且与3个城市的落差较大；不过与武汉、天津相比，广州也有一定的数量优势，是武汉和天津两个城市的两倍左右。（表3、图1）

（二）沪深主板市场融资分析。截至2017年3月底，在我国沪深市场科学研究和技术服务业及信息传输、软件和信息技术服务业两类科技行业上市公司共有179家。结合表4和图2可以看出，北京、上海两个城市分别拥有65家和40家科技类上市公司，与其他城市相比非常突出；其次是深圳有25家，广州则仅有9家，排在第6位；重庆、天津、青岛分别有2家科技类上市公司，排名较靠后。科技类上市公司总的实际募集资本与该城市科技类上市公司数量呈正比关系，北京、上海、深圳3个城市的实际募集资本落差较大，趋势较陡，表明我国科技类上市公司分布不均衡，主要集中在北京、上海两个城市。广州的实际募集资本是31.48亿元，不及北京的1%；比苏州、重庆、天津、青岛、武汉5个城市略高。通过比较分析，广州的科技类企业在资本市场融资规模处于较低水平，与北京、上海、深圳的差距很大，需要进一步扩展资本市场融资规模。（表4、图2）

四、BP神经网络模型的构建

（一）BP神经网络模型基本原理。BP神经网络是一种具有三层或三层以上结构的神经网络，包括输入层、隐含层和输出层，每一层均由若干神经元（指标）构成。在利用BP神经网络进行分析时，往往需要利用一定的样本进行训练，以确定系统各参数的最佳取值。当一组训练样本提供给BP神经网络后，数据从输入层经過隐含层向后传播，最终到达输出层；然后，沿着误差减小的方向，从输出层经隐含层向前修正网络的连接权值。BP神经网络随着误差反向传播不断修正，从而不断提高对输入模式识别的正确率，是一种误差函数按梯度下降的学习方法。经过反复学习的过程，使得最终误差越来越小。在输出层方面，如果设定神经元（输出指标）数量为1，则能够得到被评价对象的单一得分值，可以对评价对象发展水平进行综合评价。

（二）指标建立与数据来源。本文应用MATLAB中神经网络工具箱对我国11个城市科技金融发展状况进行实证评价研究，建立包括输入层、隐含层和输出层的三层神经网络。各层的具体指标选择如下：

1、输入层的确定。衡量科技金融的发展状态是一个系统科学的过程，在进行科技金融竞争力评价的研究时，不仅要分析各城市的具体科技金融指标，还要对该城市的科技发展和金融业发展有一定了解，只有在综合对比科技金融各个方面的基础上，才能准确把握其科技金融竞争力的意义。在收集国家、省、部门有关文件及查阅相关文献的基础上，并考虑到数据的一致性、完整性和可操作性，经过筛选确定科技金融发展状况的评价指标体系包括3个一级指标和12个二级指标，具体指标如表5所示。所需数据来源于各市统计年鉴、Wind数据库及同花顺财经网。（表5）

具体来讲，该评价指标体系的3个一级指标包括：科技发展指标、金融业发展指标、科技金融发展指标。从大的角度来讲，科技金融首选是科技发展与金融业发展的结合，因此科技发展状况及金融业发展状况是反映科技金融的基础性指标；而科技金融发展指标是具体反映科技金融作为一个特定金融业态发展状况的指标。从二级指标看，科技发展指标包括专利申请量、专利授权量、R&D;经费内部支出、R&D;人员量等4个，能够反映所在城市的科技发展状况。金融业发展指标包括存款余额、贷款余额、保费收入、赔付支出等4个，考虑到数据可得性，主要是从传统金融业发展角度反映金融业发展状况。科技融资指标更加贴近科技金融这个新兴金融业态，考虑到高科技行业技术发展特点、融资渠道以及数据可得性，选择科学技术支出、上中小板上市公司总股本以及创业板上市公司总股本等指标进行分析。

2、隐含层。隐含层神经元的个数对BP神经网络的性能有很大影响。一般较多的隐含层神经元个数可以带来更好的性能，但可能导致训练时间过长。目前还没有确定隐含层神经元个数的合理公式，因此通常采用经验公式来进行估计，本文当中，根据样本11个城市的数据经过反复试验，我们发现当隐含层神经元的个数为4时，误差最小。

3、输出层。由于本文的研究目的是评价科技金融竞争力的水平，要得到科技金融的综合评分，因此输出层神经元的个数设为1。

（三）评价结果。根据上述评价指标体系，以2012～2015年11个城市的数据作为训练样本，以12个二级指标作为输入层神经元个数，对科技金融竞争力的评价过程进行训练，得到BP神经网络模型。在对2016年我国11个城市的科技金融竞争力进行综合评价时，只需要将相应的标准化后的评价样本数据输入该BP神经网络模型，即可得到对应的综合评价得分，如表6所示。（表6）

通过上述评价结果可以看出，11个城市的科技金融发展水平存在较大的差距。具体而言，根据BP得分情况，上述城市的科技金融发展水平大体可分成3个层次：

1、第一层次城市：科技金融发展水平较高。这些城市BP得分在0.5以上，包括北京、上海、深圳3个城市。其中，北京的BP值最高，达到0.835；上海的BP值略低，达到0.782；深圳的BP值与北京、上海存在一定的差距，但也达到0.513。这3个城市均是我国重要的科技创新中心或金融中心，其科技金融发展水平远远高于其他城市。

2、第二层次城市：科技金融发展处于中等水平。这些城市的BP得分介于0.2～0.3之间，明显低于第一类，包括广州、杭州、苏州、天津、重庆、南京等6个城市。这些城市是我国重要的区域经济中心城市或科技创新城市，其科技金融的发展水平不存在显著差异。在这7个城市当中，广州是华南地区经济中心，具有较强的经济实力和科技创新水平，金融业也较发达，其科技金融水平在第二层次中居于首位；但比较而言，广州的科技金融水平仍明显落后于北京、上海、深圳3个城市，并且BP得分仅为0.271，与上述3个城市差距明显。

3、第三層次城市：科技金融发展处于较低水平。这类城市仅包括武汉和青岛，BP得分分别为0.104和0.075，明显低于其余9个城市。武汉作为中部中心城市，科教文化比较具有优势，科技创新能力也较强，但其金融业发展较落后，没有能够有效支持科技创新的发展，科技金融也没有形成规模，仍存在较大的改进空间。青岛是我国北方的一个重要的制造业生产基地，但比较而言，科技创新及金融业水平较低，使得科技金融发展水平较低。

五、政策建议

上述分析表明，各城市的科技金融发展水平相差较大，北京、上海、深圳科技金融较发达，其余城市发展较落后。为了进一步推进创新型国家建设，应进一步采取措施，促进各城市科技金融的发展，推进各地区科技创新水平的提升。

（一）加强政府引导与扶持。对于科技金融发展水平较低的城市，如武汉、青岛等城市，首先要加强政府的引导与扶持，相关政府部门重视科技与金融的结合与发展。充分发挥政府科技专项资金投入的杠杆拉动作用，降低资金扶持门槛，鼓励中小微企业加入到科技创新的行列，引导非高新技术企业转型为高新技术企业。通过制定相应的科学技术奖励政策，提高科技公司和科研机构的创新热情。同时，国家也要不断完善相应的法律体系，充分发挥立法指引金融支持科技创新的作用，为建设创新型国家提供有力保障。

（二）搭建有效网络平台。对于广州、杭州等科技金融处于中等水平且经济较活跃的城市而言，仅仅依靠政府的引导与扶持并不能解决当前的问题，有效的互联网支持，会大大提高这类城市的科技金融发展水平。这类城市需要借助互联网交易平台，实现城市内部或城市之间的信息技术交流活动。基于信息技术、互联网、移动互联技术的渗透发展，通过运用大数据中海量数据分析和数据挖掘，加强科技金融服务于社交网络的结合，帮助企业和个人完成资本市场投融资活动，降低传统金融交易成本，提升交易效率，促进城市科技金融快速发展。

（三）强化科技金融风险监控。由于科技产业的创新性较强，更新换代的速度较快，因此不论科技金融发展水平的高低，都需要进行适当的风险监控，才能使得科技金融良性发展。在具体的实施方案中，政府应将各商业银行、保险公司、证券公司以及独立第三方机构联合起来，定期对金融风险状况进行评估，对合法经营的金融机构和企业予以支持和奖励，对违法操作的机构和企业予以适当惩罚。加强金融风险控制，保障科技型融资的安全性，不仅是每个机构或企业的要求，更是促进我国科技金融健康发展的选择。

主要参考文献：

[1]黄瑞芬，邱梦圆.基于Malmquist指数和SFA模型的我国科技金融效率评价[J].科技管理研究，2016（20）.

[2]甘星，甘伟.环渤海、长三角、珠三角三大经济圈科技金融效率差异实证研究[J].宏观经济研究，2017（11）.

[3]薛晔，蔺琦珠，高晓艳.中国科技金融发展效率测算及影响因素分析[J].科技进步与对策，2017（4）.

[4]洪银兴.科技金融及其培育[J].经济学家，2011（6）.

[5]季菲菲，陈雯，袁丰，孙伟.高新区科技金融发展过程及其空间效应——以无锡新区为例[J].地理研究，2013（10）.