科技金融发展对中国经济增长的影响研究

张芷若 谷国锋

摘要：通过构建科技金融发展水平指标体系，采用指数合成法计算我国30个省（市、自治区）2001-2015年的科技金融发展综合指数，并基于空间计量模型，探究科技金融对区域经济增长的影响及其空间溢出效应。结果表明：我国各地区科技金融发展水平差距显著，呈现“东高西低”的空间特征；科技金融发展水平存在明显的空间相关性，在空间上表现出东部沿海地带“高高”集聚与西部欠发达地区“低低”集聚的特征；科技金融发展对区域经济增长的推动作用明显，且存在显著的正向空间溢出效应。

关键词：科技金融；经济增长；空间相关性；空间计量模型

中图分类号：F061.5；F830文献标识码：A文章编号：10037217（2018）03011207

一、引言

新常态下科技金融的协调发展是我国科技与经济结合的重要举措。近年来，科技金融发展已经得到了各级政府、金融监管机构、企业界以及学术界的广泛关注，随着我国各项科技金融政策意见的出台，积极推进了科技活动与金融发展的结合。与此同时，科技金融对区域经济增长的重要性也日益凸显，科技金融发展已成为我国实施自主创新战略，建设创新型国家与加快中华民族伟大复兴的重大举措，也是我国转变经济增长方式，应对金融危机，推动经济可持续发展的必然选择。

科技金融囊括了科技与金融两方面内容，属于产业金融范畴，主要指科技产业与金融产业的融合，是一切服务于科技企业以及科技成果发展、创新的多方资源体系，既包括金融工具、制度、政策，也包括整个系统的服务与创新。有关科技金融与经济增长的相关研究主要集中在以下几个方面：一是科技金融理论方面的研究，学者们从理论层面分析科技金融的内涵、运行模式与保障机制等[1-4]；二是科技金融指标选取与评价方面，通过设定科技金融资源指数、经费指数、产出指数和贷款指数，构建我国科技金融综合发展指数[5，6]；三是运用协同学理论、耗散结构理论、系统动力学等多种复杂系统科学理论对科技金融与科技创新联合发展进行研究，提出区域科技金融与科技创新的协同发展模型[7-10]；四是有关科技金融效率或科技金融绩效的研究，从金融投入与科技产出方面建立科技金融结合效率指标体系，运用DEA方法进行效率评价，并提出提高科技金融相对效率的方法与建议[11-13]；五是金融发展与经济增长的关系研究，通过实证检验科技金融、科技创新对实体经济增长的促进作用，提出提高科技金融与科技创新二者融合质量的路径和相关政策[14-18]。

目前，国内外对科技金融发展与经济增长的关系主要建立在传统的经济学理论框架中，并未考虑科技金融发展的空间相关性及其空间效应。然而，对空间效应的忽略可能导致回归结果的偏误，为此，本文考察科技金融发展水平与经济增长在各省市的空间相关性，并基于空间计量经济学模型，探究科技金融发展对经济增长的影响及其空间效应，以期为相关部门优化科技金融空间格局提供理论依据和决策借鉴。

二、理论分析与科技金融发展指数测度

（一）理论基础

新古典经济增长理论认为，影响经济增长的因素主要包括资本要素和劳动要素的投入[19]；新经济增长理论认为，经济增长得益于技术进步[20，21]。传统的金融发展理论认为，金融发展不仅可以通过促进资本积累的形成推动经济增长[22，23]，还可以通过金融中介的信用放大作用增加经济中的资金供给，进而推动经济增长[24]。本文借鉴新古典经济增长理论和新经济增长理论，并结合新经济地理学理论，认为经济增长不仅取决于资本要素、劳动要素的投入与技术进步，还受到科技金融要素的影响。基于CobbDouglas生产函数Y=AKαLβ，建立科技金融经济增长理论模型如下：

Y=AKαLβ（STF）γ（1）

对式（1）加入时间和地理空间维度，同时两边取对数，可得普通線性回归模型：

lnYit=a+αlnKit+βlnLit+γlnSTFit（2）

其中，Y、K、L、STF分别表示人均GDP、资本投入、劳动力投入与科技金融投入；a为截距项，i、t分别为地区与时间，α、β、γ分别表示相应产出弹性；εit为随机误差项；K用全社会固定资产投资额表示；L用从业人员表示；STF用科技金融发展指数表示。

（二）指标选取与数据来源

科技金融既属于科技创新体系，也属于金融体系，是两者的融合，不仅包括科技开发、科技成果转化与高新技术产业等金融问题，还包括一系列和企业发展战略相关的金融制度安排、科技研发经费投入等内容。为了充分反映科技金融的本质，本文认为科技金融是包含科技金融资源、科技金融经费、科技金融融资与科技金融产出的统一整体，并依据这四个方面进行指标体系的构建。在构建指标体系过程中，借鉴相关研究[5，6，25]，选取合适的指标来量化科技金融。指标体系见表1。

所选取数据来自2002-2016年的《中国统计年鉴》《中国科技统计年鉴》《中国高技术产业统计年鉴》和科技部《中国主要科技指标数据库》的统计数据。科技活动人员数（F1）由各省市R&D;人员全时当量数替代；创新税收收入（F4）由高技术产业利税数据代替；金融机构科技贷款（F8）由金融机构各项贷款替代，数据来源《中国金融年鉴》；股权融资数据（F9）来源于wind数据库。由于西藏自治区、港澳台地区缺乏统计数据，因此未列入研究范畴。

（二）研究方法

1.科技金融发展指数计算方法。以2001年为基期年份，单项指标在基期年份的最大值与最小值分别是100和0，分别表示该地区在该指标上发展最好与最差。计算方法为：基期年份第i个指标得分=xi-xminxmax-xmin×100，非基期年份第i个指标t年得分=xi（t）-xmin（0）xmax（0）-xmin（0）×100。其中，xi为某地区第i个指标的指标值，xmin与xmax为基期年份第i个指标最小值与最大值。首先，将同一类别的二级分指数用算术平均法进行加权，计算科技金融发展水平分指数；其次，将四项分指数再加权，得出科技金融发展水平总指数。xmin（0）与xmax（0）表示基期年份第i个指标的最小值与最大值，xi（t）表示非基期年份t年的指标值，非基期年份指标值最小可小于0，最大可大于100[6]。

2.空间自相关性检验。利用MoransI值进行全局空间自相关检验，初步探讨省域间经济增长与科技金融之间的空间依赖性，计算公式为：

I=∑ni=1∑nj=1wij（Yi-）（Yj-）S2∑ni=1∑nj=1wij，

Z=1-E（I）VAR（I）；

Ii=（Yi-）S2）∑nj=1wij（Yj-）

其中，I为全局MoransI值，表示区域间的总体相关程度；S2=1n∑ni=1（Yi-）2；=1n∑ni=1Yi；Yi表示第i地区人均GDP；n表示地区数；wij为空间权重矩阵，wij=1表示两个相邻省份，wij=0表示两个省份不相邻；E（I）=-1n-1。Ii为局域空间自相关系数，表示i地区与周边地区的相关程度。MoransI指数的取值范围为1～-1，越接近1，表示空间正相关；越接近-1，表示空间负相关；当I=0时，表示空间不相关。

3.空间计量模型。本文通过构建地理距离空间权重矩阵，将空间滞后项与空间误差项引入到普通面板模型，其空间计量模型具体形式如下：

（1）空间滞后模型（SLM）。用来检验区域经济增长是否具有空间溢出效应，区域间的空间相关性由被解释变量的空间滞后项来反映。即：

lnYit=β0+ρ∑nj=1WijlnYjt+β1lnSTFit+

β2lnInvit+β3lnHumit+β4lnOpenit+

β5lnISit+β6lnexp+εit（3）

其中，Wij代表空间权重矩阵W的元素，WlnY为被解释变量的空间滞后项，ρ是空间自回归系数，β0代表常数项，β1-6表示解释变量的待估计参数，εit为随机误差项。

（2）空间误差模型（SEM）。主要用来研究邻近地区被解释变量的随机误差冲击对本地区观测值的影响，其空间相关性通过滞后项体现在随机误差项中。即：

lnYit=β0+β1lnSTFit+β2lnInvit+

β3lnHumit+β4lnOpenit+β5lnISit+

β6lnexp+φit（4）

φit=λ∑nj=1Wijεjt+μit

其中，φ为随机误差向量，λ表示空间误差自回归系数，Wε为随机误差项的空间滞后项，μ为正态分布的随机误差项。

（3）空间杜宾模型（SDM）。是空间滞后模型与空间误差模型的合体，即：

lnYit=β0+ρ∑nj=1WijlnYjt+β1lnSTFit+

β2lnInvit+β3lnHumit+β4lnOpenit+

β5lnISit+β6lnexp+θ1∑nj=1WijlnSTFjt+θ2∑nj=1WijlnInvjt+θ3∑nj=1WijlnHumjt+θ4∑nj=1WijlnOpenit+θ5∑nj=1WijlnISjt+θ6∑nj=1Wijlnexp+εit（5）

其中，WlnSTF等為解释变量的空间滞后项，θ1-5为解释变量的空间自相关系数，其余解释同上。

三、科技金融发展水平的时空特征分析

（一）科技金融发展水平时序演变

1.从各省市历年科技金融发展指数演变趋势图看（见图1），平均值由2001年的46.02增加到2015年的68.40，增长了近1.5倍。我国科技金融发展水平整体处于上升趋势，北京、天津、上海、江苏、浙江、福建、广东以及山东等地区一直维持在较高水平；河北、山西、辽宁、湖南、广西与青海等地区上升幅度较大，其中广西上升幅度最大。随着我国经济增长方式从资源消耗型向创新驱动型转变的不断深入，科技金融发展对经济增长的重要作用已引起各级政府高度重视。以江浙为例，该地区经济发展水平高，创新型科技企业不断涌现，创新能力不断加强，对科技金融发展的投入力度较大，为科技金融发展提供了资金和人才支持。

2.海南、贵州、云南等地科技金融发展水平上升不明显，且出现不同程度的下降趋势，其中海南下降幅度最大，这与其所处地理位置密切相关，这些地区大部分属于自治区或远离内陆，缺乏一定的经济实力与创新能力，并且对科技产品需求较低，科技金融各项指标较弱，本地经济支持科技金融发展能力不足。可以看出，我国各地区科技金融发展不均衡，地区之间差距显著，东部地区科技金融发展指数明显高于西部地区，形成“东强西弱”的局面，这与我国现阶段经济发展水平所呈现的“东高西低”状态高度吻合，符合我国经济发展现状，客观反映了科技金融发展的状况。

（二）科技金融发展水平的空间特征分析

从全局空间相关性分析可知，我国科技金融发展水平在空间上呈现出一定的集聚特征。2003、2011、2015年全局Moran'sI指数分别为0.122、0.232和0.245，空间正相关性显著为正，且集聚出现增长趋势。图2中，圆点代表省份，若原点落在第一象限（HH），则集聚类型为“高高”集聚（见图3），表示科技金融水平高的地区被高集聚水平地区包围；若原点落在第二象限（LH），则集聚类型为“低高”集聚，表示科技金融集聚水平低的地区被高集聚水平地区包围；若原点落在第三象限（LL），则集聚类型为“低低”集聚，表示科技金融集聚水平低的地区被低集聚水平地区包围；若原点落在第四象限（HL），则集聚类型为“高低”集聚，表示科技金融集聚水平高的地区被低集聚水平地区包围。

从空间分布看，2015年科技金融发展水平的空间集聚特征与2003年大致保持相同的态势，并且相邻地区具有相似的属性值，30个省市大部分落在第一与第三象限，即科技金融发展水平较高与较低的地区相对集聚。随着时间的推移，四种集聚类型在地理空间上的相对位置与集聚范畴也依次呈现不同程度的变化，2003-2007年处于“高高”集聚的地区数量急剧增长，河北、江西、山东、广东、安徽分别从LH与HL进入HH，集聚特征有逐渐增强的趋势，到2011年HH内地区数量略有下降，至2015年处于HH内的地区数量仅比2003年多出一个山东省。处在“高高”集聚与“高低”集聚内的省份大都位于我国东部沿海地带，中西部地区则普遍处于“低高”集聚与“低低”集聚区域内。

2001-2015年，随着北京、天津科技金融指数的不断升高，且与周边地区科技金融指数的差距逐渐拉大，在二者共同极化作用影响下，河北从HH进入LH；海南、新疆、陕西、黑龙江均从HL进入LL；东部地区的广东、东北地区的辽宁以及西部地区的四川基本位于HL。①而河南、内蒙古、湖南、青海与周边地区一直处于科技金融发展比较落后的阶段，自2011年以来，通过不断加强科技金融合作，均已进入HL。

时间段的数据结果显示，各省份科技金融发展类型具有如下特征：处在HH的省份全部位于我国东部地区，这些地区均拥有较高的科技金融发展水平，彼此间的空间差异不大，空间正相关程度较高；处在LL的省份大都位于我国西部地区，各省份及其周边地区的科技金融发展水平较低，空间差异较小。总体而言，中国科技金融发展水平虽然呈现出稳步的上升趋势，但在空间上呈现出不均衡的分布特征，科技金融发展指数从东到西逐渐递减，空间集聚的不平衡性在研究期内逐步加剧。

四、科技金融与区域经济增长的空间计量分析

（一）经济增长的空间相关性分析

利用Moran'sI指数描述区域经济增长的空间关联程度如图4所示。

图4显示了近15年来区域经济增长的Moran'sI指数及其变化趋势，人均GDP的Moran'sI指数通过了1%的显著性检验，其值在0.3759～0.3772间波动，表明区域经济增长存在较强的空间正相关性。因此，需要考虑区域经济增长的空间效应，运用空间计量的方法探究科技金融对区域经济增长的影响。

（二）实证结果分析

空间相关性检验证明了科技金融与经济增长在空间上具有显著的相关性，因此，利用空间维度的相关性与异质性分析科技金融发展对区域经济增长的影响程度及变化情况。

首先，根据Anselin等[25]于1995年提出的空间计量模型判定准则，从表2显示的拉格朗日乘数误差项与滞后项，及其稳健性检验的结果看，LMLAG统计结果高于LMERR值，且RLMLAG值更显著，而RLMERR值则不够显著，可以断定此时SLM模型相较于SEM模型更适合用来解释科技金融发展对区域经济增长的作用。其次，在比较三种空间计量模型的适用性时，Elhorst[20]提出的Wald检验成为学者们判断SDM模型可否简化为SLM模型或SEM模型的重要依据，这里的两项Wald检验均通过了1%显著水平检验，说明否定了空间杜宾模型能够转化为空间滞后模型或空间误差模型的假设，认定空间杜宾模型是最适宜的选择。最后，利用EVIEWS7.0软件，对原始数据进行Hausman检验，其检验结果为197.53，且高度显著，因此，拒绝随机效应与固定效应无差别的原假设，选择SDM固定效应模型进行估计。

对于空间计量模型，采用极大似然法，借助Matlab2010b软件与相关代码对SLM、SEM以及SDM模型进行参数估计，以得到最优的估计效果。表3给出了基于地理距离空间权重矩阵下的空间面板模型估计结果及相应的拟合优度。从传统的OLS估计以及三种空间面板数据模型的回归结果可以看出，SLM、SEM与SDM模型回归估计的R2和LogL均比OLS回归估计值大，说明OLS估计忽略了空间效应，导致结果有偏，而三种空间经济计量模型的自相关回归估计参数ρ和λ均为正值，且在1%的水平上都通过了显著性检验，说明空间面板数据模型更好地拟合了区域经济增长，这与区域之间是相互独立的假说相矛盾，该结果进一步表明我国区域经济增长存在明显的溢出效应和空间依赖性。

SLM模型中的LogL值（93.7512）与R2（0.9398）均大于SEM模型中的LogL值（69.0982）与R2（0.9256），因此，可以认为SLM模型更好地拟合了空间效应。SLM模型中的空间自回归系数ρ值为0.5334，并在统计上高度显著，表明区域间的经济发展具有明显的空间依赖作用，这与相邻地区的社会经济发展状况及其相关误差项密切相关，即邻近地区社会经济的发展对提高本地区经济增长有正面的促进作用。SDM模型的拟合优度R2与对数似然值（LogL）是三个模型中数值最高的，且其随机误差项方差最小，各变量显著性均较高，表明模型中引入科技金融发展水平的空间变量是合理的，且空间杜宾模型的估计效果最好，能较好地解释各要素对经济增长的作用。

科技金融变量lnSTF与其空间滞后项W×lnSTF在1%与10%的水平下显著，且系数为正，表明科技金融发展水平提高对本地区与周边地区经济增长均有积极的推动作用，存在明显的溢出现象；其他控制变量如固定资产投资、开放程度、产业结构的空间滞后项相关系数均显著为正，也证实了固定资产投资的增加、对外开放程度的提高等因素在推动本地区经济增长的同时，也会对周边地区经济发展起到一定的带动作用，并且对周边地区具有正向的溢出效应；而人力资本与政府支出除了对本地区经济增长有显著带动作用外，对周边地区经济增长的影响不显著。

五、结论及政策建议

以上研究表明：（1）从科技金融发展指数看，2001-2015年全国各省市科技金融发展水平呈逐步上升趨势，但区域科技金融发展极其不平衡，地区间的差距也在逐步加大，表现出东部沿海地区水平高与中西部地区低水平的两极分化状态，不平衡性日益凸显。因此，在东部发达地区与西部发展落后地区采用无差别的科技金融政策势必加剧资源的浪费，致使东西部之间的差距拉大，适时提出具有针对性的科技金融发展战略势在必行。（2）通过分析2003-2015年科技金融MoransI值与LISA集聚图可以看出，我国省域科技金融发展的空间分布并非独立，有明显的空间集聚特征，处在HH与HL的地区多位于经济相对较发达的东部沿海地区，科技金融资源丰富；处在LH与LL的地区大多处于中西部地区，经济发展相对落后，科技金融资源匮乏，且空间集聚的不平衡性日益加剧。（3）从OLS、SLM、SEM与SDM模型估计结果看，空间计量模型估计结果较经典回归模型估计结果更理想，且SDM模型的检验结果优于其他两种模型，根据拟合最优的SDM模型研究结果显示，大多解释变量均通过了显著性检验，说明科技金融发展不仅对本地区经济发展起到了直接的促进作用，还可以通过溢出效应间接对周边地区经济发展起到作用，其他因素如固定资产投资、对外开放等对经济增长具有显著的正向促进效应。

为此，各级政府应重视区域间科技金融与经济增长的协调发展，构建区域经济发展与科技金融发展的良性互动机制，缩小区域发展差异。随着科技金融发展水平的不断提高，还需要不断提高科技金融发展对经济增长的推动作用，加强科技与金融发展的融合力度，尤其是经济发展相对落后的地区，更需要不断加强区域间科技金融合作，加速科技金融资源流动，使科技金融发展的空间辐射能力得到最大限度发挥，推动区域科技金融中心的形成，进而成为促进我国经济可持续发展的坚实后盾。

注释：

①广东是我国沿海经济发展的重地，具备较强的综合经济实力，科技金融基础设施完善，2001-2015年，其科技金融发展指数在全国首屈一指，而与其相邻的省份如广西、桂林等综合实力比较落后，因此，广东处在HL的情况未得到明显改善。

参考文献：

[1]赵昌文等.科技金融[M].北京：科学出版社，2009：24-27.

[2]房汉廷.关于科技金融理论、实践与政策的思考[J].中国科技论坛，2010（11）：5-11.

[3]游達明，朱桂菊.区域性科技金融服务平台构建及运行模式研究[J].中国科技论坛，2011（1）：40-46.

[4]周昌发.科技金融发展的保障机制[J].中国软科学，2011（3）：72-81.

[5]刘文丽，郝万禄，夏球.我国科技金融对经济增长影响的区域差异[J].宏观经济研究，2014（2）：87-94.

[6]曹颢，尤建新，卢锐，等.我国科技金融发展指数实证研究[J].中国管理科学.2011（3）：134-140.

[7]徐玉莲.区域科技创新与科技金融协同发展模式与机制研究[D].哈尔滨：哈尔滨理工大学，2012.

[8]AlexandraGuarnieri，LiuPei.TowhatextentdofinancingconstraintsaffectChinesefirms'innovationactivities[J].InternationalReviewofFinancialAnalysis，2014（36）：223-240.

[9]BashSiddhartha，DijonGlucosePJ，SuspenderKramer.FinancingconstraintsandinvestmentsinR&D;：evidencefromIndianmanufacturingfirms[J].TheQuarterlyReviewsofEconomicsandFinance，2014（55）：28-39.

[10]和瑞亚，张玉喜.区域科技创新系统与公共金融系统耦合协调评价研究[J].科技进步与对策，2014，31（07）：31-36.

[11]华玉燕，赵纳.基于DEA方法的科技金融结合效率研究[J].金融教育研究，2013，26（3）：46-49.

[12]许汝俊，龙子午，姚逍遥.基于DEAMalmquist指数法的科技金融发展效率评价研究[J].科技管理研究，2015，13（36）：188-191.

[13]王江.科技进步环境、高新技术产业化、科技金融效益与经济增长方式转变[J].科技管理研究，2015，14（7）：32-37.

[14]BeckT，ChenT，LinC.Financialinnovation：thebrightandthedarksides[R].TilbburgUniversity（mimeo），2012.

[15]AmoreMS，CedricZA.Creditsupplyandcorporateinnovation[J].JournalofFinancialEconomics，2013，109（3）：835-855.

[16]祝树金，刘子君，钟腾尤.中国金融发展影响地区专业化的实证研究——基于省际面板数据[J].财经理论与实践，2016，37（5）：16-22.

[17]周玉琴，张华.融资规模与经济增长协调关系研究：总量与行业结构[J].财经理论与实践，2017，38（03）：27-32.

[18]张林.金融发展、科技创新与实体经济增长[J].金融经济研究，2016（1）：14-25.

[19]SolowRM.Acontributiontothetheoryofeconomicgrowth[J].Thequarterlyjournalofeconomics，1956，70（1）：65-94.

[20]RomerPM.Increasingreturnsandlongrungrowth[J].TheJournalofPoliticalEconomy，1986，94（5）：1002-1037.

[21]LucasRE.Onthemechanicsofeconomicdevelopment[J].Journalofmonetaryeconomics，1988，22（1）：3-42.

[22]GurleyJG，ShawES.Moneyinatheoryoffinance[M].WashingtonDC：TheBrookingsInstitution，1960.

[23]GoldsmithRW.Financialstructureanddevelopment[M].NewHaven：YaleUniversityPress，1969.

[24]陆静.金融发展与经济增长关系的理论与实证研究：基于中国省际面板数据的协整分析[J].中国管理科学，2012（2）：177-184.

[25]徐玉莲，王玉东，林艳.区域科技创新与科技金融耦合协调度评价研究[J].2011，32（12）：116-122.

[26]AnselinL，FloraxR.Smallsamplepropertiesoftestsforspatialdependenceinregressionmodels[M].Berlin：SpringerVerlag，1995.

[27]ElhorstJP.Spatialeconometrics：fromcrosssectionaldatatospatialpanels[M].NewYork：Springer，2014.

（责任编辑：宁晓青）