科技金融对全要素生产率的非线性影响
——基于全国31个省、市(直辖)、自治区面板门限效应分析

2020-11-17 07:52唐佳婕
经济论坛 2020年10期
关键词:门限生产率要素

徐 胜 唐佳婕 张 双

一、研究背景

以往研究表明,劳动力投入和资本投入的增加确实能加快经济增长,但经济增长质量提高的关键在于提高全要素生产率(Total Factor Productivity,TFP),因此依靠技术创新、生产效率的提高和资源的有效利用来实现经济增长才是可持续的。目前我国正处于实体经济下行的经济新常态,政府多次强调了要坚持金融服务实体的要求,努力将经济朝着“脱虚向实”的方向扭转,大力推动金融与科技创新相结合,以科技创新来支撑经济的发展和增长方式的转变,科技金融应运而生。文章认为“科技金融”是由科技创新引发的一系列金融工具和服务向更有利于科技发展方向进行转变的金融创新活动,其作为科技创新与金融创造深度融合的产物,为经济增长带来双轮驱动效果。鉴于此,文章通过研究科技金融与全要素生产率之间的关系,并引入技术创新水平,实证分析科技金融对经济增长的作用,并为制定相关政策提供科学依据。

关于科技金融的定义,虽然在学术界还没有统一的定义,但是大多数差异性的解释都存在一定的共性,那就是认为科技金融是科技创新活动与金融创新活动的深度融合,是由科技创新活动引发的一系列金融创新行为[1]。科技与金融相结合是建设创新型国家的重要手段和基本保证[2]。李心丹和束兰根(2013)认为科技金融是金融资源供给者依托政府科技与金融结合的创新平台,通过对创投、保险、证券、担保及其他金融机构主体等金融资源进行全方位的整合创新,为科技型企业提供创新性、高效性、系统性的金融工具和制度安排,以促进科技型企业对金融资源的内生性需求,进而推动整个高新技术产业链加速发展的一种金融业态[3]。孙伍琴(2014)认为科技金融本质上是指技术创新和金融创新的融合[4]。房汉廷(2016)将科技金融定义为以培育高附加价值产业,创造高薪就业岗位,提升经济体整体竞争力为目标,促进技术资本、创新资本与企业家资本等创新要素深度融合的新经济范式[5]。

关于金融对全要素生产率的影响,学术界有诸多研究,但是研究结果存在显著差异性。在国外的研究中,Beck和Levine(2002)利用多个国家的面板数据和GMM 动态估计方法进行了实证研究,其研究结果显示金融发展显著提升了全要素生产率[6]。Calderson 和Liu(2003)利用发展中国家和工业化国家的汇总数据进行了Geweke 分解检验,结果显示金融发展对全要素生产率的提高具有明显推动作用[7]。Felix、Rioja 等(2004)的研究表明处于不同金融发展水平的国家,其金融体系对全要素生产率的驱动程度是不同的[8]。Demetriades 等(2008)的研究结果显示获得银行贷款与全要素增长率之间存在明显的正相关关系[9]。在国内关于金融对全要素生产率的影响的研究中,陈启清和贵斌威(2013)认为金融发展对生产率进步具有正的水平效应和负的增长效应,说明金融发展对全要素生产率具有递减的正面影响[10]。李健和盘宇章(2017)发现金融发展和TFP 增长之间具有非线性关系,即金融发展对TFP增长的影响取决于金融发展和实体部门经济发展之间的增长差异[11]。李占风和郭小雪(2019)发现金融发展对不同规模城市全要素生产率增长的作用和机制存在异质性[12]。邢晓东(2019)的研究发现金融发展对TFP增长的影响作用存在区域性差异,同时也存在趋同性[13]。王欣和曹慧平(2019)的研究结果表明金融错配对制造业全要素生产率具有显著的抑制作用,且这种抑制效应具有一定的时滞性[14]。谷任和伍文婷(2019)研究金融集聚对全要素生产率的影响,显示金融集聚通过正向影响技术进步、负向影响技术效率来改变全要素生产率[15]。徐璋勇和朱睿(2020)实证分析了金融发展对绿色全要素生产率的影响,结果显示金融发展显著促进了绿色全要素生产率的提高[16]。王雨秋(2020)根据全国31个省(市、自治区)的面板数据,实证研究了中国包容性金融发展对全要素生产率提升的影响[17]。巴曙松、白海峰等(2020)利用我国企业层面的面板数据进行实证分析,研究结果显示金融科技创新活力和金融科技创新规模对企业全要素生产率具有显著促进作用[18]。

关于科技金融对全要素生产率的影响,大多是从科技金融对技术创新效率、某一行业发展的全要素生产率的影响角度出发进行研究。George 和Prabhu(2006)认为开发性金融机构能高效地将市场中的闲散资金集中,充分发挥规模经济和范围经济效应[19]。Michalopoulose 等(2009)在考虑技术创新和金融深化的基础上研究金融发展作用经济增长率的机制[20]。Amore(2013)实证研究了银行机构信贷和企业科技创新能力之间的关系[21]。国内的学者关于科技金融与全要素生产率的关系的研究起步也较晚。余利丰、邓柏盛等(2011)认为金融发展促进全要素生产率的增长,但是金融深化和金融中介垄断都不利于技术效率提高[22]。段世德和徐璇(2011)认为加快发展科技金融将会对我国战略性新兴产业的发展起到巨大推动作用[23]。叶莉、王亚丽等(2015)认为科技金融对科技创新呈现显著正向作用,其创新助力作用得以验证[24]。黄瑞芬和邱梦圆(2016)利用科技金融投入与产出的面板数据对全要素生产率变动和科技金融效率值进行评价[25]。廖继胜和韩兵(2018)以江西为例,运用DEA 及其扩展模型以及Malmquist 指数对其战略性新兴产业发展的科技金融支持效率进行了实证研究[26]。李洁(2018)认为互联网金融对商业银行全要素生产率存在正向的影响[27]。董倩(2018)研究发现地区科技金融发展能显著促进当地城商行全要素生产率的提高[28]。聂林涛(2018)的研究发现科技金融全要素生产率的区域差异较大[29]。张茜和赵鑫(2019)的研究表明银行业金融创新水平与银行业全要素生产率有显著的正相关性[30]。刘泽辉、李华军等(2019)以广东省为例进行实证分析,研究发现科技金融效率对全要素生产率具有重要影响[31]。张腾和刘阳(2019)的研究表明科技金融发展能显著促进全国规模以上工业企业全要素生产率的提高,且这种影响主要是通过效率改善路径发挥促进作用[32]。胡海云(2020)认为发展科技金融对我国经济增长具有重要的促进作用,但存在地区差异[33]。华坚和庞丽(2020)的研究发现科技金融的发展有助于消除各省市经济高质量发展的差异[34]。田路路(2020)认为科技金融规模对产业结构升级的推动作用呈现倒U 型[35]。何雪莹和张岚(2020)以上海市为例,评价了科技金融的投入和产出效率[36]。

基于以上研究,文章试图从两个角度来解释科技金融的内涵,梳理科技金融对全要素生产率的作用机制,其中促进作用包括“增长效应”和“溢出效应”,抑制作用为“挤出效应”。同时构建科技金融发展水平指标体系来全面反映科技金融的内涵,并用AHP 层次分析法进行指标合成及评价,将之作为核心解释变量进行后续回归研究。以往研究大多为金融发展对经济增长或全要素生产率增长、科技金融对某一产业的或全要素生产率的线性影响,笔者尝试运用面板门限模型,更准确地研究科技金融对全要生产率的非线性关系以及研究主体间存在的门限效果特征。

二、内涵及机理分析

(一)科技金融内涵

根据科技金融是科技创新与金融创造的深度融合的产物的定义,可从两个角度来理解其内涵:一是以科技为出发点,科技企业的发展需要金融支持,强调科技从创新到发展的金融化过程;二是基于资本市场的逐利特征,当科技行业具有向好的预期时,金融资本就会追逐投资热点,流向高回报的科技行业谋利。基于演化动力学的上述两方面融合就形成了科技金融的发展机制:在科技行业和金融市场的彼此需求、不断深化的过程中,科技和金融行业间实现了更高的资金流转和信息传递效率,从而产生了科技创新和资本利得的相互促进效应。因此,科技金融是实体性科技企业和虚拟性金融资本的创新需求性结合,即实现了科技行业的融资高效化,也为经济的“脱虚向实”提供途径。

(二)影响机制分析

科技金融发展对全要素生产率提升的促进作用有“溢出效应”和“增长效应”(图1)。在科技金融发展初始阶段,通常政府会给金融机构提供政策引导和直接为科技创新提供所需资源。随着科技创新的速度加快,科技行业的技术突破需要大量的资金支持,资金来源不再满足于政府投入,需要更多的社会资本,比如商业银行的贷款、股权投资和风险投资等。这些来源于金融机构的资金充分发挥价值发现功能,有利于企业生产出低成本、高回报的产品,以迎合市场需求,扩大产品销量,提高企业利润和生产效率。同时,金融业在盈利需求的驱动下进行科技金融创新活动,致力于为有金融需求的科技创新企业提供适合的金融产品和新型融资渠道,如风险投资、科技保险、知识产权融资和科技众筹等,使资本流向更有发展潜力的科技行业以获取资本回报,并且金融创新也因技术创新得以实现。由此,科技创新和金融创新之间形成良性循环。科技金融通过科技创新和金融创新的相互作用,会产生“知识溢出”和“信息溢出”效应:当区域内某一企业或行业产生技术创新、商业模式转变或融资渠道拓展,会使创新知识和技术信息传播到区域内其他企业或行业,整个区域的企业均能获得一定程度的技术进步,整体科技水平得以提高;金融的信息提供功能有助于资本获取高技术产业回报信息以便进行投资选择,引导资金流向高回报领域,提高区域金融业的投资效率,扩大金融机构的数量和规模。由于科技行业和金融市场相互关联、相互融合、相互促进,生产效率和资本流转速度得以提升,推动了科技进步和金融发展,最终实现全要素生产率的“增长效应”。

图1 科技金融对全要素生产率的影响机制

科技金融发展对全要素生产率提升的抑制作用有“挤出效应”。政府公共支出以及由政府引导投入的社会资金主要投资于基础性和中大型产业,是科技金融资金的重要来源,而私人投资通常投资于回报率更高的产业,资本逐利行为一定程度上激发企业的创造活力,使科技金融与企业发展有更高效的融合。当政府支出增加到一定程度时,政府在企业发展的过程中起主导作用,私人对企业的投资和支出相对减少就会导致企业失去创新自主性。与此同时,金融资源难以发挥价格发现和资源配置功能,削弱了当地的金融发展水平和产业间的创新与合作,甚至引发金融风险问题。此外,政府在进行经济干预的过程中很可能发生“寻租行为”,即非生产性寻利活动,既减少生产又降低创新质量,阻碍经济增长和全要素生产率的提升。因此,过多的政府支出会引发“挤出效应”,影响企业发展和产业转型,甚至给全要生产率增长带来负面影响。

三、指标体系构建

(一)科技金融指标体系构建

目前学界对科技金融尚未有统一界定,而对于科技金融发展水平也没有一致的评价标准。文章从经费投入、产出水平和人力资源三个方面分别选用指标来构建科技金融发展水平指标体系,全面反映科技金融的内涵。鉴于指标的科学性和数据的可得性,采用科技服务固定资产投资额、研究与试验发展(R&D)经费和科技部三公经费支出额来衡量科技金融经费投入,用高新区企业收入和技术市场成交金额衡量科技金融产出水平,用高新区企业从业人员数和研究与试验发展(R&D)人员数衡量科技金融人力资源。

文章将指标的原始数据进行了zt标准化处理,公式为(i 为地区,t 为时期),这样就消除了不同单位量纲带来的影响,便于下一步的合成和评价。然后采用主客观相结合的AHP 层次分析法来对各指标赋以归一化处理后的权重,如表1所示。最后将无量纲数据加权逐步合成二级指标和一级指标数据,通过数据来反映各省不同时期的科技金融发展水平。

(二)科技金融指标评价

文章将合成的指标数据通过折线图展现走势情况(图略)。整体来看,2004-2018 年31 个省市的科技金融水平呈上涨趋势,但各个省市发展水平和速度发生了较大变化。其中,广东、北京、江苏发展水平较高,增长速度也较快;山东、浙江、湖北、上海的发展水平和速度次之;新疆、西藏、宁夏、甘肃、青海等走势较为平缓,发展较为缓慢;其他省市总体走势向上。为了更科学直观地显示31 个省市区科技金融发展水平,采用系统聚类分析方法进行省际划分,采用欧式距离公式计算样本之间的距离,选用Ward 联接法进行聚类,结合走势图和聚类分析结果,将31省份划分为3个发展水平:将广东、北京、上海、浙江、江苏、山东这6个省市划分为科技金融发展水平较高的区域;将河北、四川、河南、福建、辽宁、天津、陕西、安徽、湖南、湖北等10 个省市划分为科技金发展水平中等的区域;将海南、西藏、青海、宁夏、黑龙江、重庆、江西、吉林、广西、山西、内蒙古、云南、甘肃、贵州、新疆这15 个省、市、自治区划分为科技金融发展水平较低的区域。

表1 科技金融发展水平评价指标体系

科技金融呈现差异化发展的原因可能是广东、北京和江苏等地高技术企业密集且金融资源较为丰富,金融在科技发展的过程中起到了良好的配置作用,科技发展又反作用于金融活动,形成了金融带动科技、科技促进金融的良性循环,加快了科技金融的发展速度。而新疆、西藏、宁夏、甘肃、青海等地区资源相对匮乏,高技术企业难以扎根,金融和人力资源也少有聚集,由此陷入金融和科技发展都落后的双重困境,科技金融水平自然难以提升。

四、模型构建及实证分析

(一)变量选择和数据统计

根据文献资料和前文所述,选择了全要素生产率作为被解释变量,科技金融这一合成指标作为解释变量,科技创新水平作为门限变量,金融发展水平、产业结构高级化水平和政府干预程度作为控制变量。

被解释变量:全要素生产率(TFP),该变量由DEA-Malmquist 方法测度得出。Malmquist 指数定义为:其中x 表示投入,y 表示产出,为t 期到t+1期TFP 的增长,为t 时期的Malmquist指数,表示第t期以第i期投入产生数据作为参数的距离函数。文章所对应的投入变量为各省的就业人数和资本存量,产出变量为各省的GDP,通过DEAP2.1 来测度出各省全要素生产率值。其中,资本存量K采用被OECD国家广泛采用的永续盘 存 法 (PIM) 来 估 算 ,K0=I0/(g+δ),Kt=It+(1-δ)Kt-1,K0、Kt为初期和当期的资本存量,It为全社会固定资本形成总额,g为真实投资年均增长率,δ为综合折旧率(假设为5%)。

解释变量:主要解释变量为科技金融发展水平(TechFin),由科技金融经费投入、科技金融人力资源和科技金融产出水平3个二级指标合成。

门限变量:该模型与科技水平高度相关,因此将科技创新水平(Tech)作为门限变量,具体选取了专利受理数这一由国际普遍认同反映知识产权技术的指标来衡量科技创新水平。

控制变量:基于国内外相关文献,认为除了科技金融,还有一些因素会对全要素生产率产生影响。因此选取以下控制变量。①金融发展水平(FIN)。金融活动在产业发展的过程中,能够充分发挥资源配置作用,通过资金流动促进企业进行创新、产业结构得以优化,促进全要素生产率的提高。因此以金融发展水平,即金融业占国民生产总值的比重作为控制变量之一。②产业结构高级化水平(HIS)。产业结构的调整和优化能促进经济增长和引起经济增长方式的转变,是全要素生产率得以提升的重要变量,因此将它纳入控制变量中。③政府干预程度(GOV)。政府支出水平的高低在一定程度上能够反映政府对经济增长方式的影响,政府财政支出结构不合理甚至会制约地区TFP 的增长,因此采用政府财政支出占GDP 的比重来衡量政府干预对TFP的影响。各变量相应符号、衡量方法及解释变量预期方向如表2所示。

全要素生产率、科技创新水平、金融发展水平、产业结构高级化水平和政府干预程度数据均来自《中国统计年鉴》和wind数据库,科技金融发展水平数据来源于《中国统计年鉴》《中国科技统计年鉴》《中国金融统计年鉴》和wind 数据库。鉴于数据的可得性和一致性,选取全国31 个省、市、自治区的2004-2018 年的相关指标数据,获取有效样本465 个,利用面板数据进行门限回归分析,实证研究各变量对全要素生产率的影响,所有检验均使用stata15.0 软件。各变量的描述性统计如表3 所示。

(二) 模型的构建

为了研究各变量对全要素生产率的影响,将使用Hansen 提出的门限回归模型,用来判断科技金融和全要素生产率之间的关系,是否存在异质性。因此,需要对面板数据进行静态回归和Hauseman检验,若结果为固定效应,则说明科技金融发展与全要素生产率的关系较为显著,再运用门限回归判断是否存在分区间的影响。门限回归有单一门限,双重门限和多重门限,文章将设定单一和双重门限形式,最终根据显著性检验结果来确定模型。

单一门限模型:

表2 各变量相应符号及解释变量预期方向

表3 变量描述性统计

双重门限模型:

其中TFP 为被解释变量,TechFin为解释变量,Tech为门限变量,FIN、HIS和GOV为控制变量,γ为门槛值,uit表示特异性误差,α、β、ϑ代表模型的估计参数,下标it分别代表第i个省和第t年。

(三)相关检验

1.单位根检验。为了检验所有变量是否平稳,首先对面板数据进行单位根检验。由表4可以看出,变量TFP、FIN、GOV 的原始数据和变量HIS 原始数据的一阶差分,以及变量TechFin 和Tech 原始数据的二阶差分在10%以内的显著性水平下平稳,可对平稳数据进行回归处理。

2.协整检验。为了进一步考察变量之间的协整关系,将采用Kao 检验和Pedroni 检验进行判断。表5 的结果表明,所有统计量均在1%显著性水平下拒绝原假设,表明变量之间存在协整关系即长期经济关系,可对模型进行面板门限回归。

3.Hausman 检验。因门限回归模型需在固定效应下进行,故对面板数据进行了Hausman 检验,检验结果如表6所示。由F值和P值可知,在1%的显著性水平下拒绝原假设,应选择固定效应模型,可以进行门限回归。根据固定效应所得系数,可以构建固定效应模型:

根据模型结果初步分析,科技金融(TechFin)对全要生产率(TFP)具有一定的正向作用,即科技金融水平提高1 个单位,全要素生产率会提高0.005543个单位,但是结果未通过显著性检验。这表明两者之间可能存在非线性关系,需要通过门限模型来进一步验证其关系。此外,金融发展水平(FIN)和政府干预程度(GOV)对全要素生产率都具有轻微负向作用且通过了10%的显著性检验,产业结构水平(HIS)有微弱的正向作用且通过了5%的显著性检验。

(四) 门限模型估计

运用stata15.0 软件,以专利申请数量(Tech)作为门限变量对面板数据进行门限估计,并采用bootstrap 自举法重复抽样1000 次来提高显著性检验的有效性,门限值估计结果和模型回归结果如表7-8和图2所示。

表4 变量的单位根检验结果

表5 Kao和Pedroni检验结果

表6 Hausman检验结果

图2 门限回归LR图

结果显示:单一门限模型在1%的显著性水平下显著,双重门限未通过显著性检验,故此应该建立单一门限模型。根据模型估计出的单一门限值为8761,对应的置信区间为[8371,9615]。由此可见,科技金融与全要素生产率之间为非线性关系,存在单一门限效应。

为了进一步测度科技金融对全要素生产率影响的方向和程度,用门限模型对各变量进行了参数估计,结果如表9所示。从表中可以看出,科技金融的门限值把模型分为了两个区间,两个区间的系数不同,说明科技金融对全要素生产率的影响具有异质性。F 检验值为5.07,P 值为0.0017,在1%的显著性水平下拒绝原假设,表明模型通过检验,结果可信。

具体来看,对于不用程度的科技创新水平,科技金融发展水平(TechFin) 对全要素生产率(TFP)的贡献度不同:当各省市科技创新水平的代表变量专利申请数(Tech)数量小于8761 件时,科技金融发展水平每增加1单位,全要素生产率反而随之减少0.1438个单位,科技金融在此发展水平下,会为全要素生产率的提高产生阻碍作用;当专利申请数量大于8761 时,科技金融发展水平每增加1个单位,全要素生产率随之提高0.0046个单位,对全要素生产率的提升产生正向影响,但此结果未通过显著性检验,因此当Tech≥8761 时,TechFin 对TFP 的影响大小尚未确定。而由于模型最终通过F检验,故而认为科技金融的发展对全要素生产率的提升还是存在门限效应。

表7 门限模型检验结果

表8 门限估计值和置信区间

表9 门槛模型参数估计值及显著性

(五)实证结果分析

当科技创新水平值小于等于8761 时,即科技金融发展的初级阶段,科技金融发展水平对全要素生产率有负向作用,原因可能是“挤出效应”大于“增长效应”和“溢出效应”之和。具体而言:第一,在科技金融发展的初级阶段,金融产品和服务还不能很好地给企业和产业提供更便捷的投融资渠道和更适合的发展模式,科技企业创新速度不具备广泛性,企业的生产效率尚未得到大幅提升,产业结构也就难以形成大规模的转型和优化。第二,发展初期科技行业的人才短缺,创新知识和投资信息的扩散速度较为缓慢,地区同类企业得不到创新资源就容易失去竞争力,导致整个地区的科技企业发展不均衡,区域整体创新水平低,经济增长缓慢。第三,金融资源过多依赖于政府投入导致政府干预度过高,企业的自主创新能力受到限制,甚至降低企业的生产效率和发展速度,进而阻碍全要素生产率的增长。当科技创新水平值大于8761,即地区科技金融发展到一定程度时,科技金融发展水平对全要素生产率有正向作用,原因可能是“增长效应”和“溢出效应”之和大于“挤出效应”。此时,政府不再起主导作用,弱化了“挤出效应”,市场上有众多的科技金融产品促进企业服务改革和创新,科技金融能够有效的发挥“增长效应”和“溢出效应”,加快整个地区的科技进步速度和金融发展水平,促进全要素生产率的提高。

此外,金融发展水平(FIN)、产业结构高级化水平(HIS)和政府干预程度(GOV)对全要素生产率的弹性系数分别为0.69%、0.13%、-0.14%,与预期方向基本一致。这说明金融发展水平越高、产业结构高级化水平越高就能提高全要素生产率,最终促进经济增长,而政府干预度越高会阻碍全要素生产率的提升,但影响程度均较小。

五、结论及建议

(一)研究结论

第一,科技金融是科技创新和金融创造深度融合的产物,其发展过程中产生的“溢出效应”和“增长效应”对全要素生产率的提升具有促进作用,而“挤出效应”具有抑制作用。

第二,根据科技金融发展水平指标体系及测评结果,我国31 个省、市、自治区的科技金融发展水平总体呈上升趋势,但发展速度存在较大差异,通过系统聚类法可将各省市科技金融发展水平划分为四个阶段,说明我国科技金融发展存在区域不平衡问题,并认为高技术企业密集且金融资源较为丰富的省市,形成了金融带动科技、科技促进金融的良性循环,加快了科技金融的发展速度。

第三,根据2004-2018年的面板数据的门限模型实证结果可知:科技金融发展对全要素生产率的影响存在非线性的门限效应(门限值为8761),当科技创新水平值小于等于8761 时,科技金融发展水平对全要素生产率的弹性系数为-0.1438,即有负向作用,系“挤出效应”大于“增长效应”和“溢出效应”之和;当科技创新水平值大于8761时,弹性系数为0.0046,即有正向作用,系“增长效应”和“溢出效应”之和大于“挤出效应”。

(二)对策建议

第一,我国目前存在科技金融发展不平衡问题,科技金融发展水平较低的地区科技创新水平也相对较低,经济增速相对缓慢。对于科技金融发展水平较低的地区,当地一是要重视科技金融的资源投入,包括政策、经费和人才等,以金融发展促进科技创新;二是可以通过引进先进人才、技术、设备等途径加速科技创新的“知识溢出”;三是金融机构为针对科技企业提供新型融资渠道,比如知识产权融资、科技众筹等。对于科技金融发展水平较高的地区,一方面需要保持现有的发展体系,稳定发展水平,另一方面要在现有的水平上合理节约资源投入,在有富余的情况下对落后地区给予帮扶。

第二,根据科技金融与全要素生产率的非线性关系,科学合理制定促进增长方针。因科技创新水平较低时,科技金融的发展水平对全要素生产率的增长有负向影响,故当地政府一方面应当合理控制对科技金融投入的干预度,避免因“挤出效应”和“寻租行为”而产生的科技创新效率降低问题,减轻对全要素生产率增长的抑制作用;另一方面要创造良好的政策环境,引导金融创造和科技创新相结合,充分发挥科技的知识溢出效应和金融的信息溢出效应,带动区域内科技的进步和金融业的发展,使其共同促进全要素生产率的增长。

第三,科技金融发展需精准施策,可尝试建立科技银行,推进科技进步和金融创新融合发展。一方面,各省市鼓励商业银行针对科技型企业设立专门的科技产品部,开发和推广科技型金融产品,并由政府给予一定的政策优惠来吸引投资者购买。另一方面,各省市可在产业创新园、高新技术开发区和科技型特色小镇园区内设立由政府引导建立的科技商业银行网点,给予金融和科技紧密结合的环境,开拓金融和科技“双创新”格局。

猜你喜欢
门限生产率要素
中国城市土地生产率TOP30
基于规则的HEV逻辑门限控制策略
掌握这6点要素,让肥水更高效
随机失效门限下指数退化轨道模型的分析与应用
VoLTE感知智能优化
基于Neyman-Pearson准则的自适应门限干扰抑制算法*
跟踪导练(三)4
外资来源地与企业生产率
外资来源地与企业生产率
观赏植物的色彩要素在家居设计中的应用