中国科技金融效率的时空分异及其影响因素——基于非期望产出视角的分析

■赵鸿程，林炳华，陈一琳

一、引言与文献综述

经济高质量发展是以创新为第一动力，投入产出效率和经济效益不断提高的发展。而科技金融作为资本要素在创新领域的集聚与规模化，是创新能力形成的基础。历史经验表明，无论是四次技术革命，还是美国硅谷的成功都离不开金融市场的有力支持。可以说，二者的有机融合在一定程度上主导了技术革命中心的转移与固化。其不仅是服务实体经济发展和缓解中小企业融资难题的重要纽带，更是实现创新驱动发展的“牛鼻子”。伴随《“十三五”国家科技创新规划》的出台，大力发展科技金融已上升至国家战略层面，成为推动中华民族伟大复兴的现实选择。近30年来，我国科技金融发展成效显著，但也存在诸多问题，其中科技金融效率评价成为探索其发展路径的重点。那么现阶段我国科技金融资源的配置是否有效？其具体影响因素有哪些？

国内学者对科技金融的研究主要从三个方面入手。一是从科技金融的内涵出发，探讨了其理论体系构建和实践发展中所遇到的问题及对策。如赵昌文（2009）对科技金融内涵的界定受到学术界的广泛认可，即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，是由政府、企业、市场等各主体及其在科技创新融资过程中的行为活动共同组成的一个体系。二是实证分析了科技金融对经济增长、产业发展等方面的影响。如李俊霞等（2016）运用系统动力学进行建模仿真，研究发现科技金融能显著促进高技术产业的发展，且市场性科技金融的提升作用要优于公共科技金融。郭燕青和李海铭（2019）则检验了科技金融对制造业创新效率的影响，并发现科技信贷对效率存在正向作用，而政府补助和风险投资的影响并不显著。三是对特定区域的科技金融效率进行测度和分析。如徐烁然等（2018）运用DEA—Malquist指数法研究了长江经济带的科技金融效率及其时空演变特征。潘娟和张玉喜（2018）运用BCC模型对我国30个省份的科技金融效率进行测度，并发现科技金融效率呈现稳步上升，各地区的发展差异较大。

通过文献梳理发现：在研究内容上，大部分学者的实证研究侧重于科技金融对产业发展等的影响或是对特定区域的科技金融效率进行测度和分析，针对效率影响因素的进一步实证分析却鲜有见到；在构建评价体系时，尚无文献考虑到创新失败、成果未转化等非期望产出所造成的效率损失，事实上由于科技创新的长周期、高风险特征，这部分产出应得到更多关注（王伟和孙芳城，2018）。在研究方法上，已有文献多采用径向BCC或非径向SBM模型对科技金融效率进行计算；前者容易低估效率值，而后者容易高估效率值，使结果存在一定偏差。基于此，笔者从以下方面拓展已有研究：第一，将非期望产出纳入科技金融效率的评价体系中，运用兼顾径向和非径向特点的EBM—Undesirable模型对全国30个省份的效率值进行测度，并引入基于改进引力模型的社会网络分析法（SNA）对其空间特征进行深入分析，在完善指标体系的同时使评价过程更加合理、准确。第二，以科技金融效率为被解释变量进行影响因素分析，以期发掘科技金融效率差异的真实动因，进一步丰富现有研究成果。

二、科技金融效率测算及结果分析

（一）EBM模型简介

数据包络分析法模型一般分为两类，一是以径向测度为基础的CRS模型，二是以非径向测度为基础的SBM模型，但二者均存在一定缺陷（范建平，2017）。其中，CRS模型由于规模报酬不变假设的限制使所有投入按同比例增减，这与现实情况相背离；SBM模型虽然规避了投入要素同比例缩减的条件，但这是以损失效率前沿投影值的原始比例信息为代价，并且当最优松弛度分别取0和正值时会使结果产生显著差异。为有效解决这些不足，Tone&Tsutsui（2010）提出了一个综合非径向和径向模型优势的混合距离EBM模型（Epsilon—Based Measure）。考虑非期望产出的无导向EBM模型可以表示如下：

（二）科技金融效率内涵与指标体系构建

对科技金融内涵的界定将沿用赵昌文（2009）等学者的观点，而科技金融效率是指由科技金融投入与其所带来的技术、经济产出等的比率。

投入指标方面。结合科技金融系统的基本框架，选取科技金融人才投入（周柯和郭凤茹，2019）、企业研发支出、金融机构科技贷款、创业风险投资额和地方财政科技拨款5个指标。其中，科技金融人才投入采用研发人员全时当量作为替代变量；企业研发支出衡量企业自有资金的创新投入；金融机构科技贷款反映间接科技金融的投入情况，由于2008年后《中国科技统计年鉴》不再报告该数据，参照白俊红和蒋伏心（2015）的做法，采用地区研发资金总额减去政府、企业和国外的资金来近似表征缺失值；创业风险投资是科技企业中前期融资的有效渠道，反映直接科技金融的投入情况。地方财政科技拨款主要在企业初创时期、市场失灵等情况下给予扶持和引导，衡量政策性科技金融的支持力度。

产出指标方面。考虑科技创新路径中研发、成果转化及产业化、技术转移三个关键环节，期望产出选择专利申请授权数、高技术产业主营业务收入和技术市场成交额3个指标（潘娟和张玉喜，2018）。其中，专利授权数能有效衡量科技金融的直接成果规模；高技术产业主营业务收入和技术市场成交额衡量科技金融活动的经济效益，前者代表成果向产业化和市场化转变的能力，后者反映成果的技术扩散能力。非期望产出选取专利申请未授权数作为研发失败、成果未转化等情况的替代指标（王伟和孙芳城，2018）。

数据方面，选取除西藏以外2006—2018年中国内地30个省份的相关数据。所用数据来自《中国科技统计年鉴》《中国统计年鉴》以及Wind数据库。具体的指标体系如表1所示。

表1 科技金融效率评价指标体系

（三）科技金融效率的时空特征分析

表2为2006—2018年我国各地区的科技金融效率水平。其中，科技金融效率（即综合效率）可以进一步分解为规模效率和纯技术效率。样本期内，我国科技金融的综合效率、规模效率和纯技术效率均值分别为0.816、0.931和0.875，处于非DEA有效状态，表明科技金融效率的整体水平良好，但仍有较大提升空间，需进一步加强科技金融市场建设。其中，北京、浙江和广东的综合效率均值为1，达到DEA有效，占样本数的10%，说明其科技金融建设成效显著，对资源的配置能力较强。而内蒙古、宁夏和新疆等地的综合效率较低，科技金融发展较为滞后。

从区域角度分析，科技金融效率的空间差异明显，呈现东、中、西部递减态势。东部地区的综合效率为最高的0.924，而其他两个地区的综合效率在0.75左右，表明东部地区的科技金融发展处于领先地位，其在获取科技金融资源和提升配置效率方面存在较大优势。此外，相比于中部地区，西部地区的纯技术效率略有领先，规模效率则落后较多，说明西部地区由于地理位置偏远、经济基础薄弱等因素的影响，科技金融资源比较匮乏，投入不足问题更加突出。

表2 2006—2018年各省份的科技金融效率结果

图1 科技金融综合效率及其分解值变动趋势

根据图1，2006—2018年科技金融综合效率整体呈现良好的上升态势。其趋势可以大致分为3个阶段：第一阶段，2006—2008年呈现上升趋势。该阶段伴随《证券法》等完成修订，国内金融业出现较快发展，为科技金融建设提供了条件。第二阶段，2008—2010年呈现连续下降趋势。这可能是由于2008年金融危机爆发对国内外投融资环境的稳定形成较大冲击，抑制科技金融规模的进一步优化。第三阶段，2010—2018年呈现稳步上升趋势。一方面，国内经济的持续复苏为科技企业发展提供了融资保障；另一方面，伴随中共十八大召开以及《关于大力推进体制机制创新扎实做好科技金融服务的意见》等政策文件的颁布，政府对科技金融的重视程度不断加强，为其发展提供了良好的宏观环境和政策支持，从而促进效率提升。

同时，纯技术效率和综合效率的变化趋势比较相近，且总体上低于规模效率。结合灰色关联分析发现，综合效率与纯技术效率、规模效率的关联度分别为0.816和0.701，表明纯技术效率变动是制约科技金融综合效率提升的重要原因。单纯依靠数量型的发展模式已无法满足建设创新强国的要求。各地不仅要扩大科技金融资源的供给规模，更要着力完善其管理模式和机制，不断提升资源利用效率，促进科技金融高质量发展。

（四）进一步分析：基于社会网络分析法

社会网络分析（Social Network Analysis，SNA）是一系列用来分析多个个体间相互作用所构成的网络的结构、性质、特点以及其他用于描述网络属性的分析方法的集合。笔者引入基于改进引力模型的SNA，分别应用网络密度分析和中心性分析对科技金融效率的空间特征做进一步研究。分析效率空间扩散路径的关键在于如何构建SNA的关系矩阵，借鉴彭芳梅（2017）的研究，建立改进的引力模型如下：

其中，Gij为地区i、j间的科技金融效率引力强度；Ei和Ej分别为地区i、j的科技金融综合效率均值；dij为地区间的地理距离；kij为地区间的经济关联系数，pgdp为各地区的人均GDP；b为距离衰减系数，取值在1—2之间。参照化祥雨（2016）的研究，取b=2，表示省级层面的空间关联。相关计算利用Ucinet软件实现。

1.网络密度分析

在进行网络密度分析时，绘制了2006—2018年科技金融效率均值的空间网络社群图，如图2所示。根据结果，空间关联网络密度为0.709，说明各地区科技金融发展的联系程度较高，存在较为普遍的空间溢出效应。结合图2分析，京津冀和长三角地区科技金融效率的联系最为紧密，地区辐射效应最强。其中，京津冀地区中北京和天津间的效率引力最强，而长三角地区以上海和浙江、江苏和安徽两个组合的联系最为紧密。

图2 科技金融效率的空间网络社群图

2.中心性分析

通过计算各节点地区的节点中心度、接近中心度与中介中心度，来判断该地区在整个网络中所处的地位和影响力，中心性分析是衡量节点在网络结构中“权力”和地位的重要方式。结果如表3所示。

表3 中心性分析结果

根据表3，北京、上海、江苏和广东在科技金融效率的空间网络中处于支配地位。其中，节点中心度和接近中心度均为最大值100，表明4个地区是我国科技金融建设的重要支柱与核心区域。同时，中介中心度也均为最大值7.554，表明其在科技金融发展中发挥着“桥梁”和“血管”的作用，对资源、信息流动的控制能力较强，促进了地区间的协调发展。此外，新疆（3.448，50.877，0）、内蒙古（58.966，66.316，0）、广西（65.517，74.359，0）等地的中心度数值较小，表明这些地区在整个科技金融体系中处于边缘地位。

三、科技金融效率的影响因素分析

（一）变量定义与说明

1.被解释变量

科技金融效率（Effi）。借鉴潘娟和张玉喜（2018）等的研究，采用非期望产出的EBM模型计算得到的综合效率值作为衡量科技金融效率的变量。

2.解释变量

（1）智力资本水平（Edu）。高素质的科研人才是科技创新的根本，也是提升科技金融效率的关键因素之一。以衡量劳动力素质的平均受教育年限作为替代变量。其公式为Edu=X1×6+X2×9+X3×12+X4×16。其中，X1、X2、X3和X4分别为小学、初中、高中及中专和大专及以上文化程度人数占地区6岁及以上人数的比重。

（2）金融结构（Stru）。从国际上科技金融模式的演变规律看，股票市场、风险投资等直接融资在技术创新过程中都发挥了不可替代的作用。伴随国内金融市场从以银行间接融资为主的长期特征逐渐向直接与间接融资并存的新特征转变，以“直接融资规模增量/地区社会融资规模增量”来衡量金融结构变动对效率的影响。

（3）知识产权保护（Ipp）。健全的法律体系是促进科技金融高效发展的重要保障。部分学者认为知识产权保护可以缓解技术创新的外部性，降低创新成果被侵权的风险，从而鼓励企业增加创新产出（吴超鹏和唐菂，2016）。但也有个别学者认为知识产权保护会阻碍企业创新。因此，以专利侵权立案数的对数值来考察其对科技金融的作用。

（4）互联网技术水平（Ie）。互联网的蓬勃发展正不断推动产业技术进步和效率提升，催生经济发展的新常态。其应用打通了企业内外部创新要素的联系，催生科技金融新业态的同时降低了资金供求双方的信息不对称性和交易成本（王金杰等，2018），有助于形成平等、共享和开放的科技金融环境。故用“互联网上网人数/地区总人口数”来衡量。

（5）环境规制（Hp）。其作用可能源于两方面：一是遵循“成本效应”，增加企业的经营成本，挤占研发支出；二是形成“倒逼机制”，促使企业改善生产工艺，进行更多优质的技术创新（邝嫦娥和路江林，2019），从而提升科技金融资源的利用效率。以“环境污染治理投资额/地区GDP”表示环境规制的强弱。

（6）外商直接投资（Fdi）。不仅能带来国外的先进技术，而且通过投资、并购等方式更多参与到本土企业的技术创新中，成为科技金融来源的重要补充。以实际利用外商直接投资额的对数值来表示。

3.控制变量

除上述因素外，还加入3个控制变量表征科技金融的外部环境，包括：基础设施水平（Inv），采用地区社会固定资产投资总额占GDP的比重表示。政府干预力度（Gov），以地区财政支出占财政收入的比值表示。经济发展水平（Eco），利用平减处理后的地区GDP的对数值来衡量。具体的变量定义如表4所示：

表4 变量定义

（二）模型设定

考虑科技金融发展具有一定的延续性和时滞性以及变量间可能存在的内生性问题，引入科技金融效率的一阶滞后项建立两阶段系统GMM模型进行参数估计，以降低模型设定的偏误。具体模型如下：

其中，Effiit-1为科技金融效率的一阶滞后项；Controlit为控制变量；α为常数项，β为变量的估计系数；εit为随机扰动项；其他变量定义同表4。

（三）数据说明

鉴于数据的可得性，将数据缺失较为严重的西藏剔除，最终选取2006—2018年中国大陆30个省份的面板数据。样本数据主要源自于《中国金融统计年鉴》《中国高技术产业统计年鉴》《中国科技统计年鉴》《中国统计年鉴》Wind以及CSMAR数据库。

（四）实证结果分析

表5报告了效率影响因素的分析结果。考虑模型设定的有效性，Arellano—Bond检验和Sargan检验的结果表明：所有模型的AR（2）检验和Sargan检验均不显著，说明不存在扰动项差分二阶自相关和工具变量的过度识别问题。因此，模型的估计结果是有效的。无论是逐步加入解释变量的模型（1）—（7）还是考虑控制变量的模型（8），各变量回归系数的正负性没有发生变化，只在显著性上略有差异，说明实证结果是稳健的。

表5 科技金融效率的影响因素实证结果

根据表5，各模型的一阶滞后项系数都在1%水平下显著为正，说明科技金融发展确实存在一定的延续性。智力资本水平（Edu）的系数显著为正，表明人才强国战略成效显著，大批优秀的科技创新人才为增强自主创新能力和提振科技金融效率注入了强劲动力。金融结构（Stru）在1%水平下显著为正，说明增加直接融资比重能有效促进科技金融效率的提升。互联网技术水平（Ie）与科技金融效率正相关，表明互联网技术有效降低了融资的信息不对称性和交易成本，增加贷款的可得性，“扁平化”的创新治理模式也增强了对创新参与者的约束和激励机制（王金杰等，2018）。知识产权保护（Ipp）系数显著为正。知识产权保护能通过减少创新的负外部性提高专利技术的垄断利润和授权收益，激发企业进行持续创新。而外部投资者预期到项目成果能得到较好的法律保护，不至于因被侵权而遭受损失，因此投资意愿更强，会更多地参与到科技金融建设中（吴超鹏和唐菂，2016）。外商直接投资（Fdi）的系数显著为正。一方面，外资流入提供了学习高新技术和管理经验的机会，带动了技术交流和扩散，有助于提升企业对资源的管理配置能力。另一方面，外资进入还会形成“竞争效应”，加速本土企业创新以实现对外赶超，从而增加科技金融产出。环境规制（Ep）对科技金融效率存在一定的抑制作用，其“成本效应”更加明显，挤出了社会创新投入并限制科技金融产出的增加。

四、结论与建议

基于2006—2018年我国30个省份的面板数据，采用EBM—Undesirable模型和SNA法对科技金融效率的时空特征进行探究，并运用系统GMM实证分析其影响因素。结果发现：从时间趋势看，科技金融效率总体呈现良好的上升态势，纯技术效率变动是制约科技金融综合效率提升的重要原因。从空间特征看，科技金融效率的整体水平良好，但仍有较大提升空间。效率值的地区差异明显，呈现东、中、西部递减态势，且东部地区优势明显。SNA分析表明，科技金融发展存在较为普遍的空间溢出效应，以京津冀和长三角地区的辐射效应最强。同时，北京、上海、江苏和广东是我国科技金融建设的重要支柱与核心区域。金融结构、知识产权保护、互联网技术水平、智力资本水平和外商直接投资能有效提升科技金融效率，而环境规制对其存在一定的抑制作用。

为此，提出以下对策建议：第一，构建多元金融体系，丰富企业融资渠道。大力发展创业投资、股票市场等直接融资，打通创业投资的退出渠道。鼓励多种融资方式的灵活配合，形成合理的投贷联动机制。加强科技金融产品与服务的创新，为企业提供分级金融服务，提升融资精准度。第二，加快科技金融综合人才队伍建设。不断提升存量从业人员的业务水平，完善人才引进政策，提高薪酬福利水平，打造区域性的科技金融人才集聚中心。第三，完善政府引导机制，优化科技金融战略布局。政府可以成立以“互联网+政务+金融+大数据”为支撑的科技金融服务平台，打造多方参与的科技金融生态圈。增强科技金融优势地区对周边地区的辐射带动作用，引导创新资源的跨地区整合，打造互联互通的创新共同体。