我国科技创新与金融发展的耦合协同测度——基于VIF-变异系数的筛选

朱佳慧， 于丽英

(上海大学管理学院， 上海 200444)

科技创新作为“第一生产力”促进了社会生产率的提高; 金融发展作为“第一推动力”为科技创新的投入、产出注入了金融资源.已有的关于科技与金融发展关系的研究， 主要从两个视角展开.

一是单向影响的角度， 研究了金融发展对科技创新的影响， 或是科技创新对金融发展的作用.Ang[1]提出金融要素对科技研发活动具有重要影响， 且资本市场对创新型增长模式具有促进作用.Popov 等[2]提出了金融市场中的风险投资对企业科技创新的影响.Chowdhury等[3]选取发达国家和新兴国家作为研究对象， 认为金融结构发展能够明显带动研发投入增加.Schinckus[4]认为电子信息技术变革能够带动金融创新、金融机构和市场运行效率的较大提升.芦峰等[5]结合科技创新的不同发展阶段选取指标， 分析了科技金融对科技创新不同发展阶段的影响.

二是相互影响的角度.Zhou 等[6]基于空间计量的方法， 提出金融发展对技术创新具有推动作用， 技术创新可带动金融发展.Perez[7]提出金融资源和科技创新的高度耦合， 能较好地促进科技创新的发展和金融市场的繁荣.谭跃等[8]基于产出协同视角构建了协同效应测度指标体系， 对广东省科技创新与金融市场的协同效应进行了分析.王宏起等[9]运用协同学原理构建了系统协同度模型， 对科技创新和科技金融间的关系进行了研究.

我国科技创新与金融发展的有机结合是实现经济发展方式转变、建设创新型国家、提高国际竞争力的重大战略举措.但鉴于科技创新活动比较复杂、金融发展动态多变， 目前国内外对如何测度二者的耦合协同关系， 尚未建立一个标准的体系， 在指标选取方面主观性较强.因此， 本工作旨在提出一种客观选取指标的方法， 以期对科技创新与金融发展的耦合协同关系作出相对科学合理的评价.

1 评价指标体系构建

本工作基于耦合协同原理及科技创新与金融发展的内涵， 进行指标的初选.针对指标冗余、指标不具代表性等问题， 借鉴文献[10-11]中评价体系的确定方法， 构建VIF-变异系数法对指标进行筛选， 其中方差膨胀因子(variance inflation factor， VIF)可对指标的共线性问题进行检验， 变异系数可筛选信息含量大的指标.

1.1 指标的初选

1.1.1 指标选取

耦合协同是通过两个或两个以上系统间的相互作用与影响而形成的一种作用机制.科技与金融两子系统之间通过耦合协同机理， 共同推动资源及要素配置、产业结构优化， 从而形成科技金融协同一体化的经济发展体系[12].科技创新体现在研发、成果转化等各项科技活动中，通过人财物等方面的创新要素投入， 带来知识、技术、产品等方面的科技创新产出[13]， 因此在指标选择时主要考虑创新投入与创新产出两个方面.金融发展就是金融结构不断优化、金融资源有效配置的过程， 因此指标选择多考虑功能性和效率性， 主要体现在金融总量发展、金融结构优化和金融效率提升3 个方面[14].通过充分参考已有的关于科技、金融相关指标的研究成果， 建立了包含89 个指标的初步评价指标体系， 其中测度科技创新的指标有54 个， 测度金融发展的指标有35 个， 具体如表1 所示.

表1 科技创新与金融发展的耦合协同评价指标集Table 1 Coupling synergy evaluation indicator set of Sci-Tech innovation and financial development

1.1.2 指标值标准化

为了便于对数据进行分析及处理， 通过式(1)对指标值进行标准化处理， 即

式中:xij为j地区i指标的原始数值;pij为j地区i指标标准化后的值.

1.2 基于VIF-变异系数法的指标筛选步骤

(1) 基于VIF， 删除具有多重共线性的指标， 消除指标间的信息冗余.

首先， 对指标变量i和解释标量除i以外的其他指标进行回归.其次， 计算指标变量i的可决系数R2i(见式(2))， 用来反映指标变量i与其他指标的相关度， 值越小表明与其他指标所反映的信息越不同.最后， 计算指标变量i的方差膨胀因子VIFi(见式(3))， 用来判定指标变量i与其他指标是否存在多重共线性.若VIFi ＞10， 则指标变量i与其他指标存在多重共线性，删除指标变量i.

式中:为指标变量i的可决系数; VIFi为指标变量i的方差膨胀因子;为j地区指标变量i的估计值;为指标变量i的均值.

(2) 求变异系数， 计算指标信息含量.

借助式(4)对指标变量i的变异系数vi进行计算， 用来表示指标所能代表的信息量.vi值越大， 则指标变量i所包含的信息越多、越具有代表性; 反之， 所包含的信息就越少.以指标层内所有指标变异系数的均值作为判断标准， 删除小于均值的指标， 从而筛选出更具代表性的指标.

(3) 通过计算信息贡献率， 对评价指标进行合理性判断.

借助式(5)计算筛选后的指标体系的信息贡献率In.参考文献[11]， 以低于30%的原始指标反映85%以上的原始信息作为合理性判断的标准， 筛选出最终的评价指标体系， 即

式中:S表示指标矩阵的协方差阵;trS为协方差阵的迹;Ss为最终指标矩阵的协方差阵;Sh为初始指标矩阵的协方差阵.

1.3 评价指标体系的确定

选取2016 年我国28 个省市的数据(基于数据的可得性， 避免部分省的指标值偏差过大，不包括新疆、西藏、海南三省自治区)进行指标筛选.利用式(1)完成指标数据的标准化处理.基于VIF-变异系数法， 对标准化后的指标数据进行筛选.以金融总量发展指标为例， 描述筛选过程.

1.3.1 第一次筛选: VIF 筛选

通过回归分析计算可决系数R2i， 并将其代入式(3)中， 得到“金融总量发展”下各指标的VIF 分别为7.724， 6.170， 9.036， 8.822， 36.025， 64.143， 2.904， 15.867， 13.699， 5.926， 24.609，55.158， 删除VIF＞10 的指标， 保留了“金融机构存款”“金融机构贷款”“社会融资规模”“第三产业税收”“原保费收入”“金融机构数”6 个指标.

1.3.2 第二次筛选: 变异系数筛选

根据式(4)计算这6 个指标的vi分别为0.940， 0.821， 0.774， 0.716， 0.613， 0.702， 均值为0.761， 其中0.940， 0.821， 0.774 大于均值， 因此保留“金融机构存款”“金融机构贷款”“社会融资规模”这3 个信息含量大的指标.

用同样的方法实现对“人力投入”“物力投入”“财力投入”“创新知识”“创新产品” 以及“金融结构发展”“金融效率发展”相关指标的筛选.在“科技创新”子系统中， “创新知识”指标较少且具有代表性， “创新技术”指标间具有较大的相关性， 可直接进行变异系数筛选， 其他指标则依次进行第一次和第二次筛选， 最终保留了11 个科技创新指标.“金融发展”子系统最终共保留10 个金融发展指标.

1.3.3 信息贡献率检验

根据式(5) 计算筛选后的“金融发展”指标协方差阵的迹， 以及初始协方差阵的迹， 得到信息贡献率为0.362/0.377=96.02%.同样地， 得到筛选后的“科技创新”指标的信息贡献率为85.63%， 均满足标准.表2 中的评价指标体系可用于科技创新与金融发展的耦合协同测度.

表2 科技创新及金融发展的评价指标体系Table 2 Sci-Tech innovation and financial development evaluation indicator system

2 耦合协同测度

2.1 耦合协同测度模型

为了测度科技创新和金融发展两系统相互耦合、协同发展的程度， 借鉴王宏起等[9]以及王明英[15]的耦合测度模型， 构建耦合协同测度模型为

式中:Z为耦合协同度， 反映了科技创新与金融发展系统动态发展的整体协同程度， 取值范围为[0，1];C为科技创新及金融发展两个子系统的耦合度， 取值范围为[0，1];F为两系统耦合协同综合发展指数;U1，U2分别为科技创新与金融发展的综合发展指数;α，β分别为两个子系统综合发展指数的系数， 两系统间的耦合作用效果相等，α，β均取0.5.借鉴张勇等[18]的划分标准， 把C值划分为6 组， 对应不同的耦合阶段.综合武玉英等[16]、张怡梦等[17]对耦合协同度的划分标准， 为了便于集中分析， 增大耦合协同度区间， 把Z值划分为7 组， 对应不同的协同发展水平， 具体如表3 所示.

表3 耦合协同度划分标准Table 3 Coupling synergy degree standard

2.2 耦合协同测度方法

2.2.1 指标权重的计算

根据筛选后的指标体系， 获取2007～2016 年我国总体及试点地区科技创新和金融发展的各指标数据， 进行标准化处理， 并利用熵值法确定各指标的权重， 得到如表4 所示的计算结果.

表4 科技创新及金融发展的指标权重Table 4 Sci-Tech innovation and financial development indicator weight

2.2.2 耦合协同测度

借助式(8)， 对第k年两个子系统的综合发展指数进行计算， 并结合式(6)和(7)对耦合度和耦合协同度的计算， 完成第k年我国总体及区域科技创新及金融发展耦合协同测度， 即

式中:U1，k为第k年科技创新子系统的综合发展指数;U2，k为第k年金融发展子系统的综合发展指数;l为11 个科技创新指标;uik为第k年指标变量i的发展指数;wi为指标变量i的权重.

3 实证结果分析

3.1 总体耦合协同分析

通过耦合协同测度得到两个子系统的综合发展指数、耦合度和耦合协同度， 并参照表3 的标准作出如下评价， 结果如表5 和图1 所示.

由表5 可以发现: 2007～2016 年科技创新和金融发展的耦合度位于[0.3， 0.5]之间， 均处在颉颃阶段; 耦合协同度的变化范围为[0.215， 0.648]， 由高度不协同发展转变为低度协同发展.

表5 我国科技创新与金融发展耦合协同测度Table 5 Coupling synergy measurement of Sci-Tech innovation and financial development in China

由图1 可以发现: 科技创新综合发展指数逐年递增， 2012～2016 年平稳快速增长; 金融发展综合发展指数在2008 年出现明显下降， 2009 年急剧上升， 2010 和2011 年增速变缓， 2012 年之后稳步快速上升; 除2007 年外， 我国金融发展普通滞后于科技创新; 2007～2016 年耦合协同度不断上升， 2009 年耦合协同度增长较快， 此后阶段性缓慢增长， 且2015 和2016 年耦合协同度发展缓慢.

图1 2007～2016 年我国科技创新与金融发展的耦合协同发展水平Fig.1 Coupling synergy development level of Sci-Tech innovation and financial development in China from 2007 to 2016

3.2 区域耦合协同分析

为促进我国科技创新与金融发展的耦合协同发展， 2010 年《促进科技和金融结合试点实施方案》首次确定了16 个促进科技创新与和金融发展的结合试点地区.本工作选择试点地区所在的北京、上海、天津、重庆、江苏、浙江、广东、安徽、辽宁、山东、湖北、湖南、四川、陕西、甘肃15 个省市作为实证对象， 得到了各地区的耦合协同度， 并从时间维度描述了耦合协同度的发展趋势(见图2).

由图2 可以发现: 2007～2016 年区域科技创新与金融发展的耦合协同度由低于0.3 逐步提升到0.6 以上， 由高度不协同发展转变为中度协同发展; 试点地区的耦合协同度大多高于我国总体水平， 科技创新与金融发展良好; 区域科技创新与金融发展的耦合协同发展趋势大体相同， 但耦合协同差距较明显， 其中北京、上海、江苏、浙江、山东、广东等东部试点地区的耦合协同度明显高于中西部地区.

图2 区域科技创新与金融发展的耦合协同度变化Fig.2 Coupling synergy degree change of regional Sci-Tech innovation and financial development

4 建 议

我国科技创新与金融发展两系统相互影响、相互制约， 但二者的耦合度较低， 耦合协同度也偏低， 区域科技创新与金融发展耦合协同度存在差异， 且发展不均衡， 为此提出以下几点建议.

(1) 充分认识科技创新与金融发展协同的重要性， 创新金融发展制度， 优化金融政策环境，加强政府财政政策引导.完善顶层设计， 发挥银行、金融机构等融资渠道的推动作用， 完善金融市场的自我调节及筛选机制， 保障科技创新投资风险， 构建科技支持信贷体系， 提供科技服务支持.

(2) 推动区域科技创新与金融发展的耦合协同， 持续开展科技和金融结合试点工作， 发挥大城市、金融中心等的辐射带动作用， 缩小区域差距.借助“一带一路”带动发展的有利契机，通过东部地区技术扩散， 带动中西部地区科技创新发展、产业结构升级， 实现区域科技和金融均衡发展.

(3) 借助网络大数据分析技术， 因地制宜地打造专业、高效的科技金融网络平台.一方面规范各类主体的信息披露机制， 加强信息披露及金融监管， 有效控制风险; 另一方面促进知识、技术、信息、资金在东部与中西部地区间、高科技企业与中小型企业间的流动， 实现信息共享与价值增值， 提升区域创新能力.