金融发展对科技创新效率影响的区域收敛性研究

罗天正，魏成龙

(北京师范大学政府管理学院，北京 100875)

0 引言

党的十九届五中全会公报提出：坚持创新在我国现代化建设全局中的核心地位，把科技自立自强作为国家发展的战略支撑[1]。在经济转型的时代背景和国家的高度重视之下，政府发布了一系列财税、金融等相关政策以激励和扶持高校、企业乃至全社会的创新。从世界知识产权组织 (WIPO)发布的2018全球创新指数报告 (GII)来看，中国的学术论文发表数量和专利申请量已位列世界第一[2]，但在取得巨大创新成绩的同时，中国的科技创新仍面临着一些现实问题，一方面，目前中国的科技创新产出是建立在政策引导下的高投入之上的，创新成果存在重复创新、政策性迎合等情况，创新的质量与效率有待进一步提升；另一方面，中国的科技创新成果多集中在上海、广东等东部沿海发达省市，而中西部、内陆地区则相对较少，各地区之间存在着创新发展不充分、创新效率不均衡的问题。因此，提高科技创新效率，减少过度投入和资源浪费问题，对于提高国家创新能力，促进区域间创新的均衡发展有着重要现实意义。

如何提高中国科技创新能力和科技创新效率，也同样是学界关注的焦点。当前研究已从财税[3]、金融、企业性质[4]和人力资本等方面对科技创新效率问题进行了分析讨论，但从科技创新的实际过程来看，资金则是众多创新主体在创新过程中最为需要的生产要素，所以，金融市场作为科技创新投资的主要资金渠道就显得尤为重要。目前关于金融与科技创新的研究主要集中在以下两个方面：第一，已有研究多集中在金融发展对科技创新产出的影响方面；第二，对区域异质性的研究，相关文献多集中对东、中、西部地区进行分组回归以讨论三大地区之间的差异。但是，现有研究在讨论该问题时忽视了创新的效率问题，且往往只分析东、中、西部之间的差异，而忽视了各地区内部可能也存在着效率差异，对于同一地区发展程度不同的城市，影响因素的作用水平也会有差异；同时，对于各地区之间创新效率收敛性的问题也涉及较少，而针对金融发展对各地区创新效率收敛性影响的相关研究则更为匮乏。基于此，本文使用SFA模型，从金融规模与金融效率两个方面研究金融发展对科技创新研发和转化两阶段效率的影响；同时，通过收敛性检验和RIF分位数回归探讨了金融发展在不同科技创新效率地区的异质性影响。

1 文献综述

一般来说，科技创新具有高成本、高风险和长期性三个特点[5]，而对于这些特点，金融发展通常从三个方面影响科技创新。第一，金融发展可以给科技创新带来融资便利，缓解融资约束问题[6]，各类投资基金、风险投资机构以及数字经济时代下的互联网金融都为企业开拓了更多的融资渠道。第二，金融发展可以解决创新融资中的信息不对称问题，可以降低监督成本和道德风险问题，从而促进创新[7]。第三，金融发展可以为企业创新研发分担风险[8]，股票市场可以为创新企业提供更高的股价，为企业带来资金支持，从而鼓励创新[9]。

在创新的过程中，除了创新产出，创新效率也应该是需要关注的重点。银行、投资人通常只关注企业和研究机构的创新产出，但却忽视了创新效率问题，存在创新产出与创新投入的不匹配问题。金融发展一方面会为科技创新提供大量资金形成规模经济，提高创新效率；另一方面也会因为资金过剩出现金融市场估价偏离的情况，导致金融资源浪费、创新效率降低的情况出现。对于金融发展对创新效率影响的研究，已有研究主要从金融规模的角度探讨它对创新效率的影响。有学者先通过面板数据发现了金融发展对技术创新的促进作用[10]；之后，又通过Malmuquist指数的方法分析了金融体系对中国技术效率有正影响[11]，而金融发展对各个省份创新效率的作用是随着时间推移而不断加强的。也有学者使用1998—2007年省级层面数据测度了区域研发效率，发现科技贷款对技术创新效率的提升有促进作用[12]。对于科技创新效率的测度，已有学者多通过数据包络分析 (DEA)和随机前沿分析 (SFA)两种方法对创新效率进行研究。

一些学者认为DEA模型属于非参数的数学方法，能够考察多种投入产出变量的效率情况，且不会因函数设定的不同而导致检验结果的偏差[13]。他们使用DEA方法对中国创新效率进行测算，并分别讨论不同平板显示企业创新效率的差异，以及企业规模质量[14]、OFDI对创新效率的影响[15]。另一些学者则认为SFA模型能够获得优于DEA方法的测度结果，该方法也被逐步用于宏观国家层面到微观企业层面的各层次研究中去[16]。他们基于投入产出视角使用SFA模型测量了各地区的创新效率，并分别讨论了知识溢出和互联网与区域创新效率间的关系[17-18]。对于两种创新效率的测量方法，从创新的投入产出量纲考量，非参数估计方法的DEA模型能够对多投入变量和多产出变量的效率进行估计，且能够避免函数设定的主观因素影响，具有独特的优点。但DEA模型未考虑计算误差和统计噪音等随机因素的影响，而投入产出变量又难以覆盖全部因素，因此变量选择不当会影响效率结果的准确性。SFA模型将随机误差项与技术非效率项分开，可以在考虑随机因素的情况下对效率进行评估，在一定程度上弥补了DEA模型的不足，故本文使用随机前沿模型对科技创新效率进行测度。

除了对创新效率整体影响的研究外，一些学者把研究聚焦于金融规模对创新效率影响的区域异质性问题，但得到的结果并不完全相同。有学者通过GMM方法研究发现金融发展对东、中、西部地区创新效率的影响并不相同，金融发展对东、中部地区的创新效率影响并不显著，对西部地区则有显著的促进作用[19]。也有学者发现了不同的情况，他们使用2006—2017年高技术产业的省级面板数据进行研究，发现金融规模对东、中部地区的创新效率具有10%水平下显著正相关，而对西部地区则没有显著影响[20]。由于对金融规模的变量设置差异，不同的学者获得了不同的研究结果，但大部分学者均发现了金融规模与创新效率的正相关关系。但是，有学者通过1998—2008年30个省份的省级数据，运用随机前沿距离函数模型发现，银行信贷规模的扩大对创新效率有负向影响，而科技贷款规模的扩大则对创新效率有正向影响，因此认为目前中国的金融发展过度重视金融规模，而忽视了资源配置的合理性[21]。可见，金融资源的配置效率也是在研究金融发展过程中需要注意的问题。已有研究对于金融效率促进创新投入和产出的研究较多，但对金融效率与创新效率之间关系的研究较少，而金融效率也是金融高质量发展中不可忽视的一部分，故本文将金融效率作为金融发展的代表变量之一纳入进来，考察其对创新效率有怎样的影响。在区域异质性研究方面，既有研究通常对东、中、西部地区进行差异研究，但却忽略了在各地区内部的不同省份间同样存在发展水平的差异性，金融发展对整个地区的影响作用可能并非适用于该地区内的每个省份的发展考量，基于此，本文拟采用RIF回归的方法对该问题进行讨论。与一般线性回归相比，分位数回归描述了自变量与因变量分布的各分位数之间的关系，能够更加全面了解自变量与因变量间的内部关系，但传统的分位数回归只能了解自变量中的极少数变量与因变量的关系，以及自变量X在给定条件下的变化对因变量Y的条件分位数的边际影响，而无条件分位数 (RIF)回归能够在参数一致估计的前提下实现自变量对因变量的无条件分位数的边际影响的了解。因此，本文将通过RIF回归方法，讨论金融发展对不同创新效率地区的影响。

基于以上分析讨论，本文进行了以下三方面的尝试与探索：第一，在金融规模的基础上，进一步探讨包括金融效率与金融规模在内的金融发展对科技创新效率的影响；第二，使用σ收敛和β收敛对各地区创新效率的敛散性进行分析，识别创新效率的区域间收敛性和区域内部收敛性问题，较为全面地对各地区创新效率的变化趋势进行特征分析；第三，使用RIF回归探讨在创新效率不同的地区，金融发展对其创新效率的提升和收敛趋势有什么样的影响，从另一视角完善金融发展对创新效率影响区域异质性问题的研究。

2 研究设计

2.1 模型构建

本文通过随机前沿模型对各省份的技术创新效率进行测度，同时选取金融规模和金融效率作为表征金融发展的核心变量，分析金融发展对各地区技术创新效率的影响方向和程度。随机前沿函数分析方法是一种多运用于生产力分析的模型，该方法可以将模型中的随机扰动项分为随机误差项和技术无效项，并利用计量方法进行计算，用技术无效项估算技术效率，其结论更加接近于实际情况。随机前沿生产函数模型如下：

(1)

式中，yit为地区i在t时期的产出变量lnYit，包括 “发明专利申请数量”和 “新产品销售收入”；xit为地区i在t时期的投入变量lnXit，包括R&D人员投入和R&D资本投入；γt为时间固定效应，表示技术进步。公式 (1)也可表示为：

lnYit=γt+β1lnLit+β2lnKit+υit-μit

(2)

式中，科技创新效率为exp(-μit)，本文为了实证检验金融发展对科技创新效率的影响，对科技创新效率的分布进行如下假设：vit为假定服从均值为0的正态分布的随机干扰项，μit为技术非效率项，服从单边正态分布，假定vit与μit相互独立，即：

(3)

wit=b0+b1fineit+b2finbit+b3finsit+b4miit+δit

(4)

式中，fine、finb、fins表示金融发展变量，分别为金融配置效率、信贷金融市场规模、股票金融市场规模；mi表示各地区市场化程度。公式 (2)与公式 (4)构成了本文所要研究的随机前沿模型，由于系数b为金融发展变量与wit的相关系数，μit为服从期望值为wit、方差为σμ2的正态分布，而科技创新效率为exp(-μit)，故模型所得系数符号与实际为反向关系，即正值表示金融发展与科技创新效率有负相关关系，负值则表示正相关关系。在上述假设下，可基于极大似然估计方法 (MLE)进行估计，得到模型的参数估计值以后，可基于如下计算公式求得地区工业企业的创新效率：

(5)

2.2 变量选择与指标构建

本文中的科技创新效率值基于极大似然估计方法测度得到，测度变量包括投入变量与产出变量，具体投入产出变量如下：产出变量包括 “发明专利申请数量 (y1)”和 “新产品销售收入 (y2)”，两种产出分别代表创新的不同阶段。 “发明专利申请数量”对应科技创新研发阶段， “新产品销售收入”则对应科技创新转化为市场产品这一阶段。

投入变量包括企业R&D人员投入 (L)和R&D资本投入 (K)，其中，R&D人员投入为两种类型企业的R&D人员全时当量；R&D资本投入为两种类型企业的R&D经费内部支出。本文使用永续盘存法计算R&D资本存量，具体公式为Kit=Eit+Ki,t-1(1-δ)；Eit=Iit/Pit。其中，Kit表示地区i的两类企业在时期t分别的R&D资本存量，Eit表示剔除价格因素后，地区i的两类企业在时期t的R&D经费内部支出。基期资本存量为Ki0=Ei0/ (gi+δ)，gi表示地区i的两类企业R&D经费内部支出的年均增长率；σ表示折旧率，参考前人做法统一使用15%进行计算[22-23]。Iit和Pit分别表示地区i在时期t的名义投资和R&D价格指数，结合已有研究[24-25]，本文使用0.55×各省份消费价格指数 (CPI)+0.45×各省份固定资产投资价格指数计算获得。此外，本文还将R&D经费内部支出的名义价格转换为2008年不变价格。

本文的核心解释变量为金融发展变量，从金融规模和金融效率两方面对金融发展进行解析。对于金融规模指标，本文综合学者们目前的研究经验[26-27]，采用各省贷款余额占该省GDP比例来表示金融信贷市场规模，反应间接融资发展情况；另外，采用各省股票市值与该省GDP之比表示金融资本市场规模，反应直接融资发展情况。对金融效率的指标选择，由于效率受多种因素的影响，难以用某一单一指标进行概括，目前并无统一的测算。本文借鉴已有做法[28-29]，使用DEA方法对中国的金融资源配置效率进行测量，基于对前人研究的分析和数据可获得性的考虑，本文选择金融机构贷款余额、政府财政支出额和金融从业人数作为金融投入指标，选择金融业增加值作为产出指标，对各省份金融效率进行测算。同时，对于控制变量，由于影响创新效率的因素较多，无法囊括所有变量，所以本文参考相关文献[30-31]，选择较为综合的 “地区市场化指数”作为控制变量。

2.3 数据来源

本文使用各省规模以上工业企业 (简称工业企业)数据和部分省级数据，涉及数据包括各省GDP、年末金融机构存款余额、年末金融机构贷款余额、各省CPI和固定资产投资价格指数、各省股市总市值、各省金融业增加值、各省金融从业人员数量、各省财政支出、企业R&D经费内部支出、R&D人员全时当量、发明专利申请数、新产品销售收入等统计数据。本文选择一级行政区为研究样本，因缺少西藏、香港、澳门和台湾地区相关创新数据，故剔除了这些地区，共选取30个省份作为样本；同时由于2008年以前中国工业企业统计口径为大中型工业企业，故本文统计规模以上工业企业数据自2008—2017年。最终，本文共收集整理出10年30个地区的300组数据，所有数据均收集自国家统计局网站、《中国统计年鉴》《中国工业经济统计年鉴》《中国高技术产业统计年鉴》《中国金融年鉴》《中国区域经济统计年鉴》和《中国分省份市场化指数报告》等。

3实证检验与分析

3.1 金融发展对科技创新效率的影响

本文采用极大似然估计对随机前沿模型进行估计，通过Frontier4.1软件得到估计结果 (见表1)。其中，前沿生产函数部分为公式 (2)的估计系数，技术非效率函数部分为公式 (3)的估计系数；另外，模型 (1)反映科技创新研发阶段的结果，模型 (2)反映科技创新转化阶段的结果。各估计结果中的γ值均为正且在1%的水平下显著，说明本文使用SFA模型是合理的。

表1 随机前沿模型估计结果

由表1可知，在前沿生产函数部分，两个模型中的劳动投入和资本投入与创新产出效率均呈正相关，其中，各模型的劳动投入系数均大于资本投入系数，说明相对于资本投入，劳动投入的产出弹性更大，间接说明了科技研发过程中的人员投入相对不足。在技术非效率函数部分，由于随机前沿模型的设定原因，软件输出结果的正负关系与实际变量关系相反，所以，在科技创新研发阶段，模型 (1)的结果表明金融效率、金融信贷规模、股票市场规模和地区市场化程度均与创新研发效率呈显著正相关关系，说明提高金融效率、扩大信贷规模和股票市场规模、改善提高市场化水平程度均有助于提高工业企业的创新研发效率；在科技创新转化阶段，模型 (2)表示金融资源配置效率、信贷市场规模和市场化程度与创新转化效率呈现正相关关系，而股票市场规模与创新转化效率呈负相关关系，但并不显著，说明提高金融效率、扩大信贷规模、改善增强市场化水平程度对提高工业企业的创新转化效率有积极影响，但股票市场规模的扩大对其创新转化效率的提升存在一定抑制作用。

对比模型 (1)与模型 (2)两个科技创新阶段可以发现，股票市场规模的扩大在两个阶段呈现出相反的影响，即间接融资对创新研发阶段的效率有着积极影响，但对于创新转化阶段的效率有着负相关关系，这可能是由于股票市场的融资成本较低所致。企业通过股票市场融资的途径除了吸引资金买入提高市值外，还包括定向增发、配股和发行可转债等，相对于银行贷款，这些融资方式在中国股票市场大多成本较低，即使是发行可转债也可通过本息合一或折扣利息等方式降低研发过程中的现金流压力，而银行贷款则需每年按期还息，所以，企业从股票市场融资的增值兑现压力较小，可以将资金用于科技创新研发这一阶段，而不需要被迫提前将技术转化为产品以兑现获利。银行信贷规模对两阶段创新效率的影响也印证了这一观点，在表1中，银行信贷规模的增大对科技创新转化阶段效率的积极影响大于对科技创新研发阶段效率的影响，说明由于银行贷款的付息还款压力较大，所以企业不得不将重心放在新产品转化这一阶段以及时获利。金融效率对科技创新的影响在两个模型中均呈显著正相关关系，可以发现，模型 (1)中金融效率系数明显大于其他变量系数，说明金融效率对创新研发效率影响的弹性更大。市场化程度在科技创新转化阶段效率的正向影响系数高于科技创新研发阶段，反映出良好的市场化程度对新产品的销售转化作用更大。

3.2 描述性统计和敛散性分析

基于随机前沿模型的测量结果，本文对规模以上工业企业历年的科技创新效率均值、标准差和变异系数进行描述性统计，以便更进一步了解其科技创新效率的变化特征。计算结果如表2所示，表中所示变异系数为科技创新效率的标准差与平均值的比值。

表2 规模以上工业企业两阶段创新效率的描述性统计

从平均值来看，工业企业的创新研发效率和创新转化效率在2008—2017年的十年间呈整体上升的变化趋势，研发阶段效率的变化更为明显，而创新转化效率上升趋势变化较小。研发阶段效率在2012—2017年上升幅度极为明显，转化阶段效率仅在2009—2010年和2012—2013年有大幅提高，其他年份相对较为平稳。其中，创新转化效率在2008—2009年有急剧下降情况，这可能是受到当时经济环境影响，美国次贷危机导致的全球经济衰退，对工业企业的新产品销售造成了影响，而这一情况对企业的专利研发则影响较小。从标准差来看，研发阶段效率的标准差下降趋势明显，而创新转化阶段效率的标准差变化为上下波动趋势，说明工业企业的科技创新研发阶段效率分布情况变化较大且呈逐渐集中趋势，而科技创新转化效率分布的变化相对较小。结合变异系数来看，创新研发阶段呈明显下降趋势，创新转化阶段也有一定下降但趋势相对较弱，两阶段效率的变异系数整体上均呈下降趋势，说明各省份工业企业的科技创新效率存在σ收敛，即各省份工业企业的科技创新效率差距有缩小趋势。

通过表2可以得到工业企业的科技创新效率存在σ收敛的结果，说明各个省份间科技创新效率的离差随着时间的推移而呈减小趋势。但σ收敛仅是对创新效率存量水平的描述，而各省份的增量水平呈现何种情况，以及地区间是否存在统计学意义上的收敛和趋同则需要进一步的讨论和验证。β收敛是检验收敛性的另一种方法，它可以通过回归模型考察初始年落后地区是否能够由更高增长率以追赶发达地区、实现收敛状态。本文使用绝对β收敛计量模型检验工业企业的科技创新效率的收敛性，具体回归方程如下：

ΔlnTEit=β0+β1lnTEi0+λit

(6)

式中，ΔlnTEit表示规模以上工业企业科技创新效率的年均增长率，TEi0表示对应样本基期的效率值，λ表示随机干扰项。若估计值β1为负且存在统计学意义上的显著，则说明在不同地区间科技创新效率的平均增长率在0～t时段与基期的创新效率呈现负相关，即落后地区的科技创新效率增长比发达地区要快，因此存在β收敛，具体检验结果见表3。

表3 工业企业创新效率的绝对β收敛检验结果

由表3可知，在工业企业的两个创新阶段中，变量lnTEi0的系数均为负数且通过了显著性检验，说明工业企业的科技创新效率均服从绝对β分布，即在科技创新效率较低的地区，工业企业具有较高的创新效率增长率，而在科技创新效率较高的地区，其增长率则较低。所以，各地区工业企业的科技创新研发效率和转化效率的差距随着时间的推移在逐步缩小。

由图1和图2可知，从整体来看，东部地区的科技创新效率较中、西部地区存在一定的差距，而中、西部地区之间的差距则并不明显。其中，对于工业企业的创新研发效率，中、西部地区与东部地区之间的差距在逐步缩小，反映了工业企业的创新研发效率有收敛性现象。而反观创新转化效率，其地区间的差距收敛并不明显，结合表3中β收敛的显著性可知，虽然各省工业企业的转化效率差距在逐渐缩小，但差距的缩小主要来自东、中、西部各地区内部差距的收敛，而并不是来自各地区间差距的变化，即在各地区内部，工业企业的创新转化效率形成了 “俱乐部收敛”。

图1 东、中、西部地区工业企业创新研发效率

图2 东、中、西部地区工业企业创新转化效率

3.3 RIF分位数回归

通过以上分析，我们发现中国工业企业的两阶段科技创新效率均具有一定收敛性，各省份间的科技创新效率差距在逐步减小。那么，在不同的效率水平下，金融发展对各省份科技创新效率会有怎样的影响？对各省份科技创新效率的收敛性又会产生怎样的影响？本文采用RIF回归方法进行检验，所设定的RIF回归方程如下：

(7)

常用的RIF统计量包括方差、基尼系数、分位数等，采用不同的估计量能够得到更加细致和精确的估计结果。本文选择分位数作为统计量进行估计，分别在0.1、0.3、0.5、0.7和0.9几个分位点进行分析，即分别表示对科技创新效率为较低、中低、中等、中高和较高地区的回归分析，结果见表4和表5。y在公式 (7)中特指该地区工业企业科技创新效率 (TE)，z表示影响科技创新效率的变量，具体变量与前文相同，分别为金融效率 (fine)、股票市场规模 (fins)、银行信贷规模 (finb)和市场化指数 (m)。

由表4可知，对于规模以上工业企业的科技创新研发效率而言，随着分位点的提高，金融效率变量 (fine)的估计系数呈现先上升后下降的变化趋势。首先从0.1分位点的0.239提高到0.5分位点的0.846，然后从0.5分位点的0.846下降到0.9分位点的0.168，并且在各个分位点的估计系数均通过了5%水平下的显著性检验。这说明金融效率改善会拉大科技创新研发效率较低的地区与位于中等地区的差距，能够缩小科技创新研发效率处于中等的地区与较高地区之间的差距。

随着分位点的提高，股票市场规模变量fins的估计系数为上升的变化趋势，其中在0.1～0.5分位点的估计系数均为负且在10%的水平下显著，且在0.1～0.5分位点的估计系数的变化较为平稳，位于-0.025附近。之后上升到0.7分位点的0.001，虽然没有通过显著性检验，但是当分位点为0.9时，股票市场规模变量fins的估计系数上升到大约0.094且在1%的水平下显著。这说明在科技创新研发效率水平较低的地区，股票市场规模扩张对创新研发效率的影响为负，且对地区内部创新研发效率的差距没有显著性影响，但是会拉大创新研发效率在低效率水平与高效率水平地区之间的差距。可能的原因是，在创新研发效率较低的地区，工业企业的经营重心在于生产而非创新，创新对某些传统工业行业带来的业绩和利润提升并不足以让其经营重心产生转移，在企业创新研发意愿不强的情况下，即使股票市场能够带来一定的资金和市值提高，也无法对其创新研发效率产生显著影响，甚至可能因为在低效率的情况下仍然通过其他方式获得股票市值的增长，更加剧了企业对于科技创新研发的轻视，导致负效应的存在。

表4 工业企业科技创新研发效率RIF分位数回归结果

表5 工业企业科技创新转化效率RIF分位数回归结果

对于银行信贷规模，变量finb的系数呈现逐渐上升的整体趋势，从0.1分位点的0.012上升到0.7分位点的0.082，在0.7～0.9分位点阶段有一定下降，但0.9分位点的0.049仍大于中低和较低分位点的地区，除了0.1分位点外，其他分位点均在1%水平下显著。这说明随着信贷规模的扩大，科技创新研发效率较低、中低、中等和中高地区之间的差距会逐步拉大，而中高与高效率地区的差距会逐步缩小。这意味着，信贷规模对各省份工业企业的科技创新研发效率均有积极的提升作用，且对创新研发效率本身为中高、较高的地区作用更明显。

市场化程度变量market的估计系数在各分位点均为正且均服从1%水平下显著，从0.1分位点的0.021上升到0.7分位点的0.082，之后在0.9分位点回落为0.027。这说明市场化程度的提高会拉大创新研发效率较低、中低地区与位于中等地区和中高地区的差距，也能够缩小中等和中高地区与效率较高地区的差距。可以看出，市场化程度的提高对科技创新研发效率处于中等、中高位置的地区作用更大。

由表5可知，金融效率变量fine对工业企业转化效率的影响在各分位点并不一致且均不显著，股票市值规模fins变量的估计系数在各分位点均为负数且仅在0.7分位点服从1%水平下显著，这一结果与SFA模型的回归结果相符，即在创新转化阶段，金融效率对工业企业科技创新转化效率并无显著影响，股票市场规模对工业企业科技创新转化效率有一定的负向影响，但对效率差距有一定的收敛作用。

银行信贷规模变量finb的估计系数从0.1分位点的0.007逐步上升到0.9分位点的0.068，除了0.1分位点外，其他分位点均在1%水平下显著。这说明金融信贷的规模扩大可以提高各地区的科技创新转化效率，但会拉大转化效率较低、中低和中等地区与中高、较高地区的差距，而中低、中等地区和中高、较高地区内部的创新转化效率差距变化则相对较小。

市场化程度变量market的估计系数整体上呈先上升后下降趋势，从0.1分位点的0.052上升到0.7分位点的0.153，然后下降到0.9分位点的0.077，各分位点系数均在1%水平下显著。这一结果与该变量对科技创新研发效率在各分位点的影响趋势基本相同，说明对于工业企业而言，无论是科技创新的研发阶段还是转化阶段，市场化程度的提高都对效率处于中等、中高位置的地区带来更大的积极影响。

4 结论与政策含义

本文采用2008—2017年规模以上工业企业的省级面板数据，构建随机前沿模型测量科技创新研发阶段和转化阶段的效率，并基于测量结果分析金融发展对企业科技创新效率的影响，使用σ收敛和β收敛两种检验方法探讨两阶段科技创新效率的区域收敛性问题，通过RIF分位数回归方法进一步分析金融发展对不同地区科技创新效率及其收敛性产生的影响，得到结论如下：

第一，整体上看，金融发展从金融效率和金融规模两个方面对提高企业科技创新研发效率和科技创新转化效率均有显著的积极作用，但其中股票市场规模的扩大对科技创新转化效率呈现出一定的抑制作用。第二，收敛性检验的结果说明工业企业在各地区间的科技创新效率差距有逐步缩小趋势，其中创新转化效率差距的收敛形成主要原因是东、中、西部地区内部之间差距的缩小，而创新研发效率的收敛原因可能一方面来自东、中、西部地区内部差距的缩小，另一方面来自三个地区之间差距的缩小。第三，在各省份科技创新效率趋于收敛的过程中，金融效率、金融规模的提高和扩大有利于工业企业科技创新效率的收敛，但是，股市规模和信贷规模的扩大也会对创新效率较低地区的效率追赶产生一定的抑制作用。

本文对研究结果的政策含义讨论如下：

第一，在对待科技创新的问题上，应重视金融发展的重要作用，金融发展可以成为创新的助力，各级政府可 “因地施策”，如在科技创新效率较低的地区，应考虑以扩大银行信贷规模为主，提高金融效率次之，同时谨慎扩大股票市场规模，切莫将整个地区的金融资源过度集中于某家或某几家上市公司；而在科技创新效率较高的地区，则应推动和激励金融资本市场的发展，优先发展股票市场规模，同时兼顾银行信贷规模和金融效率的均衡发展。第二，合理利用金融发展对科技创新的积极作用，在推动金融发展的同时，政府和商业银行也应相互配合，对金融资源进行配置和调控，将现有金融资源在传统工业企业与高技术企业间进行调节，在政策激励和贷款倾斜的双重引导下支持企业进行转型升级。第三，各地区应强化人才战略，建立良好的人才制度环境。第四，在地区创新效率的均衡发展问题上，各地区应加强区域间交流合作；同时地方政府也应顺应时代发展潮流，找准本地区特点，探寻适宜自身产业和人口结构的科技创新发展道路。