吉林省地方财政科技投入影响因素分析

单艺 王桂华

DOI：10.16660/j.cnki.1674-098X.2106-5640-3119

摘  要：地方财政科技投入是提升科技创新能力的关键要素，本文首先分析吉林省近年来地方财政科技投入的发展情况，再分析地方财政科技投入与哪些因素相关，并对吉林省地方财政科技投入与相关因素建立基于Adaptive-LASSO回归分析模型，通过回归分析结果分析相关因素具体如何影响地方财政科技投入，最终从加大地方财政科技投入、优化资源配置和建立绩效考核机制等方面提出相关建议。

关键词：地方财政  科技投入  相关性  Adaptive-LASSO

中图分类号：F812.7;G322                  文献标识码：A                  文章编号：1674-098X（2021）06（b）-0183-06

Analysis on influencing factors of science and technology investment of local finance in jilin province

SHAN Yi  WANG Guihua

（Jilin Institute of Science and Technology Information，Monitoring Center for Science and Technology Statistics and Analysis， Changchun， Jilin Province， 130000  China）

Abstract： Local financial science and technology investment is the key factor to improve the ability of scientific and technological innovation. This paper first analyzes the development of local financial science and technology investment in Jilin Province in recent years， then analyzes the factors related to local financial science and technology investment， and establishes an adaptive lasso regression analysis model for local financial science and technology investment and related factors in Jilin Province， Through the results of regression analysis， this paper analyzes how relevant factors affect local financial science and technology investment， and finally puts forward relevant suggestions from the aspects of increasing local financial science and technology investment， optimizing resource allocation and establishing performance appraisal mechanism.

Key Words： Local finance; Investment in science and technology; Correlation; Adaptive-LASSO

1  吉林省区域地方财政科技投入现状分析

1.1 吉林省地方财政科技投入概况分析

2015—2019年来，地方财政科技投入总体发展趋势不容乐观且不稳定。自2018年开始，增速为负增长且不断下滑。由图1可以看出，2019年吉林省地方财政科技投入为39.18亿元，同比上年减少4.67%，全国地方财政科技投入共为5960.78亿元，吉林省在全国排名第25名。而2015—2019年地方财政科技投入增幅总体波动性较大，2017年最大增长率为14.22%，而2018年出现“断崖式”下跌，较上年降低12.25个百分点，且5年平均增长率为-1.09%，这对于吉林省科技创新发展都有较大的影响。

地方财政科技投入强度是指地财政科技投入占地方财政支出的比例，该指标主要反映地区科技投入方面努力的程度。由图2可以看出2015—2019年地方财政科技的投入与强度，这5年吉林省地方财政科技投入强度一直在1%左右，且呈现下降趋势，由2015年的1.29%到2019年的1%。

按地域分布如图3可知，中部地区地方财政科技投入为13.28亿元，占地方财政科技投入的65%，为各地区科技投入最多的地区，西部地区地方财政科技投入仅为1.59亿元，仅占地方财政科技投入的8%，仅为中部地区的1/10，地方财政科技投入在地区间发展极为不平衡。

按支出类型划分（如图4），2019年吉林省在基础研发方面投入较少，基础研究、应用研究和技术研究与开发支出共为12.62亿元，占地方财政科技投入总额的32.2%，仅为总额的1/3。其中，基础研究、应用研究和技术研究与开发分别占地方财政科技投入总額的1.5%，8%和22.7%。其他科学技术支出达14.18亿元，而全省技术研究与开发支出为8.89亿元，表明地方财政科技投入经费主要用于吉林省专项技术开发研究。值得关注的是，吉林省基础研究支出仅为0.6亿元，在专项基础科研方面的支出较为薄弱，因此在基础创新研究能力方面还有较大提升空间。

财政科技支出中的基础研究和应用研究科目主要是用于研究基本原理或获取新知识方面的支出，是科技活动中的初始性研究，也是整个社会科技创新的基础和源泉。由图5可知，2015—2019年，吉林省基础研究与应用研究支出都处于较少的情况，且占地方财政科技投入的比例也较低，尤其在2017年地方财政科技投入高达46.84亿元，但是基础研究和应用研究比例却最低，仅为7.81%。由此可见，吉林省科技支出在基础和应用研究的支持力度还有待提高。

1.2 吉林省9市（州）地方财政科技投入现状分析

由图6的2019年各地市（州）地方财政科技投入可以看出，2019年吉林省9个地市（州）地方财政科技投入共为20.24亿元，同比去年降低9.03个百分点。9个地市（州）大部分都比去年有所下降，松原市地方财政科技投入增幅超过200%，主要来源于经开区扶持企业项目建设工作。吉林省9个地市（州）地方财政科技投入发展不均衡，差异较为明显，地方财政科技投入最多的为长春市，为11.29亿元，与投入最少的辽源市相差近50倍，这与省会城市推动地区科技发展有密切关系。

2019年吉林省9个地市（州）地方财政科技投入强度如图7所示，除了通化市强度为1%，其他各市均低于1%。值得注意的是，白城市地处吉林省西部地区，其地方财政科技投入虽在全省排名较后位置，但较去年地方财政科技投入有较大提高，并且地方财政科技投入强度也接近1%，说明地方政府在科技方面加大了投入力度。长春市虽然地方财政科技投入在全省排名第一，但是其科技投入强度低于1%，排名第三，作为省会城市，科技资源方面在全省应较为突出，当地政府应考虑加大科技投入的力度。

1.3 吉林省各县（区）地方财政科技投入现状分析

2019年，吉林省地方财政纳入统计的共有69个区（县），地方财政科技投入共为14.96亿元，较上年增长39%。地方财政科技投入强度仅为0.58%，基本与上年持平。如图8所示，吉林省有39个区（县）地方财政科技投入在500万元以下，占全省总数近1/2。仅有5个区（县）地方财政科技投入超过5000万元。其中，长春经济技术开发区、长春高新技术开发区、长春汽车经济技术开发区、梅河口市和延吉市地方财政科技投入均超过亿元。

值得关注的是，长春二道区、长春经济技术开发区和吉林经济开发区地方财政科技投入强度均超过10%，分别为24.48%、10.09%和11.73%，其中主要包括长春经济技术开发区信息产业园及相机产业园注册资本的增加，使得该区地方财政科技投入强度加大。而其他绝大部分县区地方财政科技投入均低于1%，这也是导致吉林省各区（县）地方财政科技投入强度低于1%的主要原因，因此应该引起当地财政和科技部门的重视。

2  地方财政科技投入影响因素实证分析

2.1 变量选择

本文以《吉林科技统计年鉴2020》和《吉林统计年鉴2020》数据为例，选取2010—2019年地方财政科技投入、国内专利授权量、教育支出、第二产业增加值和R&D经费支出作为变量。

2.2 相关性分析

应用皮尔森相关系数求解地方财政科技投入、国内专利授权量、教育支出、第二产业增加值和R&D经费支出5个指标的相关系数，如表1可以看出，地方财政科技投入与国内专利授权量、教育支出、第二产业增加值和R&D经费的皮尔森相关系数分别为0.722、0.864、0.930和0.842，都呈现较强的相关性。

2.3 实证分析

2.3.1 Adaptive-LASSO方法变量选择

基于以上的研究分析，提出一种基于吉林省地方财政科技投入的量化式优化方法。通过应用SPSS及R软件，应用基于Adaptive-LASSO[1]进行变量选择，得到吉林省地方财政科技投入的回归方程，进一步来探究影响地方财政科技投入的相关因素。

如今，我国已有很多学者探究出对地方财政科技投入产生影响的因素，普遍应用了最小二乘法来解决参数估计问题，将影响地方财政科技投入的诸多因素与其建立多元回归模型。但是应用此方法，往往对数据本身有依赖，可能会陷入局部最优解，由此会对相关结果产生一些偏差[2]。

多年来，随着统计的技术与方法不断更新迭代，对数据运用相关新的方法可以在原有的基础上得到更加准确的结果。本章运用基于Adaptive-LASSO[3-4]变量选择方法来研究地方财政科技投入的影响因素。

在以往的研究中，大多应用逐步回归法来选择剔除不相关变量，最后应用最小二乘法来对变量的参数进行估计。然而，两者的局限性在于得到的结果并不是全局最优。如果预测变量过多，在子集的选择上有着不可操作性。本文选用Adaptive-LASSO方法来探究地方财政科技投入与各因素之间的关系，然后得到筛选出的变量建立回归方程。

LASSO[5]参数估计被定义如下：

（1）

LASSO方法虽然可以解决最小二乘法和逐步回归存在的局部最优解的不足之处，但也有其弊端。为此，Zou[6]提出了一种改进的LASSO方法，称为Adaptive-LASSO方法，定义如下[7]：

（2）

其中，权重，（γ>0），j=1，2，...，p。

2.3.2 模型检验

利用R软件，应用Adaptive-LASSO方法进行变量选择[8]，结果如表2所示。由结果可以看出，国内专利授权量、教育支出和R&D经费系数为0，因此剔除了国内专利授权量、教育支出和R&D经费3个变量。下一步進行模型检验。

应用SPSS软件对变量选择结果进行检验，如表3和表4所示。

VIF为方差膨胀系数，若方差膨胀系数越大，一般规定超过10，则说明自变量间存在严重的多重共线性。由表3可知，第二产业增加值VIF值为1，说明已消除多重共线性[9]。

R2为拟合优度，若R2越接近于1，则拟合效果越好。由表5可得，R2为0.864，所以模型整体拟合效果较好。

根据方差分析，F值也通过检验。由表6可知，检验残差的正态性，结果较好。

根据上节变量选择及模型结果，最后得到吉林省地方财政科技投入回归方程为地方财政科技投入=0.017×第二产业增加值?24.658。说明第二产业增加值增长1个百分点，拉动地方财政科技投入提高0.017%。

3  对策及建议

3.1 加大地方财政科技投入，努力实现地区均衡发展

地方政府科技投入在整个科技发展中起到重要作用，根据各地区产业发展优势，划分各地区功能类别，着重在重点产业制定相关策略，以此来提高各地区的科技投入力度，最终将促进地方经济发展。

3.2 基础研究领域较为薄弱，影响全省科技创新能力

发挥好地方政府为主导，中央政府为引导的作用，优化科技资源配置，要将有限的优化资源配置到高效率地区，且整合高校和企业的优势资源，在基础研究领域要充分开展科技研发，在应用研究领域要不断强化市场的基础性作用，从而提升吉林省在科技研发方面的能力。

3.3 优化资源配置比例，建立绩效评价体系

从地市层面上看，要考虑绝对资源按照适量比例增加以及地区资源配套协同发展，同时地方政府还应建立完善的科技投入绩效评价指标体系，考核各地区地方财政科技投入，从而进一步提高科技投入水平，最终提升地区科技创新发展水平。

4  结语

加大地方财政科技投入对于提升吉林省科技创新能力起着关键的作用，国内专利授权量、教育支出、第二产业增加值和R&D经费对于地方财政科技投入的变化影响都较大，从而应用基于Adaptive-LASSO的变量选择的回归分析方法探索出影响地方财政科技投入的变量为第二产业增加值，因此为政府如何加大地方财政科技投入做出相关建议，以促进吉林省区域科技创新能力协同发展。

参考文献

[1] 张良均，云伟标，王路，等.R语言数据分析与挖掘实战[M].北京：机械工业出版社，2015.

[2] 陈庚.中国上市公司基本面与股票价格相关性分析[D].广东：暨南大学，2016.

[3] 董小刚，刁雅静，李慧玲，等.岭回归、LASSO回归和Adaptive-LASSO回归下的财政收入因素分析[J].吉林师范大学学报：自然科学版，2018（2）：50-58.

[4] 王爽.Lasso及改进的Lasso方法在几类模型变量选择中的应用[D].南宁：广西师范学院，2018.

[5] Tibshirani R.Regression shrinkage and selection via the lasso[J].Royal Statistical Society Series B Statistical Methodology，1996，58（1）：267-288.

[6] Hui Zou.The Adaptive Lasso and Its Oracle Properties[J].American Statistical Association，2006，101（476）：1418-1429.

[7] 黃娟，卿定文，周碧芳.中部六省FDI影响因素适应性Lasso模型探析[J].财务与金融，2020（5）：14-21.

[8] 马娟，陈兰兰.我国新一线城市房价走势特征及影响因素分析[J].区域金融研究，2019（6）：74-79.

[9] 邵兵家，何炜浔，蒋飞.网络零售商退货政策对消费者购买意愿的影响[J].重庆大学学报：社会科学版，2017，23（2）：51-59.