数字经济时代科技金融效率测算及影响因素分析

汪晓文，谢美琳，田雨琦

（1.兰州大学经济学院，甘肃兰州 730000；2.中国人民大学农业与农村发展学院，北京 100872）

1 研究背景

随着科技革命和产业变革的深入发展，数字化浪潮席卷而来，然而在新冠疫情和经济周期性波动的双重冲击下，我国的经济增长下行压力加大。但在此冲击背景下，2020年我国数字经济依旧保持9.7%的高位增长［1］。由图1可见，从2015年开始我国数字经济指数的增长速度彻底超过宏观经济景气指数，展现出较强的韧性，成为经济增长的“稳定器”，我国逐渐步入数字经济发展新时代［2］。2014—2019年我国科技进步贡献率为59.5%，说明科技进步对经济的贡献份额比重较大，已成为我国生产总值（GDP）增长的主要引擎。

图1 我国数字经济指数与宏观经济景气指数对比

党的十九届五中全会、国家“十四五”规划和2035年远景目标纲要提出打造数字经济新优势，促进数字经济与实体经济的深度融合，为完善现代化经济体系建设、加快构建“双循环”新发展格局提供重要支撑。建设现代化经济体系的关键核心是夯实现代化产业体系，数字经济不仅可以引领科技革命和产业变革，而且通过数字技术与传统科技金融的深度融合，提高科技金融效率，提升科技金融实力，推动科技创新，为现代化产业体系提供根本动力源，促进现代化产业体系的优化与完善。

从国际比较来看，大国经济的特征都是以内需为主导，内部可循环［3］。我国新发展格局要以国内大循环为主体，关键在“循环”，亟需解决要素流动不畅等问题。随着大数据、人工智能、区块链等数字技术的不断突破，数字经济与实体经济逐渐形成深度融合，有助于改造提升传统产业，畅通生产要素流动，数字化的结合重点正从工业制造业转向金融业，对传统金融业的业务渠道、风控体系等产生重要影响，促进金融服务实体经济水平的提高。

2 文献综述

科技金融的定义国内外并未统一。国外学界没有“科技金融”这一专有名词，西方国家科技创新制度和市场相对完善，关于科技金融的研究主要集中在金融对科技创新的影响机制上，如Lee等［5］利用结构方程模型证明创新融资不仅提高了创新型中小企业的技术创新能力，而且提高了企业的经营绩效；Fagiolo等［6］通过产业动态供给模型研究表明，银行通过提供贷款能够促进技术创新和技术扩散，从而推动长期经济增长；Blach等［7］通过研究得出在金融导向的背景下制度干预机制应是多元的，允许中小企业融资结构的灵活设计；Kaur等［8］基于有序Logit模型实证分析得出相较企业的内部资金，外部资金来源对企业开展的创新活动具有较大的正向影响。

国内学者主要从以下几个方面对科技金融进行研究：一是科技金融相关的耦合协调研究，如韩鹏［9］针对政策性科技金融、市场性科技金融、企业创新禀赋、创新中间产出、知识产权收益产出五元系统，运用耦合协调度模型和数据包络分析（DEA）方法进行测度与分析；冯悦等［10］通过测度粤港澳大湾区科技金融耦合协调度，分析科技金融耦合协调发展的影响因素以及空间溢出效应，并将科技金融划分为公共科技金融和市场科技金融；谢文君等［11］在财政分权的背景下运用三阶段DEA模型以及结合非参数核估计和空间计量模型，验证财政分权在长期上对科技与金融耦合效率存在显著的促进作用。二是针对金融投入和科技产出构建模型测度效率，如甘星等［12］主要依据科技金融效率来评估科技金融发展水平，并以此研究环渤海、长三角、珠三角经济圈各省市科技金融效率差异；吴妍妍［13］聚焦上海、南京、杭州和合肥4座城市科技金融体系的构建及其运行效率，运用DEA模型进行实证测算，对科技金融的模型建构、发展路径和政策措施进行评价；常亮等［14］从金融投入的角度对科技金融效率进行实证分析，研究不同科技金融投入如何影响科技创新效率。三是科技金融的模式及相关政策研究，如张明喜［15］认为配套机制建设对科技金融发展具有促进作用，建立有效的财政保障机制可促进科技金融深度发展；程翔等［16］通过量化指标构建模型，得出各区域经济高质量发展与科技金融政策的协调状况存在较大差异。

目前，国内研究普遍将“数字经济+科技金融”与互联网的发展相关联，如廖传惠等［17］认为公共科技金融可以引导普通的互联网金融为科技型中小企业的科创活动提供资金融通服务；谢泗薪等［18］认为借鉴互联网思维可大力发展科技银行；韩俊华等［19］认为科技与金融结合的典型代表是互联网金融，并指出区块链是推动数字经济发展的基础设施，是匹配互联网金融风险监管、大数据、云计算的关键技术；俞丹丹等［20］认为互联网科技金融可以简化科技金融的准入机制，提高科技金融市场的透明度，但同时也会带来大量的金融监管风险；曹金飞等［21］认为科技金融在价值增值过程中，政府部门和金融机构可通过互联网来实现跨区域协调，实现科技金融价值链的跨区域协同发展。

总体来看，国内外学者对科技金融的研究已取得一定的进展，但进入数字经济时代的研究仍存在以下不足：第一，部分研究将数字经济背景下的科技金融简单划归为互联网金融一类，忽略了数字化的加持作用，因为互联网金融本质上只是对传统金融渠道的变革，而数字经济对科技金融的创新在后期阶段被称为“金融科技2.0模式”，即由数字技术对金融市场及金融服务业务供给产生重大影响的新兴业务模式、新技术应用、新产品服务等［22］，因此“数字经济+科技金融”的研究应主要针对数字技术对科技金融效率的赋能。第二，我国学者就科技金融效率的研究已取得不少成果，但针对数字经济与科技金融的影响关系，大多数仅进行了定性分析，定量分析较少。

3 科技金融效率测度

3.1 测度方法

科技金融效率作为评价金融服务科技发展能力的重要内容，已成为诸多学者研究的焦点。近年来，国内测算科技金融效率的方法采用最多的就是数据包络分析模型。Charnes等［23］提出的DEA模型针对多投入和多产出问题，通过决策单元的实际数据求出最优权重，运算得出每个决策单元的综合效率指标，针对相对有效性作出评价和排序，并且能够分析各决策单元DEA非前沿面的原因和改进方向，是一种确定性前沿方法。但该方法将决策单元的效率无效归因于管理无方，没有考虑环境因素和随机扰动的影响，使得效率结果与实际效率水平有一定的误差。而随机前沿模型（SFA）能够对模型中的误差项进行区分，提高效率测定的准确度。Fried等［24］提出三阶段DEA模型，将决策单元的DEA非前沿面分解为环境因素、随机扰动和管理无效率，但由于环境因素和随机扰动是外生不可控因素，因此需要剔除才能客观真实反映效率值，而三阶段DEA所使用的CCR或BCC模型为径向模型，即规模报酬不变或规模报酬递增，说明决策单元只能按照等比例减少各项投入来改善效率，这与实际生产过程不符。Tone［25］提出SBM模型，该模型属于非导向模型，可有效解决径向模型对无效率测算时无法包含松弛变量的局限。在此基础上，Avkiran等［26］、Liu等［27］提出利用非径向的SBM模型测算效率值，更能够正确反映实际情况。

三阶段SBM模型方法将科技金融效率评估分为3个阶段：第一阶段利用SBM模型进行效率评估；第二阶段利用随机前沿分析方法剔除环境因素和随机扰动的影响；第三阶段将调整后的投入数据作为新的投入数据，产出数据仍为原始数据，再次代入SBM模型中对效率值进行评估，从而得到不受环境因素和随机误差影响的效率值。

一进祝国寺，一个小东西就从树上掉下来“欢迎”。祝国寺住持素祥法师抖抖僧袍，仿佛习以为常——是一条小蛇。

3.2 指标选取与数据来源

测算科技金融投入与产出效率值，前提是建立科学合理的评价指标体系，指标的选择要求确保真实有效地反映科技金融的投入与产出的实际现况。依据上述原则和要求，参考已有研究的共性指标，本研究最终选择对投入和产出解释度较高的7项重要指标，建立科技金融服务体系效率评价体系，详见表1。

表1 科技金融投入产出指标体系

表1 （续）

（1）投入指标。依据古典经济学的增长理论选取劳动力和资本为投入要素。劳动力投入要素依据陈升等［28］的观点，选取R&D人员全时当量（X1）；资本投入要素依据李俊霞等［29］、马玉林等［30］的观点，分为政府资金投入、企业资金投入和市场资金支持，从而选取科学技术支出（X2）、R&D经费内部支出（X3）和区域金融支持效率（X4）。

（2）产出指标。依据薛晔等［31］、许汝俊等［32］的观点，选取发明专利授权（Y1）衡量科技活动的产出形式及水平；技术市场成交额（Y2）衡量科技活动成果的转化情况；高技术产业产值（Y3）衡量高技术产业市场竞争力和新创造社会财富的能力。

（3）环境因素。环境变量的选取要遵循的原则是：决策单元自身不能控制，但对效率产生影响。主要包括经济环境、技术环境、政治法律环境、社会环境等。依据以上原则，选取金融业增加值（Z1）指标，金融业增加值=金融业生产总值/国民生产总值，即金融业的相对规模，能够反映金融业在国民经济中的地位和金融业发育程度；中国数字经济指数DEDI（Z2），反映各地区数字经济的发展程度；专利侵权立案数（Z3），知识产权的保护和管理对培育科技创新具有积极作用［33］，因此通过专利侵权立案数反映法律法规对科技创新保护的能力；互联网宽带接入用户（Z4），反映各地区基础设施的建设程度。

为确保指标体系科学合理，满足SBM模型对样本数据等张性的要求，本研究针对7个测度投入、产出指标的数据，利用SPSS软件进行了Peason相关性检验。检验结果显示（见表2），R&D人员全时当量、科学技术支出、R&D经费内部支出、区域金融支持效率与发明专利授权、技术市场成交额、高技术产业产值之间显著正相关，符合效率评价模型等张性的要求。因此，利用该样本数据建立的效率评价指标体系科学有效。

表2 科技金融投入与产出指标相关性检验结果

由于在全国技术市场统计数据中没有西藏2015、2016年的数据，也没有港澳台地区的数据，因此本研究共统计我国30个省、自治区、直辖市2015—2018年的科技金融数据。有关指标数据来源于Wind数据库、ESP数据库、《中国科技统计年鉴》、《中国火炬统计年鉴》、国家统计局、《中国统计年鉴》、《中国高技术产业统计年鉴》、《中国社会统计年鉴》、《中国金融年鉴》和财新智库。

3.3 测度结果分析

3.3.1 第一阶段效率结果与分析

利用Maxdea 8 Ultra软件，在没有考虑环境因素和随机变量影响的情况下，测算结果显示在2015—2018年间：（1）30个省份的科技金融效率平均值为0.707，其中2016年效率最低为0.660，2018年效率最高达到了0.823；（2）共有10个地区的科技金融效率在逐年递增，说明科技金融投入与产出的配置水平逐年递增；（3）共有14个地区的科技金融效率值为1，达到前沿面，即科技金融投入和产出达到最佳配置水平，并且北京的科技金融效率值始终为1。本阶段的结果由于没有剔除环境因素，因此只是初步的测算，与真实结果之间还存在差距。详见表3。

表3 2015—2018年我国各地区科技金融效率值（第一阶段）

表3 （续）

3.3.2 第二阶段SFA回归分析

第二阶段剔除环境因素的影响。Fired等［34］提出环境变量都使用虚拟变量，即不考虑自身单位，而环境变量对投入的松弛变量是否产生影响与单位没有关系，因此通过SPSS软件将环境变量的原始数据进行标准化处理能够去除数据的单位限制，方便不同单位或量级的指标进行比较和加权，保证结果的可靠性。标准化的数据公式为：，其中为环境变量原始数据，为平均值，为标准差。

使用Frontier4.1软件将第一阶段得出的投入松弛变量设为被解释变量，将金融业增加值、中国数字经济指数、专利侵权立案数和互联网宽带接入用户4个环境变量作为解释变量，进行SFA回归分析。环境变量与投入的松弛变量呈反比关系，即当回归结果中的系数为负数时，说明环境变量增大会减少投入的松弛变量，有利于减少投入或增大产出；反之当回归系数为正时，环境变量对投入松弛变量产生正向影响，环境变量的增加会导致投入松弛变量的增加。详见表4。

表4 2015—2018年我国30个省份科技金融投入松弛变量的SFA回归结果（第二阶段）

（1）金融业增加值。该环境变量对全部的投入松弛变量呈正向作用，说明金融增加值会增加劳动力和资本投入的冗余。由于我国储蓄率高，直接融资不发达，金融业增加值较高，金融业承担更多的风险和提供更多的服务，从而导致金融资源配置效率较低［35］。

（2）中国数字经济指数。该环境变量对全部的投入松弛变量呈反向作用，说明中国数字经济的发展会减少劳动力和资本投入的冗余。通过大数据、云计算、区块链等工具推动科技金融数字化、移动化，创新科技金融业务模式，优化科技金融渠道，重塑科技金融形态，能够有效减少劳动力、资本的投入。

（3）专利侵权立案数。该环境变量对R&D经费内部支出的投入松弛变量呈反向作用，减少R&D经费内部支出的投入冗余；对其他投入的松弛变量呈正向影响。说明知识产权保护水平的提高有利于提高R&D主体的经济效益，外部性的作用将会减少，鼓励R&D经费内部支出的增加［36］。

（4）互联网宽带接入用户。该环境变量对R&D人员全时当量和R&D经费内部支出的投入松弛变量呈反向作用，对科学技术支出和区域金融支持效率呈正向影响。说明互联网宽带的接入不利于R&D人员和经费投入松弛变量的减少，会增加更多的R&D人员、增加R&D经费的内部支出用于互联网宽带的接入及维护。互联网宽带的接入能够减少科学技术支出和金融支持效率的冗余，使其合理利用。

3.3.3 第三阶段效率结果与分析

与第一阶段相同，利用Maxdea 8 Ultra软件，测算结果显示在2015—2018年间：（1）30个省份科技金融效率的平均值为0.452，其中2015年效率最低为0.409，2018年效率最高达到0.514；（2）共有24个地区在剔除环境因素和随机扰动后科技金融效率值下降，说明这些地区的外部环境相对不利但管理水平相对较高，有6个地区科技金融效率值上升，说明管理无效率但外部环境相对有利；（3）共有4个地区的科技金融效率值为1，达到前沿面，即科技金融投入和产出达到最佳配置水平；（4）各地区的科技金融效率差距较大，2015年浙江处于效率前沿面，而同期宁夏只有0.023，仅达到浙江的2.3%，2016年宁夏达到北京的3.3%；2017年海南达到广东的3.5%，2018年海南达到江苏的4.5%。详见表5。

表5 2015—2018年剔除环境影响因素后我国各地区科技金融效率值（第三阶段）

4 科技金融效率影响因素实证分析

从三阶段SBM模型测度结果可知，2015—2018年我国30个省份科技金融投入和产出都在不断加大，但大部分地区的科技金融效率始终处于非前沿面的状态，而仅靠SBM模型的测度无法直接掌握投入对效率影响的程度，还需利用Tobit模型进行回归分析。因为通过SBM模型得到的科技金融效率值都处于0～1之间，数据具有被截断的性质，并不是离散分布的，如果采用最小二乘法或者一般的面板数据模型进行估计，会出现参数偏和不一致的情况，但Tobit模型本身就属于受限因变量回归的一种，因此当因变量为受限值或截断时，选用Tobit模型进行回归分析能够很好解决这一问题。

4.1 变量选取与数据说明

借鉴相关研究，科技金融效率影响因素的选取如下：（1）章思诗等［37］认为政府是科技金融发展的推动者，相比其他机构，政府能够提供连续的资金支持，因此选取科技拨款占财政支出比重（W1）反映政府机构对科技金融发展的支持力度；（2）科学研究和技术服务业固定资产投资比上年增长情况（W2），即各地区为科学研究发展所具备的基础设施建设，反映各地区自身的科研水平和能力；（3）根据李向前等［38］的观点，选取数字化程度指数（W3）反映数字技术的应用程度；（4）地方政府债务余额（W4）、地方金融机构不良贷款率（W5）分别反映科技金融发展过程中所需面临的政府债务风险和金融风险；（5）李林汉等［39］认为高技术企业是科技金融的重要载体，高技术企业可以实现科技成果转化和金融资源配置，因此选取高技术企业利润额（W6）和高技术产业新产品开发项目数（W7）反映高技术产业市场竞争力和新创造社会财富的能力。详见表6。

表6 科技金融效率影响因素指标体系

科技金融效率影响因素指标的数据来源包括Wind数据库、ESP数据库、国家统计局、《中国统计年鉴》、《中国高技术产业统计年鉴》、《中国社会统计年鉴》、《中国金融年鉴》、北京大学数字金融研究中心。

4.2 模型构建

将前述第三阶段的科技金融效率值作为被解释变量，将科技拨款占财政支出比重、科学研究和技术服务业固定资产投资比上年增长情况、数字化程度指数、地方政府债务余额、地方金融机构不良贷款率、高技术企业利润额、高技术产业新产品开发项目数作为解释变量，构建Tobit模型，将左端的截断点设定为0，如公式（2）所示：

4.3 实证结果分析

使用Stata16.0软件，将科技金融即被解释变量与其他7个解释变量进行Tobit回归分析，结果如表7所示：（1）地方政府债务余额（W4）和地方金融机构不良贷款率（W5）的回归系数为负，当地方政府债务余额和地方金融机构不良贷款率分别增加1%时，科技金融效率分别降低1.5%和1.92%，但是地方政府债务余额的相关系数不显著，而地方金融机构不良贷款率在10%的置信水平下显著，说明金融风险对科技金融效率的影响明显。（2）科技拨款占财政支出比重（W1）、科学研究和技术服务业固定资产投资比上年增长情况（W2）、数字化程度指数（W3）、高技术企业利润额（W6）、高技术产业新产品开发项目数（W7）的回归系数为正，说明当解释变量W1、W2、W3、W6、W7分别增加1%时，科技金融效率则分别增加3.559%、0.004%、0.043%、8.973%、8.068%，并且W1在5%的置信水平下显著，W3、W6、W7在1%的置信水平下显著，W2的相关系数不显著。（3）W1、W3、W6、W7对科技金融效率都有正向作用，且影响程度从大到小排序依次为高技术企业利润额（W6）、高技术产业新产品开发项目数（W7）、科技拨款占财政支出比重（W1）、数字化程度指数（W3），说明高技术产业的发展对科技金融效率的影响最为明显，是各地区需要重点发展的领域。

表7 2015—2018年我国30个省份科技金融效率影响因素Tobit回归结果

5 结论与对策

5.1 结论

本研究运用三阶段SBM模型对我国30个省份2015—2018年的科技金融效率及其影响因素进行实证分析，得出结论：（1）30个省份的科技金融效率未达到效率前沿面，整体偏低，只有北京、江苏、浙江、广东4个地区在2015—2018年效率值为1，达到效率前沿面，即科技金融投入与产出的配置达到最佳，其他地区没有达到效率前沿面且差距较大，但具有提升空间。（2）影响科技金融效率的7个因素为科技拨款占财政支出比重、科学研究和技术服务业固定资产投资比上年增长情况、数字化程度指数、地方政府债务余额、地方金融机构不良贷款率、高技术企业利润额、高技术产业新产品开发项目数，其中科技拨款占财政支出比重、数字化程度指数、地方金融机构不良贷款率、高技术企业利润额、高技术产业新产品开发项目数的相关系数都是显著的，地方金融机构不良贷款率对科技金融效率产生负向作用，其余的因素对科技金融效率都有正向作用。

5.2 对策建议

第一，完善政策体制，加大对科技金融的支持力度。整合政府部门的相关资源，例如金融、科技、财税等，加强部门之间协作，针对不同地区、不同部门、不同行业的科技金融发展制定相关评估、扶持及配套政策，提高中央、地方等各级科技金融规划、文件、政策的可行性和有效性；加强政府财政科技支出的管理，通过财政补偿、贴息、存款支持等政策鼓励，引导商业银行进行科技贷款产品、模式、机制创新，注重资金的利用效率，提高信息披露，通过科技银行带动社会资本进入科技企业；加快新三板、区域性股权交易市场等多层级资本市场的建设，为科技企业提供融资途径，增加投资者投资及退出渠道，为技术创新者与投资者创造双赢机会，提高科技金融效率。

第二，合理配置科技金融资源。近年来，金融机构尤其是银行去中心化程度加深，传统融资模式例如银行贷款已不能满足所有科技企业的融资要求，以5G网络为底层通信基础，人工智能、大数据、云计算、物联网以及其他新兴颠覆性技术与金融业务的深度融合，能够促进金融产品设计、经营模式、业务流程、服务质量的持续优化和创新，进而为金融发展提供源源不断的创新活力，扩大直接融资渠道，畅通科技企业国内上市融资渠道。随着数字经济的发展，打破传统金融服务对金融基础设施和地理依赖等限制，金融要素逐步分散化、数字化，地区之间不再有时空隔阂，要兼顾不同地区的均衡发展，金融资源和科技资源冗余的地区可以向科技金融发展较弱的地区跨区配置资源，建立科技金融资源服务平台或经济圈，提升整体效率水平。科技金融效率较高地区，政府可以引导科技企业跨境融资，合理利用外债，扩大融资渠道和规模，为企业科技创新活动注入更多的社会资本，有利于推动科技企业的发展，提高市场主体参与度；效率较低地区短期内受资源禀赋限制较大，因此科技企业应先控制自身创新禀赋投入，加强科研能力和研发力度，把科研成果转化成高科技产品，加速科技成果向现实生产力转化，实现科技创新，引导产业方向，形成产业价值链，待提升吸引金融资源投入的能力之后再追求高资源投入。

第三，创新人才引进模式。随着大数据、云计算、人工智能等技术在金融业的渗透与应用，传统金融的部分功能将会被取消，金融机构和从业者的压力剧增，银行和证券营业部或将面临调整，然而传统金融也在积极转型，银行等金融机构近年来大量引进计算机、信息管理以及理工类专业人才，引入新技术，同时进行传统金融部门人员调整，未来金融分析师、股票分析师、理财师等一部分岗位将被智能机器人代替。对于经营风险大、收益回报较快的科技型企业，可以引进金融人才，形成企业内部的金融人才库，通过企业内部的金融人才开展投融资及规避风险等一系列金融行为。

第四，优化风险规避方式。在数字经济的发展过程中，互联网、人工智能、大数据等数字技术已成为金融发展和创新的根本动力，而不断依赖高新技术的金融创新必然会带来新的风险和安全挑战，并且数字经济发展的前提是平台的稳固，平台的不稳定性和非可靠性会加剧企业所面临的不确定性和风险，从而易产生数字化风险。在数字经济发展下，金融风险和数字化风险加剧，再加上科技企业具有风险较大的特征，因此规避科技金融风险迫在眉睫。发展科技保险，保险公司在科技项目研发、知识产权保护等领域提供保险服务，能够有效降低科技金融风险。建立风险评估与担保机构，通过大数据、云计算等技术构建适应科技型企业特点的风控体系，筛选科技企业并为其提供风险担保；加强知识产权保护管理，合理利用互联网、大数据、云计算、区块链、人工智能等信息技术提高风控能力，并完善客户信息保密监管系统，建立数据加密等网络安全设施，保障监管系统安全运行。完善风险资本进退机制，并对相关法律法规进行适度调整；完善互联网、大数据、区块链、人工智能等相关法律，形成对风险投资的制度约束，为风险投资的退出提供法律依据。

第五，推动高技术产业高质量发展。高技术产业对科技创新的支撑作用在数字经济与实体经济的加速融合下日益凸显。面对大数据、云计算等数字技术新模式带来的转型与变革，各地区要根据高技术产业所处的发展阶段给予差异化支持，加快推进基础设施建设，同时促进高技术产业集聚，集中优势资源，加强高技术产业对前沿领域创新发展趋势的研究和探索；明确市场导向，扩大市场需求，突破核心技术，促进新产品开发，提高产品质量，从而增加利润效益；要根据数字技术的差距采取不同策略和措施，重点关注持续周期长、市场效益不明显的战略领域，使得高技术产业能够更加合理地决定研发方向和要素配置，强化自主创新，形成核心竞争力，从而确保高技术产业供应链健康发展，提高科技金融效率。