基于DEA-BCC模型和Malmquist指数法的长江经济带科技金融发展效率研究

杨泽坤

(青海民族大学 经济与管理学院， 西宁 810007)

在激烈的国际化浪潮中，科技创新已成为世界各国综合国力竞争的核心战略支撑。科技创新的发展离不开金融的支持，科技与金融的融合不仅可以促进产业转型升级，优化科技金融资源配置，也将彻底激发经济发展的最深层活力，成为推动经济进一步增长的新引擎。长江经济带横跨我国东中西三大区域11省市，占我国地域面积的21.4%，拥有丰富的科技和教育资源，具备突出的产业优势，汇集了大量的创新要素和创新主体，是我国科技创新与金融发展的重要区域。2016年3月，国家发展改革委、科技部和工信部联合印发《长江经济带创新驱动产业转型升级方案》，进一步明确了长江经济带是创新驱动的引领带和产业融合的先行带这一战略定位。因此，研究长江经济带科技金融的发展趋势，分析其在不同区域、不同阶段的发展差异，对扎实推进长江经济带科技金融一体化发展具有重要的意义。

一、文献综述

在国外学术界，“科技金融”并没有一个明确的定义，一些学者主要从宏观层面对其进行界定。而在国内，“科技金融”概念的形成源于我国科技与金融的融合发展。1994年,中国科技金融促进会首次定义了“科技金融”，强调了科技和金融的结合对我国经济社会发展的重要性[1]，关于科技金融的研究也从此迅速展开。目前，国内学者对科技金融的研究主要集中在三个方面。

一是关于科技金融的具体内涵。赵昌文等[2]指出,科技金融是将金融资源应用于技术研发与高新技术产业生产全过程的系统性、创新性安排。在此基础上，李心丹和束兰根[3]指出,科技金融是金融资源供给者依托创新平台对各项金融资源进行整合创新，从而为科技企业提供资源配置、产品设计及金融服务的系统性安排，可以促进科技企业对金融资源的内生优化和技术革新，推动高技术产业链加速发展。孙伍琴[4]指出，科技金融本质上是技术创新和金融创新的结合，涉及技术创新所需要的金融制度、政策和金融服务等多方面。

二是关于科技金融的发展水平评价。黄瑞芬和邱梦圆[5]运用SFA模型和Malmquist指数法对我国的科技金融效率进行评价，发现我国科技金融效率虽有所上升,但总体水平不高，且存在显著的区域差异，东部地区的科技金融效率明显高于中西部地区。徐玉莲等[6]在前人研究基础上提出了“科技金融成熟度”概念，从资金总量、投资绩效、结构和环境四个方面构建科技金融评价体系，研究发现我国科技金融成熟度处于政府支持下的优化发展阶段。张明喜[7]从空间角度考虑，运用空间杜宾模型分析我国科技金融的空间溢出效应，发现科技金融规模扩张和经济发展有利于科技金融绩效提升，且科技金融对技术创新有强化效应。王芳和许舒雅[8]进一步从收敛性角度分析，运用BCC模型对我国的科技金融技术效率及收敛性进行测算，发现全国多数省份的科技金融处于规模效应递增阶段，且区域之间差异较大，存在绝对β收敛。

三是关于科技金融的影响因素。以往学者们的研究多从科研投入、法治化水平、政府支持、金融资源等角度出发。李林汉等[9]采用三阶段DEA-Tobit模型对我国科技金融效率及影响因素进行研究，发现科研投入、地区法治化水平、金融发展与技术创新对科技金融效率具有促进作用，而政府财政支持对科技金融效率不具有显著影响。张倩霞和万正晓[10]采用DEA-Tobit模型,从政府、企业和金融市场三个角度对我国科技金融效率的影响因素进行研究，发现科技投入增加并不会提高科技金融效率，而高新技术产值和高新技术企业的投入强度是影响科技金融效率的重要因素。赵鸿程等[11]基于非期望产出视角研究我国的科技金融效率，发现智力资本、金融结构、知识产权保护力度、外商直接投资等可以有效提升科技金融效率水平，而环境规制却会抑制科技金融的发展。

首先，从科技金融效率测度的角度来看，以往学者们的研究多集中于全国或某一省份，对区域层面尤其是对长江经济带近10年科技金融效率的测度相对较少；其次，学者们对科技金融效率的测算多集中于静态或动态单一角度，且动态研究一般都忽略了科技金融产出的滞后期。基于此，本文以长江经济带11省市2010—2019年的数据为基础，采用DEA-BCC模型和Malmquist指数法，分别从静态和动态两个角度综合研究长江经济带的科技金融效率水平，并在动态分析中对科技金融的产出组数据进行滞后1期处理，以弥补前人研究的不足。

二、研究方法

(一)DEA-BCC模型

数据包络分析法(DEA)由Charnes等人于1978年首次提出，此方法可看作相对效率评价方法的衍生，目前已成为经济学领域中的重要效率分析方法。传统的DEA模型主要包括CCR模型和BCC模型。其中,CCR模型假设企业始终处于规模报酬不变阶段，但这与企业的实际经营过程极为不符，即企业很难在最优规模下进行生产经营。之后，Banker等人对CCR模型进行了适当改进，在考虑不完全竞争、信息不充分及国家政策变化等实际社会环境影响的情况下，提出了基于可变规模收益的投入导向型的BCC模型。BCC模型利用如下线性规划模型对各决策单元效率值进行测算：

min [β-ε(eTS-+eTS+)]

(1)

式(1)中，λj≥0；j=1,2,…,n；S+≥0；S-≥0。n表示决策单元个数，x是投入，y是产出，ε是无穷小量，eT为单位向量，S+、S-为松弛变量。若β=1，S+、S-全为0，则决策单元DEA有效；若β<1，则决策单元无效。

由BCC模型测算得出的效率值是综合效率值，可以得到如下公式：

crste=vrste×scale

(2)

式(2)中，crste表示综合效率值，vrste表示纯技术效率值，scale表示规模效率值。

(二)Malmquist指数法

DEA-BCC模型测算的是静态效率值，只能反映某个时点的效率水平，不能反映效率的变化情况。因此,本文借鉴其他学者的研究，引入Malmquist指数法测算效率值从t期到t+1期的变动情况。技术效率变化的计算公式如下：

(3)

式(3)中，Mt表示在t期的技术条件下，从t期到t+1期的技术效率变化。同理，在t+1期的技术条件下，从t期到t+1期的技术效率变化的计算公式如下：

(4)

在此基础上可以得到Malmquist指数，即综合效率指数(Tfpch)。这一指数可以拆分为技术效率变化指数(Effch)和技术进步指数(Techch)，前者又可以进一步拆分为纯技术效率变化指数(Pech)和规模效率变化指数(Sech)。计算公式如下：

M(Yt+1，Xt+1，Yt，Xt)=Effch×Techch=Pech×Sech×Techch

(5)

Malmquist指数值若大于1，则说明从t期到t+1期的效率水平呈上升趋势，效率较上一期有所提高；若等于1，则表示效率水平不变，与上一期持平；若小于1，则表示效率水平呈下降趋势，较上一期有所降低。

三、指标选取与数据来源

(一)指标选取

本文参考其他学者的研究[6，12]，选择长江经济带11省市作为决策单元，分别从科技金融投入和科技金融产出两个维度构建指标体系来对科技金融效率进行测算，利用DEA-BCC模型和Malmquist指数法对效率进行静态绝对测度和动态相对测度。科技金融效率投入产出指标体系如表1所示。

从理论角度而言，科技金融体系中金融的作用主要表现为资金支持，即资本投入。资本投入的主体一般为市场和政府，同时市场和政府也是我国金融体系和科技创新体系的重要组成部分。其中，市场主体涵盖直接融资市场和间接融资市场。因此，以资金主体为划分依据，资本投入从企业内部(直接市场)、银行贷款(间接市场)、财政支出(政府)三方面进行考虑。

表1 科技金融效率投入产出指标体系

综上，决策单元的投入变量由劳动投入和资本投入确定。其中，劳动投入采用各地区科研人员全时当量来衡量，而资本投入则采用企业内部科研经费支出、地区金融科技信贷余额和地方财政科技支出来衡量。

考虑到科技创新成果的特殊性，本文从成果转化和企业绩效两个角度考察科技成果的产出状况。成果转化产出采用发明专利授权数和技术市场成交额来衡量，企业绩效产出采用高技术产业新产品销售收入来衡量。

(二)数据来源

本文研究所用数据主要来源于《中国科技统计年鉴》《中国金融年鉴》以及各省市统计年鉴。使用DEAP 2.1软件对科技金融效率值进行测算，分析其区域差异与演进趋势。考虑到科技金融产出相对其投入的滞后性，假设滞后期为1年，即把原投入产出数据组(Xt,Yt)修改为(Xt,Yt+1),并代入DEA模型中进行测算。

四、实证分析

(一)基于DEA-BCC模型的静态测度

基于投入导向型DEA-BCC模型，测算出2009—2019年长江经济带11省市的科技金融效率，得到静态综合效率值并将其进一步分解为纯技术效率值和规模效率值，测算结果如表2所示。

表2 长江经济带11省市科技金融静态效率值

由表2可知，重庆、浙江、江苏和上海的科技金融综合效率值及其分解值(纯技术效率值和规模效率值)均始终为1，处于有效前沿，说明在劳动和资本投入一定的情况下,科技金融产出已达到最大化，因此其规模收益也保持不变。四川和湖北紧随其后，总体位于第二梯队，处于半强有效阶段。具体来看，四川的纯技术效率值为1，处于有效前沿，规模效率是导致综合效率降低的主要因素，但四川总体处于规模收益递增阶段，需要继续保持现在的发展态势，集中各要素资源，发挥规模经济效应。湖北的综合效率相对无效的原因则主要在于纯技术效率降低，且湖北处于规模收益递减阶段，科技金融投入相对冗余而产出不足，因此需要加大科技研发力度，以技术赋能，进而寻求新的发展突破点。贵州、云南、湖南、江西和安徽则处于DEA无效状态。贵州和江西的纯技术效率值为1，综合效率主要取决于规模效率，因此这两地的规模经济具有很大的提升空间，应注重形成产业集群，提高资源配置能力，着重发挥规模经济效应；云南、湖南和安徽的综合效率由纯技术效率和规模效率共同影响，因此这三地既要关注技术投入，提高技术能力，也要注重提高规模效率。

从区域差异来看，东部省市整体表现较好，始终处于有效前沿，进入了良性循环发展阶段，先天的区位优势和政策的大力支持是其不断快速发展并保持领先的主要原因。西部地区表现次之，但总体优于中部地区，尤其是四川和重庆两地形成了很强的带动作用，这与西南地区集中优势资源打造成渝城市群以形成长江上游新增长极有很大关系。中部地区表现较差，各省以往的经济增长主要依靠第二产业的带动，对科技和金融的融合重视不足，致使科技金融发展总体较弱。

(二)基于Malmquist指数法的动态分析

1.各年度科技金融效率变化情况

利用Malmquist指数法对2009—2019年长江经济带科技金融效率年度均值及其分解值进行计算，结果如表3所示。

表3 长江经济带科技金融效率年度均值及分解值

由表3可知，长江经济带的科技金融综合效率在2009—2019年间相对平稳，且多数年份的效率值大于1，整体处于上升趋势。其中,最高点出现在2013—2014年，次高点出现在2015—2016年,最低点出现在2014—2015年，且2014—2015年的综合效率大幅下跌。这与国内整体的科技金融发展导向密切相关。2012年，科技部将科技金融服务作为现代服务业的建设重点，并大力扶持相关企业发展。作为我国经济发展的“桥头堡”,长江经济带率先响应，成为全国科技金融发展的先行区，使得长江经济带整体的科技金融综合效率值在2013—2014年达到最高点。2014—2015年，四川、重庆、贵州和云南等西部省市的科技金融综合效率值较上一年均有所下降，进入无效阶段，导致长江经济带整体的科技金融综合效率值在该年度亦下降至无效状态。而后，长江经济带整体综合效率值在2015—2016年强势回弹，再次进入上升趋势并达到研究期内的次高点。

从效率分解值来看，纯技术效率和规模效率及受两者影响的技术效率在2009—2019年间变化相对较小，而技术进步与综合效率的变化显示出高度的一致性，进一步表明技术的创新与推广应用对科技金融综合效率影响较大。

2.各省市科技金融效率变化情况

对2009—2019年长江经济带11省市的科技金融综合效率均值及其分解值进行计算，结果如表4所示。

表4 长江经济带11省市科技金融效率均值及分解值

由表4可知，长江经济带科技金融综合效率值的均值为1.057，大于1，说明2009—2019年长江经济带整体的科技金融效率处于上升趋势，人才和资金的投入产出了更大规模的科技金融成果，并提高了相关企业的技术创新水平，促进了科技与金融的融合发展。

分省市来看，不同省市的科技金融效率发展差异较大。除贵州和江西以外，其他省市的综合效率值均大于1，总体处于上升趋势。从效率分解值来看，贵州和江西科技金融无效的原因主要在于其技术进步指数处于无效状态。贵州地处我国西南地区，经济基础较差，高校和科研机构较少，人才匮乏。虽然政府大力支持大数据产业发展，吸引一些大型技术公司将数据中心建于贵州，但贵州的高科技产业仍缺乏集群优势，发展后继乏力。同时，贵州的金融业以单一型银行业为主，金融业整体发展水平较为落后，科技与金融的融合程度较低，缺乏协调发展的基础。但相对而言，整体发展的落后也使贵州具备了极大的发展潜力，因此在部分年份,贵州的增长趋势比较明显。

江西地处我国中部地区，与周围省市相比，其科技金融发展尚处于相对落后状态。首先，江西的经济发展相对滞后，教育水平不高，缺乏支撑高新技术产业发展的资金、设备和高素质人才等资源。其次，江西的高新技术产业和金融业发展相对落后，基础设施缺乏，政策扶持力度不足，市场容量较小，无法形成科技金融发展的“软环境”，极大妨碍了科技金融产业的发展。最后，安徽、浙江和广东等江西周边省份的科技金融发展处于全国前列，产生了极大的虹吸效应，导致江西的人才、产业大量外流，比较优势缺乏，科技金融产业无法形成良性发展的态势。

在长江经济带各省市中，浙江的科技金融综合效率值达1.146，表现最好。这主要得益于浙江整体的经济结构和市场环境。高新技术产业的发展极大提高了浙江整体的技术创新水平，同时随着科技在金融领域的广泛应用，一大批新兴互联网金融企业涌现，形成了科技金融发展新业态。

从不同区域来看，除个别中西部省市外，长江经济带多数省市基本达到了科技金融有效前沿，整体处于科技金融规模效益递增阶段，但各地区之间综合效率差异较大，异质性明显。同时，因不同地区、不同阶段的实际情况比较复杂且不同省市间发展潜力存在差异，科技金融效率并没有表现出东、中、西部递减趋势，甚至出现了个别西部省市(如重庆)的科技金融效率高于东部省市的现象。

五、结论与建议

(一)结论

从静态角度看，长江经济带中重庆、浙江、江苏和上海等省市的科技金融效率及其分解值始终处于有效前沿，并保持规模收益不变；四川和湖北的科技金融综合效率值小于1但比较接近1，处于相对有效阶段，主要是因为这两地的规模效率和纯技术效率相对无效；贵州、云南、湖南、江西和安徽的科技金融综合效率处于无效状态，也主要是受到规模效率和纯技术效率的影响。

从动态角度看，按照时间趋势分析，长江经济带的科技金融综合效率值在2009—2019年间相对平稳，多数年份综合效率值大于1，长期处于上升趋势，技术进步对综合效率影响最大；按照不同省市分析，贵州和江西的科技金融效率在长江经济带11省市中表现最差，长期处于无效状态，而浙江则在11省市中表现最好，这主要得益于浙江的经济结构和市场环境等优势。

从区域差异看，在静态效率分析中，东部地区发展优势明显，长期处于有效前沿阶段，西部地区因四川和重庆的优异表现而整体略好于中部地区；在动态效率分析中，科技金融效率并未表现出东、中、西部递减趋势，且出现了个别西部省市(如重庆)的科技金融效率高于东部省市的现象。

(二)建议

1.发挥政府引导功能，优化科技金融融合发展基础环境

在技术创新成为科技金融发展的核心关键的当下，政府的引导与规范是塑造和谐竞争环境的重要推手，因此要坚持“政府引导，市场运作”原则。一方面，针对重庆、浙江等发展始终有效的省市，政府要积极发挥政策导向作用，建立科技金融协调机制，统筹科技金融资源配置，分区域、分重点地对不同行业进行扶持引导，避免资源“一边倒”地流向大型科技金融企业，提高资源配置效率和政策落实效果。另一方面，针对贵州、江西等发展无效省份，要发挥市场这只“无形的手”的作用，依靠市场的自我调节功能，通过市场竞争淘汰效率较低的企业，避免资源浪费。当市场失灵、垄断加剧时，政府应及时介入，进行宏观调控，形成市场与政府协调统一、相互促进的局面，推动科技金融和谐发展。

2．加强人才队伍建设，形成“引进+培育”的人才供应体系

科技和金融的协同发展离不开人才支撑。对于贵州、江西等经济基础较为薄弱、教育水平较为落后的地区来说，人才的缺乏是制约其进一步发展的主要障碍。因此，要加强人才队伍建设，完善人才供应体系。一方面，要完善人才培育体系，积极支持高等教育和特色专业的建设，培养具备高竞争力和发展潜力的高素质人才，并充分发挥高素质人才的自主创新能力；另一方面，要完善人才引进机制，设立科技金融综合性人才专项引进基金项目，形成高校、科研机构与企业“三位一体”的人才引进格局，让人才“愿意来”，并“留得住”。同时，要建设区域人才交流中心，加强科研人员之间的交流协作，形成优势互补的创新团队。此外，还要发挥科技园、创业孵化区等平台的作用，鼓励青年人才积极创新创业，并为他们提供资金和政策支持，完善奖励机制，在创新创业项目中培育实践型的科技金融人才。

3．健全产学研合作流程，推进科技成果转化

科技金融效率的提升不仅要靠投入资源的增加，更要靠产出成果的转化。因此，提升科技金融发展效率的有效途径之一是搭建科技成果孵化平台，为科技金融成果转化提供平台支持和市场空间，并将高校和科研机构的人才及知识优势同企业的市场及资金优势相结合，充分发挥不同主体的作用，完善产学研合作流程，加快推进科技成果转化。一方面，高校和科研机构可将最新科技成果转让给高新技术企业，或者以项目为核心建立科技公司，实现最新科技成果的市场化和产业化；另一方面，企业不仅要积极培育和引进人才，提高自身研发创新能力，积极进行专利申请，还要时刻关注最新科技研究成果，积极与高校及科研机构合作，实现知识和信息共享。最后，要形成以市场为导向、以产业为支撑、产学研一体化的科技金融服务体系，为科技成果转化提供良好的市场环境，加快科技成果转化速度。

4．因地制宜、因城施策，形成差异化的科技金融发展模式

长江经济带不同区域间的科技金融效率差异明显，东部地区科技金融效率相对较高，而中西部地区虽然效率较低，但又具有极大的发展潜力。因此，要针对不同区域的具体情况，制定有针对性的差异化发展策略。中西部省市要对科技金融发展加强政策支持力度，围绕省会城市建立科技金融中心，以点带面，辐射全省。东部省市则要实施多元化发展策略，在已有的良好基础之上，打造多元化融合发展模式，突出特色，如上海和浙江可分别打造“国际科技金融中心”和“数字经济发展中心”。同时，要加强不同区域之间的协调配合，通过完善基础设施和高效引才等举措加速不同省市之间的要素流动，鼓励不同区域相互学习、相互借鉴，形成优势互补、特色明显的协同发展新格局。