基于DEA 和Malmquist 模型的科技金融创新绩效研究——来自浙江省11 个地级市的证据

余美灵

（作者单位：重庆师范大学马克思主义学院）

一、研究背景

党的二十大报告将“实施科教兴国战略，强化现代化建设人才支撑”作为独立章节进行谋划部署，并对完善科技创新体系，加快实施创新驱动发展战略作出专门部署。这为实施科教兴国战略，坚定走好创新驱动高质量发展之路，指明了前进方向、提供了根本遵循。浙江省作为全国科技金融先行城市，在确定为试点城市的十年间，科技金融发展绩效究竟如何呢？

科技金融的参与者主要有政府、非营利组织（Nonprofit Organization，NPO）、企业、社会中介机构等[1]。其中，政府在科技金融中的作用是举足轻重的，其不仅投入巨大的资金直接资助科技型企业、创投公司，成立科研院所，还设立限定产业领域的基金，如科技成果转化基金、孵育基金、产业投资基金等。企业是科技金融的主要受益方，也是检验科技成果是否具备转化条件的试金石[2]。目前，我国企业在科技金融方面的格局是大企业科技创新能力较差，而作为科技创新主体的中小企业缺乏科研资金，处于被资助的地位[3]。国外的科技金融或者科技成果转化都是以企业为主体、以市场为导向。以以色列为例，企业集团通常是科技创新的主体，下设科研机构和科技成果转化公司，企业可以将自己研究成果内部自行转化[4]。由此，值得思考的是：现有的科技金融支持系统对区域内的科技金融发展作用到底如何？

与以往的研究相比，本文的主要贡献在于：以科技金融政策先行地浙江省为例，具体分析各个子系统即浙江省内的科技金融试点城市与省内其他地级市的科技金融绩效水平，通过横向与纵向研究对比，初步得到绩效评价结果；再引入空间结构演化分析进一步验证，得到省内各个地级市原有支持系统下的联动效应，最后给出建议。

二、研究设计

（一）DEA 模型

数据包络系统分析（Data Envelopment Analysis，DEA），是由美国著名运筹学家A.Charnes、W.W.Copper、E.Rhodes在1978 年首先提出，是在比较效率评价理论基础上进一步发展出来的另一个非参数检验方式[5]。假设有n个决策单元，记为DMUj(j=1,2,…,n)，每个决策单元都有m1种投入和m2种产出，用xij(i=1,2,…,n;j=1,2,…,m2)表示第i个决策单元的第j项产出，用u=(u1,u2,…,um1)和v=(v1,v2,…,vm2)分别表示投入、产出的权值向量。决策单元k的效益评价指数如下：

DEA 的绩效评价结果可以用规模技术效率（STE）、纯技术效率（PTE）、规模效率（SE）来表示，如果规模技术效率（STE）等于1，说明该决策单元在技术和规模上都是有效的；如果规模技术效率（STE）小于1，则说明存在效率损失，需要进一步分析原因并采取改进措施。它们之间的关系表示如下：

（二）Malmquist 指数模型

Rolffare 将Malmquist 指数划分成两部分：一是技术效率的变动值（EFFCH），二是效率前沿面的变动值，称为技术进步指数（TECHCH）[6]。技术效率变动值又可以进一步分解为不变规模报酬的纯技术效率（PECH）和规模效率（SECH），关系表示如下：

（三）变量选取与指标体系构建

根据现有研究成果，充分考虑数据分析的客观性、可获取性、可操作性，并结合DEA 模型和Malmquist 指数模型的要求，从投入和产出2 个维度选取4 个指标评价科技金融创新效率，即全社会科学研究与试验发展经费投入、全社会科学研究与试验发展人员数、发明专利授权量、高新技术产业增加值（见表1）。

表1 科技金融创新效率投入产出指标

（四）样本选取与数据来源

本文选取浙江省内11 个地级市为研究对象（杭州市、宁波市、温州市和湖州市在2011 年均被确定为国家促进科技和金融结合试点城市），评价这些城市8 年间的科技金融创新绩效水平，从而为下一个阶段发展提供建议。所有数据均来自2011—2018 年《浙江省统计年鉴》和省内各地级市的统计报告。

三、实证分析

（一）静态分析

将选取的投入、产出指标有关数据使用DEAP 2.1 软件进行分析，得到2018 年浙江省各地级市科技金融创新绩效的结果，如表2 所示。

表2 2018 年浙江省地级市DEA 评估结果

由表2 可知，2018 年，温州市和衢州市规模技术效率表现最好，STE均为1.00，可以认定为DEA 强有效。其余城市的规模技术效率均低于1，均评定为非DEA 有效。

（二）动态分析

选取2011—2018 年的数据，通过Malmquist 指数模型分析得出各地级市在此期间的动态分析结果。

在11 个地级市中，包含杭州市、宁波市、温州市和湖州市四个试点城市在内的9 个地级市的TFPCH均大于1，说明这些城市的相对效率都得到提升，全要素生产率上升，即对资金和人才的利用效率提高。其余城市中，只有衢州市与丽水市的TFPCH小于1，即相对效率下降，全要素生产率下降，对资金和人才的利用效率降低。

（三）进一步讨论与检验

利用核密度函数对浙江省的地级市的科技金融创新效率进行估计，以更加直观地反映11 个地市科技金融创新绩效的空间结构演化特征，结果如图1 所示。

图1 核密度分析结果

由图1 可知，考察期内，区域内的科技金融创新绩效整体呈现“山顶”型单峰分布。说明省内城市之间的科技金融创新效果存在明显的两极分化现象，各市区的效率分布差异较大。

从波峰来看，2011 年与2015 年的波峰效率值都在0.95 附近集聚，2018 年的波峰效率值在0.8 附近集聚，说明浙江省11 个地级市中大多数城市的创新绩效位于高效率区，少部分地区位于低效率区。

从时间来看，2018 年的波峰高度相对2011 年与2015 年下降近10%，波峰的高度从2011 年开始自右向左逐渐趋于原点，且由2011 年、2015 年的尖顶变为波峰缓和的圆顶。整体来看，区域内的科技金融创新效率虽有较大差异，但从纵向来看这种差异在减小。

四、建议

首先，继续改善科技金融这一创新型金融支持模式在区域的布局。利用新的金融技术，大规模推动区域内经济社会的数字化改造步伐，进一步拓展现有科技金融服务模式在新兴技术场景下的运用范围，优化科技金融机构服务于实体经济的能力，特别是其为科技型企业服务的效率和质量。

其次，改善地区制度构建、人力资源等关键辅助性因素，支持科技金融发挥作用。一方面，要加快构建科技金融发展信息支持系统，提高管理效率，建立多层次的科技金融服务区域创新支持体系。另一方面，建立多元化人才激励模式，继续强化技术创新研发团队建设，以充分发挥科技金融促进地区技术创新水平提升的效果。

最后，针对科技金融区域发展分化的现象，应强调区域协作，形成区域协同效应。通过区域内几个试点城市形成根据地，加强试点城市之间要素流动和合作。