中国科技金融效率时空分异特征及区域均衡性

科技金融是国家创新系统和金融体系的重要组成部分，是指风险投资、银行、保险等各类金融机构、中介服务机构及政府金融管理部门通过创新金融产品，改进服务模式，搭建服务平台，实现金融创新机制和科技创新资源的有机融合，为从种子期到成熟期各发展阶段的科技企业提供直接或间接投融资服务的一系列市场化行为和政策制度安排。科技金融是服务实体经济发展、有效缓解中小企业融资难题、促进科技成果转移转化的重要途径，是科技服务业的重要内容之一。随着我国创新型国家建设进程的不断加快，为科技创新营造良好的金融环境、促进科技与金融结合已成为政府部门及学界共同关注的热点。从1985年首笔科技贷款算起，我国科技金融先后经历初始萌芽、多元探索、快速发展3个阶段共30多年的发展历程，虽然成效显著，但问题和矛盾依然存在，特别是科技创新中金融资源配置效率效能低下、空间发展不平衡等问题直接影响科技金融的经济社会效应和区域协调性。因此，对科技金融效率进行评价，探索其效率提升实现路径具有一定的理论价值和现实意义。

1 文献综述

随着全球经济的复苏和稳定增长，科技与金融有机结合、融合发展已成为各国推进创新国家建设、提升综合竞争实力的重要战略手段。针对科技金融问题，国外学者主要围绕金融建设与技术创新、风险投资与技术创新等领域展开研究。Hsu等[1]认为，具有良好且完善资本市场与融资渠道的国家，其高技术企业技术创新能力与科技发展也更加优异；Alessandr & Stoneman[2]以英国企业相关数据为研究对象，提出金融行业良性发展对高技术企业及中小型企业技术创新与进步具有一定的正向影响；Caterina Giannetti[3]围绕银行与企业技术、产品、流程创新间相关关系进行实证研究发现，相较于中小型企业，银行等金融机构介入对高技术企业技术进步与创新具有更加显著的促进作用；John Callahan & Steven Muegge[4]研究了风险投资对技术创新的影响机制；Pere Arque-Castells[5]通过比较企业获取风险投资前后的专利变化情况，分析了风险投资与技术进步间的具体数量关系及模型结构。

作为科技市场与金融市场、科技资源与金融资源协同发展的重要产物，我国科技金融研究体系逐渐向专业化与精细化方向转变，研究内容涵盖科技金融制度体系、科技金融协同发展、科技金融效率(绩效)评价等多个领域，相关评价指标见表1。首先，在科技金融效率评价指标体系构建方面，曹颖、尤建新等[6]通过构建涵盖科技金融资源指数、科技金融经费指数、科技金融产出指数及科技金融贷款指数的指标评价模型，对中国不同地区科技金融发展绩效进行了聚类研究；许汝俊等[7]围绕金额支持效率、金融支持规模、政府科技支持程度、专利授权数、技术市场交易额等指标，构建了科技金融发展效率综合评价指标体系；张明喜[8]从创新环境、创新资源、企业创新、创新产出、创新效果5个角度出发，选择相应指标构建了科技金融效率评价指标体系并进行了实证分析。其次，在科技金融效率评价方法方面，主要包括非负独立成分分析、DEA-CRR模型、DEA-Tobit模型、三阶段DEA模型、DEA-Malmquist指数法和SFA模型等。最后，从科技金融效率评价研究结论看，骆世广和李华民[9]研究发现，广东省2000—2007 年金融投入“重数量、轻质量”，“重速度、轻基础”，呈现DEA无效状态，并提出广东省科技金融模式应该从粗放投入向集约发展转变。黄瑞芬和杜绪沅[10]对我国2004-2013年沿海各省市科技金融模式绩效进行评价发现，我国沿海各省金融支持科技创新效率具有明显差别，效率值与经济金融发展水平存在一定的正相关关系。在之前研究的基础上，黄瑞芬和邱梦圆(2016)采用DEA-Malmquist 指数法及SFA 模型对全要素生产率变动与科技金融效率值进行评价发现，我国科技金融效率虽然逐渐上升，但效率较低，且总体呈现出东高西低状态。韩威[11]对2005—2014 年河南省18 个地市科技金融结合效率进行实证研究发现，样本期内河南省科技金融结合效率呈现先上升后下降趋势，并且具有明显的地区差异，并对科技金融结合低效率地区提出相应解决措施。杜金岷等[12]对中国区域科技金融投入产出效率进行测算发现，环境因素对科技金融投入产出效率影响较大，而规模效率水平是影响中国科技金融发展的重要因素。

总体而言，关于科技金融效率测算评估的国外文献较少，国内相关研究围绕不同区域采用不同评价方法得出了并不一致的研究结论。相关评价方法主要选取DEA和SFA两类方法。在指标选取上，主要围绕“投入+产出”或“投入+环境+产出”维度构建。但是，大多数投入指标选取更多是考虑间接融资和政府财政科技投入，未能充分、有效反映社会化直接融资的重要影响，评价指标体系与现实不符，即直接融资对企业创新行为具有更为显著的作用。产出指标中往往将科技论文数量、国家级科技奖励数等与科技金融实际影响效应关联度较低的指标纳入评价体系，忽略了创新创业链条中的关键环节，最终弱化了模型评价结果对现实问题的指导价值。据此，本研究对现有科技金融效率评价指标体系进行修正与完善，创新性地将金融机构贷款额、股票市价总值、保险机构保费收入等反映资本市场发展水平的指标纳入投入指标体系，将发明专利授权数、技术市场交易额和高新技术产业新产品销售收入3个反映创新创业链条关键环节状态的指标纳入产出指标体系，有效降低评价指标体系设定误差，并从全国视角出发，利用DEA-BCC模型和基尼系数对2006-2016年中国内地29个省市面板数据进行实证分析，探讨中国科技金融效率时空分异特征与区域均衡问题。

2 研究模型设计

2.1 研究方法与模型选择

本研究主要采用DEA-BCC模型和基尼系数相结合的方法展开实证研究。

DEA-BCC模型以规模收益可变相关思想为核心，有效解决DEA-CCR模型因固定规模收益所引起的问题与局限，并广泛应用于多个研究领域。DEA-BCC模型在CCR模型的基础上进一步将综合效率(TE)分解为纯技术效率(PTE)和规模效率(SE)，即TE=PTE*SE。其中，纯技术效率代表决策单元与DEA前沿面的距离，而规模效率则代表规模收益不变条件下生产前沿面与规模收益可变条件下生产前沿面间的距离，主要衡量决策单元是否达到最优规模，二者共同决定决策单元的有效性。DEA-BCC模型一般假设有n个决策单元、m个投入变量、s个产出变量，则第i个决策单元的投入、产出向量分别为：

xi=(x1i,x2i,…,xmi)T

yi=(y1i,y2i,…,ysi)T,i=1,2,…n

引入投入指标加权指数u及产出指标加权指数v，则投入产出指标权向量分别为：

因此，决策单元效率评价指数为：

因TE=PTE*SE，若某一决策单元的效率评价指数(综合效率)等于1，则其纯技术效率及规模效率均为1，该决策单元为DEA有效，即相对于其它决策单元，该决策单元效率值最高；若某一决策单元综合效率小于1(纯技术效率与规模效率中仅有一方为1)，则该决策单元为弱DEA有效；若某一决策单元综合效率小于1，且纯技术效率与规模效率均不等于1，则该决策单元为非DEA有效，其效率值水平较差。

基尼系数是意大利学者为研究收入分配公平问题，根据洛伦兹曲线理论有关思想提出的重要计算模型，主要通过量化模型指标，对各类经济现象进行分析，目前已成为研究区域发展均衡性与差异性的常用方法，并广泛应用于资源分配、发展绩效等领域。从某种意义上讲，科技金融效率是发展绩效的一个类别；同时，鉴于我国科技金融发展水平存在明显的空间差异性，科技金融效率也必然存在一定的区域不平衡性，本研究运用基尼系数方法进行研究，将基尼系数基本模型代入相关指标，得到科技金融效率基尼系数计算公式如下：

其中，G表示各地区科技金融效率基尼系数值，N表示模型中研究的区域数量，xi和xj分别表示第i个地区和第j个地区的科技金融效率，

表示所有地区科技金融效率的平均值。基尼系数取值范围在0～1之间，G=0，表明所有地区的科技金融建设完全均衡，各地区科技金融效率无差异；G=1，表明所研究地区科技金融建设完全失衡，各地区科技金融效率存在较大差异；基尼系数值越大，则代表所研究地区间科技金融效率差异越大，科技金融发展失衡问题越严重。

2.2 指标体系构建

根据投入产出效率测算基础理论，遵循系统性、全面性、客观性和数据可获得性等基本原则，构建涵盖科技金融投入与产出两个维度的效率评价指标体系。

2.2.1 科技金融投入指标

科技金融投入指标方面，本研究主要选取金融机构贷款额、股票市价总值、保险机构保费收入和财政科技投入4项指标进行测算。其中，金融机构贷款额反映信贷市场发展规模，股票市价总值代表证券市场发展程度，保险机构保费收入反映保险市场发展情况，三者从信贷市场、证券市场和保险市场角度着手，综合反映资本市场发展水平。金融市场规模越大、发展越成熟、体系越完善，对技术市场的支撑作用越强，越有利于解决科技型企业融资难题，进一步推动初创型企业孵化成长。而政府作为科技型企业融资资本的重要供给者，其财政科技投入反映了政府对科技金融建设的投入情况和支持力度。上述4项指标从财政资金与资本市场角度，共同衡量科技金融市场要素资源投入情况。

2.2.2 科技金融产出指标

科技金融产出指标方面，本研究围绕创新创业链条中的发明创造、技术转移、成果转化和产业化等关键环节，选择发明专利授权数、技术市场成交额及高技术产业新产品销售收入3项重要指标进行测算，有效衡量科技金融系统支持企业科技成果与经济效益产出情况。指标选取主要基于以下3方面的考虑：专利授权数有效衡量科技金融直接成果规模，技术市场成交额及高新技术产业新产品销售收入则衡量科技金融间接产出成果，前者反映科技金融系统对技术研发的促进作用，后者则代表科技金融系统对科技成果产业化的影响情况。综上所述，中国科技金融效率评价指标体系如表2所示。

2.3 数据来源

本研究所用数据主要来源于《中国统计年鉴》、《中国高技术产业统计年鉴》、《中国金融数据库》等相关统计资料，同时对样本数据进行标准化处理，进一步减少计算误差，保障模型评价结果的可靠性与有效性。样本期为2006-2016年，由于样本缺失或数据空缺等原因，本研究区域对象是除西藏、新疆以外的内地29个省(市)。

3 实证研究

3.1 中国科技金融效率时间变化规律

利用DEAP2.1软件对模型各指标数据进行测算，得到2006-2016年中国科技金融效率总体情况和时间变化情况，其中科技金融效率(综合效率)可进一步分解为纯技术效率和规模效率。

如表3和图1所示，从中国科技金融效率均值情况看，2006-2016年，中国科技金融综合效率、纯技术效率、规模效率均值分别为0.827、0.950和0.866，各效率值均不等于1，为非DEA有效，表明中国科技金融效率整体水平有待提升，科技金融市场建设有待加强。从中国科技金融效率时间变化规律看，2006-2016年中国科技金融效率整体呈上升趋势，但综合效率、纯技术效率和规模效率均表现出不同程度的“V”型变动趋势，科技金融发展仍不稳定。其中，2006-2007年中国科技金融效率逐年增长，由非DEA有效变为弱DEA有效，该期间中国金融市场不断完善，人民币汇率制度改革实现新突破，《证券法》、《公司法》等完成修订，国有商业银行积极股改上市，金融业快速发展为科技金融建设提供了有力支撑。然而，随着2008年全球金融危机的爆发，中国金融市场与经济建设受到严重冲击，科技金融效率持续下降，于2009年降至波谷。为缓解金融危机造成的恶劣影响，政府提出进一步扩大内需、促进经济增长的10项举措。因此，2010-2016年中国经济发展逐渐复苏，政府“一揽子计划”有效推动社会资本流动，为科技型企业发展提供了有力的融资保障，科技金融综合效率、纯技术效率、规模效率均保持持续、稳定增长。同时，随着《关于促进科技和金融结合加快实施自主创新战略的若干意见》等文件的出台，以及科技金融结合试点工作的开展，中国科技金融环境不断改善，科技金融效率实现了从2010-2012年非DEA有效到2013-2014年弱DEA有效再到2015-2016年DEA有效的重要转变。此外，对比综合效率、纯技术效率及规模效率变动规律可知，纯技术效率水平相对较高，在2007年及2013-2016年均达到1，已实现最优状态，对综合效率的影响逐渐饱和。相比之下，规模效率变动较大，对综合效率的影响更为显著，即随着人力、资本等生产要素的不断投入以及市场规模的不断扩张，中国科技金融效率实现快速增长。

3.2 中国科技金融效率空间差异

利用DEA-BCC模型对2006-2016年中国内地29个省市的科技金融效率进行测算，各省市科技金融结合的综合效率、纯技术效率及规模效率如表4所示。

从中国内地29个省市科技金融效率及其分解值比较情况看，如表4及表5所示，各地区科技金融效率、纯技术效率及规模效率值大小均呈现出较大差异，科技金融建设效果各不相同。

(1)北京、上海、江苏、浙江、广东5个地区科技金融综合效率、纯技术效率及规模效率均为1.000，处于DEA有效状态，在全国29个省市中并列第一，处于上游顶尖水平。上述地区经济发展迅速，金融市场完善，是中国重要的金融与科教发展重地，多年来其科技金融发展成效显著，科技金融发展水平不断提高，领先优势明显，是中国科技金融建设的重要支柱与核心区域。

(2)天津、湖北、湖南、重庆、陕西5个地区科技资源与智力储备相对丰富，创新潜力与创新优势较为显著，其纯技术效率等于1，规模效率不等于1，处于弱DEA有效状态。上述地区纯技术效率实现最优，资源有效配置，科技管理水平与资源利用效率较高，满足现有发展需要，但规模效率较低，投入产出规模有待进一步优化，尚未形成规模经济效应，其科技金融市场规模与要素投入强度仍有提升空间。

(3)河北、山东、河南、四川4个地区纯技术效率不等于1、规模效率等于1，处于弱DEA有效状态。上述地区已实现最优规模，但金融市场与科技创新发展较差，纯技术效率较低，技术创新能力有待增强，资源利用效率及管理效率有待提升。

(4)山西、内蒙古、辽宁、吉林、黑龙江、安徽、福建、江西、广西、海南、贵州、云南、甘肃、青海、宁夏15个地区纯技术效率与规模效率均不等于1，处于非DEA有效状态，科技金融发展较差。其中，东北三省多为重工业企业，近年来经济发展表现低迷，产能过剩、创新不足、环境污染、资源约束等问题较为严重，金融市场发展缓慢，科技型企业孵化环境较差，科技金融发展水平相对较低，政府加强供给侧改革、优化产业结构、推进创新建设、大力发展高新技术产业刻不容缓。而甘肃、贵州、青海等西北地区，科技金融发展较为落后，整体效率水平较低，尚未形成有序且完善的市场发展体系。因此，应进一步健全相关政策制度，提高技术创新与资源利用效率，实现规模经济，深化实施“西部大开发”重大战略。

3.3 基于基尼系数的中国科技金融效率均衡性研究

从中国整体科技金融效率基尼系数值时间变化规律看，如图2所示，2006-2016年中国科技金融效率(综合效率)、纯技术效率及规模效率的基尼系数值均表现出不同程度上升趋势。其中，综合效率基尼系数由2006年的0.116上升至2016年的0.188，纯技术效率基尼系数由2006年的0.079上升至2016年的0.138，规模效率基尼系数由2006年的0.109上升至2016年的0.171，中国科技金融效率水平区域差异进一步扩大，但扩大速度逐渐放缓，区域发展失衡问题亟需解决。

从中国各地区科技金融效率基尼系数值比较情况看，如表6所示：①北京、上海、广东、江浙、山东、天津、重庆等地区科技金融效率基尼系数值相对较小，科技金融发展较为均衡，区域差异不大，有利于科技金融建设长期稳定、可持续发展；②湖北、湖南、四川、河北、山西、辽宁、吉林、黑龙江等地区科技金融效率基尼系数值较大，科技金融发展均衡性较差。上述地区中，其政策、人才、资本、平台等资源多集中在省会城市，省内中小城市数量多、综合实力弱，与省会城市存在较大差距，“一城独大”现象较为严重，科技金融发展失衡问题亟待解决；③江西、广西、福建、贵州、甘肃等地区基尼系数值在全国范围内属于中等水平，科技金融建设存在一定程度的发展失衡问题。但由于上述地区经济、金融、科技发展整体较弱，科技金融建设仍处于探索阶段，地区内城市尚不具备强劲的科技金融发展能力，省会城市领先优势不足。因此，相比于湖北、湖南、四川等地区，上述地区科技金融效率区域差异相对较小；④内蒙古、海南、云南、青海、宁夏等地区经济发展极为落后，在全国处于末端水平，科技金融市场建设不完善，部分城市尚未开展科技金融工作，区域发展差距大，科技金融发展失衡问题较为严重。

4 结语

4.1 研究结论

本研究运用DEA-BCC模型与基尼系数分析方法对中国内地29个省市2006-2016年科技金融效率时空分异特征和区域均衡性进行实证分析，主要得出如下结论：①中国科技金融结合的综合效率均值、纯技术效率均值及规模效率均值分别为0.827、0.950、0.866，为非DEA有效，科技金融发展整体水平有待提升；②2006-2016年，中国科技金融效率整体呈上升趋势，科技金融建设虽然取得一定进展，但综合效率、纯技术效率及规模效率表现出不同程度的“V”型变动趋势，科技金融效率尚未形成稳定增长趋势，中国科技金融发展模式有待优化；③对比综合效率、纯技术效率与规模效率变动趋势可知，技术效率与规模效率对科技金融效率的影响存在一定差异。其中，规模效率的影响更为显著；④根据中国各省市科技金融效率值差异比较情况看，北京、上海、江苏、浙江、广东5个地区为DEA有效，天津、河北、山东、河南、湖北、湖南、四川、重庆、陕西9个地区为弱DEA有效，山西、内蒙古、辽宁、吉林、黑龙江、安徽、福建、江西、广西、海南、贵州、云南、甘肃、青海、宁夏15个地区为非DEA有效；⑤从中国科技金融发展整体均衡性变化情况看，2006-2016年中国科技金融效率区域差异进一步扩大，但扩大速度逐渐放缓。从各地区自身均衡性看，中国内地29个省市基尼系数值存在一定差异，各省市科技金融建设表现出不同程度的发展失衡问题。

4.2 政策启示

本研究政策启示包括：一是对于北京、上海、广东、江浙等DEA有效地区，应以提升科技金融国际竞争力为重点，在保持国内领先优势的同时，积极学习国外发达地区科技金融建设先进经验，加强海外交流合作，加大政府招商引资力度，大力引进海外知名金融机构与科技型企业入驻，在北京和上海地区积极打造具有国际视野与国际水平的科技金融全球服务中心，增强中国科技金融竞争实力，抢占国际竞争高地。此外，应进一步发挥上述发达地区的辐射引导作用，加强省域间交流与协作，带动全国科技金融发展。二是对于天津、湖北、湖南、重庆、陕西等规模效率较低省市，应以扩大科技金融投入规模为重点，积极推进财政科技投入体制机制改革，建立完善的多层次资本市场，创新发展股权质押融资、仓单质押融资、互联网金融、天使投资、风险投资等直接融资形式。三是对于河北、山东、河南、四川等纯技术效率较低省市，重点应加大创新要素投入与创新资源整合力度，解决“投入冗余、产出不足”的主要矛盾，通过大力引进高层次科技金融人才和创新创业人才，推动科技金融产品、服务技术与管理创新，进一步提高科技成果转移转化效率、科技进步贡献率及资源利用效率等，从而有效促进纯技术效率提升。四是对于广西、江西、贵州、甘肃等非DEA有效地区，应重点培育良好的科技金融生态环境。围绕科技创新创业链优化科技金融布局，着力打造产品组合、服务体系、政策机制“三驾马车”，增强科技金融创新动能。全面建设覆盖全域的科技金融服务平台，打通科技金融链接管道；积极推进“成果转化+科技金融”，培育一批新项目、新业态、新模式，抢占科技金融制高筹码；合作撬动社会资本资源要素，拓展科技金融发展空间，不断提升科技金融服务创新驱动发展能力。五是针对区域发展失衡问题，根据不同地区发展程度与区域特色，完善科技金融政策支撑体系，合理制定专业化、个性化、专属化的科技金融建设方案，促进全国各地区科技金融均衡发展。

4.3 研究贡献

本研究主要贡献在于优化了科技金融投入产出评价指标指标，投入指标方面考虑了直接融资、间接融资和财政科技投入3类科技金融资金类型，产出指标则充分结合创新创业链条的4个重要环节：发明创造、技术转移、成果转化和产业化。同时，在研究方法上将基尼系数方法用于评估区域科技金融效率空间差异。当然，本研究还存在一些不足，主要包括：一是科技金融投入产出指标需要进一步优化。我国从2002年开始统计社会融资规模，用以反映社会资金对实体经济的支持力度，该指标用于评价科技金融投入情况更具有代表性。需要说明的是，由于各省市社会融资规模指标仅从2013年开始统计，当考虑区域异质性时，该指标就具有一定的局限性；二是对科技金融效率集聚情况的分析需要改进，集聚是科技金融空间分布的另一个重要特征，集聚水平直接影响区域创新驱动发展水平，但现有研究鲜有涉及。

[1] HSU P,XUAN TIAN,YAN XU.Financial development and innovation cross-country evidence [J].Journal of Financial Economics,2014,112(1):46-52.

[2] AlESSANDR A C, STONEMAN P.Financial constraints lo innovation in the UK:evidence from CIS2 and CIS3[J].Oxford Economic Paper,2008，60(4):711-730.

[3] CATERIN GIANNETTI.Relationship lending and firm innovativeness[J].Journal of Empirical Finance,2012,19(5)： 762-781.

[4] JOHN C, STEVEN M.Venture capital's role in innovation: issues, research and stakeholder interests [J].The International Handbook on Innovation,2003:641-663.

[5] PERE A C.How venture capitalists spur invention in spain: evidence from patent trajectories[J].Research Policy,2012,41(5):897-912.

[6] 曹颖，尤建新，卢锐，等.我国科技金融发展指数实证研究[J].中国管理科学，2011(6)：134-140.

[7] 许汝俊，龙子午，姚逍遥.基于DEA-Malmquist指数法的科技金融发展效率评价研究——以长江经济带为例[J].科技管理研究，2015(13)：188-191.

[8] 张明喜.我国科技金融生态及其绩效实证研究[J].科技进步与对策，2017(6)：1-6.

[9] 骆世广，李华民.广东科技金融绩效评价——基于NonICA特征约简的DEA方法研究[J].金融理论与实践，2012(12)：39-42.

[10] 黄瑞芬，杜绪沅.基于DEA方法的我国沿海各省科技金融绩效评价[J].金融发展研究，2015(4)：35-39.

[11] 韩威.基于DEA-Tobit模型的科技金融结合效率实证分析——以河南省为例[J].金融发展研究，2015(9)：36-40.

[12] 杜金岷，梁岭，吕寒.中国区域科技金融效率研究——基于三阶段DEA模型分析[J].金融经济学研究，2016(6)：84-93.