基于支持向量机的科技投融资绩效评价研究

摘要：提出了基于支持向量机的科技投融资绩效评价方法，并对四川省1995～2012年期间科技投融资绩效进行实证研究。结果表明：基于支持向量机进行科技投融资绩效评价的方法是可行且有效的；四川省科技投融资绩效并不是随着投融资总额的增加呈现出逐步提高的趋势，而是有一定的波动性。

关键词：科技投融资；绩效评价；支持向量机；主成分分析

中图分类号：F204 文献标识码：A 文章编号：1001-8409（2014）12-0125-05

The Performance of Science and Technology Investment andFinance Based on the Support Vector Machine

GU Jing1，ZHAO Da2，WANG Chaoling3

（1.School of Economics，Sichuan University，Chengdu 610054；2.School of Economics，FuDan University，Shanghai 200433；

3.School of HSBC Business，Peking University，Shenzhen 518055）

Abstract：To improve the government s science and technology investment and finance management model and raise the level of innovation efficiency. The support vector machine method is presented in this paper to do an empirical study on the performance of S&T investment and finance based on the datas from 1995 to 2011. On the one hand，the test results show that the construction of support vector machine mothod is effective and feasible. On the other hand，the performance of S&T investment and finance is not increasing with the total investment but showing some fluctuations.

Keywords：sicence and technology investment and finance；evaluation of performance；support vector machine；principal component analysis

引言

提高科技自主创新能力不仅是我国科技发展的前提、国家基础设施建设的重要组成部分，也是政府公共财政投资的主要目标之一。对于企业自身来讲，技术创新往往还能够带来丰厚的超额利润回报。但是把资本、技术、劳动力等要素转化为现实生产力不仅取决于资金投入量的增加，还依赖于利用率的提高。杨波等[1，2]认为，科技投融资力度加大和高科技产业发展没有呈现同步增长的态势。因此，政府投融资平台近几年来对科技创新领域投入了大量资金，政策给予了很多扶持，最终企业利用这些资源进行技术创新。那么，科技投融资的实质效果如何？这是当前亟需解决的问题之一。

Yoichi Gokan[3]和杨志安等[4]认为，财政投融资的绩效评价应该有完善的评价体系并使用科学规范的评价方法。对于科技投融资的绩效评价也应该如此。以往研究主要集中于企业间或行业间的科技投融资绩效指标体系的构建与评价。如王利剑等[5]对高校科技平台绩效评价进行了研究；李左峰等[6]研究了政府科技项目投入对95家创新企业的影响。从技术方法层面来讲，现有文献大多利用AHP、专家打分法、BP神经网络、数据包络分析（DEA）等非参数方法，效果并不是十分理想。因为定性的方法不能公正、客观地评价事物，具有较强的个人主观色彩；对于定量分析的方法来说，DEA方法避免模型设定偏差，但忽视随机误差且结论的稳健性较差[6]，BP神经网络不能择优寻找支持向量，对全体样本进行迭代导致速度慢且准确率相对较低。由于现实世界过于复杂，一些无法直接纳入量化体系但又对评估具有重大意义的指标如创新产品的环境效益等则需要经过特别处理。

由此可见，在不断加大投融资规模的基础上，评价宏观经济主体投融资绩效具有较大的理论和现实意义。尤其是四川省，作为西部最重要的科技省份，拥有5所211高校、216个研究开发机构、12家高新技术产业化基地。在全国各省市中，高新技术产业化基地总数排名第一。2013年四川省政府出台了《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，积极拓宽科技投融资渠道，对于投融资的绩效评价迫于现实需要。由于非线性支持向量机具有很好的泛化性，适于处理高维数据，可以巧妙地解决小样本非线性的问题。由于何悦等[7]认为R&D投入对创新绩效呈倒U型曲线而不是简单的线性关系，因此用非线性支持向量机来进行科技投融资绩效评价恰到好处。但是，非线性支持向量机预测精度会随着样本特征即评价指标维数的增加迅速降低，而评价指标维数太低又不能充分反应出投资绩效的变化情况，使预测没有现实意义。因此为了在能够合理构建众多评价指标的前提下不影响非线性支持向量机的预测精度，本文首先对原始数据进行主成分分析以降低评价指标的维度（由9维降为3维）；其次将维数减少后的样本特征送入支持向量机分类器对投融资绩效进行评价，以提高预测精度；最后对四川省科技投融资绩效进行实证检验，根据实证结果为完善科技创新体制提供政策建议。

1 基于支持向量机的科技投融资绩效评价方法

1.1 数据来源及评价指标选择

本文研究样本来源于1995～2012年的四川省科技投融资绩效数据，9项科技投融资评价指标，共162个观测值。统计数据来自《中国科技统计年鉴》、《中国环境统计年鉴》、《四川科技统计》和《全国科技经费投入统计公报》。在利用支持向量机方法处理样本时分为两组，1995～2007年的数据为一组作为训练样本，2008～2012年的数据为测试样本，用于测试。

在评价指标选择上，现有文献主要集中于两点：一是专注于新产品销售收入、新产品开发项目数和专利数的创新绝对指标[8]；二是强调R&D效率、创新产出弹性等相对指标[9]。结合现有文献以及相关具体问题，本文在构建指标体系时遵循的原则是：①指标体系是一组既互相依存、相互制约，又相互独立，科学、通用地反映创新绩效评估对象历史、现状及规律的指标群所构成的有机整体，不能是生硬的

结合。②指标体系是动态的，能根据形势变化做出适当调整。③有较强针对性、简明实用。④定量与定性相结合。基于此，构建了以下指标体系（见表1）。

之所以选择R&D投入强度，是因为从宏观层面，加大R&D活动投入力度已成为各国保持科技领先的重要措施；微观上讲，R&D投入不仅是企业技术创新绩效的重要资源，也是企业追求长期竞争优势的原动力。如Lee[10]利用跨国数据发现，对于较低技术能力且处于高技术机会和竞争度产业内的企业而言，R&D补贴对于创新绩效具有显著影响。由于具有实用性、创造性，国内专利申请授权数成为企业技术创新的直观体现。比如Zhang和Rogers[11]研究认为企业的专利授权量对技术创新绩效有显著的正向影响。另外，大中型工业企业新产品销售收入与销售总收入之比和大中型工业企业新产品开发项目数等指标也相对比较重要。虽然四川省大中型工业企业数量只占规模以上工业企业的一成，但资产总额和净资产、销售收入和利润均在五成以上。考虑到创新产品环境效益评价是一个多目标的评价问题，而政策等所导致的环境影响难以直接进行定量分析。模糊综合评价法在评价界限不明确现象时模拟了人类的推理模式，所以引入模糊综合评价法比传统的多要素综合法、AHP法等更具优势[12]。本文从定性和定量两个方面构建了创新产品环境效益的指标体系（见表2）。

由表3可以看到，各地区高等学校R&D支出、创新产品的环境效益、大中型工业企业新产品开发数（项）、国内专利申请授权数和国外主要检索工具收录科技论文等指标相关性相对较大，说明存在较大的冗余。因此可以考虑在主成分贡献率比较大的基础上，用主成分分析方法同时实现降低评价指标维度，从而提高支持向量机预测精度以及不损失信息、保证评价结果可信的目的。由相关矩阵经运行PRINCOMP过程后得到表4。

1.3 支持向量机处理结果

支持向量机（Support Vector Machine，以下简称SVM）主要根据Mercer定理，以结构风险最小化为原则，在约束样本训练误差的条件下能够使置信范围值最小化。具体表现为先用一个非线性映射φ将样本数据S转换到一个高维特征空间H中，使得φ（S）具有很好的线性回归特征。然后在H中进行线性回归，最后返回到Rn，从而转化为求解凸规划问题，并求得全局最优解。

SVM的算法程序主要包括训练参数输入、训练样本输入、模拟训练，评估训练样本等一系列过程，其流程如图1所示。

将表6中1995～2007年13年数据的z1，z2，z3作为SVM属性矩阵输入，综合得分作为标签即输出，并进行RBF训练参数优化。计算机运行环境为Matlab2010b，Microsoft Visual Studio2010，软件版本为Libsvmmat2.89-3。

由于误差惩罚因子c和参数g对RBF核函数的性能产生较大影响，从而影响回归精度[14]。采用最新网格搜索法（Grid Search）来实现参数的寻优。首先对c、g粗略地取MN个值，然后对这些组合分别训练不同的模型，再估计其回归能力，最终得到性能最佳的一个组合（c*，g*）。为了提升推广能力，还可进一步在最佳组合（c*，g*）附近缩小尺度进行搜索。软件运行结果如图2所示。

图1 SVM算法流程

图2 参数选择结果

在得到最优参数c*=11.3137，g*=00625（即log2c*≈3.5，log2g*≈-4）后，将2008～2012年数据作为测试样本并运行预测子模块（support vector machinepredict）对模型精度进行检验，得到最终评价结果如图3（a）、3（b）所示。

图3（a） 数据拟合

图3（b） 误差分析

注：为方便标注，图3（a）及3（b）中横坐标1代表2008年，1.5代表2008年7月份，2代表2009年，2.5代表2009年7月份，以此类推。

运用SVM方法进行科技投融资绩效评价结果与运用主成分分析评价结果的相对误差大多在1.8%左右，最大不超过6%。由于冗余会造成SVM预测误差偏大，因此用主成分分析后能大大提高评价精度。事实上，本文提出的基于SVM的科技投融资绩效评价方法具有很强的普适性。且随着训练样本的增多，准确率会越来越高。另外，由于现实中一些政策或投入影响具有长期性，因此将方法中的自变量提前一期或两期还可做预测。

2 评价结果分析

2.1 评价结果描述

2008～2012年，虽然四川省科技产业的专利申请授权数、R&D支出、国外主要检索工具收录四川省科技论文数分别增加了215%、114%、77%。但评价结果显示，四川省科技投融资绩效由优到劣的顺序为：2012年（2.47），2011年（2.02）、2010年（1.64）、2008年（152）、2009年（1.43）。绩效水平在2009年出现较大回落以后于2010年出现反弹，超越2008年的水平，投融资绩效在2012年势头发展迅猛并达到历史最高水平。这说明科技产业投资是一个包含许多不确定性因素的动态过程，其绩效不仅要考虑投资的数量增长，更要考虑所投资金的利用率问题和宏观经济环境变化等要素。

2.2 四川省科技投融资现状及对策建议

评价结果显示，目前四川省科技投融资绩效总体向好，并未出现较大波动，投融资绩效水平自2009年以来逐年提高。这说明政府、社会、企业在整合科技资源，加速成果转化方面措施得当，这些政策不存在系统性问题，大部分可以继续推行。第一，2008～2012年四川省R&D投入强度由1.28增长到1.47。2008年末，由于金融危机的影响，促使政府进一步优化科技投入结构，不仅企业自筹资金呈上扬趋势，而且形成了以科技企业而不是科研院所为主体的产学研结合局面。第二，作为四川省省会和科技投融资重点城市，成都市近年来高度重视科技企业孵化器，并将其作为区域创新体系的重要组成部分。通过对专业技术孵化器、留学人员创业园以及博士创业园等各类科技企业孵化器的建设，突出对特色产业集群和创新集群的基础性孵育作用，使得科技企业资金利用率和盈利能力显著提高。第三，四川省各级政府科技主管部门主动组织科技企业财务人员利用各种融资方式及运作流程，使科技企业更多地利用各种融资方式。

尽管四川省科技金融工作不断创新，但是从绩效评价结果来看，相比2008年，2009年绩效水平出现了较大程度下降。本文认为，这在一定程度上是受2008年汶川大地震以及年末全球金融危机的波及。比如地震会引起黄光机台断裂，报废大批晶圆，严重影响部分在蓉高科技企业如英特尔、微软出货量，从而导致投融资绩效水平下降。至于金融危机的负面影响则可以由表6看出：比如2009年绩效水平比较低的重要原因是z1得分比较低，而z1主成分表达式显示，这可能主要是因为金融危机导致企业在研发创新产品时融资出现困难，这种情况下企业会把资金较少应用于环境效益。因此，在面对重大风险挑战时，四川省投融资绩效表现出相对的不稳定性，这说明目前投融资机制还不够完善，在增强科技投融资抵抗重大风险能力，提升自身绩效水平方面还存在以下问题：

第一，政府管理方面，四川省科技金融资源整合力度有限，区域市场化程度不高以及对科技产品财税支持力度不够。另外，科技成果转化率相比沿海科技创新突出省份如江苏、上海等偏低，且低于全国水平，投融资具有一定的粗放性。以医药行业为例，近几年科技成果转化率仅为11%，已进行产业化的比例不足5%。明显可以看出，科技企业立项的市场导向性不强，忽视市场需求的问题依然突出。

第二，市场环境及结构方面，政策性银行尤其是商业银行对中小科技企业支持力度不够，担保机构效率不高，创新型企业在初创期严重缺乏融资渠道。中小科技企业作为创新的生力军虽然获得了知识产权质押融资的优惠，但是在出口退税质押、股权质押、保单质押、债券质押等领域需求不易满足，部分原因是由于企业信用体系不完善。对成都市106家科技型中小企业调查结果显示，约有21%的企业认为政府及相关部门要努力督促金融机构推出更多适合科技型中小企业的金融产品，以方便科技型中小企业资金融通。约有18%的企业认为政府及相关部门需要建立企业信用档案，积极向金融机构传递企业信息。

针对四川省科技投融资绩效评价结果以及目前科技投融资存在的问题，提出以下几点建议：

第一，拓宽融资渠道。其中包括大力发展天使投资、建立专门的科技银行以及设立政府引导基金。进一步加强与沿海尤其是香港科技板的交流，充分利用香港地位优势及国际影响力。这样不仅能够引进国外资本还能拓宽风险资本退出渠道，构建创业企业与风投、服务机构对接平台。

第二，合理规划政府投资领域。在处理基础研究与应用研究的责任利益划分时，由于基础性研究具有投资大、回收期长、科研投入者成果极易被模仿等特点，所以应该由政府承担主要出资人的角色；而商业利益较大的应用研究则应由企业承担，并由政府保证其知识产权。

第三，建立多元化评价模式。巩固“政府引导、市场运作、多元投资、专家理财”这一理念，通过组建评价专家库和专业团队，初步建立起市场、专业机构等多元化评价模式，建立中介信誉体系并及时向社会公布结果。同时，政府自身要加强财政科技资金监管，避免重复投资，盲目立项。

第四，提高高科技成果转化率。针对高科技成果转化率较低的问题，政府除了要提高高技术成果转化基金外，还应该健全政策性银行和中小企业间接融资体系，对那些销售收入增加很快、具有极强潜力的中小企业通过加强银企合作、提供必要的信用担保支持和税收减免措施；对一部分由科研院所转化来的科技企业，必须建立完善的现代企业制度，设立科技成果转化收益奖来提高科研人员的主动性。

3 结论与展望

由于SVM具有很好的泛化性适于处理高维数据，可以巧妙地解决小样本非线性的问题；冗余会造成SVM预测误差偏大，用主成分分析后能大大提高评价精度，因此，本文首先运用主成分分析对指标体系的相关性进行处理，结合SVM方法提出基于SVM的科技投融资绩效评价方法，并利用四川省科技投融资数据进行评价，实证结果表明：利用SVM方法进行科技投融资绩效评价结果是可行且有效的。

本文的研究只关注了论文数量以及专利数量，对其质量并没有考虑。后续研究将在以下两个方面进行改进：一是核函数的构造与选择、相关参数的优化；二是进一步考虑检索科技论文质量和专利质量，尝试构造更适合的核函数并优化相关参数。在指标构建方面，将进一步考虑检索科技论文质量及申请专利质量等指标，从而构建更为完备的评价指标体系。

参考文献：

[1]杨波，苏娜. 基于熵理论的高科技企业投融资绩效研究——以湖北省为例[J]. 科研管理，2011，32（8）：42-50.

[2]田晓丽，顾婧. 基于熵理论的高新技术企业投融资绩效评价[J]. 统计与决策，2013，18：177-179.

[3]Gokan，Yoichi. The Speed of Convergence and Alternative Government Financing[J]. Journal of Economic Dynamics and Control，2003，27（9）：1517-1531.

[4]杨志安，李鹏. 财政投融资绩效问题研究综述[J]. 农业经济，2013，5：94-95.

[5]王利剑，刘佳. 高校科技创新平台绩效评价指标体系构建与应用[J]. 科学学与科学技术管理，2010，（2）：110-113.

[6]李左峰，张铭慎. 政府科技项目投入对企业创新绩效的影响研究——来自我国95家创新型企业的证据[J]. 中国软科学，2012.（12）：123-132.

[7]何悦，朱桂龙，戴勇. 企业创新绩效影响因素的系统动力学研究[J]. 软科学，2010（7）：19-23.

[8]王俊. R&D补贴费企业R&D投入及创新产出影响的实证研究[J]. 科学学研究，2010（9）：1368-1374.

[9]金祥荣，余冬筠. 创新效率、产业特征与区域经济增长[J]. 浙江大学学报：人文社会科学版，2010（5）：116-125.

[10]Lee C Y. The Differential Effects of Public R&D Support on Firm R&D：Theory and Evidence from Multi-Country Data[J]. Technovation，2011，31（5）：256-269.

[11]Zhang J J，Rogers J D. The Technological Innovation Performance of Chinese Firms：The Role of Industrial and Academic R&D，FDI and the Markets in Firm Patenting[J]. International Journal of Technology Management，2009，48（4）：518-543.

[12]郑童，吕斌，张纯. 基于模糊评价法的宜居社区评价研究[J]. 城市发展研究，2011，18（9）：118-124.

[13]高惠璇. 应用多元统计分析[M]. 北京：北京大学出版社，2002.

[14]Vladimir N， Vapnik.Statistical Learning Theory[M]. Wiley-Inter Science，1998.9-16.

（责任编辑：王惠萍）