长三角地区科技金融效率评价——基于三阶段DEA模型与Malmquist模型的实证

姜炤君，徐 波

（浙江树人学院经济与民生福祉学院，杭州 310015）

一、引言与文献综述

科技和金融作为我国经济发展的两大动力，两者的有机结合是推动经济高质量发展的关键，必须优化创新金融服务科技的方式和途径，充分发挥科技对经济社会发展的支撑与引领作用以促进科技和金融的有机结合。

截至2020年底，我国每年高技术产业R&D人员全时当量990314人，R&D经费支出4649.0941亿元，R&D项目数154166项，有效发明件数570905件，而2013年高技术产业R&D人员全时当量仅57.3万人/年，R&D经费支出1922.2亿元，R&D项目数18403项，有效发明件数199728件，分别同比增长了72.8%、141.86%、737.72%、185.84%。R&D经费支出是指报告期为实施R&D活动而实际发生的全部经费支出，R&D及相关指标是科技统计指标体系中最重要的组成部分。通过清查，一方面，可以进一步规范科技金融统计工作，完善科技金融统计指标体系，提高数据质量；另一方面，清查的结果可为政府有关部门制定科技政策或规划提供重要数据支撑。

科技金融的投入和产出规模越来越大。R&D经费支出占国内生产总值的比例也逐年升高，从2013年的1.91%到如今的2.40%；技术市场的成交额也在逐年增加，从2013年的6437亿元，增长到2020年的28252亿元。然而，科技投入是否能真正地转化为科技成果并取得相应的收益、增加我国高技术产业经济效益?科技金融的投入与产出是否呈正相关增长呢？各地区科技金融的发展是否是同时间、同步伐的呢？这是各界都普遍关注的问题。

在以往的文献中常有以省为单位研究科技金融效率。如刘彤（2021）[1]对青海省科技金融发展效率的评价，刘静一等（2021）[2]、韩威[3]对河南省科技金融与科技创新的耦合效率研究，张新才（2021）[4]对山东省科技金融效率评价及对策研究，义旭东[5]对安徽省16个地市的科技金融结合效率进行比较分析；或以多个省份为研究对象，如贺宝成、李姗珊（2021）[6]运用DEA-BCC模型，对我国包括上海市、浙江省、江苏省、安徽省在内选取的29个省市的样本数据进行分析，探究我国省域科技金融效率的时间和空间演进规律，并表明各省份的科技金融效率整体偏低，只有北京、天津、江苏、广东、陕西的综合效率处于前沿面，其他省份的综合效率都有待提高。此外，李林汉等[7]通过三阶段DEA模型，对我国2015年的省际科技金融效率进行测算，得出只有北京市、黑龙江省、浙江省、河南省、广东省五个省市的技术效率处于技术前沿面，其他省市的技术效率都有待提高的结论；杜金岷等[8]也运用三阶段DEA模型测算出中国区域科技金融投入产出效率并得出中国不同省市科技金融投入产出效率受环境因素影响差异较大的结论；章思诗[9]对我国24个省市2009-2015年的科技金融效率进行测定，截至2016年，仅有七个省市达到了生产前沿面。

然而少有针对于以经济区块为单位的科技金融效率的研究，尤其是对于长三角地区科技金融效率的研究较为缺乏，仅有孙忠艳[10]以京津冀、长三角与珠三角为例对我国区域科技金融效率及影响因素进行了实证研究，以及甘星、甘伟[11]对环渤海、长三角、珠三角三大经济圈科技金融效率差异展开了相关的实证研究。近两年来，我国科技金融发展迅猛，然而相关研究没有及时跟进。因此，通过学习王玉梅等[12]运用三阶段DEA模型对创新效率评价研究、张铁山等[13]运用因子分析法对技术创新的研究、许晓雯等[14]的投入绩效评价方法以及刘湘云等[15]运用SFA随机前沿模型创新效率进行测度，本研究决定针对长三角地区四个省市26个中心城市科技金融效率展开分析，基于DEA模型与Malmquist指数模型从动态与静态两方面对我国2013—2020年间的科技金融数据进行实证分析，并从政府、高新技术企业以及人才供给等方面为我国科技金融的高效发展提供可行性意见，这对于我国科技金融体系的建设具有深刻意义。

二、模型选取

（一）DEA模型建立

数据包络分析法，简称DEA，是由美国著名运筹学家A.Charnes和W.W.Cooper于1978年提出来的。它是用单个或单位的效率评价的一种非参数方法。其利用线性规划的方法，对决策单位的投入产出数据判断其相对有效性。DEA常适用于多投入多产出的效率评价问题，而且只研究投入产出数据，不对数据进行其他处理，不需要了解数据之间的关系。对于权重也无任何要求，只需要运用投入产出的实际数据求出最优权重，这样可以避免评价的主观因素，具有较强的客观性。

DEA模型种类较多，主要包括CCR模型和BCC模型两种。CCR模型是建立在DMU处于固定规模报酬的假设基础上的，所得出的效率值是技术效率值。由于本研究中科技金融规模报酬变动，所以选用BCC模型进行评价。

（二）Malmquist指数模型

最初Malmquist指数是1953年Malmquist提出的，后Caves、Christensen和Diewert于1982年开始将该指数应用于生产效率变化的测算。传统的CCR和BCC模型只能用于比较同一时间点决策单位的生产效率，而Malmquist指数模型则可以测度决策单位在不同时间效率的动态变化，具有广泛的应用性。

三、变量选取与数据来源

（一）变量选取

评价科技金融融合发展增长效率的关键是构建合理的指标体系，而且DEA方法要求所有决策单元输入输出值可得，且为正数，输入输出项目必须反映两者的关注要素，输入的数值应尽可能小，输出的数值则相反，不同的输入和输出数据的单位不要求同等条件。同时参考了陈珊珊、刘彤、贺宝成、李林汉、王宏艳、田卫民等学者的科技金融投入产出的相关数据，本研究选用如下指标作为研究数据：

1.科技金融投入变量

科技金融投入变量分别从人力、物力、财力三个维度选取指标。首先，人力方面选取R&D人员全时当量为投入指标（Research and Experimental Development”，英文首字母缩写为“R&D”），用于评估科技人才投入的指标。其次，在物力方面选取R&D项目数。最后，在财力方面选取R&D经费支出作为投入指标，可以有效评估科技金融投入量。

2.科技金融产出变量

科技金融产出变量分别从专利成果、盈利成果和生产成果三个方面选取测量指标。首先，专利成果方面以高技术有效发明专利数作为参数指标，有效发明专利数可以准确地衡量高技术产出成果，反映技术发展活动是否活跃。科技专利申请数量越多，代表一个社会的创新能力越高，社会就越有活力。其次，盈利成果发明选取高技术产业新产品销售收入，可指企业销售高技术新产品实现的收入，进而反映高技术新产品的受欢迎程度。最后，生产成果方面则选取国内生产总值作为测量指标。一个国家或地区科技与金融的发展对于其经济状况和发展水平起着关键性的作用。科技与金融的快速高质量发展能够有效地保证一个国家或地区的经济高质量运行。

表1 样本科技金融投入产出体系

3.科技金融投入产出数据相关性条件

在运用DEA模型测算科技金融效率时需要满足科技金融投入变量与产出变量成正相关，即当科技金融投入量增加时，科技金融产出量也会随之增加。不同的相关系数可用于测量不同指标，本研究使用Pearson相关系数来表示科技金融投入产出的相关性。各项投入产出指标之间的相关系数均大于0.7，即在1%的显著水平下，科技金融投入指标与产出指标呈正相关，因此，利用该科技金融投入产出变量建立的DEA效率测度模型是可靠的。

（二）数据来源及处理

以上数据主要来源于《中国统计年鉴》《中国高技术产业统计年鉴》、长三角四个省市的统计年鉴以及中国国家统计局官网。由于2022年统计年鉴尚未出具以及有部分数据缺失等情况，本文选用2013—2020年间四个省市的数据作为统计指标（其中上海市与安徽省2020年的高技术产业新产品销售收入数据缺失，为保证研究的完整性，本文利用2019年的高技术产业新产品销售收入增长率估算出2020年的高技术产业新产品销售收入）。

四、实证分析

（一）DEA结果分析

1.综合技术效率

通过DEAP2.1软件测算，得到四个省市的科技金融效率值如下表2所示：

表2 2013-2020年各地区科技金融综合技术效率值

综合技术效率（crste）是DMU在最优规模时投入要素的生产效率，是对投入要素的资源配置力、资源使用率等多方面能力的综合衡量与评价。综合技术效率越接近1，资源配置效率就越高，如果综合技术效率等于1，那么就处于DEA有效状态。

上海市综合效率均值为0.969，安徽省综合效率均值略高于上海市为0.971，均达到相对有效状态。而江苏省与浙江省的综合效率接近0，均处于DEA无效状态。其中，上海市在2013年、2017年、2019年以及2020年均处于完全有效状态，科技金融投入作用得到充分发挥。同样，安徽省在2014年、2015年、2016年以及2018年也达到了DEA有效状态。

2.纯技术效率

纯技术效率是指制度与管理水平带来的效率，是受技术水平影响的生存效率。纯技术效率等于1，说明在现有的技术水平下，投入资源是有效率的。如表2所示，只有上海市与安徽省的纯技术效率是有效的，其余两个省均是无效的。

表3 2013-2020年各地区科技金融纯技术效率值

3.规模效率

规模效率是由于规模因素产生的生产效率，反映了实际最优规模与生产规模之间的差距。规模因素会导致DMU不在最优规模下运行。如表4所示，2013-2020年四个省市的规模效率均在0.8-1之间处于相对有效状态，说明各省市的科技金融规模接近最佳规模，与最佳规模的差距较小。

表4 2013-2020年各地区科技金融规模效率值

4.规模报酬

当投入变量同比例改变时，其产出总量也会相应改变。当规模效益递增时，增加一定量投入时，会有更大规模的产出；当规模效益递减时，产出的增加量会小于投入的增加量。如表5所示，2017年以前上海市大多处于规模报酬递增的阶段，其后几年大多处于规模报酬不变阶段，处于整体有效的状态。说明随着上海市科技金融投入的增加，其产出已相对稳定。而江苏省、浙江省、安徽省近年来均处于规模报酬递增的状态，应该增加各省科技金融投入量，以获得更大规模的产出。

表5 2013-2020年各地区科技金融规模报酬阶段

（二）Malmquist模型结果分析

采用Malmquist指数分析法测算2013-2020年四个省市的科技金融效率，结果如表6所示。

表6 长三角地区Malmquist指数及分解

总体来看，四个省市全要素生产效率均值为0.743、小于1，说明长三角四个省市的科技金融效率下降，下降率为25.7%。综合技术效率、纯技术效率、规模效率均为1，而技术进步率为0.0743，说明生产效率的低下主要原因是技术进步的限制。

分阶段来看，四个省市的Malmquist指数从2013年的0.5至2020年的0.875，逐年递增，其主要原因还是技术进步，这说明虽然长三角地区的全要素生产效率逐年下降，但由于技术进步的拉动，生产效率下降的幅度在逐年递减。

五、结论与建议

首先，总体上，上海市与安徽省科技金融投入产出效率处于DEA相对有效状态。但其他地区差异较大，江苏省与浙江省处于DEA无效状态，科技金融结合效率低。江苏省与浙江省的综合技术效率和纯技术效率均处于无效状态，规模效率处于有效状态，这说明技术水平是导致综合技术效率处于无效状态的重要原因，所以应积极突破科技金融投入产出不联通的技术难关，以达到资源有效配置的最佳状态。

其次，从静态角度来说，虽然上海市与安徽省效率处于DEA相对有效状态，江苏省与浙江省处于DEA无效状态，但是上海市与安徽省的科技金融投入却远没有江苏省与浙江省多，这说明科技金融投入并不是科技金融效率的决定因素，投入过多可能反而会导致效率低下。并且近年来长三角四个省市的规模效率递增，增大科技金融投入规模，可以获得更大规模的产出。

最后，从动态角度分析，长三角四个省市的科技金融效率下降，其主要原因是技术进步的限制，但虽然长三角地区的全要素生产效率逐年下降，由于技术进步的拉动，生产效率下降的幅度在逐年递减。

浙江省的科研力量特别是尖子人才紧缺，科研经费投入不足，科技投入特别是R&D投入强度不大。基于以上结论，本研究提出以下几点建议：

第一，政府方面应大力支持高新技术产业发展，如对于积极响应政府政策的高技术企业给予相关补贴或福利，充分调动其市场积极性，宣布科技金融支出可以按比例抵扣税款，将科技金融效率纳入高技术企业质量评判标准等。

第二，企业方面应积极响应国家科技金融协调发展的号召，加大金融支持科技创新的力度以及高技术产品规模，加大科技金融投入，并且在增加科技金融投入的同时不断提高相关技术水平，使资源达到最优配置。

第三，人才方面应该积极引入高新技术人才。“科技是第一生产力”，而人才是科技进步的重要支撑。长三角地区科技金融效率低下的主要原因就是技术困境，所以各省应结合全省科技金融发展的需要，适当增加R&D人员全时当量、R&D项目数与R&D经费支出，进一步重视科技人才的培养、引进、开发和利用，以突破科技金融技术难关。