江蘇省戰略性新興產業上市公司融資效率研究
——基于2009-2014年面板數據

王　瓊，耿成軒

?

●華東經濟

江蘇省戰略性新興產業上市公司融資效率研究
——基于2009-2014年面板數據

王瓊1，2，耿成軒1

（1.南京航空航天大學 經濟與管理學院，江蘇 南京 211106；2.常州大學 數理學院，江蘇 常州 213164）

摘要：文章對多階段DEA模型加以拓展，同時考慮投入松弛量信息及外部環境和隨機因素的影響，構建六階段Super-SBM模型，結合Malmquist指數模型，對江蘇省戰略性新興產業29家上市公司2009-2014年融資效率進行靜態與動態評價，更真實地反映融資效率狀況。研究表明：“熨平”外部環境和隨機因素影響后，平均融資效率明顯下降，說明改善金融生態和創新環境能顯著提升融資效率；融資效率整體呈現上升趨勢，但年均增長有放緩態勢；融資效率增長主要依賴技術進步，但效率充分提升還受到技術效率的影響；制約技術效率的主要原因為純技術效率不高，企業各種資本要素有效集聚和配置管理的水平有待進一步提升。

關鍵詞：戰略性新興產業；融資效率；六階段Super-SBM模型；Malmquist指數模型

一、引　言

加快培育和發展戰略性新興產業不僅僅是全球產業結構調整的大勢所趨，也是中國政府為促進經濟發展方式轉變和產業結構升級而做的重大戰略選擇。我國已將培育發展戰略性新興產業提升到國家戰略高度，而資金是戰略性新興產業發展的核心與動脈。在資金融通及其配置效率受到現實融資生態嚴重約束的新常態經濟情境下，如何在有限的金融資源供給下實現更高的利用效率，以提高融資效率為基礎促進產業發展的提質增效，就成為促進戰略性新興產業從資本密集的增長方式轉向有質量的增長的重要問題。江蘇作為中國經濟發達省份之一，戰略性新興產業發展位居全國前列，戰略性新興產業法人企業占全國的比重高達四成，對其融資效率的評價研究具有一定的代表性意義，能夠為我國戰略性新興產業相關研究提供更為深邃的理論詮釋力

耿成軒（1965-），女，遼寧大連人，教授，博士生導師，研究方向：財務管理與資本市場，公司與產業金融。和更加充分的經驗證據。

國外學者對企業融資理論、效率理論的研究從20世紀50年代開始。西方國家較完善的財產制度和較成熟的產權制度使得企業融資比較有效率，因此較多圍繞融資結構或市場整體配置效率展開，而關于企業融資效率的研究相對較少。Yilmaz等（2011）基于一系列靜態和動態數據，研究了產品市場競爭和上市公司融資結構之間的關系［1］。Hovakimian、Opler和Timan（2001）通過理論模型，發現在決定融資結構時，企業應以較多的債務融資來支持當下發生的業務，而以股權融資來保證成長需要，并以此來保證自己的融資效率［2］。Fuensanta等（2014）對1998-2008年西班牙上市公司樣本的融資效率進行研究，結果表明，公司的財務杠桿可以減輕過度投資的問題，債務期限結構的降低可以提高融資效率，從而減少過度投資和投資不足的問題［3］。

自曾康霖（1993）提出“企業融資效率”［4］以來，國內學者對企業融資效率的研究逐步深入。高學哲（2005）認為企業融資效率是能夠創造企業價值的融資能力，企業要通過和其他企業的橫向比較以及自身的縱向比較才能了解該企業融資效率的高低［5］。申慧慧在融資約束前提下，運用多元回歸方法研究了不同控股類型的公司在運用資金時受到環境影響的差異［6］。張博（2014）運用熵值法研究了陜西省22家上市公司融資效率［7］。伍裝（2005）利用灰色關聯分析法對企業融資效率進行了評價，結果發現長期負債融資對中小型企業產值影響最?。?］。劉力昌等（2004）利用DEA方法測度上市公司股權融資效率，得出我國上市公司股權融資效率呈低效狀態的結論［9］。程貴孫等（2013）利用BBC模型對戰略性新興產業中上市公司2005-2011年間的相對效率進行了實證研究，結果表明上市公司的生產效率都是非有效的［10］。黃魯成等（2012）選取了1995-2009年間北京高新技術產業的數據，結合SFA模型進行了三階段DEA模型的技術效率測算［11］。熊正德等運用DEA方法建立了Logit模型來考察效率影響因素，結果顯示宏觀經濟狀況對戰略性新興產業的繁榮有著深遠的推動效用［12］。劉亞錚等（2015）利用Malmquist指數，分析了45家新能源上市公司2009-2013年間技術效率的變化狀況，發現國有企業的發展質量優于私營企業［13］。

通過對國內外相關文獻的梳理可以發現，DEA方法因在研究指標選取和權重設計上無須主觀確定權重，相對而言比較客觀。但現有的融資效率DEA評價方法多以二、三階段等低階段DEA模型為主，運用六階段DEA模型的尚未發現。而二階段DEA模型沒有充分利用松弛變量信息，三階段DEA模型沒有考慮SFA回歸時被解釋變量的截斷問題，使得參數估計不是一致估計，而四階段DEA模型雖然參數估計是一致估計，卻無法調整隨機誤差的影響?；谏鲜隹紤]，本文對多階段DEA模型加以拓展，構建六階段Super-SBM模型，對江蘇省戰略性新興產業上市公司的融資效率進行評價，通過“過濾”外部環境和隨機因素對效率評估過程中所帶來的干擾，測算處于同一生態環境中擁有相同運行平臺的各上市公司純粹的融資效率，同時結合Malmquist指數模型進行動態評價，以更準確地分析融資效率的影響因素，為進一步提高戰略性新興產業的融資效率提供更加充分的經驗證據和政策建議。

二、融資效率評價模型構建

（一）基于靜態評價的六階段Super-SBM模型構建

本文在多階段DEA模型［14-15］基礎上，構建六階段Super-SBM模型，同時考慮投入指標松弛變量以及外部環境和隨機因素對融資效率測度的影響，以更真實地評估江蘇省戰略性新興產業上市公司的融資效率。

1.第一階段：指標體系構建

DEA效率測度理論屬于非參數估計方法，在實際運用時只需要輸入影響效率的投入指標以及產出指標，便可以獲得效率評價結果。根據指標選擇原則，運用SPSS19.0統計軟件對初始財務指標進行聚類分析、Spearman相關性分析等，同時考慮參評單元數要大于投入產出指標數的兩倍，最終合理確定投入指標和產出指標。

假設有n個參評單元DMU，每個DMU有m個投入和q個產出數據。對于第j個參評單元，其對應的標準化后投入、產出數據分別記為：

其中，j=1,2,…,n。

2.第二階段：運用Super-SBM模型計算初始效率值

在傳統徑向DEA模型中，對無效率程度的測量只包含了所有投入產出等比例的增減，而松弛改進部分在效率值的測量中并未體現。如果不考慮投入指標的“松弛”問題直接運用CCR和BCC模型，有可能導致對效率評估的偏誤。Tone K（2001）提出了SBM（Slack Based Measure）模型，其優點是解決了徑向模型對無效率的測量沒有包含松弛變量的問題［16］。2002年Tone K在SBM模型的基礎上提出Super－SBM模型，解決了有效單元之間的排序問題，對有效決策單元進行排序［17］。因此，在第二階段，運用Super-SBM模型得到各個DMU效率值和投入指標松弛變量值。Super-SBM模型的線性規劃形式可寫為：

3.第三階段：運用Tobit回歸方法確定環境變量對效率的影響方向

受外生環境變量的影響，Super-SBM模型得到的初始效率值并不能準確反映各DMU的真實效率狀況。效率值θ最低為0，即被解釋變量的數據是在左側被截斷，而Tobit回歸模型屬于被解釋變量受限制的一種模型，因此，從效率值的截斷數據特征出發，在第三階段對效率值θ和環境變量建立Tobit回歸模型，以期從整體上找到影響效率的外部環境因素。

假定評價系統中環境變量有K個，ekj為第j個參評單元的環境指標，作為Tobit回歸的解釋變量，第j個參評單元的初始DEA效率值θj作為被解釋變量。β為回歸系數，ε為服從正態分布的獨立殘差項。通過Tobit回歸分析識別環境因素對效率的影響方向和程度，從而得到純粹的管理效率。當環境變量的回歸系數為正，同時統計顯著時，表示增加外部環境變量值有利于增加效率值，即該因素與效率值是同向變動的，從而對效率提高不利，應將該因素歸為負向環境變量e-；反之為正向環境變量e+。

Tobit回歸模型如下：

其中,k=1,2,…,K;j=1,2,…,n。

4.第四階段：排除外部環境因素及隨機因素對效率的影響

利用隨機前沿方法SFA來修正Super-SBM模型難于處理外部環境和隨機干擾因素的缺點。將初始投入變量的總松弛變量作為被解釋變量，負向環境變量e-作為解釋變量，采用隨機前沿成本方程［15］，具體如下：

與非參數方法相比，SFA方法最主要的優點是區分了隨機因素與技術無效率因素，且對回歸模型進行了計量檢驗，它實質上將被解釋變量分為成本函數、隨機因素和技術無效率三部分?？紤]參評單元不可控制的外部環境因素和隨機誤差項對評價結果的調整以及更深層次的信息挖掘，從而得到更客觀全面的評價。

5.第五階段：調整投入產出數據

使用各投入指標松弛變量的最大擬合值以及隨機誤差項對初始投入指標值進行調整，調整公式為：

6.第六階段：運用Super-SBM模型重新計算效率值

對調整后的投入數據和初始產出數據，重新使用Super-SBM模型計算各參評單元的效率值。由于剔除了外部環境和隨機因素的影響，因此采用六階段Super-SBM測算得出的效率值更能準確反映各參評單元純粹的效率水平。

（二）基于動態評價的Malmquist指數模型構建

DEA效率評價屬于基于各個時期的面板數據的靜態效率評價，這就有可能會存在一些困惑，例如某參評單元雖然兩個時期均處于效率前沿面之外且本期效率值低于上期，但本期的絕對效率有可能高于上期，這樣靜態的效率評價就無法發現某些參評單元的效率進步，同樣也無法發現效率退步。而這恰是Malmquist指數方法能夠處理的，將DEA運用到Malmquist指數計算過程中，使用各年份的面板數據來計算全要素生產率和技術變化以及綜合效率變化，測度參評單元時間序列上的效率變化，即動態效率變化。

Malmquist指數由Malmquist.S（1953）在消費分析研究中首次提出，旨在研究不同無差異曲線上消費束如何移動。實證分析中，普遍采用F?re等人（1994）構建的基于 DEA的 Malmquist指數。Malmquist指數可由下式表示：表示t時期的參評單元在t時期的有效性；

若Malmquist指數MI>1，表明從t到t+1時期該參評單元的效率有所增加，說明生產力有進步；如果MI<1，則表明生產力退步；若MI=1則說明生產力沒有變化。FGLR（1992）將該指數分解為技術進步指數TC和相對效率變化指數EC兩個部分。其中相對效率變化指數EC還可分解為純技術效率指數PC和規模效率指數SC。

技術效率指數EC是兩個時刻的效率變化指數，表示從t到t+1時刻參評單元對生產前沿面的“追趕效應”，測度生產單位是否在更靠近當期生產前沿的運行狀況下組織生產，當EC>1時，表明生產單位的生產更接近生產前沿面，相對技術效率有所提高，該度量與參考期t0選取無關，主要反映參評單元在生產經營行為方面的改善。技術進步指數TC是兩個時刻技術變化指數，表示從t到t+1時刻生產前沿面的移動，反映“前沿面移動效應”，表明技術創新，其效應量與參考期的選擇密切相關，TC>1表明生產前沿面向前移動。

基于DEA的Malmquist生產率指數可由下列四個線性規劃模型獲得。計算下列四個基于DEA的距離函數測算模型，可得從t到t+1時刻第i個參評單元的DEA全要素生產率變化指數［13］。

在測算結果分析里需要重點強調的是，技術效率反映參評單元將投融資技術吸收消化后帶來的融資成本降低、融資規模擴大或產出增加的程度，純技術效率反映參評單元在資金配置中有無存在資金冗余或誤用，規模效率反映參評單元資金投入與產出是否滿足規模收益。

三、變量設計及數據來源

研究戰略性新興產業上市公司的融資效率時，考慮其融資渠道分內源融資和外源融資兩種，其中外源融資包括債務融資和股權融資。在相關文獻基礎上，本文選取“盈余公積”和“未分配利潤”作為內源融資的輸入指標，用以衡量內源融資渠道對企業的投入強度；“非流動負債”作為債務融資的輸入指標，“實收資本”和“資本公積”作為股權融資的輸入指標，以衡量外源融資渠道對企業的投入強度。上市公司融資效率最終表現為企業的市場表現和經營水平，因此選取“營業總收入”和“凈利潤”作為模型的產出指標，以衡量企業的效益水平。選取環境變量的原則是這些環境變量對產出產生影響，但不在各公司可控范圍之內。根據相關文獻及考慮數據的可得性，選取所在地區年末金融機構人民幣貸款余額表示金融環境對戰略性新興產業發展的支持能力；以所在地區近三年專利授權數量表示當地技術創新環境對戰略性新興產業發展的影響；以所在地區當年地區生產總值表示當地市場需求狀況。具體投入產出指標變量見表1所列，投入產出變量間的相關性見表2所列。

表1　投入產出指標體系

鑒于Malmquist指數模型要求具有5年以上的面板數據，本文剔除2010年以后上市以及ST股的公司，選取了在滬深證券交易所上市的屬于江蘇省戰略性新興產業概念的29家上市公司作為研究樣本。所有數據來源于同花順軟件、國泰安金融數據庫以及中國統計年鑒。DEA模型要求投入產出指標值均為正數，而實際數據可能存在負數，因而需要先對原始數據進行標準化處理，具體方法如下：

表2　投入與產出變量間的相關性

四、實證分析

（一）融資效率靜態評價

基于Super-SBM模型，運用Dea-Solver-Pro.軟件對2009-2014年29家江蘇省戰略性新興產業上市公司融資的相對有效性進行效率評價，結果見表3和表4所列，調整前后各公司平均融資效率變化如圖1所示。如果不排除環境變量的影響，江蘇省戰略性新興產業上市公司平均融資效率達96.8%，因此，各上市公司在保持投入比例和產出水平不變的情況下，若能有效運作，則平均能減少3.2%的投入。具體而言，在2009-2014年間，近36.78%的公司在當年融資時存在資金投入過剩，沒有充分利用資金。各公司的融資效率差異較大，如2013年綜藝股份的融資效率僅為18.8%，說明該公司當年融資投入有近81.2%屬于無效投入。東華科技、金通靈、康力電梯、科遠股份、江蘇國泰、小天鵝A這6家公司連續6年融資效率都大于等于1，其投入產出的線性組合構成了融資效率前沿，說明這些公司具有較好的融資效率。

表3　Tobit回歸分析結果

圖1　調整前后各公司平均融資效率對比

（二）融資效率動態評價

在六階段Super-SBM模型分析的基礎上，本文對調整后的投入產出數據進一步運用Malmquist指數模型，以這些公司融資效率相對有效性進行了動態分析。選擇的時間序列為2009-2014年，投入產出數據為排除外部環境因素和隨機因素修正后的投入產出數據。運用DEAP2.1軟件測算Malmquist指數MI、技術效率指數EC和技術進步指數TC，具體測算結果見表5和表6所列。

表5　江蘇省戰略性新興產業融資效率的平均Malmquist指數及其分解

表6　2009-2014年各上市公司Malmquist指數分解情況

（1）從戰略性新興產業整體來看，2009-2014年江蘇省戰略性新興產業整體融資效率呈現上升趨勢，這表現為6年來29家上市公司平均Malmquist指數為1.517，即融資效率年均增長51.7%。但也發現融資效率年增長速度逐漸趨緩，從最初的年均增長100.9%下降到10.6%。這與前期江蘇省對產業創新發展投入較多、注重轉型升級、對產業結構超前調整和超前轉型有關，也表明歷經初期快速發展后的江蘇戰略性新興產業融資效率持續提升的難度有所加大。

融資效率變化由技術效率指數和技術進步指數共同作用，其中技術效率指數反映上市公司因投融資技術進步使得融資成本降低或融資產出提高的程度，而技術進步指數會影響戰略性新興產業生產前沿面的移動。從圖2可以看到，融資效率年均增長51.7%中，技術進步指數增長了52.5%，而技術效率下降了0.4%，說明江蘇省戰略性新興產業的融資效率增長主要由技術進步大幅度提升引起。技術進步指數年增長速度逐漸放緩，從最初的98.3%下降到7.0%，而技術效率變化指數始終在1附近波動，說明這6年來技術水平進步很快，但對降低融資成本或增加融資產出的效應并不明顯。

從技術效率變化指數分解來看，規模效率變化指數是技術效率變化指數與純技術效率變化指數的比值，反映產業的規模大小對融資效率的影響。2009-2014年戰略性新興產業的規模效率指數始終保持在1附近，即目前總體上資金投入與產出滿足規模收益。純技術效率可以理解為產業的軟實力，即在不改變現有規模水平和技術水平的前提下，企業利用現有投入生產相應產出的能力，取決于企業的管理水平，包括資本結構是否優化，融資渠道是否優化，資金投向是否正確等。2009-2014年純技術效率指數存在一定的波動性，2011-2013年純技術效率表現不佳而造成技術效率下降。

圖2　江蘇省戰略性新興產業年均融資效率分解

對各樣本公司個體而言，由于公司差異性而造成融資效率的變動情況并不完全相同。因此平均意義上的分析并不能完全反映各上市公司融資效率之間的差異，因此有必要對各公司融資效率變化情況進行分析比較。

（2）從各上市公司個體來看，如果將每年各公司視為獨立個體考察，相當于考察145家公司的樣本。從表6可以發現，約55.86%的公司融資效率由于技術進步因素使得融資成本降低或產出增加而呈現出改善趨勢；也有近34.48%的公司雖然技術效率不高抵消了技術進步帶來的部分積極影響，但融資效率仍呈現出改善趨勢。由圖3可知，技術進步是融資效率提升最主要的途徑。同時也發現，有4家公司即使存在技術進步因素，由于其技術效率低下使得融資效率出現了負增長。因此，僅僅提高技術水平并不能保證融資效率的提升，需要企業在技術創新基礎上，還要注重技術效率的提升。

圖3　各公司年均融資效率分解

從技術效率指數分解來看，這6年來98.62%的上市公司資金投入與產出之間滿足規模收益。各公司的純技術效率變化差異較顯著，而且純技術效率指數是影響技術效率指數的關鍵因素。可見，江蘇省戰略性新興產業中多數上市公司在鼓勵技術創新的基礎上，較注重純技術效率的提升，同時控制資金融通成本和投入規模，這更有益于上市公司的健康穩定發展。

五、結　論

本文在考慮投入指標松弛變量的基礎上，“熨平”因外部環境和隨機因素的優勢或劣勢而得到的效率水平，將江蘇省戰略性新興產業29家上市公司放在相同的最差環境平臺上，且擁有相同的運氣，對其融資效率進行了靜態和動態評價，得出以下主要結論：

第一，從戰略性新興產業整體來看，排除外部環境因素影響后，江蘇省戰略性新興產業平均融資效率明顯下降，存在較大的投入節約潛力；同時也說明金融生態和創新環境對上市公司融資效率有顯著的提升效應。因此，對上市公司融資效率進行評價時有必要剔除環境因素和隨機效應的影響。

第二，從各上市公司個體來看，融資效率存在較大的差異。剔除環境因素和隨機效應影響后，大多數上市公司調整后平均融資效率均有所下降，這也充分說明調整后更能反映企業真實的融資效率現狀。多數公司融資效率增長主要是由于技術進步指數增長，但也存在部分公司因純技術效率低下引起融資效率出現負增長。

第三，技術進步取決于企業生產技術水平和融資質量狀況。近些年，江蘇省高度重視戰略性新興產業發展，加強規劃引領，強化政策扶持，戰略性新興產業規模迅速壯大，自主知識產權大幅增長，創新發展能力國內領先，從而使得技術進步水平始終保持上升趨勢。但純技術效率存在一定的波動性，說明資本要素集聚和有效配置水平有待進一步提升，需從運營管理水平和投融資管理水平等方面進行改善。

綜上所述，技術進步是推動戰略性新興產業融資效率提升的有效途徑，但僅僅提高技術水平并不能保證融資效率的提升。企業要在保持技術進步的同時，注重提升純技術效率，雙管齊下。一方面，要不斷更新企業生產設備，鼓勵技術創新；另一方面，還要繼續優化公司治理結構，提高吸收消化投融資技術進步的能力，保持和加強金融體系對其金融扶持的力度，同時發展不同層次的資本市場，不斷拓寬多樣化融資渠道，從而建立有利于促進企業技術創新、投融資模式創新的系統推動機制，以增強企業的硬實力，進而維持融資效率的穩定增長。

參考文獻：

［1］Yilmaz Guney，Ling Li，Richard Fairchild．The Relation?ship Between Product Market Competition And Capital Structure In Chinese Listed Firms［J］.International Review of Financial Analysis，2011，20（1）：41-51.

［2］Hovakimian A，Opler T，Timan S.The Debt-Equity Choice ［J］.Journal of Financial and Quantitative Analysis，2001，36 （1）：1-24.

［3］Fuensanta Cutillas Gomariz，Juan Pedro Sánchez Ballesta. Financial Reporting Quality，Debt maturity And Investment Efficiency［J］.Journal of Banking and Finance，2014，40 （3）：194-506.

［4］曾康霖.怎樣看待直接融資與間接融資［J］.金融研究，1993（10）：7-11.

［5］高學哲.企業融資效率：內涵及外延［J］.生產力研究，2005 （6）：205-207.

［6］申慧慧，于鵬，吳聯生.國有股權、環境不確定性與投資效率［J］.經濟研究，2012（7）：113-126.

［7］張博，楊熙安.基于熵值法的上市公司融資效率研究［J］.財經理論研究，2014（1）：105-112.

［8］伍裝.中國中小企業融資效率研究［J］.軟科學，2006，20 （1）：132-137.

［9］劉力昌，馮根福，張道宏，等.基于DEA的上市公司股權融資效率評價［J］.系統工程，2004，22（1）：55-59.

［10］程貴孫，張雍，芮明杰.國有與民營企業發展戰略性新興產業相對效率研究——基于2005-2011年上市公司數據的實證分析［J］.當代財經，2013（10）：96-105.

［11］Huang L C，Zhang X M，Wu F F，et al.Empirical Study on the Technical Efficiency of Beijing High-tech Industry Based on Three-stage DEA Model［C］//Kocaoglu D E，An?derson T R，Daim I U.Proceedings-Technology Manage?ment for Emerging Technologies.NewYork：IEEE，2012.

［12］熊正德，詹斌，林雪.基于DEA和Logit模型的戰略性新興產業金融支持效率［J］.系統工程，2011，29（6）：35-41.

［13］劉亞錚，彭慕容.我國不同所有制新能源上市公司技術效率的比較研究——基于面板數據的DEA-Malmquist實證研究［J］.工業技術經濟，2015，257（3）：38-43.

［14］Fried H O，Lovell C A K，Schmidt S S，et al.Accounting for Environmental Effects and Statistical Noise in Data En?velopment Analysis［J］.Journal of Productivity Analysis，2002，17（1）：157-174.

［15］葉世琦，王輝.多階段DEA模型中決策單元的同質性探討［J］.統計與信息論壇，2012，27（2）：15-21.

［16］Tone K.A Slacks-Based Measure of Efficiency in Data En?velopment Analysis［J］.European Journal of Operational Research，2001，130（3）：498-509.

［17］Tone K.A Slacks-Based Measure of Super-efficiency in Data Envelopment Analysis［J］.European Journal of Oper?ational Research，2002，143（1）：32-41.

［責任編輯：余志虎］

中圖分類號：F127；F275.6

文獻標志碼：A

文章編號：1007-5097（2016）07-0014-07［DOI］10.3969/j.issn.1007-5097.2016.07.003

收稿日期：2015-12-03

基金項目：國家社會科學基金項目（15BGL056）；江蘇高校哲學社會科學研究重點項目（2015ZDIXM008）；中央高校基本科研業務費專項資金資助項目（NP2015302）

作者簡介：王瓊（1981-），女，浙江金華人，講師，博士研究生，研究方向：管理科學與工程；

A Study on Financing Efficiency of Jiangsu’s Listed Companies in Strategic Emerging Industries —Based on the Panel Data from 2009 to 2014

WANG Qiong1，2，GENG Cheng-xuan1
（1.College of Economics and Management，Nanjing University of Aeronautics and Astronautics，Nanjing 211106，China；
2.School of Mathematics and Physics，Changzhou University，Changzhou 213164，China）

Abstract:Considering the information of input slack variables，as well as the effects of external environment and random fac?tors，this paper proposes a six-stage Super-SBM model on the basis of existing multi-stage DEA model.Combining with Malmquist index model，we evaluate both statically and dynamically 29 listed companies’financing efficiency of strategic emerging industries in Jiangsu province from 2009 to 2014，so as to reveal the real status of financing efficiency.The study shows that：After“ironing out”the effects of external environment and random factors，the average financing efficiency of these samples decreases obviously，which indicates that the improvement of financial ecology and innovative environment can significantly promote the financing efficiency；The overall financing efficiency tends to rise up，but the average annual growth rate slows down；The growth of financing efficiency mainly depends on technological progress，and is restricted by technical efficiency；The main reason for limiting technical efficiency is pure technical efficiency.Moreover，the concentration and con?figuration of various capital elements of the enterprise need to be improved.

Keywords:strategic emerging industries；financing efficiency；six-stage super-SBM model；Malmquist index model