時空視域下科技創新資金的差異化配置效率研究

■趙　仡，楊　哲

時空視域下科技創新資金的差異化配置效率研究

■趙仡，楊哲

科技創新要成為經濟增長引擎必須獲得相應的資金支持。本文利用DEA方法測度了2000～2013年間我國27個省份科技創新活動的資金配置效率，在剔除規模報酬因素后，對造成純技術效率時空差異的影響因素進行分析，結果表明，政府扶持、直接融資及間接融資等結構性資金投入會顯著影響資金配置效率，并據此提出了相應的對策建議。

科技創新；配置效率；數據包絡分析；時空差異

趙仡（1991-），山東煙臺人，天津財經大學2014級金融學專業碩士研究生，研究方向為投融資理論與實踐；楊哲（1990-），河北唐山人，天津財經大學2014級金融學專業博士研究生，研究方向為投融資理論與實踐。（天津300222）

一、引言

社會發展歷程和經濟增長理論表明：科技創新是經濟增長的主要源泉。在我國經濟增速放緩的局勢下，實現增長的動力機制迫切需要從要素驅動、投資驅動向創新驅動轉變，這種理念已被提升到國家戰略的層面，而在這一過程中，如果缺乏相應的資金支持，科技創新則變為無源之水、無本之木，難以實現從創意到創新的“驚險跳躍”。科技創新活動所需的資金既來自于政府財政支出，也來自于金融市場融資，數據顯示，2013年我國R&D經費投入強度①R&D經費投入強度即R&D經費投入與GDP之比。首次超過2%，在數量上達到萬億水平，成為超越日本、僅次于美國的R&D經費投入大國，此后呈現持續上升態勢，2015年該數據再創新高。在巨額的資金投入面前，不禁要拷問，現階段資金配置效率處于何種水平，亦即其對科技進步的實際作用效果如何，這對優化結構性資金投入、豐富科技創新產出具有實踐指導意義。

二、相關文獻綜述

熊彼特（1912）從經濟學角度對創新概念和創新理論進行了系統論述，而對科技創新資金在創新過程中配置效率方面的研究，直到近年才有學者開始關注。余泳澤（2011）利用隨機前沿分析（SFA）方法測度了金融資本和勞動資本雙要素配置下的創新效率，并利用空間計量模型考察了多種要素對各主體創新效率的影響。徐玉蓮等（2012）利用Bootstrap方法，構建統計推斷的臨界值，測度了科技金融資源配置體系中各項投入對技術創新的不同影響，發現其中銀行科技信貸對技術創新的貢獻并不顯著。吳佐等（2013）以2001～2010年我國33個工業行業的面板數據為樣本建立變系數回歸模型，檢驗了政府研發資金投入在產業創新中的配置效率，發現不同行業在創新機會上的差異是導致金融資源配置效率差異的影響因素之一。俞立平（2015）基于面板數據分析了不同性質的科研經費投入對科技創新的差異化貢獻，研究表明，政府和企業科技投入對創新產出的貢獻顯著，而科技貸款的貢獻則不然。

數據包絡分析（DEA）作為一種較為成熟的效率分析方法，已被部分學者用于測度科技創新資金的配置效率。孟衛東等（2013）在DEA方法的基礎上，用受限因變量模型（Tobit）進行回歸分析，發現我國的科技人力資源和財力資源在配置中存在著浪費現象。熊廣勤等（2014）以具有代表性的科技產業上市公司為樣本，采用DEA-Malmquist方法評價了其在科技創新活動中的資金籌集效率和資金配置效率，并通過構建面板數據回歸模型分析其影響因素，結果表明資金籌集和配置效率總體上呈現下降趨勢。黃海霞等（2015）利用DEA方法對戰略性新興產業的科技資源配置效率進行了定量分析，結果表明，配置效率整體水平有所提高，但尚未實現最優，不同產業間及同一產業內部都存在較大差異。

通過梳理文獻發現，現有研究或是以某一年度特定產業或地區的科技創新活動為樣本，或是以某一產業或地區的時間序列數據為對象，鮮有文獻關注資金配置效率在省際區域間所表現出的動態差異，對該問題的研究尚有較大的拓展空間。基于此，本文收集整理2000～2013年我國27個省（市、自治區）科技創新活動的投入產出數據，利用較為成熟的DEA方法對資金配置效率進行研究，試圖找尋效率在時間和空間維度上存在的差異，并通過構建回歸模型，闡釋資金投入結構對剔除規模報酬因素后的純技術效率所產生的異質影響，并據此提出相應的發展建議，以期能為提升區域創新能力、實現經濟內涵式增長提供參考借鑒。

三、理論分析

（一）動態演進視角下的科技創新過程

本文將一個發明從無到有再蛻變為創新的動態演進過程解構為技術研發、成果轉化和市場推廣三個階段。其中技術研發階段是指一項發明從設計開發到形成可行技術方案的過程，這里的研發主體一般指高等院校、研究院所和企業中的研發部門等；成果轉化階段是指這項技術得以實施，并轉化為產品的過程，該過程的實施主體一般為掌握技術的企業或有制造能力的研究院所；市場推廣階段是指該產品被發現具備市場前景，在生產線上得以量化生產，并在實際銷售中證明其自身市場價值的過程。三個階段在獨立運行和相互銜接的過程中，任何一個環節出現問題，都會使整個過程出現停滯，甚至歸于終結。在特殊情況下，某些突破性發明即使只完成了技術研發階段也會產生顯著的外部性，為科技進步做出貢獻；還有一些因技術原因停滯的階段性科研成果，很有可能在未來基礎科學進步時重新進行自我價值發現。因此本文在研究科技創新資金的配置效率時，分別選擇了不同階段的代表性產出指標，以期使效率測度值更趨近于現實情況。

（二）結構配置視角下的科技創新資金

本文將科技創新資金按來源細分為政府資金、直接融資資金、間接融資資金，這三類資金自身的特點決定了其在科技創新活動中具有差異化的配置效率。其中，政府資金有明顯的政策引導和風險分擔作用，直接融資資金具有風險偏好屬性，對于成果難以預料的科技創新活動，直接融資資金比間接融資資金有更為強烈的投資意愿，并且直接融資的獲得更加容易，使用更加靈活，但正因為這個特點，也更容易造成配置效率降低。而間接融資資金具有風險規避屬性，對于資金償還沒有保障的科技創新活動來說，間接融資資金的獲取更為困難，使用約束也較大，但這個特點使其不易被浪費。基于上述分析，本文以科技創新資金的結構性來源為切入點，研究在資金配置效率不同的地區中，各類資金結構貢獻因子①本文中，資金的結構貢獻因子是指增加該類資金比重對資金使用效率的貢獻。的差異化特點，以期得出優化科技創新資金結構、促進低效地區向高效地區轉變的路徑。

四、研究設計

為了明確研究環境，本文假設三類資金在投入科技創新活動時會即時供給于有需要的或約定好的項目，首先保證現有科研進程和可預見成果的完成，而不會為可能進行的下一階段預留資金，并且顯然只能有序地投入每一階段。在進行比較分析時引入資金結構這一因素，研究其對科技創新資金配置效率的影響。

（一）資金配置的效率測度

本文使用較為成熟的數據包絡分析法（DEA）進行資金配置的效率測度，其在應用中具有兩大優勢：一是每項投入和產出的權重是由規劃式本身計算得出的，具有客觀性；二是投入和產出的選取不受量綱影響，在樣本比較時使用的數據具有靈活性。根據實際情況，本文選取Banker et al.于1984年提出的BCC模型，測度剔除規模報酬（SE）影響的純技術效率（PTE），旨在消除金融支持以外的因素影響，以PTE值衡量各地區的資金配置效率。另外，DEA模型的規劃式分為投入導向和產出導向兩種，由于本文研究的是在當前科技創新成果產出量不變的情況下，能否通過優化資金投入的來源結構，使其更有效地支持科技創新活動，所以采用投入導向的BCC模型，其規劃式為：

其中θ為每個決策單元的相對效率值；λ為待估權重，由模型本身計算得出；x與y分別為每個省市的投入和產出；角標i、r和j分別表示第m種投入、第q種產出和第n個地區，k表示當前測度的地區。

本文在這一步驟將每一年的融資總額作為投入項，計算方式為各省市當年在科技創新活動中投入的政府資金、直接融資資金、間接融資資金之和。這不僅更貼近現實情況，而且避免了使用分量指標易致計算結果高估的情況。產出項為各省市當年的專利申請授權量、技術市場成交額和新產品收入占主營業務收入比重，分別作為代表性指標對應技術研發、成果轉化和市場推廣三個階段的成果。即在模型中，m=1，q=3，n=27，這符合Cooper et al.（2007）提出的n≥max｛mq，3（m+q）｝條件。同時，考慮到科技創新是一項周期較長的活動，當期的金融支持通常不能在當期就產出成果，根據鄭玉航、李正輝（2015）的實證分析，本文將產出時滯設定為1，即2012年的資金投入，其相應的科技創新成果會在2013年得以產出。

（二）資金結構的貢獻因子

本文將DEA模型得出的純技術效率值PTE作為被解釋變量，三類資金中政府資金當年比重GF、直接融資額當年比重DF、間接融資額當年比重IF作為解釋變量，構建面板回歸模型。面板模型種類繁多，此處將基本模型設定為：

PTEit=β1GFit+β2DFit+β3IFit+μit

由于當沒有科技創新資金時，其配置效率也不復存在，所以模型中不存在常數項，即設定自發的資金配置效率為0。模型中，i代表每個樣本中地區的個數，t代表年度。需要特別說明的是，由于在測度資金配置效率時采用了時滯，即資金投入的年度比科技創新產出的年度滯后一期，此處t的數值與資金投入的年度相同。

五、實證結果及分析

本文選取我國27個省份2000～2013年的數據進行實證研究，全部數據來自于《中國統計年鑒》和《中國科技統計年鑒》。

（一）測度結果及動態分析

本文利用DEAP 2.1軟件，通過投入導向的BCC模型完成對科技創新資金配置效率的測度。為了防止社會經濟規模的影響因素出現較大變化，本文先剔除時間變量，以每個截面的有效前沿分別作為當期的標桿（benchmark），測算各省市的科技創新資金配置效率，結果如表1所示。

表1　2000～2013年各地區的純技術效率值

為了描述橫向對比得出的效率值在時間軸上的動態變化，本文采用各期排名近似代替各年度資金配置效率的高低，并從左至右將各地區的排名均值由高到低進行排序，以統計分析的方式展示其14年排名標準差的變化，以衡量其排名的穩定性，如圖1所示：

圖1　各地區效率值排名的標準差

由圖中可以看出，排名均值處于高低兩端位置的地區其波動率通常較小，而排名均值居中的地區波動率則通常較大，本文將初次篩選的標準差閾值設定為全部標準差的中位數4.128，據此將排名均值穩定在兩端的地區分為“資金配置效率高”和“資金配置效率低”兩個對比組。為了使兩組地區的選擇更具科學性，本文還通過K-Mean聚類分析法對各地區每年的效率值及14年效率均值分別進行聚類分析，結合以統計分析為基礎的初次篩選結果，得到“高效地區”：北京、上海、浙江、廣東、重慶、云南、寧夏；“低效地區”：河北、山西、遼寧、黑龍江、安徽、江西、山東、河南、湖北、陜西。以此為樣本研究科技創新資金來源結構對兩組地區的差異化影響。

需要指出的是，在“高效地區”樣本組中，除了北京、重慶及長三角、珠三角中幾個普遍被認為科技創新資金配置效率較高的省市以外，還出現了云南和寧夏這兩個直覺認為效率不高的地區，并且由標準差分析來看，它們的排名波動還處于較為穩定的范圍。通過進一步觀察“高效地區”樣本組的DEA分析結果，我們發現北京、上海、浙江、廣東、重慶五個省市在14年中均處于非規模報酬遞增（NIRS）狀態，而云南和寧夏各年度則均為非規模報酬遞減（NDRS）①非規模報酬遞增（Non-Increasing Returns to Scale）即處于規模報酬遞減（Decreasing Returns to Scale）或規模報酬不變（ConstantReturns to Scale）狀態，非規模報酬遞減（Non-Decreasing Returns to Scale）則與之相反。。也就是說，云南、寧夏雖然在純技術效率上達到了高效，但從規模報酬狀態來看還處于成長期，而不是像其他五個地區一樣已經趨于成熟，這與現實情況也是相符的。

但從整體來看，“低效地區”樣本組在14年中平均有12年處于NDRS狀態，而上述兩個樣本組以外的中游地區則平均有8.8年處于NDRS狀態，呈現出資金配置效率越低，NDRS年度越多的規律。這種情況下，云南和寧夏在“高效地區”樣本組中就有可能屬于異常樣本。鑒于此，在研究科技創新資金的結構貢獻因子時，本文會同時使用原始高效地區樣本，以及剔除云南、寧夏兩個地區的高效地區樣本分別研究，以保證實證結果的穩健性。

（二）資金結構貢獻率實證結果

在資金結構貢獻因子分析階段，本文首先使用LLC、IPS、ADF-Fisher、PP-Fisher方法對各組相關數據進行了單位根檢驗，結果均表明不存在單位根。然后根據前文設定的面板模型，對原始高效地區樣本、穩健性檢驗樣本、低效地區樣本分別進行實證分析。由于這三組數據的自變量和因變量均為比率數據，在使用固定效應或隨機效應進行面板回歸時，殘差的相關矩陣均為奇異矩陣，無法進行估計。故本文在使用混合面板模型的基礎上使用時期加權估計方法，并對系數標準差進行懷特截面加權穩健估計，消除殘差的個體異方差和同期相關性。

所得到的三組實證結果如表2所示。

表2　資金結構貢獻率實證結果

資料來源：Eviews8軟件測算。

將表2中前兩組面板模型的系數進行對比可以看出，原始高效地區樣本和穩健性檢驗樣本的各類資金結構貢獻因子影響效力相似、影響方向相同，說明該實證結果具有穩健性，可以對原始高效地區樣本和低效地區樣本進行對比，分析各自資金的差異化配置對其資金配置效率的影響。

在高效地區樣本中，系數由高到低依次為IF、GF、DF，即間接融資資金的結構貢獻率最大，而直接融資資金的結構貢獻率最小。這說明高效地區適當增加一些間接融資資金比重，并同時減少一些直接融資資金比重，將使其資金配置效率得到一定程度的提高。本文認為出現這個結果的主要原因在于，高效地區擁有相對較高的科技發展水平，這需要通過提高約束力較強的間接融資資金比重來提高科技創新資金的配置效率；而約束力較弱的直接融資資金會被優先配置于探索性實驗中，如果其比重較大，必然會造成一定的浪費。

在低效地區樣本中，系數由高到低依次為GF、DF、IF，其中政府資金的結構貢獻率最大，而間接融資資金的結構貢獻率最小。這說明在低效地區中，政府資金的引導作用在其地區科技創新活動中至關重要；而直接融資資金和間接融資資金結構貢獻率都較小，且其中直接融資資金的系數相對較大，本文認為，由于這些地區的科技發展水平相對較低，同時高端經濟要素又被相鄰高效地區的虹吸作用吸引，社會資金對其進行投資的意愿愈發降低，而其中直接融資資金特有的風險偏好屬性使其對低效地區的結構貢獻率優于間接融資資金。

六、主要結論及政策建議

（一）主要結論

本文利用數據包絡分析法的BCC模型及KMean聚類分析法，通過觀察各地區科技創新資金配置效率和規模報酬特點的時空動態變化，得出具有對比意義的兩個地區樣本。其中，高效地區樣本里除了普遍獲得認同的北京及東部沿海部分地區外，重慶、云南、寧夏在中西部地區的效率優勢值得關注和利用。而在低效地區樣本中，絕大多數是高效地區周邊的中東部省份，而科技水平普遍不高的西部地區并未出現在其中，本文認為這一定程度上是由于高效地區的虹吸效應所致。

通過面板模型將其科技創新資金的結構性影響因素兩相對比發現，高效地區和低效地區的科技創新資金結構貢獻大不相同，在高效地區中結構貢獻系數最高的為間接融資資金，最低的則是直接融資資金；在低效地區中結構貢獻系數最高的為政府資金，最低的則是間接融資資金，這不僅對兩個樣本組各自的資金配置效率優化有參考價值，還對低效地區向高效地區進行逐步轉變具有路徑規劃意義。

（二）政策建議

1.形成以高效地區為中心的協同發展

高效地區對其周邊的虹吸效應顯而易見，這會促使后者的人、財、物乃至高端信息向前者流動，造成低效地區普遍出現在高效地區周邊的現象。為了防止經濟要素被高效地區過度吸引，本文建議各個地方政府尤其是低效地區的政府應當通過積極組織科技研討、科技培訓等活動來利用高效地區的輻射效應，加強自身與高效地區的相互往來，在互動交流中發現機遇、抓住機遇，最終實現協同發展。

2.低效地區向高效地區轉型的路徑規劃

由本文的實證結果可以看出，低效地區的地方政府需發揮自身的引導作用，充分利用政府信用及各類政策優惠，吸引具有風險偏好屬性的直接融資資金投入本地的科技創新活動之中，使本地科技水平提升獲得更加有力的支持；待地區科技水平發展到一定程度、投資風險可以得到一定控制后，再逐步引進具有風險規避屬性的間接融資資金，進一步充實科技創新活動資本。

［1］SchumpeterJ.Thetheoryof economics development［M］.Cambridge： HarvardUniversity Press，1912.

［2］余泳澤.創新要素集聚、政府支持與科技創新效率——基于省域數據的空間面板計量分析［J］.經濟評論，2011，（2）：93～101.

［3］徐玉蓮，王宏起.科技金融對技術創新的支持作用：基于Bootstrap方法的實證分析［J］.科技進步與對策，2012，29（3）：1～4.

［4］吳佐，張娜，王文.政府R&D投入對產業創新績效的影響——來自中國工業的經驗證據［J］.中國科技論壇，2013，（12）：31～37.

［5］俞立平.金融支持、政府與企業投入對科技創新的貢獻研究［J］.科研管理，2015，36（3）.

［6］孟衛東，王清.區域創新體系科技資源配置效率影響因素實證分析［J］.統計與決策，2013，（4）：96～99.

［7］熊廣勤，鄭旸.科技產業上市公司金融支持效率及其影響因素研究［J］.科技管理研究，2014，（14）：106～112.

［8］黃海霞，張治河.基于DEA模型的我國戰略性新興產業科技資源配置效率研究［J］.中國軟科學，2015，（1）：150～159.

［9］鄭玉航，李正輝.中國金融服務科技創新的有效性研究［J］.中國軟科學，2015，（7）：127～136.

［10］朱南，譚德彬.我國財務公司資金使用效率、動態變化及影響因素研究——基于DEA方法的實證分析［J］.金融研究，2015，（1）：177～192.

［11］Cooper W.W.，Tone K.，Seiford L.M..Data Envelopment Analysis：A Comprehensive Text with Models，Applications，References and DEA-Solver Software［J］.Journal of theOperational Research Society，2007，14（90）：145～156.

F124.6

A

1006-169X（2016）08-0037-06

國家社會科學基金一般項目“市場決定背景下金融資源錯配的微觀基礎及治理機制研究”，項目編號：15BJL028；中國濱海金融協同創新中心資助項目“濱海新區科技金融創新研究”，項目編號：BJZX010103；天津財經大學研究生科研資助計劃“金融支持科技型企業成長的效率評價與路徑優化”，項目編號：2014TCB01。