中國科技金融資源配置效率與影響因素關系研究

李俊霞，溫小霓

(西安電子科技大學 經(jīng)濟與管理學院，陜西 西安 710126)

一、引言

美國對華實施貿(mào)易戰(zhàn)，說明中國科技創(chuàng)新強勁，已對世界產(chǎn)生重要影響，面臨“修昔底德陷阱”，中興被制裁事件，更是進一步警醒中國企業(yè)尤其高技術公司，必須進行創(chuàng)新，掌握核心技術。進行科技創(chuàng)新的過程離不開資本的支持，科技創(chuàng)新始于技術成于資本，資本市場可以優(yōu)化創(chuàng)新資源配置，金融具有分散創(chuàng)新風險的功能[1]，這使得科技與金融深度融合發(fā)展迫在眉睫。在市場經(jīng)濟中，各種要素都要靠金融的連接，金融資源的配置效率決定了社會資源的配置效率。同時，金融業(yè)對經(jīng)濟增長貢獻率越來越大，研究我國科技金融發(fā)展效率問題，是順應時代需求和符合國家戰(zhàn)略方針的，可推動要素市場合理配置，促進金融產(chǎn)業(yè)和科技產(chǎn)業(yè)更加優(yōu)質(zhì)融合[2]，增強我國科技創(chuàng)新力和競爭力，助力中國產(chǎn)業(yè)升級、結構調(diào)整及高質(zhì)量發(fā)展，邁向世界科技創(chuàng)新強國。

創(chuàng)新和研發(fā)投資是高質(zhì)量經(jīng)濟增長最為根本的源泉。2017年中國研發(fā)經(jīng)費總投入1.75萬億元，居世界第二，但基礎投入與發(fā)達國家15%-25%的占比水平有很大差距。2016年中國R&D投入強度2.11%超過歐盟2.08%的平均水平，但仍低于創(chuàng)新型國家日本(3.49%)、韓國(4.23%)和以色列(4.25%)。中國現(xiàn)已成為與美、日齊名的專利大國，企業(yè)申請專利排名華為位居世界第一，但中國專利創(chuàng)收率不及美國的百分之一，每百萬人口專利申請數(shù)大約只有日本的14%，不到美國的32%，也顯著低于英法德等其他主要發(fā)達國家。2016年中國高新技術出口的比重下降7.8%，風險投資為341.49億美元，占全球26.16%，而美國是52.51%，美國21%的GDP是由風險投資背景的公司貢獻，而中國市場資本對創(chuàng)新生態(tài)的支持和發(fā)達國家相比還是很低，對原始性價值的投資也較少。2017年中國直接融資占比大幅下滑，僅為6.8%。可見，中國創(chuàng)新能力強勁，科技創(chuàng)新過程金融投入的規(guī)模和力度都在逐年增加，但創(chuàng)新效率仍很低，金融投入的并不是越多越好，要注重效益驅動創(chuàng)新，又加之要素資源極為有限，如何實現(xiàn)科技和金融資源深度融合與高效配置的研究顯得尤為重要。

正是在這一思路之下，利用創(chuàng)新理論和創(chuàng)新經(jīng)濟學思想，本文以2009-2016年全國27個省市自治區(qū)科技金融發(fā)展面板數(shù)據(jù)為樣本，基于“金融資源”和“創(chuàng)新成果”質(zhì)量視角的相對數(shù)值構建評價指標體系，從靜態(tài)和動態(tài)雙重角度進行綜合研究設計與效率測算，并探究主要影響我國科技金融發(fā)展效率的市場金融資源要素。

本文的貢獻在于：(1)采用Citespace V可視化軟件對科技金融相關的大量文獻進行計量分析，結合數(shù)量統(tǒng)計結果，綜合考慮科技創(chuàng)新資金支持和分散風險等因素，從質(zhì)量視角科學的構建效率評價指標，豐富和完善了科技金融效率評價指標體系的理論基礎。(2)利用評價效率的主流方法DEA[3]，全面考慮規(guī)模效應、資源有限性及整體可比性等問題，選擇SBM產(chǎn)出導向規(guī)模報酬可變的Bootstrap-DEA模型，提升了我國科技金融資源配置效率測算的可靠性。(3)從靜態(tài)和動態(tài)相結合角度，對比分析引起全國、各區(qū)域和各省市科技金融發(fā)展的技術效率和增長率變動的原因。依據(jù)靜態(tài)和動態(tài)效率測算結果，估計我國各省市整體科技金融發(fā)展綜合效率，運用Tobit模型找到影響效率的主要市場金融因素，并結合系統(tǒng)動力學(SD)對其進行政策仿真分析，為提高我國科技金融發(fā)展資源配置效率提供科學系統(tǒng)的方法。

二、文獻綜述

(一)科技金融對科技創(chuàng)新的影響

Ang(2014)使用時間序列數(shù)據(jù)，證明金融對科技創(chuàng)新有促進作用[4]。Doh S(2014)發(fā)現(xiàn)政府金融支持對中小企業(yè)技術創(chuàng)新有正向促進作用[5]。Lina Sonne(2012)認為金融創(chuàng)新能夠幫助企業(yè)解決融資難的問題[6]。王宏起(2012)構建協(xié)同度模型，認為要進一步認識科技金融對科技創(chuàng)新的助推作用及二者協(xié)同發(fā)展的重要性[7]。馬衛(wèi)剛(2014)利用DEA模型研究了2007-2012年中國科技與金融結合效益，認為金融資源配置效率是引起科技與金融結合效率的主要原因[8]。張玉喜(2015)通過動態(tài)面板模型,實證分析發(fā)現(xiàn)短期內(nèi)金融業(yè)可以促進我國科技創(chuàng)新的產(chǎn)出[9]。蘆峰(2015)運用面板數(shù)據(jù)分析科技金融(市場和公共)支持科技創(chuàng)新，結果表明科技金融對不同區(qū)域與階段科技創(chuàng)新有不同作用[10]。陳思(2017)認為風險投資顯著促進企業(yè)科技創(chuàng)新，使企業(yè)專利數(shù)量顯著增加[11]。

(二)科技金融發(fā)展效率的測算

效率評價是科技金融領域研究的主要內(nèi)容之一，而測算效率最常用和主要的方法就是數(shù)據(jù)包絡分析(DEA)。朱有為(2006)利用隨機前沿生產(chǎn)函數(shù)，發(fā)現(xiàn)中國高技術產(chǎn)業(yè)的研發(fā)效率整體偏低，并探究企業(yè)規(guī)模等影響因素[12]。薛曄(2017)對科技金融發(fā)展效率用貝葉斯隨機前沿模型進行測算，發(fā)現(xiàn)政府財政科技經(jīng)費投入、創(chuàng)業(yè)風險投資和科技資本對科技金融發(fā)展具有正向作用，而銀行科技信貸有抑制效果[13]。杜金岷(2016)采用DEA模型，研究發(fā)現(xiàn)中國不同地區(qū)科技金融投入產(chǎn)出效率受法律、政策環(huán)境因素影響差異大[14]。劉悅(2016)發(fā)現(xiàn)金融資源配置方式影響產(chǎn)業(yè)結構和效率水平[15]。在發(fā)達國家，Chowdhury(2012)發(fā)現(xiàn)，金融業(yè)發(fā)展水平與該國企業(yè)R&D投入呈正相關，金融業(yè)與科技需要深度融合[16]。

通過對文獻的梳理歸納出：一是指標選取上，文獻中涉及的指標種類非常多，但很少是通過定量科學分析來構建評價指標且大多數(shù)采用是絕對數(shù)值；二是研究方法上，科技金融發(fā)展效率的評價理論層面研究多于實證方面的研究，同時僅對某一年或以省份截面數(shù)據(jù)的分析也是不全面的。在數(shù)據(jù)選取與設計上，也較少學者同時考慮到規(guī)模效應[17]、發(fā)展周期性和資源有限性等問題。為補充和完善文獻遺留問題，筆者從(市場、政府、企業(yè))金融資源投入和(專利質(zhì)量、科技成果轉化規(guī)模、創(chuàng)新國際影響力)創(chuàng)新成果產(chǎn)出方面科學構建8個相對數(shù)值指標作為本文的評價指標體系。數(shù)據(jù)設計滯后期為1年，選擇SBM產(chǎn)出導向規(guī)模報酬可變的Bootstrap-DEA模型和Malmquist指數(shù)測算效率，結合靜態(tài)和動態(tài)結果估計我國各省科技金融發(fā)展綜合效率，并探究關鍵影響因素。

三、模型的選取與設計

決策單元效率可通過產(chǎn)出/投入的比值來定量測度在該行業(yè)的水平程度。下文將詳細地介紹是如何選擇和設計研究模型的。

(一)Bootstrap-DEA模型

使用常規(guī)DEA模型對每一個決策單元進行評價，其結果有兩類：該決策單元能夠對資源充分利用，效率值為1；另一類效率值為0-1間，該決策單元DEA無效[18]。發(fā)現(xiàn)，常規(guī)DEA測算后將近2/3的單元效率值都為1，會導致效率估計偏高，無法有效排序，而Bootstrap-DEA模型恰好修正了該缺點。Simar和Wilson(2000)將Bootstrap應用到DEA模型[19]，糾偏了常規(guī)DEA測算的效率值，并能夠給出效率的統(tǒng)計估計量，使各地區(qū)科技金融發(fā)展效率的比較和分析結果更加準確。

在既定投入下應以增加產(chǎn)出作為提高科技金融效率的主要途徑，同時考慮到投入規(guī)模對效率的影響、社會資源有限性以及投入產(chǎn)出松弛性等問題，本文最終設計SBM-output模型基于規(guī)模報酬可變的Bootstrap-DEA模型來測算我國科技金融區(qū)域靜態(tài)發(fā)展效率。在評價結果中，若效率值小于1，則該決策單元沒有達到最優(yōu)效率；若效率值等于1，則說明被評價決策單元為強有效。

(二)Malmquist指數(shù)模型

Malmquist指數(shù)可實現(xiàn)對效率的動態(tài)變化研究，彌補了靜態(tài)DEA模型不能對連續(xù)時間序列數(shù)據(jù)進行分析的弊端[20]，同時也考慮了技術進步因素。利用面板數(shù)據(jù)，基于Bootstrap-Malmquist指數(shù)模型來測度全要素生產(chǎn)率(TFP)情況，得到的研究結果更具有可信度。因此本文最終選擇動態(tài)Bootstrap-Malmquist指數(shù)與靜態(tài)Bootstrap-DEA方法相結合，以此對我國科技金融發(fā)展效率全面度量評價。依據(jù)估計的結果，運用Tobit模型探究影響綜合效率的主要因素。該研究的設計使效率評價體系更完整和系統(tǒng)化。

四、評價指標的設計和數(shù)據(jù)說明

(一)我國科技金融效率評價指標的設計

選擇合適的投入產(chǎn)出指標對測算相對效率非常重要。本文利用Citespace V可視化軟件對大量科技金融文獻計量分析[21]，科學、系統(tǒng)地對當前常用的投入產(chǎn)出指標進行廣泛了解(見圖1)，然后進行指標數(shù)量統(tǒng)計(見圖2)，增加了指標選擇的客觀性和科學性。同時使用相對指標增強對比意義、評價結果實用性更高更合理[22]。

最終本文設計的投入指標是基于科技創(chuàng)新過程中必要的金融資源要素[23]，包括市場投入(科技孵化器孵化能力、創(chuàng)業(yè)風險投資的投資強度、直接融資比例)、政府支持投入及企業(yè)自身投入力度，充分地保證了科技金融發(fā)展資本供給需求。本文設計衡量科技金融產(chǎn)出成果包含專利質(zhì)量、科技成果轉化規(guī)模和國際競爭力影響三方面因素，能夠反映和實現(xiàn)對科技金融效率的準確評價。綜上考慮科學性、合理性和創(chuàng)新性，設計出我國科技金融資源配置效率評價指標體系，見表1。

(二)數(shù)據(jù)的選取與設計

基于數(shù)據(jù)的時效性、準確性和可獲得性，本文選取2009-2016年中國27個省市自治區(qū)(不包含內(nèi)蒙古、西藏、青海和海南)作為樣本，原始數(shù)據(jù)均來源于《中國科技統(tǒng)計年鑒》、《中國創(chuàng)業(yè)風險投發(fā)展報告》、《中國火炬統(tǒng)計年鑒》(2010-2017年)以及Wind金融數(shù)據(jù)庫。

圖1 科技金融領域文獻關鍵詞時序分布圖

科技金融發(fā)展需要一定的周期，為更加準確地度量當年效率，依據(jù)歷史相關經(jīng)驗，本文假設科技金融產(chǎn)出滯后投入1年，自第t-1年開始，每年連續(xù)投入研發(fā)力量，直至第t年獲得產(chǎn)出。

圖2 評價科技金融發(fā)展指標統(tǒng)計圖

評價內(nèi)容具體指標計算方法單位投入指標企業(yè)資金投入政府資金投入市場金融資源投入企業(yè)研發(fā)投入力度R&D企業(yè)經(jīng)費支出/R&D經(jīng)費支出%地方財政科學技術投入比例地方公共財政支出合計/地方財政科學技術支出%科技孵化器孵化企業(yè)能力科技企業(yè)孵化器孵化基金總額/在孵企業(yè)數(shù)萬元/個創(chuàng)業(yè)風險投資的投資強度創(chuàng)業(yè)風險投資額/投資項目數(shù)萬元/項直接融資比例(企業(yè)債券+非金融企業(yè)境內(nèi)股票融資)/社會融資規(guī)模%產(chǎn)出指標專利質(zhì)量發(fā)明專利授權數(shù)占比發(fā)明專利申請授權數(shù)/專利申請授權數(shù)%技術轉移和科技成果轉化的總體規(guī)模每萬名科技活動人員技術市場成交額技術市場成交金額/R&D人員億元/萬人國際競爭力影響高技術產(chǎn)品出口占比高技術產(chǎn)品出口貿(mào)易額/貨物出口總額%

五、研究結果分析

(一)我國科技金融資效率靜態(tài)視角分析

運行MaxDEA ultra7.6軟件，選取SBM-output規(guī)模報酬可變的Bootstrap-DEA模型對中國各省(市、自治區(qū))科技金融發(fā)展效率進行測算，計算出我國27個省市自治區(qū)2011-2016年科技金融發(fā)展的靜態(tài)常規(guī)效率值和修正后的效率值，并統(tǒng)計出各地區(qū)整體糾偏后的效率均值，如表2所示。

通過常規(guī)DEA模型測算出，2016年我國27個省市自治區(qū)科技金融發(fā)展效率中2/3地區(qū)達到有效狀態(tài)(見表2)。而在Bootstrap估計中，不需要額外樣本和假設，通過隨機模擬大量樣本對DEA的效率值進行估計和糾偏，克服了小樣本估計偏高的缺點，其糾偏后的效率值均小于常規(guī)DEA值。這充分說明未經(jīng)Bootstrap技術糾偏的常規(guī)DEA效率原值確實高估了科技金融發(fā)展效率，Bootstrap-DEA模型可描述真實效率值統(tǒng)計位置。

表3顯示，2011-2016年我國各省科技金融發(fā)展整體效率排名第一的是上海市，均值為0.8572。這結果與上海繁榮的金融和科技市場密不可分。截至2016年末，上海轄區(qū)內(nèi)已有科技特色支行77家，科技支行6家，專屬的科技金融部門11個。上海市每年的高技術產(chǎn)品出口占比均高于北京與廣東。上海直接融資比例由2011年的17.2%上升至2016年的24.26%，而北京市由66.4%下降至38.9%。上海不僅是中國的金融中心，正建設為全球科技創(chuàng)新中心，擁有足夠多的投資人群，吸引到大量的企業(yè)、金融產(chǎn)品與復合型科技金融人才。未來，上海市應繼續(xù)充分利用好豐富的金融資源和科技資源，推動我國科技金融站立國際制高點。

表2 2016年我國27省(市)科技金融效率值的相關統(tǒng)計量

注“常規(guī)DEA效率值”列數(shù)據(jù)為常規(guī)DEA模型所測算的科技金融發(fā)展效率原值；“Bootstrap-DEA效率值”列數(shù)據(jù)是在常規(guī)發(fā)展效率原值基礎上，使用Bootstrap技術糾偏后得到的技術效率值。由于篇幅限制，只列2016年，其他年份詳細的面板數(shù)據(jù)測算值從略。

表3 2011-2016年我國27個省(市)整體Bootstrap-DEA靜態(tài)技術效率情況

從Bootstrap-DEA模型測算的靜態(tài)技術效率值看，我國科技金融發(fā)展效率呈先略微下降后穩(wěn)步上升趨勢，總體波動不大，但均為未達到有效狀態(tài)。從各區(qū)域整體的Bootstrap-DEA效率值看，西部地區(qū)整體的效率值比東部和中部地區(qū)要高，原因在于西部地區(qū)資金少但有效利用方面效率高，另一方面西部地區(qū)各省份發(fā)展較均衡。而東部和中部地區(qū)各省份之間差異較大，譬如東部地區(qū)的浙江省和中部地區(qū)的安徽省。可發(fā)現(xiàn)浙江省歷年的高技術產(chǎn)品出口占比不及上海市的六分之一，安徽省歷年的科技孵化器資金投入和直接融資比例均低于其他幾個省份。未來，浙江省需要增加高技術產(chǎn)品出口，注重高科技創(chuàng)新要素資源配置，激發(fā)高科技企業(yè)研發(fā)活力，掌握核心技術，提升產(chǎn)業(yè)國際競爭力。而安徽省需要加強科技孵化器對企業(yè)的孵化能力，可與北京、上海等發(fā)達地區(qū)聯(lián)合建設“離岸孵化器”模式，提升專業(yè)服務質(zhì)量，鼓勵加大風險投資機構的投資力度和范圍，加快發(fā)展多層次的資本市場。

(二)我國科技金融效率動態(tài)視角分析

為完善評價效果，考慮金融資源投入與技術進步的增長率變化問題，本文結合動態(tài)視角Bootstrap-Malmquist模型，探究增長變化趨勢，來全面揭示我國科技金融資源配置效率情況。

表4 我國整體平均Malmquist指數(shù)及其效率分解表(2011-2016年)

注：表中各項指標的增長率=表中各項指數(shù)-1。

表4結果表明，2011-2016年我國科技金融發(fā)展生產(chǎn)率的變動情況呈先升后降再升又降狀態(tài)，年均增長率3.97%。但區(qū)域增長率變化存在差異，東部地區(qū)生產(chǎn)率增長最快，為11%，地區(qū)整體金融資源結構豐富、規(guī)模較大，技術進步快、發(fā)明專利占比大，科技成果轉化規(guī)模大，高技術產(chǎn)業(yè)對國際競爭力影響大。可見，資本渠道與投入力度會直接影響地區(qū)技術進步水平，決定要素生產(chǎn)率變動情況，進而影響該地區(qū)科技金融發(fā)展水平。

(三)科技金融發(fā)展綜合效率估計

依據(jù)上文得到各省市自治區(qū)科技金融發(fā)展整體靜態(tài)和動態(tài)的效率值，可發(fā)現(xiàn)測算的各省市區(qū)效率排序存在一定的差異，因此為了更合理地評價各省市自治區(qū)科技金融發(fā)展的整體狀況，需綜合估計靜態(tài)與動態(tài)效率值。設計的估計模型為：

科技金融綜合效率=Bootstrap-DEA×α+MI×β。

靜態(tài)Bootstrap-DEA主要評價的是科技金融資源配置效率，動態(tài)Malmquist指數(shù)主要評價生產(chǎn)率變動情況，而各省由于基期發(fā)展水平不同，各要素投入產(chǎn)出增長率存在很大差異。依據(jù)本文研究目標，最終確定靜態(tài)效率值在評價綜合效率時占主導地位，并結合模糊決策等理論，最終設計Bootstrap-DEA靜態(tài)偏好系數(shù)α為0.8，M指數(shù)動態(tài)偏好系數(shù)β為0.2，測算出我國27個省市自治區(qū)2011-2016年整體科技金融發(fā)展綜合效率值，并對其進行排序與分類評價，如表5所示。

由表5可看出，估計結果確實中和了靜態(tài)和動態(tài)效率值，使得評價更合理。2011-2016年整體上各省市自治區(qū)科技金融綜合效率均小于1，未達到資源配置有效狀態(tài)，且各省市、區(qū)域之間存在顯著性差異，應加強地域要素流動，協(xié)同發(fā)展。

結合27個省市自治區(qū)靜態(tài)效率與動態(tài)效率分類畫出四象限分布圖(見圖3)，可得到綜合效率值在全國水平之上的省市分布在第Ⅰ和Ⅳ象限，其中第Ⅰ象限的省市資源配置效率略高于第Ⅳ象限的省市。第Ⅳ象限分布的省市科技金融資源配置情況和技術進步水平均低于第Ⅰ象限的省市自治區(qū)，應加強市場資本的投入力度，提高科技成果轉化規(guī)模與創(chuàng)新產(chǎn)業(yè)國際影響力。

(四)市場金融資源對科技金融效率影響

金融資源配置要比經(jīng)濟其他資源配置更加高效，充分發(fā)揮市場在配置金融資源中決定性作用尤為重要。因此，當前我國市場金融資源對科技金融發(fā)展效率影響如何，是非常值得研究的問題。

基于此，本文選擇2011-2016年我國27個省面板數(shù)據(jù)作為研究市場金融資源對科技金融發(fā)展效率影響的樣本。其中，市場金融資源包含科技企業(yè)孵化器基金扶持度、創(chuàng)業(yè)風險投資的投資強度以及資本市場直接融資能力，綜合效率值涵蓋資源配置效率與增長率變動。表5結果可知，測算的科技金融綜合效率值均在0-1之間，屬于截斷數(shù)據(jù)，當用OLS對其進行回歸會使估計量有偏且不一致，而Tobit模型可以很好地解決截斷變量的問題[24]，對科技金融效率影響因素可進行合理地回歸分析。完成對異常數(shù)據(jù)的清洗，結果見表6。

科技創(chuàng)新始于技術成于資本，市場金融資源對配置效率起決定性作用，通過本文研究結果均得到證實。模型一和模型二都表明，市場金融資源均正向促進科技金融發(fā)展效率。其中直接融資比例對科技金融發(fā)展效率影響程度最大。模型一與模型二對比可看出，考慮增長率變動，會減弱科技孵化器對科技金融發(fā)展效率的影響，此結果也證實了本文把靜態(tài)技術效率作為主導力是合理的。各地區(qū)要優(yōu)化高技術產(chǎn)業(yè)資源配置方式，鼓勵原創(chuàng)技術研發(fā)，制定相應的容錯機制，充分利用資本市場優(yōu)化金融資源結構。引導創(chuàng)業(yè)風險投資和孵化基金大力支持科技創(chuàng)新項目，提升地區(qū)科技成果轉化規(guī)模和高科技產(chǎn)品出口能力。

表5 2011-2016年各省市平均科技金融發(fā)展效率總排名

圖3 2011-2016年我國27個省市自治區(qū)整體綜合效率分類圖

(五)科技金融發(fā)展效率系統(tǒng)政策仿真

為進一步探究各類金融要素對科技金融發(fā)展的支持效率，采用系統(tǒng)動力學(system dynamics，簡稱SD)“政策實驗”的特點[25]，構建系統(tǒng)流圖模型(見圖4)和設置參數(shù)值，通過金融資源投入力度(見圖5)變化進行仿真，對比觀察不同情景下科技產(chǎn)出與科技金融發(fā)展效率水平變化趨勢。仿真情形分兩類，一探究政策長期效應更強還是短期，二探究市場和公共金融資源影響程度大小。

系統(tǒng)仿真結果如下，①單獨增加直接融資比例2016-2017年各20%和2010-2017每年增加5%，對比仿真科技產(chǎn)出值和科技金融發(fā)展效率水平結果(見圖6)可看出，連續(xù)五年每年增加5%效益>連續(xù)兩年每年增加20%>初始，因此實施長期政策連續(xù)支持比短期政策產(chǎn)生的效益更長遠、影響力更大，金融酵母持續(xù)發(fā)力。②2010-2017年某一金融資源每年單獨增加5%，對比仿真結果(見圖7)可看出，直接融資比例效益>企業(yè)R&D經(jīng)費投入效益>創(chuàng)業(yè)風險投資效益>政府R&D經(jīng)費投入效益，因此，未來應多實施真正拓寬科技企業(yè)融資能力針對性政策，政府投入更重在“自上而下”的頂層引導市場資本，注重投資高價值發(fā)明專利。

表6 市場資本因素對科技金融發(fā)展效率影響Tobit模型估計結果

注：*分別表示在99% 的水平下顯著。TBI科技企業(yè)孵化器孵化能力，VC創(chuàng)業(yè)風險投資的投資強度，DF直接融資比例。

圖4 科技金融發(fā)展效率水平系統(tǒng)動力學流圖

圖5 影響科技金融效率的主要金融資源初始值趨勢圖

圖6 科技產(chǎn)出與科技金融發(fā)展效率水平短期與長期政策對比仿真結果

圖7 不同金融資源投入對科技產(chǎn)出與科技金融發(fā)展效率水平影響對比仿真結果

六、研究結論與啟示

(1)本文為構建科技金融資源配置效率評價指標體系提供了科學定量的研究方法。研究結果顯示，效率評價指標的選擇與設計視角是比較科學合理的。增加直接融資比例、科技企業(yè)孵化器孵化能力和創(chuàng)業(yè)風險投資強度指標衡量市場金融資源對科技金融效率影響，視角新穎、符合科技創(chuàng)新需求。專利質(zhì)量、技術轉移程度、科技成果轉化規(guī)模及產(chǎn)業(yè)創(chuàng)新國際力影響為產(chǎn)出指標，可全面直接的反映科技金融發(fā)展帶來的技術進步。

(2)我國科技金融資源配置未達到最優(yōu)狀態(tài)，企業(yè)投入不足，偽創(chuàng)新太多，需進一步深度融合。靜態(tài)效率Bootstrap-DEA值整體均小于1，各省市自治區(qū)應加強區(qū)域間要素流動，優(yōu)化金融與科技資源配置。動態(tài)Malmquist指數(shù)結果表明，我國整體科技金融要素生產(chǎn)率以年均3.97%增長，但由于直接融資占比出現(xiàn)嚴重下滑，抑制技術進步，要素增長率同比大幅下降。衡量科技金融發(fā)展效率要綜合考慮資源配置水平與增長率變動水平，且整體要素資源配置的影響高于增長率變動。

(3)市場金融資源對我國科技金融發(fā)展效率有正向促進作用。盡管我國資本市場與發(fā)達國家相比還有一定的差距，但隨著資本市場發(fā)展的不斷完善，風險投資、債券和股票市場的發(fā)展對我國科技進步影響越來越大。市場金融資源對我國科技金融資源配置有顯著的正向促進作用，其中直接融資比例影響程度最大，風險投資的投資強度次之。而科技企業(yè)孵化器孵化能力雖為正向影響，但不顯著，這主要是因為我國科技企業(yè)孵化器未形成真正品牌，需進一步提升基金投入力度和專業(yè)技術孵化能力。通過SD方法系統(tǒng)仿真結果可知，政府要注重長期政策效應，中國要加大對外開放程度，創(chuàng)造科技金融生態(tài)模式。

總的來看，我國科技金融資源配置效率還有一定的提升空間，基于上述研究結論，進一步促進效率的提升可從以下幾方面入手：

第一，政府注重引導，減少干預，完善金融監(jiān)管體系。政府金融投入對GDP的貢獻率遠大于市場主導的，但其對資源配置效率的提升呈負相關關系，而市場金融資源正向促進資源效率提升。核心技術創(chuàng)新要堅持有為政府和有效市場“兩只手配合”，政府更要注重發(fā)揮頂層設計與引導功能，按照市場需求進行創(chuàng)新，為創(chuàng)新者建立滿意均衡制度環(huán)境，放寬科技金融融資服務門檻，引導風險投資盡可能投資最具顛覆性的技術項目，不跟風炒作熱點。完善科技人員的創(chuàng)富機制，鼓勵科研院所和高校科技成果轉化走出創(chuàng)業(yè)，成立專項基金試點對有價值技術的重點培育，強化知識產(chǎn)權保護的創(chuàng)造、保護和運用。出臺更具針對性、可操作性的優(yōu)惠政策，防范系統(tǒng)性金融風險。

第二，建設多層次資本市場，提高直接融資比例。科技創(chuàng)新離不開資本市場，發(fā)達的資本市場為科技創(chuàng)新提供了良好的外部條件，而2017年中國的直接融資市場回落明顯。以色列是全球公認的“創(chuàng)業(yè)的國度”，不僅有專業(yè)化的創(chuàng)新孵化器，活躍的風險投資，關鍵科技金融為其產(chǎn)業(yè)創(chuàng)新生態(tài)環(huán)境增色不少。未來，我國應繼續(xù)優(yōu)化金融資源結構，強化金融體制市場化改革，創(chuàng)新股權質(zhì)押融資新模式，大力推動股票公募市場和企業(yè)債券市場的改革和發(fā)展，讓優(yōu)質(zhì)的企業(yè)和海外并購項目通過直接融資等籌集資金，同時政府要放開對資本市場價格的管制。放寬高科技企業(yè)的上市標準，充分發(fā)揮資本市場在資源配置上的高效率。

第三，注重原始創(chuàng)新，發(fā)揮領軍型大企業(yè)在核心技術創(chuàng)新中的主力軍作用。堅持技術引進與自主創(chuàng)新齊頭并進，早期創(chuàng)業(yè)企業(yè)資金需求大，抵押物少，投資人更應關注早期孵化。新興行業(yè)創(chuàng)新力強勁，企業(yè)更要提高R&D投入比例。高質(zhì)量科技研發(fā)創(chuàng)造新產(chǎn)品、新市場，支持優(yōu)勢企業(yè)開展原創(chuàng)前沿技術攻關，強化對基礎研究的支持，建立寬容失敗機制，激發(fā)企業(yè)市場的活力，肯定企業(yè)家精神的爆發(fā)，構建開放型技術創(chuàng)新體系，將金融資源真正配置到核心技術行業(yè)，培育一批具有世界影響力的高科技領軍企業(yè)。

第四，優(yōu)化科技金融創(chuàng)新集群生態(tài)，助力科技與金融深度融合。依托大學城產(chǎn)學研協(xié)同創(chuàng)新，加快建立重大技術發(fā)展的生態(tài)；融合當前人工智能、區(qū)塊鏈等新技術，優(yōu)化科技金融信用平臺，形成科技企業(yè)數(shù)據(jù)庫和專家智庫；信息共享，撮合雙方業(yè)務，構建政府財政資金、創(chuàng)投、銀保、證券等多層次科技金融模式，拓寬融資渠道和方式，并建立相應的監(jiān)管和獎勵政策。從無到有的創(chuàng)新創(chuàng)業(yè)是極明顯的高風險和高收益，最需要的金融創(chuàng)新就是在各個階段都有跟它匹配的科技金融專屬產(chǎn)品，分散高風險。積極探索普惠金融服務，創(chuàng)造大量金融工具，優(yōu)化信貸資源的配置。金融機構既要有效地識別僵尸企業(yè)，同時信貸政策標準和風控手段也應與時俱進。科技保險險種要不斷完善和創(chuàng)新，提高科技保險覆蓋率，保險產(chǎn)品要與科技風險因素相適應。另外，需加強復合型科技金融人才的培訓和引進，提高服務質(zhì)量和水平，營造良好的科技金融軟環(huán)境。總之，要集聚多方資源，協(xié)同高效發(fā)展，形成“一攬子”科技金融服務，提高中國科技金融資源配置效率。