基于網絡數據包絡分析的科技金融相對效率評價研究

張 鵬，張 靜

（華南師范大學經濟與管理學院，廣東廣州 510006）

1 研究背景

科技與金融的結合是實施創新驅動發展戰略，提高區域綜合競爭力的基礎性內容。近年來，中國對科技的金融投入力度正在逐年增加，然而金融資源是有限的，如何科學地利用資源提高科技金融產出效率是值得研究的重點話題。由于科技金融具有多投入和多產出以及不同量綱的特點，所以要測量其絕對效率有一定的難度，因此，學者們大多從相對效率評價展開研究，主要方法是構建數據包絡分析（DEA）模型。

Charnes等［1］于1978年首次提出DEA模型，該模型是典型的非參數估計方法，不需要事先設定決策單元的具體函數形式，降低了因主觀因素和參數設定錯誤帶來的誤差。DEA模型作為一種理想的多目標決策方法，已經被很多學者應用于企業、行業和區域各個層面的科技創新效率評價，如，屈國俊等［2］基于三階段DEA模型從企業層面對中國上市公司的技術創新效率進行分析，基于行業層面學者分別研究了中國規模以上工業企業、高新技術企業和工業企業科技創新效率［3-5］，以及從區域角度分別運用DEA模型分析了浙江省區域科技創新效率、中國三大經濟圈10省市的科技金融相對效率和長江中游城市群的創新效率。但是傳統DEA方法評價決策單元的相對效率時，忽略了系統的內部結構，沒有充分利用數據，實際上將整個生產過程看作一個“黑箱”進行處理，從而該方法無法解釋各階段生產過程對綜合效率的影響，不利于找出無效決策單元的具體原因。

F?re等［9］將傳統DEA進行改進，嘗試打開“黑箱”并探究其內部結構，將整個生產過程分解成多階段，假設前一階段的輸出變量可以進入下一階段，最早提出了多階段網絡DEA模型。隨后，F?re等［10］在原先的研究基礎上，對網絡DEA模型進行探究，并完善了網絡DEA的理論體系，形成了較完整的網絡DEA模型，為后續研究奠定了基礎。張健等［11］以經濟和資源投入作為投入指標、經濟產出作為中間指標、環境產出作為產出指標，構建雙階段網絡DEA模型評價生態系統的相對效率。曾薇等［12］將銀行理財產品的運營過程分為創新產品設計和創新產品市場表現兩個階段，分別將創新關注程度和銀行業理財產品銷售總額、非利息收入占比作為投入和產出指標，以發行銀行卡數量和設計理財產品數量作為中間指標，基于兩階段網絡DEA模型研究了金融監管對商業銀行產品創新影響。然而上述模型假設后一階段的輸入完全來自前一階段的輸出，但是現實情況中，往往子階段會存在外部投入。Li等［13］基于以往的研究，對網絡DEA模型進行了改進，假設第二階段除了中間變量的投入之外，還有外部投入，并提出了中心化法和非合作博弈法對模型進行求解。此后，學者們將改進的網絡DEA模型運用于各領域的研究，如，葉斌等［14］將區域創新網絡系統劃分為研究機構和企業兩大主體，并通過構建網絡DEA模型進行評價，其中企業作為研發機構的下一階段，它的投入變量除了研發機構輸出的人才和技術，還將從外部吸收資金和人才；基于相似的做法，高瑩等［15］運用網絡DEA模型對中國鐵路運輸企業效率進行評價，仲深等［16］將該模型運用于中國企業孵化器運行效率的評價。

從已有研究來看，很少有學者將網絡DEA運用于科技金融效率的研究。本文結合科技金融投入產出的實際過程，將其劃分為科技成果研發和轉化兩個階段，構建了網絡DEA模型評價科技金融投入產出效率。與Li等［13］的研究相比，本文考慮第一階段的產出除了作為下一階段投入以外，還有直接產出部分，通過結合中國科技金融投入產出特點，選取相應的指標，并基于2009—2017年數據，對中國30個省、自治區、直轄市分別從省級層面以及東、中、西部區域層面，就科技金融研發階段效率、轉化階段效率以及綜合效率進行比較分析。

2 研究方法

2.1 雙階段網絡DEA模型

由于現實的生產過程是由不同階段相互合作完成的，所以每個階段對整個系統的影響都有重要的作用，整個生產過程可以看成所有子階段的串聯模式。Kao［17］認為用子階段效率的乘積形式可以更好反映出系統的綜合效率。Li等［13］除了用子階段效率的乘積衡量綜合效率之外，還考慮到子階段的投入不僅包含來自上一階段的產出，且包含外部投入，并提出了中心化法和非合作博弈法求解上述模型。其中非合作博弈法的思想是假設其中一個階段處于領導者的地位，另一階段滿足該階段效率最大化的約束條件，所以適用條件為在兩階段有明顯的不平等地位的條件下；但是中心化沒有這個限制，該方法首先計算出其中任何一個階段的最大化效率，其次在滿足計算出的該階段最大效率以一定程度減小的約束條件下，找到綜合效率最大化時該階段的效率，最后根據已求的效率值算出另一階段的效率值。本文在Li等［13］的研究基礎上，除了考慮到子階段的外部投入之外，還認為前一階段的產出并非全部作為中間產品進入下一階段，還有部分產品作為直接產出。將整個科技金融投入產出過程看成是研發階段和轉化階段的串聯模式，綜合效率是兩個階段效率的乘積，則規模報酬不變的情況下網絡DEA模型為：

由于模型（1）的第二階段加入了新的投入變量，無法轉化為線性規劃模型，考慮到科技成果的研發階段和轉化階段處于同等重要的地位，本文借鑒Li［13］的中心化法將模型（1）轉化成線性模型進行求解。由于中心化法的綜合效率與階段效率的計算順序無關，本文首先計算第一階段在滿足約束條件下的最大效率，構建如下模型：

由于模型（2）為分式不等式，使用Charnes-Cooper目標規劃方法轉化為線性不等式，令：

進一步可以將模型（2）轉化為如下的線性規劃模型：

模型（4）的經濟含義為：在滿足相應的約束條件下科技成果研發階段的最大效率值。其中：約束（a）為該決策單元在研發階段的產出要小于相應的投入；約束（b）為在轉化階段的產出要小于相應的投入；約束（c）為研發階段的投入權重之和為1；約束（d）為所有的權重變量均大于0。可以通過單純形法求解模型（4）獲得最優解。在獲得研發階段最大效率值的基礎上求解綜合效率值，模型如下：

模型（6）的經濟含義為：在滿足相應的約束條件下，當研發階段的效率已知時求綜合效率值。其中，約束（a）（b）的含義同模型（4）；約束（c）為在研發階段的最大效率值慢慢減少時滿足的約束條件；約束（d）為轉化階段的投入權重之和為1；約束（e）表示各個階段的權重變量均大于0。根據求出的研發階段的效率和綜合效率，則轉化階段的效率為：。

圖1 科技金融產出過程

2.2 指標的選取

結合中國科技金融產出的實際過程，應包括科技成果的研發和轉化兩個階段。在研發階段主要是高等學校和科研機構將資源投入轉化為研發成果，投入的主體主要來自政府和企業，具體的投入包括財力和人力。本文借鑒馮志軍等［18］的做法，將地方財政科技撥款、R&D經費內部支出和R&D人員全時當量表示研發階段的投入，該階段的產出主要包括專利、論文和項目。其中，專利和項目會從高等學校和科研機構向高新技術產業發生轉移，高新技術產業利用獲得的專利和項目進行產業化、將科技成果產品化推向市場，從而完成整個科技金融生產過程，所以專利和項目會對科技成果轉化階段作出貢獻。本文將國內專利授權數量、新產品開發項目作為連接研發階段和轉化階段的中間變量，發表的科技論文數量作為研發階段的直接產出。在科技成果轉化階段，高新技術企業除了接收來自上一階段的專利和項目，還會從技術市場吸納新的合同，本文將吸納技術市場合同數量作為轉化階段的投入指標，將高新技術產品出口額、新產品銷售收入和技術市場合同輸出金額作為轉化階段產出指標。在此基礎上，構建了含有上述指標的網絡DEA模型，即模型中的參數為m=3,q=2,h=1,t=1,s=3。具體的過程如圖1所示。

3 實證研究

本文選取了2009—2017年中國30個省、自治區、直轄市（未包含西藏和港澳臺地區，以下簡稱樣本）的歷史數據，首先將樣本各指標數據取均值進行描述，其次從中國省級科技金融科技成果的研發階段和轉化階段表現進行分析，最后對中國東、中、西部地區的科技成果研發、轉化和綜合效率進行比較，挖掘其中的問題，并提出相應的建議。本文參考文獻［13］將樣本省份劃分為東部、中部和西部3個區域。其中，東部包括北京、天津、河北、遼寧、上海、江蘇、浙江、福建、山東、廣東、海南；中部包括山西、吉林、黑龍江、安徽、江西、河南、湖北、湖南；西部包括四川、重慶、貴州、云南、陜西、甘肅、青海、寧夏、新疆、廣西、內蒙古。

具體指標包括投入指標、中間指標和產出指標。以地方財政科技撥款、R&D經費內部支出和R&D人員全時當量作為研發階段的投入指標，以國內專利授權、新產品開發項目數量作為從研發階段進入轉化階段的中間指標，以發表的科技論文數作為研發階段的直接產出，以吸納技術市場合同數量作為轉化階段的投入指標，以高新技術產品出口貿易額、新產品銷售收入和技術市場合同成交金額作為轉化階段產出指標。具體的數據主要來源于《中國統計年鑒》《中國科技統計年鑒》和EPS全球統計數據庫。

殷燕回憶起她所在部隊的一次“誤傷”。所謂誤傷，或多或少暴露了我軍戰前準備的不足：“我們師3營7連在向團主力靠攏時與越軍相遇，7連長見進攻受阻，便在軍用地圖上標注出坐標位置，并向幾十公里外炮群報告，引導炮兵轟炸越軍陣地。由于部隊配發的軍用地圖是4 0年代法國人繪制的，地圖標記與實際景物誤差很大，結果頭幾發用來修正彈著點的炮彈，當即把連長和報務員炸死，數分鐘后，沒得到要求修正彈著點報告的炮群，按照原設定坐標一齊開火。炮火過后越軍陣地夷為平地，7連百十號人也幾乎沒有幾個能站起來了！”

3.1 數據描述

2009—2017年樣本數據各項指標的年平均值如表1 所示，可見廣東省的財政科技撥款、R&D經費內部支出和R&D人員全時當量是所有省份中最高的，但是發表的科技論文數以及新產品銷售收入和技術市場成交額卻不高，說明科技金融投入產出效率有待改善；經濟發達的地區如北京、上海、江蘇等省市的金融資源投入都較大，相較而言，地理位置比較偏遠的地區如甘肅、青海、寧夏等省份的金融資源投入比經濟發達地區少將近10%，說明了中國地區間科技金融資源投入具有一定的差距。

表1 2009—2017年樣本省份各項指標年平均值

3.2 省級層面科技金融效率評價

從表2和圖2可見，2009—2017年樣本省份的科技成果研發階段的效率均值整體上高于轉化階段效率均值，表明各樣本在科技成果研發方面的表現優于科技成果的轉化，但是地區間效率具有明顯的差異，北京市研發階段和轉化階段的效率均達到有效值，且綜合效率排名第一，廣東省和青海省分別位于第二和第三。具體來看，浙江、廣東、海南、重慶、貴州和甘肅研發階段的效率值為0.9以上，處于相對有效狀態，只要采取措施加大研發激勵力度，就有可能達到有效狀態；但是上海市研發階段的效率年平均值僅有0.5，從表1發現，上海市的政府撥款以及企業的人力財力投入在全樣本中排名前幾，然而其研發效率并沒有與投入力度成正比，表明上海市可能存在一定程度上的資源浪費，應該加強資源監管，合理配置金融資源，提高科技成果的研發效率。從科技成果的轉化階段來看，天津、廣東、青海的年平均值超過0.9，達到相對有效狀態；但是浙江、海南、貴州、云南轉化階段的效率值與研發階段的效率值差額超過0.5，反映這些地區在科技金融產出的兩個階段發展極不平衡。

表2 2009—2017年樣本省份科技金融效率年平均值

表2 （續）

圖2 2009—2017年樣本省份科技金融效率年平均值比較

進一步以研發階段的效率均值為橫坐標，以轉化階段的效率均值為縱坐標，可以繪制樣本省份的研發階段和轉化階段效率均值的二維分布圖，如圖3所示。以0.8為效率值的分界點，將圖3分成4個象限。第I象限為研發階段和科轉化階段效率都比較高，位于該象限的有廣東和北京，表明這兩個省市的科技金融產出不僅在金融投入轉化為研發成果的過程中，而且在研發成果轉化為產業化階段都是高效率的。第II象限為研發階段效率較低而轉化階段效率較高，位于該象限的包括上海、天津和青海，這3省市雖然在研發成果方面的表現不佳，但是在將研發成果進行產業化方面具有優勢，因此應制定激勵政策，調動科研人員的積極性，提高將投入資源轉化為研發成果的效率，并利用高效科技產業化的優勢來提高科技金融產出綜合效率。第IV象限為研發階段效率值較高、轉化階段效率值較低，位于該象限的有海南、貴州、浙江、新疆、四川、甘肅、陜西和重慶，這些省份的科技研發能力較強，但是不能高效地將研發成果進行轉化，需要鼓勵高新技術企業積極與科研機構進行對接，推動市場化進程。剩余的樣本省份均位于第III象限，該象限具有低研發效率和低轉化效率的特點，表明這些省份需要同時從促進科技金融投入資源的充分利用以及科技成果進行產業化進行調整，從根本上解決雙效率低下的問題。

圖3 樣本省份科技金融效率二維分布

3.3 區域層面科技金融效率評價

3.3.1 研發階段效率

科技金融研發階段效率反映了區域投入資源轉化為研究成果的能力以及資源的利用率，主要是以高等院校和科研院所的論文、專利和項目的產出為主。從表3、圖4看出，2009—2011年，西部的研發效率高于東部，2012年以后東部超過西部并一直領先。由于中國實施西部大開發計劃，積極推動西部地區改革，改善投資環境和構建現代化產業體系，發展重點經濟區，以及優先發展教育和完善人才開發機制，提高科技創新能力，使西部地區前幾年的研發效率高于中部和東部地區，近幾年雖然落后于東區地區但仍領先于中部地區。對于東部地區的快速崛起，可能由于東部經濟發達，聚集了大量的高校以及科研院所，吸引了大批人才匯聚于此，以及得到政府的大力支持，鼓勵高校和高新技術人才積極科研，促進了研發成果的產出，因此近幾年東部的研發效率一直領先于其他地區。結合表2來看，中部的山西和湖北研發階段的年平均效率值遠遠低于整個中部地區的年平均值，體現了中部地區省份間的發展不均衡，應該采取相應的措施加強這些地方的金融投入，實施人才基礎設施規劃，大力開展人才引進，提高當地科研成果的轉化，促進地區間均衡發展。

表3 2009—2017年樣本區域科技金融研發階段效率值

圖4 2009—2017年樣本區域科技金融研發階段效率比較

3.3.2 轉化階段效率

科技金融轉化階段效率反映了科技型企業將研發成果轉為現實生產力的過程。從表4發現，東部轉化階段的效率年平均值遠遠高于中、西部。由于東部經濟發展水平高，同時包括北京、廣東、上海等經濟發達省市，這些地區已經設立了多個高新技術產業園，為科技成果轉化提供了重要的基礎設施；此外，東部地區高等院校和研發機構提供的研發成果較多，科技型企業技術力量雄厚，生產力條件先進，技術市場需求旺盛，可以有效地將研發成果投入生產。

表4 2009—2017年樣本區域科技金融轉化階段效率值

從圖5可以看出，2009—2012年東部轉化階段的效率值波動上升，但是2012—2015年出現了下降的趨勢，整體上呈現了倒“V”形狀，可能由于科技快速發展，原先的技術已無法適應時代的需求，以及研發成果的供給方與需求方不能有效融合，出現了轉化階段效率一定程度的下降。2009—2017年這幾年間，中部只有2012年和2013年的轉化效率低于西部，其他時間均高于西部，且呈現了“V”形狀，由于地處中部的河南、湖北、湖南等省份近幾年成立了很多國家高新技術創業開發區，為推動科技成果的轉化提供了基礎設施，加快了市場化進程；結合表2看出，河南、湖北和湖南省研發階段的效率年平均值已經遠遠高于中部地區的年平均值，進一步表現了中部地區各省份間發展不平衡，部分省份是推動該地區科技成果轉化進程的重要引擎，所以應該采取加強區域間均衡發展的措施。西部的科技金融一直發展緩慢，由于地理位置的劣勢，高新技術創新開發區匱乏，需要進一步采取措施開發高新技術產業園，推動西部地區科技成果的轉化進程。

圖5 2009—2017年樣本區域科技金融轉化階段效率比較

3.3.3 綜合效率

科技金融產出綜合效率反映了研發階段和轉化階段的綜合表現，體現整個科技金融產出過程的資源配置能力和資源利用率是否充分。結合表5和圖6發現，東部整體效率高于中部和西部，但是2013年出現了下降的趨勢，表現出了倒“V”形變動趨勢；結合圖4和圖5發現，這種變化趨勢和轉化階段效率變化趨勢一致，說明轉化階段的效率是影響東部地區綜合效率的主要原因，所以東部地區有關部門應加強科技產業化基地的建設，強化科技成果的轉移，推動市場化服務。西部2009—2011年的綜合效率低于中部，2011—2017年均高于中部，可能由于西部在研發階段的效率優于中部，拉動了西部綜合效率的增長；整體來看，西部地區綜合效率呈現波動上升的趨勢，與其研發階段和產業化階段的趨勢一致，表明西部地區的綜合效率受到兩個階段的影響都比較大。中部2009—2017年期間的綜合效率呈現“V”字形狀，與轉化階段效率變化趨勢表現一致，表明中部地區的綜合效率受到轉化階段效率影響大于研發階段效率。

表5 2009—2017年樣本區域科技金融綜合效率值

圖6 2009—2017年樣本區域科技金融綜合效率比較

4 結論

傳統的DEA模型在評價效率時不考慮系統的內部結構，單純把決策單元看成只有初始投入和最終產出的單一過程，導致無法解釋內部結構對決策單元的影響，這不利于非有效決策單元的效率改善。網絡DEA可以很好解決這個問題，通過將整個決策過程分解為若干個子過程，分別對每個子過程產生的影響進行分析。

本文選取了地方財政科技撥款、R&D經費支出、R&D人員全時當量作為科技金融研發階投入指標，以國內專利授權量、新產品開發項目數和發表的科技論文數作為中間指標，將吸納的技術市場合同數作為轉化階段的投入指標，以新技術產品出口貿易額、新產品銷售收入和技術市場合同成交金額為最終產出指標，構建了網絡DEA模型，基于我國30個省份2009—2017年數據，分別從省級層面以及東、中、西部層面，就科技金融研發階段效率、科技產業化階段效率以及綜合效率進行比較分析。主要得出以下結論：（1）各省份科技金融效率差距明顯，只有北京、廣東在研發階段和產業化階段的效率達到有效狀態；上海、天津和青海為高轉化效率、低研發效率；海南、貴州、浙江、新疆、四川、甘肅、陜西和重慶為高研發效率、低轉化效率；剩余省份為雙階段低效率。（2）從研發階段效率和轉化階段效率的比較來看，整體上科技成果的研發效率高于轉化效率值。（3）通過比較東部、中部和西部3個區域各階段的效率值發現，東部的兩階段效率以及綜合效率在整體上高于其他兩個地區，西部研發階段效率高于東部、轉化階段效率低于中部、綜合效率先低于中部后高于中部。（4）東部和中部綜合效率的變化趨勢與轉化階段的效率趨勢一致，西部綜合效率的變化趨勢與研發和轉化兩階段都一致。