金融效率及其規模效率對高技術產業創新效率的影響研究

何龍森

(重慶工商大學 重慶 400067)

一、研究設計

為了探究金融效率及其規模效率對我國高技術產業的創效率的影響，本文采用DEA-Tobit二階段研究框架，首先基于1997-2016省級面板數據，通過相應DEA模型對各省高技術產業創新效率、高技術產業創新規模效率、金融效率、金融規模效率進行了測量，其次在此基礎上引入面板Tobit模型對金融效率及其規模效率對高技術產業創新效率的影響。以下是對該框架所涉及方法和數據的簡要說明。

(一)投入導向的SBM超效率模型(A Super Slack Based Measure,DEA)

為解決多個DMU同時被判定為有效時，無法對有效DMU的效率進一步區分，Adersen和Petersen(1993)提出了對有效DMU進一步區分的方法，即超效率模型(Super Efficiency Model)。雖然Adersen和Petersen(1993)提出的為徑向超效率模型，但其原理同樣適用于其他類型的距離函數。Tone K(2002)提出了一種非徑向DEA模型，即基于松弛變量的超效率模型(Super Slack Based Measure，SBM)。另外在徑向DEA超效率模型中，對無效率程度的測量只包含了所有投入或產出等比例縮減(增加)的比列，但對于無效率DMU與強有效目標值之間,除了其等比列改進部分，還包含松弛改進部分。相對于徑向超效率模型(Standard Efficiency Model)，SBM超效率模型能在效率值中對徑向改進部分、松弛改進部分進行體現，并且對處于效率前沿上的決策單元的效率值進行刻畫。

本文將各地區金融業短期貸款余額及中長期貸款余額作為金融效率測定的產出變量，相較于工業生產而言金融業的產出具有其特殊性，很難進行自由調整；另外本文假設金融業的“生產”不存在技術的退步，故而最終選擇投入導向的SBM超效率模型(Super-SBM)與采用序列參比的Mamlquist指數模型，其中ρSE為效率值，S-、S+分別為投入和產出的松弛變量。具體模型由于篇幅所限略去。

(二)面板Tobit模型

在通過DEA模型測出地區金融效率與高技術產業創新效率時，我們僅考慮到相應投入產出本省對效率值的影響，但實際中并非如此，不可控因素的差異也是造成決策單元效率差異的重要原因，文獻中一般采用DEA-Tobit兩階段分析框架來處理此類問題[3-4]。首先通過DEA模型測算出各決策單元的效率;其次基于效率對各種不可控因素的回歸。當效率作為回歸模型的被解釋變量時,就面臨效率小于等于0和大于1的數據截取問題。在這種情況下,普通最小二乘法(OLS)的估計結果為有偏且不一致。為避免OLS估計帶來的偏誤,相關研究中通常采用Tobit模型來進行估計。另外本文選取的數據為基于1997-2016省級面板數據，故采用面板Tobit模型，具體模型設定見后文。

二、變量和數據的選取

基于對我國高技術產業及金融業相關投入產出數據的可獲得性、準確性的考量，并參考相關研究者[1-2、5-6]對變量的選取，構建出以下指標體系：被解釋變量為創新效率(Innovationefficiency)及創新規模效率(InnovationefficiencySE)，投入指標為高新技術產業R&D經費總支出、高新技術產業R&D活動人員折合全時當量，產出指標為專利申請數與新產品銷售收入。核心解釋變量為金融效率(Finacialefficiency)與金融規模效率(FinacialefficiencySE)，投入指標為各省金融機構年末財政存款余額，各省金融機構年末企業存款余額及各省金融機構年末城鄉儲蓄存款余額；產出指標為年末短期貸款余額，年末中長期貸款余額。控制變量分別為企業規模(Enterprisescale，高新技術產業當年實際主營業務收入/高新技術企業數)；政府支持力度(Governmentsupport，高新技術產業R&D經費總支出政府資金部分/高新技術產業R&D經費總支出)；勞動力素質(Laborquality，高新技術產業R&D活動人員折合全時當量/高新技術產業從業總人數)；對外開放程度(Openingdegree，高新技術產業當年實際出口交貨值/高新技術產業當年實際主營業務收入)；經濟發展水平(Pergdp，地區當年人均GDP)。

由于新疆、西藏、青海、香港、澳門、臺灣三個省份數據缺失較多，數據不易獲取，且重慶1997年之前的數據很難獲得，故本文樣本選取全國28個省、直轄市、自治區1997-2016年的數據，其中對于數據缺失部分運用線性插空法進行補齊。數據來源為中國金融數據庫、中國高技術產業數據庫。

三、實證結果分析

(一)高新技術產業創新效率、創新規模效率、金融效率及金融規模效率測定

使用MAXDEA8.3PRO軟件，基于相應DEA模型測得1997-2016年各省高新技術產業創新效率及創新規模效率；金融效率及金融規模效率，結果如表1。

表1 高新技術產業創新規模效率及創新效率；金融規模效率及金融規模效率

(二)金融效率及其規模效率對高技術產業創新效率的影響

采用面板Tobit模型，探究各地區金融效率對高新技術產業創新效率的影響。其中為消除量綱不同的影響，本文對企業規模，經濟發展水平兩個指標進行離差標準化，并采用LLC檢驗、IPS檢驗、Breitung檢驗、Hadri LM檢驗方法對各變量數據進行單位根檢驗，以確定變量的平穩性，檢驗結果表明上述指標均為平穩性指標。

同時根據LR檢驗結果強烈拒絕“H0:σu=0”,故認為存在個體效應，應使用面板Tobit回歸。具體模型設定如下：

Innovationefficiencyit=c+β1Finacialefficiencyit+β2Enterprisescaleit+β3Governmentsupportit+β4Laborqualityit+β5Openingdegreeit+β6Pergdpit+μi+εit

其中，i為第i個省份，t為第t年，為回歸系數，為個體效應，為擾動項，c為常數項。回歸結果如下(限于篇幅僅匯報核心解釋變量的回歸結果)：

表2報告了我國各地區金融效率與金融規模效率對高新技術產業創新效率的影響。結果顯示，無論是面板固定效應模型還是面板Tobit模型，各地區金融效率與高技術產業創新效率呈反向相關關系，金融效率的系數在5%的顯著性水平上通過了檢驗。進一步的，本文驗證了金融規模效率對高新技術產業創新效率的影響，基于固定效應模型與面板Tobit兩個模型的回歸結果顯示，金融規模效率系數均不顯著，即金融規模效率對創新效率無顯著影響。

表2 金融效率及其規模效率對高新技術產業創新效率的影響

(三)金融規模效率及金融效率對高技術產業創新規模效率的影響

為探究金融效率及其規模效率對高技術產業創新規模效率的影響，本節同樣采用面板Tobit模型對兩者之間的關系進行實證檢驗。被解釋變量為各地區高新技術產業創新規模效率，核心解釋變量為核心解釋變量為各地區金融效率及金融規模率，控制變量同上。具體回歸結果如下(限于篇幅僅匯報核心解釋變量的回歸結果)：

表3報告了我國各地區金融效率與金融規模效率對高新技術產業創新規模效率的影響。結果顯示，各地區金融規模效率對高技術產業創新規模效均呈現正相關關系，其系數在1%的顯著性水平上通過了檢驗，系數值為0.281；而金融效率對創新規模效率無顯著影響。

表3 金融效率及其規模效率對高新技術產業創新規模效率的影響

(四)金融規模效率對創新效率促進的傳導機制

基于上文研究發現，金融規模效率對創新規模效率具有顯著正向影響，為進一步本文探究金融規模效率對創新效率的影響，本文對創新規模效率與創新效率見得關系進行了探究，具體回歸結果略。回歸表明，高技術產業創新規模效率與高技術產業創新效率之間呈現出正向相關關系，即金融規模效率能通過創新規模效率簡介促進創新效率。

四、結論與政策含義

本文對金融效率極其規模效率對高技術產業創新效率的影響進行了探究，并基于研究結論發現其中潛在的政策含義。結論歸結如下：(1)金融效率總體處于較高水平；創新效率水平還有待提升，并且分布上呈現東高西低的態勢。(2)金融效率總體上對高新技術產業創新效率具有擠出效應，但金規模融效率通過創新規模效率對金融效率起促進作用。

基于上述結論，對其中潛在政策含義歸納如下：(1)應擴大政策對高技術產業的支持，增加創新投入，優化高新技術產業人力及資金配置結構。(2)應通過加大金融對高新技術產業的支持力度，以資金提升高技術產業的規模，以高技術產業的規模提升其創新效率。