基于網絡數據包絡分析的我國省域科技金融協同效率測度及其時空差異

施明康,于麗英

(上海大學管理學院,上海200444)

金融作為經濟發展的核心,對科學技術發展起到推動作用.近年來,我國多項政策鼓勵拓寬各類融資渠道,為科技創新提供充足資金來源.2016年《“十三五”國家科技創新規劃》指出,發揮金融創新對創新創業的重要主推作用,完善科技和金融結合機制,形成各類金融工具協同融合的科技金融生態.2017年十九大報告強調,著力加快建設實體經濟、科技創新、現代金融、人力資源協同發展的產業體系.2016年我國金融機構為科技提供的風險投資額達到505.5億元,較2015年增加8.6%,增長速度低于2016年企業研究與發展(research and development,R&D)經費支出漲幅12.6%,說明我國科技企業及科研機構仍存在大量金融需求,各地金融投入對科技的影響也有著顯著差異.通過測度地區金融與科技協同效率,能及時發現制約科技金融共生體發展的關鍵因素,對推動我國經濟均衡穩定發展具有重要的理論與現實意義.

對于金融投入對科技創新的影響,國內外文獻選擇的研究對象涵蓋區域層面以及企業層面.區域層面的研究主要針對金融投入對科技創新的直接促進作用和間接作用展開.Popov等[1]研究發現了歐洲21國的風投對研發作出了貢獻;Chowdhury等[2]運用回歸分析發現,70個國家的金融業發展水平與該國研發投入呈現明顯的正相關關系;張倩等[3]研究發現,金融生態環境在財務柔性與研發投入之間起到了負向調節作用.企業層面,國內學者在研究金融科技這2個系統時主要選擇科技型企業與金融類企業作為研究對象,側重于金融系統對企業創新能力的影響.王洪生[4]研究發現,金融環境對中小型科技企業的成長潛力有顯著影響;翟華云等[5]以我國戰略性產業A股上市公司為研究對象,發現科技金融發展水平能夠增強科研投入對企業成長的推動作用;錢水土等[6]研究發現,科技金融對金融類企業研發投入具有顯著的正向激勵作用.

近年來,在測度復雜網絡生產系統效率時,考慮內部結構的網絡數據包絡分析(data envelopment analysis,DEA)建模倍受國內外學者的青睞.陳翔等[7]基于矩陣式DEA網絡研究發現,我國造紙業循環經濟中生態效益與經濟效益子模塊效率低下;董艷梅等[8]和龔光明等[9]采用動態網絡DEA,從知識創新和成果商業轉化2個階段研究了高技術企業的創新效率;韓松等[10]建立了銀行結構特征的復雜網絡DEA模型,并對銀行整體結構效率進行了評價;Iftikhar等[11]等運用網絡DEA,將經濟運作系統分成經濟產出與資源配置2個階段,發現俄羅斯在經濟產出階段的效率有待提升,而美國在資源階段的效率有待提升.由此可見,網絡DEA可將原有的復雜系統分解成子模塊,從而探究子模塊存在的低效問題,結合產出不足情況可發現總系統低效的關鍵癥結,但是目前鮮有采用網絡DEA研究金融系統與科技系統協同發展下各子系統運作效率情況的論文.本工作基于金融系統與科技系統之間資金流的交互關系構建了科技金融協同結構,選取2009～2015年我國省級面板數據,采用網絡DEA測度我國科技金融協同效率及其各自效率,實現從局部到整體分析各省市科技金融協同情況,發現提升協同效率的著力點,最后根據實證分析結果給出對應的政策建議.

1 研究方法

1.1 研究模型構建

DEA方法可分析不同決策單元的投入產出效率情況.Liu等[12]構建了一種基于冗余的DEA模型,將傳統DEA中的不等式約束通過冗余量轉化為等式約束,并將加權冗余量最小化作為規劃目標.假設有n個決策單元,運用DEA可評價決策單元j0是否有效:

式中:xkj為第j個決策單元的第k個投入變量;為xkj對應的投入冗余量;yhj為第j個決策單元的第h個產出變量;為yhj對應的產出冗余量;λj為第j個決策單元的權重系數;L為投入變量個數;R為產出變量個數.由于傳統DEA的變量僅針對單系統單階段,即投入變量僅輸入于同一系統,產出變量也輸出于該系統,因此傳統DEA無法針對多系統結構進行深入剖析,也無法研究其中子系統的效率.

Fare等[13]提出了網絡DEA模型,該模型可用于測度2個存在連接關系的子系統之間的效率,模型包含2個及以上的子系統以及子系統間的中間變量.中間變量以串聯形式連接2個系統,由此構成2個階段串聯結構.在該結構中,系統1僅作為系統2的投入系統,而系統2產出變量對于系統1沒有投入作用,整個系統呈現單向遞進關系.而對于存在相互促進的共生結構,則需要2個系統存在交互投入關系.因此,本工作創新設計了2個系統協同結構,其中系統2對于系統1存在投入作用.2個系統協同的網絡DEA結構如圖1所示.

圖1中,x1、x2、y1、y2分別為系統1和系統2各自的投入和產出變量;z1為系統1對系統2的投入變量;z2為系統2對系統1的投入變量.基于式(1),加入2個系統各自的投入產出變量,以及系統間投入與產出的變量可推算出2個階段網絡DEA模型的數學規劃式.以決策單元j0的最小冗余量為目標,構建數學模型以判斷出決策單元j0是否有效:

式中:i代表子系統;L、M、R分別為投入變量、中間投入變量和產出變量的個數;為對于第j個決策單元子系統i對另一個子系統的第h個投入變量;分別為對應的投入、產出冗余量.

1.2 各系統效率值計算

利用網絡DEA的計算結果可進一步研究總系統效率值以及2個子系統的效率值.結合式(2)計算結果中的產出變量和產出冗余可計算得到子系統效率值:

式中:effi為子系統i的效率值;eff為2個系統的協同效率.如果該決策單元的投入冗余越多,效率值就越低,eff小于1,則該決策單元需進一步提升2個系統的協同關系;如果eff等于1,則表示該決策單元為DEA有效,可保持現有資源配置情況繼續發展.

1.3 空間相關性測度

空間自相關性是指某一變量在同一空間下不同空間單元的相關性,反映了空間單元的聚集程度.通過空間自相關性分析,可研究該變量的空間分布特征,從而探究高集聚區域的形成原因并對低集聚地區進行改進.測度空間相關性主要采用Moran指數I來表示:

式中:effa、effb分別為空間單元a、b的系統效率;為各決策單元的效率均值;Wa,b為空間經濟權重矩陣.

由于區域科技金融協同效率的空間溢出效應不僅受到各省市的地理相鄰關系影響,還與相鄰省市的經濟體量有關,因此本工作借鑒林光平等[14]的做法,以這相鄰2個地區的樣本期間GDP均值之差的倒數作為權重數:

2 科技金融協同效率測度

2.1 指標體系的建立與變量選取

共生理論作為種群生態的重要理論,已深入到經濟管理等領域.張小峰等[15]提出了科技-金融共生體的概念,在這一共生體中,科技與金融這2個共生單元存在著資金流的交互關系.科技創新企業需要金融系統提供創業風險投資和科技融資信貸,科技成果熟化和產業化后可進一步促進融資環境發展.本工作創新地將科技金融共生理論發展為金融與科技2個系統的協同結構,并設置了金融與科技系統各自的投入與產出指標,及其交互投入.相對于已有網絡DEA模型的2階段串聯結構,本工作搭建的協同結構模型能更深入地反映科技與金融系統間資金流的交互關系(見圖2).

圖2 科技金融協同結構Fig.2 Science finance cooperation structure

金融系統的投入主要從人力資本和固定資產2個角度出發.人力資本采用金融業從業人員表示,即采用金融業城鎮單位就業人員度量;固定資產采用金融業固定資產存量表示.由于統計年鑒的金融業固定資產投資為每年新增流量,因此借鑒吳延兵等[16]的做法采用永續盤存法進行轉換:

式中:Kt表示為t期的金融固定資產存量;δt為折舊率,設定為10%;It?1為滯后一期的固定資本投入流量.由于各地固定資產投資價格存在差異,因此采用固定資產投資價格指數對上述指標進行平減.金融系統的產出指標包括金融業增長值,上述數據來源于國家統計局以及《中國統計年鑒》.

科技系統的投入參考曹顥等[17]的做法,主要從人力資源和機構資源2個方面考慮.人力資源采用科技從業人員表示,即采用研究與開發從業人員數來度量.機構資源采用各地科研機構數來度量.三大檢索的論文數選自科技統計年鑒中的“國外主要檢索工具收錄我國科技論文按地區分布”中SCI、EI、CPCI-S的論文數累加得到.以上2項指標數據來源于《中國科技統計年鑒》.

由于金融系統對科技系統的投入,主要體現為研發機構從不同渠道獲得研發資金,因此從金融機構科技投資和創業風險投資2個方面考慮.這里,金融機構科技投資借鑒孫治紅等[18]的做法,采用各地區按資金來源中的其他資金測算;創業風險投資借鑒張玉喜等[19]的做法,采用《中國創業投資發展報告》中各省市的風險投資強度進行度量.

對于科技系統對金融系統的投入,徐玉蓮等[20]認為科技創新產出的增加,使市場科技金融主體獲得較高投資回報,形成繼續投資.本工作據此創新性地選擇了高技術企業的新產品銷售收入作為科技創新對金融系統的投入指標,該指標數據來源于《中國高技術產業統計年鑒》.

2.2 協同效率的測度與空間相關性分析

本工作采用2009～2015年我國30個省、自治區、直轄市(除西藏自治區、臺灣省、香港特別行政區和澳門特別行政區)的面板數據,測度科技金融協同效率:①將各變量作為投入與產出指標代入式(2)計算對應投入與產出冗余量;②將①中測算的產出冗余量代入式(3),計算金融和科技各自的系統效率effi;③將產出冗余量代入式(4),計算科技金融協同效率eff,并從空間與時間角度對協同效率進行初步分析;④進行空間相關性分析,這里以2009～2015為樣本期,結合式(6)計算空間經濟權重矩陣Wa,b,并代入式(5)計算得出Moran指數I.

3 實證結果分析

3.1 DEA結果初步分析

本工作采用R語言編程進行求解,通過計算結果分析各省市科技金融協同情況以及整體演變趨勢.2009～2015各省市科技金融協同效率及子系統效率的計算結果如表1所示.

表1 2009～2015各省市科技金融協同效率及子系統效率Table 1 2009～2015 China’s provincial science finance cooperation efficiency and subsystem efficiency

從表1可以發現,各省市科技金融協同效率整體差異較大,分布大致在0.2～1.0之間.北京、上海、江蘇分列前三,且其科技金融協同效率以及金融系統效率與科技系統效率均為DEA有效.

為了對全國層面的科技系統效率、金融系統效率、科技金融協同效率演變趨勢進行探討,本工作對2009～2015年全國層面的各效率值進行計算并繪制了折線圖(見圖3).

圖3 2009～2015科技金融協同效率均值Fig.3 Average values of 2009～2015 science finance cooperation efficiency

在2009～2015年期間,各省市的科技金融協同效率以及各子系統效率均呈現穩步上升趨勢,科技金融協同效率7年間的漲幅均大于15%,其中2015年均值已達到0.603,較2009年上升10%,表明科技金融協同效率整體發展情況良好.

為了進一步比較各省市科技金融協同效率的情況,本工作以科技系統效率為橫軸,金融系統效率為縱軸,將各省市的科技金融系統效率均值以散點形式繪制在同一平面坐標系上(見圖4).

圖4 各省市科技金融協同效率均值分布Fig.4 Average efficiency of distributions of China’s provincial science finance

從圖4中可以發現,各省市情況可大致分為4類:第一類包括北京、上海等,平均科技效率與金融效率均達到較高水平;第二類包括湖南、湖北等,該類省市的金融系統效率較高,但科技系統效率仍有待提升;處在第三類的省市較多,包括寧夏、貴州等,主要分布在我國中西部地區,表明我國金融、科技系統效率仍有待提升;第四類包括山東、四川等,科技系統效率高而金融系統效率低,這類省市需進一步加大金融發展從而帶動科技創新.

3.2 DEA產出情況分析

為了進一步探索各產出指標對效率值的影響,以便能針對產出不足情況進行資源分配上的調整,本工作分析了在生成效率值時各產出指標不足的部分.我國2009～2015各省市DEA產出不足的具體情況如表2所示.

表2 2009～2015各省市DEA產出不足情況Table 2 DEA insufficient output of 2009～2015 China’s provincial

由于北京、上海和江蘇三地的科技金融協同效率已達到1,因此沒有出現產出不足的情況.在金融系統中,相對于金融業增加值與創業風險投資,金融機構的科技投資是制約我國科技金融協同發展的主要原因,平均產出不足率達到0.209.湖南省、吉林省與內蒙古自治區的金融機構科技投資不足率分別達到0.627、0.431和0.428,這類地區急需加大金融機構對科技企業的投資;黑龍江省、青海省與貴州省則需加強創業風險投資,以提升科技金融協同效率.在科技系統中,相對于三大檢索機構收錄的論文數和申請專利授權量,技術市場成交額是制約我國科技金融協同發展的主要原因,平均產出不足率達到0.184,說明我國科技系統在科技成果轉化階段仍有待提升.

3.3 空間相關性分析

為了更加直觀地展示并觀測我國各區域科技金融協同集聚情況,本工作將各省市科技金融協同效率繪制成空間分布圖.結果顯示,我國各省市的科技金融協同效率呈現出一定的空間相關性,如長江經濟帶與東南沿海地區呈現明顯的空間集聚情況.

本工作采用Moran’s指數I來反映空間相關關系,具體計算結果如表1所示.

表3 2009～2015我國省市科技金融協同效率空間自相關檢驗結果Table 3 Spatial autocorrelation test results of 2009～2015 China’s provincial science finance cooperation efficiency

從表2可知,我國各省市的科技金融協同效率呈現良好的空間自相關性,其中2015年的Moran指數為7年中最高,達到0.182.為了研究各省市自身協同效率對周邊省市協同效率的帶動作用,本工作繪制了Moran散點圖,以標準化的協同效率值作為橫軸,相鄰區域單元觀測值的空間加權平均值作為縱軸(見圖5).

圖5 2015年科技金融協同效率的Moran散點圖Fig.5 2015 Moran scatter chart of science finance cooperation efficiency

根據散點圖顯示結果,各省市大致分成4個類別:第一個類別為高高集聚區(主要包括北京、天津和上海等5個省市),這類省市自身觀測值與周圍區域觀測值均較高,表明該類區域具有良好的空間集聚效應;第二個類別為低高集聚區(包括東北三省),該類區域的周圍觀測值與自身觀測值呈現較好的相關性,說明該區域的協同效率發展具有一定的聯動關系;第三個類別為低高集聚區(主要包括廣東、重慶等省市),該區域省市自身觀測值較高,但周圍區域觀測值較低,該區域省市可發揮擴散效應,帶動該區域升級為高高集聚區;第四個類別為低低集聚區(處在該區域的省市較多),說明我國科技金融協同效率仍有大幅度提升的空間.

4 結論與對策

本工作運用網絡DEA生成了科技金融協同效率.研究結果顯示如下幾點.①我國科技金融協同效率以及各系統效率均存在較大差異,效率值大致分布在0.2～1.0之間,北京、上海和江蘇等省市的協同效率均為DEA有效,而貴州、青海等地的協同效率仍有較大提升空間.產出指標中,金融機構科技投資和技術市場成交額的不足是制約我國科技金融協同發展的原因.②金融與科技子系統方面,四川、山東等地的金融系統效率較低,而科技系統效率較高,可加大金融投入從而進一步帶動科技創新;甘肅、陜西等省市金融系統和科技系統效率均較低,因此需同時加強對2個系統的投入,從而發揮二者的協同效率.③從時間角度來看,全國層面的科技金融協同效率以及金融與科技子系統的效率均值呈現逐漸上升趨勢,7年間效率漲幅均大于15%,說明我國實施的創新驅動戰略在一定時期內取得了明顯的成效.④從空間角度來看,北京、天津、上海等地屬于高高型集聚區,該地區可保持現有發展水平;東北三省屬于高低型集聚區,該區域的協同效率發展具有一定的聯動關系;廣東、重慶等省市為低高集聚區,該區域省市可發揮擴散效應,帶動該區域升級為高高集聚區;云南、貴州等省市處在低低集聚區,該區域應注重自身2個系統效率的提升,同時注重與周邊地區的協作.

結合上述研究成果,本工作提出如下3點對策建議.①為保持科技金融協同效率的增長勢頭,政府應建設科技企業與金融機構合作平臺,增加科技企業融資渠道,如通過政策性銀行提供低息貸款等,同時加快建設區域金融聚集區,培養有特色的金融功能區,完善和實施對企業R&D項目融資的優惠政策.②對于山東、湖北等地協同效率較高但單一子系統效率較低的情況,應發揮科技金融協同作用,進一步提升金融發展對科技創新的影響,政府需采取必要的干預措施來調節R&D的信貸資源配置;政府可通過財政貼息、財政補貼、貸款擔保、稅收激勵以及政府采購等措施來支持企業R&D項目的開展,發展技術交易市場和風險資本市場,搭建符合市場機制的R&D項目融資平臺,同時對可競爭的項目采取招投標的方式,由市場來選擇企業,以提高資源配置效率.③對于廣東、重慶等地自身協同效率高但周邊地區協同效率較低的情況,當地政府應鼓勵區域技術創新主體間的信息溝通、共享信息、技術和人才等科技資源,積極開展區域技術創新項目,舉辦各種研討會、論壇等,以促進彼此間的交流與合作.