金融發展對科技創新效率影響的區域收斂性研究

羅天正，魏成龍

(北京師范大學政府管理學院，北京 100875)

0 引言

黨的十九屆五中全會公報提出：堅持創新在我國現代化建設全局中的核心地位，把科技自立自強作為國家發展的戰略支撐[1]。在經濟轉型的時代背景和國家的高度重視之下，政府發布了一系列財稅、金融等相關政策以激勵和扶持高校、企業乃至全社會的創新。從世界知識產權組織 (WIPO)發布的2018全球創新指數報告 (GII)來看，中國的學術論文發表數量和專利申請量已位列世界第一[2]，但在取得巨大創新成績的同時，中國的科技創新仍面臨著一些現實問題，一方面，目前中國的科技創新產出是建立在政策引導下的高投入之上的，創新成果存在重復創新、政策性迎合等情況，創新的質量與效率有待進一步提升；另一方面，中國的科技創新成果多集中在上海、廣東等東部沿海發達省市，而中西部、內陸地區則相對較少，各地區之間存在著創新發展不充分、創新效率不均衡的問題。因此，提高科技創新效率，減少過度投入和資源浪費問題，對于提高國家創新能力，促進區域間創新的均衡發展有著重要現實意義。

如何提高中國科技創新能力和科技創新效率，也同樣是學界關注的焦點。當前研究已從財稅[3]、金融、企業性質[4]和人力資本等方面對科技創新效率問題進行了分析討論，但從科技創新的實際過程來看，資金則是眾多創新主體在創新過程中最為需要的生產要素，所以，金融市場作為科技創新投資的主要資金渠道就顯得尤為重要。目前關于金融與科技創新的研究主要集中在以下兩個方面：第一，已有研究多集中在金融發展對科技創新產出的影響方面；第二，對區域異質性的研究，相關文獻多集中對東、中、西部地區進行分組回歸以討論三大地區之間的差異。但是，現有研究在討論該問題時忽視了創新的效率問題，且往往只分析東、中、西部之間的差異，而忽視了各地區內部可能也存在著效率差異，對于同一地區發展程度不同的城市，影響因素的作用水平也會有差異；同時，對于各地區之間創新效率收斂性的問題也涉及較少，而針對金融發展對各地區創新效率收斂性影響的相關研究則更為匱乏。基于此，本文使用SFA模型，從金融規模與金融效率兩個方面研究金融發展對科技創新研發和轉化兩階段效率的影響；同時，通過收斂性檢驗和RIF分位數回歸探討了金融發展在不同科技創新效率地區的異質性影響。

1 文獻綜述

一般來說，科技創新具有高成本、高風險和長期性三個特點[5]，而對于這些特點，金融發展通常從三個方面影響科技創新。第一，金融發展可以給科技創新帶來融資便利，緩解融資約束問題[6]，各類投資基金、風險投資機構以及數字經濟時代下的互聯網金融都為企業開拓了更多的融資渠道。第二，金融發展可以解決創新融資中的信息不對稱問題，可以降低監督成本和道德風險問題，從而促進創新[7]。第三，金融發展可以為企業創新研發分擔風險[8]，股票市場可以為創新企業提供更高的股價，為企業帶來資金支持，從而鼓勵創新[9]。

在創新的過程中，除了創新產出，創新效率也應該是需要關注的重點。銀行、投資人通常只關注企業和研究機構的創新產出，但卻忽視了創新效率問題，存在創新產出與創新投入的不匹配問題。金融發展一方面會為科技創新提供大量資金形成規模經濟，提高創新效率；另一方面也會因為資金過剩出現金融市場估價偏離的情況，導致金融資源浪費、創新效率降低的情況出現。對于金融發展對創新效率影響的研究，已有研究主要從金融規模的角度探討它對創新效率的影響。有學者先通過面板數據發現了金融發展對技術創新的促進作用[10]；之后，又通過Malmuquist指數的方法分析了金融體系對中國技術效率有正影響[11]，而金融發展對各個省份創新效率的作用是隨著時間推移而不斷加強的。也有學者使用1998—2007年省級層面數據測度了區域研發效率，發現科技貸款對技術創新效率的提升有促進作用[12]。對于科技創新效率的測度，已有學者多通過數據包絡分析 (DEA)和隨機前沿分析 (SFA)兩種方法對創新效率進行研究。

一些學者認為DEA模型屬于非參數的數學方法，能夠考察多種投入產出變量的效率情況，且不會因函數設定的不同而導致檢驗結果的偏差[13]。他們使用DEA方法對中國創新效率進行測算，并分別討論不同平板顯示企業創新效率的差異，以及企業規模質量[14]、OFDI對創新效率的影響[15]。另一些學者則認為SFA模型能夠獲得優于DEA方法的測度結果，該方法也被逐步用于宏觀國家層面到微觀企業層面的各層次研究中去[16]。他們基于投入產出視角使用SFA模型測量了各地區的創新效率，并分別討論了知識溢出和互聯網與區域創新效率間的關系[17-18]。對于兩種創新效率的測量方法，從創新的投入產出量綱考量，非參數估計方法的DEA模型能夠對多投入變量和多產出變量的效率進行估計，且能夠避免函數設定的主觀因素影響，具有獨特的優點。但DEA模型未考慮計算誤差和統計噪音等隨機因素的影響，而投入產出變量又難以覆蓋全部因素，因此變量選擇不當會影響效率結果的準確性。SFA模型將隨機誤差項與技術非效率項分開，可以在考慮隨機因素的情況下對效率進行評估，在一定程度上彌補了DEA模型的不足，故本文使用隨機前沿模型對科技創新效率進行測度。

除了對創新效率整體影響的研究外，一些學者把研究聚焦于金融規模對創新效率影響的區域異質性問題，但得到的結果并不完全相同。有學者通過GMM方法研究發現金融發展對東、中、西部地區創新效率的影響并不相同，金融發展對東、中部地區的創新效率影響并不顯著，對西部地區則有顯著的促進作用[19]。也有學者發現了不同的情況，他們使用2006—2017年高技術產業的省級面板數據進行研究，發現金融規模對東、中部地區的創新效率具有10%水平下顯著正相關，而對西部地區則沒有顯著影響[20]。由于對金融規模的變量設置差異，不同的學者獲得了不同的研究結果，但大部分學者均發現了金融規模與創新效率的正相關關系。但是，有學者通過1998—2008年30個省份的省級數據，運用隨機前沿距離函數模型發現，銀行信貸規模的擴大對創新效率有負向影響，而科技貸款規模的擴大則對創新效率有正向影響，因此認為目前中國的金融發展過度重視金融規模，而忽視了資源配置的合理性[21]。可見，金融資源的配置效率也是在研究金融發展過程中需要注意的問題。已有研究對于金融效率促進創新投入和產出的研究較多，但對金融效率與創新效率之間關系的研究較少，而金融效率也是金融高質量發展中不可忽視的一部分，故本文將金融效率作為金融發展的代表變量之一納入進來，考察其對創新效率有怎樣的影響。在區域異質性研究方面，既有研究通常對東、中、西部地區進行差異研究，但卻忽略了在各地區內部的不同省份間同樣存在發展水平的差異性，金融發展對整個地區的影響作用可能并非適用于該地區內的每個省份的發展考量，基于此，本文擬采用RIF回歸的方法對該問題進行討論。與一般線性回歸相比，分位數回歸描述了自變量與因變量分布的各分位數之間的關系，能夠更加全面了解自變量與因變量間的內部關系，但傳統的分位數回歸只能了解自變量中的極少數變量與因變量的關系，以及自變量X在給定條件下的變化對因變量Y的條件分位數的邊際影響，而無條件分位數 (RIF)回歸能夠在參數一致估計的前提下實現自變量對因變量的無條件分位數的邊際影響的了解。因此，本文將通過RIF回歸方法，討論金融發展對不同創新效率地區的影響。

基于以上分析討論，本文進行了以下三方面的嘗試與探索：第一，在金融規模的基礎上，進一步探討包括金融效率與金融規模在內的金融發展對科技創新效率的影響；第二，使用σ收斂和β收斂對各地區創新效率的斂散性進行分析，識別創新效率的區域間收斂性和區域內部收斂性問題，較為全面地對各地區創新效率的變化趨勢進行特征分析；第三，使用RIF回歸探討在創新效率不同的地區，金融發展對其創新效率的提升和收斂趨勢有什么樣的影響，從另一視角完善金融發展對創新效率影響區域異質性問題的研究。

2 研究設計

2.1 模型構建

本文通過隨機前沿模型對各省份的技術創新效率進行測度，同時選取金融規模和金融效率作為表征金融發展的核心變量，分析金融發展對各地區技術創新效率的影響方向和程度。隨機前沿函數分析方法是一種多運用于生產力分析的模型，該方法可以將模型中的隨機擾動項分為隨機誤差項和技術無效項，并利用計量方法進行計算，用技術無效項估算技術效率，其結論更加接近于實際情況。隨機前沿生產函數模型如下：

(1)

式中，yit為地區i在t時期的產出變量lnYit，包括 “發明專利申請數量”和 “新產品銷售收入”；xit為地區i在t時期的投入變量lnXit，包括R&D人員投入和R&D資本投入；γt為時間固定效應，表示技術進步。公式 (1)也可表示為：

lnYit=γt+β1lnLit+β2lnKit+υit-μit

(2)

式中，科技創新效率為exp(-μit)，本文為了實證檢驗金融發展對科技創新效率的影響，對科技創新效率的分布進行如下假設：vit為假定服從均值為0的正態分布的隨機干擾項，μit為技術非效率項，服從單邊正態分布，假定vit與μit相互獨立，即：

(3)

wit=b0+b1fineit+b2finbit+b3finsit+b4miit+δit

(4)

式中，fine、finb、fins表示金融發展變量，分別為金融配置效率、信貸金融市場規模、股票金融市場規模；mi表示各地區市場化程度。公式 (2)與公式 (4)構成了本文所要研究的隨機前沿模型，由于系數b為金融發展變量與wit的相關系數，μit為服從期望值為wit、方差為σμ2的正態分布，而科技創新效率為exp(-μit)，故模型所得系數符號與實際為反向關系，即正值表示金融發展與科技創新效率有負相關關系，負值則表示正相關關系。在上述假設下，可基于極大似然估計方法 (MLE)進行估計，得到模型的參數估計值以后，可基于如下計算公式求得地區工業企業的創新效率：

(5)

2.2 變量選擇與指標構建

本文中的科技創新效率值基于極大似然估計方法測度得到，測度變量包括投入變量與產出變量，具體投入產出變量如下：產出變量包括 “發明專利申請數量 (y1)”和 “新產品銷售收入 (y2)”，兩種產出分別代表創新的不同階段。 “發明專利申請數量”對應科技創新研發階段， “新產品銷售收入”則對應科技創新轉化為市場產品這一階段。

投入變量包括企業R&D人員投入 (L)和R&D資本投入 (K)，其中，R&D人員投入為兩種類型企業的R&D人員全時當量；R&D資本投入為兩種類型企業的R&D經費內部支出。本文使用永續盤存法計算R&D資本存量，具體公式為Kit=Eit+Ki,t-1(1-δ)；Eit=Iit/Pit。其中，Kit表示地區i的兩類企業在時期t分別的R&D資本存量，Eit表示剔除價格因素后，地區i的兩類企業在時期t的R&D經費內部支出。基期資本存量為Ki0=Ei0/ (gi+δ)，gi表示地區i的兩類企業R&D經費內部支出的年均增長率；σ表示折舊率，參考前人做法統一使用15%進行計算[22-23]。Iit和Pit分別表示地區i在時期t的名義投資和R&D價格指數，結合已有研究[24-25]，本文使用0.55×各省份消費價格指數 (CPI)+0.45×各省份固定資產投資價格指數計算獲得。此外，本文還將R&D經費內部支出的名義價格轉換為2008年不變價格。

本文的核心解釋變量為金融發展變量，從金融規模和金融效率兩方面對金融發展進行解析。對于金融規模指標，本文綜合學者們目前的研究經驗[26-27]，采用各省貸款余額占該省GDP比例來表示金融信貸市場規模，反應間接融資發展情況；另外，采用各省股票市值與該省GDP之比表示金融資本市場規模，反應直接融資發展情況。對金融效率的指標選擇，由于效率受多種因素的影響，難以用某一單一指標進行概括，目前并無統一的測算。本文借鑒已有做法[28-29]，使用DEA方法對中國的金融資源配置效率進行測量，基于對前人研究的分析和數據可獲得性的考慮，本文選擇金融機構貸款余額、政府財政支出額和金融從業人數作為金融投入指標，選擇金融業增加值作為產出指標，對各省份金融效率進行測算。同時，對于控制變量，由于影響創新效率的因素較多，無法囊括所有變量，所以本文參考相關文獻[30-31]，選擇較為綜合的 “地區市場化指數”作為控制變量。

2.3 數據來源

本文使用各省規模以上工業企業 (簡稱工業企業)數據和部分省級數據，涉及數據包括各省GDP、年末金融機構存款余額、年末金融機構貸款余額、各省CPI和固定資產投資價格指數、各省股市總市值、各省金融業增加值、各省金融從業人員數量、各省財政支出、企業R&D經費內部支出、R&D人員全時當量、發明專利申請數、新產品銷售收入等統計數據。本文選擇一級行政區為研究樣本，因缺少西藏、香港、澳門和臺灣地區相關創新數據，故剔除了這些地區，共選取30個省份作為樣本；同時由于2008年以前中國工業企業統計口徑為大中型工業企業，故本文統計規模以上工業企業數據自2008—2017年。最終，本文共收集整理出10年30個地區的300組數據，所有數據均收集自國家統計局網站、《中國統計年鑒》《中國工業經濟統計年鑒》《中國高技術產業統計年鑒》《中國金融年鑒》《中國區域經濟統計年鑒》和《中國分省份市場化指數報告》等。

3實證檢驗與分析

3.1 金融發展對科技創新效率的影響

本文采用極大似然估計對隨機前沿模型進行估計，通過Frontier4.1軟件得到估計結果 (見表1)。其中，前沿生產函數部分為公式 (2)的估計系數，技術非效率函數部分為公式 (3)的估計系數；另外，模型 (1)反映科技創新研發階段的結果，模型 (2)反映科技創新轉化階段的結果。各估計結果中的γ值均為正且在1%的水平下顯著，說明本文使用SFA模型是合理的。

表1 隨機前沿模型估計結果

由表1可知，在前沿生產函數部分，兩個模型中的勞動投入和資本投入與創新產出效率均呈正相關，其中，各模型的勞動投入系數均大于資本投入系數，說明相對于資本投入，勞動投入的產出彈性更大，間接說明了科技研發過程中的人員投入相對不足。在技術非效率函數部分，由于隨機前沿模型的設定原因，軟件輸出結果的正負關系與實際變量關系相反，所以，在科技創新研發階段，模型 (1)的結果表明金融效率、金融信貸規模、股票市場規模和地區市場化程度均與創新研發效率呈顯著正相關關系，說明提高金融效率、擴大信貸規模和股票市場規模、改善提高市場化水平程度均有助于提高工業企業的創新研發效率；在科技創新轉化階段，模型 (2)表示金融資源配置效率、信貸市場規模和市場化程度與創新轉化效率呈現正相關關系，而股票市場規模與創新轉化效率呈負相關關系，但并不顯著，說明提高金融效率、擴大信貸規模、改善增強市場化水平程度對提高工業企業的創新轉化效率有積極影響，但股票市場規模的擴大對其創新轉化效率的提升存在一定抑制作用。

對比模型 (1)與模型 (2)兩個科技創新階段可以發現，股票市場規模的擴大在兩個階段呈現出相反的影響，即間接融資對創新研發階段的效率有著積極影響，但對于創新轉化階段的效率有著負相關關系，這可能是由于股票市場的融資成本較低所致。企業通過股票市場融資的途徑除了吸引資金買入提高市值外，還包括定向增發、配股和發行可轉債等，相對于銀行貸款，這些融資方式在中國股票市場大多成本較低，即使是發行可轉債也可通過本息合一或折扣利息等方式降低研發過程中的現金流壓力，而銀行貸款則需每年按期還息，所以，企業從股票市場融資的增值兌現壓力較小，可以將資金用于科技創新研發這一階段，而不需要被迫提前將技術轉化為產品以兌現獲利。銀行信貸規模對兩階段創新效率的影響也印證了這一觀點，在表1中，銀行信貸規模的增大對科技創新轉化階段效率的積極影響大于對科技創新研發階段效率的影響，說明由于銀行貸款的付息還款壓力較大，所以企業不得不將重心放在新產品轉化這一階段以及時獲利。金融效率對科技創新的影響在兩個模型中均呈顯著正相關關系，可以發現，模型 (1)中金融效率系數明顯大于其他變量系數，說明金融效率對創新研發效率影響的彈性更大。市場化程度在科技創新轉化階段效率的正向影響系數高于科技創新研發階段，反映出良好的市場化程度對新產品的銷售轉化作用更大。

3.2 描述性統計和斂散性分析

基于隨機前沿模型的測量結果，本文對規模以上工業企業歷年的科技創新效率均值、標準差和變異系數進行描述性統計，以便更進一步了解其科技創新效率的變化特征。計算結果如表2所示，表中所示變異系數為科技創新效率的標準差與平均值的比值。

表2 規模以上工業企業兩階段創新效率的描述性統計

從平均值來看，工業企業的創新研發效率和創新轉化效率在2008—2017年的十年間呈整體上升的變化趨勢，研發階段效率的變化更為明顯，而創新轉化效率上升趨勢變化較小。研發階段效率在2012—2017年上升幅度極為明顯，轉化階段效率僅在2009—2010年和2012—2013年有大幅提高，其他年份相對較為平穩。其中，創新轉化效率在2008—2009年有急劇下降情況，這可能是受到當時經濟環境影響，美國次貸危機導致的全球經濟衰退，對工業企業的新產品銷售造成了影響，而這一情況對企業的專利研發則影響較小。從標準差來看，研發階段效率的標準差下降趨勢明顯，而創新轉化階段效率的標準差變化為上下波動趨勢，說明工業企業的科技創新研發階段效率分布情況變化較大且呈逐漸集中趨勢，而科技創新轉化效率分布的變化相對較小。結合變異系數來看，創新研發階段呈明顯下降趨勢，創新轉化階段也有一定下降但趨勢相對較弱，兩階段效率的變異系數整體上均呈下降趨勢，說明各省份工業企業的科技創新效率存在σ收斂，即各省份工業企業的科技創新效率差距有縮小趨勢。

通過表2可以得到工業企業的科技創新效率存在σ收斂的結果，說明各個省份間科技創新效率的離差隨著時間的推移而呈減小趨勢。但σ收斂僅是對創新效率存量水平的描述，而各省份的增量水平呈現何種情況，以及地區間是否存在統計學意義上的收斂和趨同則需要進一步的討論和驗證。β收斂是檢驗收斂性的另一種方法，它可以通過回歸模型考察初始年落后地區是否能夠由更高增長率以追趕發達地區、實現收斂狀態。本文使用絕對β收斂計量模型檢驗工業企業的科技創新效率的收斂性，具體回歸方程如下：

ΔlnTEit=β0+β1lnTEi0+λit

(6)

式中，ΔlnTEit表示規模以上工業企業科技創新效率的年均增長率，TEi0表示對應樣本基期的效率值，λ表示隨機干擾項。若估計值β1為負且存在統計學意義上的顯著，則說明在不同地區間科技創新效率的平均增長率在0～t時段與基期的創新效率呈現負相關，即落后地區的科技創新效率增長比發達地區要快，因此存在β收斂，具體檢驗結果見表3。

表3 工業企業創新效率的絕對β收斂檢驗結果

由表3可知，在工業企業的兩個創新階段中，變量lnTEi0的系數均為負數且通過了顯著性檢驗，說明工業企業的科技創新效率均服從絕對β分布，即在科技創新效率較低的地區，工業企業具有較高的創新效率增長率，而在科技創新效率較高的地區，其增長率則較低。所以，各地區工業企業的科技創新研發效率和轉化效率的差距隨著時間的推移在逐步縮小。

由圖1和圖2可知，從整體來看，東部地區的科技創新效率較中、西部地區存在一定的差距，而中、西部地區之間的差距則并不明顯。其中，對于工業企業的創新研發效率，中、西部地區與東部地區之間的差距在逐步縮小，反映了工業企業的創新研發效率有收斂性現象。而反觀創新轉化效率，其地區間的差距收斂并不明顯，結合表3中β收斂的顯著性可知，雖然各省工業企業的轉化效率差距在逐漸縮小，但差距的縮小主要來自東、中、西部各地區內部差距的收斂，而并不是來自各地區間差距的變化，即在各地區內部，工業企業的創新轉化效率形成了 “俱樂部收斂”。

圖1 東、中、西部地區工業企業創新研發效率

圖2 東、中、西部地區工業企業創新轉化效率

3.3 RIF分位數回歸

通過以上分析，我們發現中國工業企業的兩階段科技創新效率均具有一定收斂性，各省份間的科技創新效率差距在逐步減小。那么，在不同的效率水平下，金融發展對各省份科技創新效率會有怎樣的影響？對各省份科技創新效率的收斂性又會產生怎樣的影響？本文采用RIF回歸方法進行檢驗，所設定的RIF回歸方程如下：

(7)

常用的RIF統計量包括方差、基尼系數、分位數等，采用不同的估計量能夠得到更加細致和精確的估計結果。本文選擇分位數作為統計量進行估計，分別在0.1、0.3、0.5、0.7和0.9幾個分位點進行分析，即分別表示對科技創新效率為較低、中低、中等、中高和較高地區的回歸分析，結果見表4和表5。y在公式 (7)中特指該地區工業企業科技創新效率 (TE)，z表示影響科技創新效率的變量，具體變量與前文相同，分別為金融效率 (fine)、股票市場規模 (fins)、銀行信貸規模 (finb)和市場化指數 (m)。

由表4可知，對于規模以上工業企業的科技創新研發效率而言，隨著分位點的提高，金融效率變量 (fine)的估計系數呈現先上升后下降的變化趨勢。首先從0.1分位點的0.239提高到0.5分位點的0.846，然后從0.5分位點的0.846下降到0.9分位點的0.168，并且在各個分位點的估計系數均通過了5%水平下的顯著性檢驗。這說明金融效率改善會拉大科技創新研發效率較低的地區與位于中等地區的差距，能夠縮小科技創新研發效率處于中等的地區與較高地區之間的差距。

隨著分位點的提高，股票市場規模變量fins的估計系數為上升的變化趨勢，其中在0.1～0.5分位點的估計系數均為負且在10%的水平下顯著，且在0.1～0.5分位點的估計系數的變化較為平穩，位于-0.025附近。之后上升到0.7分位點的0.001，雖然沒有通過顯著性檢驗，但是當分位點為0.9時，股票市場規模變量fins的估計系數上升到大約0.094且在1%的水平下顯著。這說明在科技創新研發效率水平較低的地區，股票市場規模擴張對創新研發效率的影響為負，且對地區內部創新研發效率的差距沒有顯著性影響，但是會拉大創新研發效率在低效率水平與高效率水平地區之間的差距。可能的原因是，在創新研發效率較低的地區，工業企業的經營重心在于生產而非創新，創新對某些傳統工業行業帶來的業績和利潤提升并不足以讓其經營重心產生轉移，在企業創新研發意愿不強的情況下，即使股票市場能夠帶來一定的資金和市值提高，也無法對其創新研發效率產生顯著影響，甚至可能因為在低效率的情況下仍然通過其他方式獲得股票市值的增長，更加劇了企業對于科技創新研發的輕視，導致負效應的存在。

表4 工業企業科技創新研發效率RIF分位數回歸結果

表5 工業企業科技創新轉化效率RIF分位數回歸結果

對于銀行信貸規模，變量finb的系數呈現逐漸上升的整體趨勢，從0.1分位點的0.012上升到0.7分位點的0.082，在0.7～0.9分位點階段有一定下降，但0.9分位點的0.049仍大于中低和較低分位點的地區，除了0.1分位點外，其他分位點均在1%水平下顯著。這說明隨著信貸規模的擴大，科技創新研發效率較低、中低、中等和中高地區之間的差距會逐步拉大，而中高與高效率地區的差距會逐步縮小。這意味著，信貸規模對各省份工業企業的科技創新研發效率均有積極的提升作用，且對創新研發效率本身為中高、較高的地區作用更明顯。

市場化程度變量market的估計系數在各分位點均為正且均服從1%水平下顯著，從0.1分位點的0.021上升到0.7分位點的0.082，之后在0.9分位點回落為0.027。這說明市場化程度的提高會拉大創新研發效率較低、中低地區與位于中等地區和中高地區的差距，也能夠縮小中等和中高地區與效率較高地區的差距。可以看出，市場化程度的提高對科技創新研發效率處于中等、中高位置的地區作用更大。

由表5可知，金融效率變量fine對工業企業轉化效率的影響在各分位點并不一致且均不顯著，股票市值規模fins變量的估計系數在各分位點均為負數且僅在0.7分位點服從1%水平下顯著，這一結果與SFA模型的回歸結果相符，即在創新轉化階段，金融效率對工業企業科技創新轉化效率并無顯著影響，股票市場規模對工業企業科技創新轉化效率有一定的負向影響，但對效率差距有一定的收斂作用。

銀行信貸規模變量finb的估計系數從0.1分位點的0.007逐步上升到0.9分位點的0.068，除了0.1分位點外，其他分位點均在1%水平下顯著。這說明金融信貸的規模擴大可以提高各地區的科技創新轉化效率，但會拉大轉化效率較低、中低和中等地區與中高、較高地區的差距，而中低、中等地區和中高、較高地區內部的創新轉化效率差距變化則相對較小。

市場化程度變量market的估計系數整體上呈先上升后下降趨勢，從0.1分位點的0.052上升到0.7分位點的0.153，然后下降到0.9分位點的0.077，各分位點系數均在1%水平下顯著。這一結果與該變量對科技創新研發效率在各分位點的影響趨勢基本相同，說明對于工業企業而言，無論是科技創新的研發階段還是轉化階段，市場化程度的提高都對效率處于中等、中高位置的地區帶來更大的積極影響。

4 結論與政策含義

本文采用2008—2017年規模以上工業企業的省級面板數據，構建隨機前沿模型測量科技創新研發階段和轉化階段的效率，并基于測量結果分析金融發展對企業科技創新效率的影響，使用σ收斂和β收斂兩種檢驗方法探討兩階段科技創新效率的區域收斂性問題，通過RIF分位數回歸方法進一步分析金融發展對不同地區科技創新效率及其收斂性產生的影響，得到結論如下：

第一，整體上看，金融發展從金融效率和金融規模兩個方面對提高企業科技創新研發效率和科技創新轉化效率均有顯著的積極作用，但其中股票市場規模的擴大對科技創新轉化效率呈現出一定的抑制作用。第二，收斂性檢驗的結果說明工業企業在各地區間的科技創新效率差距有逐步縮小趨勢，其中創新轉化效率差距的收斂形成主要原因是東、中、西部地區內部之間差距的縮小，而創新研發效率的收斂原因可能一方面來自東、中、西部地區內部差距的縮小，另一方面來自三個地區之間差距的縮小。第三，在各省份科技創新效率趨于收斂的過程中，金融效率、金融規模的提高和擴大有利于工業企業科技創新效率的收斂，但是，股市規模和信貸規模的擴大也會對創新效率較低地區的效率追趕產生一定的抑制作用。

本文對研究結果的政策含義討論如下：

第一，在對待科技創新的問題上，應重視金融發展的重要作用，金融發展可以成為創新的助力，各級政府可 “因地施策”，如在科技創新效率較低的地區，應考慮以擴大銀行信貸規模為主，提高金融效率次之，同時謹慎擴大股票市場規模，切莫將整個地區的金融資源過度集中于某家或某幾家上市公司；而在科技創新效率較高的地區，則應推動和激勵金融資本市場的發展，優先發展股票市場規模，同時兼顧銀行信貸規模和金融效率的均衡發展。第二，合理利用金融發展對科技創新的積極作用，在推動金融發展的同時，政府和商業銀行也應相互配合，對金融資源進行配置和調控，將現有金融資源在傳統工業企業與高技術企業間進行調節，在政策激勵和貸款傾斜的雙重引導下支持企業進行轉型升級。第三，各地區應強化人才戰略，建立良好的人才制度環境。第四，在地區創新效率的均衡發展問題上，各地區應加強區域間交流合作；同時地方政府也應順應時代發展潮流，找準本地區特點，探尋適宜自身產業和人口結構的科技創新發展道路。