吉林省地方財(cái)政科技投入影響因素分析

單藝 王桂華

DOI：10.16660/j.cnki.1674-098X.2106-5640-3119

摘? 要：地方財(cái)政科技投入是提升科技創(chuàng)新能力的關(guān)鍵要素，本文首先分析吉林省近年來(lái)地方財(cái)政科技投入的發(fā)展情況，再分析地方財(cái)政科技投入與哪些因素相關(guān)，并對(duì)吉林省地方財(cái)政科技投入與相關(guān)因素建立基于Adaptive-LASSO回歸分析模型，通過(guò)回歸分析結(jié)果分析相關(guān)因素具體如何影響地方財(cái)政科技投入，最終從加大地方財(cái)政科技投入、優(yōu)化資源配置和建立績(jī)效考核機(jī)制等方面提出相關(guān)建議。

關(guān)鍵詞：地方財(cái)政? 科技投入? 相關(guān)性? Adaptive-LASSO

中圖分類(lèi)號(hào)：F812.7;G322? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A? ? ? ? ? ? ? ? ? 文章編號(hào)：1674-098X（2021）06（b）-0183-06

Analysis on influencing factors of science and technology investment of local finance in jilin province

SHAN Yi? WANG Guihua

（Jilin Institute of Science and Technology Information，Monitoring Center for Science and Technology Statistics and Analysis， Changchun， Jilin Province， 130000? China）

Abstract： Local financial science and technology investment is the key factor to improve the ability of scientific and technological innovation. This paper first analyzes the development of local financial science and technology investment in Jilin Province in recent years， then analyzes the factors related to local financial science and technology investment， and establishes an adaptive lasso regression analysis model for local financial science and technology investment and related factors in Jilin Province， Through the results of regression analysis， this paper analyzes how relevant factors affect local financial science and technology investment， and finally puts forward relevant suggestions from the aspects of increasing local financial science and technology investment， optimizing resource allocation and establishing performance appraisal mechanism.

Key Words： Local finance; Investment in science and technology; Correlation; Adaptive-LASSO

1? 吉林省區(qū)域地方財(cái)政科技投入現(xiàn)狀分析

1.1 吉林省地方財(cái)政科技投入概況分析

2015—2019年來(lái)，地方財(cái)政科技投入總體發(fā)展趨勢(shì)不容樂(lè)觀且不穩(wěn)定。自2018年開(kāi)始，增速為負(fù)增長(zhǎng)且不斷下滑。由圖1可以看出，2019年吉林省地方財(cái)政科技投入為39.18億元，同比上年減少4.67%，全國(guó)地方財(cái)政科技投入共為5960.78億元，吉林省在全國(guó)排名第25名。而2015—2019年地方財(cái)政科技投入增幅總體波動(dòng)性較大，2017年最大增長(zhǎng)率為14.22%，而2018年出現(xiàn)“斷崖式”下跌，較上年降低12.25個(gè)百分點(diǎn)，且5年平均增長(zhǎng)率為-1.09%，這對(duì)于吉林省科技創(chuàng)新發(fā)展都有較大的影響。

地方財(cái)政科技投入強(qiáng)度是指地財(cái)政科技投入占地方財(cái)政支出的比例，該指標(biāo)主要反映地區(qū)科技投入方面努力的程度。由圖2可以看出2015—2019年地方財(cái)政科技的投入與強(qiáng)度，這5年吉林省地方財(cái)政科技投入強(qiáng)度一直在1%左右，且呈現(xiàn)下降趨勢(shì)，由2015年的1.29%到2019年的1%。

按地域分布如圖3可知，中部地區(qū)地方財(cái)政科技投入為13.28億元，占地方財(cái)政科技投入的65%，為各地區(qū)科技投入最多的地區(qū)，西部地區(qū)地方財(cái)政科技投入僅為1.59億元，僅占地方財(cái)政科技投入的8%，僅為中部地區(qū)的1/10，地方財(cái)政科技投入在地區(qū)間發(fā)展極為不平衡。

按支出類(lèi)型劃分（如圖4），2019年吉林省在基礎(chǔ)研發(fā)方面投入較少，基礎(chǔ)研究、應(yīng)用研究和技術(shù)研究與開(kāi)發(fā)支出共為12.62億元，占地方財(cái)政科技投入總額的32.2%，僅為總額的1/3。其中，基礎(chǔ)研究、應(yīng)用研究和技術(shù)研究與開(kāi)發(fā)分別占地方財(cái)政科技投入總額的1.5%，8%和22.7%。其他科學(xué)技術(shù)支出達(dá)14.18億元，而全省技術(shù)研究與開(kāi)發(fā)支出為8.89億元，表明地方財(cái)政科技投入經(jīng)費(fèi)主要用于吉林省專項(xiàng)技術(shù)開(kāi)發(fā)研究。值得關(guān)注的是，吉林省基礎(chǔ)研究支出僅為0.6億元，在專項(xiàng)基礎(chǔ)科研方面的支出較為薄弱，因此在基礎(chǔ)創(chuàng)新研究能力方面還有較大提升空間。

財(cái)政科技支出中的基礎(chǔ)研究和應(yīng)用研究科目主要是用于研究基本原理或獲取新知識(shí)方面的支出，是科技活動(dòng)中的初始性研究，也是整個(gè)社會(huì)科技創(chuàng)新的基礎(chǔ)和源泉。由圖5可知，2015—2019年，吉林省基礎(chǔ)研究與應(yīng)用研究支出都處于較少的情況，且占地方財(cái)政科技投入的比例也較低，尤其在2017年地方財(cái)政科技投入高達(dá)46.84億元，但是基礎(chǔ)研究和應(yīng)用研究比例卻最低，僅為7.81%。由此可見(jiàn)，吉林省科技支出在基礎(chǔ)和應(yīng)用研究的支持力度還有待提高。

1.2 吉林省9市（州）地方財(cái)政科技投入現(xiàn)狀分析

由圖6的2019年各地市（州）地方財(cái)政科技投入可以看出，2019年吉林省9個(gè)地市（州）地方財(cái)政科技投入共為20.24億元，同比去年降低9.03個(gè)百分點(diǎn)。9個(gè)地市（州）大部分都比去年有所下降，松原市地方財(cái)政科技投入增幅超過(guò)200%，主要來(lái)源于經(jīng)開(kāi)區(qū)扶持企業(yè)項(xiàng)目建設(shè)工作。吉林省9個(gè)地市（州）地方財(cái)政科技投入發(fā)展不均衡，差異較為明顯，地方財(cái)政科技投入最多的為長(zhǎng)春市，為11.29億元，與投入最少的遼源市相差近50倍，這與省會(huì)城市推動(dòng)地區(qū)科技發(fā)展有密切關(guān)系。

2019年吉林省9個(gè)地市（州）地方財(cái)政科技投入強(qiáng)度如圖7所示，除了通化市強(qiáng)度為1%，其他各市均低于1%。值得注意的是，白城市地處吉林省西部地區(qū)，其地方財(cái)政科技投入雖在全省排名較后位置，但較去年地方財(cái)政科技投入有較大提高，并且地方財(cái)政科技投入強(qiáng)度也接近1%，說(shuō)明地方政府在科技方面加大了投入力度。長(zhǎng)春市雖然地方財(cái)政科技投入在全省排名第一，但是其科技投入強(qiáng)度低于1%，排名第三，作為省會(huì)城市，科技資源方面在全省應(yīng)較為突出，當(dāng)?shù)卣畱?yīng)考慮加大科技投入的力度。

1.3 吉林省各縣（區(qū)）地方財(cái)政科技投入現(xiàn)狀分析

2019年，吉林省地方財(cái)政納入統(tǒng)計(jì)的共有69個(gè)區(qū)（縣），地方財(cái)政科技投入共為14.96億元，較上年增長(zhǎng)39%。地方財(cái)政科技投入強(qiáng)度僅為0.58%，基本與上年持平。如圖8所示，吉林省有39個(gè)區(qū)（縣）地方財(cái)政科技投入在500萬(wàn)元以下，占全省總數(shù)近1/2。僅有5個(gè)區(qū)（縣）地方財(cái)政科技投入超過(guò)5000萬(wàn)元。其中，長(zhǎng)春經(jīng)濟(jì)技術(shù)開(kāi)發(fā)區(qū)、長(zhǎng)春高新技術(shù)開(kāi)發(fā)區(qū)、長(zhǎng)春汽車(chē)經(jīng)濟(jì)技術(shù)開(kāi)發(fā)區(qū)、梅河口市和延吉市地方財(cái)政科技投入均超過(guò)億元。

值得關(guān)注的是，長(zhǎng)春二道區(qū)、長(zhǎng)春經(jīng)濟(jì)技術(shù)開(kāi)發(fā)區(qū)和吉林經(jīng)濟(jì)開(kāi)發(fā)區(qū)地方財(cái)政科技投入強(qiáng)度均超過(guò)10%，分別為24.48%、10.09%和11.73%，其中主要包括長(zhǎng)春經(jīng)濟(jì)技術(shù)開(kāi)發(fā)區(qū)信息產(chǎn)業(yè)園及相機(jī)產(chǎn)業(yè)園注冊(cè)資本的增加，使得該區(qū)地方財(cái)政科技投入強(qiáng)度加大。而其他絕大部分縣區(qū)地方財(cái)政科技投入均低于1%，這也是導(dǎo)致吉林省各區(qū)（縣）地方財(cái)政科技投入強(qiáng)度低于1%的主要原因，因此應(yīng)該引起當(dāng)?shù)刎?cái)政和科技部門(mén)的重視。

2? 地方財(cái)政科技投入影響因素實(shí)證分析

2.1 變量選擇

本文以《吉林科技統(tǒng)計(jì)年鑒2020》和《吉林統(tǒng)計(jì)年鑒2020》數(shù)據(jù)為例，選取2010—2019年地方財(cái)政科技投入、國(guó)內(nèi)專利授權(quán)量、教育支出、第二產(chǎn)業(yè)增加值和R&D經(jīng)費(fèi)支出作為變量。

2.2 相關(guān)性分析

應(yīng)用皮爾森相關(guān)系數(shù)求解地方財(cái)政科技投入、國(guó)內(nèi)專利授權(quán)量、教育支出、第二產(chǎn)業(yè)增加值和R&D經(jīng)費(fèi)支出5個(gè)指標(biāo)的相關(guān)系數(shù)，如表1可以看出，地方財(cái)政科技投入與國(guó)內(nèi)專利授權(quán)量、教育支出、第二產(chǎn)業(yè)增加值和R&D經(jīng)費(fèi)的皮爾森相關(guān)系數(shù)分別為0.722、0.864、0.930和0.842，都呈現(xiàn)較強(qiáng)的相關(guān)性。

2.3 實(shí)證分析

2.3.1 Adaptive-LASSO方法變量選擇

基于以上的研究分析，提出一種基于吉林省地方財(cái)政科技投入的量化式優(yōu)化方法。通過(guò)應(yīng)用SPSS及R軟件，應(yīng)用基于Adaptive-LASSO[1]進(jìn)行變量選擇，得到吉林省地方財(cái)政科技投入的回歸方程，進(jìn)一步來(lái)探究影響地方財(cái)政科技投入的相關(guān)因素。

如今，我國(guó)已有很多學(xué)者探究出對(duì)地方財(cái)政科技投入產(chǎn)生影響的因素，普遍應(yīng)用了最小二乘法來(lái)解決參數(shù)估計(jì)問(wèn)題，將影響地方財(cái)政科技投入的諸多因素與其建立多元回歸模型。但是應(yīng)用此方法，往往對(duì)數(shù)據(jù)本身有依賴，可能會(huì)陷入局部最優(yōu)解，由此會(huì)對(duì)相關(guān)結(jié)果產(chǎn)生一些偏差[2]。

多年來(lái)，隨著統(tǒng)計(jì)的技術(shù)與方法不斷更新迭代，對(duì)數(shù)據(jù)運(yùn)用相關(guān)新的方法可以在原有的基礎(chǔ)上得到更加準(zhǔn)確的結(jié)果。本章運(yùn)用基于Adaptive-LASSO[3-4]變量選擇方法來(lái)研究地方財(cái)政科技投入的影響因素。

在以往的研究中，大多應(yīng)用逐步回歸法來(lái)選擇剔除不相關(guān)變量，最后應(yīng)用最小二乘法來(lái)對(duì)變量的參數(shù)進(jìn)行估計(jì)。然而，兩者的局限性在于得到的結(jié)果并不是全局最優(yōu)。如果預(yù)測(cè)變量過(guò)多，在子集的選擇上有著不可操作性。本文選用Adaptive-LASSO方法來(lái)探究地方財(cái)政科技投入與各因素之間的關(guān)系，然后得到篩選出的變量建立回歸方程。

LASSO[5]參數(shù)估計(jì)被定義如下：

（1）

LASSO方法雖然可以解決最小二乘法和逐步回歸存在的局部最優(yōu)解的不足之處，但也有其弊端。為此，Zou[6]提出了一種改進(jìn)的LASSO方法，稱為Adaptive-LASSO方法，定義如下[7]：

（2）

其中，權(quán)重，（γ>0），j=1，2，...，p。

2.3.2 模型檢驗(yàn)

利用R軟件，應(yīng)用Adaptive-LASSO方法進(jìn)行變量選擇[8]，結(jié)果如表2所示。由結(jié)果可以看出，國(guó)內(nèi)專利授權(quán)量、教育支出和R&D經(jīng)費(fèi)系數(shù)為0，因此剔除了國(guó)內(nèi)專利授權(quán)量、教育支出和R&D經(jīng)費(fèi)3個(gè)變量。下一步進(jìn)行模型檢驗(yàn)。

應(yīng)用SPSS軟件對(duì)變量選擇結(jié)果進(jìn)行檢驗(yàn)，如表3和表4所示。

VIF為方差膨脹系數(shù)，若方差膨脹系數(shù)越大，一般規(guī)定超過(guò)10，則說(shuō)明自變量間存在嚴(yán)重的多重共線性。由表3可知，第二產(chǎn)業(yè)增加值VIF值為1，說(shuō)明已消除多重共線性[9]。

R2為擬合優(yōu)度，若R2越接近于1，則擬合效果越好。由表5可得，R2為0.864，所以模型整體擬合效果較好。

根據(jù)方差分析，F(xiàn)值也通過(guò)檢驗(yàn)。由表6可知，檢驗(yàn)殘差的正態(tài)性，結(jié)果較好。

根據(jù)上節(jié)變量選擇及模型結(jié)果，最后得到吉林省地方財(cái)政科技投入回歸方程為地方財(cái)政科技投入=0.017×第二產(chǎn)業(yè)增加值?24.658。說(shuō)明第二產(chǎn)業(yè)增加值增長(zhǎng)1個(gè)百分點(diǎn)，拉動(dòng)地方財(cái)政科技投入提高0.017%。

3? 對(duì)策及建議

3.1 加大地方財(cái)政科技投入，努力實(shí)現(xiàn)地區(qū)均衡發(fā)展

地方政府科技投入在整個(gè)科技發(fā)展中起到重要作用，根據(jù)各地區(qū)產(chǎn)業(yè)發(fā)展優(yōu)勢(shì)，劃分各地區(qū)功能類(lèi)別，著重在重點(diǎn)產(chǎn)業(yè)制定相關(guān)策略，以此來(lái)提高各地區(qū)的科技投入力度，最終將促進(jìn)地方經(jīng)濟(jì)發(fā)展。

3.2 基礎(chǔ)研究領(lǐng)域較為薄弱，影響全省科技創(chuàng)新能力

發(fā)揮好地方政府為主導(dǎo)，中央政府為引導(dǎo)的作用，優(yōu)化科技資源配置，要將有限的優(yōu)化資源配置到高效率地區(qū)，且整合高校和企業(yè)的優(yōu)勢(shì)資源，在基礎(chǔ)研究領(lǐng)域要充分開(kāi)展科技研發(fā)，在應(yīng)用研究領(lǐng)域要不斷強(qiáng)化市場(chǎng)的基礎(chǔ)性作用，從而提升吉林省在科技研發(fā)方面的能力。

3.3 優(yōu)化資源配置比例，建立績(jī)效評(píng)價(jià)體系

從地市層面上看，要考慮絕對(duì)資源按照適量比例增加以及地區(qū)資源配套協(xié)同發(fā)展，同時(shí)地方政府還應(yīng)建立完善的科技投入績(jī)效評(píng)價(jià)指標(biāo)體系，考核各地區(qū)地方財(cái)政科技投入，從而進(jìn)一步提高科技投入水平，最終提升地區(qū)科技創(chuàng)新發(fā)展水平。

4? 結(jié)語(yǔ)

加大地方財(cái)政科技投入對(duì)于提升吉林省科技創(chuàng)新能力起著關(guān)鍵的作用，國(guó)內(nèi)專利授權(quán)量、教育支出、第二產(chǎn)業(yè)增加值和R&D經(jīng)費(fèi)對(duì)于地方財(cái)政科技投入的變化影響都較大，從而應(yīng)用基于Adaptive-LASSO的變量選擇的回歸分析方法探索出影響地方財(cái)政科技投入的變量為第二產(chǎn)業(yè)增加值，因此為政府如何加大地方財(cái)政科技投入做出相關(guān)建議，以促進(jìn)吉林省區(qū)域科技創(chuàng)新能力協(xié)同發(fā)展。

參考文獻(xiàn)

[1] 張良均，云偉標(biāo)，王路，等.R語(yǔ)言數(shù)據(jù)分析與挖掘?qū)崙?zhàn)[M].北京：機(jī)械工業(yè)出版社，2015.

[2] 陳庚.中國(guó)上市公司基本面與股票價(jià)格相關(guān)性分析[D].廣東：暨南大學(xué)，2016.

[3] 董小剛，刁雅靜，李慧玲，等.嶺回歸、LASSO回歸和Adaptive-LASSO回歸下的財(cái)政收入因素分析[J].吉林師范大學(xué)學(xué)報(bào)：自然科學(xué)版，2018（2）：50-58.

[4] 王爽.Lasso及改進(jìn)的Lasso方法在幾類(lèi)模型變量選擇中的應(yīng)用[D].南寧：廣西師范學(xué)院，2018.

[5] Tibshirani R.Regression shrinkage and selection via the lasso[J].Royal Statistical Society Series B Statistical Methodology，1996，58（1）：267-288.

[6] Hui Zou.The Adaptive Lasso and Its Oracle Properties[J].American Statistical Association，2006，101（476）：1418-1429.

[7] 黃娟，卿定文，周碧芳.中部六省FDI影響因素適應(yīng)性Lasso模型探析[J].財(cái)務(wù)與金融，2020（5）：14-21.

[8] 馬娟，陳蘭蘭.我國(guó)新一線城市房?jī)r(jià)走勢(shì)特征及影響因素分析[J].區(qū)域金融研究，2019（6）：74-79.

[9] 邵兵家，何煒潯，蔣飛.網(wǎng)絡(luò)零售商退貨政策對(duì)消費(fèi)者購(gòu)買(mǎi)意愿的影響[J].重慶大學(xué)學(xué)報(bào)：社會(huì)科學(xué)版，2017，23（2）：51-59.