中國新一代高新技術產業金融支持水平與效率評價研究
——來自上市公司的證據

曹 程，張 目

（1.貴州財經大學大數據應用與經濟學院；2.貴州財經大學貴州科技創新創業投資研究院，貴州貴陽 550025）

近年來，以智能技術和量子技術為特征的新一代高新技術迅猛發展，已成為事關國家安全和社會經濟高質量發展的戰略性領域。2017 年7 月8 日，為搶抓人工智能發展的重大戰略機遇，構筑我國人工智能發展的先發優勢，國務院印發并實施了《新一代人工智能發展規劃》（國發〔2017〕35 號）。2017 年12 月15 日，為加快人工智能產業發展，推動人工智能和實體經濟深度融合，工業和信息化部印發了《促進新一代人工智能產業發展三年行動計劃（2018—2020 年）》（工信部科〔2017〕315 號）。2020 年10 月16 日，習近平總書記在主持中共中央政治局第二十四次集體學習時強調，量子科技成為新一輪科技革命和產業變革的前沿領域，加快發展量子科技，對促進高質量發展、保障國家安全具有非常重要的作用。2020 年10 月21 日，科技部提出要大力發展以智能技術和量子技術為特征的新一代高新技術，打造我國高新技術先發優勢，加快培育新一代高新技術產業，進一步壯大發展新動能。

加快培育和發展新一代高新技術產業，金融支持不可或缺。在金融資源有限的條件下，不僅要形成一個健全完善的新一代高新技術產業金融支持體系，更要注重金融支持的效率。一方面，要積極引導金融機構面向新一代高新技術企業開展服務創新，拓寬直接融資和間接融資渠道，切實提高新一代高新技術產業金融支持水平；另一方面，要積極引導新一代高新技術企業創新管理、提質增效，全面提升經營管理水平，加快技術進步，有效提高新一代高新技術產業金融支持效率。因此，厘清當前新一代高新技術產業金融支持水平和效率狀況，補短板、鍛長板，對加大對新一代高新技術產業的金融支持力度具有重要的現實意義。

目前，國內外對新一代高新技術產業金融支持水平和效率評價的研究成果較為少見。國外相關研究主要側重于分析融資約束和公共研發補貼對企業R&D 活動的影響［1-4］。國內相關研究主要集中于分析金融支持對高新技術產業的R&D 支出［5］、全要素生產率［6］、出口復雜度和產業發展的影響［7-11］，烏蘭等［12］、姜妍［13］對高新技術產業和人工智能產業的金融支持效率問題進行了初步的探討。有鑒于此，本文從金融資源被投入主體（企業）的角度出發，選取237 家量子通信和人工智能概念板塊上市公司作為研究樣本，從省際層面對現階段新一代高新技術產業金融支持水平和效率進行評價和分析。具體結構安排如下：第2 部分介紹研究方法；第3 部分是指標選取、樣本數據、新一代高新技術產業金融支持水平和效率的靜態分析與動態比較；第4 部分是結論與政策建議。

1 研究方法

1.1 熵權-線性加權和法

熵權法是一種根據指標所提供的信息量確定指標權重的客觀賦權法，不需要對數據的分布形態進行任何假定，計算相對簡單［14］。為此，本文采用熵權法確定指標權重，并運用線性加權和法計算新一代高新技術產業金融支持水平得分。設有n個省份m個指標（本文均為效益型指標）構成原始指標數據矩陣熵權-線性加權和法計算步驟如下：

1.2 DEA-BCC 模型

設有n個決策單元（即n個省份）；為第i個決策單元的權重；分別為第i個省份新一代高新技術產業金融支持投入和產出要素向量，m和s分別為投入和產出指標的數量；和 分別為元素為1 的m維向量和s維向量；為非阿基米德無窮小；分別為投入和產出指標的松弛變量。假設規模報酬不變（CRS），則有CCR 模型［15］：

其中θ（）為決策單元的綜合技術效 率（TE）。當且θ=1時，表明決策單元DEA有效；當不全為0，且=1時，表明決策單元DEA 弱有效；當θ＜1 時，表明決策單元DEA 無效。假設規模報酬可變（VRS），在式（5）的約束條件中加入凸性假設則CCR 模型轉化為BCC 模型［16］：

1.3 DEA-Malmquist 指數模型

DEA-BCC 模型只能對同一時期不同決策單元的效率值進行靜態比較，無法測度不同時期效率值的動態變化。為此，本文采用DEA-Malmquist 指數模型對各省份新一代高新技術產業金融支持效率進行動態比較。F?re 等［17-18］在規模報酬不變（CRS）假設下，將Malmquist 指數（即全要素生產率變動，TFPCH）分解為技術效率變動（EFFCH）和技術進步變動（TECHCH）［19-20］；又在規模報酬可變（VRS）假設下，將技術效率變動進一步分解為純技術效率變動（PECH）和規模效率變動（SECH）。設表示第t期的投入與產出，表示第t+1 期的投入與產出，分別為以t時期和t+1 時期技術為參照的產出距離函數。則Malmquist 指數可表示為：

其中，

當TFPCH＞1 時，表示全要素生產率上升；當TFPCH＜1 時，表示全要素生產率下降；而當TFPCH=1 時,則表示全要素生產率不變。EFFCH、PECH、SECH 和TECHCH 以此類推。

2 實證分析

2.1 指標選取

由于缺少新一代高新技術產業統計數據，因此，本文根據科技部發布的《國家高新技術產業開發區“十三五”發展規劃》（國科發高〔2017〕90 號）和國務院印發的《關于促進國家高新技術產業開發區高質量發展的若干意見》（國發〔2020〕7 號），參考國內外相關研究成果，遵循客觀性、系統性和可獲取性等指標選取原則，從金融資源被投入主體（企業）的角度出發，選取銀行貸款、股票融資、債券融資、政府補助、風險投資作為投入指標的細分指標（注：由于目前的企業財產險投保額較低，本文暫不考慮保險）；選取企業凈利潤和納稅金額作為產出指標的細分指標。以投入指標來測度新一代高新技術產業金融支持水平；以投入產出指標來測度新一代高新技術產業金融支持效率。新一代高新技術產業金融支持水平和效率相關指標見表1。

表1 新一代高新技術產業金融支持水平和效率相關指標

2.2 樣本數據

本文從東方財富網（https://www.eastmoney.com/）選取量子通信概念板塊的50 家上市公司和人工智能概念板塊的187 家上市公司作為研究樣本，樣本數共計237 個，分布于22 個省、自治區和直轄市（本文簡稱為省份）。樣本區間設定為2015—2019 年。原始數據來源于237 家上市公司各年年報。新一代高新技術產業金融支持水平和效率相關指標的描述性統計見表2。

表2 新一代高新技術產業金融支持水平和效率相關指標的描述性統計 單位：億元

從表2 可以看出，北京在銀行貸款、股票融資、債券融資、風險投資上位居第一，重慶在政府補助和納稅金額上位居前列，江蘇在凈利潤上名列前茅，各細分指標的最大值均遠高于其中位數和平均值。黑龍江在銀行貸款和風險投資上排名末位，西藏在政府補助和納稅金額上位居末位，江西、甘肅、遼寧分別在股票融資、債券融資和凈利潤上排名最低，各細分指標的最小值均遠低于其中位數和平均值。各細分指標的最大值與最小值的差異、最大值或最小值與中位數及平均值的差異、以及中位數與平均值的差異均較大，說明22 個省份在新一代高新技術產業金融資源投入和產出方面分布極不均衡。由平均值和標準差計算出各細分指標的變異系數，分別為1.50、1.73、2.39、1.32、1.44、1.69 和1.57，說明22 個省份在債券融資方面差異最大，在政府補助方面差異最小。此外，從各細分指標的平均值可以看出，在新一代高新技術產業金融資源投入方面，股票融資占主導地位，其次為銀行貸款，政府補助最少；在產出方面，凈利潤占主導地位。

2.3 新一代高新技術產業金融支持水平和效率靜態分析

根據2015—2019 年22 個省份的投入指標原始數據，利用熵權法分別計算每一年的細分指標權重，并取5 年平均值作為細分指標的最終權重，計算結果見表1。進一步運用式（4）計算得出2015—2019年中國22 個省份新一代高新技術產業金融支持水平得分，取5 年平均值并對其進行分解，結果見表3。

表3 2015—2019 年省際新一代高新技術產業金融支持水平5 年平均值及其分解

為滿足DEAP Version 2.1 軟件對輸入數據的要求，在進行金融支持效率評價之前，先對原始數據進行標準化處理，計算公式為：

根據標準化處理后的細分指標數據，利用DEAP Version 2.1 軟件，運用DEA-BCC 模型計算得出2015—2019 年中國22 個省份新一代高新技術產業金融支持效率，取5 年平均值并對其進行分解，結果見表4。

表4 2015—2019 年省際新一代高新技術產業金融支持效率5 年平均值及其分解

由表3 可以看出，新一代高新技術產業金融支持水平位列前三的省份是北京、江蘇和廣東，位列后三的省份則為廣西、西藏和黑龍江；全國平均值為0.154 4，僅有31.82%的省份（7個）超過全國平均值，說明就整體而言，新一代高新技術產業金融支持水平仍較低。其中，銀行貸款和股票融資對新一代高新技術產業金融支持水平的整體貢獻相對較小。

由表4 可以看出，新一代高新技術產業金融支持效率位列前三的省份是浙江、重慶和天津，且浙江和重慶接近DEA 有效，位列后三的省份則為四川、安徽和遼寧；全國平均值為0.550 0，只有45.45%的省份（10 個）超過全國平均值，說明就整體而言，新一代高新技術產業金融支持效率仍不高。其中，純技術效率對新一代高新技術產業金融支持效率的整體貢獻相對較小。

根據表3 和表4 中的省份排名，借鑒文獻［21］的做法，按照新一代高新技術產業金融支持水平和效率的協調程度，將22 個省份劃分為高水平-高效率（江蘇、浙江、天津）、高水平-低效率（北京、廣東、湖南、上海）、低水平-高效率（重慶、江西、新疆、河南、廣西、西藏、黑龍江）、低水平-低效率（福建、湖北、遼寧、安徽、四川、山東、甘肅、貴州）四個組。其中，高水平和高效率是指高于全國平均值，低水平和低效率是指低于全國平均值。

對于高水平-高效率組而言，債券融資對江蘇和天津新一代高新技術產業金融支持水平的貢獻較大，浙江主要源于其較高的風險投資。純技術效率對江蘇新一代高新技術產業金融支持效率的貢獻較大，天津主要源于其較高的規模效率，浙江則同時源于較高的純技術效率和規模效率。對于高水平-低效率組而言，債券融資對北京和湖南新一代高新技術產業金融支持水平的貢獻較大，上海主要源于其較高的風險投資，廣東主要源于其較高的風險投資和政府補助。純技術效率較低是導致湖南、上海新一代高新技術產業金融支持效率較低的主要原因，北京和廣東則主要源于較低的規模效率。

在上述兩個組別中，江蘇等6 個東部地區省份由于經濟發展水平較高，其經濟規模較大，產業結構較合理，政策環境良好，區域市場化程度較高，要素自由流動與市場化配置能力較強，因而金融發展水平較高；同時，由于新一代高新技術企業數量較多，相對優質的企業數量也較多，因而更容易獲得債券融資、風險投資等金融支持。中部地區的湖南高度重視科技創新發展，R&D 經費投入位居全國前列，對新一代高新技術產業的金融支持，特別是債券融資處于較高水平。其中，江蘇由于新一代高新技術企業數量較多，且競爭效應明顯，企業加強管理，并提高技術水平，從而純技術效率較高；天津的新一代高新技術產業規模不斷壯大，規模效應日益凸顯，從而規模效率相對較高；浙江的新一代高新技術產業則同時兼具較強的競爭效應和規模效應。此外，與競爭效應相比，北京、廣東的新一代高新技術產業規模效應相對較小，導致規模效率相對不高；與規模效應相比，上海新一代高新技術產業的競爭效應相對較小，導致純技術效率相對不高；湖南的新一代高新技術產業可能因為管理或技術原因，導致純技術效率不高。

對于低水平-高效率組而言，債券融資較低是導致新疆、河南和廣西新一代高新技術產業金融支持水平較低的主要原因，重慶則主要源于其較低的銀行貸款，江西主要源于其較低的政府補助，黑龍江的主要原因在于銀行貸款和債券融資較低，西藏的主要原因在于債券融資、政府補助和風險投資都較低。純技術效率和規模效率對重慶新一代高新技術產業金融支持效率的貢獻均較大，其余低水平-高效率組省份均主要源于較高的純技術效率。對于低水平-低效率組而言，債券融資較低是導致福建、湖北、遼寧、安徽、四川和甘肅新一代高新技術產業金融支持水平較低的主要原因，貴州主要源于其較低風險投資，山東則主要源于其較低的風險投資和債券融資。規模效率較低是導致貴州新一代高新技術產業金融支持效率較低的主要原因，其余低水平-低效率組省份均主要源于較低的純技術效率。

在上述兩個組別中，重慶等11 個中西部地區省份由于經濟發展水平總體不高，導致金融發展水平總體不高；同時，由于新一代高新技術企業數量較少，相對優質的企業數量也較少，因而較難獲得債券融資、風險投資等金融支持。東北地區的黑龍江和遼寧目前正面臨轉變經濟發展方式和結構性改革，因而對新一代高新技術產業的金融支持較為有限。東部地區的福建和山東則可能受地方產業政策影響，對新一代高新技術產業的金融支持也相對有限。其中，重慶是中西部地區唯一的直轄市，目前正在加快建設具有全國影響力的科技創新中心，其新一代高新技術產業的管理與技術水平得以提升，產業發展初具規模，因而純技術效率和規模效率均較高；江西、新疆、河南、廣西、西藏、黑龍江的新一代高新技術產業則可能因為金融資源稀缺，更注重向管理要效益，因而純技術效率較高；而貴州的新一代高新技術產業規模較小，因而規模效率較低；福建、湖北、遼寧、安徽、四川、山東、甘肅的新一代高新技術產業則可能因為競爭不足，導致純技術效率偏低。

觀察低水平-高效率組和低水平-低效率組可以發現，債券融資較低是導致這些省份新一代高新技術產業金融支持水平較低的首要原因，其次是風險投資。另外，觀察高水平-低效率組和低水平-低效率組可以發現，純技術效率較低是導致這些省份新一代高新技術產業金融支持效率較低的首要原因。

2.4 新一代高新技術產業金融支持水平和效率動態比較

為考察新一代高新技術產業金融支持水平的動態變化及其內在原因，根據2015—2019 年中國22個省份新一代高新技術產業金融支持水平得分，計算得出2015—2019 年中國22 個省份新一代高新技術產業金融支持水平年均增長率，并對其進行分解，結果見表5。

表5 2015—2019 年省際新一代高新技術產業金融支持水平年均增長率及其分解

為考察新一代高新技術產業金融支持效率的動態變化及其內在原因，本文利用DEAP Version 2.1 軟件，運用DEA-Malmquist 指數模型計算得出2015—2019 年中國22 個省份新一代高新技術產業金融支持效率的Malmquist 指數（即全要素生產率變動，TFPCH），并對其進行分解，結果見表6。

表6 2015—2019 年省際新一代高新技術產業金融支持效率的Malmquist 指數及其分解

由表5 可以看出，2015—2019 年新疆、天津、廣西等14 個省份新一代高新技術產業金融支持水平的年均增長率為正，占比為63.64%；廣東、浙江、江西等8 個省份的年均增長率為負，占比為36.36%。全國平均值為16.37%，有40.91%的省份（9個）超過全國平均值。整體來看，新一代高新技術產業金融支持水平保持較好增長態勢，其中，銀行貸款和政府補助是水平增長的主要動力，債券融資、風險投資和股票融資是水平增長的主要抑制力。

由表6 可以看出，2015—2019 年湖南、四川、廣東等16 個省份新一代高新技術產業金融支持效率的Malmquist 指數大于1，占比為72.73%；福建、安徽、上海等6 個省份的Malmquist 指數小于1，占比為27.27%。全國平均值為1.024 3，有50%的省份（11個）超過全國平均值。整體來看，新一代高新技術產業金融支持效率保持良好增長態勢，其中，規模效率變動是效率增長的主要動力，技術進步變動是效率增長的主要抑制力。

根據表5 和表6 數據，按照新一代高新技術產業金融支持水平和效率增長的協調程度［21］，將22個省份劃分為水平上升-效率上升（新疆、天津、廣西、江蘇、湖北、甘肅、四川、湖南、貴州、山東、黑龍江）、水平上升-效率下降（福建、安徽、重慶）、水平下降-效率上升（廣東、江西、西藏、河南、遼寧）、水平下降-效率下降（浙江、北京、上海）四個組。

對于水平上升-效率上升組而言，銀行貸款是新疆、湖北、甘肅和四川新一代高新技術產業金融支持水平上升的主要動力，山東和黑龍江的水平上升動力主要源于政府補助，湖南的水平上升動力主要來自風險投資，銀行貸款和政府補助是廣西和貴州水平上升的主要動力，銀行貸款和股票融資是天津水平上升的主要動力，江蘇的水平上升動力則主要源于銀行貸款和債券融資。純技術效率變動是湖南、四川、江蘇和湖北新一代高新技術產業金融支持效率上升的主要動力，新疆、天津、廣西、甘肅、貴州、山東和黑龍江的效率上升動力則主要源于規模效率變動。對于水平上升-效率下降組而言，銀行貸款是重慶新一代高新技術產業金融支持水平上升的主要動力，而風險投資和銀行貸款是福建水平上升的主要動力，安徽的水平上升動力則主要源于政府補助和銀行貸款。技術進步變動是福建、安徽和重慶新一代高新技術產業金融支持效率下降的主要原因。

在上述兩個組別中，新疆等9 個中西部地區省份由于經濟增長較快，金融發展水平不斷提升；同時，地方政府對科技創新發展的重視程度不斷提高，財政科技投入不斷加大；在政府引導下，銀行對科技創新的信貸支持力度也不斷增強，因而這9 個省份對新一代高新技術產業的政府補助或銀行貸款有明顯上升。江蘇等4 個東部地區省份的GDP 繼續保持穩步增長，金融發展水平進一步提高；同時，江蘇、天津的新一代高新技術企業數量和質量進一步上升，銀行貸款、債券融資、股票融資相應上升；福建樹立創新發展理念，逐漸調整產業政策，新一代高新技術企業數量和競爭力逐步上升，風險投資和銀行貸款顯著增長；山東則因為地方政府逐漸重視新一代高新技術產業發展，政府補助逐步增加。東北地區的黑龍江由于地方政府逐漸重視，對新一代高新技術產業的政府補助也明顯增加。其中，江蘇新一代高新技術產業的競爭效應進一步增強，純技術效率增幅較大；湖南、四川和湖北的新一代高新技術產業加強管理，提高技術水平，純技術效率增幅較大；天津新一代高新技術產業的規模效應進一步加大，規模效率增幅較大；新疆、廣西、甘肅、貴州、山東和黑龍江的新一代高新技術產業規模增長較快，規模效率增幅較大；而福建、安徽和重慶的新一代高新技術產業技術創新能力不足，技術進步速度下降。

對于水平下降-效率上升組而言，股票融資和政府補助是廣東新一代高新技術產業金融支持水平下降的主要原因，政府補助和風險投資是江西水平下降的主要原因，西藏的水平下降原因主要是股票融資，河南的水平下降原因則主要是風險投資和股票融資，遼寧的水平下降原因則主要是債券融資。規模效率變動是廣東、江西、西藏和河南新一代高新技術產業金融支持效率上升的主要動力，純技術效率變動是遼寧新一代高新技術產業金融支持效率上升的主要動力。對于水平下降-效率下降組而言，風險投資和股票融資是浙江新一代高新技術產業金融支持水平下降的主要原因，債券融資和銀行貸款是北京水平下降的主要原因，上海的水平下降原因主要是股票融資和債券融資。技術進步變動是浙江、上海新一代高新技術產業金融支持效率下降的主要原因，北京的效率下降原因則主要是技術進步變動和規模效率變動。

在上述兩個組別中，廣東等4 個東部地區省份由于GDP 增速放緩，導致金融發展速度放緩；加之這些省份的新一代高新技術產業進入階段性平穩發展時期，因而股票融資、債券融資或風險投資等金融支持有所減緩。江西等3 個中西部地區省份則可能因為金融市場化程度不高，或新一代高新技術企業數量和質量有限，導致股票融資、債券融資或風險投資有所下降。東北地區的遼寧由于經濟增長緩慢，導致金融發展速度緩慢；同時，其新一代高新技術企業數量和質量有限，導致債券融資下降。其中，廣東、江西、西藏和河南的新一代高新技術產業規模增長相對較快，規模效率增幅相對較大；遼寧的新一代高新技術產業加強管理，提高技術水平，純技術效率增幅較大；而北京新一代高新技術產業的規模效應有所減弱，規模效率相應下降；浙江、上海、北京新一代高新技術產業的技術創新能力增長放緩，技術進步速度減緩。

觀察水平下降-效率上升組和水平下降-效率下降組可以發現，股票融資是這些省份新一代高新技術產業金融支持水平下降的首要原因，其次是債券融資和風險投資。另外，觀察水平上升-效率下降組和水平下降-效率下降組可以發現，技術進步變動是這些省份新一代高新技術產業金融支持效率下降的首要原因。

3 結論與政策建議

本文從金融資源被投入主體（企業）的角度出發，運用熵權-線性加權和法、DEA-BCC 模型和DEAMalmquist 指數模型分別測度了2015—2019 年中國22 個省份新一代高新技術產業金融支持水平和效率，經靜態分析和動態比較，得出以下結論：

第一，總體來看，新一代高新技術產業金融支持水平和效率均較低，銀行貸款、股票融資和純技術效率對水平和效率的整體貢獻相對較小。金融支持水平和效率的協調程度較低，僅有3 個省份屬于高水平-高效率組。債券融資較低是導致低水平組省份新一代高新技術產業金融支持水平較低的首要原因，其次是風險投資。純技術效率較低是導致低效率組省份新一代高新技術產業金融支持效率較低的首要原因，其次是規模效率。

第二，總體來看，新一代高新技術產業金融支持水平和效率均保持較好增長態勢，銀行貸款、政府補助和規模效率變動分別是水平增長和效率增長的主要動力。金融支持水平和效率增長的協調程度較高，共有11 個省份屬于水平上升-效率上升組。股票融資是水平下降組省份新一代高新技術產業金融支持水平下降的首要原因，其次是債券融資和風險投資。技術進步變動是效率下降組省份新一代高新技術產業金融支持效率下降的首要原因。

根據上述研究結論，結合有關部門文件精神，提出以下政策建議：

第一，加快金融與新一代高新技術產業融合發展，大力發展金融科技，提高新一代高新技術產業的金融支持水平。加快大數據、人工智能、云計算、區塊鏈等現代新興前沿技術在新一代高新技術企業融資中的應用，充分發揮金融科技在拓寬融資渠道、降低融資成本和提高融資效率上的功能優勢，有效緩解新一代高新技術企業面臨的融資約束。同時，堅持線上與線下平衡發展，為新一代高新技術企業提供多渠道、多層次、全方位的融資服務。

第二，加大對新一代高新技術企業技術創新的財稅政策激勵，提高新一代高新技術產業的金融支持效率。在新一代高新技術企業的研發階段和科技成果轉化階段，加大政府補助力度，保證企業技術創新的積極性和持續性。同時，在繼續實施減少企業應納稅所得額、給予企業優惠稅率等稅收優惠政策的基礎上，積極實施提高企業研發費用加計扣除等稅收優惠政策，有效減輕企業技術創新的資金壓力，保持新一代高新技術企業的技術創新活力。