數字經濟時代科技金融效率測算及影響因素分析

汪曉文，謝美琳，田雨琦

（1.蘭州大學經濟學院，甘肅蘭州 730000；2.中國人民大學農業與農村發展學院，北京 100872）

1 研究背景

隨著科技革命和產業變革的深入發展，數字化浪潮席卷而來，然而在新冠疫情和經濟周期性波動的雙重沖擊下，我國的經濟增長下行壓力加大。但在此沖擊背景下，2020年我國數字經濟依舊保持9.7%的高位增長［1］。由圖1可見，從2015年開始我國數字經濟指數的增長速度徹底超過宏觀經濟景氣指數，展現出較強的韌性，成為經濟增長的“穩定器”，我國逐漸步入數字經濟發展新時代［2］。2014—2019年我國科技進步貢獻率為59.5%，說明科技進步對經濟的貢獻份額比重較大，已成為我國生產總值（GDP）增長的主要引擎。

圖1 我國數字經濟指數與宏觀經濟景氣指數對比

黨的十九屆五中全會、國家“十四五”規劃和2035年遠景目標綱要提出打造數字經濟新優勢，促進數字經濟與實體經濟的深度融合，為完善現代化經濟體系建設、加快構建“雙循環”新發展格局提供重要支撐。建設現代化經濟體系的關鍵核心是夯實現代化產業體系，數字經濟不僅可以引領科技革命和產業變革，而且通過數字技術與傳統科技金融的深度融合，提高科技金融效率，提升科技金融實力，推動科技創新，為現代化產業體系提供根本動力源，促進現代化產業體系的優化與完善。

從國際比較來看，大國經濟的特征都是以內需為主導，內部可循環［3］。我國新發展格局要以國內大循環為主體，關鍵在“循環”，亟需解決要素流動不暢等問題。隨著大數據、人工智能、區塊鏈等數字技術的不斷突破，數字經濟與實體經濟逐漸形成深度融合，有助于改造提升傳統產業，暢通生產要素流動，數字化的結合重點正從工業制造業轉向金融業，對傳統金融業的業務渠道、風控體系等產生重要影響，促進金融服務實體經濟水平的提高。

2 文獻綜述

科技金融的定義國內外并未統一。國外學界沒有“科技金融”這一專有名詞，西方國家科技創新制度和市場相對完善，關于科技金融的研究主要集中在金融對科技創新的影響機制上，如Lee等［5］利用結構方程模型證明創新融資不僅提高了創新型中小企業的技術創新能力，而且提高了企業的經營績效；Fagiolo等［6］通過產業動態供給模型研究表明，銀行通過提供貸款能夠促進技術創新和技術擴散，從而推動長期經濟增長；Blach等［7］通過研究得出在金融導向的背景下制度干預機制應是多元的，允許中小企業融資結構的靈活設計；Kaur等［8］基于有序Logit模型實證分析得出相較企業的內部資金，外部資金來源對企業開展的創新活動具有較大的正向影響。

國內學者主要從以下幾個方面對科技金融進行研究：一是科技金融相關的耦合協調研究，如韓鵬［9］針對政策性科技金融、市場性科技金融、企業創新稟賦、創新中間產出、知識產權收益產出五元系統，運用耦合協調度模型和數據包絡分析（DEA）方法進行測度與分析；馮悅等［10］通過測度粵港澳大灣區科技金融耦合協調度，分析科技金融耦合協調發展的影響因素以及空間溢出效應，并將科技金融劃分為公共科技金融和市場科技金融；謝文君等［11］在財政分權的背景下運用三階段DEA模型以及結合非參數核估計和空間計量模型，驗證財政分權在長期上對科技與金融耦合效率存在顯著的促進作用。二是針對金融投入和科技產出構建模型測度效率，如甘星等［12］主要依據科技金融效率來評估科技金融發展水平，并以此研究環渤海、長三角、珠三角經濟圈各省市科技金融效率差異；吳妍妍［13］聚焦上海、南京、杭州和合肥4座城市科技金融體系的構建及其運行效率，運用DEA模型進行實證測算，對科技金融的模型建構、發展路徑和政策措施進行評價；常亮等［14］從金融投入的角度對科技金融效率進行實證分析，研究不同科技金融投入如何影響科技創新效率。三是科技金融的模式及相關政策研究，如張明喜［15］認為配套機制建設對科技金融發展具有促進作用，建立有效的財政保障機制可促進科技金融深度發展；程翔等［16］通過量化指標構建模型，得出各區域經濟高質量發展與科技金融政策的協調狀況存在較大差異。

目前，國內研究普遍將“數字經濟+科技金融”與互聯網的發展相關聯，如廖傳惠等［17］認為公共科技金融可以引導普通的互聯網金融為科技型中小企業的科創活動提供資金融通服務；謝泗薪等［18］認為借鑒互聯網思維可大力發展科技銀行；韓俊華等［19］認為科技與金融結合的典型代表是互聯網金融，并指出區塊鏈是推動數字經濟發展的基礎設施，是匹配互聯網金融風險監管、大數據、云計算的關鍵技術；俞丹丹等［20］認為互聯網科技金融可以簡化科技金融的準入機制，提高科技金融市場的透明度，但同時也會帶來大量的金融監管風險；曹金飛等［21］認為科技金融在價值增值過程中，政府部門和金融機構可通過互聯網來實現跨區域協調，實現科技金融價值鏈的跨區域協同發展。

總體來看，國內外學者對科技金融的研究已取得一定的進展，但進入數字經濟時代的研究仍存在以下不足：第一，部分研究將數字經濟背景下的科技金融簡單劃歸為互聯網金融一類，忽略了數字化的加持作用，因為互聯網金融本質上只是對傳統金融渠道的變革，而數字經濟對科技金融的創新在后期階段被稱為“金融科技2.0模式”，即由數字技術對金融市場及金融服務業務供給產生重大影響的新興業務模式、新技術應用、新產品服務等［22］，因此“數字經濟+科技金融”的研究應主要針對數字技術對科技金融效率的賦能。第二，我國學者就科技金融效率的研究已取得不少成果，但針對數字經濟與科技金融的影響關系，大多數僅進行了定性分析，定量分析較少。

3 科技金融效率測度

3.1 測度方法

科技金融效率作為評價金融服務科技發展能力的重要內容，已成為諸多學者研究的焦點。近年來，國內測算科技金融效率的方法采用最多的就是數據包絡分析模型。Charnes等［23］提出的DEA模型針對多投入和多產出問題，通過決策單元的實際數據求出最優權重，運算得出每個決策單元的綜合效率指標，針對相對有效性作出評價和排序，并且能夠分析各決策單元DEA非前沿面的原因和改進方向，是一種確定性前沿方法。但該方法將決策單元的效率無效歸因于管理無方，沒有考慮環境因素和隨機擾動的影響，使得效率結果與實際效率水平有一定的誤差。而隨機前沿模型（SFA）能夠對模型中的誤差項進行區分，提高效率測定的準確度。Fried等［24］提出三階段DEA模型，將決策單元的DEA非前沿面分解為環境因素、隨機擾動和管理無效率，但由于環境因素和隨機擾動是外生不可控因素，因此需要剔除才能客觀真實反映效率值，而三階段DEA所使用的CCR或BCC模型為徑向模型，即規模報酬不變或規模報酬遞增，說明決策單元只能按照等比例減少各項投入來改善效率，這與實際生產過程不符。Tone［25］提出SBM模型，該模型屬于非導向模型，可有效解決徑向模型對無效率測算時無法包含松弛變量的局限。在此基礎上，Avkiran等［26］、Liu等［27］提出利用非徑向的SBM模型測算效率值，更能夠正確反映實際情況。

三階段SBM模型方法將科技金融效率評估分為3個階段：第一階段利用SBM模型進行效率評估；第二階段利用隨機前沿分析方法剔除環境因素和隨機擾動的影響；第三階段將調整后的投入數據作為新的投入數據，產出數據仍為原始數據，再次代入SBM模型中對效率值進行評估，從而得到不受環境因素和隨機誤差影響的效率值。

一進祝國寺，一個小東西就從樹上掉下來“歡迎”。祝國寺住持素祥法師抖抖僧袍，仿佛習以為常——是一條小蛇。

3.2 指標選取與數據來源

測算科技金融投入與產出效率值，前提是建立科學合理的評價指標體系，指標的選擇要求確保真實有效地反映科技金融的投入與產出的實際現況。依據上述原則和要求，參考已有研究的共性指標，本研究最終選擇對投入和產出解釋度較高的7項重要指標，建立科技金融服務體系效率評價體系，詳見表1。

表1 科技金融投入產出指標體系

表1 （續）

（1）投入指標。依據古典經濟學的增長理論選取勞動力和資本為投入要素。勞動力投入要素依據陳升等［28］的觀點，選取R&D人員全時當量（X1）；資本投入要素依據李俊霞等［29］、馬玉林等［30］的觀點，分為政府資金投入、企業資金投入和市場資金支持，從而選取科學技術支出（X2）、R&D經費內部支出（X3）和區域金融支持效率（X4）。

（2）產出指標。依據薛曄等［31］、許汝俊等［32］的觀點，選取發明專利授權（Y1）衡量科技活動的產出形式及水平；技術市場成交額（Y2）衡量科技活動成果的轉化情況；高技術產業產值（Y3）衡量高技術產業市場競爭力和新創造社會財富的能力。

（3）環境因素。環境變量的選取要遵循的原則是：決策單元自身不能控制，但對效率產生影響。主要包括經濟環境、技術環境、政治法律環境、社會環境等。依據以上原則，選取金融業增加值（Z1）指標，金融業增加值=金融業生產總值/國民生產總值，即金融業的相對規模，能夠反映金融業在國民經濟中的地位和金融業發育程度；中國數字經濟指數DEDI（Z2），反映各地區數字經濟的發展程度；專利侵權立案數（Z3），知識產權的保護和管理對培育科技創新具有積極作用［33］，因此通過專利侵權立案數反映法律法規對科技創新保護的能力；互聯網寬帶接入用戶（Z4），反映各地區基礎設施的建設程度。

為確保指標體系科學合理，滿足SBM模型對樣本數據等張性的要求，本研究針對7個測度投入、產出指標的數據，利用SPSS軟件進行了Peason相關性檢驗。檢驗結果顯示（見表2），R&D人員全時當量、科學技術支出、R&D經費內部支出、區域金融支持效率與發明專利授權、技術市場成交額、高技術產業產值之間顯著正相關，符合效率評價模型等張性的要求。因此，利用該樣本數據建立的效率評價指標體系科學有效。

表2 科技金融投入與產出指標相關性檢驗結果

由于在全國技術市場統計數據中沒有西藏2015、2016年的數據，也沒有港澳臺地區的數據，因此本研究共統計我國30個省、自治區、直轄市2015—2018年的科技金融數據。有關指標數據來源于Wind數據庫、ESP數據庫、《中國科技統計年鑒》、《中國火炬統計年鑒》、國家統計局、《中國統計年鑒》、《中國高技術產業統計年鑒》、《中國社會統計年鑒》、《中國金融年鑒》和財新智庫。

3.3 測度結果分析

3.3.1 第一階段效率結果與分析

利用Maxdea 8 Ultra軟件，在沒有考慮環境因素和隨機變量影響的情況下，測算結果顯示在2015—2018年間：（1）30個省份的科技金融效率平均值為0.707，其中2016年效率最低為0.660，2018年效率最高達到了0.823；（2）共有10個地區的科技金融效率在逐年遞增，說明科技金融投入與產出的配置水平逐年遞增；（3）共有14個地區的科技金融效率值為1，達到前沿面，即科技金融投入和產出達到最佳配置水平，并且北京的科技金融效率值始終為1。本階段的結果由于沒有剔除環境因素，因此只是初步的測算，與真實結果之間還存在差距。詳見表3。

表3 2015—2018年我國各地區科技金融效率值（第一階段）

表3 （續）

3.3.2 第二階段SFA回歸分析

第二階段剔除環境因素的影響。Fired等［34］提出環境變量都使用虛擬變量，即不考慮自身單位，而環境變量對投入的松弛變量是否產生影響與單位沒有關系，因此通過SPSS軟件將環境變量的原始數據進行標準化處理能夠去除數據的單位限制，方便不同單位或量級的指標進行比較和加權，保證結果的可靠性。標準化的數據公式為：，其中為環境變量原始數據，為平均值，為標準差。

使用Frontier4.1軟件將第一階段得出的投入松弛變量設為被解釋變量，將金融業增加值、中國數字經濟指數、專利侵權立案數和互聯網寬帶接入用戶4個環境變量作為解釋變量，進行SFA回歸分析。環境變量與投入的松弛變量呈反比關系，即當回歸結果中的系數為負數時，說明環境變量增大會減少投入的松弛變量，有利于減少投入或增大產出；反之當回歸系數為正時，環境變量對投入松弛變量產生正向影響，環境變量的增加會導致投入松弛變量的增加。詳見表4。

表4 2015—2018年我國30個省份科技金融投入松弛變量的SFA回歸結果（第二階段）

（1）金融業增加值。該環境變量對全部的投入松弛變量呈正向作用，說明金融增加值會增加勞動力和資本投入的冗余。由于我國儲蓄率高，直接融資不發達，金融業增加值較高，金融業承擔更多的風險和提供更多的服務，從而導致金融資源配置效率較低［35］。

（2）中國數字經濟指數。該環境變量對全部的投入松弛變量呈反向作用，說明中國數字經濟的發展會減少勞動力和資本投入的冗余。通過大數據、云計算、區塊鏈等工具推動科技金融數字化、移動化，創新科技金融業務模式，優化科技金融渠道，重塑科技金融形態，能夠有效減少勞動力、資本的投入。

（3）專利侵權立案數。該環境變量對R&D經費內部支出的投入松弛變量呈反向作用，減少R&D經費內部支出的投入冗余；對其他投入的松弛變量呈正向影響。說明知識產權保護水平的提高有利于提高R&D主體的經濟效益，外部性的作用將會減少，鼓勵R&D經費內部支出的增加［36］。

（4）互聯網寬帶接入用戶。該環境變量對R&D人員全時當量和R&D經費內部支出的投入松弛變量呈反向作用，對科學技術支出和區域金融支持效率呈正向影響。說明互聯網寬帶的接入不利于R&D人員和經費投入松弛變量的減少，會增加更多的R&D人員、增加R&D經費的內部支出用于互聯網寬帶的接入及維護。互聯網寬帶的接入能夠減少科學技術支出和金融支持效率的冗余，使其合理利用。

3.3.3 第三階段效率結果與分析

與第一階段相同，利用Maxdea 8 Ultra軟件，測算結果顯示在2015—2018年間：（1）30個省份科技金融效率的平均值為0.452，其中2015年效率最低為0.409，2018年效率最高達到0.514；（2）共有24個地區在剔除環境因素和隨機擾動后科技金融效率值下降，說明這些地區的外部環境相對不利但管理水平相對較高，有6個地區科技金融效率值上升，說明管理無效率但外部環境相對有利；（3）共有4個地區的科技金融效率值為1，達到前沿面，即科技金融投入和產出達到最佳配置水平；（4）各地區的科技金融效率差距較大，2015年浙江處于效率前沿面，而同期寧夏只有0.023，僅達到浙江的2.3%，2016年寧夏達到北京的3.3%；2017年海南達到廣東的3.5%，2018年海南達到江蘇的4.5%。詳見表5。

表5 2015—2018年剔除環境影響因素后我國各地區科技金融效率值（第三階段）

4 科技金融效率影響因素實證分析

從三階段SBM模型測度結果可知，2015—2018年我國30個省份科技金融投入和產出都在不斷加大，但大部分地區的科技金融效率始終處于非前沿面的狀態，而僅靠SBM模型的測度無法直接掌握投入對效率影響的程度，還需利用Tobit模型進行回歸分析。因為通過SBM模型得到的科技金融效率值都處于0～1之間，數據具有被截斷的性質，并不是離散分布的，如果采用最小二乘法或者一般的面板數據模型進行估計，會出現參數偏和不一致的情況，但Tobit模型本身就屬于受限因變量回歸的一種，因此當因變量為受限值或截斷時，選用Tobit模型進行回歸分析能夠很好解決這一問題。

4.1 變量選取與數據說明

借鑒相關研究，科技金融效率影響因素的選取如下：（1）章思詩等［37］認為政府是科技金融發展的推動者，相比其他機構，政府能夠提供連續的資金支持，因此選取科技撥款占財政支出比重（W1）反映政府機構對科技金融發展的支持力度；（2）科學研究和技術服務業固定資產投資比上年增長情況（W2），即各地區為科學研究發展所具備的基礎設施建設，反映各地區自身的科研水平和能力；（3）根據李向前等［38］的觀點，選取數字化程度指數（W3）反映數字技術的應用程度；（4）地方政府債務余額（W4）、地方金融機構不良貸款率（W5）分別反映科技金融發展過程中所需面臨的政府債務風險和金融風險；（5）李林漢等［39］認為高技術企業是科技金融的重要載體，高技術企業可以實現科技成果轉化和金融資源配置，因此選取高技術企業利潤額（W6）和高技術產業新產品開發項目數（W7）反映高技術產業市場競爭力和新創造社會財富的能力。詳見表6。

表6 科技金融效率影響因素指標體系

科技金融效率影響因素指標的數據來源包括Wind數據庫、ESP數據庫、國家統計局、《中國統計年鑒》、《中國高技術產業統計年鑒》、《中國社會統計年鑒》、《中國金融年鑒》、北京大學數字金融研究中心。

4.2 模型構建

將前述第三階段的科技金融效率值作為被解釋變量，將科技撥款占財政支出比重、科學研究和技術服務業固定資產投資比上年增長情況、數字化程度指數、地方政府債務余額、地方金融機構不良貸款率、高技術企業利潤額、高技術產業新產品開發項目數作為解釋變量，構建Tobit模型，將左端的截斷點設定為0，如公式（2）所示：

4.3 實證結果分析

使用Stata16.0軟件，將科技金融即被解釋變量與其他7個解釋變量進行Tobit回歸分析，結果如表7所示：（1）地方政府債務余額（W4）和地方金融機構不良貸款率（W5）的回歸系數為負，當地方政府債務余額和地方金融機構不良貸款率分別增加1%時，科技金融效率分別降低1.5%和1.92%，但是地方政府債務余額的相關系數不顯著，而地方金融機構不良貸款率在10%的置信水平下顯著，說明金融風險對科技金融效率的影響明顯。（2）科技撥款占財政支出比重（W1）、科學研究和技術服務業固定資產投資比上年增長情況（W2）、數字化程度指數（W3）、高技術企業利潤額（W6）、高技術產業新產品開發項目數（W7）的回歸系數為正，說明當解釋變量W1、W2、W3、W6、W7分別增加1%時，科技金融效率則分別增加3.559%、0.004%、0.043%、8.973%、8.068%，并且W1在5%的置信水平下顯著，W3、W6、W7在1%的置信水平下顯著，W2的相關系數不顯著。（3）W1、W3、W6、W7對科技金融效率都有正向作用，且影響程度從大到小排序依次為高技術企業利潤額（W6）、高技術產業新產品開發項目數（W7）、科技撥款占財政支出比重（W1）、數字化程度指數（W3），說明高技術產業的發展對科技金融效率的影響最為明顯，是各地區需要重點發展的領域。

表7 2015—2018年我國30個省份科技金融效率影響因素Tobit回歸結果

5 結論與對策

5.1 結論

本研究運用三階段SBM模型對我國30個省份2015—2018年的科技金融效率及其影響因素進行實證分析，得出結論：（1）30個省份的科技金融效率未達到效率前沿面，整體偏低，只有北京、江蘇、浙江、廣東4個地區在2015—2018年效率值為1，達到效率前沿面，即科技金融投入與產出的配置達到最佳，其他地區沒有達到效率前沿面且差距較大，但具有提升空間。（2）影響科技金融效率的7個因素為科技撥款占財政支出比重、科學研究和技術服務業固定資產投資比上年增長情況、數字化程度指數、地方政府債務余額、地方金融機構不良貸款率、高技術企業利潤額、高技術產業新產品開發項目數，其中科技撥款占財政支出比重、數字化程度指數、地方金融機構不良貸款率、高技術企業利潤額、高技術產業新產品開發項目數的相關系數都是顯著的，地方金融機構不良貸款率對科技金融效率產生負向作用，其余的因素對科技金融效率都有正向作用。

5.2 對策建議

第一，完善政策體制，加大對科技金融的支持力度。整合政府部門的相關資源，例如金融、科技、財稅等，加強部門之間協作，針對不同地區、不同部門、不同行業的科技金融發展制定相關評估、扶持及配套政策，提高中央、地方等各級科技金融規劃、文件、政策的可行性和有效性；加強政府財政科技支出的管理，通過財政補償、貼息、存款支持等政策鼓勵，引導商業銀行進行科技貸款產品、模式、機制創新，注重資金的利用效率，提高信息披露，通過科技銀行帶動社會資本進入科技企業；加快新三板、區域性股權交易市場等多層級資本市場的建設，為科技企業提供融資途徑，增加投資者投資及退出渠道，為技術創新者與投資者創造雙贏機會，提高科技金融效率。

第二，合理配置科技金融資源。近年來，金融機構尤其是銀行去中心化程度加深，傳統融資模式例如銀行貸款已不能滿足所有科技企業的融資要求，以5G網絡為底層通信基礎，人工智能、大數據、云計算、物聯網以及其他新興顛覆性技術與金融業務的深度融合，能夠促進金融產品設計、經營模式、業務流程、服務質量的持續優化和創新，進而為金融發展提供源源不斷的創新活力，擴大直接融資渠道，暢通科技企業國內上市融資渠道。隨著數字經濟的發展，打破傳統金融服務對金融基礎設施和地理依賴等限制，金融要素逐步分散化、數字化，地區之間不再有時空隔閡，要兼顧不同地區的均衡發展，金融資源和科技資源冗余的地區可以向科技金融發展較弱的地區跨區配置資源，建立科技金融資源服務平臺或經濟圈，提升整體效率水平。科技金融效率較高地區，政府可以引導科技企業跨境融資，合理利用外債，擴大融資渠道和規模，為企業科技創新活動注入更多的社會資本，有利于推動科技企業的發展，提高市場主體參與度；效率較低地區短期內受資源稟賦限制較大，因此科技企業應先控制自身創新稟賦投入，加強科研能力和研發力度，把科研成果轉化成高科技產品，加速科技成果向現實生產力轉化，實現科技創新，引導產業方向，形成產業價值鏈，待提升吸引金融資源投入的能力之后再追求高資源投入。

第三，創新人才引進模式。隨著大數據、云計算、人工智能等技術在金融業的滲透與應用，傳統金融的部分功能將會被取消，金融機構和從業者的壓力劇增，銀行和證券營業部或將面臨調整，然而傳統金融也在積極轉型，銀行等金融機構近年來大量引進計算機、信息管理以及理工類專業人才，引入新技術，同時進行傳統金融部門人員調整，未來金融分析師、股票分析師、理財師等一部分崗位將被智能機器人代替。對于經營風險大、收益回報較快的科技型企業，可以引進金融人才，形成企業內部的金融人才庫，通過企業內部的金融人才開展投融資及規避風險等一系列金融行為。

第四，優化風險規避方式。在數字經濟的發展過程中，互聯網、人工智能、大數據等數字技術已成為金融發展和創新的根本動力，而不斷依賴高新技術的金融創新必然會帶來新的風險和安全挑戰，并且數字經濟發展的前提是平臺的穩固，平臺的不穩定性和非可靠性會加劇企業所面臨的不確定性和風險，從而易產生數字化風險。在數字經濟發展下，金融風險和數字化風險加劇，再加上科技企業具有風險較大的特征，因此規避科技金融風險迫在眉睫。發展科技保險，保險公司在科技項目研發、知識產權保護等領域提供保險服務，能夠有效降低科技金融風險。建立風險評估與擔保機構，通過大數據、云計算等技術構建適應科技型企業特點的風控體系，篩選科技企業并為其提供風險擔保；加強知識產權保護管理，合理利用互聯網、大數據、云計算、區塊鏈、人工智能等信息技術提高風控能力，并完善客戶信息保密監管系統，建立數據加密等網絡安全設施，保障監管系統安全運行。完善風險資本進退機制，并對相關法律法規進行適度調整；完善互聯網、大數據、區塊鏈、人工智能等相關法律，形成對風險投資的制度約束，為風險投資的退出提供法律依據。

第五，推動高技術產業高質量發展。高技術產業對科技創新的支撐作用在數字經濟與實體經濟的加速融合下日益凸顯。面對大數據、云計算等數字技術新模式帶來的轉型與變革，各地區要根據高技術產業所處的發展階段給予差異化支持，加快推進基礎設施建設，同時促進高技術產業集聚，集中優勢資源，加強高技術產業對前沿領域創新發展趨勢的研究和探索；明確市場導向，擴大市場需求，突破核心技術，促進新產品開發，提高產品質量，從而增加利潤效益；要根據數字技術的差距采取不同策略和措施，重點關注持續周期長、市場效益不明顯的戰略領域，使得高技術產業能夠更加合理地決定研發方向和要素配置，強化自主創新，形成核心競爭力，從而確保高技術產業供應鏈健康發展，提高科技金融效率。