我國智能制造業不同融資方式的融資效率研究

馬慧斌 宋良榮

摘 要：發展智能制造產業是我國由制造業大國向制造業強國轉變的必經途徑，考慮到智能制造業研發成本高、投資風險大帶來的融資效率較低的問題，本文以33家在A股上市的智能制造企業為樣本，選取2017—2020年年報數據，運用數據包絡分析法測度債權融資、股權融資和內源融資三種不同融資方式的融資效率水平。結果顯示：從靜態分析結果來看，我國智能制造企業整體的融資效率水平較低，在研究的33家企業中，僅有不超過30%的企業的融資效率達到最優，三種不同的融資方式中，內源融資的融資效率最高，債權融資的融資效率最低;從動態分析結果來看，債權融資和股權融資的融資效率呈下降趨勢，內源融資的融資效率呈上升趨勢，技術進步變化指數是影響3種融資方式融資效率的主要因素。

關鍵詞：智能制造;融資方式;融資效率;靜態分析;動態分析

中圖分類號：F 830.59 ? 文獻標識碼：A ? 文章編號：1672 - 7312（2022）02 - 0207 - 06

Abstract：Intelligent manufacturing is the necessary way for China to transform from a large manufacturing country to a strong manufacturing country.Considering the low financing efficiency caused by the high R&D cost and high investment risk of smart manufacturing，this article uses 33 smart companies listed on the Ashare market as a sample，selects the fouryear annual report data from 2017 to 2020，and uses the data envelopment analysis method to measure the financing efficiency of three different financing methods：debt financing，equity financing and endogenous financing.The results show that：from the static analysis results，the overall financing efficiency of China’s smart manufacturing companies is low.Among the 33 companies studied，only 30% of the companies have the best financing efficiency.Among the three different financing methods，the financing efficiency of endogenous financing is the highest，and the financing efficiency of debt financing is the lowest;from the results of dynamic analysis，the financing efficiency of debt financing and equity financing shows a downward trend，the financing efficiency of endogenous financing shows an upward trend，and the technological progress changes Index is the main factor affecting the financing efficiency of the three financing methods.

Key words：intelligent manufacturing;different financing methods;financing efficiency;static analysis;dynamic analysis

0 引言

智能制造是制造業發展的新趨勢，是全球經濟發展的新引擎和產業變革的核心動力，也是我國制造業轉型升級、提質增效、由“制造大國”邁向“制造強國”的必經之路。2015年，我國制定了《中國制造2025》戰略計劃，智能制造業迎來了高速發展期，產業規模逐年擴大。截止到2020年年底，我國的智能制造業產值規模已經突破25 000億元，智能制造產業呈現出欣欣向榮的發展態勢。但智能制造業是科技創新型產業，在人才培養、技術創新、人工智能技術與制造業的深度融合方面需要大量的資金投入。同新能源汽車產業、新一代信息技術產業一樣，國家制定了多項財政補貼政策成立專項資金來扶持智能制造企業的發展。2015年以來，我國智能制造行業的融資規模迎來了大幅增長。2014—2018年，智能制造行業的融資事件由240起增長到655起，融資金額由56億美元增長到了213億美元。2019年，受疫情的影響，融資事件和融資金額都出現了大幅的減少，全年共發生了455起融資事件，融資金額為102億美元。2020年，共發生317起融資事件，雖然持續減少，但融資金額迎來大幅增長，為258億美元，充分反映了資本開始向頭部優秀企業集中。

除滿足資金需求外，如何將資金有效分配，最終推動企業獲益即提高企業的融資效率，對我國智能制造業的高質量發展至關重要。因此，本文將重點研究智能制造業不同融資方式的融資效率問題，在相關研究成果的基礎上，運用DEA評價方法實證研究中國智能制造產業在不同融資方式下的融資效率問題，找出影響融資效率的因素，并提出參考建議。

1 研究綜述

資金是企業發展的立足之本和血液命脈，融資是任何企業的一個關鍵決定[1]，融資效率對企業的意義重大[2]。人工智能產業作為新興技術產業，如何高效獲取資金成了行業難題。由于目前國內外學者對于人工智能企業融資效率的研究仍處于起步階段，相關成果不多，而人工智能產業屬于高新技術產業，因此可借鑒高新技術產業、戰略性新興產業等領域的相關研究成果。

在人工智能產業融資問題上，研究學者認為初創企業存在著較大的融資難題。ROMANO（2001）[3]通過實證研究發現企業的融資效率受其經營目標、資本結構、管理模式、生命周期等影響。HOGAN等（2007）[4]通過實證研究發現科技型企業更青睞于股權融資而非債權融資。DIRK CZARNITZKI（2006）[5]實證研究了德國制造業中小企業研發活動中的融資約束問題，發現如果政府的補貼費用過高，容易導致企業在研發活動中出現金融市場機制失靈的現象。金輝（2019）[6]通過對2013—2018年人工智能產業融資規模的分析以及對2019—2023年產業市場占有率的預測，得出人工智能行業融資輪次后移，市場趨利的信號。劉俊文等（2019）[7]通過對吉林省人工智能企業現狀的分析，發現目前初創企業普遍存在外源性融資渠道不暢，企業貸款覆蓋率低等融資問題，由于銀行貸款的審批流程復雜、時間長、融資成本高，導致企業融資渠道受限，融資效率過低。王謙等（2021）[8]通過實證研究發現我國裝備制造業融資效率有待提高，資本結構、研發投資等對融資效率的影響較大。耿成軒等（2019）[9]認為人工智能產業的發展需要巨額的資金支持，要優化融資生態環境，完善融資服務體系，緩解企業的融資困境和融資約束。

融資效率的測度方法主要有模糊綜合評價法（魏開文，2001）[10]、灰色關聯評價法（伍裝，2005）[11]、層次分析與模糊綜合法（王平，2006）[12]以及數據包絡分析法（DEA）。由于前3種方法在指標的選取和權重的設計上，主觀判斷比較多，準確性不高，而數據包絡分析法比較客觀，無需主觀選取指標和確定權重，因此近年來學者們主要使用數據包絡分析法來測度融資效率。莫力（2021）采用DEA模型對中美兩國新能源汽車上市企業的股權融資效率進行了比較分析[13]。馬翔等（2020）運用DEA模型對上市公司的創新能力進行了評估和分析[14]。劉超等（2019）利用DEATobit模型進行實證分析后發現，企業規模與融資效率呈正相關，資產負債率與融資效率呈負相關的關系，他認為企業要找到合適的融資方式就要先優化融資結構[15]。姜妍（2020）通過SuperSBM和DEATobit模型實證研究發現我國的智能制造產業整體融資效率不高，大多處于非效率狀態，認為我國的智能制造產業處于產業生命周期的起步階段，資本配置率的整體水平較低，企業融資效率有較大的提升空間[16]。熊正德等（2014）通過建立兩階段DEA模型研究我國新能源汽車上市公司債權融資效率，發現債券籌資效率的低下而導致債權融資效率水平不高[17]。李京文等（2014）通過建立DEAMalmquist指數模型，發現北京市戰略新興公司2011—2013年的融資水平整體較低，主要受技術進步指數的影響[18]。

融資對于智能制造產業的發展非常重要，但目前學術界的研究更多的是集中在人工智能產業的融資效率問題上，具體到智能制造產業融資效率的研究少之又少，尤其在不同融資方式下對中國智能制造產業融資效率的評價研究成果涉及更少。

2 實證分析

2.1 指標選取與數據來源

2.1.1 指標選取

DEA模型是依據投入指標和產出指標測算決策單元的效率。本文在參考大量文獻的基礎上，構建中國智能制造業不同融資方式的融資效率指標評價體系。投入指標方面：選取債權融資、股權融資和內源融資3個指標，產出指標方面，選取營業收入、凈利潤、無形資產、凈資產收益率和總資產周轉率五個指標。具體定義見表1。

2.1.2 數據來源

為了研究不同融資方式和融資效率的變化，本文以在A股上市的33家智能制造類企業為研究樣本，選取其2017—2020年相關財務數據計算不同融資方式的融資效率水平，選取的數據均來自國泰安數據庫（CSMAR），并人為剔除*ST類公司以及數據不全的樣本。

2.1.3 數據無量綱化處理

運用DEAP 2.1軟件來測算智能制造企業不同融資方式的融資效率，在使用該軟件測算融資效率指數時，要保證投入指標和產出指標的數據必須是非負數。考慮到原始數據中存在少量的負數，首先對原始數據中的負數進行無量綱化處理，該處理方法不會影響最終的計算結果，且能保證數據的非負性[19]，即

yij=0.1+xij-mjMj-mj×0.9，i=1，2，…，n

其中：mj=min（xij），Mj=max（xij），yij∈[0，1]。2.2 模型選擇與結果分析

2.2.1 基于DEABCC模型的靜態分析

基于DEA模型中“既定投入下產出最大”的產出導向的BCC模型[20]，測度我國智能制造企業2017—2020年在融資活動過程中的綜合技術效率（Tech），并進一步分解為純技術效率（Pech）和規模效率（Sech）（Tech=Pech×Sech）。3種不同融資方式的融資效率水平的測算結果見表2、3、4。

債權融資的融資效率水平見表2。從表2可以看出，綜合技術效率均值、純技術效率均值和規模效率均值均小于1，說明我國智能制造企業的債權融資的融資效率水平低下。在這4年中，綜合技術效率均值最小值為0.072，最大值也僅僅是0.112，效率非常低;樣本中的33家企業中也僅僅有一家企業的融資效率處于有效狀態，占比3.03%，其他企業的債權融資效率仍有巨大的提升空間。從數據對比來看，這4年的綜合技術效率均值逐年遞增，說明智能制造企業的債權融資效率水平有略微的提高。

進一步分析，純技術效率均值介于0.502～0.611范圍之內，規模效率均值介于0.128～0.276范圍之內，可見，純技術效率和規模效率共同影響了債權融資的融資效率，而規模效率是更大的影響因素。對于智能制造企業，特別是很多初創企業，企業尚處于發展之中，規模較小，舉債成本較高，因此債權融資的融資效率低也不足為奇了。

股權融資的融資效率水平見表3。從表3可以看出，股權融資的綜合技術效率平均值介于0.491～0.527范圍之內，與債權融資相比，股權融資的融資效率大幅提高，但整體上還是處于低效率水平。在這4年中，有效企業的數量從3家增長到5家，占比從9.10%提高到15.2%，有小小的進步。股權融資的純技術效率均值介于0.591～0.683范圍之內，規模效率均值介于0.791～0.881范圍之內，二者共同影響著股權融資效率的影響較大，這表明企業要完善內部管理制度，提高經營管理水平，從而提高股權融資的融資效率水平，使資金得到更有效的利用。

內源融資的融資效率水平見表4。從表4可以看出，內源融資的綜合技術效率平均值介于0.403～0.656范圍之間，融資效率水平仍然不高，融資有效企業的數量在9家以內，占比不超過27.3%。與上一種融資方式相比，內源融資的融資效率水平略高。進一步分析純技術效率和規模效率，由結果可以看出，純技術效率均值大體上呈增長趨勢，由2017年的0.693增長到2020年的0.772，規模效率均值逐年減小，由2017年的0.879減小到2020年的0.658，這兩個因素共同影響著內源融資的融資效率，兩者都有待提高，從而促進內源融資效率水平的提高。

綜合來看，中國智能制造企業三種融資模式的融資水平均較低，債權融資的融資效率水平尤其低下。在這四年中，僅有不超過30%的企業高效利用了融入資金，融資效率水平達到最優狀態。在這三種不同的融資模式中，從影響因素來看，債權融資的融資效率受規模效率的影響較大，純技術效率和規模效率對股權融資和內源融資的融資效率影響都比較大;從融資效率大小來看，內源融資>股權融資>債權融資，這與實際的融資規律以及智能制造產業的行業特征相符合。

2.2.2 基于DEAMalmquist指數模型動態分析

DEAMalmquist指數模型可以衡量多個投入、多個產出的決策單元在不同時期的全要素生產效率的動態變化[21]。全要素生產效率指數（Tfpch）可分解為技術效率變化指數（Effch）與技術進步變化指數（Techch）的乘積。在規模報酬可變的情況下，技術效率變化指數（Effch）可分解為純技術效率變化指數（Pech）與規模效率變化指數（Sech）的乘積。故Malmquist全要素生產效率指數（Tfpch）最終可分解為：Tfpch=Pech×Sech×Techch。

以上5個指數中，若指數大于1，則表明當期的效率與上一期的效率相比得到了提高，反之則在下降。3種不同融資方式的Malmquist指數測算結果見表5、6、7。

債權融資的DEAMalmquist指數測算結果見表5。從表5可以看出，2017—2020年，債權融資的全要素生產效率變化指數平均值為0.986，平均下降了1.4%。其中，2017—2018年平均下降了19.4%，2018—2019年有所提升，平均提升了20.3%，2019—2020年平均下降了1.2%。進一步分析，技術效率變化指數平均增長了29.9%，其中純技術效率變化指數平均下降了1.4%，規模效率變化指數平均增長了31.8%，但由于技術進步變化指數的均值為0.759，平均下降了24.1%，技術的退步最終導致了債權融資全要素生產效率的下降。

股權融資的DEAMalmquist指數模型測算結果見表6。從表6可以看出，2017—2020年，股權融資的全要素生產效率變化指數的平均值為0.987，平均降低了1.3%。其中，2017—2018年平均降低了4%，2018—2019年平均增長了1.5%，2019—2020年平均降低了1.4%。進一步從分解指數來看，技術進步變化指數平均下降了1.1%，技術效率變化指數平均下降了0.2%，其中純技術效率變化指數有所增長，平均增長了3.1%，規模效率變化指數平均下降了3.2%。雖然純技術效率變化指數有小小的增長，但技術進步變化指數和規模效率變化指數均有一定程度的下降，由此可見，股權融資全要素生產效率的下降是由技術進步效率水平和規模效率水平的下降造成的。

內源融資的DEAMalmquist指數模型測算結果見表7。從表7可以看出，2017—2020年，內源融資的全要素生產效率變化指數的平均值為1.002，平均增長了0.2%。其中，2017—2018年平均增長了0.5%，2018—2019年有所下降，平均下降了4.3%，2019—2020年平均增長了4.6%。從測算結果可以看出，技術效率變化指數平均降低了9.4%，其中純技術效率變化指數平均增長了0.3%，規模效率變化指數平均下降了9.7%;技術進步變化指數有小幅度增長，平均值為1.106，平均增長了10.6%。由此得出結論：技術的進步是內源融資全要素生產效率提高的主要因素。

3 結論與建議

3.1 結論

1）2017—2020年，我國智能制造企業3種不同融資方式的融資效率皆處于非有效狀態，純技術效率和規模效率共同影響著資金的使用效率，在研究的33家智能制造企業中，有不超過30%的企業將融資資金達到高效地利用，使資金投入適當，產出合理，其余企業的資金均沒有得到有效的利用，整體的融資效率還有待提高。

2）從綜合技術效率均值來看，股權融資和內源融資的融資效率比債權融資的融資效率更高，且其中，內源融資即企業本身的資金融資效率最高，說明企業傾向于優先使用盈余資金等自有資金，股權資本次之，債權資金最低。

3）從全要素生產效率變化指數來看，2017—2020年，債權融資和股權融資的融資效率有所下降，內源融資的融資效率有所上升，技術進步變化指數是影響三種融資方式融資效率變化的主要因素，這表明企業需要借助技術的創新與進步來提高融資的全要素生產率。

3.2 建議

1）技術的創新與進步在融資效率中起主導作用，因此，智能制造業的當務之急是要提高企業的自主創新能力，特別是在高端傳感器、高檔數控系統、工業應用軟件等核心技術方面要進一步打破發達國家的壟斷，不再受制于人，突破關鍵技術的壁壘，真正地將核心技術掌握在自己手中。

2）要提高科研成果的轉化率，將科研成果轉化為實際技術或產品面向市場，取得相應的經濟效益，同時，要重點關注企業產品的推廣銷售情況，開拓市場，提高企業的經營收入。

3）政府可采取政企合作、科研補貼等方式降低企業的研發成本，減小企業的科研成本負擔，幫助企業獲得更多的收益。

參考文獻：

[1] ROSTAM A M，RUSTOM A A.Does financing behavior of SME entrepreneurs of Bangladesh follow capital structure theory？An investigation into pecking order theory[J].International Journal of Financial Engineering，2021（01）：1 - 16.

[2]尚欣榮.我國上市公司融資效率研究綜述[J].技術與創新管理，2011（04）：346 - 349.

[3]ROMANO C A，TANEWSKI G A，SMYMIOUS K X.Capital structure decision making：a model for family business[J].Journal of Business Venturing，2001，16（03）：285 - 310.

[4]HOGAN T，HUTSON E.Capital structure in new technologybased firms：Evidence from the Irish software sector[J].Global Finance Journal，2005，15（03）：369 - 387.

[5]CZARNITZKI D.Research and development in small and mediumsized enterprises：The role of financial constraints and public funding[J].Scottish Journal of Political Economy，Scottish Economic Society，2006，53（03）：335 - 357.

[6]金輝.人工智能產業融資模式及風險分析[J].中國國情國力，2019（06）：7 - 10.

[7]劉俊文，于洪.吉林省人工智能產業融資現狀及問題分析[J].現代商貿工業，2019（26）：8 - 9.

[8]WANG Q，WANG J，LI H，et al.Research on financeng efficiency and influencing factors of equipment manufacturing industry：Regression model based on SFA panel data[J].Journal of Intelligent and Fuzzy Systems，2021（12）：1 - 10.

[9]耿成軒，周晨，吳澤民.人工智能產業創新能力與融資生態耦合演進——基于系統動力學視角[J].科技管理研究，2019（23）：114 - 122.

[10]魏開文.中小企業融資效率模糊分析[J].金融研究，2001（06）：67 - 74.

[11]伍裝.中國中小企業融資效率的灰色關聯分析[J].甘肅社會科學，2005（06）：206 - 209.

[12]王平.基于FAHP的民營企業融資效率評價[J].商業研究，2006（19）：114 - 117.

[13]LI M.Comparative analysis of equity financing efficiency between Chinese and American new energy vehicle listed enterprises[J].E3S Web of Conferences，2021，245（01）：01063.

[14]MA X，LIU Z，GAO Y，et al.Innovation efficiency evaluation of listed companies based on the DEA method[J].Procedia Computer Science，2020，174：382 - 386.

[15]劉超，傅若瑜，李佳慧，等.基于DEATobit方法的人工智能行業上市公司融資效率研究[J].運籌與管理，2019（06）：144 - 152.

[16]姜妍.基于SuperSBM和Logit模型的人工智能產業融資效率及影響因素研究[J].工業技術經濟，2020（07）：131 - 136.

[17]熊正德，陽芳娟，萬軍.基于兩階段DEA模型的上市公司債權融資效率研究——以戰略性新興產業新能源汽車為例[J].證券與投資，2014，35（191）：51 - 56.

[18]李京文，王宇純，楊正東.戰略性新興產業上市公司融資效率研究——以北京市為例[J].經濟與管理研究，2014（06）：74 - 82.

[19]賀正楚，王嬌，潘紅玉.生物醫藥產業不同融資方式的融資效率研究[J].財經理論與實踐（雙月刊），2020（01）：48 - 54.

[20]彭曉靜.河北省制造業創新效率評價——基于DEABCC模型和Malmquist指數[J].時代經貿，2021（06）：95 - 100.

[21]CAVES D，CHRISTENSEN L，DIEWENT W.The economic theory of index numbers and the measurement ofinput，output，andproductivity[J].Econometrica，1982，21（02）：88 - 92.

（責任編輯：嚴 焱）