長三角地區科技金融效率評價
——基于三階段DEA模型與Malmquist模型的實證

姜炤君，徐 波

（浙江樹人學院經濟與民生福祉學院，杭州 310015）

一、引言與文獻綜述

科技和金融作為我國經濟發展的兩大動力，兩者的有機結合是推動經濟高質量發展的關鍵，必須優化創新金融服務科技的方式和途徑，充分發揮科技對經濟社會發展的支撐與引領作用以促進科技和金融的有機結合。

截至2020年底，我國每年高技術產業R&D人員全時當量990314人，R&D經費支出4649.0941億元，R&D項目數154166項，有效發明件數570905件，而2013年高技術產業R&D人員全時當量僅57.3萬人/年，R&D經費支出1922.2億元，R&D項目數18403項，有效發明件數199728件，分別同比增長了72.8%、141.86%、737.72%、185.84%。R&D經費支出是指報告期為實施R&D活動而實際發生的全部經費支出，R&D及相關指標是科技統計指標體系中最重要的組成部分。通過清查，一方面，可以進一步規范科技金融統計工作，完善科技金融統計指標體系，提高數據質量；另一方面，清查的結果可為政府有關部門制定科技政策或規劃提供重要數據支撐。

科技金融的投入和產出規模越來越大。R&D經費支出占國內生產總值的比例也逐年升高，從2013年的1.91%到如今的2.40%；技術市場的成交額也在逐年增加，從2013年的6437億元，增長到2020年的28252億元。然而，科技投入是否能真正地轉化為科技成果并取得相應的收益、增加我國高技術產業經濟效益?科技金融的投入與產出是否呈正相關增長呢？各地區科技金融的發展是否是同時間、同步伐的呢？這是各界都普遍關注的問題。

在以往的文獻中常有以省為單位研究科技金融效率。如劉彤（2021）[1]對青海省科技金融發展效率的評價，劉靜一等（2021）[2]、韓威[3]對河南省科技金融與科技創新的耦合效率研究，張新才（2021）[4]對山東省科技金融效率評價及對策研究，義旭東[5]對安徽省16個地市的科技金融結合效率進行比較分析；或以多個省份為研究對象，如賀寶成、李姍珊（2021）[6]運用DEA-BCC模型，對我國包括上海市、浙江省、江蘇省、安徽省在內選取的29個省市的樣本數據進行分析，探究我國省域科技金融效率的時間和空間演進規律，并表明各省份的科技金融效率整體偏低，只有北京、天津、江蘇、廣東、陜西的綜合效率處于前沿面，其他省份的綜合效率都有待提高。此外，李林漢等[7]通過三階段DEA模型，對我國2015年的省際科技金融效率進行測算，得出只有北京市、黑龍江省、浙江省、河南省、廣東省五個省市的技術效率處于技術前沿面，其他省市的技術效率都有待提高的結論；杜金岷等[8]也運用三階段DEA模型測算出中國區域科技金融投入產出效率并得出中國不同省市科技金融投入產出效率受環境因素影響差異較大的結論；章思詩[9]對我國24個省市2009-2015年的科技金融效率進行測定，截至2016年，僅有七個省市達到了生產前沿面。

然而少有針對于以經濟區塊為單位的科技金融效率的研究，尤其是對于長三角地區科技金融效率的研究較為缺乏，僅有孫忠艷[10]以京津冀、長三角與珠三角為例對我國區域科技金融效率及影響因素進行了實證研究，以及甘星、甘偉[11]對環渤海、長三角、珠三角三大經濟圈科技金融效率差異展開了相關的實證研究。近兩年來，我國科技金融發展迅猛，然而相關研究沒有及時跟進。因此，通過學習王玉梅等[12]運用三階段DEA模型對創新效率評價研究、張鐵山等[13]運用因子分析法對技術創新的研究、許曉雯等[14]的投入績效評價方法以及劉湘云等[15]運用SFA隨機前沿模型創新效率進行測度，本研究決定針對長三角地區四個省市26個中心城市科技金融效率展開分析，基于DEA模型與Malmquist指數模型從動態與靜態兩方面對我國2013—2020年間的科技金融數據進行實證分析，并從政府、高新技術企業以及人才供給等方面為我國科技金融的高效發展提供可行性意見，這對于我國科技金融體系的建設具有深刻意義。

二、模型選取

（一）DEA模型建立

數據包絡分析法，簡稱DEA，是由美國著名運籌學家A.Charnes和W.W.Cooper于1978年提出來的。它是用單個或單位的效率評價的一種非參數方法。其利用線性規劃的方法，對決策單位的投入產出數據判斷其相對有效性。DEA常適用于多投入多產出的效率評價問題，而且只研究投入產出數據，不對數據進行其他處理，不需要了解數據之間的關系。對于權重也無任何要求，只需要運用投入產出的實際數據求出最優權重，這樣可以避免評價的主觀因素，具有較強的客觀性。

DEA模型種類較多，主要包括CCR模型和BCC模型兩種。CCR模型是建立在DMU處于固定規模報酬的假設基礎上的，所得出的效率值是技術效率值。由于本研究中科技金融規模報酬變動，所以選用BCC模型進行評價。

（二）Malmquist指數模型

最初Malmquist指數是1953年Malmquist提出的，后Caves、Christensen和Diewert于1982年開始將該指數應用于生產效率變化的測算。傳統的CCR和BCC模型只能用于比較同一時間點決策單位的生產效率，而Malmquist指數模型則可以測度決策單位在不同時間效率的動態變化，具有廣泛的應用性。

三、變量選取與數據來源

（一）變量選取

評價科技金融融合發展增長效率的關鍵是構建合理的指標體系，而且DEA方法要求所有決策單元輸入輸出值可得，且為正數，輸入輸出項目必須反映兩者的關注要素，輸入的數值應盡可能小，輸出的數值則相反，不同的輸入和輸出數據的單位不要求同等條件。同時參考了陳珊珊、劉彤、賀寶成、李林漢、王宏艷、田衛民等學者的科技金融投入產出的相關數據，本研究選用如下指標作為研究數據：

1.科技金融投入變量

科技金融投入變量分別從人力、物力、財力三個維度選取指標。首先，人力方面選取R&D人員全時當量為投入指標（Research and Experimental Development”，英文首字母縮寫為“R&D”），用于評估科技人才投入的指標。其次，在物力方面選取R&D項目數。最后，在財力方面選取R&D經費支出作為投入指標，可以有效評估科技金融投入量。

2.科技金融產出變量

科技金融產出變量分別從專利成果、盈利成果和生產成果三個方面選取測量指標。首先，專利成果方面以高技術有效發明專利數作為參數指標，有效發明專利數可以準確地衡量高技術產出成果，反映技術發展活動是否活躍。科技專利申請數量越多，代表一個社會的創新能力越高，社會就越有活力。其次，盈利成果發明選取高技術產業新產品銷售收入，可指企業銷售高技術新產品實現的收入，進而反映高技術新產品的受歡迎程度。最后，生產成果方面則選取國內生產總值作為測量指標。一個國家或地區科技與金融的發展對于其經濟狀況和發展水平起著關鍵性的作用。科技與金融的快速高質量發展能夠有效地保證一個國家或地區的經濟高質量運行。

表1 樣本科技金融投入產出體系

3.科技金融投入產出數據相關性條件

在運用DEA模型測算科技金融效率時需要滿足科技金融投入變量與產出變量成正相關，即當科技金融投入量增加時，科技金融產出量也會隨之增加。不同的相關系數可用于測量不同指標，本研究使用Pearson相關系數來表示科技金融投入產出的相關性。各項投入產出指標之間的相關系數均大于0.7，即在1%的顯著水平下，科技金融投入指標與產出指標呈正相關，因此，利用該科技金融投入產出變量建立的DEA效率測度模型是可靠的。

（二）數據來源及處理

以上數據主要來源于《中國統計年鑒》《中國高技術產業統計年鑒》、長三角四個省市的統計年鑒以及中國國家統計局官網。由于2022年統計年鑒尚未出具以及有部分數據缺失等情況，本文選用2013—2020年間四個省市的數據作為統計指標（其中上海市與安徽省2020年的高技術產業新產品銷售收入數據缺失，為保證研究的完整性，本文利用2019年的高技術產業新產品銷售收入增長率估算出2020年的高技術產業新產品銷售收入）。

四、實證分析

（一）DEA結果分析

1.綜合技術效率

通過DEAP2.1軟件測算，得到四個省市的科技金融效率值如下表2所示：

表2 2013-2020年各地區科技金融綜合技術效率值

綜合技術效率（crste）是DMU在最優規模時投入要素的生產效率，是對投入要素的資源配置力、資源使用率等多方面能力的綜合衡量與評價。綜合技術效率越接近1，資源配置效率就越高，如果綜合技術效率等于1，那么就處于DEA有效狀態。

上海市綜合效率均值為0.969，安徽省綜合效率均值略高于上海市為0.971，均達到相對有效狀態。而江蘇省與浙江省的綜合效率接近0，均處于DEA無效狀態。其中，上海市在2013年、2017年、2019年以及2020年均處于完全有效狀態，科技金融投入作用得到充分發揮。同樣，安徽省在2014年、2015年、2016年以及2018年也達到了DEA有效狀態。

2.純技術效率

純技術效率是指制度與管理水平帶來的效率，是受技術水平影響的生存效率。純技術效率等于1，說明在現有的技術水平下，投入資源是有效率的。如表2所示，只有上海市與安徽省的純技術效率是有效的，其余兩個省均是無效的。

表3 2013-2020年各地區科技金融純技術效率值

3.規模效率

規模效率是由于規模因素產生的生產效率，反映了實際最優規模與生產規模之間的差距。規模因素會導致DMU不在最優規模下運行。如表4所示，2013-2020年四個省市的規模效率均在0.8-1之間處于相對有效狀態，說明各省市的科技金融規模接近最佳規模，與最佳規模的差距較小。

表4 2013-2020年各地區科技金融規模效率值

4.規模報酬

當投入變量同比例改變時，其產出總量也會相應改變。當規模效益遞增時，增加一定量投入時，會有更大規模的產出；當規模效益遞減時，產出的增加量會小于投入的增加量。如表5所示，2017年以前上海市大多處于規模報酬遞增的階段，其后幾年大多處于規模報酬不變階段，處于整體有效的狀態。說明隨著上海市科技金融投入的增加，其產出已相對穩定。而江蘇省、浙江省、安徽省近年來均處于規模報酬遞增的狀態，應該增加各省科技金融投入量，以獲得更大規模的產出。

表5 2013-2020年各地區科技金融規模報酬階段

（二）Malmquist模型結果分析

采用Malmquist指數分析法測算2013-2020年四個省市的科技金融效率，結果如表6所示。

表6 長三角地區Malmquist指數及分解

總體來看，四個省市全要素生產效率均值為0.743、小于1，說明長三角四個省市的科技金融效率下降，下降率為25.7%。綜合技術效率、純技術效率、規模效率均為1，而技術進步率為0.0743，說明生產效率的低下主要原因是技術進步的限制。

分階段來看，四個省市的Malmquist指數從2013年的0.5至2020年的0.875，逐年遞增，其主要原因還是技術進步，這說明雖然長三角地區的全要素生產效率逐年下降，但由于技術進步的拉動，生產效率下降的幅度在逐年遞減。

五、結論與建議

首先，總體上，上海市與安徽省科技金融投入產出效率處于DEA相對有效狀態。但其他地區差異較大，江蘇省與浙江省處于DEA無效狀態，科技金融結合效率低。江蘇省與浙江省的綜合技術效率和純技術效率均處于無效狀態，規模效率處于有效狀態，這說明技術水平是導致綜合技術效率處于無效狀態的重要原因，所以應積極突破科技金融投入產出不聯通的技術難關，以達到資源有效配置的最佳狀態。

其次，從靜態角度來說，雖然上海市與安徽省效率處于DEA相對有效狀態，江蘇省與浙江省處于DEA無效狀態，但是上海市與安徽省的科技金融投入卻遠沒有江蘇省與浙江省多，這說明科技金融投入并不是科技金融效率的決定因素，投入過多可能反而會導致效率低下。并且近年來長三角四個省市的規模效率遞增，增大科技金融投入規模，可以獲得更大規模的產出。

最后，從動態角度分析，長三角四個省市的科技金融效率下降，其主要原因是技術進步的限制，但雖然長三角地區的全要素生產效率逐年下降，由于技術進步的拉動，生產效率下降的幅度在逐年遞減。

浙江省的科研力量特別是尖子人才緊缺，科研經費投入不足，科技投入特別是R&D投入強度不大。基于以上結論，本研究提出以下幾點建議：

第一，政府方面應大力支持高新技術產業發展，如對于積極響應政府政策的高技術企業給予相關補貼或福利，充分調動其市場積極性，宣布科技金融支出可以按比例抵扣稅款，將科技金融效率納入高技術企業質量評判標準等。

第二，企業方面應積極響應國家科技金融協調發展的號召，加大金融支持科技創新的力度以及高技術產品規模，加大科技金融投入，并且在增加科技金融投入的同時不斷提高相關技術水平，使資源達到最優配置。

第三，人才方面應該積極引入高新技術人才。“科技是第一生產力”，而人才是科技進步的重要支撐。長三角地區科技金融效率低下的主要原因就是技術困境，所以各省應結合全省科技金融發展的需要，適當增加R&D人員全時當量、R&D項目數與R&D經費支出，進一步重視科技人才的培養、引進、開發和利用，以突破科技金融技術難關。