非上市科技中小企業融資效率提升研究

姚定俊 廖怡琳 黃倩倩

【摘 要】 非上市科技中小企業是我國實現創新驅動發展的重要力量，但融資難仍是限制企業發展的因素。因此，準確度量融資效率和找準影響原因既貼合現實又是研究熱點。運用Bootstrap糾偏的Malmquist-DEA模型從靜態和動態兩個角度研究N市115家非上市科技中小企業融資效率，并探討影響其融資效率的因素，結果表明Bootstrap糾偏后的數值更符合現實。靜態分析表明，外部環境和隨機因素對融資效率的影響不容忽視，規模效率對行業差異化的影響是企業融資效率的主要影響因素；動態分析表明，企業的技術進步是影響企業融資效率的重要因素；總資產周轉率和研發投入強度對融資效率有正向影響，股權融資占比和資產負債率對其有負向影響。據此提出企業提高留存收益率、政府加快科技與金融融合等建議。

【關鍵詞】 非上市科技中小企業； 融資效率； 三階段DEA； Malmquist指數； Bootstrap

【中圖分類號】 F234.3；F832? 【文獻標識碼】 A? 【文章編號】 1004-5937（2023）15-0050-10

非上市科技中小企業是我國實現創新驅動發展的重要力量。自《“十四五”促進中小企業發展規劃》頒布以來，各省市相繼推出扶持非上市科技中小企業的地方性政策，非上市科技中小企業的營商環境得以改善。由于企業自身特性[ 1 ]、市場發展不均衡[ 2 ]、地區扶持政策的差異性[ 3 ]等，當前非上市科技中小企業仍存在融資效率低的問題。解決這一問題的前提條件是準確評價非上市科技中小企業的融資效率和找準其影響因素。

一、研究述評

Fried等[ 4 ]在2002年提出三階段DEA模型并將其用于評估企業的融資效率，得到了無環境變量和隨機誤差干擾的較客觀的企業融資效率。隨后，該模型被國內外學者廣泛應用于評估企業融資效率，如Xiaohuan和Anna[ 5 ]運用DEA方法測算了可再生能源行業在不同國家和不同融資方式下的融資效率；王偉和石珂菲[ 6 ]從細分行業、歸屬地區、資本市場等多維視角測算并比較信息技術中小企業融資效率，論證了此類企業的融資效率存在時變特征，但未準確揭示原因。由于三階段的DEA模型評價結果較為科學客觀，很多學者也將其擴展應用到評估煉油廠[ 7 ]和醫療制造公司[ 8 ]的生產效率、研發企業[ 9 ]的技術效率、科技企業孵化器運行效率[ 10 ]等。

雖然傳統的三階段DEA模型剔除了外部因素和隨機誤差的干擾，但并沒有反映研究對象效率是否存在時變特征，更沒有揭示存在時變效應的原因。此外，隨著樣本增加，評估結果也出現客觀性降低的問題。因此，有部分學者嘗試用其他方法來測算企業融資效率，如王秀貞等[ 11 ]采用CCR方法對中小企業的融資效率值進行分析，研究表明企業融資效率在不同維度上存在差異。為解決傳統三階段DEA模型無法動態分析企業效率的問題，Makridou等[ 12 ]在傳統的DEA模型基礎上引入Fare等[ 13 ]提出的Malmquist方法來評估歐盟國家五種能源密集型產業的能源效率，發現產業效率隨時間增長而有所提高。為解決樣本增加導致DEA模型評價效果降低的問題，Simar和Wilson[ 14 ]提出經過Bootstrap糾偏的DEA模型。此后，該方法被我國學者廣泛用于評估高端裝備制造[ 15 ]等行業的效率。回顧已有文獻，現有研究利用不同方法測算了科技企業融資效率，但未克服樣本增加導致評價效果客觀性降低的缺點，且鮮有涉及企業融資效率的動態分析。

鑒于此，本文采用Bootstrap抽樣法對傳統的三階段DEA模型結果進行糾偏，達到提高評價結果客觀性的目的。更為重要的是，在此基礎上，運用Malmquist指數法進行動態分析，最大程度上獲得準確客觀的評價。基于更準確客觀的評估值，通過構建多元回歸模型考察影響融資效率的因素，以提出更為高效的提升融資效率的建議。

二、非上市科技中小企業融資現狀

本文從非上市科技中小企業的認定情況、科技銀行信貸發放情況、政策性貸款“蘇科貸”的發放情況及調研座談獲得N市非上市科技企業的融資情況四方面來闡述N市非上市科技中小企業融資現狀。

N市地處市場經濟發達的江蘇省蘇南地區，其非上市科技中小企業認定數量居江蘇省前列。2016—2020年N市每年入庫的企業數逐年大幅增長（如圖1所示）。2020年N市進入非上市科技中小企業庫的企業總數為10 041家，相比2019年上漲50.20%，相比五年前增加了約90倍。其中，1 295家企業曾獲得市、區兩級發放的研發費用普惠獎勵總計9 763萬元。越來越多的企業通過加入非上市科技中小企業評價庫來增加獲得科技貸款及政府補貼的機會。

科技銀行是為科技企業提供信貸服務的地方金融機構。在江蘇省政府財政資金的支持下，地方科技銀行加大對種子期和初創期科技企業的扶持力度，降低了該類企業的融資門檻。截至2020年底，N市共有11家授牌科技銀行，發放貸款總量增幅較往年擴大，獲得科技信貸支持的企業數增加。具體來看，2017年有2 693家科技企業獲得11家科技銀行信貸支持共計157.4億元，平均每家企業獲得的貸款數量為584萬元，其中2 397家處于初創期和成長期的科技企業共獲得信貸支持115.2億元，占發放貸款總量的73.2%，平均每家企業獲得481萬元；2018年發放科技貸款6 120筆共計222.49億元，平均每家企業獲得363.6萬元，其中向初創期和成長期科技企業發放貸款5 307筆共計148.44億元，占發放總量的66.7%，平均每家企業獲得279.7萬元；2019年累計發放科技貸款7 697筆總計251.02億元，平均每家企業獲得326.1萬元；2020年累計發放科技貸款近300億元，平均每家企業獲得貸款約為300萬元。盡管2017年至2020年各年度企業平均貸款額逐年下降，但科技貸款的貸款總量和惠及企業數還是呈現快速增長的態勢。

“蘇科貸”是一種地方性政策科技貸款方式，通過政府引導銀行向科技中小企業發放低息貸款，扶持該類企業的技術創新和加快產品更新換代，加速企業科技成果的轉化和增強企業核心競爭力。企業利用“蘇科貸”融資增信可加速其在資本市場上直接融資的進程。2009年至2012年是“蘇科貸”的啟動試點階段，此后進入試點擴大發展階段。2019年底，“蘇科貸”的合作地區達到82個，實現了江蘇省13個市全覆蓋；受突發公共衛生事件影響，2020年底，“蘇科貸”的合作地區減少至78個。從整體來看，“蘇科貸”的新增貸款額呈現逐年下降的趨勢。2017年，江蘇省新增發放“蘇科貸”109億元，累計發放貸款392億元，支持企業4 789家；N市科技銀行為272家擁有自主知識產權的科技小微企業發放科技成果轉化專項資金基準利率貸款8.7億元，占江蘇省總額的7.98%。2018年，江蘇省科技成果轉化風險補償備選企業庫入庫企業總數超2.5萬家，全省新增發放“蘇科貸”低息貸款83億元，累計發放貸款475億元，支持企業5 519家；N市新增地方風險補償資金1 000萬元，共提供貸款8.6億元，雖然新增貸款量較上一年略微下降，但由于江蘇省整體新增貸款額減少較多，N市新增量占江蘇省新增量的比例上升到10.36%。2019年，江蘇省新增發放“蘇科貸”低息貸款78億元，入庫企業總數超2.9萬家，累計發放貸款553億元，支持企業6 294家；該年度N市“蘇科貸”新增浦發銀行和交通銀行兩家合作銀行，新增貸款額7.27億元，累計貸款額55.82億元。2020年，江蘇省累計發放貸款達600億元。當前江蘇省地方銀行積極主動提供政策性低息科技貸款，但是發放的總量依然不足。

筆者分別在2020年和2021年對N市入庫非上市科技中小企業中的115家企業展開實地調研和座談訪問。115家調研企業中：37家新一代信息技術和軟件企業，34家高端裝備制造企業，22家新能源與節能環保企業，15家新材料企業，7家生物技術和新醫藥企業。受突發公共衛生事件影響，2021年僅37家企業接受回訪調研。接受回訪調研的37家樣本企業中：12家新一代信息技術和軟件企業，9家高端裝備制造企業，7家生物技術和新醫藥企業，5家新材料企業，4家新能源與節能環保企業。

在實地調研和參加座談會過程中發現，N市非上市科技中小企業主要處于初創期和成長期，常通過股權融資、債權融資和內源融資三種渠道來融資，各渠道融資現狀整理如表1。非上市科技中小企業股權融資的主要渠道是增資擴股，也稱為股權增量融資，這是一種權益性融資方式。2016年至2020年共有49家企業進行了不同程度的增資擴股，每年度只有不到20%的企業進行了增資擴股，大部分企業都保持著原本的股權融資大小。可見，該方式并不是當前非上市科技中小企業最偏好的融資渠道。

“蘇科貸”是江蘇省非上市科技中小企業的地方性特色債券融資模式之一。2016年至2020年申請并獲得“蘇科貸”的企業數量逐年增長。尤其2020年后，超過60%的企業獲得“蘇科貸”的支持。由表1可得，N市越來越多企業享受到了“蘇科貸”惠企貸款福利：2016—2019年，未獲得該貸款的企業數為39家，獲得一次貸款的為15家，獲得兩次貸款的為22家，獲得三次貸款的為32家，獲得四次貸款的為7家。

內源融資是公司通過經營活動獲得最終留存在企業的資金。此處主要考慮企業的留存收益。企業將該類資金轉化為投資，通過內源融資的風險比較小，資金的成本也比較低。各年度企業內源融資占比平均值和內源融資占比超過30%的企業數呈現逐年上漲的趨勢。總體來看，企業通過內源融資獲得的資金占總資產的比重仍較小。分年度來看，2016—2020年，內源融資超過30%的企業占比逐漸突破50%，然而受突發公共衛生事件影響，內源融資超過30%的企業占比下降幅度明顯。這表明，N市非上市科技中小企業慢慢從種子期或者初創期成長為下一階段的企業，經營狀況轉好，留存收益越來越多，內源融資逐漸受到企業重視。

調研發現，2016—2019年N市調研企業可選的融資渠道很多，2020年N市調研企業主要以“蘇科貸”等政策性扶持貸款為主，但超過70%的受訪企業認為融資需求未得到完全滿足。超過50%的受訪企業存在融資困難，40%的受訪企業認為融資難度一般，7.88%的受訪企業認為融資容易。在融資難問題上，三分之一的受訪企業認為銀行貸款門檻高，超過20%的受訪企業歸結為自身條件約束，20%的受訪企業表示融資渠道較少，不到20%的受訪企業覺得不熟悉融資方式和條件。在信貸門檻高的原因方面，將近60%受訪企業認為自身信貸風險高，25%受訪企業認為銀行研判企業前景業務能力不足，6.17%受訪企業認為銀行金融創新不足，5.07%受訪企業認為銀企信息不對稱，3.50%受訪企業覺得信貸成本高。可見，影響非上市科技中小企業融資的因素有很多，但很難從受訪企業的主觀反饋信息中發現影響企業融資效率的關鍵因素。因此，準確測量企業的融資效率是找準影響因素的前提。

此次調研走訪還收集了受訪企業對政府扶持非上市科技中小企業力度的看法。2016—2019年，超過50%的受訪企業認為政府扶持力度強，不到40%的受訪企業認為扶持力度一般，認為扶持力度弱的企業占比不足5%。2020年，超過70%的受訪企業認為政府扶持力度強，不足20%的受訪企業認為扶持力度一般，認為扶持力度弱的企業占比不足10%。基于此，可發現，N市及時應對突發情況，延繳免征稅費、提供低息甚至免息的“蘇科貸”等惠企政策落實到位，當地企業切實享受到了惠企福利。這在一定程度上緩解了當期經營的資金壓力。誠然，N市政府在解決非上市科技中小企業融資難上取得不錯成績，但也有受訪企業在調研中表示，N市可采取增大政府擔保力度、加大財政貼息短期貸款力度、推廣專利質押貸款、暢通惠企政策信息渠道等措施來解決企業融資難問題。

三、研究設計

（一）三階段的Bootstrap-DEA模型

傳統DEA模型所得到的效率是相對效率，受到外部環境變量、隨機因素、樣本敏感性和生產前沿面非效率因素的影響，且不能進行不同年度之間的縱向比較，因此本文最終選擇經過Bootstrap糾偏的三階段DEA來靜態考察企業的融資效率。

第一階段：傳統的DEA模型。基于正向化處理后的原始投入與產出數據，運用Banker等[ 16 ]在1984年提出的規模報酬可變的BCC模型測算非上市科技中小企業的融資效率。

第二階段：相似的SFA模型。將第一階段的松弛變量分解成環境因素、內部管理和隨機噪聲三種效應后，剔除環境因素和隨機誤差的影響，采用相似的SFA模型進行回歸，獲得只考慮內部管理影響的調整后的投入值和產出值。

第三階段：Bootstrap糾偏的DEA模型。首先，將調整后的投入值和產出值依據第一階段的流程測算剔除環境變量和隨機因素影響后的融資效率；其次，參照Simar和Wilson[ 14 ]的Bootstrap糾偏的DEA方法，在所選企業的原始數據基礎上，通過重復抽樣模擬數據的生成過程，從而得到糾偏后的效率值，進一步利用Shapiro-Wilk正態性檢驗和Mann-Whitney U檢驗對糾偏前后的效率值進行檢驗，以此選擇更為客觀的最優效率值。

（二）三階段的Malmquist-DEA模型

DEA模型會忽略時變的技術進步對企業融資效率的貢獻，因而引入Malmquist指數[ 13 ]來解決這個問題。Malmquist指數用距離函數之比來描述全要素生產率的變化，該指數是綜合技術效率指數和技術進步指數的乘積。其中，綜合技術效率指數可分解為純技術效率指數（pech）和規模效率指數（sech）。三階段的Malmquist-DEA模型的基本思路：（1）將應用于傳統三階段DEA模型的原始數值依據Malmquist指數公式計算全要素生產率指數及其分解指數；（2）將Bootstrap-DEA模型中第二階段調整后的投入值和產出值依照Malmquist指數公式計算全要素生產率指數及其分解指數；（3）利用Bootstrap-DEA模型所獲得的糾偏后的數值按照Malmquist指數公式計算全要素生產率指數及其分解指數；（4）分行業、分年度對企業融資效率進行靜態和動態分析。

（三）多元線性回歸模型

經過Bootstrap糾偏后的綜合技術效率值處于（0，1）之間，不再有多家企業效率值為1的情況，由此可構建基于面板數據的多元線性回歸模型：

四、數據來源和指標選取

2020年和2021年通過走訪調研、座談訪問等方式分別獲得N市2016年至2019年115家和2020年37家企業投入—產出的無缺失值面板數據，描述性統計結果見表2。由于突發公共衛生事件影響，2021年接受回訪調研且提供無缺失值的2020年財務數據僅37家企業。因此，下文所列的2020年數據和實證結果均基于37家接受回訪調研企業的投入—產出數據。地區生產總值、政策貸款額等數據來源于地方統計年鑒和相關地方政府部門網站，運用Excel、DEAP2.1、Frontier4.1、R語言和Stata對樣本數據進行統計與分析。

遵循目的性、科學性、可比性和可獲得性的原則，且參照既往的研究成果[ 5，11，17 ]，從投入、產出和環境三大方面選取融資效率指標。（1）投入指標。從非上市科技中小企業融資渠道的特點和營收特點選取實收資本、負債總額、留存收益和研發投入四個指標，其中前三個指標依次對應股權融資、債權融資和內源融資三個融資渠道。（2）產出指標。企業融資的根本目的是擴大再生產來盈利，因而選取與企業盈利能力正相關的主營業務收入和凈利潤作為產出指標。（3）環境變量。合適的環境變量是指不受企業自主控制且影響企業融資效率的變量。不同的宏觀環境可能會導致發展狀況相同的企業融資效率之間產生差距，地區生產總值在一定程度上可反映當地工業技術發展狀況，因而選擇N市不同行政區域的地區生產總值作為環境變量之一；扶持政策的實施是影響企業融資效率的重要環境因素，以企業獲得的政策貸款額來反映政府的扶持力度；企業成立時間越長，其干中學效應和市場影響力會隨之增長，因此選擇企業的成立年份來衡量企業的市場聲譽和干中學效應。

五、實證結果與分析

（一）原始投入產出下融資效率分析

運用DEAP2.1軟件進行傳統DEA模型的融資效率評估，結果見表3的一階段和三階段中未糾偏值。分年度來看，企業的融資效率總體呈上升趨勢，但一階段的融資效率變幅大于三階段：純技術效率的變幅一直呈先升后降趨勢，但剔除外界因素和隨機因素干擾后，規模效率的變幅不僅呈現出上升趨勢且大于純技術效率的變幅。這揭示了無外部環境和隨機因素的影響下，企業融資效率的提升主要取決于規模效率的變幅；在我國當前大環境下，企業基本已實現規模經濟，所以規模效率對企業融資效率的提升影響弱于純技術效率。外部因素與融資效率的變幅呈負相關趨勢的原因是扶持初創型企業的政策比較多，隨著企業成立年限增長，適合企業的扶持政策相對減少，企業外源融資減少，投研比相對下降，最終導致技術進步變慢和融資效率降低。對比2020年和2016—2019年兩個時間段的融資效率，發現企業融資效率差異不大，三個指標的降幅未超過0.025。這充分說明江蘇省推出扶持企業的政策時滯性較短，企業的融資效率未受太大影響。可見，政策支持對企業應對經濟不確定性是十分重要的。

分行業來看，排除環境和隨機因素的干擾后，2016—2019年高端裝備制造、新材料及新一代信息技術和軟件三個行業的融資效率呈遞增趨勢，具體表現為純技術效率和規模效率共同作用拉動綜合技術效率提高；2020年大部分行業的融資效率變幅小于無環境和隨機因素的情況。這說明無政策支持環境可能會導致非上市科技中小企業面臨更大融資約束。進一步分析，不同行業的融資效率受政策影響差異較大：考慮政策等外部因素的影響下，高端裝備制造業的融資效率一直高于總體均值；但無外部因素干擾下，高端裝備制造業的融資效率增幅逐年降低。2016年我國正式開始5G技術研發試驗，此后掀起投資5G項目的熱潮。與此對應的是，新一代信息技術和軟件業的融資效率逐年提升。新能源行業的發展拉動了新能源與節能環保行業的融資效率提升。由上可得，我國部分行業的融資效率提升受國家政策和經濟形勢影響較大。

（二）Bootstrap糾偏后融資效率分析

獲得糾偏后的投入值和原始產出值后，再次利用DEAP2.1軟件評估非上市科技中小企業的融資效率，結果見表3的三階段中糾偏后。未糾偏前，樣本區間內部分企業存在效率值為1的情況，表明企業投入產出轉化率為100%，這與現實完全不符。糾偏后，各指標效率值均小于1，且走勢趨同，這說明糾偏后結果更符合實際情況。

分年度來看，總體上企業的融資效率呈小幅上漲趨勢，但外界環境和隨機因素對企業融資效率影響很大。具體表現為：2016—2019年，無外界因素干擾下，規模效率變幅大于純技術效率變幅，進而拉動綜合技術效率的變化，最終提升企業融資效率；在考慮外部環境和隨機因素情況下，純技術效率和規模效率二者綜合作用拉動綜合技術效率提升，但遠不及外因導致的融資效率變幅。2020年，企業經營狀況變差導致綜合技術效率下降，進而影響企業融資效率。以上說明外部環境會阻礙企業釋放規模化集群生產優勢來提升企業融資效率。

分行業來看，糾偏后，2016—2019年大部分行業的企業融資效率年變幅有所波動，但總體呈上升趨勢。主要原因是規模效率的增幅大于純技術效率的變動幅度，進而拉動企業融資效率提升。2020年，生物技術和新醫藥、新能源與節能環保及新一代信息技術和軟件三個行業的融資效率增加，但新一代信息技術和軟件行業及生物技術和新醫藥行業的融資效率低于總體均值。新一代信息技術和軟件行業通過大幅提高企業技術水平來抵銷規模效率下降帶來的不利影響，進而拉動企業融資效率上升，表明該行業效率測度受到非效率因素的影響小。2020年新材料行業的融資效率雖下降但仍高于總體均值，這說明行業對企業融資效率的影響有差異。糾偏后，生物技術和新醫藥行業融資效率的變幅主要取決于規模效率的變幅：2017年和2020年企業規模效率的增幅高于純技術效率，2018年和2019年企業規模效率的降幅低于純技術效率。但高端裝備制造業融資效率糾偏前后排名結果不一致，這是由規模效率糾偏前后的排名不一致所導致的，說明該行業效率測度受到生產前沿面的非效率因素影響較大。可見，規模效率對不同行業的企業差異化影響是影響企業融資效率的主因。

（三）融資效率動態分析

為動態分析2016—2020年N市非上市科技中小企業融資效率，運用DEAP2.1軟件測算研究對象的全要素生產率指數及其分解指數，結果如表4所示。分年度來看，僅有2018—2019年和2019—2020年的全要素生產率指數大于1，表明企業融資效率呈先降低后上升趨勢。原因是2018年中美貿易摩擦加劇對非上市科技中小企業的沖擊，隨后我國出臺很多政策扶持中小企業，但由于政策實施存在時滯性，當年的融資效率仍小于1，但下一年度的企業融資效率激增。2020年初面對突發公共衛生事件，各級政府反應及時，積極推出并落實“六穩六保”舉措。這是2019—2020年全要素生產率指數略有下降但仍大于1的重要原因。鑒于此，政策這一外部因素對企業融資效率有一定的影響。技術進步對企業全要素生產率指數的影響要大于綜合技術效率：剔除外因和隨機因素的影響后，2018—2020年兩個年度均出現了綜合技術效率指數變化量為負的情況，而技術進步給企業帶來的好處抵銷了綜合技術效率帶來的負影響。因此，兩個年度的全要素生產率均超過1，促進了企業融資效率的提升。三階段的指標數值明顯與一階段的指標數值有差異，可見，政策等外因和隨機因素對企業融資效率的影響不容忽視。

分行業來看，部分行業一階段和三階段的所有指標數值差異不明顯，但融資效率呈現時變的行業差異。剔除外部環境和隨機變量影響后，新一代信息技術和軟件行業的全要素生產率指數為1.069，相比調整前增加了4.9%，其余行業調整前后全要素生產率指數的變化幅度都在1%內。可見，大多數行業各年度都遭遇了技術退步，但這些行業相對于調整前的技術退步程度較小，外部環境和隨機因素對行業技術有負面影響，進而間接影響企業融資效率。在無環境和隨機因素影響下，新材料行業和新能源與節能環保行業的純技術效率下降，這導致其綜合技術效率指數低于未調整前。說明兩個行業的運營管理水平相對于調整前有所下降且下降幅度高于資金配置水平上升的幅度，兩個行業的企業資金配置效率相對下降，這是兩個行業企業融資效率低于剔除外因和隨機因素時融資效率的主因。其余行業的融資效率在無外部環境和隨機因素干擾下皆有所上升。由于規模報酬遞增、內在經濟等行業特征，高端裝備制造行業與新一代信息技術和軟件行業的融資效率提升主要來自規模效率指數上升，但外部環境和隨機因素對兩個行業的規模效率指數都產生了負面影響，不利于行業的融資效率提升；而生物技術和新醫藥行業的融資效率提升則是得益于純技術效率的上升，這是由技術含量高、多學科高度綜合互相滲透等行業特點所決定的。

（四）融資效率影響因素分析

前文評估企業融資效率值并進行靜態和動態分析，但未揭露影響企業融資效率的因素。因此，參考前人的研究成果[ 3，11 ]，此處以經過Bootstrap糾偏后的綜合技術效率值為被解釋變量，從企業的融資結構及企業資金運用等角度選取解釋變量，來探討影響非上市科技中小企業融資效率的因素。各變量描述性統計結果如表5所示。

經過Bootstrap糾偏的綜合技術效率極差很大，均值處于較高水平且標準差較小，表明樣本企業中存在極端值，處于極端值的企業融資效率差距很大，但大多數企業融資效率相差無幾。在資產結構上，資產負債率和股權融資占比的極差很大，但標準差較小，企業總體股權融資占比的平均值要小于資產負債率的平均值，說明政策性貸款等債權融資仍是非上市科技中小企業的重要資金來源。

在回歸分析之前，對經過Bootstrap糾偏的變量進行多重共線性檢驗。所有變量的VIF最大值為1.31，故不存在多重共線性。同時，考慮到擾動項存在異方差，因此通過LM檢驗和輔助回歸方法來判斷應采取的回歸模型。結果顯示：LM檢驗值為257.49，輔助回歸方法的p值為0。因而，不選擇混合回歸模型和隨機效應模型，采用固定效應模型。利用Stata15.1軟件進行固定效應的多元線性回歸，結果如表6所示。

由表6可得，4個解釋變量對經過Bootstrap糾偏的綜合技術效率的影響均顯著。股權融資占比和總資產周轉率在1%的置信水平顯著，前者相關系數為負，后者相關系數為正，說明企業的股權融資占比越高，企業外源融資成本越高。但盈利增幅低于融資成本增長，企業資本積累未達預期，融資效率低；總資產周轉率越高，企業越能高效利用資源盈利，企業達到融資擴大再生產的目的，企業融資效率越高。研發投入強度和資產負債率在5%的置信水平顯著，前者相關系數為正，后者相關系數為負。企業增加負債，節稅效應增強，同時說明企業未有效利用資金，但隨著負債率繼續增長，債務成本超過節稅效應和盈利所得，企業融資效率降低。企業加大研發投入可促進企業融資效率提高，這十分貼合現實：很多銀行或地方政府牽頭成立基金推出以科技項目為基礎的政策性貸款，非上市科技中小企業為獲得政策性貸款不得不加大研發投入開展科研項目，依靠技術進步來增強企業的核心競爭力和提高企業的盈利能力，企業融資效率亦隨之提高。

六、結論及建議

本文運用三階段Bootstrap-DEA和Malmquist-DEA模型分別從靜態和動態兩個角度研究了N市115家非上市科技中小企業融資效率，并運用多元線性回歸模型探討影響融資效率的因素。實證結論如下：（1）Bootstrap糾偏后的指標數值更符合現實。（2）靜態分析結果顯示，外部環境和隨機因素對非上市科技中小企業融資效率的影響不可忽視，但長期來看，企業融資效率呈上漲趨勢，規模效率對行業的差異化影響是企業融資效率的主要影響因素。（3）動態分析結果表明，不同年份兩個階段所有指標的數值走勢基本趨同，但三階段的指標數值明顯與一階段的指標數值有差異，這說明外部環境和隨機因素對企業融資效率有影響；從細分行業來看，企業融資效率呈現時變的行業特征，技術進步仍是影響大多數企業融資效率的重要因素。（4）由融資效率影響因素的研究結果可以發現，資產負債率和股權融資占比給企業的融資效率帶來顯著的負面影響，企業應當減少債權融資和股權融資在總資產中的比重，即增加內源融資占比，從而促使融資效率提高。研發投入強度和總資產周轉率的增加有助于企業融資效率的提高。

上述結論為提高我國非上市科技中小企業融資效率提供借鑒思路。一方面，企業應優化資本結構，加強技術創新，提高經營管理能力，具體措施為提高留存收益比例、加強財務管理、設置研發投入風險預警線、實行管理扁平化（減少管理層次）等。另一方面，政府首先應運用科技手段，推動科技與金融資源結合，積極為商業銀行和科技中小企業的資金供給與需求搭建橋梁，減少金融機構與中小企業之間的信息不對稱，積極為企業提供擔保，鼓勵金融創新，提高科技中小企業獲得貸款的可能性；其次，面對公共突發事件時，政府不僅應審時度勢地制定惠企政策，還應采取措施來減輕實施政策的時滯性，達到緩解企業經營壓力和降低企業融資成本的目的。

【參考文獻】

［1］ 周亮，劉黎一帆.互聯網金融背景下小微企業融資問題研究［J］.會計之友，2020，636（12）：43-47.

［2］ 程翔，鮑新中.科技金融政策效率研究：以京津冀地區為例［J］.北京聯合大學學報（人文社會科學版），2018，16（3）：116-124.

［3］ 藺鵬，孟娜娜.科技型中小企業融資支持政策的運作機理及效果評估：基于SFA模型的實證分析［J］.軟科學，2018，32（3）：38-42.

［4］ FRIED H O，LOVELL C A K，SCHMIDT S S，et al.Accounting for environmental effects and statistical noise in data envelopment analysis［J］.Journal of Productivity Analysis，2002，17（1/2）：157-174.

［5］ XIAOHUAN L，ANNA S.Research on the renewable energy industry financing efficiency assessment and mode selection［J］.Sustainability，2018，10（1）：222-235.

［6］ 王偉，石珂菲.技術效率、行業測度與中小企業高質量發展：基于SFA模型的實證分析［J］.河南師范大學學報（哲學社會科學版），2019，46（6）：15-21.

［7］ NARENDRA N D，JIGNESH M J.Estimating technical efficiency of petroleum refineries using DEA and tobit model：an india perspective［J］.Computers & Chemical Engineering，2020，142（11）：47-49.

［8］ CHIN-WEI H.Using a hybrid two-stage DEA model to analyze the profitability and marketability of medical manufacturing firms［J］. International Transactions in Operational Research，2021，28（1）：470-492.

［9］ PEGAH K，PETER T.Performance evaluation of R&D active firms［J］.Socio-Economic Planning Sciences，2018，61：16-28.

［10］ 夏星，張珍.基于三階段DEA模型的科技企業孵化器運行效率測度［J］.統計與決策，2020，36（24）：156-160.

［11］ 王秀貞，丁慧平，胡毅.基于DEA方法的我國中小企業融資效率評價［J］.系統工程理論與實踐，2017，37（4）：865-874.

［12］ MAKRIDOU G，ANDRIOSOPOULOS K，DOUMPOS M，et al.Measuring the efficiency of energy-intensive industries across European countries［J］.Energy Policy，2016，88：573-583.

［13］ FARE R，GROSSKOPF S，LOVELL C A K.Production frontiers［M］.Cambridge University Press，1994.

［14］ SIMAR L，WILSON P W.Sensitivity analysis of efficiency scores：how to bootstrap in nonparametric frontier models［J］.Management Science，1998，44（1）：49-61.

［15］ 劉芳，王宇露.基于Meta-Frontier-Bootstrap-DEA方法的中國高端裝備制造企業效率測度研究［J］.統計與信息論壇，2017，32（6）：92-98.

［16］ BANKER R D，CHARNES A，COOPER W W.Some models for estimating technical and scale inefficiencies in data envelopment analysis［J］.Management Science，1984，30（9）：1078-1092.

［17］ 榮鳳芝，鐘旭娟.政府補助、研發投入與企業績效相關性的實證檢驗［J］.統計與決策，2020，36（5）：161-165.