劉太萍 張愛淑

摘 ? 要：本文在構建科技金融評價指標體系的基礎上，用計量回歸模型驗證了江蘇省作為一個能源和礦產資源缺乏的省份，其經濟增長主要是依靠金融支持和科技創(chuàng)新驅動。通過運用DEA模型對江蘇省2006-2017年的科技金融數據進行分析，發(fā)現雖然江蘇省的科技金融投入產出一直處于相對有效狀態(tài)，但是近兩三年出現了規(guī)模報酬遞減的現象。對江蘇省13個城市2015和2017年的數據進行分析，發(fā)現江蘇省科技金融效率近兩三年出現規(guī)模報酬遞減主要是由蘇南和蘇中地區(qū)城市造成的，而蘇北地區(qū)城市仍處于規(guī)模報酬遞增階段，這主要是因為蘇南、蘇中和蘇北地區(qū)處于不同的經濟發(fā)展階段造成的。

關鍵詞：科技金融;數據包絡分析;效率評價;規(guī)模報酬

一、引言

2012年底，黨的十八大明確提出實施創(chuàng)新驅動發(fā)展戰(zhàn)略，強調科技創(chuàng)新是提高社會生產力和綜合國力的戰(zhàn)略支撐，必須擺在國家發(fā)展全局的核心位置。2016年5月，中共中央、國務院發(fā)布《國家創(chuàng)新驅動發(fā)展戰(zhàn)略綱要》，確立了三步走的戰(zhàn)略目標：到2020年進入創(chuàng)新型國家行列、到2030年躋身創(chuàng)新型國家前列、到2050年建成世界科技創(chuàng)新強國。在此背景下，2016年7月29日，江蘇省委、省政府召開全省科技創(chuàng)新大會，落實國家創(chuàng)新驅動發(fā)展戰(zhàn)略綱要。會議指出，江蘇省的發(fā)展已經到了“不創(chuàng)新不行、創(chuàng)新慢了也不行”這樣一個階段，科技創(chuàng)新是江蘇省未來發(fā)展的希望所在，在貫徹實施國家創(chuàng)新驅動發(fā)展戰(zhàn)略綱要、推動科技強省的建設過程中，要聚焦科技創(chuàng)新這個“核心的核心”用功發(fā)力，體現江蘇“高度”，形成江蘇“標志”，作出江蘇“示范”。

但是，現代科技創(chuàng)新離不開金融資本的支持。諾貝爾經濟學獎獲得者保羅·克魯格曼曾指出：美國經濟增長的60%-70%應歸功于新經濟的帶動，而美國新經濟的發(fā)展，在很大程度上歸功于美國發(fā)達的創(chuàng)投業(yè)和納斯達克市場。對于我國而言，要防止關鍵技術領域被“卡脖子”，一個重要方面就是聚集創(chuàng)新要素，實現各要素有效配置，讓創(chuàng)新活動和資源投入得到有效激勵，這離不開金融“血液”和資本市場（?；荽旱?，2019）。

科技金融，就是指為了支持科技創(chuàng)新型中小企業(yè)發(fā)展壯大而進行的一系列金融創(chuàng)新，其目的是為了更好地促進科技成果轉化，支持經濟轉型升級發(fā)展。江蘇省要聚焦科技創(chuàng)新這個“核心的核心”用功發(fā)力，建設科技強省，就必須注重科技金融的效率，以一定的科技金融投入獲得最大化的科技創(chuàng)新成果產出。

二、江蘇省科技創(chuàng)新能力現狀分析

2018年7月，上海社科院發(fā)布了《2017年度長三角城市群科技創(chuàng)新驅動力城市排名報告》。在長三角26個城市中，綜合得分排名前十的城市分別為：上海、南京、杭州、蘇州、合肥、無錫、寧波、常州、南通、蕪湖?？梢钥闯?，江蘇省有南京、蘇州、無錫、常州、南通五市位列其中。但是需要指出，南京雖然排名第二，但是其綜合得分僅有0.634分，明顯低于上海的0.73分。同時考慮到根據2016年5月國務院批準的《長江三角洲城市群發(fā)展規(guī)劃》，江蘇省歸入長三角城市群的還有鹽城、揚州、鎮(zhèn)江、泰州四市均在前十名之外，以上海市作為參照，江蘇省的綜合創(chuàng)新能力確實還有很大的提升空間。

根據中國科學技術發(fā)展戰(zhàn)略研究院在2018年10月發(fā)布的《中國區(qū)域科技創(chuàng)新評價報告2018》，江蘇省2016年的綜合科技創(chuàng)新指數得分為77.13分，與上海、北京、天津、廣東、浙江的綜合科技創(chuàng)新水平同屬第一陣營，居全國第5位（見圖1）。但是，考慮到2016年江蘇省的GDP為77388億元、居全國第2位，R&D研究人員數為201377人年、居全國第1位，萬人發(fā)明專利擁有量18.7件、居全國第3位，江蘇省在綜合科技創(chuàng)新能力方面相對于上海和北京的差距與這些技術經濟指標并不匹配，這很可能是由于江蘇省科技金融相對缺乏效率所導致的。

甘星和甘偉（2017）對2006-2014年我國三大經濟圈10個?。ㄖ陛犑校┑目萍冀鹑谙鄬π蔬M行了分析，江蘇省在2006-2008年、2009-2011年、2012-2014年三個時期的綜合效率分別為0.51、0.677和0.778，而北京市和廣東省在三個時期均為1，上海市則分別為1、0.954和1，天津市為1、0.959和0.962?？梢姡K省在科技金融效率方面與兄弟省份（直轄市）之間確實存在差距。

因此，本文將以江蘇省整體及十三個城市作為研究對象，運用數據包絡分析（DEA）的方法，對江蘇省的科技金融效率進行評價，探討其中的“短板”在哪里，并提出相應的對策建議。

三、江蘇省科技金融效率評價的研究設計

當前對省域科技金融效率進行研究的文獻較多，如江涌等（2017）、李合龍等（2018）專門研究了廣東省，余麗霞等（2019）專門研究了四川省，但專門研究江蘇省的文獻較少?，F有很多文獻是在省域科技金融效率比較的情景下提到江蘇省，其研究結果認為江蘇省的科技金融缺乏效率（徐玉蓮等，2015;李林漢等，2018），但是也有文獻研究結果認為，江蘇省科技金融處于生產前沿面，具有效率（杜金岷等，2016）。之所以出現上述一些文獻研究結論相反的原因，一方面可能是使用數據的時間段各不一致，學者們只在各自截取的時間段內做實證分析，其研究結論只適用于某一時間段，另一方面可能是對于評價模型的設置不當，例如有些學者將研發(fā)人員數量作為科技金融的投入明顯欠妥，因為研發(fā)人員是人力資本投入而非金融投入。因此，本文將重新進行研究設計，以更加系統(tǒng)和動態(tài)的視角來分析江蘇省科技金融的真實效率。

本文擬采用數據包絡（DEA）的分析方法。這是一種由多指標投入和多指標產出構成的相對有效性綜合評價方法。相較于計量回歸模型，DEA模型的優(yōu)勢在于不需要將科技創(chuàng)新產出綜合為一個因變量指標。張玉喜等（2015）在構建科技金融投入對科技創(chuàng)新產出作用的面板數據計量經濟模型時，列舉了6個衡量科技創(chuàng)新產出的指標：（1）三大論文檢索數;（2）申請專利受理數;（3）申請專利授權數;（4）新產品銷售收入;（5）新產品產值;（6）技術市場成交金額。然后再運用TOPSIS方法對這六個科技創(chuàng)新指標進行綜合評價，得出了唯一的科技創(chuàng)新產出變量，以此作為模型的被解釋變量。相反，DEA模型就不需要進行這種處理。

一般認為，科技金融由公共科技金融和市場科技金融兩部分組成。其中，公共科技金融的投資主體是政府，而市場科技金融的投資主體是商業(yè)銀行、創(chuàng)業(yè)風險投資機構等非銀行金融機構。因此，本文在選擇投入指標時，選擇了代表公共科技金融投入的一般公共預算中科學技術支出，代表市場科技金融投入的年末金融機構人民幣貸款余額，而大中型工業(yè)企業(yè)R&D經費內部支出則既可能包含公共科技金融投入，也可能包含市場科技金融投入。產出指標則包括高新技術產業(yè)產值和三種專利授權量這兩個指標。具體的指標體系如表1所示：

指標體系中的數據由《江蘇統(tǒng)計年鑒》和江蘇省13個城市各自的統(tǒng)計年鑒整理得到。鑒于2006年之前的部分指標統(tǒng)計口徑發(fā)生變化和部分數據的不可獲得，本文收集、整理了2006-2017年江蘇省科技金融投入產出的相關數據資料。在收集整理完數據之后，使用IBM SPSS 22.0軟件和Deap2.1軟件對數據進行相應的分析。

四、江蘇省科技金融效率評價的實證研究

（一）投入產出指標對江蘇省GDP的回歸分析

根據內生經濟增長理論和創(chuàng)新驅動經濟發(fā)展戰(zhàn)略的內在邏輯，有理由認為科技金融投入產出指標體系中的各個指標都會直接或間接影響宏觀經濟的總量。因此，在進行江蘇省科技金融效率評價之前，首先建立一個以江蘇省GDP為被解釋變量，指標體系中的5個指標為解釋變量的多元線性回歸模型?？紤]到這5個指標一定會存在多重共線性現象，使用逐步回歸法中的向后（backward）篩選策略，按照解釋變量的偏F統(tǒng)計量概率P值水平大于等于0.10的標準，逐一剔除解釋變量。

表2和表3展示了解釋變量中的專利授權量、科學技術支出、高新技術產業(yè)產值被逐一剔除的過程以及相關的統(tǒng)計量。表4展示了在逐步回歸過程中每一個模型中各解釋變量的回歸系數（包括常數項）。可以發(fā)現，最后保留在模型中的解釋變量為金融機構貸款和研發(fā)經費內部支出，這在一定程度上驗證了金融對實體經濟的促進作用以及由研究與開發(fā)帶來的經濟內生性增長至少在江蘇省是適用的。為了促進江蘇經濟更好地增長，當前最需要解決的就是科技金融的效率問題了。

（二）江蘇省2006-2017年科技金融效率評價

對江蘇省2006-2017年的科技金融相對效率進行分析，得出如表5所示的結果。其中，綜合效率值是CCR模型的得分，純技術效率值是BCC模型的得分，綜合效率值等于純技術效率值乘以規(guī)模效率值。可以看出，江蘇省的科技金融效率一直都是相對有效的。2006、2008、2009和2011這四年曾出現過規(guī)模報酬遞增的情況，說明當時增加一個單位的科技金融投入是可以使得科技創(chuàng)新的產出增加大于一個單位的，應該加大科技金融投入的規(guī)模。2012-2014這三年江蘇省科技金融確實進入了整體有效率的狀態(tài)。但是，2015和2017年卻出現了規(guī)模報酬遞減的現象，說明江蘇省科技金融的投入規(guī)模并沒有帶來相應規(guī)模的科技創(chuàng)新產出。因此，江蘇省需要分析當前科學技術研發(fā)的特點，調整科技金融投入的重點和結構，使之適應當前江蘇省經濟發(fā)展對科技創(chuàng)新的新需求。一個可以與之類比的事例就是，我國資本市場在2009年10月推出了創(chuàng)業(yè)板，對于那時候迫切需要資金的中小型創(chuàng)新企業(yè)提供了重要的金融支持，適應了當時中國經濟發(fā)展的需要，但是近些年監(jiān)管層和投資者日益發(fā)現很多在創(chuàng)業(yè)板上市的創(chuàng)新企業(yè)都是屬于商業(yè)模式創(chuàng)新的“軟創(chuàng)新”企業(yè)。于是，2019年6月13日科創(chuàng)板正式開板，這次更多地是去支持擁有核心技術的“硬創(chuàng)新”中小型科技企業(yè)。

（三）江蘇省13個城市2015和2017年科技金融效率評價

眾所周知，江蘇省雖然是一個經濟大省，但是區(qū)域經濟發(fā)展并不平衡，蘇南、蘇中和蘇北地區(qū)的經濟差距非常明顯。因此，江蘇省科技金融的整體效率很可能受到省內不同地區(qū)城市科技金融效率的影響。針對2015和2017年江蘇省科技金融效率出現規(guī)模報酬遞減的現象，對這兩年江蘇省13個城市的科技金融效率進行數據分析，得出了如表6所示的結果。需要指出，由于大部分省內城市的統(tǒng)計年鑒僅提供了規(guī)模以上工業(yè)企業(yè)R&D經費內部支出數據，而未提供大中型工業(yè)企業(yè)R&D經費內部支出數據，因此此處的分析數據用前者代替了后者。

從表6可以看出，在2015年蘇南五市中南京、無錫、常州和蘇州四市均處于規(guī)模報酬遞減階段，到了2017年南京的狀態(tài)已經調整過來，但是其他三市依然處于規(guī)模報酬遞減狀態(tài)。尤其需要注意的是，作為蘇南模式代表的蘇錫常三市的綜合效率值均低于0.9分，處于無效率狀態(tài)。反觀蘇北五市，在2015年僅有鹽城和宿遷處于無效率狀態(tài)，2017年又增加一個淮安市，在規(guī)模報酬方面這三個蘇北城市與蘇南城市恰恰相反，處于報酬遞增階段。再看蘇中三市，揚州和南通在2015和2017年均處于規(guī)模報酬遞減階段，與蘇南城市相同。在綜合效率方面，揚州一直處于相對有效的狀態(tài)，南通在2015年處于相對有效狀態(tài)，但是進入2017年進入無效率狀態(tài)。

由此可以看出，江蘇省整體科技金融效率在2015和2017年出現規(guī)模報酬遞減的原因主要是由蘇南城市和蘇中城市引起的。但是，蘇北城市卻出現了規(guī)模報酬遞增的情況。這應該與蘇南、蘇中和蘇北地區(qū)經濟處于不同的發(fā)展階段相關。

圖2對比了蘇南、蘇中和蘇北地區(qū)2017年人均GDP和居民人均可支配收入，圖3按照蘇南、蘇中、蘇北的順序列示了13個城市2017年的GDP，可以發(fā)現三個地區(qū)的經濟發(fā)展水平差距較大。同時，按照國際組織認定的人均GDP達到2萬美元即可列為初等發(fā)達國家的標準，蘇南地區(qū)其實已經到了這個水平，而蘇中地區(qū)正在接近這個水平。因此，蘇南和蘇中地區(qū)的科技金融處于相對無效率及規(guī)模報酬遞減的原因主要在于經濟水平發(fā)展到一定程度后，需要對科技金融的投入結構做相應的調整，以適應經濟轉型升級的需要。而蘇北地區(qū)的經濟還處于追趕階段，科技金融處于無效率狀態(tài)及規(guī)模報酬遞增的情況說明，蘇北地區(qū)更需要的是加大科技金融投入的規(guī)模。

五、研究結論與對策建議

（一）研究結論

通過對2006-2017年數據的DEA分析，發(fā)現江蘇省整體科技金融效率是相對有效的，但是近兩三年出現了規(guī)模報酬遞減的現象，這與江涌等（2017）、余麗霞等（2019）在進行省域科技金融效率比較時得到的結果是一致的，反映出江蘇省作為經濟大省，其科技金融投入規(guī)模較大，但是資金配置的效率卻不高，致使未能達到相應規(guī)模的科技創(chuàng)新產出。進一步，通過深入分析江蘇省13個城市在2015年和2017年的科技金融效率，發(fā)現江蘇省整體科技金融效率在最近兩三年出現規(guī)模報酬遞減的原因主要是由蘇南城市和蘇中城市引起的。但是與此同時，蘇北城市卻出現了規(guī)模報酬遞增的情況。這與蘇南、蘇中和蘇北地區(qū)經濟處于不同的發(fā)展階段密切相關。

（二）對策建議

江蘇省是一個能源和礦產資源相對缺乏的省份，經濟大省的地位應該更多地來自于創(chuàng)新驅動發(fā)展，其經濟增長必須依賴于科技創(chuàng)新。而科技創(chuàng)新需要金融資本的支持，江蘇省依托其強大的經濟實力也一直在科技創(chuàng)新上加大金融投入。但是，近些年隨著蘇南地區(qū)的經濟發(fā)展達到初等發(fā)達國家的水平，其科技創(chuàng)新的重點和難點也在發(fā)生變化，之前的科技金融投入方向未進行相應的調整，進而造成了規(guī)模報酬遞減的現象。正在向著初等發(fā)達國家水平進軍的蘇中地區(qū)也出現了這種情況。因此，對于蘇南和蘇中地區(qū)城市的科技金融投入結構要根據經濟轉型升級的需要及時進行調整。

另一方面，蘇北地區(qū)的經濟發(fā)展還處于追趕階段，其科技金融投入產出還處于規(guī)模報酬遞增的階段，應該進一步加大科技金融投入的規(guī)模。需要注意的是，作為蘇北城市領頭羊和淮海經濟區(qū)中心城市的徐州一直處于整體有效的狀態(tài)，因此該城市要積極發(fā)揮示范帶頭作用，積極幫助本區(qū)域內其他城市提升效率。

參考文獻

[1]杜金岷，梁嶺，呂寒.中國區(qū)域科技金融效率分析——基于三階段DEA模型分析[J].金融經濟學研究，2016，（6）：84-93.

[2]甘星，甘偉.環(huán)渤海、長三角、珠三角三大經濟圈科技金融效率差異實證研究[J].宏觀經濟研究，2017，（11）：103-114.

[3]江涌，閆曉旭，劉佐菁，杜賽花.基于DEA模型的科技金融投入產出相對效率分析——以廣東省為例[J].科技管理研究，? ? ? ? ? 2017，（3）：69-74.

[4]李合龍，段紫薇.基于AHP-DEA-Malmquist的廣東省科技金融效率評價研究[J].科技與經濟，2018，（2）：50-54.

[5]李林漢，王宏艷，田衛(wèi)民.基于三階段DEA-Tobit模型的省際科技金融效率及其影響因素研究[J].科技管理研究，2018，（2）：? ? ? ? ? 231-238.

[6]余麗霞，鄭潔.基于DEA模型的科技金融結合效率研究——以四川省為例[J].會計之友，2019，（4）：32-37.

[7]徐玉蓮，王玉東.區(qū)域科技金融資金的配置效率研究[J].科學管理研究，2015，（2）：93-96.

[8]?；荽海瑴貪?，周琳.科創(chuàng)板正式開市——中國資本市場發(fā)展的里程碑[N].經濟日報，2019-7-23.

[9]張玉喜，趙麗麗.中國科技金融投入對科技創(chuàng)新的作用效果——基于靜態(tài)和動態(tài)面板數據模型的實證研究[J].科學研究，? ? ? ? ? 2015，（2）：177-184.

[10]中國科學技術發(fā)展戰(zhàn)略研究院.中國區(qū)域科技創(chuàng)新評價報告2018[M].北京：科學技術文獻出版社，2018.

Abstract： This paper constructs a set of evaluating indicators， and uses an econometric regression model to testify that the economic growth of Jiangsu province is driven by finance and sci-tech innovation although it is lack of energy and mineral resources. Then， this paper adopts DEA model to analyze the sci-tech finance data of Jiangsu province form 2006 to 2017 years， finds that sci-tech finance input-output of Jiangsu province has been relative efficiency but the phenomenon of decreasing return on scale is appearing in recent years. By analyzing the data of 13 cities in jiangsu province in 2015 and 2017， it is found that the decrease of returns to scale in the efficiency of science and technology finance in jiangsu province in the past two or three years is mainly caused by the cities in southern jiangsu and central jiangsu， while the cities in northern jiangsu are still in the stage of increasing returns to scale.This is mainly because south jiangsu， middle jiangsu and north jiangsu are in different stages of economic development.

Keywords： scitech finance; DEA; efficiency evaluation;scale reward

責任編輯、校對：錢曉東