亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于DEA-Tobit 模型的中國(guó)智能產(chǎn)業(yè)金融支持水平與效率評(píng)價(jià)研究*

        2021-07-12 04:54:04張紅梅
        南方農(nóng)機(jī) 2021年12期
        關(guān)鍵詞:省市融資金融

        任 杰,張紅梅

        (貴州財(cái)經(jīng)大學(xué)大數(shù)據(jù)應(yīng)用與經(jīng)濟(jì)學(xué)院(貴陽(yáng)大數(shù)據(jù)金融學(xué)院),貴州 貴陽(yáng) 550025)

        2017年,國(guó)務(wù)院印發(fā)了《新一代人工智能發(fā)展規(guī)劃》和《促進(jìn)新一代人工智能產(chǎn)業(yè)發(fā)展三年行動(dòng)計(jì)劃(2018—2020年)》,為我國(guó)智能產(chǎn)業(yè)的發(fā)展提供了依據(jù)并明確了方向。近年來(lái),我國(guó)在智能產(chǎn)業(yè)的投入逐年遞增,這些均表明我國(guó)對(duì)智能產(chǎn)業(yè)的發(fā)展十分重視。在政策的指揮棒下,智能產(chǎn)業(yè)的發(fā)展獲得來(lái)自政府和市場(chǎng)的大力推動(dòng),其規(guī)模迅速擴(kuò)大。金融是推動(dòng)我國(guó)經(jīng)濟(jì)結(jié)構(gòu)轉(zhuǎn)型、產(chǎn)業(yè)結(jié)構(gòu)升級(jí)的重要推手,同時(shí)也是智能產(chǎn)業(yè)發(fā)展的基石,是推動(dòng)智能產(chǎn)業(yè)不斷向前發(fā)展的核心支持力量。我國(guó)各省市為了引導(dǎo)本土智能產(chǎn)業(yè)良好發(fā)展,相繼出臺(tái)了各種十分具有針對(duì)性的政策,同時(shí)還從財(cái)政補(bǔ)助、稅收減免等方面提供金融支持,促使智能產(chǎn)業(yè)科技成果轉(zhuǎn)化。然而,許多智能企業(yè)存在投入高產(chǎn)出低的問(wèn)題,從而造成了資金浪費(fèi),導(dǎo)致金融資源配置較低,不利于智能產(chǎn)業(yè)的發(fā)展。基于此,本課題小組測(cè)度了我國(guó)21 個(gè)省市的智能產(chǎn)業(yè)金融支持效率,并進(jìn)一步探究其金融支持效率的影響因素,對(duì)如何提高智能產(chǎn)業(yè)的金融支持效率提供了政策建議。

        1 文獻(xiàn)回顧

        國(guó)內(nèi)外文獻(xiàn)關(guān)于金融支持效率的研究主要側(cè)重于分行業(yè)、分地區(qū)進(jìn)行考察。

        1)分行業(yè)看,Han(2016)[1]以風(fēng)電上市企業(yè)作為樣本,對(duì)中國(guó)風(fēng)電產(chǎn)業(yè)的金融支持效率進(jìn)行分析;張麗華等(2019)[2]考察了煤炭企業(yè)科技創(chuàng)新的金融支持效率;馬軍偉等(2019)[3]對(duì)戰(zhàn)略性新興產(chǎn)業(yè)發(fā)展的投入冗余和產(chǎn)出不足情況進(jìn)行了分析;王振(2019)[4]以新能源五大行業(yè)的上市公司為樣本測(cè)度了DEA金融支持效率;李艷麗等(2020)[5]重點(diǎn)研究了引入新三板企業(yè)后我國(guó)體育產(chǎn)業(yè)金融支持效率的變化;Xuan(2020)[6]則聚焦了海洋產(chǎn)業(yè)并對(duì)其財(cái)務(wù)支持效率進(jìn)行了測(cè)度。

        2)分地區(qū)看,陳燕麗等(2018)[7]對(duì)東北地區(qū)制造業(yè)企業(yè)的績(jī)效進(jìn)行了評(píng)價(jià);Li(2019)[8]對(duì)比了沿海地區(qū)和非沿海地區(qū)金融創(chuàng)新支持效率;崔學(xué)海等(2019)[9]測(cè)度了長(zhǎng)江經(jīng)濟(jì)帶金融支持技術(shù)轉(zhuǎn)移效率,通過(guò)對(duì)比分析,對(duì)金融效率影響因素進(jìn)行了判識(shí);陳小榮等(2020)[10]通過(guò)2014—2018年省際面板數(shù)據(jù)對(duì)京津冀戰(zhàn)略性新興產(chǎn)業(yè)的金融支持效率進(jìn)行了測(cè)度,并進(jìn)一步研究了其影響因素。除此之外,也有學(xué)者從宏觀角度出發(fā)展開研究,張莉莉等(2018)[11]基于2008—2016年間1 040家公眾企業(yè)的面板數(shù)據(jù),測(cè)度了我國(guó)綠色金融發(fā)展水平與效率,并進(jìn)行比較分析;柏宏繁等(2020)[12]對(duì)甘肅省新興城鎮(zhèn)化的金融支持效率進(jìn)行了測(cè)度。

        綜上分析,國(guó)內(nèi)外文獻(xiàn)有關(guān)金融支持效率的研究較為豐富,且研究基本均基于DEA模型或Tobit模型對(duì)效率和績(jī)效進(jìn)行測(cè)度,研究問(wèn)題也多種多樣,然而,對(duì)于智能產(chǎn)業(yè)的研究卻很少。課題小組在充分借鑒國(guó)內(nèi)外研究成果的基礎(chǔ)上,首先利用熵值法對(duì)我國(guó)智能產(chǎn)業(yè)的金融支持水平進(jìn)行了測(cè)度,其次通過(guò)DEA-Malmquist 指數(shù)法對(duì)金融支持效率分別從靜態(tài)和動(dòng)態(tài)的角度進(jìn)行了測(cè)度,最后采用Tobit 模型對(duì)金融支持效率的影響因素進(jìn)行進(jìn)一步分析,通過(guò)選取財(cái)務(wù)指標(biāo)、宏觀指標(biāo)、微觀指標(biāo)和控制變量四個(gè)維度指標(biāo),以期更加準(zhǔn)確地評(píng)價(jià)我國(guó)智能產(chǎn)業(yè)金融支持效率狀況,從而彌補(bǔ)現(xiàn)有研究的不足。

        2 模型與方法

        2.1 熵值法

        測(cè)度金融支持水平的方法目前有很多種,但諸如層次分析等方法,其弊端在于主觀賦權(quán),雖然主成分分析法不需要主觀賦權(quán),但是通過(guò)降維篩選了部分指標(biāo),削減了解釋程度。因此,筆者選擇熵值法進(jìn)行分析。

        第一步,通常需要對(duì)指標(biāo)進(jìn)行標(biāo)準(zhǔn)化處理,但由于本文量綱相同,故不做處理。

        第二步,計(jì)算各指標(biāo) 的熵值 。

        第三步,計(jì)算各指標(biāo)的權(quán)重。

        第四步,將權(quán)重與各指標(biāo)數(shù)據(jù)相乘,得到金融支持水平分?jǐn)?shù)S。

        2.2 DEA-Malmquist指數(shù)法

        DEA 模型即數(shù)據(jù)包絡(luò)分析,通過(guò)代入投入值和產(chǎn)出值來(lái)對(duì)投入產(chǎn)出效率進(jìn)行測(cè)算,測(cè)算出的效率值用來(lái)表明決策單元是否實(shí)現(xiàn)了相對(duì)有效性。課題小組參照多數(shù)國(guó)內(nèi)學(xué)者的做法,以投入為導(dǎo)向的BCC模型進(jìn)行分析,如式(4)所示。

        其中,θ為相對(duì)決策的綜合效率值,為輸入的松弛變量,S+為輸出的松弛變量,ηr為常數(shù)向量。模型測(cè)度結(jié)果主要分為三個(gè)部分,綜合技術(shù)效率、規(guī)模效率和純技術(shù)效率,分別用TE、SE和PTE來(lái)表示,并有如下關(guān)系:TE=SE*PTE。若θ=1,則認(rèn)為其實(shí)現(xiàn)了相對(duì)有效性。

        由DEA模型所測(cè)算出的效率值考察了橫截面數(shù)據(jù)的靜態(tài)效率,為了使研究更為全面,采用Malmquist 指數(shù)法考察橫截面數(shù)據(jù)的動(dòng)態(tài)效率。簡(jiǎn)單來(lái)說(shuō),Malmquist 指數(shù)法以決策單元效率的當(dāng)年t為基期,然后對(duì)t-1 和t+1 期的總要素生產(chǎn)率的變化進(jìn)行分析,由追趕效應(yīng)(EFFCH)和增長(zhǎng)效應(yīng)(TECH)之積構(gòu)成,追趕效應(yīng)反映了決策單元效率改善或惡化程度的效率變化,增長(zhǎng)效率反映了決策單元t-1 和t+1期效率前沿變動(dòng)的技術(shù)變化。進(jìn)一步說(shuō),追趕效應(yīng)主要由兩個(gè)部分構(gòu)成,分別為純技術(shù)效率和規(guī)模效率,這一點(diǎn)與DEA模型是相同的。Malmquist生產(chǎn)率計(jì)算如式(5)所示。

        若M>1,說(shuō)明t期到t+1 期生產(chǎn)率指數(shù)為上升趨勢(shì);若M≤1,說(shuō)明t期到t+1 期生產(chǎn)率指數(shù)為停滯或下降趨勢(shì)。EFFCH和TECH的判別與M相同。

        2.3 Tobit模型

        為了對(duì)各省市智能產(chǎn)業(yè)金融支持效率的影響因素進(jìn)行進(jìn)一步探討,本文依托Tobit 模型作為分析工具。如果代入模型的因變量處于0~1 之間且與自變量有關(guān),則說(shuō)明利用Tobit 模型進(jìn)行分析是合理的。Tobit 回歸理論模型如式(6)所示。

        2.4 指標(biāo)選取及數(shù)據(jù)來(lái)源

        2.4.1 DEA-Malmquist模型指標(biāo)選取

        智能產(chǎn)業(yè)融資方式主要有直接融資和間接融資兩種。直接融資即企業(yè)通過(guò)非金融機(jī)構(gòu)進(jìn)行融資的方式,考慮到數(shù)據(jù)的可得性,本文選取商業(yè)信用融資和實(shí)收資本(代表企業(yè)在金融市場(chǎng)上的融資)作為智能企業(yè)的直接融資指標(biāo);間接融資即企業(yè)通過(guò)向金融機(jī)構(gòu)借貸的融資方式,將其作為智能產(chǎn)業(yè)的間接融資指標(biāo)。此外,政府還對(duì)智能產(chǎn)業(yè)的投資研發(fā)活動(dòng)進(jìn)行補(bǔ)助,本文將政府補(bǔ)助視為外部補(bǔ)助,將內(nèi)部資金支持視為內(nèi)部補(bǔ)助,將二者作為智能產(chǎn)業(yè)的投資補(bǔ)助指標(biāo)。在衡量產(chǎn)業(yè)金融支持效率方面,國(guó)內(nèi)研究成果較為豐富。本文投入和產(chǎn)出指標(biāo)部分參照陳小榮等(2020)[10]和張莉莉等(2020)[11]學(xué)者的做法,在投入方面選取了政府補(bǔ)助、商業(yè)信用融資、內(nèi)部資金支持、信貸支持與實(shí)收資本5個(gè)指標(biāo);在產(chǎn)出方面選取了營(yíng)業(yè)收入和應(yīng)交稅費(fèi)兩個(gè)指標(biāo)。指標(biāo)具體含義如表1所示。

        表1 智能產(chǎn)業(yè)金融支持效率相關(guān)指標(biāo)

        2.4.2 Tobit模型指標(biāo)選取

        本文部分參照陳琛[13]的做法,將綜合技術(shù)效率作為被解釋變量,將解釋變量分為四類,分別為財(cái)務(wù)指標(biāo)、宏觀指標(biāo)、微觀指標(biāo)以及控制變量。財(cái)務(wù)指標(biāo)包括政府補(bǔ)助、商業(yè)信用融資、內(nèi)部資金支持、信貸支持和實(shí)收資本5 個(gè)指標(biāo),以此分析各投入指標(biāo)對(duì)企業(yè)金融支持效率的影響;宏觀指標(biāo)包括地區(qū)GDP 總值,通常來(lái)講,若一個(gè)地區(qū)有較高的GDP,則智能產(chǎn)業(yè)也就擁有相對(duì)良好的融資環(huán)境,金融支持效率也應(yīng)該越高;微觀指標(biāo)包括企業(yè)的總資產(chǎn),總資產(chǎn)代表一個(gè)企業(yè)的企業(yè)規(guī)模,是影響智能企業(yè)金融支持效率的重要因素;控制變量包括企業(yè)的所有制形式,用于考察國(guó)有企業(yè)和非國(guó)有企業(yè)對(duì)智能企業(yè)金融支持效率的影響,將國(guó)有企業(yè)設(shè)置為1,非國(guó)有企業(yè)設(shè)置為0。

        2.4.3 數(shù)據(jù)來(lái)源

        本文的研究時(shí)期為2015—2019 年,數(shù)據(jù)主要來(lái)源于東方財(cái)富網(wǎng)Choice 數(shù)據(jù)庫(kù)??紤]到數(shù)據(jù)的可得性,課題小組選取東方財(cái)富網(wǎng)概念板塊中“物聯(lián)網(wǎng)”“人工智能”等10 個(gè)板塊滬深兩市的上市企業(yè)作為研究樣本,同時(shí)考慮到樣本數(shù)量,還選取了從事智能業(yè)務(wù)的新三板企業(yè),由于部分地區(qū)樣本數(shù)量較少,因此,除了西藏、新疆之外,對(duì)其余21個(gè)省和直轄市的上市企業(yè)和新三板企業(yè)共561家進(jìn)行分析。

        2.5 實(shí)證分析

        2.5.1 金融支持水平描述性統(tǒng)計(jì)分析

        由表2可知,除北京在直接融資方面取得最大值外,上海在其余各投入產(chǎn)出指標(biāo)取得最大值,且遠(yuǎn)超于平均值;山西在投資補(bǔ)助、間接融資與營(yíng)業(yè)收入方面均為最小值,這說(shuō)明山西不僅在投入方面很少且產(chǎn)出不足,而江西省在直接融資方面為全國(guó)最低。由表中的數(shù)據(jù)可以看出,我國(guó)各地區(qū)智能產(chǎn)業(yè)金融支持水平嚴(yán)重失衡,最大值與最小值差距極大,為了進(jìn)一步分析差異性,通過(guò)標(biāo)準(zhǔn)差計(jì)算得出變異系數(shù),分別為1.262、0.813、0.843、1.316、1.297。由此得出,在投入指標(biāo)中,各省、市在投資補(bǔ)助方面差距最大,其次為間接融資,最后為直接融資。

        表2 智能產(chǎn)業(yè)金融支持水平相關(guān)指標(biāo)的描述性統(tǒng)計(jì)

        2.5.2 金融支持水平與效率分析

        通過(guò)DEA模型對(duì)21個(gè)省和直轄市智能產(chǎn)業(yè)金融支持效率進(jìn)行分析,運(yùn)行結(jié)果如表3所示。其中綜合技術(shù)效率是指智能產(chǎn)業(yè)的金融資源的配置、利用和規(guī)模等效率,而純技術(shù)效率和規(guī)模效率分別表示金融管理和技術(shù)水平對(duì)智能產(chǎn)業(yè)金融資源的配置利用效率和金融資源規(guī)模集聚的效率。為了方便分析,將各省、市劃分為4個(gè)部分?!半p高型”代表高金融支持水平和高金融支持效率,“雙高型”省市均高于均值,同理可知,“高低型”代表金融支持水平高于均值,但金融支持效率低于均值。由表3可知,21個(gè)省、市中實(shí)現(xiàn)DEA有效的個(gè)數(shù)為0,只有北京、浙江、福建和重慶4 個(gè)省市為“雙高型”,其余各省、市均存在低金融支持水平或低金融支持效率的問(wèn)題。

        “雙高型”省市中,北京和福建金融支持水平主要靠直接融資拉動(dòng),浙江和重慶主要靠投資補(bǔ)助拉動(dòng)。較高金融支持效率主要來(lái)自于較高的純技術(shù)效率,說(shuō)明4個(gè)省市的金融管理和技術(shù)水平對(duì)智能產(chǎn)業(yè)金融資源的配置利用效率較高。

        “高低型”省市中金融支持水平較高的因素除上海、湖南和廣東來(lái)自于投資補(bǔ)助外,遼寧、江蘇和山東主要來(lái)自于直接融資,而且其金融支持水平排名均處于全國(guó)前列。但金融支持效率卻未及全國(guó)平均水平,其中遼寧和湖南主要由于規(guī)模效率較低導(dǎo)致金融支持效率較低,其余省市則相反,主要由于純技術(shù)效率較低,即雖然在金融支持水平上占有優(yōu)勢(shì),但由于金融管理和技術(shù)水平的低下導(dǎo)致金融資源的配置利用效率較低。

        “低高型”省市中金融支持水平主要依靠直接融資拉動(dòng),造成金融支持水平較低的原因可能是經(jīng)濟(jì)水平較低從而限制了對(duì)智能產(chǎn)業(yè)的金融投入,因而政府補(bǔ)助較低,相較于發(fā)達(dá)地區(qū),其產(chǎn)出體量也較小,這又進(jìn)一步導(dǎo)致產(chǎn)出較少,因而內(nèi)部資金支持也較少。在“低高型”省市中,金融支持效率較高的主要原因在于純技術(shù)效率較高,以河北為例,其純技術(shù)效率為0.999,近于1。這表明雖然這些省市的金融支持水平較低,但是由于金融資源配置的利用效率較高,導(dǎo)致金融支持效率較高。

        “雙低型”省市中金融支持水平除湖北主要依靠投資補(bǔ)助拉動(dòng)外,其余省市主要依靠直接融資拉動(dòng)。天津市投資補(bǔ)助均值僅為0.337,為全國(guó)最低,這說(shuō)明政府對(duì)智能產(chǎn)業(yè)的金融支持或智能產(chǎn)業(yè)的產(chǎn)出較低,因而造成了投資補(bǔ)助的低下。規(guī)模效率偏低是這些省市金融支持效率低下的重要原因,說(shuō)明智能產(chǎn)業(yè)的金融資源沒有形成規(guī)模集聚效應(yīng)。

        由表4 可知,2015—2017 年主要依靠直接融資拉動(dòng)了金融支持水平,而2018—2019 年主要依靠投資補(bǔ)助拉動(dòng)了金融支持水平,而表3 表明從全國(guó)來(lái)看,智能產(chǎn)業(yè)的金融支持水平主要依靠投資拉動(dòng),這說(shuō)明整體來(lái)看近5 年各地區(qū)政府已經(jīng)重視智能產(chǎn)業(yè)的發(fā)展。同時(shí),從各指標(biāo)增長(zhǎng)率情況來(lái)看,2015—2019 年間一直保持正增長(zhǎng)率的指標(biāo)只有投資補(bǔ)助,直接融資和間接融資均在2018 年出現(xiàn)負(fù)增長(zhǎng),但幅度較小。而2016年、2017年及2019年間接融資增長(zhǎng)率最高,說(shuō)明金融機(jī)構(gòu)對(duì)智能產(chǎn)業(yè)發(fā)展趨勢(shì)看好。

        表3 各省、市智能產(chǎn)業(yè)金融支持水平與金融支持效率

        以上對(duì)各省、市的金融支持水平和金融支持靜態(tài)效率進(jìn)行了分析,下面將從金融支持水平和金融支持動(dòng)態(tài)效率進(jìn)行分析。表5 反映了2015—2019 年金融支持效率的動(dòng)態(tài)變化,發(fā)現(xiàn)2015—2017 年金融支持效率呈現(xiàn)上升趨勢(shì),而2017—2019 年金融支持效率呈現(xiàn)下降趨勢(shì),同時(shí)無(wú)論呈現(xiàn)上升或下降趨勢(shì),均是主要緣于技術(shù)進(jìn)步的影響,因此影響金融支持效率的主要因素為技術(shù)進(jìn)步。由表6 可知,各省、市在2015—2019 年間金融支持水平平均增長(zhǎng)率均為正數(shù),其中天津的金融支持水平平均增長(zhǎng)幅度最高,為110.083%,黑龍江增長(zhǎng)幅度最低,為0.646%。這雖然反映了智能產(chǎn)業(yè)在我國(guó)各省、市均獲得了不同程度的金融支持,但也表明了我國(guó)智能產(chǎn)業(yè)金融支持水平發(fā)展極不均衡。而在金融支持效率方面,有的省市呈現(xiàn)下降趨勢(shì),其中,福建等4個(gè)省市是技術(shù)效率下降主導(dǎo),湖南的技術(shù)進(jìn)步均值小于1;北京等8 個(gè)省市則是技術(shù)進(jìn)步下降主導(dǎo),只有重慶的技術(shù)效率均值大于1。綜上,金融支持效率的下降是技術(shù)進(jìn)步主導(dǎo)且大部分省市的技術(shù)效率也小于1。而金融支持效率呈現(xiàn)上升趨勢(shì)的省市只有吉林和山東的技術(shù)效率和技術(shù)進(jìn)步均大于1,其余省市技術(shù)效率均小于1,因此對(duì)于呈現(xiàn)上升趨勢(shì)的省市應(yīng)重點(diǎn)關(guān)注技術(shù)效率的改進(jìn)。

        表5 2015—2019 年智能產(chǎn)業(yè)MPI 均值

        表6 2015—2019 年各省、市智能產(chǎn)業(yè)金融支持水平及金融支持動(dòng)態(tài)效率

        3 金融支持效率的影響因素分析

        運(yùn)行結(jié)果如表7 所示,可知政府補(bǔ)助、商業(yè)信用融資、內(nèi)部資金支持、地區(qū)GDP 總值以及總資產(chǎn)均通過(guò)了顯著性Z 值檢驗(yàn),其中政府補(bǔ)助、內(nèi)部資金支持、實(shí)收資本、總資產(chǎn)系數(shù)均為負(fù)數(shù),這說(shuō)明政府補(bǔ)助、內(nèi)部資金支持、實(shí)收資本和企業(yè)規(guī)模越大使得企業(yè)面臨的資金管理風(fēng)險(xiǎn)就越大,其原因可能是我國(guó)智能產(chǎn)業(yè)仍處于發(fā)展的成長(zhǎng)階段,由于技術(shù)水平的局限導(dǎo)致無(wú)法形成規(guī)?;找妫ㄟ^(guò)政府補(bǔ)助、內(nèi)部融資和資本市場(chǎng)融資等方式可能使得智能產(chǎn)業(yè)得到了充分的金融支持,一旦金融支持有所降低時(shí),產(chǎn)能便會(huì)大幅下降從而造成了資金浪費(fèi)的情況,而企業(yè)盲目擴(kuò)大規(guī)模也使得經(jīng)營(yíng)管理效率下降,同樣造成資金浪費(fèi)問(wèn)題,致使企業(yè)缺乏創(chuàng)新動(dòng)力,從而造成地區(qū)純技術(shù)效率低下,導(dǎo)致綜合技術(shù)效率較低。而商業(yè)信用融資和地區(qū)GDP總值系數(shù)均為正數(shù),表明商業(yè)信用融資和地區(qū)GDP 總值對(duì)智能產(chǎn)業(yè)的金融資源配置效率具有促進(jìn)作用。這說(shuō)明企業(yè)在經(jīng)營(yíng)和研發(fā)等過(guò)程中得到了認(rèn)可,由此獲得了較高的商譽(yù),從而對(duì)企業(yè)獲得金融支持更有利好作用;某個(gè)地區(qū)GDP總值越高,說(shuō)明該地區(qū)經(jīng)濟(jì)狀況運(yùn)行良好,金融市場(chǎng)也更加繁榮,從而使得機(jī)構(gòu)投資者信心提高,更加關(guān)注具有高收益性的智能產(chǎn)業(yè)。因此,智能產(chǎn)業(yè)獲得了更加充分的金融支持,且規(guī)模效率較高。

        表7 我國(guó)智能產(chǎn)業(yè)金融支持效率影響因素Tobit 回歸結(jié)果

        信貸支持和企業(yè)所有制形式未通過(guò)顯著性Z值檢驗(yàn),表明金融機(jī)構(gòu)借款和是否為國(guó)有企業(yè)對(duì)智能產(chǎn)業(yè)的金融支持效率影響并不顯著,但均具有微弱的負(fù)向關(guān)系。這表明我國(guó)智能產(chǎn)業(yè)通過(guò)金融機(jī)構(gòu)借款融資仍然較為困難,原因有二:其一,智能產(chǎn)業(yè)雖具備高收益性但同時(shí)具備高風(fēng)險(xiǎn)性,違約風(fēng)險(xiǎn)較高;其二,存在企業(yè)騙貸現(xiàn)象,通過(guò)偽造虛假材料從而騙取貸款的案例屢見不鮮。若企業(yè)為國(guó)有企業(yè),相比民營(yíng)企業(yè)缺乏創(chuàng)新動(dòng)力,同時(shí)還缺乏激勵(lì)機(jī)制,這就導(dǎo)致國(guó)有企業(yè)即便擁有良好的金融資源,但仍然對(duì)金融支持效率有微弱負(fù)面影響。

        4 相關(guān)建議

        智能產(chǎn)業(yè)是否實(shí)現(xiàn)健康發(fā)展關(guān)系著我國(guó)經(jīng)濟(jì)水平的高低,國(guó)家應(yīng)大力培育和支持智能產(chǎn)業(yè)。

        1)對(duì)于上海、廣東等發(fā)達(dá)地區(qū),雖然經(jīng)濟(jì)水平較高且對(duì)智能產(chǎn)業(yè)投入規(guī)模較大,但是在一定程度上存在資金浪費(fèi)問(wèn)題,致使金融資源的配置利用效率低下,使得純技術(shù)效率較低。因此,此部分地區(qū)智能企業(yè)應(yīng)當(dāng)提高研發(fā)創(chuàng)新力,政府應(yīng)當(dāng)嚴(yán)格管控資金流向;而經(jīng)濟(jì)發(fā)展水平較低的省市,例如山西、吉林等,應(yīng)當(dāng)充分做好市場(chǎng)調(diào)研,了解市場(chǎng)需求,做好專精特精產(chǎn)品,從而擴(kuò)大規(guī)模效率。但從總體來(lái)看,我國(guó)智能產(chǎn)業(yè)金融支持效率低下的主要原因還是規(guī)模效率較低。同時(shí),由于2017—2019 年金融支持效率呈下降趨勢(shì),各省、市還應(yīng)當(dāng)注意技術(shù)進(jìn)步,加大技術(shù)改進(jìn)力度。

        2)間接融資雖然在不斷增長(zhǎng)且增長(zhǎng)幅度較高,但對(duì)智能產(chǎn)業(yè)的金融支持水平貢獻(xiàn)最小。而直接融資和投資補(bǔ)助增長(zhǎng)幅度有所放緩,進(jìn)一步表明了金融機(jī)構(gòu)還應(yīng)進(jìn)一步擴(kuò)大放貸規(guī)模,提升智能產(chǎn)業(yè)的金融支持水平。

        3)金融機(jī)構(gòu)對(duì)智能產(chǎn)業(yè)擴(kuò)大信貸規(guī)模,可以根據(jù)企業(yè)的商譽(yù)并對(duì)信用狀況進(jìn)行綜合評(píng)價(jià),靈活采用擔(dān)保組合等方式,從而提升地區(qū)的規(guī)模效率。對(duì)于地區(qū)生產(chǎn)總值較高的地區(qū),政府應(yīng)當(dāng)通過(guò)提高純技術(shù)效率來(lái)提升綜合技術(shù)效率,進(jìn)一步提高地區(qū)生產(chǎn)總值,從而形成良性循環(huán)。針對(duì)企業(yè)自身,應(yīng)當(dāng)提高盈利能力,從而提升商譽(yù)以獲得較多的融資。除此之外,還要注重增強(qiáng)自身的技術(shù)創(chuàng)新能力,適當(dāng)擴(kuò)大企業(yè)規(guī)模。

        5 結(jié)論

        筆者利用熵值法和DEA-Malmquist指數(shù)法對(duì)我國(guó)21個(gè)省、市的智能產(chǎn)業(yè)的金融支持水平和效率分別進(jìn)行了測(cè)度,通過(guò)Tobit模型對(duì)影響智能產(chǎn)業(yè)金融支持效率的因素進(jìn)行了分析。研究發(fā)現(xiàn),我國(guó)21 個(gè)省、市的智能產(chǎn)業(yè)的金融支持水平與效率較低,各省、市智能產(chǎn)業(yè)的發(fā)展水平差距較大??傮w來(lái)看,投資補(bǔ)助為智能產(chǎn)業(yè)金融支持水平做出的貢獻(xiàn)最大且影響最大,而影響其金融支持效率低下的主要原因是規(guī)模效率較低,技術(shù)進(jìn)步是造成金融支持效率變動(dòng)的主要因素。Tobit 回歸結(jié)果表明:地區(qū)GDP 總值對(duì)智能產(chǎn)業(yè)的金融資源配置效率具有顯著的促進(jìn)作用,總資產(chǎn)卻具有顯著的抑制作用,而智能企業(yè)是否為國(guó)有企業(yè)具有微弱的抑制作用,政府補(bǔ)助和內(nèi)部資金支持對(duì)金融支持效率有顯著負(fù)面影響。

        猜你喜歡
        省市融資金融
        融資統(tǒng)計(jì)(1月10日~1月16日)
        融資統(tǒng)計(jì)(8月2日~8月8日)
        融資
        融資
        何方平:我與金融相伴25年
        金橋(2018年12期)2019-01-29 02:47:36
        君唯康的金融夢(mèng)
        省市大報(bào)頭版頭條
        省市大報(bào)頭版頭條
        其他省市怎么做?
        省市大報(bào)頭版頭條
        久久久精品久久久国产| 人妻aⅴ无码一区二区三区| 亚洲av之男人的天堂网站| 国产亚洲精品自在久久蜜tv| 日韩精品人妻中文字幕有码| 在线观看国产白浆一区三区| 成人日韩熟女高清视频一区| 少妇粉嫩小泬喷水视频| 一个人在线观看免费视频www| 在线视频你懂的国产福利| 少妇的诱惑免费在线观看| 偷拍一区二区三区黄片| 久久久久高潮综合影院| 97成人碰碰久久人人超级碰oo| 国内精品久久久久久久久齐齐| 国产乱子伦精品免费女| 日韩精品一区二区在线视| 九九综合va免费看| 国产福利精品一区二区| 亚洲熟妇无码av另类vr影视| 国产v精品成人免费视频400条| 中文字幕一区二区三区在线看一区| 日本一区二区三区经典视频| 精品无码av一区二区三区不卡| 门卫又粗又大又长好爽| 亚洲综合一区无码精品| 白白青青视频在线免费观看 | 亚洲综合新区一区二区| 在线无码中文字幕一区| 最好看的最新高清中文视频| 中文字幕有码在线视频| 日本不卡视频一区二区| 亚洲av成人无码久久精品老人| 性一交一乱一伦a片| 日本岛国精品中文字幕| 亚洲女同高清精品一区二区99| 中文字幕日韩精品有码视频| 另类老妇奶性生bbwbbw| 日韩AV不卡一区二区三区无码 | 国产亚洲午夜高清国产拍精品不卡 | 国产成人无码a区在线观看导航|