任 杰，張紅梅

（貴州財經(jīng)大學大數(shù)據(jù)應用與經(jīng)濟學院（貴陽大數(shù)據(jù)金融學院），貴州 貴陽 550025）

2017年，國務院印發(fā)了《新一代人工智能發(fā)展規(guī)劃》和《促進新一代人工智能產(chǎn)業(yè)發(fā)展三年行動計劃（2018—2020年）》，為我國智能產(chǎn)業(yè)的發(fā)展提供了依據(jù)并明確了方向。近年來，我國在智能產(chǎn)業(yè)的投入逐年遞增，這些均表明我國對智能產(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)展獲得來自政府和市場的大力推動，其規(guī)模迅速擴大。金融是推動我國經(jīng)濟結(jié)構(gòu)轉(zhuǎn)型、產(chǎn)業(yè)結(jié)構(gòu)升級的重要推手，同時也是智能產(chǎn)業(yè)發(fā)展的基石，是推動智能產(chǎn)業(yè)不斷向前發(fā)展的核心支持力量。我國各省市為了引導本土智能產(chǎn)業(yè)良好發(fā)展，相繼出臺了各種十分具有針對性的政策，同時還從財政補助、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)出低的問題，從而造成了資金浪費，導致金融資源配置較低，不利于智能產(chǎn)業(yè)的發(fā)展?；诖耍菊n題小組測度了我國21 個省市的智能產(chǎn)業(yè)金融支持效率，并進一步探究其金融支持效率的影響因素，對如何提高智能產(chǎn)業(yè)的金融支持效率提供了政策建議。

1 文獻回顧

國內(nèi)外文獻關(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)進行考察。

1）分行業(yè)看，Han（2016）[1]以風電上市企業(yè)作為樣本，對中國風電產(chǎn)業(yè)的金融支持效率進行分析；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度了DEA金融支持效率；李艷麗等（2020）[5]重點研究了引入新三板企業(yè)后我國體育產(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)并對其財務支持效率進行了測度。

2）分地區(qū)看，陳燕麗等（2018）[7]對東北地區(qū)制造業(yè)企業(yè)的績效進行了評價；Li（2019）[8]對比了沿海地區(qū)和非沿海地區(qū)金融創(chuàng)新支持效率；崔學海等（2019）[9]測度了長江經(jīng)濟帶金融支持技術(shù)轉(zhuǎn)移效率，通過對比分析，對金融效率影響因素進行了判識；陳小榮等（2020）[10]通過2014—2018年省際面板數(shù)據(jù)對京津冀戰(zhàn)略性新興產(chǎn)業(yè)的金融支持效率進行了測度，并進一步研究了其影響因素。除此之外，也有學者從宏觀角度出發(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)，測度了我國綠色金融發(fā)展水平與效率，并進行比較分析；柏宏繁等（2020）[12]對甘肅省新興城鎮(zhèn)化的金融支持效率進行了測度。

綜上分析，國內(nèi)外文獻有關(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模型對效率和績效進行測度，研究問題也多種多樣，然而，對于智能產(chǎn)業(yè)的研究卻很少。課題小組在充分借鑒國內(nèi)外研究成果的基礎上，首先利用熵值法對我國智能產(chǎn)業(yè)的金融支持水平進行了測度，其次通過DEA-Malmquist 指數(shù)法對金融支持效率分別從靜態(tài)和動態(tài)的角度進行了測度，最后采用Tobit 模型對金融支持效率的影響因素進行進一步分析，通過選取財務指標、宏觀指標、微觀指標和控制變量四個維度指標，以期更加準確地評價我國智能產(chǎn)業(yè)金融支持效率狀況，從而彌補現(xiàn)有研究的不足。

2 模型與方法

2.1 熵值法

測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)，但是通過降維篩選了部分指標，削減了解釋程度。因此，筆者選擇熵值法進行分析。

第一步，通常需要對指標進行標準化處理，但由于本文量綱相同，故不做處理。

第二步，計算各指標 的熵值 。

第三步，計算各指標的權(quán)重。

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

2.2 DEA-Malmquist指數(shù)法

DEA 模型即數(shù)據(jù)包絡分析，通過代入投入值和產(chǎn)出值來對投入產(chǎn)出效率進行測算，測算出的效率值用來表明決策單元是否實現(xiàn)了相對有效性。課題小組參照多數(shù)國內(nèi)學者的做法，以投入為導向的BCC模型進行分析，如式（4）所示。

其中，θ為相對決策的綜合效率值，為輸入的松弛變量，S+為輸出的松弛變量，ηr為常數(shù)向量。模型測度結(jié)果主要分為三個部分，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來表示，并有如下關(guān)系：TE=SE*PTE。若θ=1，則認為其實現(xiàn)了相對有效性。

由DEA模型所測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)的動態(tài)效率。簡單來說，Malmquist 指數(shù)法以決策單元效率的當年t為基期，然后對t-1 和t+1 期的總要素生產(chǎn)率的變化進行分析，由追趕效應（EFFCH）和增長效應（TECH）之積構(gòu)成，追趕效應反映了決策單元效率改善或惡化程度的效率變化，增長效率反映了決策單元t-1 和t+1期效率前沿變動的技術(shù)變化。進一步說，追趕效應主要由兩個部分構(gòu)成，分別為純技術(shù)效率和規(guī)模效率，這一點與DEA模型是相同的。Malmquist生產(chǎn)率計算如式（5）所示。

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

2.3 Tobit模型

為了對各省市智能產(chǎn)業(yè)金融支持效率的影響因素進行進一步探討，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)，則說明利用Tobit 模型進行分析是合理的。Tobit 回歸理論模型如式（6）所示。

2.4 指標選取及數(shù)據(jù)來源

2.4.1 DEA-Malmquist模型指標選取

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)通過非金融機構(gòu)進行融資的方式，考慮到數(shù)據(jù)的可得性，本文選取商業(yè)信用融資和實收資本（代表企業(yè)在金融市場上的融資）作為智能企業(yè)的直接融資指標；間接融資即企業(yè)通過向金融機構(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。此外，政府還對智能產(chǎn)業(yè)的投資研發(fā)活動進行補助，本文將政府補助視為外部補助，將內(nèi)部資金支持視為內(nèi)部補助，將二者作為智能產(chǎn)業(yè)的投資補助指標。在衡量產(chǎn)業(yè)金融支持效率方面，國內(nèi)研究成果較為豐富。本文投入和產(chǎn)出指標部分參照陳小榮等（2020）[10]和張莉莉等（2020）[11]學者的做法，在投入方面選取了政府補助、商業(yè)信用融資、內(nèi)部資金支持、信貸支持與實收資本5個指標；在產(chǎn)出方面選取了營業(yè)收入和應交稅費兩個指標。指標具體含義如表1所示。

表1 智能產(chǎn)業(yè)金融支持效率相關(guān)指標

2.4.2 Tobit模型指標選取

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，分別為財務指標、宏觀指標、微觀指標以及控制變量。財務指標包括政府補助、商業(yè)信用融資、內(nèi)部資金支持、信貸支持和實收資本5 個指標，以此分析各投入指標對企業(yè)金融支持效率的影響；宏觀指標包括地區(qū)GDP 總值，通常來講，若一個地區(qū)有較高的GDP，則智能產(chǎn)業(yè)也就擁有相對良好的融資環(huán)境，金融支持效率也應該越高；微觀指標包括企業(yè)的總資產(chǎn)，總資產(chǎn)代表一個企業(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，用于考察國有企業(yè)和非國有企業(yè)對智能企業(yè)金融支持效率的影響，將國有企業(yè)設置為1，非國有企業(yè)設置為0。

2.4.3 數(shù)據(jù)來源

本文的研究時期為2015—2019 年，數(shù)據(jù)主要來源于東方財富網(wǎng)Choice 數(shù)據(jù)庫?？紤]到數(shù)據(jù)的可得性，課題小組選取東方財富網(wǎng)概念板塊中“物聯(lián)網(wǎng)”“人工智能”等10 個板塊滬深兩市的上市企業(yè)作為研究樣本，同時考慮到樣本數(shù)量，還選取了從事智能業(yè)務的新三板企業(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，對其余21個省和直轄市的上市企業(yè)和新三板企業(yè)共561家進行分析。

2.5 實證分析

2.5.1 金融支持水平描述性統(tǒng)計分析

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)出指標取得最大值，且遠超于平均值；山西在投資補助、間接融資與營業(yè)收入方面均為最小值，這說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最低。由表中的數(shù)據(jù)可以看出，我國各地區(qū)智能產(chǎn)業(yè)金融支持水平嚴重失衡，最大值與最小值差距極大，為了進一步分析差異性，通過標準差計算得出變異系數(shù)，分別為1.262、0.813、0.843、1.316、1.297。由此得出，在投入指標中，各省、市在投資補助方面差距最大，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)指標的描述性統(tǒng)計

2.5.2 金融支持水平與效率分析

通過DEA模型對21個省和直轄市智能產(chǎn)業(yè)金融支持效率進行分析，運行結(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個部分。“雙高型”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個省、市中實現(xiàn)DEA有效的個數(shù)為0，只有北京、浙江、福建和重慶4 個省市為“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，浙江和重慶主要靠投資補助拉動。較高金融支持效率主要來自于較高的純技術(shù)效率，說明4個省市的金融管理和技術(shù)水平對智能產(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、湖南和廣東來自于投資補助外，遼寧、江蘇和山東主要來自于直接融資，而且其金融支持水平排名均處于全國前列。但金融支持效率卻未及全國平均水平，其中遼寧和湖南主要由于規(guī)模效率較低導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，但由于金融管理和技術(shù)水平的低下導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，造成金融支持水平較低的原因可能是經(jīng)濟水平較低從而限制了對智能產(chǎn)業(yè)的金融投入，因而政府補助較低，相較于發(fā)達地區(qū)，其產(chǎn)出體量也較小，這又進一步導致產(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助拉動外，其余省市主要依靠直接融資拉動。天津市投資補助均值僅為0.337，為全國最低，這說明政府對智能產(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，說明智能產(chǎn)業(yè)的金融資源沒有形成規(guī)模集聚效應。

由表4 可知，2015—2017 年主要依靠直接融資拉動了金融支持水平，而2018—2019 年主要依靠投資補助拉動了金融支持水平，而表3 表明從全國來看，智能產(chǎn)業(yè)的金融支持水平主要依靠投資拉動，這說明整體來看近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，從各指標增長率情況來看，2015—2019 年間一直保持正增長率的指標只有投資補助，直接融資和間接融資均在2018 年出現(xiàn)負增長，但幅度較小。而2016年、2017年及2019年間接融資增長率最高，說明金融機構(gòu)對智能產(chǎn)業(yè)發(fā)展趨勢看好。

表3 各省、市智能產(chǎn)業(yè)金融支持水平與金融支持效率

以上對各省、市的金融支持水平和金融支持靜態(tài)效率進行了分析，下面將從金融支持水平和金融支持動態(tài)效率進行分析。表5 反映了2015—2019 年金融支持效率的動態(tài)變化，發(fā)現(xiàn)2015—2017 年金融支持效率呈現(xiàn)上升趨勢，而2017—2019 年金融支持效率呈現(xiàn)下降趨勢，同時無論呈現(xiàn)上升或下降趨勢，均是主要緣于技術(shù)進步的影響，因此影響金融支持效率的主要因素為技術(shù)進步。由表6 可知，各省、市在2015—2019 年間金融支持水平平均增長率均為正數(shù)，其中天津的金融支持水平平均增長幅度最高，為110.083%，黑龍江增長幅度最低，為0.646%。這雖然反映了智能產(chǎn)業(yè)在我國各省、市均獲得了不同程度的金融支持，但也表明了我國智能產(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，其中，福建等4個省市是技術(shù)效率下降主導，湖南的技術(shù)進步均值小于1；北京等8 個省市則是技術(shù)進步下降主導，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)進步主導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)上升趨勢的省市只有吉林和山東的技術(shù)效率和技術(shù)進步均大于1，其余省市技術(shù)效率均小于1，因此對于呈現(xiàn)上升趨勢的省市應重點關(guān)注技術(shù)效率的改進。

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態(tài)效率

3 金融支持效率的影響因素分析

運行結(jié)果如表7 所示，可知政府補助、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)均通過了顯著性Z 值檢驗，其中政府補助、內(nèi)部資金支持、實收資本、總資產(chǎn)系數(shù)均為負數(shù)，這說明政府補助、內(nèi)部資金支持、實收資本和企業(yè)規(guī)模越大使得企業(yè)面臨的資金管理風險就越大，其原因可能是我國智能產(chǎn)業(yè)仍處于發(fā)展的成長階段，由于技術(shù)水平的局限導致無法形成規(guī)?；找?，通過政府補助、內(nèi)部融資和資本市場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，產(chǎn)能便會大幅下降從而造成了資金浪費的情況，而企業(yè)盲目擴大規(guī)模也使得經(jīng)營管理效率下降，同樣造成資金浪費問題，致使企業(yè)缺乏創(chuàng)新動力，從而造成地區(qū)純技術(shù)效率低下，導致綜合技術(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 總值對智能產(chǎn)業(yè)的金融資源配置效率具有促進作用。這說明企業(yè)在經(jīng)營和研發(fā)等過程中得到了認可，由此獲得了較高的商譽，從而對企業(yè)獲得金融支持更有利好作用；某個地區(qū)GDP總值越高，說明該地區(qū)經(jīng)濟狀況運行良好，金融市場也更加繁榮，從而使得機構(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)所有制形式未通過顯著性Z值檢驗，表明金融機構(gòu)借款和是否為國有企業(yè)對智能產(chǎn)業(yè)的金融支持效率影響并不顯著，但均具有微弱的負向關(guān)系。這表明我國智能產(chǎn)業(yè)通過金融機構(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具備高風險性，違約風險較高；其二，存在企業(yè)騙貸現(xiàn)象，通過偽造虛假材料從而騙取貸款的案例屢見不鮮。若企業(yè)為國有企業(yè)，相比民營企業(yè)缺乏創(chuàng)新動力，同時還缺乏激勵機制，這就導致國有企業(yè)即便擁有良好的金融資源，但仍然對金融支持效率有微弱負面影響。

4 相關(guān)建議

智能產(chǎn)業(yè)是否實現(xiàn)健康發(fā)展關(guān)系著我國經(jīng)濟水平的高低，國家應大力培育和支持智能產(chǎn)業(yè)。

1）對于上海、廣東等發(fā)達地區(qū)，雖然經(jīng)濟水平較高且對智能產(chǎn)業(yè)投入規(guī)模較大，但是在一定程度上存在資金浪費問題，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)應當提高研發(fā)創(chuàng)新力，政府應當嚴格管控資金流向；而經(jīng)濟發(fā)展水平較低的省市，例如山西、吉林等，應當充分做好市場調(diào)研，了解市場需求，做好專精特精產(chǎn)品，從而擴大規(guī)模效率。但從總體來看，我國智能產(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，由于2017—2019 年金融支持效率呈下降趨勢，各省、市還應當注意技術(shù)進步，加大技術(shù)改進力度。

2）間接融資雖然在不斷增長且增長幅度較高，但對智能產(chǎn)業(yè)的金融支持水平貢獻最小。而直接融資和投資補助增長幅度有所放緩，進一步表明了金融機構(gòu)還應進一步擴大放貸規(guī)模，提升智能產(chǎn)業(yè)的金融支持水平。

3）金融機構(gòu)對智能產(chǎn)業(yè)擴大信貸規(guī)模，可以根據(jù)企業(yè)的商譽并對信用狀況進行綜合評價，靈活采用擔保組合等方式，從而提升地區(qū)的規(guī)模效率。對于地區(qū)生產(chǎn)總值較高的地區(qū)，政府應當通過提高純技術(shù)效率來提升綜合技術(shù)效率，進一步提高地區(qū)生產(chǎn)總值，從而形成良性循環(huán)。針對企業(yè)自身，應當提高盈利能力，從而提升商譽以獲得較多的融資。除此之外，還要注重增強自身的技術(shù)創(chuàng)新能力，適當擴大企業(yè)規(guī)模。

5 結(jié)論

筆者利用熵值法和DEA-Malmquist指數(shù)法對我國21個省、市的智能產(chǎn)業(yè)的金融支持水平和效率分別進行了測度，通過Tobit模型對影響智能產(chǎn)業(yè)金融支持效率的因素進行了分析。研究發(fā)現(xiàn)，我國21 個省、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來看，投資補助為智能產(chǎn)業(yè)金融支持水平做出的貢獻最大且影響最大，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)進步是造成金融支持效率變動的主要因素。Tobit 回歸結(jié)果表明：地區(qū)GDP 總值對智能產(chǎn)業(yè)的金融資源配置效率具有顯著的促進作用，總資產(chǎn)卻具有顯著的抑制作用，而智能企業(yè)是否為國有企業(yè)具有微弱的抑制作用，政府補助和內(nèi)部資金支持對金融支持效率有顯著負面影響。