曹 程，張 目

（1.貴州財經(jīng)大學大數(shù)據(jù)應(yīng)用與經(jīng)濟學院；2.貴州財經(jīng)大學貴州科技創(chuàng)新創(chuàng)業(yè)投資研究院，貴州貴陽 550025）

近年來，以智能技術(shù)和量子技術(shù)為特征的新一代高新技術(shù)迅猛發(fā)展，已成為事關(guān)國家安全和社會經(jīng)濟高質(zhì)量發(fā)展的戰(zhàn)略性領(lǐng)域。2017 年7 月8 日，為搶抓人工智能發(fā)展的重大戰(zhàn)略機遇，構(gòu)筑我國人工智能發(fā)展的先發(fā)優(yōu)勢，國務(wù)院印發(fā)并實施了《新一代人工智能發(fā)展規(guī)劃》（國發(fā)〔2017〕35 號）。2017 年12 月15 日，為加快人工智能產(chǎn)業(yè)發(fā)展，推動人工智能和實體經(jīng)濟深度融合，工業(yè)和信息化部印發(fā)了《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）》（工信部科〔2017〕315 號）。2020 年10 月16 日，習近平總書記在主持中共中央政治局第二十四次集體學習時強調(diào)，量子科技成為新一輪科技革命和產(chǎn)業(yè)變革的前沿領(lǐng)域，加快發(fā)展量子科技，對促進高質(zhì)量發(fā)展、保障國家安全具有非常重要的作用。2020 年10 月21 日，科技部提出要大力發(fā)展以智能技術(shù)和量子技術(shù)為特征的新一代高新技術(shù)，打造我國高新技術(shù)先發(fā)優(yōu)勢，加快培育新一代高新技術(shù)產(chǎn)業(yè)，進一步壯大發(fā)展新動能。

加快培育和發(fā)展新一代高新技術(shù)產(chǎn)業(yè)，金融支持不可或缺。在金融資源有限的條件下，不僅要形成一個健全完善的新一代高新技術(shù)產(chǎn)業(yè)金融支持體系，更要注重金融支持的效率。一方面，要積極引導金融機構(gòu)面向新一代高新技術(shù)企業(yè)開展服務(wù)創(chuàng)新，拓寬直接融資和間接融資渠道，切實提高新一代高新技術(shù)產(chǎn)業(yè)金融支持水平；另一方面，要積極引導新一代高新技術(shù)企業(yè)創(chuàng)新管理、提質(zhì)增效，全面提升經(jīng)營管理水平，加快技術(shù)進步，有效提高新一代高新技術(shù)產(chǎn)業(yè)金融支持效率。因此，厘清當前新一代高新技術(shù)產(chǎn)業(yè)金融支持水平和效率狀況，補短板、鍛長板，對加大對新一代高新技術(shù)產(chǎn)業(yè)的金融支持力度具有重要的現(xiàn)實意義。

目前，國內(nèi)外對新一代高新技術(shù)產(chǎn)業(yè)金融支持水平和效率評價的研究成果較為少見。國外相關(guān)研究主要側(cè)重于分析融資約束和公共研發(fā)補貼對企業(yè)R&D 活動的影響［1-4］。國內(nèi)相關(guān)研究主要集中于分析金融支持對高新技術(shù)產(chǎn)業(yè)的R&D 支出［5］、全要素生產(chǎn)率［6］、出口復雜度和產(chǎn)業(yè)發(fā)展的影響［7-11］，烏蘭等［12］、姜妍［13］對高新技術(shù)產(chǎn)業(yè)和人工智能產(chǎn)業(yè)的金融支持效率問題進行了初步的探討。有鑒于此，本文從金融資源被投入主體（企業(yè)）的角度出發(fā)，選取237 家量子通信和人工智能概念板塊上市公司作為研究樣本，從省際層面對現(xiàn)階段新一代高新技術(shù)產(chǎn)業(yè)金融支持水平和效率進行評價和分析。具體結(jié)構(gòu)安排如下：第2 部分介紹研究方法；第3 部分是指標選取、樣本數(shù)據(jù)、新一代高新技術(shù)產(chǎn)業(yè)金融支持水平和效率的靜態(tài)分析與動態(tài)比較；第4 部分是結(jié)論與政策建議。

1 研究方法

1.1 熵權(quán)-線性加權(quán)和法

熵權(quán)法是一種根據(jù)指標所提供的信息量確定指標權(quán)重的客觀賦權(quán)法，不需要對數(shù)據(jù)的分布形態(tài)進行任何假定，計算相對簡單［14］。為此，本文采用熵權(quán)法確定指標權(quán)重，并運用線性加權(quán)和法計算新一代高新技術(shù)產(chǎn)業(yè)金融支持水平得分。設(shè)有n個省份m個指標（本文均為效益型指標）構(gòu)成原始指標數(shù)據(jù)矩陣熵權(quán)-線性加權(quán)和法計算步驟如下：

1.2 DEA-BCC 模型

設(shè)有n個決策單元（即n個省份）；為第i個決策單元的權(quán)重；分別為第i個省份新一代高新技術(shù)產(chǎn)業(yè)金融支持投入和產(chǎn)出要素向量，m和s分別為投入和產(chǎn)出指標的數(shù)量；和 分別為元素為1 的m維向量和s維向量；為非阿基米德無窮??；分別為投入和產(chǎn)出指標的松弛變量。假設(shè)規(guī)模報酬不變（CRS），則有CCR 模型［15］：

其中θ（）為決策單元的綜合技術(shù)效 率（TE）。當且θ=1時，表明決策單元DEA有效；當不全為0，且=1時，表明決策單元DEA 弱有效；當θ＜1 時，表明決策單元DEA 無效。假設(shè)規(guī)模報酬可變（VRS），在式（5）的約束條件中加入凸性假設(shè)則CCR 模型轉(zhuǎn)化為BCC 模型［16］：

1.3 DEA-Malmquist 指數(shù)模型

DEA-BCC 模型只能對同一時期不同決策單元的效率值進行靜態(tài)比較，無法測度不同時期效率值的動態(tài)變化。為此，本文采用DEA-Malmquist 指數(shù)模型對各省份新一代高新技術(shù)產(chǎn)業(yè)金融支持效率進行動態(tài)比較。F?re 等［17-18］在規(guī)模報酬不變（CRS）假設(shè)下，將Malmquist 指數(shù)（即全要素生產(chǎn)率變動，TFPCH）分解為技術(shù)效率變動（EFFCH）和技術(shù)進步變動（TECHCH）［19-20］；又在規(guī)模報酬可變（VRS）假設(shè)下，將技術(shù)效率變動進一步分解為純技術(shù)效率變動（PECH）和規(guī)模效率變動（SECH）。設(shè)表示第t期的投入與產(chǎn)出，表示第t+1 期的投入與產(chǎn)出，分別為以t時期和t+1 時期技術(shù)為參照的產(chǎn)出距離函數(shù)。則Malmquist 指數(shù)可表示為：

其中，

當TFPCH＞1 時，表示全要素生產(chǎn)率上升；當TFPCH＜1 時，表示全要素生產(chǎn)率下降；而當TFPCH=1 時,則表示全要素生產(chǎn)率不變。EFFCH、PECH、SECH 和TECHCH 以此類推。

2 實證分析

2.1 指標選取

由于缺少新一代高新技術(shù)產(chǎn)業(yè)統(tǒng)計數(shù)據(jù)，因此，本文根據(jù)科技部發(fā)布的《國家高新技術(shù)產(chǎn)業(yè)開發(fā)區(qū)“十三五”發(fā)展規(guī)劃》（國科發(fā)高〔2017〕90 號）和國務(wù)院印發(fā)的《關(guān)于促進國家高新技術(shù)產(chǎn)業(yè)開發(fā)區(qū)高質(zhì)量發(fā)展的若干意見》（國發(fā)〔2020〕7 號），參考國內(nèi)外相關(guān)研究成果，遵循客觀性、系統(tǒng)性和可獲取性等指標選取原則，從金融資源被投入主體（企業(yè)）的角度出發(fā)，選取銀行貸款、股票融資、債券融資、政府補助、風險投資作為投入指標的細分指標（注：由于目前的企業(yè)財產(chǎn)險投保額較低，本文暫不考慮保險）；選取企業(yè)凈利潤和納稅金額作為產(chǎn)出指標的細分指標。以投入指標來測度新一代高新技術(shù)產(chǎn)業(yè)金融支持水平；以投入產(chǎn)出指標來測度新一代高新技術(shù)產(chǎn)業(yè)金融支持效率。新一代高新技術(shù)產(chǎn)業(yè)金融支持水平和效率相關(guān)指標見表1。

表1 新一代高新技術(shù)產(chǎn)業(yè)金融支持水平和效率相關(guān)指標

2.2 樣本數(shù)據(jù)

本文從東方財富網(wǎng)（https://www.eastmoney.com/）選取量子通信概念板塊的50 家上市公司和人工智能概念板塊的187 家上市公司作為研究樣本，樣本數(shù)共計237 個，分布于22 個省、自治區(qū)和直轄市（本文簡稱為省份）。樣本區(qū)間設(shè)定為2015—2019 年。原始數(shù)據(jù)來源于237 家上市公司各年年報。新一代高新技術(shù)產(chǎn)業(yè)金融支持水平和效率相關(guān)指標的描述性統(tǒng)計見表2。

表2 新一代高新技術(shù)產(chǎn)業(yè)金融支持水平和效率相關(guān)指標的描述性統(tǒng)計 單位：億元

從表2 可以看出，北京在銀行貸款、股票融資、債券融資、風險投資上位居第一，重慶在政府補助和納稅金額上位居前列，江蘇在凈利潤上名列前茅，各細分指標的最大值均遠高于其中位數(shù)和平均值。黑龍江在銀行貸款和風險投資上排名末位，西藏在政府補助和納稅金額上位居末位，江西、甘肅、遼寧分別在股票融資、債券融資和凈利潤上排名最低，各細分指標的最小值均遠低于其中位數(shù)和平均值。各細分指標的最大值與最小值的差異、最大值或最小值與中位數(shù)及平均值的差異、以及中位數(shù)與平均值的差異均較大，說明22 個省份在新一代高新技術(shù)產(chǎn)業(yè)金融資源投入和產(chǎn)出方面分布極不均衡。由平均值和標準差計算出各細分指標的變異系數(shù)，分別為1.50、1.73、2.39、1.32、1.44、1.69 和1.57，說明22 個省份在債券融資方面差異最大，在政府補助方面差異最小。此外，從各細分指標的平均值可以看出，在新一代高新技術(shù)產(chǎn)業(yè)金融資源投入方面，股票融資占主導地位，其次為銀行貸款，政府補助最少；在產(chǎn)出方面，凈利潤占主導地位。

2.3 新一代高新技術(shù)產(chǎn)業(yè)金融支持水平和效率靜態(tài)分析

根據(jù)2015—2019 年22 個省份的投入指標原始數(shù)據(jù)，利用熵權(quán)法分別計算每一年的細分指標權(quán)重，并取5 年平均值作為細分指標的最終權(quán)重，計算結(jié)果見表1。進一步運用式（4）計算得出2015—2019年中國22 個省份新一代高新技術(shù)產(chǎn)業(yè)金融支持水平得分，取5 年平均值并對其進行分解，結(jié)果見表3。

表3 2015—2019 年省際新一代高新技術(shù)產(chǎn)業(yè)金融支持水平5 年平均值及其分解

為滿足DEAP Version 2.1 軟件對輸入數(shù)據(jù)的要求，在進行金融支持效率評價之前，先對原始數(shù)據(jù)進行標準化處理，計算公式為：

根據(jù)標準化處理后的細分指標數(shù)據(jù)，利用DEAP Version 2.1 軟件，運用DEA-BCC 模型計算得出2015—2019 年中國22 個省份新一代高新技術(shù)產(chǎn)業(yè)金融支持效率，取5 年平均值并對其進行分解，結(jié)果見表4。

表4 2015—2019 年省際新一代高新技術(shù)產(chǎn)業(yè)金融支持效率5 年平均值及其分解

由表3 可以看出，新一代高新技術(shù)產(chǎn)業(yè)金融支持水平位列前三的省份是北京、江蘇和廣東，位列后三的省份則為廣西、西藏和黑龍江；全國平均值為0.154 4，僅有31.82%的省份（7個）超過全國平均值，說明就整體而言，新一代高新技術(shù)產(chǎn)業(yè)金融支持水平仍較低。其中，銀行貸款和股票融資對新一代高新技術(shù)產(chǎn)業(yè)金融支持水平的整體貢獻相對較小。

由表4 可以看出，新一代高新技術(shù)產(chǎn)業(yè)金融支持效率位列前三的省份是浙江、重慶和天津，且浙江和重慶接近DEA 有效，位列后三的省份則為四川、安徽和遼寧；全國平均值為0.550 0，只有45.45%的省份（10 個）超過全國平均值，說明就整體而言，新一代高新技術(shù)產(chǎn)業(yè)金融支持效率仍不高。其中，純技術(shù)效率對新一代高新技術(shù)產(chǎn)業(yè)金融支持效率的整體貢獻相對較小。

根據(jù)表3 和表4 中的省份排名，借鑒文獻［21］的做法，按照新一代高新技術(shù)產(chǎn)業(yè)金融支持水平和效率的協(xié)調(diào)程度，將22 個省份劃分為高水平-高效率（江蘇、浙江、天津）、高水平-低效率（北京、廣東、湖南、上海）、低水平-高效率（重慶、江西、新疆、河南、廣西、西藏、黑龍江）、低水平-低效率（福建、湖北、遼寧、安徽、四川、山東、甘肅、貴州）四個組。其中，高水平和高效率是指高于全國平均值，低水平和低效率是指低于全國平均值。

對于高水平-高效率組而言，債券融資對江蘇和天津新一代高新技術(shù)產(chǎn)業(yè)金融支持水平的貢獻較大，浙江主要源于其較高的風險投資。純技術(shù)效率對江蘇新一代高新技術(shù)產(chǎn)業(yè)金融支持效率的貢獻較大，天津主要源于其較高的規(guī)模效率，浙江則同時源于較高的純技術(shù)效率和規(guī)模效率。對于高水平-低效率組而言，債券融資對北京和湖南新一代高新技術(shù)產(chǎn)業(yè)金融支持水平的貢獻較大，上海主要源于其較高的風險投資，廣東主要源于其較高的風險投資和政府補助。純技術(shù)效率較低是導致湖南、上海新一代高新技術(shù)產(chǎn)業(yè)金融支持效率較低的主要原因，北京和廣東則主要源于較低的規(guī)模效率。

在上述兩個組別中，江蘇等6 個東部地區(qū)省份由于經(jīng)濟發(fā)展水平較高，其經(jīng)濟規(guī)模較大，產(chǎn)業(yè)結(jié)構(gòu)較合理，政策環(huán)境良好，區(qū)域市場化程度較高，要素自由流動與市場化配置能力較強，因而金融發(fā)展水平較高；同時，由于新一代高新技術(shù)企業(yè)數(shù)量較多，相對優(yōu)質(zhì)的企業(yè)數(shù)量也較多，因而更容易獲得債券融資、風險投資等金融支持。中部地區(qū)的湖南高度重視科技創(chuàng)新發(fā)展，R&D 經(jīng)費投入位居全國前列，對新一代高新技術(shù)產(chǎn)業(yè)的金融支持，特別是債券融資處于較高水平。其中，江蘇由于新一代高新技術(shù)企業(yè)數(shù)量較多，且競爭效應(yīng)明顯，企業(yè)加強管理，并提高技術(shù)水平，從而純技術(shù)效率較高；天津的新一代高新技術(shù)產(chǎn)業(yè)規(guī)模不斷壯大，規(guī)模效應(yīng)日益凸顯，從而規(guī)模效率相對較高；浙江的新一代高新技術(shù)產(chǎn)業(yè)則同時兼具較強的競爭效應(yīng)和規(guī)模效應(yīng)。此外，與競爭效應(yīng)相比，北京、廣東的新一代高新技術(shù)產(chǎn)業(yè)規(guī)模效應(yīng)相對較小，導致規(guī)模效率相對不高；與規(guī)模效應(yīng)相比，上海新一代高新技術(shù)產(chǎn)業(yè)的競爭效應(yīng)相對較小，導致純技術(shù)效率相對不高；湖南的新一代高新技術(shù)產(chǎn)業(yè)可能因為管理或技術(shù)原因，導致純技術(shù)效率不高。

對于低水平-高效率組而言，債券融資較低是導致新疆、河南和廣西新一代高新技術(shù)產(chǎn)業(yè)金融支持水平較低的主要原因，重慶則主要源于其較低的銀行貸款，江西主要源于其較低的政府補助，黑龍江的主要原因在于銀行貸款和債券融資較低，西藏的主要原因在于債券融資、政府補助和風險投資都較低。純技術(shù)效率和規(guī)模效率對重慶新一代高新技術(shù)產(chǎn)業(yè)金融支持效率的貢獻均較大，其余低水平-高效率組省份均主要源于較高的純技術(shù)效率。對于低水平-低效率組而言，債券融資較低是導致福建、湖北、遼寧、安徽、四川和甘肅新一代高新技術(shù)產(chǎn)業(yè)金融支持水平較低的主要原因，貴州主要源于其較低風險投資，山東則主要源于其較低的風險投資和債券融資。規(guī)模效率較低是導致貴州新一代高新技術(shù)產(chǎn)業(yè)金融支持效率較低的主要原因，其余低水平-低效率組省份均主要源于較低的純技術(shù)效率。

在上述兩個組別中，重慶等11 個中西部地區(qū)省份由于經(jīng)濟發(fā)展水平總體不高，導致金融發(fā)展水平總體不高；同時，由于新一代高新技術(shù)企業(yè)數(shù)量較少，相對優(yōu)質(zhì)的企業(yè)數(shù)量也較少，因而較難獲得債券融資、風險投資等金融支持。東北地區(qū)的黑龍江和遼寧目前正面臨轉(zhuǎn)變經(jīng)濟發(fā)展方式和結(jié)構(gòu)性改革，因而對新一代高新技術(shù)產(chǎn)業(yè)的金融支持較為有限。東部地區(qū)的福建和山東則可能受地方產(chǎn)業(yè)政策影響，對新一代高新技術(shù)產(chǎn)業(yè)的金融支持也相對有限。其中，重慶是中西部地區(qū)唯一的直轄市，目前正在加快建設(shè)具有全國影響力的科技創(chuàng)新中心，其新一代高新技術(shù)產(chǎn)業(yè)的管理與技術(shù)水平得以提升，產(chǎn)業(yè)發(fā)展初具規(guī)模，因而純技術(shù)效率和規(guī)模效率均較高；江西、新疆、河南、廣西、西藏、黑龍江的新一代高新技術(shù)產(chǎn)業(yè)則可能因為金融資源稀缺，更注重向管理要效益，因而純技術(shù)效率較高；而貴州的新一代高新技術(shù)產(chǎn)業(yè)規(guī)模較小，因而規(guī)模效率較低；福建、湖北、遼寧、安徽、四川、山東、甘肅的新一代高新技術(shù)產(chǎn)業(yè)則可能因為競爭不足，導致純技術(shù)效率偏低。

觀察低水平-高效率組和低水平-低效率組可以發(fā)現(xiàn)，債券融資較低是導致這些省份新一代高新技術(shù)產(chǎn)業(yè)金融支持水平較低的首要原因，其次是風險投資。另外，觀察高水平-低效率組和低水平-低效率組可以發(fā)現(xiàn)，純技術(shù)效率較低是導致這些省份新一代高新技術(shù)產(chǎn)業(yè)金融支持效率較低的首要原因。

2.4 新一代高新技術(shù)產(chǎn)業(yè)金融支持水平和效率動態(tài)比較

為考察新一代高新技術(shù)產(chǎn)業(yè)金融支持水平的動態(tài)變化及其內(nèi)在原因，根據(jù)2015—2019 年中國22個省份新一代高新技術(shù)產(chǎn)業(yè)金融支持水平得分，計算得出2015—2019 年中國22 個省份新一代高新技術(shù)產(chǎn)業(yè)金融支持水平年均增長率，并對其進行分解，結(jié)果見表5。

表5 2015—2019 年省際新一代高新技術(shù)產(chǎn)業(yè)金融支持水平年均增長率及其分解

為考察新一代高新技術(shù)產(chǎn)業(yè)金融支持效率的動態(tài)變化及其內(nèi)在原因，本文利用DEAP Version 2.1 軟件，運用DEA-Malmquist 指數(shù)模型計算得出2015—2019 年中國22 個省份新一代高新技術(shù)產(chǎn)業(yè)金融支持效率的Malmquist 指數(shù)（即全要素生產(chǎn)率變動，TFPCH），并對其進行分解，結(jié)果見表6。

表6 2015—2019 年省際新一代高新技術(shù)產(chǎn)業(yè)金融支持效率的Malmquist 指數(shù)及其分解

由表5 可以看出，2015—2019 年新疆、天津、廣西等14 個省份新一代高新技術(shù)產(chǎn)業(yè)金融支持水平的年均增長率為正，占比為63.64%；廣東、浙江、江西等8 個省份的年均增長率為負，占比為36.36%。全國平均值為16.37%，有40.91%的省份（9個）超過全國平均值。整體來看，新一代高新技術(shù)產(chǎn)業(yè)金融支持水平保持較好增長態(tài)勢，其中，銀行貸款和政府補助是水平增長的主要動力，債券融資、風險投資和股票融資是水平增長的主要抑制力。

由表6 可以看出，2015—2019 年湖南、四川、廣東等16 個省份新一代高新技術(shù)產(chǎn)業(yè)金融支持效率的Malmquist 指數(shù)大于1，占比為72.73%；福建、安徽、上海等6 個省份的Malmquist 指數(shù)小于1，占比為27.27%。全國平均值為1.024 3，有50%的省份（11個）超過全國平均值。整體來看，新一代高新技術(shù)產(chǎn)業(yè)金融支持效率保持良好增長態(tài)勢，其中，規(guī)模效率變動是效率增長的主要動力，技術(shù)進步變動是效率增長的主要抑制力。

根據(jù)表5 和表6 數(shù)據(jù)，按照新一代高新技術(shù)產(chǎn)業(yè)金融支持水平和效率增長的協(xié)調(diào)程度［21］，將22個省份劃分為水平上升-效率上升（新疆、天津、廣西、江蘇、湖北、甘肅、四川、湖南、貴州、山東、黑龍江）、水平上升-效率下降（福建、安徽、重慶）、水平下降-效率上升（廣東、江西、西藏、河南、遼寧）、水平下降-效率下降（浙江、北京、上海）四個組。

對于水平上升-效率上升組而言，銀行貸款是新疆、湖北、甘肅和四川新一代高新技術(shù)產(chǎn)業(yè)金融支持水平上升的主要動力，山東和黑龍江的水平上升動力主要源于政府補助，湖南的水平上升動力主要來自風險投資，銀行貸款和政府補助是廣西和貴州水平上升的主要動力，銀行貸款和股票融資是天津水平上升的主要動力，江蘇的水平上升動力則主要源于銀行貸款和債券融資。純技術(shù)效率變動是湖南、四川、江蘇和湖北新一代高新技術(shù)產(chǎn)業(yè)金融支持效率上升的主要動力，新疆、天津、廣西、甘肅、貴州、山東和黑龍江的效率上升動力則主要源于規(guī)模效率變動。對于水平上升-效率下降組而言，銀行貸款是重慶新一代高新技術(shù)產(chǎn)業(yè)金融支持水平上升的主要動力，而風險投資和銀行貸款是福建水平上升的主要動力，安徽的水平上升動力則主要源于政府補助和銀行貸款。技術(shù)進步變動是福建、安徽和重慶新一代高新技術(shù)產(chǎn)業(yè)金融支持效率下降的主要原因。

在上述兩個組別中，新疆等9 個中西部地區(qū)省份由于經(jīng)濟增長較快，金融發(fā)展水平不斷提升；同時，地方政府對科技創(chuàng)新發(fā)展的重視程度不斷提高，財政科技投入不斷加大；在政府引導下，銀行對科技創(chuàng)新的信貸支持力度也不斷增強，因而這9 個省份對新一代高新技術(shù)產(chǎn)業(yè)的政府補助或銀行貸款有明顯上升。江蘇等4 個東部地區(qū)省份的GDP 繼續(xù)保持穩(wěn)步增長，金融發(fā)展水平進一步提高；同時，江蘇、天津的新一代高新技術(shù)企業(yè)數(shù)量和質(zhì)量進一步上升，銀行貸款、債券融資、股票融資相應(yīng)上升；福建樹立創(chuàng)新發(fā)展理念，逐漸調(diào)整產(chǎn)業(yè)政策，新一代高新技術(shù)企業(yè)數(shù)量和競爭力逐步上升，風險投資和銀行貸款顯著增長；山東則因為地方政府逐漸重視新一代高新技術(shù)產(chǎn)業(yè)發(fā)展，政府補助逐步增加。東北地區(qū)的黑龍江由于地方政府逐漸重視，對新一代高新技術(shù)產(chǎn)業(yè)的政府補助也明顯增加。其中，江蘇新一代高新技術(shù)產(chǎn)業(yè)的競爭效應(yīng)進一步增強，純技術(shù)效率增幅較大；湖南、四川和湖北的新一代高新技術(shù)產(chǎn)業(yè)加強管理，提高技術(shù)水平，純技術(shù)效率增幅較大；天津新一代高新技術(shù)產(chǎn)業(yè)的規(guī)模效應(yīng)進一步加大，規(guī)模效率增幅較大；新疆、廣西、甘肅、貴州、山東和黑龍江的新一代高新技術(shù)產(chǎn)業(yè)規(guī)模增長較快，規(guī)模效率增幅較大；而福建、安徽和重慶的新一代高新技術(shù)產(chǎn)業(yè)技術(shù)創(chuàng)新能力不足，技術(shù)進步速度下降。

對于水平下降-效率上升組而言，股票融資和政府補助是廣東新一代高新技術(shù)產(chǎn)業(yè)金融支持水平下降的主要原因，政府補助和風險投資是江西水平下降的主要原因，西藏的水平下降原因主要是股票融資，河南的水平下降原因則主要是風險投資和股票融資，遼寧的水平下降原因則主要是債券融資。規(guī)模效率變動是廣東、江西、西藏和河南新一代高新技術(shù)產(chǎn)業(yè)金融支持效率上升的主要動力，純技術(shù)效率變動是遼寧新一代高新技術(shù)產(chǎn)業(yè)金融支持效率上升的主要動力。對于水平下降-效率下降組而言，風險投資和股票融資是浙江新一代高新技術(shù)產(chǎn)業(yè)金融支持水平下降的主要原因，債券融資和銀行貸款是北京水平下降的主要原因，上海的水平下降原因主要是股票融資和債券融資。技術(shù)進步變動是浙江、上海新一代高新技術(shù)產(chǎn)業(yè)金融支持效率下降的主要原因，北京的效率下降原因則主要是技術(shù)進步變動和規(guī)模效率變動。

在上述兩個組別中，廣東等4 個東部地區(qū)省份由于GDP 增速放緩，導致金融發(fā)展速度放緩；加之這些省份的新一代高新技術(shù)產(chǎn)業(yè)進入階段性平穩(wěn)發(fā)展時期，因而股票融資、債券融資或風險投資等金融支持有所減緩。江西等3 個中西部地區(qū)省份則可能因為金融市場化程度不高，或新一代高新技術(shù)企業(yè)數(shù)量和質(zhì)量有限，導致股票融資、債券融資或風險投資有所下降。東北地區(qū)的遼寧由于經(jīng)濟增長緩慢，導致金融發(fā)展速度緩慢；同時，其新一代高新技術(shù)企業(yè)數(shù)量和質(zhì)量有限，導致債券融資下降。其中，廣東、江西、西藏和河南的新一代高新技術(shù)產(chǎn)業(yè)規(guī)模增長相對較快，規(guī)模效率增幅相對較大；遼寧的新一代高新技術(shù)產(chǎn)業(yè)加強管理，提高技術(shù)水平，純技術(shù)效率增幅較大；而北京新一代高新技術(shù)產(chǎn)業(yè)的規(guī)模效應(yīng)有所減弱，規(guī)模效率相應(yīng)下降；浙江、上海、北京新一代高新技術(shù)產(chǎn)業(yè)的技術(shù)創(chuàng)新能力增長放緩，技術(shù)進步速度減緩。

觀察水平下降-效率上升組和水平下降-效率下降組可以發(fā)現(xiàn)，股票融資是這些省份新一代高新技術(shù)產(chǎn)業(yè)金融支持水平下降的首要原因，其次是債券融資和風險投資。另外，觀察水平上升-效率下降組和水平下降-效率下降組可以發(fā)現(xiàn)，技術(shù)進步變動是這些省份新一代高新技術(shù)產(chǎn)業(yè)金融支持效率下降的首要原因。

3 結(jié)論與政策建議

本文從金融資源被投入主體（企業(yè)）的角度出發(fā)，運用熵權(quán)-線性加權(quán)和法、DEA-BCC 模型和DEAMalmquist 指數(shù)模型分別測度了2015—2019 年中國22 個省份新一代高新技術(shù)產(chǎn)業(yè)金融支持水平和效率，經(jīng)靜態(tài)分析和動態(tài)比較，得出以下結(jié)論：

第一，總體來看，新一代高新技術(shù)產(chǎn)業(yè)金融支持水平和效率均較低，銀行貸款、股票融資和純技術(shù)效率對水平和效率的整體貢獻相對較小。金融支持水平和效率的協(xié)調(diào)程度較低，僅有3 個省份屬于高水平-高效率組。債券融資較低是導致低水平組省份新一代高新技術(shù)產(chǎn)業(yè)金融支持水平較低的首要原因，其次是風險投資。純技術(shù)效率較低是導致低效率組省份新一代高新技術(shù)產(chǎn)業(yè)金融支持效率較低的首要原因，其次是規(guī)模效率。

第二，總體來看，新一代高新技術(shù)產(chǎn)業(yè)金融支持水平和效率均保持較好增長態(tài)勢，銀行貸款、政府補助和規(guī)模效率變動分別是水平增長和效率增長的主要動力。金融支持水平和效率增長的協(xié)調(diào)程度較高，共有11 個省份屬于水平上升-效率上升組。股票融資是水平下降組省份新一代高新技術(shù)產(chǎn)業(yè)金融支持水平下降的首要原因，其次是債券融資和風險投資。技術(shù)進步變動是效率下降組省份新一代高新技術(shù)產(chǎn)業(yè)金融支持效率下降的首要原因。

根據(jù)上述研究結(jié)論，結(jié)合有關(guān)部門文件精神，提出以下政策建議：

第一，加快金融與新一代高新技術(shù)產(chǎn)業(yè)融合發(fā)展，大力發(fā)展金融科技，提高新一代高新技術(shù)產(chǎn)業(yè)的金融支持水平。加快大數(shù)據(jù)、人工智能、云計算、區(qū)塊鏈等現(xiàn)代新興前沿技術(shù)在新一代高新技術(shù)企業(yè)融資中的應(yīng)用，充分發(fā)揮金融科技在拓寬融資渠道、降低融資成本和提高融資效率上的功能優(yōu)勢，有效緩解新一代高新技術(shù)企業(yè)面臨的融資約束。同時，堅持線上與線下平衡發(fā)展，為新一代高新技術(shù)企業(yè)提供多渠道、多層次、全方位的融資服務(wù)。

第二，加大對新一代高新技術(shù)企業(yè)技術(shù)創(chuàng)新的財稅政策激勵，提高新一代高新技術(shù)產(chǎn)業(yè)的金融支持效率。在新一代高新技術(shù)企業(yè)的研發(fā)階段和科技成果轉(zhuǎn)化階段，加大政府補助力度，保證企業(yè)技術(shù)創(chuàng)新的積極性和持續(xù)性。同時，在繼續(xù)實施減少企業(yè)應(yīng)納稅所得額、給予企業(yè)優(yōu)惠稅率等稅收優(yōu)惠政策的基礎(chǔ)上，積極實施提高企業(yè)研發(fā)費用加計扣除等稅收優(yōu)惠政策，有效減輕企業(yè)技術(shù)創(chuàng)新的資金壓力，保持新一代高新技術(shù)企業(yè)的技術(shù)創(chuàng)新活力。