基于DEA-Malmquist模型的黑龙江省科技金融效率评价研究

【摘"要】论文对2014-2023年黑龙江省科技金融投入与产出数据进行了分析，采用DEA-Malmquist模型对该省的科技金融效率进行了评估。研究发现，静态分析表明黑龙江省科技金融效率总体上处于DEA弱有效状态，说明其总体水平亟待提高；动态分析表明黑龙江省亟需提升和改进相关技术。同时，根据实证分析结果，论文提出了完善科技金融政策体系、提升企业技术创新能力、充分发挥金融市场的调节功能、大力培养复合型科技金融人才等建议，以期进一步推动黑龙江省科技金融的发展。【关键词】DEA；Malmquist；黑龙江；科技金融效率1引言近年来，我国科技体制改革不断深化，科技创新能力和体系逐步得到提升和完善，现已成为全球最大的人才储备国，尤其是在科技领域。目前，科技金融在推动自主创新和经济高质量发展方面，已成为国家战略的重要支撑力量。因此，为积极响应国家的号召，各省市纷纷推出了相应的措施来推动科技金融的进步。黑龙江省作为我国东北地区的重要省份，在维护国家经济安全与区域协调发展方面具有不可替代的战略地位。近年来，在国家政策的引导下，黑龙江省政府、科技厅等相关部门陆续推出了若干有助于推动科技与金融协同发展的措施和文件。在这一背景下，《黑龙江省“十四五”科技创新规划》于2021年出台，该文件对2021-2025年黑龙江省科技创新发展蓝图进行了描绘，同时明确界定了科技工作的核心目标与任务；同年又出台了《黑龙江省中长期科学和技术发展规划（2021-2035年）》，该文件明确了未来15年科技创新支撑和引领黑龙江省高质量发展的八大重要场景，致力于通过推进科技与场景的融合，为全省经济与社会进步以及民生改善提供技术解决方案，从而全面支持龙江的全面复兴；2022年，《黑龙江省科技振兴行动计划（2022-2026年）》印发，该计划不仅贯彻落实了省第十三次党代会的精神，也是龙江科技高质量进步的框架性指南。由此可见，近年来黑龙江省科技金融发展呈现积极态势，然而相较其他地区，仍面临诸多挑战，如科技金融的整体水平不够理想且效率偏低、金融服务体系不完善、风险投资活跃度不足、资本市场支持力度有限、金融创新不足、人才外流等。因此，科技金融效率的提高，对于推动黑龙江省经济进步意义重大。2文献综述关于科技金融的定义，国内学者进行了大量的研究。张明[1]指出，为了推动科技进步和产业升级，需要构建一个能够支持这些目标的金融体系，这一体系应当深度整合创新链、产业链与资金链，从而形成科技、产业与金融之间互促共进的良性循环机制；刘晓春[2]指出，现代经济在科技创新和金融创新的双重驱动下实现了迅猛发展，而新质生产力的提升同样依赖于金融的助力，与此同时，科技创新在从创意到实际应用的过程中会经历很多阶段，所以亟需相应的金融工具进行支持；康玲[3]指出，区域创新能力与科技金融有着紧密的联系，通过资金注入、分散风险、资源高效配置等多种方式，推动了科技成果向现实生产力转化，进而促进了经济增长和社会发展；杨馥禛等[4]指出，为了加快高新技术企业的发展，应当提升科技金融服务的质量与效率，推动与各类商业银行、金融机构的协作，引导其开发符合高新技术企业需求的信贷产品，从而更好地服务于科技型企业；罗芳[5]指出，促进我国经济实现高质量发展的核心就是发展新质生产力，商业银行作为经济发展的关键参与者，要把提升新质生产力作为重要目标，专注于关键领域、行业、环节和产品的创新。关于科技金融效率评价体系的构建，目前已成为诸多学者研究的焦点。国内学者庞金波等[6]运用PP模型，对2010-2017年我国科技金融投入和产出的省级面板数据进行实证研究，揭示出东、中、西部地区的科技金融效率均值存在显著差异；曾斌昌[7]运用DEA模型对厦门市的科技金融效率进行评价，研究表明，厦门市的科技金融呈现出明显的非有效状态，纯技术效率与规模效率均有提升空间；张伟强等[8]运用DEA-BCC模型对河南省科技金融效率进行静态测量，发现该省总体科技金融效率尚处于较低水平，而且不同城市之间的科技金融效率差异显著；高扬等[9]借助DEA模型针对山东省16个城市的科技金融效率予以评估，研究表明，近年来山东省科技金融效率的区域差异大体上呈逐渐缩小态势，且该差异的关键成因在于区域间的差异；赵玲等[10]采用层次分析法和数据包络分析法相结合的模型，对杭州市的科技金融效率进行了评估，研究结果表明，杭州市的科技金融效率整体表现不理想，与此同时，不同年份的效率呈现出W型波动，变化幅度较为显著，表现出不稳定的特征。总的来看，国内关于科技金融效率的研究已有一定的进展，不过目前的研究仍然存在一些不足之处。首先，许多研究者对于科技金融效率的探讨，多聚焦于某一时点不同地区之间的效率对比，尚未对科技金融效率的动态变化进行深入分析；其次，在科技金融的评价指标选取方面并不全面，许多学者倾向于将专利申请数量视为科技金融产出的衡量标准，而本文认为，专利授权数量能够更为精准地体现科技成果的真实情形；最后，通过对相关文献进行分析，发现针对黑龙江省科技金融效率的研究相对缺乏。基于此，本文从静态与动态两个维度，运用DEA-Malmquist模型对黑龙江省的科技金融效率进行深入分析，以期获得全面而准确的评估结果。在此过程中，评价指标的选择致力于体现科技金融投入与产出之间的真实关系。同时，依据实证分析的结果，针对此领域的发展，提出了一系列相关的对策和建议，旨在促进黑龙江省科技金融的协同发展。3模型构建与数据说明3.1模型构建3.1.1DEA模型CCR模型的预设前提是假定DMU的输入规模在理想状态下保持恒定，即规模报酬处于固定不变的状况。因此，规模效率（SE）会影响CCR模型呈现的技术效率。尽管如此，现实中的DMU并不总能维持在最优规模状态，所以CCR模型的适用性受到了一定的限制。为了应对上述难题，Bankeretal.[11]巧妙地提出了BCC模型，其核心理念在于设定规模报酬的可变性，从而剥离规模因素对效率的潜在影响，进而界定了纯技术效率（PTE）的概念。据此，由CCR模型所得出的技术效率，被赋予了综合技术效率（TE）的称谓。另外，通过TE与PTE的比值运算，能够求得规模效率（SE），即SE等于TE除以PTE。鉴于现实情况的动态性，本研究选取BCC模型作为静态评估的工具。3.1.2Malmquist指数模型CCR模型和BCC模型仅能针对特定时间点的投入与产出进行评估，属于静态的计量分析范畴。基于此，本文利用Malmquist模型对黑龙江省的科技金融效率展开更为深入的研究，旨在评估DMU在不同时间节点上的生产效率的变化。当pech＞1时，表明科技金融中的技术运用和管理水平有所上升；当pech=1时，表明纯技术效率在现有条件下并未发生变化；当pech＜1时，表明技术运用及管理水平有所降低。同理，sech＞1代表规模效率的提升，sech=1表示不变，sech＜1表示降低。3.2指标选取与数据来源3.2.1指标选取运用DEA-Malmquist模型展开定量分析时，投入与产出相关指标的选取极为关键。如果选定的指标不同，得出的结论也就不同。为更完整地评价黑龙江省的科技金融效率，本文依照系统性、全面性及可操作性准则，借鉴韩景旺等[14]、梅永倩等[15]的研究成果，选取了相关指标，如表1所示。3.2.2数据来源为深入分析黑龙江省2014年至2023年的科技金融发展状况，本文构建了相应的指标体系，并严格选取《黑龙江省统计年鉴》与《中国科技统计年鉴》中的数据作为分析基础，以确保数据的准确性与权威性。个别年度缺失的数据通过平均法或者趋势法推算得出。4实证分析4.1基于DEA模型的黑龙江省科技金融效率测度分析本文利用DEAP2.1软件，并运用BCC投入主导型模型，深入剖析2014-2023年黑龙江省科技金融的投入产出情况，主要包括综合技术效率、纯技术效率、规模效率及规模报酬，相关结果如表2所示。经全面剖析可知，2014-2023年黑龙江省科技金融的综合技术效率均值达到了0.935，纯技术效率均值高达0.988，而规模效率均值也达到了0.946，但是这些效率值皆小于1，处于DEA弱有效状态，这表明黑龙江省科技金融的整体效率水平仍有提升空间。后续将从这3个维度展开深入探究。4.1.1综合技术效率结果分析综合技术效率体现了DMU在资源配置及其使用效率等多方面的能力评定。当综合技术效率值达到1时，意味着科技金融的资源配置已达到最佳状态，否则表明存在效率的损失。值得注意的是，在2014年、2015年、2021年及2022年，该指标达到了有效状态，效率值圆满实现了1的佳绩，这充分彰显了投入与产出环节均已达成最优成效；在2017年、2018年和2023年，该指标处于相对有效状态，效率值介于0.9～1，这表明经过一定的调整即可达到整体效率有效；在2016年、2019年和2020年，该指标处于无效状态，其效率值低于0.9，这表明黑龙江省科技金融在资源配置等方面需要经过较长的时间进行调整与提升，才能达到整体效率有效。因此，不论是国家层面还是黑龙江省政府，在促进科技金融发展方面的重视与支持仍有很大的提升空间。4.1.2纯技术效率结果分析纯技术效率是受企业管理与技术等要素作用的生产效率。从这个维度看，除2016年、2017年、2020年、2023年之外的年份均呈现有效状态，并且这4年的数值处于0.9～1，仅需对科技金融投入稍加调整，便可达成纯技术效率的有效状态。在2018年和2019年，尽管纯技术效率达到了1，但规模效率的不足，却使得综合技术效率未能迈入有效行列。总体来看，纯技术效率为1时，资源投入的使用效率无可挑剔，而综合无效的根源则在于规模效率的无效，故而需着重关注如何充分发挥其规模效益。4.1.3规模效率结果分析规模效率反映的是企业实际生产规模与最优生产规模之间的差距，即受企业规模因素影响的生产效率。从规模效率的视角来看，在2014年至2023年，有4年的规模效率处于相对有效的状态，其效率值介于0.9～1；在此期间，有4年的规模效率达到有效状态，其效率值为1，说明黑龙江省在科技金融资源的实际投入与最优生产规模之间达到合理状态，并完成了有效的资源分配和使用；在此期间，有两年的规模效率显示为无效，其效率值低于0.9。同时，规模报酬的分析结果表明，在2014年至2023年，有6年处于递增状态，另有4年维持不变。这与规模效率分析的结果是一致的，表明在该方面的资源投放已相对充足。4.2基于Malmquist指数的黑龙江省科技金融效率测度分析DEA模型仅能呈现黑龙江省科技金融效率的静态状况。为从动态层面探讨黑龙江省科技金融效率的变化，需运用Malmquist指数展开分析，该指数能够体现DMU在科技创新方面的效率变化趋向。通过DEAP2.1软件，基于Malmquist模型，可以计算得到表3。表3中各项指标的含义如下：effch代表技术效率变化指数，techch代表技术进步指数，pech代表纯技术效率变化指数，sech代表规模效率变化指数，tfpch代表全要素生产率指数。同时，对于表3列出的各个指数，当其值超过1时表示效率有所提升，而等于1则表示效率保持不变，低于1则意味着效率有所下滑。此外，效率指数与1之间的差距为其增长率。从表3可以看出，在2014年至2023年，对于effch，仅有2个区间处于增长的阶段，而有2个区间处于下降的阶段，另外有5个区间处于不变的阶段，其波动范围为0.923～1.083，波动幅度相对较小；对于techch，有5个区间处于增长的阶段，其余4个区间处于下降的阶段，其波动范围为0.791～1.131，波动较为显著；对于pech，各个区间的纯技术效率的值没有发生变化，表现出较高的稳定性；对于sech，仅有2个区间处于增长的阶段，有2个区间则处于下降的阶段，另外有5个区间处于不变的阶段，其波动范围为0.923～1.083，波动幅度相对较小；对于tfpch，有5个区间处于增长的阶段，其余4个区间处于下降的阶段，其波动范围为0.791～1.225，波动幅度较大。此外，依据effch、techch、pech、sech、tfpch的均值分析，可以发现techch及tfpch的均值未达到1。由此可以得出，为了提高全要素生产率，黑龙江省需要提升和改进相应的技术。从整体来看，动态分析能更有效地展示科技金融效率的变化情况，而黑龙江省在科技金融效率上仍有显著的提升潜力，因此，需要积极采取应对措施。5提升黑龙江省科技金融效率的建议5.1完善科技金融政策体系相关政策的发布可以为科技金融的进步创造良好的条件，从而促进该领域的发展。黑龙江省政府应根据省内科技金融的具体情况，制定符合需求的支持政策，如财政补贴、税收优惠、贷款优惠等措施。在制定科技金融政策的过程中，黑龙江省的科技部门需与相关单位建立科技金融协调机制，以便合理配置科技金融资源，共同探讨与制定科技金融政策，避免资源与政策过于集中到少部分科技企业。此外，需增强政策的精准性，设定具体的实施细则和应对方案，优化政策执行流程，提高政策的公开透明度，以确保政策能够真正有效地实施。5.2提升企业技术创新能力由实证分析可知，在提升科技金融效率的过程中，黑龙江省亟需改进相关技术。然而，企业技术创新能力的强化居于核心地位，所以黑龙江省应当鼓励本省企业借鉴发达国家和地区的先进技术，提升企业的创新能力和技术水平。同时，应当构建企业、高校与科研机构之间的合作平台，加速科研成果的转化与应用，从而在企业生产中充分发挥高校及科研院所的科研优势。此外，需优化企业的创新环境，健全知识产权的保护机制，提供政策引导、技术转让等公共服务，从而降低创新所需的成本。5.3充分发挥金融市场的调节功能由实证分析可知，黑龙江省的科技金融在资源配置等方面亟需优化提升。所以，为了强化资源配置，应当充分发挥金融市场的调节功能。首先，需要有效配置金融资源，引导资金流向科技创新领域，从而提升科技企业融资的可获得性；其次，应当构建多层次的资本市场，拓宽科技企业的融资途径，例如，通过新三板、创业板等平台实现股权融资；再次，应该深化金融产品与服务的创新，需设计开