摘要：科技与金融的有效结合是实现创新驱动发展，提升区域综合竞争力的重要引擎。在建立科技金融效率评价指标体系的基础上，运用DEA模型对山东省2008—2021年科技金融效率进行分析，结果显示，山东省科技金融效率不高，但处于上升趋势。同时将山东省的科技金融效率与江苏省、广东省进行对比，结果显示山东省科技金融效率与二省存在较大差距。在此基础上，根据DEA模型测出的科技金融综合效率建立Tobit模型，对可能影响科技金融效率的因素进行实证分析。最后基于实证分析结果，为山东省科技金融效率的提高提出可行性建议。

　　关键词：科技金融效率；数据包络分析法（DEA）；Tobit模型

　　引言

　　随着社会的发展，科技已经渗透进了金融的各个领域，科技金融的概念也应运而生，在此大背景下，各国纷纷大力发展科技金融，我国也不例外，xxx报告便多次强调科技、创新及金融系统高质量发展的重要性，科技与金融有机结合可以更好地促进我国经济的发展，同时国家多次出台有关政策文件及法律法规，为我国大力发展科技金融，促进经济高质量发展提供了有效保障。

　　本文以山东省为主要研究对象，分析其科技金融的效率及影响因素。山东省响应国家号召，大力发展科技金融，同时高校聚集，有较大的科研力度，为我国科技及经济发展贡献出了一份力量，在此过程中，虽取得了一些较为亮眼的成绩，但仍存在一些问题急需我们去研究和解决。除此之外，山东省在北方经济总量的排名中位列第一，在整个国家经济总量的排名中位列前三，与此同时，山东省还处于南北交接地的特殊位置，因此，研究其科技金融的效率及影响因素非常有意义，同时还为其他各省促进科技金融效率的提高提供了参考。

　　所以，本文搜集山东省科技金融效率的相关指标，运用DEA-Tobit模型，分两步对山东省科技金融效率进行实证分析。第一步先运用DEA方法纵向测定山东省2008—2021年的科技金融的综合效率、纯技术效率和规模效率，然后再横向对比山东省、江苏省及广东省的科技金融效率，由此分析山东省与江苏省、广东省科技金融效率的差距。

　　第二步，将用上述方法测定的科技金融的综合效率作为Tobit模型的被解释变量，进一步实证分析影响本省科技金融效率的因素，然后对提升山东省科技金融效率提出可行性建议，以此促进该省及北方各省科技金融效率的提高。

　　一、文献回顾与本文创新之处

　　（一）文献回顾

　　1.国外研究

　　国外学者未提出“科技金融”这一名词。国外学者们围绕科技金融这部分的研究主要是集中在对科技创新和金融发展之间的相互作用方面，具体体现在两方面：其中一方面为金融发展显著促进科技创新，如Canepa等（2008）、Liao等（2010）、Ayyagari等（2011）、Chowdhury等（2012）研究了证券市场筹资与银行信贷占技术创新投资的比例、获取企业的外部资源的难易程度以及金融机构资本在企业运营资本中所占的比例等金融发展的相关指标与科技创新效率之间的关系，研究结果均显示，上述指标与科技创新的效率呈现显著的正相关关系，由此说明金融发展对科技创新的促进作用明显。另一方面为科技创新同时也会促进金融发展，Hasan等（2003）、Consoli等（2005）研究了科学技术的进步对证券交易所以及银行业的影响，研究结果显示，先进的科学技术对证券交易所及银行业的有关效率具有显著的促进作用，由此说明科技创新也会促进金融发展。

　　2.国内研究

　　国内研究在该部分大多数是围绕着科技金融对技术创新的促进作用进行的。在科技金融效率评价方法的研究上，国内学者们大多数使用了DEA模型进行测度。韩威（2015）采用DEA-Tobit模型分析了河南省的科技金融效率，第一步运用DEA法测定河南省科技金融效率；第二步以科技金融效率为被解释变量，运用Tobit法对河南省科技金融效率的影响因素进行了实证分析，以此确定影响因素并提出建议。杜金岷等（2016）则是从不同的角度研究了科技金融的影响因素，他们研究了环境因素对科技金融效率的影响，主要采用的方法为三阶段的DEA法，首先分别测定了不同省份和地区的科技金融效率，随后对其结果进行深入的分析和研究，最终结果显示，不同地区的相同环境因素对科技金融效率的影响结果是不同的，且有较大的差距。

　　（二）本文创新之处

　　本文梳理了国内外的有关文献，发现在科技金融方面虽有非常多的研究，但仍有可以进一步改进之处，现存文献多是从纵向时间层面研究科技金融的效率，因此本文对研究样本进行了改进创新，不仅单独纵向地研究山东省科技金融的效率，而且通过与江苏省和广东省的横向对比来分析山东省科技金融的效率，结合时间分析与不同省份之间的对比分析，使得对山东省科技金融的效率及影响因素的评价更加全面、清晰以及准确。

　　二、指标选取说明及数据来源

　　（一）指标选取说明（投入产出变量）

　　1.科技金融投入指标

　　本文借鉴了前人的相关研究，同时结合山东省科技金融的具体情况，分别选取了高技术产业新增固定资产（X1）、R&D经费内部支出（X2）、地方财政科技支出（X3）、R&D人员全时当量（X4）作为科技金融投入指标，其中，以R&D经费内部支出中的其他资金代表金融市场R&D的支持是借鉴了回广睿（2014）的做法。

　　2.科技金融产出指标

　　采取徐玉莲等（2017）的做法，高技术企业的经营成果选用了高技术产业的主营业务收入（Y1）这一指标来衡量；技术市场的发展状况选用技术市场成交额（Y2）来衡量；科技创新能力选用专利申请授权数（Y3）来衡量，它反映了科技产出的直接性成果。相关投入、产出指标汇总如表1所示。

　　（二）数据来源

　　《山东金融运行公告》《中国科技统计年鉴》《山东统计年鉴》和国泰安数据库。

　　三、DEA模型介绍及效率测算

　　数据包络分析法的基本原理为：以统计数据以及数学规划为基础，构建相对有效的生产前沿面，随后再分别根据各决策单元与生产边界的偏离程度来评估其相对有效性。相对于平时常见的参数分析方法，DEA这种非参数分析的方法有如下优点：一是可以不用提前考虑到指标的权重与事先已经选好的指标体系之间的函数关系，在对多个决策单元之间进行相对有效性的评价时，直接通过投入-产出进行判断，这样可以直接排除许多主观方面的因素，从而使结果更加科学、客观；二是该模型不仅可以评价每个决策单元，并对决策单元进行排序，在此基础上还可以显示出与最优的决策单元相比，在哪些项目中还有差距，进而可以在我们改进效率的过程中，提供最佳路径。

　　计算公式：规模效率（SE）=综合效率（TE）/纯技术效率（PTE）。

　　利用DEAP2.1效率分析软件处理得到山东省、江苏省、广东省14年的科技金融总效率及其分解效率，并求出均值。

　　由表2可以看出，山东省的科技金融综合效率在14年间达到相对有效或者达到有效状态的年份只有4年，平均处于非有效状态，整体水平不高，虽然近几年呈上升趋势，但是通过与广东省、江苏省的横向比较来看，也仅有最近几年相对较好。由此看来，山东省综合效率的运行并不是很稳定，从长期来看极有可能会出现反复的情况，所以需要进行长期的调整。江苏省与广东省的科技金融综合效率平均处于相对有效状态，可以看出山东省的综合效率与江苏省和广东省相比仍有较大差距。

　　通过分析纯技术效率的结果可以看出，山东省的纯技术效率在14年间处于相对有效或有效状态的年份有9年，平均处于相对有效状态，总体看来表现中上，因此只需进行适当的调整即可。横向对比来看，江苏省的纯技术效率处于相对有效或者有效状态有10年之多，广东省的纯技术效率14年全部达到相对有效或者有效状态，可以看出山东省的纯技术效率虽然从整体来看较好，但与江苏省、广东省仍存在一定的差距。

　　通过分析规模效率的结果可以看出，山东省的规模效率只有最近6年达到相对有效或者有效状态，平均处于非有效状态，因此还需要进行较大的调整，但近四年呈上升趋势，可以看出该省规模效率在最近几年有了较大的提升。横向对比来看，江苏省的规模效率14年全部达到相对有效或者有效状态，广东省的规模效率有13年达到相对有效或者有效状态，平均都处于相对有效状态，这也说明山东省与江苏、广东两省差距较大。

　　整体来看，山东省的科技金融效率虽处于非有效状态，但呈上升趋势。同时，纯技术效率处于相对有效状态，由此可知，规模效率是造成山东省科技金融效率低下的主要原因。

　　四、Tobit模型介绍及影响因素分析

　　Tobit模型的提出者是经济学家Tobin，这也是模型名字的由来，后来，在1974年时，Heck-man在研究女性工资水平的影响因素时使用了该模型，此后，Tobit模型逐步进入学者们的视野，使用者也越来越多，逐步受到学者们的青睐。本文以上述运用DEA方法得到的大于零小于一的效率值作为被解释变量，进一步运用Tobit模型进行实证分析。

　　本文基于以上分析，借鉴胡根华等（2012）、齐晓丽等（2016）、张悦（2019）、边俊杰等（2021）的做法，以上述DEA模型分析得出的该省科技金融的综合效率值作为被解释变量，运用该模型进行实证分析影响科技金融效率的因素。通过梳理相关的文献并结合数据的可得性，选用以下指标作为解释变量。

　　第一，科技金融的发展离不开政府的支持和推动，高技术企业本身就有风险性与成长周期呈正相关的性质，风险越高，周期越长。在这种情况下，那些普通的金融机构便难以持续性地提供长期的资金支持，这时企业便需要政府出手相助，政府的支持在高技术企业的发展过程中起到了举足轻重的作用。因此，为了反映政府财政科技支出强度（F1），本文选取了山东省的地方财政科技支出占地方财政支出总额的比重作为衡量指标。

　　第二，科技金融发展的主要力量是高技术产业，它们的运营能力和科研效率会随着企业的规模增大而增大，这样便可以更好地转化科技金融成果，科技金融的效率也会随之增高。因此，本文认为高技术产业的规模会影响科技金融效率，此处借鉴了李林汉等（2018）[15]的做法，选取高技术产业利润总额占GDP比例来描述山东省高技术产业的规模（F2）。

　　第三，转化资金的投向是金融市场最为重要的任务，对于市场上有潜力的中小企业，金融市场为它们提供了公平的支持，缓解了它们融资方面的问题，促进其快速成长及发展，同时也能提升金融市场自身的资本增值空间，将有限的资源进行最优的配置，提高科技金融效率。因此，本文认为金融市场可以影响科技金融的效率，对于山东省金融机构资产规模强度（F3）这一指标，本文选取了山东省银行业的资产总额与山东省的GDP比例来衡量；用山东省金融机构的存贷比，反映银行业金融机构的资金运用效率（F4）；用非金融机构的所有融资中，债券融资与股票融资所占的比重来反映社会融资规模直接融资强度（F5）；用山东省风险投资额占山东省的GDP的比重，来反映风险投资规模强度（F6）。相关影响指标汇总如表3所示。

　　利用Stata软件，以上述DEA法所测度的2008—2021年山东省科技金融综合效率值为被解释变量，以表3所示科技金融效率的影响指标为解释变量，进行Tobit回归，结果如表4所示。

　　由表4的回归结果可知，当地方财政科技支出强度提高1%时，科技金融效率增加6.61%；金融机构贷存款比例提高1%时，科技金融效率增加5.69%；金融机构资产规模强度提高1%时，科技金融效率增加0.37%，这3个指标都对科技金融效率存在正向的影响。高技术产业规模强度提高1%时，科技金融效率降低35.44%；社会融资规模直接融资强度提高1%时，科技金融效率降低1.05%，二者均与科技金融效率显著负相关。风险投资规模强度与科技金融效率无明显的关系，因此无法判断风险投资规模强度对科技金融效率的影响。

　　回归结果表明：第一，地方财政科技支出强度、金融机构贷存款比例、金融机构资产规模强度与科技金融效率呈显著正相关，其中影响程度排序为地方财政科技支出强度>金融机构贷存款比例>金融机构资产规模强度，意味着地方财政科技支出是促进科技金融效率提高的首要因素。第二，高技术产业规模、社会融资规模直接融资对科技金融效率存在消极作用，即提高高技术产业规模和社会融资规模直接融资会降低科技金融效率。第三，风险投资规模与科技金融效率之间关系不显著，也就是说，风险投资规模增大或减小不会对科技金融效率产生影响。

　　五、研究结论及政策建议

　　本文通过运用DEA模型对山东省2008—2021年的科技金融效率进行分析，并运用Tobit模型对山东省科技金融效率的影响因素进行测算和分析，得出以下结论。

　　第一，山东省科技金融效率整体水平不高，但近几年在逐年进步，呈现上升趋势。

　　第二，山东省科技金融效率虽在逐年进步，但仍和江苏省、广东省存在较大差距，若想达到苏粤两省的水平仍需付出较大的努力。第三，金融机构资产规模强度、地方财政科技支出强度以及山东省的金融机构的存贷款比例均对科技金融效率起到了正向影响；高技术产业规模、社会融资规模直接融资与科技金融效率显著负相关，有负面的影响。

　　本文根据以上结果提出如下政策建议。

　　第一，要对政府的财政科技支出方式进行创新，进一步加大财政科技投入，扩大覆盖范围。通过本文上述研究结果可以得出，山东省的地方财政科技支出强度会对该省科技金融效率起到积极的促进作用，并且影响的效果较大，为首要影响因素，若提高地方财政科技支出强度会大大提升科技金融效率，因此本文建议从山东省的实际出发，在积极地发挥政府的宏观调控作用的同时，对财政科技支出方式进行创新，扩大财政科技投入范围，合理依托金融机构，针对不同企业给予不同的阶段性帮助，让企业在不同的发展阶段都能够得到相应的支持，以此实现对有限的财政科技资金进行合理的配置，使更多企业可以享受到政府的支持。

　　第二，对银行金融机构的服务和管理方式进行创新。通过本文上述对山东省科技金融影响因素的分析可以得知，金融市场对科技金融效率有影响，其中金融机构贷存款比例和金融机构资产规模强度都与该省科技金融效率呈显著正相关关系，即提高银行金融机构的贷款规模会促进科技金融效率的提升。因此本文建议，针对不同类型及特征的客户，银行金融机构要推出针对性的服务和管理方式，以提升客户粘性，更好地服务客户发放贷款，在合理范围内提升贷款规模，以此促进科技金融效率的提升。

　　第三，推动高技术企业扩大规模。通过本文上述对影响因素的分析可知，高技术产业企业规模与该省的科技金融效率呈显著正相关关系。据此，建议该省为高技术企业提升其创新水平与创新能力提供相应的政策支持与资金支持，以降低其创新成本，这样高技术企业便可以更好、更快地扩大规模，形成规模效应，以此促进科技金融效率的提高。

　　参考文献：

　　［1］CANEPA A，STONEMAN P.Financial constraints to innovation in the UK：Evidence from CIS2 and CIS3［J］.Oxford Economic Papers，2008，60（4）：711-730.

　　［2］LIAO Tung-shan，RICE J.Innovation investments，market engagement and financial performance：A study among Australian manufacturing SMES［J］.Research Policy，2010，39（1）：117-125.

　　［3］AYYAGARI R，GROVER V，PURVIS R L.Technostress：Technological antecedents and implications［J］.MIS Quarterly，2011，35（4）：831-858.

　　［4］CHOWDHURY R H，MAUNG M.Financial market development and the effectiveness of R&D investment：Evidence from developed and emerging countries［J］.Research in International Business and Finance，2012，26（2）：258-272.

　　［5］HASAN I，MALKAMAKI M，SCHMIEDEL H.Technology，automation，and productivity of stock exchanges：International evidence［J］.Journal of Banking&Finance，2003，27（9）：1743-1773.

　　［6］CONSOLI D.The dynamics of technological change in UK retail banking services：An evolutionary perspective［J］.Research Policy，2005，34（3）：461-480.

　　［7］韩威.基于DEA-Tobit模型的科技金融结合效率实证分析——以河南省为例［J］.金融发展研究，2015（9）：36-40.

　　［8］杜金岷，梁岭，吕寒.中国区域科技金融效率研究——基于三阶段DEA模型分析［J］.金融经济学研究，2016，31（6）：84-93.

　　［9］回广睿.我国科技金融的效率评价及其影响因素分析［D］.西安：西北大学，2014.

　　［10］徐玉莲，赵文洋，张涛.科技金融成熟度评价指标体系构建与应用［J］.科技进步与对策，2017，34（11）：118-124.

　　［11］胡根华，秦嗣毅.“金砖国家”全要素能源效率的比较研究——基于DEA-Tobit模型［J］.资源科学，2012，34（3）：533-540.

　　［12］齐晓丽，郭帅，金浩.京津冀区域创新要素配置效率的影响因素分析［J］.河北工业大学学报（社会科学版），2016，8（2）：8-15.

　　［13］张悦．河北省科技金融效率评价［D］．西宁：青海大学，2019.

　　［14］边俊杰，段可仪，康斐.基于DEA-Tobit模型的知识产权与金融互动对江西省供给侧改革支撑效率研究［J］.江西师范大学学报（自然科学版），2021，45（1）：9-21.

　　［15］李林汉，王宏艳，田卫民.基于三阶段DEA-Tobit模型的省际科技金融效率及其影响因素研究［J］.科技管理研究，2018，38（2）：231-238.