金融风险防控是否提高了科技金融效率--基于北大法宝网的政策文本分析

第42卷第2期 广0大学学报（哲学社会科学版）
Journal of Guangxi University Vol.42 N o.2 (Philosophy and Social Sciences)2020年3月Mar.2020
金融风险防控是否提高了科技金融效率?
—基于北大法宝网的政策文本分析
N G U Y E N T h it h u h a，罗雪筠，厉克奥博
[摘要]研究方法：利用数据包络分析（D E A)模型测度2011—2016年中国其中30个省（区、市）的科技金融的投入产出效率，并利用空间计量模型研究金融风险防控对科技金融效率的 影响效应。

研究结果发现：（l)A r c G I S绘制的科技金融纯技术效率的空间分布图显示，中国 省际科技金融纯技术效率呈现显著的空间非均衡特征。

从整体来看，东部沿海省（区、市）由于经济发展水平、金融发展程度、市场化程度较高，科技金融效率要明显高于中西部地区。

长三角城市群作为中国的金融中心、经济中心、科技中心，科技金融发展效率最高。

（2)空间计量模型估计结果显示，金融监管提高了科技金融效率。

其原因可能在于：一方面，金融 监管作为政府防范金融风险的举措，在一定程度上降低了科技金融市场的系统性风险，从而 提高了科技金融的效率。

另一方面，科技型企业具有高风险的性质，而金融监管立法是采用 法律手段规范金融支持科技的资金风险，提高了企业继续研发创新的可能，因此，能够在一 定程度上提高科技金融的效率。

[关键词]金融风险防控；S B M-D E A ;科技金融效率；空间计量
[中图分类号]F83 [文献标识码]A[文章编号]1001-8!82 ( 2〇20 )〇2_0〇95_10
—%弓I言
习近平总书记在中国共产党的十九大报告中强调：“深化金融体制改革，增强金融服务实 体经济能力，提高直接融资比重，促进多层次 资本市场健康发展。

健全货币政策和宏观审慎政策双支柱调控框架，深化利率和汇率市场化改革。

健全金融监管体系，守住不发生系统性金融风险的底线。

”由此，如下问题亟待回答：科技金融的投人产出效率如何？金融风险监管对科技金融效率的影响是否具有典型的空间集聚和空间依赖特征？空间邻接矩阵情形下金融风险监管是否促进了科技金融效率的提升？回答这些问题对于防范金融风险，进而促进科技金融的健康发展具有重要意义。

伴随着中国经济进入新常态，高技术产业与金融发展深度融合所形成的科技金融成为支持高科技企业发展的重要途径之一，科技金融 在经济发展中所扮演的地位和作用越来越突出，已经成为经济发展的重要驱动力。

近年来，由于主板、创业板、新三板、科创板市场的日趋完善，科技型企业的直接融资和间接融资渠道日益丰富，为高技术企业的融资拓宽了渠道。

2017年末新三板挂牌的企业当中，从事信息传 输、软件和信息技术服务业的企业有2284家，科学研究和技术服务业的企业有509家，二者 占新三板挂牌企业数量的24.02%。

然而，科技 金融所面临的风险日益严峻，一方面，由于科 技金融所支持的企业多为创业初期的小微企业，其抵御风险的能力较低，尤其在中国经济进人新常态、增长速度放缓的状况下，市场竞争力
[收稿日期]2019-12-05
i作者简介j N G U Y E N T h i t h u h a,越南海防人，中国人民大学财政金融学院博士生，研究方向：区域金融。

罗雪筠，辽宁抚顺人，康奈尔大学查尔斯.H.戴森应用经济管理学院研
究生，研究方向：区域金融。

[通讯作者]厉克奥博，北京人，清华大学中国经济思想与实践研究院研究员、常务副院长。

—95 —
加剧，增加了小微高科技企业的风险概率。

另一方面，与其他产业相比，高科技企业面临创业失败的风险较高。

高科技产业属于低固定资产类产业，可用于银行抵押的实物资产较少，企业一旦经营失败，其风险将会直接转嫁给银行，导致商业银行金融风险不断增加。

因此，必须对科技金融实施必要的风险防控措施。

已有文献研究科技金融效率的方法主要有两种。

第一种，采用随机前沿法（Stochastic Frontier Approach，SFA)测度科技金融的效率。

薛晔等（2017)采用贝叶斯随机前沿法对中国部分省（区、市）的科技金融效率进行测度，发现统计样本中的大部分省（区、市）的科技 金融效率呈现出不断提高的态势，但是在提高 幅度方面存在很大差异[1]。

第二种，采用基于 数据包络分析（Data Envelopment A nalysis, DEA)模型的C C R模型（Cham es等，1978 )m和 B C C模型（Banker等，1984 )[3]对多个决策单元 (Decision Making Unit,DMU)进行效率评价。

如赵稚薇（2011 )采用D E A模型中的C C R模 型评价中国部分省（区、市）的科技金融效率[4]。

甘星等（2018)采用C C R模型和B B C模型评 价环渤海、长三角、珠三角三大经济圈的科技金融效率，该研究发现，长江三角洲地区和珠江三角洲地区的科技金融效率处于较高水平且发展较为均衡，环渤海地区各城市间科技金融效率差异较大，京津地区发展较好，山东省基 本无增长，而辽宁省处于倒退状态[5]。

然而，采用S F A方法需要设定一定的生产函数，只能 拟合一种产出的生产过程，因此存在一定的局限。

由于D E A模型不需要设定生产函数的形式，可以对多投入和多产出模型进行效率评价，因此具有独特的优势。

D E A模型可以分为径向的、角度的D E A模型和非径向的、非角度的DEA 模型。

相比于非径向的、非角度的D E A模型，径向的、角度的D E A方法同样存在一定的局限 性，这种方法意味着投入和产出同比例缩减或放大，当存在投入过度（input excess)或产出 不足（output shortage)即存在投入或产出的非 零松弛时，径向的D E A方法会高估D M U的效 率（王兵等，2010)[6]。

角度的D E A方法则意味着在效率评价时，要么假设产出不变，要么 假设投入不变。

因此，角度的D E A方法必然忽 视了投人或者产出的某个方面，从而影响了效率测度结果的准确性。

学术界鲜有涉及金融风险防控对科技金融效率的研究，只有少数学者研究了科技金融风险。

王仁祥等（2016)研究了科技创新对科技金融风险的影响，认为科技型企业的风险耦合作用会进一步放大科技金融风险，尤其是科技型中小企业与银行间信息不对称的问题，使得银行 面临更大的信贷偿还风险[7]。

国际昌等（2017) 研究了欠发达地区科技金融风险的偏好['但
是该研究并没有定量讨论科技金融风险的防控问题，因此，也没有研究金融风险防控对科技金融效率的影响。

刘剑清等（2018)采用 Moran’s I和L IS A指数对中国部分省（区、市）科技金融发展水平进行空间统计分析，发现省 际科技金融发展存在显著的空间集聚特征，东 部地区的科技金融发展水平明显高于中西部[\
目前尚未有学者研究中国金融风险防控对科技金融效率的影响。

本文选取2011 —2016年中国其中30个省 (区、市）的投入产出数据，采用基于松弛的效 率评价模型（Slack-Based Measure,S B M)和 Malmquist 指数方法（Malmquist Productivity Index,M P I)测度科技金融的投人产出效率，并利用大数据文本分析，选取各省（区、市）颁布的金融风险监管的法律法规作为金融风险监管变量，采用探索性空间数据分析研究金融风险监管对科技金融效率的影响，并提出促进科技金融效率提升的政策建议。

二、模型与数据
(一）SBM-D E A模型
传统的D E A模型主要包括两大类，其一是 基于不变规模报酬（Constant Returns to Scale, CRS)的 CCR 模型（C h am es，Cooper & Rhodes, 1978 );其二是基于可变规模报酬(Variable Returns to Scale,VRS )的 BCC模型 (Banker,Chames &Cooper,1984 ) [3】。

这两类模型均属于径向的（Radial )和角度的（Oriented ) D E A效率评价模型。

为了克服传统D E A模型的缺陷，Tone (2001 )提出了基于松弛测度的SBM-D E A模 型【11]。

假设有L个DMU (DMU』,j=l，2,…，L)，每个D M U有m种投人（i=l，…，m)和s种 产出（r=l,…,s)。

对于第j个DM U,其投人产出向量可以分别记作\和义，且X j E R+m，%E R+s。

投人产出矩阵可以定义为：X=(x,，…，x L)G G R+S X I•。

为了简化起见，
—96 —
假定X >0, Y >0。

生产可能性集合（Production Possibilities Set , PPS )可以被表示为如式（1 )所示：
P P S = I (x ,y
)
| x >
Y ^^j X j ,y
< eA < u , Ay > 〇[
l
M
y-i
J ( 1 )其中，X =(A ^, \2,…，D
’是权重向量，参
数u 和丨表示规模报酬假设。

根据Bogetoft 等 (2011 )的研究，u 和1的取值可以分为四类:（1=0, u = 〇〇 )对应不变规模报酬（CRS ) ; ( 1=1，u=l ) 对应可变规模报酬（VRS ) ; (1=0，u=l )对应非 递增（递减）规模报酬（NIRS ) ; (1=1，u = 〇〇 ) 对应递增规模报酬（IRS ) [11]。

对于DMUj , Tone ( 2001 )提出了非径向 的、非角度的基于松弛测度的效率评价模型， 即SBM -D E A 模型。

SBM -D E A 模型可以用式（2 )的分式规划模型进行测度[12]。

；1；1
y r 〇
L
S .t
. X
〇
=
-H 5
L
y
〇=T
A j y j
y '=i
(
2)
>0,i + >0,/<e /l <M ,/l 7. >0
e R +r a , s + e r +s分别为投入和产出的松弛变
量，投入的松弛变量表7K 投人过度（excesses
in inputs ),而产出的松弛变量则表示产出不足 (shortages in outputs )。

式（2 )的目标值即效
率值满足0< p £1。

由式（2)可以直观地看出，S B M -D E A 模 型在效率测度中不仅考虑了投人和产出两个方 面，而且考虑了变量的松弛问题，因此克服了 传统径向的、角度的D E A 模型在效率测度中 的不足。

需要注意的是，式（2)是分式规划模 型，因此在实际的测算中，可以采用C h arn es -
C oop er 方法（C harnes 等，1962 ) U1 将其转换
为等价的线性规划模型，如式（3 )所示。

r = m in (^―—V '—)
x io
s .t .
i = ^ + I y
^-s f
^
y ro
x
0〇=Y
j k
j x j
+s ~
7=1
y
o 0 = i A
j y
j
-s +
y =i
k 0，S + 之 0，/<9 幺 eA 幺 W (9，A ;之 0,6> 2 0
若式（3)的线性规划的最优解为e \ s ' s '八\则分式规划（2 )的最优解可以根据式（4 ) 得到。

若 p = 1,即 s _<=0，s ”=0，则 DMU 为 SBM -D E A 有效，换言之，该D M U 不存在投人 过度，也不存在产出不足的情况。

p * = r *,A * = A * /0*,s ~* = * /0*,s +* ^ S * * 10* (4 )
(二）DEA-Malmquist 指数
Malmquist 生产率指数（M P I )是在非参 数情况下测算了科技金融效率增长的指数，其 测度以效率计算为基础，能够评价科技金融效 率的跨期变动（Cooper 等，2007 ) n31。

本文在 SBM -D E A 模型的基础上，构建了一个非径向的、 非角度的M PI ,如式（5)所示。

p T M
T
：',y r \y ^') P T ：\x v \y r \y r ')T ^5
P 〇(xr 〇,y 〇T,yb /)
〇m
>
.
M P I 。

7’7—测度了 D M U 。

从T 时期到T +l 时
期的科技金融效率的变动。

其中，P ()T (x 。

7, y ，T,
y ，
)、
p 7+W
+1，y …*，T +1，y ，1)分别表示 d
m u。

在 T 、T +l 时期的效率值；P q t +i (x 。

7, y …s ’T ，y ，
)
是基于T +l 时期生产技术和T 时期投入产出值
的效率值；P 。

7〇^+1，y <)g ’T +1，y 。

1^1)是基于 T 时 期生产技术和T +1时期投入产出值的效率值。

如果
1，则说明科技金融效率没有变
化；如
果
1，则说明科技金融效率下
降；如果M PI ，T +I >1,则说明科技金融效率提高。

M P 1又可以分解为效率变化（E fficien cy C h an ge , EC )和技术变化（T echnical C hange , TC )两种。

(三）指标体系构建
本文采用SBM -D E A 模型评价2011—2016年中国省际科技金融效率。

在评价科技金融效 率时，科学全面地选择投入产出变量对于效率 的准确性至关重要。

在科技金融的投人方面， 本文主要采用各省（区、市）地方财政科学技 术支出（亿元）、规模以上工业企业R &D 经费 (亿元）、规模以上工业企业R &D 人员全时当量 (人年）来衡量。

在科技金融的产出方面，本文 选择规模以上工业企业新产品销售收人（亿元）、 各省（区、市）国内发明专利申请授权量（项） 来衡量。

本文所检索的2011 —2016年中国其中 30个省（区、市）的投入和产出数据均来自《中 国统计年鉴》《中国科技统计年鉴》和中国国家
统计局新版数据库。

(四）变量说明
在空间计量模型部分，科技金融效率为本 文的主要被解释变量。

在具体构建方法上，本
— 97
—
文利用2011—2016年中国其中30个省（区、市）的投人产出数据，采用SBM-D E A模型评估科技金融效率，采用纯技术效率值作为科技金融效率的衡量指标。

本文的主要解释变量为金融风险防控（regula)，具体构建方法如下。

本文 基于“北大法宝网”采用大数据文本分析的研究方法，以“金融风险”为词条，统计2011— 2016年中国其中30个省（区、市）地方政府颁布的含有“金融风险”词条的法律法规数量。

在这一统计结果当中，金融风险防控法律法规出台数量越多，说明该地区金融风险防控越严格；法律法规出台数量越少，则说明该地区金融风险防控越宽松。

除此之外，文章里面所有 用到的其他变量包括：地方财政支持科技指标(fisc a l)、企业R&D经费支出（funds)、企业 R&D人员全时当量（labor)、地区生产总值指标（g d p)等指标，其均来自《中国统计年鉴》和国家统计局。

其中，需要指出的是，地区生 产总值以2011年=100的指数进行消胀处理，名义地区生产总值和地区生产总值指数均来自国家统计局。

三、科技金融效率分析
本文依据科技金融的投入和产出数据，采 用SBM-D E A模型以中国其中30个省（区、市）作为DMU,测度省际科技金融的综合技术效率、纯技术效率和规模效率。

(一）效率分析
综合技术效率可以分解为纯技术效率和规模效率。

科技金融的综合技术效率若为1,表明 科技金融效率达到了最优状态，也说明科技金 融的纯技术效率和规模效率也同时达到了最优，与其他省（区、市）相比，该省（区、市）科 技金融投人产出实现了最优配置。

如果科技金 融的综合技术效率小于1，说明该省（区、市）纯技术效率或者规模效率存在无效率状态。

如 果科技金融的综合技术效率处于0.9以上，说明 科技金融效率相对有效，投入和产出稍加改变即可达到有效率水平。

如果科技金融的综合技术效率低于0.9,说明科技金融效率处于非有效 状态；如果科技金融的综合技术效率小于0.1时，则说明科技金融无效率。

基于V R S所测算的纯技术效率不仅反映了 各省（区、市）科技金融企业的内部管理能力对效率的影响，而且体现了科技金融企业技术能力对效率的影响。

我们发现，2011年北京、上海、江苏、浙江、山东、海南、吉林、重庆、四川、青海等10个省（市）的效率值为1,其 中东部地区省（市）有6个，西部地区省（市）有3个，中部地区省（市）有1个，说明这些省（市）处于生产前沿，占总省（区、市）的33.3%。

从整体上来看，东部地区省（市）科技 金融保持有效率状态。

2012年科技金融纯技术效率处于D E A有效状态的省（市）有北京、上海、江苏、浙江、山东、海南、吉林、湖南、重庆、四川、青海等11个省（市），与2011年相比增 加了湖南省。

2013年科技金融有效率的省（区、市）增加至13个，分别为北京、天津、上海、江苏、浙江、山东、海南、吉林、湖南、重庆、四川、青海、宁夏，这表明中国科技金融效率得到了迅速提升。

2014年纯技术效率有效的省(市）依然保持在12个，2016年上升至13个，分别是北京、上海、江苏、浙江、福建、山东、广东、海南、吉林、湖南、重庆、陕西、青海。

综上所述，我们发现2011 —2016年科技金融纯 技术效率有效的省（区、市）逐渐上升，说明 中国省际科技金融的内部管理水平和资源配置效率呈现出逐渐提升的态势。

本文测算了 2011—2016年科技金融的纯技 术效率的效率值®,其中东中西三大地区纯技术效率分别为0.824、0.584、0.672，东部地区的 效率值最高。

从东中西三大区域演变趋势的角度来看，2011 —2016年东部地区科技金融的纯技术效率值呈逐渐上升趋势，这也反映了东部地区科技金融企业内部管理和技术能力对效率的影响呈逐步上升趋势。

样本考察期内，中部 和全国科技金融的纯技术效率呈先上升后下降再上升的演变趋势，虽然效率值有所波动，但 是纯技术效率在总体上保持上升趋势。

值得注 意的是，中部地区科技金融的纯技术效率始终低于全国平均水平甚至低于西部地区，而东部 和西部始终高于或等于全国平均水平，这表明 中部地区科技金融企业的内部管理水平和技术水平对科技效率的影响较低。

（见图1 )
基于C R S得到的综合技术效率不仅反映了各省（区、市）对于科技金融投人如资金、技术、人才等资源的配置能力，而且反映了科技金融
①限于篇幅，此处未汇报各地区科技金融纯技术效率值，备索。

—98 —
中国科技金融的综合技术效率较低是由纯技术 效率较低导致的。

各地区在促进科技金融企业 发展过程中要更加重视调节科技金融企业资金、 人力的投人规模，实现科技金融投入资源的合 理配置和优化配置。

年份
图1
三地区与全国纯技术效率均值对比
2011 2012 2013 2014 2015 2016
年份
图2三地区与全国综合技术效率均值对比
图3东中西地区科技金融三种效率
(二）基于Malmquist 指数的实证分析 传统的D E A 模型所测算的科技金融效率， 仅可以对某一时期D M U 的效率值进行横向比 较，无法对科技金融的效率值进行跨期纵向比 较，因此，无法观察科技金融效率的动态变化 情况。

20世纪50年代初瑞典经济学家马奎斯特
资源使用效率的能力。

本文测算了中国其中30 个省（区、市）科技金融的综合效率值®。

我们 发现，北京、浙江、重庆三个省（市）的科技 金融综合技术效率一直保持有效，这说明北京、 浙江、重庆对科技金融资金、技术、人才等生 产要素的配置能力较强。

图2显示了 2011 — 2016年全国及三大地区综合技术效率的演变趋 势，从东中西三大地区综合技术效率的排名来 看，2011 —2016年综合技术效率的排名依次是 东部、中部、西部，均值分别为0.701、0.562、0.504。

可见东部地区科技金融的综合技术效率 值远高于中部和西部地区，甚至高于全国地区。

这表明东部地区科技金融企业对科技金融的资 金、技术、人才等资源的配置能力较强，各种 资源的利用效率较高。

中部、西部以及全国科 技金融的综合效率呈先下降后上升的态势。

中 部和西部地区的综合效率值较低，这说明中部 和西部地区科技金融企业的资源配置能力较差， 资源的使用效率不高。

从演变趋势看，无论是 三大地区还是全国，2015年综合技术效率均呈 迅速上升趋势，且达到了样本考察期内的最大 值；2016年中国科技金融取得了快速发展，这 种发展不仅反映在发展规范性方面，而且表现 在技术创新和体制创新方面。

在金融发展、多 层次资本市场和政府政策的支持下，科技金融 催生了一系列技术创新，包括大数据、云计算、 人工智能等，与此同时，这些科技成果又促进 了金融的发展，比如网络支付业务、小额融资、 人人贷等。

本文测算了中国其中30个省（区、市）规 模效率®，当规模效率为1时表示规模有效，当 规模效率不为1时则表示规模无效。

可以看出， 2011年北京、天津、河北、辽宁、福建、吉林、 重庆、四川、陕西9个省（市）的规模效率为1， 说明这些省市是规模有效的；2016年则有北京、 河北、福建、广东、山西、吉林、黑龙江、重庆、 陕西9个省（市）的规模效率是有效的；2〇11 — 2016年规模效率一直保持有效的省（市）有北 京、吉林、重庆。

从图3我们可以发现东中西 三大地区科技金融三类效率从大到小依次是规 模效率、纯技术效率、综合技术效率；纯技术 效率始终小于规模效率，这说明2011—2016年
① 限于篇幅，此处未汇报各地区科技金融综合技术效率值，备索。

②
限于篇幅，此处未汇报各地区科技金融规模技术效率值，备索。

■纯技术效率 ■综合技术效率 ■规模效車
80
75
706560555045400.0.0.0.0.0
.0.0.0.
— 99
—
提出M almquist生产率指数，解决了传统DEA 模型无法刻画跨期动态变化的局限性。

采用Malmquist指数进行分析的前提是采用科学的模型评价科技金融效率，为了科学准 确地测度科技金融的效率，本文在D E A框架 下构建了基于SB M-D E A模型的M almquist指 数。

根据二维分析框架可以将2011 —2016年 科技金融效率的Malmquist指数划分为以下四大板块。

（1 )位于TC > 1和EC > 1板块的省（区）有青海和宁夏，这说明样本考察期内青海和宁夏的科技金融效率的增长率呈上升趋势；科技金融效率的提升既得益于企业内部生产管理效率的提升，又得益于企业外部技术水平的改善。

根据新古典经济增长理论，经济发 展水平较低的国家和地区具有得天独厚的后发优势，具有较快的增长速度，而经济发展水平较高的国家和地区经济增长率往往较低甚至会是负值。

（2 )位于TC < 1和EC < 1板块的省 (区）有山西、内蒙古、黑龙江、海南、甘肃，所对应的M almquist指数小于1，说明2011 _ 2016年间此类省份科技金融效率呈下降趋势。

导致科技金融效率呈下降趋势的原因既包含内部资源配置和管理水平的因素，又包括外部技 术水平的因素，因此这些省份在提高科技金融投入产出效率时既要注重加强企业内部的经营管理能力，又要注重外部科技因素的推动。

（3) Malmquist指数大于1的情况下处于EC > 1且 TC < 1板块的省份有湖北和陕西，此类省份科技金融效率的增长主要是通过内部管理效率的提升来弥补外部技术水平的滞后，内部管理效 率是湖北和陕西的优势，而外部技术水平是湖北和陕西科技金融发展的瓶颈制约因素，在未 来科技金融发展过程中要继续发挥优势，加强 对科学技术进步的投人以弥补其劣势因素。

（4) M almquist指数小于1的情况下处于EC >1且TC < 1板块的省（市）有广东、天津、河 北、辽宁、安徽、江西、福建、贵州，这说明 2011 —2016年科技金融效率的增长率呈下降趋势，此类省（市）科技金融效率增长率的下降主要原因在于外部技术水平的滞后所带来的促降因素超过了内部管理水平提高所带来的促增因素，外部技术水平的提高是促进科技金融提高的关键。

（5) Malmquist指数小于1的情况下 处于EC < 1且TC > 1的省（区、市）有上海、广西、云南、新疆，这说明2014—2016年科技 金融效率增长率的下降主要是由内部管理水平较低导致的，这些省（区、市）应继续发挥外部技术效率的优势，弥补内部管理效率的局限性，促进科技金融效率的提升。

从全国层面看，根据表1我们发现2011 — 2016年中国科技金融效率的Malmquist指数平 均变化率为0.8551,下降了 14.49%,从整体上 看呈下降趋势。

E C的平均变化率为1.0391,平 均上升3.91%; T C的平均变化率为0.8228，平 均下降17.72%。

综上所述，导致中国科技金融 效率在样本考察期内呈下降趋势的原因是由于
表12011 -2016年科技金融效率的M a lm q u is t指数
DMU EC TC Malmquist DMU EC TC Malmquist 北京1 1.037 1.037湖北 1.2960.8374 1.0858天津 1.1080.7060.782湖南10.91660.9166河北 1.1240.6910.777广东 1.0750.87290.9385山西0.8450.6910.584广西0.804 1.00640.8097内蒙古0.8500.6380.543海南0.8650.97090.8408辽宁 1.1070.7490.830重庆10.96290.9629吉林10.7800.780四川10.86960.8696黑龙江0.9600.4430.425贵州 1.1010.68710.7564上海0.683 1.3120.896云南0.980 1.01130.9919江苏10.8900.890陕西 1.7820.7271 1.2955浙江10.8210.821甘肃0.6880.58550.4033安徽 1.1650.6810.794青海 2.012 1.3732 2.7615福建 1.5160.5550.842宁夏 1.056 1.0197 1.0768江西 1.1650.8160.950新疆0.715 1.19190.8515山东10.9160.916全国 1.03910.82280.8551河南 1.2150.6780.823————
—100 —
外部技术退步。

从全国层面看，统计的30个省 (区、市）中只有北京、湖北、陕西、青海、宁 夏等5个省（市）的Malmquist指数大于1,说 明这些省（市）的科技金融效率呈现出逐渐上升的趋势。

其他25个省（区、市）科技金融Malmquist指数小于1，说明这些省（区、市）科技金融效率呈下降态势。

科技金融效率增长率的下降既包括内部管理效率的降低又包括技术退步因素，或者二者兼有之。

在促进科技金融效率提升过程中要注重内部管理效率与外部技术效率均衡发展。

四、空间计量分析
(一）科技金融效率的空间可视化
本文利用A rcG IS软件分别绘制了 2011年、2016年中国其中30个省份科技金融纯技术效率 的空间分布图®,以及2011年、2016年各地区 科技金融纯技术效率值的柱状图（图4、图5 )。

结果显示，中国省际科技金融纯技术效率呈现显著的空间非均衡特征。

从整体来看，2011年，东部沿海省（区、市）由于经济发展水平、金 融发展程度、市场化程度较高，科技金融效率要明显高于中西部地区，这也与改革开放以来我国实行的自东往西的金融发展政策密切相关。

长三角城市群作为中国的金融中心、经济中心、科技中心，科技金融发展效率最高。

2016年，除长江三角洲以外，科技金融纯技术效率有效的省（区、市）已经拓展至珠三角地区以及东北地区。

2011年北京、上海、江苏、浙江、山东、海南、吉林、重庆、四川、青海等10个省（市）的效率值为1。

2016年上升至13个，分别是北京、上海、江苏、浙江、福建、山东、广东、海南、吉林、湖南、重庆、陕西、青海。

综上所述，我们发现2011—2016年科技金融纯技术效率有1
0.8■
东部 中部 西部 全国 图42011年各地区科技金融纯技术效率值效的省（区、市）数量逐渐上升，这说明中国 省际科技金融的内部管理水平和资源配置效率逐渐提升。

(二）空间相关性检验
本文根据Anselin ( 1988 )所提出的Moran’s I指数检验科技金融效率的空间相关性[1'具体
测算公式如下：
n Z Z- x^x j_ x)Z Z^_ ~ ■*)
M o r a n's i =
—-------------
n n n_n n (^\
s2t t%(6) i=l j=\i=l i=l j»\
1 " --\"
其中，n为省（区、市）个数，Wy为空间权重矩阵元素，本文以省际邻接矩阵来衡量空间关系；X,表示第i省（区、市）科技金融效率水平。

Moran’s I指数的取值范围为[-1,1],大于 〇时表示存在空间正相关；小于0时表示空间负 相关；若等于0则表示空间独立分布。

Moran’s I指数绝对值表征空间相关程度的大小，绝 对值越大则空间相关程度越大；反之则越小。

Moran’s I指数揭示的是全局空间自相关，而通 过绘制M oran散点图可以直观地描绘局域的空间集聚特征。

Moran’s I指数的测算值如表2所 示。

Moran’s I指数测算值在0.138—0.323之间，标准化检验Z值均大于1.96,相应的P值也均 小于0.1，在10%的水平上显著。

这表明中国科技金融效率在空间分布上具有显著的正向空间相关性，存在明显的空间集聚现象。

换言之，科技金融效率有效的省（区、市）趋于空间集聚，科技金融效率有效的省（区、市）在地理上互 相临近；同样地，科技金融发展无效的省（区、市）的分布也呈空间集聚和空间依赖特征。

1
0.8
| |||
东部 中部西部 全国 图5 2016年各地区科技金融纯技术效率值
①限于篇幅，此处未展示2011年、2016年中国其中30个省份科技金融纯技术效率的空间分布图，备索3
—101 —。