论文部分内容阅读
摘 要：本文基于超效率DEA模型，分析了我国30个省、自治区和直辖市2006—2012年的金融投入和科技产出数据，对其效率均值进行排名；并通过Malmquist指数分析方法对我国科技金融的全要素生产率及技术效率、技术进步、纯技术效率和规模效率指数的变化趋势以及区域差异进行实证分析。研究表明：我国金融支持科技创新的效率呈现U形走势，主要是依靠东部地区带动，而西部地区效率值差异明显；2006—2012年全要素科技金融效率呈现上升趋势，上升了2.6%，引起效率提升的主要原因是技术进步；通过区域分析发现，三大区域的效率均呈现上升趋势，中西部地区的效率增长高于东部地区，技术效率的变化是导致区域差异的主要原因。
关键词：金融支持；科技创新；超效率DEA；Malmquist指数
中图分类号：F830 文献标识码：A 文章编号：1674-2265（2015）06-0018-08
一、引言
“新常态”下科技创新是中国经济增长的唯一动力。据统计，2014年我国全年研究与试验发展（R&D）经费支出比上年增长12.4%，相当于GDP的2.09%，而技术合同成交金额高达8577亿元，同比增长14.8%。这说明“新常态”下的中国，创新环境正在持续优化，创新投入正在不断加大，创新成果的流动和转化正在为经济提供更强劲的增长动力。而科技创新的发展离不开金融的强力支持，金融是现代经济的血液，与科技对接能够促进科技创新，加快科技企业发展，确保中国经济的有效转型。随着金融投入和科技产出的力度逐年加大，优化科技创新中的金融资源配置，对金融支持科技创新的效率进行评价是值得研究的课题。
二、国内外相关文献
根据现有文献来看，国内外学者有关金融给予科技创新的支持研究主要集中在理论层面，而对科技与金融相互结合、相互作用的实证研究还比较少。
1912年，经济学家熊彼特（Schumpeter）注意到金融发展对技术创新的影响。而国外有关金融支持科技创新的实证研究主要集中在某种金融形式对技术创新的影响。例如，银行对技术进步的影响。塔德塞（Tadesse，2000）研究发现，银行导向型金融体系和市场导向型金融体系在促进技术进步方面所起的作用明显不同。本弗拉泰洛（Benfratello，2008）等以意大利公司为研究对象，发现地方性银行对企业技术创新活动的成功率具有显著的影响。詹内蒂（Giannetti，2012）的研究发现，银行对于高技术企业开展创新和引进新产品能力具有显著效果。又如，风险投资对技术创新的影响。卡拉汉和米格（John Callahan和Steven Muegge，2003）分析了风险投资在技术创新中所发挥的作用，描述了风险投资对技术创新的作用过程及其机制路径。吉尔和塔贝尔（Gil Avnimelech和Morris Teubal，2006）指出风险投资在一定条件下可以变为促进高技术集群转化的重要因素。
在国内，虽然“科技金融”一词在20世纪90年代被提出，但有关金融支持和科技创新的实证研究是从近年才受到关注的。从全国角度来看，王海和叶元煦（2003）利用经过层次分析法（AHP）加权后的评价指标体系和模型对科技金融结合效益进行了实证分析。田霖（2005）选取31个地区作为样本，运用主成分和因子分析法对各个区域的金融成长状况进行计量分析研究，通过分析得出科技对区域金融综合竞争力的解释力和贡献率很高，起着决定性作用。马卫刚（2014）运用DEA和Malmquist指数对2007—2012年我国科技与金融结合效益进行静态和动态分析，发现金融资源配置下降是引起科技金融结合效益呈现负增长的主要原因。
从各地区角度来看，杨丽萍和赵兵（2010）采用数据包络分析方法（DEA）对全国各地区金融投入与科技产出的效益进行评价，并发现金融投入和科技产出结构不协调是造成广东科技金融结合效率低的主要原因。吕江林等（2012）利用DEA方法对中部地区6省份和东部地区发达省市的金融投入与科技产出的效率进行分析，结果表明中部地区已形成崛起之势。华玉燕（2013）运用DEA方法对安徽省科技金融结合效率进行评价，结果表明单纯依靠扩大金融投入难以提高科技产出，应优化科技金融内部结构，使金融投入与科技产出协调发展。陈凯（2013）利用AHP方法对江苏省科技金融结合的效益进行评价，结果发现由于金融资本投入的低效率导致对科技产出的助推作用没有得到完全发挥，二者的结合效率不高。陈军梅（2014）利用Malmquist指数方法对宁夏科技金融结合效率进行评价，结果显示宁夏科技金融结合整体效率不高，金融投入与科技产出处于非均衡状态，资源没有实现最优配置。
综上所述，根据现有文献来看，国外学者主要就某种金融对科技创新的影响进行研究，国内学者也有相应的研究。但我国目前仍然是一个发展中国家，为科技创新提供的金融资源是有限的，那么如何提高我国金融支持科技创新的效率就是一个值得研究的课题。而国内关于这方面的研究还不足，并且相关学者主要采用传统DEA模型对各地区的金融支持科技创新的效率进行实证研究。虽然已有的研究都具有针对性，但缺少全面的金融支持科技创新的资源配置分析。本文将采用超效率DEA对2006—2012年我国30个省、自治区和直辖市的金融投入和科技产出的效率进行静态评价分析，并采用Malmquist指数方法研究我国科技金融效率的动态演变以及对三大区域的科技金融效率的差异进行分析，为促进我国金融有效支持科技发展提供参考。
三、研究理论与方法
（一）模型选取
1. 超效率DEA模型。超效率数据包络分析模型（Super Efficiency DEA，SE-DEA）是由安德森和彼得森（Andersen和Petersen，1993）根据传统DEA模型所提出的新模型，其基本思想是：在对该决策单元进行效率评价时，将其排除在决策单元的参考集之外。经典DEA模型如CCR模型和BCC模型只能区别出有效率与无效率的决策单元，无法进行比较和排序。而SE-DEA模型与CCR模型的不同之处在于评价某个决策单元时将其排除在决策单元集之外，这样SE-DEA模型将经典DEA模型中有效的决策单元（效率评价值为1）在生产前沿面进行了重新计算推移，使得最终计算出来的效率评价值大于经典CCR模型的效率值，即允许效率值大于1；而对于DEA无效的决策单元（效率评价值小于1），其生产前沿面并没有发生改变，这与CCR模型的评价结果一致。因此，SE-DEA模型能区分DEA有效的决策单元之间的差异，从而对各决策单元进行有效的比较和排序。其表达式为： [Min[θ-ε（i=1ms-i+r=1ss+r）]s.t.j=1j≠j0nxijλj+s-i=θxij0 i=1，2，…，mj=1j≠j0nyrjλj-s+r=yrj0 r=1，2，…，sλj≥0， j=1，2，…，ns-i≥0，s+r≥0] （1）
其中，[θ]为第[j0]个决策单元的超效率值；[ε]为非阿基米德无穷小量；n为决策单元（DMU）个数，每个决策单元均包括m个输入变量和s个输出变量；[s-i]，[s+r]分别为输入和输出的松弛变量；[xij]表示第j个决策单元在第i个输入（投入）指标上的值；[yrj]表示第j个决策单元在第r个输出（产出）指标上的值；[λj]为输入输出指标的权重系数；[θ]，[λj]，[s-i]，[s+r]为未知参数，可由模型求解。
2. Malmquist指数模型。Malmquist指数模型是瑞典的经济学家、统计学家曼奎斯特（Malmquist）在1953年分析消费过程中提出来的。凯夫斯等（Caves等，1982）受其启发，通过距离函数之比构造了生产率指数。法尔等（Fare等，1994）采用Caves等人的研究思路，在多投入产出的条件下结合DEA方法，建立了具有实际意义的生产率变化的Malmquist指数。
根据法尔等的方法，我们以每个省作为一个决策单元，把每个省金融投入与科技产出的效率同前沿面进行比较，以此来对各个省的金融支持科技创新的效率变化进行测量。那么，从t时期到t+1时期的Malmquist指数分别表示为：
[Mt=Dt（xt，yt）Dt（xt+1，yt+1）] [Mt+1=Dt+1（xt，yt）Dt+1（xt+1，yt+1）] （2）
其中[（xt，yt）]和[（xt+1，yt+1）]分别为决策单元在t期和t+1期的投入产出向量，[Dt（xt，yt）]和[Dt（xt+1，yt+1）]则分别表示t期和t+1期的决策单元与效率前沿面的距离。
为了避免时期选择的随意性可能导致的差异，法尔等人对不同时期技术条件下的两个Malmquist指数采取几何平均值，测算出效率的变化值，见下式：
[M（yt+1，xt+1，yt，xt）=Dt（xt，yt）Dt（xt+1，yt+1）×Dt+1（xt，yt）Dt+1（xt+1，yt+1）]（3）
在规模报酬不变的假设下，Malmquist指数（TFP）可以进一步分解为技术效率变化指数（Technical Efficiency Change，Effch）和技术进步变化指数（Technical change，Tech）的乘积，见式（4）和式（5）：
[M（yt+1，xt+1，yt，xt）=Effch×Tech=Dt（xt，yt）Dt+1（xt+1，yt+1）×Dt+1（xt+1，yt+1）Dt（xt+1，yt+1）×Dt+1（xt，yt）Dt+1（xt，yt）] （4）
而在规模报酬可变的假设下，技术效率变化（Effch）可以进一步分解为纯技术效率变化（Pure Technical Efficiency Change，Pech）和规模效率变化（Scale Efficiency Change，Sech）的乘积，见式（5）：
[TFP=Effch×Tech=（Pech×Sech）×Tech] （5）
上式（5）中，左边是Malmquist指数，该指标若大于1，则表明金融投入与科技产出的效率上升；若小于1，则降低。右边第一项是纯技术效率指数，表示在科技金融的规模经济不变的条件下的金融投入在科技产出中的作用与前沿面的距离，该指标可能大于1、小于1或等于1，分别表示金融投入在科技产出中的作用有所提高、降低和无变化；第二项是规模效率指数，表明科技金融达到规模经济的可能性；最后一项是技术进步指数，反映金融创新对科技产出的效率大小，该指数大于1表示起到进步作用，等于1表示无作用，小于1则为退步。
（二）变量的选取
金融支持科技创新的效率评价指标必须真实反映金融投入与科技产出情况，本文借鉴相关学者的研究，所选金融投入指标包括：研究与试验发展（R&D）经费内部支出、地方财政科技拨款、金融机构科技贷款以及人均R&D经费支出。其中，R&D内部经费支出是指企事业单位用于内部开展 R&D活动（包括基础研究、应用研究和试验发展）的实际支出，是反映一个地区科技金融实力的重要指标；地方财政科技拨款指统计年度内由各级财政部门拨付的直接用于科技活动的款项，包括科学事业费、科技三项费、科研基建费以及其他科研事业费，其反映地方政府对科技发展的支持力度；金融机构科技贷款是用科技活动经费筹集额中的金融机构贷款来表示，反映了以银行为主的间接融资是推动科技发展的重要资金来源；人均R&D经费支出是指R&D研究人员平均每人每年的R&D经费支出额，其反映一个地区R&D经费在人力资源上的投入强度。
在科技产出方面，选取了国内专利申请授权数、国外主要检索工具收录我国科技论文数、技术市场成交合同额以及高技术产业总产值。其中，国内专利申请授权数和国外主要检索工具收录我国科技论文数是科技产出的直接成果，也是科技活动的重要产出形式；技术市场成交合同额是指在技术市场中各地区合同在一定时期内成交的数额，是检验R&D投入的一项重要产出指标；高技术产业总产值是科技活动的直接产业化成果，很大程度上反映了科技的总产出情况。本文投入产出指标体系见表1。
表1：科技金融投入产出指标体系
[类别＼&指标（单位）＼&＼&R&D经费内部支出（亿元）＼&金融投入＼&地方财政科技拨款（亿元）＼&＼&金融机构科技贷款（亿元）＼&＼&人均R&D经费支出（亿元/万人/年）＼&＼&国内专利申请授权数（项）＼&科技产出＼&国外主要检索工具收录我国科技论文数（篇）＼&＼&技术市场成交合同额（亿元）＼&＼&高技术产业总产值（亿元）＼&] （三）研究样本和数据来源
本文采用超效率DEA和Malmquist指数方法进行分析，时间跨度为7年。依据数据可获得性原则，本文选取了我国30个省、自治区直辖市2006—2012年的相关数据（西藏的数据缺失，从样本数据中剔除）。
数据来源于历年《中国统计年鉴》、《中国科技统计年鉴》以及《中国高技术产业统计年鉴》。但是由于统计年鉴编制体系的调整，各省“金融机构科技贷款”指标数据从2008年以后不再列入统计年鉴中，因此，本文依据该指标以往年度的数据，采用灰色预测模型对2009—2012年的数据进行预测。
四、实证结果分析
（一）总效率值分析
基于超效率DEA模型，本文运用MATLAB R2012b软件对2006—2012年的我国30个省、自治区及直辖市的数据进行分析，得到其效率变动情况（如图1和表2所示），并对7年的均值进行排序。
从图1和表2可以看出，全国各省每年的超效率平均值分别为1.1588、1.0939、1.0583、1.0823、1.0793、1.0955和1.1768，分别上涨了15.88%、9.39%、5.83%、8.23%、7.93%、9.55%和17.68%。这说明自2006年以来，将自主创新、建设创新型国家作为战略目标纳入国家中长期科技发展规划纲要，为科技产出提供的金融资源配置是有效的，并且以每年10.64%的增速上升。同时，从样本年限内看，我国金融支持科技创新的超效率均值呈现出U形的走势。
其中2012年的效率值达到了最高为1.1768，这可能是因为在2011年我国发布《国家“十二五”科学和技术发展规划》，提出在“十二五”期间将不断完善科技和金融的结合机制，建立多渠道的科技融资体系，加快发展服务科技创新的新型金融服务机制，积极探索支持创新的融资方式，加上我国经济逐步摆脱了金融危机的影响，这都为金融支持科技创新提供了方针政策和良好的宏观环境，以此促进金融与科技的对接、科技成果的有效转化及我国经济的可持续增长。
而2008年的效率值为1.0583，为U型走势的谷底。究其原因，是受到2008年金融危机的影响，我国以银行为主导的金融体系遭遇了系统性风险，为避免因系统性风险带来的更大经济损失，金融机构纷纷对具有高风险的科技创新型企业收紧了银根，使得这些企业面临融资难进而倒闭的局面，这就导致了当年科技产出力度不够，这从金融支持科技创新的效率值也能得到印证。
从全国30个省、自治区和直辖市的超效率均值来看，有13个省区市金融支持科技创新的效率达到了有效前沿面，即效率值大于1，可以看出只有1/3的省区市为科技创新提供的金融资源配置是有效的，而其中东部地区有6个省份，分别为北京、广东、上海、浙江、江苏和海南，占到有效省区市的一半且排名前十，而中部和西部地区分别有3个和4个。与全国平均效率值达到有效前沿面对比分析，说明提升我国金融支持科技创新效率主要是依靠东部经济较为发达的地区，而这也符合我国经济发展的基本情况；从另一方面来看，我国各个省区市为促进科技创新提供的金融资源配置差异很大，尤其是西部地区的差异最为明显，其中甘肃和陕西的效率值分别为1.9094和1.3508，而贵州、云南、广西、内蒙古和宁夏的效率值都在0.7以下，可见西部地区金融支持科技创新的效率极为不均衡。
通过对各个省区市进一步分析看出，带动金融支持科技创新发展的主力依然是东部技术密集型的地区，由于这些地区集中了大量的技术储备，加之经济发展水平较高，因此加大资金的投入固然会带来高质量的科技产出，金融支持科技创新的效率也就较高。而存在巨大差异的西部地区，效率值较高的省市其经济水平也相对较高，这说明受“西部大开发”战略的影响，西部部分地区金融支持科技创新的效果较为明显，而处于低效率的区域则需要进一步加大金融投入与科技产出，具体如何提高其效率还需要进一步分析。
（二） Malmquist指数分析
无论是传统的DEA模型还是超效率DEA模型，对我国科技金融效率的研究是基于静态的比较，即只对各省市在同一时期做横向的效率分析，无法评价各省市在不同时期的效率变化。本文运用DEAP2.1软件测算了我国30个省、自治区和直辖市科技金融的Malmquist指数（如表2所示），对2006—2012年全国各省的科技金融效率指数变化进行分解研究（如表3所示），并对东、中、西部地区的效率变化差异进行分析（如表4所示）。
从表3可以看出，在样本研究年限内，我国科技金融Malmquist指数的平均效率变化为1.026，上涨了2.6%，总体呈现出上升趋势。通过分解分析，技术效率指数平均变动为0.990，呈现出下降趋势；而技术进步指数平均变动为1.036，上涨了3.6%。可以看出，推动我国科技金融的全要素生产率（TFP）在样本区间增长的主要原因，是技术进步的增长。
从全国30个省区市来看，其中有20个省区市的全要素生产率指数大于1，其科技金融效率呈现出上升的趋势，而只有10个省的TFP指数值小于1，呈现出下降的趋势，说明我国各省区市为科技创新提供金融配置的效果向好。具体来看，在20个科技金融效率呈现上升趋势的省份中，除江西外，其余地区的全要素生产率指数大于1的原因是技术进步的提高。而10个全要素生产率小于1的省份中，有6个是因为技术退步，可以看出，技术进步的高低也是决定各省区市科技金融全要素生产效率是否有效的关键因素。
从各省区市技术效率的变化来看，全国技术效率的平均值为0.990，呈现下降趋势。通过分解分析看出，纯技术效率和规模效率的平均值分别0.994和0.996，均呈现低效状况，造成了科技与金融的技术效率没有达到有效前沿面。具体到各省区市来看，我国11个西部地区的省份和10个全要素生产率指数小于1的省份，其平均纯技术效率指数变化分别为0.991和0.976，而平均规模效率指数变化分别为0.989和0.982，说明西部地区是TFP低效的地区，不仅金融投入和科技产出低效而且尚未形成规模效应。因此，这些地区需要在提高科技有效产出的同时还要促进行业形成规模效应，以此来提高金融支持科技创新的效率，避免资源的浪费，促进科技成果转化，推动我国经济的有效转型。 从图2和表3可以看出，2006—2012年，我国金融支持科技创新的效率值每年以2.6%的速度增长，总体上呈现上升趋势的变动。进一步分析发现，技术效率变化指数在研究样本年限内变化趋于平稳，而技术进步指数与全要素生产率的变化趋于一致，说明我国科技金融全要素生产率的变动主要受技术进步的影响。此外，科技金融的TFP值在样本年限内呈现出一个高峰一个低谷的波动性变化。
2008—2009年，科技金融的Malmquist指数值只有0.950，降低了5.0%，其中技术进步、纯技术效率和规模效率的变动均小于1，共同造成科技金融效率的低效。其原因可能在于受到金融危机的影响，给金融创新带来巨大的风险，从而科技企业在金融资源配置时就受到限制。
2009—2010年，科技金融的TFP值达到1.144，上涨了14.4%，其中技术进步指数为1.145，上升了14.5%，而纯技术效率和规模效率相对2008—2009年均有所增长。其原因可能在于政府提出的4万亿“救市”的方案，促进了资本市场的活跃性，带动了金融行业的复苏，为科技企业增添了新的血液，促进了科技成果的转化，以此提高了金融支持科技创新的效率。
2011—2012年的Malmquist指数达到了最高值，上升了15.8%，其中技术进步增长了10.9%，同时技术效率变化也提升了4.4%。其原因可能在于我国在发布《国家“十二五”科学和技术发展规划》中提出不断完善科技和金融的结合机制，要求建立多渠道的科技融资体系，加快发展服务科技创新的新型金融服务机制，积极探索支持创新的融资方式。这为提高科技有效产出、鼓励与金融创新相结合、扩大科技金融规模提供了方针和政策指导。
从表4可以看出，从区域的角度分析，我国三大区域的全要素科技金融效率在样本年限内都呈现上升的趋势。从进一步分解来看，东中西三大区域的技术进步均值分别为1.045、1.069和1.058，均是促进各区域科技金融发展的关键性因素。其中，中部地区的全要素生产率增长最快，上升了6.9%，而西部地区增长了4.4%，高于东部地区的3.8%，呈现出“中部崛起”的态势。究其原因，可能是由于中部地区的金融与科技的结合已进入高速的成长期，使得东部地区受到了回弹效应的影响；而中西部地区虽然经济发展水平相对较低，相应的基础设施较为落后，但由于受到“中部崛起”政策与“西部大开发”战略的影响，以至于中西部的效率高于东部地区。而与超效率DEA模型分析后得到的东部地区是提高全国金融支持科技创新效率的主要力量的结果来看，中西部地区的动态效率变化（即金融支持科技创新的效率增长变化）要高于东部地区，说明针对中西部地区的科技创新配置合理的金融资源，将极大地提升全国金融支持科技创新的效率，从而缩小中部与东部地区的差距，促进我国科技产业均衡发展。
从三大区域技术进步的角度分析，三个区域的技术进步指数都大于1，说明它们的技术进步变化均呈现增长趋势，而且也是使得全要素生产率大于1的主要原因，这与全国全要素科技金融效率分析的结果是一致的。
从三大区域纯技术效率的角度分析，依然呈现出中部高于西部，而西部又高于东部的趋势，但西部和东部的纯技术效率均小于1，说明这两个地区金融的投入并没有带来科技的有效产出。但其原因可能有所差异，对于东部地区虽然经济发展水平较高，但受到金融支持科技创新的回弹效应影响，已呈现出边际效用递减的态势；而西部地区本身经济发展水平低，基础设施落后，为科技创新配置的金融资源不够，固然不能得到有效的产出。
从三大区域规模效率的角度分析，中东部地区的规模效率已达到有效前沿面，表明中东部地区的科技金融产业已较为完善，规模效应已有所展现。与之相比，西部地区的规模效率小于1，说明西部地区科技金融行业规模偏小，为科技服务的金融机构无论是数量还是资金量都不足，需要进一步提升营运规模。
五、结论
我国将自主创新、建设创新型国家作为战略目标以来，建立多渠道、多层次的金融投入体系是解决高风险科技产业融资难的重要措施。因此，为促进科技创新合理配置有限的金融资源就具有重要意义。文本应用超效率DEA和Malmquist指数模型对我国30个省、自治区和直辖市2006—2012年的科技金融投入产出情况进行了分析。结果表明：
第一，全国以及各省区市的科技金融效率呈现出U形趋势。通过超效率DEA模型的静态分析发现，在样本年限内我国金融支持科技创新呈现U形趋势，其中，东部地区是带动这种U形趋势的主要力量。
第二，从全国各省区市的科技金融的TFP值来看，在样本年限内呈现上升趋势。通过Malmquist效率动态分解分析，技术进步（即科技金融资源配置）是提高金融支持科技创新效率的主要原因。需要注意的是，纯技术效率变化和规模效率变化还是低效的，说明金融投入未能得到有效的科技产出以及尚未形成科技产业的规模经济，需要进一步改善。
第三，从时间序列的科技金融的TFP值来看，受到技术进步的影响，TFP值在2006—2012年的变化呈现一个高峰一个低谷的波动性增长。其中，2009—2010年，受到国家“救市”方案的影响，促进金融支持科技创新的效率变化显著，形成了高峰；2011—2012年，受到国家战略部署以及方针政策指导，使得TFP值达到最大值。
第四，从区域角度的科技金融的TFP值来看，三大区域均呈现上升趋势。其中，中部地区呈现出“中部崛起”的态势，西部地区因“西部大开发”战略部署以及东部地区受到回弹效应的影响，使得中西部的效率变化指数值高于东部地区，进一步说明为中西部的科技创新配置合理的金融资源，将获得巨大显著的成果。
参考文献：
[1]Schumpeter.1912. The Theory of Economy Development[M].Cambridge，MA：Harvard University Press. [2]Tadassee S.2000. Does financial structure matter for economic growth？ A corporate finance perspective. OhioStateUniversity，Mimco.
[3]Luigi Benfratello，Fabio Schiantarelli，Alessandro Sembenelli. 2008. Banks and innovation：Microeconometric evidence on Italian firms[J]. Journal of Financial Economics，90（2）.
[4]Caterina Giannetti. 2012. Relationship lending and firm innovativeness[J].Journal of Empirical Finance，19（5）.
[5]John Callahan，Steven Muegge. 2003.Venture Capital’s Role in Innovation：Issues， Research and Stakeholder Interests [J].The International Handbook on Innovation.
[6]Gil Avnimelech，Morris Teubal.2006. Creating venture capital industries that co-evolve with high tech： Insights from an extended industry life cycle perspective of the Israeli experience[J].Research Policy，35（10）.
[7]Caves，D.W.，L.R.Christensen and W.E.Diewer. 1982. Multilateral Comparisons of Output，Input and Productivity Using Superlative Index Numbers[J].Economic Journal，92.
[8]Fare R，Grosskopf S，Norrism，et al.1994. Productivity Growth，Technical Progress，and Efficiency Change in Industrialized Countries [J].American Economic Review.
[9]王海，叶元煦.科技金融结合效益的评价研究[J].管理科学，2003，16（2）.
[10]田霖.科技力与区域金融综合竞争力的模糊曲线分析[J].重庆大学学报（社会科学版），2005，11（4）.
[11]马卫刚，张红丽.我国科技与金融结合效益评价[J].科技管理研究，2014，（20）.
[12]崔毅，赵韵琪，杨丽萍，赵兵.基于DEA方法的广东科技与金融结合效益评价[J].华南理工大学学报（社会科学版），2010，（4）.
[13]吕江林，王新龙，宋高堂.中部地区与东部发达省市科技与金融结合效率的比较研究——基于DEA模型的分析[J].金融与经济，2012，（10）.
[14]华玉燕，赵纳.基于DEA方法的科技金融结合效率研究——以安徽省为例[J].金融教育研究，2013，（3）.
[15]陈凯，肖莺，付永红.江苏科技和金融结合效益评价研究[J].科技管理研究，2013，（14）.
[16]陈军梅.基于DEA-Malmquist指数方法的宁夏科技金融结合效率研究[J].宁夏大学学报（人文社会科学版），2014，4（36）.
关键词：金融支持；科技创新；超效率DEA；Malmquist指数
中图分类号：F830 文献标识码：A 文章编号：1674-2265（2015）06-0018-08
一、引言
“新常态”下科技创新是中国经济增长的唯一动力。据统计，2014年我国全年研究与试验发展（R&D）经费支出比上年增长12.4%，相当于GDP的2.09%，而技术合同成交金额高达8577亿元，同比增长14.8%。这说明“新常态”下的中国，创新环境正在持续优化，创新投入正在不断加大，创新成果的流动和转化正在为经济提供更强劲的增长动力。而科技创新的发展离不开金融的强力支持，金融是现代经济的血液，与科技对接能够促进科技创新，加快科技企业发展，确保中国经济的有效转型。随着金融投入和科技产出的力度逐年加大，优化科技创新中的金融资源配置，对金融支持科技创新的效率进行评价是值得研究的课题。
二、国内外相关文献
根据现有文献来看，国内外学者有关金融给予科技创新的支持研究主要集中在理论层面，而对科技与金融相互结合、相互作用的实证研究还比较少。
1912年，经济学家熊彼特（Schumpeter）注意到金融发展对技术创新的影响。而国外有关金融支持科技创新的实证研究主要集中在某种金融形式对技术创新的影响。例如，银行对技术进步的影响。塔德塞（Tadesse，2000）研究发现，银行导向型金融体系和市场导向型金融体系在促进技术进步方面所起的作用明显不同。本弗拉泰洛（Benfratello，2008）等以意大利公司为研究对象，发现地方性银行对企业技术创新活动的成功率具有显著的影响。詹内蒂（Giannetti，2012）的研究发现，银行对于高技术企业开展创新和引进新产品能力具有显著效果。又如，风险投资对技术创新的影响。卡拉汉和米格（John Callahan和Steven Muegge，2003）分析了风险投资在技术创新中所发挥的作用，描述了风险投资对技术创新的作用过程及其机制路径。吉尔和塔贝尔（Gil Avnimelech和Morris Teubal，2006）指出风险投资在一定条件下可以变为促进高技术集群转化的重要因素。
在国内，虽然“科技金融”一词在20世纪90年代被提出，但有关金融支持和科技创新的实证研究是从近年才受到关注的。从全国角度来看，王海和叶元煦（2003）利用经过层次分析法（AHP）加权后的评价指标体系和模型对科技金融结合效益进行了实证分析。田霖（2005）选取31个地区作为样本，运用主成分和因子分析法对各个区域的金融成长状况进行计量分析研究，通过分析得出科技对区域金融综合竞争力的解释力和贡献率很高，起着决定性作用。马卫刚（2014）运用DEA和Malmquist指数对2007—2012年我国科技与金融结合效益进行静态和动态分析，发现金融资源配置下降是引起科技金融结合效益呈现负增长的主要原因。
从各地区角度来看，杨丽萍和赵兵（2010）采用数据包络分析方法（DEA）对全国各地区金融投入与科技产出的效益进行评价，并发现金融投入和科技产出结构不协调是造成广东科技金融结合效率低的主要原因。吕江林等（2012）利用DEA方法对中部地区6省份和东部地区发达省市的金融投入与科技产出的效率进行分析，结果表明中部地区已形成崛起之势。华玉燕（2013）运用DEA方法对安徽省科技金融结合效率进行评价，结果表明单纯依靠扩大金融投入难以提高科技产出，应优化科技金融内部结构，使金融投入与科技产出协调发展。陈凯（2013）利用AHP方法对江苏省科技金融结合的效益进行评价，结果发现由于金融资本投入的低效率导致对科技产出的助推作用没有得到完全发挥，二者的结合效率不高。陈军梅（2014）利用Malmquist指数方法对宁夏科技金融结合效率进行评价，结果显示宁夏科技金融结合整体效率不高，金融投入与科技产出处于非均衡状态，资源没有实现最优配置。
综上所述，根据现有文献来看，国外学者主要就某种金融对科技创新的影响进行研究，国内学者也有相应的研究。但我国目前仍然是一个发展中国家，为科技创新提供的金融资源是有限的，那么如何提高我国金融支持科技创新的效率就是一个值得研究的课题。而国内关于这方面的研究还不足，并且相关学者主要采用传统DEA模型对各地区的金融支持科技创新的效率进行实证研究。虽然已有的研究都具有针对性，但缺少全面的金融支持科技创新的资源配置分析。本文将采用超效率DEA对2006—2012年我国30个省、自治区和直辖市的金融投入和科技产出的效率进行静态评价分析，并采用Malmquist指数方法研究我国科技金融效率的动态演变以及对三大区域的科技金融效率的差异进行分析，为促进我国金融有效支持科技发展提供参考。
三、研究理论与方法
（一）模型选取
1. 超效率DEA模型。超效率数据包络分析模型（Super Efficiency DEA，SE-DEA）是由安德森和彼得森（Andersen和Petersen，1993）根据传统DEA模型所提出的新模型，其基本思想是：在对该决策单元进行效率评价时，将其排除在决策单元的参考集之外。经典DEA模型如CCR模型和BCC模型只能区别出有效率与无效率的决策单元，无法进行比较和排序。而SE-DEA模型与CCR模型的不同之处在于评价某个决策单元时将其排除在决策单元集之外，这样SE-DEA模型将经典DEA模型中有效的决策单元（效率评价值为1）在生产前沿面进行了重新计算推移，使得最终计算出来的效率评价值大于经典CCR模型的效率值，即允许效率值大于1；而对于DEA无效的决策单元（效率评价值小于1），其生产前沿面并没有发生改变，这与CCR模型的评价结果一致。因此，SE-DEA模型能区分DEA有效的决策单元之间的差异，从而对各决策单元进行有效的比较和排序。其表达式为： [Min[θ-ε（i=1ms-i+r=1ss+r）]s.t.j=1j≠j0nxijλj+s-i=θxij0 i=1，2，…，mj=1j≠j0nyrjλj-s+r=yrj0 r=1，2，…，sλj≥0， j=1，2，…，ns-i≥0，s+r≥0] （1）
其中，[θ]为第[j0]个决策单元的超效率值；[ε]为非阿基米德无穷小量；n为决策单元（DMU）个数，每个决策单元均包括m个输入变量和s个输出变量；[s-i]，[s+r]分别为输入和输出的松弛变量；[xij]表示第j个决策单元在第i个输入（投入）指标上的值；[yrj]表示第j个决策单元在第r个输出（产出）指标上的值；[λj]为输入输出指标的权重系数；[θ]，[λj]，[s-i]，[s+r]为未知参数，可由模型求解。
2. Malmquist指数模型。Malmquist指数模型是瑞典的经济学家、统计学家曼奎斯特（Malmquist）在1953年分析消费过程中提出来的。凯夫斯等（Caves等，1982）受其启发，通过距离函数之比构造了生产率指数。法尔等（Fare等，1994）采用Caves等人的研究思路，在多投入产出的条件下结合DEA方法，建立了具有实际意义的生产率变化的Malmquist指数。
根据法尔等的方法，我们以每个省作为一个决策单元，把每个省金融投入与科技产出的效率同前沿面进行比较，以此来对各个省的金融支持科技创新的效率变化进行测量。那么，从t时期到t+1时期的Malmquist指数分别表示为：
[Mt=Dt（xt，yt）Dt（xt+1，yt+1）] [Mt+1=Dt+1（xt，yt）Dt+1（xt+1，yt+1）] （2）
其中[（xt，yt）]和[（xt+1，yt+1）]分别为决策单元在t期和t+1期的投入产出向量，[Dt（xt，yt）]和[Dt（xt+1，yt+1）]则分别表示t期和t+1期的决策单元与效率前沿面的距离。
为了避免时期选择的随意性可能导致的差异，法尔等人对不同时期技术条件下的两个Malmquist指数采取几何平均值，测算出效率的变化值，见下式：
[M（yt+1，xt+1，yt，xt）=Dt（xt，yt）Dt（xt+1，yt+1）×Dt+1（xt，yt）Dt+1（xt+1，yt+1）]（3）
在规模报酬不变的假设下，Malmquist指数（TFP）可以进一步分解为技术效率变化指数（Technical Efficiency Change，Effch）和技术进步变化指数（Technical change，Tech）的乘积，见式（4）和式（5）：
[M（yt+1，xt+1，yt，xt）=Effch×Tech=Dt（xt，yt）Dt+1（xt+1，yt+1）×Dt+1（xt+1，yt+1）Dt（xt+1，yt+1）×Dt+1（xt，yt）Dt+1（xt，yt）] （4）
而在规模报酬可变的假设下，技术效率变化（Effch）可以进一步分解为纯技术效率变化（Pure Technical Efficiency Change，Pech）和规模效率变化（Scale Efficiency Change，Sech）的乘积，见式（5）：
[TFP=Effch×Tech=（Pech×Sech）×Tech] （5）
上式（5）中，左边是Malmquist指数，该指标若大于1，则表明金融投入与科技产出的效率上升；若小于1，则降低。右边第一项是纯技术效率指数，表示在科技金融的规模经济不变的条件下的金融投入在科技产出中的作用与前沿面的距离，该指标可能大于1、小于1或等于1，分别表示金融投入在科技产出中的作用有所提高、降低和无变化；第二项是规模效率指数，表明科技金融达到规模经济的可能性；最后一项是技术进步指数，反映金融创新对科技产出的效率大小，该指数大于1表示起到进步作用，等于1表示无作用，小于1则为退步。
（二）变量的选取
金融支持科技创新的效率评价指标必须真实反映金融投入与科技产出情况，本文借鉴相关学者的研究，所选金融投入指标包括：研究与试验发展（R&D）经费内部支出、地方财政科技拨款、金融机构科技贷款以及人均R&D经费支出。其中，R&D内部经费支出是指企事业单位用于内部开展 R&D活动（包括基础研究、应用研究和试验发展）的实际支出，是反映一个地区科技金融实力的重要指标；地方财政科技拨款指统计年度内由各级财政部门拨付的直接用于科技活动的款项，包括科学事业费、科技三项费、科研基建费以及其他科研事业费，其反映地方政府对科技发展的支持力度；金融机构科技贷款是用科技活动经费筹集额中的金融机构贷款来表示，反映了以银行为主的间接融资是推动科技发展的重要资金来源；人均R&D经费支出是指R&D研究人员平均每人每年的R&D经费支出额，其反映一个地区R&D经费在人力资源上的投入强度。
在科技产出方面，选取了国内专利申请授权数、国外主要检索工具收录我国科技论文数、技术市场成交合同额以及高技术产业总产值。其中，国内专利申请授权数和国外主要检索工具收录我国科技论文数是科技产出的直接成果，也是科技活动的重要产出形式；技术市场成交合同额是指在技术市场中各地区合同在一定时期内成交的数额，是检验R&D投入的一项重要产出指标；高技术产业总产值是科技活动的直接产业化成果，很大程度上反映了科技的总产出情况。本文投入产出指标体系见表1。
表1：科技金融投入产出指标体系
[类别＼&指标（单位）＼&＼&R&D经费内部支出（亿元）＼&金融投入＼&地方财政科技拨款（亿元）＼&＼&金融机构科技贷款（亿元）＼&＼&人均R&D经费支出（亿元/万人/年）＼&＼&国内专利申请授权数（项）＼&科技产出＼&国外主要检索工具收录我国科技论文数（篇）＼&＼&技术市场成交合同额（亿元）＼&＼&高技术产业总产值（亿元）＼&] （三）研究样本和数据来源
本文采用超效率DEA和Malmquist指数方法进行分析，时间跨度为7年。依据数据可获得性原则，本文选取了我国30个省、自治区直辖市2006—2012年的相关数据（西藏的数据缺失，从样本数据中剔除）。
数据来源于历年《中国统计年鉴》、《中国科技统计年鉴》以及《中国高技术产业统计年鉴》。但是由于统计年鉴编制体系的调整，各省“金融机构科技贷款”指标数据从2008年以后不再列入统计年鉴中，因此，本文依据该指标以往年度的数据，采用灰色预测模型对2009—2012年的数据进行预测。
四、实证结果分析
（一）总效率值分析
基于超效率DEA模型，本文运用MATLAB R2012b软件对2006—2012年的我国30个省、自治区及直辖市的数据进行分析，得到其效率变动情况（如图1和表2所示），并对7年的均值进行排序。
从图1和表2可以看出，全国各省每年的超效率平均值分别为1.1588、1.0939、1.0583、1.0823、1.0793、1.0955和1.1768，分别上涨了15.88%、9.39%、5.83%、8.23%、7.93%、9.55%和17.68%。这说明自2006年以来，将自主创新、建设创新型国家作为战略目标纳入国家中长期科技发展规划纲要，为科技产出提供的金融资源配置是有效的，并且以每年10.64%的增速上升。同时，从样本年限内看，我国金融支持科技创新的超效率均值呈现出U形的走势。
其中2012年的效率值达到了最高为1.1768，这可能是因为在2011年我国发布《国家“十二五”科学和技术发展规划》，提出在“十二五”期间将不断完善科技和金融的结合机制，建立多渠道的科技融资体系，加快发展服务科技创新的新型金融服务机制，积极探索支持创新的融资方式，加上我国经济逐步摆脱了金融危机的影响，这都为金融支持科技创新提供了方针政策和良好的宏观环境，以此促进金融与科技的对接、科技成果的有效转化及我国经济的可持续增长。
而2008年的效率值为1.0583，为U型走势的谷底。究其原因，是受到2008年金融危机的影响，我国以银行为主导的金融体系遭遇了系统性风险，为避免因系统性风险带来的更大经济损失，金融机构纷纷对具有高风险的科技创新型企业收紧了银根，使得这些企业面临融资难进而倒闭的局面，这就导致了当年科技产出力度不够，这从金融支持科技创新的效率值也能得到印证。
从全国30个省、自治区和直辖市的超效率均值来看，有13个省区市金融支持科技创新的效率达到了有效前沿面，即效率值大于1，可以看出只有1/3的省区市为科技创新提供的金融资源配置是有效的，而其中东部地区有6个省份，分别为北京、广东、上海、浙江、江苏和海南，占到有效省区市的一半且排名前十，而中部和西部地区分别有3个和4个。与全国平均效率值达到有效前沿面对比分析，说明提升我国金融支持科技创新效率主要是依靠东部经济较为发达的地区，而这也符合我国经济发展的基本情况；从另一方面来看，我国各个省区市为促进科技创新提供的金融资源配置差异很大，尤其是西部地区的差异最为明显，其中甘肃和陕西的效率值分别为1.9094和1.3508，而贵州、云南、广西、内蒙古和宁夏的效率值都在0.7以下，可见西部地区金融支持科技创新的效率极为不均衡。
通过对各个省区市进一步分析看出，带动金融支持科技创新发展的主力依然是东部技术密集型的地区，由于这些地区集中了大量的技术储备，加之经济发展水平较高，因此加大资金的投入固然会带来高质量的科技产出，金融支持科技创新的效率也就较高。而存在巨大差异的西部地区，效率值较高的省市其经济水平也相对较高，这说明受“西部大开发”战略的影响，西部部分地区金融支持科技创新的效果较为明显，而处于低效率的区域则需要进一步加大金融投入与科技产出，具体如何提高其效率还需要进一步分析。
（二） Malmquist指数分析
无论是传统的DEA模型还是超效率DEA模型，对我国科技金融效率的研究是基于静态的比较，即只对各省市在同一时期做横向的效率分析，无法评价各省市在不同时期的效率变化。本文运用DEAP2.1软件测算了我国30个省、自治区和直辖市科技金融的Malmquist指数（如表2所示），对2006—2012年全国各省的科技金融效率指数变化进行分解研究（如表3所示），并对东、中、西部地区的效率变化差异进行分析（如表4所示）。
从表3可以看出，在样本研究年限内，我国科技金融Malmquist指数的平均效率变化为1.026，上涨了2.6%，总体呈现出上升趋势。通过分解分析，技术效率指数平均变动为0.990，呈现出下降趋势；而技术进步指数平均变动为1.036，上涨了3.6%。可以看出，推动我国科技金融的全要素生产率（TFP）在样本区间增长的主要原因，是技术进步的增长。
从全国30个省区市来看，其中有20个省区市的全要素生产率指数大于1，其科技金融效率呈现出上升的趋势，而只有10个省的TFP指数值小于1，呈现出下降的趋势，说明我国各省区市为科技创新提供金融配置的效果向好。具体来看，在20个科技金融效率呈现上升趋势的省份中，除江西外，其余地区的全要素生产率指数大于1的原因是技术进步的提高。而10个全要素生产率小于1的省份中，有6个是因为技术退步，可以看出，技术进步的高低也是决定各省区市科技金融全要素生产效率是否有效的关键因素。
从各省区市技术效率的变化来看，全国技术效率的平均值为0.990，呈现下降趋势。通过分解分析看出，纯技术效率和规模效率的平均值分别0.994和0.996，均呈现低效状况，造成了科技与金融的技术效率没有达到有效前沿面。具体到各省区市来看，我国11个西部地区的省份和10个全要素生产率指数小于1的省份，其平均纯技术效率指数变化分别为0.991和0.976，而平均规模效率指数变化分别为0.989和0.982，说明西部地区是TFP低效的地区，不仅金融投入和科技产出低效而且尚未形成规模效应。因此，这些地区需要在提高科技有效产出的同时还要促进行业形成规模效应，以此来提高金融支持科技创新的效率，避免资源的浪费，促进科技成果转化，推动我国经济的有效转型。 从图2和表3可以看出，2006—2012年，我国金融支持科技创新的效率值每年以2.6%的速度增长，总体上呈现上升趋势的变动。进一步分析发现，技术效率变化指数在研究样本年限内变化趋于平稳，而技术进步指数与全要素生产率的变化趋于一致，说明我国科技金融全要素生产率的变动主要受技术进步的影响。此外，科技金融的TFP值在样本年限内呈现出一个高峰一个低谷的波动性变化。
2008—2009年，科技金融的Malmquist指数值只有0.950，降低了5.0%，其中技术进步、纯技术效率和规模效率的变动均小于1，共同造成科技金融效率的低效。其原因可能在于受到金融危机的影响，给金融创新带来巨大的风险，从而科技企业在金融资源配置时就受到限制。
2009—2010年，科技金融的TFP值达到1.144，上涨了14.4%，其中技术进步指数为1.145，上升了14.5%，而纯技术效率和规模效率相对2008—2009年均有所增长。其原因可能在于政府提出的4万亿“救市”的方案，促进了资本市场的活跃性，带动了金融行业的复苏，为科技企业增添了新的血液，促进了科技成果的转化，以此提高了金融支持科技创新的效率。
2011—2012年的Malmquist指数达到了最高值，上升了15.8%，其中技术进步增长了10.9%，同时技术效率变化也提升了4.4%。其原因可能在于我国在发布《国家“十二五”科学和技术发展规划》中提出不断完善科技和金融的结合机制，要求建立多渠道的科技融资体系，加快发展服务科技创新的新型金融服务机制，积极探索支持创新的融资方式。这为提高科技有效产出、鼓励与金融创新相结合、扩大科技金融规模提供了方针和政策指导。
从表4可以看出，从区域的角度分析，我国三大区域的全要素科技金融效率在样本年限内都呈现上升的趋势。从进一步分解来看，东中西三大区域的技术进步均值分别为1.045、1.069和1.058，均是促进各区域科技金融发展的关键性因素。其中，中部地区的全要素生产率增长最快，上升了6.9%，而西部地区增长了4.4%，高于东部地区的3.8%，呈现出“中部崛起”的态势。究其原因，可能是由于中部地区的金融与科技的结合已进入高速的成长期，使得东部地区受到了回弹效应的影响；而中西部地区虽然经济发展水平相对较低，相应的基础设施较为落后，但由于受到“中部崛起”政策与“西部大开发”战略的影响，以至于中西部的效率高于东部地区。而与超效率DEA模型分析后得到的东部地区是提高全国金融支持科技创新效率的主要力量的结果来看，中西部地区的动态效率变化（即金融支持科技创新的效率增长变化）要高于东部地区，说明针对中西部地区的科技创新配置合理的金融资源，将极大地提升全国金融支持科技创新的效率，从而缩小中部与东部地区的差距，促进我国科技产业均衡发展。
从三大区域技术进步的角度分析，三个区域的技术进步指数都大于1，说明它们的技术进步变化均呈现增长趋势，而且也是使得全要素生产率大于1的主要原因，这与全国全要素科技金融效率分析的结果是一致的。
从三大区域纯技术效率的角度分析，依然呈现出中部高于西部，而西部又高于东部的趋势，但西部和东部的纯技术效率均小于1，说明这两个地区金融的投入并没有带来科技的有效产出。但其原因可能有所差异，对于东部地区虽然经济发展水平较高，但受到金融支持科技创新的回弹效应影响，已呈现出边际效用递减的态势；而西部地区本身经济发展水平低，基础设施落后，为科技创新配置的金融资源不够，固然不能得到有效的产出。
从三大区域规模效率的角度分析，中东部地区的规模效率已达到有效前沿面，表明中东部地区的科技金融产业已较为完善，规模效应已有所展现。与之相比，西部地区的规模效率小于1，说明西部地区科技金融行业规模偏小，为科技服务的金融机构无论是数量还是资金量都不足，需要进一步提升营运规模。
五、结论
我国将自主创新、建设创新型国家作为战略目标以来，建立多渠道、多层次的金融投入体系是解决高风险科技产业融资难的重要措施。因此，为促进科技创新合理配置有限的金融资源就具有重要意义。文本应用超效率DEA和Malmquist指数模型对我国30个省、自治区和直辖市2006—2012年的科技金融投入产出情况进行了分析。结果表明：
第一，全国以及各省区市的科技金融效率呈现出U形趋势。通过超效率DEA模型的静态分析发现，在样本年限内我国金融支持科技创新呈现U形趋势，其中，东部地区是带动这种U形趋势的主要力量。
第二，从全国各省区市的科技金融的TFP值来看，在样本年限内呈现上升趋势。通过Malmquist效率动态分解分析，技术进步（即科技金融资源配置）是提高金融支持科技创新效率的主要原因。需要注意的是，纯技术效率变化和规模效率变化还是低效的，说明金融投入未能得到有效的科技产出以及尚未形成科技产业的规模经济，需要进一步改善。
第三，从时间序列的科技金融的TFP值来看，受到技术进步的影响，TFP值在2006—2012年的变化呈现一个高峰一个低谷的波动性增长。其中，2009—2010年，受到国家“救市”方案的影响，促进金融支持科技创新的效率变化显著，形成了高峰；2011—2012年，受到国家战略部署以及方针政策指导，使得TFP值达到最大值。
第四，从区域角度的科技金融的TFP值来看，三大区域均呈现上升趋势。其中，中部地区呈现出“中部崛起”的态势，西部地区因“西部大开发”战略部署以及东部地区受到回弹效应的影响，使得中西部的效率变化指数值高于东部地区，进一步说明为中西部的科技创新配置合理的金融资源，将获得巨大显著的成果。
参考文献：
[1]Schumpeter.1912. The Theory of Economy Development[M].Cambridge，MA：Harvard University Press. [2]Tadassee S.2000. Does financial structure matter for economic growth？ A corporate finance perspective. OhioStateUniversity，Mimco.
[3]Luigi Benfratello，Fabio Schiantarelli，Alessandro Sembenelli. 2008. Banks and innovation：Microeconometric evidence on Italian firms[J]. Journal of Financial Economics，90（2）.
[4]Caterina Giannetti. 2012. Relationship lending and firm innovativeness[J].Journal of Empirical Finance，19（5）.
[5]John Callahan，Steven Muegge. 2003.Venture Capital’s Role in Innovation：Issues， Research and Stakeholder Interests [J].The International Handbook on Innovation.
[6]Gil Avnimelech，Morris Teubal.2006. Creating venture capital industries that co-evolve with high tech： Insights from an extended industry life cycle perspective of the Israeli experience[J].Research Policy，35（10）.
[7]Caves，D.W.，L.R.Christensen and W.E.Diewer. 1982. Multilateral Comparisons of Output，Input and Productivity Using Superlative Index Numbers[J].Economic Journal，92.
[8]Fare R，Grosskopf S，Norrism，et al.1994. Productivity Growth，Technical Progress，and Efficiency Change in Industrialized Countries [J].American Economic Review.
[9]王海，叶元煦.科技金融结合效益的评价研究[J].管理科学，2003，16（2）.
[10]田霖.科技力与区域金融综合竞争力的模糊曲线分析[J].重庆大学学报（社会科学版），2005，11（4）.
[11]马卫刚，张红丽.我国科技与金融结合效益评价[J].科技管理研究，2014，（20）.
[12]崔毅，赵韵琪，杨丽萍，赵兵.基于DEA方法的广东科技与金融结合效益评价[J].华南理工大学学报（社会科学版），2010，（4）.
[13]吕江林，王新龙，宋高堂.中部地区与东部发达省市科技与金融结合效率的比较研究——基于DEA模型的分析[J].金融与经济，2012，（10）.
[14]华玉燕，赵纳.基于DEA方法的科技金融结合效率研究——以安徽省为例[J].金融教育研究，2013，（3）.
[15]陈凯，肖莺，付永红.江苏科技和金融结合效益评价研究[J].科技管理研究，2013，（14）.
[16]陈军梅.基于DEA-Malmquist指数方法的宁夏科技金融结合效率研究[J].宁夏大学学报（人文社会科学版），2014，4（36）.