金融支持下科技创新论文

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。下面小编整理了一些《金融支持下科技创新论文(精选3篇)》，供大家参考借鉴，希望可以帮助到有需要的朋友。

金融支持下科技创新论文 篇1：

转型升级视角下贵州省金融支持科技创新问题研究

【摘要】科学技术是第一生产力，科技创新逐渐成为一个国家或地区推动经济发展的核心动力，而金融的约束往往阻碍了科技创新的发展，只有通过金融的支持才能对科技创新提供足够的资金，贵州作为后发赶超的一个省，更应加强金融对科技创新的支持。本文建立模型运用贵州省1993～2013年的数据对金融发展与科技创新的关系进行了实证研究，分析发现，贵州省金融发展结构和金融发展效率对科技创新的影响呈正相关，优化贵州省金融发展结构和金融发展效率对促进科技创新有积极作用，利用格兰杰因果检验发现贵州省金融发展效率是科技创新的格兰杰原因，说明贵州省科技创新的落后在一定程度上是金融效率发展过低所导致，认为努力提高闲散资金的利用效率才能促进贵州省科技创新的发展。

【關键词】科技创新 金融发展 实证研究

一、贵州省金融发展支持科技创新的现状及必要性

早在1776年，古典政治经济学的杰出代表亚当·斯密出版的《国民财富的性质和原因的研究》一书中指出：“任何社会的土地和劳动的年产物，都只能用两种方法来增加。其一，改进社会上实际雇用的有用劳动的生产力；其二，增加社会上实际雇用的有用劳动量。”他指出，生产力的改进取决于：（1）劳动者能力改进；（2）他工作所用的机械的改进。而劳动者能力和机械的改进与科技进步有关。由此可见，亚当·斯密早已经认识到，除了资本和劳动力之外，科技进步也是促进经济增长的重要因素之一。近几年来，贵州省科技自主创新不断提高，专利申请数量明显增加，贵州省专利申请共计11574件，科技成果丰硕。在“十一五”期间，贵州更是获国家级科技奖励10项，截至2012年，贵州省拥有的发明专利达到3130件，增长幅度排全国的首位。在资金上，据统计，贵州省金融机构存款余额在2013年底达到12877亿元，对于贵州以银行为主导的金融支持结构来看，贵州省的科技创新信贷资金是有巨大的潜在供给能力的。但是传统的银行不适应科技创新发展的新需求，因为科技创新活动具有投入高、风险高的特点，而银行追求的是资金的安全性、流动性和高收益性，所以，银行会限制对高科技企业的贷款，这就说明了贵州省信贷资金虽然有巨大的潜在供给能力，但是现实的情况又导致供给不足，这就造成了科技创新企业得不到应有的发展。从长远来看，中小高科技企业在我省经济发展将会起到中流砥柱的作用，但是由于自身的高风险和金融市场的影响，我省中小企业融资面临诸多困难。为了贵州省在未来的几年内能够后发赶超，金融对科技创新的支持已必不可少。

熊彼特在其著作《经济发展理论》中首次提出了创新的概念，他认为创新可以概括为一下5个方面：（1）引进一种新的产品或提供一种产品的新质量；（2）引进新技术或采用一种新的生产方法；（3）开辟一个新的市场；（4）采用一种新的原料或控制原材料的一种新供应来源；（5）实行一种新的企业组织，如造成或打破一种垄断地位。熊彼特指出，当资本主义经济发展进入到相对发达阶段之后，货币市场的建立和良好运作成为实现创新的基础。本文以少数民族地区贵州省为例，对贵州省金融发展对科技创新的影响进行实证研究，并根据研究结果给出一些政策建议。

二、科技创新的测度

（一）建立模型

从贵州省金融支持科技创新的现状考察看出，贵州省金融支持科技创新的成果并不明显，金融在对科技创新的支持过程中还存在一定的问题。为了进一步的论证贵州省金融发展和科技创新之间的关系，本文主要采用实证分析法，收集了贵州省1993～2013年这21年的数据，首先对科技创新度TI进行了测算，然后构建VAR模型，对数据进行协整检验和格兰杰因果关系检验，然后对相关的分析结论进行了解释。

本文采用基于生产函数总量测算法中使用最多的索洛余值法来测算全要素生产率（简称TPF），并以全要素生产率来衡量贵州省的科技创新度（TI）。

假设贵州省经济的生产函数为：

Y■=Ae■K■L■

其中aK和aL分别代表资本和劳动的产出弹性，t表示时间，因为生产函数会随着时间的变化而变化，假设规模报酬不变，对生产函数进行变形，取对数得到：

LnY=LnA+at+aKLnK+aLLnL

其中，Y为产出数据，表示国民经济的整体产出，即国内生产总值（GDP）；L为劳动投入数据，即贵州省历年社会劳动者人数；K为资本投入数据，即为直接或间接构成生产能力的资本总存量，由于统计年鉴中并没有贵州省历年资本存量的数据，因为需要进行推算，本文采用的是1951年戈德史密斯开创性的运用的永续盘存法，其公式为：

Kt=It+Kt-1（1-δt）

其中，Kt表示第t年的实际资本存量，Kt-1表示第t-1年的实际资本存量，It表示第t年的名义投资，δt表示第t年的固定资产折旧率，本文根据使用寿命，对建筑、设备和其他费用这三类固定资本的折旧率进行了估算，分别为6.9%、14.9%和12.1%。而建设、设备和其他费用三种资产类型的比例分别为65.93%、18.04%和16.03%。加权计算得到基础设施资本的综合折旧率为9.2%。

（二）实证分析

运用软件Eviews6.0对贵州省1993～2013这21年的数据进行实证研究，数据来源于《2012贵州统计年鉴》、《贵州六十年》以及贵州统计局网站、中国人民银行贵阳中心支行网站上公布的金融数据。

1.单位根检验。首先对变量的平稳性进行得检验，由表2-1可知LnL，LnK，LnY和同为一阶差分平稳序列，可使用模型LnY=LnA+at+aKLnK+aLLnL进行回归分析。

表2-1 单位根检验结果

2.全要素生产率TFP估计结果。根据对模型进行回归分析的结果，得出aK=0.749256，aL=0.250644，可得出第t年的全要素生产率为：

TFP■=■

1993～2013年贵州省经济TFP及其增长率见表2-2。

表2-2 1993～2013年贵州省经济TFP及其增长率

三、贵州省金融支持科技创新的实证研究

（一）模型构建

经过以上分析，我们选取一些能够影响贵州省科技创新的金融因素来建立实证分析的计量模型：

TI=δ0+δ1SC+δ2ST+δ3FE+ε

其中，ε是误差向量，TI是贵州省科技创新指标，本文用全要素生产率来表示，SC贵州省金融发展规模指标，用M2/GDP来表示，ST是金融发展结构指标，用居民储蓄/全部存款来表示，FE是金融发展效率指标，用贷款/存款来表示。

（二）实证分析

1.单位根检验。

表3-1 单位根检验结果

从表3-1中可以看出，变量TI、SC、ST和FE没有拒绝原假设，说明序列存在单位根，他们为非平稳的时间序列，存在时间趋势。但是进行一阶差分后，變量DTI、DSC、DST和DFE均拒绝了有单位根的原假设，表明差分变量时平稳的，我们就认为这4个变量时一阶单整的，可以运用一阶差分后的数据进行协整检验。

2.协整检验。虽然这4个指标是非平稳的一阶单整序列，但这些指标可能存在平稳的线性组合，这个组合反映了变量之间的长期稳定关系，即协整关系，本文采用Johansen法来检验贵州省金融变量和科技创新指标之间的协整关系，检验结果如下：

表3-2 Johansen协整检验结果

为此，我们确定Johansen检验的滞后期为2，并且在95%的置信水平下，变量TI、SC、ST和FE之间存在着长期的均衡关系，具有共同的随机趋势，它们之间存在着协整关系。协整关系的表达式为：

TI=-1.830190+6.044701ST-0.059615SC+0.785354FE

从长期反映均衡关系的协整降方程不难看出，金融发展结构和金融发展效率与科技创新之间存在着长期的正相关性，而金融发展规模与科技创新之间存在长期的负相关性。金融发展规模每提高一个百分点使科技创新水平下降5.96%；而金融发展效率和金融发展结构每提高一个百分比则分别使科技水平上升78.5%和604%。这说明，贵州省经济货币化水平的不断提高并不会促进经济发展和科技创新，而金融发展结构和效率的提高会促进我们的科技创新，这也为中国大力发展直接融资提供了理论依据。

3.格兰杰因果检验。协整检验结果显示四个变量之间存在长期的均衡的关系，但这种均衡关系是否构成相互影响的因果关系还需进一步验证。本文利用格兰杰因果检验进一步探讨金融发展与科技创新的因果关系。

表3-3 格兰杰因果检验结果（滞后4期）

表3-4 格兰杰因果检验结果（滞后5期）

表3-5 格兰杰因果检验结果（滞后6期）

根据检验，在滞后4期的条件下，金融发展结构（ST）是金融发展效率（FE）的格兰杰原因，金融发展效率（FE）是科技创新（TI）的格兰杰原因，这说明扩大金融体系的发展规模、优化金融发展结构有利于提高金融的发展效率（FE），而提高金融效率（FE）又能促进科技创新（TI）；在滞后5期的条件下，金融发展规模（SC）和金融发展结构（ST）都是金融发展效率（FE）的格兰杰原因；在滞后6期的条件下，科技创新（TI）是金融发展结构（ST）的格兰杰原因，这说明，贵州省科技进步反过来会影响贵州省的储蓄结构，促进了金融资源向着边际效率较高的企业或部门配置。

四、提高贵州省科技创新金融支持的结论及建议

目前贵州省以银行贷款为主导的金融机构支持科技创新体系并未形成多层次、系统化，诸多创新型的金融工具和融资手段并没有得到很好的利用，资本市场的融资功能更是没有得到有效发挥。为此，要加快构建促进科技发展战略全方位的金融支持体系，通过本文的研究分析，金融发展效率和金融发展结构每提高一个百分比则分别使科技水平上升78.5%和604%，从这个结果我们可以看出无论是金融发展结构还是金融发展效率，都会直接或间接的促进科技创新活动，特别是金融发展结构的提高，可以使科技水平成倍的增加，而金融发展规模与科技进步之间存在着长期的负相关关系，说明贵州省经济货币化水平的提高并不会促进科技创新活动。从格兰杰因果检验的结果可以看出，在滞后4期，金融发展结构会促进金融发展效率，而金融发展效率的提高又会促进科技创新活动，到了滞后6期，科技进步又会对金融发展结构有促进作用，这样形成了一个循环链，只要我省鼓励储蓄，提高存款中居民存款所占的比重，这样就会形成一个好的循环机制，最终会对科技创新活动有很大的帮助。

银行是我省科技金融的主要资金来源，因此我们必须不断地提高银行存贷总额、优化金融机构存贷比例。首先，在不断优化我省金融机构的存贷款比例的基础上、努力增加银行信贷对科技创新活动的支持，逐步放宽对科技活动的贷款限额，努力提高闲散资金的利用效率。此外，必须对科技创新活动的银行信贷资金的利用进行合理的监督，防止因私人或其他原因使科技研发活动资金得不到合理的利用，从而不断优化金融资源在科技创新活动中的配置效率。同时，应加强金融的监管，监管部门应及时的更新金融监管的理念，明确金融监管的内容，实行金融监管模式、金融监管手段、金融监管内同等方面的创新。目前，贵州省科技企业大多都是中小型科技企业，资金主要都来源于银行，但是这些银行由于害怕风险，对科技企业的支持就非常有限，这就极大的阻碍了科技创新活动的开展，在我省科技创新活动资金缺乏的情况下，需要成立一家专门为科技创新活动提供金融服务的带有政策性质的科技发展银行，通过给予中小各级企业的利率优惠，利用自己的独特优势，开展技术创新成果吸纳转化、技术信托投资等业务。贵州省目前很多企业缺乏资金，无法购买技术创新成果，这就阻碍了科技创新企业的发展。从长期来看，金融的发展无论在量的提高上还是质的飞跃上都能够促进贵州省科技的进步，因此，从全局上看，贵州省金融业的发展将是促进贵州省科技创新的重要途径。

参考文献

[1]李松涛，董裸，余筱箭.浅议技术创新模式与金融体系模式的相互关系.软科学，2002.

[2]孙伍琴.论不同金融结构对技术创新的影响.经济地理，2004.

[3]李悦.产业技术进步与金融的市场化趋势：基于银行与市场功能比较的分析.中央财经大学学报，2008.

[4]邓乐平，孙从海.科技创新与资本市场—理论与经验的考察.金融研究，2001.

[5]陈凤娣，吴有根.人力发展资本市场，积极支持白土创新.中国《资本论》研究会第13次学术研讨会福建师范大学代表论文集，2006.

[6]辜胜阻，洪群联，张翔.论构建支持白主创新的多层次资本市场.中国软科学，2007.

[7]黄刚，蔡幸.开发性金融对广西高新技术企业融资支持模式初探.改革与战略，2006.

[8]王华，发展政策性金融有待解决的二人难题.中央财经人学学报，2007.

[9]李志辉，李萌.中小企业融资的开发性金融支持模式分析.南开经济研究，2007.

[10]买忆媛，聂鸣.开发性金融机构在企业技术创新过程中的作用.研究与发展管理，2005.

[11]刘东，杜占元.中小企业与技术创新.[M].社会科学文献出版社，1998.

[12]罗纳德，麦金农.经济发展中的货币与资本.[M].上海三联书店，1988.

[13]李伟建，技术创新的金融支持——理论与政策.[M].上海：上海财经大学出版社，2005.

基金项目：本研究得到贵州大学经济学院2014年研究生创新基金项目资助。项目编号：经20140301。

作者简介：杨奇松（1990-），男，汉族，贵州贵阳人，贵州大学硕士研究生，研究方向：商业银行经营与发展。

作者：杨奇松

金融支持下科技创新论文 篇2：

我国金融支持科技创新的效率评价

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

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）.

作者：张明龙

金融支持下科技创新论文 篇3：

金融支持科技创新的政策研究

摘要：十四五规划提出完善金融支持创新体系，促进新技术产业化规模化应用的政策目标。本文通过构建金融支持科技创新的超额收益模型，对模型进行极值分析，推导决定变量的极值条件，有针对性地开展政策研究，系统梳理政策方向，最终为金融支持科技创新提供政策建议。

关键词：金融 科技创新 超额收益 政策研究

一、引言

十四五规划将推动科技创新提高到前所未有的高度，在重点任务中将促进科技创新列为首要目标。要实现十四五规划关于科技创新的长远目标，就应该向科技创新提供有力支持。金融作为经济的血脉，不仅为科技创新提供了资金支持，更为技术、人才、设备等创新要素的有效融合发挥引领作用，帮助科创企业实现科技成果的转化。因此，如何运用政策工具引导金融更好地支持科技创新是现阶段政策研究的重点。

二、金融支持科技创新的超额收益模型构建

（一）模型要素

模型参与者包括金融机构、科创企业与政府部门。其中，金融机构掌握资金要素，科创企业掌握人才与技术要素，政府部门把控政策要素。

1.金融机构。为开展模型分析，将金融机构与金融业务分别进行分类。将金融机构按照支持科技创新的态度划分为两类：一类是支持科技创新的金融机构，另一类是不支持科技创新的金融机构。根据金融业务的科技创新属性，将金融业务划分为科技创新业务以及非科技创新业务两类。其中，非科技创新业务是指金融机构投资已完成技术研发的项目，此类业务无需承担科技创新风险。科技创新业务是基于正在开展科技研发的项目，此类业务既承担科技创新风险，也享有企业创新成功带来的超额收益。科技创新风险是指科技创新为金融机构带来的风险，包括信用风险、市场风险与政策风险。

根据金融机构与金融业务的分类情况，将金融支持科技创新的业务流程进行梳理：首先，不支持科技创新的金融机构不愿意承担科技创新风险，所以只投资非科技创新业务，但此时金融机构由于违反政府部门支持科技创新的政策，会受到政府部门的相关处罚。其次，支持科技创新的金融机构既投资非科技创新业务，也投资科技创新业务。此类金融机构虽承担科技创新风险，但享有政府的政策激励以及科技研发成功所带来的超额收益。

2.科创企业。科创企业是科技创新的主体，掌握科技创新的技术与人才要素，运用生产资料实现科技成果的转化。科创企业内部既有科技创新项目也有非科技创新项目，当科技创新项目成功时，企业的科技创新项目与非科技创新项目均能正常运转，企业可以正常履行金融业务合同。当科技创新项目失败时，失败的科研项目会损耗企业大量资源，导致企业现金流紧张，引发企业经营困难：一方面导致科技创新业务的违约，另一方面引发非科技创新业务的连带违约，此时金融机构投资的非科技创新业务收益下降为0。

3.政府部门。政府部门负责监督管理整个科技创新体系，监督的对象包括科创企业、金融机构以及从事技术研发的科研院所与高等院校。政府部门可以要求金融机构大力支持科技创新、引导科创企业的科技研发方向、督导科研院所加快产学研一体化进程，通过政策引导实现科技创新领域的高质量发展。

图1 金融支持科技创新的业务流程

（二）模型构建

金融机构作为市场经营主体，投资科技创新业务时需要进行收益核算。只有金融业务可以获得超额收益，金融機构才具有支持科技创新的内生动力。所以，应构建金融支持科技创新的超额收益模型，将金融机构支持与不支持科技创新的业务收益进行比较分析，推导金融机构超额收益的极值条件，梳理金融支持科技创新的核心要点，开展有针对性的政策研究。

1.金融机构大力支持科技创新的情况。金融机构在支持科技创新的情况下，设定科技创新成功的概率为P1，创新失败的概率为1-P1。设定金融机构的总收益为R，非科技创新收益为RN，科技创新收益为RI，政府部门给予的政策激励为RP，非科技创新成本为CN，科技创新风险为DI。

（1）科技创新成功的收益模型。设定科技创新成功情况下的金融机构收益为R1，收益模型如下：

科技创新成功的收益=非科技创新收益+创新收益+政策激励-非科技创新成本-创新风险

即R1=RN+RI+RP-CN-DI

（2）科技创新失败的收益模型。设定科技创新失败情况下的金融机构收益为R2，收益模型如下：

科技创新失败的收益=-非科技创新成本-创新风险+政策激励

即R2=-CN-DI+RP

2.金融机构不支持科技创新的情况。金融机构在不支持科技创新的情况下，政府部门会对违反政策的金融机构进行处罚，设定政策处罚为λ。此情况下科技创新成功的概率为P2，创新失败的概率为1-P2。

（1）科技创新成功的收益模型。设定科技创新成功下的金融机构收益为R3，收益模型如下：

科技创新成功收益=非科技创新收益-非科技创新成本-政策处罚

即R3=RN-CN-λ

（2）科技创新失败的收益模型。设定科技创新失败情况下的金融机构收益为R4，收益模型如下：

科技创新失败收益=-非创新成本-政策处罚

即R4=-CN-λ

三、金融支持科技创新的超额收益模型分析

（一）超额收益模型的比较分析

1.支持科技创新的金融机构综合收益分析。设定支持科技创新的金融机构综合收益为Rs，综合考虑创新成功与失败情况下的收益模型如下：

2.不支持科技创新的综合收益。设定不支持科技创新的金融机构综合收益为RN，综合考虑创新成功与失败情况下的收益模型如下：

3.金融机构的超额收益分析。比较金融机构在支持与不支持科技创新两种不同情况下的收益，设定金融机构选择支持科技创新所获得的超额收益为ΔR，超额收益模型如下：

其中：RN+RI代表金融机构的投融资总额，设定投融资总额为不变量。RP+λ代表政府部门对金融机构进行监管的政策总效用，简称金融监管效应。

（二）超额收益模型的极值条件

超额收益模型的极值条件分析如下：

RN+RI代表金融机构的投融资总额，此数值为不变量。ΔRMAX最大化的极值条件为：P1极大值、金融监管效应RP+λ极大值、创新风险DI极小值、P2极小值。其中P1的极大值为1，P2的极小值为0，创新风险DI极小值为0。所以将P1，RP，λ，DI，P2设定为超额收益模型的决定变量，推导出超额收益的极值条件为：当P1=1，DI=0，P2=0，（RP+λ）MAX时，ΔRMAX达到极大值。

根据超额收益极值条件进行推导：当决定变量不断接近极值条件时，超额收益越接近极大值。

（三）金融支持科技创新的政策方向

要引导金融机构加大对科技创新的支持力度，就需要按照市场化原则有效提升金融机构投资科技创新业务的超额收益，当超额收益达到极大值时，金融支持科技创新的政策效果也实现最大化。所以，应运用政策工具使决定变量达到极值条件，实现金融支持科技创新的政策目标。具体政策包括提高科技创新成功率、提升金融监管效应、降低科技创新风险、推动金融与科技的深度融合，具体政策方向如下：

1.提高科技创新成功率。加强政策引导，一方面提升金融支持科技创新的力度，丰富科技创新的要素禀赋，为创新成功提供充足的资源配置;另一方面，通过政策引导，推动产学研一体化发展，充分調动科研院所与科创企业开展产学研一体化的积极性，帮助科创企业引进先进人才与科研成果，充分利用金融资源，实现科技成果的成功转化。

2.提升金融监管效应。一方面，加大对金融机构支持科技创新的政策激励力度，创新政策工具，实现政策激励手段的多样化;另一方面，加大对违反科技创新政策金融机构的处罚力度，引导金融机构提高科技创新业务的资源配置。

3.降低科技创新风险。利用政策工具，帮助金融机构与科创企业解决信息不对称问题与创新风险不确定问题。一方面，充分利用工商、税务、人民银行信用报告等信息平台，打破金融机构与科创企业的信息壁垒;另一方面，充分利用金融工具固化风险功能，解决创新风险不确定问题，实现科技创新风险的固化、弱化与可核算。

4.推动金融与科技的深度融合。引导金融机构的金融服务端口前移，提前介入科技研发阶段，利用金融资源优势补齐企业科技创新的资源短板，实现金融与科技的深度融合、协调配合以及高质量发展。两者深度融合后，企业要想研发成功，必然需要金融机构的大力支持。也就是说，如果金融机构不支持科技创新，那么科创企业的创新成功概率趋近于0，实现了P2极小值的极值条件。

四、金融支持科技创新的政策建议

（一）提高金融支持科技创新的政策效应

一是提高政府部门政策激励力度。扩大支持科技创新的财政资金规模，降低政策扶持门槛。加大对金融支持科技创新业务的补贴力度，建议对金融机构在资本充足率、存款准备金率等方面给予优惠政策，充分发挥政策扶持对金融资金的杠杆撬动作用，提升金融机构支持科技创新的内生动力。二是加大对金融机构违反科技创新政策的处罚力度。夯实政策执行力，强化落实“六项机制”和“四单原则”等监管规定，确保各项监管要求落地执行。三是完善政策扶持机制。鼓励地方政府建立科创企业风险补偿基金，对知识产权质押业务给予补贴和风险补偿。有效落实税费减免制度，减轻企业融资成本。

（二）完善金融支持科技创新的政策机制

一是不断完善政策机制。加强顶层设计规划，建立满足科创企业融资需求的金融定价和考核机制，完善科技创新业务审批机制，提高金融业务审批效率。二是建立健全科创企业融资尽职免责和容错纠错机制。从源头上鼓励金融机构“敢投、愿投、能投”，免除金融从业人员的后顾之忧。三是适度降低科创企业金融业务的风险权重，减轻资本充足率对金融投放的资本约束。适度放宽对科技创新资金用途的限制，适应科学技术高速发展背景下的融资需求。

（三）提升金融助力科技创新的支持力度

一是加大金融精准支持力度。鼓励金融机构支持高新区、产业园与科技孵化园等创新示范区的基础设施、研发平台和创新服务平台的建设，加大对高新技术企业、瞪羚独角兽企业的金融资源投放。二是给予科创企业政策倾斜。在当前金融风险积聚、风险防控压力较大的环境下，严格落实国家对科创企业的扶持政策，在资源调配、普惠政策、金融服务方面给予科创企业大力支持。三是创新金融产品。开发满足科创企业从发展种子期到初创期、成长期、成熟期不同阶段融资需求的金融产品。鼓励金融机构创新产品并“先行先试”，将事前审批改为事后备案，为科创企业提供便捷高效的金融服务。四是创新金融服务。在准入门槛上更多考虑企业的科技创新实力，不以盈利能力、还款能力作为投放的唯一标准。运用专业化的评判标准和流程开辟绿色通道，提高金融服务质效，降低管理成本。

（四）有效降低科技创新风险

一方面，努力解决金融机构与科创企业信息不对称问题。充分利用工商、税务、人民银行信用报告等信息平台，披露科创企业的经营指标、融资规模、专利登记等信息，实现信息共享与风险共担。将分散的税务信息、市场信息、政策支持信息进行有效整合。集成化的科技创新信息平台可以打破金融机构与科创企业的信息壁垒，降低信息不对称风险;另一方面，充分发挥金融对科技创新风险的对冲、固化作用。借助产业引导基金、风险补偿基金、政府担保机构以及金融风险缓释工具，实现科技创新风险的固化、弱化。建立科技创新风险预警机制，动态监测科创企业风险水平，针对科创企业的融资规模、融资成本、经营现金流开展风险监测，合理测算科技创新项目与企业融资需求的匹配度，降低科技创新超额授信风险。

（五）推动金融与科技的深度融合

努力构建企业科技研发、政府政策扶持、金融服务支持相互融合的高质量发展模式，引导金融服务深入科技研发前沿，为科创企业提供多元化的金融支持。金融机构不仅为科创企业提供资金支持，更可以调动金融机构在科技产业链条上的资源，在企业科技研发的关键节点为企业提供技术指导、研发支持与供应链援助，实现金融与科技的深度融合。

（六）推进产学研一体化发展

通过政府部门的政策引导，激发科研院所与高等学府的科技研发潜力。积极搭建金融机构、科创企业与科研院所共同参与的科技研发平台，组建科技人才“专家库”、科技研发“项目库”、金融服务“产品库”。将科研院所的科研成果与科技创新的产业链有效对接，实现产学研一体化的可持续、高质量发展。

参考文献：

[1]王宁，穆瑞丽，王勃.京津冀科技创新协同发展背景下的金融支持分析[J].时代金融.2020（03）.

[2]张玉喜，赵丽丽.政府支持和金融发展、社会资本与科技创新企业融资效率[J].科研管理.2015（11）.

[3]俞立平.金融支持、政府与企业投入对科技创新的贡献研究[J].科研管理.2015（03）.

[4]戚湧，张明，丁刚.基于博弈理论的协同创新主体资源共享策略研究[J].中国软科学. 2013（01）.

[5]何郁冰.产学研协同创新的理论模式[J].科学学研究. 2012（02）.

[6]邓平.中国科技创新的金融支持研究[D].武汉理工大学.2009.

作者单位：王齐，中国银行保险监督管理委员会辽宁监管局;丁思宁，中国人民银行沈阳分行

作者：王齐 丁思宁