1. 木材实验室网
  2. 论文期刊

科技金融对科技创新影响的空间效应分析

  DOI:10.13956/j.ss.1001-8409.2017.04.05

  中图分类号:F832;F124.3 文献标识码:A 文章编号:1001-8409(2017)04-0019-04

  Abstract: Base on the panel data of 29 provinces from 2001 to 2013 in China, this paper measures the technology finance and technology innovation. Meanwhile, using Spatial Durbin Model (SDM) in the condition of spatial distance weights and spatial economic weight, it empirically tests whether technology finance could promote technology innovation, and whether the regional technology innovation is affected by the development of other provinces technology finance. Results show that, the technology innovation in space is not randomly distributed, but has a significant spatial autocorrelation, and the development of technology finance can significantly improve the regional technological innovation ability. In the features of spatial geographical and social economic, technology finance has a significant positive effect on technology innovation, and the development of provinces technology finance can influence the other provinces technology innovation.

  Key words:technology finance; technology innovation; spatial autocorrelation; SDM

  科技是第一生产力,科技创新是促进结构调整、产业升级和经济发展的第一推动力。党的十八大明确指出,科技创新是提高社会生产力和综合国力的战略支撑,必须摆在国家发展全局的核心位置。科技创新离不开金融的支持,金融发展需要科技的助推,科技创新必须与金融创新有机结合,相互作用,相互推动。因此,如何利用科技金融推动科技创新能力的提升和增强国家核心竞争力,是经济新常态下的重要热点问题。

  1 文献综述

  关于科技金融和科技创新的相关问题,学者们从不同视角进行了研究。国外学者对“科技金融”的解释接近于“科技与金融”,强调的是科技与金融的互动关系,并没有对科技金融进行定义。大多数研究侧重从不同角度分析金融如何影响科技创新,King和Levine通过构建内生增长模型,以企业创新活动为纽带,把金融与经济增长联系起来,认为金融系统能够促进创新,主要通过评估筛选潜在的项目、筹集资金、评估创新活动风险和预估未来利润来实现,金融与科技的协同是促进经济增长的重要原因[1]。Neff指出,金融与科技创新相互影响,没有金融支持,企业的科技创新就非常困难[2]。Atanassov等采用计量实证分析方法对1974~2000年美国上市公司融资与科技创新关系进行了研究,结论显示:拥有更多创新项目的公司更容易通过多种方式(如公债和股权)获得融资,能够在未来获得更多的创新产出,导致未来价值增加20%以上;而创新项目较少的公司一般通过银行贷款融资,未来的创新产出较少[3]。也就是说,拥有多种融资方式自由权公司的科技创新能力优势更加显著。

  相对国外学者从科技与金融相结合的视角研究而言,国内学者从不同角度对科技金融进行了研究。赵昌文等最早对“科技金融”的概念进行了界定[4]。之后,国内学者在微观和宏观层面上对科技金融进行了诸多研究。叶莉等以我国322家科技型上市中小企业(2006~2014年)为样本,运用计量分析方法的实证结果显示:政策性、自主型资金对科技创新具有显著的积极推动作用,特别是政策性融资对科技创新表现出极强的正向作用[5]。张玉喜和赵丽丽采用2004~2012年中国30个省(市、自治区)的面板数据,结合静态和动态面板数据模型方法,实证分析了科技金融投入对科技创新的作用,结果表明在短期内,科技金融投入对科技创新具有显著正向作用,而长期并不显著[6]。徐玉莲等在分析区域科技创新与科技金融系统协同发展的基础上,通过构建区域科技创新与科技金融系统协同发展的系统动力学模型,揭示了系统协同发展的运行机理,提出了实现系统协同发展的方略[7]。尹志超等采用2013年中国家庭金融调查数据,研究了金融知识对家庭创业决策和创业动机的影响,结果发现金融知识水平越高,家庭参与创业活动的积极性就越高,家庭就会越主动??业[8]。基于协同学理论,和瑞亚和张玉喜构建了耦合协调度模型,对我国28个省级区域的耦合协调度进行了评价,研究结果显示,我国各省级区域科技创新与公共金融的耦合协调程度整体较低,大部分区域公共金融滞后于科技创新[9]。王任祥和杨曼利用两阶段GMM回归模型,从最优化视角论证了科技创新与金融创新最佳耦合协调的存在性,认为科技创新与金融创新耦合协调度对经济效率的提升具有显著正向作用[10]。   尽管国内外学者对科技金融和科技创新的有关问题从不同角度进行了研究,但仍然有不足之处,主要表现在:①多数学者在现有经济理论基础上,分别研究了金融发展、科技创新对经济增长等层面的影响,但忽略了科技金融对科技创新的影响。事实上,科技金融对科技创新会产生直接或间接的影响。②现有研究对科技金融和科技创新的评价表现为两种极端:大多数研究采用单一指标来评价科技金融和科技创新,与当前科技金融和科技创新日益复杂化的现状不协调;有些研究采用很多分析指标,使得某些指标之间高度相关,造成研究结果偏误。③现有研究很少考虑空间面板数据的空间依赖性和空间相关性。实际上,科技金融和科技创新数据具有很强的空间关联性,Tobler和Anselin认为,一个地区某一属性与邻近地区同一属性是相关的[11,12]。因此,如果理论和实证研究忽略空间相关性,就会使得相关研究的结论缺乏解释力和说服力。针对以上不足,本文的贡献在于:①从理论和实证双重层面分析科技金融对科技创新的影响。②通过构建多指标评价体系对科技金融和科技创新进行评价。③运用空间杜宾计量模型,分析科技金融是否显著地提升了科技创新能力,各地区科技创新是否具有空间依赖性。

  2 指标构建及数据来源

  本文通过构建空间计量模型对科技金融是否促进科技创新进行实证研究,需要解决以下问题:①科技创新的测度问题。目前,国内外文献普遍采用专利授权量作为科技创新的代理变量,忽略了科技创新能力的多指标特性。于此,本文从科技创新投入、科技创新产出、科技创新扩散和科技创新环境四个方面评价科技创新能力。②科技金融的评价问题。本文根据科技金融的界定,选取能够代表各省市区发展状况和现实情况的科技金融评价指标。

  2.1 科技创新能力(inno_tech)的评价

  为了能够全面地评价各地区科技创新能力,本文基于徐玉莲、宋跃刚和杜江等提出的有关思想[7,13],主要从科技创新投入、科技创新产出、科技创新扩散和科技创新环境四个方面评价科技创新能力,表1显示的是科技创新能力指标体系和权重。

  2.2 科技金融(fina_tech)的测度

  国内外文献关于科技金融的研究较少,对于科技金融的评价指标更是没有统一的标准和体系。本文基于徐玉莲等度量科技金融的基本思想[7],从科技信贷额、科技信贷占GDP比重、风险机构投资总额、风险投资机构数量、科技型上市公司总市值和科技型上市公司数六个方面来衡量科技金融,表2显示的是科技金融指标体系和权重。

  2.3 控制变量

  事实上,尽管科技创新受到科技金融的影响,但也受到其他因素的约束。本文借鉴宋跃刚、张林等采用的方法[13,14],对一些可能影响科技创新的主要因素进行控制,这些因素包括:产业的集聚程度用集中化指数(hhi)和专业化指数(sli)衡量①;产业结构(stru_indu)用第三产业产值占GDP比重度量;金融深化程度(deep_fina)用信贷总额占GDP的比重衡量;对外开放程度(openess)通常用进出口总额占GDP的比重度量;人力资本投入(human)用Barro和Lee提出的劳动力平均受教育年限近似表示[15];城镇化水平(urban)选用城镇人口占总人口的比重度量。

  2.4 数据来源及其处理

  为了保证研究的客观和真实,充分考虑数据的易得性和可行性,本文选取的样本是除西藏自治区和海南省外的29个省(市、自治区)2001~2013年期间的省际面板数据①。以上变量的数据来源于《中国统计年鉴》《中国科技统计年鉴》《中国教育年鉴》《中国高技术产业统计年鉴》、国泰安数据库和WIND资讯金融数据库。在指标的计算过程中,为了保证各指标跨年度可比性,对各项指标进行无量纲化处理②,然后通过熵权法算出每个指标的权重和综合值。对于部分年度缺失的数据,通过线性插值法填补。

  3 空间计量模型的构建

  3.1 空间矩阵构建及空间相关性检验

  关于空间计量模型的问题,一般通过空间依赖性检验比较LMLAG和LMERR的显著性来选择[17],但是适用于截面数据而非面板数据。对于面板数据而言,本文依据宋跃刚和吴耀国的检验方法[13],结果显示应该选择空间杜宾模型③。然后,对空间杜宾模型进行Hausman检验,卡方统计量为36.39,对应的P值几乎为0,在1%的显著水平下,拒绝随机效应的原假设,选择固定效应模型。

  4 实证结果和分析

  4.1 空间相关性检验

  为了判断各省(市、自治区)科技创新能力在空间上是否存在策略性互动的可能,本文选取我国29个省(市、自治区)2001~2013年科技创新面板数据作为空间单元观测值,对被解释变量科技创新(lninno_tech)进行了Morans I检验,如表3所示。根据Morans I检验值,各地区科技创新能力的Morans I统计值总是大于期望值-0.036,在1%的显著性水平下,存在显著的正向相关性,表明科技创新能力在空间上并非呈现随机分布状态,而与具有相似空间特征地区的科技创新能力密切相关。

  4.2 回归结果及其分析

  本文运用中国29个省(市、自治区)2001~2013年科技创新和科技金融的相关数据,共377个观测值,分别进行了普通面板模型和空间杜宾模型回归①,结果见表4。

  根据表4模型(1)至模型(5)的回归结果可以看出,无论是否考虑其他因素的影响,各地区科技金融能够显著地促进区域科技创新能力提升。

  (1)通过普通面板回归结果(1)显示,在1%的显著性水平下,解释变量科技金融系数显著为正,科技金融水平每提高1%,区域科技创新能力就会提高0.19%。表明科技金融??科技创新有着明显的正向促进作用,在一定程度上说明科技金融能够显著地提升区域科技创新能力。

  (2)由地理权重和经济权重的空间杜宾模型回归结果(2)至回归结果(5)显示,在1%的显著性水平下,空间自回归系数(ρ)全部为正,说明各地区科技创新存在显著的正向相关性,即每个地区科技创新受其他相似空间特征地区科技创新和科技金融的影响。   (3)从系数值大小看,与地理特征权重模型(3)的相关系数相比,当模型中引入了专业化指数、集中化指数、产业结构水平、开放水平、金融深化程度和城镇化水平等控制变量后,社会经济特征权重模型(5)的相关系数相对较高,即在空间经济权重下,各地区科技金融水平每提高1%,科技创新能力就会提高0.155%,高于空间地理权重下的0.129%。说明社会经济因素对科技创新的影响更加明显。

  (4)就其他控制变量而言,考虑空间地理权重模型(3)和空间经济权重模型(5),在5%的显著水平下,集中化指数、产业结构、金融深化程度和人力资本对各地区科技创新能力有显著正向作用,说明一个经济体的产业集中化程度、产业结构特征、金融深化程度和人力资本在一定程度上都能够促进科技创新能力的提升,但是产业专业化指数、开放程度和城镇化水平对各地区科技创新能力的影响并不显著。

  5 主要结论和政策启示

  本文考虑了区域科技创新的空间依赖性,采用空间杜宾模型对科技金融是否促进科技创新进行了实证检验,得到如下结论:

  (1)科技金融能够显著地促进区域科技创新。无论是采用普通面板回归,还是采用空间杜宾模型回归,都显著地支持科技金融促进区域科技创新的理论。

  (2)科技金融对科技创新能力的影响呈现空间互动效应。即各地区科技创新能力受其他地区科技创新和科技金融发展水平的影响。

  (3)相较于地理空间距离因素,经济距离因素对科技创新能力的影响更强。即社会经济特征更有利于科技创新能力提升。

  就目前中国的实际情况看,应加强各地之间的联系,拓宽融资渠道,促进科技金融多层次多维度发展,使科技金融支持科技创新,有效推动“大众创业、万众创新”,促进科技产业的快速发展,增强国家核心竞争力。

免责声明:此资讯系转载自合作媒体或互联网其它网站,「木材实验室网」登载此文出于传递更多信息之目的,并不意味着赞同其观点或证实其描述,文章内容仅供参考。本文编辑:炒鸡棒,如解码若转载,转载请注明出处:https://www.woodlab.org.cn/lunwen/27213.html