山东科技金融绩效评价.docVIP

山东科技金融绩效评价 　　摘 要：本文以主成分分析方法进行指标蕴含信息的整合，重新组合一组线性无关的综合性指标，运用数据包络分析方法（DEA）对山东省科技金融投入进行效益评价。研究结果表明，山东省2000—2010年的金融投入重数量、轻质量，重速度、轻基础，呈现出DEA无效状态。基于此，山东省科技金融发展应转变发展方向，走可持续、集约化的发展路径。 　　关键词：科技金融；主成分分析；数据包络分析；绩效评价 　　中图分类号：F830 文献标识码：A 文章编号：1674-2265（2013）10-0007-04 　　一、引言 　　2011年山东省出台了金融行业促进科技创新发展的指导性文件——《关于进一步改进金融服务促进科技创新发展的指导意见》（以下简称《意见》）。《意见》指出，大力支持科技创新，对于拓宽金融服务领域、提升金融服务层次、建立科技资源与金融资源对接的新机制、培育山东地方经济新的效益增长点、推动金融业自身可持续发展，都具有重要的促进作用和现实意义。由此可见，科技创新企业的繁荣离不开金融行业的大力支持，其发展前景取决于金融资金的投入规模以及合理配置。然而，如何衡量投资规模的适度性和投入资源分配的合理性，是一个亟待解决的问题。王海和叶元煦（2003）构建了反映科技资金投入和科技活动产出全过程关系的指标体系，利用层次分析法分析科技与金融相结合的效益。崔毅等（2010）采用DEA方法，按区域分析评价了我国科技金融投入与科技产出的效益。徐玉莲等（2011）通过构建区域科技创新与科技金融耦合协调度评价指标体系，分析了2008年我国25个省级区域的科技创新与科技金融的互动耦合关系。骆世广、李华民（2012）利用非负独立成分分析特征约简的DEA方法对广东省2000—2008年的科技金融投入进行效益评价。本文整合上述文献的优势，针对山东省科技金融绩效进行评价。通过对科技金融投入产出相关指标数据进行预处理，运用主成分分析法重新组成一组线性无关的综合指标，考察2000—2010年山东省科技金融绩效，以期为制定山东省未来科技金融发展政策提供参考。 　　二、科技金融绩效评价模型 　　（一）DEA评价模型简介 　　DEA方法是查恩斯（A.Charnes）等人从相对效率的角度，利用生产前沿面的理论与方法，为研究部门和企业的技术进步状况而建立的非参数优化模型，对于评价同类型决策单元（DMU）的相对有效性具有显著优势。同时，DEA在衡量具有多输入多输出变量的生产前沿函数的多目标决策方面，更是一种强有力的工具。其中的C2R模型可同时评价决策单元的规模有效性和技术有效性，符合本文研究的科技金融绩效主题。C2R模型中相对应的每一个决策单元DMUj输入输出变量矩阵如图1所示。 　　其中n是决策单元个数，每个决策单元都有m种“输入”（表示决策单元对“资源”的耗费）以及s种“输出”（决策单元消耗了“资源”之后，表示“成效”的数量），在本文中分别代表“科技金融投入”与“科技产出”。 　　假设[k=j=1nλjθ0]，则k为该DMU的规模收益值。当k=1时，该DMU的规模收益不变，投入产出同比例增加，属于规模合理阶段。当k1时，该DMU的规模收益递减，并且k值越大递减速率越大，此时就没有必要增加该决策单元的投入，可以考虑适当减少投入量。 　　（二）主成分分析法的数据处理 　　运用DEA进行绩效评价，具有一定的缺陷。当数据指标很多时，其评价效果就会明显减弱。主成分分析方法可以很好地弥补这个缺陷，提升绩效评价效果。科技金融绩效评价涉及的衡量金融科技投入和科技产生指标之间的关系错综复杂，并且具有不确定性。因此，本文在评价科技金融绩效时，不得不尽可能多地收集指标数据以保证获取足够的信息，只有这样才能进行准确的绩效评价。既保证数据指标的全面性又保证DEA绩效评价的有效性，需要对原始指标数据进行预处理，将一组有一定相关性的指标重新组成新的相互无关的综合性指标。本文采用主成分分析方法对数据进行预处理以满足上述要求。 　　三、科技金融绩效实证分析 　　为了能准确地衡量山东省科技金融绩效，本文尽可能收集涵盖各个方面的大多数指标，其科技投入和科技产出指标体系如表1所示。 　　根据表1的评价体系进行数据的收集整理时，由于产出具有滞后性的特征，所以选取投入指标的时间段为2000—2010年，产出指标选取时间段为2001—2011年。利用SPSS软件对投入产出指标进行主成分分析之后进行标准化处理（数据控制区间[0，1]），结果如表2所示。 　　根据DEA模型，运用DEAP2.1软件，将表2中的投入综合指标作为输入，产出综合指标F1和产出综合指标F2作为输出，分析结果如表3所示。 　　四、结论与政策建议 　　根据对山东科技金融绩效实证分析的结果可以看出：2007