馬慧斌 宋良榮

摘 要：發(fā)展智能制造產(chǎn)業(yè)是我國由制造業(yè)大國向制造業(yè)強國轉(zhuǎn)變的必經(jīng)途徑，考慮到智能制造業(yè)研發(fā)成本高、投資風(fēng)險大帶來的融資效率較低的問題，本文以33家在A股上市的智能制造企業(yè)為樣本，選取2017—2020年年報數(shù)據(jù)，運用數(shù)據(jù)包絡(luò)分析法測度債權(quán)融資、股權(quán)融資和內(nèi)源融資三種不同融資方式的融資效率水平。結(jié)果顯示：從靜態(tài)分析結(jié)果來看，我國智能制造企業(yè)整體的融資效率水平較低，在研究的33家企業(yè)中，僅有不超過30%的企業(yè)的融資效率達到最優(yōu)，三種不同的融資方式中，內(nèi)源融資的融資效率最高，債權(quán)融資的融資效率最低;從動態(tài)分析結(jié)果來看，債權(quán)融資和股權(quán)融資的融資效率呈下降趨勢，內(nèi)源融資的融資效率呈上升趨勢，技術(shù)進步變化指數(shù)是影響3種融資方式融資效率的主要因素。

關(guān)鍵詞：智能制造;融資方式;融資效率;靜態(tài)分析;動態(tài)分析

中圖分類號：F 830.59 ? 文獻標識碼：A ? 文章編號：1672 - 7312（2022）02 - 0207 - 06

Abstract：Intelligent manufacturing is the necessary way for China to transform from a large manufacturing country to a strong manufacturing country.Considering the low financing efficiency caused by the high R&D cost and high investment risk of smart manufacturing，this article uses 33 smart companies listed on the Ashare market as a sample，selects the fouryear annual report data from 2017 to 2020，and uses the data envelopment analysis method to measure the financing efficiency of three different financing methods：debt financing，equity financing and endogenous financing.The results show that：from the static analysis results，the overall financing efficiency of China’s smart manufacturing companies is low.Among the 33 companies studied，only 30% of the companies have the best financing efficiency.Among the three different financing methods，the financing efficiency of endogenous financing is the highest，and the financing efficiency of debt financing is the lowest;from the results of dynamic analysis，the financing efficiency of debt financing and equity financing shows a downward trend，the financing efficiency of endogenous financing shows an upward trend，and the technological progress changes Index is the main factor affecting the financing efficiency of the three financing methods.

Key words：intelligent manufacturing;different financing methods;financing efficiency;static analysis;dynamic analysis

0 引言

智能制造是制造業(yè)發(fā)展的新趨勢，是全球經(jīng)濟發(fā)展的新引擎和產(chǎn)業(yè)變革的核心動力，也是我國制造業(yè)轉(zhuǎn)型升級、提質(zhì)增效、由“制造大國”邁向“制造強國”的必經(jīng)之路。2015年，我國制定了《中國制造2025》戰(zhàn)略計劃，智能制造業(yè)迎來了高速發(fā)展期，產(chǎn)業(yè)規(guī)模逐年擴大。截止到2020年年底，我國的智能制造業(yè)產(chǎn)值規(guī)模已經(jīng)突破25 000億元，智能制造產(chǎn)業(yè)呈現(xiàn)出欣欣向榮的發(fā)展態(tài)勢。但智能制造業(yè)是科技創(chuàng)新型產(chǎn)業(yè)，在人才培養(yǎng)、技術(shù)創(chuàng)新、人工智能技術(shù)與制造業(yè)的深度融合方面需要大量的資金投入。同新能源汽車產(chǎn)業(yè)、新一代信息技術(shù)產(chǎn)業(yè)一樣，國家制定了多項財政補貼政策成立專項資金來扶持智能制造企業(yè)的發(fā)展。2015年以來，我國智能制造行業(yè)的融資規(guī)模迎來了大幅增長。2014—2018年，智能制造行業(yè)的融資事件由240起增長到655起，融資金額由56億美元增長到了213億美元。2019年，受疫情的影響，融資事件和融資金額都出現(xiàn)了大幅的減少，全年共發(fā)生了455起融資事件，融資金額為102億美元。2020年，共發(fā)生317起融資事件，雖然持續(xù)減少，但融資金額迎來大幅增長，為258億美元，充分反映了資本開始向頭部優(yōu)秀企業(yè)集中。

除滿足資金需求外，如何將資金有效分配，最終推動企業(yè)獲益即提高企業(yè)的融資效率，對我國智能制造業(yè)的高質(zhì)量發(fā)展至關(guān)重要。因此，本文將重點研究智能制造業(yè)不同融資方式的融資效率問題，在相關(guān)研究成果的基礎(chǔ)上，運用DEA評價方法實證研究中國智能制造產(chǎn)業(yè)在不同融資方式下的融資效率問題，找出影響融資效率的因素，并提出參考建議。

1 研究綜述

資金是企業(yè)發(fā)展的立足之本和血液命脈，融資是任何企業(yè)的一個關(guān)鍵決定[1]，融資效率對企業(yè)的意義重大[2]。人工智能產(chǎn)業(yè)作為新興技術(shù)產(chǎn)業(yè)，如何高效獲取資金成了行業(yè)難題。由于目前國內(nèi)外學(xué)者對于人工智能企業(yè)融資效率的研究仍處于起步階段，相關(guān)成果不多，而人工智能產(chǎn)業(yè)屬于高新技術(shù)產(chǎn)業(yè)，因此可借鑒高新技術(shù)產(chǎn)業(yè)、戰(zhàn)略性新興產(chǎn)業(yè)等領(lǐng)域的相關(guān)研究成果。

在人工智能產(chǎn)業(yè)融資問題上，研究學(xué)者認為初創(chuàng)企業(yè)存在著較大的融資難題。ROMANO（2001）[3]通過實證研究發(fā)現(xiàn)企業(yè)的融資效率受其經(jīng)營目標、資本結(jié)構(gòu)、管理模式、生命周期等影響。HOGAN等（2007）[4]通過實證研究發(fā)現(xiàn)科技型企業(yè)更青睞于股權(quán)融資而非債權(quán)融資。DIRK CZARNITZKI（2006）[5]實證研究了德國制造業(yè)中小企業(yè)研發(fā)活動中的融資約束問題，發(fā)現(xiàn)如果政府的補貼費用過高，容易導(dǎo)致企業(yè)在研發(fā)活動中出現(xiàn)金融市場機制失靈的現(xiàn)象。金輝（2019）[6]通過對2013—2018年人工智能產(chǎn)業(yè)融資規(guī)模的分析以及對2019—2023年產(chǎn)業(yè)市場占有率的預(yù)測，得出人工智能行業(yè)融資輪次后移，市場趨利的信號。劉俊文等（2019）[7]通過對吉林省人工智能企業(yè)現(xiàn)狀的分析，發(fā)現(xiàn)目前初創(chuàng)企業(yè)普遍存在外源性融資渠道不暢，企業(yè)貸款覆蓋率低等融資問題，由于銀行貸款的審批流程復(fù)雜、時間長、融資成本高，導(dǎo)致企業(yè)融資渠道受限，融資效率過低。王謙等（2021）[8]通過實證研究發(fā)現(xiàn)我國裝備制造業(yè)融資效率有待提高，資本結(jié)構(gòu)、研發(fā)投資等對融資效率的影響較大。耿成軒等（2019）[9]認為人工智能產(chǎn)業(yè)的發(fā)展需要巨額的資金支持，要優(yōu)化融資生態(tài)環(huán)境，完善融資服務(wù)體系，緩解企業(yè)的融資困境和融資約束。

融資效率的測度方法主要有模糊綜合評價法（魏開文，2001）[10]、灰色關(guān)聯(lián)評價法（伍裝，2005）[11]、層次分析與模糊綜合法（王平，2006）[12]以及數(shù)據(jù)包絡(luò)分析法（DEA）。由于前3種方法在指標的選取和權(quán)重的設(shè)計上，主觀判斷比較多，準確性不高，而數(shù)據(jù)包絡(luò)分析法比較客觀，無需主觀選取指標和確定權(quán)重，因此近年來學(xué)者們主要使用數(shù)據(jù)包絡(luò)分析法來測度融資效率。莫力（2021）采用DEA模型對中美兩國新能源汽車上市企業(yè)的股權(quán)融資效率進行了比較分析[13]。馬翔等（2020）運用DEA模型對上市公司的創(chuàng)新能力進行了評估和分析[14]。劉超等（2019）利用DEATobit模型進行實證分析后發(fā)現(xiàn)，企業(yè)規(guī)模與融資效率呈正相關(guān)，資產(chǎn)負債率與融資效率呈負相關(guān)的關(guān)系，他認為企業(yè)要找到合適的融資方式就要先優(yōu)化融資結(jié)構(gòu)[15]。姜妍（2020）通過SuperSBM和DEATobit模型實證研究發(fā)現(xiàn)我國的智能制造產(chǎn)業(yè)整體融資效率不高，大多處于非效率狀態(tài)，認為我國的智能制造產(chǎn)業(yè)處于產(chǎn)業(yè)生命周期的起步階段，資本配置率的整體水平較低，企業(yè)融資效率有較大的提升空間[16]。熊正德等（2014）通過建立兩階段DEA模型研究我國新能源汽車上市公司債權(quán)融資效率，發(fā)現(xiàn)債券籌資效率的低下而導(dǎo)致債權(quán)融資效率水平不高[17]。李京文等（2014）通過建立DEAMalmquist指數(shù)模型，發(fā)現(xiàn)北京市戰(zhàn)略新興公司2011—2013年的融資水平整體較低，主要受技術(shù)進步指數(shù)的影響[18]。

融資對于智能制造產(chǎn)業(yè)的發(fā)展非常重要，但目前學(xué)術(shù)界的研究更多的是集中在人工智能產(chǎn)業(yè)的融資效率問題上，具體到智能制造產(chǎn)業(yè)融資效率的研究少之又少，尤其在不同融資方式下對中國智能制造產(chǎn)業(yè)融資效率的評價研究成果涉及更少。

2 實證分析

2.1 指標選取與數(shù)據(jù)來源

2.1.1 指標選取

DEA模型是依據(jù)投入指標和產(chǎn)出指標測算決策單元的效率。本文在參考大量文獻的基礎(chǔ)上，構(gòu)建中國智能制造業(yè)不同融資方式的融資效率指標評價體系。投入指標方面：選取債權(quán)融資、股權(quán)融資和內(nèi)源融資3個指標，產(chǎn)出指標方面，選取營業(yè)收入、凈利潤、無形資產(chǎn)、凈資產(chǎn)收益率和總資產(chǎn)周轉(zhuǎn)率五個指標。具體定義見表1。

2.1.2 數(shù)據(jù)來源

為了研究不同融資方式和融資效率的變化，本文以在A股上市的33家智能制造類企業(yè)為研究樣本，選取其2017—2020年相關(guān)財務(wù)數(shù)據(jù)計算不同融資方式的融資效率水平，選取的數(shù)據(jù)均來自國泰安數(shù)據(jù)庫（CSMAR），并人為剔除*ST類公司以及數(shù)據(jù)不全的樣本。

2.1.3 數(shù)據(jù)無量綱化處理

運用DEAP 2.1軟件來測算智能制造企業(yè)不同融資方式的融資效率，在使用該軟件測算融資效率指數(shù)時，要保證投入指標和產(chǎn)出指標的數(shù)據(jù)必須是非負數(shù)?？紤]到原始數(shù)據(jù)中存在少量的負數(shù)，首先對原始數(shù)據(jù)中的負數(shù)進行無量綱化處理，該處理方法不會影響最終的計算結(jié)果，且能保證數(shù)據(jù)的非負性[19]，即

yij=0.1+xij-mjMj-mj×0.9，i=1，2，…，n

其中：mj=min（xij），Mj=max（xij），yij∈[0，1]。2.2 模型選擇與結(jié)果分析

2.2.1 基于DEABCC模型的靜態(tài)分析

基于DEA模型中“既定投入下產(chǎn)出最大”的產(chǎn)出導(dǎo)向的BCC模型[20]，測度我國智能制造企業(yè)2017—2020年在融資活動過程中的綜合技術(shù)效率（Tech），并進一步分解為純技術(shù)效率（Pech）和規(guī)模效率（Sech）（Tech=Pech×Sech）。3種不同融資方式的融資效率水平的測算結(jié)果見表2、3、4。

債權(quán)融資的融資效率水平見表2。從表2可以看出，綜合技術(shù)效率均值、純技術(shù)效率均值和規(guī)模效率均值均小于1，說明我國智能制造企業(yè)的債權(quán)融資的融資效率水平低下。在這4年中，綜合技術(shù)效率均值最小值為0.072，最大值也僅僅是0.112，效率非常低;樣本中的33家企業(yè)中也僅僅有一家企業(yè)的融資效率處于有效狀態(tài)，占比3.03%，其他企業(yè)的債權(quán)融資效率仍有巨大的提升空間。從數(shù)據(jù)對比來看，這4年的綜合技術(shù)效率均值逐年遞增，說明智能制造企業(yè)的債權(quán)融資效率水平有略微的提高。

進一步分析，純技術(shù)效率均值介于0.502～0.611范圍之內(nèi)，規(guī)模效率均值介于0.128～0.276范圍之內(nèi)，可見，純技術(shù)效率和規(guī)模效率共同影響了債權(quán)融資的融資效率，而規(guī)模效率是更大的影響因素。對于智能制造企業(yè)，特別是很多初創(chuàng)企業(yè)，企業(yè)尚處于發(fā)展之中，規(guī)模較小，舉債成本較高，因此債權(quán)融資的融資效率低也不足為奇了。

股權(quán)融資的融資效率水平見表3。從表3可以看出，股權(quán)融資的綜合技術(shù)效率平均值介于0.491～0.527范圍之內(nèi)，與債權(quán)融資相比，股權(quán)融資的融資效率大幅提高，但整體上還是處于低效率水平。在這4年中，有效企業(yè)的數(shù)量從3家增長到5家，占比從9.10%提高到15.2%，有小小的進步。股權(quán)融資的純技術(shù)效率均值介于0.591～0.683范圍之內(nèi)，規(guī)模效率均值介于0.791～0.881范圍之內(nèi)，二者共同影響著股權(quán)融資效率的影響較大，這表明企業(yè)要完善內(nèi)部管理制度，提高經(jīng)營管理水平，從而提高股權(quán)融資的融資效率水平，使資金得到更有效的利用。

內(nèi)源融資的融資效率水平見表4。從表4可以看出，內(nèi)源融資的綜合技術(shù)效率平均值介于0.403～0.656范圍之間，融資效率水平仍然不高，融資有效企業(yè)的數(shù)量在9家以內(nèi)，占比不超過27.3%。與上一種融資方式相比，內(nèi)源融資的融資效率水平略高。進一步分析純技術(shù)效率和規(guī)模效率，由結(jié)果可以看出，純技術(shù)效率均值大體上呈增長趨勢，由2017年的0.693增長到2020年的0.772，規(guī)模效率均值逐年減小，由2017年的0.879減小到2020年的0.658，這兩個因素共同影響著內(nèi)源融資的融資效率，兩者都有待提高，從而促進內(nèi)源融資效率水平的提高。

綜合來看，中國智能制造企業(yè)三種融資模式的融資水平均較低，債權(quán)融資的融資效率水平尤其低下。在這四年中，僅有不超過30%的企業(yè)高效利用了融入資金，融資效率水平達到最優(yōu)狀態(tài)。在這三種不同的融資模式中，從影響因素來看，債權(quán)融資的融資效率受規(guī)模效率的影響較大，純技術(shù)效率和規(guī)模效率對股權(quán)融資和內(nèi)源融資的融資效率影響都比較大;從融資效率大小來看，內(nèi)源融資>股權(quán)融資>債權(quán)融資，這與實際的融資規(guī)律以及智能制造產(chǎn)業(yè)的行業(yè)特征相符合。

2.2.2 基于DEAMalmquist指數(shù)模型動態(tài)分析

DEAMalmquist指數(shù)模型可以衡量多個投入、多個產(chǎn)出的決策單元在不同時期的全要素生產(chǎn)效率的動態(tài)變化[21]。全要素生產(chǎn)效率指數(shù)（Tfpch）可分解為技術(shù)效率變化指數(shù)（Effch）與技術(shù)進步變化指數(shù)（Techch）的乘積。在規(guī)模報酬可變的情況下，技術(shù)效率變化指數(shù)（Effch）可分解為純技術(shù)效率變化指數(shù)（Pech）與規(guī)模效率變化指數(shù)（Sech）的乘積。故Malmquist全要素生產(chǎn)效率指數(shù)（Tfpch）最終可分解為：Tfpch=Pech×Sech×Techch。

以上5個指數(shù)中，若指數(shù)大于1，則表明當(dāng)期的效率與上一期的效率相比得到了提高，反之則在下降。3種不同融資方式的Malmquist指數(shù)測算結(jié)果見表5、6、7。

債權(quán)融資的DEAMalmquist指數(shù)測算結(jié)果見表5。從表5可以看出，2017—2020年，債權(quán)融資的全要素生產(chǎn)效率變化指數(shù)平均值為0.986，平均下降了1.4%。其中，2017—2018年平均下降了19.4%，2018—2019年有所提升，平均提升了20.3%，2019—2020年平均下降了1.2%。進一步分析，技術(shù)效率變化指數(shù)平均增長了29.9%，其中純技術(shù)效率變化指數(shù)平均下降了1.4%，規(guī)模效率變化指數(shù)平均增長了31.8%，但由于技術(shù)進步變化指數(shù)的均值為0.759，平均下降了24.1%，技術(shù)的退步最終導(dǎo)致了債權(quán)融資全要素生產(chǎn)效率的下降。

股權(quán)融資的DEAMalmquist指數(shù)模型測算結(jié)果見表6。從表6可以看出，2017—2020年，股權(quán)融資的全要素生產(chǎn)效率變化指數(shù)的平均值為0.987，平均降低了1.3%。其中，2017—2018年平均降低了4%，2018—2019年平均增長了1.5%，2019—2020年平均降低了1.4%。進一步從分解指數(shù)來看，技術(shù)進步變化指數(shù)平均下降了1.1%，技術(shù)效率變化指數(shù)平均下降了0.2%，其中純技術(shù)效率變化指數(shù)有所增長，平均增長了3.1%，規(guī)模效率變化指數(shù)平均下降了3.2%。雖然純技術(shù)效率變化指數(shù)有小小的增長，但技術(shù)進步變化指數(shù)和規(guī)模效率變化指數(shù)均有一定程度的下降，由此可見，股權(quán)融資全要素生產(chǎn)效率的下降是由技術(shù)進步效率水平和規(guī)模效率水平的下降造成的。

內(nèi)源融資的DEAMalmquist指數(shù)模型測算結(jié)果見表7。從表7可以看出，2017—2020年，內(nèi)源融資的全要素生產(chǎn)效率變化指數(shù)的平均值為1.002，平均增長了0.2%。其中，2017—2018年平均增長了0.5%，2018—2019年有所下降，平均下降了4.3%，2019—2020年平均增長了4.6%。從測算結(jié)果可以看出，技術(shù)效率變化指數(shù)平均降低了9.4%，其中純技術(shù)效率變化指數(shù)平均增長了0.3%，規(guī)模效率變化指數(shù)平均下降了9.7%;技術(shù)進步變化指數(shù)有小幅度增長，平均值為1.106，平均增長了10.6%。由此得出結(jié)論：技術(shù)的進步是內(nèi)源融資全要素生產(chǎn)效率提高的主要因素。

3 結(jié)論與建議

3.1 結(jié)論

1）2017—2020年，我國智能制造企業(yè)3種不同融資方式的融資效率皆處于非有效狀態(tài)，純技術(shù)效率和規(guī)模效率共同影響著資金的使用效率，在研究的33家智能制造企業(yè)中，有不超過30%的企業(yè)將融資資金達到高效地利用，使資金投入適當(dāng)，產(chǎn)出合理，其余企業(yè)的資金均沒有得到有效的利用，整體的融資效率還有待提高。

2）從綜合技術(shù)效率均值來看，股權(quán)融資和內(nèi)源融資的融資效率比債權(quán)融資的融資效率更高，且其中，內(nèi)源融資即企業(yè)本身的資金融資效率最高，說明企業(yè)傾向于優(yōu)先使用盈余資金等自有資金，股權(quán)資本次之，債權(quán)資金最低。

3）從全要素生產(chǎn)效率變化指數(shù)來看，2017—2020年，債權(quán)融資和股權(quán)融資的融資效率有所下降，內(nèi)源融資的融資效率有所上升，技術(shù)進步變化指數(shù)是影響三種融資方式融資效率變化的主要因素，這表明企業(yè)需要借助技術(shù)的創(chuàng)新與進步來提高融資的全要素生產(chǎn)率。

3.2 建議

1）技術(shù)的創(chuàng)新與進步在融資效率中起主導(dǎo)作用，因此，智能制造業(yè)的當(dāng)務(wù)之急是要提高企業(yè)的自主創(chuàng)新能力，特別是在高端傳感器、高檔數(shù)控系統(tǒng)、工業(yè)應(yīng)用軟件等核心技術(shù)方面要進一步打破發(fā)達國家的壟斷，不再受制于人，突破關(guān)鍵技術(shù)的壁壘，真正地將核心技術(shù)掌握在自己手中。

2）要提高科研成果的轉(zhuǎn)化率，將科研成果轉(zhuǎn)化為實際技術(shù)或產(chǎn)品面向市場，取得相應(yīng)的經(jīng)濟效益，同時，要重點關(guān)注企業(yè)產(chǎn)品的推廣銷售情況，開拓市場，提高企業(yè)的經(jīng)營收入。

3）政府可采取政企合作、科研補貼等方式降低企業(yè)的研發(fā)成本，減小企業(yè)的科研成本負擔(dān)，幫助企業(yè)獲得更多的收益。

參考文獻：

[1] ROSTAM A M，RUSTOM A A.Does financing behavior of SME entrepreneurs of Bangladesh follow capital structure theory？An investigation into pecking order theory[J].International Journal of Financial Engineering，2021（01）：1 - 16.

[2]尚欣榮.我國上市公司融資效率研究綜述[J].技術(shù)與創(chuàng)新管理，2011（04）：346 - 349.

[3]ROMANO C A，TANEWSKI G A，SMYMIOUS K X.Capital structure decision making：a model for family business[J].Journal of Business Venturing，2001，16（03）：285 - 310.

[4]HOGAN T，HUTSON E.Capital structure in new technologybased firms：Evidence from the Irish software sector[J].Global Finance Journal，2005，15（03）：369 - 387.

[5]CZARNITZKI D.Research and development in small and mediumsized enterprises：The role of financial constraints and public funding[J].Scottish Journal of Political Economy，Scottish Economic Society，2006，53（03）：335 - 357.

[6]金輝.人工智能產(chǎn)業(yè)融資模式及風(fēng)險分析[J].中國國情國力，2019（06）：7 - 10.

[7]劉俊文，于洪.吉林省人工智能產(chǎn)業(yè)融資現(xiàn)狀及問題分析[J].現(xiàn)代商貿(mào)工業(yè)，2019（26）：8 - 9.

[8]WANG Q，WANG J，LI H，et al.Research on financeng efficiency and influencing factors of equipment manufacturing industry：Regression model based on SFA panel data[J].Journal of Intelligent and Fuzzy Systems，2021（12）：1 - 10.

[9]耿成軒，周晨，吳澤民.人工智能產(chǎn)業(yè)創(chuàng)新能力與融資生態(tài)耦合演進——基于系統(tǒng)動力學(xué)視角[J].科技管理研究，2019（23）：114 - 122.

[10]魏開文.中小企業(yè)融資效率模糊分析[J].金融研究，2001（06）：67 - 74.

[11]伍裝.中國中小企業(yè)融資效率的灰色關(guān)聯(lián)分析[J].甘肅社會科學(xué)，2005（06）：206 - 209.

[12]王平.基于FAHP的民營企業(yè)融資效率評價[J].商業(yè)研究，2006（19）：114 - 117.

[13]LI M.Comparative analysis of equity financing efficiency between Chinese and American new energy vehicle listed enterprises[J].E3S Web of Conferences，2021，245（01）：01063.

[14]MA X，LIU Z，GAO Y，et al.Innovation efficiency evaluation of listed companies based on the DEA method[J].Procedia Computer Science，2020，174：382 - 386.

[15]劉超，傅若瑜，李佳慧，等.基于DEATobit方法的人工智能行業(yè)上市公司融資效率研究[J].運籌與管理，2019（06）：144 - 152.

[16]姜妍.基于SuperSBM和Logit模型的人工智能產(chǎn)業(yè)融資效率及影響因素研究[J].工業(yè)技術(shù)經(jīng)濟，2020（07）：131 - 136.

[17]熊正德，陽芳娟，萬軍.基于兩階段DEA模型的上市公司債權(quán)融資效率研究——以戰(zhàn)略性新興產(chǎn)業(yè)新能源汽車為例[J].證券與投資，2014，35（191）：51 - 56.

[18]李京文，王宇純，楊正東.戰(zhàn)略性新興產(chǎn)業(yè)上市公司融資效率研究——以北京市為例[J].經(jīng)濟與管理研究，2014（06）：74 - 82.

[19]賀正楚，王嬌，潘紅玉.生物醫(yī)藥產(chǎn)業(yè)不同融資方式的融資效率研究[J].財經(jīng)理論與實踐（雙月刊），2020（01）：48 - 54.

[20]彭曉靜.河北省制造業(yè)創(chuàng)新效率評價——基于DEABCC模型和Malmquist指數(shù)[J].時代經(jīng)貿(mào)，2021（06）：95 - 100.

[21]CAVES D，CHRISTENSEN L，DIEWENT W.The economic theory of index numbers and the measurement ofinput，output，andproductivity[J].Econometrica，1982，21（02）：88 - 92.

（責(zé)任編輯：嚴 焱）