姚定俊 廖怡琳 黃倩倩

【摘 要】 非上市科技中小企業(yè)是我國實(shí)現(xiàn)創(chuàng)新驅(qū)動(dòng)發(fā)展的重要力量，但融資難仍是限制企業(yè)發(fā)展的因素。因此，準(zhǔn)確度量融資效率和找準(zhǔn)影響原因既貼合現(xiàn)實(shí)又是研究熱點(diǎn)。運(yùn)用Bootstrap糾偏的Malmquist-DEA模型從靜態(tài)和動(dòng)態(tài)兩個(gè)角度研究N市115家非上市科技中小企業(yè)融資效率，并探討影響其融資效率的因素，結(jié)果表明Bootstrap糾偏后的數(shù)值更符合現(xiàn)實(shí)。靜態(tài)分析表明，外部環(huán)境和隨機(jī)因素對融資效率的影響不容忽視，規(guī)模效率對行業(yè)差異化的影響是企業(yè)融資效率的主要影響因素；動(dòng)態(tài)分析表明，企業(yè)的技術(shù)進(jìn)步是影響企業(yè)融資效率的重要因素；總資產(chǎn)周轉(zhuǎn)率和研發(fā)投入強(qiáng)度對融資效率有正向影響，股權(quán)融資占比和資產(chǎn)負(fù)債率對其有負(fù)向影響。據(jù)此提出企業(yè)提高留存收益率、政府加快科技與金融融合等建議。

【關(guān)鍵詞】 非上市科技中小企業(yè)； 融資效率； 三階段DEA； Malmquist指數(shù)； Bootstrap

【中圖分類號(hào)】 F234.3；F832? 【文獻(xiàn)標(biāo)識(shí)碼】 A? 【文章編號(hào)】 1004-5937（2023）15-0050-10

非上市科技中小企業(yè)是我國實(shí)現(xiàn)創(chuàng)新驅(qū)動(dòng)發(fā)展的重要力量。自《“十四五”促進(jìn)中小企業(yè)發(fā)展規(guī)劃》頒布以來，各省市相繼推出扶持非上市科技中小企業(yè)的地方性政策，非上市科技中小企業(yè)的營商環(huán)境得以改善。由于企業(yè)自身特性[ 1 ]、市場發(fā)展不均衡[ 2 ]、地區(qū)扶持政策的差異性[ 3 ]等，當(dāng)前非上市科技中小企業(yè)仍存在融資效率低的問題。解決這一問題的前提條件是準(zhǔn)確評價(jià)非上市科技中小企業(yè)的融資效率和找準(zhǔn)其影響因素。

一、研究述評

Fried等[ 4 ]在2002年提出三階段DEA模型并將其用于評估企業(yè)的融資效率，得到了無環(huán)境變量和隨機(jī)誤差干擾的較客觀的企業(yè)融資效率。隨后，該模型被國內(nèi)外學(xué)者廣泛應(yīng)用于評估企業(yè)融資效率，如Xiaohuan和Anna[ 5 ]運(yùn)用DEA方法測算了可再生能源行業(yè)在不同國家和不同融資方式下的融資效率；王偉和石珂菲[ 6 ]從細(xì)分行業(yè)、歸屬地區(qū)、資本市場等多維視角測算并比較信息技術(shù)中小企業(yè)融資效率，論證了此類企業(yè)的融資效率存在時(shí)變特征，但未準(zhǔn)確揭示原因。由于三階段的DEA模型評價(jià)結(jié)果較為科學(xué)客觀，很多學(xué)者也將其擴(kuò)展應(yīng)用到評估煉油廠[ 7 ]和醫(yī)療制造公司[ 8 ]的生產(chǎn)效率、研發(fā)企業(yè)[ 9 ]的技術(shù)效率、科技企業(yè)孵化器運(yùn)行效率[ 10 ]等。

雖然傳統(tǒng)的三階段DEA模型剔除了外部因素和隨機(jī)誤差的干擾，但并沒有反映研究對象效率是否存在時(shí)變特征，更沒有揭示存在時(shí)變效應(yīng)的原因。此外，隨著樣本增加，評估結(jié)果也出現(xiàn)客觀性降低的問題。因此，有部分學(xué)者嘗試用其他方法來測算企業(yè)融資效率，如王秀貞等[ 11 ]采用CCR方法對中小企業(yè)的融資效率值進(jìn)行分析，研究表明企業(yè)融資效率在不同維度上存在差異。為解決傳統(tǒng)三階段DEA模型無法動(dòng)態(tài)分析企業(yè)效率的問題，Makridou等[ 12 ]在傳統(tǒng)的DEA模型基礎(chǔ)上引入Fare等[ 13 ]提出的Malmquist方法來評估歐盟國家五種能源密集型產(chǎn)業(yè)的能源效率，發(fā)現(xiàn)產(chǎn)業(yè)效率隨時(shí)間增長而有所提高。為解決樣本增加導(dǎo)致DEA模型評價(jià)效果降低的問題，Simar和Wilson[ 14 ]提出經(jīng)過Bootstrap糾偏的DEA模型。此后，該方法被我國學(xué)者廣泛用于評估高端裝備制造[ 15 ]等行業(yè)的效率?；仡櫼延形墨I(xiàn)，現(xiàn)有研究利用不同方法測算了科技企業(yè)融資效率，但未克服樣本增加導(dǎo)致評價(jià)效果客觀性降低的缺點(diǎn)，且鮮有涉及企業(yè)融資效率的動(dòng)態(tài)分析。

鑒于此，本文采用Bootstrap抽樣法對傳統(tǒng)的三階段DEA模型結(jié)果進(jìn)行糾偏，達(dá)到提高評價(jià)結(jié)果客觀性的目的。更為重要的是，在此基礎(chǔ)上，運(yùn)用Malmquist指數(shù)法進(jìn)行動(dòng)態(tài)分析，最大程度上獲得準(zhǔn)確客觀的評價(jià)?；诟鼫?zhǔn)確客觀的評估值，通過構(gòu)建多元回歸模型考察影響融資效率的因素，以提出更為高效的提升融資效率的建議。

二、非上市科技中小企業(yè)融資現(xiàn)狀

本文從非上市科技中小企業(yè)的認(rèn)定情況、科技銀行信貸發(fā)放情況、政策性貸款“蘇科貸”的發(fā)放情況及調(diào)研座談獲得N市非上市科技企業(yè)的融資情況四方面來闡述N市非上市科技中小企業(yè)融資現(xiàn)狀。

N市地處市場經(jīng)濟(jì)發(fā)達(dá)的江蘇省蘇南地區(qū)，其非上市科技中小企業(yè)認(rèn)定數(shù)量居江蘇省前列。2016—2020年N市每年入庫的企業(yè)數(shù)逐年大幅增長（如圖1所示）。2020年N市進(jìn)入非上市科技中小企業(yè)庫的企業(yè)總數(shù)為10 041家，相比2019年上漲50.20%，相比五年前增加了約90倍。其中，1 295家企業(yè)曾獲得市、區(qū)兩級發(fā)放的研發(fā)費(fèi)用普惠獎(jiǎng)勵(lì)總計(jì)9 763萬元。越來越多的企業(yè)通過加入非上市科技中小企業(yè)評價(jià)庫來增加獲得科技貸款及政府補(bǔ)貼的機(jī)會(huì)。

科技銀行是為科技企業(yè)提供信貸服務(wù)的地方金融機(jī)構(gòu)。在江蘇省政府財(cái)政資金的支持下，地方科技銀行加大對種子期和初創(chuàng)期科技企業(yè)的扶持力度，降低了該類企業(yè)的融資門檻。截至2020年底，N市共有11家授牌科技銀行，發(fā)放貸款總量增幅較往年擴(kuò)大，獲得科技信貸支持的企業(yè)數(shù)增加。具體來看，2017年有2 693家科技企業(yè)獲得11家科技銀行信貸支持共計(jì)157.4億元，平均每家企業(yè)獲得的貸款數(shù)量為584萬元，其中2 397家處于初創(chuàng)期和成長期的科技企業(yè)共獲得信貸支持115.2億元，占發(fā)放貸款總量的73.2%，平均每家企業(yè)獲得481萬元；2018年發(fā)放科技貸款6 120筆共計(jì)222.49億元，平均每家企業(yè)獲得363.6萬元，其中向初創(chuàng)期和成長期科技企業(yè)發(fā)放貸款5 307筆共計(jì)148.44億元，占發(fā)放總量的66.7%，平均每家企業(yè)獲得279.7萬元；2019年累計(jì)發(fā)放科技貸款7 697筆總計(jì)251.02億元，平均每家企業(yè)獲得326.1萬元；2020年累計(jì)發(fā)放科技貸款近300億元，平均每家企業(yè)獲得貸款約為300萬元。盡管2017年至2020年各年度企業(yè)平均貸款額逐年下降，但科技貸款的貸款總量和惠及企業(yè)數(shù)還是呈現(xiàn)快速增長的態(tài)勢。

“蘇科貸”是一種地方性政策科技貸款方式，通過政府引導(dǎo)銀行向科技中小企業(yè)發(fā)放低息貸款，扶持該類企業(yè)的技術(shù)創(chuàng)新和加快產(chǎn)品更新?lián)Q代，加速企業(yè)科技成果的轉(zhuǎn)化和增強(qiáng)企業(yè)核心競爭力。企業(yè)利用“蘇科貸”融資增信可加速其在資本市場上直接融資的進(jìn)程。2009年至2012年是“蘇科貸”的啟動(dòng)試點(diǎn)階段，此后進(jìn)入試點(diǎn)擴(kuò)大發(fā)展階段。2019年底，“蘇科貸”的合作地區(qū)達(dá)到82個(gè)，實(shí)現(xiàn)了江蘇省13個(gè)市全覆蓋；受突發(fā)公共衛(wèi)生事件影響，2020年底，“蘇科貸”的合作地區(qū)減少至78個(gè)。從整體來看，“蘇科貸”的新增貸款額呈現(xiàn)逐年下降的趨勢。2017年，江蘇省新增發(fā)放“蘇科貸”109億元，累計(jì)發(fā)放貸款392億元，支持企業(yè)4 789家；N市科技銀行為272家擁有自主知識(shí)產(chǎn)權(quán)的科技小微企業(yè)發(fā)放科技成果轉(zhuǎn)化專項(xiàng)資金基準(zhǔn)利率貸款8.7億元，占江蘇省總額的7.98%。2018年，江蘇省科技成果轉(zhuǎn)化風(fēng)險(xiǎn)補(bǔ)償備選企業(yè)庫入庫企業(yè)總數(shù)超2.5萬家，全省新增發(fā)放“蘇科貸”低息貸款83億元，累計(jì)發(fā)放貸款475億元，支持企業(yè)5 519家；N市新增地方風(fēng)險(xiǎn)補(bǔ)償資金1 000萬元，共提供貸款8.6億元，雖然新增貸款量較上一年略微下降，但由于江蘇省整體新增貸款額減少較多，N市新增量占江蘇省新增量的比例上升到10.36%。2019年，江蘇省新增發(fā)放“蘇科貸”低息貸款78億元，入庫企業(yè)總數(shù)超2.9萬家，累計(jì)發(fā)放貸款553億元，支持企業(yè)6 294家；該年度N市“蘇科貸”新增浦發(fā)銀行和交通銀行兩家合作銀行，新增貸款額7.27億元，累計(jì)貸款額55.82億元。2020年，江蘇省累計(jì)發(fā)放貸款達(dá)600億元。當(dāng)前江蘇省地方銀行積極主動(dòng)提供政策性低息科技貸款，但是發(fā)放的總量依然不足。

筆者分別在2020年和2021年對N市入庫非上市科技中小企業(yè)中的115家企業(yè)展開實(shí)地調(diào)研和座談訪問。115家調(diào)研企業(yè)中：37家新一代信息技術(shù)和軟件企業(yè)，34家高端裝備制造企業(yè)，22家新能源與節(jié)能環(huán)保企業(yè)，15家新材料企業(yè)，7家生物技術(shù)和新醫(yī)藥企業(yè)。受突發(fā)公共衛(wèi)生事件影響，2021年僅37家企業(yè)接受回訪調(diào)研。接受回訪調(diào)研的37家樣本企業(yè)中：12家新一代信息技術(shù)和軟件企業(yè)，9家高端裝備制造企業(yè)，7家生物技術(shù)和新醫(yī)藥企業(yè)，5家新材料企業(yè)，4家新能源與節(jié)能環(huán)保企業(yè)。

在實(shí)地調(diào)研和參加座談會(huì)過程中發(fā)現(xiàn)，N市非上市科技中小企業(yè)主要處于初創(chuàng)期和成長期，常通過股權(quán)融資、債權(quán)融資和內(nèi)源融資三種渠道來融資，各渠道融資現(xiàn)狀整理如表1。非上市科技中小企業(yè)股權(quán)融資的主要渠道是增資擴(kuò)股，也稱為股權(quán)增量融資，這是一種權(quán)益性融資方式。2016年至2020年共有49家企業(yè)進(jìn)行了不同程度的增資擴(kuò)股，每年度只有不到20%的企業(yè)進(jìn)行了增資擴(kuò)股，大部分企業(yè)都保持著原本的股權(quán)融資大小?？梢?，該方式并不是當(dāng)前非上市科技中小企業(yè)最偏好的融資渠道。

“蘇科貸”是江蘇省非上市科技中小企業(yè)的地方性特色債券融資模式之一。2016年至2020年申請并獲得“蘇科貸”的企業(yè)數(shù)量逐年增長。尤其2020年后，超過60%的企業(yè)獲得“蘇科貸”的支持。由表1可得，N市越來越多企業(yè)享受到了“蘇科貸”惠企貸款福利：2016—2019年，未獲得該貸款的企業(yè)數(shù)為39家，獲得一次貸款的為15家，獲得兩次貸款的為22家，獲得三次貸款的為32家，獲得四次貸款的為7家。

內(nèi)源融資是公司通過經(jīng)營活動(dòng)獲得最終留存在企業(yè)的資金。此處主要考慮企業(yè)的留存收益。企業(yè)將該類資金轉(zhuǎn)化為投資，通過內(nèi)源融資的風(fēng)險(xiǎn)比較小，資金的成本也比較低。各年度企業(yè)內(nèi)源融資占比平均值和內(nèi)源融資占比超過30%的企業(yè)數(shù)呈現(xiàn)逐年上漲的趨勢?？傮w來看，企業(yè)通過內(nèi)源融資獲得的資金占總資產(chǎn)的比重仍較小。分年度來看，2016—2020年，內(nèi)源融資超過30%的企業(yè)占比逐漸突破50%，然而受突發(fā)公共衛(wèi)生事件影響，內(nèi)源融資超過30%的企業(yè)占比下降幅度明顯。這表明，N市非上市科技中小企業(yè)慢慢從種子期或者初創(chuàng)期成長為下一階段的企業(yè)，經(jīng)營狀況轉(zhuǎn)好，留存收益越來越多，內(nèi)源融資逐漸受到企業(yè)重視。

調(diào)研發(fā)現(xiàn)，2016—2019年N市調(diào)研企業(yè)可選的融資渠道很多，2020年N市調(diào)研企業(yè)主要以“蘇科貸”等政策性扶持貸款為主，但超過70%的受訪企業(yè)認(rèn)為融資需求未得到完全滿足。超過50%的受訪企業(yè)存在融資困難，40%的受訪企業(yè)認(rèn)為融資難度一般，7.88%的受訪企業(yè)認(rèn)為融資容易。在融資難問題上，三分之一的受訪企業(yè)認(rèn)為銀行貸款門檻高，超過20%的受訪企業(yè)歸結(jié)為自身?xiàng)l件約束，20%的受訪企業(yè)表示融資渠道較少，不到20%的受訪企業(yè)覺得不熟悉融資方式和條件。在信貸門檻高的原因方面，將近60%受訪企業(yè)認(rèn)為自身信貸風(fēng)險(xiǎn)高，25%受訪企業(yè)認(rèn)為銀行研判企業(yè)前景業(yè)務(wù)能力不足，6.17%受訪企業(yè)認(rèn)為銀行金融創(chuàng)新不足，5.07%受訪企業(yè)認(rèn)為銀企信息不對稱，3.50%受訪企業(yè)覺得信貸成本高?？梢?，影響非上市科技中小企業(yè)融資的因素有很多，但很難從受訪企業(yè)的主觀反饋信息中發(fā)現(xiàn)影響企業(yè)融資效率的關(guān)鍵因素。因此，準(zhǔn)確測量企業(yè)的融資效率是找準(zhǔn)影響因素的前提。

此次調(diào)研走訪還收集了受訪企業(yè)對政府扶持非上市科技中小企業(yè)力度的看法。2016—2019年，超過50%的受訪企業(yè)認(rèn)為政府扶持力度強(qiáng)，不到40%的受訪企業(yè)認(rèn)為扶持力度一般，認(rèn)為扶持力度弱的企業(yè)占比不足5%。2020年，超過70%的受訪企業(yè)認(rèn)為政府扶持力度強(qiáng)，不足20%的受訪企業(yè)認(rèn)為扶持力度一般，認(rèn)為扶持力度弱的企業(yè)占比不足10%?；诖耍砂l(fā)現(xiàn)，N市及時(shí)應(yīng)對突發(fā)情況，延繳免征稅費(fèi)、提供低息甚至免息的“蘇科貸”等惠企政策落實(shí)到位，當(dāng)?shù)仄髽I(yè)切實(shí)享受到了惠企福利。這在一定程度上緩解了當(dāng)期經(jīng)營的資金壓力。誠然，N市政府在解決非上市科技中小企業(yè)融資難上取得不錯(cuò)成績，但也有受訪企業(yè)在調(diào)研中表示，N市可采取增大政府擔(dān)保力度、加大財(cái)政貼息短期貸款力度、推廣專利質(zhì)押貸款、暢通惠企政策信息渠道等措施來解決企業(yè)融資難問題。

三、研究設(shè)計(jì)

（一）三階段的Bootstrap-DEA模型

傳統(tǒng)DEA模型所得到的效率是相對效率，受到外部環(huán)境變量、隨機(jī)因素、樣本敏感性和生產(chǎn)前沿面非效率因素的影響，且不能進(jìn)行不同年度之間的縱向比較，因此本文最終選擇經(jīng)過Bootstrap糾偏的三階段DEA來靜態(tài)考察企業(yè)的融資效率。

第一階段：傳統(tǒng)的DEA模型?；谡蚧幚砗蟮脑纪度肱c產(chǎn)出數(shù)據(jù)，運(yùn)用Banker等[ 16 ]在1984年提出的規(guī)模報(bào)酬可變的BCC模型測算非上市科技中小企業(yè)的融資效率。

第二階段：相似的SFA模型。將第一階段的松弛變量分解成環(huán)境因素、內(nèi)部管理和隨機(jī)噪聲三種效應(yīng)后，剔除環(huán)境因素和隨機(jī)誤差的影響，采用相似的SFA模型進(jìn)行回歸，獲得只考慮內(nèi)部管理影響的調(diào)整后的投入值和產(chǎn)出值。

第三階段：Bootstrap糾偏的DEA模型。首先，將調(diào)整后的投入值和產(chǎn)出值依據(jù)第一階段的流程測算剔除環(huán)境變量和隨機(jī)因素影響后的融資效率；其次，參照Simar和Wilson[ 14 ]的Bootstrap糾偏的DEA方法，在所選企業(yè)的原始數(shù)據(jù)基礎(chǔ)上，通過重復(fù)抽樣模擬數(shù)據(jù)的生成過程，從而得到糾偏后的效率值，進(jìn)一步利用Shapiro-Wilk正態(tài)性檢驗(yàn)和Mann-Whitney U檢驗(yàn)對糾偏前后的效率值進(jìn)行檢驗(yàn)，以此選擇更為客觀的最優(yōu)效率值。

（二）三階段的Malmquist-DEA模型

DEA模型會(huì)忽略時(shí)變的技術(shù)進(jìn)步對企業(yè)融資效率的貢獻(xiàn)，因而引入Malmquist指數(shù)[ 13 ]來解決這個(gè)問題。Malmquist指數(shù)用距離函數(shù)之比來描述全要素生產(chǎn)率的變化，該指數(shù)是綜合技術(shù)效率指數(shù)和技術(shù)進(jìn)步指數(shù)的乘積。其中，綜合技術(shù)效率指數(shù)可分解為純技術(shù)效率指數(shù)（pech）和規(guī)模效率指數(shù)（sech）。三階段的Malmquist-DEA模型的基本思路：（1）將應(yīng)用于傳統(tǒng)三階段DEA模型的原始數(shù)值依據(jù)Malmquist指數(shù)公式計(jì)算全要素生產(chǎn)率指數(shù)及其分解指數(shù)；（2）將Bootstrap-DEA模型中第二階段調(diào)整后的投入值和產(chǎn)出值依照Malmquist指數(shù)公式計(jì)算全要素生產(chǎn)率指數(shù)及其分解指數(shù)；（3）利用Bootstrap-DEA模型所獲得的糾偏后的數(shù)值按照Malmquist指數(shù)公式計(jì)算全要素生產(chǎn)率指數(shù)及其分解指數(shù)；（4）分行業(yè)、分年度對企業(yè)融資效率進(jìn)行靜態(tài)和動(dòng)態(tài)分析。

（三）多元線性回歸模型

經(jīng)過Bootstrap糾偏后的綜合技術(shù)效率值處于（0，1）之間，不再有多家企業(yè)效率值為1的情況，由此可構(gòu)建基于面板數(shù)據(jù)的多元線性回歸模型：

四、數(shù)據(jù)來源和指標(biāo)選取

2020年和2021年通過走訪調(diào)研、座談訪問等方式分別獲得N市2016年至2019年115家和2020年37家企業(yè)投入—產(chǎn)出的無缺失值面板數(shù)據(jù)，描述性統(tǒng)計(jì)結(jié)果見表2。由于突發(fā)公共衛(wèi)生事件影響，2021年接受回訪調(diào)研且提供無缺失值的2020年財(cái)務(wù)數(shù)據(jù)僅37家企業(yè)。因此，下文所列的2020年數(shù)據(jù)和實(shí)證結(jié)果均基于37家接受回訪調(diào)研企業(yè)的投入—產(chǎn)出數(shù)據(jù)。地區(qū)生產(chǎn)總值、政策貸款額等數(shù)據(jù)來源于地方統(tǒng)計(jì)年鑒和相關(guān)地方政府部門網(wǎng)站，運(yùn)用Excel、DEAP2.1、Frontier4.1、R語言和Stata對樣本數(shù)據(jù)進(jìn)行統(tǒng)計(jì)與分析。

遵循目的性、科學(xué)性、可比性和可獲得性的原則，且參照既往的研究成果[ 5，11，17 ]，從投入、產(chǎn)出和環(huán)境三大方面選取融資效率指標(biāo)。（1）投入指標(biāo)。從非上市科技中小企業(yè)融資渠道的特點(diǎn)和營收特點(diǎn)選取實(shí)收資本、負(fù)債總額、留存收益和研發(fā)投入四個(gè)指標(biāo)，其中前三個(gè)指標(biāo)依次對應(yīng)股權(quán)融資、債權(quán)融資和內(nèi)源融資三個(gè)融資渠道。（2）產(chǎn)出指標(biāo)。企業(yè)融資的根本目的是擴(kuò)大再生產(chǎn)來盈利，因而選取與企業(yè)盈利能力正相關(guān)的主營業(yè)務(wù)收入和凈利潤作為產(chǎn)出指標(biāo)。（3）環(huán)境變量。合適的環(huán)境變量是指不受企業(yè)自主控制且影響企業(yè)融資效率的變量。不同的宏觀環(huán)境可能會(huì)導(dǎo)致發(fā)展?fàn)顩r相同的企業(yè)融資效率之間產(chǎn)生差距，地區(qū)生產(chǎn)總值在一定程度上可反映當(dāng)?shù)毓I(yè)技術(shù)發(fā)展?fàn)顩r，因而選擇N市不同行政區(qū)域的地區(qū)生產(chǎn)總值作為環(huán)境變量之一；扶持政策的實(shí)施是影響企業(yè)融資效率的重要環(huán)境因素，以企業(yè)獲得的政策貸款額來反映政府的扶持力度；企業(yè)成立時(shí)間越長，其干中學(xué)效應(yīng)和市場影響力會(huì)隨之增長，因此選擇企業(yè)的成立年份來衡量企業(yè)的市場聲譽(yù)和干中學(xué)效應(yīng)。

五、實(shí)證結(jié)果與分析

（一）原始投入產(chǎn)出下融資效率分析

運(yùn)用DEAP2.1軟件進(jìn)行傳統(tǒng)DEA模型的融資效率評估，結(jié)果見表3的一階段和三階段中未糾偏值。分年度來看，企業(yè)的融資效率總體呈上升趨勢，但一階段的融資效率變幅大于三階段：純技術(shù)效率的變幅一直呈先升后降趨勢，但剔除外界因素和隨機(jī)因素干擾后，規(guī)模效率的變幅不僅呈現(xiàn)出上升趨勢且大于純技術(shù)效率的變幅。這揭示了無外部環(huán)境和隨機(jī)因素的影響下，企業(yè)融資效率的提升主要取決于規(guī)模效率的變幅；在我國當(dāng)前大環(huán)境下，企業(yè)基本已實(shí)現(xiàn)規(guī)模經(jīng)濟(jì)，所以規(guī)模效率對企業(yè)融資效率的提升影響弱于純技術(shù)效率。外部因素與融資效率的變幅呈負(fù)相關(guān)趨勢的原因是扶持初創(chuàng)型企業(yè)的政策比較多，隨著企業(yè)成立年限增長，適合企業(yè)的扶持政策相對減少，企業(yè)外源融資減少，投研比相對下降，最終導(dǎo)致技術(shù)進(jìn)步變慢和融資效率降低。對比2020年和2016—2019年兩個(gè)時(shí)間段的融資效率，發(fā)現(xiàn)企業(yè)融資效率差異不大，三個(gè)指標(biāo)的降幅未超過0.025。這充分說明江蘇省推出扶持企業(yè)的政策時(shí)滯性較短，企業(yè)的融資效率未受太大影響。可見，政策支持對企業(yè)應(yīng)對經(jīng)濟(jì)不確定性是十分重要的。

分行業(yè)來看，排除環(huán)境和隨機(jī)因素的干擾后，2016—2019年高端裝備制造、新材料及新一代信息技術(shù)和軟件三個(gè)行業(yè)的融資效率呈遞增趨勢，具體表現(xiàn)為純技術(shù)效率和規(guī)模效率共同作用拉動(dòng)綜合技術(shù)效率提高；2020年大部分行業(yè)的融資效率變幅小于無環(huán)境和隨機(jī)因素的情況。這說明無政策支持環(huán)境可能會(huì)導(dǎo)致非上市科技中小企業(yè)面臨更大融資約束。進(jìn)一步分析，不同行業(yè)的融資效率受政策影響差異較大：考慮政策等外部因素的影響下，高端裝備制造業(yè)的融資效率一直高于總體均值；但無外部因素干擾下，高端裝備制造業(yè)的融資效率增幅逐年降低。2016年我國正式開始5G技術(shù)研發(fā)試驗(yàn)，此后掀起投資5G項(xiàng)目的熱潮。與此對應(yīng)的是，新一代信息技術(shù)和軟件業(yè)的融資效率逐年提升。新能源行業(yè)的發(fā)展拉動(dòng)了新能源與節(jié)能環(huán)保行業(yè)的融資效率提升。由上可得，我國部分行業(yè)的融資效率提升受國家政策和經(jīng)濟(jì)形勢影響較大。

（二）Bootstrap糾偏后融資效率分析

獲得糾偏后的投入值和原始產(chǎn)出值后，再次利用DEAP2.1軟件評估非上市科技中小企業(yè)的融資效率，結(jié)果見表3的三階段中糾偏后。未糾偏前，樣本區(qū)間內(nèi)部分企業(yè)存在效率值為1的情況，表明企業(yè)投入產(chǎn)出轉(zhuǎn)化率為100%，這與現(xiàn)實(shí)完全不符。糾偏后，各指標(biāo)效率值均小于1，且走勢趨同，這說明糾偏后結(jié)果更符合實(shí)際情況。

分年度來看，總體上企業(yè)的融資效率呈小幅上漲趨勢，但外界環(huán)境和隨機(jī)因素對企業(yè)融資效率影響很大。具體表現(xiàn)為：2016—2019年，無外界因素干擾下，規(guī)模效率變幅大于純技術(shù)效率變幅，進(jìn)而拉動(dòng)綜合技術(shù)效率的變化，最終提升企業(yè)融資效率；在考慮外部環(huán)境和隨機(jī)因素情況下，純技術(shù)效率和規(guī)模效率二者綜合作用拉動(dòng)綜合技術(shù)效率提升，但遠(yuǎn)不及外因?qū)е碌娜谫Y效率變幅。2020年，企業(yè)經(jīng)營狀況變差導(dǎo)致綜合技術(shù)效率下降，進(jìn)而影響企業(yè)融資效率。以上說明外部環(huán)境會(huì)阻礙企業(yè)釋放規(guī)?；荷a(chǎn)優(yōu)勢來提升企業(yè)融資效率。

分行業(yè)來看，糾偏后，2016—2019年大部分行業(yè)的企業(yè)融資效率年變幅有所波動(dòng)，但總體呈上升趨勢。主要原因是規(guī)模效率的增幅大于純技術(shù)效率的變動(dòng)幅度，進(jìn)而拉動(dòng)企業(yè)融資效率提升。2020年，生物技術(shù)和新醫(yī)藥、新能源與節(jié)能環(huán)保及新一代信息技術(shù)和軟件三個(gè)行業(yè)的融資效率增加，但新一代信息技術(shù)和軟件行業(yè)及生物技術(shù)和新醫(yī)藥行業(yè)的融資效率低于總體均值。新一代信息技術(shù)和軟件行業(yè)通過大幅提高企業(yè)技術(shù)水平來抵銷規(guī)模效率下降帶來的不利影響，進(jìn)而拉動(dòng)企業(yè)融資效率上升，表明該行業(yè)效率測度受到非效率因素的影響小。2020年新材料行業(yè)的融資效率雖下降但仍高于總體均值，這說明行業(yè)對企業(yè)融資效率的影響有差異。糾偏后，生物技術(shù)和新醫(yī)藥行業(yè)融資效率的變幅主要取決于規(guī)模效率的變幅：2017年和2020年企業(yè)規(guī)模效率的增幅高于純技術(shù)效率，2018年和2019年企業(yè)規(guī)模效率的降幅低于純技術(shù)效率。但高端裝備制造業(yè)融資效率糾偏前后排名結(jié)果不一致，這是由規(guī)模效率糾偏前后的排名不一致所導(dǎo)致的，說明該行業(yè)效率測度受到生產(chǎn)前沿面的非效率因素影響較大?？梢?，規(guī)模效率對不同行業(yè)的企業(yè)差異化影響是影響企業(yè)融資效率的主因。

（三）融資效率動(dòng)態(tài)分析

為動(dòng)態(tài)分析2016—2020年N市非上市科技中小企業(yè)融資效率，運(yùn)用DEAP2.1軟件測算研究對象的全要素生產(chǎn)率指數(shù)及其分解指數(shù)，結(jié)果如表4所示。分年度來看，僅有2018—2019年和2019—2020年的全要素生產(chǎn)率指數(shù)大于1，表明企業(yè)融資效率呈先降低后上升趨勢。原因是2018年中美貿(mào)易摩擦加劇對非上市科技中小企業(yè)的沖擊，隨后我國出臺(tái)很多政策扶持中小企業(yè)，但由于政策實(shí)施存在時(shí)滯性，當(dāng)年的融資效率仍小于1，但下一年度的企業(yè)融資效率激增。2020年初面對突發(fā)公共衛(wèi)生事件，各級政府反應(yīng)及時(shí)，積極推出并落實(shí)“六穩(wěn)六保”舉措。這是2019—2020年全要素生產(chǎn)率指數(shù)略有下降但仍大于1的重要原因。鑒于此，政策這一外部因素對企業(yè)融資效率有一定的影響。技術(shù)進(jìn)步對企業(yè)全要素生產(chǎn)率指數(shù)的影響要大于綜合技術(shù)效率：剔除外因和隨機(jī)因素的影響后，2018—2020年兩個(gè)年度均出現(xiàn)了綜合技術(shù)效率指數(shù)變化量為負(fù)的情況，而技術(shù)進(jìn)步給企業(yè)帶來的好處抵銷了綜合技術(shù)效率帶來的負(fù)影響。因此，兩個(gè)年度的全要素生產(chǎn)率均超過1，促進(jìn)了企業(yè)融資效率的提升。三階段的指標(biāo)數(shù)值明顯與一階段的指標(biāo)數(shù)值有差異，可見，政策等外因和隨機(jī)因素對企業(yè)融資效率的影響不容忽視。

分行業(yè)來看，部分行業(yè)一階段和三階段的所有指標(biāo)數(shù)值差異不明顯，但融資效率呈現(xiàn)時(shí)變的行業(yè)差異。剔除外部環(huán)境和隨機(jī)變量影響后，新一代信息技術(shù)和軟件行業(yè)的全要素生產(chǎn)率指數(shù)為1.069，相比調(diào)整前增加了4.9%，其余行業(yè)調(diào)整前后全要素生產(chǎn)率指數(shù)的變化幅度都在1%內(nèi)。可見，大多數(shù)行業(yè)各年度都遭遇了技術(shù)退步，但這些行業(yè)相對于調(diào)整前的技術(shù)退步程度較小，外部環(huán)境和隨機(jī)因素對行業(yè)技術(shù)有負(fù)面影響，進(jìn)而間接影響企業(yè)融資效率。在無環(huán)境和隨機(jī)因素影響下，新材料行業(yè)和新能源與節(jié)能環(huán)保行業(yè)的純技術(shù)效率下降，這導(dǎo)致其綜合技術(shù)效率指數(shù)低于未調(diào)整前。說明兩個(gè)行業(yè)的運(yùn)營管理水平相對于調(diào)整前有所下降且下降幅度高于資金配置水平上升的幅度，兩個(gè)行業(yè)的企業(yè)資金配置效率相對下降，這是兩個(gè)行業(yè)企業(yè)融資效率低于剔除外因和隨機(jī)因素時(shí)融資效率的主因。其余行業(yè)的融資效率在無外部環(huán)境和隨機(jī)因素干擾下皆有所上升。由于規(guī)模報(bào)酬遞增、內(nèi)在經(jīng)濟(jì)等行業(yè)特征，高端裝備制造行業(yè)與新一代信息技術(shù)和軟件行業(yè)的融資效率提升主要來自規(guī)模效率指數(shù)上升，但外部環(huán)境和隨機(jī)因素對兩個(gè)行業(yè)的規(guī)模效率指數(shù)都產(chǎn)生了負(fù)面影響，不利于行業(yè)的融資效率提升；而生物技術(shù)和新醫(yī)藥行業(yè)的融資效率提升則是得益于純技術(shù)效率的上升，這是由技術(shù)含量高、多學(xué)科高度綜合互相滲透等行業(yè)特點(diǎn)所決定的。

（四）融資效率影響因素分析

前文評估企業(yè)融資效率值并進(jìn)行靜態(tài)和動(dòng)態(tài)分析，但未揭露影響企業(yè)融資效率的因素。因此，參考前人的研究成果[ 3，11 ]，此處以經(jīng)過Bootstrap糾偏后的綜合技術(shù)效率值為被解釋變量，從企業(yè)的融資結(jié)構(gòu)及企業(yè)資金運(yùn)用等角度選取解釋變量，來探討影響非上市科技中小企業(yè)融資效率的因素。各變量描述性統(tǒng)計(jì)結(jié)果如表5所示。

經(jīng)過Bootstrap糾偏的綜合技術(shù)效率極差很大，均值處于較高水平且標(biāo)準(zhǔn)差較小，表明樣本企業(yè)中存在極端值，處于極端值的企業(yè)融資效率差距很大，但大多數(shù)企業(yè)融資效率相差無幾。在資產(chǎn)結(jié)構(gòu)上，資產(chǎn)負(fù)債率和股權(quán)融資占比的極差很大，但標(biāo)準(zhǔn)差較小，企業(yè)總體股權(quán)融資占比的平均值要小于資產(chǎn)負(fù)債率的平均值，說明政策性貸款等債權(quán)融資仍是非上市科技中小企業(yè)的重要資金來源。

在回歸分析之前，對經(jīng)過Bootstrap糾偏的變量進(jìn)行多重共線性檢驗(yàn)。所有變量的VIF最大值為1.31，故不存在多重共線性。同時(shí)，考慮到擾動(dòng)項(xiàng)存在異方差，因此通過LM檢驗(yàn)和輔助回歸方法來判斷應(yīng)采取的回歸模型。結(jié)果顯示：LM檢驗(yàn)值為257.49，輔助回歸方法的p值為0。因而，不選擇混合回歸模型和隨機(jī)效應(yīng)模型，采用固定效應(yīng)模型。利用Stata15.1軟件進(jìn)行固定效應(yīng)的多元線性回歸，結(jié)果如表6所示。

由表6可得，4個(gè)解釋變量對經(jīng)過Bootstrap糾偏的綜合技術(shù)效率的影響均顯著。股權(quán)融資占比和總資產(chǎn)周轉(zhuǎn)率在1%的置信水平顯著，前者相關(guān)系數(shù)為負(fù)，后者相關(guān)系數(shù)為正，說明企業(yè)的股權(quán)融資占比越高，企業(yè)外源融資成本越高。但盈利增幅低于融資成本增長，企業(yè)資本積累未達(dá)預(yù)期，融資效率低；總資產(chǎn)周轉(zhuǎn)率越高，企業(yè)越能高效利用資源盈利，企業(yè)達(dá)到融資擴(kuò)大再生產(chǎn)的目的，企業(yè)融資效率越高。研發(fā)投入強(qiáng)度和資產(chǎn)負(fù)債率在5%的置信水平顯著，前者相關(guān)系數(shù)為正，后者相關(guān)系數(shù)為負(fù)。企業(yè)增加負(fù)債，節(jié)稅效應(yīng)增強(qiáng)，同時(shí)說明企業(yè)未有效利用資金，但隨著負(fù)債率繼續(xù)增長，債務(wù)成本超過節(jié)稅效應(yīng)和盈利所得，企業(yè)融資效率降低。企業(yè)加大研發(fā)投入可促進(jìn)企業(yè)融資效率提高，這十分貼合現(xiàn)實(shí)：很多銀行或地方政府牽頭成立基金推出以科技項(xiàng)目為基礎(chǔ)的政策性貸款，非上市科技中小企業(yè)為獲得政策性貸款不得不加大研發(fā)投入開展科研項(xiàng)目，依靠技術(shù)進(jìn)步來增強(qiáng)企業(yè)的核心競爭力和提高企業(yè)的盈利能力，企業(yè)融資效率亦隨之提高。

六、結(jié)論及建議

本文運(yùn)用三階段Bootstrap-DEA和Malmquist-DEA模型分別從靜態(tài)和動(dòng)態(tài)兩個(gè)角度研究了N市115家非上市科技中小企業(yè)融資效率，并運(yùn)用多元線性回歸模型探討影響融資效率的因素。實(shí)證結(jié)論如下：（1）Bootstrap糾偏后的指標(biāo)數(shù)值更符合現(xiàn)實(shí)。（2）靜態(tài)分析結(jié)果顯示，外部環(huán)境和隨機(jī)因素對非上市科技中小企業(yè)融資效率的影響不可忽視，但長期來看，企業(yè)融資效率呈上漲趨勢，規(guī)模效率對行業(yè)的差異化影響是企業(yè)融資效率的主要影響因素。（3）動(dòng)態(tài)分析結(jié)果表明，不同年份兩個(gè)階段所有指標(biāo)的數(shù)值走勢基本趨同，但三階段的指標(biāo)數(shù)值明顯與一階段的指標(biāo)數(shù)值有差異，這說明外部環(huán)境和隨機(jī)因素對企業(yè)融資效率有影響；從細(xì)分行業(yè)來看，企業(yè)融資效率呈現(xiàn)時(shí)變的行業(yè)特征，技術(shù)進(jìn)步仍是影響大多數(shù)企業(yè)融資效率的重要因素。（4）由融資效率影響因素的研究結(jié)果可以發(fā)現(xiàn)，資產(chǎn)負(fù)債率和股權(quán)融資占比給企業(yè)的融資效率帶來顯著的負(fù)面影響，企業(yè)應(yīng)當(dāng)減少債權(quán)融資和股權(quán)融資在總資產(chǎn)中的比重，即增加內(nèi)源融資占比，從而促使融資效率提高。研發(fā)投入強(qiáng)度和總資產(chǎn)周轉(zhuǎn)率的增加有助于企業(yè)融資效率的提高。

上述結(jié)論為提高我國非上市科技中小企業(yè)融資效率提供借鑒思路。一方面，企業(yè)應(yīng)優(yōu)化資本結(jié)構(gòu)，加強(qiáng)技術(shù)創(chuàng)新，提高經(jīng)營管理能力，具體措施為提高留存收益比例、加強(qiáng)財(cái)務(wù)管理、設(shè)置研發(fā)投入風(fēng)險(xiǎn)預(yù)警線、實(shí)行管理扁平化（減少管理層次）等。另一方面，政府首先應(yīng)運(yùn)用科技手段，推動(dòng)科技與金融資源結(jié)合，積極為商業(yè)銀行和科技中小企業(yè)的資金供給與需求搭建橋梁，減少金融機(jī)構(gòu)與中小企業(yè)之間的信息不對稱，積極為企業(yè)提供擔(dān)保，鼓勵(lì)金融創(chuàng)新，提高科技中小企業(yè)獲得貸款的可能性；其次，面對公共突發(fā)事件時(shí)，政府不僅應(yīng)審時(shí)度勢地制定惠企政策，還應(yīng)采取措施來減輕實(shí)施政策的時(shí)滯性，達(dá)到緩解企業(yè)經(jīng)營壓力和降低企業(yè)融資成本的目的。

【參考文獻(xiàn)】

［1］ 周亮，劉黎一帆.互聯(lián)網(wǎng)金融背景下小微企業(yè)融資問題研究［J］.會(huì)計(jì)之友，2020，636（12）：43-47.

［2］ 程翔，鮑新中.科技金融政策效率研究：以京津冀地區(qū)為例［J］.北京聯(lián)合大學(xué)學(xué)報(bào)（人文社會(huì)科學(xué)版），2018，16（3）：116-124.

［3］ 藺鵬，孟娜娜.科技型中小企業(yè)融資支持政策的運(yùn)作機(jī)理及效果評估：基于SFA模型的實(shí)證分析［J］.軟科學(xué)，2018，32（3）：38-42.

［4］ FRIED H O，LOVELL C A K，SCHMIDT S S，et al.Accounting for environmental effects and statistical noise in data envelopment analysis［J］.Journal of Productivity Analysis，2002，17（1/2）：157-174.

［5］ XIAOHUAN L，ANNA S.Research on the renewable energy industry financing efficiency assessment and mode selection［J］.Sustainability，2018，10（1）：222-235.

［6］ 王偉，石珂菲.技術(shù)效率、行業(yè)測度與中小企業(yè)高質(zhì)量發(fā)展：基于SFA模型的實(shí)證分析［J］.河南師范大學(xué)學(xué)報(bào)（哲學(xué)社會(huì)科學(xué)版），2019，46（6）：15-21.

［7］ NARENDRA N D，JIGNESH M J.Estimating technical efficiency of petroleum refineries using DEA and tobit model：an india perspective［J］.Computers & Chemical Engineering，2020，142（11）：47-49.

［8］ CHIN-WEI H.Using a hybrid two-stage DEA model to analyze the profitability and marketability of medical manufacturing firms［J］. International Transactions in Operational Research，2021，28（1）：470-492.

［9］ PEGAH K，PETER T.Performance evaluation of R&D active firms［J］.Socio-Economic Planning Sciences，2018，61：16-28.

［10］ 夏星，張珍.基于三階段DEA模型的科技企業(yè)孵化器運(yùn)行效率測度［J］.統(tǒng)計(jì)與決策，2020，36（24）：156-160.

［11］ 王秀貞，丁慧平，胡毅.基于DEA方法的我國中小企業(yè)融資效率評價(jià)［J］.系統(tǒng)工程理論與實(shí)踐，2017，37（4）：865-874.

［12］ MAKRIDOU G，ANDRIOSOPOULOS K，DOUMPOS M，et al.Measuring the efficiency of energy-intensive industries across European countries［J］.Energy Policy，2016，88：573-583.

［13］ FARE R，GROSSKOPF S，LOVELL C A K.Production frontiers［M］.Cambridge University Press，1994.

［14］ SIMAR L，WILSON P W.Sensitivity analysis of efficiency scores：how to bootstrap in nonparametric frontier models［J］.Management Science，1998，44（1）：49-61.

［15］ 劉芳，王宇露.基于Meta-Frontier-Bootstrap-DEA方法的中國高端裝備制造企業(yè)效率測度研究［J］.統(tǒng)計(jì)與信息論壇，2017，32（6）：92-98.

［16］ BANKER R D，CHARNES A，COOPER W W.Some models for estimating technical and scale inefficiencies in data envelopment analysis［J］.Management Science，1984，30（9）：1078-1092.

［17］ 榮鳳芝，鐘旭娟.政府補(bǔ)助、研發(fā)投入與企業(yè)績效相關(guān)性的實(shí)證檢驗(yàn)［J］.統(tǒng)計(jì)與決策，2020，36（5）：161-165.