论文部分内容阅读
摘 要：基于18个国家级新区所在地和其高新区的数据，运用四阶段DEA模型，考量企业在创新资源配置过程中的财政政策效率，研究发现：多数地方的新区和高新区的财政政策效率均大于1，且中部地区的财政政策效率不管是在新区还是其高新区均是最小，说明多数地区财政政策对企业创新的作用表现为“激励效应”；结合Tobit模型的影响因素分析发现，高新区与新区的财政政策效率影响因素差异较大，一些能对新区财政政策效率造成显著影响的因素，并不能对高新区财政政策效率造成影响，说明高新区的發展已相对成熟，对产业集聚及创新资源引导发挥了较好作用，而新区仍有提升的空间。
关键词： 财政引导 ；创新资源配置； 财政政策效率
中图分类号：F810.2 文献标识码： A 文章编号：10037217（2018）03010507
一、引 言
“十三五”时期是我国经济社会发展的重要时期，创新驱动不仅要成为经济社会发展的第一驱动力，而且必须摆在国家发展全局的核心位置。在我国经济发展进入新时代后，创新驱动不仅是经济发展动能转换的主要力量，更是促进产业提质增效，有效解决供给性矛盾的根本所在。但是，创新驱动的关键在于“创新”，必须提升创新效率水平。我国历来重视创新在经济发展中的作用，并通过成立经济开发区、高新技术产业发展区、新区来推动经济发展与技术创新以及产业升级换代，并辅之于大量的财政支持政策。事实证明，这种做法对我国的技术创新确实起到了相当大的作用，有力地提升了我国的科技综合实力。但是，财政在支持公共研发活动方面还存在碎片化和孤岛现象，科技资源配置交叉重复，还难以形成合力，配置效率还有较大的改进空间[1]。本文主要以高新区、新区为样本，对我国财政支持科技创新政策进行实证分析，重点考察其引导创新资源配置的效率。
二、文献综述
在创新资源配置效率测度方面，数据包络分析（DEA）方法是运用较为成熟与广泛的一种方法。吴和成等（2004）考虑到产出的滞后性，用改进的DEA方法，即产出值滞后一期，测算我国28个地区的科技投入产出相对效率，并对投入产出的冗余量进行分析，为我国的非DEA有效地区在投入规模上提供科学依据[2]；王忠业等（2006）利用DEA中CCR模型对辽宁省科技资源配置的相对有效性进行评价，结果表明在1994-2003年内辽宁省科技资源配置效率整体偏低，但基础研究主要是产出不足，应用研究主要是投入不足[3]；王雪原（2008）构建科技创新资源配置效率评价指标体系，采用DEA方法，对我国31个省市科技创新资源配置技术有效性和规模有效性进行了系统分析，并提出相应的改进措施[4]；杨得前等以DEA和Malmguist指数为基础，运用2009-2013年省级面板数据，对我国产业生态化效率进行了测算[5]。此外，多元统计方法也是较为常见的一种计算资源配置效率的方法。李冬梅、李石柱等（2003）通过对科技投入和科技产出的指标选取，釆用主成分和聚类分析方法，构建资源配置效率模型，用主成分方法确定各指标之间的权重，对我国各地区科技资源配置效率进行评价分析[6]。周勇等（2006）认为科技资源配置能力是科技资源配置强度、配置结构、配置绩效、配置环境的综合体
现，基于资源配置能力的内涵和结构，构建评价指标体系，并釆用“非线性”主成分方法进行处理[8]；华瑶等（2004）从资源性能指标、技术性能指标和环境性能指标三大指标出发，考虑到问题的复杂性和评价的精确性，构建了32个具体指标组成四级指标，形成评价体系[9]；陈呈频等（2007）认为科技资源配置指标之间都是有一定联系的，所以对各指标进行模糊处理，从科技资源规模、科技资源配置性能、科技资源配置结构和科技资源配置环境四个二级指标出发，建立模糊评价模型[10]。
从上述文献来看，在现有的成果中尽管有较多学者关注效率评价，但将财政政策当成一个外生变量来研究较为鲜见。创新资源配置效率不仅取决于投入要素等可控变量，也不可避免地受到财政资金投入和税收优惠政策等外生环境变量的影响，从当前情况来看，提高财政引导创新资源效率依然是改革进程中的难点和热点。本文在以往效率评价的基础上，以创新资源配置的全要素生产效率的研究框架为基础，选取我国18个高新技术开发区（以下简称“高新区”）和新区所在地的数据，运用DEA四阶段模型对创新资源配置中的财政政策效率进行分析。
三、财政引导创新资源配置效率的理论假设
创新生产不仅具有私有产品属性同时也具有公共产品属性，这使得创新过程容易出现“市场失灵”的情况，政府通过财政补贴方式资助研发活动投入可以解决“市场失灵”的情况，同时提高创新资源配置效率。研发活动具有显著的正外部性，市场机制作用下，企业会减少投入并使得整个市场的研发投入低于理想状况，这也迫切需要政府干预。但是，财政政策引导对企业创新会产生两种效应：即“激励效应”和“挤出效应”。从激励效应来看，财政政策是政府作用创新的重要工具和手段，政府通过制定相应的科技创新财政政策能为企业减小压力，并激励企业进行创新生产，从而提高企业的创新能力。主要表现在三个方面：一是缓解企业创新生产的资金瓶颈问题；二是优化创新资源配置；三是降低企业风险。从挤出效应看，挤出效应是指政府介入企业研发领域，对企业的创新活动进行补贴使得企业减少创新的投入力度，即企业创新投入与政府补贴为反向关系。同时，财政补助会使企业对创新资源需求增加，从而使得创新生产要素价格上升，企业创新生产的利润下降，在利润下降的情况下，企业会调整其资金的投入方向，减少投入，降低风险，从而使得自身利益达到最大化。我国通过设立高新区与新区，尽管时间不同，但基本目的都是促进创新，显然，由于各自的基础与初始条件差异，财政引导创新资源配置的效率方面也一定存在差异。基于上述分析，提出如下假设。
假设1：在现有18个并行的高新区与新区内，财政引导创新资源配置的发生“激励效应”的个数要多于发生“挤出效应”的个数。 假设2：财政引导创新资源配置进程中，就高新区与新区而言，高新区的财政引导创新资源配置的效率要高于新区；且从区域来看，东部地区的高新区效率要高于西部与中部地区。
创新是一个复杂的过程，会受到多重因素的影响，财政作为影响因素之一，引导创造资源配置效率的高低也会影响创新产出，然而，影响财政引导创新资源配置的因素有哪些，这些因素对财政引导创新资源配置会产生什么作用呢？在现有研究中，一般认为与创新相关的人、物、环境有关，如在财政引导创新资源配置过程中，官员特质、资金投入強度、市场环境、地理位置等都可能成为影响财政引导创新资源效率的因素。据此，提出研究假设。
假设3：在影响财政引导创新资源效率的因素中，一把手官员的年龄、是否具有研究生学历、任期与财政引导创新资源配置效率呈反向关系，具有中央任职经历的官员有利于财政引导创新资源配置效率提升。
假设4：从区域来看，东部地区的财政引导创新资源配置的效率要高于中部与西部地区；同时，资金投入越多，市场越成熟的地方，其财政引导创新资源配置的效率也较高。
四、 方法、指标和数据
本文的主要目标是测算高新区和新区的财政政策在引导创新资源配置过程中的效率，财政政策并不是创新生产的直接投入变量，所以，采取传统的DEA方法并不适合，多阶段的DEA方法则可以考虑环境的因素，四阶段DEA模型则可以将环境变量引入模型，符合本文研究目的。
（一）模型选取
1.四阶段DEA。
四阶段DEA主要就是通过非参数、前沿边界和线性规划的方法，通过外生变量修正松弛变量，从而消除外生环境对技术效率的影响，在此基础上分析其管理效率。借鉴李兰冰（2015）[10]的方法，将财政政策视为环境变量，具体测算方法如下：
第一阶段：在不考虑财政政策变量的情况下，运用一般的的投入导向型DEA方法计算创新资源配置效率，从而获取每个投入变量的松弛量，其中每个投入变量的松弛量等于径向投入与非径向投入松弛量之和。
第二阶段：考虑财政政策变量。将选好的财政政策作为解释变量，第一阶段计算的投入变量松弛量为被解释变量构建回归方程，分析财政政策对创新投入变量的松弛量的影响，公式如下：
ITSkj=fj（Qkj，βj，μkj），j=1…N，k=1…K（1）
其中ITSkj是第一阶段计算的创新投入变量的松弛量，Qkj是第j各决策单元的第k个投入变量的财政政策变量，βj是财政政策变量的系数，μkj是随机干扰项。
第三阶段：对原始的投入变量进行调整，运用式（1）的回归结果估计每个投入变量松弛量的估计值，方法如下：
得到投入变量松弛量的估计值后，为了消除区域间财政政策的差异，选择最差的财政政策为样本，对处于弱势的财政政策地区的创新生产投入变量进行调整，具体的调整公式如下：
第四阶段：计算调整后的效率，运用式（3）对投入变量进行调整后，重新运用第一阶段的方法测算消除财政政策影响后的创新管理效率。
2.财政政策效率计算。借鉴李冰兰的方法将创新资源配置效率（CE）分解为财政政策效率（FCE）和企业管理效率（MCE），则创新资源配置过程中区域i在t时刻的财政政策效率（FCE）的计算公式为：
FCE（i，t）=CE（i，t）MCE（i，t） （4）
其中管理效率表达式为：
MCE（i，t）=高速后的创新目标值（i，t）调整后的创新实际值（i，t），其值处于（0，1]之间。由公式（4）可知，财政政策效率（FCE）取值可以大于1，也可以小于1。当创新资源配置的综合效率（CE）大于管理效率（MCE）时，财政政策效率（FCE）则大于1，说明该地区创新发展的财政政策具有优势，创新生产的无效率因素来自于企业的管理效率，财政政策可以弥补管理无效率，对企业创新绩效具有“激励效应”。而当财政政策效率小于1，说明该地区创新发展财政政策处于劣势，财政政策是创新生产的无效率因素，表现为财政政策对创新绩效的“挤出效应”，当财政效率为1时，表明财政政策对创新资源配置效率不起作用。
3.影响因素模型。
为进一步探讨影响该效率的原因，建立了回归模型。考虑到在进行DEA测定时，综合效率存在大于1的情况，通过对比分析，选定Tobit模型对影响因素分析进行探讨。该类模型因变量受到某种条件约束，其一般形式如下：
Y=Y*=α+βX+ε，Y*>0
0Y*≤0（5）
其中，Y是受限因变量向量；X为自变量向量；α是截距项向量；β是回归参数向量；ε为随机扰动项。
（二）变量选取、样本选择和数据来源
样本选取当前我国国家级新区所在地的高新区和新区数据，考虑数据可得性选取了18个地方的高新区与新区数据，具体为上海、天津、重庆、浙江舟山、广东广州、陕西西安、贵州贵阳、山东青岛、辽宁大连、四川成都、湖南长沙、江苏南京、福建福州、云南昆明、黑龙江哈尔滨、吉林长春、江西南昌和河北保定18个地方高新区和当地的数据①。
投入变量：R&D内部支出和R&D人员全时当量两个变量分别用来衡量资金投入、人力投入。R&D经费内部支出是衡量科技经费投入的总指标，其运用的是包括实验开发、应用研究和基础研究在内的项目和相关的管理服务费用的总和。R&D内部支出不仅可以反应企业对创新活动的重视程度，同时，也在一定程度上反应了企业自主创新的能力；R&D人员全时当量采用的是从事研发工作人员在研发上花的时间大于其年度工作时间的90%，该变量可以很好的衡量研发活动投入人员的数量和质量。
产出变量：选取专利申请受理数、工业增加值、利润与新产品销售收入来衡量。在创新资源配置的过程中的产出许多都是以专利的形式出现，专利是创新产出的一种普遍形式；工业增加值则体现的是创新生产对工业生产的影响即促进作用；利润是衡量企业生产经营能力的主要指标，在创新生产中可以反应其创新生产的能力；新产品的销售收入则是衡量创新产出的直接变量。 财政政策变量：由前文分析可知，我国创新资源配置过程中的财政政策效率主要包括财政补助和税收优惠政策。其中财政补助通过R&D活动内部支出中的政府资金进行测算，税收优惠则借鉴戴晨等[11]的计算方法运用B指数进行测算。考虑创新生产的滞后性，对产出变量进行滞后一期处理。文章选用的创新资源配置投入数据是2014年的数据，而产出数据为2015年，新区由于成立时间不一，其投入、产出数据采用2014-2016年的简单平均数，其他数据来源于《中国统计年鉴》《中国火炬统计年鑒》《各地方统计年鉴》、科技部网站和各个地区的高新区网站。具体变量如表1所示。
财政政策效率影响因素：变量主要为官员特质、企业规模、产权类型、政府资金投入强度、创新市场环境、科研资源禀赋水平、中央地方支出责任划分和地理位置[12]。官员性质变量主要用于分析地方省（直辖市或自治区）主要领导（省委书记）的年龄、学历、任期、任职经历等因素会不会对地方的财政政策效率造成影响；政府资金强度，反应了政府对企业创新的支持力度，运用R&D内部支出经费中政府资金的占比来衡量；创新市场环境运用技术市场中技术市场的成交额与R&D经费投入比衡量；科研资源禀赋水平，运用人均研究员的R&D投入来衡量；中央地方支出责任划分，采用地方科技支出与R&D内部支出中政府资金的比值来衡量；地理位置运用虚拟变量，将地区分为东中西三个区域。具体变量见表2。
五、财政引导创新资源配置效率的实证分析
（一）高新区财政效率分析
表3报告的是高新区创新资源配置财政效率。从区域来看， 创新资源配置财政效率最高是西部地区，最低是东部地区，与我国经济发展状况恰好相反。而在各高新区的R&D内部支出中的财政资金投入与税收优惠政策中，东部地区所获得的财政资金与税收优惠政策都比中部、西部要多，但这些财政资源对创新资源配置并没有发挥较好效果，甚至存在过度投入与过度优惠问题。而在西部地区，尽管在财政支持力度上处于相对弱势，但财政政策在创新资源配置过程中发挥了非常好的作用。从这点来看，假设2的后半部分并未得到验证，没能通过检验。这主要是近年来，“西部大开发战略”“一带一路”国家战略的实施，财政支持力度大增，带动与领导大量企业重视技术创新，企业创新投入持续增加，财政在其中发挥较好的激励效应，从而使得西部地区创新资源配置中的财政效率较高。
从具体个体来看，18个高新区中包括重庆、宁波、贵阳、青岛、大连、南京、福州、昆明、哈尔滨、长春、南昌、保定12个高新技术开发区的财政政策效率值大于1，说明财政对创新起到了正向作用即“激励效应”，财政政策对创新资源配置的引导发挥了较好作用。而上海张江、天津滨海、广州、西安、成都和长沙6个高新区的财政效率小于1，说明这些高新区的财政政策对创新的作用为“挤出效应”，财政投入没有有效吸引创新资源流入，相对于企业而言，财政政策在引导创新方面处于劣势，这或许与其较高的发展水平及高市场竞争度有关。其中云南昆明高新技术产业开发区以4.75的财政效率值排名第一，上海张江高新区以0.29的财政效率值位列末位。据此可以判断假设1通过实证检验。
（二）新区的财政政策效率
表4报告的是新区的财政效率值，在18个设有新区的地方，只有上海、天津两个地方的财政政策效率值小于1，而其它地方的创新资源配置财政政策效率值均大于1，说明新区所在地的地方除上海和天津外，其它地区的财政政策对企业的创新均起到了“激励效应”，有效引导了创新资源配置，说明新区成立的必要性；而上海和天津的财政政策在该过程中为“挤出效应”，说明财政在引导创新资源流动与配置方面仍存在较大的改进空间，市场引导创新资源配置的作用大于财政政策的引导作用，市场对企业创新约束较大。在引导创新资源配置的财政效率值方面，浙江舟山以9.01列第一，而上海以0.64居于末位。在财政政策效率排名前3的地方还有贵州贵阳、云南昆明，说明新区所在地的财政政策效率与其对应的高新区财政效率效果类似，在创新资源的配置过程中也是西部地区的财政政策效率更好。
（三）高新区和新区财政效率对比分析
由图1可知，浙江、贵州、四川、吉林、河北5个地方的新区财政效率值高于高新区的财政效率值，说明这五个地方在利用财政政策引导创新资源配置方面整体政策环境较好，高新区与新区不存在较大差异；而在其余的上海、广东广州、陕西西安、黑龙江哈尔滨、云南昆明、湖南长沙、天津、重庆、山东青岛、辽宁大连、江苏南京、福建福州、江西南昌13个地方，其高新区的财政效率值高于新区财政效率值，说明高新区的财政政策在引导创新资源配置方面发挥较好作用，而新区的财政政策要发挥好引导创新配置效率仍有较长的路要走。从这点判断假设2的前半部分成立，通过统计检验。
从具体财政政策手段工具对比来看，表5报告的是效率测算中的第二阶段，从表5可知，财政政策对新区投入松弛量的影响要大于高新区，但是高新区的作用更加显著；而税收优惠对高新区的人员投入松弛量的影响小于新区，对高新区经费投入量的影响则要大于新区，变量显著程度也是高新区大于新区。总体而论，高新区作为高技术产业的集聚地，财政政策作用效果在产业集聚方面的作用比新区更为显著。
六、财政引导创新资源配置效率的影响因素分析
财政政策效率究竟受到什么因素影响，通过运用Tobit模型对影响财政政策效率的因素进行分析。表6报告的是财政政策效率影响因素Tobit回归结果，总体而言，高新区的影响因素变量在5%的显著水平下只有两个变量显著，其他均不显著；而新区所在地方则大多数变量都显著。假设3没有通过检验，“一把手”官员特质对财政引导资源配置效率呈现反向关系；假设4没有通过检验，即在东中西部三个区域中，东部的财政引导配置效率仅仅高于中部而低于西部，而在市场发达，资金投入高的地区，财政引导创新资源的效率反而更低，原因在于企业管理效率，市场发挥了较好引导作用。具体影响因素主要表现为： 官员性质变量。首先，在官员年龄变量上，无论是在高新区还是新区，其系数都为正，说明官员年龄越大对财政引导创新资源配置效率就越高，年轻的“一把手”并不能提升财政引导创新资源的配置效率，只是这种影响对高新区没有显著影响，但在新区具有显著影响；其次，从官员研究生学历来看，两者都为负，说明官员是否具有研究生学历并不能相应改善财政引导创新资源的配置效率；第三，从官员任期来看，两者都为正，说明“一把手”在位时间越长，财政引导资源配置效率也越高。第四，从是否具有中央任职经验来看，对高新区与新区都有影响且系数为负。
地理位置。从地理位置看，无论是东部、中部还是西部地区，也无论是高新区还是新区，位置是影响财政引导创新资源配置的重要因素，差异就在于其显著性方面，西部最为显著，中部次之，而东部最不受位置影响，说明东部地区市场较为成熟，在引导创新资源配置方面能够较好发挥作用，而西部与中部地区仍需要财政指挥棒发挥作用。
政府资金占R&D内部支出经费的比重。该变量对高新区财政引导资源配置的效率作用不显著且系数为负值，而对新区财政引导资源配置效率则具有显著的正向影响。说明高新区作为高新技术产业的主要集聚地，其获取资源的方式要优于新区，而新区作为新成立的经济发展区域，其R&D内部经费支出对政府依赖性较强，希望政府能够分摊风险，风险分摊越多则其财政引导创新资源配置的效率也就越高。
创新市场环境。高新区和地方模型中该变量均通过显著性检验，且系数为负值，说明技术市场交易额与R&D内部支出的比值越大，高新区和新区的财政引导创新资源配置效率越低。该比值大有两个原因：一是技术市场交易额较大，说明创新市场相对成熟，在市场相对成熟的情况下企业获取资源也会更加的容易，从而使得财政引导创新资源配置效率降低；二是R&D内部支出较少，说明企业创新能力不足。
科技资源禀赋水平。科技资源禀赋越高高新区和地方财政政策效率均越高，但是这种影响在高新区不显著，而在新区的表现显著，说明人均研发人员的经费投入越多，新区财政引导创新资源配置效率也就越高。
中央地区支出责任划分。该变量同样在高新区表现不显著，在新区表现显著，且系数呈现一负一正现象。在新区该变量显著为正，说明在新区的创新资源配置过程中，新区财政支出越多，其财政引导创新资源配置的效率也越高。
七、结论与政策建议
本文通过运用我国国家级新区所在地和其高新区的创新发展相关数据，运用四阶段DEA模型将财政政策引入效率测算过程，从而分解出创新资源配置中的财政政策效率，并通过Tobit模型对其进行分析。实证表明：在引导创新资源配置的财政效率方面，西部地区普遍较高，中部最低，多数高新区新区的财政政策对企业的创新生产起到了“激励效应”，只有少部分地区表现为“挤出效应”。
从政策操作层面来看，政府在完善相关政策时，对财政引导创新资源配置效率为“挤出效应”的地方应适当减少投入，而对“激励效应”的地方继续增加投入，充分发挥财政政策对创新资源配置的引导作用。在新区发展过程中，应当充分借鉴高新区发展的经验，对于那些创新效率低同时财政效率值也低的地方要具体分析，如果财政政策扶植过度，则要适当减少财政政策扶持，发挥市场引导创新资源效能。Tobit回归还发现各变量对高新区和地方的差异显著，对地方财政引导创新资源配置效率有显著影响的变量却对高新区财政引导创新资源配置效率不显著，反之亦然。说明经过多年发展后，我国高新区目前的发展已经形成了一个相对有效、能够独立运行的经济体，对创新资源配置的财政效率要明显高于新区的财政政策效率。未来我国新区的发展应该充分利用和借鉴高新区的财政政策，因地制宜，采取不同的方式优化其资源配置效率，尤其是加大公共研发支出，聚集产业，提升核心竞争力，而不是一味追求财政政策的出台。
注释：
① 由于甘肃兰州数据无法获取故在本文中没有考虑进行分析。
参考文献：
[1] 余蔚平. 积极发挥财政职能作用促进创新驱动发展[J].行政管理改革，2016（1）：18-23.
[2] 吴和成，郑垂勇. 科技投入相对有效性的实证分析[J].科学管理研究，2003（3）：93-96.
[3] 王忠业.辽宁省科技创新体系科技资源配置有效性的数据包络分析[J].科技进步与对策，2006（3）：95-97.
[4] 王雪原，王宏起. 我国科技创新资源配置效率的DEA分析[J].统计与决策，2008（8）：108-110.
[5] 杨得前，刘仁济.财政投入对中国产业生态化效率提升的实证研究[J].财经理论与实践，2017，38（1）：109-115.
[6] 李冬梅，李石柱，唐五湘. 我国区域科技资源配置效率情况评价[J].北京机械工业学院学报，2003（1）：50-55.
[7] 华瑶，刘春波，朱林生. 层次分析法在科技资源配置能力综合评价中的应用[J].东北电力学院学报，2004（2）：42-44.
[8] 周勇，李廉水. 基于“非线性”主成分法的区域科技资源配置能力评价分析[J].科技管理研究，2006（4）：27-30+34.
[9] 陈呈频，兰秀菊，毕娜. 基于模糊评判机制的科技资源配置能力研究[J].浙江工业大学学报，2007（5）：509-512+520.
[10]李兰冰. 中国区域经济增长绩效、源泉与演化：基于要素分解视角[J].经济研究，2015（8）：58-72.
[11]戴晨，劉怡.税收优惠与财政补贴对企业R&D影响的比较分 析[J].经济科学 ， 2008（3）：58-71.
[12]马文聪，李小转，廖建聪，等.不同政府科技资助方式对企业研发投入的影响[J]. 科学学研究， 2017（5）：689-699.
（责任编辑：漆玲琼）
关键词： 财政引导 ；创新资源配置； 财政政策效率
中图分类号：F810.2 文献标识码： A 文章编号：10037217（2018）03010507
一、引 言
“十三五”时期是我国经济社会发展的重要时期，创新驱动不仅要成为经济社会发展的第一驱动力，而且必须摆在国家发展全局的核心位置。在我国经济发展进入新时代后，创新驱动不仅是经济发展动能转换的主要力量，更是促进产业提质增效，有效解决供给性矛盾的根本所在。但是，创新驱动的关键在于“创新”，必须提升创新效率水平。我国历来重视创新在经济发展中的作用，并通过成立经济开发区、高新技术产业发展区、新区来推动经济发展与技术创新以及产业升级换代，并辅之于大量的财政支持政策。事实证明，这种做法对我国的技术创新确实起到了相当大的作用，有力地提升了我国的科技综合实力。但是，财政在支持公共研发活动方面还存在碎片化和孤岛现象，科技资源配置交叉重复，还难以形成合力，配置效率还有较大的改进空间[1]。本文主要以高新区、新区为样本，对我国财政支持科技创新政策进行实证分析，重点考察其引导创新资源配置的效率。
二、文献综述
在创新资源配置效率测度方面，数据包络分析（DEA）方法是运用较为成熟与广泛的一种方法。吴和成等（2004）考虑到产出的滞后性，用改进的DEA方法，即产出值滞后一期，测算我国28个地区的科技投入产出相对效率，并对投入产出的冗余量进行分析，为我国的非DEA有效地区在投入规模上提供科学依据[2]；王忠业等（2006）利用DEA中CCR模型对辽宁省科技资源配置的相对有效性进行评价，结果表明在1994-2003年内辽宁省科技资源配置效率整体偏低，但基础研究主要是产出不足，应用研究主要是投入不足[3]；王雪原（2008）构建科技创新资源配置效率评价指标体系，采用DEA方法，对我国31个省市科技创新资源配置技术有效性和规模有效性进行了系统分析，并提出相应的改进措施[4]；杨得前等以DEA和Malmguist指数为基础，运用2009-2013年省级面板数据，对我国产业生态化效率进行了测算[5]。此外，多元统计方法也是较为常见的一种计算资源配置效率的方法。李冬梅、李石柱等（2003）通过对科技投入和科技产出的指标选取，釆用主成分和聚类分析方法，构建资源配置效率模型，用主成分方法确定各指标之间的权重，对我国各地区科技资源配置效率进行评价分析[6]。周勇等（2006）认为科技资源配置能力是科技资源配置强度、配置结构、配置绩效、配置环境的综合体
现，基于资源配置能力的内涵和结构，构建评价指标体系，并釆用“非线性”主成分方法进行处理[8]；华瑶等（2004）从资源性能指标、技术性能指标和环境性能指标三大指标出发，考虑到问题的复杂性和评价的精确性，构建了32个具体指标组成四级指标，形成评价体系[9]；陈呈频等（2007）认为科技资源配置指标之间都是有一定联系的，所以对各指标进行模糊处理，从科技资源规模、科技资源配置性能、科技资源配置结构和科技资源配置环境四个二级指标出发，建立模糊评价模型[10]。
从上述文献来看，在现有的成果中尽管有较多学者关注效率评价，但将财政政策当成一个外生变量来研究较为鲜见。创新资源配置效率不仅取决于投入要素等可控变量，也不可避免地受到财政资金投入和税收优惠政策等外生环境变量的影响，从当前情况来看，提高财政引导创新资源效率依然是改革进程中的难点和热点。本文在以往效率评价的基础上，以创新资源配置的全要素生产效率的研究框架为基础，选取我国18个高新技术开发区（以下简称“高新区”）和新区所在地的数据，运用DEA四阶段模型对创新资源配置中的财政政策效率进行分析。
三、财政引导创新资源配置效率的理论假设
创新生产不仅具有私有产品属性同时也具有公共产品属性，这使得创新过程容易出现“市场失灵”的情况，政府通过财政补贴方式资助研发活动投入可以解决“市场失灵”的情况，同时提高创新资源配置效率。研发活动具有显著的正外部性，市场机制作用下，企业会减少投入并使得整个市场的研发投入低于理想状况，这也迫切需要政府干预。但是，财政政策引导对企业创新会产生两种效应：即“激励效应”和“挤出效应”。从激励效应来看，财政政策是政府作用创新的重要工具和手段，政府通过制定相应的科技创新财政政策能为企业减小压力，并激励企业进行创新生产，从而提高企业的创新能力。主要表现在三个方面：一是缓解企业创新生产的资金瓶颈问题；二是优化创新资源配置；三是降低企业风险。从挤出效应看，挤出效应是指政府介入企业研发领域，对企业的创新活动进行补贴使得企业减少创新的投入力度，即企业创新投入与政府补贴为反向关系。同时，财政补助会使企业对创新资源需求增加，从而使得创新生产要素价格上升，企业创新生产的利润下降，在利润下降的情况下，企业会调整其资金的投入方向，减少投入，降低风险，从而使得自身利益达到最大化。我国通过设立高新区与新区，尽管时间不同，但基本目的都是促进创新，显然，由于各自的基础与初始条件差异，财政引导创新资源配置的效率方面也一定存在差异。基于上述分析，提出如下假设。
假设1：在现有18个并行的高新区与新区内，财政引导创新资源配置的发生“激励效应”的个数要多于发生“挤出效应”的个数。 假设2：财政引导创新资源配置进程中，就高新区与新区而言，高新区的财政引导创新资源配置的效率要高于新区；且从区域来看，东部地区的高新区效率要高于西部与中部地区。
创新是一个复杂的过程，会受到多重因素的影响，财政作为影响因素之一，引导创造资源配置效率的高低也会影响创新产出，然而，影响财政引导创新资源配置的因素有哪些，这些因素对财政引导创新资源配置会产生什么作用呢？在现有研究中，一般认为与创新相关的人、物、环境有关，如在财政引导创新资源配置过程中，官员特质、资金投入強度、市场环境、地理位置等都可能成为影响财政引导创新资源效率的因素。据此，提出研究假设。
假设3：在影响财政引导创新资源效率的因素中，一把手官员的年龄、是否具有研究生学历、任期与财政引导创新资源配置效率呈反向关系，具有中央任职经历的官员有利于财政引导创新资源配置效率提升。
假设4：从区域来看，东部地区的财政引导创新资源配置的效率要高于中部与西部地区；同时，资金投入越多，市场越成熟的地方，其财政引导创新资源配置的效率也较高。
四、 方法、指标和数据
本文的主要目标是测算高新区和新区的财政政策在引导创新资源配置过程中的效率，财政政策并不是创新生产的直接投入变量，所以，采取传统的DEA方法并不适合，多阶段的DEA方法则可以考虑环境的因素，四阶段DEA模型则可以将环境变量引入模型，符合本文研究目的。
（一）模型选取
1.四阶段DEA。
四阶段DEA主要就是通过非参数、前沿边界和线性规划的方法，通过外生变量修正松弛变量，从而消除外生环境对技术效率的影响，在此基础上分析其管理效率。借鉴李兰冰（2015）[10]的方法，将财政政策视为环境变量，具体测算方法如下：
第一阶段：在不考虑财政政策变量的情况下，运用一般的的投入导向型DEA方法计算创新资源配置效率，从而获取每个投入变量的松弛量，其中每个投入变量的松弛量等于径向投入与非径向投入松弛量之和。
第二阶段：考虑财政政策变量。将选好的财政政策作为解释变量，第一阶段计算的投入变量松弛量为被解释变量构建回归方程，分析财政政策对创新投入变量的松弛量的影响，公式如下：
ITSkj=fj（Qkj，βj，μkj），j=1…N，k=1…K（1）
其中ITSkj是第一阶段计算的创新投入变量的松弛量，Qkj是第j各决策单元的第k个投入变量的财政政策变量，βj是财政政策变量的系数，μkj是随机干扰项。
第三阶段：对原始的投入变量进行调整，运用式（1）的回归结果估计每个投入变量松弛量的估计值，方法如下：
得到投入变量松弛量的估计值后，为了消除区域间财政政策的差异，选择最差的财政政策为样本，对处于弱势的财政政策地区的创新生产投入变量进行调整，具体的调整公式如下：
第四阶段：计算调整后的效率，运用式（3）对投入变量进行调整后，重新运用第一阶段的方法测算消除财政政策影响后的创新管理效率。
2.财政政策效率计算。借鉴李冰兰的方法将创新资源配置效率（CE）分解为财政政策效率（FCE）和企业管理效率（MCE），则创新资源配置过程中区域i在t时刻的财政政策效率（FCE）的计算公式为：
FCE（i，t）=CE（i，t）MCE（i，t） （4）
其中管理效率表达式为：
MCE（i，t）=高速后的创新目标值（i，t）调整后的创新实际值（i，t），其值处于（0，1]之间。由公式（4）可知，财政政策效率（FCE）取值可以大于1，也可以小于1。当创新资源配置的综合效率（CE）大于管理效率（MCE）时，财政政策效率（FCE）则大于1，说明该地区创新发展的财政政策具有优势，创新生产的无效率因素来自于企业的管理效率，财政政策可以弥补管理无效率，对企业创新绩效具有“激励效应”。而当财政政策效率小于1，说明该地区创新发展财政政策处于劣势，财政政策是创新生产的无效率因素，表现为财政政策对创新绩效的“挤出效应”，当财政效率为1时，表明财政政策对创新资源配置效率不起作用。
3.影响因素模型。
为进一步探讨影响该效率的原因，建立了回归模型。考虑到在进行DEA测定时，综合效率存在大于1的情况，通过对比分析，选定Tobit模型对影响因素分析进行探讨。该类模型因变量受到某种条件约束，其一般形式如下：
Y=Y*=α+βX+ε，Y*>0
0Y*≤0（5）
其中，Y是受限因变量向量；X为自变量向量；α是截距项向量；β是回归参数向量；ε为随机扰动项。
（二）变量选取、样本选择和数据来源
样本选取当前我国国家级新区所在地的高新区和新区数据，考虑数据可得性选取了18个地方的高新区与新区数据，具体为上海、天津、重庆、浙江舟山、广东广州、陕西西安、贵州贵阳、山东青岛、辽宁大连、四川成都、湖南长沙、江苏南京、福建福州、云南昆明、黑龙江哈尔滨、吉林长春、江西南昌和河北保定18个地方高新区和当地的数据①。
投入变量：R&D内部支出和R&D人员全时当量两个变量分别用来衡量资金投入、人力投入。R&D经费内部支出是衡量科技经费投入的总指标，其运用的是包括实验开发、应用研究和基础研究在内的项目和相关的管理服务费用的总和。R&D内部支出不仅可以反应企业对创新活动的重视程度，同时，也在一定程度上反应了企业自主创新的能力；R&D人员全时当量采用的是从事研发工作人员在研发上花的时间大于其年度工作时间的90%，该变量可以很好的衡量研发活动投入人员的数量和质量。
产出变量：选取专利申请受理数、工业增加值、利润与新产品销售收入来衡量。在创新资源配置的过程中的产出许多都是以专利的形式出现，专利是创新产出的一种普遍形式；工业增加值则体现的是创新生产对工业生产的影响即促进作用；利润是衡量企业生产经营能力的主要指标，在创新生产中可以反应其创新生产的能力；新产品的销售收入则是衡量创新产出的直接变量。 财政政策变量：由前文分析可知，我国创新资源配置过程中的财政政策效率主要包括财政补助和税收优惠政策。其中财政补助通过R&D活动内部支出中的政府资金进行测算，税收优惠则借鉴戴晨等[11]的计算方法运用B指数进行测算。考虑创新生产的滞后性，对产出变量进行滞后一期处理。文章选用的创新资源配置投入数据是2014年的数据，而产出数据为2015年，新区由于成立时间不一，其投入、产出数据采用2014-2016年的简单平均数，其他数据来源于《中国统计年鉴》《中国火炬统计年鑒》《各地方统计年鉴》、科技部网站和各个地区的高新区网站。具体变量如表1所示。
财政政策效率影响因素：变量主要为官员特质、企业规模、产权类型、政府资金投入强度、创新市场环境、科研资源禀赋水平、中央地方支出责任划分和地理位置[12]。官员性质变量主要用于分析地方省（直辖市或自治区）主要领导（省委书记）的年龄、学历、任期、任职经历等因素会不会对地方的财政政策效率造成影响；政府资金强度，反应了政府对企业创新的支持力度，运用R&D内部支出经费中政府资金的占比来衡量；创新市场环境运用技术市场中技术市场的成交额与R&D经费投入比衡量；科研资源禀赋水平，运用人均研究员的R&D投入来衡量；中央地方支出责任划分，采用地方科技支出与R&D内部支出中政府资金的比值来衡量；地理位置运用虚拟变量，将地区分为东中西三个区域。具体变量见表2。
五、财政引导创新资源配置效率的实证分析
（一）高新区财政效率分析
表3报告的是高新区创新资源配置财政效率。从区域来看， 创新资源配置财政效率最高是西部地区，最低是东部地区，与我国经济发展状况恰好相反。而在各高新区的R&D内部支出中的财政资金投入与税收优惠政策中，东部地区所获得的财政资金与税收优惠政策都比中部、西部要多，但这些财政资源对创新资源配置并没有发挥较好效果，甚至存在过度投入与过度优惠问题。而在西部地区，尽管在财政支持力度上处于相对弱势，但财政政策在创新资源配置过程中发挥了非常好的作用。从这点来看，假设2的后半部分并未得到验证，没能通过检验。这主要是近年来，“西部大开发战略”“一带一路”国家战略的实施，财政支持力度大增，带动与领导大量企业重视技术创新，企业创新投入持续增加，财政在其中发挥较好的激励效应，从而使得西部地区创新资源配置中的财政效率较高。
从具体个体来看，18个高新区中包括重庆、宁波、贵阳、青岛、大连、南京、福州、昆明、哈尔滨、长春、南昌、保定12个高新技术开发区的财政政策效率值大于1，说明财政对创新起到了正向作用即“激励效应”，财政政策对创新资源配置的引导发挥了较好作用。而上海张江、天津滨海、广州、西安、成都和长沙6个高新区的财政效率小于1，说明这些高新区的财政政策对创新的作用为“挤出效应”，财政投入没有有效吸引创新资源流入，相对于企业而言，财政政策在引导创新方面处于劣势，这或许与其较高的发展水平及高市场竞争度有关。其中云南昆明高新技术产业开发区以4.75的财政效率值排名第一，上海张江高新区以0.29的财政效率值位列末位。据此可以判断假设1通过实证检验。
（二）新区的财政政策效率
表4报告的是新区的财政效率值，在18个设有新区的地方，只有上海、天津两个地方的财政政策效率值小于1，而其它地方的创新资源配置财政政策效率值均大于1，说明新区所在地的地方除上海和天津外，其它地区的财政政策对企业的创新均起到了“激励效应”，有效引导了创新资源配置，说明新区成立的必要性；而上海和天津的财政政策在该过程中为“挤出效应”，说明财政在引导创新资源流动与配置方面仍存在较大的改进空间，市场引导创新资源配置的作用大于财政政策的引导作用，市场对企业创新约束较大。在引导创新资源配置的财政效率值方面，浙江舟山以9.01列第一，而上海以0.64居于末位。在财政政策效率排名前3的地方还有贵州贵阳、云南昆明，说明新区所在地的财政政策效率与其对应的高新区财政效率效果类似，在创新资源的配置过程中也是西部地区的财政政策效率更好。
（三）高新区和新区财政效率对比分析
由图1可知，浙江、贵州、四川、吉林、河北5个地方的新区财政效率值高于高新区的财政效率值，说明这五个地方在利用财政政策引导创新资源配置方面整体政策环境较好，高新区与新区不存在较大差异；而在其余的上海、广东广州、陕西西安、黑龙江哈尔滨、云南昆明、湖南长沙、天津、重庆、山东青岛、辽宁大连、江苏南京、福建福州、江西南昌13个地方，其高新区的财政效率值高于新区财政效率值，说明高新区的财政政策在引导创新资源配置方面发挥较好作用，而新区的财政政策要发挥好引导创新配置效率仍有较长的路要走。从这点判断假设2的前半部分成立，通过统计检验。
从具体财政政策手段工具对比来看，表5报告的是效率测算中的第二阶段，从表5可知，财政政策对新区投入松弛量的影响要大于高新区，但是高新区的作用更加显著；而税收优惠对高新区的人员投入松弛量的影响小于新区，对高新区经费投入量的影响则要大于新区，变量显著程度也是高新区大于新区。总体而论，高新区作为高技术产业的集聚地，财政政策作用效果在产业集聚方面的作用比新区更为显著。
六、财政引导创新资源配置效率的影响因素分析
财政政策效率究竟受到什么因素影响，通过运用Tobit模型对影响财政政策效率的因素进行分析。表6报告的是财政政策效率影响因素Tobit回归结果，总体而言，高新区的影响因素变量在5%的显著水平下只有两个变量显著，其他均不显著；而新区所在地方则大多数变量都显著。假设3没有通过检验，“一把手”官员特质对财政引导资源配置效率呈现反向关系；假设4没有通过检验，即在东中西部三个区域中，东部的财政引导配置效率仅仅高于中部而低于西部，而在市场发达，资金投入高的地区，财政引导创新资源的效率反而更低，原因在于企业管理效率，市场发挥了较好引导作用。具体影响因素主要表现为： 官员性质变量。首先，在官员年龄变量上，无论是在高新区还是新区，其系数都为正，说明官员年龄越大对财政引导创新资源配置效率就越高，年轻的“一把手”并不能提升财政引导创新资源的配置效率，只是这种影响对高新区没有显著影响，但在新区具有显著影响；其次，从官员研究生学历来看，两者都为负，说明官员是否具有研究生学历并不能相应改善财政引导创新资源的配置效率；第三，从官员任期来看，两者都为正，说明“一把手”在位时间越长，财政引导资源配置效率也越高。第四，从是否具有中央任职经验来看，对高新区与新区都有影响且系数为负。
地理位置。从地理位置看，无论是东部、中部还是西部地区，也无论是高新区还是新区，位置是影响财政引导创新资源配置的重要因素，差异就在于其显著性方面，西部最为显著，中部次之，而东部最不受位置影响，说明东部地区市场较为成熟，在引导创新资源配置方面能够较好发挥作用，而西部与中部地区仍需要财政指挥棒发挥作用。
政府资金占R&D内部支出经费的比重。该变量对高新区财政引导资源配置的效率作用不显著且系数为负值，而对新区财政引导资源配置效率则具有显著的正向影响。说明高新区作为高新技术产业的主要集聚地，其获取资源的方式要优于新区，而新区作为新成立的经济发展区域，其R&D内部经费支出对政府依赖性较强，希望政府能够分摊风险，风险分摊越多则其财政引导创新资源配置的效率也就越高。
创新市场环境。高新区和地方模型中该变量均通过显著性检验，且系数为负值，说明技术市场交易额与R&D内部支出的比值越大，高新区和新区的财政引导创新资源配置效率越低。该比值大有两个原因：一是技术市场交易额较大，说明创新市场相对成熟，在市场相对成熟的情况下企业获取资源也会更加的容易，从而使得财政引导创新资源配置效率降低；二是R&D内部支出较少，说明企业创新能力不足。
科技资源禀赋水平。科技资源禀赋越高高新区和地方财政政策效率均越高，但是这种影响在高新区不显著，而在新区的表现显著，说明人均研发人员的经费投入越多，新区财政引导创新资源配置效率也就越高。
中央地区支出责任划分。该变量同样在高新区表现不显著，在新区表现显著，且系数呈现一负一正现象。在新区该变量显著为正，说明在新区的创新资源配置过程中，新区财政支出越多，其财政引导创新资源配置的效率也越高。
七、结论与政策建议
本文通过运用我国国家级新区所在地和其高新区的创新发展相关数据，运用四阶段DEA模型将财政政策引入效率测算过程，从而分解出创新资源配置中的财政政策效率，并通过Tobit模型对其进行分析。实证表明：在引导创新资源配置的财政效率方面，西部地区普遍较高，中部最低，多数高新区新区的财政政策对企业的创新生产起到了“激励效应”，只有少部分地区表现为“挤出效应”。
从政策操作层面来看，政府在完善相关政策时，对财政引导创新资源配置效率为“挤出效应”的地方应适当减少投入，而对“激励效应”的地方继续增加投入，充分发挥财政政策对创新资源配置的引导作用。在新区发展过程中，应当充分借鉴高新区发展的经验，对于那些创新效率低同时财政效率值也低的地方要具体分析，如果财政政策扶植过度，则要适当减少财政政策扶持，发挥市场引导创新资源效能。Tobit回归还发现各变量对高新区和地方的差异显著，对地方财政引导创新资源配置效率有显著影响的变量却对高新区财政引导创新资源配置效率不显著，反之亦然。说明经过多年发展后，我国高新区目前的发展已经形成了一个相对有效、能够独立运行的经济体，对创新资源配置的财政效率要明显高于新区的财政政策效率。未来我国新区的发展应该充分利用和借鉴高新区的财政政策，因地制宜，采取不同的方式优化其资源配置效率，尤其是加大公共研发支出，聚集产业，提升核心竞争力，而不是一味追求财政政策的出台。
注释：
① 由于甘肃兰州数据无法获取故在本文中没有考虑进行分析。
参考文献：
[1] 余蔚平. 积极发挥财政职能作用促进创新驱动发展[J].行政管理改革，2016（1）：18-23.
[2] 吴和成，郑垂勇. 科技投入相对有效性的实证分析[J].科学管理研究，2003（3）：93-96.
[3] 王忠业.辽宁省科技创新体系科技资源配置有效性的数据包络分析[J].科技进步与对策，2006（3）：95-97.
[4] 王雪原，王宏起. 我国科技创新资源配置效率的DEA分析[J].统计与决策，2008（8）：108-110.
[5] 杨得前，刘仁济.财政投入对中国产业生态化效率提升的实证研究[J].财经理论与实践，2017，38（1）：109-115.
[6] 李冬梅，李石柱，唐五湘. 我国区域科技资源配置效率情况评价[J].北京机械工业学院学报，2003（1）：50-55.
[7] 华瑶，刘春波，朱林生. 层次分析法在科技资源配置能力综合评价中的应用[J].东北电力学院学报，2004（2）：42-44.
[8] 周勇，李廉水. 基于“非线性”主成分法的区域科技资源配置能力评价分析[J].科技管理研究，2006（4）：27-30+34.
[9] 陈呈频，兰秀菊，毕娜. 基于模糊评判机制的科技资源配置能力研究[J].浙江工业大学学报，2007（5）：509-512+520.
[10]李兰冰. 中国区域经济增长绩效、源泉与演化：基于要素分解视角[J].经济研究，2015（8）：58-72.
[11]戴晨，劉怡.税收优惠与财政补贴对企业R&D影响的比较分 析[J].经济科学 ， 2008（3）：58-71.
[12]马文聪，李小转，廖建聪，等.不同政府科技资助方式对企业研发投入的影响[J]. 科学学研究， 2017（5）：689-699.
（责任编辑：漆玲琼）