京津冀城市圈科技金融效率测度与优化路径研究
来源:用户上传
作者:刘�� 李嫣资
【摘 要】 文章基于2017―2020年京津冀城市圈面板数据，从创新价值链视角运用SBM-ML模型测算京津冀城市圈科技金融效率，并采用定性比较分析方法探讨环境、资金、人才条件对京津冀城市圈科技金融效率提升的组态效应及路径选择。结果表明：（1）2017―2020年京津冀城市圈科技金融效率整w处于增长状态，但2019年除北京外其他城市均出现下跌趋势。（2）京津冀城市圈高科技金融效率背后是多因素协同作用的结果，其中研发人员投入力度是促进科技金融效率提升的关键因素。（3）优化京津冀城市圈科技金融效率水平路径包括“资金―环境”优化型、“人才”优化型、“人才―资金―环境”协作优化型。建议北京、天津等地在保持自身优势的同时，重点从资金运用及科研氛围两个维度提升科技金融效率；保定、沧州等多数金融发展程度较低的地市，要重点强化人力资本建设，并辅助经费支持与科研氛围的营造。
【关键词】 京津冀城市圈； 科技金融效率； 路径优化； 定性比较分析
【中图分类号】 F832.29 【文献标识码】 A 【文章编号】 1004-5937（2023）02-0093-08
一、引言
京津冀地区在政治、经济、文化、科技等领域优势明显，是我国创新高地之一，担负着引领科技发展的重要使命。科技创新发展需要金融环境的大力支持，科技金融作为催化区域科技创新的重要政策工具，能够在技术研发和成果转化等方面产生拉动作用，是驱动区域经济发展的重要着力点。中共中央关于制定国民经济和社会发展第十四个五年规划中明确提出，要坚持创新驱动发展，深入推进科技金融服务，全面塑造发展新优势。京津冀地区联合推出“2+4+N”重点合作平台，即北京城市副中心与雄安新区两个集中承载地，四大战略合作功能区及N个专业化、特色化科技园区，协同推进科技创新发展战略。然而，京津冀城市群覆盖北京、天津及河北省11个地市①，各地市的创新能力与发展规模差异较大，凝聚力和协同效应尚弱，在核心技术突破、科技成果转化、金融支持、协同创新等方面仍存在一定问题，导致科技金融要素“供需错配”现象频发，阻碍了创新驱动战略的开展。为此，京津冀城市圈如何协同提升科技金融效率，实现科技创新产出最大化，构建科技创新和经济协同发展的圈层系统，是该区域发展中亟待解决的问题。
纵观已有文献，学者主要围绕科技金融的内涵、效率测度及影响因素等展开。针对科技金融的内涵，国内广泛认可的科技金融定义由赵昌文等[ 1 ]提出，“科技金融是促进科技开发、成果转化和高新技术产业发展的一系列金融工具、金融制度、金融政策和金融服务的系统性、创新性安排”。关于如何对科技金融发展效果进行评价，学者主要运用数据包络分析法（DEA），从金融投入与技术产出视角对科技金融效率进行测度。董亚妮等[ 2 ]运用DEA-Manuscript指数法对武汉城市圈科技金融效率进行静态与动态测度，认为武汉城市圈科技金融投入与产出效率在逐渐提升但尚未达到完全有效。汪晓文等[ 3 ]基于SBM-ML模型对2016―2019年全国30个省份的科技金融效率进行测算，发现我国科技金融发展不平衡，且多数地区科技金融效率出现下跌趋势。关于科技金融效率的影响因素，国内外学者研究发现科技金融效率差异由诸多因素导致，包括政府支持力度、产业专业化、科研创新合作、金融发展程度、金融与人力资本投入等[ 4-6 ]。在研究方法上，学者主要采用从自变量到因变量的托宾（Tobit）回归模型以及结构方程模型。李林汉等[ 4 ]运用Tobit模型发现科研经费投入与科技金融效率具有显著正向关系。刘立军和刘义臣[ 7 ]基于2010―2019年京津冀城市面板数据，运用结构方程模型实证表明，科技金融的人力与资金投入显著促进了实体经济高质量发展。但传统量化分析方法关注单个变量对结果的影响，而变量间简单的线性关系无法解释科技金融发展的现实问题。模糊集定量分析方法（fsQCA）通过定性与定量评估并计算案例样本隶属集合的程度，获取产生结果的充分条件组合，关注结果和前因间的不对称与复杂关系[ 8-9 ]，近年来已有学者逐步将其应用于科技金融发展领域。周新和马丁[ 10 ]采用模糊集定性比较分析方法探讨了我国科技金融发展的组合效应。
已有文献为深入认识科技金融发展问题提供了研究基础，但还存在需要进一步探讨的地方。一是学者多从金融投入与技术产出视角测度区域科技金融发展效率。创新链价值强调技术成果转化和产业化发展是科技创新的最终成果，而从创新链价值视角考虑科技创新产出测度科技金融效率的研究相对较少。二是鲜有以京津冀城市圈作为研究对象，基于组态思维系统分析该区域科技金融效率提升的内在作用机理及优化路径。因此，本研究选取京津冀城市圈2017―2020年科技金融投入与产出数据，从创新链价值视角运用SBM-ML模型测算13个城市科技金融效率发展情况，并以2020年京津冀城市圈科技金融效率为结果变量，运用模糊集定性比较分析方法（fsQCA）从环境、资金、人才条件方面探讨对京津冀城市圈科技金融效率发展的组态效应，探寻提升京津冀城市圈科技金融效率的优化路径，为京津冀城市圈科技金融发展提供参考。
二、科技金融效率优化研究机理
科技金融通过促进资本形成、分散技术风险，以达成科研成果转化及产业化发展的预期目标[ 11 ]。科技金融通过为技术研发与产业化发展提供资金支撑，进而带动科技创新的改造升级。推动科技金融与科技创新的有效融合，资金和人才是基础，科技发展的有利外部环境是催化剂，三者共同构成金融发展、科技创新、经济增长协同共赢的基础条件。基于此，本文从环境条件、资金条件与人才条件分析影响科技金融效率优化提升的研究机理，如图1所示。
（一）环境条件
环境条件主要包括金融发展程度（金融环境）与区域科研氛围（科研环境）两个二级指标。技术的研发与成果转化对资金具有极大需求度，科技资本市场通过多渠道为技术创新提供资本支持，缓解了政府财政投入的压力。如商业银行的质押贷款、联保联贷、风险投资基金以及科创板市场为科技创新主体提供资金融通服务，保证科研项目的顺利进行。而金融发展程度是影响科技资本市场形成的关键因素[ 12 ]。地区金融发展程度越高，区域内银行、证券与保险机构集聚，能充分发挥资本市场规模效应，为企业技术研发提供多元化的金融服务，促进资金与技术创新活动的有效衔接，同时分散技术创新风险。科研环境是指从事科学研究的总体环境，除完备的科研基础设施（硬环境）外，良好的科研氛围（软环境）对地区科技金融效率的提升起了重要的作用[ 13 ]。随着信息化、大数据及物联网的发展，技术的复杂性与交叉性迫切需要鼓励企业从事技术研发，并推进产学研合作。良好的区域科研氛围，如咨询服务公司的创建以及政府推动的“中小企业技术转移计划”的实施，为企业技术创新提供咨询指导服务，带动企业创办研发机构，为科技创新系统融入新鲜血液。
nlc202301171140
（二）资金条件
资金条件包括研发经费强度与政府科技支持力度两个二级指标。科研投入与科技创新间存在显著的双向因果关系[ 14 ]。企业通过投入足够的科研经费，可更有效地为技术创新配备研发人员及设备，促进科研成果D化，扩大生产规模，优化资源配置，提升科技金融效率。对公益性技术创新或科技创新的初期阶段，技术研发的成本远远高于收益。为此，政府要设置财政专项，增加科技财政支出占比，保障技术研发活动的顺利运行，同时分散企业技术创新风险。
（三）人才条件
人力资本是科技创新最强大的源动力[ 15 ]。裴政和罗守贵[ 16 ]的研究中指出，人力资本规模要素对科技创新绩效具有显著正向影响。即人力资本规模越大，技术创新项目运行效果越好，反过来技术创新项目运行越好，越能促进人力资本在资本市场的资金融通。因此，通过对具有专业知识与能力的科研人员的培育及引入，提升知识的溢出效应，进而促进科技创新。
三、研究方法与数据整理
（一）研究方法
1.超效率SBM-ML指数
数据包络分析（DEA）模型作为评价决策单元相对效率的非参数分析方法，由于其不需要设定具体函数，又可以同时处理具有多输入与输出指标的决策单元，被学者广泛采纳[ 17 ]。但该模型在分析过程中忽略了投入产出变量的松弛性问题，导致效率测算结果存在偏差。超效率SBM模型不仅将松弛变量引入目标函数，而且其测度的科技金融效率值可大于1，有效解决了测度单元可比性问题。为进一步研究不同时段决策单元效率的动态变化情况，本文基于超效率SBM模型，引入Malmquist生产率指数，以测算京津冀城市圈的动态科技金融效率。具体模型设定如下。
假设存在N个决策单元（DMU），投入与产出要素数量分别为p与q，投入向量X=（x1，x2，…，xp），产出向量Y=（y1，y2，…，yq），S-i与S+g分别是投入与产出的松弛变量。根据Tone的研究，规模报酬可变条件（VRS）下超效率SBM模型为：
其中，λj为投入产出向量的权重系数，？籽*为决策单元的效率值。
进一步根据Fare提出的Malmquist全要素生产率指数模型，从t期到t+1期的生产率指数ML的计算公式如（2）所示[ 18 ]。
其中，Dt（xt，yt）与Dt+1（xt+1，yt+1）分别表示t期和t+1期技术为参数的方向距离函数，Dt+1（xt，yt）表示t+1期技术水平t期的混合距离函数，Dt（xt+1，yt+1）同理表示t期技术水平t+1期的混合距离函数。若Mt，t+1>1，表示科技金融效率的提高；反之则表示科技金融效率的下降。
2.定性比较分析
定性比较分析方法（Qualitative Comparative Analysis）以集合论为基础，基于组态视角分析前因条件与结果间的复杂因果关系。Ragin[ 9 ]提出前因条件的不同组合与相互影响构成“多重并发因果关系”，要从整体视角分析条件组态对结果的影响，而非传统“自变量→因变量”的二元视角。传统定量分析方法通常依据自变量的累加或替代以解释因变量的波动，追求导致结果发生的最优解。而QCA方法认为存在多个导致同一结果发生的条件组态，即“等效因果链”（AB→Y，CD→Y）[ 19 ]。由于科技金融效率提升受诸多因素影响，相对于传统的定量分析方法，QCA方法更适合探究不同地区科技金融效率优化路径的选择。
为此，考虑到数据的部分隶属以及处理程度变化问题，本文采用定性分析方法中的模糊集定性比较分析方法（fsQCA），从组态视角探究诸因素对京津冀城市圈科技金融效率提升的作用机制，并探究提升京津冀城市圈科技金融效率的路径选择。
（二）数据整理
1.数据来源
本文以2018―2021年《中国城市统计年鉴》为基础数据源，该年鉴统计了京津冀城市圈2017―2020年的地区生产总值、地方一般公共预算收支状况、年末金融机构存贷款余额、科技创新情况等相关数据。根据《中国科技统计年鉴》《河北省科技统计年鉴》《河北省统计年鉴》搜集了技术市场合同成交额、高新技术产品销售额、R&D人员全时当量等数据，结合课题组成员2022年3―5月实地走访河北省各地市统计局、科技局，调查统计了各地市企业办研发机构情况，并对年鉴中部分缺失的数据进行了核实。
2.变量选取与数据校准
（1）结果变量
为衡量京津冀城市圈科技金融效率动态发展水平，本研究以科技金融效率作为结果变量。科技金融效率要通过选取科技金融投入与科技创新产出指标进行测度[ 20 ]。关于科技金融投入指标，本文将科技投资与金融机构贷款额度指标相结合，分别选取金融机构科技贷款额、地方财政科学技术支出、R&D内部经费支出及人员全时当量来衡量科技金融投入。在科技金融产出指标的选取上，笔者基于创新链价值理论，从知识、技术与产品创新角度，并参见杜金岷等[ 12 ]、童纪新和曹越美[ 5 ]的指标选取原则，选取发明专利授权量、技术市场成交合同额、高新技术产品销售额作为产出指标（见表1）。本文以京津冀13个城市为决策单元，运用Maxdea Ultra 8.0软件对2017―2020年京津冀城市圈科技金融效率进行测度，并以2020年的科技金融效率作为结果变量（见表2）。
根据表2的数据可知，2017―2020年京津冀城市圈的科技金融效率均值为1.439，除2018―2019年出现下跌外，整体处于增长状态。但京津冀城市圈不同地区的科技金融效率差异较大。以2019―2020年为例，北京、保定、石家庄、唐山科技金融效率增长幅度相对较大，已超过京津冀地区均值2.097，而秦皇岛、邢台相对来说增长幅度较低。不仅如此，同一城市不同年份的科技金融效率也具有明显差异。以保定为例，2018―2019年科技金融效率处于下降状态，从2019年开始明显大幅提升。因此，需要进一步挖掘影响科技金融效率的前因条件，以针对性地选择优化京津冀城市圈科技金融效率提升路径。
nlc202301171140
（2）条件变量
1）环境条件。根据童纪新和曹越美[ 5 ]的测量标准，金融发展程度选用金融机构贷款余额/地区生产总值（GDP）来衡量。对于区域科研氛围指标，主要指区域内企业通过创办研发机构从而与科研院所形成良好的合作研发氛围。为此，借鉴李林汉等[ 4 ]的研究，采用各地区企业办研发机构数量/全国企业办研发机构数量作为衡量标准。
2）资金条件。研发经费强度是各地区为从事科学研究活动支出的费用占比，通常采用R&D内部经费支出/地区生产总值来测度。政府科技支撑力度通常采用地方一般公共预算支出中的科学技术支出占比来表示。
3）人才条件。研发人员投入力度表示各地区科研人力资本投入规模，通过地区科研人员全时当量/全国科研人员全时当量进行测度。
模糊集定性比较分析方法（fsQCA）中，事件发生的结果及前因条件变量都视为独立的集合。集合理论强调要测量案例样本契合于特定集合的程度（隶属度），此过程即为对变量的校准。本文根据结果与条件变量的数据类型，借鉴杜运周和贾良定[ 8 ]的校准标准及样本实际情况，运用直接校准法将科技金融效率、金融发展程度、区域科研氛围、研发经费强度、政府科技支撑力度、研发人员投入力度的完全隶属校准标准为0.95分位点，交叉点与完全不隶属的校准标准分别为0.5与0.05分位点。京津冀城市圈科技金融效率条件与结果校准信息如表3所示。
四、数据分析与实证结果
（一）前因条件必要性分析
依据定性比较分析方法（fsQCA）的规则要求，在对京津冀城市圈科技金融效率提升进行条件组态分析前，必须要逐一检验单个前因条件的必要性。即若该条件为结果变量的必要条件，那么结果变量发生时，该条件变量始终存在；反之，若该条件变量不存在，结果变量一定不发生。设Xm与Ym分别表示样本m对前因条件和结果变量的隶属度，必要性模糊子集关系的一致性如式（3）所示。
本文运用fsQCA3.0软件检验各单一条件变量是否构成京津冀城市圈科技金融效率提升的必要条件，结果如表4所示。一致性作为检验结果变量必要条件的重要标准，Fiss[ 21 ]的研究表明，当且仅当一致性水平大于0.9时，该条件才为结果变量的必要条件。从表4可以看出，高水平与非高水平科技金融效率作为结果变量时，各单一条件变量的一致性最大值为0.840804，均小于0.9。因此，不存在影响京津冀城市圈高水平和非高水平科技金融效率的必要条件。这一结果印证了京津冀城市圈科技金融效率的提升受诸多前因条件影响，且任意单一条件并不能直接影响科技金融效率。为此，京津冀城市圈科技金融效率的提升需要多条件组态联动匹配实现。
（二）条件组态充分性分析
条件组态分析是揭示各条件变量构成的不同组态对结果发生的充分性影响。本文从集合论视角出发，探究哪些条件组态是影响京津冀城市圈科技金融效率提升的路径。在进行条件组态分析时，同样需要运用一致性来衡量组态的充分性。根据以往学者的研究，条件组态变量充分性的一致性阈值通常选为0.8[ 19 ]、0.85[ 10 ]、0.9[ 22 ]。为了避免出现条件组态的存在与否都会导致结果的发生，即X→Y，～X→Y，在筛选组态条件时必须关注PRI阈值。Greckhamer et al.[ 23 ]在研究中指出PRI阈值不能低于0.5，否则会出现实质性的不一致。而频数的阈值主要取决于样本数量，对于中小样本来说，阈值频数通常选1[ 24 ]。因此，本文结合样本案例在真值表中的分布情况，将原始一致性阈值分界点确定为0.8，PRI阈值为0.5，样本频数阈值为1。
通过fsQCA 3.0软件的标准化分析，得到简单解、中间解和复杂解共三种解。由于复杂解在分析中未对案例样本条件做任何处理，其普适性较差，而单纯使用简单解，其结论过于宽松。为此，本文结合中间解与简单解，筛选出5个条件对京津冀城市圈科技金融效率提升的组态路径进行分析，如表5所示。各样本城市科技金融效率解的总一致性为0.894705，总覆盖度为0.675345，其一致性水平明显高于可以接受的最低标准0.75，说明这些解的可行性与解释力较高。通过分析发现，表5中有3条组态路径可优化京津冀城市圈科技金融效率的提升，具体结果分析如下。
（1）条件组态路径1表明，政府科技支撑力度与区域科研氛围发挥了核心作用，金融发展程度与研发经费强度发挥了辅助性作用。拥有高水平的金融发展程度以及研发经费投入强度高的城市，通过强化政府的科研支持，鼓励地方中小企业设立研发机构，营造浓厚的科研氛围，可提升地区科技金融效率。由于该条优化路径由金融发展程度（环境）、研发经费强度（资金）、政府科研支持力度（资金）、区域科研氛围（环境）构成，为此将其命名为“资金―环境”优化型。该组态路径的一致性为0.974545，唯一覆盖度为0.274119，原始覆盖率为0.410413。说明该路径能够解释约41%的京津冀城市圈科技金融效率提升案例，约27%的科技金融效率提升案例仅由该路径解释（如图2所示）。如北京金融发展与科技投入水平均处于国内领先水平，中关村科技园有“中国硅谷”之称。2022年北京市科委、中关村管委会发布中关村示范区“1+5”系列资金支持政策，通过大力发展天使创业投资、深化科技信贷与保险政策，完善企业研发创新全链条金融支持机制，以提升企业研发信息，助力科技与金融深度融合。天津和石家庄受北京的辐射与自身发展影响，市政府从金融、科技、服务三个维度发挥科技创新与金融服务的叠加效应，助力企业创新发展。
（2）条件组态路径2表明，研发人员投入力度发挥了核心作用。这表明对金融发展程度较差的地区，相较于其他前因条件，研发人员投入强度对高水平科技金融效率水平提升尤为重要，因为研发人员投入力度（人才）可以单独构成解释结果发生的充分条件，为此将该条件组态路径定义为“人才”优化型。这意味着人力资本的突破能破除金融科研发展环境、资金投入条件对科技金融效率提升的制s。该组态路径的一致性为0.812083，唯一覆盖度为0.157734，原始覆盖率为0.316998。说明该路径能够解释约32%的京津冀城市圈科技金融效率提升案例，约16%的科技金融效率提升案例仅由该路径解释（见图3）。目前，相对于北京、天津等地，保定与沧州的金融发展水平尚处于新兴地区。近年来，保定以实验基地为载体，对接全国优质名校教育资源，推动落实“1530”工程，促进教育创新发展。此外，2022年保定再次出台《关于深化人才发展体制机制改革的实施意见》，增加高层次人才储备，以提升科技创新水平。沧州2021年共打造218个科技平台，有科技人才5 687名。其中，高级职称人数1 123名，引进合作院士25名，国外专家186名。人力资源的高效储备加速了地区科技金融发展水平。
nlc202301171140
（3）条件组态路径3表明，研发人员投入力度发挥了核心作用，政府科技支持力度与区域科研氛围发挥了辅助性作用。这意味着地区政府大力支持科技金融发展，鼓励中小企业开展科技创新研究，并吸引大量科技创新人才聚集。因此，尽管当地的金融发展程度与研发经费投入强度较低，但能实现高水平的科技金融效率。由于该组态路径由研发人员投入力度（人才）、政府科技支持力度（资金）、区域科研氛围（环境）条件构成，故将其命名为“人才―资金―环境”协作优化型路径。该组态路径的一致性为0.981481，唯一覆盖度为0.0581934，原始覆盖率为0.243492。说明该路径能够解释约24%的京津冀城市圈科技金融效率提升案例，约5%的科技金融效率提升案例仅由该路径解释。尽管近年来唐山金融指标稳中有升，对小微企业等科技创新的支持力度持续加大，但其金融支持效率仅为0.62，与北京、天津、石家庄相比还有很大提升空间。唐山2021年研发经费投入为159亿元，研发经费投入占地区生产总值的比重为2.21%，比全省平均值高0.46个百分点。不仅如此，为推动科技创新高质量发展，唐山建立科技型企业梯度培育机制，支持民营企业牵头主持市级以上重大科技项目，培育壮大科技型领军企业，并吸引了国内外大量高端人才。截至2020年底，唐山拥有技能人才79万人，其中高技能人才22.32万人。通过人才、资金、环境的协同发展共同推动了科技金融的高水平发展。
五、研究结论与政策启示
（一）研究结论
本文基于2017―2020年京津冀城市圈科技金融投入与产出的相关数据，运用SBM-ML模型测算京津冀城市圈科技金融效率，并以该地区2020年科技金融效率为结果变量，采用fsQCA分析方法，探究环境、资金、人才条件因素对京津冀城市圈科技金融效率的组态效应与优化路径，探寻影响京津冀地区科技金融效率提升的核心条件。研究结论如下：
（1）2017―2020年间，京津冀城市圈的科技金融效率均值为1.439，除2018―2019年出现下跌外，整体处于增长状态。在2019年与2020年，北京、保定、沧州、石家庄、唐山金融资本对科技创新效率高于区域平均水平。
（2）环境、资金、人才任何一单独条件因素都无法构成京津冀城市圈科技金融效率提升的必要条件，高科技金融效率的背后是多因素协同作用的结果。如在特定条件下，研发人员力度可以突破环境与资金条件的制约。
（3）京津冀城市圈科技金融效率水平提升存在3条优化路径，分别是“资金―环境”优化型、“人才”优化型、“人才―资金―环境”协作优化型。各城市应根据自身的金融发展程度及资源禀赋差异化选择路径以提升科技金融效率。在3条组态路径中，研发人员投入力度两次以核心条件出现，是促进京津冀城市圈科技金融效率提升的关键因素。
（二）政策启示
本文的研究结论为京津冀城市圈科技金融效率提升实践提出以下两方面的政策建议：
（1）北京、天津、石家庄及廊坊等科技金融发展程度较高的地市，可选择“资金―环境”优化型路径。即在保持自身优势的同时，重点从资金运用及科研氛围营造两个角度入手提升科技金融效率。首先，完善优化地区科技金融服务水平。北京和天津在金融发展与科研经费人力投入方面都处于全国领先水平，要进一步对标国际科技金融建设标准，打造全国一流的科技金融服务中心。近年来，石家庄与廊坊金融支持规模和效率持续稳步提升，要不断创新科技金融工具，促进金融机构与科技型企业有效对接，从而提升科技金融服务水平。其次，政府部门要加大科技金融财政资金投入，提高资金使用效率，以发挥财政资金杠杆作用。同时，鼓励中小型民营企业投身技术研发工作，并与科研机构、高等院校形成技术研发利益共同体，协同推进科技创新，营造良好的科研氛围，以稳步辐射带动京津冀地区科技金融效率提升。
（2）保定、沧州、唐山等多数科技金融发展程度较低的地市，要重点强化人力资本建设，并辅助经费支持与科研氛围的营造。保定与沧州，金融发展尚处于起步阶段，未营造良好的科研氛围，短期内很难依靠金融服务带动科技创新水平，可优先选择“人才”优化型路径。为此，政府可通过出台一系列人才培养与引进政策，扩大高精尖人才储备，加强科研队伍建设，从人力资本的强化上提升科技金融发展水平。唐山等金融发展处于初步阶段，但政府科技创新支持力度大，同时科研氛围浓厚的地市，可选择“人才―资金―环境”协作优化型路径。在加强人力资本建设的同时，一方面通过设立科技创新政府引导专项资金，加大地方政府公共预算科研资金支持比例，并统筹协调优化资金配置；另一方面持续改善地区科研氛围，为高新技术企业提供技术研发咨询与指导服务，鼓励科研机构与其形成产业联合体，推进技术创新产品产业化、市场化，从而促进科技金融发展。
【参考文献】
［1］ 赵昌文，陈春发，唐英凯.科技金融［M］.北京：科学出版社，2009：100-110.
［2］ 董亚妮，杜江楠，杜婧怡，等.武汉城市圈科技金融效率研究：基于DEA―Malmquist指数法［J］.区域金融研究，2021（8）：61-67.
［3］ 汪晓文，谢美琳，田雨琦.数字经济时代科技金融效率y算及影响因素分析［J］.科技管理研究，2022，42（2）：61-69.
［4］ 李林汉，王宏艳，田卫民.基于三阶段DEA-Tobit模型的省际科技金融效率及其影响因素研究［J］.科技管理研究，2018，38（2）：231-238.
［5］ 童纪新，曹越美.我国“一带一路”区域科技金融效率及影响因素研究：基于三阶段DEA与Tobit模型［J］.当代经济管理，2019，41（6）：82-89.
［6］ 赵鸿程，林炳华，陈一琳.中国科技金融效率的时空分异及其影响因素：基于非期望产出视角的分析［J］.金融与经济，2020（12）：49-55.
nlc202301171140
［7］ 刘立军，刘义臣.科技金融与实体经济高质量发展耦合协调研究：以京津冀为例［J］.经济问题，2022（8）：96-102.
［8］ 杜运周，贾良定.组态视角与定性比较分析（QCA）：管理学研究的一条新道路［J］.管理世界，2017（6）：155-167.
［9］ RAGIN C.The comparative method：moving beyond qualitative and quantatives trategies［M］. Berkeley：University of California Press，1989.
［10］ 周新，马丁.我国科技金融发展效率的影响因素：基于模糊集的定性比较分析［J］.科技管理研究，2021，41（6）：49-54.
［11］ 叶莉，王亚丽，孟祥生.中国科技金融创新支持效率研究：基于企业层面的理论分析与实证检验［J］.南开经济研究，2015（6）：37-53.
［12］ 杜金岷，梁X，吕寒.金融发展促进科技成果产业化的区域异质性研究［J］.华南师范大学学报（社会科学版），2017（6）：109-115.
［13］ 周锴，任欢欢，赵丽娜，等.发挥依托单位主体作用，营造良好科研环境［J］.中国科学基金，2021，35（6）：1026-1031.
［14］ 朱林，朱学义.科技创新绩效影响因素研究：来自全国工业企业2004-2018年数据［J］.会计之友，2021（3）：103-109.
［15］ 吕洪燕，于翠华，孙喜峰，等.人力资本结构高级化对科技创新绩效的影响［J］.科技进步与对策，2020，37（3）：133-141.
［16］ 裴政，罗守贵.人力资本要素与企业创新绩效：基于上海科技企业的实证研究［J］.研究与发展管理，2020，32（4）：136-148.
［17］ 吴遵杰，巫南杰.长江经济带绿色经济效率测度、分解及影响因素研究：基于超效率SBM-ML-Tobit模型的分析［J］.城市问题，2021（1）：52-62.
［18］ FARE R，GROSSKOPF S，LINDERGREN B，et al.Productivity changes in Swedish pharmacies 1980-1989：a nonparametric malmquist approach［J］.Journal of Productivity Analysis，1992，3（1）：85-101.
［19］ 陶克涛，张术丹，赵云辉.什么决定了政府公共卫生治理绩效：基于QCA方法的联动效应研究［J］.管理世界，2021，37（5）：128-138.
［20］ 许汝俊，龙子午，姚逍遥.基于DEA-Malmquist指数法的科技金融发展效率评价研究：以长江经济带为例［J］.科技管理研究，2015，35（13）：188-191.
［21］ FISS P C.Building better causal theories：a fuzzy set approach to typologies in organization research［J］.Academy of Management Journal，2011，54（2）：393-420.
［22］ 刘越，张洪潮.我国科技金融融合发展效率提升路径研究：以长江经济带为例［J］.管理现代化，2021，41（5）：7-11.
［23］ GRECKHAMER T，FURNARI S，FISS P C，et al. Studying configurations with qualitative comparative analysis：best practices in strategy and organization research［J］.Strategic Organization，2018，16（4）：482-495.
［24］ SCHNEIDER C Q，WAGEMANN C.Set- theoretic methods for the social sciences：a guide to qualitative comparative analysis［M］.Cambridge University Press，2012.
nlc202301171140
转载注明来源:https://www.xzbu.com/3/view-15444357.htm
