摘要：提出了基于支持向量機的科技投融資績效評價方法，并對四川省1995～2012年期間科技投融資績效進行實證研究。結(jié)果表明：基于支持向量機進行科技投融資績效評價的方法是可行且有效的；四川省科技投融資績效并不是隨著投融資總額的增加呈現(xiàn)出逐步提高的趨勢，而是有一定的波動性。

關(guān)鍵詞：科技投融資；績效評價；支持向量機；主成分分析

中圖分類號：F204 文獻標識碼：A 文章編號：1001-8409（2014）12-0125-05

The Performance of Science and Technology Investment andFinance Based on the Support Vector Machine

GU Jing1，ZHAO Da2，WANG Chaoling3

（1.School of Economics，Sichuan University，Chengdu 610054；2.School of Economics，F(xiàn)uDan University，Shanghai 200433；

3.School of HSBC Business，Peking University，Shenzhen 518055）

Abstract：To improve the government s science and technology investment and finance management model and raise the level of innovation efficiency. The support vector machine method is presented in this paper to do an empirical study on the performance of S&T investment and finance based on the datas from 1995 to 2011. On the one hand，the test results show that the construction of support vector machine mothod is effective and feasible. On the other hand，the performance of S&T investment and finance is not increasing with the total investment but showing some fluctuations.

Keywords：sicence and technology investment and finance；evaluation of performance；support vector machine；principal component analysis

引言

提高科技自主創(chuàng)新能力不僅是我國科技發(fā)展的前提、國家基礎(chǔ)設(shè)施建設(shè)的重要組成部分，也是政府公共財政投資的主要目標之一。對于企業(yè)自身來講，技術(shù)創(chuàng)新往往還能夠帶來豐厚的超額利潤回報。但是把資本、技術(shù)、勞動力等要素轉(zhuǎn)化為現(xiàn)實生產(chǎn)力不僅取決于資金投入量的增加，還依賴于利用率的提高。楊波等[1，2]認為，科技投融資力度加大和高科技產(chǎn)業(yè)發(fā)展沒有呈現(xiàn)同步增長的態(tài)勢。因此，政府投融資平臺近幾年來對科技創(chuàng)新領(lǐng)域投入了大量資金，政策給予了很多扶持，最終企業(yè)利用這些資源進行技術(shù)創(chuàng)新。那么，科技投融資的實質(zhì)效果如何？這是當前亟需解決的問題之一。

Yoichi Gokan[3]和楊志安等[4]認為，財政投融資的績效評價應該有完善的評價體系并使用科學規(guī)范的評價方法。對于科技投融資的績效評價也應該如此。以往研究主要集中于企業(yè)間或行業(yè)間的科技投融資績效指標體系的構(gòu)建與評價。如王利劍等[5]對高?？萍计脚_績效評價進行了研究；李左峰等[6]研究了政府科技項目投入對95家創(chuàng)新企業(yè)的影響。從技術(shù)方法層面來講，現(xiàn)有文獻大多利用AHP、專家打分法、BP神經(jīng)網(wǎng)絡(luò)、數(shù)據(jù)包絡(luò)分析（DEA）等非參數(shù)方法，效果并不是十分理想。因為定性的方法不能公正、客觀地評價事物，具有較強的個人主觀色彩；對于定量分析的方法來說，DEA方法避免模型設(shè)定偏差，但忽視隨機誤差且結(jié)論的穩(wěn)健性較差[6]，BP神經(jīng)網(wǎng)絡(luò)不能擇優(yōu)尋找支持向量，對全體樣本進行迭代導致速度慢且準確率相對較低。由于現(xiàn)實世界過于復雜，一些無法直接納入量化體系但又對評估具有重大意義的指標如創(chuàng)新產(chǎn)品的環(huán)境效益等則需要經(jīng)過特別處理。

由此可見，在不斷加大投融資規(guī)模的基礎(chǔ)上，評價宏觀經(jīng)濟主體投融資績效具有較大的理論和現(xiàn)實意義。尤其是四川省，作為西部最重要的科技省份，擁有5所211高校、216個研究開發(fā)機構(gòu)、12家高新技術(shù)產(chǎn)業(yè)化基地。在全國各省市中，高新技術(shù)產(chǎn)業(yè)化基地總數(shù)排名第一。2013年四川省政府出臺了《關(guān)于促進科技和金融結(jié)合加快實施自主創(chuàng)新戰(zhàn)略的若干意見》等文件，積極拓寬科技投融資渠道，對于投融資的績效評價迫于現(xiàn)實需要。由于非線性支持向量機具有很好的泛化性，適于處理高維數(shù)據(jù)，可以巧妙地解決小樣本非線性的問題。由于何悅等[7]認為R&D投入對創(chuàng)新績效呈倒U型曲線而不是簡單的線性關(guān)系，因此用非線性支持向量機來進行科技投融資績效評價恰到好處。但是，非線性支持向量機預測精度會隨著樣本特征即評價指標維數(shù)的增加迅速降低，而評價指標維數(shù)太低又不能充分反應出投資績效的變化情況，使預測沒有現(xiàn)實意義。因此為了在能夠合理構(gòu)建眾多評價指標的前提下不影響非線性支持向量機的預測精度，本文首先對原始數(shù)據(jù)進行主成分分析以降低評價指標的維度（由9維降為3維）；其次將維數(shù)減少后的樣本特征送入支持向量機分類器對投融資績效進行評價，以提高預測精度；最后對四川省科技投融資績效進行實證檢驗，根據(jù)實證結(jié)果為完善科技創(chuàng)新體制提供政策建議。

1 基于支持向量機的科技投融資績效評價方法

1.1 數(shù)據(jù)來源及評價指標選擇

本文研究樣本來源于1995～2012年的四川省科技投融資績效數(shù)據(jù)，9項科技投融資評價指標，共162個觀測值。統(tǒng)計數(shù)據(jù)來自《中國科技統(tǒng)計年鑒》、《中國環(huán)境統(tǒng)計年鑒》、《四川科技統(tǒng)計》和《全國科技經(jīng)費投入統(tǒng)計公報》。在利用支持向量機方法處理樣本時分為兩組，1995～2007年的數(shù)據(jù)為一組作為訓練樣本，2008～2012年的數(shù)據(jù)為測試樣本，用于測試。

在評價指標選擇上，現(xiàn)有文獻主要集中于兩點：一是專注于新產(chǎn)品銷售收入、新產(chǎn)品開發(fā)項目數(shù)和專利數(shù)的創(chuàng)新絕對指標[8]；二是強調(diào)R&D效率、創(chuàng)新產(chǎn)出彈性等相對指標[9]。結(jié)合現(xiàn)有文獻以及相關(guān)具體問題，本文在構(gòu)建指標體系時遵循的原則是：①指標體系是一組既互相依存、相互制約，又相互獨立，科學、通用地反映創(chuàng)新績效評估對象歷史、現(xiàn)狀及規(guī)律的指標群所構(gòu)成的有機整體，不能是生硬的

結(jié)合。②指標體系是動態(tài)的，能根據(jù)形勢變化做出適當調(diào)整。③有較強針對性、簡明實用。④定量與定性相結(jié)合。基于此，構(gòu)建了以下指標體系（見表1）。

之所以選擇R&D投入強度，是因為從宏觀層面，加大R&D活動投入力度已成為各國保持科技領(lǐng)先的重要措施；微觀上講，R&D投入不僅是企業(yè)技術(shù)創(chuàng)新績效的重要資源，也是企業(yè)追求長期競爭優(yōu)勢的原動力。如Lee[10]利用跨國數(shù)據(jù)發(fā)現(xiàn)，對于較低技術(shù)能力且處于高技術(shù)機會和競爭度產(chǎn)業(yè)內(nèi)的企業(yè)而言，R&D補貼對于創(chuàng)新績效具有顯著影響。由于具有實用性、創(chuàng)造性，國內(nèi)專利申請授權(quán)數(shù)成為企業(yè)技術(shù)創(chuàng)新的直觀體現(xiàn)。比如Zhang和Rogers[11]研究認為企業(yè)的專利授權(quán)量對技術(shù)創(chuàng)新績效有顯著的正向影響。另外，大中型工業(yè)企業(yè)新產(chǎn)品銷售收入與銷售總收入之比和大中型工業(yè)企業(yè)新產(chǎn)品開發(fā)項目數(shù)等指標也相對比較重要。雖然四川省大中型工業(yè)企業(yè)數(shù)量只占規(guī)模以上工業(yè)企業(yè)的一成，但資產(chǎn)總額和凈資產(chǎn)、銷售收入和利潤均在五成以上?？紤]到創(chuàng)新產(chǎn)品環(huán)境效益評價是一個多目標的評價問題，而政策等所導致的環(huán)境影響難以直接進行定量分析。模糊綜合評價法在評價界限不明確現(xiàn)象時模擬了人類的推理模式，所以引入模糊綜合評價法比傳統(tǒng)的多要素綜合法、AHP法等更具優(yōu)勢[12]。本文從定性和定量兩個方面構(gòu)建了創(chuàng)新產(chǎn)品環(huán)境效益的指標體系（見表2）。

由表3可以看到，各地區(qū)高等學校R&D支出、創(chuàng)新產(chǎn)品的環(huán)境效益、大中型工業(yè)企業(yè)新產(chǎn)品開發(fā)數(shù)（項）、國內(nèi)專利申請授權(quán)數(shù)和國外主要檢索工具收錄科技論文等指標相關(guān)性相對較大，說明存在較大的冗余。因此可以考慮在主成分貢獻率比較大的基礎(chǔ)上，用主成分分析方法同時實現(xiàn)降低評價指標維度，從而提高支持向量機預測精度以及不損失信息、保證評價結(jié)果可信的目的。由相關(guān)矩陣經(jīng)運行PRINCOMP過程后得到表4。

1.3 支持向量機處理結(jié)果

支持向量機（Support Vector Machine，以下簡稱SVM）主要根據(jù)Mercer定理，以結(jié)構(gòu)風險最小化為原則，在約束樣本訓練誤差的條件下能夠使置信范圍值最小化。具體表現(xiàn)為先用一個非線性映射φ將樣本數(shù)據(jù)S轉(zhuǎn)換到一個高維特征空間H中，使得φ（S）具有很好的線性回歸特征。然后在H中進行線性回歸，最后返回到Rn，從而轉(zhuǎn)化為求解凸規(guī)劃問題，并求得全局最優(yōu)解。

SVM的算法程序主要包括訓練參數(shù)輸入、訓練樣本輸入、模擬訓練，評估訓練樣本等一系列過程，其流程如圖1所示。

將表6中1995～2007年13年數(shù)據(jù)的z1，z2，z3作為SVM屬性矩陣輸入，綜合得分作為標簽即輸出，并進行RBF訓練參數(shù)優(yōu)化。計算機運行環(huán)境為Matlab2010b，Microsoft Visual Studio2010，軟件版本為Libsvmmat2.89-3。

由于誤差懲罰因子c和參數(shù)g對RBF核函數(shù)的性能產(chǎn)生較大影響，從而影響回歸精度[14]。采用最新網(wǎng)格搜索法（Grid Search）來實現(xiàn)參數(shù)的尋優(yōu)。首先對c、g粗略地取MN個值，然后對這些組合分別訓練不同的模型，再估計其回歸能力，最終得到性能最佳的一個組合（c*，g*）。為了提升推廣能力，還可進一步在最佳組合（c*，g*）附近縮小尺度進行搜索。軟件運行結(jié)果如圖2所示。

圖1 SVM算法流程

圖2 參數(shù)選擇結(jié)果

在得到最優(yōu)參數(shù)c*=11.3137，g*=00625（即log2c*≈3.5，log2g*≈-4）后，將2008～2012年數(shù)據(jù)作為測試樣本并運行預測子模塊（support vector machinepredict）對模型精度進行檢驗，得到最終評價結(jié)果如圖3（a）、3（b）所示。

圖3（a） 數(shù)據(jù)擬合

圖3（b） 誤差分析

注：為方便標注，圖3（a）及3（b）中橫坐標1代表2008年，1.5代表2008年7月份，2代表2009年，2.5代表2009年7月份，以此類推。

運用SVM方法進行科技投融資績效評價結(jié)果與運用主成分分析評價結(jié)果的相對誤差大多在1.8%左右，最大不超過6%。由于冗余會造成SVM預測誤差偏大，因此用主成分分析后能大大提高評價精度。事實上，本文提出的基于SVM的科技投融資績效評價方法具有很強的普適性。且隨著訓練樣本的增多，準確率會越來越高。另外，由于現(xiàn)實中一些政策或投入影響具有長期性，因此將方法中的自變量提前一期或兩期還可做預測。

2 評價結(jié)果分析

2.1 評價結(jié)果描述

2008～2012年，雖然四川省科技產(chǎn)業(yè)的專利申請授權(quán)數(shù)、R&D支出、國外主要檢索工具收錄四川省科技論文數(shù)分別增加了215%、114%、77%。但評價結(jié)果顯示，四川省科技投融資績效由優(yōu)到劣的順序為：2012年（2.47），2011年（2.02）、2010年（1.64）、2008年（152）、2009年（1.43）?？冃皆?009年出現(xiàn)較大回落以后于2010年出現(xiàn)反彈，超越2008年的水平，投融資績效在2012年勢頭發(fā)展迅猛并達到歷史最高水平。這說明科技產(chǎn)業(yè)投資是一個包含許多不確定性因素的動態(tài)過程，其績效不僅要考慮投資的數(shù)量增長，更要考慮所投資金的利用率問題和宏觀經(jīng)濟環(huán)境變化等要素。

2.2 四川省科技投融資現(xiàn)狀及對策建議

評價結(jié)果顯示，目前四川省科技投融資績效總體向好，并未出現(xiàn)較大波動，投融資績效水平自2009年以來逐年提高。這說明政府、社會、企業(yè)在整合科技資源，加速成果轉(zhuǎn)化方面措施得當，這些政策不存在系統(tǒng)性問題，大部分可以繼續(xù)推行。第一，2008～2012年四川省R&D投入強度由1.28增長到1.47。2008年末，由于金融危機的影響，促使政府進一步優(yōu)化科技投入結(jié)構(gòu)，不僅企業(yè)自籌資金呈上揚趨勢，而且形成了以科技企業(yè)而不是科研院所為主體的產(chǎn)學研結(jié)合局面。第二，作為四川省省會和科技投融資重點城市，成都市近年來高度重視科技企業(yè)孵化器，并將其作為區(qū)域創(chuàng)新體系的重要組成部分。通過對專業(yè)技術(shù)孵化器、留學人員創(chuàng)業(yè)園以及博士創(chuàng)業(yè)園等各類科技企業(yè)孵化器的建設(shè)，突出對特色產(chǎn)業(yè)集群和創(chuàng)新集群的基礎(chǔ)性孵育作用，使得科技企業(yè)資金利用率和盈利能力顯著提高。第三，四川省各級政府科技主管部門主動組織科技企業(yè)財務(wù)人員利用各種融資方式及運作流程，使科技企業(yè)更多地利用各種融資方式。

盡管四川省科技金融工作不斷創(chuàng)新，但是從績效評價結(jié)果來看，相比2008年，2009年績效水平出現(xiàn)了較大程度下降。本文認為，這在一定程度上是受2008年汶川大地震以及年末全球金融危機的波及。比如地震會引起黃光機臺斷裂，報廢大批晶圓，嚴重影響部分在蓉高科技企業(yè)如英特爾、微軟出貨量，從而導致投融資績效水平下降。至于金融危機的負面影響則可以由表6看出：比如2009年績效水平比較低的重要原因是z1得分比較低，而z1主成分表達式顯示，這可能主要是因為金融危機導致企業(yè)在研發(fā)創(chuàng)新產(chǎn)品時融資出現(xiàn)困難，這種情況下企業(yè)會把資金較少應用于環(huán)境效益。因此，在面對重大風險挑戰(zhàn)時，四川省投融資績效表現(xiàn)出相對的不穩(wěn)定性，這說明目前投融資機制還不夠完善，在增強科技投融資抵抗重大風險能力，提升自身績效水平方面還存在以下問題：

第一，政府管理方面，四川省科技金融資源整合力度有限，區(qū)域市場化程度不高以及對科技產(chǎn)品財稅支持力度不夠。另外，科技成果轉(zhuǎn)化率相比沿?？萍紕?chuàng)新突出省份如江蘇、上海等偏低，且低于全國水平，投融資具有一定的粗放性。以醫(yī)藥行業(yè)為例，近幾年科技成果轉(zhuǎn)化率僅為11%，已進行產(chǎn)業(yè)化的比例不足5%。明顯可以看出，科技企業(yè)立項的市場導向性不強，忽視市場需求的問題依然突出。

第二，市場環(huán)境及結(jié)構(gòu)方面，政策性銀行尤其是商業(yè)銀行對中小科技企業(yè)支持力度不夠，擔保機構(gòu)效率不高，創(chuàng)新型企業(yè)在初創(chuàng)期嚴重缺乏融資渠道。中小科技企業(yè)作為創(chuàng)新的生力軍雖然獲得了知識產(chǎn)權(quán)質(zhì)押融資的優(yōu)惠，但是在出口退稅質(zhì)押、股權(quán)質(zhì)押、保單質(zhì)押、債券質(zhì)押等領(lǐng)域需求不易滿足，部分原因是由于企業(yè)信用體系不完善。對成都市106家科技型中小企業(yè)調(diào)查結(jié)果顯示，約有21%的企業(yè)認為政府及相關(guān)部門要努力督促金融機構(gòu)推出更多適合科技型中小企業(yè)的金融產(chǎn)品，以方便科技型中小企業(yè)資金融通。約有18%的企業(yè)認為政府及相關(guān)部門需要建立企業(yè)信用檔案，積極向金融機構(gòu)傳遞企業(yè)信息。

針對四川省科技投融資績效評價結(jié)果以及目前科技投融資存在的問題，提出以下幾點建議：

第一，拓寬融資渠道。其中包括大力發(fā)展天使投資、建立專門的科技銀行以及設(shè)立政府引導基金。進一步加強與沿海尤其是香港科技板的交流，充分利用香港地位優(yōu)勢及國際影響力。這樣不僅能夠引進國外資本還能拓寬風險資本退出渠道，構(gòu)建創(chuàng)業(yè)企業(yè)與風投、服務(wù)機構(gòu)對接平臺。

第二，合理規(guī)劃政府投資領(lǐng)域。在處理基礎(chǔ)研究與應用研究的責任利益劃分時，由于基礎(chǔ)性研究具有投資大、回收期長、科研投入者成果極易被模仿等特點，所以應該由政府承擔主要出資人的角色；而商業(yè)利益較大的應用研究則應由企業(yè)承擔，并由政府保證其知識產(chǎn)權(quán)。

第三，建立多元化評價模式。鞏固“政府引導、市場運作、多元投資、專家理財”這一理念，通過組建評價專家?guī)旌蛯I(yè)團隊，初步建立起市場、專業(yè)機構(gòu)等多元化評價模式，建立中介信譽體系并及時向社會公布結(jié)果。同時，政府自身要加強財政科技資金監(jiān)管，避免重復投資，盲目立項。

第四，提高高科技成果轉(zhuǎn)化率。針對高科技成果轉(zhuǎn)化率較低的問題，政府除了要提高高技術(shù)成果轉(zhuǎn)化基金外，還應該健全政策性銀行和中小企業(yè)間接融資體系，對那些銷售收入增加很快、具有極強潛力的中小企業(yè)通過加強銀企合作、提供必要的信用擔保支持和稅收減免措施；對一部分由科研院所轉(zhuǎn)化來的科技企業(yè)，必須建立完善的現(xiàn)代企業(yè)制度，設(shè)立科技成果轉(zhuǎn)化收益獎來提高科研人員的主動性。

3 結(jié)論與展望

由于SVM具有很好的泛化性適于處理高維數(shù)據(jù)，可以巧妙地解決小樣本非線性的問題；冗余會造成SVM預測誤差偏大，用主成分分析后能大大提高評價精度，因此，本文首先運用主成分分析對指標體系的相關(guān)性進行處理，結(jié)合SVM方法提出基于SVM的科技投融資績效評價方法，并利用四川省科技投融資數(shù)據(jù)進行評價，實證結(jié)果表明：利用SVM方法進行科技投融資績效評價結(jié)果是可行且有效的。

本文的研究只關(guān)注了論文數(shù)量以及專利數(shù)量，對其質(zhì)量并沒有考慮。后續(xù)研究將在以下兩個方面進行改進：一是核函數(shù)的構(gòu)造與選擇、相關(guān)參數(shù)的優(yōu)化；二是進一步考慮檢索科技論文質(zhì)量和專利質(zhì)量，嘗試構(gòu)造更適合的核函數(shù)并優(yōu)化相關(guān)參數(shù)。在指標構(gòu)建方面，將進一步考慮檢索科技論文質(zhì)量及申請專利質(zhì)量等指標，從而構(gòu)建更為完備的評價指標體系。

參考文獻：

[1]楊波，蘇娜. 基于熵理論的高科技企業(yè)投融資績效研究——以湖北省為例[J]. 科研管理，2011，32（8）：42-50.

[2]田曉麗，顧婧. 基于熵理論的高新技術(shù)企業(yè)投融資績效評價[J]. 統(tǒng)計與決策，2013，18：177-179.

[3]Gokan，Yoichi. The Speed of Convergence and Alternative Government Financing[J]. Journal of Economic Dynamics and Control，2003，27（9）：1517-1531.

[4]楊志安，李鵬. 財政投融資績效問題研究綜述[J]. 農(nóng)業(yè)經(jīng)濟，2013，5：94-95.

[5]王利劍，劉佳. 高?？萍紕?chuàng)新平臺績效評價指標體系構(gòu)建與應用[J]. 科學學與科學技術(shù)管理，2010，（2）：110-113.

[6]李左峰，張銘慎. 政府科技項目投入對企業(yè)創(chuàng)新績效的影響研究——來自我國95家創(chuàng)新型企業(yè)的證據(jù)[J]. 中國軟科學，2012.（12）：123-132.

[7]何悅，朱桂龍，戴勇. 企業(yè)創(chuàng)新績效影響因素的系統(tǒng)動力學研究[J]. 軟科學，2010（7）：19-23.

[8]王俊. R&D補貼費企業(yè)R&D投入及創(chuàng)新產(chǎn)出影響的實證研究[J]. 科學學研究，2010（9）：1368-1374.

[9]金祥榮，余冬筠. 創(chuàng)新效率、產(chǎn)業(yè)特征與區(qū)域經(jīng)濟增長[J]. 浙江大學學報：人文社會科學版，2010（5）：116-125.

[10]Lee C Y. The Differential Effects of Public R&D Support on Firm R&D：Theory and Evidence from Multi-Country Data[J]. Technovation，2011，31（5）：256-269.

[11]Zhang J J，Rogers J D. The Technological Innovation Performance of Chinese Firms：The Role of Industrial and Academic R&D，F(xiàn)DI and the Markets in Firm Patenting[J]. International Journal of Technology Management，2009，48（4）：518-543.

[12]鄭童，呂斌，張純. 基于模糊評價法的宜居社區(qū)評價研究[J]. 城市發(fā)展研究，2011，18（9）：118-124.

[13]高惠璇. 應用多元統(tǒng)計分析[M]. 北京：北京大學出版社，2002.

[14]Vladimir N， Vapnik.Statistical Learning Theory[M]. Wiley-Inter Science，1998.9-16.

（責任編輯：王惠萍）