科技金融政策促进了地区创新水平提升吗？
——基于“促进科技和金融结合试点”的准自然实验

马凌远 ，李晓敏

(1.郑州航空工业管理学院 经济学院，河南 郑州 450046； 2.河南大学 经济学院，河南 开封 475004)

当前，中国经济发展正面临着内外双重困境。在内部，人口红利已经逐渐消失，劳动力成本不断攀升导致以往依赖要素驱动的经济增长难以为继，中国经济发展步入新常态；在外部，世界经济格局正在加速重构，以TPP、TTIP为代表的新型自贸协定正欲重塑全球经贸规则，中美贸易摩擦不断升级，中国进一步深化改革开放势在必行。新形势下，无论是政府、企业还是学界都已形成共识，即“创新驱动”已成为中国经济发展的必然选择，为此，如何实现创新驱动发展也就成为各界普遍关注的焦点问题。《国家创新驱动发展战略纲要》指出，要实现创新驱动，则必须坚持科技创新和体制机制创新的“双轮驱动”，即一方面要强化科技创新，着力提升我国自主创新能力；另一方面需进行体制机制创新，为科技创新扫除制度上的障碍，而促进科技和金融结合就是一项旨在促进科技创新的体制机制创新。早在20世纪80年代，我国就开始尝试将科技和金融进行结合，1985年，中国人民银行和国务院科技领导小组发布了《关于积极开展科技信贷的联合通知》，开始面向全社会正式启动科技信贷。1993年，深圳市科技局首次将“科技和金融”简写为“科技金融”，这一新兴词汇由此进入公众视野，并受到政府部门和学术界的广泛关注。经过30多年的发展，我国科技金融已经逐渐形成了具有科技支行、科技保险、风险投资、多层次资本市场等多渠道、全方位、多视角的科技金融体系[1]。但当前我国众多的科技型企业，特别是从事科技创新的中小企业的发展仍面临着严重的金融约束，企业创新融资难、融资贵问题已经成为我国创新驱动战略实施的主要掣肘[2]，这意味着政府的关注重点应从原来通过直接资金支持推动科技金融的数量增长，转变为通过市场机制建设实现科技金融的质量提升，真正促进创新型产业的发展[3]。

为了提升我国科技金融质量，2011年，科技部、中国人民银行等五部门联合决定在全国设立“促进科技和金融结合”试点，并将中关村国家自主创新示范区、天津市、上海市、深圳市、江苏省等16个地区列为首批试点地区，这些地区将在科技金融产品创新、科技金融服务模式创新、金融和科技对接机制创新等方面进行先行先试，为促进科技和金融结合，使科技金融从数量增长向质量提升转变提供可借鉴或可复制的范本。截至目前，16个试点地区已经针对科技金融出台了350多项创新举措，其涉及科技财政资源配置、科技融资平台建设、科技与资本市场对接、科技保险服务等多个方面。那么，“促进科技和金融结合”试点作为一项基于地点制定(place-based)的科技创新政策，其是否有效推动了地区的科技创新？其主要是通过何种机制或渠道实现的？此外，试点覆盖我国东、中、西部地区，不同地区在科技创新和金融发展方面存在较大差距，试点政策的创新绩效又是否在不同地区存在显著差异？从已有研究来看，并不能直接找到上述问题的答案。鉴于此，本文尝试对以上问题进行研究，利用准自然实验方法系统评估“促进科技和金融结合”试点的设立对于地区创新水平的影响，本研究对于寻求我国创新水平提升新路径以及完善“促进科技和金融结合”试点政策、提升试点政策的创新绩效都具有重要的现实意义。

一、文献回顾

回顾已有文献，关于金融与创新的关系最早见于熊彼特(1912)的著作《经济发展理论》中，其认为货币、利息等金融要素对技术创新具有重要影响。 King等(1993)[4]提出，金融与创新的结合是引致一国经济增长的主因，揭示了金融为创新活动提供的四种服务，即企业家评估、资金筹集、风险分散以及创新预期收益评估。Perez(2007)[5]进一步指出，金融资本的逐利性与技术创新的高额回报促进了两者的高度结合，并最终促进了科技繁荣和金融发展。然而，Hall(2002)[6]、Piga等(2007)[7]等则提出不同观点，指出由于企业的创新投资往往存在收益不确定、信息不对称、道德风险等问题，因此创新活动通常面临严重的外部融资约束。融资约束已经成为中国75%非金融类上市公司发展的主要障碍，在所调查的80个国家中占比最高[8]，是正积极创新的企业尤其是中小企业面临的主要壁垒[9]。Hyytinena和Toivanen(2005)[10]认为，政府可以通过公共政策支持来弥补资本市场的不足，缓解科技创新的融资约束，进而促进科技和金融的发展。

国外文献虽然对科技和金融之间的关系有诸多论述，但一直所指“科技和金融”，而并未出现科技金融这一称谓，科技金融是1993年由我国深圳科技局首次提出。2009年，赵昌文等[11]系统定义了科技金融，指出其为旨在促进科技创新、科技成果转化的一系列金融工具。近年来，国内关于科技金融的文献越来越多，主要聚焦于科技金融对科技创新的影响。王宏起等(2012)[12]通过构建协同度模型，揭示了科技金融和科技创新的协同发展机制。张玉喜等(2015)[13]采用省级层面的面板数据，实证检验了科技金融投入对科技创新的影响，发现科技金融投入在短期显著促进了科技创新水平提升，但该效应在长期并不存在。李俊霞等(2016)[14]利用系统动力学方法实证分析了市场科技金融和公共科技金融对高技术产业的影响，发现两类科技金融均对高技术产业发展具有促进作用，相对而言，市场科技金融的创新效应更大。杜江等(2017)[15]运用省级面板数据，发现我国各地区的科技创新能力表现为明显的空间相关性，而科技金融对各地的创新水平具有明显的促进作用。郑磊等(2018)[16]发现科技金融与科技创新之间存在U型的关系，只有科技金融发展超过门槛值，其才能发挥对科技创新的积极影响。潘娟等(2018)[17]则运用DEA方法检验了科技金融投入与科技创新绩效之间的关联，发现我国科技金融的创新绩效呈逐年上升趋势，但各地区之间差距较大，东部地区明显优于中西部地区。

已有关于科技金融与科技创新的研究为本文提供了丰富的理论基础和经验借鉴，但仍存在以下不足：①以往相关实证研究主要聚焦于宏观和微观两个层面，分别利用省级和企业层面的数据研究科技金融对科技创新的影响，在中观层面对城市的相关研究非常有限(1)已有创新的实证研究较少涉及城市层面，主要原因在于城市层面创新的衡量存在困难，以往部分学者利用手工检索专利数据并以此衡量城市创新水平的，但仅以专利数量衡量的城市创新水平具有一定的片面性。，而城市应为科技金融发展的基本单元，创新型城市建设也是实施国家创新驱动战略的关键环节(2)《科学技术部关于进一步推进创新型城市试点工作的指导意见》指出，要加快落实提高自主创新能力、建设创新型国家的战略部署，充分发挥城市在推进自主创新、加快经济发展方式转变中的核心带动作用。，因此从城市层面研究科技金融与科技创新问题具有重要的现实意义。②已有文献主要是利用公共科技金融投入(或企业R&D总支出)等单一指标来考察科技金融的创新效应，而对于科技金融体制机制改革对科技创新的影响则鲜有研究，而体制机制创新可能会在科技金融的创新效应中扮演着关键的角色，对科技金融体制机制改革的效果评估是对已有研究的一个拓展和补充。③如何较好地解决内生性问题是此类研究面临的一个较大挑战。科技金融与科技创新可能存在双向因果关系，而这是内生性的一个主要来源。一方面，地区科技金融的发展会促进科技和金融结合，缓解科技创新的融资约束进而促进地区科技创新。另一方面，地区科技创新水平的提升可能会提高本地资本投资回报率，进而吸引更多的资本向本地汇聚，促进科技金融的发展。当前，关于内生性问题的处理，工具变量法是一种比较流行的处理方法，但限于好的工具变量往往难以获取，因此采用该方法也会造成估计结果上的偏误。

本文旨在较好地解决上述问题，拓展和深化对科技金融与科技创新关系的认识和理解。首先，我国于2011年设立的首批“促进科技和金融结合”试点只覆盖16个地区，作为渐进式改革的一部分，这种金融体制机制创新在地区间的差异构成了“准自然实验”，为本文研究科技金融体制机制改革对于科技创新的影响提供了一个很好的案例。其次，本文利用倾向得分匹配—双重差分法(Propensity Score Matching with Difference in Difference，缩写PSM-DID) ，识别促进科技和金融结合对地区科技创新的因果处置效应，该方法可以较好地解决内生性问题。最后，在城市创新的衡量上，我们采用了复旦大学编制的《中国城市和产业创新力报告》中的城市创新指数，较好地解决了城市层面创新研究在指标选取和数据获得上的局限性。

本文余下部分结构安排如下：第二部分为影响机制分析；第三部分为实证研究设计，包括样本选取、模型设定、变量定义及数据来源；第四部分为基准分析和稳健性检验结果；第五部分为进一步的检验；最后为本文的研究结论和政策启示部分。

二、影响机制分析

科技创新离不开金融资本的支持，诺贝尔奖获得者希克斯(1969)[18]在经济史理论中就开创性的提出过，“金融体系能够为新技术的产生提供大量的资金支持”。没有资金支持，企业的科技创新就会非常困难(Neff，2003)[19]，金融资本对重大科技创新的发生和发展具有重要的作用(Perez，2002)[20]。而科技金融政策可以在一定程度上促进科技创新和金融资本的结合，进而强化科技创新的金融支持，理应对科技创新起到促进作用。结合“促进科技和金融试点”相关政策，本文认为科技金融政策对地区科技创新的影响主要表现在以下三个方面：一是通过加大科技创新的财政投入以弥补科技创新的金融资源不足，进而促进科技创新；二是通过建立科技创新的风险分散机制促进企业的研发创新投入，进而促进地区的科技创新水平提升；三是通过建立科创企业的筛选机制引导金融资源流向优质科创企业，进一步提高信贷资源配置效率进而促进科技创新。

(一)通过科技财政投入弥补金融资源错配进而促进科技创新

科技创新具有投资量大、投资周期长，投资盈利慢、投资风险高等特点，因此传统金融机构不愿或较少将资本投资在该领域，这导致科技创新往往面临资金上的约束。科技金融的出现，旨在促使资本更多的流向科技创新企业或研发机构，以缓解其融资约束，促进企业、地区乃至一个国家科技创新的发展。在我国当前的金融体系下，金融资源的分配表现出极度的不均衡，少数国有企业占有大量的金融资源，而大量的中小民营企业则面临着融资难、融资贵的问题。在大众创新、万众创业的时代背景下，中小科技型企业应为我国创新驱动发展的基础力量，而其在我国以银行为主导的金融体系下未能获得与其发展相匹配的金融资源，这将极大限制中小科技型企业的科技创新，其将在很大程度上阻碍我国创新驱动发展战略的实施。而促进科技和金融结合试点的设立，意味着政府将在公共金融方面加大对科技创新方面的投入。目前，试点地区科技型中小企业创业投资引导基金已与地方政府、民间投资共同成立了近百家创投基金，基金注册资本总额超过130亿元。可见，在试点地区，地方政府科技财政支出占总财政支出的比重将会大幅提高，科技创新企业将会从政府获得更多的金融支持，进而会缓解企业创新的融资约束，促进地区的科技创新水平提升。

(二)通过风险分散机制激发企业研发投资进而促进科技创新

科技创新企业相对于一般的制造业或服务业而言，其创新风险较高，这在业界已经形成共识。因此，科技创新企业很有可能在投入了巨额的研发资金后，无法收获预期的创新成果。此外，在知识产权保护机制不健全的情况下，专利、技术标准等科技创新成果如也面临着较高的被侵权风险。前者将限制金融资本对科技创新的投入，后者将限制科技创新企业自身的创新热情。科技金融建立的风险分散机制可以在很大程度上解决以上问题。一方面，科技金融将引导科创企业与资本市场相结合，推动符合条件的科技创新企业更多地在新三板、中小板、创业板等证券市场板块上市融资，由于上市公司股权的分散性，其可以在很大程度上分散科创企业的投资风险。另一方面，近年来我国几大保险公司陆续推出了科技保险，其覆盖了科技创新的各个流程，为科技创新企业提供保险的综合服务，尤其是专利险和资金险，在很大程度上分散了企业的科技研发投资、科技成果转化中的风险，可以促使企业将更多的精力放在创新上，促进科技创新水平的提升。在首批促进科技和金融结合试点地区中，江苏省率先在科技保险方面进行创新，2012年中国人保财险苏州科技支公司获得了保监会颁发的经营许可证，全国首家科技保险支公司在苏州落地。因此，科技金融政策通过建立风险分散机制为科技创新企业保驾护航，将进一步引导资本市场与科技创新结合，提高企业研发和创新动力，进而提升地区的创新水平。

(三)通过科创企业筛选机制优化市场金融资源配置进而促进科技创新

由于科技型中小企业数量庞大，投资者与企业之间往往会出现信息不对称的情况，而这有可能会引致逆向选择问题，即真正有科研实力、创新能力强、具有较好发展潜力的企业在市场难以融到资，而资金却被一些不具备创新能力，而善于包装的企业获得。这实际上属于金融资源的错配，会造成了资源的浪费和经济的损失。我国科技金融发展初期，并没有针对类似的问题出台相应的办法。2011年促进科技和金融结合试点设立后，一些试点地区为投资者与科创企业之间搭建了信息共享平台，建立了互信机制。如上海市、江苏省建立了科技金融信息服务平台，其汇聚了数千家科技型中小企业信息和各类投融资信息；天津、武汉、成都等开发了科技型中小微企业数据库；北京、上海、江苏、浙江、陕西创新开展科技企业信用体系建设、科技金融专员服务和科技金融服务热线等；中关村科技园区实施瞪羚计划，将信用评价、政府资助和企业融资相结合；天津市、武汉市、江苏省与当地人民银行共建科技企业贷款统计制度。这些试点地区的一系列创新举措，能够更好地对科技创新企业进行评价筛选，并引导金融资源更多流向同行业中优质的科创企业，更好地促进金融资本和科技创新的结合，实现金融资本的优化配置、促进企业和地区创新水平的提升。

三、研究设计

(一)样本选取

因为文章选择的准自然实验(试点设立时间)发生在2011年，因此选择前后各五年即2006—2016年的286个城市作为初始样本。“促进科技和金融结合”试点信息来自《科学技术部等部门关于印发促进科技和金融结合试点实施方案的通知》，包括16个试点地区，而这些地区中既有单独的城市，也有省份，还包括多个城市联合成立的经济区。基于研究需要，我们将其16个试点地区进一步细化为41个试点城市(3)16个试点地区中，包括了中关村国家自主创新示范区、安徽省合芜蚌自主创新综合实验区、长沙高新区、成都高新区、关中—天水经济区等经济区，由于缺乏相对应的经济区数据，本文将经济区的数据分别由其所属城市数据替代，因为经济区的创新也属城市创新的一部分，尤其是城市高新区、自主创新示范区或试验区更是城市创新的重心，因此城市层面创新的变化应能体现政策冲击的效果。，包括北京、天津、上海、重庆4个直辖市，江苏省的南京、无锡、连云港、淮安、盐城、徐州、常州、南通、苏州、镇江、扬州、宿迁和泰州；浙江省的杭州、温州、宁波、和湖州；安徽省的合肥、芜湖和蚌埠；广东省的广州、佛山、东莞和深圳；陕西省的西安、渭南、商洛、铜川、宝鸡和咸阳；四川的成都和绵阳；此外还包括武汉、长沙、大连、青岛和天水5市。根据研究需要，除41个试点城市外，我们还选取了245个城市作为对照组样本，最终得到11年共3146个城市层面的观测值。

(二)模型设定

本文所要考察的是“促进科技和金融结合”试点改革对地区创新水平的影响。一般地，可以将“促进科技和金融结合”试点改革视为准自然实验或拟自然实验，那么就能通过试点城市与非试点城市在试点设立前后的创新水平变化比对分析试点改革的效果。然而，直接将试点与非试点城市进行对比会导致估计结果的偏误，原因在于“促进科技和金融结合”试点改革的非随机性。试点实施方案中指出试点设立的原则是首先由地方自愿申报，那么，科技创新或金融发展基础较好的地区可能会率先申报试点，即出现“靓女先嫁”的现象[21]。从第一批试点城市来看，其大部分为直辖市、省会城市或副省级城市，相对而言，这些城市都属科技金融资源密集、科技创新水平相对较高的地区。因此，“促进科技和金融结合”试点改革很大程度上是非随机的，故可能存在突出的自选择问题，即很难区分是地区科技金融的发展促进了试点政策出台，还是试点政策出台促进了科技金融的发展。因此，简单地将非试点城市与试点城市直接比对会产生“选择性偏误”[22]。

基于此，本文利用倾向得分匹配法(Propensity Score Matching，PSM)来解决这一问题[23]，即利用倾向得分首先选择与试点城市(处置组)相匹配的的非试点城市(对照组)，然后将匹配后的两组城市进行比对以反映处置效果。具体而言，首先在给定城市特征X的情况下，估计每个城市获批试点的概率(倾向得分)，然后在对照组中找寻与处置组城市试点改革概率极为接近的非试点城市进行匹配，以消除选择性偏误。假设城市进行试点改革的概率公式为：

(1)

(1)式中，pi为城市i获批试点的条件概率，而X为匹配协变量，这个条件概率就是倾向得分，我们可以利用该得分来识别与试点城市具有相似特征的非试点城市。那么，当我们估计试点改革的因果效应时，城市是否获批试点这一因素就被控制了。鉴于倾向得分匹配方法已经在大部分相关文献中有详细阐释，这里就不再赘述。

在样本匹配之后，我们再使用双重差分法(Difference in Difference，缩写DID)估计促进科技和金融结合对于地区科技创新绩效的影响。将这两种方法相结合的PSM-DID已经在国内外的政策评估研究中得到了广泛的应用。本文构建的双重差分模型如下：

(2)

(2)式中，下标i和t分别表示城市和年份；Inno是衡量地区创新水平的被解释变量；Treat用来区分处置组和对照组；Post用于区分试点设立前后两个时期；交乘项Treat×Post是用于区分试点前后的不同组别城市；Control为控制变量的合集，包括地区经济发展水平Pgdp、开放程度Pfdi、金融发展Finance和人力资本水平Hum；Di为城市固定效应，Dt为年份固定效应，为控制潜在的序列相关和异方差问题，本文所有的估计采用以市聚类的稳健标准误。估计式中，β1是本文主要关注的系数，其衡量了试点前后处置组和对照组城市创新水平变化的平均差异，若β1>0，则表明促进科技和金融结合可以提升城市的科技创新水平，若β1<0，则说明促进科技和金融结合不利于城市创新水平提升，若β1=0，则意味着试点的政策效应不明显。

(三)变量定义

1.被解释变量

城市创新水平为被解释变量。以往关于创新研究的文献主要集中于宏观和微观两个层面，分别利用省级和企业的专利数据衡量创新水平。而在中观城市层面对创新进行研究的文献非常有限，这主要是基于数据的可获得性。赵玉林等(2009)[24]、陈长石等(2019)[25]基于手工检索城市专利数量，分别研究了城市创新资源配置和创新水平的影响因素。然而，手工检索专利数据工作量庞杂且繁琐，而且仅以专利数量衡量城市创新具有一定的片面性，忽视了不同专利的质量和价值中所蕴含的创新信息。此外，专利并非创新的唯一体现，很多创新因涉及商业机密而不便申请专利，因此，仅以专利去衡量城市的创新水平不免有失偏颇。寇宗来等(2017)[26]基于国家知识产权局的专利数据和国家工商局的新注册企业数据这两组微观大数据，在专利更新模型基础上对每个年龄专利的平均价值进行估算，将其在城市层面加总，并进一步引入新注册企业数量度量的创新能力，得到城市创新指数，修正了以往仅从专利数量度量城市创新水平的测量误差。该创新指数覆盖全国338个城市，时间跨度为2001—2016年，为研究城市创新提供了一个很好的数据来源。本文的研究就以该创新指数衡量地区创新水平，指标说明与具体数据参见《中国城市和产业创新力报告2017》。

2.核心解释变量

交乘项Treat×Post是本文的核心解释变量。其中，Treat为政策虚拟变量，如果样本城市是2011年被列入“促进科技和金融结合”试点城市，Treat赋值为1，如果是试点名单之外的城市，Treat赋值为0；Post为政策期虚拟变量，2011年以前(含2011年)赋值为0，2011年之后则赋值为1；根据双重差分的原理，Treat×Post的系数β1实际上就是“促进科技和金融结合”试点改革对地区创新的净影响，当且仅当第i个城市是试点城市，且Post≥2012时，Treat×Post取值为1，否则为0。

3.控制变量

借鉴李政等(2018)[27]、程开明等(2018)[28]等相关研究，本文在双重差分模型中加入如下控制变量：(1)地区经济发展水平(pgdp)，以人均地区生产总值衡量地区经济发展水平，估计中取自然对数值，一个地区的经济发展水平越高，其可能会有更多的资金进行产业技术的升级改造，此外，经济的发展也会改变居民的消费需求，对企业的产品和服务提出更高的要求，其也会迫使企业进行转型升级，而这些都会促进地区创新水平的提升；(2)地区开放程度(pfdi)，以地区年度实际利用外资金额占当年地区生产总值的比重表示，一个地区的开放程度越高，其越有可能通过国际贸易、外商直接投资或专利申请、专利引进等国际技术扩散方式，提升地区自主创新能力，促进地区创新水平的提升；(3)地区金融发展水平(finance)，以年末金融机构存贷款余额占地区生产总值比重表示，科技创新离不开金融资本的支持，因此，一个地区的金融发展水平与该地区的科技创新水平应该会存在较大关联；(4)地区人力资本水平(hum)，以科技从业人员在全部从业人员中的占比表示，科技创新需要有相应的科技人才作为支撑，因此，一个地区的人力资本水平可以在一定程度上觉得了该地区的科技创新水平；(5)地区科技支出水平(expen)，以地方政府财政支出中的科技支出的自然对数表示，政府的科技投入是科技创新的一个主要资金来源，因此地区科技财政支出水平应会对地区创新水平产生影响；(6)地区人口规模(pop)，以地方年末户籍人口的对数表示，人口规模可以在一定程度上代表市场规模，因此，人口规模较大的地区其创新的回报可能会更高，这会促使企业进行更多的创新，进而促进地区创新水平的提升。以上控制变量的数据均来自2007—2017年《中国城市统计年鉴》。

四、实证结果分析

(一)倾向得分匹配

借鉴已有文献的做法[29]，本文同时选用5对最邻近匹配法(5-nearest neighbors matching)和内核匹配法(epanechnikov kernel matching)以确保结果的稳健性。而倾向得分匹配法的采用首先需要满足其前提假设：一是条件独立分布假设，要求按照倾向得分进行匹配后的样本不存在系统性的差异；二是共同支撑条件假设，即要确保样本在匹配后具有更好的可比性，这需要处置组和对照组的倾向得分能够有足够的重叠部分，进而增加后面进行DID估计的有效性。为了验证第一个假设，本文首先对匹配后的城市样本进行平衡性检验，结果见表1。通过t值可以发现，匹配前所有解释变量在处置组和对照组间均存在着显著的均值差异，而匹配后组间均值差异都变得不显著，而且在匹配后各个变量的标准化差异降幅明显。此外，样本匹配之后的Probit估计的R2值明显很小，这意味着匹配变量对于一个城市是否获批“促进科技和金融结合”试点的解释力很弱，可以认为试点城市获批与否相对于匹配后的样本而言是条件随机的。

表1 PSM的平衡性检验结果

图1 城市样本匹配前后的倾向得分核密度

接着，我们利用倾向得分的核密度分布图对共同支撑假设进行检验。如图1所示，在样本匹配之前，两组样本的倾向得分值有非常大的差异，几乎无重叠的部分，而在依照倾向得分对两组样本进行匹配之后，我们发现大部分的样本都落在了共同支撑区域，这表明匹配的样本质量较好，满足了共同支撑假设。此外，有少数没有落入共同支撑区域的样本，在后面的分析中我们将之剔除，以保证估计的准确性。

(二)双重差分估计结果与分析

1.基准回归结果分析

基于之前倾向得分匹配后的样本数据，本文首先利用公式(2)进行回归估计。如表2所示，第(1)列只报告了控制地区和时间层面双向固定效应的估计结果，结果显示Treatc×Postt的估计系数为正，且在5%的水平上显著；第(2)列又控制了地区层面的其他控制变量，Treatc×Postt的系数仍然显著为正，只是相比第(1)列的系数略微变小。这也进一步印证了倾向得分匹配效果较好，因为匹配后改革变量不受其它控制变量的影响，所以即使加入相关控制变量，Treatc×Postt的回归系数不会发生较大变化。总体回归结果表明“促进科技和金融结合”试点设立后，遭受政策冲击的处置组地区创新水平比未遭受政策冲击的对照组地区创新水平经历了更高水平的增长，说明促进科技和金融结合显著提升了地区的创新水平。试点地区创新指数相对未试点地区要平均高出1.34。根据公式(2)地区创新水平提升的构造原理，进一步可知“促进科技和金融结合”试点促进地方创新水平提升的基本机制在于，设立科技金融结合试点有效促进了地区信贷资金分配市场化水平提升，换句话说，试点政策有利于引导金融资源向科技型中小企业进行再配置。

表2 促进科技和金融结合对地区创新水平的影响

注：括号中为市级层面聚类的稳健标准误，***、**、*分别代表在1%、5%和10%的水平下显著；地区层面控制变量包括经济发展水平、开放度水平、金融发展水平以及人力资本水平，限于篇幅未报告。下同。

2.稳健性检验

为保证估计结果的稳定性和可靠性，本文从双重差分估计的假设条件识别、倾向得分样本的进一步处理、控制其他相似政策冲击和控制其它潜在遗漏变量四个方面进行稳健性检验。

(1)双重差分法的假设条件识别：双重差分法能够较好地评估政策效果，而且在实际操作中也易于实施，因此其在近些年来受到国内外学者的普遍青睐。但双重差分法的使用有其严格的假设前提，如果在不满足这些前提条件的基础上就利用该方法进行政策评估，势必会导致估计结果存在偏误[30]。双重差分法的第一个重要假设就是平行趋势，即要求处置组和对照组在政策实施前其结果变量的趋势应该是一致的，本文基于匹配后的样本对这一假设条件进行识别，借鉴许和连等(2018)[31]的研究，模型设定如下：

(3)

模型(3)中，Dt±j为系列虚拟变量，当处置组在试点前的j年时，Dt-j取值为1；当处于试点后的j年时，Dt+j取值为1；除此之外，Dt±j均取值为0。在这里，我们以试点当年作为参照组，回归结果中的Dt±j系数就是用来与参照组相比，以此判断在试点设立前后的第j年，处置组和参照组城市的创新水平是否存在着显著差异。在具体回归中我们参考周茂等(2018)[32]的做法，剔除首年以避免多重共线性。回归结果见表3第(1)列，检验这些Dt±j的系数发现，在试点之前系数均不显著，而在试点当年及其以后各年其系数都在5%的水平上显著，说明我们采用的双重差分模型满足平行趋势假设条件。

其次，双重差分法需要满足预期效应假设，即政策实施前的处置组和参照组不能形成有效预期，否则各地区在政策实施前的预期反应会给政策评估造成干扰，导致估计结果的偏误。对此，本文在模型(2)中加入Treatc×D11t项，D11t为2011年即本文定义试点政策实施前的虚拟变量，如表3第(2)列所示，这一项的系数很小且不显著，排除了预期效应存在的可能，同时发现在考虑预期效应的情况下，我们关注的Treatc×Postt系数与基准回归结果相比没有实质性的改变。

(2)基于倾向得分对样本进行修剪：由于倾向得分匹配法的共同支撑假设可能会受到倾向得分尾部的影响，本文利用尾部修建策略(trimming strategy)进行稳健性检验。若修剪后双重差分的分析结果没有出现实质性的变化，我们就倾向认为政策评估效果的可靠性较高。如表3第(3)列所示，在对倾向得分尾部极端值进行2%的修剪后，Treatc×Postt的影响有所下降，但仍在5% 的水平上显著，同时，我们也对尾部得分按5%和10%的水平进行修剪，结果与之前基本一致，限于篇幅该结果并未在表中进行报告。匹配样本修剪前后估计结果的一致性，在一定程度上说明了之前基准回归结果的可靠性。

(3)控制其它相似政策冲击的影响：中国的经济改革是一项复杂的系统工程，针对某一项经济目标，经常可能会有多个经济政策交叉或并行出现。这样，在Treat×Post=1时，其影响系数反映出来的就不仅是“促进科技和金融结合”试点改革的影响，其也可能包含了与创新相关的其它政策冲击的影响，这样也会导致估计结果存在偏误。基于此，本文对相似的政策进行控制：一是国家创新试点城市，十六届五中全会明确提出要“建设创新型国家”，而创新型国家需要有众多的创新型城市作为支撑，我国在2008年批准深圳为首个创新试点城市，而在我们研究的样本期间内，已有61个城市获批创新型城市试点建设区。因此，在计量模型(2)的基础上，我们加入了城市是否属于国家创新城市试点(innocity)这一虚拟变量，如果城市在t年列入国家创新试点则赋值1，否则取0值。二是国家自主创新示范区，自2009年中关村国家自主创新示范区获批后，截至2016年底，我国已成立17个国家自主创新示范区，涉及43个城市。因此，我们也在计量模型中加入了城市是否属于国家自主创新示范区(zone)这一虚拟变量，如果t年该城市列入国家自主创新示范区，则赋值1，否则取0值。表3第(4)列给出了控制其它相似政策冲击后的估计结果，Treat×Post的估计系数同表2结果相比略有下降，但其仍在5%的水平下显著，这表明前文的结论依然成立。

(4)控制潜在遗漏变量，虽然本文已经控制了城市层面的变量，以及控制了城市、时间层面的双向固定效应，理论上可以处理遗漏变量问题。但是仍然可能存在一些随时间和地点变化的变量无法观测和控制，如不同省级政府的其它政策调整动态不同也会影响城市的创新水平变化，从而使估计结果产生偏误，对此，表3第(5)列给出了加入省份×时间的固定效应的估计结果，表明之前结果仍然具有稳健性。

表3 稳健性检验

五、进一步检验

前文的经验证据表明，从总体上，促进科技和金融结合试点改革促进了城市的创新水平提升。但是，这一促进作用是否在不同类型地区之间存在差异呢？基于此，本文从地区等级、地方政府效率、地区初始创新水平三个维度检验在不同分类标准下试点政策效果的地区差异。此外，本文还将进一步研究试点政策是通过何种渠道促进城市创新水平提升的。

(一)地区等级对试点政策效果的影响

中国各个地区的总体发展状况往往与地区等级存在着较大的关联，这可能会使得政策效果在不同等级城市存在差别。像直辖市、省会城市或副省级城市等通常会在物质资源占有、人力资本存量、技术创新能力等多方面具有明显的优势，同样的政策优惠在这些城市更多扮演“锦上添花”的角色，边际效用较小，而由于欠发达城市的政策壁垒冗繁，试点政策对这些地区更可能是“雪中送炭”，政策效果会更为明显。本文参照刘瑞明等(2015)[33]的做法(4)副省级城市包括南京、杭州、武汉、西安、成都、哈尔滨、长春、沈阳、大连、济南、青岛、宁波、广州、厦门、深圳。经国务院批准的其他较大的市即为狭义上的“较大的市”，具体包括大连、本溪、抚顺、吉林、齐齐哈尔、包头、洛阳、邯郸、宁波、大同、唐山、鞍山、青岛、淄博、无锡、淮南、苏州、徐州。，将城市划为两类，一为高等级城市，包括直辖市、省会城市、副省级城市和较大的市，其它城市则划为一般等级或低等级。表4第(1)和(2)列给出了按城市等级分组的回归结果，结果发现政策试点对于两类城市的创新水平均具有积极显著的影响，相对而言，低等级城市的回归系数Treat×Post更大，意味着其促进科技与金融结合的创新绩效更为突出，这也与之前的分析相一致。

(二)地区政府效率对试点政策效果的影响

政府政策效果和国家经济发展依赖于政府能力[34]，而具体到“促进科技和金融结合”试点改革，其政策效果在于地方政府是否能够出台符合市场规律和产业发展要求的政策措施，并予以有效实施，而这些都取决于政府效率[35]。对此，本文参照Tang等(2014)[36]计算的我国各省政府效率指数，使用试点政策实施前的2006和2010年的初始平均指数将各省分为高效率和低效率两组，样本城市根据所在省份的组别而定。表4第(3)和(4)显示了城市按政府效率进行分组的回归结果，结果表明在政府效率高的地区设立试点对于该地区创新水平提升具有显著的积极作用，而对于政府效率低的地区无显著影响。这说明“促进科技和金融结合”试点的政策效果与政府效率存在较大关联，低效率政府没有能力出台符合市场经济规律和产业发展要求的政策，或出台了较好的政策但没有能力有效实施，这些都会导致试点设立在政府效率低的地区没有发挥应有的效力。

(三)地区创新水平对试点政策效果的影响

从《中国城市和产业创新力报告2017》来看，中国各个地区的创新水平是非均衡的，以2006年为例，我国创新指数最高的城市为北京(84.75)，排名前10位城市的平均创新指数为22.87，而创新指数低于0.01的有101个城市。城市初始创新水平的差异在一定程度上代表了不同城市在金融发展、人力资本、产业结构等方面的巨大差距，而这可能也会造成试点政策的创新绩效的不同。对此，本文将城市按2006和2010年的平均创新水平由高到低均分为两组，表4第(5)和(6)列报告了试点改革在不同创新水平地区的政策效果异质性。结果表明，初始创新水平高的地区，促进科技和金融结合显著提升了该地区创新水平，其影响系数高于基准归回系数。而创新水平低的地区的试点政策效果不显著。可能的原因在于创新水平较高地区已经拥有了良好的技术创新配套产业，在试点政策实施后，科技创新产业的融资约束在很大程度上被缓解，其它技术创新配套产业也被进一步激活，两者互补效应进一步显现，地区创新能力被充分激发。而在创新水平较低的地区，即使科技型企业的融资获得了政策性的支持，但由于科技创新的其它相关配套产业发展较为滞后，其政策效果因而大打折扣或政策难以发挥效力。

表4 科技金融试点的创新效应：区分地区发展程度

(四)影响机制检验

我国金融发展在规模上呈现持续增长，而在优化信贷资源分配上相对滞后，国有企业在分配信贷资源时往往具有相对优势[37]。促进科技和金融结合试点设立的初衷就是优化地方金融资源配置，使更多的信贷资源向科技型中小企业倾斜，使其免于融资难、融资贵等问题。换句话说，试点政策会在一定程度上弥补地方信贷资源分配低效，通过缓解科技型中小企业的融资约束促进其创新，进而带动地方创新水平的提升。如果该机制存在，那么可以推测在信贷资源分配效率越低的地区，促进科技和金融结合对地区创新水平的促进作用就会越大。对于信贷资源分配的效率，信贷资金分配市场化指数可能是最为合适的一个衡量指标，该指标见于樊纲等(2011)[38]编制的《中国市场化指数》，然而，遗憾的是该指数是分省份计算的，并没有覆盖城市层面。对此，我们借鉴潘海峰等(2018)[39]的研究，以金融发展效率(tds)指标替代，采用城市信贷总额与储蓄总额的比值，并将其与Treatc×Postt的交乘项加入模型(2)中，估计结果见表5第(1)列，可以看出Treatc×Postt×Tdsct的系数在1%的水平上显著为负，这与我们之前的推测是一致的，即在金融发展效率越低的地区，促进科技和金融结合的创新绩效越高。此外，获批试点城市大都加大对科技型产业的财政支持力度，以江苏省为例，自试点设立后，其市、区、县三级科技部门每年都为科技企业提供超过20亿元的财政支持，这将与优化金融市场资源配置形成合力，促进该地区创新水平的提升。因此，本文进一步加入地方科技支出占比(expen)与Treatc×Postt的交乘项，估计结果见表5第(2)列，Treatc×Postt×Expenct的系数在5%的水平上显著为正，这意味着试点地区科技财政支出的比重越大，促进科技和金融结合的创新绩效越为突出。此外，由于缺乏各个城市在企业层面加总的研发投入数据，因此前文讨论的第二个影响机制暂无法检验，随着大数据的发展和统计制度的完善，相信该影响机制也会得到验证。

表5 影响机制检验

六、结论及政策启示

随着中国经济发展战略由要素驱动和投资驱动转向创新驱动，科技创新和相关的体制机制创新将成为提高自主创新能力和决定未来经济增长动力的关键，在此背景下，本文的创新在于从“促进科技和金融结合”试点设立这一体制机制创新的角度探讨了地区科技创新水平提升的新路径。本文基于2011年中国设立的16个促进科技和金融结合试点地区构建了可用于政策评估的准自然实验，据此采用PSM-DID方法实证评估了促进科技和金融结合对地区创新水平的影响。研究发现：总体上，“促进科技和金融结合”试点作为一项依地制定的产业政策，有效推动了地区创新水平的提升，这一结论在考虑了双重差分的识别条件和一系列有可能对结果造成干扰的其它因素后仍然成立；促进科技和金融结合的创新效应主要存在于地方政府效率、创新水平相对较高的地区；再次，试点设立对于高等级和低等级城市的创新水平提升均具有积极显著的影响，相对而言，低等级城市促进科技与金融结合的创新绩效更为突出；最后，影响机制检验结果表明，试点政策通过改善地方金融发展效率、增加地方科技支出比重两个渠道促进了地区创新水平的提升。

本文发现具有重要的政策启示。第一，促进科技和金融结合能显著提升地区的创新水平。因此，国家应进一步为地方实施科技金融创新营造政策空间，进一步支持首批试点地区先行先试，结合自身特点大力创新科技金融投入方式，完善科技金融服务模式，破解科技创新融资约束，并形成更多可复制借鉴的经验。第二，各试点地区应结合本地资源禀赋、产业特点等量身打造试点政策，避免盲目借鉴或复制其它地区的模式，尤其是科技创新水平较差地区应尽快建立符合科技创新客观规律的管理体制机制及相关配套产业，在公共服务、公共资源配置、政务公开等方面发力提高政府运行效率，制定符合市场经济规律和产业发展要求的促进科技和金融结合试点政策，并能够保障试点政策的有效实施。第三，在促进科技创新中，政府的财政支持与金融市场效率提升之间存在共生互补的关系，促进科技和金融结合不应存在“市场还是政府”的狭隘争辩，应理顺政府和市场在科技金融发展中的关系，既要充分提升金融市场资源配置的效率，也应使政府财政资源更多的向科技创新产业倾斜，以市场和政府的合力共同促进科技和金融的结合。