基于Bootstrap―DEA的重庆金融支持战略性新兴产业效率研究 .doc

《基于Bootstrap―DEA的重庆金融支持战略性新兴产业效率研究 .doc》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、基于Bootstrap―DEA的重庆金融支持战略性新兴产业效率研究　　金融支持政策是政府实施管制性金融剩余动员，并通过银行信贷干预、差别化贷款利率管理等措施，为公有经济部门配置超过市场竞争均衡水平的信贷资金并相应提供金融租金补贴的一系列制度安排。　　摘要：本文将DEA模型与Bootstrap方法相结合，对重庆市37家战略性新兴产业上市公司2014年的金融支持效率进行测算，并对其纯技术效率和规模效率进行聚类分析。研究结果表明：重庆战略新兴产业的金融支持效率没有达到有效前沿面，主要在于纯技术效率的低效。板块分析来看

2、，新三板市场的金融资源配置效率最高，其次是主板市场，而创业板市场的效率最低。聚类分析则表明，重庆战略性新兴产业的金融支持模式不存在双高型，而双低型公司则占到近六成。在此基础上，本文提出了提高重庆金融支持战略性新兴产业效率的建议。　　关键词：金融支持;效率;Bootstrap-DEA方法;战略性新兴产业　　一、引言　　由于战略性新兴产业具有高投入、高风险的特点，因此在培育和发展的初期亟需金融资源的强有力支持。金融资源是有限的，金融支持效率的高低将对培育战略性新兴产业起到重要的影响作用。因此，现阶段从效率的角度来研

3、究重庆战略性新兴产业的金融支持，将具有更为现实意义。由于战略性新兴产业的概念提出时间较短，在此类产业中的金融资源数据，要么因为公开程度不高而难以获取，要么因为数据时间序列不够长难以进行计量分析，因此相关金融支持效率的研究主要对上市公司进行样本分析。本文在前人研究基础上，选择与重庆十二五规划提出的战略性新兴产业相关的上市公司为研究对象，运用DEA模型与Bootstrap方法相结合的方式，对这些企业2014年的财务数据进行测算，以此评价重庆战略性新兴产业的金融支持效率。　　二、文献综述　　(1)国外相关文献　　be

4、rg(2003)以及Casamatta(2003)则认为风险投资能较好地解决新兴产业融资过程中面临的融资门槛高、信息不对称和道德风险等问题，有效地促进了技术创新[6-7]。　　(2)国内相关文献　　自我国提出战略性新兴产业以来，我国学者就对金融支持战略性新兴产业进行了广泛的研究，致力于如何更好地发挥金融功能，促进战略性新兴产业发展。从现有文献来看，国内学者主要集中于战略性新兴产业的金融支持模式、金融体系构建以及金融创新等方面，取得了丰富的研究成果，为金融与战略性新兴产业的有效结合提供了思路和参考，较少有从效率角

5、度来评估金融支持战略性新兴产业的实际效果。　　综上所述，从现有文献来看，国外学者主要研究某种金融主体或融资方式对新兴产业的影响。国内学者则主要研究战略性新兴产业的金融支持模式、金融支持体系和金融创新。然而我们认为，虽然金融资源对于战略性新兴产业的发展是不可或缺的因素，但我国仍然还是一个发展中国家，拥有的金融资源有限。那么，从效率的角度来评估金融支持战略性新兴产业就具有更为实际的意义。　　三、理论研究方法与数据处理　　(1)理论模型选择与构建　　DEA模型是由Charnes等提出的，它基于规模报酬不变假设，测算的

6、是决策单元的技术效率(TechnicalEfficiency，简称TE)[14];而Banker等则基于可变规模报酬的假设对DEA进行修正提出了BCC模型，并对技术效率进一步分解为纯技术效率(PureTechnicalEfficiency，简称PTE)和规模效率(ScaleEfficiency，简称SE)，表示造成技术无效率的原因在于决策单元管理无效造成资源浪费以及决策单元未达到最佳生产规模而造成的无效[15]。考虑到重庆战略性新兴产业的公司对金融资源配置规模是可变的，所以选择用BCC模型进行分析。同时，基于金

7、融内生理论，将金融支持视为影响战略性新兴产业发展的内生因素，故将其作用机理假设为一个金融支持和战略性新兴产业的黑箱，满足BCC模型多投入多产出的要求，以此测算重庆金融支持战略性新兴产业的效率。　　其中，xij为第j个公司的第i种金融投入，yij为第j个公司的第r种效益产出，m、s和n分别表示金融投入、效益产出和公司的个数，?兹为决策单元的效率值。　　需要注意的是，虽然DEA方法具备一些参数估计法所不可比拟的优点，但由于观测样本有限以至于测算得到的效率值难以回避样本敏感性和极端值影响的问题。而Kniep等也指出，

8、通过DEA模型得到的效率值实际上是一种相对效率，相对于绝对效率值来说，是有偏的、不一致的估计量[16-17]。基于该原因，Simar和Wilson提出了Bootstrap-DEA方法来解决该缺陷。Bootstrap-DEA方法用重复自抽样的方法来推断DEA估计值的经验分布，通过引入针对非参数距离函数估计的Bootstrap纠偏方法对技术效率及其变化进行更为精确的测算，以此改善传统DEA