中国统计体系创新论文

摘要：选取适宜的评价指标构建区域创新系统行为主体间耦合成熟度的评价指标体系，使用投影寻踪法评价中国29个省份、市和地区的区域创新系统行为主体间耦合的成熟度，并使用分层聚类分析方法对区域创新系统行为主体间耦合成熟度的评价数值进行聚类总成，合理、准确地评价区域创新系统行为主体间耦合成熟度的状态，提高区域创新系统运行效率和促进区域经济发展。下面是小编精心推荐的《中国统计体系创新论文(精选3篇)》，希望对大家有所帮助。

中国统计体系创新论文 篇1：

新常态下金融与技术协同创新的实证研究

Empirical Study on the Collaborative Innovation of Finance and Technology Under the New Normal

——Analysis Based on Grey Relational Degree Model

WU Xue-ping， XU Xian-li

（Anhui Business College， Wuhu 241002， China）

【摘  要】论文通过构建金融创新和技术创新两大体系，选取创新效率、创新规模、技术创新投入和技术创新产出4个一级指标和10个二级指标，利用灰色关联度模型，比较分析了经济新常态下金融与技术协同创新力度。结果表明，经济新常态下金融创新与技术创新存在较高关联度，在此基础上，论文提出了完善金融与技术协同创新的法律法规体系、加强政府引导作用以及完善资本市场的政策建议。

【

【关键词】金融;技术;协同创新;灰色关联度

【

1 引言

习近平总书记2014年5月在考察河南的途中第一次用到“新常态”一词，之后新常态经济便被越来越多的关注。最近几年，国内生产总值增速开始回落，从过去高达10%左右的高速增长转为7～8%的中高速增长，这意味着中国经济进入“新常态”。什么是新常态经济呢？新常态意味着我国经济结构不断调整升级，从对生产要素和投资规模的依赖逐步转向创新驱动。因此在这一阶段，中国经濟如何实现提质增效尤为重要。新常态下，金融创新与技术创新将会成为中国经济发展的原动力，金融创新与技术创新相结合，对于提高企业的自主创新能力、推动行业发展、增加社会福祉、建设创新型国家有着深远意义。

2 金融与技术协同创新的相关文献研究

“金融创新”一词最早源于奥地利经济学家熊彼特《经济发展理论》一书。在该书中，熊彼特就对金融与技术的关系做了深刻的分析，技术创新概念也最早由熊彼特引入经济增长理论中，他认为金融发展能够推动技术持续创新进而推动经济增长，技术创新是经济增长的源泉，单纯依靠要素的投入以及结构的调整是无法从根本上推动经济的高质量发展的。

从学者们的以往研究成果来看，对金融与技术协同创新关系的分析有着并不一致的见解。部分学者在研究过程中发现，金融创新与技术创新表现出正相关关系。曹东勃、秦茗提出技术创新与金融创新相辅相成，当金融资本过剩，必然会要求旧有技术的改革，因此金融的发展为技术创新提供资金的支持，反过来强有力的技术创新又能为金融发展带来利润空间[1]。彭风、马光悌从微观角度出发，认为证券业的发展经历了由产品单一，同质化严重向服务创新和业务创新阶段的发展，这个过程是离不开技术的大力支持的，因此技术是可以为金融发展提供助力的[2]。谢平、邹传伟认为互联网信息技术的出现对现有金融服务模式产生了巨大影响，在互联网信息技术作用下，金融发展不是依靠本身的分工和结构调整，而是在很大程度上是依靠技术进步的[3]。李苗苗等以面板数据进行实证研究，分析了金融发展、技术创新与经济增长之间的相互关系。实证结果表明金融发展和研发投入呈现正向关系，技术创新能够显著促进经济增长，在经济发展水平不高的国家，金融结构的调整和升级对经济增长起到正相关关系，但是金融规模的增长对经济增长的影响则是显著负相关，而这一问题却可以技术进步来实现转变[4]。崔庆安等采用空间杜宾模型，对我国金融发展、产业结构升级以及技术创新三者之间的关系进行了分析，研究结果表明，金融发展能促进技术创新的溢出效应，而且金融发展和产业结构升级对技术创新有正向的促进作用[5]。叶子荣、贾宪洲利用省际动态面板数据考察了金融支持和自主创新的影响。结果表明，用三种专利数量整体来对创新产出进行衡量，则金融支持对创新产出具有显著的正向效应，但如果独立开来进行考虑，则会发现金融支持对实用新型和外观设计有显著的正向影响，而对发明专利影响并不显著[6]。得出类似结论的还有王鸾凤等实证检测了金融发展模式对技术创新的影响，研究结果表明，长时间来看，金融创新的规模和程度对于技术创新的影响效果并不明显，经济发展速度过快对技术创新有着反向的影响[7]。

因此，关于金融创新与技术创新的协同关系研究，尤其是在经济发展进入新常态情况下，无论是理论还是实证研究都是不足的。本文从金融与技术协同创新的角度出发，探讨在经济步入新常态模式下，金融与技术协同创新的效应，通过协同模型分析二者之间的协同度来进行论证，以期通过检验结果来为我国经济增长动力转化提供有意义的科学依据。

3 指标选取与模型建立

3.1 指标选取

金融创新和技术创新评价指标体系的建立，国内外学者都作出过贡献，已经存在一定的理论基础。由最初的用研发支出、科研人员数量等单一指标来衡量技术创新，用金融机构贷款余额、金融总资产等单一指标来衡量金融创新，发展到使用综合指标来对创新进行衡量和测度，这是研究的进步。随着研究的不断深入，单一指标逐步被摒弃，综合指标被越来越多的采用。Furman和Hayes以创新基础设施、技术与产业的关联度以及集群产业的创新环境等综合指标来衡量国家的技术创新程度[8]。喻平开始利用金融创新贡献率、金融创新技术系数、金融工具的替换率等指标来综合考虑国家层面上的金融创新能力[9]。国内学者们在综合指标的选择上更能够适应中国经济的发展现状，金融创新与技术创新的代表指标众多，对于权威性的指标必须予以考虑，另外，实证研究注重定量分析，因此指标的现实意义以及获取方式值得注意。本文选取的指标均来源于中国金融统计年鉴和中国统计年鉴，以保证指标的可操作性。借鉴已有的研究成果并考虑到经济发展过程涉及的金融创新和技术创新指标，参考中国金融统计年鉴的统计口径，本文构建了衡量金融创新和技术创新的综合指标体系，如表1所示。

金融创新体系主要从两个二级指标，金融创新效率和金融创新规模来进行衡量，在二级指标下一共建立4个三级指标，三级指标的选取能够比较好地反映出中国金融发展的创新程度。技术创新体系也是分两个二级指标，又进一步选取了6个三级指标，力图从技术创新投入和技术创新产出两个角度来较好地衡量技术创新的力度。

3.2 灰色关联度模型的建立

本文引用灰色系统理论创始人邓聚龙教授的灰色关联度模型来对金融与技术创新的协同度进行量化分析，灰色关联度以各要素的时间序列曲线的相似程度来判断其关联性，两条曲线走势越相似，越说明要素之间的关联度越高，反之，则越低，计算步骤如下。

3.2.1 确定参考序列和比较序列

设定参考序列为Yi（t）={Yi（t）|t=1，2，3，…，k}，i=1，2，3，…，m，参考序列为Xj（t）={Xj（t）|t=1，2，3，…，k}，j=1，2，3，…，n，Yi（t）代表金融创新体系各要素在t时间点的数值，Xj（t）则代表的是技术创新体系各要素在t时间点的数值。

3.2.2 计算灰色关联系数

ξi（j）（t）=，ξi（j）（t）为要素关联系数，ρ为系统分辨系数，我们一般取值为0.5。

3.2.3 计算灰色关联度

根据灰色关联系数，我们就可以计算出灰色关联度，γij=ξi（j）（t），γij为金融创新和技术创新的协同度。

4 金融与技术协同创新的实证分析

考虑到新常态经济发展的时间跨度以及研究数据的可获取性，本文选取2014-2019年6年时间序列数据，数据均来源于中国金融统计年鉴和中国统计年鉴。根据模型，对金融创新和技术创新体系的各项指标进行赋值，如表2所示。

鉴于数据单位及各自属性的不同，本文采用标准差法对初始数据进行无量纲化处理。继而运用MATLAB矩阵命令运行得出金融创新指标与技术创新指标之间的关联度，数值如表3所示。

根据灰色关联度理论，0<γij≤1，则说明Yi（t）与Xj（t）之间有关联性，γij越大，代表二者之间的关联度越高，反之，则越小。当0<γij≤0.35时，说明关联度非常小，两指标的协同作用能力弱;当0.35<γij≤0.65，说明关联度中等，两指标的协同作用能力中等;当0.65<γij≤0.85，则关联度较高，说明协同作用效果明显;0.85<γij≤1，关联度极强，说明两要素的作用规律几乎一致。根据数据运行结果，我们发现金融创新体系和技术创新体系所有指标关联度都远远大于0.35，说明金融与技术协同创新能力整体上来说是不弱的，而且多数指标值均大于0.65，说明新常态经济下，金融与技术协同创新的能力较强，但是所有指标均未高于0.85，也就是说金融与技术协同创新的能力并没有发挥到极佳状态。与金融创新体系关联度最高的指标来自于技术创新体系的研发投入项下的“研发投入/GDP”指标，该指标代表的是研发投入的强度，说明了研发投入在金融发展中起到非常重要的作用，它是金融創新的动力来源;与金融创新体系关联度仅次之的指标是“专利申请受理数”，说明金融创新必须要有技术的支撑，金融创新不单单只是分工和结构的调整，它应该是依赖于技术进步而进行的。由此可见，研发从投入到产出对金融创新的作用是连续性的。与技术创新体系关联度最高的指标是创新体系中的“金融机构贷款余额/GDP”，该指标代表的是金融中介资金配置的效率，说明技术创新的投入资本很大一部分是来自于金融机构的贷款，金融创新为技术创新提供资金支持，而技术创新最终也会反哺金融创新，如金融创新工具的升级以及金融创新设备的更新等。从一级指标来看，金融创新效率与技术创新体系的关联度相对于金融创新规模来说更高，说明金融规模与技术创新的协同度有待加强，同时我们也发现技术创新投入对金融创新体系的关联度相对于技术创新产出来说也更高一些，因此，技术创新产出与金融创新的协同作用也有待加强。

5 政策建议

针对以上分析，我们发现新常态经济下，我国金融与技术协同创新正在有序进行，但二者之间的协同度仍有待加强，本文给出以下几条建议。

5.1 健全金融与技术良性协同创新的法律法规体系

新常态下，我国金融与技术协同创新的程度需要向更高阶段的协同度递进，这是我国经济发展，建设创新型国家的必然要求。健全相关法律法规体系对协同创新起到了保驾护航的作用。技术创新是存在风险性的，因此风险投资必须要有法律法规的保障才愿意进入技术领域，健全的法规体系不仅能够规范市场运作，保障风险投资人的利益，而且可以在体现国家的产业政策和经济发展方向的同时，为企业的技术投资提供鼓励和支持。

5.2 发挥政府引导作用

市场经济条件下，政府虽不能越俎代庖，过分干预，但是政府的引导作用需要充分体现。政府可以为金融与技术协同创新提供良好的外部条件和业态环境，建立跨部门、跨行业、跨层级的沟通平台，不仅可以实现金融与技术协同创新要素的充分流动和配置，实现资源共享，优势互补，还可以有效提高企业创新风险的控制能力，减少创新失败成本，提高创新成效。另外，政府还可以采取多元化的鼓励和支持措施，激发企业技术创新的积极性，调动企业将技术成果转化为生产力的热情。

5.3 完善技术创新的多元化金融支撑体系

首先，传统的商业银行虽然为技术创新提供了在信贷政策、信贷产品等方面的支持，但是并没有为技术创新提供足够的空间和操作自主性，没有设置独立的部门或者技术支行给予支持，使得无论是在金融服务政策还是创新金融产品上都会受到银行经营战略的干预和影响，因此设立独立的专业化、市场化的技术银行是十分必要的;其次，完善的多层次的资本市场是技术创新的重要金融支撑，建立多层次股权投资结构，加大各投资主体对技术创新型企业的融资支持，降低技术创新企业的划分及融资门槛，鼓励技术创新企业对金融创新工具的运用，及时披露技术企业的经营信息，激励技术成果的市场化，通过完善资本市场来推动技术创新。

【参考文献】

【1】曹东勃，秦茗.金融创新与技术创新的耦合——兼论金融危机的深层根源[J].财经科学，2009（01）：8-14.

【2】彭风，马光悌.技术创新在证券金融服务中发挥越来越重要的作用[J].中国技术投资，2011（05）：49-51.

【3】谢平，邹传伟.互联网金融模式研究[J].金融研究，2012（12）：11-22.

【4】李苗苗，肖洪钧，赵爽.金融发展、技术创新与经济增长的关系研究——基于中国的省市面板数据[J].中国管理科学，2015，23（02）：162-169.

【5】崔庆安，王文坡，张水娟.金融深化、产业结构升级与技术创新——基于空间杜宾模型的实证分析[J].工业技术经济，2018，37（02）：42-50.

【6】叶子荣，贾宪洲.金融支持促进了中国的自主创新吗[J].财经科学，2011（03）：10-18.

【7】王鸾凤，姜概.创新差异下的金融发展模式对技术创新的影响[J].当代经济，2018（16）：64-66.

【8】Purman，J.&R.Hayes.Catching up or Standing Still National Innovative Productivity among Follorer Couontries[J].Research Po1icy，2004（33）：1329-1354.

【9】喻平.金融創新与经济增长的关联性研究[D].武汉：武汉理工大学，2004.

【基金项目】安徽商贸职业技术学院“三平台两基地”校级重点项目：新常态下金融与技术协同创新对中国商业银行绩效影响研究，2020ZDF04;安徽商贸职业技术学院校级重点科研项目：安徽自由贸易试验区金融创新及其影响研究，2021KZR12;2019年高校优秀青年人才支持计划重点项目，gxyqZD19102。

【作者简介】吴雪萍（1987-），女，安徽芜湖人，讲师，从事产业经济学、金融管理研究。

作者：吴雪萍 许贤丽

中国统计体系创新论文 篇2：

区域创新系统行为主体间耦合成熟度的评价研究

摘 要：选取适宜的评价指标构建区域创新系统行为主体间耦合成熟度的评价指标体系，使用投影寻踪法评价中国29个省份、市和地区的区域创新系统行为主体间耦合的成熟度，并使用分层聚类分析方法对区域创新系统行为主体间耦合成熟度的评价数值进行聚类总成，合理、准确地评价区域创新系统行为主体间耦合成熟度的状态，提高区域创新系统运行效率和促进区域经济发展。

关键词：区域创新系统；行为主体；耦合；成熟度

引言

区域创新系统是指在特定区域内，各种与创新相联系的主体要素、非主体要素以及协调各要素之间关系的制度和政策网络。区域创新系统的行为主体主要包括相互合作的参加技术创新和扩散的企业、大学及研究机构、科技中介服务机构以及政府等[1～2]。企业是区域创新系统的核心行为主体。区域创新系统行为主体间相互影响、相互依赖、相互作用和相互促进，行为主体之间耦合释放的能量能够使区域创新主体的各行为主体获益。参考相关文献，本文认为区域创新能力、区域技术扩散能力、区域技术创新投入能力、区域技术创新产出能力、区域技术创新支撑能力、区域企业学习能力、区域对外开放程度、区域创新氛围和区域创新环境是区域创新系统行为主体间耦合的主要产物。因此，采用准确和高适用性的评价指标体系和客观评价方法，评价和度量区域创新系统行为主体间耦合状态所处的级别及区域创新系统行为主体间耦合成的成熟程度显得非常重要，是亟待解决的理论问题。

学者们对区域创新系统和区域创新能力的相关内容进行了研究，主要集中在区域创新能力评价指标体系和区域创新能力评价方法等方面，认为区域创新能力的提升是区域创新系统行为主体间耦合的结果之一，这些成果对进一步评价区域创新系统行为主体间耦合的成熟度有借鉴意义。柳卸林等从知识创造、知识流动、企业技术创新能力、技术创新环境、技术创新的经济效益角度构建区域创新能力评价指标体系[3]。赵希男等从创新主体和创新环境角度构建区域创新能力评价指标体系，使用基于个性优势特征分析方法对区域创新能力进行实证评价[4]。申雪梅以中国西部地区为研究对象，使用灰色关联理论对区域创新能力进行评价。刘凤朝等在构建区域自主创新能力评价指标体系的基础上，使用集对分析法对区域自主创新能力进行了评价[5]。刘高扬等采用知识创造能力、知识获取能力、企业科技创新能力、社会创新环境以及创新经济效益五个一级指标构建区域创新能力评价指标体系，并采用结构方程模型建模方法对区域创新能力进行了评价[6]。吴婷等使用SVDD方法对中国的区域创新能力进行了评价[7]。任胜钢等在构建区域创新能力评价指标体系的基础上，使用因子分析方法对中国区域创新能力进行评价及比较分析[8]。薛风平等从区域创新资源、合作创新、创新产出、社会资本和区域文化五个方面构建区域创新能力评价指标体系，并使用LS-SVM方法构建了区域创新能力评价模型。刘友金通过科技投入和产出两个因子构建区域创新能力评价指标，并运用聚类分析方法比较中国各省创新能力的差异性。孙锐等使用因子分析和聚类分析相结合的方法对区域创新能力进行评价[9]。石沛等在构建区域创新能力评价指标体系的基础上，构建空间计量模型，对2004—2007 年中国区域创新能力及其影响因素进行实证研究[10]。学者们从不同角度出发选择不同的评价和度量指标构建区域创新能力评价指标体系，使用不同的方法评价区域创新能力。但是，缺少研究区域创新系统行为主体间耦合成熟度评价指标体系和评价方法的相关研究成果。综合投影寻踪法和聚类分析方法的优点，本研究构建和提出区域创新系统行为主体间耦合成熟度评价指标体系，并运用投影寻踪法，使用中国各省、市和地区的统计数据对已提出的区域创新系统行为主体间耦合成熟度评价指标体系实施实证评价。在区域创新系统行为主体间耦合成熟度评价值基础上，使用聚类分析方法进行聚类和总成。

一、区域创新系统行为主体间耦合成熟度评价指标体系的构建

鉴于区域创新能力的重要性以及区域创新能力是区域创新系统行为主体间耦合的产物之一，本研究主要参考区域创新能力的相关评价指标[3～15]，借鉴李晓娣等的互动路径的相关研究成果[16]，构建了区域创新系统行为主体间耦合成熟度的评价指标体系（见表1）。区域创新系统行为主体间耦合成熟度的评价指标体系的构建应满足科学性与现实性原则、数据客观性原则、系统整体性原则、可操作性原则、高适用性原则和动态连续性原则[12～16]。本文从区域技术扩散能力、区域技术创新投入能力、区域技术创新产出能力、区域技术创新支撑能力、区域企业学习能力、区域对外开放程度、区域创新氛围和区域创新所依赖的环境（简称区域创新环境）方面构建区域创新系统行为主体间耦合成熟度评价指标体系。区域创新系统行为主体间的耦合促进区域创新系统行为主体间的相互作用、相互影响和相互依赖，区域创新系统行为主体间的耦合释放的能量促进和进一步提升区域技术扩散能力、区域技术创新投入能力、区域技术创新产出能力、区域技术创新支撑能力和区域企业学习能力，深化、强化、改善和深层次营造区域创新氛围和区域创新环境，积极和其他区际（国际）的区域创新系统行为主体进行合作，提升区域对外开放度。

二、区域创新系统行为主体间耦合成熟度评价方法分析

投影寻踪法成为一种评价高维度、多维度数据的新型评价方法[17～19]，它是新型评价方法的原因主要在于投影寻踪法不但明确考虑将高维数据和多维度复杂的数据降维化[17～19]、简单化、稳健化和精确化，同时通过最优化投影方向、投影特征值、投影指标函数、最大化的投影指标函数值等特征化指标客观、精确地反映和表征各个评价指标的权重，并体现各个评价指标对上一级指标及总指标的重要程度和贡献大小。区域创新系统行为主体间耦合成熟度评价指标体系包括一级指标区域技术扩散能力、区域技术创新投入能力、区域技术创新产出能力、区域技术创新支撑能力、区域企业学习能力、区域对外开放程度、区域创新氛围和区域创新环境。区域创新系统行为主体间耦合成熟度评价指标体系包括八个一级指标，一级指标包括二个—四个二级指标，评价指标高维度化和多维度化，指标间存在一定非线性化度。投影寻踪法自身具备的特点促使投影寻踪法在解决上述问题具有一定的胜任力。在区域创新系统行为主体间耦合成熟度评价指标基础上，使用投影寻踪方法评价具体年份和具体区域的区域创新系统的行为主体间耦合成熟度，包括三个步骤[17～19]：

1.构造投影特征值

Zj=xij×ai （1）

式中，xij（i=1，2，…，m； j=1，2，…，n）为样本的某个指标经规范化处理后的数值，ai是投影方向矢量a的分量。

2.构造投影指标函数Q（a）

定义类间距离：

s（a）=[（Zj-Z2）/n]1/2 （2）

定义类内密度：

d（a）=（R-rjk）×f（R-rjk） （3）

构造的投影指标函数：

Q（a）=s（a）×d（a） （4）

式中，Z=（Zj）/n；rjk为样本j和k的综合特征值Zj和Zk之间的距离；R为密度的窗宽 [17～19]。

3.优化投影方向

优化目标函数：

maxQ（a）=s（a）×d（a）=[（Zj-Z2）/n]×（R-rjk）×

f（R-rjk） （5）

S.T. ||a||=1 （6）

在||a||=1作用和影响下，使用基于实码加速的遗传算法，具体步骤见参考文献[17～19]，求解出Q（a）最大值，进一步寻求最优投影方向a。

三、区域创新系统行为主体间耦合成熟度的实证评价

使用投影寻踪方法和MATLAB软件实证评价区域创新系统行为主体间耦合成熟度。由于数据的时滞性和数据统计口径的不一致性，部分统计的评价指标变动了获取路径，部分评价指标也被汇总和归纳到其他评价指标中。为了保障统计数据的稳定性、一致性和同一统计口径，避免不同统计口径和不同单位对运算过程产生的影响。本文从2010年《中国科技统计年鉴》、《中国统计年鉴》和《中国经济统计年鉴》上收集上页表1中评价指标的数据，并对数据进行无量纲化，由于西藏和青海部分指标有所缺失，故将两个省份加以剔除。由对无量纲化后的数据进行定量化操作，构建投影特征值Zj、计算类间距离、计算类内密度、构建投影指标函数Q（a）、优化投影方向、使用相关的遗传算法求解出Q（a）最大值，同时寻求最优投影方向a，将a数值代入Zj=xij×ai ，得出29个省、市、地区的区域创新系统行为主体间耦合成熟度的具体化的评价值（见表2）。

从表3可以看出，29个省份、市、地区的区域创新系统行为主体间耦合的成熟度评价值高低的排序。从大到小的省份、市和地区依次为：广东、江苏、北京、山东、上海、浙江、天津、辽宁、河南、湖北、安徽、河北、湖南、四川、福建、陕西、重庆、吉林、黑龙江、江西、山西、广西、内蒙古、甘肃、云南、贵州、新疆、宁夏和海南。经济发展水平排在前几位地区的区域创新系统行为主体间耦合的成熟度评价指标均排在前列，出现此现象的原因在于：这些地区注重R&D经费支出，在积极引进外部技术的同时、注重对技术的改造、消化和吸收等，积极申请专利，扶植和发展高技术产业，增强新产品产值和新产品销售收入，加强区域对外的开放程度，积极引进和吸收外商直接投资，加大出口力度，增强产品的国内市场占有率和国际市场占有率，并与当地的研究与开发机构、高等院校进行良性的互动合作。并且这些地区区域技术扩散能力、区域技术创新投入能力、区域技术创新产出能力、区域技术创新支撑能力、区域企业学习能力、区域创新氛围和区域创新环境等方面均占有优势。上页表3中评价值排在后面的地区大多数是西部地区，造成这些地区区域创新系统行为主体间耦合的成熟度评价值低下的原因：这些地区R&D经费支出较少、R&D经费支出占企业主营业务收入比重较低，R&D人员和科技人员数量较少，企业和当地的研究与开发机构、高校互动频率较低，技术创新发展得到政府和金融机构的扶植和支撑较少，在引进技术的同时、并不注重对技术的吸收、消化和进一步改造等。由于这些地区的地理位置偏远、通讯、道路和网络等基础设施的不完善，区域开放度较低，不易吸收外商直接投资和地区的出口，不易吸纳外来的技术和知识流动，技术扩散效应和技术溢出效应不显著，区域创新环境和区域创新氛围还有待进一步完善和优化。这些地区发展主要依赖于农业、林业、畜牧业和旅游业等，区域产品、高技术产品的竞争优势和国际竞争力偏低，技术创新投入能力和技术创新能力较低。

另外，使用分层聚类分析将各地区区域创新系统行为主体间耦合的成熟度的评价值进行聚类和总成，可以聚成四类。第一类包括的地区：广东和江苏。第二类包括的地区：北京、山东、上海和浙江。第三类包括的地区：天津、辽宁、河北、山西、吉林、黑龙江、安徽、福建、江西、河南、湖北、湖南、重庆、四川、陕西。第四类包括的地区：内蒙古、广西、海南、贵州、云南、甘肃、宁夏和新疆。

结论

选取区域技术扩散能力、区域技术创新投入能力、区域技术创新产出能力、区域技术创新支撑能力、区域企业学习能力、区域开放度、区域创新氛围和区域创新环境等一级评价指标和对应的二级评价指标构建区域创新系统行为主体间耦合的成熟度评价指标体系，采纳避免主观赋予权重的投影寻踪建模方法评价2009年中国29个省份、市和地区的区域创新系统行为主体间耦合成熟度。并采用分层聚类分析方法对区域创新系统行为主体间耦合的成熟度的评价值进行聚类和总成，已构建的区域创新系统行为主体耦合成熟度的评价指标体系和区域创新系统行为主体耦合成熟度评价方法具有可操作性、适用性和客观性。本文构建的区域创新系统行为主体间耦合的成熟度指标体系和区域创新系统行为主体间耦合的成熟度评价方法为评价各个地区区域创新系统行为主体间耦合的成熟度的实际状态和所处级别奠定理论基础。

参考文献：

[1] 王祥兵，严广乐，杨卫忠.区域创新系统动态演化的博弈机制研究[J].科研管理，2012，（11）：1-8.

[2] 牛盼强，谢富纪.区域创新系统博弈分析研究综述[J].科技管理研究，2009，（5）：16-19.

[3] 柳卸林，胡志坚.中国区域创新能力的分布与成因[J].科学学研究，2002，（5）：550-556.

[4] 赵希男，温馨，王艳梅.基于个性优势特征分析的区域创新能力评价与分析[J].科学学研究，2009，（3）：473-480.

[5] 刘凤朝，等.基于集对分析法的区域自主创新能力评价研究[J].中国软科学，2005，（11）：83-106.

[6] 李高扬，刘明广.基于结构方程模型的区域创新能力评价[J].技术经济与管理研究，2011，（5）：28-32.

[7] 吴婷，肖健华.基于SVDD的中国区域创新能力的评价[J].商业研究，2009，（2）：49-50.

[8] 任胜钢，彭建华.基于因子分析法的中国区域创新能力的评价及比较[J].系统工程，2007，（2）：87-92.

[9] 孙锐，石金涛.基于因子和聚类分析的区域创新能力再评价[J].科学学研究，2006，（6）.

[10] 石沛，蒲勇健.中国区域创新能力的空间计量经济研究[J].科技与经济，2011，（4）：11-15.

[11] 朱海就.区域创新能力评估的指标体系研究[J].科研管理，2004，（5）：30-35.

[12] 甄峰，黄朝永，罗守贵.区域创新能力评价指标体系研究[J].科学管理研究，2000，（6）：6-12.

[13] 王学军，陈武.区域智力资本与区域创新能力——指标体系构建及其相关关系研究[J].管理工程学报，2010，（3）：1-5.

[14] 侯风华，赵国杰.中国东部省市的区域创新能力评价研究[J].科学管理研究，2008，（2）：21-23.

[15] 魏守华，吴贵生，吕新雷.区域创新能力的影响因素——兼评中国创新能力的地区差距[J].中国软科学，2010，（9）：76-85.

[16] 李晓娣，田也壮，刘强.跨国公司R&D机构与中国区域创新系统互动路径研究——基于强迫进入法的分析[J].科研管理，2012，

（9）：1-9.

[17] 张磊，李慧民.基于投影寻踪原理的建筑业综合实力评价分析[J].经济数学，2011，（2）：107-110.

[18] 姚平，梁静国，陈培友.煤炭城市人口—资源—经济—环境系统协调发展测度与评价[J].运筹与管理，2008，（5）：160-166.

[19] 付强，金菊良，梁川.基于实码加速遗传算法的投影寻踪分类模型在水稻灌溉制度优化中的应用[J].水利学报，2002，（10）：39-45.

作者：李明超

中国统计体系创新论文 篇3：

基于熵值-Malmquist的我国区域创新效能综合聚类评价体系研究

摘要：面对高速发展的区域创新发展形勢，现有的区域创新能力评价体系难以适应。更多样的评价指标在区域创新发展过程中需要被合理考虑，从而单一维度的区域创新评价体系亟须完善，这对于认识区域科技创新发展态势可提供参考依据。本文从创新能力和创新效率两个维度切入，将区域创新划分为创新环境、创新合作、创新潜力、创新投入、创新产出、创新应用六个一级指标构建分析框架。通过创新能力和创新效率的综合测度将区域创新划分为5种类型：创新正反馈型、创新潜力型、能力引领型、效率引领型以及创新萌芽型。通过对每个聚类的特征进行探究，证实了我国各经济区的创新能力与创新效率的适配性存在区域间的显著差异，并根据这种差异性提出相关政策建议。

关键词：区域创新能力；创新效率；熵值法；Malmquist；聚类

开放科学（资源服务）标识码（OSID）：

0引言

20世纪中叶，知识经济时代的到来给全球多数国家地区带来了深度变革。从全球层面看，科技水平领先带来的优势使世界各国追求创新引领的发展格局；从区域层面看，科技创新和科技应用能力成为区域核心竞争力的关键因素之一，推动了我国经济高效可持续发展。区域科技发展态势伴随着我国将科技创新纳入区域和城市建设的重大发展战略而呈现出新的特征，一是各个地区都将自主创新能力建设放在提高区域核心竞争力的首要位置，区域之间在创新战略部署和安排上有显著差别。二是我国政府颁布的一系列重大战略规划，对区域创新投入产出效率的适应性提出更高要求。本文将对我国区域创新能力和创新效率进行综合评价，找出科技创新能力和创新效率的结构性差距，对保证区域科技创新健康可持续发展有现实意义。

1987年英国学者Chris Freeman提出，国家创新体系是国家内部组织系统及其子系统的相互作用而形成的。自此，国家创新体系概念的提出为区域科技创新能力评价的研究提供了理论支持。20世纪80年代，我国开始兴起针对科技创新评价的研究[1]，随着研究的大量进行，产出了丰富的科研成果。区域创新能力分为广义和狭义之分，其中广义创新能力是从系统整体角度理解的区域创新能力本质，主要包括创新环境、创新基础设施、创新资金、人力资源等。朱海就[2]认为区域创新能力实际上就是网络的创新能力，创新环境是创新能力的支撑条件。刘凤朝等[3]建立自主创新能力的评价体系，并以我国的八大经济区为基本单元进行了分析评价。周立等[4]使用因素分析法对我国的区域创新能力进行了定量分析，并对31个省市的分析结果进行比较。康健等[5]应用复合系统协调度模型，对基于区域产业互动的三螺旋协同创新能力模型完成实证检验。鲁继[6]通从协同创新的视角，对京津冀区域各子系统的创新协同配置能力、创新环境支撑能力、知识重组能力、创新经济溢出能力、技术创新和应用能力进行了测度。杨明海等[7]通过实证研究证实了我国七大主要城市群科技创新能力分布呈不同的极化现象和趋势。

另一方面，狭义创新能力仅包括创新产出，认为创新产出是多因素的作用结果，是创新能力的集中体现。党文娟等[8]采用计数模型中的负二项分布Negatitive-binomial方法证实了区域环境对区域创新能力具有非常重要的影响作用。王锐淇等[9]利用SFA方法和Malmquist方法，在估计区域技术创新能力影响变量的同时对我国区域技术创新效率进行了测度，并从内生和外生角度分别对影响科技创新效率的因素进行了分析。宇文晶等[10]通过采用两阶段串联DEA模型和Tobit回归模型，证实纯技术无效率是引起技术效率偏低的主要原因。

研究者从宏观或微观角度对区域科技创新能力进行测度，并取得较丰富的研究成果，但是大多数研究只是单一地从广义和狭义的角度去评测区域科技创新能力和创新效率。本文通过构建区域创新能力分析框架，结合广义和狭义创新能力评价视角，从创新能力和创新效率的综合角度对我国31个省、市、自治区进行评价，以期能对我国科技创新能力建设提供支持。

1评价指标及体系建立

1.1评价框架建设

2005年，Hu等[11]在对Furman等[12]的FP&S创新能力分析框架进行完善的基础上建立了H&M分析框架，该框架主要由五个部分组成：（1）创新基础设施，文中将其描述为人口、科研人员、工程师等创新产出人员，以及研发支出占国民资本的比重；（2）原始知识积累，把GDP和专利积累作为知识聚集能力的潜在和直接体现；（3）资源承诺和政策选择包括了知识产权保护强度、高等教育、反托拉斯、专利存量和人均GDP；（4）创新产业集群的环境描述为私人研发支出占研发支出总额的比重、技术强度；（5）创新环境与创新基础设施之间的链接是高校研发支出和风险投资实力。具体如图1所示。

2013年，Castellaccia等[13]在广义的创新能力评价体系之上，提出国家科技创新动态系统是由创新能力和吸收能力两大模块驱动的观点。一方面，国家创新动态体系中的创新能力包括创新投入、科学产出和技术产出三种体现形式，其中创新投入与基础设施和人力资本存在联系；另一方面，吸收能力包括基础设施、国际贸易、人力资本、机构质量和社会凝聚力等因素，多种因素共同作用产生的效应驱动创新能力的系统发展。同时，收入水平作为吸收能力和创新能力的外在联系，影响着动态科技创新系统的演化路径。具体框架如图2所示。

基于以上两种理论框架，吸收FP&S创新能力分析框架将创新基础设施、创新产业集群环境和创新能力分化的特点，借鉴C&N国家创新动态体系框架中吸收能力和创新能力的子系统划分形式，做出以下改进：第一，把吸收能力内部的创新要素进行细分重组。本文主要将其归类为创新合作和创新潜力两个部分，创新合作是一个经济和技术相结合，市场、技术、资本和经营管理相融合的复杂过程[14]，在这个过程中需要高等院校和科研机构深度配合企业为主体、政府主导的合作模式。这种吸收能力的内在机理是通过创新合作形式的创新潜力主体之间的合作研发应用、人才培养、仪器设备共享、信息获取等活动。第二，重新确定创新环境的具体内容。信息化和电子商务技术大大提升了高校企业的运转效率，节省大量时间和人力成本，适应社会信息化的快速发展。所以将创新环境分为泛用的电子通信技术和企业管理层面的信息和电子商务。第三，关注科技产出的下游效应，引入创新应用对创新环境和吸收能力的反馈机制。创新应用包括内部应用和外部应用，也就是科技产出转化并产生价值的过程。这种反馈将推进吸收能力内部单元的发展，并促进创新环境高效建设。具体如图3所示。

1.2指标体系建立

根据构建的区域科技创新能力评价框架，借鉴成熟的企业和产业科技创新能力评价指标，并考虑指标的数据可获得性和可操作性，选取指标体系如表1。

2模型建立

2.1模型选择

通过回顾现有的区域创新能力评价的文献，现有的区域创新能力评价方法主要分为以数理理论为基础和以统计分析为理论的方法。按照人对指标被赋予权重的主观能动性分类，主要分为主观评价法和客观评价法两种。主观评价法包括模糊综合评价法、灰色关联度分析法、TOPSIS评价法，这种主观评价方法这种主观评价方法主要通过专家打分的方式来确定各个指标的权重。这种评价方法的缺陷在于赋权方式具有较强的主观性，往往会因为过度注重经验的权威性而忽视了数据的客观性，导致结果出现较大偏差。而客观评价方法可以克服主观性过强的缺陷，例如主成分分析法可以把相关变量通过线性变换然后按照方差排序的方法识别出主成分，从而使综合评价结果唯一，缺点是计算繁琐、需要大样本量，并且对指标之间的线性关系依赖强烈。熵是对事物不确定性程度大小的度量，熵值法就是把信息熵理论应用于大量不相关指标的测度，从而反映现有信息量在总信息量之中占有的权重，具有更强的客观性[15]。在广义层面的区域创新能力评价的情景下，熵值法适用于对多层次、分类别的指标进行分析。

Malmquist全要素生产率指数不需要估计生产函数，并可以分解为技术效率、技术进步和规模效率的乘积，适用于多投入与多产出的系统研究；因此，我们可以运用Malmquist生产率指数对区域产业或企业的创新效率进行测度。Malmquist生产率指数反映了生产决策单元在一段时期内技术效率的变化，同时也反映了生产前沿的变动情况[16]。在狭义层面的区域创新能力评价情境下，Malmquist全要素生产率指数适合用于创新能力集中体现在创新产出的评价模式。

如果只应用广义或狭义的评价方法，只能在单一维度进行分析，这样结果可能因为偶然性而失真。本文在通过完善创新能力评价指標体系的基础上，组合了广义创新能力评价和狭义创新能力评价的概念，综合评价我国各省份的区域创新能力。

2.2熵值-全要素生产率指数法介绍

区域科技创新能力评价使用的模型构建如下：

式中，TECH指的是技术进步变化指数，EFFCH指的是技术效率变化指数。TECH和EEFCH相对1的位置解释为技术进步和技术效率的情况，当TECH大于1时，表明在t-1至t的期间存在技术进步，小于1则说明技术退步[18]；EFFCH测度的是t-1期到t期每个决策单元向最佳前沿移动的程度，当EEFCH大于1时，表明t-1到t期间决策单元向前沿面趋近，表明技术效率有提高，小于1则表明技术效率下降。其中，（xt，yt）代表t时期的投入产出向量，dt 0时期t的技术距离函数。

3实证分析

3.1数据获取与处理

选取中国大陆31个省、市、自治区作为研究样本，从《中国统计年鉴》《中国科技统计年鉴》以及国家统计局网站选取2017、2018两年数据。根据式（2）对原始数据进行标准化处理，然后根据后续公式计算出指标的权重值，如表2所示。

3.2实证结果分析及建议

以上介绍了区域科技创新能力评价指标体系和模型，并依据熵值法计算了各项指标的权重。下面将使用标准化数据与权重乘积，计算中国大陆31个省/市/自治区科技创新能力得分。通过全要素生产率指数分析得到31个省份在2018—2019年期间的技术效率变动EFFCH（相当于不变规模报酬生产技术）、技术变动TECH、纯技术效率变动PECH（相对于变规模报酬生产技术）、规模效率变动SECH和全要素生产率变动TFPCH。以全要素生产率变动作为创新效率高低的测度指标，全要素生产率指数分析结果如表3所示。

根据现有的全国31省市创新能力指数和创新效率指数的基础之上，以创新效率指数值为横坐标轴，以创新能力指数为纵坐标轴，进行广义和狭义创新能力的聚类分析。为了更好地表述区域科技创新能力的特征，首先对创新能力指数进行分区，现划分3个区域，创新能力指数大于3/2倍平均指数为Ⅰ区，小于3/2倍平均指数大于3/4倍平均指数为Ⅱ区，小于3/4倍平均指数为Ⅲ区。如果全要素生产率指数大于1，代表技术进步，反之则技术退步，所以在横坐标轴的 Malmquist全要素生产率指数为1处分界线，分成2个区间[19]，具体如图4。

根据分区聚类的结果，全部6个区域中有5个是有效的，分别对应创新正反馈型省份、创新潜力型省份、能力引领型省份、效率引领型省份、创新萌芽型省份。具体分类结果如表4所示。

3.2.1创新正反馈型

创新正反馈型省份代表了该聚类内的省份不仅有较强的创新能力基础，而且创新投入产出的效率较高，伴随着对区域创新环境和资源转化能力的正反馈，具体如表5所示。

北京市和广东省分别在3个指标排名中位列第1名，广东省科技创新能力整体提升贡献最大的是科技创新环境，从而表明区域电信基础设施建设能力对于整体创新能力的水平有很大影响；但是广东省创新投入相比于其他指标有待提高，同时应该进一步提高高校和机构从业人员比例，提升区域创新潜力。近年来，北京市R&D研发经费占全省生产总值（GDP）的比重始终保持在1%以上并持续增长，到2018年规模以上企业R&D经费达到了269亿元，位于全国最高水平；此外，北京市有较为庞大的科技人员队伍、众多高水平院校，越来越多人投入到科技研究中。江苏省、浙江省发展稳中有进，较为均衡。山东省应该注重新技术和外部合作与引进，同时增加创新投入和创新产出。

3.2.2创新潜力型

创新潜力型省份代表该聚类内的省份有较强的创新潜力，并且较高的创新效率可以支撑创新能力的进一步提高，具体如表6所示。

重庆市科技创新各项指标表现突出，发展较为均衡，应该加强创新合作。其他省份各项指标发展不均衡，都有各自的缺陷。河北省和天津市应该注重企业电子商务化能力并进一步提升创新潜力。辽宁省、河南省、湖北省创新产出效果相对不理想，应该制定相关政策提升企业、高等院校、科研机构的创新效率。福建省创新环境和创新合作指标表现突出，但是创新潜力和创新投入相对滞后。总体来说，此聚类内省份表现出科技创新子系统发展不均衡的特征。

3.2.3能力引领型

能力引领型省份代表此类省份创新能力基础处于中部区间，但是创新效率指数小于1，可能存在创新能力下降的风险，需要注意区域科技创新系统的稳定性，具体如表7所示。

四川省4项指标排名第一，但是需要创新发展重向创新产出的应用方面倾斜，应该更加注重新产品的研发和销售。安徽省、陕西省、湖南省情况较为类似，其中陕西省创新应用水平相对薄弱，安徽省、湖南省应该加大创新投入力度，同时注重创新系统内吸收能力的提高。

3.2.4效率引领型

效率引领型省份表示此区域内省份创新能力基础较弱，虽然创新投入产出效率大于1，但是短期时间内无法改变整体创新能力薄弱的局面，需要制定中长期的创新发展规划以适应改变迅速的动态创新格局，具体如表8所示。

陕西省、云南省、黑龙江省、吉林省都至少在一项创新指标得分中排名第1，这些省份应该保持现有科技创新优势，弥补科技创新指标的短板。山西省、贵州省、广西省、甘肃省大部分指标处于中等水平，应该注重创新资源转化能力的提升，加强创新基础设施建设。内蒙古、新疆、宁夏、西藏等自治区由于创新资源匮乏、创新活动开展较晚、创新基础较差，应该稳步提升创新基础能力，在规模扩大的过程中保持现有创新投入产出效率。

3.2.5创新萌芽型

创新萌芽型省份包括江西省和青海省，这两个省份创新能力基础较差，根据创新效率指标的表现，存在着技术水平下降的問题。此类省份应该尽快找出核心缺陷，提升当地企业创新积极性，大力支持高校和科研院所的创新合作，具体如表9所示。

4结论

以上基于Malmquist生产率指数模型、熵权法测度模型，并通过维度组合的聚类分析，以中国31个省市自治区为研究单元，对2019年的区域创新效率和创新能力进行了测度，并对其特征进行了分析，从多因素的创新驱动视角和地区差异化角度进行分析，主要得出以下结论：

第一，城市创新评价可以从创新环境、创新合作、创新潜力、创新投入、创新产出、创新应用6个方面构建综合性的创新能力评价指标体系，全程使用客观赋权的方法，具有较强的客观性，可以从全面视域下评价区域科技创新能力。通过我国各省市自治区科技创新能力评价的结果，可以看出本文构建的区域科技创新能力评价框架有较强的实用价值和指导性。

第二，对31个省市自治区进行了聚类分析，发现可以分为5类区域创新形式：创新正反馈型，创新效率和创新能力拟合，创新基础较好，创新环境和经费投入可以使创新能力实现增长；创新潜力型，创新基础较好，但是创新环境的不适应，导致总体创新能力发展停滞；能力引领型，创新能力基础较好，但是创新效率呈下行趋势；效率引领型，创新效率上行趋势，但是由于创新能力基础薄弱，制约了区域创新发展；创新萌芽型，创新能力和创新效率都有待提升。北京市、广东省、江苏省、浙江省、上海市、山东省创新综合指数处在全国第一梯队。从整体上看，我国大部分省市区域创新效率正向阶段（创新正反馈型、创新潜力型、效率引领型）。

第三，从细分指标因素看，创新合作和创新潜力是构成区域创新体系中吸收能力的主要部分，但对于创新能力综合指数的直接影响并不显著。不能忽略的是，创新应用阶段和创新效率的显著联系。并且，区域经济发展能力和水平、区域创新投入等创新环境因素仍然对区域创新效率有潜在影响，可以从一些经济发展并不领先的省市仍然有超过一线省市的创新效率表现，例如河北创新效率高于北京、山西的创新效率高于上海。

我国地区经济发展、地理位置、产业基础等仍存在差异，在建设创新型国家的大背景下，区域经济可持续发展也被重点关注。区域创新效率对于提升区域竞争力、维持区域经济的可持续发展具有重要影响作用。然而区域之间的差异化创新能力发展必将导致区域经济发展不平衡状态。因此如何在经济可持续发展、资源友好型社会的前提下实现区域创新能力的平衡也成为未来的一个研究方向。

参考文献：

[1]董微微.专利分析方法对技术路线图制定的支撑作用研究——基于技术创新视角[J].现代情报， 2017， 37（2）： 44-51.

[2]朱海就.区域创新能力评估的指标体系研究[J].科研管理， 2004（3）： 30-35.

[3]刘凤朝，潘雄锋，施定国.基于集对分析法的区域自主创新能力评价研究[J].中国软科学， 2005（11）： 83-91，106.

[4]周立，吴玉鸣.中国区域创新能力：因素分析与聚类研究——兼论区域创新能力综合评价的因素分析替代方法[J].中国软科学， 2006（8）： 96-103.

[5]康健，胡祖光.基于区域产业互动的三螺旋协同创新能力评价研究[J].科研管理， 2014， 35（5）： 19-26.

[6]鲁继通.京津冀区域协同创新能力测度与评价——基于复合系统协同度模型[J].科技管理研究， 2015， 35（24）： 165-170，176.

[7]杨明海，张红霞，孙亚男.七大城市群创新能力的区域差距及其分布动态演进[J].数量经济技术经济研究， 2017， 34（3）： 21-39.

[8]党文娟，张宗益，康继军.创新环境对促进我国区域创新能力的影响[J].中国软科学， 2008（3）： 52-57.

[9]王锐淇，彭良涛，蒋宁.基于SFA与Malmquist方法的区域技术创新效率测度与影响因素分析[J].科学学与科学技术管理， 2010， 31（9）： 121-128.

[10]宇文晶，马丽华，李海霞.基于两阶段串联DEA的区域高技术产业创新效率及影响因素研究[J].研究与发展管理， 2015， 27（3）： 137-146.

[11] HU M C， JOHN A. MATHEWS. National innovative capacity in EastAsia [J]. Research Policy， 2005， 34（9）： 1322-1349.

[12] FURMAN J L ， PORTER M E ， STERN S. The determinants of national innovative capacity [J]. Research Policy， 2002， 31（6） ： 63-63.

[13] CASTELLACCI F， NATERA J M. The dynamics of national innovation systems： A panel cointegration analysis of the coevolution between innovative capability and absorptive capacity[J]. Research Policy， 2013， 42（3） ： 579-594.

[14]仲偉俊，梅姝娥，谢园园.产学研合作技术创新模式分析[J].中国软科学， 2009（8）： 174-181.

[15]潘雄锋，刘清，彭晓雪.基于全局熵值法模型的我国区域创新能力动态评价与分析[J].运筹与管理， 2015， 24（4）： 155-162.

[16]王锐淇，彭良涛，蒋宁.基于SFA与Malmquist方法的区域技术创新效率测度与影响因素分析[J].科学学与科学技术管理， 2010， 31（9）： 121-128.

[17]张俊婷，王国金，吴洁，等.基于熵权-DEMATEL的江苏高校科技创新能力评价研究[J].科技管理研究， 2018， 38（9）： 47-54.

[18]叶丹，黄庆华.区域创新环境对高技术产业创新效率的影响研究——基于DEA-Malmquist方法[J].宏观经济研究， 2017（8）： 132-140.

[19]陈艳华.基于熵权TOPSIS的区域科技创新能力实证研究[J].工业技术经济， 2017， 36（5）： 46-51.

Research on the Construction of China’s Regional Innovation Effectiveness Clustering Evaluation System Based on EntropyMalmquist

KANG Xudong，LIN Xin，WANG Hailong

（WISE Lab of Dalian University of Technology， Dalian 116024， China）

作者：康旭东 林鑫 王海龙