论文格式修改案例

我国省级政府技术创新比较研究一，前言技术创新是指生产技术的创新，包括开发新技术，或者将已有的技术进行应用创新。

随着我国改革与发展的进展,技术创新已成为企业生存的条件、发展的基础和提高竞争力的源泉与手段。

而技术创新能力，即要素投入与产出转化效率，在成为我国近年来经济快速发展的推动力的同时，其差别业已成为我国区域经济发展的不平衡的原因。

区域技术创新能力反映了一个地区知识创造、吸收和转化的能力，区域技术创新能力评价有助于对区域技术创新状况进行深入分析，是制定区域发展政策，实施科学发展纲领，推进自主创新战略的基础性工作。

有感于全球化数字化浪潮下技术创新对于区域经济发展的至关重要性,本文试图探究我国省级区域之间技术创新效率(RTIE)的差距是区域经济发展不平衡的重要表现与深层原因。

二，文献综述国外技术创新比较研究的起步较早，1985 年美国学者罗杰斯和拉森川最早对区域创新效率评价进行研究。

W ． Nasierowski ，F ． J ． Arcelus( 2003) 深入研究了国家创新系统的效率［2］。

Tadie ，Patrick( 2007) 对信托公司的技术创新效率进行了研究［3］。

3M 公司CEO George Buckley( 2007) 根据自己公司和科研单位的研究，结合六西格玛管理探讨了创新与效率的问题［4］。

Mitch MCRimmon( 2007) 根据当今许多企业面临的2 个问题( 现在的利润和未来的创新) 从成功的管理标准、创新和执行的均衡、组织文化方面论述创新的效率，并提出了管理建议。

Jeff Jarvis( 2009) 针对美国目前许多创新只带来增长没有产生效率这一问 题，从2008 年金融危机谈起，进行案例分析，指出了重点关注创新效率的问题［5］。

国内学者对于技术创新效率也进行了大量研究，主要有: 柳卸林( 1997) 指出技术创新效率是衡量企业技术创新能力的主要指标，并从企业角度对技术创新效率进行了测算［6］; 赵兰( 1999) 从知识这一独特视角分析技术创新中普遍存在的问题，并提出进一步提高技术创新效率的思路［7］; 王伟光( 2003) 以 R ＆D 人员和 R ＆D 经费为投入指标，以新产品销售收入为产出指标，利用比较创新效率指数( IRCIE) 测算了 1990—1999 年中国 38 个工业行业技术创新效率［8］; 虞晓芬、李正卫、池仁勇等( 2005)分析了我国区域技术创新效率的现状与原因，用数据包络分析( DEA) 方法测算了 1999—2002 年我国内地 30 个省市自治区的技术创新效率［9］; 周勇( 2006) 用随机前沿分析和数据包络分析模型对我国区域技术创新效率进行了实证分析［10］; 刘爱芹( 2008) 对山东区域技术创新效率进行了测度和评价［11］; 郭思亮、李海涛、程晟( 2009) 通过建立区域创新效率评价指标体系，应用数据包络分析方法对山东各地市技术创新效率进行了比较与分析［12］。

此外，其他学者的研究主要是针对制造业、高新技术产业、科技园、重点工业行业、科技型中小企业与重点城市从微观层面建立相关指标体系，研究某一企业或者某些行业的技术创新影响因素，并应用某种方法对其进行效率评价。

本文借鉴国内外学者相关研究的经验，通过在搜集近年中国省级区域技术创新方面的相关数据通过数据包络分析方法对各省级区域技术创新效率进行了比较与分析，然后用因子分析法对各省级政府技术创新能力进行综合评价从而得出各省技术创新的差距并就此分析原因以期就提高中国整体创新能力缩小地区发展差距提出一些有建设性的意见建议。

三，基于DEA 方法的省级政府技术创新效率比较 （一） DEA 数学模型本文所用的数学模型是 DEA 的经典模型2C R 模型和 2BC 模型，根据 Charnes 和Cooper 的研究结果，一般利用非阿基米德无穷小构造一个2C R 的DEA 模型，令 ε ＞ 0 是一个非阿基米德无穷小量，一般取 ε =610-，这样数据包络分析模型就可化为: max 0T u y 0,1,2, ··T T j j x y j n ωμ-≥=，01T x ω=s.t. e ωε≥ (1)e με≥其中:e=(1,1,···，1) mE ∈(1,1 ··,1)T s e E =∈利用该模型可以一次性得出决策单元是否 DEA 有效、弱 DEA 有效，或非 DEA 有效。

在规模报酬不变假设下，上述基于非阿基米德无穷小的2C R 模型计算的是技术效率值，为了解更多关于决策单元的信息，尤其是规模有效和纯技术有效问题，需要引进2BC 模型。

Banker 、Charnes 、Cooper( 1984) 在2C R 模型的基础上增加了一个凸性假设，即11njj λ==∑称为2BC 模型，这样可以得到线性规划公式如下:1nj jj xλ=∑θ≤0,1,2,3, ··, n j j λ≥=s.t.01nj jj yy λ=≥∑ (2)111,njj E λθ==∈∑0j λ≥2BC 模型剔除了 2C R模型规模报酬不变的假设，这样技术效率被分为纯技术效率和规模效率，从而通过换算可以得到更多有用的管理信息。

（二）指标体系的构建与数据获取本文结合数据包络分析模型的要求，以及数据的可获得性，初始建立中国省级政府技术创新效率评价产出指标包括国内三种专利有效数（件）,高新技术产值（亿元）,技术市场成交合同金额（万元），SCI收录我国科技论文（篇）；投入指标包括大中企业办研发机构（个），高校研发机构（个），教育经费支出（千元），研究与试验发展(R&D)经费(万元)，R&D人员全时当量（人年）。

一般来说数据包络分析模型中投入和产出之间要具有一定的同向性，这就需要分析投入指标与产出指标之间的相关性。

本文运用SPSS 统计软件进行分析后，结果显示，五个投入指标与四个产出指标都有一定的正相关性，因此可以建立中国省级政府技术创新效率评价指标如下:投入指标: X1———大中企业办研发机构（个），X2———高校研发机构（个），X3 ———教育经费支出（千元）,X4———研究与试验发展(R&D)经费(万元),X5———R&D人员全时当量（人年）。

产出指标: Y1———国内三种专利有效数（件），Y2———高新技术产值（亿元），Y3———技术市场成交合同金额（万元）,Y4———SCI收录我国科技论文（篇）。

根据以上建立的初始指标体系，我们在国研网上查找到中国31个省级区域的上述指标数据，但是由于西藏地区的技术市场成交合同金额数据缺失，故在进行DEA软件操作时予以删除。

同时又因为本文侧重各省级政府技术创新的横向比较，因此我们只选取出最近的一年，即2010年的截面数据（见附表），从而构成30个决策单元。

（二）基于DEA的技术创新效率分析C R模型的计算过程和效率分析1. 2在资源、环境约束下，希望通过控制投入来影响产出，且希望产出尽可能的多，因此选择产出导向这一角度。

产出导向角度研究的是在投入不变的情况下，如何使产出尽可能最大C R模型和产出导向，化［14］。

假定决策单元规模报酬不变，DEAP 软件参数设置选择2所得相对效率评价结果见表1。

表1表明了中国30个省级政府技术创新效率评价值的分布情况。

通过对投入和产出松弛变量的考察，我们发现只有决策单元1,7,9,10,11,19,27的投入产出变量的冗余变量均为0，所以根据DEA有效性判定定理，我们可知北京，吉林，上海，浙江，广东，甘肃这几个决策单元为DEA有效。

其余的决策单元为非DEA有效。

BC模型的计算过程和效率分析2. 2BC模型得出的决策单元非有效，既可能是由于投入和产出本身配比的问题，也可通过2能是由于决策单元本身规模不经济造成的。

为进一步了解各决策单元的纯技术有效和规模有BC模型和产出导向，计算相对效率评价值见表2。

表2 效情况，DEAP软件参数设置选择2BC模型计算出来的综中，综合技术效率= 纯技术效率×规模效率。

从表2 中可以看出2C R模型的计算结果基本一致，这说明同样的决策单元并不存在规模无效合技术效率值和2率。

此外可以看出，综合效率值为1 的决策单元，其纯技术效率值为1，其规模效率值也为1，同时决策单元21,28 的规模效率非有效，但其技术效率值为1。

决策单元1,7,9,10,11,19,27为规模报酬不变，其余决策单元均为规模报酬递增表2 各决策单元的技术效率，纯技术效率，规模效率3.数据包络结果分析3.1纯技术效率分析在剔除规模经济性和生产要素可处置程度对技术效率的影响之后，还有些剩余的效率不能明确给出其定义与内涵，不能进行更深层次的定量分解，可能是由于企业或组织的人员在生产活动中技术水平发挥的程度不同导致的效率损失，将这部分效率损失定义为纯技术效率［15］。

由表2 可知，所有决策单元的纯技术效率值的均值为0．808，较其综合技术效率值高11%。

决策单元北京,吉林,上海,江苏,浙江,广东,海南,甘肃,青海,宁夏,新疆的纯技术效率值为1，均为DEA 有效; 而其余决策单元的纯技术效率值不为1，处于DEA 非有效状态。

决策单元陕西的纯技术效率值为0. 953，处在其他非有效决策单元的最前面;决策单元内蒙古的纯技术效率值仅为0．451，其纯技术效率值最低。

3.2规模效率分析由表2可以看出决策单元北京,吉林,上海,江苏,浙江,广东,甘肃的规模效率值为1，均为规模有效，规模报酬不变。

其余决策单元的规模效率值分别为都小于1，说明这些决策单元不是规模有效的，也处在规模报酬递增区间内。

其中决策单元海南的规模效率值为0.996，高于均值0. 919，处在无效DEA 值的第一位，该决策单元仍然不是规模有效的，处在规模报酬递增的区间内。

上述问题根本原因在于各决策单元的投入产出配置不合理。

四，基于主成分分析方法省级政府技术创新的辅助性综合评价（一）方法介绍BC模型和2C R模型对中国省级政府技术创新效率进行测度，具体包括上文分别利用2综合技术效率、纯技术效率、规模效率及规模报酬情况。

根据技术效率值的大小可以对决策单元进行排序，但是研究结果发现有7个决策单元的的综合技术效率值均为1，这样就面临一个问题，如何对这7 个综合技术效率值进行排序。

如果利用纯技术效率来排序，也不能判别纯技术效率值为1 的决策单元的排序情况。

所以为了更进一步对30个省级政府技术创新水平进行评价排序，这里我们利用主成分分析的方法进行再分析。

主成分分析(Principal Components Analysis，PCA)也称为主分量分析，是研究如何将多指标问题转化为较少的综合指标的一种重要统计方法，它能将高维空间的问题转化到低维空间去处理，使问题变得比较简单、直观，而且这些较少的综合指标之间互不相关，又能提供原有标的绝大部分信息。