科技投入与产出的相关分析汇编文档格式.docx
《科技投入与产出的相关分析汇编文档格式.docx》由会员分享，可在线阅读，更多相关《科技投入与产出的相关分析汇编文档格式.docx（15页珍藏版）》请在冰豆网上搜索。
高校在科技工作方面有独特的优势和特点，但也存在一些困难和问题，主要是：
（一）与国外高校科技投入相比，我国高校科技经费相对不足。
2004年，我国高校的R&
D经费只有美国的7.6%。
这必然造成我国高校科技创新基地、科研基础设施条件与国外相比差距较大，难以产生重大科研成果。
同时，高校自由研究经费的筹集也较为困难。
（二）与国家的要求相比，高校重大科技成果产出还有一段差距，高校科技成果的转化也较为困难。
总之，我国科技资源相对有限，尤其需要合理的资源分配机制，因此加强对高校科技投入产出的研究具有重要的现实意义。
目前有关科技投入对高校科技产出影响的研究在文献中还少有见到。
因此，必须采用定量与定性相结合的分析方法，研究科技投入对高校科技论文、专利、成果等的影响并建立相应的关联模型，寻求高校科技投入与产出的最佳结合点。
三、变量组的选取及数据的选取
相关分析方法是一种研究两组变量之间是否存在相关关系的方法。
在这里用来研究全国高校科技投入与科技产出两组变量的相关性。
通过对这两组变量研究来分析科技活动内部机制，以及变量组间是如何相互影响的。
科技投入变量组由科技活动人员，研究与发展人员，科技经费筹集额，研究与发展经费支出等相关指标组成；
科技产出是科技创新能力的直接反映，其衡量因素是科技论文数、科技成果获奖数、专利申请和授权数，而科技活动对GDP的影响，主要以技术市场合同成交金额等来衡量。
因此，我们选取1995—2004年全国高校的科技投入与产出指标的相关数据来研究分析。
具体指标及数据见表1；
表2。
表1 高校科技投入情况
年份
科技经费筹集额（亿元）
R＆D经费支出（亿元）
其中
科技活动人员（万人）
R＆D人员（万人年）
基础研究
应用研究
试验发展
1995
49.5
42.3
6.5
23.3
12.5
32.4
14.4
1996
56.5
47.8
7.5
26.7
13.7
33.2
14.8
1997
73.1
57.7
9.7
31.6
16.4
32.6
16.6
1998
85
54.4
8.7
30.5
15.3
34.5
16.9
1999
102.9
63.5
11.4
37.7
34.2
17.6
2000
166.8
76.7
17.8
40
18.9
35.2
15.9
2001
200
102.4
19
56.6
26.8
36.6
17.1
2002
247.7
130.5
27.8
67.1
35.6
38.3
18.1
2003
307.8
162.3
32.9
89.7
39.7
41.1
2004
391.6
200.9
47.9
108.8
44.2
43.7
21.2
专利申请（项）
专利授权（项）
科技论文（篇）
重大科技成果（项）
技术市场成交合同金额（亿元）
发明
实用新型
外观设计
1363
574
771
18
891
258
623
10
66494
26.82
1320
604
711
5
854
228
611
15
72447
7242
32.16
1293
635
649
9
1215
256
511
7
76986
7005
45.29
1445
794
619
32
2347
243
600
17
86921
7336
51.77
1769
988
747
34
1304
425
848
31
104073
6841
62.28
2924
1942
965
1548
652
868
28
115626
6508
110.53
3810
2636
1137
37
1534
579
943
12
132608
6156
86.41
5981
4282
1658
41
1710
697
973
152954
5640
72.64
10252
7704
2375
173
3416
1730
1582
104
181902
6546
106.69
12997
5505
199473
6857
116.62
表2 高校科技产出情况
四、模型分析与选择
仅仅了解高校科技投入和产出的数据是远远不够的，隐藏在这些数据之后的更重要的信息是关于这些数据的整体特征的描述及对其发展趋势的预测。
因此必须借助于相应的数据挖掘工具，发现数据中隐藏的规律，以下的数据统计与挖掘均借助于SPSS11.0来实现。
以“科技活动经费筹集额”、“基础研究经费支出”、“应用研究经费支出”、“试验发展经费支出”、“科技活动人员”、“研究与试验发展全时人员”为自变量;
以“科技论文”为因变量，作为案例描述模型建立过程。
（一）绘制散点图
绘制散点图是相关分析过程中极为常用且非常直观的分析方式。
它将数据以点的形式画在直角平面上。
通过观察散点图能够非常直观地发现变量间的统计关系以他们的强弱程度和数据对的可能走向。
下图是科技论文与科技投入变量组的散点图：
图1
从图1可以看出科技投入的各个变量对科技论文都具有很强的相关性。
（二）相关分析
相关分析和回归分析都是分析客观事物之间关系的数量分析方法，两者均是研究变量之间的相互依存关系，但回归分析是通过一定的数学公式来反映变量之间相互关系的具体形式，必须明确变量的自变量和因变量地位，变量间的关系是不对等的；
相关分析是确定变量之间的相关方向和密切程度，变量的地位是对等的。
回归分析应建立在相关分析的基础上，而相关分析需要回归分析来进一步描述数量关系的具体形式。
可见，
指明总离差平方和中有多大的比例可以用回归直线来解释。
越接近1，Q就越接近0，说明数据点越接近回归直线。
因此它（0≤
≤1）是一个反映回归方程拟合好坏的指标。
被称为测定系数，若将
开方，r就是通常所说的相关系数。
相关系数的计算是由样本资料来进行的，样本量不同相关系数也不同，有必要对相关系数进行显著性检验。
通过相关性检验，模型才具有实际意义。
图2
由图2可知，科技论文与科技经费筹集额的简单相关系数为0.992，与基础研究经费支出的简单相关系数为0.970，与应用研究经费支出的简单相关系数为0.982，与试验发展经费支出的简单相关系数为0.970。
它们的相关系数检验的概率P值近似为0。
因此，当显著性水平α=0.05的时，都应拒绝相关系数检验的零假设，认为两总体存在显著的正相关关系。
图3
由图3可知，科技论文与科技活动人员的简单相关系数为0.982，与R&
D研究人员的简单相关系数为0.895。
他们的相关系数检验概率P值为0。
因此，当显著性水平α=0.05的时，都应拒绝相关系数检验的零假设，认为两总体存在显著的正相关关系。
由于用最小二乘法估计参数要求自变量不是完全相关的，因此对这些相关度很高的自变量，也应该从最后的模型中排除。
总之，相关分析有助于建立最优的回归模型。
（三）多元线性回归模型
多元线性回归是一元线性回归和相关分析的发展，当一元线性回归模型无法完全解释变量关系时，就需要研究多个自变量对一个因变量的相互作用，确定自变量和因变量之间的多元回归方程，从而根据自变量的共同变动情况来测算和预测因变量的变动程度。
多元线性回归的计算原理与一元线性回归是相同的，多元测定系数
是全面反映回归方程拟合程度的指标。
它指出回归后，可由所有自变量的共同作用来解释y的总变动的比重。
（1）普通多元线性回归分析
根据上述相关分析得出的结果，选择与因变量科技论文具有显著相关性的三个变量；
基础研究经费支出、试验发展经费支出、应用研究经费支出作为方程的自变量。
采用普通多元线性回归（Enter）分析方法，利用SPSS11.0分析分析得结果如下：
图4
用普通多元线性回归（Enter），3个自变量均入选方程。
决定系数为0.966，对方程检验，F=56.661，P=0.000，有统计学意义。
根据标准回归系数，3个自变量对因变量（y）的影响从大到小依次为“应用研究经费支出”（
）、“试验发展经费支出”（
）、“基础研究经费支出”（
）。
得出多元线性回归方程为：
y=36633.14+321.754
+1081.093
+878.978
（2）逐步多元线性回归分析
采用逐步多元线性回归（Stepwise）分析方法，利用SPSS11.0分析分析得结果如下：
图5
引进每一个变量时，都要保证标准化回归系数有足够的统计意义。
由于在“试验发展经费支出”和“基础研究经费支出”加入后，使得在预判断的概率水平下，标准化回归系数没有足够的统计意义，所以这时计算机引入变量的回归工作停止。
因此仅有一个自变量“应用研究经费支出”入选方程，决定系数为0.963，对方程检验，F=211.162，P=0.000，有统计学意义。
得出逐步多元线性回归方程为；
y=37885.89+1583.252
比较上述两个回归方程，含有3个自变量的方程不可取，因为其自变量较多，不利于实际应用，而且并未因为多了两个自变量而对因变量的回归贡献明显增加（
仅由0.982增至0.983）。
因此用于预测“科技论文”的最佳线性回归模型为；
（四）非线性回归模型的拟合
由于变量之间的关系并不一定是简单的线性关系，若仍用线性回归分析去处理，则无法得出正确的结论，不能反映客观的实际情况。
因此，有必要选择适当的曲线形式来作为回归模型，以描述变量之间的真实关系。
应用SPSS的曲线估计过程对若干种曲线模型进行拟合，包括二次模型、复合模型、生长模型、三次模型、S型模型、指数模型、逆模型、幂模型等，其中以三次模型的测定系数
最高，达到0.989，因此选定三次模型作为“应用研究经费支出”与“科技论文”的相关模型。
曲线方程（y:
科技论文；
x:
应用研究经费指出支出）为：
y=47751.1+432.051x+0.1717
-0.0007
MODEL；
MOD_7.
Independent；
X2
DependentMthRsqd.f.FSigfb0b1b2b3
X11CUB.9896183.87.00047751.1432.051.1717-.0007
图6 “科技论文”与“应用研究经费支出”的线性拟合
图7 “科技论文”与“应用研究经费支出”的三次曲线拟合
通过对图6图7进行比较分析，可以看出图6中的线性拟合线与实际观测值之间存在较大的误差，而在图7中的三次曲线拟合线与实际观测值之间的误差较小，所以在描述“应用研究经费支出”与“科技论文”的相关关系上，三次曲线模型拟合比线性回归模型拟合的效果好。
五、模型分析结果综述
关于“专利申请”、“专利授权”、“重大科技成果”、“技术市场成交合同金额”等其他模型的建模方式类似，不再赘述，仅列出模型的分析结果。
表3其他科技投入与科技产出的相关模型分析结果综述
因变量
自变量
模型类型
测定系数
显著性概率
模型表达式
专利申请
应用研究经费支出
三次模型
0.994
0.00
y=3489.62-193.41x+4.8070
-0.0204
专利授权
基础研究经费支出
0.887
0.03
y=1392.76-31.446x+2.0630
-0.0085
重大科技成果
0.876
0.01
y=10769.6-170.18x+1.8452
-0.0056
技术市场成交合同金额
0.867
0.05
y=-62.406+17.0635x-0.5933
+0.0066
可以看出，“专利申请”99.4%的变化可以由“应用研究经费支出”来解释，两者具有相当高的相关关系。
说明科技投入越大，科技产出越多。
这也符合实际情况，科技投入越大，总体上科技产出越大。
“专利授权”与“基础研究经费支出”也具有高度紧密的相关关系，解释的程度达到88.7%。
至于其他方面的科技产出，“重大科技成果”主要依赖于“应用研究经费支出”；
“技术市场成交合同金额”主要依赖于“基础研究经费支出”。
科技投入对科技产出的影响很强烈，科技经费对科技成果的转化影响很大。
从测定系数和显著性概率可以看出，这四组模型均有很好的拟合效果，可用于根据当年科技投入预测这四种类型的科技产出。
六、结论
通过分析高校科技投入和产出的相关模型，可以看出，高校科技投入与产出有相当紧密的相关关系，科技投入对科技产出有重要影响。
科技投入与科技产出是正相关的，科技投入越大，科技产出越高，而且科技经费的投入和科技成果市场转化有很高相关性，说明这几年高校科技成果转化工作有了一定的效果。
根据10年高校科技投入和产出的数据所建立的模型，可以为国家的科技投入，尤其是在高校的科技投入的政策制定方面，提供依据。
利用本篇论文所建立的多个科技投入产出关系模型表达式，可以在国家期望的产出方向上进行调整，并根据现有投入预测未来产出。
当然模型的分析还只是初步的，需要在不断的运用中加以调整和修改，使之更好地用于高校科技投入产出的预测和决策。
参考文献：
1、李荔张晓耘对我校科研状况的分析与思考广东工业大学学报2003.12
2、任一红关于我国科技投入政策与现状的若干思考科技管理2000.3
3、连燕华于浩我国企业科技投入与产出分析科技管理2003.4
4、粱燕杨健安我国高校科技活动典型相关分析中国科技论坛2004.7
5、王贻志茅国平科技投入与产出的计量研上海市社会科学院
6、张华胜薛澜基于典则相关分析的制造业知识性投入与产出效率评估中国管理科学2003.8
7、何晓群编著：
多元统计分析中国人民大学出版社2004.1
8、薛薇编著：
SPSS统计分析方法及应用电子工业出版社2004.9
9、中国科技统计年鉴中国统计出版社1996-2005
10、中国科技统计http；
//
ResearchontheRelatedanalysisoftheS&
TInputandOutput
ResearchontheRelatedanalysisofUniversity’stheS&
Abstract；
Aimingatthecharacteristicsandproblemsofuniversity’sS&
Tinputsandoutputs，severalrelatedmodelsareestablishedonthebasisofanalyzingdatainthepast10years，Thesemodelsanalyzetherelationsbetweentheinputsandoutputsandestimatetheefficiencyofthat.Andfromtheaboveanalyses，somerelateddevelopmentsuggestionsareraised，whichprovidedecisionsupportforimprovingtheefficiencyoftheinputsandoutputsofuniversity'
sS&
T.
Keywords；
RelatedAnalysis，inputinS&
T，outputinS&
T，RegressionModels
升级会员 