文摘

本文尝试识别创新因素分配一个随机森林方法的有效性。这种方法避免了相对有效性的评价偏差造成的无效的生产前沿的非参数DEA方法的选择。它没有引用其他最优对象但重点转移到判断的有效性。此外,它还摆脱模型的约束条件和变量的参数SFA方法,保证测量结果的可靠性通过重采样数千倍。收集的数据从2009年到2018年在中国30个省。研究结果显示创新因素分配超过一半的省份没有完全有效。它表明如何利用创新因素输入实现实际的创新产出高于自己的最佳水平是目前在中国仍在一段时间的探索。进一步提高创新因素分配效率,创新的影响因素作了深入分析输入和发现重要的创新因素的输入。此外,本研究提出了重要的创新因素的非线性特征和最佳组合输入。根据这个,它提供了详细的建议关于如何调整当前重要的创新因素输入每个省为了大大提高在未来创新因素分配的有效性。

1。介绍

爆发后的新皇冠肺炎疫情,全球供应链被迫终止,国际和国内需求受阻,加强流动的障碍因素,因素错位的现象加剧。大数据的五大技术,云计算,物联网,区块链,人工智能出现导致实体经济的蓬勃发展,数字经济带来的巨大价值。作为一个基本的资源在数字经济,数据因素促进其他生产要素的转型升级。区域创新因素的空间布局的优化离不开政府政策的支持和指导。这不仅反映了新数据和机构等创新因素显著影响生产力和生产关系的变革,而且还拓宽内涵原来的传统创新因素的范围。此外,创新投入的因素是不均匀的分布和创新能力普遍较低的省份在中国,虽然创新效率的计算结果争议。十分重要的现实意义来确定创新的有效性因素分配在每个省的新内涵创新因素。为此,明确创新的多维特征因素,选择可靠的测量方法,并分析了现状的创新因素分配在每个省发挥强大的作用,刺激创新潜力和推动经济增长的因素。

现有文献的措施的分配效率创新因素大致从以下三个层次:第一,不同的创新投入和创新产出。段et al。1)构建一个综合指数创新发展三个维度的创新投入、创新组织,创新输出。戴et al。2)利用金融资源作为科技金融投入,科技金融和科技成果输出。道和彭3]认为内部研发支出和全职相当于研发人员技术创新投入,和专利申请的数量,新产品销售收入,收入主要操作技术创新输出。第二,不同的创新效率评价对象和各种创新效率测量方法。李等人。4)创新过程分解为创新开发过程和创新转换过程,然后计算的创新效率从2004年到2011年在中国37子行业。小王和局域网5)使用SFA模型来估计中国a股的上市国有企业的创新效率。陈和李6)采用两级网络DEA方法获取绿色创新效率,绿色技术研究和开发效率,绿色科技成果转换效率在中国从2003年到2017年。第三,分配失真测量配置效率的因素。美元和魏(7]发现中国的资本分配系统的失真会导致边际收益不平衡跨公司、地区和部门。他们指出,如果资本可以更有效地分配,它可以降低5%的资本密集度不牺牲经济增长。谢长廷和克莱诺(8)发现,如果重新分配资本和劳动力,这样中国和印度的边际产出等于美国,这将增加的制造业全要素生产率的两个国家,分别是30% -60% -50%和40%。陈和胡9)表明,资源配置失衡导致实际产出之间的缺口约为15%,各子行业最优输出中国的制造业。

现有研究讨论的分配模式创新的因素主要可以分为内部、外部和开放创新。内部创新意味着创新主体依靠自己的创新实现创新的生产要素。外部创新意味着创新主体完成创新活动与外部创新因素的帮助。开放创新意味着创新主体创新突破自己的边界和协调内部和外部的创新因素在创新过程中(10]。然而,不同的分配方式创新因素对创新绩效有不同的影响。香港和施11)认为,独立研发与企业创新绩效显著正相关。陈和侯12)发现,在科技自主创新绩效的影响体现非线性阈值效应。Kafouros et al。13]得出的学术合作创新绩效的影响在中国新兴市场企业显著正的。Asimakopoulos et al。14)指出,存在一个倒u形的外部知识和企业创新效率之间的关系。Berchicci (2013) (10)认为,这种倒u型外部研发活动与企业创新绩效之间的关系的功能替代效应的研发能力。Nieves和佩特拉(15发现内部和外部知识替代效应在一定阈值,对企业创新绩效产生负面影响。当超过阈值时,它将变成一个互补效应和对企业创新绩效产生积极的影响。

总之,创新的内涵因素的定义现有文献主要是基于传统的创新因素,如劳动力、资本和技术。但它缺乏创新等因素的内容数据和机构。现有的文献忽略了背后的理论基础和操作流程创新因素分配。创新的效率测量因素分配的现有文献大多是通过国家林业局参数和非参数DEA。此外,很少有研究创新的评价因素分配的有效性。采用一个更可靠的方法来确定创新的有效性因素分配有助于更准确地评估创新因素分配的情况。针对这一点,本文的主要贡献如下:一方面,通过引入数据和制度创新因素,我们构建多维创新的指标因子,不仅重传统创新的内部和外部的协调成本理论的因素,而且考虑了干扰效果的新的创新因素耦合理论。在此基础上,形成一个四维集成指标包括内部创新因素,外部创新因素,制度创新因素和数据创新因素和创新的分配因素评估创新的投入产出过程因素。另一方面,我们新建一个试图确定创新的有效性因素分配的随机森林方法不同于以前。这种方法不仅可以摆脱约束包括模型设定形式,变量的数量,以及变量之间的相关性在参数SFA方法,但也避免相对有效性的评价偏差造成的无效的生产前沿的非参数DEA方法的选择。 It shifts the focus on its own efficiency, ensuring the reliability of the measurement by resampling thousands of times. The above aspects are the contribution of the theoretical level. Furthermore, in the aspect of practical level, we draw many different conclusions from existing studies, which find that the innovation factor allocation in more than half of the provinces is not fully effective, data innovation factor inputs especially data integration and data applications have the significant contribution to innovation output, the marginal impact characteristics of important innovation factor inputs are all nonlinear, and the gap between the current situation and the optimal combination of important innovation factor inputs in each province in China is obvious, etc.

本文的剩余结构如下:在部分2,我们给出的定义和测量方法的创新因素分配。节3,我们确定创新的有效性因素分配在中国每个省和讨论创新要素投入的重要性。节4我们确定重要的创新因素的输入,描述其非线性特性和最佳组合,然后指出未来调整方向输入在中国每个省的创新因素。节5,我们提供的主要结论和未来的研究。

2。创新的因素:定义、指标和测量方法

2.1。定义

2.1.1。创新因素的定义

生产要素是生产活动的客观基础,和生产活动影响因素都属于类别的因素(16]。狭窄的定义生产要素可以被理解为加入的因素在生产过程中,而生产要素的广泛的定义还应该包括因素反映生产过程的产出效益。熊彼特(17]将创新定义为引入生产要素和生产条件的新组合成生产系统,从来没有过。结合现代生产条件与组织模式,创新不仅可以被理解为实现新产品(服务)或过程,改善原始产品(服务)或程序,而且新产品(服务)的过程或过程,即将或已经商业化18- - - - - -20.]。

总之,本文定义了创新是生产要素参与创新过程的因素,影响创新绩效,反映出创新成果。边际收益递增的特征,这不仅包括传统的创新因素,如劳动力、资本、技术,而且新的创新等因素数据和机构。

2.1.2。的定义多维创新因素分配

成本理论认为,组织经济活动的标准是内部生产成本的最小化和外部交易成本。利用Nieves和佩特拉(2014)15),创新的因素分为内部因素和外部创新因素,内部创新因素来源于创新主体本身,外部创新因素派生之外的创新主题,以及内部和外部的创新因素主要是基于传统的创新因素。一方面,创新主体依赖于内部创新人力,物力和财力,把创新作为内部控制过程,完成所有创新链接和叶子创新输出中的主题。另一方面,创新主体结合自己现有的创新基础,视创新为研发外包过程。通过联系外部创新合作伙伴,实现技术合作,吸收,和收购外部创新和扩大企业创新输出。如果创新主题是overconcentrated内部创新,它将导致过度风险和知识溢出等问题,而过度依赖外部源创新将带来问题,如谈判成本上升和损失的倡议。因此,创新主体需要有效地协调内部和外部的创新因素的总成本最小化的创新活动。

耦合理论整合协调内部和外部的传统渠道创新因素,加强内部和外部的传统创新因素的耦合粘度,并减少传统创新的内部和外部因素的分配不当,这既需要自己创新主体和创新的参与援助部队以外的科目。我们将分析Berchicci [10]。一方面,政府主导的制度创新因素调节内部和外部的深度创新因素协调、集成,和合适的知识产权保护、金融教育支持自由贸易的商品,市场交易配额,金融发展规模和工业污染控制。另一方面,数据创新因素由中介调节内部和外部创新的广度因素协同作用,集成和适应生产水平的数据,数据传输速度,数据用户组、数据应用范围、数据共享程度,和数据集成功能。机构和数据创新因素发挥监管作用的机构和信息(数据)的本质在内部和外部的创新因素,从而形成一个多维的综合指标内部创新因素,外部创新因素,制度创新因素和数据创新因素。

基于上述分析,本文的定义了多维创新因素分配。成本理论加强内部和外部的创新因素。内部创新因素的测量指标可以从内部创新的三个方面人力资源、物质资源和财务资源。外部创新因素的测量指标可以从外部创新等三个方面技术合作,吸收,和收购。监管机构的角色和数据创新因素取决于耦合理论。制度创新因素测量指标可以从六个方面包括产权保护、教育支持,贸易自由,交易市场,金融发展和污染控制。数据创新因素的测量指标可以从六个方面包括数据生成、传输、使用、应用程序,共享和集成。

2.2。指示器

2.2.1。指标成分

本文是基于创新因素的定义分配、可操作性的指标,和数据的可用性。结合的研究道,徐21),我们选择的具体量化指标。内部创新人力资源、金融资源和物质资源的内部创新因素,分别测量了全职等效的研发人员,内部研发支出和研发机构的数量。外部创新技术合作、吸收和获取外部创新因素,分别测量了从外部研发支出、外国直接投资、高科技产品进口。产权保护、教育支持自由贸易,交易市场,金融发展和污染控制制度创新因素,分别测量专利执法总数的情况下,金融教育补贴,总额地区商品出口,技术市场营业额,存款和贷款的金融机构,工业污染控制投资。数据生成、传输、使用、应用、共享、创新和集成数据的因素,分别从网络页面的数量来衡量,互联网宽带接入端口,互联网用户,软件服务,总邮电服务和机器人所拥有的数量。采取上述四个维度的内部、外部机构,和数据创新因素创新投入,以及人均销售收入的新产品创新产出,我们评估中国的创新因素分配效率。

2.2.2。变量和数据

本文基于面板数据从2009年到2018年在中国30个省(西藏除外)。提取的数据来自中国科技统计年鉴、中国统计年鉴,中国互联网发展报告》,中国信息年鉴,国际联合会的机器人。收购的变量和数据的处理表现如下:关于数据的匹配和馅料,第一个是中国的机器人拥有数量基于工业产值的主要应用在每个省的工业机器人。第二个是填充缺失数据省根据国家总额之间的差额和现有的省份。此外,对于数据的处理的方法,首先,汇率调整转换的人民币比美元。其次,价格调整是指价格指数公式,朱和徐22]。固定资产投资指数和居民消费价格指数分别分配权重的0.45和0.55。关于价格2009年的基本期,名义值转换成实际值。第三,使用BEA股市调整的方法,基于价格调整后的年度投资流 ,我们计算的平均年增长率 。然后,考虑无形资产摊销至少10年来,王指和高(23),剩余价值率10%的折旧率 。最后,年度资本存量是基于 和 。上面的内容是详细的表1。

2.3。一个随机森林方法

现有的测量效率的研究主要使用nonparameter DEA方法和参数SFA方法。DEA方法是用来评估相对效率通过构造最优生产前沿。一方面,它指的是其他有效的对象,而不是自己的最佳,这是很难故意提供根据自己当前的输入调整方向。另一方面,它可能会出现效率测量偏差如果最优生产前沿是选择错误。此外,SFA方法措施效率通过确定模型的形式和数量的变量。这意味着不同的模型的形式和数量的变量导致不同的测量结果。与此同时,在模型中变量之间的共线性也会引起偏见的测量效率。DEA和SFA相比,随机森林方法不仅摆脱约束包括形式的模型、变量的数量,和变量之间的相关性,还保证了测量的可靠性通过重采样数千倍。参照欧阳和陈24),预测的输出可以被视为最大输出实现充分利用输入下的随机森林方法。根据这个,我们可以计算自己的最优输出的电流输入,然后定量识别效果的实际产出最佳产量。它没有引用其他最优对象但重点转移到判断的有效性。此外,它被各种输入对输出的贡献排名由大变小基于残差的平方和最小原则。我们进一步得到输入的边际影响特征,找出最优的组合输入,从而提出进一步调整方向取决于输入的现状。下面介绍随机森林方法的细节。

一个随机森林方法是一个学习方法。这种方法利用重采样随机选择样本数据和样本特征建立多元回归数据,并输出结果的平均值的多元回归树作为最终的预测结果。本文基于每个输入的数据,预测每个输出的结果根据随机森林方法。详细的步骤如下:(我)假设有样品 , 和 ,分别代表样本总数和特性,是个体输出和 是个体输入。在此基础上,样本是随机替换。(2)构造一个回归树与特性从样本中选择,并执行功能将根据残差平方和最小的原则。专门为输入指标 ,最优阈值是已知的临界点(的决心也采用残差平方和最小的原则)。然后根据样本大小左右的临界点和 ,我们分别得到的样品和 :

由此,每个样本的输出结果的平均值可以获得:

初始分裂节点的选择回归树的是基于以下公式: (我)回归树的其余节点的选择是基于重复步骤(2)。prepruning规则将包括为每个节点至少5个采样点。满足规则时,回归树立即停止分裂。(2)循环步骤(1)-(3)形式大量回归树,和上述回归树结果的平均值作为最终输出结果的预测。

除了回归分析,随机森林方法也可以评估每个输入的重要性和它的边际影响输出。回归树的节点排列从上到下根据每个输入的贡献的减少输出的残差平方和。顶部是输入最大的贡献,和底部是输入最少的贡献。根据这一点,可以获得每个输入的重要性。通过排序输入的重要性,我们可以得到的重要顺序输入。边际效应主要是用来测量单个输入变化对输出的影响,它可以被定义为

在方程(4), 随机森林模型的预测结果吗当是已知的。的意思是所有样本的预测结果。遍历所有可能的值获得相应的结果 。这画了一个趋势图关于和可视化的影响路径输入在输出的平均值 。

3所示。创新因素:分配有效性和重要性的程度

3.1。有效性鉴定

我们使用随机森林方法,该算法运行1000次,1000次的平均值作为最终的创新产出的预测。基于上述分析,这也是最优创新输出通过创新因素输入。然后我们得到实际产出的定量优化输出,这是创新因素的配置效率从2009年到2018年在中国30个省。在此基础上,我们确定创新的有效性因素分配在中国每个省,并提供相应的原理图如图1。

在图1,黑色固体点显示,该省的实际创新产出超过自己的最佳产量,实现创新因素的有效分配,而灰色固体点显示,该省的实际创新产出低于自己的最佳产量。创新的有效分配因素尚未完成。根据创新因素的分配在每个省从2009年到2018年,每个省分为以下三种类型:一是完全有效的,和省创新达到一个有效的分配因素在整个样本期间;第二不完全有效,省只达到创新因素的有效分配样本时期的一部分;第三是完全无效的,省没有满足的需求的有效分配在整个样本期间创新因素。

从图可以看出1、省创新因素分配充分有效的天津、山西、上海、浙江、湖北、湖南、重庆、宁夏。上述省份不仅可以有效地协调内部和外部的创新因素在整个样本期间,还充分发挥机构的耦合作用和数据创新因素,有机整合成一个四维创新因素,和获得创新产出超过自己的最佳状态。虽然重庆和宁夏位于相对落后的西部地区,有一定的差距的创新要素投入与发达地区相比,和最优输出,可以通过当前创新因素投入相对较低,所以两个省的实际产出达到最优水平也相对容易。省创新因素的分配不能完全有效的北京,内蒙古、辽宁、吉林、江苏、安徽、福建、江西、山东、广东、广西、甘肃、青海和新疆。在上述省份,创新输出通过创新因素的输入仅在几年高于自己的最佳水平。虽然北京、江苏、福建、山东和广东位于东部地区优越的创新条件和丰富的创新资源,创新因素输入相对更多,最优的输出可以通过依靠现有的创新因素投入也相对较高。实际产出超出自己的最佳水平也相对困难。创新的省份分配因素是完全无效的河北、黑龙江、河南、海南、四川、贵州、云南、陕西。以上8个省份的实际输出整个样本期间低于最优水平。虽然河北位于经济发达的东部地区,相对较高的创新因子输入造成的结构性失衡,,很难完全释放创新的功效因子输入。

3.2。重要性的判断

从上述随机森林方法可以得到创新的重要性因素输入根据广场的贡献减少残余的创新产出。它把最重要的创新因素输入树的顶部和最重要的创新因素输入树的底部。因此,创新因素输入位于水平越高的树,对创新产出的贡献就越大。根据创新的重要性因素输入从2009年到2018年(见表2),本文做了一个网格图和箱线图(见图2和3)。网格图反映了贡献程度,变化趋势,异常的时间点。网格面积越大,就越重要。箱线图给出平均贡献和分散程度。基于上述分析,它提供了清晰的方向为提高创新因素分配的有效性。

在表2和图2,可以看出数据应用的贡献是最著名的在2009年和2010年,外部创新技术吸收的贡献是最重要的在2013年和2018年,和数据集成的性能中最引人注目的是剩余的年,表明应用程序的数据,外部创新技术吸收和数据集成有显著影响创新输出整个样本期间。此外,当创新的输入因素贡献最大价值本身是如下。第一,2018年位居榜首的数量是5个,分别包括内部创新人力资源、外部创新技术合作,吸收外部创新技术,金融发展和污染控制。第二,数量在2010年四,分别包括外部创新技术采集、教育支持、交易市场和数据的应用程序。第三,在2009年和2016年三个,,分别包括产权保护、数据传输和数据使用2009年,金融资源和内部创新,内部创新物质资源,和2016年的数据集成。,2013年的数字是2,分别包括贸易自由和数据共享,2015年输入数据生成,并没有2011年,2012年,2014年和2017年。这表明2018年创新因素的输入结构比其它年份更合理,它给输入,充分发挥创新的优势因素和最创新的因素有输入造成最大的影响。

在表2和图3的平均贡献创新因素输入整个样本期间排名从大到小,其次是数据集成、数据应用程序,外部创新技术吸收、内部创新物质资源,外部创新技术采集、金融发展、内部创新人力资源、贸易自由、内部创新金融资源,数据生成,外部创新技术合作、交易市场、数据传输、数据共享、数据使用、产权保护、污染防治和教育的支持。排名前两名属于数据创新因素。不仅证实了输入数据创新因素的重要性,而且数据集成衡量机器人拥有的数量和数据应用程序以软件业务的总量来衡量,这意味着人工智能和先进制造扮演重要的角色在改革创新内部和外部因素的协同作用和促进创新的加速度输出。数据创新因素强烈集成的特点。他们可以克服时间和空间的局限,这有利于内部和外部创新因素的优化和升级以及内部和外部之间的互补优势创新因素,大大促进创新产出的提高。内部创新人力资源、内部创新金融资源,外部创新技术吸收、教育支持、污染控制和数据传输都有离群值。五大异常值都出现在自己的贡献,最大的时间点和三个出现在2018年。它不仅展示了相对合理的输入结构的创新因素,2018年也意味着创新因素的整体输入结构在中国正经历着持续的调整和改进。

4所示。创新因素:边际效应和输入选择

4.1。边际效应趋势

上面讨论的重要性每个创新因素输入创新输出输入组合下现有的创新因素,即静态分析对创新产出的影响。如果创新因子输入对创新产出产生重大影响,它会继续增加投入或受阈值约束?这个问题的答案需要我们给边际效应的动态变化趋势的创新因素输入。

基于创新的重要性排名因素的输入,顶部8累积影响超过60%的总输入影响被视为重要的创新因素,其次是数据集成、数据应用程序,外部创新技术吸收、内部创新物质资源,外部创新技术采集、金融发展、内部创新人力资源和贸易自由。同时,发现上面的输入是均匀分布在内部,外部机构和数据创新因素。为了获得的时间变化趋势的边际影响每个重要的创新因素,每个重要的创新因素的边际效应图输入给出上述的顺序(见图四维创新因素4)。我们选择2009(虚线类型)、2012(更低的实线),2015(虚线)和2018(实线)详细描述。

有三个关键边界点的边际效应趋势图如图4,这是两个转折点(×)和最大斜率点( )。之前第一个转折点是初始阶段输入影响创新的因素,并对创新产出的边际影响相对平坦。第一个转折点最大坡度的一点是对创新产出的边际影响从增加到最大值。最大斜率之间的阶段点和第二个转折点是边际增量创新的影响因素输入了暂停。第二个转折点是最大创新所需的创新因素输入输出。增加的边际影响创新投入对创新产出的因素是第二个转折点后几乎为零。可以得出最优创新因素是创新时所需的创新因子输入输出达到最大输出。如果所有重要的创新因素的输入在一个省已经超过第二个转折点,然后省重要的创新因素的投资组合是最好的。在此基础上,我们给的边际效应的关键边界点重要的创新因素输入2009年,2012年、2015年和2018年(见表3)。

结合的时间趋势的边际影响重要的创新因素,我们发现,对创新产出的影响在整个过程是非线性的。此外,该职位的第一个转折点,最大坡度点,第二个转折点并不完全相同的2009年,2012年,2015年和2018年。可以看出,重要的创新因素输入的需求在不同时期是不同的。细节如下:首先,第一个转折点的内部创新人力资源、金融发展和数据集成在2009年和2015年之间相对较近。第一个转折点的距离在内部创新物质资源,外部创新技术收购,2012年和2015年之间的数据应用程序是最短的。同时,除了贸易自由,第一个转折点的其他重要的创新因素输入比其它年份晚于2018年出现。这表明所需的重要的创新因素的输入起点的增加边际效应在2009年,2012年和2015年相对稳定,而所需的重要的创新因素的输入高于2018年,2009年,2012年和2015年。其次,距离第一个转折点之间的所有重要因素输入和最大斜率点2018年小于2009年,2012年和2015年。它表明,与其它年份相比,重要的创新因素的输入有一定的基础,没有一个相对长期的边际效应在2018年将增长。第三,内部创新人力资源的第二个转折点在2018年出现早于2009年,2012年和2015年,而第二个转折点的其他重要的创新因素在2018年出现晚于2009年,2012年和2015年。 It indicates that, comparing 2018 with the other years, the demand for internal innovation human resources is relatively small, and the demand for other important innovation factors is greater in the optimal innovation factor inputs required to achieve the maximum innovation output.

4.2。输入选择分析

排名前八的创新因素输入的重要性在2012年和2018年符合表的平均贡献排名的结果2。因此,重要的创新因素的输入每个省在2012年和2018年进行相应的分组。它不仅可以分析重要的创新因素输入的时间变化,但也提出未来调整方向基于当前输入每个省创新因素。

根据分组的重要创新因素输入每个省在2012年和2018年(见表4),结合重要的创新因素的边际效应图输入在2012年和2018年(见图4(一)- - - - - -4 (h)分别对应于较低和较高的实线),以下重要特征发现:首先,在一些省份的一部分重要的创新因素输入没有超过了临界值的第一个转折点。这意味着这些重要的创新因素输入尚未达到增加边际效应的起点。其次,一些省份的所有重要的创新因素输入之间的第一个转折点,第二个转折点。表明阶段中的所有重要的创新因素输入他们的边际效应增加到最大,然后逐渐下降。第三,重要的创新因素输入的一部分,一些省份已经达到第二个转折点阈值,这意味着这些重要的创新因素已经完成了最优输入。第四,所有重要的创新因素输入第二个转折点在一些省份超过阈值,这表明所有重要的创新因素输入满足最优投资组合的要求。基于上面的四个重要特征,我们分类的输入每个省重要的创新因素在2012年和2018年,分析重要的创新因素输入变化的特点,并提出未来创新发展政策。

基于分组的总结重要的创新因素输入特征在每个省在2012年和2018年(见表5),每个省的变化在以下分组特征得到了:首先,一些省份的重要创新因素输入在2012年和2018年始终保持特征(a),如青海、宁夏。虽然宁夏显示了分配创新因素是有效的在2012年和2018年,最优创新产出实现低是因为其现有创新因素输入。这意味着上述省份需要大幅增加重要的创新因素的输入,这不仅可以增加实际的创新产出,而且提高最优输出阈值标准。其次,重要的创新因素的输入在一些省份在2012年和2018年保持在(b)特点,如天津、河北、辽宁、吉林、安徽、河南、湖南、重庆。上述省份可能指重要的创新因素的贡献排名输入和确定适当的方向重要的创新因素的增加投入。也有一些省份,重要的创新因素的输入特性(b)的下降了2012特点(一)2018年,如山西、内蒙古、黑龙江、江西、广西、海南、贵州、云南、甘肃、新疆。上述省份输入的数据的应用程序。数据应用程序输入的贡献是最好的之一。增加数据的输入应用程序不仅可以省摆脱特征(a),但也促进创新产出的提高。也有一些省份投资重要的创新因素已从2012年的特点(b)的特征(c) 2018年,如福建、湖北、四川、陕西。 The grouping characteristics have been upgraded, and the above provinces need to continue to maintain this situation, or they can increase investment in innovation factors which have a large gap such as trade freedom and other factors. Thirdly, the input of important innovation factors in some provinces in 2012 and 2018 has always remained at the characteristic (c), such as Beijing, Shanghai, Zhejiang, and Shandong. The above provinces may be based on the gap of some important innovation factors between current and optimal inputs, combined with the contribution of important innovation factor inputs, giving priority to the important innovation factors with small gaps and large contributions. Fourthly, the inputs of important innovation factors in Guangdong in 2012 and 2018 have met the requirements of characteristics (d). It means that Guangdong has realized the effective allocation of innovation factors in 2018. If they want to improve the optimal innovation output standard, it is more difficult to start from the input end of innovation factors. It may be achieved by changing the existing innovation development patterns. The important innovation factor inputs in Jiangsu Province have declined from the characteristics (d) in 2012 to the characteristics (c) in 2018. Jiangsu Province may continue to increase inputs in financial development and data applications in the future.

5。结论和未来的研究

创新是经济发展的驱动力,并有效地测量创新因素的分配有利于更好的扮演的角色创新。我们使用随机森林方法来确定创新的有效性因素分配从2009年到2018年在中国30个省和探索创新的重要性因素投入的贡献在整个样本期间,时间自己的最大贡献。然后我们进一步掌握重要的创新因素的边际效应特征输入,抓住其关键边界点的时间变化,分析每个省的实际输入基于重要的创新因素的最优组合输入,最后提出未来调整的方向。具体结论如下。

首先,有超过一半的省份是分配不能完全有效地创新因素。如何依赖于内部和外部的创新因素,利用机构和数据创新因素实现实际的创新产出高于自己的最佳水平仍处于探索和调整的时期。其次,从创新因素的重要性的角度输入,数据创新因素特别是数据集成和数据应用起着重要作用,它反映了重要数据创新因素对创新产出的影响。从创新的最大贡献时间的角度因素输入,输入最创新的因素2018年贡献自己的最大价值,表明中国的创新因素的结构输入有一个整体向上的发展趋势。第三,重要的创新因素的边际效应非线性输入,和第一个转折点的位置,最大坡度点,第二个转折点的重要的创新因素输入的边际效应在不同时期是不同的,表明重要的创新因素的边际效应投入对创新产出并不总是相同的。在此基础上,我们发现重要的创新因素的最优组合输入。第四,广东省取得了重要的创新因素的最优组合输入或可以改变现有的创新发展模式,而其余省份还没有达到最优因子输入要求和需要调整输入来改善当前的创新选择。

基于上述结论,可获得以下政策影响。首先是进一步提高创新因素分配的有效性。我们不仅需要注意协调内部和外部的创新因素,但也关注机构和数据创新的耦合因素。其次是发挥数据的潜在创新因素,特别是数据应用程序和数据集成:发达省份可以进一步发展,而落后的省份可以实现曲线取代。第三是把握重要的创新因素的边际影响输入,并充分利用输入的重要的创新趋势的影响因素。第四,每个省使适当的创新发展政策根据当地条件和合理调整当前创新因素输入选择根据最优组合。

不用说,这篇文章有一些局限性,也是未来研究的基础。首先,当评估创新因素分配的有效性,本文以内部创新因素,外部创新因素,制度创新因素,和数据输入创新因素创新因素,和新产品销售收入为人均创新产出。除了人均新产品销售收入,也可以衡量指标如人均国民生产总值在创新产出的评价。因此,有必要添加其他变量,可以测量创新输出来确定创新的有效性因素分配在进一步的研究,以便更全面的分配情况在中国各省创新因素。

其次,本文以中国的省份为研究对象和评价创新因素从宏观的分配。此外,它还具有实用意义的评估分配从中央和微程序级创新因素。因此,有必要分析创新因素分配从行业层面和企业层面,进一步探索未来调整的方向分配在中间和微程序级创新因素。

最后,当输入分析创新的影响因素,本文着重于边际效应趋势和重要的创新因素的关键边界点输入但不显示剩余的创新因素输入创新产出的影响。虽然这部分创新的影响因素输入并不重要,他们也使边际贡献创新产出。在未来,我们可以进一步探讨的边际效应特征和关键边界点输入这些创新因素。它可能得出其他重要的结论。

数据可用性

本文基于面板数据从2009年到2018年在中国30个省(西藏除外)。数据源和处理方法如表1所示。

的利益冲突

作者宣称没有利益冲突。

作者的贡献

莫设计计算框架和写的手稿。y . w .设计模型和分析数据。问:进行了实证研究。s . f .收集相关文献,确定指标。所有作者讨论了结果,导致最后的手稿。所有作者已阅读及同意发布版本的手稿。

确认

本研究支持的特点和优势学科的浙江省重点建设大学(浙江Gongshang大学、统计),中国国家自然科学基金(71763010和71763010),和江西省社会科学“14日五年”计划项目(yj05 21日)。