经济学中国经济毕业论文 关于中国三大经济区域科技实力分析与评估

《经济学中国经济毕业论文 关于中国三大经济区域科技实力分析与评估》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、湖南师范大学本科毕业论文考籍号：XXXXXXXXX姓名：XXX专业：经济学中国经济论文题目：关于中国三大经济区域科技实力分析与评估指导老师：XXX二〇一一年十二月十日　　论文关键词：经济区域　科技实力　因子分析　　论文摘要：中国东部地区的科技财力投入和高新技术产出水平省际差距都比较大，几乎所有中、西部省份的科技财力投入和高新技术产出都低于全国平均水平，科技财力投入水平与高新技术产出水平密切相关；科技人力投入水平与区域经济发展水平密切相关，三大经济区域的科技人力投入呈现明显的梯度变化态势。　　1引言　　当前，我们正处于一个经济、科技、教育

2、日益全球化的时代，各国之间综合国力的竞争，归根到底就是经济与科技实力的竞争，而经济实力很大程度上是由科技实力决定的。因此，每个国家科技实力的水平及其发展状况，将决定它在世界格局中的地位和发展潜力。对一个地区而言，科学技术不仅对地方综合实力及其变化起着十分重要的作用，而且科学技术本身的构成和水平，也正是地方综合实力的重要组成部分。本文对科技实力的分析与评价问题进行初步探讨，构建了区域科技实力综合评估体系，并采用因子分析方法，分别对中国三大经济区域的科技实力水平进行综合测定和评估。　　2数据采集　　为全面反映三大经济区域的科技实力，兼顾数据

3、的易收集性，本文以2007年《中国主要科技指标数据库》为依据，按照科技投入与产出，分设人力投入、财力投入、创新能力和高科技产出四个方面，共23个评价指标（如下表1所示）。考虑到实际数据的限制，本次研究不涉及西藏、青海、香港、澳门和台湾5个地区，所以，最终数据采集有效对象为其余29个省级地区。　　3分析方法　　由于科技系统本身的复杂性、科技指标的不完整性等原因，使得国内外现在并没有统一的科技实力评价方法。通过对国内外已有的科技实力的评价方法进行归纳总结，本文提出了应用因子分析方法评价科技实力的设想，具体步骤如下：　　（1）确定待分析的原有

4、若干变量是否适合于因子分析。最简单的方法就是计算变量之间的相关系数矩阵。如果相关系数矩阵在进行统计检验中，大部分相关系数都小于0.3并且未通过统计检验，那么这些变量就不适合进行因子分析。此外，SPSS在因子分析过程中还提供了几种检验方法来判断变量是否适于因子分析。主要的统计检验方法有如下几种：巴特利特球形检验、KMO检验和反映像相关矩阵检验。本文主要采用相关系数矩阵、Bartlett球度检验和KMO检验三种方法。　　（2）构造因子变量。因子分析中有多种确定因子变量的方法，如基于主成分模型的主成分分析法和基于因子分析模型的主轴因子法、极大

5、似然法、最小二乘法等。其中基于主成分模型的主成分分析法是使用最多的因子分析方法之一，故本文也采用主成分分析法。　　（3）利用旋转使得因子变量更具有可解释性。常用的旋转方法有正交旋转、斜交旋转、方差极大法，其中最常用的是方差极大法，故本文也采用方差极大法。　　（4）计算因子变量的得分。计算因子得分首先将因子变量表示为原有变量的线性组合，即：F.j=β1jX1+β2jX2+…+βpjXpj=1，2，…，m其中，F.j为公共因子变量j的得分，Xp为原始变量。估计因子得分的方法有回归法、Bartlette法、Ander-son-Rubin法等，

6、本文选用回归法。　　4分析结果及讨论　　4.1相关分析　　因子分析是从众多的原始变量中构造出少数几个具有代表意义的因子变量，这里面有一个潜在的要求，即原有变量之间要具有比较强的相关性。如果原有变量之间不存在较前的相关关系，那么就无法从中综合出能反映某些变量共同特性的少数公共因子变量来。因此，在因子分析之前，需要对原有变量作相关分析。　　（1）相关系数矩阵　　根据SPSS软件得到23个指标之间的相关系数矩阵，其中，除了变量19、20、23分别与变量3、7、9的相关系数比较小（低于0.3），其他的相关系数值大多高于0.6；因此，没有理由认为

7、这些变量不适合进行因子分析，相反，各指标之间存在较强的相关性，可以尝试进行因子分析。　　（2）KMO检验和Bartlett球度检验　　根据SPSS软件得到KMO和Bartlett球度检验结果，检验结果表明，KMO值为0.706，根据统计学家Kaiser给出的标准，KMO值大于0.7，不能否定因子分析的可行性；同时，巴特利特（Bartlett）球形检验给出的相伴概率小于0.0005，更小于显著性水平0.05。因此，应该拒绝零假设，认为相关系数数据不可能是单位阵，即原始变量之间存在相关性，适合于作因子分析。　　4.2因子分析　　（1）选取因

8、子变量　　根据SPSS软件可以得到各因子变量的方差贡献（特征值）及累计方差贡献率，笔者截取了排在前5名的主成分数据，其中，只有前三项（Y1、Y2、Y3）因子变量的特征值大于1；而且，其累计方差贡献率达89.