中国科技创新能力评价与比较，本文主要内容关键词为：科技创新论文,中国论文,评价论文,能力论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
中图分类号：F204 文献标识码：A 文章编号：1002-9753(2008)07-0155-06
修回日期：2008-05-12
科学、技术和创新已经变成促进发达和发展中国家经济持续增长的关键因素。在国际竞争愈加激烈的今天，为了能在竞争中赢得主动，依靠科技创新提升国家的综合国力和核心竞争力，建立国家创新体系，走创新型国家之路已经成为世界许多国家和政府的共同选择和追求的目标。那么如何测度并比较各国的创新能力？目前使用较广泛的有“欧洲创新记分牌”评价指标体系，该体系指标较完备，已使用多年，并被使用国家所接受。为便于进行国际比较，我们借鉴该记分牌指标体系。但在此评价体系下，指标权重的确定缺乏理论依据，而且又无法得到欧洲记分牌专家所给的权重。鉴于此，我们提出了一种基于BP网络的科技创新能力综合评价方法，它不仅能够模拟专家对科技创新能力进行综合评价，而且可以避免评价过程中的人为失误。我们还利用Matlab6.5软件中的神经网络工具箱创建网络模型、初始化、训练及对欧洲记分牌中的国家数据进行仿真测试，最后针对我国的数据仿真测算出科技创新指数。
一、科技创新指数指标体系
“欧洲创新记分牌”所用指标体系及评价方法由欧盟委员会与联合研究中心合作制定。在所发布的6次评价结果中，其评价指标体系由2001年的17个反映创新活动的指标增加到2006年的5类共25个指标。5类指标被编为创新投入和产出两个部分。创新投入部分含创新驱动、知识创造和企业创新3部分；创新产出则从技术应用与知识产权方面进行分析。具体如下(25个指标[1]详见表1)：
1.创新驱动力 主要考察与创新相关的人力资本与基础设施，由适龄人口中理工科毕业生所占比重等5个指标组成。
2.知识创造能力 主要衡量作为知识经济成功的关键因素，研发活动的投入情况，由公共R&D投入强度等4个指标组成。
3.企业创新能力 通过分析参与创新的企业数量与企业对创新的投入，以及信息通讯技术投资情况反映企业在创新活动中的投入，由开展创新活动的中小企业所占比重等6个指标组成。
4.技术应用 主要考察企业采用高技术带来的新价值，此外还将参与高技术生产活动的人员纳入考察范围，从企业活动和劳动力方面考察创新带来的价值增加，由高技术产品出口所占份额等5个指标组成。
5.知识产权 主要考察专利、商标、外观设计的人均占有量，由每百万人欧洲专利申请量等5个指标组成。
因为各项指标的计量单位不同，彼此之间不具有直接可比性，所以记分牌利用综合评价的方法，通过标准化、赋权等步骤计算出各个国家的综合创新指数(Summary Innovation Index，简称SII)。其中指标权重被设定为相同的值，或者来源于权威专家的意见，前者不能反映各指标的不同贡献率，后者我们无法获得。所以我们建立国家科技创新指数指标体系的BP神经网络模型，完成对国家科技创新能力的评价。
二、国家科技创新能力评价方法
对于一个国家的科技创新能力的强弱，我们可以用科技创新指数(TII)来测评(“欧洲创新记分牌”中记为综合创新指数(SII)，含义相同)。而对于科技创新指数的测算，对各创新指标的标准值进行加权求和是合理的，并被世界各创新能力研究机构所采用。测算公式[2]如下：
(一)评价指标的标准化
由于评价体系中，指标的量纲不同，为使它们在整个系统中具有可比性，必须对各指标进行标准化处理[3]，如下：
(二)权重
的处理
指标权重或者被设定为相同的值，或者来源于权威专家的意见。前者不能反映各指标的不同贡献率，后者会因为不同的权威专家而得到不同的权重值。于是我们决定采用BP神经网络的计算方法代替确定权重，即在不需要确定权重的情况下，利用BP神经网络对欧盟委员会公布的33国指标值及科技创新指数进行网络训练，以训练好的网络对我国的指标值进行计算，可以不必确定，而完成相同的目的。
(三)BP神经网络模型评价程序
人工神经网络是对人脑功能作某种简化、抽象和模拟，是一个高度复杂的、非线性动力学系统，具有学习、记忆、联想、归纳、概括和抽取、容错以及自学自适应的能力[4]。BP网络是目前应用最为广泛的一种网络模型。依据本文的模型结构设计，形成一个BP神经网络模型，对国家科技创新能力评价的步骤如下。
1.评价模型结构设计：
(1)输入层，根据国家科技创新指数指标体系，将最低层指标数25作为输入层神经数。
(2)隐含层，隐含层神经元数的选取关系到
整个BP网络的精确度和学习效率，在本文中结合理论分析和经验选取隐含层神经数为5。
(3)输出层，输出的结果是反映国家科技创新能力的一个分数，所以将输出层神经元设置为1个。
2.BP网络学习：按照前述的指标体系，搜集学习样本即欧洲记分牌中不同国家的指标值｛
｝，进行标准化处理，输入BP神经网络，按照BP算法，确定各层神经元之间的权重
，为神经元m到神经元n的连接权重。
3.搜集我国的指标值
。
4.对进行标准化处理。
5.将处理过的输入BP神经网络，按照前面确定的权重，计算输出。
6.根据输出评价我国的科技创新能力。
三、我国科技创新指标数据的准备
通过查阅相关年份的统计年鉴，并利用国家统计局、国家科技部等政府网站公布的相关数据，直接或间接地计算出了所需数据，见表2：
以上数据可以分为两部分。一部分数据是通过查阅直接获得的数据；一部分是查阅得到相关数据，然后间接计算获得数据。对于直接可查阅的数据我们不多做介绍，主要是解释间接计算的数据。
指标“1.2受过高等教育人口/25-64岁人口(％)”，因为国家人口普查统计里没有细分至25-64岁人口数，所以此项指标我们用“经济活动人口中受过高等教育人数所占比重[5]”来代替。
指标“1.3宽带普及率(％)”我们用“全国每百人宽带用户数”来代替。
指标“1.4参加终身学习人口/25-64岁人口(％)”我们用“大专及以上学历或学位的人口/15-59岁人口”来代替，数据来自《中国人口统计年鉴2006》。
指标“3.4早期阶段的风险资本投资/GDP(％)”采用《中国创业风险投资发展报告2006》中的样本数据进行计算。2005年，中国创业风险投资管理资本总额为631.6亿元，其中种子阶段的投资金额占总额的5.2％，那么我国早期阶段的风险资本投资即为32.8432亿元。2005年，我国GDP为182321亿元。由以上数据可以算出此项指标数据为0.018。
指标“3.6采用组织创新的中小企业/中小企业总数(％)”，由以下等式算出，有科技活动企业数/中小企业总数－有R&D活动的中小企业/中小企业总数＝17.59-8.81＝8.78。
指标“4.5受雇于中/高技术制造业的就业人口比重(％)”由“高技术产业从业人员/我国就业人员”获得。2005年我国高技术产业从业人员为7600.1064万人(由《中国高技术产业统计年鉴2006》中的“高技术产业从业人员年平均人数”算得)，2005年我国从业人数75825万人(来自《中国统计年鉴2006》)。由此可计算出此项数据的指标为10.5。
指标“5.1百万人口拥有的欧洲发明专利数”，2005年中国在欧洲专利局的申请数是538件，按13亿人口计算，可以得到此指标的数据。
指标“5.2百万人口拥有的美国发明专利数”，美国专利局收到的来自中国的专利申请在2003年是887件[6]，按13亿人口计算，可以得到此指标的数据。
指标“5.3百万人口拥有的其他第三方专利数”，中国在日本2005年的专利申请数397件，按13亿人口计算，可以得到此指标的数据。
至此，所有指标的数据已经齐全，下面进入科技创新指数的测算过程。
四、MATLAB计算
(一)建立BP神经网络
我们可以利用MATLAB神经网络工具箱建立BP神经网络，根据具体情况，这里采用三层BP神经网络对国家科技创新指数指标体系进行评价。根据上述指标体系，建立一个输入层、隐含层和输出层的神经元数分别为25、5、1的BP神经网络模型。网络输入层与隐含层之间采用正切S型传递函数tansig，隐含层和输出层之间采用线性传递函数；考虑到网络的规模和学习时间，选用trainlm函数对网络进行训练；最大训练步数epochs为200000；收敛误差goal为1e－30；显示间隔show为10；Levenberg-Marquart优化算法中的缩减因子mu_dec为0.2；增大因子mu_inc为1.2；最大值mu_max为1e15；性能函数的最小梯度min_grad为1e-15。其他参数均为缺省值。
(二)网络训练
训练的样本数据就是欧洲记分牌公布的33个国家2005年的指标数据。输入这组数据。网络经初始化，利用函数trainlm对网络进行13次训练后，网络误差平方和mse达到了收敛误差goal＝1e-30的要求。至此，基于BP神经网络的国家科技创新能力评价模型已经建成，学习样本的训练也已结束。训练结果和期望输出结果如表3，训练样本的误差曲线如图2。
图1 误差曲线
由表3和图1可见，网络经过13次训练，所得结果和期望输出已完全符合。这证明了我们所设计的BP神经网络模型的有效性。
(三)我国科技创新指数的测算
在对我国的科技创新指数进行测算时，只须把表2的数据标准化，然后输入已建立的BP神经网络模型，即可得到科技创新指数。
通过我们建立的BP神经网络模型，利用MATLAB可测算出我国的科技创新指数为0.2908。由我们测算的结果可知，中国的科技创新指数比较低，跟EIS中的国家相比，创新能力较为落后。要想实现进入创新型国家行列的目标还需要付出极大的努力。
五、比较与分析
在《2006年欧洲创新记分牌报告》中参评的国家被分为四组，分别是领先型国家、平均水平国家、追赶型国家和落后型国家。其中第四类国家的综合创新指数低于0.35，在创新能力建设方面表现乏力。本文测算的我国科技创新指数为0.2908，排在西班牙(0.3008)之后，在OECD国家中，排名第22位，属于科技创新能力落后的国家。这说明，与美国、日本及北欧等一些综合创新指数在0.5以上的领先型国家相比，我国的创新综合能力较低。
差距主要表现如下：
(1)在创新驱动的人才储备方面，我国高级人才资源匮乏。“青年受高中以上教育程度/20-24岁人口(％)”的指标高达81％，已超过欧盟国家的平均水平，表明我国初等人才资源充足。但是转化为高等人才的数量急剧下降，我国20-29岁人口中每一千人中才有7.7个科学与工程类毕业生，相比美国的90.8个和日本的117.4个差距巨大。这表明我国的高等教育现状与创新型国家相比落后很多，直接影响了我国的科技创新能力。
(2)R&D经费占GDP的比率较低。对于知识创造的科学研究与试验发展经费支出，我国保持了总量的快速增长，从2000年的895.7亿元增长到2005年的2450.0亿元，增幅最高达到了29.3％，但是R&D经费占GDP的比率较低，而且增长缓慢，表现在2005年我国公共R&D支出和企业R&D支出仅占国内生产总值的0.33％和0.92％，与欧美和日本差距显著。
(3)中小企业的创新能力有待提高。作为市场经济中最活跃、最富有活力的组成部分，中小企业技术创新能力的提高对于一个国家经济的发展、竞争力的加强具有重要意义。我国的中小企业技术创新起步较晚，再加上创新人才短缺、资金不足等问题，致使自主创新能力较弱。虽然参与合作创新的中小企业数占到中小企业总数的17.59％，超过了欧洲各国及美国、日本，但在体现企业自主创新的两个指标“开展内部创新的中小企业/中小企业总数(％)”和“采用组织创新的中小企业/中小企业总数(％)”，我国的数据与创新型国家的数据差距较大。风险资本投资的对象是创业期的高新技术中小企业，“早期阶段的风险资本投资/GDP(％)”反映了投资家对创新的投资力度，而中国的此项指标仅为0.018，与美国0.072的数据相去甚远，也低于欧洲0.025的平均水平。
(4)产业科研投入不足，且支出结构不合理。技术应用考察的对象主要是高技术产业。高技术产业具有知识、技术密集度高，高风险、高附加值和高收益等特点，较高的技术密集度是其核心特征。它对社会和经济的发展具有极为重要的意义，是国家竞争力的集中体现，因此成为国际经济和科技竞争力的重要阵地。而我国在这个方面也落后于创新型国家。首先科研投入不足，和世界发达国家相比，我国制造业和高技术产业R&D占工业增加值的比例处于较低水平。2001年这一指标仅为3.4％和5％，远远低于美国、日本。其次经费支出结构不合理，科研经费用于技术引进所占的比例大，用于自主研发和消化所占的比例偏小，致使难于形成产业自主的知识产权和核心竞争力。
(5)知识产权方面与创新型国家差距最大。这个领域下的指标用以反映一个国家创新的直接产出能力和水平，它们观测值的大小基本反映了创新能力的高低。对于“百万人口拥有的三方发明专利”，创新型国家基本高于100件，日本的“百万人口拥有的美国发明专利数”更是高达457.2件，而中国的这三个指标值分别是0.41、0.68和0.31件，与欧洲2005年133.6、59.9和22.3件的平均水平也存在巨大差距。对于“百万人口新注册的区域性商标数”和“百万人口新注册的设计数”，我国的指标值都未能超过0.5，远远比不上欧洲平均值及美国、日本10件以上的水平。这些表明我国的创新产出水平还很低，缺少具有国际竞争力的企业和具有竞争力的自主品牌产品。
至此可以看到，本文的结论符合我国的创新能力状况，说明我们选择的指标体系和评价方法是合理的。此外，为了全面系统地反映一个国家的创新能力，建立一个客观、实用且具有全球普遍性的科技创新指数指标体系，作者认为还可以加入科技进步贡献率、对外技术依存度、名牌中的自主品牌比例、企业利润占GDP的比例和技术输出与技术输入之比等指标，或者将其中一些指标与欧洲指标体系中的指标替换使用，就可以避免因缺失数据而无法评价的问题，使此套评价方法为各国所接受。