对标准化矩阵Z求相关系数矩阵，并根据相关系数矩阵来判断变量之间的相关性。计算公式如下，其中Ri,j表示标准化后数据的相关关系。

   

其中是Xj的算数平均数，σxj是Xj的标准差。针对不同量纲的指标，标准化是为了消除量纲差异的必要数据预处理过程。

 

表2 2015年省际科技金融绩效评价指标标准化列表

   

省市RDsGTsTDsNsTGPsTIIsCNs北京市3．866172．1453-0．173410．670093-0．053820．0062424．973985天津市1．2391240．1826350．06477-0．22365-0．028740．0251890．206518河北省-0．43024-0．46906-0．10095-0．3387-0．39041-0．37777-0．41676山西省-0．31602-0．43585-0．46357-0．55628-0．36918-0．48167-0．38339内蒙古自治区-0．75532-0．67752-0．50803-0．63657-0．4411-0．54563-0．44326辽宁省-0．026070．1806010．068557-0．34993-0．34059-0．25528-0．09025吉林省-0．52688-0．63606-0．58561-0．58727-0．44091-0．35464-0．41788黑龙江省-0．42145-0．60306-0．54123-0．42602-0．44129-0．50509-0．25882上海市1．8541521．9145840．4018950．2228881．4257470．4283790．560155江苏省0．8701082．6468412．8749792．989482．2737513．1973430．474663浙江省0．6240971．3010751．2524542．77695-0．122230．09935-0．3161安徽省0．2990110．415271-0．036790．18389-0．31965-0．22894-0．17287福建省-0．06122-0．287380．044955-0．01079-0．13182-0．06987-0．3794江西省-0．50931-0．38941-0．45355-0．45527-0．33783-0．21747-0．3794山东省0．5625940．6126562．3389560．635998-0．01510．886841-0．03504河南省-0．35995-0．13090．103227-0．093870．0178490．172101-0．39669湖北省0．2814390．4702950．17182-0．18778-0．31557-0．168640．539744湖南省-0．16665-0．3780．030713-0．21836-0．39786-0．18515-0．29758广东省0．7207442．0506182．8716452．6180154．4135853．8097780．249333广西-0．73775-0．37178-0．56977-0．53236-0．3878-0．39439-0．44735海南省-0．93983-0．89603-0．76653-0．6816-0．44138-0．57785-0．46631重庆市-0．11394-0．61775-0．35218-0．261370．205715-0．09807-0．19651四川省0．017856-0．12514-0．27340．16058-0．005510．200216-0．12219贵州省-0．8344-0．54793-0．68677-0．52417-0．44104-0．5147-0．43268云南省-0．77289-0．56137-0．65836-0．56085-0．41794-0．55163-0．38432西藏-1．13312-0．99896-0．79536-0．70845-0．44799-0．59467陕西省0．457161-0．54205-0．36759-0．28897-0．27925-0．357310．642668甘肃省-0．37752-0．80983-0．67229-0．61685-0．44315-0．57338-0．26881青海省-0．81682-0．93151-0．77147-0．6997-0．44807-0．58867-0．41697宁夏-0．59717-0．91716-0．7464-0．6848-0．43963-0．59155-0．46192新疆-0．8959-0．59312-0．70071-0．61424-0．43879-0．59307-0．46255

 

其中，xij表示第i单位的第j指标值。对数据进行标准化，标准化后的矩阵记为Zij，计算公式如下：

   

将原始变量X1,X2,X3…,Xm进行适用性检验，主要有KMO统计量和巴特利特球形检验，由检验值的大小来判断是否可以进行主成分分析。

鉴于本文研究科技金融投入产出指标维度有限，通过主成分将投入产出指标分别构造为科技金融投入综合指标Xij和科技金融产出综合指标Yrj，再以产出与投入之比构造金融技术效率评价。

 

表3 科技金融投入、产出指标KMO检验、Barlette球形检验

   

变量KMOOverallCHI(i)Prob．R&D经费投入强度0．8567财政资金科技投入0．7812科技贷款0．65490．766569．510．0000专利授权量0．7208高新技术产业产值占GDP比例0．7336高技术产业主营业务收入0．7814技术市场成交合同金额0．67790．736797．910．0000

 

(3)发展煤炭洗选需要全社会的广泛参与、理解和支持。煤炭洗选加工既是煤炭企业推进节能减排、发展循环经济的重要抓手，同时也是全社会节能减排的重要途径，需要政府、企业、用户等各个方面的通力配合，一方面通过政府出台政策法规、制定相关标准规范引导企业多洗煤，敦促煤炭用户使用洗选精煤；另一方面企业加大洗选投入，降低原煤直接入市；煤炭用户也配合建设、完善洗选煤优质优价市场，逐步带动原煤入选。

从KMO值与巴特利球形检验的方差值来看，满足了主成分分析的基本要求。其中，科技金融投入、产出指标的KMO值分别大于0.7，属于适合主成分分析的标准；科技金融投入指标的CHI(3)和科技金融产出指标的CHI(6)均远大于临界值，说明指标内部相关性关系存在，有进行主成分分析的必要性。

其中，权系数为V和u，hj≤1，j=1，…，n

本文认为，体育赛事转播权应当由体育法作系统性的权利规定，而非诉诸其他权利形式；在规定体育赛事转播权时，应当充分考虑赛事组织者、参赛者、传播者和社会公众等群体的不同利益诉求，具体解决权属、分配、垄断和公益问题。

《宋志》系元代脱脱所编，其所根据者也宜是《崇文总目》。以脱脱所学，尚未见宋世有《嵇康集》十五卷本，再次证明至宋庆历之时五卷确已亡佚。

 

表4 科技金融投入、产出指标特征值、主成分贡献率和累计方差贡献率

   

变量特征值主成分贡献率累计方差贡献率科技金融投入Comp12．36750．78920．7892Comp20．56330．18780．9769Comp30．069170．02311科技金融产出Comp12．74880．68720．6872Comp20．94010．2350．9222Comp30．26840．06710．9893Comp40．042780．01071

 

根据以上检验，科技金融投入、产出指标的特征值大于1(2.3675，2.7488)的都只有一个主成分；且主成分贡献率与累积方差贡献率为0.7左右(0.7892，0.6872)，主成分能够分别代表科技金融投入、产出的大部分信息。因此，将科技金融投入指标构造为一个科技金融投入综合指标，同时将科技金融产出指标构造为一个科技金融产出综合指标，具有量化论据证实的科学依据。

根据旋转后的成分矩阵系数来解释主成分，用该系数除对应算术平方根来计算各主成分系数。根据软件分析得到指标变量的初始特征值大于1的个数来分别计算各主成分的综合得分，用旋转矩阵系数乘原始变量标准化后的矩阵数据，公式表示如下：

   

其中，a1i,a2i,…,ani(i=1,…,n)取值为旋转后的成分矩阵相关系数除上对应主成分特征值的算术平方根，而Z1,Z2，…,Zn是标准化后的数据变量值。在选取主成分的个数时，一般不会选取全部的p个主成分，而是取m<p个主成分，m取多少比较合适，这是一个很实际的问题。一方面m尽量取的大些，以使选取的主成分能够尽量多的包含原来变量的信息；另一方面m又不能太大，m越大表明主成分的个数越多，不能达到简化分析的目的。m的取值可以兼顾变量的个数和累计贡献率两个方面，一般是以所取的m使得累计贡献率达到85%以上为宜。

若分析后得到的主成分有两个以上，则需要计算每个主成分的贡献率，即各主成分所对应的特征值占所有特征值之和的比例，具体计算方式为：

   

计算主成分变量最终得分，将各主成分的贡献率作为权重分别乘上各主成分值，得到最终的综合指标数据，其计算公式如下：

混凝土运输设备应与运输条件、级配、拌和能力、浇筑强度、全面具体情况等相适应。运输过程中不发生泄漏、分离、漏浆和泌水，并减少坍落度损失。

F=β1F1+β2F2+…+βmFm

其中，F1,F2,…,Fm为各主成分的值；β1,β2，…,βm分别为主成分所对应的系数；而F代表最终的综合主成分。

因此，根据特征值、主成分贡献率和累计方差贡献率判断指标，确定科技金融投入主成分只有一个，其主成分系数结果根据stata软件输出，如下表5。

 

表5 科技金融投入指标的主成分结构系数

   

变量主成分1主成分2主成分3科技金融投入R&D经费投入强度0．5478-0．69860．4603财政资金科技投入0．6364-0．0092-0．7713科技贷款0．54310．71550．4395

 

FI=0.5478×RDs+0.6364×CTs+0.5431×TDs

①内径、扬程、流量推算法。例如：A机井经测量机井内径为230 mm，井深89 m，测得流量30 m3/h。经过推算，机座号确定为200（机座号应小于或等于机井内径），扬程为78 m（应小于井深），流量为32 m3/h（应大于或等于实际测得的流量）。根据内径、扬程、流量三个要素，确定该机井型号为 200 QJ 32—78/6。

 

表6 科技金融产出指标的主成分结构系数

   

变量主成分1主成分2主成分3主成分4科技金融产出专利授权量0．5474-0．0085-0．80520．2279高新技术产业产值占GDP比例0．5649-0．16610．55270．5897高技术产业主营业务收入0．5855-0．15770．1805-0．7744技术市场成交合同金额0．1960．97340．1166-0．0229

 

F0=0.5474×Ns+0.5649×TGPs+0.5855×TIIs+0.196×CNs

进一步，利用生成的科技金融投入综合指标和科技金融产出综合指标，带入到表2省际科技金融绩效评价指标，就能够生成省际科技金融投入、产出分别的综合指标，据此绩效差异对省际科技金融绩效进行评价。

二、基于PCA-DEA-Moran指数的科技金融绩效评价

(一)基于PCA-DEA的科技金融综合绩效指数计算

   

进一步，根据特征值、主成分贡献率和累计方差贡献率，确定主成分的个数。矩阵的特征值为λj(j=1,2,…,p),其中，λ1≥λ2≥，…，≥λp，根据特征多项式Rui=λiui,ui=(ui1,ui2，…,uip),可以求出相应的特征向量γi=(γi1,γi2…,γip)。

据各主成分的特征值，来判断选取主成分的个数，其中，特征值大于1的即为需要提取的主成分。在Z1,Z2,Z3,…,Zm指标组合中，选取方差最大的记为F1,称为第一主成分，后面的主成分依次为F2,…，Fm。其中，主成分的贡献率为其特征值占所有特征值总和的比例，用公式表示为累计方差贡献率为

由图5可知，处理条件不同的海螺肉在4 ℃贮藏20天，菌落总数的变化也不相同。随着贮藏时间的延长，微生物大量繁殖，未经处理的海螺肉在第15天菌落总数达到了5.54 log cfu/g，而红茶处理的海螺肉达到3.54 log cfu/g，低于我国水产品生食标准规定的4 log cfu/g。茶多酚具备防腐保鲜作用，能够抑制微生物的能量代谢或微生物的酶活性，对枯草杆菌、金黄色葡萄球菌、大肠杆菌、龋齿链球菌以及毛霉菌、青霉菌、赤霉菌、炭疽病菌等细菌有抑制作用[22]。而本文研究表明红茶处理后菌落总数下降，可能也是因为红茶中含有一定的多酚、黄酮等抗菌性成分。因此，红茶处理可以有效地延长海螺肉的保藏期。

对第j0个决策单元进行效率评价，一般说来，hj0越大表明MNUj0能够用相对较少的输入而取得相对较多的输出。

如以第j0个决策单元的效率指数为目标，以所有决策单元的效率指数为约束，就构造了如下的CCR(C2R)模型：

   

结合本文的研究来看，科技金融产出与投入之比为hj，代表省际科技金融的综合绩效评价。对第jo个决策单元(某一省或城市)进行科技金融的效率评价，一般说来，hj0越大表明DMUjo能够用相对较少的输入而取得相对较多的输出，也即投入产出效率高，科技金融绩效水平高。其中，yi为上文中PCA计算出的科技金融产出综合指标F0;xj为上文计算出的科技金融投入综合指标F1。

 

表7 2014年科技金融省际绩效评价与排序情况

   

省份DEA-C2R效率系数排序省份DEA-C2R效率系数排序北京市0．874363河南省0．02963127天津市0．4511湖北省0．4446712河北省0．2172923湖南省0．2377221山西省0．4701210广东省-3．58E-1429内蒙古0．4277914广西0．2931518辽宁省0．335916海南省0．748695吉林省0．4429513重庆市0．2248322黑龙江省0．550497四川省0．1982224上海市0．2771519贵州省0．4184815江苏省-1．92E-1330云南省0．496118浙江省0．03714926陕西省0．740736安徽省0．3080217甘肃省0．872714福建省0．1451225青海省11江西省0．2680520宁夏0．930962山东省0．01013428新疆0．495939

 

值得注意的是，DEA作为非参数分析，计算的是相对效率指数，可以看出北京的科技金融效率高(科技金融效率指数为0.87436，排名为3)；但是相对效率扣除掉了绝对基数的影响，即有可能存在的“低投入—低产出”的所谓“高效”，如青海省效率指数为最高1，但如下图所示，海南省的产出水平却很低，存在低投入-低产出的相对高效。

   

图1 2014年科技金融省际绩效评价——产出比较表

 

可以看出，位于0横轴以下的省市，存在显然的“产出冗余”，即投入效率相对较高；而位于0横轴以上的省市，实际上存在着低产出的“相对高效”，即存在金融对科技的投入效率低下的困境。因此，为了进一步对省际科技金融绩效评价情况进行判别，还需将各省市产出系数与相对效率系数相结合，消除“低投入-低产出”的伪高效情况。

(二)PCA-DEA-Moran值

为解决DEA指数存在的“低投入-低产出”相对高效问题，进一步采用Moran指数对低低聚集、高高聚集进行区分。其中，Xi即为上文中基于PCA-DEA计算出的hj，也即科技金融绩效评价指数；而权重Wij则采用产出水平构造而成的权重，旨在通过绝对产出值调整非参数科技金融绩效评价指标。

权重矩阵(W)未标准化后的Moran’I值：

   

 

表8 基于PCA-DEA-Moran指数的2014年科技金融省际绩效评价与排序情况

   

省份DEA-C2R效率系数排序DEA-Moran指数排序省份DEA-C2R效率系数排序DEA-Moran指数排序北京市0．8743631．578033河南省0．02963127-0．1116811天津市0．45110．184287湖北省0．44467120．072018河北省0．2172923-0．4545917湖南省0．2377221-0．3016816山西省0．4701210-0．5529819广东省-3．58E-14293．067131内蒙古0．4277914-0．7220926广西0．2931518-0．6118821辽宁省0．335916-0．1680513海南省0．748695-0．8593830吉林省0．4429513-0．6458522重庆市0．2248322-0．2877015

 

续表8

   

黑龙江省0．550497-0．5967420四川省0．1982224-0．0470610上海市0．27715191．145434贵州省0．4184815-0．7130725江苏省-1．92E-13302．805992云南省0．496118-0．7061723浙江省0．037149261．055975陕西省0．740736-0．2449314安徽省0．30802170．009939甘肃省0．872714-0．7070924福建省0．1451225-0．1645012青海省11-0．8506829江西省0．2680520-0．4952318宁夏0．930962-0．8110328山东省0．010134280．902326新疆0．495939-0．7687027

 

如下图2所示，剔除了低低聚集产生的“伪高效率”之后，大于1的Moran指数呈现了高高聚集的北京、上海、浙江、江苏、广东、天津等科技金融投入产出效率高的省份；2015年大部分省市的科技金融基于投入产出的效率而言，都处于效率不高的聚集状态。

   

图2 基于PCA-DEA-Moran指数的科技金融省际金融技术绩效评价图

 

根据前文实证分析结果可知，在省际科技金融投入产出相对效率指数方面，北京市、青海省和宁夏回族自治区的DEA-C2R效率指数都相对较高，而上海和广东等经济发达地区相对较低，故可能存在“低投入-低产出”的相对“高效”。利用各省市产出系数与相对效率系数相结合，可以得出，江苏省和广东省存在明显的“产出冗余”，即投入效率较高，而其余省市实际上存在低产出的“相对高效”，即存在金融对科技的投入效率低下问题。为解决DEA指数的“低投入-低产出”的相对高效问题，采用Moran指数进行了实证分析，得到结论:北京、上海、浙江、江苏、广东、天津等省市科技金融投入产出效率较高。

高家来人了，杨露露带着高成山和高枝赶来谷村；杨露露进了灵堂，坐在桃花对面，一声长一声短地号哭。黄家人原本还担心她责难，但她倒是通情达理的，只怪高木命薄。大家唏嘘不已。杨露露后悔当初不该拆散高木与桃花，如果当初她能像现在这么想，成全了他们，高木也就没事了；但人世间哪有后悔药可买，一切都已经发生了。高木在母亲的哭声中化作一捧灰，埋进了黄家的祖坟。他和梨花埋在一起，埋在张彩凤的右侧。

这11个因素对企业精益生产的实施都有着各自的影响，但影响程度却难以用数据记录下来。对于这些因素而言，运用传统方法难以进行定量分析，而AHP层次分析法却可以很好地评价它们的影响程度。

三、促进科技金融发展的对策建议

由上文可知，我国对科技金融的投入不断加大，但大部分省份的科技金融效率相对缺较低，仅有少数省份的科技金融发展效率较高，为进一步提高整体科技金融效率水平，本文从以下四个方面给出了政策建议。

未来一周，东北地区、江南东部、江淮东部、华南、西南地区东部等地累积降雨量有30-80毫米，其中东北地区东部、江南东部、华南南部及云南西部和南部等地的部分地区有100-150毫米，局部地区有200～300毫米；上述地区降雨量较常年同期偏多3-6成，局地偏多1倍以上。

(一)支持科技金融产品创新和发展科技金融服务

在我国以银行业为主导的金融市场中，商业银行的贷款是科技型企业最重要的融资渠道，但在加强发展科技贷款的主导作用的同时，也要进行科技金融产品创新。一方面，要推动信用体系的建设，对企业实施信用评定，以企业信用体系建设为基础，规范科技型企业的治理体制，督促企业守法守信，实现融资发展的良性循环；推动金融机构对科技型企业贷款专营机构的建设，专门开展科技企业贷款业务，在完善金融服务的同时，根据中小型科技企业的特点和需求，制定专门的贷款计划和审批、考核程序等。也要加强金融人才队伍建设，树立人力资源是金融业第一资源的理念，吸引海外高层次金融人才，加大金融人才培养力度，完善人才激励与服务机制。另一方面，要支持科技金融产品的创新，政府对产品创新要保持开发态度，各省市应该对科技金融产品的创新给予一定的政府公共财政支持条件。并大力开发结构性和复合性金融产品，支持股权和债权相结合的融资方式。

(二)优化科技金融投资渠道

科技型企业在发展的过程中一直面临着失败的可能性，具有高风险的特征，因此，科技型企业的融资渠道也需要多样化，创新融资方式，拓宽融资市场，大力推动间接融资和多元化融资市场发展。具体表现为可以发展创业投资和股权投资、支持知识产权融资和债券融资。拓宽中小科技企业的融资渠道，汇聚更多资源，并推动市场交易平台的建设。针对高成长性的创业企业，可以大力发展创业投资，向高科技型创业企业提供股权资本，并为其提供管理和经营服务，在企业发展壮大后，通过股权转让以收取高额中长期收益。针对初创型科技型企业，要大力推动包括天使投资、创业投资、风险投资等的股权投资方式的发展。而对科技型企业而言，市场交易主要包括企业股权、债权和产权的交易。需要建立的多层次资本市场，建立并推动股权、债权交易中心的发展。此外，要推动知识产权融资和债券融资，科技型企业最核心的竞争力就是知识产权，作为企业的最重要的资产，可以通过知识产权证券化，并建立知识产权融资市场，制定相关融资政策，简化知识产权融资流程，增加科技型企业融资渠道。要支持符合条件的创新企业通过非公开方式发行公司债券融资，发挥交易所股权质押融资机制作用。

(三)构建科技金融服务平台

在促进科技金融发展方面，要充分发挥政府的指导、辅助和监督作用，由政府部门牵头，制定相关优惠政策，对科技型企业进行财政支持，提供产业园区服务等，搭建科技金融服务平台，整合金融资源，使资源得到最优的配置，并以完善的优惠政策服务体系吸引创投机构的加入。一要加强担保贷款平台的建设。目前我国的金融服务仍然属于以银行贷款为主的结构，而众多中小型科技企业由于自身发展规模受限，在银行获取贷款援助较困难，因此，针对该类企业“轻资产”的特点，提供融资担保的服务平台，扩大担保质押物范围，优化融资担保服务，减小科技企业从银行融资的难度至关重要。二要推动科技保险市场的发展。建立并完善科技保险保费补贴制度，创新科技保险产品种类，提高科技保险理赔服务，支持企业购买科技企业产品研发责任保险等保险产品和服务。加大保险资金参与科技型产业的力度，推动新兴高科技产业的培育、发展重大科技项目投资。

(四)推行科技金融发展区域化战略

由于各省份科技型企业和金融业发展情况等不一致，导致科技金融的发展情况存在着较明显的差异，针对各地区的具体情况，应该推行各自的区域发展战略，使有限的科技金融资源得到更优化的配置。政府要根据地区经济情况，通过拓展和选择合适的科技金融投入方式，鼓励多种科技金融产品的研发，解决科技型企业的融资难问题。政府应出台具体的政策辅助和引导科技企业进行技术创新，并加大对金融机构科技金融放款的扶持力度，且在财政税收方面给予科技型企业优惠政策，利用财税资金杠杆作用，加大金融服务实体经济力度，减小了企业成本，提高科技研发力度。此外，在推动科技金融发展区域化战略，并形成较完整的科技金融发展体系的同时，还要充分发挥其辐射效应，带动周边区域科技金融的发展。将科技和金融资源密集的区域打造成科技金融发展的中心地带，促进地区资源间的相互流通和共享，以政府资金撬动民间资本，以中心地区带动周边区域，发挥规模效应作用。

另一方面，没有结合基层实际情况，不断创新优化统计调查方法，没有对新时期现代农业生产方式进行全面分析，从而导致统计时效性滞后。对农业统计数据分析和挖掘以及利用共享等方面重视程度不够，导致统计数据成果没有得到及时转化和利用，统计服务指导决策职能发挥不力。

参考文献：

[1]Chouyuan K,CHIN M S.Financial innovations and en-dogenous growth[J].Applied Mechanics and Materials Journal,2006,12(3):146-149.

[2]Guan J,Chen K.Modeling macro-R&D production frontier performance: an application to Chinese province-level R&D[J].Scientometrics,2010,82(1):165-173.

[3]PH Hsu,X Tian,Y Xu.Financial development and innovation: Cross-country evidence[J].Journal of Financial Economics,2014,112(1):116-135.

[4]Keuschning Christian.Venture Capital Backed Growth[J].Journal of Economic Growth,2004,9(2):239-261.

[5]岑猷辉.广州科技金融发展政策研究[D].华南理工大学,2015.

[6]王芳.河南省科技金融结合的绩效评价及对策建议[J].问题探讨,2016(12):86-89.

[7]韩威.基于DEA-Tobit模型的科技金融结合效率实证分析——以河南省为例[J].理论研究,2015,125(8):36-40.

[8]沈虹.基于结构方程模型的地方政府支持科技金融发展差异性研究——以江苏省为例[J].科技进步与对策,2013(11):48-52.

[9]杨卉芷,马鑫杰.科技金融对技术创新的影响及政策建议——基于灰色关联分析法[J].西部经济管理论坛,2013(1):44-47.

[10]温瑶.科技金融投入对技术创新产出影响的研究[D].大连理工大学,2016.

[11]徐玉莲.区域科技创新与科技金融协同发展模式与机制研究[D].哈尔滨理工大学,2012.

[12]李瑞晶,李媛媛,金浩.区域科技金融投入与中小企业创新能力研究——来自中小板和创业板127家上市公司数据的经验证据[J].技术经济与管理研究,2017(2):124-128.

[13]郑潇潇.四川科技创新的金融支持研究[D].四川农业大学,2016.

[14]肖泽磊,韩顺法,易志高.我国科技金融创新体系的构建及实证研究——以武汉市为例[J].科技进步与对策,2011(9):6-11