2010年我国专利发展水平浅析 毕业论文.doc

《2010年我国专利发展水平浅析 毕业论文.doc》由会员分享，可在线阅读，更多相关《2010年我国专利发展水平浅析 毕业论文.doc（11页珍藏版）》请在三一文库上搜索。

1、2010 年我国专利发展水平浅析 摘要：本研究运用因子分析法和聚类分析法对 2010 年我国各省份专利综合实力进行分 析评价，得到各省份专利综合实力排名和各自归属类型。为各地了解自身专利综合实 力发展水平及为相关部门专利政策制定提供了参考和借鉴。 关键词：专利发展水平；因子分析；聚类分析；SPSS 1 引言 随着科技创新的的发展，当今时代已是知识经济时代，经济全球化将进一步强化 竞争和合作的机制，经济的竞争转化为科技的竞争、知识产权的竞争，特别是争夺专 利权的竞争。专利发展作为技术创新的重要标志和体现，在很大程度上代表着一个国 家或企业的技术水平和潜在技术竞争力。专利的发展在一个国家或地区的发

2、展中占据 越来越重要的地位，世界上越来越多的国家将专利战略列入国家发展战略之中。因此， 今年俩对专利的研究越来越受到人们的关注。 目前，对我国专利的研究主要从专利产出与经济增长的关系，以及有专利成果的 数量或者质量等对国家或地区的专利产出水平评价两个方面进行。 本文利用因子分析法对我国各省份的专利发展水平进行了评价和分析，从整体上把握 不同地区区域创新方面的优势和劣势，对提升个省份的专利综合实力，促进我国专利 事业的发展有一定的意义。 2 材料与方法 2.1 研究方法 2.1.1 因子分析法 因子分析是将多个实测变量转换为少数几个不相关的综合指标的多元统计方法。 在研究领域因子分析法时经常要面

3、对反映事物多个变量的大量观测值。多变量固然会 提供丰富的信息，但其中许多变量之间可能存在的关联性，却使问题分析变得错综复 杂。由于一些变量间存在着一定的相关关系，因此有可能用较少的综合指标分别综合 存在于原来各个指标中的各类信息。因子分析法通过降维，用较少个数的公共因子的 1 线性组合与特殊因子之和来表达原变量。如果特殊因子可以忽略，就是常用的主成分 法。当几个公共因子的累计方差，即贡献率达到一定的百分比，就表明这几个公共因 子集中反映了原始变量的大部分信息，而公共因子之间互不相关，信息不重叠。 简单地说，因子分析的目的就是揭示变量之间的内在关联性，在尽可能保持原有 信息的前提下，用较少的维度

4、去表示原来的数据结构，简化数据，便于发现规律或本 质。 2.1.2 聚类分析法 聚类分析是根据食物本身的特征研究个体分类的多元统计分类方法。聚类分析的 原则是同一类的个体有较大的相似性，不同类中的个体差异很大。 系统聚类是目前应用最为广泛的一种聚类方法，其基本思想是：先将待聚类的 n 个样品各自看成一类，共有 n 类；然后按照实现选定的方法计算每两类之间的聚类统 计量，即某种距离，将关系最为密切的两类合为一类，其余不变，即得到 n-1 类；再 按照前面的计算方法计算新类与其他类之间的距离，再将关系最为密切的两类并为一 类，其余不变，即得到 n-2 类；如此下去，每次重复都减少一类，直到最后所有

5、的样 品都归为一类为止。 2.2 研究对象 本文以各省市的专利综合实力作为评价对象，对各省市的专利情况进行比较与分 析。选取了 2010 年国内各省份在发明、实用新型和外观设计三种专利申请总量进行评 价。以 2010 年的各地区专利申请和授权情况的各项指标数据为基础，评价指标的选择 兼顾了专利的数量和市场价值。 其各类具体指标如下：发明专利申请量( )、实用新型申请量( )、外观设计申1X2X 请量( )、发明专利授权量( )、实用新型授权量( )、外观设计授权量( )、专利3X4X5 6 申请有效量( )、发明专利授权率( )、实用新型授权率( )、外观设计授权率( )。7 8 9 10 表

6、 1 2010 年各省份专利研究指标数据 x1 x2 x3 x4 x5 x6 x7 x8 x9 x10 北 京 33466 18637 5193 11209 16579 5723 100623 0.33 0.89 1.10 天 津 7347 11064 7562 1930 6718 2358 29672 0.26 0.61 0.31 河 北 3270 7089 1936 954 6838 2269 27472 0.29 0.96 1.17 山 西 3046 3533 1348 739 3096 917 11998 0.24 0.88 0.68 2 内蒙古 932 1406 574 262 12

7、76 558 5935 0.28 0.91 0.97 辽 宁 9884 14994 9338 2357 12067 2669 45241 0.24 0.80 0.29 吉 林 2789 2993 663 785 2806 752 13201 0.28 0.94 1.13 黑龙江 4070 4815 1384 1512 4391 877 21010 0.37 0.91 0.63 上 海 26165 23188 21843 6867 21821 19527 126178 0.26 0.94 0.89 江 苏 50298 51436 134139 7210 41161 90011 273249 0.

8、14 0.80 0.67 浙 江 18027 50231 52484 6410 47617 60616 268471 0.36 0.95 1.15 安 徽 6396 17367 23365 1111 8839 6062 32460 0.17 0.51 0.26 福 建 5117 10846 6031 1224 9664 7175 44116 0.24 0.89 1.19 江 西 1968 2947 1392 411 2588 1350 10931 0.21 0.88 0.97 山 东 17259 43441 20156 4106 36391 10993 111295 0.24 0.84 0.5

9、5 河 南 6408 13856 4885 1498 11048 3993 39972 0.23 0.80 0.82 湖 北 7411 12791 11109 2025 10431 4906 40580 0.27 0.82 0.44 湖 南 6438 9601 6342 1920 7861 4092 32516 0.30 0.82 0.65 广 东 40866 47706 64335 13691 43900 61752 325566 0.34 0.92 0.96 广 西 1574 2512 1031 426 2167 1054 10503 0.27 0.86 1.02 海 南 572 312

10、135 190 305 219 30947 0.33 0.98 1.62 重 庆 5150 11985 5690 1143 6704 4233 66644 0.22 0.56 0.74 四 川 8342 16671 15217 2204 12724 17284 8995 0.26 0.76 1.14 贵 州 1322 2441 651 441 1936 709 11363 0.33 0.79 1.09 云 南 2333 2212 1100 652 2026 1145 529 0.28 0.92 1.04 西 藏 76 33 53 16 49 59 24158 0.21 1.48 1.11 陕

11、西 8138 7939 6872 1887 6093 2054 5318 0.23 0.77 0.30 甘 肃 1412 1592 554 349 1131 388 857 0.25 0.71 0.70 青 海 193 129 280 41 134 89 2790 0.21 1.04 0.32 宁 夏 268 397 74 61 307 71 7225 0.23 0.77 0.96 新 疆 914 2272 374 189 2012 361 2097 0.21 0.89 0.97 3 研究过程及分析 3.1 因子分析及结果 3.1.1 原始指标数据的检验 对于统计年鉴中选择各省份专利指标数据，

12、为确定待分析的原有若干变量适合于 因子分析，将原变量的数据输入 SPSS 软件中，通过因子分析中的主成分分析方法进 行 KMO 检验和 Bartlett 球体检验，输出结果如表 2。 3 表 2 KMO and Bartletts 检验结果 KMO and Bartletts Test Kaiser-Meyer-Olkin Measure of Sampling Adequacy. .669 Approx. Chi-Square 473.428 df 21 Bartletts Test of Sphericity Sig. .000 从表 2 中得到 KMO 的值为 0.669，根据统计学家

13、Kaiser 给出的标准， 0.6KMO0.7 中等，适合用因子分析法。Bartlett 球体检验给出的相伴概率为 0.000，小于显著性水平 0.05，因此，据原假设，认为适合因子分析。 3.1.2因子分析中因子个数的确定 将我国各省份2010年专利发展的指标数据输入SPSS进行因子分析，确定因子个数 后利用主成分法提取，输出方差贡献率表和碎石图（见下页）。 表3 因子方差贡献率 Total Variance Explained Initial Eigenvalues Extraction Sums of Squared Loadings Rotation Sums of Squared L

14、oadings Component Total % of Variance Cumulative % Total % of Variance Cumulative % Total % of Variance Cumulative % 1 6.161 61.610 61.610 6.161 61.610 61.610 6.156 61.557 61.557 2 1.309 13.090 74.700 1.309 13.090 74.700 1.314 13.143 74.700 3 .990 9.899 84.599 4 .871 8.710 93.310 5 .362 3.618 96.928

15、 6 .243 2.430 99.357 7 .057 .569 99.926 8 .004 .045 99.971 9 .002 .017 99.988 10 .001 .012 100.000 从表3中我们可以看到当提取2个因子时，它们的累积方差贡献率为74.7，说明 这2个公因子提取了原始指标数74.7的信息，可以用这2个公因子来代表我国各省市 4 的专利实力发展水平。 从图 1 所示的碎石图也可明显可以看出，拐点为 2，也可以判定选取 2 个公因子做 因子分析比较合适。 图 1 碎石图 3.1.3 因子提取的初始结果 利用 SPSS 软件对各项指标进行因子分析后可以得到各因子的因子载荷

16、矩阵、旋转 后的因子载荷矩阵以及各因子的得分矩阵： 表 4 因子载荷矩阵 Component Matrixa Component 1 2 专利有效量(x7) .985 .064 实用新型申请量(x2) .959 -.032 实用新型授权量(x5) .957 .042 外观设计授权量(x6) .943 -.145 发明专利申请量(x1) .936 .012 外观设计申请量(x3) .897 -.300 发明专利授权量(x4) .872 .277 外观设计授权率(x10) -.130 -.059 发明专利授权率(x8) .067 .852 实用新型授权率(x9) .025 .621 5 为了能更加

17、明确地表示主成分与原始指标间的关系,经过对因子矩阵载荷矩阵方差 最大正交旋转得到正交旋转后的因子载荷矩阵。 根据旋转后的因子载荷矩阵表5建立因子分析的模型： 1120.983.06Xffff 其中 为原始变量数据， 为提取的公共因子。iX(1,2) j(,) 表 5 正交旋转后的因子载荷矩阵 Rotated Component Matrixa Component 1 2 专利有效量(x7) .983 .096 实用新型申请量(x2) .960 1.428E-5 实用新型授权量(x5) .955 .073 外观设计授权量(x6) .947 -.113 发明专利申请量(x1) .935 .043

18、外观设计申请量(x3) .907 -.270 发明专利授权量(x4) .863 .306 外观设计授权率(x10) -.128 -.063 发明专利授权率(x8) .039 .854 实用新型授权率(x9) .004 .621 Extraction Method: Principal Component Analysis. Rotation Method: Varimax with Kaiser Normalization. a. Rotation converged in 3 iterations. 从表 4 因子载荷矩阵和表 5 正交旋转后的因子载荷矩阵我们可以看出，因子 在1f 发明专利

19、申请量( )、实用新型申请量( )、外观设计申请量( )、发明专利授权量(1X2X3X )、实用新型授权量( )、外观设计授权量( )、专利申请有效量( )指标上有较4X5 6 7 高的载荷。因子一主要反应了某个地区省份的科研水平。 6 因子 在发明专利授权率( )、实用新型授权率( )、外观设计授权率( )有较2f 8X9X10X 高的载荷，因子儿主要反应了某个地区对新专利研发的鼓励和开放程度。 3.1.3 专利发展水平综合得分的计算 在 SPSS 因子分析过程中可以得到各因子的得分矩阵表 6，由此我们可以计算各省 份的主因子得分。 表 6 各因子的得分矩阵 Component Score

20、Coefficient Matrix Component 1 2 发明专利申请量(x1) .152 .014 实用新型申请量(x2) .156 -.019 外观设计申请量(x3) .153 -.224 发明专利授权量(x4) .135 .216 实用新型授权量(x5) .154 .037 外观设计授权量(x6) .157 -.105 专利有效量(x7) .158 .054 发明专利授权率(x8) -.011 .651 实用新型授权率(x9) -.012 .474 外观设计授权率(x10) -.020 -.046 Extraction Method: Principal Component An

21、alysis. Rotation Method: Varimax with Kaiser Normalization. Component Scores. 根据表6因子得分系数矩阵，建立各主因子对应的得分函数： 1121020.5.6.4946fXX 由三个因子得分函数可以给出由这三个因子决定的综合发展实力评价函数公式： 21iifF 其中 取每个因子的方差贡献率。i 7 即 120.6+.3=74ffF 利用原始数据、因子得分函数以及综合评价函数得到各公共因子得分和 2010 年地 区专利发展水平综合评价得分及排序表。 表 7 2010 年地区专利发展水平综合评价得分及排序表 地 区 1f2

22、f综合得分 排名 广 东 2.756 1.403 0.249501 1 江 苏 3.174 -2.483 0.215967 2 浙 江 2.049 1.295 0.189884 3 北 京 0.782 1.717 0.093771 4 上 海 0.874 0.507 0.080156 5 山 东 0.9 -0.174 0.070448 6 西 藏 -0.317 1.197 -0.00505 7 海 南 -0.314 1.174 -0.00516 8 辽 宁 -0.029 -0.347 -0.00837 9 湖 北 -0.119 0.054 -0.00874 10 黑龙江 -0.466 1.56

23、8 -0.01079 11 重 庆 0.144 -1.384 -0.0123 12 湖 南 -0.251 0.392 -0.01372 13 福 建 -0.207 -0.197 -0.0203 14 河 南 -0.16 -0.477 -0.02138 15 河 北 -0.417 0.684 -0.02215 16 天 津 -0.206 -0.653 -0.02822 17 贵 州 -0.582 0.685 -0.03561 18 吉 林 -0.559 0.473 -0.03738 19 安 徽 -0.054 -2.195 -0.04262 20 广 西 -0.59 0.098 -0.04649

24、 21 山 西 -0.532 -0.175 -0.04651 22 内蒙古 -0.645 0.347 -0.04668 23 云 南 -0.712 0.333 -0.05231 24 四 川 -0.598 -0.264 -0.05341 25 江 西 -0.562 -0.618 -0.05663 26 青 海 -0.678 -0.116 -0.05742 27 陕 西 -0.615 -0.631 -0.06117 28 新 疆 -0.671 -0.631 -0.06574 29 甘 肃 -0.68 -0.64 -0.06668 30 宁 夏 -0.717 -0.939 -0.07487 31

25、8 3.1.4 结果的分析 分析看到各地区的优劣势，广东之所以能够排名第一，得益于在 2 个公共因子 、1f 的得分较平均，且均排在前列，说明广东在外观设计、发明专利，以及实用新型的2f 申请与授权上都占有绝对的优势。因此，广东省今后应着眼于提高专利的质量以及其 市场价值。江苏的排名与其在 、 公共因子得分排名领先有直接关系，特别是其在1f2 公共因子遥遥领先的得分为其奠定了坚实的基础，同时可以得到江苏在实用新型的1f 申请和授权量上有待进一步提高。广东、江苏位于我国的东南沿海地区，不仅经济发 展走在全国前列，同时也拥有丰富的科技创新资源，为其专利水平的提升提供了良好 的体制和市场环境。因此，

26、这两个省理应归为我国专利发展最强地区。 排名靠后的城市中的四川、辽宁、湖北、河南、湖南位于我国的内陆地区或中部 地区，经济和文化实力与最强和较强地区的省市具有的一定的差距，另外这些地区普 遍存在人才环境不够健全、人才流失明显而引进人才不足的弊端，因此，区域创新能 力尚有待提升。而经济和科技实力较强的天津被划为这一类，与其经济和科技基础形 成较大反差，其原因是多方面的，如专利中介机构服务不到位、创新潜能没有得到充 分释放等。因此，天津应利用与北京毗邻的地理优势，充分发挥人才的创新能力，一 方面提升本地的原始创新能力，一方面成为北京的科技成果向生产力转化的重要基地。 福建虽地处南部沿海地区，但由于

27、自身的科技资源存量有限且缺乏足够技术创新主体， 因此在专利综合实力上也就无法和沿海其他专利实力强的省市相比。 同理，处于综合得分较少的各省市我们可以根据各公共因子的得分判断各地区的 优劣，促其有针对性地提高。同时，这些地区与排名靠前的省市相比在地理环境、交 通便捷、经济基础及科技文化素质方面有着很大的差距，因此，应着力加强交通设施 建设、发展经济、提高科技教育投入、制定相关的政策以营造一个良好的市场环境与 制度环境，从而提高地区专利综合实力。 3.2 聚类分析及结果 3.2.1 聚类分析 将表 1 所示的各个省份 2010 年的各项数据导入 SPSS。然后对数据进行聚类分析。 其过程为：依次选

28、择“AnalyzeClassifyHierarchical Cluster”，引入的变量是 至1X 。从而对样品进行聚类，即系统聚类分析，最终得出聚类分析结果。10X 以各省份综合得分作为变量进行聚类分析，分析过程如图 2 所示，结果显示可将 9 各省份归属为 3 类，见表 8。 表 8 聚类结果 第一类 北京、上海、山东 第二类 天津 河北、山西、内蒙古、辽宁、吉林、黑龙江、安徽、福建、江西、 河南、 湖北、湖南、广西、海南、重庆、四川、贵州、云南、西藏、陕 西、甘肃、青海、宁夏、新疆 第三类 江苏、浙江、广东 图 2 聚类分析树形图 3.2.2 结果分析 第一类中的北京、上海和山东在综合得

29、分靠前的情况下，2 个主因子的得分差异不 大且都位居国内前列水平。这些地区专利的发明、外观和实用指标发展迅速的同时还 兼顾了发展态势的均衡。 对于处于第二类中的地区，各个主成分得分和综合得分本身较低的情况下，还存 在较大的起伏性。这与这些地区的经济发展水平和科研投入有明显的关系。 第三类中的江苏、浙江和广东地区个主因子得分较高，在专利的发明、外观和实 用中单一指标发展较快，却没有注意均衡发展的重要性。 4 总结 10 通过对我国各省份 2010 年专利水平个项指标进行因子和聚类分析的研究后，我们 可以得到以下的结论。 首先，地区差异显著，我国的经济发展水平和科技实力地区差异显著，因此，有 效专

30、利数量也呈现出明显的东西差异。根据现有数据，就我国专利申请及申请成功的 数量和质量而言，中西部存在较大差距。由于改革开放后，我国政策性导向及东部地 区本身的区位优势，东部经济快速发展，西部地区的经济状况明显落后于东部发达地 区。因此，西部地区大量的科技人才流向沿海地带以及发达地区，这些专利研发的源 生军的流动造成了东西部专利分布不均的情况。同时，资本流动也向东部地区转移， 大量专利投资为东部地区专利的产生带来了积极效应。虽然国家已启动西部大开发战 略，但此趋势仍然存在，甚至愈演愈烈。这样不仅不利于西部地区经济的发展，而且 由于人才和资本的盲目汇集导致资源浪费，不利于中国经济的长远发展。 其次，

31、我国的专利发展普遍处于较低的水平，在3.2.2的结论中可以看到，国内大 部分的省份在聚类后处于第二类水平。能够从中脱颖而出的只有北京，广东等很少数 的省份。这与国内对科技创新的推广和鼓励政策有一定关系。 最后，为推进我国专利水平迅速发展，在加大资金经费的投入外，更多的是要将 科研力量向中西部落后省份转移，谋求科研创新的共同均衡发展。 参考文献 1. 刘华.专利制度与经济增长：理论与现实对中国专利制度运行绩效的评估J.中 国软科学,2002,(10) 2. 李秀丽.基于因子分析法的地区专利发展水平比较研究J.经济调查研究,(109) 3. 中华人民共和国国家统计局.2009 中国统计年鉴M.北京

32、:数通电子出版社,2009 4. 葛仁良.因子聚类回归分析法在我国专利综合评价中的应用J.科技管理研究, 2006,(7) Abstract: This study uses factor analysis and clustering analysis to2010in every province of China Patent comprehensive strength analysis and evaluation, the comprehensive strength ranks and the respective provinces of patent ownership type. Around the understanding of their own patent comprehensive strength development level and related departments of patent policy to provide a reference and draw lessons from. Key words: patent development;factor analysis;cluster analysis,;SPSS