کارایی نوآوری تکنولوژیکی (فناورانه) در چین: ارزیابی پویا و عوامل محرک

نوع فایل : word

تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش : 28

تعداد کلمات : 8600

مجله : sustainability(MDPI)

انتشار : 2022

ترجمه متون داخل جداول : ترجمه شده است

درج جداول در فایل ترجمه : درج شده است

منابع داخل متن : به صورت فارسی درج شده است

کیفیت ترجمه : طلایی

فونت ترجمه : Bنازنین 12

تاریخ انتشار
14 ژوئن 2023
دسته بندی
تعداد بازدیدها
2494 بازدید
55,000 تومان

عنوان فارسی مقاله:کارایی نوآوری تکنولوژیکی (فناورانه) در چین: ارزیابی پویا و عوامل محرک

 چکیده

 نوآوری موتور و شتاب دهنده‌ای است که محرک توسعه اقتصادی و سازمانی با کیفیت بالا است. در سال‌های اخیر، خروجی نوآوری‌های علمی و فناوری در چین بالا بوده است، اما پدیده بازده پایین و کیفیت پایین نوآوری به طور مکرر رخ می‌دهد. در این مطالعه ابتدا کارایی نوآوری تکنولوژیکی (TIE) اندازه گیری شد. سپس ارزیابی و تحلیل دینامیکی ویژگی‌های مکانی – زمانی کارایی انجام شد. در نهایت، عوامل محرک کارایی نوآوری مورد بررسی قرار گرفت. TIE به صورت پویا در ۳۰ استان چین از سال ۲۰۱۱ تا ۲۰۱۹ بر اساس مدل بهبود یافته SBM-DEA با کارایی فوق العاده محاسبه شد. سپس، روش تخمین چگالی کرنل برای تجزیه و تحلیل ویژگی‌های تمایز مکانی-زمانی و فرآیند تکامل پویا کارایی استانی اتخاذ شد. یافته‌ها تأیید می‌کنند که از سال ۲۰۱۱ تا ۲۰۱۹، پنج استان برتر برای TIE در چین عبارتند از پکن (۱٫۰)، شانگهای (۰٫۹۶)، هاینان (۰٫۹۶)، جیلین (۰٫۹۴) و تیانجین (۰٫۹۱). استان‌هایی که کمترین میانگین بازده را داشتند چینگهای (۷۷/۰)، نینگشیا (۷۳/۰) و مغولستان داخلی (۷۳/۰) بودند. تفاوت‌های معنی دار در سطح نوآوری فناوری در مناطق مختلف ناشی از اجرای طولانی مدت و عمیق استراتژی دولت برای احیای علم و ایجاد نوآوری در بخش‌هایی از مناطق است. یافته‌های تابع کرنل تأیید می‌کند که TIE در اکثر نقاط چین به تدریج قطبی شد. علاوه بر این، نتایج نشان می‌دهد که به ازای هر ۱ واحد حمایت مالی تحقیق و توسعه دولتی، میانگین مطلوبیت نهایی TIE مورد انتظار به ۰٫۱۹۲ خواهد رسید که در مناطق مرکزی و غربی معنی دارتر است. بر این اساس، در ترکیب با عوامل محیطی بازار نوآوری، زیرساخت، تأمین مالی و پتانسیل نوآوری شرکت، عوامل محرکی که بر تفاوت‌های کارایی استانی تأثیر می‌گذارند نیز استخراج می‌شود. یافته‌ها مرجعی برای هدایت استان‌ها برای انجام فعالیت‌های نوآوری مستقل و بهبود کیفیت و کارایی نوآوری فراهم می‌کند.

ادامه مطلب

راهنمای خرید:
  • لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
  • همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
  • ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
  • در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.

Title: Technological Innovation Efficiency in China: Dynamic Evaluation and Driving Factors

Abstract

 Innovation is the engine and accelerator that drives high-quality economic and enterprise development. In recent years, the output of scientific and technological innovation in China has been high, but the phenomenon of low efficiency and low quality of innovation occurs frequently. In this study, first, technological innovation efficiency (TIE) was measured. Then, a dynamic evaluation and analysis of spatial-temporal characteristics of efficiency were performed. Lastly, the driving factors of innovation efficiency were explored. TIE was calculated dynamically in 30 provinces of China from 2011 to 2019 based on the improved super-efficiency SBM-DEA model. Then, the kernel density estimation method was adopted to analyse the spatial-temporal differentiation characteristics and dynamic evolution process of provincial efficiency. The findings confirm that from 2011 to 2019, the top five provinces for TIE in China were Beijing (1.0), Shanghai (0.96), Hainan (0.96), Jilin (0.94) and Tianjin (0.91). The provinces with lowest average efficiency were Qinghai (0.77), Ningxia (0.73) and Inner Mongolia (0.73). The significant differences in the level of technological innovation in different regions were caused by the long-term and in-depth implementation of the government’s strategy of revitalising science and driving innovation in parts of areas. The findings of kernel function confirm that the TIE in most parts of China was gradually polarised. Furthermore, the results show that for every 1 unit of government R&D funding support, the average marginal utility of the expected TIE will reach 0.192, which is more significant in the central and western regions. On this basis, combined with environmental factors of innovation market, infrastructure, financing and enterprise innovation potential, the article also extracts the driving factors that affect the differences in provincial efficiency. The findings provide a reference for guiding provinces to carry out innovation activities independently and improve innovation quality and efficiency.