科技进步贡献率测算及预测实证分析

    在实际计算中，由于△ε这项非常小，常常可以忽略掉它的影响，所以将上面的数据代入公式(8)中，可以得出1994-2001年大连市科技进步贡献率的具体数据。从表4结果中可以看出1999年的科技贡献率达到了90.33%，这是由于该年劳动力出现了大幅度的负增长，达到了16.48%，而经济仍保持了8.29%的正增长，所以该年的经济增长主要是由于精简人员，使劳动生产率大幅度提高所致。除去该年以外，其他各年的测算结果基本上符合实际，这也同当前大多数人测算的国家层面上的结果相差无几。从现实情况看，也是比较吻合的，自从20世纪90年代以来，大连市实施强有力的科教强市战略，大力提高科技进步在经济发展中的作用，努力实现经济发展从粗放型的外延式生产向集约型的内含式转变，为把经济增长转移到依靠科技进步轨道上进行了大量卓有成效的工作。这个很明显的反映到了我们的测算结果中，如图1，大连市科技进步贡献率表现出一种递增的发展趋势。科技进步在经济中的贡献在不断提高。

    如前文所述，从理论上讲，使用两种计算方法中的任何一种，测算结果都能从整体上体现科技在经济中作用不断加强、深化的发展态势。但通过对具体城市的测算，我们会发现基于劳动价值理论的科技进步贡献率测算结果优于生产函数法。除此，从测算过程看，该方法应用起来也非常简单，也易于理解.
    四、大连市科技进步贡献率预测
    应该看到，科技进步因素对于经济增长的贡献率是一个非常复杂的问题，它既受贡献率测度方法的限制，又受到一个国家经济制度、市场化程度、人力资源政策、科学技术水平等等因素的影响，往往呈现出一种波动式盘旋上升的发展态势，而在预测中，这种波动性在传统预测技术上是很难做到这点的。因此，我们考虑使用人工神经网络预测方法。人工神经网络预测方法是当前最为先进和流行的一种预测方法。人工神经网络(Artificial  Neural  Network一ANN)，简称为“神经网络”(NN)，作为对人脑最简单的一种抽象和模拟，是探索人类智能奥秘的有力工具，具有分布并行处理、非线性映射、白适应学习和鲁棒容错等特性.它在模式识别、智能控制、图形处理、经济预测和非线性优化以及故障诊断等方面都有广泛的应用。考虑到科技进步贡献率的内在涵义，在此，笔者采用时间序列的非线性BP神经网络法，使用一个时间变量来代替整个预测变量的影响因素，这在理论上还是现实方面都是可行的，在此不再赘述。建立8个训练样本，单输人单输出的2层BP神经网络结构。样本数据见下表5。但需要指出的是，对于大连市未来近20年的科技进步贡献率预测只能代表大连科技贡献率发展的一个一般方向和近似结果。

    通过BP神经网络训练，输人网络预测矢量[9 10……29]经归一化后的数据，得到科技进步贡献率的预测值，并经过时间转换后得到以下表6中所示结果.通过求取BP神经网络的网络仿真矢量和目标矢量之间的线形回归方程，得到:仿真矢量=0.9077*目标矢量十0.545，拟合度R=0.999。理论上讲，斜率应该等于1,截距等于0，拟合度等于1。但实际上没有必要做到如此精确，一般而言，拟合度大于0.80就可以停止网络训练了。因此得到的训练网络，其性能较好，可用于预测使用，但从预测结果看，有点偏高，不过从大连市委市政府提出的建设“大大连”的总体规划要求看，结果还是比较合理，有望实现的。