因子分析法典型案例

第一篇：因子分析法典型案例

案例：基于因子分析法的高级管理者 人力资源价值计量模型

一、背景介绍及问题提出 1.人力资源价值计量的背景 著名会计学家 W.A 佩顿(Paton)教授曾经睿智地指出：在企业中，良好组织且忠诚的员工是一项远比商品更为重要的“资产”。对于这样重要的“资产”为什么直到现在都没有纳入财务会计核算体系呢？人力资源价值信息没有在财务报表体系中加以披露的原因是：人力资源的价值计量是一个难题，使得人力资源会计一直处于理论探讨和实验阶段，未能登堂入室。人力资源价值计量研究目的在于：用人力资源的创造能力来反映组织现有人力资源的质量状况及企业对人力资源的能力回报，为企业管理当局和外部利害关系集团提供完整的决策信息。2． 高级管理者人力资源的研究背景 高级管理者是企业的核心和灵魂，在企业人力资源中居于中心地位是一种稀缺的生产要素，对高级管理者人力资源的垄断是超额剩余价值的主要来源，几乎每一个优秀的企业都与企业中高级管理团队紧密地联系在一起的。3.问题的提出 在人力资源价值计量发展的完善的过程中，如何动态地、客观地、科学地综合评价高管的价值，一直是困扰人力资源价值计量的一个难题，许多专家和学者采用未来收益折现或期权定价等方法对人力资源价值进行计量；未来收益折现是以工资为基础对高级管理者的未来收益进行折现，这种货币计量方法存在主要问题在于工资不能反映人力资源真实价值，因为高级管理者人力资源价值本身存在复杂性、隐蔽性及能动性，仅以工资作为衡量人力资源价值的大小的标准，忽略了高级管理者在企业价值创造中的特殊性。由于高级管理者人力资源存在某些特性。因此，对高级管理者的采用非货币计量的方法更加具有现实的意义。

二、问题研究的意义

1、人力资源价值的科学计量会使企业更加全面、科学的掌握高级管理者的信息并更加重视人力资源的作用，从而为了保留和争取人才，对企业的高级管理者进行有效的激励。

2、对高级管理者人力资源价值计量的准确与否，关系到企业总资产的精确程度和企业未来发展的能力。对高级管理者人力资源价值的准确计量有利于实现人力资源会计核算体系的建立。

三、案例思路 首先，在分析高级管理者人力资源价值计量的基本理论与其特性分析的基础上，案例建立影响高级管理者人力资源价值计量的指标体系，该体系由 29 个初级指标构成(如下图一所示)。其次，通过问卷调查的方式，应用因子分析法对上述29 个指标进行筛选。隐性因子 学历 天赋 社会资本 任职时间 职业背景 职业生命周期 薪酬 年龄 体质能力 心理能力 领导能力 战略决策能力 风险承受能力 人力资源管理能力 领导管理因子 创新能力 学习能力 洞察能力 沟通能力 组织能力 团队协作能力 个人特征及组织环境因子 价值观 忠诚感 道德行为 敬业精神 乐观自信 理智 情绪稳定 企业规模 职位 图一 高级管理者人力资源价值指标体系

四、数据说明：案例采用问卷调查的方式进行数据收集。问卷发放的数量：本次共发放问卷180 份，其中包括电子文档和纸质问卷，共回收有效问卷103 份，有效回收率为57.22%。问卷内容的设计：案例在分析了高级管理者人力资源价值计量的理论基础和特性分析的基础上建立了高级管理者人力资源价值指标体系。问卷的调查内容是该指标体系中的指标，由企业的高级管理人员依据各指标对高级管理者人力资源价值计量的影响做出基本判断。问卷结构的设计：首先，针对案例提出的 29 个指标要素，设计了 29 个判断指标程度的问题。通过被调查者选择打分的方式，获得各指标的具体分值。所有问题都划分为 7 选项对应 7 个程度，由管理者根据题目的内容进行选择。然后采用 7 分模糊打分法，每一个选项对应一个分值，选择第一选项为 7 分，第二选项为6 分，依次为5 分、4 分、3 分、2 分、1 分（调查问卷如下所示）。高级管理者人力资源价值计量方法研究调查问卷 首先，感谢您在百忙之中填写问卷，您的意见至关重要。为了客观、准确地建立科学的高管人力资源价值计量模型，我们特进行此次《高级管理者人力资源价值计量方法研究》问卷调查。其次，本次问卷结果仅用于科研用途，调查数据我们将严格保密，不会用于任何与商业有关的用途！您的个人基本信息： 您的性别？ □ 男 □ 女 您的年龄？ □34 岁以下 □35-44 岁 □45-54 岁 □55 以上 您参加工作的时间？ □5 年以下 □6-10 年 □ 11-20 年 □21 年以上 您所在企业资产规模？ □100 万以下 □100 万-1000 万 □ 1000 万-1 亿 □ 1 亿以上 所在行业性质？ □ 国营 □ 私营 □ 外资或合资 您目前的职位：_____________________________________________________ 感谢您的支持！问卷正文： 1.您是否认为学历是影响高级管理者知识丰富程度的关键因素？ A 非常赞同 B 赞同 C 基本赞同 D 不确定 E 不大赞同 F 不赞同 G 非常不赞同 2.您是否认为天赋影响高级管理者管理技能的发挥？ A 非常赞同 B 赞同 C 基本赞同 D 不确定 E 不大赞同 F 不赞同 G 非常不赞同 3.您是否认为高管自身的社会资本是高级管理者价值的体现？ A 非常赞同 B 赞同 C 基本赞同 D 不确定 E 不大赞同 F 不赞同 G 非常不赞同 4.您是否认为任职时间长短决定高级管理者职业技能优劣？ A 非常赞同 B 赞同 C 基本赞同 D 不确定 E 不大赞同 F 不赞同 G 非常不赞同 5.您是否认为职业背景会影响高级管理者在管理过程中职业技能水平的发挥？ A 非常赞同 B 赞同 C 基本赞同 D 不确定 E 不大赞同 F 不赞同 G 非常不赞同 6.您是否认为所处职业生命周期不同阶段会影响高级管理者管理水平的发挥？ A 非常赞同 B 赞同 C 基本赞同 D 不确定 E 不大赞同 F 不赞同 G 非常不赞同 7.您是否认为薪酬是高级管理者职业能力的一种体现？ A 非常赞同 B 赞同 C 基本赞同 D 不确定 E 不大赞同 F 不赞同 G 非常不赞同 8.您是否认为年龄是影响高级管理者健康程度的要素？ A 非常赞同 B 赞同 C 基本赞同 D 不确定 E 不大赞同 F 不赞同 G 非常不赞同 9.您是否认为体质能力是高级管理者健康与否的一个标志？ A 非常赞同 B 赞同 C 基本赞同 D 不确定 E 不大赞同 F 不赞同 G 非常不赞同 10.您是否认为心理承受能力会影响高级管理者水平的发挥？ A 非常赞同 B 赞同 C 基本赞同 D 不确定 E 不大赞同 F 不赞同 G 非常不赞同 11.领导能力是高级管理者必备技能，您认同吗？ A 非常赞同 B 赞同 C 基本赞同 D 不确定 E 不大赞同 F 不赞同 G 非常不赞同 12.战略决策能力是高级管理者必备技能，您认同吗？ A 非常赞同 B 赞同 C 基本赞同 D 不确定 E 不大赞同 F 不赞同 G 非常不赞同 13.风险承受能力是高级管理者必备技能，您认同吗？ A 非常赞同 B 赞同 C 基本赞同 D 不确定 E 不大赞同 F 不赞同 G 非常不赞同 14.人力资源管理能力是高级管理者必备的技能，您认同吗？ A 非常赞同 B 赞同 C 基本赞同 D 不确定 E 不大赞同 F 不赞同 G 非常不赞同 15.创新能力是高级管理者必备的能力，您认同吗？ A 非常赞同 B 赞同 C 基本赞同 D 不确定 E 不大赞同 F 不赞同 G 非常不赞同 16.学习能力是高级管理者必备的能力，您认同吗？ A.非常赞同 B.赞同 C.基本赞同 D.不确定 E.不大赞同 F.不赞同 G.非常不赞同 17.洞察能力是高级管理者必备的能力，您认同吗？ A 非常赞同 B 赞同 C 基本赞同 D 不确定 E 不大赞同 F 不赞同 G 非常不赞同 18.沟通能力是高级管理者必备的技能，您认同吗？ A 非常赞同 B 赞同 C 基本赞同 D 不确定 E 不大赞同 F 不赞同 G 非常不赞同 19.组织能力是高级管理者必备的技能，您认同吗？ A 非常赞同 B 赞同 C 基本赞同 D 不确定 E 不大赞同 F 不赞同 G 非常不赞同 20.团队协作能力是高级管理者必备的技能，您认同吗？ A 非常赞同 B 赞同 C 基本赞同 D 不确定 E 不大赞同 F 不赞同 G 非常不赞同 21.高管的价值观影响高级管理者职业素养，您认同吗? A 非常赞同 B 赞同 C 基本赞同 D 不确定 E 不大赞同 F 不赞同 G 非常不赞同 22.高管的忠诚感影响高级管理者职业素养，您认同吗？ A 非常赞同 B 赞同 C 基本赞同 D 不确定 E 不大赞同 F 不赞同 G 非常不赞同 23.高管的道德行为影响高级管理者职业素养，您认同吗？ A 非常赞同 B 赞同 C 基本赞同 D 不确定 E 不大赞同 F 不赞同 G 非常不赞同 24.高管的敬业精神影响高级管理者职业素养，你认同吗？ A 非常赞同 B 赞同 C 基本赞同 D 不确定 E 不大赞同 F 不赞同 G 非常不赞同 25.是否乐观自信决定高级管理者技能水平的发挥，您认同吗？ A 非常赞同 B 赞同 C 基本赞同 D 不确定 E 不大赞同 F 不赞同 G 非常不赞同 26.是否理智决定高级管理者技能水平的发挥，您认同吗? A 非常赞同 B 赞同 C 基本赞同 D 不确定 E 不大赞同 F 不赞同 G 非常不赞同 27.情绪是否稳定决定高级管理者技能水平的发挥，您认同吗？ A 非常赞同 B 赞同 C 基本赞同 D 不确定 E 不大赞同 F 不赞同 G 非常不赞同 28.企业规模会影响高级管理者自身人力资本价值的发挥，您认同吗？ A 非常赞同 B 赞同 C 基本赞同 D 不确定 E 不大赞同 F 不赞同 G 非常不赞同 29.目前所在职位会影响高级管理者自身人力资本价值的发挥，您认同吗？ A 非常赞同 B 赞同 C 基本赞同 D 不确定 E 不大赞同 F 不赞同 G 非常不赞同

五、数据分析

1、隐性指标公共因子筛选 高级管理者人力资源价值隐性因子，反映了管理者本身的健康因子及在教育投资和职业发展过程累积价值。1.1 隐性因子分析及统计性描述 案例在分析了高级管理者人力资源价值的理论及特性基础上，经过仔细甄选，选用了学历、天赋、社会资本，这些具有代表性的个人资本积累指标；任职时间、职业背景、职业生命周期、薪酬，这些具有代表性的职业因子指标，及反映健康指标的因子：年龄、体质能力、心理能力作为计量管理者人力资源价值基础指标。经过SPSS 数据分析，高级管理者人力资源价值隐性因子总体描述性统计如下表 经过统计分析，分别得到具体指标的平均值和标准差。例如：学历因素的平均得分为 4.74 分(基本赞同)，标准差为 1.281，标准差较大，总体而言学历的作用比较显著，但由于其标准差较大，因此学历在高级管理者人力资本价值中所体现的作用仍有较大的差异。1.2 隐性因子指标的相关性判定 相关系数实际上反映的是公共因子起作用的空间。偏相关系数反映的是特殊因子起作用的空间。在进行相关矩阵检验时采取KMO 样本测度和巴特利特球体检验法。KMO 越接近1，越适合做公共因子分析。KMO 过小，不适合于作因子分析。数据是否做因子分析，一般采用如下判断：KMO 在0.9 以上，非常适合；0.8-0.9, 很适合；0.7-0.8，适合；0.6-0.7，不太适合；0.5-0.6，很勉强；0.5 以下不适合。利用 SPSS 分析后高级管理者人力资源价值隐性因子的相关性检验如表隐性因子的相关性说明：KMO 样本测度的结果为KMO 值等于0.628，一般来说，当KMO 样本测度大于0.6 的时候，此组数据适合做因子分析，巴特利特球体检验(Bartlett'sTestofSphericity)的了统计值的显著性概率输出结果为<1%。通过 KMO 样本测度和巴特利特球体检验的测算结果，表明本文选取的各代表隐性因子指标，适合采用因子分析法进行统计分析。1.3 利用 SPSS 软件提取领导隐性指标的公共因子 得到初始载荷矩阵和公共因子之后，为了能够能更好地解释公共因子，案例 对载荷矩阵进行旋转，案例选用的是 Varimax（方差最大正交旋转），旋转后的因子载荷矩阵及因子得分系数都发生了变化，因子载荷矩阵中的元素更趋向 0 或者正负1。在估计因子载荷矩阵和特性方差矩阵时，选用的方法为主成分分析法，统计分析的结果见下表： 旋转后的高级管理者人力资源价值隐性因子载荷矩阵，可以获得因子的代表性指标：在旋转后的因子荷重矩阵中，案例选取那些荷重较大的原始指标作为对应因子的代表性指标。教育投资因子：选取学历、天赋指标作为因子4 的代表性指标；在因子4 中，管理者的学历、天赋指标表现了管理者的受教育程度及在先天潜能的要素，故将其称为教育投资因子。个体能力因子：选取心理能力、体质能力指标作为因子 3 的代表性指标；组织行为学对个体的研究结论表明：能力（ability）指的是个体能够成功完成各项工作的可能性。它是对个体现在所能做的事情的一种评估。一个人的总体能力分为心理能力和体质能力，故将其合称为个体能力因子。工作经验因子：选取任职时间、薪酬、年龄指标作为因子 2 的代表性指标，表现的是跟工作经历相关的要素，故称其工作经验因子。职业因子：选取社会资本、职业背景、职业生命周期作为因子 1 的代表性指标，因其指标选表现了与管理者职业相关的要素，案例将其称为职业因子。通过上述分析，案例得到关于隐性指标的四个公共因子分别是：教育投资因子个体能力因子、工作经验因子及职业因子。1.4 隐性指标公共因子的方差贡献率分析 案例中公共因子方差贡献率分析的目的在于：分析提出的公共因子代表原始指标的程度。即分别分析了教育投资因子、个体能力因子、工作经验因子及职业因子对原隐性因子10 个指标的反映程度。具体分析的分析结果见下表： 各公共因子方差贡献率分析结果说明：根据因子方差分析表可知，因子 1 的其方差贡献率为23.76%；因子2 的方差贡献率为12.89%；因子3 的方差贡献率为 11.77%；因子 4 的方差贡献率为 10.29%。这四个因子能反映原来 10 个指标所描述特征的58.71%。1.5 根据因子系数得分表确定隐性指标公共因子的权重比例 案例通过旋转后的高级管理者人力资源价值隐性因子载荷矩阵和高级管理者人力资源价值隐性因子方差分析表得到了各个公共因子及各因子的对隐性因子的方差贡献率。经过进一步分析，通过隐性因子因子得分矩阵表则可以对各个因子赋予相应权重。分析结果说明：根据表4.7 在因子分析中得到的因子系数得分矩阵，通过归一化处理，对教育投资因子、个体能力因子、工作经验因子及职业因子的赋予权重如下： 职 业 因 子=31.67%社会资本+36.66%职业背景+31.67%职业生命周期 工作经验因子=30.39%任职时间+34.10%薪酬+35.51%年龄 个人体能因子=59.5%体质能力+40.5%心理能力 教育投资因子=53.14%学历+46.86%天赋 综上所述，案例通过对旋转后的高级管理者人力资源价值隐性因子载荷矩阵，确定了反映隐性因子指标的四个公共因子分别为：教育投资因子、个体能力因子、工作经验因子及职业因子。通过隐性因子因子得分矩阵表，确定了各公共因子的权重构成比例。

2、领导管理指标公共指标筛选 高级管理者人力资源价值领导管理因子，反映了管理者在生产经营过程中的领导和管理技能。2.1 领导管理因子分析及统计性描述 案例分析了高级管理者人力资源价值的理论及特性基础上，经过仔细甄选选用了战略决策能力、风险承受能力、人力资源管理能力、创新能力，这些具有代表性指标反映高级管理者领导能力；沟通能力、组织能力、团队协作能力作为管理因子的指标；及反映高级管理者今后发展空间的拓展因子包括：领导能力、学习能力、洞察能力。经过 SPSS 数据分析，高级管理者人力资源价值领导管理因子总体描述性统计如下表： 经过统计分析，分别得到具体指标的平均值和标准差。例如：领导能力因素 的平均得分为6.17 分(赞同)，标准差为0.943,标准差中等，总体而言领导能力的作用较为显著，但由于其标准差适中，因此领导在高级管理者人力资本价值中所体现的作用存在一定差异性，但差异性相对不大。2.2 领导管理因子指标的相关性判定 相关系数实际上反映的是公共因子起作用的空间。偏相关系数反映的是特殊因子起作用的空间。在进行相关矩阵检验时采取KMO 样本测度和巴特利特球体检验法。KMO 越接近1，越适合做公共因子分析。KMO 过小，不适合于作因子分析。数据是否做因子分析，一般采用如下判断：KMO 在0.9 以上，非常适合；0.8-0.9, 很适合；0.7-0.8，适合；0.6-0.7，不太适合；0.5-0.6，很勉强；0.5 以下，不适合。利用 SPSS 分析后高级管理者人力资源价值领导管理因子的相关性检验如下表： 领导管理因子的相关性说明：KMO 样本测度的结果为KMO 值等于0.809，当 KMO 样本测度大于 0.8 的时候，此组数据非常适合做因子分析，巴特利特球体检验(Bartlett'sTestofSphericity)的了统计值的显著性概率输出结果为<1%。通过KMO 样本测度和巴特利特球体检验的测算结果，表明案例选取的各代表领导管理因子指标，适合采用因子分析法进行统计分析。2.3 利用 SPSS 软件提取领导管理指标的公共因子 得到初始载荷矩阵和公共因子之后，为了能够能更好地解释公共因子，案例 对载荷矩阵进行旋转，选用的是 Varimax（方差最大正交旋转），旋转后的因子载荷矩阵及因子得分系数都发生了变化，因子载荷矩阵中的元素更趋向0 或者正负1。在估计因子载荷矩阵和特性方差矩阵时，选用的方法为主成分分析法，统计分析的结果见表 旋转后的高级管理者人力资源价值领导管理因子载荷矩阵，可以获得因子的代表性指标：在旋转后的因子荷重矩阵中，案例选取那些荷重较大的原始指标作为对应因子的代表性指标。领导技能因子：选取战略决策能力指标、风险承受能力指标、人力资源管理能力指标、创新能力指标作为因子 1 的代表性指标，在因子 1 中，各个指标都表现了管理者的领导技能的要素，故将其称为领导技能因子； 管理因子：选取沟通能力指标、组织能力指标、团队协作能力指标作为因子 2 的代表性指标，在因子 2 中各个指标都表现了管理者管理能力，故将其称之为管理因子。拓展因子：选取领导能力、学习能力指标作为因子 3 的代表性指标，因子 3 中的领导能力指标、学习能力指标、洞察能力指标表现了管理者在今后领导管理方面的拓展能力，故将其称之为拓展因子。通过上述分析，案例得到关于领导者管理指标的三个公共因子分别是：领导技能因子、管理因子、拓展因子。2.4 领导管理指标公共因子的方差贡献率分析 案例中公共因子方差贡献率分析的目的在于：分析提出的公共因子代表原始指标的程度。即分别分析了领导技能因子、管理因子、拓展因子，对原领导管理因子10 个指标的反映程度。具体分析分析结果见表： 各公共因子方差贡献率分析结果说明：根据因子方差分析表可知，因子 1 的其方差贡献率为22.99%；因子2 的方差贡献率为21.09%；因子3 的方差贡献率为19.72%。这三个因子能反映原来 10 个指标所描述特征的 63.79%。另外，通过分析高级管理人力资源价值领导管理因子协方差矩阵，可以判断提出的公共因子是否存在重复信息，若无重复信息则可以用这三个公共因子衡量领导者的管理水平。根据表 4.12 的因子协方差矩阵可知，三个主要因子已经相互正交，这三个因子在衡量管理者领导管理能力指标技能存量时己经没有重复信息，因此，案例可以使用这三个因子来衡量高级管理者的领导管理水平。2.5 根据因子系数得分表确定领导管理指标公共因子的权重比例 案例通过旋转后的高级管理者人力资源价值领导因子载荷矩阵和高级管理者人力资源价值领导管理因子方差分析表得到了各个公共因子及各因子的对领导因子的方差贡献率。经过进一步分析，通过领导管理因子因子得分矩阵表，则可以对各个因子赋予相应权重。分析结果说明：根据表 4.13 在因子分析中得到的因子系数得分矩阵，通过归一化处理，对领导技能因子、管理因子、拓展因子的赋予权重如下： 领导能力因子=18.53%战略决策能力+26.57%风险承受能力+32.66%人力资源管理能力+22.24%创新能力 管理因子=31.02%沟通能力+36.65%组织能力+32.33%团队协作能力 拓展因子=25.36%创新能力+38.60%学习能力+36.04%洞察能力 综上所述，案例通过对旋转后的高级管理者人力资源价值领导管理因子载荷矩阵，确定了反映领导管理因子指标的三个公共因子分别为：领导技能因子、管理因子、拓展因子。通过领导管理因子因子得分矩阵表，确定了各公共因子的权重构成比例。

3、个体与组织环境指标公共因子筛选 高级管理者人力资源价值个体与组织环境因子，反映了管理者本身的素质和人格特质及所在的组织环境对高级管理者人力资源水平发挥的影响。3.1 个体与组织环境指标分析及统计性描述 案例分析了高级管理者人力资源价值的理论及特性基础上，经过仔细甄选，选用了价值观、忠诚感、道德行为、敬业精神，这些具有代表性个体潜能发挥指标，反映高级管理者领导的素质对今后人力资源价值发挥程度的影响；选取乐观自信、理智、情绪稳定来反映人格特质对今后管理水平的发挥的影响；高级管理者所处的组织环境也决定着高级管理人力资源价值水平的发挥，案例选用了企业规模和职位这两个反映组织环境对管理者影响的因子。经过 SPSS 数据分析，高级管理者人力资源价值个体与组织环境因子因子总体描述性统计如表经过统计分析，分别得到具体指标的平均值和标准差。例如：价值观因素的平均得分为 5.75 分(赞同)，标准差为 1.004，标准差偏高，总体而言价值观的作用比较显著，但由于其标准差偏高，因此价值观在高级管理者人力资本价值中所体现的作用存在一定的差异性。3.2 个体与组织环境因子指标的相关性判定 相关系数实际上反映的是公共因子起作用的空间。偏相关系数反映的是特殊因子起作用的空间。在进行相关矩阵检验时采取KMO 样本测度和巴特利特球体检验法。KMO 越接近1，越适合做公共因子分析。KMO 过小，不适合于作因子分析。数据是否做因子分析，一般采用如下判断：KMO 在0.9 以上，非常适合；0.8-0.9，很适合；0.7-0.8，适合；0.6-0.7，不太适合；0.5-0.6，很勉强；0.5 以下不适合。利用 SPSS 分析后高级管理者人力资源价值个体与组织环境因子的相关性检验如下表： 个体与组织环境因子的相关性说明：KMO 样本测度的结果为：KMO 值等于 0.656，当 KMO 样本测度大于 0.6 的时候，此组数据适合做因子分析，巴特利特球体检验(Bartlett'sTestofSphericity)的了统计值的显著性概率输出结果为<1%。通过 KMO 样本测度和巴特利特球体检验的测算结果，表明案例选取的各代表个体与组织环境因子指标，适合采用因子分析法进行统计分析。3.3 利用 SPSS 软件提取个体与组织环境指标的公共因子 案例选用的是 Varimax（方差最大正交旋转），旋转后的因子载荷矩阵及因子得分系数都发生了变化，因子载荷矩阵中的元素更趋向0 或者正负1。在估计因子载荷矩阵和特性方差矩阵时，选用的方法为主成分分析法，统计分析的结果见表 旋转后的高级管理者人力资源价值个体与组织环境因子载荷矩阵，可以获得因子的代表性指标：在旋转后的因子荷重矩阵中，案例选取那些荷重较大的原始指标作为对应因子的代表性指标。领导素质因子：选取价值观指标、忠诚感指标、道德行为指标、敬业精神指标作为因子 1 的代表性指标，在因子 1 中，各个指标都表现了管理者的领导素质的要素，故将其称为领导素质因子； 人格特质及组织环境因子：选取乐观自信指标、理智指标、情绪稳定能力指标表明了高级管理者人格特质因子，企业规模指标、职位指标反映了高级管理者所在的组织环境对管理者的影响为因子 2 的代表性指标，故将其称之为人格特质及组织环境因子。通过上述分析，案例得到关于个体与组织环境的三个公共因子分别是：领导素质因子及人格特质及组织环境因子。3.4 个体与组织环境公共因子的方差贡献率分析 案例中公共因子方差贡献率分析的目的在于：分析人力资源价值计量指标中各因子作用大小的程度，即分别分析了领导素质因子及人格特质及组织环境因子，对原个体与组织环境因子9 个指标的反映程度。具体分析结果见表4.17： 各公共因子方差贡献率分析结果说明：根据因子方差分析表可知：因子 1 的其方差贡献率为22.64%；因子2 的方差贡献率为20.55%。这两个因子能反映原来9 个指标所描述特征的 50%。另外，通过分析高级管理人力资源价值个体与组织环境因子协方差矩阵，可以判断提出的公共因子是否存在重复信息，若无重复信息则可以用这两个公共因子衡量领导者的管理水平。根据表 4.18 的因子协方差矩阵可知，两个主要因子已经相互正交，这两个因子在衡量管理者个体与组织环境因子技能存量时己经没有重复信息，因此，案例可以使用这两个因子来衡量高级管理者的个体与组织环境对管理者的影响。3.5 根据因子系数得分表确定个体与组织环境指标公共因子的权重比例 案例通过旋转后的高级管理者人力资源价值个体与组织环境因子载荷矩阵和高级管理者人力资源价值个体与组织环境因子方差分析表得到了各个公共因子及各因子的对个体与组织环境因子的方差贡献率。经过进一步分析，通过个体与组织环境因子因子得分矩阵表，则可以对各个因子赋予相应权重。分析结果说明：根据表 4.19 在因子分析中得到的因子系数得分矩阵，通过归一化处理，对领导素质因子及人格特质及组织环境因子赋予权重如下： 领导素质因子 =18.89%价值观+27.64%忠诚感+27.88%道德行为+25.59%敬业精神 人格特质及组织环境因子=14.54%乐观自信+18.68%理智+17.11%情绪稳定 +26.32%企业规模+23.35%职位 综上所述，案例通过对旋转后的高级管理者人力资源价值个体与组织环境因子载荷矩阵，确定了反映个体与组织环境因子指标的两个公共因子分别为：领导素质因子及人格特质及组织环境因子。通过个体与组织环境因子因子得分矩阵表，确定了各公共因子的权重构成比例。

五、结果分析 案例首先应用因子分析法分别对隐性指标因子、领导管理因子、个体与组织环境因子进行了公共因子筛选，确定了评价高级管理者人力资源价值的 9 个公共因子，它们分别是：领导能力因子、管理因子、拓展因子、职业因子、工作经验因子、教育投资因子、个人体能因子、领导素质因子、人格特质及组织环境因子。验证了各公共因子可以较好的反映高级管理者人力资源价值，并通过因子系数得分矩阵确定了各个公共因子的构成比例如下： 职 业 因 子 =31.67%社会资本+36.66%职业背景+31.67%职业生命周期 工作经验因子 =30.39%任职时间+34.10%薪酬+35.51%年龄 个人体能因子 =59.5%体质能力+40.5%心理能力 教育投资因子 =53.14%学历+46.86%天赋 领导能力因子 = 18.53%战略决策能力+26.57%风险承受能力+32.66%人力资源管理能力 +22.24%创新能力 管理因子 =31.02%沟通能力+36.65%组织能力+32.33%团队协作能力 拓展因子 =25.36%创新能力+38.60%学习能力+36.04%洞察能力 领导素质因子 = 18.89%价值观+27.64%忠诚感+27.88%道德行为+25.59%敬业精神 人格特质及组织环境因子=14.54%乐观自信+18.68%理智+17.11%情绪稳定+26.32%企业规模+23.35%职位

六、简单应用举例——高级管理人员的选拔 思路：如下图 求得每位被考核人员的平均总得分 根据各位被考核人员平均总得分排序 各位专家分别利用打分表对每位被考核人员打分（见下表）根据所得相关权重汇总每位专家关于每位被考核人员的总得分 专家打分表如下表所示 编号 指标 非常好 很好 好 比较好 一般 比 较差 差 很差 非 常差 1 学历 2 天赋 3 社会资本 4 任职时间 5 职业背景 6 职业生命周期 7 薪酬 8 年龄 9 体质能力 10 心理能力 11 领导能力 12 战略决策能力 13 风险承受能力 14 人力资源管理能力 15 创新能力 16 学习能力 17 洞察能力 18 沟通能力 19 组织能力 20 团队协作能力 21 价值观 22 忠诚感 23 道德行为 24 敬业精神 25 乐观自信 专家打分表 20 位专家对其中一位被考核者打分如下表所示： 说明：以上 9 个公共因子中有两个指标完全是由客观指标数据构成，这两个公共因子是：职业因子和工作因子。所以每位专家关于这两项因子的打分结果是一样的。最后根据因子的权重确定最后得分。26 理智 27 情绪稳定 28 企业规模 29 职位

第二篇：多元数据处理——因子分析法

多元数据处理

---因子分析方法

多元数据处理主要包括多元随机变量，协方差分析，趋势面分析，聚类分析，判别分析，主成分分析，因子分析，典型相关分析，回归分析以及各个分析方法的相互结合等等。本文主要针对其中的因子分析方法展开了论述，并举了一个因子分析法在我国房地产市场绩效评价中的应用实例。

第一章 因子分析方法概述

1.1因子分析的涵义

为了更全面和准确的测量和评估对象的特征，在实际的应用中，我们往往尽可能多的选用特征指标进行系统评估，选取的指标越多，就越能全面、客观的反映评价对象的特征。选取众多指标的同时也带来了统计分析的困难：

一、不同的指标，不同重要程度需要赋予不同的权重，而靠主观的评价避免不了一些失误与错误。

二、收集到的指标之间可能存在较大的相关性，大量收集指标带来了人力、物力和财力的浪费。而因子分析方法则较好的解决了上述问题。

因子分析[1]是一种多元统计方法，该方法起源于20世纪初 Karl Pearson 和 Charles Spearman 等人关于心理测试的统计分析，它的核心是用最少的相互独立的因

[2]子反映原有变量的绝大部分信息。通过分析事物内部的因果关系来找出其主要矛盾，找出事物内在的基本规律。

因子分析的基本思想是通过变量的相关系数矩阵内部结构的研究，找出能控制所有变量的少数几个随机变量去描述多个变量之间的相关关系，但是，这少数几个随机变量是不可观测的，通常称为因子。然后根据相关性的大小把变量分组，使得同组内的变量之间相关性较高，使不同组内的变量相关性较低[3]。对于所研究的问题就可试图用最少个数的所谓因子的线性函数与特殊因子之和来描述原来观测的每一变量[4]。因子变量的特点：第一，因子变量的数量远小于原指标的数量，对因子变量的分析能够减少分析的工作量；第二，因子变量不是原有变量的简单取舍，而是对原有变量的 1

重新组构，他们能够反映原有变量的绝大部分信息，不会产生丢失；第三，因子变量之间线性相关性较低；第四，因子变量具有命名解释性[5]。因子分析可以消除指标间的信息重叠，抽象出事物的本质属性，不仅可以综合评价，还可以综合分析对其产生影响的主要因素。

1.2因子分析统计模型

设p个可以观测的指标为X1,X2,X3，XpF1,F2,F3，Fm，则因子分析模型描述如下：[6] [7]

X1a11F1a12F2a1mFm1X2a21F1a22F2a2mFm2Xpap1F1ap2F2mp，m个不可观测的因子为

apmFmp

其中：m

F(F1,F2,Fm)是不可测的向量，我们把F称为X的公共因子，其均值向量

E,p)是特（F）=0，协方差矩阵Cov（F）=1，即向量的各分量是相互独立的(1,2,殊因子，与F相互独立，且E（e）=0。

A(aij)，aij为因子载荷，数学上可以证明，因子载荷aij就是第 i 指标与第 j因子的相关系数，载荷越大，说明第j个指标与第i个因子的关系越密切；反之载荷越小，关系越疏远[8]。

1.3因子分析步骤

（1）原始数据的标准化

原始数据的标准化包括指标正向化合和无量纲化处理两方面。在多指标的评价中，有些指标数值越大，评价越好；有些指标数值越小，评价越好，这种指标称为逆向指标；还有些指标数值越靠近某个具体数值越好，这种指标称为适度指标。根据不同类型的指标需要将逆向指标、适度指标转化为正向指标，此过程称为指标的正向化。指标正向化过程既可以在无量纲化前处理也可以在无量纲化时处理。逆向指标可以选用公式X'i(XmaxXi)/(XmaxXmin)。其中，Xmax、Xmin分别为指标的最大与最小值。适度指标方面，叶宗裕[9]认为正向化可以采用指标值减去适度值的绝对值的相反数。公式为Yxy|XxyM|。其中Yxy为正向后数据，Xxy为原始数据，M为适度值。

指标的无量纲化则是通过标准化处理，将不同的指标通过数学变换转化为统一的相对值，消除各个指标不同量纲的影响。常用的无量纲化包括：标准化法、均值法和极差正规化法。本文采用最常见的标准化法进行无量纲化处理，公式处理如下：（X是X的期望值，X是 X 的标准差）

ZXXX（2）计算相关矩阵 R 的特征值和特征向量

根据特征方程|RE|0，计算相关相关矩阵的特征值及对应的特征向量A，的大小描述了各个因子在解释对象所起的作用的大小。

（3）计算因子贡献率及累积贡献率，确定公共因子个数

因子贡献率表示每个因子的变异程度占所有因子变异程度的比率，公式为：

i

Ci

i1Pi，Ci表示方差贡献率。当累积贡献率达到85%以上或者特征根不小于1，即确定了公因子的个数。

（4）求解初始因子载荷矩阵

X=AF，因子载荷矩阵A并不唯一，软件则是运用不同的参数估计方法求出相应的估计矩阵，参数估计方法主要包括：最小平方法、极大似然法、主成分法、主因子法、多元回归法。

（5）因子载荷矩阵的旋转

若因子载荷较为平均，初始的因子载荷矩阵描述的经济含义不太明显，难以判断与各个因子的关系时，就需要进行因子旋转。通过因子旋转，使使旋转后公共因子的贡献更加分散，并对主因子进行命名，确定经济含义[10]。因子旋转主要有正交旋转法和斜交旋转法。

（6）计算样本的综合得分

通过因子载荷矩阵，可以得出因子的因子得分系数矩阵 B。然后计算出每个因子的得分F=BZ，最后以各因子的方差贡献率占因子总方差的贡献率的比重作为权重加权汇总，得到应变综合得分

F1i1mF12ii1mF2mii1mFmi 3

第二章 我国房地产市场绩效实证研究

运用构建的房地产市场绩效评价指标体系及因子分析方法实证分析2007、2008、2009三年我国 31个省市各房地产市场的绩效水平，利用 SPSS 软件进行因子分析与评价。我国房地产业市场绩效指标体系见表2-1。

表 2-1 我国房地产业市场绩效指标体系

由上面的指标体系可以看出，我国房地产业市场绩效包括三个层次，第一层为为总体层，总体层又称为目标层，它反映了此指标体系的目的。第二层为状态层，本文分五个方面对目标层进行解释。

2.1 数据的采集和整理

根据本文构建的房地产绩效评价指标体系，选取了《房地产统计年鉴》中 2007-2009年我国31个省市基础数据（不包括台湾省、香港特别行政区、澳门特别行政区3个地区）。

2.2 数据的同向化处理

本文中评价房地产业市场绩效的指标中 X16房屋空置面积这个指标是绩效评价的逆向指标，并不是越大越好，为了与其他指标保持同向性，需要将其转化为正向指标，转化公式为X'i(XmaxXi)/(XmaxXmin)。其中，Xmax为评价指标最大值，Xmin为评价指标最小值。

2.3 数据的标准化处理

由于不同变量之间存在了不同量纲、不同数量级的情况，需要对原指标数据进行标准化处理，把不同指标数据转化成相同量纲的数据，是得各指标数据具有可比性。

标准化处理方法如下：

ZXX（X是 X的期望值，X是X的标准查差）

X2.4 确定是否适合因子分析：KMO检验和Bartlett球形检验

KMO 检验给出抽样充足量的测度，检验变量间的偏相关系数是否过小。Bartlett 球形检验检验相关系数矩阵是否是单位阵，如果是单位阵，则表明不适合采用因子模型。经SPSS检验结果如下表 2-2。

根据 Kaiser 给出的是否做因子分析的 KMO 标准为： KMO>0.9，非常适合；0.9>KMO>0.8，适合；0.8>KMO>0.7，一般；0.7>KMO>0.6，不太适合；KMO<0.5 不适合，故 KMO 检验通过。同时，相伴概率为 0.000，小于显著水平0.05，表明 Bartlett球形检验通过，所以本文所选的变量适合做因子分析。

表2-2

KMO检验结果和Barlett球形检验结果

2.5 指标相关性检验

根据本文构建的房地产业市场绩效指标体系，借助于多元分析软件 SPSS，利用我国 2007 年房地产业基础数据对我国房地产业市场绩效做出分析与评价。通过 SPSS 软件进行的相关性分析，得到2007年全国各省市房地产市场绩效评价指标的相关系数矩阵，如表2-3

表 2-3 Correlation Matrix（相关系数矩阵）

续上表

通过以上相关系数矩阵的分析可以看出，各个房地产市场绩效指标之间有较大的相关性，如果单纯以一个指标来评价市场绩效指标就会存在不够准确甚至重迭。为了消除指标间的重迭，简化计算，可以采用因子分析的方法进行降维处理，把原来比较复杂的相关矩阵内部找出几个综合指标，使综合指标为原来变量的线性组合，利用相对较少的因子研究市场绩效。

2.6 共同度分析

根据变量共同度的统计意义，它刻画了全部公共因子对于原始变量的总方差所作的贡献，它说明了全部公共因子反映出原变量信息的百分比[11]。如下表 2-4 所示的

变量共同度可知，除了X13企业所有者权益、X14从业人数、X15房屋销售价格、X16商品房空置面积、的共同度为0.880、0.878、0.877、0.705，其余变量的共同度都在90%以上，因此这四个公共因子对各变量的解释能力是比较强的。采用因子分析房地产市场绩效的效果是比较好的。

表2-4 共同性公因子方差

2.7 公共因子分析

因子载荷是公共因子与指标变量之间的相关系数，载荷越大，说明公共因子与指标变量之间的关系越密切。在确定公共因子个数时，先选择与原变量数目相等的因子个数，其因子计算结果见下表2-5。取初始特征矩阵大于1的因子为公共因子。经过总方差分解，可以明显看出有二个因子旋转后特征值大于1，它们的方差贡献率分别为50.574%、41.199%，累计贡献率为91.772%。当累积贡献率达到85%以上，因此完

全可以采用这二个因子概况原始数据对全国31个省市的房地产市场绩效做出评价是合适的。

表 2-5 总方差分解

从未转轴的因素矩阵（见下表2-6）可以看出，结果并不非常令人满意，有2个因素被抽取，所以本文采用方差最大化正交旋转方法对因子进行了旋转，得到了因子载荷矩阵，进而更清楚地观察样本。从旋转后的因素矩阵（见下表2-7）可以看出：

（1）X4本年购置土地面积、X6新开工面积、X10商品房销售套数、X9商品房销售面积、X7商品房屋竣工面积、X5房屋施工面积、X1企业个数、X14从业人数、X2本年完成投资额、X16商品房空置面积为第一主因子，他们的载荷值分别为：0.959、0.948、0.926、0.894、0.848、0.835、0.802、0.781、0.728、0.630；这些指标都是从一个方面反映关于房地产开发销售方面的情况，故可以命名此公共因子F1为：房地产市场开发销售。

表 2-6 未旋转因素矩阵表

2-7 转轴因素矩阵

（2）X15房屋销售价格、X13企业所有者权益、X11企业利润总额、X12企业

经营收入、X8商品房销售额、X3本年资金来源合计为第二因子，他们的载荷值分别为：0.935、0.908、0.874、、0.872、0.816、0.796；这些指标都是在一定程度上能够反映房地产企业的经济效益，故可以命名此公共因子F2为：房地产企业综合效益水平。

2.8 计算因子得分计算分析及结果

表2-8 为因子得分系数矩阵，根据因子得分系数和原始变量的值可以计算出每个观测值的各因子的分数，并可以据此对观测值进行下一步的分析。旋转后的因子得分表达式与计算结果如下：

表 2-8 2007年各因子得分系数矩阵

由估计出的因子的得分，可以描述我国各省市绩效水平，利用因子得分可以从不同的角度对我国各省市房地产市场绩效水平进行比较分析。为了对我国各省市房地产业市场绩效进行评价，现利用各省市因子得分表计算综合得分，各省市房地产市场绩效的获取是基于总方差分解表中旋转后各因子的方差贡献率及计算所得的上市公司各因得分所得，其具体计算公式为：

综合绩效=（50.574%×F1+41.199%×F2）/91.772%。详细情况见表 2-9。

表 2-9 2007年31个省（市）各因子得分及排名

为了更直观的观察，本文也给出了样本城市因子的柱状图，如下图2-1，由表2-9可以看出2007年北京、上海在房地产市场开发因子F1得分仅-0.541、-0.8737，在31个省市自治区排名分别为21、26；而在房地产企业综合绩效F2得分为2.6789、3.4528，排名为第二、第一。江苏、广东在因子F1得分分别为：2.5437、1.6465，排名第一、第三；在因子F2得分为：0.3358、2.0979，排名第六、第三。江苏、广东在因子F1、F2得分均靠前。

图 2-1 2007 年各省市因子得分

使用同样的方法我们也给出了2008年及2009年各省市因子得分及排名情况。如表2-10和2-11所示。

通过表2-

9、2-

10、2-11的分析可知，广东、江苏、浙江三省份在因子F1房地产市场开发销售、F2房地产企业综合效益得分均较高，发展相对平衡，总的绩效水平高。而其他各省市都有某一个因子或两个得分相对较低，即所谓的“短板”，发展不平衡影响了其总的绩效水平。

由表2-12可以看出，2007-2009三年内北京综合绩效得分排名从第五下降到第八，上海从第三下降到第七，市场绩效没有得到提高，房地产发展存在一定问题；江苏从2007年的第二到2009年的第一，山东从2007年的第六到2009年第三，绩效持续提高。西藏、陕西、甘肃、青海、宁夏、新疆等省市排名一直靠后，绩效水平没有得到提高。

表 2-10 2008年31个省（市）各因子得分及排名

表 2-11 2009年31个省（市）各因子得分及排名

表 2-12 2007-2009年31个省（市）综合得分及排名

2.9 房地产市场绩效综合评价实证结果分析

2.9.1 房地产市场绩效的综合得分分析

通过因子分析法得到31个省（市）房地产市场绩效的2项因子得分及综合得分，按照综合得分从高到低排名如表2-12所示。综合得分越高，表明其市场绩效水平越好。综合得分为零或者负值，并不代表其绩效水平为负，这里仅是将各省市的平均绩效水平作为零点。根据综合得分可以给我国各省市绩效水平层次分类，分为四类，见表

2-13。

我国房地产市场绩效跟经济水平有很大关系，沿海东部省市绩效水平靠前，经济发展落后的西部地区绩效水平相对较差。

表 2-13 我国各省市绩效水平层次分类

2.9.2 各省市房地产绩效的主因子得分分析

房地产市场开发销售因子F1反映了一个省市在房地产市场的开发、投入、销售等方面的水平。方差贡献率最大。2007年为50.574%、2008年为55.895%、2009 年为54.716%。

根据2007-2009三年来因子F1得分可以把我国31个省市分为四个层次。如表2-14所示

表 2-14 我国各省市因子F1层次分类

根据2007-2009三年来因子F2得分可以把我国31个省市分为三个层次。如表2-15所示。

因子F2大部分城市没有达到平均水平，都处于相对落后的水平，这跟当地的房地产企业发展水平有很大的关系。北京、上海为国际化大都市，房地产企业众多，房地产综合效益水平较高，此两个直辖市房地产业综合效益要比其他地区有优势，房地

产企业 经营收入、销售利润更多、房地产企业发展更快。而中部及西部落后城市，经济发展较为缓慢，房地产企业较少，企业综合效益水平低。导致得分相对较低。

表 2-15 我国各省市因子F2层次分类

参考文献

[1] 晓群, 统计学.现代统计分析方法与应用[M].中国人民大学出版社, 1998.[2] 张丽.基于因子分析法的基金综合绩效评价研究 [D].中南大学, 2007.[3] 李斌, 蒋涛, 吴俊芳, 等.房地产行业上市公司绩效评价的实证研究[J].特区经济, 2007(3): 122-123.[4] 陆璇.实用多元统计分析[J].2001.[5] 薛微.统计分析与 SPSS 的应用[J].北京:中国人民大学出版社, 2001: 234-256.[6] Anderson T W.An Introduction To Multivariate Stsisical Analysis[J].1954.[7] 张斌, 府亚军.我国房地产上市公司经营业绩实证研究[J].北京机械工业学院学报, 2006, 20(3): 62-66.[8] Harva M, Kabán A.Variational learning for rectified factor analysis[J].Signal Processing, 2007, 87(3): 509-527.[9] 余有贤.我国地方政府绩效评估指标体系构建与实际测评[D].浙江大学, 2005.[10] 王家远, 袁红平.基于因子分析法的建筑业综合评价[J].深圳大学学报: 理工版, 2007, 24(4): 373-378.[11] 周刚, 孙尧, 许远明.我国房地产业市场结构探析[J].重庆建筑大学学报(社科版), 2001, 3.

第三篇：国内典型高新区 技术创新 创新能力评价 因子分析法论文（推荐）

国内典型高新区论文：国内典型高新区技术创新能力比较研究

【中文摘要】高新技术产业开发区是科技创新的摇篮,是实现高新技术产业化的重要基地,技术创新是发展高技术产业的基本前提,是实现经济可持续增长的新引擎。国内典型高新区拥有丰富的创新资源,聚集了大量高新技术产业,是众多高新区中的佼佼者。然而,当前我国高新区的发展主要依靠土地、资金等要素驱动,并且更多依靠各种优惠政策,忽略了技术创新对经济增长的重要作用。本文试图通过对高新区技术创新能力进行比较分析,发现国内典型高新区在技术创新能力方面的缺陷与不足,为促进高新区技术创新能力的提升提供理论依据。本文以科技部相关指标体系为基础,结合高新区发展特点,建立技术创新能力指标体系,使用因子分析法对国内54个国家级高新区的技术创新能力进行比较分析,并从15个指标中提取4个公因子,分别从技术创新获利因子、技术创新投入因子、技术创新交易因子、技术创新成果因子四个方面对国内典型高新区技术创新能力进行综合评价。分析结果显示,国内典型的六个高新区综合排名位于全国前列,其中北京排名第一,上海排名第二,深圳排名第五,西安排名第六,成都排名第七,武汉排名第九。虽然国内典型的六个高新区在发展进程中取得了可喜的成绩,但是在技术创新过程中仍然存在着一些...【英文摘要】The high-tech zones are not only the cradles of technological innovation, but also the important bases to

implement the high-tech industries.Technological innovation is the basic premise of the development of high-tech industry.It is also the new engine to achieve sustainable economic growth.The typical domestic high-tech zones are leaders in many high-tech zones, which are rich in innovation resources and gathered a large number of high-tech industries.But now, the high-tech zones based on the land, ca...【关键词】国内典型高新区 技术创新 创新能力评价 因子分析法

【英文关键词】the Typical Domestic High-tech Zones Technological Innovation Innovation Capacity Factor Analysis 【目录】国内典型高新区技术创新能力比较研究3-4Abstract4-5

第一章 导论9-151.1.1 研究背景9-10

摘要1.1 研究1.1.2 研1.2.1 研究背景和研究意义9-10究意义10方法10-1112-1415-22的起源1515-161.2 研究方法和研究内容10-121.2.2 研究内容11-121.4 本文的贡献14-152.1 技术创新理论综述

1.3 研究思路第二章 文献综述

15-172.1.1 创新理论2.1.2 技术创新理论的进一步发展2.1.3 技术创新概念的研究综述16-17

2.2.1 国外研究综述

2.3 技术创新能力评价

2.2 技术创新能力概念的研究17-1817-182.2.2 国内研究综述18的研究18-20研究综述19-2020-2220-2222-28

2.3.1 国外研究综述18-192.3.2 国内

2.4 高新区技术创新能力的研究

2.4.2 国内研究综述2.4.1 国外研究综述20第三章 技术创新能力与国内典型高新区发展3.1 国内外创新型科技园发展经历22-24

3.1.1 国外创新型科技园发展过程22-23发展状况23-24究24-26

3.1.2 国内创新型科技园

3.2 国内典型高新区技术创新能力的现状研

3.2.2 3.2.1 选择国内典型高新区的依据24

24-26国内典型高新区技术创新能力发展现状高新区技术创新能力的功效26-28内典型高新区产业结构升级26-27升国内典型高新区竞争力27高新区经济增长27-28的构建28-39原则及功能28-3028-29

3.3 国内典型

3.3.1 技术创新能力与国3.3.2 技术创新能力与提

3.3.3 技术创新能力与国内典型第四章 高新区技术创新能力评价模型

4.1 高新区技术创新能力评价指标体系构建的4.1.1 评价指标体系构建的原则

4.2 高4.1.2 评价指标体系构建的功能29-30

30-33新区技术创新能力评价指标体系的构建标的设置30-31

4.2.1 评价指

4.3 高

4.2.2 评价指标的诠释31-33新区技术创新能力综合评价方法33-39能力评价方法比较分析33-3535-3939-57

4.3.1 多种技术创新

4.3.2 因子分析模型第五章 国内典型高新区技术创新能力的评价与比较5.1 数据来源与处理39-45

5.1.1 数据的收集

整理39-425.1.2 原始数据无量纲处理42-45

45-54

5.2 国内典型高新区技术创新能力因子分析新区技术创新能力比较分析54-57区技术创新能力的对策建议57-62创新投入力度57-58创新经费投入力度57-5858-59

5.3 国内典型高

第六章 提升国内典型高新6.1 加大园区内企业技术

6.1.1 增强自主创新和引进消化吸收再6.1.2 加大创新人才投入强度6.2 加大产学研合作力度,大力发展产业联盟6.2.1 加大产学研合作力度

6.2.2 大力发展产业联盟58-5959-60

6.3 建立以企业为核心的技术创新体系

6.3.2 完善科6.3.1 确立企业创新主体地位59技中介服务机构59-6060

6.3.3 营造良好的创新环境

6.4.1 制6.4 建立健全相关的政策法规体系60-62定财政税收政策60-6161-6262-64问题63-64

6.4.2 构建知识产权保护体系第七章 本文总结及有待进一步研究的问题7.1 本文的结论62-63

参考文献64-67

7.2 有待进一步研究的附录67-69致谢70

攻读硕士学位期间取得的科研成果69-70

第四篇：商业案例分析法

商业案例“七步分析法” 来源： 中大SIFE的日志

“七步分析法”是麦肯锡公司根据他们做过的大量案例，总结出的一套对商业机遇的分析方法。它是一种在实际运用中，对新创公司及成熟公司都很重要的思维、工作方法。

第一步：确定新创公司的市场在哪里?

这里一是要搞清楚市场是什么?再一个是在市场中的价值链的哪一端?确定自己的市场在哪里，才能比较谁和你竞争，你的机遇在哪里。

第二步：分析影响市场的每一种因素

知道自己的市场定位后，就要分析该市场的抑制、驱动因素。要意识到影响这个市场的环境因素是什么?哪些因素是抑制的，哪些因素是驱动的。此外还要找出哪些因素是长期的?哪些因素是短期的?如果这个抑制因素是长期的，那就要考虑这个市场是否还要不要做?还要考虑这个抑制因素是强还是弱?

第三步：找出市场的需求点

在对市场各种因素进行分析之后，就很容易找出该市场的需求点在哪里，这就要对市场进行分析，要对市场客户进行分类，了解每一类客户的增长趋势。如中国的房屋消费市场增长很快，但有些房屋消费市场却增长很慢。这就要对哪段价位的房屋市场增长快，哪段价位的房屋市场增长慢做出分析，哪个阶层的人是在买这一价位的，它的驱动因素在哪里?要在需求分析中把它弄清楚，要了解客户的关键购买因素，即客户来买这件东西时，最关心的头三件事情、头五件事情是什么?

第四步：做市场供应分析

即多少人在为这一市场提供服务，在这一整个的价值链中，所有的人都在为企业提供服务，因位置不同，很多人是你的合作伙伴而不是竞争对手。如奶制品市场中，有养奶牛的，有做奶产品的，有做奶制品分销的。如公司要做奶制品分销，那前两个上游企业都是合作伙伴。不仅如此，还要结合对市场需求的分析，找出供应伙伴在供应市场中的优劣势。

第五步：找出新创空间机遇

供应商如何去复盖市场中的每一块?从这里能找出一个商机，这就是新创公司必需要做的这一块。这样分析后最大的好处是，在关键购买因素增长极快的情况下，供应商却不能满足它，而新的创业模式正好能补充它，填补这一空白，这也就是创业机会。这一点对创业公司和大公司是同样适用的，对一些大公司的成功的退出也是适用的。对新创公司来讲，这一点就是要集中火力攻克的一点，这也是能吸引风险投资商的一点。

第六步；创业模式的细分

知道了市场中需要什么，关键购买因素是什么，以及市场竞争中的优劣势，就能找出新创公司竞争需要具备的优势是什么，可以根据要做成这一优势所需条件来设计商业模式。对于新创公司来讲，第一步是先把市场占住，需要大量的合作伙伴，但随着公司的发展，自有的知识产权会越来越多，价值链会越来越长。

第七步：风险投资决策

以上七点做为商业机会的分析，大小公司都可以运用，这第七点就是针对VC(风险投资商)的。VC主要看投资的增值能力，什么时候投，投多少?这要结合VC自身的财务能力、公司的背景、经历。VC投的不光是钱，他是需要考虑各方面的因素的。

第五篇：市场调查LV17 典型分析法

LV系列免费营销/管理文档不断更新中

只为给你更好的选择

典型分析法，是指根据典型调查结果分析，来推测对象发展趋势的方法。

这种办法工作量较小，也容易被员工接受，但在企业英雄不是非常突出时，选取对象比较难、不易把握。[2] 典型分析法的内容

应用此法时，要选择具有代表性的典型。所选择的典型，可以是重点单位、重点地区、主要用户、某目标市场或国际市场，这要根据预测的目的和要求确定。例如，把市场销售量划分为高、中、低三种标准后，要了解市场的平均销售量时，需选中等销售量的几个市场为典型进行分析；要全面掌握市场情况时，则从高、中、低三类市场中选出几个市场为典型来分析。

在应用典型分析法预测时，应注意以下几个问题：

1．选择典型时，应先明确典型的标准，即明确是选择哪种类型的典型。

2．选择典型的多少，应视所要解决问题的难易程度和涉及范围的大小而定。

3．在典型分析中要实事求是，既要保证调查材料的真实性又要保证分析的正确性。

我是吕慧祥!

风雨历程我们一起走过!