国际科技悬赏的发展历程、实践模式与经验启示——对新世纪以来典型科技悬赏项目的多案例分析

科技悬赏在国际科技领域是一种为解决特定问题而向目标群体设置悬赏目标，并以现金或非现金奖励为主要要素，激励悬赏参与者进行创新直至达到预设目标的奖励模式，该模式与我国目前探索实践的“揭榜挂帅”制度在本质上具有一致性。欧美国家的科技悬赏制度自18世纪正式诞生以来，经历了独具特色的发展历程。特别是近20年来，科技悬赏项目在国际范围内的应用热度逐步提升，并完成了多个极具国际影响力的重大科技创新项目。通过对典型项目进行比较分析，依据科技悬赏项目基本构成要素的特点，可以把国际科技悬赏项目分为重视悬赏坐标设计的科技悬赏项目、探索项目充分授权的科技悬赏项目和尝试分级激励的科技悬赏项目3种模式。高效的引导效应、明确的设计原则与复合影响要素是不同模式国际科技悬赏项目的共同特点。借鉴国际科技悬赏的成功经验，我国“揭榜挂帅”制度设计应该高度关注精准设榜、综合激励与制度保障等环节的创新和完善。     

中国产学研三大部门技术创新经费投入产出效率评估研究

高校、科研单位与企业三大部门是我国应用研究和试验发展环节的重要技术创新主体，亟需评估其效率。采用“经费支出—专利产出—预期收益—实现收益”三步骤分析框架，利用已有统计调查数据，对三大部门技术创新经费投入产出效率进行测算。结果表明，三大部门技术创新经费投入产出效率都偏低，企业部门每亿元经费投入实现的收益约为9733万元，科研单位约为1331万元，高校约为1166万元。该测算值是真实产出价值的下限，但真实产出不会高太多。产出效率低的主要原因在于，高校和科研单位技术创新的产业应用目标指向性不明确、存在科技成果转化难题以及企业能力制约等。最后，建议加快政府相关科技计划制定、加强成果评价过程中产业部门的参与、优化高校和科研单位科研评价体系、加大企业研发费用加计扣除力度等。     

习近平关于乡村振兴重要论述的理论内涵

科学的思维方法是我们党推动各项事业稳步向前的法宝之一。习近平乡村振兴重要论述中彰显了丰富的科学思维方法,以战略思维引领乡村振兴的方向、以辩证思维洞察乡村振兴的规律、以历史思维把握乡村振兴的现实、以底线思维掌握乡村振兴的主动权、以创新思维开拓乡村振兴的未来。这些重要的思维方法既具有丰富的理论内涵,又具有重要的方法论价值,有助于全面有效地推动乡村振兴战略实施。     

科技成果商业规模示范：组织学习与政府政策支持的作用

商业规模示范是科技成果产业化的重要环节，当前关于如何推进商业规模示范的研究较少。研究组织学习、政府政策支持对商业规模示范的作用，选取312份企业调研数据进行实证分析。结果表明：①组织学习中的“用中学”和“互动中学”均对商业规模示范存在积极影响，且互动中学的作用更强；②政府政策支持不仅积极影响商业规模示范且正向调节互动中学与商业规模示范的关系；③不同规模、不同性质、不同地区企业商业规模示范及政府政策支持存在差异。该结论不仅有助于明晰商业规模示范中组织学习与政府政策支持的影响机制，而且揭示出企业研发、组织学习及政府政策支持并行是提升科技成果产业化质量与效率的重要途径。     

科研诚信“自律”与“他律”协同建设的内在逻辑及现实路径研究

我国在40余年的科研诚信建设过程中，“自律”与“他律”建设均存在不足，两者没有形成有效协同。为加强科研诚信建设，更好地发挥科研诚信系统的整体协同效应，需要运用协同学理论，对我国科研诚信建设系统进行分析，探求系统内部协同机理，促使科研诚信“他律”和“自律”在合作过程中产生协同效应，并通过优化科研诚信建设子系统各要素，加强系统与环境之间的合作，发挥科研诚信建设系统的最优协同效应，进而构建我国科研诚信建设全方位协同治理体系。     

Parameter-efficient deep probabilistic forecasting

Probabilistic time series forecasting is crucial in many application domains, such as retail, ecommerce, finance, and biology. With the increasing availability of large volumes of data, a number of neural architectures have been proposed for this problem. In particular, Transformer-based methods achieve state-of-the-art performance on real-world benchmarks. However, these methods require a large number of parameters to be learned, which imposes high memory requirements on the computational resources for training such models. To address this problem, we introduce a novel bidirectional temporal convolutional network that requires an order of magnitude fewer parameters than a common Transformer-based approach. Our model combines two temporal convolutional networks: the first network encodes future covariates of the time series, whereas the second network encodes past observations and covariates. We jointly estimate the parameters of an output distribution via these two networks. Experiments on four real-world datasets show that our method performs on par with four state-of-the-art probabilistic forecasting methods, including a Transformer-based approach and WaveNet, on two point metrics (sMAPE and NRMSE) as well as on a set of range metrics (quantile loss percentiles) in the majority of cases. We also demonstrate that our method requires significantly fewer parameters than Transformer-based methods, which means that the model can be trained faster with significantly lower memory requirements, which as a consequence reduces the infrastructure cost for deploying these models.     

中国科技创新结构如何影响杠杆率?

杠杆率水平与系统性金融风险息息相关。杠杆率的高低与科技创新结构存在着密切关系,已有文献忽略了科技创新结构对杠杆率作用机理的研究。科技创新结构如何影响杠杆率?对此问题,本文进行系统性的理论分析,并以省际面板数据为对象进行实证检验。研究表明,我国省级科技研发劳动投入比例结构,以及创新产出结构对杠杆率具有重要影响,两类创新劳动投入对于杠杆率都具有显著作用,但影响方向相反;我国省级杠杆率具有空间效应,既有共性因子,又存在异质性特征。以上发现对于现阶段降低我国系统性金融风险,特别是为从创新的角度设计、制定和完善我国有关杠杆率的金融政策提供了科学的理论指导和实证证据。