科技创新能力对智慧城市建设影响的实证分析
1.1变量的数据校准
按照模糊集定性比较分析的步骤，在选取条件变量、结果变量并给出全部变量的原始值后，进入fsQCA的必要步骤，同时也是核心环节——数据校准，即将案例在各变量下的数据从原来的绝对数值转化为能体现案例对于变量条件隶属程度的模糊集隶属分数[NOTEREF_Ref255047680\f\h39]。具体的操作步骤是：首先，研究者应根据实际、理论知识及案例样本情况，通过反复实验，确定校准所需的三个锚点，包括：“完全隶属”、“交叉点”与“完全不隶属”[NOTEREF_Ref255047680\f\h39][[]张明,杜运周.组织与管理研究中QCA方法的应用:定位、策略和方向[J].管理学报,2019,16(09):1312-1323.]。其中，“完全隶属”指的是案例中完全隶属于某条件的临界值，“完全不隶属”指的是完全不隶属于某条件的临界值，“交叉点”则表示隶属或不隶属于某条件的最模糊的值。第二步，基于设定的校准锚点，通过相应的校准程序，确定案例在每个条件上的模糊集隶属度，取值范围为0-1。
[]张明,杜运周.组织与管理研究中QCA方法的应用:定位、策略和方向[J].管理学报,2019,16(09):1312-1323.
根据方法要求，应将本文中的各案例在条件变量与结果变量下的原始数据值根据设定的锚点校准为相应的模糊集隶属分数。根据前文的文献回顾，运用定性比较分析方法分析城市科技创新能力对智慧城市建设的影响的相关研究较少，没有直接可复制使用的校准锚点值。基于此，本文依据城市治理理论、区域科技创新相关概念的理论及结合案例样本的特点，同时借鉴阚艳秋同学的操作方法[[]阚艳秋.基于定性比较分析的我国智慧城市建设成效影响因素研究[D].电子科技大学,2020.]，选取Ragin的直接校准法[NOTEREF_Re\f\h51]，将本文的条件变量与结果变量的校准锚点确定为“完全隶属”（隶属分数=0.95）、“完全不隶属”（隶属分数=0.05）、“交叉点”（隶属分数=0.5）。通过excel计算后条件变量和结果变量的校准锚点值如表1.1所示。确定锚点值后，本文使用fsQCA3.0软件中的calibrate（x,n1,n2,n3）函数对案例城市的各变量数据进行校准。其中，x指需进行校准的变量名称，n1对应“完全隶属”（隶属分数=0.95），n2对应“交叉点”（隶属分数=0.5），n3对应“完全不隶属”（隶属分数=0.05）。校准后数据如表1.2所示。其中，为了与原始数据值进行区分，表1.2中将各变量名称定义为“原变量名称英文缩写+FS（Fuzzy-Set）”。后文中，包括fsqca程序运行的三种解中，各变量名称依然以“原变量名称英文缩写+FS（Fuzzy-Set）”形式展现，以体现文章对于模糊集数值的运用，但在具体分析上，依然采用各变量的原中文名称。
[]阚艳秋.基于定性比较分析的我国智慧城市建设成效影响因素研究[D].电子科技大学,2020.
表1.1校准锚点值
变量类型
变量名称
完全隶属（隶属度=0.95）
交叉点（隶属度=0.5
完全不隶属（隶属度=0.05）
条件变量
资本投入（CI）
270.45
21.18
2.43
人力投入（MI）
26.92
5.57
1.75
科学创新基础（SI）
81.21
41.07
10.89
技术创新基础（TI）
22.29
2.70
1.02
创新意识（IC）
8.46
1.47
0.16
创新产出（IO）
6.49
1.14
0.12
结果变量
智慧城市建设成效（CA）
85.87
79.97
65.99
表1.2校准后模糊集隶属分数
CITY
CIFS
MIFS
SIFS
TIFS
ICFS
IOFS
CAFS
北京市
0.97
1.00
0.98
1.00
0.99
0.98
0.98
广州市
0.72
0.85
0.95
0.81
0.86
0.86
0.96
上海市
0.97
0.98
0.85
0.98
0.95
0.94
0.95
深圳市
0.95
0.81
0.05
0.88
0.97
0.97
0.94
重庆市
0.58
0.77
0.83
0.76
0.77
0.76
0.87
杭州市
0.64
0.79
0.39
0.81
0.81
0.85
0.87
青岛市
0.53
0.15
0.13
0.09
0.71
0.62
0.86
成都市
0.55
0.94
0.71
0.93
0.85
0.83
0.8