我国省域科技创新水平的空间分布评价

朱 辉

（天津工业大学 管理学院，天津 300387）

科技发展是经济发展的重要动力。近几十年来，我国经济的迅速崛起举世瞩目，但区域发展的不平衡性，南北差距与东西部差距日趋扩大引起越来越多的重视和争议。区域发展的不平衡性，越来越多地源于科学技术方面的差距，区域科技创新是提升区域核心竞争力的重要因素，以往学者们从区域创新体系、区域科技进步、区域核心能力、区域产业集群等不同的理论视角来探索区域经济发展的动力，以解决我国区域发展的不平衡性。近年来从空间分析的角度来研究区域科技创新与经济增长的问题，逐渐得到学术界的重视。本文利用全局主成分分析模型，在构建我国省域科技创新水平评价指标体系的基础上予以科学的评测及分析比较。从空间统计分析的角度，通过Moran’s I统计量的运用，分析区域科技创新空间结构演变历程和聚集格局及其效应，寻求后发地区依靠加快区域科技创新、实现区域经济跨越式发展的可能路径。

一、我国区域科技创新水平的现状评价

1.评价指标的选取

表1 区域科技集聚度评价主要指标

区域科技创新能力是衡量区域经济是否拥有核心竞争力的重要标志，王启仿等从科技投入、科技产出、社会管理环境和可持续创新这几个方面构建了一套区域科技创新能力的评价指标体系［1］；邵云飞等对影响区域科技创新能力因素的研究，给我们对区域科技创新能力评价指标体系的构建起到了很大的启示作用［2］。本文在总结前人研究成果的基础上，结合数据的可获取性，从科技投入、科技产出以及高新技术产业发展三个维度，选择10个指标对区域科技创新进行评价（见表1）。

具体指标值根据《中国科技统计年鉴》数据整理，其中指标X5（国外论文数）是2年平均，其余全部数据均为2009年至20011年近三年各项指标数据的3年平均值。

2.评价过程

利用SPSS17.0统计分析软件完成数据处理和分析，对各省市自治区的10项指标的数据进行标准化处理，对原始数据进行巴特利特球度检验和KMO检验，巴特利特球度检验统计量的观测量值为706.923，相应的概率p接近0，可认为相关系数矩阵有显著性差异。同时，KMO值为0.757，根据Kaiser给出了KMO度量标准可知原有变量适合进行主成分分析。

表2 解释的总方差

运用SPSS软件进行主成分分析，得出相关系数矩阵，然后根据相关系数矩阵，计算出特征根和特征向量，以及方差贡献率。按照主成分分析的相关要求，对公共因子的特征值和所选因子对方差解释的累计百分比进行检验结果如表2所示。

根据主成分分析的结果，大于1的特征值有两个，这两个主成分的贡献率占全部主成分的贡献率的90.380%，说明其综合每一个指标的信息程度达到了90.380%，信息量较充分，损失的信息较少，能够表征出原来10个指标所反映的全部信息量。可以进行下一步的分析。

由表3可知，指标X10、X9、X8、X4和X3在第二个主成分上有较高载荷，他们的主体主要与企业相关，可以将第二个主成分命名为企业科技创新主成分。其余指标都在第一个主成分上有较高载荷，可以将其命名为公共科技创新主成分［3］。

在计算出主成分载荷矩阵之后，就可以得到主成分得分系数矩阵，如表4所示。

表3 旋转后因子载荷

根据上表的主成分得分矩阵得出计算主成分综合模型公式为：

将原始数据标准化后代入上述方程，即可得到区域科技聚集度水平的综合评分结果。然后借助于ArcGIS9.2对样本地区的科技创新综合水平在中国地图上进行等级划分，如图1。图1可以非常直观地反映我国的科技综合水平的地域分布特点。本文采用的分级方案为Natural Breaks自然间断点分级法，它是在分级数确定的情况下，通过聚类分析将相似性最大的数据分在同一级，差异性最大的数据分在不同级，这种方法比较好保持数据的统计特性。

图1 我国省域科技创新指数空间分布四分位图

最后，根据全国样本地区主成分的综合得分，对31个省的科技创新水平聚集度进行划分。科技创新低聚集地区是区域科技创新聚集度水平综合得分低于-0.31的地区。包括河南、江西、广西、青海、贵州、云南、新疆、海南、西藏9个省市，约占样本总数的29%。“科技创新中聚集地区”是区域科技创新聚集度水平综合得分低于-0.1，高于-0.34的地区。包括陕西、湖北、湖南、内蒙古、重庆、四川、宁夏、吉林、山西、安徽、黑龙江、河北、甘肃13个省市，约占样本总数的42%。科技创新次高聚集地区是区域科技创新聚集度综合水平得分低于1.0，高于-0.1的地区。包括东部沿海省份（如广东、江苏、福建等省份），约占样本总数的20%，这些省份都是我国经济发展的先头城市。

科技创新聚集地（科技创新高聚集地区）是区域科技创新聚集度水平综合得分高于1.0的地区，包括北京、上海和天津。

可见我国地域科技创新水平呈现明显的梯度特征，从东部沿海地区到中部地区，再到西部地区科技创新水平依次降低，从南往北也存在这种科技创新水平降低的现象。这种科技创新水平的分布也反映了我国的科技创新力量的不均衡状态。科技创新力量分布不均匀，分布在少数地区，其中科技创新高水平区域（科技创新高集聚地区）出现有北京、天津和上海形成的三角顶点；科技创新次高水平区域为沿海科技次高聚集带的环渤海、长三角和珠三角形成的“带状“区域；而科技创新中等水平区域则多为中部地区；西北的大部分地区则是我国的科技创新低水平区域。综上所述可以得出我国不同地域间科技创新水平与其经济实力是相匹配的，东部沿海经济发达地区的科技创新水平都比较高，中部经济一边地区创新水平次之，西北经济不发达地区的科技创新水平最低。

三、基于Moran’s I统计值的省域科技创新空间分布状况分析

1.Moran’s I的计算说明

在空间相关分析应用研究中，为检验全域空间自相关现象存在与否，常使用空间自相关指数Moran’s I对其加以研判说明［4］。

根据计算公式可得到表示全国31个省的31×31阶的邻近标准的二元权重矩阵。事实上，中国地图中的海南岛和广东省、广西自治区虽然不邻接，但实际上，海南和广东、广西联系密切，所以有些学者如王劲峰提出将海南和广东、广西看作互为邻居。本文通过手工编辑海南省和广东省、广西自治区互为邻接区域。

2.基于Moran’s I的检验结果

选取我国科技创新R&D经费内部支出指标，依照Moran统计量的计算公式，2009-2011年我国31个省域科技创新R&D经费支出的空间自相关Moran’s I统计结果分别为0.207274、0.200138、0.215771，Moran I的显著性检验值Z值均大于正态分布函数在0.01水平下的数值，即临界值1.96，说明我国科技经费支出具有明显的正的空间自相关性，即全国各省科技创新R&D经费内部支出在空间分布上处于非随机状态，也就是说相同科技创新发展水平的区域在地域上有着显著的聚集特征，科技创新水平较高的区域倾向于聚集在一起，科技创新水平较低的地区也聚集在一起。

图2 科技创新R&D经费支出的Moran散点图（2011）

此外，如图2所示，图中紫色色实线的斜率反映的是2011年中国科技创新R&D经费支出的Moran’s I指数为0.215771。统计

在测量过程中，发现了一系列的问题。

1.测量身高的过程中，头发对测量结果有一定程度的影响。F传感器主要是靠超声波来测量被测对象到传感器的距离，头发的松散程度影响了测量结果，这个影响因素属于不可避免的，也是因人而异的。所以在此次测量身高的过程中，我选择在被测对象的头顶上放一张薄纸，可以保持头顶的一个水平高度，其次因为纸薄，基本上对测量结果不会有较大的影响。

2.E系统或者C计算器收集数据时，从图形中明显可以看出测量得到的数据并不是一个稳定的数值，而是有一定的上下波动范围。经多次测量发现，这个波动为上下1厘米。本文中，在进行测量系统分析中收集的数据，使用的C计算器，操作者根据自己的选择读取一个数据。在身高测量过程中，使用的是E系统，如图4-1所示，收集的数据呈上下波动状态，通过对数据的观察，选取众数（出现频率最大的数）作为测量结果进行分析。

结 语

通过对A实验室的探索及其研究，将其运用到设计身高测量系统中，以解决传统身高测量系统的不足。从而设计了快捷式身高测量系统，制作出人体身高测量仪。

通过对测量系统的分析，发现该系统存在线性偏倚问题，对此，进行了回归分析，矫正测量数据与实际数据之间的偏差，确定了身高的测量计算公式，实际身高=2.127（传感器固定高度）-0.969测量距离+0.0496（固有误差）。实际系统在长时间运行中测量误差小于3毫米，确保了系统的准确性和测量数据的有效性。

虽然做出了身高测量仪的模型，但是这个模型仍有不足之处。例如为求方便，模型的制作主要借助了传统的身高测量仪，没有做出模拟图中的效果。因此，本文作者对未来工作有以下几点展望：

1.能做出模拟图中的效果，并将其真正用于实践中。2.通过更有效的方法来校正测量仪器的准确度。3.针对数据过多，能够在不稳定的数据中更准确的选择一个有效数据。4.再选取一个能够测量压力的传感器，设计一个可以同时测量身高和体重的测量仪。