创新驱动力比较及空间分布——基于模糊综合评价法

刘艳春，孙 凯

(辽宁大学 商学院，沈阳 110036)

创新驱动力比较及空间分布
——基于模糊综合评价法

刘艳春，孙 凯

(辽宁大学 商学院，沈阳 110036)

首先，从行政力、市场力、外向力和内源力四个维度构建了创新驱动力指标体系；其次，应用多级模糊综合评价模型，对中国大陆31个省(自治区、直辖市，不含港、澳、台，下同)的创新驱动力进行了横向比较分析；最后，根据创新驱动力指数、行政力指数、市场力指数、外向力指数、内源力指数进行排名，并采用空间计量方法对评价结果进行空间相关性分析。从总体看，创新驱动力指数、行政力指数、市场力指数、外向力指数、内源力指数在中国大陆各省(直辖市、自治区)之间整体上具有显著的空间正自相关性，均表现出空间依赖性和空间集聚现象。从局部看，大多数省份位于高—高象限、低—低象限，表现出显著的空间正相关性；少数省份位于高—低象限、低—高象限，表现出显著的空间负相关性。

创新驱动力；模糊综合评价法；空间分布；四分位图；空间集聚；空间相关性

1 研究背景

2012年11月8日，在北京召开的中国共产党第十八次全国代表大会(简称中共十八大)，会上明确提出，“科技创新是提高社会生产力和综合国力的战略支撑，必须摆在国家发展全局的核心位置”[1]，强调要坚持走中国特色自主创新道路、实施创新驱动发展战略。创新驱动发展战略就是要将创新驱动作为经济发展的新动力，使得经济发展更多依赖于劳动者素质的提高、科学技术的发展、科学管理能力的增强。创新驱动是一种集约增长方式，主要是利用科学技术的创新来实现经济增长及效益提升，用技术变革的力量来增加生产要素的产出率，使得科技进步对于经济增长的贡献率大幅提升。目前中国正处于经济转型期，加快转变经济发展方式依赖于创新驱动发展战略的有效实施。加快转变经济发展方式、完善社会主义市场经济体制需要适应国内外经济形势新变化，着力增强创新驱动发展新动力，实施创新驱动发展战略。

自中共十八大提出创新驱动发展战略以来，关于创新驱动方面的研究大多局限在理论或定性层面，运用相关统计指标、计量经济模型进行具体量化分析的实证研究较少。国家对于创新驱动发展的关注引起了学术界的广泛思考。关于创新驱动力的研究是其中一个重要方向。学者们对创新驱动力的影响因素持有不同见解。王义娜和黄立新[2]从创新投入、科技进步、创新突破三个维度构建指标体系对创新驱动力进行监测，并对华东六省一市的创新驱动力进行了综合评价分析。王海兵和杨蕙馨[3]认为，对外开放水平、人力资本、政府干预倾向、非市场化程度是创新驱动的主要影响因素。创新驱动力的作用因素有哪些？我国创新驱动力具有怎样的空间分布特征？不同省份之间的创新驱动力是否具有空间相关关系？考虑到创新驱动力的内涵以及实施主体，本文从一个新的角度即行政力、市场力、外向力和内源力四个维度构建创新驱动力指标体系，建立多级模糊综合评价模型对中国大陆各省创新驱动力进行综合评价分析，并利用评价分析的结果，采用空间计量方法分析了不同省份之间创新驱动力的空间分布情况及空间相关关系。

2 创新驱动力指标体系构建

创新的概念最早由Joseph Alois Schumpeter于1912年在其著作《经济发展理论》中提出，而创新驱动这一概念最早是被Michael Porter作为一个发展阶段提出的。他认为，经济发展会依次经历要素驱动、投资驱动、创新驱动以及财富驱动四个阶段。所谓创新驱动阶段是指推动经济增长的主动力是创新[4]。这并不是表示经济增长不需要要素和投资，而是说经济增长的要素和投资将通过创新来带动。过去我们处于要素驱动阶段，长期依靠物质要素投入来推动经济的增长。目前这种方式受到资源、环境等多方面的限制，逐渐表现出不再适应当前的发展形势。要实现科学可持续发展，需要使物质资本的改造更多依靠创新知识和技术变革的力量以及科学管理水平和劳动者素质的提高。因此，依靠创新带动的要素驱动来代替过去的投资带动的要素驱动非常具有必要性。

创新驱动是通过知识的溢出效应来实现的，仅仅依靠企业的创新远远不够，需要建立以国家创新体系为基础的创新驱动战略[5]。创新驱动的内容包括科技创新、产业创新、制度创新、产品创新、战略创新、文化创新和管理创新等多个方面[6]。创新驱动力受经济、社会、政治等诸多因素的影响，不同发展阶段各个因素对创新驱动力的推动作用大小又各不一样。创新驱动力是推动创新活动的动力，同时也是创新模式形成的基础，创新驱动力的组合构成了系统创新环境[7]。根据创新驱动力实施主体的不同，本文从行政力、市场力、外向力和内源力四个维度构建了创新驱动力指标体系。

第一，行政力推动的创新驱动力主要是指政府在某个地区通过引导研发经费资金投入、工程项目配套设施建设以及由于机构组织对创新重视程度而配备资源来推动的创新驱动力。它主要包括政府扶持、组织配置两个方面。其中，政府扶持由R&D经费支出中政府资金数、工业污染治理完成投资额两项指标反映；组织配置由高技术产业机构数、规模以上企业有研发机构比重两项指标反映。

第二，市场力对创新驱动力的作用体现在通过市场需求来引导创新资源配置，要求各生产要素按照市场经济规律进行有效配置。它主要包括技术进步、运营能力两个方面。其中，技术进步由高技术产业新产品销售收入、高技术产业主营业务收入、技术市场成交额三项指标反映；运营能力由规模以上工业企业新产品销售收入、规模以上工业企业主营业务收入两项指标反映。

第三，外向力对创新驱动力的作用体现在它通过利用外资研发经费、国外市场需求能力、外贸政策等条件来优化资本形成条件，带动技术、产业结构的变化，提高技术和管理水平推动创新驱动力。它主要包括创新活动、开放水平两个方面。其中，创新活动由高技术产品进出口贸易总额、R&D经费支出中国外资金数两项指标反映；开放水平由外商投资企业进出口总额、外商直接投资两项指标反映。

第四，内源力通过创新要素的投入来推动创新驱动力，运用创新要素实现对劳动力、资本等有形要素新的组合。它通过利用创新知识、科学技术来改造物质资本，利用新知识、新发明的介入以及物质要素的组合来提升创新能力，提高科学管理水平以及劳动者素质。它主要包括人才投入、资金投入、知识资本三个方面。其中，人才投入由R&D人员全时当量、R&D人员占总人口比重、企事业单位专业技术人员三项指标反映；资金投入由R&D经费内部支出占GDP比重、高技术产业新产品开发经费支出、R&D经费投入强度反映；知识资本由三种专利申请授权数、国外主要检索工具收录我国科技论文反映。构建的创新驱动力指标体系见表1(附权重)，其中权重是通过专家评分法确定的。

表1 创新驱动力指标体系

续表

3 创新驱动力评价模型构建

利用多级模糊综合评价法构建创新驱动力综合评价模型。详细步骤如下:

(1) 构建递阶指标判断矩阵

若评价体系中存在m个待评价的对象，有n个评价指标，那么，每个评价指标对每个评价对象都有1个特征值，则评价体系能够构成n×m阶判断矩阵X=Xijn×m(i=1，2，…，n；j=1，2，…，m)，本文根据中国大陆各省各项指标统计值构建判断矩阵。

(2) 求解递阶指标隶属度矩阵

对于一个模糊集来说，由于各项指标的评价标准并不统一，因此需要对其进行隶属度求解。通常，对于现实问题，研究对象的所有指标可以划分为成本型、效益型以及适中型等指标[8]；其隶属度函数如下:

成本型指标隶属度的计算公式: 趋低优势

(1)

效益型指标隶属度的计算公式: 趋高优势

(2)

适中型指标隶属度的计算公式: 趋中优势

(3)

按照上述方法可以将指标值转化为指标隶属度矩阵R:

(4)

显然，0≤rij≤1。rij越大，表明第j个备选对象的第i个因素评估越优；rij越小，表明第j个备选对象的第i个因素评估越次。

(3) 确定指标权重

权重用来反映指标总体中各个指标的重要程度，需要满足归一性和非负性条件。它的合理与否将直接关系到评价结论的准确性。因此在确定权重的过程中应十分谨慎。人们通常依据实际问题的需要主观地确定权重。确定权重的方法有很多种，常用的方法主要有统计实验法、专家评分法、分析推理法和两两对比法。

本文采用专家评分法来确定各个指标的权重，综合文献的分析以及创新驱动力的内涵构建创新驱动力指标体系，向研究创新驱动的专家们发送调查问卷。依据问卷的统计结果，通过综合考量为创新驱动力各项指标赋予权重[9]。经计算得到一级指标Y的权重向量WY=(0.2,0.2,0.2,0.4)；二级指标Ei(i=1,2,…,9)的权重向量WY1=(0.7,0.3)，WY2=(0.5,0.5)，WY3=(0.5,0.5)，WY4=(0.34,0.33,0.33)；三级评价指标Xi(i=1,2…,21)的权重向量WE1=(0.5,0.5)，WE2=(0.5,0.5)，WE3=(0.34,0.33,0.33)，WE4=(0.5,0.5)，WE5=(0.5,0.5)，WE6=(0.5,0.5)，WE7=(0.34,0.33,0.33)，WE8=(0.34,0.33,0.33)，WE9=(0.5,0.5)。各级指标权重见表1。

(4) 构建评价模型并进行选择

利用前面确定的权重向量W和隶属度矩阵R，构建模糊综合评价模型，可以表示为如下公式

(5)

式(5)中，bj表示模糊综合评价指标，其含义是考察所有因素的影响时，评价对象对备择集中第j个元素的隶属度。“∘”表示一种模糊算子组合，是一种合成W与R的方法。模糊算子可以分为M(∧,∨)、M(·,∨)、M(∧,⊕)、M(·,⊕)等多种组合，不同的组合会使得评价模型不相同。为了考察所有因素的影响并保留单因素评价的所有信息，本文采用M(·,⊕)评价模型[10]。

(5) 构建多级模糊综合评价模型

对创新驱动力指标体系进行层级划分，可以将上述评价模型拓展为多级模糊综合评价模型，即初始模型应用于多级因素上，每级评价结果又是上一级的评价输入，直到目标层为止。

对因素集S={S1,S2,…,Sn}，按属性的类型可以分为k个子集，记作E1、E2、…、Ek。根据子集的需要可以进一步进行划分。对每个子集Ei，按一级评价模型进行评价。将每个Ei作为一个因素，可以得到二级模糊综合评价模型如下:

(6)

式(6)中：wi为S中n个因素Si的权数的分配；W为E中k个因素的权重分配；Ri和R分别为S和E的综合评价的变换矩阵；B综为S和E的综合评价的结果。同理，可以类推到更高级综合评价模型。

由此，可以根据不同对象的最终综合评估值大小排出其优劣次序。

4 中国省域驱动创新力的模糊综合评价

4.1 数据收集与处理

根据表1的指标，本文查阅了2015年的《中国统计年鉴》和《中国科技统计年鉴》，并对数据进行基本处理。

4.2 数据评价与分析

考虑到数据分析的便利性，分析时称三级指标-二级指标分析为一级模糊综合评价分析，二级指标-一级指标分析为二级模糊综合评价分析，一级指标-创新驱动力综合评价为目标层模糊综合评价分析，这样做有利于分析过程更加的清晰与完整。

(1) 一级模糊综合评价

首先，根据统计的指标数据，在进行一级模糊综合评价前，结合隶属度函数的求解公式，求出各指标的隶属度

根据所求的隶属度可以构建判断矩阵，鉴于篇幅所限，文中不予列出。如有需要了解，可以联系本文作者。。

然后，根据创新驱动力指标得到的隶属度处理结果，构建判断矩阵。根据判断矩阵及对应的权重向量可求得行政力(Y1)在政府扶持(E1)方面的综合评判结果BE1。如北京的行政力(Y1)在政府扶持(E1)方面的综合评判结果为

同理，可以求得不同的二级指标在下属三级指标方面，即一级模糊综合评价的结果和排名，见表2。

(2) 二级模糊综合评价

根据一级模糊综合评价结果，能够计算中国大陆31个省(直辖市、自治区)创新驱动力(目标层)在行政力(Y1)、市场力(Y2)、外向力(Y3)以及内源力(Y4)方面，即二级模糊综合评价结果BY1、BY2、BY3以及BY4。例如，北京的创新驱动力在行政力方面的综合评判结果为

同理，可以求得其他各省二级模糊综合评价结果，其评价结果及排名见表3。

表3 中国大陆31个省(直辖市、自治区)创新驱动力二级模糊综合评价结果及其排名(不包括港、澳、台)

续表

(3) 目标层模糊综合评价

利用一级指标权重向量和二级模糊综合评价结果，能够计算中国大陆31个省(直辖市、自治区)的创新驱动力综合评判结果B。如北京的创新驱动力综合评判结果为

同理，可以求得目标层创新驱动力在一级指标动力因子方面的综合评判结果，评判结果及排名见表4，排名越靠前的说明创新驱动力越强。

表4 中国大陆31个省(直辖市、自治区)创新驱动力目标层模糊综合评价结果及其排名(不包括港、澳、台)

5 中国省域创新驱动力比较分析

为了表述上的便利，将表中评判结果B称为“创新驱动力指数”，BY1称为“行政力指数”，BY2称为“市场力指数”，BY3称为“外向力指数”，BY4称为“内源力指数”。创新驱动力指数是由行政力指数、市场力指数、外向力指数、内源力指数加权和得到的。为了对中国不同地区的创新驱动力进行比较，需要对中国各省进行合理划分。按照《中国卫生统计年鉴》所用的方式对中国按东、中、西部进行划分: 东部地区包括北京、天津、河北、辽宁、上海、江苏、浙江、福建、山东、广东、海南11个省(直辖市)；中部地区包括黑龙江、吉林、山西、安徽、江西、河南、湖北、湖南8个省；西部地区包括内蒙古、广西、重庆、四川、贵州、云南、西藏、陕西、甘肃、青海、宁夏、新疆12个省(自治区、直辖市)。将创新驱动力指数、行政力指数、市场力指数、外向力指数、内源力指数在全国、东部地区、中部地区、西部地区进行比较，详见表5(只列出前三名)。

表5 目标层、一级指标评价结果对比

6 中国省域创新驱动力空间分布分析

6.1 四分位图

在上一节中，我们对创新驱动力指数、行政力、市场力、外向力、内源力在全国层面、东部地区、中部地区、西部地区进行了对比分析，但是得到的结果不够直观，而且不能反映创新驱动力及其动力因子的空间分布情况。因此，可以考虑通过四分位图以便直观观察其空间分布情况，如图1～图5所示。创新驱动力指数、行政力指数、市场力指数、外向力指数、内源力指数均大致呈东部地区、中部地区、西部地区阶梯状分布。

从创新驱动力指数四分位图(图1)可以看到，该图中阴影越深，表示创新驱动力指数越大。可以看到创新驱动力指数比较高的区域大多集中在东部沿海省市，如江苏、浙江、上海等以及西部的陕西；较低的主要集中在西南和西北部，如西藏、青海、新疆等。直观地看，创新驱动力指数存在着很强的地理聚集效应。

图1 创新驱动力指数空间分布四分位图注： 本图仅显示了本文研究样本(中国大陆的31个省级行政单位)的相关分布情况，非全部中国地图。

从行政力指数四分图(图2)可以看到，该图中阴影越深，表示在行政力方面评价越高。可以看到在行政力指数较高的省份大多也集中在东部沿海省份，如山东、江苏、浙江等；较低的省份主要集中在西部，如新疆、西藏、青海。直观地看，行政力指数同样也存在着很强的地理聚集效应。

图2 行政力指数空间分布四分位图注： 本图仅显示了本文研究样本(中国大陆的31个省级行政单位)的相关分布情况，非全部中国地图。

从市场力指数四分图(图3)可以看到，该图中阴影越深，表示在市场力方面评价越高。可以看到市场力指数较高的省份包括山东、江苏、浙江、上海、广东等东部沿海省份以及河南、湖北等中部地区省份；较低的省份包括西部的新疆、西藏、青海、云南、重庆等。

图3 市场力指数空间分布四分位图注： 本图仅显示了本文研究样本(中国大陆的31个省级行政单位)的相关分布情况，非全部中国地图。

从外向力指数四分图(图4)可以看到，该图中阴影越深，表示在外向力方面评价越高。外向力指数较高的省份全部分布在东部地区；较低的省份主要集中在西北部和西南部省份。直观地看，外向力指数存在很强的地理聚集效应。

图4 外向力指数空间分布四分位图注： 本图仅显示了本文研究样本(中国大陆的31个省级行政单位)的相关分布情况，非全部中国地图。

从内源力指数四分图(图5)可以看到，该图中阴影越深，表示在内源力方面评价越高。内源力指数较高的省份主要集中在东部沿海以及陕西；指数较低的省份主要集中在西部的西藏、青海以及西南的云南、重庆。直观地看，内源力指数也存在着很强的地理聚集效应。

图5 内源力指数空间分布四分位图注： 本图仅显示了本文研究样本(中国大陆的31个省级行政单位)的相关分布情况，非全部中国地图。

6.2 空间相关性分析

通过多级模糊综合评价得到的创新驱动力指数、行政力指数、市场力指数、外向力指数、内源力指数可以大致对不同省份创新驱动力情况进行比较。同时，通过四分位图，也能够大致地、直观地看到创新驱动力指数、行政力指数、市场力指数、外向力指数、内源力指数的空间分布情况。我们不仅仅关心每个省份自身创新驱动力、行政力、市场力、外向力、内源力的情况，同时也会关心与它相邻省份在这些方面存在怎样的相关关系。所以，本文在通过模糊综合评价的基础上进一步探讨不同省份之间空间相关性关系。

(1) 全局空间自相关

为了刻画创新驱动力指数、行政力指数、市场力指数、外向力指数、内源力指数在中国大陆31省(直辖市、自治区)之间整体上的空间关联程度和空间差异程度，需要进行全局自相关分析。全局空间自相关常用的一种度量指标是Global Moran’s I统计量。Moran’s I实际上就是标准化的空间自协方差。利用GeoDa软件计算Moran’s I，其结果见表6。

注: 加“***”和“**”分别表示在1%和5%显著性水平下拒绝原假设而接受备择假设。

通过表6分析创新驱动力、行政力、市场力、外向力、内源力(分别用创新驱动力指数、行政力指数、市场力指数、外向力指数、内源力指数代表)的全局空间自相关。通过计算发现，中国大陆各省创新驱动力指数、行政力指数、市场力指数、外向力指数和内源力指数的全局Moran’s I值都大于零，t统计量均为正，且都大于1.96，p值也都小于0.05，可以拒绝不存在自相关的原假设。由此可知，中国大陆地区各省的创新驱动力、行政力、市场力、外向力、内源力存在显著的空间自相关性，也就是说，创新驱动力、行政力、市场力、外向力、内源力相似的地区呈现着空间集聚的态势。

(2) 局部空间自相关

全局空间自相关分析是为了研究整体上的空间关联程度和空间差异程度。为了了解中国大陆31个省(直辖市、自治区)之间空间自相关关系的具体情况及其差异程度，需要对各省之间的创新驱动力进行局部空间自相关分析。采用局部Moran’s I散点图发现其与全局自相关散点图是一致，因此也是正值。这是因为全局空间自相关重点是在整体数值，而局部空间自相关主要是看高—高、高—低、低—低、低—高四个分类情况。如果将局部空间自相关的散点图用直线拟合，直线斜率就是全局空间自相关拟合直线的斜率。其分类具体情况如表7所示。

从表7我们可以看到，创新驱动力指数、行政力指数、市场力指数、外向力指数、内源力指数中绝大多数省份都是位于高—高、低—低象限，即高值被高值包围，低值被低值包围，表现出空间正相关性，即空间集聚。高—高象限的省份主要集中在东部沿海，低—低象限的省份主要集中在西部地区。位于高—低象限的省份较少，它表示高值被低值包围，比较明显的是广东、陕西。低—高象限的省份主要集中在中部，它表示低值被高值包围。高—低、低—高象限的省份表现出显著的空间负相关性。

表7 中国大陆31个省(直辖市、自治区)目标层、一级指标评价结果分布象限图(不包括港、澳、台)

续表

7 结论

本文从行政力、市场力、外向力、内源力四个维度构造了创新驱动力指标体系，运用模糊综合评价的方法得到了创新驱动力指数、行政力指数、市场力指数、外向力指数、内源力指数，分别用来反映中国大陆31个省(直辖市、自治区)目标层的创新驱动力以及一级指标层的行政力、市场力、外向力、内源力，利用评价结果对各省进行了排名。运用空间计量方法对创新驱动力进行了进一步研究。通过四分位图，直观地描绘了创新驱动力、行政力、市场力、外向力、内源力的空间分布情况。通过全局空间自相关分析发现各省在创新驱动力、行政力、市场力、外向力、内源力存在空间正自相关性；通过局部空间自相关分析明确了各个省份所处的象限，揭示了局部区域本省与相邻省份之间的关系。

[1] 王志刚.科技创新是提高社会生产力和综合国力的战略支撑[G]//本书编写组.十八大报告辅导读本[M].北京: 人民出版社，2012: 149.

[2] 王义娜，黄立新.山东创新型省份建设中创新驱动力的综合评价分析——基于华东六省一市的比较分析[J].山东科技大学学报:社会科学版，2014，16(5): 65-72.

[3] 王海兵，杨蕙馨.创新驱动及其影响因素的实证分析: 1979—2012[J].山东大学学报:哲学社会科学版，2015 (1): 23-34.

[4] 洪银兴.关于创新驱动和协同创新的若干重要概念[J].经济理论与经济管理，2013 (5): 5-12.

[5] Egbetokun A.What drives innovation？Inferences from an industry wide survey in Nigeria [J]．International Journal of Technology Management，2009，45(1): 123-140．

[6] 任保平，郭晗.经济发展方式转变的创新驱动机制[J].学术研究，2013(2): 69-75.

[7] 高孟立，吴俊杰.基于AHP法的知识密集型服务企业服务创新驱动力研究[J].科技管理研究，2013，33(11): 5-9.

[8] 李惠娟，朱福兴，刘宁宁．创新型省份自主创新能力的模糊综合评价[J]．科技进步与对策，2009(23): 162-166．

[9] 谭金锋，颜锋.编序式问卷调查的模糊偏序排序法[J].数学的实践与认识，2012,42(4): 19-23.

[10] 吴祈宗.系统工程[M].北京: 北京理工大学出版社，2008: 226-228.

Comparative Analysis and Spatial Distribution of Innovative Driving Force: Based on Fuzzy Comprehensive Evaluation Method

Liu Yanchun，Sun Kai
(School of Business，Liaoning University，Shenyang 110036，China)

First building an index system of innovative driving force according to the administrative force，market force，exterior force and intrinsic force. Then applying fuzzy comprehensive evaluation model to make horizontal comparative analysis of 31 provinces in mainland China based on statistical data in 2014. At last，ranking according to the evaluation results such as innovative driving force index，administrative force index，exterior force index，intrinsic force index，and making spatial correlation analysis of the evaluation results based on the spatial econometric method. From the overall，existing significant special positive correlation according to the index system in China，performing both spatial dependence and spatial agglomeration. From the local，most provinces are located in the quadrant of high-high and low-low,which shows a kind of spacial positive correlation. A few provinces are in the quadrant of high-low，low-high,which shows a significant kind of spatial negative correlation.

innovative driving force;fuzzy comprehensive evaluation;spatial distribution; quartile graph;global spatial autocorrelation; local spatial autocorrelation

2016年度辽宁经济社会发展立项课题“大数据时代中小企业融资创新模式研究”阶段性成果(2016lslktziglx-11)。

刘艳春(1964— )，女，满族，辽宁沈阳人，辽宁大学商学院管理科学与工程系主任、教授，博士，研究方向: 风险度量与评价、技术经济评价理论与方法；孙凯(1988— )，男，湖南南县人，辽宁大学商学院博士研究生，研究方向: 区域创新、风险评价、金融管理。

F124.3

A