我国高新技术产业发展时空格局演变分析——基于2010～2014年29个省市面板数据的实证研究

杜文忠　崔艳丽

(桂林电子科技大学，桂林　541004)

我国高新技术产业发展时空格局演变分析
——基于2010～2014年29个省市面板数据的实证研究

杜文忠崔艳丽

(桂林电子科技大学，桂林541004)

〔摘要〕本文选取了我国高新技术产业2010～2014年29个省市的面板数据，限于因子分析法只适用截面数据的不足，采用因子分析法和改进的TOPSIS法结合，从生产经营、固定资产投资、R&D活动3个方面，测算了我国各省域高新技术产业发展的综合评价指数，并对我国高新技术产业发展梯度变迁的时空格局演变进行了分析。结果表明：基于时间维度，2010～2014年我国高新技术产业不同梯度省市的梯度变迁幅度不同；从空间格局看，我国29个省市高新技术产业发展水平存在着显著的差异，我国大部分省市高新技术产业的发展水平处于较低阶段且空间格局不平衡。

〔关键词〕高新技术产业因子分析改进的TOPSIS法梯度变迁

引　言

随着经济的快速发展与科技创新脚步的加快，高新技术产业的发展对推动经济的发展进程发挥着根本性的作用，并且逐渐成为了经济活动中最有活力的产业。国务院发布的《国家中长期科学和技术发展规划纲要(2006～2020年)》确定，到2020年，全社会研究开发投入占国内生产总值的比重提高到2.5%以上，力争科技进步贡献率达到60%以上，对外技术依存度降低到30%以下，本国人发明专利年度授权量和国际科学论文被引用数均进入世界前5位[1]，表明了政府对高新技术产业的政策支持。因此，分析高新技术产业发展的时空格局演变，对促进我国高新技术产业优化空间布局和实现科技促进经济发展的目标有着一定的研究意义。

国内外学者对高新技术产业的发展从不同角度进行了时空演变研究，Marcel Hülsbeck和Elena N.Pickavé(2012)以德国区域空间为例，分析了区域知识生产对高新技术产业发展的影响，得出了产业和大学研究生产的新知识分布往往是跨区域的，区域化生产新知识是高新技术产业发展的前提[2]。David Han-Min Wang和Tiffany Hui-Kuang Yu等(2013)研究了高新技术产业发展对经济增长的影响，采用分位数回归方法，根据23个经合组织国家和台湾在1991～2006年期间的面板数据，得出在跨不同分位数条件下，高新技术产业发展对经济增长的效应存在着显著的差异[3]。关于高新技术产业时间演变趋势的研究，杨清可、段学军(2014)从综合技术效率、纯技术效率、规模效率3个指标方面，测算了1996～2010年我国高新技术产业的发展趋势，得出了其发展趋势分为3个阶段：1996～2000年技术效率处于上升阶段，2000～2005年由于R&D投入为代表的技术要素投入不足，集约化水平较低，技术效率下降明显；2005～2010年市场逐渐成熟，政府支持和企业的创新使得技术效率持续提高[4]。基于空间格局的研究，潘霞、鞠晓峰等(2013)从内在竞争力和外在竞争力出发，分别构建了竞争力评价指标体系，采用因子分析法得出了29个地区的综合得分，然后进行了K-均值聚类分析，分为三大集聚中心：珠江三角洲、长江三角洲、环渤海经济圈，且三大集聚中心内部和外部都有着明显的差异[5]。张同斌、范庆泉通过研究省域高新技术产业发展水平在2004～2008年间的梯度变迁，得出了第一梯度的高新技术产业基本分布在东部且发展水平变化不明显，中西部地区高新技术产业发展水平相对落后且梯度变化较大[6]。刘昌年、张银银(2014)研究了中国高新技术产业竞争水平，从投入能力、产出能力和发展能力3个方面，采用了因子分析法和聚类分析法分析了30个省的竞争力，得出了高新技术产业投入和产出两方面对高新技术产业竞争力水平的提高有着显著的作用，而发展能力对高新技术产业竞争的促进作用不显著，最后得出了30个省的高新技术产业竞争力水平有着显著的差异和分布不均衡，由东部到西部分了3个梯度[7]的结论。

1　实证模型和数据来源

1.1因子分析法

因子分析法是主成分分析的扩展和推广，最早由英国心理学家C.E斯皮尔曼提出。主要思路是通过原始变量的相关系数矩阵内部结构的研究，导出能控制所有变量的少数几个不可观测的综合变量，通过这少数的几个综合变量去描述原始的多个变量之间的相关关系。因子分析模型的构建[8]：

假设原始变量为X=(X1，X2，…，Xi)T，公共因子为F=(F1，F2，…，Fm)T(m

Xi=ai1F1+ai2F2+ai3F3+…+aimFm+εi(j=1，2，3，…，n，?n为原始变量总数)

(1)

矩阵形式：X=AF+ε，其中因子载荷矩阵。A=(ai1，ai2，…，aim)。

1.2改进的TOPSIS法

TOPSIS(Technique for Order Preference by Similarity to an Ideal Solution)法是C.L.Hwang和K.Yoon于1981年首次提出，是系统多目标决策分析中一种常用的有效方法，又称为优劣解距离法。其基本思想：基于归一化后的原始数据矩阵，找出有限方案中的最优向量和最劣向量，然后分别计算各评价对象与理想解和负理想解的距离，获得各评价对象与最优方案的相对接近程度，以此作为评价优劣的依据。改进的TOPSIS法具体算法如下[9]：

(1)实际值和该指标的最小值之差与该指标的极差的比值来表示规范化数据，本文通过进一步处理使得规范化后的数据取值范围在0.1～0.9之间。

(2)

(2)对规范化后的数据进行归一化处理，并建立相应的矩阵。

(3)

由此得出归一化后的矩阵：

(4)

(3)根据归一化后的矩阵确定最优向量和最劣向量

(4)计算第i个省市综合评价指数与理想解和负理想解的距离：

(5)

(6)

(5)测算各评价对象与最优方案的相对接近程度：

(7)

式(7)中，Ci∈[0，1]，Ci越大，表示第i个省市高新技术产业发展水平越高，Ci越接近1，表示第i个省市综合评价指数越接近理想解；反之，Ci越接近0，表示第i个省市综合评价指数越接近负理想解。

1.3数据来源

本文从高新技术产业生产经营情况、固定资产投资情况、R&D及其相关活动情况3个方面选取了16个指标，所选的指标数据来源于《中国高技术产业统计年鉴》并对原始数据进行整理，由于西藏和青海数据缺失比较严重剔除这两个省，其他省个别缺失值以临近年份的滑动平均值来填补，从而消除原始数据中0值导致的误差[4]。通过选取2010～2014年29个省市的面板数据，对我国高新技术产业发展时空格局演变进行分析。

2　实证研究

2.1指标体系的建立

为了测度我国高新技术产业的综合发展水平，需要选取多指标对高新技术产业发展综合评价指数进行测算，根据指标的系统性、可操作性、数据可获得性等原则构建规范合理的指标体系。从高新技术产业生产经营情况、固定资产投资情况、R&D及其相关活动情况3个方面构建了16个评价指标(见表1)对我国高新技术产业的综合发展水平进行评价。

表1　高新技术产业发展评价指标体系

2.2我国高新技术产业发展综合评价指数的测算

运用SPSS(19.0)统计软件对2010～2014年29个省市每年的横截面数据进行因子分析，由于篇幅的限制，本文仅以2014年因子分析过程为例。

2.2.1进行KMO检验和Bartlett检验

KMO检验和Bartlett检验是测度因子分析模型有效性的两个相关性检验。KMO统计量是比较各变量间简单相关系数和偏相关系数的指标，KMO值越接近1表示越适合作因子分析，Bartlett球形度检验原假设H0：相关系数矩阵是单位阵，如果Sig值拒绝原假设表示变量之间存在相关关系，适合做因子分析。检验结果(见表2)表明：KMO的检验值为0.751，Bartlett球形度检验值为1205.610较大且Sig值为0.000远小于显著性水平0.05，所以拒绝原假设H0表示变量之间存在相关关系，两个检验都说明适合做因子分析。

表2　KMO和Bartlett的检验

2.2.2因子方差的贡献率解释和因子命名

根据因子贡献率结果(见表3)，采用主成分法提取公因子，提取初始特征值大于1的3个主成分作为主因子，第一个因子的特征值为11.568，解释了原有16个变量总方差的72.298%，前3个因子的累计方差贡献率为92.451%，由此可见提取3个主成分已足够替代原来的全部变量，几乎涵盖了原变量的全部信息。

表3　解释的总方差

提取方法：主成份分析。

采用最大方差法对因子载荷矩阵实施Kaiser 标准化的正交旋转使得因子载荷系数向0或1两极分化，使大的载荷更大，小的载荷更小，这样结果更具可解释性。根据旋转后的因子载荷矩阵(见表4)，第1个公因子F1在生产经营情况和R&D情况上都有较高的载荷，命名为生产研发因子，第2个公因子F2在X6、X7、X8上具有较大的载荷数命名为资产投资因子，第3个公因子F3命名为其他因子。

表4　旋转成份矩阵

提取方法：主成份。旋转法：具有Kaiser标准化的正交旋转法。a．旋转在5次迭代后收敛。

2.2.3综合评价指数的计算

通过将公因子作为因变量进行回归分析计算相应的因子得分系数，根据因子成份得分系数矩阵(见表5)，得出各因子得分函数：

Fj=aj1X1+aj2X2+aj3X3+…+ajiXi(i=1，2，3，…，m)

(8)

函数中的各个变量 不是原始变量而是无量纲的标准化变量。3个公因子得分表达式：

(9)

结合因子方差贡献率占3个因子总方差贡献率的比重作为权重进行加权计算综合评价指数函数[10]：

(10)

表5　成份得分系数矩阵

提取方法：主成份。旋转法：具有Kaiser标准化的正交旋转法。构成得分。

通过对我国高新技术产业29个省市每年的截面数据进行因子分析测算其综合评价指数，由于不同的截面数据因子分析所得的综合评价指数是相互独立的不具有可加性，对其进行加权平均容易导致误差的存在。本文采用因子分析法和改进的TOPSIS法结合，以每一年的截面数据综合评价指数的最大值和最小值作为最优向量和最劣向量，通过改进的TOPSIS法得出综合评价指数最靠近理想解同时又最远离负理想解的最优方案[11]。根据我国高新技术产业29个省原始数据标准化、因子分析评价指数函数式(9)、(10)和改进的TOPSIS法如式(2)～(7)，测算出2010～2014年的综合评价指数及排名(见表6)并根据排名分了4个梯度。

表6　高新技术产业发展综合评价指数及排名

续　　表

3　我国高新技术产业发展的时空格局演变分析

3.1时间维度演变分析

基于时间维度，2010～2014年我国高新技术产业发展梯度变化趋势(见图1)，但不同梯度的省市梯度变迁幅度存在显著差异，第一梯度的高新技术产业区域由广东、江苏、上海、山东、浙江、北京、福建7个省市组成，处于高新技术产业发展的最高层次，尤其是广东、江苏一直处于遥遥领先的地位，2010～2014年高新技术产业发展的第一梯度变迁幅度比较小，且其发展水平在一定程度领先于其他省市，提升和变动的空间都比较小，所以第一梯度一直由这7个省市组成。相对而言，第三梯度的高新技术产业发展水平相对落后但有很大的发展空间，各省份由于高新技术产业R&D活动的投入、固定资产的投入、政府政策变化等的不同都会导致高新技术产业发展速度的显著差异，在2010～2014年间梯度出现大幅度变迁，且7个省市高新技术产业发展都发生了跨梯度的变迁和发展水平处于波动状态。

图1　2010～2015年梯度变化趋势图

通过对各省的梯度变化趋势的分析，不同的省市的梯度变迁呈不同的上升或下降趋势(见图2)，贵州、黑龙江、海南、新疆4个省由于自身的工业化基础较差导致经济条件相对落后，高新技术产业发展处于第三梯度末或第四梯度，但是其发展的空间很大，2010～2014年4个省的发展基本上呈上升趋势且跨越了一个梯度上升到了第二梯度末或第三梯度；辽宁、河北、江西、吉林4个省可能由于政府对高新技术产业发展的支持力度不够和产业结构没有得到及时调整，高新技术产业发展梯度出现了下降趋势，尤其是辽宁出现了大幅度下滑，由2010年的第二梯度到2014年变迁到第四梯度。

图2　梯度上升和梯度下降明显的省份

3.2空间格局差异性分析

基于空间格局的差异性分析，本文选取了全国29个省市的数据，采用因子分析和TOPSIS法结合，测算了高新技术产业每年的综合评价指数及最接近理想状态的综合评价指数，通过对2014年和最理想综合评价指数的分析(见图3)，结果表明：2014年29个省综合评价指数呈指数趋势下降，第一梯度和其他3个梯度的高新技术产业发展水平存在着显著的差别，且其梯度内部7个省市之间也存在着明显的差异，广东的高新技术产业综合评价指数达到3.74，其综合发展水平遥遥领先于其他省市，从图3可以看出只有第一梯度的综合评价指数大于0，全国只有约25%的省市的高新技术产业的发展水平比较好，其他省市都处于相对较低的发展阶段，相对而言，第二梯度、第三梯度、第四梯度的2014年的综合评价指数都小于零且3个梯度的省市之间的发展水平差异比较小，从最理想状态的综合评价指数曲线可以看出其值都趋向于0，我国大部分省市高新技术产业发展水平较低，发达省市的高新技术产业与落后地区之间的高新技术产业存在着显著的差异，说明了我国的高新技术产业发展水平的空间格局分布不平衡。

图3　2014年和最理想综合评价指数趋势

4　结　论

通过采用因子分析法和改进的TOPSIS法的结合，本文从生产经营情况、固定资产投资情况、R&D及相关活动情况3个方面选取16个指标测算了2010～2014年每一年高新技术产业截面数据的综合评价指数，以5年的综合评价指数为基数，通过采用改进的TOPSIS法对得出综合评价指数最靠近理想解同时又最远离负理想解的最优方案，并对其以均值法进行梯度的划分和分析。基于时间维度，第一梯度的高新技术产业的发展水平处于最高层次且其梯度的变迁幅度很小(例如广东、江苏一直处于前两位)，相对而言，第三梯度的高新技术产业发展水平在2010～2014年经历了大幅度的波动，5年之间7个省市都出现了跨梯度的变迁，相对经济条件比较落后的地区(如贵州、黑龙江、海南、新疆)呈现了上升的趋势且都向上跨越了一个梯度。从空间格局角度看，我国29个省市高新技术产业发展水平存在着显著的差异，第一梯度内部的不同省市之间也呈现出较大的差别，广东高新技术产业水平处于遥遥领先的地位，综合来看，我国大部分省市高新技术产业的发展水平处于较低阶段，空间格局不同导致高新技术产业的发展出现了极度的不平衡现象。

参考文献

[1]国家中长期科学和技术发展规划纲要(2006～2020年)[J].中华人民共和国国务院公报,2006,(9):7～37

[2]Marcel Hülsbeck ,Elena N.Pickavé.Regional Knowledge Production as Determinant of High-technology Entrepreneurship:Empirical Evidence for Germany[J].Int Entrep Manag,2014,(10):121～138

[3]David Han-Min Wang,Tiffany Hui-Kuang Yu,Hong-Quan Liu.Heterogeneous Effect of High-tech Industrial R&D Spending on Economic Growth[J].Journal of Business Research,2013,66:1990～1993

[4]杨清可,段学军.基于DEA-Malmquist模型的高新技术产业发展效率的时空测度与省际差异研究[J].经济地理,2014,(7):103～110

[5]潘霞,鞠晓峰,陈军.基于因子分析的我国29个地区高新技术产业竞争力评价研究[J].经济问题探索,2013,(4):65～69

[6]张同斌,范庆泉.中国高新技术产业区域发展水平的梯度变迁与影响因素[J].数量经济技术经济研究,2010,(11):52～65

[7]刘昌年,张银银.中国高新技术产业竞争力评价研究[J].工业技术经济,2014,(4):28～35

[8]邵铁柱,于莎.基于因子分析的房地产上市公司财务绩效评价[J].科技与管理,2013,15:90～93

[9]鲁春阳,文枫,杨庆媛,等.基于改进TOPSIS法的城市土地利用绩效评价及障碍因子诊断——以重庆市为例[J].资源科学,2011,(3):535～541

[10]汪文雄,李启明.基于因子与聚类分析的中国建筑业产业竞争力研究[J].数理统计与管理,2008,(2):329～337

[11]罗国旺,刘衍民,黄建文,等.基于Topsis改进的因子分析模型在面板数据中的应用研究——以中国经济为例[J].数学的实践与认识,2015,16:77～85

(责任编辑：王平)

Spatio-temporal Pattern Evolution Analysis of China’s High-tech Industry Development——Based on 29 Provincial Panel Data from 2010 to 2014

Du WenzhongCui Yanli

(Guilin University of Electronic and Technology，Guilin 541004，China)

〔Abstract〕This paper selected 29 provincial panel data of China’s high-tech industry from 2010 to 2014.Since factor analysis only applied to cross sectional data,it uses factor analysis method and improved TOPSIS method to estimate the comprehensive evaluation index of the provincial high-tech industry development,and the gradient vicissitude of China’s high-tech industry was analyzed from the temporal and spatial dimension.The result shows that,based on the time dimension,there are differences in the gradient change of China’s high-tech industry from 2010 to 2014.From the space dimension,there are significant differences in development level of China’s 29 provincial high-tech industry,and the development level of high-tech industry in most provinces is low and the spatial distribution is not balanced.

〔Key words〕high-tech industry;factor analysis;improved TOPSIS method;gradient vicissitude

〔中图分类号〕F127

〔文献标识码〕A

DOI：10．3969/j．issn．1004-910X．2016．10．016

作者简介：杜文忠，桂林电子科技大学商学院副教授，博士。研究方向：区域经济、产业经济。崔艳丽，桂林电子科技大学商学院硕士研究生。研究方向：区域与产业发展。

基金项目：广西软科学研究计划项目(桂科软12252007)。

收稿日期：2016—05—19