基于动态因子分析法的中国区域科技创新能力比较研究

黄 丹， 张其明

(湖南科技大学 商学院， 湖南 湘潭 411201)



基于动态因子分析法的中国区域科技创新能力比较研究

(湖南科技大学 商学院， 湖南 湘潭 411201)

文章通过运用2010～2014年中国30个省市区的面板数据，采用动态因子分析法对我国区域科技创新能力进行比较分析。研究表明：我国各地区科技创新能力基本处于中等偏下水平，大多数省市区并未达到全国平均水平；各地区科技创新能力发展不平衡，不同区域之间存在显著差距；我国区域科技创新能力正逐渐呈现两极分化趋势，存在明显的区域集聚性。因此，我国及地方政府应因地制宜制定和调整科技创新发展战略，不断缩小我国各区域科技创新能力差距，促进我国科技创新能力协调发展。

动态因子分析； 区域科技创新能力； 平均综合得分

作为国家科技创新能力的关键组成部分，区域科技创新能力是区域内技术、人才、资金等各类科技创新要素共同作用的结果，是推动区域内产业结构调整和优化，以及区域经济稳定可持续增长的重要因素，其强弱决定了一个区域是否具有长期的经济竞争优势以及持续发展的动力。科学、客观地评价我国各区域的科技创新能力，不仅可以帮助国家及地方政府准确地认识到各区域科技创新能力的优势与不足，从而有针对性地制定和调整区域科技创新发展战略，保持和提高区域竞争优势；而且有助于国家正确把握各地区科技创新能力，通过分析找出宏观政策制定的缺陷，进而找到全国整体经济发展的方法和途径。[1]与发达国家相比，我国科技创新能力较低，原始创新能力不足。为促进我国经济稳定可持续发展，提高国际竞争力，我国政府将“自主创新”提升到了国家发展战略的高度。党的十八届五中全会指出“必须把创新摆在国家发展全局的核心位置”，“十三五”规划更是提出要“发挥科技创新在全面创新中的引领作用”。

近年来，区域科技创新能力逐渐成为国内外学者研究的热点课题，我国关于区域科技创新能力的研究日益增多。综合目前已有文献可知，学者主要通过改进突变级数(李泊洲和苏屹，2012)、SPA联系函数(荣飞和刘春凤，2006)、RBF神经网络(冯岑明和方德英，2007)、主成分分析(杨艳萍，2007；巴吾尔江等，2012)、因子分析(毕亮亮和施祖麟，2008；乔章凤和周志刚，2011)、灰色关联分析(徐辉和刘俊，2012)以及层次分析(陶雪飞，2013)等方法对我国各地区科技创新能力进行比较分析。[1-8]但由于以上方法仅从单个角度考虑我国区域科技创新能力的发展，割裂了时间、主体和变量这三者的关系，存在一定的局限性。因此，本文将运用动态因子分析法对2010～2014年我国30个省市区的科技创新能力进行比较分析*由于数据的可得性，暂时无法获取中国台湾、香港、澳门以及西藏等地区的相关数据，故此处只选取30个省市区作为研究对象。，从时间、主体和变量三个维度综合考察我国各区域科技创新能力，对我国各区域科技创新能力的动态变化以及平均综合科技创新能力给予评价。

一、区域科技创新能力评价指标体系的构建

区域科技创新能力评价的关键在于其指标体系的构建，设立一个科学、合理、系统的评价指标体系，是正确评价区域科技创新能力的前提与基础。区域科技创新能力是一个较为复杂的系统，在构建区域科技创新能力评价指标体系时，应尽可能涵盖与科技创新能力有关的所有因素，严格遵循选取评价指标时应注重的科学性、可比性、系统性、可行性及综合性等原则。本文借鉴杨艳萍(2007)、乔章凤和周志刚(2011)等相关学者构建的创新能力指标体系，从科技创新投入能力、科技创新产出能力、科技创新基础能力以及科技创新环境支撑四个方面入手，初步选取了34个影响中国区域科技创新能力的因素指标。[4,7]但由于在数据收集过程中，某些指标数据不全面、不能连续分析，因此本文最终选取了18个相关指标，构建我国区域科技创新能力指标体系(见表1)。

表1 中国区域科技创新能力指标体系

二、研究方法

动态因子分析法最初是由Coppi和Zannella于1978年提出，后由Coppi et al.和Corazziari分别于1986年和1997年进行完善，是一种多元统计分析方法，其基本原理是将主成分分析得到的截面分析结果和线性回归模型得到的时间序列分析结果综合起来再分析。[9-10]它综合考虑了主体、变量、时间三个因素，是一种三位阵列的统计分析方法。[11]

假定给定数组：

X(I,J,T)={xijt},i=1...I,j=1...J,t=1...T

(1)

其中，i表示不同主体，j表示不同指标，t表示不同时期。

动态因子分析法利用主成分分析法和线性回归模型将方差协方差矩阵S分解成如下两个部分[12]：

S= (*SI+SIT) + *ST=ST+ *ST

(2)

其中，*SI是主体的跨时期平均方差-协方差矩阵，即静态结构矩阵；

ST是利用主成分分析产生的各时期的平均离差矩阵；

*ST是线性回归模型所产生的不同时期的变异：

(3)

其中，残差需满足以下条件：

(4)

上述模型解释了在主成分影响下的变量j之间的关系。

动态因子分析法的步骤如下：

第一步：对数据进行标准化处理，消除量纲不同带来的影响；

第二步：根据各年份的方差-协方差矩阵S(t)，计算平均方差-协方差矩阵ST，具体表现形式如下；

(5)

第三步：计算ST的特征值、特征向量，以及各个公因子的方差贡献率和累计方差贡献率；

第四步：确定主成分个数k，并提取主成分FS1，FS2，...，FSk；

第五步：计算各样本的静态得分矩阵，得到各样本各主成分的静态得分；

(6)

第六步：求解各样本每年的动态得分矩阵，并根据所提取的主成分以及其方差贡献率来计算各样本的动态得分；

(7)

三、实证分析

(一)数据来源

本文选取了2010～2014年全国30个省市区的面板数据进行分析，所有数据来自于历年《中国统计年鉴》、《中国城市统计年鉴》、《中国科技统计年鉴》、各省份统计年鉴、国家统计局网站以及中国科技统计网站。

(二)实证分析

本文采取的动态因子分析法基于主成分分析和线性回归模型，借助STATA14.0作为分析工具。通过运行STATA14.0，首先对数据进行标准化处理，然后计算平均方差-协方差矩阵，最后得出各主成分的特征值、特征向量以及各主成分的方差贡献率和累计方差贡献率。各主成分的贡献率反映了解释各指标信息的百分比，而累积贡献率则代表所提取的几个主成分累积反映解释指标体系信息的累计百分比，具体结果见表2。

表2 动态因子分析法运行结果

由表2的运行结果可看出，前三个主成分的特征值分别为57.2161、14.7627和5.2048，远大于1，且这三个主成分的方差贡献率分别为64.60%、16.66%和5.87%，累计贡献率达87.11%(>85%)，说明选取三个主成分已经能比较充分地反映原来18个指标与各地区中的主要信息，即可以用提取出来的三个主成分来代表我国30个省市区的科技创新能力的综合水平。因此，本文提取第一、第二、第三主成分作为我国各地区科技创新能力的计算因子，代表原始指标对各地区科技创新能力进行分析与评价。根据主成分得分系数矩阵(即平均方差-协方差ST的特征向量)(见表3)，可以得到各个地区所提取的第一、第二、第三主成分与进行标准化后的原始指标之间的关系，即：

表3 主成分得分系数矩阵

续表

e1e2e3X7国内发明专利申请授权量0.27920.1295-0.0085X8新产品开发项目数0.272-0.0881-0.2853X9新产品销售收入0.2640-0.1003-0.3691X10互联网普及率0.17030.3486-0.1130X11客运量0.1943-0.26950.0973X12货运量0.1474-0.37510.3662X13人均地区生产总值0.15180.36580.1037X14地方财政科学支出0.27450.11030.0217X15地方财政教育支出0.2304-0.24770.1484X16普通高等学校在校生数0.1996-0.33120.3842X17进出口贸易总额0.27920.0422-0.2876X18实际使用外资金额0.241-0.07680.0950

根据表3可以看出，对第一主成分影响最大的因素为R&D全时当量和R&D经费支出。它们主要反映了一个地区科技创新投入的情况，因此可以将这个主成分称为科技创新投入因子。该主成分的方差贡献率高达64.60%，这说明科技创新投入是影响区域科技创新能力的最重要因素。对第二主成分影响最大的因素为技术市场成交额，主要反映一个地区的科技产出情况，该主成分的方差贡献率为16.66%，即说明该主成分是影响区域科技创新能力的第二重要因素，将这个主成分称为科技创新产出因子。而对第三主成分影响最大的因素为货运量、普通高等学校在校生数等因素，主要反映了一个地区的科技创新基础能力以及其科研环境支撑等，该主成分的方差贡献率仅为5.87%，是影响区域科技创新能力的次要因素，可称之为基础环境因子。结合表3以及主成分表达式即可得出我国30个省市区科技创新能力的第一、第二、第三主成分的静态得分，见表4。

表4 各地区第一、第二、第三主成分的静态得分

表5 科技创新能力综合得分和排名

(三)结果分析

通过比较2010～2014年我国30个省市科技创新能力的平均综合得分可以发现(见图1)，第一，我国各区域科技创新能力基本处于中游偏下的水平，大多数省市区未达到全国平均水平。根据平均综合得分将我国30个省市区分为三类地区可知，第一类地区的科技创新能力较强，第二类地区适中，而第三类地区的科技创新能力则相对薄弱。第一类地区仅包括了广东、江苏、北京、上海、浙江和山东6个省市区，即仍有24个省市区的科技创新能力处于中游偏下的水平。就全国平均水平而言，2010～2014年间，我国仅有广东、江苏、北京、上海、浙江、山东、天津、辽宁、四川共9个省市的科技创新能力达到全国平均水平，其他21个省市均落后于全国平均水平。除了四川省以外，达到全国平均水平的均为东部沿海经济发达的城市。

第二，我国区域科技创新能力发展极不平衡，不同区域之间存在显著差距。首先，根据平均综合得分将我国分为三大地区来看，第一类地区的平均综合科技创新能力得分基本维持在3.76左右，而第二类、第三类地区的平均综合科技创新能力得分却分别保持在-0.16和-1.60左右，显著低于第一类地区。其次，通过对比2010～2014年我国30个省市区科技创新能力的平均综合得分可以发现，近五年间，广东、江苏和北京的科技创新能力一直处于全国前三名，在全国范围内处于绝对优势的地位；上海、浙江和山东的科技创新能力也同样具有竞争力，在全国范围内处于上游水平。而宁夏和青海的科技创新能力排在我国后两位，与广东、江苏和北京等科技创新能力强劲的省市区相比，科技创新能力悬殊较大。

第三，我国区域科技创新能力逐渐呈现出两极分化的趋势，且存在明显的区域集聚性。根据平均综合得分将我国分为三大地区来看，第一类地区中各省市区的科技创新能力均不断增强，其中尤以广东、江苏和北京的增幅最为明显，上海、浙江和广东则较为平缓；第二类地区的科技创新能力处于动态变化之中，基本保持在-0.8～0.2之间，总体而言，除了天津和辽宁以外，第二地区中的其他省市区均不断向全国平均水平靠拢；而第三类地区各省市区的科技创新能力均呈现持续下降的趋势。据此可以推测我国区域科技创新能力正呈现出两极分化的趋势，若长此以往，则我国区域科技创新能力必定会处于强者越强，弱者越弱的极端态势。

图1 2010—2014年中国30个省市科技创新能力的平均综合得分

针对以上结果，可能的原因主要有：(1)科技投入。近年来，广东、江苏和北京不断加大其科技投入，创新产出成果丰富，科技创新能力持续增加，逐渐成为我国重要的科技创新基地，引领着中国的科技创新之路，而海南、宁夏、青海等地区，其科技创新投入严重不足，科技创新能力自然比较薄弱，与广东、江苏、北京等地区的差距也越来越大；(2)经济发展水平。一般而言，区域科技创新能力与该区域的经济发展水平存在较强的相关性，经济发展水平高的地区，其科技创新能力一般来说越强；(3)地理位置。优越的地理位置不仅有利于地区的经济发展，而且有利于引进高科技人才，进而使得科技投入能迅速转化为产出，科技创新能力自然就增强了。广东、江苏、北京、上海、浙江和山东基本属于东部沿海城市，交通便利，经济发达且高科技人才汇聚，因而其科技创新能力明显强于内陆闭塞、经济落后的地区。

四、结论和建议

本文选取了18个影响科技创新能力的相关指标，通过运用2010～2014年我国30个省市区的面板数据，采用动态因子分析法对它们的科技创新能力进行比较分析。研究结果表明：我国各区域科技创新能力基本处于中游偏下的水平，大多数省市区未达到全国平均水平；各地区科技创新能力发展不平衡，不同区域之间存在显著差距；我国区域科技创新能力逐渐呈现出两极分化的趋势，存在明显的区域集聚性。因此，建议国家和各级地方政府应该因地制宜制定和调整科技创新发展战略，提高自身科技创新能力和城市竞争力，不断缩小我国区域间的科技创新能力差距，促进我国科技创新能力协调发展。首先，不断加大科技投入规模，优化科技资源配置。一个地区科技创新能力的强弱最主要取决于该地区的科技创新投入，包括经费投入和人力投入，科技创新投入不足必然会影响该地区的科技创新成果产出。中、西部地区要不断加大科技创新投入规模，合理优化配置有限的科技资源，提高科技资金的综合使用效率，不断缩小与东部沿海地区之间的科技创新能力差距。东部沿海地区除了不断加大科技投入规模以外，更需要注重引进技术的消化、吸收和再创新，不断提高东部沿海地区的原始科技创新能力。其次，加大对科技产出成果的专项奖励，提高科技产出水平。国家以及各个省市区的地方政府应不断加大对科技产出成果的奖励力度，并根据科技创新产出成果的实用价值，加大对企业和个人的奖励额度。最后，加强产业转移，均衡我国科技创新能力发展。我们要结合中、西部地区的自身发展情况，将一些高新技术产业部门逐渐转移至中、西部地区，提高中、西部地区的科技创新能力，进一步促进我国各地区的科技创新能力协调发展。

[1]李柏洲, 苏屹. 基于改进突变级数的区域科技创新能力评价研究[J]. 中国软科学, 2012，(6)：90-91.

[2]荣飞, 刘春凤. 区域科技创新能力评价与态势分析[J]. 河北大学学报(哲学社会科学版), 2006, 31(6)：48-51.

[3]冯岑明, 方德英. 基于RBF神经网络的区域科技创新能力的综合评价方法[J]. 科技进步与对策, 2007，(10)：140-141.

[4]杨艳萍. 区域科技创新能力的主成分分析与评价——中原城市群科技创新能力的综合评价[J]. 技术经济, 2007，(6)：15-16.

[5]巴吾尔江, 董彦斌, 孙慧, 张其. 基于主成分分析的区域科技创新能力评价[J]. 科技进步与对策, 2012, 29(12)：26-30.

[6]毕亮亮, 施祖麟. 长三角城市科技创新能力评价及“区域科技创新圈”的构建——基于因子分析与聚类分析模型的初探[J]. 经济地理, 2008, 28(6)：946-954.

[7]乔章凤, 周志刚. 城市科技创新能力评价及实证研究[J]. 西安电子科技大学学报(社会科学版), 2011，(3)：62-64.

[8]徐辉, 刘俊. 广东省区域技术创新能力测度的灰色关联分析[J]. 地理科学, 2012, 32(9)：1075-1080.

[9]Coppi R, Zannella F. L’AnalisiFattoriale di unaSerieTemporaleMultipla Relative alloStessoInsieme di UnitàStatistiche[R]. XXIX Meeting of the Italian Stat. Soc, Bologna, 1978：61-79.

[10]王飞, 黄璨. 基于动态因子分析法的中部六省省会城市竞争力比较与分析[J]. 特区经济, 2013，(4)：25-26.

[11]黄璨, 邓宏兵, 李小帆. 基于动态因子分析法的四川省旅游业竞争力实证分析[J]. 长江流域资源与环境, 2013，(8)：1011-1012.

[12]Alessandro Federici, Andrea Mazzitelli. Dynamic Factor Analysis with Stata[EB/OL].[2017-05-18].http：//www.stata.com/meeting/2italian/Federici.pdf.i.

[13]胡日东, 李颖. 我国房地产业发展的综合评价——基于动态因子分析法[J]. 经济地理, 2011(11)：1863-1865.

A Study of the Regional Science and Technology Innovation Capacity Based on Dynamic Factor Analysis

HUANG Dan, ZHANG Qiming

(School of Business, Hunan University of Science and Technology, Xiangtan 411201, China)

This paper applies the Dynamic Factor Analysis based on the panel data of 30 provinces in China from 2010 to 2014 to empirically analyze the regional science and technology innovation capacity. The results show that China’s regional S & T innovation capacity was basically in the low mediate level and most provinces did not reach the national average level. The development of S & T innovation capacity is regionally unbalanced and significantly different. The polarizing trend of regional S & T innovation capacity embodies an obvious regional agglomeration. Therefore, the national and local government should make and adjust strategies for the development of S & T innovation capacity, shorten the distance of regional S & T innovation capacity and put forward the harmonious development of the national S & T innovation capacity.

Dynamic Factor Analysis; regional science and technology innovation capacity; average comprehensive score

2017-05-22

国家自科基金(71473078).湖南省教育厅科研重点项目(15A071)；湖南省研究生科研创新项目(CX2016B510)

黄 丹(1993—)，女，湖南常德人，湖南科技大学商学院硕士研究生。张其明(1992—)，男，湖南岳阳人，湖南科技大学商学院硕士研究生。

F207

A

1672—1012(2017)04—0078—08