我国省级科技创新能力指标体系的构建

杨玉东，曲晓娜

（1.山西交通科学研究院集团有限公司，山西 太原 030006；2.山西财经大学，山西 太原 030006）

0 引言

伴随着经济与社会的发展，科技进步和创新已成为增强综合国力的决定性因素。《习近平关于科技创新论述摘编》中指出，创新是引领发展的第一动力。抓创新就是抓发展，谋创新就是谋未来。适应和引领我国经济发展新常态，关键是要依靠科技创新转换发展动力。可见科技创新其重要性。近年来“高铁”、“5G”等一些科技创新被世界所认可，表明我国科技创新能力正在逐步发展，但我国仍处于社会主义初级阶段，科学创新水平还有相当大的发展空间，因此对于我国科技创新的研究很有必要。

当前对于科技创新能力研究主要集中在对各科技创新指标确定权重，主要运用层次分析或因子分析法对科技创新能力进行评价。冯套柱等（2008）对2006 年陕西省10 个地级市相关数据运用因子分析法构建出区域科技创新能力评价模型，对各一级指标找出主成分，计算各一级指标的得分及综合得分，对各地级市的科技创新能力进行评价[1]。时培芬等（2011）对2009 年山东省17 个地区的企业数据使用因子分析法提取出主成分，对各地区的科技创新测度综合得分，对山东省日照市的企业科技创新能力做出评价[2]。陈媛等（2014）首先对济南市构建了科技创新评价指标体系，选取2013 年济南市各县数据进行层次分析，确定了各指标所占权重，最后对各县的科技创新综合评价值进行排序[3]。郭金兴等（2019）使用我国各地2008—2017 年有关科技创新数据，运用层次分析法计算指标的权重，对各地的科技创新水平进行分析与比较[4]。

除上述研究之外，还有部分学者用其他方法来研究科技创新，主要使用数据包络分析法、聚类分析法或者多种方法综合使用来进行分析。Eric C.Wang等（2006）采用生产框架与数据包络分析方法相结合来评价各国研发活动的相对效率。在30 个国家采用了三阶段方法，使用DEA 评价效率和使用Tobit 回归来控制外部环境。结果表明，不到一半的国家在研发活动中完全有效，大多数国家在发表SCI 和EI 出版物方面具有比产生专利更显著的优势[5]。 李文辉等（2019）首先使用主成分分析法对我国2004—2016 年的高校科技创新能力进行分析，在此基础上，用数据包络分析模型构建指标体系，最后基于DEA 模型计算了Malmquist 指数来测度科技创新全要素生产率[6]。徐辉军等（2019）收集了2016 年长三角地区数据进行FCM聚类分析，通过比较研究法研究了各地区的优缺点[7]。Damián Tojeiro-Rivero 等（2019）假设公司的网络活动向创新的转变可能因公司所在的区域环境而异。对于2000—2012 年期间的西班牙制造业使用多级框架方法，得出区域环境不仅对企业的创新绩效有直接的影响，而且对企业网络活动的回报也有影响，最后结果表明创新活动的开展对知识密集型企业更有利，而研发外包对知识储备低的企业更有利[8]。

通过对之前文章的研究发现：学者们主要是对指标赋予权重，直接用原有指标来衡量各地科技创新能力。但是收集到的原始指标太过繁杂，因此本文想通过降维来使指标简化，此外还对数据进行了更新，故本文选取了我国2017 年各省份有关科技创新指标采用因子分析方法来进行分析。

1 科技创新能力指标选取

本文通过借鉴国内外学者对科技创新、科技竞争力等方面的相关研究，对我国各省的科技创新水平建立指标体系。基于科技创新的实际活动过程和数据的可得性，本文将科技创新分为了投入、环境及产出三大部分，21 个指标来进行研究（见表1）。

科技创新投入部分主要包含人力、财力方面的支出，是决定科技创新规模的决定性因素；科技创新环境主要是指投入是在什么样的大环境下发挥作用，其中包含科技环境、市场环境、教育环境、国际环境及政策环境；科技创新产出表示投入在环境的影响情况下会得到怎样的效果。

表1 科技创新评价指标

本文收集了2017 年全国31 个省份的相关指标，数据来源于《中国科技统计年鉴》《中国统计年鉴》《中国金融年鉴》《中国区域经济统计年鉴》，其中西藏地区关于高技术产业新产品主营业务收入的2017 年数据缺失，基于对之前数据的比较，发现西藏地区该指标的相邻年份之间数值差别很小，所以采用2016 年的数据进行代替。

2 实证分析

从所选指标上来看，指标数量过于冗杂，不能明显看出哪些指标对于科技创新起到了至关重要的作用，并且我们不能只通过其中某一个指标来对我国31 个省份的科技创新能力进行排序。因此，为了对31 个省份的科技创新能力有一个更加客观的评价，本文选择使用因子分析方法来对上述指标进行降维，提取出主要因子，进而计算出各省的因子得分来综合判断各地区科技创新能力的强弱。

2.1 数据处理及提取因子

由于指标之间量纲不一，相互之间很难进行比较，因此需以标准化的原始数据来做之后的分析，使变量具有可比性。但即使对数据进行了标准化，也不能保证指标可以做因子分析，所以需提前对处理后的变量做可行性检验。KMO 检验统计量是用于比较变量间相关程度的指标，取值范围在0 和1 之间，在多元统计中，经常使用KMO 检验统计量来判断数据是否适合做因子分析或主成分分析。KMO 值越接近于1，变量之间的相关程度就越高，就越适合作因子分析；反之，KMO 的值越接近于0，所得数据越不适合作因子分析，故本文选择KMO 检验统计量来做适宜性检验。从表2 中可知，KMO 统计量为0.750，而且Bartlett 球度检验的p 值小于0.05，结果表明，本文选取的指标数据可用于因子分析（见表2）。

表2 适宜性检验KMO 测度值

从表3 中可以看到，提取出的3 个因子可以解释原始变量89.714%的方差，包含了原始数据的大部分信息，同时提取出的3 个主要因子的特征值均大于1，表明提取3 个因子是比较合适的。

表3 特征根与方差贡献表

2.2 计算因子得分并排序

求出公因子之后，我们希望找出这些因子与原始指标之间的线性关系，以便进一步进行分析，将原始数据导入SPSS 软件中处理，得到因子得分系数矩阵（见表4），将每个指标对于每个因子的得分看作系数。

表4 因子得分系数矩阵

由上述内容可知，本文对21 个指标进行降维提取出 3 个主成分，将 3 个主成分分别记为 F1、F2、F3，并得出3 个主成分得分为：

对主成分表达式的系数取绝对值后进行比较后，可大致对这些主成分进行命名。从第一主成分来看，高技术产业有效发明专利数、普通高等学校本科毕（结）业生数、新产品开发经费支出、专利申请数、高技术产业新产品开发及销售主营业务收入5 个指标排名前五，主要反映专利及新产品方面，因此可将第一主成分命名为发明因子；从第二个主成分来看，各地区研究与试验发展经费投入强度、技术市场成交额、人均互联网宽带接入端口、高等学校R&D 经费内部支出、普通高等学校本科毕（结）业生数5 个指标排名在前，主要反映技术层面，因此将第二主成分命名为技术因子；从第三个主成分来看，普通高等学校本科毕（结）业生数、地方财政支出、高校科技论文发表数量、人均互联网宽带接入端口、市场化指数排名靠前，基本都为技术创新环境指标，故命名第三个主成分为创新环境因子。

得到主成分得分后，通过这3 个因子分别的特征值在总特征值中的比例来确定各因子所占比重，进而计算各省在科技创新方面的综合得分（见表5）。由表3 可知，综合得分为：F=0.782F1+0.158F2+0.06F3。

表5 各省份科技创新能力得分及排名

3 结论及建议

为了解我国各省的科技创新能力水平，本文构建了科技创新能力指标体系，将科技创新分为投入、环境及产出三大部分21 个指标，使用SPSS 软件进行因子分析，通过降维将多个关于科技创新能力指标转换为3 个综合因子，从而减少需要分析的变量，减少问题分析的复杂性。通过对3 个主成分（综合因子）分别的特征值在总特征值中的比例来确定各因子所占比重，进而计算各省在科技创新方面的综合得分。初始的21 个指标都是客观的，直接可以获得数据，而平时我们更多关心的是如发明情况、技术能力、创新环境情况等这些抽象的问题，因此抓住提取出的3 个综合因子可以帮助我们对我国的科技创新能力进行深入分析、正确评价。

通过运用该科技创新能力指标体系进行实证分析，测度了各省的综合得分。从整体来看，科技创新能力综合得分前三名的地区为：广东省、江苏省、浙江省；陕西、河南、黑龙江等地排名末尾，我国大部分地区的科技创新能力仍为负值，表明我国科技创新水平还比较低，需大力发展。从单个因子排名来看，广东省的发明能力远在其他省之上，江苏省、浙江省的发明能力虽不及广东省，但相较于其他省份来说也比较强，这离不开高新技术产业的集聚；在技术能力层面，北京市、上海市、浙江省的排名居于前三，这3 个省的经济都位于我国的发达层次，因此技术能力与经济水平是同向发展的。在创新环境因子方面，河南、山东、江苏都表现出具有良好的科技创新环境。综合来说，各地得分最主要还是取决于当地的投入，因此要想提高科技创新能力，必须加大在投入方面的力度。

针对各地的科技创新发展，本文提出以下几点建议：一是各地应该根据自身的科技创新环境来对科技投入进行适度调整，从而使资源利用率最大化，避免浪费资源；二是完善科技创新环境，当地政府应该积极支持，尽可能打造一个适合科技创新因素发展的平台；三是扩大各地区的开放程度，学习和吸收其他地区的科学技术，并在此基础上打造属于具有自身特色的科技创新体系。