基于因子分析法的省域技术创新能力评价研究

孟娜

摘   要：本文在构建技术创新能力评价指标体系的基础上，运用因子分析法，对我国31个省市2012年～2017年的技术创新能力进行综合评价。研究发现：技术创新经济效率、技术创新知识效率以及技术创新潜力是影响地区技术创新能力的三个关键要素;东部地区、中部地区、西部地区的技术创新能力依次降低。

关键词：技术创新;区域经济;因子分析

一、引言与文献综述

党的十九大明确提出创新是引领发展的第一动力，是实现我国建设现代化经济体系的重要战略支撑。在过去的八年间，我国R&D经费支出从2012年的1029.8亿元上涨至2018年的19657亿元，创新活力与日俱增，创新成果显著。创新能力已然成为区域竞争的核心着力点，其能力的高低直接反映了区域的知识、技术、经济发展状况，创新能力的测度成为国内外学者的研究热点。

区域技术创新能力是特定区域的综合性创新能力，指一种将知识创新与技术发明等创新转化为新产品、新工艺、新服务的能力，即创新成果商业化的能力。现有关于技术创新能力衡量的方法主要有单指标衡量以及多指标综合评价两种方法。单指标通常选取新产品销售收入、专利申请量或者专利授权量等指标来代表技术创新绩效，多指标综合评价则通过构建相应的技术创新绩效评价指标体系，运用DEA、灰色关联度、因子分析等方法测度技术创新能力的相对高低。由于单指标所包含的创新信息有限，相关研究以多指标综合评价为主。韩兵和苏屹等（2018）将高新技术企业的R&D人员投入和新产品开发经费支出作为创新投入量，以专利申请量与新产品销售收入作为创新产出，运用两阶段DEA模型分析了不同省份高新技术企业的技术创新绩效。金玉石（2019）运用灰色关联模型，从创新投入、创新产出、创新支撑环境以及创新的可持续性四个维度分析了吉林省技术创新能力关键影响因素。蔡文春（2015）从创新投入、创新环境、创新主体、创新效率四个维度对四川省21个地州市的技术创新能力开展研究。陈华彬（2018）基于因子分析的视角，从创新投入、创新产出、创新环境三维度构建了长江经济带的绿色技术创新绩效指标体系，得出创新能力、创新环境、创新生态是影响绿色创新能力的关键因素。综上可知，以创新投入、创新产出以及创新环境这三个维度展开技术创新能力指标体系的构建得到了学者们的普遍认同。

部分学者运用DEA、动态组合评价方法、因子分析等对我国省域技术创新能力进行了实证分析，为提高区域技术创新能力出谋划策。潘娟和张玉喜（2018）运用DEA对2005～2015年我国省域的政府、企业以及金融机构科技金融投入的创新绩效进行研究，发现省域、区域之间的创新绩效差异明显，东部地区明显优于其他地区。徐银良和王慧艳（2018）运用三阶段DEA对我国30个省域的科技创新驱动产业升级的绩效评价开展研究，发现科技创新驱动产业升级绩效水平区域差异明显，其与区域的经济发展水平、创新能力息息相关。徐林明、孙秋碧等（2017）基于Borda法的动态组合评价方法，对我国东部地区的区域协同技术创新能力进行分析，结果发现东部地区中北京的区域协同创新能力最强，而海南的区域协同创新能力较弱，一直处于东部地区末位。蒋振威和王平（2016）年以海南为研究对象，对其区域创新能力展开分析，结果发现海南省各市县技术创新有聚集特征，与海南省经济发展格局不同。陈华彬（2018）基于因子分析的视角，发现长江经济带的绿色技术创新绩效水平层次不齐，应完善各地区的联动协调机制，促进各地区的均衡发展。已有研究基本认同了我国创新能力区域发展不均衡的现状。

综上所述，现有研究从理论与实证方面完善了区域技术创新能力的研究，但因指标选取差异、分析模型差异等导致结果不一致，且多数研究局限于截面数据，研究结论缺乏代表性。本文遵循已有的研究模式，从“投入-产出-环境”三维度构建包含25个指标的区域技术创新能力评价指标体系，收集我国31个省市2012～2017年6年间的指标数据，运用“去时间化”处理与因子分析法相结合，对我国各个省市的技术创新能力进行综合评价分析，探寻研究期内影响区域技术创新能力的关键因素，并针对区域技术创新均衡发展提出对策。

二、实证分析

（一）因子分析法

因子分析法属于多指标综合评价方法的一种，主要依托多变量的数据所提供的丰富信息，提高结论的说服力。但繁杂的数据增大了研究的工作量，同时可能会因其变量之间的相关性，增加了研究问题的复杂性。因子分析法就是从研究变量内部相关的依赖关系出发，把一些具有错综复杂关系的变量归结为少数几个互不相关的综合因子，实现了数据的降维，降低了研究的工作量与难度。

（二）数据来源及评价指标体系的建立

本文从创新投入、创新产出以及创新环境三个方面入手，构建了关于我国各省市技术创新能力的三层级评价指标体系。该体系共选取了25个指标，包括的研究主体有规模以上工業企业、高新技术企业、高校、研究与开发机构以及对创新活动提供支持的政府，具体的评价指标体系如表1。各指标数据均来自于2013～2018年的《中国科技统计年鉴》。

（三）因子分析过程及结果分析

本文运用SPSS20.0软件对2012年～2017年的6组截面数据首先进行“去时间化”，即将其置于同一维度中进行研究，降低了研究结果的偶然性。通过建立各省市技术创新能力分析模型，对影响区域技术创新能力的关键因子、关键指标进行识别，在保留原始数据较大信息量的同时实现降维。在进行分析时，考虑到原始数据量纲的不同，首先需要对原始数据进行标准化处理，以消除量纲的影响。在进行主成分提取之前，需要标准化后的原始数据满足两个假设条件，一是数据需是连续变量或者有序分类变量，二是变量之间存在线性相关关系。本文的数据均为连续变量，满足假设一;然后需要通过KMO检验以及Bartlett球形检验判断其数据之间是否存在线性相关关系，即是否适合做因子分析。KMO检验主要用来判断数据之间的相关性，其系数介于0与1之间，KMO值越接近1，表示数据相关性越高;通过KMO检验和Bartlett球形检验分析各指标数据结构，结果如表2所示：KMO值为0.893，大于0.5，Bartlett球形检验的P值为0.000，小于0.001，显示该指标数据结构很好，具有相关关系，适合进行主成分提取。

通过计算相关系数矩阵、因子载荷矩阵和旋转后的因子载荷矩阵，依据特征值大于1的原则来进行主成分的提取，在保留原始数据较多信息（90.073%）的同时实现降维，得出创新能力公因子的特征值、方差贡献率以及累计方差贡献率，如表3所示。从表3可知，此次因子分析共提取了3个主成分。三个主成分的特征值分别为16.672、4.318、1.528，分别解释数据总体变异的66.687%、17.272%、6.114%，累计解释数据变异的90.073%，大于80%，表明前三个公因子所包含的信息能很好地反映原始数据所提供的信息，可以将其表示为F1、F2和F3。

对因子载荷矩阵使用最大方差法进行5次旋转，得到旋转后的因子载荷矩阵，具体如表4所示，其中加粗部分表示该公因子在相应指标上具有较大的载荷和解释能力。如表4所示，其中第一个公因子F1在R&D经费外部支出、高新技术企业数、规模以上工业企业数、R&D人员折合全时当量、高新技术企业新产品销售收入、高新技术企业新产品开发经费支出、R&D经费内部支出、规模以上工业企业新产品开发经费支出、规模以上工业企业新产品销售收入、国内专利申请授权数、国内专利申请受理数、地方财政教育支出、地方财政科学技术支出、地区生产总值这14个指标上具有较强的解释力度，这几个指标主要与高新技术企业和规模以上工业企业的研发情况有关，反映了企业的研发投入与研发产出之间的关系，且产出以专利与新产品销售收入为主，符合企业的研发主要目标。且F1对数据总体变异的解释力度最高，为66.687%，也说明了企业作为创新活动最活跃的群体，其创新绩效对区域创新能力有较大的影响，因此可以将F1所代表的经济意义视为技术创新经济效率因子。

第二个公因子F2在研究与开发机构发表科技论文、研究与开发机构出版科技著作、研究与开发机构R&D人员折合全时当量、高等学校R&D人员折合全时当量、高等学校发表科技论文、高等学校出版科技著作、研究与开发机构数、省人均GDP这8个指标上具有将强的载荷，这几个指标的研究主体以高校和研究与开发机构为主，产出以科技论文与科技著作为主，因此可以将F2所代表的经济意义理解为技术创新知识效率因子。

第三个公因子F3在高等学校数、高等学校专任教师数、规模以上工业企业内部研发支出中政府资金这3个指标上具有较强的解释力度，其主要与教育相关，区域教育水平的高低与创新人才的培养息息相关，因此可以将F3所代表的经济意义理解为技术创新潜力因子。

通过公因子得分矩阵（因篇幅有限，此处不作列示），可以得出公因子F1、F2、F3的得分，以各个公因子的方差贡献率占三个公因子的累计方差贡献率的比重为权重，可以得出各省市2012～2017年6年间的技术创新能力综合得分为F=（0.4525×F1+0.26794×F2+0.18029×F3）/0.90073，结果如表5所示。

依据表5所得的31个省市6年技术创新能力得分，进行第二次因子分析，以得出各省市技术创新能力的综合得分。具体分析步骤同上，首先判断数据结构的相关性。结果显示KMO值为0.822，大于0.5，且Bartlett球形检验的P值为0.000，小于0.001，均表明数据适宜进行主成分提取。依据特征值大于1的原则，可以提取一个公因子Factor1，可以解释数据总体变异的99.106%（因篇幅有限，此处不作列示），即Factor1所表示的信息足以解释数据的总体变异。各年度技术创新能力综合得分对于Factor1的得分系数矩阵如表6所示。

因此次因子分析仅提取了一个公因子，则各省市技术创新能力综合得分=Factor1=0.167×F2012+0.168×F2013+0.168×F2014+0.168×F2015+0.167×F2016+0.166×F2017=Factor1×0.99106/0.99106，詳细计算结果及排名如下表7所示。

各省市的技术创新能力差距明显，最高得分为广东省的2.8976，最低得分为西藏的-1.0136。其中得分在0以上的依次有广东、江苏、北京、浙江、山东、上海、湖北、四川、河南、辽宁、安徽这11个省市，其中东部区域有7个，中部区域有3个，西部区域有1个;得分在0以下的依次有天津、湖南、福建、陕西、河北、重庆、黑龙江、吉林、江西、广西、内蒙古、山西、云南、贵州、新疆、甘肃、海南、宁夏、青海、西藏这20个省市，其中东部区域有4个、中部区域有5个、西部区域有11个。总体来看，我国各省市的技术创新能力呈现出东部最优、中部次之、西部相对较差的现状，这与我国区域经济发展不平衡的现状相吻合。

三、结论与对策

本文研究显示：我国各省市对技术创新的重视程度日益提高，创新投入加大、创新成果显著，但区域之间在技术创新能力方面差距明显，区域发展不平衡的问题日益凸显。其中，东部地区创新能力普遍较高，中部地区技术创新能力中等，西部地区技术创新能力相对较差。

为提高各省市的技术创新能力，实现区域技术创新能力的均衡发展，依据实证分析研究结果，特提出以下建议：（1）企业作为创新活动中最活跃的群体，其对地区技术创新能力的影响远高于其他主体。当地政府应在税收与产业政策方面对企业开展的创新活动予以支持与优惠;积极搭建创新资源共享平台，主导政产学研协同创新;积极建设高新技术产业园区，吸引优秀高新技术企业的入驻，带动区域创新活力;营造良好的创新氛围，加深企业之间的竞争与合作。（2）高校、科研机构作为创新知识产出的主体，其与企业的创新活动之间呈现螺旋式上升过程，创新是实践与理论的碰撞与升华，当地政府可以积极引导企业与高校、科研机构的合作交流，促使创新成果的商业化。（3）技术创新潜力也是提高区域技术创新能力的关键因素。各地区应有科教意识，坚持创新、教育两手抓。各地区在积极开展创新活动的过程中，应积极推动当地高校的建设，落实科学的人才落户政策，吸纳优秀的教师人才，为创新人才的培养奠定基础。

技术创新能力是区域经济发展的不竭动力，而区域间技术创新能力的差异将导致区域经济发展更大程度的不平衡。各地区应积极鼓励引导当地企业的创新活动，协调高校以及科研机构的发展，注重教育事业，关注创新人才的培养，走出一条具有地方特色的技术创新道路。

参考文献

[1]金玉石.基于灰色关联模型的省域技术创新能力测度[J].统计与决策，2019，35（04）：59-62.

[2]傅为忠，李怡玲.区域技术创新能力对环境绩效影响的实证研究——基于SEM-PLS和DEA相结合[J].工业技术经济，2015，34（08）：81-90.

[3]Cooke P. Regional Innovation System： The Role of Governances in a Globalized World[M]. London： UCL Press 1996.

[4]韩兵，苏屹，李彤，万民.基于两阶段DEA的高技术企业技术创新绩效研究[J].科研管理，2018，39（03）：11-19.

[5]蔡文春，杨育箐，谭继成.基于因子分析的四川省创新型城市综合评价[J].商业经济研究，2015（30）：144-145.

[6]陈华彬.长江经济带绿色技术创新绩效研究——基于因子分析法的视角[J].重庆理工大学学报（社会科学），2018，32（08）：34-44.

[7]潘娟，張玉喜.政府、企业、金融机构科技金融投入的创新绩效[J].科学学研究，2018，36（05）：831-838+846.

[8]徐银良，王慧艳.中国省域科技创新驱动产业升级绩效评价研究[J].宏观经济研究，2018（08）：101-114+158.

[9]徐林明，孙秋碧，李美娟，欧忠辉.区域协同创新能力的动态组合评价[J].统计与决策，2017（09）：68-70.

[10]蒋振威，王平.海南区域技术创新能力评价与空间差异性分析——基于2009—2014年海南18个市县面板数据[J].经济地理，2016，36（11）：24-30.

[11]张艾莉，李月明.基于等级划分的我国区域创新能力差异分析[J].科技进步与对策，2016，33（10）：28-33.

责任编辑、校对：王兆华