基于AHP-熵权TOPSIS 法的区域人工智能产业创新策源能力评价

浦 悦，胡 斌

（上海工程技术大学管理学院，上海 201620）

一、引言

随着我国经济发展步入新常态，经济发展从投资、要素驱动逐渐转向创新驱动。“增强创新策源能力”作为习近平总书记在沪考察期间对上海产业发展及科创中心建设提出的指示，塑造创新策源能力是面对新一轮产业革命的重要任务。人工智能产业作为新一轮的重点产业领域之一，是撬动经济发展的重要支点，人工智能产业创新策源能力塑造为产业发展提供了有力抓手，其创新策源能力水平直接影响到国家和地区的综合竞争力[1]。从创新策源能力的内涵出发，建立区域人工智能产业创新策源能力评价指标体系，真实反映区域内人工智能产业创新策源能力情况，探讨各省市人工智能产业发展特点，对于区域提升科技治理水平，激发人工智能产业区域发展内生动力具有重要的理论与实际意义。

二、相关文献综述

区域人工智能产业创新策源能力评价，不仅涵盖领域内科学发现和技术发明对产业发展的支撑，更强调应用场景和成果转化对人工智能产业可持续发展的策动。创新策源概念的提出是国家进一步推动区域产业高质量发展的重要体现，衡量区域内人工智能产业创新策源能力水平十分必要。创新策源能力相关的研究主要集中于创新策源功能和创新策源地两个方面。

创新策源功能方面，上海社会科学院课题组（2016）[2]、杜德斌（2018）[3]指出创新策源功能是全球性创新型城市及区域产业可持续发展的重要特征，具有创新汇聚、筛选、释放三项子功能。在创新策源地方面，王业强等（2017）[4]通过梳理科技创新与地区差距的关系，提出了科技策源地龙头创新的发展机制。李石柱（2010）[5]认为高新区通过转变经济发展方式可以转型为战略新兴产业策源地，阐述了产业发展与策源地之间的关系。余江等（2020）[6]认为集成电路产业发展必须依靠跨科学、大纵深的开创性研究拓展产业领域知识边界推动重大原始创新。

产业发展评价方面，陈文俊等（2018）[7]采用聚类分析法和空间自相关分析法，对我国各省份生物医药产业发展水平进行了综合评价。陈文锋和刘薇（2016）[8]创新性地概括了战略性新兴产业发展质量的内涵，对各省份新一代信息技术产业发展质量进行了评价。朱建明和杨鸿瑞（2019）[9]运用模糊神经网络对我国部分区域版权产业发展综合水平进行预测评价。

本文从创新策源能力的内涵出发，围绕区域人工智能产业创新策源能力的影响因素进行分析，结合评价指标体系的构建原则和思路，构建了一套以基础研究影响力、核心技术引领力、应用场景拉动力、创新资源集聚力、创新创业环境吸引力为一级指标的区域人工智能产业创新策源能力评价指标体系。在此基础上，本文通过AHP 法和熵权法确定主、客观指标权重，采用综合赋权的方法得到综合权重，并根据TOPSIS 法建立评价模型，对我国31 个省市的人工智能产业创新策源能力作科学客观的评价。

三、评价体系构建

区域人工智能产业创新策源能力评价涵盖对一个地区人工智能领域基础研究培育原始创新、核心技术推动技术进步以及应用场景、创新资源和创新创业环境策动产业发展多个方面的考察。因此，针对区域人工智能产业创新策源能力的指标体系是一个多属性全面性的评价指标体系。

（一）评价指标体系的构建思路与原则

区域人工智能产业创新策源能力评价体系的构建思路是：从人工智能创新活动特点和实际情况出发，结合创新策源能力的内涵解读，围绕人工智能产业领域基础研究影响力、核心技术引领力、应用场景拉动力、创新资源集聚力和创新创业环境吸引力5 个方面建立定性与定量相结合，坚持全面性、系统性、可操作性和引导性原则，全面反映区域人工智能产业创新策源能力水平。

（二）评价指标体系的选取与构建

本文参考郭韬等（2017）[10]采用的度量方法及宋晓彤等（2019）[11]设置的指标体系，结合人工智能产业创新驱动的特点以及评价体系的构建思路与原则，最终确定了包含三级指标的评价指标体系，其中，一级指标5 项，二级指标10 项，三级指标22 项。本文选用基础研究影响力、核心技术引领力、应用场景拉动力、创新资源集聚力、创新创业环境吸引力等5 个指标作为一级指标，选用基础研究资源、基础研究产出、核心技术披露等10 个指标作为二级指标，选用计算机科学领域得到H 引用的文章数量、计算机科学领域顶级高校数量、计算机科学领域顶级论文录用数等22 个指标作为三级指标（见表1）。

1.基础研究影响力包括基础研究资源和基础研究产出两部分。基础研究资源的储备和基础研究产出的质量是人工智能产业发展的重要驱动力，具有基础性、前瞻性、原创性和影响力的基础研究是一个区域人工智能产业能否达到世界前沿水平的关键。因此，本文选取基础研究资源和基础研究质量反映基础研究影响力，具体指标有计算机科学领域得到H 引用的文章数量、计算机科学领域顶级高校数量、计算机科学领域顶级论文录用数以及计算机科学领域顶级论文被引用量。

2.核心技术引领力包括核心技术披露和核心技术价值两部分。核心技术引领力主要反映驱动人工智能产业创新策源能力形成所必备的计算机视觉、机器学习、自然语言处理、语音识别等核心技术的支撑情况。技术的进步对该领域的创新策源能力提升至关重要，核心技术的突破会进一步加快人工智能产业的发展[12]。本文主要从人工智能领域专利和技术市场的角度来分析核心技术引领力，具体指标有人工智能领域PCT 专利数量、人工智能领域专利申请数量、技术市场成熟度以及专利授权率。

3.应用场景拉动力包括场景研发条件和场景研发产出两部分。人工智能技术正加速在各行业深度融合和应用落地，新一代人工智能产业应用驱动的特征愈加明显，从这一角度出发，本文选取了人工智能领域独角兽企业数量、国家人工智能开放创新平台数量、数字经济劳动力需求以及高技术产品出口比重来反映区域内应用场景对于区域人工智能产业创新策源能力的驱动效应。

4.创新资源集聚力包括人才资源集聚和支撑条件集聚两部分。人工智能产业是高度知识、资本密集型产业，人才队伍、金融支持和数据资源集聚是人工智能产业发展的重要支撑条件。本文主要从高学历（大学专科及以上）人口比例、计算机科学领域专家数量、人工智能领域投融资规模、R&D 经费支出占GDP 比重以及科学数据中心数量来分析区域内人工智能产业创新资源的集聚情况。

5.创新创业环境吸引力包括创新环境水平和创业环境水平两部分。区域内积极的政策导向、良好的创新生态、友好的营商环境和有力的资本支撑对于人工智能领域人才、企业和资本的吸引是人工智能产业持续发展的重要支撑。因此，本文选用政府数据开放程度、科研协作水平、人工智能产业发展政策发布数量、外商投资企业数及人工智能领域投融资热度来分析区域营造人工智能产业创新创业环境吸引力的情况。

（三）指标权重确定

区域人工智能产业创新策源能力评价的另一关键环节就是指标权重的确定。为了确保权重体系的合理性与客观性，本文采用了层次分析法与熵权法综合赋权，从而保证评价结果的合理性和客观性，如图1 所示。

图1 AHP-熵权法综合赋权流程图

1.AHP 法主观指标权重确定。AHP 法是对系统进行综合评价的一种方法，可以实现定性与定量的综合分析[13]。AHP 方法通过构造两两比较的判断矩阵并通过计算赋予指标权重。具体步骤如下：

第一步：构造两两比较判断矩阵。假设每一层的决策目标为E，被评价对象为i=（1，2，…，m），评价指标为j=（1，2，…，n），αij表示该层次的第i 个被评价对象，第j 个指标下的相对重要性，αij的数值根据9 标度法确定，1 表示因素i 与因素j 同样重要，数值越大重要度越高，构建两两判断矩阵为：

第二步：权重计算。运用方根法确定指标权重：

表1 区域人工智能产业创新策源能力评价指标体系

第三步：一致性检验。当CR<0.1，则认为判断矩阵通过一致性检验；否则需要调整判断矩阵。

（1）计算最大特征根λmax：

（2）计算一致性指标CI：

（3）计算一致性比率CR：

上式中，RI 表示随机一致性指标，可直接查表获得。当CR<0.1 时，通过一致性检验，可计算同一层次中所有因素相对于总目标的排序权值。

2.熵权法客观指标权重确定。在综合评价问题中，熵是一个比较理想的度量尺度。因此本文采用熵权法对各个指标进行客观赋权。熵权法首先需要进行无量纲化和标准化，通过计算得到各个指标的信息熵来确定权重。具体步骤如下：

第一步：数据标准化。构建原始数据矩阵V=（νij）m×n，并运用极值处理法进行标准化处理，得到规范化矩阵X。计算公式如下：

以上均为正向指标的处理方式，对于逆向指标的处理方式，本文不再详细说明。

第二步：确定熵值。计算第j 个指标下，第i 个被评价对象的指标特征权重pij，并得出第j 个指标的熵值ej。

第三步：计算指标权重。计算指标效用值gj，并得出第j 项指标的权重wj。

3.主客观权重综合赋权。主客观权重综合赋权既避免了主观赋权过程的主观偏见，又避免了客观赋权法不能充分考虑客观规律的缺点，本文采用主客观权重综合赋权，得到综合权重wj综合。

上式中，α（0≤α≤1）表示主观权重偏好系数，为保证偏差平方和最小，本文选取α=0.5，即主观权重与客观权重各占组合权重的50%[14]。

4.TOPSIS 评价模型。逼近理想点法根据各指标实际数据集的最优数据和最劣数据，构造正负理想解，通过引入欧氏距离计算相对贴近度以进行综合评价[15]，具体步骤如下：

第一步：构建加权决策矩阵。加权决策矩阵Z 中共有m 个被评价区域，n 个指标，zij表示在第j 个指标下，第i 个被评价对象的评价数值，则Z 为：

上式中，zij=xij·wj综合，xij为式（9）中规范化矩阵对应元素，wj综合为式（14）中主客观综合赋权权重。

第四步：计算相对贴近度Ci：

相对贴近度以距离负理想解最远且距离正理想解最近为最优，即相对贴近度Ci（0≤Ci≤1）值越大，则该区域人工智能产业创新策源能力越强，从而对不同区域人工智能产业创新策源能力进行测度和比较。

四、实证研究

（一）数据来源与预处理

为了科学全面地对各省市人工智能产业创新策源能力作出评价，本文根据《中国统计年鉴》、《中国科技统计年鉴2019》、科睿唯安WOS 数据库、国家知识产权局、世界知识产权组织数据库WIPO、国家知识产权局、QS 世界大学排名等，以2010—2019年统计数据为依据，收集了中国31 个省市区（除港澳台地区）的指标数据。

由于评价指标体系中各指标量纲不同，为方便后期数据的处理与运算，保证不同量纲的指标数据合成。在综合评价之前，采用极值处理法对原始指标数据矩阵进行规范化处理来消除各指标间量纲的影响。

（二）指标权重计算

本文采用AHP 法与熵权法对各级指标进行综合赋权。首先采用AHP 法计算主观权重，通过式（1）～式（6），构造判断矩阵，并计算得出各层次的主观指标权重值；然后采用熵权法，在原始指标数据矩阵基础上，通过式（7）～式（13），计算客观指标权重值；最后利用式（14），结合计算得到的主、客观权重，进行综合赋权，获得更合理的综合权重，如表2 所示。

表2 区域人工智能产业创新策源能力评价指标体系综合权重值

（三）评价结果分析

运用TOPSIS 方法结合计算得出的指标综合权重值，利用式（15）～式（18）计算得出相对贴近度，并对31 个省市区进行排序，相对贴近度越大，区域人工智能产业创新策源能力越强，反之越弱，结果如表3 所示。

表3 TOPSIS 评价模型排序结果

由表3 可知，北京、广东和上海的人工智能产业创新策源能力表现突出，北京和上海作为一线发达城市，在人工智能独角兽企业集聚、投融资环境优异、人才吸引能力强等方面优势突出，而广东的电子信息产业高度发达，电子产业作为人工智能的重要载体，为策动人工智能产业创新发展提供了充足的应用场景和核心技术，因此具有很强的人工智能产业创新策源能力；在人工智能产业创新策源能力较强的省市中，以浙江和贵州等省市为代表，近年来坚持以大数据、人工智能作为省市产业转型升级的重要引擎，实现了人工智能产业跨越式发展，体现了政府创新治理在能力培育和夯实能力基础中的积极作用；在人工智能产业创新策源能力较弱的地区中，以农业省和老工业省份为代表，由于营商环境和基础设施薄弱，传统支柱产业面临转型升级，开展人工智能领域创新方面优势不明显，因此这些区域的人工智能产业创新策源能力水平较低。总而言之，人工智能产业创新策源能力的培育既需要强化基础研究影响力、核心技术引领力、应用场景拉动力、创新资源集聚力、创新创业环境吸引力的体系化能力建设，也需要建立起支撑创新策源能力提升的创新治理体系。

五、结论与建议

创新策源力作为创造价值和竞争优势的源泉，是推动区域人工智能产业高质量可持续发展的重要手段。在当前产业和新科技革命兴起的历史关键节点，创新策源能力的强弱是决定一个区域能否把握科技革命、产业革命的窗口机遇和建成创新策源地的决定性因素。本文基于AHP-熵权TOPSIS 法对31 省市的区域人工智能产业创新策源能力进行了综合评价，填补了现有文献缺少对于区域重点产业领域创新策源能力的综合评价研究，主要得出以下结论：（1）各省市区域人工智能产业创新策源能力存在较大差异，北京市、广东省和上海市的能力水平明显高于其他区域，区域人工智能产业鲜明优势是创新策源能力培育和提升的重要支撑。（2）从全国分布情况看，能力水平高的区域虽主要聚集于科学技术创新水平高、应用场景广泛及政策支持力度大的省市，但贵州等一部分经济落后的省份凭借着前瞻性的布局和决策同样走在了产业前沿，政府创新治理在区域人工智能产业创新策源能力培育和提升过程中起到了重要的保障作用。

根据以上结论，基于当前各省市人工智能产业区域创新发展的实际，可以从以下几个方面为区域人工智能产业创新策源能力培育和提升提供有力支撑。

第一，保持对人工智能产业高强度的战略投入，夯实人力资源基础，鼓励地方政府实施引领性战略性技术路线图，明确人工智能领域科学布局。

第二，深化区域人工智能产业一体化，促进开放式创新，通过竞争向竞合转变弥补部分区域在应用场景和创新创业环境方面的弱势。

第三，组织牵头大科学计划与工程，对于人工智能产业“卡脖子”关键共性技术进行研发攻关，发挥集中力量办大事的体制机制优势，实现产业发展整体提升。