基于因子分析法的农业科技创新能力评价研究

吕阳 李成标

摘要：运用因子分析法，提取了影响中部六省农业科技创新能力的四个共同因子，并在此基础上使用聚类分析法对中部六省农业科技创新能力的发展现状进行了分类，分析结果与中部六省实际情况大致吻合。最后，得到中部六省农业科技创新能力的综合排名，并给出了相应的建议。

关键词：农业科技创新能力;中部六省;因子分析;聚类分析

中图分类号：F224;F323.3        文献标识码：A        文章编号：0439-8114（2015）23-6109-05

DOI：10.14088/j.cnki.issn0439-8114.2015.23.078

Study on Evaluation of Agricultural Scientific and Technological Innovation Capability Based on Factor Analysis：A Case Study on Six Provinces of Central China

LV Yang， LI Cheng-biao

（School of Management， Yangtze University， Jingzhou 434023， Hubei， China）

Abstract： The factor analysis was used to extract four common factors that affect the agricultural scientific and technological innovation capability of the six central provinces， based on which， the status quo of agricultural scientific and technological innovation capability was classified by using cluster analysis. The results are accorded with the actual situation of Six central provinces. Finally， the ranking of agricultural scientific and technological innovation ability of the six central provinces was obtained， and the corresponding recommendations were given.

Key words：agricultural scientific and technological innovation capability;the six provinces of central China;factor analysis;cluster analysis

现代农业的发展离不开科技创新，科技水平的高低从根本上决定了农业、农村发展的前景[1]。农业科技创新能力决定着区域的经济发展态势、农民生活水平的高低。从2004-2013年，中共中央连续出台了10个“一号文件”均把农业科技创新作为重要的建设领域。2012年中央发布题为《关于加快推进农业科技创新持续增强农产品供给保障能力的若干意见》的一号文件中提出，农业科技是实现农业持续稳定发展的根本出路，是确保国家粮食安全的基础支撑，是突破资源环境约束的必然之路，是加快现代农业建设的决定力量。中部六省作为中国主要农业产地，近年来农业取得了良好发展，增速较快。但是，中部六省在政策制度、地域、资源禀赋、环境等方面存在差异，因而六省在农业科技创新能力发展水平上仍存在显著差异。因此，加快中部六省农业科技创新能力建设，对支撑地区农业经济增长，提高农业整体竞争力，并实现经济社会的可持续发展具有重要意义。

目前，对农业科技创新能力进行评价的相关研究有：陈丽佳[2]用多指标多层次综合评价法对广东省各市农业科技创新能力进行综合评价，根据综合评价值计算出各市综合排名，进而将广东省的农业科技创新能力划分为4个层次以及创新层次;以柳卸林等为代表的中国科技发展战略研究小组[3]对2000-2004年的中国各省的区域创新能力进行了评价;纪邵勤[4]系统全面地研究了中国农业科技创新体系的活动主体、相关要素以及运行机制，提出构建新时期中国农业科技创新体系的思路、原则、目标、结构设计、功能定位以及体制和运行机制创新等;魏康宁等[5]以安徽省为实例，用T0PSIS模型对其创新能力进行了简单分析，并提出了相应建议;林伯德[6]提出以科技创新的链环—回路模型作为评价农业科技创新能力的依据，并基于该理论分析了其对农业科技创新能力评价的启示，构建了农业科技创新能力评价模型;王林[7]论述了农业科技创新必须重视知识经济的挑战，以及知识经济时代农业科技创新的主攻方向;马利华等[8]以形成“目标-建设-评价-建设-目标”系统的科技建设指导理论和模式机制为出发点，以县域农业科技创新能力及其指数定义为基础，研究了县域农业科技创新能力的构成体系;朱玉春等[9]运用多元统计学中的主成分分析和聚类分析的方法，分别对中国31个省份的农业科技创新能力进行了评价与比较;陈奇榕等[10]研究了农业科技创新水平评估原则、指标体系以及建立综合评估模型与评估指数的计算方法步骤，同时进行了农业科技创新水平评价指标测算实证与分析。近年来，因子分析和聚类分析结合的应用较广泛，但就现有文献来看，因子分析和聚类分析在中部六省农业科技创新能力的评价上鲜见报道。本文将用因子分析法准确客观地找到影响中部六省农业科技创新的共同因素，分析中部六省农业科技创新存在的差异以及导致差异的主要原因，为中部六省有针对性地制定农业发展政策提供理论依据。

1  评价指标体系的确定

构建科学合理的农业科技创新能力评价指标体系，是农业科技创新能力综合评价的基础和前提，也是做好农业科技创新能力评价的关键。但影响农业科技创新能力的因素多而复杂。本文在严格遵循设计指标体系科学性、可比性、综合性、易操作性和代表性等原则下，查阅大量文献，借鉴相关评价理论与方法，并结合中部六省实际状况，从农业科技创新投入能力、农业科技创新支撑能力、农业科技创新产出能力以及农业科技创新可持续发展能力等4个方面建立了指标体系（表1）。

2  农业科技创新能力评价与结果分析

2.1  样本数据来源

本研究的数据来源于中部六省2012年的统计年鉴，各项指标的具体数据如表2。

2.2  因子分析法的基本原理

因子分析法（Factor analysis）是以回归方程的形式将变量表示成因子变量的线性组合，它根据研究变量内部之间的相互关系，以最小的信息缺失，把信息重叠的诸多关联性较强的原始变量归纳为数量略少的几个因子，即运用少数公因子来阐明关联变量之间繁杂结构的多变量统计分析方法。因子分析法的目的是寻找变量的基本结构，简化观测系统，削减变量维数，用较少的变量来解释问题。运用这种研究技术，可以方便地找出影响区域经济发展的主要因素是哪些以及它们的权重。

2.3  因子分析的过程以及分析结果

本文的数据分析过程采用SPSS19.0统计软件。

2.3.1  原有变量进行因子分析的可行性检验  由于数据量较大，首先借助SPSS统计软件对数据进行标准化处理，计算得出相关系数矩阵。从结果可知，相关系数矩阵中大部分相关系数均大于0.3，且通过了KMO和Bartlett的球形度检验，因此用因子分析法对中部六省农业科技创新能力进行分析是合适的。

2.3.2  确定主因子变量  通过计算得到相关矩阵特征值和特征向量的总方差解释表（表3）。根据主成分的选取原则，由于前4个特征值的累积贡献率为96.556%，已经超过了85.000%，所以提取前4个主因子对中部六省农业科技创新能力进行综合评价。

2.3.3  建立因子载荷矩阵  因子载荷值即成分得分系数，可体现主因子与原始指标体系之间的关联程度。本文采用最大方差法对因子矩阵进行正交旋转，经过5次迭代后收敛，得到总方差解释表（表3），并且在经过具有Kaiser标准化的正交旋转迭代后实现收敛，得到旋转后的因子载荷矩阵（表4）。

结合表4可以重新定义4个主因子：

主因子F1包括：第一产业从业人数（X1）、农业机械总动力（X6）、农村用电量（X7）、第一产业固定投资（X8）、农业机耕面积（X9）、农田有效灌溉面积（X10）、农业总产值（X11）、地方财政科技拨款（X2），这些指标都与农业科技创新物质装备与投入相关，因此F1代表农业科技创新基础因子。

主因子F2包括：科技活动人员（X3）、R&D人员（X4）、R&D经费支出（X5）、农业受灾面积（X17），这些指标基本与农业科技创新发展的科技投入相关，因此F2代表农业科技创新科技因子。

主因子F3包括：恩格尔系数（X15）、第一产业贡献率（X12）、人均纯收入（X13），这些指标与社会经济效益以及人民生活质量有关，因此F3代表农业科技创新效益因子。

主因子F4包括：技术市场成交合同金额（X14）、森林覆盖率（X16）、环境污染治理投资总额（X18），这些指标与农业可持续发展有关，因此F4代表农业科技创新可持续发展因子。

依据成分得分系数矩阵写出综合得分以及F1、F2、F3、F4主因子的因子得分：

综合得分F=（39.792%F1+25.438%F2+20.929%F3+10.397%F4）/96.556%，

F1=0.098X1+0.092X2-0.061X3+…-0.164X17-0.130X18

F2=0.042X1+0.022X2+0.230X3+…+0.331X17+0.083X18

F3=0.002X1+0.133X2+0.020X3+…+0.010X17-0.184X18

F4=0.001X1+0.105X2+0.118X3+…-0.193X17+0.301X18

其中，Xi（i=1，2，…，18）为各省各指标数据的标准化数值。

通过综合评价函数，得出中部六省各因子的综合得分（表5）。

2.4  聚类分析

聚类分析（Cluster analysis）是对样本（个体）以某种相似性为度量标准对指标或因子进行分类的一种多元统计分析方法。根据分类对象的不同，聚类分析分为R型和O型两种。R型聚类分析用于指标聚类，Q型聚类分析没有对度量数据之间的亲疏程度给定分类的标准，也没有硬性规定所有数据应该分成几类，而是比较客观地从数据自身出发进行分类。在因子分析的基础上，本文采用R型聚类分析方法，即对变量进行分类处理，然后将标准化后的数据输入到SPSS19.0统计软件中，选择欧式距离的平方法进行统计分析，最远距离法为聚类方法，最后输出聚类结果列表和聚类树状图（表6和图1）。

根据表6聚类后的结果，当分为4个集群时，可以把中部六省农业科技创新能力分为4类：

第1类：河南省。河南省以0.668的综合得分独占鳌头，远远高于其他5个省份，属于领先类层次，农业科技创新能力在中部六省中具有明显优势，这体现了其传统的农业大省、人口大省以及新兴的经济大省和工业大省的地位。其中，河南省在农业科技创新基础方面最为突出，位居首位，农业科技创新基础指标的各项数据均名列前茅。但在农业科技创新效益、农业科技创新科技、农业科技创新可持续发展方面得分偏低，分别为-0.08，-0.43，-0.26，排名靠后，严重影响到了河南省的农业科技创新能力。