中国东部各省市区域创新能力评价

2017-08-09徐永智衣保中

黑龙江社会科学 2017年1期

关键词：对数贡献率指标体系

徐永智，衣保中

(1.吉林大学东北亚研究院，长春 130012；2.黑龙江科技大学经济学院，哈尔滨 150028)

·经济理论与实践探索·

中国东部各省市区域创新能力评价

徐永智1,2，衣保中1

(1.吉林大学东北亚研究院，长春 130012；2.黑龙江科技大学经济学院，哈尔滨 150028)

区域创新指标体系的建立是综合评价区域创新能力的基础,区域创新能力指标体系不仅包括知识能力，也包括区域创新环境。基于对主成分分析的不足，通过均值化和对数中心化处理改进主成分分析的特征提取，并用熵值法对主成分的综合值计算进行改进，再用改进后的主成分方法对中国东部各省市区域创新能力进行综合评价，可以看出，知识能力的特征向量都为负值，而创新环境都为正值，这意味着作为区域创新潜力的区域创新环境对一个区域的创新能力有正向作用，而知识能力只表现为当前的知识投入与产出。

区域创新能力；均值化；对数中心化；熵值法

1992年，Cooke首次提出区域创新体系概对应念，该概念与1987年Freeman等人提出的国家创新体系概念相对应[1]。自区域创新概念提出后，学者们对区域创新模式、区域创新系统等理论进行了深入研究，与此同时定量研究也受到了广泛关注，其中对区域创新能力的实证研究是一个热点与重点，而区域创新指标体系的建立是对区域创新能力做出评价的基础。

用单一指标，比如专利数、发表论文数等衡量区域创新能力，显然有失偏颇，因此对区域创新能力的评价更多的是建立在多元指标体系上。王稼琼、绳丽惠、陈鹏飞(1999)认为，区域创新体系以技术创新为主，企业是技术创新的主体[2]。甄峰、黄朝永、罗守贵(2000)从知识创新能力、技术创新能力、管理与制度创新、宏观经济与社会环境四个方面建立了指标体系[3]。《2003中国区域创新能力报告》认为，区域创新能力是指一个地区将知识转化成新产品、新工艺、新服务的能力，该报告中的指标体系由以下五个要素构成：知识创造能力、知识获取能力、企业的技术创新能力、创新环境和创新经济绩效[4]。丁美霞、周民良(2008)在对中国各省区的区域创新能力的分析中，将区域创新能力分为四个方面：创新投入、创新产出、创新配置和创新环境[5]。侯风华、赵国杰(2008)在建立中国东部省市区域创新能力指标时，将区域创新能力分成当前与长远创新能力，其中，当前或短期的创新能力用短期的区域创新技术能力代表，而长远或潜在的创新能力则用区域创新因素反映[6]。可见，区域创新不是科技能力，也不是地区科技竞争力[7]。结合前面的文献，我们认为，区域创新能力不仅仅是知识能力[8]，也包括了区域创新环境，这与侯风华、赵国杰(2008)给出的两个阶段较为一致。

对区域创新能力的多元指标进行综合评价，文献中出现了如下方法：主成分分析(PCA)、核主成分分析(KPCA)、层次分析法(AHP)、聚类分析、因子分析、数据包络分析(DEA)、集对分析法(SPA)。在这些评价方法中，虽然主成分分析被应用最多，但传统的主成分分析局限于指标间具有很强的线性关系，而且传统的正态标准化没有包含原数据的所有信息。尽管KPCA是建立在指标间非线性关系上的，相较于主成分分析有更强的特征提取能力，但缺点是对提取的特征不能做出很好的现实解释。另外，PCA在最后综合评价值的计算上，通常取各主成分的方差贡献率作为权重，这带有很强的主观性。针对上述不足，我们借鉴了侯风华、赵国杰(2008)的指标体系，一方面通过均值化和非线性主成分分析改进了主成分分析的特征提取，另一方面用熵值法对主成分的综合得分进行了改进。

一、区域创新能力的评价方法

1.主成分特征提取的两点改进

其次，我们改进了PCA仅适于线性分析的不足。主成分分析适用于指标间线性相关性很强的情形，但有时通过主成分分析后发现主成分特征值相差不大，累积贡献率比较小，这时就可以尝试用非线性主成分分析。另外，非线性主成分也可以作为PCA的一个补充，即在进行PCA时，不妨同时进行对数中心化主成分分析。设有一个n行p列的矩阵，其中n为样本总个数，p为指标项数，则对数中心化步骤如下[10]：

先对原始数据xij进行对数变换，以及行向量中心化：

(1)

然后从协方差矩阵出发，计算Z的协方差矩阵及其特征值与特征向量，根据累计贡献率大于85%选择m个(m

(2)

2.主成分综合值计算的改进

第一，计算第j项指标下第i个样本的比重：

(3)

第二，计算第j项指标的熵值：

(4)

第三，计算第j项指标的权重：

(5)

第四，计算第i个样本的综合值

(6)

在第一步中，为防止矩阵中有数据为负，可以将所有数据加上一个最小负数的绝对值，这种平移处理不会改变结果。然后按照平移后的矩阵进行第二到第六步的计算。

二、区域创新能力综合评价

我们在第一部分得出，区域创新能力包括知识能力，也包括区域创新环境，其指标数据见参考文献[6]。我们依照第一部分的三点改进，分别计算了均值化后的主成分、对数中心化的主成分，以及在最后用熵值法对前面求的主成分矩阵进行综合计算。

表1 三种主成分的前三个特征值、贡献率及累计贡献率

表2 对数中心化主成分的特征向量

表3 平移后的主成分得分以及权重

首先，我们对比了三种主成分的特征提取能力，如下表1所示，三者特征提取能力相差很少，前三个特征值的累计贡献率都达到了90%以上。在表2中，我们给出了三个主成分的特征向量，由此可以确定三个主成分方程。相比而言，对数中心化具有较好的累计贡献率，所以我们选择对数中心化的主成分进行下一步的综合计算。通过计算，提取的三个主成分最小值为-12.23，因此为使矩阵没有负值，可以平移13个单位。我们在表3中给出了平移后的主成分以及用熵值法计算后的三个主成分的权重(在括号中)。我们在表4中给出了用表3的权重计算的综合得分，并对比了用表1的贡献率作为主成分权重所计算出的结果，以及对比了文献[6]给出的综合评价结果。

表4 三种综合评价结果的对比

由表3可以看出，第一主成分的权重达到了84.16%，而第二主成分与第三主成分分别为10.27%、5.57%，这与表1中的三个贡献率作为权重有很大不同。但本文中的权重是基于熵值法算出的，因此具有客观性。由于权重的不同，表4中的排序也出现很大的不同，如第一、第二名，广东与江苏分别代替了上海、北京，特别是广东排序变化最大。从表3中可以看出，由于第一主成分中广东与江苏主成分得分居前，而权重又占了84.16%，因此尽管它们在第二、第三主成分的得分低于上海、北京，但在综合评价中还是占有优势。我们从表2中的知识能力与创新环境的特征向量可以看出，知识能力的特征向量都为负值，而创新环境都为正值，可以看出作为区域创新潜力的区域创新环境对一个区域的创新能力有正向作用，而知识能力只表现为当前的知识投入与产出，因此第一主成分很好地综合了两个阶段的区域创新能力，在权重上也占据主导。文献[6]的因子分析结果，与非线性PCA-熵值法的差别较大，与非线性PCA差别较小，反映了因子分析在综合计算中的主观性，另外值得一提的是，通常在因子分析中，样本个数是指标个数的5倍，文献[6]用因子分析是值得商榷的。

首先，本文在前人的研究基础上，总结出区域创新能力指标体系不仅包括知识能力，也包括区域创新环境；其次，我们针对目前主成分分析的不足，一方面通过均值化和非线性主成分分析改进了主成分分析的特征提取，另一方面用熵值法对主成分的综合值计算进行了改进；最后，我们借鉴文献[6]的指标体系进行了对比实证研究，得出对数中心化主成分与熵值法的结合能更客观更准确地应用于区域创新能力的综合评价中。

[1] Freeman C.Technology Policy and Economic Performance:Lessons from Japan[M].London: Pinte,1987.

[2] 王稼琼,绳丽惠,陈鹏飞. 区域创新体系的功能与特征分析[J].中国软科学,1999，(2):53-55.

[3] 甄峰,黄朝永,罗守贵.区域创新能力评价指标体系研究[J].科学管理研究,2000，(6):5-8.

[4] 中国科技发展战略小组.2003中国区域创新能力报告[M].北京：经济管理出版社,2004：20-22.

[5] 丁美霞,周民良.中国各省区创新能力的动态趋势与影响因素分析[J].经济学家,2008，(1):63-65.

[6] 侯风华，赵国杰.我国东部省市的区域创新能力评价研究[J].科学管理研究, 2008，(2):21-23.

[7] 柳卸林,胡志坚.中国区域创新能力的分布与成因[J].科学学研究,2002，(5):550-555.

[8] 胡鞍钢,熊义志.我国知识发展的地区差距分析：特点、成因及对策[J].管理世界,2000，(3):5-10.

[9] 叶双峰. 关于主成分分析做综合评价的改进[J].数理统计统计与管理,2001，(2):52-55.

[10] 陈述云,张崇甫.对多指标综合评价的主成分分析方法的改进[J].统计研究,1995，(1):35-39.

[11] 郭显光.改进的熵值法及其在经济效益评价中的应用[J].系统工程理论与实践,1998，(12)：98-102.

[责任编辑：陈淑华]