战略性新兴产业创新能力多维度差异研究

吴红迪 吴邦雷

（安徽机电职业技术学院，安徽芜湖241002）

战略性新兴产业具有全局带动性、快速成长性和较高创新性等特征，对有效促进区域经济发展具有重要的引领和推动作用。近年来，全球都在寻求新的经济增长点以推动经济发展，而战略性新兴产业作为一种能够推动产业结构升级和转变经济增长方式的产业得到了我国政府的高度重视。国务院先后下发了《关于加快培育和发展战略性新兴产业的决定》和《“十三五”国家战略性新兴产业发展规划》等文件，确定了战略性产业的发展方向和目标，强调了战略性新兴产业是区域经济发展的增长极，能够突破产业发展瓶颈，提升产业自主创新能力。因此，科学评价和研究战略性新兴产业创新能力以及创新能力差异形成机理，对于区域战略性新兴产业的健康发展和增强地区竞争力具有重要意义。

一、文献回顾

国内外学者对于战略性新兴产业的发展非常重视，相关研究成果呈爆发式增长。国外学者主要从政策机制和企业行为两个方面研究战略性新兴产业创新能力。Vela探讨了政策机制对硅谷高科技产业的影响［1］；Lin认为核心企业主导的创新行为能够促进战略性新兴产业的发展［2］。Sen 指出当企业达到突破创新阶段，可以提升该产业国际竞争力［3］。Asheim&Coenen研究发现区域创新能力差异高于企业差异［4］。国内学者大多从战略性新兴产业创新能力的影响因素进行研究。在影响因素方面强调制度与政策对创新能力作用机理［5］以及创新资源聚集［6］，改善税收政策环境［7］，技术转移和扩散［8］，政策机制支持［9］和区域整体实力［10］等对于战略性新兴产业发展起着支撑作用。张治河等指出战略性新兴产业创新能力发展遵循“蠕虫状”演进规律［11］。

本文在吸收国内外战略性新兴产业研究成果的基础上，结合战略性新兴产业发展现状，系统地评价战略性新兴产业的创新能力，并探究战略性新兴产业创新能力差异形成的原因，以期为战略性产业的发展提供理论指导。

二、评价指标与评价方法

（一）指标选取的依据

关于创新能力方面，国内外学者进行了大量研究，但对于战略性新兴产业创新能力的研究主要集中于创新能力的评价，即基于钻石模型战略性新兴产业评价体系的构建［12］和基于“四三结构”的战略性新兴产业创新能力评价［13］等实证分析方面，关于战略性新兴产业创新能力多维度差异研究相对匮乏。文章依据战略性新兴产业的特点以及地区经济发展水平，分别从原因和结果两个方面分析创新能力（如图1）。

图1 创新能力的分析框架

（二）指标体系构建

根据奥斯陆手册中关于创新能力评价的指标［14］，结合战略性新兴产业特征，以竞争优势理论和创新理论为基础，遵循客观性、科学性、可操作性等原则，构建战略性新兴产业创新能力的指标体系（如表1）。

表1 评价指标

（三）评价方法的选取

创新能力评价是一个多指标综合评价，目前，其评价方法有层次分析法、模糊综合评判法、德尔菲法、因子分析法和聚类分析法等。其中层次分析法、模糊综合评判法、德尔菲法等方法是综合咨询评分的定性方法，很明显这类方法会受到人为因素的影响，指标权重缺乏客观的科学依据，从而不能完全真实地反映战略性新兴产业创新能力。因子分析方法是一种数学变换的方法，通过降维将多个原始可测量指标转化成少数几个互不相关的、抽象的综合性指标。基尼系数是测度空间非均衡程度的一种常用指标［15］。文章为了避免主观臆断，科学客观地对战略性新兴产业创新能力做出评价，因此采用因子分析法，并用基尼系数测算战略性新兴产业新产品开发费用、新产品销售收入和地区GDP地区差异。

1.因子分析法

因子分析的原理就是从研究相关矩阵的内部结构出发，将具有复杂关系的变量根据相关性大小进行分组，并使同一组内变量相关性大，不同组内变量相关性小。然后利用因子得分系数和方差贡献率来进行排列，从而获得总目标的结果。

（1）R型因子分析模型

其中m≤P，X1，X2，…XP为观察变量，F1,F2,…Fm为公共因子，aij为F的系数，也称为因子载荷，ε1,ε2,…εP为特殊因子，表示观察变量不能被公共因子解释的部分。

模型（上式）矩阵形式为：X=AF+ε（2）

（2）因子分析步骤

第一步，将收集的n个省市p 项指标组成指标 集矩阵为Xij(其 中i=1,2,…,n；j=1,2,…,p)。由于各个指标单位不同，首先要消除量级量纲上的不同，对原始指标集进行标准化处理，得到新的标准化数据集Yij。

第二步，建立指标间标准化数据集Yij相关系数矩阵R。

第三步，求矩阵R的特征值和特征向量，分别记为和u1,u2,…,uP且有

根据特征值λ1＞λ2＞…＞λm＞1 和累计贡献率λi≥80%的要求取前m个特征值。

第四步，根据特征值所对应的特征向量建立因子载荷矩阵。

第五步，采用方差最大旋转方法对因子载荷矩阵进行正交旋转，得到正交因子表。

第六步，排序。

通过回归法计算出因子得分，以各个因子的方差贡献率占总方差累积贡献率作为比重进行加权汇总得出各个省市综合得分F，F值越大表示战略性新兴产业创新能力越强。

2.基尼系数法

基尼系数主要用于分析和衡量一个国家或地区居民收入差距。目前，国内外学者逐渐运用基尼系数反映一个国家或地区创新能力和产业创新贫富差距程度［16-17］。基尼系数是一个比例数值，其实际数值在0 到1 之间，系数越大表示差距越大，系数越小差距越小。为使计算简单化，文章借鉴胡祖光的基尼系数的近似计算公式［18］。

公式中g表示基尼系数，p5和p1分别代表创新能力指标中指标值最高的那组省份份额的百分比与最低那组省份份额的百分比。

三、实证分析

（一）样本选择与数据来源

文章以北京、天津和河北等28 个省市、自治区为研究样本。海南、宁夏和西藏三个地区因数据缺失，所以未计入样本。所选数据来源于《中国统计年鉴》《中国火炬统计年鉴》和各省市、自治区的统计公报。

（二）战略性新兴产业创新能力的因子分析

根据因子分析法的步骤，运用SPSS软件对战略性新兴产业创新能力进行分析。

1.KMO和Bartlett检验

KMO统计量（Kaiser-Meyer-Olkin Measure）是用来检验变量间的偏相关性的大小，是简单相关系数和与变量之间偏相关系数的一个相对指数，其中相关系数是对公共因子起作用，而偏相关系数是对特殊因子起作用。KMO的数学公式如下：

表2 KMO和Bartlett检验

根据检验结果可知，KMO=0.765＞0.5，自由度为120，Sig=0，说明变量之间具有相关性，适合进行因子分析。

2.因子分析

根据经过标准化处理的数据，进行R型因子分析，公因子的提取方法为主成分提取法。计算R型相关矩阵的特征值，方差贡献率以及累积方差贡献率，结果见表3。

表3 相关矩阵的特征值和方差贡献率

由表3 可知，前三个因子的特征值均大于1，方差累积贡献率为85.543%，达到了因子分析中累积方差贡献率大于75%的要求，所以应选择前三个因子为公共因子。为了使因子载荷矩阵中系数向0-1两级分化，使用方差最大化旋转法，经过25次旋转后，得到旋转后的载荷矩阵见表4。

指标Zscore: R&D研发投入经费Zscore：研发人员Zscore: R&D研发投入强度Zscore：新产品开发费Zscore：技术合同成交金额Zscore：技术转移项目成交量Zscore：利润Zscore：新产品销售收入Zscore：知识产权数量Zscore：发明专利Zscore：政府财政资金支持Zscore：高薪技术开发区Zscore：国家技术转移示范机构Zscore：邮电业务Zscore：地区GDP Zscore：教育支出成分1 0.780 0.935 0.231 0.939 0.059 0.298 0.840 0.885 0.049 0.444 0.647 0.688 0.466 0.134 0.313 0.840 2 3 0.285 0.026 0.131 0.113-0.047 0.384 0.164 0.337-0.008 0.149 0.444 0.560 0.240 0.832 0.839 0.336 0.531 0.297 0.893 0.165 0.984 0.611 0.411 0.165 0.945 0.707 0.491-0.035 0.801 0.073 0.164 0.114

根据旋转成分矩阵得出因子分析数学模型：

从公式（4）和旋转成分矩阵可知：

第一公共因子（F1）在R&D 研发投入经费、研发人员、新产品开发费、利润、新产品销售收入、政府财政资金支持、高薪技术开发区和教育支出等上有最大载荷和解释能力。这八个指标与投入产出有关，故称为投入产出因子。

第二公共因子（F2）在R&D 研发投入强度、技术合同成交金额、技术转移项目成交量、知识产权数量、发明专利和国家技术转移示范机构等六个指标上有最大的载荷和解释能力。这六个指标主要反映的是成果转化能力，故将第二公共因子称为成果转化因子。

第三公共因子（F3）在邮电业务和地区GDP有最大载荷和解释能力，这两个指标主要反映的是地区环境，因而可以将两个公共因子称为创新环境因子。

3.公共因子得分和排名

计算因子得分函数：

计算各区域战略性新兴产业创新能力的综合得分。

根据公式（5）和公式（6）计算出各区域战略性新兴产业创新能力的公共因子得分和综合得分，并对综合得分进行排名（如表5）。

表5 战略性新兴产业创新能力评价结果

由表5 可以看出，全国28 个省市中综合得分和排名投入产出因子（F1）得分排名前四的分别是广东、江苏、浙江和山东。投入产出因子是一个综合性评价指标，权重最大，对创新能力的影响最大。其中广东的投入产出因子得分为4.300 6，远高于其他省市，是排名第四的山东省的近10 倍。第二公共因子（成果转化因子）得分最高的是北京市。北京市综合得分排名第五，但投入产出因子（F1）和创新环境因子（F3）得分均为负数，成果转化因子得分（F2）为4.665 32，可见成果转化因子对创新能力的影响也很大。在代表创新环境的公共因子F3上，湖南省以2.430 51 得分排名第1位，与排名第2 和3 位的江苏省和山东省差距不大。湖南省的综合得分排名第14位，这说明创新环境因子对于创新能力影响较小。从因子综合得分发现，广东、江苏、浙江、山东、北京、湖北、上海、河南和四川等9个省市战略性新兴产业创新能力综合得分均为正值，其他19个省市均为负值。

（三）战略性新兴产业创新能力差距的基尼系数测算

为了更直观地表现我国战略新兴产业创新能力的差异，根据因子分析结果，运用基尼系数法对我国28个省市自治区的新产品开发费用、新产品销售收入和地区GDP 进行分析测算，测算结果如图2所示。

图2 新产品开发费用、新产品销售收入和GDP基尼系数

从图2可以看出，2013—2017年，我国各省市之间战略性新兴产业新产品开发费用与新产品销售收入基尼系数正相关，呈倒U 型。2013—2017年新产品开发费用与新产品销售收入的基尼系数均大于0.5，表明这五年各省市战略性新兴产业创新能力差异显著。2017年新产品开发费用和新产品销售收入基尼系数开始下降并降至0.4以下，差距逐渐缩小。

2013—2017 年各省市GDP 曲线较为平稳，基尼系数均小于0.4，2017 年差距进一步缩小，直接降至0.3以下，这表明我国各省市经济发展较为均衡。

四、结论与建议

文章运用因子分析法和基尼系数分别测算了我国28个省市自治区战略性新兴产业创新能力，得出主要结论：

（1）投入产出因子对战略性新兴产业创新能力贡献度最大。根据因子分析结果显示，广东、江苏、浙江、山东、北京、湖北、上海、河南和四川战略性新兴产业综合创新能力较强，综合得分均为正数，且广东、江苏、浙江和山东的综合得分和投入产出因子得分均排名前四。除北京市以外，综合得分排名前九位的省市自治区投入产出因子得分也均为正数。综合得分排名倒数第一的青海，其投入产出因子得分排名也是倒数第一。由此可见，投入产出因子对战略性新兴产业综合创新能力的贡献度最大。成果转化因子得分最高的是北京市，是综合得分第一的江苏省的466 倍多。这说明各省市自治区的成果转化因子差距很大，且成果转化因子对于战略性新兴产业创新能力的贡献度也较大。在代表创新环境的公共因子F3上，湖南以2.430 51分排名第1位，江苏和山东分别以2.085 06 和1.971 18 分排名第二和第三，广东以-1.925 57 分排名倒数第一。这说明我国各省市自治区创新环境整体分布较为均衡，但整体水平不高，战略性新兴产业发展的创新环境有待进一步提高。

（2）战略性新兴产业新产品开发费用与新产品销售收入基尼系数曲线呈倒U 型，创新能力差异显著。基尼系数测算结果显示：2013—2017年，我国战略性新兴产业新产品创新开发费用的基尼系数分布在［0.500 1，0.578 2］区间内，新产品销售收入的基尼系数分布在［0.500 5，0.591 8］区间内，这反映出我国各省市自治区战略性新兴产业的新产品开发费用和新产品销售收入基尼系数正相关，创新能力差异显著，区域分布不均衡。以GDP为表征的创新环境因子的基尼系数分布在［0.299 2，0.385 0］区间内，年均基尼系数为0.367 2，GDP曲线较为平稳，这表明我国各省市自治区战略性新兴产业创新环境差异较小，而且差距还在进一步缩小。

为进一步提升我国战略新兴产业创新能力，文章建议：（1）扩大投入产出因子的投入。首先完善人才激励机制，调动研发人员的积极性和创新性，提高企业研发活力。其次加大政府对战略性新兴产业发展的支持力度，增加财政资金支持，优化教育支出结构，加快和促进高薪技术开发区建设推动战略性新兴产业的快速发展。（2）加大成果转化力度，完善创新成果转化机制。全面提高R&D 研发投入强度，注重技术市场顶层设计，扩大技术市场交易规模，完善知识产权和发明专利评价制度，加快国家技术转移示范机构建设，从而提高战略性新兴产业成果转化因子创新能力。（3）加强各省市自治区合作，推动协同创新。强化投入产出因子和成果转化因子得分高的省市自治区之间的共同合作，相互学习。通过优势互补，资源共享，协同创新，实现共同进步，共同发展，最终推动战略性新兴产业的健康快速发展。（4）优化创新环境，充分发挥创新环境对战略性新兴产业创新能力的促进作用。