基于主成分分析的衡阳市高校科技创新能力评价*

曾嵘娟

（湖南高速铁路职业技术学院，湖南 衡阳 421000）

经济的快速发展在一定程度上对高校科技创新能力的提升起到了推动作用。高校作为现代化技术创新的重要力量，不仅能起到技术创新及知识传播的作用，而且在现代化技术创新及应用中起到了十分关键的作用。主成分分析方法作为目前市场内多元化数据分析的关键方法，主要是指将收集的多种数据进行数据变化的线性分析，并选取数据量较少的重要成分，将多种成分进行综合性统计并分析。此种方法最早应用在随机变量的信息选型过程中，后期随着技术的不断优化，在传统技术的基础上，将信息数据进行离合平方差计算，进而可推测出数据之间存在的平衡量，提升数据分析精准化程度[1]。在实际应用过程中，若针对某一课题内容收集到的数据量过多，会增加调研活动的复杂程度。将该种数据分析方法引入到高校科技创新能力的评价中，针对多组数据中存在的数据融合或数据叠加现象，可删除多余的数据，二次组合数据后建立新的数据组，使多个数据组之间建立联系，并根据实际的需求量，在多个数据组中调取数据，实现数据的多元化评价。衡阳市高校目前在教育行业中发展前景较为广阔，本文将结合高校的教学情况及现代化技术的创新现状，基于主成分分析方法，开展衡阳市高校科技创新能力评价方法的研究，更好地发挥高校在现代化技术创新中的作用，进而推动社会现代化技术的创新。

1 衡阳市高校科技创新能力评价方法设计

针对高校的科技创新能力评价可以有效地让高校了解自身技术能力在市场经济发展中的现状，进而可起到推动市场技术创新的作用。以下将从设计评价模型、提取评价因子、构建因子荷载矩阵、能力赋权等4个方面，开展基于主成分分析的衡阳市高校科技创新能力评价方法的设计。

1.1 设计衡阳市高校科技创新能力评价模型

本文采用构建评价模型的方式实现高校科技创新能力评价方法的设计。自定义衡阳市高校内包含的n种创新能力样本，并设立每个样本中包含α项评价指标，遵循科学规范性模型构建原则，对指标的定量数值进行分析，要求选取的样本必须可以真实地反应出高校的主体创新意识[2]。从整体的层面出发，结合衡阳高校在市场的综合潜力因素及其内在实力，选取对应的创新能力样本构建对应的评价模型，见第29页图1。

根据图1信息可进行多元化评价指标的设计，对评价指标的多个线性变量进行分析，包括高校的技术创新研究人员情况、高职人员配比数值、技术研究性课题的总数量、调研的投入费用、调研的实际人数、调研的计划支出及实际支出费用之间的变量关系、技术是否存在转让、转让盈利收入等[3]。根据多组评价技术创新能力的数值进行变量参数的设计，并将多组数据集合与技术设计的集成性、创新性、适配性、延展性、完备性、可维护性、友好程度进行比对，实现相对完善的衡阳市高校科技创新能力评价模型构建，为后期技术创新的评价提供帮助。

图1 衡阳市高校科技创新能力评价模型

1.2 提取衡阳市高校科技创新能力评价因子

基于上述设计的科技创新能力评价模型，本文结合多种评价指标进行对应评价因子的提取，对提取数据的来源进行分析，定义数据中的特征化数值，并采用权重按大小进行排列的方式进行创新能力贡献率的计算。衡阳市高校科技创新能力的贡献率计算公式[4]为

式中：V为贡献率，%；φ为创新能力在高校建设中产生的映射；n为创新技术对应的调研样本；α为多种创新评价指标；i为样本的特征化向量，取值范围为1～∞；C为多种指标向量。根据式 （1），可进行创新能力贡献数值的计算，选取前5名贡献程度较高的数据组，采用SPSS16.0因子分析方法对选取的主成分进行数据的特征化分析，并对处理后的数据进行方差计算，并在计算所得的多个数据组中进行综合因子的分析，实现衡阳市高校科技创新能力评价因子的提取。

1.3 构建评价因子荷载矩阵

根据以上方法提取科技创新能力评价因子，运用因子荷载矩阵构建评价方法，开展基于能力方法评价思路的计算。

第一步，创建相匹配的完全数据取样矩阵，这里设置本组矩阵以y表示，这样与y相匹配的取样样本组合在一起就可以列出矩阵表达式，即

式中：j为评价因子主成分的数量。运用云计算数据处理方式对采集到的相关数据进行数据预处理，并对采集到的数据格式进行统一保存，这样可以有效分析组成成分。

第二步，为函数设置标准，采用能够体现数据动态化分析的线性函数，对特征空间中的样本数据采用正交位置的交换，保留主成分分析方法中数据处理的优势。根据样本数据在特征空间的大小，从大到小依次对科技创新能力展开排列，前m列样本数据汇在一起形成了储存数据变异结构数量最多的数据组[5]。

第三步，计算样本数据成分的方差数值，评价因子中特征成分的方差计算公式为

式中：λ为匹配的映射数据；I为多种特征空间的矩阵。对公式开展样本科技创新能力投影的可行性分析，根据分析投影数据的单位及相关范围，实现荷载矩阵相匹配的评价因子建立，可以综合满足对相关数据进行评价。

1.4 基于主成分分析的科技创新能力赋权

根据上述建立的评价因子荷载矩阵开展基于主成分分析的科技创新能力赋权研究。根据德尔菲数据处理方法，对多组数值的权重进行对比，征求市级或省级教育部门的意见，邀请各类专家组进行打分，从专业技术投入和创新能力样本产出两个方面进行创新能力数据的模拟化检测。根据衡阳市高校在市场发展的占比程度、投入分数、输出分数进行最终综合分数的计算。另外，整合高校投入设计的初始特征数值，进行累计贡献程度及贡献方差的比对。当然，还可以根据多级指标变量统计建立核函数的方式，把权重值较大的创新技术赋予较高的权值，可以对数据间的权值占比进行分析，包括分析数据权值之间的微妙关系，实现基于主成分分析的科技创新能力赋权，按照从大到小的方式排序，权值越大表示技术创新能力越强，反之越弱。采用上述基于主成分分析方法的衡阳市高校科技创新能力评价，可有效地为高校的后期发展提供方向，有助于市场技术创新发展。

2 实验论证分析

采用设计对比实验的方式验证，本文设计的基于主成分分析的衡阳市高校科技创新能力评价方法在实际应用过程中存在的误差率较低。

随机选取衡阳市某高校作为此次实验的研究对象，采用传统的科技创新能力评价方法对高校科技创新能力进行评价，收集5组实验数据，与实际的创新能力指标进行对比，采用云端处理数据的方式分析5组数据存在的误差率，定义该组为对照组。由于本研究采用主成分分析，在进行对比实验前，需先通过KMO检验和Bartlett's球形度检验来进行变量之间的相关性检验，判断标准是：如果KMO值≥0.80，很适合做因素分析；介于0.70和0.80之间，则适合做因素分析；介于0.60和0.70之间，则表示可以做因素分析。具体见表1。

表1 KMO检验和Bartlett's球形度检验

根据表1可知，本文选取的数据适合进行主成分分析。采用本文设计的基于主成分分析的衡阳市高校科技创新能力评价方法进行相同步骤的操作，收集5组实验数据并绘制误差率对比图，见图2。

图2 误差率对比图

从图2中的两条折现可以明显看出，本文设计的评价方法检测结果误差率更低，与传统方法相比大约提升了15%。因此说明运用该方法得出的评价结果更接近于实际的评价结果。

3 结束语

随着现代化技术的不断优化，本文开展了基于主成分分析的衡阳市高校科技创新能力评价方法的设计，从设计衡阳市高校科技创新能力评价模型、提取衡阳市高校科技创新能力评价因子、构建评价因子荷载矩阵、基于主成分分析的科技创新能力赋权4个方面进行了详细的分析，并采用对比实验的方式验证了该方法在实际的应用中可有效降低评价的误差率。因此，在后期的发展中，应加大该方法在高校科技创新评价中的应用。