基于熵值-Malmquist的我国区域创新效能综合聚类评价体系研究

康旭东 林鑫 王海龙

摘要：面对高速发展的区域创新发展形勢，现有的区域创新能力评价体系难以适应。更多样的评价指标在区域创新发展过程中需要被合理考虑，从而单一维度的区域创新评价体系亟须完善，这对于认识区域科技创新发展态势可提供参考依据。本文从创新能力和创新效率两个维度切入，将区域创新划分为创新环境、创新合作、创新潜力、创新投入、创新产出、创新应用六个一级指标构建分析框架。通过创新能力和创新效率的综合测度将区域创新划分为5种类型：创新正反馈型、创新潜力型、能力引领型、效率引领型以及创新萌芽型。通过对每个聚类的特征进行探究，证实了我国各经济区的创新能力与创新效率的适配性存在区域间的显著差异，并根据这种差异性提出相关政策建议。

关键词：区域创新能力；创新效率；熵值法；Malmquist；聚类

中图分类号：F124.3文献标识码： ADOI：10.3969/j.issn.1003-8256.2021.01.002

开放科学（资源服务）标识码（OSID）：

0引言

20世纪中叶，知识经济时代的到来给全球多数国家地区带来了深度变革。从全球层面看，科技水平领先带来的优势使世界各国追求创新引领的发展格局；从区域层面看，科技创新和科技应用能力成为区域核心竞争力的关键因素之一，推动了我国经济高效可持续发展。区域科技发展态势伴随着我国将科技创新纳入区域和城市建设的重大发展战略而呈现出新的特征，一是各个地区都将自主创新能力建设放在提高区域核心竞争力的首要位置，区域之间在创新战略部署和安排上有显著差别。二是我国政府颁布的一系列重大战略规划，对区域创新投入产出效率的适应性提出更高要求。本文将对我国区域创新能力和创新效率进行综合评价，找出科技创新能力和创新效率的结构性差距，对保证区域科技创新健康可持续发展有现实意义。

1987年英国学者Chris Freeman提出，国家创新体系是国家内部组织系统及其子系统的相互作用而形成的。自此，国家创新体系概念的提出为区域科技创新能力评价的研究提供了理论支持。20世纪80年代，我国开始兴起针对科技创新评价的研究[1]，随着研究的大量进行，产出了丰富的科研成果。区域创新能力分为广义和狭义之分，其中广义创新能力是从系统整体角度理解的区域创新能力本质，主要包括创新环境、创新基础设施、创新资金、人力资源等。朱海就[2]认为区域创新能力实际上就是网络的创新能力，创新环境是创新能力的支撑条件。刘凤朝等[3]建立自主创新能力的评价体系，并以我国的八大经济区为基本单元进行了分析评价。周立等[4]使用因素分析法对我国的区域创新能力进行了定量分析，并对31个省市的分析结果进行比较。康健等[5]应用复合系统协调度模型，对基于区域产业互动的三螺旋协同创新能力模型完成实证检验。鲁继[6]通从协同创新的视角，对京津冀区域各子系统的创新协同配置能力、创新环境支撑能力、知识重组能力、创新经济溢出能力、技术创新和应用能力进行了测度。杨明海等[7]通过实证研究证实了我国七大主要城市群科技创新能力分布呈不同的极化现象和趋势。

另一方面，狭义创新能力仅包括创新产出，认为创新产出是多因素的作用结果，是创新能力的集中体现。党文娟等[8]采用计数模型中的负二项分布Negatitive-binomial方法证实了区域环境对区域创新能力具有非常重要的影响作用。王锐淇等[9]利用SFA方法和Malmquist方法，在估计区域技术创新能力影响变量的同时对我国区域技术创新效率进行了测度，并从内生和外生角度分别对影响科技创新效率的因素进行了分析。宇文晶等[10]通过采用两阶段串联DEA模型和Tobit回归模型，证实纯技术无效率是引起技术效率偏低的主要原因。

研究者从宏观或微观角度对区域科技创新能力进行测度，并取得较丰富的研究成果，但是大多数研究只是单一地从广义和狭义的角度去评测区域科技创新能力和创新效率。本文通过构建区域创新能力分析框架，结合广义和狭义创新能力评价视角，从创新能力和创新效率的综合角度对我国31个省、市、自治区进行评价，以期能对我国科技创新能力建设提供支持。

1评价指标及体系建立

1.1评价框架建设

2005年，Hu等[11]在对Furman等[12]的FP&S创新能力分析框架进行完善的基础上建立了H&M分析框架，该框架主要由五个部分组成：（1）创新基础设施，文中将其描述为人口、科研人员、工程师等创新产出人员，以及研发支出占国民资本的比重；（2）原始知识积累，把GDP和专利积累作为知识聚集能力的潜在和直接体现；（3）资源承诺和政策选择包括了知识产权保护强度、高等教育、反托拉斯、专利存量和人均GDP；（4）创新产业集群的环境描述为私人研发支出占研发支出总额的比重、技术强度；（5）创新环境与创新基础设施之间的链接是高校研发支出和风险投资实力。具体如图1所示。

2013年，Castellaccia等[13]在广义的创新能力评价体系之上，提出国家科技创新动态系统是由创新能力和吸收能力两大模块驱动的观点。一方面，国家创新动态体系中的创新能力包括创新投入、科学产出和技术产出三种体现形式，其中创新投入与基础设施和人力资本存在联系；另一方面，吸收能力包括基础设施、国际贸易、人力资本、机构质量和社会凝聚力等因素，多种因素共同作用产生的效应驱动创新能力的系统发展。同时，收入水平作为吸收能力和创新能力的外在联系，影响着动态科技创新系统的演化路径。具体框架如图2所示。

基于以上两种理论框架，吸收FP&S创新能力分析框架将创新基础设施、创新产业集群环境和创新能力分化的特点，借鉴C&N国家创新动态体系框架中吸收能力和创新能力的子系统划分形式，做出以下改进：第一，把吸收能力内部的创新要素进行细分重组。本文主要将其归类为创新合作和创新潜力两个部分，创新合作是一个经济和技术相结合，市场、技术、资本和经营管理相融合的复杂过程[14]，在这个过程中需要高等院校和科研机构深度配合企业为主体、政府主导的合作模式。这种吸收能力的内在机理是通过创新合作形式的创新潜力主体之间的合作研发应用、人才培养、仪器设备共享、信息获取等活动。第二，重新确定创新环境的具体内容。信息化和电子商务技术大大提升了高校企业的运转效率，节省大量时间和人力成本，适应社会信息化的快速发展。所以将创新环境分为泛用的电子通信技术和企业管理层面的信息和电子商务。第三，关注科技产出的下游效应，引入创新应用对创新环境和吸收能力的反馈机制。创新应用包括内部应用和外部应用，也就是科技产出转化并产生价值的过程。这种反馈将推进吸收能力内部单元的发展，并促进创新环境高效建设。具体如图3所示。

1.2指标体系建立

根据构建的区域科技创新能力评价框架，借鉴成熟的企业和产业科技创新能力评价指标，并考虑指标的数据可获得性和可操作性，选取指标体系如表1。

2模型建立

2.1模型选择

通过回顾现有的区域创新能力评价的文献，现有的区域创新能力评价方法主要分为以数理理论为基础和以统计分析为理论的方法。按照人对指标被赋予权重的主观能动性分类，主要分为主观评价法和客观评价法两种。主观评价法包括模糊综合评价法、灰色关联度分析法、TOPSIS评价法，这种主观评价方法这种主观评价方法主要通过专家打分的方式来确定各个指标的权重。这种评价方法的缺陷在于赋权方式具有较强的主观性，往往会因为过度注重经验的权威性而忽视了数据的客观性，导致结果出现较大偏差。而客观评价方法可以克服主观性过强的缺陷，例如主成分分析法可以把相关变量通过线性变换然后按照方差排序的方法识别出主成分，从而使综合评价结果唯一，缺点是计算繁琐、需要大样本量，并且对指标之间的线性关系依赖强烈。熵是对事物不确定性程度大小的度量，熵值法就是把信息熵理论应用于大量不相关指标的测度，从而反映现有信息量在总信息量之中占有的权重，具有更强的客观性[15]。在广义层面的区域创新能力评价的情景下，熵值法适用于对多层次、分类别的指标进行分析。

Malmquist全要素生产率指数不需要估计生产函数，并可以分解为技术效率、技术进步和规模效率的乘积，适用于多投入与多产出的系统研究；因此，我们可以运用Malmquist生产率指数对区域产业或企业的创新效率进行测度。Malmquist生产率指数反映了生产决策单元在一段时期内技术效率的变化，同时也反映了生产前沿的变动情况[16]。在狭义层面的区域创新能力评价情境下，Malmquist全要素生产率指数适合用于创新能力集中体现在创新产出的评价模式。

如果只应用广义或狭义的评价方法，只能在单一维度进行分析，这样结果可能因为偶然性而失真。本文在通过完善创新能力评价指標体系的基础上，组合了广义创新能力评价和狭义创新能力评价的概念，综合评价我国各省份的区域创新能力。

2.2熵值-全要素生产率指数法介绍

区域科技创新能力评价使用的模型构建如下：

式中，TECH指的是技术进步变化指数，EFFCH指的是技术效率变化指数。TECH和EEFCH相对1的位置解释为技术进步和技术效率的情况，当TECH大于1时，表明在t-1至t的期间存在技术进步，小于1则说明技术退步[18]；EFFCH测度的是t-1期到t期每个决策单元向最佳前沿移动的程度，当EEFCH大于1时，表明t-1到t期间决策单元向前沿面趋近，表明技术效率有提高，小于1则表明技术效率下降。其中，（xt，yt）代表t时期的投入产出向量，dt 0时期t的技术距离函数。

3实证分析

3.1数据获取与处理

选取中国大陆31个省、市、自治区作为研究样本，从《中国统计年鉴》《中国科技统计年鉴》以及国家统计局网站选取2017、2018两年数据。根据式（2）对原始数据进行标准化处理，然后根据后续公式计算出指标的权重值，如表2所示。

3.2实证结果分析及建议

以上介绍了区域科技创新能力评价指标体系和模型，并依据熵值法计算了各项指标的权重。下面将使用标准化数据与权重乘积，计算中国大陆31个省/市/自治区科技创新能力得分。通过全要素生产率指数分析得到31个省份在2018—2019年期间的技术效率变动EFFCH（相当于不变规模报酬生产技术）、技术变动TECH、纯技术效率变动PECH（相对于变规模报酬生产技术）、规模效率变动SECH和全要素生产率变动TFPCH。以全要素生产率变动作为创新效率高低的测度指标，全要素生产率指数分析结果如表3所示。

根据现有的全国31省市创新能力指数和创新效率指数的基础之上，以创新效率指数值为横坐标轴，以创新能力指数为纵坐标轴，进行广义和狭义创新能力的聚类分析。为了更好地表述区域科技创新能力的特征，首先对创新能力指数进行分区，现划分3个区域，创新能力指数大于3/2倍平均指数为Ⅰ区，小于3/2倍平均指数大于3/4倍平均指数为Ⅱ区，小于3/4倍平均指数为Ⅲ区。如果全要素生产率指数大于1，代表技术进步，反之则技术退步，所以在横坐标轴的 Malmquist全要素生产率指数为1处分界线，分成2个区间[19]，具体如图4。

根据分区聚类的结果，全部6个区域中有5个是有效的，分别对应创新正反馈型省份、创新潜力型省份、能力引领型省份、效率引领型省份、创新萌芽型省份。具体分类结果如表4所示。

3.2.1创新正反馈型

创新正反馈型省份代表了该聚类内的省份不仅有较强的创新能力基础，而且创新投入产出的效率较高，伴随着对区域创新环境和资源转化能力的正反馈，具体如表5所示。

北京市和广东省分别在3个指标排名中位列第1名，广东省科技创新能力整体提升贡献最大的是科技创新环境，从而表明区域电信基础设施建设能力对于整体创新能力的水平有很大影响；但是广东省创新投入相比于其他指标有待提高，同时应该进一步提高高校和机构从业人员比例，提升区域创新潜力。近年来，北京市R&D研发经费占全省生产总值（GDP）的比重始终保持在1%以上并持续增长，到2018年规模以上企业R&D经费达到了269亿元，位于全国最高水平；此外，北京市有较为庞大的科技人员队伍、众多高水平院校，越来越多人投入到科技研究中。江苏省、浙江省发展稳中有进，较为均衡。山东省应该注重新技术和外部合作与引进，同时增加创新投入和创新产出。

3.2.2创新潜力型

创新潜力型省份代表该聚类内的省份有较强的创新潜力，并且较高的创新效率可以支撑创新能力的进一步提高，具体如表6所示。

重庆市科技创新各项指标表现突出，发展较为均衡，应该加强创新合作。其他省份各项指标发展不均衡，都有各自的缺陷。河北省和天津市应该注重企业电子商务化能力并进一步提升创新潜力。辽宁省、河南省、湖北省创新产出效果相对不理想，应该制定相关政策提升企业、高等院校、科研机构的创新效率。福建省创新环境和创新合作指标表现突出，但是创新潜力和创新投入相对滞后。总体来说，此聚类内省份表现出科技创新子系统发展不均衡的特征。

3.2.3能力引领型

能力引领型省份代表此类省份创新能力基础处于中部区间，但是创新效率指数小于1，可能存在创新能力下降的风险，需要注意区域科技创新系统的稳定性，具体如表7所示。

四川省4项指标排名第一，但是需要创新发展重向创新产出的应用方面倾斜，应该更加注重新产品的研发和销售。安徽省、陕西省、湖南省情况较为类似，其中陕西省创新应用水平相对薄弱，安徽省、湖南省应该加大创新投入力度，同时注重创新系统内吸收能力的提高。

3.2.4效率引领型

效率引领型省份表示此区域内省份创新能力基础较弱，虽然创新投入产出效率大于1，但是短期时间内无法改变整体创新能力薄弱的局面，需要制定中长期的创新发展规划以适应改变迅速的动态创新格局，具体如表8所示。

陕西省、云南省、黑龙江省、吉林省都至少在一项创新指标得分中排名第1，这些省份应该保持现有科技创新优势，弥补科技创新指标的短板。山西省、贵州省、广西省、甘肃省大部分指标处于中等水平，应该注重创新资源转化能力的提升，加强创新基础设施建设。内蒙古、新疆、宁夏、西藏等自治区由于创新资源匮乏、创新活动开展较晚、创新基础较差，应该稳步提升创新基础能力，在规模扩大的过程中保持现有创新投入产出效率。

3.2.5创新萌芽型

创新萌芽型省份包括江西省和青海省，这两个省份创新能力基础较差，根据创新效率指标的表现，存在着技术水平下降的問题。此类省份应该尽快找出核心缺陷，提升当地企业创新积极性，大力支持高校和科研院所的创新合作，具体如表9所示。

4结论

以上基于Malmquist生产率指数模型、熵权法测度模型，并通过维度组合的聚类分析，以中国31个省市自治区为研究单元，对2019年的区域创新效率和创新能力进行了测度，并对其特征进行了分析，从多因素的创新驱动视角和地区差异化角度进行分析，主要得出以下结论：

第一，城市创新评价可以从创新环境、创新合作、创新潜力、创新投入、创新产出、创新应用6个方面构建综合性的创新能力评价指标体系，全程使用客观赋权的方法，具有较强的客观性，可以从全面视域下评价区域科技创新能力。通过我国各省市自治区科技创新能力评价的结果，可以看出本文构建的区域科技创新能力评价框架有较强的实用价值和指导性。

第二，对31个省市自治区进行了聚类分析，发现可以分为5类区域创新形式：创新正反馈型，创新效率和创新能力拟合，创新基础较好，创新环境和经费投入可以使创新能力实现增长；创新潜力型，创新基础较好，但是创新环境的不适应，导致总体创新能力发展停滞；能力引领型，创新能力基础较好，但是创新效率呈下行趋势；效率引领型，创新效率上行趋势，但是由于创新能力基础薄弱，制约了区域创新发展；创新萌芽型，创新能力和创新效率都有待提升。北京市、广东省、江苏省、浙江省、上海市、山东省创新综合指数处在全国第一梯队。从整体上看，我国大部分省市区域创新效率正向阶段（创新正反馈型、创新潜力型、效率引领型）。

第三，从细分指标因素看，创新合作和创新潜力是构成区域创新体系中吸收能力的主要部分，但对于创新能力综合指数的直接影响并不显著。不能忽略的是，创新应用阶段和创新效率的显著联系。并且，区域经济发展能力和水平、区域创新投入等创新环境因素仍然对区域创新效率有潜在影响，可以从一些经济发展并不领先的省市仍然有超过一线省市的创新效率表现，例如河北创新效率高于北京、山西的创新效率高于上海。

我国地区经济发展、地理位置、产业基础等仍存在差异，在建设创新型国家的大背景下，区域经济可持续发展也被重点关注。区域创新效率对于提升区域竞争力、维持区域经济的可持续发展具有重要影响作用。然而区域之间的差异化创新能力发展必将导致区域经济发展不平衡状态。因此如何在经济可持续发展、资源友好型社会的前提下实现区域创新能力的平衡也成为未来的一个研究方向。

参考文献：

[1]董微微.专利分析方法对技术路线图制定的支撑作用研究——基于技术创新视角[J].现代情报， 2017， 37（2）： 44-51.

[2]朱海就.区域创新能力评估的指标体系研究[J].科研管理， 2004（3）： 30-35.

[3]刘凤朝，潘雄锋，施定国.基于集对分析法的区域自主创新能力评价研究[J].中国软科学， 2005（11）： 83-91，106.

[4]周立，吴玉鸣.中国区域创新能力：因素分析与聚类研究——兼论区域创新能力综合评价的因素分析替代方法[J].中国软科学， 2006（8）： 96-103.

[5]康健，胡祖光.基于区域产业互动的三螺旋协同创新能力评价研究[J].科研管理， 2014， 35（5）： 19-26.

[6]鲁继通.京津冀区域协同创新能力测度与评价——基于复合系统协同度模型[J].科技管理研究， 2015， 35（24）： 165-170，176.

[7]杨明海，张红霞，孙亚男.七大城市群创新能力的区域差距及其分布动态演进[J].数量经济技术经济研究， 2017， 34（3）： 21-39.

[8]党文娟，张宗益，康继军.创新环境对促进我国区域创新能力的影响[J].中国软科学， 2008（3）： 52-57.

[9]王锐淇，彭良涛，蒋宁.基于SFA与Malmquist方法的区域技术创新效率测度与影响因素分析[J].科学学与科学技术管理， 2010， 31（9）： 121-128.

[10]宇文晶，马丽华，李海霞.基于两阶段串联DEA的区域高技术产业创新效率及影响因素研究[J].研究与发展管理， 2015， 27（3）： 137-146.

[11] HU M C， JOHN A. MATHEWS. National innovative capacity in EastAsia [J]. Research Policy， 2005， 34（9）： 1322-1349.

[12] FURMAN J L ， PORTER M E ， STERN S. The determinants of national innovative capacity [J]. Research Policy， 2002， 31（6） ： 63-63.

[13] CASTELLACCI F， NATERA J M. The dynamics of national innovation systems： A panel cointegration analysis of the coevolution between innovative capability and absorptive capacity[J]. Research Policy， 2013， 42（3） ： 579-594.

[14]仲偉俊，梅姝娥，谢园园.产学研合作技术创新模式分析[J].中国软科学， 2009（8）： 174-181.

[15]潘雄锋，刘清，彭晓雪.基于全局熵值法模型的我国区域创新能力动态评价与分析[J].运筹与管理， 2015， 24（4）： 155-162.

[16]王锐淇，彭良涛，蒋宁.基于SFA与Malmquist方法的区域技术创新效率测度与影响因素分析[J].科学学与科学技术管理， 2010， 31（9）： 121-128.

[17]张俊婷，王国金，吴洁，等.基于熵权-DEMATEL的江苏高校科技创新能力评价研究[J].科技管理研究， 2018， 38（9）： 47-54.

[18]叶丹，黄庆华.区域创新环境对高技术产业创新效率的影响研究——基于DEA-Malmquist方法[J].宏观经济研究， 2017（8）： 132-140.

[19]陈艳华.基于熵权TOPSIS的区域科技创新能力实证研究[J].工业技术经济， 2017， 36（5）： 46-51.

Research on the Construction of Chinas Regional Innovation Effectiveness Clustering Evaluation System Based on EntropyMalmquist

KANG Xudong，LIN Xin，WANG Hailong

（WISE Lab of Dalian University of Technology， Dalian 116024， China）

Abstract： Facing the rapid development of regional innovation development situation， the existing regional innovation capability evaluation system is difficult to adapt. More various evaluation indicators need to be considered reasonably in the process of regional innovation and development， so the single-dimensional regional innovation evaluation system urgently needs to be improved， which provides a reference for understanding the development trend of regional technological innovation. Basing on innovation capability and innovation efficiency， regional innovation is divided into six basic indicators： innovation environment； innovation cooperation； innovation potential； innovation input； innovation output； innovation application. Based on the comprehensive measurement of innovation ability and innovation efficiency， regional innovation is divided into 5 types： positive feedback type； innovation potential type； capability-leading type； efficiencyleading type； budding innovation type.

Keywords： innovation ability；innovation efficiency；entropy；Malmquist；clustering