马艳艳 郭金 张凯琳
摘要：科技创新能力对区域经济发展至关重要。对近年来经济增长势头明显下滑的东北地区而言，区域创新能力的提升有助于东北老工业基地振兴战略和区域经济复苏的实现。使用全局主成分分析法和因子分析，对2005～2014年东北地区8项创新能力指标组成的面板数据建立区域创新能力评价体系并进行动态评价。研究结果表明，在样本期间，东北地区区域创新能力总体呈上升趋势，综合排序为辽宁省、黑龙江省、吉林省，辽宁省在公共创新和企业创新方面均有明显优势，但东北地区仍存在企业创新缺乏后劲和省份间差距扩大等问题。最后提出了相应的对策建议。
关键词：东北地区;区域创新能力;全局主成分分析;因子分析
中图分类号：F061.5 文献标识码：A DOI：10.3969/j.issn.1003-8256.2018.06.003
0 引言
自2003年老工业基地振兴战略实施以来，东北振兴取得较大进展。但近几年来，东北地区的经济增速明显放缓，甚至出现负增长，呈现出“区域性塌陷”态势。导致东北地区经济增速下滑的原因复杂，既包括宏观经济结构因素，也包括微观产业结构因素。党的十九大明确提出，深化改革，加快东北等老工业基地的振兴进程，是构成我国新时代区域协调发展战略的重要组成部分。老工业基地振兴必须依靠科技创新作为重要的助推器。创新能力作为促进区域经济增长、影响区域经济竞争的重要因素，是衡量区域科技创新实力和发展潜力的重要尺度[1]。因此，客观、科学地对东北地区创新能力进行评价并分析其变化趋势，对于东北地区区域创新体系建设具有重要的现实意义。
1 文献回顾
在众多对于创新概念的解释或理解中，1912年美籍奥地利经济学家熊彼特（Joseph A·Schumpeter）[2]提出的创新理论是对后来的研究影响最为深远的。根据熊彼特的观点，创新的含义是把之前没有出现过的生产要素和生产条件的组合引入生产体系，形成一个全新的生产函数，从而产生新的生产力。
首先出现的是国家创新的概念。1987年，英国经济学家弗里曼（Christopher Freeman）[3]提出国家创新体系概念并应用于分析日本经济问题，现在已经成为国家创新能力、国家竞争力的重要研究框架;1993年，美国经济学家尼尔森（Richard R·Nelson）[4]在《国家创新体系：比较分析》中分析了17个国家的创新体系以及各国之间的相似性和差异性;世界经济合作与发展组织（OECD）在1997年的《国家创新系统》报告中将国家创新系统描述为“由公共部门和私人部门的各种机构组成的网络，其行为以及相互作用影响一个国家知识技术的扩散能力，进而决定国家的创新绩效”[5]。
随着对国家创新系统的研究日益成熟，在区域经济日益发展活跃的时代背景下，国内外学者意识到区域经济的重要性，“区域”也开始和“国家”一样成为有代表性的经济利益体。对于区域创新能力的基本内涵，国内外暂时没有形成明确统一的概念。英国卡迪夫大学库克（Philip Cooke）[6]于1992年在《区域创新系统：全球化背景下区域政府管理的作用》一书中首先提出了区域创新系统，从系统构成的角度对区域创新系统的概念作了十分详细的界定。在我国，中国科技发展战略小组的研究在此方面具有一定权威性，他们认为区域创新能力是指一个地区将知识转化为新产品、新工艺、新服务的能力，表现为对区域社会经济系统的贡献能力，他们还将区域创新能力划分为知识创造能力、知识流动能力、企业创新能力、创新环境和创新绩效五个决定要素[7];任胜钢等[8]对区域创新能力的定义是：某一特定区域的各个创新主体在一定创新环境条件下，创新投入与产出的水平;范柏乃等[9]认为区域经济产出能力是区域创新能力的重点，促进经济增长和提高区域综合竞争力是提升区域创新能力的推动力。
国内诸多学者从不同角度、运用不同分析方法构建了区域创新能力评价体系。魏阙等[10]采用层次分析法及综合评价法对吉林省“十一五”及“十二五”期间区域创新能力进行量化分析;曾春媛等[11]利用因子分析法对八大经济区进行综合评价并对构成要素进行横向比较，然后对其2005～2012年的创新能力进行纵向分析;傅为忠等[12]提出了一种基于网络层次分析法和灰色关联分析法相结合的区域创新能力评价指标权重计算方法;王香花等[13]采用主基底变量筛选和个性综合评价对2013年我国30个省市和13个评价指标进行了分析;徐林明等[14]利用基于Borda法的动态组合评价方法构建区域协同创新能力评价指标体系，对2009～2013年期间东部地区区域协同创新能力进行动态组合评价;李美娟等[15]提出基于灰靶理论的动态评价方法，构建区域协同创新能力评价指标体系，对2009～2013年期间中国省域协同创新能力整体和分项能力情况进行了研究;李庆军等[16]利用因子分析法结合2015年山东省统计年鉴和山东省科技统计年鉴的相关数据，对山东省17市的创新能力进行了评价与分析;李兴光等[17]以中国科技发展战略小组编写的系列研究报告《中国区域创新能力报告（2009—2016）》为基础，参照区域创新能力的各项评价指标，对京津冀区域创新能力动态变化进行定性分析。
综上所述，以往研究大部分着眼于某省内部地市创新能力的评价或大地理区域之间的对比分析，而从一个地理区域内的不同省份之间对比分析角度进行的研究较少，针对东北地区的研究就更少;另一方面，许多研究仅仅分析某时间节点的创新能力状况，并不能反映区域创新能力的发展变化情况，而在动态评价方面仍然缺少权威客观并具有一定普遍适用性的研究方法。本文的主要创新点包括：第一，使用可搜集到的最新10年数据对东北三省创新能力相对水平进行了对比分析;第二，本文率先将客观确定指标权重、适用于动态变化分析的全局主成分分析法应用于区域创新能力评价研究中;第三，本文进一步利用旋转后的因子载荷矩阵对不同主成分所反映的创新能力不同方面进行了展开分析，比之前研究中较为笼统的区域创新综合能力更细化，对于区域创新能力的提升更具有针对性和现实参考价值。
2 东北地区区域创新能力评价模型的构建
2.1 指标选取
区域创新能力评价需要一套较好的指标。中国科技发展战略研究小组在召开了近十次不同专家组成的学术会议、听取了许多专家的意见后形成的区域创新能力评价框架具有一定的权威性和完善性。这个框架综合考虑了区域创新体系建设情况、区域科技创新的链条建设、创新环境和绩效的重要性，以及兼顾存量和增量四个原则[18]。因此，本文在选取指标的过程中，主要参考了该小组在《中国区域创新能力报告》中给出的指标体系，兼顾数据的完整性、连续性和指标的代表性，最终确定四类（知识创造、知识获取、企业创新、创新绩效）8个指标（见表1）。
2.2 研究方法
2.2.1 经典主成分分析
主成分分析的思想是将多指标数据降维，使得在研究复杂问题时更容易抓住主要矛盾，简化问题。通过对根据样本数据得出的原始变量相关系数矩阵或协方差矩阵内部结构关系的处理，在保留原始变量主要信息的前提下利用原始变量的线性组合形成几个线性无关的人造指标，即主成分。每一个主成分都是原始指标的线性组合，每个主成分也根据其方差贡献率确定自身在最终的综合得分中的权重，最终得到原始指标在综合得分模型中的系数。
2.2.2 全局主成分分析
经典的主成分分析法往往只能用于截面数据的处理，不适合动态分析。随着社会各项统计数据的逐渐积累完善，产生了大量有时间顺序的截面数据组，即时序立体数据表或面板数据。肖泽磊等[19]在进行面板数据聚类分析前采用主成分分析对多指标面板数据进行了降维处理，但在每一时间上单独进行主成分分析导致不同的数据表有完全不同的主超平面，不能满足系统分析的统一性要求[20]。因此，本文对时序立体数据表进行全局主成分分析，可以用来了解系统的总体水平随时间的变化轨迹，这种方法是经典的主成分分析法和时间序列分析法的结合[21]，具体过程如下：
（1）建立时序立体数据表
若研究个地区，分别使用相同的个经济指标来描述，则在t年度就有一张行列的数据表：。每年一张表，年共有张数据表，这就是时序立体数据表。然后，将张数据表从上到下排列构成一个行，列的大矩阵，将这个矩阵定义为全局数据表，记为：
（2）将数据进行标准化处理
为了消除量纲和数量级的影响，需要对原始数据进行标准化处理，本文选择的是Z标准化方法，该方法是多变量综合分析中使用最多的一种。本文将标准后的数据表记为Z。
处理后各变量的平均值为0，标准差为1。
（3）对标准化阵Z求相关系数矩阵
定义全局时序数据表的重心：
其中是年度样本点的权重，且满足：
由于权重不随时间所改变，故全局重心与各表重心的平均相等。定义全局变量为：
则全局方差为：
全局协方差为：
由此得到全局协方差矩阵：
，由于数据已经标准化处理，所以协方差矩阵即为相关系数矩阵。
（4）求特征根，确定主成分的个数
解相关系数矩阵的特征方程=0共得到个特征根，其中值由累计方差贡献率 ≥85%或决定。再求出对应的特征向量，，…，，称为全局主轴。
（5）计算主成分
是第个地区第个主成分的计算公式。
（6）利用个主成分进行综合评价
对个主成分的计算结果进行加权求和，权数为每个主成分的方差贡献率，即可得到最终的综合得分评价值。
2.3 模型构建与应用
本文从国家统计局网站和《中国区域创新能力评价报告》中获得2005～2014年东北三省创新能力相关指标共240个数据，将数据导入SPSS软件，在经过标准化处理后，进行全局主成分分析，结果如表2所示。
表2中第一列为8个成分;第二列为对应的特征值，表示所贡献的方差大小;第三列为对应的成分所贡献的方差占总方差的百分比;第四列为累计百分比。本文选择特征值大于1的前两个成分作为主成分，二者合计能够解释84.932%的方差，可以认为包含了绝大部分原始信息，其余成分包含的信息较少，故舍弃。
表3中的数值叫载荷数，为变量与主成分之间的相关系数，绝对值越大，说明关系越密切。可以看出，第一主成分与政府研发投入、研究与实验发展全时人员当量、发明专利授权数、技术市场交易金额（按流向）、人均GDP、规模以上工业企业技术改造经费支出、规模以上工业企业R&D人员数等指标均具有很强的正相关性，与高技术企业数具有轻微的负相关性。而第二主成分与高技术企业数存之间在显着的正相关性，与规模以上工业企业技术改造经费支出、规模以上工业企业R&D人员数存在中等的正相关性，与发明专利授权数、技术市场交易金额（按流向）、人均GDP水平、政府研发投入之间存在负相关性。这里得到的结果不能十分清晰地反映出不同主成分所代表的具体含义，因此还需要进行因子分析，以此获得旋转后的载荷矩阵。
计算表3中的载荷数除以表2中第2列对应的特征值的平方根可得到指标在不同主成分线性组合中的系数。按此方法，基于表2和表3的数据，分别计算出各指标在两个主成分线性组合中的系数，结果见表4。两个主成分的最终表达式为：
表2中主成分的方差百分比表示各主成分方差贡献率，方差贡献率越大则该主成分越重要。因此，方差贡献率可以作为不同主成分的权重。本文以这两个主成分方差贡献率为权重，对指标在这两个主成分线性组合中的系数做加权平均，并进行归一化处理，结果见表4。
由此得到综合得分模型为：
接下来，本文继续对样本数据进行因子分析以获得旋转后的载荷矩阵。值得注意的是，主成分值与因子值不可混淆，本文使用旋转后因子载荷阵，是为了获得主成分的含义更清晰的解释进而命名主成分，没有用到因子值，因此没有混淆主成分分析和因子分析[21]。
首先要对变量进行相关性检验。KMO（Kaiser-Meyer-Olkin）检验统计量是用于比较变量间简单相关系数和偏相关系数的指标，KMO值接近1说明变量间的相关性越强，变量越适合作因子分析;所有变量间的简单相关系数平方和越接近0，KMO值越接近于0说明变量间的相关性越弱，越不适合作因子分析。本文数据的输出结果KMO值为0.71，适合进行因子分析。
表5中的数值为旋转后主成分与原始变量之间的相关系数，绝对值越大，说明关系越密切。本文注意到，组件1与发明专利授权数、人均GDP水平、政府研发投入、技术市场交易金额按流向、研究与实验发展全时人员当量等反映公共部门创新投入与产出的指标相关性较强，因此本文将组件1即第一主成分命名为“公共创新因子”;而组件2与高技术企业数、规模以上工业企业技术改造经费支出、规模以上工业企业R&D人员数等直接反映企业创新能力的指标相关性较强，所以本文将组件2即第二主成分命名为“企业创新因子”，两个主成分的得分分别大致反映对应的创新能力水平，如表6所示。
3 东北地区区域创新能力评价结果分析
从东北三省区域创新能力综合得分情况来看，三个省份的得分高低按辽宁、黑龙江、吉林依次排列，辽宁省的综合得分明显高于其他两省，这说明辽宁省的区域创新能力总体而言优于黑龙江、吉林;三个省份在样本末期的综合得分均高于样本初期，并且从折线图中可以看出上升趋势，这说明在样本期间东北三省区域创新能力总体来说均有所提升;辽宁省的创新能力综合得分从2005年（0.492）到2014年（1.943）增长了1.451分，吉林省的创新能力综合得分从2005年（-1.227）到2014年（-0.203）增长了1.024分，黑龙江省的创新能力综合得分从2005年（-1.054）到2014年（0.0500）增长了1.104分，总分最高的省份的增长数值也最多，这说明东北地区三省之间的区域创新能力差距在扩大。
第一主成分（公共创新因子）贡献的方差百分比为63.355%，说明公共创新投入与产出情况对区域自主创新能力具有决定性作用。从东北三省在样本期内的分数变化来看，其动态变化趋势与综合得分类似，辽宁省的第一主成分得分明显高于其他两省，这说明总体而言辽宁省的公共创新投入和产出情况优于黑龙江、吉林;三个省份在样本末期的综合得分均高于样本初期，并且从折线图中可以看出上升趋势，这说明在样本期间东北三省公共创新能力总体来说均有所提升。
第二主成分（企业创新因子）贡献的方差百分比为21.576%，说明企业创新能力是区域自主创新能力的一个重要方面。从得分变化来看，相对黑龙江和吉林两省，辽宁省仍然有较为明显的优势，黑龙江省和吉林省在样本期间前两年（2005～2006年）的得分几乎相同，2007年黑龙江省的得分增加，吉林的得分则下降，此后二者的变化趋势相似，但黑龙江省一直高于吉林省，这说明企业创新能力排序为辽宁省、黑龙江省、吉林省;三个省份除了在2006～2008年期间的企业创新因子得分都出现了一定程度的下降情况外，在其他年份则都基本保持增长趋势，这说明东北地区企业创新能力在样本期间有所增强，但2006～2008年期间可能存在一些干扰因素导致东北地区企业创新情况受到影响;此外，三个省份在样本期最后两年（2013～2014年）的企业创新因子得分各自基本持平，吉林省甚至出现了轻微的降低，这说明近年来东北地区企业创新缺乏进一步的增长活力。
4 研究结论与对策建议
本文使用全局主成分分析法，利用近10年内东北地区8项创新能力指标240个数据建立了区域创新能力评价指标体系。实证研究结果表明：第一，总体而言辽宁省的区域创新能力在东北地区仍处于领先地位，之后依次是黑龙江省和吉林省。第二，在样本期间，东北三省区域创新能力总体来说均有所提升，但三个省份之间的差距有所增加，其中公共创新投入与产出情况和企业创新能力均逐年向好。第三，在公共创新能力和企业创新能力方面辽宁省均好于其他两省，但若单独观察样本期末尾，三个省份的企业创新因子得分都未呈现出明显的增长趋势。
针对以上研究结论，特别是东北地区企业创新能力弱势的问题，本文提出如下对策建议：第一，地方政府在政策制定的过程中强调企业提升创新能力的重要性，并注重完善各类有助于创新能力发展的制度体系，例如知识产权保护和高技术产品税收优惠，在深化国有企业改革方面下大力气，进一步开放市场，给创新型小微企业释放空间和发展活力。第二，加强产学研用协同创新进程，推动创新成果从高校、研究所向东北地区制造企业扩散。第三，鼓励东北地区企业建立开放式全面创新管理体系，夯实内部组织创新基础，提高持续创新能力。第四，东北三省应加强创新协同合作，形成开放互动、优势互补、高效运行的区域科技创新体系。
在经济下行压力持续加大和转型发展需求迫切的时代背景下，东北三省传统的投资驱动、资源驱动模式难以实现可持续发展，地区之间的分化趋势开始显现。东北地区应依靠现有工业基础、资源禀赋和区位比较优势，对东北老工业基地进行改造升级，抓住有利时机，尽快培育形成新的主导产业和新的经济增长点。
参考文献：
[1] 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.
[2] 熊彼特.经济发展理论[M].北京：商务印书馆，1990.
[3] FREEMAN C. Technology policy and economic performance： lessons from Japan[M]. London： Pinter Publishers， 1987.
[4] NELSON R. National innovation systems： a comparative analysis[M]. Oxford University Press，1993.
[5] 成邦文.OECD的科技统计与科技指标[J].中国科技信息，2002（5）：18-22.
[6] COOKE P， HANS Joachim Brazyk， HEIDENREICH M. Regional innovation systems： the role of governance in the globalized world [M]. London： UCL Press，1996.
[7] 中国科技发展战略研究小组.2002年中国区域创新能力评价[J].科学学与科学技术管理，2003（4）：5-11.
[8] 任胜钢，彭建华.基于因子分析法的中国区域创新能力的评价及比较[J].系统工程，2007（2）：87-92.
[9] 范柏乃，陈玉龙，段忠贤.区域创新能力研究述评[J].自然辩证法通，2015，37（5）：95-102.
[10] 魏阙，戴磊.吉林省区域创新能力评价指标体系研究[J].科研管理，2015，36（增刊1）：22-28.
[11] 曾春媛，王锦，高楠，等.我国区域创新能力的评价及比较：基于八大经济区的实证研究[J].科技管理研究，2015，35（10）：1-6.
[12] 傅为忠，李宁馨.基于ANP和GRAP组合的区域创新能力评价指标权重的最小偏差计算方法研究[J].软科学，2015，29（11）：130-134.
[13] 王香花，苏彩平.基于创新系统视角的区域自主创新能力评价[J].统计与决策，2016（18）：58-61.
[14] 徐林明，孙秋碧，李美娟，等.区域协同创新能力的动态组合评价[J].统计与决策，2017（9）：68-70.
[15] 李美娟，魏寅坤，徐林明.基于灰靶理论的区域协同创新能力动态评价与分析[J].科学学与科学技术管理，2017，38（8）：122-132.
[16] 李庆军，王霞，潘云文，等.基于因子分析的山东区域创新能力评价研究[J].科学与管理，2017，37（6）：32-37.
[17] 李兴光，王玉荣，周海娟.京津冀区域创新能力动态变化分析：基于《中国区域创新能力评价报告（2009-2016）》的研究[J].经济与管理，2018，32（2）：9-16.
[18] 中国科技发展战略研究小组，中国科学院大学中国创新创业管理研究中心.中国区域创新能力评价报告2015[R].科学献出版社，2017.
[19] 肖泽磊，李帮义，刘思峰.基于多维面板数据的聚类方法探析及实证研究[J].数理统计与管理，2009，28（5）：831-838.
[20] 万伦来，干俊峰，余晓钰.基于Matlab的时序全局主成分分析方法及应用[J].华东经济管理，2010，24（1）：150-153.
[21] 任娟.多指标面板数据融合聚类分析[J].数理统计与管理，2013，32（1）：57-67.
[22] 林海明，杜子芳.主成分分析综合评价应该注意的问题[J].统计研究，2013，30（8）：25-31.
