我國高新技術產業發展時空格局演變分析——基于2010～2014年29個省市面板數據的實證研究

杜文忠　崔艷麗

(桂林電子科技大學，桂林　541004)

我國高新技術產業發展時空格局演變分析
——基于2010～2014年29個省市面板數據的實證研究

杜文忠崔艷麗

(桂林電子科技大學，桂林541004)

〔摘要〕本文選取了我國高新技術產業2010～2014年29個省市的面板數據，限于因子分析法只適用截面數據的不足，采用因子分析法和改進的TOPSIS法結合，從生產經營、固定資產投資、R&D活動3個方面，測算了我國各省域高新技術產業發展的綜合評價指數，并對我國高新技術產業發展梯度變遷的時空格局演變進行了分析。結果表明：基于時間維度，2010～2014年我國高新技術產業不同梯度省市的梯度變遷幅度不同；從空間格局看，我國29個省市高新技術產業發展水平存在著顯著的差異，我國大部分省市高新技術產業的發展水平處于較低階段且空間格局不平衡。

〔關鍵詞〕高新技術產業因子分析改進的TOPSIS法梯度變遷

引　言

隨著經濟的快速發展與科技創新腳步的加快，高新技術產業的發展對推動經濟的發展進程發揮著根本性的作用，并且逐漸成為了經濟活動中最有活力的產業。國務院發布的《國家中長期科學和技術發展規劃綱要(2006～2020年)》確定，到2020年，全社會研究開發投入占國內生產總值的比重提高到2.5%以上，力爭科技進步貢獻率達到60%以上，對外技術依存度降低到30%以下，本國人發明專利年度授權量和國際科學論文被引用數均進入世界前5位[1]，表明了政府對高新技術產業的政策支持。因此，分析高新技術產業發展的時空格局演變，對促進我國高新技術產業優化空間布局和實現科技促進經濟發展的目標有著一定的研究意義。

國內外學者對高新技術產業的發展從不同角度進行了時空演變研究，Marcel Hülsbeck和Elena N.Pickavé(2012)以德國區域空間為例，分析了區域知識生產對高新技術產業發展的影響，得出了產業和大學研究生產的新知識分布往往是跨區域的，區域化生產新知識是高新技術產業發展的前提[2]。David Han-Min Wang和Tiffany Hui-Kuang Yu等(2013)研究了高新技術產業發展對經濟增長的影響，采用分位數回歸方法，根據23個經合組織國家和臺灣在1991～2006年期間的面板數據，得出在跨不同分位數條件下，高新技術產業發展對經濟增長的效應存在著顯著的差異[3]。關于高新技術產業時間演變趨勢的研究，楊清可、段學軍(2014)從綜合技術效率、純技術效率、規模效率3個指標方面，測算了1996～2010年我國高新技術產業的發展趨勢，得出了其發展趨勢分為3個階段：1996～2000年技術效率處于上升階段，2000～2005年由于R&D投入為代表的技術要素投入不足，集約化水平較低，技術效率下降明顯；2005～2010年市場逐漸成熟，政府支持和企業的創新使得技術效率持續提高[4]。基于空間格局的研究，潘霞、鞠曉峰等(2013)從內在競爭力和外在競爭力出發，分別構建了競爭力評價指標體系，采用因子分析法得出了29個地區的綜合得分，然后進行了K-均值聚類分析，分為三大集聚中心：珠江三角洲、長江三角洲、環渤海經濟圈，且三大集聚中心內部和外部都有著明顯的差異[5]。張同斌、范慶泉通過研究省域高新技術產業發展水平在2004～2008年間的梯度變遷，得出了第一梯度的高新技術產業基本分布在東部且發展水平變化不明顯，中西部地區高新技術產業發展水平相對落后且梯度變化較大[6]。劉昌年、張銀銀(2014)研究了中國高新技術產業競爭水平，從投入能力、產出能力和發展能力3個方面，采用了因子分析法和聚類分析法分析了30個省的競爭力，得出了高新技術產業投入和產出兩方面對高新技術產業競爭力水平的提高有著顯著的作用，而發展能力對高新技術產業競爭的促進作用不顯著，最后得出了30個省的高新技術產業競爭力水平有著顯著的差異和分布不均衡，由東部到西部分了3個梯度[7]的結論。

1　實證模型和數據來源

1.1因子分析法

因子分析法是主成分分析的擴展和推廣，最早由英國心理學家C.E斯皮爾曼提出。主要思路是通過原始變量的相關系數矩陣內部結構的研究，導出能控制所有變量的少數幾個不可觀測的綜合變量，通過這少數的幾個綜合變量去描述原始的多個變量之間的相關關系。因子分析模型的構建[8]：

假設原始變量為X=(X1，X2，…，Xi)T，公共因子為F=(F1，F2，…，Fm)T(m

Xi=ai1F1+ai2F2+ai3F3+…+aimFm+εi(j=1，2，3，…，n，?n為原始變量總數)

(1)

矩陣形式：X=AF+ε，其中因子載荷矩陣。A=(ai1，ai2，…，aim)。

1.2改進的TOPSIS法

TOPSIS(Technique for Order Preference by Similarity to an Ideal Solution)法是C.L.Hwang和K.Yoon于1981年首次提出，是系統多目標決策分析中一種常用的有效方法，又稱為優劣解距離法。其基本思想：基于歸一化后的原始數據矩陣，找出有限方案中的最優向量和最劣向量，然后分別計算各評價對象與理想解和負理想解的距離，獲得各評價對象與最優方案的相對接近程度，以此作為評價優劣的依據。改進的TOPSIS法具體算法如下[9]：

(1)實際值和該指標的最小值之差與該指標的極差的比值來表示規范化數據，本文通過進一步處理使得規范化后的數據取值范圍在0.1～0.9之間。

(2)

(2)對規范化后的數據進行歸一化處理，并建立相應的矩陣。

(3)

由此得出歸一化后的矩陣：

(4)

(3)根據歸一化后的矩陣確定最優向量和最劣向量

(4)計算第i個省市綜合評價指數與理想解和負理想解的距離：

(5)

(6)

(5)測算各評價對象與最優方案的相對接近程度：

(7)

式(7)中，Ci∈[0，1]，Ci越大，表示第i個省市高新技術產業發展水平越高，Ci越接近1，表示第i個省市綜合評價指數越接近理想解；反之，Ci越接近0，表示第i個省市綜合評價指數越接近負理想解。

1.3數據來源

本文從高新技術產業生產經營情況、固定資產投資情況、R&D及其相關活動情況3個方面選取了16個指標，所選的指標數據來源于《中國高技術產業統計年鑒》并對原始數據進行整理，由于西藏和青海數據缺失比較嚴重剔除這兩個省，其他省個別缺失值以臨近年份的滑動平均值來填補，從而消除原始數據中0值導致的誤差[4]。通過選取2010～2014年29個省市的面板數據，對我國高新技術產業發展時空格局演變進行分析。

2　實證研究

2.1指標體系的建立

為了測度我國高新技術產業的綜合發展水平，需要選取多指標對高新技術產業發展綜合評價指數進行測算，根據指標的系統性、可操作性、數據可獲得性等原則構建規范合理的指標體系。從高新技術產業生產經營情況、固定資產投資情況、R&D及其相關活動情況3個方面構建了16個評價指標(見表1)對我國高新技術產業的綜合發展水平進行評價。

表1　高新技術產業發展評價指標體系

2.2我國高新技術產業發展綜合評價指數的測算

運用SPSS(19.0)統計軟件對2010～2014年29個省市每年的橫截面數據進行因子分析，由于篇幅的限制，本文僅以2014年因子分析過程為例。

2.2.1進行KMO檢驗和Bartlett檢驗

KMO檢驗和Bartlett檢驗是測度因子分析模型有效性的兩個相關性檢驗。KMO統計量是比較各變量間簡單相關系數和偏相關系數的指標，KMO值越接近1表示越適合作因子分析，Bartlett球形度檢驗原假設H0：相關系數矩陣是單位陣，如果Sig值拒絕原假設表示變量之間存在相關關系，適合做因子分析。檢驗結果(見表2)表明：KMO的檢驗值為0.751，Bartlett球形度檢驗值為1205.610較大且Sig值為0.000遠小于顯著性水平0.05，所以拒絕原假設H0表示變量之間存在相關關系，兩個檢驗都說明適合做因子分析。

表2　KMO和Bartlett的檢驗

2.2.2因子方差的貢獻率解釋和因子命名

根據因子貢獻率結果(見表3)，采用主成分法提取公因子，提取初始特征值大于1的3個主成分作為主因子，第一個因子的特征值為11.568，解釋了原有16個變量總方差的72.298%，前3個因子的累計方差貢獻率為92.451%，由此可見提取3個主成分已足夠替代原來的全部變量，幾乎涵蓋了原變量的全部信息。

表3　解釋的總方差

提取方法：主成份分析。

采用最大方差法對因子載荷矩陣實施Kaiser 標準化的正交旋轉使得因子載荷系數向0或1兩極分化，使大的載荷更大，小的載荷更小，這樣結果更具可解釋性。根據旋轉后的因子載荷矩陣(見表4)，第1個公因子F1在生產經營情況和R&D情況上都有較高的載荷，命名為生產研發因子，第2個公因子F2在X6、X7、X8上具有較大的載荷數命名為資產投資因子，第3個公因子F3命名為其他因子。

表4　旋轉成份矩陣

提取方法：主成份。旋轉法：具有Kaiser標準化的正交旋轉法。a．旋轉在5次迭代后收斂。

2.2.3綜合評價指數的計算

通過將公因子作為因變量進行回歸分析計算相應的因子得分系數，根據因子成份得分系數矩陣(見表5)，得出各因子得分函數：

Fj=aj1X1+aj2X2+aj3X3+…+ajiXi(i=1，2，3，…，m)

(8)

函數中的各個變量 不是原始變量而是無量綱的標準化變量。3個公因子得分表達式：

(9)

結合因子方差貢獻率占3個因子總方差貢獻率的比重作為權重進行加權計算綜合評價指數函數[10]：

(10)

表5　成份得分系數矩陣

提取方法：主成份。旋轉法：具有Kaiser標準化的正交旋轉法。構成得分。

通過對我國高新技術產業29個省市每年的截面數據進行因子分析測算其綜合評價指數，由于不同的截面數據因子分析所得的綜合評價指數是相互獨立的不具有可加性，對其進行加權平均容易導致誤差的存在。本文采用因子分析法和改進的TOPSIS法結合，以每一年的截面數據綜合評價指數的最大值和最小值作為最優向量和最劣向量，通過改進的TOPSIS法得出綜合評價指數最靠近理想解同時又最遠離負理想解的最優方案[11]。根據我國高新技術產業29個省原始數據標準化、因子分析評價指數函數式(9)、(10)和改進的TOPSIS法如式(2)～(7)，測算出2010～2014年的綜合評價指數及排名(見表6)并根據排名分了4個梯度。

表6　高新技術產業發展綜合評價指數及排名

續　　表

3　我國高新技術產業發展的時空格局演變分析

3.1時間維度演變分析

基于時間維度，2010～2014年我國高新技術產業發展梯度變化趨勢(見圖1)，但不同梯度的省市梯度變遷幅度存在顯著差異，第一梯度的高新技術產業區域由廣東、江蘇、上海、山東、浙江、北京、福建7個省市組成，處于高新技術產業發展的最高層次，尤其是廣東、江蘇一直處于遙遙領先的地位，2010～2014年高新技術產業發展的第一梯度變遷幅度比較小，且其發展水平在一定程度領先于其他省市，提升和變動的空間都比較小，所以第一梯度一直由這7個省市組成。相對而言，第三梯度的高新技術產業發展水平相對落后但有很大的發展空間，各省份由于高新技術產業R&D活動的投入、固定資產的投入、政府政策變化等的不同都會導致高新技術產業發展速度的顯著差異，在2010～2014年間梯度出現大幅度變遷，且7個省市高新技術產業發展都發生了跨梯度的變遷和發展水平處于波動狀態。

圖1　2010～2015年梯度變化趨勢圖

通過對各省的梯度變化趨勢的分析，不同的省市的梯度變遷呈不同的上升或下降趨勢(見圖2)，貴州、黑龍江、海南、新疆4個省由于自身的工業化基礎較差導致經濟條件相對落后，高新技術產業發展處于第三梯度末或第四梯度，但是其發展的空間很大，2010～2014年4個省的發展基本上呈上升趨勢且跨越了一個梯度上升到了第二梯度末或第三梯度；遼寧、河北、江西、吉林4個省可能由于政府對高新技術產業發展的支持力度不夠和產業結構沒有得到及時調整，高新技術產業發展梯度出現了下降趨勢，尤其是遼寧出現了大幅度下滑，由2010年的第二梯度到2014年變遷到第四梯度。

圖2　梯度上升和梯度下降明顯的省份

3.2空間格局差異性分析

基于空間格局的差異性分析，本文選取了全國29個省市的數據，采用因子分析和TOPSIS法結合，測算了高新技術產業每年的綜合評價指數及最接近理想狀態的綜合評價指數，通過對2014年和最理想綜合評價指數的分析(見圖3)，結果表明：2014年29個省綜合評價指數呈指數趨勢下降，第一梯度和其他3個梯度的高新技術產業發展水平存在著顯著的差別，且其梯度內部7個省市之間也存在著明顯的差異，廣東的高新技術產業綜合評價指數達到3.74，其綜合發展水平遙遙領先于其他省市，從圖3可以看出只有第一梯度的綜合評價指數大于0，全國只有約25%的省市的高新技術產業的發展水平比較好，其他省市都處于相對較低的發展階段，相對而言，第二梯度、第三梯度、第四梯度的2014年的綜合評價指數都小于零且3個梯度的省市之間的發展水平差異比較小，從最理想狀態的綜合評價指數曲線可以看出其值都趨向于0，我國大部分省市高新技術產業發展水平較低，發達省市的高新技術產業與落后地區之間的高新技術產業存在著顯著的差異，說明了我國的高新技術產業發展水平的空間格局分布不平衡。

圖3　2014年和最理想綜合評價指數趨勢

4　結　論

通過采用因子分析法和改進的TOPSIS法的結合，本文從生產經營情況、固定資產投資情況、R&D及相關活動情況3個方面選取16個指標測算了2010～2014年每一年高新技術產業截面數據的綜合評價指數，以5年的綜合評價指數為基數，通過采用改進的TOPSIS法對得出綜合評價指數最靠近理想解同時又最遠離負理想解的最優方案，并對其以均值法進行梯度的劃分和分析。基于時間維度，第一梯度的高新技術產業的發展水平處于最高層次且其梯度的變遷幅度很小(例如廣東、江蘇一直處于前兩位)，相對而言，第三梯度的高新技術產業發展水平在2010～2014年經歷了大幅度的波動，5年之間7個省市都出現了跨梯度的變遷，相對經濟條件比較落后的地區(如貴州、黑龍江、海南、新疆)呈現了上升的趨勢且都向上跨越了一個梯度。從空間格局角度看，我國29個省市高新技術產業發展水平存在著顯著的差異，第一梯度內部的不同省市之間也呈現出較大的差別，廣東高新技術產業水平處于遙遙領先的地位，綜合來看，我國大部分省市高新技術產業的發展水平處于較低階段，空間格局不同導致高新技術產業的發展出現了極度的不平衡現象。

參考文獻

[1]國家中長期科學和技術發展規劃綱要(2006～2020年)[J].中華人民共和國國務院公報,2006,(9):7～37

[2]Marcel Hülsbeck ,Elena N.Pickavé.Regional Knowledge Production as Determinant of High-technology Entrepreneurship:Empirical Evidence for Germany[J].Int Entrep Manag,2014,(10):121～138

[3]David Han-Min Wang,Tiffany Hui-Kuang Yu,Hong-Quan Liu.Heterogeneous Effect of High-tech Industrial R&D Spending on Economic Growth[J].Journal of Business Research,2013,66:1990～1993

[4]楊清可,段學軍.基于DEA-Malmquist模型的高新技術產業發展效率的時空測度與省際差異研究[J].經濟地理,2014,(7):103～110

[5]潘霞,鞠曉峰,陳軍.基于因子分析的我國29個地區高新技術產業競爭力評價研究[J].經濟問題探索,2013,(4):65～69

[6]張同斌,范慶泉.中國高新技術產業區域發展水平的梯度變遷與影響因素[J].數量經濟技術經濟研究,2010,(11):52～65

[7]劉昌年,張銀銀.中國高新技術產業競爭力評價研究[J].工業技術經濟,2014,(4):28～35

[8]邵鐵柱,于莎.基于因子分析的房地產上市公司財務績效評價[J].科技與管理,2013,15:90～93

[9]魯春陽,文楓,楊慶媛,等.基于改進TOPSIS法的城市土地利用績效評價及障礙因子診斷——以重慶市為例[J].資源科學,2011,(3):535～541

[10]汪文雄,李啟明.基于因子與聚類分析的中國建筑業產業競爭力研究[J].數理統計與管理,2008,(2):329～337

[11]羅國旺,劉衍民,黃建文,等.基于Topsis改進的因子分析模型在面板數據中的應用研究——以中國經濟為例[J].數學的實踐與認識,2015,16:77～85

(責任編輯：王平)

Spatio-temporal Pattern Evolution Analysis of China’s High-tech Industry Development——Based on 29 Provincial Panel Data from 2010 to 2014

Du WenzhongCui Yanli

(Guilin University of Electronic and Technology，Guilin 541004，China)

〔Abstract〕This paper selected 29 provincial panel data of China’s high-tech industry from 2010 to 2014.Since factor analysis only applied to cross sectional data,it uses factor analysis method and improved TOPSIS method to estimate the comprehensive evaluation index of the provincial high-tech industry development,and the gradient vicissitude of China’s high-tech industry was analyzed from the temporal and spatial dimension.The result shows that,based on the time dimension,there are differences in the gradient change of China’s high-tech industry from 2010 to 2014.From the space dimension,there are significant differences in development level of China’s 29 provincial high-tech industry,and the development level of high-tech industry in most provinces is low and the spatial distribution is not balanced.

〔Key words〕high-tech industry;factor analysis;improved TOPSIS method;gradient vicissitude

〔中圖分類號〕F127

〔文獻標識碼〕A

DOI：10．3969/j．issn．1004-910X．2016．10．016

作者簡介：杜文忠，桂林電子科技大學商學院副教授，博士。研究方向：區域經濟、產業經濟。崔艷麗，桂林電子科技大學商學院碩士研究生。研究方向：區域與產業發展。

基金項目：廣西軟科學研究計劃項目(桂科軟12252007)。

收稿日期：2016—05—19