上海理工大学学报  2020, Vol. 42 Issue (3): 258-268   PDF    
基于CRITIC和TOPSIS的区域工业科技创新能力评价研究
王鸣涛1, 叶春明2, 赵灵玮2     
1. 安阳师范学院 计算机与信息工程学院,安阳 455000;
2. 上海理工大学 管理学院,上海 200093
摘要: 为有效评价区域工业科技创新能力,构建了融合绝对值指标和平均值指标的评价指标体系。以28个地区为研究对象,基于目前最新的2014—2017年数据,使用基于指标相关性的权重确定法(CRITIC)确定指标权重,运用逼近理想解排序法(TOPSIS)从“静态”和“动态”两个视角评价,识别出各地区工业科技创新能力的现状和发展。研究发现,技术引进、自主创新、R&D人员和经费、R&D项目活跃度、科技成果转化始终是影响各地区工业科技创新能力提升的重要因素。“静态”评价结果显示,中国工业科技创新能力总体一般,地区间差异较大,“很强”和“较强”的地区只有广东、江苏、上海、北京、浙江和山东6个省市。“动态”评价结果显示,工业科技创新能力发展存在明显的区域依存,强弱格局比较稳定,短期内难以改变。研究成果表明,该指标体系和模型能够有效评价区域工业科技创新能力。最后,结合重要影响因素,给出提升工业科技创新能力的建议。
关键词: 区域     工业     科技创新能力     基于指标相关性的权重确定法     逼近理想解排序法    
Evaluation of regional industrial S&T innovation capability based on CRITIC and TOPSIS
WANG Mingtao1, YE Chunming2, ZHAO Lingwei2     
1. School of Computer and Information Engineering, Anyang Normal University, Anyang 455000, China;
2. Business School, University of Shanghai for Science and Technology, Shanghai 200093, China
Abstract: In order to effectively evaluate the regional industrial S&T innovation capability, an evaluation index system integrating absolute value indexes and average value indexes was constructed. Based on the latest data of 28 regions from 2014 to 2017, the weights of indicators were determined by CRITIC method and the current situation and development of industrial S&T innovation capability in 28 regions were identified by TOPSIS method from two perspectives of "static" and "dynamic" evaluation. It is found that technology introduction, independent innovation, R&D personnel and funds, R&D project activity, and the transformation of S&T achievements are always the important factors affecting the upgrading of regional industrial S&T innovation capability. The results of "static" evaluation show that China's industrial S&T innovation capability is general as a whole, with great regional differences. Only six provinces and cities namely Guangdong, Jiangsu, Shanghai, Beijing, Zhejiang and Shandong are "very strong" and "strong". The results of "dynamic" evaluation show that there is obvious regional dependence in the development of industrial S&T innovation capability, the pattern of strength and weakness is relatively stable, and it is difficult to change in short term. The research results also show that the index system and model presented can effectively evaluate the regional industrial S&T innovation ability. Finally, combined with the important affecting factors, some suggestions were given to improve the innovation ability of industrial S&T.
Key words: regional     industry     S&T innovation capability     CRITIC     TOPSIS    

党的十八大提出的建设“创新型国家”,就是要推动以科技创新为核心的全面创新。“创新型区域”是“创新型国家”的基本单元,工业科技创新是“创新型区域”建设的中坚力量,固然也是“创新型国家”建设的强力支撑。因此,科学地评价区域工业科技创新能力,识别现状,分析影响因素,有助于引导区域工业科技创新向着高质量、卓越迈进。

当前对区域工业科技创新的相关研究主要集中在对创新“效率”而非创新“能力”的评价。文献[1-3]分别以海洋业、煤炭业和装备制造业为研究对象对行业技术创新效率进行评价。文献[4-9]均以工业为评价对象,文献[10-11]以高技术产业为评价对象,从两阶段(科技创新投入、产出)或三阶段(科技创新投入、中间投入、产出)着手筛选指标,对全国28~31个地区进行评价。

综合来看,目前以“区域工业科技创新”为视角进行研究的学者,主要评价的是“投入与产出之间”的“转化效率”,并非“投入、活动、产出、效益”多方面融合的“整体能力”,本文尝试弥补现有研究的不足。通过研读《中国科技统计年鉴》,借鉴相关文献,本文构建了区域工业科技创新能力评价指标体系,融合绝对值指标和平均值指标,使用基于指标相关性的权重确定法(CRITIC)确定权重,运用逼近理想解排序法(TOPSIS)进行实证研究。考虑到数据来源的完整性,对中国28个地区(不含西藏、青海、海南)工业科技创新能力进行“静态”和“动态”两个视角的综合评价,并详细分析了评价结果,给出了提升科技创新能力的建议。

1 评价指标体系设计 1.1 工业科技创新能力的界定

关于科技创新能力的具体内涵,并没有权威的统一界定。借鉴文献[12-13],本文认为可以从科技创新内在运作机制角度界定工业科技创新能力,即在科技创新投入(如人力、财力)的基础上,积极开展科技创新活动(如各种研发项目),产出科技创新成果(如各种知识产权等),并成功实施转化,实现科技创新效益(如成果转化收入)。因此,本文从科技创新投入、科技创新活动、科技创新产出、科技创新效益4个方面综合评价工业科技创新能力。

1.2 评价指标体系的设计

按照科技创新投入、科技创新活动、科技创新产出、科技创新效益4个方面,优中选优地甄选指标,借鉴文献[4-9],同时重点关注《中国科技统计年鉴》中关于工业部分的统计,将绝对值指标和平均值指标相结合,构建了“可行可靠”的区域工业科技创新能力评价指标体系,如表1所示。其中,A1,A3,A5,B1,B3,C1,C3,D1为绝对值指标,A2,A4,A6,B2,B4,C2,C4,D2为平均值指标。


表 1 区域工业科技创新能力评价指标体系 Table 1 Evaluation index system of the regional industrial S&T innovation capability
2 研究方法 2.1 CRITIC法

CRITIC法将指标内变异性和指标间冲突性相结合来综合确定指标的权重。指标内变异性是指同一指标各个评价对象数据之间的差异程度,用标准差衡量。指标间冲突性是指不同指标之间的差异程度,以指标之间的相关系数为基础来延伸衡量[14]

CRITIC法的步骤是[14]

设有m个评价对象,n个指标。

a. 数据标准化。

本文的指标均为正向指标,采用极差法进行数据标准化处理。

${x_{ij}} = \frac{{{y_{ij}} - \min\,{y_{ij}}}}{{\max\,{y_{ij}} - \min\,{y_{ij}}}}$

式中:yij表示第i个评价对象的第j个指标的原数据;xij为标准化后的数据;i=1,2,···,mj=1,2,···,n

b. 计算每个指标内的变异性。

${\sigma _j} = \sqrt {\frac{{\displaystyle\sum\limits_{i = 1}^m {{{({x_{ij}} - {\overline x{}_j} )}^2}} }}{m}} $

式中,σj表示标准差。

c. 计算指标间的冲突性。

${R_j} = \sum\limits_{t = 1}^n {\left( {1 - {r_{tj}}} \right)} $

式中,rtj表示指标t和指标j之间的相关系数。

本文的指标均为定距变量,因此采用Pearson相关系数,表示为

${r_{t\!j}} = \frac{{\displaystyle\sum\limits_{i = 1}^m {\left( {{x_{it}} - {{\overline x_t}} } \right)\left( {{x_{ij}} - {{\overline x_j}} } \right)} }}{{\sqrt {\displaystyle\sum\limits_{i = 1}^m {{{\left( {{x_{it}} - {{\overline x_t}} } \right)}^2} \cdot \sum\limits_{i = 1}^m {{{\left( {{x_{ij}} - {{\overline x_j}} } \right)}^2}} } } }}$

d. 计算每个指标的信息量。

$ {C_j} = {\sigma _j}{R_j} $

e. 计算每个指标的权重。

$w{}_j = {{{C_j}} \Bigg/ {\sum\limits_{j = 1}^n {{C_j}} }}$
2.2 TOPSIS法

TOPSIS法通过检测评价对象与正理想解、负理想解的距离来进行排序。若评价对象最靠近正理想解同时又远离负理想解,则为最好方案,否则为最差方案[15]

TOPSIS法的步骤是[15]

设有m个评价对象,n个指标。

a. 用向量规范化求得规范矩阵p

${p_{ij}} = {{{y_{ij}}} \Bigg/ {\sqrt {\sum\limits_{i = 1}^m {y_{ij}^2} } }}$

b. 确定加权规范矩阵z

$ {z_{ij}} = {w_j}{p_{ij}} $

c. 确定每个指标的正理想解和负理想解。

$ \begin{array}{l} {\text{正理想解}}z_j^ + = {\rm{max}}\;{z_{ij}}\\ {\text{负理想解}}z_j^ - = {\rm{min}}\;{z_{ij}} \end{array} $

d. 分别计算各评价对象到正理想解和负理想解的距离。

$d_i^ + = \sqrt {\sum\limits_{j = 1}^n {{{({z_{ij}} - z_j^ + )}^2}} } $
$\begin{array}{l} d_i^ - = \sqrt {\displaystyle\sum\limits_{j = 1}^n {{{({z_{ij}} - z_j^ - )}^2}} } \end{array}$

e. 计算各评价对象到正理想解的贴近度。

$ {T_i} = \frac{{d_i^ - }}{{d_i^ + + d_i^ - }} $
3 实证研究 3.1 数据来源

本文的指标数据需要从《中国科技统计年鉴》获取。截至2019年5月,最新的是2018年《中国科技统计年鉴》。根据表1的评价指标体系,考虑各指标数据的完整性,选取28个地区(不含西藏、青海、海南)为研究对象,从2015—2018年《中国科技统计年鉴》获取2014—2017年的数据,由于篇幅限制,这里不再列出。

3.2 指标权重的计算和重要因素分析

基于2014—2017年的数据,使用CRITIC法计算出指标的权重,见表2,对2017年权重排名前5位的指标进行分析。


表 2 2014—2017年区域工业科技创新能力评价指标权重值 Table 2 Weight values of evaluation indexes for the regional industrial S&T innovation capability in 2014—2017

a. 企均技术引进经费(A2)。

引进国外先进成熟的技术,是推动科技进步的一个重要途径。引进的技术主要包括产品设计、工艺流程、配方、专利等。因此,企均技术引进经费能够反映某区域工业引进国外先进技术的强度。表2显示:该指标的权重除了在2016年位居第2位之外,其余3年都是第1位。这说明近4年里,技术引进的强度是影响各地区工业科技创新能力的第一要素。

b. R&D项目数量(B1)。

R&D项目的实施能够产生大量科技成果,R&D项目数量是反映某区域工业R&D活跃度的重要指标。表2显示:其权重排名从2014年的第4位上升到2017年的第2位,在2016年曾位居第1位;此外,其权重值逐年增加。无论排名还是权重值的变化,都说明R&D项目活跃度对各地区工业科技创新能力的影响力逐年增加。

c. R&D经费内部支出(A5)。

R&D经费内部支出用于基础研究、应用研究和试验发展,如用于对引进技术的消化吸收和改造,以及自主研发的经费支出。该指标能够反映某区域工业对提升自主创新能力的重视度。表2显示:其权重排名在2014—2017年始终在前4位,波动较小;权重值波动也很小。这说明近4年里,R&D经费内部支出是影响各地区工业科技创新能力的重要稳定因素。

d. R&D人员全时当量(A3)。

R&D人员全时当量是国际上衡量科技创新人力投入的通用指标。表2显示:其权重排名在2014—2017年始终在前5位,波动较小;权重值波动也很小。这说明近4年里,R&D人员全时当量是影响各地区工业科技创新能力的重要稳定因素。

e. 新产品销售收入占主营业务收入比重(D3)。

该指标评价新产品销售收入对主营业务收入的贡献度,能够反映某区域工业科技成果转化产生经济效益的能力。表2显示:虽然排名和权重值在2015年和2016年有所下降,但2017年权重值再次回升,排名第5位。这说明近4年里,该指标依然是影响各地区工业科技创新能力的重要因素。

综上,影响各地区工业科技创新能力的重要因素是技术引进、自主创新、R&D人员和经费的投入、R&D项目活跃度、科技成果转化。

3.3 区域工业科技创新能力的“静态”评价

基于2017年的指标数据和权重,采用TOPSIS法对28个地区工业科技创新能力进行评价并排名,结果见表3


表 3 2017年中国28个地区工业科技创新能力排名 Table 3 Ranking of industrial S&T innovation capability of 28 regions of China in 2017

将科技创新能力分为“很强”、“较强”、“一般”、“较弱”、“很弱”5个等级。借鉴文献[16]的等级划分方法,以28个地区工业综合科技创新能力Ti的平均值0.200为基准,取其200%,150%,100%,50%,即0.400,0.300,0.200,0.100为分界值进行等级划分。Ti≥0.400为“很强”,0.400>Ti≥0.300为“较强”,0.300>Ti≥0.200为“一般”,0.200>Ti≥0.100为“较弱”,0.100>Ti≥0为“很弱”。据此,将28个地区归为5个等级,见表4


表 4 2017年中国28个地区工业科技创新能力等级划分 Table 4 Grade division of the industrial S&T innovation capability of 28 regions of China in 2017

a. 工业科技创新能力“很强”的地区。

这类地区是广东、江苏、上海、北京和浙江。5个地区大多位于东部沿海,经济发达,拥有大量的优秀科研人才,以及实力雄厚的工业企业。多数国家自主创新示范区坐落于此,广东有深圳和珠三角共2个国家自主创新示范区,江苏有苏南,上海有张江,北京有中关村,浙江有杭州、温州和宁波共3个国家自主创新示范区。

5个地区之所以“很强”,是因为其在5项重要指标上的强势表现。2017年5个地区“企均技术引进经费”合计229.55亿元,占28个地区总额的57.7%;“R&D项目数量”合计23.03万项,占总数的51.9%;“R&D经费内部支出”合计5 538.14亿元,占总额的46.2%;“R&D人员全时当量”合计138.81万人年,占总数的50.8%;“新产品销售收入占比”排名均领先。

b. 工业科技创新能力“较强”的地区。

这类地区是山东,位于东部沿海,经济发达。山东拥有众多科研实力强劲的企业,最具代表性的如海尔和海信。此外,山东半岛国家自主创新示范区是山东工业科技创新的中坚力量之一。

全局来看,山东工业科技创新能力4个方面排名中(见表3),产出和效益排名相对落后(第7位和第6位),说明投入产出率需要提高,科技成果转化需要加强。

重点来看,从5项重要指标数据排名监测,最大短板是“企均技术引进经费”,为3.43亿元,远低于平均值14.20亿元,排名第18位;“新产品销售收入占比”是另一短板因素,为12.87%,与最高值32.16%差距较大,排名第13位。因此,山东工业需要重视技术引进对科技进步的重要作用,加大国际先进技术引进力度。同时,促进更多高质量科技成果转化为新产品,提升销售收入。

c. 工业科技创新能力“一般”的地区。

这类地区是天津、重庆和安徽,位于中部,经济一般。

全局来看,3个地区在工业科技创新能力4个方面都不均衡(见表3),天津和安徽的科技创新投入(排名第8位、第14位)、重庆的科技创新产出(排名第14位)相对落后,说明天津和安徽需要加大技术引进经费、R&D人员和经费的投入,重庆需要在人力财力投入的基础上,提高科技成果产量,尤其是专利的数量。

重点来看,从3个地区工业科技创新的5项重要指标数据排名监测:天津的短板因素是“R&D经费内部支出”和“R&D人员全时当量”;重庆的短板因素是“R&D项目数量”、“R&D经费内部支出”和“R&D人员全时当量”;安徽的短板因素是“企均技术引进经费”。3个地区需要从各自关键短板因素着手改善,逐步提升。

d. 工业科技创新能力“较弱”的地区。

这类地区是湖北、湖南、辽宁、福建、河南、四川、河北、内蒙古、山西和陕西,大多都是中部内陆地区,经济一般。

全局来看,多数地区在工业科技创新能力4个方面不均衡(见表3),如湖北和湖南的科技创新活动(排名第13位、第19位)、福建的科技创新效益(排名第18位)、河南和河北的科技创新产出(排名第18位、第24位)、四川的科技创新投入和效益(分别排名第19位、第21位)、内蒙古和陕西的科技创新活动和效益(第24/20位、第22/23位),山西的科技创新活动和产出(排名第21位、第20位),都是这些地区4个方面中相对的短板之处,需要加强。

重点来看,从10个地区工业科技创新的5项重要指标数据排名监测,湖北和河北比较均衡,没有明显短板因素;湖南的相对短板因素是“企均技术引进经费”和“R&D项目数量”;河南和四川的相对短板因素是“企均技术引进经费”和“新产品销售收入占比”;福建和陕西的相对短板因素是“新产品销售收入占比”;辽宁、内蒙古和山西的相对短板因素较多,是“R&D项目数量”、“R&D经费内部支出”、“R&D人员全时当量”和“新产品销售收入占比”,8个地区需要从各自短板因素着手改善,逐步提升。

e. 工业科技创新能力“很弱”的地区。

这类地区是江西、宁夏、吉林、黑龙江、云南、甘肃、广西、贵州和新疆。其中,宁夏、云南、甘肃、贵州、新疆是西部地区,经济比较落后;吉林和黑龙江是东北老工业基地,产业结构优化转型需要较长时间;江西的工业企业科技实力不具优势。这些地区无论在工业科技创新能力4个方面,还是在5个重要指标数据上,都全面落后,具体不再分析。

综上,中国工业科技创新能力整体一般,而且地区间差异化较大,大体呈现从东部到中部、再到西部的由强到弱。

3.4 区域工业科技创新能力的“动态”评价

为了把握区域工业科技创新能力的动态变化趋势,进一步选取2014—2016年数据,和2017年数据一起,基于表2中2014—2017年的指标权重,使用TOPSIS法计算,比较2014—2017年28个地区工业科技创新能力的动态变化情况,评价结果见表5


表 5 2014—2017年中国28个地区工业科技创新能力排名 Table 5 Ranking of industrial S&T innovation capability of 28 regions of China in 2014—2017

将28个地区工业科技创新能力的动态变化分为7类,见表6


表 6 2014—2017年中国28个地区工业科技创新能力动态变化 Table 6 Dynamic change of industrial S&T innovation capability of 28 regions of China in 2014—2017

a. 排名“始终领先”的地区。

这类地区是广东、江苏、上海、北京和浙江,如图1所示,在2014—2017年一直都是全国前5名,尤其是广东和江苏,始终占据第1位和第2位。


图 1 2014—2017年工业科技创新能力排名“始终领先”地区名次 Fig. 1 Ranking of regions with "always leading" in the rank