地區(qū)工業(yè)企業(yè)創(chuàng)新能力評價模型

陳藝曦 于博駿

摘? 要： 基于第三次全國經濟普查年鑒數據，運用機器學習算法和多元統(tǒng)計方法進行建模分析，構建了地區(qū)工業(yè)企業(yè)創(chuàng)新能力評價模型。首先利用K-means算法對31個省市自治區(qū)進行聚類，得到三個不同水平的分類;采用隨機森林算法篩選影響類別劃分的重要指標，其次運用因子分析方法提取影響地區(qū)工業(yè)企業(yè)創(chuàng)新能力的三個公因子，即資金投入、人力投入和創(chuàng)新成果;最后對各地區(qū)工業(yè)企業(yè)創(chuàng)新能力水平進行了綜合分析，并對未來各地區(qū)工業(yè)企業(yè)創(chuàng)新發(fā)展提出建議。

關鍵詞： 地區(qū)差異;工業(yè)企業(yè);創(chuàng)新能力;K-means;隨機森林;因子分析

中圖分類號： O212.1;TP181? ? 文獻標識碼： A? ? DOI：10.3969/j.issn.1003-6970.2019.01.025

【Abstract】： On the basis of the third national economic census yearbook， this paper uses machine learning algorithm and multivariate statistical method to carry out modeling analysis， conducting an evaluation model of innovation ability for regional industrial enterprise. Firstly， we use K-means algorithm to classify 31 regions into three different levels; then random forest algorithm is used to screen the important indicators that affect classification greatly. In addition， we use factor analysis method to extract the three common factors of the industrial enterprises' innovation ability， namely， capital investment， human input and innovation results. Finally， the author conducts comprehensive analysis of industrial enterprises innovation ability in various regions， and puts forward suggestions for the future development of industrial enterprises.

【Key words】： Regional differences; Industrial enterprise; Innovation ability; K-means; Random forest; Factor analysis

0? 引言

黨的十九大報告指出，“創(chuàng)新是引領發(fā)展的第一動力，是建設現(xiàn)代化經濟體系的戰(zhàn)略支撐”。在經濟發(fā)展新常態(tài)的背景下，實施創(chuàng)新驅動發(fā)展戰(zhàn)略，發(fā)揮科技創(chuàng)新的引領作用，全面提高創(chuàng)新能力，是“十三五”時期乃至更長時期內國家的重要發(fā)展方向。工業(yè)企業(yè)，特別是規(guī)模以上工業(yè)企業(yè)（以下簡稱工業(yè)企業(yè)）是實現(xiàn)國家創(chuàng)新驅動發(fā)展戰(zhàn)略的主導力量，是帶動工業(yè)企業(yè)轉型升級的排頭兵，是促進地區(qū)經濟持續(xù)發(fā)展的中堅力量。

工業(yè)企業(yè)的科技創(chuàng)新情況是《第三次全國經濟普查年鑒》[1]的一個普查大項，是近年來國家大力倡導工業(yè)企業(yè)結構調整和產業(yè)結構升級的重要體現(xiàn)，是實現(xiàn)以企業(yè)為主體的技術創(chuàng)新體系建設新進展的客觀反映。而工業(yè)企業(yè)創(chuàng)新能力的地區(qū)差異是當前工業(yè)企業(yè)推動結構調整、推進轉型升級、提升核心競爭力和實現(xiàn)持續(xù)發(fā)展所面臨的重要問題。如何客觀有效的反映和評價各地區(qū)工業(yè)企業(yè)創(chuàng)新能力是目前專家學者研究的熱點問題。目前研究工業(yè)企業(yè)創(chuàng)新能力地區(qū)差異的方法主要有：描述性統(tǒng)計分析[2]、錫爾熵法[3]、時序加權平均法[4]、熵權法[3，4]、因子分析[5-7]、層次分析[8，9]等。本文采用機器學習算法和多元統(tǒng)計分析方法，充分挖掘《第三次全國經濟普查年鑒》中工業(yè)企業(yè)創(chuàng)新能力的數據信息，從而建立宏觀角度的地區(qū)工業(yè)企業(yè)創(chuàng)新能力評價模型。本文的創(chuàng)新之處在于跳出傳統(tǒng)的思維模式，通過“零散的數據”挖掘整合出核心評價指標，最大程度地避免主觀因素的影響，實現(xiàn)了科學性、客觀性和可操作性的協(xié)調統(tǒng)一。

1? 數據來源

本文以國家統(tǒng)計局調研整理的《第三次全國經濟普查年鑒》中工業(yè)企業(yè)科技創(chuàng)新情況的數據，包括R&D基本情況、R&D人員情況、R&D經費情況、R&D項目情況、企業(yè)辦研發(fā)機構情況、新產品開發(fā)與生產情況、自主知識產權情況、政府相關政策落實情況技術獲取、技術改造情況等九個方面，選取了31個省市自治區(qū)（除港澳臺地區(qū)）的53個原始指標變量，作為反映地區(qū)工業(yè)企業(yè)創(chuàng)新能力的指標樣本集。（見表1）。

2? K-means聚類

本文首先從樣本數據集出發(fā)探究地區(qū)差異性，對各地區(qū)工業(yè)企業(yè)的創(chuàng)新能力實現(xiàn)相似地區(qū)聚類，這屬于典型的無監(jiān)督學習問題。K-means算法是目前比較流行的聚類算法，其主要原理是將樣本集劃分為幾個不相交的組，需同時滿足組與組之間的距離盡可能大，而組內的距離盡可能小[10]。本文利用R軟件（版本3.4.1）對數據進行預處理并編程實現(xiàn)K-means算法[11]，旨在對31個地區(qū)的工業(yè)企業(yè)創(chuàng)新能力樣本數據集進行聚類分析。

對于K取2，3，…，10，分別計算聚類后的組內平方誤差和，如圖1?？梢园l(fā)現(xiàn)組內平方誤差和隨著K的取值的增大呈現(xiàn)下降趨勢。不難發(fā)現(xiàn)，當K取3的時候組內平方誤差和下降得最快，故選取K為3。因此，本文將地區(qū)工業(yè)企業(yè)的創(chuàng)新能力評價指標樣本數據集劃分成3個組，即將31個省市自治區(qū)（除港澳臺地區(qū)）分為三個類，如表2所示。

3? 隨機森林算法的重要性評分

3.1? 隨機森林算法原理

隨機森林算法是通過bootstrap的方法有放回抽樣出n個指標集，并為每個指標集建立一棵分類樹，通過n棵分類樹的投票結果決定最優(yōu)分類[11]，如圖2。通過計算每個指標在隨機森林中n分類樹上的平均貢獻來衡量該指標的重要性評分，通?？梢杂肎ini指數來評估指標的貢獻大小。

3.2? 篩選的重要指標

本文利用R語言編程實現(xiàn)隨機森林算法，根據重要性評分原理，獲取指標變量的重要性評分。本文選取重要性評分>0.4的指標變量作為地區(qū)工業(yè)企業(yè)創(chuàng)新能力評價的重要指標，如表3所示。

4? 因子分析

4.1? 標準化和相關性檢驗

為了消除數量級和量綱差異的影響，先對篩選出的15個指標進行標準化處理，再運用SPSS 25.0對標準化后的指標進行相關性檢驗[12]。由表4，KMO值為0.816，且巴特利特球形度檢驗的顯著性小于0.05，根據KMO檢驗和巴特利特球形度檢驗的判別標準，各指標之間的信息重疊度較高，適合進行因子分析。

4.2? 因子提取

由表5，旋轉后的前三個成分的累計方差貢獻

5? 綜合分析與建議

5.1? 綜合分析

通過因子分析，本文提取了影響31個地區(qū)工業(yè)企業(yè)創(chuàng)新能力水平的重要因素。從因子綜合排名并結合聚類結果來看，各地區(qū)工業(yè)企業(yè)創(chuàng)新能力按從強到弱的層次排序為：第一類地區(qū)、第二類地區(qū)、第三類地區(qū)。各因子得分和綜合得分的分值相差大，可以看出地區(qū)間的工業(yè)企業(yè)創(chuàng)新能力的差異較大，同一層次的地區(qū)間工業(yè)企業(yè)創(chuàng)新能力的參差不齊，各地區(qū)在資金投入、人力投入和創(chuàng)新成果這三個方面的優(yōu)劣勢分明。

工業(yè)企業(yè)創(chuàng)新能力處于第一層次的北京、天津、上海的因子綜合得分位列前三。北京的工業(yè)企業(yè)資金投入力度大、人才資源多、研發(fā)能力強、產出的創(chuàng)新成果也是名列第一，故北京的工業(yè)企業(yè)創(chuàng)新能力的綜合實力最強。天津雖然在資金投入因子上的得分最高，對于新產品開發(fā)的投入資金多，但由于人才資源、科研環(huán)境、技術水平等不如北京，其創(chuàng)新成果的產出量相對較低。上海也非常重視研發(fā)資金的投入，但缺乏科研人員的技術能力轉化，導致創(chuàng)新產出成果也相對較少。

工業(yè)企業(yè)創(chuàng)新能力處于第二層次的地區(qū)綜合得分也相距甚遠。如廣東、江蘇、海南等東部沿海地區(qū)排名較靠前。廣東、江蘇的工業(yè)企業(yè)在科研活動中大力投入資金、引進人才，資源的合理配置決定了其創(chuàng)新能力的巨大潛力。海南作為唯一的省級經濟特區(qū)，堅持改革發(fā)展，勇于突破傳統(tǒng)經濟體制束縛，在工業(yè)企業(yè)的科技創(chuàng)新產出上取得了驕人的成績。西部地區(qū)如陜西、重慶等老工業(yè)基地得益于黨中央的西部大開發(fā)政策、西部人才引進和科研資金支持，率先進行內部改革，從而實現(xiàn)了自身的創(chuàng)新能力和科研水平的快速提升。而甘肅、寧夏由于自然環(huán)境惡劣、工業(yè)基礎薄弱、缺乏科研人才，此兩省區(qū)的工業(yè)企業(yè)創(chuàng)新能力綜合實力仍然低于全國平均水平。

工業(yè)企業(yè)創(chuàng)新能力處于第三層次的地區(qū)只有湖北和山東的綜合實力高于全國平均水平，但它們在創(chuàng)新成果上的得分非常低，科研投入和產出不成正比。遼寧、吉林等地區(qū)響應國家振興東北老工業(yè)基地的口號，在原有的工業(yè)基礎上實現(xiàn)了一定的企業(yè)技術改造和技術進步。遼寧在的資金投入上得分較高，吉林的科研技術創(chuàng)新成果轉化率較高，但產業(yè)結構的調整還需時日，其創(chuàng)新能力還有待進一步提升。西部偏遠地區(qū)如云南、新疆、西藏，受到資源環(huán)境、科研條件、技術落后等原因的限制，工業(yè)企業(yè)基礎薄弱，導致創(chuàng)新能力也較弱。

5.2? 結論與建議

根據各地區(qū)工業(yè)企業(yè)在資金投入、人力投入和創(chuàng)新成果上的因子得分與全國平均水平的比較結果，我們得到如下結論：海南、寧夏兩省的工業(yè)企業(yè)在人力投入和創(chuàng)新成果上的得分高于全國平均水平，但仍需加大資金投入;上海、重慶兩市的工業(yè)企業(yè)在資金投入和創(chuàng)新成果上的得分位居全國前列，在人力投入方面卻稍顯不足，未來應著眼于科研人才的引進和培養(yǎng);廣東、山西、湖北和內蒙古地區(qū)的工業(yè)企業(yè)在人力投入和資金投入方面都處于全國上游，但創(chuàng)新成果產出量較低，未來應重視科研技術的轉化和新產品的研發(fā)。而河北、江西、廣西、云南和西藏地區(qū)的工業(yè)企業(yè)在資金投入、人力投入和創(chuàng)新成果上的得分均低于全國平均水平，因此增加科研資金、引進科技人才、重視技術的改造和產品的創(chuàng)新，是未來地區(qū)工業(yè)企業(yè)創(chuàng)新能力的必要條件。

綜上，各地區(qū)工業(yè)企業(yè)應該充分發(fā)揮優(yōu)勢彌補劣勢，重視開展科技創(chuàng)新研究，加大科研經費投入，

加強科技創(chuàng)新人才培養(yǎng)，促進技術升級和創(chuàng)新成果轉化，從而提升創(chuàng)新能力和綜合實力，推進地區(qū)? 工業(yè)產業(yè)結構轉型升級，帶動區(qū)域經濟持續(xù)健康? 發(fā)展。

參考文獻

[1] 國務院第三次全國經濟普查領導小組辦公室. 中國經濟普查年鑒2013[CD]. 中國統(tǒng)計出版社， 2015.

[2] 盧方元， 范云菲. 我國大中型工業(yè)企業(yè)自主創(chuàng)新能力的區(qū)域差異比較[J]. 科技進步與對策， 2011， 28（16）： 15-20.

[3] 桂黃寶. 我國大中型工業(yè)企業(yè)創(chuàng)新能力地區(qū)差距及變遷——基于1999—2010年面板數據的分析[J]. 財經論叢， 2013， 174（5）： 3-8.

[4] 齊秀輝， 武志勇. 創(chuàng)新驅動視角下大中型工業(yè)企業(yè)創(chuàng)新能力動態(tài)綜合評價[J]. 科技進步與對策， 2015（21）： 114-119.

[5] 谷煒， 杜秀亭， 衛(wèi)李蓉. 基于因子分析法的中國規(guī)模以上工業(yè)企業(yè)技術創(chuàng)新能力評價研究[J]. 科學管理研究， 2015（1）： 84-87.

[6] 梁志兵. 區(qū)域規(guī)模以上工業(yè)企業(yè)創(chuàng)新能力評價——基于因子分析法[J]. 經濟視角， 2015（9）： 32-35.

[7] 蘇楊， 羅萬有. 工業(yè)企業(yè)自主創(chuàng)新能力評價研究[J]. 江蘇科技信息， 2017（2）： 23-26.

[8] 孫冰，吳勇. 地區(qū)自主創(chuàng)新能力評價指標體系的構建——以大中型工業(yè)企業(yè)為實例的研究[J]. 科技與經濟， 2006， （4）： 17-19.

[9] 馬欽. 制造企業(yè)科技創(chuàng)新指數的構建與運用[J]. 產業(yè)與科技論壇， 2018（14）： 80-82.

[10] 周志華. 機器學習[M]. 北京： 清華大學出版社， 2016. 197-204.

[11] Sebastian Raschka. Python Machine Learning[M]. Packt Publishing， 2015. 80-92.

[12] 張文彤， 董偉， SPSS 統(tǒng)計分析高級教程[M]. 北京： 高等教育出版， 2004： 195-199.