摘 要：一个国家的科学技术发展水平直接或间接决定了其经济发展水平和国际竞争力。文章通过因子分析法，提取了影响科技发展水平的主要因素，接着用熵权法对我国31个地区科技发展水平进行评价排序，提出了相关建议，为地区制定科技发展战略提供一定的参考。
关键词：因子分析 熵权法 科技发展 评价指标
一、引言
20世纪中后期，世界范围出现了新科技革命，科学技术成为推动经济增长最关键的因素，科学技术与经济、社会发展的关系越来越密切，科学技术在经济增长中发挥着最重要的作用，经济增长与科学技术之间的互动互促关系也日益明显。经济增长同时伴随着科技进步，而科技进步又会加速经济增长。世界强国的发展过程已证明：经济增长越快，经济总量越大，科技投入也应越高；科技投入越高，科技水平提高就越快，由此促使经济可持续快速增长，使得科技进步与经济增长进入良性循环。评价地区的科技发展水平的指标很多，这些指标从不同的角度反映不同地区的科技发展水平，但也增加了分析问题的复杂性。为此，有必要寻找既能反映所要分析问题的大部分信息，又较为简化地分析和分类方法，而因子分析法正是解决这一问题的理想工具。本文通过因子分析方法和熵权法，分析了影响科技发展水平的主要因素，将我国31个行政区的科技发展水平进行排序和评价，为地区制定科技发展战略提供一定的参考。
姚建文（2003）通过建立省际区域科技竞争力评价模型，并利用全国资源清查数据， 对我国各省（市、自治区）科技竞争力进行了综合评价。姜春林等（2005）利用主成分分析法对2000年中国大陆各省、市、自治区的科技竞争力进行评价，发现部分省市科技发展水平和经济发展水平没有表现出一致性。黎雪林等（2006）通过对科技投入、科技产出、科技与经济社会协调发展程度、科技潜力等4个方面的考核，设计了较为完整的科技竞争力综合评价指标体系。赵前等（2011）采用超效率方法，对中国的30个省的总量科技竞争力和结构科技竞争力进行效率评价，发现省际间科技辐射与科技带动的效果明显，总量科技竞争力和结构科技竞争力的效率存在较大差别，而且科技竞争力并非完全与区域经济水平同步。侯海青等（2012）采用主成分分析法对2009年中国的30个省（市、自治区）的科技竞争力进行评价，并用回归分析法分析其科技竞争力与地区经济发展水平之间的相关性。
杜晶等（2007）从样本几何的角度指出，主成分分析在构造主成分得分函数过程中，只是简单地计算数据点在新坐标系的投影，没有考虑旋转前后坐标赋权的变化，因此有内在的矛盾。王学民（2007）对建立综合评价函数来对样本数据进行综合排序的方法的不科学性作了阐述， 并指出在综合评价函数中对各主成分使用贡献率加权是错误的。另有学者指出如果某个指标的样本数据相差较大，因子分析也会变得不准确。本文笔者在利用因子分析法进行评价排序时，也发现因子得分排序上与原始数据指标存在较大出入。例如广东、北京地区在构成某个解释因子的指标中，原始样本数据很大，每一项指标都排在前几位，但是在因子得分上却很低。因此，本文采用因子分析法提取解释因子，再利用熵权法计算这些因子的得分，最后给出相关结论和建议。
二、评价指标体系的建立
影响科技发展水平的因素是多方面的，本文借鉴本研究参照国家科技部《全国科技进步统计监测报告》和黎雪林等（2007）、陈文军等（2014）相关评价指标体系，立足影响因素搜集了五个类别的指标，它们分别反映了人力资源水平、科技财力投入、科技成果、经济基础等诸方面的作用，较全面的概括了科技发展水平的含义。本文使用的原数据来自《中国统计年鉴2014》、《中国科技统计年鉴2014》、《中国环境统计年鉴2014》。
三、数据处理与分析
（一）因子分析法
因子分析是一种降维、简化数据的技术。它通过研究众多变量之间的内部依赖关系，探求观测数据中的基本结构，并用少数几个不可观测的潜在变量来表示其基本的数据结构。这几个抽象的变量被称作因子，能反映原来众多变量的主要信息。抓住这些主要因子，就可以帮助我们对复杂的问题进行深入分析、合理解释和正确评价。
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统计量是取值在0和1之间。当所有变量间的简单相关系数平方和远远大于偏相关系数平方和时，KMO值接近1。KMO值越接近于1，意味着变量间的相关性越强，原有变量越适合作因子分析；当所有变量间的简单相关系数平方和接近0时，KMO值接近0，KMO值越接近于0，意味着变量间的相关性越弱，原有变量越不适合作因子分析。表2中，KMO值为0.677，适合做因子分析。Bartlett球形度检验的P值为0，小于0.05，拒绝原假设相关系数矩阵为单位阵，说明变量间存在相关关系，适合做因子分析。
从表3（见上页）可知，前4个主成分对应特征值大于1，累计贡献率达到90.018%，基本上保留了原来指标的信息，因此提取前四个主成分。
由表4可知，第一个因子包括了每万人技术市场成交额、重点高校数、国外主要检索工具收录我国科技论文数、万人发明专利授权数、R&D机构数、R&D经费投入强度、每万人大专以上学历人口数、每十万人口高等学校在校生数、每万人R&D活动人员数方面的信息，解释了31.3%的方差，主要反映的是地区科学研究和人力资源水平方面的实力，故命名为科研因子；第二个因子包含了高技术产品出口额、高技术产业新产品开发项目数、发明专利申请数、企业R&D人员占总R&D人员比重、高技术企业数、地方科技财政支出方面的信息，解释了20%的方差，主要反映了科技产业化，故命名为产业化因子；第三个因子包含了高技术产业投资额、规模以上企业技术获取和技术改造、R&D经费、教育财政支出、规模以上企业R&D经费支出方面的信息，主要反映了一个地区的科技资金投入，解释了18.9%的方差，故命名为财力投入因子。第四个因子包含人居地区生产总值、居民消费水平、互联网普及率、一般工业固体废物利用率、地方科技财政支出占财政支出比重方面的信息，解释了18.6%的方差，主要反映的是一个地区的经济基础，体现了科技发展的环境，故命名为发展环境因子。
（二）熵权法求各因子得分
按照信息论基本原理的解释，信息是系统有序程度的一个度量，熵是系统无序程度的一个度量；如果指标的信息熵越小，该指标提供的信息量越大，在综合评价中所起作用理当越大，权重就应该越高。
四、结论和对策
从综合得分上看，排名前几位的是北京、江苏、广东、上海、浙江、山东、天津。其中，北京在科研因子的得分上远远超过其他地区，因为北京地区具有众多的重点高校和R&D机构，整体教育水平较高，人才众多，R&D经费投入强度高，这些因素对科研实力起着重要支撑作用。但在其他因子排名上并不是很高，尤其是财力因子方面，排名较后，应继续加强在科技方面的资金投入。排名第二的江苏在各项上得分上都较为均衡，说明江苏省在推动科技发展的时候注意了全方位的条件。江苏作为教育大省，教育资源丰富，科技人才众多，但是在整理人口教育水平上与排名第一的北京还有很大差距，应该继续加大教育投入，吸引人才。财力因子上排名第一，充足的科技经费为企业、高校等研究机构创新提供了重要保障。但是值得注意的是江苏在高技术企业R&D经费投入占主营业务收入的比例上还是很低，在2013年，这一比例仅为1.1%，而早在2000年，美国和日本的R&D经费投入就分别占企业销售收入的3.68%和2.87%，这一差距是很明显的，因此江苏应进一步加强企业R&D的投入，进一步加强高科技产业化水平。排名第三位的广东省，在科技产业化因子方面的得分远高于排名第二的江苏，说明广东省在科技产业化方面优势明显，走在了全国前列。广东作为南方沿海省份，毗邻港澳，在地理位置方面有着得天独厚的优势，吸引了众多科技企业。科研因子方面的排名相对于综合成绩较为落后，因此广东应该注重教育投入，加强R&D机构和高等学校的建设，政府和企业部门应该提供优惠政策，加强对科技人才的吸引力，提高科技人员薪资水平。值得注意的是，从原始数据中可以看出，广东2013年教育财政支出高达1744亿元，比排名第二的江苏高出310亿元，这与本文的研究结果也是一致的，说明广东十分注重教育的发展。江苏和广东在科技发展环境指标上相对于综合排名还相对落后，两地区都应该继续加强经济建设，提高从业人员工资，提高人民生活水平。
经济发展与科技进步是相辅相成的。对于西部及中东部地区一些经济不是很发达地区，如宁夏、青海、新疆、西藏等地，在每个因子上都显示不出优势，与北京、上海、广东、江苏、浙江在科学技术上存在着很大的差距。这在一定程度上显示了科技进步与经济发展存在着不可忽视的内在联系。鉴于此，各地区政府应该利用自身优势，发展地区优势产业，提高经济水平，做好资金筹备，同时注重教育、科技发展投入，创造良好的科技发展环境。在老工业区，政府部门应该注重产业升级，将工业基础作为自身的优势，注重科技在工业方面的应用，大力培养这方面的专业人才；在偏远地区，可以利用当地的旅游资源发展好经济，有了一定的经济实力后发展绿色工业；在中部地区，可以利用自己的教育优势，注重人才的培养。放眼全国，各个地区应该资源互补，充分发挥本地区的优势，注重科技人才交流，使全国的科技发展水平更上一层台阶。中国科技发展水平在不同的地域之间存在着极大的差距。这一差距大体上与经济的发展速度相一致， 可以说经济发展的不平衡导致了科技发展的不平衡，而这种差距在后期的经济发展中又导致了经济上的更大差距， 从而形成强者越强、弱者越弱的不良局势， 这与我们共同富裕的目标是相背离的。因此， 应加大对科技落后地区的支持力度， 同时科技发展好的地区要帮助、带动落后地区， 以逐渐缩小这一差距。政府还应该鼓励发明创造和技术创新，鼓励企业和个人申请专利和专利产品产业化。通过科技进步促进经济发展，形成良性循环。
[国家自然科学基金青年基金（71201084）；教育部人文社科研究青年基金（11YJC630250）；高等学校博士学科点专项科研基金（20113219120028）；江苏省社会科学基金（15GLC006）；中央高校基本科研业务费专项资金项目（30920140132001）；南京理工大学经济管理学院青年教师科研基金（JGQN1402）。]
参考文献：
[1] 姚建文.省际科技竞争力评价体系研究[J].系统工程，2003（21）
[2] 姜春林，江诗松.基于主成分分析的省区科技竞争力评价[J].科技管理研究，2005（3）
[3] 黎雪林，孙东川.我国区域科技竞争力评价体系研究[J].科技管理研究，2006（2）
[4] 赵前，焦捷，王以华.中国省际科技竞争力评价――基于超效率DEA的分析[J].清华大学学报，2011（51）
[5] 侯海青，张优智.基于主成分分析的省际科技竞争力实证研究[J].西部经济管理论坛，2012（23）
[6] 杜晶，赵黎明.主成分分析应用于综合评价的局限性[J].内蒙古农业大学学报，2007（6）
[7] 王学民.对主成分分析中综合得分方法的质疑[J].统计与决策，2007（4）
[8] 陈文军，梅姝娥.江苏省主要城市科技竞争力比较研究[J].科技管理研究，2014（13）
[9] 朱建平.应用多元统计分析[M].科学出版社