林宏杰

(厦门理工学院经济与管理学院，福建 厦门 361024)

我国于2016年11月颁布的《“十三五”国家战略性新兴产业发展规划》(以下简称“规划”)明确指出战略性新兴产业是引导未来经济社会发展的重要力量，以此为契机，各地区纷纷对战略性新兴产业进行布局，以转变经济发展方式，实现产业转型升级。这极易造成各地不顾本地实际情况、在未经充分论证的情况下一哄而上。战略性新兴产业发展的优先序评价，是一个区域层面的活动，经济科技和产业基础发展程度不同的地区，战略性新兴产业发展的优先序也会有一定的差异[1]。因此，如何科学合理地对区域战略性新兴产业的优先序进行评价已成为一项具有重要现实意义的研究课题。

对于战略性新兴产业发展优先序的研究，一个方向是基于定性指标的优先序评价，该方向通常是在系统阐述战略性新兴产业内涵、特征及成长关键因素的基础上，构建定性选择模型或产业优先序评价体系[2]；另一方向基于定量指标的优先序评价，为使评价结果更为客观和合理，该类研究通常将定性指标体系量化，并以灰色关联分析理论为基础进行实证分析[3]。考虑到战略性新兴产业具有全局性、先导性、关联性和动态性4个特征，单纯用定量或定性指标进行产业优先序的评价难免显得以偏概全，故而贺正楚提出基于“Weaver-Thomas方法”对各个评价指标进行综合化的方法[4]。又鉴于新兴技术的高度不确定性和模糊性，在产业优先序的评价中有必要融入专家的意见，为处理此类模糊信息，优先序评价模型开始综合“模糊数学”和“粗糙集”的相关方法[5]。还有研究认为，战略性新兴产业本质上衍生自高新技术产业、地方支柱产业或主导产业，故而对于战略性新兴产业优先序的评价可直接使用后者的评价指标体系，并应用诸如“主成分分析法”和“层次分析法”进行优先序的评价[6-8]。上述研究通常以某一评价指标体系及其对应的指标统计信息为模型基础数据，虽然基于统计数据的优先序评价模型能对产业竞争力作出较为精确的估算，但是直接把上述模型应用到产业优先序评价中，还存在以下3点局限。(1)许多战略性新兴产业都是植根于传统产业，或技术突破，或产业拓展，而企业提供统计数据时，往往难以单独分离出战略性新兴产品的成套数据。至于人员、科研经费等数据，更是互相交叉汇总[9]。这些因素也影响了统计数据的准确性和完整性，不能满足优先序评价模型的假设条件。(2)模型过分依赖于统计数据，当统计数据缺失或者数据准确度不高时，其度量结果的准确性将会大打折扣，存在着较大的模型风险。(3)已有研究所构建的评价指标体系主要是基于主导产业、支柱产业或高新技术产业的视角，未综合考虑战略性新兴产业的关联性、创新性、长远性、倍增性和区域优势性，不宜直接用于战略性新兴产业的优先序评价[10]。鉴于我国尚未建立起一整套对于规模以上战略性新兴产业的统计监测指标体系，专家对于产业发展优先序的评价面临统计指标体系不健全、统计数据缺乏可比性和难以量化等问题[11-12]。评价结果存在一定的有效性风险。

综上所述，战略性新兴产业优先序评价方法必须考虑到统计数据缺失和通用性评价指标体系难以构建的现状，应该在产业优先序评价中融入专家的意见和经验，从定性和定量相结合的角度实现对战略性新兴产业的合理排序。因此，本文在战略性新兴产业优先序的评价和度量中引入专家的意见和经验，将专家主观判断与量化分析相结合，并考虑专家在评价时可能出现的不确定性、模糊性和犹豫性，提出基于残缺区间直觉模糊集的战略性新兴产业优先序评价方法，并通过实例分析，验证评价方法的可操作性和有效性，以期为统计数据缺失条件下战略性新兴产业优先序评价提供有益借鉴。

一、战略性新兴产业发展优先序评价方法

(一)问题描述与评价方法的适用条件

战略性新兴产业的优先序评价，主要涉及指标权重的计算和指标值的集结。常用的指标权重计算方法要求专家对指标重要性进行两两比较后，以确定值的形式给出判断矩阵，并用层次分析法求解出指标权重；对于指标值的集结，常用的方法是根据收集到的产业统计数据，运用主成分分析法、模糊综合判定法进行指标值的集结。从现有研究上看，使用上述方法进行产业优先序评价需要满足如下假设条件：(1)各产业指标体系是通用的，且是具有可比性的；(2)指标体系中各指标必须是可量化的，不能是既包含定性指标又包含定量指标的复杂指标体系；(3)产业统计数据都是完整的、可比的和精确的，不存在数据缺失，统计标准、统计口径不一致的情况。但从战略性新兴产业统计指标体系的研究现状上看，上述假设条件难以被同时满足。为了使得评价方法更贴合实际情况，更具有可操作性，根据区间直觉模糊平均算子、区间直觉模糊混合加权集结算子(以下分别简记为g算子和gω,ω′算子)和残缺区间直觉模糊集能够优化对偏好信息集结处理、指标映射处理和缺失数据处理的特点[13-14]，特设置如下3个适用条件,满足其一即可使用本评价方法。

条件1：各产业指标体系缺乏可比性，但专家可利用gω,ω′算子进行偏好集结；

条件2：产业统计指标体系不健全，数据存在缺失，但仍可构造残缺区间直觉判断矩阵；

条件3：产业指标体系包含定性指标且难以量化的，专家可将各类指标一一映射到区间直觉模糊数。

(二)评价方法的构建及操作步骤

根据问题描述及适用条件说明，首先进行残缺区间直觉判断矩阵的构造，用以描述专家在统计数据缺失的情况下对各产业指标的偏好信息(见步骤1)；其次，利用改进的区间直觉判断矩阵，用以拟合缺失的统计数据(见步骤2)；最后，利用g算子和gω,ω′算子对专家给出的偏好信息进行集结和排序，得到战略性新兴产业发展优先序结果(见步骤3～5)。综上，评价方法的具体操作步骤如下：

步骤2 利用式(1)

(1)

(2)

分别计算qi的得分函数值s(qi)，利用得分函数值对产业进行排序，得到产业优先发展排序。

二、应用实例

为了进一步对评价方法进行说明，依托2017福建省软科学项目“福建省科技服务业与战略性新兴产业双重集聚效应及其影响因素实证研究”的前期研究成果和调研资料，给出具体的数据对评价方法进行实例分析。福建省经过多年的发展，新能源汽车(B1)、新一代信息技术(B2)、海洋高新(B3)和新材料(B4)产业已经初具规模，有了一定的基础和优势。为更高效地配置区域资源，聘请3位专家组成委员会来确立战略性新兴产业发展的优先次序。然而，福建省战略性新兴产业发展优先序的调研资料存在评价指标不健全，统计数据缺乏可比性、难以量化等问题，如产业集聚度指标，新能源汽车是以企业数为基础测算集聚度，而新一代信息技术则是以员工数为基础测算集聚度，二者不具有可比性；又如产业区域优势性指标，各产业沿用的仍旧是主导产业、支柱产业或高新技术产业的评价指标，该评价指标对于战略性新兴产业发展优先序的评价而言并不健全；再如地方政策支持优势指标，此类定性指标是难以量化的。在数据缺乏可比性，指标体系不健全，定性指标难以量化的情况下，尝试使用上文构建的方法进行优先序评价。

(一)构建残缺区间直觉判断矩阵

3位专家根据已掌握的统计数据和已有的经验，对4个产业的优先次序进行两两比较。对于统计数据缺失或经验不足而无法给出偏好信息的，根据操作步骤1分别构造出3位专家残缺区间直觉判断矩阵Q1、Q2、Q3如下：

(二)拟合缺失数据并获得改进的区间直觉判断矩阵

(三)获得产业的综合区间直觉模糊信息

利用区间直觉模糊平均算子，按步骤3求得专家对各产业的综合区间直觉模糊信息。并利用区间直觉模糊混合加权集结算子,按步骤4集成专家对各产业的综合区间直觉模糊信息。为减少专家评价过高与过低评价的影响，选定位置权重向量ω′=(0.3,0.4,0.3),专家权重向量ω=(0.33,0.34,0.33)。则

q1=([0.442 8,0.561 8],[0.235 9,0.362 8])，q2=([0.485 7,0.612 7],[0.224 9,0.329 5]),

q3=([0.328 6,0.413 9],[0.382 6,0.549 5])，q4=([0.253 4,0.369 8],[0.431 2,0.554 8])。

以上结果表示：3位专家对福建省的新能源汽车产业综合评价的隶属度在区间[0.442 8,0.561 8]上，非隶属度在区间[0.235 9,0.362 8]上，犹豫度在区间[0.075 4,0.321 3]上；对新一代信息技术产业综合评价的隶属度在区间[0.485 7,0.612 7]上，非隶属度在区间[0.224 9,0.339 5]上，犹豫度在区间[0.057 8,0.289 4]上；对海洋高新产业综合评价的隶属度在区间[0.328 6,0.413 9]上，非隶属度在区间[0.382 6,0.549 5]上，犹豫度在区间[0.036 6,0.288 8]上；对新材料产业综合评价的隶属度在区间[0.253 4,0.369 8]上，非隶属度在区间[0.431 2,0.554 8]，犹豫度在区间[0.075 4,0.315 4]上。

(四)获得产业的得分函数值

利用式(2)，按步骤5求得各产业的得分函数值：s(q1)=0.203 0，s(q2)=0.272 0，s(q3)=-0.094 8，s(q4)=-0.181 4。由于s(q2)>s(q1)>s(q3)>s(q4)，根据构建的评价方法，福建省战略性新兴产业的产业优先发展排序为：新一代信息技术产业、新能源汽车产业、海洋高新产业、新材料产业。

三、结语

基于残缺区间直觉模糊集和加权集结算子，构建了战略性新兴产业优先序评价方法。对福建省新一代信息技术产业、新能源汽车产业、海洋高新产业、新材料产业的具体应用案例表明，在战略性新兴产业发展优先序评价中引入专家的意见和经验，将专家主观判断与量化分析相结合，利用残缺区间直觉模糊集和区间直觉模糊混合加权集结算子对评价信息进行处理，可同时描述隶属度、非隶属度、犹豫度和数据缺失这4个方面的信息，能有效处理数据缺乏可比性，指标体系不健全，定性指标难以量化等条件下的优先序评价，克服传统计量模型过于依赖统计数据的缺陷。但对专家的意见进行集结时所采用的权重信息本质上仍属于主观设定，权重信息的设定是重点和难点，有待进一步探索。