袁旭梅，张 旭，王亚娜

(燕山大学经济管理学院,河北 秦皇岛 066000)

0 引言

目前，学者从内涵、影响因素、构成及评价几个方面对区域协同创新能力进行研究[1]。具体到评价问题，其内容主要为评价指标的确定和评价方法的选择[2-3]。对于前者，国外学者多是基于《创新指标》《全球竞争力年鉴》《奥斯陆手册》中的指标建立评价指标体系；对于后者，则根据问题的性质采用一种或多种方法对研究问题进行评价。Zabala等从创新输入和输出两维指标，运用DEA方法测评欧洲区域创新系统的运行绩效和创新潜力[4]；Pinto等采用因子分析法，从经济结构、劳动力市场、技术创新和人力资本4个维度，对欧洲15个国家175个地区的创新能力进行测评[5]；Xiao等从知识创新、企业创新能力，环境支撑、创新绩效4个维度构建区域创新能力评价标准[6]。

国内学者结合中国高新技术产业的特点，对区域协同创新能力评价问题开展了大量研究[7-9]。在评价指标方面，臧维等从创新主体和创新环境的16个方面研究京津冀高新技术产业协同创新问题[7]；贺灵构建了包含创新资源保障力、知识创新能力、知识配置能力、知识应用能力和创新环境支撑能力5个二级指标、14个三级指标的区域协同创新能力测评指标体系，对全国31个省的能力形成与提升机制进行探索[10]；顾菁等根据创新主体和外部创新环境两个因素下的11个分指标，基于2005—2011年的数据，对中国高新技术产业协同创新情况进行评价[11]；肖仁桥等以R&D人员全时当量、资金投入、专利申请量、拥有发明专利量、新产品销售收入和新产品产值评价中国高技术产业创新效率[12]；王洪庆等从行业层面构建了包含投入能力和产出能力2个二级指标和16个以相对值衡量的三级指标，对中国18个行业的高新技术产业技术创新能力进行评价[13]；近年来，新产品出口销售收入[14]、非R&D投入强度[15]、知识产权总量[16]等指标也被纳入评价指标体系。

在评价方法方面，作为典型的多准则决策问题，高新技术产业创新能力的评价研究涉及了多种常用决策方法。唐惠英等[17]、郑珍远[18]、杨国忠等[19]分别运用复合系统协同度评价模型、关联DEA模型、改进的熵值法、主成分分析法、结合粗糙集的属性约简算法及熵值法、层次分析法、结合熵值法和TOPSIS法从不同角度对高新技术产业的创新问题进行了评价研究。其中，粗糙集方法中的优势关系是用于刻画优势程度的工具[20-21]，最早由Greco等[22]提出，它有利于解决连续属性和偏序关系问题。针对优势关系要求相对严格、容错能力较差、在实际应用方面效果不理想等问题，翁世洲等提出了基于概率优势关系的粗糙集模型，该模型仅要求两个方案满足优劣关系的属性个数达到一定比例即可，极大地简化了整个排序与决策过程[23-24]。

本文延续并拓展前人的成果，针对现有研究中对决策者主观模糊性、波动性、随机性考虑欠缺的问题，将云模型与概率优势关系相结合，提出云概率优势关系方法，对高新技术产业区域协同创新能力进行评价和分类。

1 高新技术产业区域协同创新的内涵及影响因素

1.1 高新技术产业区域协同创新的内涵

Peter[25]首次提出了协同创新的含义，认为其是由那些进行自我激励的人组成的网络小组，并形成集体愿景，通过网络进行思想、信息和工作等方面的沟通，从而协作实现共有的目标。随着研究视角的不断拓展，协同创新的定义不断丰满。本文的协同创新是指不同创新技术和创新要素有机配合，通过复杂性和非线性相互作用而产生整体效应最优和协同过程。

高新技术产业的区域协同创新可以看作是通过各地区或省 (直辖市)之间创新能力的整合和创新资源的无障碍流动，实现优势互补，获得协同效应，促进高科技知识向新产品或新工艺转化。

1.2 高新技术产业区域协同创新的影响因素

高新技术产业区域协同创新能力受到多种因素的影响，归纳起来主要有以下三个方面。

(1)创新资源基础能力。一个区域的经济基础条件、高新技术产业的发展状况、人力资源状况是实现区域协同创新的基础，具体包括各区域与创新相关的人力资源、经费支出、固定资产等。

(2)创新投入产出能力。高新技术产业区域协同创新通过投入创造知识，并将其转化为产品或工艺应用于实践。其中，创新投入主要为科技资源在人力和财力方面的投入；创新产出的形式包括发明专利、科研论文、新产品销售收入等。

(3)创新环境支撑能力。便捷完善的创新基础设施、健全的法律政策、持续的市场需求、良好的创新文化等软硬件环境，为高新技术产业区域协同创新能力提供有力的支持。

2 高新技术产业区域协同创新评价指标体系的确定

2.1 预选评价指标集构建

结合高新技术产业区域协同创新的资源基础能力、投入产出以及环境支撑能力等影响因素，遵循全面性、实用性、可比性、绝对量与相对量相结合等原则，根据已有研究成果，并考虑数据的易获取性，建立预选评价指标集，见表1。

2.2 预选评价指标集的因子分析

在预选评价指标集的基础上，采用因子分析法，使用SPSS19.0统计软件进行数据分析，最终确定高新技术产业区域协同创新能力的评价指标体系。

表1 高新技术产业区域协同创新能力评价预选指标集

(1)从京津冀、长三角、中原、长江中游、珠三角、成渝六个区域中各选择一个代表省份(直辖市)，即北京、上海、山东、湖北、广东、四川，以其2015年的数据作为17个预选指标的样本数据。

(2)计算指标变异系数。变异系数体现了各指标的分辨能力，可以衡量各指标所指状态的差异。若某一指标的变异系数小于0.2，则认为各省(直辖市)在该指标上趋于一致，难以区分，此时该指标被剔除。根据所选样本数据，计算各指标的变异系数，各个指标的变异系数均大于0.2，说明各指标差异显著。

(3)进行相关性检验。指标相关度可以衡量指标间信息的重叠情况，一般用相关系数表示。若相关系数大于0.9，则两指标之间存在相似性，无法对各省(直辖市)高新技术产业区域协同创新能力进行公正评价。根据上述样本数据，计算各个指标的相关系数，结果显示，指标C9与C13的相关系数为0.925，两指标之间存在较严重的信息重叠，只选择一个作为评价指标即可，本文选择C9。

(4)提取主因子并命名。①对通过变异系数标准和相关性检验的16个指标进一步进行KMO系数和Bertlett′s球形检验，其中，KMO系数为0.807，Bertlett′s球形检验的显著性概率为0.000，满足判断标准，说明适合做因子分析；②对16个有效指标进行主成分分析，并采取Kaisen标准提取主因子，结果显示，当提取f1、f2、f3、f4、f5五个主因子时其累积贡献率分别为26.03%、45.87%、64.11%、81.85%、92.34%，说明主因子能够较全面地反映16个指标的信息量，具有较高的建构效度；③对因子载荷矩阵进行正交旋转，f1在指标C1、C3、C4、C5上具有较大载荷，它反映了各省(直辖市)拥有的创新资源情况，命名为“创新资源”；f2在C6、C8、C11、C12上载荷较大，包含了省(直辖市)高新技术产业创新研发在人、财、物等多方面的投入，命名为“技术研发”；f3在C2、C7、C10上的载荷较大，涵盖了技术引进、改造、消化、吸收等方面的支出情况，命名为“技术消化吸收”；f4在C9、C14上有较大载荷，f5在C15、C16、C17上载荷较大，分别反映了创新的成果和环境，故命名为“创新成果产出”和“创新环境”。

(5)进行主因子内部一致性检验。信度系数是最常用的一致性检验工具，通过计算，各主因子的信度系数均大于0.7，有的甚至达到0.8，说明主因子的构造具有良好的一致性和有效性。

2.3 创新能力评价指标体系

根据因子分析结果，本文所构建的高新技术产业区域协同创新能力评价指标体系见表2。

表2 高新技术产业区域协同创新能力评价指标体系

3 云概率优势关系排序方法

3.1 PDR排序法

结合Greco等对于粗糙集方法中优势关系的研究，翁世洲等学者提出了基于概率优势关系的排序方法，即Probabilistic Dominance Relation(PDR)，其基本思想是通过构建具有容错能力的概率优势关系，根据各对象的条件属性值计算其优势度、α概率优势类、概率优势矩阵和综合优势度，并基于此确定各对象排序。概率优势关系并不要求两个对象或方案在所有属性下的取值存在严格的优劣关系，而仅要求满足优劣关系的属性个数达到一定比例即可。

3.2 云模型

云模型是中国学者李德毅在概率论和模糊论的基础上提出的一种用语言值来描述定性概念与其定量数值之间不确定性转换的模型。云滴是云模型中的最小组成单元，是定性概念映射到数域空间的一个点，具有波动性、模糊性和随机性等特征。通常采用期望Ex、熵En和超熵He三个数字特征刻画一个云滴，记为X(Ex,En,He)。其中，Ex是最能代表所要研究内容定性概念的最典型样本点，即所有云滴在论域分布中的期望；En是对定性概念不确定性的度量，由概念的随机性和模糊性共同决定；He是对En不确定程度的度量，即熵的熵，取决于熵的模糊性和随机性。

3.3 云概率优势关系方法

云模型与PDR方法相结合的云概率优势关系(简称云PDR)方法是考虑决策中模糊性和随机性的概率优势关系排序方法，能够同时分析对象的水平和波动情况。

云PDR方法的优势主要体现在以下方面：首先，云PDR方法无需确定权重即可对各研究对象进行评价，有效避免了AHP、DEA、粗糙集等方法确定指标权重造成的决策主观性问题；其次，云PDR方法通过各对象在各指标下的两两比较分析优劣关系，计算评价结果，与因子分析方法相比，鲁棒性较强，数据搜集的误差对评价结果的影响较小；另外，云PDR方法是将概率优势关系引入传统粗糙集方法，并结合云模型提出的一种多准则决策方法，充分考虑了评价中的模糊性和随机性。云PDR方法的这些特点和优势，使其能够适用于分析指标量多、数据繁杂、结果变化性强的高新技术产业协同创新能力评价问题。

4 实证研究

4.1 样本选取与数据准备

本研究选取京津冀、长三角、中原、长江中游、珠三角和成渝六个典型区域为基本评价单元，以2010—2015年为考察期，以省际高新技术产业在各协同创新能力评价指标下的实际值为原始样本数据，探索高新技术产业区域及其内部各省(直辖市)之间协同创新能力水平与波动情况的时空差异。其中，京津冀区域包含北京、天津、河北三个省(直辖市)；长三角区域有上海、江苏、浙江三个省(直辖市)；中原区域包括安徽、河南、山西、山东四个省份；长江中游区域涵盖江西、湖北、湖南三个省份；由于香港、澳门地区与大陆的差异，珠三角区域包含广东、福建、广西三个省份；成渝区域包含重庆和四川两个省(直辖市)。相关数据均来自《中国科技统计年鉴》《中国高技术产业统计年鉴》。

4.2 高新技术产业区域协同创新能力评价

(1)区域内各省(直辖市)高新技术产业协同创新能力评价。以2010—2015年省际高新技术产业在各协同创新能力指标下的实际值为依据，基于云PDR方法，利用MATLAB程序，通过计算云优势度、云优势类和云优势矩阵，获得各省(直辖市)整体和各指标的综合云优势度。

根据云优势度的比较规则，可以得出如下结果：①从高新技术产业区域协同创新能力水平来看，各省(直辖市)存在显著差异。六大区域内各省(直辖市)的高新技术产业协同创新能力排名情况如下，京津冀：北京、天津、河北；长三角：江苏、浙江、上海；中原：山东、安徽、河南、山西；长江中游：湖北、湖南、江西；珠三角：广东、福建、广西；成渝：四川、重庆。②以京津冀地区为例，北京、天津、河北三个省(直辖市)在创新资源、技术研发、技术消化吸收、创新成果产出方面与广东、江苏等创新能力领先的省份相比落后明显。但是，在创新环境方面，北京和天津表现突出。③从高新技术产业区域协同创新能力的波动情况来看，各省(直辖市)也表现出明显的不同。波动性很高的省有山东、浙江、湖南；近半数省份如山西、广西、江苏、广东、河北、江西、福建、重庆、河南，呈现较低的波动性；上海、安徽、湖北、北京、四川、天津波动处于中等水平。

(2)区域间高新技术产业协同创新能力评价。以区域所包含省(直辖市)的高新技术产业在各协同创新能力指标下实际值的均值为依据，基于云PDR方法，利用MATLAB程序，通过计算云优势度、云优势类、云优势矩阵，分别获得各区域2010—2011年、2012—2013年、2014—2015年和2010—2015年的综合云优势度以及2010—2015年各二级指标的综合云优势度，见表3和表4。

表3 各区域不同时间段综合云优势度(Ex,En,He)

表4 2010—2015年区域各二级指标的综合云优势度(Ex,En,He)

由表3和表4可见：①从协同创新能力水平来看，长三角、珠三角水平最高，中原和长江中游次之，京津冀区域协同创新能力较弱，成渝地区最弱。从二级指标看，长三角、珠三角在各个指标下的表现均比较良好，中原区域创新成果产出和创新环境较弱；长江中游区域的创新成果产出和技术研发较弱；京津冀区域的创新资源和技术消化水平较弱。②从协同创新能力波动来看，中原地区波动最大，京津冀地区次之，长江中游地区略显波动，长三角、珠三角、成渝地区相对稳定，这与2010—2011年、2012—2013年、2014—2015年分时段研究的结果相符。中原地区的波动主要表现为创新资源的波动；长江中游地区和京津冀的波动因素主要为创新环境的变化。

4.3 高新技术产业区域协同创新分类

(1)综合能力的水平-波动分类。

Ⅰ持续领先型：高水平，低波动。创新资源丰富、环境良好、投入产出效益显著。

Ⅱ潜力发展型：高水平，高波动。创新资源、环境和投入产出情况在不断向好的方向发展，潜力突出。

Ⅲ探索追赶型：低水平，高波动。虽然该类型的创新能力相对较低，但其一直在探寻合适的发展路径，为提升协同创新能力不断努力。

Ⅳ保守落后型：低水平，低波动。与其他类型相比，该类型的创新能力相对落后。

六个区域的协同创新综合能力分类结果见图1，I型的区域包括长三角、珠三角地区；Ⅱ型的区域仅有中原地区；Ⅲ型的区域为京津冀地区；Ⅳ型的区域包含长江中游、成渝地区。18个省(直辖市)的协同创新综合能力分类结果见图2。

图1 区域高新技术产业协同创新综合能力的 水平-波动分类

图2 省(直辖市)高新技术产业协同创新综合 能力的水平-波动分类

(2)创新环境的水平-波动分类。考虑创新环境水平及波动情况两个维度，可以将高新技术产业区域协同创新环境分为四类：I高水平-低波动型，Ⅱ高水平-高波动型，Ⅲ低水平-高波动型和Ⅳ低水平-低波动型。六个区域的协同创新环境分类结果见图3，18个省(直辖市)的协同创新环境分类结果见图4。

图3 区域高新技术产业协同创新环境的 水平-波动分类

图4 省(直辖市)高新技术产业协同创新 环境的水平-波动分类

(3)创新的投入-产出分类。以技术研发和技术消化吸收指标为创新投入，以创新成果产出指标为创新产出，从这两个维度可将高新技术产业区域协同创新分为四类。

Ⅰ积极型：高投入，高产出。创新表现活跃，较为重视创新投入，相应成果产出也较多。

Ⅱ高效型：低投入，高产出。创新投入得到高效转化，成果产出显著。

Ⅲ保守型：低投入，低产出。对创新多持保守态度，投入力度相对较小，相应的成果产出也较少。

Ⅳ低效型：高投入，低产出。创新投入产出比相对较低，技术消化吸收与转化效果不理想。

六个区域的分类结果见图5，18个省(直辖市)的分类结果见图6。

图5 区域高新技术产业协同创新的投入-产出分类

图6 省(直辖市)高新技术产业协同创新的 投入-产出分类

(4)分类结果分析。根据六个区域的相关举措和发展实际，对上述分类结果分析如下：

①得益于改革开放这一契机，长三角、珠三角地区城市开放度较高，分别形成“一核五圈四带”和“多中心、网络化”的空间格局，经济科技力量雄厚，创新人才和技术要素集聚，创新资源协调高效。另外，地区内部各省(直辖市)之间深入的协同层次、多样的协同形式都使得两个地区高新技术产业区域协同创新环境、投入产出以及综合水平持续领先。

②京津冀在创新投入-产出和创新环境表现良好，这得益于近年来在京津冀一体化背景下，北京、天津、河北三地出台和签署的多项区域协同创新合作协议，如《北京市、天津市关于加强经济与社会发展合作协议》《北京市、河北省2013—2015年合作框架协议》《北京市、河北省科技合作框架协议》。但由于京津冀三地创新资源能力差异较大，各项协议在现实中的协商机制尚不健全，资源共享范围和创新合作广度有待进一步提高，因此该区域高新技术产业区域协同创新能力表现为低水平-高波动的探索追赶型。

③对于中原地区，在国务院2012年正式批复的《中原经济区规划》(2012—2020年)中明确指出，其战略定位是建设成为华夏历史文明传承创新区。因此，该区域重点关注文化产业协同创新，在高新技术产业协同创新方面投入与产出效果不理想。然而，文化产业协同发展中各类合作协议的签署、平台与中心的建立等，必然带动各省(直辖市)之间的联系、合作及资源共享，使该区域高新技术产业协同创新综合水平表现出不断向好的方向发展的潜力特征。

④长江中游地区与成渝地区在协同创新投入产出方面均较为保守，且后者在创新环境方面的表现也不容乐观，这是由于二者区域协同创新起步较晚，协同创新动力不足、意识落后、资源限制、组织障碍、机制缺乏等因素导致其区域协同创新发展相对缓慢，处于较低水平。

5 结论

(1)根据区域间高新技术产业协同创新能力综合评价结果，长三角和珠三角地区始终处于稳定的高水平状态；成渝地区水平低波动小；中原和京津冀地区波动大但创新能力水平相对较低；长江中游区域的高新技术产业协同创新能力水平和波动处于中等水平。其中，京津冀区域的主要制约因素为创新资源和技术消化吸收水平，促进因素为创新环境；中原区域的制约因素主要是创新环境而在创新资源方面表现较好；长江中游区域在创新成果产出方面水平较低。

(2)根据区域内各省(直辖市)高新技术产业协同创新能力综合评价结果，广东、江苏、山东、浙江、上海、北京处在高水平状态。分析原因，高新技术产业区域协同创新能力水平高、波动小的省(直辖市)大多拥有开放的市场环境、优越的创新条件、强烈的创新意识和有效的创新举措。

(3)根据高新技术产业区域协同创新综合能力的水平-波动分类结果，持续领先型的省(直辖市)主要位于长三角、珠三角区域，无论是创新资源、技术研发、技术消化吸收，还是创新环境都处于较高水平，是该行业的领跑者。然而，从总体来看，这些省(直辖市)仅占省(直辖市)总数的17%，中国高新技术产业区域协同创新综合能力亟待进一步提高。

(4)根据高新技术产业区域协同创新环境的水平-波动分类结果，创新环境为高水平-高波动表明高新技术产业区域协同创新问题得到高度关注并取得一定成果，处于低水平-低波动的区域和省(直辖市)，急需改善高新技术产业协同创新环境。低水平-高波动的区域和省(直辖市)，对高新技术产业协同创新环境方面做出了努力，但效果不明显，需进一步借鉴其他区域或省(直辖市)的成功经验，探索针对自身问题与现状有价值的创新环境改善策略与完善机制。

(5)根据高新技术产业区域协同创新的投入-产出分类结果，保守型的区域和省份主要来源于中部欠发达地区；低效型的区域和省(直辖市)大多在技术消化吸收和创新环境方面不理想，需要寻找推动投入产出良性运转的机制；高效型区域和省市分别只有京津冀和天津，这与京津冀协同发展国家战略的推进密不可分，但就区域整体协同创新水平而言，相比先进区域还较为落后，需要重点关注创新资源的开发与提升。