中国省级光电子信息产业创新能力评价指标体系与综合评价

《Systems》：Evaluation Index System and Comprehensive Evaluation of the Innovation Capability of China’s Provincial Optoelectronic Information Industry

　　

光电子信息产业是一种具有广泛应用前景的战略性高技术产业。与发达国家相比，中国光电子信息产业呈现出“强应用、弱技术”的态势。评价光电子信息产业创新能力是制定科学发展规划的基础。本研究为评价省级光电子信息产业创新能力提供了一种方法论，以指导其高质量发展。本文应用多属性效用理论（Multi-Attribute Utility Theory, MAUT）研究中国省级光电子信息产业创新能力的评价指标体系与综合评价。通过广泛的数据收集和匹配关系分析，建立了兼具顺序分解与分层交错结构的评价指标体系，包含4个维度（子系统）和20个底层指标。为更好反映不同省份创新能力差距，研究人员建立了一种科学的分段非零非线性效用函数模型（piecewise non-zero nonlinear utility function model）。根据创新能力子系统与底层指标之间的匹配关系，研究人员构建了创新能力的加权算术平均综合评价指数模型。利用该综合评价指数模型，对中国典型省份的光电子信息产业创新能力进行了实证研究。结果显示，广东省、北京市、江苏省、浙江省和山东省排名前五。中国光电子信息产业的创新能力需通过加强投资机制建设、优化产品开发与推广、完善效率提升机制以及巩固环境支撑体系来提升。

**论文解读文章**

**1. 研究背景与问题**

21世纪是光电子与微电子技术深度融合的时代，光电子信息产业作为战略性高技术产业，具有极强的技术渗透性和产业带动效应，已成为现代信息社会的基石和经济转型的关键引擎。然而，与发达国家相比，中国光电子信息产业在原始创新方面存在“强应用、弱技术”的短板，即擅长规模化应用但原创性突破不足。准确测度该产业的创新能力，有助于识别其创新现状、前瞻性预警产业安全、优化创新资源配置并促进高质量发展。

现有研究在企业创新层面较为丰富，但对产业创新能力的系统评价相对匮乏。目前存在三个主要研究空白：其一，评价指标体系中的维度（子系统）数量存在争议，三维与四维体系各有优劣，最优维度有待明确；其二，大多数评价指标体系仅采用“顺序分解”关系（每个底层指标只属于一个维度），但光电子信息产业创新是复杂系统工程，一个底层指标可能不同程度地归属于多个子系统（如“研发支出占GDP比重”既属于科技维度也涉及经济维度），这种“交错匹配”关系未被充分考虑；其三，既有评价未建立分段非零非线性效用函数，导致指标值转化后无法充分反映省份间的分数差距。为此，本研究旨在构建兼顾顺序分解与分层交错结构的评价指标体系，并开发分段非零非线性效用函数模型，以科学评价中国省级光电子信息产业创新能力。

**2. 研究内容与结论**

研究人员以中国20个典型省份（2000–2022年）为研究对象，基于多属性效用理论，构建了包含4个子系统（创新投入水平、产出水平、效益水平、环境支撑水平）和20个底层指标的评价指标体系。采用分段非零非线性效用函数（基于逻辑增长曲线函数，结合规模报酬递增/递减规律）将原始指标值转化为效用值，并利用全局主成分分析（Global Principal Component Analysis, GPCA）确定指标权重，最终建立加权算术平均综合评价指数模型。实证结果表明：广东省、北京市、江苏省、浙江省和山东省排名前五，而重庆市、河北省、江西省、吉林省和广西壮族自治区排名后五。整体来看，2000–2022年排名首位的广东省平均综合指数仅0.507，表明中国光电子信息产业创新能力亟待提升。该研究为行业高质量发展提供了方法论基础，论文发表在《Systems》。

**3. 主要关键技术方法**

本研究采用以下关键技术方法：（1）**候选底层指标筛选**：基于权威机构与学者研究，构建包含48个候选指标的集合（含绝对指标与相对指标），利用相关系数法（设定阈值Q>q）和变异系数法（设定合理区间[u, U]）筛选出20个底层指标。（2）**匹配关系分析**：采用自上而下的顺序分解模型将20个指标初步分配到4个子系统；再利用全局主成分分析（GPCA）进行自下而上的分层交错匹配，通过旋转后的成分矩阵和设定载荷阈值（M=0.6）确定每个指标的主归属与次要归属，形成既有序分解又有分层交错结构的指标体系。（3）**效用函数与权重计算**：基于逻辑增长曲线构建分段非零非线性效用函数（设中位效用c=0.5，最低效用b=0.01），使指标值变化在边际效用递增区间产生差异化得分；权重通过GPCA的累计方差贡献率（α(k)≥70%）和特征向量归一化得到。（4）**综合评价模型**：采用加权算术平均综合指数模型，先计算各子系统得分（S₁–S₄），再以各子系统权重（0.320, 0.275, 0.243, 0.161）加权得到综合创新能力指数（R）。数据来源包括《中国高技术产业统计年鉴》《中国统计年鉴》等，样本覆盖20个典型省份（排除数据不可得或产业规模过小的省份）。

**4. 研究结果**

**4.1 确定底层指标**：通过相关分析与变异系数法从48个候选指标中筛选出20个底层指标，这些指标分属创新投入水平、产出水平、效益水平、环境支撑水平4个子系统。研究构建了兼具顺序分解与分层交错结构的指标匹配图（图3），其中实线表示指标主要归属于单一子系统，虚线表示次要归属，线条粗细反映匹配强度，蓝色线为专家调整分类。

**4.2 分析匹配关系**：采用GPCA对面板数据分析，KMO值为0.893，Bartlett球形检验通过。提取特征值大于1的4个主成分，累计方差贡献率达81.589%。根据旋转后成分矩阵（载荷阈值M=0.6）及标准3（载荷最大且大于M则直接归属）和标准4（若最大载荷小于M则用专家法调整），确定了20个指标与4个子系统之间的分层交错匹配关系，验证了指标体系的双重属性。

**4.3 计算各省创新能力**：基于加权算术平均综合指数模型（式4–8），计算2000–2022年20个典型省份的光电子信息产业综合创新能力指数。结果（表4、表5及图4热力图）显示：广东省持续领先，北京市、江苏省、浙江省和山东省紧随其后；湖北省、福建省、安徽省、四川省和上海市位列第二梯队；河南省、湖南省、辽宁省、陕西省和天津市为第三梯队；广西、河北省、吉林省、江西省和重庆市指数最低。整体来看，创新能力呈现东部沿海高、中西部低的空间格局，且广东省等起步早的省份持续提升，而广西、江西等起步晚的省份在2015年后才开始显著进步。

**5. 讨论与结论**

**讨论部分**：研究从冗余度（RD）和敏感度（SD）两方面验证指标体系的有效性。RD=0.25<0.5，表明指标间信息重叠度低；SD=0.0325<5，表明指标体系对单项指标异常波动不敏感，可长期稳定支持评价。基于2000–2022年平均综合指数将样本省份分为四类：很高（广东、北京、江苏、浙江、山东）、较高（湖北、福建、安徽、四川、上海）、较低（河南、湖南、辽宁、陕西、天津）、很低（广西、河北、吉林、江西、重庆）。分析指出，广东省依托完整产业链和改革前沿优势稳居第一；北京市凭借高校资源和政策支持保持领先；湖北省因早期布局“光谷”而中部最强；而广西、吉林等省份因产业链不完善、人才短缺、创新投入不足等原因排名靠后。政策建议方面，应从四个方面发力：①强化投资机制（提高研发人员占比、研发支出占比）；②优化产品开发与推广（提高新产品收入占比和出口收入）；③改进效率提升机制（提高人均利润、每亿元研发支出有效发明专利数）；④巩固环境支撑体系（增加地方科技支出占比、提高人均受教育程度）。

**结论翻译**：在当前技术变革背景下，光电子信息产业创新能力已成为影响信息技术质量和新工业化发展的关键因素。以中国各省份为研究区域，本文研究了光电子信息产业创新能力的评价指标体系与综合评价，得出以下结论：（a）建立了科学合理的评价指标体系。从48个候选指标中筛选出20个底层指标，基于GPCA构建了兼具顺序分解与分层交错匹配关系的四维20项指标体系。（b）开发了分段非零非线性效用函数模型。结合规模报酬递增递减规律和逻辑增长曲线，构建了凹凸性分段效用函数，实证验证了其有效性。（c）提升中国光电子信息产业创新能力仍任重道远。广东省、北京市、江苏省、浙江省和山东省排名前五，重庆市、河北省、江西省、吉林省和广西壮族自治区排名后五。2000–2022年排名首位的广东省平均综合指数仅0.507，表明创新能力亟待提升。需通过强化投资机制、优化产品开发、完善效率提升机制和巩固环境支撑体系来改善。本研究所提方法科学，可应用于其他领域的评估，但受数据可得性限制仅涵盖2000–2022年，未来将扩展至2022年后及国际比较。