中国区域科技创新评价报告2023，“一带一路”沿线国家科技创新水平评价(附2023年最新排行榜前十名单)

　　中国区域科技创新评价报告2023（“一带一路”沿线国家科技创新水平评价）

摘要：共建“一带一路”是顺应世界多极化、经济全球化、文化多样化、社会信息化潮流的重大举措。文章采用来自世界银行、全球创新指数、《世界竞争力年鉴》的部分公开数据，以二阶因子模型为基础模型，通过现有的4种偏最小二乘估计算法，对“一带一路”沿线国家的科技创新水平进行评价。研究表明，科研投入产出对一国科技创新水平的提升均表现出相对较大的贡献。而随着分位数水平的引入，经济社会环境、科技人力资源和科研投入产出的作用均表现出随分位数水平的上升而增加的变化趋势。人口总数和GDP总量对于经济社会环境的影响颇为重要，而他们所带来的影响的差异在低分位数水平时表现得最为明显。R&D研究人员和高等院校入学率对科技人力资源的影响，以及科技期刊论文和专利申请量对科技投入产出的影响，也表现出类似的规律。而在高分位数水平下研发支出对科技投入产出表现出相对显著的效应。

0 引言

近年来，面向“一带一路”相关问题的研究可归纳为如下几个类别：

第一，“一带一路”沿线国家经济贸易发展及影响因素研究

“一带一路”倡议显著推动了沿线国家的经济增长，并且推动作用随时间逐渐增强[1]。“一带一路”沿线国家增加值贸易网络规模不断扩大，各国地理相邻、共同语言、直接投资关系和产业结构差异对促进贸易网络演变的积极效应具有阶段性的差异[2]。从国际视角看，改善投资环境、优化投资结构、培育创新驱动核心优质要素，将有助于提升中国在全球价值链分工中的地位[3]。

第二，“一带一路”沿线国家各行业发展状况研究

我国零售业关联产业在“一带一路”沿线国家具有一定优势，“一带一路”沿线国家和地区是我国零售业“走出去”的重要目标市场[4,5]。我国从部分“一带一路”沿线国家中进口的虚拟土地主要来源于棉花、谷物、水果和油料，未来应进一步扩大以农产品为依托的虚拟土地进口面积，发展农产品贸易合作伙伴[6]。“一带一路”对建筑行业的企业财务绩效的影响是正向的，说明企业参与“一带一路”会促进建筑行业的企业绩效提升，利于企业的发展[7]。

第三，“一带一路”沿线国家科技创新研究

现阶段中国与中东欧国家在科技创新合作机制方面具有 *** 主导性、合作主体上的多方合作性和合作布局上的不均衡性等特点[8]。可通过运用创新综合指数和全球创新指数比较中国-中东欧国家科技发展的水平，为科技合作的开展提供依据[9]。围绕“一带一路”沿线国家科技合作与协同创新，展开盟友选择、资源投入、分工协调、信息沟通等机制研究[10]。此外，还有很多学者基于“一带一路”相关的数据资料展开深入研究，并取得高质量的科研成果。

近年来，中国也出台相应政策方案，大力支持“一带一路”科技创新建设。共建“一带一路”符合大多数国家和人民的利益，有助于推动区域合作，维护全球自由贸易体系和开放型世界经济，促进经济要素有序自由流动、资源高效配置和市场深度融合。综上所述，本文以“一带一路”沿线国家为研究对象，在综合考虑世界银行、全球创新指数、《世界竞争力年鉴》有关数据基础上，选择人口总数、GDP总量、R&D研究人员、高等院校入学率、研发支出、科技期刊论文和专利申请量共7个指标，借助二阶因子模型和偏最小二乘估计算法，进行“一带一路”沿线国家科技创新水平的量化评价研究，具有一定的参考价值与借鉴意义。

1 研究设计

1.1 指标体系构建

目前不少权威机构会定期发布世界各国在科技创新、竞争力等方面的报告、指标和数据。1989年开始，瑞士洛桑国际管理发展学院发布《世界竞争力年鉴》；2000年开始，欧盟创新政策研究中心发布《欧洲创新联盟记分牌》；2006年开始，欧盟发布《全球创新记分牌》；2007年开始，欧洲工商管理学院发布《全球创新指数》；2010年开始，世界经济论坛发布《世界经济论坛创新能力指数》。此外，中国科协发展研究中心于2009年发布了《国家创新能力报告》；中国科学技术发展战略研究院于2013年发布了《国家创新指数报告》。还有不少学者发表了相关的论文成果，进行相关学术讨论。比如，王智慧和刘莉（2015）[11]指出，《欧洲创新联盟记分牌》没有很好地区分驱动要素与表征要素，投入指标可能与产出指标之间存在一定程度上的重复计算，《欧洲创新联盟记分牌》中的指标多为均量指标，主要考虑比重，缺少绝对量的比较；世界银行知识经济指数未将R&D经费纳入测量指标中；《国家创新指数报告》的创新环境相关指标大多需要通过主观性指标来测量，这会造成某些主观性偏差，同时也使得数据收集的难度增加。

在综合现有研究报告和相关成果基础上，考虑指标体系全面客观、简洁可行以及适用性等原则，本文的科技创新水平评价主要从经济社会环境、科技人力资源和科研投入产出3个方面进行，包括人口总数、GDP总量、R&D研究人员、高等院校入学率、研发支出、科技期刊论文和专利申请量7个指标，具体如表1所示。

表1 科技创新水平评价指标体系

1.2 评价 ***

从权重的赋值方式上，常见的指标综合评价 *** 包括两类，一类是简单相加法、层次分析法、综合指数法等主观赋权的 *** ；另一类为熵权法、二阶因子模型等客观赋权的 *** 。主观赋权法普遍具备简单易懂、清晰明了、方便操作的特点；客观赋权法则有效规避了主观赋权法在权重确定方面不够客观的缺陷，利用数据信息构建各指标变量间的层次关系和相互关联。此外，不同的综合评价 *** 都存在着不同的局限性。比如，简单线性相加主要存在三个方面的局限性：

（1）各个指标变量间相互独立的假定条件，实际情况很难满足。

（2）由于不同指标变量在评价方面的重要性和区分度有大小之分，因此对指标变量的等权重线性累加存在一定的不合理性。

（3）线性累加的结果依赖于指标变量的组合和数量，组合所含的指标数值越高，数量越多，则该组合的得分越高。

层次分析法的评价结果因判断矩阵的不同而异，而且利用九级分制对指标的两两比较很容易出现矛盾；综合指数法较难确定比较标准，而且评价结果对比较标准过于依赖[12]；熵权法根据指标变异性的大小来确定客观权重，但仅用于权重确定过程中，使用范围有一定局限。

二阶因子模型充分考虑变量间的相关关系，建立潜变量间及其与可测变量间的关系，能够较为客观地反映实际数据，并具有较好的解释性，得到较广泛的应用[13]。偏最小二乘算法作为一种估计 *** ，对数据的分布没有特别严格的要求，即可测指标不用满足服从多元正态分布而且相互独立的苛刻条件，在完成参数估计的同时，还可以计算得到因子得分，方便用于综合评价和排名[14,15]。现有偏最小二乘估计算法主要包括重复指标法（Repeated Indicators Approach，RI）、两阶段法（Two-step Approach，TS）和混合法（Hybrid Approach，H）。其中，重复指标法是将分配到低阶潜在变量上的所有可测变量，再全部重新分配到高阶潜在变量上。两阶段法包括两步：（1）计算各个低阶潜在变量所含的可测变量的主成分，作为低阶潜在变量的取值。（2）根据结构模型和低阶潜在变量的取值，完成估计。混合法是指随机将一半可测变量分配给他们所反映的低阶潜在变量，其余的分配给高阶潜在变量。此外，还有一类基于分位回归的偏最小二乘估计算法（Quantile Regression Estimation，QR），用于数据呈现偏态分布特征的情况，以展示不同分位数水平下的科技创新水平[16]。根据国家科技创新评价指标体系特点，本文采用现有的四种偏最小二乘估计算法，完成模型参数和因子得分的估计。

综上所述，“一带一路”沿线国家科技创新水平评价模型的表达形式包括测量模型和结构模型两部分。与传统结构方程模型偏最小二乘估计算法不同的是，模型中的τ表示分位数，指基于分位回归的偏最小二乘估计算法的估计结果。对于重复指标法、两阶段法和混合法等传统结构方程模型偏最小二乘估计算法，模型中的τ需忽略。

式（1）反映的是可测变量MVih与一阶因子FOLVi间的多水平关系。λih,τ（i=1，2，3；h=1，2，3；τ=0.1，0.25，0.50，0.75，0.90）表示一阶因子和可测变量间关系的载荷系数。εih,τ为第i个一阶因子FOLVi中第h个可测变量MVih的测量误差，均值为0，方差为δ2ih,τ，且与一阶因子FOLVi不相关。式（2）反映的是一阶因子FOLVi与二阶因子SOLV间的多水平关系。βi,τ（i=1，2，3；τ=0.1，0.25，0.50，0.75，0.90）表示二阶因子和一阶因子间关系的路径系数。γi,τ为第i个一阶因子FOLVi的测量误差，均值为0，方差为δ2i,τ。

测量模型式（1）和结构模型式（2）共同组成“一带一路”沿线国家科技创新水平评价模型，如图1所示。

图1 “一带一路”沿线国家科技创新水平评价模型

1.3 数据来源

本文数据来自2015—2017年世界银行、全球创新指数和《世界竞争力年鉴》等公开数据的部分数据，共包括64个“一带一路”沿线国家（“中国一带一路网”：https://www.yidaiyilu.gov.cn/jcsjpc.htm）。国家名称与符号对照表如表2所示。

表2 国家名称与符号对照表

为了解“一带一路”沿线国家科技创新情况，本文通过最小值、第一分位数、中位数、均值、第三分位数、最大值对指标数据进行统计描述，结果如表3所示。

表3 “一带一路”沿线国家科技创新指标统计描述

由表3可以发现，64个“一带一路”沿线国家在7个科技创新指标方面的数值差异较大（最大值减去最小值），在测度指标间结构关系时，在不同分位数水平下进行考虑较为合适。此外，在64个“一带一路”沿线国家的7个指标数据中，除人口总数（MV11）外的6个指标存在不同程度的缺失情况。本文在进行模型参数估计前，将使用中位数替补缺失数据。

2 评价结果与分析

2.1 参数估计结果

通过上述偏最小二乘估计算法，可以估计模型中的路径系数和载荷系数。路径系数显示，RI、TS和H得到一阶因子的重要性排序从高到低均为：科研投入产出（FOLV3）、经济社会环境（FOLV1）、科技人力资源（FOLV2）。QR得到的一阶因子的重要性排序从高到低（正向到负向）均为：科技人力资源（FOLV2）、科研投入产出（FOLV3）、经济社会环境（FOLV1）。而且在分位水平为0.10、0.25和0.50时，经济社会环境（FOLV1）的路径系数为负，说明对于中低水平情形，经济社会环境（FOLV1）对于沿线国家科技创新（SOLV）的影响为负。

载荷系数显示，RI和TS估计的一阶因子经济社会环境（FOLV1）、科技人力资源（FOLV2）与其各自对应的两个可测变量间系数相差不大，科研投入产出（FOLV3）与后两个可测变量科技期刊论文（MV32）和专利申请量（MV33）的系数较为接近，大于科研投入产出（FOLV3）与可测变量研发支出（MV31）。比如，RI估计中，经济社会环境（FOLV1）→人口总数（MV11）的系数为0.948，经济社会环境（FOLV1）→GDP总量（MV12）的系数为0.978，科技人力资源（FOLV2）→R&D研究人员（MV21）的系数为0.890，科技人力资源（FOLV2）→高等院校入学率（MV22）的系数为0.835。H *** 将所有可测变量随机分配到二阶因子和一阶因子中，因此，载荷系数表达的并不全是可测变量与一阶因子间关系，有些可能是可测变量与二阶因子间的关系。

QR *** 显示：当分位水平τ=0.50时，经济社会环境（FOLV1）所包含的两个可测变量中，第一个可测变量人口总数（MV11）的载荷系数比第二个可测变量GDP总量（MV12）大，其余分位水平下都是GDP总量（MV12）的载荷系数大于人口总数（MV11）。科技人力资源（FOLV2）在第一个可测变量R&D研究人员（MV21）和第二个可测变量高等院校入学率（MV22）的载荷系数上反映出相同的规律。对于科研投入产出（FOLV3），当分位水平τ小于等于0.50时，科技期刊论文（MV32）始终是对科研投入产出（FOLV3）贡献最大的可测变量，其载荷系数远大于其他两个可测变量；当分位水平大于0.50时，研发支出（MV31）成为对科研投入产出（FOLV3）贡献最大的可测变量，科技期刊论文（MV32）和专利申请量（MV33）的载荷系数相差不大。具体如表4所示。

表4 参数估计结果

2.2 因子得分分析

对于64个“一带一路”沿线国家，采用重复指标法（RI）、两阶段法（TS）、混合法（H）以及基于分位回归的偏最小二乘法（QR）对国家科技创新状况的排名结果略有不同。本文根据“一带一路”沿线国家科技创新状况（SOLV）的因子得分，对所有国家的科技创新水平进行排名，并划分为高、中、低三个段位。表5展示的是无论采用哪种 *** ，排名均属于相同段位的国家。

表5 所有 *** 下排名一致的国家名单及排名情况

表5显示，在科技创新状况方面排名属于高段位的国家包括俄罗斯、土耳其、波兰、斯洛文尼亚、立陶宛、新加坡、保加利亚；在科技创新状况方面排名属于中段位的国家包括罗马尼亚、格鲁吉亚、阿尔巴尼亚、黑山、也门、巴林、吉尔吉斯斯坦、阿联酋、泰国、菲律宾、缅甸、阿富汗、亚美尼亚、土库曼斯坦、不丹、东帝汶、马尔代夫、北马其顿和哈萨克斯坦；在科技创新状况方面排名属于低段位的国家包括塔吉克斯坦、阿塞拜疆、叙利亚、老挝、尼泊尔、约旦、卡塔尔、斯里兰卡和乌兹别克斯坦。

对于不同 *** 下排名情况不同的国家，本文关注基于分位回归估计的偏最小二乘估计法（QR）的估计结果，以研究不同分位水平下国家的排名情况。经统计（除表5展示的国家外），在不同分位水平下，排名均属于高段位的国家包括爱沙尼亚、捷克、拉脱维亚和塞尔维亚，均属于中段位的国家包括乌克兰、波黑、巴勒斯坦、摩尔多瓦和印度尼西亚，均属于低段位的国家包括越南、孟加拉国和巴基斯坦。表6展示了不同分位水平下，排名属于不同段位的国家。

表6 不同分位水平QR *** 下排名不一致的国家名单及排名情况

注：QR10、QR25、QR50、QR75、QR90分别表示分位水平τ为0.10、0.25、0.50、0.75、0.90时基于分位回归估计的偏最小二乘估计法。

由表6可知，白俄罗斯（BLR）在分位水平0.10~0.75处属于高段位，但在分位水平0.90处属于中段位；克罗地亚（HRV）在分位水平0.75处属于中段位，在其他分位水平属于高段位；伊朗（IRN）在分位水平0.50处属于中段位，在其他分位水平属于高段位。由此说明，不同分位水平下，一些国家在科技创新状况排名方面会有不同表现。

3 结论

为研究“一带一路”沿线国家科技创新水平，本文选择世界银行、全球创新指数和《世界竞争力年鉴》的部分公开指标数据，以二阶因子模型和偏最小二乘估计算法为分析 *** ，从经济社会环境、科技人力资源和科研投入产出共3个方面、7项指标完成64个“一带一路”沿线国家的科技创新水平评价工作。

研究表明：无论采用哪种偏最小二乘估计算法，科研投入产出对一国科技创新水平的提升均表现出相对较大的贡献。当考虑不同分位数水平时，经济社会环境、科技人力资源和科研投入产出的作用均表现出随分位数水平的上升而增加的变化趋势。人口总数和GDP总量对于经济社会环境的影响颇为重要，而其所带来的影响的差异在低分位数水平时表现得最为明显。R&D研究人员和高等院校入学率对科技人力资源的影响，以及科技期刊文章和专利申请量对科技投入产出的影响，也表现出类似的规律。而在高分位数水平下研发支出对科技投入产出表现出相对显著的效应。由此表明，基于分位回归估计的偏最小二乘算法可以更细致全面地刻画出影响科技创新水平的各个方面和各个指标在不同分位数水平下的不同表现，更方便有针对性地找出关键因素和问题所在。本文所采用的偏最小二乘算法也为沿线国家科技创新水平重新排名提供 *** 支持。此外，“一带一路”沿线国家科技创新水平并非一成不变，而是可能随着时间、事件等因素出现不同的发展变化规律。因此，在本文的研究基础上，考虑基于不同时间点数据结构关系的动态变化趋势，预测未来国家科技创新发展趋势，以及可能促进或制约科技创新发展的重要因素，颇具研究前景。

参考文献：

[1]曹翔,李慎婷.“一带一路”倡议对沿线国家经济增长的影响及中国作用[J].世界经济研究,2023,(10).

[2]葛纯宝,于津平,刘亚攀.“一带一路”增加值贸易网络演变及其影响因素[J].财经论丛,2023,(10).

[3]曹监平,张淼.“一带一路”直接投资网络与全球价值链地位的实证[J].统计与决策,2023,(11).

[4]常健聪.我国零售业对接“一带一路”市场的“全球本土化”经营要素分析——基于调查问卷的实证研究[J].商展经济,2023,(19).

[5]朱瑞庭.中国零售业“走出去”对接“一带一路”的途径分析——基于目标市场选择的视角[J].经济研究参考,2017,(64).

[6]赵玉琪,王云凤.中国与“一带一路”沿线主要国家农产品贸易的虚拟土地进口效益分析[J].农业与技术,2023,41(18).

[7]秦颖,孙丽梅,冯晓阳.“一带一路”倡议对我国建筑企业财务绩效的影响研究:基于PSM-DID[J].北京建筑大学学报,2023,37(3).

[8]张海燕,徐蕾.中国与中东欧国家科技创新合作的潜力与重点领域分析[J].区域经济评论,2023,(6).

[9]忻红,李振奇.中国-中东欧国家科技创新能力及科技合作研究[J].科技管理研究,2023,41(9).

[10]方维慰.“一带一路”国家科技合作与协同创新的机制研究[J].重庆社会科学,2023,(12).

[11]王智慧,刘莉.国家创新能力评价指标比较分析[J].科研管理,2015,36(S1).

[12]贾品,李晓斌,王金秀.几种典型综合评价 *** 的比较[J].中国医院统计,2008,15(4).

[13]易丹辉.结构方程模型—— *** 与应用[M].北京:中国人民大学出版社,2008.

[14]Lohmoller J B. Latent Variable Path Modeling With Partial Least Squares [M].Heidelberg：Physica-Verlag,1989.

[15]Robert W G, Bruce R K, Herman O A W. Partial Least Squares Path Modeling With Latent Variables [J].Analytica Chimica Acta,1979,112(4).

[16]Koenker R. Quantile Regression [M].Cambridge: Cambridge University Press,2005.

作者：程豪1、荣耀华2

1 中国科协创新战略研究院

2 北京工业大学理学部

项目来源：国家自然科学基金资助项目（72001197；11701021）；全国统计科学研究项目（2023LY052）

本文原载于《统计与决策》2022年第7期

感谢您的支持与关注，欢迎赐稿交流

投稿邮箱：nais-research@cnais.org.cn