浙江省城市科技競爭力研究*——基于神經網絡和決策樹的對比分析

辛金國、關建清

（杭州電子科技大學/1教授，浙江 杭州 310018）

一、引 言

城市科技競爭力是一個城市科技總量、科技實力、科技水平、內在科技體制以及科技發展潛力的一種綜合變現。依靠科學技術，在原有資源積累的基礎上，把各種資源進行加工、提取、轉化成人們所能高效利用的優勢資源的能力；與其他城市相比，吸納科技資源促進城市的經濟發展，提升服務質量，提高居民收入，提高人們生活水平的能力。衡量一個城市的科技競爭力，一般主要看一個城市的現實科技綜合實力和科技發展潛力。

因此，城市科技競爭力是在一定城市經濟文化背景和政策體制制度之下，由城市的經濟、文化、政治等諸多因素組成的一個動態的有機綜合體。提高城市科技競爭力的最終目的是促進地方經濟和社會的發展，實現城市經濟和社會的可持續發展。

二、相關文獻回顧

自20世紀90年代中期以來，國外的許多學者開始日益重視有關城市這一經濟體的競爭力研究。并在《城市研究》（Urban studies）期刊上曾刊載了多篇討論城市競爭力的文章，盡管有些文章對于將競爭力理論體系放到城市范圍上進行研究存在著一些爭議，但總的來說，對于城市競爭力的研究已基本得到了認可。國內方面，由倪鵬飛主編的 《中國城市競爭力報告》的出版，將國內有關城市競爭力的研究推到了新一輪高潮。

倪芝青，林曄，沈悅林（2008）在對國內15個副省級城市及蘇州、無錫、溫州共18個城市的科技競爭力評價研究中，以2001－2006年的數據為依據，構建了三層指標體系，共30個指標；用主觀賦權重方法分別從科技競爭力動態評價、科技競爭力與經濟競爭力的關聯度研究、政策對科技競爭力的影響三方面對國內18個城市的科技競爭力進行排名分析。

畢亮亮，施祖麟（2008）運用因子分析和聚類分析相結合的方法，對長三角地區16個城市進行城市科技競爭力評價。對16個城市選取了13個公共因子，運用因子分析方法，選取了三個主因子，并對16個長三角城市科技競爭力做出了排名。研究結果表明，省會城市（南京，杭州）科技創新實力和潛力皆名列前茅，并以省會城市為中心形成了“科技創新能力圈”。

陳達，袁志明（2012）根據系統性、準確性、可行性、可比性、動態性原則構建了反映浙江省11個地級市的城市科技競爭力評價指標體系，運用因子分析法，得出了浙江省11個地級市科技競爭力排名并提出了相應的政策建議。

綜上，現有的研究方法普遍以主觀賦權重、主成分分析、因子分析等方法對城市科技競爭力進行評價研究。主觀賦權重處理的結果中主觀因素影響較大，不易令人信服，并且當數據樣本較大時，計算量大，指標權重難以確定。引入主成分分析、回歸分析等統計學方法來克服主觀因素的影響，在一定程度上能處理大樣本數據，而進一步在處理海量數據時，上述研究方法表現出極大的局限性，如對動態數據的適應性不夠、運算效率低等。另一方面，無法消除指標變量相關性對模型預測結果的影響。

數據挖掘技術恰恰彌補了上述統計方法的這些缺陷，數據挖掘模型尤其是BP神經網絡模型一方面可以消除指標變量相關性對模型預測結果的干擾；另一方面BP神經網絡模型由于其自學習、自適應、自組織和容錯性好的特征，特別適合動態控制和實時控制，使相似的問題得到處理，避免了評價過程中人為改變標準值和確定權重的主觀因素，使建立的模型更加客觀。因此神經網絡、決策樹等數據挖掘技術是城市科技競爭力評價研究的方向和趨勢，并且已經有相關學者進行了嘗試。

本文在參考前人研究的基礎上，利用BP神經網絡模型和CHAID決策樹模型對浙江省11個地級市的城市科技競爭力進行對比研究，以期得到一個較好的城市科技競爭力評價模型，對城市科技競爭力進行預測，為政府相關決策提供改進建議。

三、城市科技競爭力的實證分析

（一）指標的選取

本文以浙江省11個地級市為研究對象，運用2009年、2010年數據對浙江省城市科技競爭力進行預測分析。數據來源于《2011浙江省科技統計年鑒》、《中國城市統計年鑒2011》、《中國城市統計年鑒2010》、2009年和2010年浙江省市科技進步統計檢測報告，以及浙江省11個地級市2009年和2010年的統計公報。參考前人研究經驗，根據全面性、易獲得性、實用性、客觀性的原則，選取科技投入、科技產出、科技潛力、科技與社會協調發展四個一級指標，38個二級指標來反映浙江省每個地級市的科技競爭力。

（二）BP神經網絡實證模型預測分析

利用數據挖掘軟件Clementine建立關于城市科技綜合競爭力得分的BP神經網絡模型，BP神經網絡的網絡結構確定方法主要有快速訓練法、多層訓練法、動態削減法、動態增補法。分別用上述方法進行數據模擬，發現使用多層訓練法模型預測精度最高。模型采用分區數據，指定樣本的70%為訓練樣本集，剩下的30%為測試樣本集，具體分配由Clementine軟件自主完成。運算結果表明，無論對于訓練樣本集還是測試樣本集，BP神經網絡模型預測的絕對平均誤差控制在了3%以內；城市科技綜合競爭力實際值和預測值之間的線性相關關系則分別達到了0.999和0.986。模型通過了測試樣本集的檢驗。預測效果非常好，可信度高。

（三）CHAID決策樹模型預測分析

利用Clementine軟件建立CHAID決策樹模型，CHAID決策樹模型可以生成決策樹和規則集兩種模型，這兩種模型有極為緊密的聯系，決策樹可以直觀的反映推理規則，規則集根據決策樹推出來。運用軟件Clementine建立模型，由于輸出變量為數值型變量，限于篇幅原因，這里不給出規則集。通過運算可知，對于訓練樣本集和測試樣本集，CHAID決策樹模型預測的絕對平均誤差控制在了4%以內；實際值和預測值之間的相關關系分別為0.995和0.994。模型通過測試樣本集的檢驗，模型預測效果很好。

（四）BP神經網絡和CHAID決策樹模型的預測結果對比分析

比較發現，無論對于訓練樣本集還是測試樣本集，BP神經網絡模型的絕對平均誤差小于CHAID決策樹模型；而對于城市科技競爭力實際值和預測值之間的相關關系， BP神經網絡模型大于CHAID決策樹模型。因此，在技術分析上，對于浙江省城市科技綜合競爭力的預測，BP神經網絡模型要優于CHAID決策樹模型。

圖1 2010年浙江省城市科技綜合競爭力排名對比

圖1中，縱軸表示城市科技綜合競爭力排名，可以看出，BP神經網絡模型預測排名的曲線走勢與實際排名的曲線走勢基本相同，而CHAID決策樹預測排名曲線相比實際排名的曲線走勢波動較大，并且嘉興和紹興同時出現在第三名的位置，說明模型不能很好的區分兩者之間的城市科技綜合競爭力優劣。綜上，從圖1可得出，在城市科技綜合競爭力預測上，針對2010年數據，BP神經網絡模型的預測效果要優于CHAID決策樹模型。

圖2 2009年浙江省城市科技綜合競爭力排名對比

圖2中，其中縱軸表示城市科技綜合競爭力排名，可以看出，實際排名曲線與BP預測排名曲線幾乎完全重合，而CHAID預測排名曲線與實際排名曲線差異較大，且嘉興和紹興同時處于第三名，金華和湖州同時處于第七名的位置，說明CHAID模型不能很好的區分四個城市的科技綜合競爭力。綜上，針對2009年數據，BP神經網絡模型對城市科技綜合競爭力的預測要顯著優于CHAID決策樹模型。

綜上所述，無論是在技術分析上，還是在實際預測排名上，對浙江省城市科技綜合競爭力的預測效果，BP神經網絡模型要優于CHAID決策樹模型。

（五）變量重要性分析

變量重要性分析是指輸入變量對輸出變量的解釋程度，變量重要性越大，說明輸入指標變量對輸出變量的影響程度越大，分析變量重要性，可以為政府決策者提高城市科技綜合競爭力提供合理建議。

圖3 BP神經網絡變量重要性

由于指標變量眾多，根據其表格形式得出變量重要性排名前十位，按重要性排名依次為：每萬人口發明專利授權指數、每萬人口科技活動人員數（人）、企業技術開發費用占主營業務收入比例、專利授權指數、發明專利授權量、財政科普活動財政撥款（千元）、高新技術產業增加值（億元）、高等學校專任教師數（人）、科技經費投入占GDP比例、城鎮生活污水處理率。因此，浙江省要提高城市科技競爭力，應鼓勵創造發明，申請專利；加大對科技建設的人力、財力投入，鼓勵企業搞技術開發，大力扶持高新技術產業；引進高等教育人才，加大科普活動投入，全面提高城市人民的科學素質。另外，城鎮生活污水處理率反映了城市的生態科技水平，加強生態科技的投入和研發也有利于整體提高城市科技綜合競爭力。

圖4 CHAID決策樹模型的變量重要性

從圖4可知，浙江省提高城市科技綜合競爭力，最重要的是要加大R&D經費投入，增加科技投入和教育經費支出一定程度上可以促進城市科技綜合競爭力，但是作用不如加大R&D經費那么明顯，因此，在城市財政經費有限的情況下，要最大限度的提高城市科技競爭力，就要合理的分配經費支出。劇場影院數（個）能反映城市的文化建設，說明加強文化建設可以在一定程度上提高城市的科技競爭力。

四、結論及建議

研究結果表明，數據挖掘模型對浙江省城市科技綜合競爭力的預測評價研究效果非常好。無論對于訓練樣本集還是測試樣本集，從技術分析和實際排名預測分析上，BP神經網絡模型對城市科技綜合競爭力的評價預測研究都要優于CHAID決策樹模型。

變量重要性分析結果表明，浙江省要提高城市科技綜合競爭力，首先要增加科研建設的人力、財力投入，鼓勵企業搞自主技術開發，大力扶持高新技術產業；其次鼓勵創造發明，申請專利，尤其是發明專利的實現對城市科技綜合競爭力的提高有巨大的推進作用；再次，重視高等教育人才的引進，加強人民群眾的科普活動教育，提高全民素質，積極發展城市的文化建設；最后，關注城市的生態水平，加強生態科技的研發和運用，營造良好的城市生活環境，提高城市的科技綜合競爭力。

[1]陳達，袁志明.基于因子分析的浙江城市科技競爭力評價分析[J].嘉興學院學報，2012（01）：2-4.

[2]畢亮亮，施祖麟.長三角城市科技創新能力評價及“區域科技創新圈”的構建—基于因子分析與聚類分析模型的初探[J].經濟地理，2008，（06）：946-954.

[3]侯養全，張玉平，梁國琴，楊敏.中部六省會城市科技綜合競爭力研究—2010年度[J].科技創新與生產力，2011（10）:44-46.

[4]鞠芳輝，杜曉燕.中國沿海城市科技競爭力評價得實證研究[J].管理科學，2003(3)：83－88.

[5]辛金國，關建清.城市科技競爭力視角下浙江省就業對策研究[J].杭州電子科技大學學報，2012（06）:176-179.