图1市域协同创新水平评价指标体系
樊传浩，许 蕾，王济干
(河海大学 商学院，江苏 南京 210098)
摘要：相较于省域协同创新水平评价，市域层面动态评价结果更能展现区域发展特征，可视化分析能更好地反映出地区差异。基于协同创新基础、协同创新合作和协同创新产出3个维度，构建市域协同创新水平动态评价及可视化分析模型，从静态和动态角度进行整体及分项评价分析。结果表明，江苏省市域协同创新水平差异显著，存在“南高北低，两极分化”现象；南京得益于其丰富的政治、经济、教育资源，协同创新水平最高；苏州居苏南最高，经济环境和沪宁辐射推动其协同创新发展；徐州赶超部分苏南城市，与其区位优势和教育资源密不可分。将时间因素纳入动态评价方法，并采取多种可视化方式呈现结果，提高差异辨析速度和效率。
关键词：协同创新；市域创新水平；动态评价；可视化分析
技术创新引领区域产业升级，创新示范区建设需打破创新主体各自为营现状，实现相互借力、协同发展。政府投入大量资源用于构建协同创新体系，京津翼协同战略的提出和实施表明我国区域协同创新发展已经取得显著成果。强化区域协同发展、提升区域创新水平，不仅需要政策、技术等要素支撑，更有赖于科学的评价体系。随着协同创新深入推进，协同创新评价体系逐渐成为领域内的热点问题，开展相关研究具有重大理论与实践价值。
学术界对于协同创新的研究取得了显著进展，主要涉及协同创新内涵和主体、协同创新优势及区域协同创新评价等。Peter Gloor[1]最早提出协同创新的概念，认为协同创新网络(COINs)是由具有自我激励的人组成的团体，其在共同愿景的驱动下开展协同创新。此后，多数研究也认可协同创新是多方主体为实现共同的创新目标而形成的协同系统。陈劲等[2]认为，协同创新的本质是由企业、政府、知识生产机构、中介和用户组成的创新组织，目标是实现重大创新。刘丹和闫长乐[3]认为，协同创新网络是一个自增益循环系统，其发展取决于政府主导与制度安排、自组织协同机制等。协同创新通过促进各方整合互补资源，发挥能力优势，进而推动科技成果产业化。Michael Howard等[4]指出，协同创新联盟能帮助新公司学习特定的新技术并将创新成果商业化。Kaveh Abhari等[5]提出社交媒体共同创新平台(Social-media Co-innovation Platforms)是协同创新发展的主要推动力，其中构思、协作和沟通是关键。随着协同创新理论与实践的发展，学者开始关注协同创新评价研究，评价指标体系构建是研究的基础，指标既要涵盖协同创新各方资源投入，又要体现协同过程和创新成果。Xiaona Zhang和Fayin Wang[6]从创新条件、科研成果、创新效益、合作水平4个维度构建指标体系。Irene Ramos-Vielba等[7]选取研发活动和正式咨询工作、人员培训与转移、与知识产权相关的商业化、其它联系4组指标集进行创新评价。郑世珠[8]构建了省级协同创新中心认定的评价指标体系。傅为忠等[9]研究了指标权重的计算方法。在评价内容方面，不少学者关注科技创新[10-12]，也有学者研究协同程度，如李海东等[13]对皖江地区协同发展水平进行了测评。在评价对象方面，考虑到数据可获得性及结果可对比性，选用省域城市作为研究对象的文献居多[14-16]，如京津冀协同发展战略效果显著，具有绝佳代表性，多数研究围绕其展开。孙瑜康等[17]对京津冀协同创新水平进行了测度评价研究；孙丽文等[18]评价了京津冀区域创新生态系统适宜度。
综合上述分析可发现，区域协同创新水平评价研究尚存几点不足：①评价内容方面，缺乏协同度测量，对协同创新主体互补融合的研究较为欠缺；②评价对象方面，多为省域层面的研究对象，对市域对象关注不足，忽略了微观市域的发展特征。此外，对于评价结果，多数研究以数据表格形式呈现，可视化程度低，不便于解读、比较和分析。创新已成为江苏省发展的新气象，层出不穷的新产品、新产业和新业态助力创新建设，“千人万企”、“百院百校”科技政策加速协同创新发展。江苏省拥有的经济实力、创新环境及高校优势使其成为市域协同创新水平评价研究的绝佳样本。因此，本文以江苏省13市为对象，基于2011-2014年面板数据，构建市域协同创新水平评价指标体系，对其协同创新水平进行动态测度，并对评价结果作可视化分析。研究结果既能为江苏省协同创新政策制定提供指导，也能为市域协同创新研究发展作出贡献。
区域协同创新是知识、人才、技术及资金等众多资源在创新主体间投入、流动和合作的综合体现，其评价指标体系是衡量协同创新活动内容和目标的载体。市域协同创新评价指标体系构建不仅要遵循一般性原则，还需结合市域协同创新特点，充分考虑各类创新资源、创新主体的异质性，并按照规范的流程方法，以保证指标体系建构的科学性、客观性和综合性。
市域协同创新是一个循环系统，协同创新过程存在先后逻辑关系。因此，本文依据系统理论，基于输入-转化-输出(ICO)模型，将市域协同创新评价内涵归纳为3个方面：①输入方面是协同创新的基础，是协同创新发展的根基与保障，正是有了“人、财、物”的坚实基础，协同创新系统才得以运转并发挥作用；②转化方面是创新合作，这是实现区域协同创新的重要途径，协同创新合作通过整合创新主体间的资金、项目资源，实现互利共赢；③输出方面是协同创新产出，这是市域协同创新水平的直观表现，不仅包括科研成果、产业效益等直接产出，还包括社会影响，如生态环境效益等间接产出。由此，市域协同创新评价应涵盖3个维度：协同创新基础、协同创新合作及协同创新产出。
区域协同创新评价体系指标构建采用文献研究法，首先，以“区域协同”和“协同创新评价”等关键词在CNKI、维普、EBSCO、Springer、Elsevier等中外文期刊数据库中进行文献检索，在参考既有协同创新评价研究成果[6,7,10,19-21]基础上，初步建立市域协同创新水平评价指标体系；其次，为增强指标体系的科学性、合理性和系统性，根据多次专家咨询意见对指标进行再次筛选、排序和优化，最终得出市域协同创新水平评价指标体系，包括3个维度、8个二级指标和29个三级指标，如图1所示。
采用面板数据对协同创新水平进行动态评价，既能横向反映评价对象(地区)间的差距，又能纵向反映评价对象(地区)总体发展趋势。对于协同创新评价而言，除了常见的层次分析法[9,22,23]、熵权法[17,24]等之外，系统协同度评价法[16]、动态评价法[25-27]、组合赋权法[9]等应用渐多，不同方法各具特色。本文综合考虑多种评价方法的优劣势、适用性，结合时间变量，最终选择较为客观、能充分反映指标信息，并被广泛应用于指标赋权的熵权法，在时序立体数据基础上结合二次加权法动态评价研究对象的整体差异，具体评价步骤如下：
图1市域协同创新水平评价指标体系
2.1.1 指标权重及静态评价值计算
对于m个被评价对象(地区)、n个评价指标，按照时间序列t1,t2,t3,…,tN获得原始数据{xij(tk)}。
第一步，运用改进的归一化法对原始数据进行如下处理：
(1)
第二步，计算指标{xij(tk)}的比重pij(tk)有：
(2)
第三步，计算第j项指标的熵值ej(tk)：
(3)
第四步，计算第j项指标的熵权wj(tk)：
(4)
最后，计算tk时刻城市的评价值yi(tk)：
(5)
2.1.2 动态综合评价值计算
为比较各地区在[t1,tN]时间段的综合评价值，本文在熵权法基础上进行二次加权处理，即进行两次加权求和。第一次加权突出不同时刻的重要度，第二次加权是在第一次基础上，突出时间的作用，给定时间权重vk，计算研究对象在[t1,tN]时间段的动态综合值zi，有：
(6)
本文选用“厚今薄古”归一法进行时间赋权，tk时刻的权重vk为：
(7)
最后，根据zi值，对评价对象(地区)在[t1,tN]时间段进行综合水平动态排序。
2.1.3 市域协同创新水平动态评价
由于面板数据量大，利用Excel软件对数据进行处理。借助MATLAB软件，根据上述计算步骤求取归一化数值及指标权值；然后，输出运行结果并导入Excel软件，按照式(5)-(7)依次计算市域协同创新水平静态和动态评价值；最后，根据评价值数值对市域协同创新水平排序。由于篇幅有限，此处仅给出MATLAB实现步骤，具体的MATLAB程序语言不予以显示。
数据可视化分析是指，将结构或非结构化数据转化为可视化图表，以便更直观地展现数据信息。可视化分析方法适用范围广泛。例如， Diego Alonso Gómez-Aguilar等[28]基于可视化工具探索出在线学习频率与学业成绩间存在循环关系；贾若雨等[29]设计出用户在线购买行为可视化分析系统UPB-VIS，实现了单个用户和用户群体购买行为的全方位分析；杜挺等[24]以GIS空间分析技术为支撑，对重庆市县域经济发展水平区域格局进行了可视化分析。
目前可视化分析工具很多，如Excel、Google Spreadsheets、Tableau等开箱即用工具，Python、R等需要一定编程基础的工具。另外，还有地图绘制工具，如ArcGIS、Polymaps等。本研究在工具选取上，考虑到市域协同创新水平动态评价的动态变化及多维度特性，基于数据可获取性、评价易操作性等，运用Excel、Tableau和ArcGIS对指标权重、静态评价值、动态综合评价值以及分项评价值进行可视化处理。首先，利用Excel制作指标权值折现图，以颜色和折点图形区分年份，以重叠度反映权值差异；其次，利用ArcGIS软件制作市域协同创新水平评价值分布图。其中，静态专题图以颜色区分地区，以直方高低代表评价值大小，动态专题图以颜色深浅反映综合评价值高低；最后，利用Tableau平台制作分项评价值分布图，以方块、气泡和颜色标识各项排名。
虽然传统的表格或文档化数据表现形式可以详尽、准确地反映数值大小，但无法直观展现排名及对比差异。相比而言，可视化分析变数据成图像，极大提升了人眼采集信息的速度和效率，使得数据更加客观、更易解读、更具说服力。
选取《江苏科技年鉴》(2012-2015年)、《高等学校科技统计资料汇编》(2012-2015年)、江苏省13市统计年鉴(2012-2015年)相关数据，并向省、市统计局征询部分数据。首先，运用动态评价模型计算指标权值及各类评价值；其次，基于可视化分析模型视觉化呈现数据，依此评价分析江苏省13市协同创新水平；最后，对该分析结果进行原因阐析。
基于市域协同创新动态评价及可视化分析模型，对2011-2014年面板数据进行处理，得到若干图表，并据此作出分析。
图22011-2014年市域协同创新水平评价指标权重系数
3.2.1 总体评价
图2展现了2011年-2014年协同创新评价指标权重系数，对比发现，折线重叠比例非常高，表明权值极其接近。然而深入分析发现，2011年权值系数线重叠度相对较低，个别指标(A11、A23)权重系数差距相对较大。其原因可能在于，“2011计划”的提出与推行，以及文章对相关指标统计数据获取不足等，在一定程度上引致了指标权重值出现差异。
图3为2011-2014年市域协同创新水平评价值分布，分析图中信息得出，南京市协同创新水平非常高，大幅领先其它地区，但在2012年出现小幅下降波动。南部地区，苏州协同创新水平最高，基本保持上升状态；无锡协同创新水平排名次之，静态评价值在2012年上升后，逐年降低；常州、镇江和南通的静态评价值差距较小，各地区4年内协同创新水平频繁波动，但整体较为稳定。北部地区，徐州排名第一，其协同创新水平仅次于无锡；扬州排名苏北第二，协同创新水平较其它苏北城市具有一定优势；连云港、盐城和淮安的协同创新水平排名靠近，其中连云港和盐城一直呈上升趋势，淮安则在2014年才开始提升；泰州和宿迁两地协同创新水平排名垫底，亟待加快推进协同创新战略，但泰州协同创新水平明显高于宿迁。
图3展现的13市整体协同创新发展水平如下：协同创新水平最高的是南京，其它地区大致表现出“南高北低”现象。南部区域，苏州协同创新水平具有领先优势，其次分别为无锡、常州、镇江、南通；北部地区，徐州协同创新水平遥遥领先，其它市域综合水平依次为扬州、连云港、淮安、盐城、泰州和宿迁。
图32011-2014年市域协同创新水平评价值分布
3.2.2 分项评价
根据图4、图5对一级指标分项水平进行分析：从地区角度看，南京的协同创新合作水平最高，其次是产出和基础水平；无锡基础和合作水平相近，产出水平最低；徐州产出水平最高，基础水平最低，产出评价值超基础评价值近一倍；常州基础水平最高，且远超合作和产出水平；苏州合作水平最高，产出水平最低，各分项评价值差距明显；南通基础水平最高，是合作水平的两倍多；连云港合作水平最佳，其它分项水平差距不大；淮安基础水平远低于合作水平和产出水平；盐城合作水平最低，基础水平和产出水平优势较小；扬州基础水平、合作水平和产出水平依次递增；镇江各分项水平差异十分微小；泰州合作水平与其它分项水平差异显著；宿迁产出水平最高，近基础水平的一倍、合作水平的3倍。
从一级指标角度看，在协同创新基础方面，南京、苏州水平较高，苏南水平靠前，苏北水平相对较低；在协同创新合作方面，南京大幅领先，苏州紧跟其后，其它地区合作水平较为一般；在协同创新产出方面，南京依旧排名第一，其它地区水平差距相比前2个指标分项较小。分析二级指标分项水平发现：人才资源、研发经费支持形式、产学研协作形式和科研协同成果方面，南京表现最为突出，其它地区水平一般，且差异明显；在平台资源方面，南京仍居首位，苏州与其差距缩小，无锡、常州和南通水平靠前；在金融资源和产业协同效益方面，苏州跃居第一，南部城市水平相似，北部城市水平较低，但彼此差异不大；在生态协同福利方面，各地区水平比较协调，徐州排名榜首，泰州、淮安水平较高，苏州排名靠后。
综上可知，2011 -2014年江苏省13市协同创新水平差异明显，南京协同创新水平最高，且领先幅度非常大；其它地区协同创新水平差异较大，总体呈现从南向北区域协同创新水平递减趋势，苏南地区水平较高，苏北地区协同创新水平较低，其原因如下：
(1)人才、创新平台及政策支持，使得南京市协同创新水平最高。南京市拥有高校53所，占全省总数的36%，其中包括南京大学、东南大学两所985高校，6所211高校；拥有超过11万R&D人员，为协同创新提供了充足的人才储备；众多科研院所坐落金陵，如中科院南京分院、地理与湖泊研究所等，使其占据人才高地优势。作为“万亿GDP”城市，南京研发经费支出在省内名列前茅，为创新提供了优越的经济环境。河西CBD、苏宁睿城营造高端办公空间，积聚了4 000余家外资企业和中国500强企业。沪宁高铁、京沪高铁、禄口机场推动了南京与北京、上海及海外创新资源协同互融。此外，南京拥有的政策优势为高校、科研院所科技成果向企业和社会转化提供了支持与保障，促进其争当产业科技创新排头兵。丰富的人才资源、优质的创新平台、良好的经济社会环境以及强大的政策支持，极大促进了南京协同创新向更高水平发展。
(2)地理区位、科教水平和经济环境优势，形成了江苏南部地区较强的协同创新能力。苏南地处长三角中心，毗邻上海、浙江，地理优势明显；公路、铁路交通发达，更容易接收来自宁沪浙地区的创新辐射效应。苏南高校云集，以苏州市为例，除苏州大学外，独墅湖高等教育区更是集聚20余所中外高等院校(研究所)。苏南地区历来经济发达，而良好的经济环境为协同创新提供了更广阔的发展空间。此外，苏州工业园区、无锡国家高新技术产业开发区、常州国家高新技术开发区为苏南协同创新发展提供了强劲助力。综上可知，苏州能在金融资源、产业协同效益方面赶超南京，很大程度上是得益于苏州工业园区建设。园区发展吸引了大量高新企业进驻，建成各类科技载体、国家级创新基地，拥有多家研发机构，出台了48项改革创新举措，着力培育一批具有爆发力、引领力的创新型增长点。当然，这一系列创新措施也离不开苏州政府大量创新资金支持，而园区高效运营又推动了苏州创新水平大幅提升，带动了区域高新产业协同效益极速增长。
图4市域协同创新水平一级指标综合评价值分布
图5市域协同创新水平二级指标综合评价值分布
(3)人才流失、产业格局及企业创新思维约束，使得江苏北部地区协同创新水平一般。对比其它区域，苏北地区缺乏名校院所，人才培养基础薄弱，地区经济优势不足，高知分子求学回乡比例低，苏北人才流失严重。在三次产业占GDP比重中，苏南地区低于5%，苏北比重较大，连云港、淮安、盐城和宿迁地区的一产比例均超过了10%，但三产比例处于省内中下游水平，产业结构失衡限制了协同创新发展。另外，高校科研经费来自企事业单位委托的比例仅占全省的10%，科研机构承接的企业项目不足5%，企业创新环境不佳，协同创新意识不足，制约了区域协同创新水平提升。值得说明的是，北部地区在“生态福利”方面优势突出，这是因为地区历史发展、自然环境及气候等因素导致苏北企业环保意识薄弱，但在协同创新驱动下，企业创新生产、研发技术不仅实现了经济效益提升，更带来了生态环境改善。中国矿业大学牵头建立的老工业基地资源利用与生态修复协同创新中心，致力于煤炭绿色开采、矿区生态修复、科技发展等重大问题研究，有力促进了徐州环境可持续发展，树立了生态协同创新建设标杆。苏北地区积极开展科技创新、推进生态协同建设，使得GDP能耗下降率、废物排放综合下降率等指标赶超南京、苏州等地，获得了“生态福利”的评价。此外，徐州地处四省交界、路网纵横，周边环境驱动其创新发展。中国矿业大学、江苏师范大学、徐州医科大学积聚了丰富的人才资源，将助力苏北地区协同创新水平提升。
本文为深度剖析江苏省各地级市协同创新水平及其发展变化，采取以查询科技年鉴和询问相关政府部门为主，网络收集为辅的方法采集数据，构建动态评价模型，求取2011-2014年期间协同创新水平评价指标权值及13市协同创新水平得分，并作可视化分析，得到如下结论：江苏省市域协同创新水平差异显著，与地区发展息息相关，存在“南高北低，两极分化”现象。南京市得益于其政治、经济、文化、教育资源，协同创新水平遥遥领先，各分项评价值都很高。苏南地区协同创新整体水平较高，虽然部分地区协同创新水平存在小幅波动，但总体较为平稳；苏州市作为苏南地区典型城市，协同创新水平最高，这得益于其经济水平和沪宁辐射。苏北地区协同创新整体水平较低，但协同创新基础、合作和产出分项能力较为均衡。其中，徐州市协同创新水平最高，甚至高于常州和镇江等苏南城市，这与其得天独厚的地理位置优势和较为丰富的教育资源密不可分。
根据上述结论，对于江苏省协同创新发展“南高北低，两级分化”的现象，提出以下对策建议：①推动科研改革，强化协同创新激励。落实相关扶持政策，大力引进科研人才。鼓励科技成果转化，明确科研工作者的成果归属和分配，活化协同创新资源的省内流动；②发挥高水平地区的周边带动和辐射作用。各地区可建设高协同创新水平城市示范点，鼓励优势资源向相关地区倾斜配置，深度结合地区特色，积极招商引资，强化协同创新基础；③邻近地区“携手共进”，通过共享经济、教育和文化资源，如高校设立异地协同创新中心，突破市域边界，联动推进邻近地区建设。
本文初步构建的市域协同创新水平动态评价及可视化分析模型在理论体系和实证检验方面还不够成熟，未来研究和应用可从以下方面进行完善：
(1)评价方法研究。市域协同创新循环系统具备层次性和内部交互性，因此测评指标选取可从协同创新系统内部着手。未来研究可采用增加序参量、协同度等基于协同论的测评方法，完善市域协同创新评价体系。本文仅选用了4年内的面板数据，得出的江苏省市域协同创新水平差异存在一定片面性及阶段性。今后研究可延伸数据年限跨度，使分析结果能更全面地体现江苏省市域协同创新发展状况，进而对未来协同创新战略制定更具指导性。
(2)权重系数研究。本文涉及两方面权重系数问题，一是指标赋权，二是时间变量赋权。对于指标权重，客观熵权法充分考虑指标信息，主观赋权法虽存在一定程度的主观成分，但对权值研究的价值不可忽视。后续研究可考虑采用组合赋权法，以提高指标权值的全面性和准确度。此外，可以结合数据分析方法挖掘指标关联，从而确定权重。对于时间权重的确定，郭亚军等[30]提出两种求取时间权向量的方法，朱祖平等[31]则采用“厚今薄古”归一法。其中，“薄古厚今”的观念在时间变量研究中应用较普遍，并且本文在二次加权时充分考虑了时间因素，所得结果比较符合实际情况。可否运用数据挖掘技术求取时间权重，基于面板数据计算时间变量的重要度，并以此确定权值，提升动态评价模型精准度，有待未来研究深入。
(3)可视化分析研究。可视化分析直观体现了市域协同创新水平差异，降低了辨析难度，提升了信息读取速度，是对比分析研究的得力工具。此外，视觉化能提升阅读的趣味性及美感，在结果呈现方面更具优势。可视化工具选取视研究个性及目的而定，具有可变性。因此，在未来研究中，可依据不同数据、要求及特征，自由选择可视化工具，利用丰富的图表类型展现研究结果。需要强调的是，Tableau平台是一个共享平台，在使用时需注意数据及结果的隐私性、保密性。
参考文献:
[1] GLOOOR P A, LAUBACHER R, DYNES S B, et al.Visualization of communication patterns in collaborative innovation networks-analysis of some w3c working groups[C].Proceedings of the twelfth international conference on Information and knowledge management, 2003: 56-60.
[2] CHEN J, YANG Y J.Theoretical basis and content for collaborative innovation[J].Studies in Science of Science, 2012,30(2): 161-164.
[3] 刘丹, 闫长乐.协同创新网络结构与机理研究[J].管理世界, 2013(12): 1-4.
[4] HOWARD M, STEENSMA H K, LYLES M, et al.Learning to collaborate through collaboration: how allying with expert firms influences collaborative innovation within novice firms[J].Strategic Management Journal, 2016, 37(10): 2092-2103.
[5] ABHARI K, DAVIDSON E J, XIAO B.Measuring the perceived functional affordances of collaborative innovation networks in social product development[J].Hawaii International Conference on System Sciences, 2016: 929-938.
[6] ZHANG X, WANG F.Research on the uncertainty decision model of the regional collaborative innovation system based on an improved ant colony algorithm[M].New York：Hindawi Publishing Corp, 2016.
[7] RAMOS-VIELBA I, FERNANDEZ-ESQUINAS M, ESPINOSA-DE-LOS-MONTEROS E.Measuring university-industry collaboration in a regional innovation system[J].Scientometrics, 2010, 84(3): 649-667.
[8] 郑世珠.面向区域创新发展的省级协同创新中心认定评价指标体系构建[J].科技进步与对策, 2014, 31(22): 102-105.
[9] 傅为忠, 李宁馨.基于ANP和GRAP组合的区域创新能力评价指标权重的最小偏差计算方法研究[J].软科学, 2015, 29(11): 130-134.
[10] 刘志华, 李林, 姜郁文.我国区域科技协同创新绩效评价模型及实证研究[J].管理学报, 2014, 11(6): 861-868.
[11] 白俊红,蒋伏心.协同创新、空间关联与区域创新绩效[J].经济研究, 2015 (7): 174-187.
[12] 李林, 刘志华, 王雨婧.区域科技协同创新绩效评价[J].系统管理学报, 2015, 24(4): 563-568.
[13] 李海东, 王帅, 刘阳.基于灰色关联理论和距离协同模型的区域协同发展评价方法及实证[J].系统工程理论与实践, 2014, 34(7): 1749-1755.
[14] 於流芳, 尹继东.创新驱动战略下省域协同创新合作水平比较研究[J].科技进步与对策, 2017, 34(16): 33-41.
[15] 祝佳.创新驱动与金融支持的区域协同发展研究——基于产业结构差异视角[J].中国软科学, 2015(9): 106-116.
[16] 张贵, 温科.协同创新、区域一体化与创新绩效——对中国三大区域数据的比较研究[J].科技进步与对策, 2017, 34(5): 35-44.
[17] 孙瑜康, 李国平.京津冀协同创新水平评价及提升对策研究[J].地理科学进展, 2017, 36(1): 78-86.
[18] 孙丽文, 李跃.京津冀区域创新生态系统生态位适宜度评价[J].科技进步与对策, 2017, 34(4): 47-53.
[19] 康健, 胡祖光.基于区域产业互动的三螺旋协同创新能力评价研究[J].科研管理, 2014, 35(5): 19-26.
[20] LI X, XIANG S, WU H, et al.Research on the performance evaluation of industry-university-research collaborative innovation project[C].International Conference on Logistics Engineering, Management and Computer Science, 2015.
[21] 史安娜, 胡方卉.长江经济带科技资源配置效率分析[J].河海大学学报:哲学社会科学版, 2015, 17(5): 51-54.
[22] 宋英华, 卢婷婷, 方丹辉, 等.网络视角下应急产业集群协同创新能力评价研究[J].科技进步与对策, 2017, 34(15): 107-113.
[23] 高航.工业技术研究院协同创新平台评价体系研究[J].科学学研究, 2015, 33(2): 313-320.
[24] 杜挺,谢贤健, 梁海艳, 等.基于熵权TOPSIS和GIS的重庆市县域经济综合评价及空间分析[J].经济地理, 2014, 34(6): 40-47.
[25] 李美娟, 魏寅坤, 徐林明.基于灰靶理论的区域协同创新能力动态评价与分析[J].科学学与科学技术管理, 2017, 38(8): 122-132.
[26] 徐林明, 林志炳, 李美娟, 等.基于模糊Borda法的动态组合评价方法及其应用研究[J].中国管理科学, 2017, 25(2): 165-173.
[27] 范德成, 杜明月.基于TOPSIS灰色关联投影法的高技术产业技术创新能力动态综合评价——以京津冀一体化为视角[J].运筹与管理, 2017, 26(7): 154-163.
[28] MEZ-AGUILAR D A, HERN, NDEZ-GARC, et al.Tap into visual analysis of customization of grouping of activities in eLearning[J].Computers in Human Behavior, 2013, 47(C): 60-67.
[29] 贾若雨,曾昂,朱敏,等.面向在线交易日志的用户购买行为可视化分析[J].软件学报, 2017, 28(9): 2450-2467.
[30] 郭亚军,姚远,易平涛.一种动态综合评价方法及应用[J].系统工程理论与实践, 2007, 27(10): 154-158.
[31] 朱祖平,欧忠辉,李美娟,等.区域自主创新实力动态评价——基于改进二次加权法[J].北京理工大学学报:社会科学版, 2014, 16(1): 64-69.
Fan Chuanhao, Xu Lei, Wang Jigan
(School of Business，Hohai University，Nanjing 210098，China)
Abstract：Compared with the collaborative innovation evaluation in provinceslevel, results of dynamic evaluation across cities can more easily show the characteristics of regional development, and visual analysis highlightswill display regional differences more effectively.Based on three dimensions: collaborative innovation foundation, collaborative innovation cooperation and collaborative innovation output, this paper constructs the dynamic assessmentand visual analysis model of collaborative innovation evaluation in urban areas, and conducts overall and sub-evaluation analysis from static and dynamic perspectives.The results show that there is significant difference in the level of collaborative innovation in the cities of Jiangsu province, existing the phenomenon of "high in the south and low in the north, polarization".Nanjing benefited from its political, economic and educational resources, having the highest level of collaborative innovation; Suzhou, the highest level cityin southern Jiangsu, which is deeply influenced ineconomic environment, and the Shanghai-Nanjing radiation promotes its collaborative innovation; Xuzhou overtakessome cities in southern Jiangsu because of the inseparable location advantages and educational resources.This paper applies time factors into dynamic evaluation methods, and multi visualization patterns is used to present final results, which will greatlyimprove the speed and efficiency of differentiation.
KeyWords:Collaborative Innovation; City Area Innovation Level; Dynamic Evaluation; Visual Analysis
武汉大学区域经济研究中心 协办
作者简介：樊传浩(1984-)，男，江苏丰县人，博士，河海大学商学院讲师、硕士生导师，研究方向为团队胜任力与激励机制创新；许蕾(1991-)，女，江苏仪征人，河海大学商学院硕士研究生，研究方向为管理科学理论与应用；王济干(1959-)，男，江苏涟水人，博士，河海大学商学院教授、博士生导师，研究方向为管理科学理论与应用、人力资源管理。
基金项目：国家社会科学基金重点项目(16AGL005);中央高校基本科研业务费项目(2018B20514)；江苏省社会科学基金项目(17GLC002)
收稿日期：2018-04-02
文章编号：1001-7348(2018)17-0042-08
文献标识码：A
中图分类号：F127.53
DOI：10.6049/kjjbydc.2017120344
(责任编辑：林思睿)