第三章 我国科技资源数量和质量评价

为了弥补已有研究关于科技资源质量水平评价的不足，本文在构建科技资源数量和质量评价指标体系的基础上，运用三角模糊层次分析法对数量评价指标体系中指标权重进行了设定，在此基础上对我国分省区科技资源数量和质量水平进行了定量评价，并构建了反映科技资源数量和质量的综合评价指数。研究结果发现：我国科技资源空间分布差异较大，科技资源质量差距远大于数量差距，大部分省份科技资源水平与经济发展水平呈现出正相关关系，但陕西、辽宁等省份科技资源优势并没有转化为经济优势，国家级人才和科研机构是影响科技资源质量差距的主要因素。最后，我们提出了增强科技资源配置效率的对策建议。

一、引言

近些年来，我国日益重视创新在经济社会发展中的重要作用，不断加强和完善创新驱动发展战略，创新对经济社会发展的支撑和引领作用日益增强。“十三五”规划纲要提出，要把创新放在了五大新发展理念之首，明确提出“创新是引领发展的第一动力。必须把创新摆在国家发展全局的核心位置。十九大报告强调要坚定实施创新驱动发展战略。在这种大背景下，国家、各级地方政府不断加大对科技资源投入力度，我国科技资源数量和质量有了较大改善，科技创新步入以跟踪为主转向跟踪和并跑、领跑并存的新阶段，正处于从量的积累向质的飞跃、从点的突破向系统能力提升的重要时期。截至2017年底，累计建设国家重点实验室503个，国家工程研究中心131个，国家工程实验室217个，国家企业技术中心1276家。2017年，我国研究与试验发展（R&D）经费支出17500亿元，成为仅次于美国的世界第二大研发经费投入国家，占国内生产总值的比重达2.12%。

随着新一轮科技革命和产业变革的孕育兴起，科技资源作为创新的基础和前提，在创新驱动发展战略中的作用越来越重要。如何科学合理的评价科技资源配置水平和效率等成为学界和政府部门重要课题之一，尽管国内外大量学者对科技资源配置水平进行了大量评估，但已有研究大都从数量的视角对科技资源进行评价，反映的仅是科技资源在数量规模方面的情况，而忽略了科技资源“质”的内涵，不能科学评判出不同地区间的真正差异。

鉴于此，为了弥补上述研究不足，我们在构建反映科技资源数量规模差别的数量评价指标体系的基础上，考虑到同一数量指标下不同单元在发展质量、等级、水平等方面的不同，构建了反映科技资源发展程度和相对发展水平差异的质量评价指标体系，并运用三角模糊层次分析法和指标数量占全国比重的方法对数量和质量评价指标体系中指标权重进行了设定，在此基础上对我国科技资源数量和质量水平进行了定量评价，并构建了反映科技资源数量和质量的综合评价指数。

二、指标体系设计思路

（一）设计基础

指标体系是指为完成一定研究目的由若干个相关联系的指标组成的指标群。指标体系的建立不仅要明确指标体系由哪些指标组成，更应确定指标之间的相互关系，即指标结构。指标体系的构建是科技资源评价过程中的核心问题，它的选择直接影响到评价结果的科学性、合理性和正确性。因此，科学、正确地构建评价指标体系是开展科技资源综合评价的前提。并非所有的指标体系都有其理论背景，很多理论和方法是在指标体系设计好以后才逐步发展起来的。我们在设计发展指数指标体系的过程中，始终把指标体系的实用性放在第一位，同时随着课题研究的不断深入，我们逐步把科技资源理论和指标体系有机结合起来。

（二）指标体系设计原则

评价指标体系是由反映一个复杂系统的多个指标构成的相互联系、相互依存的统计指标群。而高新技术产业发展评价更是一项科学性、客观性、前瞻性要求都很高的工作，评价时既要立足本产业及本地区特点，又要着眼于未来发展，只有这样才能使科技资源评价结果更逼近实际情况，更具有现实的指导意义。具体说来，建立评价指标体系时，主要遵循以下几项原则：

1、科学性原则

该原则要求指标体系设计要有科学的内涵、立足客观现实，符合经济、统计理论，具有合理的社会经济意义。在对指标数据进行处理时，应做到数据来源真实准确、计算方法科学合理、操作过程简单易行等，保证评价结果真实、可靠。

2、系统性与全面性原则

系统性原则要求对科技资源进行综合评价时，必须层次分明、结构合理的建立指标体系，使得局部与整体统一协调，形成一个完整的评价系统。全面性原则要求所选取的指标能够全面反映评价对象，不能片面或有遗漏。

3、可行性和可比性原则

设计的各项指标应具有可得性和可量化性的特征，应选择有代表性的指标，使各指标尽量简单明了、典型性强。所选指标要能进行横向和纵向比较，高新技术产业的发展评价需要有一个衡量和评价的参照数值，一般来讲，可以通过同其他地区和行业评价结果的横向对比，也可以对自身进行纵向比较，这就要求评价指标体系具有可行性和可比性。

4、数量评价和质量评价相结合的原则

仅仅对科技资源进行数量评价，并不能真实的反映不同区域科技资源的内在差异，例如同样是两所高校，由于不同高校师资队伍、教育水平、学生素质等方面的差异，其对科技产出的影响程度不同，因此在对科技资源进行数量评价的同时，必须同时对科技资源质量进行评价。数量评价结果与质量评价结果相结合，才能真实的反映不同区域间科技资源间的差异。

5、动态评价与静态评价相结合的原则

静态评价主要反映的是科技资源在特定时间和空间中的现实状态，有助于进行横向比较；动态评价主要是指科技资源的发展潜力与趋势，重在进行纵向比较，以便看清科技资源变动过程，从而发现其发展规律。因此，科技资源评价指标体系的构建与指标选择既要有一定的现实代表性和前瞻性，又要考虑保持指标体系的动态连续性。

（三）三角模糊层次分析法原理

1、三角模糊层次分析法简介

层次分析法（AHP）是美国匹兹堡大学的A.L.Saaty教授于20世纪70年代提出的一种定性分析和定量分析相结合的系统分析方法。层次分析法通过明确问题，建立层次分析结构模型，构造判断矩阵，层次单排序和层次总排序五个步骤计算各层次构成要素对于总目标的组合权重，从而得出不同可行方案的综合评价值，为选择最优方案提供依据。AHP的关键环节是建立判断矩阵，判断矩阵是否科学、合理直接影响到AHP的效果，通过分析，我们发现：

——检验判断矩阵是否具有一致性非常困难。

检验判断矩阵是否具有一致性需要求判断矩阵的最大特征根λ_max，看λ_max是否同判断矩阵的阶数n相等。若λ_max?=?n，则具有一致性。当阶数n较大时，精确计算λ_max的工作量非常大。

（2）当判断矩阵不具有一致性时需要调整判断矩阵的元素，使其具有一致性，这不排除要经过若干次调整、检验、再调整、再检验的过程才能使判断矩阵具有一致性。

（3）检验判断矩阵是否具有一致性的判断标准：CR<0.1缺乏科学依据。

（4）判断矩阵的一致性与人类思维的一致性有显著差异。为了解决上述问题，我们引进了模糊层次分析法（FAHP）。

模糊层次分析法也是20世纪70年代美国运筹学T.L.Saaty教授提出的一种定性与定量相结合的系统分析方法。该方法对于量化评价指标，选择最优方案提供了依据，并得到了广泛的应用。模糊层次分析法的基本思想和步骤与AHP的步骤基本一致，但仍有以下两方面的不同点：

（1）建立的判断矩阵不同：在层次分析过程中是通过元素的两两比较建立判断一致矩阵；而在层次分析过程中通过元素两两比较建立模糊一致判断矩阵

（2）求矩阵中各元素的相对重要性的权重的方法不同

而模糊层次分析法（FAHP）改进了传统层次分析法存在的问题，提高了决策可靠性。

1983年，荷兰学者VanLoargoven对Saaty的排序理论进行模糊扩张，提出了用三角模糊数表示模糊比较判断的方法。FAHP在解决问题方面和AHP一样，本质上也是一种决策思维方式，它的理论核心是将复杂系统简化为有序的递阶层次结构；在关于指标重要性的判断方面，FAHP给出的也是关于指标的两两比较结果。只是FAHP形成的是指标两两比较的模糊判断矩阵，所以权重的具体计算方法与AHP有所不同。

FAHP采用三角模糊数取代传统AHP方法的1～9标度重要值，从而建立模糊判断矩阵。模糊判断矩阵与普通判断矩阵的根本区别在于，前者对于每个指标都有一个模糊评判区间u-l。该区间反映了专家评判结果的隶属度，从某种意义上也可理解成为数理统计中的“置信区间”。u-1越大，隶属度越小；反之，u-1越小，隶属度越大。

FAHP方法将隶属度的概念引入到层次分析法中，这样既可以定量地进行综合评价，又可以反映信息的模糊性对评判结果的影响。

2、三角模糊数的定义

设有实数集R=（-∞，+∞）上的一个模糊数M，当它的隶属函数μ_M：R→【0，1】满足下列式时，称其为一个三角模糊数。

式中，α≤m≤μ，α和μ分别表示M支撑的上界和下界，而m为M的中值。一般地，三角模糊数M可记为（α，m，μ）。

图3.1 三角模糊数M=（α，m，μ）及其关系函数

3、三角模糊数的运算法则

若μ_M和μ_N分别表示两个三角模糊数M和N的隶属度，则三角模糊数T=f（M，N）的隶属函数由下式表示：

基于上式，三角模糊数的有关运算法则如下：

令M1?=（α₁，m1，μ₁），M2?=（α₂，m2，μ₂）为两个三角模糊数，则：

4、三角模糊层次分析法分析步骤

模糊层次分析法的基本思想是根据多目标评价问题的性质和总目标，把问题本身按层次进行分解，构成一个由下而上的梯阶层次结构。因此在运用FAHP决策时，大体上可以可分为以下四个步骤。

图3.2 三角模糊层次分析法步骤

（1）分析问题，确定系统中各因素之间的因果关系，对决策问题的各种要素建立多级（多层次）递阶结构模型。

（2）对同一层次（等级）的要素以上一级的要素为准则进行两两比较，并根据评定尺度确定其相对重要程度，最后据此建立模糊判断矩阵。

（3）通过一定计算，确定各要素的相对重要度。

（4）通过综合重要度的计算，对所有的替代方案进行优先排序，从而为决策人选择最优方案提供科学的决策依据。

表3.1 三角模糊数中值1-9所代表的含义

三、科技资源评价指标体系构建及权重设定

1、指标体系设定

结合科技资源相关理论，以瑞士洛桑国际管理研究院（IMD）、经济合作与发展组织（OECD）、世界银行的典型指标为基础，在充分考虑我国科技资源发展现状的实际情况后，我们选取了3个一级指标、10个二级指标，以此来构建科技资源数量评价指标体系，相关指标均以绝对指标为主，以此反映出不同区域科技资源在绝对数量上的差距。其中，3个一级指标分别涉及才、财、物三大领域，包括科技创新人才、科技创新机构和科技经费等。

在科技资源数量评价指标体系的基础上，考虑到同一指标下不同单元存在质量、等级、水平等方面的差异，本研究将某些数量指标进行了再次细分（例如在高校数量指标下，由于985高校、 211高校、普通高等院校和高职高专院校在科技研发能力和水平等方面存在加大差距，仅仅利用高校数量并不能将这种差距给予空间识别，因此，我们在高校数量指标下又划分了985高校数量、211高校数量、普通高校数量、高职高专学校数量等四类），构建了能够反映科技资源质量差别的评价指标体系（见表1）。

2、权重确定

为了克服主、客观赋权法的缺陷，我们将主观赋权法的层次分析法与客观赋权法的模糊法相结合，即采用三角模糊层次分析法来确定评价指标的组合权重，以便全面地反映实际情况，使得评价结果更具科学性。根据三角模糊层次分析法分析步骤，我们首先制作了评价指标两两比较的专家平分表，并邀请了14位专家对科技资源数量评价指标体系中3个一级指标10个二级指标。通过收集整理专家打分记录表，我们构造了评价矩阵，利用mathlab软件，对14个专家打分表所获得的数据进行了测算，最终确定了数量评价指标体系中各指标的权重。

根据不同质量评价指标所代表的含义及可评价程度的不同，我们在设定二级质量指标权重时，我们利用各省区该指标数量占全国的比重作为该指标的质量权重。

表3.2 科技资源数量和质量评价指标体系

3、数据来源及处理

本文科技创新人才数据来源于《中国科技统计年鉴（2017）》，其中部分省份国家级人才数据和省级人才数据来源于网络，其他科技从业人员数量为科技创新人才数量-两院院士和国家级、省级人才数量；科技企业孵化器数据来源于《中国火炬年鉴（2017）》，科技经费数据来源于《中国统计年鉴（2017）》，大学科技园数据来源于国家教育部网站（http：//www.moe.gov.cn/）和《中国火炬年鉴（2017）》，科研机构数量数据来源于中科院网站（http：//www.cas.cn/）和各省科学院网站，高等学校数据来源于教育部网站，重点实验室数据来源于科技部网站《2016年国家重点实验室年度报告》和《2016年省部共建国家重点实验室年度报告》，工程技术中心数据来源于《国家工程技术研究中心2016年度报告》高新技术企业数据来源于科技部火炬高技术产业开发中心（http：//www.chinatorch.gov.cn/kjb/tjnb/list.shtml）。

由于各具体指标数据的量化标准不同，需要对数据进行无量纲化处理。由于本文所涉及的指标均为正向指标，因此，我们采用最大值和最小值法对数据进行标准化处理：

其中：i a表示i地区标准化后的数据，Di表示i原始数据，max和min为数据的最大值和最小值。

四、科技资源数量和质量评价结果

根据上述分析，我们对2016年我国分省区科技资源数量和质量水平进行了定量评估（见表2），同时，我们将数量评价结果和质量评价结果采用平均加权的方式，测算了分省区科技资源总指数。从评价结果来看，我们主要发现以下结论：

表3.3 2016年分省区科技资源数量和质量评价结果

1、我国科技资源区域差异较大，东部地区是科技资源综合指标最高

从四大板块科技资源评价结果来看，无论是数量水平还是质量水平，东部发达地区远高于东北、中部和西部地区（见表3），东部地区科技资源综合指数是西部地区的3倍多，其中北京市科技资源数量水平和质量水平远高于其他省（区、市），是我国科技资源最丰富的地区，也是科技资源质量水平最高的地区。无论从数量水平还是从质量水平来看，东部地区的北京、上海、江苏、广东四省市是我国科技资源最丰富的地区，西部地区的西藏、青海、海南、宁夏四省（区）是我国科技资源最贫乏的地区。

表3.4 四大板块科技资源数量和质量评价结果平均值

2、与科技资源数量水平相比，我国科技资源质量水平区域差距更大

从数量水平和质量水平标准差对比来看，质量水平的标准差（0.1703）远大于数量水平的标准差（0.1690），同时，质量水平的最大值与最小值之间的倍数差距（148倍）远大于数量水平的最大值最小值间的倍数差距（128倍），表明我国科技资源数量水平差距小于质量水平差距（见表4）。分不同省（区、市）来看，江苏、山东、广东和河南四省份质量水平与数量水平差距最大。

表3.5 数量评价结果和质量评价结果对比情况

3、大部分省份科技资源优势转化为经济优势，但部分省份科技资源与经济发展水平间呈现负相关关系

从总体来看，通过科技资源总指数与人均GDP交叉分析，我们发现，一是，部分省份科技资源优势并没有转化为经济优势，陕西、四川、辽宁、安徽四省科技资源较为丰富，但四省的人均GDP水平较低，经济发展水平与科技资源禀赋并不匹配（见图1）。二是，有些省份科技资源相对贫乏，但其凭借其他条件，却实现了相对较高的经济发展水平。内蒙古和福建两省（区）在较为贫乏的科技资源水平下，经济发展水平却相对较高。三是，从总体来看，我国大部分省（区、市）科技资源水平与经济发展水平呈现出了正相关关系，科技资源水平越高，经济发展水平越高。北京、上海、江苏、广东、山东、浙江等我国经济发展水平最高的省（市），也是我国科技资源最丰富的地区。

图3.3 科技资源评价总指数与人均GDP交叉图

4、国家级人才和科研机构是影响科技资源质量差距的主要因素

分指标来看，科技人力资源和部分科技基础设施和机构是影响科技资源水平的重要指标。其中R&D人员、科研机构数量和重点实验室/工程技术研究中心是影响科技资源数量水平的重要指标。而国家级创新人才和科研机构数量是影响科技资源质量差距的主要因素（见图2）。北京市作为我国科技资源富集区，集聚了我国近1/3的“双一流”大学，包括两院院士在内的国家级创新人才占比达到32%，国家级重点实验室及工程研究中心占全国的近24%。

图3.4 2016年我国各地区国家重点实验室和国家工程技术研究中心分布情况

五、北京市科技资源数量和质量评价结果

我们对2016年北京市科技资源数量和质量水平进行了定量评估（表1），同时，我们将数量评价结果和质量评价结果采用平均加权的方式，测算了北京市科技资源总指数。从评价结果来看，我们主要发现以下结论：

表3.6 2016年北京市分区县科技资源数量和质量评价结果

1、北京科技资源区域差异较大，无论是质量评价还是数量评价，海淀区是名副其实的第一

从评价结果来看，无论是数量水平还是质量水平，北京市各区县科技资源差距较大，海淀区是名副其实的科技资源集聚区，事实上，作为我国智力资源最富集的区域之一，海淀区科教资源丰富，著名的北京大学、清华大学、中国人民大学、北京师范大学等高校27所，占北京市的34.6%；以中国科学城院、工程院为代表的科研院所99家，占全市的32.7%；国家重点实验室107个，占全市的70.4%，占全国的22.8%；国家工程研究中心13个，占全市的43.3%，占全国的12.9%；国家工程技术研究中心31个，占全市的45.6%，占全国的8.6%。其次，朝阳区、西城区和昌平区分别排名第二、第三和第四位。

2、与科技资源质量水平相比，北京市科技资源数量水平区域差异更大

从数量水平和质量水平标准差对比来看，质量水平的标准差（0.221）小于数量水平的标准差（0.244），同时，质量水平的最大值与最小值之间的倍数差距（121倍）远小于数量水平的最大值最小值间的倍数差距（563倍），表明我国科技资源数量水平差异大于质量水平差距（见表2）。分不同区县来看，朝阳、怀柔、顺义和昌平四个区县质量水平与数量水平差距最大。

表3.7 数量评价结果和质量评价结果对比情况

3、“三城一区”科技资源数量和质量表现不一，但已成为聚集科技资源的主要区域

包含中关村科学城的海淀区，是北京市科技资源最为集中的地区，无论是科技资源数量水平还是质量水平均居北京市首位，且远远高于第二名的朝阳区；昌平区依托未来科技城、生命科学园、中关村昌平园等重点功能区，截至2016年，昌平区已累计建成国家级、省部级重点实验室48个、工程技术中心102个，汇集科技从业人员4万余人，其中国家“千人计划”专家208人，已经成为北京市科技资源的重要聚集区；而作为北京建设全国科技创新中心的主平台的“三城一区”中的怀柔科学城，在2016年正式被北京市提出，并且制定了《怀柔科学城建设发展规划（2016-2020年）》，建设起步较晚，科技资源集聚效应尚未显现，因此，怀柔区科技资源数量评价结果不高。但是由于北京市和中国科学院在怀柔已经布局了多模态跨尺度生物医学成像设施、子午工程二期等大科学装置，以及大科学装置用高功率高可靠速调管研制平台等14个科教专项平台项目和中科院系统电子所、力学所、空间中心等9个研究所已入驻，怀柔的科技资源质量指标相对较高，排名第五，今后随着怀柔科学城建设的不断加快，怀柔科技资源数量和质量水平将会不断上升。

六、全国及北京市科技资源数字地图——基于广层面的科技资源分析

（一）我国分地区广义科技资源综合指数测算

表3.8 科创中心大数据平台科技资源目录

依据北京市首都科技大数据平台建设项目中科技资源目录（表3.7），利用上文所设定的权重，我们对2016年我国分省区广义层面科技资源水平进行了测算，测算结果见图1和图2。从测算结果来看，我们主要发现以下结论：

（1）我国广义层面科技资源分布仍表现出较大的区域差异，东部发达的北京、广东、江苏、上海四地区科技资源最丰富。

与科技资源数量和质量评价指标体系相比，广义层面的科技资源评价体系还包括创新成果和创新环境两部分。在加入创新成果和创新环境指标后，与科技资源数量和质量评价结果相一致，我国科技资源区域差异仍较大，东部地区科技资源综合指数是西部地区的3倍多，北京、广东、江苏、上海是我国科技资源最丰

富的地区，而西藏、青海、宁夏则是我国科技资源最贫瘠的地区。

图3.5 分地区广义科技资源综合指数

科技资源富集区各具特色且优势明显，如创新要素集聚较多，创新主体数量较多且创新活力突出。同时，发达的经济基础、丰富的科技成果产出以及相对成熟的市场经济、较高的对外开放程度、充足的企业创新能力等创新环境和创新成果也是科技资源贫瘠地区所不具备的创新要素。北京市作为全国政治文化中心和国际交往中心，也是全国经济、科技发展水平最高的地区之一，科技人为资源总量位居全国首位，科技财力投入总体水平居全国前列，国家级高等院校和研究开发机构数量居全国首位，技术交易市场发展迅速，成交额在全国名列第一，技术溢出效应明显。

图3.6 分地区广义科技资源综合指数

表3.9 分区域广义科技资源综合指数与数量和质量评价结果对比

（2）科技资源数量基本决定了我国科技资源空间分布格局，科技资源质量和广义层面的科技资源促使加剧了空间不平衡性。

结合数量和质量评价分析结果，我们可以发现，相对较为笼统的几个数量指标

评价，如R&D人员、高新技术企业、高等学校、科研机构、重点实验室/工程技术研究中心、科技企业孵化器、科学技术支出等就基本刻画出了我国科技资源的空间分布特征，即区域差异较大，东部发达地区科技资源最丰富，中部地区次之，西部地区科

技资源集聚程度最低。

在数量评价指标的基础上，将某些指标进行分层、分等级细分得到质量评价指标后，科技资源空间不平衡性加大，东中西差距拉大。在指标体系加入创新成果和创新环境两部分之后，科技资源的空间不平衡性进一步加剧（见表2）。

（3）广义科技资源综合指数与经济发展水平呈现正相关关系

从整体趋势来看，广义科技资源综合指数与经济发展水平呈现正相关关系，即广义科技资源综合指数较高的地区，经济发展水平也相对较高，反之亦然。这一结论与科技资源数量和质量评价结论不一致。我们认为，一方面，广义科技资源综合指数包含了部分经济发展主要指标，如GDP、GDP增长率、三大产业产值等，加入这些经济指标后，科技资源综合指数与反应经济发展水平的人均GDP指标之间存在了一定的内生性，促使二者之间呈现正向相关关系。另一方面，应该说经济发展水平越高，一个地区越有配置科技资源的能力和实力，尤其是随着全球科学研究进入大科学时代，大科学装置往往需要更大的资金和人才投入，发达地区更具有优势配置这些创新资源，因此，今后发达地区科技资源综合指数将继续上升，发达地区与欠发达地区的科技资源差距将进一步加大。

图3.7 广义科技资源综合指数与经济发展水平相关关系

（二）北京市分区县广义科技资源综合指数测算

同样，依据北京市科技资源目录，以及上文设定的权重，我们对2016年北京各区县广义科技资源水平进行了测算（见图4），结果发现：

图3.8 北京市分区县广义科技资源综合指数

（1）与科技资源数量和质量评价结果相一致，海淀区是北京科技资源最富集的地区，城6区与其余12个郊区（县）科技资源差异较大

从整体来看，北京市分区县基于广义科技资源的综合评价指数与数量评价和质量评价结果相一致，作为我国科技资源最富集地区的海淀，广义科技资源综合指数最高，朝阳、西城分别排第二和第三位，但朝阳区和西城区广义科技资源综合指数与海淀区存在较大差距，单纯从综合指数结果来看，海淀区是朝阳区的近3倍，是西城区的近5倍，这与数量和质量指标评价结果相一致。无论是广义科技资源综合指数还是质量和数量评价结果，郊区与城六区科技资源均存在较大差距，城六区科技资源富集程度是郊区的5倍以上。

表3.10 城六区、郊区广义科技资源综合指数与数量和质量评价结果对比

（2）与全国科技资源空间不平衡性的驱动因素相一致，北京市科技资源数量评价结果基本决定了北京市科技资源空间分布格局，科技资源质量和广义层面的科技资源促使加剧了空间不平衡性。

R&D人员、高新技术企业、高等学校、科研机构、科技企业孵化器、科学技术支出等较为笼统的科技资源数量指标基本刻画了北京市科技资源空间分布特征，也鲜明地体现出海淀区的科技资源优势（海淀区数量评价结果为1，即各项数量评价分指标均居全市第一名）。在数量评价指标的基础上，将某些指标进行分层、分等级细分得到质量评价指标后，表明北京市科技资源空间不平衡性加大。在指标体系加入创新成果和创新环境两部分之后，科技资源的空间不平衡性进一步加剧（见表3）。