为了综合评价2010年我国各高新区所处区域的创新能力情况，选取全国41个省市^[1]作为样本，运用SPSS19．0进行因子分析。表6．3对9个三级指标原始因子的相关性分析显示其具有显著相关性，KMO值为0．775，可以进行因子分析；而Bartlett球形度检验的p值为0．000，小于显著性水平0．05，因此拒绝Bartlett球形度检验的零假设，适合进行因子分析。

表6．3 KMO和Bartlett检验输出

由表6．4可知，除专利授权数和高新技术企业大专以上学历占年末从业人员比重外，其余变量的共同度都在0．85以上，说明提取的公因子对变量的解释程度较高，信息损失较少。

表6．4 公因子方差和提取的方差

根据特征值和累积方差贡献率要求选取了2个主因子，由表6．5可知，2个主因子的累积方差贡献率达到86．676%，说明这2个因子可以解释原始变量中86．676%的方差，反映了9个三级指标的大部分信息。

表6．5 各因子对应的特征根及方差贡献率

（续表）

根据表6．6的因子载荷矩阵，可以看出2个公因子9个变量上的载荷相差不明显，所以其含义比较模糊，无法明确解释各公共因子的含义，因此必须进行因子旋转。

表6．6 因子载荷矩阵(www.daowen.com)

为了简化对因子的解释，运用具有Kaiser标准化的正交旋转法对因子矩阵进行旋转。图6．2是以2个公因子为坐标，旋转后9个变量在该坐标中的因子载荷散点图。

图6．2 旋转后因子载荷散点图

旋转后得到的旋转因子矩阵见表6．7，可以看到第一个主因子在高新技术企业工业总产值、出口创汇、净利润、科技活动人员、R＆D经费支出、专利授权数、高新技术企业数指标上有较大正载荷，这些指标综合反映了区域知识创造状况，因此第一个主因子命名为区域知识创造能力。第二个主因子在高新技术企业技术收入、高新技术企业大专以上学历占年末从业人员比重指标上有较大正载荷，这些指标综合反映了区域知识获取状况，因此第二个因子命名为区域知识获取能力。

表6．7 旋转因子载荷矩阵

（续表）

表6．8为因子得分系数矩阵，由此可得因子得分函数，见式（6．7）。

表6．8 因子得分系数矩阵

根据式（6．7）的因子得分函数，可计算出41个样本的2个因子得分。