【摘要】：③对矩阵C进行主成分分析运算，通常以特征值大于1为标准，提取主成分。④利用方差最大旋转法，使每个主成分内的因子载荷差异最大化。PCA法在集群辨识中运用相当普遍，虽然辨识结果大多数情况比较理想，但是从原理来看，它所得到的与其说是具有密切内部关联的产业集群，不如说是具有相似产销结构的产业组群。换言之，它虽然强调了互补性联系，但是对垂直联系则重视不足，而且不同主成分有主次之分。
西方学者很早就开始尝试利用PCA法对产业群进行研究，Feser和Bergnmn对于利用PCA法进行区域产业集群的辨识作了系统总结，并详细描述了运算过程；贺灿飞等（2005）以北京为实证案例，沿用Bergman（1996）等总结的辨识框架对北京制造业进行了集群分析，结果是比较理想的。此方法大致可以分为五个步骤进行：
①通过对I／O表的运算，获得中间投入矩阵A、中间产出矩阵B。
③对矩阵C进行主成分分析运算，通常以特征值大于1为标准，提取主成分。原则上，提取的每个主成分应对应一个集群，但是，每个主成分对应的是涵盖所有部门的列向量（列向量中，各部门以在该主成分中因子载荷值从大到小排序），所以需要进一步处理。(www.daowen.com)
④利用方差最大旋转法，使每个主成分内的因子载荷差异最大化。
⑤设定因子载荷门槛值，在每个主成分中，将超过门槛值对应的产业归入该产业集群，从而最终获得辨识结果。
PCA法在集群辨识中运用相当普遍，虽然辨识结果大多数情况比较理想，但是从原理来看，它所得到的与其说是具有密切内部关联的产业集群，不如说是具有相似产销结构的产业组群。换言之，它虽然强调了互补性联系，但是对垂直联系则重视不足，而且不同主成分有主次之分。根据它们的解释率，第一主成分所对应的是整个产业的最大经济结构特征，故而在辨识结果中，第一主成分对应的集群包含了最多的产业部门，其后主成分对应集群包含部门个数依次减少。另外，此方法辨识出来的集群内部的各产业间联系紧密程度也相对较弱。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
