对数据进行因子分析后得到KMO测度值为0612，适合采用因子分析的方法，同时数据也通过了巴特利特球体检验。因子提取方法采用了主成分方法，如果特征值≥1，则提取为因子。有两个满足条件的特征值，它们对方差的累计贡献率为87876%，能够充分地保留原数据的信息。因此提取两个因子便能对所分析问题进行很好的解释，因子碎石图也支持了这一结论。

　　两个主成分的特征值分别为3178和2094，其中主成分特征载荷量如表2所示。第一主成分对高新技术企业创新能力的影响最大，单个贡献率为52971%，这一成分中的因素是研发支出、研发支出占净资产比重和净利润，集中体现了企业对于创新投入资金的能力。第二主成分贡献率为34904%，其中的影响因素为技术员工人数、技术员工占员工的比重和硕士及以上占比，该类指标体现了企业创新人员投入能力，兼顾数量和质量两个方面。

　　根据因子载荷矩阵每个样本（即每个公司）相对于两个因子的得分情况，分别进行排序。然后再根据各因子的方差贡献率之比对得分进行加权汇总，从而得到每个公司的总因子得分，可按总因子得分进行排序。

　　5结论

　　本文将能够对数据进行化简和降维，将相关性较强的几个变量归为一个影子，用少数的几个因子代表数据的基本结构。反映信息的本质特征的因子分析法应用于高新技术企业的创新能力评价，原理简单，可操作性强，速度快，可以给出每个样本在各个因子的得分和总因子得分，从而进行排序。避免了评价过程中的大量计算及由于人为因素导致的不确定性，使综合评价结果更有效、更客观。由于指标和数据均来源于合肥市上市的高新技术企业年度报表，更容易获取，且针对上市企业有力的监管也保证了数据的准确性、真实性。但是同时带来的弊端是数据比较有限，指标设置不足够全面。后续研究将在分析和评价合肥市上市高新技术企业创新能力目前水平的基础上，进一步寻找上市高新技术企业创新能力的影响因素以及这些因素之间相互作用的机理，从而服务于对其创新能力的提高。

　　参考文献：

　　[1]MVolkanTrkerAModelProposalOrientedtoMeasureTechnologicalInnovationCapabilitiesofBusinessFirms-aResearchonAutomotiveIndustry[J].Procedia-SocialandBehavioralSciences，2012（41）：147-159

　　[2]AriasprezJProcessInnovationCapabilityandInnovationPerformance：theMediatingEffectofProductInnovationCapability[J].AD-minister，2015（11）

　　[3]梅强，范茜基于BP神经网络的高新技术企业自主创新能力评价研究[J].科技管理研究，2011，31（11）：1-4

　　[4]吴忠涛，张丹，龚艳，等西安高新区战略性新兴产业创新能力评价研究[J].统计与信息论坛，2014（11）：84-90

　　[5]张一，张明，王素娟，等我国高新企业技术创新能力多指标分析——基于综合评价法[J].科技和产业，2014，14（2）：74-78，135

　　[6]张玉臣，吕宪鹏高新技术企业创新绩效影响因素研究[J].科研管理，2013，34（12）：58-65