企业技术创新能力测度方法：多维比较与实践洞察

一、引言1.1研究背景与动因在经济全球化和市场竞争日益激烈的当下，技术创新已成为企业生存与发展的关键因素。企业通过技术创新，能够开发新产品、改进生产工艺、提高生产效率，从而降低成本、提升产品质量和服务水平，增强市场竞争力。从国际竞争格局来看，技术创新能力强的企业往往能够在全球市场中占据优势地位，获取更多的市场份额和利润。例如，苹果公司凭借持续的技术创新，推出了一系列具有创新性的产品，如iPhone、iPad等，不仅改变了人们的生活方式，也使其在全球智能手机和平板电脑市场中保持领先地位。技术创新对企业的重要性还体现在推动产业升级和结构调整方面。随着科技的不断进步，传统产业面临着巨大的挑战，只有通过技术创新，才能实现产业的转型升级，提高产业附加值，增强产业的可持续发展能力。以汽车产业为例，新能源汽车和智能网联汽车的出现，就是技术创新推动产业升级的典型案例。特斯拉等企业在电动汽车技术和自动驾驶技术方面的创新，引领了汽车产业的发展方向，促使传统汽车企业加大技术创新投入，加快向新能源和智能化转型。准确测度企业技术创新能力具有重要的现实意义。对于企业自身而言，了解自身的技术创新能力水平，有助于企业制定合理的技术创新战略和发展规划。通过对技术创新能力的测度，企业可以发现自身在技术创新方面的优势和不足，从而有针对性地加大研发投入、引进人才、加强合作，提升技术创新能力。同时，测度结果也可以为企业的投资决策、市场拓展等提供重要参考依据。从政府和行业监管角度来看，准确测度企业技术创新能力有助于政府制定科学合理的产业政策和科技政策，引导资源向技术创新能力强的企业和领域倾斜，促进产业的整体发展。政府可以根据企业技术创新能力的测度结果，对技术创新表现突出的企业给予政策支持和奖励，激励企业加大技术创新投入。行业协会等组织也可以通过对企业技术创新能力的测度，了解行业的技术创新水平和发展趋势，为行业的自律和规范发展提供依据。在理论研究方面，企业技术创新能力测度是技术创新理论研究的重要组成部分。通过对企业技术创新能力测度方法的研究，可以丰富和完善技术创新理论体系，为进一步深入研究技术创新的规律和机制提供基础。不同的测度方法从不同的角度对企业技术创新能力进行衡量，有助于全面、深入地理解企业技术创新能力的内涵和构成要素，推动技术创新理论的发展。1.2研究价值与实践意义本研究在企业战略制定、政府政策支持以及学术理论发展等方面具有不可忽视的价值和意义。对于企业战略制定而言，精确测度技术创新能力是企业进行战略规划的基石。通过对自身技术创新能力的科学评估，企业能够清晰地了解自身在创新资源投入、研发能力、创新成果转化等方面的实际水平。以华为公司为例，华为持续投入大量资金进行研发，通过对自身技术创新能力的精准测度，明确了在通信技术领域的优势和发展方向，从而制定了以5G技术为核心的全球发展战略，不断拓展市场份额，在全球通信市场中占据领先地位。准确的测度结果有助于企业识别自身的优势和劣势，进而合理配置资源，集中力量在优势领域进行创新突破，避免资源的盲目投入和浪费。同时，企业可以根据测度结果，把握市场趋势和技术发展方向，及时调整创新战略，开发出符合市场需求的新产品和新技术，提升企业的市场竞争力。从政府政策支持角度来看，企业技术创新能力测度为政府制定科学合理的产业政策和科技政策提供了重要依据。政府可以通过对企业技术创新能力的全面了解，识别出在技术创新方面表现突出的企业和产业，以及需要重点扶持的领域。政府可以加大对这些企业和产业的政策支持力度，如提供财政补贴、税收优惠、研发资助等，引导更多的资源向技术创新领域集聚，促进产业的升级和发展。政府还可以根据测度结果，制定相关政策鼓励企业加强产学研合作，促进科技成果的转化和应用，提高国家整体的技术创新水平。在学术理论发展方面，本研究具有重要的推动作用。当前，企业技术创新能力测度领域的研究虽然取得了一定的成果，但仍存在许多不足之处。不同的测度方法在指标选取、评价原理、数据处理等方面存在差异，导致测度结果的准确性和可比性受到影响。本研究通过对多种测度方法的深入比较分析，探讨各种方法的优缺点和适用范围，有助于完善企业技术创新能力测度的理论体系，为后续的研究提供更坚实的理论基础。同时，研究过程中发现的问题和提出的解决方案，也能够激发更多学者对该领域的关注和研究，推动学术理论的不断发展和创新。1.3研究思路与方法运用本研究综合运用统计学、经济学、管理学等多学科理论，采用理论与实际相结合、规范研究与实证研究相结合的方法，对企业技术创新能力测度方法展开深入研究。在理论研究方面，首先梳理和借鉴前人在企业技术创新能力测度领域的研究成果，阐述企业技术创新的内涵，明确企业技术创新能力的内涵和要素构成。对企业技术创新能力测度的定性、定量以及定性与定量相结合的方法进行详细阐述，为后续研究奠定坚实的理论基础。深入分析企业技术创新能力指标体系的构建，从指标选取、指标数据的标准化处理、指标的赋权方法等方面进行全面的比较分析。不同的测度方法在指标选取上存在差异，例如，有些方法侧重于研发投入指标，而有些方法更关注创新成果产出指标。在指标数据标准化处理方面，不同的方法可能采用不同的标准化公式，这会对最终的测度结果产生影响。指标赋权方法也多种多样，如主观赋权法中的层次分析法，依据专家的主观判断确定各指标的权重；客观赋权法中的主成分分析法，通过对数据的内在关系进行分析来确定权重。对这些方面的比较分析，有助于深入理解不同测度方法的特点和适用场景。以常见的企业技术创新能力测度方法为基础，对各种测度方法的评价原理进行综合比较分析。不同的测度方法基于不同的评价原理，如数据包络分析（DEA）方法基于生产前沿面理论，通过比较决策单元（企业）在投入产出方面的相对效率来评价企业技术创新能力；而模糊综合评价法基于模糊数学理论，将模糊的评价因素进行量化处理，从而对企业技术创新能力进行综合评价。通过对这些评价原理的深入分析，可以更好地把握各种测度方法的本质和优缺点。在实证研究方面，运用所建立的指标体系，选取多种具有代表性的测度方法，从宏观层面上对特定区域（如中部地区）大中型工业企业技术创新能力进行评价。通过对实际数据的收集、整理和分析，运用选定的测度方法进行计算和评价，得出各企业技术创新能力的测度结果。对这些结果进行深入分析，比较不同测度方法的评价结果差异，探讨造成差异的原因，从而得出在特定指标体系下最为合适的测度方法。例如，通过对中部地区大中型工业企业技术创新能力的实证研究，发现灰色关联法在本文所建立的指标体系下能够更准确地反映企业技术创新能力的实际情况，是最为合适的一种方法。根据评价结果，结合企业实际情况，提出针对性的对策建议，为企业提升技术创新能力提供实践指导。二、理论基础：概念界定与测度原理2.1企业技术创新能力的内涵解析技术创新能力的概念最早由熊彼特在1912年提出，他在《经济发展理论》中指出，企业技术创新是指“企业家对生产要素所做的新的组合”，强调了创新在资本主义发展中的关键作用。此后，众多学者从不同角度对技术创新能力进行了研究和定义。从能力本身的角度，Burns等学者将技术创新能力定义为“组织成功地采用或实施新观念、新工艺或新产品的能力”，突出了组织在技术创新过程中的实际操作能力。Barton则认为“企业技术创新能力的核心是掌握专业知识的人、技术能力、管理能力及企业的价值观”，从创新能力的核心要素层面进行了定义。Burgelman等提出“企业技术创新能力是支持企业创新战略的一系列综合特征的组合”，从创新能力构成的角度阐述了技术创新能力的内涵。从过程的层面来看，Mumford等最早认为技术创新能力是生产新颖的、具有社会价值的产品的一个过程。随后，技术创新能力被进一步定义为多个人共同协作，发明有价值的新产品、新服务、新想法、新程序、新过程，强调了人的主观能动性在创新过程中的重要性。OECD认为“技术创新能力是一个由一系列活动组成的交互过程”，突出了创新过程的复杂性和交互性。Fores等将技术创新能力阐释为“学习能力对企业经营绩效产生效果的催化剂”，从学习能力与企业经营绩效的关系角度，对企业技术创新能力进行了定义。从结果层面认识技术创新能力的学者中，Andrew等认为，技术创新能力是指一些同以往相比具有新颖性和意义性的产出。Amidon在《知识经济的创新战略——智慧的觉醒》一书中将技术创新能力定义为“企业创造并使用好思想，好思想最终转化为市场化的产品或服务，并能够为企业带来利润的能力”，强调了创新结果的市场化和盈利性。我国学者张国良等认为技术创新能力就是“多、快、好、省”地形成商业化创新产出的潜力，从数量、速度、效果、效率四个维度对技术创新能力进行了定义。综合国内外学者的观点，企业技术创新能力是一个复杂的概念，它涵盖了多个方面的要素。本文认为，企业技术创新能力是企业在技术创新过程中，整合各种资源，运用知识和技能，实现新产品、新工艺、新服务开发和应用，以提升企业竞争力和经济效益的综合能力。它不仅包括产品创新能力和工艺创新能力，还涉及创新资源的获取和利用能力、创新管理能力、创新倾向以及创新成果的转化和扩散能力等多个构成要素。这些要素相互关联、相互影响，共同构成了企业技术创新能力的整体。2.2测度方法的分类与特点剖析2.2.1定性测度方法定性测度方法主要依靠专家的经验、知识和主观判断来对企业技术创新能力进行评价。其中，专家评价法和德尔菲法是较为常用的定性测度方法。专家评价法是通过邀请相关领域的专家对企业技术创新能力进行评价。其原理是利用专家的专业知识和实践经验，对企业在技术创新方面的表现进行综合判断。操作流程一般为：首先明确评价的目的和对象，确定需要评价的具体内容和指标；然后根据评价问题的复杂程度和性质，选择具有相关领域专业知识和丰富经验的专家组成评价小组；专家们根据自己的判断，对每个评价指标进行打分或给出评价意见；最后对专家的评价结果进行汇总和统计分析，得出最终的评价结论。例如，在评价某企业的技术创新能力时，专家们可以从企业的研发投入、创新团队的实力、技术创新成果等方面进行评价，并给出相应的分数或等级。专家评价法适用于评价指标难以量化，或者缺乏足够的统计数据和原始资料的情况。其优点在于能够充分利用专家的专业知识和经验，对复杂的技术创新能力进行综合判断，在一定程度上弥补了数据不足的问题。然而，该方法也存在明显的缺点。由于评价结果主要依赖于专家的主观判断，不同专家的知识水平、阅历和观点可能存在差异，导致评价结果受专家主观因素的影响较大，缺乏客观性和一致性。而且，评价过程的透明程度较低，整个评价过程的再现性较差，难以保证评价结果的可靠性。德尔菲法是一种特殊的专家评价法，它通过多轮匿名问卷调查的方式，让专家们在相互独立的情况下发表意见，经过反复反馈和修正，最终达成较为一致的评价结果。其原理是基于专家们的知识和经验，通过多轮的信息交流和反馈，使专家们的意见逐渐趋于集中。操作流程如下：首先确定评价的主题和相关问题，设计调查问卷；选择若干名在技术创新领域有丰富经验和专业知识的专家，向他们发放问卷，专家们在匿名的情况下填写问卷，表达自己的观点和意见；回收问卷后，对专家们的意见进行汇总和统计分析，将统计结果反馈给专家，专家们在了解整体意见的基础上，再次填写问卷，进行修正和补充；如此反复进行多轮，直到专家们的意见趋于稳定和一致。德尔菲法适用于对未来趋势的预测、复杂问题的评估等场景。它的优点是能够充分发挥专家的智慧，避免专家之间的相互影响，减少权威效应和从众心理的干扰，使评价结果更加客观、准确。同时，通过多轮的反馈和修正，能够不断完善评价结果。但是，德尔菲法也存在一些局限性。该方法的实施过程较为复杂，需要耗费大量的时间和精力，成本较高。而且，如果专家的选择不具有代表性，或者问卷设计不合理，可能会导致评价结果的偏差。此外，由于专家们的意见仍然是主观的，对于一些客观事实的判断可能存在误差。2.2.2定量测度方法定量测度方法主要运用数学模型和统计分析方法，对企业技术创新能力的相关数据进行处理和分析，从而得出客观、准确的评价结果。常见的定量测度方法包括数据包络分析（DEA）、主成分分析（PCA）、因子分析等。数据包络分析（DEA）是一种基于线性规划的多投入多产出效率评价方法。其数学原理是通过构建生产前沿面，将决策单元（企业）的实际投入产出与生产前沿面上的最优投入产出进行比较，从而评价决策单元的相对效率。以CCR模型为例，假设有n个决策单元，每个决策单元有m种输入和s种输出，通过求解线性规划模型，可以得到每个决策单元的效率值。如果某个决策单元的效率值为1，表示该决策单元在当前投入产出条件下是相对有效的；如果效率值小于1，则表示该决策单元存在投入冗余或产出不足的情况，需要进行改进。DEA方法的计算步骤如下：首先，确定决策单元以及输入输出指标；然后，构建线性规划模型，根据实际数据求解模型，得到每个决策单元的效率值；最后，对效率值进行分析，判断决策单元的相对有效性，并找出非有效的决策单元需要改进的方向和程度。DEA方法在处理多指标数据时具有明显的优势，它不需要预先设定生产函数的具体形式，能够有效处理多投入多产出的复杂系统，避免了因主观因素对指标权重的设定而带来的偏差。然而，DEA方法也存在一定的局限性。它对数据的要求较高，如果数据存在异常值或缺失值，可能会影响评价结果的准确性。而且，DEA方法只能评价决策单元的相对效率，无法直接比较不同决策单元之间的绝对效率。主成分分析（PCA）是一种将多个变量通过线性变换以选出较少个数重要变量的多元统计分析方法。其数学原理是通过对原始数据的协方差矩阵进行特征值分解，将多个相关的原始变量转化为少数几个互不相关的主成分，这些主成分能够尽可能地保留原始数据的信息。在企业技术创新能力测度中，PCA方法可以将众多的技术创新能力指标转化为几个综合指标，从而简化数据结构，便于分析和评价。PCA方法的计算步骤主要包括：对原始数据进行标准化处理，消除量纲和数量级的影响；计算标准化数据的协方差矩阵；求解协方差矩阵的特征值和特征向量；根据特征值的大小，选取前k个较大的特征值对应的特征向量，构建主成分系数矩阵；将原始数据与主成分系数矩阵相乘，得到主成分得分。PCA方法在处理多指标数据时，能够有效地降低数据的维度，减少数据的冗余信息，提取出数据的主要特征，提高数据分析的效率和准确性。但是，PCA方法也存在一些不足之处。它对数据的分布有一定的要求，通常要求数据服从正态分布。而且，主成分的含义有时不够明确，需要结合实际问题进行解释和分析。因子分析是一种探索数据内部结构的统计方法，它通过将多个观测变量浓缩为少数几个公共因子，来揭示数据的潜在结构。其数学原理与主成分分析类似，也是通过对数据的协方差矩阵或相关矩阵进行分析，找出能够解释原始变量之间相关性的公共因子。在企业技术创新能力测度中，因子分析可以将多个技术创新能力指标归结为几个关键的因子，从而更深入地理解企业技术创新能力的构成和影响因素。因子分析的计算步骤包括：对原始数据进行标准化处理；计算相关矩阵；求解因子载荷矩阵；对因子载荷矩阵进行旋转，使因子的含义更加清晰；计算因子得分。因子分析在处理多指标数据时，能够挖掘数据之间的潜在关系，找出影响企业技术创新能力的关键因素，为企业制定技术创新战略提供有价值的参考。然而，因子分析也存在一些应用难点。它的结果依赖于数据的质量和样本的代表性，如果数据存在误差或样本量不足，可能会导致因子分析的结果不准确。而且，因子的提取和命名需要一定的专业知识和经验，具有一定的主观性。2.2.3定性与定量结合测度方法定性与定量结合测度方法综合运用定性和定量的方法，充分发挥两者的优势，以更全面、准确地测度企业技术创新能力。模糊综合评价法是一种典型的定性与定量结合测度方法。模糊综合评价法是基于模糊数学的隶属度理论，把定性评价转化为定量评价，对受到多种因素制约的事物或对象做出一个总体的评价。在企业技术创新能力测度中，由于技术创新能力受到多种因素的影响，且这些因素往往具有模糊性和不确定性，难以用精确的数值来描述。模糊综合评价法通过构建模糊关系矩阵，将这些模糊信息定量化，从而实现对企业技术创新能力的综合评价。模糊综合评价法的操作步骤如下：首先，确定评价指标体系，明确影响企业技术创新能力的各种因素；然后，确定评语集，即对评价结果的不同等级进行定义，如“优秀”“良好”“一般”“较差”等；通过专家评价或其他方法确定各评价指标的权重，反映各因素对企业技术创新能力的影响程度；构建模糊关系矩阵，根据评价指标与评语集之间的隶属关系，确定每个评价指标对不同评语等级的隶属度；将模糊关系矩阵与权重向量进行合成运算，得到综合评价结果。例如，在评价某企业的技术创新能力时，通过专家打分确定各指标的权重，如研发投入权重为0.3，创新成果权重为0.4等；对于研发投入指标，专家认为该企业处于“良好”水平的隶属度为0.6，处于“一般”水平的隶属度为0.3等，以此构建模糊关系矩阵；最后进行合成运算，得出该企业技术创新能力的综合评价结果。模糊综合评价法在处理复杂评价问题时具有显著的优势。它能够很好地处理模糊和不确定的信息，将定性的模糊概念转化为定量的数值，使评价结果更加客观、准确。而且，该方法具有系统性和综合性，能够综合考虑多个因素对评价对象的影响，全面地反映企业技术创新能力的实际情况。然而，模糊综合评价法也存在一些应用难点。在确定权重和模糊关系矩阵时，往往需要依赖专家的主观判断，不同专家的意见可能存在差异，导致评价结果的主观性较强。此外，隶属函数的确定方法目前还没有统一的标准，不同的确定方法可能会对评价结果产生一定的影响。三、指标体系构建的多维度比较3.1指标选取的差异分析不同的企业技术创新能力测度方法在指标选取上存在显著差异，这些差异主要体现在创新投入、创新产出、创新环境等方面。在创新投入方面，研发投入强度是一个常见的指标，用于衡量企业在研发活动上的资源投入比例。华为公司作为全球知名的科技企业，一直保持着较高的研发投入强度，其每年的研发投入占营业收入的比重长期超过10%，这使得华为在5G通信技术、芯片研发等领域取得了众多技术突破。然而，不同测度方法对研发投入强度的具体计算方式和侧重点有所不同。有些方法可能仅关注企业的研发经费支出，而有些方法则会综合考虑研发人员的投入、研发设备的购置等因素。人员投入指标也是创新投入的重要组成部分，包括研发人员数量、研发人员占比等。研发人员数量反映了企业在技术创新方面的人力资源规模，而研发人员占比则更能体现企业对技术创新的重视程度。例如，在一些高科技企业中，研发人员占比可能高达50%以上，这些企业通过大量的研发人员投入，不断推动技术创新和产品升级。不同测度方法在人员投入指标的选取上也存在差异，有些方法可能更注重研发人员的绝对数量，而有些方法则更关注研发人员占比这一相对指标。创新产出方面，专利申请数量是一个常用的指标，它反映了企业在技术创新过程中产生的新知识和新技术的数量。例如，三星电子在全球范围内拥有大量的专利申请，其在半导体、通信技术等领域的专利数量位居行业前列，这表明三星电子在技术创新方面具有较强的实力。然而，专利申请数量并不能完全代表企业的创新产出质量，因为有些专利可能只是为了保护企业的技术布局，而实际的商业价值并不高。因此，一些测度方法会引入专利质量指标，如专利被引用次数、专利转化率等。专利被引用次数反映了专利的影响力和技术价值，被引用次数越多，说明该专利的技术含量越高，对其他企业的技术创新产生的影响越大。专利转化率则衡量了专利从申请到实际应用的转化效率，转化率越高，说明企业的创新成果能够更好地转化为实际生产力。新产品销售收入也是衡量创新产出的重要指标之一，它直接反映了企业通过技术创新开发出的新产品在市场上的商业成功程度。苹果公司的新产品如iPhone系列手机，每年都能为公司带来巨额的销售收入，这充分体现了苹果公司在技术创新和产品商业化方面的卓越能力。不同测度方法在新产品销售收入指标的处理上也存在差异，有些方法可能会考虑新产品销售收入的绝对数值，而有些方法则会关注新产品销售收入占总销售收入的比重，以更准确地反映企业的创新产出对企业整体业绩的贡献。创新环境方面，政策支持力度是一个重要的指标，包括政府对企业技术创新的财政补贴、税收优惠、研发资助等政策措施。政府的政策支持可以为企业提供良好的创新环境，降低企业的创新成本，激励企业加大技术创新投入。例如，我国政府出台了一系列鼓励企业技术创新的政策，如高新技术企业税收优惠政策、研发费用加计扣除政策等，这些政策对推动我国企业的技术创新起到了积极的促进作用。不同测度方法在衡量政策支持力度时，可能会采用不同的指标和数据来源。有些方法可能会通过统计政府的财政补贴金额来衡量政策支持力度，而有些方法则会综合考虑政策的覆盖面、政策的实施效果等因素。市场竞争程度也是创新环境的重要组成部分，它反映了企业在市场中面临的竞争压力和创新动力。在激烈的市场竞争环境下，企业为了生存和发展，不得不加大技术创新投入，提高产品质量和服务水平，以提升自身的竞争力。例如，在智能手机市场，苹果、三星、华为等企业之间的激烈竞争，促使这些企业不断加大技术创新投入，推出具有创新性的产品，推动了整个智能手机行业的技术进步。不同测度方法在衡量市场竞争程度时，可能会采用不同的指标，如市场集中度、企业数量增长率等。市场集中度反映了市场中少数几家企业对市场的控制程度，市场集中度越高，说明市场竞争程度越低；企业数量增长率则反映了市场中企业数量的变化情况，企业数量增长率越高，说明市场竞争越激烈。3.2数据标准化处理方法对比在企业技术创新能力测度中，数据标准化处理是至关重要的环节，它能够消除不同指标数据在量纲和数量级上的差异，使数据具有可比性，从而提高测度结果的准确性和可靠性。常见的数据标准化方法包括Min-Max标准化、Z-score标准化和小数定标标准化等，这些方法在原理、计算方式和适用场景上存在差异，对数据分布和评价结果也会产生不同的影响。Min-Max标准化，也称为离差标准化，是一种较为常用的数据标准化方法。其原理是对原始数据进行线性变换，通过将数据映射到一个特定的区间，通常是[0,1]区间，来实现数据的标准化。具体计算公式为：x^*=\frac{x-x_{min}}{x_{max}-x_{min}}，其中x为原始数据，x_{min}和x_{max}分别为原始数据中的最小值和最大值，x^*为标准化后的数据。在企业技术创新能力测度中，若某企业的研发投入经费原始数据为500万元，该组数据的最小值为100万元，最大值为1000万元，那么经过Min-Max标准化后，该企业研发投入经费的标准化值为(500-100)/(1000-100)\approx0.44。Min-Max标准化的优点在于计算简单直观，能够清晰地反映数据在原始数据集中的相对位置，保留了数据的原始分布特征，且标准化后的数据在[0,1]区间内，便于直观理解和比较。然而，该方法也存在明显的局限性。当数据中存在异常值时，异常值会对x_{min}和x_{max}产生较大影响，进而导致标准化后的数据发生较大偏差，使得数据的稳定性较差。在某组企业技术创新能力数据中，大部分企业的新产品销售收入在1000万元至5000万元之间，但有一家企业由于特殊原因，新产品销售收入达到了1亿元，这个异常值会使x_{max}大幅增大，导致其他企业的新产品销售收入标准化值被压缩，不能准确反映它们之间的实际差异。而且，当有新数据加入时，可能会导致x_{min}和x_{max}的变化，从而需要重新进行标准化处理，增加了计算的复杂性。Z-score标准化，也叫标准差标准化，是基于原始数据的均值和标准差进行数据标准化的方法。其原理是将原始数据转化为均值为0，标准差为1的标准正态分布。具体计算公式为：z=\frac{x-\mu}{\sigma}，其中x为原始数据，\mu为所有样本数据的均值，\sigma为所有样本数据的标准差。在企业技术创新能力测度中，若某企业的专利申请数量均值为50件，标准差为10件，该企业的专利申请数量为60件，那么经过Z-score标准化后，该企业专利申请数量的标准化值为(60-50)/10=1。Z-score标准化的优点是能够有效消除数据的量纲和数量级影响，使不同指标的数据具有可比性。它对数据的分布没有严格要求，适用于各种数据分布情况，并且对异常值具有一定的鲁棒性，因为异常值在标准化过程中会被转化为相应的标准分数，其对整体数据的影响相对较小。在包含异常值的企业技术创新能力数据中，Z-score标准化能够更稳定地反映数据的特征。不过，Z-score标准化也存在一些不足之处。标准化后的数据不再具有原始数据的实际意义，难以直观理解其代表的实际情况。在分析企业技术创新能力时，标准化后的研发投入数据为1.5，很难直接从这个数值中了解到企业实际的研发投入规模和水平。而且，当数据分布严重偏离正态分布时，标准化后的结果可能会出现较大偏差，影响对数据的准确分析。小数定标标准化是通过移动数据的小数点位置来进行标准化的方法。其原理是通过确定一个合适的缩放因子j，使得数据经过缩放后落入一个特定的范围，通常是[-1,1]或[-10,10]等范围内。具体计算公式为：x^*=\frac{x}{10^j}，其中x为原始数据，j是满足\max(|x|)/10^j<1的最小整数。在企业技术创新能力测度中，若某企业的技术改造投入资金为5000万元，数据中绝对值最大的数为8000万元，为使8000/10^j<1，j取4，那么该企业技术改造投入资金经过小数定标标准化后的值为5000/10^4=0.5。小数定标标准化的优点是计算简单，对数据的分布没有特殊要求，并且能够保留原始数据的分布特征，在一定程度上避免了异常值对标准化结果的过度影响。在企业技术创新能力数据中存在少量异常值时，小数定标标准化能够使数据在保持原有分布的基础上实现标准化。但是，小数定标标准化也存在一些缺点。它对数据的量级比较敏感，不同量级的数据可能需要不同的缩放因子，这增加了确定缩放因子的难度。在处理包含不同量级的企业技术创新能力指标数据时，确定合适的j值需要一定的经验和尝试。而且，标准化后的数据同样难以直接反映原始数据的实际含义，在解释和分析结果时需要额外的说明和转换。3.3指标赋权方法的比较研究3.3.1主观赋权法主观赋权法是基于专家的经验、知识和主观判断来确定指标权重的方法，其中层次分析法（AHP）和专家打分法是较为常用的主观赋权法。层次分析法（AHP）是一种将与决策总是有关的元素分解成目标、准则、方案等层次，在此基础上进行定性和定量分析的决策方法。其原理是通过构建判断矩阵，将复杂的决策问题分解为多个层次，通过两两比较的方式确定各层次元素之间的相对重要性，从而计算出各指标的权重。以企业技术创新能力测度为例，假设我们将企业技术创新能力分为创新投入、创新产出和创新环境三个准则层，每个准则层又包含若干具体指标。在构建判断矩阵时，我们邀请专家对创新投入和创新产出进行比较，判断创新投入相对于创新产出的重要程度，用1-9标度法表示，例如，如果专家认为创新投入和创新产出同样重要，标度为1；如果认为创新投入比创新产出稍微重要，标度为3；如果认为创新投入比创新产出明显重要，标度为5等。然后通过计算判断矩阵的特征向量和特征值，得到各准则层相对于目标层的权重。接着，对每个准则层下的具体指标进行类似的两两比较，构建子判断矩阵，计算出各具体指标相对于所属准则层的权重。最终，通过层次单排序和层次总排序，得到各具体指标相对于目标层的综合权重。AHP方法的操作步骤如下：首先，明确问题，确定目标层、准则层和方案层的元素；然后，通过专家咨询等方式构建判断矩阵；接着，计算判断矩阵的最大特征值和对应的特征向量，并进行一致性检验，一致性检验通过计算一致性指标CI和随机一致性比率CR来进行，当CR小于0.1时，认为判断矩阵具有满意的一致性，否则需要重新调整判断矩阵；最后，根据特征向量确定各指标的权重。AHP方法的优点在于能够将定性和定量分析相结合，充分利用专家的经验和知识，适用于解决多目标、多准则的复杂决策问题。在企业技术创新能力测度中，它可以综合考虑多个因素对技术创新能力的影响，通过层次结构的构建，清晰地展示各因素之间的关系。然而，AHP方法也存在一定的局限性。由于权重的确定主要依赖于专家的主观判断，不同专家的知识背景、经验和观点可能存在差异，导致权重的确定存在较大的主观性和不确定性。在邀请不同专家对企业技术创新能力各指标的重要性进行判断时，可能会得到不同的判断矩阵，从而导致计算出的权重结果不同。而且，判断矩阵的构建过程较为繁琐，需要进行大量的两两比较，当指标数量较多时，判断矩阵的一致性检验难度较大，可能会影响权重确定的准确性。专家打分法是一种直接由专家根据自己的经验和判断对各指标的重要性进行打分，从而确定指标权重的方法。在企业技术创新能力测度中，我们可以邀请相关领域的专家，如技术创新领域的学者、企业的技术研发主管等，对研发投入强度、专利申请数量、新产品销售收入等指标的重要性进行打分。通常采用1-10分的评分标准，分数越高表示该指标越重要。专家根据自己的经验和对企业技术创新能力的理解，对每个指标给出相应的分数。然后，将所有专家对每个指标的打分进行汇总，计算出每个指标的平均得分，根据平均得分的高低确定各指标的权重。例如，有5位专家对研发投入强度指标的打分分别为8、7、9、8、8，那么该指标的平均得分为(8+7+9+8+8)/5=8，通过与其他指标的平均得分比较，确定其在企业技术创新能力测度中的权重。专家打分法的优点是简单易行，能够快速地得到各指标的权重。它不需要复杂的数学计算和模型构建，直接利用专家的主观判断，适用于对指标权重要求不是特别精确的情况。但是，该方法的主观性非常强，完全依赖于专家的个人判断，缺乏客观的数据支持。不同专家的评分标准和主观偏好可能存在很大差异，导致评分结果的可靠性和稳定性较差。在不同的专家群体中进行打分，可能会得到截然不同的权重结果，这使得专家打分法的应用受到一定的限制。3.3.2客观赋权法客观赋权法是根据数据自身的特征和变异程度来确定指标权重的方法，它不依赖于专家的主观判断，能够更客观地反映各指标在评价体系中的重要程度。熵值法和变异系数法是两种常见的客观赋权法。熵值法源于信息论，其原理是通过计算指标数据的熵值来衡量指标的离散程度，进而确定指标的权重。在信息论中，熵是对不确定性的一种度量，信息量越大，不确定性就越小，熵也就越小；信息量越小，不确定性越大，熵也越大。在企业技术创新能力测度中，对于某项指标，如果各企业之间的指标值差异越大，说明该指标所包含的信息量越大，对评价结果的影响也就越大，其权重也就应该越高；反之，如果各企业之间的指标值差异越小，说明该指标所包含的信息量越小，对评价结果的影响也就越小，其权重也就应该越低。以研发投入强度指标为例，若不同企业的研发投入强度差异较大，说明该指标在区分企业技术创新能力方面具有较强的能力，其熵值较小，权重较大；若不同企业的研发投入强度差异较小，说明该指标在区分企业技术创新能力方面的能力较弱，其熵值较大，权重较小。熵值法的计算方法如下：假设有n个企业，m个评价指标，形成原始指标数据矩阵X=(x_{ij})_{n×m}。首先，对指标数据进行标准化处理，消除量纲和数量级的影响。对于正向指标（指标值越大越好），标准化公式为y_{ij}=\frac{x_{ij}-min(x_j)}{max(x_j)-min(x_j)}；对于负向指标（指标值越小越好），标准化公式为y_{ij}=\frac{max(x_j)-x_{ij}}{max(x_j)-min(x_j)}，其中x_{ij}为第i个企业的第j个指标的原始值，y_{ij}为标准化后的值，max(x_j)和min(x_j)分别为第j个指标的最大值和最小值。然后，计算第j项指标下第i个企业的指标值占该指标总和的比重p_{ij}=\frac{y_{ij}}{\sum_{i=1}^{n}y_{ij}}。接着，计算第j项指标的熵值e_j=-k\sum_{i=1}^{n}p_{ij}\ln(p_{ij})，其中k=\frac{1}{\ln(n)}，以保证0\leqe_j\leq1。计算第j项指标的差异系数g_j=1-e_j，差异系数越大，说明该指标的离散程度越大，对评价结果的影响越大。最后，计算第j项指标的权重w_j=\frac{g_j}{\sum_{j=1}^{m}g_j}。熵值法的优势在于完全基于数据自身的特征来确定权重，避免了主观因素的干扰，具有较强的客观性和可靠性。在企业技术创新能力测度中，能够准确地反映各指标在区分企业技术创新能力方面的实际作用。然而，熵值法也存在一些局限性。它只考虑了指标数据的变异程度，而忽略了指标本身的重要性，有时确定的指标权数可能会与实际情况相差较大。在某些情况下，一些重要的指标可能由于数据的离散程度较小而被赋予较低的权重，这可能会影响评价结果的准确性。而且，熵值法对数据的质量要求较高，如果数据存在异常值或缺失值，可能会导致熵值的计算出现偏差，从而影响权重的确定。变异系数法是通过计算各指标的变异系数来确定权重的方法。变异系数是衡量数据离散程度的统计量，它等于标准差与均值的比值。其原理是，变异系数越大，说明该指标的离散程度越大，在评价中所起的作用就越大，权重也就越高；反之，变异系数越小，说明该指标的离散程度越小，在评价中所起的作用就越小，权重也就越低。在企业技术创新能力测度中，对于专利申请数量指标，如果不同企业之间的专利申请数量差异较大，其变异系数较大，说明该指标在区分企业技术创新能力方面具有重要作用，应赋予较高的权重；如果不同企业之间的专利申请数量差异较小，其变异系数较小，说明该指标在区分企业技术创新能力方面的作用相对较小，应赋予较低的权重。变异系数法的计算方法如下：首先，计算第j个指标的均值\overline{x_j}=\frac{1}{n}\sum_{i=1}^{n}x_{ij}，其中x_{ij}为第i个企业的第j个指标的原始值。然后，计算第j个指标的标准差s_j=\sqrt{\frac{1}{n-1}\sum_{i=1}^{n}(x_{ij}-\overline{x_j})^2}。接着，计算第j个指标的变异系数CV_j=\frac{s_j}{\overline{x_j}}。最后，计算第j个指标的权重w_j=\frac{CV_j}{\sum_{j=1}^{m}CV_j}，其中m为指标的总数。变异系数法的优点是计算简单，能够直观地反映指标数据的离散程度，从而确定指标的权重。在处理多指标数据时，能够快速地确定各指标的相对重要性。但是，变异系数法也存在一定的缺点。它同样只考虑了数据的离散程度，而没有考虑指标的固有重要性，可能会导致权重的分配不合理。在评价企业技术创新能力时，一些对企业技术创新具有重要战略意义的指标，可能由于数据的离散程度较小而被赋予较低的权重，影响评价结果的科学性。而且，变异系数法对数据的分布有一定的要求，当数据分布不均匀时，可能会导致变异系数的计算结果出现偏差，从而影响权重的准确性。3.3.3组合赋权法组合赋权法是将主观赋权法和客观赋权法相结合的一种方法，它充分发挥了主观赋权法和客观赋权法的优势，能够更全面、准确地确定指标权重。主观赋权法能够体现决策者的经验和偏好，反映指标的重要性程度；客观赋权法能够根据数据的实际情况，客观地反映指标的变异程度和对评价结果的影响。将两者结合，可以在一定程度上弥补各自的不足，使权重的确定更加科学合理。常见的组合方式有乘法合成法和加法合成法。乘法合成法是将主观权重和客观权重相乘，然后进行归一化处理得到组合权重。假设主观赋权法得到的指标权重为w_{s1},w_{s2},\cdots,w_{sm}，客观赋权法得到的指标权重为w_{o1},w_{o2},\cdots,w_{om}，则乘法合成法得到的组合权重w_{i}=\frac{w_{si}×w_{oi}}{\sum_{j=1}^{m}w_{sj}×w_{oj}}，其中i=1,2,\cdots,m。加法合成法是将主观权重和客观权重按照一定的比例进行线性组合，得到组合权重。例如，设主观权重的权重系数为\alpha，客观权重的权重系数为1-\alpha，则加法合成法得到的组合权重w_{i}=\alphaw_{si}+(1-\alpha)w_{oi}，其中i=1,2,\cdots,m，\alpha的取值通常根据决策者的偏好和经验来确定，一般在0-1之间。以某企业技术创新能力评价为例，采用层次分析法（AHP）作为主观赋权法，熵值法作为客观赋权法。首先，通过AHP法，邀请专家对企业技术创新能力的各个指标进行两两比较，构建判断矩阵，计算出主观权重。假设研发投入强度的主观权重为w_{s1}=0.3，专利申请数量的主观权重为w_{s2}=0.2等。然后，利用熵值法，对该企业及同行业其他企业的相关数据进行处理，计算出客观权重。假设研发投入强度的客观权重为w_{o1}=0.25，专利申请数量的客观权重为w_{o2}=0.22等。若采用乘法合成法，研发投入强度的组合权重w_{1}=\frac{0.3×0.25}{\sum_{j=1}^{m}w_{sj}×w_{oj}}，经过计算和归一化处理得到最终的组合权重。若采用加法合成法，设\alpha=0.4，则研发投入强度的组合权重w_{1}=0.4×0.3+(1-0.4)×0.25=0.27。在实际应用中，组合赋权法能够综合考虑主观和客观因素，使评价结果更加符合实际情况。在企业技术创新能力测度中，通过结合主观和客观赋权法，可以既考虑到专家对企业技术创新各方面重要性的经验判断，又能根据企业实际的数据表现来确定权重，从而更准确地评价企业的技术创新能力。它能够提高评价结果的可靠性和稳定性，为企业的决策提供更有价值的参考依据。四、测度方法的评价原理深度剖析4.1基于距离的测度方法基于距离的测度方法在企业技术创新能力评价中具有重要的应用，其核心原理是通过计算样本点之间的距离来衡量企业技术创新能力的差异。欧氏距离和马氏距离是两种常见的基于距离的测度方法，它们在原理、计算过程以及应用特点上存在一定的差异。欧氏距离是最常用的距离度量方法之一，它基于欧几里得空间的概念，用于衡量两个点在空间中的直线距离。在企业技术创新能力测度中，假设我们有两个企业A和B，它们在n个技术创新能力指标上的取值分别为x_{A1},x_{A2},\cdots,x_{An}和x_{B1},x_{B2},\cdots,x_{Bn}，则企业A和企业B之间的欧氏距离d_{AB}计算公式为：d_{AB}=\sqrt{\sum_{i=1}^{n}(x_{Ai}-x_{Bi})^2}。以某行业中两家企业的技术创新能力指标数据为例，假设企业A的研发投入强度为0.1，专利申请数量为50件，新产品销售收入为1000万元；企业B的研发投入强度为0.08，专利申请数量为40件，新产品销售收入为800万元。将这些数据代入欧氏距离公式中，首先计算研发投入强度的差值的平方为(0.1-0.08)^2=0.0004，专利申请数量差值的平方为(50-40)^2=100，新产品销售收入差值的平方为(1000-800)^2=40000。然后将这些差值的平方相加得到0.0004+100+40000=40100.0004，最后对其开平方得到欧氏距离d_{AB}=\sqrt{40100.0004}\approx200.25。欧氏距离的优势在于计算简单直观，易于理解和操作，它能够直观地反映出企业在各个技术创新能力指标上的差异程度，在数据处理和分析中具有较高的效率。在对多个企业的技术创新能力进行初步比较时，欧氏距离可以快速地给出企业之间的距离关系，帮助研究者初步判断企业技术创新能力的相对差异。然而，欧氏距离也存在明显的局限性。它没有考虑指标之间的相关性和数据的分布特征，对数据的量纲非常敏感。如果不同指标的量纲不同，例如研发投入强度是比例值，而专利申请数量是计数单位，新产品销售收入是金额单位，那么量纲较大的指标可能会对欧氏距离的计算结果产生较大影响，导致距离的计算结果不能准确反映企业技术创新能力的实际差异。而且，欧氏距离假设数据服从正态分布，当数据不满足正态分布时，其计算结果的准确性会受到影响。马氏距离是由印度统计学家马哈拉诺比斯提出的一种距离度量方法，它考虑了数据的协方差结构，能够消除数据量纲和指标相关性的影响。在企业技术创新能力测度中，假设我们有m个企业，每个企业有n个技术创新能力指标，构成数据矩阵X=(x_{ij})_{m×n}，其中i=1,2,\cdots,m，j=1,2,\cdots,n。首先计算数据的均值向量\overline{X}=(\overline{x_1},\overline{x_2},\cdots,\overline{x_n})，其中\overline{x_j}=\frac{1}{m}\sum_{i=1}^{m}x_{ij}。然后计算协方差矩阵S=(s_{jk})_{n×n}，其中s_{jk}=\frac{1}{m-1}\sum_{i=1}^{m}(x_{ij}-\overline{x_j})(x_{ik}-\overline{x_k})。对于两个企业A和B，它们在n个技术创新能力指标上的取值分别为x_{A1},x_{A2},\cdots,x_{An}和x_{B1},x_{B2},\cdots,x_{Bn}，则企业A和企业B之间的马氏距离D_{AB}计算公式为：D_{AB}=\sqrt{(X_A-X_B)^TS^{-1}(X_A-X_B)}，其中X_A=(x_{A1},x_{A2},\cdots,x_{An})^T，X_B=(x_{B1},x_{B2},\cdots,x_{Bn})^T，S^{-1}是协方差矩阵S的逆矩阵。以同样的两家企业为例，假设经过计算得到该行业技术创新能力指标数据的均值向量为(0.09,45,900)，协方差矩阵为\begin{pmatrix}0.0001&0.05&50\\0.05&25&1000\\50&1000&50000\end{pmatrix}，其逆矩阵为\begin{pmatrix}10000&-200&-100\\-200&0.04&0.02\\-100&0.02&0.0004\end{pmatrix}。企业A和企业B的指标向量分别为(0.1,50,1000)和(0.08,40,800)，则(X_A-X_B)=(0.02,10,200)。将这些数据代入马氏距离公式中，首先计算(X_A-X_B)^TS^{-1}：\begin{align*}&(0.02,10,200)\begin{pmatrix}10000&-200&-100\\-200&0.04&0.02\\-100&0.02&0.0004\end{pmatrix}\\=&(0.02\times10000+10\times(-200)+200\times(-100),0.02\times(-200)+10\times0.04+200\times0.02,0.02\times(-100)+10\times0.02+200\times0.0004)\\=&(-20000,4,-1.2)\end{align*}然后计算(-20000,4,-1.2)(0.02,10,200)得到(-20000\times0.02+4\times10+(-1.2)\times200)=-400+40-240=-600，最后对其取绝对值并开平方得到马氏距离D_{AB}=\sqrt{|-600|}\approx24.49。马氏距离的优点在于它能够考虑数据的协方差结构，对数据的量纲不敏感，能够有效消除指标之间的相关性对距离计算的影响，从而更准确地反映企业技术创新能力的实际差异。在企业技术创新能力评价中，当指标之间存在较强的相关性时，马氏距离能够提供更合理的距离度量。但是，马氏距离的计算过程相对复杂，需要计算协方差矩阵及其逆矩阵，对数据的要求较高，当样本数量较少或数据存在异常值时，协方差矩阵的估计可能不准确，从而影响马氏距离的计算结果。而且，马氏距离的计算结果受到数据分布的影响较大，如果数据分布不符合正态分布，其计算结果的可靠性也会受到质疑。4.2基于相关性的测度方法基于相关性的测度方法在企业技术创新能力评价中具有独特的作用，它能够深入挖掘指标之间的内在联系，为全面准确地评价企业技术创新能力提供有力支持。灰色关联分析和典型相关分析是两种常见的基于相关性的测度方法，它们在原理、计算步骤以及应用场景等方面各有特点。灰色关联分析是一种多因素统计分析方法，由我国学者邓聚龙教授于20世纪80年代提出，其核心思想是根据因素之间发展趋势的相似或相异程度，来衡量因素间关联程度。在企业技术创新能力测度中，它通过计算参考序列（通常为反映企业技术创新能力的综合指标）与比较序列（各个技术创新能力指标）之间的关联度，来判断各指标对企业技术创新能力的影响程度。在评价某企业的技术创新能力时，以新产品销售收入作为参考序列，以研发投入强度、专利申请数量、技术人员占比等作为比较序列。通过灰色关联分析，可以确定这些比较序列与新产品销售收入之间的关联程度，从而了解哪些指标对企业技术创新能力的提升具有更重要的作用。灰色关联分析的计算步骤如下：首先，确定参考数列和比较数列。参考数列通常选择能够代表企业技术创新能力的关键指标，如新产品销售收入、专利转化率等；比较数列则是与企业技术创新能力相关的其他指标，如研发投入、研发人员数量等。其次，对数据进行无量纲化处理，消除不同指标数据在量纲和数量级上的差异，使数据具有可比性。常见的无量纲化方法有均值化法、初值化法和标准化法等。以均值化法为例，对于某一指标数列x_i=\{x_{i1},x_{i2},\cdots,x_{in}\}，其均值为\overline{x_i}=\frac{1}{n}\sum_{j=1}^{n}x_{ij}，无量纲化后的数据为y_{ij}=\frac{x_{ij}}{\overline{x_i}}。接着，计算关联系数。关联系数反映了每个比较数列与参考数列在各个时刻的关联程度，计算公式为：\xi_{ij}=\frac{\min_i\min_j|x_{0j}-x_{ij}|+\rho\max_i\max_j|x_{0j}-x_{ij}|}{|x_{0j}-x_{ij}|+\rho\max_i\max_j|x_{0j}-x_{ij}|}，其中，\xi_{ij}表示第i个比较数列与参考数列在第j时刻的关联系数，x_{0j}为参考数列在第j时刻的值，x_{ij}为第i个比较数列在第j时刻的值，\rho为分辨系数，一般取值在0-1之间，通常取0.5。最后，计算关联度。关联度是对关联系数的综合，它反映了每个比较数列与参考数列之间的总体关联程度，通常采用算数平均法计算，即r_i=\frac{1}{n}\sum_{j=1}^{n}\xi_{ij}，r_i为第i个比较数列与参考数列的关联度，n为数据的个数。关联度越大，说明该指标与企业技术创新能力的关联程度越高，对企业技术创新能力的影响也就越大。灰色关联分析在企业技术创新能力评价中具有广泛的应用。它能够处理数据量少、信息不完全的情况，对于一些难以获取大量数据的企业或行业，具有很强的适用性。在新兴技术领域的企业，由于发展时间较短，数据积累有限，灰色关联分析可以有效地挖掘有限数据中指标之间的关联关系，为企业技术创新能力的评价提供依据。该方法计算简单，原理易于理解，不需要复杂的数学模型和高深的数学知识，便于企业管理者和决策者掌握和应用。而且，灰色关联分析可以综合考虑多个因素对企业技术创新能力的影响，全面地反映企业技术创新能力的实际情况。典型相关分析是研究两组变量之间相关关系的一种多元统计分析方法，它通过寻找两组变量的线性组合，使得这两个线性组合之间的相关系数达到最大，从而揭示两组变量之间的内在联系。在企业技术创新能力测度中，我们可以将一组变量定义为创新投入指标，如研发经费投入、研发人员投入等；另一组变量定义为创新产出指标，如专利申请数量、新产品销售收入等。通过典型相关分析，我们可以找出创新投入指标和创新产出指标之间的典型相关变量，进而分析它们之间的相关关系。典型相关分析的计算步骤较为复杂。首先，对两组变量进行标准化处理，消除量纲和数量级的影响。设两组变量分别为X=(x_1,x_2,\cdots,x_p)和Y=(y_1,y_2,\cdots,y_q)，标准化后的变量为X^*和Y^*。然后，计算两组变量的协方差矩阵S_{XX}、S_{YY}和S_{XY}。接着，求解特征方程|S_{XY}S_{YY}^{-1}S_{YX}-\lambda^2S_{XX}|=0和|S_{YX}S_{XX}^{-1}S_{XY}-\lambda^2S_{YY}|=0，得到特征值\lambda_1^2\geq\lambda_2^2\geq\cdots\geq\lambda_k^2（k=\min(p,q)）以及对应的特征向量a_1,a_2,\cdots,a_k和b_1,b_2,\cdots,b_k。计算典型相关变量U_i=a_i^TX^*和V_i=b_i^TY^*，i=1,2,\cdots,k，U_i和V_i分别为第i对典型相关变量，它们之间的相关系数为\lambda_i。最后，对典型相关变量进行显著性检验，判断它们之间的相关关系是否显著。通常采用似然比检验法，计算似然比统计量\Lambda=\prod_{i=1}^{k}(1-\lambda_i^2)，根据\Lambda的值和相应的自由度，查分布表进行显著性检验。典型相关分析在企业技术创新能力评价中具有重要的应用价值。它能够全面地揭示创新投入与创新产出之间的复杂关系，不仅可以找出影响创新产出的关键创新投入因素，还可以分析不同创新投入因素之间的协同作用对创新产出的影响。在研究企业技术创新能力时，通过典型相关分析可以发现，研发经费投入和研发人员投入的合理配置，能够显著提高专利申请数量和新产品销售收入。典型相关分析还可以为企业制定技术创新战略提供科学依据，帮助企业优化创新资源配置，提高技术创新效率。4.3基于模型的测度方法4.3.1生产函数模型生产函数模型在企业技术创新能力测度中具有重要的应用，它通过建立投入与产出之间的数学关系，来衡量技术创新对企业产出的贡献。柯布-道格拉斯生产函数（Cobb-Douglasproductionfunction）是一种广泛应用的生产函数模型，由数学家柯布（C.W.Cobb）和经济学家道格拉斯（PaulH.Douglas）于20世纪30年代提出。该函数的基本形式为：Y=A(t)L^{α}K^{β}，其中Y表示产出，通常可以用企业的总产值、销售收入等指标来衡量；A(t)表示综合技术水平，它反映了在一定时期内，除资本和劳动投入之外，其他所有影响产出的因素，包括技术创新、管理水平、制度环境等，在企业技术创新能力测度中，A(t)是关注的重点，它在一定程度上体现了企业的技术创新水平；L表示投入的劳动力数量，一般可以用企业的员工总数、研发人员数量等指标来衡量；K表示投入的资本，通常用企业的固定资产净值、研发投入经费等指标来衡量；α和β分别为劳动力产出的弹性系数和资本产出的弹性系数，它们表示劳动力和资本投入每增加1%时，产出增加的百分比。在实际应用中，假设某企业在一段时间内，劳动力投入为L=1000人，资本投入为K=5000万元，综合技术水平A(t)=1.2，劳动力产出弹性系数α=0.6，资本产出弹性系数β=0.4。根据柯布-道格拉斯生产函数，该企业的产出Y为：Y=1.2×1000^{0.6}×5000^{0.4}。通过计算可得Y的值，从而评估该企业在当前投入和技术水平下的产出情况。柯布-道格拉斯生产函数在衡量技术创新对产出贡献时具有显著的优势。它能够直观地反映出技术创新、劳动力和资本等因素与产出之间的定量关系，为企业分析技术创新对经济效益的影响提供了清晰的框架。在研究企业技术创新能力时，可以通过比较不同时期或不同企业的A(t)值，来判断技术创新水平的变化和差异。该函数形式简单，易于理解和应用，在经济学和管理学领域得到了广泛的认可和应用。许多企业和研究机构在分析技术创新与产出关系时，都采用柯布-道格拉斯生产函数作为基础模型。然而，柯布-道格拉斯生产函数也存在一定的局限性。它假设技术进步是外生给定的，即A(t)是一个固定的参数，难以准确反映技术创新的动态变化过程。在现实中，企业的技术创新是一个持续的、动态的过程，受到多种因素的影响，如研发投入、创新人才、市场需求等，而柯布-道格拉斯生产函数无法很好地体现这些因素对技术创新的影响。该函数假设生产要素之间是完全可替代的，这与实际情况不符。在企业生产过程中，劳动力和资本等生产要素之间存在一定的互补性，不能完全相互替代。在一些高科技企业中，研发人员的专业技能和创新能力是无法用资本简单替代的，而柯布-道格拉斯生产函数没有考虑到这种互补性，可能会导致对技术创新贡献的评估出现偏差。4.3.2神经网络模型神经网络模型在企业技术创新能力测度中展现出独特的优势，它能够处理复杂的非线性关系，对多因素影响下的技术创新能力进行综合评估。BP（BackPropagation）神经网络是一种应用最为广泛的神经网络模型，它由输入层、隐藏层和输出层组成，各层之间通过权重连接，能够通过对大量样本数据的学习，自动提取数据中的特征和规律，从而实现对未知数据的预测和分类。在企业技术创新能力测度中，BP神经网络可以将企业的技术创新投入、创新环境等相关指标作为输入，将技术创新能力的综合评价结果作为输出，通过训练模型，建立起输入与输出之间的映射关系。BP神经网络的训练过程主要包括以下步骤：首先，初始化网络参数，包括各层之间的权重和阈值。权重和阈值通常被初始化为一个较小的随机数，如在[-0.1,0.1]之间，以确保网络在训练初期能够进行有效的学习和调整。确定输入层、隐藏层和输出层的节点数量。输入层节点数量根据企业技术创新能力测度的指标数量确定，例如，如果选取了研发投入强度、研发人员数量、专利申请数量等10个指标作为输入，那么输入层节点数量即为10；隐藏层节点数量的确定较为复杂，通常需要根据经验和实验来调整，一般可采用公式n_h=\sqrt{n_i+n_o}+a（其中n_h为隐藏层节点数量，n_i为输入层节点数量，n_o为输出层节点数量，a为1到10之间的常数）进行初步估算，然后通过实验验证和调整；输出层节点数量通常为1，表示企业技术创新能力的综合评价结果。接着，将训练数据输入到神经网络中，进行正向传播计算。在正向传播过程中，输入层的节点将数据传递给隐藏层，隐藏层的节点根据权重和阈值对输入数据进行加权求和，并通过激活函数（如sigmoid函数、ReLU函数等）进行非线性变换，将变换后的结果传递给输出层。输出层的节点再次进行加权求和和激活函数变换，得到最终的输出结果。在某企业技术创新能力测度的BP神经网络中，输入层节点将研发投入强度、研发人员数量等数据传递给隐藏层，隐藏层节点对这些数据进行加权求和，假设加权求和结果为x，通过sigmoid函数f(x)=\frac{1}{1+e^{-x}}进行变换，得到隐藏层的输出，再将其传递给输出层进行计算，得到最终的技术创新能力评价结果。然后，计算输出结果与实际值之间的误差。误差通常采用均方误差（MSE）等指标来衡量，计算公式为MSE=\frac{1}{n}\sum_{i=1}^{n}(y_i-\hat{y}_i)^2，其中n为样本数量，y_i为实际值，\hat{y}_i为预测值。通过反向传播算法，将误差从输出层反向传播到输入层，调整各层之间的权重和阈值，以减小误差。在反向传播过程中，根据误差对权重和阈值的偏导数，按照一定的学习率（如0.1）对权重和阈值进行更新，使得网络的输出结果逐渐接近实际值。重复正向传播和反向传播过程，直到误差达到预定的阈值或达到最大训练次数，完成模型的训练。在训练过程中，可以使用一些优化算法，如随机梯度下降（SGD）、Adagrad、Adadelta等，来加速模型的收敛速度和提高训练效果。BP神经网络在处理复杂非线性关系时具有明显的优势。它能够自动学习和提取数据中的复杂特征和规律，对多因素之间的非线性关系进行建模，从而更准确地评估企业技术创新能力。在企业技术创新能力受到多种因素相互作用的情况下，BP神经网络能够综合考虑这些因素，给出更全面、准确的评价结果。它具有较强的泛化能力，能够对未在训练数据中出现的新样本进行合理的预测和评价，为企业技术创新能力的动态监测和评估提供了有力支持。然而，BP神经网络在应用中也存在一些难点。训练过程需要大量的样本数据，且对数据的质量要求较高。如果样本数据不足或存在噪声，可能会导致模型的训练效果不佳，出现过拟合或欠拟合现象。在企业技术创新能力测度中，获取足够数量和高质量的样本数据往往具有一定的难度，这限制了BP神经网络的应用。BP神经网络的训练时间较长，尤其是当网络结构复杂、样本数据量大时，训练时间会显著增加，这在实际应用中可能会影响模型的实时性和效率。而且，BP神经网络的模型解释性较差，难以直观地理解模型的决策过程和结果，这对于企业管理者和决策者来说，可能会增加对模型结果的信任和应用难度。五、实证研究：以某行业企业为例5.1研究对象与数据采集本实证研究选取电子信息行业的企业作为研究对象，该行业作为典型的技术密集型产业，技术创新是其发展的核心驱动力，对技术创新能力的依赖程度极高。在全球范围内，电子信息行业的技术更新换代速度极快，从早期的电子管时代到如今的人工智能、5G通信等前沿技术的广泛应用，技术的变革推动着行业的飞速发展。在激烈的市场竞争中，企业必须不断加大技术创新投入，提升技术创新能力，才能在市场中占据一席之地。例如，苹果公司凭借其在芯片研发、操作系统优化等方面的持续创新，推出的iPhone系列手机在全球市场获得了巨大成功，其技术创新能力成为企业核心竞争力的重要组成部分。三星电子在半导体、显示技术等领域的创新投入也使其在全球电子信息产业中保持领先地位。本研究选取了50家电子信息行业的企业作为样本，涵盖了大型企业、中型企业和小型企业，以确保样本的多样性和代表性。这些企业在产品类型、市场定位、技术领域等方面存在差异，能够较为全面地反映电子信息行业企业的技术创新能力状况。大型企业如华为、中兴等，在通信设备制造、5G技术研发等领域具有强大的技术实力和创新能力，其研发投入巨大，拥有众多专利和核心技术；中型企业如小米、OPPO等，在智能手机、智能硬件等领域不断创新，通过差异化的产品策略和技术创新，在市场中获得了一定的份额；小型企业则在细分领域如物联网传感器、人工智能算法等方面专注创新，虽然规模较小，但在技术创新方面具有灵活性和创新性。数据采集主要通过以下几种渠道：一是企业年报，企业年报中包含了企业的财务数据、研发投入、专利申请等信息，这些数据具有权威性和可靠性。通过对企业年报的分析，可以获取企业在技术创新方面的投入和产出情况。华为公司在年报中详细披露了其研发投入金额、研发人员数量、专利申请数量等信息，为研究提供了重要的数据支持。二是国家知识产权局网站，该网站提供了企业的专利信息，包括专利申请数量、专利类型、专利授权情况等，这些信息能够反映企业的技术创新成果。通过在国家知识产权局网站上查询企业的专利信息，可以了解企业在技术创新方面的成果和实力。三是相关行业数据库，如Wind数据库、同花顺数据库等，这些数据库整合了大量的企业数据，包括企业的基本信息、财务数据、行业排名等，为研究提供了丰富的数据资源。本研究共收集到有效数据500条，涵盖了研发投入强度、研发人员数量、专利申请数量、新产品销售收入等多个指标。对这些数据进行描述性统计分析，结果显示，研发投入强度的平均值为5.6%，表明电子信息行业企业普遍重视技术创新投入，但最大值和最小值之间存在较大差距，分别为15.2%和1.8%，这说明不同企业在研发投入方面的差异较大。研发人员数量的平均值为350人，最大值为2000人，最小值为50人，同样反映出企业之间在研发人力资源投入上的不均衡。专利申请数量的平均值为120件，最大值为800件，最小值为10件，体现了企业在技术创新成果产出方面的差异。新产品销售收入的平均值为1.2亿元，最大值为10亿元，最小值为0.1亿元，表明企业在将技术创新成果转化为市场收益方面存在较大差异。这些描述性统计分析结果为后续的实证研究提供了基础数据，有助于深入了解电子信息行业企业技术创新能力的现状和特点。5.2多种测度方法的实证应用本研究运用数据包络分析（DEA）、主成分分析（PCA）和灰色关联分析三种方法，对选取的50家电子信息行业企业的技术创新能力进行测度。5.2.1数据包络分析（DEA）的应用数据包络分析（DEA）采用投入导向型的CCR模型，选取研发投入强度、研发人员数量、技术引进经费作为输入指标，专利申请数量、新产品销售收入作为输出指标。利用DEAP2.1软件进行计算，得出各企业的技术创新效率值。以企业A为例，其研发投入强度为8%，研发人员数量为500人，技术引进经费为500万元，专利申请数量为150件，新产品销售收入为1.5亿元。经过软件计算，企业A的技术创新效率值为0.85，表明该企业在当前投入产出条件下，技术创新效率相对较高，但仍存在一定的投入冗余或产出不足的情况。在50家企业中，有10家企业的技术创新效率值为1，处于生产前沿面上，表明这些企业在技术创新方面实现了相对有效，能够充分利用投入资源实现最大产出。而部分企业的技术创新效率值较低，如企业B的效率值仅为0.45，说明该企业在技术创新过程中存在严重的资源浪费或产出不足问题，需要对投入产出进行优化调整。通过DEA方法的分析，可以清晰地了解各企业在技术创新投入产出方面的相对效率，为企业改进技术创新活动提供了方向。5.2.2主成分分析（PCA）的应用主成分分析（PCA）首先对研发投入强度、研发人员数量、专利申请数量、新产品销售收入等10个指标进行标准化处理，以消除量纲和数量级的影响。利用SPSS软件计算相关系数矩阵，确定主成分的个数。根据特征值大于1的原则，提取了3个主成分，这3个主成分的累计方差贡献率达到了85%，能够较好地反映原始数据的信息。通过计算主成分载荷矩阵，得到各主成分与原始指标之间的关系。主成分1主要反映了研发投入和创新产出方面的信息，与研发投入强度、研发人员数量、专利申请数量、新产品销售收入等指标高度相关；主成分2主要反映了创新环境方面的信息，与政府政策支持力度、市场竞争程度等指标相关；主成分3主要反映了企业的创新管理能力方面的信息，与企业的创新管理制度完善程度、创新项目管理效率等指标相关。计算各企业在主成分上的得分，以企业C为例，其在成分1上主的得分为0.5，在主成分2上的得分为-0.3，在主成分3上的得分为0.2。根据主成分得分和方差贡献率，计算各企业的综合得分，企业C的综合得分为0.5×0.4+(-0.3)×0.3+0.2×0.1=0.11。通过主成分分析，将多个复杂的指标转化为少数几个综合指标，便于对企业技术创新能力进行综合评价和比较。5.