基于网络DEA的科技创新效率评价：方法解析与多元应用

基于网络DEA的科技创新效率评价：方法解析与多元应用一、引言1.1研究背景与意义在当今全球经济一体化和科技飞速发展的时代，科技创新已成为推动国家和地区经济增长、提升综合竞争力的核心驱动力。科技创新不仅能够催生新的产业和商业模式，还能优化传统产业结构，提高生产效率，改善人民生活质量，对国家和地区的可持续发展具有深远影响。从国家层面来看，科技创新能力是衡量一个国家综合国力的重要标志。在国际竞争日益激烈的背景下，各国纷纷加大对科技研发的投入，制定科技创新战略，以抢占科技制高点，谋求在全球产业链和价值链中的优势地位。例如，美国长期以来高度重视科技创新，在信息技术、生物科技、航空航天等领域投入大量资源，取得了众多突破性成果，巩固了其在全球科技和经济领域的领先地位；欧盟通过实施一系列科技创新计划，如“地平线欧洲”，加强了成员国之间的科技合作，提升了整体科技创新能力，在新能源、智能制造等领域取得了显著进展；中国近年来也大力实施创新驱动发展战略，加大科技研发投入，在5G通信、高铁、电子商务等领域实现了跨越式发展，科技创新成果不断涌现，国际竞争力逐步提升。从地区发展角度而言，科技创新是促进区域经济增长和协调发展的关键因素。不同地区通过发挥自身优势，培育特色科技创新产业，能够实现经济的差异化发展和转型升级。例如，美国的硅谷凭借其独特的创新生态系统，吸引了大量高科技企业和顶尖人才，成为全球科技创新的高地，推动了加利福尼亚州乃至整个美国西部地区的经济繁荣；中国的中关村作为科技创新的前沿阵地，聚集了众多高新技术企业和科研机构，在人工智能、大数据、集成电路等领域取得了丰硕成果，对北京市的经济增长和产业升级起到了重要支撑作用；深圳从一个小渔村发展成为国际化大都市，科技创新功不可没，以华为、腾讯等为代表的一批高科技企业崛起，带动了整个珠三角地区的产业创新和经济发展。在科技创新的过程中，创新效率的高低直接影响着科技创新成果的质量和数量，以及创新资源的配置效益。因此，准确评价科技创新效率，对于优化科技创新资源配置、提高科技创新能力具有重要意义。数据包络分析（DEA）作为一种常用的效率评价方法，在科技创新效率评价中得到了广泛应用。传统DEA方法将决策单元视为黑箱，仅关注其输入和输出的整体关系，而忽视了科技创新过程的内部结构和复杂关联性。然而，科技创新是一个多阶段、多环节的复杂过程，涉及研发投入、知识创造、成果转化等多个子过程，各子过程之间相互影响、相互作用。例如，在研发阶段投入的人力、物力和财力，需要经过知识创造和技术突破，才能转化为具有市场价值的创新成果；而创新成果的转化又依赖于良好的市场环境、完善的知识产权保护制度和有效的技术转移机制等。因此，传统DEA方法难以全面、准确地评价科技创新效率。网络DEA方法作为一种改进的DEA方法，突破了传统DEA方法将决策单元视为黑箱的局限，充分考虑了决策单元内部的生产结构和子过程之间的关联关系，能够更加深入地分析科技创新过程中各环节的效率以及整体效率。通过网络DEA方法，可以识别出科技创新过程中的薄弱环节和潜在改进空间，为制定针对性的政策措施提供科学依据。例如，在评价区域科技创新效率时，网络DEA方法可以分析研发投入到知识创造、知识创造到成果转化等不同阶段的效率，找出影响整体效率的关键因素，从而指导政府和企业合理配置创新资源，提高科技创新效率。此外，网络DEA方法还能够处理多个输入和输出指标，以及不同类型的决策单元，具有较强的适应性和灵活性。在科技创新效率评价中，往往涉及多个投入指标（如研发人员、研发经费、科研设备等）和多个输出指标（如专利申请量、论文发表量、新产品销售收入等），网络DEA方法能够综合考虑这些指标，全面评价科技创新效率。同时，对于不同规模、不同类型的地区或企业，网络DEA方法都能够进行有效的效率评价，为其提供有针对性的改进建议。综上所述，本研究基于网络DEA方法开展科技创新效率评价方法及其应用研究，具有重要的理论和现实意义。在理论方面，丰富和完善了科技创新效率评价的方法体系，拓展了网络DEA方法的应用领域；在实践方面，为政府部门制定科技创新政策、优化创新资源配置提供科学依据，有助于提高区域和企业的科技创新能力，推动经济高质量发展。1.2国内外研究现状1.2.1网络DEA方法的研究现状数据包络分析（DEA）由Charnes、Cooper和Rhodes于1978年首次提出，作为一种基于线性规划的多投入多产出效率评价方法，DEA在诞生初期主要应用于简单的生产系统效率评估。传统DEA模型，如CCR模型和BCC模型，将决策单元视为一个整体的黑箱，仅关注输入与输出之间的关系，而忽略了决策单元内部复杂的生产结构和子过程之间的相互作用。随着研究的深入和实际应用需求的推动，学者们逐渐意识到传统DEA方法的局限性，开始对其进行拓展和改进，网络DEA方法应运而生。国外学者在网络DEA方法的理论研究方面取得了一系列重要成果。Färe和Grosskopf最早提出了网络DEA的概念，他们将生产过程视为一个包含多个子过程的网络结构，通过建立网络DEA模型来分析生产系统中各子过程的效率以及整体效率之间的关系，为网络DEA方法的发展奠定了基础。此后，学者们围绕网络DEA模型的构建和应用展开了广泛研究。Kao和Hwang提出了一种基于两阶段串联网络的DEA模型，该模型将生产过程分为两个相互关联的阶段，通过对两个阶段效率的分析，能够更深入地了解生产系统的运行机制。例如，在研究银行效率时，将银行的运营过程分为资金筹集和资金运用两个阶段，利用该模型可以分别评估这两个阶段的效率，进而找出影响银行整体效率的关键因素。此后，Tone和Tsutsui提出了基于松弛变量的网络DEA模型（SBM-NetworkDEA），该模型克服了传统DEA模型对非期望产出处理的局限性，能够更准确地评价包含非期望产出的生产系统效率。例如，在评估工业企业的环境效率时，将工业废气、废水等污染物作为非期望产出，利用SBM-NetworkDEA模型可以更全面地分析企业在经济产出和环境保护方面的综合效率。国内学者也在网络DEA方法的研究中做出了重要贡献。魏权龄对DEA方法的理论和应用进行了系统研究，推动了DEA方法在国内的广泛应用和发展。他的研究成果为国内学者开展网络DEA方法的研究提供了重要的理论基础和研究思路。例如，在他的研究基础上，国内学者进一步拓展了网络DEA模型在不同领域的应用，如区域经济、科技创新等。岳书敬和刘朝明运用网络DEA方法对中国区域创新系统的效率进行了评价，考虑了知识创造和知识转化两个阶段的相互关系，发现中国区域创新效率存在明显的地区差异，东部地区创新效率较高，中西部地区相对较低，为区域创新政策的制定提供了参考依据。此后，李双杰和刘凌霄等构建了考虑中间投入产出关系的网络DEA模型，并应用于高新技术产业创新效率的评价，分析了创新过程中各环节的效率以及整体效率，为高新技术产业的发展提供了有益的建议。例如，通过对不同地区高新技术产业的实证分析，指出了各地区在创新投入、知识创造和成果转化等方面的优势和不足，为针对性地提升高新技术产业创新效率提供了方向。1.2.2科技创新效率评价的研究现状在科技创新效率评价方面，早期的研究主要采用单一指标或简单的指标体系来衡量科技创新效率，如专利申请量、论文发表量等。这些方法虽然简单直观，但无法全面反映科技创新的投入产出关系和效率水平。随着研究的深入，多指标综合评价方法逐渐被应用于科技创新效率评价领域。其中，DEA方法由于其无需事先设定生产函数形式、能够处理多投入多产出等优点，成为了科技创新效率评价的常用方法之一。国外学者运用DEA方法对科技创新效率进行了大量的实证研究。Coe和Helpman通过构建基于DEA的国际研发溢出模型，研究了国际贸易与技术创新之间的关系，发现国际研发溢出对本国的技术创新效率有显著影响，进口贸易是国际研发溢出的重要渠道之一。此后，Lööf和Heshmati运用DEA方法对瑞典制造业企业的创新效率进行了评价，分析了企业规模、研发投入等因素对创新效率的影响，结果表明大企业在创新效率方面具有一定优势，研发投入与创新效率之间存在正相关关系。国内学者在科技创新效率评价方面也开展了丰富的研究。吴和成和刘思峰运用DEA方法对中国各地区的科技创新效率进行了评价，考虑了科技投入和经济产出之间的关系，发现中国科技创新效率存在明显的区域差异，东部地区的科技创新效率高于中西部地区。此后，王家庭和张容运用DEA-Malmquist指数方法对中国30个省份的科技创新动态效率进行了分析，研究了全要素生产率的变化及其分解，发现技术进步是推动中国科技创新效率提升的主要因素，而技术效率的改善相对不足。此外，还有学者从不同角度对科技创新效率进行评价，如考虑创新环境、创新网络等因素对科技创新效率的影响。例如，潘雄锋和刘凤朝等研究了创新环境对区域科技创新效率的影响，发现良好的创新环境能够促进科技创新资源的有效配置，提高科技创新效率。1.2.3研究现状总结与不足综上所述，国内外学者在网络DEA方法和科技创新效率评价方面都取得了丰硕的研究成果。网络DEA方法在理论研究和应用领域不断拓展，为分析复杂生产系统的效率提供了有力工具；科技创新效率评价的研究也日益深入，从简单的指标评价逐渐发展到多方法、多视角的综合评价。然而，当前研究仍存在一些不足之处。在网络DEA方法方面，虽然已经提出了多种模型，但不同模型在处理复杂网络结构和数据特征时仍存在一定的局限性。例如，部分模型对中间产品和中间过程的刻画不够细致，无法准确反映生产系统中各环节之间的复杂关系；一些模型在处理大规模数据和高维指标时计算效率较低，限制了其在实际应用中的推广。此外，网络DEA模型的选择和应用缺乏统一的标准和规范，不同研究中模型的选择往往具有一定的主观性，导致研究结果的可比性较差。在科技创新效率评价方面，现有研究在指标体系的构建上仍存在差异。不同学者根据自身的研究目的和侧重点选择不同的指标，导致指标体系的科学性和全面性有待进一步提高。例如，一些研究在指标选取时未能充分考虑科技创新过程的阶段性和复杂性，忽略了某些重要的投入产出指标；部分指标体系中存在指标相关性过高的问题，影响了评价结果的准确性。此外，现有研究对科技创新效率的影响因素分析不够深入，虽然已经识别出一些影响因素，但对于这些因素之间的相互作用机制以及如何通过调控这些因素来提高科技创新效率，仍缺乏系统的研究。在网络DEA方法与科技创新效率评价的结合应用方面，虽然已经有一些研究将网络DEA方法应用于科技创新效率评价，但研究的深度和广度仍有待拓展。一方面，对于科技创新过程中复杂的网络结构和多阶段特性，现有的网络DEA模型还不能完全满足评价需求，需要进一步开发和改进模型；另一方面，在应用网络DEA方法进行科技创新效率评价时，如何准确地确定模型的参数和权重，以及如何对评价结果进行合理的解释和分析，还需要进一步的研究和探讨。针对以上不足，本文将在现有研究的基础上，深入研究网络DEA方法在科技创新效率评价中的应用，通过改进网络DEA模型，完善科技创新效率评价指标体系，深入分析科技创新效率的影响因素，为提高科技创新效率提供更加科学、准确的评价方法和决策依据。1.3研究内容与方法1.3.1研究内容本文主要围绕基于网络DEA的科技创新效率评价方法及其应用展开研究，具体内容如下：网络DEA方法的理论基础与模型构建：深入剖析网络DEA方法的基本原理，对其相较于传统DEA方法的优势进行详细阐述。全面梳理现有网络DEA模型，针对科技创新过程的多阶段、多环节特点，构建适宜的网络DEA模型，以精准刻画科技创新过程中各子过程的关联关系和整体运行机制。例如，在研发投入、知识创造和成果转化等阶段，通过模型准确反映各阶段之间的投入产出关系，以及中间产品在不同阶段的传递和影响。科技创新效率评价指标体系的构建：综合考量科技创新的投入、产出、过程和环境等多个维度，构建科学合理的评价指标体系。在投入指标方面，涵盖研发人员、研发经费、科研设备等；产出指标选取专利申请量、论文发表量、新产品销售收入等；同时，考虑创新环境指标，如政策支持、科技基础设施等，确保指标体系能够全面、客观地反映科技创新效率。通过对各指标的深入分析和筛选，提高指标体系的科学性和实用性。实证分析：运用构建的网络DEA模型和评价指标体系，对特定区域或行业的科技创新效率展开实证研究。收集相关数据，进行详细的计算与分析，深入探究科技创新过程中各阶段的效率状况以及整体效率水平。以某地区高新技术产业为例，通过实证分析，明确该地区在研发投入转化为知识创造、知识创造向成果转化等阶段的效率高低，找出影响科技创新效率的关键因素。结果分析与政策建议：对实证分析结果进行深入解读，剖析科技创新效率的影响因素，挖掘各因素之间的相互作用机制。依据分析结果，为提高科技创新效率提出针对性强的政策建议。例如，针对研发投入不足的问题，建议加大政府对科研的财政支持力度；对于成果转化效率低的情况，提出完善技术转移机制、加强产学研合作等建议，为政府和企业制定科技创新战略提供有力的决策依据。1.3.2研究方法为确保研究的科学性和可靠性，本文采用以下研究方法：文献研究法：广泛搜集国内外关于网络DEA方法、科技创新效率评价等方面的文献资料，全面梳理相关研究成果，明确研究现状和发展趋势，为本文的研究提供坚实的理论基础。通过对大量文献的研读，了解不同学者在网络DEA模型构建、指标体系选择等方面的观点和方法，总结现有研究的不足，从而确定本文的研究方向和重点。案例分析法：选取具有代表性的区域或行业作为案例，深入分析其科技创新过程和效率情况，以验证所构建的网络DEA模型和评价指标体系的有效性和实用性。例如，选择中关村高新技术产业园区作为案例，详细分析该园区内企业的科技创新活动，通过实际数据验证模型和指标体系的合理性，为其他地区和行业提供借鉴。实证研究法：运用统计分析软件，对收集到的数据进行处理和分析，运用构建的网络DEA模型计算科技创新效率，并进行深入的实证研究。通过实证研究，揭示科技创新效率的现状和规律，为提出政策建议提供数据支持。例如，使用DEAP软件对各地区科技创新投入产出数据进行分析，得出各地区科技创新效率的具体数值和排名，为后续的分析和建议提供依据。1.4研究创新点方法应用创新：将网络DEA方法应用于科技创新效率评价，突破传统DEA方法将科技创新过程视为黑箱的局限，充分考虑科技创新过程中研发投入、知识创造、成果转化等多阶段的复杂关联关系，更深入、全面地分析科技创新效率，为科技创新效率评价提供了新的视角和方法。例如，通过网络DEA模型，可以清晰地展示各阶段之间的投入产出关系，以及中间产品在不同阶段的传递和影响，从而更准确地评估科技创新的整体效率和各阶段效率。指标选取创新：构建的科技创新效率评价指标体系，综合考虑了科技创新的投入、产出、过程和环境等多个维度。在投入指标中，不仅涵盖了常见的研发人员、研发经费等，还考虑了科研设备等对科技创新的支撑作用；产出指标除了专利申请量、论文发表量等知识产出指标外，还纳入了新产品销售收入等体现市场价值的经济产出指标；同时，将创新环境指标，如政策支持、科技基础设施等纳入体系，使指标体系更加全面、科学，能够更准确地反映科技创新效率。通过对各维度指标的综合考量，能够更全面地评估科技创新活动的成效和效率。案例分析创新：选取具有代表性的区域或行业进行深入的案例分析，在案例研究中，充分结合实际情况，对网络DEA模型和评价指标体系进行验证和应用。通过对案例的详细分析，不仅能够验证研究方法和指标体系的有效性和实用性，还能够深入挖掘科技创新效率的影响因素和提升路径，为其他区域或行业提供有针对性的借鉴和参考。以中关村高新技术产业园区为例，通过对园区内企业的科技创新活动进行详细分析，能够深入了解高新技术产业在科技创新过程中的特点和问题，为制定相关政策和措施提供有力依据。二、网络DEA相关理论基础2.1DEA基本原理数据包络分析（DataEnvelopmentAnalysis，DEA）是由著名运筹学家A.Charnes、W.W.Cooper和E.Rhodes于1978年提出的一种基于线性规划的多投入多产出效率评价方法。该方法主要用于评价同类型决策单元（DecisionMakingUnits，DMU）之间的相对效率，其基本原理是通过构建生产前沿面，将每个决策单元的投入产出数据投影到该前沿面上，通过比较决策单元与前沿面的距离来判断其相对有效性。DEA方法的诞生源于对生产效率评价的需求。在传统的生产效率评价中，通常采用生产函数法，即事先设定生产函数的具体形式，如柯布-道格拉斯生产函数，然后通过回归分析等方法估计函数中的参数，进而计算生产效率。然而，这种方法存在诸多局限性。一方面，生产函数的设定往往具有很强的主观性，不同的函数形式可能导致不同的评价结果；另一方面，在实际生产过程中，生产要素之间的关系复杂多样，很难用一个简单的函数形式来准确描述。DEA方法的出现则有效克服了这些问题，它无需事先设定生产函数的具体形式，也不需要对投入产出数据进行复杂的预处理，直接利用线性规划技术，从数据本身出发来确定生产前沿面，从而更加客观、准确地评价决策单元的相对效率。DEA方法基于相对效率的概念，将每个决策单元视为一个生产系统，该系统使用多种投入要素来生产多种产出。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。对于第j个决策单元（j=1,2,\cdots,n），其输入向量为x_j=(x_{1j},x_{2j},\cdots,x_{mj})^T，输出向量为y_j=(y_{1j},y_{2j},\cdots,y_{sj})^T，其中x_{ij}表示第j个决策单元的第i种输入量，y_{rj}表示第j个决策单元的第r种输出量。DEA方法通过构建线性规划模型来求解每个决策单元的效率值。最经典的DEA模型是CCR（Charnes-Cooper-Rhodes）模型，其基本思想是在保持其他决策单元的投入产出不变的情况下，寻找一组最优的权重，使得被评价决策单元的产出与投入之比最大化。CCR模型的数学表达式如下：\begin{align*}\max\quad&\theta\\s.t.\quad&\sum_{j=1}^{n}\lambda_jx_{ij}\leq\thetax_{ik},\quadi=1,2,\cdots,m\\&\sum_{j=1}^{n}\lambda_jy_{rj}\geqy_{rk},\quadr=1,2,\cdots,s\\&\lambda_j\geq0,\quadj=1,2,\cdots,n\end{align*}其中，\theta为被评价决策单元k的效率值，\lambda_j为第j个决策单元的权重，x_{ik}和y_{rk}分别为被评价决策单元k的第i种输入和第r种输出。如果\theta=1，则表示决策单元k位于生产前沿面上，是相对有效的，即该决策单元在现有技术水平下，无法通过减少投入或增加产出的方式来提高效率；如果\theta\lt1，则表示决策单元k是相对无效的，存在改进的空间，可以通过调整投入产出结构来提高效率。在CCR模型的基础上，Banker、Charnes和Cooper于1984年提出了BCC（Banker-Charnes-Cooper）模型。BCC模型在CCR模型的基础上引入了一个规模报酬可变的假设，从而能够将技术效率进一步分解为纯技术效率和规模效率。纯技术效率反映了决策单元在现有技术水平下，对生产要素的利用效率；规模效率则反映了决策单元的生产规模是否处于最优状态。BCC模型的数学表达式为：\begin{align*}\max\quad&\theta\\s.t.\quad&\sum_{j=1}^{n}\lambda_jx_{ij}\leq\thetax_{ik},\quadi=1,2,\cdots,m\\&\sum_{j=1}^{n}\lambda_jy_{rj}\geqy_{rk},\quadr=1,2,\cdots,s\\&\sum_{j=1}^{n}\lambda_j=1\\&\lambda_j\geq0,\quadj=1,2,\cdots,n\end{align*}与CCR模型相比，BCC模型增加了约束条件\sum_{j=1}^{n}\lambda_j=1，通过求解该模型，可以得到决策单元的纯技术效率和规模效率，其中规模效率等于技术效率（CCR模型中的效率值）除以纯技术效率（BCC模型中的效率值）。DEA方法在多投入多产出效率评价中具有显著的优势。首先，它无需事先设定生产函数的具体形式，避免了因函数设定不当而导致的误差，能够更客观地反映决策单元的实际生产情况。其次，DEA方法可以同时处理多个输入和多个输出指标，能够综合考虑决策单元在不同方面的表现，全面评价其效率水平。此外，DEA方法还能够对决策单元进行排序和比较，找出相对有效的决策单元和存在改进空间的决策单元，为决策者提供有针对性的建议。例如，在评价不同企业的生产效率时，DEA方法可以帮助企业管理者了解自身在行业中的地位，发现生产过程中的薄弱环节，从而制定相应的改进措施，提高企业的生产效率和竞争力。2.2网络DEA模型构建传统DEA模型在评价科技创新效率时，将决策单元视为一个整体的黑箱，仅关注其输入和输出的总体关系，而忽视了科技创新过程内部的复杂结构和各阶段之间的关联。然而，科技创新是一个包含多个子过程、多阶段的复杂活动，从研发投入到知识创造，再到成果转化和商业化应用，各阶段相互影响、相互制约。例如，研发阶段投入的人力、物力和财力，需要经过知识创造阶段产生新的知识和技术，这些知识和技术又作为中间投入进入成果转化阶段，最终实现创新成果的商业化应用。在这个过程中，每个阶段的效率都会对整体科技创新效率产生重要影响，且各阶段之间存在紧密的联系。因此，传统DEA模型难以全面、准确地评价科技创新效率。网络DEA模型则突破了传统DEA模型的局限，充分考虑了决策单元内部的生产结构和子过程之间的关联关系，将科技创新过程视为一个由多个相互关联的子过程组成的网络系统。在网络DEA模型中，每个子过程都有其特定的输入和输出，且子过程之间通过中间产品或中间活动相互连接。例如，在两阶段的科技创新网络DEA模型中，第一阶段可以是研发投入阶段，其输入为研发人员、研发经费等，输出为专利申请量、论文发表量等知识产出；第二阶段是成果转化阶段，将第一阶段的知识产出作为输入，结合其他投入要素，如市场推广费用、生产设备等，最终输出新产品销售收入等经济产出。通过这种方式，网络DEA模型能够更深入地分析科技创新过程中各环节的效率以及整体效率，揭示各子过程之间的相互作用机制，为科技创新效率的提升提供更有针对性的建议。常见的网络DEA模型类型包括两阶段网络DEA模型、多阶段网络DEA模型和链式网络DEA模型等。两阶段网络DEA模型是最基础的网络DEA模型之一，它将生产过程分为两个相互关联的阶段，通过分析两个阶段之间的投入产出关系，来评估整体效率和各阶段效率。例如，在评估企业的创新效率时，可以将企业的创新过程分为研发阶段和商业化阶段，利用两阶段网络DEA模型分别计算这两个阶段的效率，以及整体的创新效率。多阶段网络DEA模型则进一步扩展了两阶段模型，将生产过程划分为多个阶段，能够更全面地反映复杂的生产系统。链式网络DEA模型则强调各子过程之间的链式传递关系，每个子过程的输出都作为下一个子过程的输入，形成一条连续的生产链。例如，在农产品加工行业，从农产品的种植、采摘，到初级加工、深加工，再到最终产品的销售，各环节之间呈现出链式关系，链式网络DEA模型可以很好地描述这种生产过程，并对其效率进行评价。网络DEA模型的构建通常基于线性规划原理，通过建立数学模型来描述决策单元内部的生产结构和子过程之间的关联关系。以两阶段网络DEA模型为例，其构建方法如下：假设有n个决策单元，每个决策单元包含两个阶段。第一阶段的输入向量为x_{1j}=(x_{11j},x_{12j},\cdots,x_{1mj})^T，输出向量为z_{j}=(z_{1j},z_{2j},\cdots,z_{lj})^T，其中x_{1ij}表示第j个决策单元第一阶段的第i种输入量，z_{kj}表示第j个决策单元第一阶段的第k种输出量；第二阶段的输入向量为x_{2j}=(x_{21j},x_{22j},\cdots,x_{2nj})^T，其中x_{2ij}表示第j个决策单元第二阶段的第i种输入量（包括第一阶段的输出z_{j}），输出向量为y_{j}=(y_{1j},y_{2j},\cdots,y_{sj})^T，其中y_{rj}表示第j个决策单元第二阶段的第r种输出量。对于第k个决策单元，其整体效率\theta_{k}的计算可以通过求解以下线性规划模型得到：\begin{align*}\max\quad&\theta_{k}\\s.t.\quad&\sum_{j=1}^{n}\lambda_{1j}x_{1ij}\leqx_{1ik},\quadi=1,2,\cdots,m\\&\sum_{j=1}^{n}\lambda_{1j}z_{kj}=z_{k},\quadk=1,2,\cdots,l\\&\sum_{j=1}^{n}\lambda_{2j}x_{2ij}\leqx_{2ik},\quadi=1,2,\cdots,n\\&\sum_{j=1}^{n}\lambda_{2j}y_{rj}\geqy_{rk},\quadr=1,2,\cdots,s\\&\lambda_{1j}\geq0,\lambda_{2j}\geq0,\quadj=1,2,\cdots,n\end{align*}其中，\lambda_{1j}和\lambda_{2j}分别为第一阶段和第二阶段的权重系数。通过求解该模型，可以得到第k个决策单元的整体效率\theta_{k}。同时，还可以分别计算第一阶段和第二阶段的效率，以深入分析各阶段的效率状况。例如，第一阶段效率\theta_{1k}可以通过在上述模型中，仅考虑第一阶段的输入和输出关系来求解；第二阶段效率\theta_{2k}则可以在仅考虑第二阶段的输入和输出关系，并将第一阶段的输出作为第二阶段的输入的条件下求解。通过这种方式，网络DEA模型能够全面、深入地分析科技创新过程中各阶段的效率以及整体效率，为科技创新效率的评价和提升提供有力的工具。2.3网络DEA求解算法网络DEA模型的求解通常依赖于线性规划算法和对偶理论，这些算法和理论为准确计算决策单元的效率提供了有效的途径。线性规划算法是网络DEA模型求解的核心方法之一。线性规划是在一组线性约束条件下，求解线性目标函数的最大值或最小值问题。在网络DEA模型中，通过构建线性规划模型，可以确定决策单元在给定输入和输出条件下的最优效率值。例如，对于两阶段网络DEA模型，如前文所述，通过建立包含第一阶段输入、输出以及第二阶段输入、输出关系的线性规划模型，求解该模型可以得到决策单元的整体效率以及各阶段的效率。在实际计算过程中，常用的线性规划求解算法包括单纯形法和内点法。单纯形法是一种经典的线性规划求解算法，它通过不断迭代，从一个可行解逐步移动到另一个更优的可行解，直到找到最优解。内点法则是从可行域内部开始搜索，通过迭代逐步逼近最优解，具有较好的收敛性和计算效率，尤其适用于大规模问题的求解。例如，在处理包含大量决策单元和复杂生产结构的网络DEA模型时，内点法能够更快速地找到接近最优解的结果。对偶理论在网络DEA模型求解中也起着重要作用。对偶理论是线性规划的一个重要组成部分，它揭示了原问题和对偶问题之间的紧密联系。在网络DEA模型中，原问题是求解决策单元的效率值，而对偶问题则提供了关于投入和产出的影子价格信息。影子价格反映了在最优生产状态下，每增加一单位投入所带来的产出增加量，或者每减少一单位产出所节省的投入量，它对于分析决策单元的资源配置效率和改进方向具有重要意义。例如，通过对偶问题的解，可以确定哪些投入资源的利用效率较低，哪些产出的增长潜力较大，从而为决策者提供有针对性的改进建议。以某企业的创新效率评价为例，如果对偶问题的解显示研发人员的影子价格较高，说明增加研发人员的投入可能会带来较大的产出增长，企业可以考虑加大对研发人员的招聘和培养力度；反之，如果某种产出的影子价格较低，可能意味着该产出的市场价值不高，企业可以考虑调整生产策略，减少相关资源的投入。不同的求解算法在计算效率和适用场景上存在差异。单纯形法在处理小规模问题时，具有计算简单、易于理解的优点，能够准确地找到最优解。然而，当问题规模较大，即决策单元数量较多或生产结构复杂时，单纯形法的计算量会大幅增加，计算时间也会显著延长，甚至可能导致计算困难。例如，在评价一个包含上百个决策单元和多个生产阶段的大型产业集群的创新效率时，使用单纯形法求解网络DEA模型可能需要耗费大量的时间和计算资源。内点法在大规模问题的求解上具有明显优势，它能够在较短的时间内找到接近最优解的结果，并且对于复杂的约束条件和大规模的数据具有较好的适应性。但内点法的计算过程相对复杂，需要较高的数学基础和计算技术支持，在某些情况下，其计算结果可能并非严格意义上的最优解，而是一个近似最优解。在实际应用中，需要根据具体问题的特点选择合适的求解算法。对于决策单元数量较少、生产结构相对简单的网络DEA模型，可以优先考虑使用单纯形法，以确保计算结果的准确性和可靠性。而对于大规模、复杂的网络DEA模型，内点法可能是更好的选择，虽然其结果可能是近似解，但能够在可接受的时间内提供有价值的决策信息。此外，随着计算机技术的不断发展，一些专门用于求解网络DEA模型的软件和工具也应运而生，如DEAP、MaxDEA等。这些软件集成了多种求解算法，用户只需输入数据和模型参数，即可快速得到计算结果，大大提高了网络DEA模型的应用效率和便利性。例如，使用DEAP软件进行科技创新效率评价时，用户可以方便地选择不同的网络DEA模型和求解算法，对不同地区或行业的科技创新数据进行分析，从而快速了解科技创新效率的现状和问题。三、科技创新效率评价指标体系构建3.1指标选取原则构建科学合理的科技创新效率评价指标体系是准确评估科技创新效率的基础和关键。在选取指标时，需遵循一系列原则，以确保指标体系能够全面、客观、准确地反映科技创新效率。科学性原则是指标选取的首要原则。指标应基于科学的理论和方法，准确反映科技创新的内涵和本质特征。从科技创新的投入产出角度来看，研发投入是科技创新的物质基础，研发人员的数量和质量、研发经费的投入规模等指标能够科学地衡量科技创新的人力和财力投入。专利申请量、论文发表量等指标则从知识产出的角度，科学地反映了科技创新的成果。这些指标的选取都有其科学依据，能够客观地衡量科技创新活动的不同方面。在实际应用中，对于研发经费的统计，应遵循严格的统计标准和方法，确保数据的准确性和可靠性，从而使研发经费这一指标能够科学地反映科技创新的资金投入情况。全面性原则要求指标体系涵盖科技创新的各个环节和方面。科技创新是一个复杂的系统工程，包括研发投入、知识创造、成果转化和产业化等多个阶段。因此，指标体系应全面考虑这些阶段的投入产出情况。在研发投入阶段，除了研发人员和研发经费，还应考虑科研设备的投入，因为先进的科研设备是开展科技创新活动的重要保障。在知识创造阶段，除了专利申请量和论文发表量，还可以考虑科技成果的获奖情况等指标，以更全面地反映知识创造的质量和水平。在成果转化和产业化阶段，新产品销售收入、技术转让收入等指标能够反映科技创新成果的市场价值和经济效益。通过全面选取这些指标，能够更全面地评估科技创新效率。可操作性原则强调指标数据的可获取性和指标计算的简便性。在实际研究中，指标数据应能够通过公开的统计资料、数据库或实地调研等方式获取。例如，研发人员数量、研发经费投入等数据可以从政府统计部门发布的科技统计年鉴中获取；专利申请量和授权量可以从国家知识产权局的数据库中获取。同时，指标的计算方法应简单易懂，避免过于复杂的计算过程，以提高评价工作的效率和可行性。对于一些复杂的指标，如果计算过程过于繁琐，可能会导致数据收集和处理的困难，从而影响评价工作的顺利进行。相关性原则要求选取的指标与科技创新效率具有密切的关联。指标应能够直接或间接地反映科技创新效率的高低。例如，研发投入与科技创新产出之间存在着密切的因果关系，研发投入的增加通常会带来更多的科技创新成果，因此研发人员和研发经费等投入指标与科技创新效率具有高度的相关性。同样，新产品销售收入等产出指标也直接反映了科技创新成果的市场转化情况，与科技创新效率密切相关。在选取指标时，应通过理论分析和实证研究等方法，确保指标与科技创新效率之间的相关性，避免选取与科技创新效率无关或相关性较弱的指标。动态性原则考虑到科技创新活动的不断发展和变化，指标体系应具有一定的动态性，能够适应科技创新的发展趋势和新的需求。随着科技的不断进步，新的科技创新模式和业态不断涌现，如人工智能、大数据、区块链等领域的创新。因此，指标体系应及时调整和更新，纳入反映这些新兴领域创新的指标。在评价人工智能领域的科技创新效率时，可以增加人工智能专利申请量、人工智能相关论文发表量、人工智能技术应用案例数量等指标，以更准确地评估该领域的科技创新效率。同时，对于一些传统指标，也应根据科技创新的发展情况进行重新审视和调整，以使其更符合实际情况。代表性原则要求选取的指标能够代表科技创新的主要方面和关键因素。在众多与科技创新相关的指标中，应选取具有代表性的指标，以提高指标体系的有效性和针对性。例如，在衡量科技创新的知识产出时，专利申请量是一个具有代表性的指标，它能够反映科技创新的技术含量和创新性。然而，不同类型的专利其价值和影响力可能存在差异，因此可以进一步选取发明专利申请量作为更具代表性的指标，因为发明专利通常具有更高的技术含量和创新性，更能代表科技创新的水平。3.2投入产出指标确定科技创新效率评价指标体系涵盖投入指标和产出指标，这些指标的选取基于科技创新的特点以及网络DEA方法的要求，旨在全面、准确地衡量科技创新效率。在投入指标方面，研发人员是科技创新的核心要素，其数量和质量直接影响科技创新的能力和水平。研发人员数量反映了科技创新的人力投入规模，而研发人员的素质，如学历水平、专业技能等，对科技创新的质量和创新性起着关键作用。以华为公司为例，其拥有大量高素质的研发人员，在5G通信技术研发过程中，这些研发人员凭借其专业知识和创新能力，取得了众多关键技术突破，使华为在5G领域处于世界领先地位。研发经费是科技创新的物质基础，充足的资金投入为科技创新提供了必要的条件，包括科研设备购置、实验材料采购、科研项目资助等。例如，特斯拉公司在电动汽车研发过程中，投入大量研发经费用于电池技术创新、自动驾驶技术研发等，推动了电动汽车技术的快速发展。科研设备作为科技创新的重要支撑，先进的科研设备能够提高实验的精度和效率，为科技创新提供更好的硬件条件。在生物医学研究领域，高精度的基因测序设备能够帮助科研人员更准确地解析基因序列，为基因治疗等创新研究提供有力支持。产出指标主要包括专利数量、科技论文数量和新产品销售收入。专利是科技创新成果的重要体现，它代表了技术创新的新颖性、创造性和实用性。专利数量反映了科技创新的成果数量，而专利的质量，如发明专利的比例、专利的引用次数等，更能体现科技创新的水平和价值。例如，苹果公司拥有大量的专利，其专利技术在智能手机设计、操作系统、用户界面等方面具有创新性和领先性，为苹果公司的产品竞争力提供了重要保障。科技论文是科研人员在学术研究过程中取得的成果表达，科技论文数量在一定程度上反映了科技创新的知识产出水平，论文的被引用次数、发表期刊的影响力等指标则进一步体现了论文的质量和学术价值。在人工智能领域，科研人员发表的高质量论文，如在《自然》《科学》等顶级期刊上发表的论文，推动了该领域的理论和技术发展。新产品销售收入是科技创新成果商业化的重要体现，它反映了科技创新成果在市场上的接受程度和经济价值。以小米公司为例，其推出的智能家电等新产品，凭借科技创新满足了消费者的需求，获得了较高的销售收入，实现了科技创新的经济价值。指标选取依据主要基于科技创新的过程和目标。从科技创新的投入角度看，研发人员、研发经费和科研设备是开展科技创新活动的基础条件，这些指标能够直接反映科技创新的资源投入情况。从产出角度而言，专利数量和科技论文数量体现了科技创新在知识和技术层面的产出成果，新产品销售收入则体现了科技创新成果的市场转化和经济收益。这些指标相互关联，全面反映了科技创新从投入到产出的全过程，符合科学性、全面性、可操作性、相关性和动态性的指标选取原则。例如，在衡量某地区的科技创新效率时，通过对该地区研发人员数量、研发经费投入、专利申请量、新产品销售收入等指标的分析，可以全面了解该地区科技创新的资源投入、成果产出以及市场转化情况，从而准确评估其科技创新效率。同时，随着科技创新的发展，这些指标也能够根据实际情况进行调整和完善，以适应新的科技创新需求和趋势。3.3指标数据收集与处理为确保基于网络DEA的科技创新效率评价的准确性和可靠性，指标数据的收集与处理至关重要。本研究通过多渠道、多方式收集相关数据，并运用科学合理的数据处理方法，对原始数据进行清洗和预处理，以提高数据质量，为后续的实证分析奠定坚实基础。在数据收集方面，主要来源包括各类统计年鉴、科研数据库以及政府部门发布的统计报告等。国家统计局发布的《中国统计年鉴》《中国科技统计年鉴》，以及各省级统计局发布的地方统计年鉴，这些年鉴涵盖了丰富的宏观经济数据和科技统计数据，如研发人员数量、研发经费投入、地区生产总值等，为研究提供了全面的基础数据支持。以《中国科技统计年鉴》为例，其中详细记录了各地区在不同年份的科技活动投入与产出情况，包括研发人员的学历结构、科研经费的来源与支出方向等信息，这些数据对于准确评估科技创新的投入状况具有重要价值。科研数据库也是重要的数据来源之一。中国知网的中国学术期刊数据库、万方数据知识服务平台等，这些数据库收录了大量的学术论文，通过对这些论文的检索和分析，可以获取到科技论文数量、论文被引用次数等反映科技创新知识产出的关键指标数据。例如，在研究某一特定领域的科技创新效率时，可以利用这些数据库，统计该领域内相关论文的发表数量和被引用情况，从而评估该领域的知识创新水平。国家知识产权局的专利数据库则提供了专利申请量、专利授权量等专利相关数据，这些数据能够直观地反映科技创新的技术成果。通过对专利数据库的查询，可以获取不同地区、不同行业的专利申请和授权信息，分析专利的类型分布、技术领域分布等，为研究科技创新的技术产出提供依据。政府部门发布的统计报告同样具有重要价值。各地方政府的科技部门发布的科技创新发展报告，详细介绍了本地区的科技创新政策、创新成果以及创新主体的发展情况等。这些报告不仅提供了具体的数据信息，还包含了对当地科技创新形势的分析和解读，有助于深入了解科技创新的实际情况。例如，某些地区的科技创新发展报告中会提及当地政府为鼓励科技创新所出台的政策措施，以及这些政策对企业创新投入和产出的影响，这些信息对于研究政策环境对科技创新效率的影响具有重要参考价值。在数据处理阶段，首先进行数据标准化处理。由于不同指标的量纲和数量级存在差异，如研发经费的单位通常为万元，而专利申请量的单位为件，这种差异会对评价结果产生影响。因此，采用标准化方法消除量纲影响，使各指标数据具有可比性。常见的标准化方法包括Z-score标准化、极差标准化等。Z-score标准化是将数据进行标准化转换，使其均值为0，标准差为1，转换公式为z_i=\frac{x_i-\overline{x}}{\sigma}，其中z_i为标准化后的数据，x_i为原始数据，\overline{x}为数据的均值，\sigma为数据的标准差。极差标准化则是将数据映射到[0,1]区间内，转换公式为y_i=\frac{x_i-x_{min}}{x_{max}-x_{min}}，其中y_i为标准化后的数据，x_i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。对于缺失值的处理，根据数据的特点和缺失情况，采用不同的方法。如果缺失值较少，可以采用均值填充法、中位数填充法或回归填充法等进行处理。均值填充法是用该指标所有非缺失值的均值来填充缺失值；中位数填充法则是用中位数来填充缺失值；回归填充法是通过建立回归模型，利用其他相关变量来预测缺失值。例如，对于某地区某一年份的研发人员数量存在缺失值的情况，如果该地区其他年份的研发人员数量数据较为稳定，可以采用均值填充法，用该地区其他年份研发人员数量的均值来填充缺失值。如果缺失值较多，且缺失值的分布具有一定的规律性，可能需要考虑重新收集数据或采用更复杂的处理方法，如多重填补法等。多重填补法是通过多次模拟生成多个填补值，然后对这些填补值进行综合分析，以提高填补结果的准确性。通过以上数据收集与处理过程，能够确保用于基于网络DEA的科技创新效率评价的数据具有较高的质量和可靠性，为后续的实证分析和研究结论的得出提供有力保障。在实际应用中，应根据具体的研究需求和数据特点，灵活选择合适的数据收集渠道和处理方法，以获取更准确、更有价值的研究结果。四、基于网络DEA的科技创新效率评价方法4.1网络DEA模型选择在对科技创新效率进行评价时，模型的选择至关重要，它直接影响评价结果的准确性和可靠性。结合科技创新过程的特点以及本研究的数据特征，选用链式网络DEA模型，主要基于以下几方面的考虑。科技创新过程具有明显的阶段性和链式特征。从研发投入到知识创造，再到成果转化和产业化应用，各阶段依次递进，前一阶段的产出作为后一阶段的投入，呈现出清晰的链式结构。例如，在生物医药领域，科研人员首先投入大量的时间和资金进行基础研究，产生新的知识和技术成果，如专利、论文等。这些知识成果随后成为新药研发的基础，经过临床试验、审批等环节，最终实现新药的产业化生产和市场销售。这种链式结构使得链式网络DEA模型能够很好地契合科技创新过程，准确地刻画各阶段之间的投入产出关系。链式网络DEA模型能够充分考虑各阶段之间的关联关系。在传统的DEA模型中，决策单元被视为一个黑箱，忽略了内部各阶段的相互作用。而链式网络DEA模型将科技创新过程划分为多个阶段，通过中间产品或中间活动将各阶段紧密连接起来，能够全面反映各阶段之间的资源流动和转化效率。例如，在评价某地区的科技创新效率时，链式网络DEA模型可以分析研发投入转化为知识创造的效率，以及知识创造进一步转化为经济产出的效率，从而找出影响整体科技创新效率的关键环节。从数据特征来看，本研究收集的数据能够清晰地划分出科技创新的不同阶段以及各阶段的投入产出指标，这为链式网络DEA模型的应用提供了数据基础。例如，通过统计年鉴和科研数据库，可以获取到某地区在一定时期内的研发人员投入、研发经费投入等研发阶段的输入数据，以及专利申请量、论文发表量等知识创造阶段的输出数据；同时，也能获取到新产品销售收入、技术转让收入等成果转化阶段的输出数据。这些数据的完整性和可获取性使得链式网络DEA模型能够准确地计算各阶段的效率和整体效率。链式网络DEA模型在科技创新效率评价领域具有一定的应用优势和实践经验。已有研究表明，该模型在分析科技创新过程的效率时，能够提供更详细、更深入的信息，为政策制定者和企业管理者提供更有针对性的决策依据。例如，一些学者运用链式网络DEA模型对高新技术产业的科技创新效率进行评价，发现该模型能够有效地识别出产业发展中的薄弱环节，如研发成果转化效率低下等问题，从而为产业政策的调整和企业创新策略的优化提供了方向。链式网络DEA模型在考虑科技创新过程的阶段性、各阶段关联关系以及数据特征等方面具有显著优势，能够更准确、全面地评价科技创新效率，为后续的实证分析和政策建议提供有力的支持。4.2模型参数设定与求解在确定采用链式网络DEA模型后，合理设定模型参数是确保准确评价科技创新效率的关键环节。模型参数的设定不仅要考虑科技创新过程的特点，还要结合实际数据情况和研究目的，以保证模型的科学性和有效性。在权重限制方面，为了确保模型结果的合理性和稳定性，对各阶段的投入产出权重施加了一定的约束条件。一方面，为了避免权重的不合理分配，采用了非负约束，即各阶段投入产出的权重系数均大于等于0。这是因为权重系数代表了各指标在效率评价中的相对重要性，非负约束符合实际意义，确保每个指标都能在效率评价中起到正向或至少非负向的作用。在研发投入阶段，研发人员和研发经费的权重不能为负，因为增加这两项投入通常会对科技创新产生积极影响，不可能出现负向贡献。另一方面，为了使权重具有可比性，对权重进行了归一化处理，即各阶段所有投入或产出指标的权重之和为1。这样可以避免某些指标的权重过大或过小，导致对效率评价结果产生不合理的影响。在知识创造阶段，专利申请量和论文发表量的权重之和为1，保证了这两个产出指标在评价知识创造效率时具有相对合理的重要性。规模报酬假设是模型参数设定的另一个重要方面。规模报酬反映了生产过程中投入与产出之间的关系，不同的规模报酬假设会对效率评价结果产生显著影响。在本研究中，考虑到科技创新活动的复杂性和多样性，采用了规模报酬可变（VRS）的假设。规模报酬可变假设认为，在科技创新过程中，随着投入要素的增加，产出的增长比例并非固定不变，而是会受到多种因素的影响，如技术水平、管理能力、创新环境等。在某些地区的科技创新活动中，当研发投入增加到一定程度后，由于创新资源的整合难度加大、创新管理效率低下等原因，产出的增长速度可能会逐渐放缓，出现规模报酬递减的现象；而在另一些地区，由于良好的创新生态系统和高效的创新管理机制，随着研发投入的增加，产出可能会呈现出规模报酬递增的趋势。相比之下，规模报酬不变（CRS）假设过于理想化，它假设投入与产出始终保持固定的比例关系，这在实际的科技创新过程中很难成立。因此，采用规模报酬可变假设更符合科技创新的实际情况，能够更准确地评价科技创新效率。在完成模型参数设定后，运用选定的求解算法对模型进行求解，以得到科技创新效率评价结果。本文选用基于线性规划的求解算法，如前文所述，线性规划算法能够在满足一系列约束条件的情况下，求解目标函数的最优值。在链式网络DEA模型中，通过构建线性规划模型，将各阶段的投入产出关系以及权重限制等约束条件纳入其中，求解该模型即可得到每个决策单元（如地区、行业或企业）在各阶段的效率值以及整体的科技创新效率值。具体求解过程如下：首先，根据设定的模型参数和收集到的科技创新投入产出数据，构建线性规划模型。将研发投入阶段的输入指标（如研发人员数量、研发经费投入等）、知识创造阶段的中间产出指标（如专利申请量、论文发表量等）以及成果转化阶段的最终产出指标（如新产品销售收入、技术转让收入等）按照链式网络DEA模型的结构进行组织，形成线性规划模型的约束条件。同时，将各阶段的效率值作为目标函数，通过最大化或最小化目标函数来求解最优的效率值。然后，运用专业的线性规划求解软件（如Lingo、Matlab等）对构建好的模型进行求解。这些软件具有高效的计算能力和优化算法，能够快速准确地找到线性规划模型的最优解。在使用Lingo软件求解时，只需按照软件的语法规则输入模型的约束条件和目标函数，即可得到各决策单元的效率值。最后，对求解得到的效率值进行分析和解读。根据效率值的大小判断各决策单元在科技创新过程中的效率水平，效率值越接近1，表示该决策单元的效率越高，越接近生产前沿面；效率值小于1，则表示该决策单元存在改进的空间，需要进一步优化投入产出结构，提高科技创新效率。同时，还可以对各阶段的效率值进行比较分析，找出影响整体科技创新效率的关键阶段和因素，为制定针对性的政策措施提供依据。4.3评价结果分析与解读通过运用链式网络DEA模型对收集的数据进行计算，得到了各决策单元在科技创新过程中的效率值，包括整体效率值以及研发投入、知识创造和成果转化等各阶段的效率值。这些效率值为深入分析科技创新效率提供了关键依据，有助于揭示科技创新过程中的优势与不足，为制定针对性的政策措施提供参考。从整体效率值来看，不同决策单元之间存在显著差异。部分决策单元的整体效率值较高，接近或达到1，表明这些决策单元在科技创新过程中实现了资源的有效配置，处于相对高效的状态。以某地区的高新技术产业园区为例，该园区内的一些企业在科技创新方面表现出色，其整体效率值达到了0.9以上。进一步分析发现，这些企业在研发投入阶段，能够吸引大量高素质的研发人才，投入充足的研发经费，为科技创新提供了坚实的基础；在知识创造阶段，注重技术创新和知识积累，取得了丰硕的专利和论文成果；在成果转化阶段，具备完善的市场推广和营销体系，能够快速将创新成果推向市场，实现经济效益的最大化。这些企业通过优化各阶段的资源配置和创新管理，提高了科技创新的整体效率，成为行业内的标杆。然而，也有相当一部分决策单元的整体效率值较低，存在较大的提升空间。对于这些效率值较低的决策单元，深入分析其各阶段效率值，发现存在多种影响整体效率的因素。在研发投入阶段，一些决策单元的研发人员数量不足或素质不高，研发经费投入相对较少，导致科技创新的基础薄弱。某地区的一些中小企业，由于资金和人才的限制，研发人员数量仅占员工总数的5%左右，研发经费投入占营业收入的比例也较低，仅为3%左右。这使得这些企业在技术创新方面面临较大困难，难以产生具有竞争力的创新成果。在知识创造阶段，部分决策单元的创新能力不足，专利申请量和论文发表量较少，且质量不高。一些企业虽然投入了一定的研发资源，但由于缺乏有效的创新管理机制和创新文化，研发人员的创新积极性不高，导致知识创造效率低下。在成果转化阶段，一些决策单元面临着市场推广困难、技术转移不畅等问题，导致创新成果无法顺利转化为经济效益。某些科研机构虽然在科研方面取得了一些成果，但由于缺乏与企业的有效合作，无法将科研成果进行产业化应用，造成了资源的浪费。从投入产出的冗余和不足角度来看，通过对模型计算结果的进一步分析，可以发现一些决策单元在投入方面存在冗余现象。在研发投入阶段，部分决策单元的研发人员和研发经费存在过度投入的情况，但产出并没有相应增加，导致资源浪费。某企业在研发人员数量上超出了实际需求的20%，研发经费投入也比同行业平均水平高出30%，但专利申请量和新产品销售收入并没有明显增加。这可能是由于企业在研发管理方面存在问题，如研发项目管理不善、研发人员分工不合理等，导致研发资源的利用效率低下。在产出方面，一些决策单元存在产出不足的问题，即未能充分发挥投入资源的潜力，实现应有的产出。某些地区在科技创新过程中，虽然投入了大量的研发资源，但由于缺乏有效的创新激励机制和创新服务体系，导致专利申请量和新产品销售收入较低，科技创新成果的转化率不高。对这些评价结果的深入解读，为科技创新决策提供了重要参考。对于整体效率较高的决策单元，可以总结其成功经验，进行推广和借鉴。鼓励其他企业加强研发人才培养和引进，加大研发经费投入，优化研发管理流程，提高知识创造和成果转化能力。对于效率较低的决策单元，应针对其存在的具体问题，制定相应的改进措施。加大对中小企业的扶持力度，通过政策引导和资金支持，帮助企业增加研发人员数量，提高研发经费投入，提升企业的创新能力；加强对科研机构和企业的创新管理培训，建立有效的创新激励机制，激发研发人员的创新积极性，提高知识创造效率；完善技术转移和成果转化服务体系，加强产学研合作，促进创新成果的产业化应用，提高成果转化效率。针对投入产出的冗余和不足问题，应加强资源配置的优化和管理，避免资源的浪费，提高资源利用效率。通过合理调整研发人员数量和研发经费投入，优化研发项目布局，提高研发资源的利用效率；加强对科技创新成果的市场推广和应用，提高产出水平，实现科技创新的经济效益最大化。五、实证分析5.1案例选择与数据来源为深入探究基于网络DEA的科技创新效率评价方法的实际应用效果，本研究选取某国家级高新区作为案例进行实证分析。某国家级高新区作为区域科技创新的核心载体，汇聚了大量的高新技术企业、科研机构和创新人才，在推动区域经济发展和科技创新方面发挥着重要作用，具有典型性和代表性。该高新区成立于[具体年份]，经过多年的发展，已形成了以[主导产业1]、[主导产业2]和[主导产业3]等为主导的产业集群，拥有完善的科技创新体系和良好的创新生态环境。在数据来源方面，主要通过以下途径获取相关数据。高新区管理委员会发布的年度统计报告，这些报告详细记录了高新区内企业的基本情况、经济指标、科技活动投入与产出等数据，为本研究提供了全面的基础数据支持。以年度统计报告中的研发投入数据为例，其中明确列出了高新区内企业在不同年份的研发经费支出总额、研发人员数量及其学历结构等信息，这些数据对于准确评估科技创新的投入状况具有重要价值。科技统计年鉴也是重要的数据来源之一。《中国科技统计年鉴》以及所在省份的科技统计年鉴，涵盖了丰富的科技统计数据，包括专利申请量、授权量、科技论文发表量等，这些数据能够直观地反映高新区的科技创新成果。通过对科技统计年鉴的查询，可以获取不同年份高新区内企业的专利申请和授权信息，分析专利的类型分布、技术领域分布等，为研究科技创新的技术产出提供依据。此外，还通过实地调研和企业问卷调查的方式，收集了部分企业的详细信息，如企业的创新投入、创新产出、创新管理模式等。在实地调研过程中，与企业的研发负责人、技术骨干等进行深入交流，了解企业在科技创新过程中遇到的问题和挑战，以及企业的创新实践和经验。通过企业问卷调查，获取了企业在研发经费投入、新产品销售收入、技术创新合作等方面的具体数据，进一步丰富了研究数据。在问卷调查中，针对企业的研发合作情况，设置了多个问题，包括合作对象、合作方式、合作成果等，这些问题的答案为研究企业的创新合作模式和创新效率提供了详细的信息。通过以上多渠道的数据收集，确保了本研究数据的全面性、准确性和可靠性，为基于网络DEA的科技创新效率评价提供了坚实的数据基础。在实际应用中，应根据具体的研究需求和数据特点，灵活选择合适的数据收集渠道和方法，以获取更准确、更有价值的研究结果。5.2基于网络DEA的科技创新效率评价过程在确定了案例高新区和数据来源后，运用链式网络DEA模型对该高新区的科技创新效率进行评价。首先，明确投入产出指标，投入指标包括研发人员数量、研发经费投入、科研设备价值等，产出指标涵盖专利申请量、科技论文发表量、新产品销售收入等。在构建链式网络DEA模型时，充分考虑科技创新过程的阶段性和链式特征。将科技创新过程划分为研发投入、知识创造和成果转化三个主要阶段。在研发投入阶段，以研发人员数量、研发经费投入和科研设备价值作为输入指标；知识创造阶段，将研发投入阶段的产出，即专利申请量和科技论文发表量作为输入，同时考虑该阶段新投入的研发资源，如研发项目的数量等，以专利授权量和高质量科技论文数量作为输出；成果转化阶段，将知识创造阶段的产出作为输入，结合市场推广投入、生产设备投入等，以新产品销售收入和技术转让收入作为输出。通过这种方式，清晰地刻画了各阶段之间的投入产出关系和链式结构。模型参数设定方面，对各阶段的投入产出权重施加非负约束和归一化处理，确保权重的合理性和可比性。采用规模报酬可变的假设，以更符合科技创新活动的实际情况。在实际操作中，利用专业的线性规划求解软件（如Lingo、Matlab等）对模型进行求解。以Lingo软件为例，按照软件的语法规则，准确输入模型的约束条件和目标函数，包括各阶段的投入产出指标、权重限制以及规模报酬假设等条件，通过软件的优化算法，快速得到每个决策单元（即高新区内的企业或机构）在各阶段的效率值以及整体的科技创新效率值。经过计算，得到了该高新区内各决策单元在不同阶段的效率值。以某企业A为例，其研发投入阶段的效率值为0.8，知识创造阶段的效率值为0.75，成果转化阶段的效率值为0.7。整体效率值为0.72，表明该企业在科技创新过程中存在一定的改进空间。进一步分析发现，在研发投入阶段，虽然企业投入了大量的研发人员和经费，但由于研发项目管理不善，部分研发资源未能得到充分利用，导致效率未达到最优。在知识创造阶段，企业的创新能力有待提高，专利申请的成功率和论文的质量还有提升的潜力。在成果转化阶段，市场推广力度不足，导致新产品销售收入未达到预期水平，影响了整体的科技创新效率。通过对各决策单元效率值的分析，可以全面了解该高新区科技创新效率的现状和存在的问题，为后续提出针对性的改进措施提供了有力的依据。5.3结果讨论与启示通过对某国家级高新区的实证分析，深入了解了该高新区科技创新效率的现状和存在的问题，这些结果不仅对该高新区的科技创新发展具有重要指导意义，也为其他地区和行业提供了有益的借鉴和启示。从实证结果来看，该高新区整体科技创新效率呈现出一定的不均衡性。部分企业和机构在科技创新方面表现出色，其整体效率值较高，处于相对高效的状态。这些高效主体在研发投入阶段，注重人才培养和引进，拥有高素质的研发团队和充足的研发经费，能够为科技创新提供坚实的基础。在知识创造阶段，积极开展科研合作，加强与高校、科研机构的交流与合作，充分利用各方资源，提高创新能力，取得了较多高质量的专利和论文成果。在成果转化阶段，具备敏锐的市场洞察力和强大的市场推广能力，能够快速将创新成果推向市场，实现经济效益的最大化。以高新区内的一家人工智能企业为例，该企业与多所高校建立了产学研合作关系，共同开展人工智能技术的研发和应用。通过合作，企业不仅获得了高校的科研成果和人才支持，还能够及时了解市场需求，将研发成果迅速转化为实际产品，取得了良好的经济效益和社会效益。然而，也有相当一部分企业和机构的科技创新效率较低，存在较大的提升空间。在研发投入阶段，一些企业面临着研发人员短缺、研发经费不足的问题，导致科技创新的基础薄弱。某小型科技企业由于资金有限，无法吸引到足够的研发人才，研发人员数量仅占员工总数的10%左右，且研发经费投入占营业收入的比例也较低，仅为5%左右。这使得该企业在技术创新方面面临较大困难，难以开展深入的科研工作，创新成果也较为有限。在知识创造阶段，部分企业的创新能力不足，专利申请量和论文发表量较少，且质量不高。一些企业虽然投入了一定的研发资源，但由于缺乏有效的创新管理机制和创新文化，研发人员的创新积极性不高，导致知识创造效率低下。在成果转化阶段，一些企业存在市场推广困难、技术转移不畅等问题，导致创新成果无法顺利转化为经济效益。某些科研机构虽然在科研方面取得了一些成果，但由于缺乏与企业的有效合作，无法将科研成果进行产业化应用，造成了资源的浪费。基于以上分析，为提高该高新区的科技创新效率，提出以下针对性的政策建议：加大研发投入：政府应进一步加大对高新区的财政支持力度，设立科技创新专项资金，用于鼓励企业增加研发投入。通过税收优惠、财政补贴等政策措施，引导企业加大对研发人员的培养和引进，提高研发经费投入占营业收入的比例。对研发投入达到一定比例的企业给予税收减免，对新引进的高端研发人才给予住房补贴和科研经费支持。提升创新能力：加强高校、科研机构与企业之间的合作，建立产学研协同创新机制，促进知识和技术的流动与共享。鼓励企业积极参与高校和科研机构的科研项目，共同开展关键技术攻关，提高创新能力和创新成果的质量。支持高校和科研机构在高新区内设立研发中心和技术转移机构，加速科研成果的转化和应用。完善成果转化机制：建立健全技术转移服务体系，培育专业的技术转移机构和人才，为企业提供技术评估、技术交易、知识产权保护等一站式服务。加强对成果转化的政策支持，通过设立成果转化基金、风险投资等方式，降低企业的成果转化风险，提高成果转化的成功率。鼓励企业与金融机构合作，开展科技金融创新，为成果转化提供资金支持。优化创新环境：加强高新区的基础设施建设，完善科技服务平台，为企业提供良好的创新条件。营造良好的创新文化氛围，鼓励创新、宽容失败，激发企业和科研人员的创新积极性。加强知识产权保护，严厉打击侵权行为，维护创新主体的合法权益。建立健全人才激励机制，为人才提供良好的发展空间和待遇，吸引和留住优秀人才。从更广泛的视角来看，这些结论和建议对于其他地区和行业的科技创新发展也具有重要的启示意义。在科技创新过程中，应注重资源的合理配置，避免资源的浪费和闲置。要充分发挥政府的引导作用，制定科学合理的政策措施，为科技创新创造良好的环境。同时，企业和科研机构应加强自身建设，提高创新能力和管理水平，积极开展合作，实现优势互补，共同推动科技创新的发展。不同地区和行业应根据自身的特点和发展需求，制定适合本地的科技创新战略，充分发挥自身的优势，提高科技创新效率，实现经济的高质量发展。六、应用拓展与实践6.1网络DEA在科技创新政策评估中的应用科技创新政策作为政府引导和推动科技创新的重要手段，其实施效果直接关系到科技创新的发展水平和质量。运用网络DEA方法对科技创新政策的实施效果进行评估，能够深入分析政策对科技创新效率的影响，为政策的调整和优化提供科学依据。在评估科技创新政策对研发投入阶段的影响时，网络DEA方法可以通过对比政策实施前后研发人员、研发经费等投入指标的变化，以及这些投入在知识创造阶段的转化效率，来判断政策的有效性。在某地区实施鼓励企业加大研发投入的政策后，通过网络DEA模型分析发现，该地区企业的研发人员数量和研发经费投入显著增加，且在知识创造阶段，专利申请量和论文发表量的增长幅度也较为明显，表明该政策在促进研发投入和知识创造方面取得了一定成效。然而，如果在分析中发现虽然研发投入增加了，但知识创造阶段的产出并没有相应提高，可能意味着政策在引导研发资源有效配置方面存在不足，需要进一步优化政策措施，加强对研发过程的管理和监督，提高研发资源的利用效率。对于知识创造阶段，网络DEA方法可以评估政策对创新能力提升的影响。政策对科研机构和企业之间合作的促进作用，通过分析合作项目的数量、合作成果的质量等指标，结合知识创造阶段的效率变化，判断政策是否有效地促进了知识的共享和创新能力的提升。在某些政策鼓励下，科研机构与企业加强合作，共同开展科研项目。运用网络DEA方法评估发现，合作项目产生的专利和论文质量更高，知识创造阶段的效率得到提升，说明政策在促进知识创造和创新能力提升方面发挥了积极作用。相反，如果发现合作项目虽然增多，但知识创造效率并未明显提高，可能需要进一步完善政策，明确合作各方的权利和义务，加强合作机制的建设，提高合作的效率和效果。在成果转化阶段，网络DEA方法能够分析政策对创新成果转化为经济效益的影响。通过比较政策实施前后新产品销售收入、技术转让收入等产出指标的变化，以及这些产出与知识创造阶段投入的关联效率，评估政策在推动创新成果商业化方面的效果。某地区出台了一系列促进科技成果转化的政策，实施后通过网络DEA模型评估发现，新产品销售收入和技术转让收入显著增加，且成果转化阶段的效率明显提高，表明政策在促进创新成果转化为经济效益方面取得了良好效果。如果发现政策实施后成果转化效率没有明显提升，可能需要进一步优化政策，完善成果转化服务体系，加强对企业的市场引导和支持，提高创新成果的市场竞争力。网络DEA方法还可以通过对不同地区或行业的科技创新政策实施效果进行比较分析，找出政策实施过程中的优势和不足，为政策的推广和调整提供参考。在不同地区实施相同的科技创新政策后，利用网络DEA方法分析各地区的科技创新效率变化情况，发现某些地区政策效果显著，而另一些地区效果不佳。通过深入分析这些地区的差异，如创新环境