基于DEA的辽宁省“小巨人”企业技术创新效率评价研究.docx

毕业设计（论文）

PAGE

1-

毕业设计（论文）报告

题目：

基于DEA的辽宁省“小巨人”企业技术创新效率评价研究

学号：

姓名：

学院：

专业：

指导教师：

起止日期：

基于DEA的辽宁省“小巨人”企业技术创新效率评价研究

摘要：本文以辽宁省“小巨人”企业为研究对象，运用数据包络分析（DEA）方法对其技术创新效率进行评价。通过对技术创新效率的实证分析，揭示了辽宁省“小巨人”企业在技术创新方面的优势和不足，为提高辽宁省“小巨人”企业的技术创新能力提供了理论依据和实践指导。研究结果表明，辽宁省“小巨人”企业在技术创新投入产出方面存在一定程度的效率损失，需要进一步优化资源配置，提高技术创新效率。

随着全球化的深入发展，技术创新已成为企业提高竞争力、实现可持续发展的关键因素。辽宁省作为我国重要的工业基地，拥有众多“小巨人”企业，其技术创新能力对于辽宁省乃至全国的经济发展具有重要意义。然而，当前辽宁省“小巨人”企业在技术创新过程中存在诸多问题，如技术创新投入不足、技术创新效率低下等。因此，对辽宁省“小巨人”企业技术创新效率进行评价，探讨其技术创新存在的问题，并提出相应的对策，对于提高辽宁省“小巨人”企业的技术创新能力具有重要意义。本文旨在运用数据包络分析（DEA）方法，对辽宁省“小巨人”企业技术创新效率进行评价，为提高辽宁省“小巨人”企业的技术创新能力提供理论依据和实践指导。

一、1.DEA方法概述

1.1DEA方法的基本原理

DEA（数据包络分析）是一种非参数统计方法，主要用于评估多个决策单元（DMU）的相对效率。该方法的核心思想是将决策单元的生产过程视为一个线性规划问题，通过构建一个线性规划模型，来评价各个决策单元在给定的输入和输出条件下的效率水平。DEA模型的基本原理可以概括为以下三个方面：

首先，DEA模型通过构造一个线性规划问题来模拟决策单元的生产过程。在这个问题中，每个决策单元都被视为一个生产者，其投入和产出数据构成了该决策单元的生产函数。通过最大化或最小化某个目标函数，同时满足一定的线性约束条件，DEA模型能够评估决策单元的相对效率。具体来说，DEA模型会寻找一个最优的生产规模，使得在该规模下，决策单元的产出与投入比例达到最优，从而实现效率的最大化。

其次，DEA模型采用投影方法来处理决策单元的效率评价。在DEA模型中，每个决策单元都有一个效率值，该值表示该决策单元相对于其他决策单元的效率水平。如果决策单元的效率值为1，则表示该决策单元的效率处于最优水平；如果效率值小于1，则表示该决策单元的效率存在损失。通过投影方法，DEA模型可以将效率值小于1的决策单元投影到效率前沿面上，从而揭示出决策单元的效率损失来源。

最后，DEA模型具有较好的灵活性，能够适应不同类型的数据结构和问题背景。在DEA模型中，可以通过调整模型参数来适应不同的评价需求。例如，可以通过设置不同的权重来强调某些投入或产出的重要性，或者通过调整决策单元的数量和类型来适应不同规模和类型的研究对象。此外，DEA模型还能够处理含有冗余投入和无效产出的问题，使得评价结果更加准确和可靠。

总之，DEA方法作为一种有效的效率评价工具，在多个领域得到了广泛的应用。其基本原理简洁明了，能够有效地评估决策单元的相对效率，并为决策者提供有价值的参考信息。然而，DEA模型也存在一些局限性，如对数据质量的要求较高，以及在某些情况下可能存在多解等问题。因此，在使用DEA模型进行效率评价时，需要根据具体的研究对象和问题背景进行合理的设计和调整。

1.2DEA方法的优势与局限性

(1)DEA方法的优势主要体现在其独特的评价机制和广泛的适用性。首先，DEA方法不依赖于具体的函数形式，能够处理多个决策单元在多投入多产出的情况下进行效率评价，这对于复杂的生产过程和多样化的数据结构具有很好的适应性。其次，DEA方法能够同时考虑多个投入和产出指标，使得评价结果更加全面和客观。此外，DEA方法能够识别出效率损失的具体来源，为决策者提供针对性的改进建议。最后，DEA方法具有较好的稳健性，对异常值和噪声数据具有较强的抵抗力。

(2)然而，DEA方法也存在一些局限性。首先，DEA方法对数据质量的要求较高，数据的不准确或缺失可能会影响评价结果的可靠性。其次，DEA方法在处理具有高度相关性的投入和产出指标时可能会遇到困难，因为高度相关的指标可能会导致模型估计的不稳定。此外，DEA方法在某些情况下可能存在多解问题，即多个决策单元可能具有相同的效率值，这可能会给决策者带来困惑。最后，DEA方法的解释性相对较弱，特别是在模型结果与实际生产过程之间的关联性解释上。

(3)此外，DEA方法在应用过程中也存在一些操作上的挑战。例如，在选择投入和产出指标时