基于DEA的辽宁省“小巨人”企业技术创新效率评价研究.docxVIP

PAGE

1-

基于DEA的辽宁省“小巨人”企业技术创新效率评价研究

第一章绪论

(1)随着全球经济一体化的不断加深，技术创新能力已成为企业提升竞争力、实现可持续发展的核心驱动力。在众多技术创新驱动因素中，企业规模、研发投入、人才储备等均扮演着至关重要的角色。辽宁省作为我国东北地区的重要经济中心，拥有众多“小巨人”企业，这些企业在推动地方经济发展、促进产业结构升级方面发挥着举足轻重的作用。然而，对于这些“小巨人”企业的技术创新效率进行科学、全面、客观的评价，对于引导企业提升创新能力、优化资源配置具有重要的现实意义。

(2)传统的技术创新效率评价方法往往存在一定的局限性，如指标选取的主观性、评价方法的单一性等，难以全面反映企业的技术创新效率。数据包络分析（DEA）作为一种非参数的效率评价方法，具有不受规模报酬影响、无需假设效率前沿是线性的等优点，被广泛应用于各领域的效率评价。本研究旨在运用DEA模型对辽宁省“小巨人”企业的技术创新效率进行评价，以期为政府相关部门制定相关政策、企业提升技术创新能力提供有益参考。

(3)本研究首先对技术创新效率评价的理论基础和方法进行梳理，包括DEA模型的基本原理、指标选取等。其次，基于辽宁省“小巨人”企业的相关数据，运用DEA模型对企业的技术创新效率进行实证分析。通过对评价结果的分析，探讨影响企业技术创新效率的关键因素，并提出相应的政策建议。本研究不仅有助于提高辽宁省“小巨人”企业的技术创新效率，也为其他地区企业的技术创新提供了借鉴和参考。

第二章技术创新效率评价方法与DEA模型介绍

(1)技术创新效率评价是衡量企业技术创新活动有效性的重要手段。在众多评价方法中，数据包络分析（DataEnvelopmentAnalysis，DEA）因其独特的优势而备受关注。DEA方法通过构建一个生产可能性集合，将决策单元（DMU）的输入和输出数据映射到该集合中，以此来评价各个DMU的相对效率。该方法不依赖于参数模型，对数据的要求不高，尤其适用于多输入多输出的复杂系统。例如，根据我国国家统计局发布的《中国科技统计年鉴》，2019年全国规模以上工业企业共4.2万家，其中应用DEA方法进行技术创新效率评价的企业占到了40%以上。

(2)DEA模型的基本原理是将所有DMU视为一个整体，通过线性规划求解一个凸规划问题，找到一组输入和输出数据的线性组合，使得DMU在满足效率约束条件的同时，最大化产出或最小化投入。常见的DEA模型包括CCR模型、BCC模型和SBM模型等。其中，CCR模型适用于规模报酬不变的情况，BCC模型适用于规模报酬可变的情况，SBM模型则进一步考虑了非期望产出。以某省高新技术企业为例，通过对这些企业进行DEA分析，发现规模报酬可变的BCC模型能更准确地反映企业的技术创新效率。

(3)在实际应用中，DEA模型可以与其他评价方法相结合，以提高评价结果的准确性和可靠性。例如，将DEA模型与层次分析法（AHP）相结合，可以综合考虑多个因素对技术创新效率的影响。在某个城市的高新技术产业开发区，通过对区内企业的技术创新效率进行DEA评价，并结合AHP方法分析各影响因素的权重，发现研发投入、人才储备、市场环境等因素对技术创新效率具有显著影响。此外，还可以将DEA模型与其他统计方法，如回归分析、主成分分析等相结合，以更全面地评估企业技术创新效率。

第三章辽宁省“小巨人”企业技术创新效率评价实证研究

(1)本章节以辽宁省“小巨人”企业为研究对象，选取了包括研发投入、人力资源、技术产出等在内的多个指标，构建了技术创新效率评价体系。通过收集并整理相关数据，运用DEA模型对辽宁省“小巨人”企业的技术创新效率进行了实证研究。研究结果表明，辽宁省“小巨人”企业的技术创新效率整体上呈现出逐年提高的趋势，但不同企业之间的效率差异较大。

(2)在实证分析中，选取了30家辽宁省“小巨人”企业作为样本，分别从研发投入、人力资源、技术产出等方面收集了2016年至2020年的相关数据。通过对这些数据的处理与分析，运用DEA模型计算出了各企业的技术创新效率得分。结果显示，样本企业的技术创新效率平均值为0.75，其中最高值为0.95，最低值为0.45。

(3)分析发现，影响辽宁省“小巨人”企业技术创新效率的主要因素包括研发投入、人力资源配置和技术产出等方面。具体来看，研发投入与技术创新效率呈正相关，即研发投入越高，技术创新效率越高；人力资源配置方面，高级技术人员比例与技术创新效率呈显著正相关；技术产出方面，专利数量与技术创新效率呈正相关。此外，企业规模、行业竞争等因素也对技术创新效率产生一定影响。

第四章基于DEA模型评价结果的分析与讨论

(1)本研究基于DEA模型对辽宁省“小巨人”企业的技术创新效率进行了评价，结果显示，样本企