DEA交叉评价

DEA交叉评价（精选4篇）

DEA交叉评价 第1篇

化工园区是现代化学工业为适应资源或者原料转换,顺应大型化、集约化、最优化和效益最大化发展趋势的产物[1],其发展已成为国民经济中的主要支柱。然而,由于化工园区物料的集中性、工艺的复杂性、产品的危险性等特点,致使园区一旦发生事故将会造成严重的人员伤亡、财产损失以及环境破坏等惨重后果。事故后果的严重程度不仅与事故本身大小和剧烈程度有关,也与受事故影响的区域系统脆弱性密切相关。脆弱性是指对危险暴露程度及其易感性和抗逆力尺度的考量,是决定事故性质与强度的基本要素[2]。

从灾害学原理来看,工业事故的发生可看作区域系统的致灾因子、孕灾环境和承灾体共同作用的结果。从“投入—产出”角度对化工园区区域系统进行分析,事故后果是致灾因子、承灾体和孕灾环境相互作用的结果,化工园区脆弱性可认为是事故发生过程中区域成灾“效率”的反映( 图1) 。脆弱性越大,区域成灾“效率”越高,则易导致事故或事故损失越严重; 脆弱性越小,区域成灾“效率”越低,不易导致事故或事故后果相对较轻[3]。通过对国内外化工园区风险评估研究成果的分析可以看出,近年来根据园区脆弱性对化工园区进行风险评估的研究相对较少,或者多数为定性分析,评价结果置信度不高。数据包络分析( Date Envelopment Analysis,简化DEA) 评价法是对多投入与多产出问题进行评价的有效方法,而且不需要预先计算权重,能够避免主观因素的影响使评价结果更具说服力。因此本文将使用DEA对抗交叉评价模型对化工园区脆弱性进行定量评价,为化工园区的管理者和园区决策者提供科学的依据。

1 DEA对抗交叉评价模型介绍

DEA的核心思想是,通过计算各决策单元的多指标输入的加权和与多指标输出的加权和之比来决定该单元的有效性。其最大优点在于不需要预先估计权重参数和函数模型,且不受计量单位的影响不需要进行数据无量纲化处理,提升了评价的客观性又减少了计算工作量。但该方法不能将每个单元进行优劣排序。为了继承DEA模型的优点又避免其缺点,本文建立了DEA对抗交叉评价模型,其基本原理是: 利用决策单元之间自评和他评体系来代替自我评价体系,然后将每个决策单元自评和他评值综合成最终的评价值[4]。

设有n个决策单元( DMUi) ( 1≤n≤i) ,每个DMUi有m项输入和s项输出,输入变量xi= ( x1i,x2i…xmi)T,输出变量yi= ( y1i,y2i…ysi)T( xri,yji> 0 ) 。记v = ( v1,v2…vm)T,u = ( u1,u2…us)T分别是输入和输出的权向量( u,v≥0) 。建立DEA对抗交叉评价模型的步骤:

1) 用DEA经典C2R模型( 1) 对第i0个决策单元进行自我评价( 1≤i0≤n) 。

利用Charnes-Cooper变换,令,w=tv,μ= tu ,可将式( 1) 转换为一个等价的线性规划问题:

设线性规划( 2) 有最优解ui*和vi*( 称为DMUi的最佳权重,记作wi*= ( vi*,ui*) ,则最优值hi i= YiTui*为DMUi的自我评价效率值。

2) 给定i ∈ { 1,2,…,n} ,k ∈ { 1,2,…,n} ,解如下线性规划:

3) 利用线性规划的最优解v*ik和u*ik求出交叉评价值:

4) 由交叉评价值构成交叉评价矩阵:

其中,主对角元素hii为自我评价值; 非主对角元素hik( k≠i) ,第j列是各决策单元对DMUi的评价值,值越大说明DMUi越优,第i行是DMUi对其他决策单元的评价值,值越小DMUi越优。衡量DMUi的优劣可用第j列的平均值:

式中: hj为各决策单元对DMUi的总评价,hj越大说明DMUi越优。

在化工园区事故系统中,当效率值hj越接近于1,表示园区成灾效率越高,即脆弱性越高; 反之,园区脆弱性越小。当效率值等于1,表示园区的投入产出达到了综合效率最优或最大化,即在事故发生时该园区遭受的破坏效应程度达到最大化,脆弱性水平达到最高。

2 模型指标体系的建立与指标量化

2. 1 模型指标体系的建立

1) 园区固有危险性

园区固有危险是园区事故发生的主要致灾因子,固有危险水平越大,化工园区的事故危险性越强。固有危险指园区内物料生产活动中所必备的条件所产生的危险性,它一般来自于生产活动中所需要的危险物料、具有危险性的工艺和危险生产装置[5]。因此,本文通过危险物质的性质、危险物质的能量、毒性物质的危害程度、生产装置危险性、工艺过程的危险性等指标衡量园区固有危险性。

2) 园区承灾体脆弱性

承灾体脆弱性指各种承灾体应对外部致灾因子打击的固有敏感性,能够反映园区发生事故时可能受到的损失程度[6]。化工园区脆弱性目标主要包括人员、设施和环境( 见表1) 。因此,本文将化工园区脆弱性目标作为园区承灾体。通过人员暴露密度、人员年龄结构、人员安全培训情况、设施暴露情况、设施功能重要性、设施抗冲击能力、环境暴露情况、环境功能重要程度等指标衡量化工园区承灾体脆弱性水平。

3) 事故损失程度

化工园区由于其工艺的复杂性、物料的集中性、设施的密集性、产品的危险性等特点,一旦发生危险极易造成群死群伤和巨额财产损失的严重后果。因此衡量事故损失程度最直接的指标为人员伤亡情况和直接经济损失值。

综合以上分析,本文构建的化工园区脆弱性指标体系如表2 所示。

根据所建化工园区脆弱性指标体系可以看出,在园区现有的危险性和脆弱性水平下,当事故损失程度越严重,说明成灾效率越高,即脆弱性越大。所以,化工园区脆弱性DEA对抗交叉评价模型的输入输出因素如表2所示。

2. 2 指标量化

1) 危险物质的性质。依据《危险货物分类和品名编号》( GB6944 - 2012)[7]将园区危险化学品性质分为毒性、爆炸性、可燃性、腐蚀性。园区危险化学品具备几种危害性质,该指标量化值即为几。园区危险化学品没有以上性质,记为0。

2) 危险物质的能量。根据《危险化学品重大危险源辨识》( GB18218 - 2009)[8]确定单元内重大危险源。将危险化学品重大危险源的数量作为该指标量化值。无重大危险源时记为0。

3) 毒性物质的危害程度。依据《职业性接触毒物危害程度分级》( GBZ230 - 2010)[9]对有毒物质危害程度进行分级,当园区内无毒性物质记为0,当毒性物质的危害程度为轻度危险时记为1,中度危险时记为2,高度危险时记为3,极度危险时记为4。

4) 生产装置危险性。生产装置危险性可根据生产装置火灾爆炸危险指数等级来量化。根据“火灾、爆炸危险指数”法( MOND) 确定园区内危险装置火灾爆炸危险系数,当危险系数评级为非常大,记为5,很大记为4,中等记为3,较轻记为2,很轻记为1。

5) 工艺过程危险性。根据《国家安全监管总局关于公布第二批重点监管危险化工工艺目录和调整首批重点监管危险化工工艺中部分典型工艺的通知》( 安监总管三〔2013〕3 号) 中重点监管的危险化工工艺目录,对园区工艺进行辨识。并对工艺过程的危险、有害性进行分析,判断工艺过程中危险的种类。该指标的量化值可用园区内危险工艺的危险种类进行表示。

6) 人员暴露密度。园区内人员暴露密度公式:,Pall为园区内人口总数,S为园区总面积。

7) 人员年龄结构。人员年龄结构P22可用人员年龄结构指数来表示:,P22为园区人口体能指数,Po为园区内老年( ≥65 岁) 人口数; Ph为园区内儿童( ≤14 岁) 人口数; Pall为园区内人员总数。

8) 人员安全培训情况。人员安全培训情况P23可用未接受安全培训的人员百分比来表示:,Pt表示园区内接受过安全培训的人数,Pall为园区内人员总数。P23越高,承灾体脆弱性越强。

9) 设施暴露情况。设施暴露密度M24,可用化工园区单位区域内各类设施暴露面积的百分比表示:,Sb表示园区内所有设施的暴露面积; S指化工园区总面积。

10) 设施功能重要性。化工园区中存在的功能重要性设施主要有电厂、水厂、交通枢纽等。设施功能重要性M25可用重要设施所占面积百分比表示:,Si表示园区内功能重要性设施占用面积; S指化工园区总面积。M25越大,承灾体脆弱性越高。

11) 设施的抗冲击能力。框架、砖混、钢木、土木等不同建筑结构在面对爆炸产生的冲击波时,框架结构对冲击波的承灾能力最强,因此框架结构的设施所占比例越高,设施对爆炸的抵抗能力越强,区域脆弱性表现相对较低[10]。设施的抗冲击能力M26可表示为:,Sf表示园区内所有设施占用面积,Sc为园区内框架结构设施所占面积,S指化工园区总面积。M26越大,承灾体脆弱性越高。

12) 环境暴露情况。化工园区单位面积环境脆弱性目标越多,事故发生后环境受到损害的范围越大,损失越重,园区脆弱性越高。可表示为:,Sn为环境脆弱性目标所占面积,S为化工园区总面积。

13) 环境功能重要程度。化工园区中存在农业区域、水源地等环境类型,由于这些区域肩负着区域饮水安全,粮食安全等重要功能,一旦受到泄漏物质的污染,事故损失后果越严重[10]。因此该指标可以表示为:,Si表示化工园区中农田、水源地等重要环境所占面积; S为园区总面积。

3 模型应用

本文将运用DEA对抗交叉评价模型对某省5 个化工园区的脆弱性进行评价,分别包括W市化工集中区( DMU1) 、X市化工工业园区( DMU2) 、Y市化工集中区( DMU3) 、L县石油化工工业园区( DMU4) 、J县能源化工综合利用产业园区( DMU5) 。模型中各指标数据均来自于作者参与2014 年某省安全生产委员会开展的“某省化工园区( 集中区) 安全评估工作”项目,实际采集与现场调研以及最终完成的各园区《安全评估报告》中。在化工园区脆弱性DEA对抗交叉评价模型中,5 个化工园区分别为5 个决策单元( DMUi,i = 1,2,3,4,5) 。运用MATLAB R2014a进行编程计算得到5 个园区交叉评价矩阵:

通过式⑤计算各单元的脆弱性值。根据项目工作组专家意见,本文将化工园区脆弱性等级分为4 类( 表3) 。因此,得到5 个园区脆弱性评价表( 表4) 。

成灾效率越高,脆弱性越大。根据表4 脆弱性结果可看出,5 个化工园区脆弱性: X市化工工业园区> Y市化工集中区> W市化工集中区> L县石油化工工业园区> J县能源化工综合利用产业园区。根据5 个园区脆弱性等级和优劣顺序结果,对影响园区脆弱性的因素进行如下分析。

1) 园区的选址

化工园区内汇集了大量危险化学品生产企业、石油化工产业、精细化工业等危险产业,属于高风险区域。化工园区选址不宜出现在脆弱性目标聚集的区域。J县能源化工综合利用产业园区与L县石油化工工业园区周边没有村庄、人员密集区和功能重要性设施或环境等脆弱点,园区周边环境相对简单,园区内部基本为企业工作人员。W市化工集中区内出现了学校、住宅区、酒店等多个脆弱点,这是导致该园区脆弱性等级相对较高的原因之一。

2) 功能区的划分

J县能源化工综合利用产业园区,园区分为生产设施区、公用工程区、仓储物流区等3 个功能区,园区内部未布置生活区和商贸区等区域,促进了园区内人员密集等脆弱性目标的减少。而其他园区均存在园区功能区规划不明显,或者功能区交叉的现状。例如,X市化工工业园区储存区、公用工程、管理区、生活服务区未有明显区块规划; L县石油化工工业园区生产设施和生活设施( 脆弱性目标) 等存在空间布置的严重交叉; Y市化工集中区内外部环境较复杂,集中区内存在部分社会敏感点; W市化工集中区内,存在居民区、学校、酒店等高敏感场所,存在一定程度上的生产、生活上的交叉。因此,园区进行科学合理的功能区划分,是降低园区脆弱性,保障园区安全的重要措施。园区功能区的划分可根据风险梯次分布原则进行,避免高风险区域出现生活服务区、商业区等人员密集的场所以及重要性功能的脆弱性目标点。

3) 园区内企业的布局

化工园区内的大部分企业之间相互影响,一旦发生事故,极易引起“多米诺骨牌”连锁效应,造成群死群伤的惨重后果。优化企业布局可以减弱园区风险,保障脆弱性目标的安全。优化企业布局既要形成一条优化的产业链,又要考虑相邻企业间的安全相关性,避免企业间引起“多米诺骨牌”连锁效应的发生。

4 结论

1) 本文借鉴灾害学理论,从致灾因子与承灾体角度出发构建了以园区固有危险性、承灾体脆弱性以及事故损失度为指标的化工园区脆弱性评价指标体系,并提出了各指标的量化方法。

2) 应用“成灾效率”反映了园区的脆弱性,利用DEA对抗交叉评价模型求得该效率值,对园区脆弱性进行评价。成灾效率值越高,脆弱性等级越高; 反之越小。该方法不需要人为给定各指标权重,避免了评价过程中主观因素的影响,使得化工园区脆弱性的评价更客观和科学。

3) 将该评价模型运用到某省5 个化工园区脆弱性评价中,确定了各园区的脆弱等级,并对各园区脆弱性进行了优劣排序。根据5 个园区脆弱性等级和优劣顺序结果,对影响化工园区脆弱性的因素进行了分析。合理的园区选址、功能区划分、园区内企业布局对降低园区脆弱性起着重要作用。

参考文献

[1]刘茂.化工园区重大事故风险分析[J].防灾减灾工程学报,2011,31(1):68-73.LIU Mao.Risk analysis to major accident of chemical industry parks[J].Journal of Disaster Prevention and Mitigation of Engineering,2011,31(1):68-73.

[2]刘铁民.事故灾难成因再认识—脆弱性研究[J].中国安全生产科学技术,2010,6(5):5-10.LIU Tiemin.Recognition of disaster causes-study of the vulnerability[J].Journal of Safety Science and Technology,2010,6(5):5-10.

[3]温宁,刘铁民.基于对抗交叉评价模型的中国自然灾害区域脆弱性评价[J].中国安全生产科学技术,2011,7(4):24-28.WEN Ning,LIU Tiemin.The assessment of regional vulnerability to natural disasters in China by using the aggressive-cross-evaluation model[J].Journal of Safety Science and Technology,2011,7(4):24-28.

[4]孙家森.数据包络分析的交叉效率理论方法与应用研究[D].合肥:中国科学技术大学,2014.

[5]刘华军.化工园区安全水平评价指标体系构建[D].重庆:重庆大学,2006.

[6]张斌,赵前胜.区域灾害体脆弱性指标与精细化模型研究[J].灾害学,2010,25(2):36-40.ZHANG Bin,ZHAO Qiansheng.Research of regional disaster vulnerability index and refinement model[J].Science of disaster,2010,25(2):36-40.

[7]GB6944—2012,危险货物分类和品名编号[S].2012.

[8]GB18218—2009,重大危险源辨识[S].2009.

[9]GBZ230—2010,职业性接触毒物危害程度分级[S].2010.

DEA交叉评价 第2篇

针对目前智能交通评价系统存在的问题,从系统目标的角度建立了智能交通评价指标体系,改进了以往有效区分决策单元DEA方法计算量大、过程复杂的.不足,提出了重构DEA模型,对有效决策单元进行再评价,在方法更加简单易行的情况下实现了被评价单元的全排序.并且在此基础上建立了评价指标与评价方法之间的对应关系,并列举实例进行评价、分析,对评价目标的优化改进提出了建议.

作 者：余豫新 王选仓 张和 陈骁 作者单位：余豫新,王选仓(长安大学公路学院,陕西,西安,710064)

张和(新乡市交通局,河南,新乡,453003)

陈骁(西北工业大学自动化学院,陕西,西安,710072)

DEA交叉评价 第3篇

新型城镇化重在提高质量,力求量质并举、协调发展,这是对传统模式重量不重质的纠偏,但丰富的内涵也意味着新型城镇化的统计度量成为难题。传统的人口城镇化率指标已失之偏颇,近期文献纷纷改用指标体系,如赵永平等从城镇发展的经济基础、社会功能、环境质量三方面构建新型城镇化综合评价指标体系,对我国30个省份2000 ~ 2011年的新型城镇化发展水平进行度量[1]; 王博宇等从经济动力、人口转移、基础设施、人居环境4个方面构建指标体系,对江西省各设区市2011年的新型城镇化状况进行实证分析[2]; 中国社科院项目组从城市发展质量、城镇化效率和城乡协调程度3个维度构建城镇化质量综合评价指标体系,对中国286个地级及以上城市2010年的城镇化质量进行评价[3]。

然而,上述指标体系往往将人口城镇化率指标放在最末层次,混同于其它指标,这明显有违其实际重要性。事实上从《国家新型城镇化规划( 2014 ~ 2020) 》可知,人口城镇化率仍是官方考核的重要指标1,因此构造指标体系时,人口城镇化率宜作为独立的一级指标出现,用于表征新型城镇化的数量水平,再构造其他一级指标反映城镇化的质量水平,最后综合数量和质量两个维度方能获得新型城镇化的总评值。

将指标体系用于实证研究时,考虑到中国地域宽广,各级各类城市在资源禀赋、城市发展、经济成熟度方面差别较大,放在一起评价不但有失公允,也难以提出有针对性的政策建议,因此本文仅对三线城市进行研究。三线城市在城镇化空间布局中属于区域中心或区域的重要节点,包括大多数地级市和一些经济欠发达地区的省会城市,因经济、社会发展状况较好,吸引了不少农业转移人口,且落户条件相对宽松,按照户籍制度改革“优先解决存量,有序引导增量”的原则2,这些城市正处于农业转移人口市民化的前沿阵地,对其城镇化状况的准确度量将提供有益的参考信息,使各地明确差距和改进方向,推动新型城镇化健康发展。

1 新型城镇化水平评价指标体系

我国官方目前使用的城镇化水平测度指标是人口城镇化率,这也是国际通用指标,但因我国的人口统计尚不完善,该指标的应用价值相对有限。 ( 1) 由于城镇人口的统计口径变化频繁,1982年以来的4次人口普查使用了4种不同的城镇人口口径[4],由不同口径计算的人口城镇化率几乎没有历史可比性; ( 2) 人口普查才能取得较准确的人口城镇化率数据,其余年份只能通过评估获得,评估的主要依据是年度1‰人口变动抽样调查,但人口抽样调查对人口流动情况难以准确估计,在人口流动频繁的地区往往低估人口城乡迁移流量,使得非普查年评估数据与普查结果难以衔接,不能较好地反映城镇化发展进程。

更重要的是,用人口城镇化率反映城镇化水平理论上有失偏颇。城镇化是人口向城镇聚集以及城镇不断发展完善的过程,有数量和质量两方面特征,人口城镇化率反映人口聚集程度,是城镇化最主要的数量特征; 人口聚集在城镇后,城镇满足居民生产、生活、生态需求的优劣程度,是城镇化的质量所在,也是人口城镇化率指标无法覆盖的。虽然一般来说人口向城镇聚集的程度与城镇满足居民需求的程度高度正相关,但中国有自己的特殊国情,长期存在的城乡二元制度导致独特的“半城镇化”现象,被统计为城镇人口的2. 34亿农民工及其随迁家属,未能在教育、就业、医疗、保险、保障性住房等方面与城镇居民共享基本公 共服务,说明城镇 化的“量”与“质”严重脱节,因此单一的人口城镇化率指标已不敷使用,必须构建指标体系,综合考量新型城镇化的量与质。

考虑到数据可得性,本文构建了表1的新型城镇化水平评价指标体系。新型城镇化水平被分解为数量和质量2个一级指标,前者即人口城镇化率,后者进一步分解为土地城镇化、经济城镇化、社会城镇化、绿色城镇化4个二级指标,分别反映伴随着人口聚集在城镇地域范围内发生的一系列经济社会的变化过程,其中土地城镇化指城镇面积扩大、农用地或未利用地转变为城镇建设用地的过程,土地利用方式改变使得单位面积土地能承载更多的人口和经济总量; 经济城镇化是经济关系、经济活动在地理上聚集的过程,经济聚集推动产出增长和经济结构优化升级,提升经济总量,促进第三产业比重上升; 社会城镇化是居民共享城市文明,生活方式、社会组织关系等发生相应改变的过程; 绿色城镇化是城镇建设摆脱高消耗、高排放、低效率发展模式,走节约集约利用资源、保护生态环境的可持续发展之路的过程。各二级指标根据情况又有相应分解,最终构成一个包含36项末级指标的多层次指标体系。

注: 1. ( + ) 表示正指标,( - ) 表示逆指标; 2. 括号中的数字表示权重。

其中,对社会城镇化 ( B3) 的分解是从社会的基本组成细胞——人的角度入手,新型城镇化强调以人为本、以民生改善为根本目的,而现阶段民生建设的主要内容是基本公共服务,因此本文以基本公共服务水平代表社会城镇化水平,并分析市政、社保、教育医疗、电信等4种服务,共包含17个末级指标。

本文使用的末级指标均为相对指标或平均指标,并一律按常住人口口径计算“人均”,这与现行统计方法稍有不同。我国官方的人均GDP从2005年起已修正为常住人口口径,但人均基本公共服务一般仍按户籍人口计算,如每千人卫生机构床位数等,这符合地方政府按户籍人口决定公共服务供给的传统做法,但事实上户籍人口与常住的非户籍人口都需要并实际使用这些公共服务,因此基于户籍人口的供给与基于常住人口的需求经常不匹配,容易导致歧视性供给,有违基本公共服务的均等化诉求。为了体现基本公共服务由户籍人口向常住人口全覆盖的政策导向,本文计算人均指标时按常住人口进行平均。

2 基于 DEA 交叉评价的指标体系赋权方法

在表1的多层次指标体系中,每一级指标得分是下一级指标的加权和或加权积。为了体现新型城镇化的量质并举、质量优先,本文将新型城镇化水平定义为数量水平A和质量水平B的加权几何平均,即新型城镇化水平 = A1 /3×B2 /3,其它指标 ( 不包括末级指标) 则仍按加权和的方式求取,根据指标特点选择合适的赋权方法是关键。

目前常用的赋权方法中,主观赋权法依靠评价者的知识、经验和价值导向,对各指标的相对重要性做出主观判断; 客观赋权法关注实际数据,根据指标提供的信息量大小确定权重。两类方法各具特色,可用于解决不同层次指标的赋权问题。对表1中的二、三级指标可用主观赋权,以权重大小反映政府在新型城镇化中的价值取向; 对末级指标用客观赋权,本文创造性地引入运筹学中的DEA交叉评价模型进行处理,权重的判定更为客观。

2. 1 DEA 交叉评价模型

DEA ( Data Envelopment Analysis) 即数据包络分析法,是运筹学家Charnes、Cooper、Rhode于1978年提出的效率评价方法,用于评价多投入、多产出复杂系统的综合效率。其基本模型如下:

设有n个同类决策单元 ( 简称DMU) ,均使用r种投入生产s种产出,记的投入向量为,产出向量为,则DMUi的投入产出效率Ei应为产出的加权和uTiYi与投入的加权和vTiXi之比,其中权重向量由以下模型内生决定:

该模型的实质是用最有利于EMUi的权重计算效率Ei3,为使Ei达到最大,DMUi表现较好的那些指标会得到较大权重,表现不好的指标会得到较小的甚至零权重,如此扬长避短的评价方式可称为“自评”。

“自评”使每个DMU得以彰显它在某些指标上的比较优势,有一定合理性,特别是衡量经济、社会系统的运行效率时,DMU通常是不同的城市或省份,它们类型相似,但资源禀赋、内部结构、比较优势不尽相同; 既然国家鼓励差异化发展战略,评价标准也应体现差异,应允许DMU藉由权重表达自己的比较优势。当然, “自评”也有缺陷,那些表现不佳的指标被刻意忽略就有失公允,为此Sexton等 ( 1986) 提出DEA交叉评价[5],引入互评体系以减轻DEA模型的自评弊端,使评价结果更趋客观。

DEA交叉评价的做法如下: 第一步“自评”,每个DMU根据模型 ( 1) 求出最有利自己的权重,计算自身效率 值; 第二步“他 评”,每个DMU用其他DMU的最优权重计算自身效率,得到n - 1个他评值; 第三步“平均”,对每个DMU的n个效率评价值做算术平均,作为它最终的效率评分,评分在0 ~ 1之间,值越大说明效率越高。

2. 2 基于 DEA 交叉评价的末级指标赋权

末级指标位于指标体系末梢,其加权和即上一级指标得分。为了借助DEA交叉评价模型解决末级指标赋权问题,我们引入模型 ( 1) 的一个特例:

设n个DMU均以一单位投入进行生产4,此时模型 ( 1) 退化为:

其中效率值Ei直接等于产出项的加权和;由于模型已将投入项标准化为常数1,故须为相对指标或平均指标; 为符合DEA模型“产出项越大越好”的要求[5],还必须是正指标,对逆指标应预先做正向化处理。

不妨以三级指标B31( 市政基础设施) 为例说明模型 ( 2) 用法: 首先将B31视为一个投入产出系统,以1单位虚拟投入生产6种产出C11~C16; 然后基于模型 ( 2) 进行该系统的DEA交叉评价,最终的效率评分是B31得分,即6个末级指标C11~ C16的加权和。类似地,可以计算B1、B2、B32~ B34等指标得分。

2. 3 二、三级指标主观赋权

由于表1中的二、三级指标是人为构造的抽象指标,无现成统计数据可用,因此很难用客观方法赋权,在主观判定这些指标的相对重要性时,我们主要考虑了中央政府的政策导向与数据可靠性,给出的权重如表1所示。

( 1) 新型城镇化强调“以人为本”和“生态文明”,故社会城镇化和绿色城镇化应有较高权重。

( 2) 绿色城镇化的3个组成要素中,消耗和排放是污染之源,治理只是亡羊补牢,先污染再治理不但效果不佳,经济代价也极为高昂,因此消耗和排放更值得关注,应予较高权重。

( 3) 从数据可靠性上看,市政基础设施B31本应反映城镇居民的出行与生活环境,流动人口数量较多时该环境较差,但因数据缺失,计算B31分值时未能将流动人口纳入考虑,故B31权重应适当调低以减轻误差; 类似地,电信基础设施B34本应衡量电信设施的供给水平,但供给数据如光缆线路长度等难以获得,只能用实际消费数如宽带接入用户数等代替,故B34权重也应调低以减轻误差。

3 新型城镇化水平测度———以三线城市为例

对中国城市的一 ~ 三线划分始于房地产领域,与传统的按行政级别、按人口规模划分城市相比,这种分类能够综合利用多种统计信息,客观性较强,已逐渐演变为城市综合实力与竞争力的划分方法。

划分一 ~ 三线城市的主要依据通常是城市政治地位、经济实力、城市规模、区域辐射力等多项指标,但目前尚无统一标准,不同机构往往给出不同的分类结果,如仲量联行2012年从国内280多个城市 中遴选出53个城市,将它们分为3个1线城市、9个1. 5线城市、10个二线城市和31个三线城市[7];《第一财经周刊》2013年基于综合商业指数对国内400个城市进行排名,分出15个一线城市、36个二线城市和73个三线城市[8]。由于本文研究新型城镇化水平,一般认为城镇化建设与房地产业关系较为紧密,故本文采用了仲量联行的划分结果,对石家庄等31个三线城市进行实证研究,除定量测度三线城市2012年的新型城镇化水平外,还将探寻影响城镇化水平的各种因素,以期为政 府决策提 供有益的 参考信息。

3. 1 指标说明与数据来源

根据前文设定,城镇化质量水平指的是城镇 ( 即城区和镇区) 的发展质量,但城区和镇区并非正式行政区划,而我国官方统计是以行政区划为基本单元收集和发布数据,因此城区和镇区的数据不 可得。为此本 文做了近 似处理,用市辖区代表城区,二者虽概念不同,也没有包含或被包含关系5,但一般情况下地理重合度较高; 至于镇区 因数据太 少暂无法 分析,但镇区与城区相比体量较小,且地方政府更重视城区的辐射引领作用,故本文笼统地用市辖区代表城区和镇区。

31个三线城市2012年的相关数据来自《中国城市统计年鉴———2013》、各省区市统计年鉴、各城市统计公报等。

3. 2 计算结果

将本文构建的新型城镇化水平评价指标体系应用于31个三线城市,计算结果见表2。

3. 2. 1 地域差异分析

容易发现,三线城市在地域分布上并不均衡。我国四大经济区域中,东部地区有超过1 /3的地级及以上城市属于三线或更高级别,中部地区则只有10% ( 见表3) ,这从一个侧面说明中部的塌陷之态,中部地区城市虽多但普遍不强,中心城市辐射带动能力偏弱,未来应加大中部城市群培育力度,使之成为引领地区发展的重要增长极。

从新型城镇化水平看,四大经济区域也有明显差异,东部地区的三线城市在城镇化质量和数量上均表现较好; 中部地区4个三线城市的城镇化质量相差无几,人口城镇化率却有较大不同;西部地区6个三线城市普遍具有较高的人口城镇化率,城镇化质量却不乐观。

注: 对城市的 1 ~ 3 线划分来自仲量联行的 《中国新兴城市 50 强》。

3. 2. 2 新型城镇化量与质的关系

新型城镇化强调速度和质量的相互匹配,但从图1 ( a) 可见,31个三线城市的人口城镇化率与城镇化质量水平的拟合直线斜率仅0. 107,说明城镇化的量与质严重不同步; 即使是那些发展较好的东部城市,量、质关系也不协调,图1( b) 中的拟合直线斜率仅0. 205; 其他三线城市的拟合直线斜率甚至为负,如图1 ( c) ,说明城镇化质量严重滞后于人口城镇化水平。

为进一步分析不同城市的量、质协调情况,图1 ( d) 将31个三线城市划分为4个象限6,第一象限的9个城市城镇化发展量、质俱佳,其中7个是东部城市; 第二象限城市的城镇化质量相对人口城镇化率更为乐观,未来可通过提高人口城镇化率带动城镇化总体水平上升; 第三象限城市的城镇化量与质均处于较低水准,未来应坚持速度与质量并重的发展思路; 第四象限城市的城镇化质量严重滞后于人口城镇化水平,其中除汕头外均为东北或西部城市,它们在未来发展中应更注重质量提升。

3. 2. 3 新型城镇化水平影响因素分析

从新型城镇化水平排名可见,名列前茅的那些三线城市均为经济强市,如佛山、中山、珠海、长春等,说明新型城镇化水平与城市经济实力紧密关联,如果粗略地用全市人均GDP表示一个城市的经济实力,它与城镇化水平的相关系数达到0. 562 ( 在0. 01水平上显著) ,即人均GDP提升会伴随着城镇化水平的提高。然而,人均GDP与人口城镇化率的相关性却不显著,说明人口向城镇聚集不完全出自经济力量推动,还有其他因素如行政力量、制度约束等在发挥作用。

新型城镇化重在提高质量,质量提升有赖于土地、经济、社会、绿色四方面的协调发展。从表4的相关系数矩阵可知,31个三线城市的经济城镇化和社 会城镇化 显著正相 关 ( 相关系数0. 504) ,说明这些城市的经济和社会事业发展有较好协调度,增强经济实力有助于推动城市在社会保障、教育医疗、基础设施方面的进展; 经济城镇化和土地城镇化呈现负相关,表明城市的经济发展是以土地的过度占用为代价,土地作为稀缺资源并未得到高效利用。

注: **表示在 0. 01 水平 ( 双侧) 上显著相关

新型城镇化追求城镇化和工业化的良性互动,二者同步发展是现代化建设的一个核心内容,从31个三线城市情况看,工业化和城镇化确有正向关联,如果用非农产业增加值占GDP比重表示工业化水平,则31个城市工业化水平与新型城镇化水平的相关系数为0. 510。然而,进一步分析发现,这种关联主要源于工业化与人口城镇化率的显著正相关,二者相关系数达0. 726,相比之下,工业化与城镇化质量的相关系数只有0. 123且不显著。由此可见,我国的城镇化发展确实严重滞后于工业化,且主要表现为质量滞后,工业化虽有效带动了人口向城镇聚集,但城镇尚不能有效满足聚集人口的各项需求。

新型城镇化作为统筹城乡发展、实现城乡一体化的基本途径,其水平提升应有助于缩小城乡差距,这在统计上意味着城镇化水平与城乡差异的负相关。不妨用市辖区与全市人均GDP之比表示城乡经济差异,用市辖区与全市人均卫生机构床位数之比表示城乡社会差异,二者的算术平均数定义为城乡差异度,则31个三线城市城乡差异度与新型城镇化水平的相关系数为 - 0. 173,虽为负值但数量较小,说明以城镇化带动城乡差距缩小是一个长期过程。

新型城镇化作为新时期的国家战略,被视为扩大内需的最大潜力,城镇化水平提升应有助于扩大城镇消费群体,推动消费结构不断升级,并带来城市基础设施、公共服务设施和住宅建设等投资需求。不妨用全市人均社会消费品零售总额反映消费状况,用人均固定资产投资反映投资状况,则31个三线城市的新型城镇化水平与消费显著正相关 ( 见表5) ,说明城镇化水平提升确实伴随着消费需求的扩大,但这种效应有边际递减趋势,如果将31个城市按新型城镇化水平分成两个子样本,则后16位城市城镇化与消费的关系明显较强,说明推进落后地区的城镇化更有利于扩大消费需求。但是,31个三线城市城镇化与投资的关系并不显著,可能是因为城镇化对不同类型投资的影响不同,致使混合效应不明显; 如果单从房地产投资看,城镇化与人均房地产投资仍然显著正相关,但效用同样边际递减,前15位城市的3个相关系数不但一致低于后16位城市,甚至还有负值,说明较发达地区的房地产投资已经饱和,靠房地产拉动经济增长已不可行。

注: **表示在 0. 01 水平 ( 双侧) 上显著相关,* 表示在 0. 05 水平 ( 双侧) 上显著相关。“前 15” 表示按新型城镇化水平从高到低排的前 15 位城市,“后 16”表示后 16 位城市。

4 结论与建议

中国的城镇化模式正从以往的数量扩张转向新型城镇化的量质并举,传统的城镇化水平测度指标 ( 即人口城镇化率) 已不足以反映新型城镇化的丰富内涵,需构建指标体系以完善统计监测。本文在深入分析城镇化内涵的基础上,构建了新型城镇化水平评价指标体系,根据指标特点选择了合适的赋权方法,创造性地运用运筹学中的DEA交叉评价模型解决赋权问题; 并以我国31个三线城市为例展开实证研究,通过相关分析探寻影响新型城镇化水平的各种因素,得到了一些有益的结论。

分析发现,我国的新型城镇化实践有较明显的地域差异,即使将研究视野局限于发展水平相当的三线城市,也依然呈现出城镇化质量的东、中、西依次递减格局,尤其是西部三线城市,较低的城镇化质量和较高的人口城镇化率极不匹配,中部三线城市则在城镇化质量和数量上都表现平平,中部塌陷可见一斑。因此,未来的新型城镇化进程应以中西部地区为重点,避免单纯地走中心城市带动发展战略,避免资源向单一城市的过度集中,而应在空间上形成若干中小城市紧密联系的集群,通过强化城市间的分工合作,使各城市均能享受集群发展的正外部效应,引导中西部地区人口实现就近城镇化。

DEA交叉评价 第4篇

1加权交叉效率DEA模型

数据包络分析( DEA) 方法是以相对效率为基础,针对多个被评价单位的多指标投入与产出关系而进行相对有效性评价的一种系统分析方法［6］。自该方法提出以来,就以其处理多输入- 多输出的相对有效性评价优势而广泛应用,并得以不断改进完善［7］。DEA模型的基本形式如式( 1) 所示［8］。

其中,θ 为效率值,x为输入值,y为输出值,v为输入变量的权重,u为输出变量的权重。

但这种传统的DEA模型存在自评价问题: 它让每个被评价对象用最有利于自身的权重计算效率, 夸大长处,回避缺陷,甚至部分被评价对象只重视个别优势指标的作用而忽视大部分劣势指标带来的负面影响,无法做到科学、准确地测量效率［9］。为解决这一问题,Sexton等［10］提出了交叉效率DEA方法。

交叉效率DEA模型的基本思路是: 在传统DEA模型的基础上,充分应用权重,求解同一被评价对象在不同权重向量( 其它被评价对象所选择的权重向量) 情况下的相对效率,形成效率矩阵; 而最终每一个被评价对象的效率值是不同权重向量下效率值的平均值［11］。正是考虑了一个被评价对象在另一个被评价对象所选择权重下的评价结果,所以它是 “自评”与 “它评”的结合［12］,较好地解决了自评难题。

但是,Sexton的这种交叉效率DEA方法还会存在问题,该方法存在一个潜在假设,不同的被评价对象具有同等的话语权,它们的权重相同,所以才会用代数平均值的简单处理来得到最终评价结果。 显然,这一假设值得商榷。被评价对象在DEA评价方法中既是 “裁判”也是 “队员”,“自评”体现的是 “裁判”的权力, “它评”体现的是 “队员”的权力。传统的DEA方法是每名 “队员” 只有一个 “裁判”,就是它自己; 交叉效率DEA方法是每名 “队员”有很多 “裁判”( 每名被评价对象都是 “裁判”,包括它自己) ,但每名 “裁判”都是相同的投票权。在现实的情况中,不同的 “裁判”应该是具有不同的话语权( 投票权) 的,以此体现 “裁判” 在权威性、优势等方面的差异。即,需要为不同评价对象作为 “裁判”的权力进行赋权,然后采用加权平均的方法来计算相对效率评价值,才会更科学。 此时,权重的科学赋予非常重要。

在DEA模型求解时,我们知道,一个被评价对象的效率评价值及其对应权重的确定都是以其它若干个( 一般是1 ~ 3个) 被评价对象为标准而得出的。即,在评价过程中其实就已经有一些被评价对象被赋予了 “裁判”的权力,它们具有优势、权威性,也就应该赋予更多的话语权( 投票权) 。据此, 本文在交叉效率DEA基础上就权重的确定做如下改进: 首先,公平起见,每个被评价对象都赋予一个初始的投票权; 然后,如果某一个被评价对象在评价过程中被其它被评价对象选为 “裁判”,那么它作为 “裁判”的次数越多, “投票权”也应该增加得越多,即: 新增投票权= 作为 “裁判”的次数* 投票权系数; 最后,采用归一化方法,根据被评价对象的投票权相对值确定它们的权重。

综上,可总结加权交叉效率DEA评价方法的基本步骤如下:

( 1) 根据交叉效率DEA方法,计算得到效率矩阵:

其中: θij为第i个被评价对象应用第j个被评价对象的权重计算得到的效率值,即

( 2) 计算权重向量:

其中: wj为第j个被评价对象的权重,即:

其中: pj为第j个被评价对象被作为 “裁判” ( 标准) 的次数,α 为投票权系数。一般取 α∈ [0, 1]。在CCR模型中 α 宜较小,在BCC模型中 α 可较大,因为CCR模型中作为标准的被评价对象会集中,而BCC模型中作为标准的被评价对象会相对较分散。通常可取 α = 1 /n,n为被评价对象数。

( 3) 加权平均计算效率评价值:

即,

2国家大学科技园的发展现状

国家大学科技园是以具有较强科研实力的大学为依托,将大学的综合智力资源优势与其它社会优势资源相结合,为高等学校科技成果转化与高新技术企业孵化提供支撑平台和服务的机构［13］。我国于2001年开始大规模建设大学科技园,经过十余年的发展,截至2012年已有94家国家级大学科技园通过科技部、教育部的批准认定［14］,表现出较好的发展势头,在推动高校科技成果加速转化为现实生产力方面取得了显著绩效。国家大学科技园历年的成效发展趋势如表1所示。

注: 数据来源于 《中国火炬统计年鉴》( 2013年)

与在科技成果转化与企业孵化方面取得显著增长成效相一致的是,国家大学科技园在人员、场地、 固定资产和资金等方面的投入也呈显著增长趋势, 如表2所示。

注: 数据来源于 《中国火炬统计年鉴》( 2008—2013年)

3国家大学科技园科技成果转化效率评价

3. 1国家大学科技园时间序列上的科技成果转化效率评价

将 “人员总数”、“场地面积”、“年末固定资产净值”、 “孵化基金总额” 等4个指标设为输入变量,将 “孵化企业总收入”作为输出变量,采用传统的CCR和BCC模型进行国家大学科技园总体上的历年科技成果转化效率评价,结果如表3所示。由评价结果可知,2009年是国家大学科技园科技成果转化效率最高的一年,其主要原因是该年国家大学科技园实现了高水平的孵化企业总收入; 同时,从规模收益大多数年份均为递增来看,我国大学科技园在未来应继续加大各种投入的规模,从而实现规模经济发展。当然,从评价结果还可看到,前3年的科技成果转化效率值要比后3年的相对更高,这说明随着我国在国家大学科技园上的投入力度加大, 同时也造成了一些资源上的浪费,没有充分利用这些资源,没有形成应有的产出绩效。未来在国家大学科技园上的工作应该是,一方面继续加大投入, 另一方面加强资源的管理、评估与监督,切实做到资源的科学配置与充分利用。

为了避免传统的DEA评价方法的局限性,采用加权交叉效率DEA方法( α = 1 /6) ,再次对2007— 2012年国家大学科技园科技成果转化效率进行评价,结果如图1所示。对比传统DEA和加权交叉效率DEA的评价结果可知,传统DEA的完全 “自评” 方式会带来效率的高估,而加权交叉效率DEA将 “自评”与 “它评”相结合的方式能更准确地测量效率。由评价结果可知,经过加权和交叉处理后, 国家大学科技园2007—2012年的科技成果转化综合效率与技术效率更趋于一致,它们都表现出类似的下降趋势。即,随着国家大学科技园各种投入资源的规模扩大,科技成果转化效率正在降低。由此更加可以确定,提高国家大学科技园科技创新资源的利用效率,是充分发挥国家大学科技园的科技成果转化功能、提高高校科技成果转化效率的关键。到2012年的时候,国家大学科技园的科技成果转化综合效率值仅有0. 35,而技术效率值为0. 59,综合效率值远低于技术效率值,技术效率值又远低于1的理想水平。这说明我国的国家级大学科技园存在投入规模不足、技术水平低下的双重问题,未来要在加大投入和提高技术等两方面均抓紧,才能真正提高国家大学科技园的科技成果转化效率与水平。

3. 2国家大学科技园横截面上的科技成果转化效率评价

以 “人员总数”、“场地面积”、“年末固定资产净值”、 “孵化基金总额” 等4个指标为输入,以 “在孵企业总收入”、 “在孵企业净利润”等两个指标为输出,采用加权交叉效率DEA方法对2012年57家国家级大学科技园( 2012年共有94家国家大学科技园,但只有91家提交了相关统计数据［15］, 而且有34家提供的数据存在缺失,因此,完整数据来源的国家大学科技园仅有57家) 的科技成果转化效率进行评价( α = 1 /57) ,结果如表4所示。

注: 由于交叉效率评价过程中经过了均化处理,所以可能少部分被评价对象的综合效率高于技术效率问题

由表4中可知,2012年57家国家大学科技园中科技成果转化综合效率较高的有常州市国家大学科技园、中国矿业大学( 北京) 国家大学科技园、华南理工大学国家大学科技园、东北大学国家大学科技园、北京科大国家大学科技园等,而综合效率较低的则为吉林大学国家大学科技园、中国人民大学文化科技园、北京理工大学国家大学科技园、北大科技园建设开发有限公司、武汉东湖高新区国家大学科技园等。57家国家大学科技园中科技成果转化技术效率较高的有常州市国家大学科技园、中国矿业大学( 北京) 国家大学科技园、中国农业大学科技园、华南理工大学国家大学科技园、辽宁工程技术大学科技园等,而技术效率较低的包括武汉东湖高新区国家大学科技园、合肥国家大学科技园、清华大学国家大学科技园、北大科技园建设开发有限公司、哈尔滨工程大学国家大学科技园等。国家大学科技园科技成果转化的综合效率平均值仅有0. 233,而技术效率平均值为0. 395,它们都非常低, 因此大部分国家大学科技园应该从加强投入和提高技术等方面大力提高科技成果转化效率。对于技术效率较低的国家大学科技园,应重点进行技术进步; 而对于规模效率较低( 技术效率较高,但综合效率较低) 的国家大学科技园,应重点加强资源投入; 对于技术效率与规模效率都非常低的国家大学科技园,则应该在投入与技术两方面都着意提升。

3. 3基于知识创新视角的国家大学科技园科技成果转化效率评价

科技成果转化的本质是一个知识创新过程,尤其是高校的科技成果更具有知识密集特征,知识资源的投入对于促进科技成果转化具有尤为重要的意义［16］。为此,本文基于知识创新的视角,以 “研究生( 博士生和硕士生) 人员数量”、 “孵化基金总额”和 “研发用房面积”为输入,以 “在孵企业净利润”为输出,对2012年国家大学科技园的科技成果转化效率进行评价,结果如表5所示。评价方法为加权交叉效率DEA方法,样本数量为57个( 不包括无数据或数据不全的样本) ,所用软件为DEA - Solver - Pro 5. 0。

由表5中可知,基于知识创新的视角,2012年57家国家大学科技园中科技成果转化综合效率较高的有中国石油大学国家大学科技园、西北农林科技大学国家大学科技园、中国农业大学科技园、哈尔滨工业大学国家大学科技园和昆明理工大学国家大学科技园等; 而北京理工大学国家大学科技园、北师大- 北中医国家大学科技园、北京工业大学国家大学科技园、中国人民大学文化科技园、山西中北国家大学科技园、大连理工大学国家大学科技园和宁波市大学科技园发展有限公司等国家大学科技园则因为亏损而综合效率为0。基于知识创新的视角, 57家国家大学科技园中科技成果转化技术效率较高的有西北农林科技大学国家大学科技园、昆明理工大学国家大学科技园、中国石油大学国家大学科技园、上海体育学院国家大学科技园、重庆大学国家大学科技园等; 而技术效率较低的包括清华大学国家大学科技园、华中科技大学国家大学科技园、合肥国家大学科技园、常熟国家大学科技园、南昌大学国家大学科技园等。基于知识创新的视角,国家大学科技园科技成果转化的综合效率平均值仅有0. 116,而技术效率平均值为0. 268,它们都非常低, 因此大部分国家大学科技园应该从加强知识资源投入和提高知识创新能力等方面大力提高科技成果转化效率。对于技术效率较低的国家大学科技园,应重点进行知识创新能力的提升; 而对于规模效率较低( 技术效率较高,但综合效率较低) 的国家大学科技园,应重点加强科技创新与知识资源投入; 对于技术效率与规模效率都非常低的国家大学科技园, 则应该在知识资源投入与知识创新能力两方面都着意提升。

注: 部分被评价对象综合效率为0是因为该科技园的净利润小于0,即亏损; 而其技术效率不为0, 是因为BCC模型中引入了一个新的输出指标,即常量指标1

将横截面上国家大学科技园科技成果转化效率与基于知识创新视角的转化效率均值进行对比后发现,基于知识创新视角的国家大学科技园科技成果转化效率无论是综合效率还是技术效率都要相对更低,这说明这些国家大学科技园在科技创新与知识资源等方面比普通的投入性资源方面存在更为显著的浪费。国家大学科技园应该致力于强化知识创新能力,努力依靠知识创新来提升科技成果转化效率。

4结论与建议

相对于国外几十年建设大学科技园的经验,中国的大学科技园只有短短的十几年的成长历程,可以说还处在起步和成长期［17］。由于区域经济发展和高校管理体制等方面的原因,不同的国家大学科技园在资源投入与创新能力等方面存在非常大的差异, 它们在高校科技成果转化促进能力上也会存在较大差别。本文通过对我国国家大学科技园时间序列上和横截面上的科技成果转化效率评价,让大家对国家大学科技园总体上的效率变化趋势及当前各国家大学科技园的科技成果转化效率差异有更为深入和量化的认识; 通过对知识创新视角的国家大学科技园科技成果转化效率进行评价,对国家大学科技园知识资源投入对科技成果转化效率的影响也有更多的了解。通过量化评价,发现问题,探索规律,能为加强国家大学科技园建设、提高高校科技成果转化率提供决策借鉴。根据评价结果,我们可提出以下建议:

( 1) 加大国家大学科技园的资源投入。无论是国家、区域还是高校,都要从人、财、物等方面保证和加强对国家大学科技园的资源投入。具体而言, “人”方面要加强人员聘任和充分利用,尤其是高级知识型人才、海外人才等方面的引进与培育; “财”方面要加大政府财政拨款在国家大学科技园中的比例,要充分利用企业自身的融资渠道来加强资金投入,同时还要强化资金利用效率,尤其是应保证研发与转化资金的比例;“物” 方面要从政府角度为国家大学科技园提供较为充裕的场地,同时也要在固定资产的投入与利用方面提供必要的政策支持。只有国家大学科技园的资源投入达到一定的规模,才能产生规模经济,实现规模效益,从而提高科技园内企业集群的成果转化效率,推进科技成果的产业化。

( 2) 加强资源管理与利用,提高科技创新能力与技术水平。从历年国家大学科技园的发展现状可以看出,我国国家大学科技园在人员、孵化资金和场地等资源投入方面均呈显著增长状态,但在产出方面却增长更慢,导致科技成果转化效率下降的情况出现。显然,要提高科技成果转化效率,除了要加强资源投入以外,更重要的是要加强这些投入资源的管理与充分利用,要将这些资源真正应用到科技成果的转化项目上,通过科学的科技资源配置来提高资源利用效率。另一方面,资源投入难以实现同比的成果转化效益产出,问题也出现在我国国家大学科技园存在科技创新能力与技术水平的局限性上。由于我国大学科技园还是缺乏真正具有国际领先水平的核心技术,在科技成果转化的管理技术、 营销技术、融资技术、中介技术等方面也有较大欠缺,使得我国的大学科技园与国外那些知名的大学科技园在科技成果转化方面还是存在非常大的差异。 要想实现我国国家大学科技园科技成果转化效率的质变性提升,必然要在科技创新能力和技术水平的提升上下更大功夫。

( 3) 特别重视国家大学科技园的知识资源投入与知识创新能力提升。科技成果转化的本质是知识创新,只有在充分的知识资源投入和较高的知识创新能力基础上,才能真正推动以知识密集为特征的科技成果转化。国家大学科技园科技成果转化所需的知识资源也体现在三方面: 知识型人才方面,要重视高级知识与技术人才的引进与培育,例如高薪聘请博士、硕士研究生和海外高水平人才等; 知识创新资金方面,要按照较高的比例将资金用于科技创新、研发、工艺创新等方面,实现资金与知识的双向循环转化; 知识创新物质资源方面,要加强研发用房、高端实验室等方面的建设与维护,为科技成果转化提供必要的技术设备保证。目前我国国家大学科技园基于知识创新视角的科技成果转化效率要显著低于投入- 产出视角的效率,因此,知识资源投入与知识创新能力显然是国家大学科技园科技成果转化方面的短板与障碍因素,需在知识创新方面重点关注、规划与提高。