基于DEA-BP神经网络的省区R_D投入产出效率研究.pdf

基于DEA-BP神经网络的中国高校R＆D分省区投入产出效率研究

摘要

随着全球科技竞争的日益激烈，高等教育机构，特别是高等院校（简称高校）在

科技创新体系中的作用变得十分重要。高校不仅是知识创新和技术发明的重要源泉，

也是推动国家科技进步和经济发展的关键力量。在这种背景下，提升高校的研究与发

展（简称研发）效率，优化科研资源的配置和利用，成为提高国家竞争力的关键因素

之一。然而，由于资源限制、管理体系、政策导向等多种因素的影响，不同高校及其

内部不同科研团队之间的研发效率存在显著差异。因此，科学和客观地评价高校的研

发效率并识别影响效率的关键因素，对于制定相应的政策和管理策略具有重要意义。

本文阐释了高校研发效率评价的重要作用，研究了数据包络分析（Data

EnvelopmentAnalysisDEABPBackPropagationNeural

，简称）方法及神经网络算法（

Network）相关理论，并简单结合了熵值法进行对比，指出综合运用上述模型进行高校

研发投入产出效率评价的可行性与必要性。将DEA模型方法中的CCR模型与BCC模

型综合运用，研究高校科研投入产出效率，在此基础上，引入全国总计数据作为额外

观测点，利用超效率DEA方法得到超效率DEA效率值。根据数据发现大多数省市的

技术效率高于全国平均效率，多数DEA无效的省份存在科研人员经费方面的投入冗

余，以及发表的科技著作数和专利授权数方面的产出不足。本文将两阶段DEA方法应

用于评价高校研发投入产出效率研究，得到了没有规划地加大投入可能会降低效率值

的结论。使用基于偏序集理论的DEA方法，解决了DEA有效的决策单元与DEA无效

的决策单元的关系及排序问题，给出了一种更契合实际的高校研发效率分析方法。根

据模型计算结果可知，即使DEA有效的省市之间也有较大差距，仍然有很大的改进空

间。

最后，利用Malmquist指数法分析了2017-2022年的高校RD的投入产出效率变

化，并运用BP神经网络算法构建了一个针对CCR效率的预测模型，对其进行了预

测。结果显示BP神经网络在科研效率的预测上表现出了较高的准确性。并利用熵值法

DEARD

进行对比，证明了熵值法和方法对计算高校＆投入产出数据的结果有着较大

的不同。经过实证研究，论文提出提升研发效率需要结合国家环境、改进没有上限、

选择大于努力等政策建议，以期更有针对性地提高中国高校研发投入产出效率。

BP

关键词：高校；研发效率；数据包络分析；神经网络；投入产出分析

I

基于DEA-BP神经网络的中国高校R＆D分省区投入产出效率研究

ABSTRACT

Withtheincreasinglyfierceglobaltechnologicalcompetition,theroleofhigher

educationinstitutions,especiallycollegesanduniversities(shortenedbyuniversities),inthe

scientificandtechnologicalinnovationsystemhasbecomeextremelyimportant.Universities

arenotonlyasignificantsourceofknowledgeinnovationandtechnologicalinvention,buta

vitalforceinpromotingnationalscientificandtechnologicalprogressandeco