眾創空間的區域創新績效評價研究

張鈺

摘要：從投入和產出的角度構建區域眾創空間創新績效的評價體系，運用數據包絡分析方法，對各地區眾創空間的純技術效率與規模效率進行解讀。結果表明：我國西部地區眾創空間創新績效綜合效率值最高，其次是中部地區，東北部地區的效率值最低。在此基礎上，利用BP神經網絡進行眾創空間創新績效的效率評價結果驗證，取得了較高的精度，從而為眾創空間區域創新績效評價實踐提供了一種可行手段。

關鍵詞：數據包絡分析 BP神經網絡 眾創空間 創新績效

中圖分類號：F279.27

文獻標識碼：A

文章編號：2096-0298（2019）02（b）-223-04

據《中國火炬統計年鑒》數據顯示，2014年我國共有創客組織50家，2015年眾創空間數量2300余家，僅一年間發展增速達到46倍，截至2016年底，我國有眾創空間4298家，當年服務企業數57668個，該年眾創空間孵化企業總收入達83 18903億元，吸納就業人數436232人，批準知識產權40275項，其中發明專利8467項。而2017年眾創空間數量發展至5739家較2016年增幅達到33%以上，眾創空間對于創新創業帶來的經濟效益和社會效益日益凸顯，給經濟社會的發展帶來巨大的正面效應。

眾創空間在我國得到了良好的發展成長環境，其孵化場地面積和數量都得到迅猛發展，但是眾創空間在我國仍處于發展的初級階段，仍有很多問題值得我們思考，深圳眾創空間“倒閉潮”事件以及眾創空間孵化的高失敗率，不僅造成了產業資源的浪費，還削弱其對于創新創業的促進作用，不利于社會創新與眾創空間的可持續發展。基于此，為實現眾創空間健康可持續發展的路徑，如何科學合理地對眾創空間進行創新績效的評估考核便成為整個社會的關注焦點。

本文擬以創新驅動發展為目標提供一種更加符合實際情況的眾創空間創新績效的評價方法，不僅可以豐富眾創空間的理論研究與探討，還有助于政府部門科學評價與科學的制定相關政策工作，提供相關發展資源等具有實踐指導意義，對眾創空間的發展實施有效的動態管理與服務等的現實意義。

1 文獻綜述

眾創空間在我國的發展經歷了從傳統孵化器到創新工場等新型孵化器再到眾創空間的演變過程，其實踐的發展比理論界起步要早一些。現有研究成果可以三個方面加以歸納和評述。

一是有關于眾創空間基本概念方面的解讀。眾創空間是傳統孵化器的2 0版本，涵蓋傳統孵化器的基本功能[1]。相比傳統孵化器對創新創業主體的選擇具有更大的寬容，更低的門檻準入條件，而且更加關注創意的市場化[2]。

二是對于眾創空間運行模式的探索與思考。陳夙等[3]以杭州“夢想小鎮”的創業生態系統結構分析為例，積極探索提升運營績效的包括“眾創精神”等在內的創業生態系統的四空間維度概念。汪群[4]在對創業生態的構建中提出眾創空間的創業生態系統可以由創客生態圈、服務支持生態圈、上下游企業、孵化器、消費者群以及創業環境組成。在實踐中越來越多的創新相關主體被納入眾創空間生態系統中。

三是關于眾創空間效率評價等的相關研究，張丹寧等[5]對沈陽市眾創空間的運營效率指數進行測算，并給出了沈陽市應該重點發展三個各具特色的眾創空間產業集群的發展路徑的建議。谷立霞等[4]通過七分制的李克特量表的問卷調查，提供了包括創客文化、社會貢獻、創業服務、創業環境和基礎設施在內的眾創空間運行效率的綜合評價指標體系。李衍霖等[7]利用平衡計分卡的研究方法，將發展戰略與績效評價聯系起來，構建了一系列財務指標和非采取指標的績效評價指標體系。

通過文獻的梳理發現，現有學者對眾創空間進行了許多研究探討，但是已有研究仍存在以下不足：第一，現有研究大多集中在對于“眾創空間”理論定義、演變起源的探討研究，尚缺乏眾創空間產業效率、運作效率、創新績效類的評價等的定量研究分析。第二，目前尚缺乏對于眾創空間創新效應評價的定量探討，從眾創空間對于創新的支持作用角度進行創新績效的評價的理論研究尚需完善。第三，鮮有學者從整體創新的視角出發，研究區域創新績效評價的問題。

因此，本文在綜合現有學者研究的基礎上，運用數據包絡分析（DEA）結合BP神經網絡分析方法對區域眾創空間的創新績效進行分析論證，進一步拓展和深化眾創空間的效率評價研究。

2 DEA與BP神經網絡的創新績效評價分析的研究思路

本文采用數據包絡分析法的BCC模型對眾創空間的區域創新績效差異進行分析，凡是處在前沿面上的決策單元，則認定其投入產出組合最有效率，將其效率指標定為1，不在前沿面上的決策單元則被認定為低效率或者無效率，同時以效率前沿面之有效點為基準，給予一個相對的效率指標（大于0，小于1），并針對非DEA有效的眾創空間進行投影分析，找出低效的原因，以便針對性地給出合適的發展建議。

如果把眾創空間創新支持效應看成一個黑箱，它的輸入是眾創空間服務人員數量、團隊及企業當年獲得投資總額、當年提供技術支撐服務的團隊和企業數量三個指標變量，輸出為發明專利數、常駐企業或團隊擁有的知識產權數兩個指標，利用DEA方法進行有效性的測度。同樣對BP神經網絡而言，在對結果驗證的過程中它也是一個黑箱，DEA效率分析為BP神經網絡提供基礎數據，BP神經網絡處理的結果又可以用來進行效率分析和驗證，它們之間的關系如圖1所示。

3 變量的選取與說明

本文數據來源為《中國火炬統計年鑒2017》，選取國家備案眾創空間2016年橫截面數據為決策單元進行分析。根據地域的不同，采取系統抽樣，將國家備案的眾創空間按注冊位置分為東、中、西、東北部四類，分別從中抽取35個省市相關數據。利用DEAP2.1軟件，將所收集到的投入與產出數據分別代入BCC模型，篩選指標以及構建指標評價體系是對眾創空間創新績效評價分析的關鍵。

綜合現有學者研究，以及結合《中國火炬統計年鑒2017》相關數據及指標歸類的基礎上，根據指標的針對性和可得性，選取眾創空間服務人員數量作為人力資源方面的投入[8];團隊及企業當年獲得的投資總額作為資本方面的投入[9];當年提供技術支撐服務的團隊和企業數量作為技術服務指標[9]。產出指標的設計：眾創空間的產出是多樣的，即包括眾創空間的收入、提供的就業機會，專利數量等。為了減少產出指標的相關性和數據的可獲得性，在對于眾創空間的創新績效的衡量主要考慮，其發明專利的數量、常駐企業和團隊擁有的知識產權數作為系統產出指標[10]。具體指標體系如表1所示。

針對上述指標，東部地區相較其他區域具有明顯優勢，并且享受很多政府政策支持，因此，東部地區眾創空間的創新績效應該是最高的。

4 區域眾創空間創新績效效率值分析

4.1 DEA效率分析

眾創空間DEA效率描述性統計。

表2為35家眾創空間的DEA效率的描述性統計結果，綜合效率的平均值為0.16，整體效率仍有較大的提升空間，純技術效率的均值為0.61大干其規模效率的均值，可見大部分的眾創空間處于規模效率相對無效率階段。

進一步計算各城市DEA效率值，發現純技術效率和規模效率方面僅30%的城市在平均水平以上，說明我國眾創空間的發展存在嚴重的發展不平衡問題。同時除了海南、新疆兵團為規模報酬不變，青海地區呈現規模報酬遞增之外，91%的地區均呈現規模報酬遞減的趨勢，說明現階段的眾創空間的整體發展水平已經到了規模的報酬遞減的階段，應該尋求技術改進或者管理水平等的進步。

表3對眾創空間DEA效率值進行區域比較分析可得，西部地區的綜合效率值最大2 329，其次是中部地區2.159，東北部地區最低。純技術效率值的比較東部地區最大為9.346，其次為西部地區，東北部地區最低1.364;規模效率值的比較西部最高為3.948，中部地區為2.933，東北部地區最低為0.664。總體來看，西部地區在不具有各種優勢條件的情況下綜合效率值在各區域中最高，相反占據各方優勢的東部地區各項效率值卻沒有達到我們的預期。

為分析其中的原因，進一步計算各地區眾創空間的投入和輸出的松弛變量分別在無效率總樣本中的占比進行分析。

就產出表4結果來看，大部分地區的眾創空間產出指標是合理而有效率的，發明專利方面，除山西和青海之外，剩下各地區的眾創空間的發明專利數均為有效的產出;而常駐企業和團隊擁有的知識產權數方面中部地區效率最高。

進一步分析，投入松弛變量樣本數據中，眾創空間服務人員數量的投入方面，西部地區和中部地區人力投入情況尚好，東北部地區人力投入效率最低，50%為低效投入;各區域均較重視對于資金的支持力度;技術投入方面，除東部地區，其余地區無效眾創空間均達到50%以上，中部地區的眾創空間大部分的技術投入情況不太理想，無效占比達71%，西部與東北部技術投入差異不大;總體來看，各指標投入差異顯著，整體技術投入效率較低，如表5所示。

綜合分析，各地區眾創空間呈現出的相對無效率的情況均是由于投入的無效率導致的，在人力、資本、技術方面的投入存在嚴重不均衡，對資本投入的關注度較高，過度追求資本的投入與眾創空間規模發展的速度，但是其對于技術的重視程度整體水平較差。西部地區綜合效率最高主要是因為相比其他地區雖然不具有資源與資金等的發展優勢，但是其各種資源的投入相對均衡合理。我國的眾創空間要想科學可持續的發展下去，并真正的發揮眾創空間的創新帶動作用，必須解決投入的不合理問題，規模的快速擴張不足以支撐其長遠的可持續發展，必須專注于技術投入和管理水平的提高，合理化投入產出匹配，提升創新服務的效率和水平實現眾創空間高質量、高水平發展。

4.2 對區域眾創空間創新效率結果的BP神經網絡驗證分析

采用MATLAB 2014b進行BP神經網絡分析，BP神經網絡的輸入節點有5個，全部數據來源于2017年中國火炬統計年鑒35個省市的實際數據，輸出節點1個，就是綜合效率。一般而言，在神經網絡的分析中當隱含層為1-2層時，網絡的收斂性是最佳的。本研究經初步測試決定采用1層隱含層，即采用的是一個3層的網絡建立經濟系統與效率之間的非線性映射關系。通過訓練次數和總體誤差確定最佳的隱含層的神經元個數，最終確定隱含層節點數為10個。具體輸入層、輸出層的指標設計如表6所示。

在網絡訓練中，訓練目標為平均誤差0.1，將學習速率設置為0.6，動量設置為0.4，訓練次數設置為1000次，先將原始數據進行歸一化處理，選取其中25個樣本作為學習樣本，剩下10個作為訓練樣本，將綜合效率作為輸出指標進行分析，經過785次得到訓練最佳結果，誤差為0，總體評價誤差效果較好，表明該方法可以得到理想效果，如圖2所示。

采用梯度下降法進行誤差預測檢驗，權值差調范圍Mu-le-06進行誤差判斷，迭代式誤差增加時相應的Mu值會增加，直達迭代785次之后誤差值不再增加，停止學習，785次經過訓練結束判據值valfail隨每次迭代后的變化為0，這表明此次BP神經網絡的預測值與DEA方法得到的效率值結果是一致的具有科學性，如圖3所示。

5 結語

綜上所述，本文通過DEA結合BP的研究方法對我國區域的眾創空間創新績效進行實證分析，研究表明我國眾創空間的規模效率呈現下降趨勢，現階段的眾創空間發展應由大規模擴張階段向高質量、高水平方向發展。該研究方法具有一定的參考價值，但其仍存在一定的局限性，使用的樣本數據總量不夠廣泛，區域選取的樣本量不平衡，下一步的研究中可以增加樣本量的實證研究，并在創新評價體系的設計中更多的考慮政府因素對于創新支持效應，便于政府等有關部門可以更好的衡量眾創空間的創新績效，有利于政府政策的針對性投入。

參考文獻

[1]潘冬，肖婧，崔偉，眾創空間聯盟建設的問題與優化建議[J].產業與科技論壇，2018（12）.

[2]劉志迎，陳青祥，徐毅.眾創的概念模型及其理論解析[J].科學學與科學技術管理，2015（2）.

[3]陳夙，項麗瑤，俞榮建.眾創空間創業生態系統：特征、結構、機制與策略[J].商業經濟與管理，2015（11）.

[4]汪群.眾創空間創業生態系統的構建[J].企業經濟，2016（10）.

[5]張丹寧，付小贇，易平濤.沈陽市眾創空間產業集群發展路徑研究——基于運營效率測度[J].東北大學學報，2017（1）.

[6]谷立霞，閏麗平，張新社.創客視角下眾創空間綜合評價指標體系構建——基于因子分析法的實證研究[J].中小企業管理與科技，2017（11）.

[7]李衍霖，苗敏，孫海濤.眾創空間發展模式及業績評價體系研究——基于平衡積分卡視角[J].管理會計，2017（3）.

[8]孔原.基于全鏈條孵化視角的科技孵化器運行效率評價[J].財會月刊，2016（32）.

[9]張建清，孫夢喧，范斐.基于DEA方法的湖北省科技企業孵化器運行效率評價[J].科技管理研究，2017（4）.

[10]陶志梅。基于DEA方法的科技企業孵化器運營效率比較研究——以北京、上海、廣州為例[J].天津商業大學學報，2014（34）.