產(chǎn)學(xué)研協(xié)同創(chuàng)新主體投入對(duì)其效率的影響研究

李 鵬，陳維花

（福州大學(xué) 經(jīng)濟(jì)與管理學(xué)院，福建 福州市 350116）

產(chǎn)學(xué)研協(xié)同創(chuàng)新主體投入對(duì)其效率的影響研究

李 鵬，陳維花

（福州大學(xué) 經(jīng)濟(jì)與管理學(xué)院，福建 福州市 350116）

使用2015年我國(guó)31個(gè)省市自治區(qū)的面板數(shù)據(jù)，首先分別運(yùn)用DEA、SFA、因子分析對(duì)31個(gè)省市自治區(qū)的產(chǎn)學(xué)研協(xié)同創(chuàng)新的效率進(jìn)行評(píng)價(jià)，然后運(yùn)用TOPSIS法將三種方法的效率值綜合得到31個(gè)省市自治區(qū)的產(chǎn)學(xué)研協(xié)同創(chuàng)新效率，最后運(yùn)用多元回歸模型實(shí)證研究產(chǎn)學(xué)研協(xié)同創(chuàng)新主要?jiǎng)?chuàng)新主體的投入對(duì)其效率的影響。結(jié)果表明：企業(yè)投入、高校投入、政府過(guò)度投入與產(chǎn)學(xué)研協(xié)同創(chuàng)新效率正相關(guān)，而政府一般投入與產(chǎn)學(xué)研協(xié)同創(chuàng)新效率負(fù)相關(guān)，科研機(jī)構(gòu)投入對(duì)產(chǎn)學(xué)研協(xié)同創(chuàng)新效率的影響并不顯著。

協(xié)同創(chuàng)新效率；TOPSIS法；多元回歸模型

黨的十八屆五中全會(huì)提出，實(shí)現(xiàn)“十三五”時(shí)期發(fā)展目標(biāo)，必須牢固樹立并切實(shí)貫徹創(chuàng)新、協(xié)調(diào)、綠色、開放、共享的發(fā)展理念。創(chuàng)新被鮮明地?cái)[在發(fā)展理念的首位。中央確立的創(chuàng)新、協(xié)調(diào)、綠色、開放、共享的發(fā)展新理念，是指導(dǎo)產(chǎn)學(xué)研協(xié)同創(chuàng)新的思想和行動(dòng)指南。產(chǎn)學(xué)研協(xié)同創(chuàng)新是國(guó)家和區(qū)域創(chuàng)新體系建設(shè)的重要內(nèi)容。產(chǎn)學(xué)研協(xié)同創(chuàng)新效率的高低直接關(guān)系到創(chuàng)新型國(guó)家建設(shè)，關(guān)系到企業(yè)自主創(chuàng)新能力的提升，也關(guān)系到高等教育質(zhì)量的提高。對(duì)產(chǎn)學(xué)研協(xié)同創(chuàng)新績(jī)效進(jìn)行評(píng)價(jià)，分析某一創(chuàng)新主體的投入變化對(duì)產(chǎn)學(xué)研協(xié)同創(chuàng)新績(jī)效的影響，有助于科學(xué)制定協(xié)同創(chuàng)新政策，提高協(xié)同創(chuàng)新績(jī)效。目前，學(xué)者對(duì)產(chǎn)學(xué)研協(xié)同創(chuàng)新績(jī)效方面的研究較少，就目前的研究來(lái)看主要集中在創(chuàng)新績(jī)效評(píng)價(jià)指標(biāo)體系構(gòu)建。Bonaccorsi等［1］認(rèn)為，參與產(chǎn)學(xué)研合作創(chuàng)新的各個(gè)主體具有不同的戰(zhàn)略目標(biāo)，因此，各個(gè)主體對(duì)合作所產(chǎn)生的效益就會(huì)有不同的預(yù)期。他們還是最早提出評(píng)價(jià)產(chǎn)學(xué)研合作績(jī)效的模型。該模型是基于動(dòng)機(jī)-期望的產(chǎn)學(xué)研合作績(jī)效的評(píng)價(jià)模型。此模型的提出標(biāo)志著學(xué)術(shù)界從理論角度關(guān)注產(chǎn)學(xué)研合作績(jī)效的評(píng)價(jià)；李新榮［2］從投入產(chǎn)出兩個(gè)方面建立了產(chǎn)學(xué)研合作項(xiàng)目的績(jī)效評(píng)價(jià)模型，并對(duì)5個(gè)產(chǎn)學(xué)研合作項(xiàng)目進(jìn)行了評(píng)價(jià)以證明其模型設(shè)計(jì)的合理性；Philbin［3］建立了一個(gè)基于轉(zhuǎn)換過(guò)程的評(píng)價(jià)模型，該模型通過(guò)建立基于轉(zhuǎn)換過(guò)程的投入產(chǎn)出要素矩陣，構(gòu)建協(xié)同度評(píng)價(jià)指標(biāo)體系；馮慶斌［4］構(gòu)建了產(chǎn)學(xué)研合作創(chuàng)新群落分析模型，該模型從生態(tài)位、生態(tài)因子、種群關(guān)系等方面對(duì)合作創(chuàng)新群落進(jìn)行研究，通過(guò)評(píng)價(jià)合作創(chuàng)新群落的投入產(chǎn)出比率來(lái)獲知該群落的系統(tǒng)創(chuàng)新能力。首先，本文分別運(yùn)用DEA、SFA、因子分析對(duì)我國(guó)31個(gè)省市自治區(qū)的產(chǎn)學(xué)研協(xié)同創(chuàng)新的效率進(jìn)行評(píng)價(jià)，然后，運(yùn)用TOPSIS法將前三種方法的效率值綜合得到31個(gè)省市自治區(qū)的產(chǎn)學(xué)研協(xié)同創(chuàng)新效率。

1 指標(biāo)選取與數(shù)據(jù)說(shuō)明

1.1 指標(biāo)選取

產(chǎn)學(xué)研協(xié)同創(chuàng)新中，除了企業(yè)、高校和科研機(jī)構(gòu)三大核心主體之外，最重要的創(chuàng)新主體就是政府，所以，本文的產(chǎn)學(xué)研協(xié)同創(chuàng)新投入指標(biāo)主要來(lái)自企業(yè)、高校、科研機(jī)構(gòu)和政府的投入。產(chǎn)學(xué)研協(xié)同創(chuàng)新的創(chuàng)新產(chǎn)出指標(biāo)用多個(gè)指標(biāo)來(lái)衡量：新產(chǎn)品銷售收入［5］、新產(chǎn)品開發(fā)項(xiàng)目數(shù)［5］和專利授權(quán)數(shù)［6］，產(chǎn)學(xué)研協(xié)同創(chuàng)新的投入和產(chǎn)出指標(biāo)如表1所示。

1.2 數(shù)據(jù)說(shuō)明

本文的研究樣本為2015年我國(guó)31個(gè)省市自治區(qū)的面板數(shù)據(jù)。本文原始數(shù)據(jù)來(lái)自《中國(guó)科技統(tǒng)計(jì)年鑒》［7］、《中國(guó)統(tǒng)計(jì)年鑒》［8］以及Wind資訊軟件，如表1所示。本文所選取的指標(biāo)有利于降低主觀指標(biāo)以及調(diào)研數(shù)據(jù)所產(chǎn)生的統(tǒng)計(jì)偏誤，其結(jié)果更為客觀和精確。

表1 產(chǎn)學(xué)研協(xié)同創(chuàng)新投入產(chǎn)出指標(biāo)

2 產(chǎn)學(xué)研協(xié)同創(chuàng)新的效率評(píng)價(jià)

2.1 基于DEA的效率評(píng)價(jià)

DEA由Charnes、Cooper、Rhodes三人于1978年在《歐洲運(yùn)籌學(xué)雜志》發(fā)表“Measuring the efficiency of decision making units”一文正式創(chuàng)立［9］，它基于規(guī)模報(bào)酬不變的假設(shè)，衡量的是被評(píng)價(jià)單元的技術(shù)效率，包括了純技術(shù)效率和規(guī)模效率，Bankeretal在此基礎(chǔ)上放寬了規(guī)模不變的假設(shè)，經(jīng)過(guò)拓展，提出了基于規(guī)模報(bào)酬可變的BC2模型，它衡量的是純技術(shù)效率［10］。

本文應(yīng)用DEAP2.1軟件計(jì)算基于DEA的產(chǎn)學(xué)研協(xié)同創(chuàng)新效率，計(jì)算結(jié)果如表2所示。

表2 產(chǎn)學(xué)研協(xié)同創(chuàng)新效率（基于DEA）

2.2 基于SFA的效率評(píng)價(jià)

SFA包括成本模型和生產(chǎn)模型，本文選用生產(chǎn)模型。參照Battese&Coelli模型［11］的基本原理， 本文的研究模型設(shè)為：

其中，y表示產(chǎn)學(xué)研協(xié)同創(chuàng)新的產(chǎn)出，RDL表示各創(chuàng)新主體人員投入（人年），RDK表示各創(chuàng)新主體經(jīng)費(fèi)投入（萬(wàn)元），RDP表示各創(chuàng)新主體課題數(shù)/項(xiàng)目數(shù)（項(xiàng)）。

下標(biāo)i和t分別表示各省市自治區(qū)和時(shí)間。

β0為截距項(xiàng)，β1，β2，β3，η和γ為待估計(jì)的參數(shù)。

vit為隨機(jī)誤差項(xiàng)，服從的正態(tài)分布；

uit為效率殘差項(xiàng)，反映無(wú)效率的程度，反映那些在第t時(shí)期僅僅影響第i個(gè)省份的隨機(jī)因素，服從的單邊分布，且vit和uit相互獨(dú)立。

TEit表示樣本中第i個(gè)省份在第t時(shí)期內(nèi)的技術(shù)創(chuàng)新效率水平，若uit=0，TEit=1，則處于技術(shù)有效狀態(tài)，若uit>0，0

δv2表示隨機(jī)誤差的方差，δu2表示技術(shù)效率的方差；

運(yùn)用Frontier4.1程序?qū)δＰ停?）進(jìn)行估計(jì)。31個(gè)省市自治區(qū)產(chǎn)學(xué)研協(xié)同創(chuàng)新效率值如表3所示。效率1、效率2和效率3分別是以“新產(chǎn)品銷售收入”、“新產(chǎn)品開發(fā)項(xiàng)目數(shù)”和“專利授權(quán)數(shù)”來(lái)表征產(chǎn)學(xué)研協(xié)同創(chuàng)新產(chǎn)出計(jì)算出的效率值。

表3 產(chǎn)學(xué)研協(xié)同創(chuàng)新效率（基于SFA）

2.3 基于因子分析的效率評(píng)價(jià)

因子分析效率評(píng)價(jià)方法的思想是在保證基礎(chǔ)信息不丟失的前提下盡量對(duì)指標(biāo)體系進(jìn)行優(yōu)化，分別計(jì)算產(chǎn)出的綜合水平和投入的綜合水平，再計(jì)算二者比值就是所求的具體效率值。

采用任娟［12］的多指標(biāo)面板數(shù)據(jù)的因子分析方法，即將面板數(shù)據(jù)各個(gè)時(shí)間截面數(shù)據(jù)按時(shí)間順序平鋪展開形成一個(gè)大截面數(shù)據(jù)，并對(duì)此進(jìn)行了傳統(tǒng)因子分析。本文使用軟件SPSS 18.0來(lái)完成分析。

1）適用性檢驗(yàn)。

由于數(shù)據(jù)之間的單位存在量綱差異，首先對(duì)原始數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，消除量綱不同導(dǎo)致的影響，然后對(duì)標(biāo)準(zhǔn)化后的產(chǎn)學(xué)研協(xié)同創(chuàng)新的投入和產(chǎn)出數(shù)據(jù)分別進(jìn)行因子分析適用性檢驗(yàn)，結(jié)果如表4所示。

表4 因子分析適用性檢驗(yàn)結(jié)果

從表3可以看出，投入組和產(chǎn)出組的KMO檢驗(yàn)值分別為0.693和0.763，均高于0.5，且投入組和產(chǎn)出組的Bartlett的球形度檢驗(yàn)值的相伴概率均小于5%的顯著性水平，從而驗(yàn)證了因子分析模型的適用性。

2）因子提取。

投入組和產(chǎn)出組的因子提取結(jié)果分別如表5和表6所示。

表5 投入組因子提取結(jié)果

表6 產(chǎn)出組因子提取結(jié)果

從表5可以看出，投入組共有13個(gè)因子，因子1和因子2的特征值大于1，則只需保留兩個(gè)因子即可。根據(jù)表6的因子提取結(jié)果，產(chǎn)學(xué)研協(xié)同創(chuàng)新產(chǎn)出組共有3個(gè)因子，僅因子1的特征值大于1，且信息累計(jì)百分比保留達(dá)到 97.616%，因此，產(chǎn)出組只需保留一個(gè)因子即可。

3）效率值計(jì)算。

根據(jù)提取的投入組與產(chǎn)出組的因子數(shù)量，首先計(jì)算投入組和產(chǎn)出組綜合因子得分，然后進(jìn)行標(biāo)準(zhǔn)化處理，使兩組數(shù)據(jù)介于0.1到1之間，最后用產(chǎn)出組標(biāo)準(zhǔn)化數(shù)據(jù)除以投入組標(biāo)準(zhǔn)化數(shù)據(jù)，確定31個(gè)省市自治區(qū)的效率值，計(jì)算結(jié)果如表7所示。

2.4 基于TOPSIS法的效率值

通過(guò)運(yùn)用DEA、SFA、因子分析對(duì)我國(guó)31個(gè)省市自治區(qū)的產(chǎn)學(xué)研協(xié)同創(chuàng)新的效率進(jìn)行評(píng)價(jià)，發(fā)現(xiàn)每個(gè)省的三種效率值都不一樣且排名不一樣，因此，本文使用TOPSIS法將三種效率值合成一種效率值，就是本文的產(chǎn)學(xué)研協(xié)同創(chuàng)新的效率值，如表8所示。

3 基于多元回歸模型的實(shí)證分析

為了實(shí)證分析產(chǎn)學(xué)研協(xié)同創(chuàng)新的投入對(duì)產(chǎn)出的影響，運(yùn)用多元回歸模型，并應(yīng)用SPSS18.0進(jìn)行多元回歸模型統(tǒng)計(jì)分析。模型設(shè)定如下：

其中，Yt表示產(chǎn)學(xué)研協(xié)同創(chuàng)新效率，通過(guò)TOPSIS法計(jì)算；c為截距；X1、X2、X3、X4分別表示企業(yè)投入、高校投入、科研機(jī)構(gòu)投入和政府一般投入，都采用任娟［12］的多指標(biāo)面板數(shù)據(jù)的因子分析方法計(jì)算得來(lái)，X42表示政府過(guò)度投入；β1，…，β5為模型回歸系數(shù)，值為正表明提高該指標(biāo)可有效提高產(chǎn)學(xué)研協(xié)同創(chuàng)新效率（數(shù)值越大，效果越顯著），值為負(fù)表明該指標(biāo)對(duì)產(chǎn)學(xué)研協(xié)同創(chuàng)新效率產(chǎn)生負(fù)效應(yīng)；ξ為隨機(jī)誤差項(xiàng)，代表影響產(chǎn)學(xué)研協(xié)同創(chuàng)新效率的其他變量。

表7 各省市自治區(qū)的創(chuàng)新效率

表8 產(chǎn)學(xué)研協(xié)同創(chuàng)新效率

3.1 相關(guān)性分析

產(chǎn)學(xué)研協(xié)同創(chuàng)新效率和產(chǎn)學(xué)研協(xié)同創(chuàng)新投入的相關(guān)系數(shù)矩陣如表9所示。

一般講，相關(guān)系數(shù)超過(guò)0.8的變量在分析時(shí)存在多重共性線問(wèn)題。表8中產(chǎn)學(xué)研協(xié)同創(chuàng)新效率和產(chǎn)學(xué)研協(xié)同創(chuàng)新投入的相關(guān)系數(shù)最高為0.228，均小于0.8，故模型中產(chǎn)出變量與各個(gè)投入變量之間不存在多重共線問(wèn)題，可以進(jìn)行多元線性回歸分析。

表9 Pearson相關(guān)性分析

3.2 有效性分析

模型有效性分析結(jié)果如表10所示，可以看出模型的R2值達(dá)到0.618，調(diào)整后的R2值是0.542，均高于0.4，說(shuō)明了回歸模型的有效性。

表10 模型有效性分析

3.3 方差分析

模型方差分析結(jié)果如表11所示，模型的F值為8.1，其統(tǒng)計(jì)顯著性低于0.05的顯著性水平，可以認(rèn)為產(chǎn)學(xué)研協(xié)同創(chuàng)新投入與產(chǎn)學(xué)研協(xié)同創(chuàng)新績(jī)效之間存在線性關(guān)系。

表11 模型方差分析

3.4 參數(shù)估計(jì)

運(yùn)用SPSS18.0對(duì)模型（2）進(jìn)行線性回歸，模型的參數(shù)值估計(jì)和參數(shù)顯著性結(jié)果如表12所示。

表12 模型參數(shù)估計(jì)及其顯著性計(jì)算結(jié)果

通過(guò)分析表12所示的模型參數(shù)估計(jì)及其顯著性計(jì)算結(jié)果可以得出以下結(jié)論：

1） 企業(yè)投入、高校投入、政府一般投入、政府過(guò)度投入的回歸系數(shù)分別為0.129、0.255、-1.476、0.037，且其統(tǒng)計(jì)顯著性分別為0.000、0.014、0.001、0.009，均在5%的水平下具有顯著統(tǒng)計(jì)性，也說(shuō)明上述四個(gè)變量對(duì)產(chǎn)學(xué)研協(xié)同創(chuàng)新效率的作用顯著。進(jìn)一步的分析發(fā)現(xiàn)：企業(yè)投入、高校投入、政府過(guò)度投入與產(chǎn)學(xué)研協(xié)同創(chuàng)新效率正相關(guān)，而政府一般投入與產(chǎn)學(xué)研協(xié)同創(chuàng)新效率負(fù)相關(guān)，說(shuō)明企業(yè)投入、高校投入、政府過(guò)度投入有助于提升產(chǎn)學(xué)研協(xié)同創(chuàng)新績(jī)效，而政府一般投入抑制產(chǎn)學(xué)研協(xié)同創(chuàng)新績(jī)效的提升，因此，政府要加大在產(chǎn)學(xué)研協(xié)同創(chuàng)新中的投入。

2）科研機(jī)構(gòu)投入的回歸系數(shù)為0.195，且其統(tǒng)計(jì)顯著性為0.155，高于0.1的顯著性水平，說(shuō)明不具有統(tǒng)計(jì)顯著性，也說(shuō)明盡管科研機(jī)構(gòu)投入對(duì)產(chǎn)學(xué)研協(xié)同創(chuàng)新效率的影響是正向的，但作用并不顯著。

3.5 穩(wěn)健性檢驗(yàn)

為了驗(yàn)證模型及相關(guān)性關(guān)系的穩(wěn)健性，做替代變量檢驗(yàn)。以工業(yè)增加值代替TOPSIS法計(jì)算的產(chǎn)學(xué)研協(xié)同創(chuàng)新效率，重新進(jìn)行多元回歸分析。如表13所示。

表13 穩(wěn)健性檢驗(yàn)

結(jié)果表明，企業(yè)投入、高校投入、政府過(guò)度投入與產(chǎn)學(xué)研協(xié)同創(chuàng)新效率正相關(guān)，而政府一般投入與產(chǎn)學(xué)研協(xié)同創(chuàng)新效率負(fù)相關(guān)，科研機(jī)構(gòu)投入對(duì)產(chǎn)學(xué)研協(xié)同創(chuàng)新效率的影響并不顯著，該模型的解釋度進(jìn)一步驗(yàn)證了上面的結(jié)論。

4 結(jié)論

本文利用2015年我國(guó)31個(gè)省市自治區(qū)的相關(guān)面板數(shù)據(jù)，首先，分別運(yùn)用DEA、SFA和因子分析對(duì)我國(guó)31個(gè)省市自治區(qū)的產(chǎn)學(xué)研協(xié)同創(chuàng)新效率進(jìn)行評(píng)價(jià)；然后，運(yùn)用TOPSIS法將三種方法的效率值綜合得到31個(gè)省市自治區(qū)的產(chǎn)學(xué)研協(xié)同創(chuàng)新效率，發(fā)現(xiàn)排在前三名的是浙江、廣東、江蘇，全國(guó)平均效率約為0.397，和新疆產(chǎn)學(xué)研協(xié)同創(chuàng)新效率相當(dāng)，說(shuō)明我國(guó)產(chǎn)學(xué)研協(xié)同創(chuàng)新的發(fā)展還有很大的提升空間；最后，運(yùn)用多元回歸模型實(shí)證研究產(chǎn)學(xué)研協(xié)同創(chuàng)新主要?jiǎng)?chuàng)新主體的投入對(duì)產(chǎn)學(xué)研協(xié)同創(chuàng)新效率（TOPSIS法計(jì)算）的影響，得到如下結(jié)論：企業(yè)投入、高校投入和政府過(guò)度投入與產(chǎn)學(xué)研協(xié)同創(chuàng)新效率正相關(guān)，即有助于提升產(chǎn)學(xué)研協(xié)同創(chuàng)新績(jī)效；但政府一般投入與產(chǎn)學(xué)研協(xié)同創(chuàng)新效率負(fù)相關(guān)，即抑制產(chǎn)學(xué)研協(xié)同創(chuàng)新績(jī)效的提高，因此，政府要加大在產(chǎn)學(xué)研協(xié)同創(chuàng)新中的投入；科研機(jī)構(gòu)投入對(duì)產(chǎn)學(xué)研協(xié)同創(chuàng)新效率的影響是正向的，但作用并不顯著。

［1］ BONACCORSI A，PICCALUGA A. A theoretical framework for the evaluation of university-industry relationships［J］.R&D Management，1994，24（3）：229-247.

［2］ 李新榮．基于集對(duì)分析的高校產(chǎn)學(xué)研合作項(xiàng)目績(jī)效評(píng)價(jià)方法與 模型研究［J］．科技管理研究，2013（2）：85-88.

［3］ PHILBIN S.Process model for university‐industry research collaboration［J］. European Journal of Innovation Management，2008，11（4）：488-521.

［4］ 馮慶斌.基于群落生態(tài)學(xué)的產(chǎn)學(xué)研合作創(chuàng)新研究［D］.哈爾濱：哈爾濱工程大學(xué)，2006.

［5］ 肖文，林高榜.政府支持、研發(fā)管理與技術(shù)創(chuàng)新效率：基于中國(guó)工業(yè)行業(yè)的實(shí)證分析［J］.管理世界，2014（4）：71-80.

［6］ 賴永劍，賀祥民.金融發(fā)展與區(qū)域創(chuàng)新績(jī)效的非線性關(guān)系：基于面板平滑轉(zhuǎn)換回歸模型［J］.華中科技大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版），2015（2）：92-99.

［7］ 國(guó)家統(tǒng)計(jì)局科學(xué)技術(shù)部.中國(guó)科技統(tǒng)計(jì)年鑒［M］. 北京：中國(guó)統(tǒng)計(jì)出版社，2016.

［8］ 中華人民共和國(guó)國(guó)家統(tǒng)計(jì)局.中國(guó)統(tǒng)計(jì)年鑒［M］. 北京：中國(guó)統(tǒng)計(jì)出版社，2016.

［9］ CHARNES A，COOPER W，RHODES E.Measuring Efficiency of Decision - Making Units［J］.European of Operatinal Research，1978，2（6），428-449.

［10］ BANKER R D，CHARNES A，COOPER WW. Some models for estimating technical and scale efficiencies in data envelopment analysis［J］. Management Science，1984（30）：1078-1092.

［11］ BATTESE G E，COELLI T J.A model for technical inefficiency effects in a stochastic frontier production function for panel data［J］. Empirical Economics，1995，20（2）：325-332.

［12］ 任娟.多指標(biāo)面板數(shù)據(jù)融合聚類分析［J］.數(shù)理統(tǒng)計(jì)與管理，2013，32（1）：57-67.

Research on the Influence of Input towards the Efficiency of Industry-University-Research Collaborative Innovation

LI Peng，CHEN Weihua
（School of Economics and Management，F(xiàn)uzhou University，F(xiàn)uzhou Fujian 350116，China）

s：Using the panel data of 31 provinces and autonomous regions in China in 2015，we first use DEA，SFA and factor analysis to evaluate the efficiency of the Industry-University-Research(I-U-R) collaborative innovation in 31 provinces and autonomous regions in China，and then the efficiency values of the first three methods are integrated into the 31 provinces and autonomous regions' efficiency of the I-U-R collaborative innovation by using the TOPSIS method.Finally，the multiple regression model is used to study the influence of the input of the main innovation subject on the efficiency of the I-U-R collaborative innovation. The results show that there is a positive correlation between the input of the enterprise，the input of the university，the excessive input of the government and the efficiency of the I-U-R collaborative innovation. The general input of the government is negatively related to the innovation efficiency of the I-U-R collaborative innovation，and the influence of the scientific research institutions on the efficiency of the I-U-R collaborative innovation is not significant.

collaborative innovation efficiency；TOPSIS method；multiple regression model

C931

A

1672-6138（2017）03-0021-07

10.3969/j.issn.1672-6138.2017.03.006

［責(zé)任編輯：曹娜］

2017-05-05

李鵬（1990—），男，湖北荊門人，碩士研究生，研究方向：創(chuàng)新管理與評(píng)價(jià)。