基于主成分分析和層次分析法的科技創(chuàng)新量化考核算法

摘 要：企業(yè)科技成果作為國家科技創(chuàng)新的重要組成部分，是科技創(chuàng)新的重要體現(xiàn)。如何科學評價新時期企業(yè)科技成果創(chuàng)新是一個普遍存在的問題，針對傳統(tǒng)層次分析法（Ａｎａｌｙｔｉｃａｌ Ｈｉｅｒａｒｃｈｙ Ｐｒｏｃｅｓｓ，ＡＨＰ） 在確定權(quán)重系數(shù)方面存在的不足，以國有企業(yè)科技創(chuàng)新評價為落腳點，提出一種基于主成分分析法（Ｐｒｉｎｃｉｐａｌ Ｃｏｍｐｏｎｅｎｔ Ａｎａｌｙｓｉｓ，ＰＣＡ） 和ＡＨＰ 的科技創(chuàng)新量化考核方法，建立了國有企業(yè)科技創(chuàng)新量化考核指標要素信息庫，構(gòu)建新型科研平臺科技創(chuàng)新能力考核指標體系。綜合考慮了主客觀因素，利用ＰＣＡ 得到指標層中各指標的重要度，通過ＡＨＰ 得到判斷矩陣，提高判斷矩陣的準確性和合理性。實驗結(jié)果表明，采用基于ＰＣＡ 和ＡＨＰ 的科技創(chuàng)新量化考核算法得到的國有企業(yè)科技創(chuàng)新量化考核評估結(jié)果更加客觀合理，并通過人機交互系統(tǒng)展示考核的分析結(jié)果。

關(guān)鍵詞：層次分析法；主成分分析；科技創(chuàng)新；評價指標體系；人機交互系統(tǒng)

中圖分類號：ＴＰ３１５ 文獻標志碼：Ａ 開放科學（資源服務(wù)）標識碼（ＯＳＩＤ）：

文章編號：１００３－３１０６（２０２４）０４－０９９８－１１

０ 引言

新時代國家發(fā)展戰(zhàn)略是以科技自主自強為支撐，科技創(chuàng)新是國家發(fā)展的第一要務(wù)，科技成果作為國家科技創(chuàng)新的重要組成部分，是衡量一個國家在國際競爭中的綜合實力和國家全面發(fā)展的第一生產(chǎn)力。為加快打造世界創(chuàng)新高地，需盡快構(gòu)建針對不同級別實驗室、研究所的科技創(chuàng)新成果評價體系，完善國家資源分配。目前對于新時期科技創(chuàng)新的理論研究十分有限，如何對科技創(chuàng)新成果進行評價，已成為科技創(chuàng)新成果轉(zhuǎn)化的重要內(nèi)容。

張敏等［１］提出了一種改進的層次分析法（Ａｎａｌｙｔｉｃａｌ Ｈｉｅｒａｒｃｈｙ Ｐｒｏｃｅｓｓ，ＡＨＰ），采用模糊綜合評判和生成比較的方法建立評判矩陣。羅齊彬等［２］利用主成分分析法（Ｐｒｉｎｃｉｐａｌ Ｃｏｍｐｏｎｅｎｔ Ａｎａｌｙｓｉｓ，ＰＣＡ）來分析地氣測量元素間的異常信息，將原始數(shù)據(jù)轉(zhuǎn)化為主成分，克服了主觀因素的影響。Ｆｏｒｔｕｎａｔｏ 等［３］指出創(chuàng)新是基于對現(xiàn)有成果的傳統(tǒng)組合，但同時需要具有獨特性。馮立杰等［４］提出可以通過ＴｅｘｔＲａｎｋＩＤＦ 新穎性度量來評估科技創(chuàng)新并對其創(chuàng)新性進行排序、測量創(chuàng)新帶來的價值。沈律等［５］提出將技術(shù)成果的重復率和技術(shù)成果的引用率納入技術(shù)成果創(chuàng)新程度評價的指標體系，提出了技術(shù)創(chuàng)新一般均衡理論。易雪媛等［６］提出了科技成果創(chuàng)新的有效性評價模式，強調(diào)新的科技創(chuàng)新成果考核評價應(yīng)該增加預設(shè)倫理評價、新穎性評價、需求度評價與成果采納、經(jīng)濟性評價、成果的發(fā)表引用獲獎等評價指標，揭示了成果創(chuàng)新會隨著時間推移而衰減，但創(chuàng)新有效性反而得到明顯增強的特殊現(xiàn)象。譚春輝等［７］通過將科技成果劃分為４ 類，對劃分后的４ 類成果分別構(gòu)建評價指標。

現(xiàn)有的評價方法根據(jù)權(quán)重可以大致區(qū)分為客觀賦權(quán)和主觀賦權(quán)２ 類。前者是根據(jù)現(xiàn)有存在的數(shù)據(jù)進行分析，根據(jù)所分析的數(shù)據(jù)關(guān)系對其屬性進行分配權(quán)值，較強依賴于數(shù)學理論依據(jù)，具有較強的客觀性，但一定程度上會因為其客觀性，無法將實際情況和人們主觀意向相結(jié)合。后者是相關(guān)領(lǐng)域的專家根據(jù)現(xiàn)有存在的決策問題，結(jié)合專家本身的知識儲備和處理經(jīng)驗，科學合理地對屬性進行權(quán)重賦值和排序，一定程度上降低了屬性權(quán)重和屬性重要性不一致的現(xiàn)象，該方法很大程度上依賴于決策專家們的判斷，造成對決策專家的負擔，難免會受到個人主觀的影響，從而存在一定的主觀隨意性。

針對現(xiàn)有科技評價方法的不足，本文結(jié)合ＰＣＡ的客觀分析法和基于ＡＨＰ 的主觀賦權(quán)法，設(shè)計一種適用于國有企業(yè)的科技創(chuàng)新量化考核算法，既解決了主觀因素的影響，又客觀地反映了樣本之間的真實關(guān)系，同時充分利用了數(shù)據(jù)信息。以國有企業(yè)科技成果創(chuàng)新評價為落腳點，構(gòu)建了實驗室科技成果評價標準指標數(shù)據(jù)庫，建立了多維度、多層次的全方位指標評價體系。針對每個維度，采用不同的方法從通用數(shù)據(jù)庫中提取相關(guān)指標集，對其計算權(quán)重，構(gòu)建唯一的指標體系，最終對實驗室科技創(chuàng)新成果進行多層次、多角度的差異化評價。

１ 考核評價模型與方法

１． １ 基于ＰＣＡ 的指標體系

當考核體系中的指標類型冗雜眾多時，每個指標元素所提供的有效信息并非具有同等價值，若對所有考核對象的指標元素都進行參考并最終得出考核結(jié)果，往往會耗費大量不必要的時間，且從考核結(jié)果中并不能體現(xiàn)指標元素之間的關(guān)聯(lián)性［８］。若僅簡單直觀地選取部分指標元素，雖然比較簡單，但很可能會損失許多有效信息［９］。故對指標元素采用ＰＣＡ 解決上述問題。

定義１（ＰＣＡ）利用現(xiàn)有的ｎ 個指標元素：Ｘ１ ，Ｘ２ ，Ｘ３ ，…，Ｘｎ 構(gòu)建樣本矩陣，計算出相關(guān)系數(shù)矩陣，得出各指標元素的方差貢獻率，采用方差貢獻率較高的指標元素，最終將ｎ 個指標綜合簡化為相對重要的ｋ 個（ｋ＜ｎ）指標元素。

① 構(gòu)建樣本矩陣：假設(shè)采?。?個考核對象，ｐ 個考核指標，考核對象ｉ 對考核指標ｊ 的原始數(shù)據(jù)為ｘｉｊ，其中，ｉ ＝ １，２，…，ｎ；ｊ ＝ １，２，…，ｐ，構(gòu)成大小為ｎ×ｐ 的樣本矩陣ｘ：

② 樣本矩陣標準化：采用ＺＳｃｏｒｅ 法解決原始變量尺寸和數(shù)量級不同所造成的影響，使每個變量標準化，得到標準化矩陣Ｘ：

③ 計算標準化樣本的協(xié)方差矩陣：根據(jù)步驟②得出的標準化數(shù)據(jù)Ｘｉｊ 計算出樣本相關(guān)系數(shù)ｃｉｊ ＝Σｎｋ ＝ １（Ｘｋｉ －Ｘｉ）（Ｘｋｊ －Ｘｊ）／ （ｎ－１）＝Σｎｋ ＝ １Ｘｋｉ·Ｘｋｊ ／ （ｎ－１），得出ｘ 矩陣的樣本相關(guān)系數(shù)矩陣ＣｏｖＸ ＝ （ｃｉｊ）ｐ ×ｐ：

④ 計算協(xié)方差矩陣ＣｏｖＸ 的特征值和特征向量：根據(jù)步驟③所得的協(xié)方差矩陣ＣｏｖＸ，通過方程｜ＣｏｖＸ－λ·Ｅ｜＝ ０ 計算得出ＣｏｖＸ 矩陣的特征值λｉ（ｉ ＝ １，２，３，…，ｐ），并按照降序?qū)⑻卣髦颠M行排序，然后對排序后的特征值λｉ 計算其對應(yīng)的特征向量ｅｉ。

⑤ 方程解排序后的特征值：λ１ ＞λ２ ＞…＞λｐ，對應(yīng)的特征向量ｅｉ ＝ （ｅ１ｉ，ｅ２ｉ，…，ｅｐｉ） Ｔ ，其中ｉ ＝ １，２，３，…，ｐ。

⑦ 主成分表示：簡化的ｍ 個主成分表示為Ｆｉ（ｉ ＝ １，２，３，…，ｋ），根據(jù)步驟④的特征向量得出第ｉ 個主成分為：

Ｆｉ ＝ ｅ１ｉ ·Ｘ１ ＋ ｅ２ｉ ·Ｘ２ ＋ … ＋ ｅｐｉ ·Ｘｐ 。（７）

根據(jù)步驟⑥得出的對應(yīng)方差貢獻率ｗｉ 作為每個指標元素的權(quán)值，則主成分模型：

Ｆ ＝ Ｆ１ ·ｗ１ ＋ Ｆ２ ·ｗ２ ＋ … ＋ Ｆｍ ·ｗｍ 。（８）

１． ２ 基于ＡＨＰ 的指標賦權(quán)及評價

在考核評價指標數(shù)量較多時，僅僅采用傳統(tǒng)的主觀賦值法來確定考核評價指標的權(quán)重，會對部分考核評價指標的重要程度產(chǎn)生一定的偏差，進而導致實際考核評價數(shù)據(jù)難以反映客觀實際情況，而采用客觀賦權(quán)法來確定評價指標的權(quán)重能避免主觀因素的影響。國家級和省部級重點實驗室的考核規(guī)則中均設(shè)置了各個考核指標的具體權(quán)重，項目單位可直接采用有關(guān)的權(quán)值進行計算。如果需要對有關(guān)權(quán)值進行調(diào)整或新增考核指標，項目單位可根據(jù)實際情況直接設(shè)置各指標的權(quán)值，也可以采用如下的ＡＨＰ 設(shè)置和檢驗考核指標權(quán)重是否合理。

本文采取的ＡＨＰ 方法步驟如下所示，具體考核指標和分級方法以具體情況確定。

（１）建立層次結(jié)構(gòu)模型

科技創(chuàng)新量化考核指標體系是一個典型的層次結(jié)構(gòu)模型。

例１ 圖１ 所示為一個簡化的實驗室考核層次結(jié)構(gòu)模型，僅用于說明ＡＨＰ 的計算過程。將考核規(guī)則中的１ ～ ３ 級指標分別對應(yīng)于目標層（Ｈ）、準則層（Ｌ１ ～ Ｌ３）和方案層（Ｙ１ ～ Ｙ６）。

（２）構(gòu)造各層次的判斷（成對比較）矩陣

根據(jù)Ｓａａｔｙ［１０－１１］提出的一致矩陣法，將所有因素兩兩比較，并采用相對尺度提高準確性。如圖１所示，為了設(shè)置目標層Ｈ 下的ｎ 個準則層的權(quán)重，將Ｈ 層下的準則層Ｌ１、Ｌ２、Ｌ３ 參照重要性程度評定等級表進行兩兩互相對比，參考表１ 比例度量。例如，在圖１ 中，Ｌ１ 相對于Ｌ２、Ｌ３ 的重要性分別為３和７，Ｌ２ 相對于Ｌ３ 的重要性為５。

權(quán)重計算和一致性檢驗過程如下：

① 參考表１ 得出所有因素比較結(jié)果ａｉｊ 組成比較矩陣Ａ，Ａ ＝ （ａｉｊ）ｎ×ｎ 為ｎ 階方陣，將Ａ 按列向量歸一化得到矩陣Ｂ ＝ （ｂｉｊ ），其中ｂｉｊ ＝ ａｉｊ ／Σｎｉ ＝ １ ａｉｊ （ｎ ＝ １，２，３，…，ｎ），即將每一個元素除以其所在列元素的和。

② 對Ｂ ＝ （ｂｉｊ ）按行求和得Ｃ ＝ （Ｃ１ ，Ｃ２ ，Ｃ３ ，…，Ｃｎ） Ｔ ，其中，Ｃｉ ＝Σｎｊ ＝ １ ｂｉｊ。

③ 將Ｃ 歸一化Ｗ ＝ （Ｗ１ ，Ｗ２ ，Ｗ３ ，…，Ｗｎ） Ｔ ，其中Ｗｉ ＝ Ｃｉ ／Σｎｉ ＝ １ Ｃｉ，即Σｎｉ ＝ １ Ｗｉ ＝ １。

④ 計算λｍａｘ ＝ （Ａ·Ｗ）ｉ ／ （ｎ·Ｗｉ ），表示最大特征值的近似值，其中（Ａ·Ｗ）ｉ 表示Ａ·Ｗ 的第ｉ 個分量。

⑤ 將ＣＩ 作為一致性指標計算ＣＩ ＝ （λ－ｎ）／ （ｎ－１），當ＣＩ ＝ ０ 時，表示完全一致；當ＣＩ 越接近于０，則一致性越高，反之ＣＩ 越大，則一致性就越低。

⑥ 將ＣＲ 作為一致性比率，計算ＣＲ ＝ ＣＩ ／ ＲＩ，其中，ＲＩ 表示平均隨機一致性指標，當一致性比率ＣＲ＜０． １ 時，通常認為Ａ 的不一致性在容許范圍之內(nèi)可以被接受，通過一致性檢驗；反之則需要重新從比較矩陣Ａ 構(gòu)建，對ａｉｊ 進行調(diào)整。

２ 科技創(chuàng)新評價指標體系構(gòu)建

２． １ 考核指標選擇

本文參考《中國大學科技創(chuàng)新力指數(shù)報告（２０１７）》《中國區(qū)域科技創(chuàng)新評價報告（２０２１）》《全國科技創(chuàng)新百強指數(shù)報告２０２２—企業(yè)、高校及研究機構(gòu)篇》考核信息要求，并參考本文依托項目單位自身定位和現(xiàn)有的有關(guān)指標，建立科研機構(gòu)科技創(chuàng)新量化考核指標要素信息庫，將指標庫收集的指標大致分為１５ 種類型，如表２ 所示。

２． ２ 基于ＰＣＡ 的評價指標體系構(gòu)建

同上文考核指標選擇所借鑒相關(guān)報告相同，并參考項目單位自身定位和現(xiàn)有的有關(guān)指標，基于指標體系構(gòu)建理論，在對科技成果進行多維度、多層次、多元化解讀的基礎(chǔ)上，對科技成果創(chuàng)新評價進行深入研究，構(gòu)建如表３ 所示的指標體系。

根據(jù)項目單位自身定位，以及下屬各實驗室的等級和考核需求，參考各主管單位的考核規(guī)則，制定考核指標時的基本原則如下：

① 考核指標體系總體框架見表３，考核目標分解為１ ～ ３ 級，與現(xiàn)行的國家級、省部級和各研究院自定的考核方案框架一致，便于與現(xiàn)有考核規(guī)則對接［１２］。表３ 中的３７ 個三級指標是根據(jù)考核指標要素信息庫的１５ 種數(shù)據(jù)類型信息提取而來。

② 對于有外部考核要求的創(chuàng)新實體，如國家級和省部級實驗室，考核標準主要參考對應(yīng)主管部門制定的考核規(guī)則，保證國家級或省級重點實驗室能順利通過主管部門的考核，重點實驗室的發(fā)展和建設(shè)符合國家的科技創(chuàng)新導向，保證重點實驗室地位的延續(xù)性［１３］。

③ 對于項目單位沒有外部考核規(guī)則的實驗室，如院級研發(fā)中心和創(chuàng)新團隊，以項目的單位制定的考核方案為主［１４］。

④ 在考核上述指標的同時，適當增加一些考核的“動態(tài)指標”，為實現(xiàn)國有企業(yè)發(fā)展、科技創(chuàng)新而建立新的考核指標，或根據(jù)上年度的考核結(jié)果新增的考核指標，其目的是保證考核指標的與時俱進，與企業(yè)的發(fā)展規(guī)劃相適應(yīng)［１５］。

２． ３ 基于ＡＨＰ 的指標權(quán)重設(shè)定

首先，將評價考核指標體系的部分數(shù)據(jù)（表３中標記為加粗的指標），根據(jù)是否進一步區(qū)分的等級乘以不同的權(quán)重，其相對權(quán)重主要是通過主觀人為確定的，計算方式如下。

① 高級人才綜合得分值Ｓ１ ：

Ｓ１ ＝ Σ５１（人才類型數(shù)目× 人才權(quán)重）。（９）

② 科研項目分值：ａｉ ＝ 項目權(quán)重×等級權(quán)重，表示第ｉ 個科研項目分值；Ａ ＝Σｎ２１ ａｉ，表示科研項目總分值，ｎ２ 為科研項目數(shù)目。

③ 論文分值：ｂｉ ＝ 論文類型權(quán)重×期刊分區(qū)×排名次序，表示第ｉ 篇論文分值；Ｂ ＝Σｎ３１ ｂｉ 表示論文總分值，ｎ３ 為論文總數(shù)；人均論文分值＝ 論文分值／ 總?cè)藬?shù)。

④ 專利綜合分值：ｃｉ ＝ 專利類型權(quán)重×專利狀態(tài)權(quán)重×排名權(quán)重，表示第ｉ 篇專利分值；Ｃ ＝Σｎ４１ ｃｉ 表示專利綜合分值，ｎ４ 為專利總數(shù)。

⑤ 標準綜合分值：ｄｉ ＝ 標準等級權(quán)重×排名權(quán)重，表示每件標準分值；Ｄ ＝Σｎ５１ ｄｉ 表示標準綜合分值，ｎ５ 為標準總數(shù)。

⑥ 科技學技術(shù)獎項分值：ｇｉ ＝ 獎項權(quán)重×等級權(quán)重×排名權(quán)重，表示單個獎項分值；Ｅ ＝Σｎ６１ ｇｉ 表示獎項綜合分值，ｎ６ 為獎項個數(shù)。

⑦ 成果鑒定分值：ｆｉ ＝ 成果等級權(quán)重× 排名權(quán)重，表示單個成果分值；Ｆ ＝Σｎ７１ ｆｉ 表示成果綜合分值，ｎ７ 為成果總數(shù)。

最后，通過ＡＨＰ 方法計算該科研平臺科技創(chuàng)新能力考核指標體系的三級指標權(quán)重，并按照由下到上的順序?qū)⒏鲗蛹壘€性相加，逐步得到二級指標和一級指標的權(quán)重［１６］，其各級指標權(quán)重占比如表４ 所示。

３ 實驗結(jié)果與分析

本節(jié)將介紹實驗數(shù)據(jù)和實驗設(shè)置，并討論分析在真實數(shù)據(jù)集上的實驗結(jié)果。

３． １ 數(shù)據(jù)集描述。

為了評估本系統(tǒng)所提出基于ＰＣＡ 和ＡＨＰ 算法的準確性，以及運行時間的提升，分別選取了通信軟件與專用集成電路設(shè)計國家工程研究中心（Ｄ１）、河北省光子信息重點實驗室（Ｄ２）和光通信研發(fā)中心（Ｄ３）的工作人員信息，作為國家級重點實驗室、省企業(yè)重點實驗室和院級研發(fā)中心的不同級別實驗室的真實數(shù)據(jù)集。３ 個數(shù)據(jù)集分別包含了３２６、２８３、１７６ 名工作人員信息，３ 個數(shù)據(jù)集均按照７ ∶ ３ 的比例隨機劃分成訓練集和驗證集。

３． ２ 實驗環(huán)境

實驗軟硬件環(huán)境包括：操作系統(tǒng)為Ｕｂｕｎｔｕ ２０． ０４，ＪＡＶＡ 開發(fā)環(huán)境為ｊｄｋ１． ６． ０＿２６，Ｗｅｂ 服務(wù)器為Ｔｏｍｃａｔ９． ０，數(shù)據(jù)庫為ＳＱＬＳｅｒｖｅｒ ２００８ Ｒ２（ＲＴＭ）；硬件環(huán)境為ＮＶＩＤＩＡ ＧｅＦｏｒｃｅ ＲＴＸ ３０８０ Ｔｉ，ＣＰＵ 內(nèi)存為３２ ＧＢ。

３． ３ 評價標準

通過對比相同實驗下的傳統(tǒng)方法、基于ＡＨＰ、基于ＰＣＡ 和基于ＰＣＡ＋ＡＨＰ 四種不同算法對各級實驗室單位的科技創(chuàng)新水平進行量化考核，選擇運行時間、準確率（Ａｃｃｕｒａｃｙ）、精確率（Ｐｒｅｃｉｓｉｏｎ）和召回率（Ｒｅｃａｌｌ）４ 項指標進行實驗。準確率指所有被納入系統(tǒng)的指標占所有指標的比重（式（１０））；精確率指被正確納入系統(tǒng)的指標占所有被納入系統(tǒng)的比重（式（１１））；召回率指被正確納入系統(tǒng)的指標占實際所有應(yīng)該被納入系統(tǒng)的指標（式（１２）），對應(yīng)公式如下：

Ａｃｃｕｒａｃｙ ＝ （ＴＰ ＋ ＴＮ）／ （ＴＰ ＋ ＴＮ ＋ ＦＰ ＋ ＦＮ），（１０）

Ｐｒｅｃｉｓｉｏｎ ＝ ＴＰ ／ （ＴＰ ＋ ＦＰ）， （１１）

Ｒｅｃａｌｌ ＝ ＴＰ ／ （ＴＰ ＋ ＦＮ）， （１２）

式中：ＴＰ 表示被成功納入系統(tǒng)并賦予合理權(quán)重的指標，ＴＮ 表示未被系統(tǒng)采納的多余指標，ＦＰ 表示被系統(tǒng)納入的多余指標，ＦＮ 表示被系統(tǒng)遺漏的考核指標。

３． ４ 消融實驗

在使用相同數(shù)據(jù)集和訓練環(huán)境的前提下，分別在傳統(tǒng)算法、基于ＡＨＰ、基于ＰＣＡ、基于ＰＣＡ＋ＡＨＰ四種算法上訓練，得到圖２ 所示４ 種算法的運行時間，結(jié)果表明傳統(tǒng)方法所需的運行時間最長，在省部級的數(shù)據(jù)集（Ｄ１）中高達２７６ ｍｓ，而省部級中基于ＰＣＡ ＋ ＡＨＰ 的運行時間可以縮短至１０４ ｍｓ。圖３ 給出了４ 種算法分別在不同數(shù)據(jù)集的準確率，從圖中可以看出，本文提出的基于ＰＣＡ＋ＡＨＰ 明顯高于其他方法，因為通過ＰＣＡ 相對于傳統(tǒng)方法可以分析出指標間的關(guān)系，然后通過ＡＨＰ 合理地賦予權(quán)值，ＰＣＡ ＋ ＡＨＰ 的組合模式下算法準確率最高。

圖４ 展示了４ 種算法的ＰＲ 曲線對比，發(fā)現(xiàn)基于ＰＣＡ＋ＡＨＰ 算法的曲線所占面積最大，曲線下降趨勢劇烈，說明其檢測精度相比其他算法更高。

４ 人機交互系統(tǒng)和創(chuàng)新能力評價

綜合考慮到創(chuàng)新實驗室差異化評估的特點并適應(yīng)不斷深化的改進需求，本文開發(fā)了一個科技創(chuàng)新量化考核系統(tǒng)，基于Ｂ ／ Ｓ 模式，采用Ｊ２ＥＥ 架構(gòu)，ＪＡＶＡ 集成開發(fā)工具選擇ＭｙＥｃｌｉｐｓｅ １０． ０，開源Ｗｅｂ框架選擇Ｓｔｒｕｔｓ２． ０，開源數(shù)據(jù)庫框架選擇Ｈｉｂｅｒｎａｔｅ３． ３，Ａｊａｘ 框架選擇ＪＱｕｅｒｙ１． ７，選用Ｍｉｃｒｏｓｏｆｔ ＳＱＬ Ｓｅｒｖｅｒ２００８ 數(shù)據(jù)庫，以實現(xiàn)海量數(shù)據(jù)高效管理，并具有較強的擴展性和高可用性。本節(jié)將從系統(tǒng)６ 個組成模塊和創(chuàng)新性體現(xiàn)兩方面來進行介紹。

４． １ 人機交互系統(tǒng)功能模塊

建立考核組織體系首先需要成立實驗室考核辦公室或委員會，專門負責企業(yè)下屬各級實驗室的考核工作，形成系統(tǒng)的考核組織體系，以增強考核的獨立性及結(jié)果的準確性［１７］。實驗室考核辦公室負責制定考核方案，出臺具體的考核步驟與要點，規(guī)定考核的性質(zhì)和內(nèi)容，明確考核指標、權(quán)值。在進行下一年度考核前，考核辦公室可對現(xiàn)行的方案、方式和指標進行修訂，對考核方案進行調(diào)整［１８］。

考核方案確定后，根據(jù)考核方案的內(nèi)容設(shè)計考核系統(tǒng)的功能及各個子模塊。實驗室考核平臺在功能上不但要求能夠?qū)Ω鲗蛹墝嶒炇疫M行差異化考核，同時平臺也應(yīng)滿足考核過程的便捷性，能對實驗室信息和考核所需的數(shù)據(jù)進行標準化、模塊化管理［１９］。將實驗室考核系統(tǒng)分為６ 個功能模塊：實驗室基本信息、年度目標、年度數(shù)據(jù)、評價指標、評價輸出和評價總結(jié)，如圖５ 所示。

實驗室基本信息模塊：用于統(tǒng)計實驗室項目和人員情況，包括實驗室簡介、人員列表、項目統(tǒng)計和文章統(tǒng)計等。點擊相應(yīng)的子模塊可以查看每項的具體信息，可對相關(guān)的信息進行維護、修改或添加。

年度目標設(shè)定模塊：年度目標是進行實驗室考核的重要依據(jù)，考核辦公室根據(jù)各實驗室的具體情況設(shè)置差異化目標。目標設(shè)定后將相關(guān)數(shù)據(jù)導入考核系統(tǒng)，方便各實驗室人員查看，同時保存用于年底考核時進行指標比對。

實驗室年度數(shù)據(jù)：實驗室年度數(shù)據(jù)指本實驗室一年來運行所有的數(shù)據(jù)統(tǒng)計，包括人員、獎項、國家級項目、省部級項目、文章專利和新增儀器等。這些數(shù)據(jù)并非最終都會用作考核指標，將這些數(shù)據(jù)的存儲備用，提高實驗室管理效率。

評價指標模塊：本文績效考核指標體系采用三級指標體系。三級指標共同構(gòu)成二級指標，二級指標共同組成一級指標。評價指標模塊用于對評價指標和權(quán)值進行設(shè)置或修訂。

評價輸出模塊：評價指標輸出模塊用于根據(jù)統(tǒng)計的考核指標和實驗室的年度成果，統(tǒng)計考核數(shù)據(jù)是否完整，對完整數(shù)據(jù)計算評價考核，并將其評價結(jié)果進行展示。

評價總結(jié)：對考核結(jié)果進行分析與總結(jié)，包括與本年度其他實驗室的比較、與之前年度考核成績的比較，在哪些方面取得了進步，哪些方面需要進一步改進。

４． ２ 科技創(chuàng)新能力分析

錄入信息后，檢驗其數(shù)據(jù)完整性，進行年度數(shù)據(jù)統(tǒng)計分析。根據(jù)指標權(quán)重，計算研究所和下屬各考核對象的創(chuàng)新能力值，進行比較分析，從不同維度展示被考核對象的科技創(chuàng)新能力及變化趨勢。

４． ２． １ 考核指標元素分析

由指標權(quán)重計算得出后的結(jié)果，對各考核對象的具體考核指標元素進行如下分析：

① 分析項目單位的整體數(shù)據(jù)指標。對全所年度數(shù)據(jù)進行統(tǒng)計和展示。對表２ 考核指標要素信息庫中１５ 個類別的指標元素進行統(tǒng)計和展示。

② 分析企業(yè)下屬各考核對象的數(shù)據(jù)指標，計算各考核對象對研究所總年度指標的貢獻率，計算各考核對象對上述１５ 個類別的指標分別的貢獻度，并分別展示１５ 個類型指標其考核對象排名貢獻度前五的主要貢獻對象。

③ 分析各類指標的人均貢獻度，如人均論文數(shù)、人均專利數(shù)等。

本文從各考核對象之間和歷年歷史數(shù)據(jù)兩個維度進行比較，并展示研究所和各考核單位的指標元素變化。

４． ２． ２ 創(chuàng)新能力分析

由系統(tǒng)計算得出的創(chuàng)新能力值，對各考核對象進行如下創(chuàng)新能力分析：

① 計算并展示項目單位整體創(chuàng)新分值，以及各級考核指標的創(chuàng)新分值，包括表３ 中的一級指標、二級指標和三級指標。

② 計算并展示各考核對象的創(chuàng)新分值，以及各考核對象的各級指標創(chuàng)新分值。

③ 計算展示各考核對象創(chuàng)新能力對整個項目單位創(chuàng)新分值的貢獻度，各級考核指標的貢獻排名前五的單位。

④ 計算展示各考核對象的人均創(chuàng)新指數(shù)Ｉ１ ，Ｉ１ ＝ 創(chuàng)新分值／ 總?cè)藬?shù)，考慮考核對象的部門的大小，以及研發(fā)人員數(shù)目。

⑤ 計算展示各考核對象的人才創(chuàng)新指數(shù)Ｉ２ ，Ｉ２ ＝ 創(chuàng)新分值／ 人才綜合分值，考慮部門所擁有的各級人才數(shù)，包括國家級人才、省部級人才等，人才綜合分值計算如式（９）所述。

⑥ 計算全所平均創(chuàng)新分值，比較各考核對象與平均分值的差距，找出差異的具體指標，篩選出各考核對象需要提升的指標。

從各考核對象之間和歷年歷史數(shù)據(jù)２ 個維度比較展示各指標的變化趨勢，展示各創(chuàng)新考核指標的改善情況。

４． ３ 人機交互系統(tǒng)

良好的用戶體驗能幫助其快速熟悉系統(tǒng)，通過終端操作與服務(wù)器進行會話以完成指標輸入、評價計算結(jié)構(gòu)輸出等任務(wù)。此外，良好的用戶體驗對于實驗室差異化評估系統(tǒng)的推廣起到很大作用，用戶體驗改善方案的主要策略如圖６ 所示。

為了提高評價體系的實用性，方便考核對象的參與和使用，體現(xiàn)評價過程的科學性、公正性和準確性，系統(tǒng)提供了各類實時查詢和統(tǒng)計功能，并提供了表格、曲線、條形圖、餅圖等多種顯示和輸出方式，方便考核對象從橫向和縱向比較。

以論文為例，圖７ 展示了歷年論文情況，系統(tǒng)左側(cè)通過曲線圖呈現(xiàn)企業(yè)近５ 年論文各類期刊的發(fā)表數(shù)量，當鼠標放置于所屬年份列時，將通過上方餅狀圖反映對應(yīng)年份的期刊占比情況，系統(tǒng)右側(cè)通過六邊形分析圖展示近３ 年論文署名情況。

歷年論文分析后選擇“論文得分情況”，得到如圖８ 所示論文得分情況，系統(tǒng)左下側(cè)通過柱狀圖計算展示近５ 年論文得分情況，將所有年份的論文得分進行求和后得出論文總得分并在系統(tǒng)左上角進行展示。系統(tǒng)右側(cè)展示了近５ 年論文各類期刊的得分情況。

可根據(jù)需要打印各類圖表，根據(jù)項目需要歸檔成果、專利單位業(yè)績、個人業(yè)績和發(fā)表論文等內(nèi)容。以個人論文模塊為例，個人總覽圖如圖９ 所示，展示了該員工的身份、近３ 個月成果、待辦事項以及全部成果，其中全部成果模塊會將其成果相關(guān)情況進行完整展示，成果類型分為論文、專利和科研項目三大類。

統(tǒng)計模塊采用分層設(shè)計方法，對于每一級單位，系統(tǒng)提供相應(yīng)的查詢、比對和統(tǒng)計功能，使系統(tǒng)可以應(yīng)用于各種規(guī)模的業(yè)務(wù)和技術(shù)單位。

５ 結(jié)束語

本文結(jié)合ＰＣＡ 和ＡＨＰ 構(gòu)建了國有企業(yè)科技創(chuàng)新量化考核指標體系，綜合主客觀２ 種分析角度，參考現(xiàn)有國家級實驗室、高校和企業(yè)等創(chuàng)新指數(shù)報告，根據(jù)項目單位自身定位，以及下屬各實驗室的等級和考核需求，制定考核指標時的基本原則，構(gòu)建科技創(chuàng)新量化考核體系。所提方法有利于各種科技和物質(zhì)資源的合理分配，促進各單位自我建設(shè)和良性競爭，動態(tài)反映科研團隊的科研發(fā)展趨勢和重點發(fā)展內(nèi)容，引導團隊人才的合理分配和資金的正確支配。

參考文獻

［１］ 張敏，廖畢文，肖峰． 層次分析法的模糊綜合評判模型在維修質(zhì)量評判中的應(yīng)用［Ｊ］． 江西電力職業(yè)技術(shù)學院學報，２０２０，３３（７）：２１－２２．

［２］ 羅齊彬，楊亞新，金和海，等． 主成分分析法解析地氣測量元素異常信息［Ｊ］． 核電子學與探測技術(shù)，２０２１，４１（２）：２１４－２２０．

［３］ ＦＯＲＴＵＮＡＴＯ Ｓ，ＢＥＲＧＳＴＲＯＭ Ｃ Ｔ，ＢＯＲＮＥＲ Ｋ，ｅｔ ａｌ．Ｓｃｉｅｎｃｅ ｏｆ Ｓｃｉｅｎｃｅ ［Ｊ ］． Ｓｃｉｅｎｃｅ，２０１８，３５９ （６３７９ ）：ｅａａｏ０１８５．

［４］ 馮立杰，尤鴻宇，王金鳳． 專利技術(shù)創(chuàng)新路徑識別及其新穎性評價研究［Ｊ］． 情報學報，２０２１，４０（５）：５１３－５２２．

［５］ 沈律，沈豪． 科技創(chuàng)新一般均衡理論及其應(yīng)用研究［Ｊ］． 中國科技期刊數(shù)據(jù)庫科研，２０１５，１０（２５）：５１．

［６］ 易雪媛，劉衛(wèi)華，彭云，等． 科技成果創(chuàng)新的有效性評價模式研究———以醫(yī)學為例［Ｊ］． 中華醫(yī)學科研管理雜志，２０１６，２９（２）：１１３－１１９．

［７］ 譚春輝，李思佳，程凡． 創(chuàng)新武漢市科技成果評價指標研究［Ｊ］． 科研管理，２０１６，３７（增刊１）：６０７－６１３．

［８］ ＢＲＯ Ｒ，ＳＭＩＬＤＥ Ａ Ｋ． Ｐｒｉｎｃｉｐａｌ Ｃｏｍｐｏｎｅｎｔ Ａｎａｌｙｓｉｓ［Ｊ］．Ａｎａｌｙｔｉｃａｌ Ｍｅｔｈｏｄｓ，２０１４，６（９）：２８１２－２８３１．

［９］ ＪＯＬＬＩＦＦＥ Ｉ Ｔ，ＣＡＤＩＭＡ Ｊ． Ｐｒｉｎｃｉｐａｌ Ｃｏｍｐｏｎｅｎｔ Ａｎａｌｙｓｉｓ：Ａ Ｒｅｖｉｅｗ ａｎｄ Ｒｅｃｅｎｔ Ｄｅｖｅｌｏｐｍｅｎｔｓ ［Ｊ ］． Ｐｈｉｌｏｓｏｐｈｉｃａｌ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｆ ｔｈｅ Ｒｏｙａｌ Ｓｏｃｉｅｔｙ Ａ：Ｍａｔｈｅｍａｔｉｃａｌ，Ｐｈｙｓｉｃａｌ ａｎｄ Ｅｎｇｉｎｅｅｒｉｎｇ Ｓｃｉｅｎｃｅｓ，２０１６，３７４（２０６５）：２０１５０２０２．

［１０］ ＳＡＡＴＹ Ｔ Ｌ． Ｈｏｗ ｔｏ Ｍａｋｅ ａ Ｄｅｃｉｓｉｏｎ：Ｔｈｅ Ａｎａｌｙｔｉｃ Ｈｉｅｒａｒｃｈｙ Ｐｒｏｃｅｓｓ ［Ｊ］． Ｅｕｒｏｐｅａｎ Ｊｏｕｒｎａｌ ｏｆ Ｏｐｅｒａｔｉｏｎａｌ Ｒｅｓｅａｒｃｈ，１９９０，４８（１）：９－２６．

［１１］ ＳＡＡＴＹ Ｔ Ｌ． Ｄｅｃｉｓｉｏｎ Ｍａｋｉｎｇ ｗｉｔｈ ｔｈｅ Ａｎａｌｙｔｉｃ Ｈｉｅｒａｒｃｈｙ Ｐｒｏｃｅｓｓ［Ｊ］． Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｓｅｒｖｉｃｅｓ Ｓｃｉｅｎｃｅｓ，２００８（１）：８３－９８．

［１２］ 王婉娟，危懷安． 協(xié)同創(chuàng)新能力評價指標體系構(gòu)建———基于國家重點實驗室的實證研究［Ｊ］． 科學學研究，２０１６，３４（３）：４７１－４８０．

［１３］ 李陽，李北偉． 國家重點實驗室運行驅(qū)動力及對策研究［Ｊ］． 科技管理研究，２０２１，４１（２１）：４７－５３．

［１４］ 劉滿君． 主成分分析在人事考核中的應(yīng)用［Ｊ］． 中國科技信息，２０１１（１２）：１３６．

［１５］ 李健，王小蒙． 主成分分析法在企業(yè)經(jīng)濟效益考核中的應(yīng)用［Ｊ］． 內(nèi)蒙古科技與經(jīng)濟，２０１７（４）：４９－５０．

［１６］ 張瑩，王志浩． 基于層次分析法的科技項目同行評議專家綜合評價體系構(gòu)建研究［Ｊ］． 昆明理工大學學報（社會科學版），２０２１，２１（５）：８８－９６．

［１７］ 李新貞． 企業(yè)績效考核評價管理中存在的不足與應(yīng)對措施［Ｊ］． 投資與創(chuàng)業(yè)，２０２２，３３（２３）：１１０－１１２．

［１８］ 葛小雷． 企業(yè)績效考核體系的設(shè)計原則［Ｊ］． 中國有色金屬，２０２２（１１）：６４－６５．

［１９］ 劉新民． 高?？冃Э己说南到y(tǒng)設(shè)計與實施［Ｊ］． 天津理工大學學報，２０２２，３８（２）：５２－５７．

作者簡介

冉黎瓊 女，（１９９８—），碩士研究生。主要研究方向：數(shù)據(jù)挖掘、云計算。

陳金勇 男，（１９７０—），碩士，研究員，博士生導師。

高 林 男，（１９８４—），碩士，高級工程師。

宋海權(quán) 男，（１９８１—），博士，博士后（在站），講師。主要研究方向：計算機網(wǎng)絡(luò)、物聯(lián)網(wǎng)技術(shù)。

王邦平 男，（１９７３—），博士，講師。主要研究方向：人工智能、模式識別、機器視覺測量。

于 泳 男，（１９９８—），碩士研究生。主要研究方向：知識圖譜。

劉 洋 男，（１９９７—），碩士研究生。主要研究方向：人工智能。

（*通信作者）喬少杰 男，（１９８１—），博士后，教授。主要研究方向：人工智能數(shù)據(jù)庫、時空數(shù)據(jù)庫。

基金項目：國家自然科學基金（６２２７２０６６，６１９６２００６ ）；四川省科技計劃（２０２１ＪＤＪＱ００２１，２０２２ＹＦＧ０１８６，２０２２ＮＳＦＳＣ０５１１，２０２３ＹＦＧ００２７，２０２２ＹＦＧ０３２５，２０２１ＹＦＧ００２９）；教育部人文社會科學研究規(guī)劃基金（２２ＹＪＡＺＨ０８８）；宜賓市引進高層次人才項目（２０２２ＹＧ０２）；成都市“揭榜掛帥”科技項目（２０２２－ＪＢ００－００００２－ＧＸ，２０２１－ＪＢ００－０００２５－ＧＸ）；成都市重大科技創(chuàng)新項目（２０２１－ＹＦ０８－００１５６－ＧＸ）；中國電子科技集團公司第五十四研究所高校合作課題（ＳＫＸ２１２０１００５７）；成都信息工程大學國家智能社會治理實驗基地開放課題（ＺＮＺＬ２０２３Ｂ０５）；四川省教育廳人文社科重點研究基地四川網(wǎng)絡(luò)文化研究中心資助科研項目（ＷＬＷＨ２２－１）；成都信息工程大學科技創(chuàng)新能力提升計劃（ＫＹＴＤ２０２２２２）