众创空间的区域创新绩效评价研究

张钰

摘要：从投入和产出的角度构建区域众创空间创新绩效的评价体系，运用数据包络分析方法，对各地区众创空间的纯技术效率与规模效率进行解读。结果表明：我国西部地区众创空间创新绩效综合效率值最高，其次是中部地区，东北部地区的效率值最低。在此基础上，利用BP神经网络进行众创空间创新绩效的效率评价结果验证，取得了较高的精度，从而为众创空间区域创新绩效评价实践提供了一种可行手段。

关键词：数据包络分析 BP神经网络 众创空间 创新绩效

中图分类号：F279.27

文献标识码：A

文章编号：2096-0298（2019）02（b）-223-04

据《中国火炬统计年鉴》数据显示，2014年我国共有创客组织50家，2015年众创空间数量2300余家，仅一年间发展增速达到46倍，截至2016年底，我国有众创空间4298家，当年服务企业数57668个，该年众创空间孵化企业总收入达83 18903亿元，吸纳就业人数436232人，批准知识产权40275项，其中发明专利8467项。而2017年众创空间数量发展至5739家较2016年增幅达到33%以上，众创空间对于创新创业带来的经济效益和社会效益日益凸显，给经济社会的发展带来巨大的正面效应。

众创空间在我国得到了良好的发展成长环境，其孵化场地面积和数量都得到迅猛发展，但是众创空间在我国仍处于发展的初级阶段，仍有很多问题值得我们思考，深圳众创空间“倒闭潮”事件以及众创空间孵化的高失败率，不仅造成了产业资源的浪费，还削弱其对于创新创业的促进作用，不利于社会创新与众创空间的可持续发展。基于此，为实现众创空间健康可持续发展的路径，如何科学合理地对众创空间进行创新绩效的评估考核便成为整个社会的关注焦点。

本文拟以创新驱动发展为目标提供一种更加符合实际情况的众创空间创新绩效的评价方法，不仅可以丰富众创空间的理论研究与探讨，还有助于政府部门科学评价与科学的制定相关政策工作，提供相关发展资源等具有实践指导意义，对众创空间的发展实施有效的动态管理与服务等的现实意义。

1 文献综述

众创空间在我国的发展经历了从传统孵化器到创新工场等新型孵化器再到众创空间的演变过程，其实践的发展比理论界起步要早一些。现有研究成果可以三个方面加以归纳和评述。

一是有关于众创空间基本概念方面的解读。众创空间是传统孵化器的2 0版本，涵盖传统孵化器的基本功能[1]。相比传统孵化器对创新创业主体的选择具有更大的宽容，更低的门槛准入条件，而且更加关注创意的市场化[2]。

二是对于众创空间运行模式的探索与思考。陈夙等[3]以杭州“梦想小镇”的创业生态系统结构分析为例，积极探索提升运营绩效的包括“众创精神”等在内的创业生态系统的四空间维度概念。汪群[4]在对创业生态的构建中提出众创空间的创业生态系统可以由创客生态圈、服务支持生态圈、上下游企业、孵化器、消费者群以及创业环境组成。在实践中越来越多的创新相关主体被纳入众创空间生态系统中。

三是关于众创空间效率评价等的相关研究，张丹宁等[5]对沈阳市众创空间的运营效率指数进行测算，并给出了沈阳市应该重点发展三个各具特色的众创空间产业集群的发展路径的建议。谷立霞等[4]通过七分制的李克特量表的问卷调查，提供了包括创客文化、社会贡献、创业服务、创业环境和基础设施在内的众创空间运行效率的综合评价指标体系。李衍霖等[7]利用平衡计分卡的研究方法，将发展战略与绩效评价联系起来，构建了一系列财务指标和非采取指标的绩效评价指标体系。

通过文献的梳理发现，现有学者对众创空间进行了许多研究探讨，但是已有研究仍存在以下不足：第一，现有研究大多集中在对于“众创空间”理论定义、演变起源的探讨研究，尚缺乏众创空间产业效率、运作效率、创新绩效类的评价等的定量研究分析。第二，目前尚缺乏对于众创空间创新效应评价的定量探讨，从众创空间对于创新的支持作用角度进行创新绩效的评价的理论研究尚需完善。第三，鲜有学者从整体创新的视角出发，研究区域创新绩效评价的问题。

因此，本文在综合现有学者研究的基础上，运用数据包络分析（DEA）结合BP神经网络分析方法对区域众创空间的创新绩效进行分析论证，进一步拓展和深化众创空间的效率评价研究。

2 DEA与BP神经网络的创新绩效评价分析的研究思路

本文采用数据包络分析法的BCC模型对众创空间的区域创新绩效差异进行分析，凡是处在前沿面上的决策单元，则认定其投入产出组合最有效率，将其效率指标定为1，不在前沿面上的决策单元则被认定为低效率或者无效率，同时以效率前沿面之有效点为基准，给予一个相对的效率指标（大于0，小于1），并针对非DEA有效的众创空间进行投影分析，找出低效的原因，以便针对性地给出合适的发展建议。

如果把众创空间创新支持效应看成一个黑箱，它的输入是众创空间服务人员数量、团队及企业当年获得投资总额、当年提供技术支撑服务的团队和企业数量三个指标变量，输出为发明专利数、常驻企业或团队拥有的知识产权数两个指标，利用DEA方法进行有效性的测度。同样对BP神经网络而言，在对结果验证的过程中它也是一个黑箱，DEA效率分析为BP神经网络提供基础数据，BP神经网络处理的结果又可以用来进行效率分析和验证，它们之间的关系如图1所示。

3 变量的选取与说明

本文数据来源为《中国火炬统计年鉴2017》，选取国家备案众创空间2016年横截面数据为决策单元进行分析。根据地域的不同，采取系统抽样，将国家备案的众创空间按注册位置分为东、中、西、东北部四类，分别从中抽取35个省市相关数据。利用DEAP2.1软件，将所收集到的投入与产出数据分别代入BCC模型，筛选指标以及构建指标评价体系是對众创空间创新绩效评价分析的关键。

综合现有学者研究，以及结合《中国火炬统计年鉴2017》相关数据及指标归类的基础上，根据指标的针对性和可得性，选取众创空间服务人员数量作为人力资源方面的投入[8];团队及企业当年获得的投资总额作为资本方面的投入[9];当年提供技术支撑服务的团队和企业数量作为技术服务指标[9]。产出指标的设计：众创空间的产出是多样的，即包括众创空间的收入、提供的就业机会，专利数量等。为了减少产出指标的相关性和数据的可获得性，在对于众创空间的创新绩效的衡量主要考虑，其发明专利的数量、常驻企业和团队拥有的知识产权数作为系统产出指标[10]。具体指标体系如表1所示。

针对上述指标，东部地区相较其他区域具有明显优势，并且享受很多政府政策支持，因此，东部地区众创空间的创新绩效应该是最高的。

4 区域众创空间创新绩效效率值分析

4.1 DEA效率分析

众创空间DEA效率描述性统计。

表2为35家众创空间的DEA效率的描述性统计结果，综合效率的平均值为0.16，整体效率仍有较大的提升空间，纯技术效率的均值为0.61大干其规模效率的均值，可见大部分的众创空间处于规模效率相对无效率阶段。

进一步计算各城市DEA效率值，发现纯技术效率和规模效率方面仅30%的城市在平均水平以上，说明我国众创空间的发展存在严重的发展不平衡问题。同时除了海南、新疆兵团为规模报酬不变，青海地区呈现规模报酬递增之外，91%的地区均呈现规模报酬递减的趋势，说明现阶段的众创空间的整体发展水平已经到了规模的报酬递减的阶段，应该寻求技术改进或者管理水平等的进步。

表3对众创空间DEA效率值进行区域比较分析可得，西部地区的综合效率值最大2 329，其次是中部地区2.159，东北部地区最低。纯技术效率值的比较东部地区最大为9.346，其次为西部地区，东北部地区最低1.364;规模效率值的比较西部最高为3.948，中部地区为2.933，东北部地区最低为0.664。总体来看，西部地区在不具有各种优势条件的情况下综合效率值在各区域中最高，相反占据各方优势的东部地区各项效率值却没有达到我们的预期。

为分析其中的原因，进一步计算各地区众创空间的投入和输出的松弛变量分别在无效率总样本中的占比进行分析。

就产出表4结果来看，大部分地区的众创空间产出指标是合理而有效率的，发明专利方面，除山西和青海之外，剩下各地区的众创空间的发明专利数均为有效的产出;而常驻企业和团队拥有的知识产权数方面中部地区效率最高。

进一步分析，投入松弛变量样本数据中，众创空间服务人员数量的投入方面，西部地区和中部地区人力投入情况尚好，东北部地区人力投入效率最低，50%为低效投入;各区域均较重视对于资金的支持力度;技术投入方面，除东部地区，其余地区无效众创空间均达到50%以上，中部地区的众创空间大部分的技术投入情况不太理想，无效占比达71%，西部与东北部技术投入差异不大;总体来看，各指标投入差异显著，整体技术投入效率较低，如表5所示。

综合分析，各地区众创空间呈现出的相对无效率的情况均是由于投入的无效率导致的，在人力、资本、技术方面的投入存在严重不均衡，对资本投入的关注度较高，过度追求资本的投入与众创空间规模发展的速度，但是其对于技术的重视程度整体水平较差。西部地区综合效率最高主要是因为相比其他地区虽然不具有资源与资金等的发展优势，但是其各种资源的投入相对均衡合理。我国的众创空间要想科学可持续的发展下去，并真正的发挥众创空间的创新带动作用，必须解决投入的不合理问题，规模的快速扩张不足以支撑其长远的可持续发展，必须专注于技术投入和管理水平的提高，合理化投入产出匹配，提升创新服务的效率和水平实现众创空间高质量、高水平发展。

4.2 对区域众创空间创新效率结果的BP神经网络验证分析

采用MATLAB 2014b进行BP神经网络分析，BP神经网络的输入节点有5个，全部数据来源于2017年中国火炬统计年鉴35个省市的实际数据，输出节点1个，就是综合效率。一般而言，在神经网络的分析中当隐含层为1-2层时，网络的收敛性是最佳的。本研究经初步测试决定采用1层隐含层，即采用的是一个3层的网络建立经济系统与效率之间的非线性映射关系。通过训练次数和总体误差确定最佳的隐含层的神经元个数，最终确定隐含层节点数为10个。具体输入层、输出层的指标设计如表6所示。

在网络训练中，训练目标为平均误差0.1，将学习速率设置为0.6，动量设置为0.4，训练次数设置为1000次，先将原始数据进行归一化处理，选取其中25个样本作为学习样本，剩下10个作为训练样本，将综合效率作为输出指标进行分析，经过785次得到训练最佳结果，误差为0，总体评价误差效果较好，表明该方法可以得到理想效果，如图2所示。

采用梯度下降法进行误差预测检验，权值差调范围Mu-le-06进行误差判断，迭代式误差增加时相应的Mu值会增加，直达迭代785次之后误差值不再增加，停止学习，785次经过训练结束判据值valfail随每次迭代后的变化为0，这表明此次BP神经网络的预测值与DEA方法得到的效率值结果是一致的具有科学性，如图3所示。

5 结语

综上所述，本文通过DEA结合BP的研究方法对我国区域的众创空间创新绩效进行实证分析，研究表明我国众创空间的规模效率呈现下降趋势，现阶段的众创空间发展应由大规模扩张阶段向高质量、高水平方向发展。该研究方法具有一定的参考价值，但其仍存在一定的局限性，使用的样本数据总量不够广泛，区域选取的样本量不平衡，下一步的研究中可以增加样本量的实证研究，并在创新评价体系的设计中更多的考虑政府因素对于创新支持效应，便于政府等有关部门可以更好的衡量众创空间的创新绩效，有利于政府政策的针对性投入。

参考文献

[1]潘冬，肖婧，崔伟，众创空间联盟建设的问题与优化建议[J].产业与科技论坛，2018（12）.

[2]刘志迎，陈青祥，徐毅.众创的概念模型及其理论解析[J].科学学与科学技术管理，2015（2）.

[3]陈夙，项丽瑶，俞荣建.众创空间创业生态系统：特征、结构、机制与策略[J].商业经济与管理，2015（11）.

[4]汪群.众创空间创业生态系统的构建[J].企业经济，2016（10）.

[5]张丹宁，付小贇，易平涛.沈阳市众创空间产业集群发展路径研究——基于运营效率测度[J].东北大学学报，2017（1）.

[6]谷立霞，闰丽平，张新社.创客视角下众创空间综合评价指标体系构建——基于因子分析法的实证研究[J].中小企业管理与科技，2017（11）.

[7]李衍霖，苗敏，孙海涛.众创空间发展模式及业绩评价体系研究——基于平衡积分卡视角[J].管理会计，2017（3）.

[8]孔原.基于全链条孵化视角的科技孵化器运行效率评价[J].财会月刊，2016（32）.

[9]张建清，孙梦喧，范斐.基于DEA方法的湖北省科技企业孵化器运行效率评价[J].科技管理研究，2017（4）.

[10]陶志梅。基于DEA方法的科技企业孵化器运营效率比较研究——以北京、上海、广州为例[J].天津商業大学学报，2014（34）.