基于主成分分析和层次分析法的科技创新量化考核算法

摘 要：企业科技成果作为国家科技创新的重要组成部分，是科技创新的重要体现。如何科学评价新时期企业科技成果创新是一个普遍存在的问题，针对传统层次分析法（Ａｎａｌｙｔｉｃａｌ Ｈｉｅｒａｒｃｈｙ Ｐｒｏｃｅｓｓ，ＡＨＰ） 在确定权重系数方面存在的不足，以国有企业科技创新评价为落脚点，提出一种基于主成分分析法（Ｐｒｉｎｃｉｐａｌ Ｃｏｍｐｏｎｅｎｔ Ａｎａｌｙｓｉｓ，ＰＣＡ） 和ＡＨＰ 的科技创新量化考核方法，建立了国有企业科技创新量化考核指标要素信息库，构建新型科研平台科技创新能力考核指标体系。综合考虑了主客观因素，利用ＰＣＡ 得到指标层中各指标的重要度，通过ＡＨＰ 得到判断矩阵，提高判断矩阵的准确性和合理性。实验结果表明，采用基于ＰＣＡ 和ＡＨＰ 的科技创新量化考核算法得到的国有企业科技创新量化考核评估结果更加客观合理，并通过人机交互系统展示考核的分析结果。

关键词：层次分析法；主成分分析；科技创新；评价指标体系；人机交互系统

中图分类号：ＴＰ３１５ 文献标志码：Ａ 开放科学（资源服务）标识码（ＯＳＩＤ）：

文章编号：１００３－３１０６（２０２４）０４－０９９８－１１

０ 引言

新时代国家发展战略是以科技自主自强为支撑，科技创新是国家发展的第一要务，科技成果作为国家科技创新的重要组成部分，是衡量一个国家在国际竞争中的综合实力和国家全面发展的第一生产力。为加快打造世界创新高地，需尽快构建针对不同级别实验室、研究所的科技创新成果评价体系，完善国家资源分配。目前对于新时期科技创新的理论研究十分有限，如何对科技创新成果进行评价，已成为科技创新成果转化的重要内容。

张敏等［１］提出了一种改进的层次分析法（Ａｎａｌｙｔｉｃａｌ Ｈｉｅｒａｒｃｈｙ Ｐｒｏｃｅｓｓ，ＡＨＰ），采用模糊综合评判和生成比较的方法建立评判矩阵。罗齐彬等［２］利用主成分分析法（Ｐｒｉｎｃｉｐａｌ Ｃｏｍｐｏｎｅｎｔ Ａｎａｌｙｓｉｓ，ＰＣＡ）来分析地气测量元素间的异常信息，将原始数据转化为主成分，克服了主观因素的影响。Ｆｏｒｔｕｎａｔｏ 等［３］指出创新是基于对现有成果的传统组合，但同时需要具有独特性。冯立杰等［４］提出可以通过ＴｅｘｔＲａｎｋＩＤＦ 新颖性度量来评估科技创新并对其创新性进行排序、测量创新带来的价值。沈律等［５］提出将技术成果的重复率和技术成果的引用率纳入技术成果创新程度评价的指标体系，提出了技术创新一般均衡理论。易雪媛等［６］提出了科技成果创新的有效性评价模式，强调新的科技创新成果考核评价应该增加预设伦理评价、新颖性评价、需求度评价与成果采纳、经济性评价、成果的发表引用获奖等评价指标，揭示了成果创新会随着时间推移而衰减，但创新有效性反而得到明显增强的特殊现象。谭春辉等［７］通过将科技成果划分为４ 类，对划分后的４ 类成果分别构建评价指标。

现有的评价方法根据权重可以大致区分为客观赋权和主观赋权２ 类。前者是根据现有存在的数据进行分析，根据所分析的数据关系对其属性进行分配权值，较强依赖于数学理论依据，具有较强的客观性，但一定程度上会因为其客观性，无法将实际情况和人们主观意向相结合。后者是相关领域的专家根据现有存在的决策问题，结合专家本身的知识储备和处理经验，科学合理地对属性进行权重赋值和排序，一定程度上降低了属性权重和属性重要性不一致的现象，该方法很大程度上依赖于决策专家们的判断，造成对决策专家的负担，难免会受到个人主观的影响，从而存在一定的主观随意性。

针对现有科技评价方法的不足，本文结合ＰＣＡ的客观分析法和基于ＡＨＰ 的主观赋权法，设计一种适用于国有企业的科技创新量化考核算法，既解决了主观因素的影响，又客观地反映了样本之间的真实关系，同时充分利用了数据信息。以国有企业科技成果创新评价为落脚点，构建了实验室科技成果评价标准指标数据库，建立了多维度、多层次的全方位指标评价体系。针对每个维度，采用不同的方法从通用数据库中提取相关指标集，对其计算权重，构建唯一的指标体系，最终对实验室科技创新成果进行多层次、多角度的差异化评价。

１ 考核评价模型与方法

１． １ 基于ＰＣＡ 的指标体系

当考核体系中的指标类型冗杂众多时，每个指标元素所提供的有效信息并非具有同等价值，若对所有考核对象的指标元素都进行参考并最终得出考核结果，往往会耗费大量不必要的时间，且从考核结果中并不能体现指标元素之间的关联性［８］。若仅简单直观地选取部分指标元素，虽然比较简单，但很可能会损失许多有效信息［９］。故对指标元素采用ＰＣＡ 解决上述问题。

定义１（ＰＣＡ）利用现有的ｎ 个指标元素：Ｘ１ ，Ｘ２ ，Ｘ３ ，…，Ｘｎ 构建样本矩阵，计算出相关系数矩阵，得出各指标元素的方差贡献率，采用方差贡献率较高的指标元素，最终将ｎ 个指标综合简化为相对重要的ｋ 个（ｋ＜ｎ）指标元素。

① 构建样本矩阵：假设采取ｎ 个考核对象，ｐ 个考核指标，考核对象ｉ 对考核指标ｊ 的原始数据为ｘｉｊ，其中，ｉ ＝ １，２，…，ｎ；ｊ ＝ １，２，…，ｐ，构成大小为ｎ×ｐ 的样本矩阵ｘ：

② 样本矩阵标准化：采用ＺＳｃｏｒｅ 法解决原始变量尺寸和数量级不同所造成的影响，使每个变量标准化，得到标准化矩阵Ｘ：

③ 计算标准化样本的协方差矩阵：根据步骤②得出的标准化数据Ｘｉｊ 计算出样本相关系数ｃｉｊ ＝Σｎｋ ＝ １（Ｘｋｉ －Ｘｉ）（Ｘｋｊ －Ｘｊ）／ （ｎ－１）＝Σｎｋ ＝ １Ｘｋｉ·Ｘｋｊ ／ （ｎ－１），得出ｘ 矩阵的样本相关系数矩阵ＣｏｖＸ ＝ （ｃｉｊ）ｐ ×ｐ：

④ 计算协方差矩阵ＣｏｖＸ 的特征值和特征向量：根据步骤③所得的协方差矩阵ＣｏｖＸ，通过方程｜ＣｏｖＸ－λ·Ｅ｜＝ ０ 计算得出ＣｏｖＸ 矩阵的特征值λｉ（ｉ ＝ １，２，３，…，ｐ），并按照降序将特征值进行排序，然后对排序后的特征值λｉ 计算其对应的特征向量ｅｉ。

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

⑦ 主成分表示：简化的ｍ 个主成分表示为Ｆｉ（ｉ ＝ １，２，３，…，ｋ），根据步骤④的特征向量得出第ｉ 个主成分为：

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

根据步骤⑥得出的对应方差贡献率ｗｉ 作为每个指标元素的权值，则主成分模型：

Ｆ ＝ Ｆ１ ·ｗ１ ＋ Ｆ２ ·ｗ２ ＋ … ＋ Ｆｍ ·ｗｍ 。（８）

１． ２ 基于ＡＨＰ 的指标赋权及评价

在考核评价指标数量较多时，仅仅采用传统的主观赋值法来确定考核评价指标的权重，会对部分考核评价指标的重要程度产生一定的偏差，进而导致实际考核评价数据难以反映客观实际情况，而采用客观赋权法来确定评价指标的权重能避免主观因素的影响。国家级和省部级重点实验室的考核规则中均设置了各个考核指标的具体权重，项目单位可直接采用有关的权值进行计算。如果需要对有关权值进行调整或新增考核指标，项目单位可根据实际情况直接设置各指标的权值，也可以采用如下的ＡＨＰ 设置和检验考核指标权重是否合理。

本文采取的ＡＨＰ 方法步骤如下所示，具体考核指标和分级方法以具体情况确定。

（１）建立层次结构模型

科技创新量化考核指标体系是一个典型的层次结构模型。

例１ 图１ 所示为一个简化的实验室考核层次结构模型，仅用于说明ＡＨＰ 的计算过程。将考核规则中的１ ～ ３ 级指标分别对应于目标层（Ｈ）、准则层（Ｌ１ ～ Ｌ３）和方案层（Ｙ１ ～ Ｙ６）。

（２）构造各层次的判断（成对比较）矩阵

根据Ｓａａｔｙ［１０－１１］提出的一致矩阵法，将所有因素两两比较，并采用相对尺度提高准确性。如图１所示，为了设置目标层Ｈ 下的ｎ 个准则层的权重，将Ｈ 层下的准则层Ｌ１、Ｌ２、Ｌ３ 参照重要性程度评定等级表进行两两互相对比，参考表１ 比例度量。例如，在图１ 中，Ｌ１ 相对于Ｌ２、Ｌ３ 的重要性分别为３和７，Ｌ２ 相对于Ｌ３ 的重要性为５。

权重计算和一致性检验过程如下：

① 参考表１ 得出所有因素比较结果ａｉｊ 组成比较矩阵Ａ，Ａ ＝ （ａｉｊ）ｎ×ｎ 为ｎ 阶方阵，将Ａ 按列向量归一化得到矩阵Ｂ ＝ （ｂｉｊ ），其中ｂｉｊ ＝ ａｉｊ ／Σｎｉ ＝ １ ａｉｊ （ｎ ＝ １，２，３，…，ｎ），即将每一个元素除以其所在列元素的和。

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

③ 将Ｃ 归一化Ｗ ＝ （Ｗ１ ，Ｗ２ ，Ｗ３ ，…，Ｗｎ） Ｔ ，其中Ｗｉ ＝ Ｃｉ ／Σｎｉ ＝ １ Ｃｉ，即Σｎｉ ＝ １ Ｗｉ ＝ １。

④ 计算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 个分量。

⑤ 将ＣＩ 作为一致性指标计算ＣＩ ＝ （λ－ｎ）／ （ｎ－１），当ＣＩ ＝ ０ 时，表示完全一致；当ＣＩ 越接近于０，则一致性越高，反之ＣＩ 越大，则一致性就越低。

⑥ 将ＣＲ 作为一致性比率，计算ＣＲ ＝ ＣＩ ／ ＲＩ，其中，ＲＩ 表示平均随机一致性指标，当一致性比率ＣＲ＜０． １ 时，通常认为Ａ 的不一致性在容许范围之内可以被接受，通过一致性检验；反之则需要重新从比较矩阵Ａ 构建，对ａｉｊ 进行调整。

２ 科技创新评价指标体系构建

２． １ 考核指标选择

本文参考《中国大学科技创新力指数报告（２０１７）》《中国区域科技创新评价报告（２０２１）》《全国科技创新百强指数报告２０２２—企业、高校及研究机构篇》考核信息要求，并参考本文依托项目单位自身定位和现有的有关指标，建立科研机构科技创新量化考核指标要素信息库，将指标库收集的指标大致分为１５ 种类型，如表２ 所示。

２． ２ 基于ＰＣＡ 的评价指标体系构建

同上文考核指标选择所借鉴相关报告相同，并参考项目单位自身定位和现有的有关指标，基于指标体系构建理论，在对科技成果进行多维度、多层次、多元化解读的基础上，对科技成果创新评价进行深入研究，构建如表３ 所示的指标体系。

根据项目单位自身定位，以及下属各实验室的等级和考核需求，参考各主管单位的考核规则，制定考核指标时的基本原则如下：

① 考核指标体系总体框架见表３，考核目标分解为１ ～ ３ 级，与现行的国家级、省部级和各研究院自定的考核方案框架一致，便于与现有考核规则对接［１２］。表３ 中的３７ 个三级指标是根据考核指标要素信息库的１５ 种数据类型信息提取而来。

② 对于有外部考核要求的创新实体，如国家级和省部级实验室，考核标准主要参考对应主管部门制定的考核规则，保证国家级或省级重点实验室能顺利通过主管部门的考核，重点实验室的发展和建设符合国家的科技创新导向，保证重点实验室地位的延续性［１３］。

③ 对于项目单位没有外部考核规则的实验室，如院级研发中心和创新团队，以项目的单位制定的考核方案为主［１４］。

④ 在考核上述指标的同时，适当增加一些考核的“动态指标”，为实现国有企业发展、科技创新而建立新的考核指标，或根据上年度的考核结果新增的考核指标，其目的是保证考核指标的与时俱进，与企业的发展规划相适应［１５］。

２． ３ 基于ＡＨＰ 的指标权重设定

首先，将评价考核指标体系的部分数据（表３中标记为加粗的指标），根据是否进一步区分的等级乘以不同的权重，其相对权重主要是通过主观人为确定的，计算方式如下。

① 高级人才综合得分值Ｓ１ ：

Ｓ１ ＝ Σ５１（人才类型数目× 人才权重）。（９）

② 科研项目分值：ａｉ ＝ 项目权重×等级权重，表示第ｉ 个科研项目分值；Ａ ＝Σｎ２１ ａｉ，表示科研项目总分值，ｎ２ 为科研项目数目。

③ 论文分值：ｂｉ ＝ 论文类型权重×期刊分区×排名次序，表示第ｉ 篇论文分值；Ｂ ＝Σｎ３１ ｂｉ 表示论文总分值，ｎ３ 为论文总数；人均论文分值＝ 论文分值／ 总人数。

④ 专利综合分值：ｃｉ ＝ 专利类型权重×专利状态权重×排名权重，表示第ｉ 篇专利分值；Ｃ ＝Σｎ４１ ｃｉ 表示专利综合分值，ｎ４ 为专利总数。

⑤ 标准综合分值：ｄｉ ＝ 标准等级权重×排名权重，表示每件标准分值；Ｄ ＝Σｎ５１ ｄｉ 表示标准综合分值，ｎ５ 为标准总数。

⑥ 科技学技术奖项分值：ｇｉ ＝ 奖项权重×等级权重×排名权重，表示单个奖项分值；Ｅ ＝Σｎ６１ ｇｉ 表示奖项综合分值，ｎ６ 为奖项个数。

⑦ 成果鉴定分值：ｆｉ ＝ 成果等级权重× 排名权重，表示单个成果分值；Ｆ ＝Σｎ７１ ｆｉ 表示成果综合分值，ｎ７ 为成果总数。

最后，通过ＡＨＰ 方法计算该科研平台科技创新能力考核指标体系的三级指标权重，并按照由下到上的顺序将各层级线性相加，逐步得到二级指标和一级指标的权重［１６］，其各级指标权重占比如表４ 所示。

３ 实验结果与分析

本节将介绍实验数据和实验设置，并讨论分析在真实数据集上的实验结果。

３． １ 数据集描述。

为了评估本系统所提出基于ＰＣＡ 和ＡＨＰ 算法的准确性，以及运行时间的提升，分别选取了通信软件与专用集成电路设计国家工程研究中心（Ｄ１）、河北省光子信息重点实验室（Ｄ２）和光通信研发中心（Ｄ３）的工作人员信息，作为国家级重点实验室、省企业重点实验室和院级研发中心的不同级别实验室的真实数据集。３ 个数据集分别包含了３２６、２８３、１７６ 名工作人员信息，３ 个数据集均按照７ ∶ ３ 的比例随机划分成训练集和验证集。

３． ２ 实验环境

实验软硬件环境包括：操作系统为Ｕｂｕｎｔｕ ２０． ０４，ＪＡＶＡ 开发环境为ｊｄｋ１． ６． ０＿２６，Ｗｅｂ 服务器为Ｔｏｍｃａｔ９． ０，数据库为ＳＱＬＳｅｒｖｅｒ ２００８ Ｒ２（ＲＴＭ）；硬件环境为ＮＶＩＤＩＡ ＧｅＦｏｒｃｅ ＲＴＸ ３０８０ Ｔｉ，ＣＰＵ 内存为３２ ＧＢ。

３． ３ 评价标准

通过对比相同实验下的传统方法、基于ＡＨＰ、基于ＰＣＡ 和基于ＰＣＡ＋ＡＨＰ 四种不同算法对各级实验室单位的科技创新水平进行量化考核，选择运行时间、准确率（Ａｃｃｕｒａｃｙ）、精确率（Ｐｒｅｃｉｓｉｏｎ）和召回率（Ｒｅｃａｌｌ）４ 项指标进行实验。准确率指所有被纳入系统的指标占所有指标的比重（式（１０））；精确率指被正确纳入系统的指标占所有被纳入系统的比重（式（１１））；召回率指被正确纳入系统的指标占实际所有应该被纳入系统的指标（式（１２）），对应公式如下：

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

Ｐｒｅｃｉｓｉｏｎ ＝ ＴＰ ／ （ＴＰ ＋ ＦＰ）， （１１）

Ｒｅｃａｌｌ ＝ ＴＰ ／ （ＴＰ ＋ ＦＮ）， （１２）

式中：ＴＰ 表示被成功纳入系统并赋予合理权重的指标，ＴＮ 表示未被系统采纳的多余指标，ＦＰ 表示被系统纳入的多余指标，ＦＮ 表示被系统遗漏的考核指标。

３． ４ 消融实验

在使用相同数据集和训练环境的前提下，分别在传统算法、基于ＡＨＰ、基于ＰＣＡ、基于ＰＣＡ＋ＡＨＰ四种算法上训练，得到图２ 所示４ 种算法的运行时间，结果表明传统方法所需的运行时间最长，在省部级的数据集（Ｄ１）中高达２７６ ｍｓ，而省部级中基于ＰＣＡ ＋ ＡＨＰ 的运行时间可以缩短至１０４ ｍｓ。图３ 给出了４ 种算法分别在不同数据集的准确率，从图中可以看出，本文提出的基于ＰＣＡ＋ＡＨＰ 明显高于其他方法，因为通过ＰＣＡ 相对于传统方法可以分析出指标间的关系，然后通过ＡＨＰ 合理地赋予权值，ＰＣＡ ＋ ＡＨＰ 的组合模式下算法准确率最高。

图４ 展示了４ 种算法的ＰＲ 曲线对比，发现基于ＰＣＡ＋ＡＨＰ 算法的曲线所占面积最大，曲线下降趋势剧烈，说明其检测精度相比其他算法更高。

４ 人机交互系统和创新能力评价

综合考虑到创新实验室差异化评估的特点并适应不断深化的改进需求，本文开发了一个科技创新量化考核系统，基于Ｂ ／ Ｓ 模式，采用Ｊ２ＥＥ 架构，ＪＡＶＡ 集成开发工具选择ＭｙＥｃｌｉｐｓｅ １０． ０，开源Ｗｅｂ框架选择Ｓｔｒｕｔｓ２． ０，开源数据库框架选择Ｈｉｂｅｒｎａｔｅ３． ３，Ａｊａｘ 框架选择ＪＱｕｅｒｙ１． ７，选用Ｍｉｃｒｏｓｏｆｔ ＳＱＬ Ｓｅｒｖｅｒ２００８ 数据库，以实现海量数据高效管理，并具有较强的扩展性和高可用性。本节将从系统６ 个组成模块和创新性体现两方面来进行介绍。

４． １ 人机交互系统功能模块

建立考核组织体系首先需要成立实验室考核办公室或委员会，专门负责企业下属各级实验室的考核工作，形成系统的考核组织体系，以增强考核的独立性及结果的准确性［１７］。实验室考核办公室负责制定考核方案，出台具体的考核步骤与要点，规定考核的性质和内容，明确考核指标、权值。在进行下一年度考核前，考核办公室可对现行的方案、方式和指标进行修订，对考核方案进行调整［１８］。

考核方案确定后，根据考核方案的内容设计考核系统的功能及各个子模块。实验室考核平台在功能上不但要求能够对各层级实验室进行差异化考核，同时平台也应满足考核过程的便捷性，能对实验室信息和考核所需的数据进行标准化、模块化管理［１９］。将实验室考核系统分为６ 个功能模块：实验室基本信息、年度目标、年度数据、评价指标、评价输出和评价总结，如图５ 所示。

实验室基本信息模块：用于统计实验室项目和人员情况，包括实验室简介、人员列表、项目统计和文章统计等。点击相应的子模块可以查看每项的具体信息，可对相关的信息进行维护、修改或添加。

年度目标设定模块：年度目标是进行实验室考核的重要依据，考核办公室根据各实验室的具体情况设置差异化目标。目标设定后将相关数据导入考核系统，方便各实验室人员查看，同时保存用于年底考核时进行指标比对。

实验室年度数据：实验室年度数据指本实验室一年来运行所有的数据统计，包括人员、奖项、国家级项目、省部级项目、文章专利和新增仪器等。这些数据并非最终都会用作考核指标，将这些数据的存储备用，提高实验室管理效率。

评价指标模块：本文绩效考核指标体系采用三级指标体系。三级指标共同构成二级指标，二级指标共同组成一级指标。评价指标模块用于对评价指标和权值进行设置或修订。

评价输出模块：评价指标输出模块用于根据统计的考核指标和实验室的年度成果，统计考核数据是否完整，对完整数据计算评价考核，并将其评价结果进行展示。

评价总结：对考核结果进行分析与总结，包括与本年度其他实验室的比较、与之前年度考核成绩的比较，在哪些方面取得了进步，哪些方面需要进一步改进。

４． ２ 科技创新能力分析

录入信息后，检验其数据完整性，进行年度数据统计分析。根据指标权重，计算研究所和下属各考核对象的创新能力值，进行比较分析，从不同维度展示被考核对象的科技创新能力及变化趋势。

４． ２． １ 考核指标元素分析

由指标权重计算得出后的结果，对各考核对象的具体考核指标元素进行如下分析：

① 分析项目单位的整体数据指标。对全所年度数据进行统计和展示。对表２ 考核指标要素信息库中１５ 个类别的指标元素进行统计和展示。

② 分析企业下属各考核对象的数据指标，计算各考核对象对研究所总年度指标的贡献率，计算各考核对象对上述１５ 个类别的指标分别的贡献度，并分别展示１５ 个类型指标其考核对象排名贡献度前五的主要贡献对象。

③ 分析各类指标的人均贡献度，如人均论文数、人均专利数等。

本文从各考核对象之间和历年历史数据两个维度进行比较，并展示研究所和各考核单位的指标元素变化。

４． ２． ２ 创新能力分析

由系统计算得出的创新能力值，对各考核对象进行如下创新能力分析：

① 计算并展示项目单位整体创新分值，以及各级考核指标的创新分值，包括表３ 中的一级指标、二级指标和三级指标。

② 计算并展示各考核对象的创新分值，以及各考核对象的各级指标创新分值。

③ 计算展示各考核对象创新能力对整个项目单位创新分值的贡献度，各级考核指标的贡献排名前五的单位。

④ 计算展示各考核对象的人均创新指数Ｉ１ ，Ｉ１ ＝ 创新分值／ 总人数，考虑考核对象的部门的大小，以及研发人员数目。

⑤ 计算展示各考核对象的人才创新指数Ｉ２ ，Ｉ２ ＝ 创新分值／ 人才综合分值，考虑部门所拥有的各级人才数，包括国家级人才、省部级人才等，人才综合分值计算如式（９）所述。

⑥ 计算全所平均创新分值，比较各考核对象与平均分值的差距，找出差异的具体指标，筛选出各考核对象需要提升的指标。

从各考核对象之间和历年历史数据２ 个维度比较展示各指标的变化趋势，展示各创新考核指标的改善情况。

４． ３ 人机交互系统

良好的用户体验能帮助其快速熟悉系统，通过终端操作与服务器进行会话以完成指标输入、评价计算结构输出等任务。此外，良好的用户体验对于实验室差异化评估系统的推广起到很大作用，用户体验改善方案的主要策略如图６ 所示。

为了提高评价体系的实用性，方便考核对象的参与和使用，体现评价过程的科学性、公正性和准确性，系统提供了各类实时查询和统计功能，并提供了表格、曲线、条形图、饼图等多种显示和输出方式，方便考核对象从横向和纵向比较。

以论文为例，图７ 展示了历年论文情况，系统左侧通过曲线图呈现企业近５ 年论文各类期刊的发表数量，当鼠标放置于所属年份列时，将通过上方饼状图反映对应年份的期刊占比情况，系统右侧通过六边形分析图展示近３ 年论文署名情况。

历年论文分析后选择“论文得分情况”，得到如图８ 所示论文得分情况，系统左下侧通过柱状图计算展示近５ 年论文得分情况，将所有年份的论文得分进行求和后得出论文总得分并在系统左上角进行展示。系统右侧展示了近５ 年论文各类期刊的得分情况。

可根据需要打印各类图表，根据项目需要归档成果、专利单位业绩、个人业绩和发表论文等内容。以个人论文模块为例，个人总览图如图９ 所示，展示了该员工的身份、近３ 个月成果、待办事项以及全部成果，其中全部成果模块会将其成果相关情况进行完整展示，成果类型分为论文、专利和科研项目三大类。

统计模块采用分层设计方法，对于每一级单位，系统提供相应的查询、比对和统计功能，使系统可以应用于各种规模的业务和技术单位。

５ 结束语

本文结合ＰＣＡ 和ＡＨＰ 构建了国有企业科技创新量化考核指标体系，综合主客观２ 种分析角度，参考现有国家级实验室、高校和企业等创新指数报告，根据项目单位自身定位，以及下属各实验室的等级和考核需求，制定考核指标时的基本原则，构建科技创新量化考核体系。所提方法有利于各种科技和物质资源的合理分配，促进各单位自我建设和良性竞争，动态反映科研团队的科研发展趋势和重点发展内容，引导团队人才的合理分配和资金的正确支配。

参考文献

［１］ 张敏，廖毕文，肖峰． 层次分析法的模糊综合评判模型在维修质量评判中的应用［Ｊ］． 江西电力职业技术学院学报，２０２０，３３（７）：２１－２２．

［２］ 罗齐彬，杨亚新，金和海，等． 主成分分析法解析地气测量元素异常信息［Ｊ］． 核电子学与探测技术，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］ 冯立杰，尤鸿宇，王金凤． 专利技术创新路径识别及其新颖性评价研究［Ｊ］． 情报学报，２０２１，４０（５）：５１３－５２２．

［５］ 沈律，沈豪． 科技创新一般均衡理论及其应用研究［Ｊ］． 中国科技期刊数据库科研，２０１５，１０（２５）：５１．

［６］ 易雪媛，刘卫华，彭云，等． 科技成果创新的有效性评价模式研究———以医学为例［Ｊ］． 中华医学科研管理杂志，２０１６，２９（２）：１１３－１１９．

［７］ 谭春辉，李思佳，程凡． 创新武汉市科技成果评价指标研究［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，危怀安． 协同创新能力评价指标体系构建———基于国家重点实验室的实证研究［Ｊ］． 科学学研究，２０１６，３４（３）：４７１－４８０．

［１３］ 李阳，李北伟． 国家重点实验室运行驱动力及对策研究［Ｊ］． 科技管理研究，２０２１，４１（２１）：４７－５３．

［１４］ 刘满君． 主成分分析在人事考核中的应用［Ｊ］． 中国科技信息，２０１１（１２）：１３６．

［１５］ 李健，王小蒙． 主成分分析法在企业经济效益考核中的应用［Ｊ］． 内蒙古科技与经济，２０１７（４）：４９－５０．

［１６］ 张莹，王志浩． 基于层次分析法的科技项目同行评议专家综合评价体系构建研究［Ｊ］． 昆明理工大学学报（社会科学版），２０２１，２１（５）：８８－９６．

［１７］ 李新贞． 企业绩效考核评价管理中存在的不足与应对措施［Ｊ］． 投资与创业，２０２２，３３（２３）：１１０－１１２．

［１８］ 葛小雷． 企业绩效考核体系的设计原则［Ｊ］． 中国有色金属，２０２２（１１）：６４－６５．

［１９］ 刘新民． 高校绩效考核的系统设计与实施［Ｊ］． 天津理工大学学报，２０２２，３８（２）：５２－５７．

作者简介

冉黎琼 女，（１９９８—），硕士研究生。主要研究方向：数据挖掘、云计算。

陈金勇 男，（１９７０—），硕士，研究员，博士生导师。

高 林 男，（１９８４—），硕士，高级工程师。

宋海权 男，（１９８１—），博士，博士后（在站），讲师。主要研究方向：计算机网络、物联网技术。

王邦平 男，（１９７３—），博士，讲师。主要研究方向：人工智能、模式识别、机器视觉测量。

于 泳 男，（１９９８—），硕士研究生。主要研究方向：知识图谱。

刘 洋 男，（１９９７—），硕士研究生。主要研究方向：人工智能。

（*通信作者）乔少杰 男，（１９８１—），博士后，教授。主要研究方向：人工智能数据库、时空数据库。

基金项目：国家自然科学基金（６２２７２０６６，６１９６２００６ ）；四川省科技计划（２０２１ＪＤＪＱ００２１，２０２２ＹＦＧ０１８６，２０２２ＮＳＦＳＣ０５１１，２０２３ＹＦＧ００２７，２０２２ＹＦＧ０３２５，２０２１ＹＦＧ００２９）；教育部人文社会科学研究规划基金（２２ＹＪＡＺＨ０８８）；宜宾市引进高层次人才项目（２０２２ＹＧ０２）；成都市“揭榜挂帅”科技项目（２０２２－ＪＢ００－００００２－ＧＸ，２０２１－ＪＢ００－０００２５－ＧＸ）；成都市重大科技创新项目（２０２１－ＹＦ０８－００１５６－ＧＸ）；中国电子科技集团公司第五十四研究所高校合作课题（ＳＫＸ２１２０１００５７）；成都信息工程大学国家智能社会治理实验基地开放课题（ＺＮＺＬ２０２３Ｂ０５）；四川省教育厅人文社科重点研究基地四川网络文化研究中心资助科研项目（ＷＬＷＨ２２－１）；成都信息工程大学科技创新能力提升计划（ＫＹＴＤ２０２２２２）