邬阳阳，韩硕，武赛龙，孙岩松

（新疆财经大学 计算机科学与工程学院，新疆 乌鲁木齐 830012）

现阶段，我国产业结构的不合理之处主要体现在生产结构、产业组织结构和产业技术结构三个方面，而企业的技术创新行为对推进我国产业结构调整与经济转型升级发挥了重要作用。国内外学者对企业技术创新能力的研究主要集中在技术创新能力影响因素、技术创新能力评价、技术创新能力支持等几个方面[1]（3-7），其中，关于企业技术创新能力评价的研究，无论是在指标构建方面还是在评价方法改进方面都取得了丰硕的研究成果。但在具体企业技术创新能力评价问题的研究中，会出现在研究对象一样的情况下而评价结果会有所不同的情形。本文通过文献研究法对企业技术创新能力评价问题中产生不确定性结果的因素进行了详尽地分析和总结，以期为企业技术创新能力评价的研究提供一些参考。

一、数据搜集

在企业技术创新能力的评价过程中，搜集数据是一个重要环节。数据一般来源于两个方面：一是来源于企业统计，二是来源于实地调研和专家打分。这些数据的质量会直接影响到评价结果，给最终的企业技术创新能力评价结果带来了不确定性。第一类数据是企业统计的数据，此类数据质量参差不齐。就目前而言，企业数据统计的现状不容乐观，可以概括为以下三个方面：统计数据未进行进一步分析，数据统计过程中有很多干扰因素，统计数据失真[2]（24）。众多因素影响了企业数据的统计质量，主要原因有：企业中统计人员的素质参差不齐、企业对数据统计工作的不重视、基层的统计数据未进行进一步分析、数据质量不过关[2]（24-25）[3]（234）。第二类数据是专家打分和实地调研的数据，例如孙群英等构建的指标体系包含投入经费能力、绿色创新培训能力、绿色设备水平等多个定性指标，在实证分析过程中，这些定性指标的数据来源于专家评价和实地调研，但专家评分法有两个明显的缺陷：第一是无法保证所选专家的权威性和专家小组构成的合理性，第二是专家在评价过程中带有主观倾向[4]（63）。同时，由于受到主观因素和客观因素的影响，实地调研的数据质量在品质上也会受损。

综上，无论是企业统计数据还是专家打分和实地调研数据都会出现噪声数据，这些数据本身的不确定性会影响到企业技术创新能力评价的精确性。

二、模型选择

作为一种特定类型的多属性评价问题，企业技术创新能力评价的具体步骤和评价模型同其他类型的多属性评价问题并无区别，所以在介绍一些评价模型时引用的参考资料并未局限于技术创新评价方面的文献。多属性评价模型的研究成果丰富，大体可以分为以下四类：第一类是经典的多属性评价方法，如AHP法、TOPSIS法、Delphi法等；第二类模型考虑到评价过程中的不确定性因素，具体包括灰色评价法、模糊评价法、粗糙集评价法以及云模型等；第三类是证据理论、支持向量机、神经网络方法等；第四类是一些改进的模型或组合模型[5]（1-8）[6]（25-29）。 不同的评价方法得出的评价结果大致相同，在具体评价过程中存在的偏差一般是可以接受的。贾品等在评价指标和数据相同的情况下，将TOPSIS法、AHP法、秩和比法、综合指数法等几类综合评价方法得到的评价结果进行对比，得出的结论是：AHP法、TOPSIS法、综合指数法的评价结果较为准确[7]（353）。采用支持向量机评价法得出的评价结果同应用经典方法、云模型的评价结果相比较，评价结果会有所差异，同实际测量结果也有不同之处[8]（40）[9]（19）[10]（113）。

从以上论述可以看出，在评价指标相同的情况下，使用不同的评价模型会使得评价结果出现差别。这里需要说明的是这种不确定性现象的产生不仅仅是由于评价模型不同，一些评价模型在具体使用过程中也会出现人为因素的干扰，比如AHP方法需要专家打分，云模型有时需要专家对评价指标的等级进行划分。

三、概念界定

自熊彼特1912年提出创新理论以来，企业技术创新能力的研究成果丰硕，但类似于众多有争议的社会科学中的概念，技术创新能力的概念并未达成共识。张清辉对企业技术创新能力的不同内涵进行了回顾，既包括了国外学者Burgelman、Maidigue、Barton和Larry Westphal等人的见解，也包含了国内学者吴贵生、孙一民、柳卸林等人的观点，综合多位学者的观点，张清辉认为技术创新能力是以企业对市场需求分析为开端，经过一系列过程实现市场应用的综合能力，其最终目的是获得最佳的经济效益和社会效益[11]（43-44）。赵林海等从资源的角度出发，认为资源的获取和开发能力决定了知识型企业的技术创新能力，而企业生命周期内的特定资源的种类和数量就代表了知识型企业的技术创新能力[12]（154）。陈劲等指出要素观、过程观和绩效观等关于技术创新内涵和本质的观点有一定的分散性，企业技术创新的本质就是将不同类型的知识和技术转化为经济价值和社会价值的过程[13]（2-3）。

概念是认识的起点，如果不能对一个概念达成共识，就无法在同一个认知框架内对问题展开研究[14]（1）。在企业技术创新能力评价过程中，概念的不统一是评价指标体系多样性的一个原因，这直接导致了不同学者对同一评价对象的评价结果会有所不同的结果。

四、指标构建方法

类似于多属性评价方法，指标体系的构建方法在不同类型的多属性评价问题中具有通用性，所以在具体论证过程中引用的文献并不完全是企业技术创新能力评价方面的。通常情况下，文章作者会采用文献研究法构建评价指标，即通过研究经典文献中的指标，选取符合作者认知的一些评价指标[15]（8）。采用这种方法构建评价指标体系时，在指标的选取过程中受研究者个人主观因素影响较大。为了使构建的评价指标更具科学性，在初步确定相关指标后，还会根据相关领域专家的意见对指标体系进行完善。张启疆等用了三种方法（咨询高校教师、征询领导相关工作专家的意见、问卷调查）来优化指标体系[16]（111）。刘静在分析微课相关文献的基础上，结合微课的特点及评价指标的构建原则构建了一套指标层次模型，然后采用专家比较评价的方式确定了最终指标[15]（8）。结合专家意见可以使评价指标更具有合理性，但指标选取过程中依然无法避免人为因素的影响，构建的指标体系也无法克服指标信息重叠的弊端。因此，部分研究者为了使指标的选择更具有客观性，使用一些客观方法优化和完善评价指标体系[17]（307）。徐巧玲结合遗传算法对企业技术创新能力的评价指标进行筛选，该方法不仅能够克服一些算法易陷入局部最优解的缺点，并且收敛性好，易于操作，可以提高评价结果的准确性[18]（38-39）。苏精华将波特钻石模型应用到制造业三维财务竞争力评价指标的构建过程中，设计的评价指标体系通过了结果效度、准则效度和内容效度检验，说明了该指标体系具备一定的科学性[19]（53）。

尽管一些研究者会采用一种或多种方法使得构建的指标体系尽可能合理，但是多数评价指标的选择都会受到某些主观因素的影响，即便是客观的指标选择方法，本身也会有其局限性。这些因素都会给最终的评价结果带来一些不确定性。

五、不同视角

一些学者试图提出多属性评价指标构建的研究范式，以使指标体系的构建过程相对规范化[20]（210），但在具体评价过程中仍需结合实际情况设计评价指标体系。研究者从不同的视角从发，设计的指标体系是不尽相同的。苏先娜等以协同创新为背景，在传统技术创新能力评价体系中融入了协同要素，将协同能力（政府对企业协同创新的支持程度、产学研之间的协同创新、科技服务中介机构的完善程度、科研组织科技产出、当地居民生活水平）作为一个评价要素[21]（20-21）。李玥等认为企业在进行技术创新时不仅要对创新人才、知识、技术、信息进行整合，企业内部、企业与外部还需要协同合作，并在知识整合视角下构建了企业技术创新能力评价的指标体系[22]（132）。李杰中通过研究文献发现，制浆造纸企业绿色技术创新方面的研究成果缺乏，于是将绿色理念融入到评价指标的设计中，设计了包括绿色创新投入能力、绿色R&D能力、绿色生产制造能力、绿色管理能力、绿色市场营销能力和绿色创新产出能力等几类能力的评价指标体系[23]（16-17）。赵林海等从资源的观点出发，认为知识型企业技术创新能力的评价指标体系应包括外部网络相关资源、人力资源、企业家资源、经济资源、特质资源等五类指标，并基于此构建了知识型企业技术创新能力评价的指标体系[12]（154）。

认知视角的不同有可能会影响到技术创新能力概念的界定，而有些视角则不会对基本概念产生实质性的影响，仅仅是在原来概念的基础上融入了一些特定理念（比如绿色发展理念），这在指标体系构建中的具体表现则是多了若干表现这一理念的评价指标。因此，不同视角下设计的评价指标的侧重点有所不同，也会导致最终的评价结果不同。

六、总结

无论是在自然科学领域还是在社会科学领域都存在着不确定性。多属性评价问题中也存在着多种不确定性因素，这些因素导致最终结果的不确定性。在评价一个具体的对象时要考虑到这些不确定性因素，辩证地看待最终评价结果[24]（17-28）。

首先，注意理论研究与实践的区别。多属性评价问题在社会生活中广泛存在，如质量评估、项目评估、人才综合能力考核、企业创新能力评价、区域竞争力评价等。由此可见，不仅要从理论层面分析多属性评价问题，还应考虑实践过程中的制约因素和实际需求。在具体问题的分析中，现实制约因素则会直接影响到评价指标的构建过程。企业技术创新能力评价指标的构建过程中，不仅受到评价者对企业技术创新能力概念和内涵理解这一主观因素的影响，而且一些客观因素也会影响到评价指标体系的构建，比如：随着企业外部环境的变化，政府将环境保护作为国家的一项基本国策，企业就会在技术创新过程中关注环保，会对绿色专利进行更多的关注；有些公司财务报表中不披露研发投资的数据，所以与研发投资有关的指标很难纳入到具体评价指标的构建中。因此，企业技术创新评价指标的多样性自然有其合理性，不能生搬硬套地用一些基本的指标构建原则去评价一套指标体系。

另外，部分（指标不完备）相对于整体（指标完备）而言也有一定的现实意义。多属性评价是一个系统的过程，包括构建指标体系、模型选择以及数据搜集等环节，这几个环节中的不确定性都会影响到最后的评价结果。评价指标的构建仅仅是评价的一个环节，当使用不同的评价方法进行评价时，评价结果可能略有不同。这主要是因为评价方法的原理不同，这一现象也会在智能评价方法 （支持向量机、云模型、神经网络等）中出现，尤其是基于专家经验的评价方法（AHP法、Delphi法、G1法等）受到专家主观影响较大。同时，一些定性指标也需要专家打分，或者通过调查问卷进行数据搜集，这在一定程度上也会受到人为因素的影响。所以，在对评价结果进行描述时应该从整体视角出发，当指标体系和具体评价方法都明确时，评价结果才具有一定的参考性。另外，看似不符合完备性这一原则的指标体系在现实应用中可能有着实际的应用价值，但为了使文章叙述的逻辑性更强，需要在构建指标体系前对此进行必要的说明。