李争艳， 王向前

(安徽理工大学 经济与管理学院， 安徽 淮南 232001)

科技创新是转变经济发展方式和调整经济产业结构的重要支撑，其效率的高低是直接反应科学技术运用与科技创新能力的重要指标。因此准确地预测一个国家或者某个地区的科技创新效率具有相当重要的现实意义。

关于科技创新效率评价方面，李鸿禧等通过DEA-t检验寻找出显著影响企业科技创新效率的关键指标：规模以上工业企业R&D经费内部支出、财政科技经费投入、科技从业人员数、技术市场成交额、规模以上工业企业新产品产值[1]。朱鹏颐等运用超效率数据包络分析视窗模型分析研究对象科技创新效率的动态变化[2]。章文光等综合考虑创新的经济产出、科技产出和社会环境效益，构建DEA的CCR和BCC模型测算各个城市的综合效率[3]。关于支持向量机(SVM)优化方面，周晓辉等提出了混沌粒子群优化算法对支持向量回归算法中参数c和g进行优化，克服了传统时间序列模型仅局限于线性系统的缺点[4]。路世昌等提出基于模糊信息粒化(FIG)支持向量机预测模型，并通过交叉验证法优化选取支持向量机参数[5]。曹志强等运用平均绝对误差和均方误差比值作为精度检验标准,从而判断基于遗传算法的支持向量回归机(SVR)比ARIMA和灰色预测具有更优的预测效果[6]。Haibo Liang为了实现钻井风险的实时动态评估，提出了一种基于粒子群优化的模糊多级算法，以优化支持向量回归机[7]。大多数论文关注于对研究对象的效率评价，而Quan Zhang等提出了一种新的效率预测模型，该模型首次将信息粒化和支持向量机与DEA模型相结合，以评估决策单元的未来效率[8]。……