李洪波，闫 鑫，姚博文

(上海大学管理学院，上海 200444)

科技创新对高质量发展具有显著的引领作用，我国各级政府部门为促进科技创新投入了大量资金［1］，科研计划项目的资助规模逐年提高。例如：国家自然科学基金（National Natural Science Foundation of China，NSFC）财政投入从1986 年的8 000 万元增长到2019 年的330.17 亿元；十八大以来，国家自然科学基金经费预算年均增长13.41%［2-5］。由于资金总量是一定的，为了提高资金的使用效率，有效预测项目在未来的绩效情况，是政府部门在选择拟资助项目时的一项重要决策。

然而，由于政府的资助决策一般发生在项目申请阶段，从资金分配到项目实现预期绩效，存在很大的时间延迟，加之科研项目的强创新性和不确定性，这些都增加了项目绩效预测的难度。为了有效预测科研项目的绩效，学者们研究了一系列行之有效的定性和定量绩效预测方法。专家判断和德尔菲法是目前主流的定性预测方法［6-7］。随着信息技术的发展，科研项目的管理过程逐渐向无纸化过渡，科研项目相关的数据也越来越丰富；在此背景下，层次分析法、回归分析、时间序列分析、模糊语义算法等量化方法逐渐被用于项目产出的预测［8-13］。

机器学习等人工智能技术的进步，为科研项目的绩效预测带来了新的发展契机。例如，以神经网络算法为代表的机器学习技术已经被成功用于研发项目的绩效分析［14-15］。张亚平等［16］利用径向基函数神经网络，建立了项目投资预测模型。Costantino等［17］用人工神经网络估计研发项目未来的产出。……