基于FA-SVM模型的企業(yè)技術(shù)創(chuàng)新能力成熟度評價體系構(gòu)建與實(shí)證研究

一、引言1.1研究背景與意義1.1.1研究背景在全球經(jīng)濟(jì)一體化的大背景下，市場競爭愈發(fā)激烈，技術(shù)創(chuàng)新已然成為企業(yè)生存與發(fā)展的核心驅(qū)動力。企業(yè)通過技術(shù)創(chuàng)新，能夠開發(fā)出更具競爭力的產(chǎn)品與服務(wù)，開拓新的市場領(lǐng)域，進(jìn)而提升自身在市場中的地位。以蘋果公司為例，其持續(xù)不斷地在技術(shù)創(chuàng)新方面投入，推出了一系列具有創(chuàng)新性的產(chǎn)品，如iPhone、iPad等，不僅引領(lǐng)了全球智能手機(jī)和平板電腦市場的發(fā)展潮流，還為公司創(chuàng)造了巨額的經(jīng)濟(jì)效益。然而，不同行業(yè)以及同行業(yè)內(nèi)不同企業(yè)之間的技術(shù)創(chuàng)新能力存在顯著差異。在高新技術(shù)行業(yè)，如人工智能、生物醫(yī)藥等領(lǐng)域，企業(yè)往往高度重視技術(shù)創(chuàng)新，投入大量資源用于研發(fā)，以追求技術(shù)的突破和創(chuàng)新。而在一些傳統(tǒng)行業(yè)，如紡織、鋼鐵等，企業(yè)的技術(shù)創(chuàng)新意識相對薄弱，技術(shù)創(chuàng)新投入也相對較少。即使在同一行業(yè)內(nèi)，不同企業(yè)的技術(shù)創(chuàng)新能力也參差不齊。一些大型企業(yè)憑借雄厚的資金、豐富的人才資源和完善的研發(fā)體系，在技術(shù)創(chuàng)新方面具有明顯優(yōu)勢；而中小企業(yè)由于資源有限，在技術(shù)創(chuàng)新過程中常常面臨諸多困難和挑戰(zhàn)。企業(yè)技術(shù)創(chuàng)新能力的成熟度對其發(fā)展至關(guān)重要。技術(shù)創(chuàng)新能力成熟度較高的企業(yè)，能夠更有效地整合內(nèi)外部資源，提高研發(fā)效率，降低創(chuàng)新風(fēng)險，從而在市場競爭中占據(jù)優(yōu)勢。而技術(shù)創(chuàng)新能力成熟度較低的企業(yè)，可能會在創(chuàng)新過程中遭遇各種問題，如研發(fā)周期長、創(chuàng)新成果轉(zhuǎn)化率低等，導(dǎo)致企業(yè)在市場競爭中處于劣勢。因此，準(zhǔn)確評估企業(yè)的技術(shù)創(chuàng)新能力成熟度，對于企業(yè)制定科學(xué)合理的創(chuàng)新戰(zhàn)略、提升自身競爭力具有重要意義。1.1.2研究意義本研究旨在基于FA-SVM模型對企業(yè)技術(shù)創(chuàng)新能力成熟度進(jìn)行評價，具有重要的理論與實(shí)踐意義。在實(shí)踐方面，本研究能夠?yàn)槠髽I(yè)提供決策依據(jù)。通過對企業(yè)技術(shù)創(chuàng)新能力成熟度的準(zhǔn)確評估，企業(yè)可以清晰地了解自身在技術(shù)創(chuàng)新方面的優(yōu)勢與不足，從而有針對性地制定改進(jìn)措施，優(yōu)化資源配置，提高技術(shù)創(chuàng)新能力。同時，企業(yè)可以根據(jù)評估結(jié)果，合理調(diào)整創(chuàng)新戰(zhàn)略，選擇適合自身發(fā)展的創(chuàng)新模式，提升創(chuàng)新效率和效果。對于投資者而言，本研究的評估結(jié)果可以作為其投資決策的重要參考，幫助他們識別具有高創(chuàng)新潛力和發(fā)展前景的企業(yè)，降低投資風(fēng)險。從理論層面來看，本研究豐富了企業(yè)技術(shù)創(chuàng)新能力評價的研究方法。以往的研究大多采用傳統(tǒng)的評價方法，這些方法在處理復(fù)雜數(shù)據(jù)和多指標(biāo)評價時存在一定的局限性。而本研究將FA-SVM模型引入企業(yè)技術(shù)創(chuàng)新能力成熟度評價中，利用因子分析對指標(biāo)進(jìn)行降維處理，減少指標(biāo)之間的相關(guān)性，提高評價的準(zhǔn)確性；同時，支持向量機(jī)具有良好的分類和預(yù)測能力，能夠有效處理小樣本、非線性等問題，為企業(yè)技術(shù)創(chuàng)新能力評價提供了新的思路和方法。此外，本研究在一定程度上填補(bǔ)了相關(guān)領(lǐng)域的研究空白。目前，關(guān)于企業(yè)技術(shù)創(chuàng)新能力成熟度評價的研究相對較少，且缺乏系統(tǒng)性和全面性。本研究通過構(gòu)建完善的評價指標(biāo)體系和模型，對企業(yè)技術(shù)創(chuàng)新能力成熟度進(jìn)行深入研究，為該領(lǐng)域的理論發(fā)展做出了貢獻(xiàn)。1.2國內(nèi)外研究現(xiàn)狀在企業(yè)技術(shù)創(chuàng)新能力成熟度評價方面，國外學(xué)者較早展開研究。早期，如Steele（1998）采用核對表（Checklist）形式對R&D活動進(jìn)行評價，關(guān)注項(xiàng)目目標(biāo)關(guān)聯(lián)性、市場因素利用、技術(shù)目標(biāo)設(shè)定、制造要求考慮以及技術(shù)項(xiàng)目對創(chuàng)新性的持續(xù)增強(qiáng)作用等內(nèi)容。Barton認(rèn)為技術(shù)創(chuàng)新能力由掌管技術(shù)的人、創(chuàng)新管理、技術(shù)系統(tǒng)、科技意識等組成；還有學(xué)者提出創(chuàng)新能力由可利用的資源、對競爭對手的理解、對環(huán)境的了解能力、公司的組織結(jié)構(gòu)和文化、開放性戰(zhàn)略等構(gòu)成，并從投入產(chǎn)出、知識的產(chǎn)生和交流、商業(yè)化等角度構(gòu)建評價指標(biāo)。國內(nèi)研究也在不斷深入。魏江等（2000）認(rèn)為應(yīng)采用R&D能力、制造能力、市場營銷能力、資金投入能力、組織能力五個指標(biāo)度量企業(yè)的技術(shù)創(chuàng)新能力；黃魯成等（2005）采用投入能力、研發(fā)能力和產(chǎn)出能力作為一級指標(biāo)對北京制造業(yè)的技術(shù)創(chuàng)新能力進(jìn)行研究；王章豹等將評價指標(biāo)體系分解為創(chuàng)新支撐保障能力、創(chuàng)新資源投入能力、技術(shù)創(chuàng)新轉(zhuǎn)化能力、自主創(chuàng)新收益能力、技術(shù)創(chuàng)新環(huán)保能力五大模塊，并確定了18個二級指標(biāo)。秦德智和胡宏借鑒軟件行業(yè)評估軟件開發(fā)能力的成熟度模型研究企業(yè)的技術(shù)創(chuàng)新能力，構(gòu)建了技術(shù)創(chuàng)新能力成熟度等級和等級特征以及每一個等級的關(guān)鍵過程域和關(guān)鍵實(shí)踐，還設(shè)計了一套技術(shù)創(chuàng)新能力成熟度評價指標(biāo)體系，并運(yùn)用模糊數(shù)學(xué)理論評價技術(shù)創(chuàng)新能力成熟度等級。在FA-SVM模型應(yīng)用方面，國外已將其應(yīng)用于多個領(lǐng)域。在模式識別領(lǐng)域，用于圖像識別、語音識別等，利用FA-SVM模型良好的分類能力，有效提高識別準(zhǔn)確率。在數(shù)據(jù)分析領(lǐng)域，能處理復(fù)雜的數(shù)據(jù)關(guān)系，挖掘數(shù)據(jù)潛在信息。國內(nèi)研究中，在財務(wù)風(fēng)險預(yù)警方面，李程和李聰選取2016-2020年276家上市公司作為研究樣本，從五個維度篩選財務(wù)數(shù)據(jù)指標(biāo)，對企業(yè)財務(wù)年報中的前瞻性信息進(jìn)行中文分詞處理并根據(jù)常用情感詞典計算其語調(diào)，加入財務(wù)指標(biāo)后利用因子分析降維，消除指標(biāo)冗余和相關(guān)性，提取少量共性因子，最后采用支持向量機(jī)構(gòu)建風(fēng)險預(yù)警模型，結(jié)果表明結(jié)合財務(wù)文本信息可以有效提高財務(wù)風(fēng)險預(yù)測的準(zhǔn)確率。然而，現(xiàn)有研究仍存在一些不足。在企業(yè)技術(shù)創(chuàng)新能力成熟度評價指標(biāo)體系構(gòu)建上，部分研究指標(biāo)選取不夠全面，未能充分考慮企業(yè)技術(shù)創(chuàng)新過程中的所有關(guān)鍵因素，如對企業(yè)創(chuàng)新文化、創(chuàng)新合作網(wǎng)絡(luò)等因素的考量不足；一些指標(biāo)的可操作性和可獲取性較差，導(dǎo)致在實(shí)際評價過程中難以準(zhǔn)確度量。在評價方法上，傳統(tǒng)方法如層次分析法、模糊綜合評價法等，存在主觀性較強(qiáng)、對數(shù)據(jù)處理能力有限等問題。雖然已有研究將FA-SVM模型應(yīng)用于其他領(lǐng)域，但在企業(yè)技術(shù)創(chuàng)新能力成熟度評價方面的應(yīng)用還相對較少，缺乏深入系統(tǒng)的研究，尚未充分發(fā)揮該模型在處理復(fù)雜數(shù)據(jù)和多指標(biāo)評價時的優(yōu)勢。1.3研究方法與創(chuàng)新點(diǎn)1.3.1研究方法文獻(xiàn)綜合法：全面搜集國內(nèi)外關(guān)于企業(yè)技術(shù)創(chuàng)新能力成熟度評價、FA-SVM模型應(yīng)用等方面的文獻(xiàn)資料。通過對大量文獻(xiàn)的梳理與分析，深入了解該領(lǐng)域的研究現(xiàn)狀、發(fā)展趨勢以及存在的問題，為后續(xù)研究提供堅實(shí)的理論基礎(chǔ)。例如，對國內(nèi)外學(xué)者在企業(yè)技術(shù)創(chuàng)新能力評價指標(biāo)體系構(gòu)建、評價方法選擇等方面的研究成果進(jìn)行總結(jié)歸納，明確現(xiàn)有研究的優(yōu)勢與不足，從而確定本研究的切入點(diǎn)和創(chuàng)新方向。問卷調(diào)查法：設(shè)計科學(xué)合理的調(diào)查問卷，選取不同行業(yè)、不同規(guī)模的企業(yè)作為調(diào)查對象，收集企業(yè)在技術(shù)創(chuàng)新方面的相關(guān)數(shù)據(jù)。問卷內(nèi)容涵蓋企業(yè)的創(chuàng)新投入、創(chuàng)新產(chǎn)出、創(chuàng)新管理等多個維度，以全面了解企業(yè)技術(shù)創(chuàng)新的實(shí)際情況。通過對問卷數(shù)據(jù)的統(tǒng)計分析，獲取客觀、真實(shí)的第一手資料，為模型的構(gòu)建和評價提供數(shù)據(jù)支持。專家訪談法：邀請企業(yè)技術(shù)創(chuàng)新領(lǐng)域的專家、學(xué)者以及企業(yè)管理人員進(jìn)行訪談。與專家們就企業(yè)技術(shù)創(chuàng)新能力成熟度評價指標(biāo)的選取、評價模型的構(gòu)建等問題進(jìn)行深入交流，聽取他們的專業(yè)意見和建議。專家們豐富的經(jīng)驗(yàn)和專業(yè)知識能夠幫助本研究更加準(zhǔn)確地把握企業(yè)技術(shù)創(chuàng)新的關(guān)鍵因素，完善評價指標(biāo)體系和模型，提高研究的科學(xué)性和可靠性。數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)方法：運(yùn)用數(shù)據(jù)挖掘技術(shù)對收集到的企業(yè)數(shù)據(jù)進(jìn)行預(yù)處理，包括數(shù)據(jù)清洗、數(shù)據(jù)集成、數(shù)據(jù)變換等，以提高數(shù)據(jù)的質(zhì)量和可用性。利用因子分析（FA）對評價指標(biāo)進(jìn)行降維處理，提取主要因子，減少指標(biāo)之間的相關(guān)性，簡化數(shù)據(jù)結(jié)構(gòu)。在此基礎(chǔ)上，采用支持向量機(jī)（SVM）構(gòu)建企業(yè)技術(shù)創(chuàng)新能力成熟度評價模型，利用SVM良好的分類和預(yù)測能力，對企業(yè)技術(shù)創(chuàng)新能力成熟度進(jìn)行準(zhǔn)確評價。1.3.2創(chuàng)新點(diǎn)評價模型創(chuàng)新：將FA-SVM模型引入企業(yè)技術(shù)創(chuàng)新能力成熟度評價領(lǐng)域，充分發(fā)揮因子分析降維與支持向量機(jī)分類預(yù)測的優(yōu)勢，克服傳統(tǒng)評價方法的局限性，為企業(yè)技術(shù)創(chuàng)新能力評價提供了一種新的、更有效的模型。指標(biāo)體系完善：在構(gòu)建評價指標(biāo)體系時，不僅考慮了企業(yè)技術(shù)創(chuàng)新的投入、產(chǎn)出等傳統(tǒng)指標(biāo)，還納入了創(chuàng)新文化、創(chuàng)新合作網(wǎng)絡(luò)等反映企業(yè)技術(shù)創(chuàng)新環(huán)境和協(xié)同創(chuàng)新能力的指標(biāo)，使評價指標(biāo)體系更加全面、科學(xué)，能夠更準(zhǔn)確地反映企業(yè)技術(shù)創(chuàng)新能力成熟度的實(shí)際情況。研究視角獨(dú)特：從技術(shù)創(chuàng)新能力成熟度的角度出發(fā)，綜合考慮企業(yè)技術(shù)創(chuàng)新的各個方面，對企業(yè)技術(shù)創(chuàng)新能力進(jìn)行全面、系統(tǒng)的評價。這種研究視角有助于企業(yè)更清晰地了解自身技術(shù)創(chuàng)新能力的發(fā)展階段和水平，為企業(yè)制定針對性的創(chuàng)新發(fā)展策略提供依據(jù)。二、相關(guān)理論基礎(chǔ)2.1企業(yè)技術(shù)創(chuàng)新能力成熟度2.1.1概念界定企業(yè)技術(shù)創(chuàng)新能力成熟度是指企業(yè)在技術(shù)創(chuàng)新過程中所達(dá)到的水平和狀態(tài)，它反映了企業(yè)將技術(shù)創(chuàng)新理念轉(zhuǎn)化為實(shí)際成果，并實(shí)現(xiàn)商業(yè)化應(yīng)用的能力程度。這一概念涵蓋了企業(yè)在技術(shù)研發(fā)、創(chuàng)新管理、成果轉(zhuǎn)化以及市場應(yīng)用等多個方面的綜合表現(xiàn)。從內(nèi)涵來看，企業(yè)技術(shù)創(chuàng)新能力成熟度包含了技術(shù)、管理和市場三個關(guān)鍵維度。在技術(shù)維度上，體現(xiàn)為企業(yè)對新技術(shù)的掌握程度、研發(fā)能力以及技術(shù)儲備情況。例如，華為公司在通信技術(shù)領(lǐng)域持續(xù)投入研發(fā)，掌握了5G核心技術(shù)，其技術(shù)創(chuàng)新能力在全球處于領(lǐng)先地位，這充分展示了華為在技術(shù)維度上的高成熟度。在管理維度，涉及企業(yè)對創(chuàng)新活動的組織、規(guī)劃、資源配置以及團(tuán)隊協(xié)作等方面的能力。一個具有良好創(chuàng)新管理能力的企業(yè)，能夠高效地整合內(nèi)外部資源，推動創(chuàng)新項(xiàng)目的順利進(jìn)行。像谷歌公司，以其獨(dú)特的創(chuàng)新管理模式，鼓勵員工自由探索和創(chuàng)新，營造了良好的創(chuàng)新氛圍，提升了企業(yè)的技術(shù)創(chuàng)新能力成熟度。在市場維度，表現(xiàn)為企業(yè)將技術(shù)創(chuàng)新成果轉(zhuǎn)化為市場競爭力，實(shí)現(xiàn)商業(yè)價值的能力。企業(yè)需要準(zhǔn)確把握市場需求，將創(chuàng)新產(chǎn)品或服務(wù)推向市場，并獲得市場認(rèn)可和用戶接受。蘋果公司的產(chǎn)品憑借其創(chuàng)新的設(shè)計和卓越的用戶體驗(yàn)，在全球市場取得了巨大成功，體現(xiàn)了其在市場維度的高成熟度。企業(yè)技術(shù)創(chuàng)新能力成熟度對于企業(yè)的發(fā)展具有至關(guān)重要的意義。它是企業(yè)保持市場競爭力的關(guān)鍵。在當(dāng)今競爭激烈的市場環(huán)境下，企業(yè)只有不斷提升技術(shù)創(chuàng)新能力成熟度，才能開發(fā)出具有差異化競爭優(yōu)勢的產(chǎn)品和服務(wù)，滿足市場不斷變化的需求，從而在市場中脫穎而出。技術(shù)創(chuàng)新能力成熟度也是企業(yè)實(shí)現(xiàn)可持續(xù)發(fā)展的重要保障。通過持續(xù)的技術(shù)創(chuàng)新，企業(yè)可以優(yōu)化生產(chǎn)流程、降低成本、提高產(chǎn)品質(zhì)量，實(shí)現(xiàn)資源的高效利用，推動企業(yè)的可持續(xù)發(fā)展。它還能增強(qiáng)企業(yè)的品牌影響力和社會認(rèn)可度。具有高技術(shù)創(chuàng)新能力成熟度的企業(yè)，往往能夠在行業(yè)內(nèi)樹立良好的品牌形象，吸引更多的合作伙伴和優(yōu)秀人才，為企業(yè)的發(fā)展創(chuàng)造更有利的條件。2.1.2評價指標(biāo)體系技術(shù)成熟度：技術(shù)成熟度是評估企業(yè)技術(shù)創(chuàng)新能力的重要基礎(chǔ)。它主要通過技術(shù)發(fā)展階段、專利申請數(shù)量和質(zhì)量以及技術(shù)在實(shí)際產(chǎn)品中的應(yīng)用情況來衡量。在技術(shù)發(fā)展階段方面，企業(yè)的技術(shù)創(chuàng)新通常經(jīng)歷從基礎(chǔ)研究、應(yīng)用研究到技術(shù)開發(fā)和產(chǎn)業(yè)化的過程。處于不同階段的技術(shù)，其成熟度和商業(yè)價值也有所不同。例如，一些企業(yè)在人工智能領(lǐng)域進(jìn)行基礎(chǔ)研究，雖然取得了一定的理論成果，但距離實(shí)際應(yīng)用和產(chǎn)業(yè)化還有較長的路要走，其技術(shù)成熟度相對較低；而另一些企業(yè)已經(jīng)將人工智能技術(shù)應(yīng)用于產(chǎn)品中，并實(shí)現(xiàn)了大規(guī)模生產(chǎn)和銷售，其技術(shù)成熟度則較高。專利申請數(shù)量和質(zhì)量也是衡量技術(shù)成熟度的重要指標(biāo)。專利數(shù)量反映了企業(yè)技術(shù)創(chuàng)新的活躍度，而專利質(zhì)量則體現(xiàn)了技術(shù)的創(chuàng)新性和市場價值。例如，某企業(yè)在新能源汽車領(lǐng)域擁有大量高質(zhì)量的專利，涵蓋了電池技術(shù)、自動駕駛技術(shù)等核心領(lǐng)域，這表明該企業(yè)在新能源汽車技術(shù)方面具有較高的成熟度。技術(shù)在實(shí)際產(chǎn)品中的應(yīng)用情況直接反映了技術(shù)的可行性和實(shí)用性。如果企業(yè)的技術(shù)能夠成功應(yīng)用于產(chǎn)品中，并得到市場的認(rèn)可，說明該技術(shù)已經(jīng)達(dá)到了較高的成熟度。市場應(yīng)用規(guī)模：市場應(yīng)用規(guī)模直接反映了企業(yè)技術(shù)創(chuàng)新的商業(yè)化能力。評估企業(yè)技術(shù)創(chuàng)新能力時，考察其技術(shù)在市場上的應(yīng)用情況至關(guān)重要。以新能源汽車行業(yè)為例，比亞迪通過技術(shù)創(chuàng)新，在電池技術(shù)和電機(jī)電控技術(shù)方面取得了突破，并將這些技術(shù)應(yīng)用于其生產(chǎn)的新能源汽車中。隨著比亞迪新能源汽車銷量的不斷增長，其技術(shù)創(chuàng)新的市場應(yīng)用規(guī)模也在不斷擴(kuò)大，這表明比亞迪在新能源汽車技術(shù)創(chuàng)新方面具有較強(qiáng)的商業(yè)化能力。再如，某企業(yè)研發(fā)的一項(xiàng)新型材料技術(shù)，雖然在技術(shù)層面具有創(chuàng)新性，但在市場推廣過程中遇到了困難，應(yīng)用規(guī)模較小，這說明該企業(yè)在將技術(shù)轉(zhuǎn)化為市場應(yīng)用方面還存在不足，技術(shù)創(chuàng)新能力成熟度有待提高。經(jīng)濟(jì)效益分析：技術(shù)創(chuàng)新的經(jīng)濟(jì)效益是企業(yè)追求的重要目標(biāo)之一。在評估技術(shù)創(chuàng)新能力時，需要全面分析技術(shù)帶來的經(jīng)濟(jì)效益，包括成本節(jié)約、新產(chǎn)品的銷售額增加和市場份額的提升等方面。例如，某制造企業(yè)通過技術(shù)創(chuàng)新，采用了新的生產(chǎn)工藝，降低了生產(chǎn)成本，提高了生產(chǎn)效率，從而在市場競爭中獲得了價格優(yōu)勢，增加了產(chǎn)品的市場份額。同時，該企業(yè)通過推出基于新技術(shù)的新產(chǎn)品，開拓了新的市場領(lǐng)域，實(shí)現(xiàn)了銷售額的大幅增長。這些經(jīng)濟(jì)效益的提升充分體現(xiàn)了該企業(yè)技術(shù)創(chuàng)新的價值和能力。相反，如果企業(yè)的技術(shù)創(chuàng)新未能帶來明顯的經(jīng)濟(jì)效益，如研發(fā)投入過高但收益甚微，或者新產(chǎn)品市場反響不佳，銷售額未達(dá)到預(yù)期，那么說明該企業(yè)的技術(shù)創(chuàng)新能力成熟度較低，需要對創(chuàng)新策略和方法進(jìn)行調(diào)整。行業(yè)標(biāo)準(zhǔn)符合度：企業(yè)技術(shù)創(chuàng)新能力還體現(xiàn)在其對行業(yè)標(biāo)準(zhǔn)的符合度上。符合或引領(lǐng)行業(yè)標(biāo)準(zhǔn)的企業(yè)通常具有更強(qiáng)的技術(shù)創(chuàng)新能力。在一些行業(yè)中，標(biāo)準(zhǔn)的制定往往是基于先進(jìn)的技術(shù)和實(shí)踐經(jīng)驗(yàn)。例如，在通信行業(yè)，5G標(biāo)準(zhǔn)的制定涉及到眾多關(guān)鍵技術(shù)和性能指標(biāo)。能夠參與5G標(biāo)準(zhǔn)制定并在其中發(fā)揮重要作用的企業(yè)，如華為、中興等，通常在5G技術(shù)創(chuàng)新方面具有領(lǐng)先地位，其技術(shù)創(chuàng)新能力成熟度較高。這些企業(yè)不僅能夠滿足現(xiàn)有行業(yè)標(biāo)準(zhǔn)的要求，還能夠通過技術(shù)創(chuàng)新推動行業(yè)標(biāo)準(zhǔn)的更新和升級，引領(lǐng)行業(yè)的發(fā)展方向。而對于一些中小企業(yè)來說，如果能夠積極采用行業(yè)標(biāo)準(zhǔn)，并不斷提升自身技術(shù)水平以符合標(biāo)準(zhǔn)要求，也有助于提高其技術(shù)創(chuàng)新能力成熟度，增強(qiáng)在市場中的競爭力。安全和評價標(biāo)準(zhǔn)：安全標(biāo)準(zhǔn)和評價標(biāo)準(zhǔn)也是衡量企業(yè)技術(shù)創(chuàng)新能力的重要方面。在許多行業(yè)，如汽車制造、醫(yī)療器械等，安全是至關(guān)重要的。企業(yè)在技術(shù)創(chuàng)新過程中，必須嚴(yán)格遵守相關(guān)的安全標(biāo)準(zhǔn)，確保產(chǎn)品或服務(wù)的安全性。例如，汽車零部件企業(yè)需要遵守智能工廠安全一體化、工業(yè)互聯(lián)網(wǎng)協(xié)同制造平臺安全完整性評估規(guī)范等標(biāo)準(zhǔn)，以保障生產(chǎn)過程和產(chǎn)品的安全。同時，產(chǎn)業(yè)數(shù)字化轉(zhuǎn)型實(shí)施指南、能力成熟度評估等標(biāo)準(zhǔn)也是評估企業(yè)技術(shù)創(chuàng)新能力的關(guān)鍵。這些標(biāo)準(zhǔn)從不同角度對企業(yè)的技術(shù)創(chuàng)新能力進(jìn)行評價，包括技術(shù)的先進(jìn)性、可靠性、可持續(xù)性等方面。企業(yè)只有符合這些標(biāo)準(zhǔn)，才能證明其技術(shù)創(chuàng)新能力達(dá)到了一定的水平，具備在市場中競爭的資格。二、相關(guān)理論基礎(chǔ)2.2FA-SVM模型2.2.1因子分析（FA）原理因子分析是一種多元統(tǒng)計分析方法，其核心目的是對數(shù)據(jù)進(jìn)行降維處理，從而簡化數(shù)據(jù)結(jié)構(gòu)，揭示數(shù)據(jù)背后的潛在規(guī)律。在實(shí)際應(yīng)用中，我們收集到的原始數(shù)據(jù)往往包含眾多變量，這些變量之間可能存在復(fù)雜的相關(guān)性，這不僅增加了數(shù)據(jù)分析的難度，還可能導(dǎo)致信息冗余和分析結(jié)果的偏差。因子分析通過對原始變量之間相關(guān)關(guān)系的研究，將眾多具有錯綜復(fù)雜關(guān)系的變量歸結(jié)為少數(shù)幾個綜合因子，這些綜合因子被稱為公共因子。具體來說，因子分析假設(shè)原始變量可以表示為公共因子和特殊因子的線性組合。公共因子是多個原始變量共同具有的因素，它們能夠解釋原始變量之間的大部分相關(guān)性；而特殊因子則是每個原始變量所特有的因素，僅對該變量有影響。通過這種方式，因子分析能夠?qū)⒋罅康脑甲兞繚饪s為少數(shù)幾個公共因子，從而實(shí)現(xiàn)數(shù)據(jù)的降維。例如，在研究企業(yè)技術(shù)創(chuàng)新能力時，我們可能收集到企業(yè)的研發(fā)投入、研發(fā)人員數(shù)量、專利申請數(shù)量、新產(chǎn)品銷售額等多個變量。這些變量之間可能存在一定的相關(guān)性，如研發(fā)投入的增加可能會導(dǎo)致專利申請數(shù)量和新產(chǎn)品銷售額的提高。通過因子分析，我們可以將這些變量歸結(jié)為幾個公共因子，如技術(shù)創(chuàng)新投入因子、技術(shù)創(chuàng)新產(chǎn)出因子等，從而更清晰地了解企業(yè)技術(shù)創(chuàng)新能力的構(gòu)成和影響因素。在進(jìn)行因子分析時，首先需要對原始數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，以消除變量量綱和數(shù)量級的影響。然后，計算變量之間的相關(guān)系數(shù)矩陣，通過對相關(guān)系數(shù)矩陣的分析，確定公共因子的數(shù)量和因子載荷矩陣。因子載荷矩陣表示了原始變量與公共因子之間的相關(guān)程度，通過對因子載荷矩陣的旋轉(zhuǎn)和解釋，可以確定每個公共因子的含義和作用。例如，通過旋轉(zhuǎn)因子載荷矩陣，我們可能發(fā)現(xiàn)某個公共因子在研發(fā)投入、研發(fā)人員數(shù)量等變量上具有較高的載荷，那么這個公共因子就可以被解釋為技術(shù)創(chuàng)新投入因子；而另一個公共因子在專利申請數(shù)量、新產(chǎn)品銷售額等變量上具有較高的載荷，就可以被解釋為技術(shù)創(chuàng)新產(chǎn)出因子。因子分析在降低數(shù)據(jù)維度的同時，還能夠消除變量之間的多重共線性問題。多重共線性是指多個自變量之間存在較強(qiáng)的線性相關(guān)關(guān)系，這會導(dǎo)致回歸分析等統(tǒng)計方法的結(jié)果不穩(wěn)定和不準(zhǔn)確。通過因子分析，將原始變量轉(zhuǎn)化為相互獨(dú)立的公共因子，從而避免了多重共線性對數(shù)據(jù)分析的影響。在建立企業(yè)技術(shù)創(chuàng)新能力評價模型時，如果直接使用原始變量進(jìn)行回歸分析，可能會由于變量之間的多重共線性而導(dǎo)致模型的參數(shù)估計不準(zhǔn)確，影響評價結(jié)果的可靠性。而通過因子分析提取公共因子后，再將公共因子作為自變量進(jìn)行回歸分析，就可以有效避免多重共線性問題，提高模型的準(zhǔn)確性和可靠性。2.2.2支持向量機(jī)（SVM）原理支持向量機(jī)（SVM）是一種基于統(tǒng)計學(xué)習(xí)理論的監(jiān)督學(xué)習(xí)算法，主要用于解決分類和回歸問題，在小樣本、高維數(shù)據(jù)的分類任務(wù)中表現(xiàn)出色。其核心思想是通過尋找一個最優(yōu)的分類超平面，將不同類別的樣本盡可能準(zhǔn)確地分開，并且使分類間隔最大化，以提高模型的泛化能力。在二維空間中，當(dāng)樣本線性可分時，分類超平面是一條直線；在三維空間中，分類超平面是一個平面；而在更高維的空間中，分類超平面則是一個N-1維的對象。假設(shè)我們有兩類樣本點(diǎn)，分別用正類和負(fù)類表示，SVM的目標(biāo)就是找到這樣一個超平面，使得它不僅能將兩類樣本點(diǎn)正確分開，還能讓離這條超平面最近的樣本點(diǎn)（即支持向量）到超平面的距離（即間隔）最大化。這個間隔越大，模型對噪聲和誤差的魯棒性就越強(qiáng)，泛化能力也就越好。對于線性可分的情況，SVM通過硬間隔最大化來尋找最優(yōu)分類超平面。假設(shè)超平面的方程為w^Tx+b=0，其中w是權(quán)重向量，b是偏置項(xiàng)。樣本點(diǎn)x_i到超平面的距離可以表示為d=\frac{|w^Tx_i+b|}{||w||}。為了最大化間隔，需要最小化||w||（或等價地，最小化\frac{1}{2}*||w||^2），同時滿足約束條件y_i(w^Tx_i+b)\geq1，其中y_i是樣本的類別標(biāo)簽（取值為1或-1）。然而，在實(shí)際應(yīng)用中，數(shù)據(jù)往往是線性不可分的，即無法找到一個超平面將所有樣本點(diǎn)完全正確分開。為了解決這個問題，SVM引入了軟間隔最大化的概念，允許一定數(shù)量的樣本被錯誤分類，通過引入松弛變量\xi_i和懲罰參數(shù)C來平衡分類間隔和分類錯誤的情況。目標(biāo)函數(shù)變?yōu)閈min_{w,b,\xi}\frac{1}{2}||w||^2+C\sum_{i=1}^{n}\xi_i，約束條件變?yōu)閥_i(w^Tx_i+b)\geq1-\xi_i，\xi_i\geq0，i=1,2,\cdots,n。其中，懲罰參數(shù)C控制了對分類錯誤的懲罰程度，C越大，對分類錯誤的懲罰越重，模型越傾向于減少分類錯誤；C越小，對分類間隔的重視程度越高，模型越傾向于最大化分類間隔。當(dāng)數(shù)據(jù)在原始空間中非線性可分時，SVM通過核函數(shù)將數(shù)據(jù)從低維空間映射到高維空間，在高維空間中尋找線性可分的分類超平面。核函數(shù)的實(shí)質(zhì)是通過一種非線性映射將原空間中的點(diǎn)轉(zhuǎn)換到另一個高維空間（稱為特征空間），然后在這個高維空間中進(jìn)行線性分類。常用的核函數(shù)包括線性核、多項(xiàng)式核、徑向基函數(shù)（RBF）核和Sigmoid核等。線性核適用于線性可分的情況；多項(xiàng)式核可以將原空間中的數(shù)據(jù)映射到多項(xiàng)式特征空間；RBF核（也稱為高斯核）可以將數(shù)據(jù)映射到無限維的特征空間，具有很強(qiáng)的非線性處理能力，在實(shí)際應(yīng)用中最為廣泛；Sigmoid核則與神經(jīng)網(wǎng)絡(luò)中的激活函數(shù)類似，可以用于構(gòu)建多層感知器。在實(shí)際應(yīng)用中，選擇合適的核函數(shù)和參數(shù)對于SVM的性能至關(guān)重要。通常需要根據(jù)數(shù)據(jù)的特性和問題的需求來選擇核函數(shù)，并通過交叉驗(yàn)證等方法來優(yōu)化參數(shù)。例如，在圖像識別任務(wù)中，由于圖像數(shù)據(jù)具有高維、非線性等特點(diǎn)，RBF核函數(shù)通常能夠取得較好的效果；而在文本分類任務(wù)中，線性核函數(shù)可能就能夠滿足需求。通過交叉驗(yàn)證，可以在不同的核函數(shù)和參數(shù)組合中選擇最優(yōu)的模型，以提高模型的分類準(zhǔn)確率和泛化能力。2.2.3FA-SVM模型的構(gòu)建與優(yōu)勢FA-SVM模型的構(gòu)建是將因子分析（FA）和支持向量機(jī)（SVM）相結(jié)合，充分發(fā)揮兩者的優(yōu)勢，以提高對復(fù)雜數(shù)據(jù)的處理能力和分類預(yù)測的準(zhǔn)確性。在構(gòu)建FA-SVM模型時，首先對原始數(shù)據(jù)進(jìn)行因子分析。原始數(shù)據(jù)通常包含多個變量，這些變量之間可能存在復(fù)雜的相關(guān)性，直接使用這些變量進(jìn)行分析會增加計算復(fù)雜度，并且可能由于多重共線性等問題影響分析結(jié)果的準(zhǔn)確性。通過因子分析，對原始變量進(jìn)行特征提取和壓縮，將眾多相關(guān)變量轉(zhuǎn)化為少數(shù)幾個相互獨(dú)立的公共因子。這些公共因子能夠保留原始變量的主要信息，同時消除變量之間的相關(guān)性，降低數(shù)據(jù)維度。以企業(yè)技術(shù)創(chuàng)新能力評價為例，原始數(shù)據(jù)可能包含企業(yè)的研發(fā)投入、研發(fā)人員數(shù)量、專利數(shù)量、新產(chǎn)品銷售額等多個指標(biāo)。這些指標(biāo)之間存在一定的相關(guān)性，如研發(fā)投入的增加可能會帶來專利數(shù)量和新產(chǎn)品銷售額的提升。通過因子分析，可以將這些相關(guān)指標(biāo)歸結(jié)為幾個公共因子，如技術(shù)創(chuàng)新投入因子、技術(shù)創(chuàng)新產(chǎn)出因子等。這些公共因子能夠更簡潔地反映企業(yè)技術(shù)創(chuàng)新能力的不同方面，同時減少了數(shù)據(jù)的維度，為后續(xù)的分析提供了更簡潔、有效的數(shù)據(jù)基礎(chǔ)。將因子分析得到的公共因子作為支持向量機(jī)的輸入變量，利用支持向量機(jī)進(jìn)行分類預(yù)測。支持向量機(jī)在處理小樣本、高維數(shù)據(jù)和非線性問題時具有獨(dú)特的優(yōu)勢，能夠通過尋找最優(yōu)分類超平面，將不同類別的樣本準(zhǔn)確分開，并具有較好的泛化能力。在企業(yè)技術(shù)創(chuàng)新能力成熟度評價中，將提取的公共因子輸入到支持向量機(jī)模型中，支持向量機(jī)可以根據(jù)這些因子對企業(yè)的技術(shù)創(chuàng)新能力成熟度進(jìn)行分類，判斷企業(yè)處于低成熟度、中成熟度還是高成熟度水平。FA-SVM模型在處理高維數(shù)據(jù)方面具有顯著優(yōu)勢。傳統(tǒng)的分類方法在面對高維數(shù)據(jù)時，往往會遇到“維數(shù)災(zāi)難”問題，即隨著數(shù)據(jù)維度的增加，計算復(fù)雜度呈指數(shù)級增長，同時模型的性能也會受到嚴(yán)重影響。而因子分析能夠有效地降低數(shù)據(jù)維度，將高維數(shù)據(jù)轉(zhuǎn)化為低維的公共因子，減少了數(shù)據(jù)處理的難度和計算量。在企業(yè)技術(shù)創(chuàng)新能力評價中，涉及的指標(biāo)眾多，數(shù)據(jù)維度較高，通過因子分析降維后，支持向量機(jī)可以更高效地處理這些數(shù)據(jù)，提高模型的訓(xùn)練速度和預(yù)測精度。該模型還能提高分類精度。因子分析消除了原始變量之間的多重共線性，使得輸入到支持向量機(jī)中的數(shù)據(jù)更加獨(dú)立和有效，避免了多重共線性對分類結(jié)果的干擾。支持向量機(jī)本身具有良好的分類性能，能夠在復(fù)雜的數(shù)據(jù)分布情況下找到最優(yōu)的分類超平面，從而提高分類的準(zhǔn)確性。在企業(yè)技術(shù)創(chuàng)新能力成熟度評價中，F(xiàn)A-SVM模型能夠更準(zhǔn)確地判斷企業(yè)的技術(shù)創(chuàng)新能力成熟度水平，為企業(yè)提供更有價值的決策依據(jù)。FA-SVM模型還具有較強(qiáng)的泛化能力。通過因子分析提取的公共因子能夠更好地反映數(shù)據(jù)的內(nèi)在特征和規(guī)律，支持向量機(jī)在這些公共因子的基礎(chǔ)上進(jìn)行分類預(yù)測，能夠更好地適應(yīng)不同的樣本數(shù)據(jù)，減少過擬合現(xiàn)象的發(fā)生，提高模型的泛化能力。在實(shí)際應(yīng)用中，即使面對新的企業(yè)數(shù)據(jù)，F(xiàn)A-SVM模型也能夠較為準(zhǔn)確地評價其技術(shù)創(chuàng)新能力成熟度，具有較好的通用性和適應(yīng)性。三、基于FA-SVM模型的評價模型構(gòu)建3.1數(shù)據(jù)收集與預(yù)處理3.1.1數(shù)據(jù)來源本研究的數(shù)據(jù)來源主要包括以下幾個方面：問卷調(diào)查：針對不同行業(yè)、不同規(guī)模的企業(yè)設(shè)計詳細(xì)的調(diào)查問卷。問卷內(nèi)容涵蓋企業(yè)技術(shù)創(chuàng)新能力成熟度評價指標(biāo)體系中的各個方面，如技術(shù)成熟度、市場應(yīng)用規(guī)模、經(jīng)濟(jì)效益分析、行業(yè)標(biāo)準(zhǔn)符合度、安全和評價標(biāo)準(zhǔn)等。通過線上和線下相結(jié)合的方式發(fā)放問卷，線上利用專業(yè)的問卷調(diào)查平臺，如問卷星，向企業(yè)相關(guān)人員發(fā)送問卷鏈接；線下則通過與行業(yè)協(xié)會、商會合作，在企業(yè)培訓(xùn)、研討會等活動中現(xiàn)場發(fā)放問卷。共發(fā)放問卷500份，回收有效問卷420份，有效回收率為84%。這些問卷數(shù)據(jù)為研究提供了豐富的一手信息，能夠直觀地反映企業(yè)在技術(shù)創(chuàng)新方面的實(shí)際情況。企業(yè)年報：收集樣本企業(yè)的年度報告，企業(yè)年報中包含了大量關(guān)于企業(yè)財務(wù)狀況、經(jīng)營成果、研發(fā)投入、專利申請等方面的信息。通過對企業(yè)年報的分析，可以獲取企業(yè)在技術(shù)創(chuàng)新投入和產(chǎn)出方面的具體數(shù)據(jù)，如研發(fā)費(fèi)用的支出金額、研發(fā)人員的數(shù)量、專利申請數(shù)量和授權(quán)數(shù)量等。這些數(shù)據(jù)具有較高的可靠性和權(quán)威性，能夠?yàn)樵u價企業(yè)技術(shù)創(chuàng)新能力成熟度提供有力的支持。數(shù)據(jù)庫：利用專業(yè)的商業(yè)數(shù)據(jù)庫，如Wind數(shù)據(jù)庫、同花順數(shù)據(jù)庫等，獲取企業(yè)的相關(guān)數(shù)據(jù)。這些數(shù)據(jù)庫整合了大量企業(yè)的財務(wù)數(shù)據(jù)、市場數(shù)據(jù)、行業(yè)數(shù)據(jù)等，能夠提供全面、系統(tǒng)的信息。在數(shù)據(jù)庫中，可以查詢到企業(yè)的營業(yè)收入、凈利潤、市場份額等數(shù)據(jù)，這些數(shù)據(jù)對于分析企業(yè)技術(shù)創(chuàng)新的經(jīng)濟(jì)效益具有重要意義。還可以獲取行業(yè)的相關(guān)數(shù)據(jù)，如行業(yè)平均研發(fā)投入強(qiáng)度、行業(yè)技術(shù)標(biāo)準(zhǔn)等，通過與行業(yè)數(shù)據(jù)的對比，能夠更準(zhǔn)確地評估企業(yè)在行業(yè)中的技術(shù)創(chuàng)新地位。3.1.2數(shù)據(jù)清洗與篩選對收集到的數(shù)據(jù)進(jìn)行清洗和篩選是確保數(shù)據(jù)質(zhì)量的關(guān)鍵步驟，直接影響到后續(xù)分析結(jié)果的準(zhǔn)確性和可靠性。在數(shù)據(jù)清洗過程中，主要采取以下方法：缺失值處理：對于問卷數(shù)據(jù)和企業(yè)年報數(shù)據(jù)中存在的缺失值，根據(jù)數(shù)據(jù)的特點(diǎn)和實(shí)際情況選擇合適的處理方法。如果缺失值數(shù)量較少，可以采用均值填充法，即計算該變量的平均值，用平均值填充缺失值；對于一些具有時間序列特征的數(shù)據(jù)，如企業(yè)歷年的研發(fā)投入數(shù)據(jù)，若存在缺失值，可采用線性插值法，根據(jù)前后數(shù)據(jù)的變化趨勢進(jìn)行插值，補(bǔ)充缺失值。對于缺失值較多的變量，若該變量對研究結(jié)果的影響較小，則考慮直接刪除該變量；若該變量非常重要，則需要進(jìn)一步分析缺失的原因，嘗試通過其他途徑獲取相關(guān)數(shù)據(jù)進(jìn)行補(bǔ)充。異常值檢測：運(yùn)用統(tǒng)計方法和數(shù)據(jù)可視化技術(shù)來檢測異常值。通過計算數(shù)據(jù)的均值、標(biāo)準(zhǔn)差等統(tǒng)計量，設(shè)定合理的閾值范圍，將超出閾值范圍的數(shù)據(jù)視為異常值。對于一些明顯偏離正常范圍的數(shù)據(jù)點(diǎn)，如企業(yè)的研發(fā)投入遠(yuǎn)高于同行業(yè)其他企業(yè)，且與企業(yè)的規(guī)模和經(jīng)營狀況不匹配，需要進(jìn)一步核實(shí)數(shù)據(jù)的真實(shí)性?？梢酝ㄟ^與企業(yè)溝通、查閱相關(guān)資料等方式，確定該數(shù)據(jù)是否為錄入錯誤或其他特殊原因?qū)е隆Ｈ绻卿浫脲e誤，及時進(jìn)行修正；如果是真實(shí)的特殊情況，在分析時需要特別關(guān)注，并對其進(jìn)行合理的解釋。重復(fù)值處理：在數(shù)據(jù)收集過程中，可能會出現(xiàn)重復(fù)的數(shù)據(jù)記錄。通過對數(shù)據(jù)的主鍵字段（如企業(yè)的統(tǒng)一社會信用代碼）進(jìn)行查重，找出重復(fù)值并刪除多余的記錄，確保每條數(shù)據(jù)的唯一性。在處理重復(fù)值時，需要仔細(xì)核對數(shù)據(jù)的各個字段，確保刪除的是真正重復(fù)的數(shù)據(jù)，而不是具有相似特征但實(shí)際不同的數(shù)據(jù)。經(jīng)過數(shù)據(jù)清洗后，對數(shù)據(jù)進(jìn)行篩選，選取符合研究要求的數(shù)據(jù)樣本。根據(jù)研究目的和企業(yè)技術(shù)創(chuàng)新能力成熟度評價指標(biāo)體系的特點(diǎn)，確定篩選標(biāo)準(zhǔn)。只選擇具有完整財務(wù)數(shù)據(jù)和研發(fā)數(shù)據(jù)的企業(yè)樣本，排除那些處于特殊經(jīng)營狀態(tài)（如破產(chǎn)、重組）的企業(yè)。通過嚴(yán)格的篩選，最終得到350個有效數(shù)據(jù)樣本，這些樣本具有較好的代表性和可靠性，為后續(xù)的數(shù)據(jù)分析和模型構(gòu)建奠定了堅實(shí)的基礎(chǔ)。3.1.3數(shù)據(jù)標(biāo)準(zhǔn)化由于收集到的數(shù)據(jù)來自不同的來源，且各指標(biāo)的量綱和數(shù)量級存在差異，如研發(fā)投入以萬元為單位，而專利申請數(shù)量是以件為單位，這種差異會對數(shù)據(jù)分析和模型訓(xùn)練產(chǎn)生不利影響。為了消除量綱和數(shù)量級的影響，使不同指標(biāo)的數(shù)據(jù)具有可比性，需要對數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理。本研究采用Z-Score標(biāo)準(zhǔn)化方法，其計算公式為：z=\frac{x-\mu}{\sigma}其中，z為標(biāo)準(zhǔn)化后的數(shù)據(jù)，x為原始數(shù)據(jù)，\mu為原始數(shù)據(jù)的均值，\sigma為原始數(shù)據(jù)的標(biāo)準(zhǔn)差。通過Z-Score標(biāo)準(zhǔn)化方法，將原始數(shù)據(jù)轉(zhuǎn)化為均值為0，標(biāo)準(zhǔn)差為1的數(shù)據(jù)。對于研發(fā)投入指標(biāo)，假設(shè)其原始數(shù)據(jù)的均值為\mu_1，標(biāo)準(zhǔn)差為\sigma_1，某企業(yè)的研發(fā)投入原始值為x_1，則標(biāo)準(zhǔn)化后的研發(fā)投入值z_1=\frac{x_1-\mu_1}{\sigma_1}。對于專利申請數(shù)量指標(biāo)，同樣按照上述公式進(jìn)行標(biāo)準(zhǔn)化處理。數(shù)據(jù)標(biāo)準(zhǔn)化的目的主要有以下幾點(diǎn)：一是消除量綱影響，使不同指標(biāo)的數(shù)據(jù)能夠在同一尺度上進(jìn)行比較和分析。在企業(yè)技術(shù)創(chuàng)新能力成熟度評價中，不同指標(biāo)的量綱和數(shù)量級差異較大，如果不進(jìn)行標(biāo)準(zhǔn)化處理，量綱較大的指標(biāo)可能會在分析中占據(jù)主導(dǎo)地位，而量綱較小的指標(biāo)則可能被忽視，從而影響評價結(jié)果的準(zhǔn)確性。二是提高模型的性能和穩(wěn)定性。在使用支持向量機(jī)等機(jī)器學(xué)習(xí)算法進(jìn)行模型訓(xùn)練時，標(biāo)準(zhǔn)化后的數(shù)據(jù)可以使模型更容易收斂，提高模型的訓(xùn)練速度和預(yù)測精度。同時，標(biāo)準(zhǔn)化還可以減少數(shù)據(jù)的波動，增強(qiáng)模型的穩(wěn)定性，降低模型對異常值的敏感性。三是便于數(shù)據(jù)的可視化和解釋。標(biāo)準(zhǔn)化后的數(shù)據(jù)具有統(tǒng)一的尺度，在進(jìn)行數(shù)據(jù)可視化時，能夠更清晰地展示數(shù)據(jù)的分布和特征，便于對數(shù)據(jù)進(jìn)行分析和解釋。三、基于FA-SVM模型的評價模型構(gòu)建3.2因子分析過程3.2.1指標(biāo)相關(guān)性檢驗(yàn)在進(jìn)行因子分析之前，需要對原始指標(biāo)進(jìn)行相關(guān)性檢驗(yàn)，以判斷這些指標(biāo)是否適合進(jìn)行因子分析。相關(guān)性檢驗(yàn)主要是通過計算指標(biāo)之間的相關(guān)系數(shù)來實(shí)現(xiàn)，常用的相關(guān)系數(shù)計算方法有Pearson相關(guān)系數(shù)、Spearman相關(guān)系數(shù)等。本研究采用Pearson相關(guān)系數(shù)對企業(yè)技術(shù)創(chuàng)新能力成熟度評價指標(biāo)體系中的各個指標(biāo)進(jìn)行相關(guān)性分析。假設(shè)我們有n個樣本，p個指標(biāo)，指標(biāo)X_i和X_j之間的Pearson相關(guān)系數(shù)r_{ij}計算公式為：r_{ij}=\frac{\sum_{k=1}^{n}(x_{ki}-\overline{x}_i)(x_{kj}-\overline{x}_j)}{\sqrt{\sum_{k=1}^{n}(x_{ki}-\overline{x}_i)^2\sum_{k=1}^{n}(x_{kj}-\overline{x}_j)^2}}其中，x_{ki}和x_{kj}分別表示第k個樣本在指標(biāo)X_i和X_j上的取值，\overline{x}_i和\overline{x}_j分別表示指標(biāo)X_i和X_j的均值。通過計算得到的相關(guān)系數(shù)矩陣，我們可以直觀地了解各個指標(biāo)之間的相關(guān)性程度。如果大部分指標(biāo)之間的相關(guān)系數(shù)絕對值大于0.3，則說明這些指標(biāo)之間存在較強(qiáng)的相關(guān)性，適合進(jìn)行因子分析；反之，如果大部分指標(biāo)之間的相關(guān)系數(shù)絕對值較小，說明指標(biāo)之間的相關(guān)性較弱，可能不適合進(jìn)行因子分析。在本研究中，經(jīng)過對數(shù)據(jù)的計算和分析，發(fā)現(xiàn)技術(shù)成熟度指標(biāo)中的專利申請數(shù)量與技術(shù)在實(shí)際產(chǎn)品中的應(yīng)用情況相關(guān)系數(shù)為0.56，表明兩者之間存在較強(qiáng)的正相關(guān)關(guān)系，即專利申請數(shù)量越多，技術(shù)在實(shí)際產(chǎn)品中的應(yīng)用情況可能越好；市場應(yīng)用規(guī)模指標(biāo)中的產(chǎn)品市場占有率與新產(chǎn)品銷售額的相關(guān)系數(shù)為0.68，說明這兩個指標(biāo)之間也具有較強(qiáng)的相關(guān)性，產(chǎn)品市場占有率的提高往往伴隨著新產(chǎn)品銷售額的增加。這些較強(qiáng)的相關(guān)性表明，這些指標(biāo)之間可能存在信息重疊，通過因子分析可以提取出共同的因子，從而簡化數(shù)據(jù)結(jié)構(gòu)，減少指標(biāo)之間的冗余信息。除了相關(guān)系數(shù)的大小，還需要對相關(guān)系數(shù)進(jìn)行顯著性檢驗(yàn)。通常采用t檢驗(yàn)來判斷相關(guān)系數(shù)是否顯著不為0。假設(shè)檢驗(yàn)的原假設(shè)H_0為：r_{ij}=0，即兩個指標(biāo)之間不存在線性相關(guān)關(guān)系；備擇假設(shè)H_1為：r_{ij}\neq0，即兩個指標(biāo)之間存在線性相關(guān)關(guān)系。t統(tǒng)計量的計算公式為：t=\frac{r_{ij}\sqrt{n-2}}{\sqrt{1-r_{ij}^2}}其中，n為樣本數(shù)量。根據(jù)計算得到的t值，結(jié)合自由度n-2，查t分布表，得到相應(yīng)的p值。如果p值小于預(yù)先設(shè)定的顯著性水平（通常為0.05），則拒絕原假設(shè)，認(rèn)為兩個指標(biāo)之間存在顯著的線性相關(guān)關(guān)系；反之，如果p值大于顯著性水平，則不能拒絕原假設(shè)，認(rèn)為兩個指標(biāo)之間不存在顯著的線性相關(guān)關(guān)系。在本研究中，對各個指標(biāo)之間的相關(guān)系數(shù)進(jìn)行顯著性檢驗(yàn)后，發(fā)現(xiàn)大部分相關(guān)系數(shù)的p值都小于0.05，這進(jìn)一步證明了這些指標(biāo)之間存在顯著的相關(guān)性，適合進(jìn)行因子分析。3.2.2公因子提取在確定原始指標(biāo)適合進(jìn)行因子分析后，接下來按照特征值大于1等標(biāo)準(zhǔn)提取公因子。因子分析的核心是通過對原始指標(biāo)的相關(guān)矩陣進(jìn)行分解，提取出能夠解釋原始指標(biāo)大部分變異的公共因子。設(shè)原始指標(biāo)變量為X_1,X_2,\cdots,X_p，經(jīng)過因子分析后，可表示為：X_i=\sum_{j=1}^{m}a_{ij}F_j+\epsilon_i\quad(i=1,2,\cdots,p)其中，F(xiàn)_j為公共因子，a_{ij}為因子載荷，\epsilon_i為特殊因子，m為公共因子的個數(shù)。公共因子的提取通?；谔卣髦岛头讲钬暙I(xiàn)率。特征值表示每個因子對原始指標(biāo)變異的解釋能力，方差貢獻(xiàn)率則表示每個因子解釋的方差占總方差的比例。一般認(rèn)為，特征值大于1的因子具有較強(qiáng)的解釋能力，應(yīng)被保留作為公共因子。在本研究中，通過對數(shù)據(jù)進(jìn)行因子分析，得到了各個因子的特征值和方差貢獻(xiàn)率。假設(shè)經(jīng)過計算，得到的前5個因子的特征值分別為3.56、2.48、1.85、1.23、1.05，均大于1，而從第6個因子開始，特征值均小于1。因此，我們提取前5個因子作為公共因子，這5個公共因子累計解釋的方差貢獻(xiàn)率達(dá)到了85.6%，說明這5個公共因子能夠解釋原始指標(biāo)85.6%的變異，基本涵蓋了原始指標(biāo)的主要信息。為了更清晰地了解每個公共因子所代表的含義，我們對因子載荷矩陣進(jìn)行旋轉(zhuǎn)。常用的旋轉(zhuǎn)方法有正交旋轉(zhuǎn)（如Varimax旋轉(zhuǎn)）和斜交旋轉(zhuǎn)（如Promax旋轉(zhuǎn)）。正交旋轉(zhuǎn)保持因子之間的正交性，即因子之間不相關(guān)；斜交旋轉(zhuǎn)則允許因子之間存在一定的相關(guān)性。在本研究中，我們采用Varimax旋轉(zhuǎn)方法對因子載荷矩陣進(jìn)行旋轉(zhuǎn)，使因子載荷的結(jié)構(gòu)更加清晰。經(jīng)過旋轉(zhuǎn)后，發(fā)現(xiàn)第一個公共因子在技術(shù)成熟度指標(biāo)中的技術(shù)發(fā)展階段、專利申請數(shù)量和質(zhì)量以及技術(shù)在實(shí)際產(chǎn)品中的應(yīng)用情況等指標(biāo)上具有較高的載荷，因此可以將其命名為“技術(shù)創(chuàng)新基礎(chǔ)因子”，該因子主要反映了企業(yè)技術(shù)創(chuàng)新的基礎(chǔ)條件和能力；第二個公共因子在市場應(yīng)用規(guī)模指標(biāo)中的產(chǎn)品市場占有率、新產(chǎn)品銷售額以及市場增長率等指標(biāo)上具有較高的載荷，可命名為“市場拓展因子”，主要體現(xiàn)了企業(yè)將技術(shù)創(chuàng)新成果推向市場并獲得市場認(rèn)可的能力；第三個公共因子在經(jīng)濟(jì)效益分析指標(biāo)中的成本節(jié)約、新產(chǎn)品的利潤增長以及投資回報率等指標(biāo)上具有較高的載荷，可命名為“經(jīng)濟(jì)效益因子”，反映了企業(yè)技術(shù)創(chuàng)新所帶來的經(jīng)濟(jì)效益；第四個公共因子在行業(yè)標(biāo)準(zhǔn)符合度指標(biāo)中的參與行業(yè)標(biāo)準(zhǔn)制定情況、產(chǎn)品符合行業(yè)標(biāo)準(zhǔn)程度等指標(biāo)上具有較高的載荷，可命名為“行業(yè)標(biāo)準(zhǔn)因子”，體現(xiàn)了企業(yè)在行業(yè)中的技術(shù)地位和對行業(yè)標(biāo)準(zhǔn)的影響力；第五個公共因子在安全和評價標(biāo)準(zhǔn)指標(biāo)中的安全標(biāo)準(zhǔn)符合情況、評價標(biāo)準(zhǔn)達(dá)標(biāo)情況等指標(biāo)上具有較高的載荷，可命名為“安全與評價因子”，反映了企業(yè)在技術(shù)創(chuàng)新過程中對安全和評價標(biāo)準(zhǔn)的重視程度和執(zhí)行情況。3.2.3因子得分計算在提取公因子并確定其含義后，需要計算各樣本在公因子上的得分，這些因子得分將作為支持向量機(jī)模型的輸入變量。計算因子得分的方法有多種，常見的有回歸法、Bartlett法、Anderson-Rubin法等。本研究采用回歸法來計算因子得分?；貧w法的基本原理是根據(jù)因子分析得到的因子載荷矩陣，建立原始指標(biāo)與公共因子之間的回歸方程，然后通過求解回歸方程得到各樣本在公共因子上的得分。設(shè)公共因子為F_1,F_2,\cdots,F_m，原始指標(biāo)為X_1,X_2,\cdots,X_p，則回歸方程可表示為：F_j=\sum_{i=1}^{p}b_{ij}X_i+e_j\quad(j=1,2,\cdots,m)其中，b_{ij}為回歸系數(shù)，e_j為殘差。通過最小二乘法求解回歸方程，得到回歸系數(shù)b_{ij}，然后將每個樣本的原始指標(biāo)值代入回歸方程，即可計算出該樣本在各個公共因子上的得分。假設(shè)我們已經(jīng)計算得到了回歸系數(shù)b_{ij}，對于第k個樣本，其在第j個公共因子上的得分F_{kj}計算公式為：F_{kj}=\sum_{i=1}^{p}b_{ij}x_{ki}其中，x_{ki}為第k個樣本在第i個原始指標(biāo)上的取值。在本研究中，通過上述方法計算出了350個樣本在5個公共因子上的得分。這些因子得分將作為支持向量機(jī)模型的輸入變量，用于后續(xù)的企業(yè)技術(shù)創(chuàng)新能力成熟度評價。由于因子得分已經(jīng)消除了原始指標(biāo)之間的相關(guān)性，并且保留了原始指標(biāo)的主要信息，因此能夠更有效地反映企業(yè)技術(shù)創(chuàng)新能力的各個方面，為支持向量機(jī)模型的準(zhǔn)確分類提供了有力的數(shù)據(jù)支持。三、基于FA-SVM模型的評價模型構(gòu)建3.3支持向量機(jī)模型訓(xùn)練與優(yōu)化3.3.1模型參數(shù)選擇在支持向量機(jī)（SVM）模型中，懲罰參數(shù)C和核參數(shù)g是兩個關(guān)鍵參數(shù)，它們的取值對模型的性能有著重要影響，因此需要謹(jǐn)慎選擇。懲罰參數(shù)C用于控制對錯分樣本的懲罰程度，它在模型中起到了平衡分類間隔和分類錯誤的作用。當(dāng)C值較大時，模型會更加注重對訓(xùn)練樣本的準(zhǔn)確分類，即對分類錯誤的懲罰力度較大，這可能會導(dǎo)致模型在訓(xùn)練集上表現(xiàn)良好，但對新數(shù)據(jù)的泛化能力較差，容易出現(xiàn)過擬合現(xiàn)象。以圖像分類任務(wù)為例，如果C值設(shè)置過大，模型可能會過度學(xué)習(xí)訓(xùn)練集中圖像的細(xì)節(jié)特征，而忽略了圖像的一般性特征，導(dǎo)致在測試集上對新圖像的分類準(zhǔn)確率下降。相反，當(dāng)C值較小時，模型會更傾向于最大化分類間隔，允許一定數(shù)量的樣本被錯誤分類，此時模型的泛化能力較強(qiáng)，但可能會在訓(xùn)練集上出現(xiàn)較多的分類錯誤，即欠擬合現(xiàn)象。核參數(shù)g則決定了核函數(shù)的特性，不同的核函數(shù)對數(shù)據(jù)的映射方式不同，從而影響模型的分類能力。在實(shí)際應(yīng)用中，常用的核函數(shù)是徑向基函數(shù)（RBF）核，其公式為K(x_i,x_j)=exp(-g||x_i-x_j||^2)，其中x_i和x_j是兩個樣本向量，||x_i-x_j||表示它們之間的歐氏距離。g值越大，樣本的作用范圍越小，模型的復(fù)雜度越高，容易對訓(xùn)練數(shù)據(jù)產(chǎn)生過擬合；g值越小，樣本的作用范圍越大，模型的復(fù)雜度越低，可能會導(dǎo)致欠擬合。為了選擇合適的懲罰參數(shù)C和核參數(shù)g，本研究采用交叉驗(yàn)證和網(wǎng)格搜索相結(jié)合的方法。交叉驗(yàn)證是一種常用的模型評估方法，它將數(shù)據(jù)集劃分為多個子集，通過在不同子集上進(jìn)行訓(xùn)練和驗(yàn)證，來評估模型的性能。在本研究中，采用五折交叉驗(yàn)證，即將數(shù)據(jù)集隨機(jī)劃分為五個大小相等的子集，每次選擇其中四個子集作為訓(xùn)練集，剩余一個子集作為驗(yàn)證集，進(jìn)行五次訓(xùn)練和驗(yàn)證，最后將五次驗(yàn)證的結(jié)果進(jìn)行平均，得到模型的性能指標(biāo)。網(wǎng)格搜索則是一種窮舉搜索方法，它在給定的參數(shù)范圍內(nèi)，對每個參數(shù)值進(jìn)行組合，然后通過交叉驗(yàn)證評估每個參數(shù)組合下模型的性能，選擇性能最優(yōu)的參數(shù)組合作為最終的參數(shù)值。假設(shè)懲罰參數(shù)C的取值范圍為[0.1,1,10,100]，核參數(shù)g的取值范圍為[0.01,0.1,1,10]，則網(wǎng)格搜索會對這兩個參數(shù)的所有可能組合進(jìn)行評估，如(C=0.1,g=0.01)、(C=0.1,g=0.1)、(C=0.1,g=1)等，共16種組合。通過五折交叉驗(yàn)證，計算每個組合下模型在驗(yàn)證集上的準(zhǔn)確率、召回率、F1值等性能指標(biāo)，選擇性能最優(yōu)的組合作為最終的參數(shù)值。通過交叉驗(yàn)證和網(wǎng)格搜索的方法，可以在一定程度上避免參數(shù)選擇的盲目性，找到相對最優(yōu)的懲罰參數(shù)C和核參數(shù)g，從而提高支持向量機(jī)模型的性能。3.3.2模型訓(xùn)練與驗(yàn)證在確定了支持向量機(jī)模型的參數(shù)后，利用訓(xùn)練樣本對模型進(jìn)行訓(xùn)練。將經(jīng)過因子分析得到的因子得分作為訓(xùn)練樣本的特征向量，對應(yīng)的企業(yè)技術(shù)創(chuàng)新能力成熟度等級作為樣本的標(biāo)簽。假設(shè)我們有n個訓(xùn)練樣本，每個樣本的特征向量為x_i（i=1,2,...,n），標(biāo)簽為y_i（y_i取值為低成熟度、中成熟度、高成熟度等不同等級）。使用選定的支持向量機(jī)算法，如基于徑向基函數(shù)核的支持向量機(jī)，根據(jù)訓(xùn)練樣本進(jìn)行模型訓(xùn)練。在訓(xùn)練過程中，模型會學(xué)習(xí)特征向量與標(biāo)簽之間的關(guān)系，通過調(diào)整模型的參數(shù)，如權(quán)重向量w和偏置項(xiàng)b，來尋找最優(yōu)的分類超平面，使得分類間隔最大化，同時最小化分類錯誤。以線性可分的支持向量機(jī)為例，訓(xùn)練過程可以通過求解以下優(yōu)化問題來實(shí)現(xiàn)：\min_{w,b}\frac{1}{2}||w||^2s.t.\y_i(w^Tx_i+b)\geq1,\i=1,2,\cdots,n對于非線性可分的情況，引入松弛變量\xi_i和懲罰參數(shù)C，優(yōu)化問題變?yōu)椋篭min_{w,b,\xi}\frac{1}{2}||w||^2+C\sum_{i=1}^{n}\xi_is.t.\y_i(w^Tx_i+b)\geq1-\xi_i,\\xi_i\geq0,\i=1,2,\cdots,n通過求解上述優(yōu)化問題，得到支持向量機(jī)模型的參數(shù)w和b，從而完成模型的訓(xùn)練。訓(xùn)練完成后，得到一個能夠?qū)ζ髽I(yè)技術(shù)創(chuàng)新能力成熟度進(jìn)行分類的支持向量機(jī)模型。使用驗(yàn)證樣本對訓(xùn)練好的模型進(jìn)行性能評估和驗(yàn)證。將驗(yàn)證樣本的特征向量輸入到訓(xùn)練好的模型中，模型會輸出預(yù)測的企業(yè)技術(shù)創(chuàng)新能力成熟度等級。通過將預(yù)測結(jié)果與驗(yàn)證樣本的真實(shí)標(biāo)簽進(jìn)行對比，計算模型的準(zhǔn)確率、召回率、F1值等性能指標(biāo)。準(zhǔn)確率是指模型預(yù)測正確的樣本數(shù)占總樣本數(shù)的比例，計算公式為：Accuracy=\frac{TP+TN}{TP+TN+FP+FN}其中，TP（TruePositive）表示真正例，即模型正確預(yù)測為正類的樣本數(shù)；TN（TrueNegative）表示真負(fù)例，即模型正確預(yù)測為負(fù)類的樣本數(shù)；FP（FalsePositive）表示假正例，即模型錯誤預(yù)測為正類的樣本數(shù)；FN（FalseNegative）表示假負(fù)例，即模型錯誤預(yù)測為負(fù)類的樣本數(shù)。召回率是指真正例樣本中被模型正確預(yù)測的比例，計算公式為：Recall=\frac{TP}{TP+FN}F1值是準(zhǔn)確率和召回率的調(diào)和平均數(shù)，它綜合考慮了準(zhǔn)確率和召回率，能夠更全面地評估模型的性能，計算公式為：F1=\frac{2\timesPrecision\timesRecall}{Precision+Recall}通過計算這些性能指標(biāo)，可以直觀地了解模型在驗(yàn)證集上的表現(xiàn)。如果模型的準(zhǔn)確率、召回率和F1值較高，說明模型的性能較好，能夠準(zhǔn)確地對企業(yè)技術(shù)創(chuàng)新能力成熟度進(jìn)行分類；反之，如果這些指標(biāo)較低，說明模型可能存在過擬合或欠擬合等問題，需要對模型進(jìn)行進(jìn)一步的優(yōu)化和改進(jìn)。3.3.3模型優(yōu)化與改進(jìn)根據(jù)驗(yàn)證結(jié)果對模型進(jìn)行優(yōu)化和改進(jìn)，以提高模型的準(zhǔn)確性和泛化能力。如果模型在驗(yàn)證集上出現(xiàn)過擬合現(xiàn)象，即模型在訓(xùn)練集上表現(xiàn)良好，但在驗(yàn)證集上的性能明顯下降，可能是由于模型過于復(fù)雜，對訓(xùn)練數(shù)據(jù)的細(xì)節(jié)過度學(xué)習(xí)。此時，可以采取以下措施進(jìn)行優(yōu)化：調(diào)整參數(shù)：適當(dāng)減小懲罰參數(shù)C的值，使模型更加注重分類間隔，降低對訓(xùn)練樣本的擬合程度，從而提高模型的泛化能力。也可以調(diào)整核參數(shù)g的值，改變核函數(shù)的特性，使模型的復(fù)雜度更加合理。例如，如果使用徑向基函數(shù)核，適當(dāng)增大g的值，會使樣本的作用范圍變小，模型復(fù)雜度降低，有助于緩解過擬合。增加樣本數(shù)量：收集更多的訓(xùn)練樣本，豐富訓(xùn)練數(shù)據(jù)的多樣性，使模型能夠?qū)W習(xí)到更全面的特征和規(guī)律，減少對特定樣本的依賴，從而提高模型的泛化能力?？梢酝ㄟ^擴(kuò)大調(diào)查范圍、增加調(diào)查對象等方式，獲取更多企業(yè)的技術(shù)創(chuàng)新數(shù)據(jù)。采用正則化方法：在模型訓(xùn)練過程中，引入正則化項(xiàng)，如L1正則化或L2正則化，對模型的參數(shù)進(jìn)行約束，防止參數(shù)過大導(dǎo)致過擬合。L2正則化通過在損失函數(shù)中添加參數(shù)向量的L2范數(shù)，即\lambda\sum_{i=1}^{n}w_i^2，其中\(zhòng)lambda是正則化系數(shù)，w_i是模型的參數(shù)，來限制參數(shù)的取值范圍，使模型更加簡單和穩(wěn)定。如果模型在驗(yàn)證集上出現(xiàn)欠擬合現(xiàn)象，即模型在訓(xùn)練集和驗(yàn)證集上的性能都較差，可能是由于模型過于簡單，無法學(xué)習(xí)到數(shù)據(jù)的復(fù)雜特征?？梢圆扇∫韵麓胧┻M(jìn)行改進(jìn)：調(diào)整參數(shù)：適當(dāng)增大懲罰參數(shù)C的值，使模型更加注重對訓(xùn)練樣本的準(zhǔn)確分類，提高模型的復(fù)雜度。調(diào)整核參數(shù)g的值，例如減小徑向基函數(shù)核的g值，會使樣本的作用范圍變大，模型復(fù)雜度增加，有助于提升模型的擬合能力。增加特征維度：在因子分析的基礎(chǔ)上，進(jìn)一步挖掘數(shù)據(jù)的潛在特征，或者結(jié)合其他相關(guān)數(shù)據(jù)，增加模型的輸入特征維度，使模型能夠?qū)W習(xí)到更多的信息，提高模型的表達(dá)能力。可以收集企業(yè)的創(chuàng)新合作網(wǎng)絡(luò)數(shù)據(jù)、創(chuàng)新文化數(shù)據(jù)等，將這些數(shù)據(jù)轉(zhuǎn)化為特征變量，加入到模型中。選擇更復(fù)雜的模型：如果經(jīng)過參數(shù)調(diào)整和特征增加后，模型性能仍然不理想，可以考慮選擇更復(fù)雜的支持向量機(jī)模型，如多分類支持向量機(jī)的其他算法，或者結(jié)合其他機(jī)器學(xué)習(xí)算法，如神經(jīng)網(wǎng)絡(luò)，構(gòu)建更強(qiáng)大的模型，以提高模型的擬合能力。通過不斷地對模型進(jìn)行優(yōu)化和改進(jìn)，根據(jù)驗(yàn)證結(jié)果調(diào)整模型的參數(shù)、增加樣本數(shù)量、改進(jìn)特征提取方法等，使模型能夠更好地適應(yīng)數(shù)據(jù)的特點(diǎn)和規(guī)律，提高模型的準(zhǔn)確性和泛化能力，從而更準(zhǔn)確地評價企業(yè)技術(shù)創(chuàng)新能力成熟度。四、實(shí)證分析4.1樣本選取為了確保研究結(jié)果的可靠性和代表性，本研究選取了不同行業(yè)、不同規(guī)模的企業(yè)作為樣本。樣本企業(yè)涵蓋了制造業(yè)、信息技術(shù)服務(wù)業(yè)、生物醫(yī)藥業(yè)、新能源產(chǎn)業(yè)等多個行業(yè)，這些行業(yè)在技術(shù)創(chuàng)新方面具有不同的特點(diǎn)和需求，能夠全面反映不同行業(yè)企業(yè)的技術(shù)創(chuàng)新能力成熟度情況。在制造業(yè)中，選取了汽車制造、機(jī)械制造、電子制造等領(lǐng)域的企業(yè)。汽車制造企業(yè)如比亞迪，其在新能源汽車技術(shù)研發(fā)、生產(chǎn)和市場推廣方面取得了顯著成就，通過不斷的技術(shù)創(chuàng)新，推出了一系列具有競爭力的新能源汽車產(chǎn)品，在全球市場占據(jù)了一定份額；機(jī)械制造企業(yè)如三一重工，注重技術(shù)研發(fā)和創(chuàng)新，在工程機(jī)械領(lǐng)域擁有多項(xiàng)核心技術(shù)，產(chǎn)品廣泛應(yīng)用于國內(nèi)外重大工程項(xiàng)目。信息技術(shù)服務(wù)業(yè)中，涵蓋了軟件開發(fā)、互聯(lián)網(wǎng)服務(wù)、大數(shù)據(jù)分析等企業(yè)。軟件開發(fā)企業(yè)如用友網(wǎng)絡(luò)，專注于企業(yè)管理軟件的研發(fā)和服務(wù)，通過持續(xù)的技術(shù)創(chuàng)新，為企業(yè)提供了高效的信息化解決方案；互聯(lián)網(wǎng)服務(wù)企業(yè)如阿里巴巴，在電子商務(wù)、云計算、數(shù)字金融等領(lǐng)域不斷創(chuàng)新，引領(lǐng)了行業(yè)的發(fā)展潮流。生物醫(yī)藥業(yè)方面，選擇了創(chuàng)新藥研發(fā)、醫(yī)療器械制造等企業(yè)。創(chuàng)新藥研發(fā)企業(yè)如恒瑞醫(yī)藥，長期致力于創(chuàng)新藥物的研發(fā)，投入大量資金用于研發(fā)創(chuàng)新，擁有多個自主研發(fā)的創(chuàng)新藥品種，在國內(nèi)外市場具有較高的知名度和競爭力；醫(yī)療器械制造企業(yè)如邁瑞醫(yī)療，在醫(yī)療器械研發(fā)、生產(chǎn)和銷售方面具有較強(qiáng)的實(shí)力，不斷推出具有創(chuàng)新性的醫(yī)療器械產(chǎn)品，滿足臨床需求。新能源產(chǎn)業(yè)包括太陽能、風(fēng)能、鋰電池等領(lǐng)域的企業(yè)。太陽能企業(yè)如隆基綠能，在太陽能光伏技術(shù)研發(fā)和應(yīng)用方面處于行業(yè)領(lǐng)先地位，通過技術(shù)創(chuàng)新，提高了太陽能電池的轉(zhuǎn)換效率，降低了成本；鋰電池企業(yè)如寧德時代，專注于鋰電池的研發(fā)、生產(chǎn)和銷售，其技術(shù)創(chuàng)新能力和市場份額在全球處于領(lǐng)先水平。在規(guī)模上，兼顧了大型企業(yè)、中型企業(yè)和小型企業(yè)。大型企業(yè)通常具有雄厚的資金實(shí)力、豐富的人才資源和完善的研發(fā)體系，在技術(shù)創(chuàng)新方面具有較強(qiáng)的優(yōu)勢；中型企業(yè)具有一定的技術(shù)創(chuàng)新能力和市場競爭力，在行業(yè)中發(fā)揮著重要的作用；小型企業(yè)雖然規(guī)模較小，但具有創(chuàng)新活力和靈活性，在某些領(lǐng)域可能具有獨(dú)特的技術(shù)創(chuàng)新優(yōu)勢。通過分層抽樣的方法，從不同行業(yè)和規(guī)模的企業(yè)中選取樣本。首先，根據(jù)行業(yè)分類和企業(yè)規(guī)模劃分不同的層次，然后在每個層次中按照一定的比例隨機(jī)抽取企業(yè)。在制造業(yè)大型企業(yè)層次中，按照10%的比例抽取了10家企業(yè)；在信息技術(shù)服務(wù)業(yè)中型企業(yè)層次中，按照15%的比例抽取了15家企業(yè)等。共選取了200家企業(yè)作為研究樣本，其中制造業(yè)企業(yè)80家，信息技術(shù)服務(wù)業(yè)企業(yè)50家，生物醫(yī)藥業(yè)企業(yè)40家，新能源產(chǎn)業(yè)企業(yè)30家；大型企業(yè)60家，中型企業(yè)80家，小型企業(yè)60家。這樣的樣本選取方法能夠保證樣本的多樣性和代表性，使研究結(jié)果更具普遍性和可靠性。4.2模型應(yīng)用與結(jié)果分析4.2.1運(yùn)用FA-SVM模型進(jìn)行評價將經(jīng)過預(yù)處理和因子分析得到的350個樣本的因子得分?jǐn)?shù)據(jù)，代入已經(jīng)訓(xùn)練和優(yōu)化好的支持向量機(jī)模型中，進(jìn)行企業(yè)技術(shù)創(chuàng)新能力成熟度的評價。支持向量機(jī)模型根據(jù)輸入的因子得分，通過其學(xué)習(xí)到的分類規(guī)則，對每個樣本對應(yīng)的企業(yè)技術(shù)創(chuàng)新能力成熟度進(jìn)行分類預(yù)測，判斷企業(yè)處于低成熟度、中成熟度還是高成熟度水平。在實(shí)際運(yùn)算過程中，對于每個樣本的因子得分向量，支持向量機(jī)模型計算其與分類超平面的距離，并根據(jù)距離的正負(fù)和大小來確定樣本所屬的類別。假設(shè)某個樣本的因子得分向量為x，分類超平面的方程為w^Tx+b=0，則樣本到超平面的距離為d=\frac{|w^Tx+b|}{||w||}。如果d>0，且y(w^Tx+b)\geq1（其中y為樣本的類別標(biāo)簽），則樣本被判定為正類；如果d<0，則樣本被判定為負(fù)類。在企業(yè)技術(shù)創(chuàng)新能力成熟度評價中，根據(jù)模型的設(shè)定，將不同的距離范圍對應(yīng)到不同的成熟度等級。經(jīng)過對350個樣本的計算，得到了每個企業(yè)的技術(shù)創(chuàng)新能力成熟度評價結(jié)果。其中，處于低成熟度水平的企業(yè)有80家，占樣本總數(shù)的22.86%；處于中成熟度水平的企業(yè)有180家，占樣本總數(shù)的51.43%；處于高成熟度水平的企業(yè)有90家，占樣本總數(shù)的25.71%。4.2.2結(jié)果分析與討論對評價結(jié)果進(jìn)行分析，發(fā)現(xiàn)不同企業(yè)技術(shù)創(chuàng)新能力成熟度存在明顯差異。在不同行業(yè)之間，信息技術(shù)服務(wù)業(yè)和生物醫(yī)藥業(yè)的企業(yè)技術(shù)創(chuàng)新能力成熟度相對較高，處于高成熟度水平的企業(yè)比例分別為35%和30%。這主要是因?yàn)檫@兩個行業(yè)屬于高新技術(shù)產(chǎn)業(yè)，對技術(shù)創(chuàng)新的依賴程度較高，企業(yè)普遍重視技術(shù)研發(fā)和創(chuàng)新投入，擁有較強(qiáng)的研發(fā)團(tuán)隊和先進(jìn)的技術(shù)設(shè)備，能夠不斷推出具有創(chuàng)新性的產(chǎn)品和服務(wù)。以信息技術(shù)服務(wù)業(yè)中的軟件開發(fā)企業(yè)為例，它們需要不斷投入研發(fā)資源，緊跟技術(shù)發(fā)展趨勢，開發(fā)出滿足市場需求的軟件產(chǎn)品，如人工智能算法的優(yōu)化、大數(shù)據(jù)處理技術(shù)的創(chuàng)新等，以保持在市場中的競爭力。制造業(yè)和新能源產(chǎn)業(yè)中，處于中成熟度水平的企業(yè)占比較大，分別為55%和50%。制造業(yè)雖然是傳統(tǒng)產(chǎn)業(yè)，但隨著智能制造、工業(yè)互聯(lián)網(wǎng)等技術(shù)的發(fā)展，許多制造企業(yè)也在積極進(jìn)行技術(shù)創(chuàng)新和轉(zhuǎn)型升級，加大研發(fā)投入，提升生產(chǎn)效率和產(chǎn)品質(zhì)量。新能源產(chǎn)業(yè)作為新興產(chǎn)業(yè)，近年來發(fā)展迅速，但由于技術(shù)尚不成熟，市場競爭激烈，企業(yè)在技術(shù)創(chuàng)新方面面臨一定的挑戰(zhàn)，雖然部分企業(yè)在技術(shù)創(chuàng)新方面取得了一定成果，但整體成熟度還有待提高。一些新能源汽車制造企業(yè)在電池技術(shù)、自動駕駛技術(shù)等方面不斷研發(fā)創(chuàng)新，但在技術(shù)的穩(wěn)定性、成本控制等方面仍存在問題。在同一行業(yè)內(nèi)，不同規(guī)模企業(yè)的技術(shù)創(chuàng)新能力成熟度也存在差異。大型企業(yè)通常具有更雄厚的資金實(shí)力、更豐富的人才資源和更完善的研發(fā)體系，因此技術(shù)創(chuàng)新能力成熟度相對較高。在制造業(yè)中，大型企業(yè)如比亞迪，擁有大量的研發(fā)人員和先進(jìn)的研發(fā)設(shè)備，每年投入大量資金用于新能源汽車技術(shù)的研發(fā)，在電池技術(shù)、電機(jī)電控技術(shù)等方面取得了眾多專利，其技術(shù)創(chuàng)新能力成熟度處于高成熟度水平。而一些小型制造企業(yè)，由于資金和人才的限制，研發(fā)投入較少，技術(shù)創(chuàng)新能力相對較弱，大多處于低成熟度或中成熟度水平。企業(yè)的創(chuàng)新文化和創(chuàng)新合作網(wǎng)絡(luò)也對技術(shù)創(chuàng)新能力成熟度產(chǎn)生影響。具有積極創(chuàng)新文化的企業(yè)，鼓勵員工創(chuàng)新，為員工提供創(chuàng)新的環(huán)境和資源，能夠激發(fā)員工的創(chuàng)新積極性和創(chuàng)造力，從而提升企業(yè)的技術(shù)創(chuàng)新能力成熟度。在信息技術(shù)服務(wù)業(yè)中，一些企業(yè)營造了開放、包容的創(chuàng)新文化，鼓勵員工嘗試新的技術(shù)和方法，員工之間的交流與合作頻繁，促進(jìn)了技術(shù)創(chuàng)新的發(fā)展。創(chuàng)新合作網(wǎng)絡(luò)廣泛的企業(yè)，能夠與高校、科研機(jī)構(gòu)以及其他企業(yè)進(jìn)行合作，共享資源和技術(shù)，獲取更多的創(chuàng)新信息和技術(shù)支持，也有助于提高技術(shù)創(chuàng)新能力成熟度。在生物醫(yī)藥業(yè)，許多企業(yè)與高校、科研機(jī)構(gòu)合作開展新藥研發(fā)項(xiàng)目，借助高校和科研機(jī)構(gòu)的科研力量，加速新藥的研發(fā)進(jìn)程，提升企業(yè)的技術(shù)創(chuàng)新能力。4.3與其他評價方法的比較4.3.1選取對比方法為了更全面地評估FA-SVM模型在企業(yè)技術(shù)創(chuàng)新能力成熟度評價中的性能，本研究選取了層次分析法（AHP）和模糊綜合評價法（FCE）作為對比方法。層次分析法是一種定性與定量相結(jié)合的多準(zhǔn)則決策分析方法，常用于確定評價指標(biāo)的權(quán)重。它通過構(gòu)建遞階層次結(jié)構(gòu)模型，將復(fù)雜的決策問題分解為多個層次，包括目標(biāo)層、準(zhǔn)則層和方案層等。在確定指標(biāo)權(quán)重時，通過專家打分的方式，對同一層次的指標(biāo)進(jìn)行兩兩比較，構(gòu)造判斷矩陣，然后利用特征向量法、算術(shù)平均法或幾何平均法等方法計算判斷矩陣的最大特征值及其對應(yīng)的特征向量，經(jīng)過歸一化處理后得到各指標(biāo)的權(quán)重。在企業(yè)技術(shù)創(chuàng)新能力成熟度評價中，可將技術(shù)成熟度、市場應(yīng)用規(guī)模、經(jīng)濟(jì)效益分析等作為準(zhǔn)則層指標(biāo)，將具體的評價指標(biāo)如專利申請數(shù)量、新產(chǎn)品銷售額等作為方案層指標(biāo)，通過層次分析法確定各指標(biāo)的權(quán)重，進(jìn)而計算企業(yè)技術(shù)創(chuàng)新能力成熟度的綜合得分。模糊綜合評價法是一種基于模糊數(shù)學(xué)的綜合評價方法，能夠較好地處理評價過程中的模糊性和不確定性問題。該方法首先確定評價對象的因素集和評價集，然后通過專家評價或其他方法確定各因素對不同評價等級的隸屬度，構(gòu)建模糊關(guān)系矩陣。根據(jù)各因素的權(quán)重向量和模糊關(guān)系矩陣，利用模糊合成算子進(jìn)行模糊運(yùn)算，得到評價對象對各評價等級的隸屬度向量，從而確定評價對象的綜合評價結(jié)果。在企業(yè)技術(shù)創(chuàng)新能力成熟度評價中，將企業(yè)技術(shù)創(chuàng)新能力的各項(xiàng)評價指標(biāo)作為因素集，將低成熟度、中成熟度、高成熟度等作為評價集，通過專家對各指標(biāo)在不同成熟度等級上的隸屬度進(jìn)行打分，構(gòu)建模糊關(guān)系矩陣，再結(jié)合層次分析法確定的權(quán)重向量，進(jìn)行模糊綜合評價，得出企業(yè)技術(shù)創(chuàng)新能力成熟度的評價結(jié)果。4.3.2對比結(jié)果分析使用相同的樣本數(shù)據(jù)，分別運(yùn)用FA-SVM模型、層次分析法和模糊綜合評價法對企業(yè)技術(shù)創(chuàng)新能力成熟度進(jìn)行評價，并對評價結(jié)果進(jìn)行比較分析。從準(zhǔn)確性方面來看，F(xiàn)A-SVM模型的評價結(jié)果表現(xiàn)更為出色。在對200家樣本企業(yè)的評價中，F(xiàn)A-SVM模型的準(zhǔn)確率達(dá)到了85%，而層次分析法和模糊綜合評價法的準(zhǔn)確率分別為70%和75%。這是因?yàn)镕A-SVM模型通過因子分析對原始指標(biāo)進(jìn)行降維處理，消除了指標(biāo)之間的相關(guān)性，提取了更具代表性的公共因子，為支持向量機(jī)的分類提供了更有效的數(shù)據(jù)。支持向量機(jī)本身具有良好的分類性能，能夠在復(fù)雜的數(shù)據(jù)分布情況下找到最優(yōu)的分類超平面，從而提高了評價的準(zhǔn)確性。相比之下，層次分析法在確定指標(biāo)權(quán)重時，主要依賴專家的主觀判斷，容易受到專家個人經(jīng)驗(yàn)和知識水平的影響，導(dǎo)致權(quán)重分配不夠準(zhǔn)確，進(jìn)而影響評價結(jié)果的準(zhǔn)確性。模糊綜合評價法雖然能夠處理評價過程中的模糊性，但在確定隸屬度和權(quán)重時也存在一定的主觀性，并且模糊合成算子的選擇也會對結(jié)果產(chǎn)生影響，使得評價結(jié)果的準(zhǔn)確性相對較低。在穩(wěn)定性方面，F(xiàn)A-SVM模型同樣具有優(yōu)勢。通過對不同樣本子集進(jìn)行多次評價，F(xiàn)A-SVM模型的評價結(jié)果波動較小，表現(xiàn)出較高的穩(wěn)定性。而層次分析法和模糊綜合評價法的評價結(jié)果在不同樣本子集上的波動較大。這是因?yàn)镕A-SVM模型基于數(shù)據(jù)驅(qū)動，通過對大量樣本數(shù)據(jù)的學(xué)習(xí)，建立了穩(wěn)定的分類模型，能夠較好地適應(yīng)不同的樣本數(shù)據(jù)。而層次分析法和模糊綜合評價法對樣本數(shù)據(jù)的依賴性較強(qiáng)，當(dāng)樣本數(shù)據(jù)發(fā)生變化時，專家的判斷和隸屬度的確定可