基于DEA改进模型的人工智能企业创新效率的评价方法与流程

基于dea改进模型的人工智能企业创新效率的评价方法
技术领域
1.本发明涉及人工智能评价领域，尤其涉及一种基于随机前沿分析的三阶段dea改进模型和交叉效率模型的人工智能企业创新效率评价方法。


背景技术：

2.随着计算机硬件性能及计算技术的逐步优化，大数据、云计算等技术的迅猛发展，人工智能技术及其应用迎来重大发展机遇，成为新一代科技革命的重要引领。各地政府纷纷发力，对人工智能的发展给予高度重视和有力支持，积极引进人工智能企业，推动人工智能的技术研发与产品应用。然而对人工智能企业而言，创新能力尤为关键。因此，对人工智能企业的创新效率进行有效评价，并分析创新效率的影响因素及其作用强度，能够更全面、系统地评估人工智能企业的创新能力和发展水平，从而辅助政府决策，实现精准招商引资。此外，通过对人工智能企业创新效率的评估，能够帮助人工智能企业快速找到发展短板，为企业提高创新能力提供方向参考。
3.fried等人在2002年提出的三阶段dea模型是基于随机前沿分析方法提出的，其目的是为了滤除传统dea模型中外部环境与随机误差等因素对效率计算的影响。虽然三阶段dea模型能同时将环境因素和随机噪声的影响考虑在内，但在第二阶段的调整公式中存在部分数值调整过大以及参照集选取不合理等问题。另外，由于dea模型在进行效率评价时只采用了简单自评模式，容易造成夸大长处、回避缺陷等弊端，同时由于不考虑其他决策单元的得失，导致对决策单元的分级排序能力不完全。


技术实现要素：

4.本发明要解决的技术问题是，提供一种基于随机前沿分析的三阶段dea改进模型和交叉效率模型的人工智能企业创新效率分析方法；不仅克服了传统三阶段dea模型中存在着部分投入值调整幅度过大的问题，而且避免了在自评过程中的弊端，增强了完全排序能力，能够更好分辨人工智能企业之间的效率差异，从而更加合理全面地评价人工智能企业的创新效率。
5.为了解决上述技术问题，本发明采用的技术方案是：基于三阶段dea改进模型的人工智能企业创新效率的评价方法，具体包括以下步骤：
6.s1：构建人工智能企业创新效率的评估指标体系；
7.s2：基于构建的人工智能企业创新效率评估指标体系，获取相关的企业数据；
8.s3：对传统三阶段dea模型进行改进，构建基于随机前沿分析的三阶段dea改进模型；
9.s4：将所述步骤s1中构建的评估指标体系以及所述步骤s2中获取的企业数据代入构建的基于随机前沿分析的三阶段dea改进模型，得到人工智能企业各效率值，并根据各效率值对企业进行效率评价；
10.s5：采用dea交叉效率方法，计算人工智能企业交叉效率值，并对人工智能企业交
叉效率均值进行排序，从而得到更加全面的创新效率评价。
11.采用上述技术方案，首先，通过文献分析法构建人工智能企业创新效率的评估指标体系；基于构建的评估指标体系，获取所需数据；其次，对传统三阶段dea模型进行改进，构建基于随机前沿分析的三阶段dea改进模型；基于三阶段dea改进模型，得出人工智能企业各效率值，并根据所得结果对人工智能企业创新效率进行综合评价分析；最后，基于三阶段dea改进模型第三阶段调整后的投入产出指标，通过dea交叉效率方法计算人工智能企业交叉效率值并对其进行排序，为人工智能企业提供更加全面的创新效率评价。
12.作为本发明的优选技术方案，所述步骤s1中的所述评估指标体系包括投入指标、产出指标和环境指标；所述投入指标为以研发人力投入和研发资本投入作为衡量创新投入的指标；所述产出指标为以专利产出和无形资产作为衡量创新产出的指标；所述环境指标为选取成立年限指标、企业规模指标、股权性质指标、股权集中度指标、政府补贴指标和经济发展水平指标作为环境变量。在投入指标中，以研发人力投入和研发资本投入作为衡量创新投入的指标。研究与开发是技术创新活动的重要组成部分，研发过程是创新投入的第一过程。研发经费投入反映企业对创新活动的重视程度，研发人力投入则准确反映创新人员投入情况。
13.在产出指标中，以专利产出和无形资产作为衡量创新产出的指标。研发过程的产出是整个创新活动的中间产出，衡量创新产出一般采用专利申请数、专利授权数、新产品销售收入和无形资产等指标。考虑数据可得性，选取专利授权数量、无形资产作为创新产出指标。
14.在环境指标中，选取成立年限、企业规模、股权性质、股权集中度、政府补贴、经济发展水平等6个指标作为环境变量。
15.由于创新过程存在投入产出时滞，从创新投入到专利产出及转化为企业的无形资产需要时间，且不同的创新活动周期存在差异，导致创新投入和产出难以匹配，参考多数研究的做法，本发明设定所有创新产出指标比投入指标滞后一期，例如选用2016年的研发人员和研发经费数据、2017年的专利授权和无形资产数据。
16.作为本发明的优选技术方案，所述步骤s3具体步骤为：
17.s31第一阶段：选择建立投入导向的bcc模型，bcc模型是dea方法中比较常用的经典模型，它建立在规模报酬可变的前提下，能测算研究对象的纯技术效率和规模效率，同时可分别以产出和投入为导向来建立，更易实现对投入指标的掌控而达到控制成本的目的；假设有n个决策单元数量，m项投入，s项产出，y
k
为第k个决策单元的技术效率，y
rk
为第k个决策单元的第r项产出，x
ik
为第k个决策单元的第i项投入，λ
i
和θ
i
分别为第r项产出和第i项投入的权重，u
k
为第k个决策单元的规模报酬指标；得到投入导向的bcc
‑
dea模型公式为：
[0018][0019][0020][0021]
λ
r
≥0，θ≥0；
[0022]
s32第二阶段：采用dea和sfa结合的方法来调整投入变量；
[0023]
s33第三阶段：在投入变量调整之后，利用调整后的投入和原始的产出数值重新进
行dea分析，从而得到剔除外部环境影响和随机误差影响的效率值结果。
[0024]
作为本发明的优选技术方案，所述步骤s32具体包括以下步骤：
[0025]
s321：首先基于随机前沿分析(sfa)的随机成本模型进行回归分析，将松弛变量分解为含有环境因素、随机干扰因素和管理无效率因素三个自变量共同影响的集合函数，其表达式如下：
[0026][0027]
其中，n＝1，2，...n表示n个投入；i＝1，2，...，m表示第i个决策单元；s
ni
为第i个决策单元在第n个投入上的松弛变量，为外部环境因素对松弛变量的影响，z
i
为环境变量，为环境变量的系数；v
ni
+μ
ni
为混合误差项，v
ni
表示随机误差项，呈正态分布，μ
ni
表示管理无效率，并服从在零点截断的单边正态分布；v
ni
与μ
ni
立不相关；
[0028]
s322：基于sfa的随机成本模型的回归的估计系数，调整投入变量，将所有的决策单元置于同质的外部环境、随机干扰之下，以计算清除环境因素和随机因素影响的实际投入；调整公式如下：
[0029][0030]
i＝12，
…
，m；n＝1，2，
…
n
[0031]
其中，表示调整后的投入；x
ni
表示调整前的投入；
[0032]
是对外部环境因素进行调整；
[0033]
[max(v
ti
)
‑
v
ti
]是指将所有决策单元置于相同随机性下；
[0034]
s323：对所述步骤322中的调整阶段的模型进行改进；传统三阶段dea模型中的第二阶段虽然能够同时将环境因素和随机噪声等影响考虑在内，但在调整阶段中存在着仅以加法形式对原投入或产出值做调整、部分投入值调整幅度过大的问题；针对不足，本发明通过参考和借鉴程国庆等人的研究，对调整阶段的模型进行改进，即基于外部环境对投入的松弛变量的影响，在保留传统sfa模型中对环境因素影响的估计的基础上，定义环境影响因子描述环境变量对不同投入的影响，同时由于随机误差项对松弛变量的影响较小，保留传统sfa模型以加法的形式作出调整；作出改进的调整公式为：
[0035][0036][0037]
其中，η
ni
为第i个样本第n个投入的环境影响因子，x
ni
为第i个样本第n个投入的原投入值，为第i个样本第n个投入的新投入值为外部环境因素对第n个投入的松弛变量的影响，z
i
为环境变量，为环境变量的系数，v
ni
为第i个样本第n个投入的随机误差项；η
ni
的取值范围在1
‑
2之间，即通过调整将环境影响因子控制在1
‑
2之间，控制了投入
值的调整幅度，从而克服了传统三阶段dea模型存在着部分投入值调整幅度过大的问题。
[0038]
作为本发明的优选技术方案，所述步骤s4具体步骤为：
[0039]
s41第一阶段dea分析：将步骤s1所建立的评估指标体系以及步骤s2中获取的企业数据代入投入导向的bcc
‑
dea模型进行分析；
[0040]
s42第二阶段dea分析：将步骤s1所建立的评估指标体系以及步骤s2中获取的企业数据代入采用dea和sfa结合的方法来调整投入变量；
[0041]
首先采用基于随机前沿分析(sfa)的随机成本模型进行回归分析，即估算各环境变量对投入冗余的影响；在回归分析结果中，若各环境变量通过显著性检验，则根据步骤s323中改进的调整公式，基于随机前沿分析(sfa)的随机成本模型的回归的估计系数，调整投入变量后转至步骤s43；若不能通过显著性检验，则转至步骤s5；
[0042]
s43第三阶段dea分析：对所述步骤s42中通过显著性检验并进行调整之后的投入指标与原始的产出指标的数值重新进行dea分析，最后得到剔除外部环境影响和随机误差影响的效率值结果。
[0043]
作为本发明的优选技术方案，所述步骤s5具体步骤为：
[0044]
s51：首先利用ccr模型计算出每个决策单元的最优权重，公式为：
[0045][0046][0047]
其中e
j
为决策单元的自评价效率值，为最优权重；
[0048]
s52：分别求n个决策单元的自评价效率值，得出n组最优权重其中j＝1，2，...，k；
[0049]
s53：利用这n组最优权重计算每个决策单元的效率值，得到的交叉效率矩阵，并对人工智能企业交叉效率均值进行排序，得到更加全面有效的创新效率评价。由于目前的三阶段dea模型仍存在一些不足：(1)不考虑其他决策单元的得失，对决策单元的分级排序能力不完全；(2)容易造成的夸大长处、回避缺陷、以自评为主等弊端。因此，本发明采用交叉效率评价模型对人工智能企业进行进一步的评价。交叉效率评价模型可在传统模型的自评体系基础上，允许决策单元接受相互评价，不仅避免了在自评过程中的弊端，又增强了完全排序能力。
[0050]
与现有技术相比，本发明具有的有益效果是：本方法构建人工智能企业创新效率评估指标体系，改进传统三阶段dea模型，构建基于随机前沿分析的三阶段dea改进模型，通
过三阶段dea改进模型得出人工智能企业各效率值，并根据所得结果对人工智能企业创新效率进行综合评价分析，最后结合dea交叉效率方法，计算人工智能企业交叉效率值并对其进行排序。本发明的方法可以对人工智能企业的创新效率进行更加系统全面的评价，深入评估人工智能企业的创新能力和发展水平，辅助政府决策，同时为企业提高创新能力提供方向参考。
附图说明
[0051]
下面结合附图进一步描述本发明的技术方案：
[0052]
图1是本发明的基于dea改进模型的人工智能企业创新效率的评价方法的流程图；
[0053]
图2是本发明的基于dea改进模型的人工智能企业创新效率的评价方法的业务图。
具体实施方式
[0054]
为了加深对本发明的理解，下面将结合附图和实施例对本发明做进一步详细描述，该实施例仅用于解释本发明，并不对本发明的保护范围构成限定。
[0055]
实施例：如图1～2所示，该基于三阶段dea改进模型的人工智能企业创新效率的评价方法，具体包括以下步骤：
[0056]
s1：构建人工智能企业创新效率的评估指标体系；
[0057]
所述步骤s1中的所述评估指标体系包括投入指标、产出指标和环境指标；如表1所示；
[0058]
在投入指标中，以研发人力投入和研发资本投入作为衡量创新投入的指标；研究与开发是技术创新活动的重要组成部分，研发过程是创新投入的第一过程；研发经费投入反映企业对创新活动的重视程度，研发人力投入则准确反映创新人员投入情况；具体而言，研发人力投入指标以企业研发人员数量占企业总人数的比重来表示；研发资本投入以研发投入占营业收入的比重来表示；
[0059]
在产出指标中，以专利产出和无形资产作为衡量创新产出的指标。研发过程的产出是整个创新活动的中间产出，衡量创新产出一般采用专利申请数、专利授权数、新产品销售收入和无形资产等指标；考虑数据可得性，选取专利授权数量、无形资产作为创新产出指标；具体而言，专利产出以企业专利授权数量来表示；无形资产以企业年末披露的无形资产来表示。
[0060]
在环境指标中，选取成立年限、企业规模、股权性质、股权集中度、政府补贴、经济发展水平等6个指标作为环境变量；
[0061]
(1)成立年限，以成立时间长短来表示；通常情况下，创新投入会根据企业所处的发展阶段不同而有所差异。有研究表明，随着成立年限的增长，企业的研发经费和研发经验会逐步累积，进而减少研发过程中的资源浪费，提升创新效率；
[0062]
(2)企业规模，以企业期末总资产来表示；有的学者认为企业创新效率与规模呈正相关，大规模企业可以通过成本分摊获取更高的研发回报；有的研究则表明创新效率与企业规模呈u型关系，规模较大或较小的企业的创新效率高于规模适中的企业。由此，企业规模与企业创新效率密切相关；
[0063]
(3)股权性质，标记国有企业为1，标记民营企业为0。关于所有制结构对创新效率
的影响，学术界普遍认为民营和外资企业的创新效率比国有企业高。
[0064]
(4)股权集中度，以第一大股东持股比例来表示。通常认为，过高的股权集中会导致企业整体利益和第一股东的利益过多重合，产生“内部控制人”现象，具有控股优势的股东可能通过牺牲企业整体利益的方式为自身谋利，不利于企业创新效率的改进。
[0065]
(5)政府补贴，以计入非经常性损益的政府补贴金额/营业收入来表示。有的研究认为政府补贴能够提升企业创新的积极性，降低创新风险，从而提升创新效率；有的认为政府补贴对技术创新效率有抑制作用；也有的发现政府补贴对企业技术创新效率没有显著性影响。
[0066]
(6)经济发展水平，以地区人均gdp来表示。企业进行创新活动需要大量人力、资本投入，不同区域的生产要素丰富程度也有差异。
[0067]
由于创新过程存在投入产出时滞，从创新投入到专利产出及转化为企业的无形资产需要时间，且不同的创新活动周期存在差异，导致创新投入和产出难以匹配，参考多数研究的做法，本发明设定所有创新产出指标比投入指标滞后一期，例如选用2016年的研发人员和研发经费数据、2017年的专利授权和无形资产数据。
[0068]
在数据来源方面，专利数据来自国家知识产权局下的专利检索系统，地区人均gdp数据来自国家统计局和各地区统计年鉴，其他数据来源于公司年报和wind金融研究数据库。
[0069]
表1评价指标体系
[0070][0071]
s2：基于构建的人工智能企业创新效率评估指标体系，获取相关的企业数据；
[0072]
s3：以传统三阶段dea分析模型为基础，针对传统三阶段dea模型中第二阶段的不足进行改进，构建基于随机前沿分析的三阶段dea改进模型；
[0073]
s31第一阶段：选择建立投入导向的bcc模型，bcc模型是dea方法中比较常用的经典模型，它建立在规模报酬可变的前提下，能测算研究对象的纯技术效率和规模效率，同时可分别以产出和投入为导向来建立，更易实现对投入指标的掌控而达到控制成本的目的；
[0074]
假设有n个决策单元数量，m项投入，s项产出，y
k
为第k个决策单元的技术效率，y
rk
为第k个决策单元的第r项产出，x
ik
为第k个决策单元的第i项投入，λ
i
和θ
i
分别为第r项产出
和第i项投入的权重，u
k
为第k个决策单元的规模报酬指标；得到投入导向的bcc
‑
dea模型公式为：
[0075][0076][0077][0078]
λ
r
≥0，θ≥0:
[0079]
s32第二阶段：采用dea和sfa结合的方法来调整投入变量；
[0080]
s321：首先基于随机前沿分析(sfa)的随机成本模型进行回归分析，将松弛变量分解为含有环境因素、随机干扰因素和管理无效率因素三个自变量共同影响的集合函数，其表达式如下：
[0081][0082]
其中，n＝1，2，...n表示n个投入；i＝1，2，...，m表示第i个决策单元；s
ni
为第i个决策单元在第n个投入上的松弛变量，为外部环境因素对松弛变量的影响，z
i
为环境变量，为环境变量的系数；v
ni
+μ
ni
为混合误差项，v
ni
表示随机误差项，呈正态分布，μ
ni
表示管理无效率，并服从在零点截断的单边正态分布；v
ni
与μ
ni
立不相关；
[0083]
s322：基于sfa的随机成本模型的回归的估计系数，调整投入变量，将所有的决策单元置于同质的外部环境、随机干扰之下，以计算清除环境因素和随机因素影响的实际投入；调整公式如下：
[0084][0085]
i＝1，2，
…
，m；n＝1，2，
…
n.；
[0086]
其中，表示调整后的投入；x
ni
表示调整前的投入；
[0087]
是对外部环境因素进行调整；
[0088]
[max(v
ti
)
‑
v
ti
]是指将所有决策单元置于相同随机性下；
[0089]
s323：对所述步骤322中的调整阶段的模型进行改进，传统三阶段dea模型中的第二阶段虽然能够同时将环境因素和随机噪声等影响考虑在内，但在调整阶段中存在着仅以加法形式对原投入或产出值做调整、部分投入值调整幅度过大的问题；针对不足，本发明通过参考和借鉴程国庆等人的研究，对调整阶段的模型进行改进，即基于外部环境对投入的松弛变量的影响，在保留传统sfa模型中对环境因素影响的估计的基础上，定义环境影响因子描述环境变量对不同投入的影响，同时由于随机误差项对松弛变量的影响较小，保留传统sfa模型以加法的形式作出调整；作出改进的调整公式为：
[0090]
[0091][0092]
其中，η
ni
为第i个样本第n个投入的环境影响因子，x
ni
为第i个样本第n个投入的原投入值，为第i个样本第n个投入的新投入值为外部环境因素对第n个投入的松弛变量的影响，z
i
为环境变量，为环境变量的系数，v
ni
为第i个样本第n个投入的随机误差项；η
ni
的取值范围在1
‑
2之间，即通过调整将环境影响因子控制在1
‑
2之间，控制了投入值的调整幅度，从而克服了传统三阶段dea模型存在着部分投入值调整幅度过大的问题；
[0093]
s33第三阶段：在投入变量调整之后，利用调整后的投入和原始的产出数值重新进行dea分析，从而得到剔除外部环境影响和随机误差影响的效率值结果；
[0094]
s4：将所述步骤s1中构建的评估指标体系以及所述步骤s2中获取的企业数据代入构建的基于随机前沿分析的三阶段dea改进模型，得到人工智能企业各效率值，并根据各效率值对企业进行效率评价；
[0095]
s41第一阶段dea分析：将步骤s1所建立的评估指标体系以及步骤s2中获取的企业数据代入投入导向的bcc
‑
dea模型进行分析；在第一阶段，运用deap2.1软件对步骤2中所获取的数据进行分析，测度人工智能上市企业的创新效率；
[0096]
s42第二阶段dea分析：将步骤s1所建立的评估指标体系以及步骤s2中获取的企业数据代入采用dea和sfa结合的方法来调整投入变量；
[0097]
首先采用基于随机前沿分析(sfa)的随机成本模型进行回归分析，即估算各环境变量对投入冗余的影响；在回归分析结果中，若各环境变量通过显著性检验，则根据步骤s323中改进的调整公式，调整投入变量后转至步骤s43；若不能通过显著性检验，则转至步骤s5；在第二阶段，首先基于随机前沿分析(sfa)的随机成本模型进行回归分析，以第一阶段传统dea模型估计结果中的投入冗余变量为被解释变量，以6个环境变量为解释变量，利用frontier4.1软件估算各环境变量对投入冗余的影响。根据分析结果，若各个环境变量基本通过显著性检验，且两个模型的lr值均达到显著性水平，这表明本文选取的环境变量具备合理性，并且环境因素对人工智能上市企业创新效率的影响显著，非常有必要应用sfa分析清除环境因素的影响，进而对投入变量做出调整，将样本企业置于相同的环境条件和随机干扰下展开分析；其次将原始数据代入步骤s3改进的调整公式进行计算；若各个环境变量未通过显著性检验，则转至步骤s5，计算其交叉效率值并进行排序；
[0098]
s43第三阶段dea分析：对所述步骤s42中通过显著性检验并进行调整之后的投入指标与原始的产出指标的数值重新进行dea分析，最后得到剔除外部环境影响和随机误差影响的效率值结果；在第三阶段，利用deap2.1软件，对调整后的投入数据进行bcc
‑
dea模型分析，更为准确地测算出人工智能上市企业的创新效率；
[0099]
为了更进一步明确各样本企业的创新情况，本文以纯技术效率值0.9作为临界点，以规模效率值0.75作为临界点，将人工智能企业划分为五种创新类型，如表2所示；因此，在第三阶段对企业创新效率进行测算后，会根据人工智能上市企业各效率值，划分人工智能企业所属创新类型，从而更好地评估企业的创新水平；
[0100]
表2人工智能企业类型划分
[0101][0102][0103]
s5：采用dea交叉效率方法，计算人工智能企业交叉效率值，并对人工智能企业交叉效率均值进行排序，得到更加全面的创新效率评价；由于采用三阶段dea改进模型对人工智能企业创新效率进行分析时，会出现多个企业创新效率均为1或多个企业属于同一创新类型的情况。因此，为了进一步分辨这些有效的人工智能企业之间的效率差异，从而更加全面的做好评估，本发明采用dea交叉效率方法，计算人工智能企业交叉效率值并其进行排序，采用交叉效率模型的计算步骤如下：
[0104]
s51：首先利用ccr模型计算出每个决策单元的最优权重，公式为：
[0105][0106][0107]
其中e
j
为决策单元的自评价效率值，为最优
权重；
[0108]
s52：分别求n个决策单元的自评价效率值，得出n组最优权重其中j＝1，2，...，k；
[0109]
s53：利用这n组最优权重计算每个决策单元的效率值，得到的交叉效率矩阵，并对人工智能企业交叉效率均值进行排序，得到更加全面有效的创新效率评价；得到的交叉效率矩阵如表3所示：
[0110]
表3交叉效率矩阵
[0111][0112]
其中e
ij
为dmu
i
对dmu
j
的评价，为决策单元dmu
o
的交叉效率值。
[0113]
以中国10家人工智能企业为例，进行创新效率的评价。
[0114]
(1)根据建立的评估指标体系，以这10家人工智能企业2016年的研发人员和研发经费、2017年的专利授权和无形资产等相关数据为原始数据。
[0115]
(2)以本发明提出的基于随机前沿分析的三阶段dea改进模型为基础，将指标数据代入模型，测度人工智能上市企业的创新效率，测算结果如表4所示。
[0116]
表4第一阶段和第三阶段人工智能上市企业创新效率
[0117][0118]
如表4所示的调整后得到的创新效率值，仅浪潮信息、千方科技、楚天科技3家企业达到有效状态，江南化工、科大智能、中科曙光3家企业的创新效率在0.7以上，其余企业的创新效率偏低。
[0119]
表5投入调整后人工智能企业规模报酬状况
[0120]
企业状态企业状态浪潮信息不变江南化工递减紫光国芯不变科大智能递减千方科技不变中科曙光递增美亚柏科递增科大讯飞递减楚天科技不变海康威视递减
[0121]
如表5所示，江南化工、科大智能、科大讯飞、海康威视4家企业处于规模递减状态，表明企业的研发规模尚未达到最优，与自身的技术水平不匹配，限制了企业创新效率的提升。
[0122]
根据测算得出的企业各效率值，对样本企业进行创新类型的划分，如表6所示。其中，浪潮信息、千方科技和楚天科技属于“创新先锋型”企业，江南化工、科大智能和中科曙光属于“创新良好型”企业，科大讯飞和海康威视属于“规模效率型”企业，紫光国芯属于“纯技术效率改进型”企业，美亚柏科属于“创新滞后型”企业。
[0123]
表6人工智能企业的分布状况
[0124][0125][0126]
(3)基于三阶段dea改进模型第三阶段调整后的投入产出指标，采用dea交叉效率方法，计算人工智能企业交叉效率值，并对人工智能企业交叉效率均值进行排序，测算结果如表7所示。
[0127]
表7人工智能企业交叉效率排序
[0128]
企业类型排名楚天科技创新先锋型1浪潮信息创新先锋型2千方科技创新先锋型3中科曙光创新良好型4科大智能创新良好型5江南化工创新良好型6紫光国芯纯技术效率改进型7科大讯飞规模效率改进型8海康威视规模效率改进型9
美亚柏科创新滞后型10
[0129]
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，例如某个部件形状或者材料的改变；均应包含在本发明的保护范围之内。