基于FA_DEA聚类的模式分析方法及在我国软件园研究中的应用
DEA方法在中国民用机场评价中的应用研究
收稿日期：２００６－０５－０８；修回日期：２００６－１０－２４基金项目：国家软科学基金项目（２００４ＤＧＱ３Ｂ０６４）作者简介：都业富（１９３９－），男，吉林临江人，教授，研究方向为机场与航空公司运营管理．数据包络方法（ＤＥＡ，ｄａｔａｅｎｖｅｌｏｐｍｅｎｔａｎａｌｙｓｉｓ）是融合了数学、运筹学、数理经济学和管理科学多学科的一个新的评价方法。
它是由著名运筹学家Ａ．Ｃｈａｒｎｅｓ和Ｗ．Ｗ．Ｃｏｏｐｅｒ等学者于１９７８年建立的。
ＤＥＡ通过研究生产决策单元的投入与产出指标数据，从相对有效性角度出发，对各单元与部门进行相对效率评价，不必事先设定决策单元（ＤＭＵ，ｄｅｃｉｓｉｏｎｍａｋｉｎｇｕｎｉｔ）的具体输入输出函数，在测定若干决策单元的相对效率时，注重对每个决策单元进行优化。
在相对有效性评价上具有广泛应用［１］。
而评价民用机场运行的相对有效性，运用评价结果，找出在投入与产出中存在的不足与问题，有针对性地制定战略、策略、政策与措施并实施，可大幅度地提高机场的经营业绩［２］。
本文回顾了国际上到目前为止，采用ＤＥＡ评价民用机场运行相对有效性的进展，解释了评价机场运行相对有效性的合理指标及机场分类。
最后介绍了２０００—２００４年评价机场运行相对有效性的结果。
１文献回顾与评价国际上采用ＤＥＡ方法对机场运行效率进行评估还不是很多，目前关于这方面的研究工作还处于前沿领域。
１９９７年Ｇｉｌｌｅｎ和Ｌａｌｌ首次建议使用ＤＥＡ方法对机场的运行效率进行评估，他们使用这种方法对美国的部分机场进行了分析，但是其机场输入数据中并没有金融指标，如成本和收益［３］。
２０００年Ｓａｒｋｉｓ使用了ＤＥＡ方法对美国的机场作了评估，其主要目的是验证３个假设［４］。
２００３年Ｐｅｌｓ用ＤＥＡ方法分析了欧洲机场，他们的焦点集中在机场的运行是处于规模经济递增、规模经济不变，还是规模经济递减，在他们的研究中劳动力和资本投入没有被考虑进去。
最后得出的结论是规模经济递增［５］。
基于DEA聚类分析方法的企业经营绩效评价
』＝ｌ
∑Ａ ＋ Ｏ Ｓ＝ Ｘ ｏ ∑Ａ Ｓ＝ ０ ｊ ｒ 一 』 ：１
数据包络分 析 （ Ｅ Ｄ Ａ）是美 国运 筹 学 家 Ａ．Ｃ ａｎｓ， ｈｒｅ ｗ．Ｗ．Ｃ ｏｅ ｏｐｒ，Ｅ ｈｄ ｓ Ｆｒｌ 测度基础 上发展 起来 ．Ｒ ｏｅ 在 ａ ｌ ｅ
的一种评价策略单元 （ ＭＵ）相 对效率的非参数方法． Ｄ 该方 法 主要通过保持决策单 元 的输 入或输 出不 变 ， 助 于数学 借
第３ ０卷 第 ６期
２ ０ ｌ０牟 ６ 月
咸
宁
学
院
学 报
Ｖｏ ． ０， ｏ ６ １３ Ｎ ．
Ｊ ｕ ｎ ｌｏ ａ ｎｎ￣Ｕｎｖ ｒｉ ｏ ｒ ａ ｆＸｉ ｎ ｉ ｌ ｉｅ ｓ
Ｊｎ ２ ０ ｕ ． ０１
பைடு நூலகம்
文章编 号 ：０ ６— ３ ２ ２ １ ）６— ０ ９— ４ １０ ５ ４ （０ ０ ０ ０ ７ ０
…
，
ｎ
表示 ， 中 ‰表示的第 个决策单元对 第 ｉ 资源的消 其 种 耗量（ 投入量 ） ， 表示第 个 决策单 元对 第 ｒ 类 型产 出 ， ， 种 的产出总量． Ａ 为权系数 ， （ 出不足 ） Ｓ （ ｓ 产 ， 一 投入冗 余 ）
为松弛变量 ， ０表示 决策单 元 的相对效 率 ， ， 分别表示 被评价决策单元 Ｄ ＭＵ的投入和产出 ， 造如下的线性 规划 构 模 型：
基于 Ｄ Ａ聚类分析方法的企业经营绩效评价 Ｅ
董 海茵
（ 新疆 农 业职 业技术 学院 ， 新疆 昌吉
摘
８ １０ ） ３ １０
要： 企业的经营绩效一直是 经济学关注的焦点 ， 本文 以一年 中 国部分保 险公 司的相 关统计数据 为例 ， 用数 应
聚类分析案例范文
聚类分析案例范文聚类分析是一种无监督机器学习算法，它通过将数据集中的观测值分成不同的组或簇来发现数据之间的内在结构和相似性。
这种方法可以帮助我们理解数据集，发现隐藏的模式和关联性，并且可以应用于各种领域，包括市场细分、社交网络分析、生物信息学和图像处理等。
以下是一个关于使用聚类分析方法的案例研究，该案例介绍了如何使用聚类分析来帮助一家电商企业在众多商品中挖掘潜在的市场细分。
背景介绍：电商企业销售了大量商品，这些商品拥有不同的特征和属性。
该企业希望利用这些数据来了解他们的客户，并为不同的产品类型制定个性化的推广和营销策略。
为了实现这一目标，他们决定使用聚类分析方法来将客户细分成不同的群组，并理解他们的相似性和差异性。
数据收集：该企业从其销售系统中收集了一份包含多个属性的数据集。
这些属性包括：年龄、性别、购买历史、购买频率、平均订单金额等。
这些属性可以反映客户的购买行为和偏好。
数据预处理：在进行聚类分析之前，需要对数据进行预处理。
这包括对缺失值进行处理、进行数值归一化等。
然后，根据业务需求，选择适当的聚类算法和合适的距离度量方法。
聚类分析过程：在本案例中，采用了一种常见的聚类方法--K均值聚类算法，该算法通过计算数据点之间的欧氏距离来度量它们之间的相似度。
首先，选择合适的K值（聚类簇的个数）。
然后，在初始阶段，随机选择K个点作为聚类中心。
再通过计算每个数据点与聚类中心的距离，并将其归类到最近的聚类簇。
接下来，根据已经分配到每个聚类中的数据点，重新计算新的聚类中心。
这个过程将迭代，直到达到停止准则，如聚类中心不再变化或达到最大迭代次数。
聚类结果分析：在完成聚类过程后，可以根据每个聚类中心的特征和属性，对数据集进行可视化和解释。
这将帮助企业理解各个群组的特征和差异，并从中提取有价值的洞察力。
进而，企业可以根据不同群组的特征制定个性化的营销策略，提高销售和客户满意度。
总结：通过使用聚类分析方法，该电商企业成功地将其客户细分为几个不同的群组。
基于DEA方法的我国中小企业技术创新效率研究——以深交所中小上市公司为例
是 以数据包络分析 （ Ｅ Ｄ Ａ）为基础 的。Ｄ Ａ方法是著名 运筹 Ｅ 学家 Ａ ｈｍｅ 和 Ｗ＿Ｗ．Ｃ ｏｅＬ ３等学者在 “ ．Ｃ ａ ｓ ｏｐｒ２ ］ － 相对效率评
价 ”概念基础上发展起来 的一 种新 的系统分析方 法 ，用 于测 评一组具有多重 投入 和多种 产 出的决策单 元 （ ｅｉｏ ａ－ Ｄ ｃ ｉ Ｍ ｋ ｓｎ ｉｇＵ ｉ Ｄ ｎ ｎｔ ＭＵ）的绩效 和相对效 率。由于 Ｄ Ａ这种非参数估 ， Ｅ 计方法可 以规避参数方 法的多种 限制 ，因此 被广泛应用 于效 率 的测评 。 假设有 ｎ个 可 以进行 比较 的决策单 元 （ ＭＵ ，每个 决 Ｄ ）
权数 的选 取要 使 得 Ｐ ≤１ ，ｋ＝１ ，２… ，ｎ ，从 而得 到 Ｄ Ａ的评价模 型为 ： Ｅ
５ ｍ
计方法 ，估计 出的 ｃ —Ｄ生 产 函数 与生 产 函数 的定 义 不符 ， 因此本文提 出了一种更符 合生产 函数定 义的生 产 函数 ——前 沿生产 函数 。前沿生 产函数可 以分为 确定性前 沿生 产 函数 和 随机性前沿 生产 函数 。由于 随机性 前 沿模 型存 在如 干 问题 ， 所 以更多 的时候使用 确定性 前沿生产 函数 。确 定性前 沿生 产
效果并不是与企业技术创 新投入 成正 比 ，产生这 种现 象的原 因就在于 ，技术创新所带来 的效 果除 了取 决于直 接 的创新投
入 外 ，更 主 要 的 是 每 个 企 业 技 术 创 新 的效 率 不 同 。
创新效率是科技创 新能力 和动力 的综合反 映 ，是 指一定 时期 内创新投入与创新 产出之 比 ，即技术 创新过 程各 要素投 人产出的转化效率 ，体现一 定时期 内一定 量的科 技创新 资源 对企业利润的贡献 。国内外对技 术创 新的效率 研究较 少 ，主 要集中在对技术创新 的影 响 因素 的研究 ，例如 国内学者 陈 晓 红 （０ ８ …研究 表 明，在我 国 ，中小 企业 技术 创新 各个 影 ２０ ） 响因素中 ，技术人员的影响度最大 ，创新转化效率较为欠缺 。
基于DEA评价AI解决交通问题分析
基于DEA评价AI解决交通问题分析【摘要】本文主要探讨基于DEA评价与人工智能相结合的交通问题解决方案。
首先介绍了DEA评价在交通问题中的应用和人工智能在交通领域的应用。
然后重点分析了如何将DEA评价和人工智能相结合，提出更有效的交通问题解决方案。
通过案例分析，验证了该方法的可行性和有效性。
讨论了当前存在的问题与挑战，并提出了展望和建议。
该研究为交通问题的解决提供了新的思路和方法，有助于提升交通系统的效率和可持续发展。
【关键词】DEA评价、人工智能、交通问题、解决方案、案例分析、现有问题、挑战、结论、展望1. 引言1.1 绪论DEA评价是一种评估组织绩效的方法，通过对多个输入和输出指标进行比较分析，能够帮助决策者找出效率较低的单位并提出改进建议。
在交通问题中，DEA评价可以帮助政府和交通管理部门评估不同交通系统的运行效率，找出存在的问题并采取相应措施优化交通规划。
基于DEA评价与人工智能相结合的交通问题解决方案将是未来发展的趋势，能够综合考虑效率和智能化两方面的需求，提出更加有效的交通管理策略。
通过案例分析和对现有问题与挑战的深入分析，我们可以更好地理解交通问题的本质，为未来交通规划和管理提供参考依据。
2. 正文2.1 DEA评价在交通问题中的应用在交通领域，交通系统的效率和效益评价一直是一个关键问题。
运用数据包络分析（DEA）方法来评估交通系统的效率和效益逐渐成为一种常用的方法。
DEA是一种非参数效率评价方法，可以在不对输入输出设定具体的函数形式的情况下，评价各个单位的效率水平。
在交通问题中，DEA方法可以帮助评估交通系统的运营效率，包括公共交通运营效率、交通枢纽效率等。
通过DEA方法，可以找出那些效率低下的单位，并提出改进方案。
DEA还可以帮助决策者做出合理的资源配置决策，提高整个交通系统的运行效率。
除了评估交通系统的效率外，DEA方法还可以分析交通系统中的多个因素之间的关联，从而优化交通系统的运行。
基于DEA的协调聚类方法
. 矩阵 B 称为协调矩阵 D 1 , D 2 , !, D n 的理想矩阵.
( 3) 求 DM Ui 的距离矩阵 H i hj11 Hj = hj21 ! hjm 1 hj12 hj22 ! hjm2 ! ! ! ! hj1 s hj2 s ! hjms .
, k = 1, 2, !, m ; l = 1, 2, !, s . 则
F ig 1 I mport and ex por t data of DM U
其中 x kj = DM Uj 对应的第 k 种输入; y rj = DM Uj 对第 r 种输出的产出量; v i = 对第 i 种输入的一 种度量( 也可称为权系数 ) ; u r = 对第 i 种输入的一种度量 . x kj > 0, y rj > 0, k = 1 , 2, !, m , r = 1, 2, !,
v m x mj v mx mj v mx mj ! u 1y 1i u 2y 2i usy si 当数据都为硬指标时 , 可取各权系数都为 1, 则有 x 1i x 1i x 1i y 1 i y 2 i ! y si Dj = x 2i y 1i x 2i y 2i ! x 2i y si , i = 1, !, n.
171
n. 对于权系数 v ∀ E m 和 u ∀ E s , 决策单元 j ( 即 DM Uj , 1 # j # n) 的效率评价指数 q j = 1 1, !, n) , D j = q , 则第 i 个决策单元的协调分析矩阵为 j v 1 x 1j v 1 x 1 j v 1 x 1j ! u 1y 1i u 2y 2i usy si Dj = v 2 x 2j u 1y 1i ! v 2 x 2j u 2y 2i ! ! ! v 2 x 2j usy si , ! j = 1, !, n . u T Yj (j = v TX j
类似dea的研究方法
类似dea的研究方法
类似于DEA（数据包络分析）的研究方法包括但不限于以下几种：
1. 线性规划（LP），线性规划是一种数学优化方法，用于找到最大化或最小化线性目标函数的最佳解决方案。
与DEA类似，线性规划也可以用于评估决策单元的效率和性能。
2. 随机前沿分析（SFA），随机前沿分析是一种用于评估生产单位效率的经验方法。
它通过考虑生产单位的技术性差异和随机误差来评估其效率。
3. 非参数方法，除了DEA之外，还有一些非参数方法可以用于评估决策单元的效率，如数据包络分析（DEA）和随机前沿分析（SFA）之外，还有一些非参数方法可以用于评估决策单元的效率，如核密度估计、最优响应表面方法等。
4. 模糊逼近方法，模糊逼近方法是一种模糊数学的应用，用于处理不确定性和模糊性信息。
它可以用于评估决策单元的效率，并考虑到输入和输出之间的模糊关系。
5. 贝叶斯方法，贝叶斯方法是一种统计推断方法，可以用于评
估决策单元的效率，并考虑到不确定性和先验知识。
这些方法都可以用于评估决策单元的效率和性能，类似于DEA，它们都可以帮助研究人员进行有效的效率评估和决策分析。
当然，
每种方法都有其适用的场景和局限性，研究人员需要根据具体情况
选择合适的方法来进行研究。
DEA法的基本原理
DEA法的基本原理DEA（数据包分析）法是指对网络数据包进行实时监控和分析，以获取相关信息的一种手段。
它是通过对网络数据包的内容和元数据进行深度分析，来识别和追踪犯罪活动和恶意行为的。
DEA法的基本原理包括以下几个方面：1.数据包捕获：DEA法需要通过网络设备或软件工具对网络数据包进行捕获。
网络数据包是在计算机网络上传输的信息单元，可以包含有关网络通信的内容和元数据。
2.数据包过滤：由于网络数据包的数量非常庞大，DEA法需要对其进行过滤。
过滤可以根据IP地址、端口号、传输协议等条件进行，以便捕获和分析感兴趣的数据包。
3.数据包解析：一旦捕获到感兴趣的数据包，DEA法需要对其进行解析。
解析包括从数据包中提取有用的信息，如源IP地址、目的IP地址、传输协议、源端口号、目的端口号等。
4.数据包重组：DEA法还可以将多个数据包进行重组，以还原完整的网络会话。
通过重组数据包，可以识别网络会话中的通信内容，并了解双方之间交流的情况。
5.数据包分析：DEA法的核心目标是对网络数据包进行深度分析，以发现和追踪犯罪活动和恶意行为。
分析可以从不同的角度进行，如识别特定的网络攻击行为、检测病毒传播、发现网络欺诈等。
6.数据包存储：DEA法通常需要将分析的数据包进行存储，以便进一步的调查和研究。
存储可以采用本地存储或云存储的方式，并且需要采取相应的安全措施，以保护数据的安全和隐私。
DEA法的应用领域非常广泛，包括网络安全、法律执法、情报分析等。
在网络安全领域，DEA法可以帮助发现和阻止网络攻击行为，提高网络的安全性。
在法律执法领域，DEA法可以用于追踪和定位电信犯罪活动，为刑事侦查提供关键证据。
在情报分析领域，DEA法可以用于监测和分析恐怖主义组织的网络活动，以及其他潜在的威胁行为。
尽管DEA法有很多优势和广泛的应用，但也存在一些潜在的挑战和问题。
首先，DEA法涉及大量的数据处理和存储，需要强大的计算和存储能力。
其次，DEA法可能涉及个人隐私和数据保护的问题，需要制定相应的法律和政策来保护公民的权益。
基于DEA评价AI解决交通问题分析
基于DEA评价AI解决交通问题分析1. 引言1.1 研究背景研究背景：随着城市化进程的加速和交通问题的日益突出，如交通拥堵、交通事故、交通污染等问题对城市发展和居民生活质量造成了严重影响。
如何有效解决交通问题成为当前亟需解决的重要课题。
传统的交通管理方法往往存在着信息不对称、决策效率低、资源分配不合理等问题，难以满足快速发展的城市交通需求。
在这样的背景下，基于数据包络分析（DEA）的评价方法和人工智能技术被广泛应用于交通领域。
DEA能够有效评估交通系统的绩效表现，识别效率低下的部分，并提出改进方案；人工智能技术则能够通过数据分析、模型建立和优化算法等手段，为交通决策提供科学支持。
结合DEA评价和人工智能技术应用于交通问题的研究和实践具有重要意义，能够为提升城市交通运行效率、改善交通环境质量、促进城市可持续发展等方面带来积极影响。
在这样的背景下，本文旨在探讨基于DEA评价和人工智能技术解决交通问题的方法和效果，为城市交通管理和规划提供理论支持和实践经验。
1.2 研究意义交通是现代社会中一个重要的议题，交通问题的解决关系着人们的出行效率和生活质量。
随着人口增长和城市化进程持续推进，交通问题变得越来越突出。
如何有效解决交通问题成为了当代社会发展的重要课题之一。
对于交通问题的解决，传统的方法往往会面临效率低下、成本高昂等问题。
而基于DEA评价和人工智能的方法，可以使得交通规划更加科学、智能化，提高出行效率、减少交通拥堵，从而改善人们的出行体验和生活质量。
研究基于DEA评价和人工智能解决交通问题的意义重大。
这不仅有助于提升交通系统的整体效率和智能化水平，还能够为城市交通规划提供科学依据和指导，为人们提供更加便捷、高效的出行方式。
这也将推动交通领域的进步和发展，为城市化进程提供有力的支撑。
2. 正文2.1 DEA评价在交通问题中的应用Data Envelopment Analysis (DEA) is a popular method used to evaluate the performance of decision-making units, such as companies, organizations, or even cities, by comparing their inputs and outputs. In the context of transportation, DEA can be applied to assess the efficiency of various transportation systems and modes.2.2 人工智能在交通问题中的应用人工智能在交通问题中的应用是近年来备受关注的领域之一。
不同方法的文本聚类分析研究
不同方法的文本聚类分析研究随着互联网时代的到来，文本数据的规模和数量正在逐渐扩大。
尤其是随着社交媒体的普及和数据化运营的需求增加，文本数据已经成为了不可或缺的一部分。
而文本聚类作为文本挖掘的分支之一，可以从大数据中挖掘出有价值的信息和知识，为决策提供支持和参考。
本文将分别介绍基于距离的聚类算法、基于概率模型的聚类算法以及混合聚类算法，并对其特点和应用场景进行分析和比较。
一、基于距离的聚类算法基于距离的聚类算法是最基础的聚类算法之一，也是较为简单的一种聚类方法。
其核心思想是通过计算不同样本之间的距离或相似度，将近似的样本归为一类。
典型的基于距离的聚类算法有K-Means算法、层次聚类法和DBSCAN算法。
1.1 K-Means算法K-Means算法是最常用的基于距离的聚类算法之一。
该算法的核心思想是先确定聚类数K，随机选取K个样本作为初始的聚类中心，然后根据样本与聚类中心的距离将每个样本划分到距离最近的聚类中心对应的簇中，然后重新计算每个簇的中心点，直到簇中心点不再发生变化或者达到最大迭代次数。
K-Means算法的优点是简单易懂、计算速度快、效果较好。
但是，该算法对聚类中心的初始值比较敏感，可能会陷入局部最优解；同时，该算法对离群点比较敏感。
1.2 层次聚类法层次聚类法是一种自下而上的聚类算法。
该算法的核心思想是先将每个样本看作一个簇，然后通过计算不同簇之间的距离或相似度，将距离最近的两个簇合并为一个簇，依此逐步合并，直到合并为一个大簇或者达到预设簇数为止。
该算法主要应用于数据较少的情况下，优点是聚类层次清晰、结果易于解释。
但是，该算法对于大规模数据集的计算量较大，且合并簇的先后顺序会影响聚类结果。
1.3 DBSCAN算法DBSCAN算法是一种基于密度的聚类算法。
该算法的核心思想是给定一定半径范围和密度阈值，将密度达到一定阈值的样本聚集到同一个簇中，将密度较低的样本视为噪声点。
该算法的优点是不需要预先指定聚类数量，对噪声点不敏感，聚类效果稳定。
网络DEA模型应用综述
网络DEA模型应用综述作者：樊辉初睿来源：《价值工程》2018年第05期摘要：随着复杂生产系统的深入发展，仅面向生产系统初始投入和最终产出的传统数据包络分析（DEA）模型已不再适用，网络DEA模型应运而生。
本文从DEA模型的发展历史入手，介绍了网络DEA模型的相关概念和目前的主要研究方向，最后介绍网络DEA模型的应用领域。
Abstract： With the deep development of complex production system， only the traditional data envelopment analysis （DEA） model for the initial input and final output of production system are no longer applicable， so the network DEA model comes into being. Based on the development history of DEA model， this paper introduces the concept of network DEA model and the current research direction. Finally， the application area of DEA model is introduced.关键词：数据包络分析（DEA）；网络DEA；效率评价；相对有效性Key words： Data Envelopment Analysis （DEA）；network DEA；efficiency evaluation；relative effectiveness中图分类号：C934 文献标识码：A 文章编号：1006-4311（2018）05-0077-020 引言随着科技的进步，如何提高生产效率，走创新驱动发展之路至关重要。
数据包络分析法(DEA)的研究与应用
,
λ j ≥0 。
( 7)
为此 , 文献 [ 7] 将基于技术效率指数式 ( 6) , 提出直接测算决策单元投入 —产出效率的 DEA 模 ( 3) 型式 ( 8) 。 mi n η =θ / α ,
n
j =1
λ 自由 。 j ≥0 , θ max { α } ,
n
＊
＊
s. t .∑ Xj λ j ≤ Xj , 0
其基本思路是把每一个被评价单位作为一个决策单元dmudecisionmakingunit再由众多dmu构成被评价群体通过对投入和产出比率的综合分析dmu的各个投入和产出指标的权重为变量进行评价运算确定有效生产前沿面并根据各dmu有效生产前沿面的距离状况确定各dmu是否dea有效同时还可用投影方法指出非dea有效或弱dea有效dmu的原因及应改进的方向和程度
( 5) ( 6)
或
η= θ / α 。
＊
＊
此法计算过程复杂 , 但原理简单 。 b. 在缩小投入的同时 , 尽可能扩大产出 , 然 后将投入缩小比率和产出扩大比率代入式 ( 5) 和 式 ( 6) 。 文献 [ 8] 运用模糊规划和式 ( 5) 预测了 决策单元综合 ( 投入与产出) 技术效率 , 但算法复 杂 , 而且必须 分两 阶 段进 行 ;文献 [ 9] 运 用式 ( 6) 和下面式 ( 7) 测算 , 除了同样必须分两阶段 外 , 此方法在算法上还存在问题 , 即由式 ( 7) 得 出的最优值 α -θ , 并不一定使式 ( 6) 在与式
给出综合评价分析结论
图1 DEA 方法的应用步骤 F ig . 1 Application steps fo r DEA
90
中国工程科学 ( 7) 相同的可行域里取最小值 。 max { α -θ } , s. t .∑ Xj λ Xj0 , θ≤ 1 , j ≤θ
聚类分析综述范文
聚类分析综述范文聚类分析（Cluster Analysis）是一种数据分析技术，用于将相似的数据点分为不同的组或聚类。
这种统计技术非常有用，在许多领域中都被广泛应用，包括数据挖掘、图像处理、生物信息学、市场研究等。
聚类分析的目标是将数据点分为不同的组，每个组内的数据点彼此相似，而不同组之间的数据点则有较大的差异。
通过聚类分析，我们可以获得数据的结构，发现隐藏的模式和规律，从而对数据进行更深入的理解。
聚类分析的方法主要有两大类：层次聚类和划分聚类。
层次聚类方法将数据点组织成一棵树状结构，从而建立层次结构，同一层次上的数据点具有相似性。
划分聚类方法则将数据点划分为互不重叠的聚类，每个数据点仅属于一个聚类。
层次聚类方法有两种主要的算法：凝聚法和分裂法。
凝聚法从每个数据点作为一个独立的聚类开始，然后将具有最小距离的聚类合并，直到只剩下一个聚类。
分裂法则从所有数据点作为一个聚类开始，然后逐步将数据点分成越来越多的聚类，直到每个数据点都成为一个聚类。
划分聚类方法中最常用的算法是K-means算法。
K-means算法将数据点分成K个非重叠的聚类，其中K是用户定义的聚类数量。
算法开始时，根据初始的聚类中心随机分配数据点，然后通过计算每个数据点与每个聚类中心之间的距离，将数据点重新分配到最近的聚类中心。
然后，更新聚类中心，继续迭代直到满足停止准则。
除了这些经典的聚类方法，还有一些其他的聚类算法被提出，例如DBSCAN、OPTICS、谱聚类等。
这些算法在聚类分析过程中也起着重要的作用，并提供了不同的可选择的方法。
聚类分析在实际应用中具有广泛的应用，其中一个重要的应用领域是市场研究。
通过聚类分析，可以将顾客细分为不同的群体，从而更好地了解他们的需求和偏好。
这可以帮助企业开展有针对性的市场营销，并制定更好的产品策略。
另一个应用领域是图像处理。
聚类分析可以帮助我们对图像进行分割和分析，从而识别出图像中的不同对象和区域。
这对于计算机视觉和模式识别具有重要的意义。
基于聚类分析的DEA模型在大学生学习效率评价中的应用
技术创新37基于聚类分析的DEA模型在大学生学习效率评价中的应用◊景德镇陶瓷大学信息工程学院詹裳森程航杨利华基于聚类的广义D E A方法先通过聚类，对绝大多数类的学生进行区分，通过不同类的学生对其他类的学生进行评价，通过自己“对立面”评价相同类的学生学习效率，并且可以 完全排序，这样就达到了我们考察学生学习效率的目的，有 利于克服内部之间的一种评价学习效率机制。
有关大学生的素脆育雜J S J t献關，这些文献在对教育 评价强调的是：个性化发展评价。
对于影响因素研究的文献也 比较多，探讨高考成绩与大学成绩的相关性，发现大学生的学 习非智力影响的因素智力因素影响更加深远[\然而，这些评价 方法就是通过大学生现在的总成绩与各自的高考成绩的相关性 来分析。
由于大学的课程比较多，这种课程体系对其学习有效 性的影响如何，这是很难用以前的方法进行判断和分析。
现 在，通过建立了数据包络分析数学模型（Data Envelopment Analysis,DEA)评价是大学生学习成绩相对有效性的数学模型糾，对大学生的学业^^^出相对補性。
然而，这些整体决策单元进行各个决策单元的评价，没有 考虑影响学习效率的课程体系。
不同的课程体系，大学生的学 习效率是不一样〇本文通过聚类分析細课程体系分类，再通 过广义数据包络分析（General Dala Envelopm ent Analysis，G"43EA)分析大学生的学习效率。
充分利用分类相同的课程去评价大学 生的学习效率，这为大学生的学习效率评价有了多元化的评价 决策方法。
1广义DEA模型现在有n个待评的决策单元（DMU)和选用的5个样本单 元，决策单元和样轉元航输入和榊输出指标，并且表 示如下：=&-，\，…，)■x m示输入指标值，第I十决策单元的值，亡=(=■，二,^>0表示输出指标值，第^^单_值，I.=(U，...，叉.)_ 表示输入指标值，菊个样本单元的值，歹.=(U.,,…，5U >〇表示输入指标值，第j个样本单元的值，对决策单元p构建的广义c c R m«i下：{G-已B yM m r r i z e f!y p—V{d),^xp=l/4论Q r=X..^s; i=l,..,m其中，《=(斗甲，…，似r表示所选样本单元的输入指标权重，#=C ui，私，…，只)■表示所选样本单元的输出指标权重，d大于0的一^移动因子。
基于DEA聚类分析的中国各地区资源_环境与经济协调发展研究_柯健
设 k = ∑λj/θ,则 k 为 DM U 0 的规模收益值 。 (1) 当 k = 1 ,表示 DM U0 的规模收益不变 ,此时 DM U 0 达到最大产出规模点 ; (2) 当 k < 1 ,表示规
模收益递增 ,且 k 值越小规模递增趋势越大 ,表明
DM U 0 在投入 X0 的基础上 ,适当增加投入量 ,产
Study on the Coordinated Development of Regional Resources , Environment and Economy in China Based on D EA Cluster Analysis
KE J ian1 ,L I Chao2
(1. School of Inf orm ation Engi neeri ng , A nhui U niversity of Fi nance and Econom ics , Bengbu 233041 , Chi na ;2. School of S tatistics and A pplied M at hem atics , A nhui U niversity of Fi nance and Econom ics , Bengbu 23304 , Chi na)
0 时 ,则称决策单元 DM U 0 为 DEA 有效 ,即在这 n 个决策单元组成的系统中 ,在原投入 X0 的基础上 所获得的产出 Y0 已达到最优 ; (2) 当θ= 1 且 S -
≠0 或 S + ≠0 时 ,则称决策单元 DM U 0 为 DEA 弱 有效 ,即在这 n 个决策单元组成的系统中 ,对于投
资源 、环境 、经济是一个包含很多元素的多层 次的复杂系统 ,而协调发展是这个系统或系统内 诸要素之间在和谐一致 、配合得当 、良性循环的基
基于DEA方法的我国行业科研建设绩效分析
Ｋｅ ｒ ｓ ｉｄ ｓ ｙｒｓａｃ ；ＤＭＵ；ＤＥ ｔｏ ｙｗｏ ｄ ： ｎ ｕｔ ｅ ｒｈ ｒ ｅ Ａ ｍｅｈ ｄ；Ｒ ＆ Ｄ
１ 概 述
进入 ２ 们 日 益增长的需求 ，各国都将 “ 科技创新”作 为提高国家创新能力和综合国力 的重要发展 战略， 在政府的扶植和引导下 ，大力投入各行业 的科研建 设 ，并 建立起 各 行业 的科 研基 地 。这些 行 业 科研 基 地主要 由行业 重点试 验室 、研 发 中心 、产 学研 基地 、 高校科 技园等形式构成 ，是 国家联合企业、高校、 工程中心或社会力量 ，结合行业 自身特点建立的科 技研 发机构 ，主要 承担着各 行业 的高水 平基 础研 究 、 应用 研究 、前沿 技 术研 究 和 难点 问题研 究 、聚集 和 培养行业科技人才、开展行业高水平学术交 流的各 项科研任务 ，从而达到 以科技创新指导行业生产 ， 提高工作效率 ，减少 能源消耗和实现可持续发展 的 目的。我国正处于社会主义建设的初级阶段，在政 府的正确领导下 ，各行业领域 的生产建设都取得了 辉煌 的成就 ，但 同时 也 出现 了一些 问题 ，如 生产 管 理效率不高 、行业科技创新能力较低、过度依赖不 可再生 资源 的 消耗 等 等 ，在 工业 科 技进 步 、农 业 技 术 生产 、服 务 行业 管 理 、高技 术 产 业 发展 、企 业 核
应用DEA方法讲义
应用DEA方法讲义DEA （Data Envelopment Analysis）方法，是一种非参数的评估方法，用于衡量相对效率和技术效率。
它可以帮助研究者和管理者比较不同决策单元（例如企业、机构等）之间的效率，并识别出效率较低的决策单元。
DEA方法的核心思想是通过比较不同输入和输出变量之间的关系，来评估各个决策单元的效率。
具体来说，DEA方法根据输入和输出指标的权重以及排名，利用线性规划模型计算每个决策单元的效率得分，并将其与其他决策单元进行比较。
下面将按照以下结构来讲解DEA方法的应用：1.DEA方法的基本原理2.DEA方法的应用领域3.DEA方法的应用步骤4.DEA方法的优势和局限性5.DEA方法在实际问题中的案例分析首先，DEA方法的基本原理是通过建立线性规划模型，找到一组输入和输出权重，最大化每个决策单元的效率得分。
在这种方法中，效率得分大于等于1的决策单元被认为是有效率的，而效率得分小于1的决策单元则是相对无效率的。
其次，DEA方法广泛应用于各个领域，特别是在经济学、管理学、运营研究等领域中。
例如，在经济学领域，DEA方法可以用于评估不同国家或地区的经济效率；在管理学中，DEA方法可以用于评估企业的绩效和效率；在运营研究中，DEA方法可以用于评估供应链的效率和绩效等。
DEA方法的应用步骤主要包括以下几个步骤：确定输入和输出变量、数据收集和准备、计算效率得分、检验稳定性和有效性、解释和分析结果。
在执行这些步骤时，需要根据具体问题选择适当的模型和方法。
DEA方法的优势在于它是一种非参数方法，不需要对数据和概率分布做出任何假设，因此可以更好地适应实际问题。
此外，DEA方法可以同时考虑多个输入和输出变量，因此可以提供更全面和准确的评估。
然而，DEA方法也存在一些局限性。
首先，DEA方法依赖于数据的准确性和完整性，因此对数据的质量要求较高。
其次，DEA方法的解释性较弱，不能提供详细的原因和原理分析。
基于新型网络DEA模型的高技术产业创新活动效率研究共3篇
基于新型网络DEA模型的高技术产业创新活动效率研究共3篇基于新型网络DEA模型的高技术产业创新活动效率研究1高技术产业创新是当前社会发展的热点话题，也是经济发展的重要指标之一。
而创新活动效率是高技术产业创新效果的核心，因此如何提高创新活动效率成为了研究的重点。
传统的效率评价模型主要是单纯的数据包络分析（DEA），该模型可以反映出各项指标的效率及其管理水平，但却无法考虑到各要素之间的相互影响。
而新型网络DEA模型基于传统DEA模型，考虑各项指标之间的相互影响，可以更加准确地评价创新活动的效率。
本文以高技术产业为研究对象，基于新型网络DEA模型，对高技术产业中的创新活动效率进行了研究。
研究的样本涵盖了低碳环保、新能源、生物医药等领域，通过搜集相关数据，构建出创新活动效率所涉及的各项指标，包括年均专利申请数、年度研发投入、人均研发经费、高新技术产品销售收入等方面。
接着，我们利用新型网络DEA模型，对创新活动效率进行了评估。
结果发现，高技术产业创新活动效率整体偏低，而各领域之间的创新活动效率差异较大。
在低碳环保领域，年均专利申请数是该领域中创新效率最高的指标，而在新能源领域，人均研发经费成为了最具重要性的指标。
同时，我们也发现，各领域间的相互影响较大，一个领域的提高也会带动其他领域的提高，因此在进行创新活动效率的评估时，需要综合考虑各领域的影响。
针对这一问题，本文提出了一些建议。
首先，政府应该加大对高技术产业创新活动的支持力度，提高各领域的研发投入；其次，企业应该注重人才集聚，优化内部管理，提高创新活动效率；最后，需要加强各领域之间的协作，促进创新要素的共享和互动。
总之，高技术产业创新活动效率是一个复杂的问题，需要综合考虑各领域的影响，而新型网络DEA模型为我们提供了一个准确、有效的评价工具，能够更好地指导高技术产业的发展。
我们期待未来能够有更多的研究者加入这一领域，共同推动高技术产业创新活动效率的提高本文利用新型网络DEA模型对高技术产业的创新活动效率进行了评估，并发现了各领域间的差异和相互影响。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第35卷第4期2005年4月数学的实践与认识M A TH EM A T I CS I N PRA CT I CE AND TH EO R YV o l 135 N o 14 A p ril,2005 基于FA -D EA 聚类的模式分析方法及在我国软件园研究中的应用石晓军(北京航空航天大学经济管理学院,北京 100083)摘要: 模式分析方法日益成为现代经济管理研究的主流方法之一,但是目前关于模式分析的结构化方法的研究还不多见.本文提出了基于FA 2D EA 聚类的模式研究结构化方法,这个方法区别于以往文献的是采用了混合聚类方法,综合运用关键因素的绝对量信息和效率的相对量信息.基于上述方法,本文确定了我国软件园发展的三种发展模式.并对三个模式的条件、特征以及它们之间的分界与演进做了详细的描述.最后,给出了若干建议.关键词: 发展模式;D EA ;聚类分析;效率;软件园1 引 言收稿日期:2003205231基金项目:国家社会科学基金项目(批准号02BJY 013)“我国软件园(基地)的演进机制与发展模式比较研究”成果之一 在现代经济管理研究中,人们越来越多地使用“模式”这个词.在发展经济学领域,有出口替代模式、出口导向模式、刘易斯的二元经济结构模式、库兹涅茨的结构转换模式、初级产品出口发展模式、工业制造品出口模式、国内市场扩张模式等;在区域经济发展的实践中,出现了具有国际影响的东亚模式、中国模式;在中国改革开放的伟大实践中也出现了形态各异的苏南模式、温州模式、代表珠江和闽江三角洲的佛山模式等.模式研究能够用结构化的图景清晰地描述经济发展的轨迹、动力以及根本性差异的原因,因此它受到很多领域研究者的青睐.但在以往的文献中,系统地提出模式研究的结构化方法的并不多见.鉴于模式研究的广泛性和重要性,有必要研究系统的模式分析方法.本文提出了一种基于FA 2D EA 聚类的模式分析方法,并以我国软件园发展模式研究为例详细地描述了操作的步骤.2 模式:要素与结构参照罗斯托、刘易斯、熊彼特、诺斯、青木昌彦等著名经济学家关于经济发展模式的研究,本文认为一种发展模式至少要包括两个方面:①影响发展的关键要素;②这些要素之间的作用方式.前者描述了该模式的组成;后者描述了该模式的结构、演进的动力及出现差异的原因.因此,我们在构建模式分析方法时,要同时考虑研究对象在这两个方面的表现,这是本文的方法区别于以往文献最重要的地方.实际上,本文中要克服的最主要的两个问题就是:①如何量化地表示要素之间相互作用的效果?②在聚类分析时如何同时考虑关键要素及其相互作用方式?下面,我们用我国软件园发展模式研究案例来详细说明本文提出的方法.3 我国软件园发展模式分类1)样本选择本文选择的研究样本是:北京、上海、大连、长沙、济南、成都、广州、杭州、南京、西安、珠海11个国家软件产业基地加上江西南昌金庐、天津华苑、深圳、合肥4个一般的软件园.这个样本基本能够概括中国软件园的现状.2)关键影响因素的决定:因子分析方法根据中国软件行业协会编2001年《中国软件产业发展报告》、CC I D 编写2001年《中国软件市场研究报告》、中国电子行业信息网、2001年《中国计算机报》、《软件世界》关于软件园的相关专题报道、各个软件园(基地)的网站收集下述指标的数据与信息:政策措施(以100分制的打分结果表示)(x 1)、财税支持力度(x 2)、风险投资利用情况(x 3)、软件园的建设投资(x 4)、基础设施的建设情况(以100分制的打分结果表示)(x 5)、周边大学和研究所总数(以其综合排名为权)(x 6)、软件人才的供应能力(x 7)、人才(包括软件技术人才和高级管理人才)的流动性(以100分制的打分结果表示)(x 8)、全国市场占有率较高的软件产品数量(x 9)、具有自主知识产权的软件产品数量(x 10)、软件研发投入占总的收入的比例(x 11)、产品特色的明显程度(用最主要的产品占到总的收入的比例表示,比例越高说明该软件园的产品特色越明显)(x 12)、周边地区对软件产品的需求情况(x 13)、对该地区主要软件产品的总体(国际、国内)市场需求(x 14)、主要软件产品与周边地区的产业融合程度(以100分制的打分结果表示)(x 15)、2001年技工贸总收入(y 1)、2001年出口额(y 2).这17个指标中,前15个指标反映的是软件园的投入方面,而最后两个指标反映的是软件园的产出方面.对15个软件园样本点的15个投入变量用SPSS 进行因子分析,在进行因子分析的过程中我们采用的是主成分分析方法,并对因子进行最大方差旋转,最后提取4个主因子,它们对原始的15个变量的信息解释力度达到了92166%.因子旋转后,各个主因子包含的主要的原始变量的情况如下:表1 主因子的构成主因子包含的主要原始变量第一主因子主要软件产品与周边地区的产业融合程度(x 14)、周边大学和研究所总数(以其综合排名为权)(x 6)、软件人才的供应能力(x 7)、产品特色的明显程度(x 12).第二主因子政策措施(x 1)、财税支持力度(x 2)、软件园的建设投资(x 4)、基础设施的建设情况(x 5).第三主因子具有自主知识产权的软件产品数量(x 10)、软件研发投入占总的收入的比例(x 11)、风险投资利用情况(x 3).第四主因子周边地区对软件产品的需求情况(x 13)、对该地区主要软件产品的总体(国际、国内)市场需求(x 14).由此,影响我国软件园发展的关键要素可以归结为4个因子:①“生态”因子(Eco logical facto r ).它主要反映该软件园的周边智力、人才、知识环境以及软件园与相关的主要产业、市场、人才、资本等要素之间的关系.②政策因子(Po licy facto r ).主要体现为国家以及各地方政府为了促进当地软件产业的发展而制定的相关政策.③市场因子(M arket facto r ).即周边地区、国际、国内市场对该软件园的主要软件产品1414期石晓军:基于FA 2D EA 聚类的模式分析方法及在我国软件园研究中的应用的需求状况,它反映了该软件园发展的动力与潜力.④创新因子(C reativeness facto r ).反映的是该软件园的创新能力.在上面的四个关键因素中,创新因子是软件园不断前进的根本动力,是内因,是内在的驱动力;其他的三个因子都属于外部因素,生态因子描述了给予软件园人才、知识、产业联系等“养分”的条件,而市场和政策是两个重要的外力,政策可以看成是“推”(p u sh )的力,而市场则可以看成是“拉”(p u ll )的力;这样,我们就可以用所谓的“四因素——三力模型”来描述我国软件园的发展模式了,我们可以用图1形象地表示“四因素——三力模型”.下面,本文就以这个模型为根据,先分析我国软件园在不同要素上的表现再进行发展模式的分类.图1 “四因素——三力模型”模型表2 主因子的权重主因子生态因子市场因子政策因子创新因子权重0.50.30.10.1 3)因子相对重要性的确定我们首先采用主因子对产出变量回归的方法确定出目前状况下四个因子的相对重要性的权重如表2(对回归结果做了近似处理).4)因子得分①我们采用德尔菲方法对上述软件园在这四个主因子上的表现打分,结果如表3.5)基于关键因素的聚类根据表3,我们用SPSS 统计软件进行聚类分析,我们采用的是重心法计算距离,其结果如图2.根据图2表示的谱系图,我们在215处切割,可以得到四个组的分类结果:第 组由北京、上海组成;第 组由大连、深圳、广州组成;第 组由杭州、山东、天津、南京组成;第 组由合肥、江西、珠海、西安、长沙、成都组成.6)考虑因素作用方式的方法本文已指出,发展模式的研究不仅要考虑要素,还要考虑要素之间的作用方式.因此,仅仅根据要素进行聚类分析的结果还不足以完整地描述中国软件园的发展模式,我们还要考虑各个软件园中这四个关键因素的作用方式.我们认为,这四个因素的相互作用的结果可以用两种效率来表达:“制度效率”和“规模效率”.制度效率是指“外部因素”包括政策因241数 学 的 实 践 与 认 识35卷①这里我们必须指出的是,本文中的因子得分不是按照通常的因子得分的操作方法,在获取主因子的原始信息结构(第(2)步中使用的信息结构)中计算得出,而是重新打分.我们认为通常的做法可能会进一步夸大原始信息结构中的缺陷,关于这个问题,本文作者拟另辟专文详细论述.子、生态因子、市场因子是否能给软件园的“内在因素”——创新因子充分发挥作用提供了足够的条件.而规模效率体现则是软件园是否能够充分地利用生态因子提供的“养料”、政策因子提供的“推动力”以及市场因子提供的“拉动力”,将自身创新因子的“驱动力”充分地发挥出来了?各软件园“制度效率”和“规模效率”的计算可以用D EA 的方法实现(详见本项目另外的研究工作——文献[6]),我们运算的结果如表4.表3 软件园在各个主因子上的得分生态因子(0.5)政策因子(0.3)市场因子(0.1)创新因子(0.1)自然文化智力产业资本协同需求供给优化周边国内国际产品技术管理制度北京4555555534354长沙3433334433343成都3433343433333大连5433544453554广州3454544354343杭州5533343443343合肥3333333333333江西3333333333333南京4533344444443山东4443334443343上海4555555544345深圳4445344454443天津4443343344343西安3533333334443珠海3333333334433 注:①采用5分制方法打分,1表示很差;2表示一般;3表示较好;4表示好;5表示很好;②本表由6位专家的评分结果综合取整而成.图2 中国软件园关于关键影响要素的聚类分析结果在表4中,制度效率一栏和规模效率一栏中的数据的变化方向不完全一致,在制度效率一栏中数越大近似地表示效率越高,但在规模效率一栏中情况就不太一样了,所以为了统一数据的方向,我们作同向化处理,将规模效率一栏中大于1的数取倒数,得到表5.3414期石晓军:基于FA 2D EA 聚类的模式分析方法及在我国软件园研究中的应用表4 各软件园的制度效率与规模效率 DM U 求解结果北京上海大连成都西安济南杭州广州长沙南京珠海合肥江西天津深圳Η3(制度效率)1110.850.9310.470.6810.310.340.320.270.671Χj (规模效率)11110.3011.602.2111.971.741.660.710.931规模效率含义规模收益不变规模收益不变规模收益不变规模收益不变规模收益递增规模收益不变规模收益递减规模收益递减规模收益不变规模收益递减规模收益递减规模收益递减规模收益递增规模收益递增规模收益不变表5 各软件园的制度效率与规模效率(同向化处理后的数据) DM U 求解结果北京上海大连成都西安济南杭州广州长沙南京珠海合肥江西天津深圳制度效率1110.850.9310.470.6810.310.340.320.270.671规模效率11110.3010.630.4510.500.570.600.710.931接着,再按照基于关键因素的聚类结果,对各个软件园赋值,为了和表5中数据的方向保持一致,我们将属于 , , , 的软件园分别赋值4、3、2、1.赋值结果如表6.表6 根据关键要素聚类结果的赋值北京上海大连成都西安济南杭州广州长沙南京珠海合肥江西天津深圳赋值443112231211113由表5和表6的数据用SPSS 统计软件进行聚类分析(仍采用重心法),其结果如图3.图3 考虑关键因素及其作用方式的综合聚类结果根据图3表示的谱系图,我们在5处切割,可以得到四个组的分类结果:A 组由大连、深圳、广州、南京组成;B 组由杭州、山东、天津、组成;C 组由北京、上海组成;D 组由合肥、江西、珠海、西安、长沙、成都组成.441数 学 的 实 践 与 认 识35卷4 发展模式比较与演进分析根据上一小节的聚类分析和“四因素——三力模型”我们可以大致地对中国软件园的发展模式进行划分了,为了清楚起见,我们将A 、B 、C 、D 四个组在四个因素上的平均得分画成雷达图,如图4的上半部分:图4 四个分组的雷达图对比通过对4个雷达图的比较分析,可以看到如下几个结论:1)政策推力作用的普遍性.在整个范围内,政策因子都有很好的表现,可见国家一系列支持软件产业发展的政策如18号文件、软件出口政策等对全国各地软件园的发展起到了最初推动力的重要作用;而且各个地方政府根据国家政策制定的相关的地方政策也同时发挥了积极的作用.2)生态因子是最重要的分界线.在各个软件园都能够较好地利用政策因子的共同前提下,软件园之间出现分野的最主要的原因在于能否充分地利用生态因子.能够充分地利用生态因子所给予的养分的软件园,就能够逐步地发挥市场拉力和创新驱动力的作用,逐步走向高级化的发展方向;相反,如果不能够充分利用生态因子,它就会失去进一步利用市场拉力和创新驱动力的基础,从而可能出现停滞不前甚至衰退.3)创新驱动力的主导作用是高级化的标志.如果软件园能够实现生态的协调,下一个自然的进阶就是充分利用市场拉力的作用促进发展;而更高级的形态是创新驱动力成为软件园发展的主动力量.我们将这三点结论表示在图4中下半部分.由上图及其分析,我们可以从低级到高级归纳出我国软件园发展的3种模式:1)政策推动主导模式这种模式主要依靠政策的优惠条件吸引软件企业、维持软件园的存在和发展.生态环境不能充分地提供该软件园发展所需的养分,或者该软件园没有能够充分地和生态环境协调起来,充分地利用环境所给予的养分;市场拉力与创新驱动力的作用微弱.图4中D 组大致可以归入此类,目前很多不具备成立软件园条件的地方也纷纷建设所谓的“软件园”,它们最终也会落入这个模式之中.这种模式一般都有地方政府主导的特点,建设的初衷可能是经济改革的试验、赶潮流或者是为了增加政绩,如果这种发展模式得不到5414期石晓军:基于FA 2D EA 聚类的模式分析方法及在我国软件园研究中的应用641数 学 的 实 践 与 认 识35卷及时的改善提高,最后通常都会沦为打着软件园旗号的房地产.政策对于我国软件园、软件产业的发展是必要的,但是仅仅依靠政策是不可能发展到高级形态的.2)市场拉动主导模式这种模式的前提条件是软件园与生态环境之间已经形成了良好而协调的“供给——利用——促进”的相互关系,外部的生态能够为软件园的发展提供足够的“原油”,而软件园也能够将外部的资源的能量发挥到最大;它的主要特点有3点:①定位合理明确.软件园能够根据自身的优劣势和外部的条件确定合理的定位、形成合理的发展战略.②产品特色鲜明.在明确的定位和战略指导下,形成有特色的产品和服务,形成一定的核心竞争力.③市场持续稳定.能够敏锐地捕捉到适合自己发展的市场、利用有特色的产品和服务满足这个市场的需求、能够利用市场的力量不断地发展和完善自己的创新能力.④产业链基本形成.不仅要在产品上形成一定的特色,同时还要逐步构建有特色的软件产业链,形成一个相对完整的产业体系,为造就有国际核心竞争力的企业打下基础.目前,我国软件园大部分都处于逐渐整理和完善生态关系,正向市场拉动为主导的模式转型的阶段.如A、B组的软件园大部分都属于这种情况.这其中当然也有已经跨入到市场主导模式的软件园,大连和广州就是代表.大连利用对日合作的综合优势,在建设之初就确定了“国际化、中日软件的门户与桥梁、官办民助”的三定位;大连通过10年的努力,在IT外包服务市场占据了不可动摇的一席之地.在2002年软件出口排名榜中,大连总分第二、对日出口排名第一;大连华信计算机技术有限公司和大连海辉科技股份有限公司分别位居第一和第六.广州属于市场拉动主导型模式的特征更加明显,广州软件企业充分发挥了大珠三角作为世界电子、通讯产品重要制造基地的优势,发展与市场结合紧密的软件产品,促使它的软件园和软件产业得到很好的发展.事实证明广州发展的比较好的软件企业大多服务于电子、电信、金融信息化.尽管广州软件产业的政策支持力度不是很强,也没有全国闻名的品牌软件企业,但它依靠市场的力量,取得了软件总产值名列全国前茅、产值过亿的软件企业多达15家左右的好成绩,并“意外地成为国家软件产业基地”.而2002年,IT著名企业对广州软件企业的并购接二连三,亚信以4700万美元的代价全资收购广州邦讯科技有限公司、联想2333万吞下智软、神州数码收购广州新龙、新浪并购广州讯龙等,它体现了广州软件对“生态环境”变革开放接纳的态度、管理制度上的创新.这有利于进一步加强广州软件产业基地与市场力量的融合,为产值10亿以上软件航母企业的出现打下基础.3)创新驱动主导模式这是软件园发展的高级形态,它的基础条件有以下3个:①政策基础.形成了较为完备的政策体系;而且政策的执行能够落到实处.②生态基础.营造出全新的生态系统,形成鼓励创新、容忍失败的氛围和勇于承担风险的文化,基本实现行业知识的共享,使软件园成为软件企业创新的空间、学习的网络和心灵的家园.③市场基础.在国际、国内相关市场上占有持续的战略优势地位.它的重要特点表现在:①实力雄厚的创新主体.在该软件园中,一群产值逾5亿、10亿元的骨干企业已经形成,他们成为带动整个软件园创新的“领头羊”.②整体创新的知识平台.软件园中的软件企业之间、以及它们与周边的生态环境之间已经形成了良好的学习——反馈网络,行业知识可以通过共同实验室、开放源代码库、共同开发平台等获得(萨克森安娜,2000;布朗,2001).③著名品牌的软件产品.已经形成若干全国乃至全球闻名的著名品牌产品.④核心优势的产业链条.对于一个软件产业基地而言,仅靠零散的产品优势很难构建整体战略优势的钢铁长城,必须打造具有战略优势的产业链条,才能够形成整个基地的核心竞争力,才能够为基地在未来的竞争中不断成长奠定基础,也为基地在国际分工中形成自己的特色打下基础.⑤不断创新的管理制度.制度重于技术.管理制度的不断创新是软件园的创新驱动力真正发挥作用的基本保证.缺乏制度创新的软件园最终会扼杀创新的驱动力而故步自封.我国几乎没有一个软件园已经实现了完全意义上的创新驱动主导的发展模式.但是,我们幸喜地看到,北京和上海正在朝着这个方向迈进.它们在政策、生态和市场等基础条件方面已经能够满足这种高级发展模式的要求.在创新主体方面,它们都已经拥有若干大型软件企业,尤其是北京.在构建整体创新的共同知识平台方面,北京做了不遗余力的努力,形成了由软件园体系、软件孵化器体系和公共技术支撑体系构成的完整的国家软件产业基地体系框架,其中公共技术支撑体系是由基于宽带网的“三库四平台”构成(三库:构件库、开放源码库、工具库;四平台:软件评测平台、软件质量管理平台、公共软件开发平台、软件产业综合服务管理平台).北京和上海都拥有全国知名的软件产品,北京有中软实时嵌入式L inux 操作系统、用友财务通、W PS O ffice 等.在管理制度的创新方面,上海则走在前面,它采用股份制的管理模式,它的股东既包括我国信息产业的特大型集团公司中国电子信息产业集团公司,也包括当地政府主导的国有独资有限责任公司上海市张江高科技园区和上海浦东发展(集团)有限公司,还包括了N asdaq 上市企业W ebex 公司创始人朱敏先生、著名民营企业家朱凤鸣先生(上海庆丰企业发展有限公司董事长、上海喔喔(集团)有限公司董事长、上海盛大房地产开发有限公司董事长)等个人股东.这样的股权模式既有利于融资,更能给基地的管理注入新的活力,有利于促进基地的创新.但是,即使是北京和上海,目前也没有形成明显的、具有核心竞争力的软件产业链条.尽管北京和上海在上述特征的某些方面有比较突出的表现,但是在关键的产业链优势方面都有重大的不足,而且在其他方面的突出表现也不全面、一致.所以,中国的软件园还要做出很大的努力才能够真正迈向创新驱动主导的发展模式.5 简短结论与建议1)政策推动模式不可持续.政策推动力是我国软件园起步的最初动力,但它不是持续的动力,我国软件园不能够一味地依赖政策吸引软件企业、维持软件园的发展.政策推动主导型的发展模式不是可持续的发展模式,必须设法超越这种模式向更高的模式形态演进,这才是我国软件园的可持续发展之路.2)营造生态是当务之急.软件园发展模式演进的第一个分野在于生态系统的营造.目前,中国的大多数软件园首要的任务是要树立起“生态系统”的观点,整合园区和周边的资7414期石晓军:基于FA 2D EA 聚类的模式分析方法及在我国软件园研究中的应用841数 学 的 实 践 与 认 识35卷源,使软件园成为软件企业创新的空间、学习的网络和心灵的家园.3)形成特色是腾飞之始.良好的生态是软件园发展的基石,在此条件下,形成特色则是突破的关键.我国大部分软件园病在雷同,缺乏特色就缺乏优势.此时,须以外部生态为基础、分析市场拉力,先准确定位,而后形成产品特色,占据一定市场地位,有此基础才能够向更高的发展模式演进.4)创新动力是不竭之源.我们希望中国的软件园最终都能够迈向创新驱动主导的发展模式,成为真正意义上的由创新内力自主聚合的产业簇群,只有那样,我国的软件园才能够可持续地发展下去,为我国软件产业的发展做出真正的贡献.参考文献:[1] 张孝德著.模式经济学新探[M].北京:经济管理出版社,2002.3—18.[2] 萨克森安娜著,曹蓬,杨宇光等译.硅谷优势[M].上海:上海远东出版社,2000.[3] 布朗等.地区之谜:硅谷的知识能动性[M].见李钟文等主编《硅谷优势》,北京:人民出版社,2001.[4] 石晓军.加快珠海国家软件产业基地的发展[J].特区理论与实践,2002,6.[5] 石晓军,安筱鹏.试论印度软件产业发展模式存在的问题及对中国的借鉴意义[J].科学学与科学技术管理,2002,7.[6] 石晓军.国家软件产业基地制度效率与规模效率评价:基于D EA的方法[J].经济地理,2003,5.[7] 安筱鹏.大连软件园的发展研究[J].地理学与国土研究,2001,1.A D evelop m en t Pattern Analysis M ethod Based onFA-D EA Cluster i ng w ith its Applicationi n Ch i na Sof tware Parks ResearchSH I X iao2jun(Beijing U n iversity of A eronau tics and A stronau tics,Beijing100083,Ch ina)Abstract: A s developm en t pattern analysis is becom ing mo re and mo re popu lar in moderneconom ics and m anagem en t research,a structu ral m ethod to do developm en t model research isp resen ted in th is paper.It con sists of th ree key step s:model classificati on;model comparison;and model evo lu ti on analysis.E specially,tw o po in ts of the m ethod are differen t from o therresearches,that is,u sing D EA resu lts to rep resen t In tu iti onal Efficiency and Scale Efficiency;u sing a″tw o2step s m ethod″to u tilize ab so lu te m etrics on key facto rs and relative m etrics onefficiency comp rehen sively in the clu stering model.T h is paper also gives a detailed app licati onexamp le of th is m ethod in Ch ina Softw are Park s D evelopm en tM odelA nalysis.In th is examp le,w e go t the resu lts fairly good and convincing,w h ich app roves the effects of the m ethod w e pu tfo rw ard in th is paper.Keywords: developm en t pattern;D EA;clu stering;efficiency;softw are park。