1.4.2　研究方法

针对本书的主题以及研究对象科技园区企业的特性，将采用文献梳理、理论分析、数据包络分析模型、统计检验、实验建模等研究方法对1.3节中提出的研究问题进行系统和全面的分析。

文献梳理：针对研究涉及的主要概念——企业规模、企业创新效率等进行广泛的文献检索和阅读，对组织惯性理论、资源基础理论、企业技术并购理论、企业联盟理论、产业集群理论等与本书主题紧密相关的理论的主要内容、发展脉络、研究成果进行系统的梳理，为本书所提出的理论模型提供可靠的理论基础。

理论分析：结合对相关理论的综述以及已有的研究成果，从本书的研究问题出发，开展对科技园区企业效率影响机制的理论分析，提出与建立理论模型，同时提出相关研究假设。

数据包络分析（data envelopment analysis，DEA）模型：由于每一家企业的投入和产出都需要同时使用一系列指标进行衡量，因而在计算企业每年的知识生产效率和知识商业化效率时，本书采用了DEA-CCR模型来处理这种“多输入—多输出”的情况。这种模型不需要提前进行任何权重假设，而是以决策单元输入输出的实际数据来计算每一家企业的最优权重，消除了不少主观因素的影响，而且能够更加准确地描绘实际情况，在对于企业效率的评价方面具有优势。

统计检验：本书首先对2005—2015年期间中关村示范区的企业原始数据进行梳理与整合，将企业规模、地理位置、所处行业、创新投入和产出等相关因素进行提炼和编码，使其适用于定量分析。其次，本书将已有数据库中的相关企业信息与“企业信用网”等渠道的内容进行匹配与核对，同时获得关于企业所有制、技术并购活动、加入联盟类型等方面的信息，以丰富数据内容。最后，本书使用经过编码和匹配得到的数据，根据相关理论提出的假设设计非平衡面板数据回归模型，研究假设的显著性进行检验和分析。同时，对回归结果进行稳健性检验（robustness check），以便更加准确地验证企业规模与企业效率之间的关系及其调节因素，从而对理论模型进行进一步的修订，得出完整的研究结论。

实验建模：由于研究对象包含中关村示范区企业长达11年的各项指标，这些海量复杂数据为计算机模型的结构设计、参数选取和算法训练都提供了强有力的支持。因而，可以考虑使用与大数据和人工智能相关的研究方法，对已有数据进行更深一步的挖掘和分析。在本书中，选择神经网络模型，通过线性加权、函数映射等方式，对已有数据进行存储和学习，用优化学习算法实现对网络结构和权值的调整，最终使模型具有一定的逻辑推理和判断能力，以达到对未来企业发展提供创新效率预测和创新实践指导的目的。

结合拟定的研究主题与研究方法，本书的技术路线如图1.2所示。

图1.2　本书的技术路线图