基于专家调查的技术转移效率影响因素重要性评价分析

针对既有的技术转移效率影响因素分析较为片面的现状,本研究从技术转移创新整体出发,基于政-产-研-服四个创新主体(四螺旋),构建了评价技术转移效率影响因素重要性的网络层次体系,综合利用德尔菲法和群组决策分析得到了18位专家的综合评价矩阵,然后运用网络层次分析法(ANP),借助SD软件计算了各影响因素的重要性得分。根据评价结果可知,在四个主体中,企业作用最重要,政府作用次之,高校科研机构和科技服务机构两个方面基本相当。基于此,本研究围绕技术转移信息服务提出了5个方面的建议。     

政策工具自动识别方法与实证研究

［目的/意义］ 政策工具的识别与分析是政策研究的重要手段之一。此项工作目前多以人工开展。本文运用深度学习方法进行政策工具的自动识别,以期提高政策工具识别的效率。［方法/过程］ 设计与实施政策数据采集与清洗——政策工具人工标引——模型训练——结果解读的政策工具自动识别的实验流程,并以北上广贵四地的政府信息公开政策为例,对比传统机器学习方法和深度学习方法在政策工具识别任务上的性能表现。此外,提出整合政策全局信息进行各段落政策工具识别的方案,并通过实验证明方案的有效性。［结果/结论］ 深度学习模型CNN在全量测试数据上达到76.51%的准确率,整合全局信息的CNN模型达到77.13%的准确率。而仅对模型的高置信度结果进行评估发现,整合全局信息的CNN模型在其中55.63%的测试数据上准确率达到了95.44%。该准确率已经达到了实用的要求,表明超过一半的政策工具标引可以借用模型的高置信度结果,无需人工复核。基于深度学习方法研究政策工具的自动识别取得较好的效果,提升政策工具标引的效率,为大数据量的政策工具自动识别提供正面经验。