多源数据融合的区域创新发展态势评估系统设计与应用

顾桐菲　游翰霖　廉振宇　董晓阳

摘 要：当前，区域创新发展管理复杂性快速上升，基于数据分析的决策支撑需求日益迫切，构建多源数据融合的区域创新发展态势评估系统已成为推动创新治理数字化转型、科学化决策的技术基础。为解决实际问题，首先，根据区域创新发展概念特征和评估目标，梳理态势评估系统“多源基础数据管理”、“数据分析与可视化展示”、“治理决策支撑”三大核心需求;其次，按“数据采集-数据管理-数据分析-数据可视化”支撑决策一般性数据挖掘工作流程，设计了区域创新发展态势评估系统功能架构;再次，着眼各类区域创新发展态势评估任务，介绍了系統包含的评估指标体系、指标数据聚合算法、发展趋势预测算法以及政策影响评估方法等实用模型;最后，阐述了态势评估系统软件设计概念架构，展示了系统软件的评估应用实例。本文提出的发展态势评估系统设计框架是推动数据驱动区域创新治理的有益尝试，后续的系统完善和应用研究有助于推动形成“数据积累—模型优化—系统完善—支撑决策”的良性循环。

关 键 词：区域创新;发展态势评估;多源数据融合;系统设计概念架构

DOI：10.16315/j.stm.2021.06.004

中图分类号： C939

文献标志码： A

Design and application of development situation assessment system for

regional innovation based on multi-source data fusion

GU Tong-fei， YOU Han-lin， LIAN Zhen-yu， DONG Xiao-yang

（Consulting Center for Strategic Assessment， Academy of Military Science， Beijing 100091， China）

Abstract：Nowadays， the complexity of management is rocketing for regional innovation， and demand for decision support based on data analysis is becoming increasingly urgent. Hence， it has been considered as a technical basis for promoting the digital transformation of innovation governance that designing and developing an effective and efficient development situation assessment system for regional innovation based on multi-source data fusion. Consequently， the authors propose 4 main works focusing on the topic in this paper. Firstly， we analyze three core requirements of the development situation assessment system based on the conceptual characteristics and assessment objectives， such as multi-source basic data management， data analysis and visualization， and supporting the governance decision-making. Secondly， according to the general data-mining workflow for decision-supporting， called as ‘data collection-data management-data analysis-data visualization， we design the operational framework of assessment system. Thirdly， it is introduced that the practical tools and approaches for various assessment tasks which are embedded in the system， such as assessment index system， index value aggregation algorithm， development trend forecast method and policy impact assessment model. Finally， we demonstrate the design conceptual architecture and an assessment application case of the mentioned software system. The proposed design framework of development situation assessment system can be considered as a rewarding attempt to promote the data-driven government of regional innovation. Furthermore， the follow-up software system updating and related application research are conducive to create a virtuous circle that “data accumulation-model enhancement-software system updating-decision supporting”.572BD1D9-CF2D-4DE5-9C2A-EEF9CB69BCE3

Keywords：regional innovation; development situation assessment; multi-source data fusion; conceptual architecture of system design

从我国公共政策管理实践来看，传统管理模式中存在的封闭单向、粗放定性、反馈迟滞等问题，已经难以适应现代化治理需要[1]。以精细化管理理念为先导，运用多源数据分析方法支撑公共政策管理决策，可以有效弥补上述问题[2]。近年来，随着政府信息化建设和统计制度逐步完善，电子政务系统部署运用全面展开，政府治理数据产生爆炸性增长，推动公共政策从经验驱动决策走向数据驱动决策，为多源数据管理与分析技术大规模应用提供了需求牵引和平台支撑。从公共政策管理需求看，创新治理是国家治理体系的有机组成部分，要实现国家治理体系现代化，必然要求创新治理现代化[3]。区域创新作为国家创新治理现代化的重要实践载体，迫切需要提高多元主体创新决策参与程度，增加创新政策制定的科学性和透明性。因此，宜将区域创新治理作为数据驱动公共政策管理决策优化升级的抓手，设计包含数据分析模型算法及其支撑功能模块的信息系统，从区域创新治理实践全流程产生的多源异构数据中挖掘支撑管理决策的有效情报信息，从而提升区域创新治理的监测实时性、决策科学性和调控精准性，从而推动区域创新治理数字化转型。

当前，基于数据分析的区域创新治理已成为相关领域学者关注的热点问题。根据“认知现状-预测未来-选择方案”的决策基本步骤[4]，实现高效精准区域创新治理，需要综合感知创新发展态势，科学预测创新体系发展趋势，有效评估备选（政策）方案的预期效益、成本和风险。陈凯华等[5]研究了大数据时代创新治理面临的新情况、新机遇，提出通过转变政府治理理念与模式、完善管理工作机制、整合构建创新发展监测平台等途径，实现创新治理数字化转型。Li等[6]运用量化分析方法，探讨验证了区域创新体系及其配套政策对新兴产业发展短期和长期影响。基于结构化的指标数据（统计数据），数据包络分析（DEA）、结构方程模型、AHP-TOPSIS和量化情景分析等方法被用于评估区域创新能力和战略态势，为预见未来趋势、查找矛盾问题、优化资源配置和制定政策措施等提供决策支撑[7-10]。Aronica等[11]基于从社区创新调查计划（Community Innovation Survey）中获取的意大利科技创新数据，运用知识生产函数（Knowledge Production Functions）从微观视角评估区域创新态势，并比较分析不同区域企业知识投入-产出效率存在的差异。张司飞等[12]依据创新系统共生体理论，运用模糊集定性比较分析方法，对31个省级行政区案例开展区域创新发展路径的实证研究。Lin等[13]着眼技术创新阶段和技术商业化阶段，以不同等級专利数量为主要测度指标，运用两阶段基于松弛测量的动态网络数据包络分析模型（SBM-DNDEA）评估中国区域创新体系运行绩效。Park等[14]同样使用专利数据，运用关联规则挖掘、网络分析等方法，从产业视角对比评估区域和全国范围内的创新能力水平，从而识别区域特色优势（创新型）产业，为区域研发规划决策提供支撑。Yang等[15]运用两阶段数据包络分析法测度了区域创新效率，以此为基础，评估金融科技应用对科技创新各阶段效率的影响，从而为区域发展政策制定提供支撑。杨岩等[16]探索了区域创新可视化系统开发实践。此外，随着社会分工和学科门类日益精细化发展，科技创新步入“大协同”时代，涵盖多地域、多主体分工协作，人才、设备、技术、资本等多类创新资源大范围流动、高效率配置的区域协同创新愈发受到本领域学者的重视。合著论文数、合作申请专利数被一些学者视为区域协同创新能力的测度指标[17-19]，另一些学者认为区域协同创新绩效（态势）评估体系应包含创新环境、创新能力和创新成果3个维度的指标[20]。基于上述评估模型，研究人员运用统计数据和计量模型讨论了地理邻近性、认知（文化）邻近性、制度邻近性、经济邻近性以及科技人才集聚、产业人才集聚等相关因素对区域协同创新绩效（态势）的影响机理。

已有研究推动了区域创新治理的理论实践研究进展，但仍然存在不足。一是，创新治理数字化转型大多还处于理论层面，实现平台应用、政策落地等仍需加速推进;二是，单纯依赖结构化数据难以全面感知区域创新复杂系统态势、回应决策者各类关切问题、形成“人在回路”的实时感知、及时处理工作机制;三是，现有可视化系统功能相对单一，数据分析模型不足，决策支撑能力有限。针对上述问题，需要运用数据管理与分析技术，将文本数据、多媒体数据、专家干预数据等非结构化数据和现有结构化数据有机融合，构建集成多源数据管理、分析与可视化（人机交互）功能的区域创新发展态势评估系统，兼顾区域创新态势快速感知和背后影响机理深度分析，形成“多源数据-模型算法-软件系统—情报转化”一体化决策支撑能力。基于此，本文在已有研究基础上，梳理区域创新发展态势评估系统应用需求，提出“数据采集-数据管理-数据分析-数据可视化”系统功能架构及其包含的主要评估模型方法，展示系统开发基本架构设计和应用实例，对推动数据驱动的区域创新治理开展初步探讨。

1 区域创新发展态势评估系统应用需求

区域创新发展态势主要评估对象包括发展水平和创新能力。前者是目标区域当前科学技术、产业、社会、生态发展整体水平的集中体现，后者是指目标区域在一定发展环境和条件下，从事科学发展、技术发明并将创新成果商业化和获取经济回报的能力，包括实力和潜力[21]。针对评估对象特征，设计开发区域创新发展态势评估系统的目标可定义为通过有效组织和管理反映创新发展水平和创新能力的各类数据的，运用数据管理、分析和可视化交互手段，高效分析区域创新建设成效，清晰反映区域创新建设存在的问题，深入揭示区域创新与经济社会发展的互动规律;从而支撑政府相关管理部门全面、直观、实时、精准地掌握区域创新发展脉络，准确获得不同市场主体的创新需求，提升问题研判能力，提高创新服务水平，增强创新治理宏观决策能力。因此，区域创新发展态势评估系统需求包括：从不同源头、通过不同路径持续收集（更新）区域创新发展相关异构数据;实现各类数据有效管理、统计分析和可视化展示;结合相关领域先验知识和专家经验，迭代生成能够支撑决策的情报信息。572BD1D9-CF2D-4DE5-9C2A-EEF9CB69BCE3

1.1 区域创新多源基础数据管理

针对地方政府宏观调控和创新治理中所急需解决的信息盲点，整合处理区域创新数据。通过纵向采集高校、科研机构、高新技术企业、中介组织等各类创新主体开展创新活动产生的数据，横向接入经济、科技、工业、教育、财政、税务等领域主管部门的公共数据资源，建立区域创新基础信息数据库，实现数据采集、编目、分级、分类与归档[22]，再按照数据的不同属性与业务用途进行提取融合，形成一系列结构清晰的标准化模板，便于数据的再利用，从而发挥数据综合服务和应用效能。

1.2 区域创新数据分析与可视化展示

针对区域创新发展情报信息需求，匹配相应数据资源，结合问题背景和先验知识建立区域创新发展态势评估指标体系等分析框架，设计和筛选统计分析、因果分析、知识发现、趋势预测等基础功能模块，整合形成一揽子数据分析工具;依托地理信息系统技术，以专题地图、统计图表等多种表现方式，可视化展现指标数据，如多维立体化展示创新主体和创新成果空间分布和历史演变等，综合展示区域创新发展态势指数、发掘数据指标关联特征、创新发展趋势预测结果等要素，为全维实时监测识别区域创新态势提供平台支撑。

1.3 区域创新治理决策支撑

根据制定区域创新发展战略规划和政策、完善重点实验室等创新资源的区域布局等重大战略制定，破解区域创新发展不平衡问题、打造区域产业集群等实际需求，依托区域创新发展态势评估系统，结合多源基础数据、模型算法、软件工具和专家经验，针对决策者关注问题开展各类专题分析实证研究，为管理部门创新治理重大决策提供知识支持服务，探索区域创新治理智能决策新模式。

2 系统功能架构

区域创新发展态势评估系统的核心是打通数据感知、分析、决策和执行环节，形成“数据→信息→知识→决策”链路，实现数据驱动创新治理。具体而言，首先将多源区域创新数据汇集融合，然后加工为信息，提炼出体系化知识，最后将知识关联到核心决策层，形成一系列的创新政策和行动，实施创新治理。因此，设计基于“数据采集-数据管理-数据分析-数据可视化”工作流程的区域创新发展态势评估系统功能架构，如图1所示。其中：数据采集是掌握元问题和态势全貌的信息基础;数据管理是联通数据、模型、情报和知识的纽带;数据分析是形成决策和行动的直接支撑;数据可视化是实现决策主体与数据模型有机融合的重要保障。

2.1 系统基础功能

为确保区域创新发展态势评估系统快速便捷分布式部署和安全稳定运行，并能够根据决策支撑需求变化敏捷嵌入和升级相应功能模块，在软件开发和运维中需要满足以下基础功能：封装适应性。系统安装文件需要封装软件运行可能调用的各类插件，并开发兼容各类操作系统的版本，确保系统软件能在各类终端实现功能模块重组和快速安装部署;安全鲁棒性。需要确保软件使用时，不因功能模块错误产生错误输出，不因用户操作失误和输入异常导致系统崩溃，建立有效防范网络恶意代码攻击造成严重系统损害;动态扩展性。实现系统软件各功能模块之间的松耦合和数据传输标准化，支撑研发人员对已有模块的快速升级和指标库、模型库的调整更新。

2.2 数据采集功能

数据采集是通过设计友好完备的数据录入界面和多样化数据采集工具，从不同数据源高效、实时采集态势评估所需基础数据。支持创新主体特征、态势评估指标值等个性化数据在系统中直接录入，各类统计年鉴等结构化数据批量导入，从网络开源数据库中有效采集政策文本、学术论文、专利文件、新闻动态等半结构化、非结构化数据，通过API接口从其他系统中导入不同存储结构数据。

2.3 数据管理功能

数据管理是通过对采集原始数据的“去粗取精、去伪存真”，为评估框架和模型算法提供适用的输入数据。支持人机交互方式编辑调整模型参数和基础数据，具体包括以下功能：数据清洗。删除不完备、不准确、不相关的数据噪声;数据规约与校验。设计统一的数据结构和存储标准，查找清洗后仍存在的数据缺失和异常，平衡数据规模和硬件资源可能存在的矛盾;数据分类和整合。根据数据特征和分析需求进行模块化分类，建立关联数据表的有效链接，实现快速可靠地查询、编辑、抽取调用和统计。

2.4 数据分析功能

数据分析是根据决策需求，确定评估框架，从指标库和模型库中调用合适的评估指标和评估模型，对指标数据开展以下分析：指标测度。根据基础数据，计算底层指标评估数值;态势评估。运用数据融合模型算法，计算表征区域创新发展态势主要方面的定量、定序、分级高级评估指标数值;因果推断。基于评估指标面板、截面数据和基于先验知识的逻辑推理结果，运用选取的因果推断模型，识别测度影响态势演化的主要因素及其作用机理与强度;趋势预测。基于已有因果关系分析结果和影响因素历史数据，结合量化预测模型和定性推测方法，估算目标时域内态势演化在不同假定场景下的发展趋势;反事实分析。基于从已实施政策文本中提取的干预措施及其因果关系分析结果，估算假设改变相应干预措施（或调整实施强度）对当前态势评估结果的影响。

2.5 数据可视化功能

數据可视化是通过设计可灵活组合的模块化展示界面，运用数据可视化技术，集成动态统计图表和空间地图等多类数据可视化方式，为用户提供多维立体的区域创新发展态势感知;通过功能完备的人机交互接口，支撑各利益相关方基于数据分析结果开展研讨和干预调整，从而有效整合相关领域专家经验，从数据判别、模型参数和假定场景等方面优化重大决策。

3 主要评估模型

3.1 区域创新态势的评估指标体系模型

已有研究说明了区域创新评估需要多层级、多维度的指标体系，借鉴《中国区域创新能力评价报告》构建的包括知识创造能力、知识获取能力、企业创新能力、创新环境以及创新绩效5类指标的区域创新态势评价框架，将每一类指标都分解为实力、效率和潜力3种维度，按照科学性、导向性、系统性、可操作性和可比性原则，建立包含5个一级指标和45个二级指标的区域创新能力综合评价体系，指标体系框架，如图2所示。其中：实力维度主要关注待评估区域拥有的创新资源量;效率维度主要关注待评估区域创新投入和产出活动的强度或密集度;潜力维度主要关注待评估区域是与上个评价年度相比的增长速度[23]。572BD1D9-CF2D-4DE5-9C2A-EEF9CB69BCE3

3.2 基于灰色系统理论的综合評估模型

着眼聚合区域创新发展评估指标数据，针对指标涉及多领域多层级、数据获取数据难度大、有效数据存在不确定性和不完备性等特点，应用灰色系统理论设计综合评估算法，选取“靶心度”作为测量与理想状态距离，即优先度排序标准，具体流程如下：

步骤1：将指标无量纲化，综合评价有n个评价对象和m个指标，因此构造评价矩阵A=（aij）n×m。

步骤2：明确评价指标的优先序取向，计算各评价指标数据的理想值，确定理想模式a0={a0j|j=1，2，…，m）}。对于评价对象ai={aij|j=1，2，…，m}，i=1，2，…，n，若指标j为单增取向，则a0j=max1≤i≤naij;若指标j为单减取向，则a0j=min1≤i≤naij;若指标j为适中取向，则a0j=avg1≤i≤naij。

步骤3：比较现有每个样本的指标值和标准模式中的指标值，计算靶心系数λij。分辨系数ρ∈[0，1]，在此ρ取0.5，其中，

λij=min1≤s≤nmin1≤k≤ma0k-ask+ρmax1≤s≤nmax1≤k≤ma0k-aska0j-aij+ρmax1≤s≤nmax1≤k≤ma0k-ask。

步骤4：根据指标权重ωj，计算靶心度ri，根据靶心度λij（越大越好）排列评估对象优先序，其中，ri=∑mj=1ωjλij。

3.3 基于灰色系统理论的发展趋势预测算法

着眼灰色预测模型输入数据样本需求量小、算法相对简单等特点，以靶心度为区域创新发展态势指标，设计未来发展趋势预测算法，具体流程如下：

步骤1：数据校验。根据6个样本点的靶心度序列r（0）=（r（0）（1），r（0）（2），…，r（0）（6）），计算校验指标b（k）=r（0）（k-1）r（0）（k），k=2，3，…，6。若满足b（k）∈（e-27，e27），则运用灰色预测模型G（1，1）开展计算。

步骤3：误差检验。选取相对误差值δ（k）和级比偏差值q（k）作为模型预测效果检验指标，其中：

若δ（k）<0.2且q（k）<0.2，则认为预测模型通过误差检验。

3.4 基于双重差分模型的区域创新政策影响评估方法

因果推断的研究为政策效应的衡量提供了有效工具，可以通过自然实验或通过观测数据来构造实验条件，研究在测度政策影响下政策作用对象的前后变化。常用的分析方法有匹配法、工具变量、双重差分、断点回归等方法。双重差分方法相较于其他方法而言，能够通过差分解决不随时间变化的遗漏变量问题，广泛应用于公共政策评价领域。双重差分应用于面板数据和重复截面数据，方法成熟、实现简便，使用双重差分模型，需要满足以下假设条件：一是共同趋势假设，干预组个体如果没有接受干预，其结果的变动趋势将与控制组的变动趋势相同;二是共同区间假设，要求总体中存在两组个体，要求有干预组个体必须也有控制组个体;三是外生性假设，协变量不受政策干预的影响;四是SUVTA假设，政策干预只影响干预组，不会对控制组产生交互影响，或政策干预不会有溢出效应。

在完成上述假设检验后，使用变量Y1it和Y0it表示实验对象在是否实施干预措施、在各个时间节点上的指标观测结果，以干预组的平均因果效应（ATT）作为政策效果的定量度量指标，则协变量为Xit政策效果φATT可以表示为

4 系统设计与应用实例

根据上述系统需求、功能架构和数据分析方法，设计开发以数据库、模型库、专家库和案例库为基础，以数据流、指控流和情报信息流为纽带，以“数据—信息—决策”为集成链条的区域创新发展态势评估系统，并通过实际应用案例展示系统功能。

4.1 系统设计

基于图1的功能架构，从数据层、信息层和决策层分别介绍系统设计思路，各功能模块耦合交互架构，如图3所示。

数据层主要包含数据库以及数据获取、数据预处理和数据集约整合3类功能模块。基于区域创新管理决策需求，选取调用数据获取模块中的程序包，从多类外部数据源中集中或分散地收集结构化的统计指标数据，半结构化的创新成果、政策法规、重大事件等文本/图片数据，非结构化的舆情数据等。选用数据预处理模块的相关程序，对不同数据进行清洗校验，分类存储到SQL Server等标准化数据库。根据回应决策问题需要，在数据集约整合模块中，检索、筛选和再次校验相关类别的基础数据，该模块支撑新型数据项属性的个性化订制、人工编辑数据值等功能。

信息层主要包含模型库和数据分析模块，根据回应决策问题需要和集约整合数据特性，从包含指标测度、态势评估、因果推断、趋势预测、反事实分析等要素的模型库中组合选用适用有效的数据分析解决方案。数据分析模块支持符合特定规则的外部模型算法“即插即用”，计算结果既可作为过程文件，也可扩展存储到基础数据库。

决策层主要包含专家库、案例库和数据可视化模块。数据可视化模块输入数据，既包括区域创新整体态势、未来演化趋势和政策影响评估等数据分析结果，也包括统计指标、政策法规、重大事件等基础数据，运用统计图表、热力地图、重大事件时间轴以及核心指标监控动画等工具，全面直观展示区域创新情况空间分布、时间演化等整体态势。针对需要集中研讨的重大决策问题，根据任务需要从专家库中选取结构合理、专业对口、信誉较好的领域专家组，通过人机交互界面，校验数据分析过程，基于数据可视化结果开展研讨，迭代形成能够直接支撑决策的分析结论（情报信息）。数据分析结果、专家意见和综合评估报告等决策过程数据在标准化后可被完整保存到案例库，被数据可视化模块直接调用，作为后续类似决策问题的重要参考。

4.2 应用实例

根据前述功能设计框架，可开发包含数据管理、指标管理、区域管理、数据分析、数据可视化展示和系统管理等模块的区域创新发展态势评估系统，界面布局，如图4所示。在数据管理模块，用户可从外部文件中批量导入包含4.1节所述评估指标体系涵盖的政府研发投入、（地区）发明专利授权数量、高水平论文发表数量、各层级科技研发人员数量以及高技术产业年度生产总值等结构化统计数据。（31个省区市2018年的部分评估指标数据样例：如表1所示。利用网络爬虫从地方政府部门官网、新闻咨询中定期动态获取的区域创新发展政策法规、重大事件半结构化文本数据，数据清洗后可提取出政策法规名称、发布时间、发布单位、文件效力和内容概述等数据项。572BD1D9-CF2D-4DE5-9C2A-EEF9CB69BCE3

基于图4（b）中所示的区域创新发展相关政策法规（重大事件），能够对各领域、各层级的政策法规体系演化（重大事件脉络）进行分类梳理和可视化展示。例如，系统能够从发文主体、发文时间、发文层级（国家级、部门级、地区级）、相关程度和约束范围等属性项对录入数据进行组合查询和归类统计;引入相关领域专家经验，能够基于文本内容横向对比不同区域政策法规建设情况，并纵向分析不同发展阶段重要政策法规出台背景和作用机理，为后续政策法规体系建模与结构分析、重大政策实施效果与产生影响评估提供数据支撑。在系统中运用时间轴模块展示政策法规体系演化，也可在地图中（标点）展示不同地区的政策法规发文总量，如图5所示。

基于上述基础指标数据，用户可根据区域创新发展态势评估需求，选用4.2～4.4节所述评估模型算法进行数据分析，其结果界面可视化展示，如图6所示。由图6可知，基于现有数据和评估模型，北京市、江苏省和广东省属于区域创新发展第一梯队，浙江省、山东省等紧随其后。若选用4.4节政策影响评估方法，需要结合政策法规（重大事件）数据和相关领域专家经验，预先分析政策作用机理和（待验证）定性分析假说。此外，态势评估系统支持用户根据支撑决策需要，自定义跨省（市）区域范围，如江浙沪地区、京津冀地区、粤港澳地区、东北老工业基地地区、中部地区等，可将基础指标数据、政策法规数据、重大事件数据按其特定进行聚合，而后进行相应数据分析和可视化操作。

此外，区域创新发展态势评估系统基于B/S架构开发，采取“核心功能集中，终端应用分散”的管理模式，实现面向不同实用场景的数据、模型、案例等多类资源重用共享。系统支持用户权限分级和多次授予，经系统管理员授权，列表中的访客用户可通过局域网/互联网访问核心服务器的评估研究资源，如图7所示。在访客用户完成实证应用研究后，评估过程中积累的数据、优化改进的模型和领域专家经验等资源应在上传后被归类保存于核心服务器的底层数据库。系统管理员可根据终端访客提供的应用需求反馈和多类信息资源，不断完善区域创新发展态势评估系统。

5 结论

本文在分析推进创新治理數字化智能化转型意义和现状的基础上，分析了开展区域创新发展态势评估的现实功能需求，按照数据驱动决策的思路，基于创新数据管理、分析和可视化交互工作流程，设计了多源数据融合的区域创新发展态势评估系统，其主要功能包括数据采集、数据管理、数据分析和数据可视化等。该系统具有高度拓展性，可利用融合多源数据的统计分析技术开展区域创新发展态势评估与预测，还可针对创新治理中的重大战略和关键问题开展专题分析，并支持多样化的可视化表达，直观呈现区域创新布局以及创新态势和趋势，为政府部门科学决策提供分析支持。下一步，将继续优化系统的功能架构和模型算法，开展与国家科技战略密切相关的区域创新态势评估专题实证研究，注重区域创新发展显著矛盾问题/重大风险识别和主要影响因素作用机理分析等决策关注的核心问题，形成“数据积累—模型优化—系统完善—支撑决策”的良性循环。

参考文献：

[1]秦浩.大数据驱动的公共政策转型[J].中国党政干部论坛，2020（2）：62.

[2]王山.大数据视域下政府决策的优化及路径选择[J].现代治理化研究，2018（6）：57.

[3]陈套，尤超良.我国科技创新系统的治理与创新治理体系建设[J].科学管理研究，2015，33（4）：10.

[4]梅宏.大数据：发展现状和未来趋势[J].交通运输研究.2019，5（5）：1.

[5]陈凯华，冯泽，孙茜.创新大数据、创新治理效能和数字化转型[J].研究与发展管理，2020，32（6）：1.

[6]LI Y，WEI Y，LI Y，et al.Connecting emerging industry and regional innovation system：Linkages，effect and paradigm in China[J].Technovation，2022（111）：102388.

[7]宋李俊，朱明学，孟祥超.基于两阶段DEA的我国区域创新能力评价[J].重庆理工大学学报（自然科学），2020，34（11）：245.

[8]曲泽静，史安娜.基于结构方程模型的区域自主创新能力评价：以长三角地区为例[J].科技进步与对策，2011，28（16）：109.

[9]朱梦菲，陈守明，邵悦心.基于AHP-TOPSIS和SOM聚类的区域创新策源能力评价[J].科研管理，2020，41（2）：43.

[10]王玲玲，李芳林.我国区域创新体系建设的量化情景分析[J].科技进步与对策，2013，30（10）：45.

[11]ARONICA M，FAZIO G，PIACENTINO D.A micro-founded approach to regional innovation in Italy[J].Technological Forecasting and Social Change，2022（176）：121494.

[12]张司飞，王琦.“同归殊途”区域创新发展路径的探索性研究：基于创新系统共生体理论框架的组态分析[J].科学学研究，2021，39（2）：233.

[13]LIN T，CHIU S，YANG H.Performance evaluation for regional innovation systems development in China based on the two-stage SBM-DNDEA model[J].Socio-Economic Planning Sciences，2022（80）：101148.572BD1D9-CF2D-4DE5-9C2A-EEF9CB69BCE3

[14]PARK H，ANDERSON T R，SEO W.Regional innovation capability from a technology-orient perspective： An analysis at industry level[J].Computers in Industry，2021（129）：103441.

[15]YANG L，WANG S.Do fintech application promote regional innovation efficiency？ Empirical evidence from China [J].Socio-Economic Planning Sciences，2022.Doi：10.1016/j.seps.2022.101258

[16]张婧，何彬，彭大敏，等.区域创新能力指数体系构建、监测和评价：基于四川省21个地区的研究和实践[J].软科学，2021，35（6）：44.

[17]吳和成，赵培皓.邻近性视角下长三角协同创新绩效影响因素实证研究[J].科技管理研究，2020（7）：96.

[18]胡日东，林明裕.双重差分方法的研究动态及其在公共政策评估中的应用[J].财经智库，2018，3（3）：84.

[18]胡双钰，吴和成.邻近视角下跨区域产学协同创新的影响因素研究[J].科技管理研究，2021（11）：139.

[19]邱洪全.多维邻近性、空间关联与区域协同创新绩效[J].科技管理研究，2021（11）：93.

[20]赵青霞，夏传信，施建军.科技人才集聚、产业集聚和区域创新能力：基于京津冀、长三角、珠三角地区的实证分析[J].科技管理研究，2019（24）：54.

[21]柳卸林.2019中国区域创新发展报告[M].北京：科学出版社，2020：1.

[22]司守奎，孙玺菁.python数学实验与建模[M].北京：科学出版社，2020：268.

[23]杨岩，姚长青，董诚，等.区域科技创新可视化平台开发[J].地理空间信息，2019，17（8）：1.

[编辑：厉艳飞]

收稿日期： 2021-10-08

基金项目： 国家自然科学基金面上项目（71874200）;中国科学院学部咨询评议项目（2020-ZW03-A-013）;国家社科基金重大项目（20ZDA091）;国家社科基金项目（2020-SKJJ-C-079）。

作者简介： 顾桐菲（1987—），女，助理研究员，博士;

游翰霖（1990—），男，助理研究员，博士;

廉振宇（1985—），男，副研究员，博士，硕士生导师;

董晓阳（1992—），女，助理研究员，博士.572BD1D9-CF2D-4DE5-9C2A-EEF9CB69BCE3