大数据全面指标评价与核心指标数据评价一致性分析

朱云鹃，李　丹，李　颖

(安徽大学商学院，安徽大学创新管理研究中心，安徽　合肥　230601)



大数据全面指标评价与核心指标数据评价一致性分析

朱云鹃，李丹，李颖

(安徽大学商学院，安徽大学创新管理研究中心，安徽合肥230601)

本文以区域创新能力、企业竞争力、财务创新能力作为研究领域，运用云重心评价法分别对大数据全面指标与核心指标数据综合评价，并对其评价结果进行一致性分析，得出大数据全面指标与核心指标评价结果整体处于中低一致性状态，进而得到一些启示。

大数据；全面指标；核心指标；一致性；云重心评价法

随着移动互联网、云计算、物联网的快速发展，大数据也越来越受关注。大数据研究作为一个横跨社会科学、系统科学、信息科学、网络科学、经济学、心理学等诸多学科的新兴交叉研究领域正在逐步形成。大数据技术及其相应的基础研究是一个新的研究前沿，各界逐渐认识到，大数据是与自然资源、人力资源一样重要的战略资源，是国家层面竞争力和创新能力的重要体现，是产业升级与新产业诞生的重要推动力量。大数据的出现被认为催生了一种新的科研模式，即“第四范式”，格雷认为，要解决我们面临的某些棘手的全球性挑战，“第四范式”可能是唯一具有系统性的方法，正在改变着人们的思维方式。

当前国内外对“大数据”的研究工作主要集中在如何进行大数据存储、处理、分析以及管理的技术及软件应用上，而关于“大数据”与管理实践相结合的研究十分稀少，鲜有的少量研究主要是在综合评价方面。而解决大数据全面指标评价与核心指标评价的一致性问题，是依托“大数据”实现管理创新的关键课题之一，对提高地区和企业创新评价和管理决策水平具有重要的现实意义。

1　研究综述

从现有研究文献或研究动态来看，美国Nature[1]早在2008年就推出了《Big Data》专刊，分别从互联网技术、超级计算、网络经济学、生物医药、环境科学等方面论述了海量数据带来的机遇和挑战，其他国际顶级学术刊物也随之出版专刊来专门研究“大数据”。2011年2月，Science[2]推出专刊《Dealing with Data》，主要针对科学研究中大数据问题展开讨论，并阐述了大数据在科学研究领域中的重要性。2011年5月，麦肯锡公司举办第十一届EMC Word年度大会，大会将主题设定为“云计算相遇大数据”，并且发布题为《Big data:The next frontier for innovation,competition and productivity》[3]的研究报告,报告指出,数据已经渗透到每一个行业和业务职能领域,并逐步成为重要的生产因素,人们对海量数据的应用将预示着生产率的新一波增长[4]。2012年5月，联合国公布了题为《Clallenges and opportunities with big data》[5]的白皮书，研究分析了大数据的处理流程以及可能面临的挑战。2013年3月，维克托·迈尔-舍恩伯格和肯尼斯·克耶编写出版了引起广泛影响的《大数据时代》一书，首次总结概括了“大数据”的4V特点，大数据4V特征描述得到了普遍的认可。

中国学术界对大数据的研究更多地集中在基础研究上，即关注更多的是数据收集、存储、传输、处理等技术问题以及相应基础设施构建上，涂子沛[6]在《大数据》一书中阐述了摩尔定律、数据挖掘、云计算、普适计算和社交媒体共同促成了大量数据出现，大数据中的“大”指的是人类有能力发现数据中蕴藏的大价值；以李国杰、程学旗[7]为代表的学者对大数据进行了综述性的归纳研究与探讨，论述了大数据的研究现状与意义，以及大数据应用与研究所面临的问题与挑战，并对大数据发展战略提出了建议；有部分学者就大数据异构数据模型与存储、复杂数据智能分析、数据质量以及大数据安全性等问题进行了分析和研究[8]；还有些学者研究大数据在各个领域的应用问题,云计算已经带来了一种全新的资源使用方式[9]。

综合有关大数据的研究发现，把大数据运用到管理科学的研究还比较稀少，运用到科学评价领域更是微乎其微。早在1995年，魏江[10]等提出过“在度量一个企业的技术创新能力时”，必须要解决的问题之一是“采用全面指标来评价，还是采用核心指标来评价”；朱云鹃[11]提出了“基于共识的核心评价指标”，但也认为核心指标并不等于实际评价指标体系。尽管核心指标数据评价一直在研究领域中居于首要地位，核心指标体系并不具有普适性，这在一定程度会影响评价结果的准确性；贺俊果[12]认为“分析问题的角度不同，技术创新能力要素的分解方式也各有差异”，造成指标体系和内涵表达上的混乱，尤其是定性指标的理解具有显著的模糊性和宽泛性。因此，分析大数据全面指标与核心指标评价的一致性问题，对管理科学领域学术评价结果的准确性和科学性具有重要意义。

2　分析框架

为了研究大数据全面指标评价与核心指标数据评价是否具有一致性问题，我们以热点领域为研究对象，限于篇幅，文章选取了区域创新能力、企业竞争力和企业财务创新能力三个领域，采集一定的样本数据，通过大数据全面指标评价和核心指标评价的结果，比较得出相应的结论。

3　构建指标体系

指标是指综合反映社会现象(或某一方面情况)的绝对数、相对数或平均数。指标体系则是由一系列相互联系的指标构成的综合体系，它能根据研究的对象和目的，有效地反映出研究对象各个方面的情况[13]。

文章首先搜集国内外有关区域创新能力评价、企业竞争力评价和企业财务创新能力评价方面的研究文献，对其使用的指标进行统计。其次利用理论分析法，综合以往的文献，依据指标遴选原则形成初始评价体系；然后运用相关性分析删除该指标层内相关系数较大的评价指标，以消除评价指标所反映的信息重复对评价结果的影响，运用鉴别力分析区分评价对象的特征差异能力；由此形成全面指标评价体系。在全面指标的基础上，通过专家打分法确定反映区域创新能力、企业竞争力和企业财务创新能力的关键指标，形成核心指标评价体系，最后运用云重心评价方法分别对全面指标体系和核心指标体系进行评价比较。

4　云重心评价法概述

云理论是由李德毅教授提出的进行定性和定量之间不确定性相互转换的模型理论，它扩展了原有模糊理论中隶属函数。云重心评价法是在云理论基础上提出的，是一种综合评价方法，通过云的数字特征期望值(Ex)、熵值(En)、超熵(He)[14-16]把模糊性和随机性有机结合起来，进行定量和定性概念间的相互转换。之后通过确定云重心向量，观察云重心的变化情况，将系统状态信息呈现出来[17]。云重心评价可以很好地解决评价中的变量转换问题，为指标选取提供更多可能性，使评价结果更加科学、准确。

4.1云重心评价法的具体步骤

(1)建立指标体系。设指标体系为C:

C={C1，C2，C3，…，Cm},其中，Ci={Ci1，Ci2，Ci3，…，Cin}[19](i=1,2，…,m)，这里Cij表示第i个一级指标中的第j(j=1,2,…,n)个二级指标。依次类推，建立多个层次的指标体系。

(2)确定指标权重。确定权重的方法有很多种，包括主观赋权法和客观赋权法。其中主观赋权法指根据经验判断做出的选择，如层次分析法、德尔菲法等；客观赋权法是指权重的确定不受主观因素的影响，而是通过对实际数据的分析来获得权重值。本文选用熵值法[18]来确定各指标权重。

(3)评语集的云模型表示。规定评语集所对应的数域为[0，1]，评语集中每个评语对应数域内一个变化区间，假定评语集V={极差，很差，较差，差，一般，好，较好，很好，极好 }，表1为各个评语对应的指标变化区间。这样，就把具体的数值转换成评语值。

表1　各评语值对应的指标变化区间

注：Dmin表示区间的最小值，Dmax表示区间的最大值。

(4)定性指标的云模型表示。设每个评价指标有t个评价对象，则某一个指标就获得t个评语。

首先根据式(1)求出评价集中每个元素的期望值Exk和熵值Enk。其中k=1,2，…,9，如表2所示。

Exk=(Dmin+Dmax)/2；Enk=(Dmax-Dmin)/6

(1)

按照式(2)、式(3)求得每个指标对应t个评语的云模型表示Ex=Exσ(1)Enσ(1)+Exσ(2)Enσ(2)+L+Exσ(t)Enσ(t)

(2)

En=Enσ(1)+Enσ(2)+LEnσ(t)

(3)

表2　评语集的云模型特征值

其中，Exσ(b)、Enσ(b)(b=1,2，…,t)表示第b个评价对象的期望值和熵值。

由此，有n个指标的系统可以用一个n维综合云表示。

i=1,2,…,n

(4)

经过归一化之后，表示系统状态的总和云重心向量均为无量纲、有方向、有大小的值。把归一化后的云重心向量MT乘以权重值W，然后再相加，得到加权偏离度θ

(5)

其中，Wi为第i个单项指标的权重值。

(6)用云模型实现测评。利用云模型计算出每个评语值的加权偏离度，构成一个测评云发生器。通过最后计算出某个区域创新能力、企业竞争力和企业财务创新能力的加权偏离度θ，就可准确定位该区域创新能力、企业竞争力和企业财务创新能力的评语(见图1)。

图1　云发生器

基于“厚古薄今”的思想，本文首先采用“时间贴现因子法”对原始数据进行处理，得到综合值；其次对综合值进行规范化处理，转化成[0,1]的数据；进一步按照云重心评价法的步骤分别对全面指标和核心指标进行评价；最后将评价结果进行统计分析其一致性。

5　数据来源

通过查阅中国统计年鉴等资料，搜集能反映区域创新能力、企业竞争力和企业财务创新能力的数据资料。

区域创新能力评价选取了全国30个省(直辖市/自治区)2004—2012年上述33个全面指标数据和10个核心指标数据，并把全国30个省分成东北、沿海、黄河中游、长江中游、西南和西北六个地区分别评价。企业竞争力评价选取了沪深股市主板和中小板市场符合通讯行业标准同时被认定为高新企业的28家上市公司2012—2014年33个全面指标数据和14个核心指标数据，分别对28家上市公司的企业竞争力进行评价。财务创新能力获取安徽省不同行业17家具有代表性的中小板上市企业2010—2014年27个全面指标数据和12个核心指标数据，分别对安徽省不同行业的17家上市公司的财务创新能力进行评价。

6　评价结果和启示

6.1区域创新能力、企业竞争力、财务创新能力的云评价结果汇总

限于篇幅，文章在此直接给出研究结果，云计算过程不再论述。通过spss19.0，对大数据全面指标与核心指标数据云评价结果数据进行描述性统计分析后，可汇总出表3、4、5。表格中，0表示大数据与核心指标数据评价不一致，1表示大数据与核心指标数据评价一致；每个评价对象的一致性程度我们采用评价一致的指标个数与评价指标总个数的比例来确定。

表3　区域创新能力云评价结果一致性汇总

表4　企业竞争力的云评价结果一致性汇总

表5　企业财务创新能力云评价结果一致性汇总

6.2区域创新能力、企业竞争力、财务创新能力的综合一致性结果

按照统计学中的四分位法，我们把各个研究领域的一致性程度划分为四个等级，分别为高一致性(75%～100%)、中高一致性(50%～74%)、中低一致性(26%～49%)、低一致性(0～25%)。

根据式(6)可以得到，区域创新能力的综合一致性程度k1=58%，表现为中高一致性，接近中低一致性；企业竞争力的综合一致性程度k2=49%，表现为中低一致性；企业财务创新能力的综合一致性程度k3= 53%，表现为中高一致性，接近中低一致性；同理，综合区域创新能力、企业竞争力和企业财务创新能力一致性评价结果可得到，大数据全面指标与核心指标数据评价结果的一致性程度为51%，接近中低一致性。

(6)

其中，k表示评价领域的综合一致性程度；λ表示每个评价对象的一致性程度；j(j=1,2,…,n)表示各个评价领域的评价对象。

7　主要结论和启示

第一，通过表3各评价对象的一致性程度看出，东北、沿海全面指标评价与核心指标评价一致性较差；黄河中游、长江中游全面指标评价与核心指标评价一致性较好。由此可以得到：地区经济越发达，全面指标评价结果与核心指标评价结果差异较为明显，核心指标体系下的评价结果不能全面反映实际情况。这说明对于发展较好的地区来说，较强的创新能力不仅仅是由几个核心指标所决定的，而是受许多不同因素的影响。因此，评价结果较好的地区要想进一步提升创新能力，除应继续加强核心指标建设外，还应该注重全面协调发展，才能保持竞争优势。

第二，通过表4各评价对象的一致性程度可以看出，在28家上市公司中，有21家企业的一致性比率都处于37.5%～62.5%之间，只有信威集团、波导股份、中兴通讯和合众思壮的一致性比率较差(小于37.5%)，东方通信、奥维通信和盛路通信的一致性比率较好(大于62.5%)；但代表企业竞争力的28家上市公司的综合一致性评价结果为49%<50%，已经表现出中低一致性，可见在通讯业企业竞争能力的评价中大数据与核心指标数据的评价结果差异化程度较高。由此可以得到：在通讯业企业中，企业竞争能力并不仅仅由核心指标所决定，而是受许多潜在因素的影响。因此，要想提高企业竞争力，必须注重全面协调发展，才能保持竞争优势。例如，充分开发人力资源；加大研发投入力度；努力实现市场与企业业务的多重优化等。

第三，通过表5各评价对象的一致性程度看出，在17家中小板上市企业中，有13家企业的一致性比率都处于40%～80%之间，也有部分企业的全面指标评价和核心指标评价相差较大，比如东华科技、顺荣股份和美亚光电全面指标评价结果与核心指标评价结果一致性比率较低(仅为20%)，表现为低一致性；泰尔重工全面指标评价结果与核心指标评价结果完全一致，表现为高一致性；代表企业财务创新能力的17家上市企业综合一致性为51%，接近中低一致性。由此可以看出，企业的财务创新能力并不仅仅由核心指标所决定，企业财务创新能力的培育是一项复杂的、综合性的活动，企业财务创新能力包括企业财务创新保障能力等多方面的内容，因此要注意加强企业财务创新能力各方面的建设实现企业财务创新保障、实现、投入与产出能力等各方面的协调联动建设。

[1]GOLDSTON D.Big data:data wrangling[J/OL].Nature,2008,455:15.[2013-07-24].http://www.nature.com/nature/index.html.

[2]REICHMAN O J，JONES M B，SCHILDHAUER M P.Challenges and opportunities of open data in ecology[J/OL].Science,2011,311(6018):703-705.[2013-07-23].http://www.sciencemag.org/.

[3]MANYIKA J，CHUI M，BUGHIN J,et al.Big data:the next frontier for innovation,competition,and productivity[R/OL].Las Vegas:The Mckinsey Global Institute.[2013-07-24].http://www.mckinsey.com/insights/business_technology/big_data_the_next_frontier_for_innovation.

[4]刘智慧,张泉灵.大数据技术研究综述[J].浙江大学学报(工学版),2014(06):958-972.

[5]Leading researchers across the United States.Challenges and opportunities with big data[R/OL].New York:United Nations.[2013-07-24].http://www.cra.org/ccc/files/docs/init/bigdatawhitepaper.pdf.

[6]徐子沛.大数据:正在到来的数据革命[M].桂林:广西师范大学出版社,2012.

[7]李国杰,程学旗.大数据研究:未来科技及经济社会发展的重大战略领域-大数据的研究现状与科学思考[J].中国科学院院刊,2012,27(06):647-657.

[8]冯登国,张敏,李昊.大数据安全与隐私保护[J].计算机学报,2014(01):246-258.

[9]张亚明,刘海鸥.协同创新驱动的云计算服务模式与战略[J].中国科技论坛,2013(10):105-111.

[10]魏江,郭斌,许庆瑞.企业技术能力与技术创新能力的评价指标体系[J].北京:中国高新技术企业评价,1995,(05):32-38.

[11]朱云鹃.共识性创新型企业核心评价指标统计分析[J].经济管理,2009(03):159-162.

[12]贺俊果,赵国浩.企业技术创新能力评价及应用研究[J].山西财经大学学报,2007,29(09):64-67.

[13]张瑜,戈悦迎.大数据是决定智慧城市建设成败的关键—专访中国工程院院士、中国科学院计算所研究员 倪光南[J].中国信息界,2013(07):19-21.

[14]缪胜光,陈国宏.产业集群企业技术创新能力研究-基于云理论[J].技术经济,2011(05):1-5

[15]苗鑫,西宝.基于云理论的路网可靠性评估方法[J].公路交通与科技,2008(08):132-141.

[16]路峰,吴慧中.基于云模型的信任评估研究[J].中国工程科学,2008(10):84-89.

[17]李德毅,孟海军,史雪梅.隶属云和隶属云发生器[J].计算机研究与发展,1995(06):15-20.

[18]邹华.基于熵值法的我国区域创新能力评价研究[J].科技管理研究.2013(23):56-61.

(责任编辑刘传忠)

Analysis on the Consistency of Evaluation Between Big Data Comprehensive Index and Core Index Data

Zhu Yunjuan，Li Dan，Li Ying

(School of Business of Anhui University,Research Center for Innovation Management of Anhui University,Hefei 230601,China)

This paper makes a comprehensive evaluation on the comprehensive index of big data and core index data by using MCGC,and analyses whether the results are consistent.It is concluded that the overall index of big data and the evaluation results of the core indicators are in a weak state of consistency.And then it gets some inspiration.

Big data；Comprehensive index；Core index；Consistency；MCGC

2015年安徽省软科学研究项目“大数据与核心指标数据评价一致性研究”(Y06071836)。

C34

A