二、中国高校知识产权资源配置的效率分析
（一）模型选择
1. DEA模型对于高校知识产权资源配置效率分析的适用性
高校知识产权配置是多投入、多产出的复杂系统，在进行效率评价时需要考虑的因素较多，然而，涉及这方面的研究大多是通过成果转换率或者专利出售额等绝对性数值直接进行判断，也有部分应用线性权重法，这些方法存在着片面性与主观性的缺陷，所以，通过综合评价与分析，本书选择采取数据包络分析法（DEA模型）对我国高校知识产权资源配置进行效率评价。
数据包络分析方法（DATA ENVELOPMENT ANALYSIS, DEA）是运筹学、管理科学与数理经济学交叉研究的一个新领域，它是根据多项投入指标和多项产出指标，利用线性规划的方法，对具有可比性的同类型单位进行相对有效性评价的一种数量分析方法。[1]1978年由美国著名运筹学家A.Charnes和W.W.Cooper提出，在处理多指标投入和多指标产出的效率评价方面，优势较多，主要表现在：
（1）DEA模型以最优化为工具，以多指标投入和多指标产出的权系数为决策变量，避免了在采用参数方法时所需要人为确定指标权系数，评价具有内在的客观性。
（2）对于投入、产出中相互联系和相互制约的因素在模型中不需要考虑，避免了在各种统计、计量经济模型中必须考虑各个变量之间的相关性、多重共线性等问题。
（3）对于投入、产出变量的各个量纲无须标准化。
（4）可以运用Excel软件进行求解，简单方便。
（5）DEA模型不仅可以用线性规划来判断决策单元对应的点是否位于有效生产前沿面上，还能够反映出偏离的问题在哪，并且通过松弛变量的计算反映投入冗余量或者产出不足量，从而使在生产计划中寻求有效而有目的地确定减少投入指标或提高产出指标的数量成为可能。
2. DEA模型基本内容介绍
DEA的最基本模型是C2R模型，假设有n个具有可比性的决策单元（简记为DMU），每个决策单元都有m种类型的输入（表示该决策单元对“资源”的耗费）和s种类型的“输出”（表示该决策单元在消耗了“资源”之后的成效），各决策单元的输入数据和输出数据由下图给出：
图3.1 决策单元输入输出数据图
其中：
xij=DMUj对第i种输入的投入量，xij>0
yij=DMUj对第r种输出的产出量，yij>0
vi=对第i种输入的一种度量（或称权）
ui=对第r种输出的一种度量（或称权）
i=1，2，…，m; j=1，2，…，n; r=1，2，…，s
简记为
xj和yj均为已知数据，可以根据历史资料或者统计数据得到，而对于权系数v和u, 每个决策单元都有相应的效率评价指数：
对DMU0进行效率评价，总可以选择权系数v、u, 在各个DMU的效率评价指数不超过1的条件下使被决策单元的效率值最大化，这个最大值又被称之为决策单元的相对效率，于是有如下最优化模型（即C2R模型）：
通过Charnes-Cooper变换
可将上式的分式规划形式等价地转化为线性规划形式：
其对偶规划模型为
但是用上述方法求解DEA有效性十分不容易，为此，Charnes和Cooper引入了非阿基米德无穷小量“ε”（ε是一个小于任何正数且大于0的数）和松弛变量S+（与产出量有关，为产出不足量）、S-（与投入量有关，为投入冗余量），得到具有非阿基米德无穷小参数的CCR模型：
其中e^＝（1，1，…，1）T∈Em, e=（1，1，…，1）T∈Es。
根据该模型，进行求解，结果如下：
（1）当θ=1，且S+=S-=0时，此决策单元为DEA有效，即该决策单元在现有投入基础上的产出达到最优。
（2）当θ=1，但S+≠0或者S-≠0时，此决策单元为弱DEA有效，即该决策单元的部分投入在产出不变的情况下可以减少或者部分产出在投入不变的情况下可以增加。
（3）当θ≠1时，此决策单元为非DEA有效，即该决策单元相对效率低下，投入冗余或者产出不足，尚待改进。