一、数据包络分析（DEA）
数据包络分析（DEA）根据高校在科技创新活动中实际的投入与产出数据建立一定形式的线性规划模型，据此估计有效生产前沿面（转换前沿面），然后通过判断各决策单元是否位于该前沿面来比较其相对效率指数。这种效率评价方法最主要的优点在于不需要考虑生产前沿的具体函数形式和对投入-产出的数据的随机性进行假设。可直接处理具有多投入多产出且量纲不同的数据，模型也会因具体研究问题而进行其他形式的扩展。但最大的缺点是忽略了随机因素对于产出的影响，降低了测量结果的准确性，不过目前学者为解决此问题对DEA模型进行改良，从真正意义上第一个DEA模型—CCR模型提出以来，学术界围绕着DEA的方法、理论、应用等方面一直进行研究和探索，DEA方法现已广泛应用于评价企业、银行、医院、高校等组织的效率评价研究中。
二、随机前沿分析（SFA）
随机前沿分析（SFA）是通过构造生产函数来获得生产前沿面，然后通过测算某一投入水平下实际产出和前沿产出之间的比值来测算效率的。SFA最主要的优势在于可以对区分随机扰动项，将随机扰动项分解为技术损失误差项（可控）和随机误差项（不可控），从而保证了被测量的效率准确性。另外它虽然可以用来评估决策单元的绝对效率，但是SFA需要确切的生产函数形式，如果选错生产函数，结果可能会和实际情况出现极大偏差。同时对投入产出的数据要求也高，在处理多投入多产的生产活动时需要将多产出合并成一个综合产出或利用距离函数解决，所以学者绝大多数采用SFA测度单一产出的样本效率。 |