为了更好地促进协同创新主体之间的合作，促进协同创新系统绩效的增长，可采取如下策略：

1. 大学坚守人才培养根本使命，继续加强基础研究及输出

大学从诞生之日起，“育人为本”就是其基本使命，无论社会政治经济环境如何变迁，大学的职能如何逐步扩展到科学研究、社会服务等，大学的根本任务还是培养高素质的专业人才。大学应当在社会复杂的多元需求中，始终坚持高等教育的本质是以人才培养为本，通过不断创新教育理念、教育模式来提高教育水平，从而引领和推动人类社会的进步。在我国建设世界一流研究型大学的进程中，很多学校对科学研究的重视程度进一步提升，然而，在各级各类的学校排名、学科评估中，出现了一些片面地重科研、重资源的功利性倾向。在进行科技协同创新的合作中，大学要始终明确，对创新最重要的贡献是能够培养高水平的创新人才。创新型人才培养需要教学和科研协同发展。大学产生的背景是工业技术革命以来，人们需要借助专业的科学知识以应对日益发展的技术问题，出于对专业知识的自由的、好奇的、精深的探索而研究学问，德国经典大学观的代表人物费希特提出，大学的学术任务是“对世界的进一步创造”，创办柏林大学的洪堡认为，“大学应视科学为尚未完全解答的问题，因而始终处于探索之中，大学应为科学是重。”这种观点的根本用意在于通过科学研究的探究来培养高水平人才，大学是个需要随时更新知识的场所，如果不参与知识的生产和传播，大学就无法培养能够引领学术发展的专业人才。

在科学政策中运用最广泛的是基础研究和应用研究的概念，人们对科学研究的分类研究，其真正意义在于保护以基础研究为代表的学术研究，因为基础研究是其他重要应用研究和技术创新的源头。在科学系统日益复杂的今天，科学与技术的连接更加紧密，基础研究和应用研究间的区别和边界日益弱化，人们已经意识到基础研究大多来源于社会需求并用于满足社会的需求，托克斯提出的巴斯德象限，从认识目标和应用目标上，提出了应用引起的基础研究。大学在基础研究领域的重要地位，是其参与协同创新的核心资源和能力。大学应当继续保持并加强从事基础研究的比重，我国和世界科技、经济领先的美国相比，在基础研究的投入方面还有较大的差距，通过对大学基础研究投入的增加，能够在协同创新全局中促进创新绩效的提升。大学从事基础研究，一方面，维持了自身发展的根本利益，一方面，大学向其他创新主体输出研究支持对整个创新系统的意义更加重大。国家要通过建立完善的知识产权制度，鼓励和促进大学形成的成果能够畅通地向外部输出，同时，大学也应当积极鼓励教师、学生以灵活的方式将科技成果进行转化，这对于促进整个国家的科技创新效用具有重要的拉动作用。

2. 科研院所加强应用研究及输出

科研院所向企业提供的应用研究支持较大地促进了企业的创新，但对大学的应用研究输出在提升整体创新绩效过程中效用较小。一方面，大学是目前世界上保留时间最长的组织，其自身具有一定的保守性和稳固性；另一方面，大学自身除了进行基础理论研究外，也开展大量的应用研究，并且应用研究的水平和公共科研机构的研究水平难以产生绝对的互补关系。

长期以来，我国科研院所的多模式管理体制使得科研院所在国家科技创新体系中的定位不够明确，中国的科研院所（即研究与开发机构）承担了38.9%的基础研究，相比之下，美国的公共科研机构仅承担了15.4%的基础研究，这意味着在某些基础研究领域，中国的科研院所和大学产生了竞争。同时，直接进行面向市场的科研开发、成果转化等的科研机构在某些领域又和企业产生了同质性竞争。科研院所的研究方向应当定位于体现国家意志，服务于国家需要，主要从事周期长、投资大、风险大等市场资本不易进入领域的科研项目，科研院所也可以是为完成某一特定目标而设立的大型公益性机构。在协同创新系统中，科研院所也应当积极将科研成果进行转化，其向企业提供的应用研究支持有利于从总体上提升国家科技创新体系的绩效。

3. 调整企业科研资金投入方式

对中美两国R&D经费来源做进一步分析，2011年中国大学的R&D经费主要来源于政府（58.8%），其次来源于企业（35.3%），而美国大学的R&D经费来源中，有61.3%来自政府，19.8%来自大学自身投入，仅有5.02%来自企业投入，另有13.8%来源于其他组织。中国大学对企业资金的依赖程度高于美国大学对企业资金的依赖程度，而事实上，企业资金支持力度的提升并没有更大程度地提升大学的研究水平。因此，为了既能发挥好企业提供资本的效用，又能促进大学和公共科研院所研究水平的提升，可将现有企业契约、合同等形式的科研项目经费，转换为由企业向大学或科研院所捐助资金，由大学或科研院所自行决定资金使用的范围和领域，用于发展大学应当加大科研投入的研究领域，从而实现研究水平的提升，这可能不能满足企业某一个具体的技术需求，但会对整个国家创新系统的创新效果产生全局性的影响。

4. 采用适合创新主体组织特性的评价方式

人是社会结构中构成组织的基本要素，也是创新的基本单元，创新的本质是人才的创新。协同创新中人的数量越多，需要进行协调和控制的工作越多；人的专业性越强，在管理方面对管理水平提出的要求越高。具有较高专业性的人在探索、发现、生产知识的过程中具有较高的自主权，但他们同时希望能够与组织内的其他人充分地分享知识。协同创新强调整合、共享和协作，因此，相应的绩效评估应采取如下基本原则：（1）导向性原则。根据参与创新主体的性质，对大学可制定更看重长效机制的评估体系，以保护对大学创新原动力和教育水平的创新效果，但同时也要兼顾对国家创新系统的影响，评价周期不宜过长；科研院所可制定相对注重短期评价的评估体系，以保证国家科学研究的水平和效果以及对企业的促进作用。（2）竞争性原则。创新随时面临着刻不容缓的激烈竞争，协同创新的绩效评估应同时兼顾外部竞争和内部竞争。从外部竞争角度看，应充分考虑科研创新团队在世界和国内学术、科研领域的影响力；从内部竞争角度看，根据输入—输出的科学管理理念，应当通过资源的调整和分配来促进团队的流动性，鼓励、吸引优秀科研创新团队和团队带头人，促进形成一流的科研成果。在适当范围内，对大学和科研院所的绩效评估提升相应的压力，有利于提高创新的绩效。（3）公平性原则。公平性原则通常涉及外部公平、内部公平和个人公平三个方面。在协同创新系统中，应当兼顾国际和本土的组织，兼顾不同类型的组织，兼顾同一类组织中的不同团队，从本质上是要弱化组织的壁垒和边界，鼓励开放和流动，形成良性循环、汇聚各方知识和能力的合作。

5. 建立基于大数据的科研声誉机制(www.daowen.com)

声誉是一个组织经过长时间的积累而形成的一种社会认知，是一方基于另一方过去的经验得以建立的理性和感性的认识。声誉带来的信任是合作的助推器。促使竞争合作成功的、不可或缺的构成因素包括贡献、亲密和远景。从本书关于声誉对协同创新系统创新绩效的影响可以看出，高声誉水平的科研院所、企业和大学的合作，最容易实现协同创新系统的整体绩效最优。在协同创新的过程中，大学的组织制度为合作因素的形成提供了便利：大学特有的膳宿制为学习者创造了共同生活的经历和经验，朝夕相处建立的亲密关系使得在选择合作伙伴时，能够对合作者的技术特长和性格特征等核心能力的潜在贡献作出合理预判。因校友关系而形成的社交网络，在协同创新合作中是一种宝贵的值得信任的关系。

由于声誉理论的基本模型是建立在不完全信息条件下有限重复博弈中的合作均衡，其基本假设在于合作方的信息有限性，包括对环境和合作伙伴的有限辨识能力。在协同创新系统的合作过程中，创新主体同样具有信息辨识能力有限的特征，主体所有的行动设计都需要利用有效的信息进行使用和检验，人类思维的信息处理能力是有限的，这种有限性降低了人们有效决策的可能性，也影响了个体和组织之间的学习能力。由于协同创新系统是跨组织、跨文化的机构，通过信息技术的手段建立完善的信息系统，能够为创新管理和决策提供充分的数据支持，提升管理决策的效率和正确方向，减少面对面沟通交流的时间成本，解决人类有限处理能力的核心问题。人类生活、工作与思维发生大变革的大数据为扩充和提升信息处理的能力提供了新的解决问题的思路，建立基于大数据的科研声誉机制是促成和维持合作的有力手段。

人类在社会生活中产生了大量的信息和数据，通过计算机智能信息处理、海量数据挖掘等技术，对这些信息和数据进行运用和分析将改变人类理解和参与社会活动的方式。其中最重要的转变表现在三个方面：一是通过分析更多的数据，甚至处理和某个特别现象相关的所有数据，不再依赖于随机采样；二是数据量的巨大，使得人们不再追求精确度，可以从更宏观的层面观测到系统的变化；三是不再关注事物之间的因果关系，而是注重事物之间的多维度关系。本书建议建立基于协同创新科研声誉机制的科研信息系统，科研信息系统中的数据在数量和性质上成为创新的助推器，通过智能化的数据处理技术对数据进行研究，能够在有效信息沟通的基础上，发现新的信息，建立信息之间的多维度关系，从而达到促进合作、加快创新速度的目的，对协同创新发挥协调、控制的作用，推动国家科研创新管理的规范化和智能化。数据研究可以辅助和指导科学家与科研项目的匹配选择，为科学家和社会公众提供合作伙伴的最优选择，为决策者和管理者提供项目承担组织或个人的最优选择以及具有反馈机制的个性化管理，通过公开的、客观的数据来代替小范围的、少数科学家共同体的决策，实现数据到价值的转换。在协同创新理念下的科研合作中，实现基于声誉机制的、促进合作的系统模型，如图6-1所示，可分为五个层次，自底至上分别是数据层、处理层、分析层、功能层和对象层。

图6-1　面向协同创新科研声誉机制的大数据模型

（1）数据层。其分为用户信息库、科研项目信息库、用户行为信息库。其中，用户信息库主要建立关于创新主体的信息，包括组织和个人的信息，用于描述科研团队或科学家的知识领域和基本信息；科研项目信息库可包括研究计划、研究方法、研究进展、研究成果、研究数据、研究报告、成果应用等信息，用于描述科研创新的过程和结果；用户行为信息库用于收集用户在系统中的行为，包括用户搜索研究领域、参加国际国内学术会议、跟踪学术研究热点、发表和引用文章或其他知识产权等。

（2）处理层。其负责处理底层的异构数据库，为分析层提供有效并可用的数据，该层具有数据清理（Data Cleaning）、数据转换（Data Conversion）、数据整合（Data Integration）、数据提取（Data Extraction）和数据维护（Data Maintenance）等功能。数据清理，即根据实现功能和使用算法的不同对底层数据删除无效或无意义的数据；数据转换，即把底层的数据使用字段切割、合并等手段为上层提供输入；数据整合，即将来自不同数据库的数据整合到一起；数据提取，即从数据库中提取有用数据以供处理；数据维护，即进行备份、权限管理等以保证底层数据库的安全性。

（3）分析层。其主要包括科研数据挖掘算法库和用户行为分析模型库。科研数据挖掘算法库，可采用SVM、Apriori、FP-tree等常用数据挖掘算法；用户行为分析模型库可采用社会网络分析模型、内容分析模型等，通过模型来分析用户的行为。

（4）功能层。其主要借用分析层中的算法和模型针对不同的用户对象提供特定的大数据功能。

（5）对象层。其主要包括科研项目承担单位、潜在的合作者、决策者和管理者三类对象。项目承担单位提供的所从事的科研项目进展的实时动态信息构成了基本的科研创新数据，协同创新的科研主体的内部交互行为进一步丰富了科研创新数据，系统可提供参与同一科研项目的不同主体共同使用的协同功能，建立有效的沟通、联络机制，从而实现组织的扁平化和知识共享。在此基础上，来自协同创新主体科研创新行为的基本数据构成了其科研声誉的基本组成，外部评价补充、丰富了创新主体的科研声誉。同时，其他潜在的科研合作者（来自科学家群体或社会公众）可参考系统提供的相关信息，用于作为甄别和遴选合作伙伴的依据。决策者和管理者可依据系统提供的数据，建立能够形成反馈的管理决策机制，建立提供规范性和个性化的沟通协调机制和监督管理机制。

利用科研创新信息系统的大数据，可以跟踪承担科研项目的组织和个人的行为，实时记录其所关注的知识领域及其研究领域和相关研究领域学术或技术热点的追踪范围、深度和时间等，根据这些信息可以更加真实地了解项目承担组织或个人所从事研究项目的状况而提供个性化的知识关联；建立项目承担组织或个人的科研声誉评估系统，辅助科学家优化与学术团队或科学共同体的交流，帮助科学家在科学共同体内以及社会公众在整个社会系统中，从科研组织或个人和科研项目两个层面选择更加合适的合作伙伴；探究科研创新规律，预测科研组织或个人未来的发展，为国家科研资助的适宜性和准确性以及管理的规范性和科学性提供更加便捷和可靠的途径。