华侨大学工商管理学院李海林教授数据科学与创新管理研究团队在国际顶级期刊Information Processing & Management（SCI/SSCI，中国科学院一区TOP，ABS3*，影响因子：8.6）上发表研究成果Enterprise Efficiency Analysis Based on Explainable Artificial Intelligence: From Predictive Algorithms to Mechanisms（基于可解释人工智能的企业效率分析：从预测算法到机制）。该成果是数据科学与创新管理研究团队在Information Sciences、Pattern Recognition、European Journal of Innovation Management、IEEE Transactions on Engineering Management、Applied Soft Computing等国际权威刊物发表数据驱动分析方法（Data-driven Analysis for studying the influence mechanism of Complex factors, DAC）系列成果后的又一重要研究进展。研究成果不仅集成了DEA、机器学习和因果推断的多阶段分析框架，还在企业创新与商业化两个不同阶段进行效率评估，最终识别得到企业效率提升改进路径中的关键变量。该成果受到福建省社会科学基金重点项目（FJ2025A033）和福建省社会科学基金项目（FJ2024BF039）的资助。

成果鉴于多阶段流程所固有的复杂性，提升企业效率一直是管理学研究领域的一项重大挑战。研究基于2009年至2023年间的29,602个企业样本数据，运用超效率数据包络分析方法，将企业效率分解为创新阶段与商业化阶段进行考察。分析结果识别出四种不同的效率聚类，其中仅有27.667%的企业在这两个阶段均实现了高绩效表现。随后，研究利用九种机器学习算法构建预测模型；结果显示，XGBoost算法表现最优，对企业效率聚类的预测准确率达到72.520%。SHAP分析揭示，企业成立年限、融资约束以及第一大股东持股比例是预测企业效率最关键的因素。此外，贝叶斯网络分析揭示了影响企业创新效率的两条关键传导路径，即：第一大股东持股比例→员工规模→企业效率；以及资产负债率→员工规模→企业效率。研究表明，单个变量的变化能够通过网络传导机制引发连锁效应，并最终对企业的整体效率产生影响。因此，政府部门与企业主体应依据实际的效率表现，采取差异化的策略，以有效推动企业效率的提升。

 图1 研究框架

《Information Processing & Management》创刊于1963年，聚焦计算机科学、信息科学、图书情报学等领域的交叉研究，涵盖商业分析、健康信息学、社会计算等方向。被中国科学院列为计算机科学领域一区TOP期刊，2024年公布的CiteScore为14.8，具有极强的学术界影响力。在英国商学院协会（ABS）期刊指南中，JBR被评为3星期刊（ABS 3），属于国际公认的高水平学术期刊。

李海林，李虎峰，施文凯，吴彥濬. Enterprise Efficiency Analysis Based on Explainable Artificial Intelligence: From Predictive Algorithms to Mechanisms. Information Processing & Management, 2026,63:104666. https://doi.org/10.1016/j.ipm.2026.104666