教育部直属72所高校办学活动研究

荣耀华

1 文献综述

近年来对高校教学或科研活动的效率研究从研究对象来分主要有三类:①对科研活动效率的评价，如Johnes和Yu测算了中国109所普通高校的科研效率，从平均效率来看综合类高校高于专科类高校，东部高校高于西部高校［1］;②对教学活动效率的评价，如Johnes基于个人层面数据，运用DEA方法考察了高校经济系的教学效率并进行测算［2］;③对学校办学效率 (高校教学和科研综合效率)的评价，如袁卫等对教育部直属72所高校办学效率进行评价，发现地区经济发展水平是影响高校办学效率的重要因素［3］。

以上都是静态研究，而高校效率及全要素生产率的动态变化也是学者们关注的一个课题。姜彤彤运用 Malmquist指数分析方法对我国36所“985工程”高校2005—2010年科研活动全要素生产率及其分解情况进行测算和分析，发现我国高校科研活动生产率年均增长2.9%［4］。

高校效率研究的一个关键问题是滞后性处理。现阶段对高校产出滞后性的处理并没有一个统一权威的方法，绝大多数研究都是以一年为期进行高校效率评价。少数研究考虑了滞后效应，如陈召魁、饶伟等［5-6］，但并没有将滞后模型与原始模型效率测算结果进行比较，也就无法进一步发现滞后性是否会对于效率测算产生显著影响。

2 数据、指标和模型

2.1 数据来源和指标体系

数据来源于《教育部直属高校2005—2011年基本情况统计资料汇编》、基本科学指标数据库(Essential Science Indicators，ESI)、网大历年声誉得分和中国国家统计局官方网站。ESI数据库是针对22个基础专业领域，基于Thomson Reuters所收录的全球11000多种学术期刊的1000多万条文献记录而建立的数据库，主要包含论文数、论文被引频次、论文篇均被引频次等指标。迄今为止，ESI已成为国际范围内普遍用以评价高校和学术机构国际学术水平及影响力的重要指标数据库。

本文拟对2005—2011年高校办学效率及其全要素生产率变动情况进行动态评价分析，在结合袁卫等的指标体系基础上，依据全面性、精简性、可操作性原则，构建适用于动态评价的指标体系。投入指标包括副高及以上职称人数 (PROF)和国家及地区教育经费拨款 (FUND)，分别用以反映人力和财力方面的投入要素。产出指标包括在校学生数 (STUD)、声誉得分 (REPU)、人文社会科学科研成果得分 (SOCI)、自然科学科研成果得分 (SCIE)、科研经费 (INCO)和论文被引频次(TICI)。其中STUD和REPU作为教学方面产出，用以度量学生的数量和质量，SOCI、SCIE度量了科研成果的数量，INCO作为竞争性纵向科研经费，在一定程度上反映了科研成果的质量，而TICI为论文数与论文篇均被引频次的乘积，综合反映了科研规模以及质量，是在国际范围内衡量科研发展水平的客观指标［7］。由于时间跨度较长，为了排除通货膨胀或通货紧缩的影响，本文采用GDP平减指数对FUND和INCO两指标进行调整。

为使指标体系适用于动态分析，本文对袁卫等的投入产出指标做了以下改动:①由于各年绝大部分高校人文社科国家级获奖数为0，该项数据不具有代表性，因此本指标体系中SOCI不包括人文社科国家级获奖。②SOCI为人文社科国内论文、国外论文和专著三项加权之和，SCIE为自科国内论文、国外论文、专著、获奖和知识产权授权数五项加权之和。为使每年各项科研成果权重相同，且SOCI和SCIE指标应与投入指标有大致相似的变化趋势，本文将权重设定为2005—2011年72所高校各项科研成果总量的倒数，以适应动态效率分析的需要，具体为:

式中，A1、A2、A3分别为人文社科国内论文占比、国外论文占比、专著占比;B1、B2、B3、B4、B5分别为自科国内论文占比、国外论文占比、专著占比、获奖占比、知识产权授权数占比。③2005—2012年TICI数据分别选取为ESI数据库中 2003—2007 年、2004—2008 年、2005—2009年、2006—2010年、2007—2011年、2008—2012年、2009—2013年论文被引总数的五分之一。

2.2 模型

由 Charnes等 人［8］提出的数据包络 分析(DEA)方法，是一种评价具有多维投入和多维产出的决策单元 (DMU)相对效率的非参数分析方法。本文选用输出导向的BCC［9］权重约束模型逐年测算DMU的相对效率得分，其中将PROF和FUND、FUND和STUD及STUD和INCO之间的权重比限定在0.5～2之间。

基于DEA方法的Malmquist指数度量了从t期到t+1期DMU全要素生产率 (TFP)的变化程度，反映了DMU技术效率变化和技术进步变化情况［10-11］。在变动规模报酬假设下，本文基于DEA方法测算决策单元的Malmquist指数，以考察相对效率的变化情况。Malmquist指数等于1表示t+1期的全要素生产率水平较t期保持不变;Malmquist指数小于1表示t+1期的全要素生产率水平较t期有所降低。

3 滞后性分析

一般认为，高校教学和科研活动中滞后性普遍存在。当年教育投入不会在当年完全转化为教学或科研产出，而是对今后几年的教育产出都可能产生影响;同理，当年教育产出往往是前几年投入要素的成果。具体而言，在教学活动中，学生质量不可能在一年内完全体现出来;在科研活动中，当年的研究成果不只与当年的科研投入有关，还会与去年或者前几年的科研投入有关。例如，国家最高科学技术奖等重大奖项的获得往往并非一年努力的成果，有可能是几年甚至十几年的累积成果;高质量论文的撰写、发表与被引用都需要几年的时间，也会产生一定的滞后性。

以往研究滞后性的文献，虽然运用回归分析、多项式分布滞后模型或向量自回归模型等方法确定了产出指标的滞后期，但都未将结果与不考虑滞后性的效率测算结果进行对比分析，也就无法进一步考察滞后性对高校效率评价的具体影响以及程度如何。为了从实证角度检验滞后性是否对高校效率评价有显著的影响，本文以2007年为例，考虑针对不同的滞后期 (0～5年)和滞后特点，构建7种投入产出模型，分别测算2007年72所高校办学效率。具体实验设计为模型1～模型7的产出指标相同，均为2007年高校各项产出指标，而投入指标分别为 2007年、2006年、2005年、2005—2007年投入等权和、2005—2007不等权和(权重参考陈召魁一文，2005—2007年投入指标的权重分别为0.581、0.333、0.0856)、2004—2007年投入等权和、2003—2007年投入等权和。

从表1中可以看出，基于模型1～模型7，72所高校办学效率的最小值、均值、标准差以及有效高校个数都表现出高度的一致性，差别非常微弱。运用Kruskal-Wallis检验对7个模型效率均值差异性进行检验，结果表明在显著性水平1%下，模型1～模型7的效率均值并没有显著性差异。同时模型1～模型7所得效率序列间的spearman相关系数均在0.99以上，表明效率排序呈高度相关。从各模型投入产出数据来看，高校办学活动持续性较强，虽然当年的投入没有完全转化为产出，但当年的产出也不完全由当年的投入所得，前后相抵，使得滞后性对效率测算影响不大。以上实证结果表明虽然高校办学活动存在滞后性，但滞后性对办学效率并没有显著的影响。因此在后文中，我们仍基于当年的投入产出数据研究高校办学效率及其变化情况。

4 高校办学效率和全要素生产率交叉分析

本文基于输出导向的BCC权重约束模型 (1)，逐年测算2005—2011年教育部直属72所高校办学效率，以及相邻两年的Malmquist指数。由于高校办学活动具有明显的持续性，逐年效率值及效率变动并不能准确反映高校办学活动的真实表现。因此，本文主要依据2005—2011年平均效率和平均Malmquist指数来考察近年来各高校办学表现。

为了深入比较分析，本文将效率均值分为高效率、中效率和低效率三个等级，效率值属于［0.9，1］的为高效率高校，属于 ［0.7，0.9)的为中效率高校，属于 ［0.5，0.7)的为低效率高校;同时根据Malmquist指数的大小，将平均TFP变动情况分为高增长、低增长和下降三个等级，Malmquist指数大于1.03的为平均TFP高增长高校，属于 ［1，1.03］的为平均TFP低增长高校，小于1的为平均TFP下降高校。按照这一标准划分，本文可得72所高校平均办学效率和Malmquist指数二维分布 (见图1、图2)。结果显示不同高校办学效率和全要素生产率增长幅度差距较大。

“高效率高增长区”只有浙江大学一所。在考察期内浙江大学平均办学效率和MI指数较高，分别为0.989、1.043。这说明其在办学活动中，制度安排比较科学合理，注重教育资源投入的有效管理，实现了教育资源的高效转化;同时全要素生产率保持快速的增长态势，年均增长率高达4.3%。

“高效率低增长区”包含清华大学、北京大学、中国人民大学、复旦大学、华中科技大学、东北师范大学、中国地质大学、西南交通大学。特别值得一提的是考察期内清华大学和北京大学每年效率和两年间的Malmquist指数均为1，表明两所高校凭借雄厚的教学和科研实力，在效率得分方面一直稳居首位，实现了教育资源的持续稳定高效转化。中国人民大学和复旦大学平均办学效率都较高且很接近，分别为0.969、0.968，同时全要素生产率也基本保持正的增长态势，年均增长率分别为1.1%、1.0%。

“高效率负增长区”包括南京大学、中国海洋大学两所高校。虽然在考察期内两高校平均效率都较高，分别为0.904和0.984，但全要素生产率基本保持下降态势，年均增长率分别为-1.1%和-0.2%。这说明在一定程度上，两高校缺乏科学的制度安排及管理创新，在一定程度上制约了效率和技术进步率的增长。

“中效率高增长区”包括上海交通大学、厦门大学、华东师范大学。三所高校平均效率处于中等水平，效率分别为0.894、0.861、0.822，但全要素生产率呈现出较高的增长态势，年均增长率高达4.2%、3.7%、3.4%。

“中效率低增长区”包括山东大学、吉林大学、四川大学、中国石油大学、合肥工业大学、东北大学、西南师范大学、大连理工大学、重庆大学、华中农业大学、河海大学、武汉大学、东南大学、华南理工大学、电子科技大学、北京科技大学、中南大学、中国农业大学共18所高校。多达四分之一的高校平均办学效率介于0.704～0.874之间，办学效率存在较大的提升空间，且全要素生产率保持较低的增长速度，年均增长率在0%～2.6%之间，以上高校应在提升办学效率的同时大力提高效率和技术进步增长速度。

“中效率负增长区”包括兰州大学、西安电子科技大学、西安交通大学、南开大学、华东理工大学、天津大学、同济大学、北京师范大学。这些高校平均办学效率中等，效率值介于0.714～0.839之间，但全要素生产率表现为负增长，年均增长率在-1.7%～-0.1%之间。

“低效率高增长区”包括中国传媒大学、东华大学、江南大学、北京中医药大学、北京化工大学。这些高校平均办学效率较低，基本都在0.61以下，全要素生产率却呈现出较快的增长态势，年均增长率在3.1%以上。

“低效率低增长区”包括中央财经大学、华中师范大学、中国政法大学、上海财经大学、北京语言大学、北京交通大学、陕西师范大学、东北林业大学、中南财经政法大学、华北电力大学、对外经济贸易大学、中央美术学院、西南财经大学、上海外国语大学、北京邮电大学、西北农林科技大学、北京林业大学、中央戏剧学院、中央音乐学院、武汉理工大学、中国药科大学、北京外国语大学、湖南大学、南京农业大学共24所高校，占到教育部直属高校的三分之一。这说明考察期内72所高校中有三分之一的高校平均办学效率较低，均在0.693以下，而且全要素生产率增长较慢，年均增长率介于0.5%～2.9%之间。

“低效率负增长区”包括长安大学、中国矿业大学。落在此区的高校不但平均办学效率较低，而且全要素生产率总体也呈下降态势，年均增长率介于-0.6%～-0.1%之间。

图2 平均效率和MI分布 (按类型)

图1 显示了72所高校按地区分类在平均效率和Malmquist指数二维平面上的分布。从平均效率来看，没有高校落入0.9～0.95之间，显示了高效率与中等效率高校之间存在一定的断层。高效率的9所学校最低效率为0.964，中等效率学校最高效率为0.894，这反映出一方面我国在大力建设世界一流高校的同时，在资金等方面对普通高校配备的薄弱;另一方面由于高校自身缺乏管理创新，制度安排不尽合理，从而导致办学效率偏低。从平均全要素生产率增长来看，全要素生产率增长速度超过3%的高校都集中在东部，中部高校全部集中在低增长率区域。投入方面，东、中、西部高校增长幅度类似，但东、中、西部在产出方面，如INCO和TICI，增长率依次递减。一方面，这与国家及地方对不同地区高校教学科研活动资金支持力度不同有关;另一方面，也与当地地区经济发展水平有关，尤其是产出指标INCO和TICI，呈现出非常明显的地域差异，这也从侧面反映了地区经济发展水平对高校办学活动的促进作用。

图2显示了72所高校按学校类型分类在平均效率和Malmquist指数二维平面上的分布。从平均效率来看，综合类高校大多集中在高效率和中等效率水平，办学效率低于0.7的只有两所，体现了综合类高校在教学和科研管理、资源利用等方面的优势。由于专业类院校多以人文社会学科为主，在获取科研经费和科研国际化方面具有先天的弱势，从而导致专业类院校办学效率水平较低。从全要素生产率增长来看，专业类院校大多处于高增长和低增长区域，只有一所落在负增长区域。综合来看，虽然专业类院校办学效率起点较低，但全要素生产率却保持较快的增长速度。

5 结论

本文运用BCC权重约束模型和基于DEA的Malmquist指数分析方法从效率和全要素生产率变化二维视角，对2005—2011年教育部直属高校办学活动进行交叉分析，主要结论及相应对策如下:

(1)不同高校办学效率和全要素生产率增长差距较大。建议相关高校以高效率和高全要素生产率增长学校为标杆，注重教育资源投入的有效管理，建立科学合理的激励制度，加强管理创新，不断增加科研和教学产出，努力提升技术进步增长速度，从而实现教育资源的持续稳定高效转化。

(2)办学效率存在明显断层。9所高效率院校 (第一梯队)效率最低为0.964，其余院校(第二梯队)效率最高为0.894，这说明高效办学效率存在一定的两极分化现象。第一梯队院校应优化人才发展环境，通过良好的奖励机制吸引更优质的教学科研人员，继续保持教育资源高效地转化为办学产出，从而促进其办学效率进一步提升。第二梯队院校应积极筹措科研资金，努力提升技术水平和管理水平，创新奖励机制，通过多种途径筹措办学基金，加强校际和校企合作，从而实现教育资源的持续高效转化。同时建议有关部门要合理配置教育资源，向教育资源较薄弱的高校适度倾斜，逐步缩小高校办学资源的差距。

(3)全要素生产率年均增速高于3%的都集中在东部高校。中部高校全要素生产率年均增速集中在低增长率区域，而西部高校则处于低增长和负增长区域，中西部高校应努力提升技术效率和技术进步率，从而提高生产率增长速度。相比于综合和理工类院校，专业类院校平均效率起点较低，但立足于自身办学特色，充分发挥和利用自身优势，实现了全要素生产率的较高速增长。

［1］Johnes J，Yu L.Measuring the research performance of Chinese higher education institutions using data envelopment analysis［J］.China Economic Review，2008，19(4):679-696.

［2］Johnes J.Measuring teaching efficiency in higher education:An application of data envelopment analysis to economics graduates from UK Universities 1993［J］.European Journal of Operational Research.2006，174(1):443-456.

［3］袁卫，李沐雨，荣耀华.2011年教育部直属72所高校办学效率研究——基于 DEA模型［J］.中国高教研究.2013，(11):1-7.

［4］姜彤彤.“985工程”高校科研全要素生产率测算及分析［J］.中国高教研究，2013，(4):38-43.

［5］陈召魁.高校R＆D投入产出滞后性与相对效率评价研究［D］.天津大学，2011.

［6］饶伟，梁文举，唐文左.基于改进 DEA模型的省际高校科研效率评价［J］.科技管理研究，2012，32(22):114-117.

［7］郑燕，杨颉.我国高校入围 ESI世界前1% 学科的现状与趋势［J］.中国高教研究，2013，(11):14-18.

［8］Charnes A，Cooper W W，Rhodes E.Measuring the efficiency of decision making units［J］.European Journal of Operational Research，1978，2(6):429-444.

［9］Banker R D，Charnes A，Cooper W W.Some models for estimating technical and scale inefficiencies in data envelopment analysis［J］.Management Science，1984，30(9):1078-1092.

［10］Färe R，Grosskopf S，Norris M，et al.Productivity growth，technical progress，and efficiency change in industrialized countries［J］.The American Economic Review，1994:66-83.

［11］Ray SC，Desli E.Productivity growth，technical progress，and efficiency change in industrialized countries:comment［J］.The A-merican Economic Review，1997，87(5):1033-1039.