基于非径向DEA的分类高校科技投入产出效率评价研究

沈丹云，朱庆峰，郑 宇

(1.南京信息工程大学 滨江学院，江苏 南京 210044;2.南京信息工程大学 经济管理学院，江苏 南京 210044）

高校科技投入产出效率的测度是提升高校创新能力，进而实现国家创新驱动战略的重要前提。高校因其充裕的教育资源与科研力量，使得其成为国家创新体系的一支重要力量。统计数据显示，我国科研经费中80%为高校及科研院所承担;从动态的视角来看，2001～2013年期间全国高校科研经费投入年平均增长超过20%，其中2013年的增长率甚至达到50.40%，同时，全时科技人员投入年均增长率约为3.0%左右。与科技资源投入增加相对应的是部份高校科技成果转化率、国外学术刊物发表等体现产出的指标值低下。因此，分析高校的科技投入产出效率有着重要的实践意义。从理论上来看，高校投入产出效率问题也为学术界所关注。例如，李瑛与崔宇威运用超效率的三阶段DEA对28个省市的地方高校的科技创新效率进行了评价分析[1];郭际、王宇鹏等认为，高校自身对科技投入产出活动控制能力不足是导致效率不高的原因[2-3];高校科技发展与所处地区经济状况和人力资源情况有密切联系，建立产学研体系可以实现高校科技活动的可持续性。

与国内的研究较为类似，针对意大利、巴西等国的高校科技投入产出效率研究一般也是以DEA为主要的分析方法。例如，Abramo等以意大利2004～2008年五年期间大学系统的文献数据为基础，分析大学研究活动的技术和配置效率[4];其中投入以研究人员来测度，产出的测度是研究人员实现产品的标准化影响。基于16个输入和输出的变量，Kuah与Wong对高校的教学与研究效率进行了剖析[5]。Zoghbi等将巴西的高等教育机构分为公营与私营两类，实证分析结论显示公营机构比私营机构效率低下[6]。不同于以上学者的研究，GÖksen等仅以土耳其的Dokuz Eylul大学作为分析对象，讨论了其部门技术得分及规模得分值，尝试揭示非效率的主要因素[7]。

综上所见，当前已经有相当一部分学者针对高校的科技投入产出效率问题进行了有益的探索，然而研究对象较少涉及“985”与“211”高校，考虑到近年来“985”与“211”高校的存废之争日嚣尘上，对比研究两类高校的投入产出效率有助于科技资源的优化配置，提升高校的科技创新能力。因此，本文的分析在一定程度上弥补了以上研究的缺憾。

1 “211”与“985”高校科技投入产出的特征初判

首先对两类高校的投入产出进行简单的描述性统计。结合文献研究、我国高校的实际和相关领域专家的咨询结果，选取研究与发展人员(全时当量人员)、科研经费总量为投入指标，专利申请、技术转让、国内外学术刊物发表以及成果授奖为产出指标。鉴于“211”工程高校多于“985”高校，通过指标总量的比较并不能反映真实的投入产出效果，因此，采用算数平均值进行初判。

1.1 科研经费的投入

表1显示，两类高校的平均科研经费差异较大，2011年“211”高校的科研经费平均值为319290元，2012年略有上升，为341569元;2013年突增至533656元。相比之下，“985”高校的科研经费平均值为1160919元，是“211”高校的3.64倍;2012年增至130094元。2013年，“985”高校的科研经费平均值是2011年的近1倍，也是“211”高校的3.83倍。显然，“985”高校对于科研经费要远高于“211”高校。

表1 两类高校的投入变量平均值Table 1 The mean value of input variables for two types of universities

1.2 科研人力的投入

同样地，“211”高校的研究与发展全时当量人员数量也显著低于“985”高校。前者三个年份研发全时当量人员分别为661、669、677，呈现上升态势;后者2011～2013年的研发全时当量人员则分别为2025、2031与1960，2013年人力投入有着一定程度的下降，但仍然是“211”高校的2.90倍。这表明，无论是科研经费还是研发人员全时当量人员投入，“985”高校均高于“211”高校。两个变量中，科研经费的投入与国家政策的倾斜有着密切的关系，因为科研经费的投入结构中政府资金占有较大比重。

1.3 技术转让金额

分析两类高校的产出值。2011～2013年“211”高校技术转让金额的平均值分别为6752、7436、5690元;“985”高校三个年份的值分别为30324、36799、42553元。从绝对值来看，“985”高校显著较高，2011年“985”高校的技术转让金额是“211”高校的4.49倍;而2013年时，“985”高校的技术转让金额是后者的7.48倍。如果采用技术转让金额/科研费用、技术转让金额/研究与发展全时当量人员来表示简单的投入产出比，同样地得出结论三个年份“985”高校的技术转让金额投入产出比较高。

1.4 成果授奖

进一步地分析两类高校成果授奖的平均数。2011～2013年“211”高校的成果授奖平均值分别为15、17与18个;“985”高校则分别为41、49、41个。可以看出，成果授奖两类高校各年份波动幅度不大，不过与前述指标类似，“985”高校的绝对值仍然高于“211”高校，是后者的两倍多。产出指标还包括专利申请数和国内外学术刊物发表数量，对比分析得到了同样的结论。不过，如果以产出/投入简单地表示投入产出效率可以看出，“985”高校的优势并不明显。

2 实证研究设计

2.1 非径向DEA模型

DEA方法是使用数学规划模型比较某种意义下具有相同类型投入产出类型单元之间的相对效率的一种分析方法。通过多投入多产出数据的综合分析，可以得出每个决策单元综合效率的数量指标。依据数量指标将各决策单元定级排序，确定相对效率高的决策单元，判断各个决策单元的投入规模是否恰当;同时指出其他决策单元非有效的原因和程度，进而给出各决策单元调整投入产出的正确方向与程度。由于高校的科技投入主要涉及研究与发展人员、科技经费;而产出则包括专利申请、技术转让、成果授奖等。其多输入与多输出特征决定了DEA方法的实用性。此外，鉴于传统径向DEA模型并未考虑到决策单元输入变量和输出变量变化可能并非是等比例的，且投入产出常常受到客观条件的约束或者由于决策者偏好的影响不能满足径向逼近生产前沿面的要求，因此，一些学者在传统径向DEA模型的基础上构建了非径向DEA模型，具体如下:

(1)规模报酬不变的效率模型:

其中，用来EI1为高校投入产出的综合效率;X为投入，y为产出;w是权重，∑w=1，本研究中取w1=w2=1/2。

(2)规模报酬可变的效率模型:

EI2为高校投入产出的技术效率;规模效率则=EI1/EI2

(3)规模报酬非递增模型:

上式用来判断规模无效单元的规模报酬递增或递减状态。如果某一DMU的EI2≠EI3，则该DMU规模报酬递增;如果某一DMU的EI2=EI3，则这一DMU规模报酬递减。

2.2 指标选取及数据来源

高校科技的投入产出尚没有统一的指标体系，一些学者如Kutlar与Babacan指出输入指标包括一般预算支出、教授数量、副教授与助理教授数量、行政人员数量等;输出指标包括加入索引的出版物数量、本科生数量、毕业生数量、大学收入。李瑛与崔宇威认为投入指标包括人力与经费两部分，人力包括一般科技人员、科技人员中科学家与工程师、一般研发人员;经费则指研究与发展经费、研发成果应用及科技服务经费、其他科技活动经费;产出则囊括了科技著作、学术论文、专利授权数、技术转让金额等。依据Kuah与Wong的研究，高校科技的输入变量具体指研究学生的数量、大学支出、研究资助等;输出变量包括毕业率、毕业生的就业率、知识产权数量、奖励的数量等。郭际等将投入指标细分为教学人员、科研人员、科技经费投入、科技研究课题4类;产出指标同样包括4类，即学术论文、鉴定成果、技术转让、获奖成果。GÖksen等认为，室内室外面积、研究人员数量、管理人员数量应被列为投入指标，出版物数量与毕业生数量则可列为产出指标。

在参考以往研究文献、结合我国高校的实际情况和咨询相关领域专家的基础上，选取研究与发展人员(全时当量人员)、科研经费总量为投入指标，专利申请、技术转让、国内外学术刊物发表以及成果授奖为产出指标(见表2)。

数据来源于教育部科学技术司主编的《高等学校科技统计资料汇编》，其中“211工程”和“985工程”高校的分类依据教育部相关文件。考虑到自“211工程”启动后，引发了中国高校的改名风潮及部份高校的兼并联合，为最大限度减小因以上原因导致的数据非一致性，研究的时间跨度选取为2011～2013年，两类高校的数量分别为39所和112所。

3 实证结果分析与讨论

运用DEAP软件，将整理所得的科技投入和产出数据按既定的分类标准代入到非径向DEA模型中，结果如表3、表4所示。表3中的综合效率、纯技术效率和规模效率是3年数据结果的均值，由于数据量过大，在表中我们仅分别截取了5个样本数据结果。表4是对3类高校分别计算其综合效率、纯技术效率和规模效率的总体均值所得，便于比较研究。

表3 高校科技投入产出效率评价结果Table 3 Assessment results of science＆technology input and output efficiency

表4 高校科技投入产出效率分类均值比较Table 4 Mean value comparison of different input and out efficiency types

理论上认为，综合效率是纯技术效率与规模效率的乘积，即TE=PTE*SE。这里，综合效率主要反映了高校的科研环境和科学技术研发情况等;纯技术效率的高低取决于高校的创新能力强弱及其自身管理系统等方面的因素;而规模效率则受到高校科研人员数量以及发展规模等方面的影响。DEA有效指的是综合效率、纯技术效率和规模效率都等于1。通过分析上述计算结果，可以得到以下结论:

(1)样本中无论是“985工程”还是“211工程”高校，均是非DEA有效的。并且，它们的综合效率均值都在0.20以下，表明我国高校总体上科技投入产出效率低下。

(2)从规模效率和纯技术效率值情况来看，两类高校的规模效率均值都超过0.75，远高于纯技术效率值。这说明造成国内高校科技投入产出活动无效率的原因主要在于纯技术效率过低。

(3)从两类高校技术效率的比较来看，尽管“211工程”高校综合效率高于“985工程”高校，但是纯技术效率却低于后者。两类高校的纯技术效率分别为0.169、0.178;规模效率方面，“211工程”高校以超出0.90的效率排在“985工程”高校之前。

(4)在“985工程”高校中，有北京大学、湖南大学、四川大学、电子科技大学和中国农业大学等5所高校处于规模效益递减阶段，占比约为13.51%;在“211工程”高校中，有是北京邮电大学、苏州大学、西南交通大学、西藏大学和新疆大学等5所高校处于规模报酬递减阶段，约占9.62%;可见，对于以上所处于规模效益递减阶段的高校来说，盲目地增加投入并不是提高其产出效率的最好选择;而对于绝大多数处于规模效益递增阶段的其他高校来说，投入不足显然制约了该校投入产出效率的提高。

4 结语

采用非径向DEA模型评估了两类高校的投入产出效率。研究结果表明，“985”与“211”高校的综合效率较低，科技的创新能力亟待提升;两类高校综合效率不高的根本原因在于纯技术效率低下，这也表明，依赖于规模扩张来提升高校科技投入产出的措施已经并不适宜。进一步比较分析发现，“211”高校的综合效率要低于“985”高校。由实证分析提出以下政策建议:

(1)加强对高校科技投入产出绩效的考核。高校科技在很大程度上反映了高校的创新能力，也在一定程度上反映出其对区域、国家创新体系的贡献作用。因此较低的高校科技投入产出效率意味着国家的政策倾斜、现行的资源配置其效果并不十分显著，政府应加强对两类高校，尤其是211高校的投入产出绩效的考核。

(2)适度控制高校的规模，尤其是对规模报酬递减的学校。鉴于少数高校存在规模不经济现象，政府应将规模控制的政策着重点放在这类高校上。此外，可采取一定的措施提高科技成果转化率。比如健全政产学研体系。通过政产学研的有效协同来强化高校在创新体系中的主体作用，以市场的实际需求为牵引，以资金为保障，提高高校对于前沿技术的攻关能力，以及科技成果的转化能力;完善风险投资机制。通过在高校设立技术转化服务机构，使得资金筹集、市场营销等技术转化活动得到专业化运作，提高科研人员的积极性，并在一定程度上解决高风险项目资金筹集的难题。改革奖励机制。通过奖金、津贴、职位提升等多种激励形式鼓励科研人员积极投身到高水平的科技研发工作中去;奖励机制的重点可放在有特殊贡献的科研人员以及推进科技成果转化的项目上。

[1]李瑛，崔宇威.地方高校科技创新效率评价研究—基于超效率的三阶段DEA分析[J].东北师大学报:哲学社会科学版，2011(2):177-181.

[2]郭际，吴先华，吴崇.基于DEA-Tobit模型的我国高校科技投入产出绩效评价及政策启示[J].科技管理研究，2013(23):65-70.

[3]王宇鹏.我国高校科技投入产出动态效率测度—Malmquist指数方法的研究[J].渤海大学学报:自然科学版，2012，33(2):188-192.

[4]Abramo G，Cicero T，Angelo C A D.A field-standardized application of DEA to national-scale research assessment of universities[J].Journal of Informetrics，2011(5):618-628.

[5]Kuah C T，Wong K Y.Efficiency assessment of universities through data envelopment analysis[J].Procedia Computer Science，2011(3):499-506.

[6]Zoghbi A C，Rocha F，Mattos E.Education production efficiency:Evidence from Brazilian universities[J].Economic Modelling，2013(31):94-103.

[7]G k en Y，Do an O，zkarabacak B.A Data Envelopment Analysis Application for Measuring Efficiency of University Departments[J].Procedia Economics and Finance，2015(19):226-237.