高校实验室建设与发展评价指数的构建

马 楠, 杨春勇， 贺 军, 白 云

(中南民族大学 a.实验教学与实验室管理中心;b.科学研究发展院,武汉 430074)

0 引 言

高校实验室在高校建设与发展过程中的作用受到国家各级教育主管部门的关注和重视，2010年6月21日，国务院审议并通过的《国家中长期教育改革和发展规划纲要(2010-2020)》中多次提及实验室建设方面的事宜。目前涉及高校实验室数据统计的工作主要有3项，①高等教育基层统计，②高等教育质量检测统计，③普通高等学校实验室基本信息统计。其中，普通高校实验室基本信息统计列属国家法定统计范畴，所得实验室建设与发展数据最为全面和详细。

目前对高校实验室建设与发展的研究主要从三个方面展开。①高校实验室建设发展数据统计工作的研究。如，从工作性质角度指出实验室基本信息统计是实验室建设与发展过程中一项重要的日常性工作，其能够较为全面衡量实验室发展状态，并结合学校自身实际介绍信息统计指标的分解和学校部门分工的具体经验[1]。加强统计法律意识、培养统计人员责任心、提升统计员业务能力是提高学校信息统计水平的重要途径[2]。深入挖掘验室基本信息能够有效提高实验室建设与管理水平[3]。总结了实验室信息统计工作经常出现的典型问题，并针对性提出了解决对策[4]。②高校实验室建设发展数据统计分析方法的研究。如，从技术层面介绍了跨软件数据转换、数据备份的具体做法[5-6]。以国家级重点实验室的作用为切入点，对关键统计指标进行了解析[7]。介绍了使用办公软件解决信息统计上报中格式转换及数据规范性设置的方法[8]。基于RUP理论，使用数据库技术构建了B/S架构的高校实验室信息统计系统，实现了实验室基础数据的上报与审核汇总等功能[9]。③对实验室建设发展数据的分类研究。如，湖北省119所高校实验室基本数据信息，客观评价了湖北省“十二五”高校实验室建设与发展的状态，并从资源整合、设备共享、队伍改革3个方面论述了高校实验室的发展趋势[10-11]。针对实验教学内容的开展，提出高校实验室建设的最终落脚点是实验教学质量的不断提升[12]。针对实验技术队伍建设，创新提出“点线面”相结合的队伍培养方式[13]。针对实验室仪器设备管理，结合高校设备管理流程，提出了精细化仪器设备绩效管理体制[14-15]。针对实验室投入经费，总结了目前高校实验室经费的基本类型与使用特点，并针对经费支出中存在的主要问题提出了对策与建议[16-17]。

纵观现有研究成果，可认为对高校实验室建设与发展领域的研究成果已经颇为丰富，但基于实验室宏观整体数据所开展的实验室建设效益分析以及发展的决策研究相对却仍然较为薄弱。为加强这一短板领域的研究深度，首先需要构建高校实验室建设发展评价指数。虽然现有高校实验室信息统计体系能全面、完整反映学校实验室的建设与发展状态，但从数据分析角度来看，海量的实验室发展数据无疑会给研究人员带来较大难度，同时在进行实验室建设效益分析时，受数据相关性和冗余性的影响，基于“投入-产出”视角的分析结论可能会产生偏差，数据无法对实验室的发展决策提供有效支撑。因此本文尝试构建一套相对简单但又能反映实验室发展全貌的评价指数，期望能够为后续的研究提供方法支撑和新的视角。

1 变量定义与统计模型

1.1 变量定义

高校实验室建设发展评价指数的构建基于目前应用范围最广，统计内容最为详细的普通高等学校实验室基本信息统计体系开展。普通高等学校实验室基本信息统计体系主要涵盖实验室人、财、物等35个方面的数据。具体包含：教学为主实验室数量、科研为主实验室数量、教学为主实验室面积、科研为主实验室面积、国家级实验教学示范中心数量、省级实验教学示范中心数量、校级实验教学中心数量、一般设备数量、贵重仪器设备数量、一般设备总值、贵重仪器设备总值、教学实验项目数量、教学实验人时数、科研实验项目数量、社会服务实验项目数量、教师人员数量、实验技术人员数量、兼任实验人员数量、国内学历教育时间、国内非学历教育时间、国外学历教育时间、国外非学历教育时间、仪器设备购置经费投入、实验房屋建设经费投入、仪器设备维护经费投入、实验教学运行经费投入、实验教学研究与改革经费投入、设备使用机时、样品测试数量、培训人员数量、教学论文和教材数量、科研论文和教材数量、专利数量、教师省部级以上获奖数量、学生获奖数量。

1.2 模型设定

本文使用主成分分析法，对普通高等学校实验室基本信息统计体系进行优化。主成分分析法是因子分析法的一种特殊形式。具体而言，是指通过对一组变量的几个线性组合来解释这组变量的方差和协方差结构，达到数据压缩和数据解释的目的[18]。

由于本研究中各分项实验室建设与发展的指标含义各不相同，指标量纲存在明显差别，因此为消除量纲对模型的影响，数据分析前需要进行标准化处理，使其均值为0、方差为1。如式1、2所示。

(1)

(2)

计算各主成分的方差贡献率ei及累积贡献率E。ei为第i个主成分的贡献率，该值越大，则说明该主成分概括各指标数据的能力越强；m为全部主成分个数。在实践中比较通行的确定主成分个数方法的准则有以下几种：①E≥85%准则。E表示前m个主成分的累计贡献率，即从原k个变量中提取的信息量，若已达到全部信息量的绝大部分(通常大于85%)，即可以认为，前m个主成分已基本反映了原变量的主要信息，取前m个变量足以说明问题。②λm>λ准则。先计算特征根λm的均值λ，然后将之与λm比较，选取λm>λ的前m个成分作为主成分。由标准化数据的相关矩阵R求得的λ=1，因此只要取λm>1的前m个主成分即可。所得主成分为：

f1=L11x1+L12x2+…+L1mxm

f2=L21x1+L22x2+…+L2mxm

…

fm=Lm1x1+Lm2x2+…+Lmmxm

(3)

式中,f1、f2、…、fm依次为第1、第2直至第m主成分因子。

2 分析与讨论

研究基于湖北省普通本科高校2015 年实验室建设与发展基本信息，使用SPSS18.0展开相应分析。35个分项指标的解释总方差情况，如表1所示。

由表1数据所示，使用主成分分析法能够将普通高等学校实验室基本信息统计体系的35个分项指标优化至6个主成分因子，并且主成分因子对原有指标体系的解释吻合度达到87.482%(超过85%)，能够较为完整的反映实验室建设与发展状态。其中，第一个主成分因子对原有数据解释率最大，从第2个因子开始，主成分因子对原有数据解释率逐渐降低，直至第6个因子。为量化提取后6个主成分因子与原有35个数据指标的解释关系，需进一步计算主成分因子荷载系数，荷载矩阵具体如表2所示。

表1 分项指标的解释总方差情况

表2 主成分因子的荷载矩阵

(续表2)

通过表2分析结果可以确定提取后6个主成分因子与原有35个数据指标的计量关系，如：仪器设备维护经费投入=0.946f1+0.052f2+0.129f3-0.085f4-0.129f5+0.001f6;一般设备数量=0.897f1-0.4f2-0.006f3+0.021f4-0.019f5-0.042f6;一般设备总值=0.897f1-0.411f2-0.05f3+0.009f4-0.08f5-0.082f6等限于篇幅，此处不再逐一列举二者的计量对应关系，方法同上。

通过分析，明确了原有变量与主成分因子的计量关系，实现了对原有数据框架体系的优化。但这6个主成分因子的实际含义如何，尚不确定。因此，此处采用方差最大方法，继续对因子荷载矩阵进行正交旋转，进而明确各主成分因子的实际含义，如表3所示。

表3 各主成分因子与原始变量的解释关系表

通过表3结论可知，专利数量、仪器设备购置经费投入等10个指标在第1个主成分因子上具有较高的载荷，表明第1个主成分因子主要解释对应的这10个指标，可以解释为实验室硬件资源。国外学历教育时间、国外非学历教育时间等10个指标在第2个主成分因子上具有较高的载荷，表明第2个主成分因子主要解释对应的这10个指标，可以解释为实验室软件资源。实验教学运行经费投入、科研为主实验室面积等7个指标在第3个主成分因子上具有较高的载荷，表明第3个主成分因子主要解释对应的这7个指标，可以解释为实验室科研服务能力。校级中心数量、教学为主实验室数量、教学实验项目数量3个指标在第4个主成分因子上具有较高的载荷，表明第4个主成分因子主要解释对应的这3个指标，可以解释为实验室教学支撑能力。教学实验人时数、国家级实验教学示范中心数量、省级实验教学示范中心数量3个指标在第5个主成分因子上具有较高的载荷，表明第5个主成分因子主要解释对应的这3个指标，可以解释为实验室规模与级别。实验教学研究与改革经费投入、学生获奖数量2个指标在第6个主成分因子上具有较高的载荷，表明第6个主成分因子主要解释对应的这2个指标，可以解释为实验室教学改革与成效。

3 结 论

通过以上分析，构建了包含“实验室硬件、软件资源、科研服务能力、教学支撑能力、规模与级别、实验室教学改革与成效”6个主成分因子的实验室建设发展评价指数，实现了对现有高校实验室建设与发展数据指标体系的优化，新的实验室建设发展评价指数对原有指标体系的解释吻合度达到87.482%，能够较为完整反映实验室建设与发展状态。为了增强实验室建设发展评价指数的实用性，建立因子分析模型，进一步量化了实验室建设发展评价指数与现有普通高等学校实验室基本信息统计体系的关系。

实验室建设发展评价指数的构建并非是对现有普通高等学校实验室基本信息统计体系的否定而是新的补充。其能够从不同层面挖掘实验室建设与发展信息，有效提高基于“投入—产出”视角的实验室建设效益的分析效率，提升已有实验室建设数据对实验室未来发展决策的支撑能力，并为后续研究提供新的视角与参考。