一流大学建设背景下高校综合绩效评价实证——基于非定向Super-SBM 模型和Malmquist 指数

晋兴雨, 张英姿, 于丽英

(1. 上海大学管理学院, 上海200444; 2. 上海大学人事处, 上海200444)

我国高等教育发展已由规模扩张、数量供给为主步入了以提高质量和发展水平为主的内涵式建设新阶段. 提升优质高等教育资源的供给水平, 已成为高等教育资源配置的核心内容.国务院印发的“关于统筹推进世界一流大学和一流学科建设总体方案”, 要求建立健全绩效评价机制, 积极采用第三方评价, 提高科学性和公信度. 因此, 在一流大学建设背景下, 强化高等教育管理绩效思维和绩效方法, 测评和提升高校自身的绩效, 开展评价研究, 充分激发高校内生动力和发展活力, 具有重要的理论和现实意义[1].

近年来, 国内外学者对高校的绩效评价, 按照研究对象分类, 主要集中在两个方面.

一是以高校作为研究对象, 针对不同高校、不同省份、不同区域, 甚至不同国家的高等教育绩效进行评价. Johnes[2]通过分析100 多家英国高等教育机构的教学与科研绩效水平, 发现其具有很高的技术绩效和规模绩效, 不同类型大学之间的相对绩效差异并不明显. Kempkes等[3]使用数据包络分析(data envelopment analysis, DEA)和随机前沿分析两种方法, 研究了1998—2003 年72 所德国公立大学的绩效, 发现东德的大学在全要素生产效率上的表现优于西德, 但西德的相对效率结果仍处于领先地位. 李群霞等[4]研究了全国各地区理工农医类高校的科研绩效, 认为西部地区的科研投入很好地发挥了作用, 建议向西部地区和欠发达地区政策倾斜并进一步加大科研规模. 刘天佐等[5]研究了湖南省27 所公立本科院校的科研绩效, 发现不同层级的高校科研绩效与其科研实力呈正相关趋势. 邓云涛等[6]选取了9 所教育部直属理工类高校进行比较研究, 发现高校教育资源利用效率存在的主要问题是规模有效性较差. 高校规模收益是一个动态的波动过程, 物力和财力资源是导致DEA 方法无效的主要原因. 张友棠等[7]基于大学的功能, 使用DEA 方法构建了绩效评价体系, 设计了预算绩效拨款模式.

二是以学院作为研究对象, 聚焦于科研绩效评价. Kounetas 等[8]利用DEA 方法评估了一所希腊大学学术机构的研究绩效, 发现基础设施、人员年龄和部门人事政策等“环境因素”具有重要作用. Joanna[9]使用两阶段半参数DEA 方法评价了欧洲和美国公立学校过去10 年的技术效率, 发现就平均而言, 历史越悠久的欧洲大学效率越高, 并且政府资金似乎发挥了负面作用, 但是对于美国高校而言, 以上结论尚不明确. 陈俊生等[10]以南京师范大学和南通大学的15 个人文社会科学类学院为评价对象, 发现科研技术绩效与管理绩效之间的线性关系并不明显.

总结上述高校绩效评价研究成果, 有以下4 个特点: 一是在研究对象上, 通常是以高校或学院作为研究对象分析地区间、高校间的绩效差异, 而较少关注单个高校自身的绩效水平; 二是在研究内容上, 通常侧重于研究高校的科研绩效水平, 而较少从高校职能和实际出发评价其教学与科研绩效; 三是在研究方法上, 更多地是基于传统DEA 方法和SBM 模型, 但当多个决策单元同时处于生产前沿面上时, 无法进一步比较其效率值的大小; 四是在评价指标上, 通常是将某年的学生数、科研成果等截面数据进行绩效评价, 较少利用面板数据研究高校绩效的动态演化. 因此, 本工作选择从高校人才培养和科学研究整体角度出发, 建立教学与科研投入产出指标体系, 基于Super-SBM 模型开展实证研究, 分析了S 大学的教学与科研综合绩效水平,并利用Malmquist 指数研究了其综合绩效的演化趋势, 探索提高高校自身教学与科研综合绩效的途径.

1 绩效评价模型

高校不直接创造物质财富, 投入和产出难以用价格衡量. 但是高校不断探求新知识, 履行社会责任, 培养具有创新精神和能力的人才, 因此难以用传统的分析方法来估计其生产函数. 为了评价多投入、多产出组织的效率, Charnes 等[11]提出了DEA 方法, 来评价各个决策单元(decision making units, DMU)的相对有效性. 对高校综合绩效的评价, 可以将高校视为由各学院组成的多投入、多产出系统. 各学院不但拥有同类资源投入, 如师资队伍、人员经费等,还有共同的成果产出, 如教学业绩、科研成果等, 具有同类性. 也就是说, 把各学院看作决策单元, 从投入资源和产出成果的逻辑关系入手, 每个决策单元呈现性质相同的输入和输出, 其绩效可以通过一定时间内所消耗的投入资源和产出成果来衡量. 因此高校综合绩效的评价适合运用DEA 方法.

1.1 Super-SBM 模型

经典的DEA 方法有CCR 模型和BCC 模型两种. 从数理角度上看, 二者的不同之处在于BCC 模型在CCR 模型的基础上增加了一个凸性约束条件以区分规模收益. DEA 方法及其改进模型是从径向(投入和产出同比例变化)和角度(投入或产出角度)两个方面来衡量决策单元的相对效率, 主要存在以下两方面问题: 一是模型未将投入产出的松弛效应计入效率,造成计算效率结果偏高; 二是模型只能区分决策单元的有效与无效, 对于同为有效的决策单元无法进一步比较效率. Tone[12]提出了一种基于松弛变量的非径向且非角度的DEA 方法——Super-SBM 模型. 该模型是在SBM 模型的基础上改进, 具体的评价思想原理如下: 在进行绩效评价时, 对于绩效评价无效的决策单元(即绩效值θ ＜1), 其生产前沿面保持不变,Super-SBM 模型的绩效值与SBM 模型相同; 对于绩效评价有效的决策单元(即绩效值θ = 1),Super-SBM 模型会重新绩效评价, 将生产前沿面向后移动, 得到最终绩效值大于SBM 模型的绩效值, 实现对同为有效决策单元的进一步评价.

规模报酬可变假设下的Super-SBM 模型的分式规划为

式中: x0=(xi0)和y0=(yr0)分别表示第i0个决策单元投入资源向量和产出成果向量;x 和分别表示将(x0,y0)排除在(x,y)之外的投入与产出矩阵;分别为投入和产出松弛变量, 分别表征第j 个决策单元投入冗余和产出不足; λj表示第j 个决策单元的权重系数; 模型中的下标“0”表示被评价决策单元对应的投入产出; 目标函数θ 是关于松弛变量s+和s-严格递减的, 并且θ ＞0. 对于某个决策单元, 当θ ≥1 时说明绩效评价有效; 当θ ＜1 时说明决策单元无效, 需要改进投入或产出.

1.2 Malmquist 指数

Malmquist 指数, 即全要素生产率指数, 运用距离函数(distance function)来定义, 是衡量单位生产活动在一定时间内总投入与总产量生产效率的指标. 从t 时期到t+1 时期的Malmquist 指数可以用两个时期的效率变化几何平均来定义:

Malmquist 指数可以进行不同形式的分解. Ray 等[13]提出了Malmquist 指数分解的模型,将Malmquist 指数分解为纯技术效率变化指数(pure technical efficiency change, PTE)、技术进步指数(technological change, TC)和规模效率变化指数(scale efficiency change, SE), 即

式中, 下角标c 表示规模报酬不变(constant returns to scale), v 表示规模报酬可变(variable returns to scale), 因此表示在规模报酬不变情况下的距离函数, Dtv(xt0,yt0)表示在规模报酬可变情况下的距离函数. Lovell[14]从理论角度对Malmquist 指数模型进行了研究, 进一步肯定了这一模型的正确性.

本工作采用Super-SBM 模型下的Malmquist 指数研究了高校教学与科研综合绩效动态演化情况, 其中构成Malmquist 指数的4 个不同时期的距离函数Dt(xt0,yt0), Dt(xt+10,yt+10),Dt+1(xt0,yt0)和Dt+1(xt+10,yt+10)可以利用跨时期的Super-SBM 模型求出.

2 数据来源与指标选取

2.1 研究对象选择和时滞期确定

S 大学早在2007 年就开始进行校院两级管理体制机制改革, 其核心部分是构建以校内各学院为单位的校院两级绩效拨款机制, 将学院目标任务与其人员和经费资源配置相关联, 致力于优化校内资源配置, 提升内部治理能力. 本工作选择S 大学19 个学院作为教学和科研综合绩效评价的决策单元, 考察其学校内部运行绩效, 其中DMU1～DMU11 代表11 个文科类学院, DMU12～DMU19 代表8 个理工类学院.

由于成果产出相对于资源投入具有滞后性, 因此对教学与科研投入产出综合绩效评价的研究需要考虑时滞期问题.胡振华等[15]对投入产出滞后期模型进行了回归分析,发现当科研人员和科研经费投入转化为产出的滞后期选定为3 年时, 均通过假设检验. 朱平芳等[16]通过研究专利产出和研发支出之间的关系, 发现科技活动的内部支出与专利产出的滞后机制表现出一个2～6 年的滞后结构, 专利产生之前第4 年的科技活动经费内部支出对专利产生的贡献最大. 吴玉鸣等[17]通过对研究性大学研发投入与首都区域专利产出进行了动态计量经济实证研究, 发现首都地区研发投入在影响专利产出过程中存在2 年的滞后效应. 基于现有研究成果和相关领域专家意见, 并结合S 大学投入产出的现状, 本工作将科研成果产出时滞期确定为3 年.此外, 人才培养产出指标多采用当年度的课堂教学、课外实践等环节的数据, 故没有考虑时滞期.

2.2 评价指标选择及数据来源

高校是一个多变量投入、多变量产出的复杂系统, 绩效评价的科学性和研究结论的合理性取决于能否建立合适的评价指标体系. 投入产出评价指标需要满足以下两点要求.

一是需要体现高校建设导向. 2017 年, 教育部、财政部、国家发展改革委联合发布的《统筹推进世界一流大学和一流学科建设实施办法(暂行)》明确规定, 一流大学遴选评价标准是综合性的, 涵盖高水平学科、人才培养、科学研究、师资队伍建设等多个评价维度.

二是指标选取突出关键因素, 数量不宜过多. 由于Super-SBM 模型对于决策单元和投入产出指标的数量比较敏感, 指标数量过多会导致决策单元的有效性系数增大, 甚至普遍接近于1, 通常要求决策单元的个数不小于投入与产出指标个数之和的2 倍[18].

本工作从资源投入、学科发展水平和师资队伍结构角度选取指标, 衡量S 大学各学院的投入情况; 相应地, 从人才培养和学术性角度选取指标, 衡量S 大学各学院的绩效产出.

2.2.1 投入指标选取

(1) 资源投入.

人力资源具有能动性, 是所有资源中唯一具有创新功能的因素, 而师资队伍是高校所有人力资源中的关键. 财力资源是高校存在和发展的基础, 其中人员经费投入一般占财力资源的大部分, 发挥直接激励作用. 因此, 本工作选择各学院的“师资队伍规模”(X1)和“人员经费核拨量”(X2)作为资源投入指标. 具体地, 以S 大学每个学院的师资队伍规模表征学院占用的人力资源量, 以人员经费核拨量代表S 大学对各学院的财力资源投入.

(2) 学科发展水平.

学科发展水平是高校发展水平的标志之一, 直接影响到各学院建设经费的投入支持力度.因此, 本工作选取“重点建设学科数”(X3)表征S 大学各学院的学科发展水平. 具体地, 各学院重点建设学科数的计算按照学科点水平划分, 其中硕士学位授权点、博士学位授权点、市重点建设高原学科、市重点建设高峰学科以及国家重点建设学科分别赋值1, 3, 5, 10 和20, 然后求和.

(3) 师资队伍结构特征.

师资队伍结构对于高校的资源使用效率有着重要影响, 是决定绩效产出的重要因素. 因此, 选取“教授占比”(X4)作为投入指标, 反映各学院师资队伍结构特征. 具体地, S 大学各学院教授占比为各学院的教授数除以相应的师资队伍规模.

2.2.2 产出指标选取

(1) 人才培养.

本科生教育和研究生教育同属我国高等教育的组成部分. 因此, 本工作选取“本科生教学业绩”(Y1)和“研究生培养业绩”(Y2)分别反映S 大学各个学院本科生培养和研究生培养绩效.本科生教学业绩测度不局限于课堂教学, 还包括实践环节贡献和课外培养环节贡献, 旨在涵盖人才培养全过程, 全面评价本科教学成果. 另外, 本科生教学业绩还体现了学科差异, 如考虑到了艺术类与体育类授课的特殊性, 将其权重系数赋值高于其他课程. 研究生培养业绩指标则重点体现学科特性, 评价指标由研究生数量、研究生课堂教学和研究生质量贡献组成.

(2) 学术性.

科研能力作为高校学术性的重要体现, 已经成为衡量高校综合实力的关键指标之一. 因此, 本工作选取“科学研究成果”表征S 大学各学院的科研能力和学术性. S 大学科学研究成果指标不但包括科研项目、论文论著、科研奖励和重大学术活动成果, 还涉及知识产权转化贡献和作品展览等文化传承贡献.

综上所述, 本工作建立了高校综合绩效评价投入产出指标体系, 如表1 所示. 指标选取和数据来源尽可能体现高校的主要职能和任务, 既聚焦人才培养过程又注重科学研究成果, 以有效测度高校反映教学和科研活动的综合绩效.

表1 高校综合绩效评价投入产出指标体系Table 1 Input-output index of comprehensive performance evaluation in universities

3 综合绩效评价实证分析

3.1 教学与科研综合绩效评价静态分析

3.1.1 2015 年教学与科研综合绩效评价

为了分析S 大学教学与科研综合绩效水平, 将各学院2015 年的投入产出量代入Super-SBM 模型, 使用DEA-SOLVER Pro 5.0 软件, 测算了S 大学19 个学院的综合绩效, 计算结果如表2 所示.

由表2 可以看出, Super-SBM 模型可以在SBM 模型的基础上进一步评价. 对于SBM 模型绩效评价无效的学院, Super-SBM 模型的绩效值与SBM 模型相等, 而对于SBM 模型绩效评价有效决策的学院, Super-SBM 模型的绩效值可以进一步细分.

整体上看, S 大学各学院的绩效水平较高. 19 个学院的教学与科研综合绩效最高值为1.468 3, 最低值为0.534 2, 平均值为1.041 6, 中位值为1.036 4, 均方差为0.250 4. DMU1,DMU2, DMU3, DMU4, DMU12, DMU5, DMU13, DMU6, DMU14, DMU7, DMU8, DMU15,DMU16, DMU9, DMU10 共15 个学院(按照综合绩效值大小排序, 下同)的教学与科研综合绩效值大于1, 实现了DEA 有效, 占比79%. 纯技术效率有效(大于1)并且规模效率大于0.95 的学院有DMU5, DMU13, DMU6, DMU7, DMU8, DMU15, DMU16, DMU9, DMU10 共9 个学院, 表明其2015 年的教学与科研活动资源投入和成果产出配置得当, 师资队伍规模、人员经费、学科和师资队伍结构性作用都得到充分发挥, 相对于资源投入取得了较理想的产出水平.若需进一步提高这些学院的成果产出水平, 则需要同时或单个追加师资和人员经费, 提升学科水平, 优化师资队伍职称结构. 由此可见, S 大学教学与科研综合绩效水平整体较高, 但学校在体制机制创新、绩效管理、投入产出优化等方面仍有一定的改进空间.

表2 2015 年S 大学19 个学院投入产出综合绩效评价结果Table 2 Comprehensive performance evaluation results of 19 colleges of S University in 2015

3.1.2 历年教学科研综合绩效评价静态分析

为了进一步研究不同学科类型的学院投入产出综合绩效水平的差异, 将各学院2012—2015 年的投入产出量代入Super-SBM 模型, 使用DEA-SOLVER Pro 5.0 软件, 测算了S 大学19 个学院的综合绩效, 结果如表3 所示.

分析2012—2015 年的总体教学与科研综合绩效发现, 每年的平均绩效水平均大于1, 这说明S 大学教学与科研总体绩效水平较高. 进一步分析不同学科类别学院的综合绩效后发现, 文科类学院除了2013 年的教学与科研综合绩效均值小于1(0.983 3)外, 其他年份均大于1, 而理工类学院2012 与2013 年的教学与科研综合绩效均值大于1, 2014 与2015 年的综合绩效均值却小于1, 说明文科类学院基本保持了较高的绩效产出水平, 理工类学院存在一定的改进空间.

分析不同学院的绩效水平发现, 文科类学院的综合绩效均值为1.056 6, 略高于理工类学院的1.002 8, 但不同学科类型的学院综合绩效总体水平差别不大, 具体如下.

(1) 人文类和理工类学院中综合绩效均值前两名的学院均为规模较大的学院, 说明学院教学科研综合绩效存在规模经济, 即学院规模是影响教学科研综合绩效的一个因素. 在文科类学院中, DMU1 的历年均值为1.478 1, 具有最高的教学与科研综合绩效值, 以较低学科水平和师资队伍结构投入获得较高的教学与科研绩效产出. 在理工类学院中, DMU12 的历年均值为1.231 8, 具有最高的教学与科研综合绩效值, 以最大师资队伍规模和人员经费拨款以及最多的重点建设学科投入, 产出最大的学生培养和科学研究成果, 实现了高投入、高产出.

表3 2012—2015 年S 大学19 个学院投入产出静态综合绩效评价结果Table 3 Static comprehensive performance evaluation results of 19 colleges of S University from 2012 to 2015

(2) 分析2012—2015 这4 年的均值分布情况, 发现11 个文科类学院中有6 个学院的教学与科研综合绩效大于1, 而8 个理工类学院中有4 个学院的教学与科研综合绩效大于1, 文科类和理工类学院的教学与科研综合绩效水平相对均衡地分布.

3.2 教学与科研综合绩效评价动态分析

Super-SBM 模型作为相对绩效评价方法, 不能纵向对比决策单元的综合绩效水平. 因此,本工作还使用了Malmquist 指数考察S 大学教学与科研综合绩效的动态演化.

3.2.1 综合绩效评价全要素生产率总体特征分析

根据Malmquist 指数模型及其分解公式, 可以计算出2012—2015 年S 大学全要素生产率及其分解指数值(见表4), 并得到如下几种结果.

表4 S 大学19 个学院的平均Malmquist 指数Table 4 Average Malmquist Index of 19 colleges of S University

(1) 指数均值. 从Malmquist 指数的演化趋势看, 2012—2015 年S 大学的教学科研综合绩效值缓慢下降. Malmquist指数平均值为0.982 2, 年均降低1.78%. 然而进一步分析发现, 每年度的Malmquist 指数却升降不一: 2012—2013 年度的Malmquist 指数大于1 (1.134 2), 增长13.42%, 其后两个年度分别增长-10.64%和-8.13%. 究其原因, 2012—2015 年处于一流大学建设方案实施前夕, 学校内部治理结构和治理体系还处于完善阶段, 学校正在谋划学科结构调整, 更新学科布局、研究领域和激励措施尚未形成支撑学校发展的主要力量.

(2) 增长结构. Malmquist 指数的增长主要依靠纯技术效率发挥积极作用. 2012—2015 年的4 年间, Malmquist 指数的分解指数变化分化明显, 其中纯技术效率变化增长2.57%, 技术进步变化基本持平, 规模效率变化下降1.59%. 这说明S 大学自2012 年开始的强化考核发挥了积极作用, 但仍需进一步强化学院内部资源整合, 提升规模效益.

3.2.2 综合绩效评价全要素生产率分学院演化趋势分析

本工作选取2012 年和2015 年两个截面数据, 研究各学院综合绩效评价全要素生产率及其分解指标的演化, 结果如表5 所示.

表5 2012—2015 年S 大学19 个学院Malmquist 指数Table 5 Malmquist Index of 19 colleges of S University from 2012 to 2015

研究发现, Malmquist 指数大于1 的学院有5 个, 涨幅在8.81%～29.2%之间, 说明这5 个学院的生产率处于上升趋势, 其中DMU11, DMU7 和DMU9 得益于纯技术效率的快速提升而增长最快. 值得指出的是, 虽然这3 个学院的教学与科研综合绩效水平不高, 但是相对于其他学院增长较快, 未来将会有更大的提升空间. 例如, DMU11 作为S 大学艺术学科的代表, 对接地方社会发展需要和学校错位发展战略, 积极争取学科建设资源, 同时加强岗位管理, 明确岗位职责和绩效考核, 学院内部管理能力明显增强, 初步实现了人才集聚, 提升了学院绩效产出.与之相对应, Malmquist 指数小于1 的学院有14 个, 说明大部分学院的生产率需要提升, 其中DMU19, DMU17 和DMU18 的Malmquist 指数因纯技术效率降低而下降明显, 因此这3 个学院应该借鉴管理经验, 改进工作方法, 提升绩效.

4 结 论

本工作以S 大学19 个专业学院作为研究对象, 选取资源投入、学科发展水平和师资队伍结构特征作为投入指标, 人才培养和学术性作为产出指标, 建立了教学与科研投入产出综合绩效评价指标体系; 基于采用非定向Super-SBM 模型和Malmquist 指数设计了教学与科研投入产出综合绩效评价方法, 深入分析了高等学校及其专业学院的运行绩效, 为科学评价高校自身资源配置效率提供决策依据. 通过研究得到如下结论.

(1) 根据综合绩效分析发现, 2015 年S 大学的教学与科研综合绩效水平较高, 大部分学院绩效评价有效, 仅4 个学院的资源投入和成果产出失当. 进一步分析了这4 个教学与科研综合绩效无效学院的产生原因, 发现资源投入需要重点提升学科发展水平和优化师资队伍结构, 而投入则需要在本科生培养、研究生培养和学术水平方面作相应提升.

(2) 根据历年综合绩效评价的静态分析发现, 2012—2015 年S 大学保持了良好的教学与科研总体绩效水平, 每年的平均绩效值均大于1. 具体到不同的学科类别, 文科类学院基本保持了较高的绩效产出水平, 而理工类学院则存在一定的改进空间. 分析了不同学院的绩效水平发现, 文科类学院的平均综合绩效值为1.056 6, 略高于理工类学院的1.002 8, 但不同学科类型学院的综合绩效总体水平差别不大. 另外, 文科类和理工类学院的教学与科研综合绩效水平相对均衡地分布, 学院的教学与科研综合绩效存在规模经济.

(3) 根据综合绩效评价的动态分析发现, 2012—2015 年S 大学的全要素生产率指数缓慢下降,Malmquist 指数平均值为0.982 2,年均降低1.78%. 从结构上看,2012—2015 年Malmquist指数的分解指数变化分化明显, 其中纯技术效率变化增长2.57%, 技术进步变化基本持平, 规模效率变化下降1.59%, 说明S 大学管理因素对教学与科研综合绩效水平的提高起到了积极的促进作用. 从演化维度看, 2012—2015 年S 大学Malmquist 指数大于1 的学院有5 个, 而小于1 的学院有14 个, 说明大部分学院需要调整激励措施, 改进工作方法, 提升绩效水平.