中国财经类大学科研产出评价研究

陈晓兰 王凯凯 万冠江 高新锐

(1.山东财经大学决策与评价联合研究中心，山东 济南 250014；2.山东财经大学数学与数量经济学院，山东 济南 250014)

一、引言及文献综述

众所周知，高校的科技创新水平已经成为衡量一个国家或地区科技发展水平的关键因素。随着我国高校科研投入的进一步加大，科研资源总量得到了很大程度的提升。全国高校科研经费投入已经由2008年的314.7亿元上升到2018年的1457.9亿元，科研活动人员也由2008年的54.2万人上升到2018年的98.4万人，这为促进我国高校科研活动的开展以及科技创新水平的提高奠定了坚实的基础。同时高校的科研经费水平显著影响区域创新水平(李宪印等，2017)[1]。然而，科研投入力度的极大提高，并没有直接提升许多高校的科研产出，或者说许多高校的科研产出仍然相对较低。如何提高科研产出，为科学合理地进行科研资源配置提供可靠的科学依据已是迫切需要解决的问题。

对于国内外高校科研评价和高校科研排名已有不少研究成果。郭银清(2014)[2]构建了以投入与产出为目标层的高校科研投入、产出指标体系及其层次结构，并运用经典AHP法与成本收益法对高校科研效益综合评价模型进行了探讨。李瑛等(2013)[3]运用随机前沿面模型对高校科研管理绩效进行研究，其研究表明：科研实力强的高校科研管理绩效未必高，高校科研管理绩效呈现出明显的地域特征。沙巨山(2016)[4]从静态和动态两个角度采用DEA和Malmquist指数法对高校科研投入产出效率进行研究。但是已有关于高校科研评价的研究工作大多存在如下不足：一是大多将高校集中于同一指标体系下进行，缺乏进一步的分类，结果可比性比较差，研究结论的指导意义有一定局限性；二是过分依赖于权重的主观选择(Meng等,2008)[5]。对科技评价而言，权重的主观选择具有很大的争议性，很难得到专家的共识，导致评价结果有较大的差异。鉴于此，本文拟采用比较透明的DEA方法对我国财经类大学科研产出进行评价，其评价结果不依赖于主观权重的选择。

美国运筹学家Charnes等(1978)[6]基于相对效率概念提出的数据包络分析(DEA)方法是研究同类型生产决策单元(DMU)相对有效性的有力工具。DEA方法利用数学规划，使得观测样本点形成分段前沿面，对DMU的相对有效性进行评价。近年来国内外广泛利用DEA方法对各行业、机构进行绩效评价，包括对能源效率、财政支出效率等进行评价，如魏楚和沈满洪(2007)[7]运用DEA方法对能源效率进行了研究，乔俊峰和陈字旺(2017)[8]运用DEA-Malmqust模型对减税增支压力下地方政府财政支出效率进行研究；同时在高校、政府部门等非营利性机构，银行、保险公司等赢利性机构的绩效评价中亦得到广泛应用，如丁忠明和张琛(2011)[9]基于DEA方法对我国商业银行效率进行了研究，伏润民等(2008)[10]运用DEA二次相对效益模型对我国省对县(市)一般性转移支付的绩效进行了评价。具体到科研评价，DEA方法在国内外科研评价中亦有广泛应用：Jones等(2008)[11]用DEA方法对中国高校科研效率进行了评价；Meng等(2008)[5]引入了具有多层结构的Multi-level-DEA模型对科研机构效率进行评价；王晓红等(2004)[12]采用基于DEA和多指标综合评价大学科研绩效的方法，合理修正了传统评价结果，使得修正后的结果考察到了对投入规模不同的大学科研绩效的比较分析；祝梦等(2013)[13]构建了具有较强区分力的多层RD-DEA模型，并应用到我国教育部直属高校科研效率评价中。

从已有关于科研评价的研究中可以发现，科研评价常常会面临指标众多的问题，但这些指标往往存在多层结构，而有效的评价必须要利用这一结构特点，发展具有多层结构的DEA评价模型。本文优化了非Pareto序下具有多层结构的Non-Pareto-Index-DEA模型，对我国财经类大学的科研产出进行评价和分析，研究方法在科研产出评价中具有普适性，研究结论具有重要的理论意义和实践意义。

二、多层DEA模型构建

Cooper等(2000)[14]给出以下关于DEA模型对DMU个数要求的条件：

n≥max{m×s,3(m+s)}

(1)

这里n是DMU的个数，m和s分别是输入和输出指标的个数。

本文着重考虑科研产出评价，指标体系中只考虑输出指标而无显式输入指标，结合Index-DEA模型(Liu等,2011)[15]和Russell多层模型思想(孟溦等,2008)[16]，构建多层Russell-Index-DEA模型：

(2)

及权重矩阵：

(3)

在强调总体水平条件下，为体现不同层次指标间的差异，多层Russell-Index-DEA模型采用了Russell测度。假设Y0为待评价单元的输出向量，具体模型如下：

(4)

模型(4)采用了Pareto序，应用此模型对我国财经类大学2017年科研产出进行计算发现，该模型的区别能力有限(特别是分指标的区别能力有限，如θ1有3个为1)，同时有2个被评价单元被判断为DEA有效单元。并且如果DMU某项一级产出较大，那么这个单元就是有效的，从而每个分指标的θr=1(r=1,2,…,T)，事实上，某些产出项并不是有效的，此时模型(4)不能区分出产出较高项。

(5)

Zhu(1996)[17]给出了允许产出指标间可以相互补偿，因而区分力更强的Non-Pareto-Russell-DEA模型。该模型的另一个特点是：即使是有效单元，其分指标得分也不一定都是1，这样可以更好的判断其绩效内部结构。我们构建Non-Pareto-Index-DEA模型(5)。

为克服上述缺陷，引入如下新模型(多层Total-slacks-Index-DEA模型)(Shen,2018)[18]：

(6)

该模型特点：直接体现指标体系层次性，允许产出指标间相互补偿。并由Shen(2018)[18]的研究知，其可达集满足凸性和可自由处置性，因而在评价中必定有得分值为1的有效单元，可以直接作为单元评价得分。下面利用模型(6)对我国30所财经类大学2016年、2017年科研产出分别进行评价。

三、DEA科研产出评价

本文借鉴对相关高校和科研院所科研评价指标体系构建的已有研究成果[5-11]以及Worthington(2008)[19]的研究，遵循目的性、综合性、代表性、可获得性和精简性原则，首先确定“基金项目、毕业生数量、发表学术论文”这三个指标为第一层次指标，对照第一层次指标选取九个具有代表性的第二层次评价指标，构建如下评价我国财经类大学科研产出的两层指标体系(见表1)。为体现财经类大学特点，本文在基金项目和发表学术论文这两个一级指标下的二级指标选取中，主要选取体现财经类大学特点的数据，比如国家社会科学基金项目选取理论经济学、应用经济学、社会学、法学、统计学、管理科学与工程以及工商管理类立项项目的总和。各项指标数据来源于国家自然科学基金与国家社会科学基金官网、30所被评价财经类大学官网、Web of Science数据库、中国知网、高等学校科技统计年鉴、教育部官网、超星数据库等。

表1 我国财经类大学科研产出评价指标体系

应用模型(6)对2016、2017年度我国财经类大学科研产出进行评价，我们采用固定权重的计算结果见表2。

由表2可以看出，模型(6)区分度比较高，其得分能够直接作为决策单元科研产业得分。同时我们进一步观察到模型(5)和模型(6)的结果高度相关，但是模型(6)有更合理的理论支持(Shen，2018)[18]。按照DEA评价结果的含义，可以确定每个高校在DEA前沿面上的位置。

表2 中国财经类大学科研产出评价得分和排名

表2表明每年各有一所高校处于DEA相对有效面上。两年均有7个高校的科研产出得分θ>0.5，其他高校的得分大都在0.3以下，这说明我国30所财经类大学科研产出水平差异较大。由以上计算结果可见：这7个θ>0.5的高校形成了我国财经类大学的第一梯队，该梯队中，有4所财经类大学是我国“211工程”建设和“985优势学科创新平台”项目建设高校，另外三所高校在教育部双一流学科评估中，其主体学科都到了“A-”以上的好成绩；得分在0.2-0.5的高校形成了我国财经类大学的第二梯队。没有达到DEA有效的财经类大学，基本上是科研论文和硕士、博士毕业生数相对较低。

以下讨论我国财经类大学科研产出差异存在的可能原因：从地域分布来看，第一梯队中除西南财经大学由于历史原因其科研产出水平一直处于前列，其余6所高校都位于中东部，西部院校产出得分很低。另一个导致部分院校得分较低的原因是其学科建设(如硕士点、博士点建设)滞后，其相应产出很低(甚至为0)。

同时，本文又运用Index-DEA模型(Liu等，2011)[15]分别对2017年30所财经类大学的三个一级指标进行了评价，并计算分指标评价排名与模型(6)排名的相关系数，结果见表3。

表3 2017年中国财经类大学科研产出各一级指标评价得分和排名

通过对比表3中各一级指标排名与表2中2017年模型(6)的排名，我们发现每个一级指标的排名与模型(6)的排名相关系数都达到了85%以上，这说明我国财经类大学的科研产出有如下特点：如果某所财经类大学整体排名靠前，其相应的各一级指标均排名较高。

四、DEA标杆分析

表4 2017年全国30所财经类大学科研产出投影分析(定位差距)

根据模型(6)计算出的标杆信息，我们建议采取以下具体的行动计划来改进非有效单元的科研产出：(1)成立相关小组来研讨改进计划；(2)调查与搜集相关资料，分析自身和标杆的情况；(3)进行分析和比较，找出与标杆对象在科研产出中的差距；(4)制定实施方案，方案实施过程中随时保持与各方进行信息沟通，根据实施情况调整方案；(5)根据方案的实施情况，定期自我评价，不断循环和重复标杆分析过程，直到成为最优实践。

五、结论

本文在比较多种DEA模型的基础上，提出了一种较合理的多层Non-Pareto-Index-DEA模型，对我国30所财经类大学科研产出进行了评价和标杆分析，比较合理地解决了现有多层Index-DEA模型区别能力不足的问题。同时根据计算结果将我国30所财经类大学分成三个梯队，并对研究结果进行了分析得出，造成我国财经类大学科研产出存在差异的原因主要有两个：一是地域原因，第一梯队中的院校大多位于中东部，西部院校科研产出相对较低；二是部分高校学科建设滞后导致整体科研产出水平较低。进一步在财经类大学科研产出计算结果(表2)的基础上，进行了标杆管理分析，得到技术非有效财经类大学科研产出的不足值，以及要达到技术有效三个一级指标应该提高的程度，以此为依据来制定提升非有效财经类大学科研产出水平的具体计划，这对改进非有效财经类大学的科研管理具有重要的现实意义。