基于SE-DEA-NT的高校协同创新效率分异研究

吴和成，李 犟

(南京航空航天大学经济与管理学院，江苏南京 211106)

1 研究背景

改革开放40年，我国的高等教育取得了长足进步，在经济和社会发展中扮演着越来越重要的角色。我国自2012年始实施“2011计划”，即“高等学校创新能力提升计划”， 旨在鼓励高等学校同科研机构、行业企业开展深度合作，建立战略联盟，促进资源共享，在关键领域取得实质性成果，实现高等学校创新能力的显著与持续提升；加快以学科交叉融合为基础的知识、技术集成与转化，加快创新力量和资源整合与重组，促进政产学研用紧密结合，支撑国家经济和社会发展方式的转变。高校承担着国家创新体系建设的重担，追求更多的创新产出是高校创新的基本任务。资源有限决定着资源分配具有较高的集中度，即其自然流向创效率效高，创新能力强的高校，企业在选择合作者是也是如此。因此，研究高校协同创新效率及其分布状况，对于充分利用创新资源，不断提高高校研发能力具有重要意义。

已有研究主要关注高校协同创新绩效、能力测度方法及其影响因素等问题。蒋兴华[1]利用教育部认定的2011协同创新中心成员单位科研人员的调查数据，由回归分析模型测度发现，人事管理制度、协同机制、协同伙伴条件、协同伙伴关系对协同创新绩效均具有显著的正向影响；政府支持对人事管理制度、协同机制、协同伙伴条件、协同伙伴关系与协同创新绩效之间的总体影响关系具有显著的正向调节作用。郑嘉琳[2]运用DEA方法测算了江西省代表性高校2012—2017年科技创新效率，发现大部分高校的科技创新投入产出效率都不高；江西省高校突出的问题表现为科技创新研发人员投入和政府资金投入不足，以及鉴定成果数和产学研实际收入较低。尹洁等[3]利用江苏省高校协同创新中心的调研数据，研究发现，组织公民行为、组织承诺、知识价值、社会资本、团队带头人显著影响高校科研创新团队知识共享绩效。徐晓丹等[4]研究认为，高校协同创新激励面临第三方评价机制不健全、行政干预方式不恰当、人事管理制度不适应以及协同创新利益配置机制不完善等问题。提出要营造协同创新激励环境，就应科学界定政府角色，优化第三方评价，完善利益配置模式，创新人事制度等对策。吴绍芬[5]认为要把2011计划落到实处,关键在于坚持整体协同创新、多元协同创新；以创新质量和贡献为导向，深化科技评价体制改革；以人才为核心要素,激发释放协同创新活力。王美霞[6]利用2006—2015年中国30个省份的高校协同创新统计数据，研究发现，各地区高校协同创新能力不断提升,但地区之间存在显著差异,东部省份的高校协同创新能力要显著强于中西部省份；省域高校协同创新能力存在正向空间相关性,高校协同创新能力接近的省份在地理空间上集聚分布。王莉等[7]认为2011计划是地方高校提升创新能力的重要机遇。在建设过程中,要处理好三类关系：地方高校发展基础与未来愿景的关系,高校发展目标与社会需求的关系,区域发展需求与国家战略需求的关系。协调这三类关系,既需要加强对协同创新中心的培育,又需要适当规制。方炜等[8]将能力成熟度模型应用于高校的协同创新能力评估工作中,构建了能力成熟度评估指标体系和测评方法,并结合西安某高校协同创新实践进行了实证研究。田冠军等[9]从科学研究、人才培养、队伍建设、效益评估和项目管控5个维度建立了协同创新视角下的高校科研项目绩效评价指标体系。朱娅妮等[10]以高校的人、才、物三个方面为投入，以科研效益、经济效益、社会效益为产出，建立了高校协同创新中心绩效评价的指标体系。王帮俊等[11]通过构建评价产学研协同创新绩效的投入和产出指标，运用因子分析法提取出学研方创新能力、企业方创新能力和协同创新协同度3个协同创新绩效主因子，并基于省域面板数据计算得到我国30个省级行政区(不含港、澳、台、西藏地区)的因子总得分。陈晓清等[12]认为制订目标、研究问题、学科交叉、管理体制、运作机制、使用仪器和锤炼团队这7个要素对于协同创新中心起着关键的作用。

已有文献在高效协同创新绩效、能力测度及其影响因素方面进行探索，但就高校协同创新效率分布状况、高校协同创新效率分布差异、投入冗余分布特点等方面鲜有涉及。事实上，厘清高校协同创新效率分布状况、各高校协同创新效率分布异同状态，以及协同创新投入资源利用率改善方向，对于分类指导和差异化的高校协同创新效率提升方案设计有其意义，本文将在这些问题上展开研究。另外，本文选择教育部直属部分高校作为分析样本，是考虑到教育部直属高校基本都属于双一流建设高校，在高校协同创新活动中较为活跃，且代表了我国高校的创新水平。因而，得到的结论对于政策制订有更好的参考价值。

2 模型、指标、数据与分析样本

2.1 模型

数据包络分析 ( Data Envelopment Analysis) 是使用数学规划模型进行评价具有多个输入、特别是多个输出的“部门”或“单位”(称为决策单元(decision making unit),简记DMU)间相对有效性,根据对各DMU观察的数据判断DMU是否为DEA有效，本质上是判断DMU是否位于生产可能集的“生产前沿面上”[13]。

经典DEA模型中的有效决策单元，就计算结果而言是无差异的, 即DEA有效的决策单元不能按照效率值加以区分，或者说，有效的决策单元之间是不可以按照效率值排序。实际上, DEA有效的决策单元之间也存在差异, 只是不能在经典模型的计算结果中体现出来, 即模型对DEA有效的决策单元的差异“敏感性”不强。Andersen等[14]给出修改的DEA模型, 即所谓的超效率DEA模型, 可以将DEA有效的决策单元根据效率值排序。其基本思想是, 在评价第k个决策单元的DEA有效性时, 在约束条件中将此单元去掉, 从而计算得到在原模型下有效的决策单元的DEA最优值在超效率DEA模型下的DEA最优值大于1, 而在原模型下为非DEA有效的决策单元在超效率DEA模型下的DEA最优值不变，因而超效率DEA模型解决了决策单元按效率排序的问题。

基于投入导向的超效率C2R模型的基本形式为[14]：

表示第j个决策单元的投入指标向量和产出指标向量。

2.2 投入产出指标设计

DEA模型作为用于多投入和多产出情形下综合产出与综合投入比测度的一种优化方法，模型本身对投入和产出指标并无特殊限制。本文认为，就评价问题而言，针对目标的核心指标应纳入模型中，但同时必须满足数据可得性的原则。基于这一前提，根据教育部发布的高等学校科技统计资料汇编中用于度量高校协同创新活动的投入与成果的指标，结合文献已有的做法，本研究有如下考虑：

按照经济学原理，从事某项生产活动的基本要素是劳动与资本，创新活动也不例外。因此，高校协同创新活动人和经费是两个基本投入变量。高校从事科学研究者与专门的研究机构不同，很多的教师只是在教学之余从事相关的研究和技术服务等工作，如果只是对从事研发的人员简单计数，则难以度量实际工作量。因此，我们选择研发人员全时当量作为从事协同创新研发活动的人员投入指标。协同创新有别于通常的研发活动，企业、高校、研究机构、政府以及其他中介机构均参与其中，因此，我们将R&D 成果应用及科技服务全时人员也作为协同创新活动中的人员投入指标。高校协同创新经费来源主要有两个，即政府资金和企业资金。这两类资金投入有其不同目的，在协同创新活动中发挥着各自的作用，因此，科技经费中的政府资金和企业资金是我们选择的两个投入指标。基于协同创新活动的特点，我们也将R&D 成果应用及科技服务项目当年拨入经费也选作为经费投入指标。

协同创新活动的目的是获得知识产出或具有市场前景的新产品或创新技术，因此，对于协同创新活动产出指标的设计，可从知识成果和技术成果两个方面考虑。根据数据可得性和文献梳理，我们将发表的著作数、论文数、专利授权数、专利出售当年实际收入和技术转让当年实际收入作为高校协同创新活动效率评价的产出指标。

2.3 数据来源与样本高校

本文所有数据均来自于《高等学校科技统计资料汇编》，且为目前可资利用的最新数据。

由于艺术类、语言类、财经类、政法类等教育部直属高校创新活动投入产出较低，《高等学校科技统计资料汇编》并没有统计相关高校因而略去，再除去数据不全的高校，本文最终选择分析的决策单元为教育部直属的59所高校。

3 高校协同创新效率测度及其分布检验

3.1 高校协同创新投入产出效率测度结果分析

由模型(1)，可以得到59个高校2012—2016年的协同创新投入产出超效率DEA值，其中，历年有效的10所高校未列入表1。

表1 2012—2016年样本高校协同创新投入产出超效率DEA值

表1(续)

由计算结果可知，在分析期2012—2016年内，有10所样本高校，即清华大学、中国矿业大学(北京)、北京中医药大学、南开大学、陕西师范大学、华中师范大学、西南交通大学、江南大学、河海大学和中国海洋大学的协同创新绩效表现为持续的高水平。以DAE模型的含义，这10所高校协同创新投入资源得到了充分利用，也反映了这10所高校在协同创新活动中有很强的创新资源利用并获得较大产出的能力。事实上，清华大学、南开大学、陕西师范大学和华中师范大学为入选国家“2011计划”的38个协同创新中心中的4所高校，其中清华大学属国家“2011计划”第一批的前沿类和区域类中的主要协同单位、第二批行业产业类的核心协同单位的牵头单位和文化传承创新核心单位。南开大学为国家“2011计划”首批前沿类的主要协同单位、第二批文化产业传承类的核心单位。陕西师范大学和华中师范大学则为国家“2011计划”文化产业传承类的核心单位。西南交通大学为国家“2011计划”第一批的行业类中的主要协同单位,还在多个协同创新中心中为牵头单位。中国矿业大学(北京)、江南大学、河海大学和中国海洋大学则为挂牌的自主设立的2011协同创新中心。其中，中国海洋大学和河海大学分别在各自强势领域的协同创新中扮演牵头单位角色。由此可见，入选国家2011计划协同创新中心或自主设立的2011协同创新中心的高校其协同创新也有较高的创新效率。

在分析期2012—2016年内的59所样本高校中，协同创新投入产出超效率DEA值历年均小于1的高校有17所，分别为北京科技大学、北京邮电大学、中国地质大学(北京)、大连理工大学、吉林大学、同济大学、上海交通大学、浙江大学、厦门大学、武汉大学、华中科技大学、中国地质大学(武汉)、湖南大学、中山大学、电子科技大学、西安交通大学和西安电子科技大学。从DEA的含义来说，这17所高校在分析的5年期内，其协同创新效率未达到预期，即这些高校始终未能充分利用其协同创新的投入资源。可以看到，北京科技大学、北京邮电大学、大连理工大学、吉林大学、同济大学、上海交通大学、浙江大学、厦门大学、武汉大学、湖南大学、中山大学、电子科技大学、西安交通大学和西安电子科技大学等14所高校均为国家2011计划协同创新中心单位。

计算2012—2016年17所均非DEA有效的高校协同创新平均效率并排序，得到表2结果。

表2 2012—2016年历年均非DEA有效的高校协同创新平均效率排序结果

从平均效率这一指标来看，电子科技大学、上海交通大学、北京邮电大学和武汉大学均超过0.7，处于17所高校的前4位；平均效率低于0.6的高校则有同济大学、大连理工大学、北京科技大学和湖南大学，其中，湖南大学的平均效率不到0.4，其余32所高校在分析的5年里至少有1年其效率值大于1。下面对这些高校进行详细分析。分析期内历年协同创新超效率DEA值大于1的高校列于见表3。

表3 32所高校中2012—2016年协同创新超效率DEA值大于1的高校

注：各年份的高校按照超效率值由大到小排列。

根据2012—2016年的5年间协同创新有效年份次数对高校进行分组，结果如表4所示。

表4 根据有效次数将高校分组的结果

进一步分析可以发现，东北林业大学、中国矿业大学、长安大学、复旦大学、华北电力大学在仅有的非DEA有效的年份，其DEA效率值均在0.8以上，其中，东北林业大学和中国矿业大学更是超过0.9。华东理工大学和东华大学也表现为较高的协同创新效率，在非DEA有效的两年里效率值均在0.9左右和0.85以上。中国农业大学和北京林业大学在非DEA有效的3年里效率均在0.85以上。上述9所高校协同创新也有较高效率。另外可以看到，山东大学在非DEA有效的两年里其效率值均在0.75以上；重庆大学、中国药科大学和南京农业大学在非DEA有效的3年里其效率值则均在0.73以上；武汉理工大学则在非DEA有效的4年里其效率值则在0.7以上。

综上可知，清华大学、中国矿业大学(北京)、北京中医药大学、南开大学、陕西师范大学、华中师范大学、西南交通大学、江南大学、河海大学、中国海洋大学、东北林业大学、中国矿业大学、长安大学、复旦大学、华北电力大学、华东理工大学、东华大学、中国农业大学、北京林业大学；山东大学、重庆大学、中国药科大学、南京农业大学和武汉理工大学等24所高校在协同创新活动中均表现为较高的投入效率，其中，前10所学校可以作为高校协同创新绩效管理的学习单位。北京科技大学、北京邮电大学、中国地质大学(北京)、大连理工大学、吉林大学、同济大学、上海交通大学、浙江大学、厦门大学、武汉大学、华中科技大学、中国地质大学(武汉)、湖南大学、中山大学、电子科技大学、西安交通大学和西安电子科技大学等17所高校则表现为持续的协同创新低效率。

3.2 高校协同创新效率分布检验

为研究样本高校协同创新效率的分布特点，我们首先运用方差分析检验样本高校平均效率的分布之间有无差异，实际上是检验时间是否是影响样本高校协同创新的效率，然后再运用非参数统计方法探求样本高校协同创新效率分布状况差异的显著性问题。

3.2.1 高校协同创新总体平均效率的方差分析

高校协同创新效率总体均值是否随时间变化，我们可以借助方差分析方法讨论这一问题。实际上，就是要检验时间是否是影响高效协同创新效率均值变化的因素。由于分析期为最近的5年，因此，可以把分析的问题归结为单因素5个水平的方差分析。分析结果如表5，这里的显著性水平为5%。

表5 方差分析结果

由于检验的P值较大，故接受原假设，即高校协同创新效率均值不随时间发生显著改变，也即高校协同创新效率总体上近年基本稳定。

总体上高校协同创新效率均值保持基本稳定，但各高校协同创新效率分布仍可能存在显著差异。为此，我们运用非参数方法对这一问题进行详细讨论。

3.2.2 样本高校协同创新效率分布差异非参数检验

第一步：建立原假设和备择假设。

H0:k个总体无显著差异，H1:k个总体有显著差异。

第二步：确定并计算检验统计量。

(1)将各样本的观察值按大小顺序排列，确定它们相应的秩。如有观察值相同，则用各观察值的平均秩来代替。

(2)确定检验统计量：

(2)

第三步：确定检验规则(显著性水平为α)。

(2)当k个样本的容量都超过5时，则有：

(3)

表6 协同创新效率分布无显著差异高校的非参数检验结果

表6中与检验统计量值对应的高校在5%的显著性水平下它们的协同创新效率分布无显著差异。

由此，从协同创新效率分布状况来看，可以将59所高校分成10类，在分析期内全部有效的10所高校为一类，其余按照分布检验的结果可得表6中的九类。归为同一类的高校其协同创新效率分布无明显差异。这一结果对于制订差异化的提升高校协同创新效率的措施有积极意义。

如何提升高校协同创新效率，我们需要寻找非DEA有效的高校其协同创新投入资源有哪些未能获得有效产出，这样方可得到改善的方向。为此，进行投入资源的冗余量分析。

3.3 协同创新投入冗余分析

根据DEA模型的含义，那些在DEA意义下无效的决策单元，在现有的产出水平下，其投入有部分未能获得有效产出，即出现投入冗余的现象。模型的这一功能具有重要价值，可以用于项目的后评价。

由公式(4)可以得到49所高校各投入变量的冗余率，如表7所示。

表7 49所非DEA有效高校各投入变量的冗余率

表7(续)

注：表中数据仅针对非DEA有效的高校，且单个数值表示仅有一年无效，小括号内数值则表示无效年份中该指标冗余率的最小值和最大值。

为了直观表达各高校协同创新投入冗余量的分布状况，我们将人力投入指标和经费投入指标看成两大类，冗余率超过20%为高，否则为低。由此，根据这一划分，各高校将分布于四个象限，其中，纵坐标表示人力冗余率，横轴表示经费冗余率，如图1所示。

图1 基于冗余率的高校象限分布

注：为了便于观察,图1中的高校均用英文名缩写代替。如NEFU是Northeast Forestry University的缩写,为东北林业大学。

由图1可知，49所高校的分布总体上较为分散，除第三象限高校较为接近坐标原点。另外可见，位于第一象限的高校在人力和经费的冗余率上接近，表现为这些高校基本散布在第一象限的对角线周围。位于第二象限和第三象限高校的特征明显，位于第二象限的高校主要在人力冗余率上表现为较高的水平且成纵向特点；第四象限的高校则在经费的冗余率上具有较大的数值且成横向特点。

49所高校按照投入冗余率分布，大部分高校位于第一象限和第四象限，其中位于第一象限右上方的高校在经费和人力上均有较大的冗余率；位于第二象限上方和第四象限右侧的高校则分别在人力和经费上有较大的冗余率。

4 结论

将超效率与非参数统计方法结合起来，研究高校协同创新效率的分布状况，是一种新的尝试。超效率有助于鉴别DEA意义下有效的决策单元；非参数统计方法可以通过检验不同高校在协同创新效率分布差异的显著性从而将高校分类，这种基于数据的分类可以减少主观分类带来的偏差。

研究发现，在分析的59所高校中，10所高校在分析期内持续表现为DEA意义上的投入产出有效；有5所高校和6所高校在分析期内分别有4次和3次有效；17所高校则在分析期内每年均表现为DEA意义上的无效。在5%的显著性水平下，方差分析表明，每年高校协同创新效率的均值在统计上未表现为显著差异；非参数检验结果表明，59所高校可以分成10种分布类型，即这10中分布类有明显差异，而同一类型内的高校其协同创新效率分布在统计学上无明显差异。冗余率指标显示，有超过50%的高校在经费和人力冗余率上相当；其余高校则在经费和人力冗余率上表现为一个指标明显高于另一指标的特点。

高效协同创新效率不仅反映了高校的协同创新的科技创新能力，也反映了高校协同创新项目管理能力，因此，持续处于协同创新高效率的高校，如清华大学、中国矿业大学(北京)、北京中医药大学、南开大学、陕西师范大学、华中师范大学、西南交通大学、江南大学、河海大学和中国海洋大学等高校理应成为高校协同创新的标杆学校，可以成为协同创新支持的主要对象，也是企业选择合作研发单位的主要依据。另外，其中10所学校中特色类学校偏多，这是否表示特色类学校在协同创新项目研发上充分发挥其优势从而获得了较高的创新成果，仍需进一步探索。

参与协同创新的高校可以根据投入变量的冗余情况制定相应的改善和提升效率的策略，设计有的放矢的改进路径。

华东师范大学、中国矿业大学和华南理工大学等高校在人力和经费上冗余率较小的单位，可以通过完善相应管理措施，即可获得更多的创新成果。

北京交通大学、华北电力大学、东北林业大学、上海交通大学和山东大学则主要关注人力投入的利用率，通过完善项目组人员的职称结构、专业结构等降低人力投入的冗余率；其次，在协同创新项目经费的使用上可以进一步优化。另外，北京交通大学和上海交通大学在冗余率上明显低于同一象限的其他高校，改进的方向更为明确。

北京大学、北京科技大学、中国石油大学(北京)、中国地质大学(北京)、天津大学、复旦大学、华东理工大学、南京大学、中国药科大学、厦门大学、华中农业大学、重庆大学、西安交通大学、西安电子科技大学和长安大学等15所高校的经费投入冗余率明显高于人力投入冗余率，因此，这些高校改进的路径在于经费的科学配置，应建立和完善经费使用制度，并建立动态的经费效率的评估机制。另外，复旦大学仅在个别年份出现无效情形，需要分析出现异常情形的原因；中国石油大学(北京)、华东理工大学、华中农业大学、重庆大学、西安交通大学和西安电子科技大学等高校冗余率相对稳定且接近临界，这些高校有别于同一象限的其他高校，具有提升效率的良好基础，找到引起冗余的成因后可望有效降低冗余率。

北京化工大学、北京邮电大学、中国农业大学、北京林业大学、大连理工大学、东北大学、吉林大学、东北师范大学、同济大学、东华大学、东南大学、中国农业大学、浙江大学、中国石油大学(华东)、武汉大学、华中科技大学、中国地质大学(武汉)、武汉理工大学、湖南大学、中南大学、中山大学、西南大学、四川大学、电子科技大学、西北农林科技大学和兰州大学等26所高校无论在人力上还是在经费上均存在较大的冗余现象。这些高校需要建立系统化、制度化的协同创新项目管理机制，通过借鉴标杆学校的管理措施并结合学校学科优势，科学配置协同创新项目人力资源和经费资源。效率改善和提升是这些高校协同创新项目可持续的基础，在认识上需要提升一个新的高度方可解决当前存在的问题。第一象限中的北京化工大学、浙江大学、武汉大学、中国地质大学(武汉)、湖南大学、西南大学、四川大学和兰州大学等高校冗余率相对稳定且略高于临界值，这些高校通过完善管理机制可望获得更多的创新产出。

位于冗余率坐标系中第一象限的高校，需要在经费和人力利用率上给予同等关注，位于第二和第四象限的高校则重点关注经费或人力利用率的一个指标兼顾另一指标。上述高校协同创新效率的提升需要制定一个较长时间改进计划，逐步推进。对于位于第三象限的高校由于位于坐标原点的附近，可以制定近期改善措施，有望达到在短期内有效提升协同创新效率的目的。

协同创新实际上是由线性产出到非线性产出的一种飞跃。协同方即利益方。因此，在现有管理机制或平台下，引入风险协同创新模式，即在项目实施中进行在线监测和控制，展开投入和成果动态评估且合作方承担相应风险。相信风险干预可望在高校协同资源的科学和高效配置上起到积极作用。