“放管服”政策指导下高校科研资金使用效率研究——以北京地区部属17所高校为例

齐天（高级会计师）

（中央音乐学院 北京 100031 北京交通大学 北京 100044）

一、研究背景

改革开放以来，我国经济增速显著，对科学研究的投入也在持续增长。高校作为国家科技创新的重要力量，集中体现了国家的科技水平，目前已经成为国家开展基础性和前瞻性科研的生力军。科研项目数量和科研成果质量成为鉴别高校综合实力和科研质量的主要指标。由此带来的大量科研资金的管理就成为高校财务治理的重点内容。依据教育部科技统计资料：2020年我国高校投入的科技经费为2 458.20亿元，比2015年1 244.26亿元增长了97.56%。但与高投入相比，并没有显现出科研成果的高产出，而且高校科研资金管理仍存在着资金配置不合理、支出结构不合理、间接成本补偿过低、不足与浪费现象并存等诸多问题使得科研资金使用效率不能实现最优化。如何合理配置有限的科研资源以及提高科研创新能力是关系到国家、社会及高校科技发展的重大问题。因此，本研究对国家科技贡献较大、具有代表性的北京地区部属高校的科研资金，采用数据包络法（DEA）进行科学量化，评价其“放管服”前后的静态和动态效率，根据研究结果去探讨影响这些高校科研经费使用效率的堵点，提出有科学意义的管理和改进建议。

二、高校科研资金使用效率评价的基础理论

科研经费管理工作是高校科技管理的重中之重，对科研资金使用效率进行科学量化的研究评价是科学研究的重要保障，目前对其进行评价研究的文献很少，尤其是“放管服”前后的比较研究甚少，而且缺乏针对性，仅研究整体科研效率不够深入，必须将科研资金支出项目分类，才可有效合理地评价科研资金使用效果。基于投入产出理论和效率相关理论，本文对北京地区部属高校科研资金使用效率进行评价。

（一）投入产出理论

这类既包含“投入”又包含“产出”的经济数量分析方法，是美国经济学家W.Leontief在20世纪30年代提出，早在1931年他便开始成体系研究该技术。1986年A.Charnes等首次提出了DEA模型的雏形，经过多年的补充完善，学者们把投入产出理论应用到DEA模型中。而高校科研恰恰是一个多参数投入产出的复杂开放系统，与此理论高度吻合。该理论为构建高校科研资金使用效率的投入产出指标体系提供了支撑。

（二）效率相关理论

效率的概念主要由帕累托提出，认为经济领域存在资源稀缺性，因为在整个经济社会中的资源并不充足，因此在配置过程中就存在着效率问题，通过优化资源的整合配置，从而提升资源配置效率。科研效率是指在一定时期内科学研究产出与投入之间的综合对比。生产效率作为生产理论中的一个重要问题，其测度的方法一直都被人们所关注。目前对于生产效率的测度主要是基于生产函数。生产函数提出了生产前沿面这一概念，这意味着投入和产出这一生产活动是有效率且达到最优状态的集合。前沿面分析方法是关注每一个决策单元和生产前沿面的效率距离，以此测算出前沿效率。技术效率就是在特定的技术条件下，如果投入不增加或者其他类型的产出不减少，就不可能增加其产出，这种状态就是有效的状态。

三、基于DEA构建DMU1-17高校科研资金的使用效率模型

（一）DMU1-17高校科研资金的使用效率评价体系

评价指标体系的科学性和代表性直接影响到评价结果是否真实有效，因此，在实证研究中如何获得设计合理的评价指标至关重要。本研究将北京地区教育部直属17所高校（以下简称DMU高校）作为实证对象，以教育部科技司《高等学校科技统计资料汇编》作为数据来源，选取2015—2018年4年的DMU高校的原始数据为实证研究样本进行统计分析（因2019—2020年汇编无具体高校原始数据，故无法纳入）。

全部样本纵向覆盖了“放管服”前、后两年及当期和前期共4年的科研经费投入和产出评价指标，横向覆盖DMU高校，本研究选取的决策单元（DMU）是BJ大学（DMU）、ZGR 大学（DMU）、QH 大学（DMU）、BJJ大学（DMU）、BJK 大学（DMU）、BJH 大学（DMU）、BJY 大学（DMU）、ZGN大学（DMU）、BJL大学（DMU）、BJZYY大学（DMU）、BJSF大学（DMU）、ZGC大学（DMU）、ZGZ大学（DMU）HBDL大学（DMU）、ZGKY大学（DMU）、ZGSY大学（DMU）、ZGDZ大学（DMU）这17所高校。遵循科学性、可操作性以及目标导向性的原则，参考国内以往学者的研究，并依据数据的可得性选取4个投入评价指标（劳务费、业务费、转拨外单位和其他费用）和4个产出评价指标（专著、论文、获奖成果、科研人才培养），设计出DMU高校科研资金的使用效率评价模型（见表1）。其中，产出指标中某些DMU为0，为了计算的科学性及有效性，本研究中，将相关数据进行标准化处理，标准化处理公式为：Y=0.1+0.9X-Xmin/Xmax-Xmin。

表1 DMU1—17高校科研经费使用效率评价指标

（二）DMU1—17高校科研资金的使用效率评价结果

1.基于DEA—BCC的静态效率分析。DEA在对多输出和多输入的有效性评价上占据绝对的优势，是一种系统评价的客观、简便的成熟工具。本研究选取DMU高校2015—2018年科研经费投入产出数据，运用DEAP 2.1软件，基于BCC模型测算各高校的科研经费使用效率。

模型中θ代表第j所高校科研资金使用的纯技术效率值，满足0≤θ≤1。ε为阿基米德无穷小，e为元素为1的向量，λ为n所高校科研资金使用的某种组合权重。每个决策单元都有n项投入X=（x，x，…，x）T，s项产出Y（t）=（y，y，…，y）T。s为松弛变量，表示投入冗余；s为剩余变量，表示产出不足。

技术效率反映科研资金使用的效率水平，即总体效率；这一指标又包括纯技术效率和规模效率，纯技术效率是衡量科研资金的管理及使用效率创新的影响；规模效率是衡量科研资金的资源规模优化水平。这三个效率指标的得分值为0—1范围内，分值高者效率高，分值低者效率低；得分等于1称之为DEA有效。当规模报酬递增或递减时均小于1，说明经费投入不足和冗余所致。DMU高校科研经费使用效率评估结果见表2。

表2 DMU1—17高校科研经费使用效率评估结果

由表2可以看出，17所高校平均技术效率值为0.669，其中 DMU最高为 1，最低的 DMU仅为 0.231，表明DMU高校科研资金的使用效率整体水平一般，各个高校之间存在着较大的差异，部分高校科研资金使用效率急需提升。17所高校的纯技术效率值平均得分为0.921，纯技术效率值均达1的有12个DMU，其中DMU的纯技术效率值在0.828—0.935，只有DMU的纯技术效率值较低。表明DMU高校在科研创新和资金管理方面均呈高水平状态。而平均规模效率值得分仅为0.724，表明不同的高校科研资金投入不合理或规模效率不足制约了科研资金使用效率的提升。其中仅有DMU的规模报酬呈递增状态；而 DMU这 10 所高校的规模报酬处于递减，表明其科研资金投入存在着冗余状态。从各高校科研资金使用效率得分来看，有DMU等6所高校实现了DEA有效，即无论是管理方面还是规模控制方面，都领先于其他高校。另外，DMU高校科研资金使用效率较低，因其纯技术效率得分等于1，所以规模无效率是其主要原因；而DMU高校的使用效率低，是因为纯技术效率和规模效率均无效；投入冗余或产出不足导致11个DMU非DEA有效。

由图1—图3可以看出，2017—2018年与2015—2016年的对比即“放管服”政策实施前后一年的变化分析，DMU科研资金使用的技术效率均等于 1 或接近 1，较前有了巨大的提高；DMU科研资金使用的PTEC值均等于1或接近1，同样有了巨大的进步；DMU科研资金使用的规模效率值均等于 1，DMU亦接近1，上升了很大空间。提示“放管服”政策给高校科研资金使用效率带来了好的成效。

图1 DMU1—17高校2015—2018年科研经费使用技术效率比较

图2 DMU1—17高校2015—2018年科研经费使用纯技术效率比较

图3 DMU1—17高校2015—2018年科研经费使用规模效率比较

2.基于DEA-Malmquist指数的动态效率分析。St·Malmquist（1953）提出了作为一种消费指数——Malmquist指数的概念，后被Fare（1994）等发展完善，该方法采用定向输出法或输入法定义距离函数，以对每个DMU的进步效率评估来测度全要素生产率增长的Malmquist生产率指数（TFP）。

本研究从年度趋势角度分析17所高校，使用DEAP 2.1软件分析Malmquist指数，见表3，测算结果称之为全要素生产率指数（TFP），TFP值＞1，表明从t到t+1期整体科研资金的使用效率有提升，TFP值＜1代表整体科研资金的使用效率下滑，TFP值=1，代表整体科研资金的使用效率无变化。TC值代表技术是否进步，即“增长效应”，它测算DMU在t-1期到t期、t期到t+1期的前后两期生产前沿面的移动水平。PTEC和SEC的几何平均值用来表示TEC。PTEC测算每个DMU从t-1期到t期、t期到t+1期间科研资金的使用效率增减情况，即“追赶效应”，PTEC值＞1，说明当TC和SEC值不变的情况下，相对效率更靠近生产前沿面；SEC值代表DMU的前后时期的规模收益状况不同，即“收益效应”，若SEC值＞1，则表明这个DMU的规模收益呈递增状态。

表3 2015—2018年DMU1—17高校整体动态科研效率评估结果

表3给出了DMU高校在每个时间段的动态效率均值，可以看出2015—2018年高校科研资金的使用效率整体出现下滑，除TC值＞1之外，其他几个分解项值均＜1，说明这些高校科研资金使用效率提升的主要内在动力是“增长效应”，同时效率下滑对这些高校科研资金的使用效率造成了负面效用。2015—2016年度TFP值提升9.1%，其中TC值提升42.7%，TEC值则下滑23.6%；PTEC值下滑0.6%，SEC值下滑23.1%；2016-2017年度TFP值下滑15.7%，其中TC值下降35.6%，TEC值提升30.9%，PTEC值下滑2.9%，SEC值上升34.9%；2017—2018年度，TFP值提升2%，其中TC值提升12%，TEC值下滑9.1%，PTEC值提升2.9%，SEC值下滑11.5%，说明科研资金投入不合理会导致科研资金的使用效率的下滑。

表4给出了2015—2018年期间DMU高校科研资金的使用效率年均值结果。可以看出各个高校的情况存在区别，如DMU的TFP值改善明显，提升了32.1%，而DMU的TFP值则下滑了22.1%。在本文研究的17个DMU当中，TFP值＞1的DMU有7个，占北京地区17所部属高校总数的41.2%，TFP值＜1的有10个，占总数的58.8%，TFP值较高的 6个 DMU，分别是 DMU（4.3%）、DMU（2.9%）、DMU（5.5%）、DMU（5.8%）、DMU（32.1%）、DMU（0.4%）、DMU（15.5%），增长率在0.4%—32.1%之间，TFP指数＞1表明各个DMU科研资金的使用效率总体是上扬的。

表4 2015—2018年DMU1—17高校动态科研效率年度均值

图4、下页图5、图6给出了2015—2018年DMU高校动态科研效率评价结果，2015—2016年度的TFP值在不同高校之间的差异较大，标准差达到了0.995。TC值与TFP值形态趋同，进一步说明技术进步是拉动TFP值的主要内在因素。不同高校的PTEC值、SEC值在本研究期间的差异很小。2016—2017年度的TFP值在不同高校之间的差异有所缓和，标准差降低到了0.390（见上页表3）。TC值与TFP值形态类似，PTEC值仍然差异不大，SEC值成为该期间拉动TFP值的主要内在力量，变异性亦较大（标准差为0.683）；可以看出TFP值和SEC值均增高。尤其DMU最为明显，DMU、DMU、DMU、DMU、DMU亦有较大的增长。2017—2018年度TFP值在不同高校之间的差异进一步缓和，标准差降低到了0.385。不同高校TFP值变化的内在动力有所区别，由单一技术进步带动型转向技术进步和技术效率同时驱动型，TFP值增长的内涵更为丰富。如DMU、DMU、DMU主要以技术进步带动，DMU、DMU和 DMU主要由PTEC值带动，DMU和DMU则主要由SEC值带动。

图4 2015—2016年DMU1—17高校动态科研资金的使用效率评估结果

图5 2016—2017年DMU1—17高校动态科研资金的使用效率评估结果

图6 2017—2018年DMU1—17高校动态科研资金的使用效率评估结果

从图4、图5、图6可以看出，DMU高校的SEC值在“放管服”政策实施的前后年度的对比有着明显的提高，仅有2个DMU的SEC值小于1，分别是0.935和0.938，表明北京地区部属高校的科研资金的投入规模收益递增，均显现出明显的“规模效应”，尤其是DMUDMUDMU的TFP值增长处于领跑状态，DMU的“增长效应”最高，DMUDMUDMU的“追赶效应”明显超前。就DMU高校来讲，PTEC值与SEC值提高体现了这些高校科研资金的管理水平有所提高及管理制度改革对其综合管理能力的提升，“追赶效应”与“规模效应”和“增长效应”三者变动产生交互作用，才会导致整体科研资金的使用效率发生变化。

四、结论与展望

（一）结论

1.高校科研资金的使用效率静态评价。DMU高校科研资金的使用效率整体水平偏低，提升空间较大；但其中有6所高校表现最为突出，并且连续4年保持DEA有效，在管理层面和规模控制层面整体优于其他高校，实现了科研资金的高效配置。而DMU的纯技术效率等于1，规模无效导致其科研资金的使用效率低下，说明该高校科研资金使用的管理水平到位，但规模无效率，需要对其科研资金的投入进行考量；而DMU的纯技术效率、规模效率均＜1，说明是由科研技术性利用无效和规模无效这两个双重原因所导致的效率无效，该高校在这两方面都均需改进。有12个DMU的纯技术效率均达1，DMU、DMU、DMU的纯技术效率也在0.828—0.935，只有DMU、DMU的纯技术效率较低。说明北京地区部属高校的科研机制运行及管理水平都处于优良程度，其科研资金的使用效率低下的原因主要是由于规模效率较低所致，规模效率平均得分仅为0.724，6所高校处于规模报酬不变，DMU高校的规模报酬保持递增，提示应加大对该高校科研经费的投入规模，这样才能提高该高校科研资金的使用效率。然而，有10所高校均处于规模报酬递减状态，说明该类高校尚未有效利用已投入的科研资金，存在着资金闲置与浪费。针对非DEA有效的并处于规模报酬递减状态的高校，要减少科研资金的投入规模，提升科研资金使用效率的管理能力。对于规模效率无效的高校可以整体扩大或缩小科研资金的投入，注重优化科研资金的管理手段，对于纯技术效率无效的高校应及时加强科研资金管理的内部控制，有效调配并避免资金的流转阻碍和闲置现象。

2.高校的科研资金使用效率动态评价。技术进步是DMU高校科研资金使用效率提升的内在动因，TFP值与TC值呈现出一致的走向，推测提升高校整体科研资金使用效率的主要动因是“增长效应”。2016—2017年TC值从上一年度的1.427垂直下降到0.644，使技术进步的脚步放慢，TC值下降也导致TFP值轻度下滑0.248；PTEC值为0.971，说明“追赶效应”发挥了一定作用，但“放管服”政策执行两年后2017—2018年度TC值从0.644直线上升到1.120，TC值上升也导致TFP值提升至0.476；而PTEC值进一步上升为1.029，两个年度的标准差分别为0.507和0.257。其中，15所高校PTEC值大于或等于1，DMU、DMU、DMU分别高达1.309、1.360、1.639，使得“追赶效应”发挥着巨大的作用。“放管服”政策所带来的多元化成效，是产生“追赶效应”和“规模效应”的首要推动力，说明教育部直属高校在全面贯彻“放管服”改革精神方面走在了全国高校的前列，从高校科研资金的管理入手，充分发挥“放管服”政策带来的优势，提高北京地区教育部直属高校的整体科研资金使用效率，更靠近生产前沿面。加之，2016年是“十三五”计划的第一年，有了国家资金投入，各大高校引进大批高精尖设备与技术，建立各种学科研究中心和重点实验室及人才培养基地，使生产前沿面迅速提升，SEC值从上年度0.769直接上升至1.349，又带来巨大的“规模效应”。高校间TFP值和TC值也出现趋同趋势，原因在于引进大量新技术和创新人才，有大量的创新与改革，推动着巨大的“增长效应”，三者变动产生的交互效应必然推动了北京地区部属高校科研资金使用效率跨越式的增长。因此，高校应在“放管服”政策指导下建立合法合规的科研资金使用管理战略，进而推动高校整体科研资金使用效率的提升。

（二）分析与展望

从研究对象来看，北京地区的17所部属高校，涵盖综合、财经、农医等各学科特色，无论在提高教学质量还是科研导向和社会服务方面都具有标杆示范作用。同时，它们又是国家科技发展创新的领头雁，政府财政向其拨付了大量科研资金，使其承担了国家的各项重点科研项目及任务，此类高校的科研团队学识学术水平一流，创新型人才队伍非常强大，各种科研信息资源极为充足，科研实验条件尤为优越，再加上科学规范的大学现代管理体系，所以，其科研数据比较全面、比较具有代表性。本文对2015—2018年北京地区部属高校科研资金使用效率研究发现，科研资金使用效率的整体水平不高，且存在着高校类别的差异，与学者对既往部属高校年度的研究结果相似，但与之前相比较也有很大的提高，尤其是农林、政法、医药、艺术专业类高校科研资金使用效率最高，建议增加对其科研资金的投入；而综合类高校的科研资金使用效率稍差，投入产出比低下，可能存在着资金闲置和浪费状况，未能实现科研资金使用效率的最优水平；理工专业类高校的科研资金使用效率差别很大，这与其高校整体规模、学科方向、科研管理、研究周期、人才和设备配备等综合因素相关。鉴于高校科研资金使用效率的好坏关系到国家的科技发展科研资金的配置，本研究结果必将能够为国家教育科研管理层面更加科学、有效、合理配置高校科研资金，加快和鼓励高校实现科研成果转化提供一定的参考数据和实证借鉴，使国家财政有限的科研资金发挥最优化的效能。