高校科技人才分类评价改革能提高科研全要素生产率吗？——来自99所“211工程”高校的证据

许 林，李俊贤

(华南理工大学 经济与金融学院，广东 广州 510006)

一、问题的提出

在科技水平决定国家经济实力与世界地位的新时代背景下，科技立则民族立，科技强则国家强。习近平总书记强调,坚持把科技自立自强作为国家发展的战略支撑，加快建设科技强国，实现高水平科技自立自强。世界各国每年都在加大科研投入，根据经济合作与发展组织(Orgnization for Economic Co-operation and Development,OECD)统计数据显示，全球研发总投入由2009年的1.2万亿美元增长到2020年的2.3万亿美元，增幅高达90%，但巨大的科研投入并未带来科研产出的质量提升。因此，如何实现科研效率的优化成为各国争相研究的重要议题。高等学校具有人才聚集与知识密集的特点，科技人才作为高校科研创新的主体，对高校科研效率的提升举足轻重，而科学管理好科技人才、激发科技人才创新活力的关键在于完善科技人才评价体系。2011年我国科技部发布《国家中长期科技人才发展规划(2010—2020年)》(国科发政〔2011〕353号)，提出要对我国科技人才评价制度进行改革，建立科学的评价制度。2013年出台的《教育部关于深化高等学校科技评价改革的意见》(教技〔2013〕3号)，明确高校科技人才评价改革的方向，极大地推进了我国高校科技人才评价体系的确立与进一步完善。党的十九大提出，提高全要素生产率是中国经济高质量发展的动力之源，高校的科研活动是推动国家科技进步的重要力量，提升高校科研效率有利于增强自主创新能力，对维持我国经济高质量增长具有重要意义。因此，在高校科技人才评价制度改革与经济高质量发展的双重背景下，高校科技人才评价制度改革对高校科研效率的影响成为学术界关注的重要问题。

习近平总书记曾多次指出要发挥科技人才评价的“指挥棒”和“风向标”作用。尽管国家高度重视科技人才评价体系完善，但实践中科技人才评价制度仍然存在较多问题：科技人才分类不合理甚至“一刀切”评价，评价指标单一化、简单化，评价方法存在定性模糊化和全量化缺陷等问题，价值导向不明确，分类评价不到位，专家遴选机制不完善，组织方式不科学。这些问题严重阻碍了我国科技人才评价机制的深化改革与科研活动效率的提升。要想整治科技人才评价的不良风气以及健全科技评价体系，首先要贯彻科技人才分类评价制度。赵伟等提出，要建立科学的科技人才评价制度，应对科技人才进行针对性分类评价。田永常等认为，科技评价的表现形式是对科技人才进行分类分级。刘颖提出，要根据科技人才的不同类型，设计突出不同重点的人才评价体系。杨月坤等认为，我国建立多元化科技人才评价体系最重要的是遵循分类评价原则，完善人才分类体系，提高评价对象的精准性。完善科技人才分类评价制度，是推进我国科研事业高质量发展的重中之重。因此，实施科技人才分类评价制度改革，对完善我国高校科技人才评价体系、提升高校科研效率而言势在必行。

全要素生产率最早是由经济学家Solow在20世纪50年代提出的经济学概念，作为宏观经济学中衡量生产效率最重要的指标之一，被广泛应用于社会各领域的效率测算中。其中针对高校的生产效率，国内外学者提出了“科研全要素生产率”这一概念，主要是通过研究高校在人力、物力、财力方面的投入与科研产出之间的关系，从而判断高校的科研效率水平。学术界对高校科研全要素生产率的影响因素进行了大量研究，有的从高校科研投入角度研究外部资助、校企联合、研究与开发(R&D)经费等因素对高校科研全要素生产率的影响；也有的从高校自身异质性视角，如高校科研团队规模、高校R&D人力资本素质、高校区域差异、高校激励制度等展开研究；但鲜有文献从科技人才评价视角分析其对高校科研效率提升的理论逻辑和作用机制。原因可能在于高校科技人才评价效果难以量化以及高校科研全要素生产率与科技人才评价之间存在内生性问题，这也正是本文的出发点与核心价值所在。

基于上述现实与理论背景，针对当前关于科技人才评价改革与高校科研效率之间的研究仅限于理论层次的探讨，缺少政策效应评估等定量研究，本文将2014年首批高校科技人才分类评价改革试点政策作为一项准自然试验，实证评估科技人才分类评价改革对于高校科研效率的政策效应，从微观视角为政府进一步深化科技人才分类评价制度改革提供政策启示。

二、理论分析与研究假设

科技人才分类评价改革是贯彻国家创新驱动发展战略，实现科技自立自强的重要决策。自2011年发布的《国家中长期科技人才发展规划(2010—2020年)》(国科发政〔2011〕353号)明确提出要对我国科技人才进行统筹分类建设，设立科学的人才评价机制以来，科技人才分类评价制度改革已取得阶段性成效。国家开始强调基于自然科学、社会科学、军事科学等不同学科门类的特点，依据基础前沿研究、社会公益性研究、应用技术开发研究的差异点，设立分门别类的评价程序。尽管我国科技人才分类评价改革在政策规定与精准施策方面有所进展，但有学者指出我国科技人才评价体系仍然存在严峻的问题。例如，杨月坤等认为我国的科技仍存在人才分类不清、评价主体不明、评价标准单一、评价方法趋同、评价程序不公等问题。中共中央办公厅、国务院办公厅印发的《关于分类推进人才评价机制改革的指导意见》(中办发〔2018〕6号)，肯定了我国科技人才分类评价改革所取得的成绩，针对目前制度仍然存在的问题提出深化改革意见。因此，在科技人才分类评价改革的关键时刻，有必要对之前的改革成果进行归纳总结，并为进一步深化改革指明方向。本文认为，2014年以来科技人才评价分类评价改革能够提升高校科研全要素生产率，但仍存在改革力度不足的问题，使得最终对高校科研效率的影响时效性短。为此，提出研究假设H1：

H1：高校科技人才分类评价改革能够有效提高科研全要素生产率，但改革力度不足，对高校科研效率影响的时效性短。

科研全要素生产率是衡量高校科研效率的重要指标。全国教育经费执行情况统计公告显示，2020年全国教育经费总投入为53 033.87亿元，同比增长5.69%。如此大的经费投入之下，提升高校科研全要素生产率是深化高校科技评价改革的关键目标。已有对高校科研全要素生产率的优化研究已经充分说明,高校人才能级结构优化以及科技人力投入提升能够对高校科研全要素生产率产生显著的积极影响。

从人才能级结构优化角度看，高校人力资本水平越高，科研产出数量越多、科研质量越高，科研的生产效率就越高；而提升高素质科研人员在科研团队中的比例有利于提高科研队伍的研究水平，进而提高科研人员的投入与产出效率。根据科技人才分类评价改革内容，高校对从事不同学科类型活动的科技人才进行分类评价，这将促使高校依照其分类标准和评价结果对科技人才层次结构进行优化，以达到合理配置高校人力资源的作用。此外，开展科技人才分类评价能够为高校在人才市场中释放良好工作环境的信号，提高其市场竞争力，吸引更多高素质人才加入其中，从而进一步提升高素质人才在教学与科研人员中的比例。因此，有理由相信，科技人才分类评价改革能够促使高校提升科研队伍中的高素质人才比例，优化高校人才能级结构，达到有效提高科研全要素生产率的目的。

从科技人力投入角度看，作为衡量科技投入的重要指标——人力投入一直以来是学者们广泛研究的主题，人力资源被认为在经济增长过程中能够发挥知识存量对创新的作用以及技能存量对生产要素的作用。科研人员的人力资本积累能够决定知识生产效率的高度，人力资本存量对于科研效率的提升具有显著的正向作用。放之高校，加大科技人力投入能够提升科研水平，提高科研资源使用效率，进而实现高校科研全要素生产率的提升。自2014年开展的科技人才分类评价改革本质上也是对高校科研人才绩效评价体系的改革。通过完善公平且针对性强的人才评价体系，营造潜心研究、追求卓越、风清气正的科研环境，最大限度地提升科研人员的积极性，激发科研潜力，以达到加大科技人才在科研方面投入的目标。基于此，本文推断，科技人才分类评价改革能够加大高校科技人力投入，提升高校科研全要素生产率。因此提出研究假设H2：

H2：科技人才分类评价改革能够通过科研人才能级结构优化、科技人力投入来影响高校的科研全要素生产率。

党的十九大指出，中国经济已由高速增长阶段转向高质量发展阶段。党的十九届五中全会明确提出，要将推动“高质量发展”作为“十四五”时期经济社会发展的主题以及贯穿“十四五”规划纲要的逻辑主线。习近平总书记强调，高质量发展不只是一个经济要求，而是对经济社会发展方方面面的总要求。高校作为经济社会发展中的“助推器”，拥有人才培养、科学研究和社会服务三大基本功能，对经济社会的发展具有深远的影响。因此，高校应站在新的历史起点上，积极响应“十四五”规划、国家中长期科技发展规划以及高校中长期科技发展规划，着力履行自身职责，助推科研高质量发展。开展科技人才分类评价改革，是推进高校科研高质量发展的一次尝试。根据科技人才所从事的工作性质和岗位，完善科技人才分类评价体系与机制，激发各类科研人员的积极性与创造性，达到促进高校科研高质量发展的目的。在探究科技人才分类评价改革能否提升高校科研全要素生产率时，还需探讨其是否也能为高校科研带来高质量产出，由此提出研究假设H3：

H3：科技人才分类评价改革通过提升高校科研全要素生产率，进而实现高校科研产出的质量提升。

三、研究方法与设计

(一)实证模型构建

1.科技人才分类评价改革对高校科研全要素生产率影响路径的模型

上述理论分析对科技人才分类评价改革与高校科研全要素生产率的关系作出了理论推断。为了检验科技人才分类评价改革对高校科研全要素生产率的影响机理，本文构建模型如下：

=+reform++++

(1)

其中，表示高校在第年的科研全要素生产率；reform表示高校在第年进行科技人才分类评价改革；为科技人才分类评价改革对高校科研全要素生产率的影响；表示影响高校科研全要素生产率的一组控制变量，包括高校类别、高校层次以及高校所处地理位置；为个体固定效应；为时间固定效应；为随机误差项；为常数项。

2.科技人才分类评价改革对高校科研全要素生产率作用机制的中介效应模型

为了准确衡量高校人才能级结构优化以及高校科技人力投入在科技人才分类评价改革对高校全要素生产率的影响效果，参考范丹等的研究方法，构造中介效应模型如下：

(2)

(3)

其中，表示中介变量；为reform对中介变量的路径参数；为加入reform和中介变量后，中介变量对的路径系数；为reform对的总效应；中介效应大小为与的积。中介效应可以拆分为高校人才能级结构优化、高校科技人力投入两条路径，而高校人才能级结构优化可由教学与科研人员数中高级职称占比(PRO)来衡量，高校科技人力投入由R&D人员全时当量(FERP)来衡量。PRO表示高校在第年的教学与科研人员数中高级职称的占比；FERP则表示高校在第年R&D人员的全时当量。其他解释变量同模型(1)。

中介效应检验步骤为：若系数、和均显著，且与相比变小或显著性下降，则说明存在部分中介效应；若和显著，但不显著，说明存在完全中介效应；若和中有一个不显著，则需要进行bootstrap检验。

3.科技人才分类评价改革对科研全要素生产率影响的双重差分模型

为了克服内生性对研究结论的影响，本文以2014年9月5日发布《教育部办公厅关于开展高等学校科技评价改革试点的通知》(教技厅〔2014〕3号)推行的科技人才分类评价改革试点作为准自然实验。该通知确定在中国农业大学、北京科技大学、华北电力大学、北京理工大学、同济大学、华东理工大学、华中科技大学、西北农林科技大学、西北大学9所高校中进行科技人才分类评价改革试点。因此第一重差分来自改革试点高校与非改革试点高校之间的差异，第二重差分来自试点前与试点后的差异，构建双重差分模型如下：

TFP=+DID++++

(4)

其中,TFP表示高校在第年的科研全要素生产率;为常数；为控制变量的系数；DID表示高校是否进行科技人才分类评价改革的虚拟变量(TREAT)与颁布改革政策前后的虚拟变量(TIME)的交互项，若高校在当年参与了科技人才分类评价改革，则TREAT=1，否则TREAT=0；颁布改革政策后，TIME=1，否则TIME=0；系数为科技人才分类评价改革对高校科研全要素生产率的影响效果。为一组控制变量，同模型(1)；为个体固定效应；为时间固定效应；为随机误差项。

(二)数据来源和处理

《教育部办公厅关于开展高等学校科技评价改革试点的通知》(教技厅〔2014〕3号)确定的9所试点高校均属于我国“211工程”高等院校，因此，将研究对象聚焦于我国116所“211工程”高等院校。由于该文件是在2014年9月发布，而政策从颁布到实施存在一定时滞，因此假定政策真正开始实施的年份为2015年，再结合数据的可获得性，将研究时间跨度确定为2009—2017年。

为剔除异质类样本，同时尽力保证样本容量足够大，对样本作如下处理：首先，由于本文的研究主题是科技人才评价改革对高校科研全要素生产率的影响，这在一些以传统文科为主的高校中作用微弱，因此剔除样本中为语言、财经、政法、民族、艺术、体育类的专业院校，即北京外国语学院、上海外国语学院、中央财经大学、对外经济贸易大学、西南财经大学、上海财经大学、中南财经政法大学、中国政法大学、中央民族大学、中央音乐大学以及北京体育大学11所高校。其次，由于一些高校隶属于军事部门管辖，科研数据通常具有保密性质，因此也将这一部分高校排除在外，即国防科技大学、第二军医大学与第四军医大学3所高校。最后，由于中国人民大学、陕西师范大学以及华北电力大学(保定)在2009—2017年的科研数据有所缺失，因此也将这3所大学剔除。剔除掉上述共17所异质类高校后，最终确定样本为99所“211工程”高校，所有数据均来自教育部公布的《高等学校科技统计资料汇编》。

(三)重要变量及其测量

1.高校科研全要素生产率

测算高校科研全要素生产率常见的方法有数据包络分析法(data envelopment analysis, DEA)、随机前沿分析方法(stochastic frontier approach，SFA)、层次分析法(analytic hierarchy process，AHP)以及灰色关联分析法(grey relation analysis,GRA)等。其中由于DEA在衡量多输入与多输出的决策单元方面具有优势，并且能够不受个体主观影响，因此得到国内外学者的广泛应用。

国外应用方面，英国学者Flegg等采用DEA方法测算了英国45所大学1980—1992年的全要素生产率，并分析其变化的可能原因。澳大利亚学者Worthington等以澳大利亚35所大学在1998—2003年的投入产出数据为样本，采用DEA方法测算出该国高校教学和科研生产率。国内应用方面，姜彤彤构建了重点突出科研投入数量与科研产出质量的指标体系，采用DEA方法测算我国36所“985工程”高校在2005—2010年的科研活动全要素生产率，并探讨其波动情况及原因。李彦华等则以“双一流”高校为样本，应用DEA 与 malmquist模型测度了2014—2017年间的科研全要素生产率的变动情况。

因此，本文也采用DEA方法测算我国99所“211工程”高校在2009—2017年间的科研全要素生产率。参考前面学者构建的高校科研投入-产出指标，并结合此次科技人才分类评价改革内容，秉承“破四唯”思想，选取反映科研成果质量的指标，并对产出指标与科技人才分类评价进行相对应的划分，构建投入-产出二级指标体系，如表1所示。

表1 高校科研投入-产出指标体系及其描述性统计

2.中介变量

本文选用教学与科研人员数中高级职称人数占比(PRO)作为高校人才能级结构的代理变量进行机制检验，教学与科研人员数中高级职称人数占比(PRO)数值越大说明高校人才能级结构越优化；选取R&D人员全时当量(FERP)来量化高校科技人力投入，FERP是国际上通用的一种科技人力投入的衡量指标，该指标值由R&D全时人员(全年从事R&D活动累积工作时间占全部时间的90%及以上的人员)工作量与非全时人员按实际工作时间折算的工作量加总而成，FERP越大，说明对于高校的科技人力投入越大。

3.控制变量

为了控制其他因素对高校科研全要素生产率的影响，本文在回归模型中加入其他可能影响高校科研全要素生产率的变量，具体包括高校类型、高校层次以及高校所处地理位置。其中，高校类型是以样本中的高校研究领域为标准，划分成综合类、理工类、农林类、医药类、师范类；高校层次是以我国教育部在1998年启动的“985工程”为标准，将样本中99所高校划分为39所“985”高校以及60所非“985”高校；高校所处地理位置则是以样本高校所处的地理位置将其划分为东部、中部与西部。同时考虑到时间、高校自身发展对研究结论的影响，本文还控制了时间固定效应与个体固定效应。各变量定义及其描述性统计如表2所示。

表2 变量定义及其描述性统计

四、实证结果与分析

(一)科技人才分类评价改革对高校科研全要素生产率的影响

针对上文构建的四个模型，分别采取混合最小二乘法(pooled least squares, POLS)、固定效应模型(fixed effects model, FEM)以及随机效应模型(random effects models, REM)对其进行回归，得到表3的实证结果。研究发现，无论采取哪一种模型对其进行回归以及是否添加控制变量，科技人才分类评价改革的系数均显著为正，且不同模型回归系数差异不大，表明科技人才分类评价改革对高校科研全要素生产率的提高确实产生积极作用。从理论上来说，科技人才分类评价改革能够改善高校人才结构，提升高素质人才数量以及科研团队的知识水平，带来更高的科研产出效率——高校科研全要素生产率得到上升。从投入角度来看，实行科技人才分类评价改革有利于营造良好的科研工作环境，提升高校科研人才评价过程中的公平性与合理性，提高科研人才的工作积极性，进而会加大对科研的人力投入。

表3 科技人才分类评价改革对高校科研全要素生产率的影响

(二)稳健性检验

1.平行趋势检验和时滞效应分析

使用双重差分模型所必须满足的一个重要前提是符合平行趋势，即处理组和控制组需在政策实施之前必须具有相同的发展趋势。本文参考孙鹏博等的做法，采用事件研究法进行平行趋势的检验，具体模型为：

(5)

图1反映模型中参数的估计值以及其95的置信区间。当<0时，参数的估计值均不能拒绝为0的原假设，这表明在科技人才分类评价改革试点之前，处理组和控制组符合平行趋势假设，由此可验证假设H1成立。从动态效应上看，科技人才分类评价改革试点的第二年参数估计值才开始显著，说明科技人才分类评价改革政策对于科研全要素生产率的作用具有时滞效应。事实上，科技人才分类评价改革政策的发布时间是2014年9月，本文在选定政策实施年份时就已考虑到政策实施的滞后性，并将改革年份定在2015年，然而根据上文分析，直到2016年，政策效应才开始初步体现，因此这项政策的实际时滞效应有一年半之久。原因可能在于，影响高校科研全要素生产率的路径之一是影响科研产出，而科研成果如论文、专利等从完成到公开发表再到数据能够被收录到年鉴中，要经过较长的周期，所以最终反映在高校科研全要素生产率的政策效果上存在一定时滞性。此外，从图1还可看出，在政策开始实施的第三年，参数估计值开始下降，这也说明科技人才分类评价改革政策对高校科研全要素生产率的提升效应在开始试点的第二年达到最大效果，而从第三年则开始逐渐减弱，这可能是政府正向激励不足所导致的。当改革开始时，高校出于对政策拥护，积极投身改革，而在改革初起成效之后，缺乏正向激励则会导致高校改革的热情消退，从而导致第三年出现科研全要素生产率的回撤。

图1 双重差分平行趋势检验及动态效应

2.安慰剂检验

本文在准自然实验中虽然已经加入了控制变量，但仍可能存在一些随机因素会对处理组和控制组产生科技人才分类评价改革冲击以外的不确定影响，从而导致模型的前提假设不成立。为了排除其他非观测因素对模型的干扰，进行了安慰剂检验：从99所高校中随机抽取33所高校作为处理组，假设这33所高校实施科技人才分类评价改革试点，其余66所高校作为对照组。随机抽样确保本文构建的自变量DID对高校科研全要素生产率没有影响，一旦出现显著，则说明上文的回归结果有偏差。本文共进行500次随机抽样，并依据模型(4)进行基准回归，所得出的500次随机分配后回归得到的估计系数及其值如图2所示。可以看到，大多数估计值的值大于0.1，且集中分布在零点附近。同时，本文的真实估计(来自表3的第二列)在安慰剂测试中是明显的异常值，这些结果均说明本文的估计结果不存在其他非观测因素的影响。

图2 安慰剂检验注：x轴表示来自500个随机分配的DID估计系数，曲线是估计的核密度分布，点是估计系数对应的p值，纵坐标为0的水平线是p=1，右侧垂直线段是表3中第二列的真实估计值。

3.检验样本选择误差

为确保基准回归结果的稳健，本文进一步使用倾向得分匹配-双重差分(PSM-DID)模型检验是否存在样本选择偏误问题。第一步利用近邻匹配方法PSM，尽可能使得处理组与控制组在实施政策试点前后不存在显著差异，以减少后续使用双重差分方法时可能出现的样本选择偏误内生性问题。将近邻匹配后的处理组与控制组进行平衡性检验，结果如图3所示。可以看出协变量在匹配后的标准化偏差均等于0，这意味着所选协变量在处理组与对照组之间的差异得到有效缩小，能够进一步确保后续双重差分模型估计的准确性。

图3 平衡性检验

第二步则是将处理好的样本再次利用倾向得分匹配-双重差分模型进行估计，得到表4的回归结果。可以看出核心解释变量依旧在1%水平上显著，且回归系数也有了一定程度提高，因此科技人才分类评价改革能够提升高校科研全要素生产率这一估计结果是可靠的。

表4 PSM-DID(近邻匹配法)回归结果

五、机制检验与异质性分析

(一)传导机制分析

1.高校人才能级结构优化

以高校人才能级结构优化为中介机制的估计结果如表5所示。从表5中可以看到科技人才分类评改革与高校人才能级结构优化的回归结果显著为负，且在添加高校人才能级结构变量后，科技人才分类评价改革对高校科研全要素生产率系数值为0.042(在1%水平下显著)，但比不添加中介变量的系数估计值0.055要小，说明此中介效应成立，相对于未进行改革试点的高校来说，样本中作为改革试点的9所高校在改革后，人才能级结构优化程度产生了明显回撤。这与最初的假设相反，原因可能在于：科技人才分类评价改革以后，高校对于高级职称人才的分类和评价更加细致，人才层次更加清晰。例如，从学科方面将高级职称人才划分为应用型和理论型，从层次方面将高级职称人才划分为院士、长江学者、杰青学者，因此高校产生了更加细致的人才需求。相对于一般高级职称人才，高校往往愿意花费更多的资源引进专业性更强、评价层次更高的人才。而高校人才引进经费是有限的，更高层次的人才引进、更多的人均资源投入意味着更少的人才引进数量，所以出现了高校在高级职称人才引进人数上相对历年减少的现象，即科技人才分类评价改革与高校科研人员中高级职称占比呈负相关。然而从实际上来说，更高层次人才数量的增加，必然会提高科研能力，这就解释了本文为何会出现科技人才分类评价对高校人才能级结构产生逆优化，最终却产生高校科研全要素生产率提升的结果。对此，笔者猜测若以高校院士、长江学者、杰青学者等高层次人才在高级职称人员中的占比作为高校人才能级结构的衡量指标，将会得到科技人才分类评价与高校人才能级结构优化正相关的实证结果，但是由于数据受限，目前无法作出进一步的验证，希望未来能有更加翔实的数据支撑后续的研究。

表5 高校人力能级结构优化和高校科技人力投入的机制检验结果

2.高校科技人力投入

高校科技人才分类评价改革通过增加高校人力投入来提高科研全要素生产率的结果同样如表5所示。科技人才分类评价改革对高校人力投入的影响系数显著为正，在添加高校人力投入变量后，科技人才分类评价改革对高校科研全要素生产率的系数值为0.049(在1%水平下显著)，比不添加中介变量的系数估计值0.055要小，但此时的科技人力投入系数却不显著，说明此中介效应结果不够稳健，因此需要进行bootstrap检验。而根据检验结果发现，最终系数在95%置信区间上包含0，如表5中的bootLLCI与bootULCI栏所示，说明该中介效应不成立。原因可能在于：科技人力资源投入与创新绩效之间虽存在着正向的线性关系，但科技人力资源的投入往往具有滞后效应。上述回归结果表明，科技人才分类评价改革能够显著提升高校科技人力投入，由此推断，科技人才分类评价改革能够提升高校的科技人力投入，但由于人力资源投入的效果具有滞后性，对于高校科研全要素生产率的影响暂时无法检测出来。因此得出结论，科技人才分类评价改革与高校人才能级结构优化呈负相关关系，但中介效应仍然成立，而科技人力投入则未表现出显著的中介效应,即假设H2部分成立。

(二)异质性分析

1.高校类型

考虑到高校在学科范围以及研究领域等方面都存在差异，本文将这些高校划分为综合类、理工类、农林类、医药类和师范类，并将其分别代入模型，得到回归结果，如表6所示。科技人才分类评价改革只在综合类高校中产生显著正影响，在农林类与医药类高校中无显著关系，在理工类与师范类高校产生显著负影响。原因可能在于：综合类高校相对于其他类型的高校来说发展更为全面，对于科技成果种类的多样性也更为重视，无论是在数量和质量上都表现优异；农林类与医药类高校通常更加注重实践应用，很多产出结果无法量化，所以无法表现显著的相关性；而对于理工类与师范类高校而言，它们的研究领域往往比较单一，其科研产出数据具有不均衡性，因此出现了反向影响结果。

表6 高校类型异质性检验结果

2.高校层次

重点高校在师资力量、经费投入等多方面都与非重点高校有着较大差异，因此有必要探究科技人才分类评价改革在重点高校与非重点高校中实施情况的差异。本文对高校层次进行异质性检验，检验结果如表7所示，科技人才分类评价改革在重点高校中呈现显著的积极效应，而在非重点高校则呈现显著的消极效应。原因可能是重点高校具有高效的管理体系，当政策下达时能够迅速作出反应，积极执行与之相关的措施，实现资源的有效调配，因而政策实施效果良好；而非重点高校行政管理体系往往相对落后且不完善，承担政策改革的能力较弱，因此在作出与改革相关的调整时可能出现与原有系统的冲突，反而适得其反。

表7 高校层次异质性检验结果

3.高校所处地理位置

由于我国不同地区之间的要素禀赋、科技发展水平都存在差异，因此科技人才分类评价改革对高校科研全要素生产率的促进作用也各异。国家统计局根据各地发展水平划分东、中、西、东、北四个区域，本文以此为基础，将东北区域中的辽宁归为东部，吉林与黑龙江归为中部，由此将我国高校划分为东部、中部与西部并分别进行回归，检验结果如表8所示。科技人才分类评价改革对我国东部地区的高校产生显著负向作用，对于中部地区的高校无显著作用，而对西部地区的高校则产生显著正向作用。这与固有看法相悖，其中可能原因：作为三个地区中相对落后的西部地区，该地区高校的科技评价系统也较为落后，存在的问题可能也更为突出且严峻，通过人才分类评价改革，人才评价体系得到了极大改善，从而产生显著积极作用；但由于此次科技人才分类评价改革的内容都一样，未考虑地区之间的自然禀赋差异，没有改善中、西部地区高校本身存在的一些特异性问题，导致难以实现政策的预期效果。

表8 地理位置异质性检验结果

(三)进一步探讨

上面的实证结果已经充分证明科技人才分类评价改革能够有效提升高校科研全要素生产率，但对于能否提升高校科研的高质量发展未有更多解释。因此，有必要对科技人才分类评价改革能否带来高校科研水平的高质量发展开展进一步探讨。为了衡量高校科研的高质量发展水平，选取高校每年发表于国内外期刊的学术论文数量与每年获得省级奖项以上的科技成果数作为指标，具体数据同表1。根据上面的实证结果，科技人才分类评价改革具有一定的时滞性，且学术论文的发表以及科技成果的评定都需要时间，因此选取政策实施当年即2015年以及政策效应达到最大的年份2016年作为检验年份，得到表9的回归结果。

表9 科技人才分类评价改革对高校科研水平高质量发展的影响

续上表

根据表9的结果，实证发现，对于以高质量学术论文数量和高质量科技成果为解释变量的回归分析，无论是在2015年还是2016年,DID系数均为正但并不显著，说明科技人才分类评价改革与高校科研水平高质量发展无显著的相关关系。由此得出结论，尽管科技人才分类评价改革能够提升高校科研的全要素生产率，但未必能促进科研高质量发展，即假设H3不成立。

六、结论与政策启示

本文基于我国99所“211工程”高校2009—2017年的科研面板数据，利用双重差分模型实证检验高校科技人才分类评价改革对高校科研全要素生产率的提升作用及其影响机制，并对科技人才分类评价改革能否促进高校科研高质量发展进行探讨。结果表明：第一，科技人才分类评价改革能够显著提升我国高校科研全要素生产率，经过平行趋势检验、安慰剂检验以及PSM-DID方法估计等一系列稳健性检验后，该结论依然成立。但由于科研产出周期慢及改革正向激励不足等原因，改革成效出现时滞性与短效性的特征。第二，通过异质性检验发现，科技人才分类评价改革在不同类型、不同地域高校中的政策效果出现差异，同一政策在综合类高校、“985工程”高校以及位处西部地区的高校中作用更为显著；在农林类高校、医药类高校与位处中部地区的高校中无显著作用；而在理工类高校、师范类高校、非“985工程”高校以及位处东部地区的高校甚至起反向作用。这说明当前科技人才分类评价制度改革缺乏变通性。第三，影响机制研究表明：科技人才分类评价改革提高了高校的科技人力投入，但由于更多的资源放在如长江学者、杰青学者等更高层次人才的引进上，导致高级职称人才在高校科研人员中的占比受到反向影响，且科技人力投入并未在科技人才分类评价改革提升科研全要素生产率的过程中表现出明显的中介效应。第四，通过进一步探究科技人才分类评价改革能否影响高校科研高质量发展，发现高校科研水平并未得到显著的高质量提升。

本文的研究对全面推进与深化科技人才分类评价制度改革具有以下四点政策启示：

第一，政府应坚持并持续深入推进科技人才分类评价改革工作。科技人才分类评价改革工作可有效促进高校科研全要素生产率的提升，因此政府应持续全面推进科技人才分类评价改革工作，并且将更多的精力放在克服改革政策的时滞性与短效性特征上。要不断深入关注科技人才的底层需求，根据科技人才的底层需求设计人才激励制度，增强科技人才分类评价制度的正向激励作用，让改革产生足够的内生动力，以达到延长改革时效，降低改革成果回撤的目的。

第二，科技人才分类评价改革应因地制宜，结合实际制定差异化改革内容。从实证结果来看，目前的科技人才分类评价改革方向有较强的综合性，似乎旨在形成一种“放之四海而皆准”的科技人才分类评价制度。然而，在实际应用中，不同地域、不同类型的高校中凸显出制度缺乏变通性的特点。因此，针对不同地区、不同层次、不同类型的高校，实施的改革政策内容也应当有所差异。高校在贯彻改革时应当充分结合自身情况，考察所处的内外部环境，坚持以创新能力、质量和贡献为导向，制订科学的科技人才分类评价改革计划，最大限度地发挥改革对高校科研效率的提升作用，充分挖掘各地区各层次高校人才的潜能。

第三，政府应动态统筹好高校科研资源在不同职称梯队之间的合理分配，保障人才代际更替。研究结论表明，科技人才分类评价改革会促使高校减少对一般高级职称科研人才的资源分配。原因可能在于，特殊高级职称科研人才分配了更多的资源。在短期来看，这有利于高校科研全要素生产率的提升；但从长期看，这不利于科研人才的培养和代际更替，存在科研人才断层的风险。因此，未来改革应重视人才引进与培育并重发展，确保人才的代际更替。政府在改革科技人才分类评价制度时，应动态统筹好科研资源在特殊高级职称科研人才与一般高级职称科研人才之间的分配，顶层设计好人才培养制度，加大人才培养性科研基金的投入比例，在实现科研全要素生产率增长的同时，引导形成合理的高校科研人才层次结构，做好人才引进与人才培育并重工作，保障良性的科研人才代际更替。

第四，政府应兼顾高校科研效率与科研水平高质量发展之间的平衡，突出质量贡献导向评价。通过实证发现，科技人才分类评价改革虽能显著提升高校科研全要素生产率，但对高校科研水平的高质量发展不存在显著作用。因此，政府在深化改革时还应兼顾科研高质量发展的重要性，突出质量贡献导向评价。不断探索、细化和完善科技人才评价体系，保证科技成果评判的客观性，营造公平公正的评价环境，最大限度地激发科研人才创造热情，鼓励科技人才多发高质量科研成果，以确保高校科研效率提升的同时，突出科研水平的高质量发展。

当然，本文还存在一些不足之处：一是由于本文所收集的数据年份有限，缺乏2018年及以后的高校科研数据，因此无法对高校科技人才分类评价改革的长期影响效应作进一步深入探讨。二是本文所探讨的科技人才分类评价改革对高校科研全要素生产率的两类影响机制效应均未达到预期，因此也期待未来随着数据的丰富，能在此基础上深入探讨科技人才分类评价改革对高校科研全要素生产率的影响，以得到更加可靠的结论。