高校科技成果转化效率评价

方永恒　兰椿翔

关键词：高校科技成果转化效率；三阶段DEA；超效率SBM

中图分类号：G463 文献标识码：A DOI：10.3969/j.issn.1003-8256.2023.06.011

0 引言

科技成果转化是将知识转化为生产力的关键环节，而高校则是进行科技成果转化的重要载体。高校中丰富的人力资源、完善的研究环境以及便捷的信息平台，使得高校逐渐成为国家创新和研发体系中重要的组成部分，在我国的经济建设中承担着越来越多的责任。因此，对高校科技成果转化效率的评价，不仅是政府对科研资源进行配置的基础，更是指引高校自我完善创新体系的有效途径。在创新驱动发展战略实施以来，政府在逐渐增加高校科技成果转化的财政投入的同时，制定并推行了《中华人民共和国促进科技成果转化法》《实施<中华人民共和国促进科技成果转化法>若干规定》《促进科技成果转移转化行动方案》等政策，来推动高校科技成果转化的发展。其中，《促进科技成果转移转化行动方案》（国办发〔2016〕28号）指出，“要建立科研机构、高校科技成果转移转化绩效评估体系，将科技成果转移转化情况作为对单位予以支持的参考依据”。显然，准确有效的高校科技成果转化评价不仅可以从宏观上了解各地区高校的科技成果转化效率及其与其他地区高校之间的差异，还可以从微观上为科技成果转化政策的制定和实施提供详实的信息。

目前，学术界对高校科技成果转化效率的测度方法主要是参数方法和非参数方法［1-3］。参数方法主要以随机前沿分析（SFA）为代表，SFA在统计干扰和处理测量误差方面具有优势，但在分布假设和函数设定上相对严格，所以在应用上受到一定限制。程洪漪等［4］运用SFA对广东省科技企业孵化器的运行效率进行了测评。万莉等［5］使用SFA对区域高校的技术转移效率进行测度。程慧平等［6］运用SFA对我国各省的创新和转化效率进行实证分析。非参数分析方法主要以数据包络分析（DEA），DEA 在模型建立方面较SFA 更具优势。杨博等［7］运用两阶段DEA 对我国高校的创新效率进行测度。刘霞等［8］使用SBM-DEA 模型对我国高校的科技成果转化效率进行研究。梁树广等［9］运用DEA模型对我国高校的科技成果转换效率进行测评。

上述文献在高校科技成果转化领域做出了有意义的探索，但也存在着不足，由于高校科技成果转化的间接效应往往大于直接结果，因此无法使用单个指标衡量转化过程效果［10］。多指标综合评价也是研究高校科技成果转化效率问题上常用的方法，如模糊分析法、层次分析法、灰色关联法或这几种方法的综合应用［11］，以上方法都是需要建立包含投入要素的指标体系，这可能缺少了对于研究对象中投入产出关系的综合分析，同时大多数研究并未考虑决策单元受环境因素影响，也未对同属于生产前沿面的决策单元进行比较分析，因此使用以上方法分析高校科技成果转化效率很难准确地得出反映真实效率的数据结果，同时也难以对我国高校的科技成果转化效率进行后续的分析。

基于上述考虑，本文首先采用超效率SBM 模型对我国高校的科技成果转化效率进行测算，然后运用SFA模型对影响我国高校科技成果转化效率的环境因素进行分析，在剔除环境因素影响后再次使用超效率SBM模型对我国高校的科技成果转化效率进行测算。本文以我国高校2015—2021年的数据进行科技成果转化效率实证研究，通过SBM 模型对处于前沿面的区域进行进一步测度，再经过SFA模型分析更加真实地测度我国高校的科技成果转化效率值，分析各地区高校的效率差异，为提升我国高校的科技成果效率提供依据。

1 高校科技成果转化效率研究现状

鉴于高校科技成果转化对于国家创新体系的重要作用，学者们对高校的科技成果转化效率进行了十分有意义的探索和研究，讨论的焦点集中在构建符合高校科技成果转化系统运行特点的效率评价方法。国外学者更早地注意到高校科技成果转化系统多投入多产出的复杂性特点，以及难以准确量化的产出和产出质量的评价标准等问题。因此，一些学者使用SFA和DEA 的方法来研究高校的科技成果转化效率问题。SFA是需要建立生产函数并且估计生产前沿面参数，通过分析产出和生产前沿面距离来计算效率的统计方法。因此，建立的生产函数的合理性对测算结果影响很大，同时，根据不同的假设而估计的参数也会不同。而DEA 方法与SFA 的原理相似，但是DEA 是一种非参数的线性规划模型，不需要预先建立函数和预估参数，且投入产出数据也不用进行无量纲化处理，很适合运用于高校科技成果转化效率的测算中。

目前关于高校科技成果效率的评价，张运华等［12］较早使用DEA模型对科技成果转化进行测算，得出了高校科技成果转化效率不高需要被重视的结论；其后的研究分别运用网络DEA 模型［13］，Bootstrap-DEA 模型［14］，Malmquist指数［15］等方法对高校的科技成果效率进行测算，得到了与之相似的结论；同时也有学者将高校科技成果转化效率的评价指标体系作为研究方向，提高评价的准确性和科学性，王赵琛等［16］通过构建不同的指标体系来对高校的科技成果效率进行比较分析，沈建等［17］进行跨国比较将指标体系进行分类并提出改进。关于科技成果转化影响因素的研究，目前的研究主要集中在资金投入和国家政策等方面进行分析，林青宁等［18］分析了资金投入质量对科技成果转化质量的影响，郑学党等［19］将国家政策对高校科技成果的影响作为研究方向。

已有文献对我国高校科技成果转化效率做出了十分有意义的探索，但存在着不足。首先，部分文献在模型建立中使用了DEA方法中早期的CCR模型，CCR模型假设其测算的产业规模报酬不变，如果在对高校科技成果转化效率进行评价的模型中确定该假设，则意味着各个省级行政区域在增加一定比例的投入后可以等比增加高校科技成果轉化的输出［20］；显然，CCR模型的假设并不符合我国高校科技成果转化的实际情况；再者，CCR 模型和BCC 模型侧重于效率研究，模型中并未对影响非有效单元的因素进行分析；同时，大部分文献都没有对同处于转化效率前沿面的省份高校进行区分，即使是同处于前沿面的省份高校在科技成果转化效率上也可能存在较大差别。基于以上考虑，本文建立三阶段超效率SBM-DEA模型，在考虑了环境因素和随机因素的影响下对产业的效率进行分析，同时也将三阶段DEA模型中第一阶段和第三阶段的初始BCC模型替换为超效率SBM 模型，在对各个省级行政区高校的科技成果转化效率测算的同时，也对处于生产前沿面的决策单元进行区分以及排序，更加清晰地计算各个省份高校科技成果转化效率之间的差距。

2 研究设计

2.1 研究对象

我国早期普遍运用的科技成果转化率是指实现产业化或商业化应用的科技成果数与同一周期内科技成果总数的比值。科技成果转化率是符合计划经济体制下科研组织运行特点，对科技成果转化过程进行的测算。但是，科技成果转化率因为忽视了人力资本、信息和知识等要素的作用而存在的局限性也很明显：首先，科技成果转化率没有对有效转化进行定义；其次，科技成果概念在当时没有统一定义；最后，科技成果转化率并未考虑科技成果转化过程中的滞后效应，即当前投入资源对统计周期以后的科技成果转化过程的影响。

国外对科技成果效率进行测算的经验体现为四个方面：第一，从宏观层次，采用全要素生产率进行科技对经济贡献率的测算，即科技对经济的贡献不仅是因为技术水平的提高，还有现有技术的使用以及发挥状况的改进；第二，从微观层次，使用美国大学技术管理者协会建立的评价大学以及科研院所技术转移的指标体系；第三，间接测算，以对科技的生产、扩散和应用进行服务的研发服务业进行统计获得科技成果转化效率的数据；第四，重大案例，将重大项目作为效率评估标准，把研究方向聚焦于少数产出明显超常的重大项目上。

目前，科技成果转化的概念存在着广义和狭义的分别。广义的科技成果转化是指从知识的产生到形成最终生产力整个创新链条中的各个环节的转化，比如在基础研究中新的知识和新的理论的普及与传播是转化，应用研究以及实验发展中所发明的可以产生经济效益的新技术以及新装置和新产品都可以认为是转化；狭义的科技成果是指创新链条中的末端，强调技术成果向产生经济效益的生产力的转化。我国关于科技成果转化的概念界定大多是从狭义的角度进行的［21］。《促进科技成果转化法（2015年修正）》中指出，科技成果转化是“为提高生产力水平而对科技成果所进行的后续实验、开发、应用、推广直至形成新技术、新工艺、新材料、新产品，开展新产业等活动”，这一科技成果转化概念的界定也为学者建立科技成果转化效率评价指标体系奠定了基础。我国现有对高校科技成果转化数据的收集主要体现在由教育部科技司主编的《高等学校科技统计资料汇编》中，其中涵盖了全国2 032所高校在基础研究、应用研究以及R&D成果应用等科技活动数据。

基于以上分析，本文以狭义的科技成果转化概念为范围，考虑到科技成果转化的全要素生产设计，通过构建科技成果转化效率评价体系采用数据包络分析，同时由于港澳台及宁夏、青海、西藏、海南、新疆在《高等学校科技统计资料汇编》中数据缺失，故选取我国26个省级行政区高校的科技成果转化效率作为研究对象对我国高校的科技成果转化效率进行测度。

2.2 指标选取

在《高等学校科技统计（理、工、农、医类）工作文件》中，高校R&D 活动分为基础研究、应用研究与实验发展，比较相关文献可以发现，存在人力和经费投入等指标被加入基础研究数据的情况。在上述工作文件中，对基础研究的定义为“为获得关于现象和可观察事实的基本原理及新知识而进行的实验性和理论性工作，它不以任何专门或特定的应用或使用为目的”。基础研究是高校科技成果转化的前提，是为了认识现象，发现规律，以发展新的领域为目的。基础研究的成果往往以论文的形式在学术平台上发表共享，而高校实际科研过程中使用的基础研究成果也并非只是源于校内资源，更多来源于更大学术平台。在对高校的科技成果转化效率的评价中如果引用基础研究数据，无疑将使得评估主体界限模糊，同时在狭义的科技成果转化概念下无法确定评估对象。从高校间的合作来看，基础研究在空间上的不确定性和时间上的跨度也使得其相应的数据难以用于在各地区高校的科技成果转化效率评价中。

基于以上考虑，本文选取研究与发展全时人员、应用研究与实验发展支出经费、R&D成果应用及科技服务全时人员、R&D成果应用及科技服务项目支出经费作为投入指标，选择专利授权数、专利出售当年实际收入作为产出指标。如表1所示。

借鉴已有文献的研究成果，从经济环境、创新环境和政府支持的角度考虑，以各省人均GDP、教育支出占财政支出比重和财政科技支出作为本文三阶段超效率SBM模型中的环境变量。

2.3 研究方法

Fried 等［22］在考虑了早期DEA 方法中没有衡量效率因素还有二阶段DEA方法中因为给定影响因素函数而无法剔除环境影响的问题提出三阶段DEA 方法。Fried等的分析指出，公司生产效率低下不止受管理水平的影响，还会受环境和随机误差的外生因素影响，所以提出三阶段DEA模型在分离环境和随机误差的影响后更真实地体现评估对象的效率。但三阶段DEA模型仍然存在径向函数以及同处前沿面的有效决策单元的排序问题。因此，本文使用非径向的超效率SBM 模型和SFA方法，构建三阶段超效率SBM模型。

（1）第一阶段超效率SBM 分析。早期经典的DEA模型如BCC和CCR模型都是径向模型，对于DMU中无效率程度的测量只有投入和产出的等比例增加或者减少的范围。对无效DMU的分析，DMU的运算值除了包括其与有效目标值之间等比例的改进之外，还应该体现松弛改进的数值。而松弛部分的改进是经典DEA模型所不具备的。因为这样的考虑，Tone Kaoru［23］提出了SBM 模型（Slack Based Measure，SBM）。设有n 个决策单元，用输入变量xj 和输出变量yj 代表第j 个决策单元DMUj 有m 种类型输入和s 种类型的输出。xij 代表第j 个决策單元的第i 中类型的输入量，yrj 代表第j 个决策单元第r 种输出量。无导向的SBM模型表示如下。

（3）第三阶段剔除环境因素的DEA 分析。用调整后的投入数据与原始产出数据再次带入超效率SBM模型中，使用公式（1）和（2）得到消除了环境与随机误差影响后的效率值。

2.4 数据来源

本文指标数据来自2015—2021 年教育部出版《高等学校科技统计资料汇编》以及同年度的《中国统计年鉴》。按照资料汇编中分地区统计数据，将26个省级行政区域高校选取为研究对象。DEA模型分析要求决策单元的数据必须是投入与产出指标的两倍以上，本文选取决策单元DMU为26个，选取投入产出指标为6个，故符合DEA模型使用前提。

选取上述资料汇编中2015—2021年7年的数据作为三阶段SBM模型的投入和产出数据。关于面板数据的时间范围，2015年是《促进科技成果转化法》颁布的首年，同时由于高校的科技成果转化普遍存在着时滞性现象，高校科技成果轉换的时间跨度往往以年为单位，而且各高校在“双一流”评审以来都加大了科研的投入资源力度，考虑到各高校在政策落实推广中进度不一的情况，故本文以7年的面板数据作为投入和产出数据以减少个别年份数据波动对分析结果的影响。

3 实证结果

3.1 第一阶段超效率SBM 模型测算结果及分析

通过对投入产出数据的超效率SBM分析模型运算可以得到包含环境因素和随机干扰影响的2015—2021年26省高校科技成果转换综合技术效率，结果如表2所示。从高校科技成果转化综合技术效率总体来看，平均值排名在前三位的是贵州、安徽和浙江，高校科技成果转化综合技术效率平均值最低的是黑龙江。贵州省高校在此时间段的科技成果转换的综合技术效率一直处于生产前沿面，即贵州省的高校科技成果转化效率在该时间段一直是强有效的。从表2也可以看出，高校科技成果转化效率在不同地区之间存在较大差异。

将本文测算的26个省级行政区分为东部（北京、天津、河北、辽宁、上海、江苏、浙江、福建、山东、广东），中部（山西、吉林、黑龙江、安徽、江西、河南、湖南、湖北）和西部（内蒙古、四川、重庆、广西、贵州、云南、陕西、甘肃）三部分。从东部各省高校的数据来看，2015—2021 年东部高校的科技成果转化综合技术效率均值是0.523，总体表现为波动上升，由开始的0.413 逐渐上升到0.669。这表明东部地区高校在该时期内有明显提升，但从整体水平上仍然存在高校科技成果转化效率较低的现象。从中部各省高校的数据来看，2015—2021 年中部高校的科技成果转化综合技术效率均值是0.617，总体表现和东部一样波动上升，由开始的0.458逐渐上升到0.648。中部地区高校在该时期科技成果转化效率提升最为明显，但中部地区高校科技成果转化效率仍然处于较低的水平。从西部各省高校的数据来看，2015—2021年西部高校的科技成果转化综合技术效率均值是0.648，总体表现也是波动上升，由开始的0.526逐渐上升到0.752。这表明我国高校科技成果转化效率目前存在地区间非均衡空间分布情况，这与李胜会等［24］的测算结果相似。

3.2 第二阶段SFA 测算结果及分析

将上文的环境变量设置为自变量，把通过超效率SBM模型得到的四个投入指标的松弛变量设置为因变量，再代入Frontier4.1软件进行随机前沿分析，结果如表3所示。在随机前沿分析的模型中，用环境变量解释投入松弛变量得到的结果中，如果环境变量与松弛变量成正相关，则表明外部环境变量的增加会导致增加投入资源的冗余或者增加非期望产出，最后使得高校的科技成果转化效率降低；如果环境变量与松弛变量成负相关，则表明外部环境变量的增加会导致减少投入资源的冗余或者减少非期望产出，最后使得高校的科技成果转化效率提高。

表3的数据表明，各省级行政区的人均GDP和教育支出占财政支出比重以及科技支出对研究与发展全时人员、应用研究与实验发展支出经费、R&D成果应用及科技服务全时人员和R&D成果应用及科技服务项目支出经费基本都通过了显著水平为10% 的检验，环境变量对投入冗余存在显著影响，同时各个模型的LR单边检验均通过了1%的检验水平。因此，对第一阶段的投入变量进行调整后进行第三阶段的SBM 分析是必要的。

从经济环境来看。以各省人均GDP代表的经济环境与研究与发展全时人员和应用研究与实验发展支出经费以及R&D成果应用及科技服务全时人员呈显著的正相关，与R&D成果应用及科技服务项目支出经费呈显著的负相关，这表明经济环境的发展会对研究与发展全时人员、应用研究与实验发展支出经费、R&D 成果应用及科技服务全时人员造成冗余的增加，但可以减少R&D成果应用及科技服务项目支出经费的冗余。这说明经济环境发展会使R&D 成果应用及科技服务项目支出经费得到有效配置，同时造成研究与发展全时人员、应用研究与实验发展支出经费、R&D 成果应用及科技服务全时人员这三种投入的低效率使用。这两种影响共同决定了经济环境对各省高校科技成果转化效率的影响。

从创新环境来看。以各省教育支出占财政支出比重代表的创新环境与应用研究与发展全时人员、应用研究与实验发展支出经费、R&D成果应用及科技服务全时人员、R&D成果应用科技服务项目支出经费呈显著的正相关，这表明在改善创新环境的同时要注意以上四种投入资源的合理配置，要关注创新环境的发展会造成这四种投入资源的低效率使用。

从政府支持来看，以各省科技支出代表的政府支持与研究与发展全时人员和应用研究与实验发展支出经费呈显著的负相关，与R&D成果应用及科技服务全时人员、R&D成果应用及科技服务项目支出经费无显著性关系，这表明政府支持力度的增加会减少研究与发展全时人员、应用研究与实验发展支出经费消耗的松弛量。政府支持合理的支持力度会提高各省高校的科技成果转化效率。

3.3 第三阶段调整投入后超效率SBM 模型测算结果及分析

由表3可以看出，虽然环境变量与个别松弛变量的回归系数不显著，但是每个环境变量在随机前沿分析后的LR 单边误差都在显著性水平1% 上通过了检验，故将调整后的投入数据再次代入超效率SBM模型中得到剔除了外部环境变量和随机变量的各省高校科技成果转化效率，结果如表4所示。

对投入数据进行调整后得到超效率SBM分析模型运算结果中可以看出，2015—2021年我国26个省级行政区真实的高校科技成果转换综合技术效率变化。第三阶段高校科技成果转化综合技术效率平均值排名在前三位的是浙江、江苏、安徽，平均值最低的是云南。浙江和江苏高校在此时间段的科技成果转换的综合技术效率一直处于生产前沿面，即第三阶段的结果中浙江和江苏的高校科技成果转化综合技术效率在该时间段一直是强有效的。从表4数据也可以看出，高校科技成果转化效率在不同地区之间存在较大差异。

对比表4和表2可以看出，各个省级行政区高校在剔除外部环境变量和随机变量前后的科技成果转化效率有明显的变化。在调整后出现下降特征的地区有天津、内蒙、河北、辽宁、江西、山西、江苏、浙江、福建、安徽、河南、湖北、湖南、四川、贵州、云南、甘肃、陕西、重庆等省级行政区，这说明以上19个省级行政区高校在第一阶段的高科技成果转化效率结果中有很大程度上依靠外部环境影响。在调整后出现提升的地区有北京、山东、上海、广东、吉林、黑龙江、广西等省级行政区，这7个省份高校在第一阶段的科技成果转化效率受到了外部环境的负面影响。

从东中西三个大区域来看，2015—2021 年东部地区高校的科技成果转化综合技术效率平均值由第一阶段的0.523上升到0.590，上升幅度为12.81%；中部地区高校由第一阶段的0.617 下降到0.396，下降幅度为35.17%；西部地区由第一阶段的0.648下降到0.28，下降幅度高达56.79%。这也表明第一阶段的西部地区高校的科技成果转化综合技术效率受外部环境影响的程度最高，同时也可以看出西部和中部高校的科技成果转化综合技术效率低于东部地区高校，也进一步显示出高校科技成果转化效率与地区经济发展水平有一定的一致性。

我国26个省级行政区高校在2015—2021年科技成果转化综合效率平均值在第一阶段和剔除环境因素影响后的第三阶段都出现了不同程度的改变，大部分省级行政区高校的科技成果转化效率被高估（图1）。内蒙古、甘肃、江西、贵州、云南、山西、广西下降最为显著。只有浙江在剔除环境因素影响后变化较小且一直处于科技成果转化综合效率较高的水平。根据图1可以明显看出，我国26个省级行政区高校科技成果转化效率在经济环境，创新环境和政府支持等环境条件的影响下，在剔除了各地人均GDP、教育支出占财政支出比重和财政科技支出对数据分析的干扰后，各地高校的科技成果转化综合效率值的明显变化，这也表明了当地经济水平、政府投入和政策支持在各地高校科技成果转化过程中的重要影响。

以纯技术效率为横轴，以规模效率为纵轴的散点图中，各省高校在剔除环境因素的影响后，大部分省级行政区高校的纯技术效率和规模效率都出现了下降的情况（图2和图3）。可以很明显的看出，图3中大部分高校的图标都在纯技术效率和规模效率较低的区域出现。具体来看，在第三阶段的分析结果中，只有北京、浙江、四川、江苏、山东等省级行政区的高校的纯技术效率和规模效率都接近于有效的水平，即上述五地高校在科技成果转化中的管理能力、技术水平还有运行规模是基本上互相匹配的。从数据结果来看，北京、山东和江苏的超效率SBM 分析结果中RTS 栏位都是Decreasing 的结果，即北京、山东和江苏都处于规模报酬递减的情况，浙江和四川则是Increasing的结果，即浙江和四川都处于规模报酬递增的情况，故北京、山东和江苏的高校应在之后考虑适当缩减科技成果转化的运行规模和投入，浙江和四川的高校应考虑扩大科技成果转化的运行规模和增加相应的投入，向更高的转化效率和最优的运行规模发展。

4 结论及建议

本文以2015—2021年我国26个省级行政区高校为研究对象，通过构建三阶段超效率SBM-DEA模型分析了各地高校的科技成果转化效率，结果发现：（1）高校科技成果转化效率的测度受环境因素影响较大，在剔除环境因素影响以后的各省高校科技成果转化效率大都明显下降，只有少部分省级行政区高校科技成果转化效率提升，我国高校科技成果转化效率并不乐观。26个省级行政地区高校有一多半的地区高校科技成果转化综合技术效率都有待提高，2021年只有7个省份地区高校科技成果转化效率较为理想。（2）经济环境对不同的高校科技成果转化投入资源有不同的作用，对不同投入资源的促进或遏制作用共同決定了经济环境对各省级行政区高校科技成果转化效率的影响；创新环境的发展会造成高校科技成果转化投入资源的低效率使用；政府支持会减少一些投入资源的冗余，合理的政府支持力度会提高各省级行政区高校的科技成果转化效率。（3）西部地区高校科技成果转化效率受环境因素影响程度大于中部和东部地区。西部地区高校经过调整后的科技成果转化综合技术效率明显下降，说明西部地区高校的科技成果转化效率受环境因素影响更大，目前西部地区高校科技成果转化效率低下很大程度与环境相关。（4）在纯技术效率和规模效率的二维分类中，我国26省级行政区高校的科技成果转化效率的具体情况各有不同，在剔除环境因素影响后，只有北京、浙江、四川、江苏、山东的纯技术效率和规模效率都接近于有效的水平，大部分地区高校的纯技术效率和规模效率都有待提升，这也表明我国大部分地区的高校实际还处于低要素水平的阶段。

基于上述结论，我国高校科技成果转化效率整体情况还有很大的提升空间，各地区高校的科技成果转化效率存在较大差异，而且受环境因素影响较大。各省级政府应重视教育支出占财政支出的比重对高校科技成果转化效率的负面影响，同时也要对各地科技支出和经济发展水平对高校科技成果转化效率的影响有正确的认识。高校科技成果转化效率的提升离不开各地科技成果转化环境的不断优化和完善，纯技术效率不高的地区高校要完善相应的科研评价体系来激励和引导科技成果转化人员工作的积极性，规模效率不高的地区高校要根据具体情况来扩大或缩减科技成果转化运行规模。高校科技成果转化的发展需要政府的相关政策来推动学校、企业和科研单位的沟通与合作，逐步形成以校企合作为主体，政府为桥梁的运行机制，从而促进高校、企业和政府在科技成果转化方面的稳定合作，实现高校科技成果转化效率的提升。