中国高等教育产业全要素生产率增长研究

陈志卷

摘 要：“十四五”期间，高等教育进入高质量发展阶段，而效率分析是实现高质量的前提。本文运用Metafrontier-Malmquist（MML）生产率指数，测度2009-2019年中29个省份的高等教育产业全要素生产率。研究表明：中国高等教育产业的全要素生产率增长比较显著，增长动力主要来源于技术效率的改进和规模调整，而技术进步提升相对较慢。中国东部、中部、西部组群不存在明显的技术落差，东部和中部组群技术落差率波动较小，一直靠近技术前沿，而西部组群波动较大。研究认为，大力提高西部组群高等教育产业技术的应用与扩散，进一步提升东部和中部组群的技术效率，应成为我国高等教育产业发展的重点。

关键词：高等教育产业；全要素生产率；MML指数

中图分类号：F2     文献标识码：A      doi：10.19311/j.cnki.16723198.2023.07.004

“十四五”时期，是《中国教育现代化2035》发展目标的重要起步阶段，高等教育系统作为一种进行人才培养和知识创新的独特社会系统，必须从规模扩张进入高质量发展新阶段。经济学认为，效率是质量的前提。对我国的高等教育而言，要走高质量发展道路，就必须全面测算并评价高等教育资源利用效率，解决高等教育资源使用中存在的问题，以实现用有限的教育资源办好令人民满意的高等教育。基于上述问题，本文旨在运用ML生产率指数和共同边界技术，对于中国高等教育产业的全要素生产率进行评价，并进一步探寻中国高等教育产业的可持续增长路径。

1 相关研究回顾

伴随着我国高等教育进入普及化阶段，投入产出效率的研究正成为国内高等教育理论研究的热点问题。现有针对高等教育效率的相关研究主要有如下三类：

一是关于单个省份的高等教育效率的研究，如常思亮（2019）基于DEA模型对湖南省17所研究生培养高校的研究生教育效率进行评估；沈丹（2021）应用DEA和Malmquist指数分析法，对2015-2019年西藏高等教育财政支出进行了分析。

二是某一区域高等教育效率的研究，如迟景明等（2019）利用DEA以及面板Tobit回归模型对我国四大区域高等教育发展效率的空间差异及影响因素进行测度；杨小军（2021）以长三角组群三省一市高等教育经费为研究对象，运用DEA模型与Malmquist指数，对2008-2018年长三角组群高等教育经费的投入产出效率、时变特征以及区域差异化进行实证研究。

三是全国高等教育效率的研究，易明等（2019）运用Window-Malmquist指数法和空间聚类方法测算分析中国31省（市）2004-2015年的高等教育投入产出效率及其演变规律和空间差异；张必胜（2019）依托2000-2016年高等教育投入产出数据，利用博弈交叉效率DEA模型与全局Malmquist指数进行了动态分析。

已有对高等教育产业效率的评价大多采用DEA方法，该方法是一种基于被评价对象间相对比较的非参数技术效率分析方法，特别适用于评估多投入多产出的相同类型非营利组织的运行效率，已经成为高等教育效率评价的重要工具和手段。

本研究在借鉴已有高等教育产业效率评价的思路与方法基础上，进一步考虑了我国普通高校东、中、西三大区域布局不均衡、占有教育资源不均衡，国家对东、中、西三大区域普通高校教育投入差异等事实。拟在改进原有评价指标体系的基础上，将样本省份分为东、中和西部三个组群，运用Metafrontier-Malmquist（MML）生产率指数对我国高等教育全要素生产率指数进行分组群评价，并结合技术效率变化指数和技术进步指数的分解，更好地对高等教育产业投入产出要素的全要素生产率进行面板数据的跨时期样本分析，全面评析三大区域间技术落差率的变动趋势，以期为各组群高等教育产业政策的制定和评价提供依据。

2 指标选取与数据来源

2.1 指标选取

目前学术界主要从人力、物力、财力角度衡量高等教育投入，从人才培养、科技成果、社会服务角度衡量高等教育产出，本文综合考虑理论合理性及数据可得性，在综合已有研究成果的基础上，构建了中国高等教育产业全要素生产率评价指标体系，如表1所示。

2.2 数据来源

受数据完整性和可得性影响，本文以除去台湾、香港、澳门、宁夏和西藏的全国29个省、直辖市和自治区为评价对象，这并不影响对总体情况和规律性的把握。同时，将29个省份划分为三大组群，即东部组群、中部组群和西部组群。数据来源于《中国统计年鉴》（2010-2020年）、《中国教育统计年鉴》（2009-2019年）、《中国科技统计年鉴》（2010-2020年）和《高等院校科技资料汇编》（2010-2020年）。

3 实证分析

在指标体系构建和对原始数据进行整理的基础上，本文运用MaxDEA8.0软件，进行了基于产出导向的效率分析，得到了2009-2019年全国29个省份高等教育全要素生产效率值。

3.1 共同边界下分省份高等教育全要素生产率指数及其分解

表2给出了共同边界下2009-2019年各组群高等教育产业全要素生产率平均增长情况。从各组群均值来看，2009-2019年，中国东部、中部、西部组群的全要素生产率均值分别为1.076，1.027和1.104，均大于1，其中西部组群增幅最大，中部组群增幅最小。从构成要素看，东部组群的技术进步指数高达7.6%，而中部、西部组群技术进步指数均小于1，说明东部组群在获得高等教育先进技术、实施教育技术创新方面，比中部、西部组群具有更大的优势。但是，东部组群的技术效率提升却落后于中部和西部，分别低4.7和14个百分点，其中西部组群技术效率指数高达15%，可知西部组群在高等教育投入要素的优化、创新市场对教育资源的配置以及扩大教育资源投入规模等方面取得了较大成就。从各组群的标准差来看，中部组群全要素生产率增长的标准差最小，说明中部组群高等教育产业效率整体较高，进步虽慢，但持续性和稳定性较强。东部组群和西部组群的标准差均最大，表明东部和西部組群各省份的增长差距较大，发展不均衡。

图1是2009-2019年分组群高等教育产业全要素生产率的变动趋势。由图1可以看出，无论是东部、中部还是西部组群，都表现出波动特征。各区域在2010-2014年期间先后出现下滑，其中，东部组群于2011-2012年下滑12.1%，中部组群于2011-2012年下滑13.2%，西部组群于2012-2013年下滑18.7%。随后，各区域出现不同程度的回升，东部和西部组群于2014-2015年达到最高水平，中部组群于2015-2016年达到最高水平。2018-2019年，各组群的全要素生产率均有明显下降，尤其是中部组群下降幅度最大。

图2给出了2009-2019年东部、中部和西部组群的技术进步指数的变动趋势。总体来看，2009-2015年期间，东部、中部组群的技术进步均处于波动上升，2014-2015年达到峰值，而后开始下滑，至2018-2019年达到最低。与东部、西部组群不同，中部组群技术进步指数的最低点出现在2014-2015年，随后又反弹上升，2017-2018年达到峰值后又转为下降。从总体上看，东部、中部和西部组群所有年份的29个数值中，11个小于1，比例达37.9%，表明中国高等教育产业的技术进步出现退化，在技术应用水平等方面还有很大的提升和改善空间。

图3给出了2009-2019年东部、中部和西部组群的技术效率指数的变动趋势。由图3可知，2009-2019年中国东部、中部和西部组群技术效率增长并未呈现一致特征，各个年份特点均不相同。从总体上看，东部、中部和西部组群所有年份的29个数值中，27个大于1，比例达93.1%，表明中国高等教育产业的技术效率较高。

3.2 群组边界下高等教育全要素生产率及与共同边界的技术落差

图4是2009-2019年中国东部、中部、西部组群高等教育产业效率的技术落差率。可以看出，我国东部、中部和西部组群技术落差率均呈现波动变化，其中，东部组群技术落差率相对较平稳，一直接近1，说明东部组群一直靠近技术前沿。中部组群技术落差率均值为0.996，说明与技术前沿相比还有一定的差距。而西部组群技术落差率波动较大，2010-2019年期间，出现三个峰值。

剝离技术差异因素，2009-2019年各组群全要素生产率增长及其分解如表3所示。由表3可以看出，东部、中部组群的平均全要素生产率分别为1011和0996，均接近于1，说明东部和中部组群一直靠近潜在技术前沿。从构成要素看，东部、中部组群的平均技术进步指数均高于技术效率指数，说明东部、中部组群全要素生产率的增长均主要依靠技术进步。西部组群全要素生产率保持最高水平，平均增长38%，西部组群的平均技术效率指数和平均技术进步指数分别为54%和67%，但西部组群平均技术进步指数的方差高达0116，分析可知，西部组群内各省份技术进步水平差异较大，发展不均衡。

4 结论

通过对2009-2019年度29个省份高等教育产业全要素生产率的实证分析可以发现：

（1）样本省份的高等教育产业全要素生产率整体水平较高，从分解结果来看，多数省份全要素生产率增长的动力主要来源于技术效率，表明中国高等教育产业主要依靠技术效率的改进和规模调整推动产业增长，但是技术进步不足，未来需要改进和增强高等教育产业技术创新和应用。

（2）东部、中部和西部组群高等教育产业全要素生产率不存在明显差异，东部和中部组群全要素生产率增长比较稳定，一直靠近潜在技术前沿，且东部、中部组群全要素生产率的增长均主要依靠技术进步。西部组群平均技术进步指数的方差较大，说明西部组群内各省份技术进步水平差异较大。未来，在促进高等教育产业发展过程中，要加速技术进步由东部和中部组群向西部组群转移和扩散，并同时加速东部和中部组群的技术效率提升。

参考文献

［1］Malmquist S.Index numbers and indifference surfaces[J].Trabajos de Estadistica y de Investigacion Operativa，1953，（4）：209242.

[2]Fre R，Grosskopf S，Lindgren B，Roos P.Productivity changes in Swedish pharamacies 1980-1989： A nonparametric Malmquist approach[J].Journal of Productivity Analysis，1992，（3）：85101.

[3]易明，彭甲超，张尧.中国高等教育投入产出效率的综合评价——基于WindowMalmquist指数法[J].中国管理科学，2019，27（12）：3242.

[4]迟景明，李奇峰.中国高等教育发展效率的空间差异与影响因素识别研究[J].现代教育管理，2019，（02）：712.

[5]常思亮，吴兵.基于DEA模型的省域研究生教育效率研究——对湖南省17所研究生培养高校的实证分析[J].现代教育管理，2019，（11）：3036.

[6]张必胜.我国高等教育效率的动态分析——基于博弈交叉效率模型与全局Malmquist指数[J].国家教育行政学院学报，2019，（10）：6572.

[7]宗晓华，付呈祥.“双一流”建设高校科研效率及其变化——基于超效率和Malmquist指数分解[J].重庆大学学报（社会科学版），2020，26（01）：95109.

[8]沈丹，修凯.基于DEA方法和Malmquist指数法的西藏高等教育财政支出效率研究[J].西藏民族大学学报（哲学社会科学版），2021，42（02）：118123，133.

[9]杨小军.长三角组群高等教育经费投入产出效率测度与差异化研究[J].无锡商业职业技术学院学报，2021，21（02）：2329.