效率和生产率方法在高校科研评价中的应用，本文主要内容关键词为：生产率论文,效率论文,科研论文,评价论文,高校论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
中图分类号：G644.4 文献标识码：A 文章编号：1671-9468(2012)03-0057-16
一、引言
作为第一生产力——科技和第一资源——人才的重要结合点，高校在国家科技发展和创新中具有越来越重要的地位并发挥着日益突出的作用。为提高高校科研水平，中国政府通过合并高校优化资源配置、增加高校科研经费投入①、实施“985”和“211工程”计划等各种途径，推动高校科研能力实现跨越式发展。根据《中国科技统计数据(2011)》，高校利用占全国11.3％的科研人员，8.5％的R&D经费，承担了62.6％的基础研究活动，产生了21.6％的发明专利申请，获得了28.8％的发明专利授权，生产了64.6％的科研论文。
尽管中国高校科研水平和创新能力已有了明显增强，但应该清楚地认识到，较之世界一流大学，中国高校的科研实力仍然存在较大的差距。为了切实提高高校科研实力，在稳步增加高校科研投入的同时，还必须制定与完善科研管理体制，保证科研投入的有效配置与使用。评价是决策的依据，因此，运用科学有效的评价方法，建立健全科研评价体系，是完善高校科研管理体制的重要任务之一，同时也是增强中国高校科研实力的重要基础。从现有的高校科研评价来看，由于高校科研评价目标定位问题，现有评价方法和手段大都偏向于对产出的评价，没有重视科研活动的效率和效益问题，一定程度造成了高校科研人员的急功近利和学术浮躁现象，学科重复设置、科研资源浪费、理论性基础性研究重视不足等现象也日渐严重。
增加高校科研投入对于促进中国高校科研水平的提高非常重要，但能否充分利用科研投入、优化配置资源，对于提高科研效率和生产率同样重要。要从根本上保证高校科研生产可持续发展，必须解决现有科研评价中单一强调科研产出的问题，引入科研投入维度，引导高校科研活动走向内涵式发展道路。在科研评价中引入投入的维度，事实上是在科研评价中引入投入—产出概念，建立生产率和生产效率分析模型促进高校加强科研生产成本核算、提高资金使用效率和投资效益，同时改善科研管理制度，最终提升高校科研生产率，促使高校科研生产持续稳定发展。
本文结构安排如下：第二部分梳理高校科研评价方法的现状和局限，第三部分介绍效率和生产率分析方法的思想和理论，第四部分综述效率和生产率方法在高校科研评价中的实际应用，第五部分探讨高校科研效率和生产率方法在科研评估上的局限性以及值得进一步深入和扩展的空间，为后续研究提供方法论和研究设计方面的参考。
二、现有高校科研评价方法概述
正如前文所述，科研评价是基于科学、公正和可行的评价手段和方法，对机构或个人科研活动及其相关环境进行综合分析和判断，旨在提高科研管理和科研决策水平。有效的科研评价有助于推动科研活动持续健康发展，促进科研资源优化配置。从发达国家和地区的经验来看，美英等国都非常重视高校科研评价，并将评价结果与科研拨款挂钩，在科研管理体制中引入激励和约束机制，促进高校科研水平和创新能力的提升。[1]
从国内学术研究和科研管理实践经验来看，随着国家和社会对高校科研水平重视程度以及加强公共问责的呼声不断增强，国内围绕科研活动展开的评价日益增多。概括起来，目前国内高校科研评价的主体主要可分为三类，即行政管理部门(官方)、民间组织、学术科研机构/个人；评价方法同样可分为三类，即定性评价方法、定量评价方法、综合评价方法。本部分将就国内相关评价实践中的方法及其存在的局限进行概括和总结。
(一)定性评价方法
定性评价主要是一种以人的主观经验、价值观、思维方式等为依据的判断活动，将评价对象作概念、程度上的质的规定，然后进行分析评定以说明评价对象的性质或程度。定性评价方法主要有同行评议法和德尔菲法。
同行评议法是指同一领域或与其邻近领域的专家采用同一种评价标准和程序对该领域的科学研究活动及其相关要素(如研究人员、研究机构、研究项目等)进行评价的一种方法。可以说，同行评议是某一或若干领域的专家采用统一评价标准，通过通信评议、会议评议、调查评议、组合评议等多种形式对相关领域的某一思想进行评价的活动，因此它是以专家判断为主的方法，其评价结果对有关部门的决策有重要的参考价值。[2]德尔菲法的提出是为了克服一般专家讨论中存在的屈从于权威或盲目服从多数的缺陷，采用匿名发表意见的方式，专家之间不得互相讨论，不发生横向联系，通过多轮次调查专家的看法，经过反复征询、反馈、修改和归纳，最后汇总作为专家调查的结果。
目前，定性评价方法主要用于对科研项目、科学出版物、科研成果、学位与职称、科研机构的运作等的评价。定性评价方法的优点和缺点都非常明显。其优点在于：第一，启用了学术研究界那些可接受的、有专长的、受人尊敬的成员担任科研活动及其结果的鉴定人，这有利于质量控制和肩负科学责任；第二，允许本学科、专业的同事交流想法、意见、建议和反馈信息，这种交流促进了科学进步，并保持了科学交流渠道的畅通。[3]其缺点主要在于：由于缺乏客观标准，对评价者要求非常高，由于熟人关系网、马太效应、崇尚权威等，可能会制约评价的公平、公正、合理；而且，当研究成果是应用性而不是理论性，或当研究是交叉学科或者新兴学科时，定性评价的适用范围同样将受到限制。[4]
(二)定量评价方法
定量评价方法是依据具体的、客观的数据展开评价，它将评价对象进行数量化的分析和计算，从而判断其价值。定量评价方法能够消除主观因素在评价中的不利影响，使评价具有可比、可信的数据依据。同时，定量评价可以使一些概念精确化，加强评价的区分度，降低评价的主观性和模糊性，增加评价的说服力。[5]从目前国内外比较常用的定量评价方法来看，可以进一步分为单指标评价方法和多指标综合评价方法。
单指标评价是指选择某一个维度展开评价②。以科研论文产出数量的评价维度为例，评价者可以利用SCI、SSCI、EI、CSSCI等论文数据库，评价特定时期科研论文发表数量；以科研论文产出质量的评价维度为例，评价者同样可以利用SCI、SSCI、EI、CSSCI等论文数据库，从特定时期科研论文引用频次、论文半衰期等文献计量学手段获得数据；最后利用统计学、计量经济学等方法进一步展开分析评价。多指标综合评价方法是指根据综合评价的目标，运用统计学模型，或者将定性研究方法与定量研究方法相结合，对评价对象的多个维度进行整体评价。纯量化的综合评价方法主要通过因子分析、典型相关分析等多元统计分析方法将单指标评价的各个维度整合成一个综合指标，以此进行排序和评价③；将定性方法与定量方法相结合的综合评价方法是根据综合评价的目标，对客观事物的影响因素进行分解，以构造不同层次的评价指标体系，根据专家同行评议结果对这些指标进行赋值并确定其权重系数，最后采用层次分析方法等综合评价模型进行综合得到最终评价值，以此进行排序和评价。
(三)高校科研评价实践中的问题
我们在对相关评价手段及其应用进行分析后发现，在高校科研评价的实践中，评价的方法和手段日益演变和完善，在实践中根据具体情况得到了许多改进。不过，高校科研评价体系的改革与完善，还应努力适应不同类型、不同层次科学研究活动的内在发展规律。特别地，由于科研活动不同于纯粹的机械运动和自然现象，它是由具有博弈行为的人所参与的特殊复杂系统。因此有效的科研管理与科研评价，往往不是“数量化”、“一刀切”、“投票法”等简单做法所能完成的。例如，高校在科研成果评价方面不能“一刀切”，必须区别对待。对于那些应用性研究，必须要将创造效益作为科研考评的重要指标，重在对科研成果创造经济效益以及对社会发展所做贡献进行评估；然而，对于基础性研究活动，要给予科研人员充分的研究时间，按照其项目周期来进行科研成果的考评，并且要将这些项目成果在整个科研成果评价体系中的权重突出，进而鼓励高校科研人员重视基础性理论性研究，不断提升自主创新能力。对于高校教师的科研考评不应全部定量化，往往重大攻关项目或创新团队项目都是一个科研群体共同完成的，如果用“记分”方式评估每个科研人员的成果，由于难以公正地剥离出每一项成果的个体贡献，不利于形成合作创新的良好学术氛围。利用高校内部学术委员会的“投票法”来进行科研奖励或学术职称的评选活动，投票人的“利己”动机和“中间偏好峰”④的存在将会导致最优者反而被淘汰。
此外，本文发现，已有研究在讨论科研投入与产出的关系时，常将两者作为高校科研实力的并列指标，而忽略投入与产出的比例关系，即效率的问题；同时，对科研投入与产出的评价侧重不同，或仅侧重于对产出的关注，或虽两者皆有关注，但指标内容的选择随意性较大，缺乏理论依据，影响评价结果的解释，也难以获得共识性的结论。因此，需要从经济学投入产出的视角，引入效率与生产率的概念，对高校科研生产进行更加全面客观的评价。
三、效率和生产率评价：概念、方法及进展
(一)效率与生产率的概念
生产率是指生产单元所生产的产出与所需投入的比值，即“生产率＝产出/投入”。生产率提高对于经济增长至关重要，在实际生产过程中，由于存在多种投入要素和多种产出要素，生产率分为全要素生产率(total factor productivity,TFP)和部分要素生产率(partial measure of productivity，又称偏要素生产率)。全要素生产率是一种包括所有生产要素的生产率测量，定义为加总的生产产出与加总的投入要素之间的比率；部分要素生产率则是考察产出与所需某一类投入要素的比值，例如劳动生产率等。在实际研究中，如没有特殊说明，生产率测算均指全要素生产率，而生产率提高主要来源于效率提高、规模变化和技术进步。
效率是生产率提高的重要源泉。效率反映了生产单元在既定产出下使投入成本最小化的能力。1957年法雷尔(Farrell,M.J.)将效率分解为技术效率(technology efficiency,TE)和配置效率(allocation efficiency,AE)[6]，效率则是技术效率与配置效率的乘积。技术效率指在既定投入集下获得最大产出的能力，衡量投入到物质生产过程中的资源能否得到充分有效的利用。配置效率指生产单元在给定要素价格和生产技术下以最优比例利用投入要素的能力，它涉及各种生产要素如何替代配置才符合经济原则。此后，法尔(Faere，R.)等人在1998年提出了规模效率(scale efficiency,SE)，用于测量生产率提高的另一重要源泉——规模变化，即生产单元的效率可以通过改变它们的运营规模而提高，即保持同样的投入组合但改变运作规模而获得改进。由此可见，分析生产单元的效率一般分解为技术效率、配置效率以及规模效率三个部分，它们共同构成了生产率提升的源泉。
(二)效率和生产率分析方法的进展
自从法雷尔提出分段线性包络的生产前沿估计方法发展至今，较为成熟的效率和生产率测度方法主要有四种：最小二乘法(LS)、随机前沿分析方法(Stochastic Frontier Analysis,SFA)、数据包络分析方法(Data Envelopment Analysis,DEA)、全要素生产率指数方法(Total Factor Productivity Index)。
计量经济生产模型方法是基于生产函数或成本函数来表述经济生产关系，它把产出表述为一些投入的函数(生产函数模型)，或者将成本表述为投入价格与产出的函数(成本函数模型)。与随机前沿分析方法不同的是，计量经济生产模型方法只能获得平均生产函数，不能得到生产前沿；两者相同的地方是都需要设定函数形式。常见的函数形式有线性函数、柯布－道格拉斯生产函数、超越对数函数、二次函数等等。计量经济生产模型常用的参数估计方法有最小二乘法(LS)、最大似然估计(ML)以及贝叶斯估计(Bayes Estimation)，其中LS和ML方法应用更为广泛。
图1 效率和生产率分析方法
指数是测算不同时期经济变量变化最常用的工具，其在生产率测量中最重要的作用就是对全要素生产率变化的测量，最常用的即为Malmquist TFP指数。
数据包络分析(以下简称DEA)是一种非参数方法，是在法雷尔已有研究的基础上，以单输入单输出的效率概念为基础发展起来的，评估具有多输入多输出同类型决策单元(Decision Making Units,DMU)相对有效性的效率评估方法，最早由查尔斯(Charnes)、库伯(Cooper)和罗兹(Rhodes)于1978年提出[7]。随后，许多学者致力于DEA模型的研究，先后给出了规模收益不变的CRS模型、规模收益可变的VRS模型，以及规模收益非递增的NIRS模型和规模收益非递减的NDRS模型。[8]DEA方法目前已经发展成为较成熟的非参数效率的方法，并被广泛地应用于管理科学领域。
随机前沿分析方法(又称随机边界分析，以下简称SFA)使用包含随机误差的经济计量方法估计生产前沿函数，从而计算效率与生产率。艾格勒(Aigner)、洛佛尔(Lovell)和施密特(Schmidt)[9]以及穆森(Meeusen)、冯登·布劳克(Van den Broeck)[10]等学者分别独立地提出了相似的适合横截面数据的随机前沿生产函数模型，模型由生产函数和两个误差项组成，其中一个为零均值的随机误差项解释统计噪音，另一个为非负均值的随机误差项衡量技术无效性。随后，一些学者运用此模型进行了实证研究，并对该模型的无效率误差项分布假定做了修改，分别提出了截断正态分布(trancated normal distribution)和伽玛分布(Gamma distribution)模型。[11][12]巴蒂斯(Battese)和科埃利(Coelli)提出了适合面板数据的随机前沿生产函数模型，该模型允许技术效率水平随着时间推移而发生系统变化，被称为时变无效性模型。[13]
SFA在测量技术效率方面日益得到学者们的认可，但随机扰动与技术效率的不可观测和严格的分布假设却成为应用障碍。随着皮特(Pitt)和李(Lee)将横截面数据的最大似然估计技术推广到面板数据[14]，巴蒂斯和科埃利运用似然比检验，能够对面板数据下的最大似然估计中的“随机前沿函数与传统生产函数的选取，随机误差和技术效率的分布假设是否稳健，技术效率是否受其他因素影响而变动”进行甄别和判断[15]，使SFA具有更广泛的实证和应用空间。
DEA和SFA都属于前沿面分析方法，而且可以基于这两种方法来估计全要素生产率的变化，并将其测算结果分解为技术效率变化、规模效率变化以及技术变化。法尔(Faere)、格罗斯克夫(Grosskopf)和张(Zhang)运用相对于DEA前沿面的距离来测算Malmquist全要素生产率变化指数[16]。弗恩泰斯(Fuentes)、格里费尔－塔特杰(Grifell-Tatje)和佩雷尔曼(Perelman)[17]、欧瑞尔(Orea)[18]提出基于超越对数形式的随机前沿生产函数来测算Malmquist全要素生产率变化指数。
相对于DEA方法而言，SFA的优势主要体现在两点：其一，可以解释模型中的噪音项；其二，可以用来研究传统的假设检验。而其缺点则表现为：一方面，对于模型中的无效率项必须设定其分布形式；另一方面，对效率的测算要事先设定生产函数(或成本函数)的函数形式。此外，在结果的稳定性方面，SFA计算结果较为稳定，不易受异常点的影响，更适合大样本计算；而DEA则对样本的同质性要求较高，易受异常值的影响。DEA的一个优点是能直接处理多产出的情况，而SFA处理多产出则较为复杂，需将多产出合并成一个综合产出或者利用距离函数解决。
四、效率和生产率方法在高校科研评估中的应用
(一)国外高校科研效率和生产率测量的实证研究
近三十年来，越来越多国外学者尝试利用SFA、DEA方法评估高校科研效率和生产率。国外关于高校科研效率和生产率测量的研究主要以美国、英国和澳大利亚为代表。不过至今专门对高校科研效率和生产率进行评估的研究仍然较少，采用SFA方法评估高校科研效率的研究更为少见。伊扎蒂(Izadi)等人的研究[19]，以及豪讷(Horne)和胡(Hu)[20]的研究采用SFA方法分别估计了英国99所高校和澳大利亚33所大学的技术效率和成本效率。斯蒂文斯(Stevens)同样采用SFA方法评估了英国和威尔士80所高校1995～1996学年至1998～1999学年的效率，并分析了教师和学生特征对效率的影响。[21]卡姆克斯(Kempkes)和珀耳(Pohl)[22]以及达巴史岩(Daghbashyan)[23]采用SFA方法考察了德国和瑞典高校效率的变化，并分析了效率的影响因素。
采用DEA方法评估高校科研效率和生产率的研究日渐增多。琼斯(Johnes)等采用不同指标体系，研究了英国大学经济学系的科研效率，结果表明DEA结果对投入或产出指标组合敏感程度较小。[24]巴斯里(Beasly)分别对英国高校52所院系(物理系和化学系)的教学效率和科研效率进行了评估[25]。吉奥范尼(Giovanni)等人采用DEA方法与文献计量学相结合的方法测度了意大利不同学科高校的科研效率，结果表明不同学科高校之间的科研效率具有显著差异。[26]琼斯(Johnes)与李雨采用DEA方法评估了中国109所高校2003年和2004年的科研生产效率，研究表明中国高校的平均科研效率超过0.9，通过DEA模型得到的高校两年的科研效率排名之间高度显著相关；综合性大学的科研效率均值高于专业性大学，沿海地区的高校科研效率均值高于西部地区高校；综合性大学的科研效率高这一结果给中国近年来大规模的高校合并活动提供了有利的支撑。[27]
相对于科研效率的静态评估而言，科研生产率的动态评估研究较为少见。琼斯采用DEA方法和距离函数方法评估了英国112所高校在1996～1997学年到2004～2005学年之间的Malmquist生产率指数。结果表明英国高校效率平均每年增加1个百分点。进一步研究发现，高校每年有6个百分点的技术进步，伴随着5个百分点技术效率的下降。高校部门的快速变革对高校的生产技术有着正向的影响，但却是以技术效率的降低为代价。[28]
(二)国内高校科研效率和生产率测量的实证研究
随着以DEA为代表的效率测评方法传入我国并迅速普及，国内许多学者开始采用该方法对高校科研效率和生产率进行评估。
陆根书等人在2006年前后发表了采用DEA方法评价高校科研效率的研究，比较了不同地区教育部直属高校的科研效率，结果表明东、中、西部地区高校科研效率依次递减，不同地区高校科研效率和规模效率都存在波动，变化趋势各不相同；扩大科研规模是高校改进科研效率的主要途径[32～33]。田东平、苗玉凤采用DEA方法测度我国510所高校的科研效率，结果依旧表明高校平均技术效率呈东、中、西部地区依次递减的趋势。[34]徐娟[35]、李清彬和任子雄[36]等学者以省为单位，采用DEA方法考察了我国高校科研效率，研究认为高校科研效率与经济发展水平有一定关系，但并不是强正相关，说明高校科研效率并非单纯受区域经济的影响。韩海彬、李全生以不同学科特点为分类依据，测度了我国11所高校的人文社会科学科研效率，结果表明，11所高校中有5所高校的人文社会科学科研的技术效率和规模效率运营情况都相对较好，其余6所高校的人文社会科学科研效率为非DEA有效。[37]研究首次从学科视角评估高校人文社会科学领域的科研效率，具有一定的启发意义。胡庆江等人采用DEA方法考察了“985工程”高校的科研效率，结果表明，大部分“985工程”院校科研效率偏低。[38]
近些年来，一些学者开始采用基于DEA的Malmquist生产率指数方法考察高校科研效率的动态变化趋势。胡咏梅、梁文艳以2000年合并的25所高校为样本，考察了其1999～2002年间的科研生产率变化状况，结果发现技术进步是高校科研效率提高的主要来源，而合并高校的规模效应并不显著。[39]骆卉慧从省级层面考察了我国29个省区高校科技系统的效率和生产率，研究发现，横向而言，中国各地区高校科技系统效率呈东、中、西部依次递减；纵向来看，各地区高校科技系统资源配置效率总体呈下降趋势。[40]
从上述实证研究可以发现，首先，现有国内高校科研效率和生产率研究的对象可以归为三类：对教育部属高校科研效率的评估；对不同省区高校科研体系投入产出效率的评估；对单个学术部门或大学院系科研效率的评估。其次，就研究采用的投入产出指标体系而言，不同学者根据不同的研究偏好和数据可得性采用不同指标体系，结果也因指标体系不同而有较大差异。再者，从评估结果来看，我国高校科研效率整体状况不容乐观，呈现东、中、西效率依次递减的区域性差异；在规模效率层面，西部地区高校多处于规模递增阶段；而地区经济发展水平与高校科研效率并没有显著相关关系。
诚然采用DEA、SFA以及计量经济模型等量化方法评估高校科研生产效率和生产率已有颇多成果，在评估的精确性、评估范围的广泛性、评估的公正性等方面具有非量化评估不可替代的优势，但也要注意到这些量化评估方法的局限性。第一，尚不存在没有限定条件和缺点的评估效率和生产率的量化方法。正如前文所述，无论是参数方法还是非参数的测度效率和生产率的方法，均有各自的使用条件和局限性。比如，DEA方法虽然不需要考虑投入、产出指标的相对重要性，但该方法对样本的同质性要求较高，且结果易受异常值的干扰；SFA相对于DEA，尽管在结果稳定性方面较好，但在处理多产出的生产效率问题上不具优势。第二，采用不同量化方法得到的效率排名并不总是一致的，而且没有成熟的方法或者标准在DEA和SFA两种方法之间进行选择。[41]第三，DEA、SFA方法对投入、产出数据质量要求高。其相对效率值易受指标测量误差的影响。如果忽视了某些数据的误差，可能会导致某种异常或者反直觉的结果。而且，DEA方法不允许各指标存在缺失值。第四，DEA、SFA以及计量经济模型方法首先是在企业生产效率评估中的应用，效率反映的是生产单元在既定产出下使投入成本最小化的能力。高校科研生产组织并没有追求成本最小化的动力，多数科研组织追求的是产出质量，即产出高水平的科研成果，经济生产领域的效率评估方法是否适用于高校科研生产尚有待理论支持。
五、结论与启示
科研创新在推动当今社会进步、保持经济社会稳定健康发展方面发挥着越来越重要的作用。作为科研活动和创新的主战场，世界各国越来越重视增加高校科研经费投入，以提高高校科研实力。政府、社会和高校自身对高校科研质量、科研绩效的关注程度日益提高，甚至将评价结果与拨款紧密挂钩。在诸多的量化评价方法中，效率与生产率方法是经济学“投入—产出”研究在高校科研评估中的应用。从以上对效率与生产率方法、理论及其实践应用的总结，本文得到以下几点结论，希望能为进一步完善科研管理体制提供有益的启发。
第一，需要丰富高校科研效率与生产率评估研究，科学对待和使用其研究结论。现有的研究聚焦于对高校科研生产技术效率、规模效率的考察，鲜有对科研生产成本效率、配置效率的考察。若能对同一研究对象进行多视角的分析，可以获得更多更有意义的结论研究。多数研究采用DEA方法考察高校科研效率和生产率状况，单一方法的使用，无法考量结论的效标关联效度，难以保证结论的有效性。与此同时，由于DEA方法属于非参数方法，对其结果的好坏并不能用通常的统计学指标加以检验，并需配套使用bootstrap、jackknife等手段，保证结果的稳定性与有效性。此外，研究者和决策者要正确看待效率评估结论。由于DEA、SFA等方法给出的均是相对效率值，对于样本的依赖性很大，而且指标数量对于效率结果也有直接影响，因而不能因为某个范围的样本效率评估情况良好，就将之推广至其他群体，应当谨慎对待和使用研究结论。
第二，需要综合使用文献计量方法、质性评估方法，并基于科研活动真实规律与生产理论构建科学的评估指标体系。从国内已有研究和实践来看，科研效率评价的投入、产出指标体系的建构通常缺乏理论基础，指标选择多限于可得性和借鉴同类研究，理论基础的欠缺使得研究结论难以获得共识，也不利于对评价结果的解释。更进一步，现有的研究在考虑高校科研产出时，评价指标体系中对于产出质量的考察大都利用文献计量法，即用发表在国外SCI或SSCI杂志上的文章数、发表期刊影响因子、文章引用率衡量被评对象科研质量。用这类指标衡量科研产出质量存在一定的局限，特别是高校整体评价中，由于学科之间在论文发表和期刊等方面的异质性存在，将这些指标纳入计量模型或者DEA、SFA模型会带来严重的估计偏误。因此，在未来的研究和实践中，需要基于科研活动的理论与实践设计科学的评估指标体系；同时，必须同时强调量化指标与质性评价的综合使用，事实上，在国外教育研究中将量化与质性研究相结合的混合研究方法(Mixed Methods Research)已逐渐成为主流方法，被称为“第三种研究范式”[42]。
第三，需要保证评估样本的可比性与同质性，更有利于评价结果用于科研管理。国内研究受数据获得限制，已有研究的样本大多选取教育部直属高校或重点高校，对其他类型高校科研效率的评估和考察较少，而且缺乏针对不同类型高校科研效率的分类评估，与DEA方法要求样本具有同质性相抵触，也不利于为高校的分类管理提供实质性的改善科研资源配置的建议。从国外的实践来看，效率与生产率的方法已经逐渐深入到以学院、科研团队、学科为单元，一方面，这解决了样本同质性的问题，保证了评价单元在科研生产活动内在逻辑和特征上的可比性；另一方面，深入到学科、科研团队的评价，并将评价结果用于科研绩效管理中，这有助于激励科研团队内部合作、积极整合科研队伍、形成集群效应，有助于形成高水平的科研群体和产出重大科技成果。
第四，需要关注到科研效率变化的趋势，趋势的变化更具决策参考价值。关于高校科研效率和生产率的研究多以横截面数据分析为主，基于纵列数据(longitudinal data)或面板数据(panel data)考察高校科研效率和生产率的动态变化趋势的研究仍较为少见，然而，趋势性研究更具政策和实践价值。
第五，评价实践中没有重视对效率影响因素的分析，这不利于科研管理体制的改革与完善。现有研究多局限于对效率状况的评估，对影响效率和生产率的因素鲜有考察，因而在改进高校科研效率和生产率的政策性建议方面缺乏实证依据。以参数和非参数方法为基础的量化方法是高校科研效率和生产率研究的主要手段，但仍需要借助质性研究方法对技术有效、规模有效、配置有效以及技术无效、规模无效、配置无效的部分高校进行典型个案比较研究，深入访谈高校科研管理者、教师和科研辅助人员，对高校科研评估的内、外部政策进行文本分析，剖析高校科研资源配置过程的微观机制，探究高校人事管理制度、科研管理制度、人才培养制度、资产管理制度、经费预算和决算制度等对高校科研生产过程的影响，寻求对高校科研生产效率和生产率的整体性、解释性的理解，并为高校管理者优化内部科研资源配置和提升科研生产率提供建设性意见。
综上所述，在高校科研管理中引入效率与生产率思想非常重要，但当前国内已有研究无论是在评估指标的选取、方法技术的选择，还是对时间趋势的分析上均尚有许多值得进一步深入和扩展的空间，有待后续研究在这些方面有所突破和贡献。此外，需要关注高校科研生产资源配置过程的微观机制研究，比如科研人员人力资本结构(人力资源配置)、教师教学与科研工作时间配置(时间资源配置)、教学与科研经费配置(财力资源配置)、教师个体行为选择与科研激励制度(制度资源配置)等等，通过对高校内部科研资源配置过程的细致考察，才可能揭示高校科研效率和生产率的生成机制。
收稿日期：2012-04-27
注释：
①我国高校研发经费支出以年均20％的增长速度从2000年的76.7亿元上升到2009年的468.2亿元，占全国研发经费支出的8.1％，其中，基础性研究支出145.6亿元，占全国基础研究经费总量的53.4％。数据来源于中华人民共和国科学技术部网站：http://www.most.gov.cn/kjtj/2011-12-10。
②例如，教育部科技司对高校科研状况的评价就是采用的这种评价方法。http://www.cutech.edu.cn/cn/dxph/A0121index_1.htm。
③例如，中央教科所高教研究中心2009年发布的《中国69所重点大学绩效评价及排行榜》就是采用的这种评价手段。
④这里的“利己”是指投票人通常会代表各自单位利益，谋求单位利益最大化而作出投票决策，因而投票者的偏好都是单峰的，多数规则下的投票结果就只有一个，即中间偏好峰，它反映中间投票者最偏好的结果获胜。