高校科研效率与规模收益状况分析，本文主要内容关键词为：收益论文,效率论文,科研论文,状况论文,规模论文，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〕C931 〔文献标识码〕A 〔文章编号〕1005-3492(2011)02-0061-06 〔收稿日期〕2010-11-30
一、引言
2009年12月9日，中央教科所（教育部直属的国家级综合性教育科学研究机构）高教研究中心发布了一份具有官方背景的大学排行榜，并负责完成了《中国高等学校绩效评价报告》。该报告首次对教育部直属的72所高校进行绩效评价。此大学排行榜显示，在我国69所重点大学中，约一半高校在过去3年中“投入高于产出”，也就是说教育部直属高校近半是“高耗低产”的。
可以看出，这次权威评价报告不同于以往各大高校排名机构给出的高校绝对排名，①这次绩效评价直接关注高校的发展条件和发展效益，评估高校绩效的主要因素是资源的合理、有效利用。科学研究离不开评估，建立在科研绩效指标评价基础之上的高校排名显得更加纯粹和公正，合理地评价高校科研效率，对政府和高校都具有重要指导意义。
高校是国家科学研究的重要基地，大学的科研水平部分反映了我国的科技水平。特别的，研究型大学的核心竞争力更是在于效率与创新。但是2008年9月美国《科学引文索引》(SCI)的数据显示，基本科学指标ESI收录的从1997年1月1日到2007年12月31日这11年间的各种论文，北京大学论文数排名109，篇均被引次数排名为3486；清华大学论文数排名93，篇均被引次数排名3763；哈佛大学论文数排名世界第3，篇均被引次数排名473。我国高校的科技论文数量与质量出现了严重背离的现象，研究的整体质量和效益都不高的形势十分严峻，如何缩小与世界先进国家高等院校科研成果在质量上的差距，促进中国高校科研水平的发展、提升我国高校科研在国际、国内地位是我国政府以及各地高校一直在努力的目标。
本文根据绩效评价报告中的排名提供的结果，作为选择“训练集”的一个参考标准，利用DEA用于数据挖掘的方法，对我国高校科研效率，特别是高校科研的规模收益状态进行分析。表1所示的是此次绩效评价报告中的排名在前21的高校，我们选取这些高校作为“训练集”，其余高校作为“测试集”，评价“测试集”中的数据相对于“训练集”的有效性，从而对我国高校科研投入产出情况进行绩效评估，旨在为科研管理者制定资源配置政策以及高校在如何提高科研效率方面提供借鉴与参考。
二、相关文献综述
应用DEA方法评价我国高校的科研效率状况，开始受到普遍关注和应用，国内文章主要集中在2005-2009年，所选取的模型都是基本的C[2]R和BC[2]模型，C[2]R模型假设规模收益状态不变，BC[2]模型研究规模收益状态可变的情形。国内文章或者以31省市作决策单元比较各省高校效率，或者只是对重点高校进行效率评价，决策单元数目有限，所选又是最基本的DEA模型，所得到的结果分析显得较为单薄，存在着明显的不足。
与国内文章不同的是，本文对高校科研数据进行挖掘、分析，所选取的是DEA模型中的WY模型。WY模型能解释“拥挤”迹象，即经济学中“投入的某些项有所减少时，各项产出不减少反而增加的现象”。简单地说，“拥挤”意味着生产过程中投入过多会引起产出减少。
“拥挤”模型在国外已经有许多应用文章，比如Byrnes et al.[1]分析了煤矿中地下作业的工人过多反而会导致煤矿产量减少；Brockett et al.[2]分析了中国改革开放前后生产中的无效率与“拥挤”状况，揭示了中国就业人数与产出量之间需要做出权衡；Cooper[3]分析了中国行业中管理层“拥挤”，揭示出无需减少就业人数，消除管理的低效率能够提升纺织业与汽车制造业的产出水平；Tone & Sahoo[4]对印度人寿保险公司的成本效率与规模收益状态进行了分析。Ying & Li[5]结合1998年-2002年五年高效科研投入产出数据，将我国422所高校划分为沿海与内陆两类（其中沿海242所，内陆180所），文章希望看到中国经济发展的差异，特别是区域经济发展差异会对高校效率有差别的影响，结果却发现沿海与内陆两类高校的科研效率都一致的低。文章分析了“拥挤”状况，发现我国高效科研的“拥挤”状况在2000年后开始显现，但在2000年左右还不是很明显，科研投入的增加使得技术进步的生产前沿增进，但高校扩大规模后，规模效率值在不断恶化。
三、数据来源与指标选取
文中所有数据均来源于《2008年高等学校科技统计资料汇编》中华人民共和国教育部科学技术司编。所测评的高校一共有605所，其中“211”及省部共建高校104所，其他本科高等学校501所。在数据样本选择时，此处酌情剔除了高等专科的数据，因为文章要评价的是高校科研效率，研究型大学的典型特征是其在科学研究方面的核心素质和竞争能力。而高等专科不同于本科院校，专科院校一般不以出科研成果为主，而以教学和培养学生就业职能为主。
科研投入是指系统运转所需的各种资源和要素，包括人力、物力和财力源。相对投入来说，科研产出的测度较为复杂，因为不仅需要考虑科研产出的数量，同时还要考虑科研产出的质量问题。因此，如何计量高校的科研产出，国内外学术界存在不同的观点。本文借鉴王战军[6]对美国、英国、日本等国家研究型大学评估指标体系的分析，考查与科学研究高度相关和紧密相连的指标，如科研队伍、科研后备人才、科研经费等占有较大的份额，它们构成了研究型大学的核心竞争力。同时，研究型大学也倡导科研与教学的紧密结合，以科研带动教学和科研后备力量的培养。对605所高效科研投入产出数据进行多次DEA试探性检验，最终确立投入指标（三项）：教学与科研人员（人），全时科技活动人员③（人），科技经费当年内部支出（千元）；产出指标（六项）：科技课题总数（项），专著数量（部），国外及全国性刊物发表数目（份），鉴定成果数（项），技术转让当年实际收入（千元），成果授奖国家级奖（项）。令人惊喜的是，在后来的研究中我们发现本文与文章[5]所采用的指标体系④基本一致，以上说明我们选取指标是科学的，是可取的。
四、模型与方法
在我国，近些年来高校不断扩招，招生数量、高校教学人员的扩招、政府给重点院校加大资金投入，都可能会导致投入过大，这种投入的增大不但不能增加产出，反而导致了产出的减少，即本文模型中所解释的“拥挤”现象。文章[5]发现：在2000年，处于递减状态的高校已经很多，反映了投入的增大没有增加高校的产出，反而有可能产生“拥挤”现象。
魏权龄教授2004年在文章[7]中提出的输出模型⑤[8]表示如下：
图形表示如下：
图1 WY模型“交形式”的生产可能集
2008年，Wei&Yan[10]正是利用“交形式”的生产可能集，给出了判断决策单元之间的相对效率的新方法-DEA数据挖掘方法。依据专家组意见选取的“训练集”具有可参考性，对新增的每一个决策单元逐次作出相应的效率分析，不但大大减少了计算量，而且具有一定的评价合理性与公正性。由于“交形式”的生产可能集是由一组线性不等式给出，在计算“海量”数据中的每个决策单元相对于训练集中的n个决策单元的相对效率（还包括规模收益状况分析：规模收益递增、不变、递减以及“拥挤”迹象）时，只需逐次代入每一决策单元的数据，检验它们是否满足该组线性不等式。
依据专家组意见选取或者公司管理层目标设定的“训练集”，对新增的每一个决策单元逐次作出相应的效率分析以及绩效评价，提取“评测集”中海量数据有价值的隐藏信息。Han,J.& Kamber,M.[11]将数据挖掘定义为：从大量的、不完全的、有噪声的、模糊的、随机的数据中提取隐藏在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。数据挖掘的思想和任务主要包括数据的关联分析、聚类分析、分类、预测等等，因此上述处理海量数据的方法可以看做是数据挖掘领域的一个补充。
如果用图形形象地来说明的话，该方法首先通过“训练集”得到的如图2所示的“交形式”的生产可能集，然后判断新增的决策单元出现在该图形的不同区域，来评价该决策单元的相对效率以及规模收益状况。
图2 模型下决策单元的相对效率以及规模收益状况状态
图2的八个区域分别表示：
上述新方法所需的具体步骤以及过程因篇幅所限，在此不予赘述，对该方法感兴趣的读者还可参见。[12]
五、实证分析
上节我们论述了可以根据WY模型的输入和输出模型分析决策单元（高校）的科研的技术有效性以及规模有效性，通过WY模型的输入模型给出相对于“训练集”的效率指数，评价其技术有效性；通过WY模型的输出模型对其规模收益状况进行分析（包括规模收益递增、不变、递减以及“拥挤”迹象）。
“训练集”是一组作为评价基准的参考集，可以说评价其他每一个决策单元是以“训练集”形成的有效生产前沿面作为标准。本文选取表1所示的绩效评价报告中的排名在前20的高校为训练集，设
依据上一节模型与方法，我们可以逐次判断新增的决策单元出现在如图2的不同区域，来评价该决策单元的相对效率以及规模收益状况。下面就是我们具体的分析结果，此处用到中国人民大学运筹学与数量经济学研究所研发的DEA软件。⑥
首先，我们看表2显示的训练集的效率值
和效率值
：东北大学、河海大学、南京农业大学、合肥工业大学、华中科技大学、中南大学这6所大学为非技术有效的，不在这20所大学构成的前沿面上。所以由这20所高校所组成的“训练集”中只有14个决策单元是技术有效的。中国人民大学处于规模收益不变状态，前面说过规模收益不变是一种理想的生产规模，增加对规模收益不变状态的大学的投入是可以使产出同比例增加的。虽然北京大学、中国人民大学、清华大学这三所大学都在前沿面上（均为技术有效的），但是北京大学的投入相对于产出来说肯定是过量了，处于增大投入不但不能增加产出，反而导致了产出的减少的“拥挤”状态。可以看到官方排名中排名靠前的学校科研效率与规模收益状况不一定很好，比如东北大学排名第3，但是我们发现它的科研效率值偏低，而且处于规模收益递减的状态，此外不予赘述，读者可以自行比较。
按前所述，我们取技术有效的14个决策单元作为参考对象。将数据中剩余585所高校作为“评测集”，评价“评测集”中的每个决策单元相对于“训练集”的有效性（包括技术有效性和规模收益状况）。
（一）总体分析以及211院校与一般本科的对比
实证结果显示605所高校中：130所高校处于规模收益递增状态；49所规模收益不变状态；38所规模收益递减状态；388所处于拥挤状态。也就是64.2%的学校处于拥挤状态，即投入的资金或者人员越多，科研产出不增反减的状态。
进一步的简单统计表明：605所高校的效率平均值0.952；104所“211”及省部共建高校效率平均值为0.905；其他本科高等学校（501所）效率平均值0.962。“211”及省部共建高校的效率值反而不如一般本科院校的效率值。就科技经费支出（当年内部支出）这一项来说，104所“211”类高校支出平均为28.2亿元，501所其他本科高等院校平均为2.62亿元，前者将近是后者的11倍。这让人想起一位高等教育问题研究专家称，国家每年给“985”、“211”类高校投了从上千万元到上亿元不等的经费，“不能再只管投钱不看效益了，要把钱花到刀刃上”。
我们进一步看规模收益状态：“211”及省部共建高校的总体中，26%处于规模收益递增状态，31%处于规模收益递减状态，30%的处于拥挤状态；其他一般本科院校20%处于规模收益递增状态，1.2%处于规模收益递减状态，71.5%处于拥挤状态。从拥挤迹象来看，“211”及省部共建高校规模收益状况暂时优于其他本科院校，但是处于规模收益递减的“211”及省部共建高校比重很大，如果进一步加大投入，反而可能进入模型中的拥挤状态，所以说上述专家的担忧也不是没有道理的。
（二）31省市地区高校科研效率平均值及规模报酬状况
为了更好地分析我国高校的科研效率及规模报酬状况，我们将数据结果进行更细致的整理分析，得到我国31省市地区高校科研效率平均值及规模报酬状况，具体效率值与规模收益状态比例情况参见下表。
表3显示：不同省份的高校科研效率值差异不大，但是四种规模收益状态的比重有很大差异，同时大部分省份50%以上的高校科研规模收益处于拥挤状态。北京市、天津市处于拥挤状态的高校比例相对较低，分别是36.36%和23.08%，它们的科研效率还是不错的；而有些省市虽然效率值较高，如吉林、云南等等，拥挤比例超过了85%，西藏三所高校效率值均为1，但是都是处于“拥挤”状态。结合目前高校的科研状况，我们有理由认为效率值只是部分反映了高校的科研投入产出效率，更重要的是看高校科研的规模收益状态。
（三）东、西、中部高校科研效率的地区发展差异
进一步地，我们将高校的评价进行了地域划分，对国家东部、中部、西部高校的规模收益状态分析，得到的结果显示了教育科研效率的地区发展差异。东部12省市285所高校，处于“拥挤”状态166个，占东部高校总数的58.24%；中部9省市197所高校，处于“拥挤”状态128个，占中部高校总数的64.97%；西部10省市123所高校，处于“拥挤”状态94个，占中部高校总数的76.42%。
图3 东、西、中部高校科研规模收益状态比较
从图3很明显看出，东部高校情况最好，中部拥挤状态少于西部，但是处于规模收益递减状态的高校多于西部。说明东部高校在利用科研资源时投入多，产出也更高，DEA正是从多投入、多产出进行相对有效性的综合评价。东部最好，西部最差这种地区发展差异，也合乎逻辑，同时也值得我们反思。
六、小结
可以看出，DEA评价方法不但对决策单元的技术有效性予以评估，更侧重于规模收益状况分析。如果高校不位于生产前沿面上，即它的科研效率值小于1，高校应该首先提高自身技术效率。而对于技术有效的高校而言，我们可以依据这些高校的规模收益状况了解到当进一步增加科研投入时，其科研产出会如何变化，或者当减少科研投入时状态又将如何。处于规模收益递增状况的高校，不是处于最优生产规模，加大科研投入是很有必要的；规模收益不变是一种理想的生产规模，增加对规模收益不变状态的大学的投入是可以使产出同比例增加的；对于处于规模收益递减状态的高校，增加投入时需要慎重，因为进一步扩大投入会有进入“拥挤”迹象的可能；而对处于“拥挤”迹象的高校，即使它位于生产前沿面上，我们也不能再增大投入，因为投入增加只会减少科研产出，比如表2中发现北京大学即是如此，它的效率值虽然为1，但是其处于“拥挤”迹象，如文章[13]理论分析，此时要求“零结算”是不理智的。可行的解决办法是将过剩的科研投入留存为下一期的科研投入，也就是避免过多的科研投入，为学校科研发展做更长远的规划，更加合理地利用和配置资源。
综上，本文以最新的高校绩效评价报告中排名前二十的高校，作为“训练集”选择的一个参考依据，结合模型与DEA用于数据挖掘方法作了一个具体应用，处理了2008年我国605所高校的科研投入产出数据，并得到所评估高校的效率值和规模收益状况，并进一步对我国31省市高校的效率值和规模收益状况（尤其是“拥挤”状态）进行分析，具体描述了东、西、中部高校科研效率的地区发展差异。这项研究对丰富高校评价内容和方式、合理配置高校资源具有重大意义，也可以为科研管理者在制定资源配置政策以及高校如何提高科研效率方面提供参考与借鉴。当然，囿于数据的可获得性，我们目前只有2008年的数据，部分结论难免下得略显仓促，因此有待进一步的深入研究，特别是对规模收益状况不好的高校的影响因素进行更细致的量化分析，以利于提出更好的政策建议。
注释：
①如网大http://www.netbig.com／自1999年开始，每年都会对中国大学进行排名。
②表中删除了北京语言大学。投入得分越高表示该学校获得的投入越多，产出得分越高表明该学校的产出越多，绩效得分越高表明该学校绩效状况越好。数据表格来源：http://www.sina.com.cn.
③在统计年度中，从事研究与发展（包括科研管理）或从事研究与发展成果应用、科技服务工作时间站本人全部工作时间90%以上的人员。简单地说，不计寒暑假和加班时间，工作时间在9个月以上的人员。
④该文所用投入指标（三项）：教员人数；科研人员数；研发资金；产出指标（六项）：出版著作数；国外文献数；国内发表文章数；国际奖项；国内成果；其他各样产出（如：学术会议报告、杂志、报刊文献与评论等）。可以看出来，我们的指标体系与它基本一致，但我们囿于数据来的可获得性，我们的产出指标不及他们最后一项细致，而且没有国际奖项指标数据，只好用国外及全国性刊物发表数目做权宜替代。
⑤我们可以利用上述输出模型对决策单元的规模收益状况进行讨论。为了进一步研究决策单元的效率指数，除了输出模型外还需用到输入模型。关于对偶输出模型、输入模型、对偶输入模型更详细的内容，感兴趣的读者可以参见[8]中第五章。
⑥该绩效评估软件程序按文[12]中所述步骤，运用Visusl Basic6.0编写，本文作者是主要研发人员。
⑦注：表2中学校与表1中学校顺序不一致，具体各个高校的评估结果如果读者需要，可以找作者索取。