2012年中国“985”大学效率评价——基于DEA-Tobit模型的教学—科研效率评价与结构—环境影响分析,本文主要内容关键词为:效率论文,评价论文,年中论文,模型论文,科研论文,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:G649.21 文献标志码:A 文章编号:1000-4203(2014)12-0035-12 在国际竞争尤其是人才和科技竞争日益激烈的环境下,科学评价大学效率、合理配置教育资源是关系世界一流大学建设的重要问题。“985”大学是中国最顶尖的一批大学,获得了绝大部分稀缺优质教育资源,拥有中国最优秀的师资、最充足的经费、最先进的设备、最优异的生源等,对这些“高消耗”的大学进行科学的效率评价和绩效引导无疑是非常有必要的,这有利于合理配置和充分利用稀缺优质教育资源,培养更多的拔尖创新人才,产出更多的尖端科研成果,加速世界一流大学的建设进程。当前,中央及地方政府用于“985”项目建设的投入累计超千亿元,尽管如此,我国高等教育事业的发展仍无法完全令人满意,且“985”大学的经费中有很大一部分直接来自政府拨款,因此其内部资源配置、效率水平以及分配依据和标准也一直备受关注,并饱受争议。[1]故对“985”大学进行效率评价和实证研究是我国高等教育评估和发展中的一个非常重要的议题。 目前,国内外相关学者主要采用数据包络分析方法(Data Envelopment Analysis,DEA)①对大学效率展开了一系列研究,取得了很多有价值的成果[2-14],但仍存在如下不足:(1)有学者在研究中自主设计指标体系,对投入指标与产出指标的选择难免带有主观性和偏好性,使得众多使用相同数据来源的研究因指标选择的不同而得出迥然不同的评价结果;(2)有学者在基于投入产出模型展开效率评价之前,没有检验指标体系设计的合理性,如DEA分析中的单调性原则等,且在得出效率评价结果之后直接展开评述和分析,没有检验研究信度,对其所设计的投入产出模型是否合理、稳定没有说明,在此基础上得出的结果因而缺乏可靠性和可信性②;(3)现有的成果要么仅仅是关于大学科研效率的(绝大部分的研究属于这一类),要么是关于大学整体办学效率的,相关研究没有构建细分职能的系统性效率评价体系,也没有比较各学校在教学或科研职能上的效率水平高低及差异;(4)近年来将DEA方法用于大学生产效率评估的研究大都集中在对学校效率的总体评价及排名上,没有统计检验相关重要变量对大学效率的影响,或者采用了一些不恰当的统计检验方法,例如,运用OLS回归模型分析具有截断数据特征的DEA效率数据,就难以获得准确、可靠的结论。 因此,本文试图从上述几方面改进研究工作:(1)放弃自主设计指标体系,而基于DEA模型的系统架构,整合和改进武书连《中国大学评价》和网大中国大学排行榜两个历时较长、具有较好系统性和较大影响力的大学评价系统的指标体系,力求指标设计的系统性与客观性,避免主观选择指标体系所导致的偏好性影响和争议;(2)基于相关分析检验指标体系设计应符合DEA分析的单调性原则,确保投入和产出指标筛选的合理性,并运用“刀切法”检验模型质量及效率得分结果的稳定性③,为效率评价结论的准确性和可信性提供统计依据;(3)构建分职能的效率评价体系,测度和比较“985”大学在教学效率和科研效率,以及在进一步细分的研究生培养效率、本科生培养效率、自然科学研究效率和社会科学研究效率上的水平和差异,以获取更加精确和有针对性的效率评价结果;(4)采用2010-2012年面板数据,基于两阶段Tobit回归模型探究外部环境变量和内部结构变量两方面要素对大学各项职能效率的影响,为“985”大学应对外部环境和变革内部结构以实现资源的优化配置和效率的提升提供思路和建议。 总之,基于笔者的前期研究成果④,本文继续改进模型设计和分析方法,在检验指标体系和模型稳定性的基础上,利用2010-2012年的面板数据,首次对“985”大学展开分职能体系的教学效率研究和科研效率研究以及内外部影响因素分析。 二、中国“985”大学效率评价:模型设计与检验 1.指标体系设计 本文通过整合和改进投入/资源导向的网大中国大学排行榜⑤和产出/成果导向的《中国大学评价》⑥构建了投入产出模型及其指标体系(见表1),指标数值来自2013年网大中国大学排行榜和2013年《中国大学评价》的公开数据⑦。因此,本模型的指标设计相对客观、全面,数据来源相对可靠、透明,且评价过程可重复、可检验,避免了因主观选择指标体系和数据来源而带来的偏好性影响,具有较高的可信性和说服力。 2.指标体系检验 投入指标和产出指标符合DEA分析的单调性原则才说明指标体系的设计具有合理性,即投入指标的增加不能导致产出数量的减少。如表2所示,在20对相关性分析⑧中,有16对在0.01的显著性水平上呈正相关,有1对在0.05的显著性水平上呈正相关,有1对在0.1的显著性水平上呈正相关⑨。总之,各项投入指标与产出指标符合DEA分析的单调性原则,且大部分指标之间具有显著的正相关关系,因此,可认为本模型选取的投入产出指标总体上比较科学、合理,在此基础上可进一步展开效率评价研究。 3.效率得分及排名 利用EMS软件进行超效率数据包络(SE—DEA)分析,可以得出2012年34所“985”大学的效率得分及排名(见表3)。在2010-2012年效率评价中处于无效率状态(效率值<100%)的大学分别有26所、24所、24所,占比分别为76.47%、70.59%、70.59%;连续三年都处于有效率状态的学校有北京大学、浙江大学、武汉大学、中国人民大学、上海交通大学、山东大学六所学校,其投入产出效率处于较高水平且保持稳定。 2010-2012年大学的效率均值分别为90.18%、90.75%、93.65%,标准差分别为0.220、0.212、0.234,且三年的整体评价结果都比较接近,说明本文所构建的模型体系质量较好,效率评价结果比较稳定。在对2010-2012年的效率评价结果进一步作两两Spearman分析后发现,2010-2011的相关系数为0.922,显著性概率为0.000;2011-2012的Spearman相关系数为0.766,显著性概率为0.000;2010-2012的Spearman相关系数为0.833,显著性概率为0.000,进一步证明了模型质量及评价结果的稳定性。⑩ 4.效率得分稳定性检验 由于DEA是一种线性规划方法,不能直接运用统计方法进行检验,因此,本文采用“刀切法”检验DEA效率得分的稳定性。稳定性越高,说明所建立模型的质量就越好。[15]“刀切法”会在每一步“切除”模型中效率值最高的学校,重新建立模型并计算剩余样本的效率水平;由于样本(以2012年效率评价为例)中有效率的学校有8所,因此重复该步骤8次,从而得到8组新的效率得分,再计算组间效率得分的Spearman相关系数(个),相关系数的最小值是0.88,均值是0.97,而且,如表4所示,各次迭代后的效率得分均值都很接近,标准差都比较小且接近,说明本文构建的投入产出模型质量较好,具有较高的稳定性。 三、“985”大学分职能效率评价 1.综合效率、教学效率与科研效率 在得出“985”大学整体效率水平的基础上,进一步分别计算各校在教学职能(人才培养)和科研职能(科学研究)(11)两方面的效率水平,并衡量和比较各校对教学和科研的偏重程度及效率高低。如表5所示,在综合效率、教学效率和科研效率上处于无效率状态(效率值<100%)的学校分别有26所、28所、29所,占比分别为76.47%、82.35%、85.29%。在综合效率、教学效率和科研效率上都处于有效率状态的学校仅有北京大学、浙江大学、上海交通大学三所。 对教学效率和综合效率作相关分析后得到的相关系数为0.895,显著性概率为0.000;对科研效率和综合效率(整体办学效率)做相关分析得到的相关系数为0.911,显著性概率为0.000。这一方面佐证了模型的稳定性(因为一般来说,教学效率和科研效率都应当与整体办学效率成正相关),另一方面也说明了学校在教学与科研活动上的效率水平与整体效率水平的提升密切相关,且科研效率的相关性略高于教学效率,这与“985”大学作为高水平研究型大学的整体属性有关。通过研究还发现,科研效率排名前五的学校正好也是综合效率排名前五的大学,且排序完全一致,也这从一个侧面印证了科研效率的影响和意义。 如表6所示,在对各校的综合效率、教学效率与科研效率进行描述性统计和对比后发现,“985”大学整体的科研效率水平显著低于教学效率水平(配对样本T检验值为3.418,显著性概率0.002<0.01),反映出科研方面的资源配置不合理和效率低下是当前“985”大学面临的比较突出的问题。另外,“985”大学科研效率的离散程度(标准差)大于教学效率,各校间科研效率的差距(极差)也比较大。 2.教学效率评价:研究生培养效率与本科生培养效率比较 为比较“985”大学在研究生人才培养和本科生人才培养(12)上的偏重程度和效率高低,本文进一步区分各校在这两方面的效率水平。如表7所示,根据研究生培养效率和本科生培养效率的描述性统计结果发现:“985”大学中研究生培养处于有效率状态的学校仅3所,占8.82%,且研究生培养效率均值远低于本科生培养效率均值,离散程度和极差也更大,配对样本T检验值为-4.883,显著性概率为0.000。虽然近年来我国研究生教育规模扩张迅速,研究生的数量在20年间增长了11倍,且从2008年开始,我国的博士学位授予数超过美国,成为世界第一,但在规模扩张的同时,研究生培养质量并没有相应地提高,一位导师带几十个研究生的现象也并不罕见,研究生教育常被质疑“重量不重质”。当前我国“985”大学竞相加快研究型大学建设的步伐,一味地追求研究生规模的扩张,实际上这与研究型大学的实质背道而驰。研究生数量的增加或研究生占比的提升对“985”大学的教学和科研效率究竟是正向还是负向效果,这将在后文进行论述。 3.科研效率评价:自然科学研究效率与社会科学研究效率比较 如表8所示,通过进一步区分“985”大学在自然科学研究和社会科学研究(13)两方面的效率水平可以看出:没有一所学校在自然科学研究效率和社会科学研究效率两方面都处于有效率的状态,自然科学和社会科学研究效率的有效率比例分别为5.88%、8.82%;且整体均值水平都很低,二者均值分别为59.20%、47.72%。这表明,“985”大学的科研效率水平并不令人乐观,所谓的“研究型”大学在科研活动方面远没有达到一个恰当的效率水平。 研究发现,自然科学研究效率水平处于有效率状态的学校仅有浙江大学、上海交通大学两所,社会科学研究效率水平处于有效率状态的学校仅有北京大学、武汉大学和中国人民大学三所,这5所学校的理工科或文科实力比较突出,与实际情况相符。同时,在自然科学和社会科学研究效率得分及排名上存在较大差异的典型学校有武汉大学、中国人民大学、上海交通大学和哈尔滨工业大学,这4所学校的自然科学研究效率和社会科学研究效率排名分别为第22和2名、第34和3名、第2和20名、第3和28名,其中,上海交通大学、哈尔滨工业大学的自然科学研究效率排名远高于其社会科学研究效率排名,武汉大学、中国人民大学则正好相反。实际上,上海交通大学和哈尔滨工业大学都是理工科优势明显而文科相对薄弱的学校,而武汉大学和中国人民大学的文科优势非常明显,特别是中国人民大学以文科为主体,近年来才开始兴办理工科如物理、化学、计算机等,因而其自然科学研究效率较低。但自然科学研究效率的较低水平并不影响学校整体科研效率的高水平,因此,各校不一定要贪大求全,完全可以专注于本校优势学科效率的提升。 分别对整体科研效率与自然科学研究效率、社会科学研究效率二者作相关分析,结果是:自然科学研究效率与整体科研效率的相关系数为0.528,显著性概率为0.001;社会科学研究效率与整体科研效率的相关系数为0.697,显著性概率为0.000。可见社会科学研究与学校整体科研的相关性更为密切,对整体科研效率的影响更大。另外,“985”大学在社会科学领域的平均科研效率水平低于自然科学,配对样本T检验值为1.653,显著性概率为0.108,且离散程度(标准差)更大,表明各校在社会科学研究效率上的差距更大。可见,社会科学研究效率水平的提升是提高整体科研效率的一个关键维度。 四、“985”大学结构—环境影响因素研究 在得出“985”大学分职能效率结果的基础上,为找出作用于学校效率水平的一系列规律,本文继续探究相关外部环境要素和内部结构要素对各项职能效率的影响。因为在相同的投入水平和资源利用效率下,学校所处的外部环境或学校的内部结构如学科结构等不同,很有可能导致最终产出的成果不同,识别和测度这些内外部要素的影响程度,对学校应对外部环境和改革内部结构以优化资源配置和提升效率水平具有重要意义。 值得注意的是,因变量受到限制,DEA分析的效率值具有截断数据特征,因此,需要应用Tobit模型[18]展开效率影响因素的回归分析(14)。本文以2010-2012年的面板数据为样本设计效率影响因素的多元回归模型(15)(见表10),其中,在外部环境变量方面,选取了区域人均GDP、区域内“985”大学数量、区域内“211”大学数量三个变量。人均GDP可用来衡量大学所在省份的经济社会发展水平,“985”和“211”大学的数量用来衡量大学所在省份的科研机构集聚程度,以及享受政府拨款的比例等(区域内“985”和“211”大学的数量越多,其得到的财政拨款占比可能就越小,例如,对比有7所“211”大学的湖北省和仅有1所“211”大学的浙江省,浙江大学所获得的政府拨款是武汉大学、华中科技大学等难以企及的);在内部结构变量方面,选取了学科范围、社会科学研究成果比例、研究生比例三个变量。学科范围体现了大学在人才培养和科学研究方面的学科分布,对于相同的资源投入,是将其集中用于少量学科,确保它们向精尖发展,还是分散用于更多的学科,确保全面发展,哪一种方式的成果产出更高?在学科结构方面,自然科学与社会科学占比的高低对效率水平产生怎样的影响,是专注于理工科的学校效率水平更高,还是多学科均衡发展的学校效率水平更高?在研究生和本科生结构方面,对研究生培养的偏重,例如研究生数量的增长,是否有利于科研效率的提升或研究型大学的建设?这一系列问题有待用统计方法进行系统的检验。 需要指出的是,在外部环境变量方面,模型没有选取GDP总量作为影响因素,是考虑到北京、上海等地区的特殊性,GDP总量虽不高,但国家层面的财政投入却很高(特别是作为首都的北京),而且,人均GDP指标更能体现区域经济社会发展水平的差异,与区位条件、人才吸引、资源集聚的优势等密切相关(16);在内部结构方面,自然科学研究成果得分和社会科学研究成果得分虽然都属于产出指标,但社会科学研究成果占比(社会科学研究成果得分占科学研究总成果得分的比例)不是产出变量,而是在相当程度上测度了一所学校的学科结构以及自然科学和社会科学的实力对比,反映出学校对不同学科发展的重视程度和建设情况。例如,“985”大学中,社会科学研究成果占比最高的学校是中国人民大学(0.93),属于文科类大学,占比较高的学校还有北京师范大学(0.53)、南开大学(0.41)、厦门大学(0.40)等,都属于文科更具优势的综合性大学。学科结构对效率水平可能产生较大的影响,例如,在同样的经费投入下,人文社会学科和自然科学的成果产出在数量和质量上可能大不相同。同样,研究生培养人数和本科生培养人数虽然都属于产出指标的一部分,但研究生的比例不是产出变量,而是测度了一所学校全体学生中直接参与科学研究的学生情况,以及学校对研究生培养和本科生培养的偏重程度,这对科研产出和研究型大学的建设可能具有重要的影响。例如,研究生占比最高的学校是中国科学技术大学(17),复旦大学、浙江大学、北京大学、清华大学等校的研究生比例也很高,其数量都已远超本科生。 1.第一阶段回归模型:外部环境变量和内部结构变量对效率水平的影响 本文基于2010-2012年面板数据展开Tobit回归分析,构筑了5个模型,分别测度外部环境变量和内部结构变量对综合效率(模型1)、教学效率(模型1.1)、科研效率(模型1.2)、自然科学研究效率(模型1.2.1)和社会科学研究效率(模型1.2.2)五个因变量的影响,得到如下结果(系数皆为标准化系数):如表11所示,三个外部环境变量对综合效率、教学效率与科研效率都无显著影响,可见“985”大学的效率水平与外部环境变量关系不大;在内部结构变量方面,学科范围对教学效率有显著影响,但对科研效率影响不大,这表明在同等的投入下,分散给更多的学科,并不一定能产出更多更好的科研成果,尖端前沿的科研成果往往需要有限资源的集中利用和集聚优势;研究生占比对教学效率影响不大,但对科研效率的提升效果显著,这说明,更高比例的研究型学生资源(研究生一般比本科生受到更多的科研训练)能够直接投入科研活动之中。 如表12所示,人均GDP对社会科学研究效率没有显著影响,但对自然科学研究效率有显著作用,这可能与学科的特点和规律有关,人均GDP体现了区域经济社会发展水平,这对自然科学研究相当重要,和人文社会科学研究相比,自然科学研究更需要较好的产业基础、设备条件和科研资金,区域经济越发达,产业层次越高,财政投入越大,与区域产业相关的自然科学研究往往能获得更多的产学研结合的机会、更先进的实验设备和更充足的科研经费,而人文社会科学研究虽然与区域经济条件有关联,但敏感度没有自然科学高;学科范围的扩大对自然科学研究效率和社会科学研究效率都没有显著的影响;研究生占比对自然科学研究效率和社会科学研究效率都有显著的正向作用;社会科学研究成果占比对社会科学研究效率有显著的正向作用,对自然科学研究效率有一定的负向作用(但显著性较弱)。 结合表11和表12,可以发现一个比较有趣的现象,即5个模型中区域内“985”大学数量对效率影响的系数估计都为负值,且模型1.2.2中“985”大学的数量对社会科学研究效率影响的系数估计绝对值很高(-0.833),这可能与区域内“985”大学的数量同各校分享政府拨款的比例呈反比有关,特别是社会科学研究的创收能力有限,更多地依赖政府拨款。 2.第二阶段回归模型:内部结构变量对效率水平的影响 在第一阶段的5个模型中,一共有7对显著的影响关系(显著性水平),分别是学科范围对教学效率的影响(5%)、研究生占比对科研效率的影响(1%)、社会科学研究成果占比对科研效率的影响(5%)、人均GDP对自然科学研究效率的影响(5%)、研究生占比对自然科学研究效率的影响(5%)、研究生占比对社会科学研究效率的影响(5%)和社会科学研究成果占比对社会科学研究效率的影响(1%),其中,除人均GDP对自然科学研究效率的影响属于外部环境变量的影响外,其余6个显著影响关系全部集中于内部结构变量部分,且内部结构变量的p值普遍小于外部环境变量,对效率水平的影响更为显著,5个模型中,人均GDP、“985”大学数量、“211”大学数量三个外部环境变量的平均p值分别为0.536、0.566、0.615,而学科范围、研究生占比与社会科学研究成果占比三个内部结构变量的平均p值分别为0.254、0.102、0.167,后三者明显小于前三者,可见,内部结构要素对“985”大学效率的影响要明显大于外部环境变量的影响。因此,进一步展开第二阶段的模型构建,同样建立5个模型,去掉外部环境变量,专门考察内部结构变量对综合效率(模型2)、教学效率(模型2.1)、科研效率(模型2.2)、自然科学研究效率(模型2.2.1)、社会科学研究效率(模型2.2.2)的影响,避免外部环境变量对内部结构变量解释力的干扰,如表13和表14所示,得到如下结果:各内部结构变量的显著性水平有较明显的提升,在第一阶段模型中,有6个变量有显著性,其中有2个变量在1%的信度水平上有显著性,有4个变量在5%的信度水平上有显著性,而在第二阶段模型中,有10个变量有显著性,其中第一阶段的6个显著性变量全部在1%的信度水平上有显著性,且有4个新增变量在10%的信度水平上有显著性,可见,在第二阶段模型中,内部结构影响因素的显著性和解释力得到了较明显的提升。 对4个新增的显著性变量影响关系着重进行分析后发现,在模型2中,学科范围、研究生占比与社会科学研究成果占比三个内部结构变量都对综合效率有较显著的正向影响,这说明,扩展学科范围、加强人文社会科学学科建设、重视研究生培养都是提升“985”大学整体效率水平的重要抓手。值得注意的是,在模型2.2.1中,社会科学研究成果占比对自然科学研究效率的影响具有较为显著的负向作用,实际上,由于资源的有限性和竞争性,大力发展社会科学、加大对其资源投入的行为可能会对自然科学研究效率产生一定的负面影响,需要学校统筹规划。 基于上述研究,本文得出如下初步结论: 第一,“985”大学整体的科研效率显著低于教学效率,呈现出“教学强、科研弱”的现象,且各校科研效率的差距比较大,科研活动方面的资源配置不合理和效率低下是比较突出的问题。在人才培养方面,“985”大学为国家建设和社会发展培养了一大批优秀人才,他们在各个实践领域为国家进步和经济建设做出了突出的贡献,但在科学研究方面,“985”大学离科学研究的世界前沿特别是前沿基础科学研究仍有不小的差距。而且,相比于在教学效率方面的提升,“985”大学在科研效率方面的提升对促进整体办学效率水平的提高有更为显著的贡献。 第二,“985”大学的研究生培养效率显著低于本科生培养效率,突显了当前研究生培养规模盲目扩张、培养质量难以跟进等一系列问题。研究生培养是我国高等教育较为薄弱的一个环节,也是与世界一流大学差距最大的一个阶段(特别是博士生教育阶段),相比西方一流大学数百年的博士培养历史,我国在1981年才正式建立学士—硕士—博士三级学位制度,1982年第一批博士研究生才毕业,新中国的博士教育只有短短数十年的时间。近年来,“985”大学在建设一流研究型大学的过程中,不断扩大研究生培养规模,在这种情况下,各校就更要保证培养质量,控制研究生教育的师生比,完善培养环节,提高学术标准,否则就会与研究型大学的实质背道而驰。 第三,“985”大学作为所谓的研究型大学,在科研效率上并未达到一个令人满意的水平,自然科学研究效率和社会科学研究效率的整体水平都比较低,且不少学校的自然科学与人文社会科学研究效率高度失衡,但某些优势学科的高效率依旧能保证学校有较高的整体科研效率,因此,可以加强原有优势学科的建设,而不一定要贪大求全。与自然科学相比,社会科学研究效率整体水平更低,且各校之间在社会科学研究效率上的差距更大,因此,提升社会科学研究效率水平是优化整体科研效率的一个关键维度。长期以来,我国存在着“重理轻文”的现象,人文社会科学的发展和建设得不到足够的重视和投入,随着经济社会的发展,特别是我国在由制造大国向知识大国、服务大国转变的过程中,应用科学和工程技术的发展已不能满足多样化、高层次的生产生活需要,社会科学将会做出越来越大的贡献,社会科学人才也将发挥更加突出的作用,因此,要顺应这一时代潮流和发展趋势,增加对人文社会科学的投入,建设世界一流的综合性大学,为国家在未来持续发展提供高层次、多样化的智力资源。 第四,外部环境因素如区域经济发展水平、科研力量集聚程度、政府拨款分享程度等对“985”大学效率水平几乎没有显著影响,真正有影响的是一系列内部结构要素,如科研教学活动的学科分布、学科结构、研究生的占比等。对学科进行全面布局、健全学科体系对提升教学效率影响显著,而提高研究生的比例对提升科研效率具有明显作用。对于致力于建设综合性大学的理工科大学来说,在加大人文社会科学等新学科建设力度的同时,为避免因为资源有限而导致对原有优势学科的科研效率的冲击,学校应根据自身的学科特征和发展规划,统筹协调好各个学科的建设力度和平衡关系。 ①包括DEA的经典模型CCR模型以及BCC、CCW、C2GS2、SE-DEA等一系列拓展模型。 ②DEA方法是一种非参数方法,不能运用统计检验评价DEA所得结论的优劣,因此,要确保DEA分析能够提供有价值的信息,投入与产出指标的选择以及模型结果的稳定性检验就非常重要。 ③由于DEA方法的估计结果对极值较为敏感,因此要不断剔除极值(“刀切法”),采用迭代的方法评价模型的稳定性。 ④参见罗杭、郭珍:《基于DEA超效率模型的中国985工程大学效率评价——整合中国大学评价和网大大学排行榜的改进模型》,《研究生教育研究》2011年第6期,第48-56页;罗杭:《2011年中国“985”大学效率评价——效率水平排序、影响因素研究和松弛变量分析》,《清华大学教育研究》2013年第2期,第87-95页。同时,本文中“985”大学专指第一期34所大学。 ⑤《网大中国大学排行榜》的六项一级指标中,有五项一级指标可以界定为投入资源项,包括教师资源、学术资源、学生资源(学生情况)、物资资源、无形资源(大学声誉),其指标体系主要是投入/资源导向的,基层指标的设计也证明了这一点,例如,物资资源一级指标下设科研经费、图书总量、校舍面积三项二级指标,这衡量了大学在教学和科研活动中的物资资源投入,学生情况一级指标主要反映了高校的生源质量和具备科研能力的学生(研究生)的比例,能够测度科研教学活动中学生人力资源投入的质量。 ⑥武书连的《中国大学评价》主要评价大学对社会的贡献,包括人才培养和科学研究两个一级指标,前者包括本科生人才培养和研究生人才培养两项二级指标,后者包括自然科学研究成果和社会科学研究成果两项二级指标,用于衡量大学为社会培养了多少优质人才,创造了多少科研成果。因此,该大学评价体系的指标选择主要是产出/成果导向的,基层指标的设计也证明了这一点。例如,研究生培养二级指标下设毕业生平均学术水平、博士毕业生数、硕士毕业生数、优秀博士论文、研究生教学成果奖共五项三级指标,这反映了大学为社会培养研究生人才的数量和质量。 ⑦2013年《网大中国大学排行榜》和2013年《中国大学评价》皆于2013年年初发布,其数据实际是2012年的,体现了2012年度各大学的状况。 ⑧需要注意的是,《网大中国大学排行榜》和《中国大学评价》两个指标体系存在少部分的重叠,有以下两处:一是《网大中国大学排行榜》的学生资源(I3)和《中国大学评价》的本科生人才培养(O2)均包括“新生高考成绩”这一次级指标,二是《网大中国大学排行榜》教师资源(I4)和《中国大学评价》的本科生人才培养(O2)均包括“师生比”这一次级指标。遗憾的是,《中国大学评价》未公布各项指标的详细分解数据(仅公布前4名大学的详细数据),使得指标数据中的重叠部分难以剔除。可幸的是,两项指标的重叠部分分别仅占《网大中国大学排行榜》20项二级指标的10%和《中国大学评价》29项三级指标的6.9%,使得相关分析受误差的影响能够维持在可接受的范围内。 ⑨正向关系显著性较小的一组变量是学术资源—本科生人才培养,学术资源项主要衡量了博士点、硕士点数量、国家级实验室及工程中心数量等,主要涉及研究生培养和科学研究方面的资源,所以与本科生人才培养之间的相关性不显著。正向关系不太显著的两组变量是学生资源—本科生人才培养、学生资源—社会科学研究成果,学生资源项对本科生人才培养的影响没有研究生人才培养显著,这与本科生培养注重通识教育、研究生培养注重科研创新有一定关系。而且,学生资源项对社会科学研究成果的影响没有对自然科学研究成果的影响显著,难以否认的是,自然科学前沿创新研究对学生素质的要求在一定意义上(特别是平均意义上)要比社会科学高,其成果对学生资源的优劣高低更加敏感。 ⑩一个基本的假定是,一般在较短的时间内,各大学的效率排名不会有太大幅度的变化。 (11)在教学效率的计算中,产出指标取O1研究生人才培养和O2本科生人才培养两项;在科研效率的计算中,产出指标取O3自然科学研究成果和O4社会科学研究成果两项。 (12)在研究生培养效率的计算中,产出指标选取O1研究生人才培养,投入指标剔除I3学生资源中的录取新生质量(高考成绩)得分部分(主要是衡量本科生的投入质量);在本科生培养效率的计算中,产出指标选取O2本科生人才培养,投入指标剔除I2学术资源中的博士点数、硕士点数部分、I3学生资源中的研究生比例得分部分(主要是衡量研究生的投入情况)。 (13)在自然科学科研效率的计算中,产出指标选取O3自然科学研究成果,投入指标剔除I2学术资源中的国家人文社科重点研究基地数部分;在社会科学科研效率的计算中,产出指标选取O4社会科学研究成果,投入指标剔除I2学术资源中的国家级实验室及工程中心数部分和I4教师资源中的两院院士人数得分部分(两院院士以自然科学为主)。 (14)如果因变量是部分连续分布和部分离散分布的数据,普通最小二乘法(OLS)就不再适用,要解决这类问题,需要采用基于最大似然估计原理的Tobit模型。 (15)影响因素的选取要遵循一个原则,即不应当包含于DEA模型的投入和产出变量中,而应当是投入和产出指标以外的,但对决策单元(即大学)的投入产出效率能够产生影响,例如,大学所处的外部环境状态,以及大学内部自身的一些结构性特征等。 (16)例如,湖南省的GDP总量高于上海和北京,但人均GDP则远不如。 (17)中国科学技术大学每届本科生为1800人左右,研究生为3000人左右。标签:显著性论文; 研究生论文; 显著性水平论文; 大学论文; dea论文; 中国大学论文; 教学评价论文; 科研评价论文; 自然科学论文; 中国社科院论文;