基于模糊的偏好DEA在科研机构评价中的应用，本文主要内容关键词为：科研机构论文,模糊论文,评价论文,DEA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：F224.31文献标识码：A
0 引言
科研机构的评价是科研管理的重要工具，对于推动国家科技事业持续健康发展，促进科技资源优化配置。提高科技管理水平具有重大意义。随着科技体制改革的不断深化，政府对科学技术的投入越来越多，我国对科研机构的评价工作而愈益受到重视。
模糊方法是一种根据给出的评价标准和某些实测标志值，通过模糊变换后对事物或现象进行分析的方法，其具有考虑多影响因素、运算过程简单、定性与定量方法相结合等优点。数据包络分析方法（DEA）是一种非参数的定量评价方法。它能较好地排除诸多主观人为因素的影响，客观性和适用性强。由于这两种方法在很多方面具有互补性，近年来这两种方法相结合在很多领域也获得了广泛地应用[7—9]。
科研机构的评价是定性与定量相结合的复杂过程，同时也有一定的政策导向。尽管传统DEA因其不需要人为地确定指标权重等优势，在绩效评价、生产函数的非参数估计中已经得到广泛地应用，但由于在一般的决策分析中决策者总是对输入输出指标具有一定的偏好结构，而传统的DEA模型是把输入或输出指标的权重对评价结果的影响等同看待，在模型中未能体现决策者的偏好，因此Charnes 等首先提出Cone-Ratio DEA模型[1,2]，将指标权重的偏好锥约束引入到DEA模型中，随后带偏好的DEA模型在评价等领域获得了广泛的应用[3—6]。本文将在基于对指标数据进行模糊处理的基础上，结合科研机构评价的实际，提出新的偏好DEA模型来将众多因素有机的结合起来全面衡量科研机构的效率。
1 基于模糊的偏好DEA评价模型
在科研机构评价的过程中，影响因素很多、很复杂，对于评价指标数据过分精确化的描述往往会造成对系统认识的失真，运用模糊手段将会使评价结果更合理。另外，科研机构的评价总体上来说是定性与定量相结合的综合评价，在以往的评价过程中如何将两者进行有效的结合成为一大难题，而模糊方法恰好能够弥补这一不足。DEA是对具有多个输入和多个输出的决策单元（DMU）进行相对有效性评价的有力定量统计分析方法，因此我们可以在对评价指标进行模糊处理的基础上，将处理后的值作为DEA模型的输入输出指标值，实现对科研机构效率的评价。
1.1 评价指标的模糊重心处理方法
模糊重心处理方法的基本过程如下[10]：
1）确定一组评价指标，即因素集，
。
2）建立评价等级。评价等级集是评价者对评价对象可能做出的各种评价结果所组成的集合，即
。
根据专家评价小组的讨论，评价等级分为5级，即V＝｛优秀，良好，一般，差，很差｝。为了使每个指标的数据经过模糊处理后得到一确定的值，我们将这5个评价等级置于一个连续的语言标尺上，且每个等级在标尺上的长度设置为1。
3）建立模糊评价矩阵。对定量评价指标我们选用三角形、Z与S形隶属度函数来确定模糊评价矩阵。通过隶属度函数的计算我们可以确定从X到V的一个模糊映射R，它可表示为一个模糊矩阵
为隶属度，即第i个指标隶属于第j个评价等级的程度；对于定性评价指标我们用传统的模糊评价方法由评价专家确定R。
4）以评价等级构成论域，我们可以得出每一个指标的模糊重心：
。
1.2 带偏好的DEA模型
Charnes等首先提出偏好锥的DEA模型[1,2]，Thompson等提出了DEA／AR（DEA/Assurance Region）模型，并在输入和输出权重之间存在关联时建立连结锥保证域DEA模型（DEA／Linked-Cone Assurance Region）[4]，Wong和Beasley提出了乘子保证域构造方法[5]，李春好[6] 对其进行了改进。偏好DEA模型及其推广在实际问题中得到了广泛的应用，本文在结合科研机构评价实际的基础上提出了新的偏好DEA模型：
i＝1，2，…，m
（1）
r＝1，2，…，S
2 评价指标的选取
本文我们选择的评价对象是中科院高技术类的研究所。研究所与企业、政府，甚至与其他科研机构相比，有自身的特点，所以研究所的评价指标的确立是一个比较复杂的问题，既要考虑它的科研性、公益性，又要考虑它的社会性、效益性等等。经过比较分析和试算，结合中科院高技术类研究所的特点，我们在征求相关专家意见的基础上，从以下方面确定研究所的评价指标体系[11—13]。
首先，科研投入是反映一个科研机构活动状况的重要指标，是制定科研政策和规划，进行宏观评价与监控的主要依据，人、财、物的投入又是研究所科研投入的具体表现。
科研人员是科研机构或科研群体中起决定性作用的成分，对科研投入指标中这一指标的测量是衡量研究所科技产出效率的基石。对于高技术类研究所而言，科研人员可包括科技管理人员，课题活动人员，技术支撑人员等，“创新岗位设置数”并非上述所有的科研人员，它是各所核心科研工作人员的数量表征，用其作为“人”的表征指标能使各研究所科研人员的数量比较相对合理，较好地实现各所间的相对效率评价。
作为科研过程中强有力的保障条件，研究所科研经费的使用及管理直接影响到研究过程的有序开展及精品成果的有效产出。研究所的任何科技活动都离不开科研经费的财的有力支持，如何以最小的经费投入取得最大的产出则是研究所科技竞争的核心价值所在。“创新经常性经费投入数”反映的是中科院向各研究所拨款从事科技活动所获得的收入，选择其作为投入指标符合中科院对研究所效率评价的目的。
科研仪器设备是指该研究所在基本建设投资的实际完成额中购置的科研仪器设备总值，它是反映高技术类研究所“物”的投入的最核心的指标，这里我们在考虑了研究所先进仪器设备影响的“数年效应”的基础上，用历年累计的科研仪器设备残值来计算研究所的“科研仪器设备总额”。因此应用这一指标能够充分反映各研究所“物”的投入的实际情况。
对于中科院高技术类研究所而言，科研产出部分的指标包括高质量的论文数、学术专著数、获国家奖励数、全国优秀博士论文数、受理或授权的发明专利数、国家授予软件证书或已登记的软件数和完成重大国家战略性科研工程任务当年目标的项目数。这里我们只考虑论文、专利、完成国家重大任务这三项定量产出指标。论文数特别是高质量论文是科研单位研究工作结果的重要表现，是产出的重要指标之一。对于奖励数，由于科技成果的奖励有明显的滞后性，加之其成效在论文、专利等其他方面也有体现，因此这里我们不加考虑。因为高技术类研究所有些承担了国家重大战略性科研工程任务，这些任务周期长，又不容易出论文，但它对国家有着重大意义和显示度。高技术类研究所的绩效表现形式以技术论文、知识产权为主，应用研究知识产权形式比论文形式更能体现其技术特征，而知识产权中为数最多、最核心的是受理或授权的发明专利，因此“专利数”作为产出指标能反映高技术局产出的一个重要方面。
“科技目标完成度”描述的是研究所满足国家需求，完成院宏观任务的情况。与基础类的研究所不同，高技术类研究所进行的主要是针对具体的实用目标，提供新产品、新技术、新方法和新流程以满足国家需求的应用研究，这一定性指标对于反映此类研究所科研产出情况必不可缺。
因此，最后我们选用“创新岗位设置数”、“创新经常性经费投入数”、“科技仪器设备总额”作为科研机构效率评价的投入指标，选用“完成重大国家任务的项目数”、“专利数”、“高质量论文数”、“科技目标完成度”作为评价的产出指标。
3 算例
我们利用中科院从事高技术类研究的29个研究所在2003～2004年度的指标数据平均值来计算两年中研究所总体科研产出效率。
3.1 模糊重心方法对指标数据的处理
对于定量分析评价指标我们用双边正态定值法确定每一个评价指标的隶属度函数，
并算出每一个定量评价指标的隶属度函数值，用重心公式求出最后每个研究所定量评价指标的模糊重心。
“科技目标完成度”这一定性分析指标则可以按照传统模糊评价的方法，由专家给出的研究所指标对于评价等级的隶属度加权得来。
3.2 基于模糊处理结果的研究所效率的带偏好DEA评价
在带偏好的DEA评价中，首先我们必须确定输入与输出指标内部之间的相对偏好关系，因为研究所的科研评价不仅仅是描述和判断科研实践活动的价值，更重要的是对研究所科研活动的引导，使之向着符合中科院新时期办院方针的方向发展。
根据中科院评估研究中心评估专家的长期深入探索及研究所管理战略专家的实践经验，在他们分析判断的基础上综合确定出了输入输出指标之间的偏好关系：
a[,“创新岗位设置数]”∶a[,“创新经常性经费投入数”]∶a[,“科研仪器设备总额”]＝5∶2∶3
b[,“完成重大国家任务的项目数”∶b[,“专利数”]∶b[,“高质量论文数”]∶b[,“科技目标完成度”]＝3∶2∶2∶3
我们用带偏好的DEA模型算得这29个高技术类研究所的相对效率如表1所示。
从表1我们可以看出，只有Unit3，Unit10，Unit13，Unit26，Unit28这六个研究所是DEA有效的，而其他研究所的效率在60％以上的也只有Unit5，这说明了大部分研究所在资源配置上存在着或多或少的不合理性。以效率值最低的Unit19为例，其效率仅为0.17，从其投入产出指标的原始值与投影值的差距看来，该研究所在投入产出方面确实存在着一定的问题，其中“科技目标完成度”这一项差距最大，“完成国家重大任务的项目数”与“专利数”也与目标值有较大的差距；其投入指标如“创新岗位设置数”与“创新经常性经费投入数”应该在原始值上缩减一半才能达到DEA有效。从上面的分析看来，该研究所科研投入产出资源配置还有很大的改进空间。从实际情况来看，该研究所是一个以基础性研究为先导，以高技术创新和应用研究为主的研究所，与其他高技术类研究所相比，其科研仪器设备投入较多，高质量论文产出比例也较大，这与我们的评价结果基本符合。整体来说，规模相对较小的研究所效益较好，而Unit3是个特例，它一个相对规模较大的研究所，而它与其他大规模研究所最显著的不同在于其在搭建实验设备方面投入较少，因此相对效率较高。
带偏好的DEA方法在设定各个评价指标的权重时，是有一定的政策导向的，下面我们可以比较一下基于输入的C[2]R模型与偏好模型之间的区别。由C[2]R模型算出的结果如表2所示。
表1与表2可以看出，这两种不同的模型评价结果最大的差别在于C[2]R模型算出的研究所效率普遍高于偏好DEA模型的结果，表2中DEA有效的研究所中包含了表1中所有DEA有效的研究所，前者效率值为1的研究所数目超过了总数的60％，而后者仅为总数的21％。这是由我们模型的改进造成，在基于输入的C[2]R模型中，所有指标均被看作等权，而本文的偏好DEA模型是在一定的政策导向下，综合考虑了投入产出情况的计算方法。我们可以通过分析表2中DEA有效而表1中DEA无效的研究所来体验偏好DEA模型相对于标准DEA模型的改进之处。表3是偏好DEA方法对这些研究所的“投影分析”表。
在政策导向下，结合考虑投入产出指标对效率的影响，我们可以发现标准DEA模型下有效的决策单元在偏好DEA模型下并不一定有效。
Unit5在标准C[2]R及模型下它是DEA有效的，因为它可以从最有利于该研究所的角度进行计算，但在加入了政策者的偏好后，其为DEA无效，因为考虑到该所的特点，其在高质量论文数明显产出不足。实际上该所在高质量论文的产出数上与政策导向下的理想状态相差确实较大。利用投影结果我们可以发现该所与其他研究所比较存在的主要问题，同时还可以了解其运行较好的方面，比如该研究所在投入与产出的其他方面就比较好，均与投影值相符。上述分析表明，如果该研究所能够在高质量论文方面有所改进，就可以达到较为理想的状态。
Unit4在偏好DEA模型下是无效的，除“科技仪器设备总额”外其各项指标均与投影值有一定差距。通过对其原始数据的分析我们可以发现，该所投入方面“创新岗位设置数”为435，“创新经常性经费投入数”为26365万元，远远大于其他大多数所，而产出方面与其他所相差不大，尤其在“科技目标完成度”差距甚小。在投入指标中“创新岗位设置数”指标的偏好权重最大，即管理战略专家认为应优先减少此项投入指标，而产出指标中管理战略专家认为应优先增大“科技目标完成度”指标的值，由此就出现了DEA无效的情况。从实际情况看来，该研究所属于中科院高技术类研究所中规模最大的研究所之一，它以承担国家和企业重大项目为主，科研人员投入远大于其他所，这与模型计算反映出来的研究所特点相吻合。该研究所只有在减少人员投入与经费投入的基础上，增大各项产出尤其是“科技目标完成度”才能与其他研究所相比达到DEA有效。
由上面的分析可以看出，偏好DEA模型的计算结果较标准的C[2]R模型的结果包含了更多的评价信息，在加入了管理战略专家对指标的偏好后，DEA算出的投影结果清楚地体现了政策导向，能更好的引导研究所向提高科技创新能力的方向发展。
4 结论
本文针对指标数据的处理，指标的选择以及结果的分析等在科研机构效率评价过程中普遍存在的问题提出了一种基于模糊处理的偏好DEA模型。本文用模糊方法先分别对定性定量评价指标进行模糊化分级处理，在此基础上，再用带偏好的DEA模型求解各个科研机构的效率。科研机构的评价过程一般有着很强的政策导向，因此这里我们发展了带偏好的DEA模型，初步的实证分析证明了此种偏好DEA模型得出的结果较标准DEA模型的计算结果能够反映更多的评价信息。DEA方法可对研究所绩效评价提供参考，但如何对科研机构的核心创新能力进行评价的问题还有待进一步探索。
收稿日期：2005—12—12.