地方高校科技创新效率评价研究——基于超效率的三阶段DEA分析

李 瑛，崔宇威

（1.南开大学周恩来政府管理学院，天津300071；2.天津气象局科技处，天津300074）

地方高校科技创新效率评价研究
——基于超效率的三阶段DEA分析

李 瑛1，崔宇威2

（1.南开大学周恩来政府管理学院，天津300071；2.天津气象局科技处，天津300074）

笔者采用2007年中国地方高校科技数据，首先对人力投入进行因子分析，提取三个公因子，在此基础上运用超效率的三阶段DEA对28个省市的地方高校的科技创新效率进行了评价分析，并对效率的影响因素进行了分析，实证结果表明：在所采用的效率评价体系下，地区的经济发展水平和文化水平以及政府拨款在科研经费中所占的比例对效率没有影响，但对于某些地区，在投入不变的条件下，地方高校中的研发机构数太少和研究项目数太多是制约效率提升的主要因素。

地方高校；科技创新效率；因子分析；三阶段DEA；SDEA

高校具有丰富的科技人力资源和充足的研发机构以及大量的研发项目，是区域和国家创新系统的重要组成部分，对地方高校创新效率及其影响因素的研究可以为地方政府及有关部门制定相关科技政策，为高等教育的改革与发展，提供理论指导和政策依据。

目前学术界对高校科技创新体系的评价研究较少，这些研究主要分为两部分：一部分是对创新能力的评价，如梅轶群［1］、梁燕等［2］对拟定的评价指标体系赋权，在此基础上对高校的科技创新能力进行综合评价；王光平［3］在拟定的评价指标体系的基础上用因子分析对全国30个省市的高校的科技创新能力进行了评价。另一部分是周静［4］110－117、张海燕［5］等运用单阶段DEA对不同地区的高校的创新效率进行研究，在这些DEA评价模型中指标之间往往出现交叉（如“支出经费总额”和“业务费”），有研究表明［6］，指标之间的这种交叉会对DEA的评价结果产生影响；同时，单阶段的DEA模型给出的效率没有将环境及随机因素对效率的影响剥离。因此，本文首先对相互交叉又不能相互替代的投入指标进行因子分析，用提取的公共因子替代原始投入指标，进行三阶段DEA分析。

一、模型与方法

数据包络分析（DEA）运用线性规划求解效率前沿面，对于多输入和多输出的效率评价尤为适用，因为它不用事先对函数和分布的形式进行假设，也不用对多输入和多输出进行赋权，减少了主观判断对评价的影响。最常用的模型是Charnes，Cooper和Rhodes在1978年提出的CCR（规模报酬不变）和Banker，Charnes和Cooper在1984提出的BCC（可变规模报酬），这二者的结合可以获得评价单元的纯技术效率和规模效率。关于DEA的研究与应用较为成熟，对于原理本文不再赘述。

单阶段的DEA给出的效率测量不仅仅是管理的有效性，它包括了环境和随机因素对效率的影响，为了解决这一问题，研究者们提出了三阶段DEA模型，目前国内外学术界在研究时使用的三阶段DEA模型有两种。一是Fried et al.于2002年提出了三阶段DEA模型［7］：第一阶段：传统的DEA模型（BBC模型），用以计算输入和输出的松弛变量；第二阶段：构建相似SFA模型，以松弛变量作因变量，环境变量作自变量进行分析，依据分析结果对投入或输出进行调整；第三阶段：用调整后的输入或输出重新进行DEA分析。当分析的决策单元的数量较少时，松弛变量只有几个非零值，会使SFA的分析结果失真。另一个是Michael F.Gormana和John Ruggiero［8］，在2008年对美国49个州的警察部门的绩效评价时用到的三阶段DEA，该方法最早由John Ruggiero在1998年提出，它的模型构建和运用分三个阶段：第一阶段，传统的单阶段DEA分析，借此计算每个决策单元的效率；第二阶段，进行Tobit分析，以第一阶段的效率值为因变量，环境变量作自变量，依据分析结果计算每个决策单元的环境指数；第三阶段，将环境指数作为投入，重新计算各个决策单元的效率。该模型在国内的应用尚未见报道。本文在该模型的基础上采用超效率DEA分析，同Fried et al.的模型相似，该模型在第二阶段的回归中用的因变量是第一阶段计算的效率值，而DEA有效单元的效率值都为1，这同样会使回归结果失真。

（一）第一阶段超效率DEA模型

第一阶段的目的是计算没有考虑环境因素时各个地区的效率，传统的DEA分析对于有效的决策单元的效率未加区分（给定效率值），在该阶段与John Ruggiero不同的是我们采用SDEA（超效率数据包络分析）计算效率值。SDEA最早由Per Andersen和其同事Niels Christian Petersen在1993年提出，该模型能够对DEA有效的单元进行排序，其基本思想是在进行某个决策单元效率评价时，用其他所有决策单元的投入和产出的线性组合替代该决策单元的投入和产出，它自身被排除在外。一个DEA有效的决策单元在效率值保持不变的条件下其投入按比例的增加，其投入增加比例即其超效率评价值。

该阶段的分析中给出的效率反应的是由管理、环境和随机因素三者决定，它没有说明地方高校科技创新的低效率是管理不善造成的，还是环境不利或其他随机因素造成的。

（二）第二阶段回归分析

在第一阶段SDEA分析中给出的效率值不再是介于0和1之间，因此我们用O.L.S.回归将环境因素对效率的影响量化，假若有m个环境变量，n个地区，则效率与环境变量的回归模型如下：

其中θi是第i个评价地区高校的第一阶段创新效率值，βj是环境因素zj的回归系数，是环境因素对第i个地区高校创新效率的影响。

（三）第三阶段调整投入后的DEA分析

依据环境变量的值我们可以得到每个地区环境变量对效率影响的预测值，定义该值为环境指数，它由下式给出

具有最大环境指数值的地区，高校所面临的科技环境是最有利的。因此，在第三阶段的分析中将该指数作为输入之一，重新进行DEA分析，所得到的效率值消除了环境对效率的影响。因为，就科技环境而言，各个地区的高校处在同一起跑线上。

二、数据与指标

因为投入和产出指标的选取会直接影响到评价结果。因此，在指标选取时一定要符合完备性，不能遗漏重要的评价指标，同时，还要考虑指标之间的相互独立，因为指标之间的重复同样会影响评价结果。本文在对相关文献分析的基础上，依据高校科技创新的内涵和结构以及高校科技创新体系数据的可获得性拟定表1中的评价指标。在考虑人力投入时，与以往的研究不同，我们不仅仅考虑投入的量，还考虑投入人员的素质和投入布局，因为这二者都会对效率产生不可忽视的影响。“一般科技人员”是指投入科技人员中非科学家与工程师的那部分；“一般R＆D人员”指R＆D人员中非科学家和工程师的那部分，其他解释类似。在产出指标中的“科技成果奖励”我们只统计了国家科技进步奖，省、自治区、直辖市科技进步奖以及国务院各部门科技进步奖，对于地方高校而言获奖机会是不均等的，同时，2007年的数据表明，地方高校获得的国家科技进步奖只有二等奖。因此，我们没有进行获奖等级的加权处理。新疆、西藏、青海由于某些指标数据缺失，没有参与分析。本研究的数据来源于《2007年高等学校科技统计资料汇编》和《2007年中国统计年鉴》。

表1 高校创新效率评价指标体系

人力投入指标数量众多，而且有些指标之间有重复，去掉任何一个指标会使评价失真，而指标之间的重复也会影响评价结果，为了解决这一问题，首先对人力投入指标进行因子分析，使用软件为SPSS13.0，采用“Principle Components”提取3个公因子，并对其进行“Direct Oblimin”旋转，使用回归法计算因子得分系数矩阵，有关因子分析的数字特征描述及相应检验结果①由于篇幅限制相关的分析结果及因子命名没有在文中给出，对此有兴趣的读者可以向作者索要。见表2。分析结果说明9个人力投入指标不仅适合作因子分析，而且提取的3个公因子能够全面地反映人力投入指标的信息。因此，在下面的分析中我们用3个因子得分替代9个人力投入指标，因子得分有负值存在，在进入计算之前3个因子得分需要进行处理，使每个因子的最低得分不小于零。

表2 因子分析特征描述及检验结果

三、结果与分析

（一）第一阶段SDEA结果分析

如果运用传统的DEA分析，那些处于效率前沿的地区高校的创新效率值无法进一步区分，给第二阶段的分析造成较大的误差，为此，该阶段我们采用SDEA模型，分析软件为EMS1.3，分析条件选择规模报酬可变、投入主导。效率值列于表3中，同周静［4］110－117的研究结论相似，地方高校科技创新有效区域并不一定分布在经济相对发达地区，在偏远或欠发达地区高校的创新效率也可以达到相对有效。其中，北京、云南、河南、陕西、宁夏五个地区高校的创新效率值比较高，通过观察这些地区高校的经费投入方向和产出分布可以发现：陕西同其他四个地区不同，它的“研发经费投入”较“R＆D成果应用及科技服务经费”低，或者说将较多的经费投入到R＆D成果应用及科技服务活动中，它的成果中“技术转让金额”远远高于其他地区，而另外四个地区尤其是河南，它的产出高效率主要集中在“学术论文”和“科技著作”上。

表3 第一阶段和第三阶段SDEA分析结果

（二）第二阶段的O.L.S.回归分析结果

我们以第一步分析得到的效率值为因变量，以环境指标为自变量用SPSS13.0软件进行回归分析，结果示于表4中，由标准化回归系数可以看出：同第一阶段的发现吻合，一个地区的经济发展水平（人均GDP）以及科技活动经费中政府拨款所占的比例均对地方高校的科技创新效率几乎没有影响；而高校中的研发机构数量对效率有促进作用，相同的人力和经费投入，研发机构数越多创新效率越高；相反，同样的投入，项目数越多效率越低。

表4 O.L.S.回归结果

为了进一步对效率的影响因素进行考查，我们又将“研发人员中高级职称所占的比例”、“研发经费占投入经费的百分比”、“参加项目的研究生与项目参加人员的比例”以及国际交流的有关表征指标代入回归模型，分析结果显示：这些因素对本文效率评价体系下进行的效率评价没有影响。“研发人员中高级职称所占的比例”表征的是研发人员的素质，因为在人力投入中我们已经考虑了工程师和科学家的人数；而“研发经费占投入经费的百分比”对效率评价没有影响，这一点在第一阶段的结果分析中我们有同样的发现，陕西的研发经费比例相对较低，但效率是最高的，可能是因为“专利出售金额”和“技术转让金额”与“R＆D成果应用及科技服务经费”的高低有关。

（三）第三阶段的DEA分析结果

依据式（2）和表4的分析结果计算环境指数①因为这里分析的是总体，不涉及由样本到总体的推断，不具备统计显著性的环境因素仍然参与环境指数的计算，因为影响甚微，不会对计算结果产生影响。，由于本研究中的环境指数是负值，也就是说对于所有的地区环境综合影响都是负的，只是影响程度高低而已。因此，环境指数在作为“投入”之前需要对该指数进行转换处理，处理后环境指数最低的地区为零，其他地区均大于零。第三阶段SDEA分析的结果（表3）表明：四川、浙江、江苏、广西这四个地区的高校的创新效率在剔除了环境指数的影响之后大幅度提升，环境指数实际上反映的是“研发机构数”和“研究项目数”的影响，通过仔细观察这四个地区的两个指标数据可以发现：浙江、广西这两个地方的高校研发机构少，同时研究项目太多是制约效率提升的主要因素；江苏和四川这两个地方的地方高校创新效率的制约因素则为研究项目太多，因此在不改变投入的情况下，对于浙江和广西既要考虑增加地方高校的研发机构数又要减少研究项目的数量；而对于江苏和四川则只要考虑在不改变经费投入的情况下，减少研究项目便可以使效率大幅度提升。除了上述四个地区外，其他地区没有影响或影响甚微。

本文运用超效率三阶段DEA分析对全国28个地区的地方高校的科技创新效率进行了评价分析，同时对本文拟定的效率评价指标体系下效率的影响因素进行了回归分析，研究发现：地方高校的科技创新效率不受地区经济发展水平、教育水平的影响；地方高校的科技活动经费主要来源于政府拨款和企业委托，在我们的效率评价体系中，二者的比例对效率评价不产生影响。“研发经费占投入经费的百分比”、“参加项目的研究生与项目参加人员的比例”以及国际交流的频度对效率评价均无影响。在投入不变的情况下，高校内的研发机构数量对效率产生正的影响，而研究项目的数量对效率产生负的影响，对于某些地区，机构的数量少和项目的数量多制约了效率的提升。

［1］梅轶群，张燕.高校科技创新能力的分析和评价［J］.技术经济，2006，25（6）：74－77.

［2］梁燕.广东省高校科技创新能力比较研究［J］.高教探索，2009（4）：58－62.

［3］王光平，金浩.基于因子分析的高校科技创新能力的实证研究［J］.河北师范大学学报：哲学社会科学版，2008（4）：48－51.

［4］周静.我国不同地区高校科技创新的制度效率与规模效率研究［J］.研究与发展管理，2005，17（1）.

［5］张海燕.2002－2005年间我国不同地区高校科技创新效率比较研究［J］.科技进步与对策，2007，24（11）：109－114.

［6］智晓东.指标相关性对DEA评价效用的影响［J］.统计研究，2009（6）：40－44.

［7］Fried H O，Lovell C A K，Schmidt S S，Yaisawarng S.Accounting for environmental effects and statistical noise in data envelopment analysis［J］.Journal of Productivity Analysis，2002（17）：157－174.

［8］Michael F.Gormana，John Ruggiero.Evaluating US state police performance using data envelopment analysis［J］.Int.J.Production Economics 2008（113）：1031－1037.

Evaluation of S＆T Innovation Efficiency of Chinese Provincial Colleges：A Three Stage DEA－Based Study

LI Ying1，CUI Yu－wei2
（1.Zhou Enlai School of Government，NanKai University，Tianjin 300071，China；2.Tianjin Meteorological Bureau，Tianjin 300074，China）

The article attempts to make factor analysis of human inputs to take three common factors using science and technology data of Chinese provincial colleges in 2007.Then the three stage DEA is used to evaluate S＆T innovation efficiency of 28higher learning institutions and to analyze the factors relative to efficiency as well.From the study above we come to conclusion that local economy，cultural progress and government funding for research are not relative to efficiency.However，number of colleges and research programs underway in some areas are decisive factors for it.

Provincial Colleges；S＆T Innovation Efficiency；Factor analysis；Three stage DEA；SDEA

G40

A

1001－6201（2011）02－0177－05

［责任编辑：何宏俭］

2010－10－20

南开大学亚洲基金（ASI002）

李瑛（1966－），女，山东烟台人，南开大学周恩来政府管理学院行政管理系副教授，理学博士；崔宇威（1988－），女，黑龙江伊春人，南开大学周恩来政府管理学院研究生。