安徽省高校科技创新效率研究——基于三阶段DEA模型的实证分析

钟　颖

（安徽师范大学，安徽　芜湖　241002）



安徽省高校科技创新效率研究
——基于三阶段DEA模型的实证分析

钟颖

（安徽师范大学，安徽芜湖241002）

摘要：利用三阶段DEA模型，从高等学校科技创新投入产出的角度，分别对安徽省29所公办普通本科高校进行科技创新效率评估，总体上，样本高校科技创新效率不高，制约其提升的主要原因是规模效率，高校所在地区的经济发展水平与科技创新投入冗余存在显著的正相关关系，非DEA有效高校的科技创新投入冗余比例和产出不足比例均较高；并运用Malmquist全要素生产率指数模型对样本高校进行科技创新效率动态分析，技术进步和规模效率是导致Malmquist全要素生产率指数变化的主要原因。

关键词：普通高校；科技创新效率；三阶段DEA；Malmquist指数

1　引言

高校拥有丰富的科研人员和众多的研究与发展机构，在推动区域和国家科技创新领域具有重要意义。但由于国家财政性高校科技经费的稀缺，高校科技经费存在违规使用问题，使得社会各界非常关注高校科技经费的利用效率。对各地区高校科技创新效率评价机制的研究，可以为国家和地方政府制定科技政策和科技经费管理政策，提供政策依据和理论指导。

目前我国学者对高校科技创新效率评价，大多采用单阶段和两阶段DEA模型，其研究对象主要为教育部直属高校和“211、985工程”高校的科研效率，如罗杭［1］、尹伟华和袁卫［2］、胡咏梅等［3］，单阶段和两阶段DEA模型未能剔除环境因素和随机误差对科研效率值的影响，其测量结果未能真实反映高校科研效率水平；李瑛等［4］、李向东等［5］利用三阶段DEA模型，分别对2007年和2010年我国31个省市地区的高校科研效率进行静态的省际比较，未能反映各地区高校科研效率的变化趋势。

本文利用三阶段DEA模型，对安徽省29所公办普通本科高校①文中用序号表示29所公办普通本科高校校名，序号J1表示中国科学技术大学，序号J2表示合肥工业大学，序号J3表示安徽大学，序号J4表示合肥学院，序号J5表示合肥师范学院，序号J6表示安徽建筑大学，序号J7表示安徽农业大学，序号J8表示安徽医科大学，序号J9表示安徽中医药大学，序号J10表示巢湖学院，序号J11表示安徽师范大学，序号J12表示安徽工程大学，序号J13表示皖南医学院，序号J14表示安徽工业大学，序号J15表示铜陵学院，序号J16表示安庆师范学院，序号J17表示池州学院，序号J18表示滁州学院，序号J19表示安徽科技学院，序号J20表示安徽财经大学，序号J21表示蚌埠医学院，序号J22表示蚌埠学院，序号J23表示安徽理工大学，序号J24表示淮南师范学院，序号J25表示淮北师范大学，序号J26表示阜阳师范学院，序号J27表示宿州学院，序号J28表示黄山学院，序号J29表示皖西学院。进行高校间科技创新活动的效率评估，并运用Malmquist全要素生产率指数模型对样本高校进行科技创新效率动态分析。

2　模型与数据

2.1模型

三阶段DEA模型由Fried等［6］提出，与单阶段和两阶段DEA模型相比，三阶段DEA模型能剔除外部环境因素和随机误差对效率值的影响，测量结果能够真实反映高校科技资源的管理效率。三阶段DEA模型由以下三阶段构成。

第一阶段：面向投入的BBC-DEA模型

样本高校科技经费投入使用的数量和结构是各级政府、投资者和高校管理者等决策时的关键变量，且导向选择对效率值只有细微影响［7］。因此，本文采用面向投入的BBC-DEA模型。

假设有I所高校，每所高校有N个投入、M个产出数据，有R种外部环境影响因素。对第i所高校，用列向量xi和qi分别代表它的投入和产出，则面向投入的BBC-DEA模型见公式（1）：

式（1）中，θ是一个标量，λ是一个N×1的常数向量，II×1是一个I×1的向量。

通过式（1），解得θ值就是第i所高校的纯技术效率。当我们将式（1）中的II×1′λ= 1去掉，式（1）转变为面向投入的CCR模型，解得θ值为第i所高校的综合技术效率。根据综合技术效率等于纯技术效率乘以规模效率的关系，可得规模效率值。

第二阶段：利用SFA模型分解第一阶段的松弛变量

第一阶段DEA模型无法将外部环境因素和统计噪声因素剔除，所获得的效率值受到外部环境因素、统计噪声因素和管理无效率因素的综合影响，而第二阶段以投入松弛量为因变量，以外部环境因素为自变量，对每一项投入松弛量分别构建随机前沿分析模型（SFA），分离出外部环境变量和统计噪声因素对决策单元的影响，并对原始投入数据进行调整。SFA模型描述见式（2）：

式（2）中，sij为投入的松弛变量，即实际投入与目标投入之差，其中i = 1，2，3，…，N，j=1，2，3，…，I；zj= z1j，z2j，z3j，…，zkj，其中k=1，2，3，…，R，zkj表示第j个决策单元的第k个可观察的外部环境变量；

βj=（β1j，β2j，β3j，…，βkj）T，其中βkj表示第j个决策单元的第k个待评估参数；vij为第j个决策单元在第i项投入时产生的统计噪声，假定vij是独立同分布的正态随机变量，服从正态分布vij～N（0，σvi2）；uij为第j个决策单元在第i项投入时产生的管理无效率随机变量，假设uij是独立同分布的在0处截断的非负正态随机变量，服从半正态分布uij～N+（0，σui2）。

根据Fried等［6］在三阶段DEA模型中采用的随机成本前沿面模型，通过软件Frontier4.1版，利用最大似然估计求出等变量，再采用Kumbhakar和Lovell［8］提出的三阶段DEA模型管理无效率估计公式，见式（3），求得从而求得最后根据Fried等［6］在三阶段DEA模型中提出的资源投入量调整公式，见式（4），对决策单元进行各投入资源的数量调整。

式（4）中，xij为第j个决策单元调整前的第i个原始投入量，为第j个决策单元调整后的第i个投入量。

第三阶段：利用调整后的投入量和原始产出量，采用面向投入的BBC-DEA模型，计算得到剔除外部环境因素和统计噪声等误差因素影响后的DEA效率值。

2.2数据

2.2.1科技创新活动投入产出指标体系

高校科技创新活动投入产出变量的选择，尚无一致结论［9］。遵循评价指标选取原则，本文建立的科技创新投入产出指标体系，见表1。

表1　科技创新活动投入产出指标体系

2.2.2外部环境影响因素指标

利用三阶段DEA模型测量效率时，需要结合样本高校科技创新的特点，综合考虑其主观可控范围以外的环境因素对科技创新效率的影响。本文选取政府对高校科技创新的资助力度、企业与高校的合作程度和当地经济发展水平等作为外部环境影响因素，分别用样本高校当年拨入科技经费中的政府资金、企事业单位委托资金和地区人均GDP来表示。

2.2.3数据来源

本文数据主要来自2010—2014年《安徽统计年鉴》和《高等学校科技统计资料汇编》。

3　实证分析

3.1三阶段DEA估计结果

3.1.1第一阶段DEA估计结果

运用DEAP2.1版软件和面向投入的BBC-DEA模型，对安徽省2009—2013年29所公办普通本科高校的科技创新效率进行分析，结果见表2、表3和图1，用序号代表校名。从运算结果来看，这29所样本高校科技创新活动的历年综合技术效率均值在2011—2012年间出现小幅提升，总体较低，呈下降趋势，波动较平稳，2009—2013年各年未达到纯技术效率最优的高校比例在48％—62％，未达到规模最优的高校比例在65％—75％，其中处于规模报酬递增的高校比例保持在34％—45％。

表2　第一阶段（调整前）和第三阶段（调整后）样本高校历年科技创新效率平均值

图1　2009—2013年样本高校科技创新效率平均值

表3　2009—2013年29所样本高校科技创新效率分布

3.1.2第二阶段SFA回归分析结果

利用软件FRONTIER4.1版，以第一阶段得到的2009—2013年样本高校科技创新三个投入变量的松弛量平均值作为因变量，以三个外部环境变量作为自变量，分别进行三次SFA回归分析，回归分析结果见表4。在投入松弛量回归方程中，只有地区人均GDP通过了T检验，所以有必要调整三个投入松弛量回归方程的自变量，调整后的第二阶段SFA回归结果见表5。由表5可知，高校所在地区的经济发展水平与各投入冗余变量之间均存在显著的正相关关系，表明地区经济发展水平越高，则工作生活的条件越好，越能吸引人才，从而越有可能带来教学科研人员以及高级职称人员投入的冗余；同时也表明地区经济发展水平越高，地方政府资助和当地企业与高校的合作越多，科技经费的投入也越多，从而越有可能造成科技经费的浪费。

表4　第二阶段SFA回归结果一因变量

表5　第二阶段SFA回归结果二因变量

3.1.3第三阶段DEA估计结果

利用式（4），对第一阶段DEA分析时采用的三个高校科技创新投入变量进行调整，并利用调整后的投入量和原始产出量，运用DEAP2.1版软件，采用面向投入的BBC－DEA模型，计算得到剔除外部环境因素和统计噪声等误差因素影响后的DEA效率值，结果见表1、表2和图1，用序号代表校名。从运算结果来看，调整前后效率的变化较大，其中历年综合技术效率均值和规模效率均值与调整前相比有所下降，历年纯技术效率均值与调整前相比有所上升；2009—2013年各年未达到纯技术效率最优的高校比例与调整前相比有所下降，维持在48％—59％；未达到规模最优的高校比例与调整前相比有所上升，维持在68％—76％，其中处于规模报酬递增的高校比例与调整前相比上升幅度较大，维持在48％—76％；如表6所示，样本高校科技创新综合技术效率与纯技术效率、规模效率的相关性均在1％的水平下显著（双尾检验），其中综合技术效率与规模效率的Spearman秩相关系数保持在86％—95％，显著高于综合技术效率与纯技术效率的Spearman秩相关系数（71％—81％），说明综合技术效率排序与规模效率排序具有较高的一致性，制约综合技术效率提升的主要原因是规模效率。

表6　样本高校科技创新综合技术效率与纯技术效率、规模效率的Spearman秩相关系数

3.1.4非DEA有效高校的效率改进

利用投影分析，根据第三阶段DEA分析中调整后的投入和原始产出数据，可得出纯技术效率无效样本高校的效率改进方向。如表7所示，纯技术效率无效样本高校科技创新的投入冗余比例总体较高，呈先升后减趋势，当年高级职称人员冗余比例均值最大；纯技术效率无效样本高校科技创新的产出不足中当年技术转让收入不足比例均值最大，当年成果获奖不足比例均值也较高，总体呈上升趋势。

表7　纯技术效率无效样本高校科技创新投入冗余比例和产出不足比例

3.2 Malmquist全要素生产率指数分析结果

利用三阶段DEA模型只能比较决策单元在同一时期的效率，无法比较其在不同时期的效率变化，本文采用Malmquist全要素生产率指数分析方法和DEAP2.1版软件，利用三阶段DEA模型中剔除了外部环境影响因素和统计噪声后的安徽省29所样本高校在2009—2013年间的投入产出数据，得到其在不同时期效率变化的指数。其中，Malmquist全要素生产率指数（tfpch）（以后简称M值）可分解为技术进步变化指数（techch）和综合技术效率变化指数（effch），综合技术效率变化指数（effch）又可以分解为纯技术效率变化指数（pech）和规模效率变化指数（sech），tfpch= effch×techch= pech×sech×techch。由表8可知，样本高校在2009—2013年间的M值平均每年减少5％，仅2011—2012年的M值大于1，样本高校的科技创新效率呈先升后降趋势。究其原因，首先技术进步变化指数以年均2.5％的幅度逐年递减，纯技术效率变化指数和规模效率变化指数分别以年均0.3％和2.2％的幅度呈先升后降趋势；技术进步和规模效率是导致M值变化的主要原因。

表8　样本高校科技创新Malmquist全要素生产率指数

4　结论与建议

4.1结论

一是，三阶段DEA模型与单阶段DEA模型相比，综合技术效率均值和规模效率均值有所下降，纯技术效率均值有所上升，未达到纯技术效率最优的高校比例有所下降，未达到规模最优的高校比例有所上升，处于规模报酬递增的高校比例上升幅度较大，综合技术效率的排序与规模效率的排序具有较高的一致性，制约综合技术效率提升的主要原因是规模效率。

二是，高校所在地区的经济发展水平与教学与科研人员冗余、高级职称人员冗余、科技经费支出冗余均存在显著的正相关关系，说明地区经济发展水平越高，则工作生活条件越好，地方政府资助越多、当地企业与高校的合作越多，越能吸引人才，越有可能带来教学科研人员以及高级职称人员投入的冗余和科技经费支出的浪费。

三是，纯技术效率无效样本高校科技创新的投入冗余比例和产出不足比例均较高，当年高级职称人员的投入冗余比例和当年技术转让实际收入的产出不足比例最高。

四是，2009—2013年间，样本高校的科技创新效率呈先升后降趋势，技术进步和规模效率是导致Malmquist全要素生产率指数变化的主要原因。

4.2建议

一是适当扩大科技经费使用范围，建立激励机制，提升高职称人员的科研积极性。一方面在严格经费报销制度的同时，赋予科研团队更多的经费支出自主权，加大经费合理支出的强度，提升科技经费的规模效率；另一方面在完善科技经费中人员经费支出政策的基础上，扩大人员经费开支范围与比例，提升高职称人员的科研积极性。科研工作的完成不仅仅包含了必要的看得见、摸得着的硬件设备和材料，更需要参与人员的智力劳动，我国从上世纪80年代就开始承认脑力劳动的重要地位，但在科技研究经费中，除了必要的研究生和临时聘用人员的劳务费，对参与者（尤其是主要参与者）的智力贡献却没有任何体现。因此，对于提高科研人员积极性这一方面，可酌情考虑按工作量（表象贡献）、智力作用（实质贡献）等因素影响的大小提取一定比例的酬金。

二是中央宏观调整各地科技经费支持力度，促进各地区均衡发展。根据2014年全国科技经费投入统计公报，研究与试验发展经费支出最多的6个省（市）为江苏（12.7％）、广东（12.3％）、山东（10％）、北京（9.7％）、浙江（7％）和上海（6.6％）；研究与试验发展经费投入强度（与地区生产总值之比）达到或超过全国平均水平的有北京、上海、天津、江苏、广东、浙江、山东和陕西等8个省（市）［10］。可以看出，上述提及省（市）除了陕西省均属于东部的经济发达地区，这一统计表明各地区的科研发展所需经费支持仍存在很明显的不平衡，势必造成各地区的差距逐步继续拉大。综合考虑中国国情，有必要考虑中央对各地区科技经费的宏观调控，从政策上来平衡各地区的发展，建立合理的人才资助计划，引导人才向经济不发达地区流动。

三是鼓励高校科技成果的应用转化，促进社会技术进步。科技创新的最终目的是为实际需求服务，高校应积极吸收国内外最新科技成果，适应经济社会发展需求，开展社会急需的科技创新，并将科研技术成果转化为实际生产力。中央政府、各级地方政府可鼓励企业、高校院所联办研发机构，鼓励企业参与高校科技创新平台，将高校的科技成果转化成企业所需；鼓励高校科研人员在完成本职工作的前提下兼职从事科技创业、成果转化等活动；支持科技服务中介机构的发展；有计划性地打造集成科技信息、科技培训、技术需求、成果展示、技术交易等功能的高校-企业联合公共科技服务平台。

参考文献：

［1］罗杭. 2011年中国“985”大学效率评价——效率水平排序、影响因素研究与松弛变量分析［J］.清华大学教育研究，2013，（2）:87-95.

［2］尹伟华，袁卫.基于Bootstrap-DEA方法的中国教育部直属高校科研效率评价［J］.统计与信息论坛，2013，（6）:61-68.

［3］胡咏梅，范文凤.“211工程”高校科研生产效率评估:基于DEA方法的经验研究［J］.重庆高教研究，2014，（3）:1-14.

［4］李瑛，崔宇威.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［J］.东北师大学报（哲学社会科学版），2011，（2）:177-181.

［5］李向东，刘东皇，季庆庆.基于三阶段DEA的中国地区知识生产效率研究［J］.生态经济，2014，（1）:74-78.

［6］FRIED H O，LOVELL C A K，SCHMIDT S S，et al. Accounting for Environmental Effects and Statistical Noise in Data Envelopment Analysis［J］. Journal of Productivity Analysis，2002，（2）:121-136.

［7］COELLI T J，RAO D S P，O’DONNELL C J，et al. An Introduction to Efficiency and Productivity Analysis（Second Edition）［M］. New York: Springer Science and Business Media，2005:180.

［8］KUMBHAKAR S C，KNOX C A. Stochastic Frontier Analysis［M］. Cambridge: Cambridge University Press，2000: 136-142.

［9］成刚，孙志军.我国高校效率研究［J］.经济学，2008，（3）:1079-1104.

［10］国家统计局.2014年全国科技经费投入统计公报［R/OL］.（2015-11-23）. http://www.stats.gov.cn/tjsj/tjgb/rdpcgb/qgkjjftrtjgb/201511/t20151123_1279545.html.

责任编辑：陈小举

EVALUATION OF THE S&T INNOVATION EFFICIENCY OF COLLEGES IN ANHUI PROVINCE -AN EMPIRICAL APPLICATION BASED ON THE THREE-STAGE DEA MODEL

ZHONG Ying
（Anhui Normal University，Wuhu Anhui 241002）

Abstract:This research has estimated the efficiency of S&T Innovation by the Three-stage DEA Model from the direction of colleges′S&T investment and production. The research includes twenty-nine public colleges in Anhui Province. Generally，the S&T Innovation efficiency of the sample colleges is not high. The low scale efficiency is the main reason for restricting the improvement of the efficiency of S&T Innovation. The GDP has a significant positive impact on the input redundancy. The input redundancy ratio and the insufficient output ratio of Non-DEA effective Colleges are higher. This research has conducted a dynamic analysis of S&T Innovation efficiency，using the Malmquist index of total factor productivity model. The main reason for the adjustment of the Malmquist index of total factor productivity is technological progress and scale efficiency.

Key words:ordinary universities；S&T innovation efficiency；Three-stage DEA；Malmquist index

作者简介：钟颖（1982-），女，安徽芜湖人。安徽师范大学历史与社会学院，讲师。研究方向：决策理论与方法、公共部门绩效评估。

基金项目：安徽省高校省级优秀青年人才基金项目（项目编号：2012SQRW023ZD）

收稿日期：2016-01-25

中图分类号：C931；G463

文献标识码：A

文章编号：1672-2868（2016）02-0051-08