中国研究型大学科研全要素生产率动态评价——基于DEA-Malmquist指数的实证分析

梁文艳，唐一鹏

(1. 北京师范大学　教育学部　教育经济研究所/首都教育经济研究院， 北京　海淀　100875；2. 首都师范大学　教育学院， 北京　海淀　100037)

中国研究型大学科研全要素生产率动态评价

——基于DEA-Malmquist指数的实证分析

梁文艳1，唐一鹏2

(1. 北京师范大学教育学部教育经济研究所/首都教育经济研究院， 北京海淀100875；2. 首都师范大学教育学院， 北京海淀100037)

摘要：利用DEA-Malmquist指数方法测算并分析“十一五”期间中国研究型大学自然科学学科科研全要素生产率，主要发现：研究型大学科研全要素生产率的改进主要源于技术进步，规模效率和纯技术效率改善的贡献不明显，尤其是规模效率甚至在一定程度上起拖累作用。分区域比较，受制于技术进步滞后，西部地区大学科研全要素生产率改进状况明显落后；得益于管理制度优化所带来的纯技术效率提升，东部地区，尤其是沪苏浙地区全要素生产率改进突出；得益于规模合理设置所带来的规模效率提升，中部地区全要素生产率不断改进。分学校层级比较，尽管“985工程”大学获得了更大的科研投入力度，但全要素生产率及各效率维度改进状况均落后于非“985工程”大学。因此，未来高水平研究型大学建设需高度重视效率问题。

关键词：研究型大学；自然科学学科；全要素生产率；DEA-Malmquist指数模型

《国家中长期科学和技术发展规划纲要(2006—2020年)》明确指出：“大学是我国培养高层次创新人才的重要基地，是我国基础研究和高技术领域原始创新的主力军之一……加快建设一批高水平大学，特别是一批世界知名的高水平研究型大学，是我国加速科技创新、建设国家创新体系的需要。”由此可见，继续重点支持一批研究型大学、提升其科研创新能力是中国高等教育发展的重要目标。近年来，中国研究型大学的科研实力日益攀升，以上海交通大学世界学术排名为例，大陆地区跻身前500强的大学从2003年的9所增加到2014年的32所。但与世界一流研究型大学相比，中国研究型大学原创性、高影响力的科研产出与之相距甚远*论文篇均被引频次是科研产出质量最常用的指标，简单对比中国“211工程”大学和美国大学协会大学(AAU)校均发表SCI/SSSCI/A&HCI学术论文篇均被引频次：2006—2012年，“211工程”大学发表论文篇均被引次数为8.02，低于全球平均水平(22%)；AUU大学发表论文篇均被引次数为17.14，高于全球平均水平(68%)。显而易见，中国研究型大学科研产出质量和影响力与世界一流研究型大学差距甚远。资料来源：Incites数据库，http://incites.isiknowledge.com.，建设高水平大学的任务十分艰巨。同时，着眼“新常态”下经济放缓带来的公共财政的巨大压力，高校科研发展应逐步从以增加资金投入为主的发展模式转向以提升效率为主的发展模式。因此，有必要系统分析中国研究型大学科研生产效率的变化规律，剖析导致生产效率变化的原因，从而提出应采取的相关对策。全要素生产率(Total Factor Productivity，TFP)是衡量生产效率的重要指标，由经济学家Solow于1955年提出，不仅可以从整体上刻画效率的改善，还能从技术进步、规模效应和配置效应3个角度分析效率改善的原因。尽管国内已有不少学者利用效率评价方法分析高校效率问题，但从全要素生产率角度动态考察生产效率变动的研究相对缺乏。鉴于此，本文采用DEA-Malmquist指数模型，以“211工程”大学自然科学学科为例，对2006—2010年的科研全要素生产率进行动态评估和系统分析*考虑自然科学学科和人文社会科学学科科研生产的内在差异，本研究仅以自然科学学科领域投入-产出数据开展分析。。

一、文献回顾与述评

大学生产行为具有多投入、多产出的特征，指标量纲差异大，很难找到“价格”变量合成综合指标，传统“单产出/单投入”的生产效率评估指标难以用于高校效率评估。得益于数据包络分析(DEA)方法，高校生产效率研究取得突破性进展[1]。欧洲学者尤其是英国学者较早引入DEA方法开展高校生产效率研究。原因在于，欧洲大学在全球高等教育体系中的地位逐渐式微，为恢复昔日风光，学者期望基于效率评估形成指导拨款改革和质量控制的新机制[2-3]。早期研究发现，欧洲大学办学效率不佳，特别是以强调资源配置和投入规模合理性为核心的规模效率与配置效率并未引起管理者重视[3-5]。相对于普通DEA模型只能进行截面数据效率评估，DEA-Malmquist指数模型能测算生产率跨年度变化状况，因而越来越多研究大学生产效率问题的学者开始关注DEA-Malmquist指数模型并运用其开展研究。例如，Flegg等测算了英国45所大学1980—1992年的办学Malmquist生产率，发现大学全要素生产率累积提升量达到51.5%[6]；Johns测算了英国112所大学1996—2005年的办学Malmquist生产率，发现大学以年均1个百分点的速度实现全要素生产率提升，技术改进是主要动力，但纯技术效率和规模效率改善状况不佳[7]；Garcia和Palomares测算了西班牙43所大学1994—2004年的办学Malmquist生产率，同样发现全要素生产率不断提升，但与Johns的研究结果不同，西班牙大学生产率的提升更多地源于管理水平提升和办学规模优化所带来的纯技术效率和规模效率改善[8]。

近年来，随着高等教育国际化的不断深入，部分学者基于跨国样本构建DEA-Malmquist指数模型进行了全要素生产率动态评估。例如，Agasisti和Johnes测算了2002—2005年英国和意大利大学的科研全要素生产率，发现尽管两国大学整体实现了生产率提升，但提升机制有所不同，英国大学主要源于外部技术改进所带来的前沿面提升，意大利大学则源于配置效率和规模效率改进所获得的追赶效应[9]。此后，Aleksandra和Joanna以横跨欧洲7国266所大学为样本的研究发现，意大利和德国的大学全要素生产率改进较好，其余5国大学办学全要素生产率改进状况不佳[10]。

相对来说，运用DEA-Malmquist指数模型研究中国大学生产率问题相对较晚。但伴随高校扩招、合并等重大教育改革的实施和债务风波*伴随学校办学规模的迅速扩大，中国不少知名大学面临着日益严重的负债问题。以2007年为例，当年吉林大学负债30亿元人民币，南昌大学负债20亿元人民币，南开大学负债11.7亿元人民币(http://view.news.qq.com/zt/2007/unibankrupt/index.htm.)。这些问题的出现，很大程度应归结于大学过于关注投入，忽视办学效率和办学绩效，而对大学开展办学效率、全要素生产率研究一定意义上可以回应以上问题，并提供一些可行的改进建议。等问题的出现，社会各界越来越重视大学的内涵式发展，部分学者尝试以中国大学为样本开展研究。第一类关注1999年扩招政策对中国大学办学效率变动的影响，发现扩招后办学全要素生产率在一定程度得到提升，但外生技术进步成为全要素生产率改进的主要动力[11-13]。第二类在中国高等教育办学资源区域“贫富差距”突出的背景下，特别关注办学全要素生产率变动的省际差异，发现不同区域技术效率增长有所收敛，但规模效率变动和技术进步的区域差异逐渐发散[14]。第三类则在中国大学高度重视科研水平提升的背景下，对大学科研全要素生产率变动进行评估，发现我国大学科研全要素生产率提升状况并不理想，大部分大学科研活动仍严重依赖关注投入、轻视产出的外延式发展方式[15-16]。

整体而言，以中国大学为样本、利用DEA-Malmquist指数模型开展的研究存在诸多局限。首先，研究所使用的数据基本来自教育部历年出版的《教育部直属高校基本情况统计资料汇编》，样本限于教育部直属的74所高校，很难全面反映整体状况。其次，就科研全要素生产率这一主题的研究来说，由于DEA-Malmquist指数模型属于非参数方法，对样本同质性要求高，而不同学科科研活动特征和规律差异很大，因此分学科开展科研全要素生产率评估更为恰当，但已有研究基本没有分学科开展，当然，数据难以获取是主要原因。最后，相对以欧洲大学为样本开展的生产率研究，以中国大学为样本的类似研究缺少分层次、多维度对比分析，对生产率影响机制分解不够。相对已有文献，本文的贡献主要体现在3个方面：其一，数据来源更丰富，样本扩大到“211工程”大学，保证了样本的代表性；其二，将研究对象聚焦于自然科学学科，一定程度保证了样本的同质性，提高了结论分析的可靠性；其三，分区域、分层级进行比较分析，以便深入揭示中国研究型大学科研生产率变化的规律。

二、模型、样本与指标选择

(一)模型

Malmquist生产率指数由瑞典经济学家曼奎斯特于1953年提出，后经Fare等于1989年改进和完善，该方法利用距离函数比计算全要素生产率[17]。正如上文指出，全要素生产率可将生产效率变动分解为技术进步、规模效应和配置效应3个维度，Malmquist生产率指数则可分解为技术变化(Technical Change，TC)指数、纯技术效率变化(Pure Technical Change，PTEC)指数和规模效率变化(Scale Efficiency Change，SEC)指数。

具体来看，TC指数反映两个时期生产前沿面移动，被称为“增长效应”：若TC>1，表明新知识、新技术设备以及发明创造等在生产活动中的应用带动了生产前沿面“向上”移动，即技术进步带来了生产率提升。PTEC指数反映生产决策单元对生产前沿面的追赶，被称为“追赶效应”：若PTEC>1，表明因为改善组织机构、优化资源配置结构、提高内部管理水平，生产决策单元更接近现有生产前沿面。SEC指数反映相邻两个时期决策单元生产规模效益变化，被称为“规模效应”：若SEC>1，表明决策生产单元处于规模收益递增状态，规模扩张有助于生产率提升；若SEC≤1，表明生产决策单元处于规模收益递减或不变状态，需挖掘现有资源潜力以提升生产率。

综上，Malmquist指数方法可利用多投入、多产出变量进行全要素生产率动态评估，不需要价格等相关信息，不受指标量纲不一致等问题影响，更重要的是可将生产率变化原因分解为增长效应、追赶效应和规模效应。显然，利用该方法，我们可分析3类效应对全要素生产率改进的贡献程度，从而更好地找出研究型大学科研生产率提升的方向。

(二)样本

由于DEA-Malmquist指数法属于非参数方法，无法通过统计检验指标帮助判断结果，因而对样本同质性具有更高要求。本文以“211工程”高校为评估对象，这类高校无论在建设使命和建设目标上都具有较高的一致性。此外，为减少由于学科差异导致的科研生产方式差异，本文将评估对象聚焦在自然科学学科上，以最大程度确保样本同质性。

截至目前，全国共116所“211工程”大学(部分两地办学高校分开计算)，根据下述3类原因，最后用于分析的高校合计100所：(1)考虑到军事系统院校办学体制以及科研活动的特殊性，剔除第二军医大学、第四军医大学、国防科技大学；(2)高校自然科学投入产出数据主要来自历年《高校科技统计资料汇编》，该统计资料中未包含对外经济贸易大学、中央财经大学、中央音乐学院、北京体育大学、北京外国语大学、上海外国语大学、上海财经大学、中南财经政法大学、福州大学、西南财经大学、华北电力大学(保定)；(3)考虑到历年的《高校科技统计资料汇编》里部分关键指标数据缺失且无法填补，剔除中央民族大学、西藏大学、中国政法大学。事实上，上述高校或为语言、财经、政法、艺术类专业性院校，或为民族院校，在研究自然科学科研生产率时，将其纳入会破坏样本的同质性。

(三)投入、产出指标选择

着眼提高科研产出质量和创新型水平的目标，参考已有研究，兼顾数据的可得性，我们构建了投入-产出指标体系。具体指标以及各年度校均分布状况如表1所示。

表1　中国研究型大学自然科学学科投入产出指标体系及各年度校均状况

数据来源：a：顶尖科研人才包含长江学者和国家自然科学基金青年杰出人才。其中，长江学者人数数据来自中国学位与研究生教育信息网，国家自然科学基金青年杰出人才数据来自国家自然科学基金委网站；b：数据来自历年《高校科技统计资料汇编》；c：人均当年拨入R&D=当年拨入R&D÷教学与科研人员数；d：数据来自《中国科学引文数据库》(CSCD)，文献发表时间区间为2006年1月1日—2012年3月31日；e：数据来自ISI数据库，文献发表时间区间为2006年1月1日—2012年3月31日。

三、实证结果与分析

本研究使用DEAP2.1软件进行数据分析。考虑研究型大学科研活动的特点，这里构建产出导向(Output-Orientated)DEA模型测算Malmquist指数并开展相关分析。

(一)整体分析

运用Malmquist指数方法给出每所大学在“十一五”期间(2006—2010年)的生产率变动情况。受限于篇幅，我们仅通过样本高校Malmquist指数及其分解的5年均值数据来呈现整体趋势，如表2所示。

1.从各项指标的均值来看，中国研究型大学全要素生产率提升主要源自技术进步所带来的增长效应。Malmquist生产率指数(TFP)的均值为1.073，表明研究型大学以年均7.3个百分点的速度实现自然科学学科科研生产率的提升。将Malmquist生产率指数分解为技术进步(TC)指数、纯技术效率变化(PTEC)指数、规模效率变化(SEC)指数，3项指数的均值分别为1.056、1.013和1.002，表明技术进步(TC)所带来的“增长效应”是科研生产率提升最主要的动力，而纯技术效率变化(PTEC)所带来的“追赶效应”以及规模效率变化(SEC)所带来的“规模效应”对研究型大学科研生产率的提升贡献相对有限。

2.从在各项指标上实现效率提升的样本构成比例来看，因技术进步而获得效率提升的学校比例最高。全要素生产率有所提升的大学达到74%，说明大部分高校科研产出的全要素生产率在“十一五”期间得到改善。但从各项指数的分布看，在所有获得生产率提升的大学中，技术进步带来的增长效应作用最为明显。在100所高校中，有73%的高校受益于技术进步带来的全要素生产率提升。相比之下，仅有36%和32%的大学由于纯技术效率变化(即“追赶效应”)或规模效率变化(即“规模效应”)获得全要素生产率提升。

表2　2006—2010年中国研究型大学自然科学学科科研全要素生产率5年均值

注：在生产率变化状况的分析中，“1”被视为分界点或临界值。对应本研究，如某类区域大学某项科研生产率指数小于“1”，则该区域大学此项科研生产率相对于上一年度存在下降趋势；反之，如大于“1”，则该区域大学此项科研生产率相对上一年存在上升趋势；如等于“1”，则表示两年间不存在变化(下同)。

接下来，根据全要素生产率是否实现改善将样本高校分为2类：一类是TFP>1(即实现了改善)的高校，另一类是TFP≤1(即未实现改善)的高校。在这2类高校中，进一步统计不同效率提升途径的高校的数量和比例，由表3可知，在全要素生产率获得提升的74所大学中，有99%的高校因为技术进步获得“增长效应”(TC>1)，仅有1所大学没有获得“增长效应”，该所大学仅依靠纯技术效率(即“追赶效应”)获得全要素生产率提升。由表4可知，在全要素生产率未实现改善的26所大学中，有8所大学(占31.8%)虽获得技术改进，且由于纯技术效率或规模效率拖累导致全要素生产率不升反降；其余18所大学(69.2%)均由于未实现技术进步(TC≤1)而导致全要素生产率下降。

综上，“十一五”期间我国研究型大学自然科学学科科研生产全要素生产率的提升主要依靠技术进步所带来的“增长效应”，而未获得全要素生产率提升的大学，大部分是由于未实现技术改进。可见，技术进步是过去一段时间我国研究型大学自然科学学科科研提高生产效率的主要途径。但是，源于管理水平提升和办学规模优化所带来的纯技术效率和规模效率改善不佳。

表3　74所全要素生产率改善的研究型大学(TFP>1)的分布特征

表4　26所全要素生产率未改善的研究型大学(TFP≤1)的分布特征

(二)分地区对比分析

由于中国长期存在区域社会经济发展不平衡，东、中、西部*东部地区包括北京、天津、河北、辽宁、上海、江苏、浙江、福建、山东、广东、海南；中部地区包括吉林、黑龙江、山西、安徽、江西、河南、湖北和湖南；西部地区包括内蒙古、广西、重庆、四川、贵州、云南、西藏、陕西、甘肃、青海、宁夏和新疆。高等教育发展水平也存在一定差异。通常来说，东部高水平研究型大学更为集中*在本研究样本中的100所“211工程”大学中，东部地区集中了50%以上的大学(共有56所)，中部和西部地区一共有44所大学。，特别是北京、天津、上海、江苏等地区，“211工程”高校的数量位居全国前列。相比之下，中、西部地区研究型大学相对较少，在科研投入和产出上都与东部研究型大学差距较大。基于此，本文按经济区划分，对东部、中部和西部地区研究型大学自然科学研究的全要素生产率进行对比分析。各地区高校的Malmquist生产率指数及其分解结果如表5所示，具体分析如下：

表5　2006—2010年分区域研究型大学自然科学学科科研生产各项生产率指数分解

1.从整体来看，中部地区高校全要素生产率提升最为明显，西部地区高校提升幅度最低，东部地区高校提升幅度居中，但沪苏浙地区高校表现强劲。

比较东、中、西部地区研究型大学自然科学研究全要素生产率可发现，中部地区提升幅度最为明显，Malmquist生产率指数的5年均值为1.107，表明中部地区高校在“十一五”期间以10.7%的年均增速实现科研全要素生产率的改善。比较而言，西部地区高校全要素生产率改善有限，年均增速仅为0.2%。对于东部地区高校来说，Malmquist生产率指数的5年均值为1.088，略低于中部地区高校，但仍高于全样本的整体均值。在东部地区的高校中，沪苏浙、京津冀两大地区的研究型大学最为集中，其中沪苏浙地区高校在“十一五”期间表现出强劲的全要素生产率提升势头，年均增速高达12.3%，超过京津冀地区高校(7.5%)。

2.从全要素生产率分解来看，技术进步是各地区研究型大学科研全要素生产率提升的最主要动力，而规模效率表现不佳成为制约全要素生产率提升的短板因素。

通过对全要素生产率进行分解发现，技术进步在各地区高校的全要素生产率提升中都占据主导地位。其中，东部地区高校表现最为明显，“十一五”期间的年均技术进步率达到7.3%。特别是沪苏浙、京津冀地区的高校，其技术进步率分别为7.3%和6.8%，均高于全样本的整体水平。中部地区高校略低于东部地区高校，但也达到6.5%。相比之下，西部地区高校技术改进乏力，年均技术进步率仅为0.5%，导致全要素生产率未得到明显提升。

从纯技术效率看，各地区高校均处于小幅改善状态，与技术进步率相比年均提升程度并不高。东部和中部地区高校的纯技术效率提升远高于西部地区高校，特别是沪苏浙地区的高校，年均提升率高达5.2%，是这一地区乃至整个东部地区全要素生产率提升的重要因素。

从规模效率看，各地区高校科研普遍呈现下降趋势，仅中部地区处于上升状态，年均提升率达到2.4%。规模效率的提升是导致中部地区高校科研全要素生产率高于东部地区的重要因素。其他地区(包括沪苏浙、京津冀)规模效率变动指数普遍小于1，由于盲目扩张而导致的规模效率低下成为制约这些地区科研生产全要素生产率提升的主要因素。

(三)分学校层级对比分析

回顾我国高等教育发展的历程，研究型大学建设集中表现为“211 工程”和“985 工程”两大项目，以建设世界一流大学为目标的“985工程”高校和以建设高水平研究型大学为目标的“211工程”高校无疑是我国科研事业发展的主力军。为此，本文将全样本“211工程”高校按照是否进入“985工程”分为“985工程”高校和非“985工程”高校，以对比分析两类高校科研全要素生产率指数及其分解，结果如表6所示。

表6　2006—2010年“985工程”大学和非“985工程”大学自然科学学科科研生产率指数及其分解

1.从整体来看，两类研究型大学自然科学学科科研生产全要素生产率均获得改善，非“985工程”高校改善状况优于“985工程”高校。

“985工程”高校自然科学研究的Malmquist生产率指数的5年均值为1.043，即全要素生产率的年均提升幅度为4.3%。非“985工程”高校自然科学研究的Malmquist生产率指数的5年均值为1.090，即全要素生产率的年均提升幅度达到9%，远超“985工程”高校。由此可见，在“十一五”期间，两类高校的全要素生产率都获得一定改善，但“非985工程”高校的改善程度要优于“985工程”高校。

2.从全要素生产率分解来看，两类大学自然科学学科科研生产全要素生产率提升均主要得益于技术进步。

非“985工程”高校年均技术进步率为7%，而纯技术效率年均提升率为1.6%，规模效率年均提升率仅为0.3%；“985工程”高校年均技术进步率为3.3%，纯技术效率年均提升率仅为0.9%，规模效率年均提升率仅为0.1%。由此可见，相对明显的技术进步和追赶效应带动非“985工程”高校科研生产获得后发优势，全要素生产率得到快速提升，进而提高了科研产出水平和创新能力。比较而言，面对快速增长的科研资源投入，“985工程”大学对规模收益状况和配置合理性重视程度不够，造成纯技术效率改善状况不佳，尤其是普遍存在的规模不经济生产状况，使得规模效率对全要素生产率的拖累状况较为明显。

四、研究结论与讨论

本文采用DEA-Malmquist指数方法，对以“211工程”高校为代表的研究型大学自然科学研究的全要素生产率进行测算和分析，并分地区、分层级进行比较，得到如下主要结论：

(1)“十一五”期间，研究型大学自然科学研究的全要素生产率呈稳定增长态势(Malmquist指数的5年均值大于1)。在全体样本中，全要素生产率改善的大学占总体的74%，绝大多数都是依靠技术改进带来的“增长效应”，这说明我国研究型大学的科研产出水平和科研创新能力不断提高，注重通过引进高层次人才和先进技术设备来实现科研生产力的提升。

(2)分地区来看，各地区研究型大学自然科学研究的全要素生产率均表现出不同程度的改善。其中，沪苏浙地区和中部地区研究型大学科研生产率提升状况明显高于其他地区。究其原因，沪苏浙地区大学由于纯技术效率的大幅改善而获得了更多的“追赶效应”，中部地区高校得益于规模效率的大幅改善带来的“规模效应”，这是两类地区大学科研生产率提升状况相对突出的原因。相对而言，西部地区研究型大学在各项分解指标上的表现均不理想，这无形中拉大了西部地区研究型大学科研水平与其他地区的差距。

(3)分层次来看，“985工程”大学和非“985工程”大学自然科学研究的全要素生产率均稳步提升，而非“985工程”大学全要素生产率及其分解指数的改善状况明显好于“985工程”大学。“十一五”期间强劲的技术进步和稳定的纯技术效率提升是非“985工程”大学科研生产率快速提升的最主要因素。而“985工程”大学在此期间的全要素生产率提升主要依靠技术进步实现，纯技术效率和规模效率起到的作用十分有限，这是“985工程”高校科研生产率提升的重要障碍。

随着“科教兴国”方针的不断贯彻和深入实施，国家对研究型大学的科研投入力度不断增大，受诸多重大项目和科研平台的支持，研究型大学购置国际最先进的仪器设备*例如，2008年高校单价40万元以上的大型仪器设备总量1.5万台，总值近150亿，其中2/3分布在“211工程”高校。参见：王敏.提高高校大型仪器设备利用率的探索[J].经济师，2012(5)：87-89.、引进全球最先进的技术手段和最顶尖的人才*在充足的资金保障下，2006—2010年正是研究型大学通过“千人计划”“百千万工程”等从全球大规模引进高层次人才的阶段，高层次人才拥有各自学科领域最先进的知识和技术，直接带动了研究型大学科研生产技术的提升。，科研生产技术进步明显。本文的研究结果表明，无论是全样本，还是分地区、分层次，在当前研究型大学的建设路径下，自然科学研究全要素生产率的提升，主要依赖技术进步。与此同时，纯技术效率和规模效率改善并不理想，对资源配置合理性、生产规模科学性重视不够。这在一定程度上说明，我国研究型大学科研生产目前仍处于粗放型增长阶段，没能充分挖掘现有技术和投入状态下所能达到的产出水平。当然，目前研究型大学科研生产在规模效率和纯技术效率上表现不佳，也为今后高校科研管理指明了方向。本文认为，随着我国研究型大学建设的不断深入，必须通过制度创新来推动“存量”改革——引导大学在科研生产活动中重视优化现有科研资源配置、挖掘现有科研资源生产潜力、激发内在动力，只有这样才能持续而稳健地获得科研生产率的提升。

参考文献：

[1]THANASSOULIS E,KORTELAINEN M,JOHNES G, et al. Costs and efficiency of higher education institutions in England: a DEA analysis[J].Journal of the operational research society,2011,62:1282-1297.

[2]SIZER J. Institutional performance assessment under conditions of changing needs[J].International journal of institutional management in higher education,1982,6(1):113-145.

[3]KELLS H R. The development of performance indicators in higher education: a compendium of twelve countries[M].Paris: Organisation for Economic Co-operation and Development,1993:11-17.

[4]TOMKINS C，GREEN R. An experiment in the use of data envelopment analysis for evaluating the efficiency of UK university departments of accounting[J].Financial accountability & management，1988,4(2):147-164.

[5]BEASLEY J E. Comparing university departments[J]. Omega,1990,18(2):171-183.

[6]ATHANASSOPOULOS A D,SHALE E. Assessing the comparative efficiency of higher education institutions in the UK by means of data envelopment analysis[J]. Education economics, 1997,5(2):117-134.

[7]FLEGG A T,ALLEN D O,FIELD K, et al. Measuring the efficiency of British universities:a multi-period data envelopment analysis[J].Education economics,2004,12(3):231-249.

[8]JOHNES J. Efficiency and productivity change in the English higher education sector from 1996/97 to 2004/05[J].The Manchester school,2008,76(6):653-674.

[9]GARCIA-ARACIL A,PALOMARES-MONTERO D. Evaluation of Spanish universities: efficiency, technology and productivity change[C].Prime-Latin America Conference at Mexico City, 2008-09-24.

[10]AGASISTI T,PEREZ-ESPARRELLS C. Comparing efficiency in a cross-country perspective: the case of Italian and Spanish state universities[J].Higher education,2010,59(1):85-103.

[11]PARTEKA A,WOLSZCZAK-DERLACZ J. Dynamics of productivity in higher education: cross-European evidence based on bootstrapped Malmquist indices[J].Journal of productivity analysis,2012,40(1):67-82.

[12]潘海生，周志刚.基于 Malmquist 指数的高等教育生产率变动分析[J].西安电子科技大学学报(社会科学版)，2007(11):12-13.

[13]胡咏梅，梁文艳.高校合并前后科研生产率动态变化的Malmquist指数分析[J]. 清华大学教育研究，2007，28(1)：62-70.

[14]周伟，李全生.我国高等学校人才培养效率的动态分析:1999—2006年[J].科学学与科学技术管理，2010(1):195-199.

[15]韩海彬，李全生.中国高等教育生产率变动分析:基于Malmquist指数[J].复旦教育论坛，2010(4)：58-62.

[16]周伟.基于DEA方法的研究型大学科研绩效实证研究[D].天津：天津大学，2010：29-30.

[17]COELLI T J, PRASADA RAO D S, O’DONNELL C J, et al. An introduction to efficiency and productivity analysis[M].2nd ed. New York:Springer Science Business Media,2005:36-48.

(责任编辑吴朝平韦春霞)

Dynamic Evaluation on the Total Factor Productivity of China’s Research University——Based on the Empirical Analysis of DEA-Malmquist Index

LIANG Wenyan, TANG Yipeng

(1.Institute of Economics of Education/ Capital College of Economics of Education, Beijing Normal University, Haidian Beijing 100875, China;2. School of Education, Capital Normal University, Haidian Beijing 100037, China)

Abstract：With DEA-Malmquist approach, this paper estimates and analyzes the total factor productivity (TFP) of natural sciences research in 100 Chinese research universities during the Eleventh Five-Year Plan(2006-2010). It shows that, for Chinese research universities, the improvement of TFP is mainly resulted from technical change (TC), while the effects of scale efficiency change (SEC) and pure technical efficiency change (PTEC) are not substantial, where SEC even makes some side effects. By comparing universities located in different regions of China, those in the western areas are most left behind in TFP improvement, relative to universities in the eastern and central areas, and the underlying reason is because of the stagnation of TC. Those universities in eastern China perform outstanding in the improvement of TFP, especially Shanghai, Jiangsu and Zhejiang, and their high performance is mainly resulted from improvement of SEC. By comparing universities of different tiers, “985 project” universities benefit most from the enormous research investment, while their improvement of TFP, as well as TC, TEC, PTEC, are all left behind by non-985 universities.

Key words：research universities; natural science disciplines; total factor productivity; DEA-Malmquist Index

收稿日期：2015-11-06

基金项目：国家自然科学基金项目“研究型大学教师科研生产力：人力资本与社会资本的影响”(71203015)；国家自然科学基金项目“‘后4%时代’中国高等教育财政投资规模与配置结构研究”(71573020)；中央高校基本科研业务费专项资金项目“‘后4%时代’中国高等教育财政投资规模预测及相关政策研究”(SKZZA2015002)

作者简介：梁文艳(1982—)，女，重庆江津人，北京师范大学讲师，管理学博士，主要从事教育经济和高校评价研究；

DOI:10.15998/j.cnki.issn1673-8012.2016.03.012

[中图分类号]G644

[文献标志码]A

[文章编号]1673-8012(2016)03-0073-09

唐一鹏(1984—)，男，江苏盐城人，首都师范大学讲师，管理学博士，主要从事教育经济学研究。

引用格式：梁文艳，唐一鹏.中国研究型大学科研全要素生产率动态评价——基于DEA-Malmquist指数的实证分析[J].重庆高教研究，2016，4(3)：73-81.

Citation format：LIANG Wenyan, TANG Yipeng. Dynamic evaluation on the total factor productivity of china’s research university——based on the empirical analysis of DEA-malmquist Index[J].Chongqing higher education research，2016，4(3)：73-81.

■ 教育与经济