财经政法类高校科研效率评价探究——基于数据包络分析法

万秋霞

（中南财经政法大学发展规划部，湖北武汉，430073）

作为我国高等教育的重要组成部分，财经政法类高校致力于服务国家经济与法治建设，肩负着培养财经、法治领域卓越人才的任务，且通过积极开展科学研究活动而成为经济与法治建设研究重镇，在推动学术进步、引领社会发展、传承文化方面发挥着重要作用。因此，研究财经政法类高校的科学研究活动有着重要的现实意义，特别是在当今“双一流”建设背景下，如何合理利用相对稀缺的教育资源，保证科研效率，协调科研投入与产出，成为财经政法类高校研究者关注的重大问题。

近年来，国内不少学者陆续运用数据包络分析（Data Envelopment Analysis）方法对高校科研效率进行了研究，但主要存在两个方面的不足。一方面，很少考虑学校类型差异，更鲜有针对财经政法类高校的研究。在科研活动上，财经政法类与综合类、理工类高校有着明显差异，比如，对实验室、硬件设备等投入需求较低，研究领域紧密契合国家政治、经济、社会、文化发展中的重大理论和实践问题，科研成果里一般不含专利转换，但含较多的研究咨询报告等。另一方面，在时间选取上，大多为点而非区间，很多科研成果及获奖有明显的滞后性，跨时期的分析往往更能体现该类高校科研活动实际产出效率。

因此，本文将结合财经政法类高校科研活动的特点，选用科学有效的方法对科研效率进行客观分析和合理评价，找出财经政法类高校科研活动效率的共性与个性，以及科研资源配置中的不足，以此探索提高财经政法类高校科研效率的有效途径。

一、研究方法

数据包络分析法（data envelopment analysis）简称DEA，是由A.Charnes和W.W.Cooper等于1978年创建并命名的一种用于评价生产效率的非参数系统分析方法。该方法使用数学规划模型进行评价具有相同属性并具有多输入多输出的“单元”（称为决策单元decision making unit，即DMU）间的相对有效性[1]。根据对各DMU观察的数据判断DMU是否位于生产可能集的“生产前沿面”上，也即判断DMU是否为DEA有效。凡处在前沿面的决策单元被认定为投入、产出组合有效率，其效率值为1，不在前沿面上的则视为无效率，同时以前沿面上的有效点作为标准，比较后得到一个区间在0—1的相对效率值，等价于经济学中的帕累托有效性，这种相对有效性概念同样适用于教育资源优化配置的评价标准。

DEA技术发展至今，涌现了一系列应用于不同问题和评价环境的DEA模型。基本的模型有CCR和BCC，其中，CCR模型假定规模收益恒定，BCC模型则考虑了规模收益可变因素。还有为解决规模效率非递增情况下的效率评价而提出的FG模型、为解决非递减情况下的效率评价而提出的ST模型、为在多个决策单元同时有效时作进一步评价的超效率DEA模型以及基于时间序列的Malmquist指数模型等。

按照对决策单元无效率程度的核算方式不同，DEA模型也可分为投入导向、产出导向和非导向三种。投入导向模型重点核算的是在不减少产出的条件下，要达到技术有效，各项投入应减少的程度；产出导向模型重点核算的是在不增加投入的条件下，要达到技术有效，各项产出应增加的程度；非导向模型则同时从投入和产出两个方面进行核量与分析[2]。三种模型都能获得各决策单元的效率值，在规模收益不变的情况下，前两种方法核算出的效率值完全相等，但在规模收益可变的情况下，结果则可能不同，具体应用中以分析目的作为选取的主要依据。本文选用的是产出导向（Input Oriented）的规模收益可变（variable return to scale,VRS）模型，在此仅对本文用到的三种模型作简要介绍。

（一）BCC模型

假定现有n个决策单元（DMU），每个DMU有m个投入指标、s个产出指标，则第j个DMU投入产出向量为：

记 k∈{1，2，3，…，n} ，对第 k 个决策单元的相对效率在VRS条件下进行评价，则构成BCC模型，其生产可能集定义为：

其产出导向的BCC模型的表达式为[3]：

其中，xik和yrk分别表示DMUk的第i个投入和第r个产出。

在实际应用中可理解为，在生产集PVRS内寻找一个生产活动，其在投入的水平不超过Xk的同时使得产出Yk按同一比例尽可能增大。

（二）超效率BCC模型

传统的DEA方法可衡量一组决策单元的相对效率，但无法在多个决策单元同时有效的情形下进一步区分效率高低。为解决上述问题，Andersen和Petersen提出了一种超效率DEA模型。相比传统模型，该模型改进的地方主要是在参考集内移除了被测单元，再将其与剩下的决策单元的凸组合进行比较。

在VRS条件下的超效率DEA模型，其生产可能集定义为：

其产出导向的BCC超效率模型的表达式为：

（三）Malmquist指数模型

上述两类模型评价的是决策单元在同一时期的静态效率。为了多维度掌握资源配置情况，往往还要将决策单元放入时间维度中，对其动态变化趋势状况进行了解，比如，要从动态视角揭示高校科研投入产出效率的趋势及演变规律，加之人文社科类科研活动滞后性的特点，这就有必要建立模型对不同时期的面板数据进行计算，本文在此引入基于时间序列的Malmquist指数模型。

Malmquist指数是在距离函数概念的基础上建立起来的用于测量全要素生产率（total-factor productivity,TFR）变化的专门指数，可构造从t期到t+1期的Malmquist生产率指数以衡量技术效率变动、技术变动和全要素变动之间的关系。将Malmquist指数分解为技术效率变化指数（Effch）和技术进步指数（Techch）两部分，技术效率变化指数常被称为综合效率指数，可进一步分解为纯技术效率指数（Pech）与规模效率指数（Sech）两部分。在实际应用中，Malmquist指数模型常被用来评价决策单元效率的动态变化，进而分析决策单元生产力发展的决定因素，即是依靠技术进步还是自身的管理水平来改善[5]。

二、评价体系设计

在DEA方法中投入与产出的指标选取上，一般要求指标能反映分析者与管理者的关注要素，值可得且大于0。另外，决策单元的总数不应少于投入和产出指标数量的乘积，同时也不应少于投入和产出指标数量之和的3倍[6]。

高校科研活动投入指标往往指的是人力、物力、财力，鉴于物力的难以衡量性，也考虑到财经类高校科研活动的物力和财力主要还是由科研经费决定的特点[7]，依据《全国普通高校人文、社科类统计报表》的统计指标体系，本文选定人员与经费作为投入主体，选取研究与发展人员数作为人力的投入指标，选取高校当年科技经费拨入、课题经费当年支出作为财力物力的投入指标。

科研产出指标一般是科研成果、科研获奖以及科研项目，具体还可细分为5个三级指标，考虑到财经类高校科研成果的特点，本文参考了第四轮学科评估的科研指标并在此基础上进行调整，删除了科研成果中的“专利转化”，并将社会服务中的“研究与咨询报告数”纳入科研成果统计，具体如表1所示。

表1 科研效率评价指标体系

本文选取30所财经政法类高校作为决策单元组进行科研效率的评价研究，以探究财经政法类高校科研活动方面的共性与差异。所有分析数据来自于中国高校人文社会科学信息网2012—2017年《全国普通高校人文、社科类统计资料汇编》。特别需要说明的是，通过文献调研发现，少数几个财经类高校的科研活动包含了自然科学部分，但数量很小，比例极低，故在此未纳入分析。

三、实证分析

（一）各高校科研效率的静态分析

鉴于生产技术不断在进步，一般数据包络分析法的基本模型与超效率模型取的是类似决策单元在某一时点的截面数据，以比较多个决策单元在一定的技术条件下，投入能够在多大程度上有效率地用在产出的生产上。但实际应用中，不同于企业和经营单位，财经政法类高校的科研活动在技术进步、管理创新方面相对缓慢，所以本文忽略2012—2017年这六年间的技术水平差异，也考虑到科研活动延续性的特点，为了避免个别年份的数值存在极值现象，在此对30所财经政法类高校2012—2017年的数据进行了简单算数平均，并将时期数设置为1，以此来进行各高校科研效率的静态分析。

1.DEA基本模型效率分析。根据产出导向的规模收益可变模型以及指标设计体系，运用软件DEAP2.1和EMS1.3，对30所财经政法类高校的科研效率数据进行分析，结果如表2所示。

表2 30所财经政法类高校的科研效率情况

从表2可以看出，30所财经政法类高校中，DEA有效的共有11所，即技术效率为1的高校分别为：东北财经大学、上海财经大学、华东政法大学、江西财经大学、西南政法大学、西北政法大学、兰州财经大学、新疆财经大学、重庆工商大学、湖南商学院和内蒙古财经大学，占36.67%，另外19所高校均为DEA无效，占63.3%，这表明财经政法类高校的科研活动效率总体水平偏低。其中，中央财经大学、中国政法大学、对外经济贸易大学这类科研投入较高或产出较高的学校也为DEA无效，可见效率与投入或产出之间并非呈正相关[8]。

我们可进一步将技术效率分解成纯技术效率与规模效率来分析。从纯技术效率角度来看，有16所高校达到了有效，包括DEA有效的11所和贵州财经大学、西南财经大学、中南财经政法大学、中国政法大学、对外经济贸易大学，占53.4%，另外46.6%的财经政法类高校的科研资源配置管理技术水平还要提高。从规模效率角度来看，仅11所高校规模收益不变，表明其科研投入产出规模相对合理，可继续维持这种投入产出比，而另外19所高校的规模效率均需调整，如河南财经政法大学、湖北经济学院、吉林财经大学及南京财经大学4所高校规模收益递减，表明其科研投入规模应递减。其余15所高校规模收益递增，表明其科研投入规模应加大。可见，纯技术效率低、规模效率低是影响高校非DEA有效的主要原因。

2.DEA投影技术分析。针对14所高校纯技术效率无效的情况，在此采用DEA投影技术进行分析，以探索这些高校在科研资源配置方面的改进策略与调整幅度，具体结果如表3所示。

表3 非技术有效的高校投入冗余与产出不足情况

从表3可知，在14所非技术有效的财经政法类高校中，投入指标方面，有11所在“研究与发展经费当年投入”上存在投入冗余，占比78.57%，有9所高校在“研究与发展人员投入”上存在冗余，占比64.29%。产出指标方面，产出不足主要体现在“出版专著”“发表论文”，分别有9所和8所高校在这两项上产出不足。另外有6所高校在“国家与省部级研究与发展成果奖数”项上产出不足，而仅有2所高校在“课题数”项上产出不足。不难看出，2012—2017年间大部分财经政法类高校在课题数量方面有了长足进步，但在科研成果质量方面还需加大产出力度。

3.DEA超效率模型效率分析。通过建立产出导向的超效率BCC模型，对技术效率值进一步区分，在此仅列出11所DEA有效的高校技术效率排名情况。

表4 DEA有效的高校超效率值情况

从表4可知，11所DEA有效的高校中，超效率值最高的是内蒙古财经大学，为36.94%，超效率最低的是兰州财经大学，为91.28%。在产出导向的BCC模型中，DEA有效评价单元的评价值发生了变化，均小于1。以华东政法大学为例，超效率值为57.22%，表明即使高校在投入保持不变的情况下，将各产出按同一比例缩小到原来的36.94%，仍能保持相对有效。但如果缩小程度小于36.94%，则该高校相对于其他单元将成为非DEA有效单元。

（二）各高校科研效率的纵向动态分析

上述是对2012—2017年财经政法类高校科研投入产出数据的静态分析，因为数据是取的平均值，所以无法反映各高校科研效率的时序变化情况，也无法反映2012—2017年间财经政法类高校整体科研效率的纵向发展情况。为了将30所财经政法类高校放在时间维度中研究，就需选用这六年的面板数据，并引入Malmquist指数（包含横截面和时间序列的混合数据）。当Malmquist指数大于1，则表明该高校科研资源配置效率提高，呈现出科研资源优化配置状态；当Malmquist指数等于1，则表明该高校科研资源配置状态保持不变；当Malmquist指数小于1，表明该高校科研资源配置效率降低，科研资源配置状态趋于恶化。

1.财经政法类高校不同年份Malmquist及分解指数均值。在此运用DEAP2.1软件对30所财经政法类高校2012—2017年科研活动面板数据进行分析，结果如表5所示。

表5 财经政法类高校不同年份Malmquist及分解指数均值

鉴于高校科研活动不同于企业的生产活动，综合效率在此反映的是高校内部科研资源配置的总体效率，而技术进步指数则可理解为管理创新，即外部层面的管理政策变化等影响财经政法类高校科研资源配置效率的情况，与时期有关。这两个指标一起构成Malmquist指数，充分体现了财经政法类高校内外因素的影响及其带来的科研资源配置效率变化。

由表5可知，2012—2017年Malmquist指数的总体平均值仅为 0.925，且仅 2015—2016年的Malmquist指数大于1，且有8.2%的增长，这表明财经政法类高校科研资源配置的总体效率呈衰退趋势，即存在科研资源配置状态趋于恶化的倾向。综合效率的平均值为1.004（大于1），而技术进步平均值为0.922，反映了财经政法类高校内部科研总体效率呈上升趋势，且综合效率在拉动科研活动投入与产出资源配置效率方面的提升作用较大，而外部环境变化对高校科研效率的影响作用有减弱趋势。

通过进一步分解指数发现，纯技术效率的平均值为1.005，反映了这六年财经政法类高校科研资源配置的内部管理技术水平保持稳定。规模效率的平均值为0.998，反映了这六年财经政法类高校科研资源配置规模效率趋于衰弱，且现阶段拉动财经政法类高校科研投入与产出资源配置相对综合效率提高的主要因素是纯技术效率指数。

2.2012—2017年30所财经政法类高校科研活动Malmquist指数平均值。上述是财经政法类高校的整体发展趋势，接下来以高校为研究个体，探究2012—2017年各自的科研效率发展趋势。

表6 2012—2017年30所财经政法类高校科研活动Malmquist指数均值

（续表6）

表6是按Malmquist指数平均值高低进行的排序。如表所示，2012—2017年30所财经政法类高校中，Malmquist指数平均值大于1的仅有5所，占比为16.67%，分别是中国政法大学、首都经济贸易大学、上海财经大学、广东财经大学、东北财经大学，表明这5所高校的科研资源配置效率在不断提升，其中提升幅度最大的是中国政法大学，为13.1%，提升幅度最小的为东北财经大学，为0.3%。而其他83.3%的财经政法类高校在这6年间的科研效率没有得到足够改善。

图1 财经政法类高校各时期Malmquist指数＞1的数量

进一步按年度分析Malmquist指数大于1的高校情况，如图1所示。30所财经政法类高校中，仅在2015—2016年有 19所财经政法类高校的Malmquist指数大于1，表明大部分财经政法类高校该年的科研资源配置效率有所提高，其他年份Malmquist指数大于1的高校均不足一半，2016—2017年Malmquist指数大于1的高校数最少，仅为9所。

另外，通过比对各年度Malmquist指数大于1的高校可知，2016—2017年没有科研资源配置效率处于持续增长状态的高校，四年都保持增长的高校有中国政法大学、首都经济贸易大学，三年保持增长的高校有上海财经大学、广东财经大学、东北财经大学。

四、结论与建议

本文基于数据包络分析法，对国内30所财经政法类高校的科研活动相对效率进行了研究，主要结论有四个方面。

第一，科研资源的合理配置与有效利用是科研效率的决定因素。单一的科研高投入或科研高产出不等同于科研的高效率，投入资源发挥了最优效率才是关键。比如，从研究与发展经费收入来看，中国政法大学、中央财经大学均排名前三，而内蒙古财经大学排名29，在科研经费投入方面不及中央财经大学的十分之一，但在DEA相对效率值方面，中国政法大学、中央财经大学均为无效，而内蒙古财经大学为DEA有效，而且11所DEA有效的高校中，内蒙古财经大学超效率值最高。

第二，从静态分析来看，2012—2017年财经政法类高校的整体科研活动效率偏低，仅36.67%的高校为DEA有效，纯技术效率低、规模效率低是影响高校非DEA有效的主要原因。同时，通过投影分析可知，在非技术有效的财经政法类高校中，投入冗余主要集中在“研究与发展经费当年投入”“研究与发展人员投入”。而产出方面，大部分财经政法类高校在课题数量方面有了长足进步，但在“出版专著”“发表论文”“国家与省部级研究与发展成果奖数”方面，还存在不同程度的不足。

第三，从动态分析来看，2012—2017年财经政法类高校科研资源配置的总体效率呈衰退趋势，且相对技术进步指数而言，综合效率在拉动科研活动投入与产出资源配置生产率方面的提升作用较大。进一步分析综合效率可知，这六年间财经政法类高校科研资源配置的内部管理技术水平保持稳定，而规模效率趋于衰弱，且现阶段的综合效率主要受纯技术效率指数影响。

第四，从财经政法类高校的个体来看，2012—2017年DEA有效的有东北财经大学、上海财经大学、华东政法大学、江西财经大学、西南政法大学、西北政法大学、兰州财经大学、新疆财经大学、重庆工商大学、内蒙古财经大学、兰州财经大学共11所，其中，超效率值最高的是内蒙古财经大学，超效率最低的是兰州财经大学。Malmquist指数平均值大于1的有中国政法大学、首都经济贸易大学、上海财经大学、广东财经大学、东北财经大学共5所。可见上海财经大学、东北财经大学在这六年间不仅科研平均效率较高，而且科研资源配置趋于优化，而其余高校还需针对自身不足积极探索改进路径。

基于上述结论，在此提出三个方面的建议。

其一，加强对科研资源各项投入的合理配置与有效利用，尽可能达到规模收益最优。在“双一流”建设背景下，各高校亟需明确自身定位，充分挖掘特色与优势，集中科研资源有的放矢，而一味盲目地加大投入力度只会造成资源浪费，因此，有必要建立科研活动动态效率评价机制，在遵循教育发展规律的基础上，定期对科研情况进行动态监测与评价，将评价结果作为后续资源投入调整的重要依据。

其二，建立有效的激励机制和考核机制，充分释放研究人员的研究动力与创新活力，提升科研成果的产出数量和质量。尤其是要紧跟国家重大战略和经济社会发展的行业需求，突出财经政法领域的特色，多出高水平成果。

其三，鉴于46.6%的高校均存在纯技术效率指数低的问题，建议这些高校积极借鉴高效率高校的先进经验，积极完善内部的科研管理体制与运行机制，优化管理流程，改进技术水平。