政策文本视角下湖南省科技人才政策效率评估——基于超效率三阶段DEA模型

刘 媛 付 城

(中南大学 公共管理学院，湖南 长沙 410083)

0 引言

知识经济时代，科技创新成为推动社会经济发展的关键动力，人才作为第一创新资源，对科学技术和社会发展影响巨大。近年来，国家和地方政府对科技人才发展日益重视，出台了一系列指导政策。2006年，国务院颁布《国家中长期科学和技术发展规划纲要(2006-2020年)》，强调要加快培养造就一批高层次人才。2010年，《国家中长期科技人才发展规划(2010-2020年)》进一步指出，要大力推进科技人才队伍建设，特别是加强高层次创新型人才队伍建设，带动各类科技人才队伍全面发展，把我国科技人才工作推向一个新高度。

湖南出台了一系列科技人才政策，如2006年出台了《湖南省引进国外智力工作“十一五”规划》，2007年出台了《湖南省科技领军人才培养计划》，“十二五”期间又相继颁布了《湖南省“海外名师项目”》《湖南省中长期科技人才发展规划(2011-2020年)》等。据《中国区域科技创新评价报告2016-2017》显示，截至2015年末，湖南省R&D研究人员数居全国第12位，但科技活动产出指数为42.14%，低于全国平均水平指数(67.46%)，排在第18位。这些政策是否取得相应经济效益和社会效应，如何科学评价这一系列科技人才政策有待考证。本文通过对湖南省“十一五”至“十二五”期间出台的各类科技人才政策效率进行定量评估，研究湖南省科技人才政策中的不足，提出针对性政策建议，提升湖南省科技人才政策在全国的竞争力。

1 研究综述

政策效率是政策效益与政策投入间的比率[1]，政策效率是评估一项公共政策是否达到预期目标必不可少的评估标准。Fischer[2]和梁鹤年[3]都主张政策评估要考虑效率标准。Dunn[4]认为，政策评估标准包括效率、效果、公正性、充分性、回应性和适当性6个类别。基于政策效率内涵，科技人才政策效率是指科技人才政策投入与科技人才政策应获得收益间的关系。本文中政策投入可用科技人才政策数量衡量，韩永辉等[5]以政府法规规章数量度量产业政策，论证这种做法的可行性与合理性；政策收益则是指科技人才集聚程度和科技创新活动成果。

随着创新驱动发展等重大战略的实施，我国对发展科技人才工作越发重视，各级政府出台的科技人才政策日益增多，学界对科技人才政策进行了深入研究,但有关科技人才政策效率评估的研究较少。已有政策效率研究中主要有3种研究方式：一是以政策数量作为投入指标评估政策效率。如林芳芳等[6]选取科技成果当年政策总数作为投入指标研究政策对科技成果转化效率的影响；王菲菲等[7]以政策文件替代计量数据，测度学术成果利用效率和政府关注程度。二是以人力、物力和财力等物质性投入构建指标体系评价政策效率。如徐军玲等[8]以政府现金救助和公共服务为指标，实证检验我国城乡流动人口减贫政策效率；王翠霞等[9]以成本收益分析为依据，将可持续经营作为标准评价农业废弃物第三方治理中政府补贴政策效率。三是对政策赋值打分后进行政策效率分析，如彭纪生[10]、李伟伟等[11]学者。本文认为，政策文本反映政府政策行为，是记述政策意图和政策过程的客观凭证，而第二种方式只关注政策中的物质因素，忽视了政策自身这一重要因素，第三种方式则难以对科技人才政策体系中各类人才开发要素进行分类研究。因此，本文选取第一种方式度量科技人才政策，研究科技人才政策效率。

在研究方法选择上，不同学者基于各类方法，如计量经济方法、数据包络分析方法(DEA)和随机前沿面的方法(SFA)对效率评价进行多角度分析[12-14]。数据包络分析方法是评价多项投入与产出的决策单元(DMU)相对有效性的一种数量分析方法，且无须事先设定指标权重，可避免人为主观意愿对评价结果的影响，是目前国内政策效率评估研究中最常用的方法之一。例如，温涛等[15]运用数据包络分析法对财政支农政策促进城乡经济一体化发展效率进行评价；王韧等[16]使用三阶段DEA模型对我国内地31个省、市、自治区农险补贴政策效率进行比较分析；周博文等[17]运用DEA模型构建评价框架，研究众创政策对我国大众创新创业效率的影响。因此，本文基于政策文本，以湖南省为例，通过超效率三阶段DEA模型对湖南省2006-2015年科技人政策效率进行定量评估，分析具体政策类别对政策效率的影响程度，针对如何提高科技人才政策效率提出建议。

2 研究设计

2.1 指标选取

(1)政策投入指标。科技人才政策是指国家机关、政党及其它政治团体为规范科技人才行为而制定的行为准则，以及其它主要目标诉求不仅仅是针对科技人才，但含有科技人才的内容，或者是适用于科技人才的准则[18]。目前，学界关于科技人才政策的研究通常基于人才开发要素将科技人才政策分为人才引进、人才培养、人才激励、人才保障(或人才安全)、人才评价和人才流动等政策类别[18-19]。本文在已有研究的基础上，结合湖南省现有科技人才政策的实际内容，通过与人力资源管理领域专家进行研究论证后，将湖南省科技人才政策分为科技人才引进与流动政策、科技人才激励和保障政策、科技人才评价与选拔政策，以及科技人才培育政策4个类别。因此，在投入指标选取上，本文根据政策内容要素划分而来的上述4类科技人才政策数量作为投入指标。

(2)政策产出指标。本文参考Chapple[20]、Montresor[21]、Bhutto[22]和文革[23]等的处理方法，选取发明专利授权数、科技论文数、技术市场成交额和R&D(研究与试验发展)人员全时当量作为科技人才政策的产出指标。其中，发明专利授权数、科技论文数和技术输出合同成交额3个指标衡量科技创新活动成果；R&D人员全时当量表示科技人才集聚程度。湖南省科技人才政策效率评估指标体系如表1所示。

表1 科技人才政策效率评估指标体系

(3)环境变量。科技人才政策绩效除受政策因素影响外，还受到一系列环境因素的影响。通过文献梳理，本文选取教育水平、科研资助水平和经济发展水平作为环境变量：①教育水平(edu)。教育与科技人才资源形成密切相关，地区教育水平决定科技人才开发程度，影响科技人才政策效率[24]，本文选取高校专任教师数反映教育水平；②科研资助水平(R&D)。科研资助投入越多，越能给科技人才提供良好的科研环境，对吸引科技人才和促进科技创新产出具有明显的杠杆效应[25]。本文选取科研经费投入强度，即R&D投入占GDP比重衡量科研资助水平；③经济发展水平(GDP)。地区经济发展水平的是影响科技人才集聚和科技创新成果转化的重要因素之一，本文选取人均GDP反映经济发展水平。

2.2 数据来源

科技人才政策选取遵循以下步骤：首先，选取“科技、人才、科学技术、创新”等10个关键词，以2006-2015年为时间区间，通过湖南省各政府门户网站、北大法宝数据库进行检索，初步获取科技人才及相关政策文本152篇；其次，邀请该研究领域专家对样本进行筛选，剔除掉相关性较小和意见重复的政策；最后，得到112篇政策文本。考虑到政策作用的时效性，本文以2006年为起点，确定政策作用时间跨度后，各年份科技人才政策数由以前年度政策数累加得出[26]。环境指标数据均来源于2007-2016年《中国统计年鉴》和《中国科技统计年鉴》。

由于政策实施效果一般具有1～2年滞后期，本文中各项科技人才政策产出指标选取滞后1年，即用2007-2016年数据评价2006-2015年湖南省科技人才政策效率。各指标原始数据均来源于《中国科技统计年鉴》(2008-2017年)《中国统计年鉴》(2008-2017年)。

2.3 湖南省科技人才政策三阶段DEA评估模型

(1)第一阶段：超效率模型。传统DEA模型主要有Charnes Cooper & Rhodes[27]提出的基于规模收益不变的CCR模型，以及Banker Charnes & Cooper[28]改进的规模收益可变BCC模型。但传统DEA模型只能评价决策单元有无效率，无法对有效决策单元进行比较。超效率(Super Efficiency，SE)DEA模型克服了传统DEA模型的缺陷，使得有效决策单元间可以进行排序比较[29]。因此，第一阶段采用投入导向的超效率CCR模型，表达式如下所示：

(1)

其中，Xij、Yij分别表示第j个DMU的第i项投入和产出，θ表示第j个DMU的相对效率值，SE-DEA模型与传统模型的区别在于增加了j≠k这一条件，使得有效DMU值可以大于1。

(2)第二阶段：SFA模型。将第一阶段,DEA分析得到的投入变量松弛值作为被解释变量，将环境变量为解释变量进行随机前沿分析(Stochastic Frontier Approach, SFA)，回归模型如下：

LnSij=β0+Lnβ1(edu)+Lnβ2(R&D)+Lnβ3(GDP)+vij+uij

(2)

其中，Sij表示第j个DMU第i项投入因素的松弛值，即实际投入和理想投入间的差额；β为回归系数；vij为随机误差项，uij为政策无效率的随机变量，vij+uij为残差项。

(3)

3 实证分析

3.1 因子分析

DEA模型一般要求决策单元(DMU)数量k与投入指标数量m和产出指标数量n满足关系k≥(m+n)*2，因此为满足DEA模型自由度要求，确保评估结果可信，本文采用SPSS21软件对产出指标进行因子分析，结果如下：

KMO值超过0.5(KM0=0.716>0.5)，说明产出指标数据适合进行因子分析；Bartlett球体检验显著水平小于0.01，表明可进行因子分析。分析结果如下：①方差分解表表明，第一特征值累计方差贡献度为91.872%，故提取一个公因子Y1；②结合碎石图判断，第2、3、4个特征值差异度很小；③4个产出指标在公因子Y1上均具有很高的载荷(分别为0.9；0.986；0.959；0.83)，表明提取的公因子可以很好地描述这4个指标。因此，将公因子Y1命名为科技人才集聚与活动产出。这也说明科学技术创新及其产业发展离不开科技人才这一核心要素，科技人才集聚会加快创新资源集聚，提高科技创新能力和科技产出[30]。

3.2 超效率三阶段DEA模型分析

(1)超效率DEA第一阶段结果分析。选取科技人才引进和流动政策、科技人才激励与保障政策、科技人才评价与选拔政策和科技人才培育政策为政策投入变量，科技人才集聚和活动产出作为政策产出变量，选择投入导向评价效率。MaxDEA软件运行结果如表2所示。

从政策效率看，2006-2015年湖南省科技人才政策技术效率平均值为1.147，纯技术效率平均值为1.370，规模效率平均值为0.840，技术效率和纯技术效率均超过有效前沿面，而规模效率低于有效前沿面，且技术效率值小于纯技术效率值。另外，从具体年份可以看出，除2012年外，各年度政策纯技术效率值均高于1，但只有2006年、2008-2011年5个年份技术效率值超过1，说明规模效率不高是导致政策绩效空白的主要原因。从规模报酬方面看，除2010年外，2006-2011年均处于规模报酬递增阶段，说明科技人才集聚和科研活动成果增长处于发展阶段。而从2012年开始，规模报酬均处于递减阶段，说明湖南省“十二五”期间科技人才规模集聚程度和科技创新产出增长量相较“十一五”期间有所下降。

(2)第二阶段SFA结果分析。第二阶段进行SFA回归分析主要是为剔除外生环境变量及随机误差项的干扰。将第一阶段DEA分析得出的投入变量松弛值作为被解释变量，将教育水平(edu)、科研资助水平(R&D)、经济发展水平(GDP)作为解释变量。利用Frontier4.1软件，采用最大似然估计，回归结果如表3所示。

表2 超效率DEA模型第一阶段湖南省科技人才政策效率值

注：TE表示技术效率值，PTE表示纯技术效率值，SE表示规模效率，RTS表示规模报酬，TE=PTE*SE。数据四舍五入保留至小数点后三位，下同

表3 第二阶段SFA回归结果

注：*， ** 和 *** 分别代表 10%，5% 和 1% 的显著性水平。括号内为t统计量

由于第二阶段回归被解释变量为DMU投入量的松弛变量，回归系数为正，表示外生环境变量增加会增加政策投入冗余量而导致政策效率低下；当回归系数为负，表示环境变量增加可减少政策投入冗余，提升科技人才政策效率。

SFA回归结果表明：①教育水平提高，引进与流动政策、培育政策冗余程度增加而评价与选拔政策、激励与保障政策冗余程度减少。这说明，教育水平提高促进科技人才知识和技能水平提升的同时，还会带来其需求层次提高。因此，较高教育水平能满足科技人才高层次需要的激励与保障政策、评价与选拔政策效率提升；而教育水平越高，地区科技人才资源越丰富，将会导致对引进外来人才需求量降低，以及造成培育科技人才专项政策效率冗余。②科研资助水平提高会减少引进与流动政策、培育政策的松弛变量。这主要是因为，科技人才开发离不开科研经费投入，科研投入越多，对本地区科技人才培育程度和其它地区科技人才吸引力度越大；③经济发展水平对四类科技人才政策系数均为正，且都通过显著性水平检验，表明人均GDP越高所需政策越少，会增加政策投入冗余程度，造成政策效率低下。该结果与陈诗一等[31]的研究结论相吻合，验证了经济发展水平越高越容易造成资源浪费，说明经济快速发展与政策投入效率间并非绝对正向促进关系；④σ2统计量均通过显著性水平检验说明了环境变量对政策投入松弛变量影响较为显著，因此在评价科技人才政策投入效率时应先剔除环境因素和随机干扰因素的影响。

(3)调整后第三阶段结果分析。将调整后的投入变量进行第三阶段超效率DEA分析，得到同质环境下的科技人才政策效率值，结果如表4所示。从中可见：①调整投入变量后技术效率平均值与纯技术效率平均值分别由1.147、1.37下降至0.946、1.059，规模效率平均值由0.840上升至0.893，说明湖南省科技人才政策效率在很大程度上受教育水平、科研投入水平和经济发展水平等外生环境变量与随机干扰因素的影响；②调整后2006-2010年政策效率平均值由1.283下降至0.845，而2011-2015年政策效率平均值由1.010上升至1.046，说明实际上“十二五”期间政策效率高于“十一五”期间；③从规模报酬增减情况看，2010年经调整后规模报酬由递减变为递增，其余年份未发生变化，与第一阶段分析结果基本一致。

综上所述，可以看出科技人才政策效率受教育水平、科研资助水平和经济发展水平等环境因素和随机干扰因素的显著影响，这也证实进行第二阶段SFA回归分析的必要性。各年度间科技人才政策效率存在较大差异，只有2011年和2013年超过有效前沿面，表明科技人才政策效率还有较大提升空间。虽然“十二五”期间科技人才政策效率整体上高于“十一五”期间，但“十二五”期间科技人才政策规模报酬基本上为递减。在仔细阅读各年度政策后发现，“十二五”期间湖南省出台的科技人才政策在内容上与“十一五”期间颁布的政策存在趋同性，说明未根据经济社会发展需要和科技人才特征制定相应科技人才政策可能会造成科技人才集聚程度和科技创新产出增长量在规模效应上递减，导致政策规模报酬利用率下降。

表4 超效率DEA模型第三阶段湖南省科技人才政策效率值

表5 湖南省科技人才政策敏感性分析

注：模型1-模型4中加粗斜体数值表示与原模型存在差异的数值

3.3 政策影响效应分析

为探究湖南省具体某类科技人才政策对总体政策效率的影响程度，本文通过依次单独剔除各项政策投入指标得出效率值，对比分析其与原始效率值差异，从而进行政策影响效应分析。由于规模效率和纯技术效率影响包含在技术效率中，因此通过比较剔除某类政策与总体政策的技术效率值判断具体该政策对效率的影响程度更符合理论现实。

表5中，原模型即超效率DEA第三阶段的技术效率值，模型1至模型4分别是依次单独剔除第二阶段调整后的人才引进与流动政策、人才激励与保障政策、人才评价与选拔政策、人才培育政策等投入变量后的模型，当剔除掉某类政策投入变量后得出模型技术效率值相较于原模型在多个年份发生变化的情况，即此类政策对科技人才政策效率有较大影响。模型1-模型4与原模型存在差异的数值用加粗斜体数值表示。从表中可以看出，4类科技人才政策对政策效率均有影响，其影响程度排序为：人才培育政策>人才激励与保障政策>引进与流动政策>人才评价与选拔政策，说明科技人才政策工作有待加强，尤其是科技人才培育政策和科技人才激励与保障政策工作改进对当前和今后一个时期政策效率具有显著提升作用。

4 结论与启示

本文通过超效率三阶段DEA分析对湖南省2006-2015年科技人才政策效率进行评价，解决传统DEA模型无法对超过有效前沿面年份进行比较的难题，同时排除环境变量和随机干扰因素对政策效率测算的影响，能够准确评估科技人才政策效率。此外，本文通过政策影响效应分析了解具体政策类别对科技人才政策效率的影响程度。

本文研究发现：①经过政策要素投入调整，科技人才政策效率出现一定幅度下降，政策资源配置未到达效率最优状态，政策效率还有很大提升空间；另外，规模效率未达到有效前沿面且小于纯技术效率，说明科技人才政策效率总体水平主要受规模效率的抑制。因此，应该调整政策规模，集中配置政策资源；②运用SFA模型剔除外生环境变量和随机误差影响后各年份效率值均发生明显变化，说明外部环境因素造成了科技人才政策效率差异，影响科技人才集聚和科技活动产出。因此，通过提升教育质量、加大科研投入水平可有效促进科技人才政策效率提升；③从时间演化趋势看，“十一五”期间湖南省科技人才政策效率规模报酬呈递增状态，而“十二五”期间规模报酬情况则为递减。研究发现，这与十年间政策存在趋同性具有一定联系；④通过政策影响效应分析发现，人才培育策和人才激励与保障政政策是制约科技人才政策效率的重要因素，在制定科技人才政策时如何提升政策措施间的协同性，做好科技人才本土化培养与分类激励，对提高科技人才政策效率具有重要意义。

通过对湖南省近10年科技人才政策效率进行研究，得出如下启示：①加大政策投入，建立和维护有利于科技人才集聚和创新的环境，特别是在教育和科研投入等方面政府应给予更多支持；②根据不同时期经济社会发展的现实需要和科技人才特征制定与本省相适应的科技人才政策，确保政策具有持续影响力；③完善科技人才政策结构，尤其加大对科技人才培育政策、科技人才激励与保障政策的投入。