“双一流”高校科技创新效率特征研究

郑琇文 阮红伟 赵鑫玉 杨佳龙 杨景雯 陈柔洁

(1.青岛大学 商学院；2.青岛大学 数学与统计学院，山东 青岛 266071)

0 引言

党的十九届五中全会对构建新发展格局、深化改革开放、创新驱动发展做出部署，把科技自立自强作为国家发展的战略支撑。而高等学校作为国家科技创新体系的核心组成部分,其科研绩效直接反映国家科技发展的自主创新能力。同时2020年作为首轮“双一流”建设的收官之年，“双一流”建设政策的实施给入选的高校带来了可观的财政拨款，但科研经费的支持是否有效提升了各高校的科技创新水平仍是亟待考量的问题。研究高校科技创新绩效现状，发掘制约高校科技创新绩效提升的因素，对于更科学、合理、高效地配置和运营有限的科研资源，实现我国科技自立自强具有十分重要的战略指导作用。

高校创新绩效是学者关注的重点，而在已有研究中，对科技成果转化效率进行评价时，国内外学者的注意力主要集中在研究方法以及研究工具的选用。例如，周静等运用1994-2002年间的全国高校数据对不同地区高校的制度效率和规模效率进行了研究；张海燕等则运用2002-2005年的统计数据对全国30个地区的高校的科技创新效率进行了分析和实证研究；Johnes 等采用传统的DEA方法，考察了英国大学经济系的研究效率。上述研究大多是对面板数据进行处理后，对某个地区以及某一时期内高校科技创新效率进行比较得出结论，在一定程度上缺乏对整体的演化路径和趋势的比较，而且传统的数据包络分析模型在挖掘历史数据的深层信息方面存在不足。DEA方法被广泛应用于分析学科绩效评价的有效性，因此本文引入DEA模型，在进行主成分分析后，加入Malmquist指数分析，“进一步深化研究，以期能够找到高校科技创新效率的影响因素，为高校科研效率的提升提供新视角。

本文通过构建我国“双一流”背景下高校科技创新能力的评价指标体系，引入DEA和Malmquist指数法进行数据处理，测算高校科技创新过程中技术效率、技术进步及全要素生产率增长情况，考察2009-2017年我国高校科技创新全要素生产率的变化规律，分析影响高校创新能力与效率提升的因素。并创新地将40所高校分成四种不同类型进行数据处理分析，进而给出具有针对性和可操作性的相关建议，对提高不同学科的自主创新能力具有建设性意义。

在现有研究的基础上，因数据缺失以及代表性问题，剔除国防科技大学、中央民族大学两所双一流高校，本文将对“双一流”背景下的40所世界一流大学进行研究。下文所提到的“双一流”高校皆指40所世界一流大学。

1 研究方法与指标选取

1.1 数据包络分析法

数据包络分析(Data envelopment analysis, DEA)是在“相对效率评价”概念的基础上发展起来的，属于一种处理多投入和多产出指标复杂系统的非参数分析方法。其基本模型是1978年由美国著名运筹学家A.Charnes和W.W.Cooper提出的CCR模型，即在规模报酬不变的假设前提下用于评价决策单元技术的总体有效性。

DEA通过对数据进行处理，可以得出每个决策单元(DMU)综合效率的数量指标，再进行定级排队。在确定有效的决策单元的同时，DEA数据处理结果也能计算非有效的决策单元程度。通过进一步分析相应决策的改进方向及路径，从而辅助决策者以提供重要的管理决策信息。

在CCR模型下的DEA有效，必须同时满足“规模有效”和“技术有效”。为了衡量分析决策单元在不同规模报酬状态下的相对效率需要在CCR模型中加入凸性限制条件，修正为BCC模型，即基于可变的规模收益计算决策单元的纯技术效率。本文将运用BCC模型进行相关数据计算及结果分析。

设有n个DMU，使用m种投入指标，生产得到s种产出。其中，任意一个DMUj的第i种投入和第r种产出可以表示为：xij和yrj,i=1,2,…,m.,r=1,2,…,s.,j=1,2,…,n.则参考集可以表示为：

生产可能集可定义为：

T{(X,Y)|投入X可以生产Y}>

被评价单元的效率值可以由下列公式计算出：

wi≥0,i=1,2,…,m

ur≥0,r=1,2,…,s

其中，参数ur和wi分别表示第r种产出和第i种投入的权重指标。θd表示第d个DMU的效率值，当且仅当θd=1时，DMUd有效。在BC2模型中，通过转化后求对偶模式得到其投入、产出导向的包络模型：

1.2 Malmquist指数

Malmquist指数，即全要素生产率指数(Toal Factor Productivity, TFP)，利用距离函数的比率来衡量一定时间内总投入与总产出生产效率之比。1978年Malmquist与Charnes等建立的DEA理论相结合后，被广泛应用于各个部门、行业的生产效率变化测算。

传统的DEA模型主要针对同一时期的截面数据进行测量，即局限于单一时间点的静态效率。而Malmquist指数模型则可以将不同时期的面板数据进行动态和纵向测算。将DEA和Malmquist指数模型融合分析高校科技创新效率，一方面可以进行优势互补，突出不同学科投入、产出之间以及同一学科在不同时间点的动态对比；另一方面有助于更全面地衡量学科绩效水平，清晰反映在一定时期内科研经费配置的真实情况。

Malmquist(xt+1,yt+1,xt,yt)=

其中(xt,yt)，(xt+1,yt+1)分别为t时期的投入量和t+1时期的产出量，Dt,Dt+1分别表示不同时期的距离函数。

分别表示技术效率变化和技术进步对高校科研全要素生产率变化的相对贡献。

1.3 指标选取

科技创新效率评价需要综合考虑不同学科建设和发展中投入产出所包含的多元要素以及相互之间的逻辑联系，充分体现优势高校建设的全过程。由于变量间相关程度越高，主成分分析的效果越好；且鉴于部分产出变量(例如专著数)存在的整数约束性质和价值偏好关系，充分考虑数据的合理性以及可获取性，本文选取的产出指标X为：专著数、出版论文、鉴定成果数、技术转让当年实际收入、成果授奖数； 投入指标Y为：教学与发展人员、研究发展全时当量人员、科技经费当年拨入和内部支出、科技课题总数、科技课题当年投入人数和拨入经费、支出经费。

2 数据处理

主成分分析法(Principal Component Analysis ,PCA)利用降维的思想，从研究相关矩阵内部的依赖关系出发，在损失很少信息的情况下，将原来错综复杂的多个变量重新组合成几个互不相关的综合变量。运用PCA处理指标，可以简化因数据过多造成的复杂性，获得最佳变量指标集合，使模型更易于做结构分析、控制和预报。

本文运用SPSS19.0软件对2009—2017年的指标数据进行PCA降维处理。以2017年数据为例，根据KMO和Bartlett检验表明(见表1)：Bartlett值为577.856，P<0.0005，因此Bartlett检验拒绝零假设，相关系数不是单位矩阵，可以进行因子分析；KMO值为0.738，大于0.7，表明变量间的相关性较强，偏相关性较弱，因子分析的效果较好。

表1 KMO和巴特利特检验

进一步进行归一化处理取特征值大于1的变量，根据特征值累计方差百分比(见表2)，得到3个产出变量(X)累计贡献达85%以上，可解释大部分方差，因此使用3个产出变量代替原来的5个产出指标。同理，根据表3使用2个投入变量(Y)代替原本的8个投入指标，其他年份数据也得出相同结论。

表2 X总方差解释

表3 Y总方差解释

3 实证分析

3.1 40所高校综合分析

3.1.1 横向静态对比

运用DEAP2.1软件进行DEA分析，计算得出2009-2017年期间40所“双一流”高校每一年的科技创新效率及其分解情况，首先对这些数据进行了静态横向的对比分析。由表4可知，2009年仅有中国人民大学、山东大学、华中科技大学、清华大学和北京航空航天大学5所高校达到DEA有效，说明此时大部分高校科技成果产出较低，没有达到最有优模状态。对其余35所高校数据进行分解分析，发现呈现规模报酬递增现象的高校达91.4%，产出不足的高校达85%，没有投入冗余的高校，此时增加投入科研经费与科研人员等对高校科研发展具有巨大推动作用。

表4 高校的科研效率及其分解

2015年国家正式提出建设“世界一流高校”和“世界一流学科”，此时依然仅有5所高校达到DEA有效，相较于2009年并没有增加，但DEA有效决策单元发生了变化，5所高校分别为中国人民大学、郑州大学、清华大学、北京航空航天大学和东北大学。对其余35所高校数据进行分解分析，此时65.7%的高校呈现规模报酬递减现象，82.5%的高校产出不足，17.5%的高校投入冗余，说明大部分高校科研效率规模不经济，投入指标分配利用不合理，很可能为投入冗余的影响。

2017年数据显示，7所高校达到DEA有效，在2015年的基础上增加了吉林大学和北京理工大学，70%的高校产出不足，62.5%的高校投入冗余。此时，40.6%的高校呈现规模报酬递减的现象，相较于2015年减少了25.1%，但投入冗余高校占比率迅速增长。一方面是因为国家越来越重视高校科技创新发展，对高校资源投入力度大幅增加，2017年，全国教育经费总投入为42562.01亿元，比上年的38888.39亿元增长9.45%。但从2009年至2017年产出不足的高校仅减少15%，投入冗余的高校增长至62.5%，由此可以看出国家对各高校间的资源投入没有得到合理的分配，各高校校内资源未得到有效的利用，科技成果产出未达到最优规模状态，从而导致产出不足，且造成了资源的浪费。另一方面，规模报酬递减现象仍较为严重，这也导致了规模效率未达到有效性，应通过调整优化投入结构来实现规模经济效益，我国高校科技创新效率增长仍较为缓慢。

3.1.2 Malmquist动态对比

对2009—2017年的面板数据进行DEA-Malmquist 分析，40所世界一流大学各类指数的平均值中(见表2)，技术效率指数、纯技术效率指数、规模效率指数均大于1 ，其中由于技术进步指数小于1，进而使全要素生产率等于0.973<1。这9年来国家对高校资源配置进行了较为合理的分配，高校内部管理水平提高，对科研人员、科研资金进行了合理的安排，科研规模扩大，投入的师资水平提高，科研课题增加。但科技进步程度影响科研效率的提高，高校的科研效率整体呈现衰退现象，创新绩效未得到改善，各高校资源未得到充分的利用，科技创新效率仍然较低，创新力度不够。其中2015-2016年的技术进步指数仅为0.52，远低于平均值0.957，根据《科技进步评价报告2015》显示，与2014年比较，全国综合科技进步水平指数比上年提高了2.94个百分点，但我国科技创新仍显乏力。

40所高校根据全要素生产率指数排序情况如表6所示，可以看出仅有十所高校达到了DEA有效，分别是清华大学、郑州大学、中南大学、浙江大学、中山大学、上海交通大学、兰州大学、云南大学、复旦大学、和南开大学。其中清华大学的全要素生产率为1.088，是40所高校中的最优科研效率状况，但也仅以8.8%的科研效率速度进步，科研效率增长速度较低。在DEA有效的10个高校中，有5所高校未达到规模效率有效性，因此高校还需调整投入结构，避免资源的浪费。在未达到DEA有效性的30所高校中，数据显示均未达到技术进步有效性，主要的影响因素为国家宏观层面管理制度的创新和整个高等教育系统的技术进步指数，由此也可以看出技术进步指数是影响全要素生产率的主要因素。

表5 2009-2017年年度平均Malmquist 指数及其分解

表6 “双一流”高校科技创新Malmquist 指数及其分解

续表6 “双一流”高校科技创新Malmquist 指数及其分解

3.2 四类高校对比

本文将所研究的40所世界一流大学分成综合类、理工类、师范类和农林类四类高校(如表4)进行数据处理分析，分析“双一流”背景下各类高校的科研定位对科技创新效率的影响，结合资源配置问题，更具有针对性的指出影响各大高校科技创新能力和效率提升的因素，得到的科技创新效率及其特征更具有代表性。

表7 40所高校分类

3.2.1 综合类高校

在所研究的40所 “双一流”高校中，综合类高校共有25所，对它们进行DEA-Malmquist分析处理，由表8可知，2009-2017年综合类高校全要素生产率水平为0.997<1，主要是由于技术进步指数为0.994<1导致，说明了国家宏观层面的科技法规、制度，和创新体系的技术进步未达到最优状态，整体呈现小幅衰退现象。又因为纯技术效率>1,综合类高校的科技创新能力持续发展但质量不高，技术进步指标影响着高校的成果产出质量，是创新生产率提高的主要动因。

表8 综合类高校年度平均Malmquist 指数及其分解

3.2.2 理工类高校

所研究的理工类高校共有11所，根据表9，全要素生产率水平为0.955<1，技术进步指数为0.928<1，这两个指标明显小于综合类高校的，而技术效率变化指数、纯技术效率指数和规模效率指数都稍大于综合类高校，这说明国家对理工类高校的管理水平较低于综合类高校，但理工类高校的资源利用、科研规模和创新力度都稍强于综合类高校。其中4类高校中，仅理工类高校的规模效率高于纯技术效率，说明理工类高校的科技成果转换率较高。同时由2015年的自然指数报告得知，针对科研论文数据，综合类的高校在综合性全球科研机构以及化学、地球与环境科学、物理科学三大学科排行榜中总体增幅较大，综合类高校科研实力稍强于理工类高校，但两者科研效率都小幅衰退。

表9 理工类高校年度平均Malmquist 指数及其分解

3.2.3 农林类高校

本文所研究的农林类高校仅中国农业大学和西北农林科技大学两所，数据处理结果如表10所示，技术变化指数、纯技术效率指数、规模效率指数均等于1，技术进步指数等于全要素生产指数均大于1，进一步说明了技术进步指数是影响全要素生产率的主要因素，但平均的全要素生产率只有1.4%的增长，科研效率的改善没有得到大幅度的提升。其中仅有2011年、2014年、2016年的科研效率大幅增长，且都在26%以上，其他年份均呈现负增长现象，同时这三年的技术进步指数也呈现大幅增长的现象。规模效率指数呈现“衰退-增长-趋于1”的循环调节机制，表明农林类院校进行了有效的投入水平调整，注重资源配置与使用情况，关注规模效益。

表10 农林类高校年度平均Malmquist 指数及其分解

3.2.4 师范类高校

本文所研究的师范类高校也仅有北京师范大学和华东师范大学两所，根据表11可知，师范类高校的指标指数现象与农林类院校相似，但特别的是2014-2015年，全要素生产率大幅增加83.7%。2014年北京师范大学以管理信息建设为重点支持世界一流大学的建设，积极推进信息化与管理服务的融合与创新，促进高效管理与科学决策，支撑人才培养与科学研究创新。华东师范大学则是贯彻落实教育综合改革精神，进一步增强改革的系统性、整体性、协同性，激发办学活力，提高办学水平，全面推进学校综合改革。师范类院校的综合技术效率、纯技术效率、规模效率每一年度均为1，技术进步效率、科研效率呈现2.8%的增长率，说明师范类高校科技创新环境良好且稳定，政策支持与高校管理相协调匹配。

表11 师范类高校年度平均Malmquist 指数及其分解

3.2.5 与全国不同类型高校的比较

根据国际通用科学研究分类方法，我国将高校划分为六种不同类型，即：综合大学、工科院校、农林院校、医药院校、师范院校和其他。表12是2009-2017年间我国六类高校Malmquist 指数及其分解情况。数据显示，我国6类高校的全要素生产率均呈衰退状态，整体的技术进步变化指数均<1，而“双一流”背景下农林类、师范类院校的技术进步变化指数>1，可以看出国家层面对“双一流”背景下农林类、师范类院校的管理制度与政策支持优于全国的平均水平，且资源投入与使用效率均高于全国平均水平。除了政府财政支持以外，社会力量支持教育事业发展是学校多元化收入体系的重要渠道，和世界一流大学相比，我国大部分高校的社会筹资能力还有广阔的提升空间，需要解决规模小、增值慢、渠道窄、规范弱等问题。基于全国的六类高校全要素生产率及其分解情况，全国6类高校的科研效率与“双一流”背景下的4类高校存在着一定的差距。

表12 全国六类高校Malmquist 指数及其分解

我国的医学类院校全要素生产率高于全国水平，但优势并不突出。我国目前的42所世界一流大学中没有医学类高校，仅有医学学科入选世界一流学科，其中北大、复旦、上海交大、川大、华中科大、浙大、中山大学等综合类高校受益最大，均有多个医学类学科入选一流学科。2020年9月国务院办公厅《关于加快医学教育创新发展的指导意见》报告中，明确提出在一流大学和一流学科建设中，加大医学及相关学科建设布局和支持力度。今年在疫情的挑战下，国家实施健康中国战略的新要求、世界医学发展的新要求，我国的医学学科发展需加速创新，高校人才培养结构亟需优化。

4 评价与对策

4.1 主要结论

本文运用了DEA-Malmqiust模型和PCA方法对“双一流”背景下40所世界一流大学2009-2017年的静态、动态科研效率发展状况展开分析，并从技术效率变化、技术进步变化、纯技术效率、规模效率和全要素生产率5个维度进行评价：

(1)整体上看，2009-2017年我国世界一流大学的科研效率呈下降趋势，从四大高校类别来看，农林类和师范类高校科技创新效率成果显著，而综合类高校和理工类高校发展则较为滞缓。高校科技创新效率提升的制约因素主要为技术进步指数的衰退。除此之外，国家宏观层面的管理与制度创新、技术的先进性和可持续发展也发挥着决定性的作用。

(2)静态技术效率的分析结果显示，2017年仅有7所世界一流大学处于DEA有效，处于规模递增和规模递减阶段的高校几乎达到1:1的比例。同时，由于高校间的资源分配不合理，2017年较2009年，40所高校中仅有8所高校技术进步变化较大，纯技术效率以及规模效率并没有很大提升，产出不足与投入冗余现象仍较为严重。

(3)4类高校的科研效率受到不同因素的制约而呈现互异状态，对于综合类与理工类高校，技术进步指数呈现衰退现象阻碍着高校科研效率的增长，而农林类、师范类高校的技术进步指数则呈现增长现象，是引起高校科技创新效率整体增长的重要因素。

4.2 对策建议

(1)优化资源配置，促进各高校科研均衡发展。各高校间的科研效率不均衡发展，导致整体科研效率退步，国家需从宏观层面进行调控，制定并实施相应的科研促进政策，合理的调配资源，避免由于投入不足导致高校科技成果转化的运作过程缺乏连贯性，使投入的资源利用效率最大化。

(2)各类高校制定适合的发展战略与规划。研究发现各类高校的指数存在差异，科研效率发展处于不同的阶段，因此各类高校需要基于自身的科研情况，发展自身优势，加强创新研发，有针对性地引进优良人力资源、新技术与先进科研设备，促进科研生产技术和创新技术的进步，进而推动高校整体科技创新效率的提升。

(3)医、教、研、产四位一体。加强复合型人才的培养是突破创新发展瓶颈的关键点，产学研合作创新是推动中国经济从高速增长迈向高质量发展的必然要求，也是高校科技服务于区域创新、提高科研成果转化效率最有效、最直接的方式。同时也要注重医学教育的创新发展，促进医、教、研、产四位一体，强调协同化创新和应用转化，加强多方的合作研发，提高整体的科技水平。

高校的科技创新已成为引领新时代高质量发展的第一动力，在我国创新驱动发展战略实施中发挥着巨大的作用。“双一流”高校建设推进了我国高等教育整体实力和国际竞争力的提升，同时推动了我国高校科技创新能力的发展。“双一流”高校的科技创新发展需要整体的统筹规划，也需要关注微观发展的协调，增强科技政策的整体密集性和全面性。