乡村振兴背景下我国农林高校的科研效率及影响因素

王杜春，时玉坤

（1.东北农业大学公共管理与法学院；2.东北农业大学继续教育学院，黑龙江哈尔滨 150030）

党的十九大报告提出农业农村农民问题是关系国计民生的根本性问题，必须始终把解决好“三农”问题作为全党工作的重中之重，实施乡村振兴战略。2020 年我国圆满完成了贫困人口全面脱贫、全面建成小康社会的发展目标，现阶段的努力方向是将巩固脱贫攻坚成果同乡村振兴有效衔接，走中国特色社会主义乡村振兴道路［1］。在乡村振兴战略的实施过程中，农业农村对科技的需求将会史无前例地增加，而农林高校作为农林领域科技创新的主阵地，要铭记习近平总书记给全国涉农高校书记校长的回信精神，以立德树人为根本、以强农兴农为己任，在培养知农爱农人才的同时要勇于承担起农林领域科研攻关与成果输出的重任，拿出更多的科技成果服务农业农村现代化建设，为实现“农业强、农村美、农民富”的乡村全面振兴贡献力量［2］。在此背景下，高效利用高等农林院校的科研资源，加速科技成果落地，从而服务于农业农村现代化建设成为高等农林院校科研管理的重要议题。

1 相关研究综述

国内外学者对高校科研效率的研究方兴未艾，现有研究的内容主要集中于4 个方面：一方面如胡咏梅等［3］、王宁等［4］与Agasisti 等［5］的研究，侧重于对高校科研效率评价指标体系的构建；第二方面如Johnes 等［6］、Exposito 等［7］与宗晓华等［8］的研究，集中于对高校科研效率的实证分析；第三方面如邓理等［9］、王仙雅［10］与Munoz［11］的研究，偏向于高校科研效率影响因素的分析；第四方面如袁传思［12］的研究，则从高校科研效率的提升策略方面进行了探讨。研究对象大体包括三大类：一是以全国不同省份高校为研究对象的科研效率差异分析，如梁树广［13］的研究；二是针对特定区域或某一具体省份高校科研效率的研究，如吴宏超等［14］、毛世平等［15］、王杜春等［16］、汪彦等［17］、李韵婷等［18］分别研究了“一带一路”沿线省份、京津冀地区、东北地区等区域以及上海市、广东省等省份的高校科研效率；三是以特定类型高校为研究对象的科研效率评价，例如宗晓华等［8］、荣耀华等［19］分别研究了“双一流”高校、教育部直属院校的科研效率。从研究方法和模型来看，针对不同研究内容选取的方法有所差异：对高校科研效率评价指标体系的构建主要采用因子分析法与层次分析法；对高校科研效率的实证研究大多采用经典的数据包络分析（DEA）模型和改进的DEA 模型，经典的DEA模型主要包括适用于静态效率分析的BCC 模型与适合动态评价的Malmquist 指数，改进的DEA 模型有超效率DEA 模型、DEA 视窗分析等；对高校科研效率影响因素的研究主要选取Tobit 回归模型、SFA 参数分析模型、扎根理论模型与灰色关联度分析模型。

综上可以看出，目前对高校科研效率的实证分析与评价指标体系研究较多，对影响因素的关注相对不足，且现有相关评价指标体系的研究中鲜有考虑国家基金立项数这一重要科研产出；就研究对象而言，对农林高校科研效率的研究不多，且缺乏农林高校内部的差异对比分析；就研究方法而言，针对研究侧重点不同的方法组合各有差异，但静动态相结合测算科研效率的研究较少。为此，本研究以乡村振兴为大背景，选取我国主要的29 所农林高校作为研究对象，将国家基金立项数纳入评价指标体系，首先运用BCC 模型与Malmquist 指数分别测算各高校的静态与动态科研效率，并对农林高校的科研效率进行分地区、分办学层次的对比，找出彼此之间的差距并探析其中原因，随后建立Tobit 回归模型探究影响我国农林高校科研效率的关键因素，为高校下一步的科研管理提供决策依据，以促进农林院校在新时期更好发挥强农兴农的科技服务作用。

2 研究设计

2.1 研究方法

2.1.1 DEA-BCC 模型

数据包络分析法最早由美国运筹学家Charnes等［20］建立和使用，因其在评价多投入、多产出决策单元绩效方面的优势，在运筹学、管理学等领域应用广泛。考虑到规模收益可变与农林高校科研管理实际，选择产出导向的BCC 模型进行静态科研效率分析。产出导向的BCC 模型表达式为：

BCC 模型基于规模收益可变，综合效率（crste）可以分解为纯技术效率（vrste）和规模效率（scale），表达式如下：

式（2）中：crste 表示高校的静态科研效率水平；vrste 表示高校的科研运行机制与管理水平；scale 表示投入产出结构与资源配置的合理性。若crste=1，说明决策单元DEA 有效；若crste＜1，则说明决策单元DEA 无效。

2.1.2 DEA-Malmquist 指数

传统DEA 模型更多的是从静态角度测算投入产出效率，而Malmquist 指数是在传统DEA 模型基础上进行改进、发展出的，一种从动态角度对投入产出效率进行测算的方法。Malmquist 指数反映了决策单元在时间序列中的生产力变化，该方法下全要素生产率（tfpch）的表达式为：

全要素生产率可以分解为技术进步效率（techch）和技术效率（effch），而技术效率又可以进一步分解为纯技术效率（pech）和规模效率（sech），表达式如下：

式（4）中：tfpch 表示动态科研效率水平；techch 表示科研技术方面的进步；effch 表示科研管理水平与科研投资的改善；pech 表示科研管理水平的提升；sech 表示科研投资规模的优化。若tfpch＞1，则说明决策单元全要素生产率变化呈上升趋势，这一时期科研水平提高；若tfpch＜1，则说明决策单元全要素生产率变化呈下降趋势，这一时期科研水平降低。

2.1.3 Tobit 回归模型

Tobit 模型是指被解释变量虽然在正值上大致连续分布，但包含一部分以正概率取值为0 的观察值的一类模型。由于DEA 模型测算出的科研效率值介于0～1 之间，因此适合运用Tobit 回归模型进行影响因素的分析。标准的Tobit 模型为：

2.2 指标选取

参照已有研究，同时考虑数据的可获得性，构建了由3 个投入指标与4 个产出指标构成的评价体系，如表1 所示。考虑到国家基金立项数作为高校科研水平与科技成果的重要参考，将国家基金立项数纳入科研效率评价指标体系，与专著、高水平论文一起作为科技成果的二级指标进行评价，力求科学全面地考量高校的科技产出水平。其中，国家基金立项数主要考虑国家自然科学基金项目与国家社会科学基金项目两大类。

表1 农林高校科研效率评价指标体系

3 农林类高校科研效率实证分析

基于研究数据的真实与可获得原则，本研究采用的数据源自教育部公布的《高等学校科技统计资料汇编》，因为2017 年以后无具体院校的科技资料信息，所以选用2014—2017 年29 所农林院校的面板数据（以下简称“样本”）。此外，考虑到高校科技投入与产出之间存在时滞，设置1 年的时滞期，即本年度的科研效率是用前一年度的投入与本年度的产出计算得来。

3.1 基于BCC 模型的静态科研效率分析

3.1.1 静态科研效率整体分析

运用DEAP 2.1 软件中的BCC 模型测算29 所农林高校2014—2017 年的投入、产出平均效率值，结果如表2 所示。可见样本高校2014—2017 年科研规模效率略高于纯技术效率，说明我国农林高校的整体科研效率水平较高，科研资源的投入产出结构较为合理，科研管理水平也不断提升。就有效决策单元而言，中国农业大学等14 所高校处于DEA 有效状态，占决策单元总量的48.27%，这些高校的科研投入产出状态达到相对最优水平；其余15 所高校处于非DEA 有效状态，其中北京林业大学等6 所高校接近DEA 有效状态、科研效率值高于0.8，西北农林科技大学等5 所高校科研效率值处于0.6～0.8，而内蒙古农业大学等4 所高校科研效率值低于0.6，说明我国农林高校的科研效率总体水平较高但高校间尚存在较大差距。就效率细分而言，14 所DEA 有效状态的农林高校效率细分值均为1；非DEA 有效的农林高校中，西北农林科技大学等4 所高校的纯技术效率高于规模效率，这类高校应合理配置科研资源，注重提升投入产出结构的合理性；而山西农业大学等11 所高校的规模效率高于纯技术效率，这类高校下一步的工作重点是优化科研运行机制，提升科研管理水平。就规模报酬而言，14 所DEA 有效状态的农林高校的规模报酬不变，说明这些高校已经达到了投入产出的最优状态，只需继续保持即可；沈阳农业大学等8 所农林高校处于规模报酬递增减状态，说明这些高校资源投入过多使得科研资源利用率较低，从而降低了科研效率；吉林农业大学在内的6 所高校的规模报酬呈现递增趋势，说明这些高校由于资源投入过少影响了其科研效率达到最优状态。

表2 2014—2017 年我国29 所农林高校静态科研效率均值

3.1.2 静态科研效率差异分析

为科学探究我国农林高校之间的深层次差异，将样本农林高校按照办学层次和所属地区进行划分，按照“双一流”高校建设目标，将样本高校划分为“双一流”建设高校（10 所）和普通高校（19 所）两大类，按照我国三大地理分区1）将农林高校属地划分为东部（11 所）、中部（12 所）和西部（6 所）三大类，分类后取均值进行分析。由图1 可见，从办学层次来看，“双一流”建设农林高校与普通农林高校存在较大差异。不管是综合效率，还是效率细分的纯技术效率与规模效率，“双一流”建设农林高校的科研效率均值都高于普通农林高校，说明“双一流”高校建设计划起到了良好的效果。自2015 年我国提出“双一流”建设计划以来，国家给予“一流大学”与“一流学科”建设高校充足的资金与政策支持，提高了这些高校的整体科研生态水平；此外，“双一流”建设高校自身在吸引人才与投资、科技成果产出与转化方面具有比普通高校更佳的品牌优势，因此其科研效率高于普通高校。而普通农林高校的科研效率低于平均水平、纯技术效率低于规模效率，因此要进一步提升科研管理水平以提高自身科研效率。

图1 2014—2017 年按办学层次分类的样本农林高校静态科研效率均值分布

由图2 可见，从地区分类来看，三大地区的农林高校之间存在显著差异：东部地区农林高校的综合效率最高，西部次之，均高于样本农林高校平均水平，中部最低且略低于平均水平；就纯技术效率而言，西部农林高校的纯技术效率表现突出，远高于平均水平，说明西部地区的科研管理水平较高，加之近年来西部农林高校的科研资源投入不断增加，科研基础设施逐步完备，国家各类扶持政策层出不穷，使得西部农林高校迸发出强劲的科研与创新活力，因此其科研效率仅次于东部地区；就规模效率而言，东部农林高校高于其他地区样本高校，说明东部农林高校的投入产出结构更优、配置资源的能力与水平更高，加之东部地区优越的地理位置、发达的经济水平、创新的科研环境吸引了大批人才与技术，使得其科研效率在三大地区农林高校中拔得头筹；中部农林高校的纯技术效率与规模效率表现较为均衡但都不突出，地方政府要充分挖掘自身优势来吸引科技人才、增加科技成果产出，以此提高中部农林高校的科研水平与效率。

图2 2014—2017 年按所属地区分类的样本农林高校静态科研效率均值分布

3.2 基于Malmquist 指数的动态科研效率分析

3.2.1 动态科研效率整体分析

由于静态效率未考虑时间变动和技术变动的影响，因此采用Malmquist 指数对样本农林高校科研效率进行动态分析，计算结果如表3 所示。可见样本高校的全要素生产率在2014—2017 年间年均增长1.5%，但主要贡献来自于技术效率的年均增长3.2%，其中纯技术效率年均增长2.8%、规模效率年均增长0.4%，而技术进步效率则呈现年均下降1.6%的态势。综上，样本农林高校在2014—2017 年间科研效率有效且有明显提升，科研投资规模不断优化，科研管理水平有所提高，但在创新与技术进步方面仍有欠缺，整体的创新效应不足。

表3 样本农林高校年均Malmquist 指数及分解

其中，就全要素生产效率而言，2014—2015 年达到最高，原因可能是在国家“双一流”高校建设计划的影响下，国家有关部委与各地方政府都加大了对属地高校的资金、政策、资源支持，各高校科学充分利用科研资源使得科研效率有了较大提升，达到近几年的峰值；2015—2016 年以及2016—2017年都有所下降，一方面在于上一年度取得的科研绩效较难突破，而各高校科研要求进一步提高科研产出较为困难，另一方面可能存在农林高校科研资源投入相对过剩的问题，科研效率有所下降。就要素增长结构而言，研究期内各高校的技术效率稳中有升，但分解指标纯技术效率与规模效率有所波动，2015—2016 年纯技术效率下降0.5%，2016—2017年规模效率降低1.3%，表明相应年度科研投资与科研管理水平有待进一步提高；技术进步效率虽在2015—2016 年有轻微提升，但研究期内整体水平不高，这也是制约农林高校动态科研效率提升的主要原因。在当前科研生态下，农林高校需要完善科技创新制度建设，增强科研体系创新、科学技术进步的能力，有针对性地提高农林院校的科研创新能力。

3.2.2 动态科研效率差异分析

由于篇幅所限，按照样本高校的动态科研效率及其分解指标情况进行了模糊聚类，将样本高校聚类为五大类。如表4 所示，2014—2017 年间有17 所高校的全要素生产率均值大于1，占样本高校总数的58.62%，其中包括中国农业大学在内的Ⅰ类高校表现最佳，技术效率与技术进步效率都呈现增长态势，说明Ⅰ类高校的科研建设效果良好，管理水平与科研创新能力均较高；Ⅱ类高校技术进步效率表现欠佳，但由于技术效率的提升弥补了技术进步效率的不足，使得全要素生产率得以提高；与Ⅱ类高校相反，Ⅲ类高校则为技术进步效率的提升掩盖了技术效率的下降，拉动全要素生产率逐年增长。Ⅱ类与Ⅲ类高校在保证自生优势的同时，前者要注重科研创新能力建设，后者则要优化投入产出比例、提升科研管理水平。有11 所高校的全要素生产率均值小于1，其中，Ⅳ类高校技术效率表现较好，但技术效率的提升幅度小于技术进步效率的下降幅度，因此全要素生产率呈现下降态势，这类高校应弥补科研创新与技术进步的短板，促进科研效率持续增长；Ⅴ类高校的技术效率与技术进步效率均呈现下降态势，这类高校在全面提升科研管理、科研投资与技术进步的同时，要明确自身优势，寻求提升科研效率的突破口。

表4 基于科研效率水平的样本农林高校模糊聚类

由表4 按照办学层次和所属地区分别对样本高校的动态科研效率进行差异分析，结果显示，无论按照什么标准划分，样本农林高校的技术进步效率均呈现下降态势，全要素生产率的提升主要依靠技术效率的进步，纯技术效率的贡献高于规模效率。

由图3 可见，从办学层次来看，“双一流”建设农林高校与普通农林高校的全要素生产率都呈现增长态势，但“双一流”建设农林高校的增长率更高，年均提升6.7%，普通农林高校年均提升2.8%；就技术进步效率来看，普通农林高校的下降幅度高于“双一流”建设农林高校。由于“双一流”建设农林高校的全要素生产率更高，因此在未来一段时间，“双一流”建设农林高校的科研效率将进一步领跑普通农林高校，这也从侧面体现出“双一流”建设的成效与优势。

图3 2014—2017 年按办学层次分类的农林高校动态科研效率均值分布

由图4 可见，从所属地区来看，全要素生产率由高到低依次是西部农林高校、东部农林高校、中部农林高校，西部与中部农林高校凭借技术效率的高增长率掩盖了技术进步效率的下降，拉动全要素生产率分别年均提升7.2%与2.5%，而中部地区农林高校由于技术进步效率下降幅度大于技术效率的提升幅度，因此全要素生产率出现下降态势；就技术进步效率来看，东部地区农林高校下降幅度最小，西部地区农林高校下降幅度最大，由于西部农林高校的全要素生产率表现优异，其与东部农林高校的科研效率差距将进一步缩小，而中部农林高校与另外二者的科研效率差距将进一步扩大。

图4 2014—2017 年按所属地区分类的农林高校动态科研效率均值分布

4 农林类高校科研效率影响因素分析

考虑到BCC 模型与Malmquist 指数无法对科研效率的影响因素进行测量，以各样本农林高校的静态综合效率作为被解释变量，以科研要素投入、科研支持条件和院校外部环境3 个维度的6 个变量作为解释变量（见表5），借助Tobit 模型来探究我国农林高校科研效率的关键影响因素，从而为各高校下一步的科研管理提供决策方向与有益借鉴。

表5 研究变量及数据来源

基于上述变量选取，结合Tobit 模型的标准形式与汪彦等［17］的研究做法，构建我国农林高校科研效率影响因素的Tobit 模型如下：

表6 样本农林高校2014—2017 年科研效率回归结果

在模型回归结果中，Pseudo R2=0.814 表明6 个解释变量的变化对被解释变量的变化有较好的解释力，且Prob＞chi2=0.000 表明模型回归结果中不存在多重共线性、异方差与序列相关等问题。就各个解释变量的显著性来看，人力投入与经费投入在1%显著性水平上影响着农林高校科研效率；科研机构数量与国家重点学科数在5%显著性水平上影响着农林高校科研效率；而高层次人才数量和所在省份GDP 未通过显著性检验，但是在一定程度上对农林高校的科研效率有正向影响。高层次人才的人力资本积累更多、科研资源更丰富，而且他们往往是各自领域中的引领者与带头人，因此其科研产出较高，所以会促进高校的科研生产效率提升。科技创新是经济发展的核心动力，决定着经济发展的速度与质量，但同时经济发展水平会反作用于科技创新，强大的经济实力会为高校的科技创新提供有力的资金支持和科技转化环境，从而推动高校科研效率的提升。

可见，人力投入对提升农林高校的科研效率发挥着重要的促进作用，而经费投入则产生抑制作用。这从侧面反映出目前我国农林高校科研投入现状为经费冗余但人才紧缺、人才投入尚未饱和。人才紧缺是制约农林高校科研效率的主要瓶颈，当前农林高校的科研投入应该更加关注专业化人才资本的积累，这也是决定其技术创新水平的最主要原因。而经费的大量投入不仅没有产生良好的推动作用，反而引发了经费滥用等低效现象，抑制科研效率的提升。因此，农林高校要提高科研效率，并不是一味增加经费投入，而要进行科学评估，找出科研短板，进而采取针对性措施加以弥补，同时在高校内部要注重不同办学层次与不同地区间高校科研资源投入的均衡［21］。科研机构数量对农林高校科研效率呈显著正相关。科研机构作为农林高校科研创新活动的载体，在科研过程中发挥着组织、管理、服务等作用，因此科研机构对高校科研效率的提升起着一定的促进作用，但是高校要合理控制科研机构的数量，切勿盲目扩大，以免产生不良影响。国家重点学科数量的回归系数在所有解释变量中最高，说明其是推动我国农林高校科研效率的主要因素。国家重点学科是国家择优确定并重点建设的培养创新人才、开展科学研究的重要基地，在高等教育学科体系中居于骨干和引领地位，其背后是一流的师资力量、强大的科研团队、先进的仪器设备，这些有利条件使高校在有关专业领域中具有更多的话语权和更大影响力，相关领域的科研产出往往质量高、数量大，所以会促进高校科研效率的提升［22］。国家重点学科数量与各农林高校的整体实力、专业特色有着密切关系，国家重点学科数量越多，则农林高校的这种优势效应也就随之愈加明显。

5 结论与建议

第一，就静态分析而言，样本农林高校整体科研效率水平较高，但各高校之间尚存在较大差距。从办学层次来看，“双一流”建设农林高校的科研效率高于普通农林高校，这与“双一流”高校的资金、政策和品牌优势有着密切关系。从地区分类来看，各地区农林高校的综合科研效率东部最高、西部次之、中部最低，东部农林高校由于具有位置与经济优势，其科研投入产出结构更优、配置资源的能力与水平更高，西部农林高校由于政策投入不断增加，迸发出强劲的科研与创新活力，科研运行机制更加有效，而中部农林高校表现较为均衡但都不突出。面对农林高校间科研效率的差异，除继续实施“双一流”建设战略之外，还需加强对口支援西部地区高校计划与中西部高校基础能力建设工程等项目，在系统全局性调整农林高校科研资源的基础上，适当加大对中西部地区农林高校的投入力度与政策导向，以提升我国农林高校整体科研效率与实力。

第二，就动态分析而言，样本农林高校在2014—2017 年间科研创新效率有明显提升，科研投资规模不断优化、科研管理水平有所提高，但在科研创新与技术进步方面仍有欠缺，整体的创新效应不足。从办学层次来看，“双一流”建设农林高校的全要素生产效率高于普通农林高校，因此在未来一段时间，“双一流”建设农林高校的科研效率将进一步领跑普通农林高校，这也从侧面体现出“双一流”建设的成效与优势。从所属地区来看，各地区农林高校的全要素生产率由高到低依次是西部地区、东部地区、中部地区，因此西部农林高校与东部农林高校的科研效率差距将进一步缩小，而中部农林高校与另外二者的科研效率差距将进一步扩大。我国农林高校要加强对科研创新与技术进步方面的重视程度，通过培养科研人才、完善科研管理制度、构建科研创新奖励体系等途径提升自身科研实力；同时中部地区农林高校要通过提升科研管理水平、完善科研投入产出结构、加强与其他地区高校的科技交流合作等方式，逐步缩小与其他地区农林高校的科研效率差距，甚至在未来实现反超。

第三，就影响因素而言，影响样本农林高校科研效率的主要有六大因素，即人力投入、经费投入、科研机构数量、高层次人才数量、国家重点学科数量和所在省份的人均GDP，其中人力投入、科研机构数量与国家重点学科数量等3 个因素与农林高校科研效率呈显著的正相关，经费投入却与农林高校科研效率呈显著的负相关，而高层次人才数量和所在省份人均GDP 虽与农林高校科研效率呈正相关但未通过显著性检验。各因素对农林高校科研效率影响的侧重不同，因此，我国农林高校整体上要合理控制经费投入的规模，增加有效人力投入，特别是高水平人才投入的力度，在科学评估的基础上增设科研机构，在培育现有国家重点学科的基础上努力增加重点学科数目，以此促进科研效率提升；同时，由于各高校的科研投入水平有所差异，因此在提高科研效率的途径和方式上要具体问题具体分析，充分发挥各自优势、弥补自身短板，更好地服务于农业农村的现代化建设。

注释：

1）根据地理区域的划分，将我国31 个省级行政区（未含港澳台地区）划分为东部地区、中部地区与西部地区。其中，东部地区包括辽宁、河北、北京、天津、山东、江苏、上海、浙江、福建、广东、广西、海南共12 个省级行政区；中部地区包括黑龙江、吉林、内蒙古、山西、河南、安徽、湖北、湖南、江西共计9 个省级行政区；西部地区包括新疆、西藏、青海、甘肃、宁夏、陕西、重庆、四川、贵州、云南10 个省级行政区。