“双一流”建设高校科研效率及影响因素实证研究——基于超效率SBM-Malmquist-Tobit模型

查道林， 陈 思， 杨 茜

(1.华中师范大学， 武汉 430070；2.北京化工大学 经济管理学院， 北京 100029；3.中国地质大学 出版社， 武汉 430074)

一、引言

2017年，我国首轮世界一流大学和世界一流学科高校名单公布，其中世界一流大学建设高校42所，世界一流学科建设高校140所；2021年3月，教育部、财政部、国家发展改革委联合印发《“双一流”建设成效评价办法(试行)》，明确“双一流”建设成效评价以中国特色、世界一流为核心，其中科学研究评价要突出原始创新和重大突破，考察建设高校提高科技创新水平的主要举措，对我国高校的科技创新提出了更高的要求。2021年9月，习近平总书记在中央人才工作会议上再次强调，发挥高水平研究型大学的国家队作用，有力支撑国家高水平科技自立自强。因此，在推进第二轮“双一流”建设和加快建设科技强国，实现高水平科技自立自强的背景下，研究“双一流”建设高校科研效率及影响因素显得十分重要。

考察现有高校科研效率的研究，主要集中在科研效率的测算和影响因素两个方面。目前，测算高校科研效率主流评价方法是数据包络分析法(DEA模型)，该方法能够很好地评价具有多投入多产出特征的决策单元间相对效率。如Ahn，Charn和Cooper运用DEA的传统模型(C2R和C2B模型)对美国 161 所大学的效率进行了评价，发现公立大学较私立大学效率更高[1]；Flegg等以英国45所大学为研究对象，采用DEA方法对其综合技术效率、纯技术效率和规模效率进行了详细分析[2]；国内运用传统模型评价方法的学者有张清海 等[3]、谈毅[4]等人。由于传统模型无法对效率值为1的决策单元进行排序和比较，经过改进后出现了超效率SE-DEA模型、Super-SBM模型、Bootstrap-DEA模型等。采用超效率DEA模型的有宗晓华 等[5]和贾冰 等[6]，超效率模型虽然解决了传统模型的局限性，但容易受到极值的影响，放大效率的差异性。黄建国 等运用Super-SBM分析方法，也就是超效率模型和SBM模型的结合，解决了效率值差异较大的问题，但对样本的规模报酬有一定的限制条件[7]；刘巍 等[8]、王甲旬 等[9]使用Bootstrap-DEA方法，该方法可以进行稳健性检验，测算结果较为可靠。同时，DEA方法结合Malmquist指数法也比较常见。Malmquist 指数广泛应用于测算多年的效率动态变化的研究，如Parteka 采用Malmquist指数法对2001—2005年欧洲7个国家266所公立高等教育机构的科研效率进行分析，发现各国效率差异显著，意大利、德国和瑞士的生产率增长明显快于其他国家[10]。

基于测算出的高校科研效率，可以进一步分析影响科研效率的因素。戴万亮 等通过研究我国31个省域的高校科研效率，认为政府支持不足及高校科研的市场导向性不足是导致高校科研效率较低的主要原因[11]；刘天佐 等对不同区域高校科研投入产出绩效进行实证研究，发现高校教师职称结构、教育投入与科研效率呈显著正相关，具备正高级职称教师越多，区域政府对教育越重视，则该地区高校科研效率越高[12]；汪彦 等研究发现，科研经费的持续投入对上海高校科研创新效率产生了显著的负面影响效用[13]；吴宏超 等认为，交通运输条件等与“一带一路”沿线省份高校科技创新效率显著正相关[14]；苏荟 等对我国省际高校分析发现，高校物质资本投入处于“冗余”阶段，人力资本投资总体处于“稀缺”状态，科学研究机构存在“重量短质”等问题[15]；寇明婷 等利用教育部直属高校科研活动面板数据展开研究，发现政府资金占比与高校基础知识产出效率呈倒U型关系[16]。

比较当前的研究成果发现，一方面，大多数学者并没有将“双一流”建设高校作为特定的研究对象；另一方面，测算科研效率往往从静态的角度分析，模型结果稳健性不够，且对科研效率影响因素的深度分析相对较少。鉴于高校科研效率研究现状，本文试图以2017年入选的一流大学建设高校为研究对象，运用超效率SBM-DEA的Malmquist指数模型从静态角度测算2010—2019年高校科研综合效率值，并进一步分解生产率指数从动态角度进行评价，最后使用Tobit模型分析科研效率影响因素，提出“双一流”建设高校提升科研效率的对策建议。

二、研究方法及数据说明

(一)DEA模型

1.DEA改进型模型：超效率SBM

由于传统模型有一定的局限性，当多个决策单元同时有效时，不能进一步区分和比较。为了解决这一局限，Anderson和Peterson建立了改进的超效率DEA(Super efficiency DEA，SE-DEA)模型，该模型可以将效率值>1的决策单元进行排序并比较，但该模型容易受极值的影响而扩大效率的差异，结论会有一定的偏差。在此基础上，本研究将超效率DEA与SBM模型结合，改进了测算过程的有偏性。选择投入导向的超效率SBM模型是从投入的角度对被评价DMU无效率程度进行测量，关注的是在不减少产出的条件下，要达到技术有效各项投入调整的程度。

超效率SBM模型的规划式仅适用于有效决策单元，对于 SBM有效DMUk，其投入导向超效率SBM模型表示为：

λ，s-，s+≥0

i=1，2…，m；r=1，2…，q；j=1，2…，n(j≠k)

(公式1)

由除DMUk之外的其他DMU构建的生产可能集为：

(公式2)

2.基于超效率SBM-DEA的Malmquist全要素生产率指数方法

当被评价决策单位的数据包含多个时间点观测值的面板数据时，Malmquist全要素生产率指数方法能较好地分析生产率的变动情况及技术效率、技术进步等对生产率变动所起的作用。这种基于生产前沿面理论的非参数评价方法，概念最早源于Malmquist[17]，因此将这一类指数命名为Malmquist指数，后被广泛应用于衡量生产效率的变化。在实证研究中，Malmquist生产率指数模型能分解为更具体的两个指数：被评价DMU在两个时期内技术效率的变化指数(Technical Efficiency Change，TEC)，以及反映生产前沿变动情况的生产技术变化指数(Technological Change，TC)。

M0(xt +1，yt +1；xt，yt)=TEC×TC

(公式3)

其中，M0表示从第t期到第t+1期被评价单元的Malmquist指数，x表示投入向量，y表示产出变量。Malmquist生产率指数为1时表示生产率效率不变，大于1表示生产率效率提高，小于1表示生产率效率降低。

(二)Tobit模型

Tobit模型(Tobin，1958)属于受限因变量回归的一种，又称为截尾回归模型或删失回归模型。标准的Tobit模型公式设定如下：

(公式4)

(三)指标和数据

1.指标

科研效率评价是通过评价科学研究的效率，判断科研满足特定目标的程度。一般来说，科研效率评价注重经济、效益和效率三个方面，其中经济强调投入成本的降低程度，效益是指产出对最终目标实现所做贡献的大小，效率表示一个活动或组织的产出与投入之间的比率。基于本文的研究目的，科研效率评价主要侧重投入与产出评价。高校科研是一项多投入多产出的活动，在现有的文献研究中，对于高校科研效率评价的投入产出指标仍无统一说法。

本研究以知识生产函数模型为基础，遵循高校科研投入产出效率评价指标体系的一般原则和特殊原则，确定我国“双一流”建设高校科研综合效率指标体系，如表1所示。一级指标层面，分解为投入指标和产出指标。二级指标层面，分为科研人力、科研经费、论文专著、科研项目、获奖成果、专利效益。三级指标层面，具体为经费拨入数(千元)、研究与发展全时人员(人年)、发表学术论文数(篇)、出版科技专著数(部)、当量科技成果获奖数、项目数(项)、专利授权数(件)、当年专利实际收入(千元)、技术转让当年实际收入(千元)。

投入指标中，选取的“研究与发展全时人员”指标是指在统计年度中，从事研究与发展工作时间占本人全部工作时间90%及以上的人员，较“教学与科研人员”或“教职工总数”等其他人力指标用于衡量科研人力更准确科学。“经费拨入数”是高校主要经费收入来源中比例最大的一部分，按照指标选取的重要性原则选取该指标反映经费投入。考虑到数据的可获得性、连续性和一致可比性，产出指标选择了发表学术论文数(篇)、出版科技专著数(部)、当量科技成果获奖数、项目数(项)、专利授权数(件)、当年专利实际收入(千元)、技术转让当年实际收入(千元)指标。

表1我国“双一流”建设高校科研综合效率指标体系

2.数据说明

第一轮“双一流”建设名单中，共有42所世界一流大学建设高校，这些高校前身均是“985”“211”工程计划入选高校，发挥着高水平研究型大学国家队作用，非常具有研究价值。同时，考虑到DEA模型对样本的同质性要求以及数据的可获得性、连续性，我们选取其中类别为A类且主管部门为教育部的32所高校，样本期为2010—2019年。采用的研究数据来源于《高等学校科技统计资料汇编》、EPS数据库以及其他相关资料。

三、科研效率的测算和分析

(一) 超效率SBM综合效率值

运用MAXDEA软件8.20.0版本对2010—2019年我国32所一流大学建设高校自然科学研究的超效率SBM综合效率值进行分析，具体结果如表2所示。

通过超效率分析可以看到，表2中2010—2019年32所样本高校综合效率总体平均水平表现不佳，效率均值高于1即综合效率均值达到DEA有效的比例仅占37.5%，即仅有12所高校2010—2019年综合效率均值达到了有效。

具体到各年份来说，我们从图1可知2010年综合效率达到DEA有效的高校有21所，约占65.6%。2011年综合效率达到DEA有效的高校有17所，约占53.1%。2012年综合效率达到DEA有效的高校有15所，约占46.9%。2013年综合效率达到DEA有效的高校有15所，约占46.9%。2014年综合效率达到DEA有效的高校有12所，约占37.5%。2015年综合效率达到DEA有效的有23所高校，约占71.9%。2016年综合效率达到DEA有效的有20所高校，约占62.5%。2017年综合效率达到DEA有效的有13所高校，约占40.6%。2018年综合效率达到DEA有效的有13所高校，约占40.6%。2019年综合效率达到DEA有效的有18所高校，约占56.3%。其中，D、I、X和Z这4所高校连续10年综合效率都达到了有效，投入获得了更多的产出，效率相对较高，科研资源配置较为合理。

表22010—2019年我国32所一流大学建设高校综合效率值

图1 综合效率达到DEA有效的高校所占全部样本高校的比例

值得关注的是，大多数高校的投入产出效率值虽有所波动，仍会有个别年份综合效率达到有效，仅有 A样本高校出现了连续 10 年综合效率均未达到有效的情况。另外，W 样本高校在 2010—2019 年期间的综合效率持续九年表现不佳，但 2019 年实现飞跃，投入与产出效率显著提高，这可能与W 高校 2018年开始采取全面推进一流大学建设的举措相关：推进一流本科教育，打造具有国际竞争力的队伍，增强科技创新能力，加大社会服务成效，推进文化传承创新等。

(二)全要素生产率指数及分解

在前文对样本高校进行了静态分析基础上，通过MAXDEA软件8.20.0版对2010—2019年32所样本高校的全要素生产率及各分解指标，再分别进行测量和动态分析评价，具体结果如下。

图2 2010—2019年一流大学建设高校综合效率Malmquist年平均指数变化趋势

Malmquist生产率指数可将全要素生产率的变化分解为技术效率变化指数(TEC)和技术进步指数(TC)两个部分。其中，技术效率变化指数表示样本期间技术效率的相对变化程度，在本研究中该值可以反映科研资源配置和管理的效率，当技术效率变化指数≥1时，说明科研生产技术效率在提高，内部管理水平和制度在不断优化和完善；反之则说明效率降低。技术进步指标一般用于测量生产技术边界的推移程度，此处则反映高校科研人员科研能力和科研设施的变化。

由图2可知，32所样本高校2010—2019年期间在自然科学研究效率方面Malmquist指数有略微增长，整体生产前沿面有所增加，呈现上升趋势。从各年变动趋势上看，全要素生产效率指数自2010年开始，先下降再回升，继而小幅下降又升高，反复波动，变动较大，具有前进性、曲折性、周期性的特点。

其中，2017年全要素生产率增长幅度为8.3%，增幅较大。进一步对数据分解来分析全要素生产率增长的原因，发现是由技术进步指数变化所引起的。可能的解释是，2015年，国务院印发《统筹推进世界一流大学和一流学科建设总体方案》，随后，样本高校根据自身发展情况陆续制定出一流大学建设方案，并逐步贯彻落实。但是技术进步效率的壁垒在短时间内是难以突破的，2018—2019年全要素生产率又有所下降，效率变化的提升也无法减缓技术进步效率引起的全要素生产率下降。

由表3可知，2010—2019年我国一流大学建设高校自然科学研究效率的全要素生产率平均值为1.000。观察样本高校的情况可知，18所高校年均自然科学研究效率的全要素生产率为正，14所高校年均自然科学研究效率的全要素生产率为负。换言之，我国56.3%的一流大学建设高校自然科学全要素生产率明显提升，46.9%的样本高校超过全要素生产率平均水平。

表32010—2019年一流大学建设高校综合效率Malmquist平均指数及其分解

其中，J高校的增长率均值最高，为8.3%；AF高校负增长率均值最高，为-5.6%。具体分析AF高校的生产率指数来看，其生产率下降主要是受技术进步效率下降影响。反映了AF高校实现建设世界一流大学的目标还面临诸多挑战：学科发展不平衡，高层次人才和创新团队偏少，青年人才储备不足，科研成果有效转化能力需要提升，国际化水平亟待提高，基础设施等办学条件相对滞后等。从提升技术进步效率变化的角度来说，AF高校需要进一步健全成果转化应用机制、强化学科与产业协同发展、加强成果转移转化平台的建设等。

四、影响因素分析

(一)研究方法及变量选择

由以上实证结果可知，一流大学建设高校科研效率存在差异。本文在分析前人研究成果基础上，分别从外部环境和内部科技活动两方面探究影响科研效率的因素。外部环境主要考虑当地经济发展水平和政策环境，内部科技活动从高校人力资本投入和对外开放度进行考虑。因第一阶段得出的高校科研综合效率值介于0～5之间，被解释变量是以受限制的方式被观察到，因此本文采用Tobit 模型进行回归分析，其表达式如下：

Yi t=β0+β1lnX1i t+β2lnX2i t+β3X3i t+β4lnX4i t+β5X5i t+σi t

(公式5)

式(5)中，Y代表32所一流大学建设高校2010—2019年的自然科学科研效率值，β为待估参数，σ为随机扰动项，i和t分别表示高校i和年度t。有关解释变量数据的描述性统计见表4，具体定义如下：

1.地区经济发展水平。以人均地区生产总值X1的对数表示(lnX1)。郭际 等研究表明，当地经济发展水平越高，越会投入大量的科技经费用于高校科技活动，对高校科技创新效率提升和科技成果转化起促进作用[18]。因此，本研究预测地区经济发展水平与样本高校科研效率之间存在正相关性。

2.人力资本。以高校科学家与工程师人数X2的对数表示(lnX2)。高校科研创新的主体是人力资本，科研创新活动依赖于人力资本的知识生产能力，高校人力资本中科学家与工程师均具有较强的科研水平，一般认为，科技活动人员数量对科研创新效率有促进作用。但投入产出遵循边际效益原则，当某一项资源投入过多或资源配置不合理，会出现投入冗余或产出不足的现象，评选出的32所一流大学建设高校经过长年发展，师资力量均较为强大。人力资本投入对样本高校科研效率在不同阶段可能存在不同影响，因此，效应预判未知。

3.地区政策环境。选择高校当年科技经费中政府资金所占比例X3来衡量。高校科研创新活动离不开物质资本的支撑，充裕的科技经费投入可以更好地保障、激励科研人员开展科研活动。鉴于高校作为非营利组织以及其科学技术成果的准公共物品属性，充裕的政府资金投入是保证科技活动顺利开展的重要物质基础。因此，本研究用“高校科技经费中政府资金所占比例”表征政府对高校科研的重视与支持程度。然而，当政府资金占比过高时，会对企业资金等外部科研资助渠道产生挤出效应，且易导致资金的错配效应，从而高校科研成果产出边际效应递减。所以，此类因素对样本高校科研效率的总体影响未知。

4.对外开放度。选择当年高校派遣出国人数X4的自然对数表示(lnX4)。当前国际化背景下，高校通过加强对外开放程度，推动与国际知识生产创新高地进行交流合作，利用国外“知识溢出”效应，吸取国外先进的科研管理理念，进而提高科技水平和科研效率，基于此，本研究预计高校对外开放度越高，科研效率越高。

5.时间虚拟变量(X5)。2017年，世界一流大学和世界一流学科高校名单正式公布，因此我们选取该年为分界点，分别设置非“双一流建设”时期(2010-2016年，为0)和“双一流建设”时期(2017—2019年，为1)时间虚拟变量。

表42010—2019年影响因素变量数据的描述性统计

(二)实证结果分析

采用stata 16.0软件进行计算，Tobit模型的实证结果见表5。具体分析如下：

第一，人均地区生产总值的对数与样本高校科研效率在显著性水平5%上呈现正相关。表明样本高校科技活动受到所处地区经济发达程度和本地从业人员素质的影响，区域的经济发展水平越高，越能吸收和引进先进技术，同时越有利于高校科技成果转化和提高高校科研效率。

第二，样本高校科学家与工程师人数的对数与样本高校科研效率在显著性水平5%上呈现负相关。以往的研究大多表明，我国高校科研投入普遍存在“人才稀缺”、物质资本充裕的情况，但本研究通过实证证明，“人才短板”已经不是制约一流建设高校科研效率的“瓶颈”，反而存在投入冗余问题，过多的人力资本投入对样本高校科研效率呈现负向效应。

第三，政府资金占比与样本高校科研综合效率在显著性水平1%上呈现负相关。结果表明，一流大学建设高校科技经费中政府资金占比越多，反而抑制样本高校科研效率的提升。探究原因，高校科技经费结构中若政府资金占比过高，高校会过度依赖政府资金，从而因挤出效应对企业资金资助的知识产出造成负面影响。

第四，对外开放度变量对高校科研效率的显著性作用并不明显，表明并未出现“知识溢出”效应。本研究认为，科学前沿知识吸收和成果转化是一项长期性工作，短期性学术交流行为对高校科研技术效率的提升作用并不明显。

第五，时间虚拟变量虽通过了显著性检验且相关系数为负数，但并不代表“双一流”建设及相关政策的实施导致高校科研效率的下降。考虑到2018年前后国内外宏观环境的变化，如中美贸易战持续发酵，国内经济增速出现放缓态势，国内外各种不稳定不确定因素增多，对国内科技领域创新活力和整体科研效率产生了影响。因此下一步研究应寻找那些未入选“双一流”名单的高校，或者受政策影响较小的高校作为对照组，采用断点分析法或者双重差分法进行政策效果评估，这是有待进一步深入探索的部分。

表5样本高校科研效率影响因素Tobit回归结果

五、结论与建议

本文运用DEA-Tobit方法，测算了我国32所一流大学建设高校2010—2019年自然科学科研综合效率，并对影响综合效率的主要因素进行了实证分析。研究发现：第一，2010—2019年样本高校科研综合效率总体平均水平不高，综合效率均值未达到DEA相对有效的高校超过半数，全要素生产率指数均值有略微增长，呈现上升趋势；第二，在影响我国一流大学建设高校科研效率的因素中，当地经济发展水平与高校科研效率正相关，人力资本投入、政府资金占比对样本高校科研效率具有负向效应，对外开放程度与高校科研效率关系不显著。基于此，提出如下政策建议：

第一，提高科研管理水平，完善科研管理制度。综合效率均值未达到DEA相对有效的样本高校，在不增加投入的情况下要想提升效率达到产出相对有效，应从提升科研管理人员管理水平，有组织地开展科研活动，完善科研管理制度等方面加强。

第二，完善人才激励机制，培养高水平创新人才。人力资本投入对样本高校科研技术效率的负向效应表明，目前一流大学建设高校的科研人员数量出现投入冗余，应该转变绝对产出数量的科研绩效考评导向，转而重视相对产出指标，同时加强科研人才队伍建设，着重培养一流的科研创新人才和团队，开展顶尖领衔科学家支持方式试点，发挥高水平研究型大学的国家队作用。

第三，拓展科研经费投入渠道，完善财政支持机制。一方面，政府对高校科研的支持方式应多元化，除财政资金保障外，通过制定各种有利于科学研究的政策，营造良好的科技创新环境，同时，进一步发挥科研财政经费的杠杆效应和导向作用，吸引民间资本支持科技创新创业，拓展科研经费投入渠道，促进科学研究与需求导向良性互动；另一方面，高校自身可以根据不同的科研项目性质和科研产出的异质性，构建合适的科研经费结构，优化科研资源配置，努力推进“双一流”高校建设，实现我国高水平科技自立自强。