基于DEA的安徽省中央引导地方科技发展资金绩效评价研究

摘 要：【目的】为明晰安徽省中央引导资金实施成效，对安徽省中央引导资金的投入产出进行分析，为安徽省中央引导资金实施方案的下一步编制和谋划提供参考。【方法】基于2016—2021年中央引导地方科技发展专项资金项目在安徽省的投入产出情况，构建基于DEA-BCC、DEA-Malmquist模型的绩效评价指标体系，对中央引导资金在安徽省省直单位和16个地级市实施成效进行实证分析。【结果】2016—2021年，安徽省中央引导资金的绩效水平较高，投入产出效率良好。但随着中央引导资金投入增加，冗余问题开始显现。【结论】安徽省中央引导资金实施方案的下一步编制和谋划应当完善绩效评价体系、促进全省全地区协调发展、提高科技成果转化效率，以发挥中央引导资金的积极引导作用。

关键词：中央引导地方科技发展资金；数据包络分析；绩效评价；区域创新建设

中图分类号：C934" " "文献标志码：A" " "文章编号：1003-5168（2024）24-0131-07

DOI：10.19968/j.cnki.hnkj.1003-5168.2024.24.025

Research on the Performance Evaluation of the Central Government’s Guide to Local Science and Technology Development Fund in"Anhui Province Based on DEA

Abstract： [Purposes] This study aims to clarify the implementation effects of central government's guide to local science and technology development fund in Anhui Province and provide a reference for the next step in the formulation and planning of the implementation plan for the fund in Anhui Province by analyzing the input-output of the found in Anhui Province.[Methods] Based on the input-output situation of the central government's guide to local science and technology development fund project in Anhui Province from 2016 to 2021， a performance evaluation index system based on DEA-BCC and" DEA-Malmquist model is constructed to empirically analyze the implementation effects of the fund in provincial agencies and sixteen cities in Anhui Province.[Findings] The research shows that the performance level of central government's guide to local science and technology development fund in Anhui Province during 2016-2021 was high， and the input-output efficiency was good. However， with the increase in the fund， redundancy began to emerge.[Conclusions] The next step in the formulation and planning of the implementation plan for central government's guide to local science and technology development fund in Anhui Province should focus on improving the performance evaluation system， promoting coordinated development across the province， and improving the efficiency of scientific and technological achievement transformation to give full play to the positive guiding role of the fund.

Keywords： central government's guide to local science and technology development fund; Data Envelopment Analysis （DEA）; performance evaluation; regional innovation development

安徽省自2016年起获得财政部、科技部中央引导地方科技发展专项资金的资助，该资助由安徽省财政厅、省科技厅负责组织实施。自安徽省中央引导资金设立以来，该省科技创新活动投入保持着较高增速。2016—2021年，安徽省获得中央引导地方专项资金45 300万元，资助项目867个，涵盖了自科基金杰青项目、重点实验室、新型研发中心、科技扶贫、科技惠民、高新区和农业园区补助等类别。开展中央引导资金绩效评价研究，对安徽省实施中央引导资金战略部署，充分发挥中央引导资金在推动科技创新、促进经济高质量发展方面的作用具有重要意义。

安徽省中央引导资金绩效评价的难点在于中央引导资金覆盖项目类别繁多，且各类别项目侧重点各有不同。例如，重点实验室绩效目标侧重于专利申请、发表研究论文、争取国家项目、培养创新人才等指标；科技扶贫项目绩效目标侧重于引进推广科技成果、科研成果转化数、培训和指导农业科技服务、指导和带动新型农业经营主体等指标；“百城百园”项目绩效目标侧重于参加产学研科研人数、制定企业/行业标准、研发新产品等指标。本研究运用DEA模型对这类投入多、产出多的效率进行测算，并从动态与静态的视角分析安徽省中央引导资金的实施现状，为科技创新资源的科学化和规范化配置提供决策参考。

1 研究回顾

中央引导地方科技发展资金自2016年起在全国实施，目前国内尚未有学者发表以DEA方法开展中央引导资金实证分析的文章，但存在使用DEA方法对高校、科研院所投入产出或财政资金及其他行业绩效进行研究的相关文献，其理论及研究思路可以借鉴。

国内相关研究主要是基于1978年Charnes等［1］创建的数据包络分析方法（DEA）来对各行业领域开展绩效评价分析，主要区别在于指标构建、运用场景、模型选取等。魏权龄［2］系统介绍了DEA方法的各种模型及应用案例，同时也介绍了DEA模型指标选取的要点。余振乾等［3］依据财政资金项目的不同特点构建了不同的绩效评价体系，并基于评价对象实际情况对指标进行进一步的完善。李萌萌等［4］使用层次分析法构建指标体系，对芜湖市财政资金科研活动投入产出进行分析，提出在构建财政资金绩效指标评价体系时应脱离常规的人财物及知识产权成果的传统投入产出指标窠臼，将被评价对象潜在的投入与成果也纳入投入产出指标体系内。赵庆国等［5］以DEA方法对我国不同区域高校科研情况开展绩效评价，从人和财两方面选取投入指标，从论文专著、专家授权、技术转让产值三方面选取产出指标，使用DEA-BCC、DEA-Malmquist模型分别对我国东中西部的静态全生产效率及我国整体动态效率变化趋势开展测算，并得出我国东中西部科研效率对比情况及全国整体科研动态效率变化情况，从而提出对策及建议。周广亮等［6］以DEA方法对我国30个省级行政区的产学研开展情况进行研究，从科技成果产出、科技成果转化两个阶段分析各部分生产效率，针对不同阶段的不同生产主体提出相应的对策建议。

以上的实证研究借鉴了不同研究中关于DEA的分析方法，如投入产出指标选取，分析讨论方法等，将其他行业或项目中DEA-BCC、DEA-Malmquist模型的应用模式嫁接至中央引导资金绩效评价中，根据分析结果对中央引导资金的实施方向提供科学决策依据。

2 评价模型的构建

中央引导资金绩效评价具有投入多、产出多的特点，使用DEA方法可以从静态和动态不同角度有效分析绩效情况和变化趋势。文中采用BCC模型和Malmquist模型分别对安徽省2016—2021年的投入产出数据进行测算分析。

2.1 DEA-BCC模型

1978年，CCR模型首次被提出，该模型建立在资源投入规模比例与产出比例不变的基础上，其以投入为主和产出为主的模型分别见式（1）、式（2）［7］：

之后，运筹学家对CCR模型进行了衍生，去除了以资源投入规模比例与产出比例不变的约束条件，生成新的表达式即BCC模型见式（3）：

2.2 DEA-Malmquist模型

1953年，Malmquist提出了Malmquist指数。最初该指数并没有引起学界反响，直到Rolf Fare等人将Malmquist指数与DEA联合后，该方法才广泛运用于各生产、研究领域，用于决策单元动态趋势测算。

DEA-Malmquist模型见式（4）：

全要素生产率变化（TFPCH）可测算投入资源在一定时间内整体效率情况，该指标判定临界值为1，以此来判定效率提高或下降［8］，公式见式（5）。

技术效率变化（EFFCH）为全要素生产率变化的一个因素，其计算公式见式（6）。

综上所述，Malmquist模型见式（7）：

TFPCH=EFFCH×TECHCH=PECH×SECH×TECHCH （7）

DEA-Malmquist模型可以在DEA-BCC模型静态横向比较的基础上，对测算对象进行动态的纵向比较，从另一个视角捕捉测算对象的发展变化趋势，从而为多角度科学决策提供依据。

2.3 指标选取

中央引导资金绩效评价的难点在于中央引导资金支持覆盖项目类别繁多，各类别项目侧重点各有不同。对于此类多投入多产出的效率测算，基于指标构建的科学性、可比性、可操作性等原则，本研究构建了如表1所示的投入产出指标。

安徽省中央引导地方科技发展资金支持项目领域较广，不同类别的项目其绩效指标侧重点各不相同。本研究在现有文献和先前研究的基础上，考虑到数据的可用性、可信度及中央引导资金的特点，选取中央引导资金支持项目在安徽省中央引导资金绩效评价工作组的绩效评价得分与带动投入配套资金作为产出指标；同时选取安徽省2016—2021年对省直单位与全省16个地级市支持的项目金额与项目数作为投入指标，以便准确真实地反映中央引导资金的实际投入情况。并且，通过整理安徽省中央引导资金专项审计报告，得出投入产出数据。

3 安徽省中央引导资金绩效实证分析

3.1 综合效率分析

从总体上看，2016—2021年中央引导资金的绩效水平较高，投入产出效率良好，获得资助的省直单位和全省16个地级市的引导资金实施综合效率六年平均值都高于0.75，全省分析单元引导资金综合效率六年平均值高于0.800的占比82%（见表2）。通过对全省省直单位及16个地级市的引导资金使用效率进行为期6年的综合评估，得到平均效率值为0.881。这一数据表明，在维持当前产出水平的前提下，中央引导资金的投入可以减少12%，而不影响产出效果。这指出安徽省在中央引导资金的使用上可能存在一定的冗余。

本研究分析了省直单位及全省16个地级市的引导资金投入产出效率，通过六年的平均数据揭示了各单位间效率的显著差异。这些差异显示出省内发展不均衡的现状。特别是8个单位（如DMU14、DMU17、DMU24）的效率平均值达到或超过0.900，接近DEA有效边界，表明这些单位的中央引导资金使用已接近最优产出效率。相反，以0.750为效率的基准线，芜湖（0.776）、池州（0.783）、铜陵（0.796）的效率则低于此标准，说明这些地区在使用中央引导资金方面存在提升空间，尚未实现资金使用效率的最优化。

此外，单就2021年安徽省引导资金实施综合效率值来看，在对省直单位及全省16个地级市的引导资金投入产出效率进行分析后，发现效率差异较为明显。特别是有4个地市的综合效率达到了1.000，这占到了所有样本的24%；综合效率为0.900～1.000的有省直单位和9个地级市，占样本总量的53%；有3个地级市在2021年未获得中央引导资金资助，综合效率为0.000。

3.2 纯技术效率分析

根据表3的数据，安徽省中央引导资金的纯技术效率在过去六年的几何平均值为0.903，表明与最优效率水平相比，还有10%的提升空间。在省直单位和全省16个地级市的纯技术效率方面，省直单位和合肥市的表现最佳，已经达到了帕累托最优状态。相比之下，芜湖的纯技术效率较低，其三年平均值为0.793，显示在纯技术效率方面有较大的提升空间。

2021年安徽省的纯技术效率分析揭示了省内各地市在这一指标上的细微差别。具体来说，有7个地区，包括省直单位和6个地级市，达到了最高效率水平，占总体样本的41%。另外，有6个地级市的纯技术效率在0.900～1.000，占样本的35%。安庆市的纯技术效率相对较低，2021年的数值为0.845。而铜陵、黄山和淮北由于2021年未获得中央引导资金，其纯技术效率未能计算，显示为0.000。

3.3 规模效率与规模报酬分析

从总体上看，2016—2021年间安徽省中央引导资金规模效率平均值为0.967，规模效率值较为理想，但这也表明约有1 494.9万元中央引导资金没有得到应有产出。除池州、亳州以外，省直单位和全省其他地级市的六年平均规模效率值基本趋同，这表明全省其他地市和省直单位规模效率处于同一水平。

此外，单就2021年的规模效率来看（见表4），除去当年未获得中央引导资金支持的淮北、铜陵、黄山，省直单位和全省其他地级市的规模效率差异也相对较小。在2021年安徽省中央引导资金投入产出的规模报酬方面，省直单位和6个地级市处于规模报酬递减状态，即这些地区投入资源比例低于产出资源比例；其他10个地级市处于规模报酬不变状态，说明这些地区增加投入资源比例等于新增产出资源比例，规模效率高于之前规模报酬递减的省直单位与6个地级市，所以应加大处于规模报酬不变的10个地级市的中央引导资金的投入力度，使中央引导资金产出效率达到最优。

3.4 投入产出效率动态分析

对2016—2021年安徽省中央引导资金实施数据利用DEA-Malmquist模型进行测算，依据测算值分析中央引导资金在这段时间的实施效率变化。

将数据区间设置为2016—2021年，测算了2016—2017年、2017—2018年、2018—2019年、2019—2020年和2020—2021年安徽省中央引导资金实施Malmquist指数，根据DEA-Malmquist模型的计算结果，整理并制作了表5。

表5的数据揭示，2016—2021年，安徽省中央引导资金的投入产出效率整体呈上升趋势，全要素生产率变化指数平均值为1.153。具体来看，2016—2017年、2017—2018年、2019—2020年的全要素生产率变化指数分别为0.872、0.791、0.939，显示技术进步的降幅分别为13%、21%、6%。2018—2019年、2020—2021年，全要素生产率变化指数显著增长，分别为2.019和1.559，技术进步年均增幅为102%和56%。

这表明，2018—2019年及2020—2021年的技术进步显著，是推动全要素生产率上升的主要因素。因此，持续提升安徽省中央引导资金的投入产出效率，关键在于增强项目承担单位的技术支持和技术创新能力［9］。

为了对安徽省省直单位和全省16个地市中央引导资金Malmquist指数变化情况作进一步的分析，基于安徽省中央引导资金的Malmquist指数，取2016—2021年各指标几何平均数绘制了表6。

从表6可以看出，2016—2021年安徽省中央引导资金有10个地级市和省直单位的全要素生产率变化指数是大于1的，说明在2016—2021年省直单位和这些地市中央引导资金的投入产出效率是逐年提高的。

在对安徽省各地市中央引导资金投入产出效率的分析中，发现6个地级市的效率呈现下降。这些地市可按效率下降的原因分为两类：第一类包括淮南、淮北、铜陵、阜阳、宣城等城市，这些地区2016—2021年的技术进步指数未达1.000，说明其提升科技创新能力的必要性，以促进地区高质量发展。第二类是池州，同一时期技术效率和进步指数均低于1.000，这表明该地区需聚焦于提升技术研发和整体技术能力，优化产业技术导向和资金分配策略。

4 结语

本研究构建了安徽省中央引导资金绩效评价体系，对2016—2021年全省省直单位及16个地级市的中央引导资金实施绩效进行实证研究，从静态和动态两个维度进行分析，得出以下结论：从实证分析结果总体上看，2016—2021年安徽省中央引导资金的绩效水平较高，投入产出效率良好。随着中央对长三角地区科技创新水平重视程度的不断提高，对安徽省的科技创新发展资金投入也越来越多，2021年安徽省获得的中央引导资金总数首次突破1亿元。安徽省中央引导资金随着资金投入的增加，原本的资金短缺问题得到了缓解，但同时，资金使用效率的问题开始显现，资金分配可能存在过剩的情况。此外，安徽省16个地级市、省直单位投入产出差异显著，部分地市在中央引导资金的资源配置能力和资源使用效率方面仍有提升的空间。为提升技术创新能力，这些地区应专注于技术进步和革新，优化中央引导资金的配置和投向，以促进技术发展和资金效率。评价体系为改进安徽省中央引导资金实施规划提供了科学决策依据，因此本研究提出以下建议。

4.1 完善引导资金绩效评价体系

为了解决引导资金绩效评价体系不完整和评价结果应用不足的问题，建议开发一个多层次、相互补充的综合评价指标体系。这个体系应包括标准化的通用指标，并细化指标的具体指导方法，明确各项指标的定义、量化标准和评分方法。这样的模型和体系应能够满足各级科研项目的考核需求，适用于项目结题验收和立项初期的评估。通过提高评价效率和结果的合理性，可以更好地利用绩效评价来促进管理效能的提升。

4.2 促进全省科技创新协调发展

面对我省科技创新地区发展不平衡的实际情况，地区科技管理部门应当因地制宜，充分发挥当地特色环境资源、科技资源、人才资源及优势产业等，编制适宜当地条件的科技创新发展规划［10］。地区科技管理部门应当把握中央引导资金支持的大方向，提前谋篇布局，努力将本地区科技发展规划融入全省科技创新规划蓝图中，发挥出中央引导资金促进地区科技创新发展的作用。

4.3 推动科技成果转移转化

科研项目的实施目的是发展生产力，中央引导资金支持科研项目产出的科研成果要由科技管理部门组织产学研单位合作积极转化落地。要将科技成果转移转化作为重要指标来衡量中央引导资金实施成效，对成果转化力度大的组织部门或单位，可考虑滚动追加中央引导资金支持。科技管理部门要健全科技成果转移转化机制，推动全省科研成果赋权改革，加速科技成果交易大市场的建设，组织高水平科技成果转化经纪人队伍，出台科技成果转化激励政策［11］。中央引导资金可借助安徽省科交会、安徽技术交易大市场、羚羊工业互联网平台、国家博士后揭榜挂帅平台等推动全省科技成果转移转化，将科技成果落地为社会生产力，这对于优化中央引导资金循环生态具有重要意义。

参考文献：

［1］CHARNES A，COOPER W W，RHODES E L.Measuring the efficiency of decision making units［J］.European Journal Of Operational Research，1978，2（6）：429-444.

［2］魏权龄.数据包络分析［M］.北京：科学出版社，2004.

［3］余振乾，余小方.地方财政科技支出绩效评价指标体系构建及其实施［J］.中国软科学，2005（4）：63-69.

［4］李萌萌，尹政平.基于层次分析法的财政科技投入绩效分析：以芜湖市为例［J］.吉林省经济管理干部学院学报，2016，30（5）：16-19.

［5］赵庆国，何佳.我国不同区域高校科研绩效评价：基于超效率DEA模型和Malmquist指数法［J］.技术与创新管理，2020，41（6）：581-587.

［6］周广亮，赵丛郁，陈昱，等.我国产学研协同创新绩效评价及空间格局分析：基于两阶段DEA及Malmquist指数［J］.信阳师范学院学报（自然科学版），2022，35（2）：217-223.

［7］李镭，雷良海.地方政府债务支出效率评估：基于DEA-Malmquist模型的分析［J］.科技和产业，2021，21（12）：47-52.

［8］牛君，刘智.湖南省文化产业投入产出效率实证分析：基于DEA-BCC和Malmquist指数模型［J］.湘南学院学报，2021，42（2）：35-41.

［9］赵立雨，苗思佳，吴婷.基于DEA-BCC与Malmquist的陕西省制造业绿色技术创新效率评价［J］.未来与发展，2020，44（8）：6.

［10］张小宁，张自强，滕雅琼，等.试析中央引导甘肃省科技发展专项资金实施成效［J］.甘肃科技，2019，35（19）：4-8.

［11］刘志迎，张勇.安徽13个五年规划（计划）期发展与“十四五”发展对策［J］.理论建设，2019（6）：37-43