“双一流”高校科技创新效率测度及评价

廖果平 姜铭哲

摘   要：以我国32所“双一流”高校为研究对象，选取2012—2018年各高校科技创新的数据指标，通过构建三阶段DEA模型，对“双一流”高校科技创新效率进行有效测算。结果表明，各“双一流”高校科技创新效率值相差较大，大部分高校未能达到技术前沿面，各“双一流”高校有很大的空间来提升自己的科技创新效率，且由于受到外部环境和随机干扰项的影响，部分“双一流”高校存在效率值虚高或被低估的现象。

关键词：三阶段DEA模型；“双一流”高校；科技创新效率；效率测度

中图分类号：G644        文献标志码：A      文章编号：1673-291X（2023）05-0151-03

一、研究背景

习近平总书记在党的十九大报告中提出创新是引领发展的第一动力，国家经济的发展和社会的进步需要创新的引领，高校科研能力的提高与科研人才的培养更加需要创新意识来推动。高校作为我国科研创新主力军，为社会输送了大量的人才与科研成果，为国家复兴发展贡献着自己的力量。“双一流”高校作为其中的佼佼者，拥有丰富的教育资源，承担着培养科研人才和进行科研创新的艰巨任务。对“双一流”高校进行科技创新效率研究，可以了解中国顶尖学府的创新能力，从而为其他高校科技创新效率的提升提供参考和借鉴。目前国内外对高校科技创新效率的研究已处于较为成熟的阶段，学术界众多学者运用多种手段，构建不同的模型，对高校的科技创新效率进行了深入的探索与测度，据此提出了大量新颖的观点。Johnes以英国109所高校为样本，选取2001—2002年的数据对这109所高校的技术效率和规模效率进行了测度，得出英国高校的技术效率和规模效率处于下降的趋势[1]。李海东等通过构建DEA模型对我国石油类高校的科技创新效率进行了测评，认为我国石油类高校技术效率总体上较高，而非DEA有效的高校主要受规模无效率的影响，并且存在比较严重的产出不足现象[2]。李文辉等运用两阶段数据包络分析模型（DEA）对各省高校科技创新效率情况进行了计算和排名，并提出科技创新能力应与地区经济协调发展[3]。由上述學者的研究成果可以看出目前我国学者对于高校科技创新效率的研究主要是以参数法和非参数法为主。参数法主要通过构建随机前沿模型（SFA），非参数法则主要以构建DEA模型为主。

二、指标选取

1.投入指标。本文的投入指标主要从资金投入、人员投入方面进行选取。在资金投入方面，本文选取了内部经费支出与当年科技课题支出经费两项指标，从不同方面反映了“双一流”高校对于科技创新活动的资金投入情况。在人员投入方面，由于高校的科技创新活动是一个整体性的活动，需要全体研究人员广泛参与，因此本文选择研发全时当量人员数与教学与科研人员两项指标，以更好地反映“双一流”高校人员投入的实际情况。

2.产出指标。本文选取了学术论文发表篇数 （国外及全国性刊物）、技术转让实际收入额与国家级成果授奖数三项指标。技术转让实际收入体现了高校科技创新所带来的经济收益，学术论文发表篇数（国外及全国性刊物）与国家级成果授奖数则反映了高校科技创新带来的学术成果。

3.环境变量。环境变量的选取需要选取对高校科技创新产生影响但又不受到主观因素干扰，因此本文结合了“双一流”高校的实际情况选取了地区人均GDP、政府资金投入、企事业单位委托经费三个指标。

三、测度结果

（一）第一阶段

在不考虑环境因素和随机因素干扰的情况下，2012—2018年“双一流”高校科技创新效率不是特别理想，总体平均值为0.6712，远没有达到技术效率的前沿面。并且历年的平均值较为接近，没有出现大幅度的波动，说明近些年“双一流”高校科技创新效率总体处于较为稳定的水平。

从各高校的情况来看，清华大学、南京大学有三年及以上的效率值达到1，其余年份的效率值也达到0.8以上，说明这两所高校具有很高的科技创新效率，并且能始终保持较高的水准。南开大学、中国农业大学、上海交通大学、东南大学、厦门大学、中国海洋大学、西安交通大学、兰州大学、东北大学与西北农林科技大学这10所“双一流”高校有一到两年的效率值达到1，但处于不稳定的状态，历年效率值的差异较大，这10所“双一流”高校应该采取相应措施来提升自身的稳定性。其余的20所“双一流”高校的效率值从未达到1，甚至出现了低于0.5的情况，这20所“双一流”高校具有很大的空间来提升自身的科技创新的效率。

（二）第二阶段

由于各松弛变量的γ值都为0.9999并且1%的水平下处于显著状态，说明本文对于环境变量的选取具有合理性，同时结合环境变量与投入松弛变量之间的回归系数，可以得到如下结论。

1.地区人均GDP。地区人均GDP与教学与科研人员的松弛变量和当年科技课题支出经费的松弛变量均通过了1%的显著性检验。其中，地区人均GDP与当年科技课题支出经费松弛变量之间的回归系数为正，说明地区人均GDP的提高容易造成科技课题支出经费的浪费。另一方面，地区人均GDP与教学与科研人员松弛变量之间的回归系数为负，说明地区人均GDP的提高可以节约科研人力资源，同时提升创新效率。而地区人均GDP对松弛变量研发全时当量人员数松弛变量、内部经费支出松弛变量未能通过显著性检验，表明地区人均GDP对两者之间的影响处于不显著的状态。

2.政府资金投入。政府资金投入与研发全时当量人员松弛变量、教学与科研人员松弛变量、内部经费支出松弛变量通过了1%的显著性检验且回归系数均为正，表明政府资金投入的增加会造成人力资源和财力资源的浪费，不利于科技创新效率的提高。这可能是由于政府过多地指导参与“双一流”高校创新活动，在一定程度上削弱了“双一流”高校自主创新能力，造成了资源的浪费。

3.企事業单位委托经费。企事业单位委托经费与研发全时当量人员的松弛变量通过了5%的显著性检验，与教学与科研人员、当年科技课题支出经费的松弛变量通过了1%的显著性检验，且回归系数均为负数，说明随着企事业单位委托经费的增加，科研人员工作的积极性明显提高，使得当年科技课题支出经费能够更加合理地运用，带动了整体科技创新效率的提升。

（三）第三阶段

第一阶段和第三阶段的效率平均值进行了对比，结果发现消除环境因素和随机干扰项后，“双一流”高校科技创新效率值出现了明显变化，说明第二阶段消除环境因素和随机干扰项是很有必要的。通过效率的平均数值就能发现，剔除了环境因素和随机干扰项后，2012—2016年效率均值均有所下降，表明这五年间外部环境因素起到了积极作用，尤其是2012年，效率均值从0.6492下降到0.5785，下降幅度最大，说明这一年的外部环境因素对“双一流”高校科技创新效率的提升最为明显。而2017年和2018年，效率均值分别由原来的0.6992和0.7184上升到0.7475和0.7669，说明这两年外部环境因素对“双一流”高校科技创新效率呈现出消极影响。

从各高校情况来看，在排除环境因素和随机干扰项后，清华大学和南京大学依然有三年及以上的效率值达到1，说明这两所高校自身具有很高的科技创新能力，其科技创新效率并未受到环境因素的影响。而有一年到两年效率值达到1的高校数量由10所减少到9所，其中南开大学、东南大学、厦门大学、东北大学、西北农林科技大学、兰州大学这5所高校与第一阶段相比没有一年的效率值达到1，说明受到环境因素和随机干扰项的影响，这5所高校的科技创新能力被高估。同时，复旦大学、浙江大学、山东大学、武汉大学、四川大学这5所高校效率值为1的年份与第一阶段相比有增加，表明在环境因素和随机干扰项的影响下，这5所高校的科技创新能力被明显低估。

综上所述，在第一阶段使用基础DEA模型对效率值进行测算时，因为未能考虑环境因素和随机干扰项的影响，部分“双一流”高校的效率值出现虚高或者偏低的情况，未能真实反映各高校的创新效率水平，影响了结果的真实性和准确性。因此，需要借助于三阶段DEA的方法来排除外在环境要素和随机误差项，进而得出更为合理而有效的效率数值。

四、结论

本文采取三阶段DEA模型对32所“双一流”高校的科技创新效率值进行测算，基于以上研究，得出以下结论：一是从总体来看，“双一流”高校的科技创新效率现状不是特别理想，每年只有极少数高校的效率值能够达到1，但历年效率值的均值呈现出逐年上升的趋势，表明我国高校科技创新能力在不断提升，但这一发展过程并不稳定。从各高校情况来看，清华大学和南京大学这两所“双一流”高校的科技创新效率始终处于较高的水准，其他部分“双一流”高校的效率值存在忽高忽低的情况，还有一部分“双一流”高校的效率值始终处于较低的水准，没有一年达到技术前沿面，因此“双一流”高校仍有较大的空间来提升自身的创新效率。二是通过对比第一阶段和第三阶段的效率值发现，由于受到地区人均GDP、政府资金投入和企事业单位委托经费等环境因素的影响，第一阶段DEA未能真实反映“双一流”高校科技创新效率，出现了效率值虚高或者低估的现象，因此通过第二阶段SFA对环境因素和随机干扰项进行剔除是十分有必要的。

五、建议

根据上述结论，各“双一流”高校应该根据自身的实际情况进行具体分析并采取体现高校自身特色的科技创新政策，加强优势学科的建设从而提高科技创新效率[4]。对于效率值始终能够处于较高水准的“双一流”高校应继续贯彻实施现有的政策，并对科研人员给予相应的奖励，提高员工的工作积极性。对于效率值不稳定的“双一流”高校应进行及时总结，找出效率值不稳定的原因，同时应该注重政策实施的连贯性，避免政策的频繁变更对效率值产生负面影响。对于效率值始终处于较低水准的“双一流”高校，应该努力提高自身的科学管理水平[5]，通过聘请优质的管理人才对高校的科技创新进行有效的管理。“双一流”高校之间应该加强彼此之间的交流与合作，多举办科技创新交流活动，分享成功经验。最后，各“双一流”高校应该将高校的科技创新与当地的经济发展实际紧密地结合起来，合理运用周围的金融资源，加强与政府、企业之间的产学合作，尽可能地获得政府和企业的支持，加强科技成果的转化能力，从而促进高校自身的科技效率水平的提高。

参考文献：

[1]   Johnes J. Data envelopment analysis and its application to the measurement of efficiency in higher education[J].Ecomomics of Eudcation

Review，2006，25（3）：273-288.

[2]   李海东，胡国松.基于DEA模型的高校科技创新效率评价——以石油类高校为例[J].科技与经济，2017，30（2）：36-40.

[3]   李文辉，江涌芝，何秋锐，等.中国省域高校科技创新能力、效率及其经济贡献率研究[J].重庆大学学报：社会科学版，2019，25 （3）：108-121.

[4]   张海波，郭大成，张海英.“双一流”背景下高校科技创新资源配置效率研究[J].北京理工大学学报：社会科学版，2021，23（1）：172-179.

[5]   黄科舫，向秦，何施.基于DEA模型的湖北省财政科技投入产出效率研究[J].科技进步与对策，2014，31（6）：123-129.

Measurement and Evaluation of Scientific and Technological Innovation Efficiency

in Double First-class Universities

Liao Guoping， Jiang Mingzhe

（School of Business， Changzhou University， Changzhou 213159， China）

Abstract： Taking 32 “double first-class” colleges and universities in China as the research object， and selecting the data indicators of scientific and technological innovation of colleges and universities from 2012 to 2018， the scientific and technological innovation efficiency of “double first-class” colleges and universities is effectively calculated by constructing a Three-stage DEA model. The results show that the scientific and technological innovation efficiency values of “double first-class” colleges and universities vary greatly， and most colleges and universities fail to reach the technological frontier， each double first-class university has a lot of space to improve its scientific and technological innovation efficiency. Due to the influence of the external environment and random interference， some “double first-class” universities have the phenomenon of falsely high or underestimated efficiency.

Key words： three stage DEA; double first-class universities; scientific and technological innovation efficiency; efficiency measure

[責任编辑   文   欣]