摘要：高等院校的办学效率是保证高校可持续发展，促进高校转型升级的关键。效率的测量则是评估办学效率的首要工作，而测量方法的选取又直接关乎结果的准确性。因此，须从经济学的角度出发，对国内有关高校办学效率的计量方法进行梳理、归纳和评述。

Abstract： Efficiency is the core of ensuring the sustainable development of universities， as well as the key to promoting transformation and upgrading of universities. The measurement of efficiency is the primary task of evaluating efficiency， and the selection of measurement method is directly related to the accuracy of the results. Therefore， from the perspective of economics， we need to sort out， summarize and comment on the measurement methods of university efficiency in China.

关键词：高校；办学效率；文献综述

Key words： university；running efficiency；literature review

中图分类号：G64 文献标识码：A 文章编号：1006-4311（2018）32-0274-02

0 引言

随着高等教育大众化进程的不断推进以及社会对高层次人才的需求增加，使得国内教育资源愈发稀缺。基于此，高校办学效率的计量就显得尤为重要。客观有效地测量高校办学效率，才能有的放矢地进行教育资源的优化配置，提高办学水平，进而促进高校转型升级，确保高校的可持续发展。

1 概念界定

效率一词通常出现在经济学领域。从资源投入、产出的角度来讲，效率指固定的投入所引起的最大产出。本文所涉及的高校办学效率可理解为要使高校资源配置达到最优状况的投入——产出比。

2 计量方法

2.1 生产函数

生产函数通常表示在一定时期内，各投入生产要素和产出之间的函数关系，在研究高校效率时，可把学校看成厂商，通过考察高校各项资源的投入与产出情况，分析高校的办学效率。如成刚（2007）利用教育部直属高校数据建立二次成本函数，分析我国高校的范围经济情况。戴玉纯等（2015）构建高校内涵式发展的科布——道格拉斯生产函数，研究安徽省省内高校的资源、效益、规模、质量之间的协调关系。但是，高校办学效率涉及的投入产出要素很多，很难通过生产函数的形式把他们完美地表达出来，因此，运用生产函数考量高校办学效率的文章并不多见。

2.2 线性回归模型

在研究高校办学效率时，线性回归模型因其方法简单、理论完善被认为是测算高校办学效率的有效途径之一。线性回归模型一般选取某一产出指标作为被解释变量，运用最小二乘法（或最大似然比）确定其与众多解释变量即投入指标的依存关系。王伟（2014）从办学场地、师资力量、教学设备、经费四个角度设置14个指标作为投入，同时选取就业率、毕业后收入等7个指标为产出。分别进行交叉回归，建立办学效率和人才培养的综合评价体系。彭清华和阳建辉（2011）以在校学生数的对数为被解释变量，教师数量对数和学校面积对数为解释变量并引入扩招分界点虚拟变量，建立线性回归，考查扩招（1999年）前后我国高校的规模经济情况。李富（2010）、侯龙龙（2004）也有类似的研究。李文利和由由（2007）认为回归法只适用于对样本平均情况的估算，可用于高校成本分析和规模经济、范围经济的测算。

线性回归是基于变量整体服从正态分布、同方差以及个体间随机误差独立三个基本假设，但在实际的高校办学效率研究中，经常遇见存在嵌套关系的多层数据，多层数据难以服从同方差和个体间随机误差独立两个假设，此时若一味使用常规线性回归易出现汇总偏差、回归异质等问题。基于此，有学者引入多层线性回归模型（HLM）解决这一问题。HLM将不同层面的解释变量分离，在一次回归的基础上再回归，使结果更精确。HLM在效率测算方面应用广泛。刘云波（2014）通过建立专业层面和省级层面的HLM，考察教育投入、区域经济发展水平、产业结构对高职院校办学效率的抑制——促进作用。杨钋（2016）从院校和省份两个层建立省域高职发展的多层线性回归模型对国内1090所高职院校的均衡发展水平进行考察。

2.3 数据包络分析

数据包络分析（DEA）是一种基于被评价对象间相对比较的非参数技术效率分析的方法，思路是根据最优的投入产出数据构建生产前沿面，效率即为各决策单元到生产前沿面的距离。其线性规划表达式如下：

θ为效率值；X0为投入；Y0为产出；s为松弛变量；λ为权重。

与回归模型相比，数据包络分析对于多产出指标的效率测量有顯著优势，此外，数据包络分析从综合、技术和规模三个层面综合考量效率情况，更为准确和全面，因此，数据包络分析的应用日趋广泛。涉及国内高校办学效率方面的数据包络分析的文章主要集中在高校职能部门的效率测算，如高海涛（2014）；沈能（2013）；胡帆（2018）；王燕（2016）。高校整体效率测算的文章相对少一些。主要有袁卫（2013）对国内72所高校进行基于变换参考集的效率测算。张玉惠和杨亚（2014）运用DEA方法分析青海省三所高校的办学效率。

近年来，在使用DEA研究高校办学效率时，更多的学者选择DEA-TOBIT两步法，即把回归分析和数据包络模型结合，具体而言，首先使用DEA测算办学效率值，然后以效率值为被解释变量，另选取影响效率的因素作为解释变量，考察相关和回归关系，如姜彤彤（2011）、程立浩（2015）；戴澍（2017）；李荔（2017）等。DEA-TOBIT结合了数据包络和回归分析的优点，但在使用时候容易出现内生变量的问题，因此在选择指标时要注意避免DEA测算时的决策单元和回归分析的解释变量存在联系。

2.4 随机前沿分析

随机前沿分析（SFA）是在传统生产函数的基础上提出了具有复合扰动项的随机边界模型，该理论把随机扰动项ε分解成v和u两个部分，其中 代表随机误差项，属不能控制的因素； 代表技术损失的误差项，属可控因素。与DEA相比，随机前沿分析能够区分统计噪声，与回归模型相比又能有效避免被解释变量加权的繁琐过程。因此在实际测量效率时被大多数学者青睐。

从年份上看，国内运用SFA测算高校效率的文献主要集中于近五年，如徐超（2015）对国内高校人文社科的科研效率进行SFA分析，发现该领域存在成本无效率现象。孙秀峰和劉小君（2015）运用SFA法发现国内高校的成本效率有不断下降的趋势，且东部地区高校的效率明显高于中西部地区高校的效率。雷风搏（2016）对高校的创新效率进行了随机前沿分析。杨昌辉（2015）、唐一鹏（2017）等也有类似的研究。

有学者尝试把随机前沿模型和数据包络模型结合，形成了一种新的测量效率的方法，即为三阶段DEA法，最早由Fried于2002年提出。三阶段DEA法顾名思义把效率测算分成三个步骤，第一步为传统的DEA效率测算；第二步构建类SFA模型进行噪声分离，第三步按调整后的输入值再次测算DEA。则此时效率值就是摒除了环境因素和噪声的真实值。但三阶段DEA在理论层次还有分歧，特别是在管理无效率的分离公式上。

因此利用三阶段DEA测算高校效率的文章并不多见，主要有杨宏进（2011）；钟颖（2016）；戴澍（2017）等。

3 结束语

从各种方法的使用频率来看，包括HLM在内的线性回归模型是使用频率最大的方法，但近年来DEA和SFA的文章数量大幅增加，并有取代线性回归的趋势，同时有部分学者在DEA和SFA的基础上进行深层次的理论发掘，诸如超DEA模型、Malmquist指数、超越对数生产函数的SFA等方法也逐渐应用到高校效率的研究领域。此外也有学者把模糊理论、灰色理论、神经网络等方式运用到高校效率中，成为一些非主流的研究方法。各种计量办学效率的方法各有优势，但也存在不足之处，在实际的实证研究过程中，须根据输入-输出指标的选取和数据的结构情况选择最适合的计量方法。

另一方面我们也须认识到，同国外相关研究相比，国内有关高校效率的定量研究还不够深入，特别是在理论支持方面缺乏创新，同时在产出指标体系构建时往往重视科研和教学水平而忽视了高校的社会服务职能，使得研究结果缺乏说服力；再有，高校办学水平不能一味的追求效率，在诸如社会影响，公共关系等领域也是需要引起高校管理者重视的，而这些领域往往成为限制效率的因素，这就需要高校领导者在高效率性和可持续性之间找到一个均衡点，保证高校的良性发展。

参考文献：

[1]戴澍，鲁庆尧.江苏省民办高职院校办学效率的影响因素分析——基于DEA-Tobit两步法[J].湖南工业职业技术学院学报，2017，17（03）：101-105.

[2]戴澍.基于三阶段DEA的江苏省民办高职院校资源使用效率研究[J].内燃机与配件，2017（06）：92-94.

[3]胡帆.高等学校财政投入绩效评价研究[D].武汉理工大学，2013.

[4]成刚，孙志军.我国高校效率研究[J].经济学（季刊），2008（03）：1079-1104.

[5]高鸿业.西方经济学（微观部分）[M].北京：中国人民大学出版社，2007.