赵庆国　何佳

摘 要：區域知识创新体系一个重要组成部分就是高校，而高校科研绩效评价能够指导高校科研活动未来发展的同时，也可以透露出区域知识创新体系建设现状，对于实现有限教育资源的合理配置和提高资源的利用率都具有重要的现实意义。之前多数的研究选择单一的方法评价不同区域的高校科研绩效，因此文中选用超效率DEA模型和Malmquist指数法对2014—2018年我国不同区域高校科研绩效进行实证研究，建立超效率DEA模型对不同区域的高校绩效进行静态测算，利用Malmquist指数法分析不同区域的高校绩效的动态变化情况。研究表明，我国高校科研绩效整体水平较高，但主要受到技术进步效率的影响，科研全要素生产率呈现出缓慢增长趋势，东部高校科研绩效优于中部和西部。并从投入资源配置、内部管理体制、监督评价体制方面提出建议。

关键词：不同区域;科研绩效;数据包络分析;超效率DEA;Malmquist指数

中图分类号：G 644   文献标识码：A   文章编号：1672-7312（2020）06-0581-07

Research Performance Evaluation of Universities in Different Regions of China

——Based on super-efficiency DEA model and Malmquist Index Method

ZHAO Qing-guo，HE Jia

（School of economics and management，Shenyang

University of Aeronautics and Astronautics，Shenyang 110000，China）

Abstract：An important part of the regional knowledge innovation system is colleges and universities，and the scientific research performance evaluation of colleges and universities can guide the future development of scientific research activities in colleges and universities，and it can also reveal the current status of the construction of regional knowledge innovation systems，which has important practical significance for realizing the rational allocation of limited educational resources and improving the utilization

rate of resources.The utilization rate has important practical significance.Most of the previous studies chose a single method to evaluate the research performance of universities in different regions.Therefore，this paper uses the super-efficiency DEA model and the Malmquist index method to conduct empirical research on the research performance of universities in different regions of China from 2014 to 2018，and establishes the super-efficiency DEA model for different regions.The performance of colleges and universities is measured statically，and the Malmquist index method is used to analyze the dynamic changes of college performance in different regions.Studies show that the overall level of scientific research performance in Chinese universities is relatively high，but it is mainly affected by the efficiency of technological progress;that the total factor productivity of scientific research shows a slow growth trend，and the scientific research performance of universities in the east is better than that in the central and western regions.Suggestions are made on the allocation of resources，internal management system，and supervision and evaluation system.

Key words：different regions;scientific research performance;DEA;super-efficiency DEA;Malmquist index

高等院校不仅仅承担着为国家输送大量科技人才的责任，还承担着凭借自身科研活动推动地方经济发展的责任。然而教育资源的稀缺性，使得合理配置这一稀缺资源对高校的未来发展起到重要的影响。高校的科研绩效能够反映高等院校科技投入与产出的关系，体现了高校对社会经济发展的贡献[1]，也是衡量高校综合实力的重要标准。为了满足高校科研资源的合理配置，促进全国各区域的协同发展，文中采集2014—2018年的高校科研数据，运用超效率DEA模型和Malmquist指数法对我国31个省份的高校科科研绩效进行评价。

1 研究回顾目前我国学者对不同地区高校科研绩效的研究已经取得了一定的成果。沈立宏、赵怡（2016）运用数据包络分析方法对31个省份地方高校2012年的科研绩效进行了排名，结果表明全国地方高校科研绩效水平存在较大差异，并且技术绩效优于规模绩效[2]。翁秋怡（2017）采用随机前沿分析72所教育部直属高校，得出东中西地区高校的科研绩效基本保持稳定、西部绩效略高于东中部的结论[3]。马玲玲（2018）通过Malmqusit指数方法测算出2010—2016年的东部经济区985工程高校科研绩效最高，中部次之，西部最低[4]。刘敏、万丽娟（2018）基于VRS模型测度了2007—2016年31个省份农业科研机构科技创新绩效，表明六大区域农业科技创新绩效存在显著差异，这些差异正在逐渐缩小[5]。刘天佐、许航（2018）利用数据包络分析2009—2016年我国31个省份高校科研绩效的均值情况，结果表明整体绩效水平不高且地区分布差异明显[6]。刘雪凤、杜浩然、 闫莉（2018）利用层次分析法和模糊综合评判法评价我国38所985工程高校2009—2014年知识产权能力，结果显示我国东、中、西部985工程高校知识产权综合能力成高低二级阶梯状[7]。段晓梅（2019）利用超效率数据包络分析法评价我国30个省市2015年的高校科研绩效，发现我国高校科研绩效存在较大的区域差异[8]。宗晓华、付呈祥（2019）使用超效率—非径向DEA模型分析教育部直属高校2006—2015年间的科研效率，研究发现样本高校整体科研效率不高且进步缓慢，规模效率不断衰减[9]。邱泠坪、郭明顺、张艳和张默（2017）基于超效率DEA模型和Malmquist指数对2012—2015年的32所农业院校科研绩效进行评价，发现农业院校的平均科研技术效率没有达到DEA有效，没有任何增长趋势[10]。苑泽明、张永贝、宁金辉（2018）静态采用DEA-BCC模型和动态选用DEA-Malmquist指数模型分析京津冀高校2012—2016年的科研创新绩效，整体科研创新绩效水平不高，但科研创新全要素生产率呈上升趋势[11]。综上分析，现有科研绩效评价的研究大多采用数据包络分析法、模糊综合评价等评价方法，但多数选择从静态维度分析，对高校科研绩效的动态效率研究较少。基于此，文中的研究对象定为我国31个省市自治区高校，从科研投入与产出的视角构建高校科研绩效评价体系，在传统DEA模型基础上，利用超效率DEA、Malmquist指数法对高校科研绩效进行对比分析。

2 评价模型的构建目前用于评价高等院校效率的方法有因子分析法[12]、熵值法[13]、層次分析法[14]、模糊综合评价[15]等，但DEA方法具有不需要指标进行无量纲化、对指标的选取具有较好的包容性，更适合评价多投入、多产出组织的效率等优势，让其在评价高校科研绩效时得到广泛应用[16]。为了更全面地对不同区域的高校科研绩效进行评价，文中采用静态超效率DEA模型对某一时点的高校科研绩效进行分析和动态Malmquist指数法分析某一时间段高校科研绩效的变化趋势[17]。

2.1 DEA基本模型和超效率模型DEA模型于1978年首次被提出，通过各种模型求解有效生产前沿面曲线，根据决策单元与该曲线的距离评价决策单元效率的有效性[18]。DEA模型主要有以下几种：基于规模收益不变假设提出的CCR模型、增加了限制条件的BCC模型、规模效率非递增的FG模型、规模效率非递减的ST模型。由于传统DEA模型不能对DEA有效的决策单元进行进一步的分析，因此安德森与彼德森在此基础上提出了技术效率可以超过1的超效率DEA模型[19]。超效率DEA模型的表达式如下

其中，X i为决策单元的输入向量，X i=（x1i，x2i，…，xmi）T>0

，对应的权变量设为U i=（u1，u2，…，xm）T≥0，Yi为决策单元的输出向量，

Y i=（y1i，y2i，…，ymi）T>0

，对应的权变量设为

V=（v1，v2，…，vm）T≥0

。超效率DEA值若小于1，则表示决策单元处于技术无效，需要改进投入或者产出的状态。

2.2 Malmquist指数Malmquist指数由马姆奎斯特提出用来计算消费的指数，可以对多投入、多产出结构的对象进行动态效率分析，由技术进步效率（Tech）、纯技术效率（Pe）和规模效率（Se）组成[20]。Malmquist指数的表达式如下[21]

其中，（xt，yt）

为第t时期的投入向量;（xt+1，yt+1）为第t+1时期的产出向量;Dt0和Dt+10分别为上述时期的距离函数。 M0>1、M0=1、M0<1分别表示相邻2个时期的科研绩效有提升、无变化、降低。

2.3 评价指标的选取高校科研绩效评价指标分为高校科研投入和高校科研产出2个方面。在借鉴国内外研究的基础上，考虑指标构建的典型性、可比性、可操作性等原则，文中构建的高校科研绩效评价指标体系[22]，见表1。投入指标的选择。投入指标主要选取高校科研人力资源以及财力资源。科研人力资源指标选择教学与科研人员，研发人力的指标值越大说明高等院校对从事科研活动的人员数越多，一定程度上反映了高等院校研究与发展的水平;以当年科技经费内部支出作为高校科研财力资源的指标，经费支出是指用于科研人员的劳务费、业务费、购置固定资产等费用，不包含转拨给外单位的经费支出[23]。产出指标的选择。科研产出主要选取三类指标，一是出版著作数和与学术论文数，这两项指标可以反映区域高校科研成果的数量;二是国家级别的成果授奖数与专利授权数，这两项指标可以考核区域高校科研成果的质量;三是技术转让当年实际收入，这项指标能够衡量高校科研产生的经济效益[24]。指标所使用的数据均来源于2014—2018年《高等院校科技资料统计汇编》，并运用DEA-SOLVER Pro 5.0软件进行效率测算。

3 高校科研绩效的实证分析

3.1 高校科研绩效的超效率分析先测算出31个省份每年的技术效率、纯技术效率、规模效率和规模报酬状态，之后利用超效率DEA解决同年份技术效率为1的科研绩效排名问题，整理评价结果，见表2。

2014—2018年中国高校科研绩效的超效率DEA的平均值分别是1.025、1.024、1.126、1.032、1.029，呈现出先增后减的发展趋势。东部高校的科研绩效最高，年均值分别是1.056、1.088、1119、1.002、1.080，西部高校绩效略低于东部，分别是1.035、1.015、1.248、1.046、0.982，中部高校最低，分别是0.967、0.950、0.951、1.052、1.031。高校科研绩效大多处于规模报酬递减或者不变的状态，广东、河北、吉林和广西3年的规模报酬都是递减，表明这4个省份的高校不能继续扩大科研投入规模，应该优化现有的科研资源配置。2014—2018年中国高校科研绩效的综合技术效率平均值分别是0.904、0.906、0.898、0.914、0901、0.900。連续3年都实现纯技术效率、规模效率有效配置的省份是北京、江苏、浙江、河南和贵州，占比约16.13%。2014年DEA有效前沿面的省份有13个，根据超效率DEA值，北京、宁夏和西藏位列前3名，而青海、广东和天津却位列后3名。2015—2018年均有14个省份处于DEA有效前沿面，2015年超效率DEA值位列前3名是北京、新疆、福建，西藏、青海、吉林则是后3名。2016年前3名是西藏、北京、河南，后3名是青海、广东、广西。2017年前3名的是北京、内蒙古、河南，后3名则是西藏、河北、青海。2018年前3名是北京、新疆、河南，青海、广西、福建则是后3名。北京高校科研绩效一直位列前茅，而青海一直在后3名徘徊，西藏高校的科研绩效水平极其不稳定，忽上忽下。能够反映区域科技管理水平的指标是纯技术效率，2014—2018年高校科研绩效的纯技术效率均值分别是0.939、0.950、0.948、0.930、0.947、0922，而五年纯技术效率值均为1有北京、浙江、江苏等11个省份。其中2014、2015年均有21个省份实现了纯技术效率有效，2016年则有16个，2017年有18个，而2018年有17个。能够反映区域是否处于最佳投入规模的指标是规模效率，2014—2018年高校科研绩效的规模效率分别是0.962、0.955、0.946、0.983、0.951、0976，五年规模效率值均为1有北京、江苏、浙江、河南和贵州。2014、2015年实现了规模效率有效的省份个数都有14个、2016和2018年都有15个省份、2017年则有17个。为实现全国科研投入资源的合理配置，应该加大对于规模报酬递增省份的投入力度，适当削减规模报酬递减省份的投入。

3.2 高校科研绩效的Malmquist指数分析由表3可知，2014—2018年高校科研绩效全要素生产率整体呈现缓慢增长趋势，年均增长1%，各高校实现了科研投入资源的有效配置，其中技术进步效率年均增长了1.1%，起到主要的推动作用。2014—2015年高校的全要素生产率明显下降，技术效率、技术进步效率均小于1，说明此时高校的管理和技术均未达到最佳状态，而2015—2016年高校的科研管理和技术水平达到了较好的水平。2016—2017年高校的全要素生产率略有上升，技术效率小于1，技术进步效率大于1，说明高校的管理水平是阻碍全要素生产率增加的因素。2017—2018年高校管理和技术均需要不断调整。

2014—2018年各省份科研绩效的动态变化情况见表4。中部地区高校的科研全要素生产率年均增加3.7%，东部年均增加2.1%，西部年均减少1.1%，说明西部地区高校在科研绩效上存在不少的问题。北京、广东、江苏等29个省份的科研效率的技术效率值大于或等于1，表明这些省份的科研效率并没有下降，而福建、海南、河北等12个省份的科研效率出现了下降趋势，说明这些省份科研管理不够规范、高效。北京、广东、海南等17个省份的技术进步效率值大于或等于1，说明这些省份

的技术水平有所提高，但福建、河北、天津等14个省份的技术水平出现了退步。31个省份的全要素生产率存在较大的差异，北京、广东、海南等17个省份的科研效率呈现出不同幅度的增长趋势，其中山西增长虽为明显，达到了20%，其余福建、河北、上海等14个省份的科研效率出现下降趋势，福建和宁夏

下降幅度高达10.6%。福建、河北、安徽等6个省份的技术进步效率、纯技术效率、规模效率均小于1，拉低了整体的科研生产率。

根据图1，上海、安徽、吉林等省份主要受技术效率的变动影响科研效率，北京、江苏、浙江等省份主要由于技术进步效率变动的作用，而福建、广东、海南等省份则是受到技术效率和技术进步效率的双重作用。整体来看，技术效率和技术进步效率共同变动影响高校的科研绩效，但是更多的是受到技术进步效率的变动影响。纯技术效率变动和规模效率变动共同作用能够改变技术效率，上海、陕西等省份主要通过纯技术效率影响技术效率，海南、湖南、四川等省份则是通过规模效率变动使其技术效率发生变动。

4 结语文中构建了高效科研绩效评价体系，对2014—2018年31个省份的科研绩效进行实证研究，从静态和动态两个维度进行分析，得出以下结论：从静态分析发现，我国高校科研技术效率近五年的平均值为1.047，表明我国高校科研绩效的整体水平较高。北京、江苏、浙江等5个省份的超效率DEA值都是大于1，连续五年都实现了科研投入资源的合理配置。广东、河北、吉林和广西近5年的规模报酬都是递减，说明这4个省份应该停止扩大科研投入资源;从动态分析发现，高校科研绩效整体呈现年均增加1.3%的趋势，技术进步效率起到拉低作用。中部高校的科研绩效呈现年均增加3.7%的趋势，明显由于东部年均2.1%的增长趋势和西部年均1.1%的下降趋势。山西的科研生产的增长率达到20%，而福建和宁夏的下降率超过10%，福建、河北、安徽等6个省份的技术进步效率、纯技术效率、规模效率均小于1，拉低了全国整体高校的科研绩效。结合静态动态分析结果，我国高校科研绩效整体水平较高，呈现缓慢增长趋势。东部地区高校科研绩效水平最高，呈现增长趋势，中部高校科研绩效水平最低，但是增长速度最高，西部高校科研绩效水平较高，却呈现下降趋势。北京、江苏等省份高校科研绩效较好，不断保持提高效率，而甘肃、内蒙古等的高校近几年受到技术进步效率的影响科研绩效出现下降。上海、天津、云南等省份近几年科研得全要素生产率接近1，说明这些省份处于科学研究的停滞阶段，应该进行规模调整、改善内部管理、引进现金技术等方法提高科研绩效。广西、青海等省份呈现出科研绩效水平持续走低的趋势，相关管理部门应该予以重视。山东、河南、山西等省份通过不断调整科研管理水平和提升科研技术，其科研绩效水平得到了明显提升。评价体系的主要作用只要是为了改进高校科研绩效，因此提出如下建议：为了削减我国高校的科研绩效的区域差异，合理分配科研投入资源以提高科研效率，做好中央和地方资源的协调，同时向效率前沿的省份学习，保证高校科研规模和绩效的同步增长;建立高校与地方企业的联盟，为高校筹集社会科研资源，努力进入地方创新系统，充分利用高校现有的科研人才，制定各种科研奖励政策，实现高校科研绩效的稳步提升;高校立足于高质量的科研成果，完善科研绩效的管理制度，建立科研绩效监督评价机制，对投入资源进行合理的监督评价，促进高校科研投入产出绩效的提升。参考文献：

[1]Frittelli Marco，Mancini Loriano，Peri Ilaria.Scientific research measures[J].Journal of the Association for Information Science and Technology，2016，67（12）：3051-3063.

[2]沈立宏，赵怡.基于数据包络分析的地方高校科研绩效评价[J].高等工程教育研究，2016（03）：147-151.

[3]翁秋怡.我国高校科研、教学和社会服务效率趋势研究——以72所教育部直属高校为例[J].当代教育科学，2017（10）：81-86.

[4]马玲玲.基于Malmquist指數模型的研究型高校科研绩效评价[J].统计与决策，2018，34（22）：68-70.

[5]刘敏，万丽娟.中国农业科技创新绩效的地区差异研究——对农业科研机构创新绩效的实证分析[J].重庆大学学报（社会科学版），2019，25（02）：28-36.

[6]刘天佐，许航.我国不同区域高校科研投入产出绩效及其影响因素分析——基于DEA-Tobit模型的实证研究[J].科技管理研究，2018，38（13）：113-118.

[7]刘雪凤，杜浩然，闫莉.我国“985”高校知识产权能力绩效评价[J].科技管理研究，2018，38（02）：65-74.

[8]段晓梅.系统思维下我国高校科研绩效的超效率DEA评价[J].系统科学学报，2019，27（04）：51-54+76.

[9]宗晓华，付呈祥.我国研究型大学科研绩效及其影响因素——基于教育部直属高校相关数据的实证分析[J].高校教育管理，2019，13（05）：26-35.

[10]邱泠坪，郭明顺，张艳，张默.基于DEA和Malmquist的高等农业院校科研效率评价[J].现代教育管理，2017（02）：50-55.

[11]苑泽明，张永贝，宁金辉.京津冀高校科研创新绩效评价——基于DEA-BCC和DEA-Malmquist模型[J].财会月刊，2018（24）：26-32.

[12]Costas R，Van Leeuwen T N，Bordons M.A bibiometric classificatory approach for the study and assessment of research performance at the individual level：the effects of age on productivity and impact[J]Journal of the American Society for Information Science and Technology，2010，61：1564-1581.

[13]Tseng M L，Chiu A S F.Evaluating firms green supply chian management in linguistic preferences[J].Journal of Clearner Production，2013，40：22-31.

[14]张耀天，贾明顺，张旭成.基于自适应层次分析法的高校科研绩效评价[J].科技管理研究，2016，36（11）：106-110.

[15]贾敬全，汪佩霞.基于FCE-AHP方法的高校科研经费绩效评价研究[J].会计之友，2018（14）：115-120.

[16]张萌物，漆棪.基于DEA-Malmquist模型的陕西省物流产业效率综合评价[J].技术与创新管理，2019，40（02）：237-243.

[17]赵聚辉，黄诗华.基于超效率DEA和Malmquist指数的中国科技研发效率评价研究[J].宏观经济研究，2019（09）：123-129.

[18]侯彬彬，周安宁，李红霞，等.基于DEA的我国高校科研投入与专利产出分析[J].技术与创新管理，2016，37（04）：381-385.

[19]张清海，张良强.基于DEA方法的省域高校科技创新效率评价与分析[J].技术与创新管理，2015，36（03）：237-242.

[20]晋兴雨，张英姿，于丽英.一流大学建设背景下高校综合绩效评价实证——基于非定向Super-SBM模型和Malmquist指数[J].上海大学学报（自然科学版），2019，25（04）：625-635.

[21]闫平，马璇璇，王海涛.我国高校科研效率评价——基于DEA与Malmquist指数的分析[J].财会月刊，2016（32）：3-9.

[22]王卫星，王煜.高校科研绩效及影响因素研究——以教育部直属高校为例[J].会计之友，2017（10）：109-114.

[23]李瑞，曾国华.我国高校科研效率评价——基于面板DEA的动态评价与地区差异研究[J].财会月刊，2017（03）：56-60.

[24]李璐.京津冀高校科技创新效率的实证研究——基于DEA分析的SBM模型和Malmquist生产率指数[J].教育学术月刊，2019（02）：44-53.

（责任编辑：王 强）