中國重點高校基礎研究投入產出預測及效率分析

張馨月

摘 要：高校是中國基礎研究的重要力量，探析中國重點高校基礎研究投入產出效率及未來發展具有重要意義。以2001-2016年中國重點高校基礎研究投入產出數據為基礎，構建了基礎研究投入產出指標的ARMA模型，并利用模型預測了2017-2020年重點高校基礎研究投入產出量。同時，運用DEA法對2019-2020年中國重點高校基礎研究投入產出量的預測值進行了修正，確定了有效的目標值，為高校基礎研究的科學發展提出了政策建議。

關鍵詞：基礎研究;ARMA模型;DEA方法;投入產出預測;效率分析

中圖分類號：F23 文獻標識碼：Adoi：10.19311/j.cnki.1672-3198.2020.01.043

0 引言

基礎研究是指認識自然現象、揭示自然規律，獲取新知識、新原理、新方法的研究活動，具有先導性、探索性和時代性的特點。我國重點高校是高校基礎研究的主力軍，其基礎研究發展效率直接關系到我國前沿科技的發展水平，因此，以重點高校為研究對象研究我國高校基礎研究水平很具有代表性。本文將重點高校確定為：“211”及省部共建學校。本文構建了基礎研究投入與產出ARMA模型，并預測2019-2020年重點高校基礎研究投入與產出各指標的預測值;然后運用DEA法對預測值進行了修正，得出了綜合效應較好的基礎研究投入與產出各指標的修正值，為未來我國重點高校的基礎研究投入與產出量給予參考值，為相關決策部門提供參考建議，并就優化基礎研究投入產出結構提出實質性建議。

2 實證分析

2.1 重點高校基礎研究投入與產出量預測

本文以我國重點高校2001-2016年間的科研投入產出為例，構建ARMA模型預測未來的投入與產出值。數據均選自教育部科技司《高等學校科技統計資料匯編》，因2017-2018年數據未公布，本文對這兩年數據也進行了預測，并據此預測了2019-2020年的數據。指標選取參考張璞等在中國高校科研活動全要素生產率研究中對高校基礎研究類投入產出效率指標的劃分，具體內容見表1所示。

本文根據基礎研究投入與產出的指標分別構建重點高校基礎研究人員投入、經費投入、出版著作數、發表論文數的ARMA模型，預測未來重點高校基礎研究各投入與產出指標的預測值。由于構建模型的數量較多，但構建方法一樣，為此，本文僅以重點高校2001-2016年基礎研究人員投入數據為例，構建ARMA模型，并對其說明。

首先選取高校2001-2016年基礎研究人員投入數據，運用Eviews7.2軟件進行平穩性、白噪聲檢驗，以確定數據的平穩性。平穩性說明該數值圍繞在其平均值上下波動，且不隨時間t的影響。檢驗發現，基礎研究人員投入的時間序列呈現一定的趨勢性，可能是非平穩序列。首先采用ADF檢驗法對數據進行平穩性檢驗，檢驗結果如圖1所示。

從圖1可知，統計量t=-3.20047，大于1%顯著水平下的臨界值，說明原始序列并非完全平穩的，對數據進行一階差分，再進行單位根檢驗。單位根檢驗結果顯示，統計量t=-5.938591，小于1%，5%，10%的顯著水平下的臨界值，說明原始序列一次差分后是平穩的，數據進行一階差分后，可以用于建模。

為確定模型的類別，需要對一階差分的時間序列進行自相關函數（AC）和偏相關函數（PAC）分析，根據其的變化趨勢來確定模型的類型。時間序列檢驗顯示自相關函數變化趨勢屬于拖尾，偏相關函數變化趨勢也屬于拖尾，故預測模型選用ARMA。之后需要確定模型的階數，根據自相關函數的變化趨勢，滯后帶2階與0值差異最大，考慮模型的樣本較少，故q值在1-2階的范圍。初步選定考察階數范圍后，更精確的階數要靠AIC或SC的值判斷。表2為自相關函數與偏相關函數取不同階數ARMA模型的AIC或SC值比較，從表2可知，ARMA（2，2）模型的AIC和SC最小，故模型的階數確定為ARMA（2，2）。

構建好模型后，需要檢驗模型殘差序列是否為白噪聲，檢驗結果如圖2。結果顯示模型殘差序列的樣本自相關數和偏相關數都落入隨機區間內，統計Q的概率絕大部分都大于0.05，說明殘差序列是白噪聲系列，模型是顯著的。

最后利用建立的ARMA（1，2）模型對重點高校基礎研究人員投入量進行預測，圖3為預測值與實際值的趨勢圖，可以看出真實值和預測值兩條曲線的擬合情況較好，走勢較為一致。具體預測數據見表3，最大預測誤差小于2%，預測精度很高，充分證明了ARMA模型預測的優越性。根據ARMA（1，2）模型預測得到2017-2020年我國重點高校基礎研究人員投入量見表3所示。

同理，構建重點高校2001-2016年基礎研究經費投入的投入指標模型，出版著作數和發表論文數的產出指標模型，模型分別為ARIMA（1，2，1）、ARMA（2，2）和ARIMA（2，1，2），進行預測及檢驗，得出預測結果，匯總預測值如表4所示。

2.2 重點高校基礎研究效率分析

本文采用DEAP2.1軟件進行數據分析，將實際值和預測值組合的2001-2020年我國重點高校基礎研究投入與產出的連續數據輸入DEAP2.1軟件進行處理，選擇面向投入的分析方式，得到了2001-2020年我國重點高校基礎研究效率水平，包括技術效率、純技術效率以及規模效率，具體情況如表5所示。

從表5可以看出：

（1）2001-2020年我國重點高校基礎研究的技術效率平均值為0.913，純技術效率平均值為0.965，規模效率的平均值為0.945。技術效率最低為0.824，最高為1.000，這說明2001-2020年我國重點高校基礎研究的整體情況不錯。

（2）近幾年，我國重點高校的基礎研究效率顯著提高，技術效率從2014年的0.840上升到2020年的0.929，這說明我國重點高校逐步優化了基礎研究的資金支出結構，提高了基礎研究的支出效率。

（3）DEA有效的年份為2001年和2003年，我國重點高校的基礎研究在這兩年處于最佳收益規模狀態，無需大幅度調整基礎研究的投入與產出規模。2001-2003年、2006-2008年及2020年我國重點高校基礎研究的純技術效率有效，而規模無效。這些年份可以僅通過調整科研規模實現規模有效和整體技術有效。2004-2005年、2009-2019年我國重點高校的基礎研究既不是純技術有效，也不是規模有效，導致技術效率比較低，這要求重點高校既要調整基礎研究的投入產出規模，也要提高管理和技術水平，提升基礎研究的綜合技術水平。

（4）在20年中，除了2001年和2003年，僅在2002年我國重點高校基礎研究的規模報酬遞增，需要增加基礎研究的人員和經費投入，其他年份均處于規模報酬遞減的狀態，只有減少基礎研究的投入規模才能實現最佳的規模收益。

2.3 預測值的修正與分析

為了進一步提高我國重點高校基礎研究的效率水平，本文對非DEA有效的年份計算了基礎研究的投入冗余量和產出不足量。由于本研究主要為未來基礎研究的投入決策提供參考，因此只對預測年份的數據進行說明。在所有效率分析的年份中，2001-2016年為歷史數據，2017-2020年為預測數據，但2017和2018年的數據已經客觀存在，也應是歷史數據，只是尚未公布。因此，本文僅對2019年和2020年的預測值進行修正，結果如表6所示。

3 研究結論與政策建議

3.1 研究結論

本文研究發現，我國重點高校基礎研究的綜合效率較好，基本達到了0.9以上，特別是可預測的近5年，綜合效率呈現明顯上升的趨勢。這說明我國正在優化高校的基礎研究投入結構，在增加基礎研究投入的同時增加產出規模，基礎研究的支出效率得到提升，管理水平得到提高。

本文通過ARMA分析給出了未來兩年我國基礎研究的投入產出預測值，并運用DEA方法對預測值進行了修正，將2019年和2020年我國重點高校基礎研究的投入冗余量剔除，產出不足量進行彌補，最終得到有效的目標值，并將該值作為未來兩年我國重點高校基礎研究投入產出量的參考值。

3.2 政策建議

我國重點高校的基礎研究關系到全國高校以及整個社會的基礎研究水平，影響著我國前沿科技的進步與發展，提高重點高校的基礎研究效率是提升我國高校科研水平的重要途徑。現階段，各個相關主體應該發揮各自職能，努力提升高校基礎研究水平。

教育主管部門不僅要關注基礎研究投入量，還要關注基礎研究的投入效率，從長遠角度來規劃未來我國高校基礎研究的發展方向，制定優化基礎研究發展的政策，合理配發基礎研究使用經費，大力培養基礎研究人才，鼓勵高校積極開展有創造性、前瞻性、高效益的基礎研究工作，生產出更多優秀的基礎研究成果。

參考文獻

[1]施嶸，姜田，徐夕生.關于“基礎研究”的探討[J].中國高校科技，2017，（8）：18-20.

[2]劉天佐，許航.我國不同區域高校科研投入產出績效及其影響因素分析——基于DEA-Tobit模型的實證研究[J].科技管理研究，2018，（13）.

[3]魏權齡.數據包絡分析（DEA）[M].北京：科學出版社，2006.

[4]張璞，王嘉曦，董曉楠.中國高校科研活動全要素生產率研究[J].科技和產業，2018，18（09）：66-71.

[5]郜林平，魯勇兵.基于DEA方法的高校R&D投入產出績效評價與對策研究——以河北省29所高校為例[J].經濟與管理，2016，30（2）：37-42.