基于DEA模型的省屬財經類高校科研效率的靜態和動態分析

賀 剛， 黃雨晗， 劉曉明

(上海立信會計金融學院，上海 201209)

一、引言

2020年11月，《新文科建設宣言》指出，新時代新使命要求文科教育必須加快創新發展。財經類高校“新財經”建設是高校新文科建設的重要組成部分。隨著高等院校科研工作步入新階段，財經類高校憑借比較優勢與學科特色展現出強勁發展勢頭。新形勢下，財經類高校要努力提高科研發展水平以適應新文科建設的內在要求。省屬財經類高校是以培養經濟類、管理類專業化人才為主要目標，由地方政府統一撥款并服務地方經濟建設的行業性、特色性高校。作為我國高等教育的重要組成部分，省屬財經類高校致力于服務國家經濟建設，肩負培養財經領域卓越人才的任務，在推動學術進步、引領社會發展、傳承文化方面發揮著重要作用。但是由于國家重點發展“211工程院校”和“985工程院校”以及資源配置上的傾斜，省屬財經類本科高校在國家層面上被重視程度不夠，存在自信心不足、人才利用效率偏低等問題。

因此，研究省屬非“211”財經高校的科研效率具有重要的現實意義，特別是在“新文科”背景下，如何合理充分利用相對稀缺的教育資源，協調科研投入與產出，提升科研效率，促進省屬財經高校高質量發展具有重要的現實意義。

二、文獻綜述

相比于層次分析法、數理統計法等方法不能從投入產出角度綜合評價科研效率，數據包絡分析方法(DEA)則可以兼顧投入與產出指標，是一種評價多投入多產出生產與非生產部門效率的有效方法。因此，近年來國內外學者研究高校科研績效評價時也逐漸采用DEA方法。目前國內學者應用DEA方法評價高校績效的研究主要分為3個方面。

一是針對不同省份和地區的高校進行區域性效率評價。沙巨山(2016)[1]研究了我國2003—2013年30個省(市)的高等院校科研效率，結果表明東部地區的綜合效率和技術效率遠高于中部、東北、西部地區。操琳琳和孫俊華(2019)[2]運用數據包絡分析方法分析了31個省份高校的科研投入產出效率，結論為雖然科研效率總體情況良好，但非DEA有效省份高校普遍存在投入產出結構不合理、人財物資源投入冗余等問題。劉偉等(2010)[3]選取31個省(市)高校樣本進行科技創新能力評價，發現東部省(市)高校科技創新能力一般都較高，其次是中部省(市)高校與西部省(市)高校。楊辰利和任初明(2017)[4]研究發現2009—2013年內39所省屬財經類高校科研發展水平不平衡，東部地區省屬財經類高校科研發展指數均值顯著高于西部地區。盧蓉(2019)[5]運用二階段網絡DEA模型對我國2011—2016年高校科研成果轉化效率進行測算，結果表明我國中東西部的技術成果轉化差異仍然存在，技術成果主要集中于東部地區。

二是針對不同主體的高校進行科研效率評價，如針對985高校、211高校、雙一流高校、理工類高校、經管類高校等。姜彤彤(2013)[6]采用Malmquist指數分析方法，分析2005—2010年我國36所“985工程”高校的科研效率，得出我國高校科研活動生產率年均增長2.9%的結論。江建龍(2018)[7]的研究表明江蘇省15所“雙一流”高校中有86.67%的高校科研效率具有有效性。彭迪和郭化林(2020)[8]分析了2015—2018年32所“雙一流”建設高校全要素生產效率，得出樣本高校的全要素生產效率呈現“中部塌陷”態勢的結論。閆平等(2016)[9]研究發現教育部直屬48所高校中83.3%的高校科研效率沒有達到有效水平，存在科研管理水平較低、科研資源配置不合理等問題。王衛星和王煜(2017)[10]運用DEA方法測度2015年63所教育部直屬高校的科研效率，發現76.2%非DEA有效高校不同程度地存在科研經費投入冗余和科研成果產出不足。王樹喬等(2016)[11]測算2008—2014年中國36所“985”高校的科研效率，發現中部地區的“985高校”科研綜合技術效率水平較高。

三是針對高校不同院系的科研效率進行評價。陳俊生等(2012)[12]以江蘇省地方綜合性大學中的15個人文社會科學類學院為研究對象，發現樣本中人文社科科研效率還不高，仍有較大的提升空間。陳琢(2020)[13]以2009—2014年中國31個省(市)高校科研活動為研究對象，研究發現不同省(市)的科研技術效率差異較大，少數省(市)依然存在“重理輕文”科研觀念。邱泠坪等(2017)[14]利用綜合DEA模型對32所高等農業院校科研生產績效進行分析，發現75%的農業院校非DEA有效、科研績效不顯著、科研產出量偏低。李曉斌(2013)[15]通過計算2009—2011年豫北地區某醫科院校的14個院系的科研效率，發現該校醫學院系的科研綜合效率優于文科院系和理科院系。

但以往的研究較少聚焦省屬“非211”的普通財經類高校的科研效率評價，并且以往的研究側重于靜態研究且較少考慮投入產出的時滯問題。基于此，將研究對象確定為省屬“非211”普通財經院校，以2016—2019年面板數據為基礎，分別應用超效率CCR模型和DEA-Malmquist指數模型對相關高校科研效率的相對效率水平和全要素生產率進行分析和評價。本文的主要貢獻在于：(1)綜合應用DEA數據包絡分析模型對27所“非211”省屬財經類普通高校的科研效率進行靜態和動態分析，在此基礎上探討“非211”省屬財經類高校科研效率變動的原因；(2)為了探究不同地區財經類高校的科研效率變化情況，將樣本高校分為東、中和西部三個地區進行分地區評價。

三、研究設計

(一)樣本選取與數據來源

選取上海立信會計金融學院等27所省屬非211財經類高校作為研究對象進行科研效率評價，研究區間為2016—2019年，所有數據來自中國高校人文社會科學信息網的《社科統計摘要》。采用的數據分析軟件為Deap2.1和DEA-EMS。

(二)研究方法

CCR和BCC模型是DEA分析的兩個最基本的模型。

BCC模型是在規模報酬可變的假設下，將CCR模型中的技術效率分解成純技術效率(PTE)和規模效率(SE)。即：

TE=PTE×SE

(1)

從應用的角度看，DMU的TE、PTE和SE越接近于1，則認為其綜合效率、純技術效率和規模效率越高；當等于1時，認為其對應效率達到“DEA最優”。

通過BCC模型可以得到綜合有效的DMU，但對于多個DEA有效的DMU，無法進一步得到這些DMU之間的有效性情況。而通過超效率CCR模型算得的效率值可能大于1，這樣則可以得到最有效的DMU。本文應用超效率CCR模型進行實證分析。超效率CCR模型較好地解決了有效DMU的排序問題。對決策單元進行評價時，將被評價的決策單元排除在決策單元的集合之外。

假設存在m個DMU，每個DMU有n個投入指標和l個產出指標，對于第j個DMU，Xj=(X1j，X2j，…，Xnj)T，Yj=(Y1j，Y2j，…，Ynj)T，j=(1，2，…m)。X0，Y0為選定決策單元DMU0的投入向量與產出向量，λ是相對于DMU0重新構造一個有效決策單元組合中m個決策單元的組合比例，θ為決策單元DMU0的投入相對產出的有效利用程度，即效率值。超效率模型可以用如下方程表示

(2)

λj≥0 j=1，2，…，k，…，n

本文通過基于DEA的Malmquist指數方法測算全要素生產率變化率(TFPCH)，以此進行動態績效分析。其基本思想是通過非參數的DEA-Malmquist方法計算TFPCH，用這種方法算得的TFPCH稱為Malmquist TFP指數，在規模報酬不變的假設下，TFPCH可以被進一步分解為技術效率變化指數(EFFCH)和技術進步指數(TECHCH)。即：

TFPCH=EFFCH×TECHCH

(3)

在規模報酬變化的假設下，技術效率變化指數可以再分解為規模效率指數和純技術效率變動指數。純技術效率是由于管理和技術等生產要素影響的生產效率，規模效率是因為規模因素影響的生產效率。即：

TFPCH=PECH×SECH×TECHCH

(4)

從應用角度看，該指數以1為分界線，大于1表明TFPCH上升，小于1表明TFPCH下降。對于技術效率變化指數(EFFCH)，如果指數數值大于1，則表示其呈上升趨勢，并且是全要素生產率增長的主要原因。技術進步變化指數(TECHCH)數值含義與技術效率變化指數(EFFCH)基本一樣。

(三)指標體系構建

在投入指標方面，高校科研活動的投入指標往往指的是人力、物力、財力。鑒于物力的難以衡量性，也考慮到財經類高校科研活動的物力和財力主要還是由科研經費決定的特點，根據《全國普通高校人文、社科類統計報表》的統計指標體系，本文主要選取人力投入和經費投入作為投入主體，在人力投入指標方面選取研發人員合計和當年投入人數；在經費投入指標方面選取研究與發展經費當年內部支出、課題經費當年支出。科研產出指標一般是科研成果、科研獲獎以及科研項目，其中，科研成果選取了著作數、論文數、研究和咨詢報告作為三級指標；科研獲獎選取獲獎成果合計、獲國家與部級獎作為三級指標；科研項目選擇了課題數作為三級指標。具體指標如表1所示。

表1 投入產出指標

為避免指標之間存在較強相關性，應用SPSS24軟件分別對投入指標和產出指標做相關性分析，以保證指標的正確性，具體結果如表2和表3所示。結果顯示投入指標和產出指標之間的相關性均低于0.7，即指標之間不存在較強相關性，說明指標選取相對合理。

表2 投入指標的相關性分析

表3 產出指標的相關性分析

(四)實證分析

1.基于超效率CCR模型的靜態分析。應用超效率CCR模型計算出27個樣本高校2016—2019年每年效率值，結果見表4。可以看出2016年超效率CCR值大于1的有17所高校，這說明這17所高校的科研投入和產出效率達到有效狀態，而其他10所高校的科研投入和產出則有冗余，處于無效率狀態。2017年的CCR超效率值大于1的則有13所高校，小于1的有14所高校；2018年的CCR超效率值大于1的高校有14所，小于1的則為13所；2019年CCR超效率值大于1的高校有12所，小于1的則為15所高校。2016—2019年CCR超效率的總體均值為1.29，超效率CCR均值大于1的高校有16所，這說明27所高校科研活動總體效率水平較高，總體達到有效狀態。但是有11所高校的CR超效率的總體均值小于1，科研投入產出處于無效狀態。高校應該完善科研管理體制，優化科研投入產出結構，提高科研資源投入的回報率。上海立信會計金融學院從2016年到2019年的CCR超效率值均大于1，并且在2018年達到4.4025，這說明上海立信會計學院和上海金融學院在2016年并校之后，科研投入資源得到了更有效的回報。2016—2019年CCR超效率值大于1并且排名前7的高校分別為上海立信會計金融學院、貴州財經大學、內蒙古財經大學、河北金融學院、南京審計大學、南京財經大學、河南財經政法大學。

表4 省屬財經類普通高校CCR超效率取值

2.基于Malmquist指數模型的動態效率分析。基于超效率CCR模型對于省屬財經類普通高校科研效率的靜態分析是一種針對相對效率評價的方法，但不能對各個高校的效率值進行縱向比較，因此為了考察各個高校的動態變化情況，本文應用DEAP2.1軟件對于2016—2019年國內27所“非211”省屬財經類普通高校的科研投入產出的面板數據進行Malmquist全要素生產率指數分析，具體結果見表5和表6。表格中的Tfpch為全要素生產率變化，Effch為技術效率變化，Techch為技術進步變化，Pech為純技術效率變化，Sech為規模效率變化。高校純技術效率與規模效率提高的主要動力來自于管理和制度的變革，變革能提高科研人員的工作效率和資源配置效率，進而提高高校科研效率，并產生規模效益；科研生產中技術進步源于高校中科研人員的科研能力提升和科研設施的改善；純技術效率、規模效率和技術進步變動產生交互效應，導致整體科研生產率的變化。

第一，不同年份的Malmquist指數的分析。從表5所示的2016—2019年不同年份省屬財經類高校Malmquist指數平均變化水平來看，2016—2019年間我國27所“非211”省屬財經類高校的Malmquist指數為1.005，這說明27所高校的科研資源的利用效率呈弱上升的趨勢。2016—2019年這4年中，2016—2017年和2018—2019年的Malmqusit指數處于大于1的狀態，增長率分別為2.8%和7.7%，這表明我國的“非211”省屬財經類高校的科研資源整體利用效率在這4年間出現持續性增長。從分解指數的角度看，27所“非211”財經類高校的科研活動的技術效率變化指數均值為1.001，技術進步變化指數均值為1.012，純技術效率變化指數為1.004，規模效率變化指數為1.007，Malmqusit指數均值為1.005，也就是說2016—2019年4年間Malmqusit指數均值及其分解指數值都大于1，這說明省屬財經類高校的管理和制度改革取得了較好的效果從而提升了規模效率，高校中科研人員的科研能力提升較為顯著，科研設施也得到了有效改善，并且純技術效率、規模效率和技術進步變動產生交互效應，導致整體科研生產率的提高。

表5 不同年份省屬財經類高校Malmquist指數及分解指數均值

第二，不同高校的Malmquist指數的分析。由表6可以看出，2016—2019年間27所省屬“非211”財經類普通高校科研效率的Malmquist全要素生產率指數均值大于1的有云南財經大學、上海立信會計金融學院、南京審計大學等14高校，占總體的52%，其中，云南財經大學的增長率最大，達到23.9%，增長率最小的則為上海對外經貿大學和廣東財經大學，均為0.2%。而Malmquist全要素生產率指數均值小于1的有13所高校，占總體的48%。由此可見，一半以上的省屬“非211”財經類普通高校的科研效率處于增長狀態。而在科研效率處于增長狀態的14所高校中，云南財經大學、內蒙古財經大學、上海立信會計金融學院、山東工商學院、浙江工商大學、廣東金融學院的技術效率變化、技術進步變化、規模效率變化的均值都大于1，這說明以上6所學校科研人員的科研能力在提升、科研設施在改善、科研制度的改革產生規模效用，從而提升了學校的科研效率。

表6 2016—2019年省屬財經類高校科研效率Malmquist指數及其分解

第三，不同區域高校的Malmquist指數的分析。為比較地區因素對高校科研效率的影響，將我國31個省(市)劃分為東部、中部、西部三個區域。27所樣本高校中，東部高校14所，占比48%；中部高校5所，占比22.4%；西部高校8所，占比29.6%。整理得到2016—2019年東部、中部、西部高校的全要素生產率Malmquist指數及其分解指標，結果見表7。總體看，2016—2019年東部的全要素生產率Malmquist指數均值為1.037，中部的Malmquist指數均值為1.051，均大于1，并且東部和中部地區的Malmquist指數均值的5個分解指標也都大于1，說明東部和中部高校科研效率的總體配置呈增長趨勢。這表明東部和中部地區高校科研管理與制度的改革以及科研人員科研能力的進步、科研設施的改善都促進了高校科研效率的增長，這也與近5年來東部和中部高校引進科研人員力度加大以及重視科研人才、加大投入的事實相一致。而西部的Malmquist指數均值為0.919，表明西部高校科研效率的總體配置出現略微下降趨勢。進一步分析可以看到西部高校的Malmquist指數各項分解值的均值也小于1，這說明西部高校的高校科研管理與制度存在不足，科研人員科研能力出現了下降，科研設施的改進也不夠，這也和近年來西部科研人才流失、財政支持弱化、管理制度僵化的事實相一致。

表7 不同區域省屬財經類高校科研效率Malmquist指數及其分解

四、結論與建議

基于超效率CCR模型和Malmquist指數模型分別對27所“非211”省屬財經類普通高校2016—2019年的科研效率狀況進行了靜態和動態分析。(1)從靜態效率看，2016—2019年27所“非211”省屬財經類高校的CCR超效率均值大于1的有16所，占比為59%，總體均值為1.29，這說明27所高校科研活動總體效率水平較高，總體達到有效狀態。(2)從動態效率來看，2016—2019年，27所“非211”省屬財經類高校的Malmquist指數為1.005，這說明27所高校的科研資源的利用效率呈上升趨勢。科研效率處于增長趨勢的有上海立信會計金融學院等14所高校。其中，云南財經大學、內蒙古財經大學、上海立信會計金融學院、山東工商學院、浙江工商大學、廣東金融學院的技術效率變化、技術進步變化、規模效率變化的均值都大于1，這說明以上6所高校科研人員的科研能力在提升，科研設施也在改善，科研制度的改革也產生規模效用，從而提升了學校的科研效率。(3)從地區看，2016—2019年東部和中部高校的全要素生產率Malmquist指數均值都大于1，這說明東部和中部高校科研效率的總體配置呈增長趨勢；而西部高校的全要素生產率Malmquist指數小于1，西部高校科研效率的總體配置出現了略微下降趨勢。

基于以上分析結果，省屬普通財經高校要改進科研效率，首先要加強對科研投入的合理配置，避免科研經費重復投入，提高經費投入效率，盡可能實現帕累托最優的規模效益[16]。在“新文科建設”背景下，省屬財經類高校更應該明確自身定位，突出辦學特色，充分利用科研資源。因此，首先要建立科研活動動態效率評價機制，將評價結果作為調整后續資源投入的重要依據。其次要建立有效的內部激勵機制和績效考核機制，完善并優化高校科技創新體制結構，加強科研獎勵管理水平，充分調動教師的科研積極性，激發科研人員的創新活力，提高科研成果的投入產出比與產出質量水平。同時要借鑒科研過程高效率、科研成果高質量高校的經驗，深化科研評價、管理與運行制度改革，優化科研管理流程，改進科技創新技術水平，提升科研成果轉化動力。