江蘇省高校科研績效評價及影響因素分析
——基于AHP和GA-BP神經網絡分析法

卜 偉，余南南，陳軍冰

(1.江蘇師范大學 科學技術研究院，江蘇 徐州 221116；2.江蘇師范大學 電氣工程與自動化學院，江蘇 徐州 221116；3.河海大學 水文水資源與水利工程科學國家重點實驗室，江蘇 南京 210024)

1 研究背景與文獻綜述

當前，全球科技創新進入空前密集活躍時期，科研活動模式和形態發生深刻變化，世界大國均在積極強化創新部署。高校是科技創新的前沿陣地和國家創新體系的重要組成部分。因此，高校科研績效的科學評估，對提升高校創新能力和加快建設創新型國家具有重大而深遠的意義。

本文通過對文獻的梳理發現，國內外學者對高校科研績效進行了廣泛研究，總體可以概括為3個方面。一是在評價指標體系方面，包含麗等[1]基于科研產出視角，從科研成果、論文著作、成果轉化、技術推廣、學科建設以及人才培養6個方面建立了評價指標體系；王曉真等[2]綜合運用層次分析法(AHP)和熵值法，以“投入-產出”為指標設置基礎，從科研資源、科研投入、科研產出與效益、社會影響4個方面選取了評價指標；王碗等[3]基于平衡計分卡理論，從財務、效益、效率、學習與成長等4個維度構建了高校科研績效評價指標體系。二是在評價對象方面，朱建育等[4]對上海“985”和非“985”高校在2000—2009年間科研績效進行綜合評價和比較；王忠等[5]對教育部40所直屬高等學校開展分類績效評價實證研究；羅杭等[6]對34所“985”一期高校展開整體效率排序和各項指標的松弛變量分析，為高等教育系統整體效率的提升和教育資源的優化配置提供政策建議。三是在評價方法方面，Flegg等[7]基于數據包絡分析(DEA)和Malmquist指數分析方法測算了英國45所大學的科研生產效率變動；袁丹等[8]綜合運用AHP與熵值法對湖北省科技創新環境進行了評價；鄧理等[9]運用主成分分析(PCA)方法和隨機前沿分析(SFA)方法構建綜合分析模型，對12所高校科研活動數據進行多向綜合分析。

綜上所述，國內外學者從不同的角度對高校科研績效進行了較為全面系統的研究，但仍存在一些不足，如在評價對象上多集中在“985”或部屬等單一類型高校，較少關注不同類型、不同層次高校間科研績效的差異性；且現有研究多是對科研績效做現狀分析，未能進一步分析其影響因素，對高校未來發展方向的意見建議相對缺乏針對性。基于以上兩點考慮，本文以江蘇4種不同類型高校為研究對象，對其2018年和2020年科研績效情況開展綜合分析，并運用遺傳算法(GA)與BP神經網絡(BPNN)組合的GA-BPNN模型找出關鍵影響因素，以期為江蘇不同類型高校高質量發展提供對策建議。

2 研究方法與模型構建

2.1 評價指標體系構建

2.1.1 指標選取

結合破“四唯”背景，同時參考劉天佐等[10]、張家峰等[11]和劉林芽等[12]的研究成果，本文基于“投入-產出”視角，從科研資源投入、科研創新產出、產業發展產出和社會影響4個方面構建了高校科研績效評價指標體系(見表1)。其中，獎、項目和平臺等僅選取學術界和社會比較認可的省部級以上級別。

2.1.2 指標權重計算

根據層次分析原理，通過問卷調查法邀請50位專家，按照1～9標度法對指標賦值，建立判斷矩陣；基于該判斷矩陣，根據求根法計算指標權重并進行一次性檢驗，具體指標權重如表1所示。

表1 高校科研績效評價指標體系及指標權重

2.2 影響因素分析模型構建

人工神經網絡(ANN)是一種模仿動物神經網絡行為特征進行分布式并行信息處理的算法數學模型，具有高容錯性、智能化和自學習等優點。其中，BP神經網絡(BPNN)因具有任意復雜的模式分類能力和優良的非線性映射能力，成為應用最廣泛的神經網絡算法之一，但其算法易陷入局部極小值[13-14]。遺傳算法(GA)是模擬自然界中的遺傳機制和生物進化論的一種隨機的全局搜尋方法，可用于優化模型的參數亦可用于篩選變量[15]。

由于BPNN自身的局限性，直接對數據進行訓練將會得到很大誤差，GA和BPNN的有效結合GA-BPNN模型可以解決其固有缺陷。具體是將遺傳算法全局搜索能力引入BPNN的權值和閾值訓練過程中，來克服BPNN收斂速度緩慢且容易陷入局部最優解的缺點，從而構造一種基于遺傳算法的網絡結構遺傳神經網絡(GA-BPNN)，它的基本結構與BPNN的結構基本相同，只是網絡訓練過程分為兩步:首先，在創建BPNN之后將遺傳算法引入神經網絡的權值和閾值的全局搜索中，使其在全局中進行搜索；其次，用梯度下降法對網絡的權值進行更細化的訓練，來進一步減小誤差，從而獲得最佳權值和閾值。GA-BPNN模型建立后，使用模型計算各變量的平均影響值(MIV)。MIV絕對值表示自變量對因變量的影響大小，符號表示自變量對因變量的相關方向[16-17]。GA-BPNN模型的具體優化流程如圖1所示。

圖1 GA-BP神經網絡流程

3 高校科研績效實證分析

3.1 樣本選擇及數據來源

考慮到人均高水平論文(C21)、省部級以上獲獎(C22)、人均成果轉化經濟效益(C33)等指標對藝術、體育、中外合作辦學、偏文科等高校適用性不強，因此在樣本選擇時剔除了南京體育學院、南京藝術學院、南京審計大學等高校，最終參與評價的高校共40所，分為部屬高校(A+1～A+8)、江蘇高水平大學高峰計劃A類建設高校(A1～A10，以下簡稱“高峰計劃A類高校”)、江蘇高水平大學高峰計劃B類建設高校(B1～B5，以下簡稱“高峰計劃B類高校”)、普通本科(C1～C17)4種不同類型(見表2)。基礎分析數據均來自《高等學校科技統計資料匯編》及各高校科技統計數據。

表2 江蘇省4種不同類高校相應代碼編號

3.2 科研績效綜合評價分析

將原始數據進行無量綱化處理后再進行加權計算，分別得出2018年和2020年科研資源投入、科研創新產出、產業發展產出、社會影響及綜合科研績效得分情況，具體如表3所示。

表3 2018和2020年江蘇不同類型高校綜合科研績效及各項二級指標評價結果

3.2.1 動態分析

從整體上看，江蘇高校綜合科研績效呈上升趨勢，增幅10.38%，發展態勢較好。具體從二級指標變化趨勢看，科研資源投入略呈下降狀態，降幅17.07%，這說明江蘇高校在資源投入方面重視不夠，應進一步加大在人財物等科研資源方面的投入力度；科研創新產出呈小幅增長趨勢，增幅12.09%；產業發展產出增幅較為顯著，績效得分從0.028上升至0.056，增幅一倍，科研創新是產業發展源泉，這說明科研創新產出的增加不僅有效推進了高校科研創新能力的提升，且創新成果的積累大力促進了創新成果的轉化；社會影響呈大幅度下降趨勢，下降50%，其主要原因是2020年全球疫情暴發，高校間互訪交流活動大幅減少，因此對國際層面科研創新活動影響巨大。總的來說，4項二級指標呈兩升兩降狀態，但由于產業發展產出績效的大幅提升，江蘇高校綜合科研績效整體呈上升趨勢。

從高校類型來看，除高峰計劃B類高校下降2.25%外，部屬高校、高峰計劃A類高校和普通本科高校綜合科研績效增長率分別為0.31%、10.00%和34.33%，普通本科增幅較為顯著。具體來看，在科研資源投入方面，4種類型高校下降率分別為13.57%、7.66%、34.09%和26.52%，在整體資源縮減的形勢下，高峰計劃A類高校降幅相對較小，說明其相對重視資源投入且對資源的獲取能力相對較強。在科研創新產出和產業發展產出方面，4種類型高校上升率分別為4.39%、8.95%、24.01%、30.49%和50.09%、83.09%、62.86%、307.91%，各高校均呈增長趨勢，尤其是產業發展績效增幅較為顯著。這說明樣本高校認真貫徹落實國家相關政策，在破除“四唯”觀念“困局”、深化科研評價改革、促進科技成果轉化等方面大膽實踐并取得良好成效。在社會影響方面，3種類型高校分別下降58.07%、47.42%、73.53%，而普通類本科增幅11.11%，這說明疫情并未對普通本科類高校產生影響，對其他類型高校沖擊較大，但同時這也從側面反映了部屬等高校更加注重國際層面合作交流，更加注重國際影響力的提升。

3.2.2 靜態比較分析

從整體上看，2020年樣本高校綜合科研績效和各二級指標評分結果兩極分化非常嚴重。一方面，部屬高校(A+2)與普通本科類高校(C9)綜合績效得分別為0.656和0.057，得分差距約11.5倍；另一方面，科研績效綜合得分均值為0.233，但僅35%的高校得分高于平均值，絕大部分高校得分低于平均值。

從高校類型來看，江蘇高校科研績效呈明顯階梯狀分布特征。絕大部分部屬高校位于第1梯隊；高峰計劃A類高校位于第2梯隊，綜合績效得分高于0.151；高峰計劃B類高校位于第3梯隊，普通本科位于第4梯隊。值得一提的是，A2、A4 和A9 3所高校，科研績效綜合得分較高，躋身第1梯隊；而部屬高校中A+5 高校，可能由于學科相對單一原因其綜合績效得分僅為0.294，應引起注意。

3.3 影響因素實證分析

采用MATLAB軟件進行編程，運用GA-BP神經網絡算法計算評價指標與綜合績效的相關性。GA-BP神經網絡基本結構如圖2所示，具體參數如下：(1)網絡層數為1個隱含層；(2)輸出層的節點數為12，即12個三級評價指標；(3)輸出節點數為1，即綜合科研績效值；(4)隱含層的神經元個數根據公式n=log2m計算；(5)反向傳播使用Levenberg-Marquardt算法；(6)訓練次數為100次，訓練精確度為0.05。為使訓練網絡更好地收斂，實驗數據在輸入前進行平滑處理和歸一化處理，將所有輸入及輸出數據映射在[0,1]區間。

圖2 BP 神經網絡基本結構

如圖3所示，不同影響因素對不同類型高校科研績效影響程度不同。人均高水平論文(C21)是部屬高校科研績效水平的決定性影響因素，博士學位占比(C11)、人均省部級以上科研項目(C23)及人均專利擁有數(C32)是其科研績效水平的主要阻礙因素。出現這一結果的可能原因有以下兩個方面：一是近年來無論是資金上還是人力上，國家對部屬高校都給予了充分的支持，出現資源過剩現象，在一定程度上制約了科研績效發展[4]；二是科學研究成果具有較長的生命周期即存在滯后期，經歷滯后期后，知識溢出的效率才能最大，效果才能最佳，因此，對于部屬高校來說，充足的科研資源對其科研績效產生正向影響暫時未能體現。

圖3 各變量對4種類型高校科研績效影響的MIV值

人均省部級以上科研項目(C23)對高峰計劃A類建設高校科研績效起主要促進作用，但人均專利擁有數(C32)阻礙了其科研績效的提升，這說明高峰計劃A類建設高校科研創新能力已具有一定優勢，但轉化率較低是其面臨的主要問題，建議應進一步完善以市場為導向的科技成果轉化體制機制，建立健全針對不同類型科研成果分類評價機制。

博士學位占比(C11)和省部級以上獲獎(C22)主要推進了高峰計劃B類高校的科研績效發展，但高級職稱占比(C12)對科研績效產生了較大的負向影響。出現這一結果的原因可能是由于此類高校缺乏能上能下、有進有出的考核機制，大部分科研人員評上高級職稱后易出現“躺平”狀態，進而制約科研績效的提升。

人均成果轉化經濟效益(C33)對普通本科高校科研績效有較大的正向影響，但高水平論文(C21)是其科研績效提升的主要障礙，說明相較于其他類型高校，其科技創新能力仍有很大上升空間。

4 結論及建議

本文在借鑒前人研究基礎上，結合破“四唯”背景構建了高校科研績效評價指標體系，對江蘇4種不同類型高校科研績效進行了評價分析，并結合GA-BP神經網絡模型探究不同類型高校科研績效的影響因素。研究的主要結論和建議如下：

(1)江蘇高校綜合科研績效整體呈上升趨勢，其中產業發展績效增幅較為顯著；高校間綜合科研績效呈明顯階梯狀特征且兩極分化嚴重。

(2)不同類型高校的科研績效影響因素不同。部屬高校出現資源冗余現象，需進一步加強資源配置管理能力；科技成果轉化機制和評價機制是高峰計劃A類建設高校科研績效的突破點；高峰計劃B類建設高校應加強考核機制；普通本科高校應進一步強化激勵機制。

基于以上結論，本文對江蘇高校發展提出如下對策建議：

(1)深化科研評價，推動創新驅動循環發展。從上文分析結果可知，科研創新產出和產業發展兩項二級指標均呈現良好增長趨勢，這說明科技創新是全鏈條、一體化的。服務經濟社會發展能力主要取決于“高質量”應用研究，基礎研究是其前端和源頭。只有率先發現基礎科學規律，開發應用前沿引領技術，才可能隨之形成引領性、帶動性強的戰略性產品和戰略性產業，占據巨大的經濟優勢與持久的領先優勢。因此，建議高校應持續加強“科研評價改革”，根據不同科研活動特點，建立各有側重、多層次、多維度的評價指標體系，充分調動各方創新群體活力，將科學研究與國家需求、市場需求相結合，完成從基礎研究、應用研究到成果轉移轉化的“三級跳”，真正實現創新驅動循環發展。

(2)精準把脈，堅持錯位發展戰略。江蘇高校眾多，不同類型高校辦學特色、發展定位、科研績效及影響因素不盡相同。因此，應精準把脈，堅持錯位發展戰略。部屬高校資源利用效果暫未很好體現，一定程度上存在邊際效應，建議進一步深化體制機制改革，不斷提高資源配置管理能力；高峰計劃A類建設高校應從科技成果轉化機制和評價機制兩個方面加強改革，以期找到科研績效新的突破點；高峰計劃B類建設高校應進一步建立健全靈活多樣的用人制度，推行激勵、約束相結合的薪酬制度，通過科學的選人、用人、分配、評價、激勵與保障機制，調動高校教師追求學術卓越的積極性和主動性；普通本科高校應主要強化激勵機制，使科研人員能夠積極、踴躍地投身于高質量的科研創作，從而不斷擴大科研成果產出并匯聚更多創新人才。