基于超效率DEA和GIS的中國省際高校創(chuàng)新效率評(píng)價(jià)研究

馮亞枝 胡彥蓉 劉洪久

(1.浙江農(nóng)林大學(xué) 信息工程學(xué)院， 浙江 杭州 311300；2.浙江省林業(yè)智能監(jiān)測(cè)與信息技術(shù)研究重點(diǎn)實(shí)驗(yàn)室， 浙江 杭州 311300)

第二屆“一帶一路”國際合作高峰論壇開幕式指出，創(chuàng)新就是生產(chǎn)力，企業(yè)賴之以強(qiáng)，國家賴之以盛。黨的十九大報(bào)告中明確強(qiáng)調(diào)“創(chuàng)新是引領(lǐng)發(fā)展的第一動(dòng)力”，提高自主創(chuàng)新能力是我國發(fā)展戰(zhàn)略的核心，是提高我國綜合國力的關(guān)鍵，而高校的創(chuàng)新效率是我國整體創(chuàng)新能力的重要體現(xiàn)。因此,研究各省高校創(chuàng)新效率之間的差異，不僅可以為優(yōu)化資源配置提供依據(jù)，還可以為提高高校創(chuàng)新效率和科研創(chuàng)新能力提供參考。

梳理國內(nèi)外文獻(xiàn)發(fā)現(xiàn)，現(xiàn)有對(duì)科研創(chuàng)新效率的研究主要分為以下三類：(1) 傳統(tǒng)數(shù)據(jù)包絡(luò)分析方法。如徐愛萍、萬秋霞、王海寧等基于傳統(tǒng)DEA分別對(duì)“一流”高校、財(cái)經(jīng)類高校的科研效率進(jìn)行評(píng)價(jià)研究[1-3]；孔佳南等引入數(shù)據(jù)包絡(luò)分析，對(duì)江西省2003年至2012年有色金屬企業(yè)生態(tài)效率進(jìn)行研究，發(fā)現(xiàn)技術(shù)水平的增長和規(guī)模效益的實(shí)現(xiàn)才是真正提高生態(tài)效率的根本途徑[4]。(2) 采用Malmquist指數(shù)法、層次分析法(AHP)、隨機(jī)前沿分析法、聚類分析和因子分析法、TOPSIS和熵權(quán)法、超效率DEA、模糊集定性比較分析(fsQCA)進(jìn)行評(píng)價(jià)研究。如宗曉華采用超效率DEA方法對(duì)教育部直屬高校2006—2015年間的科研效率及其影響因素進(jìn)行分析[5]；李彥華和馬玲玲等采用Malmquist指數(shù)法測(cè)算了高校科研動(dòng)態(tài)績效[6-7]；Valadkhani等運(yùn)用聚類分析和因子分析對(duì)澳大利亞部分大學(xué)的研究績效進(jìn)行了分類評(píng)價(jià)[8]；王寧采用TOPSIS、熵權(quán)法、因子分析對(duì)中國40所“一流大學(xué)”建設(shè)高校科研效率進(jìn)行了評(píng)價(jià)[9]；張衛(wèi)國使用模糊集定性比較分析方法，對(duì)我國高校的科研生產(chǎn)率的提升路徑進(jìn)行研究，得出高校提高科研生產(chǎn)率的4條影響路徑[10]。(3) 采用組合評(píng)價(jià)和人工智能方法對(duì)各高校科研效率進(jìn)行評(píng)價(jià)研究，如SOM神經(jīng)網(wǎng)絡(luò)和兩階段DEA模型的組合方法等[11-16]。

國內(nèi)外學(xué)者用不同的方法對(duì)科研效率進(jìn)行了研究，這些評(píng)價(jià)方法大多采用傳統(tǒng)DEA方法或超效率DEA方法與其他方法結(jié)合的模式進(jìn)行評(píng)價(jià),但缺乏從空間角度進(jìn)行研究，超效率DEA方法和GIS結(jié)合的科研效率研究較少。因此,文章擬采用超效率DEA模型和GIS結(jié)合的模式對(duì)各省高校科研創(chuàng)新能力進(jìn)行評(píng)價(jià)研究，并運(yùn)用ArcGIS研究不同省份高校創(chuàng)新效率的空間分布特點(diǎn)，從而有助于發(fā)現(xiàn)提高各省高校創(chuàng)新能力的方法，為區(qū)域政府制定創(chuàng)新政策提供參考依據(jù)。

1 研究方法和指標(biāo)體系建立

1.1 研究方法

(1) 傳統(tǒng)DEA和超效率DEA。傳統(tǒng)DEA又分為CCR模型和BCC模型，決策單元j記為DMUj，n個(gè)決策單元都具有可比較性，每個(gè)決策單元都有m種“輸入”和s種“輸出”，1≤j≤n；xij為第j個(gè)決策單元對(duì)第i種輸入的投入量，xij>0；yrj為第j個(gè)決策單元對(duì)第r種輸出的產(chǎn)出量，yrj>0；vi為對(duì)第i種輸入的權(quán)重；vr為對(duì)第r種輸出的一種度量，構(gòu)成如下CCR模型：

BCC模型假設(shè)n個(gè)決策單元對(duì)應(yīng)的輸入輸出數(shù)據(jù)分別為：xj(x1j,x2j,…,xmj)T,j=1,2,…,n,yj(y1j,y2j,…,ysj)T,j=1,2,…,n,其中，xj∈Em和yj∈Es,xj>0,yj>0,j=1,2,…,n,構(gòu)成BCC模型為：

傳統(tǒng)的DEA模型產(chǎn)生多個(gè)DEA評(píng)價(jià)單元，可以判斷它們相對(duì)有效或者非有效，但是得出的相對(duì)有效DMU效率值都為1，卻不能為它們的大小進(jìn)行排序，評(píng)價(jià)單元間的關(guān)系難以區(qū)別，超效率DEA模型就用來解決這個(gè)問題：

(2) 空間自相關(guān)分析。一般用來研究空間某點(diǎn)的觀測(cè)值是否具有相關(guān)性以及空間集聚特征，又分為全局空間自相關(guān)和局部空間自相關(guān)兩種類型。

全局空間自相關(guān)主要分析研究的區(qū)域是否存在空間正相關(guān)、負(fù)相關(guān)或者隨機(jī)分布，Moran’s I指數(shù)表示空間鄰接的區(qū)域?qū)傩灾档南嗨瞥潭龋?表示空間數(shù)據(jù)間存在著強(qiáng)烈的正自相關(guān)性，-1表示空間數(shù)據(jù)間存在著強(qiáng)烈的負(fù)相關(guān)性，0表示空間數(shù)據(jù)是隨機(jī)分布，不存在自相關(guān)性。全局Moran’s I指數(shù)的計(jì)算公式如下：

局部空間自相關(guān)可以看出局部地區(qū)空間集聚的水平，實(shí)質(zhì)是將全局空間自相關(guān)性分解到更小的單元，考察地區(qū)附近的空間集聚情況，計(jì)算公式為：

(3) 空間半變異函數(shù)。該函數(shù)指數(shù)據(jù)點(diǎn)的半變異值與數(shù)據(jù)點(diǎn)間距離的函數(shù)，分析區(qū)域化變量空間異質(zhì)性的重要工具之一，計(jì)算出不同空間滯后距離下的創(chuàng)新效率差異，統(tǒng)計(jì)創(chuàng)新效率差異與空間滯后距離的變化關(guān)系，因此本研究采用半變異函數(shù)分析省級(jí)高校創(chuàng)新效率空間異質(zhì)性，半變異函數(shù)的計(jì)算公式為：

式中，h為樣本之間的距離，N(h)為空間距離為h時(shí)樣本點(diǎn)的對(duì)數(shù)，Z(χi)和Z(χi+h)分別為創(chuàng)新效率Z在空間位置χi和χi+h處的創(chuàng)新效率值。

1.2 指標(biāo)體系的建立和數(shù)據(jù)來源

(1) 指標(biāo)體系的建立。本研究在選取DMU的投入產(chǎn)出指標(biāo)時(shí)，依據(jù)有效性與可行性、全面性與代表性、可比性與穩(wěn)定性等原則，以及各省高校的特點(diǎn)，田水承等根據(jù)DEA原理[17]，提出了對(duì)指標(biāo)體系進(jìn)行優(yōu)化的原則和方法，據(jù)此本研究把影響科技創(chuàng)新的投入指標(biāo)分為四個(gè)部分：科技人員、科技經(jīng)費(fèi)、研究與發(fā)展機(jī)構(gòu)以及國際科技交流；產(chǎn)出指標(biāo)包括：出版科技著作、發(fā)表學(xué)術(shù)論文數(shù)目、專利授權(quán)數(shù)。每個(gè)部分又分為二級(jí)指標(biāo)，客觀反映高校創(chuàng)新效率，具體見表1所示。

(2) 數(shù)據(jù)來源及評(píng)價(jià)指標(biāo)的篩選。本研究以國內(nèi)各省份高校作為樣本來進(jìn)行實(shí)證研究，從教育部科學(xué)技術(shù)司(http://www.moe.gov.cn/s78/A16/A16_tjdc/)選取《2013—2017年高等學(xué)校科技統(tǒng)計(jì)資料匯編》北京、上海、天津等25個(gè)省份高校的12項(xiàng)數(shù)據(jù)作為數(shù)據(jù)分析樣本。

表1 創(chuàng)新效率評(píng)價(jià)指標(biāo)體系

在所構(gòu)建的指標(biāo)體系中，文章采用鑒別力分析方法來評(píng)價(jià)指標(biāo)的特征差異，如果評(píng)價(jià)指標(biāo)在所有樣本上的得分沒有明顯差異，那么就認(rèn)為這個(gè)指標(biāo)幾乎不能區(qū)分各個(gè)研究對(duì)象的優(yōu)劣。反之，則表明該指標(biāo)具有較高的鑒別力，運(yùn)用SPSS軟件，以2013—2017年高等學(xué)校科技統(tǒng)計(jì)資料匯編中的原始數(shù)據(jù)為基礎(chǔ)，在95%的置信區(qū)間內(nèi)進(jìn)行各個(gè)指標(biāo)的顯著性檢驗(yàn)，得到單因素方差分析結(jié)果，結(jié)果表明，各省份不同指標(biāo)的顯著性檢驗(yàn)P值都小于0.05，存在顯著性的差異且具有鑒別力，從而驗(yàn)證表1所創(chuàng)建的指標(biāo)體系合理性。

2 實(shí)證分析

2.1 基于傳統(tǒng)DEA分析

建立相應(yīng)的DEA模型，CCR模型綜合效率表示該省份高校創(chuàng)新總效率，BCC表示該省份的純技術(shù)效率，綜合效率等于純技術(shù)效率和規(guī)模效率的乘積。運(yùn)用Deap 2.1軟件對(duì)中國省際高校科技創(chuàng)新的綜合效率、純技術(shù)效率和規(guī)模效率進(jìn)行計(jì)算，計(jì)算結(jié)果如表2所示。從表2中可看出：25個(gè)決策單元中，2013—2017年綜合效率為無效的決策單元有12個(gè)，因?yàn)槠湟?guī)模和投入、產(chǎn)出不相匹配，需要增加規(guī)模或減少規(guī)模；綜合效率有效的決策單元有13個(gè)，說明這些省份的高校創(chuàng)新效率是有效的。純技術(shù)效率為1的省份有18個(gè)，若某省份純技術(shù)效率為1但規(guī)模效率小于1，則表示對(duì)該省份本身的技術(shù)效率而言，沒有投入需要減少、沒有產(chǎn)出需要增加，滿足這樣的省份有5個(gè)，分別為：遼寧、黑龍江、湖北、湖南、重慶。規(guī)模報(bào)酬遞減意味著產(chǎn)出比例的增加將小于投入比例的增加，反之，則意味著產(chǎn)出比例的增加大于投入比例的增加，規(guī)模報(bào)酬不變的省份有北京、河北、山西等13個(gè)；規(guī)模報(bào)酬呈現(xiàn)遞減狀態(tài)的省份有遼寧、安徽、湖北等6個(gè)；增加投入時(shí)要考慮投入產(chǎn)出的效益，可減少相應(yīng)的投入從而達(dá)到最合適的規(guī)模，規(guī)模報(bào)酬遞增的省份有天津、吉林、福建等6個(gè)省份，需增加相應(yīng)的投入以達(dá)到最佳規(guī)模。

表2 傳統(tǒng)DEA模型計(jì)算結(jié)果

2.2 基于超效率DEA分析

2.2.1創(chuàng)新效率分析 傳統(tǒng)數(shù)據(jù)包絡(luò)分析對(duì)于DEA有效的各省高校效率值都為1，評(píng)價(jià)單元間的關(guān)系難以區(qū)別，因此采用超效率DEA模型可解決這一問題。利用MyDEA軟件，計(jì)算各省份創(chuàng)新效率值及排序，結(jié)果如表3所示。從中可得出以下結(jié)論：第一，25個(gè)決策單元中，貴州省的創(chuàng)新效率均值排名最高，共14個(gè)省份都達(dá)到了DEA有效，占56%；第二，福建省的創(chuàng)新效率均值排名最低，隨后為廣東、山東、湖南、吉林、江西、遼寧、天津、湖北、重慶、廣西，說明這10個(gè)省份的科研創(chuàng)新資源的利用遠(yuǎn)遠(yuǎn)不夠，還有一定的提升空間，在現(xiàn)有的基礎(chǔ)上可產(chǎn)出更多的創(chuàng)新成果；第三，從不同的年份看，山西省在2013年的科研創(chuàng)新效率最高，河南省在2014年及2015年的創(chuàng)新效率表現(xiàn)是最好的，貴州省在2016年及2017年創(chuàng)新效率最高；吉林省2013年的創(chuàng)新效率最低，福建省2014—2017年連續(xù)四年創(chuàng)新效率表現(xiàn)最差。

表3 2013—2017年中國省際高校科研創(chuàng)新投入產(chǎn)出效率值及排名

2.2.2創(chuàng)新效率動(dòng)態(tài)分析 中國省際高校綜合效率不斷變化，為了解高校創(chuàng)新效率的動(dòng)態(tài)變化趨勢(shì)，繪制綜合效率平均值排名前5和后5的省際高校2013—2017年綜合效率柱狀圖，結(jié)果如圖1、圖2所示。從圖1可看出，排名第一的貴州省近五年綜合效率值整體呈現(xiàn)上升趨勢(shì)，說明貴州省在技術(shù)和管理上創(chuàng)新效率保持穩(wěn)定發(fā)展；河南省從2013年到2017年的綜合效率雖然都實(shí)現(xiàn)了有效，但是呈現(xiàn)不斷下降的趨勢(shì)；浙江省的創(chuàng)新效率也有所下降，整體呈現(xiàn)波動(dòng)的狀態(tài)且綜合效率保持有效；山西省的綜合效率自2014年下降之后處于在1.5左右波動(dòng)的狀態(tài)，總體較平穩(wěn)；甘肅省綜合效率值2013—2017年一直保持穩(wěn)定的狀態(tài)，總體呈現(xiàn)穩(wěn)定的態(tài)勢(shì)。從圖2中可以看出，吉林省雖然排名靠后，但從2013年到2017年總體呈現(xiàn)上升的態(tài)勢(shì)，意味著吉林省高校創(chuàng)新效率及創(chuàng)新能力有了很大的提高，一直處于進(jìn)步狀態(tài)；湖南省、山東省、廣東省、福建省四個(gè)省份高校創(chuàng)新效率值一直處于穩(wěn)定但無效的狀態(tài)。

2.3 基于GIS空間特征分析

2.3.1空間分布特征 文章采用ArcGis10.2空間分析軟件，以超效率DEA模型計(jì)算的中國省際高校2013—2017年創(chuàng)新綜合效率為數(shù)據(jù)基礎(chǔ)，繪制中國省際高校創(chuàng)新效率分布圖(圖1)和空間趨勢(shì)分析圖(圖2)。由圖1可以看出：2013年創(chuàng)新效率集聚區(qū)分布在山西、河南和浙江，甘肅、陜西、江蘇、云南、貴州、廣西的創(chuàng)新效率在1.037～1.820 1之間，新疆、西藏、內(nèi)蒙古、青海創(chuàng)新效率最低，其余省份為創(chuàng)新效率一般區(qū)域。到了2017年，創(chuàng)新效率最高的區(qū)域是貴州，其次是甘肅、山西、河南、浙江。從五年的變化來看：中國省際高校的創(chuàng)新效率可分為四部分，第一部分主要分布在貴州、河南、浙江、山西、甘肅地區(qū)，創(chuàng)新效率最高；第二部分主要集中在江蘇、上海、河北、陜西等地區(qū)；第三部分分布在吉林、湖南、山東、廣東、福建地區(qū)；第四部分主要以西北部地區(qū)為主，創(chuàng)新效率最低。空間趨勢(shì)分析如圖2所示，其中，Z軸代表省際高校創(chuàng)新效率值，X軸為東西走向，Y軸為南北走向。從圖2可以看出：2013—2017年中國省際高校創(chuàng)新效率曲線呈現(xiàn)出相似的趨勢(shì)，在東西方向呈現(xiàn)“凸”形，投影線坐落在1格和3格間；南北方向上也呈現(xiàn)“凸”形，投影線坐落在1格和3格間，這表明2013—2017年中國省際高校創(chuàng)新效率東部高于西部，中部高于南部和北部，呈現(xiàn)顯著的空間非均衡性。

a. 2013年

b. 2017年

a. 2013年

b. 2017年

2.3.2空間自相關(guān)分析 為研究五年內(nèi)各省高校創(chuàng)新效率的空間集聚特征，繪制Moran散點(diǎn)圖并將其結(jié)果具體化如表4所示，2013年25個(gè)決策單元中，有11個(gè)位于第一象限(HH)，這說明這幾個(gè)省份的創(chuàng)新效率較高，并且鄰近省份創(chuàng)新效率也較高；有3個(gè)位于第三象限(LL)，表示這幾個(gè)省份的創(chuàng)新效率較低，并且鄰近省份創(chuàng)新效率也較低；有8個(gè)位于第二象限(LH)，這幾個(gè)省份創(chuàng)新效率較低但是鄰近地區(qū)創(chuàng)新效率較高；有3個(gè)省份位于第四象限(HL)，廣西和甘肅位于第四象限，這兩個(gè)省份的創(chuàng)新效率遠(yuǎn)遠(yuǎn)高于周圍地區(qū)。2017年25個(gè)省份中，有15個(gè)位于第一象限(HH)；有2個(gè)位于第三象限(LL)；有6個(gè)位于第二象限(LH)；有1個(gè)省份位于第四象限(HL)——甘肅，是由于甘肅高校的創(chuàng)新效率高于周圍地區(qū)。結(jié)果表明，2013—2017年間各省的科技創(chuàng)新、經(jīng)濟(jì)都發(fā)生了巨大的變化，尤其是創(chuàng)新效率及其空間分布發(fā)生了明顯變化，位于第一象限(HH)的省份由11個(gè)變?yōu)?5個(gè)。隨著時(shí)間的推移，中部地區(qū)創(chuàng)新效率有很大的提升，同時(shí)經(jīng)濟(jì)也向中部地區(qū)快速發(fā)展。

表4 Moran散點(diǎn)圖集聚結(jié)果

2.3.3空間異質(zhì)性分析 本研究采用半變異函數(shù)分析中國省際高校創(chuàng)新效率空間分布的異質(zhì)性，對(duì)樣本數(shù)據(jù)分別采用球面、高斯、指數(shù)等模型進(jìn)行擬合，選擇擬合效果最好的高斯模型進(jìn)行分析，具體結(jié)果見表5。從表5可以看出，2014年空間變異尺度最大，自相關(guān)距離為1 266.640 km，在此范圍內(nèi)，各省高校創(chuàng)新效率最為接近，空間依賴性比較明顯；2016年和2017年自相關(guān)距離最小，最遠(yuǎn)距離只有1 162.182 km。而偏基臺(tái)值和塊金比則表明，2013年中國省際高校創(chuàng)新效率的塊金比為82.72%，說明空間異質(zhì)性主要由結(jié)構(gòu)性因素引起，其影響程度大于隨機(jī)因素；2015年中國省際高校創(chuàng)新效率的塊金比最小，僅為59.92%，表明也要重視隨機(jī)性因素對(duì)空間異質(zhì)性的影響。

表5 省際創(chuàng)新效率擬合模型參數(shù)

3 結(jié)論與建議

通過對(duì)中國省際高等院校創(chuàng)新效率和空間分布特征進(jìn)行分析，本研究得出以下結(jié)論：(1)從傳統(tǒng)DEA分析結(jié)果來看，52%的高校綜合效率實(shí)現(xiàn)傳統(tǒng)DEA有效，其余省份綜合效率非有效，除了吉林省創(chuàng)新效率較低以外，各省份創(chuàng)新效率整體較高。(2)從超效率DEA計(jì)算出的綜合效率來看，56%的高校綜合效率實(shí)現(xiàn)超效率DEA有效。(3)從空間分布特征來看：第一,2013—2017年中國省際高校創(chuàng)新效率呈現(xiàn)顯著的空間特征，東部地區(qū)高于西部，中部高于南部和北部；第二,隨著時(shí)間推移，中部地區(qū)的創(chuàng)新效率處于快速發(fā)展階段。空間異質(zhì)性主要由結(jié)構(gòu)性因素引起但隨機(jī)因素也不容忽視。

綜上所述，實(shí)現(xiàn)創(chuàng)新能力的提高，做到以下幾點(diǎn)很有必要：首先對(duì)于投入資源存在冗余的地區(qū)，如天津、安徽、福建等，應(yīng)合理配置資源利用，提高創(chuàng)新效率，實(shí)現(xiàn)最合適的規(guī)模報(bào)酬；其次吉林省此類雖然創(chuàng)新效率排名靠后的省份，國家可以給予更多的財(cái)政支持，鼓勵(lì)建立內(nèi)部創(chuàng)新效率機(jī)制，清楚地了解自身的創(chuàng)新效率，以提高創(chuàng)新效率；最后對(duì)于西北地區(qū)創(chuàng)新效率較低的地區(qū)，政府部門給予更多的科技經(jīng)費(fèi)，同時(shí)根據(jù)自身的地域特點(diǎn)，選擇比較有自己專項(xiàng)特色的領(lǐng)域進(jìn)行創(chuàng)新，合理配置資源向周邊地區(qū)學(xué)習(xí)。