中国研究型大学科研全要素生产率提升路径研究
——基于模糊集定性比较的分析

宋志燕，李欣悦

（1.长治学院，山西 长治046000；2.西北师范大学教育学院，甘肃 兰州730070；3.山西财经大学公共管理学院，山西 太原030006）

一、引言

新时代背景下，我国经济发展越来越依赖人才、科技与创新等要素的推动，为促进知识资源有效整合、转化和提升，国家越来越重视高等学校在其中所起的作用。2019年全国高校科技工作会议指出，要推进高校科技创新体系和能力建设，需要高等学校科技工作的高质量发展。研究表明，高等学校在知识型人才的培养、科研成果的转化中占有重要地位。因此，将高校科研能力作为研究对象，深入探讨科研全要素生产率的影响因素与提升路径成为新时代背景下探究高校发展的热点问题。

现有关于高校科研全要素生产率的影响研究呈现出差异性和非对称性。首先，受资源禀赋和区域环境差异的影响，高校科研全要素生产率呈现出较大的异质性特点，影响高校科研全要素生产率的不同要素也呈现因果非对称现象（张慧琴、尚甜甜，2015）。其次，高校科研全要素生产率影响因素对其提升作用的力度存在差异性。梁文艳、袁玉芝等(2014)以宏观外部环境与微观内部管理的视角研究了高校科研全要素生产率的影响因素。张卫国(2019)从区域角度对高校科研全要素生产率的不同影响因素进行了系统整体分析。尽管现有研究已取得了有价值的成果，但仍有以下两方面的不足：一是现有研究主要从区域角度进行分析，但与高校所在地相比，特定类型高校对科研全要素生产率也存在较大影响；二是影响高校科研全要素生产率的核心因素是学者们的关注热点，然而现有研究大多只关注单一变量对科研全要素生产率的影响程度，未能体现整体性思维，不能揭示影响因素之间的组态关系，也未从理论视角剖析高校科研全要素生产率的内在提升机制。

针对现有研究的不足，文章聚焦于不同影响要素对高校科研全要素生产率的提升作用，以我国教育部直属高校为研究对象，采用整体的思维视角探究各要素在提升高校科研全要素生产率中的复杂机制。选取教育部直属高校为研究对象的原因在于：一方面，教育部直属高校作为我国高等教育的先行者，代表我国高等教育和高校改革的方向，其科研成果转化能力是推进国家经济社会发展的强大动力；另一方面，随着国家加强对“双一流”高校的改革与建设的力度，教育部直属高校不仅反映了我国高等教育的发展现状，也对我国各类型高校的改革具有典型示范作用。而选择整体性思维视角不仅可以弥补现有研究对高校科研全要素生产率线性思维的桎梏，转由组态视角分析提升高校科研全要素生产率中不同要素所起的作用，而且可以更好分析在新时代背景下“双一流”高校建设中，面临复杂环境下科研全要素生产率如何有效提升与发展。

基于上述现实与理论背景，研究试图解决以下问题：我国教育部直属高校现有科研全要素生产率的发展状况如何？整体思维视角在分析不同要素提升科研全要素生产率的复杂机制中又扮演了怎样角色？为此，文章选取63所教育部直属高校为研究样本，构建评价科研投入产出效率的DEA模型，并使用模糊集定性比较分析方法(fsQCA)从环境、资本、技术与人力四个维度来分析高校科研全要素生产率，通过实证结果分析各要素之间的相互组合作用，寻找提升中国研究型大学科研全要素生产率的最佳路径，为新时代背景下高校科研全要素生产率的有效提升提供对策建议。

二、文献综述

近年来，随着国家不断加强对高等学校教育质量与教学水平的重视力度，科研活动成为高等学校的一项重要任务，为更加合理高效地评估高校的科研能力，科研全要素生产率这一概念越来越受到研究者的关注。科研全要素生产率是指科研工作者在科研活动中表现出的能力，一般用其投入与产出比进行衡量（姜春林、梁帅等，2012）。虽然近年来有众多学者对其进行深入研究，但由于关注重点与视角存在差异，导致结果并未达成共识，因此，文章对科研全要素生产率的研究从以下三个角度进行梳理：

首先，对我国高校科研全要素生产率研究对象的选择。基于研究视角，从两方面入手：一是按区域类型进行分类研究。以全国高校为例，刘兴凯、左小娟等(2015)选取了我国28个省区的面板数据，分析了高校科研效率的地区特征；以区域高校为例，目前学者对于区域高校的研究多集中于浙江省、江苏省等省份，如刘勇、谷晗等(2013)和王丽娜(2012)分别对浙江省和江苏省高校的科研全要素生产率进行了研究。二是以办学层次进行分类研究。以教育部直属高校研究为例，如陆根书、刘蕾(2006)与孙静春、顾丽娜等(2005)自2005年起便持续关注教育部直属高校的科研生产效率，发现不同地区高校的科研资源分配不合理；以“985工程”和“211工程”高校研究为例，胡庆江、何玮佳等(2011)和陈立泰、梁超等(2012)分别对我国36所“985工程”高校和西部地区23所“211工程”高校进行了研究，发现不同地区高校的科研全要素生产率存在着显著差距。

其次，对我国高校科研全要素生产率评价体系指标的选择。基于以往文献的研究，高校科研全要素生产率评估投入指标可分为人力、财力和物力三个方面，研究者多采用科技经费投入、教学与科研人员、人均经费占比等作为衡量指标（李佳哲、胡咏梅，2018)；科研全要素生产率评估产出指标可分为以下三个方面，高校科研成果的数量评价的代表性指标有“专著出版数量”和“论文发表数量”，高校科研成果的质量考察的代表性指标有“鉴定成果数”和“专利授权数”，高校科研对经济与社会效益的影响的代表指标有“技术转让当年实际收入”（刘天佐、许航，2018）。

最后，是对我国高校科研全要素生产率研究方法的选择。国内早期研究主要以传统DEA模型为主，如陆根书、刘蕾(2006)、姜彤彤(2013)，胡咏梅、范文凤(2014)运用DEA分析方法，分别对教育部及“985工程”“211工程”区域内高校的科研全要素生产率进行了研究与评估，但由于DEA评价多反映的是截面数据上的静态效应，并缺少稳健性检验，因此越来越多的国内学者进而使用DEA-Malmquist指数方法。如潘健、宗晓华(2018)与张璞等(2018)分别采用DEA-Malmquist指数分析方法，测算分析2003-2008年中国研究型大学科研全要素生产率与不同种类科研活动的年际和省际变化差异。

通过文献梳理可见，尽管国内已有不少高校就科研效率评估方面进行实证研究，但以往研究多以不同高校之间的区际与校际差异进行研讨，对影响高校生产率的影响因素探讨多有不足。因此，文章采用2009-2018年教育部直属高校科研投入和产出的面板数据，构建DEA模型，测算其科研生产效率；之后使用模糊集定性比较分析方法(fsQCA)，从不同要素来分析影响高校科研全要素生产率的核心要素，寻找有利于提升我国教育部直属高校科研全要素生产率的最佳路径。

三、高校科研全要素生产率指标选择与计算

1.DEA-Malmquist指数分析方法

数据包络分析法(Data Envelopment Analysis，DEA)是评价静态层面具有相同类型投入产出决策部门相对效率的典型方法，自1978年产生以来多应用于小样本的投入产出效率分析，而且只能输入截面数据来横向测算决策单元的效率(Charnes A，1978)。而研究型大学的科研活动具有高投入、高产出的特点，因此无法从单一的成本收益角度去考虑其科研生产效率。基于DEA的Malmquist指数分解方法(DEA-Malmquist)即全要素生产率指数可以采用不同时期的距离函数表示不同时期的效率，使用面板数据分析科研动态生产，采取静态分析和动态分解相结合的研究方法有利于考察数年来研究型大学的科研全要素生产率的动态变化，对其进行综合评价，为管理决策提供参考。

2.投入产出指标的选择

选择合适的评价指标是开展高校科研全要素生产率研究的前提和基础，构建指标体系有利于科学的衡量和测算高校科研全要素生产率。文章将教育部直属高校的科研投入与产出分为两个方面选取不同的指标进行考量。高校科研活动投入包括人力、物力和财力的投入，在一定程度上决定高校的科研潜力，参考张卫国(2019)和梁文艳(2014)关于科研全要素生产率投入指标的测算，选取“教学与科研人员中高级职称占比”与“当年科技课题投入经费”作为输入指标；由于高校科研活动产出具有多样性，在指标选取上要更加注重科学研究的学术价值和经济社会价值。参考廖文秋等(2011)科研全要素生产率产出指标的测算，选取“课题总数”，“出版专著”和“发表学术论文数量”作为输出指标，这些指标在衡量教育部直属高校科研成果与质量方面都具有一定的代表性。具体的投入产出指标如表1所示。

表1 高校科研投入与产出指标体系

3.数据来源及计算

为保障研究的真实性与可靠性，研究选择了2009-2018年的面板数据，时间跨度为10年，所有数据都来源于教育部科学技术司编著的《高等学校科技统计资料汇编》①限于部分统计数据的缺失，西南财经大学和陕西师范大学在文章中予以删除。。经数据整理后的63所教育部直属高校不论是从科研活动规模还是科研成果与质量，均符合DEA方法要求决策单元的同质性标准。研究使用DEAP2.1的分析软件，运用DEA-Malmquist指数分析方法来计算不同年份的教育部直属高校的科研全要素生产率，用其十年的均值数据来呈现整体趋势，得出2009—2018年的各高校科研全要素生产率的均值和标准差。具体的指标描述统计数据如表2所示。

由表2可知，2009-2018年教育部直属高校的全要素生产率(Total Factor Productivity，TFP)总体情况良好，各高校十年间的科研全要素生产率的平均值为0.867，具体来说，有21所研究型大学科研全要素生产率大于0.9，占总体研究对象的三分之一，其中，平均值最高的大学是兰州大学(0.9989)，最低的是南京大学(0.6807)；在科研全要素生产率排名前二十的大学中，从区域分布情况来看，东部地区的高校占据了15所，中部地区有2所，西部地区有3所；从学校层次情况来看，“985工程”高校有8所，“211工程”高校有12所；从学科构成情况来看，综合类大学和理工类大学各占据了8所，除此之外，还有4所单学科类的学校，如语言类、政法类、医药类和农林类。这些数据均表明不同地区、不同种类的研究型大学在科研全要素生产率方面存在一定差异。因此，教育主管部门应当合理分配地区间和科研类型间的资源配置，努力缩小各研究型大学之间的发展差距②省级行政区的划分如下：东部地区包括北京、天津、河北、辽宁、上海、江苏、浙江、福建、山东、广东、海南；中部地区包括山西、吉林、黑龙江、安徽、江西、河南、湖北、湖南；西部地区包括重庆、四川、贵州、云南、陕西、甘肃、青海、宁夏、新疆、内蒙古、广西。。

表2 2009-2018年教育部直属高校科研全要素生产率

四、高校科研全要素生产率的实证分析

1.模糊集定性比较分析方法

美国社会学家查尔斯·拉金(Charles C.Ragin)认为，某一社会现象产生的原因是多种相互依赖的条件组合作用的结果，因此他于20世纪80年代开始采取整体的研究视角，以案例层面(Case-Oriented)进行分析研究，提出一种基于集合论的分析方法，即定性比较分析法(Qualitative Comparative Analysis，QCA)。该方法的基本思想是，将每个案例视为条件变量的组态，采取集合的方式进行统计分析，用布尔代数法进行运算，探讨条件变量的不同组合方式与研究结果之间的充分必要关系，进行因果论断，为决策者提供参考方案（杜运周，2017）。近年来，QCA分析方法已广泛应用在社会学和管理学各领域，并有逐渐向其他研究领域拓展的趋势。

2.数据选择及说明

研究选取了2009-2018年的面板数据，运用DEA-Malmquist指数分析法来测度教育部直属高等学校各年的科研全要素生产率，选择2018年影响教育部直属高校科研全要素生产率的四个维度的代表变量作为fsQCA分析的条件变量，同时使用2018年的高校科研全要素生产率作为分析的结果变量。

环境要素。当前对于外部环境要素影响高校科研全要素生产率的实证研究还比较少，教育部直属高校大多分布在不同的省份，由于经济发展水平不同，各高校发展环境存在差异，在不可能具有相同的外部环境条件下，增加科研人员的对外交流机会，有利于拓宽高校知名度的影响力，有利于加强人才队伍质量建设，进而提升高校学术产出效率。因此，文章选取高校的对外交流情况来衡量环境因素对科研全要素生产率的影响，具体来说，选取高校每年举办国际交流学术会议的次数作为研究指标。

资本要素。资本投入的增加有利于改善高校科研环境，提高基础设施建设，因而对高校科研全要素生产率具有重要的影响。可仅仅依靠各高校的资金投入无法真实和全面反映其区域投入情况，需要考虑地区的横向比较以及匹配问题。因此，选择教育部直属各高校的资金投入占本省的GDP比重来衡量资本要素投入对高校科研全要素生产率的影响。

技术要素。由于目前我国高校的学术产出主要是投资驱动型的，学术产出成果的数量与科研经费的投入有着密不可分的关系（于志军等，2017）。教育部直属高校科研经费大多由国家财政部直接拨款，对于各高校的投入力度有所不同。科研经费的稳定投入是研发活动的顺利进行的物质基础和硬件保障，这也表明科研经费对经济产出效率具有十分重要的影响。因此研究选取当年科研经费的内部支出作为衡量教育部直属高校科研全要素生产率的技术要素。

人力要素。人才是科研生产活动中不可忽视的一部分，科技创新作为一项知识密集型活动，更需要大规模的高素质人才参与，从事教学与科研活动的人员素质越高，学术产出的能力越强，越有利于科技创新活动的开展。增加高素质的科学研究人员，便于组建高效率的科研团队，提升科研队伍的研究水平，进而提高高校科研的投入与产出效率（张婧，2015）。因此，文章选取了教学与科研人员来衡量人力资源要素的投入。

3.样本的描述性统计分析

变量描述性统计如表3所示，教育部各高校2018年的科研全要素生产率(TFP)最大值为1.175，最小值为0.615，说明不同高校之间的科研全要素生产率存在明显差异。从环境要素来看，对外交流次数最多的高校每年举办国际学术会议127次，部分高校受制于种种条件限制，没有举办国际学术会议的机会；从人力要素来看，各高校之间的教师数量存在差距，但也有可能受高校规模的制约；比较分析资本要素和技术要素，各高校之间科研经费的投入与科技经费占本省份GDP的比重也存在很大的差异。

表3 变量描述性统计

4.变量测度与校准

由于QCA方法是基于集合论的研究，在使用模糊集定性比较分析fsQCA时，需要先将研究对象的条件变量和结果变量校准到某一隶属集合，找到符合标准的研究案例。在变量校准的过程中需要确定3个临界值，即完全隶属点、完全不隶属点和交叉隶属点，在选定三个锚点后通过软件计算原始值，所有校准后的集合隶属于0～1之间的模糊集。参考Fiss(2011)的研究文章选定四分位法来确定条件变量与结果变量的锚点。校准后数据如表4所示③数据来源：关于各地区普通高等学校科研成果的投入产出数据均来自2009—2018年《高等学校科技统计资料汇编》和《中国教育统计年鉴》中国家发布的统计数据。。

表4 各变量校准锚点

五、高校科研全要素生产率的实证分析结果

1.必要性分析

在确定研究案例条件变量和结果变量的锚点后，需要对条件变量的必要性进行分析，根据布尔代数计算原理，在校准后生成的模糊集真值表(Truth Table)中，必要条件会在形成简单方案的过程中被消去，但其本身的存在会对结果产生关键影响，因此需要分析各条件变量对结果的必要性。必要条件的一致性反应了条件变量与结果之间的一致程度，即结果的模糊集合在多大程度上是条件模糊集合的子集，Ragin认为一致性至少大于0.75才能算有因果关系。较为严格的判定标准认为一致性大于0.9才能被认为是结果的必要条件。表5列出对高校科研全要素生产率影响因素的必要条件的分析结果。从表5中的结果可以看出，四个维度要素对高科研全要素生产率的影响都低于0.9，都处于较平均的水平，说明每个维度的要素都不是导致高科研全要素生产率的必要条件，间接说明影响高校科研全要素生产率的因素不是由某一特定维度决定的。

表5 高校科研全要素生产率影响因素的必要性检验

2.组态分析

运用fsQCA软件运算后的结果通常会包含三种不同复杂程度的条件组合方案，即简单方案(Parismonious Solution)、中间方案(Intermediate Solution)与复杂方案(Complex Solution)，由于纳入了符合条件的“逻辑余项”，结果更具有普适性和启示性。文章参考既有文献的做法(Di Fan，Lin Cui，2016)，将PRI一致性的临界值确定为0.8，在满足测量变量的一致性与覆盖度指标要求下，采用中间方案得出的三种条件组合，并对其路径进行分析，得出导致高校科研全要素生产率的不同路径。具体组态结果如表6所示④。

表6 高校较高科研全要素生产率组态结果

由表6可知，中间方案的总体一致性为0.87，总体覆盖度水平为0.373，3个组态的一致性处于0.895～0.926之间，覆盖度处于0.182～0.245之间，皆符合Woodside(2013)提出的定性比较分析标准。研究归纳出的组态（即路径）展示如下：

第一，地区制约型。组态1：～E*T*～C说明非高环境要素、高技术要素与非高资本要素三个因素是导致教育部直属高校较高科研全要素生产率的充分条件，其中，技术要素是核心条件。这个组态表明，对教育部直属高校来说，即使部分高校的环境要素和人才资源配置能力不突出，但科学技术能力的提高能够显著地提升高校的科研创新能力，更有可能提升科研全要素生产率。具体来说，对高等学校而言，高校的对外交流是否活跃，资金投入是否充裕固然重要，但科学技术的发展能力更为重要。高校的科研创新的每个时期都需要大量的科研经费投入，改善科研设施，营造良好的科研环境，以保障科研活动的正常进行。已有研究表明，科研经费的增加会在一定程度上提高高校的总体科研全要素生产率（苏为华、罗刚飞，2015）。高校如果能够对教师的科研投入给予大量的资金支持，不仅能让科研工作者不会因为资金问题陷入窘迫，而且还能够为科研创新打下坚实基础。该组态不仅证明了环境、技术与资本要素对科研全要素生产率的积极作用，同时，也表明技术要素这在其中起到的核心作用。

通过该路径组合提升科研全要素生产率的高校有东北大学、兰州大学和西北农林大学，由于这些高校所在的区域经济发展速度较慢，间接影响其综合发展水平，但近些年随着这些高校通过大力提高科研经费投入，使得其科研全要素生产率不断提升。其中的典型案例是东北大学。为充分调动科研工作者热情，在增加科研经费投入的基础上，东北大学配套出台《科研项目经费管理办法》等相关制度，此举极大释放了东北大学的科研生产力，促使其科研水平逐年提升。据报道，东北大学在2019年度高等学校科学研究优秀成果奖中荣获5个项目，创近年新高。

第二，优势特色型。组态2：～E*～T*～H*C说明非高的环境要素、技术要素与人力要素和高资本要素四个因素是导致教育部直属高校较高科研全要素生产率的充分条件，其中，资本要素是核心条件。这个组态表明，即使环境、技术与人力要素资源匮乏，但如果能大力发挥资本要素的决定性作用，那么科研全要素生产率也能有较大提升。具体来说，资本要素在高校无论是教育教学，还是科学研究都能发挥基础性提升作用，高校如果能投入大量资金用于基础设施的改善，这不仅能提升科研工作者的工作效率，还能影响其科研创新的能力，最终影响科研全要素生产率的提升。该组态不仅证明了环境、技术、人力与资本要素对科研全要素生产率的积极作用，同时，也表明资本要素在其中起到的核心作用。

通过该路径提升科研全要素生产率的典型高校是中国海洋大学。中国海洋大学是一所以海洋和水产科学等专业性特色发展的高水平大学，其应用学科基础薄弱，从国家、社会获取资金支持的能力较弱，相对于“双一流”建设中其他高校，其综合科研能力还是较为落后，根据2017年山东省预算执行公示资料显示，在青岛市对高校的6.75亿元资金建设中，中国海洋大学的共建资金仅为1亿元。但随着十八大确立的海洋强国战略的提出，国家对海洋科研经费的投入出现大幅度增长，中国海洋大学在山东省与青岛市的双方合力支持下，利用资金完善科研基础设施建设，优化科学研究环境，为提升科研团队质量，不断加强高水平研究和人才队伍建设，使得科研能力得到不断提升。

第三，综合发展型。组态3a：E*T*H说明高环境要素、非高技术要素与高人力要素三个因素是导致教育部直属高校较高科研全要素生产率的充分条件，其中，人力要素是核心条件。组态3b：～T*H*～C说明非高技术要素、非高资本要素与高人力要素三个因素是导致教育部直属高校较高科研全要素生产率的充分条件，其中，人力要素同样是核心条件。组态3c：～E*H*～C说明非高环境要素、高人力要素，非高资本要素三个因素是导致教育部直属高校较高科研全要素生产率的充分条件。其中组态3a说明，虽然环境要素在一定程度上会对高校的科研全要素生产率产生较大的影响，但仅仅依靠环境要素难以为科研活动提供持续增长动力，还需配套提升科研工作者的人力资源水平。具体来说，虽然增强高校的对外交流能够让科研人员及时了解该领域的前沿发展，但高校更应该意识到高校科研竞争的本质终究是人才的竞争，如何提升科研人员的科研能力水平，如何吸引高素质人才凝聚智力资源，才是提升科研全要素生产率的关键因素。此外，组态3b与3c同样说明了人力要素对高校科研全要素生产率提升的重要作用。

通过此路径组合提升科研全要素生产率的典型高校有北京师范大学、南开大学和南京大学等，这些高校大多处在北京、天津、南京等经济发展水平较高的地区，这类高校借助所在城市的发展优势，可以吸引较高素质的科研人才。举例来说，作为以教学和科研为特色的高等学府，北京师范大学一直致力于高层次人才的培养。按照“高原支撑，高峰引领”的发展策略，强化师资力量，构筑教师的教育“珠穆朗玛峰”。而南京大学为吸引海内外优秀人才，广纳贤才，为科研生产注入新鲜活力，出台了“登峰人才支持计划”，为提升强势学科的短板，从国内外引进了一大批优秀的科研人才，在2019年8月国家公布的自然基金项目名单中，南京大学高居全国第三，这表明南京大学对于优秀青年人才引进政策已初见成效，科研能力得到不断提升。

六、结论与启示

1.研究结论与启示

文章选取2009-2018年我国63所教育部直属高校作为研究样本，运用模糊集定性比较分析方法，从组态思维的整体视角出发，分析影响教育部直属高校科研全要素生产率的因素，通过研究得出以下结论：第一，我国教育部直属高校科研全要素生产率总体提升态势趋于平稳，但由于地区经济发展水平的限制，不同高校之间科研全要素生产率仍然存在明显差异；第二，由于影响高校科研全要素生产率各要素的资源投入不均，导致高校在科研成果产出方面有较大区别；第三，通过组态分析得出影响教育部直属高校科研全要素生产率的核心要素和三条路径，针对不同的高校可因地制宜采取合适的建议对策。

2.对策与建议

根据研究结果，为保障我国教育部直属高校科研全要素生产率的均衡增长与稳定发展，提出建议如下：

首先，对于受地区经济发展水平制约的高校，可以加强高校与企业之间的协同合作，高校可利用优势学科和有竞争力的科研项目吸引相关企业进行投资，这种做法不仅可以拓宽高校科研资金的来源渠道，保障科研活动顺利进行，还能有效促进高校科研成果产出向市场转化，实现高校科研活动的经济价值，提升高校科研效率，为地区经济发展提供真正创新动力。

其次，当前高校综合实力的竞争归根结底是特色资源的竞争，高校核心竞争力的表现不外乎为优势学科和特色专业。教育部直属高校应当注重培养自己在区域内具有影响力和竞争力的学科，加强对学科类高校科研的投入力度，发展学科特色，有利于其早日跻身世界一流学科之列，而依靠强势学科的规模扩张也有利于带动高校整体科研全要素生产率的提高，总的来说，要用长远的眼光面对具有发展潜力的高校，加快应用型学科的专业特色发展。

最后，在现有发展的基础上，教育部直属高校应当不断优化科技人才的投入质量，加强高素质人才的队伍建设。加大对教育部直属高校的人才扶持力度，不仅可以通过制定优惠政策吸引国内外高水平人才，提升本校师资力量，还可以通过制度创新和管理改革提高人才使用效率，优化科研人员结构。这些方法都有利于调动科研人员的工作积极性，从而进一步提升高校科研生产效率。