2016年
财会月刊(32期)
改革·发展
我国高校科研效率评价——基于DEA与Malmquist指数的分析

作  者
闫 平(教授),马璇璇,王海涛(副教授)

作者单位
合肥工业大学经济学院,合肥230601

摘  要

    【摘要】随着科研经费投入的不断增加,高校科研效率日益成为关注的焦点。通过运用数据包络分析(DEA)方法和Malmquist指数法对教育部直属48所高校科研效率进行静态和动态的综合评价分析发现:教育部直属48所高校中,16.7%的科研效率是有效的,83.3%没有达到有效水平,相当大部分高校仍然存在着科研管理水平较低、科研资源配置不合理等问题。80.6%的非DEA技术有效高校存在投入冗余,尤其表现在科研经费方面;非DEA技术有效高校均存在产出不足,尤其在成果获奖和专利出售实际收入方面的产出不足较为严重。高校的科研资源配置还需要优化,尤其在科研质量和成果转化方面还有待进一步加强。985高校科研效率水平显著低于非985高校,综合类和理工类高校间没有显著差异。从动态趋势上看,2010 ~ 2014年间20.83%的样本高校效率呈增长趋势,79.17%呈衰退趋势。高校科研效率提高源自技术效率的增长,而技术进步并没有促进科研效率的增长。
【关键词】高校;科研效率;DEA;投入产出效率
【中图分类号】F223           【文献标识码】A           【文章编号】1004-0994(2016)32-0003-7一、引言
目前我国经济发展进入新常态,正从高速增长转向中高速增长,经济发展方式从规模速度型粗放增长转向质量效率型集约增长,由于我国经济处于发展方式转变、发展动力转换的新形势、新时期,因此对科技创新提出了更高要求,而高校作为国家创新体系的重要组成部分,更是肩负着建设创新型国家的重大使命。中共中央政治局委员、国务院副总理刘延东强调,高等教育综合改革的核心是全面提升创新能力,为实施创新驱动发展战略和建设创新型国家贡献力量。高校要主动作为、落实责任,承担起引领和服务创新战略的历史使命。从高等教育发展历史来看,主动迎合国家需求往往是大学迅速崛起的关键条件。教育部党组书记、部长袁贵仁强调,深化高校创新创业教育改革,是加快实施创新驱动发展战略的迫切需要,是推进高等教育综合改革的突破口,是推动高校毕业生更高质量创业就业的重要举措。各地各高校要加强顶层设计,落实主体责任,加大经费支持,加强督导考核,把创新创业教育贯穿人才培养全过程,推动各项改革任务真正落到实处。那么如何优化科技资源配置,如何测评和提高高校的科研效率就成为全社会普遍关注的问题。
近年来,我国学者对高校科研效率的研究主要分为三个方面。一是分省份、分地区研究区域性科研效率。如张琴等(2013)运用DEA方法对2010年我国31个省市地方高校科研绩效进行分析,得出各省地方高校资源配置效率整体偏低的结论。郭际等(2013)采用DEA-Tobit模型分析了我国31个省市高校的科研绩效,认为科研无技术效率与高校自身对科研活动的控制能力不足及所处地区经济状况和人力资源有密切联系。张清海等(2015)应用DEA模型对全国31个省市2011年的科研创新效率进行分析,得出东中西部三个经济带之间效率水平有明显差异,全国有9个省市效率达到相对最优化,其余省市仍存在提升空间。二是将不同主体高校作为决策单元,可能是教育部直属高校、985高校、211高校等。如姜彤彤(2011)应用DEA模型研究了2008年教育部直属高校科研效率情况并分析了DEA无效高校的投入冗余和产出不足值。符银丹等(2012)采用DEA方法研究了2008年37所985高校的科研效率,认为非DEA有效的主要原因是规模无效率。三是对高校不同院系科研效率进行评价。如胡咏梅等(2014)研究了2006 ~ 2010年间高校理工农医学科和人文社会学科科研效率,发现人文社会学科科研效率水平较低,理工农医学科相对较高。2000年之后,国内部分学者开始将Malmquist指数应用于高校科研效率研究中。如刘凤朝等(2007)、冯光娣等(2012)、王宇鹏(2012)、梁文艳等(2014)将Malmquist指数方法用于我国不同省份高校的整体科研生产率评价,决策单元为31个省市的高校。但本文研究的是高校本身的科研创新效率,两类研究差异很大。
以往的研究侧重于静态研究且较少考虑投入产出间的时滞问题,本文从静态和动态两个角度综合分析效率变化,研究了2014年这一静态时点高校的科研效率情况,又研究了2010 ~ 2014年间科研效率的变化趋势,并且考虑了时滞的影响,使投入产出相匹配。同时通过双边模型的运用分析了不同类型高校间科研效率的差异问题。
二、模型介绍
评价高校科研效率的方法有很多。高校科研活动是一个典型的多投入多产出系统,用确切的函数很难描述投入和产出间的关系。目前研究高校科研效率通常采用多指标综合评价方法,如层次分析法、模糊综合评价法、数理统计法等。它们虽然不用建立生产函数,但忽视了投入产出间的关系,大大降低了评价结果的有用性。投入—产出分析方法可以揭示二者的关系,但需要注意的是,高校的科研产出(如:发表论文数、出版专著数等)质量参差不齐,很难准确衡量其价值,评价结果难免受到主观因素的干扰。数据包络分析方法克服了以上方法的不足,无须事先确定生产函数,能够较好地避免主观因素对评价结果的影响,在高校科研效率评价中得到广泛应用。
数据包络分析(Data Envelopment Analysis,简称DEA)是一种基于被评价对象间相对比较的非参数技术效率分析法,最早由美国的Charnes、Cooper和Rhodes三人于1978年提出,其适用范围广泛,特别在分析多投入多产出领域具有特殊优势。
CCR模型是DEA的基本模型,假定共有n个决策单元,每个DMU都有m种投入要素和s种产出要素,则第j个DMU投入产出指标向量为:Xj=(x1j,x2j,…,xmj)T>0,Yj=(y1j,y2j,…,ymj)T>0,j=1,2,…,n;相应的权重为:v=(v1,v2,…,vm)T,u=(u1,u2,…,um)T,则CCR模型具体如式(1)所示,将其转化成对偶规划同时加入松弛变量s+和s-,结果如式(2)所示:
maxμTY0=Vp1
  s.t. wTXj-μTYj≥0,j=1,2,…,n
  wTX0=1
  w≥0,μ≥0

 

 


CCR模型的最优解(θ∗)可用于判定该行为是否技术有效以及规模有效,这也是DEA模型的经济意义:①当θ∗=1,s∗+=s∗-=0时,决策单元j0为DEA有效,技术和规模同时有效,即在原投入上所得产出已达最优;②当θ∗=1,s∗+和s∗-至少有一个大于0时,称决策单元j0是弱DEA有效,技术和规模有效没有同时达到,即在保持原产出不变的前提下投入可以减少s∗-,或产出提高s∗+而投入不变;③当θ∗<1时,决策单元j0为非DEA有效,技术效率和规模都没有达到最佳,可降低投入同时使产出不变。
我们根据综合效率值θ的大小对决策单元进行分类,令决策单元综合效率值的均值为ρ。若θ=1,决策单元是DEA有效;若ρ≤θ<1,决策单元为轻微无效;若ρ<θ,决策单元严重无效。综合技术效率是综合衡量决策单元资源配置能力、资源使用效率等多方面能力的结果;纯技术效率是除去规模因素影响,由于管理和技术等因素影响的生产效率;规模效率是受规模影响的生产效率。
CCR模型假设决策单元规模效率不变,但现实情况很难满足该条件,Banker等人对此进行了改进,在模型中引入凸性假设Σλj=1,可以得到BCC模型,通过BCC模型可以计算出决策单元的纯技术效率,由CCR模型则可以计算出综合效率(EE)。Farrell(1957)将综合效率分解为技术效率(TE)和规模效率(SE),且EE=TE×SE。
超效率模型是Andersen和Petersen在1993年提出的,它能够克服传统CCR模型只能区分决策单元有无效率的缺点,其计算出的效率值不局限于0 ~ 1之间,可以超过1,从而对DEA有效的决策单元也能够根据效率值进行排序。
Bilateral模型用于分组效率的评价。假设DMU分为A、B两组,在估计A(B)组内每个DMU的效率时,都要同它对立的B(A)组的DMU相联系。这样计算出来的效率值在两组之间就会有比较大的差异,再通过正态检验来判断这种差异在两组之间是否存在。
Malmquist指数由Fare等人提出,其利用Shephard的距离函数构造了从t期到t+1期的Malmquist指数来衡量技术效率变动、技术变动和全要素变动三者间的关系,具体形式为:
[M(xt+1,yt+1,xt,yt)=Dt(xt+1,yt+1)Dt(xt,yt)×Dt+1(xt+1,yt+1)Dt+1(xt,yt)12]  (3)
其中Dt(xt,yt)是Shephard所提出的距离函数,表示生产配置(xt,yt)到t时刻系统前沿面的距离。
Fare等进一步分解公式(3)为:
[M(xt+1,yt+1,xt,yt)=Dt(xt+1,yt+1)Dt+1(xt+1,yt+1)×Dt(xt,yt)Dt+1(xt,yt)12]  
[×Dt+1(xt+1,yt+1)Dt(xt,yt)]  (4)
即Malmquist指数可分解成技术效率和技术进步,其中技术效率可进一步分解成纯技术效率和规模效率。技术进步描述的是前沿科技变化,即两个时期内生产前沿面的移动——“前沿面移动效应”,代表了技术的进步和创新;技术效率变化一定程度上描述了t到t+1时刻间组织管理水平的变化——“追赶效应”,应用M指数法可以研究生产力的决定因素究竟源于技术进步还是自身管理水平的改善。若Malmquist指数大于1,则从t年到t+1年生产力水平提高;若其等于1,则生产力水平没有变化;若其小于1,则生产力水平下降。技术效率指数和技术进步指数判别方法类似。技术进步率大于1,意味着技术进步促进了效率的提升。纯技术效率是指高校的科技创新知识与科研管理制度使科研投入的生产潜力得到充分发挥,其大于1,意味着管理或制度的改善使效率得到提高。规模效率则是指高校在制度设计不变时,达到最有效的资源投入规模。规模效率等于1,表示处于规模报酬不变的最佳状况;规模效率大于1,则生产存在规模效率。
三、指标选取及数据来源
1. 指标选取。高校科研活动是一个多变量投入、多变量产出的复杂系统,而评价指标体系是关系到评价科学性、公正性及建议合理性的关键因素。因此,科学指标体系的建立显得尤为重要。投入指标分为人力投入和科研经费投入,主要涉及指标有研究与发展人员、科技经费支出等;产出指标主要包括出版科技著作、发表学术论文、国家级项目、专利申请、专利授权及专利出售当年实际收入等。如何科学地筛选指标,还需注意:①选取的高校科研产出指标不仅要能衡量其产出成果的数量情况,还要能反映质量,从而避免高校只重产量忽视质量,舍本逐末做无用功。②基于DEA分析方法的要求,指标数量的选取要适宜,指标数量过多会导致每一个决策单元的有效性系数增大,多到一定程度时,有效性系数甚至普遍接近1。因此,指标数量过多会适得其反。根据Cooper等(2001)的研究,决策单元的数量应当满足n≥max{m×s,3(m+s)},其中n表示决策单元数量,m和s分别表示投入和产出指标个数。③在保证指标合理性的条件下,指标还应具有有用性,要能够对评价结果有贡献,一般对于同一种类型的投入指标,决策单元间数据差异较大的更能反映问题。这里采用变异系数来衡量,变异系数越大,有用性越强,反之,有用性越弱。
基于以上分析,本文建立的高校科研投入产出指标体系如表1所示:

 

 

 

 

2. 数据来源。目前全国范围内共有教育部直属高校75所,由于DEA方法是对同种类型的决策单元进行分析,且对于财经类、语言类等高校而言科研并不是发展的重点,因此本文对教育部直属高校进行了筛选,剔除了中央财经大学、北京师范大学、北京中医药大学等财经类、师范类、医药类高校,主要分析综合类和理工类高校。考虑到数据获取的可得性,最后将教育部直属的48所高校作为研究对象来分析科研效率。数据来自教育部科学技术司编制的《高等学校科技统计资料汇编》。考虑到科研投入发生作用存在时滞问题,本文取当年和上一年投入的均值作为当年的科研投入量,例如2014年科研经费的投入量为2013和2014年科研经费的均值。教育部直属高校的科研投入产出基本情况从变异系数来看,各高校科研投入整体差异不大,科研产出中发表学术论文数差异最小,成果获奖数和专利出售当年实际收入差异较大,其中专利出售当年实际收入差异最大。
四、各高校科研创新效率评价的实证分析
1. 综合分析。本文运用DEA软件,采用CCR、BCC及超效率模型对2014年48所教育部直属高校科研投入产出数据进行分析,结果如表2所示。
从综合效率层面上看,48所高校得分最大值为1,最小值为0.261,平均值为0.610,可见高校间科研效率水平差距很大。DEA有效院校8所,有华东理工大学、江南大学、中南大学等,占参评高校的比例为16.7%。这8所高校同时也是纯技术效率和规模效率有效的,表明科研活动的投入产出比例合适,所投入的人力和经费都得到了充分利用,并取得了该投入水平下所能达到的最大产出成果。这些高校想要增加产出,只能分别或同时增加科研人员或经费投入,否则无法增加现有产出量。且因为规模报酬不变,每增加一单位投入,产出相应增加一单位。通过对比投入产出数据发现,这8所高校并不是科研投入最大的院校,相反,其中的河海大学、华北电力大学、中国海洋大学、江南大学、华东理工大学、武汉理工大学科研人员和经费投入都处于整体偏下水平,但它们的产出整体上却处于中等偏上水平,即在低投入情况下实现了高产出,只有中南大学和西南交通大学的投入处于48所高校的中上游,属于高投入高产出的类型,但其投入也并不是最多的。以上分析表明,DEA有效的高校其科研投入与产出都是与其规模相当的有效。非DEA有效院校40所,占比83.3%。其中,处于轻微无效和严重无效状态的高校分别为11所和29所,占比分别为22.9%、60.4%,表明高校科研效率水平大部分偏低,相当大部分院校并没有达到综合效率有效。
从纯技术效率层面上看,最大值为1,最小值为0.265,平均值为0.727。技术效率有效院校12所,占比25%,除去综合效率有效的8所高校外,还包括中国矿业大学(北京)、上海交通大学、清华大学和浙江大学。这些高校科研资源配置合理,科研管理水平较高。其综合效率无效而纯技术效率有效,意味着DEA无效的主要原因是规模效率无效。由表2可见,上述四所高校都处于规模报酬递减状态,可适当减少投入。技效率无效院校36所,占比75%,表明高校科研管理水平整体不高,科研资源的配置还有待进一步完善。
从规模效率层面上看,最大值为1,最小值为0.444,平均值为0.850。所有非DEA有效决策单元同时处于规模效率无效状态,高校综合效率无效是由纯技术效率和规模效率共同导致的。在规模收益状态方面,8所高校规模收益不变,占比16.7%,规模收益是经济的。规模收益递增院校有13所,占比27.1%,包括北京邮电大学、合肥工业大学等,说明这些高校科研投入处于相对不足状态,增加一定比例科研投入将使科研产出以更高比例增加。规模收益递减院校有27所,占比56.3%,包括北京大学、清华大学、浙江大学等,这些高校普遍存在科研资源投入相对过剩的问题,应适当减少投入。规模递减高校多是传统985高校,由于其社会认可度更高,高校品牌效应更强,所以更容易获得政府、企业的经费支持,即投入过多导致了资源投入相对过剩,或者是由于这些高校代表了我国高校顶尖的科研水平,其科研项目相对其他高校而言会更不易出成果,即产出不高导致了资源投入相对过剩,也可能是本文投入产出时滞为1年,没有考虑时间较长的大项目从而产生了误差。
2. 非DEA技术有效高校科研投入产出投影分析。为探究非DEA技术有效高校科研投入产出效率提高的途径,本文对其进行投影分析,得出36所非技术有效高校的投入冗余量和产出不足量(详见表3)。以东华大学为例,其科研人员冗余量为39.452人,出版科技专著不足量为7536.407千字。
如表3所示,80.6%的非DEA技术有效高校存在投入冗余,其中人力资源冗余高校10所,占比27.8%,这10所高校平均科研人员冗余量为607.983人;科研经费支出冗余高校19所,占比52.8%。可见大部分高校的科研投入都存在不同程度的冗余,尤其科研经费投入过多情况较普遍,高校可以通过减少相关人员和经费的投入来提高资源配置效率。产出方面,36所高校均存在科研产出不足现象,其中出版科技著作不足的高校有10所,占比27.8%,平均不足量为3852.370千字;发表学术论文不足的高校有5所,占比13.9%,平均不足量为339.828篇;成果获奖数不足的高校有26所,占比72.2%,平均不足量为17.953项;专利出售当年实际收入不足的高校有23所,占比63.9%,平均不足量为8952.950千元。可见小部分高校存在科技专著和学术论文不足,而大部分高校在成果获奖和专利出售实际收入方面产出不足,高校在科技成果质量和成果转化方面的无效问题较为严重。综上,高校的科研资源配置还需要优化,人员和经费的无效率配置问题亟待解决,在科研质量和成果转化方面还有待进一步加强。
3. 不同类型高校科研投入产出效率比较分析。为探究不同类型高校科研效率的整体差异情况,下面分别对985高校和非985高校、理工类高校和综合类高校的科研效率进行比较。
(1)985高校和非985高校科研效率比较。教育部直属48所高校中985高校有27所,非985高校有21所。985高校科研效率得分最大值为1.662,最小值为0.367,平均值为0.617;非985高校科研效率得分最大值为4.933,最小值为0.361,平均值为1.318。下面利用Bilateral模型分析两组高校科研效率是否有显著差异。
H0:第1组和第2组具有相同的有效性得分,即985高校和非985高校科研效率相同。
Wilcoxon 秩和检验是一种基于秩的非参数检验方法,将独立的决策单元分为两组,用以验证两组决策单元是否具有相同的统计分布。在给定的显著性水平α下,Wilcoxon 秩和检验利用T 值进行检验。在我们的研究中, 985高校的秩和为796,非985高校的秩和为380,其T 值为:
[T=796-27×(27+21+1)/227×21×(27+21+1)/12=2.79527]
在显著性水平为5%时, T 值为2.79527,T>T∂/2(∂=0.05,T∂/2=1.96),所以,拒绝H0,认为第1 组和第2 组的有效性得分不同,即两组的科研效率存在显著差异。这也意味着非985院校科研效率要优于985院校。这个结论与我们的主观认识不一致,我们倾向于认为985院校科研效率高于非985院校,但这并不能推翻结果的合理性,DEA是依据投入产出数据做出的一个相对效率的评价,985院校往往科研投入较高,而产出相较于其投入规模较少,非985院校虽然科研投入较低,但其产出相对于规模而言却很适合。
(2)理工类和综合类高校科研效率比较。教育部直属48所高校中,理工类高校有26所,综合类高校有22所。理工类和综合类高校科研效率得分均值分别为0.743、0.718,即理工类比综合类略高,但没有显著差异。下面利用Bilateral模型分析两组高校科研效率是否有显著差异。
H0:第1 组和第2 组具有相同的有效性得分,即理工类和综合类高校科研效率相同。在我们的研究中,理工类高校的秩和为647,综合类高校的秩和为529,其T 值为:
[T=647-26×(26+22+1)/226×22×(26+22+1)/12=0.20692]
在显著性水平为5%时,T 值为0.20692,T<T∂/2 (∂=0.05,T∂/2=1.96),所以,接受H0,即理工类和综合类高校的科研效率并没有显著差异。可见在科研方面,理工类高校和综合类高校重视程度相同,科研水平相当。
(3)2010 ~ 2014年各高校科研效率动态趋势分析。为了研究各高校科研效率近些年的变化趋势,从而更深入地了解高校科研效率发展情况,为提高效率提供科学合理的建议,本文运用DEA2.1软件对2010 ~ 2014年48所高校科研投入产出面板数据进行Malmquist指数分析,结果如表4所示:

 

 

 

 


从全要素生产率角度分析,样本高校2010 ~ 2014年间科研效率的Malmquist指数平均值为0.932,整体上呈衰退趋势,呈负增长,即每年减少6.8%。从全要素生产率分解结果看,技术效率年均增长3.3%,但技术进步的年增长率为90.2%,即全要素生产率减少主要是由技术进步值偏低导致的,技术效率对全要素增长起促进作用,高校科研管理水平在样本区间内整体是提高的。从技术效率分解看,纯技术效率和规模效率均呈增长态势,年均增长率分别为2.2%和1.1%,意味着纯技术效率和规模效率均为技术效率增长的动力。
从年份变化看,技术效率在波动中呈增长态势,技术进步在2010 ~ 2011年、2011 ~ 2012年、2012 ~ 2013年表现为负增长,在2013 ~ 2014年间是进步的。
2010 ~ 2014年48所高校科研活动Malmquist指数平均值小于1,效率提高的院校共10所,占比20.83%,可见只有少部分高校科研效率增长,大部分高校处于衰退状态。其中增长最大的是中国矿业大学(北京),增长率达到26.4%。技术效率变化指数均值都大于1,呈增长态势。而只有江南大学、中国矿业大学(北京)和北京化工大学这三所院校的技术进步指数均值大于1,其余7所均小于1。因此,高校科研效率的提高主要是由技术效率进步带来的。
Malmquist指数均值小于1的高校有38所,占比79.17%。其中25所高校的技术效率是增长的,只有1所高校的技术进步是增长的,说明影响高校科研效率衰退的主要因素是技术进步因素。从技术进步方面看,48所院校中只有4所呈增长态势,增长率由大到小依次为同济大学、江南大学、中国矿业大学(北京)和北京化工大学,增长率分别为4.7%、1.6%、0.4%和0.3%。在样本区间内,教育部直属高校固定资产购置费用增长率总体呈下降趋势,2013 ~ 2014年固定资产购置费用甚至出现下降,这可能是导致技术进步平均值在样本期间呈现负增长的原因。
五、主要结论及对策建议
1. 结论。教育部直属48所高校中,16.7%的科研效率是有效的,83.3%没有达到有效水平,相当大部分高校仍然存在着科研管理水平较低、科研资源配置不合理等问题。通过对非DEA技术有效高校科研投入产出进行投影分析得出:80.6%的非DEA技术有效高校存在投入冗余,尤其科研经费投入过多情况较普遍;非DEA技术有效高校均存在产出不足,尤其在成果获奖和专利出售实际收入方面较为严重。高校科研资源配置还需要优化,要避免人员和经费的无效率配置,在科研质量和成果转化方面还有待进一步加强。985高校的科研效率水平显著低于非985高校,985高校承载了政府和企业对科技创新的太多期望,投入了大量的人力和财力,但科研产出在短期内并没有跟上,显示出投入冗余的现象,非985高校的产出相较于其投入规模却表现出相对有效状态。综合类和理工类高校间科研效率水平没有显著差异,在国家倡导“科教兴国”、“建立创新型国家”大背景下,在高校绩效考核等因素影响下,各类高校普遍都加大了对科研能力的重视。
从动态趋势上看,2010 ~ 2014年间20.83%的样本高校科研效率呈增长趋势,79.17%呈衰退趋势。高校科研效率提高源自技术效率的增长,而技术进步并没有促进科研效率的增长。高校应继续保持技术效率提高的趋势,同时加强相关技术创新,使科研绩效在技术效率和技术进步的共同带动下稳步提升。
2. 建议。政府方面应当重视高校科研资源配置效率,调整资源投入规模,使其与各高校实际管理能力相匹配,使资源得到合理有效利用。设置投入产出评估体系并定期评估,起到规则制定者和监督者作用。完善相关法律法规体系,营造出有利于人才交流和技术创新的宏观环境,建立科技成果的社会与市场评价体系,建立有利于高质量科研成果研发的激励政策,规范和引导科技成果转化,使高校科研沿着“规模适当、结构优化、质量至上、效益优先”的方向不断推进。
高校应拓宽科研资金来源渠道,注重科研成果时效性和市场需求,利用有竞争力的项目吸引相关企业和风投资金,推动科研成果向市场转化,使其真正成为地区经济发展的创新动力。各高校还应提高自身科研资源管理能力,建立健全绩效考核制度,调动科研人员积极性,引导科研人员重视质量,着眼于重大原创性成果的潜心研究。加强对科研经费的预算管理,确保经费支出严格按预算进行,实行有效的成本核算制度,严格规定经费开支范围,强化科研人员责任意识,完善财务监督体系,建立从预算、核算到成本和资金使用过程以及决算的严格管理制度,使科研经费管理绩效建设与管理体制相结合,只有这样才能切实有效地提升高校科研经费的利用效率。

主要参考文献:
张琴,朱少英,齐二石,李鑫.基于DEA方法的地方高校科研绩效评价[J].山西农业大学学报(社会科学版),2013(12).
郭际,吴先华,吴崇.基于DEA-Tobit模型的我国高校科技投入产出绩效评价及政策启示[J].科技管理研究,2013(23).
张清海,张良强.基于DEA方法的省域高校科技创新效率评价与分析[J].技术与创新管理,2015(3).
姜彤彤.基于DEA方法的高校科研效率评价研究[J].高教发展与评估,2011(6).
符银丹,陈士俊,陈卫东.基于DEA的我国“985”高校科技投入产出效率分析[J].天津大学学报(社会科学版),2012(2).
胡咏梅,范文凤.“211工程”高校科研生产效率评估:基于DEA方法的经验研究[J].重庆高教研究,2014(3).
刘凤朝,潘雄锋.基于Malmquist指数法的我国科技创新效率评价[J].科学学研究,2007(5).
王宇鹏.我国高校科技投入产出动态效率测度——Malmquist指数方法的研究[J].渤海大学学报(自然科学版),2012(2).
梁文艳,唐一鹏.高校人文社科科研生产效率区域比较研究——基于Malmquist指数的动态评估[J].重庆高教研究,2014(2).
廖文秋,梁樑,宋马林.基于Malmquist指数的高校科研效率的实证分析[J].系统工程,2011(7).
吴育华,刘喜华,郭均鹏.经济管理中的数量方法[M].北京:经济科学出版社,2008.
金惠红,薛希鹏,雷文瑜.教育部直属高校产学研合作效率测度——基于非参数DEA-Malmquist指数的实证分析[J].浙江工业大学学报(社会科学版),2014(3).
朱永明,李阳.基于DEA的高校投入产出效果分析[J].黑龙江高教研究,2013(3).