摘 要：建立地方综合院所R&D投入产出效率评价体系并通过实证研究，对得到的院所R&D投入产出效率评测结果进行深入剖析，为院所提升创新能力提供决策参考。
关键词：院所；创新；评价
地方科研院所是国家创新体系的重要组成部分和区域创新体系的中坚力量，是知识创新和技术创新的重要源头。近年来，随着整体科技水平和科研实力的不断提高，国家对各类科研院所的重视程度逐渐提高，科研投入力度逐年增强。作为国家科技创新体系中的关键力量，各类科研院所集聚了大量科研人才、科技成果，承担着国家主要科技创新和技术研发工作。
地方科研院所不仅是国家，同时也是区域创新体系的重要组成部分，担负着以科技支撑经济社会发展的重要使命。北京市科学技术研究院（以下简称“北科院”）作为全国最大的省级综合性科研院，围绕经济社会发展（特别是北京地区）需求进行的应用开发研究形成了科技事业独特的优势。到目前为止，北科院在公益科技服务、公共技术研发、科普惠及民生等方面已经成为首都区域经济社会发展中一支不可或缺的生力军和突击队。
R&D作为科技创新活动的核心部分，在提高院所的科技竞争力中发挥着越来越重要的作用。机构在重视R&D投入量增加的同时，更需要关注R&D资源的有效利用程度，所以对R&D投入产出效率的评估问题日益受到了研究人员的关注。
本研究中利用了数据包络分析方法（DEA）这种新的非参数统计分析方法来作为对R&D效率测度的主要研究方法，利用R&D投入产出指标来测度和评估科技创新绩效，可以为最优化科技资源的配置，提高科技资金和人力资源的使用效率提供参考和依据。
1 DEA方法的基本理论及数学模型
1.1 基本理论
DEA方法是一种非参数的客观评价方法，它是由美国运筹学家A.Charnes和W.W.Cooper等学者于1978年在“相对效率评价”的基础上发展起来的一种新的系统分析方法。DEA方法属于运筹学研究的领域，它主要采用数学规划方法，利用观察到的样本数据，对具有相同类型的多投入、多产出的决策单元（Decision Making Units，简称DMU）进行生产有效性评价或处理其他多目标决策问题。它通过保持决策单元的输入或输出不变，借助于数学规划将DMU投影到DEA前沿面上，并通过比较决策单元偏离DEA前沿面的程度来评价它们的相对有效性。DEA方法不必事先设定决策单元的具体输入输出函数，在测定若干决策单元的相对效率时，所得出的相对效率是其最大值，所得出的权重也是最优的，因此，DEA方法是评价多输入多输出问题的一种十分有效的方法。该方法近年来被广泛运用到技术创新、资源配置等各个领域。
从经济学角度看，DEA利用绩效相对好的DMUs构造了生产函数的前沿面，它可以有效测度出非DEA有效的DMUs仍然存在的潜在发展能力，进而改善该DMU的效率，即在现有资源的基础上能提供产品和服务的最大量，或者是为了满足产品和服务需求，所需要投入资源的最少量。效率作为绩效评估标准，反映了一个部门或机构将多种投入资源转化为多种产出或服务的相对能力。
1.2 数学模型
美国学者Cooper，Charnes等（1978）根据Farrell的模型，将Farrell（单一投入产出）衡量效率的方法扩展到“多项投入/多项产出”，即所谓的CCR模式。继CCR模式后Banker，Charnes & Cooper（1984）提出BCC模式，扩大CCR模式效率观点与运用范围，因为CCR模式无法说明一个具弱效率的DMU，其弱效率是由技术无效率或者规模效率所造成的。针对CCR模式所假设的固定规模报酬（Constant Return to Scale，CRS）放宽为变动规模效率（Variable Return to Scale，VRS），即部分的投入增加，不会使得产出项也会有相对一部分的增加，引用Shephard（1970）距离函数观念，导出与CCR相同的模式。此模式可计算出DMU的纯技术效率（Pure Technical Efficiency），规模效率（Scale Efficiency）及规模报酬（Returns to Scale）。BCC模型如下所示：
2 评价指标体系设计
2.1 设计原则
文章基于DEA方法评估地方综合院所R&D投入产出活动的效率，以北科院为例，选择指标和体系设计的基本原则如下：
2.1.1 科学性原则。评价指标体系应尽可能客观的反映被评价事物，正确揭示评价对象的本质特征。
2.1.2 可比性原则。评价指标体系在被评价对象之间具有可比性，要求统计口径、统计范围要一致。
2.1.3 可行性原则。评价指标数据具有可采集性，以及评价方法具有可操作性。
2.2 指标的选取
按照上述评价指标体系设计的原则，文章建立了一个R&D投入产出效率评价指标体系，根据DEA，其中的指标可分为两类，即投入指标和产出指标。并遵循通常参考集元素的个数不少于输入、输出指标总数的两倍为最佳的标准。选取R&D活动经费内部支出和R&D活动人员折合全时当量这两个指标作为投入指标，反映R&D创新的直接成果的申请发明专利数和发表科技论文作为产出指标。
3 实证分析
3.1 相关性分析
首先对投入产出项做相关性分析，以2001-2012年的北科院R&D投入指标数据和产出指标，用excel数据分析功能中的相关系数做测定，结果如表1：
表1 投入产出项相关系数表
相关系数是变量之间相关程度的指标。相关系数用希腊字母？酌表示，？酌值的范围在-1和+1之间。？酌>0为正相关，？酌<0为负相关。？酌=0表示不相关；？酌的绝对值越大，相关程度越高。通过上表的相关系数分析可知，各投入产出项为正相关关系，符合研究要求条件。
3.2 R&D投入产出效率测度结果
通过相关性分析验证后，文章用DEA方法的BCC模型对R&D投入产出数据进行处理，具体结果见表2。
表2 北科院R&D投入产出效率DEA评估结果
注：综合效率（crste）是指不考虑规模收益时的技术效率；纯技术效率（vrste）是指考虑规模收益时的技术效率（纯技术效率）；规模收益（scale）是指考虑规模收益时的规模效率，纯技术效率和规模效率是对综合效率的细分。规模收益中，irs表示规模收益递增；drs表示规模收益递减；-表示规模收益不变。
通过模型的评估结果分析，北科院2007、2010和2012年出现规模效益递减现象，这意味着在这三年中存在经费投入过高、人员冗余、投入/产出结构不合理以及科研效率偏低的现象。针对这些问题，院管理层应加强科学管理制度，充分利用现有资源和设备、充分调动人员积极性来提高科研系统的运行效率，增强创新能力及竞争力。
3.3 不同投入产出指标组合
DEA方法对效率值的测定很大程度上依赖于各投入和产出指标的组合，因此通过研究不同投入产出组合模型的效率值变化，可以从不同角度考察不同时期R&D活动中的优势和劣势。由此，文章建立4个不同组合的DEA效率测度模型如表3所示：
表3 R&D效率测度模型的投入产出指标组合
根据表显示了不同投入和产出指标组合的DEA模型，通过DEA方法计算不同指标组合的R&D效率值，运行结果如表4所示：
表4 不同指标组合的R&D效率值
依据不同指标组合的R&D效率值利用分层聚类法在SPSS11.0分析结果得出以下分类结果如表5：
表5 R&D效率聚类结果
根据以上聚类结果，本研究中将这12年的发展分为三类，即综合高效型、论文高效型和低效型：
（1）综合高效型：这个阶段在2009年、2011年和2012年。发展特征表现在人力效率、资本效率、论文效率和专利效率值都很突出，在各方面的发展表现相对很好。
（2）论文高效型：这个阶段在2001年、2003年、2008年和2010年。这几年在发表科技论文方便表现较好，论文效率相对较高。
（3）低效型：这个阶段在2002年、2004年、2005年、2006年和2007年。这几年在人力、资本投入及专利、论文产出效率都相对较低。
从聚类分析的结果来看，2007年以前北科院在资金和人力投入及专利和论文产出方面都相对薄弱，2008年以后R&D投入产出效率得到较大改善，说明北科院向着一个较优的结构不断发展，科技创新能力不断提升，为北京地区科技发展作出积极贡献。
参考文献
[1]魏权龄.评价相对有效性的DEA方法[M].北京：中国人民大学出版，1988.
[2]魏权龄.数据包络分析[M].北京：科学出版社，2004.
[3]雷彦斌，等.基于政府科技投入的中国转制科研机构效率评价与研究[J].科学学与科学技术管理，2010.
[4]许治，师萍.基于DEA方法的我国科技投入相对效率评价[J].科学学研究，2005.
推荐访问： 投入产出 院所 效率 地方 方法