国家级农业科研院所科研效率评价及其影响因素——基于DEA-Malmquist-Tobit 模型

尼鲁帕尔·迪力夏提，郭静利

（中国农业科学院农业经济与发展研究所，北京 100089）

1 研究背景

国家级农业科研院所作为具有基础性、战略性使命的农业科技创新国家队，对实现我国农业科技自立自强，推动农业农村高质量发展，加快农业农村现代化建设发挥着骨干引领作用。新时代下，新发展格局的变化对国家级农业科研院所创新体系建设提出了更高的要求，为此，要加快建立职责明确、评价科学、开放有序、管理规范的现代科研院所治理体系。其中，准确研判和测度农业科研资源配置效率是现代科研院所治理体系建设的一个极其重要和关键的环节，对整体提升国家农业科技力量，提升农业科研院所综合创新能力、创新质量和实效具有尤为重要的作用。

当前，国内学者研究农业机构的科研效率主要有两个视角：一是测度农业类高校的效率，如徐玲等［1］基于2011—2014 年我国农林高等院校数据测度其科技资源配置效率，发现其整体科技资源配置效率呈现上升趋势，全要素生产率的增长主要源于技术进步；吴和燊等［2］基于2008—2016 年我国农业高校数据测算并比较分析了不同地区农业高校的科技创新效率，研究了不同因素对农业科技创新效率的影响。二是测度农业科研院所效率，如杨传喜［3-4］等基于我国省级农业科学院2009 年数据测算了其科技运行效率，之后又基于2003—2011 年全国省级农业科学院数据测度其科技资源配置效率，并提出相关对策建议。

现有相关研究大部分集中在农林类高校或者省级农业科研机构，关注国家级农业科研机构科研效率的很少。本研究以我国某国家级农业科学院（以下简称“A 农科院”）布局在15 个省份的31 家研究所为样本（以下简称“研究所”），利用2015—2019 年的5 个年度数据，通过建立数学模型进行科研效率测度，并进一步分析影响科研效率的因素，在此基础上提出对策建议。

2 研究所科研效率分析

2.1 数据包络分析方法

数据包括分析（data envelopment analysis,DEA）是一种基于相对效率概念，以凸分析和线性规划为工具的评价方法，适用于处理多投入多产出条件下的效率计算。1978 年，美国运筹学家Charnes 等［5］共同提出了DEA 模型，后发展出包括假定规模报酬不变或可变的DEA-CCR 模型与DEA-BCC 模型、假定规模报酬递减或递增的DEA-FG 模型与DEA-ST模型等模型。考虑到本研究中的决策单元（decision making units，DMU）可能处于规模报酬变化的状态，因此选择采用DEA-BCC 模型测算各研究所效率。测算公式如下：

式（1）中：VD为决策单元的效率；x、y分别为投入指标和产出指标的观察值；λ为决策单元的规模收益；为投入指标的松弛改进量，为产出指标的松弛改进量；n为决策单元的个数；θ为决策单元的效率值。

2.2 生产率指数

由于DEA-BBC 模型在对面板数据进行处理时使用的是同一生产前沿面，只能从静态角度分析决策单元的效率，因此本研究引入生产率指数（Malmquist,以下简称“M 指数”）动态测算决策单元的效率变化情况。M 指数最早由Malmquist［6］提出，用于对不同时期消费变化状况进行评级，后Caves等［7］基于M 指数构建了生产率指数，用于动态分析生产率的变化情况。测算公式如下：

式（2）中：dt为时期t的距离函数；(xt,yt)为第t期投入产出；v、c分别为规模报酬可变和规模报酬不变。当M 指数值>1 时，表示研究所的科研效率随时期演化上升；M 指数值=1 时，研究所的科研效率不变。

2.3 变量与数据说明

基于指标数据的可得性，借鉴国内外研究中常用的科研绩效评价指标选取方法，遵循农业科研院所特点，本研究选择科研经费、科研课题、人力资源、论文、鉴定成果、成果转化收入作为效率测度变量。指标间已通过相关性检验。其中考虑到科技投入的成果输出具有一定的时滞性，参考Nasierowski 等［8］的做法，产出变量数据滞后投入变量数据1 年。数据由A农科院历年对各研究所的评价数据整理所得。具体变量描述如表1 所示。

表1 样本研究所投入产出变量细则

2.4 实证检验与结果分析

2.4.1 科研效率静态分析

通过整理得到的数据，利用DEAP2.1 软件测算各样本研究所2015—2019 年的综合技术效率、纯技术效率、规模效率及规模收益状态。其中，纯技术效率表示在给定投入的情况下获得最大产出的能力；规模效率表示是否在最合适的投入规模下运行；综合技术效率=纯技术效率×规模效率。

如表2 所示，各研究所用代码1～31 表示。2014—2019 年，各研究所综合技术效率呈现比较有规律的分布状态，平均每年大约有10 个研究所的综合技术效率为1，实现DEA 有效，纯技术效率和规模效率等各要素资源配置效率能够达到最优；有12个研究所的综合技术效率在0.7～1.0 之间，科研效率水平仍有提升空间；有9 个研究所的综合技术效率低于0.7，科研效率表现较差，还有个别研究所连续5 年科研效率徘徊在0.5 左右。

表2 2015—2019 年样本研究所综合技术效率值

表2 （续）

2019 年各研究所综合技术效率及其分解值如表3 所示，其中有38%的研究所实现了DEA 有效；有26%的研究所的综合技术效率在0.6 以下，科研效率表现较差，且这些研究所的纯技术效率都远低于规模效率，也就是说低效的纯技术效率是造成研究所综合技术效率低的主要原因。

表3 2019 年样本研究所综合技术效率及其分解

表3 （续）

2.4.2 科研效率动态分析

基于M 指数进一步测算各样本研究所科研效率的动态变化情况。其中，全要素生产率是指研究所在不同时期受内外部的因素共同影响下导致的科研效率的变化；技术进步率是指相邻两年由于科研管理水平及科技政策等外部因素影响带来的研究所科研效率的变化；全要素生产率=综合技术效率×技术进步率。

各研究所5 年间的个体全要素生产率及其分解值如表4 所示。借鉴杨传喜等［3］对农林高校全要素生产率（M值）的分级方法，将样本研究所分为低效科研效率型（M<0.900）、徘徊科研效率型（0.900 ≤M<1.000）、科研效率低增长型（1.000

表4 2015—2019 年样本研究所全要素生产率及其分解

表4 （续）

2015—2019 年全样本全要素生产率及其分解指标情况如表5 所示，全要素生产率整体呈现5.5%的上升趋势。其中，2015—2016 年间呈正向增长，增长率为6%；随后2016—2017 年增长率达到最高的18.3%；2017—2018 年开始出现下降趋势，原因是2017 年A 农科院积极响应国家“破四唯”政策号召，改革有关论文和专利成果奖励规定，鼓励本院科研人员撰写高质量、有代表性论文，鼓励科研人员产出具有创新性和应用价值的专利成果，因此这一阶段全要素生产率有所降低；随后的2018—2019 年增长趋势明显，全要素生产率达5.9%。

表5 样本研究所整体全要素生产率及其分解

由于全要素生产率受综合技术效率和技术进步率的共同影响，综合技术效率又受纯技术效率和规模效率的影响，因此通过分析分解指标可知，2016—2017 年全样本全要素生产率增长达到最优，以及2017—2018 年全要素生产率出现负增长的主要原因都是受到纯技术效率的影响，而2016—2017 年纯技术效率呈现11.8%的正增长，即使规模效率出现0.3%的负增长，也没有影响全要素生产率的正向增长趋势。由此可见，纯技术效率通过影响综合技术效率，成为最终影响全要素生产率的主要原因，因此，A 农科院科研资源综合利用能力和水平的高低是影响样本研究所全要素生产率的关键因素。

进一步地，将样本研究所按照主要研究方向分为作物科学类、园艺科学类、畜牧兽医科学类、植物保护学类、农业资源与环境科学类、农业机械与工程科学类、农产品质量与加工科学类、农业信息与经济科学类等八大学科分类，利用2015—2019 年各研究所全要素生产率数据分析其在各学科的科研效率表现。由表6 可知，在八大学科集群中，园艺科学类研究所的科研效率整体处于徘徊状态，说明在样本期内这些研究所的科研效率略有退步；其他学科类研究所的平均全要素生产率均处于增长状态，其中农业资源与环境科学类研究所的全要素生产率提升幅度最大，这归因于这类研究所的纯技术效率和技术进步效率获得改善，说明此学科类下的研究所在样本期内加快技术进步的同时做好了资源配置工作，可以作为借鉴和榜样；畜牧兽医科学类研究的所全要素生产率差异较大。

表6 2015—2019 年样本研究所分学科全要素生产率及其分解

3 研究所科研效率影响因素分析

由以上效率测度实证结果来看，各样本研究所的科研效率存在一定差距，为进一步探究影响研究所农业科研工作效率的因素，本研究借鉴王义新等［9］、张家峰等［10］的做法，将各研究所5 年综合技术效率作为被解释变量，构建计量模型进行二阶段研究。

3.1 托宾模型

由于综合技术效率计算结果中存在多个研究单元都处在DEA 的效率边界，被解释变量的数据值区间为（0,1），属于归并数据（censored data），若采用普通最小二乘法（OLS）对整个样本进行线性回归，其非线性项将被纳入扰动项目中，使扰动项与解释变量相关，最后导致不一致的估计，针对这种局限性，美国经济学家James Tobin［11］提出了归并回归（censored regression），亦称托宾模型（Tobit model），表达式为：

之后，Coelli［12］衍生出了DEA-Tobit 两阶段分析法（Two-stage Method）,即在第一步采用DEA 分析评估出决策单元效率值的基础上，利用Tobit 模型建立回归模型分析效率的影响因素。这一两阶段分析法得到了国内外学者的广泛应用，因此出于方法成熟度和适用性的考虑，使用面板Tobit 模型进一步分析影响研究所科研效率的影响因素是合理的。

3.2 影响因素选取

（1）地区经济发展水平。样本研究所分布在全国15 个不同省份，所在地区的经济发展水平为其要素投入和运营提供了一个宏观平台［13］，经济发展水平较高的城市具备人才吸引、资源聚集的优势，当地政府也能为其提供更多的资源倾斜；但经济发展水平对科技效率的影响也不一定总是正向的，如吴宏超等［14］研究我国10 个省份的经济发展水平对其科研效率的影响时得出二者呈现负相关的结论。本研究采用各地区人均生产总值（GDP）衡量地区经济发展水平，作为影响科研效率的外部因素。

（2）高层次人才数量。科研人员的创造性劳动和价值取向是技术创新的源泉和根本，其中高水平的科研人员更有利于促进科技创新活动和技术革新，其丰富的知识能力和技能相较一般科研人员能够以更低的成本产出更多的成果［15］。同时，也有研究表示高质量科研人员的数量不总是促进科研效率的提升，要想让科研人员发挥正向作用，必须要优化人力资源配置比例。为进一步探索科研人员获得各类高层次科研人才称号对研究所科研效率的影响，本研究采用被评为院士、“国家特支计划”人才、科技部“创新人才推进计划”首席/人才、中科院“百人计划”各类人才、中华农业英才、省级人才计划一/二/三层次人才、“青年英才计划”人才等称号的科研人员数量衡量高层次人才数量，作为影响科研效率的内部因素。

（3）获奖成果。成果奖励能产生竞争效应和激励效应［16］，通过强化科研活动的意义及其直接价值，促进科研人员更积极地参与到科研活动中去，因此本研究采用获得国家级、省部级、院级奖项及中华农业奖的次数衡量获奖成果，作为影响科研效率的内部因素。

各影响因素评价指标具体如表7 所示。

表7 研究所科研效率影响因素评价指标

3.3 实证结果分析

以影响因素为自变量、综合技术效率为因变量进行面板Tobit 回归，通过个体异质性判断选择随机效应回归，如表8 所示，得出如下结论：

表8 样本研究所科研效率影响因素面板Tobit 模型估计结果

第一，地区经济实力与研究所科研效率负相关但不显著。由此可知，地区经济实力与研究所科研效率无明显相关性。导致这一结果可能的原因是，A农科院的研究所布局主要还是基于当时地方产业发展的需要而设立的，但地方政府对科研的财政投入以及地方经济的支撑作用对研究所的影响并不十分明显。如浙江省的经济实力在15 个省份中位居前列，但A 农科院设立于浙江省的研究所科研效率在样本期内处于一般水平；而黑龙江省的经济实力在15 个省份中处于下游，但A 农科院设立于黑龙江省的研究所的科研效率在样本期内表现优异。因此，研究所科研效率与地区经济实力在样本数据内非显著相关。

第二，高层次人才数量与研究所科研效率显著负相关。这说明样本研究所的高层次人才没有促进研究所科研效率的提高。这一结果的可能原因包括以下3 个方面：一是缺乏面向高层次人才的评价标准。研究所为引进的高层次人才配置了比较充足的经费和研究条件，但是由于缺少更加有效的针对高层次人才的评价机制，特殊配置资源的产出效率并不高。二是引进人才的引领带动作用不强。引进的人才在推动研究所团队建设方面发挥的作用力不够，没有充分发挥带领研究所一般科研人员能力提升和创造力提高的作用。三是缺少更加有效的，能进能出、能上能下的人才流动机制。人才引进后，由于没有有效的淘汰机制，高层次人才产生惰性心理，进而导致科研效率低下。因此，研究所科研效率与高层次人才数量呈现反向变化，且在5%的显著性水平上相关。

第三，获奖成果与研究所科研效率显著正相关。这说明，样本研究所的成果奖励方案有效地促进了科研人员的积极性发挥。形成这一结果的可能原因包括以下3 个方面：一是科技获奖成果在科研人员之间形成了积极的竞争氛围，增强了科研人员高效产出科研成果的动力；二是获奖成果带来的荣誉不仅强化了科研人员的成就感，奖金等物质奖励也进一步激励了科研人员积极投身科研事业；三是科技奖项获得者的身份使研究所和科研人员在资源调配、课题申报方面拥有优势，为其科研活动提供了大量的支持。因此，研究所科研效率与获奖成果呈现正向变化，且在5%的显著性水平上相关。

4 研究结论与对策建议

4.1 研究结果与讨论

本研究基于我国某国家级农业科学院31 家研究所2015—2019 年的数据，利用DEA-BCC 模型和DEA-Malmquist 模型，从静态和动态两个方面对其科研效率进行实证研究，在此基础上利用Tobit 模型分析了影响科研效率高低的因素。实证结果如下：

第一，样本研究所科研效率表现差异较大，但整体水平呈现平稳上升趋势。在考察期内，从静态效率分析可见，平均每年有10 家研究所的综合技术效率为1，科研效率较高；有12 家研究所的综合技术效率在0.7 和1 之间，科研效率还有提升空间；有9 家研究所的综合技术效率低于0.7，需要引起重视。从动态效率分析可见，整体全要素生产率呈5.5%增长率的上升趋势，其中2016—2017 年增长率高达18.3%，2017 年—2018 年的评价体系中剔除一般成果、注重高质量成果后，全要素生产率呈现一定的下降趋势；进一步分解全要素生产率发现，纯技术效率是影响各研究所全要素生产率的主要原因。因此，要想提升研究所科研效率，就一定要提高研究所的科研资源综合利用能力和水平。

第二，不同学科类别下研究所科研效率存在一定差异。在考察期内，农业资源与环境科学类研究所表现较好，平均全要素生产率呈现11.7%的正向高增长；园艺科学类研究所平均全要素生产率呈现2.7%的负增长；其他学科类下的研究所平均全要素生产率表现为低增长型，增长幅度在10%以内。

第三，影响因素对各研究所的科研效率有不同的作用。首先研究所的科研效率与地区经济实力无明显相关性；其次研究所科研效率与获奖成果呈现正向变化，且在5%的显著性水平上相关；最后研究所科研效率与高层次人才数量呈现反向变化，且在5%的显著性水平上相关。这一结果表明，研究所一方面要加快形成公平公正、重质重量的成果考评机制，另一方面要制定针对不同层次科研人才的分类评价体系。

4.2 对策建议

一是进一步提升农业科技资源的综合利用效率。通过本研究的实证分析可知，纯技术效率在研究所的科研效率和全要素生产率中有着举足轻重的影响力，因此通过改善科研资源综合利用水平提升科研效率是十分必要的。建议A 农科院一方面建立多层次的科研经费供给机制，结合各研究所具体情况实现精细化、科学化管理，提高科研资源的利用效率；另一方面，研究所自身也要充分利用国家级农业科研机构具备的资源优势，逐步形成以国家投入为主体、企业投入为引导、社会投入为补充的多渠道、多元化科技资源投入格局，优化科研资源投入结构，建立高效的科研经费与人才审批、审核机制，确保相关政策落到实处。

二是建立有利于充分发挥高层次人才能力水平的人才评价机制。建议首先在引进高水平科技人才的同时科学规划高层次人才的引进和培养，注重人才配置的协调性与合理性，避免因盲目引才带来过高的人才成本从而导致科研效率低下；其次增强人才评价体系的灵活性和人才的流动性，破除人才评价的“四唯”倾向，充分挖掘青年人才潜力，培育青年人才队伍。

三是建立更加重视高质量发展的科研成果评价机制。获奖成果奖励能够进一步促进科研人员的积极性，提升研究所科研效率，因此建议一方面实行动态奖励方案，对一般科研成果产出与科研成果转化产出分类奖励，不仅要对农业科研成果的数量提出要求，还要对成果的质量定目标，更加侧重对可转化和可推广科研成果的奖励，重视成果的实际价值；另一方面建立第三方科研成果考评团队，确保科研成果评价专业化、精细化，保障奖励的公平与公正性。