中国“211”高校科研效率评价和外部影响因素分析基于Bootstrap-DEA方法的实证研究摘要：运用Bootstrap-DEA方法分析了中国101所“211”高校在2005-2012年间的科研效率，并采用两阶段DEA方法考察了外部环境因素的影响。研究发现：(1)Bootstrap的统计推断结果表明，运用传统的DEA方法进行效率比较时需谨慎，因为观测到的差异在统计上可能不显著；(2)高校存在较严重的科研无效率情况(2012年约为35.6%)，但科研效率在样本期内提高了35.9%；(3)当高校规模达到一定程度(接近5000人)以后，规模的进一步扩大会带来显著的规模不经济问题；(4)外部环境因素如学校性质、举办者、所在地区和地方经济发展水平等对科研效率有显著影响。关键词：高校科研效率，Bootstrap-DEA，效率评价，两阶段DEA，环境变量基金项目：广东海洋大学基金项目(GDOU2015050252)一、引言过去十几年，中国经济维持了高速增长，伴随而来的是中国高等学校科研投入的大幅增加。1996-2012年间，高等学校研究与发展(R&D)经费从1996年的17.9亿元增加到2012年的780.55亿元，年均增长19.1%。高等学校研究与发展人员全时当量从1996年的14.8万人年增加到2012年的31.4万人年，年均增长4.8%。然而，随着中国经济增长的放缓，高校科研投入的高增长将难以为继，这意味着科研产出的增加将更多地依赖科研效率的提高而非科研投入的增加。因此，对各个高校的科研效率进行科学评价，并对影响科研效率的外部因素进行分析，将有助于实现科研资源的有效配置。---本文来源于网络，仅供参考，勿照抄，如有侵权请联系删除---现代效率的测量始于Farrell，Farrell(1957)提出了一种能很好考虑多种投入要素的生产率测量方法[1]。20年后，Charnesetal.(1978)在Farrell的基础上发展了数据包络分析(DEA)方法，用于测量包含多种投入、多种产出的决策单元(DMU)的相对效率[2]。自那以后，DEA方法被广泛用于各个领域中决策单元的效率评价，如企业、医院、学校、法院、银行等。然而，DEA方法在将DEA统计量用作统计推断方面一直存在困难。DEA方法利用线性规划技术求解效率估计值，得到的估计值常被视作是确定性的而非统计性的，但是，由于实际的观测值只是真实数据生成过程(DGP)的一个可能实现，因而DEA估计量具有非确定性或统计性。Simar&Wilson(2000)通过一个实证例子研究表明，忽视DEA估计量的统计性并围绕DEA估计量的非确定性将导致错误的结论[3]。然而，DEA估计量的样本分布并不容易获得。Gijbelsetal.(1999)推导出了DEA效率估计量的渐进分布，但仅限于单一投入和单一产出这一特殊情形[4]。Jeong(2004)和Kneipetal.(2008)分别推导出了特殊情形和一般情形下DEA效率估计量的有限样本分布，但鉴于其分布非常复杂且包含未知参数，因而难以用于实际的统计推断[5，6]。后来，随着Bootstrap方法的发展，学者们发展了一系列基于非参数估计的Bootstrap方法来推断估计量的特性，例如它的偏差、方差和置信区间。Bootstrap方法的思想是，通过重复再抽样的方式模拟数据生成过程(DGP)，并且在模拟样本中应用原始估计量，从而可以近似地得到原始估计量的样本分布。在多投入-多产出情形下，Bootstrap方法是将DEA估计量用于统计推断和假设检验的唯一可行方法。尽管存在这一方法，但过去的研究中，人们很少利用Bootstrap方法将DEA估计量用于统计推断以保证估计结果的准确性。目前，利用DEA方法研究国内高校科研效率的文献已有不少。从研究方法上看主要有以下几类：一是基于CCR和BCC模型的传统DEA方法，如Johnes&Yu(2008)、王晓红和陈浩(2011)、王欢和宗晓华(2013)等[7-9]；二是基于Malmquist指数的分析方法，如胡咏梅和梁文艳(2007)、赵彦志(2011)、冯光娣和陈珮珮(2012)、姜彤彤(2013)等[10-13]；三是基于Bootstrap-DEA的方法，如尹伟华和袁卫(2013)运用Bootstrap修正的DEA模型对2010年中国教育部直属的51所样本高校作了分析[14]，这是目前少有的利用这一方法研究国内高校科研效率的文献。相较于现有研究，本文首先在数据上使用的是一个较大的面板数据，包含101所“211”高校在2005-2012年间的数据；其次，使用了Bootstrap方法以---本文来源于网络，...