基于DEA的高校科研“投入——产出”效益评价研究.docx

基于DEA的高校科研“投入——产出”效益评价研究
随着高等教育的普及和科技创新的不断推进，高校科研工作越来越被重视。而高校科研“投入——产出”效益评价是衡量高校科研水平和发展方向的重要指标之一。这篇论文将介绍基于DEA的高校科研“投入——产出”效益评价方法，并探讨其适用性和发展前景。
一、DEA方法概述
效率前沿分析法（DataEnvelopmentAnalysis，DEA）是一种基于线性规划的方法，可对不同单位的多个输入和输出进行评价，通过对每个单位进行比较，寻找相对有效的单位，从而提高效率。DEA方法广泛用于评估企业、地区、政府和高校等的效率和生产力。
DEA方法根据输入和输出的不同设置了多种不同的模型，常见的有CCR模型、BCC模型、SBM模型等。其中CCR模型逐一比较各单位的输入和输出，BCC模型则考虑了输入和输出之间的相互影响。而SBM模型则对CCR和BCC模型的不足进行了改进，可以更好地处理数据包络分析中的贡献度问题。
二、DEA方法在高校科研评价中的应用
高校科研“投入——产出”效益评价可使用DEA方法进行分析，根据不同的输入和输出指标，可以分析高校科研的效益、科研水平等各方面。其中输入指标常见的有科研经费、人员投入、设备资金等，输出指标则包括SCI论文、专利、学术奖项、技术转化等。
在DEA方法的使用过程中，需要设定权重、约束条件等参数，通过模型求解得到每个高校的效率水平。具体方法如下：
1.确定输入和输出指标及其权重
在高校科研“投入——产出”效益评价中，需要根据实际情况选取合适的输入和输出指标，并为它们确定一定的权重。一般来说，输入和输出指标越多，结果越精确，但也需要考虑到数据收集和分析的复杂度，并化繁为简。权重的设定可根据专家评价、主成分分析、层次分析法等进行，也可以直接由数据自身的信息进行推算。
2.建立DEA模型
根据选定的输入和输出指标及其权重，建立相应的DEA模型。常用的模型有CCR、BCC和SBM三种，具体选择哪一种模型需要考虑到数据自身的特点和研究目的。
3.求解DEA模型
利用常规的线性规划方法求解DEA模型，得出各高校的效率值。DEA方法可对每个高校进行排名，并得出一个有效前沿的效率值，即最优效率高校的效率。通过对各高校效率水平的比较，可对其科研工作进行评价和调整。
三、DEA方法的优劣和发展前景
优点：
1.能够同时分析多个输入输出指标，更全面地反映高校科研的综合效益。
2.不需要预先设定效益函数或权重，可自动逼近最优。
3.能够有效处理多因素影响和非线性问题，减少了主观因素的影响。
缺点：
1.受样本数据的限制，存在可靠性和稳定性问题。数据质量和数据来源的可信度对结果影响较大。
2.只能测量相对效率，无法确定标准效率的水平。
3.不考虑时间因素的影响，不能完全反映科研成果的长期影响。
未来发展：
在实际应用中，DEA方法在高校科研“投入——产出”效益评价中已取得了很大的成功，同时在理论上也不断被改进和拓展。未来发展方向主要包括以下几个方面：
1.加强数据质量和数据来源的可信度，提高模型的稳定性和可靠性。
2.深入研究DEA方法在特定领域的应用，为评价指标的设定和模型选择提供更有价值的参考。
3.结合其他多目标优化方法，建立更加完善的高校科研评价模型，从不同角度反映高校科研的效益和成果。
总之，基于DEA的高校科研“投入——产出”效益评价方法虽存在一些局限性，但在实际应用中已经取得了不错的效果。未来随着研究者对DEA方法和高校科研评价的探索和发展，相信将会为高校科研工作提供更加可靠、有效的指南。