基于工具變量法分析科研人員素養(yǎng)對科研創(chuàng)新產出純技術效率的影響

任紅松，張 瓊，王 芳，趙 龍，李朝暉，陳寶峰，郭文超

(1.中國農業(yè)大學經濟管理學院，北京 100083；2. 新疆農業(yè)科學院吐魯番農業(yè)科學研究所，新疆吐魯番 838000；

3.新疆農業(yè)科學院農業(yè)經濟與科技信息研究所,烏魯木齊 830091;4.新疆農業(yè)科學院微生物應用研究所，烏魯木齊 830091)

0 引 言

【研究意義】科研素養(yǎng)是一個可以較為準確描述科研人員的科研素質，能力的概念?？蒲兴仞B(yǎng)不僅可以對科研人員的科研投入產生影響，諸如科研人員投入的精力、經費、獲得的科研平臺；還可以對科研人員的科研產出，諸如論文、專利、著作等產生影響。有研究指出了科研素養(yǎng)可以影響到科研創(chuàng)新的投入產出效率。分析科研人員素養(yǎng)對科研創(chuàng)新影響對于提升科研人員科研效率有實際意義。研究使用投入產出的純技術效率作為被解釋的那個變量。這主要是因為在關于投入產出效率的問題上有綜合效率、規(guī)模效率、純技術效率，而只有純技術效率是無關規(guī)模的"純效率"的代表指標，更能體現(xiàn)出效率的一般性。研究科研素養(yǎng)對科研人員的投入產出純技術效率進行影響，找出影響的機理，并且理清科研素養(yǎng)對于科研效率的影響路徑?！厩叭搜芯窟M展】關于評價科研人員科研素養(yǎng)的指標，Durant認為科研素養(yǎng)有三層含義：首先是科學的內容(即科學知識)；科學知識產生過程的重要性，也就是"科學方法"；科研過程中需要遵守的倫理道德[1,2]?？蒲兴仞B(yǎng)是在經過后天教育培養(yǎng)之后形成的科研過程中穩(wěn)定表現(xiàn)出的基本品質[2]。有些研究把科研素養(yǎng)等同于科研能力，指的是科學研究人員運用科學方法順利完成科研活動所需要的身心條件?；诖?，提出科研素養(yǎng)中應包含科研理論素養(yǎng)、科研能力素養(yǎng)、科研道德素養(yǎng)[3]。從科研素養(yǎng)的研究理論層面來說，加涅認為，學習者通過學習，最終習得了某種或者某些"性能"(capabilities)，可以劃分為五類，也就是五種學習結果[4]。在此基礎上，可以提出基本的科研素養(yǎng)的指標，主要可以劃分為四個方面：第一個方面，科研基礎；第二個方面，個人能力；第三個方面，思維風格；科研修養(yǎng)[5]?？蒲兴仞B(yǎng)對于科研投入、科研產出以及科研效率的影響。從環(huán)境因素、政策因素等多個角度研究對科研產出的影響。有的采用采用灰色關聯(lián)分析模型，以江蘇高校為例對科研經費與科研產出的關聯(lián)度進行了測算，研究結果表明，企業(yè)委托經費和政府下?lián)芙涃M與科研成果產出的關聯(lián)度明顯大于其他投入轉入經費與科研成果的關聯(lián)度。梁文艷等[7](2014)研究表明，科研管理和資源配置是制約科研生產的主要因素；所在區(qū)域科技進步對大學科研生產效率存在顯著影響，但經濟發(fā)展水平和集群效應這兩個變量影響并不顯著。戴萬亮等[8](2017)從政策支持、市場導向角度，運用DEA-Tobit模型對高?？蒲行视绊戇M行分析，結果表明政府支持不足及高校科研的市場導向性不足是導致高?？蒲行瘦^低的主要原因[7]。另外，很多學者從個體因素出發(fā)對研究人員科研產出進行分析，但是對科研產出的衡量和對影響因素的具體認識上卻不盡相同。性別、本科生源校、學科差異為基本影響因素，對比分析了博士研究生科研產出水平。研究發(fā)現(xiàn)，影響研究人員國際科研產出的因素包括個體層面的自我效能感和結果預期因素以及組織環(huán)境層面因素。科研素養(yǎng)如何影響科研投入產出效率。在這個方面的研究目前還有待挖掘。第一類就是的方法就是使用結構方程模型來對影響機理和路徑進行研究，這一類的研究主要依靠可觀測變量、潛變量、結構模型、影響路徑等方面共同構建一個影響機理的模型，經過實證檢驗來得出研究的結論[9]。但是這一類的模型有一個特點，那就是對于可測量數(shù)據(jù)的要求較高，需要經過一系列的信度、效度的驗證，對于一般的不同類數(shù)據(jù)很難進行擬合[10]。另外一種常用的方法就是工具變量法，可以解決多個變量之間由內生性的問題，并且在解決內生性的同時，解決變量之間關系不明的問題，是一種可以通過普通計量實現(xiàn)部分結構方程模型中的研究機理描述的功能。其中，主要的方法有GMM(廣義非線性)，間接最小二乘法和兩階段最小二乘法[11]。目前關于此類問題中，面板數(shù)據(jù)對于GMM的應用更為廣泛，但是對于截面數(shù)據(jù)兩階段最小二乘法使用較多?！颈狙芯壳腥朦c】目前在國內的文獻中，還沒有發(fā)現(xiàn)在個人層面使用科研素養(yǎng)對個人的創(chuàng)新投入產出效率的影響機理進行研究。研究從科研素養(yǎng)對科研投入產出效率的影響機理作為切入點，利用工具變量法作為主要的研究方法，找出影響的機理，理清科研素養(yǎng)同其他控制變量之間的關系?！緮M解決的關鍵問題】分析科研素養(yǎng)對于科研的投入產出純技術效率產生影響，研究科研素養(yǎng)中的科研修養(yǎng)、個人能力、思維風格、科研基礎對科研產出的純技術效率的影響，以及在加入了其他的控制變量，諸如年齡、科研平臺、性別、學歷基礎之后的變化。

1 材料與方法

1.1 材 料

以新疆農業(yè)科學院的科研人員作為本次調研對象。問卷的調研采取分層抽樣的方法進行。具體辦法如下：1.第一層以不同的科研院所進行劃分，每個科研院所調研問卷的目標定為28份，可以視情況、人數(shù)具體變化上下浮動。2.第二層以年齡進行劃分，對單個科研院所來說：小于30歲的科研人員，目標隨機調查7人；30<年齡≤40的科研人員，目標隨機調查7人；40<年齡≤50的科研人員，目標隨機調查8人；50<年齡的科研人員，目標隨機調查7人。如果某一層的人員數(shù)量不足7人，則全部進行調查，其余各層抽樣數(shù)量可以不變。

相關科研人員科研素養(yǎng)的指標體系、科研投入產出效率指標體系、科研素養(yǎng)相關指標見文獻[4-12]。

科研投入產出效率相關指標，分別為理論成果和產品成果。其中理論成果包括O1到O3,分別為論文數(shù)量、最高影響因子以及核心論文數(shù)量。產品成果主要為標準專利數(shù)量、創(chuàng)新產品質量。表1

可以看出，不論是創(chuàng)新投入指標還是創(chuàng)新產出指標，方差(標準差)的值比較大，證明在樣本群體中，高低差別大，并不平均。尤其是科研經費不論是總經費還是單個最高經費的標準差更大，而且最大值與最小值的差距也非常大。

對個別單個指標進行分析，首先是獲得課題的數(shù)量，平均每一個樣本可以獲得各種級別課題4次，但是方差也較大，而且最高值與最低值相差44，也就是說獲得課題數(shù)量最多的人大小課題項目一共44項。在一般的科研人員中屬于數(shù)量巨大。其次是產出項中的論文數(shù)量，也呈現(xiàn)出方差大，最小值與最大值差別大的情況。最高的發(fā)表論文180篇，屬于非常大量產出的情況。

表1 投入產出數(shù)據(jù)
Table 1 Input-output data analysis

科研投入/產出Research input/output指標題號Index id均值The mean最大值Max最小值Min標準差standard deviation創(chuàng)新投入指標Index of Research inputB14.144405.1B22.97511.09B31804 6500505.13B483.862 5000256創(chuàng)新產出指標Index of Research outputC110.4180015.1C21.348.9501.17C38.25178014.63C44.1747032.5C57.845309.33

在對數(shù)據(jù)進行初步的分析之后需要對數(shù)據(jù)在DEA模型中使用情況進行檢驗和分析。在使用DEA方法時，第一個原則是所有的投入產出項都為正數(shù)，在這九個變量中可以得出的是全部都是正數(shù)，最小值為0，沒有負數(shù)，因此第一個原則通過。第二個原則是決策單元的數(shù)量要較多的大約投入產出指標數(shù)，在本研究中投入產出指標一共為9個，而決策單元的數(shù)量為178個，因此也符合第二個檢驗。第三個原則是指標為非比率型指標，也就是指標盡量不要是兩個指標的比值，而本文使用的所有投入產出指標均為量和質的體現(xiàn)，且不存在比率問題，因此第三個原則的檢驗也通過。

模型相關其他控制變量，在對科研素養(yǎng)相關指標數(shù)據(jù)進行處理和分析之后，就對其他的控制變量或者叫補充變量也進行一個初步的分析。表2

表2 模型其他自變量
Table 2 Other independent variables of model

科研投入/產出Research input/output指標題號Index id均值The mean最大值Max最小值Min標準差standard deviation性別Sex0.69100.46第一學歷Edu13.85510.68年齡Age3.03510.41參與課題級別PARTI112.385012

1.2 方 法

1.2.1 工具變量法(二階段最小二乘法)

在一般的計量分析中，OLS(最小二乘法)是一個基本的模型構建的方法，但是這個方法對于模型構建的基本假設要求較高，尤其是自變量之間要互不相關。但是，在本文的研究中可以發(fā)現(xiàn)，在構建科研素養(yǎng)對投入產出效率影響的模型時，科研素養(yǎng)和其他一些控制變量之間從理論上可能存在相關性，因此，不適合直接使用最小二乘法來分析?；谧宰兞康倪@種情況，工具變量法(IV)是一種較為常用的方法。這種方法具體如下所示：

Si=β0+β1Xi+εi.

Yi=β0+β1Xi+β2Xi+εi.

最后的方程為

其中，Xi和Si為兩個類型的自變量。Xi為互相獨立的一些自變量，Si則為與Xi之間由相關性的自變量，這兩類自變量不能放在同一個估計方程中，因為其不符合經典的ols方法的假設，但是經過處理，就可以符合自變量之間互相獨立的假設。這個處理就是二次估計原有的Si這類變量。在上文中提到，既然Si與Xi存在一定的相關性，那么Si也必然可以由Xi來進行估計和計算，建立一個Si與Xi的估計方程，就可以把原有基本方程中的Si這一類變量進行消除，從而消除自變量之間的相關性問題，回到OLS的經典假設范圍之內。

在最后的方程內，括號外面的被稱之為結構性的方程，括號內的估計值被稱為初步方程，因此，這個方程的本質就是其中個別或者部分的自變量受到了其他變量的影響，換成了一個有獨立不相關變量估計出的估計值。這種二次估計的方法也被稱之為兩階段的最小二乘法。

1.2.2 因子分析

因子分析的主要目的是用來描述隱藏在一組測量到的變量中的一些更基本的，但又無法直接測量到的隱性變量 (latent variable, latent factor)。最早由英國心理學家C.E.斯皮爾曼提出。 因子分析主要由探索性因子分析和檢驗性因子分析構成。 因子分析的方法有10多種，但是最主要也是覆蓋面最廣的是主成分分析法 。其主要的步驟如下所示：

(1)原始指標數(shù)據(jù)的采集p 維隨機向量x= (x1,X2,…,Xp)T，n 個樣品xi= (xi1,xi2,…,xip)T，i=1,2,…,n；n>p，構造樣本陣，對樣本陣元進行如下標準化變換：

(2)對標準化陣Z 求相關系數(shù)矩陣。

(5)對m個主成分進行綜合評價：對m個主成分進行加權求和，即得最終評價值，權數(shù)為每個主成分的方差貢獻率。

在本文中，因子分析的方法主要是用于對科研素養(yǎng)相關指標的降維，以便使其在后面的研究中，消除科研素養(yǎng)指標之間的強相關的內生性問題。

1.2.3DEA基本方法

在本文的研究中，需要對投入產出的純技術效率進行研究，而純技術效率的測算需要使用DEA數(shù)據(jù)包絡分析法，現(xiàn)階段常用的DEA模型為DEA-BCC模型，因為它是一個既考慮規(guī)模效應，又考慮純技術效應的DEA模型。之前的DEA-CCR模型并不能區(qū)分規(guī)模效率與純技術效率，因此無法從結果中提取出純技術效率，基于此本文研究的投入產出的純技術效率也必須在這個模型下得出的結果。一個基本的DEA-BCC模型如下所示。

其中的X0和Y0分別代表了第J0個決策單元的輸入變量和輸出變量，而θ則代表了產出效率的數(shù)值。但是在一般的BCC模型中仍然要引入投入松弛變量s-、s+產出松弛變量 以及阿基米德無窮小量ε。最終的一個DEA-BCC模型中第J0個決策單元的表達式為：

2 結果與分析

2.1 科研素養(yǎng)指標體系驗證結果與科研素養(yǎng)水平

對科研素養(yǎng)的相關題項指標進行分析和檢驗，檢驗結果全部通過題項檢驗，研究表明，研素養(yǎng)以及科研基礎、個人能力、思維風格，科研修養(yǎng)178個樣本，作為測算出的數(shù)值，其大小高低代表這個維度水平的高低，形成一個連續(xù)的變量。表3

表3 科研素養(yǎng)水平值Table3Analysisofscientificresearchliteracylevel

科研投入/產出Research input/output指標題號Index id均值The mean最大值Max最小值Min標準差standard deviation科研素養(yǎng)F2.273.181.060.46科研基礎F12.653.921.220.64個人能力F23.324.400.880.79思維風格F32.503.230.830.67科研修養(yǎng)F42.493.650.780.53

表4 BCC模型松弛變量Table4 BCC model relaxation variable analysis section

單元數(shù) Unit numbers_S-s-s-S+S+S+S+S+100000000004500000000066000000000670000000006800000000082000000000100000000000101000000000105000000000124000000000125000000000132000000000137000000000141000000000152000000000164000000000177000000000平均值The mean0.3810.3260.3130.5570.340.3210.4711.0150.111

2.2 DEA-BCC模型投入產出純技術效率

在178個決策單元中所有的投入松弛變量和產出松弛變量都為0的17個決策單元，在這些決策單元中，既不存在投入冗余又不存在產出不足，屬于資源配置效率相對較優(yōu)單元。這些單元屬于純技術效率相對最大化的單元?？梢苑治龅氖窃?78個科研人員經過DEA-BCC模型的計算之后，得出了影響效率的第一個較為重要的影響因素--投入項的配比狀態(tài)，即如果資源不能以合適的比例進行配比，就也會浪費其他已經配置給個人的資源。另外，除了這17個決策單元之外的161個決策單元要不然存在著投入冗余，要不然存在著產出不足，都是屬于沒有達到所有資源優(yōu)化配置的單元。從整體來看，達到資源優(yōu)化配置的僅占9.5%，說明在樣本的群體中，個人之見的資源使用效率相差較大，達到優(yōu)化配置的屬于較小的群體。初步判斷在樣本群體的中需要進行資源的優(yōu)化，使用效率的提升從而達到較為優(yōu)化的效果。表4

2.3 基于2SLS的科研素養(yǎng)對創(chuàng)新投入產出純技術效率影響

2.3.1 科研素養(yǎng)及其四個維度的基本回歸

研究表明，對于創(chuàng)新產出的純技術效率在1%的顯著水平上顯著正向影響個人產出的純技術效率。即在投入科研資源相同的情況下，科研素養(yǎng)水平越高的人產出的量也越大。其次，科研素養(yǎng)中的個人能力、科研基礎在1%的顯著水平上正向的影響科研產出的純技術效率，而科研修養(yǎng)在5%的顯著水平上正向影響科研產出的純技術效率。思維風格在投入一定的情況下并不顯著影響純技術效率。究其原因是因為思維風格不同可以導致科研產出類型的不同，但是在綜合評價的產出指標下，并不顯著影響量化后的產出水平。表5

表5 科研素養(yǎng)對純技術效率相關性
Table 5 of The influence of scientific research literacy on pure technical efficiency

指標Item純技術效率pure technical efficiencyP值P純技術效率pure technical efficiencyP值PF0.220 3430.000 0F10.083 4690.000 2F20.048 2180.002 4F30.013 3530.474 0F40.040 2920.021 1

2.3.2 加入控制變量的科研素養(yǎng)對純技術效率影響回歸

當加入了控制變量之后，科研素養(yǎng)對于科研創(chuàng)新產出的純技術效率的影響發(fā)生了變化，尤其是科研修養(yǎng)這個變量，影響從正向變?yōu)榱素撓颍@說明一個問題，那就是科研修養(yǎng)這個變量在加入了其他控制變量之后，在回歸時受到了其他的控制變量的影響，科研修養(yǎng)作為科研素養(yǎng)中意愿、精神方面的指標是需要一些"介質"才能產生影響并且發(fā)揮作用的。表6

表6 加入控制變量的回歸
Table 6 of regression results for adding control variables

指標Item純技術效率pure technical efficiencyP值P純技術效率pure technical efficiencyP值PF0.231 1080.000 0F10.083 4690.000 2F20.048 2180.002 4F30.013 3530.474 0F4-0.547 7710.078 1EDU10.028 3570.021 80.055 2280.023 0SEX0.003 3820.856 10.062 7990.086 5PARTI10.031 4320.014 00.005 5330.8257Age0.001 3730.000 00.002 0840.000 3

2.3.3 使用2SLS下的兩階段回歸分析

首先，可以得出的是科研修養(yǎng)收到第一學歷、年齡以及參與課題級別的顯著影響，而且方程的擬合優(yōu)度為0.774(一般為0.4以上就較好)，這說明建立方程的擬合度較好。但是個人能力、科研基礎和思維風格并不影響科研修養(yǎng)，這與預期一致，因為在之前的因子分析當中已經把各個變量之間內生的相關性消除，及科研素養(yǎng)對的四個維度應該相對獨立。在此基礎上進行二階段的結構方程，其回歸的結果如下所示：

在第二階段的回歸過程中，首先擬合優(yōu)度為0.445，表明方程的擬合優(yōu)度較好，證明該方程中的主要影響因素得到了表達和描述。其次可以看到科研修養(yǎng)的影響方向回到了正向影響，恢復到了正常。科研修養(yǎng)在性別、第一學歷、年齡以及課題參與的平臺影響下產生了不同的影響。首先，可以看出當一個科研人員的年齡越大，他的科研修養(yǎng)就相對較高，從而較好的影響到科研投入產出的效率。即隨著年齡以及科研閱歷的增長，對于個人科研修養(yǎng)，以及其作用下的科研產出效率可以產生較為明顯的影響。第二，科研修養(yǎng)在第一學歷的基礎上，即第一學歷越高，其科研修養(yǎng)也相對越高，從而影響其科研產出的純技術效率，這也解釋了為什么通常情況下在職業(yè)招聘的過程中，除了最終學歷還有相當?shù)膯挝豢疾斓谝粚W歷，因為第一學歷作為一個工作者尤其是科研人員，其對一些不明顯的，隱藏下的科研修養(yǎng)產生著重要的影響，從而影響其產出的效率。第三，科研修養(yǎng)在參與課題或者科研平臺的作用下，呈現(xiàn)正向相關的關系，即參與的課題平臺越高，對于科研修養(yǎng)的影響越朝著正向的方向去影響，進而影響到科研產出的純技術效率。表7、8

表7 一階段回歸
Table 7 of First-stage regressions

指標Item純技術效率pure technical efficiencyP值PF10.018 6740.762F20.020 0940.645F30.066 3770.135EDU10.028 3570.031SEX0.003 3820.323PARTI10.031 4320.001Age0.001 3730.00 0

表8 二階段的結構方程
Table 8 of Instrumental variables (2SLS) regression

指標Item純技術效率pure technical efficiencyP值PF10.018 6740.001F20.020 0940.013F30.066 3770.845F40.001 3730.000

3 討 論

3.1 對于科研人員的使用問題?，F(xiàn)階段的大部分科研機構傾向于過多的使用年輕的科研工作者。當然，年輕的科研工作者可能掌握了更新的方法，有著更好的精力，可以有助于科研產出的提升，但是從經濟學效率的角度講，經驗更為豐富的老科研工作者在精力、體力允許的情況下，其投入產出的效率更高，因此在科研工作時需要統(tǒng)籌安排老科研工作者與新晉的科研工作者的工作和分工。

3.2 對于科研單位的效率來講，男女員工在投出產出的效率上并沒有明顯的差異，如果存在最終科研產出結果上的差異，更多的原因是投入的時間和精力不同導致，在相同投入的情況下，男科研工作者并不比女科研工作者效率高，因此在工作時也應適當給予女員工相對更多的工作機會，從而最大限度的保證效率。

3.3 對于科研工作者中的高學歷人才要格外關注，尤其是第一學歷出眾的科研工作者，可能在更少投入的情況下或者更高的產出。

3.4 科研單位如果想提升科研產出的效率，以及后續(xù)的可持續(xù)的創(chuàng)新產出，就一定要鼓勵工作人員申請、參與更高級別的科研課題。

3.5 在研究問題的過程中，尤其需要注意的自變量之間的相關性問題，如果不考慮其相關性問題就容易造成擾動，影響正常的回歸結果。

4 結 論

4.1 科研素養(yǎng)對科研人員的科研投入產出純技術效率有正向影響，而且科研修養(yǎng)、個人能力以及科研基礎正向影響科研人員的創(chuàng)新產出的純技術效率。

4.2 科研人員的科研素養(yǎng)中，科研修養(yǎng)通過年齡、第一學歷以及參與課題的級別影響科研人員的投入產出純技術效率，是一個間接的影響機制。

4.3 科研人員的科研素養(yǎng)中，科研基礎、個人能力是直接影響，科研修養(yǎng)是間接影響，即科研素養(yǎng)對科研人員的純技術效率影響是一個多路徑的影響機制。