当前所在位置: 首页 > 文章内容
文章阅读

项目经费资助强度与科研成果互动机制研究 —— 基于“双一流”高校人文社科实证

来源:《决策与信息》2023年第1期 浏览:335次 发布日期:2023-01-31 17:11:35

项目经费资助强度与科研成果互动机制研究

—— 基于“双一流”高校人文社科实证

○俞立平

(常州大学 商学院,江苏 常州 213159)

[摘    要] 项目经费资助强度的绩效问题及其与科研成果的互动机制研究对于高校建设有着重要价值。鉴于此,现以“双一流”建设高校的人文社科为例,通过分析项目经费资助强度与科研成果的互动机制,采用TOPSIS对科研成果进行评价,综合运用面板数据模型、面板门槛回归模型、贝叶斯向量自回归模型进行实证,并采用BP人工神经网络进行稳健性检验。研究结果表明:项目经费资助强度对科研成果同时具有正向机制与负向机制,但最终呈现负向作用;科研成果对项目经费资助强度也同时具有正向机制和负向机制,但最终呈现正向反馈;项目经费资助强度的绩效近年来有所下降;科研成果较高时项目经费资助强度的绩效较好;研发人员对项目经费资助强度的弹性为负数;研发人员对科研成果的弹性大于研发经费。

[关键词] 人文社科;项目经费资助强度;科研成果;研发经费绩效;“双一流”高校建设

[中图分类号] G302  [文献标识码] A  [文章编号] 1002-8129(2023)01-0041-13

 

一、引言

项目经费资助强度是指单项科研项目资助经费的多少,设置合适的项目经费资助强度非常重要。当项目经费资助不足时,不利于科研项目的完成。当项目经费资助过多时,不但不利于节约有限的科研经费,还降低了科研经费的绩效,甚至会助长“跑项目”的不正之风。近年来,国家自然科学基金、国家社科基金及各类省级项目,均加大了限项管理力度,一定程度上提高了单项科研项目的绩效,避免公共资源的浪费。

人文社科项目作为科研项目的一部分,近年来总体上处于增长态势(见图1)。以2017年教育部公布的“双一流”建设高校为例,2004年一流大学建设高校平均项目经费为2.72万元,2018年增长到5.84万元/项,平均每年增长5.61%;2004年一流学科建设高校平均项目经费为3.23万元,2018年增加到4.55万元/项,平均每年增长2.48%。虽然“双一流”高校是2017年开始公布的,但由于之前主要对应985高校与211高校,均是较高研究水平的标志。总体而言,一流大学建设高校的项目经费资助强度要大于一流学科建设高校,其增长速度也快于一流学科建设高校。两者有个共同特征,即平均单项项目经费资助强度总体上处于增长态势。

迄今为止,关于项目经费资助强度绩效的研究非常薄弱,有必要进行相关研究。不同学者科研经费相差较大,一些团队与学者科研经费充裕,但科研成果总体一般。另一些团队与学者科研经费紧张,有的甚至到了入不敷出的境地。人文社科研究和自然科学有较大的不同,有些研究对科研经费依赖较大,有些研究则对科研经费依赖相对较轻,受学科特点、研究内容等影响较大。总体而言,人文社科的项目经费资助强度要远远小于自然科学,并且学科差异也小于自然科学。鉴于此,对于人文社科项目经费资助强度绩效的特点与规律有必要进行进一步研究。

研究项目经费资助强度与科研成果的互动关系具有重要的意义。第一,从理论上分析两者的互动机制,有利于推进人文社科创新理论。第二,有利于分析项目经费资助强度的绩效,总结其中的规律,分析存在的问题,从而便于政府相关部门完善项目经费的管理。第三,探索人文社科项目经费资助强度与科技成果的互动关系的研究方法,对于自然科学也具有一定的借鉴意义。

绩效(Performance)是一个组织或机构的相关活动和行为及其产出结果,并以此表现出该组织机构所拥有的特定能力的效率、质量和效益[1]。从投入角度来看,绩效还有另一层含义,即某项投入对产出的影响大小。由于绩效的界定不同,其研究方法也相差较大。从项目经费资助强度的角度来看,绩效的含义应该是后者,即项目经费资助强度能否有效地促进科研成果产出的增加。

从总量角度比较分析科研绩效涌现出许多成果。Fischer et al.[2]提出科学基金重大项目的产出可以采用科研绩效指标来表征,包括论文、专利、获奖、人才培养等等。Valentina et al.[3]从金融、客户、创新和学习、内部业务以及网络五个维度建立指标体系,用来评价政府研发经费绩效。马乃云、侯倩[4]将平衡计卡计分法引入到公共研发经费绩效评估中,采用层次分析法确定权重,定量测度公共研发经费绩效。刘新波、李晨光等[5]从科研能力、科研效果、学科建设、服务管理方面建立指标体系,评价财政科研经费的绩效。

从研发经费绩效研究角度来看,目前采用较多的是知识生产函数。知识生产函数最早由Griliches[6]、Jaffe[7]在生产函数的基础上提出。Romer[8]提出了一种知识生产函数模型,经过Jones修正后形成了Romer-Jones知识生产函数模型。Yasser et al.[9]基于Romer-Jones知识生产函数,通过引入专利申请、专利存量、投入研发的科学家和工程师总量以及全要素生产率四个变量,对美国的研发绩效进行了实证研究。Fritsch[10]认为知识生产函数提供了一个评价创新活动绩效的有效方法,并完全可以运用于不同创新系统间质量的比较。Lydia[11]用知识生产函数从两个维度考察欧洲地区的知识溢出效应。吴延兵[12]基于中国数据运用知识生产函数模型研究了知识生产的性质及其影响因素。刘云、杨雨等[13]建立基于知识生产函数的科学基金重大项目绩效测度模型,采用科学基金重大项目投入产出数据,实证测算出每个科学基金重大项目的绩效水平。

关于项目经费资助强度问题的研究,学术界开展了一定的探索。Leydesdorff et al.[14]采用负二项回归模型对欧洲6个国家的240000篇论文进行研究,结果显示,论文的被引次数与科学基金资助强度之间呈显著负相关。段培新、孟溦[15] 371-379基于调查及DEA模型研究发现,依靠评审专家加强项目经费预算合理性审查的目的未有效实现,面上项目规模收益整体状态优于青年项目,但面上项目和青年项目资助强度不宜继续扩大。郭艳新、宋志红[16]的研究结果表明,科学基金资助强度增加后,论文数量增加较为显著,但高影响因子期刊论文数量下降,平均每万元科研经费的论文数量显著降低,平均每万元科研经费高影响因子期刊论文数量也显著减少。此外,还有一些学者从其他角度研究了资助强度问题,钟旭[17]分析了科学基金项目的多来源资助现象,采用每篇论文的项目数作为基金项目资助强度指标,对比分析了中国与其他五大科技强国的资助强度。高清奇[18]则研究了国家科技著作出版基金资助力度与出版成本问题。

从现有的研究看,由于对绩效的界定不同,其研究视角也不一样。一种是从地区与国家宏观视角的角度,更多的是从单位、团队、学者、项目等微观角度。一些研究侧重从产出角度进行评价,还有一些研究侧重从投入产出关系角度进行评价。项目经费资助强度的绩效问题,本质上需要从投入产出角度进行分析。现有的研究主要侧重自然科学领域的分析,总体上研究数量不多,多数研究认为项目资助强度不宜继续扩大。

总体上,在以下方面有待进一步深入:

第一,迄今为止,关于人文社科项目经费资助强度及其绩效的相关问题罕见报道,需要进一步开展相关研究。

第二,项目经费资助强度与科研成果之间存在互动关系,现有研究仅仅关注其单向关系。

第三,从研究方法角度来看,现有的研究方法包括DEA分析、负二项回归、简单统计分析等等,在独立研究中尚缺乏系统的研究方法,许多研究缺乏稳健性检验,因此得出的研究结论可能有偏差。

鉴于此,本文以教育部“双一流”建设高校为例,基于教育部人文社科信息网数据,采用TOPSIS对科技成果进行评价,综合采用面板数据模型、贝叶斯向量自回归模型系统分析项目经费资助强度与科研成果之间的互动关系,同时基于面板门槛回归模型研究项目经费资助强度的作用特征,并采用BP人工神经网络进行稳健性检验,从而对项目经费资助强度的绩效做出全方面的评估。本文的创新点主要体现在两个方面,一是以人文社科研究作为研究对象,二是研究方法有较大创新,基于多重视角的研究提高了研究稳健性,从而得出更多有意义的结论。

二、理论基础与研究方法

本研究的核心是对项目经费资助强度与科研成果的互动关系进行深入研究,具体方法主要采取TOPSIS对科研成果进行评价,然后综合采用面板数据模型、面板门槛回归模型、贝叶斯向量自回归模型进行实证,并采用BP人工神经网络进行稳健性检验。

(一)项目经费资助强度与科研成果的互动关系

1. 项目经费资助强度对科研成果作用机制。项目经费资助强度对科研成果作用机制如图2所示。它同时具有正向机制和负向机制,当项目经费资助强度适宜时表现为正向机制,一般是研究经费刚好能够满足项目需要,或者是略有盈余。当项目经费资助强度不足或非常宽裕时,有可能表现为负向机制。

正向机制体现在三个方面,一是保障机制,从科研角度看,项目经费首先要保障科研工作的开展,用来支付各种必要的支出。二是激励机制,根据我国目前的科研经费管理办法,项目中可以提取一定比例的绩效支出,用来给科研人员发放奖励。三是荣誉机制,获得高级别的科研项目比如国家级项目对广大科研工作者而言本身就是一种荣誉,此外对于同级别的课题而言,往往又分为一般、重点、重大等等,资助强度逐渐提高,能够申请到重点、重大课题也是一种荣誉。

项目经费资助强度对科研成果的负向作用机制体现在三个方面。一是绩效下降机制,充裕的项目经费有可能使得团队不能集中注意力进行科学研究。我国高校科研经费管理存在科研课题立项评审机制欠透明、科研预算制度不科学、预算执行过程监督管理体系不健全等问题,跑项目、跑经费现象并不鲜见[19]。当然,从另外一个角度来讲,如果项目经费资助强度较低也会导致科研保障能力下降,无法完成科研任务。二是在科研经费总量一定的情况下,单项项目经费资助强度越高意味着立项数量的减少,导致项目资助面变窄,从而使得一些本该需要项目资助的研究工作难以进行。三是大面积的单项项目经费资助强度不合理增加,会破坏科研环境和科研氛围,导致研究者以拿到项目为荣,而不潜心钻研学术,从而破坏学术风气,不利于人文社科研究的开展。

综上所述,项目经费资助强度对科研成果同时存在正向机制和负向机制,最终结果取决于两种机制的相互作用强度。从表现形式看,当正向机制大于负向机制时,项目经费资助强度与科研成果之间会出现正相关;当正向机制和负向机制相差不大时,项目经费资助强度与科研成果之间会出现不相关;当负向机制大于正向机制时,项目经费资助强度与科研成果之间会出现负相关。

2. 科研成果对项目经费资助强度的反向机制。科研成果对项目资助的反向机制比较复杂,同样分为正向机制和反向机制(见图3),其中正向机制包括提高经费资助强度、优化项目资助结构、增加项目三个方面,负向机制包括经费刚性、减少项目两个方面。

当项目科研成果绩效较好时,科研成果对项目资助具有正向机制。一是会提高项目经费资助强度,当然这个过程正常情况下每3~5年会有所调整,总体上呈现上升态势。还有一种变相地增加项目经费资助强度的方法是除了一般项目外,还设置重点项目、重大项目,随着项目级别的提升,项目经费资助强度越大。二是促进项目结构改革,通过细化项目分类、对项目加强管理等形式促进项目绩效提高。由于不同细分项目的资助强度不一样,比如青年项目、一般项目、后期资助项目、政策研究类项目、各种专项项目等,这变相改变了项目资助强度的结构。三是增加项目数,增加项目数与项目经费资助强度并没有太大关系,取决于经费总量是否增长。如果人文社科研究本身成果较好,进步较快,项目数量一般会稳步增长。

当项目科研成果绩效较差时,对项目资助表现为负向机制,体现在两个方面,一是经费刚性,即使项目绩效不好,只要通过鉴定则视同完成,对现有经费没有影响,对未来经费的影响是暂时固化项目经费资助强度,但这只是短期的,从长期看,项目经费资助强度是刚性的,总会缓慢增长。二是减少资助项目数,这和项目经费资助强度关系不大,会影响一定地区和范围内的项目资助总量。

综上所述,科研成果对项目经费资助强度也同时存在正向机制和负向机制,最终结果取决于两种机制的相互作用强度。当正向机制大于负向机制时,科研成果对项目经费资助强度出现正相关;当正向机制和负向机制相差不大时,科研成果对项目经费资助强度出现不相关;当负向机制大于正向机制时,科研成果对项目经费资助强度出现负相关。

(二)知识生产函数与面板数据模型

为了研究项目经费资助强度与科研成果之间的关系,借助Griliches[6]和Jaffe[7]提出的知识生产函数,在此基础上进一步引入项目经费资助强度变量,得:

                                                    (1)

公式(1)中,Y表示人文社科科研成果,K表示研发经费,L表示研发人员,R表示项目经费资助强度,α、β、γ为弹性系数,A为常数项,表示知识生产函数的全要素生产率。

由于项目经费资助强度与人文社科科研成果之间可能存在2次曲线关系,进一步进入其2次项,同时公式(1)两边取对数,经整理得:

                                       (2)

在公式(1)、公式(2)的基础上,采用面板数据模型进行估计。面板数据模型已经发展得比较成熟,其固定效应模型对遗失重要变量不敏感,并且能较好地降低多重共线性问题,已经在经济、管理、社会等领域得到了广泛的应用。

(三)面板门槛回归模型

采用面板门槛回归模型可以分析项目经费资助强度与人文社科科研成果之间的非线性关系特征,是一种更加精细的刻画,该模型由Hansen[20]提出。一般而言,传统的面板数据模型一般只能估计变量之间的线性关系和简单非线性关系,但面板门槛回归模型可以估计项目经费资助强度与科研成果之间的时间门槛、项目经费资助强度门槛、科研成果门槛,下面分别进行说明:

项目经费资助强度对科研成果的时间门槛效应,就是随着时间阶段不同,项目经费资助强度对科研成果的弹性是否存在显著差异。以单门槛为例,如果存在一个年度时间门槛水平τ,使得对于year≤τ和year>τ时,项目经费资助强度对科研成果的弹性存在显著差异。当year≤τ时,项目经费资助强度对科研成果的弹性系数为θ1;当year>τ时,项目经费资助强度对科研成果的弹性系数为θ2,即:

     (3)

项目经费资助强度对科研成果的科研成果门槛效应,就是随着科研成果水平不同,项目经费资助强度对科研成果的弹性是否存在显著差异。以单门槛为例,如果存在一个科研成果门槛水平τ,使得对于Y≤τ和Y>τ时,项目经费资助强度对科研成果的弹性存在显著差异。当Y≤τ时,项目经费资助强度对科研成果的弹性系数为θ1;当Y>τ时,项目经费资助强度对科研成果的弹性系数为θ2,即:

        (4)

项目经费资助强度对科研成果贡献的项目经费资助强度自身门槛效应,就是随着项目经费资助强度不同,项目经费资助强度对科研成果的弹性是否存在显著差异。以单门槛为例,如果存在一个项目经费资助强度门槛水平τ,使得对于R≤τ和R>τ时,项目经费资助强度对科研成果的弹性存在显著差异。当R≤τ时,项目经费强度对学术论文的弹性系数为θ1;当R>τ时,项目经费强度对学术论文数量的弹性系数为θ2,即:

        (5)

(四)贝叶斯向量自回归模型

为了研究人文社科项目经费资助强度与科研成果的互动关系,采用贝叶斯向量自回归模型(Bayesian Vector Autoregressions,BVAR)进行估计。该模型是Litterman[21]将贝叶斯推断理论与传统向量自回归模型VAR相结合的产物。其最大贡献是将传统VAR模型对众多参数的估计转换成对少数几个超级变量的估计,大大节省了自由度,提高了估计精度与预测效果。在此基础上,通过脉冲响应函数和方差分解可以进一步分析变量之间的互动关系。

(五) BP人工神经网络稳健性检验

对于人文社科项目经费资助强度与科研成果之间的关系,有必要进行稳健性检验,由于变量和研究数据所限,传统的稳健性检验方法在本研究中很难适用,因此本文另辟蹊径采用BP人工神经网络进行稳健性检验。

将人文社科研发经费、研发人员和项目经费资助强度作为投入变量,科研成果作为产出变量,建立BP人工神经网络投入产出模型并进行训练,如果项目经费资助强度的绩效较高,那么其权重必然很高,相反,如果项目经费资助强度的绩效较低,表现为不相关或负相关,那么其在投入要素的权重必然较低。

BP神经网络模型是一种基础的人工智能模型,它能模拟人类大脑神经网络的工作原理,并且可以处理分布式任务[22]。BP人工神经网络一般由输入层、隐含层、输出层三层组成,通过对其进行训练学习,可以提高预测精度。其原理是调整网络节点连接权重使网络总体误差最小,或者训练次数达到一定的阈值等。对于一个输入层有m个神经元、隐含层有q个神经元、输出层有l个神经元的网络而言,其学习步骤如下:

第一,对网络进行初始化。用较小的随机正数作为各神经元的初始权重。

第二,引入训练数据集。假设输入矩阵为x(1),x(2),…x(n),期望的输出矩阵为t(1),t(2),…t(N),N为学习样本的数量。

第三,计算BP网络前馈。假设训练样本为P,隐含层第i个神经元的输入Zhip为:

                      (6)

式(6)中,ωij(i=1,2,…q;j=1,2,…m)是输入层神经元j与隐含层神经元i的连接权重,θi为隐含层神经元i的阈值,xjp为样本p隐含层神经元i的输入。

隐含层神经元i的输出oip为:

                                                       (7)

式(7)中,g()为隐含层激活函数,往往用sigmoid函数表示:

                                                        (8)

隐含层神经元i的输出oip通过权重系数向输出层传递,输出层神经元k的总输入为:

                     (9)

式(9)中,ωki为隐含神经元i与输出节点k的连接权重,θk为输出层神经元k的阈值。

输出层神经元k的实际输出Zokp为:

                                                   (10)

第四,计算神经网络系统误差。BP神经网络的总误差函数Ep为:

                                   (11)

式(11)中,tkp为输出节点k的期望输出。

第五,对权重系数调整。如果总误差达不到设定要求,就沿着误差函数的负梯度方向对权重系数进行调整,调整量的计算公式分别如式(12)和式(13)。

                                          (12)

                                          (13)

Δωki为输出层权重系数的调整量,Δωij为输入层权重系数的调整量,η为学习速率,其值大于0,经过不断训练学习,直到误差达到设定要求或训练次数达到一定的次数为止。

三、研究数据

科研成果变量的选取。对于人文社科而言,其主要科研成果是学术论文和学术著作,其他还有研究报告、奖励等,研究报告近年来越来越受到重视,但总体上研究报告所占比重并不高,此外研究报告质量参差不齐,所以本文暂不考虑。对于人文社科而言,科研奖励是二次成果,是在学术论文、学术著作和研究报告的基础上进行评奖的,加上科研奖励难以计量,简单采用奖励数量必然存在较大误差,因此本文也不考虑科研奖励。对于学术论文和学术著作,本文将其标准化后采用TOPSIS方法进行评价,得到最终评价结果,其计算公式如下:

                                                                          (14)

式(14)中,P为标准化后的学术论文数量,W为标准化后的学术著作数量,P0为学术论文的极小值,W0为学术著作的极小值,学术论文的权重为0.75,学术著作的权重为0.25。Ci为评价值,其值在0-1之间。

投入变量的选取。研发经费采用研发经费内部支出表示,研发人员采用研发人员数量表示,另一个可用的变量是研发人员折合全时当量,考虑到人文社科研究的特殊性,采用研发人员数量更加合理。项目经费资助强度采用研发经费内部支出除以项目数量作为替代变量。

本文研究对象为教育部首批“双一流”建设高校,共有137所高校。数据来自教育部人文社会科学信息网(https://www.sinoss.net)的统计数据,时间跨度为2004-2018年期间,前后共15年。由于部分高校部分年度缺失,经过清洗后实际数据为134所高校数据,变量的描述统计如表1所示。

四、实证结果

通过上述数据统计及其分析,我们由此可以得出有关项目经费资助强度与科研成果互动机制下的实证结果,这包括变量的平稳性检验、面板数据回归结果、面板门槛回归结果、贝叶斯向量自回归模型、稳健性检验等几个方面。

(一)变量的平稳性检验

首先进行变量的平稳性检验,以减少伪回归的风险,本文同时采用LLC、ADF、PP三种检验方式,以结果一致为准,这样提高了研究的稳健性。结果如表2所示,一阶差分后,所有变量均是平稳时间序列。

(二)面板数据回归结果

下面基于公式(1)、公式(2),采用面板数据模型分析项目经费资助强度对科研成果的平均绩效以及引入其2次项对科研成果的作用特征。由于投入产出变量之间存在时间滞后,综合各种因素后确定滞后期为1年。估计方法采用系统广义矩SYS-GMM进行估计,工具变量采用各自变量的滞后2阶变量,这样可以较好地降低变量的内生性问题。首先采用随机效应模型进行估计,然后进行Hausman检验,以确定是采用随机效应模型还是固定效应模型。结果如表3所示。

先看项目资助强度的回归结果,模型的拟合优度很高,为0.950,研发经费、研发人员、项目经费资助强度均通过了统计检验,对科研成果贡献最大的是研发人员,弹性系数为0.431,其次是研发经费,弹性系数为0.053,最后是项目经费资助强度,弹性系数为-0.048,说明随着项目经费资助强度加大,其绩效越来越低。

再看引入项目经费资助强度2次项的回归结果,其1次项和2次项均没有通过统计检验,说明项目经费资助强度与科研成果之间并不存在简单的2次曲线关系。

(三)面板门槛回归结果

1. 项目经费资助强度对科研成果的时间门槛效应。首先进行单门槛检验,F检验值为55.310,p值为0.000,说明存在单门槛效应。继续进行双门槛检验,F检验值为24.362,p值为0.000,说明存在双门槛效应。考虑到样本数据在2004-2018年之间,总体时间跨度并不长,最终决定采用双门槛模型进行回归,结果如表4所示。

项目经费资助强度共有2个时间门槛,分别为2011、2015年,将数据分为3个阶段,数据数量分别为938、536、402条,弹性系数分别为-0.094、-0.115、-0.134,弹性系数均为负数,并且越来越小,说明随着时间的推延,项目经费资助强度的绩效越来越差。

2. 项目经费资助强度对科研成果的科研成果门槛效应。首先进行单门槛检验,F检验值为453.162,p值为0.000,说明存在单门槛效应。继续进行双门槛检验,F检验值为460.974,p值为0.000,说明存在双门槛效应。继续进行三门槛检验,F检验值为390.338,p值为0.000。最终决定采用三门槛模型进行回归,结果如表5所示。

项目经费资助强度共有3个科研成果门槛,其自然对数分别为0.424、1.613、2.429,将数据分为4个阶段,数据数量分别为97、445、496、838条,弹性系数分别为-0.260、-0.109、-0.011、0.068,除了第三阶段弹性系数没有通过统计检验外,其他阶段弹性系数均通过了统计检验。随着科研成果水平的提高,弹性系数逐渐升高,由负数转变为正数,说明对于科研成果较高的高校而言,提高项目经费资助强度的效果越好。

3. 项目经费资助强度对科研成果的项目经费资助强度自身门槛效应。首先进行单门槛检验,F检验值为20.858,p值为0.000,说明存在单门槛效应。继续进行双门槛检验,F检验值为4.357,p值为0.043,说明存在双门槛效应。继续进行三门槛检验,F检验值没有通过,最终采用双门槛模型进行回归,结果如表6所示。

项目经费资助强度共有2个自身门槛,其对数值分别为5.988、6.442,将数据分为3个阶段,数据数量分别为1122、417、337条,弹性系数分别为-0.153、-0.135、-0.125,弹性系数均为负数,并且越来越大,说明随着项目经费资助强度的提升,尽管其绩效不佳,但有所提高。

(四)贝叶斯向量自回归模型

下面建立贝叶斯向量自回归模型,滞后期综合均衡后选择3年,这是因为对于人文社科而言,有些研究的滞后期较长,比如学术著作,学术论文的滞后期相对短一些,但一般也有1-2年。对于贝叶斯向量自回归模型,主要通过脉冲响应函数进行进一步分析。

科研成果的脉冲响应函数如图4所示。来自研发人员一个标准差的正向冲击对其影响最大,当期为零,随后快速升高,从第二期后开始平稳增长。其次是研发经费的冲击,当期为0,第二期也极小,从第三期后开始比较平稳,但总体弹性不大。来自项目经费资助强度的冲击的影响总体为负数,当期为0,从第二期后开始为负数,并且比较稳定。这个结果和面板数据回归结果基本一致。

项目经费资助强度的脉冲响应函数如图5所示,来自研发经费一个标准差的正向冲击对其影响最大,当期就达到极大值,随后缓慢降低,作用时间较长,其次是来自科研成果的冲击,当期发挥作用,总体比较平稳,说明科研成果对项目经费资助强度有一定的正向反馈作用。而来自研发人员的冲击对项目经费资助强度的影响为负数,当期发挥作用,总体比较平稳。

(五)稳健性检验

采用BP人工神经网络进行稳健性检验,投入变量为研发经费、研发人员、项目经费资助强度,产出变量为科研成果。在进行学习时,设定绝对误差阈值为0.0000001,即当系统误差低于该阈值时学习停止。由于每个BP神经网络的学习结果均不一样,为了提高稳健性,采用5个神经网络的平均结果作为最终结果,如表7所示。

从5个模型的均值看,拟合优度为0.641,相关系数为0.873,模型的总体拟合水平较高。从结果权重看,研发劳动力的权重为82.81%,占有绝对重要的地位,其次是研发经费的权重,为17.21%,最小的为项目经费资助强度的权重,仅为0.58%,可以忽略不计,这个结果和面板数据模型回归结果基本一致,即研发人员的绩效最好,而项目经费资助强度的绩效最差。

五、研究结论

由上述数据分析及其实证结果可知,项目经费资助强度对科研成果有着较为明显的影响,这主要体现在以下六个方面。

(一)项目经费资助强度对科研成果呈现负向作用

项目经费资助强度对科研成果同时具有正向机制和负向作用机制,其正向作用机制主要是保障机制、激励机制、荣誉机制,负向作用机制包括绩效下降机制、资助面变窄机制、破坏科研环境和氛围机制。本文通过面板数据、贝叶斯向量自回归模型的研究结果表明,由于正向机制小于负向机制,导致最终项目经费资助强度对科研成果呈现负向机制,这个结论得到了BP人工神经网络稳健性检验的验证。此外,基于面板数据的研究结果表明,项目经费资助强度对科研成果具有项目经费资助强度自身的门槛,随着项目经费资助强度的提高,其对科研成果的弹性虽然有所改善,但仍然是负数。综上所述,项目经费资助强度对科研成果呈现负向作用这个结论是可靠的,这个问题必须引起足够的重视,项目经费资助强度绩效较差必须加以纠正。

(二)科研成果对项目经费资助强度具有正向反馈作用

科研成果对项目资助同样具有正向机制和负向机制,正向机制包括提高经费资助强度、优化项目资助结构、增加项目数量三个方面,负向机制包括经费刚性、减少项目数量两个方面。基于贝叶斯向量自回归的研究结果表明,由于正向机制大于负向机制,最终结果表现为科研成果对项目经费资助强度呈现正向反馈,这是值得肯定的。

(三)项目经费资助强度的绩效近年来有所下降

基于面板门槛回归的研究结果表明,项目经费资助强度对科研成果具有时间门槛效应,在2004-2018年期间,可以分为三个时间阶段,分别是2004-2011,2012-2015,2016-2018,在这三个阶段中,项目经费资助强度对科研成果的弹性均为负数,并且越来越低。随着人文社科的快速发展,科研经费投入得到有效的改善,但是项目经费资助强度的绩效不升反降,主要原因是近年来项目经费资助强度增加,应采取必要的措施,适当降低或维持项目经费资助强度不变,增加项目数量,加强项目管理,以防止这个问题进一步恶化。

(四)科研成果水平较高时项目经费资助强度的绩效较好

面板门槛回归研究的结果表明,当科研成果水平较低时,项目经费资助强度对科研成果的弹性为负数,但是当科研成果水平较高时,项目经费资助强度对科研成果的弹性为正数。因此对于科研成果水平较高的项目,应当增加项目经费资助强度,或者采用一定的方式进行奖励,改变原有的项目一旦立项,项目经费就固定不变的模式。对于科研成果水平较高的那些结项项目,应该持续进行支持,并且加大项目经费资助强度。

(五)研发人员对项目经费资助强度的弹性为负数

贝叶斯向量自回归模型的研究结果表明,来自研发人员一个标准差的正向冲击对项目经费资助强度的影响为负数,主要原因是研发人员增加,必然会申请更多的科研项目,在科研经费总量维持不变的情况下,会倒逼项目资助数量增加,从而降低项目经费资助强度,这总体上是值得肯定的。

(六)研发人员对科研成果的弹性大于研发经费

人文社科研究有自身的特点,科研经费虽然重要,但学者自身发挥的作用也不容小觑。面板数据模型、面板门槛回归模型、贝叶斯向量自回归模型、BP人工神经网络的研究结果均表明,研发人员对科研成果的弹性大于研发经费。因此,应对人文社科研究进行进一步的细分,区别不同学科、不同项目有针对性地设置项目经费资助强度,这不仅可以提高科研经费的绩效,而且也能起到更好的激励作用。

 

[参考文献]

[1]  Holbrook A D. Why measure science[J].Science and Public Policy, 1992, 19(5): 36-48.

[2]  Fischer W, Varga A. Production of knowledge and geographically mediated spillovers from universities international[J]. Journal of Technology Management, 2001, 22(4): 23-34.

[3]  Valentina Lazzarotti, Raffaella Manzini, Luca Mari. A model for R&D performance measurement[J]. 2011,134(1):212-223.

[4]  马乃云,侯倩.基于平衡计分卡方法的财政科技经费绩效评价体系研究[J].中国软科学,2016,(10).

[5]  刘新波,李晨光,于洋.财政科研经费绩效评价指标体系研究[J].学习与探索,2018,(4).

[6]  Griliches, Z. Issues in assessing the contribution of research and development to productivity growth[J]. Bell Journal of Economics,1979,10(1):92-116.

[7]  Jaffe,A.B. Real effects of academic research[J].The American Economic Review, 1989 (5):957-970.

[8]  Romer P M. Endogenous technological change[J].Journal of Political Economy, 1990, 98(5): 71-102.

[9]  Yasser Abdih and Frederick Joutz. Relating the Knowledge Production Function to Total Factor Productivity: An Endogenous Growth Puzzle[J]. Imf Staff Papers, 53(2):242-271.

[10]  Fritsch M. Cooperation and the efficiency of regional R&D activities[J]. Cambridge Journal of Economics,2004, 28(6): 829-840.

[11]  Lydia Greunz. Intra- and inter-regional knowledge spillovers: Evidence from European regions[J]. European Planning Studies, 2005, 13(3):449-473.

[12]  吴延兵.R&D存量、知识函数与生产效率[J].经济学,2006,(7).

[13]  刘云,杨雨,郑永和,王任飞.基于知识生产函数的科学基金重大项目绩效测度研究[J].预测,2011,(1).

[14]  Leydesdorff Loet, WAGNER Caroline. Macro-level indicators of the relations between research funding and research output[J]. Journal of Infometrics, 2009,(4).

[15]  段培新,孟溦.科学基金项目资助规模与强度适宜性研究——以地理学面上项目与青年科学基金项目为例[J].中国科学基金,2017,(4).

[16]  郭艳新,宋志红.科学基金资助强度变化对科研产出的影响[J].科技创新与生产力,2017,(9).

[17]  钟旭.中国与美英德法日五国科学基金项目资助强度研究[J].中国科技论坛,2010,(5).

[18]  高清奇.国家科学技术学术著作出版基金资助力度与科技学术著作出版成本初探[J].科技与出版,2008,(11).

[19]  于涛,陈金刚.高校科研经费管理存在问题及对策研究[J].江苏高教,2016,(2).

[20]  Hansen B E. Threshold Effects in Non-dynamic Panels: Estimation, Testing and Inference[J]. Journal of Econometrics, 1999,( 93) : 345 - 368.

[21]  Litterman R B. Forecasting with Bayesian Vector Autoregressions five years of experience[J]. Journal of Business and Economics Statistics, 1985,4(1): 25-38.

[22]  Rumelhart D E,Hinton G E, Williams R J. Learning representations by back-propagation error[J].Nature,1998,323(9):533-536.

[责任编辑:李利林]

Research on the Interaction Mechanism between Intensity of Project Funding and Results of Scientific Research - An Empirical Study of Humanities and Social Sciences in ' Double First-Class ' Universities

 

YU Liping

 

Abstract: The research on the interaction mechanism between intensity of performance of project funding and scientific research results is of great value to the construction of universities. In view of this, taking the humanities and social sciences in ' double first-class ' universities as an example, this paper gives an analysis of the interaction mechanism between the intensity of project funding and results of scientific research by making use of TOPSIS as a way to evaluate scientific research results, adopting panel data model, panel threshold regression model and Bayesian vector autoregressive for empirical analysis, and applying BP artificial neural network for robustness test. The results show that the intensity of project funding shows both positive and negative feedbacks on scientific research results, but on the whole shows a negative effect ; scientific research results also show both positive and negative feedbacks to the intensity of project funding, but ultimately it shows positive feedback ; the performance of project funding intensity has declined in recent years ; it improves when the scientific research results improve ; the elasticity of R & D in project funding intensity is negative ; the elasticity of R & D in scientific research results is stronger than R &D in funds.

Keywords: humanities and social sciences ; project funding intensity ; scientific research results ;R & D funding performance ; construction of ' Double First-class ' universities

 

[收稿日期] 2022-09-22

[基金项目] 本文系2019年度国家社科基金项目“学术评价与创新绩效评价问题研究”(编号:19FTQB011)成果。

[作者简介] 俞立平(1967-),男,江苏泰县人,管理学博士,常州大学商学院教授,博士生导师,主要从事技术经济、科技评价领域的研究。

点击下载PDF 【PDF下载数: