卜 偉，余南南，陳軍冰

(1.江蘇師范大學(xué) 科學(xué)技術(shù)研究院，江蘇 徐州 221116；2.江蘇師范大學(xué) 電氣工程與自動化學(xué)院，江蘇 徐州 221116；3.河海大學(xué) 水文水資源與水利工程科學(xué)國家重點實驗室，江蘇 南京 210024)

1 研究背景與文獻(xiàn)綜述

當(dāng)前，全球科技創(chuàng)新進(jìn)入空前密集活躍時期，科研活動模式和形態(tài)發(fā)生深刻變化，世界大國均在積極強化創(chuàng)新部署。高校是科技創(chuàng)新的前沿陣地和國家創(chuàng)新體系的重要組成部分。因此，高校科研績效的科學(xué)評估，對提升高校創(chuàng)新能力和加快建設(shè)創(chuàng)新型國家具有重大而深遠(yuǎn)的意義。

本文通過對文獻(xiàn)的梳理發(fā)現(xiàn)，國內(nèi)外學(xué)者對高?？蒲锌冃нM(jìn)行了廣泛研究，總體可以概括為3個方面。一是在評價指標(biāo)體系方面，包含麗等[1]基于科研產(chǎn)出視角，從科研成果、論文著作、成果轉(zhuǎn)化、技術(shù)推廣、學(xué)科建設(shè)以及人才培養(yǎng)6個方面建立了評價指標(biāo)體系；王曉真等[2]綜合運用層次分析法(AHP)和熵值法，以“投入-產(chǎn)出”為指標(biāo)設(shè)置基礎(chǔ)，從科研資源、科研投入、科研產(chǎn)出與效益、社會影響4個方面選取了評價指標(biāo)；王碗等[3]基于平衡計分卡理論，從財務(wù)、效益、效率、學(xué)習(xí)與成長等4個維度構(gòu)建了高?？蒲锌冃гu價指標(biāo)體系。二是在評價對象方面，朱建育等[4]對上?！?85”和非“985”高校在2000—2009年間科研績效進(jìn)行綜合評價和比較；王忠等[5]對教育部40所直屬高等學(xué)校開展分類績效評價實證研究；羅杭等[6]對34所“985”一期高校展開整體效率排序和各項指標(biāo)的松弛變量分析，為高等教育系統(tǒng)整體效率的提升和教育資源的優(yōu)化配置提供政策建議。三是在評價方法方面，F(xiàn)legg等[7]基于數(shù)據(jù)包絡(luò)分析(DEA)和Malmquist指數(shù)分析方法測算了英國45所大學(xué)的科研生產(chǎn)效率變動；袁丹等[8]綜合運用AHP與熵值法對湖北省科技創(chuàng)新環(huán)境進(jìn)行了評價；鄧?yán)淼萚9]運用主成分分析(PCA)方法和隨機前沿分析(SFA)方法構(gòu)建綜合分析模型，對12所高校科研活動數(shù)據(jù)進(jìn)行多向綜合分析。

綜上所述，國內(nèi)外學(xué)者從不同的角度對高?？蒲锌冃нM(jìn)行了較為全面系統(tǒng)的研究，但仍存在一些不足，如在評價對象上多集中在“985”或部屬等單一類型高校，較少關(guān)注不同類型、不同層次高校間科研績效的差異性；且現(xiàn)有研究多是對科研績效做現(xiàn)狀分析，未能進(jìn)一步分析其影響因素，對高校未來發(fā)展方向的意見建議相對缺乏針對性?；谝陨蟽牲c考慮，本文以江蘇4種不同類型高校為研究對象，對其2018年和2020年科研績效情況開展綜合分析，并運用遺傳算法(GA)與BP神經(jīng)網(wǎng)絡(luò)(BPNN)組合的GA-BPNN模型找出關(guān)鍵影響因素，以期為江蘇不同類型高校高質(zhì)量發(fā)展提供對策建議。

2 研究方法與模型構(gòu)建

2.1 評價指標(biāo)體系構(gòu)建

2.1.1 指標(biāo)選取

結(jié)合破“四唯”背景，同時參考劉天佐等[10]、張家峰等[11]和劉林芽等[12]的研究成果，本文基于“投入-產(chǎn)出”視角，從科研資源投入、科研創(chuàng)新產(chǎn)出、產(chǎn)業(yè)發(fā)展產(chǎn)出和社會影響4個方面構(gòu)建了高?？蒲锌冃гu價指標(biāo)體系(見表1)。其中，獎、項目和平臺等僅選取學(xué)術(shù)界和社會比較認(rèn)可的省部級以上級別。

2.1.2 指標(biāo)權(quán)重計算

根據(jù)層次分析原理，通過問卷調(diào)查法邀請50位專家，按照1～9標(biāo)度法對指標(biāo)賦值，建立判斷矩陣；基于該判斷矩陣，根據(jù)求根法計算指標(biāo)權(quán)重并進(jìn)行一次性檢驗，具體指標(biāo)權(quán)重如表1所示。

表1 高?？蒲锌冃гu價指標(biāo)體系及指標(biāo)權(quán)重

2.2 影響因素分析模型構(gòu)建

人工神經(jīng)網(wǎng)絡(luò)(ANN)是一種模仿動物神經(jīng)網(wǎng)絡(luò)行為特征進(jìn)行分布式并行信息處理的算法數(shù)學(xué)模型，具有高容錯性、智能化和自學(xué)習(xí)等優(yōu)點。其中，BP神經(jīng)網(wǎng)絡(luò)(BPNN)因具有任意復(fù)雜的模式分類能力和優(yōu)良的非線性映射能力，成為應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)算法之一，但其算法易陷入局部極小值[13-14]。遺傳算法(GA)是模擬自然界中的遺傳機制和生物進(jìn)化論的一種隨機的全局搜尋方法，可用于優(yōu)化模型的參數(shù)亦可用于篩選變量[15]。

由于BPNN自身的局限性，直接對數(shù)據(jù)進(jìn)行訓(xùn)練將會得到很大誤差，GA和BPNN的有效結(jié)合GA-BPNN模型可以解決其固有缺陷。具體是將遺傳算法全局搜索能力引入BPNN的權(quán)值和閾值訓(xùn)練過程中，來克服BPNN收斂速度緩慢且容易陷入局部最優(yōu)解的缺點，從而構(gòu)造一種基于遺傳算法的網(wǎng)絡(luò)結(jié)構(gòu)遺傳神經(jīng)網(wǎng)絡(luò)(GA-BPNN)，它的基本結(jié)構(gòu)與BPNN的結(jié)構(gòu)基本相同，只是網(wǎng)絡(luò)訓(xùn)練過程分為兩步:首先，在創(chuàng)建BPNN之后將遺傳算法引入神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值的全局搜索中，使其在全局中進(jìn)行搜索；其次，用梯度下降法對網(wǎng)絡(luò)的權(quán)值進(jìn)行更細(xì)化的訓(xùn)練，來進(jìn)一步減小誤差，從而獲得最佳權(quán)值和閾值。GA-BPNN模型建立后，使用模型計算各變量的平均影響值(MIV)。MIV絕對值表示自變量對因變量的影響大小，符號表示自變量對因變量的相關(guān)方向[16-17]。GA-BPNN模型的具體優(yōu)化流程如圖1所示。

圖1 GA-BP神經(jīng)網(wǎng)絡(luò)流程

3 高?？蒲锌冃嵶C分析

3.1 樣本選擇及數(shù)據(jù)來源

考慮到人均高水平論文(C21)、省部級以上獲獎(C22)、人均成果轉(zhuǎn)化經(jīng)濟效益(C33)等指標(biāo)對藝術(shù)、體育、中外合作辦學(xué)、偏文科等高校適用性不強，因此在樣本選擇時剔除了南京體育學(xué)院、南京藝術(shù)學(xué)院、南京審計大學(xué)等高校，最終參與評價的高校共40所，分為部屬高校(A+1～A+8)、江蘇高水平大學(xué)高峰計劃A類建設(shè)高校(A1～A10，以下簡稱“高峰計劃A類高?！?、江蘇高水平大學(xué)高峰計劃B類建設(shè)高校(B1～B5，以下簡稱“高峰計劃B類高?！?、普通本科(C1～C17)4種不同類型(見表2)?；A(chǔ)分析數(shù)據(jù)均來自《高等學(xué)?？萍冀y(tǒng)計資料匯編》及各高?？萍冀y(tǒng)計數(shù)據(jù)。

表2 江蘇省4種不同類高校相應(yīng)代碼編號

3.2 科研績效綜合評價分析

將原始數(shù)據(jù)進(jìn)行無量綱化處理后再進(jìn)行加權(quán)計算，分別得出2018年和2020年科研資源投入、科研創(chuàng)新產(chǎn)出、產(chǎn)業(yè)發(fā)展產(chǎn)出、社會影響及綜合科研績效得分情況，具體如表3所示。

表3 2018和2020年江蘇不同類型高校綜合科研績效及各項二級指標(biāo)評價結(jié)果

3.2.1 動態(tài)分析

從整體上看，江蘇高校綜合科研績效呈上升趨勢，增幅10.38%，發(fā)展態(tài)勢較好。具體從二級指標(biāo)變化趨勢看，科研資源投入略呈下降狀態(tài)，降幅17.07%，這說明江蘇高校在資源投入方面重視不夠，應(yīng)進(jìn)一步加大在人財物等科研資源方面的投入力度；科研創(chuàng)新產(chǎn)出呈小幅增長趨勢，增幅12.09%；產(chǎn)業(yè)發(fā)展產(chǎn)出增幅較為顯著，績效得分從0.028上升至0.056，增幅一倍，科研創(chuàng)新是產(chǎn)業(yè)發(fā)展源泉，這說明科研創(chuàng)新產(chǎn)出的增加不僅有效推進(jìn)了高校科研創(chuàng)新能力的提升，且創(chuàng)新成果的積累大力促進(jìn)了創(chuàng)新成果的轉(zhuǎn)化；社會影響呈大幅度下降趨勢，下降50%，其主要原因是2020年全球疫情暴發(fā)，高校間互訪交流活動大幅減少，因此對國際層面科研創(chuàng)新活動影響巨大?？偟膩碚f，4項二級指標(biāo)呈兩升兩降狀態(tài)，但由于產(chǎn)業(yè)發(fā)展產(chǎn)出績效的大幅提升，江蘇高校綜合科研績效整體呈上升趨勢。

從高校類型來看，除高峰計劃B類高校下降2.25%外，部屬高校、高峰計劃A類高校和普通本科高校綜合科研績效增長率分別為0.31%、10.00%和34.33%，普通本科增幅較為顯著。具體來看，在科研資源投入方面，4種類型高校下降率分別為13.57%、7.66%、34.09%和26.52%，在整體資源縮減的形勢下，高峰計劃A類高校降幅相對較小，說明其相對重視資源投入且對資源的獲取能力相對較強。在科研創(chuàng)新產(chǎn)出和產(chǎn)業(yè)發(fā)展產(chǎn)出方面，4種類型高校上升率分別為4.39%、8.95%、24.01%、30.49%和50.09%、83.09%、62.86%、307.91%，各高校均呈增長趨勢，尤其是產(chǎn)業(yè)發(fā)展績效增幅較為顯著。這說明樣本高校認(rèn)真貫徹落實國家相關(guān)政策，在破除“四唯”觀念“困局”、深化科研評價改革、促進(jìn)科技成果轉(zhuǎn)化等方面大膽實踐并取得良好成效。在社會影響方面，3種類型高校分別下降58.07%、47.42%、73.53%，而普通類本科增幅11.11%，這說明疫情并未對普通本科類高校產(chǎn)生影響，對其他類型高校沖擊較大，但同時這也從側(cè)面反映了部屬等高校更加注重國際層面合作交流，更加注重國際影響力的提升。

3.2.2 靜態(tài)比較分析

從整體上看，2020年樣本高校綜合科研績效和各二級指標(biāo)評分結(jié)果兩極分化非常嚴(yán)重。一方面，部屬高校(A+2)與普通本科類高校(C9)綜合績效得分別為0.656和0.057，得分差距約11.5倍；另一方面，科研績效綜合得分均值為0.233，但僅35%的高校得分高于平均值，絕大部分高校得分低于平均值。

從高校類型來看，江蘇高?？蒲锌冃С拭黠@階梯狀分布特征。絕大部分部屬高校位于第1梯隊；高峰計劃A類高校位于第2梯隊，綜合績效得分高于0.151；高峰計劃B類高校位于第3梯隊，普通本科位于第4梯隊。值得一提的是，A2、A4 和A9 3所高校，科研績效綜合得分較高，躋身第1梯隊；而部屬高校中A+5 高校，可能由于學(xué)科相對單一原因其綜合績效得分僅為0.294，應(yīng)引起注意。

3.3 影響因素實證分析

采用MATLAB軟件進(jìn)行編程，運用GA-BP神經(jīng)網(wǎng)絡(luò)算法計算評價指標(biāo)與綜合績效的相關(guān)性。GA-BP神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)如圖2所示，具體參數(shù)如下：(1)網(wǎng)絡(luò)層數(shù)為1個隱含層；(2)輸出層的節(jié)點數(shù)為12，即12個三級評價指標(biāo)；(3)輸出節(jié)點數(shù)為1，即綜合科研績效值；(4)隱含層的神經(jīng)元個數(shù)根據(jù)公式n=log2m計算；(5)反向傳播使用Levenberg-Marquardt算法；(6)訓(xùn)練次數(shù)為100次，訓(xùn)練精確度為0.05。為使訓(xùn)練網(wǎng)絡(luò)更好地收斂，實驗數(shù)據(jù)在輸入前進(jìn)行平滑處理和歸一化處理，將所有輸入及輸出數(shù)據(jù)映射在[0,1]區(qū)間。

圖2 BP 神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)

如圖3所示，不同影響因素對不同類型高?？蒲锌冃в绊懗潭炔煌?。人均高水平論文(C21)是部屬高?？蒲锌冃降臎Q定性影響因素，博士學(xué)位占比(C11)、人均省部級以上科研項目(C23)及人均專利擁有數(shù)(C32)是其科研績效水平的主要阻礙因素。出現(xiàn)這一結(jié)果的可能原因有以下兩個方面：一是近年來無論是資金上還是人力上，國家對部屬高校都給予了充分的支持，出現(xiàn)資源過?，F(xiàn)象，在一定程度上制約了科研績效發(fā)展[4]；二是科學(xué)研究成果具有較長的生命周期即存在滯后期，經(jīng)歷滯后期后，知識溢出的效率才能最大，效果才能最佳，因此，對于部屬高校來說，充足的科研資源對其科研績效產(chǎn)生正向影響暫時未能體現(xiàn)。

圖3 各變量對4種類型高?？蒲锌冃в绊懙腗IV值

人均省部級以上科研項目(C23)對高峰計劃A類建設(shè)高校科研績效起主要促進(jìn)作用，但人均專利擁有數(shù)(C32)阻礙了其科研績效的提升，這說明高峰計劃A類建設(shè)高校科研創(chuàng)新能力已具有一定優(yōu)勢，但轉(zhuǎn)化率較低是其面臨的主要問題，建議應(yīng)進(jìn)一步完善以市場為導(dǎo)向的科技成果轉(zhuǎn)化體制機制，建立健全針對不同類型科研成果分類評價機制。

博士學(xué)位占比(C11)和省部級以上獲獎(C22)主要推進(jìn)了高峰計劃B類高校的科研績效發(fā)展，但高級職稱占比(C12)對科研績效產(chǎn)生了較大的負(fù)向影響。出現(xiàn)這一結(jié)果的原因可能是由于此類高校缺乏能上能下、有進(jìn)有出的考核機制，大部分科研人員評上高級職稱后易出現(xiàn)“躺平”狀態(tài)，進(jìn)而制約科研績效的提升。

人均成果轉(zhuǎn)化經(jīng)濟效益(C33)對普通本科高?？蒲锌冃в休^大的正向影響，但高水平論文(C21)是其科研績效提升的主要障礙，說明相較于其他類型高校，其科技創(chuàng)新能力仍有很大上升空間。

4 結(jié)論及建議

本文在借鑒前人研究基礎(chǔ)上，結(jié)合破“四唯”背景構(gòu)建了高?？蒲锌冃гu價指標(biāo)體系，對江蘇4種不同類型高?？蒲锌冃нM(jìn)行了評價分析，并結(jié)合GA-BP神經(jīng)網(wǎng)絡(luò)模型探究不同類型高校科研績效的影響因素。研究的主要結(jié)論和建議如下：

(1)江蘇高校綜合科研績效整體呈上升趨勢，其中產(chǎn)業(yè)發(fā)展績效增幅較為顯著；高校間綜合科研績效呈明顯階梯狀特征且兩極分化嚴(yán)重。

(2)不同類型高校的科研績效影響因素不同。部屬高校出現(xiàn)資源冗余現(xiàn)象，需進(jìn)一步加強資源配置管理能力；科技成果轉(zhuǎn)化機制和評價機制是高峰計劃A類建設(shè)高?？蒲锌冃У耐黄泣c；高峰計劃B類建設(shè)高校應(yīng)加強考核機制；普通本科高校應(yīng)進(jìn)一步強化激勵機制。

基于以上結(jié)論，本文對江蘇高校發(fā)展提出如下對策建議：

(1)深化科研評價，推動創(chuàng)新驅(qū)動循環(huán)發(fā)展。從上文分析結(jié)果可知，科研創(chuàng)新產(chǎn)出和產(chǎn)業(yè)發(fā)展兩項二級指標(biāo)均呈現(xiàn)良好增長趨勢，這說明科技創(chuàng)新是全鏈條、一體化的。服務(wù)經(jīng)濟社會發(fā)展能力主要取決于“高質(zhì)量”應(yīng)用研究，基礎(chǔ)研究是其前端和源頭。只有率先發(fā)現(xiàn)基礎(chǔ)科學(xué)規(guī)律，開發(fā)應(yīng)用前沿引領(lǐng)技術(shù)，才可能隨之形成引領(lǐng)性、帶動性強的戰(zhàn)略性產(chǎn)品和戰(zhàn)略性產(chǎn)業(yè)，占據(jù)巨大的經(jīng)濟優(yōu)勢與持久的領(lǐng)先優(yōu)勢。因此，建議高校應(yīng)持續(xù)加強“科研評價改革”，根據(jù)不同科研活動特點，建立各有側(cè)重、多層次、多維度的評價指標(biāo)體系，充分調(diào)動各方創(chuàng)新群體活力，將科學(xué)研究與國家需求、市場需求相結(jié)合，完成從基礎(chǔ)研究、應(yīng)用研究到成果轉(zhuǎn)移轉(zhuǎn)化的“三級跳”，真正實現(xiàn)創(chuàng)新驅(qū)動循環(huán)發(fā)展。

(2)精準(zhǔn)把脈，堅持錯位發(fā)展戰(zhàn)略。江蘇高校眾多，不同類型高校辦學(xué)特色、發(fā)展定位、科研績效及影響因素不盡相同。因此，應(yīng)精準(zhǔn)把脈，堅持錯位發(fā)展戰(zhàn)略。部屬高校資源利用效果暫未很好體現(xiàn)，一定程度上存在邊際效應(yīng)，建議進(jìn)一步深化體制機制改革，不斷提高資源配置管理能力；高峰計劃A類建設(shè)高校應(yīng)從科技成果轉(zhuǎn)化機制和評價機制兩個方面加強改革，以期找到科研績效新的突破點；高峰計劃B類建設(shè)高校應(yīng)進(jìn)一步建立健全靈活多樣的用人制度，推行激勵、約束相結(jié)合的薪酬制度，通過科學(xué)的選人、用人、分配、評價、激勵與保障機制，調(diào)動高校教師追求學(xué)術(shù)卓越的積極性和主動性；普通本科高校應(yīng)主要強化激勵機制，使科研人員能夠積極、踴躍地投身于高質(zhì)量的科研創(chuàng)作，從而不斷擴大科研成果產(chǎn)出并匯聚更多創(chuàng)新人才。