基于Almon與SBM-BP的長江經濟帶基礎研究績效評估

顧 平, 王嘉璇

(1.江蘇科技大學 經濟管理學院,江蘇 鎮(zhèn)江 212100;2.鎮(zhèn)江市創(chuàng)新人才發(fā)展研究院,江蘇 鎮(zhèn)江 212000)

1945年,Bush著名的報告《科學——無止境的前沿》中強調基礎研究不僅是科技發(fā)展的先導,而且是經濟發(fā)展的最初源頭,基礎研究首次作為科學政策術語被提出[1]。2016年,中共中央、國務院發(fā)布的《國家創(chuàng)新驅動發(fā)展戰(zhàn)略綱要》指出，科技創(chuàng)新是提高社會生產力和綜合國力的戰(zhàn)略支撐,科技創(chuàng)新能力是國家力量的核心支撐,面對經濟發(fā)展進入新常態(tài)的現狀,必須創(chuàng)新培育新的經濟增長點。2018年,國務院發(fā)布的《關于全面加強基礎科學研究的若干意見》指出，強大的基礎科學研究是建設世界科技強國的基石,要充分發(fā)揮創(chuàng)新作為引領發(fā)展第一動力的作用,瞄準世界科技前沿,強化基礎研究,著力實現前瞻性基礎研究、引領性原創(chuàng)成果重大突破,全面提升創(chuàng)新能力,全面推進創(chuàng)新型國家和世界科技強國建設。

政府相繼出臺的政策屢次提到基礎研究對于創(chuàng)新與科技的重要性,可見基礎研究不僅關乎國家創(chuàng)新能力的高低,更關乎一國科技實力的強弱,是由“科技大國”向“科技強國”轉變的重要保障。近年來,我國對基礎研究的經費投入日益增加,2009-2018年基礎研究經費由270.3億元增長至2019.4億元,基礎研究經費占研究與試驗發(fā)展(以下簡稱R&D)經費比重由4.66%增長至5.54%。在國家對基礎研究不斷重視下,基礎研究產出取得了顯著成效,但日益增加的產出究竟是由經費投入增加所帶來的,還是由經費使用效率的提高所帶來的卻不得而知,缺乏系統的體系對基礎研究進行績效評估。

長江經濟帶自2016年《長江經濟帶發(fā)展規(guī)劃綱要》批準后正式上升為國家戰(zhàn)略。長江經濟帶經濟發(fā)展速度快，科教事業(yè)發(fā)達,擁有較強的人力資源優(yōu)勢。2018年，長江經濟帶人口占全國40%,GDP占全國45%,基礎研究經費占總經費37%,高校占全國40%,是今后我國經濟增長潛力較大的區(qū)域。這決定了長江經濟帶在推動全國經濟高質量發(fā)展、實現“科技強國”進程中承擔無可替代的功能和分工[2]。因此,對長江經濟帶進行基礎研究績效評估具有重要意義?；诖?，筆者以2014—2018年為研究區(qū)間,對長江經濟帶基礎研究進行績效評估。

一、 文獻綜述

目前,已有不少學者對基礎研究績效評估進行了研究,并取得了一定成果。Martin等最早提出基礎研究績效評估的四個維度:科學維度、教育維度、技術維度、文化維度[3]。Barry等在對美國能源部資助的28個基礎研究項目分析后得出基礎研究不是以直接的技術應用為目標,但專利、軟件等技術成果也常常是基礎研究的產出[4]。李興國等從學術成果、獎勵與專利、人才培養(yǎng)和誘發(fā)項目四個方面出發(fā)構建省級自然科學基金指標體系,運用BP神經網絡對相關數據進行處理,驗證了所構建模型的可行性[5]。范旭等以基礎研究經費與人員全時當量為投入,科技獎勵、發(fā)明專利申請受理數與授權數、SCI收錄論文數為產出,運用層次分析法(以下簡稱AHP)研究廣東和江蘇的基礎研究能力,發(fā)現廣東基礎研究能力較弱[6]?；ǚ嫉韧ㄟ^文獻計量法評估清華大學航天航空學院5個研究方向的基礎研究績效水平,發(fā)現清華大學固體力學研究成果的影響力小于哈佛、劍橋等高校,結果獲得了評估對象的認可[7]。姜群構建以基礎研究經費與人員為投入,科技論文、科技著作、國家自然科學基金項目數和有效發(fā)明專利為產出的指標體系,運用數據包絡分析(以下簡稱DEA)和Malmquist分析我國30個省市基礎研究效率,發(fā)現仍有一定提升空間[8]。何郁冰等以人員與經費投入強度、產學研合作、產業(yè)結構、基礎研究規(guī)模、政府重視程度、開放度等相對變量指標,運用超效率(super)——基于松弛變量的測量模型(以下簡稱SBM)和探索性空間數據分析方法研究了中國30個省市基礎研究效率的空間分布特征,研究發(fā)現上述方面存在較大的發(fā)展空間[9]。

綜上所述,可以發(fā)現: 針對基礎研究績效評估的投入指標主要是經費與人員,產出指標基本上是從Martin所確定的四個維度出發(fā),根據研究對象與研究方法的不同對指標進行適當完善；研究對象主要集中在項目、高校、省級乃至全國等,但對國家重點發(fā)展區(qū)域(如長三角、珠三角、長江經濟帶、“一帶一路”等)的研究相對缺乏；研究方法較為廣泛,可行性較高的方法主要是DEA、AHP、BP神經網絡和文獻計量法等,DEA由于不需要設定生產函數、參數及權重而被廣泛應用,但多數學者考慮到傳統DEA的局限性,大多對DEA進行了完善。此外,值得重視的是，多數學者判斷基礎研究滯后期時多是根據前人的研究或主觀判斷,甚至忽視滯后期的影響。這不僅削弱了計算結果的客觀性,更不能反映真實的績效結果。

針對基礎研究滯后期的研究，國內外學者鮮有涉及,但是針對科研方面滯后期的判斷已有部分學者開展了相關研究。目前,使用較為廣泛的方法主要有定性分析、回歸分析方法、分布滯后模型、向量自回歸模型等,也有部分學者使用了灰色關聯分析法或GM(1,1)等。根據國內外學者的研究,科研方面的滯后期大多集中在2～4年?？紤]到主觀因素的影響，定性分析已不常使用;向量自回歸模型需要估計的參數較多,適合樣本容量較大的情況,若樣本容量較小,參數估計的誤差極易變大,因而其使用具有局限性;回歸分析及分布滯后模型都是針對有限滯后分布問題,能最大限度地節(jié)約自由度，避免多重共線性的干擾,因而使用最為廣泛。

筆者通過借鑒學者們的研究確定基礎研究績效評估指標體系,以Almon多項式確定指標體系滯后期,在此基礎上選取2014年數據為投入數據,2018年數據為產出數據,結合SBM模型與BP神經網絡方法對長江經濟帶基礎研究進行績效評估。Almon多項式在確定滯后期方面具有獨特優(yōu)勢,它能減少待估參數的個數,解決多重共線性問題,保證參數估計中的自由度。非徑向DEA-SBM模型考慮到松弛變量對計算結果的影響,彌補了傳統DEA的不足,可以直接處理決策單元(以下簡稱DMU)投入冗余及產出不足問題,最大化提高改善程度;而BP神經網絡方法具有極強的非線性映射能力,不受指標數量限制,因而可以擴大指標的選取范圍,還可以對多個同時有效的DMU進行進一步區(qū)分。上述方法的有機結合不僅充分發(fā)揮了Almon多項式、SBM與BP神經網絡各自的優(yōu)勢,還彌補了DEA在績效評估中的不足,進而使計算結果更具有區(qū)分度和可靠性,為長江經濟帶基礎研究的進一步發(fā)展提供了更為科學的參考。

二、 基礎研究績效評估指標體系的構建

(一) SBM指標體系

筆者以長江經濟帶11個省市為研究對象,根據DMU為投入指標、產出指標兩倍之和選取合適的指標數量,最終選取的指標總數為6個。借鑒前人學者的研究及數據可獲得性,同時考慮到基礎研究的廣泛性,筆者選取的SBM指標體系見表1。投入指標選取基礎研究內部經費與基礎研究人員全時當量,產出指標選取SCI數、發(fā)明專利授權數、科技獎勵數(國家自然科學獎和技術發(fā)明獎)和研究生培養(yǎng)數(全日制研究生畢業(yè)人數)。

表1 SBM指標體系

(二) BP神經網絡指標體系

SBM指標體系僅為絕對指標,然而不同省市的實際發(fā)展水平相差甚遠,絕對指標下的績效結果往往不能體現省市的真實水平。因此,構建BP神經網絡指標體系時參考前人學者的研究[10-11],從配置比例和投入強度兩方面選取相對指標：在配置比例上，選取基礎研究內部經費/R&D內部經費、基礎研究人員全時當量/R&D人員全時當量；在投入強度上，選取基礎研究內部經費/GDP、基礎研究人員全時當量/常住人口、人均基礎研究經費。由于BP神經網絡仍需要相應的期望輸出,因而選取SBM績效結果作為BP神經網絡的產出指標。具體見表2。

表2 BP神經網絡指標體系

三、 實證分析

(一) Almon滯后分析

Almon 于1965年提出Almon多項式,其通過多項式轉換,新模型變量個數少于原模型,減少待估參數個數,解決多重共線性問題,保證參數估計中的自由度。筆者以SBM指標體系的數據作為分析數據,以其滯后期作為基礎研究滯后期。

1.標準化處理

SBM指標體系投入產出數據量綱并不一致,無法直接同時進行比較,對數據進行對數標準化處理,可得到指標趨勢。由圖1可知，基礎研究經費與SCI的發(fā)展趨勢較為一致,因此筆者選取二者進行滯后分析,以其滯后期作為基礎研究滯后期。

圖1 標準化后的指標趨勢

2.ADF單位根檢驗

利用Almon進行滯后分析需要保證時間序列數據的平穩(wěn)性。因此,筆者運用EVIEWS對基礎研究經費和SCI進行ADF單位根檢驗后發(fā)現，基礎研究經費二階后拒絕原假設, SCI原序列含趨勢項和截距項下拒絕原假設,均小于顯著水平5%的ADF臨界值,都為平穩(wěn)序列,可以進行Almon滯后分析。具體見表3。

表3 ADF單位根檢驗結果

3.滯后分析

筆者運用EVIEWS對數據進行滯后分析,根據CROSS命令初步判斷滯后長度s為2,則多項式次數m取1。依次增加滯后長度,根據運行結果發(fā)現：當s為4時,AIC和SC同時取得最小值,可知滯后期為4,滯后分析結果見表4。

表4 Almon滯后分析結果

(二) SBM模型績效評估

Charnes和Banker等人先后提出CCR和BCC模型,由于其不需要設定生產函數、參數及權重,得到的計算結果受主觀因素影響較少,計算結果更具客觀性,是評估具有相同目標的多投入多產出績效問題的有效方法,因此得以廣泛運用。但是,傳統的CCR和BCC模型都為徑向模型,忽視了松弛變量對計算結果的影響,計算松弛變量是同比例減少投入或擴大產出,得到的結果可能不夠精確。為此,Tone提出了基于松弛變量的SBM模型[12],可以最大化提高改善程度。因此，筆者運用SBM模型進行第一部分的績效評估。

根據滯后分析得到滯后期為4年,以2014年數據為投入,2018年數據為產出。筆者運用DEA SOLVER PRO軟件,基于投入角度下的規(guī)模報酬可變的SBM模型進行績效評估,績效結果見表5。由表5可知,長江經濟帶區(qū)域整體績效結果較好,11個省市中7個省市績效值均達到有效,僅4個省市績效結果非DEA有效。非DEA有效省市分別為四川、安徽、云南和貴州,平均值為0.595 8。除貴州外,其余3個省市績效值均低于平均值,其中,四川省績效值最低,僅0.452 7。

表5 長江經濟帶基礎研究的績效評估結果

為了進一步分析非DEA有效省市的原因,對非DEA有效省市的生產前沿面進行投影分析,投影分析見表6。筆者通過分析發(fā)現:

表6 非DEA有效省市的生產前沿面投影分析

在投入方面,4個省市在經費與人員上都存在不同程度的冗余。其中,四川的經費與人員冗余程度最為嚴重。四川應在原有基礎上減少63.5%的經費投入與46.0%的人員投入。而安徽應減少46.1%的經費投入與41.3%的人員投入,云南應減少42.2%的經費投入與42.1%的人員投入,貴州應減少28.3%的經費投入與14.0%的人員投入。

在產出方面,4個省市的各項產出也存在不足。其中,貴州的產出情況最為嚴峻。貴州除發(fā)明專利授權數應增加16.2%的產出外,其余各項產出指標增幅都應在90%以上;四川應在原有基礎上,增加44.7%科技獎勵的產出與2.5%研究生培養(yǎng)的產出;安徽應在原有基礎上增加22.2%SCI的產出;云南應在原有基礎上增加19.7%SCI的產出與33.1%發(fā)明專利授權數的產出。

(三) BP神經網絡績效評估

BP神經網絡由Rumelhart等于1986年提出,是一種基于誤差反方向傳遞算法的多層前饋網絡,是目前使用最為廣泛的神經網絡之一。運用BP神經網絡進行績效評估不需要確定指標的權重,可以精確擬合指標體系中的隸屬關系,根據相關模型進行模擬,再現評估專家的經驗和知識,計算結果也不受指標數量的限制。但BP神經網絡方法需要訓練樣本及相應的導師值,此過程仍然需要借助其他方法輔助評估。因此,筆者以SBM模型為導師值,通過構建新的投入指標,對輸出結果進行更為精確的調整,使得計算結果更具有區(qū)分度和可靠性,從而彌補SBM模型的不足。

[i_train,ps_input]=mapminmax(I_train,0,1); %數據歸一化

i_test=mapminmax('apply',I_test,ps_input);

[o_train,ps_output]=mapminmax(O_train,0,1);

net=newff(i_train,o_train,[12],{'logsig','purelin'},'traingdx'); %創(chuàng)建網絡

net.divideFcn=”;

net.trainParam.epochs=1000; %設置訓練參數

net.trainParam.show=50;

net.trainParam.goal=0.001;

net.trainParam.lr=0.01;

net=train(net,i_train,o_train); %訓練網絡

y_train=net(i_train);

y_test=sim(net,i_test); %仿真測試

Y_train=mapminmax('reverse',y_train,ps_output); %數據反歸一化

Y_test=mapminmax('reverse',y_test,ps_output);

E_train=O_train-Y_train; %誤差

E_test=O_test-Y_test

根據圖2可知,當網絡訓練到358步時,訓練誤差達到期望誤差,網絡停止訓練。期望輸出與實際輸出的回歸分析的相關系數R=0.997 09,具有較高關聯度。為了驗證模型的適應性,筆者將測試樣本數據輸入訓練好的網絡中進行驗證,訓練樣本與測試樣本的誤差分析見表7?？梢园l(fā)現,訓練樣本和測試樣本的誤差都在接受范圍之內,誤差最大值為0.033 7,最小值為-0.000 5,平均誤差為0.011 7,誤差在期望誤差范圍之內,數據運行結果達到目標要求,建立的網絡具有較強的泛化能力。

圖2 BP神經網絡運算結果

表7 長江經濟帶基礎研究的誤差分析與績效評估結果

(四) 績效評估結果與分析

筆者在SBM模型的績效結果基礎上,運用BP神經網絡方法對績效結果進行二次評估,發(fā)現多數省市的實際輸出較期望輸出而言都有所提高,排名由高到低依次為浙江、江西、重慶、湖南、上海、江蘇、湖北、貴州、云南、安徽和四川?？梢?，經濟發(fā)展水平較高的省市績效結果較好,但并不是完全正相關。在兩次績效評估中，長江經濟帶平均績效均較為穩(wěn)定,SBM模型評估數據為0.853 0,BP神經網絡評估數據為0.850 4,說明數據運算結果具有較高的穩(wěn)定性及可靠性。值得注意的是,績效結果有效或接近有效的省市主要集中在長江三角洲城市群和長江中游城市群,浙江在兩次評估中績效都為最佳;成渝城市群在兩次績效評估中績效結果都較為不理想,四川在兩次評估中都位于最低,有關部門應引起重視。為了找出績效差異的內在原因,應分別對浙江和四川兩省績效情況進行分析。

浙江作為長江經濟帶與長三角區(qū)域的重要省份,在承接國家發(fā)展戰(zhàn)略的同時也不斷發(fā)揮自身的優(yōu)勢,為加快高質量發(fā)展進程、推進創(chuàng)新型省份建設,主要從人才引進、投入渠道與評價機制等方面為基礎研究的發(fā)展提供了保障。

第一，圍繞重點產業(yè)和科技創(chuàng)新重點領域,引進與培養(yǎng)一批具備自主創(chuàng)新能力的領軍人才及學術帶頭人,通過151人才工程、百千萬科技創(chuàng)新人才工程、“千人計劃”等政策引進海內外高層次人才。此外,建立產權激勵制度、科研院所激勵機制，設立“浙江省杰出創(chuàng)新人才獎”獎勵有突出貢獻的人才；改善工資分配方式,激發(fā)人才活力與維護人才的合法權益。

第二，引導社會各界加大對基礎研究的投入。在政府層面上,提倡縣級以上政府加大支持力度,鼓勵社會各界與政府合作建立聯合基金,投入5 000萬以上的聯合資助可給予基金冠名權;在社會層面上,鼓勵企業(yè)參加基礎研究的投入研究,對資助基礎研究的企業(yè)實施稅前扣除政策。

第三，健全項目與人才評價機制,針對不同項目與人才應采取不同的評價機制。如，突出原始創(chuàng)新導向的項目以同行評議為主;自由探索類和實施周期3年以下的目標導向類項目不作過程評價;明確各類人才分類評價標準,高校、科研院所人才側重考察學術能力、高水平論文和著作發(fā)表等;企業(yè)人才側重考察技術創(chuàng)新、成果產業(yè)化、專利獲取等。

相比之下,四川在基礎研究領域距離江浙滬等發(fā)達省市有較大差距,仍處于“跟跑”狀態(tài)。筆者根據統計指標分析發(fā)現,2009—2018年四川在基礎研究經費與基礎研究人員全時當量投入上均位于11個省市中的第3名,僅次于江蘇。但產出情況卻不容樂觀,各項產出在11個省市處于中等或偏下水平。根據對SBM模型績效結果進行的投影分析發(fā)現,四川績效不佳的主要原因在于經費與人員的冗余以及科技獎勵與研究生培養(yǎng)的不足。其中科技獎勵尤為不足。這說明四川在具有先進性、創(chuàng)造性的重大科學發(fā)現與重大技術發(fā)明方面較為欠缺,存在投入方面資源利用率低、產出方面成果轉化率低等問題。2019年,四川省政府召開首屆基礎研究工作會議,其發(fā)布的《四川省基礎研究發(fā)展白皮書》指出四川基礎研究存在重大原創(chuàng)成果較少、研究隊伍建設仍需加強、成果轉化不足等問題,與本文的研究結果極為相符。為提升四川基礎研究績效,筆者提出三點建議:第一，建立項目評價機制,加強資源的利用程度,盡可能減少資源借著研究的旗號被浪費；第二，加強產學研合作,通過財政政策引導和鼓勵企業(yè)參與基礎研究項目,加快研究成果轉化為生產的速度；第三，盡可能容許科研的失敗,健全激勵制度與保障措施,為科研人員開展基礎研究提供更為寬松的學術氛圍。

四、 研究結論

筆者運用Almon多項式確定基礎研究指標體系的滯后期,以2014年數據為投入、2018年數據為產出,將SBM模型與BP神經網絡方法相結合，以此評估長江經濟帶區(qū)域基礎研究績效,有效解決了滯后期問題以及評估模型的科學性和有效性問題。筆者得出研究結論如下:

第一，SBM模型下長江經濟帶區(qū)域基礎研究績效水平總體較好,11個省市中有7個省市達到有效狀態(tài),雖然各項投入與產出都存在冗余或不足,但績效無效省市主要原因在于基礎研究經費冗余與SCI產出不足。

第二，運用BP神經網絡對SBM模型的績效結果進一步修正與完善,發(fā)現績效結果較好的省市主要為經濟發(fā)達地區(qū)。兩次評估績效均值均在0.850 0～0.854 0,較為穩(wěn)定,說明計算結果較為可靠。

第三，綜合兩次評估結果發(fā)現,長江經濟帶基礎研究績效評估結果整體較好,績效結果較好的省市主要集中在長江三角洲城市群和長江中游城市群,而成渝城市群績效結果卻相形見絀。貴州、云南、安徽和四川在兩次評估中仍然處于非有效狀態(tài),其中四川在兩次評價中都為最低,應該引起當地有關部門的高度重視。

第四，長江經濟帶基礎研究績效仍有較大的提升空間,提升績效的主要方向是把控基礎研究經費與增加SCI產出,主要對象是成渝城市群,二者是提升長江經濟帶基礎研究整體績效的關鍵。