韩振，刘思成，姚昊 | “双一流”建设政策是否有效提升高校科研创新效率

韩   振，同济大学经济与管理学院副研究员;

姚   昊（通信作者），同济大学高等教育研究所助理教授。

“双一流”建设政策是否有效促进科研创新效能提升，并支撑科技强国和创新高地建设，是教育政策成效评估中亟待研究的重要议题。基于2010—2020年教育部直属72所高校的面板数据，使用超效率SBM模型和PSM-DID模型进行分析发现，不同类型和不同战略地区的高校科研创新效率存在差异性；世界一流大学建设政策对入选“一流大学”建设高校的科研创新效率具有显著的提升作用，且通过系列稳健性检验；高校师资结构、经费结构、地方经济对科研创新效率存在显著影响；“双一流”建设政策对中部地区、大理类高校科研创新效率提升更为明显。研究建议，因地制宜优化资源配置，推动区域高校差异化协同发展；构建多层次人才引育体系，促进学科交叉与集群创新高地；构建以“质量与贡献”为导向的评价体系，提升高校科研创新实质性贡献；前移创新链条重心，主动构建产学研协同创新生态。

党的二十大报告指出，要坚持教育优先发展、科技自立自强、人才引领驱动，加快建设教育强国、科技强国、人才强国。习近平总书记也提出，要将科技创新摆在国家发展全局的核心位置，推动科技自立自强战略擘画。高等教育是建设教育强国的龙头，而“双一流”建设政策作为我国高等教育领域的重大战略举措，旨在建设世界一流大学和一流学科，为实现高等教育现代化、建设教育科技强国、服务国家战略需求提供有力支撑。2018年8月，教育部发布的《关于高等学校加快“双一流”建设的指导意见》，强调要突出一流科研对一流大学的支撑作用，提升科研成果的转化效率，并充分发挥高校在科学研究中的主力军作用，建设一批前沿科学中心，并参与国家科技创新基地、哲学社会科学平台建设。这也进一步明确了高校科研能力、科研创新效率的提升是“双一流”建设的重点目标，并对我国高校的科研创新能力提出了更高要求。2022年2月，《第二轮“双一流”建设高校及建设学科名单》的公布标志着我国首轮“双一流”建设圆满收官，第二轮“双一流”建设周期正式开启。

一流大学作为支撑人才中心和创新高地建设的重要抓手，在“双一流”建设过程中应将提升科研创新效率作为重要目标，从而为国家创新驱动发展战略提供坚实保障。高校科研创新效率的提升，意味着高校可以用更少的科研资源投入，获得更高质量更有创新的科研成果，更快地实现科研成果的转化，以促进经济社会发展。同时，绩效评价作为我国高等教育宏观政策调整的重要方向^[1]，亟须对“双一流”建设的成效进行考察，并为下一轮政策建设公共资源的分配提供效率化的参考依据。

因此，在开启第二轮“双一流”建设和实施创新驱动发展战略的背景下，研究“双一流”建设政策作用于高校科研创新效率的有效性具有重要的战略意义。此外，在现有经费保障和资源约束条件下，进一步探究如何优化科研资源的投入与配置结构，以提高高校的科研创新效率，从而提升我国一流大学的综合水平与竞争力，对新一轮“双一流”政策的开展以及后续世界一流大学的建设进程具有重要的启示作用。基于此，本研究使用超效率SBM模型测算高校科研创新效率，并将“双一流”建设政策视为一项准自然实验，根据是否被选入世界一流大学建设将72所教育部直属高校划分为处理组和控制组，构建双重差分模型，检验第一轮“双一流”建设政策中的世界一流大学建设高校的科研创新效率是否存在显著突破，旨在为推动世界一流大学科研创新效率的进一步优化提供实证依据与建议。

对于“双一流”建设政策，前期学界的关注重点是“双一流”建设的框架与内涵、目标与困难、建设路径与方法等方面，试图从“双一流”政策的制定和落实层面进行研究，并为政策的实施与推进提供学术支撑与理论指导。该阶段学者的研究主要以思辨和定性为主，着重从理论层面探讨“双一流”政策的实施逻辑和优化路径。随着第一轮“双一流”建设的结束，也有部分学者开始关注“双一流”建设政策及世界一流大学建设政策产生的阶段性影响，主要关注政策对高校转型、学科建设、教师行为、经费投入与配置效率、高校学术与国际影响力等方面的影响。如蔡袁强以浙江工业大学为例，深入探讨了“双一流”建设政策对地方高水平大学转型的推动作用与路径^[2]。胡建华认为，“双一流”建设会推动高校学科建设的合理分层与国际视野的提升^[3]。吕慈仙等发现，“双一流”建设形成的科研绩效考核模式会对教师的创新行为产生影响^[4]。徐孝民等使用超效率SBM模型测度经费配置效率，构建DID模型，研究世界一流大学建设政策对经费配置效率的影响，发现政策能够显著提高经费配置效率，但是存在地区异质性^[5]。刘盛博等基于PSM-DID模型，探究“双一流”建设与高校国际学术影响力之间的关系，并发现政策能够促进高校国际学术影响力，但对学术质量的影响较为有限^[6]。

部分学者对“双一流”建设政策对高校科研能力、科技资源配置方面进行了研究，朱恬恬等使用CRITIC赋权法和Dagum基尼系数分解法分析了中国2010—2019年31省份高校科技资源数据，发现“双一流”建设政策能够显著提升高校综合科技资源配置量，但也会加剧不同地区资源配置的不均衡^[7]。冉嘉睿等使用DID模型探究“双一流”建设政策对我国106所高校2015—2018年科研力的影响，发现政策对高校综合竞争力和科研成果产出有显著的正向影响，但对成果转化和科研奖励的影响不显著^[8]。而目前并没有学者对“双一流”建设政策对科研创新效率的影响进行研究。

在高校科研创新效率的研究方面，相关文献主要聚焦于科研创新效率的测度及影响因素。目前学者主要将DEA模型（数据包络分析）作为主流方法对高校科研创新效率进行测度，其是一种能够较好地用于评价多投入多产出的决策单元效率的非参数统计方法。如Ahn等使用传统DEA模型对美国161所授予博士学位的大学的科研效率进行测度，以比较公立和私立大学的效率^[9]。Abbott和 Doucouliagos以36所澳大利亚公立大学的高校研究对象，使用DEA模型估计技术和规模效率，并发现研究样本具有较高的效率水平^[10]。Johnes以英国100余所高等教育机构为例，使用传统DEA模型对其技术和规模效率进行测度，发现机构之间的效率值存在显著差异^[11]。国内也有诸多学者使用传统模型对高校科研效率进行了评价，如陈立泰等使用DEA模型对我国西部地区共建211高校科研效率进行评价^[12]，谈毅采用DEA-DCC方法对我国高校2005—2013年的科技投入产出效率进行研究^[13]。然而，传统DEA模型存在着一些问题，其前提假设为规模报酬不变，而高校的科研创新效率是一个动态演化的过程，应当在规模报酬可变的情况下展开测算。此外，传统的测算方法也不能对效率值为1的DMU进行比较。因此，之后的研究者也采用了超效率DEA模型、超效率SBM模型、DEA组合模型等对科研创新效率进行测算。宗晓华等基于超效率—非径向DEA模型对2006—2015年教育部直属高校的科研效率进行了测度^[14]。超效率DEA模型能够对效率值为1的DMU进行比较，但是其结果会受到效率值差异过大的影响。而超效率SBM模型能够有效改进超效率DEA模型受极值影响导致测算偏差的问题，部分学者也使用该方法进行测量，如黄建国等采用超效率SBM模型测算世界一流大学建设高校科研效率^[15]；查道林等同样使用超效率SBM模型测算“双一流”建设高校自然科学科研效率^[16]。此外，其他DEA组合模型在科研效率的研究过程中也得到了学者的广泛应用。例如，部分学者使用DEA-Tobit模型，在测算科研创新效率的基础上对影响因素进行分析^[17-18]；刘巍等使用 Bootstrap-DEA 方法，增强了检验结果的可靠性^[19]；王甲旬等同样使用该方法，对高校人文社会科学研究效率进行了评价^[20]。

在科研创新效率的影响因素层面，汪彦等发现物质资本对高校科研创新效率呈现出倒U型影响^[17]；宗晓华等的研究表明，投入要素质量提升、配置结构优化、院校竞争和知识外溢等因素能够显著提升科研效率^[14]；苏荟等对我国省际高校分析发现，高校教学科研对科研效率会产生显著的积极影响，而研究与发展支出经费、研发机构则对科研效率产生负向影响^[18]；寇明婷等将教育部直属高校作为研究对象，发现高校科技经费来源中的政府资金占比和企事业单位委托资金占比对高校应用知识产出效率呈倒 U 型关系，且政府资金占比增加对高校应用知识产出效率的提升效应要低于基础知识产出效率^[21]；查道林等发现当地经济发展水平对高校科研效率会产生正向影响，而人力资本投入、政府资金占比则会对科研效率产生负向影响^[16]。

以上文献研究发现，一方面，目前更多学者关注的是“双一流”政策的理论逻辑、学科建设、经费配置等方面，大多数学者并没有将“双一流”建设政策作为特定的研究对象评估政策的有效性，也鲜有文献关注“双一流”建设对高校科研创新效率的影响，且现有文献使用的数据范围需要更新，大多缺少2019年之后的最新数据，无法充分反映政策实施后的动态效应。另一方面，现有研究测算的科研创新效率通常是自然科学科研效率，缺少将自然科学和人文社会科学综合考虑后进行科研创新效率测度，并且多数学者使用的传统DEA测度模型存在一些测量偏误。因此，本研究在构建高校科研创新效率指标体系的基础上，使用超效率SBM模型从静态角度测度2010—2020年教育部直属高校科研创新综合效率值，并进一步构建DID模型有效评估“双一流”建设政策对高校科研创新效率产生的净效应，从而为政策的成效评价及第二轮“双一流”建设政策的提质增效提供理论支撑。

1.数据来源

研究选取了2010—2020年我国教育部及工信部直属72所高校作为研究样本，并将34所入选首轮“双一流”建设名单中世界一流大学建设A类高校作为实验组。采用的研究数据来源于2010—2020年《教育部直属高校基本情况统计资料汇编》《高等学校科技统计资料汇编》；地区人均生产总值数据来源于EPS数据库；创新创业相关数据来源于挑战杯官网与教育部网站。

2.模型设定

一是超效率SBM模型。本文使用超效率SBM模型，借助Matlab对高校科研创新效率进行测度。Kaoru Tone首先提出了基于松弛变量的超效率SBM模型[22]，该模型用于评估决策单元（DMU）的效率，并能够很好地解决效率值测度过程中松弛改进所不能体现出的部分问题。该模型与传统的BCC和CRR的方法相比，能够避免径向和角度的选择差异产生的效率评价偏差和影响，同时也能够对多个有效的决策单元进行区分和排序，从而得到更精确、可靠的测量结果。对于SBM有效的DMU(x0，y0)，在规模报酬可变（VRS）情况下超效率SBM模型表示如下所示：

根据上式，n为决策单元数量，m和n代表投入和产出变量个数，分别代表投入、期望产出指标，ρ表示决策单元的效率值。

二是双重差分模型。双重差分法（DID）是政策评估最常用的模型之一，能够有效剔除政策之外不可观测因素的影响、规避一系列的内生性问题，通过比较两组在政策实施前后的变化，得到政策实施产生的净效应。因此，本研究使用带有控制变量的传统DID模型估计世界一流大学建设政策对高校科研创新能力的影响，并使用PSM-DID模型对前者的估计结果进行稳健性检验，在构建过程中，以教育部直属72所高校为样本，将世界一流大学建设高校作为实验组，其余高校作为控制组，以检验“双一流”政策的实施对入选高校科研创新效率的影响。国家公布首轮“双一流”建设周期为2016—2020年，由于《关于公布世界一流大学和一流学科建设高校及建设学科名单的通知》于2017年正式发布，因而将2017年作为政策冲击的时间点，2010—2016年为政策出台前时期，而2017—2018年为政策执行时期，所构建的模型如下：

公式（1）中，i代表高校，t代表年份；Y为本文的被解释变量，为i高校第t年的科研创新效率；treat是政策虚拟变量，表示该高校是否入选世界一流大学建设名单，若入选，则treat=1；若未入选，则treat=0；time是时间虚拟变量，表示“双一流”建设政策实施的时间，本文将2017作为政策实施时间，故t≥2017，则time=1，t<2017，time=0。表示模型中的一系列控制变量，表示时间固定效应，表示高校个体固定效应，为随机误差项。

3.变量选取及测度

第一，被解释变量。本文的被解释变量为高校科研创新效率，通过构建投入产出指标体系，使用超效率SBM模型对其进行测度。考虑到现有文献在高校的科研效率评价方面常偏重于自然科学领域的探讨，本文在构建指标体系时对高校在人文社科和自然科学领域中的科研创新活动进行了综合性考量，并在投入和产出要素的选择上遵循系统科学的理念，从而能够更加全面地反映高校科研创新综合效率，如表1所示。投入的一级指标分为科研创新人力投入与科研创新经费投入，二级指标为研究与发展全时人员、科研经费拨入数。产出的一级指标则分为论文专著成果、社会贡献、科研项目与获奖成果，二级指标为出版专著数、学术论文发表数、研究咨询报告被采纳数、当年技术转让收入、当年专利实际收入、当年科研项目总数、当年科技成果获奖数、专利授权数。

指标体系的建立参考以往学者的做法^[8,19]，在投入维度，选取自然科学和人文社科研究与发展全时人员，这一指标能够衡量当年参与高校研究与发展工作时间占全部工作时间90%以上人员人数，较为充分地反映高校科研创新中的人力投入。科研经费拨入数则是高校从事相应活动的主要经费来源，由科技经费和人文社科研发经费进行加总获得。在产出维度，论文专著成果由出版专著数和学术论文发表数构成，而社会贡献则通过研究咨询报告被采纳数、当年技术转让收入以及当年专利实际收入等指标进行衡量，创新创业使用国家级教学成果奖与“挑战杯”获奖进行衡量，获奖成果则通过当年科研项目总数、当年科技成果获奖数和专利授权数等二级指标进行评估。

表1  高校科研创新综合效率指标体系

第三，控制变量。为了能够控制其他因素对高校科技创新效率的影响，本文参考现有学者研究^[16-17]，选取经费来源结构与经费来源结构的平方项、高校人力资本水平、地区经济发展水平、师资结构作为控制变量。变量定义及描述性统计由表2所示。其中，在实际模型估计过程中对人力资本和地区经济水平变量进行对数化处理。

1.“双一流”建设高校科研创新效率表现

图1展示了高校科研创新平均效率随时间的变化趋势，从时间维度分析，2010年至2015年，高校的科研创新效率呈现出明显的增长趋势，然而从2015—2017年其效率则经历了一定幅度的下滑。随后，从2017年到2019年效率再次呈现增长态势，但在2020年有所下降。

不同类型高校的科研创新效率变动如图2所示，根据袁振国等^[23]的分类标准，我们将高校分为大理类、综合类和大文类。大理类高校的科研创新效率呈现出先提升、后持续下降的趋势；综合类高校在2015年至2017年科研创新效率有所下降，但自2017年起呈现明显提升，2020年略显下降，总体有平稳上升趋势；大文类高校的科研创新效率整体波动较大，呈现逐年大幅度变化，总体科研创新效率略微上升。

本文进一步根据高校所在的重大战略区域对样本高校进行分类，如图3所示，重点关注长三角、珠三角以及京津地区高校的科研创新效率变动。其中，珠三角地区高校的科研创新效率在2010年至2018年呈现出波动下降的趋势，在2018年至2019年有所回升，此后继续下降；长三角地区高校的科研创新效率在2010年至2014年呈上升趋势，并于2014—2017略微下降，在2017年出现明显上升后又有所回落；京津地区高校的科研创新效率在2010到2017年整体在波动呈上升趋势，并在2017—2019年持续提升，但于2020年出现了较为明显的下降。

图1 科研创新效率变动趋势

图2 不同类型高校的科研创新效率变动趋势

图3 重大战略区域高校科研创新效率水平变动趋势

2.基准回归结果分析

从控制变量的角度看，模型（5）的回归结果表明，高校的师资结构、地方经济发展水平均对其科研创新效率具有显著积极作用，在5%水平上显著。而经费来源结构却对高校的科研效率在1%显著性水平上产生了显著的负向影响，此处的经费来源结构考察的是拨入经费中的政府支持度，而这一变量系数显著为负则表明目前政府在高校科研经费上的投入并不能有效转化为科研创新产出成果，反而对科研创新效率的提升造成了负向影响。为了进一步探究经费来源结构与科研创新效率之间是否存在着非线性关系，在模型（6）中加入了经费来源结构的二次项（gov2）。模型（6）的回归结果发现，经费来源结构与科研创新效率并不存在非线性关系，而是呈现线性的负向关系，说明经费来源结构是导致科研创新效率降低的因素。此外，高校的人力资本在该模型中并没有对科研创新效率产生显著影响，可能存在高校人才投入未达到有效规模的情况，人才对科研创新的促进作用并没有得到很好地体现。

表3  基准回归结果

3.稳健性检验

由于双重差分法的使用需要满足诸多的前提条件，为避免结果误差，确保本文实证结果的准确性，本文将采取一系列的稳健性检验，包含平行趋势检验、PSM-DID检验、安慰剂检验、缩尾检验进行验证。

（1）平行趋势检验

双重差分模型的重要前提条件之一是实验组与控制组在政策实施之前需要满足平行趋势的假设。因此，本文需要验证实验组高校和控制组高校的科研创新效率在世界一流大学建设政策实施前不存在显著系统性差异或是具有相同的发展趋势。自政策实施前三年开始构建虚拟变量，进行平行趋势检验，考察政策存在不同时期的差异，模型设定如下：

图4 世界一流大学建设政策动态效应检验图

（2）PSM-DID检验

倾向得分匹配（PSM）是以世界一流大学建设政策的入选高校和未入选高校为准，将其区分为实验组与控制组，并使这两组间可获得数据尽量趋同，以强可忽略性为假设，控制两组个体进入实验组内的几率相似，最后对实验组所有个体完成匹配工作，使用该方法配对处理组与控制组中的全部个体，最后得到处理效应与匹配估计量^[24]。由于本研究选取的高校样本之间本身情况存在着一定的差异，且这些高校位于不同的地区，可能存在着地区经济和科技水平等各方面的差异，对个体差异的影响较大，直接将入选世界一流大学建设政策的高校与其余样本高校直接比较可能无法保证实验组与控制组具有相同的个体特征，进而产生一定的选择性偏误。因此，本文采用PSM-DID的方法消除变量的选择偏差，使用Logit模型估计得分值并以控制变量作为协变量，应用k近邻匹配法将实施政策的试点省份与没有实施政策的省份进行匹配，匹配完成后回归的结果如表4所示，模型（1）为未加入控制变量时的回归结果，模型（2）为加入了所有控制变量后的结果，两模型中did效应值均在1%显著性水平上显著为正，估计系数分别为0.049与0.067，表明前文的基准回归实证结果依然稳健。

表4  PSM-DID模型估计结果

（3）安慰剂检验

安慰剂检验的目的是对实验组和政策执行时间进行随机生成，从而得到排除其他因素对实证结果干扰的效果，如果模型估计结果在虚构的处理组或者随机的政策执行时间下仍然显著，则表明计量模型的构建存在问题。

基于此，本文参考Chetty等^[25]的思路，对研究样本进行500次随机抽样，随机抽取部分样本高校作为“双一流大学建设”的实验组进行虚拟实验，其余高校归为伪控制组进行回归，概率分布如图5所示，垂直于X轴的虚线代表真实系数，随机抽取得到的错误系数几乎全部位于虚线左侧，且P值＞0.05，在5%显著性水平上并不显著，表明基准回归模型中的真实系数值并非随机得到，而是存在政策的显著影响。基于安慰剂检验的结果可知，世界一流大学建设政策对科研创新效率产生的影响与其他不可观测的因素并不存在显著关系，基准回归结果仍然稳健。

（4）缩尾检验

为了进一步排除样本中的异常值对模型估计结果的影响，本文进一步使用缩尾检验的方式^[26]，缩尾1%观测值后重新进行回归，从而对回归模型进行稳健性检验，如表5所示。模型（1）是将被解释变量两端1%异常值替换为1%和99%的百分位数，模型（2）则是直接删除被解释变量两端1%异常值后的回归，模型的结果显示，did效应值仍在1%显著性水平上显著为正，再次证明上文的实证结论具备稳健性。

图5 安慰剂检验图

表5  缩尾检验结果

4.异质性检验

为了进一步分析政策对不同类别高校的作用效果，从而能够从多元视角对政策的效果进行深入评价，本文从高校地域异质性和高校类型异质性两个方面进行异质性分析。

（1）高校地区异质性检验

由于高校所处的地区资源、科技、经济发展水平等多方面存在差异，所处区域的不同可能会造成政策影响的差异，因此对样本高校所处区域进行异质性分析，主要依据我国东部、中部和西部地理区位划分标准进行检验，检验结果由表6所示，世界一流大学建设政策对东部和中部的高校科研创新效率具有显著的正向影响，影响效应系数为0.056与0.107，分别在1%和5%显著性水平上显著，说明政策对中部地区高校科研创新效率提升的促进效应最为明显，但政策对西部地区高校的影响效应并不显著。

（2）高校类型异质性检验

由于高校的类型和定位的区别，其受到“双一流”建设政策的影响可能会有所差别。本文参考袁振国等^[23]的分类标准对高校进行分类，由于并没有大文类高校入选世界一流大学建设名单，因此本文将样本高校分为大理类和综合类进行异质性分析，结果如表6所示，政策对大理类高校的科研创新效率在5%水平上产生了显著的正向影响，其影响系数为0.058，而对综合类高校则在10%的水平上显著为正，且系数为0.074，反映出大理类高校和综合类高校入选“双一流”建设后，科研创新效率均有显著提升，且大理类高校的提升效果更为显著。

表6  高校地区异质性检验结果

本文运用超效率SBM模型对我国2010—2020年教育部直属72所高校科研创新效率进行测算，并进一步使用双重差分模型探究“双一流”大学建设政策对高校科研创新效率的影响，主要得出以下结论。

1.大理、大文、综合三类高校科研创新效率存在差异性

大理类高校的科研创新效率呈现倒U型趋势，综合类高校总体有平稳上升趋势，大文类高校的科研创新效率整体波动较大。

第一，大理类高校倒U型趋势现象可能与其科研发展路径及资源投入方式密切相关，大理类高校通常以自然科学与工程技术研究为主，其科研创新初期，受益于大量科研资金的注入和政策支持，源于“规模效应”的发挥产生高边际效应。然而，伴随“报酬递减规律”，产出的增速会逐渐放缓甚至下降。这也反映出大理高校在科研资源利用上的边际效益递减问题和技术创新瓶颈。2017年“双一流”建设政策实施后，政策引导和资源集中带动了科研效率的回升^[27]，而2020年全球疫情带来的外部冲击导致科研效率再次下降。

第二，综合类高校的科研创新效率总体呈现平稳上升趋势，这与其多学科优势和综合资源配置有关。综合类高校通常涵盖自然科学、人文社会科学及工程技术等多个学科领域，学科的多样性和交叉性使得这些高校能够较好地利用不同学科的互补优势来推动科研创新。这种现象与“协同效应理论”相吻合，即多个学科或领域的结合能够创造出超过单一学科所能达到的总效益。

第三，大文类高校的科研创新效率整体波动较大，可能是由于人文社会科研创新活动具有更大的不确定性和滞后性。人文社科领域的研究通常更依赖于理论创新和社会影响力，这些因素难以量化，且其成果的社会价值可能需要较长时间来显现。此外，大文类高校的科研创新效率易受外部环境变化的影响，这与“创新滞后效应”理论一致，反映了人文社科研究成果的长周期特征和外部依赖性。

2.长三角、珠三角、京津三类战略地区高校科研创新效率存在差异性

长三角地区高校的科研创新效率总体呈上升趋势但在2017年后有所下降，珠三角地区高校的科研创新效率呈现出波动下降后缓慢提升的趋势，京津地区高校的科研创新效率呈现先上升后下降的倒U型趋势。

其一，长三角地区的高校科研创新效率趋势可能与区域经济发展模式及资源重新配置有关。长三角地区具有较高的经济发展水平和科研基础设施建设，且该地区高校在“双一流”建设过程中获得了较好政策支持和科研资源配置。2017年前的效率提升主要得益于区域内高效的科研资源整合和产学研合作的深入推进。然而，2017年后的效率下降可能与科研资源的过度集中、同质化竞争以及学科布局调整有关，这些因素导致短期内科研创新效率出现波动。

其二，珠三角地区高校的科研创新效率呈现“波动下降后缓慢提升”的趋势，这种变化可能受到该地区产业结构调整和全球经济波动的影响。珠三角地区以高新技术制造业和外向型经济为主导，早期依托高技术产业集聚效应，其高校的科研创新效率较高，但随着全球经济环境的变化和外资减少，该地区高校的科研效率受到影响，呈现波动下降的趋势。随着经济结构调整和政策引导，珠三角地区高校逐步适应新环境，实现了科研创新效率的缓慢回升^[28]。

其三，京津地区高校的科研创新效率呈现“先上升后下降”的倒U型趋势，可能是因为高校在2010—2017年得益于国家重点实验室和重大科研项目的集中支持，其科研创新效率持续提升。然而，伴随外部环境影响，依赖大型实验室和科研设施的项目产生严重影响，导致科研效率急剧下降。

3.“双一流”建设政策显著促进了高校的科研创新效率提升

“双一流”建设政策的实施对高校的科研创新效率提升产生了显著的促进作用，且模型在经过平行趋势检验、PSM-DID检验、安慰剂检验、缩尾检验等一系列稳健性检验后，估计结果仍然稳健。首先，在“双一流”建设政策背景下，高校在竞争性经费分配、学科资源整合、跨学科合作等方面，均得到了优先支持和引导，显著提高了科研创新效率。其次，“双一流”建设政策的实施通过改进科研项目管理和优化科研绩效评估机制，有效激发了高校的科研活力和创新潜力。通过重点学科建设和高端人才的引进，高校的科研产出更加高效，创新能力显著增强。最后，“双一流”建设政策不仅在短期内显著提升了高校的科研创新效率，更通过引入和整合多重创新机制，推动了高校从“要素驱动”向“创新驱动”的战略转型，体现了政策效应的深层次结构性变革。

4.高校师资结构、经费结构、地方经济对高校科研创新效率具有显著影响

高校的师资结构、地方经济发展水平均对其科研创新效率具有显著积极作用，科研经费来源结构与高校科研创新效率呈现出显著的负向关系。

一是高水平师资是高校科研创新效率提升的重要驱动力。从“核心—外围理论”的角度来看，高水平师资和顶尖科学家的集聚形成了高校科研体系中的“核心节点”产生集聚效应，依托世界一流大学和顶尖科学家群体，变革性思想、标识性概念、原创性理论、策源性成果持续涌现，能够促使形成科技创新集群，进一步促进学术资源的优化配置和科研产出质量的提升。

二是地方经济发展水平的正向作用，反映“双一流”建设高校与属地关系的积极互动关系，区域创新系统理论也认为，地方经济的繁荣和发展为高校科研创新提供了重要的外部资源支持以及高校科研成果转化渠道，有助于促进科研成果的快速应用和扩散。

三是经费结构与高校科研创新效率的负向关系可能暗示了现有的经费管理模式存在资源错配和激励不足的问题，同时，公共财政资金投入可能也对高校科研创新效率产生一定的“挤出效应”。

5.“双一流”建设政策对中部地区、大理类高校科研创新效率提升更为明显

中部地区的高校相较于东部地区的高校，通常面临相对严峻的科研资源不足、人才引进困难、科研平台建设滞后等问题，而“双一流”建设政策通过集中资源配置、强化学科建设和引入高水平人才等措施，有效弥补了这些高校的短板，反映了边际收益递增效益。从“学科结构和政策匹配性理论”角度，大理类高校通常在自然科学、工程技术等领域具有较强的学科基础和科研能力，而“双一流”政策在面向国家战略性新兴产业的急需学科予以重点支持，政策的精准投放使大理类高校得以更好地发挥其学科优势，通过资源集中投入和重点项目支持，迅速实现科研产出的提升。此外，大理类高校科研活动通常更具外部性和市场导向性，在国家政策的强力推动下，这些高校更易通过与产业界和政府部门的合作获得额外的科研资源和应用场景。这种资源和政策的匹配性也体现了“目标一致性理论”，即当政策目标与受益方的需求和优势高度一致时，政策效果会更加显著。

1.因地制宜优化资源配置，推动区域高校差异化协同发展

在“双一流”建设政策框架下，优化高校科研资源的配置策略，尤其针对中部和西部地区高校的不同发展需求，实施更具针对性的支持政策。不同地区的高校在科研基础、资源禀赋、人才储备和社会经济条件上存在显著差异。因此，资源配置应当充分考虑区域特征和高校类型的异质性，避免“一刀切”的政策导向。对于东部地区高校而言，这些高校通常具有较强的科研基础和丰富的创新资源，政策应进一步鼓励其在前沿领域和跨学科交叉创新方面取得突破，支持高风险、高回报的基础研究和前沿探索，促进“从0到1”的原创性成果的涌现。此外，应鼓励中部和西部地区高校根据自身优势，结合地方经济发展和社会需求，发展特色化的研究方向和学科。对于这些地区的高校，可以加强其在资源和政策上的自主权，允许其根据区域特色和需求，灵活调整科研资源配置和科研发展战略，探索“以用促研”的创新路径。

2.完善多层次人才引育体系，促进学科交叉与集群创新高地

高水平人才的引育机制是高校提升科研创新能力、形成学科交叉创新高地的核心驱动力。为此，应建立更灵活、多元且具有前瞻性的引育机制，吸引和培养具有国际视野和跨学科背景的全球高层次人才，推动高校科研从“个体突破”走向“集群创新”。可通过设立基金会等相对灵活的措施，构建多层次的人才体系，以优厚的科研经费支持、完善的实验平台和灵活的科研环境来吸引国际顶尖人才加盟，形成强有力的学术创新领导团队。推动高校建立学科交叉融合的平台和机制，重点支持生物医学工程、人工智能、环境科学等新兴交叉学科的发展。并通过设立奖励机制，鼓励学者进行风险较高但潜力巨大的基础研究和跨学科研究。

3.构建以“质量与贡献”为导向的评价体系，提升高校科研创新实质性贡献

为了更有效地推动“双一流”建设中的高校科研创新发展，构建科学合理的质量与贡献评价体系是关键。“双一流”建设评价体系应突破传统的单一数量指标导向，着重于多维度、多层次的评估标准，以提升高校科研创新的实质性贡献和社会影响力。除了常规的论文数量和课题项目之外，评价体系应包括科研成果的学术价值、社会和经济贡献、技术应用潜力、知识产权创造等多方面的指标。例如，可以增加对科研成果的“实际应用价值”和“社会效益贡献”的权重。此外，实施动态和分层的评价机制，使科研评价更加灵活并具有更强的适应性。在不同的学科领域和研究类型中，科研成果的衡量标准应具有针对性。例如，对于基础研究，应更多关注其学术原创性和潜在影响，而对于应用研究和技术开发，应更注重其转化效果和市场应用能力。

4.前移创新链条重心，主动构建产学研协同创新生态

在从基础研究到应用研究到产业化的通道上，高校与产业需要打破围墙、边界互融、紧密协同，消除创新孤岛、科技烟囱、研究茧房现象，畅通创新链，促进科学技术向现实生产力的转变，在这一逻辑上，高等教育机构与产业同为创新联合体的重要组成部分。因此，高等教育机构在科技创新成果的转换上并非只呈现出消极被动的被合作者姿态，而是以面向产业、面向未来的高度创新自觉与创新自信，通过概念验证等方式在产学研对接的死亡之谷上筑起跨越之桥，积极探索跨越科技成果转化障碍的路径。高等教育系统在概念验证等方式上的探索以积极的态度“向前一步”寻求与产业市场的对接，将目光前移、聚焦优势学科领域、进一步发掘了早期科技成果的产业化价值。前端赋能的视角使得创新全生态链与科技成果转化链的畅通得到了更强的推动力，高等教育系统在打破科技成果转化壁垒、畅通产学研合作创新路径“最初一公里”，并为“最后一公里”提供有利依托上发挥着强有力的引擎作用。通过“向前一步”的积极动作，高等教育得以在加速创新链与产业链融合上发挥效能，破除科技创新在产业化落地上的堵点与难点，推动新质生产力发展。