基于DEA-Tobit模型的“双高计划”建设高职院校办学效率.docx

基于DEA-Tobit模型的“双高计划”建设高职院校办学效率评估及建设策略

关键词“双高计划”；办学效率；高职院校

中图分类号G718.5文献标识码A文章编号1008-3219（2024）27-0058-08

一、问题提出

二、研究设计

（一）研究模型

传统经济学方法在测量具有投入大、产出高特点的办学活动时是十分困难的，而借用DEA数据包络法（DataEnvelopmentAnalysis）来评估学校的相对办学效率却取得了较好的效果。DEA分析要求决策单元（分析对象）具有相同的目标、性质和外部环境，即同质性要求。这与高职院校之间具有类似办学目标、定位、办学环境等相接近，可以认为高职院校满足DEA分析对于决策单元的同质性要求。本研究先用DEA评估56所“双高”院校办学效率，再用截断数值Tobit分析办学效率的影响因素，即采用了一种DEA-Tobit两步测算法[3]来完成办学效率评估分析。

（二）数据来源

（三）指标构建

1.指标初选

DEA分析从数学原理上并不要求数据进行无量纲化处理，但在进行DEA分析时应该使用正向化指标。如果数据有负向（逆向）指标，则需要对其进行处理，让其指标意义变为正向。本研究中，生师比（生师比＝折合在校生数/教师总数）数值越大代表学校在人力方面的投入越少，因此可以理解为是一个负向指标。在SPSS22.0中，一般采用原始变量的负数或者倒数来对其进行正向化，本文采用后者对生师比数据进行正向化处理。

在以往的研究中，例如学生技能竞赛获奖指标的单位是“项”，但是由于比赛区分一等奖、二等奖和三等奖，因此只用简单求和后的数值来表征一个学校的学生竞赛情况会造成分析结果的不准确。本文采用熵值法对上述指标进行了权重计算，并用无量纲综合得分来表征相应指标的大小，所以在本研究中，学生技能竞赛获奖（国家级）、“互联网+”大赛获奖（国家级）、课程思政示范课程、示范中心（国家级）、首届教材奖（国家级）、教师教学能力比赛获奖（国家级）共5个产出指标是无量纲的。相比以往同类研究，研究结果更具有合理性和准确性。

2.指标确定

利用DEA评估“双高”院校办学效率时，投入指标与产出指标应存在一定的相关性。将投入指标与产出指标之间进行相关性分析，可以看出，Y4、Y5、Y6、Y9与X1、X2、X3、X4、X5、X6、X7、X8共8项之间均没有呈现出显著性（p值均大于0.01），意味着Y4、Y5、Y6、Y9与X1、X2、X3、X4、X5、X6、X7、X8共8项之间均没有相关关系。因此，剔除Y4、Y5、Y6、Y9共四个产出指标。

因子分析（探索性因子分析）用于探索分析项（定量数据）应该分成几个因子（变量），通常有三个步骤：第一步是判断是否适合进行因子分析；第二步是因子与题项对应关系判断；第三步是因子命名。本研究首先通过SPSS22.0对7个投入指标进行因子分析，分析前先对投入指标进行KMO和Bartlett球形度检验，检验结果见表2。由检验结果可知，KMO值为0.644，大于0.5；Bartlett球形度检验p小于0.01，说明投入指标适合进行因子分析。

对投入指标进行因子分析，旋转后投入指标因子载荷系数见表3。所有指标共同度（公因子方差）均大于0.4，因此无须剔除。分别提取3个投入因素（累积方差贡献率＝83.832％）FI1、FI2、FI3。根据分析结果，将FI1命名为资金设备投入，将FI2命名为人力资源投入，将FI3命名为人才结构投入。

采用同样方法对8个产出指标进行因子分析。产出指标KMO和Bartlett球形度检验结果见表4。由检验结果可知，产出指标的KMO值为0.611，大于0.5；Bartlett球形度检验p小于0.01，说明产出指标同样适合进行因子分析。

表4产出指标KMO和Bartlett检验结果

检验方法值

KMO检验0.611

Bartlett球形度检验近似卡方63.218

p值0.000

对产出指标进行因子分析，旋转后产出指标因子载荷系数见表5。所有指标共同度（公因子方差）均大于0.4，因此无须剔除。分别提取了3个产出因素（累积方差贡献率＝61.105％）FO1、FO2、FO3。根据分析的结果，将FO1命名为社会服务成果，将FO2命名为师生竞赛成果，将FO3命名为教学育人成果。

根据DEA使用方法，决策单元个数（“双高”院校数量）应至少是投入与产出指标数之和的两倍以上，过多的指标数将导致分析结果不准确。本研究中，通过因子分析对指标进行降维处理后，新的投入、产出指标合计为6个。决策单元总数为56个，新的投入、产出指标数之和不足决策单元数量的一半，因此满足DEA分析要求。

因子分析后需要求出新的投入、产出因子得分，但是由于原始指标数据的单位、数量级各不相同，无法直接相加。为解决上述问题，需要进一步对原