DEA和AHP方法的高校科研人员绩效评价

对于科研工作而言,其实际研究成果会随着管理效果的变化而变化。如果能对科研人员绩效作出科学有效的评估,就能大幅度提升科研管理的效果。科研人员绩效评价大体可分为四项功能,即监督性。调节性。方向性和反馈性。国外大多数科研人员绩效评价已经得到了良好论文网的发展,相较国内更为成熟,主要是针对高校之类的科研机构,DEA和AHP就是其中最为常见的评价方法。

一。以层次分析法为基础的的科研人员绩效评价

层次分析法最早由美国萨迪教授于十九世纪七十年代正式提出。这一方法主要是把需要解决的问题分为各种不同的因子,然后使之形成目标层。规则层。方案层这三大层次,最终构成了评价的指标体系。如果把同一个层次内部的因素重要性进行比较,建立起判断矩阵,并按照最大特征根法进行运算,就可以得出每个因子的实际权重。

(一)建立科研人员绩效评价指标体系。例如,某高校在建立科研人员绩效评价体系时,就把建设全球一流大学作为了自己的首要目标,并针对科研工作人员的实际情况,结合自身学科建设与发展需求,让学术专家委员会展开相关探讨,制定出了科学的考察目标。这一选择指标包含了一个目标。五个指标与十五个因素,具体情况可见表1所示。

(二)建立各因子之间的判断矩阵。要对每一个因子之间的联系和重要性实现有效评估与判断,可以设计一些针对专家学者的问卷,邀请经验丰富的管理人员与科研专家进行管理,为同样的层次内不同的因子重要性打分。这样一来可以避免单一专家对判断结果产生主观影响,也可以使研究结果更具科学性。如果针对同一个层次内的不同因素,则在比较过程中就可以选用九标度的方法,也就是按照因子之间的相对重要性,用

1。2。3……9或是其倒数进行表示。例如9可以代表A比B绝对重要,1代表A和B同样重要,1/9代表B比A更加重要,等等。最后构建出对比型判断矩阵。按照科研人员的绩效评价指标体系,再结合专家评分的最终结果,就可以建立起不同因子之间的判断矩阵。具体可见表2所示。

(三)判断矩阵的统一性检测。专家在回答调查问卷时,也许会产生三个因子循环判断的情况,这样一来会违背基本的正常逻辑,所以必须针对矩阵进行统一性检测。在矩阵中,统一性指标CI=λmax-n/n-1,在该式子中,n代表同一层次内的指标个数,而λmax代表最大特征根。平均随机统一性指标RI就是1―15阶正互反矩阵运算一千次所得出的最终平均随机统一性指标。统一性比例CR=CI/RI,如果CR<0。1,则判断矩阵可以达到统一性检测标准。某高校运用YAAHP运算,得到了不同层次中的CR数值,具体可见表3所示。从表中可以看出,CR的平均值都小于0。1,且指标体系达到了统一性检测标准。

(四)确定指标体系各因素权重。利用YAAHP软件,可以算出不同层次中指标的相对权重,再计算出每个层次内因素对决策目标的实际权重,加上权重平均值,实施整体排序,就可以算出总权重值,具体可见表4所示。

依据YAAHP软件计算出的每个层次指标的实际权重,可以进一步算出不同层次因子对于决策目标的实际权重,加上权重平均值,再进行整体排序,就可以得出总权重值。

(五)科研人员产出得分计算。按照上述层次分析法算出的指标体系与实际权重数值,再结合某高校城市和环境中20位当职教师在最近5年中的各类投入产出指数,可以算出所有教师的科研产出整体分数。此后,再对这些分数进行标准化处理,就能够得到DEA相关计算数据,并从数据中找出20位教师的平均得分。从得分显示的数据可以看出,该高校内部科技研究产出存在很大差异,有的教师得分很高,而有的教师得分相对较低。究其原因,主要是因为某些教师每年都会参加一部分重要科研项目,由此获得了很高的SCI著作产出,也拿到了更多省级甚至国家级的奖励。而有的分数较低的教师,属于刚入职不久的教师,其在此之前所获得的各种科研产出奖励,并没有建立在该高校的名义下,所以查不到相关统计数据。得分最高的几位教师都属于该高校城市和环境的学者。院士。高级教授等。分析这些数据,再结合该高校城市和环境的具体情形,可看出这类数据之间存在很好的吻合性。只要进一步加大科技研究投入,就可以更好地计算出这些教师的科技研究绩效水平。

二。以数据包络法为基础的科研效率评价

(一)数据包络法根本原理。数据包络法的简称是DEA,该方法最早是由美国运筹学家Chames与Cooper等人在1978年正式提出,其理论基础就是相对效率,主要用途是评估拥有多投入产出的决策单元能否体现出较高的技术含量和较大规模。数据包络法不会受到量纲的束缚与影响,因此能够有效规避主观因素造成的种种误差。DEA的主要原理就是将所有的评估对象视为一个整体的决策单元,即DMU,然后再针对每个决策单元的投入值和产出值数据变量展开运算,最终确定这些数据是否DEA生效。例如,可以假设有DMUi,其中i=1,2,3……n,且n代表决策单元的实际数量,(xi,yi)代表决策单元投入及产出的数据,于是,针对某一特定的决策单元,可得出其有效性的评价模型。解答这一模型,可以求出最佳评价方法。假如θ=1,而

S-和S+不都等于0或都为0时,DMU属于弱有效或有效。如果λi<1,那么DMU就是规模效益递减。如果λi>1,那么DMU就属于规模效益递增。

(二)某高校城市与环境实例分析。利用上述层次分析法,可以得出相应的指标体系,其中输出指标基本包含了五大元素,即科研项目。发表成果。专利著作。所获奖励和人才培养。依照层次分析法所得到的权重数值,可以把输出指标总结为两大类,一类是科研成果产出,具体包含了科研项目。发表成果。专利著作。所获奖励;另一类是人才产出,包含了本科。硕士。博士等人才培养内容。与之相对的,输入指标也可以分成两大类,一类是科研经费投入与人力资源投入,人力投入则包含了本科。硕士。博士人才等相关投入。按照上述所有指标增加权重的平均运算法以及打分标准,录入某高校城市及环境20位当职教师的投入值和产出值数据,并运用DEAP软件展开计算,可以得出实际效率数据,具体可见表5所示。

在表5中,总共给出了三种评价分数,即技术效率。纯技术效率及规模效率分数。其中,技术效率的含义是在规模报酬保持不变的前提下,所获得的实际技术效率参数;纯技术效率则代表了投入元素的运用效率;规模效率代表的是决策单元的投入值和产出值所达到的比例情况,且规模报酬还能显示出这一决策单元处在哪一生产阶段。Drs代表规模报酬处于递减状态,而irs代表规模报酬处于递增状态。

从DEA有效的角度看,表5中有4位教师的技术效率。纯技术效率和规模效率都达到了有效标准。在当前的科技研究投入情况之下,如果进一步加大科研投入,则这些教师的投入产出规模报酬也会保持不变。综合这4位教师的纯科研产出分数情形,会发现其已经基本达到了整体平衡的状态,然而在将来依旧能够通过加大投入的形式,调节科技研究管理水准,继而增加科研产出值。

从EDA无效的角度看,纯技术效率是有效的。从表5数据可看出,有5位教师的纯技术效率都处在有效状态下。数据表示,在目前的科技研究条件投入之下,这5位教师的科研产出都达到了最高值。而DEA没有生效的首要原因就是规模效率过低,从规模报酬的结果分析可以得知,这些因素都处在规模报酬递减的情形下,在将来也可以采取调节科技研究管理手段,或是适度降低投入等方法,提高科研规模效率。

从纯技术效率与规模效率都无效的角度看,其余教师基本都属于DEA无效的情况,并且纯技术效率同样也是无效。究其原因,主要是因为科技研究水平与统筹运用资源的能力有限,或是投入规模不适合,造成了这一种无效局面。表5中,很多教师都还处在规模报酬递增的现象下,因此在将来的科研管理中,应当适度提高资金支助的力度,加大人力资源投入,以便扩大规模,提高效率。此外,对于另一部分规模效率递减的教师,就需要适度降低资金与人力投入,提升科技研究人员绩效。

把层次分析法与数据包络法融合起来,再把其计算结果和该高校城市及环境的二十位当职教师的具体情形相比较,就可以发现计算结果和每位教师的具体科技研究情形基本相同。也就是说,在专家给分制订评价指标体系的前提之下,如果能将层次分析法与数据包络法有机集合,就能够较为确切地体现出该高校城市和环境科技研究的现实问题。

结束语:从推广方式的层面看,以层次分析法与数据包络法(DEA和AHP)的评价方式为基础进行分析,可以运用于许多高校的科技研究中。DEA与AHP评价法有助于实现对科技研究人员的准确评价,还能够推动高水准科技研究管理的进步,并深入强化高校的科研水平,为科技发展和高校研究贡献出巨大的力量。

DEA和AHP方法的高校科研人员绩效评价