随着经济快速发展及国家科技政策调整,国家在科技项目资助方面的投入不断增加,获资助的科学研究者数量持续增加,受资助产出的论文数量也越来越多,占论文总产出的比例日益提升。不可否认,当前科技人才发展与科研产出提升在很大程度上归功于政策引导、鼓励和支持,这也是科技项目资助的根本出发点。但具体而言,如何衡量资助的作用效率,资助是否从本质上提升了论文影响力,需要客观事实予以说明。其中,作用效率是指资助对论文产出绩效(发文量、被引频次及相应动态指标、载文期刊质量等)的影响程度。通过统计与计量全面深入地开展项目资助作用效率测度研究,可在量化效应分析层面促进未来科技项目资助政策优化,推动科学研究发展与科技进步。
鉴于此,本文以人工智能这一交叉学科领域为例,聚焦于细分国家及领域差异下论文质量和领域全局的学者个人产出影响力两个层面,利用回归分析影响程度,更加全面深入地探讨多类科技项目资助指标对论文产出数量、多层次成果质量及不同年龄群体论文绩效的作用效率,揭示资助对学术成果的激励作用,以期为科技政策与科研管理提供一定的数据参考。
论文产出绩效通常包含代表资助成果的科技论文产出数量与质量,以及代表资助效果的研究人员产出影响力情况。当前,关于资助对论文产出绩效的影响研究大多围绕上述两个层面展开。
(1)项目资助与论文产出情况相关研究。在这一层面,国内外学者已经开展了大量的研究工作。通过定量对比分析方法揭示受资助与否对论文产出质量的影响,代表作者有俞征鹿等[1]、Jue等[2]、Zhao等[3],皆证实了获科技项目资助的论文被引频次更高,产出质量优于未获资助论文。大量文献表明,获得资助有利于提升产出成果的影响力。许多学者基于科技资助的各特征因素对论文产出数量及质量的影响效果进行了分析。如马亮等[4]以医学科学领域为例,揭示项目资助金额对论文产出数量有显著影响;Vanecek[5]通过统计8个国家的论文情况,发现公共研发金额对论文产出数量有提升作用;Gök 等[6]对6个欧洲国家的论文产出进行分析,证明了资助种类正向影响论文质量,该结论也在白玉等[7]的研究中得到了证实。
(2)项目资助与人才科研绩效的关联研究。国内外关于资助对学者产出影响力的作用研究主要集中于以定量对比分析方法揭示受资助与否对人才产出数量与质量的作用效果,Fedderke&Goldschmidt[8]、宋志红等[9]、田人合等[10]均通过对比学者获资助前后,以及获资助学者与未获资助学者的论文产量和影响力差异,实证揭示了获资助学者的论文整体水平更高,影响力更大。进一步地,有些研究关注科技项目资助的个人特征因素对学者产出绩效的影响效果分析。如Kyvik[11]针对学者年龄分布进行研究,发现36~40岁为论文产出高峰期;Sandstrom[12]的研究也验证了年轻学者的科研绩效会更加优异,从而反映出年龄这一因素对资助效果的影响;Jacob &Lefgren[13]研究了学者性别、年龄、学科等因素对资助效果的影响,发现资助对45岁以下、男性、生物学研究者的学术成果数量及影响力提升力度最大。
总体而言,目前科技项目资助与论文产出绩效的相关研究主要集中在资助对论文产出,以及研究者学术成果数量与质量的作用方面。在上述两个层面,前人研究多局限于采用对比分析方法揭示单一地域或领域层面上资助对论文水平的影响,虽能宏观反映科技资助对论文产出绩效的正向推动作用,但难以深度探究资助在微观层面上的作用力度。此外,论文产出绩效主要使用产出数量与被引频次等常规指标,对于综合性、动态化指标较少涉及。同时,在资助对论文产出成果的影响研究中也存在资助指标单一的问题,大多仅从“是与否”的角度进行测度,缺乏多类型资助属性刻画。因此,指标丰富拓展下的资助效果综合测度还有很大提升空间。上述研究中未尽之处也成为本研究的主要突破点。
本文研究科技项目资助对论文产出绩效的影响围绕总体论文和学者产出绩效两个层面展开。其中,论文层面,重点考察资助属性对不同地域和细分领域的影响差异;学者层面,重点考察学者受资助前后产出影响力变化情况,以及资助对不同年龄群体的影响差异。
2.1.1 总体论文产出数据获取与处理
在研究资助对论文产出绩效的作用效率时,选择计算机科学的人工智能领域作为数据源,在Web of Science数据库中使用高级检索功能,以(WC=“Computer Science,Artificial Intelligence”)为检索式,选择2011—2016年发表的论文,检索出162 419条数据。利用VBA计算论文中所有国家及领域,共137个国家和54个领域。选取论文数量排名前5的国家和领域,国家分别为中国、美国、印度、西班牙和法国,交叉领域分别为人工智能与电气和电子、人工智能与理论和方法、人工智能与跨学科应用、人工智能与信息系统及人工智能与机器人学。论文数量情况见表1,其中,不同领域的标号依次为(1)-(6),下文涉及领域均以此表示。
表1 不同国家及领域论文数量
国家/领域论文数量中国17 354美国10 980印度5 015西班牙4 677法国3 982人工智能与电气和电子(1)22 872人工智能与理论和方法(2)13 893人工智能与跨学科应用(3)8 468人工智能与信息系统(4)7 214人工智能与机器人学(5)3 342单一人工智能(6)20 661
2.1.2 学者个人产出数据获取与处理
在研究资助对学者产出绩效的作用效率时,数据选取要考虑学者成果的影响力周期,根据前人研究,发现学术影响力峰值出现在学术年龄5~7岁时[14]。为保证学者具备完整的周期,追溯至2011年前发文的学者,故选择2005—2010年高水平学者作为研究对象。
首先在WOS中下载2005—2010年国籍为中国,领域为人工智能的论文,检索式为(WC=“Computer Science,Artificial Intelligence” and AD=“China”),共71 267篇论文。选择通讯作者数据,运用Keywordcount软件统计相同学者的论文数量和累计被引频次。通过普赖斯定律[15]获取最低发文量和最低累计被引频次,以便选取高水平学者,计算方法如式(1)所示。
(1)
其中,M为核心作者最少发文量和最低累计被引频次,Nmax为最多发文量和最高累计被引频次,分别为37篇和1 738次。
通过计算,本文选择发文4篇、被引频次31 次以上的327学者进行产出绩效测度。在国家自然科学基金项目查询网站中,检索2005—2016年上述学者是否获得过基金项目,由于限定了学者发文量和被引频次,因而选取的高水平学者大多获得过资助。其中,获资助学者246位,未获资助者81位,并检索获资助学者的项目数量及金额。以学者全称加所属机构的形式在WOS中检索2005—2016年327位学者的文献数据,对比分析资助对学者产出绩效提升的有效性。
2.2.1 项目资助指标
当前,科技项目资助的常用指标有资助种类和资助强度,其中,资助种类可以判别资助来源的多样性,资助强度则表明论文获得资助的力度。在探究资助对论文影响力的作用效果时,本文参考Gök 等[6]的研究成果,进一步引入资助类型的补充指标,对资助强度和资助种类两大指标进行定量刻画。由于项目资助类型中国家资助占比较大,本文将资助类型细分为国家资助和其它资助。具体地,在数据记录中将FU列出现“National”字段的论文记为“国家资助”,而包含“International”、“非政府资助”等字段的其余资助类型论文记为“其它资助” 。此外,两大指标资助强度和资助种类分别根据式(2)、(3)得出[6]。
(2)
其中,FIi是资助强度,Vi是一篇论文受到机构资助的总数,Ai是一篇论文的作者数量。
(3)
其中,FVi是资助种类,Vi是一篇论文受到机构资助的总数,θi是一篇论文受到不同机构资助的数量。国家资助和其它资助均为二分类变量。
在探究资助对不同年龄群体学者的影响差异时,通过统计资助项目数量和平均资助金额两大指标,从资助广度和深度两个层面进一步测度不同资助属性对学者产出绩效的作用效率。
2.2.2 论文影响力指标
目前,论文影响力通常采用被引频次和载文期刊质量进行测度,被引频次表明论文的认可度及影响程度,且年均被引频次消除了时间因素对总被引频次的影响;期刊影响因子百分位能表明不同领域和交叉学科领域论文所在期刊的水平,前人研究也曾将其作为期刊评估指标[16]。因此,综合选择年均被引频次和期刊影响因子百分位作为论文影响力指标。其中,期刊影响因子百分位数据从JCR数据库中获取。
2.2.3 学者产出绩效指标
当前,发文量、总被引频次和h指数是传统文献计量学中用以衡量学者产出绩效与影响力的主要指标,其中,h指数结合发文量和总被引频次综合评估学者的学术水平。因此,选择上述3类指标分析学者产出绩效差异。
除传统截面数据指标外,本文还考虑了动态变化性指标,即纳入论文数量增长率和被引频次增长率指标进一步测度资助属性对学者产出绩效的影响。论文数量增长率和被引频次增长率分别表示学者产出力与影响力的变化幅度,通过增长率能够较好地刻画产出绩效变化情况。因此,综合选择论文数量、总被引频次、篇均被引频次、论文数量增长率和被引频次增长率作为学者产出绩效测度指标。其中,增长率可通过式(4)得出。
f(x)=aebx
(4)
其中,a为初始年份的论文数量和被引频次,b为增长率,x为距离初始年份的年数,f(x)为x时刻论文数量和被引频次。
2.3.1 负二项回归测度不同资助属性对论文质量的影响
在测度资助对论文质量影响的相关研究中,Gök等[6]曾运用负二项回归进行分析。由于本文的应用场景与前人研究类似,且因变量年均被引频次和期刊影响因子百分位均已取整,方差大于均值。因此,本文选用负二项回归模型,自变量选取资助种类、资助强度、国家资助和其它资助进行回归分析。
2.3.2 倾向得分分层与线性回归测度资助提升学者产出绩效的有效性
由于研究获资助学者在获资助前后论文产出的差异时难以估计其未获资助时的绩效成果,因此,运用倾向得分分层法找出与获资助学者相似的未获资助者作为对照组进行研究。由于因变量学者是否获得资助是二分类变量,因此适合运用Logistics回归模型进行研究。根据Logistics回归模型计算每位学者获得资助的概率即倾向得分,见式(5)。
(5)
其中,θ是系数,P(y=1|x;θ)表示学者获得科学基金资助的概率,x表示可能影响作者获得资助的特征向量,包括论文数量、总被引频次和h指数。运用线性回归对获资助学者与相似未受资助者的论文成果进行对比,揭示资助提升学者产出和影响力的有效性,以及不同概率学者的产出绩效差异,见式(6)和式(7)[8]。
Ci=aNi+bFi+εi
(6)
其中,Ni和Fi分别表示学者i是否为(未)获得资助的学者,a、b表示系数,εi为误差项,Ci表示学者i的论文数量、总被引频次和h指数。a<b说明受资助学者的科研绩效比未获资助学者更优异。
(7)
其中,Li、Mi、Hi分别表示i是否为未获得资助的低、中、高概率的学者,S1、S2、S3分别表示i是否为获得资助的低、中、高概率的学者,a、b、c、di表示相应系数,Ci、εi含义同式(6)。如果d1
2.3.3 Tobit回归测度不同资助属性对学者产出绩效的影响
由于对因变量论文数量、总被引频次、篇均被引频次、论文数量增长率和被引频次增长率进行了归一化处理,存在零值,使用一般回归模型可能会忽略零值的意义,而Tobit模型可用于研究因变量受限问题,且郭际等[17]曾运用该模型评价科技投入产出绩效,Yegros等也在探索交叉学科属性与文献被引指标的关系时使用了该模型[18],更加证实了该方法在科学计量问题研究中的有效性。因此,本文以资助项目数量和平均资助金额为自变量,以年龄作为控制变量进行Tobit回归,测度不同资助属性对学者产出绩效的影响。本文涉及的负二项回归、倾向得分分层、线性回归及Tobit回归等方法均在软件Stata中实现。
不同资助属性对论文质量的负二项回归分析结果如图1(a)所示。纵轴为发生百分比,括号中的“+”、“-”、“/”分别表示正相关、负相关、不相关。发生百分比表明,当其它自变量不变时,该自变量变化1单位相应引起因变量变化的百分比,以整体数据作为基准,可以看出不同资助属性引起各国年均被引频次的变化情况。
(a)资助属性对年均被引频次的负二项回归结果
(b)资助属性对期刊影响因子百分位的负二项回归结果
图1 不同国家资助属性对论文质量影响的负二项回归结果
5个国家的整体数据显示,资助强度能普遍提升论文篇均被引频次,说明资助力度越大,论文质量越好。但是,资助种类对论文质量影响却不尽相同:对中国和印度而言,资助种类的多样性能够促使年均被引频次提升,对美法两国,反而引起被引频次下降。由此可见,对于不同国家,资助种类多样化对论文质量的作用效果存在较大差异。对大多数国家而言,国家资助和其它资助均能在一定程度上提升论文质量,其中,法国和西班牙的正向作用力度最大。由于主导印度科技论文的是其它类型资助,因而呈现出论文质量未受国家资助显著影响这一差异化结果。
通过不同资助属性与期刊影响因子百分位的负二项回归分析,揭示资助对载文期刊水平的影响,结果如图1(b)所示。其中,中国、美国和法国的资助种类与资助强度正向作用于载文期刊质量,但是西班牙的资助种类和资助强度及印度的资助种类负向作用于期刊影响因子百分位。由此可见,不同国情下资助种类多样性对载文期刊质量的影响不能一概而论。此外,5个国家整体统计结果显示,国家资助和其它资助均正向作用于期刊影响因子百分位,其中,美国和西班牙的作用效果最显著,说明无论哪类资助均可有效提高论文质量。
各细分领域不同资助属性对论文质量的负二项回归结果如图2(a)所示。其中,人工智能专属和各交叉领域内,资助种类、资助强度、国家资助和其它资助均对被引频次提升起积极作用,仅人工智能与跨学科应用这一交叉领域的资助种类指标对论文质量无显著提升作用。尽管国家资助在总体上能提升年均被引频次,但对不同领域的作用幅度相差甚远,发生百分比变化幅度为5.7%—65.4%。其中,国家资助对人工智能与理论和方法领域的论文水平提升作用较大,因此,对于该交叉领域,可鼓励学者们积极申请国家资助类项目,进一步促进论文影响力大幅提升。
(a) 资助属性对年均被引频次的负二项回归结果
(b)资助属性对期刊影响因子百分位的负二项回归结果
图2 不同细分领域资助属性对年均被引频次的负二项回归结果
各细分领域不同资助属性对载文期刊水平的负二项回归结果如图2(b)所示。除人工智能与理论和方法领域外,其它领域论文的资助种类越丰富,则载文期刊水平越高。资助强度提高了人工智能与电气和电子、人工智能与机器人学及人工智能单一领域的期刊影响因子百分位,而负向作用于人工智能与理论和方法领域的期刊影响因子百分位,对人工智能与信息系统、人工智能与跨学科应用领域的载文期刊水平影响不大。由此可见,在不同领域,资助强度对期刊质量的作用效果有所差异,过度资助某些领域反而适得其反。
在资助类型作用效率测度结果中,除国家资助对人工智能与机器人学领域的影响不大外,两类资助均能提高其它领域的期刊影响因子百分位。其中,人工智能单一领域及人工智能与电气和电子交叉领域的资助类型指标对载文期刊质量作用效率明显较高,而在人工智能与理论和方法领域,国家资助的作用效果明显优于其它资助,上述结论可为不同机构资助管理提供参考。
基于每位学者的科研水平特征向量(论文数量、总被引频次和h指数),通过Logistic回归计算学者倾向得分。采用倾向得分分层法将获资助和未获资助学者进行匹配,分为(未)获资助的低、中、高概率3个层次,如表2所示。其中,倾向得分即概率小于0.667的学者为低概率学者,大于0.667且小于0.833的为中概率学者,大于0.837的则为高概率学者。平衡性检验发现,匹配结果合理,按照上述概率进行分层能最大限度地保证每层倾向得分值的一致性,实验组和对照组可比性较强,分层有效。
表2 学者群体分层结果
倾向得分(概率)未获得资助的学者获得资助的学者总计低:<0.66747 3885中:>0.667且<0.8332379 102高:>0.83311 129 140总计81 246 327
运用线性回归模型测度资助对学者产出绩效提升的程度,结果如表3所示。整体对比数据显示,在论文数量、总被引频次、h指数3个指标层面,获科技项目资助学者的系数远大于未获资助学者,可见获得资助有效提升了学者的产出力和学术影响力。从学者分层对比数据发现,获科技项目资助的低、中、高概率学者的产出绩效均高于未获资助的低、中、高概率学者,其中,总被引频次的差距尤为显著,进一步论证了资助的有效性。
从获科技项目资助学者角度看,无论是论文数量、总被引频次还是h指数,获得资助的高概率学者系数显著大于中概率学者,且中概率学者系数同样大于低概率学者。其中,中概率学者的系数未达到高概率学者的一半,可见差异显著,表明资助更高概率的获资助者,可以更大程度地提升学者的产出绩效和影响力。同时,回归结果显示,获资助的低、中概率学者系数小于未获资助的高概率学者,说明尽管有部分学者未获得资助,但其本身具有较大潜力,可以成为未来潜在科技资助对象。
表3 获资助与否及不同概率层次学者回归分析结果
资助情况资助指标论文数量总被引频次h指数全部110.3291 278.51617.378(0.000)(0.000)(0.000)低概率26.947453.044 8.757获资助学者(0.004)(0.000)(0.000)中概率55.481566.70911.456(0.000)(0.012)(0.000)高概率168.4811 982.24023.791(0.071)(0.000)(0.000)全部47.479565.62010.634(0.000)(0.012)(0.000)低概率25.324369.368 7.921未获资助学者(0.051)(0.000)(0.000)中概率51.174479.86510.391(0.000)(0.000)(0.000)高概率114.2731 089.45517.455(0.000)(0.000)(0.000)
当前不同年龄段的资助政策及创造力有所差异,且科学基金通常将项目分为青年项目和面上项目。因此,在研究资助属性对学者科研产出绩效的作用效率时可以按照年龄进行分层,参考国家杰出青年科学基金管理条目,将年龄45岁以下学者划分为青年学者,45岁(含)以上的为中老年学者,采用Tobit回归探讨学者的产出绩效差异,结果如表4所示。其中,全部学者资助项目数量增多显著促进了论文数量、总被引频次、篇均被引频次、论文数量增长率提升,且对发文量的作用效果尤为显著;平均资助金额能更显著地影响论文数量增长率和被引频次增长率两个动态性指标,但对静态截面指标的影响程度小于资助项目数量。总体上看,资助项目数量增加可整体显著提升学者的产出力和影响力,而平均资助金额增加更能扩大产出力和影响力的动态提升幅度。
无论是青年学者或是中老年学者,资助项目数量对发文量、总被引频次和篇均被引频次的影响均显著,且中老年学者资助项目数量对产出绩效的促进作用更大,但对于论文数量增长速率和被引频次增长速率的影响不大。在青年学者层面,平均资助金额对论文数量增长率、被引频次增长率有更显著的促进作用;在中老年学者层面,平均资助金额对被引频次增长率有正向作用。总体而言,两大群体资助项目数量增加均能有效促进产出绩效提升,但增加资助金额的影响却有差异:可帮助中老年学者提升产出力,巩固其影响力;对于青年学者,能加速其高质量论文产出,帮助其获得更广泛的关注并促进其学术成长。
本研究从论文和学者个人两个层面探讨科技项目资助对论文产出绩效的作用效率,发现相比未获得资助的论文和学者,获得资助能够显著提高学者的科研论文质量和论文产出绩效,具体结论如下:
(1)科技项目资助对论文产出绩效作用效率的普遍正向性与个案差异性。在人工智能领域,资助强度、资助种类、资助类型(国家资助和其它资助两种)在整体上均正向作用于论文引用影响力与载文期刊水平。具体而言,资助强度对各国和分支领域的论文质量均有显著影响;资助种类尽管在整体上正向影响论文水平,但在不同国家和细分领域的作用效果存在较大差异,如对中印两国具有显著正向影响,而对美法两国有负向影响,且在人工智能与跨学科应用交叉分支领域亦无显著提升作用。载文期刊水平间接展现了论文质量,资助种类和资助强度两个属性的作用效果存在较大差异,如对印度、西班牙两国没有显著影响,对人工智能与理论和方法领域存在负向影响,但对其它国家及领域的正向作用显著。此外,国家资助与其它资助两种资助类型指标在国家及领域层面对论文质量和载文期刊水平具有正向影响。不同的是,西班牙其它资助的作用效果显著优于国家资助,在人工智能与机器人学领域,其它资助对论文质量的作用效果更加明显,且国家资助与载文期刊水平无显著相关性。
表4 不同资助属性对学者产出绩效的回归分析结果
资助属性资助指标论文数量总被引频次篇均被引频次被引频次增长率论文数量增长率资助项目数量0.6340.3540.447-0.0470.310全部学者(0.000)(0.000)(0.000)(0.678)(0.008)平均资助金额0.1480.0380.107 0.2150.348(0.058)(0.518)(0.202)(0.002)(0.027)资助项目数量0.5630.3470.582-0.1830.271青年学者(0.000)(0.000)(0.000)(0.338)(0.145)平均资助金额0.008-0.025-0.018 0.6020.593(0.927)(0.671)(0.862)(0.000)(0.000)资助项目数量0.7530.4740.525-0.1960.147中老年学者(0.000)(0.000)(0.000)(0.140)(0.273)平均资助金额0.1900.0640.145 0.2550.102(0.051)(0.432)(0.143)(0.041)(0.407)
(2)科技项目资助对学者个人产出绩效提升的普遍有效性,以及对不同层次人员群体作用效果的差异性。整体而言,相比未获资助的学者,获得资助可显著提升学者的产出力和影响力,充分体现出项目资助的激励效果;资助项目数量可整体显著提升学者产出力和影响力,而平均资助金额增加更能扩大产出力和影响力的动态提升幅度。在依据科研水平分层的学者群体中,以较高概率获得项目资助的学者可产生高产出绩效;获项目资助的低、中、高概率学者的作用效率均高于未获资助的低、中、高概率学者,但除高概率者相差较大外,中、低概率者在影响系数上并未呈现较大差距,并且,与获资助的低、中概率学者相比,未获资助的高概率学者具有更高的产出绩效。在依据年龄划分的学者群体中,资助项目数量对中老年学者产出绩效静态指标的正向影响较大,平均资助金额对青年学者的论文绩效动态增长率指标具有更显著的提升作用。
在论文层面,关于资助种类、国家资助与其它资助指标对被引频次影响的研究结论与Gök等[6]的统计结果较为一致,而资助强度对论文质量的作用效率具有较大差异的原因可能是由于数据获取角度不同,Gök的数据源为整体国家,全面考虑到资助强度过高会导致盲目选择资助对象以及研究重点偏离,本文则以人工智能这一特定领域为研究对象,适当的资助强度有利于论文绩效提升,因而作用效果存在差别。本文在探究资助对被引频次影响程度的基础上,结合载文期刊水平,在一定程度上揭示出,增加中国及交叉学科人工智能与信息系统、人工智能与机器人学的资助种类并提升资助力度,有助于创造高水平的科研成果,从而提升我国学术影响力和学科综合实力,资助效果更加明显。现有研究已证实资助对学者个人产出绩效提升的有效性[9],说明本结论具有一定的可推广性。进一步地,研究资助对不同年龄学者群体的作用效果差异发现,中老年学者获得更高强度的项目资助,可更大幅度提升其产出力,巩固其影响力;青年学者可利用更多资助机会和资助额度,加速高质量论文产出,获得更广泛的关注并加速自身学术成长。
(1)针对不同国家和分支领域所呈现出的资助作用效率差异,可参考其它国家或地区的科技项目资助管理政策与制度,制定更加精准、有效的科技资助政策。对于我国来说,基金能促进学科发展,因此应不断加大论文资助力度,从而产生更多高质量成果。同时要注意,资助机构的重复支持是一种资源浪费,管理部门应加大对资助来源的掌控力度,减少相似类型的基金资助,进一步丰富资助种类,保证资金分配更加有效。同时,监管科技项目资助使用情况,保障基金使用的规范性,重视定时评估。相关部门应注重并促进优势交叉学科的发展,如对人工智能与跨学科应用领域大力提供国家资助,可在较大程度上提升我国科研水平;在人工智能与机器人学这一科技研发领域,可更多地鼓励其它行业机构进行资助,促进产学研对接,实现从科技成果到生产力的快速有效转化。
(2)针对不同学者群体所呈现的资助作用效果发现,为优秀人才提供高强度的基金资助,可进一步促进我国科学发展。因此,建议进一步完善科技项目资助制度,如在未来项目评审过程中,可首先建立申报人科研实力与潜力预评估模型,引入研究者综合学术影响力评价体系和潜力预测指标(参考研熵[19]等指标的使用),并结合申报内容的创新性与价值性,以及研究设计的科学性与可行性,有针对性地选择学者和课题进行资助,为更多优秀学者提供更好的支持。同时,针对不同年龄学者群体制定不同的资助策略,如对于青年优秀学者,应增加资助项目数量和资助金额,帮助其快速成长;对于中老年优秀学者,应给予更高强度的项目资助,稳固并提升其影响力,实现精准有效的资助。
本文也存在一定的局限性:由于在发文量和被引频次上都作了阈值限定,本文选取的学者样本大多属于高水平学者,代表性有所偏差,后续研究可以扩展样本范围,使得研究更具全面性。本研究领域仅限定于人工智能方面,得到的结论或许有领域局限,对其它领域的适用性有待进一步验证。
[1] 俞征鹿, 马峥, 郭红,等. 中国科技计划项目论文产出和影响力分析[J]. 情报杂志, 2013(4):1-5.
[2] JUE W, PHILIP S, BRAD W K. Is there a relationship between research sponsorship and publication impact? an analysis of funding acknowledgments in nanotechnology papers[J].Plos One, 2015, 10(2): 727.
[3] ZHAO S X, LOU W, TAN A M , et al. Do funded papers attract more usage[J].Scientometrics, 2018, 115(1):153-168.
[4] 马亮, 吴建南, 时仲毅. 科研项目绩效的影响因素:医学科学基金面上项目的实证分析[J]. 科学学与科学技术管理, 2012, 33(7):12-20.
[5] VANECEK J. The effect of performance-based research funding on output of R&D results in the Czech Republic[J]. Scientometrics, 2014, 98(1):657-681.
[6] ABDULLAH GÖK, RIGBY J, SHAPIRA P. The impact of research funding on scientific outputs: evidence from six smaller European countries[J]. Journal of the Association for Information Science & Technology, 2016, 67(3):715-730.
[7] 白玉, 郑童桐, 赵镇,等. 基于文献计量的国家自然科学基金资助效果分析:以南方医科大学为例[J]. 中国科学基金, 2016(4):340-345.
[8] FEDDERKE J W, GOLDSCHMIDT M. Does massive funding support of researchers work?evaluating the impact of the South African research chair funding initiative [J]. Research Policy, 2015, 44(2):467-482.
[9] 宋志红, 郭艳新, 李冬梅. 科学基金资助提高科研产出了吗?——基于倾向得分分层法的实证研究[J]. 科学学研究, 2016, 34(1):116-121.
[10] 田人合, 张志强, 高志. 基于分段线性回归模型的科学家个人科研产出规律研究——以杰青基金地球科学项目为例[J]. 图书情报工作, 2018, 62(1):106-116.
[11] KYVIK S. Age and scientific productivity, differences between fields of learning[J]. Higher Education, 1990, 19(1):37-55.
[12] SANDSTRÖM U. Research quality and diversity of funding: a model for relating research money to output of research[J]. Scientometrics, 2009, 79(2):341-349.
[13] JACOB B A, LEFGREN L. The impact of research grant funding on scientific productivity[J]. J Public Econ, 2011, 95(9):1168-1177.
[14] 缪亚军, 戚巍, 钟琪. 科学家学术年龄特征研究——基于学术生产力与影响力的二维视角[J]. 科学学研究, 2013, 31(2):177-183.
[15] 邱均平,赵蓉英,董克,等. 科学计量学[M]. 北京:科学出版社, 2016.
[16] 盛丽娜, 顾欢. “影响因子百分位”与h指数、累积h指数对期刊的评价效力分析[J]. 中国科技期刊研究, 2017, 28(2):166-170.
[17] 郭际, 吴先华, 吴崇. 基于DEA-Tobit模型的我国高校科技投入产出绩效评价及政策启示[J]. 科技管理研究, 2013, 33(23):65-70.
[18] YEGROSYEGROS A, RAFOLS I, D'ESTE P. Does interdisciplinary research lead to higher citation impact?the different effect of proximal and distal interdisciplinarity[J]. Plos One, 2015, 10(8):e0135095.
[19] SINATRA R, WANG D, DEVILLE P, et al. Quantifying the evolution of individual scientific impact[J]. Science, 2016, 354(12):39.