In this paper, the PVAR model is used to establish a dynamic analysis model based on the data of 5.45 million SCI papers published by both Chinese and American researchers in the past ten years, to explore the interactive effect between research funding and scientific research output from the perspective of endogenous dynamics. There are four questions in this research. (1) What the rates of research fundings in different disciplines in China and the USA? (2) Did the research funding of the two countries promote scientific research output? (3) Did the research fundings have the same effect to scientific research outputs in China and the USA? (4) Did the research funding rates have the same effects on scientific research output in different disciplines?
The research results show that the funding rate in China and the USA had maintained a steady growth trend, with an increase of 13 percentage points in the past ten years. Due to differences in resource endowments and development stages, China and the USA had great differences in scientific funding. China was concerned with earth sciences, education and agriculture, while the USA was more concerned with biomedicine, energy and materials. Regarding the interaction effect between the funding rate and scientific research output, the funding rate was the Granger cause of scientific research output, and there was only a one-way Granger causality between the two. However, the relationship between funding rate and scientific research output was not consistent in China and the USA. Research funding promote scientific research output in the USA while inhibited scientific research output in China. As for the specific discipline, the funding rate in engineering fields with a significant increase over the past decade had a significant positive effect on scientific research output. However, due to the relatively small funding in the field of medicine and pharmacy in China, its expected effect on the scientific research output cannot be observed. In the USA, the funding rate had significantly boosted research output primarily in computer science.
The research results can provide data support and policy inspiration for China to formulate scientific and reasonable disciplinary development plans, accelerate its construction into a technologically innovative country, and seize the first-mover advantage in the future international competition between China and the USA. By exploring interactive effect between the research funding and scientific research output in various disciplines, this study elaborates the situation and challenges of China's science and technology funding. This not only points out the direction for the development of various disciplines in China in the future, but also provides references for the formulation of China's fund policy by quantitative analysis with accurate data, which is of great significance for China to accelerate the construction of an innovative country.
Yet, due to data limitations, we could only measure the output of scientific research by the number of papers, ignoring the investigation of dimensions such as patents. In the follow-up, the output of papers and the number of patent applications can be combined to further study the dynamic interaction between the funding rate and scientific research output.
二战以来,发达国家普遍以科学资助的形式支持科学研究,尤其是基础科学研究[1]。基金资助是科学资助的主要形式,业已成为科学发展的重要公共资源之一。基金资助为科研工作者提供设备购置、材料及人才培养所需资金支持,对于推动新兴前沿领域学科发展、提升国家科研实力具有至关重要的作用[2]。在微观层面,基金资助对提高科研产出[3]、提升学术影响力[4]、促进科研合作[5]、提高受资助论文引用频次[6]和被引频次[7-8]及入选ESI高被引论文[9]均具有正向影响。
论文是基金资助产出成果的主要表现形式,以论文衡量基金资助科研产出情况是比较常见的一种方式,有助于优化基金资助模式。2016年,我国论文产出首次超过美国跃居世界第一,但美国当前仍是科研投入第一大国。美国科研人才(高被引科学家)数量高居全球第一,占比接近全球人才数量的一半。近10年,中美科技研发经费投入逐年递增。世界银行数据显示,2018年,美国R&D经费投入占国内GDP比重为2.83%,位居世界第一。中国R&D经费投入19 677.9亿元,投入强度2.14%,比2017年增长了0.02个百分点,稳居世界第二。在此背景下,探究各学科领域基金资助差异及其与科研产出互动效应,掌握我国科技资助态势及存在的问题,不仅能够为我国学科发展指明方向,而且能够为我国基金政策的制定提供参考依据,使科技资源配置达到最优,对于我国加快建设创新型国家和世界科技强国具有重要意义。
科研资助是开展科学研究的必备条件,随着世界各国基金制度的日趋完善,各国政府对各学科基金资助力度不断加大,基金资助研究引起学者广泛关注。现有基金资助研究主要聚焦基金资助项目统计分析、基金资助绩效评价、不同学科资助方向、不同国家资助模式等方面。
基金资助统计分析研究主要借助基金项目数量和资助金额展现某一学科/地区/机构的发展态势。基金资助统计分析一方面有利于学者通过基金资助掌握学科发展现状与前沿,另一方面也可为学者申请项目资助或管理部门进行绩效分析提供数据支撑。李若筠等[10]通过对2009-2018年管理科学学科基金资助情况及国际重要期刊发表论文进行梳理发现,管理科学学科发展迅速且资助效果明显。此外,天文学[11]、海洋科学[12]、图书情报与档案管理[13]等也是重点资助学科。而通过对地区/机构基金资助进行分析发现,区域资助不均衡现象普遍存在,虽然得到基金资助的机构较为广泛,但存在严重的马太效应[14-15]。
随着基金管理部门对基金资助效果的日益重视,越来越多的学者对基金资助项目科研产出绩效进行了研究。禾雪瑶等[9]以2009-2018年ESI高被引论文为研究对象,发现我国有80%的高被引论文受到基金资助,基金资助对我国高被引论文产出及科研影响力起重要推动作用;王辉等[16]从国家重点实验室出发,探讨基金资助对科研效率、科研影响力和科研水平的影响。此外,还有学者基于科学家受资助年龄[17]、论文使用次数[6]、国际科研合作网络[5]等视角对基金资助科研产出绩效进行研究。
由于学科差异,基金资助在不同学科之间有不同的资助方向。其中,自然科学(化学、工程、物理、神经科学)基金资助比例高于人文社科基金资助比例[18]。在医学领域同样存在资助优先权问题,如对癌症的研究投入较多,但对低收入群体疾病研究则投入较少,尤其忽视了一些热带疾病基金资助[19]。此外,与基础研究相比,临床研究和医院研究得到基金资助的概率较低,但临床研究获得基金资助的可能性随着合作机构数量增加而增加[20]。
基金资助存在国别差异。Wang等[21]以2009年10个国家/地区的SCI论文为数据基础,探究各国基金资助特征发现,中国基金资助来源单一,受单一资助机构主导,而美国则受双重资助机构主导。邱长波等(2016)通过比较中日两国多项基金资助的关联特征发现,我国基金资助来源比较单一;陈秋怡等[22]研究发现,与双重基金资助机构和多元基金资助机构相比,单一基金资助机构主导模式下的基金论文被引频次最高;Zhao等[23]以经济学领域为例,应用科学计量学和网络分析法研究主要国家/地区的资金比率、指数关系和资助模式;Zhang等[24]以中英两国主要医学研究资助机构的重点资助项目为例,探究资助优先级与卫生公共需求之间的相关性,发现两国基金资助项目大多投入到对公民健康影响最大的疾病上。不同的是,相比于英国医学研究理事会(MRC),我国NSFC医学科学部基金资助所涵盖的疾病种类较少。
综上所述,由于数据处理的复杂性,现有文献以单一学科对基金资助进行研究较多,从全学科视角展示基金资助特征的研究较少。此外,在论证基金资助与科研产出之间的关系时,通常多为简单的描述统计及相关性分析,未深入研究两者之间的因果关系或双向互动效应。许多研究虽然揭示了基金资助结构与结果之间的关联关系,但针对特定基金资助结构与结果关系的探讨较少[25-26]。为此,本文构建PVAR动态分析模型,以中美两国2009-2018年在SCI发表的545万篇学术论文为数据基础,从内生性动态视角探究基金资助与科研产出之间的互动效应。本文重点解决如下问题:①中美两国全学科领域基金资助具备哪些特征?②中美两国基金资助能否促进科研产出,科研产出是否反哺了基金资助?③同一学科领域基金资助幅度与科研产出效应在中美两国是否会产生不同的结果?④不同学科领域基金资助幅度对科研产出的促进作用是否不尽相同?本文通过绘制全学科基金资助图谱,全面比较中美两国重点科研投入与基金资助学科差异,深刻揭示中美两国不同学科领域基金资助与科研产出之间的关系,不仅可为我国制定科学合理的学科发展规划、加快创新型国家建设提供参考,还能为中国在国际竞争中抢占先发技术优势提供启示。
本文主要探讨基金资助与科研产出之间的互动效应。科研产出是科研工作者进行科学研究所产生的新知识/新发现。科技论文作为科研成果的重要载体,常被用来衡量科研产出[17,27]。此外,还有论文被引频次[28]、博士毕业人数[29]等其它衡量指标。本文借鉴相关研究成果,采用科研论文量度量科研产出。
基金资助数据来源于SCI论文中的FU字段,在Web of Science核心合集数据库进行检索,检索式为“CU= China(不包含中国台湾)/United States AND PY=2009-2018”,限定文献类型为Article,分别获取中美两国论文发文量226.8万篇和318.4万篇。Web of Science核心合集数据库包含254个学科,其中有178个学科隶属于SCI(Science Citation Index Expanded)。在获取的题录数据中,WC字段代表学科信息。运用最新的JCR映射,在WC字段中进一步筛选属于SCI学科的数据。在Web of Science中,论文学科归属通过期刊进行分类,即将论文先归属于某个期刊,再将某个期刊映射到某一学科。由于期刊可以同时映射到多个学科,所以一篇论文有可能同时隶属于多个学科。针对这种情况,本文采取全计数方式进行处理,即对每个学科重复计数。
关于学科领域划分,借鉴莱顿大学学者Nees Jan van Eck设计的学科分类体系,进一步将178个SCI学科划分为5个学科领域:计算机科学(Computer Sciences,包含20个学科)、人文社会科学(Humanity and Social Sciences,包含7个学科)、生命与地球科学(Life and Earth Sciences,包含35个学科)、医学和药学(Medicine and Pharmacology,包含69个学科)、工程(Engineering,包含47个学科)。
本文借鉴以往学者的研究,选取某一学科基金资助论文比例作为学科资助幅度指标(Funding Rate,简称FR),用以衡量某一学科的资助特征,并计算两个不同时期资助幅度增长作为学科资助增幅指标(Growth of Funding,简称GF),用以判断过去10年学科投入是否有所增加。
用资助幅度衡量学科受资助论文的总体规模,可以反映该学科所受重视程度。通过国别比较来识别各自优势学科及劣势学科,对于学科发展规划和基金资助布局具有重要启示。学科资助增幅可以反映学科成长变化,某一学科资助增幅越大,说明发展前景越好,也就越会受到国家重视,也就越会吸引科研人员投身于学科建设。本文对学科资助幅度进行如下定义:
(1)
其中,i代表学科,NF代表受基金资助的论文数量(Number of papers supported by funding),N代表论文总数。
GFi=FRi,t2-FRi,t1
(2)
其中,i代表学科,t1和t2,代表不同时期,本文t1选取2009-2010年,t2选取2017-2018年。
本文获取的是动态面板数据,能够降低重要变量缺失对反向因果关系的不良影响。PVAR模型最早由Holtz等[30]提出,其综合考虑了个体差异和因变量滞后项,可以精准地对向量自回归结果进行估计[31]。PVAR由于能够较好地解决内生性问题,估计结果也更科学和准确,目前已被广泛应用于经济学领域[32],但在科学计量学领域应用较少[33]。PVAR原始模型公式如下:
(3)
在式(3)中,yi,t表示包含内生变量的向量;αi表示个体异质性;vi,t为个体时点效应;μi,t为随机扰动项,且服从正态分布。参照PVAR原始模型,为探讨基金资助幅度与科研产出关系,本文构建如下模型:
(4)
其中,ln (paper)代表科研产出,为避免异方差问题,提高模型的准确性和可解释性,对论文数量进行对数处理。fr代表基金资助幅度。
格兰杰因果检验是经济学领域较为重要的因果检验方法,最早由Granger[34]在1969年提出。他利用信息集概念,基于事件发生的时序性对因果关系作出一般性假设。其最初界定为:假设有两个时间序列{Xt}和{Yt},并构建如下公式:
(5)
在式(5)中,如果至少有一个β不为0,则变量y是x的格兰杰原因。然而,时间序列数据作为真实连续变量样本,观测频率选取可能会影响因果关系判断的准确性(曹永福,2006)。本文首先使用格兰杰因果检验基金资助幅度与科研产出之间的因果关系,再进一步利用脉冲响应函数分解资助幅度正交冲击对科研产出的影响,进而阐述资助幅度与科研产出之间的互动特征。
3.1.1 整体趋势
2009-2018年中美两国178个SCI学科基金资助整体趋势如图1所示。由图1可知,整体而言,中国基金资助幅度比美国高13%。中国平均基金资助幅度为86.22%,美国为73.96%。2009—2018年,中美两国基金资助幅度呈稳步增长态势,且两者增长趋势较为一致。中国从2009年的76.40%增至2018年的89.71%,增长了13.31个百分点;美国则从2009年的64.55%增至2018年的77.47%,增长了12.92个百分点。
2009—2018年,中美两国基金增长幅度越来越小并趋于饱和。2009—2013年,中国基金资助幅度由76.40%增至87.84%,增长了11.44个百分点,但2014-2018年由88.06%增至89.71%,5年仅增长了1.65个百分点。同样,2009-2013年美国基金资助幅度由64.55%增至74.79%,增长了10.24个百分点,但2014-2018年由75.33%增至77.47%,5年仅增长了2.14个百分点。导致中美两国基金资助幅度增长逐渐趋于平缓的可能原因在于:一是整体资助幅度达到饱和状态;二是科研论文产出速度超过以往。如中国在2009年仅产出论文11.4万篇,但到2018年就产出37.4万篇文章,增长了3倍多。
图1 2009-2018年中美两国178个SCI学科基金资助整体趋势
Fig.1 Overall trend of funding for 178 SCI disciplines in China and the USA from 2009 to 2018
3.1.2 中美两国各学科资助幅度
为探究中美两国各学科基金资助的差异性,找出各自优势或特色学科领域,绘制全学科基金资助图谱,如图2所示。从中可见,无论是中国还是美国,资助幅度最高的都是生命与地球科学、工程这种需要借助大量实验和调研活动的学科领域。在中国,这两个领域有90%以上的论文均受到基金资助,美国则有80%。而计算机和医药领域比较复杂,由于不同学科属性差距较大,导致学科领域内部受资助幅度差距也较大。例如,计算机硬件比软件更需要基金支持,而药学比临床医学更需要实验设备投入。中国由于更偏重硬件领域,因此对于计算机资助幅度较高;而美国医药产业发达,对医药产业资助幅度更高。
图2 中美两国178个SCI学科基金资助幅度
Fig.2 Funding rate of 178 SCI disciplines in China and the USA
注:图中横坐标轴代表178个SCI学科在中国的基金资助幅度,纵坐标代表在美国的基金资助幅度。每个坐标点代表一个SCI学科,斜线上方点代表美国对该学科的资助幅度超过中国,斜线下方点恰好相反,表示中国对该学科资助幅度超过美国。坐标点大小代表资助幅度差值,坐标点越大,说明中美两国对学科的资助幅度差异越大。左上方嵌入图展现了中美两国在学科领域层面的资助幅度
就具体学科而言,中国基金资助幅度较高的学科是渔业(Fisheries)、地质学(Geology)、进化生物学(Evolutionary Biology)、土壤学(Soil Science)、古生物学(Paleontology)等与自然相关的地球科学。这些学科资助比例较高一方面是因为发文量基数小,另一方面由我国特殊的地理环境所决定。我国历史悠久,疆域辽阔,地质复杂,且拥有全球第四长绵延1.8万km的海岸线,因此对渔业、地质学和考古学等学科更为重视。但在美国,细胞生物学(Cell Biology)、病毒学(Virology)、发育生物学(Developmental Biology)、生物化学与分子生物学(Biochemistry Molecular Biology)、细胞与组织工程(Cell Tissue Engineering)等生物医学才是资助幅度最高的学科。相比之下,中美两国资助幅度较小的学科差异较小。如资助幅度最小的10个学科中有6个是中美两国共有的学科,分别为科学史与科学哲学(History & Philosophy of Science)、急诊医学(Emergency Medicine)、医学伦理学(Medical Ethics)、手术(Surgery)、护理学(Nursing)、骨科(Orthopedics)。
由于中国学科资助幅度整体高美国10%,所以中国大部分SCI学科资助幅度都高于美国。为更好地展示中美两国学科资助差异,进一步绘制2009-2018年中美两国学科资助幅度排名,以消除资助幅度绝对值的影响,如图3所示。从中可见,美国在医药领域基金资助优先级高于中国,平均资助幅度排名超过中国26个位次。另外,也有个别医药领域学科基金资助优先级低于中国,如兽医学(Veterinary Sciences)在中国资助幅度排名第17,在美国资助幅度排名仅为152,相差135个位次。相比之下,中国对生命与地球科学和计算机科学基金资助优先级较高,平均资助幅度排名分别超过美国35和29个位次。
图3 中美两国学科资助幅度排名
Fig.3 Rankings of funding rate between China and the USA
注:斜线上方学科表示其在美国的科研投入优先级高于中国,下方学科表示其在中国的科研投入优先级高于美国。坐标点大小代表排位差值,坐标点越大,表示基金资助优先级差异越大
由于中国是农业大国,“三农”问题一直受到我国政府高度重视,所以在中国资助幅度排名占优势的前10个学科中,有5个学科皆与农业相关。这5个学科分别为土壤科学(Soil Science)、农学(Agronomy)、农业综合(Agriculture Multidisciplinary)、农业工程(Agricultural Engineering)、农业、乳业和动物科学(Agriculture, Dairy Animal Science)。而美国资助幅度排名占优势的前10个学科均与医学相关。如风湿病学(Rheumatology)在美国资助幅度排名第49,在中国排名第151,相差102个位次。再如,医学研究与实验(Medicine Research Experimental)在美国资助幅度排名第76,在中国仅排名第152,相差76个位次。
3.1.3 中美两国各学科资助增幅
2009-2018年,中美两国几乎所有学科在基金资助幅度上均有大幅上升。中国资助增幅较大的学科大多与教育、农业和能源相关,美国资助增幅较大的学科则与能源和材料相关。教育是民族振兴、社会进步的基石。随着中国经济总量不断攀升,国家对于教育尤其是高等教育的投入不断增加。2008年《国家中长期教育改革和发展规划纲要》研究工作的正式启动,促进教育改革进一步发展。基于此,2009-2018年,中国学科教育(Education, Scientific Disciplines)资助增幅最大,从32.89%增至72.95%,增幅为40.06%;其次是核科学与技术(Nuclear Science & Technology),从53.54%增至89.06%,增幅为35.52%。另一项与核相关的核物理学科增幅也较大,排在第九位,从68.18%增至93.55%,增幅为25.37%。对美国来说,这两个学科资助增幅同样很大,分别为34.90%(从44.05%增至78.95%)和32.05%(从57.24%增至89.29%)。增幅排名第一的是石油工程,从15.58%增至56.10%,增幅为40.52%。这是因为,2008年美国发生次贷危机后政府实施了量化宽松政策,导致能源金融化程度加深。值得注意的是,中国虽然有些学科总体资助幅度较低,但资助幅度增长较快、资助增幅较大,如科学史与科技哲学(从39.53%增至65.22%,增幅为25.69%)、急诊医学(从24.14%增至48.67%,增幅为24.53%)等学科,如图4所示。
图4 中美两国资助增幅最大的Top10学科
Fig.4 Top10 disciplines with the greatest growth of funding in China and the USA
进一步比较中美两国学科资助增幅排名发现,2009-2018年,中美两国工程和计算机学科资助增幅排名均处于上升趋势,且工程学科上升幅度超过计算机科学。但两国医药领域学科资助增幅排名处于下降态势,生命与地球科学领域学科资助增幅排名变化不大。中国计算机科学和工程学科资助增幅排名分别上升13个位次和27个位次,美国分别上升10个位次和23个位次。在医药领域,中国下降2个位次,美国下降19个位次。具体到细分学科,中国农业综合(Agriculture, Multidisciplinary)排名上升位次最多,提高124个位次(排名从165上升到41)。美国核物理(Physics Nuclear)排名上升位次最多,提高92个位次(从排名116上升到24)。
3.2.1 总体样本比较
(1)平稳性检验。在构建模型前,首先对面板数据各变量进行平稳性检验,以避免“伪回归”问题。本文分别通过LLC与IPS对各变量进行单位根检验,结果如表1所示。从中可见,4个变量均为平稳序列。
(2)滞后期选择与格兰杰因果检验。本文运用信息准则法选取最佳滞后阶数,综合AIC准则、BIC准则与HQIC准则后,选择滞后1期数据对美国资助幅度与科研产出动态关系进行检验,选择滞后2期对中国资助幅度与科研产出关系进行检验。本文构建PVAR模型对各变量进行格兰杰因果检验,结果如表2所示。从中可见,美国与中国资助幅度是科研产出的格兰杰原因,分别在0.05和0.01水平下显著。这表明,中美两国基金资助幅度均能够显著促进科研产出。但中美两国科研产出均不是基金资助幅度的格兰杰原因,表明中美两国基金科研产出对基金资助幅度的影响不显著。另外,变量之间存在单向格兰杰因果关系,说明基金资助幅度是科研产出的格兰杰原因。
表1 各变量单位根检验结果
Tab.1 Unit root test results
变量名称 定义 IPS 检验LLC 检验结论In(China_paper)In(中国_发文量)-8.026 6***-26.427 1***平稳In(USA_paper)In(美国_发文量)-13.765 4***-34.075 6***平稳China_fr中国_资助幅度-8.095 3***-19.372 7***平稳USA_fr美国_资助幅度-12.694 5***-28.185 1***平稳
注:*、**、***分别表示在0.1、0.05、0.01水平下(双尾),相关性显著;下同
表2 格兰杰因果关系检验结果
Tab.2 Granger causality test results
原假设:不是变动的原因滞后期F值P值结论资助幅度是科研产出的格兰杰原因(美国)15.160 70.023 0**拒绝原假设科研产出是资助幅度的格兰杰原因(美国)11.135 80.287 0接受原假设资助幅度是科研产出的格兰杰原因(中国)313.5530.004 0***拒绝原假设科研产出是资助幅度的格兰杰原因(中国)31.859 70.602 0接受原假设
(3)中美总体样本GMM估计结果。为对回归方程进行更加精准的估计,需要克服内生性问题。传统计量经济学估计方法假设条件极为苛刻,如最小二乘法、极大似然估计法只有在满足假设条件下才能够得到准确的估计结果。因此,本文选取广义矩估计法(GMM),该方法能够克服异方差及内生性问题,并得出有效的估计结果。GMM估计法包括差分GMM和系统GMM两种估计形式,系统GMM能够克服差分GMM处理随时间变化的变量系数的局限性,从而提高参数估计效率。因此,本文运用系统GMM估计方法探究中美基金资助幅度与科研产出关系。以发文量作为科研产出的代理变量,同时考虑到内生性问题,将滞后期发文量与基金资助作为解释变量纳入模型。
由表3可知,在美国估计结果中,滞后1期发文量及基金资助幅度分别在0.01和0.05水平上显著,同时滞后1期基金资助幅度对科研产出具有正向影响。在中国估计结果中,滞后1期、2期、3期发文量系数均为正,在0.01水平上显著,滞后2期基金资助幅度系数在0.01水平上显著为负,表明我国科研产出受到自身过去的正向影响,而基金资助幅度对于科研产出产生负向抑制作用。可能原因在于:一方面,美国基金资助体系比较成熟,已经建立较为系统、完备的同行评议质量控制机制[35],基金资助通常能够收获相应科研产出。而中国基金资助体系较为分散,资助效果在学科层面具有显著差异,存在个别学科基金资助抑制科研产出的现象;另一方面,学科资助不均衡现象导致科研产出“边际效应递减”,未受到足够资助的学科无法产生相应优质科研成果,这与田文灿等[15]的研究结论一致。如在纳米生物医学领域,虽然中药学、肿瘤学、神经系统和精神疾病等学科受到较多基金资助,但科研产出却低于平均水平。此外,在机构和个人层面均存在这种现象。孙玉涛等[36]以化学学科为例研究海外人才引进计划对“211”工程大学科研产出的影响,发现如果高水平大学人力资本要素投入达到临界值,科研产出增量将会逐渐减少;在个人层面,未获得基金资助概率与低概率获得者在科研产出方面无显著差异,而高概率获得者比中等概率获得者具有较高的科研产出水平(宋志红等,2016)。
表3 中美总体样本GMM 估计结果
Tab.3 GMM estimation results for the full sample of China and the USA
变量名LagUSAChinaIn(paper)10.552 6***(0.106 1)0.403 8***(0.060 5)20.132 5***(0.048 3)30.098 4***(0.034 5)fr10.418 2**(0.184 1)-0.132 1(0.368 0)2-0.434 6***(0.034 5)30.356 2***(0.132 5)
(4)中美总体样本脉冲响应。为更好地解释变量之间的持续互动关系,本文绘制脉冲响应图刻画基金资助与科研产出之间的互动关系,以检验基金资助受到单位标准差冲击后对于科研产出的影响。由图5可知,中国基金资助受到一个标准差正向冲击对科技产出产生负向影响,经历波动后,在第6年逐渐趋于零。而美国基金资助受到一个标准差冲击后,当期即产生正向影响,并迅速攀升,在第2年达到最高值,随后逐渐衰减并在第10期无限趋于零。以上结果与GMM估计结果一致。
图5 中美两国总体样本脉冲响应图
Fig.5 Impulse responses of the full samples of China and the USA
注:横轴表示滞后期数(年) ,中间曲线为脉冲响应函数曲线,外侧两条曲线代表两倍标准差置信区间,下同
3.2.2 不同学科领域比较
(1)中美分学科领域系统GMM估计结果。为探究中美基金资助对科研产出的不同影响,分别选取医药、工程、生命与地球科学及计算机科学4个学科,分析不同学科领域背景下基金资助幅度与科研产出的动态关系。中美各学科领域系统GMM估计结果如表4所示。在中国各学科领域中,仅工程领域基金资助对科研产出在0.01水平上具有显著正向影响,医学和药理学基金资助对科研产出在0.1水平上具有显著负向抑制作用。中国各学科科研产出均受自身过去的影响,即滞后1期科研产出均在0.01水平上显著为正。而美国仅计算机科学基金资助幅度显著促进科研产出,生命与地球科学基金资助幅度对于科研产出具有显著抑制作用。这与上文基金资助特征分析较为一致,即中国对医学和药理学重视程度较低,美国对生命与地球科学重视程度较低,两个学科基金资助在中美两国均未获取相应期望的科研产出。关于基金资助幅度与科研产出互动效应,基金资助幅度是科研产出的格兰杰原因,二者仅存在单向格兰杰因果关系。然而,中美基金资助幅度与科研产出关系不一致。中国基金资助幅度对科研产出具有抑制作用,这主要是由于我国对医药学科基金资助力度较小,未能产生预期科研产出。相比较而言,中国工程领域基金资助幅度对科研产出具有显著正向影响。《中国制造2025》提出,智能制造和“互联网+”是未来我国制造业转型升级的新方向以及全球制造业发展的新趋势,要将信息化与工业化融合,着力发展信息技术、机器人、高档机床等领域[37]。2017年印发《增强制造业核心竞争力三年行动计划(2018-2020)》,提出要加快制造业智能化、绿色化、服务化,切实增强制造业科技含量和核心竞争力。中国工程学科资助增幅排名呈上升态势,表明中国正朝着从制造大国迈向制造强国的目标前进。
总体而言,美国基金资助幅度能够显著促进科研产出,其中计算机科学基金资助幅度对科研产出的促进作用最为显著。2007年,移动互联网浪潮的开启引领全球新一轮科技产业迅速崛起。2009年,美国实施科技创新国家战略并首次发布《美国创新战略1.0》,提出推动科技创新,加大科技创新投入。2015年《美国创新战略2.0》继续强化科技创新,互联网技术更新促进科技迅猛发展。2018年,全球十大互联网企业中有7家美国公司,可见美国对互联网行业和计算机科学领域极为重视。
图6为中美工程领域及计算机科学领域脉冲响应图。从中可见,中美计算机、地球科学、工程学科脉冲响应与系统GMM估计结果高度一致。在工程领域,中国基金资助投入一个标准差冲击对科研产出产生正向影响,在第二期影响程度最高;而美国工程领域基金资助幅度投入一个标准差冲击未对科研产出产生显著影响。在计算机领域,中国基金资助幅度投入一个标准差正向冲击对科研产出产生负向影响,随后变为正向影响,但是影响程度甚微。而美国基金资助幅度投入一个标准差对科研产出产生显著正向影响,在第一年达到高峰,随后逐渐趋于零。
表4 中美分学科领域GMM 估计结果
Tab.4 GMM estimation results for different subject areas in China and the USA
国别变量名滞后期医学和药理学(发文量)工程生命与地球科学计算机科学中国In(paper)10.595 4***(0.062 5)1.063 1***(0.370 6)0.874 8***(0.074 5)0.737 2***(0.136 0)20.122 8**(0.050 0)fr1-0.605*(0. 263 7)0.678 7***(0.048 5)-1.619 5(1.346 1)0.827 5(1.333 2)20. 111 9(0. 143 4)美国In(paper)10.636 0***(0.116 9)0.875 4*(0.522 3)0.278 2(0.445 6)0.435 0**(0.203 8) 20.522 7**(0.216 0)0.292 5***(0.073 1) 3-0.056 6(0.145 8)0.038 1(0.144 8) 4-0.195 9(0.154 3)fr10.212 9(0. 280 2)-0.159 9(0.274 9)-0.691 7**(0.284 6)0.652 1**(0.284 5)2-0.321 2(0.277 1)0.022 2(0.224 4)3-0.483 3(0.303 7)0.330 0(0.257 2)40.322 1*(0.184 7)
注:由于人文与社会科学交叉领域只包含7个SCI学科,且每年论文数量较少,不具有比较意义,故仅保留其它4个学科领域报告结果
本文以中美545万篇SCI论文数据为研究样本,从全学科比较视角出发,系统分析中美两国之间的学科资助特征,并运用格兰杰因果检验、PVAR模型和脉冲响应函数分析基金资助与科研产出的动态交互效应,以及该效应在不同学科领域之间的差异,得出如下结论并提出相应建议。
(1)随着中美两国财政支出对科研投入的不断加大,中美两国基金资助幅度保持稳步增长态势,2009-2018年增长13个百分点,基金资助成为科研产出的基本保障。中美两国由于资源禀赋和发展阶段不同,在学科资助上也存在较大差异。中国更关注地球科学、教育和农业,而美国更关注生物医学、能源和材料。相比较而言,我国生物医药、能源和材料等学科资助幅度较小。为此,我国应合理配置资源,一方面要巩固优势学科发展地位,另一方面也要对资助幅度较小的学科进行适当扶持。如加大生物医学、能源和材料等学科资助,以在相应学科前沿领域实现追赶与超越。与此同时,也要考虑不同学科发展规律和发展潜力,对重点学科予以重点资助。在加大政府公共科技财政支出的同时,鼓励社会资助,拓展基金投入渠道,打造多元化资助体系。
(2)关于基金资助幅度与科研产出互动效应,基金资助幅度是科研产出的格兰杰原因,两者仅存在单向格兰杰因果关系。然而,中美基金资助幅度与科研产出关系不一致。整体而言,中国基金资助幅度对科研产出具有抑制作用,美国基金资助幅度则能够显著促进科研产出。因此,我国首先应主动学习发达国家的基金资助管理经验,并结合我国国情加强科学基金同行评议质量控制;其次,借助信息技术辅助管理,使基金资助管理更加规范化和精细化;再次,注意资助学科均衡,避免出现“边际效应递减”。对于非重点资助学科,可以使用“小额资助”形式提高项目资助比例。同时还要减少重复资助,避免科研资源浪费。另外,精力充沛、思想活跃、敢于创新探索的科研人员是科研产出的中坚力量,基金资助应给予重点倾斜。
图6 中美两国工程和计算机科学领域脉冲响应图
Fig.6 Impulse response of engineering and computer science in China and the USA
(3)由于我国对医学和药学领域资助幅度较小,未产生预期科研产出,但资助增幅较大的工程领域却对科研产出产生显著正向影响;美国计算机科学基金资助幅度显著促进科研产出。中美两国都比较重视生命与地球科学、医学和药学领域,但两者均未实现预期科研产出,可能原因在于这两个领域发文量仅作为科研产出衡量指标之一。为此,我国政府首先应加大优势学科领域投入,对未产生预期科研产出的学科领域,一方面要寻求更有效的基金配置方式,另一方面应构建完善的基金资助项目监督与考核体系,加强科研人员管理;其次,制定相关激励政策激发科研人员积极性,加强国际合作与交流,提高高校科研产出;再次,推动专利等科研成果转移转化,构建良好的科研生态系统,促进企业与高校协同创新。
由于数据受限,本文仅以论文产出量衡量科研产出,忽视了专利维度考察,且未考虑一些涉密类资助项目,未来可将论文产出量与专利申请量相结合,进一步研究基金资助幅度与科研产出的动态交互效应。此外,需要延长时间尺度并针对具体学科进行相应探讨,以使研究结论更加准确、稳定。
[1] 龚旭. 政府与科学——说不尽的布什报告[J]. 科学与社会, 2015, 5(4): 82-101.
[2] LANE J. Assessing the impact of science funding[J]. Science, 2009, 324(5932): 1273-1275.
[3] 孟婧, 邱长波, 于宝君. 国家自然科学基金对科技论文资助效果研究综述[J]. 情报科学, 2019, 37(12): 166-171.
[4] 王菲菲, 贾晨冉, 刘俊婉. 科技项目资助对论文产出绩效的作用效率测度研究——以人工智能领域为例[J]. 科技进步与对策, 2019, 36(16): 26-33.
[5] 许鑫, 杨佳颖, 李丹. 科学基金资助下的国际科研合作网络演进:基于WOS物理学数据的计量分析[J]. 情报杂志, 2019, 38(2): 49-55,48.
[6] 李昕洁. 基金论文的使用次数是否高于非基金论文[J]. 图书馆论坛, 2019, 39(2): 11-17.
[7] 张诗乐, 盖双双, 刘雪立. 国家自然科学基金资助的效果——基于论文产出的文献计量学评价[J]. 科学学研究, 2015, 33(4): 507-515.
[8] ALVAREZ-BORNSTEIN B, BORDONS M. Is funding related to higher research impact? exploring its relationship and the mediating role of collaboration in several disciplines[J]. Journal of Informetrics, 2021, 15(1):101-102.
[9] 禾雪瑶, 马廷灿, 岳名亮, 等. 国家自然科学基金资助论文的高被引率变化研究[J]. 数据分析与知识发现, 2021, 5(2): 61-69.
[10] 李若筠, 吴登生, 徐伟宣, 等. 中国管理科学学科发展态势计量分析[J]. 中国管理科学, 2020, 28(3): 223-230.
[11] 刘强, 董国轩, 常翔. 2019年度国家自然科学基金天文学科常规项目申请和资助情况分析[J]. 天文学进展, 2019, 37(3): 359-365.
[12] 张灿影, 鲁景亮, 王琳, 等. 中美自然科学基金海洋科学资助效果与SCIE论文产出比较研究[J]. 世界科技研究与发展,2021,43(6):677-690.
[13] 陈柏彤, 赵飞, 刘龙江. 国家科学基金视角下图书情报与档案管理学科发展分析[J]. 图书情报知识, 2020,38(2):113-122.
[14] 党亚茹. 基于SSCI的中国社会科学论文基金资助分析[J]. 重庆大学学报(社会科学版), 2010, 16(5): 55-61.
[15] 田文灿, 胡志刚, 焦健, 等. 国家自然科学基金纳米生物医学领域资助项目绩效分析[J]. 中国科学基金, 2019, 33(1): 62-70.
[16] 王辉, 刘佳, 钟永恒, 等. 国家自然科学基金资助现状与效果分析——基于国家重点实验室的视角[J]. 科技管理研究, 2020, 40(18): 29-36.
[17] 田人合, 郑军卫, 张志强, 等. 科技人力资本视角下杰青科学家资助年龄对资助效果的影响——以杰青基金地球科学项目为例[J]. 图书情报工作, 2019, 63(22): 91-105.
[18] XU X, TAN A M, ZHAO S X. Funding ratios in social science: the perspective of countries/territories level and comparison with natural sciences[J]. Scientometrics, 2015, 104(3): 673-684.
[19] VANDERELST D, SPEYBROECK N. Scientometrics reveals funding priorities in medical research policy[J]. Journal of Informetrics, 2013, 7(1): 240-247.
[20] ALVAREZ-BORNSTEIN B, DIAZ-FAES A A, BORDONS M. What characterises funded biomedical research? evidence from a basic and a clinical domain[J]. Scientometrics, 2019, 119(2): 805-825.
[21] WANG X, LIU D, DING K, et al. Science funding and research output: a study on 10 countries[J]. Scientometrics, 2012, 91(2): 591-599.
[22] 陈秋怡, 刘海波. 科研基金资助投入与高水平国际论文产出研究——基于六国SCI论文的实证分析[J]. 中国科技论坛, 2018,34(1): 158-163.
[23] ZHAO S X, YU S, TAN A M, et al. Global pattern of science funding in economics[J]. Scientometrics, 2016, 109(1): 463-479.
[24] ZHANG L, ZHAO W, LIU J, et al. Do national funding organizations properly address the diseases with the highest burden: observations from China and the UK[J]. Scientometrics, 2020, 125(2): 1733-1761.
[25] 阅读者的力量——2020年度信息资源与数据管理阅读书单[J]. 信息资源管理学报, 2021, 11(1): 123-135.
[26] FORTUNATO S, BERGSTROM C T, BÖRNER K, et al. Science of science[J]. Science, 2018, 359(6379):1007.
[27] 田人合, 张志强, 高志. 基于分段线性模型的科研项目论文产出评价研究——以杰青基金地球科学项目为例[J]. 科技进步与对策, 2019, 36(1): 142-151.
[28] FUYUNO I, CYRANOSKI D. Cash for papers: putting a premium on publication[J]. Nature, 2006, 441(7095): 792-793.
[30] JACOB B A, LEFGREN L. The impact of NIH postdoctoral training grants on scientific productivity[J]. Research Policy, 2011, 40(6): 864-874.
[30] HOLTZ-EAKIN D, NEWEY W, ROSEN H S. Estimating Vector Autoregressions with Panel Data[J]. Econometrica, 1988, 56(6): 1371-1395.
[31] 孙正, 张志超. 流转税改革是否优化了国民收入分配格局——基于“营改增”视角的PVAR模型分析[J]. 数量经济技术经济研究, 2015, 32(7): 74-89.
[32] 苏屹, 李丹. 研发投入、创新绩效与经济增长——基于省级面板数据的PVAR实证研究[J]. 系统管理学报, 2021,29(4): 763-770.
[33] 徐海峰, 王晓东. 现代服务业是否有助于推动城镇化——基于产城融合视角的PVAR模型分析[J]. 中国管理科学, 2020, 28(4): 195-206.
[34] GRANGER C W J. Investigating causal relations by econometric models and Cross-spectral Methods[J]. Econometrica, 1969, 37(3): 424-438.
[35] 张璐杰, 张小秋. 国外科研资助机构同行评议质量控制机制及启示[J]. 科技进步与对策, 2017, 34(11): 114-117.
[36] 孙玉涛, 张艺蕾. 海外人才引进计划提升了我国大学科研产出吗——以“211”工程大学化学学科为例[J]. 科研管理, 2021, 42(10): 20-27.
[37] 黄群慧, 贺俊. 中国制造业的核心能力、功能定位与发展战略——兼评《中国制造2025》[J]. 中国工业经济, 2015,33(6): 5-17.