高等教育效率评估：实证研究综述

"这篇研究论文是对高等教育效率评估的综合回顾，涵盖了1997年至2018年的76项实证研究。作者Vanesa D’Elia和Gustavo Ferro对这些研究进行了分类，主要依据所采用的方法、输出、输入、质量和上下文变量的定义。大部分研究（72%）运用了非参数方法，而最新的研究倾向于使用面板数据。完成的学位作为最常见的输出变量被广泛使用，但仅有9篇论文考虑了质量变量。此外，虽然参数方法的论文中只有少数考虑了观察到的异质性，但有40%以上的参数模型纳入了环境变量以应对这种异质性。该综述对关注高等教育效率的研究人员、政策制定者及教育领域相关人员具有重要参考价值。" 在高等教育效率的测量中，各种方法和技术被广泛应用。非参数方法，如数据包络分析（Data Envelopment Analysis, DEA）和随机前沿分析（Stochastic Frontier Analysis, SFA），是评估效率的常用工具。DEA是一种非参数技术，能够处理多个输入和输出变量，不依赖于特定的函数形式，但可能忽视了效率变化的内在随机性。相反，SFA考虑了生产过程中的随机误差，允许分析效率损失的原因，如技术退化或不可控的外部因素。 在这篇综述中，完成的学位被多数研究用作衡量高等教育机构效率的主要输出指标。然而，仅包含学位数量的评估可能不足以全面反映教育质量，因为质量是高等教育的重要组成部分。因此，只有9篇论文尝试量化并纳入质量变量，这表明在效率研究中对高等教育质量的衡量仍存在不足。 另一方面，参数方法，如生产函数分析，通常用于考虑投入和产出之间的定量关系，但在处理异质性时可能面临挑战。为了克服这一问题，超过40%的参数研究选择包括环境变量，这有助于解释不同机构之间效率差异的观察到的异质性，例如地理位置、财政资源、学生背景等因素。 这篇论文的重要性在于它提供了对过去二十年间高等教育效率研究的全面概述，这对于理解当前的研究趋势、方法论选择以及未来研究的潜在方向至关重要。对于政策制定者来说，这些信息有助于制定更有效的资源分配策略，以提高教育系统的整体效率。同时，对于研究人员，它可以指导他们设计更为严谨且全面的效率评估模型，考虑更多的变量，如质量、异质性和动态变化。