高等学校绩效评价报告

高等学校绩效评价报告
高等教育研究中心1
简介：本报告为全国教育科学规划国家重点课题“高校绩效评价研究”（批准号： AIA090007）的研究成果。

本课题由中央教育科学研究所高等教育研究中心承担，研究报告于2009年12月9日在《中国教育报》第 1版上发表。

高校评价是保证高校办学质量、提高高校办学效益的重要手段，对促进高校发展具有重要意义。

目前的评价与排行大都是依据高校既有存量进行的绝对评价，此类评价在提高高等教育质量方面发挥了重要作用，但也应看到绝对评价的缺陷非常明显，它不关注高校发展的条件和发展效益。

开展绩效评价是对绝对评价的有益补充。

我们针对72所教育部直
属高校进行了绩效评价尝试。

一、高校绩效评价可以弥补绝对评价的不足
随着我国高等教育进入大众化阶段，各种民间机构组织实施的高校评价及排行日益增多。

这些评价对促进高校发展发挥了积极作用，但也存在着明显的不足。

一是偏向以绝对量为评价标准，二是偏向对绝对量进行累加。

由于存在上述偏向，其结果很容易导致一些负面影响。

第一，形成评价的“马太效应”。

产出绝对量增加慢，绝对评价越低，获得资源的条件越弱；获得资源的条件越弱，产出绝对量增加越慢，绝对评价越低。

这不仅不能充分体现高校办学资源的“边际效应”，而且还会损害高校的办学积极性。

第二，加重资源的“自然获得”。

长期以来，在我国高校财政资源配置上受建校历史、认定性重点、地区发展需要以及现有发展实力等自然性因素影响很大，高校的资源获得并未进入完全竞争状态。

绝对评价支持并加重了资源自然获得的惯性，绝对评价低的学校很难获得国家资源的有利配置，将陷入更为艰难的办学境地。

第三，强化高校的“利益聚集”。

学者维斯曾指出，在评估那些得到公共力量支持的实体时，会盘根错节地牵扯到政策的形成过程以及相关的利益群体。

事实正是如此，作为高等教育的主要承担者，我国公立高校以及一些重点高校也得到了公共权力的绝对支持，
1课题主持人：张男星；核心成员：卢彩晨、吕华、张小萍、孙继红、王春春并进而借助相关利益群体及其所附着的政治力量来影响决策并获得政策倾斜。

绝对评价强化了高校的“利益聚集”，绝对评价高的
学校更容易聚集和壮大利益群体，并借此获得更多的政策支持和社会资源。

二、高校绩效评价可以满足政府和高校新需要
绝对评价自身的不足使其较难满足现实中以下两个方面的新需要，但高校绩效评价则可以从中发挥优势。

一是满足政府实施高校绩效拨款的需要。

政府有限的但仍然在逐年增加的财政拨款究竟发挥了多大作用？如何促使国拨资源配置向发展效益好的学校倾斜？如何为政府实施绩效拨款提供依据？高校绩效评价能够为政府解决这些问题提供有益的信息和数据支撑。

二是满足高校了解办学资源利用情况的需要。

高校或出于缺乏对资金支出绩效的认识，或出于追求近期发展效果的目的，在办学过程存在忽视资源利用效益的现象。

如有的高校资金到账以后缺乏控制，突击花钱；有的改变资金使用方向，资金结构性浪费；专项拨款获得学校则凭借既定获得身份更加关注怎样“多获得”而无暇顾及资金的使用效益，等等。

高校的资金使用效益状况必然波及人力、物力配置的有效程度，从而影响高校的发展。

绩效评价可以反映高校的资源利用情况，为高校调整与配置办学资源提供参考。

三、高校绩效评价的基本思想与思路
（一）基本思想
高校绩效评价是运用一定的评价方法和标准，对高校利用办学资源实现其职能的效益进行综合性评价。

本研究的高校绩效评价是基于投入一产出理论的绩效评价，其基本思想是将投入向量与产出向量组成二维结构，依据“产出/投入”的数学模型构建体现高校绩效
的“投入一产出关系值”来评价高校的绩效，即从高校资源利用效益方面评价高校的绩效。

（二）基本思路
依据文献和专家讨论筛选出最初的投入和产出指标，通过典型相关方法、聚类分析方法再次筛选并确立指标，选取主成分分析法获得投入综合指标得分和产出综合指标得分，运用“高校绩效得分=产出综合指标得分/投入综合指标得分”（产出/投入）数学模型测算出高校的绩效值。

1
选择绩效评价方法有两个准则：第一，评价方法能综合体现投入与产出在数量、质量、功效、价值等方面的统一关系；第二，评价方法有助于将多产出、多投入比的问题，转化为单产出（函数）和单投入（函数）比，进而得到高校绩效值。

为此，本研究选择的评价方法有典型相关方法、聚类分析方法、主成分分析法，以便于设计和筛选投入、产出指
（2）筛选与确定指标 第一轮筛选：典型相关分析
典型相关是研究两组变量之间相关性的一种统计学分析方法。

在统计分析中，针对单 一变量间的相关关系可以计算简单相关系数，针对单一变量与一组变量之间的关系可以计 算复相关系数或者回归，但是计算两组变量之间的相关系数要计算典型相关系数。

典型相关方法可以将多变量与多变量的相关转变为两组典型变量间的相关，典型相关 分析建立的第一对典型变量的原则，是尽量使所建立的两个典型变量之间的相关系数最大 化，即在两个变量组各自的总变化中寻找它们之间最大的一部分共变关系，并用一对典型 变量所描述。

然后，继续在两组变量剩余的变化中寻找第二个最大的共变部分，形成第二 对典型变量，并解出第二维度上的典型相关。

标，将其降维后计算投入综合指标得分和产出综合指标得分，再运用“产出 /投入”数学模
型计算出高校的绩效分值。

2
（1）初设指标
投入指标确立的依据是能重点反映高校办学在人力、物力、财力三方面的投入，产出 指标的确立依据是能重点反映高校在人才培养、科学研究与社会服务三方面的职能。

为 此，结合相关文献研究成果，经过专家讨论设立的最初投入指标 14项和产出指标16项。

其
中，当量在校生数 =普通本、专（高职）生数
+硕士生数X 1.5+博士生数X 2+留学生数X 3+
预科生数+进修生数+成人脱产班学生数+夜大（业余）x 0.3+函授生x 0.1。

当量学历在校留学 生数=本、专
留学生数+硕士留学生数X 1.5+博士留学生数X 2。

初设的产出指标（16个）
初设的投入指标（14个）
校本部教职工总数（num ）
博士学历教师占专任教师比例（doc_per ） 副高以上比例（fg_per ）
研究与发展全时人年数（r_d ） 社科/科技活动人员数（s_r ） 科研经费投入（r_input ） 教育经费投入（edu_input ） 其他经费拨款投入（other 」nput ） 本年完成基建投资总额（bnwctz ） 固定资产总额（cap_assert ） 实验室（实习场所）面积（lab ） 图书册数（lib_book ） 图书馆面积（lib_area ） 教室面积（cla_room ）
（tech_ in come ）
（right_ in come ）
当量在校生数（stu ）
当量学历在校留学生数（ for_stu ) 百篇优秀博士学位论文数 (hundreds_doc ) 国内学术刊物发表论文数 (homepaper) 国外学术刊物发表论文数 (forpaper) 国际学术会议提交论文数 (in ter_c on)
出版专者数（book ）
国豕最咼科学技术奖特等奖数（m_prize ） 国家三大科技奖一等奖数 ( f_prize )
国家三大科技奖二等奖数
( s_prize)
发明专利授权数（right ） 鉴定成果数（iden_res ）
国家级项目验收数（coun try_pro ）
技术转让当年实际收入金额
专利出售当年实际收入金额
省部级科学研究与发展成果奖数
（pp_priz
这样的过程不断继续，直至所有变化部分被提取完毕。

第二轮筛选：聚类分析
聚类分析是多元统计分析中的一种定量分类方法，旨在把“性质相近”或“相似”的变量（R型聚类针对变量）聚在一起，使每一类变量之间具有较大的相似性，更具代表性和简明性，既能保留指标信息，又能避免指标信息的重复。

在进入指标的聚类分析前，先将投入指标和产出指标进行标准化处理（Z分数转换），目的是消除各指标的量纲影响，使指
标之间具有可比性。

聚类分析的过程：①基于R型聚类，分别对投入指标和产出指标进行聚类；②基于产
出指标组和投入指标组的阕值，分别确定产出指标组以及投入指标组划分的类别，每一类通过计算相关系数、变异系数等方法进行分析，确定筛掉的指标；③基于筛选前指标对样本进行聚类，并基于筛选后指标对样本进行分类，比较前后分类结果，如果结果较为稳定，则说明所挑选指标在最具代表性的同时，保留了原有指标信息的最大化。

四、高校绩效评价的尝试
为了使高校绩效评价思想和方法不停留于描述层次，本研究对72所高校2006— 2008
三年的投入与产出进行了绩效评价的初步尝试，数据来源为2006年、2007年、2008年三年
的《教育部直属高校基本情况统计资料汇编》。

（一）筛选评价指标
1 第一轮基丁碘型和关分析的指标筛选：相关性曲度
在最初确定的投入指标组（14个指标）和产出指标组（16个指标）之间，采用 STATA 统计软件的canon命令进行处理，得出如下结果。

（1）典型相关系数及其检验
表1典型相关系数
序号典型相关系数Pr>P
1 0.9719 0.0000**
2 0.8980 0.0000**
3 0.8416 0.0000**
4 0.6142 0.0000**
5 0.5322 0.0000**
6 0.4181 0.0004**
7 0.3728 0.0070**
8 0.3515 0.0364*
9 0.304 0.1474
由表1可知，经过x 2统计量检验，以0.05为显著性水平，前八对典型变量间的相关系数较高，因此，我们基于前八对典型变量作进一步的投入与产出变量筛选。

（2）投入与产出变量的选择
分别计算每一个投入变量和每一个产出变量与前八组典型变量之间的典型负荷，在 P<0.05的显著性水平，除鉴定成果（iden_res ）这项指标外，其余的投入（产出）指标间 都与某项典型投入（产出）变量之间存在显著的相关关系，这说明所选择的产出指标组和投 入指标组之间存在不同程度的相关关系。

因此，经过投入一产出指标组相关性的筛选后， 有15项产出指标和14项投入指标进入下一轮的筛选。

2
在进入指标的聚类分析前，先将投入指标和产出指标进行标准化处理 （计算Z 分数）， 目的是消除各个指标的量纲影响，从而使得指标之间具有可比性。

在图 1和图2中，我们呈
现了基于平均距离的聚类方法的分类结果，直观地看，在 2.5的闋值下，投入指标分为
11
类，其中｛校本部教职工总数、研究与发展全时人员、社科 /科技活动人员｝为一类，｛教育
经费投入、固定资产总额｝为一类，其余指标各为 1类；产出指标分为13类，其中｛当量在 校生数、
国内学术刊物发表论文数 ｝为一类，｛国外学术刊物发表论文数、发明专利授权数
｝
为一类，其余指标各为 1类。

using Average Lxnkagr (Between Gcoup^)
Rescaled DxstaMe Cliuter C«nbinc 0 5 10 15
■U1D +-— -■---+■
图1投入指标的聚类图
E>endrQgT«Ki using Average L 丄hkage (Between Groups)
"Hu zhomepaiper ?pp_priae iforpaper zright Einter_con
图2产岀指标的聚类图
1
Z3_r 5 sr d
A 器丄 ib_book
12 zlftb
11 ishiyc^xnput
T
9 as input
6
S idoc_per
2
3 zcla roctDi
14
13 abnuct E
10
CASE 0
Labe 丄 Hum
CASE
Re sealed Distance Cluster Coedalne
5 10 15 20
25
10 4 11
steeh^xneoM! Ehundred_doc shook
z r lght_±nco -me zfprlle
基于指标聚类分析结果，需要在投入指标类｛校本部教职工总数、研究与发展全时人员
数、社科/科技活动人员数｝，｛教育事业经费投入、固定资产总额｝，以及产出指标类｛当量在校生数、国内学术刊物发表论文数｝、｛国外学术刊物发表论文数、发明专利授权数｝中分别挑出最具代表性的指标。

经过统计分析与研究，从这三类指标组中最后挑选出的指标为：校本部教职工总数、研究与发展全时人员、当量在校生数、国外学术刊物发表论文数。

其余指标落选的原因如下：
“社科/科技活动人员数”指标的落选原因：一是该指标与“校本部教职工总数”的相关系数高达0.947，与“研究与发展全时人员数”的相关系数为0.918，“校本部教职工
总数”与“研究与发展全时人员数”的相关系数为0.832，这说明这三项指标间的信息重
叠性非常大；二是该指标与“校本部教职工总数”、“研究与发展全时人员数”指标的原始数据变异系数依次为 0.564、0.630和0.869，从变异系数越大指标区分度越高的角度来看，“社科/科技活动人员数”的代表性较低。

“固定资产总额”指标落选原因：高校财力成本主要表现为教育投入、科研投入以及基建投入，固定资产来自于这三方面投入的多年累积，它与教育投入、科研投入以及基建投入的相关性都比较大，其所含信息可以由其余几项指标包含。

“国内学术刊物发表论文数”指标落选原因：①该指标与“当量在校生数”的相关性高达
0.91，说明这两项指标所含信息重叠较大；②该指标更多体现了学校产出的规模特点，而当量学生数是衡量学校规模的传统指标。

“发明专利授权数”指标落选原因：①该指标与“国外学术刊物发表论文数”指标的相关系数高达 0.87，说明“发明专利授权数”与“国外学术刊物发表论文数”两项指标的信息重叠量非常之大；② 15所财经类院校在这项指标上全为0，从可比性而言，该项指标
并不理想；③“专利出售当年实际收入”较好地体现了学校发明专利的质量状况。

（二）验证与确定评价指标
1
为了衡量删除指标后样本信息的流失情况，我们基于原始的14项投入指标、16项产出
指标，以及筛选后的12项投入指标、13项产出指标，在每一年度，分别对72所高校进行
快速聚类分析（均分为3类，共进行了 12次快速聚类）。

表2呈现了各个年度基于投入（产出）指标组进行聚类分析所得到的学校所属类别间的简单相关系数，从中可以看出，前后两次样本聚类信息的相关系数最低为0.616 5，最高达到0.975 2，表明删除两个投入指标以
及3个产出指标并未对样本聚类情况造成太大的影响，这说明筛选的指标代表性比较好，基本包含了分析对象具有代表性的特征信息，能够较好满足指标设计的特异性原则和代表性原则。

2006年产出指标2007年产出指标2008年产出指标
筛选后13
0.9341
一2007年产出指标
项产岀指标一亠「丄一
2008年产出指标
2
用筛选前的14项投入指标对样本进行主成分分析，其中前三个主成分合计包含了78 77%勺信息；用筛选后12项投入指标进行主成分分析，包含了9.34%的信息。

将两组主成
分得分进行典型相关分析，计算得到三对典型变量间的相关系数分别为0.999 9 (0.000 )、0.999 4 (0.000 )以及0.997 9 ( 0.000 )，其中括号外的数字为对应的相关系数，括号内
的数字为该相关系数对应的显著性水平。

接下来，用筛选前的16个产出指标对样本进行主成分分析，其中前四个主成分合计包含了
79.64%的信息，用筛选后的13个产出指标对样本进行主成分分析，其中前四个主成分合计包含了81.61%的信息；将两组主成分得分进行典型相关分析，计算得到四对典型变量间的相关系数分别为0.999 4 (0.000 )、0.995 9 (0.000 )、0.984 9 (0.000 )以及 0.882 3 ( 0.000 )，其中括号外的数字为对应的相关系数，括号内的数字为该相关系数对应的显著性水平。

经过这样的筛选和验证之后，最后确立的12项投入指标和13项产出指标将放入绩效评
价模型运行。

(三)测算产出和投入得分
要计算投入指标的综合得分以及产出指标的综合得分，关键在于如何确定单个投入指标和单个产出指标的权重。

权重用于衡量在综合指标中单个指标的贡献程度，研究所确定的权重合理与否，将直接影响到结论的公正性和准确性。

本研究选择兼有信息量权数和系统效用权数性质的主成分分析权数。

为了能尽可能保留已确立指标的信息，我们运用主成分分析法分别计算年度产出、投入指标得分。

1
对13项产出指标进行主成分分析，计算得到各个主成分的特征值及其方差贡献率，如表3。

表3产出主成分的特征值及其方差贡献率
原始特征值及方程贡献率
主成分
特征值方差贡献率累计方差贡献率
1 6.0883
2 0.468332 0.468332
2 1.80214 0.138626 0.606959
3 1.5405 0.1185 0.725459
4 1.179
5 0.090731 0.816189
5 0.534689 0.04113 0.857319
6 0.45202
7 0.034771 0.892091
7 0.357962 0.027536 0.919626
8 0.274512 0.021116 0.940743
9 0.257338 0.019795 0.960538
10 0.219926 0.016917 0.977455
12 0.100715 0.0077470.995185
主成分个数提取的一个原则是提取主成分对应的特征值大于1的前几个主成分。

因
此，只需要用四个主成分就可以替代原先13个指标所包含的81.6 %的信息。

通过因子载荷
矩阵，将因子负荷除以对应特征值的平方根，就可以得到每一个主成分对应的特征向量表，进而分别得到 3个主成分对应的函数（函数式略）。

然后，将2006—2008年各学校的
各项产出指标数据代入 3个主成分函数中，即可计算出各年度各学校的3个主成分得分。

由
于方差贡献率描述了各主成分在反映各个原始指标信息量方面的能力大小，所以，将各主成分的方差贡献率作为各主成分的权重，实际上就是一种客观赋权。

因此，以各主成分的方差贡献率比重为权数，对4个主成分进行加权平均，就可得到产出指标得分。

计算公式为：丫=（0.468 3 X F1+0.138 6 X F2+0.118 5 X F3+0.090 7 X F4） - 0.816
2,其中，Y表示产出指标的综合得分，F1表示第一主成分得分（0.468 3为第一主成分的
方差贡献率），F2表示第二主成分得分（0.138 6为其对应的方差贡献率），F3为第三主
成分得分（0.118 5是对应的方差贡献率），F4为第四主成分得分（0.090 7是对应的方差
贡献率），0.816 2是前4个主成分的累计贡献率。

将各产出指标的值代入公式即可得到各学校各年度的产出指标综合得分，基于各指标的三年算术平均值可得到三年整体产出综合得分。

2
对12项投入指标进行主成分分析，计算得到各个主成分的特征值及其方差贡献率，如
表4。

表4投入主成分的特征值及其方差贡献率
原始特征值及方程贡献率
主成分
特征值方差贡献率累计方差贡献率
1 6.71515 0.559596 0.559596
2 1.50945 0.125788 0.685383
3 1.29610
4 0.108009 0.793392
4 0.804224 0.067019 0.860411
5 0.439151 0.03659
6 0.897007
6 0.288161 0.024013 0.92102
7 0.26585 0.022154 0.943174
8 0.22384 0.018653 0.961828
9 0.193344 0.016112 0.97794
10 0.14795 0.012329 0.990269
11 0.070119 0.005843 0.996112
12 0.046657 0.003888 1
基于在产出指标中提取主成分同样的准则，我们对投入指标也取前3个主成分替代原
先的12个指标，可以包含全部指标的79.33 %的信息。

将2006—2008年各学校的各项投入
指标数据代入3个主成分的函数中，计算出各年度各学校的3个主成分得分，以各主成分的
方差贡献率比重为权数，对3个主成分进行加权平均，得到投入指标综合得分。

投入指标
综合得分的计算公式为：Y=（0.559 5 X F1+0.125 7 X F2+0.108 0 X F3） - 0.793 4，其中，Y
表示投入指标的综合得分， F1表示第一主成分得分（0.559 5为第一主成分的方差贡献率）， F2表示第二主成分得分（0.125 7为其对应的方差贡献率）， F3为第三主成分得分（0.108 0是对应的方差贡献率）， 0.793 4是前3个主成分的累计贡献率。

将各投入指标的值代入公式即可得到各学校各年度的投入指标综合得分，基于各指标的三年算术平均值可得到三年整体投入综合得分。

（四）测算高校绩效得分
在计算绩效得分之前，先将前面研究中得到的投入指标综合得分和产出指标综合得分进行 T分数的折算，使其均为正值。

运用高校绩效得分 i=mean（T_Outcome）imean（T_lnput）i 数学模型，测算出 72所高校2006—2008年三年的绩
效得分。

72所高校的三年整体投入综合得分、三年整体产出综合得分、三年绩效整体得分及排序如表5所示。

注：，绩效得分越高表明该校绩效状况越好。

2 m 二兰,m 叩史叫,：i・.w、-■,■■ j；-.： -：■'.■■ vi：-
■■.■>'；-：.i-i.. [ :,■■■■■]].:-u dm.》|八严u诂左-
入排序之中。

（五）评价结果的DEA方法验证
为了对基于“产出/投入”模型的高校绩效评价结果进行方法上的验证，我们沿用所确立的投入和产出指标，就三年数据取算术平均值后对72所高校基于 DEA方法进行绩效评
价，结果表明：整体绩效排序前20名的学校，全为DEA有效学校；整体绩效排序后 20名的
学校，有60%为DEA有效学校；整体绩效排序位于最后10名的学校，只有30%为DEA有效学
校。

通过这两组样本的t检验从统计学上证明，DEA有效学校的三年整体绩效得分确实显著高于DEA无效学校。

这说明，基于“产出/投入”模型的绩效评价结果与基于DEA模型的绩效评价结果具有
较强的一致性（并非等同），DEA模型运算结果从方法的角度验证了本研究计算所得高校绩效分值的相对合理性与有效性。

（六）结果分析
本次尝试表明，高校绩效评价能显示出高校产出、投入与绩效之间的关系，相对客观地反映高校的发展效益；作为一种评价手段，高校绩效评价可以为高校资源的重新配置提供依据和参考。

1滅效沪押号绝対评楡苇结果并非对应。

从绝对量得分（“三年整体投入综合得
分”、“三年整体产出综合得分”）和绩效得分来看，高校投入与产出的绝对量与绩效评价
之间并不一定对应。

产出绝对量或投入绝对量排序靠前的，绩效排序不一定靠前。

所以，
绝对评价得分高的学校，绩效评价不一定高，反之亦然。

2—产出与绩效之间形成了两大类六种组合，第一类是“高绩效”，主要原因是资源的充分利
用，表现为三种组合：高投入一高产出、低投入一高产出、低投入一低产出；第二类是
“低绩效”，主要原因是资源没有得到充分利用，也表现为三种组合关系：高投入一高产出、高投入一低产出、低投入一低产出。

尽管，分类中的“高与低”只是相对而言，但仍然表明，绩效的高低与投入一产出的高低不相对应，绩效偏高的高校不一定投入就偏高，即使投入和产出都偏高的高校也会出现绩效偏低现象。

可见，影响高校绩效的主要因素是资源的合理、有效利用。

3
试发现：东部地区高校的投入得分、产出得分和绩效得分都高于西部和中部地区，西部地区高校的投入综合得分低于中部地区，其产出综合得分却与中部地区高校差异不大，但绩效偏高。

五、高校绩效评价是对绝对评价的补充与丰富
本次高校绩效评价仅是一次实践尝试，仍然有许多问题有待思考和改进。

1
观的统计法筛选，但在反映高校办学质量上仍会有所欠缺。

如反映论文质量的指标，考虑到学术界对核心期刊、转引含义的异议颇多以及尽量兼顾文理学科的特点，此次尝试中未采用现有评价常用的核心期刊论文数和转引数等指标。

另外，指标权重采用的是方差贡献率，属于统计学赋值，主观判断不够，也可能会影响到一些学校的绩效结果。

因此，高校绩效评价还可以对评价指标的代表性、全面性以及权重赋值等方面作进一步研究，以便更好地反映高校办学质量和特色。

2
法（DEA和随机边界函数分析法（SFA。

DEA方法属于非参数方法，如果决策单元评价值为1就为有效，否则即为无效，但在有效样本以及无效样本内部我们无法简单地对评价值的大小进行排序对比分析；而SFA方法属于参数法，需要预设函数（生产函数、成本函数
等），对于模型的无效项必须设定其分布形式；由于本次绩效评价属于尝试，所以，我们采用了综合投入产出法及“产出 /投入”这一相对简单的模型，仅把DEA方法作为验证方法使
用。

运用此方法和模型有可能忽略掉不同高校在某些投入或产出指标上的特色或优势，进而会对该校整体评价结果产生一定影响，所以，在未来高校绩效评价中还可以在方法和模型建构上进一步加以改进，以期能更准确、有效、公平地评价高校绩效。

33年的数据，虽有一定的代表性，但还不足以完全反映高校的实际成效以及体现高等教育产出的滞后性特点。

其中，中国石油大学、中国
矿业大学、中国地质大学虽各自分为两个校区的大学，但由于在一些指标上的数据难以分离，只能将6校合为3校。

所以，高校绩效评价尝试的结果只是一种粗略的结果，仅仅是为了验证绩效评价的基本思想和方法，不具有对高校分等的指向。

4
重点、方式和渠道也会不同，必然会出现在投入或产出上的不同优势与特点，但此次绩效评价的尝试并没有对高校进行分类，也就不能将不同高校的办学特色很好地体现出来。

高校绩效评价的尝试说明，囿于方法、模型、数据的相对简单和不充分，绩效评价尝试的结果还欠稳定，需进一步研究和长时间追踪。

所呈现的高校绩效评价结果及排序，只是为了更好地直观反映高校投入、产出、绩效及其关系状况，以便进一步对高校的整体绩效状况、各个高校的资源配置、区域特征等多方面内容进行综合而具体的分析。