自科基金赋能高校科研创新：基于机器学习与面板数据的因果分析

Abstract

本文整合国家自然科学基金项目申请、评审与科研产出的微观数据，构建个体层面面板数据集，系统评估了科学基金资助对科研产出的因果效应。在方法论上，本文创新性地运用机器学习技术从非结构化的同行评审文本中提取特征信息，据此构建工具变量，有效克服了科研资助因非随机分配带来的内生性难题。研究发现：科学基金资助短期内显著提升了科研产出数量，但其长期效应可能被传统方法高估；资助的促进作用在产出质量上呈现结构性非均衡特征，论文增长主要集中于中低影响力期刊，对高水平期刊论文及发明专利等成果的推动力有限；机制分析揭示了资助通过缓解资本约束与拓展合作网络的双重路径发挥作用。上述发现为国家自然科学基金当前推行的提升项目申请质量，及强化资助源头创新的改革导向提供了有力的证据支持。