将网络基础设施生产函数模型应用于R1机构

《Frontiers in Research Metrics and Analytics》：Application of the cyberinfrastructure production function model to R1 institutions

生产函数模型在多所大学超级计算基础设施投资评估中的应用研究。通过历史数据和2025年调查数据，验证模型跨机构适用性，建立基于R&D支出、博士学位和论文发表的计算能力与人力成本基准模型。结果显示薪资投入贡献度更高（平均59%），但不同机构因学科结构、领导层变动等因素存在系数差异。研究提出结合机构特征和长期数据收集优化决策支持系统。

　　在高等教育领域，高性能计算（HPC）已成为科研和教学的重要工具。随着科技的快速发展，大学在基础设施投资上面临越来越多的挑战，尤其是在如何衡量和评估科研计算资源的价值方面。HPC不仅能够支持复杂的模型和模拟，还在人工智能等新兴技术领域发挥着关键作用。然而，这些资源的建设与维护需要大量的资金投入，且其价值难以直接量化。因此，如何在有限的资源条件下，合理规划和配置HPC投资，成为大学管理者关注的核心问题之一。

本研究的目标是探索一种基于生产函数模型的评估方法，用于衡量科研计算资源的投资回报，并进一步将其应用于机构的容量规划中。生产函数模型源自经济学领域，通常用于描述生产过程中投入与产出之间的关系。本研究将其应用于科研计算领域，旨在评估该模型是否可以广泛适用于不同类型的大学，并建立一个以产出为导向的HPC投资模型。通过这种方式，大学可以更好地理解科研计算资源如何影响其整体科研成果，如论文发表数量、博士毕业生数量以及研究支出等。

研究中收集的数据涵盖了五个R1类别的大学（即美国大学研究强度最高的大学）在2011年至2023年间的HPC容量和相关人员成本。这些数据结合了公开的科研产出指标，如国家科学基金会（NSF）的HERD调查数据、Scopus数据库中的论文数量、以及博士毕业生数量。此外，还通过2025年的调查获得了更多数据，进一步丰富了研究的样本范围。这些数据被用于建立多个模型，分别基于不同的产出指标，如R&D支出、博士毕业生数量和论文发表数量，以评估HPC投资与产出之间的关系。

在研究过程中，采用了Kendall Tau秩相关分析来评估投入与产出之间的相关性。结果表明，尽管某些机构（如Institution D）在博士毕业生数量方面的相关性较弱，但大多数机构的HPC投入与科研产出之间存在较强的正相关关系。这表明，科研计算资源的投资在一定程度上能够促进科研成果的产出，如论文发表和研究支出增长。然而，这种关系并非在所有机构中都一致，可能受到机构特有的因素影响，例如科研方向的差异、资金来源的稳定性以及管理策略的变化等。

基于这些相关性分析，进一步进行了生产函数回归模型的构建。模型结果显示，对于大多数机构，HPC容量和科研人员投入对产出的影响程度有所不同。例如，在基于R&D支出的模型中，科研人员投入对产出的贡献率显著高于HPC容量。而在基于博士毕业生数量的模型中，HPC容量和科研人员投入的比例相对均衡。这表明，不同类型的产出可能需要不同的资源分配策略，且科研人员的投入在推动科研成果方面具有更直接的作用。

研究还探讨了如何将这些模型应用于实际的容量规划。通过分析不同产出指标下的投资比例，提出了一个基准模型，用于指导大学在规划HPC投资时参考。例如，基于R&D支出的模型显示，每百万美元的科研支出对应约11.47 TeraFLOPS的HPC容量，而科研人员的投入则占科研支出的约0.29%。这些比例可以作为大学制定预算和资源分配的参考依据，帮助管理者在资源有限的情况下，做出更加科学和合理的决策。

此外，研究还指出，随着人工智能等新兴技术的发展，HPC的需求正在发生变化。传统的计算能力衡量标准（如FP64浮点运算）可能不再适用于未来的研究需求，而混合精度或低精度计算能力的提升将成为新的趋势。因此，未来的模型需要更加灵活，能够适应不同类型的计算需求，同时考虑机构的特定情况，如是否拥有医学院、是否为土地赠与大学等。

本研究的结果表明，生产函数模型在衡量科研计算资源的投资回报方面具有一定的通用性，但其效果受到机构特定因素的影响。因此，为了更准确地评估不同大学的HPC投资需求，需要进一步收集和分析更多机构的长期数据，以建立更加全面和精准的模型。同时，研究也指出，未来的工作可以探索HPC容量与科研人员投入之间的交互作用，以更深入地理解资源分配的优化策略。通过这些努力，大学可以更好地利用科研计算资源，提升其科研能力和竞争力。