产出效率评价（精选10篇）
产出效率评价 篇1
1 引言
近年来, 广东省区域创新能力不断增强。广东在国内率先出台《广东省实施自主创新促进条例》。2012年广东的技术自给率从53.9%上升到68%, 研究与实验发展经费支出占生产总值比重从1.3%提高到2.1%。PCT国际专利受理量、发明专利授权量稳居全国第一。电子信息、新能源、高端装备制造、生态环境等重点领域的一批关键技术取得突破, 基因组、超材料、干细胞、中微子等方面创新成果跻身国际领先水平。省部院产学研合作获得显著成效, 共实施合作项目2万多项, 累计实现产值超过1.2万亿元。获得“973”首席科学家项目37项。
党的十八大报告中提出“创新驱动发展战略”, 科技作为创新驱动力的作用不断凸显。当前阶段, 广东省正处于经济结构调整的加速期、产业转型升级的攻坚期和科技创新的活跃期。截至2012年, 广东省R&D投入强度已达2.1%, 不断增加的科技投入对广东省的社会经济发展起到了积极的促进作用, 而如何追寻科技投入与科技产出的最佳平衡点, 成为了各级政府关注的重点。因此, 对科技投入产出效率进行评估, 进而指导资源的合理、高效运用具有重要意义。
由于科技活动是一个多投入、多产出的过程, 传统的投入产出比例法和参数法已不再适用, 学者们更多采用非参数法来计算投入产出效率, 而DEA模型是最常用的方法之一。通过收集相关数据, 本文从技术有效性和规模有效性角度分别对广东省2000-2012年的科技投入产出效率进行实证分析, 以期为相关部门提供参考。
2 指标体系构建
科技投入是指支持开展科技活动的投入, 即生产性投入, 主要分为人力投入和财力投入两个方面, 二者紧密联系, 相辅相成。其中, 人力投入是根本, 是促进科技发展的原动力, 财力投入是保障, 是加大人力投入的助推器。因此, 在人力投入方面, 主要选择专业技术人员数、R&D人员数和从事科技活动人员数3个指标;在财力投入方面, 主要选择科技活动经费支出总额和地方财政科技拨款总额两个指标。
科技产出是指科学研究与技术创新活动所产生的各种形式的成果, 是科技投入的直接反映, 主要包括知识产权和高新技术两个方面。其中, 科技论文和专利是知识产权的主要表现形式, 分别体现知识创造成果和技术发明成果, 而技术市场合同成交额直接反映了出售专利或技术转让所获得的收入;高新技术产业是国民经济的战略性先导产业, 其能否健康发展决定着产业结构能否顺利转型升级, 主要可以用高新技术产业总产值和新产品销售收入两个指标来衡量 (见表1) 。
3 DEA模型
数据包络法 (DEA) 由著名运筹学专家A.Charnes和W.W Copper首次提出, 是一种以“相对效率”概念为基础的多指标投入产出效益评价方法。通过构建DEA模型, 不仅可以对决策单元的有效性进行排序和评价, 还能进一步分析各决策单元非DEA有效的原因及改进方向。
假定n个决策单元DMU, 每个DMU都有m个非负输入指标和s个非负输出指标, 分别可表示为Xi= (x1i, x2i, …, xmi) , Yi= (y1i, y2i, …, ysi) , 对应的权重向量分别为Vj= (v1j, v2j, …, vmj) T, Uk= (u1k, u2k, …, usk) T, 其中i=1, 2, …, n, j=1, 2, …, m, k=1, 2, …, s, 构建的DEA (C2R) 模型如下所示:
为了便于求解, 引入剩余变量s+和松弛变量s-, 可得到相应的对偶规划模型:
4 实证分析
通过查阅广东统计年鉴、广东科技年鉴、中国科技统计年鉴及广东省科技局、统计局网站等, 获取了广东省2010-2012年的科技投入产出数据。鉴于科技产出具有滞后性, 选取滞后期为1年。
4.1 数据标准化
由于不同指标之间的差异较大且单位不同, 不具有可比性, 采用内差打分法将各指标数据进行无量纲化处理, 从而得到评价指标的规范化结果。因为选取的指标都为正向指标, 所以可以统一对指标进行如下变换, 令
其中, pij为第i年第j个指标标准化处理后的评价值, qij为第i年第j个指标的原始值, qj*max为第j个指标在所有评价年份中的最大值, qj*min为第j个指标在所有评价年份中的最小值。标准化后的结果如表2所示。
4.2 相关性分析
经验法则表明, 决策单元DMU的样本数至少是投入、产出指标之和的两倍以上时, 使用DEA方法效果最佳。因此, 利用SPSS 17.0软件分别对投入、产出指标间的相关性进行分析, 剔除相关性极强的指标, 以期精简指标体系。相关性分析的结果显示, R&D人员数与从事科技活动人员数, 科技活动经费支出总额与地方财政科技拨款总额, 高新技术产业总产值与新产品销售收入总额, 发明专利授权量与技术市场成交合同额之间的相关性分别都达到0.95以上, 因此删除从事科技活动人员数、科技活动经费支出总额、新产品销售收入总额和技术市场成交合同额这4项指标。简化后的指标体系如图1所示。
4.3 结果分析
4.3.1 效率分析
以广东省2000-2012年间每一年的科技投入产出作为决策单元, 运用DEAP 2.1软件进行求解, 可得到每一年的综合效率值、纯技术效率值和规模效率值, 见表3所示。
由表3可见, 2000-2012年, 广东省的科技投入产出效率有6年达到DEA有效 (θ=1) , 有5年处于DEA有效边缘 (0.9<θ<1) , 整体而言, 广东省的科技投入产出效率平均值达0.962, 科技资源配置基本处于相对最佳状态。
从技术效率和规模效率分别来看, 技术效率代表投入产出的转化率, 规模效率代表投入增加引起的产出增加率。在DEA无效的年份中, 规模效率不为1的年份较多, 反映综合效率的无效很大程度上由规模无效导致, 投入产出规模存在不匹配。进一步分析发现, 除2010年外, 规模无效的年份都处于规模收益递增的趋势, 说明在对科技投入加强管理的同时, 增加一定量的科技投入可以带来更高比例的科技产出。
4.3.2优化调整分析
由DEA模型的基本原理可知, 如果DMU为非有效, 则肯定存在一个从非有效到有效的调整方案。通过获取投入指标的剩余变量值和产出指标的松弛变量值, 可以得到广东省科技投入产出的优化方案, 从而提出如何量化调整投入和产出。具体如表4所示。
表4给出了DEA无效年份中, 科技投入冗余和科技产出不足的量化值。结果显示, 产出指标中, 国际三大检索工具收录论文数历年来都已达到理想数值, 从2000年的12 111篇到2012年已近30 000篇, 每年的增长率都在10%以上, 反映广东省在论文发表方面成果显著且论文质量较高;发表专利授权量在2000-2003年间与理想数值差距巨大, 产出严重不足, 但在随后的几年中逐渐趋于理想, 反映广东省在技术创新方面能力不断提高;高新技术产业总产值在某些年中也存在一定不足, 但整体而言并不明显。投入指标中, 除了2000年和2001年存在冗余过度现象外, 其他年份中基本不存在显著冗余。
参考文献
[1]魏权龄.数据包络分析[M].北京:科学出版社, 2004.
[2]王守宝.地区科技投入产出相对效率评价研究[J].东岳论丛, 2010 (7) :48-51.
[3]王莉, 李旻暾, 刘芹.基于DEA的广东省科技投入产出相对效率评价研究[J].科技管理研究, 2010 (22) :75-77.
[4]薛蔚.统计分析与SPSS的应用[M].北京:中国人民大学出版社, 2011.
[5]叶佳, 徐福缘, 李佳.产学研合作效率评价研究——基于DEA分析方法[J].技术经济与管理研究, 2013 (2) :21-24.
产出效率评价 篇2
【关键词】卫生经济系统；投入产出；动态效率
我国卫生经济系统投入产出动态效率的提高在近几年来受到广泛的重视，卫生经济系统的完善程度将直接影响到我国医疗事业在未来的发展，以及影响到我国经济水平未来的发展势头。想要使我国卫生经济系统投入与产出的动态效率进行提高，就要首先完善卫生经济系统。现阶段我国的卫生经济系统虽然有较为明显的发展，但是还是存在一些需要在下阶段进行进一步解决的问题。
一、我国卫生经济系统投入产出动态效率的发展现状
1.我国卫生经济系统的发展背景
医疗事业的发展离不开经济水平提高的支持，我国经济水平对医疗事业的影响主要在卫生经济系统这一方面。卫生经济系统是我国医疗事业发展较快阶段被进行提出与重视一项内容，在医疗机构中完善的经济系统体系是支持其发展的必要因素，我国卫生经济系统的提出与完善是我国医疗事业发展的重要标志。在我国卫生经济系统被提出的初期，系统的总体还是存在较大的缺陷，例如在我国医疗事业发展的初期，医疗机构对一些经济的投入考虑还不够细致全面，总会存在一些投入不能够带来预期的经济效益，卫生经济系统的不完善严重的制约了我国医疗水平的提高与进步。
2.我国卫生经济系统的发展现状
我国卫生经济系统在近些年中正在进行着较为显著的发展与进步，与以往相比更加完善可行，解决了很多在过去中较难的问题。现阶段我国的卫生经济系统正在发挥着重要的影响作用。卫生经济系统中主要将我国医疗机构中的经济投入与产出进行着很好的平衡，医疗机构对各项工作的经济投入都需要十分重要的考虑，每一项工作的投入资金都应该是相应合理的金额。对资金投入数量的考虑问题在目前的卫生经济系统中可以较好地进行把握，这对于我国医疗事业的加速发展有着重要的推动性作用。但是发展的同时我国卫生经济系统中依然存在着一些有待进步完善与提高的问题，这些问题的解决是进一步提升我国医疗水平的关键性环节。影响我国卫生经济系统投入与产出动态效率的重要性因素分别是国家及政府的相关规定和医疗机构自身对资金的分配，这两大关键性因素使得我国医疗事业在现阶段的发展中受到一些困扰。所以想要使我国卫生经济系统投入与产出动态效率在下阶段的发展中有所提高，就要从这两方面进行入手，最大化的使我国卫生系统得到提高与完善 。
3.提高我国卫生经济系统投入与产出动态效率的必要性
卫生经济系统投入与产出动态效率是影响我国医疗事业资金收入的重要内容，卫生经济系统越完善合理，医疗机构在进行资金投入的过程中就会更加正确有效，从而在最短的时间内得到最大化的经济效益。相反，加入卫生经济系统不够完善，这就将使我国医疗机构在进行资金的投入与产出动态效率时就会相应降低，动态效率的将体会直接的使我国医疗机构不能最优化的利用发展资金，达不到最好的经济效益。我国医疗事业是我国现阶段发展事业中较为重要的一项内容，医疗水平的提高不仅能够有效地是我国人民健康问题得到较好地保证，还会对我国整体的经济水平提高起到重要作用。提高卫生经济系统投入与产出动态效率是目前我国医疗事业中十分重视的内容，有效地将现阶段我国卫生经济系统进行完善与提高将对我国医疗事业中经济的最大化收益有着重要的意义，进而可以使我国经济水平得到更好地提升。
二、卫生经济系统投入与产出动态效率的影响因素分析
1.国家及政府规定的影响
卫生经济系统的主要内容受到国家及政府相关规定的影响，只有严格的遵守国家及政府的相關规定才能确保我国卫生经济系统内容的正常实施。但是现阶段我国国家及政府规定的一些内容是不利于我国卫生经济投入与产出动态效率提高的，所以在下一阶段发展的过程中国家及政府相关规定的合理改进是至关重要的。国家及政府相关规定是为了是我国卫生经济系统在进行正常工作的过程中更加稳定，但是一些经济的投入是需要进行合理尝试的，规定中对这些经济投入得不予以支持，这就会是我国医疗事业的创新有发展受到了较为严重的阻碍，不能将经济收益进行最大化的提高，从而影响了我国卫生经济系统投入与产出的动态效率提升。
2.医疗机构对资金分配情况的影响
在进行经济投入分配的过程中，医疗机构自身的作用也是影响卫生经济系统投入与产出动态效率的重要影响因素。医疗机构将对所有的可投入资金进行细致的分析，很一项需要资金投入的发展项目都需要进行资金分配，对于一些发展前景广阔的发展项目我国医疗机构就应当予以加强重视，并能够做到对其发展资金的合理分配。这些医疗发展事业的发展对于我国未来的医疗水平有着重要的影响意义，只有医疗机未来构自身能够做到对其正确的资金投如，其未来的资金产出必将是对我国经济水平提高以及医疗水平发展具有重要推动作用的。
三、结语
我国卫生经济系统在近几年的发展较快，卫生经济系统的完善对我国医疗事业的发展意义重大。卫生经济系统投入与产出动态效率对我国未来发展至关重要，动态效率越高卫生经济的收益也会越高，所以对卫生经济系统进行完善是现阶段十分必要的。虽然目前我国卫生经济系统还是存在着有待进一步提高的问题，相信经过现阶段的改进与完善我国卫生经济系统将会有更好的应用，我国经济也会进一步提高，这对于我国经济发展十分有利。
参考文献：
[1]张纯洪，刘海英.中国区域卫生经济系统的投入产出技术效率测度研究[J].中国卫生经济，2012，28（7）：11-13.
产出效率评价 篇3
1 问题的提出
《中共中央国务院关于卫生改革与发展的决定》中明确指出:“总投入量不足与浪费并存是制约我国卫生事业发展的主要问题。”我国绝大部分卫生资源集中在医院,特别是集中在城市大型医院。城市医疗服务系统中部分大型医院的高投入和低效率是造成卫生资源浪费的最主要原因之一。如何在现有的卫生资源条件下对卫生资源优化配置,使医院在较少的投入下取得最大的产出,尽量减少不必要的浪费,提高医院的运营效率,同时实现最佳的社会效益,已成为卫生行政管理者和医院管理者共同面临的问题。
医院要提高运营效率,既需要科学的理论作为指导,也需要相应的管理运行机制和评价技术方法作为保障。近年来,数据包络分析(DEA)分析方法在医院相对效率评价的应用已引起研究者的较多关注[1,2,3],已有的研究表明,DEA方法尤其适合于多投入、多产出的效率模型。DEA方法不需要选择生产函数,也不需要进行参数估计,对于非有效单元,DEA方法不仅能指出指标的调整方向,还能给出具体的调整量。但是,采用传统的DEA方法在相对效率时往往会遭遇评价结果排序并列的问题,而且传统DEA模型各指标权重完全由模型计算得到(客观赋权),不能反映评价者对评价指标的主观偏好,本文将层次分析法和数据包络分析结合起来,对传统DEA分析模型进行改进,以求模型评价结果更符合实际应用要求。
2 DEAHP模型
2.1 DEA模型
数据包络分析方法(DEA)是衡量投入产出效益的有效方法,它的投入指标与产出指标数据从相对有效性角度出发,对各单元的投入产出效益进行分析,它不需要定义输入与输出的间关系的显性表达式,而且对评价指标的量纲也无特殊要求,尤其善于有效处理多种投入、多种产出问题。
如决策单位DMUj(j=1,2,…,n)的投入量向量为Xj,产出量向量为Yj,DMU指的是不同的医疗单位,医院的规模与级别可以有所不同。令投入、产出权变量分别为V=(V1,V2,…Vm)和u=(u1,u2,…uS)T。那么可以建立如下的投入导向的通常有效性DEA模型,见公式1。其中当△=0时为传统模型,当△=1为BCC模型[4]。
公式1:
Maxhk=uTYrk+△μ0
s.t.
VTXik=1
VTXj-uTYj+△μ0≥0,j=1,2…,n
u,v≥0
2.2 AHP方法
层次分析法(Analytic Hierarchy Process,AHP)是Thomas L.Saaty于1971年首度提出,其主要的功能乃是使错综复杂的系统简化成为要素层级结构系统,由评价者对评估要素进行素间成对比较,并经由量化的过程建立比对矩阵,据以求出特征向量代表层级间各因素的权重,并产生特征值,以评定单一成对比较间的一致性强弱程度,供作决策资讯取舍或评估指标。层次分析法中的因素层级若系多重架叠,则需决定各层级的优先因素权重,再加以关连串合,求解最低层级各因素对层级的合成权重,再连结所有比对矩阵的一致性指数,求出整体层级的一致性指数与一致性比率,据以评估整体层级的共识性,由上可知层次分析法实质上是一种主观赋权法[4,5]。
2.3 DEAHP模型
上述的DEA模型是完全建立在输入、输出的观察数据的基础上的,认为所有投入产出项具有相同的重要程度,具体的权向量由决策单元(DMU)按照对自己最有利的原则选取,也就是将投入产出项的权向量对效益结果的影响等同看待。这种权向量的确定具有无限制性,其优点是:权数的产生不受人为主观因素的影响非常公正且公平;缺点是:如果权数的刻意选择将可能造成该DMU为相对有效率,因此其效率未必来自自身效率,而是来自于权数的选择。是故如此的先天赋予权数所得的相对效率值是否合公平合理,而被接受呢?故本研究针对此一缺点提出一修正方法,采用的方法是引入权重向量WI来约束v、u的取值,以体现决策者对不同投入(产出)项目的偏好程度,而权向量可以用层次分析法(AHP)得到。将权重约束条件代入式1可以得到修正后的DEAHP模型,见式2。
见式2:
Maxhk=uTYrk+△μ0
s.t.
VTXik=1
VTXj-uTYj+△μ0≥0,j=1,2…,n
V∈V={v|Cv≥0},u∈U={u|Du≥0,u≥0}
C=(cab)m×m,D=(dop)s×s,a,b=1,2…,m;o,p=1,2…,s
cab=WIa/WIb,a≠b;cab=1-m,a=b;
dab=WIo/WIp,o≠p;dop=1-m,o=p;
△=1,0
定义Maxhk(△=0)为整体效率,Maxhk(△=1)为技术效率,整体效率与技术效率的比为规模效率。整体效率、技术效率和规模效率取值与评价项目投入产出效益的关系见表1。
3 DEAHP模型在医院上的应用
3.1 投入产出指标的选择
使用数据包络分析首需适当的筛选投入产出项目,影响组织经营效率的投入产出要素相当繁多,基于医院资料取得的限制及多数学者采用的输入与产出项,本研究选定医师数、护士数、病床数、其他医疗人员与医院成本5项为投入变量,入院人次、手术次数、门急诊人次与医院收入四项为产出项,见表2。以湖南省17所三级甲等医院为例进行分析。模型计算所需数据见表3、4。
3.2 评估结果的分析
采用传统的DEA模型求得客观赋权情况下各医院投入产出情况,见表5。
由表5可知,显示某年度各医院的整体效率值、技术效率及规模效率值,而相对总体效率值不佳的原因多来自技术效率不佳,故相对无效率的单位需调整其投入的比例。例如湖南人民医院技术效率为0.925,长沙一院的技术效率为0.986,湘雅三院技术效率为0.952,而其规模效率值接近1,显示这3个单位的相对无效率原因,主要来自技术相对无效率,可以通过改变各投入要素的间的配比关系达到提升投入产出效率的效果。
观察其Σλ值分别为1、1.5及1.1。DMU的规模报酬状态可分为:①固定规模报酬CRS时,Σλ=1;②规模报酬递增IRS时,Σλ<1;③规模报酬递减DRS时,Σλ>1。故湖南人民医院、长沙一院及湘雅三院因技术效率不佳,且为DRS规模报酬递减状态,故需降低投入项目的医疗支出及医疗器械的规模,并调整投入项的资源分配情况,将可提升总体效率率值。而湖南肿瘤医院及湖南脑科医院的无效率来自于规模上的无效率,但其Σλ<1,属于规模报酬递增,若要增加规模效率则必须要增加投入规模,进而提升总体效率率值。
另外,从传统DEA模型分析可知,长沙三院、湘雅医院等9所医院,总体效率值为1,传统的DEA模型无法对此九所医院进行排序。
3.3 DEAHP模型的评估结果分析
由于修正的DEA模型以及以上投入产出项资料,可得新的效率值,由表5的效率值及排序与修正模型的效率值及排序,见表6。
由表6可知,各医院在修正模型下的绝对效率值、效率平均数与有效率的DMU个数均有普遍下降的趋势,而在排序上也有些许变动,但明显下降的有南华大学三附院、长沙三院、南华大学一附院、湘雅三院及南华大学二附院。而在有效率单位方面,在原模型下为长沙三院、湖南妇幼保健医院、湖南儿童医院、岳阳医院、湘雅医院、湘雅二院、南华大学一附院、南华大学二附院及南华大学三附院,而在修正模型下只有湖南妇幼保健医院为有效率单位。若对于权数设限越严谨,则DEA模型具有越高的解析能力。传统DEA下相对有效率的单位可能有多个,而修正模型下可能只有一个。
4 结论
本研究应用DEAHP法于医院投入产出效率评估上,希望能借由评价项目各项的特性,建构出一套完整、可行、公平、兼具主客观面及可提供各种管理决策建议的评估模型,而本研究经由目标的确定、决策单位的选择,投入产出项的筛选,并从各项分析得到以下结论:
本研究由相对效率分析及规模报酬分析清楚地算出各大医院的客观面DEA相对总体效率值,并找出相对总体效率值为1.0的相对有总体效率的医院。而在规模报酬分析发现现多数总体相对效率无总体效率的医院,多因配置无效率,即以目前的生产条件下,其产出量已达到纯粹技术上有相对效率的水准,但相对于其他技术上有相对效率的资源投入组合而言,其使用较高的成本,故对于资源投入的配置上需做进一步的调整,使其能以更少的成本,得到最大的产出;另外多数无总效率的医院其Σλ>1,故属于规模报酬递减的状态,因此借由减少各项投入,缩小整体规模,将可使规模报酬递减的状态调整到最适规模报酬的生产阶段,并使其相对总体效率值提升。经由差额变数分析,也可算出各无相对总体效率的医院欲成为有相对效率的单位所需改善的产出及减少的投入,并以其参考集合单位作为其模仿的对象,效仿其经费支出及医护人员配备等资源投入的方式与管理策略,以改善本身无相对总体效率的状态。
IRS:Increasing Return to Scale(规模报酬递增);CRS:Constant Return to Scale(固定规模报酬);DRS:Decreasing Return to Scale(规模报酬递减)
各医院在修正模型下普遍有下降的趋势,但对排序的影响并不大,只有部分医院影响较大。由此结果可看出DEA分析模型的可信度,但是资源在有限的情况下,追求资源的有效分配的前提下,若能以修正模型的分析结果来分配资源会更有效率。将经由DEAHP法所得的投入产出项权重比值代入DEA模型,并以此修正模型进行分析,仅有湖南妇幼保健医院为有绝对总体效率的单位,故依此模型可进行绝对效率的衡量,并依绝对效率值进行排序。
权数设限情况下的效率值、效率平均值与有效率的DMU个数,较未设限情况下呈递减的趋势。如在传统模型中可得到相对有效率的医院为长沙三院、湖南妇幼保健医院、湖南儿童医院、岳阳医院、湘雅医院、湘雅二院、南华大学一附院、南华大学二附院及南华大学三附院且效率平均值为1,但是经由修正模型得到相对有效率的医院只有湖南妇幼保健医院且效率平均值为1。可看出经由修正模型所得的结果较为准确可信。
任何一个组织都希望通过效率的提升,进而提高组织生产力,降低投入成本,以提高组织本身的竞争能力。对于一个非营利组织而言,虽然效率并不一定是最终目标,但是若能经由效率的提升可节省许多资源,进而使医院资源利用增加,以达成其组织最终目标。本研究首度尝试应用DEAHP分析模型探讨湖南省各大医院的生产效率,期望通过效率的提升,政府可将节省下来的资源,投入到其他部门,以满足民众更多的期望及政府的其他施政目标。
参考文献
[1]刘宏韬,房耘耘.应用DEA方法评价医院效率的研究进展[J].中华医院管理杂志,2004,20(7):420-422.
[2]邴媛媛,徐凌中,李延鹏.卫生服务的效率及其测量[J].中华医院管理杂志,2001,17(5):272-275.
[3]韩梅.DEA方法在国外医疗卫生系统效益评价中的应用[J].中华医院管理杂志,2002,18(9):546-548.
[4]运筹学教材编写组.运筹学[M].北京:清华大学出版社,2005.
产出效率评价 篇4
摘要：文章介绍了中国科普投入产出的基本现状，结合中国科普工作的实际情况，构建了中国科普投入产出评价指标体系初步框架。应用数据包络分析法（DEA），选取了中国科普统计2006-2013年间的数据，分析评价了中国科普投入产出效率，得到效率有待提高的初步研究结论。
关键词：科普；投入；产出；效率；DEA
中图分类号：F0622文献标志码：A文章编号：
10085831（2016）01011809
科普是指利用适当的传播方法、媒介、活动，通过对科学技术知识、科学方法、科学思想、科学精神以及科学技术与社会发展信息的传播普及，促进科学技术的扩散和公众对科学技术的分享，激发公众个人、群体、社会组织对科学技术的意识、体验、兴趣、理解、意见的过程[1]。中国高度重视科普工作，提出了一系列加强科普工作的政策措施。1954年通过的《中华人民共和国宪法》就明确提出要普及科学技术知识。《中共中央、国务院关于加强科学技术普及工作的若干意见》（1994年发布）是党中央、国务院发布的第一个有关科普工作的文件。《中华人民共和国科学技术普及法》（2002年颁布）和《中华人民共和国科学技术进步法》（2007年修订）都有对科普的相关规定。这些法规和意见的颁布实施，标志着中国科普工作的法制化进程。《全民科学素质行动计划纲要（2006-2010-2020年）》（2006年发布）提出实施中国全民科学素质行动计划，使中国科普事业得到了进一步的发展 [2]。
中国科普投入近年来增长快速，但是否有效及产出如何等问题一直缺乏有效的研究。在现有条件下（科普经费和科普人员有限），我们既要合理增加科普的投入，更要关注科普产出效率的提高。为此，有必要对科普投入产出问题进行深入研究。
本文应用数据包络分析法（Data Envelopment Analysis，DEA），对中国近年来的科普投入产出进行分析评价。希望为相关部门的决策提供有效参考。
一、中国科普投入产出现状
尽管中国的科普投入强度与发达国家相比明显较弱，但近年来科普投入和产出增长较快。随着中国公民科学素养建设的推进，社会和公众对科普的需求日渐兴旺。科技部发布的《中国科普统计（2014年版）》显示，2013年中国科普活动保持了稳定的增长态势，科普经费投入持续增加，各类形式的科普作品大量涌现，以科技活动周为代表的群众性科普活动产生了广泛的社会影响。中国科普人员和科普经费投入显著增加，尽管科普发展仍不均衡，但总体上呈现出持续发展的良好态势 [3-4]。
（一）科普人才队伍不断壮大
科普工作的发展离不开科普人才的支撑。科普人才，是指具备一定的科学素质和专业技能，从事科普实践的劳动者[1]。
通过对科普工作的广泛开展和深入研究，中国科普人才总量有了较大的增长，人员素质也有所提高。科普人才队伍为中国科普工作的发展和全民科学素养的提高，做出了巨大贡献。但总体上说，中国科普人才队伍无论数量还是质量，都不能满足科普事业发展的实际需求（表1）。
（二）科普经费逐年增长
中国科普经费投入逐年增长。科普经费来源构成及各项目所占比重如表2和表3所示。
从表2和表3可以看出，中国科普经费筹集额中，政府拨款占绝对比重，年均69%以上，而且各年保持了比较稳定的增长。其次是自筹资金，各年也都有所增长，特别是2010年以后有了较大幅度的增加，占全部科普经费筹集额比重年均23%以上。其他收入2006-2009年增长较快，2010年以后变化不大，但所占比重却呈下降趋势。社会捐赠部分额度极少且增速不明显，所占比重年均仅1.1%（图1）。
世界上多数发达国家科普资金的来源，主要以企业投入为主，政府投入为辅，这种投入结构反映了市场经济运作规律。企业作为科普活动的主体是市场竞争的现实选择，企业是经济的细胞，是经济运行的微观基础，能否塑造健康、充满活力的企业，将决定一个国家经济的整体实力和参与国际市场竞争的能力。目前中国的科普投入对政府的依存度依然很大，这种状况势必影响中国科普的竞争优势。可见企业尚未成为科普活动的主力军，企业开展科普活动的积极性和活跃性有待提高。
（三）科普基础设施建设长足发展
一个国家的科普基础设施发展水平能够反映这个国家的科普服务能力。中国的科普基础设施主要有科技类博物馆、基层科普设施、数字科技馆以及其他具备科普展示教育功能的场馆等。根据科学发展观的要求，科普基础设施坚持“提升能力，共享资源，优化布局，突出实效”的指导方针，现已取得长足进步，受到了社会各界的普遍重视[5]。
截至2013年底，全国共有科技馆、科学技术博物馆、青少年科技馆等各类科普场馆1 837个（表4）。其中科技馆展厅面积124万平方米，科技博物馆展厅面积233万平方米，比2012年分别增长13.2%和14.1%；参观科技馆人数3 734万人次，参观科技博物馆人数9 821万人次，比2012年分别增长9.1%和11.8%。另外，一批科普场馆正在建设中[4]。
但是，科普出版物发展方面也存在不足，群众喜闻乐见的优质科普创作资源仍然缺乏，尤其体现在原创性科普资源方面。原创的优秀作品少、科普创作后劲不足等问题已经制约了科普的发展，影响了中国公民科学素养的提高。
（五）科普活动形式多样
科普活动可以促进公民科学素质的提高，是培养科技后备人才的有效方式。随着《国家中长期科学和技术发展规划纲要》、《全民科学素质行动计划纲要》的实施，科普活动得到各地、各部门的高度重视和大力支持，在全国范围内蓬勃开展，形式多样，公众参与人数大幅上升。科普活动在数量、质量和规模等方面均跃升到一个新台阶。
以科技活动周为代表的重大科普活动产生越来越大的社会影响。2013年，科技活动周共举办科普专题活动12.5万次，参加人数达到1.06亿人次[4]（表6）。2013年，全国开展了3.9万次重大科普活动，91.2万次科普讲座，约有1.7亿人次参加；举办了16.1万次科普专题展览，参观人次约2.3亿；举办了87.6万次的技术培训，吸引了1.1亿人次参加[4]。
二、具有非阿基米德无穷小的C2R模型
（一）C2R模型
数据包络分析是一种常用的非参数效率评价方法，由Charnes和Cooper等于1978年提出，通过比较同类型决策单元（Decision Making Units，DMU）的相对效率，评价决策单元的规模有效性和技术有效性。DEA模型中，最基本的是C2R模型[6-10]。
假设决策单元DMU有n个，每个DMU都有m种输入和s种输出，分别用X=x1，x2，…，xi，…，xmT和Y=y1，y2，…，yr，…，ysT表示。设决策单元DMUj的第i种输入量为xij，其权重为vi；第r种输出量为yrj，其权重为ur（见表7）。
分别用向量V=v1，v2，…vi，…vmT和U=u1，u2，…，ur…，usT表示输入和输出的权重系数。
式中：xj=x1j，x2j，…，xmj；yj=y1j，y2j，…，ysj；j=1，2，…，n。
对模型（1）进行Charnes-Cooper等价变换，令t=1/vTX0，ω=tv，μ=tu，得到等价线性规划（P）问题，如模型（2）所示。
依据对偶定理，引入松弛变量S+和S-得出等价对偶规划（D）问题，如模型（3）所示：其中，S+表示决策单元可能的产出不足，S-表示决策单元可能的投入冗余。
检验决策单元DMUj0的DEA有效性时，如果利用线性规划问题（P）需要判断是否存在最优解ω0及μ0满足ω0>0，μ0>0，VP=μTy0=1；如果利用对偶线性规划问题（D）需要判断是否所有最优解λ*，S*-，S*+8，θ*都满足VD=1，S*-=0，S*+=0。无论哪种方法都不方便。为简化计算，Charnes等在模型中引入在一个广义实数域内小于任何正数且大于零的非阿基米德无穷小量ε，如模型（4）所示：
其中，e-T=（1，1，…1）∈Em；e+T=1，1，…，1∈Ej。
（Pε）的对偶规划问题为（Dε），如模型（5）所示：
利用模型（5），可以一次判断出决策单元DMUj0的DEA有效性。
定理：假设ε是非阿基米德无穷小量，并且规划问题（Dε）的最优解为λ*，S*-，S*+，θ*，则有：（1）若θ*=1，且S*-=0，S*+=0，则DMUj0为DEA有效，即以现有投入量获得了最优产出量；（2）若θ*=1，且S*-和S*+中至少有一个不为零，则DMUj0为弱DEA有效，存在投入冗余或产出不足，即投入量减少S*-仍可获得现有产出，或以现有投入量可获得比现有产出多S*+的产出量；（3）若θ*<1，则DMUj0为DEA无效，即仅需θ*倍的现有投入量即可获得现有产出量。（4）令K*=λ*，则K*表示DMUj0的规模效率。当K*=1时，DMUj0的规模收益不变，即增加一定比例的投入可增加相同比例的产出；当K*<1时，DMUj0的规模收益递增，即增加一定比例的投入可增加更高比例的产出；当K*>1时，DMUj0的规模收益递减，即增加一定比例的投入只能增加小于该比例的产出。
在实际问题中，只要ε足够小，（如取ε=10-6），就可以使用单纯形法解规划问题（Dε）。
（二）C2R模型对科普投入产出的适用性分析
（1）C2R模型适用于具有多指标投入与多指标产出的系统。科普投入产出是多投入和多产出的系统，可用C2R模型分析科普投入产出效率。
（2）C2R模型在使用时无须确定具体的生产函数形式。科普投入产出情况复杂多样，很难确定变量间的函数假设关系。用C2R模型分析科普投入产出效率，不必确定科普投入与科普产出变量之间函数关系，其结果可直接表明科普投入产出相对效率。
（3）运用C2R模型计算相对效率时，无须对数据进行无量纲化处理，可以对无法价格化甚至难以轻易确定权重的指标进行分析。
（4）运用C2R模型分析科普投入产出效率，不必统一科普投入与科普产出指标的单位，大大简化了测量过程。此外，还可以保证科普投入与科普产出指标以本来面目出现，保证了原始信息的完整性，也避免了人为因素的影响。
三、中国科普投入产出效率研究
（一）科普投入产出评价指标体系构建原则
构建科普投入产出评价指标体系，应考虑如下原则：（1）指标要比较全面。进行效率评价时，所选投入和产出指标应能全面反映评价的目的和内容。（2）指标要相对独立。指标体系的每个指标要内涵清晰和相对独立，应该避免指标间存在强的线性相关性。（3）指标要有可操作性。在考虑指标重要性的同时，还要考虑相关数据是否可以获得。本文选择的评价指标，其数据主要来自中国科普统计。（4）指标要有可比性。选取的指标应有相同的统计口径，以保证指标的可比性，便于各地区之间的横向对比和各年的纵向比较。
（二）科普投入与产出评价指标
根据科普投入产出评价指标的设计原则和《中国科普统计》的内容框架，结合中国科普工作的实际情况，本文选取了以下指标作为科普投入产出的评价指标（见表8）。
选取的指标不同，DEA评价的结果也不同。在进行实证研究时，可根据研究目的选取适合的指标。
（三）实证研究
1.对投入产出指标的要求
结合本文内容，在DEA实证分析中，选取的投入和产出指标应满足如下要求：（1）指标值要保证非负性；（2）决策单元个数n应是投入指标和产出指标合计数（m+s）的两倍以上；（3）如果是不同区域间的比较应该选择总量指标，如果是同一个样本作动态比较，可以使用相对指标。
2.数据处理结果
为了分析中国科普投入产出的总体有效性，本文选取中国科普统计2006-2013年的数据，应用C2R模型，对中国各年科普投入产出及其变化趋势进行分析和评价。
根据研究目的和DEA方法的指标选取要求，鉴于截至目前中国有科普统计数据的年份只有7年，分析指标只选取了最典型的3个指标，保证样本数大于指标总数，进行尝试性研究。科普投入指标选取了科普投入中最重要的指标科普经费X1指标，科普产出指标选取了目前最有代表性的科普图书Y1指标和大型科普活动Y2指标。根据科技部发布的2006-2013年中国科普统计结果，获得原始数据（见表9）。
建立C2R模型如下：根据表9的数据，利用lingo软件，计算各年的综合评价值，如表10所示。
3.分析评价
根据DEA方法，评价结果为1，说明该评价单元有效，小于1说明该评价单元无效，评价结果越接近1越好。从表10可以看出，中国有科普统计数据以来的7年中，有2个年份综合效率值为1，有3个年份综合效率值介于0.9和1之间，还有2个年份综合效率值介于0.7和0.9之间，7年综合效率平均值为0.909。根据表10，可得出如下结论。
（1）2006和2009年科普投入产出的综合效率值等于1，并且有S-0=0，S+0=0，说明这2年的科普投入产出效率为强DEA有效；并且都有λi=1，说明2006和2009年的科普投入产出既技术有效，又规模有效。评价的结果表明这2年科普资源配置相对合理，按现有结构增加投入会产生相同倍数的产出效果，即处于规模收益不变的最佳增大状态。
（2）2008、2010和2011年科普投入产出的综合效率值介于0.9和1之间。2008和2011年有S-0=0，S+0=0，说明这2年的科普投入产出资源配置相对合理。而2010年则存在s+2≠0，说明这年的科普活动数量相对不足，根据测算结果，缺口为1 837次。这3年的λi1，处于规模递增阶段，表明适当的增加科普投入，会有较大的科普产出。
（3）2012和2013年科普投入产出的效率值介于0.7和0.9之间。2012和2013年有S-0=0，S+0=0，说明这2年的科普投入产出资源配置相对合理。λi1，处于规模递增阶段，通过适当的增加科普投入，可以获得较大的科普产出。但是，这2年科普投入产出效率相对较低，说明科普投入产出的体系结构、管理水平和技术水平等仍有待改进。
（4）2006到2011年，中国科普的投入产出效率基本稳定在0.9到1之间，2012年出现大幅下滑，虽然2013年略有回升，但仍相对较低。随着中国对公民科学素质建设的不断重视，科普投入不断加大，各类形式的科普产出也不断丰富。但是，在科普事业发展过程中，更应加大对科普投入产出的体系结构、管理水平和技术水平等因素的关注和调整，提高科普投入产出的效率，使有限的科普资源发挥出最大的效用。
四、结论
研究结论：（1）基于科技部现有的科普统计框架，构建了中国科普投入产出评价指标体系初步框架。（2）采用DEA方法描述了中国科普投入产出的效率情况，选取了2006至2013年的科普投入产出数据进行分析比较，揭示了不同年份中国科普投入产出的效率水平。（3）通过实证研究发现，随着中国科普经费投入逐年加大，科普产出也在逐年提高。但中国科普投入产出的整体效率不够稳定且有下降的趋势，科普经费投入的利用率有待提高，科普投入产出的体系结构、管理水平和技术水平等也有待改进。（4）本文应用DEA方法得到的评价结果是相对效率，也就是说在决策单元中一定会有一个决策单元是有效的。虽然部分年份的科普投入产出效率是DEA有效，但并不等于说这些年份科普投入的绝对量不需要提高。与发达国家相比，中国的科普投入无论是绝对量还是相对量都还较低，中国还应大幅度提高科普投入。
本文不足：对于中国各年科普投入产出的纵向比较，只是尝试性的研究，考虑到中国开展科普统计的年份较短，可以获取的数据较少，按照DEA方法的要求选取的指标也较少，评价结果难免存在一定的局限性。参考文献：
[1]任福君，翟杰全.科技传播与普及概论[M]. 修订版.北京：中国科学技术出版社， 2014：10.
[2]任福君，周建强，张义忠.科普产业发展研究[R].北京：中国科普研究所， 2010：12.
[3]任福君，张义忠，周建强，等.中国科普产业发展“十二五”规划研究报告[R].北京：中国科普研究所，2010：12.
[4]中华人民共和国科学技术部.中国科普统计（2014年） [M].北京，科学技术文献出版社，2015.
[5]任福君.中国科普基础设施发展报告（2009）[M].北京：社会科学文献出版社，2010.
[6]ZHU J.Robustness of the efficient， DMU in data envelopment analysis [J].European Journal of Operational Research， l996， 90：451-460.
[7]ANDERSEN P，PETERSEN N C.A procedure for ranking efficient units in data envelopment analysis [J]. Management Science，1993，39：1261-1264.
[8]YANG Y S，LI H W，TONG J.Green assessment of multi-product based on concordance analysis [M]//Proceedings of 2001 international conference on management science & engineering（Volume Ⅱ）.Harbin University of Technology Press，2001：1876-1880.
[9] GOLANY B， ROLL Y.An application procedure for DEA [J].International Journal of Management Science， 1989， 17（3）：237-250.
[10]彭云飞，沈曦.经济管理中常用数量分析方法[M].北京：经济管理出版社，2011：5.
产出效率评价 篇5
一、DEA评价模型
在人们的生产活动和社会活动中常常会遇到这样的问题:经过一段时间之后, 需要对具有相同类型的部门或单位 (称为决策单元) 进行评价, 其评价的依据是决策单元的“输入”数据和“输出”数据, 输入数据是指决策单元在某种活动中需要消耗的某些量, 例如投入的资金总额, 投入的总劳动力数等等;输出数据是决策单元经过一定的输入之后, 产生的表明该活动成效的某些信息量, 例如不同类型的产品数量, 产品的质量, 经济效益等等。根据输入数据和输出数据来评价决策单元的优劣, 即所谓评价部门 (或单位) 间的相对有效性。
数据包络分析 (Data Envelopment Analysis, 简称DEA) , 就是一种用于评价同类部门或单位间的相对有效性的决策方法。它是一种对若干类型的具有多输入、多输出的决策单元 (Decision Making UNIT, 简称为DMU) , 进行相对效率与效益方面比较的有效方法。DEA以相对效率概念为基础, 应用数学规划模型计算、比较决策单元之间的相对效率, 对评价对象作出评价。DEA通常是对一组给定的决策单位, 选定一组输入、输出的评价指标, 求所关心的特定决策单元的有效性系数, 据此将各决策单元定级排队, 确定有效的决策单元, 并给出其他决策单元非有效的原因和程度。DEA无须先了解输入和输出之间的关联关系, 而且无须任何权重假设, 从而避免了许多主观因素, 具有很强的客观性。DEA法的优点吸引了众多的应用者, 应用范围已扩展到美国军用飞机的飞行、基地维修与保养, 以及陆军征兵、城市、银行等方面。目前, 这一方法应用的领域正在不断地扩大。DEA也可以用来研究多种方案之间的相对有效性 (例如投资项目评价) ;研究在做决策之前去预测一旦做出决策后它的相对效果如何。
1978年由著名的运筹学家A.Charnes、W.W.Cooper和E.Rhodes提出的第一个DEA模型被命名为CCR模型。其基本步骤如下:
设有n个决策单元DMUj (1≤j≤n) , DMUj对应的输入、输出向量分别为:
而且xij>0, i=1, 2, …, m;
一般情况下, 因为我们对输入、输出量之间的信息结构了解较少或者它们之间的相互代替性比较复杂, 同时为了尽量避免主观意志的影响, 所以我们并不事先给定输入、输出权向量:v= (v1, v2, ……, vm) T, u= (u1, u2, ……, um) T, 而是先把它们看作变向量, 然后在分析过程中再根据某种原则来确定它们, 如图1所示:
对于DMUj有相对效率指数:
现在对DMUjo进行效果评价 (1≤jo≤n) , 构造下列最优模型
将其写成矩阵形式, 有
通过Charnes-Cooper变换, 可将 (5) 式变成等价的线性规划模型:
为了讨论及应用方便, 进一步引入松弛变量S+和剩余变量S-, 根据线性规划对偶理论, (P) 对偶规划模型为:
这里称线性规划 (D) 为规划 (P) 的对偶规划。检验DEA有效时, 可利用线性规划, 也可以利用对偶线性规划, 但其计算量相当大, 现在可以借助相关软件 (如LINGO、LINDO、DEAP等) 进行运算。
二、实证分析
选取徐州夹河矿1996年~2005年每年的安全投入产出结果作为DEA的一个决策单元。并且选取年安全投入总额 (2005年前为安技措费, 2005年为生产安全费用) 、吨煤安全投入、安全工程投入、安全设备投入、安全科技投入、安全管理投入等六个指标作为输入变量, 选取事故发生率、原煤产量作为输出变量。见表1。
关于表1中数据的解释说明:
考虑安全产出效益的滞后性, 本文时滞期限取为一年, 即每一个决策单元中, 事故发生率、原煤产量等指标值均以下一年数据列示。即1996年的决策单元中, 输入变量 (年安全投入总额、吨煤安全投入、安全工程投入、安全设备投入、安全科技投入、安全管理投入) 为本年的数据, 输出变量 (事故发生率、原煤产量) 为1997年的数据。考虑数据口径的统一性、可比性原则, 将死亡人数、重伤人数、轻伤人数按1:29:300折算成轻伤人数。夹河矿1996~2005死伤人数折算结果如表2所示。
运用LINGO9.0将表1中数据进行相应运算, 结果如表3所示。
(评价模型:CCR)
由表3可知, 1998年该矿安全投入产出效果的相对评价结果为非DEA有效、规模收益递减, 原因在于其原煤产量较上一年度有所下降, 同时事故发生率较上一年度上升。通过分析当年各投入指标的效率 (见表4) , 发现该年各投入指标中只有安全管理投入效率较上年下降, 为0.7220, 而其它投入指标的效率都较上年上升或持平。因此, 若想提高该矿的安全投入产出效果, 必须深入分析该年安全管理投入效率下降的原因, 并作出相应调整。2002年该矿安全投入产出效果的相对评价结果也是非DEA有效、规模收益递减。这是因为尽管当年原煤产量较上一年有所上升, 而且事故发生率下降, 但是原煤产量增加的幅度以及事故发生率下降的幅度相对于安全投入增加的幅度并不相对称。2005年该矿安全投入产出效果的相对评价结果不但为非DEA有效、规模收益递减, 而且整体相对效率只有0.2678。原因很明显:虽然安全投入大幅度增加, 可是事故发生率却大幅度增加, 而且原煤产量也较上一年度下降。从2005年开始, 全国煤矿执行《煤炭生产安全费用提取和使用管理办法》, 该矿也根据规定提取了安全费用, 所以安全投入总量大幅度增加, 但是这些安全投入并未发挥其应有的效用。
可见, 单纯增加煤矿安全投入的数量, 并不意味着其安全投入产出效率就能相应提高。安全投入的结构、时点等也是影响安全投入产出效率的重要因素。所以应该综合考虑煤矿自身的情况, 进行科学合理的安全投入决策, 在确定了安全投入总额之后, 还要特别注意投入方向的选择、投入结构的安排和投入时点的把握。只有这样, 才能提高安全投入产出的效率, 最大限度地发挥安全投入的效用。
从表4还可以看出, 历年来, 夹河矿安全科技投入的产出效率都比较高, 平均为0.9999, 基本发挥了其应有的效用。而安全设备投入与安全管理投入的产出效率都较低, 平均分别为0.5894与0.6801, 说明其安全设备投入与安全管理投入的效果不好, 特别是安全设备投入的效果最差。因此, 该矿应该分析造成这种状况的原因, 采取相应的措施, 提高安全设备投入与安全管理投入的产出效率。
三、结论
煤矿的安全投入产出效率取决于其安全投入的合理程度。当安全投入合理时, 往往安全产出就大、安全投入产出效率就高。反过来说, 一个煤矿的安全投入产出效率高, 往往表明该煤矿的安全投入就合理。但是单纯增加煤矿安全投入的数量, 并不意味着其安全投入的产出就能相应提高。安全投入的结构、时点等也是影响安全投入产出效率的重要因素。所以应该综合考虑煤矿自身的情况, 进行科学合理的安全投入决策, 在确定了安全投入总额之后, 还要特别注意投入方向的选择、投入结构的安排和投入时点的把握。只有这样, 才能提高安全投入产出的效率。
摘要：煤矿安全生产形势的根本好转从根本上取决于企业的安全投入决策的科学性。DEA模型避免了许多主观因素, 具有很强的客观性。运用该模型对煤矿安全投入产出效率进行综合评价, 有利于管理者把握安全投入的数量、结构、时点等重要因素对安全产出效率的影响程度, 从而作出科学决策。
关键词：安全投入产出,效率,DEA
参考文献
[1]杜栋.现代综合评价方法与案例精选[M].北京:清华大学出版社, 2005
[2]吴文江.数据包络分析及其应用[M].北京:中国统计出版社, 2002
[3]龙如银.矿业城市可持续发展理论与方法研究[D].中国矿业大学博士论文, 2005 (5) .
[4]王书明, 何学秋, 王恩元.煤矿安全投入综合评价指标的筛选与确定[J].徐州工程学院学报 (自然科学版) , 2009 (4)
产出效率评价 篇6
随着经济全球化进程的快速推进,供应链管理已经成为提高企业竞争力的一种全新的管理模式。为了适应瞬息多变的市场需求,跨国制造企业越来越强调自身的核心能力,而对于非核心能力的运输业务,则外包给承运商。由于物流在供应链管理中的重要地位,正确、合理地选择货物承运商就显得尤为重要。当制造商与承运商之间建立起了稳定的合作伙伴关系,有利于降低企业的物流成本,提高客户服务水平,提升企业竞争力[1]。
目前,对承运商评价与选择,主要采用层次分析法、模糊评价法等。例如,沈雁和姚冠新[1](2002)运用层次分析法对承运商进行综合评判并择优选用;又如焦蕾稚[2](2004)提出了用模糊聚类分析法解决第三方物流承运商选择问题的一个简单模型,即先用模糊聚类分析法对可选择的物流承运商进行聚类,然后在较小的选择范围内进一步选择,从而使实际的复杂问题得到简化。
然而这些方法主观性强,评价与选择有一定的随意性。因此,本文应用了一种基于投入产出效率的承运商评价方法,通过承运商之间效率的比较,得出各个承运商的综合绩效得分,进而将承运商分成三个等级再进行选择。
1 承运商绩效评价指标体系
承运商绩效评价指标体系必须能够全面客观地评价承运商的运作绩效,以便企业能够全面了解承运商的相关情况,从而对承运商进行评价选择。结合跨国制造企业实际情况,建立承运商绩效评价指标体系,如图1所示[2,3]。
(1)运输费率:直接影响企业的运作成本,是企业评价承运商所必须要加以考虑的因素。
(2)物资残损率:反映了承运商所承运商品的质量情况,如果承运商的运输货物的物资残损率较搞,必定会影响到跨国制造商的信誉。
(3)总运量:是指承运商对制造商的历史运输总量,反映了承运商的运输能力,是评价承运商的重要因素之一。
(4)运达准时率:是指按照跨国制造商所要求的时间、地点和数量,承运商将指定数量的产品准时送到指定地点的发生率,是评价承运商的关键因素。
(5)信息监控程度:反映了承运商的信息化建设和货物跟踪水平,也是评价承运商的一个考虑因素。
根据承运商绩效评价指标体系,选取承运商评价的输入指标为:运输费率x1和物资残损率x2;输出指标为:总运量y1、运达准时率y2和信息监控程度y3。其中,x1=每四十英尺普通货柜运价(文中以上海到悉尼的运价来计算),x2=物资残损数与输送物资总数的百分比;y1=承运商年度运输总量(二十英尺普通货柜数),y2=输送准时批数与输送总批数的百分比,y3=可实施监控的里程数除以总里程。在上述各指标中,运输费率和物资残损率是越小越好,因此作为评价模型的输人,而运输能力、运达准时率和信息监控程度都是越大越好,因此作为评价模型的输出。
2 承运商的绩效评价
2.1 基于投入产出效率的承运商绩效评价模型
基于投入产出效率的承运商绩效评价模型,用于解决多个承运商之间的效率的比较,从而得出承运商绩效的综合得分,为承运商的选择提供基础。
步骤1:先由简单的多投入、单产出的情况扩展到多投入、多产出的情况;
步骤2:由承运商两两之间的比较扩展到n个承运商间的比较,得出承运商绩效的综合得分。
2.1.1 多投入、单产出的情况
为了简化问题,先考虑投入指标为2个,产出指标为1个的情况,继而再扩展到多投入和多产出的更为一般情况。可以形成共识的是:当其他情况一致时,承运商的产出越大越好;同样,在其他情况一致下,承运商的投入将是越少越好。因此,承运商绩效增值判断的依据是:越小的投入,越大的产出。
假设如图2所示,存在n个投入指标为2个、产出指标为1个的承运商。承运商1的投入指标为x11、x12,产出指标为y11;其中x的第一个下标表示1号承运商,第二个下标表示本承运商中第1个或第2个投入指标。同样,y的第一个下标表示1号承运商,第二个下标表示本承运商中第1个产出指标。用同样方法定义承运商2至承运商n的各投入和产出指标。
先看任意两个承运商,如图3。不妨设为承运商1和承运商2之间的比较:
引入参数λ1(λ1叟0)个承运商1和λ2(λ2叟0)个承运商2,ep12为一比值,无单位。两个承运商以λ1个和λ2个的组合投入与产出,则二者相比较的线性规划模型,如下式所示:
式(1)的含义为:承运商1和承运商2如何组合,使得如果至少生产承运商1的产量y11,需要投入承运商2投入指标x21和x22的最少比例倍数ep12。也就是说,以承运商1的产量为基准,考虑承运商2的投入的情况。决策变量ep12的下标也体现了这层含义:下标的第一个数字就是基准承运商,第二个数字为与基准承运商相比较的承运商。不等式y11λ1+y21λ2叟y11保证了在组合为λ1和λ2下的承运商1和承运商2的产量至少要比y11高;而不等式x11λ1+x21λ2叟x21ep12保证了λ1和λ2的组合下的两个承运商的第一个投入指标要少于或等于x21与ep12的乘积。同样,通过不等式x12λ1+x22λ2叟x22ep12约束了第二个投入指标。目标函数意思是,承运商2的投入指标x21和x22的倍数最小,体现了投入越小,生产效率越高的思想。
同样地,我们可以写出以承运商1为基准,承运商3与承运商1比较,承运商4与承运商1比较,承运商n与承运商1比较的目标函数和约束条件式。
2.1.2 多投入、多产出的情况
假设如图4所示,存在n个投入指标为i个,产出指标为j个的企业。对于企业p(p∈{1,2,3,…,n})来说,投入指标为xpk(k=1,2,3,…,i);产出指标为xpl(l=1,2,3,…,j),而企业q(q∈{1,2,3,…,n})投入指标为xqk(k=1,2,3…,i),则任意两个承运商p、q之间,以p为基准进行比较的线性规划模型,如下式所示:
对任意两个企业进行如上比较,则得两两相比EP矩阵如下:
通过EP矩阵,定义企业p的综合绩效得分AEPp如下式:
2.2 绩效评价算例
某跨国制造公司的国际运输主要由10家承运商承担,现应用基于投入产出效率的承运商绩效评价模型评价10家承运商的绩效,对2007年该公司承运商的原始数据,用EXCEL计算,结果如表1所列。
3 承运商的选择
根据承运商的综合绩效得分,把10家承运商分成三个等级,企业1、6、9为第一等级(AEP>0.8),企业3、5、10为第二等级(0.7<AEP<0.8),得分最低的企业2、4、7、8为第三等级(AEP<0.7)。选择承运商时,如果不是客户已经指定了承运商,则优先选择第一等级中费率最低且满足船期要求的承运商,具体选择流程如图3所示。
4 结论
本文首先建立了跨国制造企业承运商绩效评价指标体系,然后在此基础上给出了一种基于投入产出效率的承运商绩效评价模型。该模型较为客观,不需要确定各评价指标的权重,评价的求解借助EXCEL软件,求解方便快速。最后,采用定性方法完成了承运商的选择。定性与定量方法的结合应用,有助于提高承运商评价及选择的准确性和可靠性,具有较好的实际应用价值与前景。
摘要：承运商的评价及选择,直接关系到供应链中跨国制造企业的运作成本,影响到企业的市场竞争力。因此,研究承运商的评价与选择方法,具有重要的理论意义和实践意义。文中提出了一种基于投入产出效率的承运商绩效评价模型,并应用该方法对某跨国制造公司承运商的评价选择进行了实例分析。
关键词：供应链管理,投入产出效率,承运商评价及选择
参考文献
[1]沈雁、姚冠新:《供应链物流管理中运输商综合评判研究》[J];《制造业自动化》2002(7):12-14。
[2]焦蕾稚:《基于模糊聚类分析的第三方物流承运商选择》[J];《物流科技》2004(11):34-37。
产出效率评价 篇7
关键词：数据包络分析,SBM,作业管理,非期望产出
1 引言
电炉炼钢的能源利用效率受原材料、管理、技术、操作水平及设备状况等多种因素影响。钢铁企业电炉冶炼作业系统是一个在一定条件下,通过投入一定数量的资源并产生一定数量的产出的过程。它的基本特点是具有一定的输入和输出,并且在输入和输出转换过程中,通过各种方法努力实现以较小的投入获得较大的产出。因此电炉冶炼系统实质上是一个多输入/多输出的作业生产系统。
根据作业成本法(ABC)“产出消耗作业,作业消耗资源”的基本原理,企业在推行电炉冶炼作业能源管理的过程中,通常采用主观分析和基于财务指标的方法评价作业消耗资源的效率,并采取相应措施进行作业改进[1,2]。由于人的主观选择和偏好对分析结果影响极大,而且现有作业管理并没有考虑对环境的影响。因此,在考虑对环境的影响情况下,将财务指标和非财务指标充分考虑,并采用客观的量化模型评价作业消耗资源的效率(以下简称作业效率),成为进一步完善作业管理理论的关键。
2 研究现状
Jeffrey认为, 控制成本的一个重要因素是计量资源消耗效率的能力, 数据包络分析(Data Envelopment Analysis,DEA)可以作为差异分析技术以外的一种评价效率的重要工具[3]。Moto等将产出消耗的作业作为DMU,以作业的资源消耗率为输入,以产出的作业消耗率为输出,计算作业(中心)的相对效率[4]。由于输入和输出的选择都是消耗率, DEA评价的结果只能比较各作业的相对效率,无法揭示其经济含义以及对管理决策提供的帮助。Carsten认为在现有的作业信息观测值的基础上, 利用DEA原理,可以确定生产前沿面上的基准(标杆)作业,作为评价作业在不同期间效率的依据,但没有研究非DEA有效的作业如何进行改进,以达到基准作业的水平[5]。欧佩玉(2009)将DEA引入了作业管理,给出了适用的定量化分析方法,从不同角度分析了作业消耗资源的效率,但采用的方法为传统的径向DEA方法,并没有同时考虑投入产出的松弛性以及污染物排放对效率的影响[6]。
综上所述,国内外学者将DEA方法引入到作业管理,并对其进行了深入的研究。但这些实证研究存在的一个主要不足是他们均无一例外地忽略了环境污染等非期望产出对作业效率的影响。因此,从本质上说,忽略环境污染等非期望产出的代价而计算的作业效率是不准确和不全面的,并不能正确地衡量作业的技术效率水平及改善方向。
此外,目前作业分析使用的数据包络分析方法是经典的BCC模式, 然而BCC模式产生的是径向和角度的度量,不能充分考虑实际决策单元的投入及产出松弛性问题。此外,BCC模型仅假设投入导向,而忽略期望与非期望产出差额,违背了实际的作业投入产出过程。
因此,在建设资源节约型、环境友好型企业的背景下,综合考虑投入、产出松弛及非期望产出,并利用一种新的DEA——基于松弛的测量(Slack-Based Measure,SBM)模型作为基本分析方法,在充分考虑非期望产出的情况下,系统研究电炉冶炼作业消耗资源效率差异及其影响因素与机理,并分析被评价作业单元要素投入、污染排放的改进目标及程度,无疑对进一步提升电炉冶炼作业能源效率,降低其对环境的污染具有重要的意义。本文最突出的特点是在目前作业管理中无法核算污染代价的情况下,提供一种较为简单可行的衡量作业效率的方法。
3 研究方法
3.1 非期望产出DEA模型研究现状
为了使用DEA的评价技术衡量包含非期望产出的经济效率,一些学者对此作了有益的尝试。早期的研究把如污染等非期望产出作为影子价格处理, F
DEA模型从其发展和度量办法上可分为四种类型:径向角度的,径向非角度的,非径向角度的,非径向非角度的。径向是指投入或产出按等比例缩减或放大以达到有效,角度是指投入或产出角度。传统的DEA模型大都属于径向和角度的度量,不能充分考虑到投入产出的松弛性问题。Tone提出了解决这一问题的非径向和非角度的SBM模型[13]。
3.2 考虑非期望产出的电炉冶炼作业SBM模型
假定电炉冶炼生产系统有n个决策单元其均有三个投入产出向量:资源投入、期望产出和非期望产出(污染物),三个向量表示成x∈Rm, yg∈Rs1, yb∈Rs2, 可以定义矩阵X、Yg、Yb如下:
其中,X>0, Yg>0, Yb>0, 不变规模报酬下的生产可能性集P可以定义为:
依照Tone提出的SBM模型的处理办法[14],非期望产出的电炉冶炼作业SBM模型可写成:
s.t.
其中,s表示各类资源投入、期望及非期望产出的松弛量,λ是权重向量。目标函数ρ*关于s-,sg,sb严格递减,并且0≤ρ*≤1。对于特定的被评价单元,当且仅当ρ*=1, 即s-=0,sg=0,sb=0时有效率。ρ*<1,说明被评价单元无效,存在投入产出上改进的必要性。模型(2)是一个非线性规划,可以通过Charnes(1962)的转换办法进行求解。SBM与CCR、BCC模型的不同之处在于把松驰变量直接放入了目标函数中,一方面解决了投入产出松驰性问题,另一方面也解决了非期望产出存在下的效率评价问题。此外,SBM模型属于DEA模型中的非径向非角度的度量方法,能够避免径向和角度选择的差异带来的偏差和影响,比其它模型更能体现效率评价的本质。
4 分析步骤及投入产出项目的构建
4.1 分析步骤
SBM—DEA使用步骤主要包括三个部分:第一,定义和选择受评的对象;其次,寻找相关性且合适的投入与期望产出、非期望产出项目,以便于对受评对象进行相对效率评估;第三,应用DEA模型分析受评对象并对实验结果进行评估。本文就以上述步骤为标准,作为DEA分析的依据。
4.2 投入产出项目的构建
不失一般性,本文以某钢铁集团电炉冶炼作业效率分析为例。电炉冶炼主要是以废钢、铁合金为原主材料,在所投资的电炉以及相关设备上,使用电力以及各种辅助材料,在技术人员的操作下,冶炼成钢水并浇注成钢锭,同时排放各种废气污染物。电炉炼钢的作业效率受原材料、管理、技术、操作水平及设备状况等多种因素影响,根据选取指标的系统性、适用性、简便性和可比性原则,确定输入、输出指标。
生产要素的输入数据要求比较全面客观地体现电炉冶炼作业的实际情况。电炉炼钢作业最基本的投入,有钢铁料消耗,综合电耗,工序能耗等;而产出项分为期望产出和非期望产出,其中期望产出为钢水合格率,非期望产出选择具有代表性的废水排放量及粉尘排放量。
各指标计算方法如下:
钢铁料消耗:
式中: Msi-钢铁料消耗,kg/t; Mi-生铁料量,kg; Mw-废钢铁料量,kg; Mes-合格钢产量,t.
工序能耗:
式中: Eu—工序单位折标煤量,kgce/t;Es-炼钢燃料消耗量,kgce;Ep—动力消耗量,kgce;Eo—煤气与蒸汽等余能回收外供量,kgce;Mes-合格钢产量,t.
综合电耗:
式中: Ecp—电炉综合冶炼电力耗用量,kWh;Mes-合格钢产量,t.
钢水合格率:
式中: Se—钢水合格率,%;M—原料重量,t;Md—各种原因造成的金属损失量,t.
污染物指标:
式中: Cl—污染物排放量,kg/t;Csl—某污染物排放量,kg;Ms—钢水年产量,t.
综合以上所述,电炉炼钢作业效率投入产出项目如表1所示。
5 实证研究
5.1 数据准备
本文综合某钢铁集团企业15台电炉(容量为20~40T)2009年10月份的运行数据作为分析样本,原始投入与产出数据统计分析如表2所示。
5.2 实证结果分析
本文以MaxDEA3.0做为DEA的运算平台。表3显示了受评电炉的冶炼作业效率评价结果及其规模收益状态。
由表3可知:
①在当前的技术和管理水平下,处在15台电炉作业技术效率前沿面上的作业单元有6个,即:DMU1、DMU5、DMU6、DMU8、DMU10、DMU13. 在这6个DMU中不仅技术有效而且达到规模有效的包括:DMU5、DMU6、DMU8、DMU13,这些单元在受评时间内的作业效率情况较好(可作为标杆单元),能源、资源投入和期望与非期望产出达到了相对较优的水平,同时达到了技术有效和规模有效。另外2个评价单元仅达到技术效率有效,规模效率无效,说明这些单元已发挥其最佳的技术水平,但由于受生产组织以及管理的影响未能提高生产规模。
②其它9个受评单元由于投入过多,期望产出较少同时非期望产出过多,导致效率相对非有效,在今后的生产过程中需考虑加强原材料、能源等投入指标的控制,并采用合理的炉料结构,提高合金元素的回收率,减少冶炼时间,提高钢水合格率,同时有效降低污染物的排放,以获得较佳的效率。
③规模效率(SE,Scale Efficiency)等于1,表示该电炉处于最优规模收益状态,即最适当的生产规模下,有最理想的产出。规模效率小于1,均属规模效率较差者,其规模收益状态为drs或irs。如为drs表示该电炉处于规模递减状态,应适度调降投入资源,如减少原材料投入(提高原材料使用效率)或降低费用才会增加绩效和报酬。如为irs表示该电炉处于规模递增状态,可适度扩大生产量,如增加工作时间或人力可增加其经营绩效。
④技术效率非DEA有效的电炉作业单元未实现效率有效的主要原因在于投入的资源数量过大及期望产出过小、非期望产出过多,通过计算可得到各非DEA有效的作业单元输入和输出的调整量如表4所示。即各无效率决策单元达到技术效率水平时,需要减少的投入量、非期望产出量及增加的期望产出量。从表4可以看出,各无效率的电炉冶炼作业单元均有较大的改善空间以提高效率。
注: irs表示规模收益递增; -表示规模收益固定; drs表示规模收益递减。
6 敏感度分析
敏感度分析即为增加和减少投入产出项目,来观察所有决策单元效率值变化情况。敏感性分析的目的主要是进一步分析投入产出指标变动时对各DMU的影响程度,即减少某个投入或产出指标所得到的效率值与原来的效率值有何差异。本文将针对改变非期望产出项得到的效率结果,来了解各电炉冶炼单元拥有比较优势的指标。
选择不同的投入产出指标对电炉冶炼作业的效率值有一定的影响。为了辨别非期望输出SBM模型对电炉冶炼作业投入产出指标的敏感性,评估SBM对冶炼作业效率分析结果的可靠性,对冶炼作业各种投入产出按照一定的次序进行组合。组合的结果如表5所示。
不同投入产出指标组合下的电炉冶炼作业综合效率值如表6所示,效率变化趋势图如图1所示。
由表6组合一与组合二比较可知,在不考虑非期望产出影响的情况下,各电炉冶炼作业平均技术效率基本维持在0.839左右的高水平。当考虑了非期望产出的影响,各电炉冶炼作业整体技术效率水平与之相比较,有明显下降,基本维持在0.729左右。这一结果说明,非期望产出造成了较大程度的效率损失,这意味着在不考虑非期望产出而进行的效率评价是失真的和不合实际的,从而进一步证明了用非径向和非角度的SBM模型分析评价存在非期望产出情况下的电炉冶炼作业效率,能够避免对DEA模型角度选择和径向选择的缺陷,提高效率评价的准确性和可信程度。
组合三是在指标组合二基础上删除了 “粉尘排放量”非期望产出项,评估项目的减少有助于提高对各DMU有效性的判别力。在新组合中效率值为1的DMU,其原组合的相对效率值也是1,所以效率最好的DMU排序基本没有多大的改变,显示这些决策单元具有相对稳定度。其它DMU效率则发生了增减变化。如DMU2、DMU3、DMU4、DMU10、DMU14、DMU15, 组合二的效率评价值比组合三效率值小,说明这些决策单元在“粉尘排放量”非期望产出具有一定的比较劣势。而DMU1、DMU7、DMU9、DMU11、DMU12,组合二的效率评价值比组合三效率值大,说明这些决策单元在“粉尘排放量”非期望产出具有一定的比较优势。
7 结论
本文将非期望产出SBM模型引入电炉冶炼作业效率的分析评价,给出了适用的定量化分析方法。其优点是完全基于指标数据的客观信息进行评价,剔除了人为因素带来的误差。在考虑非期望产出的情况下,充分考虑作业投入及产出的松弛性及非径向特点。运用SBM模型对作业进行效率方面的评价,可以得到以下信息:
①用非径向和非角度的SBM模型考察污染(非期望产出)存在情况下的电炉冶炼作业绩效评价,提高了效率评价的准确性和可信程度。在输入和输出指标的选择上,不仅考虑了资源输入与作业量输出来评价作业消耗资源的效率。更重要的是,考虑了非期望产出(污染物排放)对作业效率的影响,从不同指标体系组合下DMU有效性的变化来判断各指标对作业效率的综合影响,从而帮助决策者提高作业管理绩效水平。这对于采用客观量化方法完善作业管理理论是至关重要的。
②实例表明,SBM模型处理污染排放等非期望产出问题,不仅能够计算出此状况下的作业效率得分,并充分考虑投入及产出的松弛性,通过各DMU在有效生产前沿面上的“投影”指出非有效决策单元的改进方向和目标,是对现有基于财务指标的作业管理理论的有效补充。
产出效率评价 篇8
电力工业是国民经济的重要基础产业,也是各国改革与发展的重点领域。我国电力工业自上世纪90年代开始市场化改革,经过多年的改革与发展,电力企业逐渐成为自主经营、自负盈亏的市场主体。科学测度电力企业的投入产出效率,不仅能揭示其生产运营中存在的问题,为经营者改进绩效提供决策支持,也可从侧面反映电力市场改革的绩效,为有关部门深化改革提供参考依据。
数据包络分析(Data Envelopment Analysis,DEA)是由美国运筹学家A.Charnes & W.W.Cooper等人提出的评价决策单元(Decision Making Unit,DMU)投入产出相对效率的非参数方法[1]。DMU的含义即就其“耗费的资源”和“生产的产品”而言,每个DMU都可以看作相同性质的实体,即在某一视角下,各DMU具有相同类型的输入和输出[2]。DEA以线性规划为工具计算DMU的相对效率,据此将各个DMU定级排队,确定有效(即相对效率高)的DMU,并指出无效DMU的原因和程度,其充分考虑对于DMU本身最优的投入产出方案,无需事先人为设定指标权重,算法相对简单,在处理多输入多输出的有效性评价方面具有绝对优势[3]。基于此,本文应用复合DEA算法分析制约电力企业相对效率的瓶颈资源及优化方向,旨在为有关方面提供科学、定量的管理信息。
1 复合DEA算法
复合DEA算法是设全部指标构成集合D,各个DMU的相对效率值θi(D)为分量构成向量θ(D),则θ(D)={θ1(D),θ2(D),Λ,θn(D)}T;若D1,D2,…,Dt是t个由D中部分指标组成的不同子指标集(即有D⊃Di),得到Di下以各决策单元相对效率值为分量的向量θ(Di),则θ(Di)={θ1(Di),θ2(Di),Λ,θn(Di)}T,i=1,2,Λ,t;以θ(D),θ(D1),Λ,θ(Dt)为自变量,建立泛函数F=F(θ(D),θ(D1),Λ,θ(Dt)),并从F中得到关于指标变化的信息[4]。由于C2R模型下的DEA有效兼有技术有效和规模有效的含义,本文复合DEA分析的相对效率值取C2R模型计算结果。Xj和Yj分别表示第j个DMU的输入向量和输出向量;θ为决策单元j0的相对效率值,λj为重构的一个相对被评价单元而言有效的决策单元中第j个单元的比例,S-和S+分别表示投入冗余和产出不足,ε为非阿基米德无穷小量。
复合DEA方法的应用主要表现在2个方面[5]:
1.1 分析某一指标对评价系统中DMU的影响
设Di表示D中去掉第i个指标的指标集,θ(D)和θ(Di)为相对效率值,定义:undefined,j=1,2,Λ,n。若决策单元j0满足:undefined,j=1,2,Λ,n。则表明决策单元j0就第i个指标而言,相对其他决策单元在投入或产出方面具有相对优势,因为加入i指标后其相对效率值增加最大。若其为投入指标,也可能表示该指标的投入严重不够,对投入产出相对效率的影响显著。
1.2 分析某一无效单元形成的原因
若某一决策单元j0在D指标下为非DEA有效,即θj0<1,定义:undefined,i=1,2,Λ,t。取i0使undefined,表示指标i0是对决策单元j0无效性影响最大的指标,可能由于该指标对应的投入存在冗余,利用率太低,或者该指标对应的产出效率偏低,未达到有效的产出规模。
2 电力企业投入产出相对效率的指标体系
2.1 评价指标的设计原则
作为世界银行及许多国家政府部门和组织在评价工作中遵循的指标体系设计原则,SMART原则是5个英语单词第一个字母组成的简写[6]。
(1)S(Specific)——特定性原则,即评价对象和评价目的特定,指标设计专门针对电力企业。
(2)M(Measurable)——可衡量原则,即投入产出指标应界定明确、涵义明晰、可量化。
(3)A(Attainable)——可获取原则,即设计指标时应考虑到实际评价时可获取电力企业相关的数据。
(4)R(Relevant)相关性原则,即投入产出指标与电力企业特点密切相关,且指标之间具有逻辑关系,构成有机的评价体系。
(5)T(Traceable)可跟踪原则,即评价指标有助于评价结果的分析、反馈,对于电力企业有实际参考价值。
2.2 投入和产出指标
DEA方法确定投入和产出指标的基本前提是要反映评价目的和评价内容。在此基础上,遵循指标设计的SMART准则,设计得到电力企业投入产出相对效率的评价指标:
(1)投入指标,包括人力、物力和财力三方面的投入指标。人力指标包括本科及以上学历的员工(X1)和大专及以下学历的员工(X2),作此区分旨在测度X1(高素质员工)对投入产出效率的影响。物力指标包括固定资产(X3)和装机容量(X4),前者基于货币视角、后者基于物理视角反映投入的物力。财力指标包括主营业务成本(X5)和期间费用(X6),X5反映电力企业当期直接或间接计入销售产品成本的费用,X6代表的是不能直接或间接计入产品成本,其衡量的是企业组织生产、销售和融资活动发生的费用,包括管理费用、营业费用和财务费用。
(2)产出指标,包括发电量(X7)、主营业务收入(X8)、利润总额(X9)和经营净现金流量(X10)。X7是电力企业当期的物理产出;X8反映经济收入;X9反映经济绩效;X10比较容易让人忽视,但其反映电力企业经营活动产生的净现金流量,是衡量企业管理绩效、财务状况和偿债风险的重要指标。
3 实证分析
3.1 样本和数据来源
本文以沪深两市电力上市公司为决策单元,决策单元的输入、输出指标分别对应前面所述的投入、产出指标,所有数据来源于各家上市公司2010年年报、财务报表及其他公告。样本选择时排除以下情况:(1)主营业务不是发电的电力上市公司;(2)缺失数据的上市公司;(3)数据不具有可比性(如核算员工人数时只计算公司本部)的上市公司。最终选择21家电力上市公司作为研究样本。
3.2 复合DEA分析
应用C2R模型和复合DEA算法对样本数据进行分析,结果见表1和表2。
续 表
根据表1和表2中的纵向累计值、最大值及最小值,可以获得投入、产出指标对评价系统及各决策单元影响的信息。投入指标方面,Sj(5)和Sj(3)列的累计值分别为0.9833、0.7119,明显高于其他4项投入指标,累计值最小的是Sj(2),这说明影响电力企业相对效率的投入指标主要是固定资产和主营业务成本,投入指标中存在最多冗余、利用效率最低的是大专及以下学历的员工。Sj(5)和Sj(3)列的最大值均为金山股份,这表明相对其他企业,金山股份的投入产出效率对于固定资产和主营业务成本均最为敏感,但并不能解释为其在这两项投入指标上相对其他企业具有效率优势,因为其在这两项指标上均存在冗余(见表2),问题在于金山股份的其他投入相对这两项指标对投入产出的贡献较小。Sj(2)列最小值为-0.0009(金山股份),说明金山股份“大专及以下学历的用工”这项投入指标对其相对效率的负面影响最大(相对其他企业),但该企业在这一指标的冗余并不多,只能说明该企业的相对效率值对其他投入指标更敏感,这也与前面的分析相一致。
产出指标方面,Sj(7)和Sj(8)列的累计值分别为1.6510和1.6470,显著高于其他产出指标,也高于投入指标,这表明电力企业投入产出相对效率对发电量和主营业务收入最为敏感;累计值最小的是Sj(9),表明利润总额对电力企业相对效率的贡献最小。从Sj(7)列的最大值来看,漳泽电力(0.5223)明显高于其他企业,同时也是其所在行的最大值,这说明漳泽电力的相对效率值对发电量最为敏感,同时,该企业的这项产出相对其他企业具有优势。Sj(8)列的最大值为0.5363(天富热电),由于天富热电既非技术有效又非规模有效,且该项指标(主营业务收入)存在不足,因此这并不能解释其该项产出较其他企业具有相对优势,原因在于天富热电自身在其他方面存在更为严重的投入冗余或产出不足。从Sj(9)列的具体数据来看,华能国际(-0.0021)的值最小,同时这也是其所在行的最小值之一,这表明利润总额对华能国际投入产出相对效率值的贡献最小,同时华能国际在利润总额这项产出上较其他电力企业相对不足。
根据表2纵向的标准差,可以分析各个决策单元不同指标对相对效率贡献和投入、产出水平的差异性。从投入指标看,表2中Sj(5)列的标准差最大,说明各个企业主营业务成本对相对效率贡献的差异最大,也显示各企业在这一指标上的投入水平最不均衡。从产出指标来看,表2中Sj(8)列的标准差最大,表明主营业务收入对相对效率贡献的差异最大,各个企业在利润总额上的产出水平最不平衡。
根据表2横向Sj(i)行最小值,可以分析投入产出相对效率非DEA有效企业的形成原因及其优化方向。结合表2数据其对应的Sj(i)行最小值来看,可知本科及以上学历的员工、大专及以下学历的员工、装机容量和期间费用等4项投入指标和利润总额、净现金流量等两项产出指标对相对效率值的贡献并列最小(均为-0.002),表明这些指标要么存在冗余或不足,要么在使用上缺乏技术效率。由上可以推出,投入冗余(本科及以上学历的员工、大专及以下学历的员工、固定资产投资和主营业务成本)和产出不足(发电量和经营净现金流量)的存在,以及部分指标(装机容量和期间费用)缺乏技术效率是长源电力相对效率值最低的原因。这意味长源电力在减员、减资、生产成本节约和发电方面有较大的空间和潜力可挖,企业生产效率及其对经营活动的现金管理水平需要提高。
4 结 论
文章应用复合DEA算法对电力企业投入产出效率及其影响因素进行了定量分析,得到了以下结论:
(1)对于非技术和规模有效的电力企业,投入冗余相对严重的是“大专及以下学历的员工”,产出不足相对严重的是“发电量”和“经营净现金流量”。
(2)电力企业投入产出相对效率最敏感的投入指标主要是固定资产和主营业务成本,产出指标主要是发电量和主营业务收入。
(3)各个电力企业在主营业务成本上的投入水平最不均衡,在利润总额上的产出水平最不平衡。
综上所述,应用DEA模型和算法可以比较不同电力企业的投入产出相对效率,衡量各个投入和产出指标对相对效率值的影响,分析非技术和规模有效的电力企业形成的原因及优化方向,为有关部门的决策提供定量、可靠的参考依据。
参考文献
[1].Cooper,W.W.,etc.Data Envelopment Analysis:AComprehensive Text withModels,Applications,References,andDEA-Solver Software[M].Boston:Kluwer Academic Publish-ers,2000
[2].尹航,李柏洲.混合DEA模型的区域工业系统运行效率分析与评价[J].运筹与管理,2008,(8):143~150
[3].魏权龄.数据包络分析[M].北京:科学出版社,2004
[4].王军霞,官建成.复合DEA方法在测度企业知识管理绩效中的应用[J].科学学研究,2002,(2):84~88
[5].傅毓维,邵争艳.影响区域高等教育资源优化配置的复合DEA分析[J].科学学与科学技术管理,2004,(11):94~96
产出效率评价 篇9
关键词：科技投入产出；二次相对评价；数据包络分析（DEA）
一、 引言
科技是第一生产力，是促进社会经济结构、上层建筑和社会变革的重要力量。科技竞争力是某地区一定时期内在科技领域所达到的先进程度的综合反映,是支持国民经济可持续发展目标的科技开发、转换、组织创新及其成长的综合能力。科技竞争力的提升，很大程度上依赖于科技投入产出效率的提高。因此，进行科技投入产出效率研究显得非常必要。
由于地理位置、经济条件等诸多因素的影响，区域之间科技基础条件总会存在差异。在评价区域科技投入产出效率方面，科技基础差的区域如果仅仅以静态的科技投入产出效率来与科技基础好的地区做比较，则无法体现科技基础差的区域在提高科技投入产出效率方面所做出的主观有效努力程度，就会使评价结果的激励作用受到限制。
本文将测算企业经济效益的二次相对评价方法应用于科技投入产出评价。该方法在静态的科技投入产出有效性评价结果的基础上动态地对科技管理的主观有效努力程度进行评价，以期揭示区域在提高科技投入产出效率过程中所做出的努力。
二、 科技投入产出二次相对评价模型
1． 二次相对评价。冯英浚，李成红于1995年提出用于衡量企业经济效益的二次相对效益指标并给出其测算方法。基于企业经济效益的二次相对效益是“把各企业以往的相对效益作为各企业基础条件的一种度量，并将它看作一种输入，而将各企业当前的相对效益看作一种输出，以此作为输入输出的因素，再次测算它们之间的相对效益”。他们指出采用二次相对效益作为评价各个企业经济效益的指标，可以使基础条件好的企业与基础条件差的企业同样都可以受到激励。
2． 科技投入产出二次相对评价模型。
（1）采用DEA方法C2R模型对区域科技投入产出相对效率进行评价。设科技投入产出效率评价指标中输入指标有m项，输出指标有p项。选取n个地区，每个地区是一个决策单元，则第j个地区的DMUj输入指标向量为
（2）对科技投入产出效率进行二次相对评价。运用DEA方法对区域以往科技投入产出相对效率进行评价，得到的评价结果可以看作被评价区域科技基础条件的一种度量，称之为参考效率。然后采用相同的方法对区域当前的科技投入产出效率进行评价，得到的评价结果称之为当前效率。
设有n个待评价的区域，xj是第j个区域的参考效率，yj是第j个区域的当前效率，我们称数组（xj，yj）是第j个区域的科技投入产出效率状态。
三、 科技投入产出二次相对效率测算
本文在客观性、系统性、目的性、可操作性以及简洁性等原则下，确定了科技投入产出效率评价指标：
科技投入指标X=（科技活动人员x1、科学家和工程师人数x2、科技经费支出x3、地方财政科技拨款x4）；科技产出指标Y=（科技论文发表数量y1、专利申请量y2、专利授权量y3、技术市场成交合同金额y4、高技术产业增加值y5、高技术产品出口额y6）。
本文对我国29个省、自治区、直辖市（部分地区由于数据缺失未包含在内）2004年到2005年的科技投入产出效率进行二次相对评价。将2004年的科技投入产出相对效率作为参考效率，2005年科技投入产出相对效率作为当前效率，可以测算出2005年我国29个地区科技投入产出的二次相对效率。然后根据第一次测算结果，将二次相对评价值为1的地区作为科技系统提高科技投入产出效率努力程度较大的第一类地区。将二次相对评价值为非1的地区再次进行二次相对评价，并根据第二次测算结果将二次相对评价值为1的地区作为科技系统提高科技投入产出效率努力程度较大的第二类地区，其余两次测算二次相对评价值都为非1的地区作为第三类地区。具体测算结果见表附1。
由附表1的计算结果可以看出，第一次测算值为1的地区包括北京、天津、山西、上海、江苏、山东、湖北、广东、重庆、陕西、甘肃、青海这12个地区，以上这12个地区我们将其划分为第一类地区。第一类地区科技系统提高科技投入产出效率方面的努力程度相对于全国其它地区来说是比较高的。其中北京、天津、上海、江苏、广东、重庆这6个地区2004年和2005年的科技投入产出有效性值均为1使得这些地区得到较高的二次相对评价结果。山东、湖北、陕西、甘肃这4个省虽然2004年科技投入产出都为非DEA有效，但是2005年这4个地区科技投入产出均为DEA有效，使得这4个地区的二次相对效率评价结果为1，山西、青海虽然连续两年科技投入产出效率都为非DEA有效，但是由于这两个地区2005年科技投入产出有效值较之2004年有较大幅度的提高，所以得到了较高的二次相对评价值，表明这些地区虽然科技基础比较薄弱，但是在科技系统提高科技投入产出效率上的努力程度相对于全国其他省份来说是较高。
第二次测算值为1的地区包括浙江、湖南、广西、贵州4个地区，我们将其划分为第二类地区，这些地区科技系统提高科技投入产出效率方面的努力程度虽然不及第一类地区，但是相对于其它第二次参加评价的地区来说是比较高的。两次评价结果均不为1的地区，将其划分为第三类地区，第三类地区科技系统提高科技投入产出效率上的有效主观努力程度相对于其它两类地区来说是比较低的。
四、 结论
本文采用的二次相对评价方法，消除了客观基础条件优劣造成的影响，能反映出科技系统在提高科技投入产出效率方面的主观有效努力程度，同时由于二次相对评价是一种动态的评价，无论基础条件好与坏，只要区域科技投入产出效率提高幅度大，就会得到较高的二次相对评价值，这在促进科技管理部门努力工作方面具有较大的激励作用。所以采用二次相对评价对科技投入产出进行评价是合适的。
注：原始数据来源于中国科技统计网。
参考文献：
1．陈亦人．现在科学技术概论．杭州：浙江科学技术出版社，2005．
2．马敏娜．城市科技竞争力评价指标体系及应用研究．税务与经济，2006，（2）：68-71.
3．冯英浚，高欣，魏松贤．生产有效性与管理有效性．管理工程学报，2001，（3）：27-29.
作者简介：权进民，西南交通大学经济管理学院博士生；花玉文，西南交通大学经济管理学院硕士生。
收稿日期：2007-10-16。
产出效率评价 篇10
高等院校作为我国重要的科研产出基地,对科学技术的发展起到非常重要的推动作用。而如何评价高等院校的科研效率也是近年来人们关注的问题。科学、合理地评价高等院校科研效率,不仅能将有限的科研资源进行合理配置,也能使其发挥最大的效用。目前,对于高等院校科研效率及其测度技术与方法,许多学者已经进行了研究。具体的测度技术与方法有综合投入产出法、数据包络分析、随机边界分析方法和生产函数法等。但以往的研究更多地是关注高等院校科技创新总量的研究,而较少研究高等院校科研的效率问题。
基于以往研究的成果,本文利用DEA和Malmquist指数分析方法,采用我国2003-2012年30个省市(西藏自治区由于数据不全,予以剔除)面板数据对科研投入产出效率进行分析。原因在于,高等院校是一个多投入(人、财、物等)、多产出(论文、成果、成果转化等)的系统,采用生产函数和综合投入产出法等方法很难完全刻画科研投入产出效率。随机边界分析方法虽然可以用于高等院校科研多投入、多产出系统,但它需要预先确定分析单元的生产函数模型。数据包络分析(Data Envelopment Analysis,DEA)和Malmquist指数分析方法是一种兼顾多投入和多产出指标的综合效率评价方法,它不需要预先确定生产函数形式,而且能动态的评价我国高等院校科研产出效率及发展趋势。而从目前已有的文献看,关于我国高等院校科研投入产出方面的研究,大部分都是从静态的视角测算各地区高校某一特定年份的投入产出效率,少有以面板数据动态地揭示了科研投入产出效率,因此,本文的研究可以在我国高等院校科研投入产出效率评价方面提供可借鉴的参考。
二、数据模型及样本数据的引入
(一)DEA模型
本文采用数据包络分析方法(以下简称DEA方法)对我国高等院校科研投入产出效率进行评价。数据包络方法运用线性规划技术,对不同决策单元的输入数据和输出数据进行分析,然后根据投入和产出评价的DMU的优劣,评价部门或单位间的相对有效性。
设有n个决策单元DMUj,每个DMUj都有m项投入和s个产出变量,其中,第j个DMU的投入为Xj=(x1j,x2j,…,xmj),产出为Yj=(y1j,y2j,…,ysj),则可用(Xj,Yj)表示第j个决策单元DMUj。当对第k个决策单元进行评价时,DMUk的效率评估模型如下:
这里,(Xj,Yj)为DMUk的投入和产出,ω和μ为权重系数。
为了便于计算,引入非阿基米德无穷小量ε,以及松弛变量s+和s_后,线性规划问题(1)转化为其对偶问题:
式中,λj为线性规划(2)的权重系数;θ为决策单元DMUk的综合效率值。在C2R模型中,当θ=1,且s+k=s_k=0时,则DMUk为DEA有效;当θ=1,且s+k≠0或s_k≠0时,则DMUk为DEA弱有效;当θ<1,则DMUk为DEA无效。
(二)Malmquist指数
Malmquist指数最初由瑞典经济学家Malmquist于1953年提出。1982年,Caves等提出在多投入产出条件下,基于投入的全要素生产率指数(用tfpch表示)可以用Malmquist指数来表示,即:
1994年Rolf Fare等将这一理论与DEA理论相结合,用于测算部门生产率的变动情况,把Malmquist指数分解为两部分。一是综合效率的变化,用effch表示;二是技术进步的变化,用techch表示。Malmquist指数公式表示为:
全要素生产率可以分解为技术进步率的变化(techch)和综合效率的变化(effch),综合效率的变化又可以分解为纯技术效率的变化(pech)和规模效率的变化(sech),即:
这里,effch>1代表效率改善,effch<1代表效率恶化;techch>1代表技术进步,techch<1代表技术退步。
(三)评价指标体系与样本数据引入
根据DEA分析方法的相关理论,在选取投入和产出指标时要考虑如下两个要求:一是选择评价指标体系,既要考虑投入和产出指标能够反映评价内容和评价目的,也要避免投入和产出指标之间存在强的线性关系;二是投入和产出指标乘积的2倍应该小于决策单元DMU的数目。
由于我国高等院校科研活动是多投入、多产出的复杂活动,对其投入产出效率的评价是一个复杂的系统工程。根据数据获取的科学性、可比性和可获得性原则,本文把研发人员全时当量、研发经费内部支出两个指标作为投入指标,以出版的科技专著、发表论文数和专利数四个指标作为产出指标。
决策单元DMU是DEA方法分析的对象,本文将我国30省市(西藏自治区由于数据不完整,予以剔除)的高等院校作为研究对象,数据来源于科技部的《中国主要科技指标数据库(2003年-2012年)》、知识产权局《国家知识产权局统计年报(2003年-2012年)》、教育部的《高等院校科技统计资料汇编(2003年-2012年)》和《中国科技统计年鉴(2003年-2012年)》等。由于投入产出指标乘积的两倍小于大于决策单元DMU,所以认为DEA评价结果具备有效的区分度。此外,由于决策单元DMU数据具有相同的条件以及同质性的特点,因而满足DEA评价的基本原则。
三、实证研究
(一)基于DEA方法的静态效率分析
本文采用DEA评价模型,运用DEAP2.1软件计算出2003-2013年我国30个省市高等院校科研投入产出的相对效率值,具体结果如表1和表2所示。根据表1的数据,第一,从综合效率的角度进行分析,全国有6个省份(吉林省、上海市、河南省、湖北省、云南省和宁夏)的效率值等于1,为DEA有效,并且同时具备技术效率和规模效率有效性,说明科研投入要素得到较为合理的组合及配置,科研投入产出效率处在相对最优的位置;而其他24个省份的效率值小于1,为非DEA有效,说明科研投入没有得到充分的利用。第二,从技术效率角度进行分析,全国有13个省份(北京市、内蒙古、上海市、江苏省、河南省、湖北省、海南省、云南省、陕西省、宁夏、吉林、山东和新疆)的效率值等于1,达到技术有效性,而其他17个省份的效率值小于1,处于技术效率无效状态。说明这13个省份对科技人员的利用以及对技术创新的重视程度较高,其他省份应该充分利用科技人员的知识以及加强科技创新来提高自身技术效率,进而提高科研投入产出效率。第三,从规模效率角度进行分析,全国有7个省份(吉林省、上海市、浙江省、河南省、湖北省、云南省和宁夏)的效率值等于1,为规模效率有效,且处于规模效率不变状态,说明这7个省份已经达到科研投入要素的最佳组合,因此只需保持不变即为最优配置;海南省和青海省属于规模效率递增,表明海南省和青海省需要通过增加科研投入的方式来提高产出水平;而其余21个省份属于规模效率递减,表明这些省份应该相对减少对科研的投入来提高效率。
从表2的数据可以看出,2003-2013年全国综合效率均值为0.805,技术效率均值为0.878,规模效率均值为0.915。东部地区综合效率和技术效率均值都远高于中部地区、东北地区和西部地区,且高于平均水平,而中部地区综合效率均值和技术效率均值都处于最低水平,说明东部地区在科研投入方面较其他地区较多,而其较低规模效率值也表明东部地区科研投入产出没有达到最佳配置。在规模效率方面,东部地区和西部地区规模效率均值高于中部地区和东北地区,其中西部地区规模效率均值最高,这源于西部地区部分省市拥有国内知名的985和211高校,如西安交通大学、西北工业大学、兰州大学等,这些高等院校都属于工科院校,国家对这些高等院校科技投入较高,从而带动了相关地区的规模效率值。
此外,为进一步分析技术效率和规模效率对综合效率的影响,找出制约综合效率提升的主要原因,本文分别绘制了技术效率与综合效率、规模效率与综合效率的拟合优度图,具体如图1、图2所示。从图1和图2可以看出,技术效率与综合效率在度量线上的拟合度高于规模效率与综合效率,由于拟合点越接近度量线影响力越小,因此说明造成我国高等院校科研投入产出效率差异的主要因素是规模效率。
(二)基于Malmquist指数的动态效率评价
由于以上DEA有效性分析是一种静态分析,同时也没有考虑技术变化对效率的影响,因此,本文采用Malmquist指数法对我国30个省市高等院校科研投入产出相对有效性进行动态分析,选择的时间序列数据为2003-2013年。根据公式(3)、公式(4)、公式(5),利用DEAP2.1软件,本文得到了我国30个省市高等院校10年科研投入、产出率的动态特征值—技术效率(effch)、技术进步效率(techch)、纯技术效率(pech)、规模效率(sech)、全要素生产率(tfpch)和Malmquist指数及构成,具体如表3和表4所示。
根据表3的数据,从我国30个省市高等院校科研投入产出的全要素生产率变化来看,仅有12个省市全要素生产率大于1,提升幅度最大的是浙江省,为16.2%。有18个省市的全要素生产率变化小于1,表明其全要素生产率有所下降。相对于全要素生产率小于1的省市,全要素生产率大于1的省市,其全要素生产率的增长主要归结于技术效率和技术进步效率的提高。从全要素生产率变化的分解指数可以看出,技术效率变化大于1的省市有11个,其他19个省市出现了技术效率下降,占全国的36.67%;技术进步变化大于1的省市有16个,其他14个省市都出现了技术衰退现象,占整全国的53.3%。
根据表4的数据,从全要素生产率变化可以看出,2003-2013年我国30个省市高等院校科研投入产出的全要素生产率平均值为0.987,最小值为0.667,最大值为1.127,全要素生产率呈现波动变化,除2003-2004年和2005-2006年之外,大致呈现增长趋势。这说明我国30个省市高等院校的全要素生产率存在很大的波动性,科技进步不稳定。从其增长结构来看,技术效率平均值为0.984,最小值为0.881,下降的原因主要源于规模效率的下降;最大值为1.045,上升的原因主要源于纯技术效率的增加。
为了分析东部地区、中部地区、西部地区、东北地区和全国高等院校科研投入产出效率状况,本文根据表5中的数据计算了Malmquist指数及其构成。
从表5可以看出,第一,东北地区全要素生产率大于1外,中部地区、东北地区和西部地区的全要素生产率变化均小于1,其中西部地区全要素生产率下降幅度最大,为1.3%。东部地区的全要素生产率增长主要取决于技术进步效率的提高,而西部地区全要素生产率的下降主要源于技术进行效率下降。第二,从技术效率变化来看,西部地区技术效率下降幅度最小,为1.6%,进一步分解技术效率,这主要源于纯技术效率的增加;东北地区技术效率下降幅度最大,进一步分解,可以看出东北地区技术效率下降主要是规模效率的下降幅度大而导致的。
四、结论
本文选取了2003-2013年我国30个省市的高等院校作为决策单元,采用DEA和Malmquist指数法实证研究了我国30个省市高等院校的科技投入产出效率,研究结果如下:
第一,从理论上看,首先DEA和Malmquist指数法相结合的方法是一种兼顾多投入和多产出指标的综合效率评价方法,不需要预先确定生产函数形式,而且能从静态和动态两个视角来评价我国高等院校科研产出效率。其次,以往的研究大部分都是从静态的视角测算各地区高校某一特定年份的投入产出效率,少有以面板数据动态地揭示了科研投入产出效率,因此,本文的研究可以在我国高等院校科研投入产出效率评价方面提供可借鉴的参考。
第二,从实践意义上看,本文的研究得出了如下结果:首先,从静态看,我国东部和中部、东北、西部地区之间的科研投入产出效率存在显著的区域性差异,东部地区的综合效率和技术效率远高于中部、东北、西部地区,而造成我国高等院校科研投入产出效率差异的主要因素是规模效率。其次,从动态上看,我国30个省市高等院校的全要素生产率存在很大的波动性,科技进步不稳定;技术效率变动、技术进步效率变动、纯技术效率变动和规模效率变动是影响我国高等院校科研投入产出效率的主要因素。
摘要：本文选取了2003-2013年我国30个省市的高等院校作为决策单元,采用DEA和Malmquist指数法实证研究了我国30个省市高等院校的科技投入产出效率研究,结果表明,第一,从静态看,我国东部和中部、东北、西部地区之间的科研投入产出效率存在显著的区域性差异,东部地区的综合效率和技术效率远高于中部、东北、西部地区,而造成我国高等院校科研投入产出效率差异的主要因素是规模效率;第二,从动态上看,我国30个省市高等院校的全要素生产率存在很大的波动性,科技进步不稳定;技术效率变动、技术进步效率变动、纯技术效率变动和规模效率变动是影响我国高等院校科研投入产出效率的主要因素。
关键词：DEA,Malmquist指数,科研投入产出,效率评价
参考文献
[1]孙世敏、项华录、兰博:《基于DEA的我国地区高校科研投入产出效率分析》,《科学学与科学技术管理》2007年第7期。