DEA交叉效率评价（精选10篇）
DEA交叉效率评价 篇1
摘要：电商企业日益增多, 越来越多的人选择在网上消费和购物, 给企业带来了很大的利润, 但同时电商企业的效率还未达到令人满意, 因此有必要通过电商企业的效率评价, 找出综合发展效率较高的企业, 为其他企业的运营提供借鉴;另一方面针对企业效率评价方法多为定性分析, 采用定量的DEA方法, 并在传统DEA的基础上, 提出有效改进DEA中自身最优的交叉效率评价方法。最后, 选取了10家电商平台上的卖家, 并设置了相关的评价指标, 分别运用两种模型对其进行效率评价, 得出按发展效率进行的电商企业有效排序结果。
关键词：数据包络分析,交叉效率,效益评价
一、引言
随着电子商务的不断发展, 电商企业不断增多, 网络消费群体也在不断扩大, 并且越来越多的企业由传统行业转型为电商企业, 这给企业带来了丰厚的利润, 但是企业在一味追求利润的同时也需要考虑投入产出效率。某知名电商平台上商家的效益可视为多指标投入和产出的系统, 商家效益好坏体现了企业的盈利能力的强弱, 如何提高商家效益是企业关注的重点。数据包络分析法, 简称DEA, 以及DEA交叉效率评价法在处理多输入多输出的有效性评价方面, 具有显著优势。数据包络分析法 (DEA方法) 是处理多输入多输出问题的基本模型, 而DEA交叉效率评价法是对DEA模型的改进。文章通过阐述分析数据包络分析和数据包络分析的交叉效率评价法的基本理论, 运用两种方法分别对选取的10家电商平台上的卖家进行了效益评价, 将二者进行对比分析, 并进行相关排序。
二、DEA模型介绍
(一) DEA概述
DEA方法于1978年首次被美国运筹学家提出, 其理论基础是“相对评价效率”的概念, 它是对相同类型的单位或者部门, 根据多指标输入和输出原则进行效益评价的新方法[1]。它在解决多目标决策等相关问题等方面非常有效。
采用DEA软件计算的结果以0到1区间的数字表示, 1表示DEA有效, 否则为非DEA有效。若某个决策单元为非DEA有效, 使之与同类型的其他决策单元进行比较, 看差距有多大, 找出问题所在, 之后做出完善。
现实情况下DEA的特点包括:1.DEA在确定输入输出指标的权重时具有客观性, 避免了人为因素的干扰;2.DEA无需确定决策单元输入输出指标相互间的显性关系表达式;3.采用DEA方法在有些情况下是存在误差的, 由于模型采用的是线性规划方法, 评价结果可能由于随机项的干扰产生影响;4.所使用的评价指标对于总评价目标均具有相同的权重, 指标间的重要程度被忽视了;5.每个决策单元都是以自身最优化的角度进行评价, 忽视了其他企业最优情况下本企业的效率变化情况, 缺少了综合的评价效果[2]。
(二) DEA交叉效率评价方法
DEA交叉效率评价是一种新的评价方法, 他是将DEA当作多准则决策的其中一种排序工具的前提上产生的。交叉效率模型是1986年由Sexton等人首次提出的一种用做评估排序的新的DEA方法。交叉效率评价就是将每个决策单元的投入数据及产出数据均以其他企业效率最优时的权重进行评价, 即用所有决策单元的自身最优权重值来评价每个决策单元。
交叉效率评价是将自我评价和其他评价进行了融合, 决策单元从自身效率最优的角度和其他企业效率最大化的角度两方面进行评价[3]。从而在n个决策单元中每个决策单元都可以得到n个自身效率最优值。交叉效率评价法是在DEA方法的基础上进行改进的, 在某些程度上可以看做是对DEA方法的改进和完善, 最后得到了综合评价的效果。
假设有m种类型的输入, s种类型的输出,
输入指标的向量:Xi=[xi1, xi2, ..., xim]
输出指标的向量:Yi=[yi1, yi2, ..., yis]
n个决策单元:DMUi=[Xi, Yi]
输入指标的权向量:v=[v1, v2, ..., vm], 输出指标的权向量:u=[u1, u2, ..., us]
效率评价指数, 即为DMUi的总输出与总输入的比值:
基于CCR模型, 建立起交叉效率评价矩阵:
上面, 主对角线的元素Eii为决策单元的自我评价值, 而非主对角线的元素Eik (k≠i) 为决策单元交叉评价值。输入指标和输出指标的权向量的定义方法如下所示。对于每个决策单元DMUi, 可以采用下面规划模型求解 (k=1, 2, ...n, k≠i) :
得出最优解:和, 得出交叉效率评价值:。
在交叉效率评价矩阵E中, 其中E的第i行是DMUi对i个决策单元的评价值, 它的值越小, 就会对DMUi越有利;矩阵E的第i列是i个决策单元对DMUi的评价值, 它的值越大那么DMUi就会越优。对评价矩阵第i列进行平均值计算, 它可以当作判断DMUi优劣的一个指标。Ei可作为所有决策单元对DMUi的总评价值, Ei的值越大, 就说明DMUi越优[4]。
三、评价指标体系的建立
(一) 决策单元的选取
决策单元DMU是使用DEA模型来进行评估和比较的。在选择决策单元DMU时, 需要有相同的外部环境和内部结构, 为了保障评价结果是有意义的, 选取的决策单元需要具有相同的立足点, 即选取标准必须是同类型的DMU[5]。同一类型的DMU, 其特点如下:1.所有的决策单元必须要有相同的目标和任务;2.所有决策单元需要具有相同的外部环境条件;3.所有的决策单元具有相同的输入输出指标。基于上述要求, 本文选取了10家具有代表性的电商企业作为DEA模型的决策单元。
(二) 评价指标的选取
企业的盈利能力是电商企业发展过程中成败的关键。本文主要选取了企业资产总额、主营业务收入、利润总额、债务保护倍数、电子商务能力五个指标来对电商企业的经营效益进行评价。资产总额是指企业拥有的全部资产的总计, 它等于负债加所有者权益之和。主营业务收入指的是企业在其经营的主要业务上的收入。利润总额代表的是企业的盈亏总额, 是指企业在扣除各种费用和税收后的盈利情况。债务保护倍数指的是债权人提供的资金会受到所有者权益的有效保障, 同时企业偿还长期债务的能力和债务保护倍数二者是成正比的, 债务保护倍数越高, 企业偿还长期债务的能力越强, 反之越弱。电子商务能力包括了信息提供能力、在线交易能力、客户定制能力及供应商系统集成能力, 以及电子商务的服务能力。这些都是衡量电商企业运营情况的最基本的指标。其中输入指标为企业资产总额, 输出指标为主营业务收入、利润总额、债务保护倍数、电子商务能力。
四、计算结果与分析
(一) 基于DEA的数据分析
把上面的输入和输出指标数据输入到DEA的CCR模型中。得到决策单元DMU的相对效率值, 结果为1表示有效, 否则无效。用CCR模型计算的10家决策单元有效性, 得到的结果如下:
(二) 基于交叉效率DEA的分析
将上述输入输出指标数据代入到DEA交叉效率评价模型中。选用MATLAB软件进行线性规划模型的求解。经编程计算, 得到10家电商企业综合效率评价指标值。
其中对角线元素为个决策单元即电商企业的自我评价值:
对比发现基于交叉效率DEA的评价结果中对角线数值与DEA评价的结果一致。但是, DEA中无法对有效单元进一步排序, 所以, 需要使用基于交叉效率DEA的方法进一步得出各个电商企业即决策单元的平均交叉效率评价值:
按照得出的结果, 将各个企业效益由小到大进行排序有:
因此得出, 这10家电商企业中效益评价最高的是DMU9、效益评价最低的是DMU10。
五、结论
DEA分析结果表明, 10家电商企业中只有第5家和第9家DEA有效, 结果并非全是DEA有效的, 那么其他企业就需要找出产生该问题的原因, 并作出努力。从经济意义上讲, DEA有效的两家电商企业在规模和技术上都是有效的, 企业资源配置已经达到最优组合, 而且达到了最优的效果。但是, 结果为DEA有效的电商企业在现实环境下不可能达到百分之百的资源利用率, 因为它计算的结果是相对的数字。用DEA交叉效率评价法计算出的10家电商企业排名, 更好的表明了10家企业经营效益的相对优劣, 即反映了其投入产出的效率。DEA数据包络分析法在指标数据的选择上可观性比较强, 排除了主观因素的影响, 但是在以投入最小或者产出最大化的最优准则的前提下, 为企业设置最优权重的同时忽略了企业间的相互评价, 所以交叉效率评价法的引入弥补了DEA数据包络分析法自我评价的不足, 分别用两个方法计算得到每个决策单元的相对效率评价以及决策单元的平均交叉评价值, 使结果更为准确, 更能体现企业的综合竞争力。
参考文献
[1]魏权龄.评价相对有效性的数据包络分析模型[M].北京:中国人民大学出版社, 2012:7-99.
[2]马占新.数据包络分析模型与方法[M].北京:科学出版社, 2010.
[3]王金祥.基于超效率DEA模型的交叉效率评价方法[J].系统工程, 2009, 27 (6) :115-118.
[4]彭育威等.利用MATLAB进行DEA交叉评价分析[J].西南民族大学学报 (自然科学版) , 2004 (5) :553-556.
[5]杜栋, 庞庆华, 吴炎.现代综合评价方法与案例精选[M].北京:清华大学出版社, 2008.6:62-70.
DEA交叉效率评价 篇2
中国经济发展进人新常态是中国经济发展阶段性特征的必然反映，新常态反映在农业领域，即农业发展速度的变化、动力的转化和结构的优化，最根本是转变农业发展方式。这就要求农业领域要主动适应经济发展新常态，继续夯实农业稳定发展的基础，农业新常态是农业经济发展的必然选择。同时，发展方式的切实转变是建设两型社会的必然选择，也是贯彻落实科学发展观、实现社会可持续发展的重大举措。作为农业大省，湖北省承担着保障国家粮食安全和实现农产品有效供给的责任，因此，分析湖北省农业增长方式从增加要素投入到通过效率的转变具有重要意义。
农业经济研究一直是国内众多学者的一项重要课题。冉杰等□运用DEA法和曼奎斯特生产效率指数对中国西部农业生产效率进行了总体效率分析、规模状况分析和生产力指数分折;倪冰莉等[2]应用DEA法对中国中部六省1990-的农业生产效率变化进行了分析;王爽英等[3]运用主成分分析方法，选择可反映湖南省农业发展现状的8个指标，并借助DPS数据处理系统对湖南省地市进行了研究;黄利军等w采用DEA方法对西部地区农业生产效率进行分析，探讨了来西部地区农业生产效率;钱丽等运用3个DEA模型对安教省17个地市-20农业生产效率进行了实证研究分析;涂俊等[6]运用DEA、Tobit两步法对中国30个省(市、自治区)的农业创新系统效率以及影响因素进行了分析比较;贺正楚等[7]运用层次聚类、混合聚类方法对湖南省市州“两型社会”区域农业发展状况进行了评价以及提出了备选方案。综上所述，各学者对农业经济效率的分析大部分是基于区域进行研究以及关注投入产出效率值并对其进行排序，但都未能对单个决策单元进行深入探讨，对湖北省各地市农业经济效率的评价还未见于相关文献。本研究基于构建DEA投人与产出模型、Malmquist指数法对-湖北省13个地市的农业经济效率进行测算评价，分析了湖北省各地市农业生产效率的内部差异及原因，提出了最优生产可能性边界，从而提出改进农业生产效率的根本方法，以优化农业资源配置，促进其高效稳步发展。
1研究方法
数据包络方法(Decisionmakingunit,DMU)是由美国著名运筹学家Chames等[8]在1978年以“相对有效性”概念为基础创立的，用于研究多投人与多产出对象的规模有效性和技术有效性的一种线性规划模型。此后，Banker等[9]构建了C2R模型。
把每一个省看作一个生产决策单位，运用Fare等改造的DEA方法来构造每一个时期中部各省的生产最佳前沿面。把每一个省的生产同最佳实践前沿进行比较,从而对效率变化和技术进步进行测度。
Malmquist模型用于处理面板数据，是一种生产前沿方法。Malmquist生产率变化指数是Caves等[11]在Malmquist数量指数与Shepherd距离函数概念基础上建立起来的用于测量全要素生产率变化的专门指数。Fare等?运用生产函数法，并在规模报酬不变的假设下，把7TP(全要素生产率)分解为技术效率指数和技术进步指数。在规模报酬可变的假设下;技术效率进一步分解为纯技术效率和规模效率。
2指标选取和数据来源
依据农业生产系统多输入、多输出的特点，农业投人产出的特征以及评价指标的可量化性、可靠性、可得性原则选取了能够反映湖北省13个市(自治州)农业生产效率整体情况的投人、产出指标。选取4个投入指标和2个产出指标作为研究湖北省农业经济效率的评价指标体系，力求客观公正地反映整个农业生产系统的效率。投人指标包括农牧渔业的劳动力(不)、农作物总播种面积(Z2)、农业机械总动力(X3)、农用化肥施用量(Z4),分别可以反映人力资本投入、土地要素投人、技术投人;产出指标包括农林牧渔业总产值(F0、农村家庭人均年纯收入cr2),可以反映在农业经济方面所取得的成果和效益。指标数据均来源于2008-20〈〈湖北省统计年鉴》、《中国农村统计年鉴》。
3综合效率分析
运用Deap2.1软件对湖北省13个地市的农业投人产出面板数据进行分析，得到农业生产综合效率及纯技术效率、规模效率的数值。从综合技术效率及其构成纯技术效率、规模效率的平均值来看，三者的变化具有同步性，均值在0.8~0.9间波动变化且有递减趋势，说明湖北省农业生产不稳定，且地区差异显著;有3个地市达到DEA有效,5个地市处于规模效益递增阶段，即这些地市农业生产规模效益还没有完全发挥出来，调整投入会使规模效益增加，农业再投资效益比较高。规模效益递减地市由2008年的3个增加至年的5个，具有很大的调整空间和投资价值。纯技术效率的均值基本上大于规模效率的均值，且纯技术效率处于有效以及递增的地市有10个，占总数的77%,说明纯技术效率对综合效率的贡献更大，湖北省农业发展向技术导向型转移。
2008-2012年，武汉、黄石、鄂州等三地市一直保持领先地位，均为DEA有效,综合技术效率、纯技术效率和规模效率值均为1,表示农业生产要素投人配置效率最优，顺应农业可持续发展的趋势;在既有制度和管理水平下，农业效益达到了最大化，现有规模和最优生产规模没有差异，处于规模收益不变的状态，即扩大一定比例的农业投人，相应地产出也会同比例增加。
2008-，荆州市处于DEA有效状态，综合效率、纯技术效率和规模效率都处于有效状态，且重视技术的发展。随着农业技术的稳步发展，技术的有效利用和既有规模相互匹配，实现了农业收益的最大化。-2012年，荆州市综合生产效率从0.779递减为0.568,综合效率位居湖北省各地市倒数第二，随着规模效率的急剧降低而降低并有加速现象，规模效益也由不变转为递减状态。十堰市与荆州市农业发展战略相反，忽视技术，重视规模的简单扩大，近几年均处于DEA无效状态，综合效率位居湖北省末端。综合效率的提高更多依靠农业生产规模的扩大，农业技术很薄弱。
2008-，咸宁、随州等地市综合效率值为0.8及以上水平，属于湖北省农业生产综合效率较高地市，至2012年，两地市综合效率存在下降趋势。此外，两地市处于规模报酬递增阶段，增加一定比例的投人可以带来一定比例或者更多的经济效益。同时，规模效率值均高于纯技术效率值，表明规模效益递增是依靠生产规模的扩大，农业技术有效发挥还不足。
2008-2012年，襄阳、恩施综合效率无效，规模效率变化波动大，技术效率变化趋于平稳。其中，纯技术效率值均为1，表示在目前的技术水平下，投人资源的使用是有效率的，综合效率无效的.根本原因是规模效率不断减少。其中恩施近几年规模效率一直是0.5~0.6之间，处于各地市之末，仅为DEA有效地市的一半。襄阳、恩施分别处于规模效益递减、递增阶段，因此，在技术效率有效的前提下，其改革的重点在于调整经营规模与既有技术吻合，以更好地发挥其规模效益。
2012年，宜昌、孝感、荆门和黄冈综合效率处于较高水平。其中，2008-2012年荆门、孝感和黄冈农业综合效率及其纯技术效率、规模效率分别有4年、3年和1年达到DEA最优，且松弛变量为0,农业生产要素配置达到最优效率，农业处于最佳规模、最佳效率。孝感、荆门和黄冈等地市规模效益处于不变、递增以及递减交替变化状态;宜昌规模效益处于递减且纯技术效率、规模效率值呈波动变化状态，说明这些地市农业发展不稳定，需要对投人产出结构进行调整，以更好地适应农业效益提高的需求。
4Malmquist指数分析
为了反映湖北省农业全要素生产率增长及其构成变化情况，利用deap2.1软件对2008-2012年湖北省各地市农业面板数据进行了测算和分解。
4.1全要素生产率变化趋势
根据农业效率Malmquist生产力指数分解表可以看出，有9个地市农业全要素生产率(7TP)指数大于1,只有荆州、荆门、黄冈和咸宁等地市小于1。2012年7F尸平均增速为15.3%,T/P指数最大的地市是武汉,最高增长率为41.9%,说明湖北省农业生产效率进步较快，农业发展在向技术导向型转变，农业的可持续性一直在增强。2008-2012年湖北省77中均值总体上实现波动增长，且增长幅度逐年加大，：TFP平均增长率由7%增长至15.3%，其中-2012年TFP均值增长幅度弱于其他年份。
湖北省77于的变化趋势与技术进步变化趋势一致，与技术效率呈反向变动，技术进步的贡献超过了技术效率的贡献，抬高了农业生产前沿面。随着农业科学技术的发展，湖北省采用更先进的农业生产技术为农业生产发展提供了巨大的动力。2011-2012年TFP平均增长率为15.3%,技术进步平均增长率为24.7%,而技术效率的贡献率约为-7.4%,技术进步与效率缺失并存的现象说明湖北省一些地市忽视农业技术对77中的影响，农业技术创新、推广工作滞后，这也是2011-2012年77中均值增长幅度低于其他年份的原因。
4.2各地市农业全要素生产率指数及构成情况
从2008年起，湖北省13个地市技术进步增长率均高于技术效率增长率，这是由rc(技术进步指数)增长效应带来的。2012年武汉市技术进步增幅为41.9%,为13个地市之首。武汉市为湖北省省会，地理区位优越，拥有健全完善的农业体系，注重推行农业产业化发展以及推广农业新技术。随州7FP增幅为9.5%，位居近几年TFP正增长的9个地市之末，说明随州农业发展势头弱于其他地市，原因是技术效率增速为-14.4%,严重拉低了TFP增速。因此，随州首先要注重技术效率的滞后对rFP的束缚作用，从技术效率构成角度讲，即提高纯技术效率、规模效率增长水平，此外应关注科技管理及制度创新。其余地市7TP年均增长大体相同。从各地市的7TP增长情况看，其差异性与地区经济发展水平具有较高一致性，即经济较发达地市TFP增长相对较高，经济落后地市77中增长相对较低。
从构成看,技术进步的增长与技术效率的缺口并存现象较严重。农业技术进步增长效应最明显、增速最快的是武汉，由2008年的7.3%增为41.9%,农业技术进步增长最弱的是荆门，20TC为-2.2%。技术效率相比技术进步对7F尸的增长效应不明显，大多数地市值等于或小于1。技术效率增长最大的是宜昌，20为18%,技术效率增长最弱的是荆州，2012年为22.6%。
4.3非有效地市的投入调整分析
DEA方法提供了各地区要素投人冗余的绝对量，用于分析非DEA有效地市农业生产效率低下的原因。非有效DMU的各投入指标均有冗余量，不同DMU的冗余指标也有所差别。从投入指标看，农作物总播种面积冗余量最大，其中黄冈冗余最大，冗余量为395.582,荆州次之，冗余量为349.803;农业机械总动力指标冗余量也较大，其中荆门冗余量为238.556;农林牧渔业从业人数冗余较小，冗余量最大的是黄冈，数值为49.492。可见这些地市耕地利用率低、农业机械总动力未充分发挥、劳动力供过于求，应当减少这三类指标的投人，提高其利用效率。农用化肥施用量指标冗余率在非DEA有效地市中最低，接近有效生产前沿面，利用效率较优。从产出指标看，各地市农林牧渔业总产值已达最优，不存在产出不足，农村家庭人均年纯收人指标产出严重不足，其中十堰产出不足高达4322.530。
5结论与建议
本研究运用DEA方法和Malmqulst指数法对农业生产效率进行了评价，得到武汉、黄石和鄂州一直处于DEA有效，其他10个地市DEA无效，其中恩施州综合效率最低。湖北省各地市综合效率均值呈波动变化且有递减趋势，农业生产发展不稳定且地区差异显著。综合效率的增长更多取决于纯技术效率，湖北省农业发展向技术导向型转移。
从农业全要素生产率来看，7TP均值总体上实现波动增长，且增长幅度逐年加大，农业的可持续性一直在增强。湖北省的变化趋势与技术进步变化趋势一致,技术进步的贡献超过了技术效率的贡献，为农业生产发展提供了巨大动力，但目前农业发展存在农业技术进步与农业效率缺失并存的现象。因此，农业部门应不断健全农产品市场体系，利用市场的力量加大农产品竞争力度，并对农业科技部门、农户给予财政支持、技术支持，加大农业科技成果的生产转化力度，注重农业技术的推广和应用，增强农业效率对农业经济效益的带动作用。同时，综合效率高的地市应进一步发挥优势，带动周边地市的农业生产效率。十堰、恩施等地市农业发展方向应以因地制宜、发挥特色为原则，发展种植业、畜牧业、旱作节水等多种农业形式。
从冗余与不足整体来看，主要在农作物总播种面积、农业机械总动力、农林牧渔业从业人数这三个指标存在冗余，要使生产效率达到DEA有效，农业发展有很大的缩减、调整投人要素的空间。首先应考虑调整土地资源的配置，实行农业产业化经营，提高耕地集约利用水平;其次有效利用农业现代化机械，使实际产出量与效率最优对应的产出量之间差距趋于零;最后优化农业人力资源配置，提高农业人口的素质，实施农民非农化，将劳动力资源优势转化为经济效益。
参考文献：
[1]冉杰，王新宇.基于DEA的西部农业经济效率与技术进步率评价[J].统计与决策，(3):102-103.
[2]倪冰莉，张红岩.我国中部地区农业技术进步、生产效率的构成分析[J].云南财经大学学报,2010,26(2):141-146.
[3]王爽英，李立辉，戴向洋.基于主成分分析方法的湖南省农业区域经济评价及发展方向[J].农业现代化研究,2010,31(2):115118.
[4]黄利军，胡同泽.基于数据包络法(DEA)的中国西部地区农业生产效率分析[J].农业现代化研究，,27(6):420-424.
[5]钱丽，肖仁桥，杨桂元.基于DEA模型的安徽省农业生产效率评价研究[J].工业技术经济,2010,29(10):121-126.
[6]涂俊，吴贵生.基于DEA-Tobit两步法的区域农业创新系统评价及分析[J].数量经济技术经济研究,2006,23(4):136-145.
DEA交叉效率评价 篇3
关键词:DEA;旅游业;评价
近20多年来随着我国经济的快速发展,人民生活水平日益提高,旅游业取得了令人瞩目的成就。旅游业在我国经济发展中的产业地位、经济作用日益得到提高。如何抓好旅游產业的培育,是目前迫切需要解决的问题。为此,对各地区旅游业发展状况进行有效的评价很有必要。
在国内大多数以星级酒店为研究对象。而研究区域旅游产业效率不多见,陆湘林对山东省17地市旅游业效率的研究,杨荣海、曾伟对云南旅游效率进行了研究;而对整个国内区域的效率研究比较缺乏。故本文就以DEA方法对中国各地区的旅游产业效率进行探讨,并提出提高地区效率的相应对策。
一、DEA模型介绍
DEA是一种“面向数据”的测评方法,用于测评一组具有多种投入和多种产出的决策单元的绩效和相对效率。由于DEA方法对个体的差异尤其是DMU效率的考察有着独特优势,而且可以规避参数方法的多种限制,所以被广泛地应用于各个领域。
(一)CCR模型
假定一组被考察单元的个数为n个,每个被考察单元有s个输出变量和m个输入变量。yjk表示第k个被考察单元的第j个输出变量,xik是第k个单元的第i个输入变量。第k个决策单元总效率计算问题可以转化成如下线性规划问题:
min θ
(C C R)s.t.Xλ≤θXYλ≥Yλ≥0.j=1......n①
公式①中Xk=(x1k,x2k,…xmk),Yk=(y1k,y2k,…ysk)。此模型称为CCR模型,是规模收益不变的假设下得到的。
(二)超效率DEA模型
DEA的CCR模型把决策单元分为有效和无效两种,而对于同时有效的决策单元,则无法再做出评价和比较。Andersen等于1993年提出一种超效率评价模型能够对DEA有效的单元进行排序。
超效率评价模型与CCR模型数学形式相似,其形式如下:
s.tXλ≤θXYλ≥Yλ≥0.j=1......n②
(三)BCC模型
线性规划(1)假设规模收益不变,使得运作在规模收益递增或递减的有效前沿面上的DMU得到非DEA有效的评价结果,却没有区分是规模有效还是技术非有效。
min σ
s.t∑λY≥Y∑λX≤σX∑λ=1λ≥0j=1,2,...,n③
BCC模型引入约束∑λ=1,去掉规模收益不变的假设,可以得出单元的纯技术效率。
BCC模型将系统效率分解为纯技术效率和规模效率,即系统效率=纯技术效率*规模效率。纯技术效率指各地每年能否有效利用生产技术,使产出最大化;它表示投入要素在使用上的效率。规模效率指各地每年产出与投入比例是否得当,实现产出最大化。
二、变量和数据的选取
变量选取要考虑旅游行业的本身的特点(资金、劳动密集型)而且要考虑数据的可获得性,所以笔者选取了固定资产、基本单位数及从业人员作为投入指标,以营业收入和旅游人次(包括国内或入境游)作为产出指标;其中投入变量和产出变量的数据包含星级酒店,旅行社及其他旅游企业。考虑的数据的权威性,我们采用了《中国旅游统计年鉴》2007年正副本数据。考虑到投入和产出滞后效应的同时性,以及当年投入的大部分必然影响当年产出大部分的实际情况,本研究也忽略这种滞后效应对旅游效率结果的影响。
三、结果分析
我们选取之前介绍的DEA模型,计算各地区旅游业的系统效率、纯技术效率、规模效率,结果如表1所示:
(一)规模收益分析
按照规模收益值把各决策单元分为规模收益递增,规模收益不变,规模收益递减三种情况,具体见表1。
北京、天津、上海、安徽、河南、重庆的规模收益值为1,旅游发展表现为规模收益不变,即在此投入组合基础上,增加旅游投入会导致旅游产出等比例增加。山西、内蒙古等12省(市)、自治区规模收益值小于1,旅游发展表现为规模收益递增,即在此投入组合基础上,增加旅游投入会导致旅游产出“规模经济”。
其余地区的规模收益值大于1,旅游发展表现为规模收益递减,即在此投入组合基础上,增加旅游投入会导致旅游产出“规模不经济”。
(二)技术效率和规模效率分析
从上述理论部分说明得到可知系统效率=纯技术效率*规模效率,由表1可知由于纯技术效率引起的系统无效的地区只有1个,占系统无效比例的4%;由于规模效率引起的系统无效的地区有5个,占系统无效比例的20%;由于纯技术效率和规模效率引起的系统无效有19个,占统无效比例的76%。
(三)东中西部效率差异分析
改革开放以来,中国形成了东部,西部,中部三个地区,而且表现出地域发展水平较高的大多数集中在东部沿海一带,那地区差异在旅游业效率上是否存在呢?我们将从不同的地区旅游业效率进行辨别。这里我们采用非参数检验方法。结果如下表2所示:
如表2所示,我们没有理由拒绝“三个地区旅游业系统效率、纯技术效率和规模效率相同”这个假设:Kruskal-Wallis检验证明,三个区域旅游生产效率的差异性是不显著的。同样的,我们发现东部、西部、中部的两者之间无差异:Mann-Whitney检验证明不显著。
(四)旅游业地区聚类分析
为了更加清晰地划分各地区的旅游生产模式,我们将Michael Norman和Barry Stocker的方法进行聚类分析,我们把它分为如表3所示的5类(最优规模、规模过小、规模过大、纯技术无效率和易改进):
处于最优规模的地区,其总体效率(纯技术效率和规模效率)都大于1,其地区无需改进。处于规模过小的地区,其规模效率小于0.9,规模报酬递增,这些地区不仅需要增加投入,而且要注意其投入比例。在无效率的地区中都有冗余,如果光不计比例的增加投入,必然不能改变其投入产出效率。处于纯技术无效的地区,其投入的运用效率不高,导致产出不高,其必须提高每年的投入运用效率,使产出最大化。处于规模过大的地区,规模报酬递减的,更应该对现有资源的利用现状进行分析,设法充分利用现有资源提高其产出,从而达到更优的状态。处于易改进的地区,其规模效率和纯技术效率都比较高,只要略微改进即可。
四、理论解释
根据波特教授的定义,产业集群是一组在地理上靠近的相互联系的公司和关联的机构,它们同处或相关于一个特定的产业领域,由于具有共性和互补性而联系在一起。而旅游产业集群是指围绕旅游六大要素,以旅游目的地为核心,同时具有竞争与合作关系,且在目的地地区范围内相对集中,有交互关联性的企业、专业化供应商、相关产业的厂商以及相关的机构的旅游经济集聚现象。邓冰等人认为旅游产业集群的形成和发展有以下几个条件:旅游资源、客源市场、交通区位、产业链作用、政府支持等。国内学者徐康宁认为凡是经济开放程度较高的地区,产业集群的特征就比较突出;相反,产业集群的现象就比较弱。
我们可以看到效率较高地区的形成旅游产业集群的条件都比较成熟,且相对占有一定的优势。而且可以看到北京、上海等地其经济开放程度高,产业集群的特征就比较突出。故我们认为那些效率较高的城市其旅游产业集群现象相对较高。旅游产业集群能降低经营成本;使旅游企业有了更强的创新能力;促使政府加大基础设施投入;促使集群内的旅游企业改进企业制度,完善企业管理机制,达到资源的优化配置。而且旅游产业集群的强大可以促使本地旅游品牌的影响力的提高,创建旅游目的地明星效应。所以我们认为上海、北京等地区旅游效率高的原因之一就是其旅游产业形成了较强的集群效应。由于产业集群的作用使得这些地区资源组合能力、转化能力、分配能力相对较强,最终使得这些地区的投入产出效率较高。
参考文献:
1、Mary’a,Jesu’s Such.Mary’a del Mar Zamora[J].Spanish Productivity:A Regional Approach. Annals of Tourism Research,2006(3).
2、陆相林.DEA方法在区域旅游发展评价中的应——以山东省17地市为例[J].湖北大学学报,2007.
3、杨荣海,曾伟.基于DEA方法的云南旅游业效率研究[J].云南财经大学报,2008(1).
4、邵琪伟.中国旅游统计年鉴(2007)[M].中国旅游出版社,2008.
*本文属四川省哲学社会科学重点研究基地——四川旅游发展研究中心立项资助课题(编号LY08-14)。
DEA交叉效率评价 篇4
高校(尤其是研究型大学)是高层次创新人才培养的重要基地,也是基础研究和高技术领域创新成果的重要源泉。研究型大学在创新型国家建设中具有重要的地位和作用。“985”工程是我国政府为建设若干所世界一流大学和一批国际知名的高水平研究型大学而实施的高等教育建设工程。截止到目前,我国共有39所“985”工程大学。这些大学承担着我国高校大部分的科研项目,占有和使用了我国绝大部分的稀缺优质教育资源,拥有中国最优秀的师资和科研人员和最充沛的科研经费。在我国特定发展阶段教育资源稀缺有限的现实国情下,如何科学地评价这些研究型大学的科研效率,如何合理地配置科研资源、推进创新型国家建设具有重要的现实意义。
效率评价与生产可能性边界密切相关,进行效率评价的关键是构造生产前沿面。生产前沿面的构造有参数法和非参数法两大类。其中非参数方法以数据包络分析法(DEA)为代表,无需假定特定的生产函数形式,而且能够处理多投入、多产出的情形,在高校这种多输入多输出复杂的系统的效率评价中得到了越来越多的应用。Abbott和Doucoliagos (2003)等学者运用DEA方法测算了36所澳大利亚大学的技术效率和规模效率,研究结果表明这些高校的整体运行效率良好[1]。Athanassopoulos和Shale (1997)分别采用DEA和传统绩效评价方法对英国45所大学进行了效率评价[2]。Avkiran (2001)采用DEA方法对澳大利亚大学的整体技术效率和规模效率进行了分析,结果表明这些大学的技术和规模效率运行良好,但大部分大学的运行处于规模报酬递减状况,因此需要减小规模[3]。苗玉凤和田东平(2007)从教育经济学的角度出发,采用数据包络分析方法定量研究了我国高校资源利用效率状况[4]。陈召魁(2011)以教育部直属高校为评价对象进行了基于DEA方法的评价体系的构建和实证分析[5]。郭海娜(2012)选取64所教育部直属高校作为研究对象,运用基于DEA的Malmquist生产率指数方法进行跨期生产率变动研究,实现对教育部直属高校科研效率的静态与动态的全面评价[6]。赵晓阳和刘金兰(2012)使用非参数的DEA和Malmquist指数方法对我国37所“985”高校科研投入产出指标的面板数据进行了静态效率和动态效率变化的综合评价,结果发现我国各“985”高校科研效率整体偏低[7]。罗杭(2013)应用EIMS软件进行超效率数据包络分析对中国“985”高校进行了效率评价[8]。
上述研究虽然也取得了丰富的成果,为我们评价高校的科研效率提供了有益的借鉴,但也存在一定的问题。一是有些研究在选择评价对象时,不太注重评价对象的同质性,评价对象之间缺乏可比性,如将不同类型的大学放在一起评价;二是不区分大学的教学和科研效率,降低了评价结果的针对性;三是在DEA模型的选择上多以早期的CCR模型、BBC模型为主,这些模型虽然简单易用,但也存在有时无法得到客观真实的平均结果以及无法克服多个决策单元同时有效的情况。针对上述问题,本文尝试采用DEA交叉效率模型对我国34所“985”工程大学(去掉中国人民大学、北京师范大学、中央民族大学、华东师范大学等4个文科高校以及国防科学技术大学)的科研效率进行评价,以期得出一些有意义的结论和启示。
2 研究设计
DEA是1978年由美国著名的运筹学家Charnes等(1978)以相对效率概念为基础发展起来的一种效率评价方法[9]。DEA是根据一组关于输入-输出的观察值来估计有效生产前沿面的统计分析方法。DEA模型是用来研究具有多个输入、特别是具有多个输出的投入产出效率的有效方法,DEA模型不仅可以通过线性规划来判断决策单元对应的点是否位于有效生产前沿面上,同时还可获得“规模有效”“技术有效”等许多有用的管理信息。因此,DEA比其他的一些方法优越,用途也更广泛。
一些早期的DEA模型(如CCR模型、BBC模型等)在相对效率的估计过程中以决策单元输入输出的实际数据求得最优权重,虽然这样做排除了很多主观因素,具有很强的客观性,但仅仅使用简单的自评方法有时候可能无法得到客观真实的评价结果,各决策单元采用的权重也不统一。因为在自评模型中每个决策单位会自发地根据自己的情况选择对自己最为有利的权重,然而这些权重不能代表所有决策单元的情况和意愿。Sexton等(1986)对早期DEA模型进行了完善和改进,提出交叉效率评价方法。这种方法通过使用自互评体系取代单纯的自评体系,从而得到更加客观有效的效率值,可以在很大程度上克服早期DEA模型所存在的缺陷[10]。
对于m个输入、n个输出的k个决策单元,用(xi,yi)表示第i个决策单元的投入产出向量,用(u1i,u2i,…,uni)和(v1i,v2i,…,vmi)分别表示运行第i个决策单元的CCR模型所得到的输出和输入权重。基于CCR模型,定义交叉效率矩阵如下:
其中,主对角元素hii(i=1,2,…,k)为自评价值,非对角元素hij(i≠j)为交叉评价值,表示运行第i个决策单元时,第j个决策单元所获得的得分。
如果(u1i,u2i,…,uni)和(v1i,v2i,…,vmi)的最优值不唯一,可以根据实际情况选择确定的策略,常用的有压他型(aggressive)策略和利众型(benevolent)策略两种。压他型策略在第i个单元选择最优解时使自己效率最大化,二级目标是使其他决策单元交叉效率最小化。利众型策略的二级目标则是使其他决策单元的交叉效率也最大化[11]。
在得到决策单元的输出和输入权重后,就可以计算出第i个决策单元的总得分,按照的大小可以给决策单位的交叉效率进行排序。
在高校科研投入和产出的指标选择上,本文结合前人的研究以及数据的可得性,选择R&D人员和R&D经费两项指标作为高校的科研投入指标,选取专著、学术论文、技术转让当年实际收入和成果授奖作为高校的科研产出指标。
3 计算结果与分析
本文的数据主要来自2013年和2014年《高等学校科技统计资料汇编》。考虑到投入产出的滞后,高校科研投入变量采用2013年的数据,产出变量采用2014年的数据。各变量的描述统计量见表1。
从表中可以看出,即便同为研究型大学,各“985”工程大学的科研投入和产出差异非常大。在R&D人员方面,最多的是吉林大学,R&D人员有8 501人,最少的厦门大学还不到500人;在R&D经费方面,最多的是浙江大学,R&D经费高达31.2亿元,最少的中国海洋大学,只有2.7亿元;科研产出的差别也很大,有些大学的某项科研产出为零。
根据前文所描述的DEA交叉模型,运用Matlab6.5软件对所取样本的数据进行处理,得到了如表2所示的我国34所“985”工程大学的科研效率值。
从计算结果来看,2014年我国34所“985”工程大学的DEA交叉效率平均值为0.4426,其中DEA有效的院校共有11所(交叉评价对角线元素等于1的大学),分别为清华大学、中国农业大学、东北大学、东南大学、厦门大学、武汉大学、华中科技大学、中南大学、华南理工大学、重庆大学和兰州大学,占总体的比例为32.35%,这1 1所高校的科研活动投入产出比例合适,科研活动的交叉效率达到了相对的最优,而未达到DEA相对有效的高校共有23所,占总体的比例为67.65%。这表明我国“985”工程大学科研活动效率总体水平偏低,还有大部分高校的科研活动未能达到相对有效。
从具体排名来看,科技交叉效率位居前三位的高校分别是武汉大学、中南大学和东北大学。这三所大学虽然R&D人员和R&D经费在34所“985”工程大学中都不是最多的,但这些高校通过对科研资源的优化配置得到了较高的科研产出水平。如武汉大学2013年的R&D人员和R&D经费分别为2 579人和10.12亿元,在34所“985”工程大学排名仅为第12和20名,但其2014年的学术论文、鉴定成果和成果授奖数分别达到了8 259篇、47项和69项,在34所“985”工程大学排名为10名、5名和5名。而一些综合实力较强的大学如北京大学、浙江大学,虽然其R&D人员和R&D经费都较高,但由于在R&D人员或R&D经费存在冗余,其R&D资源没有发挥出应有的作用。
上述分析结果表明,近年来虽然我国在逐步加大“985高校”科研资源的投入力度,但这些高校的科研活动绩效并没有达到理想的效果,科研资源没有被切实有效地利用。2014年34所“985”工程大学R&D人员的人均研究经费达到了47万元,这说明我国高校的科研经费投入相对于科技人力的投入已经达到了较高的水平,因此“985”工程大学应更加重视科技经费的合理配置和有效利用,而非继续一味地追求加大R&D经费的投入力度。
为了在高校科研效率的评价中反映科研产出质量的影响,本文还分别以国外及全国性刊物发表论文数量和国家级奖项分别代替学术论文发表数和成果授奖数,采用DEA交叉模型重新对34所“985”工程大学的科研效率重新进行评价,得到2014年我国34所“985”工程大学的DEA交叉效率平均值为0.4088,比不考虑科研产出质量时要低。因此,“985”工程大学不仅要进一步通过科研管理体制的完善来增加科研产出的数量,同时还应遵循国家重大需求,瞄准相关研究领域的国际前沿,提高科研成果的质量。
参考文献
[1]M.Abbott and C.Doucouliagos.The Efficiency of Australian Universities:A Data Envelopment Analysis[J].Economics of Education Review,2003(22):89-97.
[2]A.D.Athanassopoulos and Estelle Shale.Assessing the Comparative Efficiency of Higher Education Institution in the UK by Means of Data Envelopment Analysis[J],Education Economics,1997,5(2):117-134.
[3]N.K.Avkiran.Investigating Technical and Scale Efficiencies of Australian Universities through Data Envelopment Analysis[J].Social—Economic Planning Sciences,2001(35):57-80.
[4]苗玉凤,田东平.基于数据包络分析的高校效率评价[J].科技与管理,2007(5):138-140.
[5]陈召魁.高校R&D投入产出滞后性与相对效率评价研究[D].天津大学硕士学位论文,2011.
[6]郭海娜.教育部直属高校科研效率评价研究[D].苏科技大学硕士学位论文,2012.
[7]赵晓阳,刘金兰.基于DEA和Malmquist指数的“985”高校科研投入产出效率评价研究[J].电子科技大学学报(社会科学版),2013(3):94-100.
[8]罗杭.2011年中国“985”大学效率评价——效率水平排序、影响因素研究与松弛变量分析[J].清华大学教育研究,2013(2):87-95.
[9]A Charnes,W.W.Cooper,E.Rhodes;Measuring the efficiency of decision—making units[J].European Journal of Operations Research,1978(2):429-444.
[10]Sexton TR,Silkman RH and Hogan R.Data envelopment analysis:critique and extension.In:Silkman RH(ed).Measuring Efficiency:An Assessment of Data Envelopment Analysis[D],Jossey—Bass:San Franciso,1986.
DEA交叉效率评价 篇5
关键词 工业；环境影响；效率；社会支付意愿；超效率DEA
中图分类号 F205 文献标识码 A 文章编号 1002-2104（2012）02-0125-05 doi:10.3969/j.issn.1002-21042012.02.020
工业是国民经济的重要组成部分，其产值始终占GDP的40%左右，工业的发展在近年来国民经济的迅速发展中发挥了重要的推动和支撑作用。评价中国工业的发展不仅应着眼于总量的提高和规模的扩大，还要分析其效率的变化发展情况，因此对中国工业进行效率评价具有较强的现实意义。
目前不少学者已经采取了多种评价方法对中国工业的经济效率进行了评价与分析，其中DEA（Data Envelopment Analysis）方法由于其擅长可以处理多投入—多产出评价问题的特点而被广泛的应用。随着环境问题得到社会的广泛关注和重视，在对工业进行效率评价时也逐渐开始考虑工业的环境影响[1-3]，本文将考虑了环境影响的效率评价称为经济-环境效率评价。
本文在之前研究的基础上，利用社会支付意愿理论对DEA方法在工业经济-环境效率评价中的应用进行了一定的改进，提高了效率评价的准确性和合理性。
1 DEA方法的改进
在利用DEA方法对工业进行经济-环境效率评价时，需要将工业环境排放和资源消耗引入到评价模型中。经典DEA模型的相对效率评价思想要求投入尽可能缩小而产出尽可能扩大，但工业生产过程中产生的环境排放并不是人们期望的产出，而是所谓的“非期望产出”。非期望产出必须尽可能地减少才能实现最佳的经济效率，而经典DEA模型却只能使之增加，因此经典DEA模型由于无法处理非期望产出而不适用于工业经济-环境效率评价。
目前已经有一些改进方法被用于解决经典DEA模型的局限性，其中主要包括以下6种方法[4]：作投入法、倒数法、双曲线法、转换向量法、方向距离函数法和SBM法。虽然这些方法都使改进后的DEA模型对于含有非期望产出的效率评价问题有着更好的适用性，但这些改进方法依然将环境排放物间的环境影响差异完全建立于排放量的差异上，并没有考虑排放物之间在单位环境影响程度上的不同，这种设定与实际不符。因此上述6种模型改进方法虽然使得经典DEA模型在一定程度上更适用于非期望产出问题，但利用这些方法进行效率评价，得到的评价值依然与实际情况存在偏差。
在本文的研究中，引入社会支付意愿（willingness to pay，WTP）这一概念，计算工业主要环境排放和资源消耗的社会支付意愿，并加总得到2000-2008年中国工业环境影响的总社会支付意愿，将其作为DEA模型中的工业环境投入。利用社会支付意愿理论将工业环境排放和资源消耗两部分统一为工业环境影响的社会支付意愿，并将其作为环境投入引入DEA模型，这种方法一方面通过将工业环境排放由非期望环境产出转化为环境投入，解决了经典DEA模型无法处理非期望产出的问题；另一方面考虑了环境污染排放及资源消耗的单位环境影响程度，能够更真实地反映2000-2008年间中国工业环境影响程度的发展变化情况。
2 工业环境影响的社会支付意愿
社会对环境影响的支付意愿指的是社会为了将当前环境污染水平降低到某一个程度而付出的代价[5]。目前中国针对环境排污者和资源开采者的环境税分别是排污费和资源税，它们可以代表社会对各环境影响的支付意愿。
科斯的产权理论中提出社会拥有环境的使用权，污染者向社会购买环境使用权的价格就是排污费或者资源税。庇古的福利经济学指出社会总能够将环境使用权的价格设定在外部环境边际损害曲线和厂商边际私人收益曲线的交点上[6]。
在过去的研究中，瑞典的EPS系统使用了支付意愿理论来衡量环境影响[7]，而Tellus系统以美国的环境税为权重，研究了美国社会对环境影响的支付意愿[8]。但是EPS系统考虑的是居民支付意愿，与社会支付意愿并不相同，而Tellus系统的涉及范围较小且没有考虑资源的消耗。吴星[9-10]在对建筑工程环境影响评价的研究中，根据社会支付意愿理论对中国目前主要环境污染物的排污费和主要资源的资源税进行了研究。本文在吴星研究的基础上计算了工业主要环境排放和资源消耗的社会支付意愿值，用于汇总2000-2008年中国工业环境影响的总社会支付意愿。环境排放和资源消耗的单位社会支付意愿详见表1。
表5中的效率差值为含环境投入的超效率DEA模型（原模型）评价值减去不含环境投入的超效率DEA模型（新模型）评价值；环境投入影响率为效率差值与不含环境投入的超效率DEA模型评价值的比值。
表5的对比结果表明，无论是否考虑环境投入，超效率DEA模型的评价结果都显示中国工业在2000-2008年间保持效率增长。
效率差值和环境投入影响率反映了将环境投入加入超效率DEA模型后对效率评价产生的影响：早期（2001-2004年）工业效率评价值取得一定程度的提高，表明当时环境投入相对于资本投入和人员投入有着更高的产出效率；而后期（2005-2007年）工业效率评价值则有所降低，表明此时环境投入的产出效率已经落后于资本和人员，开始成为抑制中国工业经济-环境效率进一步提高的一个因素。
由表5的评价结果可以看出工业环境投入的增加，即工业环境影响的加剧并不一定会对工业经济-环境效率产生负面的影响，还需要取决于环境投入增加量与其他投入增加量之间的相对关系。这说明在分析工业环境影响的过程中，不能仅仅关注其绝对值，而应结合环境投入与其他投入产出指标间的相对关系进行合理的评价。
5 结 论
本文将社会支付意愿理论应用于工业效率评价中，利用超效率DEA模型对2000-2008年的中国工业进行了经济-环境效率的评价与分析，对目前工业效率评价中存在的问题进行了改进，提出了新的解决非期望产出问题的方法，在涉及环境影响的效率评价问题中具有更强的适用性。
本文的评价结果显示，中国工业在2000-2008年间经济-环境效率持续提高，其中从业人员的投入效率和工业总产值的产出效率的改善是中国工业经济-环境效率提高的主要动力。相比之下环境投入对于经济-环境效率的影响并不大，但其影响的正负效果随着时间的推移会发生转变，在2008年其对经济-环境效率的影响由之前三年的负面影响再度转变为正面影响。
nlc202309030905
受制于数据的可获得性，本文的研究范围局限于2000-2008年的中国工业，因此DEA模型中的决策单元个数较少，导致投入产出指标的数量受到比较严格的限制，在一定程度上无法反映工业经济-环境方面的全部情况，随着时间的推移，决策单元数量将会不断增加，这种评价方法的准确性将得到进一步的提高。同时关于中国工业环境影响的基础数据较为有限，研究暂时无法涵盖工业所有的环境污染排放和资源消耗。
环境影响社会支付意愿的研究在中国还处于起步阶段，其计算方法还较为粗糙，在社会支付意愿的研究得到进一步发展后，利用本文提出的方法可以得到更符合实际情况的效率评价值。
(编辑：刘呈庆)
参考文献（References）
［1］齐二石，马珊珊，霍艳芳 基于超效率DEA的钢铁工业绿色规模经济［J］ 工业工程，2008，11(4)：1-4 ［Qi Ershi，Ma Shanshan，Huo Yanfang Study on Green Scale Economy of Chinese Iron and Steel Industry Based on SuperEfficiency DEA Model ［J］ Industrial Engineering Journal，2008，11(4)：1-4］
［2］詹浩勇，冯金丽 我国主要工业省市的环境-经济综合效率：基于SBM模型的实证研究［J］ 生态经济，2010，(9)：42-46［Zhang Haoyong，Feng Jinli Environmentaleconomic Efficiencies of Main Industrial Provinces in China Based on SBM ［J］ Ecological Economy，2010，(9)：42-46］
［3］袁鹏，程施 中国城市工业环境效率度量与分析［J］ 大连理工大学学报：社会科学版，2010，31(4)：31-36 ［Yuan Peng，Chen Shi Estimate and Analysis of Environmental Efficiency of Urban Industry in China ［J］ Journal of Dalian University of Technology: Social Sciences Edition，2010，31(4)：31-36］
［4］刘勇，李志祥，李静 环境效率评价方法的比较研究［J］ 数学的实践与认识，2010，40(1)：84-92 ［Liu Yong，Li Zhixiang，Li Jing Comparative Study on DEA Methods of Environmental Efficiency Measurement ［J］ Mathematics in Practice and Theory，2010，40(1)：84-92］
［5］Finnveden G A Citical Review of Operational Valuation/Weighting Methods for Life Cycle Assessment［M］ AFRREPORT 253 Stockholm：Swedish Environmental Protection Agency，1999
［6］马中 环境与资源经济概论［M］ 北京：高等教育出版社，1999 ［Ma Zhong Introduction to Environmental and Resource Economics ［M］ Beijing： Higher Education Press，1999］
［7］Steen B EPSDefault Valuation of Environmental Impacts from Emission and Use of Resources［M］, version 1996, AFR Report 111 Stockholm：AFN, Swedish EPA，1996
［8］Tellus Institute The Tellus Packaging Study［M］ Boston：Tellus Institute，1992
［9］吴星 建筑工程环境影响评价体系和应用研究［D］ 北京：清华大学，2005 ［Wu Xing Research on the Environmental Performance Assessment System of Buildings and Its Application［D］ Beijing：Tsinghua University，2005］
［10］李小冬，吴星，张智慧 基于LCA理论的环境影响社会支付意愿研究［J］ 哈尔滨工业大学学报，2005，37(11)：1507-1510 ［Li Xiaodong，Wu Xing，Zhang Zhihui Study on Social WTP for Environmental Impacts Based on the LCA Theory［J］ Journal of Harbin Institute of Technology，2005，37(11)：1507-1510］
［11］Charnes A，Cooper W W, Rhodes E Measuring the Efficiency of Decision Making Units［J］ European Journal of Operational Research，1978，2(6)：429-444
［12］武春友，吴琦 基于超效率DEA的能源效率评价模型研究［J］ 管理学报，2009，6(11)：1460-1465 ［Wu Chunyou，Wu Qi Evaluation Model of Energy Efficiency Based on SuperEfficiencyDEA［J］ Chinese Journal of Management，2009，6(11)：1460-1465］
［13］罗良清，柴士改 基于CCADEA模型评估政府社会保障绩效的实证研究［J］ 统计信息论坛，2010，25(3)：33-39 ［Luo Liangqing，Cai Shigai An Empirical Study on Government Social Security Performance Evaluation by CCADEA Model ［J］ Statistics & Information Forum，2010，25(3)：33-39］
［14］徐理，许倍慎，杜文俊 基于PCADEA的武汉城市圈土地利用效率实证分析［J］ 河北农业科学，2010，14(4)：109-112 ［Xu Li，Xu Beishen，Du Wenjun Empirical Analysis on Land Use Efficiency of Wuhan City Circle Based on PCADEA Model［J］ Journal of Hebei Agricultural Sciences，2010，14(4)：109-112］
nlc202309030905
［15］吉生保，周小柯，赵海斌 中国机械设备行业经营绩效评价及影响因素：基于超效率DEATobit模型［J］ 山西财经大学学报，2011，33(1)：64-71 ［Ji Shengbao，Zhou Xiaoke，Zhao Haibin Operational Efficiency Evaluation and the Influencing Factors of China Machinery and Equipment Listed Companies:Based on Super Efficiency DEATobit Model ［J］ Journal of Shanxi Finance and Economics University，2011，33(1)：64-71］
［16］蔡晓春，肖小爱 基于超效率DEA的中国区域能源利用效率研究［J］ 统计信息论坛，2010，25(4)：33-40 ［Cai Xiaochun， Xiao Xiaoai Study on Energy Consumption Efficiency of China’s Various Regions Based on SuperEfficiency DEA ［J］ Statistics & Information Forum，2010，25(4)：33-40］
［17］张晶 基于超效率的煤炭资源型城市工业生态效率研究［J］ 经济问题，2010, (11)：57-59 ［Zhang Jing Study on Industrial EcoEfficiency of CoalOriented City Based on SuperEfficiency［J］ On Economic Problems， 2010, (11)：57-59］
Assessment on EconomicEnvironmental Efficiency of China’s Industry Based on WTPDEA Method
LIU Ruijie ZHANG Zhihui
(Dept of Construction Management, Tsinghua University, Beijing 100084, China)
Abstract In order to comprehensively analyze the efficiency development of China’s industry in recent years, this article introduces environmental impacts of industry into evaluation system on the basis of assessment of economic efficiency Utilizing fundamental economic and environmental data of China’s industry combined with the theory of Social Willingness to Pay, the SEDEA (Superefficiency Data Envelopment Analysis) evaluation method is adopted to calculate the economicenvironmental efficiency of China’s industry of year 2000-2008, indicating the overall status and developing tendency of economicenvironmental efficiency The new method proposed in the process of DEA efficiency evaluation to cope with unexpected environmental outputs monetizes industrial environmental emission and resource consumption based on the theory of social willingness to pay, and takes monetized environmental impacts as industrial environmental input in DEA evaluation model, eliminating the deficiency of DEA method when used to evaluate the economicenvironmental efficiency of industry Furthermore, taking as the weighting of each environmental factor will better reflect the extent of environmental impact by industry, improving the accuracy of efficiency assessment Through comparative study of outcomes generated by different evaluation models, it indicates on one hand that economicenvironmental efficiency of China’s industry of year 2000-2008 is presenting a favorable increasing trend; on the other hand although the environmental impact of China’s industry is deteriorating year by year, its influence on efficiency of China’s industry are not such significant compared with impact by economic factors, and it fluctuates between positive and negative impact in recent years
DEA交叉效率评价 篇6
当今时代,随着经济全球化和知识经济时代的到来,国际竞争的核心就是知识创新、技术创新和高技术产业化的竞争,技术创新既是国家竞争优势的关键,又是区域发展的核心,对一国的经济发展起着举足轻重的作用。不少发达国家和发展中国家以及有影响的国际组织都先后开展了对于技术创新理论和政策的研究,并采取了许多促进和引导技术创新趋于深化的政策、法律和组织措施,以期通过技术创新加速经济增长,提高经济增长质量。高技术产业是国家科技创新的重要力量,是国家产业未来发展的方向,也是国家科技经费投入的重点领域和首要资助对象。根据我国2010年《高技术产业年鉴》及《2010年全国科技经费投入统计公报》,我国科技R&D经费内部支出总额为5802.11亿元,而六大高技术产业的科技研发经费内部支出总额为774亿元,约占我国总体的科技R&D经费内部支出总额的13.34%。由此,高技术产业科技R&D经费使用效率关乎我国科技创新效率、创新能力、市场竞争力和创新型国家战略目标的实现。
对技术创新R&D经费投入产出进行评价,对于资源的合理利用,提高经费的使用效率具有十分重要的现实意义。目前,已有部分学者对此进行了关注,余泳泽(2009)利用松弛变量的 DEA 模型和Malmquist全要素生产力指数研究了我国高技术产业创新效率问题,并从价值链的角度剖析了我国两阶段研发效率,认为我国高技术产业创新两阶段的技术创新平均效率都较低,且有持续恶化趋势;但价值链视角看,技术开发效率和成果转化效率都有进一步改善的空间[1];余泳泽、武鹏(2010)利用随机前沿方法测算了我国高技术产业1996～ 2007年的研发效率问题,并对其空间相关性进行了分析,研究结论显示我国高技术产业研发效率空间差异性较大、整体效率较低, 但目前呈稳步增长趋势[2];刘玉芬、张目(2010)运用DEA 模型对中国高技术产业的技术创新绩效进行两阶段评价并通过影子价格分析,提出了相关改进策略[3]。周劲波,曾艳(2011)认为风险投资对高新技术产业创新绩效和产业集群的成长具有重要的作用,并以风险投资为视角,研究了风险投资对高新技术产业集群创新绩效的动力机制[4];胡义东、仲伟俊(2011)以江苏省1562 家高新技术企业为研究样本,利用道格拉斯生产函数对应的技术创新方程研究了高技术企业技术创新绩效的影响因素。研究发现新材料、电子信息和新能源3 个行业研发经费投入力度与技术创新绩效之间具有显著正相关关系,研发人员与技术创新绩效不存在显著相关性,研发经费对技术创新绩效的贡献率远高于研发人员,研发投入和企业规模对创新绩效产出的影响程度存在行业差异[5]。
不难发现,现有相关研究成果基本上基于两类思路研究高技术产业研发创新效率,其一是利用DEA 模型以及相类似的随机前沿分析法评估我国高技术产业研发效率问题,其重点更贴近于资源配置效率评估和改进研究;其二是以道格拉斯生产函数为基础理论而进行的改进模型和方法作为分析我国高技术产业研发效率问题,其更偏重于高技术产业研发效率的影响因素研究。这两类研究最终目标都是提高我国高技术产业资源配置效率和技术创新效率。然,此两类研究方法都具有一定的局限性,首先前者随时相对效率评价的有效方法但是有时无法得到客观真实的平均结果同时无法克服多个评价单元(DMU)同时有效的情况,不能完全弄清各决策单元的效率高低和资源的有效配置程度;而后者虽在一定程度上揭示我国高技术产业资源配置效率的影响因素,但无法解决个区域和对比单位的资源效率配置问题。因此如何选择一种有效的方法评价区域的技术创新效率,从而制定适宜的技术创新战略以全面提高区域的经济效益就成为一关键问题。据此,本文提出将交叉效率模型应用到技术创新效率评价中的构想。
交叉效率研究方法自Sexton等人(1986)[6]首先提出以来,经过Dolye和Green(1994)的发展[7],已经开始被学者们开始接受,用在R&D项目评审和投票偏好问题当中(Oral等人,1991;Dolye等人,1996)[8,9]。最近的发展集中在引入博弈论维度,从二次规划方法入手以解决权重向量的不唯一问题(Liang等人, 2008)[10],比如视DMU之间为竞争关系,考察如何在不影响其他DMU效率的情况下实现自身效率的最大化。
1 研究方法
1.1 交叉效率评价方法
DEA是一种利用非参数方法在多投入多产出情况下测算DMU相对效率的评估方法,它不考虑DMU的生产技术,直接利用DMU的投入产出数据和数学规划方法,构建出一个包含若干个DMU的处于相对有效前沿的效率面,然后计算出某个给定DMU相对于那些处于效率面的DMU的效率水平。最早的形式是由Charnes等人(1978) [11]提出(简称为CCR模型),可以表示为如下形式(投入导向):
minδ0
式中:i=1, …n表示决策单元的个数,xij(j = 1, … m)为投入要素,yir(r=1, … s)为产出要素,m和s分别为输入与输出变量的个数,δo为决策单元DMUo的有效值。然而遗憾的是,该模型在效率评价中存在两点严重的不足:第一,仅仅使用简单的自评方法(self-evaluation approach),有时候可能无法得到客观真实的平均结果。因为在自评模型中每个DMU会自发地根据自己的情况选择对自己最为有利的权重,然而这些权重不能代表所有DMU的情况和意愿;第二,包括CCR模型在内的传统的DEA评价方法在使用中经常会出现多个评价单元(DMU)同时有效的情况,使得它们之间的相互比较成为一个无法克服的问题,同时也无法测度这些表现较好的DMU的效率提升空间。本文提出的将交叉效率模型应用到技术创新效率评价中的做法旨在解决以上两个问题。
交叉效率评价方法源于Sexton等人(1986) [6]对上述CCR模型的进一步完善和改进,通过使用自互评体系(peer-evaluation systems)取代单纯的自评体系,从而得到更加客观有效的效率值,可以在很大程度上克服传统CCR模型中所存在的上述两个重要缺陷。具体地,令模型(1)中得到的DMUo的投入和产出相关权重分别为ν*oj和u*or,则可定义DMUo基于DMUk的交叉效率值为E*ko=(∑sru*kryor)/(∑
1.2 基于交叉效率的资源再配置
尽管用上述方法可以避免DMU对自身权重的过分关注(这在一定程度可以刻画DMU的自身偏好),能够使DMU在很大程度上借鉴和关注竞争对手的偏好,从而在现实中更加可行;但是一个不容回避的问题在于,上述方法得到的交叉效率仍然是“一组效率值”的复合(Zha等人, 2010) [13],如何进行资源再配置才能达到上述效率?换言之,应该如何调整投入/产出(或者如何对两者同时进行调整) 调整的依据又是什么?显然,对其他DMU权重的线性组合或者其他更复杂的复合形式都先验地缺乏说服力。遗憾的是,这一问题长期以来没有得到有效解决,限制了交叉效率方法的推广应用(Dolye和Green, 1994) [7]。
转机的出现在于Zha(2010)所作的贡献,关键思想在于兼顾“自利型”和“利众型”两种极端情况,从DMU之间的竞争关系出发,从权重变化最小(也即偏好改变最小)角度出发考虑投入/产出资源的再配置。这无论在微观层面的偏好结构还是宏观层面的竞争关系来看,都具有明显的现实意义,操作性也更强。为此,需要首先计算出DMUo在达到交叉效率值的情况下所要求的最小权重变化。具体地,与(1)式对应的数学形式可以表示为如下形式:
由于(2)式在目标函数中多次出现绝对值计算,不利于编程和数值计算,为降低运算时间,可以将(2)式进行单调变换。一种简单的方法是将对绝对值项的考察变成对平方项的考察,具体如(3)式所示:
经过求解可以得到νoj**和uor**,这就是在对其他DMU效率影响最小的情况下,DMUo要达到交叉效率需要满足的最小权重变化。在此基础上我们可以得到基于交叉效率的资源再配置模式。具体地,与(1)～(3)式对应的数学形式可以表示成如下形式:
(4)式可以进一步变形成为(5)式,从而使投入/产出调整的意义更加明确:
由于φ
2 评价结果
2.1 指标介绍以及数据来源
(1)指标介绍
由于本文更关注高技术产业的R&D经费的创新能力,所以根据已有研究成果和专家调研结果,以科技R&D经费内部支出、新产品开发经费作为输入指标;另外,根据道格拉斯生产函数,资金、技术和劳动力是促进生产力发展的最重要因素,任何资金和技术都必须在劳动力参与下才能发挥作用,科技经费投入产出效率是个典型的多投入多产出的复杂系统,为保证科技经费投入产出效率分析的科学性,特将R&D人员(人年)年也纳入评价体系中,作为投入指标。R&D活动的产出指标选择新产品销售额,这主要是考虑到该指标比新产品产值、专利申请(授权)等指标更加接近R&D活动的最终目的,是完成了“(商品)惊险一跃”之后的市场实现。
(2)数据来源
本文的数据主要依据2010年《中国高技术产业发展年鉴》相关统计数据整理而来,见表1。
2.2 效率评价及比较
(1)省域评价分析
基于(1)～(5)式提供的算法程序,可以分别采用CCR方法和CE方法对中国各省份的R&D效率进行评价,评价结果见表2。从表2中可以发现如下三点:第一,从均值来看,采用交叉效率方法可以最大程度上促使研发经费外部性的发挥,最终实现实现R&D效率总体的提升,由传统自利模式下的0.37一跃上升到0.71,虽然北京、天津等少数原先处于效率前沿的省份出现了效率的少许下滑,但排名基本上仍位于前列,是其他省份学习的标杆。第二,从变异系数来看,采用交叉效率方法还可以缩小省份之间的R&D效率差异,由传统自利模式下的0.719下降到0.323,从而更加便于省际之间知识溢出和相互学习,R&D活动的外部性也会明显加大。第三,相比CCR方法,交叉效率方法避免了多个省份同时处于效率前沿的情况,也避免了若干省份处于相同效率排名的情况,即便是排名最靠前的天津、北京R&D效率值也没有达到1,仍然有改进的空间,从而更加便于省份之间相互比较学习,最终达到优中再优、最终达到资源最大程度优化配置的结果。
注:主体部分最后一行中m和cv分别表示均值和变异系数,下同。
以上分析都属于直观判断。那么,就效率值本身而言,表2中显示的交叉效率值是否在统计学意义上高于CCR效率值?能够认为两者源自同一样本吗?对此,表3给出了基于Friedman ANOVA的双样本同分布假设检验结果。可以发现,无论从全国范围来看,还是从大区域来看,都不能认为利用CCR方法的效率样本与利用CE方法得到的效率样本源自同一整体,即两者之间存在显著差异,进一步验证了表2结论中的直观经济判断,认为CE方法的确较CCR方法能够从整体上提升效率评价。
(2)区域对比分析
进一步,就效率值的分布情况来看,利用Scott(1992)提供的带宽选择方法,可以得到两组R&D效率评价值的核密度估计,如图1所示。图1分别给出了全国、东部地区、中西部地区和西部地区的R&D效率和密度估计情况,可以发现采用交叉效率方法得到的R&D效率值分布普遍较采用CCR方法得到的R&D效率值分布更为“高瘦”,而且普遍位于CCR方法得到的R&D效率值对应的概率密度曲线的右侧。表明利用交叉效率方法的确降低了各省之间R&D效率水平的差异,同时以少数省份R&D效率少许降低的微弱代价换来了各省R&D效率的普遍整体提升,从宏观角度来看意义明显。当然,从相对排名来看,即便是那些R&D效率出现少许降低的省份仍然位于前列,是其他省份学习的标杆;从绝对数字来看,这些省份R&D效率的下滑是很有限的,非但不会对R&D竞争力造成实质损害,反而在某些方法揭示了R&D效率进一步改进的空间。由此可见,相比Andersen和Petersen(1993)提出的所谓超效率模型,交叉效率模型不仅可以很好地解决多个DMU同时处于效率前沿的情况,而且从DMU之间更为现实的竞争关系出发,强调彼此之间的相互关联和影响,比基于自利原则发展而来的超效率更加容易实现。
在此基础上,可以按照R&D资源的投入情况进行聚类分析。不失一般性,这里采用k-mean和k-median聚类方法,借鉴大类区域划分的思想,将31个省份聚成三类,如表4所示。可以发现,第一,无论采用k-mean聚类方法还是k-median聚类方法,对31个省份的聚类划分完全一致,这也验证了划分结论的稳健性。限于篇幅,一并予以报告。第二,就表4主体部分来看,江苏、广东位于区域I,不仅R&D投入规模大,效率也都很高,从而使得区域I同时拥有最高的总体R&D效率和最小的变异系数,北京等12个省份位于区域II,R&D投入规模总体较大,效率也较高,特别是其中部分省份更是位居效率排名的前列,虽然辽宁、陕西、江西等地R&D效率稍差,但是整体上并没有对该区域的R&D效率造成太大影响,河北等17个省份位于区域III,R&D投入偏小,效率普遍欠理想,特别是像内蒙古、黑龙江、广西等省份R&D效率明显偏低,从而整体上拖了R&D效率的后腿,从而表现为最低的R&D效率和最大的变异系数。第三,表4中江苏、北京和重庆(标斜体下划线加粗)分别是三个区域省份的学习标杆,参照周小柯和吉生保(2011)的研究,三者当中江苏属于“产业主导型”,而北京、重庆属于“R&D机构主导型”,表明“R&D机构主导”作为提升R&D效率的手段效果逊于“产业主导型”,江苏式的“产业主导型”将是未来R&D效率提升的主要模式。
2.3 投入/产出资源再配置
为了使各省达到交叉效率水平,需要考虑投入/产出资源的再配置问题。按照前文提供的算法程序,可以得到各省的投入/产出资源再配置情况。鉴于大多省份得到的再配置方案向量中元素小于1×10^(-6),这里只给出再配置方案较大的几个省份,如表5所示。可以发现,第一,产出向量都没有变动,意味着区域层面高技术产业不是生产能力不足或者销售不力,而是普遍的“产能过剩”,这也进一步印证了前文中“投入导向”选择的合理性;第二,在导致R&D活动“产能过剩”的三种投入资源中,问题最大的是R&D人员的相对过剩,盲目扎堆是其中的一个重要原因,相比之下,R&D经费和新产品开发经费的过剩现象不是很普遍。可见,如何引导R&D人员合理流动、充分发挥R&D活动正的外部性、促进R&D活动效果的省际溢出,以实现R&D效率的提升是目前科技政策研究的当务之急。
3 研究结论
科技经费投入是衡量一个国家和地区科技实力和进步的重要指标[1],而科技经费利用效率是衡量科技活动绩效的核心标志,也是推动经济发展的关键因素。高技术产业作为国家科技活动的中坚力量,其科技经费使用和研发效率关乎我国科技创新的质量和创新型国家构建的大局,因此科学评价高技术产业R&D效率、优化科技资源配置对于提升我国科技创新效率和质量意义重大。本文针对DEA交叉效率评价中权重不唯一的情况,借鉴Zha等人(2010)的思想,在采用传统CCR模型和交叉效率模型对我国区域R&D效率进行评价,得到以下结论:
(1)较以往研究方法相比,DEA交叉效率法是一种更科学的评价方法。实证研究表明其使用的互评体系避免了传统DEA评价中自评体系带来的主观性,使得DMU效率值更具有客观性和可比性;另外,交叉效率法更加注重科技经费外部性特征,通过关注竞争对手的关系测算效率值,避免了传统DEA评价长期无法解决的多个DMU同时有效的情况,使得每一个DMU的资源配置有了提升的空间和方向,更有利于引导并促使我国高技术产业科技资源的优化配置和创新效率的提升。
(2)运用我国高技术产业的相关数据进行的实证研究表明,研发经费投入规模是R&D效率普遍提升的前提,分散、小规模的R&D投入只会带来R&D效率的整体偏低和彼此差异的加大,因此科技资源的配置应该注重其外部性特征,充分考虑区域之间的竞争和渗透性,在区域科技战略规划的基础上采用集中化、规模化的方式配置以提升区域的R&D效率。
(3)R&D人员的区域相对过剩造成了我国R&D活动的“产能过剩”,这是解决我国R&D领域自利型“囚徒困境”问题的关键所在,因此国家应在区域科技创新人才的培养、引进和流动等方面制定相关的策略,促使地区间的科技创新人才与其他科技创新资源相匹配,与科技创新活动和成果相协调。
DEA交叉效率评价 篇7
一、文献综述
西方学者通常将商业银行的效率分为规模效率(Scale Efficiency)、范围效率(Scope Efficiency)和X-效率(X-Efficiency)三大类型。早期的银行效率研究主要集中在对规模经济的分析和测度,最早将银行效率与规模相联系的学者是Alhadeff(1954),他以1938—1950年美国加州的210家银行数据为样本进行分析,发现银行业规模效率呈现递增的趋势[1]。Bell(1967)的研究也证实随着商业银行规模的不断扩大,银行收益将不断增加,同时成本有所降低[2]。Benston(1982)将商业银行的规模扩张延伸到分支机构,发现实行了总分支行制度的综合型银行的效率要显著高于单一制度的银行[3]。范围效率主要是指银行通过开展多元化经营带来的正效应,但与此相关的研究结果并没有得到确定的结论,Berger(1993)的研究发现银行业的范围效率较小,多元化经营能够在很小程度上降低成本,但对收益的影响并不明显[4]。Roger(1998)以美国商业银行为研究样本,发现多元化业务经营可能会给银行带来降低成本的范围效率。商业银行的X-效率是指除了规模效率和范围效率之外的配置效率和技术效率的总和。由于规模效率和范围效率对银行的影响程度较小,因此国内外学者将更多的重点放在银行的X-效率上,但相关的研究方法和研究结论尚未统一[5]。
银行效率的研究方法可分为财务指标法和前沿效率分析法,前者通过分析银行的资产、成本和收益等有限的宏观指标信息来测度银行的效率值,这种方法只适于短期的效率衡量,不能完全反映出各银行不同投入和产出对效率影响的贡献值。近年来,对银行效率研究使用较多的是前沿效率分析法,这种方法将银行视为特殊的生产企业,构建一个生产前沿面,某企业与该前沿面的距离就是这个企业的技术效率或称前沿效率[6]。Farrell最早在1957年提出利用生产边界建立线性规划模型,测算出生产实体的技术效率和价格效率,随后其他学者在此模型的基础上,将技术效率进一步细分为规模效率和纯技术效率[7]。前沿效率分析法可分为参数分析法(Parametric Method)和非参数分析法(Non-Parametric Method)。其中,参数分析法事先对生产函数做出界定,主要包含随机前沿法(SFA)、自由分布方法(DFA)和厚前沿方法(TFA)。非参数分析法主要包括数据包络分析法(DEA)和无界分析法(FDH)两种。
在数据包络分析法(DEA)出现之后,国内外许多学者利用DEA方法对商业银行效率进行测算和分析,Sherman et al(1985)最先将DEA模型应用到对银行业的效率分析上[8]。我国最早运用DEA方法对商业银行效率进行测度的是薛峰等(1998),他们不仅分析了银行的综合效率,还总结了影响银行效率的各种因素[9]。在有关银行效率的研究文献中,使用DEA模型的居多,国内外学者也对DEA方法进行了很多改进,使其具有更强的解释性和更加广泛的应用领域。在多种前沿效率分析方法中,DEA方法的说服力在银行效率分析上要优于其他前沿分析方法(张宗益等,2003)[10]。
国内外众多学者对商业银行效率进行研究的目的是为了揭示其影响因素,通过改善这些因素来提升银行的效率,最终达到增强银行综合竞争力的目的。影响银行效率的因素多种多样,不仅有外部因素,如市场结构、法律制度、国家政策等,还有内部因素,例如银行的规模大小,与此相关的文献也从多个角度进行了研究。Colwell(1992)研究了包括美英法意等多个国家在内的商业银行经营状况,通过对比分析发现商业银行实现高效率运行的前提是拥有较高的技术水平(包括机器设备的投入)、分支机构的合理配置以及员工的熟练操作,同时拥有以上几种因素将更有利于银行业务的扩张和收益的增加[11]。De Young(1997)研究了1984-1993年美国银行业的技术效率变化,发现小型银行的效率值呈现递减趋势,且银行业集中度、不良贷款率、股权结构等多种因素均会对商业银行效率产生影响[12]。国内学者中,李军(1999)和王聪(2007)均从产权制度的角度研究了商业银行效率的影响因素,认为产权制度的缺陷造成了国有银行和其他银行之间效率的差异[13]。赵旭(2001)分别构建了单一指标和综合指标,衡量中国银行业与发达国家银行业效率之间的差异,探讨国内商业银行提高效率的路径[14]。朱南(2004)的实证分析结果表明国有银行效率明显低于股份制商业银行,其中关键的制约因素是国有银行员工人数过多、协调不灵导致的效率低下[15]。赵永乐(2008)通过构建商业银行能力模型,分析了我国17家商业银行效率的影响因素,提出在不同发展阶段,商业银行效率受到的影响因素有所不同,与外资商业银行相比,我国银行更应该注重的是对自身资源的优化整合[16]。总体来看,国外商业银行效率研究的样本对象比较广泛,指标体系和数据也都相对完整,取得大量值得借鉴的研究成果;而国内的研究由于银行业发展历史较短、基础理论研究薄弱和样本数据不全等,在结论上也存在着一定的差异。
考虑到商业银行经营活动是一项持续变化的综合性活动,对银行效率影响因素的研究不应只局限于一个方面,而应该从尽可能全面的角度进行分析。因此该文以2008—2014年国内35家商业银行的最新数据构建面板样本,在对不同类型商业银行的效率进行测算的基础上,分别引入代表盈利能力、贷款能力、风险管理能力、人力资源配置能力和业务创新能力的指标,分析不同因素对商业银行效率的影响贡献值,并分别针对不同类型的商业银行进行分析。
二、我国银行业的效率测评
(一)DEA交叉评价方法
1. DEA基本模型。
目前学术界流行的商业银行效率的测度方法主要是以SFA为代表的参数法和以DEA为代表的非参数法。其中参数法需要预先对商业银行的生产函数或利润函数以及相关干扰因素进行评估和设定,一定程度上增加了主观误差,而非参数法无此限制,因此该文采用非参数法中的DEA模型对商业银行的效率进行研究。
商业银行效率是一个相对概念,具体而言是商业银行在业务开展过程中总产出与总投入或总收益与总成本之间的比率关系。假设金融市场中共有m家银行(BANK,1≤i≤m),每家银行都是一个决策主体,构成m个决策单元。由于银行是同类型金融企业,因此可界定各家银行均有p个投入项和q个产出项(均为正值),分别用(x1i,x2i,x3i…xpi)和(y1i,y2i,y3i…yqi)来表示,同时可定义xi=(x1i,x2i,x3i…xpi)T和yi=(x1i,x2i,x3i…xqi)T作为每家银行的投入向量和产出向量,家银行的投入向量和产出向量共同构成投入矩阵和产出矩阵。不同银行经营风格有所差别,对人力、财力、物力等成本投入的侧重点不同,所以对产出影响的大小也有所差异。为了区分各个投入项和产出项的比重差异,分别引入权重变量υj和μj,二者构成权重向量υ=(υ1,υ2…υp)T和μ=(μ1,μ2…μp)T。假设每家银行的投入总额和产出总额分别用ZI和ZO来表示,则有(i表示第i家银行):
DEA法对商业银行效率的定义如下,假设第i家银行的效率值为E,则有:
商业银行实现较高效率有两层涵义,一是在控制投入总额ZI的基础上,取得最大化的产出总额ZO;二是在控制产出总额ZO的基础上,使得投入总额ZI尽可能的小。对效率值的求解类似于最优线性规划,即对于每一家商业银行来说,权重变量υj和μj的差异造成了效率值E的差异,但存在一组最优的υj*和μj*,能够使该商业银行的效率值最大化,因此商业银行效率值的求解转换成线性最优化问题,可以用如(4)所示的最大值求解方程式表示:
方程式求解的结果即为最优的υj*和μj*。对方程式(4)的规划求解涉及到分式,一般需要将其进行转换以简化计算步骤。分别令a=1/xiTυ,s=a*υ,t=a*μ,则含有分式的方程式(4)可以转化成不含有分式的方程式(5),如下所示:
计算得出s*和t*的值,即可倒推出权重向量υj*和μj*的值,带入公式(1)和(2)计算得出投入总额和产出总额,二者的比值即为商业银行的效率值。
2. DEA交叉评价模型。
DEA基本模型对商业银行效率的测度通常基于一个最优标准,即所有样本中效率最高的银行,将其效率设为标准1,其他银行的相对效率值以此标准为基础计算得出,相对效率值越高说明这家商业银行越接近最优银行。DEA基本模型在实际应用中存在两个明显的不足:一是DEA基本模型容易出现2家或2家以上的商业银行同时取得标准效率1,此时将无法对这部分商业银行进行效率对比分析;二是每家商业银行作为一个决策单元,基于自身利益最大化的原则,倾向于选择对自己更加有利的投入项,放弃那些对自己不利的成本投入,导致权重向量υj*和μj*出现较大差异,使得计算出的效率值无法准确衡量商业银行的市场表现。因此需要对DEA基本模型进行修正。
DEA交叉评价模型最早由Doyle在1993年提出,其核心思想是每家商业银行在进行决策时,将不再只考虑自身的选择倾向,而是综合考虑了市场中其他竞争对手对各项资源投入的权重变化,由此引出交叉评价效率值。交叉评价效率值的计算方法如下:首先计算得出第i家商业银行BANKi的最优权重值υj*和μj*,再将最优权重值带入第b家商业银行BANKb的计算公式中计算其效率,此时线性规划求解方程式变为:
其中Eii为第i家商业银行BANKi的自我评价效率值,根据方程式(6)可以得出第b家商业银行BANKb的交叉评价权重向量υ*ib和μ*ib,带入效率公式(3)则可得出BANKb的一个交叉评价效率值,其他计算方式类似。对每家商业银行都进行如上计算,所得到的自我效率评价值和交叉效率评价值可以构成交叉评价效率矩阵:
最后对交叉评价效率矩阵的每列数值取均值,最终得到的即为m家商业银行的修正效率值。
(二)不同类型商业银行的效率分析
在对效率进行交叉评价之前,需要对商业银行投入的各项人力、财力和物力进行具体界定。商业银行经营过程中的主要投入成本有员工、各项资产、资本以及客户存款,产出项则包括各项收入和客户贷款。考虑到各项数据的可得性,该文将商业银行的投入变量分别界定为员工总数、固定资产总额、股本总额、存款总额和营业支出,产出变量界定为税后净利润和贷款总额。目前我国的商业银行体系中,主要包括国有商业银行、股份制银行和城市商业银行三大类型。截至2014年底,我国共有中、农、工、建和交通五家国有商业银行,12家股份制银行和145家城市商业银行。为了区分不同类型商业银行的效率差别,我们分别对国有银行、股份制商业银行和城市商业银行进行效率测算,效率的交叉评价也只在同类型的商业银行中进行。
为最大程度上反映出我国不同类型商业银行的整体效率状况,文章共对2008—2014年国内具有代表性的35家商业银行的交叉评价效率值进行测算,样本银行包括5家国有银行、10家股份制商业银行和20家城市商业银行。数据来源为BANKSCOPE数据库与个别商业银行年报。运用线性规划求解方程式,通过mat lab语句计算可得出三种类型商业银行的交叉评价效率值,并按照从高到低排列,如表1所示。
注:“交通”代表“交通银行”,其他均同(只有地名的均为城市商业银行)。括号内数值代表该银行在同类银行中当年效率值的排名高低。
从表1中可以看出,国有银行中交叉评价效率值较高的是交通银行和建设银行,效率值最低的是农业银行,各银行市场表现基本维持稳定。股份制商业银行中,效率值最高的是兴业银行和浦发银行,排名最后的是广发银行和浙商银行,各银行市场表现出现小幅波动。城市商业银行中,效率值最高的是江阴银行和北京银行,各银行市场表现波动性较大,近三年市场表现最差的是哈尔滨银行和锦州银行。
三、我国银行业效率的影响因素分析
(一)模型构建及变量说明
商业银行效率受到的影响因素是多方面的,盈利能力、贷款能力、风险管理能力、人力资源配置能力和业务创新能力均在一定程度上对各项投入和产出造成影响,从而影响银行效率。因此该文在对不同类型商业银行的效率进行测评后,建立回归模型进行分析,如式(8)所示:
其中因变量为不同银行的交叉评价效率值E。自变量中,ROA为总资产收益率(净利润/总资产),衡量商业银行的盈利能力;LR为贷款比率(贷款总额/总资产),衡量商业银行的贷款能力;NPLR为不良贷款率(贷款总额/总资产),衡量商业银行的风险管理能力;EMP为员工规模(对数化的员工总数),衡量商业银行的人力资源配置能力;NIRR为非利息收入占比(非利息收入/总收入),衡量商业银行的业务创新能力。Z为多个控制变量,包括固定资产比率(固定资产净值/总资产)、存款比率DR(存款总额/总资产)和股东权益比率(股东权益/总资产)。
(二)描述性统计
回归模型中相关变量的描述性统计如表2所示,E1、E2和E3分别代表国有银行、股份制商业银行和城市商业银行的效率。从表2中可以看出,三种类型的商业银行中,国有银行效率值较高,股份制商业银行次之,城市商业银行效率值最低。商业银行盈利能力存在较大差别,ROA最大值为最小值的20倍以上。银行贷款比率均值在50%左右,贷款能力差别不大。不同银行风险管理能力差别比较明显,不良贷款率最小仅为0.13(顺德银行),最大值却高达13.99(齐鲁银行)。各银行人力资源配置能力的差异并不明显。在所有自变量中存款比率的标准差最大,非利息收入占比的标准差次之,从最小值和最大值之间的差异也可以看出其较大的波动性。
(三)模型回归及分析
为了对国有银行、股份制商业银行和城市商业银行的经营特点进行差别分析,对三种类型商业银行分别构建面板数据样本进行回归分析。面板模型有混合回归模型、固定效应模型和随机效应模型之分。混合回归模型假定每个个体的估计方程的斜率项和截距项并无差别;固定效应模型假设每个个体回归方程的截距项和斜率项有所不同,且随机误差项随着不同个体的改变而改变;随机效应模型与固定效应模型的区别在于假设随机误差项与个体变化无关。考虑到不同商业银行均是独立的决策个体,经营理念和运营模式存在明显差异,更适用于固定效应模型进行回归分析。在理论分析的基础上,可以使用F检验和Hausman检验选择最优模型。F检验和Hausman检验的结果如表3所示,由此确定三种类型商业银行均选择固定效应模型进行回归分析。
在确定选择固定效应模型后,表4列出了三种类型商业银行的模型回归结果。可以看出现阶段我国国有银行除盈利能力(ROA)变量之外,其他变量显著性较低,股份制商业银行和城市商业银行的主要自变量大部分是显著的。对三种类型商业银行进行对比分析可以发现,国有银行效率受到的最主要影响是银行盈利(ROA)能力的高低,且二者之间正向相关,而人力资源配置能力(EMP)和业务创新能力(NIIR)与银行效率负相关;影响股份制商业银行效率的主要因素是盈利能力(ROA)、贷款能力(LR)、人力资源配置能力(EMP)和风险管理能力(NPLR),其中除盈利能力和贷款能力外,其余显示负相关关系;影响城市商业银行效率的主要因素是盈利能力(ROA)、贷款能力(LR)和人力资源配置能力(EMP),且人力资源配置能力与其效率值呈负相关关系;可见各因素对不同类型的商业银行效率的影响贡献值存在差异。
注:表格内为统计变量的P值。***、**、*分别代表在1%、5%、10%的置信水平显著。
注:表格内为变量的回归系数。***、**、*分别代表在1%、5%、10%的置信水平显著。
四、结论及对策建议
该文利用2008—2014年国内35家商业银行的245个经营数据构建面板样本,分别测度国有、股份制和城商行的交叉评价效率,并引入代表商业银行盈利能力、贷款能力、人力资源配置能力、风险管理能力和业务创新能力五个方面的指标,衡量各因素对银行效率的影响贡献值。通过实证分析发现,不同类型商业银行的效率受到各类因素的影响程度有所不同。在五个方面的影响因素中,对商业银行效率值影响最大的是盈利能力(ROA),且盈利能力越强,银行效率越高;影响次之的是人力资源管理能力(EMP)、贷款能力(LR)和风险管理能力(NPLR);影响较小的是业务创新能力(NIIR)。针对三种类型商业银行所受到影响的不同,从以下方面提出对策建议。
1.国有银行应优化资产结构,加强内部管理,主动实施差异化战略。从实证分析结果来看,国有银行总资产收益率(ROA)即盈利能力对效率的贡献值最为显著,人力资源配置能力(EMP)和非利息收入占比(NIIR)都与效率值呈负相关关系,为增强银行竞争能力,必须从这几个方面进行改善。尽管个别国有银行盈利水平已处于国际前列,但其收入结构与国外银行相比有所不同,主要利润仍然来源于传统的存贷款利差,非利息收入业务开展较少且业务种类单一,未能达到优化银行资产结构的目的。随着利率市场化改革的推进,市场波动性和利率风险增加,银行利润将受到不利冲击,影响银行业整体稳定性,因此未来还需要不断学习国外先进的、适合本土化发展的金融产品技术,进一步拓展非利息收入业务,优化自身资产结构。国有银行应充分利用自身雄厚的资本基础和市场资源,挖掘潜在客户需求,率先实施差异化经营战略,保证自身竞争优势。由于国有银行均实行总分支行制度,决策链条较长,因此还需要警惕人员臃肿和资源浪费现象的发生,避免尾大不掉导致的管理低效。
2.股份制商业银行应进一步扩大市场份额,完善激励机制,不断增强风险管理能力。经分析可知,影响股份制银行效率的主要是盈利能力(ROA)、贷款能力(LR)、人力资源配置能力(EMP)和风险管理能力(NPLR),且人力资源配置能力和风险管理能力均与之呈负相关关系,所以,股份制银行在追求盈利的同时,不能忽视风险抵御和资源配置等能力的建设。近年来,股份制商业银行与国有银行的竞争愈发激烈,特色化经营使得一些股份制银行迅速在金融市场中占据有利地位,例如招商银行和兴业银行等。未来股份制商业银行仍然需要进一步提升盈利能力,必要时可以进一步延伸分支机构至发展水平较高的地市级城市和县域,投入较成熟的、竞争优势更加明显的金融产品,获取较大的市场份额,提高收益水平。在金融全球化的的大背景下,我国银行业面临着高素质金融人才短缺以及外资引进导致人才流失的不利环境,相较三种类型银行,股份制银行效率受人力资源配置能力影响最为显著,所以有必要制定并采取积极有效的措施,完善考核和薪酬体制,吸引高质量的金融人才。需要注意的是,三种类型的商业银行中,仅股份制商业银行的效率受到风险管理能力的显著负向影响,因此在业务开展中需警惕各项潜在风险的不利影响。
3.城市商业银行应明确自身发展水平,依靠相对优势获取竞争地位。在五种影响因素中,主要是盈利能力(ROA)、贷款能力(LR)和人力资源配置能力(EMP)对城市商业银行效率产生影响。中国银行业中处于正常经营状态的城市商业银行数量很多,但经营模式混杂。以北京银行、江阴银行为代表的较发达地区城市商业银行能够保持较高的运营效率,在金融市场中依靠自身的相对优势获取客户资源和利润来源。但更加值得注意的是其他一些盈利能力低下、风险管理水平和贷款能力均处于劣势的城市商业银行,它们较多地依托当地政府的扶持,为政府项目提供贷款融资。城市商业银行往往具有扩张倾向,希望模仿大型商业银行的经营模式,不满足于较小的区域性金融市场,对于一些综合实力较强的城市商业银行,可以尝试“走出去”的发展战略,但必须做好充分的市场调研和需求分析,寻找适合于自身的发展路径,而综合实力一般的城市商业银行应该将更多的精力放在提高自身水平上,首先依托区域性的金融支持,形成一定的竞争优势,提高品牌知名度。当然,商业银行在追求盈利和发展的同时,也不能忽视人力资源管理、防御风险和金融创新等方面的组织建设。
摘要：商业银行效率是从投入和产出角度对银行综合经营能力的测度,对银行效率造成影响的因素是多方面的。利用2008—2014年国内35家商业银行的经营数据构建面板样本,分别测出国有、股份制和城商行的交叉评价效率,并通过分析各类因素对交叉效率的影响,得出以下结论:盈利能力对国有银行效率的影响最为显著,影响股份制商业银行效率的主要因素是盈利能力、人力资源配置能力和风险管理能力,影响城市商业银行效率的主要因素为人力资源配置能力、盈利能力和贷款能力。因此,国有银行应优化资产结构,加强内部管理,主动实施差异化战略;股份制商业银行应进一步扩大市场份额,完善激励机制,不断增强风险管理能力;城市商业银行应依靠自身相对优势获取竞争地位。
DEA交叉效率评价 篇8
任何企业的生产经营活动都离不开物流活动的支持, 物流活动的有效运作已成为企业长远发展的重要环节。企业物流运作模式主要三种主要方式:物流自营、市场化购买与物流合同外包。其中物流自营是指企业设立专门的物流管理部门来完成企业物流业务, 直接分配物流资产, 控制物流智能, 保证供货的准确、及时和顾客服务的质量。物流的市场化购买是企业与物流企业通过相互协商, 由物流企业完成物流业务作业, 而企业按照协商的费用获得所需的物流服务, 这样的合作只是一种短期的买卖行为。随着市场竞争环境的日益加剧, 供应链管理思想的日益加强, 企业越来越重视企业核心竞争力及对外部资源的利用和整合能力, 这必然要求企业采取物流合同外包的形式, 并通过长期的物流外包来加强企业核心竞争力的构建。物流合同外包是企业通过与物流企业签订长期合作的方式, 达成战略合作, 进而来满足物流需要。物流合同外包与市场化购买的根本区别在于, 市场化购买是一种短暂的买卖行为, 而物流合同外包是以契约的方式将物流业务外包给专业的物流公司, 形成一种长期的、战略的、互惠互利的业务委托和合约执行方式。本文将运用DEA交叉评价模型, 通过投入指标与产出指标的有效性分析, 构建物流外包决策模式, 帮助企业确定最合理的物流业务运作模式。
1 企业选择物流运作模式的指标体系
企业在选择物流运作模式时需要考虑多方面的因素。进行企业物流运作模式效率的评价需要确定输入指标和输出指标。 (1) 输入和输出指标。企业主要从物流运作效率角度来确定物流运作模式, 物流运作效率通过投入、产出两方面来决定。因此本文需要建立物流效率评价的输入和输出指标体系。 (2) 影响物流自营与外包的决策因素包括物流对企业的重要程度、企业自营物流的能力、物流外包成本三个方面。由此确定物流运作模式的输入指标包括物流资产投入、物流设施设备以及物流业务对企业的重要性等。 (3) 企业投入资源去完成物流活动, 希望获得最有利于企业的物流效果和服务, 因此输出指标包括物流质量、物流服务水平及物流成本效益等。
基于以上几点要素, 本文构建了由8个指标组成的物流运作模式评价指标体系, 见表1。
2 DEA交叉模型的构建
数据包络分析 (Data Envelopment Analysis, 简称DEA) 方法是运用数学工具评价经济系统生产前沿面有效性的非参数方法, 它适应用于多投入多产出的多目标决策单元的绩效评价。这种方法以相对效率为基础, 根据多指标投入与多指标产出对相同类型的决策单元进行相对有效性评价, 通过对投入产出数据的综合分析, 得出每个决策单元DMU综合相对效率的数量指标, 确定各DMU是否为DEA有效。这种方法尽量用客观数据来减少主观性, 具有可靠性和易操作性。
设有n个决策单元DMUi (1≤i≤n) , 每个单元DMUi有m项输入x1i, x2i, …, xmi和s项输出y1i, y2i, …, ysi, (其中, xji, yji>0) , 将DMUi的输入和输出表示为向量形式:xi= (x1i, x2i, L, xmi) T, yi= (y1i, y2i, L, ysi) T, 则。
设v=[v1, v2, L, vm]T, u=[u1, u2, L, us]T, 分别为输入输出的权向量, 则DMUi的总输出与总输入之比 (以C2R模型为基础) :
根据Charnes-Cooper变化, 将式 (1) 化为等价的线性规划问题:
模型 (2) 具有最优解ui*和vi*, 最优值Hi为DMUi的效率值。
交叉评价的基本思路是:用每一个DMU的最佳权重去计算其他DMU的效率值, 得到交叉评价值:
其中Hik越大对DMUk越有利, 对DMUi的评价越不利。
但由于DEA基本模型中最优解ui*和vi*不唯一, 上述得出的交叉评价值Hik具有不确定性。所以本文采取对抗型交叉评价, 其实质是:每一个DMUi在尽可能提高自己的前提下, 尽可能地降低其他DMUk。因此, 本文maxyiTu以为第一目标, 以作为第二目标, 建立交叉评价模型。
由模型 (4) 可以得到交叉评价值
其中Hit为决策单元的最有效率值, 其余元素为交叉评价值, H的第i列是其他单元对DMUi的评价值;H的第i行是DMUi对其他单元的评价值, 值越小对DMUi越有利。本文以第i列的平均值作为最终评价值, 该值可视为各决策单元对DMUi的总评价, 越大说明DMUi越好。
3 实例应用
企业A在进行物流运作模式决策时有4个待选方案可供选择, 分别为企业自营、市场化购买、物流外包商1、物流外包商2, 所以本文以这4个待选方案作为DEA模型的决策单元。
3.1 原始数据收集及处理
根据调查及资料收集整理, 获得4个决策单元的输入和输出指标数据如表2。
3.2 DEA交叉评价及结果分析
根据以上数据, 利用MATLAB软件计算样本, 得交叉评价效率矩阵H:
其中对角线元素为自我评价值:
以上自我评价值表明各决策单元的自我评价值都为1 (Hii=1, 说明相应的决策单元DMUi是相对有效的) , Hii用无法区分各决策单元的优劣。再由程序计算出各物流方案的平均交叉评价值为:
按hi的大小, 从大到小对4种物流方案的优劣排序为:DMU3→DMU4→DMU2→DMU1
因此, 从DEA交叉评价法的结果, 物流外包商1是运行效率最优的方案, 而物流自营是运行效率最差的方案。
4 结论
从实例评价结果来看, DEA交叉评价法通过研究多个输入输出的生产系统, 采用数学规划模型进行综合评价, 最终确定出各种决策方案的优劣, 评价结果客观与公正, 因此DEA交叉评价法为企业物流外包决策提供了一个有效的评价方法。
参考文献
[1]肖斌, 李超.物流外包决策模型研究[J].哈尔滨商业大学学报 (社会科学版) , 2008, (4) , 60-62.
[2]王燕, 郭伊莎.基于加权灰关联方法的企业物流外包决策分析[J].港口经济, 2011, (4) .
[3]郭腾达, 李向阳.基于网络分析法的逆向物流外包或自营决策[J].系统工程与电子技术, 2008, (30) , 6, 1181-1185.
[4]彭育威, 吴守宪, 徐小湛.利用MATLAB进行DEA交叉评价分析[J].西南民族大学学报·自然科学版, 2004, 30, (5) :553-556.
物流公司绩效的DEA交叉评价 篇9
近年来, 我国物流业发展迅猛。据中国物流与采购联合会统计, 2007年全国物流总额为270亿元人民币, 同比增长62.2%, 增加值同比增长20.3%, 增幅比2006年同期提高5.5个百分点, 物流增加值占服务业增加值的比例由17.1%提高到17.6%。大量有实力的物流企业涌现出来, 按主营业务额排序的50强物流企业, 2005年第50位营业额为1亿元人民币, 2006年达到3.5亿元人民币, 2007年则达到6.2亿元人民币。我国物流业的快速增长表明经济增长对物流需求越来越大, 经济发展对物流的依赖程度也越来越高, 但是物流成本过高依然是制约物流业乃至整个国民经济运行的瓶颈。2007年, 全国社会物流总费用占GDP的比率达18.4%, 明显大于发达国家水平, 如美国10%左右。这说明我国物流处于一个较低的水平, 有巨大的发展空间。自2005年我国物流业全面对外开放以来, 跨国物流企业凭借雄厚的资本、先进的物流设施及丰富的物流企业管理经验大举抢滩中国大陆市场, 使本来就处于较低发展水平的我国本土物流企业面临更加严峻的挑战。在这样的背景下, 提高本土物流企业的绩效, 对于加快我国物流业的发展, 推动中国经济建设、产业结构合理化和提高中国物流企业在国际市场上的竞争力都具有十分重要的现实意义。
物流企业的绩效评价问题实际上研究的是一个物流企业实现投入最小化和产出最大化的问题, 也就是物流企业的经济效益和效率问题。从研究的相关文献来看, 分析物流企业效率的方法主要有参数化方法和非参数化方法。参数化方法主要有SFA (Stochastic Frontier Approach) 、DFA (Distribution Free Approach) 和TFA (Thick Frontier Approach) [1]。参数化方法的特点是考虑了随机误差, 但是假设的边界函数具有主观性, 函数形式对效率值有相当影响。非参数化方法最典型的是数据包络分析 (DEA) 。Min和Park运用DEA方法对国际集装箱港口的效率进行了评价[2]。Min和Joo运用该方法对美国典型第三方物流企业的竞争力进行了分析[3]。张宝友等运用数据包络分析 (DEA) 法, 选取了中国深沪两市21家上市物流公司, 利用其2002～2005年的财务数据进行了动态绩效评价, 结果显示中国上市物流公司总体技术绩效不佳, 且有逐年下滑的趋势[4]。Zhou等运用C2R-DEA和BC2-DEA模型对中国10大第三方物流企业的效率进行了评价, 结果显示公司规模大小与企业绩效无关[5]。
DEA方法摒弃了参数方法中函数形式需要事先假定、参数估计的有效性和合理性需要检验等多方面的问题, 而且可以评价不同量纲的指标, 不需要主观地赋予指标相对权重, 而且可以对多投入多产出进行处理, 具有较强的客观性。但是C2R-DEA和BC2-DEA等传统模型中各决策单元为达到其效率评价指数的最大值, 往往对各输入和输出指标采用极端和不合理的权重分配[6]。DEA交叉评价是将DEA作为多准则决策的一种排序工具而产生的一种新的方法, 它在一定程度上弥补了传统DEA方法的缺陷[7,8]。文献[9]使用MATLAB语言编制了DEA交叉评价程序。本文拟借鉴文献[6]、[7]、[8]、[9]的思路、方法及程序, 对物流公司的绩效进行评价和排序, 为物流企业的科学决策提供参考。
2 C2R-DEA交叉评价模型
传统DEA模型 (1) 在利用线性规划的求解过程中, 由于对输入和输出指标采用极端和不合理的权重分配, 对有利于自己的输入和输出指标赋的权很大, 对不利于自己的指标赋权很小, 甚至赋零权, 因此不能有效地区分各决策单元的优劣, 决策单元仅被分为有效和非有效两大类, 并且用这种方法进行评价时容易出现大量的、甚至全部决策单元都为有效的情形, 这都是由于传统的DEA模型总是强调单个被评价单元的优势, 不考虑对其它决策单元的影响所致。因此, 传统DEA方法不能对决策单元进行比较和排序。但在实际生产活动中, 对决策单元按一定的标准排序是进行分析评价时很重要的一个方面。为了解决这个问题, 根据文献[6]的思路, 引入交叉评价机制。交叉评价的基本思想是, 用每一个DMUi的最佳权重去计算其他DMUk的效率值, 得交叉评价值Eik, 见式 (2) 。
Eik越大对DMUk越有利, 对DMUi越不利。但是, 由于线性规划 (1) 的最优解u*i和v*i不唯一, 由式 (2) 得出的交叉评价值Eik具有不确定性。为此, 可采用对抗型交叉评价[6]。这种方法的步骤是:①先利用传统DEA评价模型 (1) 得出每一个DMUi的自我评价值Eii;②在保证DMUi得到最大值Eii的前提下, 使其它的DMUk得到尽可能小的交叉评价值Eik. 对抗型交叉评价的实质是:每一个DMUi在尽量抬高自己的前提下, 尽可能地贬低其它DMUk, 即不仅考虑自己的优势, 而且还考虑决策单元之间的相互影响。为此, 以max yTiu作为第一目标 (由自我评价模型式 (1) 确定) , 以
3 C2R-DEA交叉评价模型的算法
根据第2节的分析, 交叉评价模型的算法可由以下5步构成:
第一步: 利用自我评价模型 (1) 计算DMUi的自我评价值Eii (1<i<n) ;
第二步: 给定i∈{1, 2, …, n}, k∈{1, 2, …, n}解线性规划 (3) :
第三步: 利用式 (3) 的最优解u*ik和v*ik, 求出交叉评价值:
第四步: 由交叉评价值构造交叉评价矩阵:
其中, 主对角线元素Eii为自我评价值, 非主对角线元素Eik (k≠i) 为交叉评价值。E的第i列是各决策单元对DMUi的评价值, 这些值越大, 说明DMUi越优; E的第i行 (对角线元素除外) 是DMUi对其它决策单元的评价值, 这些值越小对DMUi越有利。
第五步: 计算i第列的平均值ei:
ei是各决策单元对DMUi的总的评价, ei越大说明DMUi越优。
4 实证研究
4.1 指标确定及数据来源
本文以上市物流公司为样本使用C2R-DEA交叉评价模型进行排序研究。根据上市物流公司指标数据的可获得性, 将投入指标设计为:总资产、员工人数、主营业务成本、固定资产净值, 产出指标设计为:净利润、主营业务收入、总资产周转率、每股收益。
根据中国证券监督管理委员会2001年制定的《上市公司行业分类指引》, 物流业归属于“交通运输、仓储业”, 以主营业务中物流业务超过50%为标准, 筛选22家物流上市公司作为研究样本, 这22家上市公司前10家属于港口类物流企业, 后12家属于运输类物流企业。通过查阅2006年和2007年这22家上市公司的年报, 获得了22家物流上市公司的原始数据, 因篇幅所限, 数据不再列出。
4.2 数据分析
将22家物流上市公司的投入产出指标数据代入C2R模型、C2GS2模型[10]和交叉评价模型 (3) 中, 可以计算出22家物流上市公司的总体技术效率θ、纯技术效率σ、规模效率s和交叉评价值θ* (ei) , 结果见表1。
4.3 结果分析
①总体技术效率、纯技术效率与规模效率的比较分析
2006年和2007年物流上市公司总体技术效率θ、纯技术效率σ和规模效率s同时都为1的公司有10家, 占样本总数的45.5%。其中港口类上市公司4家, 分别是盐田港、芜湖港、深赤湾A和南京港;运输类上市公司6家, 分别是中远航运、中海海盛、中海发展、中储股份、招商轮船、外运发展。锦州港在2006年总体技术效率有效, 但是在2007年处于无效状态。
从表1可以看出, 22家物流上市公司的平均总体技术效率为0.8851, 还有11.49%的改进和提高的余地, 其中重庆港九、长航油运总体技术效率较低 (低于0.7000) 。从总体来看, 运输类物流上市公司比港口类物流上市公司的总体技术效率要高 (运输类物流上市公司平均总体技术效率为0.9010, 而港口类物流上市公司平均总体技术效率为0.8661, 两者相差3.45个百分点) 。相对于总体技术效率而言, 我国物流上市公司的纯技术效率更好一些, 平均纯技术效率为0.9266, 纯技术效率有效的公司在2006年有14家, 2007年有13家, 两年连续保持纯技术效率有效的有12家, 占样本总量的54.5%。从总体上看, 运输类物流上市公司的纯技术效率值略高于港口类, 前者为0.9408, 后者为0.9096, 两者相差3.12个百分点。从规模效率上看, 我国物流上市公司2006年和2007年规模效率都为1的有10家, 少于纯技术效率有效的企业总数, 主要差别在于上港集团和大秦铁路的纯技术效率有效, 而规模效率无效。但是22家企业平均规模效率值为0.9557, 高于平均纯技术效率值0.9266。运输类物流上市公司的规模效率值略高于港口类, 前者为0.9580, 后者为0.9530, 两者相差0.5个百分点。所以总体而言, 我国物流业上市公司中近半数达到了总体技术效率有效。技术无效的公司, 其总体技术效率低下的主要原因在于纯技术效率低下 (大多数公司0<σ<s<1) , 也就是说这些物流公司未能充分发挥当前投入的产出潜力。从两年效率评价的平均值看, 只有上港集团、锦州港、中信海直、铁龙物流和大秦铁路5家公司σ<s<1, 说明这五家公司总体技术效率低下的主要原因在于规模效率不佳, 未能在最优的生产规模下经营。
②交叉评价分析
运用交叉评价分析的方法可以进一步对物流上市公司的绩效进行评价排序, 交叉评价结果见表1, 排名图见图1。由图1可知, 2006年总体技术效率有效的11家物流上市公司中, 排名靠前且相对稳定。其中, 深赤湾A的评价效率为0.6501, 排名第1位; 中海海盛的评价效率为0.6366, 排名第2位;外运发展、芜湖港、南京港、中远航运、盐田港依次排在第3位到第7位。2007年技术有效的10家物流上市公司中, 中海海盛跃居第1位, 交叉评价效率为0.6542;深赤湾A降为第2位, 效率值为0.6300;第3位到第6位分别为中远航运、外运发展、盐田港、芜湖港。
通过对2006年和2007年的物流上市公司的交叉评价来看, 大部分物流上市公司排名变化不大, 只有长海航油和中储股份等个别企业有较大的变动, 中储股份2007年由于员工人数和主营业务成本增加, 导致其名次降低;而长海航油则由于2007年员工人数和主营业务成本减少及净利润增加, 其名次靠前。
③物流上市公司的区域差异
为了分析区域经济因素对中国物流上市公司效率的影响, 本文把上述22家上市物流公司按其注册地分成四大区域, 各区域包含范围及其总体技术效率值如表2所示。
由表2可知, 泛珠江三角洲地区物流上市公司的总体技术效率最好 (2006年和2007年该地区物流上市公司总体技术效率的均值为0.9304) ; 其次为环渤海地区 (0.8838) ;再次是长三角地区 (0.8824) ;最后为其它地区 (0.8234) 。在其它地区中, 除芜湖港外, 其它上市公司总体技术绩效都小于1, 这说明其它地区的物流上市公司效率较低。上述分布状况与中国区域经济发展状况基本相吻合, 这说明物流业发展与经济增长有着密切的关系, 当一个地区的经济获得长足发展时, 会对物流业产生巨大的需求, 促进物流业的快速罚展。
5 结论与对策
本文依据对抗型交叉评价思路构建的基于C2R-DEA交叉评价的物流公司绩效评价模型, 不但可以综合评价物流公司的总体技术效率、纯技术效率和规模效率, 还可以对物流企业的绩效 (效率) 进行排序。通过使用我国22家物流上市公司作为样本进行的评价, 得出了以下结论:①2006年和2007年我国物流上市公司绩效高的企业较多, 每年都达到了45%左右。从总体技术效率θ、纯技术效率σ和规模效率s来分析, 运输类物流上市公司比港口类上市公司更好一些。②2006年和2007年大部分物流上市公司绩效排名变化不大, 只有长海航油和中储股份等个别企业有较大的变动。③物流上市公司的绩效受区域经济因素的影响, 在经济发展水平较高的泛珠江三角洲和环渤海及长三角地区物流上市公司绩效更好。
运用C2R-DEA交叉评价模型对物流公司的综合排序可以为各企业客观了解和评价自身物流竞争力和相对物流绩效水平提供参考, 各企业可以与其它实力相当的竞争性企业进行比较分析, 衡量自身的综合绩效状况, 从中发现自身的薄弱环节, 有针对性地改善企业的投入和产出水平, 以提高企业的物流绩效。根据本文的研究发现, 对于我国物流上市公司绩效 (效率) 优化应同时关注纯技术效率优化与规模效率的优化。提高纯技术效率, 首先, 抓好物流标准化建设。由于物流标准不健全, 许多业务不能利用机械等辅助设施自动完成, 这在一定程度上影响了物流的有效运作;其次, 加快企业物流信息化建设, 利用信息技术来提高业务的竞争能力;再次, 通过技术改造与更新, 提升产品/服务档次。而提高规模效益, 一方面, 建立适合中国物流企业发展的管理体制。在所研究的22家上市物流公司中, 绝大多数是国有企业, 政企不分的国有企业管理模式仍然制约着企业市场竞争能力的提高。因此应按现代企业制度建立适合中国物流企业发展的管理制度, 提高物流企业的绩效;另一方面, 拓展业务范围, 提高产品/服务的附加值。目前, 中国多数物流企业还只是简单地提供运输和仓储服务, 而对于流通加工、物流信息服务、库存管理、物流成本控制等增值服务方面, 尤其在物流方案设计以及全程物流服务等更高层次的服务方面还没有全面展开, 业务范围的扩大有助于提高规模效率。此外, 物流企业在开拓业务时还要注重从区域经济视角去寻找提高管理绩效的对策, 注重向区域经济较发达的地区扩张业务。
参考文献
[1]Cullinane K, Song D W, Gray R.A stochastic fron-tier model of the efficiency of major container termi-nals in Asia:assessing the influence of administra-tive and ownership structures[J].TransportationResearch Part A, 2002, (36) :743~762.
[2]Min H, Park B I.Evaluating the inter-temporalefficiency trends of international container termi-nals using data envelopment analysis[J].Interna-tional Journal of Integrated Supply Management, 2005, 1 (3) :258~277.
[3]Min H, Joo S J.Benchmarking the operationalefficiency of third party logistics providers usingdata envelopment analysis[J].Supply Chain Man-agement:An International Journal, 2006, 11 (3) :259~265.
[4]张宝友, 达庆利, 黄祖庆.中国上市物流公司动态绩效评价及对策[J].系统工程, 2008, 26 (4) :6~10.
[5]Zhou G, et al.Evaluating the comparative efficien-cy of Chinese third-party logistics providers usingdata envelopment analysis[J].International Journalof Physical Distribution&Logistics Management, 2008, 38 (4) :262~279.
[6]Doyle J R, Green R H.Efficiency and cross-efficien-cy in DEA:derivations, meanings and uses[J].J.Opl.Res.Soc., 1994, 45 (5) :567~578.
[7]Doyle J R, Green R H.Data envelopment analysisand multiple criteria decision making[J].Omega, 1993, 21 (6) :713~715.
[8]Sarkis J.A comparative analysis of DEA as a dis-crete alternative multiple criteria decision tool[J].Eur.J.Opl.Res., 2000, (123) :547~557.
[9]彭育威, 吴守宪, 徐小湛.利用MATLAB进行DEA交叉评价分析[J].西南民族大学学报.自然科学版, 2004, 26 (5) :553~556.
DEA交叉效率评价 篇10
生产性服务业融合演化是我国新时期转变经济发展方式不可或缺的战略, 是当代中国经济发展新的驱动器。生产性服务业 (producer service) 最早由Greenfiel提出, 后经Browing和Singelman的发展得到逐步深化[1]。目前理论界对生产性服务业的定义已达成基本共识, 即生产性服务业是在产品生产和服务提供过程中作为中间投入的服务部门, 它主要包括金融业、交通运输、商务服务业、信息服务业、科学研究等行业与部门[2]。
学术界对生产性服务业的研究更多地着眼于制造业与生产性服务业的互动关系及机理问题, 形成了“需求论”[3,4]、“供给论”[5]、“互动论”[6,7]、“融合论”[8], 以上观点角度不同但并不矛盾。“需求论”揭示了生产性服务业产生的根源, 即在产业分工深化背景下, 从制造业价值链分解独立出来的服务产业, 依赖于制造业的发展;“供给论”揭示了独立出来的生产性服务业对制造业的贡献作用;“互动论”承认了制造业与生产性服务业双向的互动关系, 是对前两种观点的总结;“融合论”从价值链分解与重构过程阐述生产性服务业与制造业的融合互动过程, 更接近问题的实质。
然而, 包括现有“融合论”在内的学者们仅仅着眼于生产性服务业形成后与制造业的互动关系的刻画是不全面, 缺少从根源上阐述生产性服务业的产生及演化机制问题。追溯早期的国外相关研究, Markusen通过构建一个数理模型, 证明了生产规模和市场扩大会不断细化分工, 使得生产性服务业从制造业中分离出来, 并不断促进其发展[9]。同样, Vandermerwe用制造业服务化描述生产性服务业的产生, 认为制造业通过价值链的前移和后移, 强调服务提升产业竞争力, 从而使得制造业向服务业转型[10]。结合已有的研究, 本文认为, 生产性服务业是从制造业分解独立出来的现代服务业, 进而又与制造业实现融合互动的产业;生产性服务业的出现, 形成了更高效的融合性价值网络。如何衡量这种更高效的融合性价值体系是本文将要解决的第二个问题。不同于以往侧重生产性服务业对制造业效率与竞争力影响的实证研究[11,12], 本文基于对生产性服务业形成机理的阐述, 运用仁慈型交叉效率评价模型, 对中国2004年到2011年生产性服务业的融合质量以及省级区域生产性服务业融合质量进行了衡量, 以期丰富产业演化及发展理论, 推动生产性服务业持续快速发展。
二、生产性服务业融合演化机理:制造业与服务业的融合
(一) 制造业价值链分解与生产性服务业的形成
波特最早提出了价值链的概念, 指出价值链是企业用来设计、生产、营销、交货以及各种活动的集合。生产性服务业的融合演化过程实质体现的是制造业与服务业的融合。Wirtz从价值链的角度阐述了通信业与传媒业的融合[13]。本文借鉴Wirtz的观点, 从价值链的分解与重构两个阶段分析生产性服务业的融合演化机理。
传统制造业价值链包括基础设施、人力资源管理、采购、内外部后勤、生产、市场销售等范畴。制造业内部服务部门如产品开发、采购服务、物流配送、产品销售、人力资源服务等, 是与制造业生产活动以链条式的关系包含在制造业价值链之中的辅助环节 (图1) 。此时的制造业服务部门是生产性服务业的前身, 仅仅为企业本身提供生产服务。随着制造业活动的复杂化及分工的加深, 制造业内部的服务部门走向专业化, 在与制造业核心生产活动相关联的上游及下游, 服务部门渐渐出现剥离现象, 出现了生产性服务业。例如, 长城汽车股份有限公司成立于1984年, 是国内最大的SUV和皮卡制造企业。蚂蚁物流原本是专门为长城公司提供汽车运输物流的物流部门, 随着专业化的发展于2002年从母公司剥离出去, 成立了保定市蚂蚁物流网络有限公司。该公司目前是长城汽车运输总代理, 同时也是上海大众、上海通用、广州本田、吉利、东南汽车、比亚迪系列汽车等汽车厂家的承运代理。制造业服务部门的分离、条状价值链的分解, 使得原来价值链的服务环节以更加开放的网状结构与其他企业或者产业的价值链结合。制造业价值链的分解过程也是生产性服务业形成的过程, 同时对于整个经济网络价值链而言也是价值增值的过程。
(二) 生产性服务业与制造业复杂网络价值链的重构
从制造业逐渐剥离出的生产性服务业, 不再仅仅只为自身企业服务, 专业化的加强使得它们也为有相同服务需求的同类企业, 甚至是不同行业但服务需求相同的公司提供服务。这一变化更加速了制造业内部服务部门的剥离。随着生产性服务业发展壮大, 其与制造业的价值链关系网络化、复杂化。这意味着制造业企业可以寻求相同行业甚至不同行业生产性服务部门提供的服务, 生产性服务业也可以服务于不同产业部门的生产活动。这种自由的双向选择行为是高效的复杂价值网络互动的关键 (图2) 。实践中最为典型的是IBM公司, IBM从电脑制造业巨头转化为提供信息系统解决方法的生产性服务企业, 实现了从传统制造业向融合性现代服务业的转变。
生产性服务业的价值链向更多的制造业渗透的过程也是价值链向价值网的转变过程。制造业企业也不再追求保持自身价值链的完整性, 而把战略重点放在自己的核心能力上, 从事价值链条的关键环节即有竞争优势的环节。生产性服务业承担的是对制造业企业而言非核心价值的环节, 即外包给生产性服务业能减少制造业企业生产成本的环节。随着生产性服务业的发展壮大, 其专业性必然增强, 相较于制造业企业自身, 更能为制造业企业提供更有效低成本的服务。价值链的分解与重构, 是制造业与服务业融合加深的过程。以生产性服务业发展为核心的, 制造业与服务业价值链融合复杂网络化趋势也是整个经济价值链增值的过程。
简言之, 生产性服务业的实质体现了制造业与服务业的融合。制造业的服务化使得生产性服务业从制造业中剥离, 改变了传统的链条式的价值链, 进而向复杂的融合网络化价值链发展。这一转变过程也是传统制造业向现代制造业、传统服务业向现代服务业转变的过程。制造业与服务业融合的加深、生产性服务业的发展是高效融合性价值网络的关键, 也是新型产业体系即现代制造业与现代服务业融合互动的产业体系形成的关键。
(三) 基于制造业与服务业融合的生产性服务业发展
20世纪80年代以来, 西方发达国家经济发展的显著特点之一就是生产性服务业逐步取代制造业成为经济增长的主要动力和创新源泉[14], 由此可见, 生产性服务业的发展对中国转变经济增长方式、提高产业及国家竞争力具有重要的作用。
目前, 学术界针对生产性服务业的统计口径还没有统一的标准。综合主要分类方法并结合中国统计年鉴, 可以将生产性服务业划分六个细分行业:交通运输、仓储和邮政业;金融业;信息传输、计算机服务与软件业;批发与零售业;租赁和商务服务;科学研究、技术服务和地质勘查业。生产性服务业本质体现的是制造业与服务业的融合, 故生产性服务业增加值占制造业增加值比重可代表生产性服务业融合发展程度。2004年以前的《中国统计年鉴》对第三产业分类与2004-2011年的不一致, 故本文考察期间选定为2004-2011年。通过初步数据统计, 我们发现生产性服务业占制造业的比重从2004年的65%上升到2011年的76%, 显示着我国生产性服务业已逐渐壮大起来, 成为中国产业经济不可或缺的一部分。
三、生产性服务业融合质量的实证分析
生产性服务业的发展不仅要注重总量的提升, 更要考察融合的质量, 这是我国形成现代制造业与现代服务业融合互动产业体系的关键。本文在梳理了生产性服务业演化机理的基础上, 运用仁慈型的交叉效率评价模型, 基于2004-2010年的生产性服务业数据, 实证我国生产性服务业融合质量现状及区域差异。
(一) 生产性服务业融合质量与评价模型的构建
本文将生产性服务业的融合质量定义为制造业与服务业的互动融合质量, 具体用生产性服务业全要素生产率来考察。自20世纪80年代以来, 国内外学者对我国全要素生产率进行了很多实证研究。目前对全要素生产率的测算方法, 较多文献使用的是索罗余值法或者参数化的CD生产函数回归法[15]。部分文献使用参数化的随机前沿生产函数方法[16], 该方法可以分解TFP增长率至各构成成分;为克服参数化方法的模型设定误差, 最近文献中还较多使用了非参数的确定性前沿生产函数法, 即数据包络分析 (DEA) 方法。数据包络分析 (DEA) 是评价一组具有多输入-多输出特征的决策单元相对效率的数据规划方法。传统的DEA方法是基于自评思想, 表现在权重由决策单元自身取定, 最大化自身效率而尽量最小化他人效率。为了克服DEA方法的自评缺陷, 研究人员提出了DEA交叉效率方法:即每个决策单元都可以提出一组体现个人偏好的权重, 所有决策单元的偏好权重均值作为公共权重, 各决策单元在此公共权重下的效率值为交叉效率[17]。
1. 生产性服务业融合质量的全要素评价指标
生产性服务业融合质量的全要素评价指标包括投入和产出两大指标, 其中投入指标为生产性服务业固定资产投资额和生产性服务业从业人员, 分别代表了生产性服务业投入的资本与人力;产出指标为生产性服务业增加值、劳动生产率。
2. 生产性服务业融合质量评价模型
DEA交叉效率方法分为进取型交叉效率和仁慈型交叉效率。仁慈型的把所有决策单元视为盟友, 在最大化自身效率的同时最大化其它单元效率;进取型正好相反, 在最大化自身效率的同时最小化其它单元效率[17]。本文考察生产性服务业融合质量的决策单元效率值很大程度上来源于合作, 这样传统DEA方法计算出的效率值可能不准确。生产性服务业与制造业融合互动会持续多年, 本文要求各决策单元在最大化当年效率的同时, 也要最大化其它年的效率;在最大化本地区效率的同时也要最大化其他的地区的效率, 故选用仁慈型DEA进行计算。
假设有n个决策单元, 每个决策单元有m种投入, s种产出。对决策单元j, 记其第i种投入为xij (i=1, 2, 3, …, m) , 第r种产出为yij (r=1, 2, …, s) 。
首先, 运用传统DEA模型计算决策单元d的自我评价效率θd:
u, v是产出与投入权值向量, 记最优解是 (θd*, ud*, vd*) ;对于其他决策单元j, 同理可以得到最优解 (θj*, uj*, vj*) 。则决策单元d的交叉效率Ed可以表示为:
当决策单元d达到其效率θd*时, 则决策单元k相对于决策单元d的仁慈型DEA交叉效率为:
故其等价的线性规划为:
则决策单元的平均仁慈型交叉效率公式为:
(二) 生产性服务业融合质量评价过程及结果分析
本文采用Matlab7.0软件计算中国生产性服务业融合效率, 数据来源为《中国统计年鉴》 (2004-2011) 。经计算得出各年份生产性服务业的融合质量值 (包括6个细分行业的融合质量值) 见表1。
由表1可知, 随着生产性服务业的发展, 生产性服务业的融合质量总体呈现递增之势, 但具体到细分行业各有差异:以信息传输、计算机服务和软件业为代表的战略性新兴生产性服务业融合质量增长速度最快, 从2004年的0.6945增长到了2009年的0.9929, 增长了42.9%;科学研究、技术服务和地质勘查业融合质量在2005-2007间年高速增长, 之后开始下降, 直到2011年才重拾升势;金融业在2008年金融危机之前的融合质量增速最快, 从2004年的0.533增长到了2007年的1, 增长了87.6%, 但2008年后融合质量略有下降。相比而言, 传统的生产性服务业融合质量的增长都较平稳, 如批发零售业2004-2011年融合质量平均增长率为2%, 交通运输、仓储和邮政业以及租赁与商务服务融合质量增长和变动都较平稳。
进一步, 本文考察了区域生产性服务业融合质量。为了避免数据很小而导致计算误差, 剔除西藏、宁夏、海南、青海四个省份, 仅测量全国27个省份的生产性服务业与制造业的融合质量, 并根据所得的融合质量值大小进行排名 (见表2) 。
由表2可知, 2011年中国省级区域的生产性服务业融合质量存在显著差异。江苏省的生产性服务业融合质量最高 (0.969) , 这得益于其生产性服务业劳动生产率远高于其他省份;上海、广东、浙江、山东、天津、北京的生产性服务业融合质量较高, 属第二集团;更多省份的生产性服务业融合效率水平处于0.5-0.6之间, 这些省份制造业与服务业互动融合质量水平一般;重庆、黑龙江、辽宁、四川、山西、广西、陕西、云南等省份的制造业与服务业互动融合则较差, 生产性服务业融合质量有待提高。
四、结论
本文在阐述生产性服务业融合演化机理及现状的基础上, 运用仁慈型的DEA交叉效率评价方法, 对2004-2011年我国生产性服务业融合效率及2011年省级区域生产性服务业融合质量进行评价。研究表明: (1) 2004-2011年间我国生产性服务业融合质量总体呈上升趋势, 其中以信息传输、计算机服务和软件业为代表的战略性新兴生产性服务业融合质量呈强劲增长之势, 传统的生产性服务业融合质量则较稳定, 增长较慢。 (2) 省级区域间的生产性服务业融合质量差异较大, 只有小部分省区容融合质量较好, 大部分省级区域生产性服务业的融合质量低下, 有待提高。