动态投资效率

动态投资效率（精选8篇）

动态投资效率 篇1

近年来, 随着环境保护问题越来越受到重视, 政府和企业都采取了诸多措施来治理环境污染。在目前环境治理资金相对紧张的情况下, 分析环境治理投资效率, 特别是作为我国污染物排放重点领域———工业的环境治理投资效率, 不仅符合我国环境保护的实际需要, 而且能为改进政策提供科学依据, 从而有效提高环境治理投资的成效。本文拟将工业环境治理投资看成一项投入产出活动, 采用DEA—BCC模型和Malmquist指数模型来研究华东地区各省市工业环境治理投资的静态和动态效率, 为进一步提高区域工业环境治理投资的效率提供参考意见。

一、华东地区工业环境治理投资效率的评价方法、指标及数据来源

(一) 评价方法

数据包络分析 (DEA) 主要是利用线性规划来对决策单元的各项效率进行比较分析。该方法主要包括CCR模型、BCC模型和Malmquist指数模型等。而CCR模型和BCC模型只能用于相同时期的决策单元效率比较, 因此属于静态效率分析。Malmquist指数模型主要是用于不同时期的决策单元比较, 评价研究主体全要素生产率的变化情况, 并可进一步细分变化原因, 因此属于动态效率分析。由于CCR模型中未作凸性限制, 而采用规模报酬固定假设, 事实上并不是每一个决策单元 (DMU) 的生产过程都处在固定规模报酬下的, 所以本文采用BCC模型和Malmquist指数模型来分别研究工业环境治理投资的静态和动态效率。

(二) 评价指标

一般而言, 工业环境治理投入越大, 产出即污染物排放达标率越高。因此, 本文拟以工业废水排放达标率、工业二氧化硫排放达标率、工业烟尘排放达标率、工业粉尘排放达标率、工业固体废物综合利用率、工业固体废物处置率为产出指标。相对应的, 投入指标也应该是相对数, 本文采用的投入指标为工业污染治理本年完成投资额和废水、废气及固体废弃物治理设施本年运行费用占当年工业总产值的比例。

(三) 数据来源

本文以华东地区六省一市, 即上海、江苏、浙江、安徽、福建、江西和山东2005-2010年上述投入产出指标的面板数据集为样本, 研究华东地区及其各省市工业环境治理投资的效率。投入产出指标数据均来源于2005-2010年的《中国统计年鉴》和《中国环境统计年鉴》。在此基础上, 把工业环境治理看作工业企业的一项投入产出活动, 利用DEAP2.1软件中的BBC模型和Malmquist指数分析法进行实证分析, 对华东地区及其各省市工业环境治理投资的效率进行静态和动态的综合评价。

二、华东地区工业环境治理投资效率的静态分析

(一) 纯技术效率

表1显示, 从华东地区各省份的比较来看, 2005年到2010年间, 上海、江苏、福建和山东四个省市工业环境投资的纯技术效率连续6年都为1, 说明位于当前技术条件下、不考虑规模因素, 这些地区工业环境投资的纯技术效率是有效的, 即这几个地区利用现有技术能力很强, 在现有生产规模下所投入的工业环境投资资源得到了最大程度的利用。浙江省工业环境投资的纯技术效率在2005年、2007年和2009年均为1, 说明这些年技术效率有效, 6年的平均值为0.898, 处于华东地区的中游。安徽和江西的工业环境投资的纯技术效率是华东地区最低的, 6年的平均值仅为0.594和0.556。这意味着这些地区利用现有的技术来治理工业环境问题的能力不够好, 需要依靠增加资金投入和加强管理来提高工业环境治理效果。从整个华东地区来看, 2005-2010年平均工业环境投资纯技术效率为0.864, 小于1, 这意味着整个华东地区利用现有的技术来治理工业环境问题的能力仍有提升的空间。

(二) 规模效率

规模效率反映了在技术水平不变情况下, 环境投资的增加对产出或收益的影响情况, 是衡量投资规模的安排适宜与否的指标。从表2可以看出, 整个华东地区工业环境投资规模效率平均值为0.879, 比较接近于1, 即总体表现出相对较好的规模效应。其中, 上海工业环境治理投资的规模效率是最高的, 除了2009年为0.895外, 其余年份均达到1, 说明其工业环境治理投资的投入产出规模最为适宜。紧随其后的分别是江西、安徽、浙江和江苏, 2005年至2010年的平均值分别为0.979、0.949、0.927和0.926, 都接近于1, 说明这些省份的工业环境投资规模效率偏低。福建和山东的规模效率平均值仅为0.695和0.691, 说明其工业环境投资治理呈现投入产出规模不合适, 环境治理的成本较高, 需要加以改进和调整。

(三) 综合技术效率

综合技术效率的大小不仅反映利用现有技术的有效程度, 而且反映技术推广的有效程度和技术更新速度的快慢程度。从表3可以看出, 2005-2010年华东地区工业环境投资的整体综合技术效率的平均值为0.747, 表明华东地区工业环境投资仍存在25.3%的投入资源浪费, 工业环境投资的总体效率并非相对有效, 投入和产出存在不同程度的冗余或不足, 投入产出在整体协调上没有达到最优。具体到各省市, 上海的综合技术效率平均值是最高的, 接近于1, 显示其工业环境投资的总体效率最优。其次是江苏和浙江, 分别为0.926和0.826。而安徽、福建、江西和山东因纯技术效率或规模效率偏低, 而导致综合技术效率的平均值相对低下。

三、华东地区工业环境治理投资效率的动态分析

(一) 华东各地区工业环境治理投资效率动态变动分析

从全要素生产率的角度看, 表4显示2005-2010年整个华东地区全要素生产率平均提高了12.8%, 其中技术效率提高了6.1%, 技术进步带来的贡献为6.4%。从各省市来看, 6年间全要素生产率平均值提高最多的是福建, 提高了23.5%, 主要是技术效率得到16.8%幅度的提高。其次是江西、山东、安徽和江苏, 全要素生产率平均值均达到了2位数的增长, 分别为17.7%、14.8%、12.5%和12.4%。最后是上海和浙江, 分别为提高6.4%和3.8%, 这可能是因为这两个地区的基数较高, 导致增长幅度较小。说明随着国家和地区对环境问题的日益重视, 近年来各地区都加大了工业环境治理投资的力度, 并引进国内外先进的技术和管理经验, 促进技术效率和技术进步的提升, 从而使得工业环境治理的效率大大提高。

从技术效率指数的角度看, 福建和江西达到了2位数的增长, 分别为16.8%和11.3%;山东、安徽和江苏的增长幅度分别为7.8%、5.6%和5.5%。说明在工业环境治理投资方面, 相对于上期技术效率水平, 这些地区2005-2010的技术效率从动态看是提高的。上海的技术效率指数保持不变, 这是因为上海的静态技术效率是有效的, 各年的值均为1, 所以动态技术效率指数不变。而浙江略微下降了3.2%, 说明浙江的技术效率略微下降, 一般可通过管理者提高技术能力予以改善。而技术效率指数还可以进一步分解为纯技术效率指数和规模效率指数。纯技术效率反映的是技术水平对效率的影响程度。华东地区各省市的纯技术效率均大于1, 表示这些地区能够较好的利用现有的技术水平来提高工业环境治理的效率, 也表明这些地区工业企业的经营和管理水平使环境治理效率发生了一定程度的改进。从规模效率指数来看, 除了浙江省外, 其余省份的规模效率指数值均大于1, 显示浙江省如果仅仅通过加大工业环境治理的资金投入规模, 工业污染治理的技术效率很难得到改善, 还要依靠企业内部的技术进步和管理创新才能稳步提高工业环境治理投资效率。

技术变化指数表明的是企业引进新技术并投入生产的能力。从技术变化指数来看, 2005-2010年, 华东地区各省市工业环境治理的变化指数都大于1, 其中浙江技术变化指数最大, 其值为7.2%, 说明其技术创新方面做得最好。整个华东地区的均值达到6.4%, 表明华东地区工业企业引进新技术并投入生产的能力在不断提高。

(二) 华东地区各年工业环境治理投资效率动态变动分析

从各年的变化情况来看, 2005-2006年华东地区工业企业环境治理投资的全要素生产率指数增长了18.1%, 技术效率增长6.8%, 技术变化指数为10.6%。2006-2007年该全要素生产率指数增长15.1%, 主要是因为技术效率增长28.7%, 技术变化下降了10.2%。2007-2008年该全要素生产率指数增长15.1%, 主要是因为技术变化增长20.8%, 技术效率下降了2.6%。2008-2009年, 该全要素生产率指数下降6.8%, 其中技术效率下降3.7%, 技术变化下降了3.3%。2009-2010年该全要素生产率指数得到了最大幅度的提升, 达到22.3%, 其中技术效率的贡献为4.2%, 技术进步的贡献所占的比重较大, 贡献率为17.4%。从平均值来看, 全近年来要素生产率指数增加12.8%, 其中技术效率增长6.1%, 技术变化指数为6.4%。说明华东地区各省市越来越重视环境问题, 工业环境治理投资的效率日益改善, 而效率的提高是依靠技术效率的提高和技术进步共同推动的。

四、政策建议

(一) 继续加大华东地区工业污染治理投资

尽管华东地区工业污染治理投资的金额逐年增长, 但是占地区GDP的比重较发达国家相比, 仍然偏低。从上面的分析可以看出, 华东地区环境治理投入的规模效率接近于1, 因此增加投入, 一定程度上产出也会有效增加, 即环境治理的效果就会越好。对于规模效率比较低的省份, 要改进污染治理的资金投入结构。

(二) 促进环境治理与技术创新的有机结合

技术进步是提高环境治理投资效率的有效手段。引进先进的技术手段, 可以更好地发挥资金在工业环境治理中的积极效用, 更大程度上提高环境治理的效率。为了促进环境保护技术创新, 可以出台相应技术驱动的政策和标准, 加大对环境治理高新科技研发的鼓励, 并增加创新资源的投入等等。

(三) 有重点地提升环境治理投资管理和决策的薄弱环节

如前文所述, 对于技术效率比较低的省份, 如果仅仅通过加大工业环境治理的资金投入规模, 工业污染治理的技术效率很难得到改善, 还要依靠企业内部的技术进步和管理创新才能稳步提高工业环境治理投资效率。因此, 可以引进国内外先进的环境保护经验, 制定环境保护工作的相应法律法规政策, 同时调整优化产业结构和产品结构, 重点控制重污染行业的污染物排放量, 以最终提高环境治理投资的效率。

摘要：工业环境治理投资是一项投入产出活动, 以2005—2010年华东地区六省一市工业环境治理的相关指标为样本, 利用DEA的BCC模型和Malmquist生产率指数测算了该地区及其省市工业环境治理投资的静态效率和动态效率的变化。提出以下政策建议:加大治理投资;促进环境治理与技术创新的有机结合;重点提升薄弱环节。

关键词：华东地区,工业,环境治理投资效率,BCC模型

参考文献

[1]杨宣.基于DEA方法的湖北省农地利用效率研究[D].华中师范大学, 2011.

[2]刘英.基于Malmquist指数模型的281所乡镇卫生院效率分析[D].北京协和医院研究生院, 2011.

[3]聂华林, 陈绍俭.西部地区工业污染治理效率评价研究——基于DEA和Malmquist指数的实证分析[J].开发研究, 2010 (4) :5-8.

[4]陶敏.我国环境治理投资效率评价研究[J].技术经济与管理研究, 2011 (9) :89-92.

[5]曾贤刚.中国区域环境效率及其影响因素[J].经济理论与经济管理, 2011 (10) :103-110.

动态投资效率 篇2

一、实验目的：用动态规划的思想实现动态投资问题。

二、实验要求：掌握动态规划算法设计的基本策略。

三、实验内容：m元钱，n项投资，fi(x)将x元投入第i项项目的效益，目标函数max {f1(x1)+ f2(x2)+ … + fn(xn)}

约束条件x1 + x2 + … + xn = m，xi ∈ N

设Fk(x)表示x元钱投给前k个项目的最大效益 算法实现：投资第k个项目p元钱的效益可表示为Project[k][p],其中0<=k<=n,0<=p<=m;设投资给前k个项目p元 钱的最终总效益为用Benefit[k][p]，其中0<=k<=n,0<=p<=m。设allot[k][p]表示在总投资为p元钱时候，最终分配给第k个项目的钱数解。

四、实验心得：在调试过程中出现了好多小问题，一开始结果不对，我通过单步调试一步步的看待填的二维表中的数据。发现大部分V[i][j]对了，但是有极小数的不对。故而我的结果出现了问题。通过本次实验加深了我对动态规划算法的理解。而且对动态规范编写代码解决一个实际问题有了进一步的认识。即当算法考虑的原问题的每一个子问题，算法都需要计算一个最优解。换句话说，所有算法生成的表项表示算法考虑的子问题的最优解。这时候用动态规范把每一个最优解求出来（利用递归公式），就能够保证最后求得的一定是最优解。而且动态规划有个特点，即它是由底向上，它实现起来就是利用循环，有时用到一层循环即可，有时要用到两层for循环即可以求解出问题。

五：附录：程序代码及结果

#include

void main(){

void jie(int,int,int d[][9]);

void Invest(int m,int n,int f[][9],int g[][9],int d[][9]);

int m=8,n=3,f[4][9],d[4][9];int

g[4][9]={{0},{0,5,15,40,80,90,95,98,100},{0,5,15,40,60,70,73,74,75},{0,4,26,40,45,50,51,53,53}};

Invest(m,n,f,g,d);

printf(“可获得的最大收益为：%dn”,f[3][8]);

jie(m,n,d);} void Invest(int m,int n,int f[][9],int g[][9],int d[][9]){ int i,j,k,s;for(j=0;j<=m;j++)

{

f[1][j]=g[1][j];d[1][j]=j;}

for(i=2;i<=n;i++)

for(j=0;j<=m;j++)

{

f[i][j]=0;

for(k=0;k<=j;k++)

{

s=f[i-1][j-k]+g[i][k];

if(s>f[i][j])

{

f[i][j]=s;d[i][j]=k;}

}

}

} void jie(int m,int n,int d[][9]){ int s=m;int k[4];int i;k[n]=d[n][m];for(i=n-1;i>0;i--){

s = s-k[i+1];

k[i] = d[i][s];} for(i=1;i<=3;i++)

动态投资效率 篇3

知识经济时代,物质资本不再是影响国家或地区经济发展的核心要素,而人力资本作为劳动和资本以外的一种能够产生附加价值的生产要素[1],成为影响国家或地区经济发展的核心要素和重要源泉[2,3]。对人力资本进行投资是促进经济增长的重要方式之一[4],人力资本投资效率的高低不仅反映了人力资本投资金额的利用效率,而且在一定程度上决定了人力资本对经济增长的贡献程度[5]。据《中国统计年鉴》[6]测算可知,我国人力资本投资金额( 教育、科学技术、医疗卫生、社会保障与就业四项投资额) 由2001 年的3 248. 22亿元增加到2013 年的45 663. 34 亿元,年均增长率为24. 08% 。那么在人力资本增速如此快速的背景下,我国人力资本投资效率如何? 省域间人力资本投资效率是否存在差异? 回答以上两个问题不仅有利于了解我国人力资本的投资效率,更对促进省域间人力资本协调发展、提高我国人力资本投资效率具有重要意义。

1 文献综述

目前,关于国家或地区人力资本投资效率的研究文献主要有: 刘迎秋( 1997) 研究认为可以使用边际分析法来衡量一定时期内的人力资本投资效率[7]。钱雪亚、王秋实、刘辉( 2008 ) 研究发现1995—2005 年我国人力资本效率有下降的趋势[8]。骆永民( 2010) 使用门限面板回归研究发现随着人力资本投资效率的提高,其对经济增长的弹性却不断降低[9]。李学军( 2010) 研究了导致我国人力资本投资效率低的影响因素[10]。刘忠文( 2011) 研究了运行机制、激励机制、约束机制对我国农村人力资本投资效率的影响[11]。刘军、常远、李军( 2012)和阚大学( 2012) 均使用DEA方法分析了我国部分省份的人力资本投资效率[12,13]。白勇、马跃如( 2013) 仅从教育资本和健康资本两个维度构建了基于随机前沿分析理论的人力资本投资效率的测度模型[14]。封永刚、邓宗兵( 2015) 使用BootstrapMalmquist模型测算了我国人力资本投资效率,研究表明2001—2009 年我国人力资本投资效率呈现出“大幅上升”的变化趋势,而2010—2012 年我国人力资本投资效率又呈现出“小幅下降”的变化趋势[5]。

由此可知,目前人力资本投资效率领域取得了一些研究成果,但已有文献仍存在不足之处,第一,在选取指标因素方面缺乏系统性,已有研究均只考虑了教育、医疗、社会保障和就业方面的指标,尚未考虑科技方面的投入和产出指标。第二,在静态时间分析时,仅使用DEA模型测算了某一年的人力资本投资效率,尚未逐年分析样本年内人力资本投资效率的变动情况。基于此,本文从全要素的视角出发,采用DEA-Malmquist生产率指数分析方法来更加系统的评价我国人力资本的投资效率。

2 研究方法与数据来源

2. 1 研究方法

Malmquist指数法是由瑞典经济学家Malmquist于1953 年提出的一种用于分析不同时期消费变化情况的方法[15]。数据包络分析( Data Envelopment Analysis,DEA) 是美国运筹学家Chames和Copper于1978 年提出的一种效率评价方法[16]。随后Caves等( 1982) 和Fare等( 1994 ) 分别构建和应用了DEA-Malmquist生产率指数法[17,18]。

本文旨在研究中国人力资本全要素投资效率及省域差异,同时找出其效率低下的主要原因,地区的人力资本投资效率一般属于可变规模报酬的情况。为此,本文选用DEA-BCC规模效率评价模型,其表达式如式( 1) :

式( 1) 中,Xi、Yi分别为第i个决策单元的投入量和产出量; Zi0的最小值为决策单元( DMUi0) 的相对效率评价值; ε 为非阿基米德无穷小量; êT= ( 1,1,…,1) ∈ Em; eT= ( 1,1,…,1) ∈ ES; S-、S+为松弛变量。

根据Caves等( 1982) 和Fare等( 1994) 的研究思路,本文将中国31 个省、市、自治区的人力资本称作决策单元( DMU) ,构造每一时期中国人力资本全要素投资效率的最佳前沿面。然后,将31 个决策单元每一时期的全要素投资效率与同期的最佳前沿面进行比较,分析出各省、市、自治区的人力资本全要素投资效率变化情况,则人力资本全要素投资效率指数( Human Capital Malmquist,HCM) 的变化情况可以表示为式( 2) :

式( 2) 中,若HCM > 1,则说明人力资本全要素投资效率提升,反之则为下降; i为某一省、市或自治区,即为决策单元; x、y分别为投入要素和产出要素; t为时期; VRS为可变规模报酬收益; pech为某一决策单元人力资本全要素投资效率的纯技术效率变化; sech为某一决策单元人力资本全要素投资效率的规模效率变化; techch为某一决策单元人力资本全要素投资效率的技术进步变化。而纯技术效率和规模效率的乘积表示人力资本全要素投资效率的技术效率( effch) 。

2. 2 变量的选取

人力资本投资效率评价是一个多投入、多产出的复杂问题,为确保评价结果的有效性和满意度,在已有研究的基础上,结合数据的科学性、可比性、系统性、可获性等原则,本文的投入指标为: 教育支出( 亿元) 、科学技术经费支出( 亿元) 、医疗卫生支出( 亿元) 、社会保障和就业支出( 亿元) ,与这些投入指标相对应的产出指标为: 人均受教育年限( 年) 、研究与试验发展( R&D) 人员全时当量( 人) 、每千人口卫生技术人员( 人) 、城镇职工基本养老保险参保人数( 万人) 、失业保险参保人数( 万人) 、城乡居民基本养老保险参保人数( 万人) 。

2. 3 数据来源

基于数据的科学性和可得性原则,本文选取2010—2013 年作为研究中国人力资本全要素投资效率动态变动及省域差异的时间段、大陆地区的31个省、市、自治区为决策单元,决策单元数量( 31 个)大于投入产出指标之和的3 倍( ( 4 + 6) × 3 = 30个) ,所以本文建立的DEA-Malmquist评价模型是有效的[19,20]。指标数据来源于《中国统计年鉴》[6]和《中国科技统计年鉴》[21]。需要指出的是,人均受教育年限采用国家统计局社科司刘巍( 2003) 提出的以现行学制年数为系数的方法求解出该数据[22];2012 年8 月起,新型农村社会养老保险和城镇居民社会养老保险制度合并为城乡居民社会养老保险,因此2010 年和2011 年城乡居民社会养老保险的数据为新型农村社会养老保险的数据。

3 研究结果及分析

3. 1 我国人力资本全要素投资效率动态变动分析

3. 1. 1 总体动态变动分析

结合考虑了规模报酬情况的DEA-Malmquist生产率指数评价模型,利用DEAP2. 1 软件对我国31个省、市、区的人力资本全要素投资效率进行分析( 见表1) 。

由表1 可知,从总体来看,2010—2013 年我国人力资本全要素投资效率指数值呈现出下降趋势,平均降低了3. 2% 。进一步分析发现,技术进步缓慢是人力资本全要素投资效率呈下降趋势的主要因素,在样本年内平均下降了4% ,这说明我国存在人力资本投资结构不合理、缺乏科学的管理制度和投资制度的现状。

我国人力资本全要素投资效率的规模效率以2012 年为分水岭,呈现了增长—降低的趋势,这可能由于我国目前经济发展方式还较多依赖于物质资本,相对忽略了人力资本的重要性,导致人力资本领域难以形成规模经济。而在样本年内纯技术效率值均大于1,说明在目前的技术水平上,对人力资本领域投入资源的使用是有效率的。

3. 1. 2 省域动态变动分析

利用DEAP2. 1 软件对我国各地区2010—2013年的相对效率值进行分析,由于篇幅有限和便于直接比较各地区的相对效率值,将所得到的技术效率、纯技术效率、规模效率、规模报酬转化为折线图( 见图1、图2、图3、图4) ,特别地,图4 中值为1 代表规模报酬不变,值为2 代表规模报酬递增,值为3代表规模报酬递减。若2010—2013 年的线条重合度越高,说明2010—2013 年人力资本全要素投资的相对效率值变化越小,反之越大。

从技术效率的角度进行分析,在样本年内全国有16 个省份( 北京、天津、河北等) 为DEA有效,说明在样本年内这些地区将人力资本投入要素进行了较为合理的配置和使用,人力资本投资效率处于我国的生产前沿面。而内蒙古、广西、贵州、云南、新疆在样本年内DEA均是无效。其他10 个省份在样本年内均呈现在有效和非有效之间交替变化的状态。

从纯技术效率的角度进行分析,在样本年内全国有20 个省份处于有效状态,说明这20 个省份一方面对人力资本投资进行了良好的管理,其投入要素的使用是有效率的,另一方面也对科技创新、科技知识以及技术利用的重视程度较高。广西和云南两地在样本年内均处于无效状态。其他9 个省份在样本年内均呈现在有效和非有效之间交替变化的状态。

从规模效率的角度进行分析,在样本年内全国有16 个省份处于有效状态,说明这些省份的投入要素符合这些地区的社会经济发展的现状,投入要素得到了较好的组合,实现了资源的优化配置。内蒙古、广西、贵州、云南和新疆在样本年内均处于无效状态。其他10 个省份在样本年内均呈现在有效和非有效之间交替变化的状态。

从规模报酬的角度进行分析,在样本年内全国有16 个省份处于规模报酬不变状态,说明这些省份人力资本投资已经形成了规模经济。内蒙古、广西、新疆在样本年内均处于规模报酬递减的状态,说明这3 个地区人力资本投资过程中长期忽略了重要的生产要素,如教育要素的投入等。其他12 个省份在样本年内均呈现在规模报酬不变、规模报酬递增和递减之间交替变化的状态。

3. 2 我国人力资本全要素投资效率省域差异分析

从表2 可以看出,2010—2013 年,我国人力资本投资效率平均指数值为0. 968,说明我国人力资本投资效率还未达到最佳水平,这与封永刚、邓宗兵( 2015) 的研究结果是一致的。我国有9 个省份的人力资本全要素投资效率指数值大于1,呈现了增长的趋势,而其他22 个省份均呈现了下降的趋势。由于中部崛起和西部大开发战略的实施,在样本年内安徽( 1. 227) 、贵州( 1. 164) 的人力资本全要素投资效率表现最好,增长率分别达到了22. 7% 、16. 4% ,技术进步的大幅度提高是促进这两个省份人力资本全要素投资效率提高的主要原因。吉林( 0. 854 ) 、西藏( 0. 863 ) 、宁夏( 0. 869 ) 、青海( 0. 880) 、新疆( 0. 882) 、海南( 0. 896) 的人力资本全要素投资效率下降最为明显,分别下降了14. 6% 、13. 7% 、13. 1% 、12. 0% 、11. 8% 、10. 4% 。 其中,由于技术进步缓慢、投入的资源要素没有得到优化配置,导致吉林人力资本全要素投资效率指数下降最为明显。

4 结论及建议

基于动态时间序列的总体变动分析。2010—2013 年,由于技术进步缓慢,我国人力资本全要素投资效率指数值从总体来看呈现出下降趋势,平均降低了3. 2% 。因此,我国在经济发展过程中需要加大人力资本投资力度、改善人力资本投资结构、完善人力资本投资制度和建立科学的人力资本管理制度,为国民经济持续健康发展准备充分的人力条件。

基于动态时间序列的省域变动分析。2010—2013 年,我国各地区人力资本投资相对效率值上,有一半以上的省份均达到了有效状态,而广西、云南两省却一直处于无效状态。因此,为缩小我国省域间人力资本投资效率的差异,一方面需要加大对西部地区,特别是贫困地区和农村地区在教育、科学技术、医疗卫生、社会保障与就业方面的投资力度,另一方面积极鼓励人力资本所有者在我国劳动力市场中自由流动,积极参与西部大开发建设中。

南京高校动态科研效率的实证分析 篇4

高校的科研对于一个国家的创新能力和可持续发展有举足轻重的影响,如何将有限的科研资源进行合理配置,发挥最大的效用成为政府和高校关注的重要焦点问题。近年来,我国高校在科研上投入的人力、物力、财力逐年增长,催生出一大批科研成果[1]。目前,我国虽然对高校科研工作给予了充分的关注,但更多侧重于高校科研成果的总量,而较少关注高校科研效率问题。因此,正确评价高校的科研绩效,这不仅对我国实施科教兴国战略,提升我国自主创新能力具有非常重要的意义,而且有利于更有效地配置公共高等教育资源,更好地推动高校为我国经济社会发展服务。

国内外学者纷纷采用本国的数据运用参数方法和非参数方法从不同的层次和角度对高校科研绩效进行研究。参数方法主要是利用计量经济学原理,并根据计量模型对参数进行估计,常用的有普通最小二乘法或多元线性回归方法,以及随机前沿估计。但由于不同生产函数形式的选择可能衍生出不同的研究结果,因此运用参数方法对科研效率进行评价受到主观因素的影响较大。非参数分析法主要是数据包络分析法。非参数方法不需要使用计量模型,也不需要对参数进行估计,而是根据统计的原理,其对指标具有较好的包容性,无须了解输入输出函数关系,也不用对输入和输出进行赋权,减少了主观判断对评价的影响,适用于评价具有复杂投入产出关系的高校科研过程。因此,越来越多的学者开始重视DEA模型在高校科研效率评价中的应用。Johnes[2],Abbotta和Doucouliagosa[3],Flegg等[4]利用DEA模型对英国和澳大利亚等国的大学科研效率进行评估。随着DEA方法的引入,国内学者也开始运用DEA对高校科研效率进行研究。田东平和苗玉凤[5],陈洪转等[6]应用DEA模型对我国高校科研投入产出效率进行评价。以上研究对高校科研效率评价作出了有益的探索。然而,大多数文献采用的都是一种静态分析方法,即只选择某一确定时间决策单元的有关数据进行分析。然而,同其他经济系统一样,科学研究活动也是一个持续的过程,仅从某一横截面的数据去判断决策单元科研绩效的相对有效性存在着较大的缺陷,它所得到的信息十分有限。因此,为了更全面地评判高等院校的科研绩效,还需要从动态的角度去分析和评价。

基于此,本文利用2006—2010年南京市12所高校的科研活动数据,运用DEA模型和Malmquist全要素生产率指数对其的静态和动态科研效率进行度量,探讨各高校科研活动中的技术有效性及规模有效性,并针对各高校在科研活动中存在的问题,提出相应的改进措施。

1样本选择、数据与变量

1.1样本的选择及数据来源

本文以在宁高等院校为原始样本,研究时期为2006—2010年,首先剔除了一些无法取得数据的学校,又由于数据包络分析方法对数据的要求很高,不允许有极端值出现,鉴于此,将决策单元中出现0的高校剔除,最后的研究样本包括12所高校,数据来源为《2007—2011年高等学校科技统计资料汇编》和《南京科技统计年鉴》。

1.2投入和产出变量的界定

高校的科研活动是一项多投入多产出的复杂活动,在投入方面,既包括有形投入如财力投入、人力投入等,也包括无形投入如高校原有的知识积累、科研的配套服务设施等。在产出方面既有直接产出,如直接的知识创造、经济产出等,又有间接产出,如人才培养和能力提升等。本文参照国内外研究者评估高校科研效率的指标体系,并结合数据的可得性,最终确定的指标体系包括3个投入指标和3个产出指标,具体如表1所示。

2实证结果及分析

2.1静态效率的实证评价结果及分析

考虑到科研活动中“投入”与“产出”之间存在一定的时滞,且各指标的时滞存在不一致性,目前对于滞后期的确定尚没有理论上的定论,本文借鉴陈洪转等(2011)的处理方式[6],假定学术论文发表量的滞后期为一年,技术转让收入和成果授奖的滞后期为两年。采用2006—2008年的数据作为投入指标,相应的产出指标中技术转让收入和成果授奖为2008—2010年的数据,学术论文发表量为2007—2009年的数据。运用产出导向的C2R和BC2模型,应用DEAP2.1软件进行求解,得到了12所高校科研的综合效率,纯技术效率,规模效益以及有效性和规模效益趋势,如表2所示。

从表2中的运算结果来看:南京市12所高校的平均综合效率为0.865,纯技术效率为0.929,而规模效率是0.928,因此,总体来说,南京市高校的科研效率较高。根据评价结果,可以把12个决策单元分为两大类,一类是DEA有效的单元,另一类是DEA无效的单元。

① DEA有效。

DEA有效的决策支持单元有5个,分别为东南大学、南京航空航天大学、南京邮电大学、南京农业大学和中国药科大学。这些高校的综合效率值、纯技术效率值和规模效率值均为1。表明他们的科研产出达到了相对最优。规模效率值为1,表明这些高校的科研投入产出规模收益不变,即每增加1单位的投入,产出的增加也为1单位,投入产出达到最优。上述分析表明这些高校的资源投入和产出达到了相对最佳状态,其规模收益处于不变状态,科技资源的配置适中,完全享受到了规模效益和技术效益带来的全部好处,避免了投入产出不合理带来的效率损失。对这些高校而言,若想再增加任何现有的科研产出,只有增加一种或多种新的科研投入。

② 非DEA有效。

DEA无效的决策支持单元有7个,这些高校综合效率值小于1,表明其投入产出没有达到最佳比例。根据综合效率分解的规模效率和纯技术效率又可以把非DEA有效的决策支持单元分为3个类别。

第一,纯技术效率指标为1的高校。包括南京工业大学和南京理工大学。造成这类高校科研非DEA有效的原因是投入产出规模的不恰当,而不是投入产出的技术性利用效率低,因此这类高校在现有科研规模下并无投入冗余和产出不足。对于这些高校,科研效率的提高首先需要关注的是其规模,而不是对投入的技术性利用效率。要采取扩大规模还是缩减规模来提高规模效率,应该结合其所处的规模阶段来考虑。

第二,规模效率值比较高且纯技术效率和综合效率值相对差异不大的高校。包括河海大学和南京林业大学。这两所高校处于规模适中的状态,主要由于资源配置效率低造成了综合效率不高。对于这类高校,可以利用DEA方法对非有效决策单元进行投影分析,计算出它们的投入冗余量和产出不

足量,以及在投入、产出上改进方向。

第三,三项效率指标值都处于平均水平以下的高校。包括南京大学、南京中医药大学和南京师范大学。这类高校的科研效率较低是由于资源利用率低和投入产出规模不当共同造成的。由此,非有效的决策单元可以根据分析结果提高资源配置能力或调整投入产出的规模来达到科研效率的相对有效。以南京大学为例,要达到科研投入产出效率的相对最优,在投入指标上,投入参加科研人数要减少513人,高级科研人员要减少122人,这说明科研人员投入存在冗余、利用率偏低。究其原因可能是由于整体科研投入的低效率所致,也可能是因为这些投入数据存在不实申报。而在产出指标上,学术论文发表量偏低,这也许跟选择的滞后期有关,有些论文从创作到完成再到发表所需要的时间可能会大于我们所假定的滞后时间。技术转让收入和成果授奖的产出量也都过少,还没有形成相应的产出规模,其中技术转让收入偏低说明缺乏将科学技术转化为现实生产力的能力,技术市场化效率较低,大量科研资源的投入只是产出了实验室技术,而未将其转化为经济利润。

2.2动态效率的实证评价结果及分析

Malmquist指数是对效率进行动态评价的重要方法之一,本文采用Malmquist指数来度量南京市12所高校的科研效率增长,主要从以下3个角度进行分析:一是衡量考察期内的生产率增长;二是将生产率指数的变化分解为技术效率变化和技术进步变化;三是将技术效率变化进一步分解为纯技术效率和规模效率,以判断影响生产率变动的主要原因。

图1是2006—2010年南京市高校Malmquist生产率指数及其分解变动趋图,结果所示2006—2007年,生产率变动指数是小于1的,也即生产率是下降的,2007—2009年之间生产率变动指数大于1,生产率呈上升趋势,2009后生产率又开始下降。由于生产率变动是技术效率变动与技术进步变动的共同作用,因此,可以通过对比效率变动值和技术进步值的大小,来确定影响生产率增长的主要因素。

考察期内高校生产率的整体提高来自于7.7%的技术进步,这表明,高校生产率总体的提高主要是由于技术的改进,而不是技术效率的提高。即这些高校生产率的提高是由于投入产出前沿面的扩大引起的,而并非任何效率改善的结果。

各决策单元在2006—2010年期间生产率及其分解值的结果表明,“十一五”期间大多数高校的科研生产率是增长的,其中12所高校中有8所均值大于1,在相邻两期中,2006—2007年,2007—2008年和2008—2009年期间大部分高校的生产力水平有所提高,有8所高校的M值是大于1的,占高校总数的67%(12所高校中有8所M>1)。而在2009—2010年期间,多数高校的生产力水平都有不同程度的下降,占高校总数的75%(12所高校中只有3所M>1)。在众多高校中,只有河海大学的科研水平是持续增长的,其代表生产力水平的M值都是大于1的。南京航空航天大学、南京邮电大学和南京中医药大学的科研水平持续增长的时间也较长,仅有一个时期生产力水平有微小下降。其他高校的增长趋势均不明显。

从增长结构来看,引起高校生产率变化的原因是不同的。根据技术效率变化指数和技术进步变化指数对生产率变化的影响程度,可以分为以下4种情形:第一,主要是由技术效率下降引起的生产率下降。该情形又可以分为两类:一是技术进步变化指数大于1而技术效率指数小于1,如2008—2009年南京农业大学等;二是两个指数都小于1,但技术效率指数的影响程度更大,如2009—2010年的南京理工大学等。第二,主要是由技术效率的改善引起的生产率上升。该情形也可以分为两类:一是技术进步指数小于1而技术效率变化指数大于1,如2007—2008年河海大学;二是两个指数都大于1,但技术效率指数的影响程度更大,如2009—2010年的南京林业大学。第三,主要由技术退化引起的生产率下降。该情形又可以分为三类:一是技术效率变化指数为1而技术进步变化指数小于1,即完全是由于技术退化而导致的,如2008—2009年东南大学等;二是技术效率变化指数大于1而技术进步指数小于1,如2007—2008年南京理工大学;三是两个指数都小于1,但技术退化的影响程度更大,如2006—2007年南京工业大学、2009—2010年南京林业大学等。第四,主要由技术进步引起的生产率上升。该情形也可以分为三类:一是技术效率变化指数为1而技术进步变化指数大于1,即完全是由于技术进步而导致的,如2006—2007年南京航空航天大学、2007—2008年东南大学、2009—2010年南京中医药大学等;二是技术效率变化指数小于1而技术进步变化指数大于1,如2007—2008年南京邮电大学;三是两个指数都大于1,但技术进步的影响程度更大,如2008—2009年南京林业大学、2007—2008年南京工业大学等。

由于技术效率=纯技术效率×规模效率,据此,可以进一步考察纯技术效率和规模效率的变化。2006—2010年期间,一些高校的年均纯技术变化指数大于1,说明这些高校在现有技术条件下,产出相对投入不断提高,即:学校效率的显著提高源于朝向最佳实践前沿面的移动,因而有助于全要素生产率(TFP)的提高。通过剔除无效来提高生产率增长的高校有:南京大学、南京邮电大学、河海大学、南京林业大学和南京师范大学。也有部分高校在这五年间年均纯技术效率下降较为显著,有南京理工大学、南京工业大学和南京农业大学。另外,有些高校的生产率增长源于规模效率的增加,包括:东南大学、南京邮电大学和河海大学,这些高校的年均规模效率变化指数大于1。

通过以上分析可以看出,生产力水平变化的原因不仅有效率水平的变化,也有技术水平的变化,只不过二者的影响程度不同。作为高校管理者,即可以此为切入点,找出自身在科研管理中存在的不足,通过改进效率或技术进步实现整体科研水平的提高。其中,科研活动的纯技术效率与规模效率提升的主要动力是管理和制度的变革,变革能够提高人员的工作效率和资源的使用效率,同时通过资源重组优化配置,提高资源配置效率,提升高校科研生产率,使高校科研活动更接近生产前沿面,进而产生规模效益。科研活动中的技术进步源于高校中科技人员的科研能力的提升以及科研设施的改善。

3结论

本文综合运用DEA中C2R、BC2模型和Malmquist指数模型,以科技经费总额、科技活动人员数和高级科研人员为投入指标,学术论文发表量、技术转让收入和成果授奖为产出指标,从静态和动态两个层面对“十一五”期间南京市12所高校的科研效率进行实证分析。研究结果发现:① 基于C2R和BC2模型,利用截面数据的所进行的静态分析表明,规模效率和技术效率共同制约着高校的科研投入产出水平。② 从Malmquist指数及分解值的变化看,“十一五”期间南京市高校科研效率的总体增长主要来源于技术进步的贡献,资源配置效率的下滑对科研效率的增长造成了不利影响。每当技术进步促进科研效率上升时,总会遇到来自资源配置效率下降的束缚。

为进一步提高高校科研绩效,根据研究结果我们提出以下建议:①建立科研资源配置机制,提升科研效率。在强调高校科研活动投入资源数量增加的同时,应更多地关注投入人力、物力和财力的利用率,对科研活动的投入要加强规划,使资源配置更加合理,加强基础设施建设,加大科研资源投入的同时提高科研设备水平和使用效率。建立一支既了解科研情况又具有基础设施管理知识的管理队伍,不断改进和完善科研资源配置的管理模式,合理有效地利用好科研投入的人、财、物资源,提高科研资源的利用率。②同时也应注意科研成果产出和转化问题,提高科研成果转化能力,增加科技转化收入。高校是科学、技术研究的基地,拥有众多的科技人才和大量的科技成果,应该积极与企业建立技术联盟,共同开展投标工程,合作研发,加大自主创新和技术推广的力度,提高科研成果的市场实用性,逐渐提高技术市场化的效率。同时建立合理的激励机制,加强科研人员的成果转化意识,促使科研人员多出成果。

参考文献

[1]成刚,孙志军.我国高校效率研究[J].经济学(季刊),2008(4):1079-1104.

[2]Geraint Johnes,Jill Johnes.Measuring the Research Performanceof UK Economics Departments:an Application of Data Envelop-ment Analysis[J].Oxford Economics Papers,1993,45:332-347.

[3]Abbotta M,Doucouliagosa C.The efficiency of Australian univer-sities:A data envelopment analysis[J].Economics of EducationReview,2003,(22):89-97.

[4]Flegg A T,D O Allen,K Field.Measuring the efficiency of British u-niversities:a multi‐period data envelopment analysis[J].Educa-tion Economics,2004,12(3):231-249.

[5]田东平,苗玉凤,崔瑞锋.我国重点高校科研效率的DEA分析[J].科技管理研究,2005,(8):38-40.

动态投资组合风险控制策略 篇5

关键词：动态投资组合,协同持续,风险控制

1 引言

风险控制是投资组合研究的中心问题,国内外大量文献均考虑投资组合的静态风险,如,Markowitz(1952)最早定量研究了投资组合问题,并把投资组合的方差作为风险度量指标[1],Ouderri等(1991)和Green等(1992)把半方差作为风险度量指标[2,3],Konno等(1994,1998)把绝对离差作为风险度量指标[4,5],Philippe(1996)最早把VaR作为风险度量指标,而这些度量指标均是静态的[6]。事实上,单项资产的收益率波动往往表现出持续性(在本文中,金融资产收益率的波动即指其收益率的风险,统计上,用方差来度量波动幅度或风险的大小。),即当期波动对以后各期波动具有长期影响,这就要求我们需从动态的角度审视和控制风险,使多项资产的特定组合表现出协同持续特性,即资产组合的收益率波动表现出较弱的持续性,表现在投资组合的当期收益率波动对以后各期的收益率波动影响减弱,从而有效控制风险的传递,减少投资组合收益的不确定性。方差持续性及协同持续定义是由Bollerslev和Engle(1988,1993)基于多维GARCH提出的[7,8],张世英等(2002)进而将其运用于投资组合风险控制研究[9],该文研究了具有较少资产的投资组合,并得到了投资组合权重,然而当资产数较多时,如果仍按Bollerslev和Engle(1993)基于多维GARCH的协同持续定义,求得权重要涉及多维GARCH模型的参数估计,这是很困难的,即所谓的“维数灾难”。为克服这一困难,本文基于协同持续思想,并运用GARCH模型和二次规划技术建立了动态投资组合风险控制模型,并得到了相应的投资组合权重,这将对投资组合风险控制问题具有理论和实践意义。

2 动态投资组合风险的控制模型

2.1 多维GARCH模型及协同持续定义

Bollerslev和Engle(1988)提出了多维GARCH模型:

$\{\begin{array}{l}\mathit{Y}{}_t=\mathit{{\rm M}}{}_t+\epsilon {}_t\\ Vech(\mathit{{\rm H}}{}_t)=\mathit{A}{}_0+{\displaystyle \sum _{k=1}^q\mathit{A}}{}_{k}Vech(\epsilon {}_{t-k}\epsilon {}_{t-k}^{{\rm T}})\\ +{\displaystyle \sum _{l=1}^p\mathit{B}}{}_{l}Vech(\mathit{{\rm H}}{}_{t-l})\end{array}$

其中,Mt表示N维资产收益率序列Yt的均值,εt表示一个N维随机扰动序列,且有$\epsilon {}_t|{\rm I}{}_{t-1}~{\rm N}\left(0,\mathit{{\rm H}}{}_t\right),{\rm I}{}_{t-1}$是直到t-1时的信息集,Ht是资产组合的方差-协方差矩阵,其是N×N维正定矩阵,且关于It-1可测的,A0为N(N+1)/2×1维向量,Ak,Bl均为${\rm N}({\rm N}+1)/2\times {\rm N}\left({\rm N}+1\right)/2$维方阵,且Ak和Bl使Ht正定,k=1,2,…,q, l=1,2,…,p.

Bollerslev和Engle(1993)基于多维GARCH模型,提出了金融资产收益率方差持续性和协同持续的定义。

方差持续性定义:

在刻画多项资产收益率方差变化的多维GARCH模型中:

令H*t(s)≡Es(Vech(Ht))-E0(Vech(Ht)),对于某些s,若limsupt→∞{H*t(s)}m≠0,则称多项资产的收益率序列Yt具有方差持续性。

其中:Vech(·)表示向量半算子或拉直向量,按列堆积方阵的下三角矩阵,Es(Vech(Ht))表示基于信息集Is对向量Vech(Ht)取条件期望,E0(Vech(Ht))表示对向量Vech(Ht)取期望(没有信息),m表示向量H*t(s)的第m个分量,m=1,2,…,N(N+1)/2。

方差协同持续定义:

若多项资产收益率序列Yt是方差持续的, 且在{Vec2(W)}m≠0 (W∈RN)的条件下, 有limsupt→∞(Vec2(W))TH*t(s)=0,则称多项资产收益率序列Yt是方差协同持续的。

其中:Vec2(W)≡Vech(2WWT-diag(W)diag(W))为N(N+1)/2维列向量。

从投资组合角度该定义可以解释为,单项资产的历史信息对其未来收益率的影响随时间的推移是不会消失的,而通过适当分配资产权重,可以使资产组合的历史信息并不表现出对其未来收益率的长期影响,从而减少投资组合收益的不确定性。

Ding和Granger(1996)关于时间序列持续性定义[10]:

当自相关函数随滞后阶数的增大而呈双曲率下降时,称序列具有持续性;而当自相关函数随滞后阶数的增大而呈指数率下降时,称其不具有持续性.按这一定义,如果投资组合的自相关函数衰减速率要大于其中任何一项资产的衰减速率就认为该投资组合表现出协同持续特性,相对应的协同持续向量就是投资组合的权重。

由此可见,对持续性及协同持续的定义,Bollerslev和Engle(1993)是从随机过程的历史信息对其未来条件方差的影响给出的,Ding和Granger(1996)是从时间序列(随机过程)自相关函数随时间的下降程度给出的,并且这两个定义均是基于一维随机过程与多维随机过程的比较而言的。此外Baillie等(1996)和Li Handong等(2001)也分别从不同角度给出了方差持续和协同持续的定义[11,12]。综合这些定义可以看出,他们只是各自从不同角度出发定义了持续性和协同持续,但他们定义的出发点是一致的,即考虑前期波动对后期波动的影响程度,归纳为,如果对多项资产进行组合,使该投资组合表现出较弱的波动传递,从而使波动长期保持在较小范围,即认为具有协同持续特性,否则不具有协同持续特性。本文从“协同持续”这一动态风险度量角度出发,引入投资组合收益率的“衰减方差”这一指标,并以这一指标为目标函数建立了动态投资组合的风险控制模型(简称为优化模型,相应的投资组合简称为优化投资组合)。

2.2 金融资产收益方差

Engle在1982提出ARCH模型(autoregressive conditional heteroseedasticity),1988年Bollerslev把ARCH模型扩展为GARCH(p,q)模型[7],此后,GARCH(p,q)模型得到了广泛应用,该模型能准确刻画金融资产收益波动特性(时变性、聚集性等),国内如徐绪松等(2002)、皮天雷(2003)也针对沪市股票收益波动特性做了GARCH(p,q)模型实证研究,研究结果为,GARCH(p,q)模型能很好地刻画沪市股票收益波动特性[13,14]。

本位亦采用GARCH(p,q)模型刻画金融资产收益率方差序列:

$\{\begin{array}{l}y{}_{i,t}=\mu {}_{i,t}+\epsilon {}_{i,t}\\ \sigma {}_{i,t}^2=\alpha {}_{i,0}+{\displaystyle \sum _{k=1}^p\alpha }{}_{i,k}(y{}_{i,t-k}-\mu {}_{i,t-k}){}^2+{\displaystyle \sum _{l=1}^q\beta }{}_{i,l}\sigma {}_{i,t-l}^2\end{array}(1)$

其中,i为金融资产编号,取值为1,2,…,N, t为投资期,yi,t为i资产在t时的收益率,μi,t为i资产在t时的均值,εi,t|Ii,t-1～N(0,σ2i,t),σ2i,t为i资产收益率在t时的方差。

模型(1)中第一个方程被称为均值方程,第二个方程被称为波动方程。对波动方程作如下展开:

$\{\begin{array}{l}\sigma {}_{i,s}^2=\alpha {}_{i,0}+{\displaystyle \sum _{k=1}^p\alpha }{}_{i,k}(y{}_{i,s-k}-\mu {}_{i,s-k}){}^2+{\displaystyle \sum _{l=1}^q\beta }{}_{i,l}\sigma {}_{i,s-l}^2\\ \sigma {}_{i,s+1}^2=\alpha {}_{i,0}+{\displaystyle \sum _{k=1}^p\alpha }{}_{i,k}(y{}_{i,s+1-k}-\mu {}_{i,s+1-k}){}^2+{\displaystyle \sum _{l=1}^q\beta }{}_{i,l}\sigma {}_{i,s+1-l}^2\\ \cdots \cdots \\ \sigma {}_{i,t}^2=\alpha {}_{i,0}+{\displaystyle \sum _{k=1}^p\alpha }{}_{i,k}(y{}_{i,t-k}-\mu {}_{i,t-k}){}^2+{\displaystyle \sum _{l=1}^q\beta }{}_{i,l}\sigma {}_{i,t-l}^2\end{array}(2)$

其中:p,q分别是波动方程中残差滞后项和方差滞后项的个数,s表示选定的参考点,本文考虑第s-1个期、第s-2个期、…、第s-q个期的相应收益率方差σ2i,s-1、σ2i,s-2、…、σ2i,t对第s个投资期方差σ2i,s的影响,当参考期s等于回归波动方程的方差滞后项个数q时,即表示前s个投资期的收益率风险对第s个投资期的收益率风险的影响。

由上述展开方程可以看出,σ2i,t与其滞后项成线性关系,则经迭代后所得方程亦有如下线性形式:

$\sigma {}_{i,t}^2=A{}_{i,t}+{\displaystyle \sum _{l=1}^{q}B}{}_{i,l}\sigma {}_{i,s-l}^2(3)$

对于给定金融资产收益率序列, 上式中Ai,t,Bi,l(l=1,2,…,q)为定值, 则σ2i,t是σ2i,s-l(l=1,2,…,q)的线性函数。

2.3 资产间相关系数的确定

本文选取投资期限为20周,考虑到这一投资期较短,资产间的相关关系变化较小,因此采用资产间的总体相关系数作为本文的相关系数。在这里,总体相关系数是常数,按如下方式计算:

$\rho {}_{ij}=\frac{Cov(\mathit{Y}{}_i,\mathit{Y}{}_j)}{\sigma {}_i\sigma {}_j}$

其中:Yi和Yj分别为i资产和j资产的收益率时间序列,σi和σj分别为i资产和j资产收益率随机波动序列标准差。在本文中刻画资产i的GARCH模型均值方程为yi,t=μi,t+εi,t(εi,t～N(0,σi,t),σi,t为εi,t的方差),因此$\frac{1}{n-1}{\displaystyle \sum _{t=1}^n\epsilon }{}_{i,t}\epsilon {}_{j,t}(n$为样本容量)是协方差Cov(Yi,Yj)的一致无偏估计量,$\sqrt{\frac{1}{n-1}{\displaystyle \sum _{t=1}^n\epsilon }{}_{i(j),t}^2}$是σi(j)的一致无偏估计量,然后再结合εi,t=yi,t-μi,t,可得如下ρij的一致无偏估计:

$\rho {}_{ij}=\frac{{\displaystyle \sum _{t=1}^n(}y{}_{i,t}-\mu {}_{i,t})(y{}_{j,t}-\mu {}_{j,t})}{\sqrt{{\displaystyle \sum _{t=1}^n(}y{}_{i,t}-\mu {}_{i,t}){}^2}\sqrt{{\displaystyle \sum _{t=1}^n(}y{}_{j,t}-\mu {}_{j,t}){}^2}}(4)$

2.4 组合衰减方差构建

按文献Markowitz(1952)投资组合在第t个投资期内的收益率方差-协方差矩阵Qp,t有如下形式:

$\mathit{Q}{}_{p,t}=\left[\begin{array}{cccc}\sigma {}_{1,t}^2& \rho {}_{12}\sigma {}_{1,t}\sigma {}_{2,t}& \cdots & \rho {}_{1{\rm N}}\sigma {}_{1,t}\sigma {}_{{\rm N},t}\\ \rho {}_{21}\sigma {}_{2,t}\sigma {}_{1,t}& \sigma {}_{2,t}^2& \cdots & \rho {}_{2{\rm N}}\sigma {}_{2,t}\sigma {}_{{\rm N},t}\\ \cdots & \cdots & \cdots & \cdots \\ \rho {}_{{\rm N}1}\sigma {}_{{\rm N},t}\sigma {}_{1,t}& \rho {}_{{\rm N}2}\sigma {}_{{\rm N},t}\sigma {}_{2,t}& \cdots & \sigma {}_{{\rm N},t}^2\end{array}\right](5)$

把式(3)代入式(5)可得投资组合方差-协方差矩阵Qp,t为:

$\begin{array}{l}\mathit{Q}{}_{p,t}=\left[\begin{array}{cccc}{\displaystyle \sum _{l=1}^{q}B}{}_{1,l}\sigma {}_{1,s-l}^2& \rho {}_{12}\sigma {}_{1,t}\sigma {}_{2,t}& \cdots & \rho {}_{1{\rm N}}\sigma {}_{1,t}\sigma {}_{{\rm N},t}\\ \rho {}_{21}\sigma {}_{2,t}\sigma {}_{1,t}& {\displaystyle \sum _{l=1}^{q}B}{}_{2,l}\sigma {}_{2,s-l}^2& \cdots & \rho {}_{2{\rm N}}\sigma {}_{2,t}\sigma {}_{{\rm N},t}\\ \cdots & \cdots & \cdots & \cdots \\ \rho {}_{{\rm N}1}\sigma {}_{{\rm N},t}\sigma {}_{1,t}& \rho {}_{{\rm N}2}\sigma {}_{{\rm N},t}\sigma {}_{2,t}& \cdots & {\displaystyle \sum _{l=1}^{q}B}{}_{{\rm N},l}\sigma {}_{{\rm N},s-l}^2\end{array}\right]\\ +\left[\begin{array}{cccc}A{}_{1,t}& & & \\ & A{}_{2,t}& & \\ & & \cdots & \\ & & & A{}_{{\rm N},t}\end{array}\right](6)\end{array}$

由式(6)可知,Qp,t的前一部分大小是由σ2i,s-l(i=1,2,…,N;l=1,2,…,q)决定的,后一部分不受σ2i,s-l(i=1,2,…,N;l=1,2,…,q)的影响。令

$\mathit{Q}{}_{p,t}^{*}=\left[\begin{array}{cccc}{\displaystyle \sum _{l=1}^{q}B}{}_{1,l}\sigma {}_{1,s-l}^2& \rho {}_{12}\sigma {}_{1,t}\sigma {}_{2,t}& \cdots & \rho {}_{1{\rm N}}\sigma {}_{1,t}\sigma {}_{{\rm N},t}\\ \rho {}_{21}\sigma {}_{2,t}\sigma {}_{1,t}& {\displaystyle \sum _{l=1}^{q}B}{}_{2,l}\sigma {}_{2,s-l}^2& \cdots & \rho {}_{2{\rm N}}\sigma {}_{2,t}\sigma {}_{{\rm N},t}\\ \cdots & \cdots & \cdots & \cdots \\ \rho {}_{{\rm N}1}\sigma {}_{{\rm N},t}\sigma {}_{1,t}& \rho {}_{{\rm N}2}\sigma {}_{{\rm N},t}\sigma {}_{2,t}& \cdots & {\displaystyle \sum _{l=1}^{q}B}{}_{{\rm N},l}\sigma {}_{{\rm N},s-l}^2\end{array}\right](7)$

亦令

$\mathit{Q}{}_{p,d}={\displaystyle \sum _{l=1}^q\mathit{Q}}{}_{p,s-l}-\mathit{Q}{}_{p,t}^{*}(8)$

相应地,令Σp,d(W)=WTQp,dW,称之为“组合衰减方差”(portfolio decreasing variance)。Σp,d具有如下经济意义:

对于一定的投资组合,当投资期数t和参考期s均确定时,Σp,d表示投资组合前q期收益檬方差在影响第t期收益率方差之前衰减的部分,Σp,d是投资组合权重向量W的函数,当投资组合内各项金融资产的前q期收益率方差给定时,Σp,d蹬值越大,表示投资组合前q期收益率方差对第t期收益率方差Qp,t影响越小。利用“协同持续”思想,试寻找W*,使当W=W*时,$\Sigma {}_{p,d}(\mathit{W}{}^{*})=\underset{\mathit{W}}{{\displaystyle \max }}\Sigma {}_{p,d}(\mathit{W})=\underset{\mathit{W}}{{\displaystyle \min }}[-(\Sigma {}_{p,d}(\mathit{W}))](\Sigma {}_{p,d}(\mathit{W})$恒为正)成立,从而降低风险的传递,控制收益率在较小范围内波动,因此建立了如下基于协同持续的动态风险控制模型:

$\begin{array}{l}\underset{\mathit{W}}{{\displaystyle \min }}[-(\Sigma {}_{p,d}(\mathit{W}))]\\ \text{s}.\text{t}.\{\begin{array}{l}\mathit{\mu }{}^{{\rm T}}\mathit{W}=\mu {}_p\\ \mathit{{\rm I}}{}^{{\rm T}}\mathit{W}=1\end{array}\end{array}$

其中:$\mathit{\mu }=(\begin{array}{cccc}\mu {}_1& \mu {}_2& \cdots & \mu {}_{{\rm N}}\end{array}){}^{{\rm T}}$为单项资产平均收益率向量,μp为投资组合的预期收益率,$\mathit{{\rm I}}=(\begin{array}{cccc}1& 1& \cdots & 1\end{array}){}^{{\rm T}}$为元素均为1的N维向量。

求解该模型需引入拉格朗日函数f(W),令

$\begin{array}{l}f(\mathit{W})=-\Sigma {}_{p,d}(\mathit{W})+\lambda {}_1(\mu {}^{{\rm T}}\mathit{W}-\mu {}_p)+\lambda {}_2(\mathit{{\rm I}}{}^{{\rm T}}\mathit{W}-1)\\ =-\mathit{W}{}^{{\rm T}}\mathit{Q}{}_{p,d}\mathit{W}+\lambda {}_1(\mu {}^{{\rm T}}\mathit{W}-\mu {}_p)+\lambda {}_2({\rm I}{}^{{\rm T}}\mathit{W}-1)\end{array}$

满足:

$\frac{\partial f}{\partial \mathit{W}}=-2\mathit{Q}{}_{p,d}\mathit{W}+\lambda {}_1\mathit{\mu }+\lambda {}_2\mathit{{\rm I}}=0(9)$

联立μTW=μp、ITW=1及式(9),并求解,得:

W*

$\begin{array}{l}=\frac{\mathit{Q}{}_{p,d}^{-1}((\mathit{\mu }{}^{{\rm T}}\mathit{Q}{}_{p,d}^{-1}\mathit{\mu }-\mu {}_p\cdot \mathit{{\rm I}}{}^{{\rm T}}\mathit{Q}{}_{p,d}^{-1}\mathit{\mu })\mathit{{\rm I}}+(\mu {}_p\cdot \mathit{{\rm I}}{}^{{\rm T}}\mathit{Q}{}_{p,d}^{-1}\mathit{{\rm I}}-\mathit{{\rm I}}{}^{{\rm T}}\mathit{Q}{}_{p,d}^{-1}\mathit{\mu })\mathit{\mu })}{\mathit{{\rm I}}{}^{{\rm T}}\mathit{Q}{}_{p,d}^{-1}\mathit{{\rm I}}\cdot \mathit{\mu }{}^{{\rm T}}\mathit{Q}{}_{p,d}^{-1}\mathit{\mu }-(\mathit{{\rm I}}{}^{{\rm T}}\mathit{Q}{}_{p,d}^{-1}\mathit{\mu }){}^2}\\ (10)\end{array}$

由此可以看出,投资组合权重向量W*是由资产种类、个数、资产间的相关系数、投资期数、预期收益率及参考期s的选取决定的。在实际投资时,这些条件是给定的,从而通过式(10)可以有效、合理地配置资产,比如某些资产的权重很小,那么就可以淘汰这种资产。

3 数据选取及实证

3.1 数据选取

为保证GARCH(p,q)模型回归的准确性,本文选取较长的样本时间窗口,即1997年到2006年共10年的周末收盘价格数据(采集于渤海证券网上交易咨询系统)。这些数据分别是万科A、马钢集团、福耀玻璃、云南白药、百联股份和青岛海尔的周末收盘价格,这6支股票分属于6个行业板块。投资组合的预期收益率μp选取5%(该周收益率远远大于同期银行存款利率,因此具有现实意义)。

3.2 实证步骤

Step1:利用Eviews软件,对单项资产的周末收盘价格数据取对数、差分,得周收益率yi,t,然后根据赤池信息准则(AIC准则)对yi,t进行GARCH(p,q)参数估计及资产间相关系数ρij的估(i,j=1,2,…,6;t=1,2,…,487)。对收益率yi,t进行GARCH(p,q)模型参数估计结果为:p=q=1,表1给出6种资产的GARCH(1,1)模型参数估计结果。

Step2:在单项资产的487个周末收盘价格数据中,选取第26周到第45周期间的20个数据,并统计出该单项资产的平均收益率μi;从单项资产周收益率数据yi,t中选取第27周到第45周期间的19个周收益率数据,并统计出该资产的标准差σi(i=1,2,…,6)。表2给出6种资产、等比例投资组合(按等比例配置的投资组合)及优化组合在第26周到第45周的收益率,收益率标准差及相应的夏普比(收益率与方差的比值,用S.R表示,经济意义为单位风险带来的收益,用来衡量资产配置效率,其数值越大表明配置效率越高)。

注:由迭代方程组(2)可以看出,在求σ2i,t的数值时受初始值σ2i,q,σ2i,q-1,…,σ2i,0的影响,为了减弱这种影响使σ2i,t反应出收益率yi,t的真实波动,本文选取第26期为起始期即资产收益率起始方差选σ2i,26.另外,考虑到投资时间跨度不易太长,以便适应市场变化作出及时调整,本文选取投资时间跨度为20周即从第26周到第45周。

Step3: 由表1中μi,t、αi,0、αi,1和βi,1的值,由式(3)和式(5)计算Qp,26、由式(3)和式(7)计算Q*p,45,式(8)计算Qp,d的数值。

Step4: 把Qp,d、$\mathit{{\rm I}}=[\begin{array}{cccc}1& 1& \cdots & 1\end{array}]{}^{{\rm T}}$、 μp=5%和μ(取表2中的数值)代入式(10), 得: W*=[-0.2195 0.0690 0.0488 0.02560 0.6443 0.2014].

Step5:利用上述投资组合权重W*对Step1中选取的资产周末收盘价格序列进行组合,得到了优化投资组合的价格序列,然后对单项资产、等比例投资组合及优化投资组合的价格序列分别取对数、差分,并通过Eviews软件绘制从第26周到第45周期间的周收益率波动图,如图1～图8,其中,图1～图6表示资产周收益率波动情况,图7表示等比例投资组合周收益率波动情况,图8表示优化投资组合周收益率波动情况。

3.3 实证结果

4 结束语

(1)优化投资组合波动图8与各项资产波动图1～图6相比,呈现出最小的波动范围,从表2中的标准差数值也可以看出,优化投资组合具有最小的标准差,这表明优化模型确实控制了风险的传播,降低了风险水平。

(2)从表2看出,优化组合与等比例组合相比,具有较小的标准差,确实将波动控制在较小的范围;同时优化组合也有较高的收益率和夏普比。这反映了优化模型控制了投资组合的风险,提高了投资组合的收益,具有较高的资产配置效率。

(3)该模型不仅考虑了收益率的风险,同时也兼顾了收益率,选取20周的收益率为5%,该值远高于银行存款利率,说明该模型具有现实意义。

(4)本文选取GARCH模型来描述单项资产的收益率波动特性,也可以选取其他描述收益率波动特性的模型,如SV(随机波动)模型等。

(5)组合权重向量中含有负分量,说明了在配置资产时该分量对应的资产应该与其他分量对应的资产实行相反操作,即该资产卖出,其他资产买进。

(6)本实证仅考虑了第s期风险对第t期风险的影响,实际上还可以同时考虑第s+1期、第s+2期等多期风险对第t期风险的影响。

动态投资效率 篇6

一、在“动态生成”中适时的调整教学目标

课堂教学特别是小学数学课堂教学具有较强的即时性, 学生的状态和学习条件会随着课堂推进而不断变化, 在这过程中, 有的学生会得出错误的答案或提出偏离目标的见解, 这时, 教师要因势利导, 适时地、合理地调整预设目标, 把出现的新问题变成课堂有利的情境, 更好地提高课堂教学的有效性。

如《人民币的认识》教学时, 教师的预设目标是:认识人民币;理解和掌握元、角、分之间的关系;学会简单的取币与换币;了解人民币及其作用;培养爱护人民币的思想及养成勤俭节约的好习惯等。在教师创设的“同学们知道了人民币的哪些知识?”问题中, 有的学生说认识了10元、5元、2元、1元的人民币;有的说我的钱罐里都是1元、5角、2角、1角和1分、2分、5分的硬币;有的说50元的背面是布达拉宫图像;甚至有的说人民币里有盲文。说明学生已经积累了丰富的人民币知识。此时教师不能按照“预设目标”进行教学, 要紧抓这“课堂教学的动态生成”, 及时的调整教学目标, 快速的引入“元、角、分的关系”等知识教学。

二、在“动态生成”中有的放矢引导探究主题

新课程标准确立“以学生为主体、以学生发展为中心、以能力与素质培养为目标”的教育思想。教师在课堂中给足学生自主发展的空间, 留给学生探究、质疑、讨论的机会。这时, 教师需要转变角色, 成为学生的忠实合作朋友, 发挥“主导”优势, 并在这过程中进行点拨, 让这些“课堂意外”促使许多不曾预设的精彩, 不期而遇, 使课堂教学更有效。

如《分数的意义》教学, 课始, 老师神气地往学生面前一站, 问学生:“老师能用自然数来表示吗?”学生说可以用“1”表示。“还有什么也可以用‘1’来表示呢?”学生不但认为单个的物体, 如“一张纸”“一根筷子”等可以用“1”表示, 还认为“一群人”“一把筷子”中的若干根等也可以用“1”表示。此时, 老师紧抓这一课堂动态生成, 由表示基数意义的自然数“1”, 引向表示一个集合的整体意义的“1”, 强化了把多个物体看做一个整体的数学眼光, 借助对“1”的意义的建构, 帮助学生突破难点。不能仅从部分到整体的角度认识分数的意义, 同时也提高了课堂教学效率。

三、在“动态生成”中调整学习方法

在“动态生成”的教学活动中, 教师讲解要围绕教学的重难点发挥积极的引导功能, 要具有引导性、规范性、示范性;要根据本班学生实际, 设计让学生积极合作交流、动手操作的自主探索问题, 使学生在“动态生成”的学习方法中交替提升。

如《角的分类》教学时, 教师在信封中 (学具) 准备6个角 (直角、平角、周角各一个, 锐角、钝角各2个) , 让学生通过小组合作学习, 自主动手操作, 按自己的想法进行分类。学生就会出现以下情况: (1) 将直角、平角、周角分一类, 再将锐角分一类, 钝角分一类。 (2) 将直角分一类, 平角分一类, 周角分一类, 锐角分一类, 钝角分一类。 (3) 将角按从大到小或从小到大进行排列。此时教师应引导学生讨论交流:锐角、钝角、直角、平角及周角的关系, 再确定分法, 并说说你是按什么分的?为什么?这节课上就是根据学生的学习情况、课堂的变化情况适时而灵活的交替学习方式, 引导学生从特殊入手, 学习分类, 提高了课堂教学的有效性。

四、在“动态生成”中变革评价功能

评价是为了让每位学生得到肯定, 激起更高的学习兴趣, 在原有的基础上谋求进一步的发展。因此, 关注学生解决问题的过程与策略、提供学生更多自我表现的机会是“动态生成式课堂评价”的关键和侧重点。

如《长方形、正方形的面积计算》教学时, 通过让学生在长方形中摆面积单位, 生发出: (1) 学生用正方形 (面积单位) 铺满整个长方形; (2) 学生只在长边和宽边上摆出面积单位。教师都要给予肯定和鼓励, 但同时也要引导学生想象将长方形全部铺满, 这时所铺面积单位的个数才是图形的面积, 从而推导出:长方形的面积=长×宽。教师要善于称赞并请其他小组的同学评价其他小组的优点, 这样, 使学生充分感受课堂的生动、有趣, 发挥评价的重要作用。

总之, 教师要运用高超的课堂艺术和课堂应变能力来把握动态生成性资源, 把控好每个生成性动态教学细节, 使教学内容更加具体而富有创造性, 挖掘教学的多层意蕴, 促进师生主体共同成长, 从而提高课堂教学效率, 实现教学真正要义。

摘要：课堂教学常常都是教师课前精心设计教案, 并按着预先的设计“走教案”, 缺少关注学生的发展, 缺少关注学生在课堂上的生命状态。受到教案的固定支配、限制了学生的个性化发展, 遏制了孩子们在课堂上思想和生命的活力。提高课堂教学效率迫在眉睫, 本文力求在“动态生成”中适时的调整教学目标;在“动态生成”中有的放矢引导探究主题;在“动态生成”中调整学习方法;在“动态生成”中变革评价功能。即关注课堂动态生成, 提高课堂教学效率。

动态投资效率 篇7

1 文献综述

自Freeman[3]提出国家创新系统概念及Cooke[4]提出区域创新系统概念后,国外诸多学者从不同维度对区域技术创新效率进行了研究。Sharma等[5]采用DEA方法研究探讨了包括22个国家在内的技术研发效率。Nasierowski[6]对欧盟2005年和2010年的科技创新效率进行比较,并提出改进创新联盟记分牌建议。Tom Broekel[7]运用涵盖德国270个劳动市场和4个行业的面板数据研究了R&D补贴对区域技术创新效率的影响。

就我国而言,学者们主要从区域层面出发对我国各省市的技术创新效率进行测度,所用方法可分为两类: 一类为参数方法,如张宗益等[8]运用基于对数型柯布 - 道格拉斯生产函数的随机前沿生产函数 ( SFA) 实证研究了我国区域技术创新效率; 龚雪媚等[9]运用基于柯布 - 道格拉斯生产函数及Bat-tese和Coelli模型的随机前沿分析方法计算得到我国30个地区的技术创新效率。在运用参数方法的基础上,部分学者开始注重对区域技术创新效率进行动态研究,如李婧等[10]利用收敛性分析对我国各省区市的技术创新效率总体变化趋势进行了研究。另一类是非参数方法,其中数据包络方法 ( DEA) 无需设定投入产出函数和权重假设,具有客观性,得到了广泛运用[2]。吴和成等[11]基于改进的DEA模型对我国区域R&D的相对效率作了评价研究; 官建成等[12]应用三阶段模型,基于DEA方法分别对创新活动的技术有效性、经济有效性以及综合有效性进行评价; 方爱平等[13]以DEA模型为主要分析工具对西部区域12个省市、自治区的科技投入产出效率进行了局部和全局性的比较分析。为改进DEA传统CCR模型对投入和产出指标权重分配不合理的缺陷,郭磊等[14]将DEA利众型交叉效率模型应用到区域技术创新效率评价中,并运用2008年的截面数据实证研究了我国31个省级行政区的技术创新效率。

创新资源特别是高质量的创新人才资源具有紧缺性和流动性,区域所拥有创新资源的质和量均会对区域创新的能力和效率产生影响,这导致各区域对创新资源具有一定竞争性,然而这种“竞争性”未能在现有文献的相关研究方法中得到充分体现。另一方面,我国各区域的技术创新效率不仅在空间上存在明显差异,而且在时间趋势上呈阶段性波动[1,8],用某一年份的效率值或多年效率均值难以体现区域技术创新效率的动态特征。总结发现,基于非参数方法的效率评价中动态研究相对缺乏。综上所述,本文从两个维度对DEA模型进行改进: 首先基于区域间对创新资源的竞争性,采用DEA对抗型交叉评价模型 ( Aggressive Cross Evaluation Model,ACE模型) 测度各区域各时点的技术创新效率; 其次综合考虑创新效率的时序差异和波动因素,运用差异驱动模型对区域技术创新效率进行动态评价。

2 模型与方法

2. 1 面向竞争的评价方法

数据包络分析 ( DEA) 方法广泛用于评价“多投入多产出”模式下决策单元间的相对有效性,其基础模型为Charnes等[15]提出的CCR模型。由于在采用CCR模型进行效率测度时,各决策单元的投入产出权重具有不合理性,且存在无法区分决策单元的优劣和效率改进空间的情况,Sexton等[16]提出交叉效率评价模型,用互评取代自评; 为了解决交叉评价模型中解的不确定性,Doyle等[17]进一步提出利众型和对抗型的交叉评价模型。以上两者均以决策单元的自评效率最大化为基础,其中前者将其他决策单元视为盟友,在交叉评价时同样追求其他决策单元效率最大化; 后者则视其他决策单元为竞争对手,在交叉评价时追求其他决策单元效率最小化。考虑到创新资源的有限性和流动性导致区域创新对资源的竞争性,本文选用DEA - ACE模型,该模型将各区域创新主体视为不同的决策单元。

设有n个决策单元DMU,DMUi( i = 1,2,…,n) 的投入和产出向量为Xi、Yi,与投入和产出向量相对应的权重向量为。令为利用DMUi测度MDUk( k = 1,2,…,n) 所得到的交叉评价值,V*i、U*i为DMUi利用CCR模型进行自评时所得到的解,但此时V*i、U*i并不是唯一解,导致Eik具有不确定性。在此基础上建立DEA - ACE模型:

利用模型 ( 1) 得到最优解V*ik、U*ik,进而求出ACE评价值。当k = i时, Eik为传统CCR模型中的“自我评价值”,由此形成ACE评价值矩阵E:

在矩阵E中,主对角元素Eii为决策单元的自我评价值,第i列为各决策单元对DMUi的交叉评价值,其值越大,说明DMUi的效率越高。现有研究一般用矩阵E的i列元素的均值测度DMUi的效率,记为E*i:

2. 2 动态评价模型

由于区域技术创新效率呈阶段性动态变化,如果仅运用某个时点的效率值进行评价则不能全面反映区域技术创效率; 历年均值虽然能够反映特定时间段内的区域效率水平,但没有考察效率变化的时序差异性和波动性。对此类由时序立体数据所支持的动态综合评价问题,钱吴永等[18]根据新信息优先原理认为可引入时序权重使得近期的评价值在动态评价中被赋予更高的权重,以体现新信息的重要性。郭亚军等[19]提出具有三次差异驱动特征的动态评价方法,即在横向上对各决策单元评的评价指标体系进行差异化赋权实现第一次差异驱动,在纵向上引入时序权重进行第二次差异驱动,运用各决策单元评价值的波动性实现第三次差异驱动。由于ACE模型已从横向上对各决策单元的评价指标体系进行差异化赋权,本文借鉴其中的第二次和第三次差异驱动方法,综合时序差异和不同区域的效率波动性差异建立动态评价模型。

假设DMU个数为n,在评价时间区间T = ( t1,t2,…,tp) 内决策单元MDUi运用ACE模型求解的效率为:

因为不同时刻的E*it对于测度DMUi的技术创新效率而言具有不同的重要性,故引入时序权重向量:Wt=(Wt1,Wt2,…,Wtp)>0,其中

。在此基础上,建立时序差异驱动模型:

为了测度各区域技术创新效率的波动性,引入效率变异指数:。其中Si、Ai为DMUi在评价时间区间内的效率标准差和效率均值。在考虑效率的波动性时,本文将波动性分为两类,即效率提升而引起的波动和效率下降而引起的波动,并针对不同性质的波动而建立奖励或惩罚机制。本文运用各区域技术创新效率的年均增长率 ( The AverageAnnual Growth Rate) 对效率波动属性进行判别,若的年均增长率为正值,则对该波动予以奖励; 反之则进行惩罚。建立如下模型:

其中,Di为DMU的区域技术创新效率动态评价指数,Ri为DMUi的创新效率年均增长率,μ1、μ2分别为hi、的权重,且μ1+ μ2= 1,0 < μ1,μ2<1,可由专家打分法获得。

3 变量与数据

区域技术创新效率是指在一定的区域创新环境下,单位创新投入获得的产出或者单位创新产出消耗的创新投入[1]。既有研究一般使用创新资本和创新人才的投入量来表示创新投入,将R&D经费支出和R&D人员投入作为衡量创新投入的指标[1,8,10]。本文用R&D经费支出、R&D人员折合全时当量作为投入指标,其中R&D经费支出反映了各执行单位实际用于基础研究、应用研究和试验发展的经费支出; R&D人员折合全时当量反映了参加R&D项目人员的全时当量及应分摊在R&D项目的管理和直接服务人员的全时当量。对于产出而言,现有研究主要用专利、论文、新产品销售收入、技术市场成交额等一个或多个指标进行表征[1,8,20]。本文用国外主要检索工具收入科技论文数、专利授权数、大中型工业企业新产品销售收入、技术市场成交额作为产出指标。国外主要检索工具收入科技论文数是指SCI、ISTP、EI三大权威检索工具收录所收录的论文数量,反映了创新活动所创造知识的数量和质量;专利授权数是发明、实用新型和外观设计3种专利的授权总数,反映了一个地区的创新能力与科技综合实力; 大中型工业企业新产品销售收入与技术市场成交合同金额是创新成果转化为市场价值的表现,反映了科技创新活动促进经济发展的程度。

由于我国不同区域间经济发展水平和创新资源差异较大,如果不考虑区域间的差异而对各区域做笼统比较,评价结果会有失偏颇,同时不利于各区域选择参照基准以提高自身的创新效率[14,21]。环渤海和长三角地区不仅是推动我国经济社会发展与自主创新能力建设的重要板块,而且两者在经济社会发展水平和创新规模方面具有一定的可比性,如2011年环渤海与长三角地区的GDP分别占到全国GDP总量的22. 95% 和22. 23% ,R&D经费支出分别占全国总量的30. 44% 和28. 50% ; 自2000年以来,R&D经费支出年均增长率分别为22. 05% 和23. 91% 。对环渤海和长三角区域范围的界定,学术界尚未形成统一观点,部分学者认为环渤海地区是以辽东半岛、山东半岛、京津冀为主的环渤海滨海经济带,包括北京、天津、河北、辽宁和山东; 有些学者考虑到区内资源的互补和协同,将山西、内蒙古也纳入其中[22]。对长三角地区一般从广义角度进行界定,在上海、江苏、浙江的基础上提出“3 +1”模式,将安徽纳入其中; 也有学者提出“3 + 2”模式,将范围扩展至江西[23]。在本文中环渤海地区包括北京、天津、河北、辽宁和山东,长三角地区包括上海、江苏、浙江、安徽。由于创新投入转化为产出需要一定的时间,产出相对于投入具有时滞性[1,9],本文将时滞性设为1年。文中所用数据为环渤海和长三角地区9个省、市的面板数据,其中投入指标数据的时间区间为2001—2010年,产出指标数据的时间区间为2002—2011年。数据来源于《中国统计年鉴2002—2012》和《中国科技统计年鉴2002—2012》。由于统计口径变更,2011年的大中型工业企业新产品销售额由规模以上工业企业新产品销售额代替。

4 实证分析

4. 1 历年区域技术创新效率测度

本文首先利用DEA - ACE模型,通过Matlab7. 0进行计算得到各区域2001—2010年的技术创新效率,并将其与传统CCR模型的测度结果进行对比为,如表1所示。

观察表1发现运用传统CCR模型测度时,北京、天津、上海、浙江历年的区域技术创新效率均1,导致无法对4个地区的创新效率进行比较,同时意味着它们的创新效率已没有提升的空间。运用ACE模型后,原来处于“始终有效”状态的区域在交叉评价后效率降低,存在进一步的改善空间; 各区域的技术创新效率没有完全一致的情况,为后续的相互比较提供了可能性,这将有利于对各区域的技术创新活动提供参考和借鉴。

4. 2 区域技术创新效率动态测度

为了更加直观地反映各区域历年的技术创新效率变动状况,将ACE模型的测度结果转换成折线图( 见图1) 。在图1中,可发现各区域的技术创新效率是一个动态变化的过程。在2001—2010年间,上海的技术创新效率比较稳定,相对于其他区域具有效率优势; 天津从2001—2008年,效率位于0. 8 ~0. 9之间波动,2008—2010年效率逐渐下滑; 浙江的效率在2001—2003年逐步提升,2003年后有所下降,效率保持在小范围内波动; 北京的技术创新效率徘徊于中等水平,山东、辽宁的效率呈先升后降趋势; 江苏、安徽、河北的效率上升趋势明显,但河北的效率依然处于较低水平。

为了动态测度各区域技术创新效率,运用本文研究提出的动态评价模型,综合运用时序权重和效率波动性对各区域的技术创新效率进行差异驱动,最终得到Di,如表2所示。其中,μ1、μ2分别为0. 95和0. 05。各区域中,上海、天津、北京的技术创新效率年均增长率为负值,按效率波动性的大小受到相应的惩罚; 其他区域的技术创新效率年均增长率均为正值,尤其安徽、江苏、河北的年均增长率较高,按效率波动性给予相应的奖励。观察表2发现上海、浙江、天津的效率动态评价指数较高,江苏、安徽、山东、辽宁的效率动态评价指数处于中等水平,北京、河北的效率动态评价指数偏低。与历年均值排名相比,安徽、山东、辽宁、北京4个区域的效率动态评价指数排名变化显著,山东、北京的效率动态评价指数排名从历年均值排名的第5和第7分别下降至第6和第8; 安徽、辽宁的效率动态评价指数排名分别由历年均值排名的第6和第8提升到第5和第7。

4. 3 讨论与分析

为了验证动态评价结果并分析其原因,本文参考有关文献[24,25]的相关结论对以上实证研究结果进行讨论与分析。郭军华等[24]研究认为我国各区域技术创新效率呈收敛趋势,低效率区域的提升速度比创新效率高的区域更快。本文根据实证研究结果对效率动态评价指数所反映的区域技术创新效率的空间分布差异变化状况进行验证,具体步骤如下:

步骤1: 在各区域中选择一个标杆区域,其基期效率和效率动态评价指数记为E*b0、Db。

步骤2: 分别测度区域的基期效率和效率动态评价指数与标杆区域相对应指标的相对差距,记为E*gi、Dgi,其中E*gi= E*b0- E*i0,反映了各区域与标杆区域在基期的效率差异; Dgi= Db- Di,反映了动态评价后各区域与标杆区域的效率差异。E*i0、Di为区域的基期效率与效率动态评价指数。

步骤3: 运用测度区域i与标杆区域之间效率差距的缩小程度,反映了各区域技术创新效率的相对提升度。

由于上海在历年中技术创新效率均高于其他区域,并且效率动态评价指数排名第一,本文将上海作为环渤海与长三角地区技术创新效率的标杆,将各区域2001年的技术创新效率作为基期效率。如图2所示,自2001年以来,以上海作为标杆,除北京的效率有所下降,其他各区域的效率均有不同程度的提升,各区域间的效率差距逐步缩小。各区域中,基期效率水平较低的地区,如河北、安徽、辽宁、江苏、山东等区域,与上海的效率差距得到了较大程度的缩小,反映了效率提升的速度相对较快; 反之,北京、浙江、天津等基期效率水平较高的地区,与上海的效率差距缩小程度较低,说明三者的效率提升较慢,其中北京与上海的效率差距呈扩大趋势。以上结论与郭军华[24]的研究成果基本一致,表明论文所用模型及其评价结果具有科学性。

为对实证结果进行更深层次的解释,论文从Di和创新投入两个维度作进一步分析。本文对各区域2001—2010年R&D经费的总支出和R&D人员折合全时当量总量分别进行无量纲处理并加总,测算出10年间各区域R&D经支出费和人员投入在全国的所占比重,以此表示各区域的创新投入水平。如图3所示,随着区域创新资源的增加,Di呈先升后降趋势,这与袁潮清[25]的研究结论具有一致性。上海、浙江、天津三个区域的创新投入虽处于中等水平,但技术创新效率高于其他地区,说明三者的资源得到有效配置,投入冗余较少; 北京、江苏、山东不仅创新投入高,而且区域创新体系成熟度高,但技术创新效率并没有达到相应高度,说明处于边际产出递减阶段,其中北京最为明显[25]。根据图3所示,江苏、山东的效率近年来逐渐提升,表明其创新体系不断优化,资源利用率得到改善; 河北、安徽、辽宁的创新投入和区域创新体系成熟度均较低,同时技术创新型效率也处于较低水平,但是三者的效率均在不断提升,说明存在边际产出递增现象,区域技术创新型管理水平得到提高,因此加大创新投入将有利于技术创新效率的提高。

5 总结与建议

区域技术创新是推动区域经济发展的核心动力,随着我国区域技术创新投入的不断增加,对区域技术创新效率评价研究的重要性也日益显现。本文针对区域间对创新资源的竞争性以及区域技术创新效率具有阶段性变化的特点,构建了基于DEA - ACE模型和差异驱动方法的动态评价模型,对环渤海和长三角各区域的技术创新效率进行动态评价。结合现有文献,对各区域的效率动态评价指数进行了验证和分析,北京、浙江、天津等期初效率水平较高地区的技术创新效率提升程度相对较小,河北、安徽、辽宁、江苏、山东等期初效率水平较低地区的技术创新效率提升程度相对较高。

随着创新投入的增加,部分地区存在边际产出递减现象,如北京、江苏、山东的创新性投入过高,造成了资源冗余较多,所以应该加强区域创新管理,适当调节创新投入量,并提高对创新资源投入使用的监管力度,以提升资源配置效率。

河北、安徽、辽宁的创新投入偏低,效率处于较低水平,但近年来三者的效率水平逐步提升,说明存在边际产出递增现象,从自身发展来看,需要改善区域创新环境和完善区域技术创新体系,出台各项政策措施,进一步加大创新投入,吸引优质创新资源。从国家宏观层面来看,需要统筹区域发展,引导创新资源从过剩地区流向不足地区,促进创新资源在各区域的均衡分布。

摘要：考虑不同区域对技术创新资源的竞争性及技术创新效率呈阶段性变化特征,构建了基于DEA对抗型交叉评价模型和差异驱动方法的动态评价模型,以区域技术创新效率评价指标体系为基础,运用2001—2011年的面板数据对环渤海、长三角地区所含9个省市的区域技术创新效率开展了实证研究,并结合相关文献对研究结论进行了验证与分析。

动态投资效率 篇8

关键词：高中英语,评讲课教学,动态课堂,提高效率

随着新课程改革的不断推进, “生成性动态课堂”教学作为一种更加呵护学生的好奇心、培养学生的兴趣、发展学生的情感和体验、满足学生的各方面需求的一种新的教学方式, 越来越受到广泛的关注。通过自己的几年的高三教学实践与研究, 初步形成了一个动态的且有生成的英语试卷讲评课的教学模式。这样的讲评课堂为师生共同搭建了一个展示生命活力的舞台。那么, 如何构建生成性动态课堂, 提高英语讲评课效率呢?笔者认为:

一、创设情境, 诱发生成

当前, 英语新课程改革倡导学生自主学习。学生应成为课堂学习的主人, 教师作为课堂教学的导师, 首要任务就是调动学生的积极性, 促使他们自己去获取知识, 发展能力, 做到自己能发现问题、提出问题、分析问题和解决问题;同时, 教师要为学生的自主学习创设良好的课堂环境, 即改变传统的“教师讲, 学生听”这样一个试卷讲评课的教学模式。一些研究者发现, 学生从英语教师纠正错误这一过程中, 受益并不明显, 屡纠屡错, 对语言水平的提高也没有很大的作用。因此, 我每次将试卷发下去后, 首先为学生公示正确答案, 接着鼓励并引导学生自己查明错误类型。例如:

(1) It was for this reason ____ her uncle moved out of New York and settled down in a small village.

A. thatB. whyC. whichD. how

(2) Is this the reason ____ at the meeting for his carelessness in his work?

A. he explained B. what he explained

C. how he explained D. why he explained

(3) Nobody believed his reason for being absent from the class ____ he had to meet his uncle in the airport.

A. whyB. thatC. whereD. because

以上三道题都是考查同一考点reason的用法, 但第一道题考查的是强调句型, 第二道题是考查定语从句, 第三道题则考查同位语从句。这样, 学生通过比较而获得与此题相关的系统语法知识, 定语从句、名词性从句、强调句型之间的区别, 更便于记忆和掌握。

二、合作探究, 促进再生

合作学习与自主学习不同, 它更强调语言学习过程中的合作关系。我在试卷讲评课中采用了传统的合作学习模式, 即思索活动———双人活动———分享活动, 在自主学习的过程中, 学生要独立思考设法弄懂每道题的答案, 思考过程中将自己思考的结果记录下来, 包括自身不理解的题号, 然后是学生与学习伙伴分享交流。英语讲评课的实效性学习应面向全体学生, 并照顾个体差异, 所以, 教师在这过程中要充分发挥好自己的督导与助手作用, 积极参与帮助个别学生获取结果。随后, 将交流的内容在更大范围的学生 (更大的学习小组4-5人或全班) 之间分享交流。这一过程以组织学生提问, 学生讲解试卷答案理由为主要方式, 即“生生互动”。

比如:After a month’s voyage, Columbus arrived in ____later proved a new continent.

A. whereB. whatC. whichD. that

此题设计旨在考查介词in后面跟一个名词性从句的用法。What引导的从句在句中做in的宾语, 且what在从句中做proved的主语。但学生会根据句意, 忽略动词proved缺少主语这一关键事实, 误选A答案。或误解为in which构成定语从句, 做介宾, 选C答案。其实, 类似的题目学生都曾做过, 也分析过, 可学生还一错再错, 正答率不高。于是我组织学生自主分析、讨论、讲解, 各个击破。我将选A、C答案的学生挑选出三、四个分析句子结构并给出理由, 而选B答案的学生按捺不住自我, 大声说出“从句中缺少主语”, 顿时全班一片赞同声, 选错答案的学生也茅塞顿开, 似乎想起了以前类似习题。此时, 我趁热打铁, 再挑一位选错答案的学生, 重新讲解, 分析一遍此题, 以达到巩固之功效。这比起单一的老师讲解, 效率提高了许多。

三、拓宽升华, 开放延伸

讲评时, 教师可针对一些重要的知识点引申出相关的知识点, 使学生的知识得到拓宽、加深。例如做到as引导让步状语从句的习题时, 先由学生们合作讨论答案。再点拨其引导的从句倒装不同于我们通常所说的倒转, 它所在的句子的主语和谓语的词序有时不变。as的倒装共分为四类:单数可数名词提前类, 形容词提前类, 副词提前类和动词提前类。也与although和though的用法完全不同。Though既可用于倒装结构中, 也可不用于倒装结构中;而although则不能用于倒装。as一词在高中教材中多次出现, 看起来简单, 但用法颇多。可以鼓励学生在课后收集、整理、归纳、发现问题、提出问题。

四、深化反刍, 内化知识

为了切实提高讲评效果, 必须让学生及时消化讲评内容。通过消化, 更加牢固地掌握所学知识。具体做法是:每次讲评后, 要求学生对错题加以订正, 做好错误记录, 建立错误档案, 收录自己做错的题目, 并注明正确答案及解题思路, 以便学生在下次考试前有的放矢, 及时复习。此外, 教师可根据讲评的重点、难点及学生的易错题, 通过变换角度设计出有一定针对性的巩固性练习, 让学生加以训练, 以巩固讲评效果, 实现“第二次飞跃”。

生成性动态课堂正受到越来越多人的关注, 而高三复习阶段的试卷讲评课也绝不是单纯地核对答案。教师以试卷讲评为载体, 做到知识的归纳和延伸、学生能力的培养和提高、应试技巧的训练和养成, 同时也应为学生营造一个民主、平等、和谐的教学氛围。真诚地尊重学生的发现, 巧妙地启迪学生的思维, 使课堂真正成为师生互动、生机盎然的舞台, 使英语课堂教学因动态生成而变得更加优化, 更加高效。

参考文献

[1]全日制义务教育普通高级中学英语课程标准 (实验稿)

[2]李霞平“重视英语试卷讲评课的课堂效率”《中小学英语教学与研究》2007年第6期