混合DEA模型

混合DEA模型（共7篇）

混合DEA模型 篇1

摘要：从投入产出视角出发, 构造基于混合DEA模型的电子信息企业运营效率评价指标体系, 该模型不仅能同时处理锥性指标和非锥性指标, 并且通过引入“虚拟变量”改进后, 可以获得各决策单元的绝对排序。最后运用所建评估模型对我国18家电子信息上市公司进行实证分析, 解析评价体系的操作程序, 验证评估方法的科学性和实用性。

关键词：电子信息企业,运营效率,混合DEA模型,虚拟单元

1 引言

电子信息产业是我国国民经济中具有战略性、基础性和先导性的第一大支柱产业, 对于促进社会就业、拉动经济增长、转变发展方式和维护国家安全具有十分重要的作用[1]。2008年, 我国电子信息产业销售规模已超过了6万亿元, 然而, 其在国民经济中的比重还很小, 不及美国比重的1/10, 并且企业也普遍存在销售利润率偏低、技术转化和创新能力相对较弱等诸多问题, 可见, 我国要打造世界电子信息强国还任重而道远[2]。面对日益激烈的国际竞争环境, 电子信息企业作为产业发展的微观主体, 应科学决策, 突破发展瓶颈, 提高运营效率, 这样才能在竞争中立于不败之地。而科学决策须建立在对现状客观分析基础之上, 故企业运营效率评估成为管理者所面临的一个重要课题。

运营效率是衡量企业运营管理能力和资源配置效益的关键指标, 可以从侧面反映企业生存和发展能力。如何评价企业运营效率是企业效率研究的重要内容, 同时也是学者们共同关注的热点问题。目前企业效率的研究方法主要可分为两大类:参数法 (Parametric approaches) 和非参数方法 (Nonparametric approaches) [3], 其中参数法需事先假设生产函数的形式以及误差概率分布, 而这有时难免会与现实不符, 相比之下非参数方法具有较强的优势。非参数法包括DEA (Data Envelopment Analysis) 和FDH (Free Disposal Hull) 两种, 其中DEA由著名运筹学家Charnes和Copper等学者创立, 它借鉴了计量经济学的边际效益理论和运筹学中的线性规划模型, 并通过确定一有效“生产前沿面”, 来比较各被评单元之间的相对效率和规模收益, 它适用于针对具有多指标投入和多指标产出的同类型决策单元 (Decision Making Unit, 简称DMU) 进行综合评价[4]。自1978年第一个DEA (C2R) 模型提出以来, 经过三十多年的发展, 这一理论已经相对比较成熟, 相继出现了C2GS2[5]、C2W、C2WH、C2WY、动态DEA模型、逆DEA模型等各类模型, 与此同时, 该方法也得到广泛应用, 已经从原来对非盈利部门的评价推广到对盈利部门的评价。理论与实践证明, DEA方法是评估多变量输入输出经济系统效率的有效工具。

本文将构建混合DEA模型来对我国电子信息企业运营效率进行评估分析, 以期找到各企业生产经营效益的横向定位, 发掘制约其运营效率的瓶颈因素。本文研究的核心在于为我国电子信息企业的优劣性分析提供一套科学实用的定量分析工具, 进而为管理者进行决策提供研究依据。

2 混合DEA模型的构建

2.1 混合DEA模型

DEA的基本模型主要是C2R模型[4]和C2GS2模型[5]两种, 它们的一般表达式这里就不再赘述。C2R模型和C2GS2模型的最大区别在于:前者对应具有凸性、锥性、无效性与最小性的生产可能集, 其指标满足锥性, 即对任意k≥0, k倍的资源投入可以获得k倍的资源产出;而后者则由生产可能集公理体系的凸性、无效性和最小性假设所决定, 其指标不满足锥性, 即不认为k倍的资源投入可以获得k倍的资源产出。从另一个角度看, C2R模型是假定规模收益不变的情况下, 用来评价DMU的规模有效性;而在C2GS2模型中假定规模效益可变, 用以评价DMU的技术有效性。它们都具有较成熟的理论基础, 然而, 以上传统模型也存在明显缺陷, 如在现实经济系统中, 评价指标体系可能包含“混合”指标, 即同时拥有满足锥性指标和不满足锥性指标的情况, 此时若应用C2R模型或C2GS2模型进行评估, 难免会忽略部分重要的影响因素, 因而就需构造能够同时处理以上两类指标的混合DEA模型[6], 以保证评价的科学性和客观性。本文将构建同时含有锥性变量和非锥性变量的混合DEA模型如下:

假设有n个DMU, 对于DMUj (j∈J={1, 2, …, n}) 的输入输出指标表述为:Xj=[xij]m×n (i=1, 2, …, m) 和Wj=[wlj]k×n (l=1, 2, …, k) 分别表示其m个满足锥性和k个不满足锥性的输入指标;Yj=[yrj]s×n (r=1, 2, …, s) 和Zj=[zqj]t×n (q=1, 2, …, t) 分别表示其s个满足锥性的和t个不满足锥性的输出指标。其中某一决策单元DMUj0 (j0∈J) 对应的输入和输出向量记为 (X0, W0, Y0, Z0) ;设参数α>0, 即当满足锥性输入指标量增大α倍时, 满足锥性的输出指标量也相应增大α倍, 而非锥性指标量都保持不变。基于文献[7]的思想, 构造如下的生产可能集[7], 见公式 (1) 。此时, 在集合T上的投入导向型 (Input Orientated) 混合DEA模型如公式 (2) 所示 (加入了松弛变量和非阿基米德无穷小量ε, 在计算时ε取值为10-6) 。

undefined

(2) 式中eT= (1, …, 1) T, e' T= (1, …, 1) T, e〃T= (1, …, 1) T, eT= (1, …, 1) T, 分别为m、k、s、t维向量;S-、S+、R-和R+表示松弛变量;θ0代表第j0个决策单元DMUj0的效率值, 当θ0=V0=1时, DMUj0为混合DEA有效, θ0的值越大越好, 越大表明企业运营状况越优良。与C2R模型和C2GS2模型相比, 应用模型 (2) 进行评价, 所获得的有效性DMU将同时为技术有效性和规模有效性, 从经济学意义上说, 混合DEA模型将同时考核企业的技术效率和规模效率[6]。

2.2 混合DEA模型的改进

利用模型 (2) 对决策单元进行评价, 可能会存在多个DMU效率值都为1的情况, 这将使得我们难以获得各DMU的合理排序, 不利于管理者分析单元的横向定位。鉴于此, 本文将通过引入一“虚拟单元”DMUn+1代替模型 (2) 约束条件中的DMUj0, 对模型进行改进。设DMUn+1对应的输入输出为 (Xn+1=[xi, n+1]m×1 (i=1, 2, …, m) , Wn+1=[wl, n+1]k×1 (l=1, 2, …, k) , Yn+1=[yr, n+1]s×1 (r=1, 2, …, s) , Zn+1=[zq, n+1]t×1 (q=1, 2, …, t) ) , 令undefined;undefined;undefined;undefined, 显然DMUn+1是这个单元中效率最优的。改进后的新模型见公式 (3) 。

undefined

模型 (3) 运用替换的手段, 又充分利用了各决策单元的指标信息, 来达到对被评有效单元运营状况优劣进行排序的目的。模型D'也可以看成是含有n+1个决策单元的超效率模型[8], 它在一定程度上克服了一般超效率模型 (不含虚拟单元) 可能导致决策单元效率值过大的缺陷。

3 基于混合DEA模型的评价指标体系的构建

3.1 指标体系构建的原则

(1) 科学性原则。

企业的运营过程是将一定的投入转化为产出, 因而系统的运营效率评价指标体系需要凸显成本资源量和产出效益的对应性。具体来说, 投入层面应体现电子信息企业经营所需的资本、人力资源和设备厂房等固定资产, 产出层面需体现企业的获利情况、运作效率、经营能力和发展能力。此外, 电子信息行业属于高技术行业, 指标体系还应能反映企业的研发效益。

(2) 操作性原则。

选取的指标应具有可比性和数据的可获取性。故在指标设计过程中, 应遵照现阶段我国通行统计规则或标准进行选择, 以保证各企业指标数据均具有统一的统计口径, 并可通过相关途径获得。

(3) 精炼性原则。

在充分反映电子信息企业运营状况的情况下, 指标的设计应具有针对性, 应抓住关键, 力求精练, 需要选取逻辑相关而非数值相关的指标。本文将选取净资产收益率、总资产周转率和主营业务增长率等相对指标来反映企业的经营发展能力。

3.2 评价指标的设置与分析

基于以上原则, 全面整合衡量企业运营发展的相关指标, 从中选取易于量化的关键性指标, 再结合越小越好的指标作为输入、越大越好的指标作为输出的思想, 构建如下表1的评价指标体系。通过分析可知, 指标体系中满足锥性的指标有:固定资产 (X1) 、主营业务成本 (X2) 、在职员工总人数 (X3) 、企业增加值 (Y1) 及主营业务收入 (Y2) , 记作X= (X1, X2, X3) , Y= (Y1, Y2) 。而R&D投入平均强度 (W1) 、总资产周转率 (Z1, %) 、净资产收益率 (Z2, %) 和主营业务收入增长率 (Z3, %) 指标不满足锥性, 记作W= (W1) , Z= (Z1, Z2, Z3) 。由于指标体系同时含有两类指标, 为了确保评价的有效性, 应当使用模型 (2) 和模型 (3) 解决问题。

4 实证分析

4.1 数据准备

本文以第23届电子信息百强企业为样本, 选取其中处于盈利状态的18家上市公司进行相对有效性评估, 以研究分析它们2008年的运营效率。各公司具体指标数据如下表2 (由于部分上市公司的主营业务收入增长率为负值, 笔者根据DEA模型的变换不变性原理[9], 对所有企业主营业务收入增长率都同时加上30, 得到表中的数值) 。

注:所有指标数据均整理自各上市公司2007—2008年度报告。

4.2 评价结果分析

运用MATLAB6.5.1工程软件编程计算来对18家电子信息上市公司进行评价, 结果见表3。通过分析, 不难得到如下结论:

(1) 运用混合DEA模型进行评价, 得到相对有效的企业有10家, 超过了企业总数的一半以上, 它们绝大多数是按营业收入排名靠前的企业。在剩下的企业中横店东磁的运营状况甚优, 其效率值达到0.9823, 其它企业的效率值分布在0.7～0.9之间, 运营业绩良好。总体上看, 各企业之间效率相差不大, 整体均衡性较高, 它们都跻身于百强之内, 都具有较雄厚的经济实力, 相对差距不甚悬殊。评估结果基本反映了各上市公司的运营状况。

(2) 由于存在多个相对有效的企业, 它们之间的排名还有待进一步研究。可以运用改进的混合DEA模型进行测评, 由表3可知, 计算获得企业运营效率的最终排名是 (从高到低) :同方股份、航天信息、亨通广电、浙大网新、深桑达A、海信电器、中国软件、TCL集团、中兴通讯、四川长虹、横店东磁、深圳华强、深圳华强、同洲电子、超声电子、飞乐股份、德赛电池、振华科技、熊猫电子。不难发现, 其中营业收入排在前三位的中兴通讯、TCL集团和四川长虹, 它们在10个相对有效的企业中相对效率却是最差的, 可见它们虽然资金雄厚, 但运营绩效还有待提高。这也说明仅通过营业收入这一指标难以准确地反映企业的综合效益, 故我们应更多关注企业的运营效率。

4.3 投入冗余额的分析

针对模型 (2) 而言, 设DMUj0对应 (X0, W0, Y0, Z0) ∈T, 且Xj≥0, Yj≥0 (j∈J) , 当D的最优值0

在以上分析的基础上, 利用模型 (2) 评价的相关数据, 可以计算DEA相对无效企业的投入资源的冗余额, 即假定产出数据不变, 以模型 (2) 中DEA相对有效的企业为参考基准, 解析无效的电子信息企业投入资源“相对冗余”的数值和比率 (显然各单元投入资源的冗余比率即为1-V0, 这里就不一一列出) , 进而为决策者进行系统优化提供数据参考。

5 总结

混合DEA模型一定程度上克服了传统模型的局限性, 它能同时处理锥性指标和非锥性指标, 为此类系统的评估决策提供了理论依据。本文构建了基于混合DEA模型的电子信息企业运营效率评价指标体系, 并通过引入“虚拟单元”对混合DEA模型进行改进, 使其可以获得企业运营绩效优劣的精确排序, 为我国电子信息企业运营绩效分析提供了一套较完备的评估体系。最后采集18家电子信息上市公司年报数据进行实证分析, 进一步验证了混合DEA模型的科学性和实用性, 同时解析了企业投入资源冗余额的计算方法, 为管理者获得定量的参考数据提供了有效途径;此外, 实证结果也表明单纯依据营业收入指标难以全面了解企业的综合效率, 决策层应更多关注企业的运营效率, 这也是未来提高竞争力的方向。

参考文献

[1]中华人民共和国国务院办公厅.电子信息产业调整和振兴规划[EB/OL]. (2009-04-15) [2009-08-11]http://www.gov.cn/zwgk/2009-04/15/content_1282430.htm.

[2]袁飞.电子信息产业技术创新能力影响因素及评价分析[D].成都:电子科技大学, 2007:20-23.

[3]BERGER AN, HUMPHREY D B.Efficiency of financial institutions:International survey and directions for future research[J」.Euro-pean Journal of Operational Research, 1997 (98) :175—212.

[4]CHARNES A, COOPER W W, RHODES E.Measuring efficiency ofdecision making units[J].European Journal of Operational Re-search, 1978 (02) :429—444.

[5]CHARNES A, COOPER WW, GOLANYB, et al.Foundation of dataenvelopment analysis for Pareto-Koopmans efficient empirical produc-tion[J].Journal of Econometrics (Netherlands) , 1985, 30:91—107.

[6]傅毓维, 尹航, 杨贵彬.基于混合DEA模型的高新技术企业经营业绩评价研究[J].科技管理研究, 2006, (08) :49-53.

[7]吴文江.数据包络分析及其应用[M].北京:中国统计出版社, 2002:134-159.

[8]ANDERSEN P, PETERSEN N C.A procedure for ranking efficientunit in data envelopment analysis[J].Management Science, 1993, 39 (10) :1261-1264.

[9]肖渡, 胡汉辉, 朱卓宇.DEA模型的不变性研究[J].系统工程学报, 1995, 4 (04) :45-48.

一类DEA模型的应用研究 篇2

关键词：模糊综合评价,DEA,集成

1 引言

自从1965年Zadeh提出模糊数学以来[1], 决策评价领域就展开了多方面的应用研究, 其中一个重要的研究方向就是模糊综合评价。模糊综合评价就是在已有经典评价的基础上加入模糊数学的评价元素进行评价[2]。这样做的优势是很明显的, 因为人类所思考的问题很大一部分就是模糊的, 不确定的, 特别是面对复杂的定性问题时更是如此。模糊综合评价方法在许多领域里得到应用, 优势虽然明显[3], 但是在模糊综合评价过程中也存在着一定的局限性, 比较明显的有以下两点:第一, 评价各因素的权重分配主要靠人的主观判断, 而当因素较多时, 给出权重的大小往往是一件困难的事[4]。第二, 模糊综合评价方法仅从被评价单元自身的角度进行评价, 没有考虑各评价单元之间的相关性, 而事实上各评价单元是相关的。如果充分依据同类单元间的这种联系, 不仅可以发现被评价单元在同类单元中的相对有效性, 而且还能根据同类单元提供的信息发现被评价单元的弱点, 提出较差单元进一步改进的策略和办法[5]。

另外, 数据包络分析 (Data Envelopment Analysis, DEA) 作为一种效率评价工具, 在决策评价中也得到了大量应用, 可以看出在DEA的应用过程中, 最关键的步骤就是输入/输出指标体系的确定和各决策单元在相应指标体系下的输入输出数据的搜集与获得。目前已有的DEA模型由于所涉及的指标体系是确定的, 所涉及的投入产出数据是确定已知的, 所以目前的模型大都是确定型的。然而许多领域的评价和决策问题都存在着大量的不确定性, 对于这些领域中的决策问题, 确定型的DEA模型就存在着缺陷和不足[6]。

从以上论述可以看出, 模糊综合评价可以解决DEA模型中的数据输入、输出问题, 而DEA则可以解决模糊综合评价中评价权重的设定和评价单元的相关性问题。这是因为DEA评价单元是不是有效是相对于其他所有决策单元而言的。特别是, 它把决策单元中各输入和输出的权重作为变量, 通过对决策单元的实际原始数据进行计算而确定, 排除了人为因素, 具有很强的客观性。也就是说, 该方法中各个评价对象的相对有效性是在对大量实际原始数据进行定量分析的基础上得来的, 从而避免了人为主观确定权重的缺点。因此, 本文将模糊综合评价与数据包络分析方法相结合, 提出了基于模糊综合评价的DEA评价方法, 并结合其在粮油加工企业油品质量评价中的应用进行了讨论。

2 模糊DEA模型

如果一个评价对象相对于各因素的评价具有一定的模糊性, 那么就需要运用模糊数学表达, 模糊综合评价来研究。设W={w1, w2, w3, …, wk}为评价对象集, k为评价对象个数;U={u1, u2, …, um}为为评价因素集, m为评价因素个数;V={v1, u2, …, vn}为评价等级集, n为评价等级个数。

对每一个评价对象, 有模糊关系矩阵R, 称为某一评价对象的评价矩阵。

式中, rij为U中因素ui对应V中等级vj的隶属关系, 即从因素ui着眼被评价对象能被评为vi等级的隶属程度, 可以通过二维模糊统计法来确定, 具体来说就是评委在某个等级上选择的人数占总评委人数的比值。

对某个评价因素来说, 则有一模糊关系矩阵Q, 称为某一评价因素的评价矩阵。

式中, qij为W中对象wi对应V中等级vj的隶属关系, 即从对象wi着眼被评价因素能被评为vi等级的隶属程度, 也可以通过二维模糊统计法来确定。

模糊DEA方法是在DEA方法的基础上建立起来的。DEA方法是根据决策单元的输入和输出实测数据来估计有效生产前沿面的。其中, C2R模型是DEA最早提出也是应用最为广泛的模型。以下采用此模型进行讨论。选取需要评价的对象 (针对某因素而言) 或因素 (针对某对象而言) 作为DEA的决策单元, 以其评价矩阵的转置矩阵作为DEA决策单元的输入和输出矩阵。需要说明的是, 评语的个数n因具体问题及其要求不同, 取值也不一定。如n=3 (如优秀、合格、不合格) ;n=4 (如优、良、中、差) ;n=5 (如优、良、中、及格、不及格) 等。而且具体取哪些等级为DEA的输入, 哪些等级为DEA的输出, 评价结果也会有一些差异。对于一个决策单元, 它有t种类型的输入以及s种类型的输出。t+s=n, n为评语个数, 见表1。

其中, 以评价对象为决策单元时l=k;以评价因素为决策单元时l=m;v1, v2, …, vt为DEA输入的权重;u1, u2, …, us为DEA输出的权重。记Xj= (x1j, x2j, …, xij) T, Yj= (y1j, y2j, …, ysj) T, j=1, 2, …, l;则可用 (Xj, Yj) 表示第j个决策单元。相应于权系数, V= (v1, v2, …, vn) T, U= (u1, u2, …, um) T, 每一个决策单元都有相应的效率评价指数hj= (UTYj) / (VTXj) , 总是可以适当地选取权系数V和U, 使hj≤1。

对于第j0个决策单元进行效率评价, 以第j0个决策单元的效率指数为目标, 以所有决策单元 (包括第j0个决策单元) 的效率指数为约束, 构成最优化模型。原始的C2R模型是一个分式规划, 当使用Charnel-Cooper变化时, 可将分式规划为一个等价的线性规划 (LP) 问题。

相应于第j0 (1≤j0≤l) 个决策单元的线性规划模型为:

用线性规划的最优解来判断决策单元j0的有效性。利用上述模型评价决策单元是不是有效是相对于其他所有决策单元而言的, 决策单元间的相对有效性也即决策单元的优劣。另外, 还可以获得许多其他有用的管理信息, 这些信息可以找出较差单元无效的原因, 并能为较差单元的改进提供策略和办法。上面讨论的是针对单因素的多对象评价和单对象的多因素评价, 但是一般还要得到最终的多因素、多对象评价结果。

假如要评价k个对象, 即评价系统的决策单元有k个。针对某个因素而言, 首先统计评委对这k个对象在该因素的等级比重, 方法同传统的模糊综合评价。对某个评价对象来说, 可以得到一个线性规划模型, 一共可以得到k个线性规划模型。这k个线性规划模型的最优目标函数值, 即为这k个评价对象在该因素上的评价结果。对k个对象所有因素 (假设有m个) , 分别进行计算, 按被评价者将其m个结果相乘 (加) , 其积 (和) 可作为对该对象的总的评价结果。

对某个对象来说, 即整个评价系统的一个子系统而言。取m个评价因素为该子系统的决策单元, 则在评委的等级比重的基础上, 方法与上面相同, 对每个因素都将对应有一个线性规划模型, m个因素将需解m个线性规划。这样求得某对象每个因素的最优目标函数值。它刻画了该对象在每个因素上的表现, 从而可以发现某对象的优点和弱点。对所有对象 (假设有k个) , 在m个因素上的表现分别进行计算, 可以观察到每个对象在所有因素上的具体表现。

由此可见, 这种集成评价方法, 最终不仅可以观察到每个对象在所有因素上的具体表现, 而且可以得到每个对象在所有因素上表现的总的评价结果。

3 算例

假如要对多家粮油加工企业的油品质量进行综合评价, 对油品质量这个定性指标而言, 选择10个评委, 按很好、好、一般、差4个等级对被评价的粮油加工企业, 在该因素上的表现做模糊综合评价。在本算例中仅选5家粮油加工企业进行讨论。表2中的数据是10个评委在某粮油加工企业在某等级上选择的人数, 现以差、一般为DEA的输入, 以好、很好为DEA的输出进行讨论。

对每一个粮油加工企业 (决策单元) 都将得到一个线性规划模型。对企业1而言, 有LP1:

同理可得其他4个企业对应的线性规划模型。通过基于Execl平台的用VBA语言编写的解DEA模型的软件计算得出5个线性规划的最优目标函数值, 结果详见表3。

表3中DMU代表粮油加工企业, Score代表最优目标函数值, 代表这5个粮油加工企业在油品质量因素上的表现。

4 结论

基于模糊综合评价方法的DEA模型, 由于应用了DEA模型, 直观性好, 避免了人为确定权重的缺点, 从而增强了模糊综合评价结果的客观性。它不仅可以考察每个对象在多个因素上的表现, 指出评价单元的优点和弱点, 以便进行进一步改进和完善, 而且可以把一组对象作为一个整体进行关于某个因素的评价, 然后进行综合。由于它把多个评价对象放在一起进行讨论计算, 所以可比性很强, 评价效率很高。需要注意的是, 由于DEA方法本身的原因, 要求每个决策单元都应有输入和输出, 否则, 将导致评价方法失效。解决的办法是将评价矩阵初始化, 即先把评价矩阵各元素均设为1, 然后在此基础上追加原评价矩阵, 产生新的评价矩阵。可能有人认为使用线性规划增加了原模糊综合评价的复杂程度和计算难度, 其实在计算机技术十分发达的今天, 作矩阵运算、求解线性规划是计算机的强项, 由于不像原来一个一个地对对象进行评价, 而是把很多对象放在一起进行计算, 所以该评价方法恰恰减少了评价的工作量, 提高了评价的效率。因此, 本文认为基于模糊综合评价方法的DEA模型是一种值得推荐的更为有效的评价方法。

参考文献

[1]L A Zadeh.Fuzzy Sets[J].Information and Control, 1965, 8 (3) :338-353.

[2]D Dubois, H Prade.Fuzzy Sets and Systems:Theory and Applications[M].New York:Academic Press, 1980.

[3]汪培庄.模糊集合论及其应用[M].上海:上海科学技术出版社, 1983.

[4]汪培庄, 韩立岩.应用模糊数学[M].北京:北京经济学院出版社, 1989.

[5]诸克军, 张新兰, 肖荔勤.Fuzzy AHP方法及应用[J].系统工程理论与实践, 1997, 17 (12) .

混合DEA模型 篇3

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.

混合DEA模型 篇4

长期股权投资是指通过投资取得被投资单位的股份。在实务中, 可以采用企业合并的方式形成长期股权投资, 也可以通过现金购入股票、发行权益性证券、接受债务人以非现金资产抵偿债务或非货币性交易等方式取得长期股权。其中以现金在公开市场上购入股票是最直接、最快捷的方式。本文即以现金购入方式取得长期股权投资为研究背景。

问题是持有哪家公司的股票最合适呢?在确定最值得投资的企业时, 采用传统的评价方法如股票估价模型、财务指标分析法以及财务综合分析法都存在以下两个明显不足:一是注重单一的通行指标的比较, 缺乏全面综合的判断, 对长期股权投资的特殊目的体现不够;二是常常忽略各个企业是否具有可比的基础。

近些年来, 数据包络分析法 (DEA) 在投资决策中得到广泛应用, 其突出的一个优点就是考虑因素比较全面, 而且可以相互比较, 达到了好中选优的目的。边卫红等 (2002) 运用DEA努力达到风险投资决策方案的最优, 强调DEA引入风险投资决策分析中的关键是对具体分析按因素指标的量化。易荣华等 (2004) 基于DEA模型构建了基础型变量与股价间的非参数性投入产出函数关系, 以其优化计算结果对股票市场表现进行排序, 从而发现股票相对投资价值大小, 并避免传统方法中对大盘趋势研判过分依赖的难题。强调DEA评价的主要目的是判断价格是否充分反映了信息的价值或股票价值的实现程度。DEA的这些应用给企业长期股权投资决策提供了很好的借鉴。

考虑到长期股权投资的特殊目的和在企业中的重要性, 我们不难发现, 长期股权投资决策不是一个简单的选股问题, 也不是一个常规的业绩评价问题, 只有恰当地应用DEA才是做出正确决策的关键。本文面向财务管理实务, 结合具体实例来探讨一种清晰、可靠、易于理解和便于操作的长期股权投资决策方法。

二、DEA的合理应用

通常, 进行长期股权投资的首要目的不是为了获取近期的投资收益, 而是为了强化与其他企业 (如本企业的原料供应商或商品经销商等) 的商业纽带, 或者是为了影响甚至是控制其关联公司的重大经营决策和财务政策, 更看重长期的利益或收益。同时, 长期股权投资也是企业实行多元化经营、减少行业系统风险的一种有效途径。但由于长期股权投资涉及资金量较大, 持有时间较长, 投资收益并无法律上的保障, 相应的其投资风险也很大。由于长期股权投资的这些特殊之处, 在投资决策上也就有一些特殊的考虑:

1. 确定恰当的、符合投资目的的输入量和输出量是做出投资决策时的一个关键环节。

长期股权投资决策决不是单纯的选股问题, 这和企业形成交易性金融资产、可供出售金融资产以及持有至到期的金融资产的过程明显不同, 和股票投机行为更不一样。这里关注的重点不是股价近期如何波动, 企业如何获得股价收益, 而是被投资单位长期稳健的发展和盈利能力。单纯的股票投资更多的是看盘面数据, 研判走势, 买涨与买跌的问题, 而长期股权投资更看重实体因素和成长潜力, 因为企业想影响或控制的不是账面数据。因而在应用DEA时, 要积极突破通行的财务指标分析。Cooper (1999) 认为DEA应用中投入产出项目选取的一个基本准则是必须反映分析者和管理者的关注要素。

2. 比较单元应当限定在同一板块或同一地域范围内, 以保证较高的可比性。

长期股权投资一般事先都有较为明确的行业或领域 (股市的板块) 。不同行业企业目标各不相同, 这是因为不同企业面临的政策环境、生产条件、市场空间、总体运营效率、获利水平存在较大差异。数据包络分析法适合于分析具有相同目标的运转单位的相对效率, 所以不宜将各种行业、各个地域的企业简单地放在一起分析与比较, 否则可能会产生误导。

3. 决策涉及的比较单元不宜太多。

一般选择3~5家企业即可。这样更有针对性, 可以缩短时间, 降低信息搜集的难度, 提高决策效率。比较实际的办法是先用一个或两个单一的最具综合性的指标进行初选, 然后再利用DEA进行相对效率分析, 综合判定最佳投资对象。

三、面向财务管理实务的DEA决策方法

以一家大型钢铁企业宏安公司为例来探讨如何合理应用DEA进行长期股权投资决策。该公司根据未来发展规划, 拟在机械加工领域有所拓展。考虑到现实状况, 公司拟采取在公开市场购入股票的方式进行长期股权投资, 实现长期影响逐步控制的目的。据公开数据显示, 机械加工板块的上市公司有60家之多。宏安公司首先用营业收入这个非常实际的反映规模和实力的指标进行初选, 具体设计的范围是5亿~10亿元。这是考虑到本公司发展现状和资金实力而选择中等规模的投资对象 (规模太大的难以施加影响, 太小的没有投资价值) 。这样入围的有13家上市公司。然后再用市盈率指标作进一步筛选。设计范围是20~25倍。市盈率指标一方面反映了市场对公司前景的乐观程度, 另一方面也反映了公司股价中蕴含的风险大小。此指标不宜过大, 也不宜过小。进入决策范围的有五家公司 (以股票名称代替) , 即瑞琪股份、光阳电源、无奇股份、山东达维、江汉精机。我们以这五家拟投资对象作为比较单元 (MDU) , 应用DEA进行综合评价比较, 选择最有效率和潜力的一家作为投资对象。

第一步, 确定恰当的输入量和输出量。宏安公司计划长期持股, 因而希望投资对象能长期经营, 稳健发展壮大, 投资回报逐年增多。由此比较注重实体成分, 看重被投资单位管理水平, 注意风险防范, 故选择固定资产净值、资产负债率、存货周转率三个指标作为输入量。其中, 固定资产净值最直接地反映企业的设备厂房等硬实力, 对机械加工行业更是如此。资产负债率反映企业负债比例, 显示利用外部资金的多少和相应风险的大小。存货周转率显示营运能力, 也可间接反映出公司管理水平。

宏安公司选择的输出量共四个, 即现金净流量、成本利润率、每股收益、销售增长率。其中:现金净流量真实地反映了企业可动用的全部现金及现金等价物。这一指标某种程度上决定了企业能否在竞争激烈的环境中生存下去, 而且没有资金做保证的利润也只能停留在账面数据上。每股收益反映企业获利能力以及对投资人回报的大小。成本利润率反映获利水平, 也可体现公司管理水平。销售增长率则反映企业市场扩张的速度。这些指标与一般的股市盘面分析有很大的不同, 因为它们更贴近于长期股权投资的真实意图。这些数据通过投资对象披露的资产负债表、利润表及现金流量表 (表1、表2) 可以确定。

注:数据根据东方财富网http://quote.eastmoney.com/2011年度报告整理, 股票名称已作了技术处理 (下同) 。

第二步, 建立DEA线性规划模型。在DEA应用中, 要建立一个用于求出各个公司相对效率的线性规划模型。DEA模型的逻辑是做一个假定合成, 然后判断这种合成单位能否在取得相同或更多的输出量的同时只需要更少的输入量。这个合成单位的输入量和输出量等于各个运营单位 (即拟投资公司) 输入输出量的加权平均。如果这种合成单位可以在得到更高输出量的同时只需要更少的输入量, 那么作为合成的一部分的某公司就将被判定为比合成低效。我们用合成效率E的数值来做这个判断。由于运用数据包络分析法时每次只能显示一个单位相对缺乏效率, 我们从瑞琪股份开始, 依次进行分析。

决策变量:W1=瑞琪股份的输入量和输出量

W2=光阳电源的输入量和输出量

W3=无奇股份的输入量和输出量

W4=山东达维的输入量和输出量

W5=江汉精机的输入量和输出量

E1=瑞琪股份的效率指数

运用DEA时其中的一个约束条件是运营单位 (MDU) 的总量为1, 这样包含6个决策变量和9个约束条件的第一个DEA线性规划模型如下:

第三步, 计算机求解。这个线性规划问题可以很方便地通过Management Scientist软件包加以解决。瑞琪股份的效率指数E1=2.362 2, 显示假设合成的公司需要用瑞琪股份最多236.22%的输入量资源才能获得相同的输出量。自然地, 瑞琪股份相对来说就是高效的。用同样的方法可以依次得到其他四家公司的效率指数:E2=1.0000, E3=1.0000, E4=1.581 4, E5=1.000 0。Management Scientist软件求解结果见表3 (其他E值结果表略) 。将效率指数按大小排名, 就可以对五家拟投资对象的相对效率作出判断。在本例中, 瑞琪股份的相对效率最高, 山东达维次之, 光阳电源、无奇股份和江汉精机三家公司的效率相对较低。自然地, 在做长期股权投资决策时应选择瑞琪股份作为投资对象。

四、财务管理实务中运用DEA的优势

如果把DEA的决策选项和盘面数据研判加以对比, 给人感觉差异很大。从盘面数据看, 似乎应该选择光阳电源 (表4) 。

从表4中可以看出, 只有紧密结合长期股权投资的目的和意图, 才能发现运用DEA的优势。光阳电源的固定资产净值最小, 可初步解读为设备量少、陈旧或普通;而资产负债率近乎瑞琪股份的2倍, 可以大致看出其较多地利用了外部资金;但存货周转率却是最低的, 只有1.64次, 表明资金回笼变现速度很慢, 管理水平上还有很大的提升空间。其现金流量净额不到瑞琪股份的一半、其每股未分配利润却较多也可印证:缺少足够现金或是在股利分配上相对保守, 投资人的实质性回报较少。

反观瑞琪股份, 固定资产净值较大, 初步推断其设备较多较新;资产负债率很低, 一方面表明风险较小, 同时也说明该企业还有充分利用财务杠杆的余地;特别是存货周转率达到4.2次, 说明资金回笼快, 管理水平很高;其现金流量净额是五家企业中最高的, 显示资金充裕, 这对于激烈竞争中的企业非常重要;每股未分配利润在五家企业里最低, 表明给投资人的回报较多。透过这些独特的数据, 总体上可判定瑞琪股份发展稳健、风险较小、回报较多, 投资这样的企业是比较明智的选择。

通过实例分析, 不难发现DEA在财务管理上的独特价值: (1) 可用于多输入、多输出的决策单元之间相对效率的评价, 并且无需指定生产函数的形态。 (2) 具有单位不变性的特点, DEA求解结果不受输入输出量数据单位的影响。 (3) 在DEA线性规划模型中不需要事先设置输入输出量的权重, 因而不受人为主观因素的影响。 (4) 输入输出量完全由决策者根据不同项目的特殊性而灵活选择, 因而能充分体现决策目标的本质要求。 (5) 决策过程简洁清晰, 较容易理解, 便于财务管理人员的实务操作。

五、结语

鉴于长期股权投资决策的特殊性, 要求我们必须合理应用DEA来作出正确的选择。最主要的是注意以下两点:一是备选方案要有行业或地域的可比性, 即DEA模型的决策单元应当具有相同的目标;二是输入量、输出量的选择应当能够体现长期股权投资的本质目的。DEA是一种非参数方法, 输入、输出指标的选取与数据的精确度都会影响评价结论。因此, 还有必要选取其他指标及数据对结论进一步进行验证。同时, 还可以结合其他DEA模型共同分析, 充分利用计算机求解的便利, 挖掘更多对长期股权投资决策有价值的信息。

摘要：本文基于数据包络分析法 (DEA) 探讨长期股权投资的决策问题。考虑到长期股权投资的特殊目的和决策的有效性, 笔者认为在财务管理实务中运用DEA时应突破单一的财务指标分析, 从多方面关注被投资单位的业绩, 以便投资者做出正确的投资决策。

关键词：数据包络分析法,长期股权投资,投资决策,财务管理

参考文献

[1].边卫红, 阎屹, 曹洁.浅析DEA方法在风险投资决策中的运用.河北大学成人教育学院学报, 2002;4

[2].易荣华, 达庆利.基于DEA的股票相对投资价值评价与投资策略研究.东南大学学报 (哲学社会科学版) , 2004;6

[3].陆位忠.基于DEA的评价模型及其输入输出指标确定.包装工程, 2005;6

[4].戴维.R.安德森, 丹尼斯.J.斯威尼, 托马斯.A.威廉斯著.侯文华等译.数据、模型与决策.北京:机械工业出版社, 2003

[5].刘艳萍.中部六省经济发展水平比较研究.经济论坛, 2008;1

混合DEA模型 篇5

1 常用DEA模型

由于模型 (1) 是非线性的, 不利于计算, 通过C2———变换, 将模型 (1) 变成线性规划模型, 如下所示:

除了得到DMU的效率外, 往往希望掌握DMU对指标的利用情况与有效单元的差距, 因此研究人员建立模型 (2) 的对偶模型———包络DEA模型, 来计算DMU的投入冗余与产出不足, 模型如下[2]。

传统CCR模型计算的效率值是拿DMU与包络面上的有效单元相比, 因此可以有效地区分无效DMU, 而对于有效的DMU却无能为力。与其相反, 最劣CCR模型是通过将被评DMU与包络面上的完全无效单元相比较来计算效率值, 因此最劣CCR可以充分区分相对有效的单元, 却无法区分完全无效的DMU。最劣CCR模型如下[3]:

模型 (1-4) 都是规模收益不变的DEA模型, 而现实评价问题中往往需要考虑规模效益的变化, 因此研究人员提出了规模收益可变的BCC模型, 模型如下, 其中μ无约束。

为克服传统CCR无法对有效DMU充分排序的缺陷, 研究人员建立了超效率DEA模型, 该方法通过将模型 (2) 中的第o个约束条件删除, 从而使被评价的DMU0 (若有效) 效率值可以大于或等于1, 而非有效DMU的效率值不变, 这样便可以对有效的DMU进行充分排序。模型如下。

2 常用DEA模型的Matlab程序

上述DEA模型都涉及到大量的线性规划运算, Matlab软件经过数十年的更新和完善已成为全世界公认的优秀的应用软件。由于其拥有强大的矩阵运算能力, 因此使用范围越来越普及。Matlab软件中对线性规划问题的处理方式形式如下[4]。

其中f是目标函数的系数向量, w是所求变量, A是不等式约束的系数矩阵, Aeq是是等式约束的系数矩阵, LB和UB分别是变量的上下界。下面是以上几种常用DEA模型的Matlab程序。

传统CCR模型 (模型2)

function[W, Q, T, I]=deacco (X, Y) %所输入矩阵X的%行为决策单元, 列为指标

3 程序应用

选用文献[5]中的算例, 某电厂商在某城市的10个经销商, 投入产出数据如表1所示, 其中前两项为投入指标。利用Matlab应用上面5种常用DEA模型对这10个经销商进行效率测度, 结果表1右侧所示。

通过计算结果可以发现, 模型 (1-5) 都无法对10个经销商进行效率充分排序, 验证了前面所述的缺陷, 只有超效率DEA可以, 最终评价结果由大到小顺序为DMU9———DMU1———DMU3———DMU8———DMU5———DMU10———DMU6———DMU4———DMU2———DMU7。因此按照超效率DEA评价方法, 经销商9业绩最优。

参考文献

[1]Charnes, A., Cooper, W.W., Rhodes, E.Measuring the efficiency of decision making units[J].European Journal of Operational Research, 1978, 2:429-444.

[2]Kaoru Tone.A slacks-based measure of super-efficiency in data envelopment analysis[J].European Journal of Operational Research, 2002, 143:32-41.

[3]Jahanshahloo, G.R., M.Afzalinejad.A ranking method based on a full-inefficient frontier.Applied Mathematical Modelling, 2006, 30 (3) :248-260.

[4]彭育威, 吴守宪.利用MATLAB进行DEA交叉效率分析[J].西南民族大学.自然科学版, 2004, 30 (5) :553-556.

混合DEA模型 篇6

近年来, 随着山西市场经济的发展和农业产业结构的调整, 在山西的粮食作物生产中, 无论是种植面积还是产量, 玉米生产发展的速度都是最快的。1978年以来, 山西的玉米播种面积、玉米产量、玉米产量占粮食产量比例均呈先小幅下降后大幅上升的趋势, 尤其是2000年以来增加的趋势更明显。2011年, 山西玉米产量为854. 60万t, 占山西粮食年总产量的比例为71. 63% ( 1978年该比例为38. 33% ) ; 2011年, 山西玉米播种面积为1 646. 71khm2, 是1978年的2. 08倍, 占山西粮食作物播种面积的50. 08% 。山西玉米的生产发展, 对于稳定山西地区粮食生产能力和保障需求不断增加的饲料粮供给等方面, 具有重要的现实意义。

要实现山西玉米的稳定生产, 就必须要提高玉米的生产效益, 除政府实施一些相关保护政策外, 更重要的是提高玉米生产效率, 以最少的资源投入获取最大的产量。目前, 关于山西玉米生产的研究, 主要集中于玉米产业发展、玉米生产发展现状以及问题等方面[1 - 5], 而对于玉米生产技术效率的分析仍未有涉及。 在我国学术界对生产效率的研究和综合评价较多采用数据包络分析 ( DEA) 方法, 这种方法已被用于农作物生产效率分析[6 - 10]、畜产品生产效率分析[11 - 12]、 林业生产效率分析[13]等。结合现有研究的不足, 本文将采用DEA方法, 对1978 - 2011年山西玉米生产的综合效率、纯技术效率和规模效率进行具体分析, 并分析投入产出的松弛变量, 研究山西玉米历年生产效率情况, 找出影响生产效率的原因以及改善措施, 为进一步提高山西玉米的生产效率提供依据。

1数据包络分析方法 ( DEA) 与理论模型

山西玉米播种面积和玉米产量情况 ( 1978 - 2011年) 如图1所示。数据包络分析方法 ( DEA) 是由著名运筹学家查尼斯 ( A. Charnes) 、库珀 ( W. W. Cooper) 及罗兹 ( E. Rhodes) 等在“相对效率评价”概念基础上发展起来的一种系统分析方法[14], 它采用非参数方法来估计前沿生产函数。DEA分析的模型形式主要有CRS模型、VRS模型等[15]。CRS模型是在不变规模报酬条件下测算所得到的生产单元的综合效率值, 包含了规模效率和技术效率; VRS模型是在可变规模报酬模型条件下测算生产单元的纯技术效率。

1. 1 CRS模型

假设某评价系统共有n个生产单元 ( DMU) , 评价指标体系有m个输入和s个输出指标组成。其中第j个DMU的输入和输出向量, 分别为xj= ( x1j，x2j，…xmj，) T> 0和yj= ( y1j，y2j，…ysj，) T> 0 , j = 1, 2, …, n 。对第j0个DMU进行评价的带有非阿基米德无穷小量 ε 的CRS模型为

这里θC表示生产单元的综合效率;ε为非阿基米德无穷小量;;s+, s-为松弛变量;λj表示第j个决策单元的权值;xj, yj表示第j个决策单元的投入和产出向量。

模型的意义是: 在保证生产可行和产出不减少的情况下。尽力使各种投入按同一比例缩小, 同时s+, s-给出所评价的生产单元的投入产出结构调整信息。 当规划的所有最优解都满足 θC= 1 , s+= s-= 0时说明: 在不减少产出的情况下, 既无法等比例地减少各种投入, 也不能个别地减少某种投入或增加某种产出。这时, 生产点 ( x0, y0) 处于技术有效状态, 而当规划的最优解都满足 θC= 1但s+≠ 0或s-≠ 0时, DMU0是弱有效的。这说明某些投入量已处在最小状态, 所有投入不能按同一比例减少, 但仍有可能对投入或产出进行结构性调整。即在弱技术有效下, 生产规模是适当的, 仅存在结构问题。当 θC< 1, 生产点 ( x0, y0) 处无技术效状态。表明在保持产出不小于y0的条件下, 可以使得各种投入同时缩小 θC倍, 若s+≠ 0 , 或s-≠ 0时还存在结构问题。

1. 2 VRS模型

在CRS模型中加入约束条件, 即成为测度生产单元纯技术效率的VRS模型, 各变量含义与CRS模型中一样。当规划的所有最优解都满足θV=1, s+=s-=0时, 则称DMU0是技术有效的。若θV=1, 但s+≠0或s-≠0时, 则称DMU0是弱有效的。θV<1, DMU0为非技术有效。可变规模报酬 (VRS) 模型测算的仅仅是决策单元的纯技术效率水平。

在此基础上, 运用分别运行CRS, VRS的DEA模型得到 θC和 θV, 便可以推算出规模效率 ( θs) 的水平。当 θC= θV时, 生产单元的规模效率为1, 即生产处于最佳规模; 否则生产单元的规模效率有所损失。 它们3者之间的关系为 θC= θV× θs。根据 θC和 θV可得到 θs的值。

2山西玉米生产效率的实证研究

2. 1投入产出变量选择及数据来源

本研究的玉米生产效率度量的投入指标为: 每公顷播种面积上投入的物质费用和劳动投入 ( 用工作价) , 统计学意义上的物质费用一般包括直接生产费用和间接生产费用, 所以这里物质费用包括化肥农家肥费用、机械畜力费、种籽秧苗费、其他费用等; 用工作价是每公顷播种面积投入的人工劳动折合的现金价 ( 以全国统一工价计算) 。产出指标为玉米产量、玉米净产值和成本收益率。为了消除物价因素, 把历年的数据转化成指数形式进行分析 ( 每公顷玉米产量、 成本收益率指标除外) 。数据资料来源于《全国农产品成本收益资料汇编》 ( 1978 - 2012年) 。

2. 2综合效率、纯技术效率和规模效率分析

运用DEAP软件分别运算CRS, VRS模型, 其结果如表1所示。由CRS模型计算出山西玉米生产的综合效率, 其反映玉米生产的资源配置程度; 由VRS模型计算出山西玉米生产的纯技术效率, 其反映玉米生产的技术效率情况; 根据综合效率和纯技术效率, 可得出玉米生产的规模效率。

综合效率, 计算结果来自于DEA的CRS模型;纯技术效率, 计算结果来自DEA的VRS模型, 规模效率。资料来源:本研究运用DEAP软件计算。

2. 2. 1综合效率总体水平低下

从综合生产效率角度而言, 1983年、1986年、 1988年、1989年、2004年, 山西玉米的综合生产效率为1, 其玉米生产的资源配置效率达到了最佳, 资源得到了充分利用, 没有投入闲置资源和产出的不足, 也没有资源投入结构和产出结构配置不当。其它年份山西玉米生产为非效率最佳。尤其是在1997年以来, 除个别年份外, 山西玉米生产综合效率呈现逐年减少趋势, 仅有1年达到最佳生产效率 ( 2004年) , 投入产出量的不合理和结构不合理同时存在, 且劳动的投入存在未被充足利用部分、单位净产值和纯收益率都存在不足, 结构不合理更为明显。受投入数量和结构的不合理, 从而使得玉米的产量、收益率和产值都存在不足。1978 - 2011年, 山西玉米生产综合效率年平均为0. 697。

2. 2. 2纯技术效率相对较低

从纯技术效率角度而言, 1982年、1983年、1986年、1988 - 1991年、2004年、2007年、2011年, 山西玉米的纯技术效率值为1, 且松弛变量均等于零, 这说明达到了技术最佳, 技术水平相对较高。其它年份的纯技术效率相对较低, 1999年的纯技术效率最低, 仅有0. 380, 这与玉米生产技术水平低下有关, 同时也与生产要素不合理的配置有关。整体而言, 1978 - 2011年, 山西玉米生产纯技术效率年平均为0. 821, 2000年以来玉米生产技术水平低下的情况明显。这与山西玉米生产实际情况一致, 在山西一些边远山区、老区、旱区玉米生产技术相对比较落后、新品种和新技术推广滞后的情况仍然存在。

2. 2. 3规模效率未达到最优

从规模效率角度而言, 山西玉米生产的规模效率总体低下。值得注意的是, 1997年以来其规模效率呈减少趋势, 主要是由于1997年以来玉米生产结构配置不合理, 从而影响了规模效应的发挥。1978 - 2011年, 山西玉米生产技术规模效率年平均为0. 848。

2. 2. 4规模报酬经历了递增—递减的转变

1978 - 1989年, 山西玉米生产规模报酬一般为不变或递增, 规模报酬不变, 表示玉米生产保持最优生产规模, 生产规模达到了最佳状态; 规模报酬递增表明玉米生产规模较小, 规模效率还有进一步增长的空间。1990年以来, 除个别年份为规模报酬不变、递增外, 大部分年份为规模报酬递减。规模报酬递减表明玉米生产的高水平是由于过度的投入导致的, 说明生产的扩张超过了其规模的承受能力, 规模报酬呈递减状态。尤其是2005年以来, 山西玉米生产规模报酬持续保持递减状态。

2. 3山西玉米生产投入、产出松弛变量分析

2. 3. 1山西玉米生产存在劳动投入过剩的现象

从山西玉米生产投入松弛变量来看, 除个别年份外, 均存在劳动投入过剩的现象。通过对2010年的数据分析, 投入变量中劳动投入的松弛变量为149. 837, 也就是需要减少149. 837元的劳动力投入将使得玉米生产资源配置达到最优。1978年以来, 劳动的过剩投入非常明显, 松弛变量也显示出, 要缩减的劳动开支呈增加的趋势。劳动力过剩一方面是由于农业劳动力相对于土地的快速增长, 使得劳动力与土地比增大, 而实际中单位土地上劳动力投入的工作量可能是相反的; 另一方面高素质的青壮年劳动力减少, 而其他类型的劳动力上升使得劳动投入在总量上增加, 但效率却减少。因此, 山西玉米生产效率的提升还需要进一步优化资源配置。另外, 物质费用的投入仅1994年存在短缺, 需要增加物质投入, 其他年份均处于最优配置状态。

2. 3. 2 2005年以来, 玉米生产净产值和收益率未处于最优水平

从山西玉米生产产出松弛变量来看, 1978 - 2005年间, 3个产出指标在不同的年份均存在一定增长空间; 2005年以来, 玉米生产净产值和收益率未处于最优水平, 仍有一定的增长空间, 产量的松弛变量为0, 没有增长空间。由2010年产出松弛变量分析来看, 净产值为165. 203、成本收益率为41. 141, 也就是说, 经过调整生产投入结构, 有可能形成产出方面, 产值增加165. 203元、成本收益率增加41. 141% 的水平。 因此, 山西玉米生产, 有可能在进一步优化生产方式和资源配置的基础上, 实现净产值和收益率的增长。

3相关建议

山西玉米的生产发展, 要重点抓以下几方面:

1) 加大政府政策支持。玉米作为山西的主要粮食作物, 同时山西是北方玉米生产的典型区域, 今后要加大山西玉米生产的政策扶持, 包括土地流转政策、资金扶持政策、完善农村水利设施条件以及政策性保险等, 构建具有合力的政策保障体系, 实现山西玉米生产的稳定发展。

2) 注重提升山西玉米生产技术水平。模型实证分析表明, 山西玉米生产纯技术效率低下, 这与玉米生产技术水平低下以及生产资源配置不合理等各方面的因素均有关。建议要充分发挥山西玉米产业技术体系的功能作用, 从育种、种植、田间管理、收获等方面, 结合山西玉米种植的环境, 进行全面系统的研究, 以进一步提升玉米生产的技术水平。

3) 进一步优化山西玉米生产规模。从模型分析结果来看, 2005年以来 ( 除2011年外) , 山西玉米生产一直保持规模报酬递减, 结合现实情况, 需要进一步缩减规模达到最优的生产模式, 实现总体效率的提升和生产效益的优化。

4) 完善玉米生产的资源配置。模型分析显示, 玉米生产的劳动投入过剩的情况, 需要从提升劳动者素质方面抓起, 不能一味认为过多的投入劳动就会产生效益, 要实现劳动投入的科学化、高效化。

混合DEA模型 篇7

万能保险是指包含保险保障功能并至少在一个投资账户拥有一定资产价值的人身保险产品。万能保险除了同传统寿险一样给予生命保障外,还可以让客户直接参与由保险公司为投保人建立的投资账户内资金的投资活动,将保单的价值与保险公司独立运作的投保人投资账户资金的业绩联系起来。账户资金由保险公司代为投资理财,投资收益上不封顶、下设最低保证利率。万能险的特点包括最低利率保证、条款相对简单、费用明确列示等。

2 我国万能险发展概况

万能保险诞生于20世纪70年代的美国。由于万能险缴费灵活、保额保障可调整,兼具保障与投资功能,一经推出便受到了消费者极大的青睐。

2.1 我国万能保险发展阶段

我国万能保险发展可分为以下三个阶段。

第一阶段:(2000—2007年)是保险费率管制下的初步成长期。1999年,在寿险利差损压力下,传统寿险预定利率被统一下调到2.5%。费率管制下的传统险销售困境给了分红险、万能险、投连险等新型保险的发展良机,2000年太保推出了中国第一款在银保渠道销售的万能险产品。2003—2007年,万能险保持了两位数以上的增长速度,2007年在股市暴涨的推动下实现了113%的增长。

第二阶段:(2008—2011年)是资本市场震荡、银保渠道严格监管、保费统计口径变化下的收缩与调整期。资本市场下挫与震荡导致投资性业务收益率下降,2008年因股市暴跌,万能险结算利率集体跌破4%,此后步入低谷。2011年,保险业开始实施新的会计准则,投连险和万能险中用于投资的缴费不再计入保费收入,使得不少保险公司弱化了投资型险种的工作力度,主攻传统险和分红险。

第三阶段:(2012—2015年)是险资运用放开条件下万能险超高速发展期。2012年,保监会陆续发布10余项保险资金运用新政策,进一步放开不动产和股权的投资行业和领域,允许投资银行理财、信托等金融产品,允许保险资金以对冲风险为目的参与金融衍生品。在2013—2015年,保监会又陆续放开投资创业板、优先股、创业投资基金、支持历史存量保单投资蓝筹股,增加境外投资范围等。险资运用的市场化显著提升了保险公司投资收益率,为“资产驱动负债”模式创造了条件。众多中小型寿险公司为实现快速冲规模,纷纷将目光聚焦于万能险,并借此实现迅猛发展“弯道超车”。

2.2 我国万能保险市场份额

我国万能险市场自从2012年以来,随着险资新政的出台,万能险账户投资领域的扩大,2015年2月,保监会不仅放开了万能险的利率管制,同时还将趸交万能险的基本保险费初始费用和退保费用上限比例分别下降一半。这意味着,保险公司过去扣除的成本费用减少了一半。更多的中小型寿险将万能险作为拉动保费收入、提高投资收益的有力手段,纷纷大规模开拓万能险市场。

数据表明,万能险的保费收入从2012年低于2000亿元,已经发展到2015年接近8000亿元的水平,万能险占人身险的比例也大幅提高,从2012年的15%提高到2015年的33%,可见如今我国万能险市场的火热。

表1所示的是2015年度万能险市场各大寿险公司的市场份额,可以看出占据市场份额前十名的公司除了平安人寿、中国人寿、泰康人寿三家老牌内资寿险公司外,其余全部是成立时间较短的中小型寿险公司。中小险企万能险市场的占比由2013年的62%,上升到2015年的78%,这些中小型寿险公司主打万能险产品,万能险产品占公司产品的比重越来越高,通过万能险快速“圈钱”的能力已经形成了同老牌寿险公司对抗的资本。

2.3 我国万能保险产品分类

当前国内保险市场的万能险产品可大致分为三类。

第一,高现价策略型万能险。主要由华夏、生命、前海、安邦等“平台类”公司通过网销和银保渠道销售。高现价万能险具有购买金额起点低、初始费用低、预期收益率高、存续期间短、保障功能极低等特点,从而成为“平台类”公司“低成本”融资工具。

第二,附加账户型万能险。主要用于与主险搭配销售(不得单独销售),通过较高的结算利率吸引保户,从而起到促进主险销售的效果,代表公司包括国寿、太保、泰康、太平等。

第三,传统期交型万能险。相对偏重保障,具有保险金额高、前期扣费高、投资账户资金少、前期退保损失大等特点,代表公司目前仅有平安。

3 万能险账户资金运用方向

如今资本市场上,各险企利用万能险账户在二级市场举牌的案例比比皆是,如资本市场中最活跃的安邦保险,利用万能险账户的资金多次举牌“金融街”,利用其旗下和谐健康万能险账户举牌大商股份和欧亚集团。富德生命人寿、阳光保险、华夏人寿、君康人寿等至少8家保险机构花费超1300亿元举牌超过26家上市公司。金地集团前十大股东中,保险万能险账户独占3席,分别为富德生命人寿的两款与华夏人寿的一款,浦发银行的股东中也出现了富德生命人寿的万能险账户。

随着万能险账户投资的日益活跃,越来越多的人关注万能险在资本市场的作为,万能险账户资金运用的方向可以总结为以下四点。

第一,银行大额协议存款。保险法规定只允许商业保险公司和商业银行之间存在大额协议存款。利率普通的银行利率;第二,国家基础设施建设。如三峡水利,京沪高铁,西气东输,上海世博会,黄河小浪底工程,航空,石油等,基础设施建设的投资回报率在8%~30%。比如平安万能险投资的国家基础建设项目就有:三峡水利,京沪高铁,西气东输,黄河小浪底工程等;第三,债券市场及原始股认购。如各寿险公司在二级市场的频繁举牌,以及投资于国债、同业拆借渠道;第四,经营国家营利性项目。如投资兼并经营医院,参股银行。

4 万能险投资效率实证分析

4.1 评估方法

保险资金运用要求在一定投入的情况下,实现产出(即收益)的最大化。或是在一定的产出(即收益)的情况下,追求尽可能少的投入。从保险资金运用的角度来讲,效率是指保险公司在资金运用过程中总投入和产出或成本与收益之间的对比关系,是保险资金在保持安全性和流动性的基础上,有效配置资源以实现收益的最大化。本文采用DEA数据包络分析中可变规模报酬的方法,借助Deap 2.1软件对投入产出指标进行分析。DEA模型可变规模报酬方法如下:

4.2 投入、产出指标的选取

4.2.1 投入指标的选取

(1)资本投入(X1表示)

保险公司的可运用资金主要由资本金、各类准备金、公积金、保险保障基金和其他资金组成。资本投入的多少,决定了投资金额的基数,对于保险公司的投资收益产生重大影响。其中资本金是保险公司必须具备的注册资本金,这部分资金可以用于投资,为了使投入指标更具准确性,因此选取实收资本与资本公积的和作为资本投入指标。

(2)经营费用(X2表示)

经营费用是保险公司在经营管理过程中发生的与业务经营有关的支出,主要包括赔款支出、给付支出、手续费支出及佣金支出、业务管理费等,这些费用会成为保险公司投资时的经营成本,因此本文选取营业税金及附加、佣金支出、业务管理费三个指标,三者相加作为经营费用指标。

(3)货币资金(X3表示)

货币资金是指可以立即投入流通,用以购买商品或劳务,或用以偿还债务的交换媒介。一个企业货币资金拥有量的多少,标志着它偿债能力和支付能力的大小,是投资者分析、判断财务状况的重要指标,在企业资金循环周转过程中起着连接和纽带的作用。货币资金的规模与投资绩效也有着密不可分的关系。

(4)总资产(X4表示)

总资产反映了保险公司的总体规模,因此本文选取总资产作为测算指标。

4.2.2 产出指标的选取

本文选取的产出指标是投资收益(Y表示),投资收益是指保险公司通过对外投资所获得的利润、股利等。保险公司不仅可以通过投资收益来获取承保利润,而且可以通过投资收益弥补承保利润。为了使指标更具准确性本文选取的投资收益,由投资收益、公允价值变动、汇兑损益共同构成。

4.3 样本选择与数据整理

本文根据国内保险市场万能险的发展行情,对比了万能险领域的万能险保费收入、万能险保费增长率,以及市场份额,选取了2012年至2015年万能险市场份额占有量最大的9家公司,通过DEA的方法对于这9家公司(华夏人寿、富德生命人寿、前海人寿、珠江人寿、国华人寿、和谐健康、平安人寿、中国人寿、泰康人寿)保险资金运用的效率进行评价。本文数据均来自各公司的年度报表以及保险年鉴。

4.4 实证分析

通过DEA数据包络法对各险企投入、产出指标进行分析,可以得出各样本的综合效率值(te)、纯技术效率(vrste)、规模效率(scale)以及在规模无效率的情况下,得出研究样本的递增递减趋势(rs),drs表示规模报酬递减、ins表示规模报酬递增。

纯技术效率(vrste)表示任何一企业在同一规模的最大产出下,最小的要素投入成本,可以衡量在投入导向下企业的技术无效率有多少是由纯技术无效率造成的。规模效率(scale)表示任一企业在最大产出下,技术效率的生产边界的投入量与最适规模下的投入量的比值,可以衡量在投入导向下,企业是否处于最合适生产规模,根据规模报酬的递增和递减调整要素的投入。综合效率值(te)是纯技术效率值与规模效率值的乘积,综合衡量企业效率。

表2投资效率分析表明以下内容。第一,保险资金运用总效率普遍不高。通过保险资金运用效率综合指标te可以看出,2012年,除中国人寿、泰康人寿保险资金运用综合效率达到1(有效率最优)外,其他公司效率值均偏低,尤其是珠江人寿效率值仅为0.042,总体平均综合效率值为0.753,处于较低水平。第二,纯技术效率优于规模效率。通过对比纯技术效率值(vrste)与规模效率值(scale),可以看出,样本公司中有5家公司的纯技术效率到达有效值1,平均来看,平均纯技术效率值同样大于平均规模效率值。第三,规模多处于递增趋势。除平安人寿外,其余各寿险公司的规模报酬均处于递增趋势,可以看出各公司资金运用刚刚处于起步阶段,资金运用规模效率潜力巨大。

与2012年相比,2013年保险资金运用综合效率有效的公司除中国人寿、泰康人寿外,新增了前海人寿与和谐健康,其余公司资金运用综合效率均有所下降,经历了2012年各保险公司投资规模不断扩大,2013年总体的规模效率值已经几乎与纯技术效率值持平,见表3。但由于投资纯技术效率值的降低,较2012年下降了6%,导致了各公司综合效率值普遍下降。

通过表4,可看出2014年各样本公司资金运用的纯技术效率值除华夏人寿、富德生命人寿外均达到了最优效率,珠江人寿、富德生命人寿资金运用综合效率大幅提高,带动整体的平均综合效率较2013年增长了12%;总体规模效率处于稳中有升的状态,华夏人寿、富德生命人寿、平安人寿、中国人寿出现了规模报酬递减的趋势,在保险资金运用过程中,纯技术效率优于规模效率的特征依然没有变化。

随着各大保险公司对保险资金运用重视度的上升、险资新政的出台以及2015年年初证券市场的上扬,2015年各样本公司资金运用效率进一步地提升,平均综合效率值达到0.938、平均纯技术效率达到0.992,除华夏人寿外其余公司全部达到最优效率,规模效率达到0.945,较2014年提升7%,详见表5。

5 我国万能险资金运用的问题及改善建议

5.1 我国万能险资金运用的问题

5.1.1 万能险账户资金运用存在严重期限错配问题

由于我国资本市场机制不健全,股票市场投机性强,债券市场债券期限不合理,各大寿险公司往往偏好于短期投资,这与寿险产品长期性的特点相违背,产生了较为严重的期限错配问题。在万能险账户资金运用方面,寿险公司收到大量成本高、期限短的万能险资金后,频繁在二级市场举牌,进行长期股权投资万能险的期限一般是3年到5年。不少保险公司出于和理财产品竞争的需求,将保单的期限短期化,从而出现期限错配,负债久期小于资产久期。

5.1.2 万能险账户资金运用稳定性较差,收益率偏低

通过本文DEA模型进行的数据包络分析,可以分析出虽然整个寿险业的资金运用效率处于一个稳中有升的趋势,但是各公司投资效率稳定性较差,波动性较大。据数据显示,我国保险市场总体投资收益率2012—2015年分别为3%、5%、6.5%、7.65%,这样的收益率相比欧美发达保险市场10%以上的平均收益率差距较大。

5.1.3 万能险账户资金运用投资结构不合理、存在较大风险

由于股票具备流动性特征,尤其是大市值蓝筹股,变现速度较快,变现成本较低,可以有效缓解现金流风险,这也是寿险公司利用万能险资金频繁举牌的重要原因。但是万能险账户在二级市场的险企为了控制风险,往往都是先找到投资项目,根据投资项目所需要的现金流来销售相应规模的产品,这样可以确定未来的投资收益。不过,不少险企却将短期产品所收得的资金投资到了一些长期的项目上,导致了长钱短投、资产负债错配,严重影响了现金流。

5.2 我国万能险资金运用建议与对策

5.2.1 拓展资金运用渠道

资金运用效率的提升与险资新政、险资入市有着必然的联系,随着险资新政的出台,保险资金可以被运用到“另类投资”中,如商业银行理财产品、信托计划、银行业金融机构信托资产支持证券、证券公司专项管理计划以及基础设施和不动产支持计划,通过多渠道的分散投资,可以将资金进行长期与短期的资产负债匹配,也可以分散二级市场股权投资的风险。

5.2.2 加强万能险账户资金运用的监管

万能险由于其缴费灵活、流动性比较强,在资金的运用上可能出现资产负债错配,进而引发现金流风险,尤其是高现金价值的万能险。这需要保险公司建立完善的风险管理体系,严格监控账户资金运用,定期进行高风险情景下的压力测试,并且在监管方面,保监会也要引起足够重视,在取消万能险最低保证收益率的情况下,对万能险产品要着力从偿付能力、产品报备、信息披露等方面实施重点监管。

5.2.3 完善资本市场,创造良好投资环境

只有建立起一个门类齐全、品种多样、交易组织健全、法律法规完善、监督管理有效、市场信用发达的资本市场,我国的保险投资才能得到健康的发展。根据目前的资本市场可以从提供产品种类齐全的不同期限、收益率、风险度和流动性特征的金融投资工具、活跃交易市场以及完善法律规范等方面完善保险投资环境。

参考文献

[1]宋江波.保险资金风险投资研究[D].上海:华东师范大学,2009.

[2]杜若宇.我国保险投资资金介入资本市场问题研究[D].郑州:郑州大学,2006.

[3]谢志超.中国保险公司经营绩效分析及其价值创造能力研究[D].成都:四川大学,2007.

[4]孟昭亿.保险资金运用国际比较[M].北京:中国金融出版社,2005.

[5]周平.我国保险业经营效率统计研究[D].长沙:湖南大学,2005.