DEA超效率模型（通用10篇）
DEA超效率模型 篇1
公司经营效率的评价可以采取财务比率法、回归分析法、模糊评判法、平衡计分卡法等,但由于这些方法需要对各评价指标人为赋予不同权重,从而影响到评价结果的客观性。1978年,著名运筹学家A.Charnes等提出了数据包络分析法(DEA,data envelopment analysis)。DEA方法是以相对效率概念为基础,用于评价具有相同类型的多投入、多产出的决策单元是否有效的一种非参数统计方法。DEA的基本思想是把每一个被评价单位作为一个决策单元(decision making units,DMU),由众多DMU构成被评价群体,通过对投入和产出比率的综合分析,以DMU的各个投入和产出指标的权重为变量进行评价运算,确定有效生产前沿面,并根据各DMU与有效生产前沿面的距离状况,确定各DMU是否DEA有效,同时还可用投影方法指出非DEA有效或弱DEA有效的原因以及应改进的方向和程度。
一、DEA基本模型与超效率DEA模型
(一)DEA基本模型
设有n个同类型的决策单元,对于每个决策单元都有m种类型的投入和p种类型的产出。Xij表示第j个决策单元第i种投入指标的投入,yrj表示第j个决策单元第r种产出指标的产出。第k个决策单元的效率计算问题可以转化成如下的线性规划问题:
其中,si-、sr+为松弛变量。θ是第k个决策单元的效率值,满足0燮θ燮1。此模型称为CCR模型,是DEA的基本模型。(1)Qk=1,且Si-k=0,Sr+k=0,则第k个决策单元为DEA有效,表明决策单元k同时达到技术有效和规模有效。技术有效是指从技术角度看,在决策单元的经营过程中资源得到了充分利用,各项投入达到了最佳组合,取得了最佳的产出效果。规模有效是指决策单元的经营活动处于规模报酬不变的最佳状态。(2)θk=1,但至少有一个si-k>0,(i=1,2,3,…,m),或者至少有一个sr+k>0,(r=1,2,3,…,p),则决策单元k为弱DEA有效。有某个sr-k>0,表明第i种投入指标有si-k数量的投入没有充分利用;有某个sr+k>0,表明第r种产出指标与最大产出有sr+k数量的差异。因此,此时决策单元k的经营活动不是同时技术有效和规模有效。(3)θk<1,则决策单元k不是DEA有效,即决策单元k的经营活动不是技术有效也不是规模有效。
(二)超效率DEA模型
DEA基本模型能对多投入、多产出的决策单元的相对效率进行评价,但如果出现多个决策单元都为相对有效时,DEA基本模型对这些相对有效(效率值为1)的决策单元就无法进行进一步的评价与比较。为了弥补这一缺陷,Anersen等学者于1993年提出了能对相对有效的决策单元进行效率高低比较的超效率DEA模型。第k个决策单元的效率计算问题可以转化成如下的线性规划问题:
超效率DEA模型中各数学符号的经济含义与DEA基本模型一致。两种模型的差异在于:计算第k个决策单元的效率值时,超效率DEA模型要用其他所有决策单元的投入和产出的线性组合代替第k个决策单元的投入和产出,将第k个决策单元排除在模型外,而DEA基本模型将第k个决策单元包括在模型内。在超效率DEA模型中,将某个决策单元能增加其投入而仍保持相对有效的最大比例值,称为该决策单元的超效率值,并用此来区分相对有效的决策单元的效率高低,超效率值可能大于1。超效率DEA模型中的无效率决策单元的效率值与DEA基本模型中的无效率决策单元的效率值相同。
二、决策单元及评价指标确定
(一)决策单元确定
根据DEA理论,为了使评价结果客观、科学,决策单元必须属于相同类型。因此,本文根据证监会2001年发布的《上市公司行业分类指引》的规定,以在沪深证券交易所上市的51家零售业A股上市公司作为决策单元(即研究对象),对其经营效率进行评价。
(二)评价指标确定
DEA模型是用于评价具有相同类型的多投入、多产出的决策单元是否有效的一种非参数统计方法。运用DEA模型对零售业上市公司经营效率评价的准确性,很大程度上取决于选择的投入和产出评价指标。因此,评价指标应能反映零售业上市公司经营活动和经营效率的特点,即选取的评价指标应能体现零售业上市公司以最少投入取得最大产出的要求。为保证评价结果的稳定性和客观性,DEA模型在评价指标的选取上,一般要求决策单元的个数是评价指标个数的2倍以上。本文选取的评价指标为11个(决策单元为51),其中投入指标4个,包括职工总人数、流动资产、非流动资产、成本费用等。投入指标是对经营效率起负向作用的指标,指标值越小,越有利于效率的提高;产出指标包括反映公司偿债能力、资产周转能力、盈利能力和发展能力等方面的指标包括现金流动比率、股东权益比率、总资产周转率、净资产收益率、资产净利率、营业收入增长率和资本保值增值率共7个指标。产出指标是对经营效率起正向作用的指标,指标值越大,投入产出效率越高。
(三)资料来源
本文研究的资料来自上海聚源数据有限公司的财讯网站。我国上市公司从2007年开始执行新的企业会计准则,按新准则的标准只能收集到2006年、2007年这两年的财务数据。因此,本文只对这两年零售业上市公司的经营效率进行评价,并进行比较分析。
(四)原始数据无量纲化处理
由于各项投入和产出指标具有不同的量纲,同时产出指标中的原始数据还存在负数,如果直接代入DEA模型运算,就无法进行DEA有效性分析。因此,需要将原始数据进行无量纲化处理,处理后全部原始数据的值都将在0.1至1区间内。根据DEA理论,无量纲化处理后,决策单元之间的相对关系不会发生变化,对决策单元经营有效性的评价结果也不会产生影响。无量纲化处理的具体方法如下:
设max Zij=aj(aj为第j项指标的最大值)
min Zij=bj(bj为第j项指标的最小值)
Z'ij为第i个决策单元第j个指标无量纲化后的值。
无量纲化处理后评价指标的值本文没有列出。
三、经营效率分析及研究结论
(一)经营效率分析
将无量纲化处理后评价指标的值代入DEA基本模型,运用lindo6.1软件运算,运算结果如表1所示。
根据表1的DEA基本模型评价结果,2006年有15家公司相对有效(效率值为1),占全部公司的29.41%,36家公司非有效(效率值小于1),占全部公司的70.59%。2007年相对有效的公司增加到17家,占公司的33.33%,非有效的公司下降为34家,占公司的66.67%。这表明2007年公司的经营效率比2006年有一定程度的提高。
为了克服DEA基本模型对相对有效的决策单元无法进行进一步评价与比较的缺陷,运用超效率DEA模型的评价结果如表1所示。根据评价结果,非有效公司的超效率值与DEA基本模型的效率值一致,但DEA基本模型中相对有效公司的超效率值出现了差异,表明超效率DEA模型能够对DEA相对有效的决策单元进行进一步的评价。
超效率DEA模型评价中,2006年51家公司的超效率值最高为2.81,最低为0.214,平均为0.8326,超效率值的标准差为0.3435,平均值以上公司有25家,占公司的49.2%,平均值以下公司为26家,占公司的50.8%。超效率值大于1的公司有15家(超效率平均值为1.212),占全部公司的29.41%,超效率值小于1的公司有36家(平均值0.6744),占全部公司的70.59%;2007年超效率值最高为2.163,最低为0.23,平均为0.8842,超效率值的标准差为0.4133,平均值以上公司有28家,占公司的54.9%,平均值以下公司为23家,占公司的45.1%。超效率值大于1的公司有17家(超效率平均值为1.266),占全部公司的33.33%,超效率值小于1的公司有34家(平均值0.6935),占全部公司的66.67%。
从2007年与2006年超效率值的比较来看,51家公司的超效率平均值增加了0.0516,标准差增加0.0698。超效率值大于1(保持相对有效)的公司增加了2家,超效率值大于1公司的超效率平均值增加了0.054,超效率值小于1(非有效)公司的超效率平均值增加了0.0191。2007年和2006年超效率值均超过1的公司有12家,2006年超效率值小于1而2007年大于1的公司有5家,2006年超效率值大于1而2007年小于1的公司有2家。因此,从整体上看,2007年比2006年我国零售业上市公司在经营过程中投入的人力资源、流动资产、非流动资产等各种资源得到了更充分利用,各项投入也达到了更好组合,取得了更大的产出,经营效率有一定程度的提高,但公司之间经营效率的差异程度有所扩大。
(二)研究结论
本文应用超效率DEA模型对2007年和2006年零售业上市公司经营效率进行了分析,解决了DEA基本模型对相对有效决策单元无法进行进一步评价与比较的问题。超效率DEA模型能够对所有决策单元进行充分评价和排序,为决策者提供更加完善的信息,在经营效率评价的应用中比DEA基本模型更具有优势,其评价结果也更客观、公正。评价结果表明,51家零售业上市公司的整体经营效率较高。2007年与2006年相比较,经营效率有一定程度的提高,经营过程中的各项投入得到了更充分利用,取得了更大的产出,但公司之间经营效率的差异程度有所扩大。
参考文献
[1]ANERSEN P,PETERSEN N C.A procedure for ranking efficient unit in data envelopment analysis[J].Management Science,1993,10:1261-1264.
[2]吴文江:《数据包络分析及其应用》,中国统计出版社2002年版。
[3]林乐芬:《农业上市公司绩效实证分析》,《现代经济探讨》2004年第8期。
DEA超效率模型 篇2
基于DEA模型的国内各地区节能减排效率研究
摘要：运用数据包络分析(DEA)方法,从宏观角度将国内各地区作为开展节能减排成效评价的基本单位,从不同的角度对节能减排各项指标进行了分类,建立节能减排效率评价指标体系模型.并在此基础上综合分析了全国31个省、市、自治区的`能源、水资源利用效率以及废水、SO2综合治理绩效和效率.分析表明,中国能源、水资源的利用效率、废水、SO2治理和排放效率虽有普遍提高,但整体效率仍比较低,节能减排的潜力很大.作 者： 作者单位： 期 刊：环境科学与管理 Journal：ENVIRONMENTAL SCIENCE AND MANAGEMENT 年，卷(期)：, 35(4) 分类号：X22 关键词：DEA 节能减排 效率分析DEA超效率模型 篇3
摘要：本文基于DEA模型，测算了我国30个省、自治区和直辖市2006～2013年的金融投入与科技产出的面板数据，得到科技与金融结合的技术效率、纯技术效率和规模效率。研究发现：我国科技与金融相结合的总体效率尚未达到前沿面，是由于纯技术效率和规模效率的共同低效所造成的；各省区市中，东部地区达到有效的省份最多，而宁夏和内蒙古的效率值市最低。
关键词：科技与金融；效率研究；DEA模型
一、引言
当前和今后一段时期我国经济社会发展呈现“新常态”的特征，处于经济转型期的中国应以高质量的经济增长作为支撑，来保持必要的经济增长速度，因此需要让科技创新对我国可持续发展起到关键作用，成为满足未来经济增长需求的新动力。科技产业具有高投入和高风险的特征，就离不开金融的强力支持。然而，我国目前仍然是一个发展中国家，对科技创新的金融投入额会受到较大限制。那么，如何有效为科技产业配置金融资源，提升科技与金融的结合效率是值得研究的课题。
二、模型构建和变量选取
（一）DEA模型描述
DEA模型采用Banker等人提出的BCC修正模型，BCC模型假定规模报酬可变，这样技术效率可以进一步分解为纯技术效率和规模效率，表示造成技术无效率的原因包括来自自身生产技术上的无效率以及决策单元未处于规模效应的无效率。假定我国各个省、自治区和直辖市为决策单元（DMU），每个省区市有m种金融投入和s种科技产出，数学表达式如下：
Minθks.t∑nj=1λjxij≤θkxik，i=1，2，…，m∑nj=1λjyrj≥yrk，r=1，2，…，s∑nj=1λj=1λj≥0，j=1，2，…，n （1）
式（1）中，xij为第j个省区市的第i种金融投入，yrj为第j个省区市的第r种科技产出，m、s和n分别表示为金融投入、科技产出和省区市的个数，θ为决策单元的效率值。
（二）变量选取
科技与金融结合的效率评价指标必须真实反映金融投入与科技产出情况，本文借鉴相关学者的研究，所选金融投入指标包括：研究与试验发展（R&D）经费内部支出、地方财政科技拨款、金融机构科技贷款以及人均R&D经费支出。在科技产出方面，选择了国内专利申请授权数、国外主要检索工具收录我国科技论文数、技术市场成交合同额以及高技术产业总产值。
三、实证结果分析
本文基于DEA模型对2006～2013年的我国30个省、自治区及直辖市的数据进行分析，得到各个省区市科技与金融结合的平均效率情况（如表1所示）。
表12006～2013年我国科技与金融结合的平均效率
省份技术效率纯技术效率规模效率省份技术效率纯技术效率规模效率北京1.0001.0001.000湖北0.9940.9941.000天津0.8700.8860.979湖南0.8400.8540.982河北0.8510.8690.977广东1.0001.0001.000山西0.8450.8540.985广西0.8700.8980.961内蒙古0.3540.4650.743海南1.0001.0001.000辽宁0.6950.7080.981重庆0.9420.9870.953吉林0.9320.9620.966四川1.0001.0001.000黑龙江0.9270.9360.989贵州0.9020.9220.977上海1.0001.0001.000云南0.6680.7300.914江苏1.0001.0001.000陕西1.0001.0001.000浙江1.0001.0001.000甘肃0.9551.0000.955安徽0.6790.7020.964青海0.7391.0000.739福建0.9560.9880.967宁夏0.3730.8730.417江西0.7160.8520.831新疆0.6510.7220.897山东0.8020.8130.986均值0.8410.8900.938河南0.6780.6950.974
根据表1可以看出，我国科技与金融结合的技术效率平均值为0.841，纯技术效率均值为0.890，规模效率均值为0.938。测算结果为，我国科技与金融相结合的总体效率处于效率前沿面之下，其主要是由于纯技术效率和规模效率的共同低效所引起的。这说明，一是我国用于科技产业的金融资源没有得到充分利用，二是我国的科技产业尚未形成规模效率，以至于金融资源的投入没有达到最小的程度。
从各个省区市来看，只有北京、上海、江苏、浙江、广东、海南、四川和陕西等8个省份的技术效率值为1，达到效率前沿面。可以看出，达到有效的省份以东部居多，这也与现实情况相符，经济发展水平高的地区，为科技产业投入的资金多，相应的科技产业也多，从而达到有效前沿面。而宁夏和内蒙古的效率值分别仅为0.373和0.354，排在最后两位，但造成两个省份技术效率低的原因不同。宁夏是由于未形成规模效应，造成效率低效；而内蒙古则是由于在科技产业的经营管理上失误，导致纯技术效率过低。
四、结论
DEA超效率模型 篇4
关键词：地方财政,超效率数据包络(SE-DEA)模型,科技投入,效率分析,广东省
1 引言
政府的科技投入远远不及企业的科技投入,但是却起着主导性的作用,因为它代表了政府的政策导向,起到“四两拨千斤”的作用。近年来,我省地方财政对科技投入的力度不断加大,科技产出每年有较快的增长。但是,在当前财政资金有限的情况下,人们更关注的是地方财政科技投入产出的效率。在此之前,专家学者们采用多种方法例如:层次分析法、灰色关联度分析法、模糊综合评价法、横断面数据分析方法、传统数据包络分析方法等,对多个省市或者对广东各个地市的地方财政科技投入产出效率做分析,但是,并没对广东历年的地方财政科技投入产出效率做分析。本文将采用超效率数据包络(SE-DEA)模型对广东历年的财政投入产出效率做分析,找出广东科技财政投入每年的效率,分析投入产出效率是高还是低,哪些投入存在冗余,哪些产出存在不足等问题。
2 广东地方财政科技拨款现状
2.1 地方财政科技拨款总量不断上升,但近年来增速有所放缓
2001-2008年,除了2002年以外,其他年份的地方财政科技拨款总量呈逐年快速上升的态势,从2001年的40.77亿元到2008年的132.52亿元,增长了3.25倍。从增长速度看,“十五”以来,我省地方财政科技拨款基本上呈现逐年增长的态势,年均增速为18.3%,但近几年来增速有所放缓,2005年、2006年、2007年分别为28.1%、24.3%、14.6%,2008年增速为11.11%,降至近年来新低,也低于全省财政支出的增速(19.59%)。
2.2 地方财政科技拨款占地方财政支出比例不高
我省地方财政科技拨款占地方财政支出比重从2003-2006年逐年上升,但是2007、2008年呈现下降趋势,到2008年下降到3.51%,比2006年的历史高位下降了0.57个百分点。
广东地方财政科技投入的快速增长,必然会带动地区经济和科技产出的快速增长。但是,有限的财政资金如何发挥引导带动作用,这就要进一步深入分析地方财政科技投入产出的效率问题。因此,下面我们引入超效率数据包络(SE-DEA)模型来计算地方财政科技投入产出的效率。
3 广东地方财政科技投入产出效率分析
3.1 超效率DEA模型介绍
超效率数据包络模型(Super Efficiency DEA,SE-DEA)[4]是由Andersen&Petersen根据传统DEA模型提出新模型,传统DEA模型如CCR、BCC等只能计算出有效率和无效率的决策单元,但是对决策单元无法进行比较和排序,而超效率DEA模型可以弥补传统DEA模型的这个不足,计算出的效率值不再限制在0-1的范围内,而是允许效率值超过1,可以将各决策单元进行排序和比较。模型如下:
其中,θ为规划目标值,λj(j=1,2,…n)为规划决策变量,Y=(y1,y2,…,yn)T为投入变量向量,X=(x1,x2,…xn)T为产出变量向量,S-=(s-1,s-2,…,s-m)T,S+=(s+1,s+2,…,s+m)T为松弛变量向量。
3.2 投入产出指标体系
根据科学性和可操作性原则,结合数据包络分析方法和财政科技投入产出系统的特点,设定投入产出指标体系。投入指标包括资金投入和人员投入,产出指标包括社会经济效益、科技成果。指标体系如下:
3.3 实证分析
利用MaxDEA1.0软件对数据进行运算,得出结果如下:
4 结论
根据计算结果,我们可以得出如下结论:
4.1 2008年地方财政科技投入效率最高,2002年效率最低
数据显示,2002年广东省地方财政科技拨款增速高达41.5%,表明地方政府对科技投入的重视程度大为提升,但是由于地方政府尚未能寻求到带动地区经济和科技产出的快速增长的有效抓手,科技投入相对效率较低。而随着近几年“自主创新”成为国家战略发展的基点,科技创新工作逐渐从“配角”转变为“主角”,广东省省部产学研合作、专业镇技术创新平台等等科技专项发展迅速,省市联动频密,地方财政科技投入产出效率平稳发展。而2008年出台的《广东自主创新规划纲要》等一系列重大政策,指明了建设创新型广东的路径,促成广东地方财政科技投入的总额及相对效率的达到历年新高。
4.2 2001—2005年规模收益递增,2006-2008年规模收益递减
2001-2005年地方财政科技投入总额相对早前有较大幅度提升,促成科研人员数量、科研机构实验设备数量的增加,形成规模收益递增;而日渐庞大的科研队伍,也随之带来了科技管理部门、高校、科研院所与企业科研部门之间的协调难度加大,管理效率大大降低等问题,这就促使规模收益递减。如何建立科学、客观的科技投入产出绩效评价机制,提高管理效率、降低管理成本,力争使规模收益更多地处于不变阶段,值得广东省科技管理部门深入考量。
4.3 地方财政科技拨款历年投入不足
2008年地方财政科技拨款占地方财政支出比例达不到目标值。结果显示,我省地方财政科技拨款除了2002年,其他年份都投入不足,这直接导致了产出的不足,如:地区生产总值从2002-2008年达不到目标值,而且离目标值的差距逐年越拉越大,反应了地方财政科技投入的不足,会大大减弱了对经济增长拉动作用。2008年,虽然地方财政科技拨款总量上有了增长,但是占地方财政支出的比例却达不到目标值,这说明了08年财政科技投入力度还远远不够。
4.4 科技活动人员2004-2008年达不到目标值
结果显示,我省科技活动人员从2004年开始到2008年都达不到目标值,说明近年来科技人员投入不够。人才是科技发展的核心因素,人才投入的不足将大大阻碍了科技的发展。
4.5 “十一五”期间发明专利申请量达到要求
“十五”期间,我省发明专利申请量达不到目标值,但到了“十一五”,发明专利申请量以年均15%的增速增长,总量排在全国首位,说明我省在自主创新方面取得较大的成效。
4.6 技术市场成交合同金额、科技论文产出数量不足
2004、2007、2008三年我省技术市场成交合同金额没有达到目标值,2007和2008年科技论文产出不足,而且到2008年距离目标值差距变大,说明我省在这两方面相对科技投入来说效率较低。
5 对策建议
5.1 建立健全科技投入产出绩效评价体系,加大地方财政科技投入力度。
对地方财政科技投入产出绩效评估体系仍需要继续进行有益的探索,不仅要从计算方法、数学模型上取得新的研究成果,更需要力争建立健全建立了绩效评估体系,并应用于地方科技管理部门、科研机构的绩效考核中,形成对科技创新工作的监督与敦促。由于技术创新存在失败风险、前期投入巨大而后期产出难以确定,导致科技投入的产出存在不稳定性,而目前政府官员的政绩考核依然以GDP为标准,如果缺乏广东省委省政府强势引导,长期以往,地方科技投入势必不足。要改变这一状况,就要改变以往以GDP为主的政府绩效考核体制,增加财政科技投入指标,使财政科技投入得以重视,从而加大投入力度。
5.2 利用好人才引进计划和奖励政策,加大科技人员投入。
利用广东人才引进计划和高层次人才回国创办企业优惠政策,设立专门机构并配备服务人员,创造良好的环境,引进高素质人才队伍;充分运用人才奖励政策,对取得成绩的科技活动人员进行奖励,提高他们的积极性;不断创新制度,完善政策,优化环境,留住优秀人才。
5.3 以产学研结合为契机,加快科技成果转化,提高科技拉动经济发展的效率。
科技成果转化率低,主要原因就是技术研发在选题时就脱离了市场,使得技术转化先天不足。产学研紧密结合,进一步强化了技术创新需要以市场为导向的重要作用,是解决科技与经济相互脱节的关键举措。同时,需要整合全省科技成果转化资源,与全国各区域性科技成果转化服务机构建立协作联系,聚合全国的技术、人才和资本要素,面向地方提供科技成果转化信息发布、成果展示、项目推介、中介咨询等综合服务,推动全省及跨区域技术转移和科技合作,有效聚合企业、高校院所和中介服务机构等优势科技资源,构建全省统一开放的科技成果交易大市场。
参考文献
[1]魏权龄.数据包络分析[M].北京:科学出版社,2004.
[2]林佳丽,薛声家.广东省各市科技创新有效性评价基于DEA超效率模型的分析[J].科技管理研究,2008(8)111-114.
[3]顾骅珊,雷媛玲.基于DEA的浙江省R&D投入绩效评价研究.技术经济,2010(3):17-21.
DEA超效率模型 篇5
关键词：水资源利用效率；主成份分析；数据包络模型；山西省
水是生命之源，是和社会、经济可持续发展密切相关的重要性经济资源和战略性自然资源。然而，山西省高能耗水耗的生产模式使得山西省水资源严重短缺。本文应用主成份分析和包络数据分析（PCA-DEA）相结合的模型对山西省水资源利用率的现状进行分析和评价，为水资源的可持续利用、解决水资源短缺和水土资源配置提供理论依据和对策参考。
一、研究方法
（一）主成份分析（PCA）
主成份分析法（Principal components analysis）简称PCA，也称主元分析。主成份分析法主要是利用降维的思想，把多个变量转化为几个综合变量即主成份。
（二）数据包络分析法（DEA）
数据包络分析方法（DEA，Data Envelopment Analysis）也称为非参数方法，该方法以相对效率为基础，采用凸分析和线性规划原理，以多指标投入和多指标产出的权重系数为决策变量，来评价它们的相对有效性[3]。
二、山西省水资源利用率分析
（一）水资源利用效率指标体系
根据DEA模型对投入指标和产出指标的要求，建立了山西省水资源利用效率评价的投入指标和产出指标体系。指标选取如下：
1.投入指标。
本文中选取的投入指标主要包括两大类：资源消耗和环境污染。资源消耗类包括农业用水量、工业用水量、生活用水量、从业人员数、国定资产投资总额在内的五项指标；环境污染类包括废水排放量和COD排放总量在内的两项指标。
2.产出指标。
在产出指标的选取时，考虑到水资源的利用在产出方面的价值无法直接测量，因此选择主要反映山西省经济主体所提供产品或服务的全部最终产品的市场价值（GDP）作为唯一的产出指标。单位选用亿元。
（二）样本选取及数据来源
根据已建立的投入指标和产出指标体系，以山西省2004年至2013年各年份为决策单元DMU。DEA模型要求投入指标变量之间以及投入指标变量和产出指标变量之间不具有相关性，要有较高的区分度。然而，已建立的指标体系可知各变量间均存在较强的相关性，信息耦合度高，影响评价结果的准确性。因此，本文首先应用PCA模型对主要成份进行提取。
（三）投入变量的主成份分析
为了使相关性很高的投入指标变量转化成彼此相互独立或不相关的变量，采用主成份分析方法对主要变量进行提取。由于投入产出指标的单位不同，首先要对原始数据进行标准化处理。主成份分析的过程应用SPSS18.0软件完成。根据主成份累积贡献率不小于85%，特征值大于1的提取原则，提取两个主成份。计算可知主成份F1的贡献率是68.829%，主成份F2的贡献率是16.282%，两者的累计贡献率为85.111%，已经超过85%，说明这两个主成份可以有效地代表投入变量的大部分。最后要计算新的变量即可得到水资源利用的10年间投入指标两个主成份得分。
（四）投入产出的数据包络分析
投入指标应用主成份分析处理后得到的数据经过指标正向化，数据都大于零，产出指标也都是大于零的。且有两个投入指标、一个产出指标、十个决策单元，决策单元的个数大于投入产出指标总数的二倍，满足DEA模型的上述要求。借助DEAP2.1软件对山西水资源利用情况进行分析。所得结果如表3：
水资源利用效率DEA结果分析：从表3可以得出，在2004年到2013年这十年中，只有2010年和2012年山西省水资源的综合技术效率、纯技术效率、规模效率均为1，这表明水资源的利用效率达到DEA相对有效。说明这两年山西省水资源作为投入要素得到充分利用，并获得较为理想的产出效果，也就是说投入要素一定情况下获得最大利益。这是因为2010年山西省进行煤炭资源整合力度加大，并且水资源利用的基础设施建设和投入相对往年增加超过10%，因此水资源的综合利用效率、纯技术效率、规模效率均有所提高，投入产出达到最优，规模也达到最佳水平。
十年的纯技术效率平均值为0.931，其中有五年的纯技术效率值为1，实现纯技术效率DEA有效，说明这五年中，山西省水资源纯技术效率比较稳定，且维持在较高的水平。综合技术效率是纯技术效率与规模效率的乘积。当投入要素配置合理时，则此时导致综合技术效率无效的原因是规模效率无效。这十年的平均规模效率为0.970，说明山西省水资源的利用规模适当。
三、提升山西省水资源利用效率的对策建议
首先，积极调整产业结构布局，发展低耗水、高附加值、水资源利用率高的行业。并且要引导企业生产耗水量少、具有较强竞争力的产品。其次，完善水资源管理制度，实施阶梯定价，实现水资源最有效的配置。最后，大力发展、引进和推广先进节水技术、鼓励发展和使用节水设备及节水工艺。积极引进国外的先进节水技术和管理，从根本上提高水资源的利用效率。
参考文献：
[1]廖虎昌，董毅明. 基于DEA和Malmquist指数的西部12省水资源利用效率研究[J].资源科学，2011，33（2）：273-279.
[2]曹阳龙，史本山.基于主成份分析的DEA复合评价模式及其应用研究[J].现代管理科学，2006，43（9）：26-28.
[3]董毅明， 廖虎昌.基于DEA 的西部省会城市水资源利用效率研究[J].水土保持通报，2011，31（4）：134-139.
DEA超效率模型 篇6
自2005年起, 随着电子商务的迅猛发展, 圆通、申通、韵达等知名民营快递企业的业务量迅速增长, 年均增长率都在60%以上, 但是民营快递物流成本过高、服务质量较差依然是制约快递业乃至整个电子商务市场运行的瓶颈。2012年消费者对快递的有效申诉大约为13.7万件, 占全部有效申诉量的98.3%, 比2011年增加87886件, 增长177.7%, 其中快递损毁8273件, 占总数的6%。我国快递行业目前正处在发展的初级阶段, 同质化作业现象严重, 快递利润率也从2005年以前的30%降低到现在的5%。在这样的背景下, 提高我国民营快递企业物流效率, 加快民营快递的发展, 推动我国经济建设、电子商务产业结构合理化和提高我国快递业在国际市场上的竞争力都具有十分重要的意义。
目前国内学者对民营快递企业的物流绩效所做的研究采用的方法只停留在传统的绩效评价方法上, 有一定的局限性, 鉴于此, 本文拟运用CCR—DEA模型、BCC—DEA模型、超效率CCR—DEA模型, 对我国8个民营快递企业的物流效率进行评价, 以反映目前我国民营快递的发展态势, 最后对评价中发现的问题寻求改进优化思路。
2 民营快递企业物流绩效实证分析
2.1 评价指标确定与数据来源
结合本文研究的目的、数据获取的科学性与全面性及快递物流行业的特点, 在本文中我们采用员工人数、车辆数量、营业网点数3个指标作为DEA的投入指标, 用快件安全送达率、日平均处理货量、服务城市数3个指标作为产出指标。按照主营业务为民营快递物流服务, 以及其数据的可获得性的原则, 本文选取顺丰、申通、圆通、汇通、中通、韵达、天天、宅急送8个民营快递企业为研究样本。通过查阅《2012年中国快递行业研究报告》、《中国快递年鉴2007—2012》以及各公司的门户网站, 我们获得了这8家快递企业在2012年的原始数据。
2.2 数据处理
基于CCR—DEA模型、BCC—DEA模型和超效率CCR—DEA模型, 取的值为106-, 将表1中各个民营快递企业的投入产出数据代入其中, 运用EMS1.3版软件分别算出8个民营快递企业的总技术效率、纯技术效率、超技术效率及其松弛变量值, 结果如表2所示。
注:其中对应于员工人数, 对应于车辆数量, 对应于营业网点数, 对应于快件安全送达率, 对应于日平均处理货量, 对应于服务城市数。
2.3 DEA模型结果分析
2.3.1 总技术效率、纯技术效率与规模效率的比较分析
从表2中的评价结果可以看出, 在这8家快递企业中技术效率值 (θ) 、纯技术效率值 (θVRS) 、规模效率值 (θS) 同时都为1的企业仅有2家, 占总样本数的25%, 分别是顺丰和宅急送, 说明顺丰和宅急送的物流绩效在行业中处于领先地位, 物流运营管理比较完善和高效;而申通、圆通等6家快递企业这三个值均小于1, 为非DEA有效, 这些企业技术效率低下的主要原因在于纯技术效率的低下 (6家企业均为0<θVRS<θS<1) , 即这些快递企业未充分发挥当前投入的产出潜力。总体来看, 我国民营快递企业的物流绩效水平整体偏低, 需要进一步加强管理, 以提高市场竞争力。
2.3.2 投影分析
根据表2的计算结果, 对申通等6家非DEA有效快递企业进行投影分析, 从而找到在输入和输出方面需要改进的地方和要达到的目标, 为今后提高管理效率提供参考信息, 使各项资源得到充分合理的利用。根据投影公式做了投影分析并进行改进与调整, 求出了投入的可缩减量和产出的可增加量, 以供参考, 具体信息见表3。
通过表3可以看出, 申通等6家快递企业在其发展过程中, 人力物力投入严重过剩是普遍现象, 如申通在产出规模的情况下, 要达到DEA有效, 就必须将员工数减少5.246万人, 车辆数减少0.541万辆, 营业网点数减少1035.3个。申通等6家快递企业物流投入成本过高, 归根结底还是企业内部的经营管理存在问题, 应当加强企业管理, 以有效提高物流绩效水平。
2.3.3 超效率比较分析
根据表2的评价结果可知, 顺丰、宅急送的各项效率指标均为1, 运用超效率CCR—DEA模型能够有效的区别这两个决策单元的绩效差异, 而申通等6家DEA无效率的快递企业的得分与CCR—DEA模型的评价得分相同。
从表2分析可得, 顺丰的超效率值 (θsup) 为1.408, 宅急送的超效率值 (θsup) 为2.635, 这表明顺丰和宅急送即使再分别等比例增加40.8%、163.5%的投入, 它们在整个主要民营快递企业样本集合中仍能保持相对有效即绩效值仍能维持在1以上。而宅急送在员工数、车辆数量和营业网点数3项投入指标以及快件安全送达率、日平均处理货量2项产出指标均小于顺丰的情况下, 其超效率值却大于顺丰的超效率值, 说明宅急送的物流网络配送效率很高, 物流资源使用更加合理。
3 结束语
通过对我国8家主要民营快递企业的物流绩效评价, 我们可以发现民营快递企业的物流总体技术效率不高的主要原因是纯技术效率的低下, 也就是说物流资源投入浪费, 导致了经营成本有逐渐变高的趋势, 因而产出没有达到最优的状态。在目前快递物流发展的状况下, 要想提高整体物流绩效, 我国民营快递企业需要改善企业的经营方式和管理水平, 整合资源, 加强物流人才的培养, 不断提高企业的效率和核心竞争力。
参考文献
[1]沈渊, 漆世雄.基于DEA方法的我国物流上市公司绩效评价[J].物流技术, 2009, 28, (8) :97-100.
[2]汪旭晖, 徐健.基于超效率CCR-DEA模型的我国物流上市公司效率评价[J].财贸研究, 2009, (6) :117-124.
[3]张福明, 孟宪忠.我国物流企业效率与效率持续性评价的实证[J].工业工程与管理, 2010, 15, (2) :46-49.
[4]刘京志, 官志伟, 魏立全.标杆法在我国快递业绩效评价中的应用[J].中国储运, 2006
[5]杨萧, 李叶.基于FAHP的民营快递企业竞争力评价[J].物流科技, 2011, (03) .
[6]张晓冬, 王福林, 周康渠.系统工程[M].北京:科学出版社, 2010, (1) :145-146.
DEA超效率模型 篇7
1 研究文献综述
综述相关文献,科技资源配置效率研究分为定性与定量两个层面。对于科技资源配置效率的定性研究,主要是从科技资源配置机制角度展开的。如:叶儒霏等[1]运用新制度经济学理论、政府管理理论,结合国内外经验教训,分析了影响我国科技资源配置效率原因并寻找相应的对策。刘玲利等学者[2,3,4,5]更多地侧重于科技资源配置效率定量方面的研究,即通过选取指标与构建模型的方式测度某个地区或领域的科技资源配置效率及其变动情况。由于科技系统是由一个“投入—产出”各个要素相互依赖和相互作用形成的复杂系统,学者们几乎都将科技资源配置效率理解为科技产出与科技投入之DEA方法,而该方法无须估计投入与产出的生产函数,是直接利用线性规划的方法,并从投入 - 产出视角构建评价指标体系。至于评价方法,应用比较广泛的是用来判断决策单元之间的相对有效性,在处理多输入与多输出的效率评价时显现出独特的优势。然而,传统的CCR模型计算效率值时往往存在数个有效的决策单元,以致无法比较有效决策单元之间效率的高低,基于此,本文引入超效率CCR模型,以便区分有效决策单元效率的高低; 同时构建基于DEA的Malmquist指数模型,分析与比较不同时期我国省域科技资源配置效率的变化趋势,并通过技术进步与技术效率变化指数探析科技资源配置效率变化的本质。
2 评价模型构建
DEA方法是著名的运筹学家Charnes A、CooperW W和Rhodes E首先提出的,是一种用于评价多投入 - 多产出的同类决策单元 ( DMU) 之间相对有效性的系统分析方法。该方法不需要预先估计参数及进行指标权重假设,避免了人为主观性所带来的偏差,且对指标数据的量纲没有限定。为此,DEA方法具有广泛的适用性,成为管理科学领域非常重要的、有效的分析工具。
2. 1 超效率 CCR 模型
CCR模型是著名的运筹学家Charnes A、CooperW W和Rhodes E提出的,是常用的效率评价模型,以规模收益不变为基本假设。该模型假设有n个DMU,每个DMU都有m种类型的投入和s种类型的产出,对于第j个DMU分别用向量xj与yj来表示:
则每个DMU效率值可以通过如下线性规划模型来求得:
其中,x0、y0为选定决策单元DMU0的投入向量与产出向量; λ是相对于DMU0重新构造一个有效的DMU组合中n个决策单元的组合比例; θ为DMU0的投入相对于产出的有效利用程度,即效率值; 1 - θ表示DMU0多投入的比例,或说可以减少的最大投入比例。
CCR模型无法对有效的DMU进行进一步评价与分析,为弥补此项不足,Andersen与Peterson提出了改进的DEA模型,即超效率模型,较好地解决了有效DMU之间的排序问题。其基本思想为: 在对决策单元进行评价时,将被评价的决策单元DMU0排除在决策单元的集合之外,其具体模型为:
2. 2 Malmquist 指数模型
Malmquist指数最早是由Sten Malmquist提出的,Caves等首先将这一指数用于生产率变化的测算,此后与建立的DEA理论相结合,使其被广泛应用,在处理基于面板数据的多输入与多输出的效率评价时显现出独特的优势。
在规模报酬不变的条件下,Malmquist指数可分为技术效率变动指数TEch与技术进步变动指数TPch的乘积,公式如下:
当规模报酬可变时,技术效率变动指数TEch又可进一步分为纯技术效率指数PEch与规模效率指数SEch,前者是度量技术效率有多少是由纯技术效率造成的,后者是度量决策单位生产是否处于最优的生产规模。具体的公式为:
全要素生产率TEPch可分解为技术进步变动指数、纯技术效率变动指数以及规模效率指数3个部分,即:
公式 ( 5) 中,dti( xi + 1,yt + 1) 代表以第t期的技术表示的t + 1期的技术效率水平; dti( xt,yt) 代表以第t期的技术表示的当期技术效率水平; dti + 1( xt + 1,yt + 1)代表以第t + 1期的技术表示的当期技术效率水平;dti + 1( xi,yt) 代表以第t + 1期的技术表示的第t期的技术效率水平。
若Malmquist指数TERch > 1,表明从t时期到t+ 1时期全要素生产率呈现上升趋势; 反之,表示从t时期到t + 1时期全要素生产率表现出下降状态。此外,构成Malmquist指数的技术进步变动指数、技术效率变动指数以及规模效率指数呈现相似的特性,当某个变化率 > 1时,表示它是全要素生产率TEPch增长的根源; 反之亦然。
3 指标选取与数据来源
3. 1 指标选取
科技资源配置效率评价指标体系既包括投入指标又包括产出指标。从系统性角度出发,所建立的评级体系应尽可能涵盖科技资源配置的基本特征与整体状况,但是,鉴于科技活动的复杂性,实际研究中不可能罗列所有的投入与产出要素,只能选择关键的要素[6]。为此,本文综合系统性、科学性、可行性、规范性等原则,经过专家评估和修订,最终构建出科技资源配置效率评价指标体系,如图1所示。
科技投入是开展科技活动必不可少的基本条件,是指投入到科技活动的一切人力、财力与物力的总和。以往文献多是选用科技活动人员、经费及其相关指标来度量科技投入,但2009年以后的《中国科技统计年鉴》着重突出能够反映自主创新能力的研究与试验发展 ( R&D) 指标及其相关结构指标,删除了不能进行国际比较的科技活动人员、经费及相关指标。R&D活动是整个科技活动的核心,是推动科技进步与发展的重要条件。为了与国际统计口径保持一致,本文选用反映研究与试验发展( R&D) 情况的指标,以此来衡量我国或地区的科技活动规模与科技发展水平,分别采用R&D人员全时当量 ( 人年) 、R&D经费内部支出 ( 万元) 与R&D经费内部支出占GDP比重 ( % ) 来反映科技投入状况。
科技产出是指通过科技活动所产生的各种形式的成果,是科学研究的最终目的,包括直接产出与间接产出。直接产出是指通过科研活动取得具有学术意义或使用价值的创造性成果,即知识产出,主要的分析对象是科技论文与专利产出,以国外主要检索工具收录科技论文数 ( 篇) 与国内3种专利申请受理数 ( 件) 来衡量。间接产出是指科技成果产业化与商品化的结果,理论上是涵盖科技活动的经济效益与社会效益,但鉴于社会效益表现为由于科技成果的推广与应用所带来的社会生活水平的提高及社会意识形态的变化,难以设定指标加以度量,因此本文仅考虑经济效益,分别设置高技术产业新产品销售收入 ( 万元) 与技术市场合同成交额 ( 万元) 2个指标予以度量。
3. 2 数据来源与处理
实际工作中广泛存在着时间的滞后性问题。由于科研工作本身的特性,科技投入与科技产出之间存在一定的时间滞后性[7],科技投入的见效期通常不会在当年显现,因此在数据选取时必须考虑滞后期问题。在时间序列中,滞后变量一般选择1 ~ 3期较多。考虑到科技投入与产出的实际情况,本文采用科技投入的知识性产出时滞2期[8]。然而,科技成果向现实生产力转化通常需要一段时间,学术界习惯上采取滞后1期[9]。考虑到数据的可获取性,本文考察我国各省域2001—2009年的科技投入与2003—2011年的直接产出以及2004—2012年的间接产出的之间关系。
同时,为满足动态效率研究经验法则的要求,即样本个数应不少于投入指标与产出指标个数综合的两倍,本文将样本空间定为我国大陆30个省区市( 由于数据缺省,西藏除外) 。为了保证统计口径一致性,所有数据均来自2002—2013年的《中国科技统计年鉴》 ( 原始数据略) ; 且由于时间跨度较长,为了剔除价格因素的影响,本文运用以2001年为基期的GDP平减指数对R&D经费内部支出、技术市场合同成交额、高技术产业新产品销售收入指标数据进行处理。
4 实证分析与解释
4. 1 基于超效率 CCR 模型的科技资源配置效率分析
基于处理的数据,本文借助deap2. 1软件对我国30个省域的科技资源配置效率进行逐年测算,结果显示: 同一时期,我国不同省域科技资源配置效率存在很大的差异,绝大部分省域的科技资源配置处于无效状态,以致我国历年来总体的科技资源配置效率未达到有效状态 ( 如表1) 。以2001年为例,北京、天津等13个省域的科技资源配置处于DEA有效状态,说明这些省域的科技投入产出达到最优配置; 而其它17个省域的科技投入产出为非DEA有效。
基于CCR模型分析的结果,同一时期多个地区的科技资源配置效率均为1,无法比较它们之间的效率高低。为此,本文再运用EMS软件进行超效率DEA分析,以解决科技资源配置效率有效的区域之间的排序问题,结果如表2所示。以2001年为例,13个DEA有效区域根据其科技资源配置效率大小依次为贵州、福建、浙江、重庆、北京、广东、海南、甘肃、上海、天津、江苏、黑龙江、吉林,即2001年贵州省的科技资源配置效率水平处于全国第一位。然而,2002年贵州省的科技资源配置效率处于无效水平,仅为0. 455,处于27位。说明不同年份科技资源配置效率存在极大的变动,下文将详细阐释。
4. 2 基于 Malmquist 指数的我国科技资源配置效率变化分析
为了说明不同时期我国科技资源配置效率变动情况,本文借助deap2. 1软件对2001—2009年我国30个省域的科技投入 - 产出的面板数据进行分析。从表3可看出: ( 1) 2001—2009年期间,我国科技资源配置的效率总体上处于增长态势,源于技术进步与技术效率改善的交叉作用,但前者的作用幅度更大。进一步细分技术效率变动情况,我国科技资源配置的规模效率保持不变,纯技术效率平均增长0. 3% ,说明技术效率的改善取决于现代科学技术方法和手段的传播与扩散。 ( 2) 我国科技资源配置效率增长呈现明显的阶段性特征。2002 /2001、2004 /2003、2007 /2006、2009 /2008时间段内的科技资源配置效率。我国科技资源配置效率呈现不同比例的增长趋势; 而2003 /2002、2005 /2004、2006 /2005、2008 /2007时间段内,却在不同程度上呈现下降态势。2001—2009年期间,我国科技资源配置效率存在很大的变动,处于下降与上升来回交替的过程中,因而整体上只表现为较小幅度的上升态势。
从图2可以看出,我国技术进步与科技资源配置效率呈现同方向变动,是一个不稳定的发展过程,2002 /2001、2004 /2003、2007 /2006、2009 /2008这4个时间段内技术进步变动指数表现为增长态势,其它4个时间段内技术进步变动指数呈现下降状态。技术效率变动指数与科技资源配置效率变动之间不存在任何规 律性,2002 /2001、2005 /2004、2008 /2007这3个时间段内技术效率变动指数呈现增长趋势,而其它5个时间段内技术效率变动指数显现下降状态。综合起来,我国科技资源配置效率增长的主要根源在于技术进步,技术效率扩散对配置效率的影响相对比较微弱。
进一步分解 技术效率 变动指数,2002 /2001、2003 /2002、2005 /2004、2008 /2007、2009 /2008时间段的纯技术效率呈现增长状态,其它3个时间段内表现为下降趋势; 2002 /2001、2003 /2002、2005 /2004、2007 /2006、2009 /2008时间段呈现规模报酬递减状态,其它3个时间段内呈现规模报酬递增状态。2002 /2001、2004 /2003、2005 /2004、2006 /2005时间段内技术效率变动主要受到了纯技术效率的影响,2003 /2002、2009 /2008时间段内技术效率变动主要来自规模效率的作用,2007 /2006、2008 /2007时间段内技术效率变动受到了纯技术效率变动与规模效率变动的共同作用。
从表4可以看出: 2001—2009年期间,我国30个省域科技资源配置效率变动存在较大的差异,体现在效率变动方向与变动大小方面。北京、河北等17个省域的科技资源配置效率总体表现出增长态势,但其增长率各不相同,其中青海省科技资源配置效率增长幅度最大,增长超过20% ; 天津、山西等其它13个省域的科技资源配置效率却体现为下降的趋势,其中下降幅度最大为贵州省,下降比例为13. 7% 。
从图3可知,北京、吉林等11个地区的科技资源配置效率主要来自技术进步变动的作用; 天津、河北等16个地区的科技资源配置效率同时受到了技术进步与技术效率变动的影响; 陕西、浙江、河南等3个地区的科技资源配置效率主要受到技术效率变动的作用。总体上,2001—2009年我国整体的科技资源配置效率受到了技术进步与技术效率变动的共同作用,但技术进步的影响力更大。从技术效率变动指数来看,绝大多数省域的技术效率变动受到了纯技术效率变动与规模效率变动的双重影响,如河北、陕西等8个地区的技术效率变动主要受到了纯技术效率变动的影响,仅海南省的技术效率变动主要受到了规模效率变动的影响。
5 主要结论
科技资源作为稀缺资源,其是否合理配置直接关系到科技资源利用率的高低,本文通过科技资源配置效率来描述其配置结果。从投入 - 产出方面设置评价指标,构建基于DEA的超效率CCR模型与Malmquist指数模型,对我国2001—2009年30个省市区的科技资源配置效率进行实证分析,得出如下结论: ( 1) 同一时期,我国不同地区的科技资源配置效率存在很大的差异,绝大部分省域的科技资源配置处于无效状态,即存在科技投入浪费、科技资源利用效率低下的现象。 ( 2) 2001—2009年期间,我国科技资源配置效率变化呈现明显的阶段性特征,但总体上处于增长态势,源于技术进步与技术效率改善的交叉作用,但前者的作用力度更大,即我国科技资源效率主要取决于研究方法的改进与原始创新能力的提升。 ( 3) 2001—2009年期间,我国30个省市区的科技资源配置效率变动存在很大的差异,如青海省的科技资源配置效率增长23. 1% ,而贵州省的科技资源配置效率却下降13. 7% 。不同地区科技资源配置效率变化受到技术进步、技术效率指数( 纯技术效率指数与规模效率指数) 变动的影响程度不同。总之,不同区域或同一区域在不同时期科技资源配置效率不尽相同,各个区域要根据自身的情况采取针对性的措施,不能盲目地照抄照搬其它先进地区的情况; 同时要动态地调整自身的科技资源配置政策。
摘要：以2001—2012年我国30个省域的面板数据为基础,选取科技投入-产出指标体系,构建基于DEA的超效率CCR模型与Malmquist指数模型,实证分析与比较我国30个省域科技资源配置效率。结果显示2001—2012年期间我国30个省域科技资源配置效率高低、变动趋势以及影响因素存在很大的差异,各省域要根据自身的情况制定适合的科技政策。
DEA超效率模型 篇8
关键词：环渤海经济区,全要素能源效率,影响因素,超效率DEA模型,Tobit模型
改革开放以来, 环渤海经济区经济高速增长, 1995—2011年, 地区生产总值由12 960.23亿元增至119 663.520亿元;与此同时, 能源消耗量由33528万吨标准煤增至105 626万吨标准煤, 工业废气排放量由27 869亿立方米增至144 008亿立方米, 能源短缺和环境污染问题日益严重。而缓解能源短缺、减轻环境污染问题的有效途径之一是提高能源利用效率, 因此, 如何提高能源利用效率的问题亟待解决。能源效率可分为全要素能源效率和单要素能源效率。Patterson等[1]认为单要素能源效率在衡量能源的作用方面存在一定不足, 全要素能源效率则具有相对优势。
1 相关文献综述
许多学者运用DEA-Tobit模型对效率及其影响因素进行了研究。Charnes等提出的传统DEA模型评价决策单元效率, 但是, 传统DEA模型可能会出现多个评价单元同时有效的情况, Anderson等[2]提出的超效率DEA模型则成功克服了这一困难。师博等[3]运用超效率DEA模型对中国省际全要素能源效率进行了测算, 又基于市场分割的视角对全要素能源效率的影响因素进行了分析。马海良等[4]选取1995—2008年三大经济区的面板数据, 运用超效率DEA模型和Malmquist指数测算我国三大经济区的全要素能源效率和生产率。在能源效率影响因素研究方面, 胡根华等[5]运用DEA-Tobit模型对金砖国家全要素能源效率进行了比较研究。但是, DEA测算出的效率值会出现多个等于1的效率值, 其中存在弱有效的情况。
以上研究均未考虑非合意产出的全要素能源效率, 本文基于超效率DEA模型测算能源效率时将工业废气排放量作为非合意产出, 并将其转化为合意产出对能源效率进行测算。研究方法方面, 本文选取超效率DEA-Tobit两阶段分析方法, 首先运用规模报酬不变的基于投入导向的超效率DEA模型测算考虑非合意产出的环渤海经济区各省市全要素能源效率, 再采用Tobit模型研究技术进步、对外开放程度、能源消费结构、经济发展水平及产业结构对环渤海经济区各省市全要素能源效率的影响, 并提出了相应的对策建议, 以提高环渤海经济区各省市全要素能源效率。
2 研究模型
2.1 超效率DEA模型
对于传统DEA模型来说, 如果多个决策单元同时处于生产前沿面而导致多个决策单元同时有效, 模型将无法对有效决策单元的优劣性作进一步评价和比较。Anderson和Petersen建立的基于投入导向的超效率DEA模型则弥补了这一缺陷。超效率DEA模型[6]如下:
假设有n个决策单元 (DMU) , 每个DMU都有m种输入和s种输出, 其中xj= (x1j, x2j, …, xmj) T>0yj= (y1j, y2j, …, ysj) T>0, xij为第j个DMU的第i个投入量, yrj为第j个DMU的第r个产出量。则对于第k个DMU对应的超效率值如下:
上述问题的对偶问题如 (2) 所示:
上述模型计算出的结果分为三类[7]:
(1) 若效率值θ>1, 则表明该决策单元极有效或无可行解。
(2) 若效率值θ<1, 则表明该决策单元未达到有效。
(3) 若效率值θ=1, 则分为两种情况: (a) 若模型中松弛变量Si-、Sr+不全为零, 则该决策单元为弱有效的; (b) 若模型中松弛变量Si-、Sr+全为零, 则该决策单元为有效但非极有效的。
2.2 Tobit模型
利用超效率DEA模型测算环渤海经济区全要素能源效率后, 还需进一步研究全要素能源效率的影响因素及影响程度。超效率DEA方法所估计出的效率值分为3个集合, 属于截断的离散分布数据。1958年Tobin研究耐用消费品需求时提出的Tobit模型能够很好地解决受限或截断因变量的模型构建问题[8], 因此, 本文采用Tobit模型。Tobit回归模型如 (3) 所示:
式中Y为截断因变量向量, X为自变量向量, α为截距项向量, β为未知参数向量, 扰动项ε~N (0, σ2) 。此时, 若用普通最小二乘法 (OLS) 对模型直接回归, Tobit模型的参数将是有偏且不一致的, 因此本文采用最大似然估计法对环渤海经济区全要素能源效率影响因素进行分析[9,10]。
3 变量及数据说明
3.1 超效率DEA模型中的指标体系
本文以北京、天津、河北、辽宁、山东三省两市1995—2011年的面板数据为样本。在经济增长模型中, 以资本、能源和劳动作为要素投入;同时, 为了体现知识存量的必要性, 将专利授权量一起作为投入要素。产出由合意产出和非合意产出共同构成, 合意产出为GDP, 非合意产出为工业废气排放量。具体的指标体系说明如表1所示。
资本存量:该指标一般采用永续盘存法进行估算, 本文主要参考了单俊豪[11]的研究成果, 以1952年为不变价格估算了1995—2011年环渤海经济区各省市的资本存量。
劳动投入L:本文以各省市历年从业人数作为劳动投入指标[12], 单位为万人。
能源投入E:以环渤海经济区各省市能源消费量为基础数据, 单位为万吨标准煤。
技术投入T:本文以各省市每年3种专利授权量作为技术投入指标。
合意产出:本文选取各省市1995—2011年的实际GDP作为合意产出指标。
非合意产出:基于本文研究目的, 选取工业废气排放量作为非合意产出指标, 采用间接方法适当变换原始数据, 把非合意产出转化为合意产出来处理。本文利用Seiford和Zhu[13]提出的fik (U) =-Uik+βi来处理非合意产出, 其中βi是一个能够保证将非合意产出处理后都大于零的正数, 本文中βi的取值为70 000。
3.2 Tobit模型中的变量
技术进步TE:本文采用各省市每万人拥有的专利授权数量作为技术进步的代理指标。
产业结构CS:基于本文研究目的, 产业结构指标选用各省市第二产业总产值占GDP的比重作为产业结构指标。
能源消费结构ES:能源消费结构是指各能源消费量占总能源消费量的比重。我国能源消费以煤炭为主, 因此选取各省市煤炭消费量占总能源消费量的比重来表示能源消费结构。
经济发展水平PC:为了更加客观地衡量各省市经济发展水平, 本文采用实际人均GDP作为经济发展水平的指标。
对外开放程度OP:本文选取各省市进出口总额占GDP的比重作为衡量各省市对外开放程度的指标。
原始数据主要来自《中国统计年鉴》 (1996—2012年) 、《北京统计年鉴》 (1996—2012年) 、《天津统计年鉴》 (1996—2012年) 、《河北统计年鉴》 (1996—2012年) 、《辽宁统计年鉴》 (1996—2012年) 、《山东统计年鉴》 (1996—2012年) 、《中国能源统计年鉴》 (1996—2012年) 、《中国环境统计年鉴》 (1996—2012年) 。
4 定量分析
4.1 超效率DEA模型测算
以资本存量、劳动投入、能源投入及技术投入作为投入指标, 以各省市实际GDP和处理后的工业废气排放量作为产出指标, 运用基于投入导向的超效率DEA模型测算环渤海经济区各省市1995—2011年全要素能源效率, 应用软件为Matlab 7.0。
运用超效率DEA方法建立效率测度模型时必须满足“等张性”条件, 即决策单元各项产出随投入的增加而增加。本文利用Pearson相关系数研究投入、产出变量之间的相关性, 如表2所示, 除河北资本投入和工业废气在0.05水平上显著外, 其它所有投入、产出变量均在0.01水平上存在显著正相关关系, 满足“等张性”这一条件。因此, 利用此样本建立的超效率DEA能效测度模型的研究结果的可信度是有保证的。
注:**表示在0.01水平 (双侧) 上显著相关, *表示在0.05水平 (双侧) 上显著相关
基于超效率DEA模型, 运用相关数据, 对1995—2011年我国环渤海经济区全要素能源效率进行核算, 结果如表3所示。
表3表示环渤海经济区各省市全要素能源效率, 图1表示环渤海经济区各省市全要素能源效率变动趋势。就整体而言, 1995—2011年, 环渤海经济区各省市全要素能源效率水平较高, 样本范围内绝大多数年份均高于0.8;就个体而言, 环渤海经济区各省市全要素能源效率存在一定差异, 辽宁、山东两个地区的效率值浮动相对较大, 具有一定的节能潜力, 其他省市的全要素能源效率基本保持稳定, 浮动不大。山东省部分年份的效率值低于1, 全要素能源效率值在2006年降到0.8以下之后到2011年未出现大于1的情况, 因此山东省能源效率仍有很大提升空间。就能源效率变化趋势来看, 1995—1999年, 除山东省外, 各省市能源效率呈上升趋势;1999—2006年, 各省市能源效率平稳波动, 全要素能源效率均呈现为规模和技术有效;2008—2011年, 北京、辽宁两个地区的能源效率呈上升趋势, 其他各省市能源效率呈不断下降的趋势, 表明能源效率未得到足够重视, 该方面的管理应当加强。
4.2 Tobit模型回归分析
文章基于超效率DEA模型测算了规模报酬不变条件下环渤海经济区各省市的全要素能源效率, 进一步分析环渤海经济区各省市全要素能源效率的影响因素, 结合已有文献并考虑数据的可得性, 选取技术进步TE、对外开放程度OP、能源消费结构ES、经济发展水平PC及产业结构CS作为解释变量, 各省市全要素能源效率EE作为被解释变量, 样本区间为1995—2011年, 建立回归方程 (4) :
应用软件为Eviews 6.0, Tobit模型各变量的描述统计如表4所示。
表5是Tobit模型的回归结果, 就环渤海经济区各省市而言, 少数变量未通过1%、5%、10%条件下的显著性检验, 但各省市大部分变量的系数相对合理。
(1) 产业结构与环渤海经济区各省市全要素能源效率存在负相关关系, 表明第二产业总产值占地区生产总值的比重越大, 全要素能源效率越低, 而且产业结构与北京、天津、山东的全要素能源效率存在显著负相关关系, 表明产业结构对其全要素能源效率影响程度较大。
(2) 能源消费结构与天津、河北、山东的全要素能源效率存在负相关关系, 表明煤炭消费量占总能源消费量的比重越大, 全要素能源效率越低, 其中对河北负相关程度较大, 对北京、辽宁则呈现显著的正相关关系。
(3) 对外开放程度与北京、河北全要素能源效率存在负相关关系, 但影响程度不大, 对天津、山东则呈现显著的正相关关系, 表明对外开放程度越高, 全要素能源效率越高。
(4) 经济发展水平与天津全要素能源效率存在不显著的负相关关系, 对环渤海其他省市则呈现显著的正相关关系, 表明经济发展水平越高, 全要素能源效率越高。
(5) 技术进步与北京全要素能源效率存在不显著的正相关关系, 表明技术进步越快, 北京市能源效率越高。
注:1) *、**、***分别表示在1%、5%、10%条件下显著;2) 括号中数据为P值, NA表示无数据
5 结论和对策建议
国内现有全要素能源效率的研究大部分未考虑非合意经济产出, 致使对全要素能源效率的测度结果产生偏差, 为全面反映环渤海经济区各省市的全要素能源效率, 本文首先运用基于投入导向的规模报酬不变的超效率DEA模型测算环渤海经济区三省两市1995—2011年全要素能源效率;然后, 运用Tobit模型估计技术进步、对外开放程度、能源消费结构、经济发展水平及产业结构对环渤海经济区各省市全要素能源效率的影响。
研究结果显示:环渤海经济区全要素能源效率整体水平较高, 但各省市之间仍存在一定差异, 辽宁、山东二省全要素能源效率波动较大, 其他省市相对较为稳定但仍有一定的节能潜力;产业结构与环渤海经济区各省市全要素能源效率存在负相关关系, 技术进步、对外开放程度、能源消费结构、经济发展水平对各省市全要素能源效率具有不同程度的影响。基于以上分析结果, 结合环渤海经济区能源利用现状, 提出以下对策建议:
(1) 环渤海经济区各省市第二产业所占比重较大, 而产业结构和全要素能源效率呈负相关关系, 为提高全要素能源效率, 各省市应根据当地实际情况调整产业结构, 促进高新技术产业、资本、技术密集型产业快速发展。
DEA超效率模型 篇9
激烈的竞争加快了各行业、各企业对投资效率进一步的关注,研究投资效率以及如何提高投资效率掀起了新的热潮。新形势的竞争已经不仅仅是资源的占有,新政策局势的把握,效率的提高成为整个经济乃至企业加快发展的新目标。山西省的经济发展相对落后,这促使着山西省改变经济发展的思路,改变经济发展模式,加快经济发展速度。山西省是一个地处我国中部,属于华北西部,地理位置相对东部沿海省份存在较大的弱势,唯一的优势是资源的储存量相对丰富。依靠煤炭等资源拉动经济发展,是多年以来人们对山西的定义。实际上,资源带来的利益并没有真正成为拉动山西经济发展的重要因素,武梅芳在2007年撰写的一文中就指出,山西省的煤炭资源优势因国家经济发展的整体需要而使发展利益转移向其他地区,煤炭经济的粗犷式发展导致产业结构单一化,最终导致山西省环境日益恶化,对山西经济的发展造成了较大的阻碍1。
二、文献回顾
研究宏观效率的方法有多种,运用较多的有数据包络分析 (DEA)、“边际资本—产出比率(ICOR)”以及“增量资本产出比” 等。本文选取运用非常广泛的数据包络分析为实证分析工具。运用该方法的文献也非常广泛。
早在2001年,赵旭就运用DEA模型分析银行业效率,选取与银行业发展息息相关的各项指标,如:人力、存款价格、存贷款规模以及利润等作为模型的投入产出指标,成功地测算了我国1993-1998年之间我国商业银行的技术效率、纯技术效率和规模效率,结果表明,我国商业银行的效率呈现逐年波动增长态势,且与资本收益率、资产收益率等反应银行绩效的指标呈现背离趋势2。牛冲槐、詹玉成、郭春明运用DEA模型,将山西省与周边省份进行相对效率分析,结果显示,虽然山西省具有资源的先天性条件,但是在煤炭、电力、冶金等行业的相对效率并不乐观, 效率值低于内蒙古、河北的效率值3。杨旭通过构建符合我国基本国情的农业科技综合实力的指标体系,并通过选取河南省18个市级区域以及我国30个省级区域作为研究对象,运用包络分析方法对其进行评价研究,结果显示农业的科技综合实力与经济实力有着较强的关联关系4。本文基于前辈的基础上同样选用数据包络分析方法对山西省产业进行效率分析。
数据包络分析(Data Envelopment Analysis,简称DEA)属于多学科的交叉领域,最早是在1978年提出的,提出这一分析方法的是查恩斯酷派和罗德5等人。该方法的本质仍然是基于线性规划原理,综合多个投入与产出指标对效率进行综合评价。该方法提出10年后,由我国的魏权龄6首次将数据包络分析方法引入国内,由于该方法的实用性与便捷性,在国内掀起了运用该评价方法研究效率的大热潮。
三、基于三个产业角度的投资效率评价
(一)指标选取
三次产业的划分是世界上较为通用的产业结构,三个产业主要是指第一、第二及第三产业。本文基于产业角度下,以三个产业为决策单元,并且基于前辈学者的角度上,通过查询《山西省统计年鉴》选取各个产业的能源投入量、人员投入量以及固定资产投资额作为投入量指标;选取三个产业的GDP为产出指标。能源投入量是指各个产业的能源消费总量,人员投入量为各个产业的年末的从业总人数,固定资产投资额为各个产业投入的以价值衡量的固定资产总额。
(二)计算结果及分析
本文通过查阅各年的《山西省统计年鉴》,查找相关数据,获得能源投入量、产业同业人数、固定资产投资净额以及产业GDP,因数据的统计期间为2003年—2012年,时间间隔较长,因此,本文将产业的GDP与固定资产投资额按照GDP的平减指数分别进行折算,统一将数据折算到2003年,因篇幅的限制不再列示。具体实证结果如下。
1.第一产业。将第一产业数据折算后带入超效率DEA模型, 得到如下结果:
从表1可以看出,2003年—2012年之间多数年份均存在不同程度的投入冗余现象,10年之间效率值最高的年份是2008年,能源投入量、从业人数以及固定资产投资额均不存在冗余, 并且,能源投入节约数为60.96万吨标准煤,节约比例为26.80%,从业人数节约数为95.58万人,节约比例为14.87%,固定资产投资额不存在冗余。效率值最低的是2003年,能源投入量与从业人数均存在较为严重的冗余,能源投入冗余为263.76万吨标准煤, 冗余比例为 -74.14%,从业人数冗余为400.42万人,冗余比例为 -61.55%,固定资产投资额不存在冗余。
2.第二产业
将第二产业数据折算后带入DEA模型,得到如下结果。
表3显示,第三产业效率较高年份是2003、2005、2008以及2012,这些年份的投入指标不存在冗余,并且存在一定的节约, 剩余的年份在三项指标中存在一定的冗余。第三产业效率最高的年份是2003年,三项投入指标中能源投入量与固定资产不仅不存在冗余,还存在一定的节约,节约数量分别是114.82万吨标准煤、213195.29万元,节约比例分别是7.96%、4.56%。第三产业效率最低的年份是2009年,三项投入指标均存在一定程度的冗余,能源投入量、从业人数以及固定资产投资净额的冗余分别为 -1119.75万吨标准煤、-5.82万人、-7190205.13万元,冗余比例分别是 -39.80%、-1.07%、-56.70%。
四、结论建议
综合全文来看,山西省第一、第二以及第三产业的效率均存在一定的提升的空间。具体通过计算2003年—2012年近10年的各项投入指标的总冗余以及年均冗余列表如表3所示:
1.将三个产业相互对比发现,三个产业中第一产业的从业人数冗余数最大,冗余总数为577.68万人,年均冗余是57.77万人。第一产业实际上就是农业,主要包含种植业、林业、牧业、渔业和农林牧渔服务业。种植业与林业主要依托地形地貌以及水量的储存等,而山西在这方面又属于比较薄弱的层面。另外,据统计,山西省水资源人均占有量是全国平均水平的1/5左右,是世界平均水平的1/25,水资源匮乏,也会严重阻碍农业的发展。 虽然地势对于农业缺乏先天优势,但是,省政府基于农业是发展之本,仅在2009年至2012年就出台了50项强农惠农富农的政策,以扶持农业的进一步发展7。另外,农业的发展与环境息息相关,环境的恶化会严重阻碍农业的发展。建议山西制定更加全面具体的环境治理与保护方案,广泛宣传环境保护的重要性,为建设美丽山西、和谐山西打好坚实的基础。
2.对比三个产业的三项指标,第二产业的能源投入与固定资产投资均存在严重的冗余,年均冗余量分别是1886.56万吨标准煤和1780572.57万元。第二产业主要包含工业和建筑业,工业具体包含采矿业、制造业、电力、煤气及水的生产和供应。第二产业的特点决定了第二产业对能源需求量大的特性,能源需求大的行业更需要提高资源的利用效率。提高效率既能为企业节约成本提高利润,又能充分的利用资源而减少对环境的污染。对采矿业而言,煤炭资源的开采占据采矿业的绝大部分,山西省煤炭资源的整合工作相对起步较早,在2004年1月份山西省政府就下发了《山西省人民政府关于继续深化改革煤矿安全整治的决定》,并且后续又相继颁布了煤炭整改的相关措施。郭云通过研究山西省煤炭资源整合得出山西省煤炭的利润绩效和安全绩效的初步见效年限是2009年8。
虽然整合初步见效,但是,山西省应该进一步加大落实相关政策以及出台更加完善的法律法规,以更好地转变山西省长期依赖煤炭资源形成的产业结构单一、环境恶化的“资源诅咒”发展模式。另外,采矿、销售、电力、煤气等行业都是与煤炭密不可分的,建议相关部门继续高度关注整合后的变化,更加严格的控制煤炭发展,将相关的各行各业的发展有机的结合,争取实现链条式一体化的发展。
3.对比三个产业的三项指标,第三产业在三个产业中固定资产投资额冗余最为严重,冗余额是2785486.48万元,接近300亿元,年均冗余数额巨大,这是导致第三产业效率不高的根本原因。地形复杂的山西交通相对较为落后,而交通在经济发展中占有重要地位。建议各行各业在充分运用当前运输条件的情况下, 提高物流行业的效率。另外,山西省的相对落后制约了金融业发展,一般来说地区越发达金融业越发达,所以,发展金融业的前提是提高综合实力。随着人民生活水平的提高,旅游已经越来越受人民青睐,建议相关部门要加大旅游行业的投资与宣传力度, 将山西的景点推向全国乃至世界,提高旅游业对产值的贡献。另外,教育是发展的根本,山西省应该进一步加大对教育投资力度,为孩子建设更多符合现代化建设的学校,让更多的孩子可以接受更好的教育,为民生以及发展打好扎实的基础。
摘要：文章通过查找相关资料,选取山西省2003年—2012年的第一、第二以及第三产业的相关指标数据,选取能源投入量、产业从业人数、产业固定资产投资额作为投入指标,选取产业的生产总值(GDP)为产出指标,运用超效率DEA模型对山西省三个产业的效率进行了综合分析,得到三个产业效率的高低以及指标的冗余数量。最后基于实证结果的基础上提出相关建议。
DEA超效率模型 篇10
国外对技术创新效率的研究起步较早,随后从理论研究转向应用研究,但采用DEA方法进行效率研究的不多。ShekharJayanthi和VikramSingh采用DEA方法对美国光伏产业的技术创新效率进行测算和行业分析[1]。AkihiroandShoko对日本医药企业在行业技术创新效率方面进行测度和研究[2]。近年来,技术创新效率在区域层面的研究成果颇丰,学者们的研究主要基于历年省际数据,应用不同的效率测度方法,对各省区的创新效率值进行测算、评价与比较[3]。汪文生等利用DEA模型对我国煤炭行业技术创新效率的有效性进行对比分析[4]。王奇珍等利用DEA法中的CCR和BCC模型测算了东部沿海省份技术创新 效率水平[5]。严惠斌 等利用DEA—Malmquist指数法对我国各省大中型工业企业的技术创新效率进行 分析测度[6]。王锐淇采 用SFA和DEA—Malmquist方法对影响我国区域技术创新效率的因素进行分析研究[7]。
以往,关于技术创新效率的研究主要集中在对某个地区或行业的综合效率的分析和对投入、产出总量的调整上,忽视了对经济发展水平相近的区域间的差异性研究,缺乏研究的系统性和完整性。近几年逐渐开始利用Malmquist指数法对综合效率分解形成的技术效率、规模效率进行深入研究。
本文选取1998—2012年我国中部及周边地区投入与产出的面板数据作为研究对象,基于超效率DEA模型和DEA—Malmquist指数法,从静态和动态两方面测度区域技术创新综合效率和分解效率,寻求山西技术创新效率变化的症结所在,为山西进一步发展综合改革试验区提供可靠的经验依据与决策参考。
1研究方法和指标的选取
1.1研究方法
超效率DEA模型,是运用超效率DEA模型在静态层面上测度一定时期内多个决策单元技术创新综合效率的有效方法。超效率DEA模型可区分出有效决策单元的效率值差异,并将所评价的决策单元进行有效的排序。对于传统DEA有效(效率值等于1)的决策单元,超效率DEA模型会将其生产前沿面进行重新测算,使测算得到的效率值大于CCR模型的效率值;对于传统DEA无效(效率值小于1)的决策单元,其生产前沿面不变,测算结果与CCR模型相同。其表达式为:
其中,θ为决策单元的DMUj0的有效值;n为决策单元数量;Xj为DMUj的投入要素 集合;Yj为DMUj 的产出要素集合;λj为相对于DMUj0重新构造的有效DMU组合中第j个决策单元DMUj的组合比例:s- 和s+ 为松弛向 量;X0和Y0分别表示DMUj0 的投入向量和产出向量。λj(j=1,2,...,n)为规划决策变量。
DEA—Malmquist指数法是用于测度一定时间跨度内多个决策单元生产效率的演变过程的方法,是Fareetal.在融合了Farrell对效率的 测度方法 和Cavesetal.对全要素生产效率测度方法的基础上衍生出的一种用于研究生产效率变化的测度方法。在计算区域系统效率的同时能够分解系统内部各结构的效率水平,进而更好的剖析非有效决策单元,为改进决策单元的 经营绩效 提供充分、有 效的信息 支撑[8]。为了消除时间跨度在指标选取上的随意性对研究结果产生的差异,本文利用从t时期到s时期生产效率变化指数Malmquist的几何平均值构建模型:
其中,dto(xs,ys )和dto(xs,ys )分别是以t期为参考技术,考察t期、s期的决策 单元距离 函数;dso(xs,ys )和dso(xt,yt )分别是s期为技术 参考值,考察t期、s期的决策单元距离函数。将上式进一步分解为:
技术效率变动指数
技术进步指数
当Malmquist指数大于1,则决策单元距离生产前沿面的距离缩小,意味着技术创新效率较上期水平有所上升;当Malmquist指数小于1,则决策单元距离生产前沿面距离扩大,意味着技术创新效率有下降趋势。
1.2指标选取
国外学者Banker和Cooper研究认为:只有当决策单元(DMU)的个数是投入属性和产出属性之和的两倍以上,DEA测度效率水平才会相对精确[9]。决策单元个数越多,越能有效的掌握形成的效率边界,越能得到投入与产出指标的效率关系。因此本文综合考虑数据包络分析法的使用要求和相关数据选取对问题分析解释的全面性,提出采用主成分分析法基础上的超效率DEA和DEA—Malmquist生产率指数法。
在分析研究相关文献的基础上,从全面反映区域技术创新效率水平的角度出发,本文采用纵向15年,横向覆盖9省的面板数据作为 测量样本,从33个原始指标中 通过相关 性分析筛 选出20个指标(10个投入指标和10个产出指标)构建综合评价技术创新效率的指标体系。通过 统计软件SPSS17.0的主成分分析法分别对原始指标体系中投入、产出变量进行降维处 理,由于决策 单元为9个,则需要从投入指标与 产出指标 中分别提 取2个主成分 因子作为问题分析 的输入变 量和输出 变量。由于 本文采用的是大样本量,因此忽略产出变量时滞性对观测结果的影响,为了保证问题分析的一致性和延续性,在后续两种 方法的分 析过程中,引入的变 量都是相同的。
在对数据做降维处理之前,利用spss17.0对上述两组指标进行相关性检验得到,投入指标的Bartlett球形检验的P值为0.000,KMO测度值的检验结果为:0.870,表明原始投入观测量适合做主成分分析。对10个投入指 标提取两 个主要因 子,得到的累计方差贡献率为85.858%,说明利用2个投入因子解释以上10个投入指 标,只丢失了14.142%的信息。
数据来源于《中国科技统计年鉴》(1998-2012)、《中国统计年鉴》(1998-2012)
产出指标的Bartlett球形检验的P值为0.000,KMO测度值的检验结果是:0.755,表明原始产出观测量适合做主成分分析。对产出10个指标提取两个主要因子,得到的累计方差贡献率为83.368,说明利用2个产出因子解释以上10个产出指标,只丢失了16.632%的信息。
利用统计软件spss17.0中Thomson回归估计法,将主要因子变量表示为原有变量的线性组合表达式,即:
其中,βjp和αiq分别表示投入变量和产出变量对各因子的权数,Ip和Oq分别表示原始投入和产出变量标准化后所得的指标值。
由于提取主要因子的过程中出现了负值,因此在使用软件DEA和EMS进行数据分析之前,需对所提取的投入、产出主成分变量做转为正值处理,以达到良好的指标分析效果。转正后的各项主要因子得分全部为正值,均分布在0.1到1之间,采用的转正公式为:
其中,X为提取的主成分变量值,Xmin和Xmax分别为投入、产出主成 分变量中 的最小值 和最大值;X*为转正处理后的主成分变量值。
2实证分析
2.1基于超效率 DEA模型的静态综合效率分析
将山西及周边省份共9省作为决策单元,采用1998—2012年15年转正后的投入变量和产出变量作为评价指标,运用超效率软件EMS1.3对历年各地区的技术创新效率水平进行分析,进而通过对技术创新效率算术平均值的计算,得到效率综合排名,如下。
依表2结果,从横向角度来看,9省15年的技术创新效率的算术平均值均没有达到1,效率值分布在0.73~0.987之间,表明技术创新活动都处于生产前沿面以下,即综合效率没有发挥到最佳水平,说明中部及周边省份在技术创新效率水平方面的提升空间还很大。但综合各省历年的效率水平来看,总体处于平稳上升的态势,1998年各省的效率水平基本持平,到2012年省份间逐步展现出差距。9省中,综合技术创新效率排名第一的是陕西,山西则排在9省中的最后一位,两省平均效率值相差25.7个百分点。内蒙古作为中部地区技术创新能力水平最低的省份在综合效率方面排名第三,说明区域技术创新效率水平与其经济发展状况甚至创新投入水平不一定呈正相关关系。超效率DEA模型得到的是各省创新资源投入与产出成果的比例结果,是一组静态效率值,不具有环比性。
从时间序列上来看,自1998至2012年期间,一些省份效率水平在增减交替变化中呈现逐渐上升趋势,如:陕西在2005年效率水平超出技术前沿面,达到144.8%;内蒙古在2004年效率值为166.4%达到15年内的最高水平,而山西和河南历年的技术创新效率水平始终处于生产前沿面之下。山西的技术创新效率指数在0.675~0.812之间徘徊,说明在效率水平方面没有明显 增长趋势。通 过对超效 率DEA模型结果的分析,突破了因效率值为1的瓶颈,了解到山西在9省中所处 的效率水 平,为DEA—Malmquist生产率指数分析做出铺垫。
2.2基于 DEA—Malmquist生产率指数分析
为了进一步分析中部及周边省份技术创新绩效动态变化过程,本文运用软件Deap2.1输出导向型模型,采用上述相同投入、产出变量对1998—2012年间9省技术创新效率的Malmquist指数及其分解项目进行测算和分析。
2.2.1时间序列对比分析
由表4结果可以看出,从1998年至2012年,各省份的Malmquist指数基本保持在一个比较平稳的状态,年平均全要素增长率为 -2.1%,其中2007—2008年tfpch处于上升 趋势,上升幅度 最大,达到48.5%,除此之外1998—1999年、2000—2002年、2003—2005年也呈现不同程度的小幅增长态势。自2008—2012年tfpch处于持续 下降趋势,其中2008—2009年下降幅度最大,达到10.5%。说明在这15年间区域的技术创新绩效始终处于不断波动之中。从整个连续年度来看,中部及周边省份技术创新效率整体出现了些许退步。观察其分解项发现:年平均技术进步指数为0.976,下降了2.4%,因此全要素生产率不高是由技术进步指数下降所引起的。2008年,技术进步指数和全要素生产率同时达到15年内的峰值,在整个考察期内,技术进步指数与全要素生产率的变化幅度几乎完全一致,说明科技创新和进步在9省的技术创新过程中起着至关重要的作用,而两者在算术平均值方面相差的0.3%,则是年均纯技术效率指数100.1%和规模效率指数100.2%共同作用的结果。
横向观察全要素生产率的两大分解 项得到,技术效率指数多年来 始终围绕1上下波动 且波动幅度不大,2011年略显上扬。说明9省在技术创新管理方面没有发挥更大的作用,在提倡经济转型发展的大环境下,企业及政府相关管理部门并没有作出相对积极的反应;在低于技术创新的生产前沿面水平的状态下,各省向前沿面移动和追赶的技术效率并不显著。
2.2.2省份面板对比分析
由表4中Malmquist指数的各分解项可以看出,除技术进步指数的算术平均值为0.976以外,其他项目的算术平均值均大于1。纵观各省的技术效率指数项,仅有河南和陕西两省略低于1,意味着这两省的技术创新活动是无效的且在创新活动生产可能性边界内部。从中部及周边各省的整体状况来看,对区域的技术效率指数平均水平没有造成太大影响,说明各决策单元在技术创新活动的效率方面呈现“空间追赶效应”,与东部地区的差距存在缩小的可能性。考虑各决策单元的年平均全要素生产率,从表4可以看出15年间Malmquist指数均没有达到平均水平1,始终在0.963至0.995之间徘徊,即,区域内部各省创新效率的提升效果并不显著。9省中,陕西省的全要素生产率最大为0.995,河北省全要素生产率最小为0.963,两省的Malmquist指数相差了3.2%,主要原因在于河 北的技术 进步指数 相比较陕 西低了4.6%。说明在推动区域技术创新的过程中,中部区域内各省的技术创新能力和对创新资源的利用率还有待提高,所采用的创新模式还有待改善。
山西的全要素生产率为0.968,其中技术效率指数为1,是由纯技术效率指数和规模效率指数均为1共同作用形成的。说明山西在对改进本省技术创新的管理水平和科技创新的发展规模两方面同上期相比没有明显成效,整体水平基本保持不变,还需要进一步采取措施提高组织管理水平,优化产业结构。而造成全要素生产率水平降低了3.2个百分点的原因同样在于技术进步指数,说明生产技术水平呈现衰退趋势。
2.3基于 Malmquist生产率指数及其分解项的动态效率分析
影响区域内技术创新效率的各要素在不同时期都有不同的表现方式和组合关系,研究创新效率大小并不仅限于科技创造能力本身,还要考虑资源环境承载能力,利用能力,以及相应的组织管理能力等。本文在利用Malmquist生产率指数法分析区域技术创新效率问题的过程中,假定评价技术效率变化的前提是规模效率不变和市场处于完全竞争状态,因而技术效率变化又被视为纯技术效率和规模效率的乘积。如此看来,研究全要素生产率变动可以从技术进步指数、纯技术效率指数和规模效率指数三者的变化上入手。
2.3.1Malmquist生产率指数变化分析
观察9省在样本期内全要素生产率指数平均值得到,从1998—2005年,全要素生产率指数围绕1上下震荡且幅度不大,此后2005—2007年Malmquist指数以直线速度下滑,2007年跌落至最低点0.757,2008年又大幅上扬,Malmquist指数增长了48.5%。
山西的全要素生产率指数在样本期内的波动幅度与平均水平基本一致,15年间始终处于9省的中下游水平,2011年Malmquist指数为0.736,排名第9。为考察区域内Malmquist指数平均值做出最大贡献的是湖北省,2008年Malmquist指数为2.314,增长了131.4%,远超出了9省平均水平。江西和陕西两省的整体波动情况与平均状况出入较大,江西在2007年达到了本省的峰值为1.594;陕西在2005年达到峰值为1.688。9省中内蒙古的Malmquist指数变化相对平稳,整体围绕1呈现稳步小幅增长趋势,在2011年达到9省生产率指数最高值1.127。
技术创新效率变动差异从一定程度上反映了中部及周边地区产业创新发展与地区特征和资源禀赋的高度相关性[10]。中部地区 由于经济 基础相对 薄弱、产业结构不完善、创新型产业规模小、人才和资金匮乏、相关政策措施不健全等问题,在一定程度上制约了技术创新效率的提高。
2.3.2技术进步指数(Tch )变化分析
技术进步指数是用来衡量技术生产过程中技术改良或再创造的能力的指标,其中包括对新技术的利用或新产品的发明、创新产业效率的提高、产品生产过程的专业化分工以及向生产前沿面移动的速度等方面内容[11]。当Tch>1,表示从t期到t+1期技术生产前沿面朝有利方向移动,出现技术进步,创新活动有利于技术进步;当Tch =1,表示从t期到t+1期技术生产前沿面未发生明显改变,技术进步不显著,无法判断创新活动对技术进步的影响;Tch<1,表示从t期到t+1期技术生产前沿面朝不利方向移动,出现技术退步,创新活动不利于技术进步[12]。
依表6可知,样本期内9省技术进步指数的平均水平整体处于震荡中缓慢发展的状态,走势和起伏年份与全要素生产率指数大体一致且各年都略高一些,说明技术进步在长期促进创新效率增长的过程中起着十分重要的作用,技术进步的贡献弥补了技术创新效率下降的幅度。从1998—2011年,技术进步指数在0.746至1.501之间增减变动,15年间大于(或等于)1的年份仅有4个,最高增长率为50.1%,2004—2005年增长了1.3%,大部分年份都在0.95上下浮动,表明创新活动不利于技术进步和发展。由此看来,如何通过技术进步提高创新活动的技术效率是区域内亟待解决的重要问题。
9省中技术进步指数下降最小的是陕西,平均技术进步指数为0.995,下降了0.5%;其次是湖南,技术进步指数为0.991。河北和山 西位居倒 数一、二位,其中山西的技术进步指数低于平均水平0.7%。
2.3.3纯技术效率指数(Pech )变化分析
纯技术效率指数作为长期经济增长来源的一个组成部分,是用来衡量除去所有有形生产要素以外的纯技术进步所带来的生产率增长,又被称作非具体化的技术进步,包括知识,教育,技术培训,创新手段、组织管理等方面。当pech >1,表明从t期到t+1期技术效率有所提高,技术创新和管理方式有利于创新效率提高;当pech =1,表明从t期到t+1期技术效率没有显著变化,技术创新和管理方法对创新效率作业不明显;当pech <1,表明从t期到t+1期技术效率有所衰退,技术创新和管理方式不利于创新效率的提高。
由表7可以看出,纯技术效 率从1998年到2012年间一直处于小幅增减交替变化的状态,波动范围在0.979到1.04之间。2008年指数达 到最大,即1.04,此后至2012年呈现持 续下降的 趋势。9省在整个 样本期内 的平均纯 技术效率 水平为1.001,增长了0.1%,说明创新手 段和组织 管理水平对区域技术 创新的发 展在一定 程度上起 到了推动作用,但从纯技 术效率增 长幅度不 大方面考 虑,说明管理水平和创新过程中的技术手段不够先进,需要进一步完善。
观察各省纯技术效率指数得到,陕西和河北两省15年来发展水平最为平稳,几乎与指数值1平行延伸,近几年在整体水平出现些许下滑的大环境下,河北的纯技术效率指数反而有缓慢上升的趋势。波动幅度较大省份依次是山西、安 徽和江西,其中山西 省排名第 一,1998—2002年、2004—2007年山西的纯技术效率指数基本保持稳定,2008—2012年效率指数出现直线下降的现象。山西省也是9省中纯技术效率指数在2012年下降幅度最大的省份,拉低了区域技术进步的平均水平。
2.3.4规模效率指数(Sech )变化分析
规模效率指数作为影响技术效率的重要因素之一,反映了通过对不同类型创新资源的优化配置和对产业结构的调整所引起的区域技术创新水平的变化大小。当sec>1,表明相对于t期,t+1期更接近固定规模报酬,规模效率有所提高;当sec=1,表明t期与t+1期规模报酬没有明显变化;当sec<1,表明相对于t期,t+1期更远离固定规模报酬,规模效率有所下降。
由表8可知,规模效率指数总体呈小幅上下波动式的上升趋势,大多数年份指数变化都在1以上,各省多年来平均指 数为1.002,说明规模 效率有所 提高,技术创新规模处于良好的状态。2007—2008年下滑至0.951,此后两年以几乎直线上升的速度达到了15年中最大值1.02。
观察各地区规模指数变化,1998—2006年9省均处于十分平稳的增长状态当中,2007—2012年各省指数变化呈现多样化。其中河南、安徽和山西三省历年的指数变化走势和总体情况几乎一致,同样在2007—2008年出现了15年中的下降幅度的最大值,其余各省规模效率在2007—2008年都有不同程度的提高,相同时期区域内规模效率指数增长的省份以及增长的幅度都大于下降的省份和下降幅度,因此,总体呈现出增长趋势。说明在样本期内各地区调整资源配置、扩大生产规模等行为有利于提高规模效率,进而推动了技术效率指数的增长。
3结论及意见
技术创新效率是由具体化科技资源投入(科技人员、资金和相关设备物资等)和非具体化科技资源投入(组织管理体制、技术资源配置体制和产业结构协调体制等)两方面共同推动的综合结果[13]。技术创新效率的提高则需要两种科技投入协调发展,当一方投入起到促进发展的作用,另一方却起了束缚发展作用,那么总体技术效率增长就不可能达到理想状态。因此,我省应在千方百计加大具体化科技资源投入的同时,设法构建与之相适应的非具体化科技资源,使技术进步与技术效率双向发展从而共同推动地区技术创新效率的增长。
从分析结果可以看出,山西省的技术创新效率总体呈现平稳略显上扬的态势,期间也有波动的迹象。作为技术创新效率的两大源动力,技术效率成为促进技术创新效率增长的主要动力;技术进步的下降对技术创新效率的增长起到了减缓作用,说明具体化资源投入存在问题。面对双方资源投入不匹配的问题,需从两方面着手:一方面进一步改革和完善创新体制,另一方面从切实的推动地区技术进步出发,提高山西技术创新效率。
基于DEA—Malmquist指数的实 证研究结 果,本文提出以下政策建议:
1)技术进步方面,作为拉低山西省技术创新效率水平的主要原因,首要任务是正视自身技术创新效率低下的事实,稳步提高技术进步指数。首先,加大技术引进力度,充分借鉴发达地区先进技术及其科技产业的增长模式,提高自身在科技创新过程中对先进技术的运用能力;其次,由政府出面,加强中部及周边省份间高新技术产业对技术发展、政策制定、组织管理及人才和物资配备等方面的交流与合作,形成区域技术创新的产业集群效应,实现人才、物资等具体化科技资源的自由流动,使省际创新资源形成优势互补,促进省际技术创新效率共同提高。再次,从科研经费、技术人才、研究人员薪金和优惠政策等方面加大政府对高技术产业的扶持力度。鼓励各种规模及形式的高技术企业积极参与技术创新,创造良好的市场竞争环境。