网络DEA（精选12篇）
网络DEA 篇1
1 引言
区域创新网络是指由地方行为主体企业、大学、科研院所、地方政府等组织及其个人之间在长期正式或非正式的合作与交流关系的基础上所形成的相对稳定的系统 (王缉慈, 1999) [1]。区域创新网络的建立和完善, 有利于增强区域技术创新能力, 提高企业自主创新能力, 推动当地的经济和社会发展。近年来, 广东省高度重视区域创新网络建设, 在打通产学研互动通道、构建工业技术创新体系、搭建知识创新平台以及建立技术创新服务网络等方面做了大量的工作, 区域创新网络的体系框架已初步形成[2]。经过几年努力, 广东省现已成为全国企业技术创新能力最强的地区之一, 企业创新能力、大中型企业的R&D投入、综合区域创新能力等指标均居全国前列。但同时应引起重视的是, 综合得分广东与位居第一、第二的北京和上海相比还有不小差距, 与位居第四的江苏相比, 也不再有太大优势;同时反映科技综合实力可持续性的知识创造和企业创新能力得分也大大低于京、沪, 甚至不如江苏。在此背景下, 提升广东省各地区创新体系的运行效率对于提高企业自主创新能力、促进区域经济发展显得尤为重要。但由于区域创新体系本身是多投入多产出的复杂系统, 对于区域创新网络创新效率的评价较为困难。本文运用数据包络分析的理论和方法, 通过对具有多输入多输出指标的同类主体间的相对有效性比较, 对广东省的区域创新网络进行实证分析, 并以此为依据提出促进广东省区域创新网络发展的政策建议。
2 数据包络分析 (DEA) 的概述
数据包络分析 (Data Envelopment Analysis, DEA) [3]是美国著名运筹学家查恩斯 (A Charnes) 、库伯 (W Cooper) 和罗兹 (E Rhodes) 等于1978年首先提出的评价具有多个输入和多个输出的决策单元相对有效性的方法。该方法主要是通过保持决策单元 (DMU) 的输入或输出不变, 借助于数学规划将DMU投影到DEA前沿面上, 并通过比较决策单元偏离DEA前沿面的程度来评价它们的相对有效性。与传统的绩效评价方法相比, 该方法无需对评价指标赋予权重, 而仅仅假定由评价DMU输入输出指标组成的状态可能集所满足的凸性、无效性以及最小性。由于该方法采用多指标输入/输出来评估创新绩效, 因此有效地避开了其他方法的主观人为性及评估指标单一性的缺点。
DEA方法的一般模型是:记Xj= (xij, ..., xmj) T, Yj= (yij, ..., ymj) T, j=1, 2, ..., n, 其中, xij为第j个决策单元对第i种类型输入的投入量;yrj为第j个决策单元对第r种类型输出的产出量, 可用 (xj, yj) 表示第j个决策单元DMUj。对应于权系数v= (v1, ..., vm) T, u= (u1, ..., us) T, 每个决策单元都有相应的效率评价指标hj= uTYj/ vTXj, 可以适当的选择权系数v和u, 使其满足hj≤1。对第j0个决策单元进行效率评价时, 简记DMUj0为DMU0, (xj0, yj0) 为 (x0, y0) , hj0为h0, 1≤j0≤n。在决策单元的效率评价指标均不超过1的条件下, 选择权系数v和u, 使h0最大。对于某个选定的DMU0, 判断其有效性的C2R模型对偶规划可以表示为:
模型 (1) 中, s+与s-为松弛变量, 规划问题 (P) 的最优解为θ*、λ*j、s-*、s+*。
(1) 综合效率。
若θ*=1, 则称DMU0为弱DEA有效;若θ*=1, 且s-*=s+*=0, 则DMU0为DEA有效。当θ*<1, 则DMU0为DEA无效。
(2) 技术有效性。
技术效率表示创新网络与同一规模的最大产出下最小的要素投入成本, 可衡量在投入导向下综合效率有多少是由技术无效率所造成。如果s-=s+=0, 则所对应的生产活动从技术角度看, 资源获得了充分利用, 投入要素达到最佳组合, 取得了最大的产出效果, 称其为技术有效;否则称技术无效。
(3) 规模有效性。
规模效率表示企业在最大产出下综合效率的生产边界的投入量与最佳规模下的投入量的比值, 可以衡量在产出导向下企业是否处于最佳生产规模。若∑λj*<1, 规模收益递增;若∑λj* >1, 规模收益递减。
3 区域创新网络创新绩效评价的指标体系设计
区域创新网络是由结点及其结点之间的联结关系构成。其基本结点包括企业、大学及科研院所、中介服务机构及政府等要素。区域创新网络结点间的联结关系是针对网络组织的整体架构、以不同结点间的互动合作与协同进化为导向, 旨在凭借政府、高校、科研院所等相关主体要素的联结, 发挥异质技术、信息、资源、管理经验的互补和乘数效果。从结点间的长期互动合作角度出发, 区域创新网络结点间的联结关系主要包括信息和技术联结、项目合作联结和人员流动联结三大类。其中, 信息和技术联结是区域创新网络技术进步的动力机制和创新网络各主体间技术链接的发生机制。技术和信息的链接过程同时也是技术的扩散与创新过程。区域创新网络对于各结点的技术链接具有独特的优势[4]。由于地理的接近性和产业相关性, 使得创新网络内企业在技术上关联性较强。而技术又是由众多技术因子组成的, 各技术因子并不是同步发展的, 它们间必然存在着技术势差。由于技术内部各因子的关联性和群体技术的关联性, 当某一技术因子发生变化时, 必然相应地使另一技术因子发生变化, 从而产生多米诺骨牌一样的连锁效应。项目合作联结是结点之间的联结渠道和信任机制。网络中结点间的项目合作越频繁、合作越广泛, 它们之间的联结就越紧密。在区域创新网络形成过程中, 企业通过与其他主体的项目合作联结, 可以促进企业和科研机构间、企业间的相互了解, 建立信任, 并建立起相应的利益分配机制。人员流动联结是区域创新网络的发展和形成机制。人员本身作为技术和商业信息的载体, 从一个单位向另一个单位流动会产生一系列的信息交换, 这对于促进企业的技术创新会产生积极的作用。
企业作为区域创新网络的主体结点, 通过信息技术联结、项目合作联结、人员流动联结等形式, 实现了与大学、科研院所、中介机构和政府等其他结点的互动, 从而构建了区域创新网络。通过网络效益, 企业进一步实现了新产品数量、销售收入和利润等技术创新绩效的增长。基于此, 本文给出相应的区域创新网络创新效率评价指标体系, 如表1。
4 基于DEA的区域创新网络创新效率评价——以广东省为例
4.1 评价对象及数据来源
近年来, 广东省高度重视区域创新网络建设, 在打通产学研互动通道、构建工业技术创新体系、搭建知识创新平台以及建立技术创新服务网络等方面做了大量的工作, 区域创新网络的体系框架已初步形成[5]。经过几年努力, 广东省现已成为全国企业技术创新能力最强的地区之一, 企业创新能力、大中型企业的R&D投入、综合区域创新能力等指标均居全国前列。至2007年底, 全省已组建182家省级企业技术中心, 这批技术中心所依托的企业总产值占全省工业总产值的20%以上, 成为广东省区域创新网络的核心。由此, 本文选择广东省目前已批准成立的182家省级企业技术中心为研究对象, 运用DEA模型和方法分行业评价其在各自创新网络内部与大学、科研院所、中介机构和政府的网络联结关系。在进行DEA模型计算时, 考虑到数据的可比性问题, 本文首先对数据进行了指数化处理, 以指标的最大值和最小值的差距进行数学计算, 其结果介于0-1之间。具体计算公式如下:
其中:zi为指标的标准分数, xi为某指标的指标值, xmax为某指标的最大值, xmin为某指标的最小值。
经过上述标准化处理, 原始数据均转换为无量纲化指标测评值, 即各指标值都处于同一个数量级别上。经标准化处理之后的DEA数据结构模型如表2。
4.2 综合效率评价
根据表2, 应用LINDO软件求解, 可得出不同行业创新网络联结的综合创新效率评价值, 如表3。在评价的16个行业中, 除冶金行业的DEA (C2R) 有效外, 其它行业均为DEA (C2R) 无效, 其综合效率平均值为0.609298, 说明广东省区域创新网络联结的投入有近40%的资源被浪费掉, 而未对产出有任何效率或贡献。
DEA (C2R) 无效的15个行业中, 创新联结转化效率的综合效率较低的有医药行业、有色行业和其它行业, 其中又以医药行业的创新综合效率最低, 综合效率有效性系数仅为0.298826。分析广东省区域创新网络创新效率较低的原因, 主要有以下几点:一是广东省区域创新网络的建设尚属于起步阶段, 网络内各结点的合作层次较低、规模较小。二是企业单纯引进技术或生产线, 而忽视对企业技术开发人员的培养和高素质人才的引进。三是产学研合作项目主要是技术转让、委托开发的形式, 基本上是学校和院所出人才和技术, 企业出课题和资金, 而如共建研究开发机构、实验室、研发基地、战略联盟等全方位、高层次的合作还较少。四是区域创新网络内结点间的合作还主要局限在企业与高校、科研院所在项目上的“点对点”合作, 高校之间、研究机构之间、企业之间的合作规模比较小。同时中介机构如工商团体、融资机构以及有关政府部门的服务意识、介入意识还比较差, 网络化区域合作体系还远远未能形成。
4.3 技术效率和规模效益评价
为识别和分析导致非DEA (C2R) 有效的深层原因, 本文通过求解DEA (C2GS2[6]) 模型, 分析了广东省各行业创新网络投入与产出的技术有效性和规模效率, 并对其进行了简单的区分与归类:
(1) 技术有效、规模有效。这一类的行业仅有冶金行业1个。该行业位于有效前沿面上, 创新投入的规模和结构相对于其它行业的来说是最佳的, 创新投入的转换效率也很高。
(2) 技术有效、规模无效。这一类的行业有船舶、电器、建材、农业、轻工I、有色和综合等7个。这些行业的区域创新网络具有较强的科研与科技转化能力, 创新效率较高, 当产出一定时, 其相应的投入已经不能再少。但其投入规模上未达到合理水平。其中, 电器、有色和综合行业的规模收益为递增, 船舶、建材、农业和轻工I行业的规模收益为递减。
(3) 技术无效、规模无效。这一类的行业包含电子、纺织、化工、机械、轻工II、石化、医药和其它等8个行业。这些行业在创新的投入规模与转化效率上均存在有较大改进的余地, 需要在快速提高技术创新绩效, 大力推动科技成果转化的同时, 合理调整创新投入的整体规模, 向生产前沿面上的规模效益最佳点靠近。
5 结论及启示
通过DEA方法的实证研究, 可以发现广东省的区域创新网络尚处于建设阶段, 区域创新网络的创新效率不高。要使得区域创新网络真正促进企业发展, 广东省要进行有效创新, 需进一步加大创新投入, 调整创新资源的投入产出结构, 提高资源的利用效率。针对本文的实证分析, 广东省应重点加强以下两个方面的工作:
一是强化制度建设, 提高区域创新网络创新投入与产出的转化效率。本文实证研究表明, 区域创新网络创新投入与产出的转化效率低下是导致广东省区域创新网络创新效率低下的根本原因。而掌握创新方法, 从而提高创新的效率和速度是增强区域自主创新能力、实现跨越式发展的捷径。政府应重视和培育本地企业之间的网络化联系, 培育网络组织意识, 优化区域创新环境。创新是一个集体化的过程。本地企业之间的隔绝和相互不信任, 会大大降低竞争的有效性和合作创新的可能性。面对外部竞争常常会感到孤立无援, 尤其是对不正当竞争, 如低价倾销、以次充好、冒牌等。为此, 政府可以帮助企业寻找它们的一些共同兴趣和要求, 定期或不定期地召开一些座谈会、展览会, 打破企业界限;建立一些民间的文化活动组织, 提供一些共同活动场所, 从而鼓励企业间以及企业与机构间相互合作。加强本地企业网络化联系, 形成自组织企业群。维护本地企业之间健康的竞争合作, 逐步形成本地化创新网络, 提高本地企业竞争能力和自主创新能力。
二是提升区域创新网络内各结点的合作层次和规模。目前, 广东省区域创新网络内结点间的合作还主要局限在企业与高校、科研院所在项目上的“点对点”合作, 高校之间、研究机构之间、企业之间的合作规模比较小。产学研合作项目也主要是技术转让、委托开发的形式, 基本上是学校和院所出人才和技术, 企业出课题和资金, 而缺乏如共建研究开发机构、实验室、研发基地、战略联盟等全方位、高层次的合作。广东省的区域创新网络建设, 可以省部产学研战略联盟为载体, 将部属高校优势科技资源系统地注入广东支柱产业、新兴产业的发展过程中, 变个别的合作为整体的活动, 变分散的合作为集中的合作, 变间断的合作为经常性的合作, 加速部属高校科技成果的转化和产业化, 提升广东产业的自主创新能力和核心竞争力。
摘要：在对区域创新网络进行结构性分析的基础上, 研究探讨了区域创新网络的主要结点及其相互联结关系, 提出了基于区域创新网络结构的效率评价指标体系, 并以广东省为研究对象, 运用数据包络分析方法, 对广东省区域创新网络的创新效率进行了评价, 并提出了相应的政策建议。
关键词：区域创新网络,创新绩效,数据包络分析
参考文献
[1]盖文启.创新网络[M].北京:北京大学出版社, 2003.
[2]王学力.广东工业技术创新状况实证研究[J].科学学与科学技术管理, 2005 (4) :71-75.
[3]CHARNES A, COOPER WW, PHODES E.Measuring the Efficiencyof Decision Making Units[J].European Journal of Operational Re-search, 1978 (2) :429-444.
[4]池仁勇.区域中小企业创新网络评价与构建研究:理论与实证[D].2005.
[5]王学力.广东工业技术创新状况实证研究[J].科学学与科学技术管理, 2005 (4) :71-75.
[6]CHARNES A, COOPER W W, GOLARY B, SEIFORD L M, STUTZJ.Foundation of Data Envelopment Analysis for Pareto-koopmans Ef-ficient Empirical Production Functions[J].Journal of Econometrics (Netherland) , 1985, 30 (1/2) :91-107.
网络DEA 篇2
多阶段混联生产系统的DEA效率评价
摘要：将并联系统DEA效率评价模型与两阶段串联系统DEA效率评价模型延伸至多阶段混联结构生产系统,提出了针对多阶段混联生产系统的DEA效率评价模型,并将其转化为线性规划求解.与传统CCR模型相比较,该模型能更好地反映多阶段混联结构生产系统的前沿生产能力,能更合理地评价混联结构生产系统的技术效率.通过算例分析证明了这种效率评价模型的`合理性. 作者： 夏琼[1] 杨锋[1] 梁[1] 吴华清[2] Author： XIA Qiong[1] YANG Feng[1] LIANG Liang[1] WU Hua-qing[2] 作者单位： 中国科学技术大学,管理学院,合肥,230026合肥工业大学,人文经济学院,合肥,230009 期 刊： 系统工程理论与实践 ISTICEIPKUCSSCI Journal： SYSTEMS ENGINEERING ―THEORY & PRACTICE 年，卷(期)： 2011, 31(2) 分类号： N945.16 关键词： 数据包络分析 多阶段 混联 生产系统 效率评价 机标分类号： C93 O1 机标关键词： 多阶段 生产系统 DEA效率评价 production systems efficiency evaluation 效率评价模型 混联结构 线性规划求解 生产能力 技术效率 分析证明 串联系统 并联系统 CCR模型 两阶段 合理性 基金项目： 国家自然科学基金创新研究群体科学基金，国家自然科学基金，中国科学技术大学青年科学基金 多阶段混联生产系统的DEA效率评价[期刊论文] 系统工程理论与实践 --2011, 31(2)夏琼 杨锋 梁 吴华清将并联系统DEA效率评价模型与两阶段串联系统DEA效率评价模型延伸至多阶段混联结构生产系统,提出了针对多阶段混联生产系统的DEA效率评价模型,并将其转化为线性规划求解.与传统CCR模型相比较,该模型能更好地反映多阶段混...非期望产出的DEA效率评价 篇3
关键词 数据包络分析；非期望产出；相对效率
中图分类号 F224.31 文献标识码 A
Efficiency Measure of Undesirable Outputs in DEA
XU Ping ，SUN Yuhua
（School of Mathematics and Physics， University of science and technology Beijing， Beijing 100083，China）
Abstract This paper regards the undesirable outputs as inputs so that the traditional DEA models can be used. Through it the undesirable output efficiency evaluation activities can be resolved.We established the radial and nonradial inputoriented DEA models based on the production possibility set in which the undesirable outputs were indirectly introduced.Then， we give the proofs for the efficiency value size and equivalence of the relative effeciency of two kinds of DEA models.Finally ， It can be concluded that nonradial DEA model is more accurate quantitative evaluation of efficiency than radial DEA model through the above proofs.
Key words data envelopment analysis（DEA）；undesirable outputs；relative efficiency
1 引 言
数据包络分析（Data envelopment analysis，简称DEA）是用来评价一组多输入多输出决策单元（Decision Making Units，DMUs）之间的相对效率的数学规划方法.在DEA输入（输出）导向模型中，输入减少的百分比（输出增加的百分比）一般是比较清楚的，为改善评价非有效DMU的效率提供了方向[1].1978年， Charnes等[2]引入第一个DEA模型—CCR模型，经过30多年的发展， DEA已经成为运筹学、管理科学、系统科学交叉研究的一个新的领域，并在这些领域得到广泛地应用[3].
传统的DEA模型，要求投入的越少、输出的越多越好，但实际生产中除了获得期望的输出物，有时不可避免地有非期望产物的产出[4，5].例如在一个造纸厂中，造纸过程不可避免地产出的废水、废气等称之为非期望产出.在对决策单元进行效率评价时若忽略这些因素的存在，仅仅要求期望产出越多越好显然是不合理的.这就需要重新建立具有非期望产出的DEA模型.国内外一些学者对非期望产出的效率评价进行了研究，目前处理非期望产出的方法有曲线测度法、方向距离函数法、线性转换函数法、污染物投入法等.1989年，Fre等[6]提出用于环境效率评价的曲线测度法，该方法是一种非线性规划方法，在求解上比较繁琐.1997年， Chuang等[7]在DEA模型中引入了方向距离函数法，通过设定固定的方向，决策单元可以在设定的方向上达到期望产出增加，非期望产出减少的要求.Seiford和Zhu[8]于2002年提出线性转换函数法，通过转换将非期望产出转换为期望产出，满足了传统DEA模型求解决策单元效率的情形.但是，方向距离函数法和线性转换法加入了决策者的主观判断，与DEA的客观性不符.文献[9]将非期望产出作为投入，在维持输出不减少的前提下，使投入和非期望的产出越少越好，但是该模型的缺点是要求投入和非期望输出的扩大或减小的倍数相同，在实际应用中具有一定的限制性.
本文在前人的基础了做了改进，将非期望产出作为投入，在期望产出不减少的前提下，提出了基于投入的径向和非径向两种DEA模型.并对两种模型效率值的大小关系、有效性的等价性问题进行了证明.
2 模型的建立
3 结束语
本文研究了具有非期望输出决策单元相对有效性的两种DEA模型，模型（I）、（II）为径向DEA模型，模型（III）、（IV）是非径向DEA模型.文中给出了两种DEA模型相对效率值大小关系和决策单元DEA有效性的等价性等问题的证明.由定理4知，非径向DEA模型的相对效率值小于等于径向DEA的相对效率值，因此，非径向DEA模型更能较好地评价决策单元的有效性.此外，通过非径向模型（III）的不完全投影可以提高模型投影的的灵活性，为管理者提供更多的信息更有效的评价决策单元的行为.因此具有非期望产出的非径向DEA模型具有更广泛的应用前景.
参考文献
[1] 魏权龄.数据包络分析[M].北京：科学出版社，2004.
[2] A Charnes ，W W Cooper， E Rhodes.Measuring the efficiency of decision making units[J].European Journal of Operational Research，1978，2 （6）：429-444.
[3] W W Cooper ，L M Seiford， J Zhu. Handbook on Data Envelopment Analysis[M].Boston：Kluwer Academic Publishers，2004.
[4] 张炳，毕军，黄和平，等.基于DEA的企业生态效率评价：以杭州湾精细化工园区企业为例[J].系统工程理论与实践，2008，20 （4）：159-166.
[5] 郭京福，杨德礼.具有非期望输出决策单元相对有效性评价的DEA模型[J].系统工程学报，1999，14 （1）：91-95.
[6] Rolf Fare， Shamna Grosskopf， C A K Lovell， et al.Multilateral productivity comparisons when some outputs are undesirable： a nonparametric approach[J]. The Review of Economics and Statistics，1989，71 （1）： 90-98.
[7] Y H CHUNG， R FRE， S GORSSKOPF. Productivity and undesirable outputs： A directional distance function approach.[J]. Journal of environmental management，1997，51 （3）：229-240.
[8] L M Seiford， J Zhu. Modeling Undesirable Factors in Efficiency Evaluation[J]. European Journal of Operational Research，2002，142 （1）： 16-20.
[9] 王波，张群，王飞.考虑环境因素的企业DEA有效性分析[J].控制与决策，2002，17 （1）：24-28.
网络DEA 篇4
1 ANP-DEA评价方法的基本特征
ANP和DEA分别是网络分析法与数据包络分析法的英文缩写, 将这两种分析方法结合起来应用, 可以更加全面与客观地对相关数据进行评价与分析。
ANP即为网络分析法, 这是对传统的AHP方法的拓展与升级。AHP法由于在使用过程中对评价系统内部各个元素的处理方法非常简单, 但因仅仅考虑了上层元素对下层元素的影响作用, 而忽略了下层元素对上层元素的反作用, 也没有充分考虑各种元素之间的相互作用, 因此局限性比较明显, ANP的出现正好弥补了这一缺陷。ANP是一种兼具评价与反馈功能的多重属性评价方式, 它将待评价系统中的元素分成两个组成部分, 包括控制因素层和网络层。在控制因素层中又分为评价题目标和决策准则, 前者只有一个, 后者有若干个, 每个决策准则之间是相互独立的, 根据实际的评价需求设置, 也可以不设置, 一旦设置, 就要受到目标元素的支配。控制因素层中准则的权重可以使用常规的AHP方法获取。在网络层中, 所有的元素都受到控制层的支配, 并且分为不同的元素组, 每组间的元素是相互作用和联系的, 且各个元素组之间也是有机统一的, 既相互区别又相互联系, 因此从宏观角度来看, 系统中的元素呈现出网络结构, 其中也包含着传统的AHP的特点, 是基于层次分析法的一种更为高级的分析方式, 运用超矩阵方法获取元素整体的权重, 并可以对元素之间的关系进行详细地分析。该种分析方式不是简单的层级递进模式, 而是网状辐射方式, 虽然并没有形成和AHP一样严格的层次关系, 但是却能够更加形象和科学地反映出事物之间的本质联系, 对分析客观事物之间的相互影响关系具有显著的效果, 因此在实际操作中更为科学和准确。
DEA即为数据包络分析法, 是在相对效率概念的基础上, 利用线性规划等进行的分析评价, 采用数学规划模型来对决策单元之间的相对效率进行科学的计算, 对数据进行比较分析, 进而为待测评系统做出科学的评价。该种评价方式的操作过程较为简便, 理解起来难度不大, 在解决多目标决策问题过程中的应用优势非常明显, 决策单元的优劣通常称为决策单元的相对有效性, 也就是DEA有效。在电子商务企业的经营管过程中, 物流网络可以被视为在一定时期内, 企业通过投入一定的生产要素, 来获得一定的物流服务的过程, 所以企业的类型不同, 则投入和产出的过程就存在着很大的差异, 但是在这一过程中, 不同企业却有着一个共同的目的, 即为利用最少的投入获得最大的产出, 也就是获得生产活动的最大效益, 那么, 要实现这一目的, 就要合理分配投入和产出过程, 控制好这一过程中所有的影响因素, 这些因素所构成的单元即为决策单元。不同的企业拥有的决策单元是不同的, 它可以是一个部门, 同类型的决策单元之间具有可比性, 评判的标准包括相同的生产目标和任务、相同的外部环境、相同的输出和输入指标。当企业经营过程中, 内部结构和外部环境尚未发生较大的变化时, 同一个决策单元在不同的阶段中也可被视为同一个决策单元。输出和输入的值为评价的数据根据。每一个决策单元的有效性是相对的, 这和DEA评价基础是一致的, 输出综合和输入综合的比值是决定决策单元有效性的关键因素, 在实际操作中, 企业的输入指标通常是指决策单元在日常物流活动中需要消耗的经济总量, 包括运输配送的成本支出, 物品的损坏率、库存成本支出等, 而企业的输出指标通常是指决策单元在某种投入要素的组合下, 表明一切经济活动所产生的效率的经济量, 例如有企业生产资金的周转效率、订单的完成效率、货物的送达效率以及客户的满意程度等。采取DEA的评价方式可以对企业的经营效率进行客观的分析与研究, 为得出最优绩效奠定良好的基础。
2 ANP-DEA评价方法的应用实践
在实际应用中, 基于ANP来构建物流网络绩效评价系统, 先要将所有的元素有效分为控制因素层和网络层, 其中, 控制因素层中包括问题目标和决策准则, 这些决策准则之间是相互独立的, 并且受到目标元素的支配作用。通常电子商务企业的物流网络绩效ANP模型中, 至少有一个总目标绩效, 没有评价准则, 这时, 评价目标就充当了评价的准则, 每一评价指标都必须和评价目标进行相应的比较。在网络层中, 将所有的元素分为有机统一的元素组, 形成一个相互影响的网络结构, 如图1所示。
通常情况下, 电子商务企业物流绩效评价过程中选取的指标包括运输配送、库存情况、企业信息化建设水平、企业综合竞争能力, 在这四个评价指标组中, 又分为不同的子系统, 且子系统中的元素也是相互联系的。因此在操作中先要确定每一指标组内部的元素相关性, 将存在相互影响的元素逐一标出, 同时还要判断指标组间的相互影响, 不断完善ANP网络结构。
当ANP结构大致确定好后, 再从企业运作效率来判断物流网络的绩效, 这样就可以更加全面地分析电子商务企业物流网络的实际运行情况, 并判断输出和输入的有效率, 因此, 该种方式最常用于输出量和输入量都比较大的企业。从宏观上看, 电子商务企业物流网络本身就是一个非常复杂的网络系统, 具有很多的经营环节, 且层次众多, 输出和输入之间也存在着很多的内在联系, 对其进行科学的评价也就有着同样的复杂性。实际应用中的投入指标和产出指标又有着不同的量纲, 然而单元的最终效率评价和量纲的选取特征并不存在相关性, 因此在建立模型方面就有着极大的便利, 不用再对数据进行综合的分析。采用DEA的明显优势就是不需要进行权重假设, 所有的分析数据都源于决策单元的最优权重, 故排除了主观因素对评价效果的干扰, 客观性较为突出, 为企业物流网络的科学高效管理和改进提供了最为可靠的评价效果。
3 结语
综上所述, 基于ANP-DEA的评价方法, 具有诸多无可比拟的应用优势, 不仅可以为企业制定长远的发展规划提供科学的数据分析, 还可以为改善电子商务企业物流管理模式提供依据, 可操作性强, 能够最大限度地节约企业的资源, 高效实现经营与管理的目标, 充分满足客户多样化需求, 将企业运行的效率与效果有机结合起来, 有助于实现企业最优绩效。
摘要：随着网络科学技术的不断发展, 电子商务企业的可持续发展也离不开对其物流网络绩效的合理准确评价, 从而更快地发现经营优势和不足, 找到最为高效的解决方案。文章主要论述了ANP-DEA评价方法在电子商务企业物流网络绩效评价中的应用, 以期能够为相关的实践提供些许理论参考。
关键词：电子商务,企业物流网络,绩效评价,ANP,DEA
参考文献
[1]刘霜梅.基于Internet环境的电子商务中物流配送算法研究与实现[D].大庆石油学院, 2004
[2]尚贤慧, 薛飞.B2C电子商务企业物流网络优化研究[D].北京交通大学, 2012
网络DEA 篇5
一、高校的投入产出分析
决策单元的投入产出分析是建立评价指标体系的基础和依据。
1．高校的投入
从广义而言，投入是指系统运转所需的各种资源和要素。对于高等学校系统，这种投入是极其广泛的，既包括学生方面的投入、学校方面的投入，也包括其它方面的投入。其中，学生方面的投入包括个人在进入高校之前所具有的生理、心理、智力等各方面的素质，以及个人在进入高校之后的努力程度等。学校方面的投入包括从学校方面投入的人力和资金，一般有人、财、物三种形式，每种形式又可分为多个种类。学校除了以人、财、物等有形实物投入教育外，还有无形资产的投入。无形资产是一种以非实物形态存在，对高校的整体运行过程有显著影响的资源投入，如学校的知名度、学术声誉等等。其它方面的投入主要是指学生所处的社会环境和家庭环境的一般特征，范围极其广泛，如同伴的影响、学生父母的社会经济背景等等。在这些种类繁多、形式多样的投人中，办学效益评价的研究对象主要是指学校方面的投入，包括学校的有形资产投入和无形资产投入。
需要指出的是，在以往的高校办学效益评价中，投入一般均指有形资产投入，而很少包括学校的无形资产投入，特别对于声誉类等非知识产权领域的无形资产投入鲜有反映。这种以物质有形指标为主的办学效益评价往往过于偏重经济成本，只注重有形指标，忽略了如学校声誉、办学特色、校园文化、历史传统等大量无形指标，导致在评价和引导高校的发展方面存在一定不足。加入无形资产指标，可以在一定程度上解决这一问题。例如，对于一个合理的高等教育体系而言，不同类型不同层次的高校应有不同的职能分工，具有不同的`发展目标、重点和特色，不可能也没有必要所有高校都走高(高水平、研究型)、大(规模大)、全(综合性)这一条路子。即使对于同一类型、同一层次的高校，在学科等方面也应各具特色和优势。只要找准定位，在各自所处的层次类别中把学校办得最好，把某些学科办得最好，具有优势和特色，这所学校就能够在竞争中脱颖而出，保持优势地位。主要强调物质有形指标的办学效益评价，既无法反映高校这方面的特点，也无法对高校进行这方面的引导。加入无形资产指标，可以在一定程度上解决这一问题。此外，无形资产本身就是一种非常重要的办学资源，是高校资源管理的重要方面。促进高校资源管理的科学高效，提高资源的配置和使用效率，是高校办学效益评价的主要目的之一。无形资产作为高校的一种重要资源，加强其管理显然是提高资源配置和使用效率的题中应有之义。
2．高校的产出
高等学校是一种具有多种产出的机构。我们可以根据高校承担的职能划分其产出。高校的职能经历了一个从单一传授知识到教学科研并举后又增加为社会服务职能的演变过程。目前，人才培养、科学研究、社会服务被公认为现代高校的三大职能。据此，我们可以将高校的产出划分为人才培养产出、科学研究产出和社会服务产出。
除了与三大职能对应的三大产出外，高校在运行的同时，也会对自身无形资产价值的大小带来或积极或消极的影响。例如，高校培养的高质量毕业生和提供的高水平科研成果，以及为国民经济发展服务所做出的积极努力，不仅会在直接产出中体现出来，而且会提高学校声誉，从而增加其无形资产的价值。反之，如果高校出现损害学校声誉的事件，进而面临社会的责难时，它的无形资产价值也会受到损失。因此，高校无形资产的保值增值情况是高校产出的一个重要方面。
二、高校办学效益DEA评价指标体系的构建原则
建立高校办学效益的DEA评价指标体系除了应考虑指标体系设计的一般原则外，还要遵循DEA方法对指标体系的特殊要求。
1．目的性
指标的选择要服务、服从于评价目的，即必须针对具体的评价目标选取相关的指标，并舍弃与评价目的无关或关系不大的指标。就高校办学效益评价而言，教育经费、科研经费、教师数量、学生数量等指标都能从一个侧面反映评价目的，而学生性别比例则是与办学效益评价无关的指标。
2．全面性
评价指标体系要尽可能真实反映决策单元与评价目的有关的各个侧面的情况，全面反映评价目的。如果有遗漏，评价就会出现偏差。
3．精简性
在建立指标体系时，要在保证实现评价目的的前提下，参考决策单元的数量，选择能反映系统本质特性的尽可能简练的指标。各指标应分别反映研究对象的不同性质，相互之间应尽量避免有较强的线性关系。
4．可比性
评价指标体系对每一个评价对象都应是公平的、可比的。对部分评价对象带有明显倾向性的指标，将严重损害评价结论的科学性和客观性。
5．准确性
指标的定义应清晰准确，范围清楚。概念不清、有歧义的指标，在统计时，由于统计人员对指标理解的不同，将难以得到准确数据，评价结果的科学性也就无从谈起。
6．可操作性
评价指标应能通过一定的方法来测量或通过某种可靠的手段来进行预测。无法评测的指标是没有意义的。
7．DEA评价中，确定一项指标是输入指标还是输出指标的原则
由于系统的复杂性，在确定被评价对象的输入和输出时，哪些指标是属于输入指标，哪些指标是属于输出指标，有时并不十分明显，而是比较模糊。一般来说，在IDEA评价中，根据效率比的原则，输入应越小越好，输出则越大越好。因此，在遇到难以确定指标性质的情况时，应分析被评价对象的特点，将越大越好的正向指标作为系统的输出指标，而把越小越好的负向指标作为系统的输入指标。
三、高校办学效益DEA评价指标体系
根据高校的投入产出分析，依照上述构建原则，以有关政府部门统计资料中的分类为参照，建立高校办学效益DEA评价指标体系。
1．投入指标
高校的投入包括有形投入和无形投入。其中，根据投入的不同形式，有形投入指标可以分为人力投入、财力投入和物力投入三大指标。每个指标还可以进一步细分为若干个子指标。
(1)人力投入指标。按照高校人员的分类，人力投入指标可以进一步细分为专任教师、科研人员、教辅人员、行政人员、工勤人员等子指标。
(2)财力投入指标。在财力投人中，事业性经费支出具有连续性，短期内波动不大，能比较真实地反映高校的日常运行情况，可以作为财力投入指标。与事业性经费具有较大的消耗性不同，基建支出在基本建设完成后成为学校固定资产的一部分，可以放在物力投入的固定资产部分进行计算。
(3)物力投入指标。土地是学校办学最基础的投入之一，学校占地面积大小涉及土地资源利用是否合理有效的问题。计划经济时代，学校占地主要依靠行政划拨方式，随着社会主义市场经济体制的建立，也需要按照市场要求进行平等交易。因此，土地资源管理也是高校资源管理的重要内容之一。物力投人中的固定资产指标包括多项内容。其中，教学科研仪器设备是学校履行职能的重要物质基础，其所占比例一直为教育界所关注。将其作为独立的投入指标，有利于问题的深入分析。此外，固定资产中的建筑物(校舍)指标可以进一步细分为教学科研用房面积、图书馆面积、行政用房面积以及学生宿舍面积、食堂面积等指标。
(4)无形资产投入指标。无形资产具有投入和产出的双重属性，对于该项指标的设置和处理，将在产出指标中进行讨论。
2．产出指标
(1)人才培养产出。高校人才培养的直接产出是学生在接受教育过程中获得或养成的知识、技能、态度、品行等，是通过教育过程附加给学生的教育增值，并在学生的行为中体现出来。由于这些要素都是涉及人的全面整体特征的向量，所以很难通过一个或几个指标来表达。不过，因为这些要素与学校培养学生的数量和质量紧密相连，凝结在学生的数量和质量之中，所以目前的通行做法是，用学生(在校生)的数量和质量来表示高校的人才培养产出。这种处理方法不仅使问题简化、研究变得可行，而且这种简化在涉及与学校生均成本有关的研究中是有效的。
(2)科学研究产出。科研成果和科研经费是描述高校科研情况的两项主要指标。科研成果是科学技术工作者在从事与各科学技术领域，即自然科学、工程和技术、医学、农业科学、社会科学及人文科学中科技知识的产生、发展、传播和应用密切相关的全部有计划的活动时取得的，具有一定学术意义、技术水平或实际应用价值的成功结果[3)。根据一定的标准，科研成果可以分为不同的种类。例如，国家科技部按照成果的性质，将科研成果分为基础理论成果、应用技术成果和软科学成果；按照大的学科门类划分，科研成果可以分为自然科学成果和人文社会科学成果等。高校的科研成果主要有以下几种表现形式：一是在各种学术期刊上发表的学术论文以及科技报告；二是出版的学术专著；三是申报的国家发明专利；四是获得国家、部委、省、市、自治区、单位设立的各种科研成果奖14)。科研成果是比较偏重于学术价值和技术创新的一项指标。与科研成果相比，科研经费指标综合了一所高校承担科研项目的数量和科研项目的大小，反映了高校科研工作量的多少，是衡量高校为社会所做科研贡献的重要指标。美国著名教育经济学家Cohn认为，一所高校获取科研经费的能力与其科研产出是紧密相关的，至少在经费赞助者所感知的范围内是如此。
(3)社会服务产出。培养人才，发展科技，其实都是为社会服务，只不过它们的服务方式相对间接而已。大学利用人才、设备信息等资源，直接为经济、政治、科技、文化等服务，是大学人尽其才、物尽其用、融人社会的进一步体现。作为一种引导型指标，在社会服务的多种形式中，与人才培养产出和科学研究产出可以明显区分并占用或消耗高校人财物资源的主要包括“向社会进行技术转让、出售发明专利获得的收入”、“向社会开放图书馆、实验室、教学设施等获得的收入”和“为政府、企事业单位和个人提供信息、咨询服务获得的收入”等形式。
(4)无形资产增值指标。作为一种非实体形态资产，不同学校的无形资产，特别是声誉类无形资产具有弱可比性的特点。由于每所高校的无形资产都各具特色，而且其对大学运行的实际贡献还受大学其它资产作用方式的制约，加上高校无形资产累积时间的差异，对高校无形资产的评价主要是对自身无形资产是增加还是减少的一种自评，是一种自我比较。这种自我比较可以用“无形资产变化率”来衡量。
★ 浅谈工业经济效益评价指标体系
★ 课程成绩评价指标体系构建原则论文
★ 初中化学课堂教学的研究论文
★ 秃尾河流域表生生态环境评价指标体系研究
★ 初中英语课堂教学低效现象研究论文
★ 课堂教学有效性研究
★ 教师课堂教学评价
★ 英语课堂教学评价
★ 课堂教学自我评价范文
网络DEA 篇6
关键词：三阶段DEA模型；生态效率；规模与纯技术效率
三阶段DEA模型为分析生态效率的重要方法，不同阶段具有各自的特点和作用，同时，三阶段DEA模型分析结果还是不同区域确定未来发展方向的重要指导。现采取该分析方法，对我国31个省市的生态效率进行深入分析，具体内容如下。
一、绪论
我国经济在改革开放后得到快速发展，GDP从78年的3645.2亿元上涨至08年的18215.3亿元，并且对于环境方面的问题也日益突出，就废水、废气和固体废物排放为例，由90年至08年，废水的排放总量上涨约61.3%；废气的排放总量上涨约375.1%；固体废物的产生总量上涨约229.3%。由此可见，实现循环经济是我国经济与社会持续发展的关键战略，而怎样才能对循环经济给出科学、准确的评价，找寻有效提升发展水平的方法，是目前国内循环经济分析的主要热点。
现有资料当中对于循环经济的研究与评价大致可以分成三类：其一为对循环经济的发展水平指标体系构建进行评价；其二为通过对能值分析法的使用深入探究循环经济的发展水平；其三为将生态效率作为基础，再使用DEA模型对循环经济的发展水平进行测算。基于此，本文将生态效率作为核心，对我国循环经济的发展进行综合性评价，从生态效率角度讲，DEA模型方法最为常用。然而，由于无法对外部与随机因素的影响进行消除，难以在客观的角度上明确生产单元对应的决策及管理水平，但三阶段DEA模型却具备可消除非经营性因素造成的直接影响的显著特点，使计算结果更加真实、有效。因此，本文结合国内的相关信息，在采用生态效率分析的前提下，依靠三阶段DEA模型，希望可以更加准确的表述生态效率，与此同时，找到制约生态效率的关键要素，为政府决策提供帮助。
二、三阶段DEA模型
1.第一阶段DEA模型
DEA模型于1978年正式提出，目的在于对多投入多产出模式下的决策单元有效性进行客观评价。BCC模型的作用在于对规模报酬可变模式下的决策单元有效性进行处理。针对任意一种决策单元，其投入导向模式下的BCC模型为：
（1）
式（1）中，i=1，2，...，n；j=1，2，...，m；r=1，2，...，s，n代表决策单元总数，m与s是输入和输出变量总数，xij（j=1，2，...，m）代表第i个单元对应的j个投入要素，yir（r=1，2，...，s）代表第i个单元对应的s个产出要素，θ代表决策单元有效值。如果θ为1，并且s+=s-=0，则说明该单元切实有效；如果θ为1，但s+≠0，或者是s-≠0，则说明该单元是弱有效；如果θ<1，则说明该单元非有效。借助BCC模型获得的效率是技术效率，它还能分解为纯技术效率和规模效率之间的乘积。
2.第二阶段DEA模型
通过第一阶段分析获取的松弛变量会受到三方面因素的干扰，分别为环境因素、管理效率及随机因素。然而，传统的模型并没有对这些因素进行有效区分，效率值不能反映造成低效的直接原因。于是，在第二阶段中采取SFA模型能对以上因素进行分别观测，进而筛分外部与随机因素，获取投入冗余。例如，一个投入导向当中存在决策单元n个，每个单元都存在m种投入，假设外部环境变量为p个，对决策单元投入松弛变量实施SFA分析，能得出相应的回归方程：
（2）
式（2）中，i=1，2，...，m；k=1，2，...，n；sik代表第k个单元对应的i项投入松弛变量；zk=（z1k， z2k， ...， zpk）代表外部环境变量，βi代表外部环境变量对应的待评估参数；fi（zk，βi）代表投入差额受外部环境变量的直接影响，通常取：fi（zk，βi）=zkβi。Vik+μik是混合误差项，其中，Vik代表随机因素，同时假定Vik·N（0，）；μik代表管理无效率，假设它遵循截断正态分布原则，可表示为：μik·N+（μi，）；Vik和μik两者不相关。若值无限逼近1，则说明管理水平是主要的影响因素；若 值无限逼近0，则说明随机误差是主要的影响因素。
运用回归结果进行投入项整理，对处在良好环境下的单元增大投入，继而消除外部与随机因素影响。基于有效性最强的单元，将其投入量作为基础，最后对其余样本实际投入量实施调整：
式（3）中，i=1，2，...，m；k=1，2，...，n；Xik代表第k个单元对应的i项投入值，经调整以后的值为；代表外部变量参数评估值；代表随机因素评估值。式中的首个中括号代表所有决策单元均调整到完全一致的外部环境，第二个中括号代表所有决策单元的随机因素均调整到一致的情形，确保所有单元都面对完全一致的运气与经营环境。
3.第三阶段DEA模型
将原始投入数据替换为由第二阶段获取的投入数据，而产出依然是原始的产出数据，然后再使用BCC模型完成效率评测，最终得出效率值。此时的效率值是经过外部与随机因素剔除的。
三、实证分析
1.第一阶段
运用相关软件分析国内31个省市的生态效率及规模报酬现状。由分析结果可知，在忽略外部与随机因素的条件下，08年国内各个省市的生态技术实际效益可达0.604，其中，纯技术效率0.711，规模效率0.861。在所有省市中，北京、上海三个效率都可达到1.0水平，处在技术前沿面；其余省市则在效率层面上有一定改进空间。由此可见，国内生态效率较差，亟需做出有效的改进。通过对比发现，预测值和本文提出的效率值存在一定差异，这是由于指标的选取不相同造成的，从另一个层面讲，国内生态效率并未出现好转，但和预测基本相同的是，北京、上海都处在技术的前沿面。
2.第二阶段
将由第一阶段获取的松弛量作为第二阶段的被解释变量，同时以三大外部环境变量为第二阶段的解释变量，采用相同软件提供的回归结果进行分析。由回归结果可知，所有回归系数都可以在显著的水平下经过检验，这代表外部会将会对投入冗余造成明显的明显。在此基础上进行深入探究，化学需氧量、二氧化碳排放、就业人员与能源消耗的投入松弛变量迫近0，并处于显著的水平下，说明对于这些投入，随机因素会占据主体位置，会直接影响生态效率。由此可见，随机因素造成的影响是不容忽视的，需要运用SFA模型进行剥离分析。
通过对投入松弛变量的进一步分析，因为外部环境的变量是对各个投入松弛变量的回归，因此如果回归系数是负值，则代表增大外部环境的变量可以有效降低投入松弛量，也就是说有利于减小浪费；相反，如果回归系数是正值，则代表增大外部环境的变量会增加投入松弛量，最终产生一定程度的浪费。
（1）经济总量中第三产业占比。这一变量对松弛变量的系数表现为负值，并且处在显著水平，表示随着经济总量中第三产业占比的不断提升，能源消耗、化学需氧量排放及二氧化硫排放会出现降低态势，有利于生态效率的提升；这和实际情况是完全相符的，近几年我国着重调整产业结构，推动第三产业的开发，其根本作用的重要一条就是降低能耗与环保。除此之外，对就业人数方面的松弛变量表现为正值，说明随着随着经济总量中第三产业占比的不断提升，对人员就业有良好的推动作用，尽管会对生态效率造成影响，但它可以推动就业，缓解目前面临的就业难现状。
（2）环保财政支出。从理论角度讲，随着环保财政支出的不断增大，生态效率应得到提高，但对于经验分析而言，这种假设是不成立的。结果显示，仅有化学需氧量的松弛变量一项对环保财政支出表现为负值，其他均表现为正值，而且都可以通过显著性的检验。这说明现有环保财政支出还远远不够，未实现预期效果，很多方面的问题都没有得到解决。对此，首先应该推动环保支出的不断增长，然后要科学配置有限的环保支出，以充分发挥其应有作用。
（3）受教育年限。国内环境污染问题较为严重，造成这一现象的根本原因之一为人员缺乏环保意识，而增强环保意识的有效途径为提升教育程度，控制污染蔓延。此外，教育还是科技发展的必要前提，通过对教育程度的大幅提升，可以推动科技进一步发展，而且科技的发展还有利于降低能耗及污染排放。受教育平均年限对于四大投入松弛变量都表现为负值，并且分别通过显著性检验，进一步肯定了以上理论的准确性。简言之，教育可起到生态效率改善作用，所以，各个地区、区域必须认识到教育程度提升的重要作用，增加教育、教学方面的实际投入，以此提升教育水平，达到生态效率改善的目的。
因为各种外部环境变量针对不同地区、区域的实际影响存在一定差别，会使一部分面临相对良好环境或运气的区域有着较好的生态效率，而那些面临恶劣环境或运气的区域的生态效率较差。所以，需要对原投入变量进行调整，使全部区域面对完全相同的环境及运气，以便考察和分析真实的生态效率水平。
3.第三阶段
首先对投入变量进行调整，同时将经过调整的投入值和原始的产出值代入到BCC模型当中完成分析，以获取规模报酬与效率。通过对比发现，在剔除外部与随机因素以后，生态效率出现显著变化。具体表现为：均值下降0.029，造成这一现象的主要原因为规模效率从0.861降低至0.816；而纯技术效率却出现了小幅度的上升，从0.711上升至0.714。这表明，在剔除外部与随机因素后，国内的生态效率更加不理想。与此同时，海南原本处在技术前沿面，但在剔除外部与随机因素后，从前沿面退出。从省的角度看，各省第三阶段生态效率值和传统第一阶段相比，存在极大的出入，有12个省份的技术效率出现下降的现象，这代表这些省份技术效率和外部环境有密切联系，相比之下，技术管理的水平很低。而生态效率出现上升的省份有15个，代表这些省份之前技术效率低的原因为受到不利外部因素的影响，这和技术管理水平并无直接联系。
根据第三阶段的结果，从整体角度讲，各个省市的生态效率均值只有0.575，总体水平很低，其中，纯技术效率只有0.714，代表在生态防护层面的管理水平十分低下，日后应高度关注管理创新，做好制度优化工作；而规模效率也只有0.816，仍存在0.184的上升空间，各地的规模报酬依然处在递增的时期，经济发展规模缺乏合理性，需要在充分考虑现状的基础上，适当提高发展规模。
四、结语
1.外部与随机因素的存在会对生态效率造成十分显著的影响，单纯使用DEA模型难以对生态效率进行客观、准确的描述，需借助于三阶段DEA模型分析。
2.在调整的前后，各个省市的生态效率均出现不同程度的改变，进一步说明外部与随机因素的影响作用，因此切实采用三阶段DEA方式开展分析工作十分必要。
3.在消除外部与随机因素影响以后，国内技术效率均值从最初的0.604降低至0.575，纯技术效率均值小幅度上升到0.714，规模效率均值降低到0.816。
4.若将0.9效率值作为临界点，则可将我国所有省市分成四大类型，分别为双高、高低、低高与双底，不同省市需要紧密结合自身状态与特点，着重强化管理水平，或扩大生产规模，以此有效改善生态效率。
参考文献：
[1]蒋萍，王勇. 全口径中国文化产业投入产出效率研究——基于三阶段DEA模型和超效率DEA模型的分析[J]. 数量经济技术经济研究，2011，10（12）：69-81.
[2]刘亦文，胡宗义. 中国碳排放效率区域差异性研究——基于三阶段DEA模型和超效率DEA模型的分析[J]. 山西财经大学学报，2015，11（02）：23-34.
[3]余红伟. 我国社会保障支出效率的区域测度与影响因素研究——基于三阶段DEA模型的政策质量分析[J]. 社会保障研究，2015，12（05）：82-89.
[4]周国梅，彭昊，曹凤中.循环经济和工业生态效率指标体系[J].城市环境与城市生态，2014，10（06）：201-203.
[5]章波，黄贤金.循环经济发展指标体系研究及实证评价[J].中国人口资源与环境，2014，15（03）：22-25.
[6]向来生，郭亚军，孙磊，陈明华.循环经济评价指标体系分析[J].中国人口资源与环境，2014，17（02）：76-78.
[7]诸大建，邱寿丰.生态效率是循环经济的合适测度[J].中国人口资源与环境，2014，16（05）：11-16.
网络DEA 篇7
作为国家经济体系的重要组成, 高技术产业在改善我国产业结构与要素配置、促进传统产业技术进步、加快经济发展等方面发挥了重要作用。我国的高技术产业总量成果显著, 2010 年中国高技术制造业的产值达到7. 6 万亿元人民币, 位居世界第二;高技术产品出口额占成品出口额的比重达到了31% , 高于一般的发达国家 ( 美国占23% ) ; 但同年我国的R&D经费占工业总产值为1. 48%, 仅为美国的10%; 经费占工业增加值的比例为6. 01%, 仅为美国的16. 7%。数据显示我国的高技术产业的总量规模处于世界前列, 但R&D活动的投入经费仍落后于发达国家, 高技术产出的高增长势必大大耗费人力、物力和原料等非技术资源, 而高技术产业的竞争力恰恰是依赖于技术创新, 特别是依赖于R&D活动的效率。R&D活动已经成为高技术产业的最大推动力, 如何提升R&D活动的效率是当前高技术产业研究中的一个重要范畴。此外我国幅员辽阔, 产业结构存在东部强, 中西部偏弱的特征, 高技术产业的发展也同样有此特征。面对高技术产业的上述现状, 本文拟从分析区域高技术产业的R&D活动入手, 测算和比较区域R&D活动的效率, 寻求提升区域内R&D活动效率的方法, 探寻区域间高技术产业交流的合作方式, 为提升我国高技术产业的R&D活动效率提供政策建议。
2 文献综述和方法评价
高技术产业科技活动效率的研究是国内外科技政策学者们的研究热点, 很多学者获得了富有创见的成果。一些学者研究高技术产业中整体投入和产出之间的关系, 如吴瑛, 杨宏进 ( 2006) [1]构建了基于R&D存量的高技术产业科技资源配置效率DEA度量模型。刘俊杰, 傅毓维 ( 2008) [2]使用DEA的CCR模型测算了我国高技术企业创新效率。刘玉芬, 张目 ( 2010) 测量了西部地区高技术产业技术创新绩效。姜波 ( 2011) [3]用DEA模型中的Malmquist指数方法进行高技术产业R&D效率变动分析。张清辉, 王建品 ( 2011) [4]以DEA的BCC模型研究了我国高技术产业自主创新效率。冯尧 ( 2011) [5]同样采用DEA的Malmquist指数方法测算我国高技术产业科技成果转化效率。陈伟等 ( 2011) [6]运用GEM- DEA模型研究了我国区域高技术企业科技成果转化效率。他们的研究主要以R&D活动中的人, 财, 物投入作为投入指标, 专利和新产品相关值为产出指标, 进行整体性宏观性分析, 提出高技术产业的改进措施, 但这些文献将投入产出中间过程视为“黑箱”, 对其内部的投入产出过程并无描述, 这些作者提出的政策建议, 也大体是对高技术产业外部进行资源的投入、匹配以及关系的调整。
其他的相关学者注意到高技术产业内部流程的重要, 他们结合价值链和技术转移链的特点, 分析高技术产业的创新活动过程, 将其化分为两个或者三个阶段。如林淼 ( 2001) [7]提出了以链的角度分析科技产业投入和产出, 将科技活动划分为技术研发和技术消化吸收两个阶段。郑坚, 丁云龙 ( 2007) [8]将高技术产业创新过程分为技术产出阶段和技术转化阶段, 通过改进DEA的方法研究了高技术产业技术创新效率。余泳泽, 武鹏, 林建兵 ( 2010) [9]以链视角划分并研究了我国高技术产业细分行业研发效率问题。付强, 马玉成 ( 2011) [10]以价值链模型研究我国高技术产业技术创新双环节的效率。张雷勇, 马雷 ( 2011) [11]以两阶段链效率视角研究了高技术产业中的科技效率。相对于整体性投入产出研究, 将高技术产业进行阶段划分使研究更加细致: 一方面, 能够针对具体阶段进行研究, 提升阶段内的投入和产出效率; 另一方面, 针对阶段与阶段之间衔接的科技活动, 也能够提出相应的改进措施。
尽管学者们将高技术产业按照阶段划分的方式, 提升了研究高技术产业创新效率的深入度, 但在建构技术指标体系和DEA模型上, 仍有存在着差异。以R&D资本存量和R&D经费内部支出指标为例, 郑坚, 丁云龙、余泳泽、马雷等将其划归为第一阶段的投入。在实际生产中, 我国的R&D活动发生的主要场所是科研院所, 大学和企业, 其中企业既是R&D活动的执行主体, 也是R&D活动资金投入的主体。科技数据统计指出: 2011 年度的R&D总经费支出中, 企业R&D经费为5185. 5 亿元, 占R&D总经费的73. 4%; 研究机构为1186. 4 亿元, 仅占16. 8% ; 高等学校为597. 3 亿元, 占8. 5% ( 见图1) 。R&D总经费支出中, 企业所占的比例非常高。企业的科研机构是技术研发阶段的构成主体之一, 又承担着技术消化吸收阶段的任务, 因此企业同时包含技术研发和技术消化吸收两个阶段, 在企业内进行的R&D活动也在同时发生在这两个阶段, 这点也与笔者在合肥高技术产业园区进行的实地调研结果相吻合。上述学者将R&D内部经费投入等指标仅视为技术研发阶段的投入并不合适。
此外, 张雷勇等学者将研发机构和高等院校的科技活动人员 ( 人) 、科学家与工程师 ( 人) 、R&D人员折合全时当量 ( 人年) 、科技活动经费内部支出 ( 万元) 、R&D经费内部支出额 ( 万元) 等五个细化指标划归到两个阶段的投入中, 将指标体系的细致性推进了一大步, 但问题依旧存在: 虽然他将“R&D人员折合全时当量 ( 人年) ”和 “R&D经费内部支出额 ( 万元) ”划归到两个阶段的投入, 但其他的三个指标在技术消化吸收阶段中并不显著, 而且在第二阶段缺少了 “购买国外技术、技术消化、吸收和改造经费”等有重要阶段特征的指标。究其原因, 是局限在DEA模型的方法使用, 他采用的是在DEA方法中常用的CCR模型, 在构建的模型中对两个阶段需采用同样的计算方式。由此推断, 方法的适用性已经成为研究的最大阻碍, 构建出一种新型的效率计算模型尤为重要。
综上所述, 以上学者在分析高技术产业的阶段特点上贡献显著, 但在某些方面有所忽视, 具体体现在指标体系的构建和方法手段的运用上, 本文拟从实际出发, 改进投入和产出指标体系, 建立新型且与实际更贴近的两阶段DEA模型。
3 指标体系的改进和新型DEA模型的构建
本文对现有学者研究中选取的指标进行筛选, 结合我国高技术产业阶段特征的实际, 在分析指标在不同阶段的作用和关系的基础上, 改进了新的高技术产业投入产出指标体系。 ( 见图2) R&D活动选择R&D人员折合全时当量和R&D经费内部支出额两个指标。在技术研发阶段, 投入指标包含R&D人员折合全时当量、R&D经费内部支出额、和新产品开发经费三个指标, 产出指标为专利授权数; 在技术消化吸收阶段, 投入指标包含R&D人员折合全时当量、R&D经费内部支出额, 专利授权数, 其他技术活动经费支出 ( 购买国内技术经费、技术改造经费、技术引进经费和技术消化吸收经费) 等四个指标, 产出指标为新产品销售值和新产品总产值。
根据上述改进的两阶段投入产出指标体系, 构建网络DEA模型, 假设有n个决策单元, 设为DMUj ( j = 1, ……, n) , 每个决策单元DMUj有m个投入, 设为Xij ( i = 1, ……, m) 在整个运算过程中。在m中投入中有部分投入仅在第一阶段发生, 其他投入在两个阶段都发生。将这两种投入设为xi1j ( i1∈I1) 和xi2j ( i2∈I2) , 并且I1∈I2= { 1, ……, m} , 假设第一阶段的决策单元DMUj ( j = 1, ……, n) 的产出为t, 记为zdj ( d = 1, ……, t) , 这类t产出做为中间过程的产物, 当做第二阶段的投入指标, 另外第二阶段额外融入的投入记做 χ, χkj表示第j单元的第k个指标; 而第二阶段的产出我们记yrj ( r =1, ……, s) 。
如果投入i2∈I2在两个阶段都包含的话, 在评价决策单元DMU0时, 将所有单元的共享投入xi2j分成ai2oxi2j和 ( 1 - ai2o) xi2j, ( 0≤ai2o≤1) , 相应成为第一和第二阶段采取的投入。若各ai2o限定在一定的区间内, 我们记为Li12j≤ai2o≤Li22j。
与Chen et al. ( 2010) [12]不同的是, 我们考虑了一种新的情形: 在第二阶段有的新的投入。在规模收益不变的情况下, 建立第一和第二阶段的效率模型 ( 1) 和模型 ( 2) 。
( 1) 和 ( 2) 显示的是一种两阶段网络DEA模型, 在这个模型中, 一些投入在某一阶段发生, 而另外一些投入在两个阶段都存在。
Chen和Zhu ( 2004) [13]的多项研究指出, 模型 ( 1) 和模型 ( 2) 并不能准确模拟出中间变量zdj ( d= 1, ……, t) , 这是因为模型 ( 2 ) 尝试降低zdj ( d =1, ……, t) , 在模型 ( 1) 中的水平。另一种方法是测量效率的两阶段过程, 以查看他们从某一集中的角度来观察中间投入, 这能最大限度地提高整体效率或整体得分并确定一组最优。
我们提出两个阶段相结合的加权平均效率得分的阶段, 见模型 ( 3)
w1和w2是用户指定的权重, 且w1+ w2= 1。注意: 只有每个阶段的效率是有效的前提下, DMU的整体效率才有效。
类似Kao和Hwuang ( 2008) [14]的假设, 和Li-ang ( 2008) [15]的集中模式, 我们假定模型 ( 1) 和模型 ( 2) 中的 η1d= η2d= η4, ( d =1, ……, t) , 同样因为有相似类型的投入, 我们假设vi12, vi22= vi2。
由于和的目的是代表第一和第二阶段的相对重要性或贡献, 分别体现在整个过程中DMU的整体性能, 每个权重的合理选择是整体比例资源投入到每一个阶段, 反映了一个阶段的相对大小[16]。为了更具体的表达, 我们定义如下:
代表的是资源总规模或两个阶段的整个过程所消耗的资源总量。
分别代表了第一和第二阶段的大小权重, 这些权重是不是需要优化的变量, 而是优化变量的函数, 根据最有的变量值计算而得。
经过线性变换, 我们可以得到下面模型 ( 5) 。通过模型 ( 5) , 我们可以得到整个系统的效率值:
将模型 ( 5 ) 得出的最优变量值代入可得第一阶段效率值, 代入可得第二阶段效率值。
4 运算过程及结论
4. 1 运算过程
在模型建构完成之后进行实证分析, 本文选取的数据来自 《高技术产业统计年鉴2003—2011》, 其中以28 个省市的高技术产业为研究对象, 通过数据输入和MATLAB9. 0 的运算, 得到1995 年—2010年的15 年的各地区高技术产业创新效率。 ( 综合其他学者的论文, 本文在产出的数据上, 本文对投入产出时滞的处理为1 年。) 不妨设各地区的R&D整体创新效率为E, 第一阶段的创新效率为E1, 第二阶段的创新效率为E2。
将各省的E, E1 和E2 按年份取均值, 进行排序。在运算中设定K = E2/E1, K代表的是阶段2 的效率与阶段1 效率的比值。通过计算得到高技术区域R&D效率均值与排序 ( 见表1) 。
表1 中的K值衡量的是区域内技术消化吸收阶段的效率相较于技术研发阶段效率的比值, 设L = K- 1, L衡量的是区域内两个阶段发展的协调程度, L越接近0, 说明区域内的消化吸收效率和研发效率协调度良好; L值大于0 时, 说明此区域的消化吸收效率强于研发效率; 比值小于0 时, 说明此区域的消化吸收效率弱于研发效率。以表二中的R&D整体效率为横坐标, 以区域协调度L为纵坐标, 绘制高技术产业区域R&D效率与协调度矩阵图 ( 见图4) , 进一步分析区域内和板块间的协调与合作。
4. 2 数据观察
根据表2 和图4 的各省市R&D整体效率和协调度矩阵图的测算结果, 以区域R&D整体效率为横坐标, 以L值为标准的区域效率协调度为纵坐标绘制矩阵, 评价结果及分析如下:
( 1) 从整体效率观察: 福建、天津、北京和上海的整体效率都超过0. 6, 处于领先水平。这些区域分别属于南部沿海经济圈, 长三角经济圈, 北部沿海经济圈等经济区域内, 科技资源丰富, 科技政策多样化, 科技合作和交流频繁, 导致R&D整体效率发展良好; 而四川、山东、辽宁、重庆、广东、吉林、宁夏、云南、内蒙古和海南等省的效率处于[0. 4 -0. 6] 之间, 整体效率一般; 而江西、河南、安徽、黑龙江、湖北、河北、浙江、甘肃、湖南、广西和贵州等省份的整体效率偏低。
( 2) 从区域协调度方面观察: ( 1) [- 1, 0]区间有海南、内蒙古、云南、贵州、宁夏、吉林和湖南等省; ( 2) [0, 1] 区间内有福建、天津、北京、山西、广东、重庆、浙江、湖北、黑龙江、河北和甘肃等省份; 1 以上的区间的省份有: 上海、江苏、四川、山东、辽宁、河南、安徽、江西和陕西等省。
4. 3 数据的板块划分与分析
以横坐标= 0. 6, 纵坐标= ± 1 为分水岭, 将这些省份分为六大特色鲜明的板块 ( 见图5) , 这些板块内和板块间的合作与联结, 对提升我国区域R&D活动效率极为重要。
4. 3. 1 板块内效率分析和建议。1 ) 第 Ⅰ 板块: 效率双优: 福建、北京和天津。整体效率高, 区域内技术研发能力和技术消化吸收能力均衡, 区域协调度良好。这些省份的技术研发阶段的产出, 很大程度上能够在省内进行消化吸收, 而且转化效率很高。这些区域应该继续保持现有的发展模式, 加强现有科技政策的实施。在未来的发展中, 一方面应该继续坚持和推动R&D方面的政策, 另一方面继续加强区域内的科技成果转化, 加强企业间以及科研院所、大学和企业之间的合作。
( 2) 第Ⅱ板块: R&D整体高效率、消化吸收能力强于技术研发能力。此区域内只包括上海。上海的大学和研究机构众多, 以张江为代表的高技术园区众多, 无论是科研力量还是产业力量都很雄厚, 是我国科技和产业实力最强的区域, R&D整体呈现出高效率的特点。上海市是科技创新型城市, 而在区域协调度上, 我们发现即使上海有如此强大的研发能力, 但区域内的技术消化吸收实力更强, 这要求上海应该面向全国, 依托地理、金融等优势对其他区域的技术进行引进和消化吸收。
( 3) 第Ⅲ板块: R&D整体效率不高、消化吸收能力远远强于技术研发能力。此区域涵盖江苏。江苏的R&D整体效率为0. 48, 在28 个省份内处于中等偏上水平, 但仍不能与其全国范围内省级GDP第一的地位相匹配。江苏的区域协调程度极不平衡, 技术消化吸收能力远远大于其研发能力。近年来, 江苏的经济发展一直处于高速发展中, 省内高科技企业数量众多, 江苏省大力引入外区域的技术研发阶段的科技成果进行消化吸收, 促进了江苏省高技术产业的蓬勃发展, 这与江苏省的科技政策刺激是分不开的, 江苏出台了各种科技成果转化的专项资金政策, 注重与区域外的科研机构的合作, 加强区域间技术转移, 提升了技术消化吸收效率。值得重视的是, 江苏省内的科研力量尚不能匹配经济的发展, 应该通过强大的经济实力, 一方面快速发展内部的科研力量, 另一方面积极获得其他区域的技术研发产品。
( 4) 第Ⅳ板块: R&D整体低效率、消化吸收能力强于技术研发能力。此区域包括四川, 山东, 辽宁, 河南, 安徽, 广东, 江西和陕西等八个省份。其中广东和山东属于沿海地区中高技术产业整体发展良好的省份, 其他主要分布在中西部的省份, 以往的技术提升慢或者科技底子弱的影响, 造成了R&D整体低效率、区域不协调的现状。这些省应该扩大科技活动的范围, 加大与其他区域的交流, 依托国家实施东北经济区振兴计划和中西部大规模产业转移等战略契机的影响, 加快发展步伐。
( 5) 第Ⅴ板块: R&D整体低效率、区域内技术研发能力和技术消化吸收能力均衡。此区域包括山西, 重庆, 浙江, 甘肃, 河北, 湖北, 黑龙江等七个省份。这些区域的协调度均衡, 但R&D整体处于低效率水平。说明这些省份的技术研发能力和技术消化能力都不高。其中浙江省属于沿海经济区的经济大省, 但近年来经济增长步伐落后于江苏, 可能是在R&D整体低效率方面落后造成的。重庆属于内陆创新型城市, 而山西属于资源型省份, 在科技成果转化方面, 重庆可以加强与四川的科技交流, 通过科技中介, 技术转移联盟等加强科技转移。山西则应该引进科技资源, 营造好的创新环境, 摆脱资源耗费大省的形象。其他省份可能是由于技术研发和消化能力都不强, 发展缓慢。
( 6) 第Ⅵ板块: R&D整体低效率, 技术研发能力强与技术消化吸收能力。此区域包括内蒙古、云南、宁夏、吉林、湖南、贵州、广西和海南等八个省份。这些省份的科研力量都比较弱, 技术消化吸收可能主要通过跨区域进行合作, 下一步要继续增强此地区的科技研发实力。内蒙古、海南和宁夏的R&D整体效率属于中等水平, 但区域协调度不好。这些区域由于地理限制, 高技术产业发展缓慢, 总产值都不高, 应该打造与区域内资源相关的特色高技术产业, 加强与科技成果丰富的其他区域之间的联系。从地理位置看, 吉林、湖南、广西、云南等省处于内陆或者偏远山区, 高技术产业的R&D活动缺乏信息与政策的支持, 科技成果转化活动也少, 应该加强与周围优势省份的交流, 创造好的转化环境。
4. 3. 2 板块间协调合作的思考。板块协调合作为我们提供了一种解决思路: 在资源有限, 环境在短时间内不佳的境况下, 不能同时在所有区域内都实现两个阶段均衡发展, 使这种情况得到改变的最有效的方法就是合作, 尤其是区域优势互补的区域合作。具体来讲, 可以分为以下四种合作思路:
( 1) 经验推广: 第Ⅰ、Ⅱ板块的科技政策方面的经验: 为其他版块提供参考和经验支持: 可以通过交流会形式进行, 其他区域的省份可以进行经验学习, 主要学习其中的政策、金融、企业建设、以及产学研创新合作的各种经验。第Ⅲ板块的江苏, 可以推广其企业建设以及技术消化吸收的经验, 还包括跨区域合作领域, 产学研中介合作等。
( 2) 板块间互补合作: 第Ⅰ板块可以和第Ⅱ和第Ⅲ板块进行合作, 强强联手, 建构跨板块技术联盟和中介联盟, 凭借技术的溢出效应, 将第Ⅰ板块中更多的技术资源更多传播第Ⅱ、Ⅲ板块。第Ⅵ区域和第Ⅳ、Ⅴ板块的整体R&D效率接近, 在区域协调度方面考虑, 可以进行互补性合作, 第Ⅵ板块的特点是技术研发能力强于技术消化吸收能力, 因此在第Ⅵ板块中省份的技术研发的成果, 可以与第Ⅳ、Ⅴ板块的省份进行技术转移。
( 3) 跨区域联盟: 国家可以从宏观调度角度并根据区域协调度, 将第Ⅰ、Ⅱ、Ⅲ板块打造成为第一梯度的跨区域技术联盟, 其内部的技术交流与技术转移都采取最为先进的; 第Ⅳ、Ⅴ、Ⅵ区域形成第二梯度的跨区域联盟, 并且以各自区域的特色进行区域间合作, 尤其是第Ⅵ区域和第Ⅳ、Ⅴ板块间的合作。
( 4) 重点突出的双联结板块: 跨区域联盟中的Ⅳ、Ⅴ板块内, 绝大多数省份属于中西部中快速发展的地区, 其高技术产业的基础经过近几十年的发展, 与沿海经济圈的差距逐渐缩小, 为了能够解决东强、中西弱的高技术区域特点, 可以通过Ⅳ、Ⅴ板块的省份与Ⅰ、Ⅱ、Ⅲ以及第Ⅵ板块的双联结进行整体提升。重点板块的双联结效应具体体现为: 第Ⅳ、Ⅴ板块既包含了如广东、浙江等东部经济老牌强省、也包括了大量的中西部经济实力较强的省份, 因此这两个板块极为重要, 一方面联结沿海经济区中第Ⅰ、Ⅱ、Ⅲ, 承接其技术和产业, 转移大量的科技成果; 另一方面, 第Ⅳ、Ⅴ板块通过引进第Ⅵ板块技术成果等方式, 与之互补合作。
5 政策导向
本文从实际中入手, 分析现有学者对高技术产业R&D效率的研究, 指出现有研究的不足, 通过实地调研和模型改进, 构建更为合理的新型两阶段DEA模型。通过对28 个省市的高技术产业面板数据进行测算, 得到区域高技术产业的技术研发阶段、技术消化吸收和R&D整体三种效率, 通过两个阶段效率的比值得到区域协调度。根据R&D整体效率和区域协调度将28 个省分为6 大板块, 针对每个板块的特点, 对区域内特征和区域间的合作和联结方式提出建议。
整体和阶段创新效率较高的区域, 多分布在环渤海湾、长三角和珠三角区域, 而中西部地区和部分东北老工业基地虽然特点鲜明且后续发展势头强, 但创新效率仍然不高, 这种情况与过去二十年我国的高技术产业布局、沿海的省市的地理优势以及各地政策支持的产学研合作有关。而在创新效率高的区域内, 仍有浙江等相对创新效率低的省份, 同样在创新效率低的区域里, 也有四川和云南等相对创新效率高的省份。我们建议, 在总结全文的基础上进一步提出以下政策导向:
我国寿险公司DEA效率分析 篇8
我国保险业自1980年恢复国内业务以来获得了飞速的发展，特别是近十年来发展更是取得了骄人的业绩。总保费收入方面：1980年为16亿元，1999年增加到1393.22亿元(其中人身险保费收入872.10亿元)，2008年增加到9784.09亿元(其中人身险保费收入为7447.38亿元)。以1999年为基础，总保费收入增加了6倍，人身险保费收入增加了7.5倍;保险业总资产方面：从1999年的2604.09亿元增加到2008年的33418.44亿元，增加了11.8倍;保险投资总额方面：从1999年的891.42亿元增加到2008年的22465.22亿元，增加了24.2倍;在吸引外资方面：2000年全国保险公司中外资(含合资)18家，2009年增加到59家。保险公司的增加特别是外资保险公司的入住必定导致保险市场竞争的加剧，在国外保险公司大肆进入中国保险市场的宏观环境下，保险公司的效率问题成为热切关注的问题。
二、我国寿险公司经营效率评价
(一)样本的选择
根据数据的可得性及可比性原则先选择了2003年-2008年22家人寿保险公司为研究的样本。同时在新成立的保险公司中选择完整经营期超过10个月且保费收入处于新成立保险公司前列的人寿保险公司，最终2003年选择22家，2004年25家，2005年29家，2006年33家，2007年35家，2008年39家。样本数据由2003年-2008年的《中国保险年鉴》和相关资料整理而得。
(二)变量的选取和比较
定义金融机构投入与产出的方法主要有三种：中介法、成本法以及增加值法。在投入变量选取上国内基本一致，主要选取劳动力投入、资本投入(包括实物资产、实收资本、总资本等形式)和营运费用(赔付额、营业费用、营业支出等形式);在产出变量上却存在较大的分歧，赵旭(2003)采用利润额，恽敏和李心丹(2003)采用资产利润率和业务收入作为产出，侯晋和朱磊(2004)采用实际期望损失和投资收益，姚树洁等(2005)采用保费收入和投资收入。保险公司与一般的企业不同，单纯用利润额、利润率或保费收入等某一方面的指标来衡量经营效率是明显不合适的。
综上所述，本文在投入、产出上采用增加值法。投入指标选用固定资产总额、费用总额(包括手续费、佣金支出和营业费用)、净赔付支出(包括直接保险业务赔款和再保险业务赔款净额)和员工总数。产出指标选用保费收入、利润总额、准备金增长额和投资收益额。
(三)模型的选取
采用DEA投入型线性模型测算保险公司的效率情况，具体为：采用C2R模型测算技术效率值，从而比较保险公司的综合效率情况;采用BC2模型测算纯技术效率值，比较保险公司剔除规模因素以后的效率情况;采用超效率模型测算保险公司的超效率值，用以比较经营有效的保险公司之间的优劣。
(1)C2R模型ρ=min[θ-ε(ι1Ts-+ι2Ts+)]
(2)BC2模型ρ=min[θ-ε(ι1Ts-+ι2Ts+)]
(3)“超效率”模型ρ=min[θ-ε(ι1Ts-+ι2Ts+)]
在模型中λi,s+，s-≥0;ε为非阿基米德无穷小量，λi为决策单元DMUi，的权重，xi=(x1i,x2i，...xmi)为决策单元DMUi的投入变量，yi=(y1i,y2i，...ymi)为决策单元DMUi，的产出变量，s+,s-为松弛变量，s-为m维列向量，s+为s维列向量。ρ表示投入缩小比率，若ρ=1,s+=s-=0,则称决策单元DMUi为DEA有效;若ρ=1,s+,s-存在非零值，则称决策单元DMUi为DEA弱有效;若ρ<1，则称决策单元DMUi为DEA无效,θ为相对效率值，ι1=(1,1,...,1)T1×m,s为产出变量数，m为投入变量数。
(四)公司效率值及评价
借助LINDO软件计算出各保险公司的超效率值、技术效率值、纯技术效率值和规模效率值，见上表。超效率值排名前五位依次是招商信诺、瑞泰人寿、中保康联、中国人寿、阳光人寿，最后五位依次是长城人寿、合众人寿、海尔纽约、海康人寿、广电日生，既有经营时间较短的公司，又有经营时间较长的公司，位于前列的公司除了中国人寿规模大外，其余都是小公司。技术效率值排名前五位依次是中保康联、阳光人寿、英大泰和、幸福人寿、中国人寿，最后五位依次是中英人寿、合众人寿、海尔纽约、海康人寿、广电日生。
三、保险公司效率的影响因素分析
(一)保险公司效率的影响因素分析
根据目前国内对保险公司效率的研究，一般认为保险公司的规模、股权结构、人力资本、所有权形式、保险公司经营时间、经营范围等都会对保险公司的经营效率产生影响。本文借鉴国内相关研究的结论假定保险公司赔付率、资产规模、人力资本、人均保费、公司经营时间、个险占比、退保率和投资收益率影响保险公司的经营效率。
假定赔付率、资产规模、人力资本、人均保费、公司经营时间、投资收益率与经营效率呈正相关，个险占比和退保率与经营效率呈负相关，其中赔付率=当年赔付总额/当年保费收入总额，保险公司的规模=Ln资产额，人力资本=本科及以上人数/员工总数，人均保费收入=保费收入总额/员工人数，个险占比=个险保费收入/保费收入总额，退保率=退保额/保费收入总额，投资收益率=投资净收益/保险公司资产总额。
(二)模型的建立
根据Coelli等人(1998)提出了著名的“两阶段法”(Two-Stage Method)，先通过DEA模型测算出效率值，然后选取合理的环境变量做回归分析进一步确定效率的影响因素。参照Hardwicketal(2003)处理的办法，本文对技术效率值、纯技术效率值和规模效率值的回归分析时采用变换的效率值回归，变换形式如下：
其中TEi为在DEA模型中计算出的技术效率值、纯技术效率值和规模效率值，范围为0-1,Ln为自然对数，为了便于转换将所有效率值减去0.0005，并建立回归模型：
(三)实证结果分析
通过逐步回归，可以看出影响保险公司效率的因素主要有赔付率、人力资本、人均保费收入、个险占比和公司经营时间，其中除了赔付率、个险占比在t检验中在5%的水平下显著外，其余几个因素均在1%下显著。根据回归结果得到模型:
模型一
模型二
模型三
模型一中赔付率每提高一个百分点，技术效率提高7.4912%，人力资本每提高1%，技术效率提高5.8667%，人均保费每提高1%，技术效率提高0.2209%，个险占比与保险公司技术效率呈负相关，个险占比每提高1%，技术效率反而降低0.3144%。这表明中国保险公司赔付管理工作，员工的专业素养，业务结构等因素影响保险公司的经营效率。
模型二中，公司规模影响保险公司的纯技术效率，公司规模每提高1%，纯技术效率提高0.7632%，总的来看，公司规模对保险公司效率的影响相对较小。
模型三中，赔付率、退保率、人均保费收入、公司规模影响保险公司的规模效率，这四个因素与规模效率呈正相关，赔付率每提高1%，规模效率提高7.3445%;退保率每提高1%，规模效率提高6.2194%，公司规模、人均保费每提高1%，规模效率依次提高0.2844%、0.1706%。因此赔付率主要通过影响规模效率从而影响公司的技术效率，退保率与效率的正相关可以能与保险合同中退保条款有利于保险人有关。(模型中***、**分别表示估计值在1%、5%的临界水平下显著，括号内为t统计量)
四、结论和意义
在国外保险公司纷纷加入中国保险市场，竞争不断加剧的情况下，国内保险公司应做好以下几点：
(一)提高保险公司承保质量，正确处理规模与效率的关系
新成立的保险公司应通过规模的扩张来提高自身的知名度、获得客户的认可;而规模较大的保险公司应该在保持适当规模下，提高承保质量，避免规模扩张而整体效率下降。
(二)适当提高赔付率，大力提高保险服务质量
适当的赔付率是吸引投保人的一个关键指标，也是保险公司的一个基本职能。适当的提高保险公司的赔付率，会增加投保人投保积极性，有利于保险市场的成长、发展。
(三)优化保险业务结构，加快产品开发
团险在规模上、质量上都较个险较好，因此保险公司应注重发展团险，提高团险在自身业务中的比重，同时加快保险产品的开发，针对个险市场采用多样化战略，以满足不同的个体需求。
(四)提高保险公司的投资管理能力，提高投资收益率
竞争促使保险公司将保险市场上获得的资金通过出色的投资管理，获得较高的回报，以此支撑保险业务的发展，因此提高保险公司的投资收益率是保险公司的必然选择。提高保险公司的投资管理能力，提高投资收益率可以为保险公司的发展、竞争提供支撑。
参考文献
[1]魏权龄.DEA数据包罗分析[M].北京:科学出版社,2004
[2]侯晋,朱磊.我国保险公司经营效率的非寿险的实证分析[J].南开经济研究,2004(4):108-112
[3]李克成.国内寿险公司经营效率实证分析[J].保险研究,2005(2):37-41
[4]姚树洁,冯根福,韩钟伟.中国保险业效率的实证分析[J].经济研究,2005(7):56-65
网络DEA 篇9
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。
基于DEA中国宽带发展效率评价 篇10
2013年8月17日, 国务院印发了《“宽带中国”战略及实施方案》。《战略方案》经过认真仔细的研究并且充分考虑了国内外发展形势的基础上而制定的。从国际形势看, 新一轮的宽带将会在技术和产业的变化中抢占制高点, 在新时代的国家发展战略中创造新优势, 宽带战略的先导作用将日趋突出, 宽带战略已经成为各个国家战略性基础设施部分的重要组成部分。近年来, 在各方面的联合努力下, 宽带网络覆盖率在全国继续扩大, 普及程度随之不断提高, 换句话说, 中国的宽带发展已经取得的成就已经吸引了全世界的关注, 亦是在现阶段快速的发展。但是, 我们必须看到, 我国宽带发展离老百姓的实际需求还有很大的差距。我国宽带人口普及率虽然已经超过了全球平均水平的8%, 但是相较于发达国家25.6%的普及率还是差距甚大。这说明了宽带发展的工作关系到了广大群众的切身利益, 当前发展仍然有很多需要改进的地方。这些问题亟须通过加快实施“宽带中国”战略, 从国家和全社会层面推动解决。
1 宽带历史数据处理方法的选择
从经济学角来看, 宽带发展效率评价实际上是一个成本效益分析的过程。从技术层面上来看, 我国宽带普及率与发达国家差距较大的一个重要原因是资源配置决策的原则, 存在收费高、服务差、“假带宽”等问题, 往往以效益最大化为决策原则, 很少考虑到整体发展的成本问题。在对我国宽带发展效率计量方面, 特别是数量具体化, 本身就十分复杂。宽带的发展在计算效率方面只能从整体就近似值, 不会十分精确。对于宽带测量输入输出, 一类是单一指标法, 即宽带投入资源中人力、物力和财力、时间、信息和其他个人因素的各单项因素运用的效率指标。一类是各种资源整合成一个整体来评估宽带的发展效率的综合性指标效率额分析法, 现有的产出效率评价方法中, 净效益现值法、效益成本比率法、回归分析、指数分析, 这些方法在严格的条件下, 当有较少的评价评估更准确, 但综合效益评估是无能为力的。这时候数据包络分析方法显示了独特的优势。
鉴于上述原因, 本文使用2002-2011年相关研究因素数据位样本, 用DEA法分别对各年份进行效率值的测算, 随后引入可能影响效率值的多种因素。
2 研究方法、指标选择及数据处理
2.1 DEA模型
DEA (Data Envelopment Analysis, 数据包络分析) 方法是基于线性规划来评价相同类型的多投入、多产出的决策单元 (DMU) 是否技术有效的一种非参数统计方法, 是分析决策单元投入产出效率的重要工具之一, 其目的是构建一条非线性的包络前沿线, 有效点位于生产前沿面上, 无效点处于前沿的下方。DEA使用了数学规划模型评价具有多个输入和输出的“决策单元”间的相对有效性。这个理论把“生产可能集”定义为生产技术固定条件下的各种投入和产出所形成的集合;其中效率前沿即为能使产出最大的投入组合的集合;包络线即为所有的生产可能集的最佳组合点形成的边界线。若企业投入产出的组合落在效率前沿面上则表明该企业是有效率的, 说明其相对效率值是1, 就表示在其他条件固定不变的条件下, 这个决策单元不可能减少投入, 或增加产出的;反之, 如果企业投入产出的组合落在效率前沿面内, 则表明该企业是无效率的, 视这一决策单元是无效率单元, 并且其效率值介于0和1之间, 表明在产出固定不变的条件下可降低投入, 亦或是投入不变的条件下可增加产出。DEA基本模型包括规模报酬不变模型 (CRS) 以及规模报酬可变模型 (VRS) 两种模型。其中CRS模型得出的效率值即为决策单元的技术效率, 以下为其模型表述:
技术效率的经济意义是若以样本公司中的处于效率前沿面上的公司为标准, 第j家公司在保持产出水平不变的情况下实际所需要的投入比例。1-Z即为第j家公司投入中被浪费掉的比例, 这些被浪费的投入完全可以人为的减少, 从而使得样本公司最终达到技术有效。Banker、Charnes和Cooper在CRS模型基础上增加了一个限制条件, 即:, CRS模型中综合效率从而将其分解为两种形式:纯技术效率和规模效率乘积。纯技术效率是反映了决策单元当前的生产点与有效生产前沿之间的差距;而规模效率则是反映了规模不变的生产前沿和规模可变的生产前沿之间的差距。1984年提出的纯技术效率的规模报酬可变 (VRS) 模型:
通过CRS模型可以技术效率 (TE) , 通过VRS模型下可以得到纯技术效率 (PTE) , 进而得到规模效率 (SE) , 即SE=TE/PTE, 同时, 由CRS模型下的大小, 可以判断决策单元的规模报酬情况。
2.2 指标选取与数据处理
由于DEA模型对于投入产出的指标选择具有较高的敏感性, 因而指标选取的合理性对研究结果有较大程度的影响。根据经济学中生产要素理论, 投入可分为两种:劳动型投入和资本型投入, 产出亦可分为两种:经济效益和社会效益。在参考前人研究的基础上, 同时考虑到研究的目的及数据的可获性, 本文选取投入指标为:农民纯收入, 指农民的总收入去除相应的各项费用性支出以后, 即归为农民所有的收入。该指标是用来观察农民实际收入水平与农民扩大再生产及其改善生活的能力;网民规模、互联网普及率、固定电话普及率 (从另一侧面反映宽带接入用户的潜在发展空间) 。
通过简单相关分析得出, 城镇居民家庭人均可支配收入、农民纯收入、网民规模、互联网普及率、固定电话普及率这五个影响因素之间也具有较强的相关性。城镇居民人均可支配收入、农民纯收入可能会影响网民规模、互联网普及率、固定电话普及率, 并通过这些因素将影响传递到宽带普及效率。因此, 在城镇居民人均可支配收入、农民纯收入固定不变的条件下, 分析网民规模、互联网普及率、固定电话普及率对宽带普及率的影响。最终得出, 城镇居民可支配收入、农民纯收入、网民规模、互联网普及率、固定电话普及率是影响我国宽带普及率的主要因素。本文中的原始数据均来源于《中国统计年鉴》、《中国信息产业年鉴》。各指标原始数据如表1所示。
3 实证分析
本文采用DEA方法中的BBC模型, 运用DEAp2.1软件和2002-2011年的数据测度我国宽带普及效率的动态变化, 测算结果见表2
本文将根据前文所列的投入产出指标与相关DEA模型, 测算中国从2002-2011年宽带普及的技术效率、纯技术效率与规模效率。具体分析如下:
由理论可知, CRSTE有效即可表明决策单元具有经济效率, 而经济效率又是由技术效率和配置效率构成, VRSTE可以衡量决策单元的既定产出条件下的最小投入, 是纯技术效率;SE则是衡量投入资源的最优配比, 是配置效率。任何一个决策单元只有同时具备VRSTE有效和SE有效的条件下, 才能够达到CRSTE有效。本文将以宽带普及率为输出变量, 主要衡量我国整体宽带普及效率。在模型中, 样本期间, 我国宽带普及效率的综合规模技术效率均值为0.767, 仍有较大的提高空间和可能性。由各年份的综合规模技术效率值可看出, 2005-2007、2011年构成了我国宽带普及效率的前沿面, 宽带普及率转化为DEA有效, 即相对于其他年份, 这4年的宽带普及效率达到最大, 其他5个投入指标作用得到充分发挥。其余年份宽带普及效率的综合规模技术效率均小于1, 说明这7年的宽带普及效率是无效的, 其中2002年的综合规模技术效率最小, 表明该期间宽带普及效率较低。
对综合规模效率非DEA有效年份进一步从纯技术和规模进行分析发现, 除2004年、2005年外, 其余年份的纯技术效率总是高于规模效率 (见图1) , 表明导致我国宽带普及效率的主要原因是规模无效, 这说明我国总体上对于宽带普及投入规模存在不合理的现象。由表2可知, 2005-2007、2011年的规模效率均为1, 即处于规模报酬不变状态。其余年份2002-2004、2009-2010则处于规模报酬递增的状态, 此时适当的增加宽带普及投入指标, 使投入量处于最合适的投入规模能够有效的提高宽带普及效率, 2005年及2011年的综合规模技术有效和规模有效就说明了这一点。
由图1可知, 虽然我国宽带普及效率的综合规模技术效率、纯技术效率2009年出现了大幅度下降, 但是在其他年份均处于平稳发展状态, 同时, 规模效率一直处于较高水平的平稳发展趋势。这一发展趋势主要得益于相关政府部门、科研机构、电信运营商和设备制造商不断加大资金投入, 从而形成对宽带普及的拉动力, 以及随着人民生活水平的提高越来越意识网络互联网的重要性, 使得我国宽带普及效率逐渐得到改善。另外, 可以看出在2008年和2009年宽带普及效率的综合规模技术效率、纯技术效率均出现下降的现象, 这主要是受2008年全球金融危机的影响, 我国经济也受到了明显的影响, 一时缺乏对国家政策支持及经济发展规划难以快速恢复, 从而使得我国在宽带普及效率的投入上不得力, 甚至出现滞后的现象。在金融危机之后, 宽带化已经成为全球趋势, 今年“宽带中国”亦呼之欲出。
虽然2005年以来, 我国宽带普及效率相对较高, 为经济发展、社会进步、民生改善、国家安全提供了重要支持。但我国宽带普及率和世界发达国家相比存在着较大的差距, 在宽带普及过程中仍存在较多问题, 这些问题在很大程度上限制了我国宽带普及效率的有效提高。技术差距是我国宽带普及落后于发达国家的一个本质, 铜缆技术和光纤技术之间的技术鸿沟。这个技术鸿沟一旦跨过, 中国宽带接入速度的世界排名和“兆价”必定将会发生“跳变”。然而, 我国地域广阔, 普及宽带接入将是一个巨大的社会工程, 东西、城乡建设成本差距极大, 若仅凭企业单打独斗, 中国宽带已经落后的局面难以改变。实施国家宽带战略是解决该问题的必由之路。
4 结论及对策
本文运用DEA方法, 构建了以宽带普及率为产出, 城镇居民可支配收入、农民纯收入、网民规模、互联网普及率、固定电话普及率为投入指标的评价模型, 并对我国2002-2011年间的宽带普及效率进行了实证分析, 研究结果显示: (1) 2001-2011期间, 我国宽带普及效率整体上呈逐渐增长的趋势。2005-2007年及2011年其普及效率趋于稳定, 处于DEA有效状态。 (2) 样本期间, 我国宽带普及效率整体上相对处于较高水平, 但仍存在较大提升和改进空间。
“宽带中国”战略将会在整个“十二五”期间被强化, 不断提高我国宽带普及效率还需做出较大努力。本文认为, 以下途径可以实现我国宽带普及效率的有效转化:
首先, 随着国家宽带战略提出, 政府将会通过宽带战略、宽带专项资金、普遍服务基金、投融资政策等措施推进宽带发展。我国对宽带发展的实实在在的支持表现在财税两个方面。
其次, 科研机构、电信运营商和设备制造商不断加大资金投入及技术投入, 3G网络建设、FTTX、专网建设、三网融合等将成为宽带产业发展的主要拉动力。
最后, 鼓励乡镇及农村宽带普及。根据我国“十二五”期间加快城镇化建设的需要, 对于县及县以下的宽带经营所得减免所得税。宽带是信息化的基础设施, 一旦列为国家战略, 当然应属于“国家重点扶持的公共基础设施项目”, 包括农村在内全面提高我国宽带普及效率。
参考文献
[1]INFORMATION ECONOMY REPORT 2011-ICTs as an Enabler for Private Sector[J]Development New York and Geneva, 2011.
[2]Towards Know-when technology in the mobileInformation space:Long-term User Trace LogAnalysis in the Mobile Internet.Toshihiko Yamakam ACCESS.
[3]常硕, 崔静宜.中国电信业效率测评及影响因素分析[J].《产经评论》2011 (5) :34-40.
[4]田讯.我国宽带即将迎来全面提速期[J].信息化博览, 2012 (1) :52-53.
[5]记者, 熊雄.国家宽带战略呼之欲出--“2012年宽带中国战略服务信息化推进大会”侧记[J].新闻聚焦:22-24.
[6]高利.通信设备行业“宽带中国”引发光通信[J].华创证券, 2011-01-17.
[7]刘茂先.宽带普及提速正当时[J].中国信息产业网——人民邮电报.
网络DEA 篇11
关键词：沿海省市；渔业产出效率；Malmquist指数；数据包络分析
中图分类号：F326.4 文献标志码：A 文章编号：1008-2697（2016）01-0026-05
一、引言
21世纪以来，随着陆地资源枯竭、环境污染严重，我国逐渐把强国发展的目光投向了面积辽阔的海洋，把利用海洋资源、发展海洋经济作为国家发展的战略重点，其中渔业资源是海洋四大资源之一，渔业资源的合理开发利用对我国农业以及社会经济的发展具有举足轻重的作用。我国拥有2700万公顷的内陆水域面积，此外还有约1.8万公里的大陆海岸线，河北、山东、江苏、浙江、广东、广西等地区都拥有用天然的海洋养殖优势。近年来，我国渔业经济得到了长足有效的发展，2012年渔业生产总值为6490.5亿元，比上年增长14.3%，占当年农业生产总值的34.45%，渔业总产值占大农业经济的比重从2000年的29.57%增长到2012年的34.45%。在渔业产业快速发展的同时，也存在着诸多问题，例如过度捕捞、海洋环境污染、渔业资源利用效率低下等，这些问题的存在直接阻碍了渔业产业的可持续发展，同时也导致渔民收人偏低[1]。因此，研究我国沿海省市渔业产出效率，进而对渔业资源的可持续发展做出规划和调整，对于如何使得海洋渔业资源最大限度、长久的惠及人类具有重要的指导意义。
目前，国内对渔业资源产出效率的研究多采用实证分析的方法，常用的有数据包络分析和随机前沿模型。如张彤（2006）利用Malmquist指数分析法对我国沿海11省市2000-2005的海洋养殖捕捞能力进行了测评分析，得出结论：我国海洋捕捞纯技术效率较高，然而综合效率却表现低下，其主要原因是规模效率低下造成的[2]。平瑛（2013）利用非参数的DEA模型研究了2011年我国31个地区的渔业生产效率，结果显示大部分地区生产方式粗放、生产效率较低，并且存在渔业生产要素投入过多的现状[3]。于淑华（2013）运用Malmquist指数分析法测算了沿海11个省市全要素生产率（TFP），实证得出我国沿海地区渔业产出效率在近年来有明显提高，但大部分省区是非集约型的技术进步，因此整体效率还有待于进一步改善[4]。
国内对渔业资源产出效率的研究，或是基于海洋捕捞的某个方面，或是采用某一年的截面数据，亦或是指标选取不够全面。本文基于DEA和Malmquist指数方法，计算了我国沿海11省市从2005到2012年的渔业产出效率（技术效率、规模效率、纯技术效率），选取四个投入指标和一个产出指标，投入指标的选择综合考虑了自然资源消耗、基本设施投入、财政专项投入三大方面，同时包含到海洋捕捞与海水养殖。根据实证结果，综合评价11个沿海省市渔业产业效率的现状，并为优化产业结构提供参考意见。
三、指标选取及数据来源
本文运用Maimquist指数分析法以及11个沿海城市2005-2012年的省际面板数据，对我国沿海城市海洋渔业生产效率进行实证分析。考虑自然资源消耗、基本设施投入、财政专项投入、经济产出等因素，选取海水养殖面积（X1）、渔船年末拥有量（X2）、渔业固定资产投资（X3）、海洋科研机构从业人员（X4）这四个要素作为输入指标，选择渔业生产总值（Y1）作为输出指标。其中，海水养殖面积是人们利用海水进行人工养殖的面积，它属于自然资源消耗范畴，反应海洋养殖方面的投入，年末渔船拥有量反应海洋捕捞的投入。
本文所有数据来源于相关年份的11个沿海地区的的统计年鉴、《中国渔业年鉴》以及《中国固定资产投资统计年鉴》，沿海11个省份包括广东、广西、河北、天津、辽宁、山东、福建、上海、江苏、浙江、海南。将上述输入指标和输出指标的相关数据带入到以投入为导向的C2R模型中，确定模型的具体形式，然后利用DEAP2.1软件完成计算。
四、实证分析
（一）2005-2012年各沿海省市全要素生产效率的变化趋势及其分解
DEA技术中的Malmquist指数方法可以直接得到不同省份综合年度的全要素生产率变化率（TFP），此变化率是一个增长率的具体数值，所以本文以2005年的全要素生产率作为基期，以下指标大于 1，表示样本研究期间相应的海洋经济效率水平提高，若指数小于1，表示其海洋经济效率水平下降，利用软件计算结果见表1。
从上表可见，我国11个沿海城市在2005-2012年的八年中，渔业产出全要素生产率平均增长了1.2%，首先从全要素的分解来看，技术效率增长了0.5%，技术进步增长了0.7%，TFP增长的内因是来技术效率和技术进步的同时提高，其中技术进步提高的幅度略大于技术效率。其次，技术效率还可以再分解为纯技术效率和规模效率，从表1可看出，渔业产出技术效率的提高是来自于纯技术效率的增加，规模效率不增反而略减。通过2005-2012年的总体的综合分析可见，我国沿海城市渔业产出水平整体上在提升，技术进步引导我国渔业由传统产业向现代产业转化，保持技术进步和技术效率是促进我国渔业长久高效发展的一条必经之路。
从各个省市的地区差异来看，山东、河北、广东、辽宁、天津、福建六个省份的全要素生产率均表现出不同程度的提高，其中山东最高，全要素生产率增加了15.3%，其次是河北，增加了7.1%，福建增幅最小，仅增加3.7%。虽然六个省市的TFP均表现得有所增加，但究其原因却不尽相同，天津市的技术效率增长了3.7%是导致其全要素生产率提高的主要原因；而其他五个TFP提高的省份均是由于科技进步形成的，说明高技术成果有效带动了这些地区的渔业产业的发展，提高其产出效率。
nlc202309032141
除了以上六个沿海省份TFP出现增加外，剩余省份均呈下降趋势。海南同期全要素生产率分别下降了13.1%，从上表可见，海南省的纯技术效率和规模效率均保持不变，技术进步的下降是导致TFP下降的主要原因，因此，加大科技投入是提高海南渔业产出效率的有效途径。同时，广西、浙江、江苏、上海同期的TFP分别下降0.6%、3.6%、4.7%、和6.1%，这四个地区TFP下降的主要原因也是技术进步降低所导致的。
（二）不同年份沿海省市全要素生产效率的变化趋势及其分解
沿海省市渔业2005-2012年平均TFP及其分解如表2，从表2可以看出，我国沿海省市全要素生产率在不同年份存在较大差异，除2005-2006、2009-2010、2011-2012这三个时期外，其他年份全要素生产率均呈现上升状态，其中增长最多的是2007-2008年间，全要素生产率增长达到12.1%，主要是由于技术进步和技术效率双重作用的结果。
总体上来看，2005-2012年沿海省市渔业平均 TFP年增长率为1.2%，根据尹雷（2014）测算出1991-2009年沿海省市（东部地区）农业平均TFP增长率为1.6%[7]，李谷成（2009）测算出的 1978-2005 年东部沿海地区农业平均 TFP增长率为5.6%[8]。从这些研究的对比可以看出，2005-2012年沿海省市渔业平均 TFP年增长不太显著，渔业TFP增长对整个农业增长的推动作用是有限的，同时也说明，在今后农业的大发展中渔业还有很大的进步空间。
（三）2012年沿海省市全要素生产效率的变化趋势及其分解
前面是以序列数据讨论了我国沿海省市2005-2012年渔业产业TFP的变化，下面用2012年的截面数据分析沿海11省市技术效率、纯技术效率以及规模效率的变化情况。表3是从投入角度计算的DEA结果。
首先，从技术效率来看，所选择的11个沿海城市中，除了天津、河北、浙江、山东分别是0.81、0.734、0.826、0.848较低以外，其他7个省市都比较高，而且上海、江苏、福建、海南的技术效率均为1，说明这四个省市位于技术前沿面上，纯技术有效且处于最佳规模报酬阶段。2012年各省市的渔业平均产出技术效率为0.921，也比较高。
其次，从纯技术效率看，辽宁省的纯技术效率为0.94，剩余10省市全部纯技术有效且均为1，平均纯技术效率是0.995，说明整体上2012年沿海各省市的渔业捕捞与养殖技术利用情况较好。对于纯技术无效的辽宁省来说，存在松弛变量即投入冗余的情况，若要使渔业资源得到合理配置，可在2012年的基础上将X1（年末渔船拥有量）减少2785.498艘，X2（海水养殖面积）减少48.226千公顷、X3（海洋科研机构从业人员）减少123.198人和X4（渔业固定资产投资）减少84043.895万元。
再者，从规模效率与规模报酬来看，辽宁、上海、江苏、福建、海南这5个地区位于最佳规模报酬阶段，无需改变，继续保持上年情况即可；浙江、山东、广东处于规模报酬递减阶段，说明渔业产业捕捞养殖程度超过最优的生产规模，要想提高渔业产出效率，必须减小现有的捕捞养殖的规模；天津、河北、广西处于规模报酬递增阶段，即这三个省市处在渔业产业蓬勃发展的阶段，增大其生产捕捞规模就可以提高渔业产出效率。整体来讲，2012年各沿海省市的技术效率（0.917）还是比较高的，除个别省份（辽宁）外，造成技术无效的原因只要是规模不经济。
五、结论
本文运用DEA以及Malmquist指数分析方法，测算分析了2005-2012年中国沿海11省市的渔业全要素生产率、技术效率、技术进步、纯技术效率和规模效率这诸多指数，分析得出如下的结论：
（一）在动态衡量中，引入Malmquist生产力指数分析法，测算了沿海11城市海洋渔业产出效率，并对TFP进行分解以便深入了解其变化原因。 结果显示：2005-2012年沿海省市渔业产出效率不断改善，TFP以年均1.2%的速度增长，TFP的增长是技术进步和技术效率同时增长作用的结果，而且技术进步的增长略大于技术效率。
（二）沿海省市渔业平均TFP年增长率的1.2%中，技术进步率贡献了0.7%，一方面，技术进步的增长肯定了我国近年来在渔业科技研究等自然领域的科研投入，说明目前在增加渔业产量方面取得了一定的成果；但是0.7%的增幅确实比较小，这另一方面也说明了我国在渔业高新技术推广、利用和管理方面还存在的缺陷，科研成果没有及时的应用到实践中来，忽视技术应用推广会阻碍到科技能力的释放，进而影响到TFP的快速增长，影响渔业产业作为推动农业进步的主要力量。因此，技术进步是是引擎，技术推广是保障，“两手都要抓，两手都要硬”，这样才能快速提高渔业产出效率。
（三）在2005-2012年沿海省市发展的区域差异上，有六个省份的全要素生产率出现增加，其中山东TFP增幅最大为15.3%，而海南省的全要素生产率下降最多，降低了13.1%，主要是由于技术进步的下降造成的，海南要发展其渔业产业，就应该引进人才、学习技术、招商引资，加大海南岛屿内陆的交流学习、互通有无。同时，这也表明各地区全要素生产率有明显的区域性特征，发展极度不平衡，因此渔业有关部门在制定相关政策的时候，一方面要统筹规划制定宏观政策，另一方面也需要给各省份或者区域自由制定政策的空间权限，以方面它们从实际发展状况出发，完善上级原有的宏观政策。
（四）在静态衡量中，应用到DEA的分析方法，对2012年11个沿海省市的海洋渔业产出效率进行测评分析，除天津、河北、浙江、山东技术效率较低外，其他省份的技术效率都接近于1或等于1，而且各省份平均DEA为0.921，这在整体上表明2012年各沿海省市渔业产出效率较为可观。同时，对于DEA无效（技术效率<1）的省份也做出了进一步的分析，辽宁省是由于纯技术效率低下导致的，浙江、山东、广东、天津、河北、广西是由于规模效率低下而导致的，进而给出了DEA无效省市优化渔业产出结构的调整方向。
参考文献：
[1]于淑华，于会娟.中国沿海地区渔业产业效率实证研究——
基于DEA的Malmquist指数分析[J].中国渔业经济，2012（03）：
140-146.
[2]张彤.基于DEA方法的中国海洋捕捞产业动态生产效率[J].
中国渔业经济，2007（04）：6-10.
[3]平瑛，蔡中华，张鸿杨.基于DEA模型的我国渔业生产效率的
研究[J].中国渔业经济，2013（06）：113-117.
[4]郑奕，周应祺.DEA理论及其在我国海洋渔业中的应用[J].
上海水产大学学报，2002（01）：37-42.
[5]孙才志，肖姗.基于数据包络分析的中国沿海省市港口经济
相对效率评价[J].地域研究与开发，2009（01）：32-36.
[6]王艾敏.我国苹果主产区生产效率评价——基于DEA的Malmquist
指数分析[J].河南农业科学，2009（07）：110-113.
[7]尹雷，沈毅.农村金融发展对中国农业全要素生产率的影响：
是技术进步还是技术效率——基于省级动态面板数据的GMM
估计[J].财贸研究，2014（02）：32-40.
[8]李谷成.技术效率、技术进步与中国农业生产率增长[J].
经济评论，2009（01）：60-68.
（责任编辑：陈 勇）
基于DEA的企业碳绩效评价 篇12
当下一个不争的事实是，全球气候变化、温室效应、雾霾等环境问题正不断影响着人们的生活，并日渐成为制约经济可持续发展的瓶颈。我国在2008年就已成为全球温室气体排放第一的“碳排放”大国，政府及社会致力于节能减排行动，使得能源强度和相对CO2排放强度均有显著的降低。经济发展的低碳之路势在必行，《国民经济和社会发展第十二个五年规划纲要》提出，“十二五期间，实现整体能耗强度下降16%，二氧化碳排放强度下降17%”以及我们对世界承诺“到2020年，单位GDP二氧化碳排放量比2005年下降40%”。
但是，面对碳排放以及相关绩效的评价，在目前的多数企业中并没有得到足够的重视，这是由于较高的排放治理成本，使得企业倾向于将相应的成本外部化。因此，在利益相关者的监督下，促使企业科学、合理地对碳绩效进行评价，从而推动企业更好地进行节能减排工作，履行自身环境治理的义务，切实地实现低碳发展。
二、文献回顾
随着绩效评价体系、理论的不断创新和发展，碳绩效的评价研究逐渐成为新兴的研究领域。国内外碳绩效评价研究主要侧重于碳测度指标研究以及各具体行业或地区碳排放测度。
Ang(1999）提出二氧化碳的排放情况可以用单位GDP能耗的变化来衡量。Mielnik et al.(1999）指出，可以用单位能源消费的碳排放量作为衡量发展中国家应对气候变化及经济发展模式的主要评价标准。Lebell(2007）用碳投入和碳产出所确定的强度指标来描述经济系统中的碳流动，用以比较不同企业的碳使用情况。
国内学者近几年开始关注企业低碳经济与管理、碳绩效的研究，在碳绩效评价的指标或体系构建上有一定的创新。徐砥中、廖培（2010）分析了企业低碳管理绩效评价的现状，构建了企业低碳管理的系统模型，提出了基于熵理论的企业低碳管理绩效综合集成评价模型。张彩平、肖序（2011）为了反映企业的节能减排的效益，从实物和货币、静态和动态两个维度，构建了碳强度、碳依赖度、碳暴露度和碳风险等四个碳绩效指标。马艳琳（2013）基于BSC的理念提出了企业碳绩效考评体系，将BSC应用于企业的碳绩效评价中。还有许多学者从不同的维度出发，提出了低碳绩效测评体系（向海燕等，2011；麦海燕等，2013）。而在碳排放测度绩效的衡量中，评价内容从单一的量化指标的评价逐渐转化为对不同具体行业或地区碳排放测度的研究，并且构建的模型以及使用的方法也更加的丰富与完善。
有关碳绩效的研究近年来已经取得了卓越的成果，但是通过对已有研究的回顾，可以发现有关碳绩效的研究仍然存在较多的不足之处。首先，早期的研究侧重于以碳排放量为基础的单一测度指标，尽管此后的研究在指标的构建领域大有发展，但是更多地仍然停留在体系的构建上，缺乏相应的数据检验。其次，对于“碳绩效”的界定，多数研究只是限定于以CO2的排放量为核心的指标体系构建，没有将低碳理念深入化。最后，有关碳排放的测度研究领域主要侧重于国家或地区之间碳排放效率的比较，未有考虑企业在碳绩效评价中的投入与产出，忽略了低碳战略管理中投资效率的评价，使得企业在碳绩效的管理中难以得到有效参考并做出相应的改进。因此，本文基于投入与产出的视角，根据国家鼓励企业公开环境信息的政策要求，结合DEA方法构建碳投入与产出绩效评价体系，以期能为企业更加全面地进行绩效管理提供借鉴。
三、碳投入与产出绩效指标设计
有关碳绩效的概念界定，目前未能形成统一的意见。根据文献梳理，多数观点认为碳绩效涉及的是CO2排放的测度以及相关的评价指标体系等，如王爱国（2014）认为碳绩效是指企业在从事低碳或零碳技术应用、能源节约或能源结构改变、碳项目投资、碳交易参与、碳信息披露以及碳管理等涉碳活动中所付出的努力和产出的效果。由此可见，碳绩效涵盖了企业管理中各个环节，但是从投入和产出的视角出发，主要可以从涉碳活动中的投入以及最终的产出来对碳绩效进行评价。
本文依照科学性、可比性、可行性等原则，结合专家调查法，选取并形成了如表1所示的企业碳投入与产出绩效评价体系。
（一）碳绩效投入指标设计
碳活动涉及企业管理的各个环节，与能源消耗相关的生产运营密切相关。因此，碳绩效的投入指标可以由碳源、资金、人员和设备等四个方面组成。
(1）碳源。从企业的生产角度出发，在不考虑间接排放的情境下，企业只有在生产过程中消耗的煤炭、石油、天然气等化石能源，才会产生大量的碳物质的排放。因此，碳源投入值可由一定期间内这些重要的碳基燃料的消耗量构成。
(2）资金。企业在碳治理的过程，必然会涉及专用治理设施的购买、使用、维护等费用，因此可以将与设施运行相关的费用一并归纳为“碳治理运行费用”。
(3）人员。员工作为企业生产要素的重要组成部分，是企业在碳绩效管理中不可或缺的主体。但是，并非所有企业员工都会参与到碳活动之中，因此为了使得指标具有可比性，可以把参与碳活动的专职环保工作人员数作为衡量人员投入的指标。
(4）设备。碳治理设备是指企业通过自制或者外购，用以实现低碳或零碳排放的专业技术设备。要实现碳绩效水平的提高，碳治理设备是不可或缺的，但并非设备的数量越多绩效就越好，企业应当根据自身的碳治理水平，投入适当数量的技术设备。
（二）碳绩效产出指标设计
在既定投入下，如何实现最大化的期望产出是企业管理的核心。于是，本文认为对碳绩效的评价可以通过碳排放强度、碳治理效果以及碳处理能力这三个方面来进行反映。
(1）碳排放强度。碳生产率可用以衡量碳排放强度，是产值与碳排放量的比值，与单位GDP的碳排放强度成倒数关系。尽管这类衡量碳排放效率的比例指标构造简单，但在已有的研究中，已经得到了广泛的使用（Sun,2005;Fan et al.,2007）。
(2）碳处理能力。碳处理能力主要是指一定期间内，碳治理设备在企业碳治理过程中，实现的对CO2、SO2、氮氧化物、烟尘、粉尘等重要废气物排放的处理量。
(3）碳治理效果。企业在使用专用技术设备中，主要是对CO2、SO2、氮氧化物、烟尘、粉尘等工业废气或废物进行处理，使得最终排放进入环境的气体物质等达到规定的标准。因此，可以用一定时期内该类重要工业废气或废物排放达标量与排放总量的比值，对碳治理效果分别进行细化衡量。
四、企业碳绩效评价应用研究
本文基于数据包络分析法（Data Envelopment Analysis，简称DEA）中最原始的两个开创性模型——C2R模型和BC2模型，对企业在碳绩效管理中的效率评价进行实证研究。
由于DEA方法无须对数据进行无量纲化处理，且通过数据本身来获得投入和产出的权重，因此可以避免人为主观因素的影响，在分析多投入、多产出的复杂系统中具有独特的优势，已广泛地应用于企业、行业等决策单元的绩效评价研究中。
本文的数据来源于《中国统计年鉴》、《中国环境统计年报》、《中国能源统计年鉴》等国家统计局发布的年鉴信息。依据所获取的2010年39个行业的数据，计算得到相应的三级指标值，并剔除了数据缺失的行业，然后使用MaxDEA软件对整理的数据进行处理，最后得到如表2所示的结果。
结合表2，通过对各行业碳绩效评价DEA效率值的比较分析可知，烟草制品业、家具制造业、水的生产和供应业等9个行业的碳绩效评价为DEA有效，占比23.08%，剩余行业均为DEA无效。
可见，行业总体的碳绩效水平并不高，主要是由于行业的纯技术效率偏低所致。而且非DEA有效的行业均处于规模收益递减状态，单位产出增量小于单位投入增量，表明行业内企业的碳绩效管理以及技术应用存在重要问题。
值得关注的是，在环境治理中，重污染行业一直是国家以及社会公众重点关注以及监督的对象。尽管如此，重污染行业并没有因为外部压力而在碳绩效管理上有良好的表现，纺织业、有色金属矿采选业、煤炭开采和洗选业等绝大多数行业的DEA效率值已经处于行业最低水平。不过，黑色金属冶炼和压延加工业、电力、热力的生产和供应业表现优异，尽管在投入资源上的绝对量远大于其他行业，但是以上行业的DEA效率值为1，表明碳绩效投入和规模都达到了最优水平，这些行业内企业在碳绩效管理上的经验能为其他重污染行业企业提供相应的参考。
让人感到担忧的是，仍有许多非重污染行业的碳绩效水平落后行业平均水平，比如通信设备、计算机及其他电子设备制造业等。因此无论是监管者，抑或是行业内企业的管理者，都应当对碳绩效管理予以足够重视。
通过对各行业碳绩效投入冗余与产出不足值的分析可知，各行业的碳处理能力的产出不足值均为0，而在提升碳排放强度、碳治理效果上的产出值也是捉襟见肘，也就是说，企业的碳治理设备的处理量已经达到满负荷状态，几乎是已经达到了产出最大化。因此，相关行业内的企业应当从减少投入冗余出发，在保证产出水平不变或有所提高的状态下，根据自身投入冗余标准，对碳源、资金、设备、人员等投入量进行相应的控制，避免过度投资，充分发挥现有资源的最大效应，提高投资效率，最终实现碳绩效的优化。
五、结论
全球气候变暖、空气质量恶化以及低碳经济的发展都对行业和企业的碳绩效评价提出了更多的要求，因此，构建一套科学、适用的评价指标体系尤为重要。本文在已有的研究以及对碳绩效概念理解的基础上，从投入和产出的视角出发，构建了企业碳投入与产出绩效评价体系，并结合DEA方法进行数据检验和分析，实证研究论证了该指标体系的可行性、有效性。
通过分析显示，由于缺乏足够重视，行业整体的碳绩效处于较低水平。而其中的重污染行业的碳绩效水平整体明显偏低，但是黑色金属冶炼和压延加工业以及电力、热力的生产和供应业的碳绩效评价达到了DEA有效，能为其他落后的重污染行业提供一定借鉴作用。并且，在改进路径方面，应当从减少投入冗余着手，在保证产出水平趋好的状况下，实现碳源、资金、设备、人员等投入量的大幅减少，以提高碳绩效水平，最终达到DEA有效。
参考文献
马艳琳,陈进.企业碳绩效考评框架构建研究--基于平衡计分卡视角[J].金融经济,2013(4).
曾宪法.制造业企业低碳经济发展水平评价体系研究[J].经营管理者,2012(9).
张岩,史琼等.电力企业低碳绩效评价指标体系构建探析[J].现代商贸工业,2012(18).
向海燕,张同建,刘涛等.我国企业低碳绩效测评体系的设计与思考[J].经济导刊,2011(5).
徐砥中,廖培.基于熵理论的企业低碳管理绩效评价实证研究[J].求索,2010(10).
张彩平,肖序.企业碳绩效指标体系[J].系统工程,2011(11).
Ang B.W..Is the energy intensity a less useful indicator than the carbon factor in the study of climate change[J].Energy Policy,1999(15).
Fan Y.,Liu L.C.,Wu G.et al..Changes in carbon intensity in China:empirical findings from 1980-2003[J].Ecological Economics,2007(3).
Lebel L.et al.Integrating carbon management into the development strategies of urbanizing regions in AsiaImplications of urban function,form,and role[J].Journal of Industrial Ecology,2007(2).
Mielnik O.,Goldemberg J..The evolution of the carbonization index in developing countries[J].Energy Policy,1999(5).
【网络DEA】推荐阅读：
社会网络分析网络传播05-25
社交网络之网络舆情05-28
网络文献与网络阅读探析08-26
网络时代网络金融分析05-11
网络层面管理通信网络05-31
计算机网络和网络通信07-31
广播网络化网络广播化08-04
用网络协议分析工具侦测网络故障05-24
【网络安全】：网络安全基础知识点05-08