超效率模型范文（精选9篇）

超效率模型 第1篇

证券公司的效率是其竞争力的集中体现, 它反映了证券公司在一定的技术条件、管理条件下运用资源控制成本的能力。研究证券公司经营效率的影响因素具有重要意义:一方面可以揭示、确认影响证券公司经营效率的因素、影响的方式和影响程度大小;另一方面为防范证券公司经营风险和提高证券公司经营效率提供了科学依据。

近年来基于Tobit模型分析证券公司经营效率影响因素的文献不多。边晓磊 (2009) 选取营业部数量、员工知识结构、保荐人数量、资产优良率 (净资本/净资产) 、股权集中度 (前三大股东的持股比例) 作为自变量, 对公司效率进行Tobit回归, 得出结论:公司资本规模和业务规模并没有直接影响公司效率的高低;员工知识结构对证券经营效率有正的显著影响;股权太过集中降低了公司的经营效率。霍丽娟 (2009) 采用多元线性回归分别从业务组成、组织规模、人才管理、公司治理、风险控制等角度分析与公司效率的关系, 发现它们之间存在着显著的相关性。程可胜 (2009) 利用Tobit回归模型发现, 外资的引入显著提升了证券公司的纯技术效率, 但是降低了规模效率, 而证券公司的资产、成立历史、注册地与证券公司经营效率没有显著影响。刘彦 (2010) 选取股权结构、业务构成、资本充足情况、资本结构和资产结构对证券公司的经营效率进行Tobit回归分析, 结果表明, 提高证券公司的资产负债率和流动比率可以促进证券公司的经营效率, 而股权集中度、资产质量并没有显著影响证券公司的经营效率。

以上文献在分析影响证券公司经营效率的因素时, 都只选取当年的数据, 而本文选取了4年的数据进行面板回归分析。并且, 在样本和样本期间的选择上也有特色。在这种震荡的市场环境下, 考察我国证券公司经营效率的影响因素更具有现实意义。

二、证券公司经营效率影响因素分析

(一) 宏观因素

证券公司同其它金融企业一样, 受整个宏观经济环境的影响非常大。影响证券公司经营效率的宏观经济因素主要有国民经济运行状况、利率水平、制度环境等。

(1) 国民经济运行状况。国民经济持续稳定的增长, 将为证券市场发展提供良好的经济基础。经济成长, 上市公司利润持续上升, 股息相应增长;企业经营环境不断改善, 公司的股票价值也将得到全面升值。而且, GDP的增长, 国民收入和个人收入都得到提高, 这也将相应增加证券投资的需求, 带来证券价格上涨, 促使证券市场交易活跃。由于我国证券公司盈利的重要来源到目前为止仍然是证券经纪业务收入, 宏观经济环境向好将有利于证券公司获利;相反, 当国民经济增长趋缓时, 市场交易相应冷淡, 证券公司容易陷入盈利不足的困境。

(2) 利率水平。利率是资金的价格, 对金融产品与服务而言, 利率是产品定价的关键因素之一。利率的变化对证券公司的经营有着极大的影响, 一旦中央银行的利率政策发生变化, 将会带来股价波动, 影响证券公司的经营收入。同时, 证券公司收入中通过转存客户资金存款而获得的利差收入部分, 也将直接受到波及。此外, 利率的变化对证券资金运用效率亦有直接影响, 关系到自营业务收入的高低。

(3) 制度环境因素。虽然我国证券公司所处宏观经济经营环境相同, 但是不同地区在法律环境、政府干预程度、市场化程度等方面均存在差别。由于我国证券公司的成立大部分是由政府主导的, 这一性质以及其他的历史原因, 证券公司的公司治理会带有明显的行政干预, 不少证券公司高管的去留、证券公司兼并重组的发生都会有政府操控的背景。而且不少地区, 政府存在严重的地方保护主义行为。可以认为, 不同地区的制度环境, 尤其是政府的干预程度会对证券公司的经营效率产生较大影响。

(二) 微观因素

影响证券公司经营效率的微观因素, 是指由证券公司自身行为所产生的影响公司效率的因素, 这些因素随着公司经营方式的变化而发生变化。

(1) 上市情况。证券公司上市必须遵循我国《证券法》和《股票发行与交易管理暂行条例》等相关法律法规的规定, 符合一定的条件;上市之后, 公司需要按照证监会的规定及时披露公司经营与管理情况, 并接受社会以及监管部门的监督。因此, 一般而言, 上市的证券公司较非上市证券公司质量相对优质, 经营效率水平也应该相对较高。

(2) 股权结构。公司治理的好坏直接关系到证券公司的经营效率的高低, 而股权结构是公司治理的基础, 因此证券公司的股权结构会直接对公司的经营效率产生影响。公司治理的相关研究表明, 第一大股东的性质、第一大股东持股比例的高低、股权集中度等都对公司的经营有着重大影响。一般而言, 股权较集中, 有利于强化大股东对经理人的监督和形成较好的内在激励相容机制, 但也可能带来“一股独大”和大股东侵占小股东利益等问题;相反, 股权比较分散, 可能使小股东缺乏动力和能力对经理人进行有效的监督。

(3) 资产质量状况。证券公司的资产质量是衡量公司风险水平的重要指标。为了更好地对证券公司的风险控制进行监督, 证监会提出“建立以净资本为核心的风险控制指标体系, 加证券公司风险监管, 督促证券公司加强内部控制、防范风险”。因此, 净资本被引入到证券公司的监管当中。证券业协会每年都会相应披露各证券公司的净资本规模。一般可以采用净资本和净资产的比值来衡量一家证券公司的资本充足情况和资产质量状况, 这也直接影响到证券公司的经营效率。

(4) 资本结构。资本结构影响公司效率的理论源自MM定理。MM理论研究资本结构和企业价值的关系, 后来的学者不断进行完善, 又提出权衡理论、代理理论等一系列新资本结构理论, 探讨企业的最优资本结构。证券公司的资本结构会对其经营效率产生影响。本文中用资产负债率来表示资本结构。

(5) 净资产。公司净资产越大, 一般意味着证券公司占有更多的市场资源, 可能是总资产规模更大、营业部更多、地区覆盖越广, 但同样也可能带来资源的浪费;公司净资产越小, 有可能意味着证券公司的业务无法正常开展。因此, 公司的净资产对公司的经营效率存在着影响。本文将净资产作为控制变量。

三、基于超效率DEA模型的证券公司经营效率分析

(一) 样本与指标选择

根据证监会2011年证券公司分类评级结果, 本文选取A类40家证券公司作为样本, 剔除缺失数据的证券公司后, 共36家证券公司符合样本要求 (包括14家上市证券公司) 。选取样本为A类证券公司是因为这部分证券公司管理、技术都比较先进, 风险管理能力比较强, 且营业收入相对稳定。从国外成熟市场来看, 整个证券公司的发展经历了由集中到分散再到集中的过程, 目前在国外成熟市场, 几家证券公司基本上就垄断了大部分的证券业务。可以预计未来我国证券行业也会出现这种趋势, 证券公司不断地兼并、重组, 业务、规模不断集中, 一些大规模或者超大规模的证券公司将从目前比较优秀的证券公司当中产生, 因此对A类证券证券公司经营效率进行分析将会有特殊的意义。

选取样本的时间跨度为2007~2010年, 主要基于以下几点考虑: (1) 2007年次贷危机爆发, 2008年向全球蔓延, 而且整个危机对世界经济的影响一直持续, 随后欧洲主权债务危机爆发并蔓延, 欧洲多国国家信用评级一再下降, 欧元区面临巨大挑战, 我国发展的外部环境恶化; (2) 我国A股市场从2007~2010年一直处在震荡的过程中, 在震荡的行情中对证券公司的经营效率进行分析, 更能找出决定证券公司的经营效率因素是哪些, 同时也能够反映证券公司的经营效率是否完全依靠证券市场行情; (3) 2007年以后证监会完成了对证券公司的综合整治, 证监会加强了证券公司信息披露的要求, 所得到的数据更为全面、真实, 分析的结果也更能使人信服。

对证券公司投入和产出指标的选择是进行生产效率评价的关键。本文将依据传统的生产函数即柯布一道格拉斯生产函数, 将证券公司的经营过程看作一般企业的生产过程, 将证券公司视为使用资本、劳动等生产要素而生产“产品”为营业收入的企业。关于资本投入指标的选择, 一定时期的资本投入一般可以通过该时期的成本费用来衡量, 成本费用一般为营业支出费用和营业外支出费用的总和, 即资本投入要素=营业支出+营业外支出。考虑到员工薪酬已经作为劳动投入要素考虑, 为避免重复, 因此, 成本费用当中应该剔除员工薪酬的部分。另外, 证券公司营业税金及附加不能反映证券公司资本投入, 该项也应该剔除。因此, 本文选取的资本投入=营业支出+营业外支出-员工薪酬-营业税金及附加。关于劳动投入指标的选择, 一般将其分为:员工人数、员工薪酬等, 考虑到员工人数无法衡量出从业人员的整体素质, 而证券公司是一种提供服务的行业, 证券公司从业人员的整体素质, 能够直接影响到证券公司的经营效率高低。因此, 本文采取员工薪酬作为劳动要素投入指标, 既能衡量劳动力投入的多少, 又能体现出劳动力素质的影响。鉴于部分证券公司未明确披露员工薪酬, 本文将选取这部分公司现金流量表中“支付给职工及为职工支付现金”代替员工薪酬。

本文数据来自中国证券业协会公布的各证券公司2007~2010年的财务报表。根据经验法则, 数据包络分析中决策单元的数量至少应当是投入与产出指标数量之和的2倍, 本文选取两个投入指标、一个产出指标和36家证券公司, 符合经验法则。

(二) 超效率DEA的模型分析

本文运用EMS软件, 运行投入导向型的超效率DEA模型 (SEDEA模型) , 得到2007~2010年各样本证券公司超效率值, 并按照各年的平均值进行了排序 (见表1) 。可以看出, 在2007~2010年36家证券公司的平均SEDEA值为0.577, 总体的平均水平比较低。通过分析得到结果见表1:

(1) 各证券公司SEDEA存在两极分化。2007~2010年, 36家证券公司中只有国元证券一家证券公司平均SEDEA值超过1, 也就是说, 在整个样本期内, 只有国元证券的运营接近有效率状态, 而其余35家证券公司的经营效率都比较低, 其中效率最低的是北京高华, 其SEDEA值仅为0.2922, 这也说明了不同的证券公司之间经营效率相差很大, 存在严重的两极分化。

(2) 证券公司的SEDEA效率值与其资产规模相关性不大。根据SEDEA平均值排名可以发现, 该排名与样本中按照总资产对证券公司的排名相差较大, 如:按2010年总资产排名前3位的分别为中信证券、海通证券、华泰证券, 但其生产效率排名分别为12、22、32, 而总资产排名第20、18、29位的国元证券、方正证券、国联证券的经营效率却位于前3位, 这在一定程度上表面我国证券公司经营效率与其规模并无必然联系。这也从另一方面说明, 证券公司要想获得持续稳定的发展, 就绝对不能一味追求规模扩张, 更应注重管理水平的提高、技术条件的进步。

(3) 上市公司平均SEDEA效率值优于非上市公司。样本中, 截止2011年底上市的证券公司有14家, 其与非上市类公司SEDEA比较见表2。可以看出上市类证券公司平均SEDEA值高于非上市类证券公司, 这说明上市证券公司的整体经营效率要高于非上市公司。同时可以看到, 国联证券、财达证券、中信建投、国信证券、华安证券等5家证券公司的年平均SEDEA要高于上市类证券公司的平均值, 说明部分非上市证券公司的经营效率高于上市证券公司的经营效率, 这部分证券公司资质优良, 基本符合上市条件, 应当推动它们的上市进行。

四、基于Tobit模型的证券公司经营效益回归分析

本文将以超级DEA模型计算出的SEDEA效率值作为因变量, 其取值为[0, +∞], 数据是被截断的, 因变量受到了限制, 如果此时采用普通的最小二乘法会因为忽视了随机误差项的异方差性导致估计出的参数是有偏且不一致的, 因此最小二乘法就不再适用于估计方程的回归系数, 而遵循最大似然估计的Tobit模型就成为估计回归参数的较好选择。Tobit回归模型由Tobin于1958年最早提出, 经济学家Goldberger在1964年首先采用。本文中SEDEA效率值为[0, +∞], 因此采用规范的Tobit模型表示为:

由于宏观经济增长率、利率水平对所有证券公司的经营效率影响是同质的, 在实证分析时不考虑这两个因素。鉴于样本规模的大小及数据的可得性, 本文选取了上市情况 (上市为1, 否则为0) 、制度环境 (用注册地点来衡量, 注册地为上海、深圳、广州、北京为1, 其他为0) 、第一大股东持股比例、资产负债率、净资本/净资产、净资产作为自变量, 因变量为计算出的SEDEA效率值。

表3是运用R软件对影响我国证券公司效率的因素进行Tobit回归的结果。模型的拟合优度R2为0.25, 可见模型的拟合程度是比较好的, 选取的解释变量具有一定的合理性, 但也说明仍然存在其他能够影响到证券公司经营效率的因素。前文已经提到, 本文选取指标时由于部分数据较难获得, 因此不得不剔除比如证券公司员工的学历构成, 这部分因素需等相关信息披露制度更加完善之后再加入到模型当中做进一步研究。

下文具体对每一个解释变量的回归结果进行分析。证券公司上市在5%的显著性水平, 对经营效率存在正的显著影响。这也进一步验证了前文中所得到的结果, 上市证券公司的经营效率要高于非上市公司的经营效率。

资产质量状况 (净资本/净资产) 在5%的显著性水平, 对证券公司的经营效率存在着正的显著影响。净资本/净资产比例越高, 意味着证券公司的风险管理水平越强, 内控机制越完善, 对市场变化具有更强的适应能力, 因此经营效率往往越高。

注册地点在5%的显著性水平下对经营效率的影响不显著, 但是在10%的显著性水平下显著, 且影响为正。注册地点衡量的是制度环境因素对证券公司经营效率的影响, 说明在深圳、上海、广州、北京四个一线城市注册的证券公司经营效率要优于其他地区的证券公司。这些城市政府的外部监管比较规范、法律环境较好, 且国外证券公司驻华分支机构多处于此, 存在一定的技术外溢效应, 对证券公司的良性经营存在一定程度的促进作用。

第一大持股比例与证券公司的经营效率存在显著的负相关性。从样本的描述性统计结果可以得知, 我国证券公司的平均持股比例为40%, 大股东持股比例过大是证券公司低效率经营的一个重要因素, 因此可以考虑采取上市等途径适当降低第一大股东持股比例, 优化股权结构, 从而可以减少股权过于集中带来的内部人控制等一系列问题。

资产负债率与证券公司经营效率之间负的相关性不显著。根据MM定理, 公司增加负债可以显著地提高公司的价值。但是由于证券公司经营业务的特殊性, 即负债中很大一部分为客户买卖证券存入的资金 (由描述性统计结果可以得知证券公司的平均负债率为75%) , 因此相对过高的资产负债率可能导致其对证券公司经营效率的影响不显著。

公司规模 (用净资产衡量) 与证券公司的经营效率之间正的相关性并不显著。这也验证了前文分析中, 证券公司规模扩张并不一定必然带来经营效率的提高, 相反更应注重集约规模, 即技术、管理的进步。

五、结论与建议

(一) 研究结论

本文从宏观和微观两个方面对影响我国证券公司经营效率的因素进行定性分析, 宏观因素包括国民经济运行状况、利率水平、制度环境;微观因素主要包括是否上市、第一大股东持股比例、资产质量状况、资产负债率、净资产规模。本文对影响我国证券公司效率的因素进行了Tobit面板回归。结果表明, 证券公司上市、资产质量良好对证券公司的经营效率有显著的正的促进作用, 注册地在一线城市的证券公司的经营效率在10%的显著性水平优于其他证券公司。而第一大股东持股比例过高是造成我国证券公司经营效率低下的重要原因, 资产负债率与净资产规模与经营效率之间并无显著相关性。

(二) 相关建议

结合本文的实证研究结果, 笔者就我国证券公司如何提高经营效率、增强竞争力提出以下建议:

(1) 不断优化证券公司股权结构。我国证券公司普遍存在股权结构单一、“一股独大”的问题, 研究结论表明, 证券公司的第一大股东持股比例和其经营效率成反比。因此, 适当分散股权, 鼓励和吸引不同性质的资本进入证券公司, 实现股权多元化, 可以完善公司的治理结构, 有效抑制诸如内部人控制等问题, 为证券公司提高经营效率创造条件。此外, 总体上看, 上市证券公司的经营效率显著优于非上市证券公司, 但部分非上市证券公司的经营效率优于上市证券公司, 所以加快推进这部分优秀证券公司的上市, 充分发挥资本市场对公司的监督管理, 是分散证券公司股权, 完善公司治理的有效途径。

(2) 不断强化以净资本为核心的风险控制体系。我国证券公司经营效率与A股市场波动显著相关, 抗风险能力较弱。本文结论显示净资本越充足, 证券公司经营效率越高。因此, 证券公司应当遵循证监会要求, 建立并强化以净资本为核心的风险控制体系, 重视风险管理。证券公司在进行重大投资、开展创新业务之前, 应对净资本等相关的风险指标进行敏感性分析和压力测试, 确保满足证监会监管要求。

(3) 推进各地区制度环境建设。建立并完善证券行业的法律、法规体系, 推进市场化进程, 改善证券公司监管体制, 逐步减少政府的行政干预, 建立良好的制度环境, 为证券公司的发展提供基础保障。

(4) 证券公司的兼并、重组应当循序渐进。研究结果表明证券公司的经营效率与其资产规模并没有存在正的显著相关性。因此推动证券公司做大做强并不能一味地追求规模, 而应当更注重技术创新和管理创新。

参考文献

[1]边晓磊、陈学彬:《基于DEA方法的我国证券公司经营效率分析》, 《资本市场》2009年第4期。

[2]霍丽娟:《我国规范类证券公司经营效率研究》, 西南大学2009年硕士学位论文。

[3]程可胜:《中国证券公司效率的实证分析》, 《华东经济管理》2009年第8期。

超效率模型 第2篇

超/跨音风扇气动设计体系有关流动模型改进探讨

当前超/跨音风扇准三维气动设计体系中,二维气动设计与三维流场分析在模型上不匹配.为加强二者之间的关联,提出了气动设计体系三角形概念.作为其实现方法的一部分,提出了内部气流脱轨角及其偏差作为定量指标,以对设计流场进行评价,并对下一轮设计进行指导.根据有限算例,探讨了内部以气流脱轨角及其偏差作为定量准则的可能性.

作 者：赵拥军 邢秀清 周盛 Zhao Yongjun Xing Xiuqing Zhou Sheng 作者单位：北京航空航天大学刊 名：航空动力学报 ISTIC EI PKU英文刊名：JOURNAL OF AEROSPACE POWER年，卷(期)：14(1)分类号：V211关键词：跨音速流动 风扇 气动特性 模型

超效率模型 第3篇

水运业是交通运输业的重要组成部分, 特别是远洋运输由于其低运价、一次载货量大的优势在国际物流中发挥着重要作用, 促进了经济的增长和国际间的交流。它是煤炭及制品、石油、天然气及制品、金属矿石、钢铁、矿建材料、粮食、木材等的重要运输工具。货物周转量从2008年的50262亿吨公里增长到2012年的81707亿吨公里, 占铁路、公路和水运货物周转量之和的47%, 比重将近一半, 可见水运业在货物运输方面具有的优势。然各省的水运业效率如何, 其投入产出是否达到相对有效是一个值得研究的问题。通过研究文献, 发现国内外学者对水运业效率研究很少, 国外学者Kevin Cullinane[1]等 (2005) 应用CCR、BCC和FDH模型测得世界主要集装箱港口效率在三个模型中全部为有效的有基隆、科伦坡、林查班、焦亚陶罗、巴生集装箱、北海运河、长滩、洛杉矶。Kevin Cullinane[2]等 (2010) 又对2001年世界排名前31的主要港口的效率应用DEA加以分析, 研究发现1992年~1999年间31个主要港口的均值效率为有效的只有基隆和科伦坡港, 并且各年的总体均值都未达到有效。Jian Lin Jiang, Ek Peng Chew[3]等 (2012) 应用强烈效率边界和无效效率边界DEA对亚洲24个主要集装箱港口效率加以分析, 得到结论:新加坡、香港、深圳、迪拜、宁波、青岛、高雄、天津、科伦坡和萨拉拉为强烈有效的, 而上海、釜山、广州、林查班、横滨、东京、马尼拉和名古屋市是强烈低效的。Khalid Bichou M.Sc[4] (2005) 应用物流和供应链方法对海港效率进行分析;Vicente Inglada[5] (2010) 研究了1986年~2005年的27个西班牙港口的技术效率和投资回报率;而Ramón Nún~ez-Sánchez[6] (2010) 对同时间段西班牙主要港口的技术效率和配置效率加以研究, 发现主要港口未达到成本最小化。国内学者也主要从水运公司角度或者从国家层面研究水运业效率, 陈军飞和严以新 (2004) [7]应用DEA对1991年~2001年我国水运业的总体效率分析, 发现只有1991年、1992年和2000年的效率达到有效, 并应用8种不同的输入输出组合方案, 研究得到只有2000年的各方案效率都有效。云俊和张帆 (2006) [8]对我国主要集装箱港口应用传统DEA模型和DEA扩展模型加以分析, 测得宁波、香港、深圳和上海港的相对效率值和规模效率值为1, 并通过扩展模型对这四个港口效率再深入对比, 发现宁波港相对效率值和规模效率值同为1, 而另外三个港口的相对效率值和规模效率值排序为香港、深圳和上海。陈惠 (2011) [9]对民航运输业整体效率和各公司效率加以研究, 应用DEA分析发现, 在2000年~2008年中, 只有2007年达到DEA有效, 而各公司效率达到1的只有国航和东航;对效率非有效的影响因素从宏观经济环境、民航运输业产业结构和企业管理问题加以分析。吴振明和彭其渊 (2013) [10]对我国交通运输业应用BCC两阶段效率评估框架分析了生产过程的技术效率和适应过程的配置效率, 在研究的1990年~2010年间技术效率对综合效率的影响变化不大, 而配置效率对综合效率的影响基本呈逐年递增趋势。从上述国内外研究可看出, 当前对水运业效率的研究主要集中在集装箱港口方面, 研究方法应用最多的都是DEA模型;国内还有文献从国家层面对水运业效率的逐年变动情况加以分析;对水运业效率研究文献也较少, 大多是对我国交通运输业总体效率、民航运输业和铁路运输业的效率加以研究。本文试图应用超效率DEA模型对各省的水运业总体效率加以分析, 突破以往仅对集装箱港口效率的研究。超效率DEA能够获得在CCR和BCC模型中效率为1的决策单元的真实效率值, 并进行排序。

2 模型建立

假设有n个决策单元 (j=1, 2, , n) , 每个DMU决策单元有相同的m项投入 (输入) (i=1, 2, , m) , 每个DMU决策单元有相同的s项产出 (输出) (r=1, 2, , s) , Xij表示第j决策单元的第i项投入, Yrj表示第j决策单元的第r项产出。1978年Charnes和Cooper[11]提出第一个最基础最重要的DEA模型, 即CCR模型, 它的对偶规划模型如下式 (1) :

加入松弛变量后, 变为:

λ表示决策单元线性组合系数, S-表示与投入相对应的松弛变量向量, S+表示与产出相对应的松弛变量向量, 带*表示最优解。若θ*=1, , 则j0单元为DEA有效;若 存在非零值, 则称j0单元为DEA弱有效;若θ*<1, 则称j0单元为DEA无效。根据松弛变量S-值和S+值可求得非有效决策单元投入冗余额和产出不足额。

为了求得纯技术效率和规模效率的变化, 1984年Banker, Coper[12]等人提出通过对权重λj进行凸性约束 , 可得到BCC模型, 如下式 (3) :

加入凸性约束条件是为了避免锥性条件, 即规模收益不变的发生。在CCR模型中规定生产要素等是规模报酬不变的, 而在BCC模型中则认为规模报酬是可变的。若 , 则表示规模收益不变, DMU决策单元的产出收益达到最大值;若 , 表示规模收益递增;若 , 表示规模收益递减。BCC模型中的纯技术效率与规模效率乘积等于CCR模型中的综合效率。

在CCR模型中得到的综合效率会存在多个决策单元效率同为有效的情况, 这时对于有效决策单元之间的效率值排序问题将无法解决, 对此, Andersen, Peterson[13]提出了超效率DEA模型 (简称SE-DEA) , 解决了对有效决策单元的排序问题。在CCR模型中求得的各省水运业效率同为1时, 可应用超效率DEA求它们的真实效率。它的主要思路是:首先, 在对决策单元进行效率评价时, 将被评价的决策单元排除在决策单元的集合之外, 此时, 未达到DEA有效的决策单元与CCR模型的结果一致, 而有效的决策单元将会显示其真实的效率值。这主要是DEA无效的决策单元其生产前沿面不会变动, 而DEA有效的决策单元其生产前沿面发生了变动, 需要重新计算。下式 (4) 是加入阿基米德无穷小量和松弛变量后得到的超效率DEA模型。

与CCR模型有所区别的是, 在计算时, 生产可能集不包括被评价单元j0, 即在评价j0决策单元时, 将其与其他决策单元的线性组合做比较, 而不包括本身。这样有效率的决策单元的效率值将会发生变化, 等于或大于1, 而未达到有效的决策单元的效率值保持不变。

本文将应用CCR模型求得各省水运业的综合效率 (TE) , 并根据松弛变量求得投入冗余额和产出不足额;应用BCC模型可得到纯技术效率 (PTE) 、规模效率 (SE) 和规模报酬 (RTS) 的变动情况;以“irs”表示规模报酬增加, 以“drs”表示规模报酬递减, 以“-”表示规模报酬不变。应用超效率DEA得到综合效率的真实效率值, 并对各省的效率加以排序。

3 实证分析

本文应用上述模型对2012年各省水运业的效率加以分析, 我国31个省和直辖市中由于北京、内蒙古、新疆和西藏无航道供水运业发展不纳入研究范围。论文采用文献法确定了水运业效率分析的投入和产出指标, 选取航道里程、机动船、驳船和就业人数为投入指标, 选取旅客周转量和货物周转量为产出指标。航道里程长度是水运业发展的物质基础, 机动船和驳船数量可代表各省物化的资金投入量, 就业人数代表各省劳动力投入的多少。水运业最主要的产出形式是旅客和货物的运输量, 故本文选取旅客周转量和货物周转量作为产出指标。就业人数指标数据来源于《中国统计年鉴2013》, 其他指标数据来源于《中国交通年鉴2013》。

应用DEAP2.1软件得到在投入导向下的CCR模型和BCC模型的效率值, 应用EMS1.3软件求得超效率DEA模型的效率值。

在表1中, 显示了2012年27个地区水运业的效率值。从CCR模型和BCC模型看, 综合效率值为1的有天津、河北、辽宁、上海、海南、贵州、云南和青海, 表明它们的效率达到相对有效, 这也显示它们的纯技术效率和规模效率都为有效, 说明这8个地区充分利用现有资源, 不断提高管理水平, 使规模报酬达到最优。浙江、山东和重庆的综合效率分别为0.806、0.902和0.889表明这三个地区效率水平较高, 但未达到有效;浙江省主要是纯技术效率和规模效率都未达到有效引起的, 并且规模报酬减少, 因此, 浙江省应在提高水运业管理水平的同时注意控制水运业发展规模;山东省和重庆市纯技术效率达到有效, 其综合效率非有效主要是规模效率非有效引起的, 且其规模报酬递减, 因此, 山东省和重庆市提高效率的主要对策是保持现有管理水平的同时适当缩小水运业发展规模。其他16个地区的综合效率值都很低, 最低地区为宁夏, 仅为0.055, 其主要原因是纯技术效率和规模效率都很低, 分别为0.595和0.093, 表明宁夏应努力提高水运业的管理水平, 充分利用现有的水运资源优势, 大力开展水运事业, 不断提高水运发展规模。福建、广东和广西三个沿海省份的效率分别为0.631、0.327和0.33;福建和广西效率较低主要是纯技术效率较低引起的, 其规模效率达到有效且规模报酬不变, 主要改进办法是提高管理水平, 加强对水运运输市场的开发, 加强对业务人员相关专业知识的培训。广东效率低下源于其规模效率的非有效, 且规模报酬处于递减阶段, 表明广东提高水运业效率应从控制好规模出发, 提高设施设备利用率。另外12个地区除吉林和山西规模效率很低外, 其他省份的规模效率都达到0.8以上, 它们主要是纯技术效率极其低下引起的, 表明这些省份要努力提高纯技术水平, 加强对水运业的管理, 遵循国家水运业相关管理条例, 完善水运业管理规章制度, 提高信息化应用。

从超效率DEA模型看, 在CCR模型中效率值为1的省份, 它们的真实效率值差异都很大, 最大差异达到9倍之多。效率排名前八的分别为河北、青海、云南、海南、天津、辽宁、贵州和上海, 效率值分别为9.481、9.465、6.024、5.235、3.782、2.713、2.348和1.244。从各省总体均值看, 在CCR模型下综合效率和BCC模型下的纯技术效率和规模效率都未达到有效, 分别为0.606、0.697和0.872, 但超效率DEA模型效率值达到1.556, 是CCR模型结果的2倍多。可见对于有效地区的效率值在SE-DEA模型与CCR模型中的巨大差异。

表2是投入产出指标的改进值, 下面对在投入导向下为了达到效率相对有效, 投入和产出指标的改进数量, 即称为投入冗余额和产出不足额。从投入冗余额看, 四个指标中, 就业人数的冗余程度最小, 除宁夏有1195人数冗余, 其他省份地区均未有冗余现象;各省航道里程的冗余程度相对较低, 并且大部分省份都得到充分利用, 而黑龙江、江苏、广东、广西和四川航道有一定程度的资源浪费, 广东的浪费程度最大, 达到2326公里;在设备投入方面, 机动船冗余省份达到一半以上, 部分省份浪费数量巨大, 如江苏、浙江和安徽分别达到11935艘、11877艘和11409艘;驳船数相对机动船数冗余较小, 冗余省份的数量也相对较少, 驳船冗余数量最多的是山东和江苏, 分别达到5077艘和3076艘。

从产出不足额看, 旅客周转量产出指标除了广东需要提高4.21亿人公里外, 其余省份地区均不用改进;货物周转量产出指标需要提高的省份相对较多, 山东、重庆和四川改进值分别为6560.67亿吨公里、1066.66亿吨公里和379.18亿吨公里, 另四个省份改进值很小。

投入产出都不需改进的有天津、河北、辽宁、上海、海南、贵州、云南和青海, 由于它们的综合效率都达到有效。

4 结论

权回归模型中的相对效率 第4篇

权回归模型中的相对效率

将线性模型中定义的一种新相对效率e4=min1≤i≤pλi(Covβ?)λi(Cov)推广到权回归模型中,并研究了它的下界以及它与某些广义相关系数之间的关系.

作 者：夏蕾 田保光 王楠楠 许丽娟 XIA Lei TIAN Bao-guang WANG Nan-nan XU Li-juan  作者单位：青岛科技大学,数理学院,青岛,266061 刊 名：科学技术与工程  ISTIC英文刊名：SCIENCE TECHNOLOGY AND ENGINEERING 年，卷(期)： 9(20) 分类号：O212.1 关键词：权回归模型   相对效率   广义相关系数  

超效率模型 第5篇

关键词：物流企业,经营效率,因子分析,超效率,DEA

一、引言

物流活动是企业价值链的基础活动, 是企业取得竞争优势的关键, 被称为企业的“第三利润源”。许多生产企业在加强技术开发和推进全面质量管理的同时, 已经把寻求成本优势和价值优势的目光转向外包的物流领域。对于在行业内有绝对优势地位的上市物流公司, 经营效率评价已经成为企业计划和控制的有机组成部分, 全面、合理的效率评价对企业的生存与发展具有举足轻重的作用。

近几年对于上市公司经营效率评价的方法主要有数据包络法、层次分析法、DEA-APH方法等。但是现有研究存在以下问题:具有随机性;主观性明显;评价结果缺乏全面性和科学性;传统的数据包络法 (DEA) 对于效率等于1的决策单位未做出进一步比较。因此, 本文将因子分析法和超效率DEA模型相结合, 有效克服现有研究方法的弊端, 力求评价结果的客观和科学。

二、研究方法

(一) 因子分析法

因子分析法是根据变量内部的依赖关系, 以最少的信息缺失, 把具有错综复杂关系的多变量重新整合为较少综合因子的一种分析方法。它的基本思想是将观测变量进行分类, 将相关性较高的变量分为一类, 那么不同类变量之间的相关性就较低。因此, 每一类变量实际上代表一个基本结构, 即公共因子。因子分析的目的就是试图用最少个数的不可测公共因子的线性函数与特殊因子之和来描述原来观测的每一分量。

(二) 超效率DEA模型

DEA常见的模型为C2R模型, 但是用C2R模型计算出来的效率范围只是在0到1之间, 对于效率超过1的决策单位均以1显示, 对这些决策单位无法做出准确区分。因此, Anderson&Peterson依据C2R模型的方法, 进一步提出了超效率模型 (super efficiency, DEA) , 该模型计算出的效率值将不再限制在0到1的范围内, 而是允许效率值超过1, 大大提高决策的准确性。

超效率DEA模型的基本原理与DEA模型相同, 不同的是在进行第j0个决策单元的效率评价时, 将第j0个决策单元产出投入之比小于等于1的约束去掉, 使第j0个决策单元的投入和产出被其余所有的决策单元投入和产出的线性组合替代, 即将第j0个决策单元排除在外, 而传统的DEA模型是将其本身包含在内的。具体模型如下:

假设有n个评价单元 (DMU) , 每个评价单元要消耗m个输入, 可产生s个输出, 即评价单元DMUj的输入Xj={xij, xij>0} (i=1, , m) , 输出Yj={yrj, yrj>0} (r=1, , s) 。评价单元的效率为。其中:vj (vj≥0) 为xij的权重;ur (ur≥0) 为yrj的权重。要评价第j0个DMU的相对有效性, 建立下面的超效率DEA模型:

该模型可以转化为它的对偶线性规划问题模型 (Dε) :

在超效率DEA模型中, 原为DEA无效的决策单元, 效率值与基本DEA模型中的值相同, 不同的是对于原为DEA有效的决策单元, 超效率值θ≥1, 大小取决于该决策单元输入输出的优劣程度, 输入输出相对于其他单元比例越好, 值越大。

三、实证分析

(一) 样本选择及数据来源

本文随机选取10家物流上市公司作为样本 (见表1) , 以2012年的年报数据为依据。

(二) 因子分析建立输入输出指标体系

对于上市物流公司经营效率分析, 就是利用投入指标和产出指标来衡量。由于投入和产出的指标很多, 计算量大, 本文利用因子分析法, 在涵盖原有的信息的基础上以最少的信息缺失, 将具有错综复杂关系的多变量重新整合为较少的综合因子。首先选取管理费用率、财务费用率、流动比率、速动比率、产权比率、营业周期、存货周转率、总资产周转率、资产负债率和权益乘数这10个财务比率指标作为基础投入指标, 同时选取净资产收益率、资产报酬率、销售净利率、息税前利润、营业收入增长率、净资产增长率和总资产增长率这7个财务比率指标作为基础产出指标。分别利用因子分析法提取投入指标的公共因子和产出指标的公共因子, 建立输入输出指标体系。

本文采用SPSS19.0统计软件, 取特征值大于1的公共因子为有效。投入指标因子分析的总方差解释见表2, 前四个因子的累计方差贡献率为91.029%, 并且只有它们特征值的取值大于1。说明前四个公共因子基本包含了全部变量的主要信息, 所提取的公共因子有较好的代表性。同理, 产出指标因子分析的总方差解释见表3。

采用因子旋转方法能够使得因子载荷系数向0或1两极分化, 使大的载荷更大, 小的载荷更小。这样结果更具可解释性。提取结果见表4和表5。

从表中可以看出, 因子分析提取了4个公共因子作为输入指标, 2个公共因子作为输出指标。由此建立了输入输出指标体系。

(三) 经营效率超效率DEA模型分析

为了判断上述决策单元经营效率是否有效, 有效的决策单元又有怎样的区别, 能否继续提高经营效率, 从而进一步有针对性地提出优化资源配置和提高其经营效率的对策, 本文利用超效率DEA模型进行深入分析。

现以本文选取的10家上市物流公司为例, 说明超效率DEA模型的计算过程。

表6列示了根据因子分析建立的输入输出指标体系的数据。 (1) 投入因子 (输入向量) (m=4) ; (2) 产出因子 (输出向量) (s=2) 。

按超效率DEA模型写出对中信海直进行经营效率评价的线性规划模型:

最后, 利用Lingo软件求解, 结果如表7所示。

由表7可知, 海峡股份、江西长运和中国国航为非DEA有效。

对于中国国航, Σλ>1, 则DMU为规模收益递减, 表明DMU在当前投入的基础上, 增加投入量不可能带来更高比例的产出。因此根据计算结果, 需要增加投入因子2和投入因子4的相关指标, 达到DEA有效。

对于海峡股份和江西长运, Σλ<1, 则DMU为规模收益递增, 表明DMU在当前投入的基础上, 适当增加投入量, 产出量将有更高比例的增加。因此根据计算结果, 海峡股份和江西长运均需要增加投入因子2和投入因子4的相关指标, 达到DEA有效。

其余8个物流企业θ>1, 均为DEA有效。其效率由大到小依次为华贸物流、富临运业、中海海盛、中远航运、招商轮船、中信海直、中海集运。

以华贸物流和中海海盛为例, 华贸物流可增加投入因子2的相关指标, 进一步提高企业经营效率;中海海盛可增加投入因子2、投入因子3和投入因子4的相关指标, 进一步提高企业经营效率。

四、结论

超效率DEA模型保留了传统DEA模型客观性强、简化计算和减少误差的优势, 并且进行评价所得结果是在DEA模型评价所得结果上的进一步细化, 会给决策者提供更多的信息。本文采用因子分析法和超效率DEA模型相结合, 减少了主观因素对结果的影响, 又不失合理性和科学性;解决了传统DEA模型对于效率等于1的决策单位无法区分优劣的问题;能够有针对性地提出定量化的建议和对策;而且计算简单准确, 应用范围广泛。本文提供了应用该方法对10家上市物流企业进行经营效率评价的基本步骤, 通过实例分析体现了该方法的实用性及优越性, 表明它有很强的适用性和可操作性。J

参考文献

[1].杨德权, 裴金英.基于超效率DEA-I-AHP的物流企业绩效评价[J].运筹与管理, 2012, (2) :189-194.

[2].黄世英, 张中尚.上市公司经营效率评价文献综述[J].中国乡镇企业会计, 2011, (12) :236-237.

[3].吕梁, 高红.基于因子分析和数据包络分析的港口竞争力评价[J].大连海事大学学报, 2010, (4) :43-47.

[4].王中华, 李湘君.基于超效率DEA的中国省际卫生服务效率分析[J].科技管理研究, 2012, (2) :61-63.

超效率模型 第6篇

随着价值投资理念的盛行, 上市企业的内在价值也成为人们日益关心的问题。随着中国银行业的不断发展, 势必存在各家银行发展良莠不齐的状况。因而有必要对上市银行进行业绩评估和排序, 以便决定投资于哪些银行;从投资者的角度看, 投资者花钱购买上市公司的股票, 他就有权利知道取得的绩效怎样;对于银行来讲, 通过分析经营绩效与比较可以了解自己的长处和不足。因此, 无论从哪个角度, 对上市银行的业绩进行评估都是极其重要的。

本文在研究方法方面, 采用了目前流行的超效率DEA方法, 该方法可以对样本银行进行全面排序, 从而克服了样本银行均处在效率前沿面上无法区分孰优孰劣的情况;在测算银行效率之后, 得出比较有投资价值的上市银行。

二、超效率DEA模型

1. DEA方法。

数据包络分析是一种对多个同类型的具有多输入、多输出的决策单元 (DMU) 进行相对效率或有效性比较的计量经济学方法, 其基本原理是把每一个被评价公司作为一个决策单元 (DMU) , 再由所有被评价公司 (DMU) 构成被评价群体, 其中每个DMU都有已知的同类型“投入”和“产出”指标, 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值的权重为变量进行评价运算, 用数学规划方法包络出一个“最佳效率的相对有效前沿面”, 并根据各DMU与相对有效前沿面的距离状况, 确定其是否DEA有效。

假设n个决策单元对应的输入数据和输出数据由表1给出。

其中, xi j=第j个决策单元对第i种输入的投入量, xi j>0yr j=第j个决策单元对第r种输出的产出量, yr j>0

vi=对第i种输入的一种度量 (或称权) ur=对第r种输出的一种度量 (或称权)

xi j及yr j为已知的数据, 它可以根据历史的资料或预测的数据得到;vi及ur为变量。对应的权系数向量:

我们将第j个决策单元的效率定义为:

那么, 在规模报酬不变假设下的投入导向型DEA模型

式2.1说明, 由于受到非效率因索的影响, 使得该决策单元的投入组合大于最优化的投入 (即约束条件一) , 而该决策单元的产出组合小于最优化的产出 (即约束条件二) , 第三个约束条件则限定了规模报酬不变的假设, 在这三个条件的约束下, 确定标量θ, λj为常数。根据定义, θ即是第j家银行的效率值, 满足0≤θ≤1。当θ=1时, 表示该银行是效率前沿面上的点, 因而处于技术有效状态。将式2.1表示的线性规划求解n遍, 即可得到每家银行的效率值。

2. 超效率DEA模型。

DEA的CCR模型将决策单元分为两类, 即有效和无效, 对于多个同时有效的决策单元则无法做出进一步的评价与比较。为了弥补这一缺陷, 提出了一种DEA的“超效率”模型, 使有效决策单元之间也能比较效率的高低。这个模型的基本思路是:在评估决策单元时, 将该决策单元本身排除在决策单元的集合之外。其线性规划模型为式2.2。

三、中国上市银行效率及投资价值的实证研究

1. 投入产出指标设置与样本数据。

本文选取中国银行、中国工商银行、中国建设银行、交通银行、兴业银行、宁波银行、深圳发展银行、北京银行、南京银行、华夏银行、招商银行、民生银行、中信银行、上海浦东发展银行共14家商业银行2008年的财务数据作为研究对象。同时, 把测度上市银行有效性的投入要素界定为总资产, 代表上市银行经营规模。产出指标为银行的主营业务收入、净利润和经营活动净现金流量, 其中主营业务收入、净利润主要反映上市银行的产出规模和经济效益, 经营活动净现金流量主要反映银行的营运能力。计算过程使用的软件为LINDO软件用于测算样本银行各效率值。

2. 实证结果分析。

根据DEA方法下的CCR和超效率模型以及样本的相关投入产出数据, 运用LINDO软件程序进行实证研究, 测算出样本上市公司的相对有效性结果 (见表2) 。

根据C2 R模型的结果, 2008年中国14家上市银行中有5家银行的经营是有效的, 相应的θ=1, 而其余9家上市银行的经营是无效的, 原有的国有商业银行的表现不是很出色, 股份制银行中宁波银行、深圳发展银行、南京银行、招商银行和中信银行的表现比较出色;再根据超效率DEA模型的结果, 原来在C2R模型下无效的银行仍是无效的, 在C2R模型下有效的5家上市银行中, 宁波银行的有效值相比于其余四家银行要高一些。也就是说, 对于投资者来讲, 上市的中国商业银行中比较有投资价值的是宁波银行、深圳发展银行、南京银行、招商银行和中信银行, 在这其中宁波银行又稍胜一筹。

四、结论

通过上述实证研究, 本文得出如下几点结论:第一, 本文运用超效率DEA模型评价上市银行经营绩效及其投资价值的相对有效性, 可以得到上市银行相对投资价值的高低。其次, 上市银行内在价值是由上市银行自身投入产出系统的实际运行效率决定的, 通过超效率DEA模型测算其运行效率的结果并以此判断其内在价值的高低。再次, 对投资者而言, 树立科学的效率投资理念相当重要。传统“价值投资理论”的核心在于通过寻找股价低于内在价值的上市银行或者上市公司进行中长期投资, 本文倡导所谓的“效率投资理念”, 就是从公司内部投入产出的角度入手, 通过研究公司运行效率的高低变化作为股票投资决策的依据, 具有一定的可操作性和应用性。最后, 随着中国证券市场运行的规范化以及机构投资者队伍的扩大, DEA模型和超效率DEA模型这种客观化的运筹学方法对上市公司投资价值判断及进行投资的应用性将进一步增强, 其和现在已经应用较广泛的统计学和计量经济学方法相结合, 预期可以取得更好的定量分析的效果。

摘要：DEA方法的CCR模型难以解决相对有效单元进一步识别的问题, 而超效率模型通过重新定义生产可能集, 可以对决策单元进行充分排序和评价。以中国14家上市银行为样本, 运用CCR模型和超效率模型对2008年中国上市银行的经营效率进行了实证分析, 从而对投资者投资中国上市银行具有较高的参考价值, 在应用上更具有优势。

关键词：DEA,超效率模型,上市银行,投资价值

参考文献

[1]赵旭.基于超效率模型的上市公司投资价值评价[J].统计与信息论坛, 2007, (5) :71-76

[2]李喜凤.医药行业上市公司业绩DEA有效性分析[J].现代管理科学, 2006, (12) :69-71

超效率模型 第7篇

一、超效率DEA模型

超效率数据包络分析模型(Super Efficiency DEA,SE-DEA)是由Andersen&Petersen根据传统DEA模型所提出的新模型。传统DEA模型如最基本的C2R模型对决策单元规模有效性和技术有效性同时进行评价,BC2模型用于专门评价决策单元技术有效性,但C2R模型和BC2模型只能区别出有效率与无效率的决策单元,无法进行比较和排序。超效率DEA模型与C2R模型的不同之处在于评价某个决策单元时将其排除在决策单元集合之外,这样使得C2R模型中相对有效的决策单元仍保持相对有效,同时不会改变在C2R模型中相对无效决策单元在超效率DEA模型中的有效性,可以弥补传统DEA模型的不足,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,可以对各决策单元进行比较和排序。模型如下:

假设有n个决策单元,它们的输入和输出数据分别为(xj,yj)(j=1,2,,n),对于第j0(1芨j0芨n)个决策单元,SE-DEA模型计算第j0个决策单元超效率值的评价表述式为[2]:

其中,θ 为第j0个决策单元的超效率值;ε 为非阿基米德无穷小量;n为决策单元(DMU)个数,每个决策单元均包括m个输入变量和s个输出变量;si-,sr+分别为输入和输出的松弛变量;xij表示第j个决策单元在第i个输入(投入)指标上的值;yrj表示第j个决策单元在第r个输出(产出)指标上的值;λj为输入输出指标的权重系数;θ,λj,si-,sr+为未知参量,可由模型求解。

当 θ≥1,且si-=sr+=0 时,称第j0个决策单元DMU是DEA有效,且为规模和技术有效,θ 值越大,有效性越强。

当 θ≥1,且sr+≠或si-≠0 时,则第j0个决策单元DMU是DEA弱有效。

当 θ<0,或者si-≠0,sr+≠0 时,称第j0个决策单元DMU是DEA无效,为规模无效或技术无效。

二、MATLAB程序

本文在此编写出求解(1)式的MATLAB程序,如下:

以上程序十分便于使用,用户只须输入多指标输入矩阵X和输出矩阵Y,即可得到所需结果。

三、实证分析

对河南省20022011 年的财政科技投入效率进行分析,投入产出指标选取如下:

1.投入指标。选择输入变量:科技活动人员(万人)X1、科学家和工程师(人)X2 指标反映了地区科技人力资源的投入;R&D投入X3、科技经费支出占当年财政支出的比重(%)X4 指标反映了对科技活动的经费投入。

2.产出指标。选取下列5 个产出指标:专利申请受理量(项)Y1、科技论文(篇)Y2、发明专利申请授权量(项)Y3 指标反映了科技创新成果;技术市场成交合同金额(亿元)Y4、规模以上工业增加值(亿元)Y5 指标反映了科技产出成果的市场化效应。

根据财政科技投入产出指标,通过河南省统计年鉴、河南省科技统计年鉴收集到河南省20022011 年十年相应指标的原始数据(缺失值采用序列均值进行替换)(见表1),并将河南省20022011 年这十年作为决策单元。

采用超效率DEA模型进行分析,在MATLAB R2012a软件中输入多指标输入矩阵X和输出矩阵Y分别为:

X=[13.72,14.65,14.95,14.2,17.72,19.22,20.98,18.99,26.21,29.29;90 789,93 600,81 707,95 738,10 580,122 223,132 939,89 653.71,89 653.71,89 653.71;1 151,1 173,1 423,1 498,1 432,1 531,1 727,1 821,1 798,1 817;1.26,1.26,1.18,1.24,1.31,1.35,1.33,1.22,1.31,1.33]

Y=[4441,5261,6318,8981,11538,14916,19090,19589,25 149,34 076;22 137,41 669.13,41 669.13,36 783,44 922,47 880,48 531,55 953,55 010,22 137;2 590,2 961,3 318,3 748,5 242,6 998,9 133,11 425,16 539,19 259;17.85,19.27,20.32,26.37,23.84,26.51,25.44,26.38,27.69,38.76;1 387.86,1 740.11,2 332.7,3 200.23,4 150.6,5 438.06,7 305.39,7 764.45,9 901.52,11 882.55]

由以上的MATLAB程序,最终求得本问题的解(见表2)。

由P87 表2 可知,河南省财政科技投入有效的年份依次为:2006 年、2011 年、2005 年、2003 年、2009 年、2010年、2007 年,从数值上看,这七年的超效率值均大于1,说明这七年的财政科技投入与产出均达到有效配置。河南省财政科技投入无效的年份依次为:2002 年、2008 年、2004 年,这三年的超效率值均小于1,说明这三年的财政科技投入与产出未达到有效配置。此外,还可根据投入冗余与产出不足对SE-DEA模型中DEA无效的决策单元进行进一步的分析。

四、结束语

本研究利用数学软件MATLAB编写了便于使用超效率DEA模型的计算程序,并利用该程序对河南省20022011年财政科技投入的超效率进行了计算与分析,实证分析表明该MATLAB计算程序十分的方便、快捷。

摘要：利用数学软件MATLAB编写了便于使用超效率DEA模型的计算程序,并利用该程序对河南省2002—2011年财政科技投入的超效率进行计算与分析,实证分析表明该MATLAB计算程序十分的方便、有效。

超效率模型 第8篇

1 青海省科技投入现状及问题分析

1.1 科技投入

1.1.1 财政科技投入总量小, 增长机制尚未稳定

从近几年的统计数据来看, 青海省对财政科技投入的总量大体上保持了稳步增长, 在个别年份略有下降。青海省的财政科技投入总量总体上维持逐步增加的态势, 从2009年至2013年财政科技投入支出增加了3.61亿元, 但全国平均的财政科技投入增长率与青海省的增长率也呈现出不同的情况, 从图1看出, 从整体来说, 全国平均的增长率较为平稳, 在2009年~2012年基本保持在20%的水平, 但在2013年出现下滑。综合全国经济态势, 近年逐渐进入新常态, GDP增速进入换挡期, 增长率略有放缓, 这必然会波及到财政科技投入的增长率, 由于财政科技支出规模的整体下降, 因此使增长率出现大幅度下滑, 甚至出现了负值。但从近年青海省的财政科技投入增长率分布图可以看出, 其整体呈现震荡波动的局面, 且相邻年份之间波动较大, 特别是在2010年出现了负增长, 增长率为-14.64%, 而2012年又攀升至高点, 增长率为91%, 与全国较为平稳的增长率形成鲜明的对比。

1.1.2 财政科技投入比重较小

由于地理位置与经济发展环境的特殊性, 青海省科技投入整体规模较小, 科技综合水平与全国差距明显, 但从相对数来进行分析, 表1可知, 从近年的数据来看, 在财政科技支出占财政总支出比重上, 青海省基本在1%以下的水平, 而全国却基本维持在3.5%的水平, 从相对规模来进行分析, 以2013年为例, 青海省财政科技支出占财政总支出的比重为0.68%, 而全国为2.27%, 青海省的比重不足全国比重的三分之一, 可见青海省与全国的差距还是很大。因此, 不论从绝对数或是相对数上来讲, 青海省的财政科技投入都是处于比较落后的水平, 这反映出青海省对于财政科技支出的投入力度与全国还存在较大差距, 资金强度的不足从根本上制约了省内科技事业的发展, 是需要特别重视与调整的领域。

1.2 R&D经费

R&D经费是国际上通用的衡量一个国家或地区科技投入强度和科技发展水平的评价指标, 也是衡量一个地区创新与发展能力的重要指标。通过分析R&D经费支出的规模与结构可以直观地了解到地区经济与科技发展的水平, 帮助我们分析地区科技发展中存在的问题。

1.2.1 R&D经费支出规模较小

从图2可以看出, 从总量上来看, 青海省与全国平均的R&D经费内部支出规模都是保持逐年递增的趋势, 但从绝对总量来看, 青海省的R&D经费内部支出仅为全国平均水平 (全国R&D经费内部支出总量/32) 的4%左右, 差距比较明显。 (由于青海省统计年鉴针对R&D经费内部支出的统计口径在2011年后有所改变, 因此仅选取了近3年的统计数据, 下同。)

1.2.2 R&D经费投入强度较低

一般来说, 用R&D经费支出与GDP的比值来衡量地区R&D经费的投入强度, 从全国和青海省在此项指标的比较来看, 存在的差距还是很大的。从表2来看, 全国R&D经费投入强度基本保持在2%左右, 而青海省则基本在0.7%左右波动, 仅为全国水平的35%。从相对规模来进行分析, 以2013年为例, 青海省财政科技支出占财政总支出的比重为0.68%, 而全国为2.27%, 青海省的比重不足全国比重的三分之一。同年度的R&D经费强度青海省为0.66%, 而全国为2.08%, 青海省同样不足全国的三分之一。

1.3 科技产出相对不足

科技成果与产出水平是衡量财政科技投入效率最直接的标准, 而从目前来看, 专利产出水平则是最直观的指标, 从表3可以看出, 与全国水平相比, 青海省的万人发明专利授权量存在较大的差距, 从表中计算出的数据可看出近年青海省万人发明专利授权量基本维持在0.15左右, 而全国同期水平已达到了1以上, 由此可见青海省仅相当于全国的十分之一的水平。

2 青海省财政科技投入效率的实证分析

2.1 模型确定

作为复杂的系统行活动, 财政科技投入与产出均是多指标、多层次的结构, 而Malmquist指数动态效率测度方法能够系统反映出财政科技支出项目投入在增长的过程中生产效率的变化, 因此, 本文也将采取该方法进行青海省财政科技投入效率的整体评价。

2.2 指标体系的构建

财政科技投入效率的评价指标体系需要反映出财政科技投入与产出的综合水平, 因此必须结合实际进行科学的构建, 在综合众多学者们对该体系的分析研究成果之后, 本文中将青海省财政科技投入效率评价体系构建如表4、表5所示。

2.3 实证分析

根据上述的相关数据, 本文利用Deap2.1软件对青海省科技投入效率进行分析, 考虑到规模收益对最终结果的影响, 将各项指标的数据代入BCC模型进行运算, 作为DEA模型中的一种, BCC模型将技术效率分解为纯技术效率和规模效率, 比较全面地解释了效率的多方面影响。以每一年作为一个决策单元进行评价, 得出青海省在2006~2013年之间每年科技投入与产出的松弛变量与剩余变量值, 经过模型分析得出表6中的结果。

由表6可以看出青海省科技投入效率在近8年间基本保持上升的趋势, 在2011年以后保持规模报酬不变的现状。从综合效率来看, 在2007年至2010年基本维持在0.5左右的水平, 而纯技术效率基本在0.9左右徘徊, 规模效率也在0.5左右的水平浮动。

从表7的运行结果可知, 青海省近8年的科技投入效率有明显的波动, 在2008年和2009年这两年间的投入冗余和产出不足的数量较大, 其他年份表现较为理想。

具体来看, 在2008年, 青海省财政科技支出出现冗余0.738亿元, 因此应减少0.738亿元。县以上开发机构科技活动人数有冗余24.343人, 因此应减少24.343人, 财政科技支出占财政支出的比重有冗余0.242%, 因此应减少0.242%, 发明专利授权量应增加16.158件。

在2009年财政科技支出应减少1.312亿元, 县以上开发机构科技活动人数应减少82.865人, 财政科技支出占财政支出比重应减少0.145%, 发明专利授权量应增加7.856件。

3 结论与政策建议

从综合分析结果来看, 青海省科技投入效率虽然整体处于提升, 但还存在众多问题, 尤其在科技投入方面, 存在多次投入冗余现象, 大量的资源被浪费, 并未发挥出最优的效率水平。而对于科技产出来说, 发明专利的授权量还存在明显的不足, 亟须调动社会及公众个人对于专利申请的积极性, 创新更多的科技产出, 推动科技事业良性发展。

3.1 拓宽科技资金来源渠道, 优化财政投入模式

青海省应不断加大财政科技投入规模, 并且全方位的将资金来源与使用效率纳入管理优化范畴, 不能单纯地依靠财政资金的支持, 而应逐渐培养企业自主筹资的渠道, 逐渐将财政的主导地位转变为引导地位, 充分调动企业与相关部门的积极性, 发挥各级地方政府针对科技投入的带动作用, 逐步增大财政科技资金占财政总支出的比重, 从绝对数和相对数上同时优化财政科技投入模式, 使财政资金发挥出最大限度的效率。

3.2 完善财政科技投入管理机制

省内有关部门应从财政资金的管理机制入手, 切实制定完善的财政资金预算管理与绩效考核制度, 明确资金的流向与利用率, 为下一年度的预算编制提供可行性的建议, 尤其对于各项科技项目与研究课题的经费问题进行多重审核, 追踪资金的使用情况, 尽量避免物质资源的浪费与财政资金的流失, 从根本上保证资金的利用率, 为科技活动与研发工作的顺利完成提供安全的资金保证。

3.3 加速科技成果的转化率

从企业入手, 为科技成果的顺利转化提供专业性平台与指引, 将企业作为技术创新的主体, 实现产、学、研优势的相互结合, 为前期的研究成果提供良好的转化平台, 充分利用资金与资源的各项优势, 进一步提高科技成果的转化率。

摘要：科技投入作为地区科技创新与区域社会经济发展的根本保障, 对其使用效率进行综合分析具有显著的现实意义。本文以青海省科技投入为研究对象, 对其规模、结构、效率等方面进行相对分析, 并结合DEA数据包络分析法中的Malmquist指数模型, 针对其效率进行实证分析, 找出目前科技资金投入效率存在的问题及其原因, 在此基础上提出相应的合理建议, 为相关部门的决策提供一定的理论基础。

关键词：科技投入,效率,实证分析,政策建议

参考文献

[1]乌兰.我国西部地区财政科技投入:规模、结构及效率分析——以内蒙古为例[J].中国行政管理, 2014 (4) .

[2]谭秀阁.政府财政科技投入效率评价[D].西北大学, 2012.

[3]林丽琼, 江楹, 刘松涛.福建财政科技投入的效果评价[J].发展研究, 2014 (11) .

[4]陈碧琼, 刘春梅.重庆市财政科技投入的绩效评价与模式分析[J].科技管理研究, 2009 (3) .

[5]侯晓.广西地方财政科技投入绩效评价研究[D].广西大学, 2012.

[6]曹玺.财政科技投入绩效评估研究[D].复旦大学, 2008.

[7]李冉冉.辽宁省财政科技投入问题研究[D].辽宁大学, 2012.

[8]李晓力, 孔凡萍, 郝连才.山东省科技创新投入产出分析及对策[J].科学与管理, 2013 (6) .

[9]张立群.技术创新与区域经济增长——基于吉林省老工业基地的实证研究[D].吉林大学, 2010 (12) .

超效率模型 第9篇

已有学者多以统计年鉴数据为依托研究企业技术创新效率, 鲜有学者以上市公司年报为依托从财务视角进行研究。本文采用超效率DEA和Malmquist指数法, 从财务角度研究山西与中部和周边省份 (1) 上市公司技术创新效率, 对比研究山西与中部和周边省份技术创新有效的上市公司数、有效率及平均效率与Malmquist指数的变化趋势, 全面反映山西上市公司技术创新全要素生产率的动态演变, 有助于山西上市公司认清制约其发展的关键因素, 合理进行技术创新投入。

1 文献综述

许多学者[1,2,3,4]以科技统计年鉴为依托, 采用DEA方法研究大中型工业企业技术创新效率。邱建华、贺灵[5]研究企业技术创新效率时证实超效率DEA比传统DEA更有应用价值。吴永林、赵佳菲[6]依据高技术产业统计年鉴, 采用Malmquist方法研究高技术企业的技术创新动态效率。王健等[7], 刘砚平、刘庆庆[8]采用超效率DEA与Malmquist指数测度商业银行效率。陈伟、刘井建[9]以年报为依托选取研发资金和人员作为投入指标, 新产品销售收入及利润为产出指标, 采用Malmquist方法研究电子行业上市公司创新效率的动态变化。李强[10]以年报为依托选取无形资产投入、R&D投入、研发人员投入和政府对创新的投入作为投入变量, 选取净利润作为反映技术创新效益的产出变量, 采用DEA方法研究深市29家中小企业技术创新效率。本文以2010-2013年山西与中部和周边省份上市公司年报为依托, 从财务角度选取投入产出指标, 采用超效率DEA和Malmquist指数从静态和动态两个角度研究山西与中部和周边省份上市公司技术创新效率, 为提升山西上市公司技术创新效率提供理论依据。

2 模型、变量及数据

2.1 评价模型

2.1.1 超效率DEA模型

传统DEA的测算结果会得出一些DEA等于1 (即有效) 的决策单元, 为比较这些DEA等于1的决策单元的效率值差异, 提出了超效率DEA模型, 超效率DEA将这些DEA等于1的决策单元的生产前沿面移动, 使最终测算出的效率值大于1, 这样就可区分出DEA等于1的决策单元的效率差异, 对于那些DEA小于1 (即无效) 的决策单元, 超效率DEA与传统DEA的测算结果一致。超效率DEA的表达式为:

其中, θ为规划目标值, λj (j=1, 2, , n) 为规划决策变量, 和为松弛变量。

2.1.2 Malmquist指数模型

Malmquist指数可用来测算某个连续时期多投入多产出变量的动态效率, 目前已被广泛应用于评价企业、产业和地区的生产效率动态变化。Fare等[11]建立了基于DEA的Malmquist指数, 表示如下:

其中, Dot (xt, yt) 和Dot (xt+1, yt+1) 分别是t生产点同t与t+1生产前沿面的投入距离函数;Dot+1 (xt, yt) 和Dot+1 (xt+1, yt+1) 是t+1生产点同t与t+1生产前沿面的投入距离函数。Fare等[11]认为Malmquist指数等于技术效率变动指数乘以技术变动指数, 前者又等于纯技术效率变动指数乘以规模效率变动指数。因此, 公式 (2) 可进一步表示为:

其中, 第一项是规模效率变动指数 (sech) , 反映t到t+1时刻决策单元的生产规模是否达到最优;第二项是纯技术效率变动指数 (pech) , 反映t到t+1时刻组织管理水平的变化;前两项的乘积为技术效率变动指数 (effch) ;第三项是技术变动指数 (techch) , 反映决策单元t到t+1时刻生产前沿面的推移, 代表技术改进和创新能力的提高。Malmquist指数及其分量如果大于1, 表明有所提升, 反之则是存在衰退现象。

2.2 变量的选取

DEA方法涉及投入产出指标的选取。考虑到上市公司年报特点和指标可获得性, 选取研发资金投入强度, 研发人员投入强度, 政府投入和资产负债率作为投入指标。其中, 资金与人力资本投入对企业研发活动的成功开展起关键性作用。政府对企业的研发补助对企业研发活动有扶持作用。Eui等[12]认为政府对韩国中小企业创新项目的投入可降低其技术创新活动的技术风险或筹资成本。许治[13]认为政府的研发补助可引导企业积极投资于技术创新项目, 提高其创新积极性。企业合理的负债筹资可为企业研发活动提供资金支持。魏峰、刘星[14]研究表明资产负债率对企业研发活动具有显著的正向影响。

产出指标的选取需要结合企业技术创新活动的直接成果和企业运用创新成果获得的经济效益。前者主要包括新工艺、新技术、新产品、专利权和非专利技术、软件著作权等, 考虑到年报披露特点及数据的可获取性, 选取新增授权专利数和技术资产比率作为产出指标;后者则表现为企业业绩的提高, 企业技术创新活动的成功开展不仅使企业盈利能力提高, 还为企业带来更多的发展机会。因此, 多数学者选取反映研发绩效的企业盈利能力和发展能力指标, 本文选取销售毛利率、资产净利率和营业收入增长率作为技术创新产出指标。

2.3 样本数据

选取2010-2013年山西与中部和周边省份上市公司为研究对象, 对其技术创新效率进行比较分析。对研究样本进行的如下选择: (1) 未选取金融类上市公司。这类公司业务特殊, 财务数据差别较大。 (2) 未选取ST、PT类公司。这类公司存在指标不全和数据异常情况。 (3) 去掉其他指标不全和数据异常的公司。最终得到306家上市公司, 其中山西28家, 非山西278家。上市公司数据来源于上海证券交易所 (http://www.sse.com.cn) 、深圳证券交易所 (http://www.szse.cn) 披露的上市公司2010-2013年年报及招股说明书。所有样本数据均根据上市公司年报手工整理。数据分析采用Excel2007, EMS和DEAP2.1处理。

数据搜集整理时发现某些决策单元的投入或产出指标为负数, DEA方法要求投入产出指标均为正值, 因此需要对投入产出指标做数据处理。某一指标处理前的值为x, 该指标处理前最小值为m, 最大值为n, 处理后的值为X, X=0.1+0.9* (x-m) / (nm) , 数据处理后, 该指标的值变为0.1到1之间。

3 实证分析

3.1 超效率DEA静态效率分析

3.1.1 上市公司技术创新有效数及有效率

运用EMS软件分析2010-2013年山西与中部和周边省份上市公司技术创新效率, 统计各年各地区技术创新有效的决策单元数及有效率, 见表2。2010年, 湖南上市公司技术创新有效数最多, 有效率较高;山西、河南和湖北的有效数较多, 由于山西上市公司数较少, 山西有效率最高。2011年, 湖南成为技术创新有效数及有效率最高的省份, 湖北有效数其次, 河北、山西、陕西和安徽有效数相同;山西技术创新有效数同上年相比明显下滑, 有效率降低。2012年, 湖南仍是技术创新有效数及有效率最高的省份;湖北有效数与湖南相同, 有效率较高;同样拥有较高有效率的还有陕西和河北;山西有效数及有效率进一步下降, 低于九省平均效率。2013年, 湖南技术创新有效数及有效率遥遥领先;河北的有效率其次, 山西有效数及有效率与上年相比保持不变。从2010-2013年, 山西上市公司技术创新有效数及有效率逐年下降, 表明山西上市公司整体技术创新投入产出效率下降。

注:有效率为有效数与公司数的比值, 即有效率=有效数/公司数。

3.1.2 上市公司技术创新有效数及平均效率值

统计各省技术创新效率有效 (即效率值>100%) 的决策单元数, 并对这些决策单元的效率值取平均值。由表3可知, 整体而言, 2010-2013年9省技术创新有效的决策单元数呈“U”型趋势。2010年, 湖南上市公司技术创新有效数最多, 湖北、河南和山西其次;河北上市公司有效决策单元的平均效率值最高, 个案分析可知, 河北深市承德露露 (000848) 超效率值为340.53%, 对河北平均效率有显著拉升作用。2011年, 湖南成为技术创新有效数及平均效率最高的省份, 湖南深市中联重科 (000157) 专利产出多, 盈利及发展能力强, 超效率值623.57%;湖北有效数排名第二, 河北平均效率较高是由于承德露露 (000848) 的拉升作用。2012年, 湖南和湖北上市公司技术创新有效数最多, 陕西、河北其次;平均效率较高的仍是河北和湖南。到2013年, 湖南上市公司技术创新有效数仍遥遥领先, 其次是河北、安徽、湖北和江西;河北和湖南仍有较高的平均效率。2010-2013年, 山西上市公司技术创新有效数呈下降趋势, 平均效率有一定的波动性, 究其原因, 能源型产业易受宏观经济波动的影响, 山西上市公司以能源型产业为主, 宏观经济下行使之受较大冲击。

注:mean表示平均效率, 通过将各年各地区超效率DEA效率值大于100的决策单元的效率值取算数平均数得到。

3.2 Malmquist指数动态效率分析

以山西与中部和周边省份上市公司为决策单元, 将2010-2013年数据处理后的投入产出指标进入DEAP2.1软件测算Malmquist指数, 并以省为单位计算决策单元Malmquist指数及其分解项的几何平均数。

3.2.1 Malmquist指数的时间序列分析

由表4可知, 2010-2013年, 上市公司整体Malmquist指数呈下降趋势, 年平均下降率为3.7%;其中, 纯技术效率指数下降1.1%, 规模效率指数下降0.6%, 技术变动指数下降2%, 表明在阻碍生产率提高的因素方面技术变动的影响较为明显。2010-2011年, 纯技术效率指数与规模效率指数的同时下降不仅抵消了技术变动指数的正向变动, 还导致总体生产率下降, 表明组织管理水平下降和生产规模偏离最优规模是阻碍生产率提高的关键因素;2011-2012年, 纯技术效率指数开始正向改进, 技术变动指数和规模效率变动指数的下降使总体生产率降低;到2012-2013年, 纯技术效率和规模效率都在积极改进, 而技术变动指数下降速度逐渐加快, 使得总体生产率下降, 说明技术水平和创新能力的下降成为阻碍生产率提高的关键因素。

3.2.2 Malmquist指数的面板分析

进一步分析各地区上市公司在整个研究期内的Malmquist指数及分解项, 见表5。总体而言, 九个地区Malmquist指数均小于1, 生产率有衰退趋势;内蒙、湖南和湖北上市公司Malmquist指数下降幅度低于9个地区的平均值。其中, 内蒙排名第一, 制约内蒙上市公司生产率提高的关键因素是技术变动指数和规模效率变动指数的反向变化;个案分析可知, 伊利股份 (600887) 和金宇集团 (600201) 技术创新效率动态上升趋势显著, 对整个地区的创新效率有显著提升作用。湖南、湖北分别排名第二和第三, 阻碍其生产率提升的关键因素是技术变动指数和纯技术效率变动指数的反向变化。其余各省Malmquist指数下降幅度均高于九个地区平均值, 山西上市公司下降幅度最大, 制约生产率提升的因素主要是技术变动指数的反向变动, 另外规模效率与纯技术效率也有所下降, 最终使得生产率下降程度很大。山西上市公司存在要素投入比例失调、资源配置结构不合理、生产管理水平不高、规模无效率和生产技术和创新能力下降等现象, 导致资源浪费严重, 影响整体生产率的提升。

3.2.3 全要素生产效率指数 (tfpch) 动态变化分析

由表6可知, 2010-2013年9个地区全要素生产效率指数整体下降, 下降幅度呈倒“U”型。具体而言, 内蒙上市公司生产率指数平均下降幅度最小, 从逐年数据可看出, 下降幅度增快;湖南和湖北平均下降幅度次之, 下降幅度均呈倒“U”型, 同样呈现这种趋势的还有河南、安徽、江西和河北, 这些省份全要素生产效率指数下降幅度趋缓, 表明技术创新投入产出效率正在呈现积极改善的趋势;陕西下降幅度呈“U”型, 总体而言效率有所改善。山西上市公司全要素生产效率指数平均下降幅度最大。其中, 2010-2011年小幅上升0.2%;2011-2012年显著下降;2012-2013年下降速度趋缓, 但与其他省份相比Malmquist生产率指数下降幅度极大。

3.2.4 技术变动指数 (techch) 动态变化分析

技术变动指数衡量决策单元在t到t+1时期技术的变化程度, 代表生产前沿面的移动, 包括要素质量的提高, 资源配置效率的改善, 成本控制和专业化分工等。techch>1, 生产前沿面向前推移, 技术水平提高;techch=1, 生产前沿面不变, 技术水平未发生变化;techch<1, 生产前沿面向后移动, 技术水平有所下降。

由表7可知, 2010-2013年9个地区上市公司技术变动指数平均下降2个百分点, 其中, 2010-2011年上升7.7%, 2011-2012年和2012-2013年分别下降5.7%和7.4%, 表明整体技术衰退速度在加快, 除河北的衰退速度有所减慢外, 其余省份上市公司与整体变化相同;内蒙、湖南、安徽和湖北上市公司技术变动指数的下降幅度低于整体平均值。其中内蒙的华资实业 (600191) 、包钢稀土 (600111) 和伊利股份 (600887) 的技术变动指数均以较大幅度提升, 对内蒙整体技术变动指数有显著拉升作用。山西上市公司技术变动指数平均下降2.7%, 下降幅度有加快的趋势, 表明山西生产技术和创新能力逐渐下降。究其原因, 一方面, 我国上市企业研发信息披露非强制性, 有些企业还将其作为商业机密不愿泄露给竞争对手, 数据搜集过程中发现, 多数企业从2012年开始在董事会报告中正式披露研发支出, 而研发支出为企业带来的直接成果和经济效益往往具有滞后性;另一方面, 企业研发成果产业化阶段存在较大不确定性, 导致研发成果无法转化为企业的经济效益, 引起整体技术变动指数的反向变化。

3.2.5 纯技术效率变动指数 (pech) 动态变化分析

纯技术效率体现企业组织管理水平的高低, 反映决策单元是否更接近当前生产前沿面的组织管理水平。pech>1, 表明组织管理水平有所提高;pech=1, 组织管理水平较上期无明显变化;pech<1, 组织管理水平有衰退趋势。

由表8可知, 整体而言, 2010-2013年9个地区上市公司纯技术效率变动指数平均下降1.1%, 其中, 2010-2011年纯技术效率变动指数平均下降7.2%, 2011-2012年平均上升0.8%, 2012-2013年平均上升3.4%, 表明整体有随年度动态上升的趋势。具体来看, 只有内蒙上市公司的纯技术效率变动实现平均增长1.2%, 表明其组织管理水平稳步提高;多数省份上市公司纯技术效率与整体变动趋势一致。2010-2011年, 除山西上市公司纯技术效率小幅下降外, 其余省份的下降幅度均高于山西;2011-2012年, 除山西、河北外的其他省份上市公司纯技术效率开始提高;2012-2013年, 所有省份上市公司纯技术效率均呈现正向进步性变化, 山西和陕西增长幅度最低。山西上市公司纯技术效率变动指数平均下降1.2个百分点, 其中2010-2011年下降0.1%, 2011-2012年下降4%, 2012-2013年微幅上升0.5%, 与其他省份相比, 山西上市公司纯技术效率变动指数的上升势头并不明显, 表明山西上市公司技术创新组织管理水平的提升速度慢。

3.2.6 规模效率变动指数 (sech) 动态变化分析

规模效率变动指数衡量决策单元生产效率是否最佳, 即生产规模是否达到最佳规模。sech>1, 表明生产效率趋向最佳规模效率;sech=1, 表明规模效率无变化;sech<1, 生产效率逐渐偏离最佳规模效率。

由表9可知, 整体来看, 2010-2013年9个地区上市公司规模效率变动指数平均下降0.6个百分点, 2010-2011年下降3.6%, 2011-2012年下降0.3%, 2012-2013年上升2.2%, 表明生产规模逐渐接近最佳规模。具体而言, 湖北、陕西上市公司平均规模效率指数实现正增长, 分别增长0.1和0.3个百分点, 表明生产效率逐渐逼近最佳规模效率;河北的平均规模效率指数没有发生变化, 其余地区平均规模效率指数均小于1;2010-2011年, 9个地区上市公司规模效率变动指数均小于1, 生产规模效率偏离最佳规模;2011-2012年, 多数地区上市公司规模效率开始积极改进;2012-2013年, 除山西规模效率指数小幅下降外, 其余地区上市公司规模效率指数均呈现正向积极变动。山西上市公司2010-2011年规模效率下降5.4%, 2011-2012年上升0.4%, 2012-2013年基本不变, 规模效率变动幅度减小。上市公司规模效率未达到最佳规模效率时, 应使规模效率指数正向变动逐渐逼近最佳规模效率, 当达到最佳规模效率时, 应使该指数保持相对稳定。

3.2.7 山西上市公司Malmquist指数及其分解项动态变化分析

由表10可知, 2010-2013年山西上市公司生产率下降主要来源于技术变动指数的下降, 纯技术效率和规模效率的下降也显示一定的“拖累”作用;其中, 2010-2011年, 规模效率的反向变动是阻碍生产率提高的关键因素, 山西上市公司生产率提升效果不显著是由于生产规模逐渐偏离最优规模;2011-2012年, 技术变动指数和纯技术效率指数的下降导致生产率较大幅度下降, 成为阻碍生产率提升的关键因素, 表明这一阶段山西上市公司生产技术、创新能力以及管理水平下降;2012-2013年, 山西上市公司规模效率下降0.1%, 纯技术效率微幅上升0.5%, 二者共同作用使技术效率指数为山西上市公司生产率贡献0.5个百分点, 但由于技术变动指数大幅度下降, 最终导致生产率下降, 表明技术衰退和技术创新能力不强成为阻碍山西上市公司生产率提升的关键因素。曼奎斯特指数和技术变动指数的变化类似, 表明山西上市公司的生产率变动与技术变动密切相关。

4 结论和建议

4.1 结论

本文结合超效率DEA和Malmquist指数从静态和动态两个角度对山西与中部和周边省份上市公司企业技术创新效率进行比较分析, 得出以下结论:

1) 2010-2013年, 9个地区上市公司技术创新效率静态有效数呈“U”型。湖南、湖北上市公司技术创新有效数较多, 河北、湖南技术创新有效的上市公司的平均效率较高。

2) 2010-2013年, 9个地区上市公司技术创新效率动态下降, 导致Malmquist指数下降的主要原因是技术进步变动指数的反向变化, 同时也存在组织管理能力不高、生产规模偏离最优规模等问题。内蒙、湖南和湖北上市公司技术创新效率下降幅度低于9个地区的平均值, 山西上市公司技术创新效率下降幅度最大。

3) 2010-2013年, 山西上市公司技术创新静态有效的公司数逐年下降;鉴于纯技术效率和规模效率随时间变化幅度减小, 制约Malmquist指数提升的关键因素是技术变动指数的降低, 山西上市公司生产技术薄弱、技术创新能力较差, 应大力吸收和借鉴中部和周边省份的先进技术, 增强创新能力。

4.2 建议

2010-2013年, 山西上市公司纯技术效率和规模效率随时间变化幅度减小, Malmquist指数主要受技术进步变动指数的影响, 应从以下几方面入手:首先, 要把握投资方向的合理性。企业在进行研发投资决策时应以市场需求和长远发展为出发点, 选择有产业化前景、能带来经济效益的研发项目, 避免因盲目投资导致资源浪费。其次, 要注重研发成果转化。加强研发成果产业化和营销能力, 使研发成果真正转化为企业经济效益, 促进企业核心竞争力的提高。再次, 要加强技术创新管理。企业应逐步建立基于效率的创新管理机制, 运用目标管理、成本管理等方法, 保证研发资金不浪费;建立激励机制和奖励措施, 提高研发人员创新积极性。最后, 要加大高精尖人才的引进。技术人员是企业研发活动的主体, 企业技术创新效率很大程度上取决于技术人才的能力与素质, 应加强同高校和科研院所的合作, 鼓励科研人员到企业兼职。山西上市公司应加强技术进步和创新能力的提高, 最终推动Malmquist指数上升。

摘要：选取山西与中部和周边省份上市公司2010-2013年面板数据, 运用超效率DEA和Malmquist指数模型, 从静态和动态两个角度比较这些地区上市公司的技术创新效率。结果表明:山西上市公司超效率DEA有效数、有效率逐年下降, 平均效率呈波动性;Malmquist指数下降幅度最大, 与中部和周边省份相比有较大差距。2010-2013年山西上市公司纯技术效率和规模效率指数随时间变化幅度减小, 技术变动指数显著下降, 阻碍山西上市公司技术创新效率提高的关键因素是技术变动指数的反向变化。