两阶段DEA范文（精选7篇）
两阶段DEA 第1篇
作为国民经济的支柱型产业, 中国房地产行业近年来突飞猛进地发展, 房地产企业的队伍不断壮大。但在后金融危机时代, 我国政府为抑制房价过高实施了一系列的宏观调控政策, 房地产行业受到了显著影响。但是, 行业与企业自身的经营效率和综合能力才是反映房地产公司经营状况的终极指标, 也是房地产公司能否顺利渡过经济减缓期的决定因素。
近年来, 国内外学者围绕房地产上市公司绩效评价问题展开了积极的研究和探索。Wang (2007) 指出DEA工具在绩效评估中和传统的方法相比, 评估结果更为客观。Zhang (2009) 等构建了ROA指标体系进行公司绩效评价, 从资产比率、国有股比例、所有权集中度、公司规模、公司成长等因素中探究资本结构与公司绩效的关系。我国学者刘永乐 (2005) 等人运用数据包络分析 (DEA) 的模型, 对房地产行业上市公司的业绩有效性进行了实证研究。丁琦 (2011) 等人结合DEA和FCE方法的优点构建基于DEA-FCE的房地产上市公司绩效评价模型, 选取了我国25家房地产上市公司的数据对房地产上市公司绩效进行综合评价。
在对房地产上市公司的绩效进行综合评价时, 大多数研究者采用多指标综合指数法或统计分析法;在分析我国房地产上市公司的绩效水平时, 均采用整体评价法, 对我国房地产行业而言, 这并不适合。因此, 本文选择采用两阶段DEA模型, 目的是将我国房地产上市公司的综合运营效率分解为成本效率和利润效率两个方面。本文的特色在于采用以竣工面积作为中间变量的DEA两阶段方法来测度我国房地产上市公司效率值, 同时研究的时间为国家为抑制房价过高而实施宏观调控期间, 有利于更清楚地分析宏观调控对我国房地产上市公司的影响, 以此来寻求提高我国房地产上市公司经营效率的发展策略。
二、建立两阶段DEA模型
人们经常使用数据包络分析 (DEA) 对效率问题进行分析和评价, 根据我国房地产上市公司的实际情况, 先前的研究多数采用最初的CCR模型对房地产上市公司运营效率进行分析。CCR模型是由美国运筹学家Charnes、Copper和Rhodes (简称CCR) 在“相对效率评价”的基础上发展起来的, 它是一种对具有相同类型决策单元 (DMU) 进行绩效评价的模型方法。对于一些工厂以及偏重于制造的企业来说, 数据包络分析中的CCR模型完全可以胜任对于该类企业技术效率和规模效率的测度, 但是房地产行业的投入产出关系有其自身的特性, 评判的思维更加关注于效率的过程性。根据我国房地产上市公司的实际运营情况, 本文特建立两阶段CCR模型来分析我国房地产上市公司的绩效情况。具体模型建立过程如下:
第一阶段, 建立投入矩阵为X, 输出矩阵为Y的C C R模型, 如:
模型 (1) 中, θ1为第一阶段绩效值;λj为第一阶段的第j个房地产上市企业的变动权重;xij0为所要计算的房地产上市企业第一阶段的第i种投入;yrj0为所要计算房地产上市企业第一阶段的第r种产出, 通过模型 (1) 可求出相应的参数, 通过参数对房地产上市公司的第一阶段投入产出进行绩效分析。
第二阶段, 该阶段是以第一阶段的产出Y作为输入变量, 以房地产上市公司的最终产出Z作为产出变量, 具体CCR实现模型如下:
模型 (2) 中, θ2为第二阶段绩效值;χj为第j个房地产上市企业的变动权重;yij0为所要计算的房地产上市企业第二阶段的第i种投入;zrj0为所要计算房地产上市企业的第二阶段的第r种产出, 通过模型 (2) 可求出相应的参数, 通过参数对房地产上市公司的第二阶段投入产出进行绩效分析。
DEA有效值判断:当θ=1, 则称决策单元 (DMU) 为DEA有效;当θ<1时, 则称决策单元 (DMU) 为DEA无效。
三、数据处理
第一阶段, 本文在沪深两市选取20家具有代表性的房地产上市公司2009—2011年度中一些指标数据为基础, 数据分别来源于各公司年报, 并选取被选公司的投入总资产、员工人数、营业成本三项为投入指标, 以竣工面积为产出指标, 运用matlab分析工具, 通过DEA模型 (1) 式进行计算, 结果如表1所示。
从表1可知, 2009年有7家公司的绩效θ1=1, 其余的13家公司的绩效θ1平均值为0.6842;2010年有8家公司的绩效θ1=1, 其余12家公司的θ1平均值为0.5644;2011年有9家公司的绩效θ1=1, 其他公司的绩效θ1平均值为0.6451。从第一阶段的计算结果可以看出, 我国房地产上市公司在生产环节的效率总体处于上升阶段。
第二阶段, 选取在第一阶段被选公司产出指标的竣工面积为投入指标, 将各公司的主营业务收入、营业利润和存货周转天数作为产出指标, 再次运用matlab分析工具, 通过DEA模型 (2) 式进行计算, 结果如表2所示。
从表2可以知, 2009年有8家公司的绩效θ2=1, 其余的12家公司的绩效θ2平均值为0.4931;2010年有8家公司的绩效θ2=1, 其余12家公司的绩效θ2平均值为0.4525;2011年仅有4家公司的绩效θ2=1, 其他公司的绩效θ2平均值为0.5008。从第二阶段的计算结果可以看出, 在销售经营进一步实现利润环节, 我国房地产上市公司在宏观调控阶段, 尤其是在2011年, 仅有少数公司效率有效, 说明我国房地产上市公司在此环节有进一步提升的空间。
四、结论
本文经营效率评价的每一个阶段都可以反映房地产上市公司经营管理的不同侧面, 因此, 我们可以根据每家房地产上市公司在这两个阶段的实证数据找出公司经营方面的薄环节。房地产上市公司在经历了从2009年后期开始的宏观调控后, 各公司都积极调整公司的经营计划以应对楼市的冷冻期。从本文的实证分析可以看出, 我国房地产上市公司在生产环节的运营效率总体较为有效, 通过对资本的控制, 可以达到较好的生产水平。但在销售运营环节, 我国大多数的房地产上市公司在此阶段的宏观调控时期, 缺乏有效的经营管理手段将存货转为利润, 仅有少数公司可以将效率值达到有效, 说明我国房地产上市公司在销售环节的运营管理方面需要进行较大的改革, 以实现提升。
摘要：本文选取2009—2011年我国20家房地产上市公司的相关指标数据, 运用两阶段DEA模型对房地产行业的生产环节和销售经营环节进行了实证分析。结果表明, 我国房地产行业总体运行效率较高, 但在经历一系列的宏观调控后, 我国房地产行业的销售经营环节的效率总体下降。
关键词：两阶段DEA模型,房地产,经营效率
参考文献
[1]Wang X P.Study on the performance of listed real estate companies based on DEA[A].Proceedings of the2007International Conference on Management Science and Engineering, Finance Analysis Section[C].2007.
[2]Zhang R, Qiu L Y.The empirical analysis of capital structure and company performance of the listed companies in real estate industry[A].Proceedings of the4th International Conference on Product Innovation Management[C].2009.
[3]刘永乐、胡燕京、张方杰:基于DEA的房地产上市公司业绩分析[J].决策参考, 2005 (7) .
[4]丁琦、王要武、徐鹏举:基于DEA—FCE的房地产上市公司绩效综合评价[J].系统管理学报, 2011 (2) .
[5]朱乔:数据包络分析 (DEA) 方法的综述与展望[J].系统工程方法与应用, 1994 (4) .
两阶段DEA 第2篇
随着知识经济的到来,科学技术成为决定经济社会发展的重要战略性资源。但是,科技资源配置低效情况时有发生,这不仅造成了科技资源的浪费与更加稀缺,而且使得区域科技能力缺乏竞争力和可持续性。因此,优化区域科技资源配置,提高其效率,不仅有助于增强科技竞争力的长效性,而且对实现产业结构升级、保持区域经济增长大有裨益。本文拟采用江苏省13个地级市的数据,结合DEA方法对科技资源配置效率进行评价,并进一步通过Tobit回归方法,分析影响科技资源配置效率的主要因素。
2 科技资源配置效率研究回顾
与国外对科技资源配置的研究重点放在企业层面不同,国内对于科技资源配置的研究重点主要放在区域层面,强调整体的投入与产出效率,而不是单个企业的科技资源配置效率。
在研究方法上,国内完全用定性方法对区域科技资源配置效率的研究较少,主要是运用了政府管理理论、公共选择理论、寻租理论等,得出我国区域科技资源配置效率不高的结论,并提出一些建议。对这一问题的研究更多的是以定量方法为主,如优化方法、边际分析法、回归分析法、投入产出法、主成分分析法、聚类分析法、DEA方法等。
DEA方法是目前国内学者在评价科技资源配置效率方面应用得最广的方法之一,学者们进行了大量的实证研究。王华等(2006)采纳江苏省“九五”期间和“十五”前三年的数据,运用C2R模型、C2GS2模型对江苏省的R&D效率进行了评价。张运华(2007)采用1999-2004年的数据分析了江苏省各市的科技投入效率,发现大部分地区处于规模报酬递增阶段,增加科技投入,效率仍有较大提升空间,苏南、苏中、苏北在技术效率上仍体现依次降低的态势。孙善侠等(2008)采用DEA方法对我国从事科技研发的三大主要部门的科技投入产出状况进行了分析。田中禾和吴青松(2008)应用C2GS2模型,以科技活动的有效性和规模收益分析为基础,对甘肃省的科技投入产出效率进行了评价,发现甘肃科技活动在大多数年份里相对有效,但规模收益的效果不是非常明显。张前荣(2009)分析了我国六大区域2004-2006 年科技投入的相对效率和规模收益状况。研究发现,科技投入效率与地区有密切的关系,相对发达地区的科技投入效率高于其它地区,科技投入效率总体较低,同时存在规模收益递增的情况。
还有一些研究在科技资源配置效率分析的基础上,进一步探讨了其影响因素,如许治和师萍(2005)对我国1985-2003年科技投入相对效率进行测度,并分析了其影响因素。结果表明,我国科技投入相对效率的变化呈现“倒U”型曲线特征。同时,不同部门科技资源对整个社会科技投入相对效率的影响也不同,增加企业科研经费支出比例有助于我国科技投入效率的提高。
虽然目前运用DEA方法研究科技资源配置效率的研究已有不少,但很多研究还有待于进一步加强。本文将在上述研究的基础上,运用两阶段DEA模型对区域科技资源配置效率进行深入探讨。
3 科技资源配置效率的研究方法与工具
3.1 DEA分析
第一步是传统DEA分析,用于求得科技资源配置效率。DEA(数据包络分析)是由A.Charnes和W.W.Cooper等人于1978年开始创建的,我国的学者从1986年开始研究DEA。DEA模型已从最初的C2R模型已发展至十多种模型并广泛应用于区域技术经济、金融、教育、医疗、物流等领域的评价,取得了良好的效果。
为了使评价更为全面,本研究选用C2R模型和BC2模型。C2R模型以不变规模报酬为假设条件,考察总技术效率,模型的对偶规划形式为式(1)所示。
其中,θ为决策单元DMU0的有效值,Xj=(x1j,x2j,,xmj)T,Yj=(y1jy2j,,ysj)T,j=1,2,,n,xij为DMUj对第i种输入的投入量,yrj为DMUj对第r种输入的投入量, S-、S+为松驰变量。若 =1且S-=S+=0,则DMU0有效;若θ=1但S-或S+≠0,则DMU0弱有效;若θ<1,则DMU0非有效。
BC2模型以可变规模报酬为假设条件,考察纯技术效率,是在原C2R模型中加入约束条件
3.2 TOBIT回归分析
第二步是Tobit回归分析,用于寻求影响科技资源配置效率的因素及其影响力的大小。这是经济学家Tobit于1958年提出并以其名字来命名的一种回归分析,然后由经济学家Goldberger在1964首度采用。Tobit回归模型属于因变量受限模型的一种,是标准的删截模型,当因变量的部分取值为不可观测、切割或片断值时可采用此种模型,Eviews软件采用极大似然法对其进行估计。
标准的Tobit模型式(2)所示:
Y*i=Xiβ+σεi (2)
若Y*i0,则Yi=0;若Y*i>0,则Yi=Y*i
其中,Y*i为潜变量,Yi为观测到的因变量,Xi为自变量,β为回归系数向量,σ是尺度参数,εi为随机干扰项且εi～(0,σ2)。
4 实证分析
4.1 投入产出指标选取及数据来源
为反映江苏省科技资源配置效率的整体情况,本文参考其它学者在科技资源配置方面的指标选取经验,并结合江苏省科技资源配置的特点,确定了江苏省科技资源配置的投入与产出指标。其中,投入指标包括人力投入与财力投入二个方面,具体有:全社会R&D活动人员占科技活动人员比重(x1)、企业R&D活动人员占企业职工比重(x2)、全社会R&D支出占GDP的比重(x3)、企业R&D经费占销售收入的比重(x4)、政府科技拨款占财政支出的比重(x5);产出指标包括经济绩效、知识绩效和环境绩效,具体有:高新技术产业产值占工业总产值比重(y1)、每十万人口专利授权数(y2)、资源综合利用指数(y3)。
考虑到数据的可得性,本文选取2006年江苏省13个市关于科技资源配置的数据样本,所有数据均来源于《江苏统计年鉴2007》与《江苏科技统计年鉴2007》。
4.2 结果分析
应用软件DEAP(Version 2.1)计算各决策单元的效率,结果如表1所示。
从效率上分析,苏南的南京、苏州、镇江,苏中的泰州,苏北的盐城、连云港、宿迁七市同时达到了技术和规模有效,它们构成了科技资源系统的效率前沿面,即除非部分或全部增加投入量或减少某种产出量,否则在现有的技术水平下无法再增加产出量。在C2R下非有效的单元可以分别考察其技术有效性和规模有效性,苏南的无锡、常州,苏中的南通,苏北的徐州、淮安是纯技术有效而非规模有效,即按现在的产出计算,其投入不可能再减少。而苏中的扬州既非技术有效也非规模有效,即使减少部分投入也可能保持当前的产出水平不变。从规模效益上分析,苏南的南京、苏州、镇江,苏中的泰州,苏北的盐城、连云港、宿迁规模效益不变,处于效率边界上,占到全省城市总数的54%;苏南的无锡、常州,苏中的南通,苏北的徐州、淮安规模效益递减,占全省城市总数的38%,即在投入增加后,产出的增长比例可能小于投入的增加比例;全省仅苏中的扬州的规模效益递增,即产出的增长比例可能大于投入的增加比例,适当的增加投入有利。
尽管从人均GDP角度来衡量,苏南、苏中、苏北呈现依次降低的趋势,但科技资源配置效率却呈现苏南、苏北、苏中由高至低的局面,苏南、苏北各有60%的城市达到技术与规模同时有效,所有的城市技术有效,而苏中仅有三分之一的城市技术与规模同时有效,三分之二的城市技术有效。从数值上来看,苏中、苏北较相近,与苏南差距甚多。
4.3 影响因素分析
本文参考其它学者工作并结合江苏省科技资源配置的实际情况,主要考察教育投入、经济开放度、R&D强度三个变量对效率的影响。
(1)教育科技投入水平
教育与科技的作用密不可分,较高的教育投入水平有利于教育机构软硬件水平的提高、培养高素质人才、形成区域的知识积累和溢出效应,从而保持科技资源配置效率保持在较高水平,为持续、长远的发展提供必要的基础。由于缺乏各市教育经费支出数据,所以用文教科卫事业费/地区生产总值来代替教育投入水平。
假设一:教育投入水平对城市科技资源配置效率具有正面的显著影响。
(2)经济开放度
经济开放度是衡量一个地区经济开放程度的指标。经济开放程度高意味着三资企业所占的比例较高,这不仅有利于开展国内、国际经济科技合作,也有利于提高产学研联合层次,推动三资企业进行技术外溢,使本地企业更好消化吸收再创新。本研究用外商港澳台商投资企业数/工业企业单位数来代表经济开放度。
假设二:经济开放度对对城市科技资源配置效率具有正面的显著影响。
(3)研发强度(R&D强度)
十多年来,我国各级政府的科技投入力度不断加大,从而带动全社会科技投入以较快速度增长。提高R&D强度,是增强自主创新能力、实现产业结构调整、转变经济增长方式的必要方法之一。本研究采用全社会R&D支出占GDP的比重来代表R&D强度。
假设三:R&D强度对城市科技资源配置效率具有正面的显著影响。
根据上述假设,本文构建科技资源配置效率的多元线性回归模型如式(3)所示:
EFFi=α0+α1JYTRi+α2KFDi+α3RDQDi+εi i=1,2,,13 (3)
其中,EFFi代表第i市的科技资源配置总技术效率,JYTRi代表第i市的教育水平,KFDi代表第i市的经济开放度,RDQDi代表第i市的R&D强度,εi为随机干扰项。
本文采用Eviews6.0进行计算。表3是Tobit回归分析的结果,回归模型通过了多重共线性检验,不存在序列相关性和异方差性,具有较高的解释能力,除R&D强度以外,其它两个变量分别在0.15与0.01的水平上显著。
注:*表示在0.15的水平上显著,**表示在0.01的水平上显著。
在三个假设中,假设一、二得到支持,假设三没有得到支持。由此可知,教育投入水平、经济开放度对科技资源配置效率有显著的直接影响,而R&D强度对科技资源配置效率没有显著的直接影响。
5 结语
本文采用DEA-Tobit两阶段模型对江苏省13个地级市的科技资源配置效率进行评价与分析。第一阶段,本文构建了五投入三产出的DEA模型,然后采用Tobit回归探讨了三类影响因素与效率的关系。
研究发现,与人们思想中固有的想法不同,江苏科技资源配置效率呈现苏南、苏北高,苏中低的局面。38%城市处于规模效率递减阶段,说明仅靠单纯的增加科技投入并不能带来高效的产出增加。
科技资源配置影响因素分析有助于判断效率改进的方向,通过对影响因素的分析可知:
(1)教育投入水平对科技资源配置系统的影响较显著,这说明增加教育投入可以对提高科技资源配置系统的效率产生积极的影响。人是科技活动中的最活跃因素,教育的主要作用正是提高人的素质。教育投入水平的增加还有利于营造更加开放的学术交流与创新环境,从而促进科技资源配置效率的提高。
(2)经济开放度对科技资源配置系统的影响非常显著,这说明加大经济开放力度,将会对科技资源配置系统产生显著影响。一般情况下,在经济开放度高的区域人们的思维都比较活跃,容易接受新鲜事物,具有较强的创新意识;开放的经济更容易吸引具有类似思想观念的人才到本地工作,双方的思想进行碰撞,也较容易产生创新;开放的经济产生了开放的环境,有利于各种类型企业、科研机构、高校之间产学研的紧密合作,这样做的直接效果是各方竞争力的提高,间接作用是整个区域、城市的科技资源配置效率的提高。
(3)R&D强度对科技资源配置系统的影响不显著,说明单纯的增加R&D投入并不能对科技资源配置系统产生太大的影响。R&D强度一直以来都是国际上衡量R&D投入状况的通行指标,但是这个指标并不是越大越好,脱离当地经济经济发展水平的高强度的R&D投入并不能带来很好的效果。由于缺少有效的投入监督机制与问责追究机制,政府主导下的R&D资金使用效率较低,而企业的R&D支出需求往往得不到充分满足,长此以往,不但会导致科技资源的大量浪费,而且可能会使产业结构升级与经济的持续增长的目标无法实现。
当然,本文的研究还存在着一定的缺陷,如因为数据较难获得,就没有将教育科技投入文教科卫事业费中区剥离出来,这在一定程度了使影响因素分析的结果打了折扣,也影响了对假设一的验证;另外,还有一些其它的影响因素如政府制度、区位优势等对科技资源配置效率也会产生影响,但在本文的研究中没能得以体现,作者将在下一步的研究中进行考察。
两阶段DEA 第3篇
1 文献综述
近年来, 随着学术界对技术创新过程理解的不断深入, 既关注知识创新、又注重科技成果商业化的两阶段技术创新效率分析日益受到学者们的重视, 与之相应的网络DEA模型正成为技术创新效率研究领域的前沿方法。网络DEA模型的最简单形式是Sexton和Lewis[1]提出的两阶段DEA模型, 该模型将技术研发过程与技术转化过程视为独立的单元进行分析。肖泽磊、封思贤等[2], 余泳泽[3], 刘和东、陈程[4]都利用该方法对中国高技术产业的两阶段效率进行了研究。由于两阶段DEA模型未考虑各阶段之间的关联性以及技术创新过程的整体性, 近几年来, 不同形式的考虑两阶段之间关联性的网络DEA模型逐步被引入到中国高技术产业技术创新效率评价中, 如陈伟、冯志军等[5], 钱丽、陈忠卫等[6], 尹伟华[7]等运用链式关联网络DEA模型、网络SBM模型等网络DEA模型, 从区域层面对中国高技术产业技术创新效率进行评价;冯锋、马雷等[8]利用链式网络DEA模型从行业层面对中国高技术产业技术创新效率进行研究。
从现有文献可以看出, 国内学者在利用网络DEA模型对中国高技术产业技术创新效率进行研究的过程中存在以下不足:一是大部分网络DEA模型属于径向DEA模型, 没有考虑到投入产出的松弛量问题, 这会导致当存在投入过度或者产出不足时, 径向DEA效率测度会高估评价对象的效率。二是技术创新效率动态变化趋势的分析多数在逐年计算结果基础上进行, 但是每年各DMU的前沿面并不同, 这种做法缺乏合理性。三是行业层面的研究相对不足。因此, 本文基于技术创新效率两阶段分解, 拟将网络SBM模型和DEA窗口分析方法相结合, 对中国高技术产业的技术创新效率动态变化和行业差异进行多角度分析。
2 模型与数据
2.1 网络SBM模型和DEA窗口分析
高技术产业技术创新过程具有明显的两阶段特征:第一阶段为技术研发过程, 该阶段企业研发部门在一定的研发资源投入下形成专利、论文、专著等创新成果;第二阶段为技术成果转化过程, 该阶段既包括自身科技创新成果的产业化, 也包括引进技术的产业化。高技术产业技术创新过程的两阶段结构形式是网络结构中的一种简化形式, 如图1所示。
由于评价视角不同, 网络DEA模型有很多种形式[9,10,11,12]。Tone和Tsutsui[13]提出的网络SBM模型能整体计算各DMU的总效率, 并可以将总效率分解为若干阶段的效率, 是一种真正能“打开黑箱”的网络DEA模型;另外, 该模型以松弛变量为基础测度各DMU的总效率和各阶段效率, 是一种非径向DEA模型。因此, 本文选择网络SBM模型对中国高技术产业的技术创新效率进行测度。
假设DMUj (j=1, 2, , n) 在技术研发阶段的投入为, 技术研发阶段的产出即中间链接变量为, 技术转化过程的中间投入为, 产出为, 则技术研发阶段的生产可能集为:
技术转化阶段的生产可能集为:
因此, 基于可变规模报酬假设下, 高技术产业技术创新过程的投入导向网络SBM模型为:
其中:ρ0*表示所计算的DMU的总效率, 即技术创新总效率;分别代表子过程k的投入松弛量及产出松弛量;wk为子过程k的相对权重, 本文对两个子过程的效率值采用相等的权重, 即w1=w2=0.5。对于中间变量的链接方式, 本文选择自由链接。
若为模型的最优解, 则DMU整体及子过程k的效率分别为:。显然, 整体效率ρ*0等于子过程效率ρ*k (k=1, 2) 的加权算术平均, 即。
本文首要的研究目的是考察高技术产业行业技术创新效率的变动趋势, 但网络SBM模型只能用来分析截面数据, 不能考虑时间因素的作用。从时间角度来看, 用截面数据测算出的效率值具有片面性。Klopp G[14]提出DEA窗口分析方法把处于不同时期的DMU视作不同的DMU来处理, 通过类似移动平均的方法选定不同的参考集来评价一个DMU的相对效率[15]。这一方面可以增加受评价的DMU数量, 而且可以评估同一DMU在不同时间段内的相对效率, 因此采用该方法测算的效率不但可以反映各DMU间的异质性, 还可以反映各DMU效率的变动情况[16]。因此, 本文尝试将网络SBM模型和DEA窗口分析相结合, 即在每一窗口内应用网络SBM模型测算所有DMU的效率, 应用高技术产业的分行业面板数据对技术创新效率变化趋势及行业差异进行分析。窗口分析首先要确定一个窗口所包含的时间段数, 即窗宽, 但窗宽如何确定至今没有确定的理论支持, 多数文献选择3~4个时间段。
2.2 投入产出指标选择与样本、数据说明
本文选取中国高技术产业17个细分行业20002011年面板数据为样本, 数据主要来自《中国高技术产业统计年鉴》 (20012012) , 部分数据来自于WIND资讯。考虑到创新的投入、产出之间存在时滞性, 因此参考多数文献做法, 选取时滞为1年, 其中技术研发投入指标为20002009年数据, 研发产出指标和技术转化中间投入指标为20012010年数据, 技术转化产出指标为20022011年数据。
技术研发阶段投入指标选择R&D经费内部支出和R&D活动人员折合全时当量, 产出指标选择专利申请数。由于研发活动对知识生产的影响是一个连续的过程, 因此, 本文参考文献[1]的做法, 利用永续盘存法计算R&D资本存量来代替R&D经费内部支出。计算R&D资本存量前先对R&D经费内部支出构建R&D价格指数进行平减[4], R&D经费价格指数=75%工业品出厂价格指数+25%居民消费价格指数。
技术转化过程的投入指标包括第一阶段研发的产出专利申请数, 中间投入包括拥有发明专利数、新产品开发经费、技术引进转化经费 (包括技术引进经费、消化吸收经费、购买国内技术经费和技术改造经费) 和高技术产业从业人员平均数, 产出指标选择新产品销售收入。另外, 为消除价格变动对新产品销售收入的影响, 参考文献[4]的做法, 对医药制造业用化学工业出厂价格指数, 其它用机械工业出厂价格指数进行平减。
3 实证结果分析
3.1 技术创新效率总体变动趋势及两阶段效率协调性分析
本文首先应用DEA-Solver8.0软件测算20022011年中国高技术产业17个细分行业在每个窗口下的技术创新总效率以及技术研发效率和技术转化效率, 窗口宽度选择4。为了在总体上考察高技术产业技术创新总效率以及两个阶段效率的动态变化情况, 在DEA窗口分析结果基础上计算17个行业20022011年各效率值的平均值, 结果如表1所示, 效率变化趋势如图2所示。
由图2可见, 近十年来, 中国高技术产业技术创新总效率整体呈现缓慢上升趋势, 其中技术研发效率总体呈现下降趋势, 技术转化效率则震荡攀升, 并在2011年创历史新高。从表1中效率值看, 各类效率水平总体偏低, 技术创新总效率处于0.32~0.41的低位增长区间, 存在较大的改进和提升空间, 其中, 技术转化效率一直显著高于技术研发效率, 技术转化效率处于0.390.60增长区间, 研发效率则处于0.20~0.28的低位窄幅区间。因此, 技术转化效率的提升成为抵消技术研发效率下降、保持技术创新总效率缓慢提升的主要驱动力量。这也说明, 两阶段效率变动存在明显的不协调现象, 研发效率短板问题突出。
由于高技术产业开放度较高, 2008年以来曾一度成为受国际金融危机影响最大的行业, 内外部经济周期转换和金融危机冲击使其总效率和两阶段效率在20072010年期间均出现了不同程度的回调。研发效率下降幅度相对较大, 转化效率调整幅度较小, 而2011年转化效率大幅反弹, 研发效率则仅有轻微提升, 两阶段效率间的趋势背离现象非常明显。技术创新总效率和转化效率能在金融危机后先调整再反弹, 一定程度上体现了高技术产业具有较强的恢复增长和抵御危机的能力, 但两阶段效率的趋势背离和不协调现象则揭示出高技术产业在规模化发展过程中重技术引进、转化应用和产业化, 轻消化吸收、研究开发和自主创新的问题。长期以来, 我国高技术产业的技术引进经费支出、技术改造经费支出都远大于消化吸收经费支出, 产业的核心技术对外依存程度依然严重, 转化阶段效率较高并非主要源于自主创新成果被充分商业化, 而是引进技术的产业化效率较高, 大部分企业更多是跟随模仿或移植国外技术并进行国际产业链低端环节的产能扩张;专利的主体仍集中在产业链的中低端, 位居高端的产品几乎没有自主专利和核心技术[17]。我国高技术企业创新模式主要以低成本模仿创新为主, 这种创新方式具有成本低、效率高的特点, 有助于迅速实现产业化, 也会直接导致转化环节效率偏高, 但这种创新模式在国际市场需求萎缩、贸易保护主义抬头、新技术革命加速推进的情况下有把高技术产业长期锁定在国际分工低端环节的隐忧。
3.2 技术创新效率的行业异质性分析
从分行业数据看, 受行业市场环境、市场竞争和开放程度、行业技术特征和研发周期等因素的影响, 高技术产业17个细分行业的技术创新总效率和两阶段效率值呈现出很大差异, 其中, 广播电视设备制造业的技术创新总效率、技术研发效率和技术转化效率均为最高, 效率值分别为0.754、0.672、0.836, 而化学药品制造业的总效率和两阶段效率均为最低, 效率值分别为0.096、0.042和0.149。但无论是总效率和两阶段效率, 仅有个别行业的单个效率值超过0.8, 这说明我国高技术产业各行业技术创新效率总体水平仍然不高。
为进一步深化行业间效率差异分析, 我们以0.5为区域划分边界, 以17个细分行业技术研发效率和技术转化效率的平均值作为横轴和纵轴, 从而得到两阶段效率的二维分布图, 具体如图3所示。总体而言, 我国高技术产业技术创新效率组合模式有四类, 但根据散点分布实际上只有三类。这意味着, 不仅高技术产业的总体技术转化效率显著大于研发效率, 而且没有一个行业的研发效率大于转化效率。
第一类是高研发效率和高技术转化效率的“兼优”组合行业, 包括广播电视设备制造及办公设备制造2个行业。这2个行业的两阶段效率具有较高的前后一致性和协调性, 两阶段效率均高于整个高技术产业相应的平均效率, 创新成果或引进技术能够实现较好的产业化。由于这两个行业的规模和创新活动的规模相对较小, 其总体效率较高与市场化程度、研发资源配置和运作效率有很大关系。
第二类是低研发效率和高技术转化效率的“前劣后优”组合行业, 包括航天器制造、通信设备制造、雷达及配套设备制造、电子计算机整机制造、电子计算机外部设备制造5个行业。这些行业既有属于行政垄断性较强、国有成分和行业集中度较高的行业 (如H5、H7) , 也有开放度很高的、市场竞争激烈、国际竞争力较强的行业 (如H6、H13、H14) 。这类行业能够对科技成果较好地进行产业化, 但研究创新水平相对不高, 从而限制了技术创新能力的整体水平, 为此应着重在研发阶段优化资源配置、提升效率。受国际金融危机影响, 除航空航天器制造业拥有较为稳定的市场订单外, 高技术产业其他行业的收入增幅均有不同程度调整。近些年来, 中国航天发射活动强度在全球范围名列前茅, 高密度的发射也显著提升了航天器制造业的效益, 我国已成为全球电子产品制造大国, 拥有一批具有国际竞争力的优势企业, 在第三代移动通信技术、智能电视等领域跨入世界先进行列, 但总体而言, 电子计算机类制造业和电子通信设备类制造业均属于不掌握核心技术的高技术制造业, 具有典型出口导向型特点, 整体利润率偏低, 研究开发能力亟待提升。我国电子计算机及办公设备制造业的研发强度比制造业的整体水平还低 (20012011年间均值仅为0.56%) , 专利产出水平也很低, 这一产业正演变为一个研发活动较少的加工制造业。这类行业转化效率偏高恰恰反映了我国高技术产业在国际分工中仍主要处于组装加工环节, 擅长依托加工贸易进行规模化、低成本运作的传统发展模式。
第三类是低研发效率和低技术转化效率的“兼劣”组合行业, 包括化学药品制造, 中成药制造, 生物、生化制品制造, 飞机制造及修理, 电子器件制造, 电子元件制造, 家用视听设备制造, 其他电子设备制造, 医疗设备及器械制造, 仪器仪表制造10个行业, 总体上医药类制造业、电子类制造业和医疗设备及仪器仪表制造业这3类行业的效率都较低。这些行业可能在技术开发阶段投入了大量资金但效率较低, 或者由于研发周期较长, 研发成果产出率较低;同时在成果转化阶段不注重投资质量, 或者内外部科技成果的产业化、商业化能力不高, 因此亟待同时加强技术开发和成果转化效率。以医药行业为例, 长期以来, 由于新药研发周期长、资金投入风险高、审批流程复杂和周期长等原因, 从实验室技术到产业化之间的桥梁没有很好接通, 很多新药很难产业化。目前, 全国各类医药制造企业有近6 000家, 但真正生产创新药的企业不多, 尽管行业整体研发投入、产出能力不断提升, 龙头企业创新能力不断增强, 但产业组织结构仍然没有摆脱“小、散、滥、低”的状态, 因此行业创新资源的集中度不高, 这也是其技术创新效率偏低的重要原因。
总体而言, 高技术产业一半以上行业均属于第三类组合行业, 所有行业的技术转化效率都高于研发效率, 这进一步表明中国高技术产业存在技术创新两阶段效率结构失衡问题。在市场化的环境中, 技术转化效率略高于技术研发效率是合理的, 但这种状态一直存在且差距拉大, 则该产业的持续生存发展可能存在障碍。这一现象的普遍存在反映了我国不少高技术企业存在实用主义导向的倾向, 以及技术开发与转化环节之间脱节的问题。
3.3 技术创新效率的行业收敛性分析
为了进一步探究各细分行业间技术创新效率差异的变化趋势, 我们对技术创新总效率及两阶段效率的收敛性进行分析。收敛测度的方法一般有σ收敛、β收敛和随机收敛。考虑到本文研究的是行业间差异且时间区间不长, 故本文只进行σ收敛的检验。σ收敛一般指特定经济指标的离散程度随着时间逐渐降低, 一般通过经济指标的标准差或变异系数来反映差异的变化趋势, 如图4所示给出了我国高技术产业17个细分行业的技术创新总效率及两阶段效率在20022011年间的变异系数变化趋势。
根据图4, 近10年来, 中国高技术产业各细分行业的技术创新总效率和转化效率的变异系数值处于波动下降趋势, 技术研发效率虽然2007年以前呈现出明显的下降趋势, 但2007年以后开始出现缓慢上升趋势, 即高技术产业行业间技术创新总效率和技术转化效率存在σ收敛, 但收敛幅度趋缓, 技术研发效率不存在σ收敛。这说明我国高技术产业各行业技术转化效率间的差异在不断缩小, 对技术转化环节的重视程度日益提高。金融危机爆发以来, 尽管我国高新技术产业研发强度从2007年的1.10%上升至1.65%, 但行业间的研发强度及研发效率水平之间的差异日益明显。如20072011年间, 航天器制造业研发强度均值为11.91%, 该行业总体效率和二阶段效率均处于高位;中成药制造业研发强度均值仅为1.11%, 且有下降趋势, 其总体效率和两阶段效率均较低。这两个细分行业情形的对比在一定程度上表明了研发投入只有在一定强度基础上, 通过高效的科研和生产资源的配置、转化, 才能真正提升创新能力和创新效率。当然, 实践中不同行业的技术基础、技术消化吸收能力、行业研发资源和活动集中度、企业所有制类型结构、开放度与竞争程度及发展环境等多种因素都可能影响各自的创新需求和动力。受内外部经济增长速度放缓以及出口形势严峻的影响, 高技术企业盈利水平的下降也可能影响研发投入水平, 从而影响研发活动强度乃至研发效率水平。当然, 研发效率提高不意味着效益的提高, 如果方向错误, 效率越大则损失就会越大。自主创新的过程很容易陷入“技术至上”的陷阱, 忽略对市场需求的研究和对技术转化的有效管理, 导致研发与转化、技术与市场的脱节。
4 结论
本文将网络SBM模型和DEA窗口分析方法相结合, 进一步丰富和拓展了高技术产业技术创新效率动态变化趋势及行业差异性的研究, 对优化产业技术创新效率的研究方法进行了有益尝试和探索, 主要研究结论如下:
(1) 近10年来, 中国高技术产业技术创新效率总体呈现缓慢上升趋势, 但总效率、研发效率和转化效率值均显著偏低, 均存在较大的改进和提升空间;研发效率和转化效率之间的趋势背离和不协调现象非常明显;技术转化效率一直显著高于技术研发效率, 技术创新效率缓慢提升主要依赖技术转化效率的提升。
(2) 中国高技术产业各细分行业的总效率和两阶段效率值呈现出很大差异。各行业两阶段效率组合只有三种模式, 尚不存在“前优后劣”模式, 一半以上行业均属于“兼劣”组合行业;大部分行业的两阶段效率均存在短板, 两阶段效率协调性亟待提升。技术创新两阶段效率的不协调和失衡现象突出反映了中国高技术发展过程中重技术引进、转化应用和产业化, 轻消化吸收、研究开发和自主创新, 以及实用主义倾向较重, 技术开发与转化环节之间脱节等问题。
两阶段DEA 第4篇
关键词：城市商业银行,三阶段DEA,技术效率,纯技术效率,规模效率
一、引言
中国金融业对外资银行全面开放之后, 国内银行业面临的竞争变得更加激烈。从目前情况来看, 受冲击最大、影响最深的当属我国的城市商业银行。国外的情况表明, 一国银行业在实现全面开放后, 其发展路径将朝着两个方向分化:一种是一些大型银行凭借规模取胜, 并进一步做大做强, 实现综合化经营;另一种是那些中小银行靠差异化定位生存, 并不断培育经营特色, 实行特色化经营。显然, 城市商业银行无法在规模上同国有银行相抗衡, 在技术、产品创新等领域也无法同股份制商业银行匹敌。然而, 外资银行的进入更进一步恶化了城市商业银行的生存环境, 外资银行在优质客户、人才、银行业务、服务方式以及创新能力等方面与城市商业银行展开了竞争。因而, 面对如此激烈的竞争环境, 我国的城市商业银行必须提高自己的竞争力。
银行效率是对投入产出项目进行综合评价的结果, 既包括各项财务报表上可以看出的经营业绩, 也包括无法进行财务分析的经营结果, 是银行竞争力的集中体现。因此, 提高城市商业银行的效率就能提高我国城市商业银行的竞争力。
二、研究方法与工具
三阶段DEA模型是由Fried, Lovell, Schmidt和Yaisawarng (2002) 提出的。Fried, Lovell, Schmidt和Yaisawarng认为, 传统DEA模型测度出的技术效率值会受到三种因素的影响:内部管理无效率、外部环境影响和随机误差影响。而三阶段DEA模型最大的特点是能够将非经营的因素 (外部环境与随机误差) 对效率的影响去除, 使得所计算出来的效率值能更加真实地反映商业银行的内部管理水平。包括三个阶段:
1、第一阶段:传统的DEA模型。该阶段使用投入产出数据进行一般DEA分析, 本文采用投入导向的规模报酬可变的BCC模型。所以, 采用投入导向, 是因为本着资源节约和环境友好的要求, 尽量减少投入和降低负产出是必要的。由于BCC作为一个成熟的DEA模型, 其数学原理已经非常清晰, 这里不再赘述。
2、第二阶段:运用SFA模型分解第一阶段的差额值。本文以投入导向为例来说明。假设有N个决策单元, 每个决策单元有M个投入差额值, SFA回归模型的因变量为第一阶段的投入差额值, 表示如下:
这里, sil为第l个决策单元的第i个投入变量的差额值, xil为第i个投入变量的实际投入值, xiλ为第i个投入变量的目标投入值。
SFA回归模型的自变量为S个环境变量, zl=[z1l, z2l, , zSl], l=1, 2, , N, 回归方程如下:
此模型与随机成本边界模型一致。其中, fi zl;βi) 表示环境变量对投入差额值的影响方式, 一般取fi (zl;βi) =zlβi, βi为环境变量的待估参数。vil+uil为组合误差项, vil表示随机误差, 并假设vil~N (0, σ2vi) ;uil≥0表示管理无效率, 并假设uil~N+ (μi, σ2ui) , vil与uil独立不相关。所要估计的系数为 (βi, μi, σ2vi, σ2ui) 。
利用SFA的回归结果调整各决策单元的投入项, 其原则是将所有的决策单元调整至相同的环境条件并面临相同的运气成分。调整的方式有两种:一种是对于那些相对环境较好或运气较好的决策单元, 增加其投入;另一种是对于那些相对环境较差或运气较差的决策单元, 减少其投入。Fried et al. (2002) 认为第一种调整方法较好, 因为在某些极端情况下, 处于环境较差或运气较差的决策单元, 减少其投入, 可能会导致投入为负值的情况。因此, 本文采用第一种调整方法。
基于最有效的决策单元, 以其投入量为基准, 对其他各决策单元投入量的调整如下:
式中, xAil为实际投入值xil调整后的值, 为环境变量参数的估计值, 为随机误差的估计值。第一个括号代表把全部决策单元调整至相同的环境状况, 第二个括号则代表把全部决策单元调整至相同的运气状况。根据 (2) 式, 估算vil是采用Jondrow et al. (1982) 所提出的方法:
3、第三阶段:调整的DEA模型。将第二阶段得出的调整后投入值xAil与原始产出值再次代入DEA模型, 计算各决策单元的效率。这时所得到的即为消除了环境因素和随机误差影响后的效率值。
三、数据来源与变量选取
1、样本银行的选取与数据来源。本文选择规模较大且数据披露较充分的21家城市商业银行作为样本银行, 包括北京银行、上海银行、平安银行、天津银行、大连银行、南京银行、宁波银行、杭州银行、东莞银行、长沙银行、哈尔滨银行、重庆银行、西安市商业银行、齐鲁银行、汉口银行、福建海峡银行、青岛银行、温州银行、锦州银行、烟台银行以及厦门银行。另外, 为了将我国城市商业银行与其他类型商业银行的效率进行比较, 样本银行中又加入了4家国有商业银行和9家股份制商业银行, 包括:中国工商银行、中国建设银行、中国银行、中国农业银行、交通银行、招商银行、中信银行、中国民生银行、上海浦东发展银行、兴业银行、中国光大银行、华夏银行以及深圳发展银行。
数据的时间跨度为2004~2008年共5年的数据, 因为这5年样本银行的数据最完整, 没有缺失。所有样本银行的数据来源于BANKSCOPE数据库以及2008年各商业银行年报。
2、投入与产出变量的选取。综合DEA方法对投入和产出变量的基本要求, 本文选择利息支出、营业费用和贷款损失准备作为投入变量。利息支出是可贷资金的成本;营业费用代表人力成本与固定资产成本;贷款损失准备作为投入是为了考虑银行贷款的质量问题。基于资产法的思想, 本文将贷款总额、投资、非利息非投资收入作为产出变量。贷款总额包括:短期贷款、进出口押汇、贴现、中长期贷款、逾期贷款等等。投资包括:短期投资、中长期投资以及其他投资。非利息非投资收入是除去利息收入和投资收入的其他营业收入。
注:TE为技术效率值, PTE为纯技术效率值, SE为规模效率值
3、环境变量的选取。环境变量指的是那些影响商业银行效率但又不在商业银行主观可控范围之内的因素。考虑到我国商业银行的发展特性, 本文选择的环境变量为:银行类型和成立年限。本文将银行类型分为三种:“1”代表国有商业银行;“2”代表股份制商业银行;“3”代表城市商业银行。
四、实证结果分析
本文运用DEAP2.1软件进行计算, 并采用投入导向的VRS模型, 计算结果见表1。 (表1) 对比各类银行第一、第三阶段的效率值后, 可以发现, 调整后所得到的效率值已不同于第一阶段, 这就证明了在第二阶段的环境调整有其必要性。下面针对各类银行第三阶段效率值展开分析。
1、技术效率情况分析。从整体来看, 这21家城市商业银行的技术效率值呈先降低后略微提高的趋势。同时, 国有商业银行的技术效率值呈先降低后显著提高的变化趋势, 在2004年、2005年和2006年, 城市商业银行的技术效率表现要优于国有商业银行, 但是到2007年, 国有商业银行的技术效率值已经超过了城市商业银行的技术效率值, 且差距在扩大。股份制商业银行的技术效率值前几年基本保持稳定, 并在2007年、2008年略有提高, 且在三类银行中技术效率表现最好。从表1可以看出, 城市商业银行与股份制商业银行的技术效率值有着不小的差距。
2、纯技术效率情况分析。从整体来看, 这21家城市商业银行的纯技术效率值呈先略微降低后略微提高的这样一个趋势。同时, 国有商业银行和股份制商业银行的纯技术效率值都处于一个比较稳定的水平, 变化不大。从表1我们可以看出, 城市商业银行同国有商业银行和股份制商业银行的纯技术效率值还有着很大的差距。纯技术效率更多地反映银行在日常经营过程中管理水平的高低, 纯技术效率值越大, 就表示管理水平越高。也就是说, 我国城市商业银行目前的管理水平还较低。
3、规模效率情况分析。从整体来看, 这21家城市商业银行的规模效率值呈先降低后略微提高的趋势。同时, 国有商业银行的规模效率值呈先降低后提高的变化趋势, 但是国有商业银行的规模效率表现却不如城市商业银行, 表现最好的是股份制商业银行。我国城市商业银行规模效率低主要是由于目前我国城市商业银行整体规模过小所导致的。
五、结论
综合对第三阶段的技术、纯技术以及规模效率情况分析, 本文得出这样一个结论, 我国城市商业银行整体技术效率不高的原因有两方面:一方面是因为自身的管理水平不高, 不能用较少的投入生产较多的产出, 导致纯技术效率较低, 这是最主要的原因;另一面则是因为整体规模过小, 享受不到处于最优规模时给银行所带来的各种好处, 导致规模效率较低。也就是说, 城市商业银行需要通过提高管理水平和扩大规模来提高自身的效率。
参考文献
[1]Fried, H.O, C.A.K.Lovell, S.S.Schmidt, et.al, Accounting for Environment Effects and Statistical Noise in Data Envelopment Analysis, Journal of Productivity Analysis, 2002.17.
[2]韩文亮, 张吉光.WTO时代城市商业银行的战略选择.银行家, 2006.7.
[3]方燕, 白先华.中国商业银行经营效率分析——三阶段DEA之应用.中央财经大学学报, 2008.6.
[4]甘小丰.城市商业银行效率研究.理论探索, 2007.3.
两阶段DEA 第5篇
关键词：三阶段DEA,物流企业,经营效率
物流产业已成为21世纪中国经济发展的一个重要的产业部门和新的经济增长点。我国三大产业, 农业、工业、商贸流通业等都要现代物流业来支撑, 国家已把这个产业单独作为一个支柱产业来抓。然而我国物流企业效率低下, 社会物流总费用占GDP的比例高达16.5%, 与欧美发达国家相比还存在着明显的差距。这一现象严重阻碍了我国物流产业的发展。因此在物流产业的相关研究领域中, 我国物流企业的经营管理效率研究是极其重要的内容之一。物流企业效率问题实际上研究的是一个物流企业实现投入最小化或产出最大化的问题。从国外的相关研究看, 分析物流企业效率主要通过非参数化方法。Martinez (1999) 采用DEA模型对国有港口企业和私营企业的效率进行了对比研究[1]。Zhou (2008) 采用DEA模型对中国10大第三方物流企业的效率进行了评价[2]。国内对物流企业效率研究的相关文献相对较少。张宝友 (2008) 、邓学平 (2009) 和沈渊 (2009) 分别利用了传统一阶段DEA模型对我国物流企业效率进行了分析[3~5]。
研究物流企业效率的国内外文献大多采用传统一阶段DEA模型。但是现有研究基本存在两个不足之处:一是传统一阶段DEA模型存在缺陷, 无法剔除环境因素和误差因素对效率值的影响, 不能客观真实的反映企业的效率。二是对物流企业投入产出指标的选择缺乏研究, 没有形成科学的投入产出指标体系, 这种指标选取的不全面会对物流企业效率评价的科学性产生影响。
为了更加准确地测度我国物流企业的经营效率, 同时为企业管理者改进管理、提升效率提供更有力的依据, 本文在总结前人的优点和不足的基础上, 通过建立科学的投入产出指标体系, 采用三阶段DEA模型对我国22家物流企业的经营效率进行了研究及对比分析。
1 模型与方法
由于传统DEA模型存在缺陷, 本文采用Fried等 (2002) [6]提出的三阶段DEA分析方法, 其基本思路是:在第一阶段把投入产出项代入传统的DEA模型 (BCC模型) , 得到各样本企业的效率值与投入差额值;第二阶段使用差额值和所选择的环境变量, 通过随机前沿法, 即SFA模型来调整样本企业的投入项, 以排除环境和误差因素的影响;第三阶段将调整后的投入项与原始的产出项再次代入DEA模型, 此时得出的效率值就是剔除了环境因素与随机误差影响的纯管理效率值。此方法已成为计算企业效率的一个重要方法。
2 样本及变量的选取
2.1 样本和数据的选择
考虑到数据的可获得性和完整性, 按照主营业务为物流服务, 本文选取了22家物流企业为样本, 数据来源于2008年的各企业年报、巨潮资讯网和《中国统计年鉴2009》。
2.2 投入与产出变量的选取
根据DEA方法对投入和产出指标的要求和投入产出指标的科学性选取原则, 本文选取职工薪酬, 固定资产净值, 主营业务成本三个变量为投入指标。主营业务收入和净利润为产出指标。
在投入产出指标中, 因物流产业的操作人员流动性很大, 临时员工和短期雇佣工占员工总数的比例比较大, 而且我国各个地区的工资收入水平存在较大差异, 因此本文选择职工薪酬而不是职工人数作为投入指标。固定资产净值是企业产生经济效益的物质基础而且固定资产的利用状况将直接对物流企业的经营效率产生重要影响, 因此选择固定资产净值作为投入指标之一。主营业务成本对应于主营业务收入, 这两者在很大程度上反映了企业内部的经营管理效率, 因此将前者作为投入指标之一, 后者作为产出指标之一。净利润反映了企业总体盈利状况, 所以选择净利润作为产出指标之一。
2.3 环境变量的选取
第二阶段需要剔除的环境因素叫做外部影响因素, 这些因素会对企业的经营效率产生影响, 但这些因素都不在样本主观可控制范围之内, 通常为管理者在经营管理上所无法改变或不容易改变的因素。考虑到物流行业的发展特性, 本文考虑以下五个因素作为环境变量。
(1) 作为企业层面的外部因素, 首先选择企业的成立年数。一般来说, 企业成立的时间越长, 其在经营管理方面的经验就会越丰富, 从而可以带来成本的降低和效率的提升。
(2) 由于各个企业所处的地区不同, 我国各个地区的发展水平差距又比较大。地区的经济发展情况会直接对企业的经营行为造成影响, 从而影响企业经营效率。所以第二个环境变量选择企业所在地当年人均GDP。
(3) 根据物流企业所经营的主营业务的不同, 由于主营业务也会对经营效率产生影响, 所以第三个环境变量为企业种类。本文把物流企业分为两类, 一是运输仓储类, 二是港口类 (运输仓储类Z=0港口类Z=1) 。
(4) 企业的子公司数目在经营管理层面上不容易改变, 所以本文选择企业现有的子公司数目作为第四个环境变量。子公司数目对企业的经营有明显的影响, 子公司的数目增加可以拓展企业经营的地域范围, 增加其经营规模, 增加产出。但是也有可能因此造成管理半径过大、要素投入闲置, 从而使企业经营管理成本上升, 效率降低。
(5) 第五个环境变量选取企业的资产规模 (总资产) , 在短时间里总资产大小不容易改变, 所以视其为环境变量。大公司相对于小公司具有许多优势如资金、资源、人才等。但在资源的使用上, 小公司比大公司更具有灵活性, 比较愿意承担风险。而这些因素都会对企业的经营效率产生影响。
3 实证结果分析
3.1 第一阶段传统DEA的实证结果
第一阶段运用DEAP2.1软件对我国22个物流企业2008年的效率水平与规模报酬所处的状态进行了分析。结果如表1所示, 在不考虑环境因素和随机误差因素的影响时, 可以看出22家物流企业平均技术效率为0.895, 平均纯技术效率为0.925, 平均规模效率为0.967。其中9家企业处于技术效率前沿。除了锦州港、上港集团、芜湖港以外其他企业的纯技术效率低于规模效率。也就是说纯技术效率相对不高是制约我国大多数物流企业效率提升的主要因素。表1第一阶段各物流企业2008年的技术效率值 (TE) 、纯技术效率
注:T E:技术效率;P T E:纯技术效率;S E:规模效率;TE=PTESE;DRS:规模报酬递减;IRS:规模报酬递增;:规模报酬不变。以下各表均相同。
3.2 第二阶段SFA回归分析结果
由第一阶段可得出样本各投入变量的松弛量, 把它作为函数的被解释变量, 将企业成立年数、企业所在地当年人均GDP、企业分类、企业的子公司数目、资产规模五个环境变量作为解释变量进行SFA回归分析, 结果见表2。
注:***显著水平达1%;**显著水平达5%;*显著水平达10%;括号内为标准差。
由于环境变量是对各投入松弛变量的回归, 所以当回归系数为负时, 表示增加环境变量有利于投入松弛变量的减少, 即有利于减少各投入变量的浪费或降低负产出。
(1) 企业成立年数:企业成立年数对职工薪酬, 固定资产净值, 主营业务成本三个投入项的松弛变量均呈显著的负相关, 表明企业的成立年数越长企业对职工薪酬, 固定资产净值, 主营业务成本的投入越有效率。
(2) 企业所在地当年人均GDP:企业所在地当年人均GDP对职工薪酬, 主营业务成本两个投入项的松弛变量均呈显著的负相关, 而对于固定资产净值没有通过显著性检验。说明企业所在地当年人均GDP越高企业对职工薪酬, 主营业务成本的投入越有效率, 而对固定资产净值投入的效率不产生影响。
(3) 企业种类:企业种类对于职工薪酬, 固定资产净值两个投入项的松弛变量均呈显著的正相关, 而对于主营业务成本没有通过显著性检验。表明港口类的企业应该减少对职工薪酬, 固定资产净值的投入, 这样效率会更高。
(4) 企业的子公司数目:子公司数目对于三个投入项的松弛变量均呈显著的正相关, 表明子公司的数目越多对三个投入项的投入就越缺乏效率。这可能是由于子公司数目太多而造成管理半径过大, 成本提高和要素闲置。
(5) 资产规模:资产规模对职工薪酬, 主营业务成本两个投入项的松弛变量均呈显著的正相关, 而对固定资产净值没有通过显著性检验。说明企业的资产规模过大会造成职工薪酬, 主营业务成本两个投入量的效率低下。由于影响系数不大, 所以影响效力不明显。
3.3 第三阶段调整投入后的结果
本阶段将第二阶段所得出的环境及随机误差对原始投入项进行调整, 再利用DEAP2.1软件计算经过调整后的我国物流企业的经营效率, 结果如表3所示。
对比表1和表3的结果发现, 经过环境因素和误差因素调整之后平均技术效率值有明显的下降。22家物流企业的平均技术效率值由0.895下降到0.597。平均纯技术效率反而由原来的0.925上升到0.957, 在没有环境因素和误差因素的影响下, 企业的平均纯技术效率得到了提高。平均规模效率值从原来的0.967下降到0.620, 下降幅度比较大。经过调整后只有2家企业处于技术效率前沿。可见物流行业是一个受环境因素影响很大的行业。客观上规模效率不高是制约大多数我国物流企业效率提升的主要因素, 这从调整之后各企业的规模报酬由递减和不变为主变为递增为主也能看出。
一些企业, 如长航油运、大众交通、交运股份、强生控股、铁龙物流、营口港、中海海盛、重庆港九、天津港的纯技术效率值得到了上升, 说明这些企业之前较低的技术效率确实有一部分是因为比较差的环境或经营时机不好所导致, 而非它们的经营管理水平差。而部分企业, 如渤海物流、深赤湾、外高桥、外运发展、芜湖港、厦门港务的纯技术效率值有所下降, 表明它们之前的高效率与它们所处的有利环境和相对较好的经营时机密切相关, 它们的经营管理水平并没有看上去那么高。大部分企业的规模效率都存在较大幅度的下降, 在22家企业中重庆港九的下降幅度最大, 由0.962下降到了0.195, 这说明环境因素对物流企业规模效率的影响非常大。
4 结语
以上实证结果说明物流行业是受环境因素影响较大的行业, 规模效率不高是制约大多数我国物流企业经营效率提升的主要因素。由于第三阶段的效率值更接近客观真实, 效率的改善和提升也应该以此为基础。我国物流企业总体效率不佳, 其主要原因是规模无效率, 即物流企业内部的经营成本偏高, 存在较大的资源闲置和资源浪费。因而, 物流企业应尤为注意以适度规模发展。可以适当增加业务范围, 实行资产重组, 整合优质资源, 促进企业资源优化配置, 提高经营效率。我国物流企业的纯技术效率虽然不低, 但也存在着提升的空间。可以加快企业的物流信息化建设, 通过技术改造提升产品和服务的档次。因此中国物流企业在扩大资产规模时, 应同时注重技术改造, 形成优势产品和服务, 提高企业的经营效率。
参考文献
[1]MARTINEZ B E, DIAZ A R, NAVARRO I M, etc.A study of the eff iciency of Spanish port authorities using data envelopment analysis[J].International Journal of Transport Economics, 1999, 26 (2) :237~253.
[2]ZHOU G, MIN H, XU C, CAO Z.Evaluating the comparative efficiency of Chinese third-party logistics providers using data envelopment analysis[J].International Journal of Physical Distribution&Logistics Management, 2008, 38 (4) :262~279.
[3]张宝友, 达庆利, 黄祖庆.中国上市物流公司动态绩效评价及对策[J].系统工程, 2008, 26 (4) :6~10.
[4]邓学平, 王旭, ADA SUK FUNG NG.我国物流企业生产效率发展分析[J].系统工程理论与实践, 2009, 29 (5) :27~36.
[5]沈渊, 漆世雄.基于DEA方法的我国物流上市公司绩效评价[J].物流技术, 2009, 28 (8) :97~100.
两阶段DEA 第6篇
为了解能源效率的影响因素及其影响程度, 在DEA分析的基础上衍生出了一种两步法。该方法第一步采用DEA分析评估出决策单位的效率值, 第二步以上一步中得出的效率值作为因变量, 以影响因素等作为自变量建立回归模型。因为DEA法得出的效率指数介于0~1之间, 如果直接采用最小二乘法, 会给参数估计带来严重的有偏和不一致, 为此, 第二步采用因变量受限模型Tobit回归模型。
采用两步法分析效率及其影响因素在国外的教育学、医院管理等方面已经比较成熟, 而较少在能源领域得到采用。本文尝试用该方法进行区域能源效率研究。
一、我国区域能源效率评价
根据本文研究目的, 每个决策单元 (DMU) 将设定5项指标, 包括3项输入指标和2项输出指标。3项输入指标是能源消费量、劳动力和物质资本存量;2项输出指标是地区生产总值和工业增加值。数据来源于《中国能源统计年鉴》、《中国统计年鉴》、各省市统计年鉴以及复旦经济研究中心的部分统计数据。
本文选择我国28个省市、自治区 (以下简称地区) 作为区域能源效率测度的决策单元 (DMU) 。由于西藏、海南和港澳台地区部分数据缺失, 故不在考察之列, 并将重庆数据并入四川。本文指标采用2009年的截面数据, 应用EMS软件来计算各决策单元的效率。
从计算结果发现, 能源效率最高的地区为北京、上海、天津、辽宁、福建、广东、安徽和云南。能源效率最低的5个地区分别为宁夏、青海、贵州、甘肃和安徽。还需注意的是, 虽然在全国单位GDP能耗呈上升趋势的情况下, 陕西省的能源强度持续下降, 但与其它地区相比, 能源效率水平还很低, 效率值只有0.5481。另外, 人均GDP呈现东、中、西依次降低的趋势, 能源效率也呈现东高、西低的局面。东部10个地区中多于一半有效率;西部10个地区中仅有云南效率为1;尽管中部8个地区中也仅有安徽效率为1, 但总体效率水平高于西部。东、中、西部能源效率平均大小依次为0.929、0.762、0.596。可见这与地区经济发展水平、科技创新程度等有密切关系。
二、影响因素分析
为了能快速有效提高区域能源效率, 有必要对能源效率的影响因素进行分析。本文主要考察了经济发展水平、科技投入和产业结构, 结合上文的分析, 设定如下假设:
经济发展水平和科技投入对我国区域能源效率具有正面的显著影响;产业结构对我国区域能源效率具有负面的显著影响。
构建区域能源效率的多元线性回归模型:
其中β0、β2、β3、εi为模型待估系数, 为随机扰动项。为第二产业所占比例;为地区科技经费投入的对数;为地区人均GDP的对数。
本文采用Eviews 6.0软件对上式进行Tobit回归, 发现:
(一) 第二产业所占比例与能源效率值在显著水平1%上呈现显著的负相关。
这意味着目前的产业结构不利于能源效率的提高。
(二) 科技经费投入与能源效率值在显著水平10%上呈现显著的正相关。
这表明科技经费投入的增加可以加快科技进步, 促进能源效率的提高。
(三) 人均GDP与能源效率值在显著水平1%上呈现显著的正相关。
这说明区域经济发展水平越高, 对能源效率的正面影响越大。
三、结语
研究结果显示, 能源效率在我国呈现东、中、西部依次降低的分布。因此要提高我国的能源效率, 需要将优势资源趋向于能源效率较高的经济区。西部不发达地区可以通过能源项目与东、中部地区开展经济合作、节能技术交流, 引进先进技术和管理经验, 以各种激励措施吸引人才到西部地区工作, 不断缩小与东部地区的差距。
Tobit回归模型表明, 我国能源效率与科技经费投入、地区人均GDP等具有显著的正相关关系, 与第二产业所占比例具有显著的负相关关系。这说明, 增加科技经费投入可以促进效率的提高。对于西部经济不发达地区, 国家要加大科技投入, 通过人力资源和高新技术的引进、生产技术路线的改善, 产业层次和技术水平的提高, 有效提升企业的自主创新能力。目前, 我国的产业结构依然是阻碍能源效率提高的主要因素之一。要加快工业内部的结构调整, 大力发展技术含量高、资源消耗低的工业, 适度限制高耗能产品的出口。
摘要：本文采用DEA-Tobit两步法对我国28个省、市和自治区能源效率进行了比较, 并构建多元线性回归模型, 对区域能源效率差异的影响因素进行了实证分析, 并提出了提高能源效率的措施建议, 为节能政策的制定提供参考。
关键词：能源效率,DEA,Tobit回归,效率评价
参考文献
[1]、张宏武, 时临云.我国能源利用效率与经济增长关系的分析[J].生产力研究, 2007, (9) :17-19.
[2]、魏楚, 沈满洪.能源效率与能源生产率:基于DEA方法的省际数据比较[J].数童经济技术经济研究, 2007, (9) :110-121.
两阶段DEA 第7篇
我国房地产业经过二十多年的发展, 已经成为国民经济发展的新的经济增长点, 尤其是近年来, 房地产市场异常火爆, 房价一路攀升。但是, 房地产市场效率如何?提升的方向和空间在哪里?本文根据DEA和SFA的相关理论, 以2008年我国31个省的相关数据为样本[1], 对我国各地区的房地产业效率进行了实证研究。
现有文献中大多着重于考察房地产业对经济总量的贡献, 如将房地产投资额作为资本形成总额的一部分, 将其增量所占GDP增量的比例作为对GDP的贡献[2,3,4];或是通过选取代表房地产业的变量和代表国民经济水平的GDP, 采用ARDL、ECM、Granger因果检验等直接反映房地产业对经济总量的贡献[5]。张志红等基于主因子分析给出房地产上市公司在总体上市公司中的资产运作水平[6]。王亚东、安立仁也运用DEA方法考察了我国各省房地产行业的效率, 但其并未排除环境变量和统计噪音对房地产行业的影响[7]。所以, 国内鲜有利用三阶段DEA对房地产业生产力和效率进行研究的文献。
一、研究方法与工具
自Charnes和Rhodes创立基本的DEA模型后, 为测度环境变量对决策单元效率的影响程度, Coelli (1998) 提出了DEA的两阶段模型[8]。但由于该模型存在技术上的缺陷, 并且在实际应用中会忽略被包括在投入松弛或产出剩余里的信息, 因此, H.O.FRIED创建了三阶段DEA模型[9]。其三个阶段分别是:
1. 第一阶段DEA模型。
该阶段使用投入产出数据进行一般DEA分析, 本文采用投入导向的规模报酬可变的BCC模型。之所以采用投入导向, 是因为本着资源节约和环境友好的要求, 尽量减少投入和降低负产出是必要的。由于BCC作为一个成熟的DEA模型, 其数学原理已非常清晰, 这里不再赘述。
2. 第二阶段构建相似SFA模型。
Fried等人认为, 第一阶段DEA分析得出的投入产出松弛变量由环境影响、管理无效率和统计噪音三因素构成[9]。通过构建SFA模型可分别观测出以上三个因素的影响。本文以投入导向为例, 分别对N个投入松弛变量进行SFA分析。
首先, 建立松弛变量:
其中, sni是第一阶段是第i个厂商在使用第n个投入的松弛变量 (射线的加上非射线的) 。Xn是X的第n行, Xnλ是xni对应产出变量yi在投入效率子集上的最优映射。
其次, 建立松弛变量与环境解释变量的理论模型:
其中, zi=[z1i, z2i, zki], i=1, 2, I, 为K个可观测的环境变量, fn (Zi;βn) 是确定可行的松弛前沿, 参数向量βn将被估计, vni+uni为混合误差项。与随机成本前沿公式一样, vni~N (0, σ2vn) 反映统计噪音, uni≥0反映管理无效率。
为进行下一步的投入调整, 首先必须从SFA回归模型的混合误差中把统计噪音从管理无效率中分离出来, 为排除不同运营环境和统计噪音的影响, 对于那些相对有利的运营环境或相对好运的DMU的投入进行向上调整, 如 (3) 式
(3) 式右边的第一步调整使所有厂商处于共同的营运环境, 及样本中所观测的最差的环境。第二步调整是所有厂商处于共同的自然状态, 即样本中遇到的最不幸的状态, 以致使每个DMU均面对相同的营运环境和营运运气。
3. 第三阶段调整后的DEA模型。
用调整后的投入数据代替原始投入数据xni, 再次运用BCC模型计算效率值。第三阶段输出的DMU效率值, 排除了运营环境和统计噪音的影响, 客观体现了技术效率, 更能反映事实。
二、变量的选取与分析
1. 投入产出指标的选取。
鉴于数据的可得性和完整性, 本文选取2008年中国31个省 (自治区、直辖市, 以下简称省) 的房地产行业为样本。文中数据来源于《中国统计年鉴2009》。
综合DEA方法对投人和产出指标的基本要求, 对于房地产业投入指标, 主要从人力、财力和资源三个角度去衡量。鉴于我国房地产业自身特点, 经过比较分析和测算, 本文主要选取三个投入指标:各个省房地产业本年度资金投入额、从业人员数、开发土地面积;两个产出指标:竣工面积和房屋销售额。
2. 环境变量的选取。
环境变量指的是那些影响房地产业效率但不在样本主观可控范围之内的因素。考虑到房地产业的发展特性, 本文主要考虑以下几个因素作为环境变量:反映各地区政府对房地产业支持力度的土地增值税税率;反映一个地区房地产行业市场结构和规模经济状态的房地产开发企业个数;反映一个地区市场化水平的非国有经济职工所占的比重, 市场化水平越高, 整个社会资源配置效率也越高;反映一个地区经济发展水平的地区生产总值, 它既是影响房地产行业发展的需求因素, 又可能从技术和管理等方面对供给产生影响。
三、实证结果分析
1. 第一阶段传统DEA的实证结果。
第一阶段运用Deap2.1软件对中国31个省房地产行业的效率水平与规模报酬所处的状态进行了分析。结果如表1所示, 在不考虑外在环境变量和随机因素影响时, 中国房地产行业的平均技术效率为0.728, 平均纯技术效率为0.809, 平均规模效率为0.900。其中, 6个省 (天津、上海、江苏、浙江、西藏、宁夏) 处于技术效率前沿, 其他各省则面临不同的技术效率改进空间。除湖北、内蒙古、重庆、河南、新疆以外, 其他各省的纯技术效率均低于规模效率, 也就是说代表决策与管理水平的纯技术效率不高是制约中国大多数省份房地产行业效率提升的主要因素。
2. SFA估计结果。
由第一阶段可得出样本各投入变量的松弛量 (射线加上非射线的) , 将其作为函数的被解释变量, 将政府支持力度、地区房地产行业市场结构和规模经济状态、地区市场化水平、地区经济发展水平作为解释变量进行SFA回归分析。结果如表2所示。
注:***、**、*分别表示在1%, 5%, 10%的水平上显著
由表2可知, 每个似然比LR都通过5%的显著性检验, 即表明混合误差项中存在技术非效率, 因此, 使用SFA分析十分必要[10]。而且表示技术无效率方差占总方差的比率, 每个回归分析都显示γ1, 且显著水平均达到1, 这说明技术效率存在差异, 采用SFA分析是适宜的, 并且表明技术无效率对松弛变量的产生具有很大的影响, 而随机因素影响很小[11]。
由于环境变量是对各投入松弛变量的回归, 所以当回归系数为负时, 表示增加环境变量有利于投入松弛变量的减少, 即有利于减少各投入变量的浪费[11]。
(1) 政府支持力度:其对资金和从业人员投入松弛变量的回归系数为负, 表明加大政府支持力度有利于资金和人力资源的节约, 但会造成土地资源的浪费。所以, 政府加大对房地产行业的支持的力度并不一定会带来其效率的增长。
(2) 地区房地产业市场结构和规模经济状态:这一环境变量由企业个数来反映。企业个数的增多会导致资金、人力和土地资源的浪费。这可能由于企业越多小规模企业所占的比重就越大, 这会加剧资源的浪费, 其值均通过1%的显著性检验。
(3) 市场化水平:其对占用土地面积松弛变量的回归系数、对资金和从业人数投入的松弛变量的回归系数均为负, 且通过显著性检验, 表明市场化水平的提高有利于房地产业效率的提高。
(4) 地区生产总值:其对房地产从业人员数松弛变量和占用土地面积松弛变量的回归系数为负, 表明地区生产总值的增加有利于人力资源和土地资源的增加;其对资金投入松弛变量的回归系数为正, 表明各地生产总值的增加不利于资金的节约。
3. 投入调整后的实证结果。
根据 (4) 式进行投入变量的调整, 利用Deap2.1再次进行BCC模型运行, 可获得第三阶段的各效率值以及规模报酬的状态, 运行结果见表3。
如表3所示, 排除环境变量和统计噪音的影响前后, 各地区房地产业各项效率发生显著变化。表1中处于效率前沿的西藏和宁夏效率水平大幅下滑。晋升至效率前沿的则有广东和福建两省, 说明这两个地区的房地产行业在剥离环境因素和统计噪音的同质环境下经营是高效的。房地产行业的平均技术效率由0.728下降为0.603, 平均规模效率从0.900下降到0.832, 而平均纯技术效率由0.809下降到0.688。大多数地区的综合技术效率出现大幅下降, 且大多地区的综合技术效率下降主要是由于纯技术效率下降导致的。也就是说, 客观上纯技术效率不高是制约中国大多数省份地产行业效率提升的主要因素。有些省 (市) , 如北京、福建、辽宁的纯技术效率值大幅上升, 说明这个地区之前较低的技术效率确实有部分是由于比较差的环境或不好的运气所致, 而非它的技术管理水平差。而部分地区, 如内蒙古、宁夏等的纯技术效率值大幅下降, 表明它们之前的高效率与它们所处的有利环境和好运密切相关, 它们的技术管理水平并没有看上去那么高。
四、中国各省房地产行业投入产出变量的松弛程度分析
因为第三阶段的效率值更趋客观真实, 效率改善也应以此为基础。依据第三阶段DEA分析结果, 按照投入 (产出) 变量松弛程度=投入 (产出) 松弛变量÷原投入 (产出) 量, 可以得出2008年我国房地产行业DEA非有效地区各投入变量和产出变量的松弛程度, 如表4所示。
1.从投入方面看, 北京、河北、山西、内蒙古、黑龙江、湖北、重庆、四川等处于经济加速成长阶段[12]的省份资金投入额和占用土地面积两项指标的投入冗余较为严重, 而河南、广西、海南、甘肃、宁夏、新疆等经济尚处在起飞阶段[12]的省份劳动力投入冗余较为严重, 或者说这些地区人员的专业素质不高、工作效率低下。而北京、河北、山西、内蒙古、黑龙江、湖北、重庆、四川等地在2008年资金投入额和占用土地面积的松弛变量均比河南、广西、海南、甘肃、宁夏、新疆等地要高, 尤其是在完成投资额方面, 表明这些地区的房地产业存在着投资过热的问题。
2.从产出方面看, 处于经济加速成长阶段的省份和处于经济起飞阶段的省份均存在房屋销售额不足的情况, 但北京、山东、湖北、重庆等处于经济加速成长阶段的省份更为严重。这说明我国房地产业房屋销售额存在不足。由于竣工面积除内蒙古、河南、宁夏有稍微不足外, 其他省份均无不足, 这说明房屋在从竣工到销售成功这个环节上出了问题。由于我国普遍房价较高, 因此我国房地产业存在房屋滞销的情况, 经济加速成长阶段的地区这一问题尤为严重。
(%)
五、小结与改进策略分析
通过以上分析, 结合我国房地产业现状, 提高房地产业的效率就是要在政府的监督与宏观政策的调控下, 从行业的内部投入与产出情况综合分析, 逐步调整行业结构, 实现整合全行业的资源达到优化配置的状态。具体的策略有以下几个方面。
1.加快结构调整的步伐, 合理进行房地产开发项目定位。由以上数据分析知道, 我国房地产业总体上存在房屋滞销的情况, 尤其是北京等经济加速成长的地区。房地产开发商要在政府政策的调控下, 在市场信号的引导下, 充分考虑消费者的实际需求, 加大对中、低档房地产项目的开发, 限制或控制高档商品房、写字楼和别墅的开发。
2.对于经济处于起飞阶段的地区, 可以通过提升房地产企业的管理水平和建立房地产企业间的联盟的方法, 提高其资源利用水平, 以使现有资源发挥最大效用。房地产企业之间通过建立联盟可以降低市场风险, 实现优势互补, 整合企业之间的资源, 以提高资源的利用效率。
3.重塑房地产市场监管体制。由第三阶段DEA分析结果表明, 我国房地产市场总体上已处于规模收益递减阶段, 需要重塑房地产市场监管体制, 防止房地产业的过快过热发展。房地产市场监管体制的有效性和规范性, 是决定房地产市场持续稳定健康发展的基础[13]。
4.完善房地产业专业人才的培养体系。对于经济处于起飞阶段的地区尤其要注意人才的培养, 这是因为这些地区的从业人员冗余相对经济加速成长地区更为严重。从某种程度上讲, 人员专业化程度不高, 已经成为制约房地产企业成长与成熟的重要因素之一。因此, 要完善房地产从业人员的培养, 提高房地产业从业人员的素质, 尤其是要提高不发达地区的从业人员素质。
5.加快房地产信息化建设, 加强投资引导。研究表明, 现阶段我国房地产业存在销售不畅、投资额冗余的现象, 而信息分散、信息失真是导致其产生的重要原因。因此, 应加强房地产信息化建设。国家主管部门应着手建设全国的房地产管理信息系统, 尽快建立起公开、透明、高效的房地产信息市场, 为国家宏观管理和发展商投资提供服务。
摘要：利用DEA三阶段分析法对2008年中国31个省 (自治区、直辖市) 房地产行业进行了排除环境变量和统计噪音影响的技术效率分析, 结果表明, 很多省份的房地产行业效率水平的确受到地区政府支持力度和经济发展水平等环境变量和好坏运气的影响, 在同质经营环境下纯技术效率不高的问题更加突出。从而, 提出了提高我国房地产业效率的相应策略。
