周一至周五 | 9:00—22:00

期刊论文网 > 经济论文 > 工业经济论文 > 工业经济论文征稿参考文献 基于三阶段DEA模型的我国工业经济效率分析

工业经济论文征稿参考文献 基于三阶段DEA模型的我国工业经济效率分析

2018-11-20 15:03:01来源:组稿人论文网作者:婷婷

  摘 要

  效率分析是经济学研究的热点问题,工业经济效率分析就是分析工业行业的投入产出能力,这有利于了解我国工业的内在发展模式。本文主要利用2014年我国31个省市规模以上工业企业的投入产出和环境变量的相关数据,构建三阶段DEA模型分析我国各地区工业经济发展的差异与联系。结果表明,工业规模、地区经济、金融发展、对外贸易和交通条件等环境变量对工业投入冗余存在显著的影响,但无论是否剔除外在因素的干扰,我国各地区工业发展水平存在着东部地区高于中西部地区的特点。依此,本文提出了关于提高我国工业经济效率、协调区域经济发展的建议。

  关键词:工业;经济效率;三阶段DEA

  一、引言

  工业作为国民经济体系中的重要组成部分,对于促进改革开放以来我国经济总体发展水平的不断提高起到了十分显著的作用。随着国家经济发展形势的不断向前,工业增加值由1978年的1602.91亿元持续增长到2015年的228974.00亿元,但工业增加值占国内生产总值的比重却有所下降, 1978年的工业增加值占比为43.91%,到2015年工业增加值占比已经下降到33.84 %。工业经济对国家整体经济的贡献率正在不断下降,与此同时第三产业逐步发展成为国民经济的支柱产业。尽管如此,工业经济的发展对于一国经济长久发展的作用依然不可忽视,工业经济的发展水平集中体现着一国的经济实力基础。

  宏观经济研究通常只关注工业经济的产出水平,而忽视产出效率,这样虽然有利于政策制定者了解工业经济的整体发展情况,却不能使其了解工业经济的内在发展模式。所谓工业经济的产出效率,是指在一定时期内工业企业或行业投入一定成本所获得产出的大小,是对工业经济生产能力的衡量。多数学者认为我国经济的增长模式是粗放型的,是由大量资本和劳动力投资驱动的,面对当前经济下行的发展形势,发展创新驱动战略变得十分迫切,从而研究我国工业经济的产出效率将十分有利于了解我国工业发展的具体模式,有利于制定科学的产业经济政策。

  本文在总结前人研究成果的基础上,基于我国2014年的省域截面数据,运用三阶段的DEA方法对我国2014年各省市的工业经济效率进行测算,试图通过剔除对工业经济发展发展有影响的环境因素来揭示我国各省市工业经济效率的真实情况,并就环境因素对工业投入产出的影响进行了具体的分析。全文可分为五个部分,第三部分对三阶段DEA方法的基本思想进行了简要概述,并设计了工业经济效率测度的指标体系,第四部分为实证分析部分,第五部分在第四部分的基础上进行了总结,并提出了有利于提高我国工业经济产出效率和协调区域经济发展的建议与对策。

  二、文献综述

  前沿分析方法是经济学效率研究中的使用最多的分析方法,其中以非参数的数据包络分析(DEA)和参数的随机前沿法(SFA)应用最为广泛。国外研究方面,Goncharuk(2007)运用DEA和SFA方法研究了乌克兰政治变革对工业生产效率的影响。Yan Li, Chunlu Liu(2011)运用DEA模型测量了澳大利亚建筑行业资本生产效率。国内研究方面,在分析方法和工具的驱动下,对工业效率的研究可以分为两类,一类应用DEA和SFA,另一类应用三阶段DEA。杜传忠、郑丽(2009)利用 DEA模型和、Malmquist生产率指数和聚类分析方法对我国2005—2007年各省市资源和环境约束下的工业效率进行分析和评价。雷玉桃、黄丽萍(2015)依据我国2002-2013年的省域面板数据,运用SFA方法测算和对比分析了各省的工业用水效率值。宋亚楠(2012)DEA和SFA计算了辽宁省沿海经济带2001~2010年的工业环境效率。目前,采用三阶段的DEA方法研究我国工业经济效率的文献较少,在指标体系的设计上也没有统一的标准。沈能、潘雄锋(2011)运用三阶段DEA模型对1998-2007年中国工业企业创新效率状况进行实证分析,认为我国工业企业创新效率受经济发展水平、外资活动、政府扶持激励政策和市场结构等环境因素的影响。刘川(2012)应用三阶段DEA模型对我国高新技术产业研发和创新效率进行了测评。郭亚军(2012)运用三阶段DEA模型对我国2009年的工业效率进行了分析。

  综合上述研究成果,基于非参数的DEA虽然无须对数据进行任何检验,数据的适用性要求很低,但没有剔除环境因素和随机误差对投入产出的影响,不能客观地体现决策单元的真实效率;基于参数的SFA考虑到生产前沿的随机性,可以将随机扰动项与管理无效率项予以分离,但必须建立在一些假设的基础上去设定生产函数的具体形式,可能导致无法区分设定性误差和无效率的问题;基于三阶段的DEA相对于传统DEA而言,优势在于可以剔除环境因素和随机误差对投入产出的影响,使各个决策单元处于相对一致的外部条件,得到更加符合实际情况的效率测度,但对数据的适用性要求大大提高,从而使得分析结果各加具有客观性。

  三、三阶段DEA模型与指标选择

  DEA是一种基于相对效率的概念,根据多指标投入与多指标产出对同类部门进行综合评价的系统分析方法,它的基本思想可归结为在一系列的投入产出数据中寻找最优的投入产出组合,使得有效决策单元满足投入最少、产出最多,并计算其他非有效的决策单元相对于有效决策单元的差距。DEA方法是效率研究中使用最多、应用最广的主要方法之一,其优点在于无须事先对指标设置任何权重,而是根据实际数据自动获取最优权重,从而可以减少对评价结果的主观干预。传统的DEA模型在理论设计上没有考虑环境因素和统计噪声对经济主体生产效率的影响,评价对象在经济社会环境中处于相对独立的地位,Fried首次提出将这两种外在因素引入DEA模型的分析过程中,从而形成了三阶段的DEA模型理论。

  (一)传统的DEA模型与DEA有效性

  国内学者使用最多的DEA模型是CCR模型和BCC模型。不妨设存在n个同类型的决策单元(即评价对象,简称DMU),且每个决策单元分别有m个投入指标和s个产出指标,记DMUj(1≤j≤n)的投入、产出向量分别为:

  其中xij>0 ; yrj>0 ; i=1,2,…,m ; r=1,2,…,s ; j=1,2,…,n ; xij, yrj为实际观测值,由历史信息提供。由于各个投入、产出指标在“将投入转化为产出”的生产过程中的重要性不同,因而理论上要对其分别赋予一定的权重,记为:

  由此可以计算决策单元DMUj的相对效率指数为:

  其中,hj≤1 (1≤j≤n)。在式3-3中,DEA模型旨在考察当权重向量发生不同变化时,hj的最大可能值。hj越大意味着决策单元DMUj能够用较小的投入获得较多的产出,通过比较各hj的大小关系可以判定各决策单元DMUj的相对有效性。

  基于这样的分析思想,Charnes、Cooper和Rhodes提出了以规模经济报酬不变(CRS)为基本假设的CCR模型:

  但是,通常规模经济报酬不变的假设与实际生产活动不符,Banker、Charnes和Cooper对此假设进行修正,提出了规模经济报酬可变(VRS)的BCC模型:

  有效性是DEA中最基础的概念。在规模经济报酬不变的前提下,CCR模型计算得到决策单元的技术效率(TE),技术效率中包含了规模效率(SE)的成分,而BCC模型在规模经济报酬可变的情况下计算决策单元的纯技术效率(PTE),技术效率等于规模效率与纯技术效率之积,从而可以进一步分解出决策单元的规模效率。以CCR模型为例,在式3-4中,决策目标θ表示的是决策单元DMUj的技术效率,其经济含义通常被描述成“以具有最优效率的决策单元为标准,DMUj能够减少投入的最大比例”,松弛变量s+和s-分别表示产出的“不足”和投入的“冗余”,于是存在以下结论:

  (1)当θ*=1,且s+=0,s-=0时,决策单元DMUj0是DEA有效,同时具有技术有效性和规模有效性;

  (2)当θ*=1,但s+=0,s-=0不同时成立时,决策单元DMUj0是弱DEA有效,不同时具有技术有效性和规模有效性,存在某方面超量的投入或亏量的产出;

  (3)当θ*< 1时,决策单元DMUj0是非DEA有效,其生产活动既不是技术效率最佳,也非规模效率最佳。

  (二)三阶段DEA模型的基本原理

  第一阶段的传统DEA中没有考虑环境因素和统计噪声对投入产出的影响,无法真实地反映决策单元的生产效率。Fried通过建立投入的松弛变量对环境因素和统计噪声等外在变量的相似SFA回归模型分离出生产的外在干扰,对原始的投入产出进行调整后重新应用DEA模型,就得到了剔除环境因素和统计噪声的真实效率。

  在第二阶段的分析中,设存在p种外在变量Zk(1≤k≤p),记决策单元DMUj的第q(1≤q≤m)项投入冗余为Sjq,建立Sq对Zk的相似SFA回归模型的一般式为:

  其中vq和uq分别表示随机误差项和管理无效率,且相互独立并服从如下正态分布:

  利用极大似然估计方法估计参数βq、vq、uq、σvq、σuq,并定义

  当γ趋近于1时,表明管理因素占主导作用;当γ趋近于0时,表明随机因素占主导作用。

  在初始投入中剔除随机误差项和管理无效率,就得到调整后的投入,再将该投入与原始产出进行DEA,就得到第三阶段的DEA效率,它反映了决策单元的真实生产效率。

  (三)建模的思路

  效率测度理论主要包括前沿效率和非前沿效率,其中前沿效率是通过构造有效的生产前沿面对经济主体进行分析,在实际应用中使用最多。DEA方法是前沿效率分析的一种非参数方法,由于其在分析过程中无须对指标设置任何权重,且算法简单、分析效果比较明显而被广泛应用。但是,传统的DEA中没有考虑在实际生活中作用明显的环境因素等外生变量的影响,存在较大的误判可能。因此,在方法选择上使用三阶段DEA模型进行分析更加有利于揭示我国工业效率的真实状态。

  在实际应用中,指标体系的构建对效率测度的结论至关重要。根据国内学者的研究现状,虽然应用DEA进行效率测度的研究非常多,但是在指标的选择上并没有一定的标准,这导致投入产出的指标体系设计十分混乱。而基于三阶段DEA模型的研究分析则相对较少,环境变量的选择也是一大难题。本文在借鉴前人研究成果的基础上,将对经济发展存在较大影响作用的因素引入到工业经济效率的研究之中,试图利用三阶段DEA模型分析我国各省市在同一经济环境下的实际工业经济效率,并做出评价。

  (四)工业经济效率的测度指标

  1. 投入产出指标

  资本、劳动力和技术创新是新古典经济增长理论研究中对经济发展影响最大的主要因素,因此本文考虑将工业生产中的资本要素、劳动力要素和知识要素作为工业经济效率测度的投入,具体地将一省工业的总资产投入、年内平均用工人数和科研(R&D)人员劳务费用作为投入指标,其中总资产包含固定资产和流动资产。考虑到工业企业追求利润最大化的经营目标,本文将企业年末总利润作为产出。

  2. 环境变量

  为了引入对工业经济影响较大的环境变量,本文从宏观经济的角度考虑对经济发展作用明显的主要因素,包括地区工业发展规模,经济发展水平,金融发展水平,对外贸易水平,这些因素都体现了一个地区的经济优势。本文并没有将能源要素直接考虑进来,原因之一是各省的资源条件不同会导致工业发展的模式差异,在自主选择的条件下,各省的工业发展应与该省最具优势的资源条件有关,难以等同视之。在DEA模型中排除以上因素的影响,有利于揭示各省在同一经济条件和发展状态下的实际经济效率。在具体指标的选择上,用前一年度的工业增加值、地区人均生产总值、地区金融增加值、进出口贸易总值进行衡量和定量分析。

  表4-1展示了三阶段DEA法工业经济效率测度的具体指标及其分类与标记方法。

  表4-1 三阶段DEA法工业经济效率测度指标

  四、我国工业经济效率的实证分析

  (一)样本和数据来源

  本文以我国31各省、市、自治区的相关数据为样本,测度2014年各地区的工业效率,数据主要来源于《中国工业统计年鉴》、《中国科技统计年鉴》、《中国统计年鉴》、《中国区域经济统计年鉴》以及国家统计局网站和中经网统计数据库,除Z1为2013年的数据外,其他数据均为2014年年度数据。由于数据统计的特点,本文选择规模以上工业企业有关数据为样本观测值。文中使用到的主要分析软件有MaxDEA 6.6、R和Excel,其中MaxDEA 6.6用于DEA建模分析,R用于构建相似SFA回归模型,Excel用于辅助计算。

  (二)第一阶段:投入导向型BCC分析

  在不考虑环境因素的作用下,利用上述收集的投入产出数据构建投入导向型BCC模型,得到如图4-1所示的计算结果。由图中可以看出我国2014年各地区的技术效率与纯技术效率在数值上十分接近,并由此导致各地区规模效率指数普遍较高且分布较为集中。整体而言,技术效率指数略低于纯技术效率指数,说明规模效应对各地区工业经济发展的影响并不明显,区域经济发展的差异主要源于内在的技术效率差异。此外,技术效率和纯技术效率指数在地区间出现了明显的波动情况,反映了区域间经济发展不平衡的事实,其中东部地区的发展水平相对较高,分布较为一致,而中西部地区的发展水平则相对较低,且层次不齐。

  图4-12014年我国各省市第一阶段DEA工业效率指数分布图

  (三)第二阶段:相似SFA回归分析

  为了消除环境因素对DEA投入产出的影响,分别将由第一阶段中计算得到的资产投入冗余、劳动力投入冗余和技术投入冗余作为因变量,将上述五个环境变量作为解释变量构建相似SFA回归模型(Cost function, Battese & Coelli,1992)。利用R(frontier package)进行估计,由极大似然估计方法得到如表4-2所示的三个模型的计算结果。

  首先,通常用单边似然比检验判断SFA回归模型的基本假设是否成立,即原假设是“模型中不存在成本无效率项”,接受原假设表明模型设定无效。由估计结果可知三个模型均在5%的显著性水平上显著,从而拒绝原假设,说明本文的模型设定是显著有效的。其次,检验变量γ是一个处在[0, 1]区间的值,当γ趋近于1时,表明管理因素占主导作用;当γ趋近于0时,表明随机因素占主导作用。由表中结果可知,三个模型的γ值均趋近于1,且都通过了1%的显著性检验,说明管理因素对我国工业经济效率存在显著影响,而随机因素对工业效率的影响则十分之小,由此表明三大投入冗余是由环境因素和管理因素造成的,有必要对其进行分离。

  表4-2 第二阶段投入松弛变量的相似SFA回归估计结果

  注:(1)*、**、***分别表示在10%、5%、1%显著性水平下估计显著,括号中的数为相应估计的统计量;

  (2)由于模型三中Z5的估计系数显著为零,因而对其采取了剔除处理,后续计算中以0作为其估计系数。

  进一步考察各环境变量对投入冗余的影响。模型中回归系数的符号揭示了各环境变量对生产是否有利,当回归系数为正时,表明该环境变量的扩增将导致投入冗余的增加,不利于生产;当回归系数为负时,表明该环境变量的扩增将有效降低投入冗余,对生产有利。下面对各环境变量对投入冗余的影响作用进行具体分析。

  (1)工业规模(Z1)。上一年的工业生产总值反映了地区工业经济的发展规模,由估计结果可知,工业经济规模的扩大将有利于减少资本和技术投入的浪费,但是会增加劳动力投入冗余。这一点不难解释,区域工业经济的发展水平越高,规模效应会导致各方面的生产成本降低,使得经济产出更有效率,同时也会相应提高对企业管理者的要求,使生产管理更有效率。但工业经济规模的增长会吸引大量的劳动人口,必然会导致劳动力相对过剩。

  (2)地区经济(Z2)。当年人均地区生产总值反映了地区整体经济的发展水平,与工业经济发展规模不同的是,地区经济发展水平的提高有利力减少资本和劳动力的投入冗余,但是会相应增加技术投入浪费。可能的原因是,地区经济发展水平越高越有利于资本和劳动力人口在各个行业之间进行协调分配,但由于我国经济增长是以投资驱动的,创新能力不足导致技术投入并不能与当前的经济规模相适应,技术产出效率偏低。

  (3)金融发展(Z3)。通常用金融增加值来反映一国或地区金融业的发展水平,由表4-2可知,金融发展水平能有效减少劳动力投入冗余,但诱发对资本和技术投入的浪费也是十分明显的。这说明我国的金融体制还不够完善,金融行业受利益驱动会将大量的货币资金投向大中型企业,但是这些企业的生产能力有限,不能十分有效的利用这些资源。此外,金融业的发展也使得我国经济结构出现了变化,大量的劳动力开始涌向第三产业。

  (4)对外贸易(Z4)。进出口贸易总值反映了地区对外经贸的发展水平,有利于提高工业企业的生产和销售,从而促进企业的发展。由表4-2可知,对外贸易的提高将有利于减少资本投入和技术投入的浪费。与此相对应的是,2008年美国次贷危机之后,我国的对外经贸发展受到严重冲击,许多工业企业相继倒闭,造成了严重的资源浪费。

  (5)交通条件(Z5)。运用地区货运周转总量衡量区域交通状况,结果表明交通条件的发展将造成劳动力投入的浪费。一个可能的原因是,我国国土面积较大,地区间经济发展不平衡,交通运输条件和管理水平还很落后,导致在协调资源分配的过程中需要消耗大量的人力。

  综合上述,五类环境变量对三种投入要素都存在较为显著的影响,进而会影响我国工业经济的经济效率。由于各地区经济发展状况的不同,这些环境变量对各个地区的影响作用也存在差异,从而传统的DEA中体现各地区真实的经济效率。为了剔除环境因素对投入产出的影响,Fried(1999)最早提出了三阶段的DEA方法,通过分离管理无效率项和随机误差项,从而得到调整后的投入。

  (四)第三阶段:考虑环境因素的BCC分析

  根据第二阶段的计算结果,对各地区的投入要素进行调整得到调整后的投入,运用调整后的投入数据与原始的产出数据重新构建投入导向型BCC模型,得到如图4-2所示的计算结果。调整之后的DEA效率值出现了明显的变化,技术效率与规模效率在数值上相对接近,在地区间的分布差异十分显著,纯技术效率值普遍较高,分布也较为集中。

  图4-22014年我国各省市第三阶段DEA工业效率指数分布图

  (五)环境变量调整前后的效率变动分析

  表4-3到4-5分析反映了环境变量调整前后各地区技术效率、纯技术效率与规模效率的变化情况,揭示了环境因素对DEA投入产出效率分析的影响。变化最为明显的是纯技术效率和规模效率的变动情况,各地区纯技术效率得到普遍提高,而规模效率则大大降低。理论上说,纯技术效率的变化导致了规模经济的变化,由此各地区环境变量对区域工业经济的纯技术效率影响最为明显。图中能够反映出来的是,调整前后东部地区的DEA效率值变化情况并不明显,而中西部地区的变动则十分强烈,由此可以看出东部地区经济发展步调相对一致,在资本、劳动力和技术投入方面可能存在着极大的空间关联,要素流动频繁且效率较高,而中西部地区在资源利用和协调能力上就稍显不足。这也是我国东西部地区经济发展不平衡的原因之一。

  从环境因素对纯技术效率的影响上看,消除环境因素对区域工业经济发展的影响,各地区纯技术效率指数得以明显上升且分布较为集中,由此可以猜想我国各地区基本能够发展符合当地资源和能力要求的工业模式,并保持相对高效的生产效率。但是DEA方法的理论缺陷在于它无法揭示实际生产中的理想状态,它提供的是当前样本数据中的信息,如果有效决策单元的实际效率偏低,就意味着整个国家各个地区的效率也会随之偏低。

  此外,环境因素对区域工业经济的规模效应也产生了十分明显的影响,主要集中在我国的中部和西部地区,其影响作用使得这些地区的规模效率指数出现下滑的迹象。究其原因,可能与我国中西部地区资源匮乏、经济发展水平落后以及产业结构不合理等因素有关。整体经济发展水平不能带动工业经济的发展,无法满足工业经济发展的资源和能力需求,在没有消除环境因素影响的情况下,各地区工业经济发展尚能自给自足,但消除环境因素的影响之后,规模经济效益大幅度下降,工业经济发展模式的缺陷就逐渐暴露。

  五、结论与对策

  本文运用三阶段DEA方法对2014年我国31个省市自治区的工业经济效率进行了分析,总结全文,得到以下结论:

  无论是否考虑环境因素对各个地区的影响,我国东部地区、中部地区和西部地区的工业经济效率差异始终存在,其中东部地区的工业发展水平较高,效率一致,而中西部地区的工业发展水平则相对落后,效率较低。

  环境因素对工业经济效率的影响主要集中体现在对纯技术效率的影响上,并由此导致其规模效率出现下滑。在影响强度上,环境因素对中西部地区的影响较东部地区更为明显,表明环境对中西部地区工业发展的作用较大,而东部地区工业发展在技术和规模上都已经走向成熟。

  工业规模、地区经济、金融发展、对外贸易和交通条件对我国工业经济投入产出的影响效果十分显著,但具体影响作用却有所不同,其中工业规模和对外贸易的发展可以有效减少资本和技术的浪费,而地区经济则能降低资本和劳动力投入冗余,但金融发展会引起资本和技术的过量投入,主要原因又与各类环境变量自身发展的特点有关。

  根据上述分析所得到的结论,本文对于提高我国工业经济的效率、促进区域经济协调发展、缩小区域经济发展差异存在以下启示:借鉴和利用东部地区工业经济的发展优势,合理构建符合地区经济特色的工业发展模式;要将与工业建设有关的问题,如发展金融业,提高交通运输条件等因素都考虑进来,优化和调整地区产业结构,促进区域经济各方面协调发展;要将技术进步作为发展工业的着力点,发展创新型、科技型工业企业。

栏目分类