用DEA方法评测知识生产中的技术效率与技术进步_吴延兵
区域异质性与创新效率——基于随机前沿模型的分析
问题 [ 16] 。尽管有这样的批评, 从实际应用看两步
法仍被广泛的应用 , 并且从处理上也更灵活, 如
姚洋和章奇 [ 17] 对我国工业企业技术效率的研究。
从理论角度看, 如果在效率函数 项存在不可观 测
的异质性, 目前提出的一步法还 没有指出应如 何 纳入这些重要的影响 [ 18] 。
( 2) 可观测异质性。可观测的异质性同样 可 能影响生产函数也可能影响效率, 区分是影响 生
Abstrac t: T h is paper is ded ica ted to prob ing into the innovation effic iency across reg ions o f Ch ina by using the prov ince - level pane l data from 1997- 2007 Based on the expanded produc tion function and ca lculating the stocks of R&D and techno logy im po rts e tc , w e use stochastic frontier m ode l tha t exp lic itly cons ide ring reg iona l he terogene ity, including ob servable and unobservable, to ana lyze influence factors o f the innovation e fficiency W e find that unobservab le heteroge ne ity has im po rtant influence If not be considered and contro lled, the estim ate of effic iency w ill hav e obv ious bias; the know ledge from interna l and ex terna l has very different in fluence; the difference of institutional env ironment is a funda m enta l cause to the effic iency d ifference; the governm ent support has the significant determ inant; the m ore m arket oppor tunity, the m ore effic iency o f reg ional innovation K ey word s: reg ional heterogeneity; innovation effic iency; stochastic frontier m ode l
第八章：DEA评价方法(10,11)
1 7 1 01 2 .9 2 1 2 1 2
5 7
57Leabharlann 1 2 0 1 2 01 2 0 1 2 1 2
由于H是A和D的组合,因而在实际生产中是可以 实现的,其两项投入均是C两项投入的
1 2 .9 2 1 0 0 %6 4 .6 % 2 0
显然C不是相对有效的.同样,I也可以看作是一 个虚构的DMU,其投入分别为10和20,产出为120， 其投入是E的83.3%,因而E也不是相对有效的. 很显然,越偏向右上方,有效性越差.相对而言,位 于凸包边界上的A，D，B是有效的．
凸包的边界上,C,E位于其内部.将C,E与原点相连, 分别交凸包边界于H,I点.H由A和D组合而成,可以 看作是一个虚构的DMU.经过简单的计算可知,H 是由A的5/12和D的7/12组合而成的,其投入和产出 分别为 投入1： 投入2： 产出：
1 0 1 51 2 .9 2 1 2 1 2 5 7
例:基于改进DEA模型的科技投入产出有效性分析
指标的选择 对科技投入产出进行评价,所选指标必须能客观地 反映投入与产出中的量变过程，能反映评价目的 和评价内容.另外,还要根据选用的评价方法本身 的特点,选择相应的指标.我们在遵循指标体系建 立的科学性、可比性、可行性和适应性原则下, 结合评价方法(DEA) 的特点,选用了能有效评价各 单元科技投入产出的相对效率的指标.
在上面的例子中,DEA方法评价的对象DMU是 同类型的工厂,事实上,DEA方法评价的对象并 不局限于这种真正的生产活动,它们可以是广义 的“生产”活动.比如：多所大学、多家医院、 多个空军基地、多家银行等都可以作为DMU, 其基本的特点就是有相同种类的投入和产出,这 些投入产出数据就是评价相对有效性的依据. 判断某个DMU是否为相对有效的,就是看是否有 一个虚构的DMU(它是实际观察到的DMU的某 种组合)比它更“好”(相同产出条件下投入更少或 相同投入情况下产出更多).若有这样的DMU,则 原DMU不是相对有效的,否则,是相对有效的,这 是DEA方法评价的基本思路.
基于DEA方法的绩效评估技术研究
基于DEA方法的绩效评估技术研究———来自军工上市公司的实证分析A Research on the Performance Evaluation Technique based on DEA——an Empirical Analysis on Data from Listed Companies in Military Industry何平林郝万禄（中央财经大学国防经济与管理研究院100081 中国人民解放军后勤指挥学院100858）【摘要】本文以军工板块航天系9家上市公司为样本，运用DEA方法对组织绩效评估进行了实证研究。
通过对C2R模型计算结果的效率分析、敏感度分析以及投影值分析，构建了基于DEA方法的组织绩效评估技术框架。
【关键词】DEA方法绩效评估上市公司一、问题提出与文献回顾如何实现“跟踪问效”日益成为摆在任何一个组织面前的紧迫问题。
国家审计署2003年到2007年审计工作发展规划第四条明确指出：我国审计未来几年的发展趋势是，真实合法审计与效益审计并重，逐年加大效益审计分量；到2007年，绩效审计要占到整个审计工作任务的50%以上。
笔者认为，开展高质量的绩效审计的前提是找到一套行之有效的绩效评估方法，而找到一套行之有效的绩效评估方法的前提是对“绩效”内涵的正确界定。
Drucker,P.F.(1974)认为【1】，所谓绩效（Performance）是指组织策略目标达成程度以及资源的运用情形，绩效应当包括组织的效果（Effectiveness; do the right things）和组织的效率（Efficiency; do the things right）。
Farrell(1979)认为【2】，除了效率与效果之外，绩效应当包括更广泛的范围，应当以创新与工作满意度等因素作为配合要素。
Fare，R.(1998)认为【3】，所谓效率侧重于衡量组织资源被利用的程度，效率的提升意味着组织成本的降低或者产出价值的增加，因此通常使用投入与产出之间的比率来刻画。
企业生产率增长及来源_创新还是需求拉动.
本文将主要测算企业的生产率变化( M 指数) 。一般技术效率是指每个企业在效率上的水平效 应, 是横向可比的; 而生产率变化则测量每个企业在效率上的增长效应, 是纵向可比的, 涉及到动态
的变化, 反映的是企业效率随时间的变化, 这样的生产率需要以面板数据为基础进行估计, 才能发 现企业生产率增长的变化, 以及决定增长的不同因素。
Farrell 技术效率的倒数,
即
D
t i
(
yt ,
xt ) =
1P
F
t i
(
yt
,
xt|
C,
S
)
。全要素生产率以某一时期的技术为参照技术,
用两不同时期距离函数的比值来
表示( 通常称为 Malmquist 生产率指数) , 以下简称 M 指数。为了避免在选择生产技术参照系时的
随意性, 通常用两个生产率指数的几何平均值来计算生产率的变化, 即:
沿, 再把每一个企业的生产同最佳前沿进行比较就可以测度出各个企业的技术效率, 如果将企业本
用DEA方法评测知识生产中的技术效率与技术进步_吴延兵
用DEA方法评测知识生产中的技术效率与技术进步吴延兵(中国社会科学院经济研究所)=摘要>本文以1996~2003年我国29个省区市大中型工业企业面板数据为样本,运用数据包络分析技术将知识生产率分解为技术效率变化和技术进步,并检验了各省份知识生产中技术效率和技术进步的收敛情况。
研究发现,1996~2003年期间我国工业企业知识生产中的技术效率有所提高、技术进步出现下降,知识生产率下降主要源于技术进步的下降。
研究还表明,知识生产中的技术效率和技术进步存在着条件收敛,但不存在绝对收敛。
关键词知识生产技术效率技术进步DEA中图分类号F42416文献标识码AEvaluating Technical Efficiency and Technical Progress of Knowledge Production by Using DEAAbstract:Based o n the panel data o f industrial sector across regions o f China during the period of1996~2003,the paper decom po ses know ledge production eff-iciency into technical efficiency chang e and technical progr ess by using data envelop-m ent analy sis(DEA)1T he paper finds that technical efficiency of know ledg e pr o-ductio n has improv ed and technical progr ess has declined since19961Co nditionalconvergence of technical efficiency and technical pro gress of know ledge productionis also found in this paper1Key words:Kno w ledge Pro duction;Technical Efficiency;Technical Pr o-g ress;DEA引言对于创新投入与创新产出之间的关系,经济学文献中称之为知识生产函数,其研究的主要内容包括知识生产的动力、性质及其影响因素。
基于DEA和AHP方法的高校科研人员绩效评价
基于DEA和AHP方法的高校科研人员绩效评价【摘要】本文通过结合DEA和AHP方法对高校科研人员绩效进行评价，旨在提供一种全面客观的评价模型。
首先介绍了研究背景和研究意义，然后分别对DEA方法和AHP方法在科研人员绩效评价中的应用进行了阐述。
随后探讨了如何结合两种方法进行更加全面的评价，并通过案例分析展示了评价模型的实际应用。
最后对影响因素进行了分析，总结研究成果并展望未来研究方向。
通过本研究，可以为高校科研管理提供参考，促进科研人员绩效的提升和科研工作的发展。
【关键词】高校科研人员、绩效评价、DEA方法、AHP方法、结合评价、案例分析、影响因素、研究成果、展望、建议。
1. 引言1.1 研究背景高等教育是一个国家科学技术创新和人才培养的重要载体，科研工作是高校的核心任务之一。
科研人员的绩效评价不仅是高校管理的重要内容，也是提高科研人员工作积极性和效率的有效途径。
传统的科研人员绩效评价方法存在主观性强、评价指标单一和不公平等问题，因此需要引入更加科学和客观的评价方法来提高评价的准确性和公正性。
DEA（Data Envelopment Analysis）和AHP（Analytic Hierarchy Process）方法作为国际上较为先进的绩效评价方法，被广泛应用于各个领域。
本文旨在探讨基于DEA和AHP方法的高校科研人员绩效评价，通过量化分析研究人员在科研工作中的表现，从而提高评价的客观性和科学性。
结合案例分析和影响因素分析，对这两种方法的优劣势进行比较，为高校科研人员绩效评价提供参考和借鉴。
的探讨将有助于更深入地理解基于DEA和AHP方法的高校科研人员绩效评价的重要性和必要性。
1.2 研究意义高校科研人员绩效评价是提高科研水平、激励科研人员积极性、推动科研成果转化的重要环节。
基于DEA和AHP方法的高校科研人员绩效评价研究，能够有效地量化科研人员的绩效表现，优化资源配置，提高绩效评价的科学性和客观性。
DEA的改进及结果评价
产出目标。
DEA
25
基于数据包络分析的我国31个省市医疗卫生服务效率评价 讨论建议 各省市医疗卫生服务效率相对较高，差异不大 总支出从未出现投入冗余情况，需加大政府投入力度 非有效省市卫生技术人员及医疗机构床位数投入相对 过剩，需加强区域卫生规划 非有效省市需改进管理水平，提高医疗卫生能力 4个地区未达到最佳规模状态，需针对具体情况适当控 制或扩大医疗卫生资源规模
生产函数曲线
规模收益不变
DMU3
DMU2
既不技术有效 也不规模有效
DMU4
规模收益递增
DMU1 o
x
从技术有效性来看：DMU1、 DMU2、 DMU3都处于技术有效状态， DMU4 不在函数曲线上，不为技术有效； 从规模有效性来看： DMU2为规模有效， DMU1、 DMU3和DMU4不为规模 有效；如果用DEA模型来判断DEA有效性，只有DMU2对应的最优值θ0＝1 。
（1）
对偶规划： ( D C
（2）
2
R
DEA
3
引入松弛 变量：
( DC 2R
1
m in t s .t . j x j s x0 j 1 t j yj s y0 ) j 1 j 0 , j 1, , t , s 0 s
R i ( r ij ) /( m 1)
2
2
Ri2越大
，说明该指标越典型。 结合CV（变异系数）的计算，CV越大，灵敏度 越高。
DEA
21
基于数据包络分析的我国31个省市医疗卫生服务效率评价 指标处理 考虑到之前的指标选取是针对类别内的筛选，初选 后还要考虑各类别间是否存在相关性。因此对8个投 入指标和7个产出指标进行聚类分析。
中国地区文化产业全要素生产率增长状况研究
第1组数量经济学理论与方法字数：10233 中国地区文化产业全要素生产率增长状况研究——基于Bootstrap的Malmquist指数法黄永兴徐鹏*(安徽工业大学经济学院，安徽马鞍山243002)摘要：本文利用2004年与2008年文化产业国家标准统计数据，借助RD分解的Malmquist 指数模型，采用Bootstrap-Malmquist指数方法，实证分析了我国文化产业全要素生产率增长及其分解状况，研究发现：我国文化产业全要素生产率总增长率达39.30%，在整个文化产业发展过程中发挥了重要作用；文化产业全要素生产率的进步主要得益于技术进步，而不是纯效率和规模效率的改善；我国文化产业全要素生产率存在明显的区域差异，即中部地区增速最快，西部地区次之，东部地区最慢。
关键词：文化产业；全要素生产率；Malmquist指数；Bootstrap中图分类号：F062.9 文献标识码：A 文章编号:The Growth Study of Total Factor Productivity for Regional Cultural Industry in China:Based on Bootstrap-Malmquist Index ApproachHUANG Yong-xing XU Peng(School of Economics, Anhui University of Technology, Ma'anshan, 243002,China)Abstract: Based on the national standard statistical data in the year of 2004 and 2008, this paper makes a positive analysis to the growth and decomposition of the total factor productivity in China’s cultural industry, by using Malmquist Index based on RD decomposition and Bootstrap-Malmquist index approach. The results show that: The total growth rate of the total factor productivity in China’s cultural industry is 39.45%, which plays an very important role in the entire process of the development of culture industry; The progress of the total factor productivity in cultural industry is mainly due to technological progress , rather than the improvements of pure efficiency and scale efficiency; There are significant regional differences in the factor productivity of China’s cultural industry, i.e., the growth of the central region is the fastest , followed by the western region, eastern region is the slowest.Key Words: Cultural Industry; Total Factor Productivity; Malmquist Index;Bootstrap一、引言工业经济向文化经济转变使得文化产业不仅成为一个国家经济增长的新引擎，同时也是衡量一个国家地区经济现代化水平的重要标志之一。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
用DEA方法评测知识生产中的技术效率与技术进步吴延兵(中国社会科学院经济研究所)=摘要>本文以1996~2003年我国29个省区市大中型工业企业面板数据为样本,运用数据包络分析技术将知识生产率分解为技术效率变化和技术进步,并检验了各省份知识生产中技术效率和技术进步的收敛情况。
研究发现,1996~2003年期间我国工业企业知识生产中的技术效率有所提高、技术进步出现下降,知识生产率下降主要源于技术进步的下降。
研究还表明,知识生产中的技术效率和技术进步存在着条件收敛,但不存在绝对收敛。
关键词知识生产技术效率技术进步DEA中图分类号F42416文献标识码AEvaluating Technical Efficiency and Technical Progress of Knowledge Production by Using DEAAbstract:Based o n the panel data o f industrial sector across regions o f China during the period of1996~2003,the paper decom po ses know ledge production eff-iciency into technical efficiency chang e and technical progr ess by using data envelop-m ent analy sis(DEA)1T he paper finds that technical efficiency of know ledg e pr o-ductio n has improv ed and technical progr ess has declined since19961Co nditionalconvergence of technical efficiency and technical pro gress of know ledge productionis also found in this paper1Key words:Kno w ledge Pro duction;Technical Efficiency;Technical Pr o-g ress;DEA引言对于创新投入与创新产出之间的关系,经济学文献中称之为知识生产函数,其研究的主要内容包括知识生产的动力、性质及其影响因素。
对知识函数的研究最早可追溯到20世纪60年代(Scherer,1965;Comanor,1965)。
20世纪80年代以后,学者们在考虑了创新投入产出间的时滞关系和创新产出的数据性质后,对知识函数进行了更深入细致的研究(Pa-kes和Griliches,1984;H ausman、H all和Griliches,1984、1986;Cr pon和Dug uet, 1997;Blundell、Gr iffith和Van Reenen,1995、1999)。
这些研究尽管分析方法、数据来源、变量设定不尽相同,但几乎所有研究均表明创新投入与创新产出之间存在着显著的正向关系。
关于中国的知识生产函数问题也引起了国内外学者的关注。
Jeffer son等(2004)利用中国1997~1999年大中型制造企业面板数据,运用线性形式知识生产函数模型研究发现,研发支出强度对新产品销售收入份额有显著正效应。
Zhang等(2003)利用1995年中国工业普查数据中的8341个大中型工业企业截面数据,运用随机前沿生产函数模型研究发现, R&D支出和R&D人员均对新产品销售收入有显著正影响。
吴延兵(2006)利用中国1993~2002年大中型工业企业行业面板数据,运用柯布-道格拉斯生产函数模型研究发现, R&D人员比R&D资本对知识生产做出了更大贡献,且知识生产过程具有规模报酬不变或递减的特征。
上述关于知识函数的研究都采用了参数化的生产函数方法。
这种方法首先设定特定的生产函数形式,然后通过回归分析估计出创新投入的弹性系数,从而判断各项创新投入对创新产出的影响程度,进一步还可以分析知识生产效率的各种影响因素。
参数化分析方法的优点是可以明确得出各种创新投入的参数估计值,进而判断知识生产的主导因素和性质。
但是参数化方法需要设定生产函数的具体形式,并进行相关的行为假设;而且参数化方法只能局限于考察知识生产中的静态效率问题,无法考察效率的动态变化。
在本研究中,我们首次采用非参数分析方法中的数据包络分析(DEA)对知识生产函数进行研究。
数据包络分析法不需要设定生产函数的具体形式,可以规避参数方法的多种限制,而且能够将生产率变化进一步分解为技术效率变化和技术进步。
相对于参数化方法而言,用非参数DEA方法分解出知识生产中的技术效率和技术进步,能够更深入地了解我国工业企业的知识生产发展状况。
运用DEA对知识生产中的生产率进行分解是以有效地衡量创新投入和创新产出为前提的。
相对于已有文献而言,本文对创新投入和创新产出采用了更为合理的衡量指标。
在创新产出方面,鉴于专利统计中存在的诸多缺陷,本文采用了一种更为直接衡量创新产出的指标)))新产品开发项目数。
新产品开发项目数所包含的创新范围更加广泛,可以克服以专利数量作为创新产出指标时存在的某些缺陷。
在创新投入方面,把投入要素细分为研发支出和研发人员两因素;而且考虑到研发支出对创新的滞后效应,首先测算了研发资本存量,在此基础上再运用DEA对知识生产函数进行研究。
本文以1996~2003年我国29个省区市大中型工业企业面板数据为样本,运用DEA方法对知识生产函数的研究表明,1996~2003年期间我国工业企业知识生产中的技术效率有所提高、技术进步出现下降;各省区知识生产中的生产率增长主要来源于技术效率的提高。
研究还表明,我国工业知识生产中的技术效率和技术进步存在着条件收敛,但不存在绝对收敛。
这说明我国各省份知识生产中的技术效率和技术进步都在向各自的稳态水平趋近,但各省份之间的技术效率和技术进步最终不会达到相同的稳态水平。
一、研究方法数据包络分析法是一种面向数据的评测方法,用于测评一组具有多种投入和多种产出的决策单元的绩效和相对效率。
数据包络分析方法的基本思想是,首先确定每一时期各决策单元的最佳生产前沿,再用每一决策单元的实际生产同最佳生产前沿进行比较,从而可以测算出每个决策单元的技术效率,在此基础上还可以进一步测算出全要素生产率变化及其构成)))技术效率变化和技术进步。
运用DEA测算生产率可以基于投入或基于产出两种不同的角度。
本文采用基于产出的DEA 方法来评测我国工业企业知识生产中的生产率问题。
设在每一个时期t =1,,,T ,第k =1,,,K 个决策单元使用n =1,,,N 种投入x t k,n ,得到m =1,,,M 种产出y t k,m 。
在固定规模报酬(简记为C )、投入要素强可处置(简记为S)条件下,产出可行集(参考技术)定义为:P t (x t |C,S)={(y t 1,,,y t m ):E K k=1z t k y t k,m \y t m ;E Kk=1z t k x t k,n [x t n ;z t k \0}(1)式中,z 表示每一个决策单元观察值的权重。
在定义好参考技术后,第k c 个决策单元的技术效率定义为:F t o (x t k ,y t k c |C,S)=max H k cs 1t 1 H k c y t k c ,m [EK k=1z t k y t k,m (2)EK k=1z t k x t k,n [x t k c ,n z t k \0为了便于分析,在计算技术效率的基础上,进一步定义产出距离函数(Output Distance Function)。
根据Fare 等(1994),距离函数是技术效率的倒数¹,即D t o (x t ,y t )=1/F t o (x t ,y t |C,S )(3)Malmquist 生产率指数就是以某一时期的生产前沿为参照技术,用两个不同时期的距离函数的比值来表示。
分别以t 时期和(t +1)时期的生产前沿为参照技术,则从t 到(t +1)时期的Malm quist 生产率指数可以分别表示为:M t o =D t o (xt +1,y t +1)/D t o (x t ,y t )M t +1o =D t +1o (x t +1,y t +1)/D t +1o (x t,y t )(4)为了避免在选择t 还是(t +1)时期的生产前沿为参照技术时的随意性,通常用两个不同时期生产率指数的几何平均值来计算生产率变化,即TFP =(M t o M t +1o )12=D t o (x t +1,y t +1)D t o (x t ,y t )D t +1o (x t +1,y t +1)D t +1o (x t ,y t )1=D t +1o (x t +1,y t +1)D t o (x t ,y t )D t o (x t +1,y t +1)D t +1o (x t +1,y t +1)D t o (x t ,y t )D t +1o (x t ,y t )12=EC (x t +1,y t +1;x t ,y t )#T C(x t +1,y t +1;x t ,y t )(5)在(5)式中,Malmquist 生产率指数要求计算四个距离函数:D t o (x t ,y t ),D t +1o (x t ,y t ),D t o (x t +1,y t +1),D t +1o (x t +1,y t +1)。
其中,D t o (x t ,y t )由(2)式和(3)式解出。
其他三个距离函数也可以用类似的线性规划问题解出。
由(5)式可知,生产率指数T FP 被分解为EC 和T C 两项的乘积。
EC (Efficiency Change)是技术效率变化指数,它表示从t 时期到(t +1)时期每个观测对象对生产前沿的追赶程度。
T C (Technical chang e)是技术进步指数,它测度了从t 时期到(t +1)时期生产前沿的移动。
因而,生产率变化就被分解为技术效率变化和技术进步。
如果EC 、TC 大¹为简便起见,以下公式均省略了下标k 。
于1意味着技术效率改善和技术进步,小于1意味着技术效率恶化和技术退步,等于1意味着技术效率和技术进步无变化。
相应地,生产率指数大于1、小于1、等于1分别意味着生产率增长、下降和无变化。
为了进一步明确生产率、技术效率变化和技术进步的含义,下面用图解方法对此进行说明。