论文部分内容阅读
摘要：采用非参数前沿方法中的DEA法对我国42家煤炭企业2006年的经济效率进行测度，并在此基础上对测度出的煤炭企业效率值进行相关分析，通过分析可看出煤炭企业提高自身经济效率的途径，对于大规模煤炭企业，在资本相对稳定的前提下，增加研究开发费用的投入，这样不仅可以提高这类企业自身的产出水平，而且可以带动整个煤炭产业技术创新能力。对于中等规模和小规模煤炭企业来说，进一步解决人力资源问题，提高经营管理人员队伍整体素质，进一步培养专业技术人员和高技能短缺人才，同时不断增加资金积累和鼓励科技创新，才能不断提高企业经济效益。
关键词：煤炭企业；前沿效率；经济效率；数据包络分析（DEA）
中图分类号：F124.6文献标志码：Ａ文章编号：1673－291Ｘ（2008）05－0040－02
1引言
前沿效率（Frontier Efficiency）就是基于前沿生产函数测算出的效率水平。Farrell（1957）最早从微观层面探讨企业效率研究的新方法，第一次引入了前沿生产函数的概念,对效率方法研究做出了开创性的贡献[1]。随后关于前沿效率的一些分析方法都是在Farrell方法的基础上发展而来的，主要有两个方向：非参数方法和参数方法，前者将前沿效率称作经济效率，后者将前沿效率称作X-效率。
DEA是非参数方法的典型代表。很多学者分别使用DEA和在多个方面进行了生产函数估计和技术效率测算方面的相关研究[2～5]。但在已有的文献中，将这两种方法应用于煤炭企业，进行煤炭企业生产函数的估计和技术效率测算方面则几乎没有，考虑到非参数方法中的DEA法对处理多输入—多输出系统的优势，本文尝试使用DEA法对我国煤炭企业效率进行测度，得出的结论既可以进行理论上的深入分析，同时也可以在实际问题中应用。
2DEA的基本原理
DEA模型的基本思路是把每一个被评价单位作为一个决策单元（DMU），以DMUi的各个投入和产出指标的权重为变量进行评价运算，确定有效生产前沿函数，并根据各DMU与有效前沿面的距离，判定各DMU的效率是否DEA有效。
3数据与实证分析结果
3.1数据采集
本文选取我国42家煤炭企业，这42家煤炭企业从资产总额和从业人数两个方面均可代表全国总体水平。时间上截取了2006年数据。有关的基础数据来自于《中国煤炭企业100强分析报告》（2006年）。
对煤炭企业效率进行测度时，首先要合理选择煤炭企业的投入产出变量,中国煤炭企业100强分析报告中提供的投入指标有资产、从业人数、研究开发费用和安全投入，由于本文研究的是煤炭企业的经济效率问题，所以本文选择资本、从业人数和研究开发费用为投入变量。可选择产出变量为煤炭产量、销售收入；由于各个煤炭企业开采具体煤炭品种不同，煤炭的产量不具备可比性，所以选择销售收入作为产出变量。
3.2实证分析结果
本文利用澳大利亚新英格兰大学Tim. Coelli编写的Deap2.1进行DEA模型的样本数据处理，得到结果如表1、2、3、4所示：
4 结论
对比表1、2、3，可以看出，资产、从业人数和研究开发费用这三个投入要素在对销售收入的影响是不同的，相关系数越大，说明该项投入对销售收入影响越大。对于大规模煤炭企业,按投入要素对销售收入影响的大小排序依次是资产＞研究开发费用＞从业人数；而对于中等规模和规模较小的煤炭企业而言，资产依然是对销售收入影响最大的因素，但从业人数的影响大于研究开发费用。
上面的分析过程指明了煤炭企业提高自身经济效率的途径，对于大规模煤炭企业，在资本相对稳定的前提下，增加研究开发费用的投入，这样不仅可以提高这类企业自身的产出水平，而且可以带动整个煤炭产业技术创新能力。对于中等规模和小规模煤炭企业来说，应进一步解决人力资源问题。提高经营管理人员队伍整体素质，进一步培养专业技术人员和高技能短缺人才，同时不断增加资金积累和鼓励科技创新，才能不断提高企业经济效益。
从表4得到的结果，经过计算可以得到销售收入在150亿以上的大规模9家煤炭企业的DEA效率均值为0.7684；销售收入介于45亿～150亿之间的中等规模18家煤炭企业的DEA效率均值为0.6894；销售收入在45亿元以下规模较小的15家煤炭企业的DEA效率均值为0.6382，说明了规模越大的煤炭企业，DEA效率均值越高，体现了其规模有效性。
关键词：煤炭企业；前沿效率；经济效率；数据包络分析（DEA）
中图分类号：F124.6文献标志码：Ａ文章编号：1673－291Ｘ（2008）05－0040－02
1引言
前沿效率（Frontier Efficiency）就是基于前沿生产函数测算出的效率水平。Farrell（1957）最早从微观层面探讨企业效率研究的新方法，第一次引入了前沿生产函数的概念,对效率方法研究做出了开创性的贡献[1]。随后关于前沿效率的一些分析方法都是在Farrell方法的基础上发展而来的，主要有两个方向：非参数方法和参数方法，前者将前沿效率称作经济效率，后者将前沿效率称作X-效率。
DEA是非参数方法的典型代表。很多学者分别使用DEA和在多个方面进行了生产函数估计和技术效率测算方面的相关研究[2～5]。但在已有的文献中，将这两种方法应用于煤炭企业，进行煤炭企业生产函数的估计和技术效率测算方面则几乎没有，考虑到非参数方法中的DEA法对处理多输入—多输出系统的优势，本文尝试使用DEA法对我国煤炭企业效率进行测度，得出的结论既可以进行理论上的深入分析，同时也可以在实际问题中应用。
2DEA的基本原理
DEA模型的基本思路是把每一个被评价单位作为一个决策单元（DMU），以DMUi的各个投入和产出指标的权重为变量进行评价运算，确定有效生产前沿函数，并根据各DMU与有效前沿面的距离，判定各DMU的效率是否DEA有效。
3数据与实证分析结果
3.1数据采集
本文选取我国42家煤炭企业，这42家煤炭企业从资产总额和从业人数两个方面均可代表全国总体水平。时间上截取了2006年数据。有关的基础数据来自于《中国煤炭企业100强分析报告》（2006年）。
对煤炭企业效率进行测度时，首先要合理选择煤炭企业的投入产出变量,中国煤炭企业100强分析报告中提供的投入指标有资产、从业人数、研究开发费用和安全投入，由于本文研究的是煤炭企业的经济效率问题，所以本文选择资本、从业人数和研究开发费用为投入变量。可选择产出变量为煤炭产量、销售收入；由于各个煤炭企业开采具体煤炭品种不同，煤炭的产量不具备可比性，所以选择销售收入作为产出变量。
3.2实证分析结果
本文利用澳大利亚新英格兰大学Tim. Coelli编写的Deap2.1进行DEA模型的样本数据处理，得到结果如表1、2、3、4所示：
4 结论
对比表1、2、3，可以看出，资产、从业人数和研究开发费用这三个投入要素在对销售收入的影响是不同的，相关系数越大，说明该项投入对销售收入影响越大。对于大规模煤炭企业,按投入要素对销售收入影响的大小排序依次是资产＞研究开发费用＞从业人数；而对于中等规模和规模较小的煤炭企业而言，资产依然是对销售收入影响最大的因素，但从业人数的影响大于研究开发费用。
上面的分析过程指明了煤炭企业提高自身经济效率的途径，对于大规模煤炭企业，在资本相对稳定的前提下，增加研究开发费用的投入，这样不仅可以提高这类企业自身的产出水平，而且可以带动整个煤炭产业技术创新能力。对于中等规模和小规模煤炭企业来说，应进一步解决人力资源问题。提高经营管理人员队伍整体素质，进一步培养专业技术人员和高技能短缺人才，同时不断增加资金积累和鼓励科技创新，才能不断提高企业经济效益。
从表4得到的结果，经过计算可以得到销售收入在150亿以上的大规模9家煤炭企业的DEA效率均值为0.7684；销售收入介于45亿～150亿之间的中等规模18家煤炭企业的DEA效率均值为0.6894；销售收入在45亿元以下规模较小的15家煤炭企业的DEA效率均值为0.6382，说明了规模越大的煤炭企业，DEA效率均值越高，体现了其规模有效性。