北京市担保行业的运行效率分析.docVIP

北京市担保行业的运行效率分析 　　摘要：本文主要对北京市担保行业运行效率进行研究。得到结论如下：纯技术效率过低是担保公司综合技术效率过低的主因；规模效率较低也是影响因素；纯技术效率的改善空间比规模效率的改善空间更大。超效率分布呈金字塔形，即真正优秀的担保公司较少，大部分担保公司的运行效率还需要改进。 　　关键词：担保行业 运行效率 DEA模型 分析 　　最近几年，北京市担保业务的规模不断扩大，大批民营担保公司不断涌现；分支机构和营业网点密度增加；业务品种不断丰富，专业人才需求不断上升。担保行业在国民经济中的地位日益增强。在担保行业占地方经济总产值比重迅速增长的同时，担保行业发展的质量与内涵渐渐成为了大家关注的焦点。为了更好地反映担保行业发展的质量与内涵，就需要分析担保公司的经营绩效，特别是对担保公司的运营状况进行投入产出效率的分析。 　　关于担保行业投入产出效率的研究主要运用了DEA模型，但方法有所不同。崔晓玲和钟田丽（2010）分析得出普通DEA模型阿基米德无穷小量可能影响评价结果，引入粒子群优化则不会出现上述偏差。但是应当看到，采用上述方法所得的有效决策单元很多，且它们间很难做出区分。针对这一情况，Anderson等（1993）首次提出效率DEA模型。这一方法在评价其他行业运行效率中获得了广泛的应用，例如，国内学者李博和李启航（2012）采用超效率DEA模型测算中国不同地区技术创新效率。薛声家和王清（2010）采用产出中心DEA超效率模型，对国内31个省市电信业的运行效率进行研究，发现其中25个省运行效率有待提升，工业生产支持力度强弱是重要因素。蒋萍和王勇（2011）在对中国文化产业投入产出效率的研究中，应用超效率模型对投入产出相对有效的省份之间进行比较，发现这些省份之间也存在较大差别。 　　一、投入产出指标的选取 　　本文的数据来源于2010年度北京担保行业财务报表较完整的76家担保公司。首先选取投入指标，选取人力资本投入，固定资产投入，主营业务成本投入。产出指标包括以下几项： 　　总资产利润率、净资产利润率、担保业务利润率、资产负债率、公司主营业务利润占比、担保产品市场占有率、流动比率。应用因子分析法对上述产出指标进行筛选。首先，应用KMO-Bartllet检验，由于某些变量之间存在着较强的相关性，进行主成分因子分析，对产出指标合并降维。其中，特征值大于1被自动选择成为其中的因子，三个主成分被提取，其解释程度累计达到71.62%，可以解释大部分信息。采用方差最大法对因子载荷矩阵实施正交旋转，得以下三个变量作为产出指标：净资产利润率，担保业务利润率以及市场占有率。 　　二、传统DEA效率模型的测算 　　基于投入产出指标，利用myDEAP软件对76个决策单元进行了经营绩效打分，按照效率得分的大小，将担保公司综合效率按照大小分为4组；效率的分值为1；效率取值从0.8到1；效率取值从0.6到0.8；效率值小于0.6。据此，分别得到规模效率，技术效率和综合效率统计量如表1所示。 　　整体来看，北京市担保公司综合运行效率和纯技术效率有待提升，而规模效率相对较高。其中综合技术效率相对有效的担保公司，占全部担保公司总数近四成，样本分布悬殊，处于一般以及较差等级的担保公司也为数不少，其分布类似于纯技术效率，显示出纯技术效率对综合技术效率的影响。 　　通过对公司综合技术效率为较差的一组进行细分，按照得分0.2以下，0.2―0.4以及0.4―0.6分为三组，得结论如下：首先，纯技术效率过低是担保公司综合技术效率过低的主因。特别是对综合技术效率在0.4―0.6这一组，规模效率平均值虽然达到0.941，但由于纯技术效率只有0.56，使综合技术效率在0.6以下。其次，规模效率也是必要原因。事实上，综合技术效率0.2以下的一组，其规模效率平均值为0.646，低于综合效率0.2―0.4组的规模效率平均值0.733，更低于综合效率0.4―0.6组的规模效率平均值0.941。因此，提高担保公司运行效率应当从纯技术效率和规模效率两方面着手，又由于纯技术效率改善空间较大，故此项指标是担保公司运行效率提升的重点。 　　三、DEA超效率的测算 　　根据上文，利用超效率DEA模型，对综合技术效率相对有效的29家担保公司进行相互之间的效率比较。对超效率进行分组，由于超效率值一般在1―4之间，因此将样本按照超效率值分为四组，分别为1―1.5为一组；1.5―2为一组；2―2.5为一组；2.5以上为一组，得到统计结果如表2所示。 　　由表2可知，根据超效率模型得到的结果，综合技术效率相对有效的29家担保公司的超效率分布呈现金字塔形，其中样本大多集中于底层：1―1.5这一组，占了一半以上；在次一层效率值1.5―2的样本数是1―1.5这一组的一半；