DEA视窗分析在技术创新效率评价中应用.docVIP

DEA视窗分析在技术创新效率评价中应用 　　[摘 要] 本文对DEA视窗分析模型进行了介绍,并将其运用于东北三省技术创新效率评价研究。 　　[关键词] DEA 视窗分析 window analysis 技术创新效率 　　 　　一、引言 　　 　　数据包络分析(Data Envelopment Analysis,简称DEA)是一种非参数前沿分析方法,可以用来评价具有多项投入与多项产出决策单元(Decision Maker Unit,简称DMU)的相对效率。由于其具有可评价多指标投入产出效率、无需事先对指标量纲进行处理以及无需事先预设具体的函数关系和权重等优点,成为一种应用非常广泛的效率评价方法。已经有许多学者将DEA方法应用于技术创新效率评价研究。 　　但是传统DEA方法在应用时,要求受评价的DMU数量要足够多,至少为变量(投入指标和产出指标)总数两倍以上,否则会出现大部分甚至全部DMU效率得分均为1(即有效率)的情况,使效率评价失去了意义。此外,传统DEA方法只能用来分析横截面数据,让给定DMU与同一时间点上的其他DMU比较,忽略了时间的作用。这样做并不合理,因为在某一时期内,某种资源的过多投入,导致当期效率得分较低,但却可能会对未来时期的产出产生正面影响。 　　DEA视窗分析(Windows Analysis)采用面板数据,将不同时期的同一DMU视为不同单元,从而增加了受评价的DMU数量,不仅能够对不同DMU之间的相对效率进行评价,而且还能够反映DMU的效率变化情况,从而解决了上述问题。 　　 　　二、DEA视窗分析 　　 　　DEA视窗分析由G. Klopp(1985)首先提出,其基本思想是从动态角度出发,认为同一DMU在不同时期是不同的,与统计学中常用的平滑指数类似,能反映出投入与产出之间的时间连续性,可以较好地刻画研究对象的效率动态变化。这样,对特定的DMU来说,在横截面上要同其它DMU进行比较,在时间序列上,同一DMU在不同时点上也要进行比较,因而更能反映DMU的真实效率。 　　假设要考察N个DMU(n=1,2,…,N)在T个时期内(t=1,2,…,T)的情况,那么DEA视窗分析要处理的单元总数=N×T个。具体步骤是,首先设定视窗宽度 ,然后将总时期数T分隔为一系列有所重叠的时间段(视窗),每个视窗包含这N个DMU在w个时期内的值,最后对这些视窗分别进行DEA处理。第一个视窗包括全部N个DMU从时期1到时期w的w×N个??元,第二个视窗包括全部N个DMU从时期2到时期w+1的w×N个单元,以此类推,最后一个视窗也同样包括全部N个DMU从时期T-w+1到时期T的w×N个单元。因此总共有T-w+1次单独的DEA处理过程,即T-w+1个视窗,每个视窗都包含w×N个单元。图 1展示了一个N=3,T=6,w=3的视窗分析。 　　若每个DMU有r种投入指标和s种产出指标,则对于(时期 的第n个DMU)来说,投入向量可表示为,产出向量可表示为。 　　视窗的输入矩阵为: 　　相应的输出矩阵为: 　　对于某个特定的来说,在规模报酬不变的条件下(CCR模型),在视窗 中的效率得分可用公式 1计算: 　　 　　三、应用实例 　　 　　下面以东北三省2000年～2006年的技术创新投入数据和2001年～2007年的技术创新产出数据为例(假定从投入到产出时滞为1年),用DEA视窗分析进行效率研究。本文采用DEA Solver LV 3.0软件,选用的模型为DEA-CCR-I(规模不变假设下的投入导向型DEA模型)。 　　选取的指标如表1所示。 　　由于投入产出指标数之和=5,因此每个视窗包含的单元数必须大于等于10,因此本文选择w=4,k=4,每个视窗包含的单元数w×N=12。 　　表2为东北三省2000年～2006年DEA视窗分析的结果。视窗w1包括辽宁省、吉林省和黑龙江省从2000年～2003年四年内的12个单元的绩效得分。视窗w2包括辽宁省、吉林省和黑龙江省从2001-2004年四年内的12个单元的绩效得分。视窗w3和w4以此类推。 　　表2能够显示出各省效率得分的发展变化状况,以及在不同参考集下,效率得分的稳定性。以辽宁省为例,从行视图来看,在视窗w1内,从2000年～2003年的效率得分分别为0.635、0.877、0.990和1,呈上升趋势,在其他视窗内,效率得分也呈上升趋势,说明辽宁省的技术创新效率一直保持不断提高。从列视图来看,每个年度的效率得分在不同视窗内变化不大,例如在视窗w1、w2和w3中2002年的效率得分分别为0.990、0.990和0.891,说明随着参考集的变化,效率得分变化不大,表现出较强的稳定性。 　　下面对各省的技术创新效率情况做以简单分析。 　　辽宁