DEA—PNN视角下中国上市房地产企业效率分析.docVIP

PAGE PAGE 1 DEA—PNN视角下中国上市房地产企业效率分析 　　内容摘要：文章运用传统的数据包络分析方法（DEA）对上市房地产企业效率进行评定，引入相应的分类指标对DEA在不变规模收益下求得的效率值进行分类，然后使用概率神经网络（PNN）和传统的多重判别分析方法（MDA）对分类效果进行模式识别，并比较了两种方法的识别精确度，结果显示PNN的预测精度要优于MDA。得出如下结论：当前上市房地产企业的总体效率值偏低，有巨大的提升空间；通过DEA的求解结果可以得出所有上市房地产企业的标杆企业。 　　关键词：数据包络分析概率神经网络多重判别分析 　　问题的提出 　　最近几年，房地产行业发展迅速，对经济发展的拉动作用十分明显，已经成为我国的支柱产业之一。同时，房地产行业是受国家宏观调控影响非常大的行业，经营波动相对较大，风险较大，受到广大市民的普遍关注。所以，必须关注上市房地产公司的经营效率状况。 　　陈兆东（2001）利用灰色理论和数据包络分析方法（DEA）分析了上市房地产公司的股票价值。施金亮（2006）利用数据包络分析方法查找到上市房地产公司的标杆企业，并对企业效率进行了评价。袁方（2009）利用DEA对2000-2007年的上市房地产企业进行了实证分析，并提出了相应的优化方案等。 　　从上面的文献回顾中可以看出，大量的文献研究了房地产效率和使用PNN的模式识别功能，但是，只有少量国外文献结合使用数据包络分析方法和概率神经网络方法做银行效率方面的实证分析，但没有涉及到上市房地产企业的效率分析。因此，在本文中使用DEA-PNN方法测定上市房地产公司的效率：一方面为政策制定者提供实证依据；另一方面也填补了此方面研究的空缺。 　　DEA和PNN模型 　　（一）DEA模型 　　数据包络分析方法（DEA）是由美国著名管理科学专家Charnes，Cooper，Rhodes（1978）提出的评价效率的一种线性非参数规划法，是研究具有多个输入和多个输出决策单元相对有效性的一种卓有成效的方法。DEA通过比较不同决策单元的输入输出情况，并赋予每个决策单元一个效率值，然后找出效率表现最好的单位组成效率前沿，在效率前沿上的单位是有效率的，不在效率前沿上的单位是相对没有效率的。 　　在不变规模收益模型中，设有T家单位，它们使用m种投入，n种产出，IS=（i1S，i2S，…，imS）T表示S单位的投入向量，ijs（j=1，2，…，m）表示s单位的第j种投入量，Os=（O1s，O2s，…，Ons）T表示s单位的产出向量，ojs（j=1，2，…，n）表示s单位的第j种产出量，θs表示s单位的最优效率值，则有DEA模型如下： 　　（1） 　　实际上，用不变规模报酬模型测算所得到的技术效率值（TE）实际上是一个综合效率值，包含了纯技术效率（PTE）和规模效率（SE）两个方面内容，即TE=PTE×SE。为了测算纯技术效率水平，Banker，Charnes，Cooper（1984）在不变规模收益模型的基础上增加约束条件∑λs=1，即得到了可变规模收益模型，此时求得的技术效率值是纯技术效率值。通过分别运行在不变规模收益下和可变规模收益下的数据包络分析模型，可以分别得到效率值θ1和θ2，当θ1=θ2时，各单位的规模收益值都为1，即各单位都处于最佳规模收益水平；否则，各单位的规模收益水平都有一定程度的损失。 　　（二）PNN模型 　　概率神经网络（PNN）模型是非线性、非参数的模式识别方法，不需要假定随机变量的分布情况，在模型中使用所有数据。与多数网络不同，它不需要从各个神经元到输入神经元的反馈，能够并行地完成运算，训练速度非常快。 　　PNN由四层组成，它们的功能如下：第一层为输入层，每个神经元均为输入单元，这一层的作用只是将输入信号传递给所有隐藏层单元，输入单元的神经元数目由输入变量的个数决定；第二层称之为隐藏层，它与输入层之间通过连接权重相连接，对输入单元的输出数据进行非线性运算；第三层称之为累加层，它具有线性求和的功能，对隐藏层的输出数据进行简单累加，这一层的神经元数目与欲分类的模式数目相同；第四层即输出层具有判决功能，它的神经元输出为离散值，例如1、2或者3，分别代表输入模式的不同类别。概率神经网络的结构如图1所示。 　　（三）多重判别分析法 　　多重判别分析法是根据观测或测量到的若干变量值，判断研究对象如何进行分类的方法。从中筛选出能提供较多信息的变量，根据错判率最小的原则建立相应的线性判别函数，对每个个体进行判别分析时，把测试的各变量值代入判别函数，得出判别分数，从而确定个体属于哪一类别。 　　多重判别函数的一般形式是： 　　Yi=ai1X1+ai2X2+…+ainXn， 　　i=1，2，…，m（2） 　　其中，Yi表示第i类的判别函数值；X1