我国高新技术产业中大中型工业企业科技创新能力的DEA评价

来源:岁月联盟 作者:王青云 时间:2014-06-01
摘要:本文通过应用DEA评价方法,建立我国高新技术产业中大中型工业企业科技创新能力评价指标、评价模型,并做出分析。分别运用CCR模型、BBC模型以及超效率DEA模型对问题进行分析。通过计算结果对各个产业进行梳理并提出建议。
  关键词:高新技术产业 超效率DEA CCR模型 BCC模型
  
  一、引言
  
  20世纪90年代初以来,高新技术产业已经成为世界经济最富有活力的增长点,成为社会财富以几何级数增长的主导力量。我国的高新技术产业是从改革开放以后发展起来的,可以说起步较晚。虽然在化学、医疗器械、航空航天、电子信息技术、生物工程等方面都有所发展,并建立了许多大中型工业企业,但是面向国际市场的激烈竞争仍有很大的困难。为此,我们有必要建立一套科学、合理的评价体系,使我们更清楚地了解到应采取何种措施来弥补不足。目前,我国对高新技术产业评价与发展的研究还不是很完善,很多学者对这个问题也在不断地进行研究,如贲友红在对江苏省各市高新技术产业发展的评价研究中应用了主成分分析法,对江苏省各个城市的高新技术产业的发展情况进行了分析及评价。李拓晨在我国高新技术产业竞争力主要指标评析,运用我国高新技术产业10年发展的关键指标进行统计分析,而以上文章评价的方法都带有较强的主观性。为了使评价更为客观,国内有很多学者选择应用DEA方法对我国高新技术产业的科技创新能力进行评价,其中最具代表性的文章如李 在基于DEA方法对我国区域高新技术产业园区的效率分析中运用数据包络分析中的CCR模型、BCC模型和Malmquist要素生产力指数法,采用了比较客观的评价方法,对我国27个地区的高新技术产业园区构建三层评估体系,提出促进我国高新技术产业园区战略升级的政策建议。
  
  二、DEA方法的基本思想及评价模型
  
  (一)数据包络分析
  数据包络分析(DEA,Data Envelopment Analysis)是美国运筹学家A.Charnes和W.Cooper等学者提出的以相对效率概念为基础,根据多指标投入和多指标产出对相同类型的单位(部门)进行相对有效或效益评价的一种新的系统分析方法。
  DEA方法具有与其他多目标评价方法不同的优势:在对决策单元(DMU,Decision Making Unit)进行评价时,它不必考虑指标的量纲,也不需要事先确定指标的相对权重,更不必确定决策单元的各输入输出之间的显式函数关系,这就排除了许多主观因素。不仅增强了评价结果的客观性,而且还使问题得到简化。因此,选择DEA方法定量研究我国的高新技术产业中大中型工业企业科技创新能力。
  (二)CCR模型和BCC模型
  CCR模型是测量综合技术效率的模型,而BCC模型是测量纯技术效率的模型。在CCR模型的基础上加上λ之和为1这个约束条件即得出BCC模型。两个模型在有效性的判断上是一致的。由CCR模型计算出的效率值 除以BCC模型下计算出的纯技术效率值θBCC,就可得到各决策单位的规模效率值θ',以便进一步了解技术效率欠缺的原因是规模无效率还是纯技术无效率。这样两者结合起来便可以对决策单元技术效率和规模效率进
  行综合分析。两个模型如下:
  CCR模型: BCC模型:
  min{θ-ε ( ∑ s + +∑s- )} min{θ-ε ( ∑ s + +∑s- )}
   s.t.λj xj +s+ =θx0 s.t.λj xj +s +=θx0
   s.t.λjyj-s- = y0 s.t.λjyj -s- = y0
  θ无约束 θ无约束
  λj≥0, j=1,2,…,nλj≥0, j=1,2,…,n
   s+≥0, s- ≥0λj=1
   s+≥0, s- ≥0
  以上两个模型中的 为非阿基米德无穷小量,在本文中取ε =10-10。
  (三)超效率DEA模型
  普通 DEA方法可以用来评价决策单元 (评价对象 )的效率是否达到最优。超效率 DEA模型可以对效率达到最优的决策单元 (评价对象 )进行再排序,其模型为:
  min{θ-ε ( ∑ s + +∑s- )}
   s.t.λjxj+s+ =θx0
   s.t.λjyj -s-= y0
  θ≥0,
  λj≥0,j=1,2,…,n
  s+≥0, s-≥0
  ε为非阿基米德无穷小量,在本文中取ε=10-10。
  评价依据:如果效率指数θ<1,则表明科技投入产出没有达到最优效率,即没有使科技投入转化为最大的科技产出;如果效率指数θ= 1,则表明科技投入产出刚好达到最优效率,即科技投入正好转化为最大的科技产出;如果θ> 1,则表明科技投入产出超过了最优效率。例如效率值为132% ,则表示该地区即使再等比例地增加32%的科技投入,它仍能保持相对有效即效率值仍能维持在1以上。
  构成的超效率 DEA模型与现有研究的主要区别有以下三点:
  (1)超效率 DEA模型可以对有效前沿面上的评价对象进行再排序 ,改变了传统DEA 模型不能对有效的评价对象进行区分的弊端。在科技评价中超效率 DEA模型可以对效率都达到最优的决策单元进行区分哪个效率更高。
  (2)通过引入输入指标松弛变量s-,可以反映没有达到效率最优的评价对象的输入冗余,改变了现有的 DEA科技评价研究只能对评价对象进行排序而不能发现效率低的原因。
  (3)通过引入输出指标松弛变量s+,可以反映没有达到效率最优的评价对象的产出不足,改变了现有的 DEA科技评价研究只能对评价对象进行排序而不能发现效率低的原因。