基于超效率DEA的中国省际能源效率评价

基于全要素投资效率框架,结合能源效率的内涵与特点,构建了以能源消费总量、从业人员总数和资本存量为投入指标、GDP为产出指标的能源效率评价指标体系;基于超效率DEA方法建立了能源效率评价模型,并对我国2000-2010年29省进行了实证研究.结果显示:东部能源效率最高,中部次之,而西部能源效率最低;中国能源效率变异系数先降后升,省际能源效率差距逐渐拉大.与传统的DEA方法相比,基于超效率DEA的能源效率评价模型更具应用优势.     

基于DEA和ANN的我国各地区工业能源效率及其影响因素分析

采用DEA方法测算了2005-2012年我国大陆30个地区工业能源利用效率的平均水平,通过相关分析确定能源效率的影响因素,并运用多层感知器神经网络模型对工业能源效率的影响因素进行重要性分析.结果显示:1)除少数省份能源得到充分有效利用外,其余省份都存在能源投入的冗余,特别是中西部地区的投入冗余量较多,其节能潜力较大;2)技术水平、研发强度、劳动生产率、国有化程度、市场开放程度对能源效率有显著影响,产业结构和工业企业平均规模无显著影响;3)按照对能源效率的影响程度排序,依次是市场开放程度、技术水平、研发强度、劳动生产率、国有化程度.     

中国文化产业效率及其决定因素:基于Bootstrap-DEA的空间计量分析

本文利用2004年与2008年文化产业相关统计数据,采用Bootstrap-DEA方法和空间计量模型,对我国文化产业效率及其影响因素进行了实证分析。研究发现:如果对随机冲击的影响不作控制,则传统DEA模型将会高估效率测算结果;文化消费、文化企业集聚、交通通信的提高有利于文化产业效率的提升;政府财政扶持显著改善了地区文化产业效率;文化产业效率具有较强的空间正溢出效应。     

剔除环境因素影响的煤化工企业转型升级效率评价研究

煤化工企业转型升级效率问题是实现企业高质量发展过程中的关键问题之一,为了更加客观且真实地反映煤化工企业的转型升级效率,依据行业特性,构建出煤化工企业转型升级效率评价指标体系,并将博弈交叉效率DEA模型与SFA回归模型相结合,提出了一个改进的三阶段DEA模型,利用该模型对煤化工企业转型升级效率进行评价,不仅可以剔除环境因素对效率值的影响,而且有效避免了传统三阶段DEA模型可能造成的伪有效情况.通过案例分析,样本企业转型升级效率总体较低,且明显受到了环境因素的影响.对投入要素与转型升级效率进行聚类分析,将煤化工企业转型升级生产模式划分为4种类型,分别为每种类型的企业指出了提升其转型升级效率的方法与建议.     

基于三阶段DEA模型的中国省际全要素能源效率研究

基于三阶段DEA(数据包络分析)模型测算了我国2009年29个省市的全要素能源效率及其分解变量.研究结果表明:环境因素对于各地区全要素能源效率有显著影响.各地区政府财政支出与对外开放程度的提高是全要素能源效率改善的有利因素;各地区第三产业增加值占GDP的比重与各地区工业总产值占中国所有工业总产值的比重的增加是全要素能源效率提高的不利因素.另一方面在剔除环境和随机因素影响后,全国平均规模效率的降低是全要素能源效率的下降主要因素.最后由全要素能源效率的聚类分析结果发现,我国全要素能源效率的区域差异明显,东部表现最优,中部次之,西部最次.     

金融风险管理中VaR度量的光滑估计效率

本文研究了金融风险管理理论中风险价值(VaR)的非参数核光滑估计和经验估计的效率问题.对非独立的时间序列损失/收益样本,在均方误差(MSE)准则的意义下引入亏量的概念,亏量越大表明估计效率越低.并利用亏量对VaR模型的核光滑估计和基于样本分位数的经验估计进行了比较,在理论上证明了VaR模型的核光滑估计优于经验估计.同时,通过计算机模拟证实了理论获得的结论.本文还对国内沪深两市上的证券投资基金进行了实证分析,计算了样本基金的VaR风险度量的经验估计和核光滑估计,并计算了样本基金基于周收益率和VaR估计的风险调整收益(RAROC)值,以此对样本基金的业绩做出了有用的评价.     

广义与传统BC~2模型效率评价差异及其几何刻画

传统DEA方法相对于决策单元全体对决策单元进行评价,广义DEA方法相对于样本单元全体对决策单元进行评价.由于参照系的不同,对不同决策单元的相对效率评价结果可能不同.针对这种情况,对基于BC2模型的只有投入或只有产出的传统和广义DEA模型进行说明,并通过样本前沿面的移动对广义DEA模型中相对效率值进行几何刻画.     

基于DEA四阶段的我国工业绿色全要素能源效率测度

为了构建同时包含经济因素和绿色因素的绿色全要素能源效率指标,运用DEA四阶段方法对绿色全要素能源效率进行评价,同时区分内部管理因素和外部环境因素对绿色全要素能源效率的影响程度.实证结果表明:我国总体的能源效率有上升的趋势,在2001-2007年,管理因素起促进作用,2008-2014年的增长由环境条件推动;我国区域和省域间的效率值差异较大,需要分别从内部管理和外部环境两方面进行提升.     

基于超效率DEA模型的中国各地区钢铁行业能源效率及节能减排潜力分析

DEA方法对具有多投入和多产出指标的各个DMU之间的相对效率评价具有独特优势.首先应用超效率DEA模型对2005-2007年间中国各地区钢铁行业的全要素能源效率作出评价,并计算了此间中国各地区钢铁行业的节能减排潜力;然后利用Malmquist效率指数对钢铁行业能源利用效率的变动进行动态分析;最后应用Tobit回归模型对影响钢铁行业节能减排的因素进行了多元分析.     

基于轮换样本连续性调查的校准组合估计方法研究

校准估计是抽样调查中比较常用的一种利用辅助信息提高估计量精度的方法。回归组合估计量作为轮换样本连续性调查中使用的一种有效的估计量,是可以通过校准程序得到的。基于回归组合估计量和校准程序之间的关系,本文提出了轮换样本连续性抽样调查条件下的不同校准组合估计量及其方差估计。校准组合估计量的主要思想是在校准估计程序中将拼配样本和非拼配样本的辅助信息进行不同的组合利用。本文利用美国现时人口调查的微观数据进行数值模拟,来比较不同校准组合估计量的估计效率,模拟结果表明两步校准组合估计量和两步校准双组合估计量的表现相似,且估计精度都高于H-T估计量及回归组合估计量;而两步校准组合估计量由于其简便性更适合应用于实践中。最后以我国农村住户连续性抽样调查为例,设计一套符合我国实际的轮换样本连续性调查方案,并将提出的校准组合估计量运用于估计阶段,为中国政府统计调查提供一定的借鉴和参考.     

基于SBM模型的我国省际能源环境效率研究

将SBM模型与四阶段DEA方法结合,研究了我国30个省市地区2004~2012年间省际全要素能源环境效率,同时考察了地区投入与产出松弛量,并对其影响因素进行了深入分析。研究发现:环境约束的影响明显,科学评价能源环境效率必须把环境污染引入全要素能效测度之中;随着时间发展,各省间的效率存在优者愈优、劣者愈劣的两级分化趋势.对松弛量的Tobit回归结果显示:GDP是改善能源环境效率的有利因素,外商直接投资、产业结构以及能源消费结构是其不利因素,技术改进和环境治理对提高效率无显著影响;外部因素差异对能源环境效率有显著地影响,剔除外部因素差异的影响,将使效率能得到有效改善.     

关于DEA有效性“新方法”的探讨

主要指出文献[1],[2]中所用的"新方法"不能完全区分决策单元的DEA有效性和弱DEA有效性.同时,"新方法"中所使用的DEA模型(即文献[3]中超效率DEA模型)的最优解不一定存在,这也是"新方法"使用中的一大缺陷.本文同时指出"新方法"虽然是可以扩充的,但扩充后,某些"新模型"仍然会出现上述问题.如果单纯的去评价决策单元的DEA有效性、弱DEA有效性和非弱DEA有效性时,建议还是使用传统的经典模型为好;如果需要进一步对DEA有效性再进行分析,是可以象最早提出超效率DEA模型的文献[3]中那样去应用超效率DEA模型。     

具有偏好锥的面向输出的超效率DEA模型分析

鉴于传统DEA模型无法区分有效决策单元,超效率DEA模型未考虑决策者的偏好,现提出面向输出的权重受限的综合超效率DEA模型及其投影概念,并讨论该模型与其他超效率DEA模型之间的关系.接着,分析模型的最优目标函数值与决策单元有效性之间的关系,并讨论面向输出的权重受限的综合超效投影与多目标规划问题的非支配解之间的关系.最后,通过对中国西部12个地区工业企业科技创新效率综合评价,并与原有方法进行比较研究,得出本文方法更具优势和合理性.     

Network DEA pitfalls: Divisional efficiency and frontier projection under general network structures

Data envelopment analysis (DEA) is a method for measuring the efficiency of peer decision making units (DMUs). Recently network DEA models been developed to examine the efficiency of DMUs with internal structures. The internal network structures range from a simple two-stage process to a complex system where multiple divisions are linked together with intermediate measures. In general, there are two types of network DEA models. One is developed under the standard multiplier DEA models based upon the DEA ratio efficiency, and the other under the envelopment DEA models based upon production possibility sets. While the multiplier and envelopment DEA models are dual models and equivalent under the standard DEA, such is not necessarily true for the two types of network DEA models. Pitfalls in network DEA are discussed with respect to the determination of divisional efficiency, frontier type, and projections. We point out that the envelopment-based network DEA model should be used for determining the frontier projection for inefficient DMUs while the multiplier-based network DEA model should be used for determining the divisional efficiency. Finally, we demonstrate that under general network structures, the multiplier and envelopment network DEA models are two different approaches. The divisional efficiency obtained from the multiplier network DEA model can be infeasible in the envelopment network DEA model. This indicates that these two types of network DEA models use different concepts of efficiency. We further demonstrate that the envelopment model’s divisional efficiency may actually be the overall efficiency.     

只有输出(入)的DEA改进模型及其应用

研究了只有输出(入)的DEA分析方法,针对只有输出(入)DEA模型的不足,重新定义了只有输出(入)的DEA评价方法的有效性,并改进了模型。相对已有的只有输出(入)的DEA模型,该模型充分利用了决策单元的诸输出(入),提高了DEA评价的效果。作为应用,运用新模型对武警防暴队形优选问题进行了有效性分析。     

基于相关性分析与DEA模型的寿险公司效率分析

选取国内较有影响力的八家寿险公司作为研究对象,提出了基于相关性分析的DEA组合评价方法,该方法综合了相关性分析和DEA两种方法的优点.利用相关性分析的方法设计出评价寿险公司经营效率的投入和产出指标.然后综合运用DEA模型对这八家公司的经营效率进行研究,分析影响效率有效性的因素.     

Deriving the DEA frontier for two-stage processes

Data envelopment analysis (DEA) is a method for measuring the efficiency of peer decision making units (DMUs). Recently DEA has been extended to examine the efficiency of two-stage processes, where all the outputs from the first stage are intermediate measures that make up the inputs to the second stage. The resulting two-stage DEA model provides not only an overall efficiency score for the entire process, but as well yields an efficiency score for each of the individual stages. Due to the existence of intermediate measures, the usual procedure of adjusting the inputs or outputs by the efficiency scores, as in the standard DEA approach, does not necessarily yield a frontier projection. The current paper develops an approach for determining the frontier points for inefficient DMUs within the framework of two-stage DEA.     

The extension and integration of the inverse DEA method

The inverse DEA (Data Envelopment Analysis) method is primarily used to analyse the changing relationship between the inputs and outputs of a DMU (Decision-Making Unit) when its efficiency is kept constant or set to a target value. However, the existing inverse DEA method cannot be applied directly to estimate all the changing relationships. For example, the existing DEA models fail to estimate the input variations when the supervisor wants to maintain the DMU’s output-oriented efficiency during the downscaling of production. This paper analyses all the possible changing relationships that need to be solved by the inverse DEA method and develops different models for both the output and input orientations, accomplishing the extension and integration of the inverse DEA model. For illustration of our results, a numerical example is given.