基于SFA方法的中国高校成本效率研究

中国重点高校基础研究投入产出预测及效率分析中国的高校基础研究一直被认为是国家科技创新的重要组成部分。

随着国家对科技创新的投入不断增加，高校的研究经费也逐渐增长。

高校的基础研究投入与产出之间的关系并不明确，需要进行预测和效率分析。

预测高校基础研究的投入产出关系，可以帮助政府和高校制定科研经费分配政策，以及评估科研成果的价值。

一个常用的方法是利用多元回归模型来建立投入与产出之间的数学关系。

这个模型可以通过分析过去的投入与产出数据，来预测未来的投入与产出情况。

也可以通过引入其他因素，如高校的研究水平、师资力量、研究设备等，来提高模型的准确性。

预测基础研究的投入产出关系主要有两个方面的意义。

可以帮助高校和政府合理分配科研经费，确保科研资金的有效利用。

可以评估高校的科研绩效，发现存在的问题，从而提高基础研究的效率。

通过对投入与产出之间关系的深入分析，可以为高校提供改善科研管理和优化科研环境的建议，进一步提高基础研究的质量和效果。

除了预测投入产出之间的关系，还需要进行效率分析。

效率分析可以帮助高校找到科研过程中存在的问题和瓶颈，并采取相应的措施进行改进。

常用的效率分析方法有数据包络分析(DEA)和随机前沿分析(SFA)等。

这些方法可以通过比较不同高校的投入与产出数据，来评估高校的相对效率。

通过发现效率低下的原因，高校可以采取措施改进科研管理、提高资源利用效率。

在进行高校基础研究投入产出预测和效率分析时，需要考虑到一些因素的影响。

高校的科研成果往往需要一定的时间来转化为实际产出，因此需要将时间因素考虑在内。

高校的基础研究往往是长期进行的，需要考虑到一定的滞后效应。

不同学科领域的研究投入与产出之间的关系也可能存在差异，需要进行区分分析。

通过对中国重点高校基础研究投入产出的预测和效率分析，可以为高校和政府提供科研经费分配和管理的参考，进一步推动科技创新与社会发展的紧密联系，并为高校科研的管理和组织提供决策依据。

基于 SFA 法的高校成本效率评价研究--以教育部直属高校为例的分析冯宝军;孙秀峰;刘小君【摘要】在考虑高校教学、科研、社会服务三项产出和人员、财力、物资三项投入的指标体系基础上，使用随机前沿法，以2005～2010年教育部68所直属高校为样本，评价高校的成本效率并分析其影响因素。

结果发现，中国高校成本效率处于下降趋势；东部地区高校的成本效率值最高，西部次之，中部最差；高校的地理位置、重点与否、教师的职称结构、生师比、学生的学历结构以及高校规模都显著影响高校的成本效率；“985工程”高校比非“985工程”高校的成本效率更高。

%The paper ,based on three outputs of university teaching ,scientific research and social work ,as well as three input index system of personnel ,financial resources and materials ,adopts 68 subordinate universities of Ministry of Education as samples from the year of 2005 to 2010 ,using stochas tic frontier approach to evalu‐ate universities’ cost efficiency and analyzes its influence factors .The results show that Chinese universities’ cost efficiency has a declining tendency ;with the cost efficiency value of the universities in the eastern region being the highest ,those in the west the secondary ,and those in the central region the worst ;that university geographic location ,whether it is a key university ,teachers’ professional title structure ,student and teacher ratio ,students’ academic st ructure and university scale are all the essential factors that influence universities ’ cost efficiencysignificantly ,and that the universities in 985 project have higher cost efficiency than the other u‐niversities .【期刊名称】《大连理工大学学报（社会科学版）》【年(卷),期】2015(000)003【总页数】8页(P6-13)【关键词】随机前沿法;成本效率;教育部直属高校【作者】冯宝军;孙秀峰;刘小君【作者单位】大连理工大学管理与经济学部，辽宁大连116024;大连理工大学管理与经济学部，辽宁大连116024;大连理工大学管理与经济学部，辽宁大连116024【正文语种】中文【中图分类】G40-054在资源稀缺的背景下，对教育资源利用效率的研究逐渐成为了教育界关注焦点之一。

Efficiency of China＇s Insurance Industry： A Stochastic Frontier Analysis Approach 作者： 黄薇[1]
作者机构： [1]中国人民大学财政金融学院,100872
出版物刊名： 南开经济研究
页码： 104-115页
主题词： SFA;效率;保险业;中国
摘要：本文在借鉴世界范围内最新效率研究方法的基础上，运用SFA方法首次对1999--2004年中国28家寿险和非寿险保险机构的成本效率和利润效率进行了评估。

在模型设定的过程中，通过广义似然比统计量检验，论证了超越对数成本函数的可靠性。

在影响因素分析的过程中，通过将效率影响因素引入随机前沿模型进行因素分析，避免了一般使用两阶段因素回归法可能造成的偏差。

通过实证分析，本文得出：片面的改变保险机构产权结构并不能有效提高效率，公司治理结构、组织形式、营销体系、资产规模、产品多元化程度是影响中国保险业效率的主要因素；进一步地，本文探讨了提高中国保险业效率的可能途径。

基于SFA方法的区域技术创新效率研究龚雪媚1,2*汪凌勇1董克1,2（1．中国科学院国家科学图书馆北京 100190；2.中国科学院研究生院北京100190）摘要：文章深入研究区域技术创新流程，并在此基础上采用我国2000-2007年30个地区的面板数据，运用基于柯布-道格拉斯生产函数和Battese&Coelli（1995）模型的随机前沿分析（stochastic frontier analysis，SFA）方法，测算我国区域技术创新效率（regional technological innovation efficiency，RTIE）、技术研发效率和商业化效率，并指出各影响因素的作用效果。

结果表明我国RTIE整体提高，但区域之间差距加大。

关键词：技术创新；区域技术创新效率；随机前沿分析分类号：F062.4Research on Regional Technological Innovation EfficiencyBased on Stochastic Frontier AnalysisGong Xuemei1,2 Wang Lingyong1(1. National Science Library, Chinese Academy of Sciences, Beijing 100190;2. Graduate School of Chinese Academy of Sciences, Beijing 100190) Abstract：Based on the research on process of regional technological innovation,a panel data of 30 provinces over the period 2000-2007 are used, and the stochastic frontier analysis(SFA) method based on Cobb-Douglas production function and Battese&Coelli(1995) model is applied to measure the regional technological innovation efficiency(RTIE), technology R&D efficiency and commercialization efficiency in China. Moreover, the effects of the impact factors are pointed out. The results show that the RTIE was increasing as a whole, but the gap between provinces is widening.Key words：technological innovation; regional technological innovation efficiency; stochastic frontier analysis近年来，地区之间经济发展差距不断加大，各地都注重构建和提升区域创新体系，力图通过技术创新来促进区域经济的发展。

2004年5月系统工程理论与实践第5期　文章编号:100026788(2004)0520046205SFA模型及其在我国技术效率测算中的应用何　枫1,陈　荣2,何炼成1(1.陕西师范大学国际商学院,陕西西安710062;2.香港中文大学工商管理学院,香港,新界沙田)摘要:　在对数型柯布2道格拉斯生产函数的基础上,运用随机前沿分析(Stochastic F rontier A nalysis)模型对我国改革开放以来20年间的技术效率变迁进行了测算Λ分析结果表明,整体来看,我国平均技术效率水平在20年中呈现出稳步上升趋势;从区域的角度来看,东部沿海地区的平均技术效率水平要高出中部地区约15%,或高出西部地区约33%Λ关键词:　随机前沿分析(SFA);技术效率;柯布2道格拉斯生产函数中图分类号:　F27 文献标识码:　A T he M easu rem en t of Ch inese T echn ical Efficiency: T he A pp licati on of Stochastic F ron tier P roducti on Functi onH E Feng1,CH EN Rong2,H E L ian2cheng1(1.Internati onal Business Schoo l,Shaanxi N o r m al U niversity,X i’an710062,Ch ina;2.Faculty of Business A dm inistra2 ti on,T he Ch inese U niversity of Hong Kong,Hong Kong,Ch ina)Abstract:　W e use the stochastic frontier Cobb2Douglas p roducti on functi on to analyze the Ch inesetechnical efficiency on the basis of cro ss2p rovinces since1981.O n the one side,T he emp irical result in2dicates that the Ch inese average technical efficiency w as increasing steadily in the past tw o decades.O nthe o ther side,w e find that the east2coast area’s m ean technical efficiency w as mo re h igher than m iddlearea about fifteen percent o r mo re h igher than w est area about one2th ird.Key words:　stochastic frontier analysis;technical efficiency;p roducti on functi on1　引言技术效率的测量最早是由Farrell(1957)和A friat(1972)提出来的[1,2]Λ技术效率和生产性可能性边界是联系在一起的Λ所谓生产可能性边界,指的是在一定的要素投入下可能达到的最大产出Λ不同的要素投入对应不同的产出,所有产出所形成的曲线便是生产可能性边界Λ但是,并不是所有企业都可以达到最大产出Λ技术效率便是用来衡量一个企业在等量要素投入条件下,其产出离最大产出的距离;距离越大,则技术效率越低Λ测量技术效率通常有两种方法,一种是非参数方法,另一种是参数方法Λ非参数方法是在Farrell和A frait工作的基础上,由V ariran在理论方面、Fare等人在运用方面发展和完善起来的Λ该方法首先根据样本中所有个体的投入和产出构造一个能够包容所有个体生产方式的最小的生产性可能性集合:即所有要素和产出的有效组合Λ所谓“有效”,即是以一定的投入生产出最大产出,或以最小的投入生产出一定的产出Λ一个个体的技术效率衡量的是,在给定该个体的产出能够实现的前提下,和生产可能性集合中生产等量产出的投入量相比,其投入还有多大的节约余地Λ余地越大,说明该企业的技术效率越低Λ该方法的优点是无须估计企业的生产函数,从而避免了因错误的函数形式带来的问题;缺点是需要大量的个体数据,且对算法的要求很高,同时对生产过程没有任何描述Λ相对而言,在实践中,人们更倾向于使用参收稿日期:2003204226资助项目:陕西师范大学校内重点科研项目(20020903);陕西师范大学中国西部金融研究中心资助项目(2003003) 作者简介:何枫(1975-),男,江西万年人,管理学博士,副教授,Em ail:freedom-river@;陈荣(1976-),女,辽宁海城人,博士研究生;何炼成(1928-),男,湖南浏阳人,教授,博士生导师数方法来测算技术效率Λ根据这个方法,通常是先估计一个生产函数,且考虑到该生产函数中误差项目的复合结构及其分布形式,并根据误差项的分布假设不同,采用相应的技术方法来估计生产函数中的各个参数Λ参数方法的最大优点是通过估计生产函数对个体的生产过程进行了描述,从而使对技术效率的估计得到了控制Λ技术效率的测算在经济与管理领域中具有非常重要的意义Λ从微观企业这一角度来看,运用随机生产前沿技术测算技术效率,将有利于考察和评价每个企业的综合绩效指标Λ另外,在涉及跨国分析或区域比较研究中,测算各个国家或地区的技术效率,能够让我们了解每个国家或地区的经济增长质量Λ目前,国内学术界关于我国技术效率的实证研究都是从企业层面上展开的Λ例如,刘小玄、郑京海(1998)、姚洋(1998)、孔祥、Robert E .M ark s 与万广华(1999)及刘小玄(2000)等人以企业为样本进行了技术效率的测算,并都得出了非国有企业的技术效率显著地高于国有企业这一结论[3-6]Λ但是,这些基于企业样本的研究,并不足以使我们去全面了解我国及各省市的技术效率状态Λ为弥补这一遗憾,本文将在对数型柯布-道格拉斯生产函数的基础上,运用随机前沿分析技术(Stochastic F ron tier A nalysis ,以下简称SFA 模型)对我国改革开放以来20年间的技术效率水平及其变迁进行研究Λ2　基于对数型柯布-道格拉斯生产函数的SFA 模型图1　技术效率示意图 根据S .C .Kum bhakar &C .A .K .L ovell (2000,p 8-10)的总结,研究者们一致认为M eeu sen &B roeck (1977)、A igner ,L ovell ,and Schm idt (1977)与B attese &Co rra (1977)这三篇论文是标志着SFA 技术诞生的开创性文献[7]Λ他们的模型基本上可以表达为:y =f (x ;Β) exp (v -u ),其中,y 代表产出、x 表示一组矢量投入、Β为一组待定的矢量参数Λ误差项Ε为复合结构,第一部分v 服从N (0,Ρv 2)分布,v ∈iid (独立一致分布)Λ第二部分uΕ0,用以表示那些仅仅对某个个体所具有的冲击;因此,该个体的技术效率状态则用T E =exp (-u )来表示Λ这样的话,当u =0时,厂商就恰好处于生产前沿上(即y =f (x ;Β) exp (v ));若u >0,厂商就处于生产前沿下方,也就是处于非技术效率状态[8-10]Λ图1直观地显示了技术效率的定义Λ根据对u 所服从分布的假设不同,SFA 技术在具体估计上也有着不同的方法Λ本文根据B attese &Coelli (1992)模型的基本原理,运用对数型柯布-道格拉斯生产函数及在1981-2000年间的省际数据的基础上,对我国各省市的技术效率水平进行测定[11]Λ具体的研究模型为:ln (y it )=Β0t +Β1 ln (L it )+Β2 ln (K it )+v it -u it(1)T E it =exp (-u it )(2)u it =Β(t ) u i(3)Β(t )=exp {-Γ (t -T )}(4)Χ=Ρ2uΡ2v +Ρ2u(5)在式(1)中,y 表示各省市的GD P (单位:亿元人民币),L 表示年均从业人员数量(单位:万人),K 表示年均资本存量(单位:亿元人民币);Β0为截距项,Β1和Β2均为待估计的参数,Β1实际上就是劳动力产出弹性,Β2实际上就是资本产出弹性Λi 为各省市的排列序号,i =1,2,…,N ;N =29;t 为时期序号,t =1,2,…,T ;T =4Λ式(1)的误差项Εit 由两部分组成,第一部分v it ∈iid 并服从N (0,Ρv 2)分布;第二部分u itΕ0,它反映那些在第t 时期仅仅影响第i 个省份的随机因素Λu it ∈iid 并服从正半部的正态分布N (u ,Ρ2u),v it 与u it 之间是相互独立的Λ在式(2)中,T E it =exp (-u it )表示样本中第i 个省份在第t 时期内的技术效率水平Λ显然,如果u it =0,则T E it =1,即处于技术效率状态,此时该省份的生产点规模位于生产前沿上;相反,如果u it >0,则0<T E it <1,我们称这种状态为技术非效率,此时该省份的生产点位于生产前74第5期SFA 模型及其在我国技术效率测算中的应用84系统工程理论与实践2004年5月沿之下ΛΓ是待估计的参数,B attese&Coelli(1992)构造了式(3)和(4)以定量描述时间因素对u it的影响Λ其中,易知Β(t)具有以下几个特性:第一,Β(t)Ε0Λ第二,当Γ>0,Β(t)将以递增的速率下降;当Γ< 0,Β(t)将以递增的速率增加;当Γ=0时,Β(t)将维持不变Λ在式(5)中,Χ也是为待估计的参数Λ显然,Χ=0]Ρ2u→0,进一步可推理得到误差项Εit=v itΛ在统计检验中,如果Χ=0这一原假设被接受,即说明我国所有省份的生产点都位于生产前沿曲线上;此时,我们则无须使用SFA技术来分析这一面板数据,直接运用OL S方法即可Λ在对上述模型中的参数估计上,B attese&Coelli(1992)建议使用最大似然法;其中,关键步骤是对Χ=0这一原假设使用似然比检验[11]Λ3　数据本文选择了北京、天津、河北、山西、内蒙古、辽宁、吉林、黑龙江、上海、江苏、浙江、安徽、福建、江西、山东、河南、湖北、湖南、广东、广西、海南、四川、贵州、云南、陕西、甘肃、宁夏、青海、新疆共29个省、自治区以及直辖市作为样本Λ在时期跨度上,我们截取了1981-2000年间的有关数据,并将其平均分为四段时间(即1981-1985年为第1期,1986-1990年为第2期,1991-1995年为第3期,1996-2000年为第4期)Λ通过求算术平均值的方法,每个省市可在GD P、年均从业人员、年均资本存量这三个方面分别提供四个观测值Λ有关的基础数据均来自于《中国国内生产总值核算历史资料:1952-1995》、《新中国五十年统计资料汇编》、《中国统计年鉴》(2000-2001)Λ具体如下:①y为各省市的GD PΛ在本文研究中,我们将各省市历年的GD P全部按照1990年的价格基准进行了折算Λ②L为各省市的年均从业人员Λ本年年均从业人员=(上年年末数+本年年末数)÷2Λ③K为各省市的年均资本存量Λ由于我国现行统计资料中只有历年资本形成总额的数据,而并没有资本存量的数据Λ因此,本文在《中国国内生产总值核算历史资料:1952-1995》、《新中国五十年统计资料汇编》、《中国统计年鉴》(2000-2001)给出的各省市历年资本形成总额这些数据的基础上,运用何枫等人(2003)提出的方法,对我国这29个省市的年均资本存量进行估计Λ各省市历年的年均资本存量也都按照1990年的价格基准进行了折算[12]Λ4　分析结果与讨论根据上述数据,本文运用F ron tier(V ersi on4.1)程序对上述模型进行了估计Λ表1中给出了有关参数及其相关检验的结果;表2给出了我国29个省市的技术效率水平及其描述性统计结果Λ表1　对我国生产函数的估计:跨省随机前沿分析(1981-2000)系　数标准差t统计值Β0-2.52820.2245-11.2594333Β10.33390.04257.8581333Β20.88280.024735.7587333Χ0.84960.049917.0357333u0.33850.06954.873333Γ0.10190.02514.0575333L og likelihood functi on92.7380333L R test of the one2sided erro r121.6454333注:3表示在10%水平下显著;33表示在5%水平下显著;333表示在1%水平下显著ΛL R为似然比检验统计量,此处它符合混合卡方分布(M ixed Ch i2squared D istributi on)Λ表2　我国29省市技术效率水平及其描述性统计(1981-2000年)省份1981-1985年1986-1990年1991-1995年1996-2000年北京0.74470.76620.78620.8047天津0.76320.78340.80210.8194河北0.54350.57650.60810.6381山西0.53420.56760.59960.6300内蒙古0.65100.67860.70460.7288辽宁0.64970.67740.70340.7278吉林0.67640.70250.72680.7496黑龙江0.66360.69050.71650.7392上海0.76740.78730.80570.8227江苏0.56710.59910.62960.6584浙江0.75860.77910.79810.8157安徽0.63930.66750.69420.7191福建0.95120.95580.95990.9637江西0.58260.61380.64350.6716山东0.60140.63170.66040.6875河南0.40100.43810.47450.5100湖北0.63360.66220.68920.7144湖南0.62150.65080.67840.7043广东0.70930.73320.75560.7763广西0.69540.72030.74350.7651海南0.91260.92060.92800.9347四川0.45600.49200.52700.5607贵州0.48470.51990.55390.5865云南0.59730.62790.65680.6841陕西0.48470.51990.55380.5864甘肃0.36210.39950.43670.4731青海0.65040.67800.70400.7283宁夏0.67700.70300.72740.7502新疆0.66070.68770.71310.7368全国平均技术效率0.63590.66310.68900.7134标准差0.13200.12470.11730.1099相对变异度0.20770.18800.17020.1541东部地区平均技术效率0.73190.75330.77340.7921中部地区平均技术效率0.61350.64270.67040.6964西部地区平均技术效率0.54660.57850.60910.6383 注:1)平均技术效率为全国29省份的算术平均值;标准差为全国29省份技术效率的标准差;相对变异度=标准差÷平均技术效率Λ2)东部沿海地区包括北京、天津、河北、上海、江苏、浙江、福建、山东、广东、海南共10省市;中部地区包括山西、内蒙、辽宁、吉林、黑龙江、安徽、江西、河南、湖北、湖南、广西共11个省份;西部地区包括四川、贵州、云南、陕西、甘肃、宁夏、青海、新疆共8个省份Λ我们认为,在20年来我国跨省数据的基础上,运用SFA 技术我国的生产函数并测算平均技术效率,比单纯的时间序列研究或截面研究更加具有说服力Λ从表1和表2的实证分析结果来看,本研究的主要结论是:1)Χ=0.8496,且L R 统计检验在1%的水平下是显著的Λ这说明,式(1)中的误差项有着十分明显的94第5期SFA 模型及其在我国技术效率测算中的应用05系统工程理论与实践2004年5月复合结构;因此,对于这些长达20年间的跨省数据使用SFA技术是必须的Λ2)从劳动力和资本两大要素的产出弹性来看,Β1=0.3339,Β2=0.8828,即年均从业人员增长1%,可促进GD P上升约0.34个百分点;年均资本存量增长1%,可促进GD P增长0.88个百分点Λ通过比较可知,在我国经济总量的增长中,资本投入在目前为止仍然占据着不可替代的主要地位Λ这一结论与目前的主流看法是一致的Λ3)从参数Γ来看,Γ=0.1019>0Λ这说明,时间因素对Β(t)的影响将以递增的速率下降Λ这说明,各省市的u it将随着时间的推移而加速下降Λ4)总体来看,我国平均技术效率呈现出一种稳步上升趋势,从1981-1985年的0.6359上升到1996 -2000年间的0.7134;而且,各省市技术效率的相对变异程度也在缓慢下降,从1981-1985年的0.2077下降到1996-2000年间的0.1541Λ但从具体数字上看,本文认为我国的平均技术效率水平是比较低的Λ这反过来表明,我国在经济增长方面,还有很多潜力可挖Λ5　小结与进一步研究的问题本文在我国1981-2000年间省际数据的基础上,运用基于对数型柯布2道格拉斯生产函数的随机前沿分析(SFA)模型详细研究了我国各省市技术效率的水平及其变迁情况Λ研究结果发现,我国平均技术效率水平呈现出稳步上升的趋势;这表明,我国经济增长的质量正处于不断上升的状态Λ从各省份的技术效率水平来看,东部地区的整体技术效率水平要高出中部地区的15%左右,高出西部地区的33%左右Λ这充分表明了经济发达程度与技术效率水平的正相关关系Λ我们认为,尽管本文给出了我国各省份的技术效率水平及其变迁过程;但是,本研究并没有就导致各省市技术效率水平差异的内在原因进行深入探讨Λ因此,我们将在本文研究的基础上,致力于研究那些影响我国各省市技术效率水平的重要因素及其力度Λ参考文献:[1]　FarrellM J.T he m easurem ent of p roducti on efficiency[J].Journal of Royal Statistical Society,Series A,General,1957,120(3):253-281.[2]　A friat S N.Efficiency esti m ati on of p roducti on functi ons[J].Internati onal Econom ic R eview,1972,13(3):568-598.[3]　刘小玄,郑京海.国有企业效率的决定因素:1985-1994[J].经济研究,1998,(1):37-46.[4]　姚洋.非国有经济成份对我国工业企业技术效率的影响[J].经济研究,1998,(12):29-35.[5]　孔祥,Robert E M ark s,万广华.国有企业全要素生产率变化及其决定因素[J].经济研究,1999,(7):40-48.[6]　刘小玄.中国工业企业的所有制结构对效率差异的影响——1995年全国工业企业普查数据的实证分析[J].经济研究,2000,(2):17-25.[7]　Subal C Kum bhakar&Knox L ovell C A.Stochastic F rontier A nalysis[M].Cam bridge U niversity P ress,2000:5-15.[8]　M eeusen W,&J van den B roeck.Efficiency esti m ati on from cobb2douglas p roducti on functi ons w ith compo sed erro r[J].Internati onal Econom ic R eview,1977,18(2):435-444.[9]　A igner D J,L ovell C A K,Schm idt.Fo r m ulati on and esti m ati on of stochastic frontier p roducti on functi ons models[J].Journal of Econom etrics,1977,6(1):21-37.[10]　Battese G E,Co rra G S.E sti m ati on of a p roducti on frontier model:w ith app licati on to the pasto ral zone of easternaustralia[J].A ustralian Journal of A gricultural Econom ics,1977,21(3):169-179.[11]　Battese G E,Coelli T J.F rontier p roducti on functi ons,technical efficiency and panel data:w ith app licati on to pad2dy far m ers in India[J].Journal of P roductivity A nalysis,1992,3(1 2):153-169.[12]　何枫,陈荣,何林.我国资本存量的测量及其相关分析[J].经济学家,2003(5):29-35.。

基于SFA模型的我国区域技术创新效率的实证研究一、本文概述本文旨在利用随机前沿分析（Stochastic Frontier Analysis，简称SFA）模型，对我国区域技术创新效率进行深入的实证研究。

技术创新是推动社会进步和经济发展的核心动力，而区域技术创新效率的高低直接影响着我国各地区的经济增长质量和速度。

因此，全面、准确地评估我国区域技术创新效率，对于优化创新资源配置、提升创新体系效能具有重要的理论和现实意义。

本文将简要介绍SFA模型的基本原理及其在技术创新效率研究中的应用。

随后，通过对我国各区域技术创新活动的数据收集与整理，运用SFA模型对区域技术创新效率进行量化分析。

研究将涵盖技术创新投入、产出以及环境因素等多个方面，以全面反映我国各区域技术创新效率的实际状况。

在实证研究中，本文将重点关注以下几个方面：一是我国各区域技术创新效率的总体水平及差异；二是影响区域技术创新效率的关键因素；三是如何优化创新资源配置，提升区域技术创新效率。

通过对这些问题的深入探讨，本文旨在为我国区域技术创新政策的制定和实施提供科学依据。

本文将对实证研究结果进行总结，并提出相应的政策建议。

通过提高区域技术创新效率，促进我国经济的持续、健康、快速发展，为实现创新型国家的战略目标贡献力量。

二、理论框架与模型构建技术创新效率是衡量一个区域技术创新能力和资源利用效果的重要指标。

在当前全球化和知识经济的背景下，技术创新已成为推动区域经济发展的核心动力。

基于随机前沿分析（SFA）模型，本研究旨在深入探究我国各区域技术创新效率的差异及其影响因素，为政策制定者提供决策参考。

SFA模型起源于经济学中的生产前沿理论，它假设每个生产单位都存在一个潜在的最大产出，而实际产出则受到各种非效率因素的影响，如技术无效、管理不善等。

通过估计生产单位的随机误差项和技术无效项，SFA模型能够准确地量化技术效率，并进一步分析影响技术效率的因素。

本研究采用SFA模型对我国各区域的技术创新效率进行实证研究。

基于随机前沿法的中国商业银行成本效率分析的开题报告一、选题背景商业银行是金融行业中最主要的机构之一，对于国家经济的发展起到了至关重要的作用。

在全球化和市场化的背景下，中国的商业银行也逐渐融入全球化的经济体系，竞争也愈加激烈。

因此，研究银行的成本效率问题，为商业银行的经营管理和发展提供指导，对于促进经济可持续发展和金融稳定具有重要的实际意义。

二、研究目的和意义本研究旨在通过随机前沿法（Stochastic Frontier Analysis，SFA）分析中国商业银行的成本效率，确定银行经营成本的核心问题，提升银行的成本效率，以此改善银行的服务质量和盈利能力，从而全面提高银行的运营效率。

三、研究方法本文将采用SFA方法来估算中国商业银行的成本效率，该方法适合实现由外部环境和内部管理影响的银行生产效率评价。

SFA方法将银行的成本效率问题分解为两个部分：第一个部分是由特定的银行经营管理活动所导致的效率损失，即技术效率；第二个部分是随机因素所导致的效率损失，即随机误差项。

该方法将是使用Eviews 9.5进行模拟分析并获得结果。

四、预期研究结果通过本研究，预计可以获得以下结果：1）分析商业银行成本的核心问题，把握商业银行的经营模式，制定更加精准的经营策略，提高客户满意度和忠诚度；2）对商业银行成本效率指标进行比较评估，找出评估指标低的银行，制定计划提高银行的运营效率；3）通过随机前沿法拟合银行成本效率的实际情况，为银行业管理和监管部门提供决策支持，提升银行的控制和规范水平。

综上所述，本研究将从中国商业银行的成本效率入手，透视银行的经营现状和问题，为中国商业银行的可持续发展提供依据，发掘银行的问题，制定相应的解决方案。

基于SFA法的商业银行成本效率研究的开题报告一、研究背景和研究意义随着经济全球化趋势的日益加强，商业银行市场竞争越来越激烈，商业银行如何提高成本效率，降低经营风险，提高盈利能力，已变成一个亟需解决的问题。

成本效率是判断商业银行经营管理有效性的重要指标，影响着商业银行的盈利水平及其市场竞争力。

研究商业银行的成本效率，可以有效地帮助商业银行管理者提高其经营管理能力，提高其核心竞争力，并促进商业银行业务的可持续发展。

SFA（Stochastic Frontier Analysis）是一种基于随机前沿分析方法的效率评价模型，可实现对商业银行成本效率的测算和分析。

商业银行成本效率研究基于SFA法，可以全面测算和分析商业银行的各项业务成本，并对银行业务各项成本进行优化调整，提高商业银行的核心竞争力，帮助商业银行提高运营效率，同事可以为政府监管部门对商业银行进行监管提供科学依据。

二、研究目的和内容1. 研究商业银行成本效率的理论基础、评价体系；2. 运用SFA法，建立商业银行成本效率评价模型，测算和分析商业银行各项业务成本；3. 对商业银行各项成本进行优化调整；4. 运用该模型对商业银行成本效率进行评价和对比分析；5. 提出借鉴性和可操作性的成本优化方案，为提高商业银行成本效率提供指导和参考。

三、研究方法和技术路线1. 研究方法：（1）文献研究法：系统梳理商业银行成本效率研究综述和前沿文献，总结现有成本效率理论模型，分析成本管理方法与成本控制的关系。

（2）SFA法：基于SFA方法建立银行成本效率评价模型，利用该模型测算和分析商业银行各项业务成本。

（3）数据分析法：运用SPSS软件对银行数据进行分析，包括数据清洗、指标筛选、数据描述、相关性分析、回归分析等。

2. 技术路线：数据采集：收集商业银行相关数据，包括银行内部数据和外部数据。

数据预处理：对采集到的数据进行清洗和预处理，包括数据去重、缺失值处理等。

模型建立：根据收集到的数据，建立商业银行成本效率评价模型，并进行模型验证。

第２０卷㊀第２期２０１８年３月㊀科㊀技㊀与㊀管㊀理Ｓｃｉｅｎｃｅ￣ＴｅｃｈｎｏｌｏｇｙａｎｄＭａｎａｇｅｍｅｎｔ㊀Ｖｏｌ ２０Ｎｏ ２Ｍａｒ.ꎬ２０１８㊀㊀㊀㊀㊀㊀㊀㊀文章编号:１００８－７１３３(２０１８)０２－００１４－０５基于ＰＰ￣ＳＦＡ的高校创新效率及影响因素研究余芝霖(成都理工大学商学院ꎬ四川㊀成都㊀６１００５９)摘㊀要:运用投影寻踪(ＰＰ)和随机前沿函数模型(ＳＦＡ)对我国２００８ ２０１５年２７个省市高校的创新效率进行测度ꎬ并且对其影响因素进行分析ꎮ研究结果表明:我国高校的创新效率均值为０.５０９ꎬ整体处于中等水平ꎻ且不同地区的高校创新效率差异较大ꎬ发展不均衡ꎮ在分析高校创新效率的影响因素中发现政府对高校创新活动的支持㊁科技人员结构㊁国际科技交流研究活动人数对高校创新效率有正向的促进作用ꎬ而高校项目数对高校创新效率存在负向作用ꎮ关㊀键㊀词:高校创新效率ꎻ投影寻踪模型ꎻ随机前沿函数模型ＤＯＩ:１０.１６３１５/ｊ.ｓｔｍ.２０１８.０２.００４中图分类号:Ｆ０００ ０文献标志码:ＡＳｔｕｄｙｏｎｉｎｎｏｖａｔｉｏｎｅｆｆｉｃｉｅｎｃｙａｎｄｉｎｆｌｕｅｎｃｉｎｇｆａｃｔｏｒｓｏｆｕｎｉｖｅｒｓｉｔｉｅｓｂａｓｅｄｏｎＰＰ￣ＳＦＡＹＵＺｈｉ￣ｌｉｎ(ＢｕｓｉｎｅｓｓＳｃｈｏｏｌꎬＣｈｅｎｇｄｕＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙꎬＣｈｅｎｇｄｕ６１００５９ꎬＣｈｉｎａ)Ａｂｓｔｒａｃｔ:Ｔｈｉｓｐａｐｅｒｕｓｅｓｐｒｏｊｅｃｔｉｏｎｐｕｒｓｕｉｔａｎｄｓｔｏｃｈａｓｔｉｃｆｒｏｎｔｉｅｒｆｕｎｃｔｉｏｎｍｏｄｅｌｔｏｍｅａｓｕｒｅｔｈｅｉｎｎｏｖａｔｉｏｎｅｆｆｉ￣ｃｉｅｎｃｙｏｆｕｎｉｖｅｒｓｉｔｉｅｓｉｎ２７ｐｒｏｖｉｎｃｅｓａｎｄｃｉｔｉｅｓｉｎＣｈｉｎａｆｒｏｍ２００８ｔｏ２０１５ꎬａｎｄａｎａｌｙｚｅｓｉｔｓｉｎｆｌｕｅｎｃｉｎｇｆａｃｔｏｒｓ.Ｔｈｅｒｅｓｕｌｔｓｓｈｏｗｔｈａｔ:ｔｈｅａｖｅｒａｇｅｉｎｎｏｖａｔｉｏｎｅｆｆｉｃｉｅｎｃｙｏｆＣｈｉｎｅｓｅｕｎｉｖｅｒｓｉｔｉｅｓｉｓ０.５０９ꎬｗｈｉｃｈｉｓａｔａｍｅｄｉｕｍｌｅｖ￣ｅｌａｓａｗｈｏｌｅꎻａｎｄｔｈｅｉｎｎｏｖａｔｉｏｎｅｆｆｉｃｉｅｎｃｙｏｆｕｎｉｖｅｒｓｉｔｉｅｓｉｎｄｉｆｆｅｒｅｎｔｒｅｇｉｏｎｓｉｓｑｕｉｔｅｄｉｆｆｅｒｅｎｔａｎｄｔｈｅｉｒｄｅｖｅｌｏｐ￣ｍｅｎｔｉｓｕｎｅｖｅｎ.Ｉｎｔｈｅａｎａｌｙｓｉｓｏｆｔｈｅｉｎｆｌｕｅｎｃｉｎｇｆａｃｔｏｒｓｏｆｔｈｅｉｎｎｏｖａｔｉｏｎｅｆｆｉｃｉｅｎｃｙｉｎｕｎｉｖｅｒｓｉｔｉｅｓꎬｉｔｉｓｆｏｕｎｄｔｈａｔｔｈｅｇｏｖｅｒｎｍｅｎｔｓｕｐｐｏｒｔｆｏｒｉｎｎｏｖａｔｉｏｎａｃｔｉｖｉｔｉｅｓｉｎｕｎｉｖｅｒｓｉｔｉｅｓꎬｔｈｅｓｔｒｕｃｔｕｒｅｏｆｓｃｉｅｎｃｅａｎｄｔｅｃｈｎｏｌｏｇｙｐｅｒｓｏｎｎｅｌꎬｔｈｅｎｕｍｂｅｒｏｆｉｎｔｅｒｎａｔｉｏｎａｌｓｃｉｅｎｃｅａｎｄｔｅｃｈｎｏｌｏｇｙｅｘｃｈａｎｇｅｒｅｓｅａｒｃｈａｃｔｉｖｉｔｉｅｓｈａｖｅａｐｏｓｉｔｉｖｅｅｆｆｅｃｔｏｎｔｈｅｉｎｎｏｖａ￣ｔｉｏｎｅｆｆｉｃｉｅｎｃｙｏｆｕｎｉｖｅｒｓｉｔｉｅｓꎬｗｈｉｌｅｔｈｅｎｕｍｂｅｒｏｆｕｎｉｖｅｒｓｉｔｙｐｒｏｇｒａｍｓｈａｓａｎｅｇａｔｉｖｅｅｆｆｅｃｔｏｎｔｈｅｉｎｎｏｖａｔｉｏｎｅｆｆｉ￣ｃｉｅｎｃｙｏｆｕｎｉｖｅｒｓｉｔｉｅｓ.Ｋｅｙｗｏｒｄｓ:ｕｎｉｖｅｒｓｉｔｙｉｎｎｏｖａｔｉｏｎｅｆｆｉｃｉｅｎｃｙꎻｐｒｏｊｅｃｔｉｏｎｐｕｒｓｕｉｔｍｏｄｅｌꎻｓｔｏｃｈａｓｔｉｃｆｒｏｎｔｉｅｒｆｕｎｃｔｉｏｎｍｏｄｅｌ收稿日期:２０１８－０１－０２作者简介:余芝霖(１９９４ )ꎬ女ꎬ硕士研究生.㊀㊀党的十九大报告提出ꎬ创新是引领发展的第一动力ꎬ是建设现代化经济体系的战略支撑ꎮ而高校是中国实施自主创新战略的重要力量ꎬ国务院印发的«统筹推进世界一流大学和一流学科建设总体方案»以此来提升高校的创新能力㊁支撑创新驱动发展战略ꎮ随着国家创新战略的实施ꎬ高校的创新投入不断增大ꎬ如何解决高校创新效率较低和合理利用资源等问题显得尤为重要ꎮ深入对高校创新效率的研究ꎬ可为高校创新政策的建设和完善提供理论参考ꎬ对投入高校创新资源配置的优化及效益最大化的实现具有一定意义ꎮ目前高校创新效率测度的研究中ꎬ非参数法和参数法２种效率测度方法的应用是最为广泛ꎮ非参数方法以数据包络分析(ＤＥＡ)为代表ꎬ该方法不需要预先建立变量之间的函数关系ꎬ而且在处理多产出的效率上具有优势ꎮＪｏｈｎｅｓ等[１]㊁Ａｇａｓｉｓｔｉ等[２]㊁周静等[３]和宋维玮等[４]运用ＤＥＡ方法测算高校的创新效率ꎮ但ＤＥＡ方法存在缺点ꎬ该方法没有考虑随机误差对效率的干扰ꎬ不能对结果进行统计检验ꎬ且不能对定量分析创新效率的影响因素ꎮ参数法以随机前沿(ＳＦＡ)为代表ꎬＳＦＡ建立随机前沿模型ꎬ考虑随机误差对效率的影响ꎬ能对模型本身进行检验ꎬ且能定量分析影响因素对效率的影响ꎮ国内学者大多利用ＳＦＡ测算单产出高校创新效率问题ꎬ如苏涛永等[５]㊁原长弘等[６]㊁于志军等[７]学者ꎮ但创新活动中产出不止一个ꎬＳＦＡ不能像ＤＥＡ测算多产出的创新活动效率ꎬ而现有的高校效率的研究中ꎬ少有学者将高校的多产出进行综合考虑ꎬ这正是本文改进的地方ꎮ基于上述ꎬ参照陈文峰[８]㊁张目等[９]利用投影寻踪模型处理数据降维来评价河南城市化水平和企业信用问题ꎬ本文先将多维的产出数据通过投影寻踪模型进行降维转化为一维数据再与随机前沿分析相结合来测度我国高校创新效率和分析其影响因素ꎮ１㊀模型和方法１.１㊀投影寻踪模型通过投影寻踪模型(ＰＰ)将多维数据转化为一维数据ꎬ利用加速遗传法寻求最佳投影方向和产出综合水平ꎬ具体步骤如下[１０]:１)计算高校创新产出的投影值ꎮＰＰ的方法就是把经过极值归一化处理后的多维产出数据ｘ(ｉꎬｊ)ｔ综合成以ａ(ｊ)ｔ为投影方向的一维投影值ｚ(ｉ)ｔ:ｚ(ｉ)ｔ＝ðｐｊ＝１ａ(ｊ)ｔａ(ｉꎬｊ)ｔꎮ(１)２)构造投影指数函数Ｑ(ａ)ꎮＱ(ａ)＝Ｓｚ Ｄｚꎮ(２)其中:Ｓｚ为投影值ｚ(ｉ)的标准差ꎬＤｚ为投影值ｚ(ｉ)的局部密度ꎮＳｚ＝２ðｐｊ＝１ｚ(ｉ)－Ｅ(ｚ)()２ｎ－１ꎬ(３)㊀Ｄｚ＝ðｎｉ＝１ðｎｊ＝１(Ｒ－ｒ(ｉꎬｊ)) ｕ(Ｒ－ｒ(ｉꎬｊ))ꎮ(４)其中:Ｅ(ｚ)为ｚ(ｉ)的平均值ꎻＲ为局部密度的窗口半径ꎬｒ(ｉꎬｊ)表示样本之间的距离ꎻｕ(ｔ)为一单位阶跃函数ꎬ当ｔȡ０时ꎬ其值为１ꎬ当ｔ<０时ꎬ其值为０ꎮ３)优化投影指标函数ꎮ当样本集给定时ꎬ投影指标函数Ｑ(ａ)只随着投影方向的变化而变化[１１]ꎮ这是一个以ａ(ｊ)ｔ为优化变量的复杂非线性优化问题ꎬ用传统的优化方法处理较难[１２－１３]ꎻ因此ꎬ本文利用基于实数编码的加速遗传算法(ＲＡＧＡ)[１４]通过选择㊁变异㊁杂交３个算子寻求目标函数最大值和最佳投影方向ａｉ∗ꎬ即:ＭａｘＱ(ａ)＝Ｓｚ Ｄｚꎮ(５)ｓ.ｔ.ð４ｊ＝１ａ(ｊ)２ｔ＝１ꎮ(６)４)计算产出指数ꎮ把由步骤３中算出的４个产出变量的最佳投影方向ａｉ∗代入式(１)算出我国２７个省市在２００８ ２０１５年高校创新产出的投影值ｚ(ｉ)ｔꎮ１.２㊀随机前沿分析模型采用随机前沿分析模型先预先确定投入－产出的函数ꎬ该方法不仅可以测算每个个体的技术效率值ꎬ还可以消除随机误差的影响ꎬ且能定量分析各种因素对创新效率的影响ꎮ本文基于Ｂａｔｔｅｓｅ和Ｃｏｅｌｌｉ模型的基本原理ꎬ建立对数型柯布－道格拉斯生产函数模型ꎬ其表达式为ｌｎｙｉｔ＝β０＋β１＋ｌｎｌｉｔ＋β２ｌｎｋｉｔ＋ｖｉｔ－ｕｉｔꎮ(７)其中:ｖｉｔɪ(０ꎬσ２ｖ)ꎬｕｉｔɪ(ｍｉｔꎬσ２ｕ)ꎬｙｉｔ表示运用投影寻踪模型计算出的第ｉ个地区第ｔ年创新综合产出ꎻｌｉｔ表示Ｒ＆Ｄ全时人员当量ꎻｋｉｔ表示Ｒ＆Ｄ资本存量ꎮｍｉｔ＝δ０＋δ１Ｑｕａｉｔ＋δ２Ｐｒｏｉｔ＋δ３Ｃｏｒｉｔ＋δ３Ｃｏｒｉｔꎮ(８)上式是技术非效率的函数表达式ꎬ其中:Ｑｕａ㊁Ｐｒｏ㊁Ｃｒｏ和Ｇｏｖ是影响因素ꎬδ>０ꎬ说明影因素对技术效率有负向影响ꎬ反之ꎬ存在正向影响ꎮＹ＝σ２ｕ/(σ２ｕ＋σ２ｖ)ꎮ(９)其中:γ反映创新效率的变异是否具有统计显著性ꎬ其取值范围是[０ꎬ１]ꎬ当γ越趋于０时ꎬ技术无效率现象越不明显ꎬ此时用最小二乘法就可以分析ꎻ当γ越趋于１时ꎬ说明技术无效率是导致实际产出和前沿面偏差的主要原因ꎬ此时运用随机前沿分析模型来进一步分析创新效率的影响因素是合适的ꎮ２㊀实证分析２.１㊀变量和数据的选取在测算高校创新效率时ꎬ选取的变量包括投入:本文将Ｒ＆Ｄ全时人员和Ｒ＆Ｄ资本存量为投入指标ꎮＲ＆Ｄ经费支出是流量指标ꎬ考虑资金的时滞性ꎬ参照吴延兵[１５]和朱平芳等[１６]的研究ꎬ采用永续盘存法对其进行核算得出Ｒ＆Ｄ资本存量指标ꎻ产出:高校创新活动的产出分为学术价值产出和经济价值产出ꎮ本文将论文发表数㊁科技著作出版数㊁专利申请数和技术转让合同金额作为投入指标ꎻ影响因素:本文选取科技人员结构(Ｑｕａ)㊁项目数(Ｐｒｏ)㊁高校科技活动交流(Ｃｏｒ)和政府对高校创新活动支持(Ｇｏｖ)４个指标进行分析ꎮ本文数据来源于«高等学校科技统计汇编»和«中国统计年鉴»ꎬ选取我５１第２期余芝霖:基于ＰＰ￣ＳＦＡ的高校创新效率及影响因素研究国２００８ ２０１５年的省市面板数据ꎬ由于数据不完整和多项指标为０ꎬ剔除西藏㊁青海㊁宁夏㊁海南４个地区数据ꎬ总共有２７个省市数据ꎮ本文按传统划分方法将２７个省市划为东㊁中㊁西３大地区ꎮ在分析高校科技创新活动效率之前ꎬ为了消除各个指标值的量纲和统一各指标值的变化范围ꎬ本文先对２００８２０１５年的原始数据分别用收益性和成本型的无量纲化公式进行极值归一化处理ꎮ２.２㊀运用投影寻踪模型对高校创新产出综合水平的测算结果㊀㊀基于投影寻踪模型的原理ꎬ利用ＭａｔｌａｂＲ２０１５ｂ软件测算我国２００８ ２０１５年不同地区的高校创新活动产出的综合水平ꎬ得到知识价值产出和经济价值产出的最佳投影方向ꎬ如表１所示ꎮ表１㊀高校创新活动产出的最佳投影方向㊀㊀产出年份２００８２００９２０１０２０１１２０１２２０１３２０１４２０１５科技著作０.４８７９０.４７３５０.５５５９０.３９２４０.６０７５０.６４４１０.４９７４０.６３６２学术论文０.６５１６０.６６２９０.６５５４０.５７４７０.６１８４０.３７８６０.４８７５０.３１４１专利申请数０.５６０８０.３７２８０.４５３１０.５６６６０.２１９７０.３３３１０.４５８５０.５１７１技术合同金额０.１５１１０.４４４２０.２３７００.４４１３０.４４７５０.５７５２０.５５２００.４７８９㊀㊀表１是高校创新活动４个产出变量各年的最佳投影方向ꎬ将表１的结果代入式(１)中计算２００８ ２０１５年不同地区高校创新产出的投影值ꎬ即高校科技创新活动综合产出水平ꎬ如表２所示ꎮ表２㊀２００８ ２０１５年不同地区高校创新产出的投影值地区年份２００８２００９２０１０２０１１２０１２２０１３２０１４２０１５北京１.８３６７１.９５３６１.７３４８１.８５６９１.７６３６１.７６４４１.６９９５１.４９２８天津０.４４３１０.３５３９０.３１６６０.３４１２０.２６０８０.２１７１０.２４４００.２２７９河北０.４０７８０.３６４７０.３３９１０.３１５５０.３７６５０.２８１４０.３４６７０.３３８６山西０.２０３００.１６５２０.１７９８０.１４０７０.１９０２０.１５０３０.１１０２０.１５００内蒙古０.０５８８０.０７４６０.０６０９０.０１８３０.０８９５０.０５２７０.０５１１０.０９０７辽宁０.８４８００.７８４８０.８８４６０.８０６４０.９８７００.８６５３０.６７６６０.６９１１吉林０.３３６４０.３６３６０.２９４２０.２７２８０.３１３８０.３１４２０.２７４８０.２３５３黑龙江０.６３３３０.６４９５０.５５７４０.５２９８０.６７８９０.６２７５０.５７０２０.５４４５上海１.３２８１１.２８５８１.１０７６１.０８７６１.０３７６０.８７９５０.８１３４０.７１９０江苏１.５２６６１.５５７０１.６３５４１.５４１６１.４９９３１.５４８９１.７８４０１.７６８９浙江０.９８４００.８１２３０.８１１５０.７６０１０.５４３９０.５８０９０.５９４９０.５２７９安徽０.４２７００.４９４００.４９７００.５１９８０.５３７４０.６８６００.６５２１０.７０９７福建０.１６５７０.１６３２０.２０９８０.１１７４０.１１７７０.１８４００.２０５００.２４０１江西０.２６５９０.２６０６０.２０３４０.１７９７０.１６５１０.１２６００.１３８２０.１４１５山东０.７６３７０.７８５８０.７１８７０.６２４４０.５７６４０.４７７７０.５３３２０.７２７７河南０.８４９６０.７６０９０.８５７７０.５３９７０.７５８８０.６５０００.５５７９０.５７７５湖北１.０８７９１.００３９０.９３５９０.８４８９０.９６１３０.８２１１０.７７９７０.７７２３湖南０.５４６００.５０４００.５８９９０.５２２４０.６７６４０.６９５００.５２４２０.５５６４广东０.９１９１０.８４１７０.７９６００.７６４７０.７０５４０.６７４３０.６２５６０.６３２１广西０.１４１５０.１８３５０.１９０８０.１３４６０.１２８４０.１３６００.１５９３０.１６６８重庆０.３１３１０.２７５９０.３３２５０.３６０００.３３５００.３８５７０.２８２３０.２４８９四川０.７７９００.７７４７０.６７４７０.６２４００.７２５５０.５１９８０.５８２９０.６２３４贵州０.００６４０.００４７０.０２０１０.０２９４０.００２００.００５１０.０３１９０.０７４８云南０.１１１８０.１０８６０.１３８５０.１１９００.１３８７０.１４４８０.０８７１０.１２８７陕西０.９４６４０.９２０２０.７７４４０.７７１２０.８２９３０.７１２００.７００３０.６６４６甘肃０.２２４４０.１３４８０.１１３６０.１１１５０.１２６７０.１４０７０.１１３９０.１５６６新疆０.０１８００.０４９１０.００３３０.００４２０.０３７８０.００１００.００１７０.０１１２６１㊀科㊀技㊀与㊀管㊀理㊀㊀㊀㊀㊀㊀㊀㊀㊀第２０卷㊀２.３㊀运用随机前沿分析模型测度不同地区高校科技创新效率及分析其影响因素㊀㊀将表２中２００８ ２０１５年不同地区高校创新产出的投影值代入随机前沿分析模型中ꎬ利用Ｆｒｏ￣ｎｉｔｅｒ４.１软件测度和分析我国２７个省市自治区在２００８ ２０１５年高校创新活动的效率及影响因素ꎬ其结果如表３所示ꎮ表３㊀随机前沿函数和效率函数估计的结果函数分类㊀变量估计系数Ｔ检验值㊀㊀㊀函数分类㊀㊀变量估计系数Ｔ检验值㊀㊀㊀生产函数部分β０－０.２１８－４.９２４㊀∗∗∗效率函数部分δ０－５.８２３－１２.２０４㊀∗∗∗ｌｎｌｉｔ(β１)－０.４３７－５.６８２㊀∗∗∗Ｇｏｖ(δ１)－１.９９２－４.３９３㊀∗∗∗ｌｎｋｉｔ(β２)０.３３６４.５２３㊀∗∗∗Ｑｕａ(δ２)－１.３９２－２.６４２㊀∗∗∗Ｃｏｒ(δ３)－０.２０６－０.１９６其他信息σ２０.８２４７.０６３㊀∗∗∗Ｐｒｏ(δ４)１０.１７０９.１４８㊀∗∗∗γ０.９５７１４９.８７９㊀∗∗∗对数似然函数值－１３９.９０２单位ＬＲ检验３８１.２４７效率均值０.５０９㊀㊀注:∗∗∗表示在１％的水平下显著ꎮ㊀㊀１)模型的估计结果ꎮ由表３中可知ꎬγ＝０ ９５７ꎬ在１％的水平下显著ꎬ这说明采用随机前沿分析方法(ＳＦＡ)比传统方法(ＯＬＳ)进行估计更为合理ꎬ随机前沿方法的误差中有９５.７％是由技术非效率引起的ꎬ且单位ＬＲ通过显著性检验ꎬ所以使用随机前沿方法是合理的ꎮ在生产函数部分中ꎬβ０㊁β１和β２均通过了显著性检验ꎮ其中ꎬＲ＆Ｄ活动全时人员和Ｒ＆Ｄ资本存量的估计系数分别为－０.４３７和０.３３６ꎬ表明这两项指标对高校科技创新中产出效率的影响不同ꎬβ１＋β２<１ꎬ说明高校的创新活动存在规模报酬递减的现象ꎮＲ＆Ｄ全时人员的系数为负值ꎬ这表明单纯增加Ｒ＆Ｄ活动全时人员不能提高高校创新效率ꎬ根据统计汇编资料发现虽然我国高校的Ｒ＆Ｄ活动全时人员较多ꎬ但Ｒ＆Ｄ活动全时人员中高层次水平人员所占比例不高ꎬ所以各高校应该优化人员结构㊁缩减冗余人员来提高效率ꎻＲ＆Ｄ资本存量的估计系数为正值ꎬ说明中国高校的创新活动是经费驱动型的ꎬ主要依靠Ｒ＆Ｄ资本经费的投入来增加高校创新成果ꎮ２)效率估计的结果ꎮ从整体而言ꎬ我国高校创新效率整体平均值为０.５０９.表明我国高校创新效率整体处在中等水平ꎬ还有近５０％提升空间ꎬ所以进一步对高校创新效率的影响因素进行分析探索是有必要的ꎮ２００８ ２０１５年样本期间高校的创新效率整体呈现随时间而下降的趋势ꎬ而根据统计汇编数据来看高校创新投入随时间呈现递增趋势ꎬ这说明我国高校在创新活动中重视资源的投入而对产出的关注不够ꎮ从各个省市来看ꎬ北京㊁辽宁㊁黑龙江㊁上海㊁江苏㊁浙江㊁安徽㊁山东㊁河南㊁湖北㊁湖南㊁广东㊁四川和陕西１４个省市的高校创新效率高于全国平均创新效率值ꎬ占总样本的５１.８５％ꎬ其中东部地区占半数ꎬ而西部地区只有四川和陕西２个省超过全国平均创新效率值ꎮ云南㊁贵州㊁新疆等西部地区的高校创新效率明显低于全国平均创新效率值ꎮ而且省市的高校创新效率相差较大ꎬ高校创新效率的平均值最大是江苏为０.９３８ꎬ最小是新疆为０.２０ꎬ这说明高校效率存在较大的区域差异性ꎬ各省市高校的创新能力发展不平衡ꎬ如图１所示ꎮ图１㊀各省市高校创新效率均值７１第２期余芝霖:基于ＰＰ￣ＳＦＡ的高校创新效率及影响因素研究㊀㊀从３大地区来看ꎬ东部地区的高校创新效率的平均值为０.６７３显著高于全国平均水平ꎬ西部地区高校创新效率的平均值为０.４９４基本接近全国平均水平ꎬ而中部地区高校创新效率的平均值为０.３２１ꎬ与全国平均水平有很大差距ꎬ东部的高校创新效率均值高于中西部ꎬ这表明高校创新效率存在显著的地区差异性ꎬ高校创新效率呈现出 东高西低 的格局与中国的省域经济发展水平相一致ꎬ如表４所示ꎮ表４㊀２００８ ２０１５年东㊁中㊁西部地区高校科技创新效率平均水平地区年份平均值２００８２００９２０１０２０１１２０１２２０１３２０１４２０１５东部０.７２３０.６９８０.７０４０.６７８０.６６５０.６３２０.６４１０.６４１０.６７３中部０.５１６０.５１００.５１１０.４５４０.５２６０.４９９０.４６１０.４７８０.４９４西部０.３３４０.３２５０.３２７０.３１５０.３３８０.３１００.２９９０.３１９０.３２１㊀㊀３)效率的影响因素ꎮ分析表３中效率函数部分的高校创新活动的各影响因素对其创新效率的影响ꎮ政府对高校创新活动的支持(Ｇｏｖ)的回归系数δ１＝－１.９９２<０ꎬ且在１％的水平下显著ꎬ表明政府的支持对高校创新效率有正向影响ꎮ这与前文所说的在样本期间我国高校的创新活动处于经费驱动型相关ꎬ进一步提高政府支持的比例能提升高校创新效率ꎮ科技人员结构(Ｑｕａ)的回归系数δ３＝－１.３９２<０ꎬ且在１％的水平下显著ꎬ这表明Ｒ＆Ｄ人员的素质水平越高ꎬ高校创新效率越强ꎬ可见ꎬ提升Ｒ＆Ｄ人员素质水平可以有效增强高校的创新产出效率ꎮ国际科技交流研究活动人数(Ｃｏｒ)的回归系数δ２＝－０.２０６<０ꎬ但其结果没能通过显著性检验ꎬ这表明国际科技交流对高校创新产出有正向影响ꎬ但影响并不显著ꎮ高校项目数(Ｐｒｏ)的回归系数δ４＝１０.１７０>０的ꎬ且在１％的水平下显著ꎬ这说明Ｒ＆Ｄ项目结构对高校科技创新效率具有抑制作用ꎬ这说明项目在固定的人力和财力的投入情况下ꎬ数量越多会导致单位项目的人力财力投入不足ꎬ进而导致效率降低ꎮ３㊀结论本文以我国２００８ ２０１５年２７个省市自治区的面板数据为样本ꎬ首先运用投影寻踪对产出数据进行降维ꎬ再利用基于对数性柯布－道格拉斯生产函数的随机前沿分析模型来实证测度各地区高校创新效率ꎬ并分析了创新效率存在区域差异性ꎮ同时探讨了政府对高校创新活动的支持ꎬ科技人员结构㊁科技交流研究活动人数和高校项目数这四个因素对高校创新效果的影响ꎮ得到以下主要结论:第一ꎬ在样本期间ꎬ我国的高校科技创新效率平均值为０.５０９ꎬ整体处于中等水平ꎬ还有很大的提升空间ꎬ各省市高校的创新效率存在较大的差异性ꎬ创新能力发展不平衡ꎬ从整体来看东部地区显著高于中西部地区ꎬ基本呈现 东高西低 的格局ꎮ而且从２００８ ２０１５年ꎬ高校科技创新效率呈现下降的趋势ꎬ这说明我国高校在创新活动上出现规模不经济的现象ꎮ第二ꎬ从投入来看ꎬＲ＆Ｄ全时人员的回归系数为负而Ｒ＆Ｄ资本存量的回归系数为正ꎬ这反映２００８ ２０１５年样本期间我国高校的创新效率是经费推动型的ꎮ从弹性系数的绝对值来看ꎬＲ＆Ｄ全时人员的弹性系数的绝对值大于Ｒ＆Ｄ资本的弹性系数的绝度值ꎬ这说明了人员投入对高校创新能力的影响大于资本投入ꎮ所以各高校需要优化Ｒ＆Ｄ人员结构和加强高校科研专业队伍的建设来提高研发人员的质量ꎮ第三ꎬ从影响因素来看ꎬ政府对高校创新活动的支出㊁科技人员结构㊁国际科技交流研究活动人数对高校创新效率有正向的促进作用ꎬ而高校项目数对高校创新效率存在负向作用ꎬ这与项目在固定人力和财力投入的情况下ꎬ数量越多会导致单位项目的人力财力投入不足有一定关系ꎮ所以各高校应该注重项目完成的质量而不是数量的多少ꎮ参考文献:[１]㊀ＪＯＨＮＥＳＧꎬＪＯＨＮＥＳＪ.ＭｅａｓｕｉｎｇｔｈｅｒｅｓａｒｃｈｐｅｒｆｏｒｍａｎｃｅｏｆＵＫｅｃｏｎｏｍｉｃｓｄｅｐａｒｔｍｅｎｔｓ:ａｌｌａｐｐｌｉｃａｔｉｏｎｏｆｄａｔａｅｎｖｅｌｏｐｍｅｎｔａｎａｌｙ￣ｓｉｓ[Ｊ].ＯｘｆｏｒｄＥｃｏｎｏｍｉｃＰａｐｅｒꎬ２００１(１):３３２.[２]㊀ＡＧＡＳＩＳＴＩＴꎬＤＡＬＢＡ.Ｒｅｆｏｒｍｉｎｇｔｈｅｕｎｉｖｅｒｓｉｔｙｓｅｃｔｏｒ:ｅｆｆｅｃｔｓｏｎｔｅａｃｈｉｎｇｅｆｆｉｃｉｅｎｃｙ.ｅｖｉｄｅｎｃｅｆｒｏｍＩｔａｌｙ[Ｊ].ＨｉｇｈｅｒＥｄｕｃａｔｉｏｎꎬ２００９ꎬ５７(４):４４７.[３]㊀周静ꎬ王立杰ꎬ石晓军.我国不同地区高校科技创新的制度效率与规模效率研究[Ｊ].研究与发展管理ꎬ２００５ꎬ１７(１):１０９. [４]㊀宋维玮ꎬ邹蔚.湖北省高校科技创新效率评价研究[Ｊ].科研管理ꎬ２０１６ꎬ３７:２６７.[５]㊀苏涛永ꎬ高琦.基于随机前沿分析的高校创新效率及差异研究[Ｊ].预测ꎬ２０１２ꎬ３１(６):６１.[６]㊀原长弘ꎬ高金燕ꎬ孙会娟.地方政府支持与区域市场需求规模不确定性对高校技术转移效率的影响:来自中国 ２１１工程 大学的证据[Ｊ].研究与发展管理ꎬ２０１３ꎬ２５(３):１０. [７]㊀于志军ꎬ杨昌辉.成果类型视角下高校创新效率及影响因素研究[Ｊ].科研管理ꎬ２０１７ꎬ３８(５):１４１.[８]㊀陈文峰.基于头影寻踪模型的河南城市化化水平综合评价[Ｊ].经济地理ꎬ２０１２ꎬ３２(９):６１.(下转第１０５页)８１㊀科㊀技㊀与㊀管㊀理㊀㊀㊀㊀㊀㊀㊀㊀㊀第２０卷㊀２０１４(１７):４１.[１７]㊀张倩影.绿色建筑全生命周期评价研究[Ｄ].天津:天津理工大学ꎬ２００８:３７.[１８]㊀齐洁.生命周期视角下的城市建成社区养老服务设施配置策略研究[Ｄ].杭州:浙江工业大学ꎬ２０１５:６２.[１９]㊀ＴＺＥＮＧＧＨꎬＣＨＩＡＮＧＣＨꎬＬＩＣＷ.Ｅｖａｌｕａｔｉｎｇｉｎｔｅｒｔｗｉｎｅｄｅｆｆｅｃｔｓｉｎｅ￣ｌｅａｒｎｉｎｇｐｒｏｇｒａｍｓ:ａｎｏｖｅｌｈｙｂｒｉｄＭＣＤＭｍｏｄｅｌｂａｓｅｄｏｎｆａｃｔｏｒａｎａｌｙｓｉｓａｎｄＤＥＭＡＴＥＬ[Ｊ].ＥｘｐｅｒｔＳｙｓｔｅｍｓｗｉｔｈＡｐｐｌｉｃａｔｉｏｎｓꎬ２００７ꎬ３２(４):１０２８.[２０]㊀李晓英ꎬ朱庆华.基于混合模糊ＤＥＭＡＴＥＬ与ＡＮＰ的绿色供应商评价研究[Ｊ].科技与管理ꎬ２０１５ꎬ５(１７):４３.[２１]㊀ＫＵＳＩ￣ＳＡＲＰＯＮＧＳꎬＳＡＲＫＩＳＪꎬＷＡＮＧＸ.ＡｓｓｅｓｓｉｎｇｇｒｅｅｎｓｕｐｐｌｙｃｈａｉｎｐｒａｃｔｉｃｅｓｉｎｔｈｅＧｈａｎａｉａｎｍｉｎｉｎｇｉｎｄｕｓｔｒｙ:ａｆｒａｍｅｗｏｒｋａｎｄｅｖａｌｕａｔｉｏｎ[Ｊ].ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＰｒｏｄｕｃｔｉｏｎＥｃｏｎｏｍｉｃｓꎬ２０１６ꎬ１８１ꎬ３２５.[２２]㊀ＸＩＡＸꎬＧＯＶＩＮＤＡＮＫꎬＺＨＵꎬＱ.ＡｎａｌｙｚｉｎｇｉｎｔｅｒｎａｌｂａｒｒｉｅｒｓｆｏｒａｕｔｏｍｏｔｉｖｅｐａｒｔｓｒｅｍａｎｕｆａｃｔｕｒｅｒｓｉｎＣｈｉｎａｕｓｉｎｇｇｒｅｙ￣ＤＥＭＡＴＥＬａｐｐｒｏａｃｈ[Ｊ].ＪｏｕｒｎａｌｏｆＣｌｅａｎｅｒＰｒｏｄｕｃｔｉｏｎꎬ２０１５ꎬ８７(１):８１１.[编辑:费㊀婷](上接第１８页)[９]㊀张目ꎬ周宗放.基于投影寻踪和最优分割的企业信用评级模型[Ｊ].运筹与管理ꎬ２０１１ꎬ２０(６):２２６.[１０]㊀付强ꎬ赵小勇.投影寻踪模型原理及其应用[Ｍ].北京:科学出版社ꎬ２００６:１.[１１]㊀曹霞ꎬ于娟.绿色低碳视角下中国区域创新效率研究[Ｊ].中国人口 资源与环境ꎬ２０１５ꎬ２５(５):１０.[１２]㊀ＦＲＩＥＤＭＡＮＪＨꎬＴＵＲＫＥＹＪＷ.Ａｐｒｏｊｅｃｔｉｏｎｐｕｒｓｕｉｔａｌｇｏｒｉｔｈｍｆｏｒｅｘｐｌｏｒａｔｏｒｙｄａｔａａｎａｌｙｓｉｓ[Ｊ].ＩＥＥＥＴｒａｎｓ.ｏｎｃｏｍｐｕｔｅｒꎬ１９７４ꎬ２３(９):８８１.[１３]㊀张目ꎬ周宗放.基于投影寻踪和最优分割的企业信用评级模型[Ｊ].运筹与管理ꎬ２０１１ꎬ２０(６):２２６.[１４]㊀金菊良ꎬ杨晓华ꎬ丁晶.基于实数编码的加速遗传算法[Ｊ].四川大学学报(工程科学版)ꎬ２０００ꎬ３２(４):２０.[１５]㊀吴延兵.中国工业Ｒ＆Ｄ产出弹性测算[Ｊ].经济学(季刊)ꎬ２００８ꎬ７(３):８６９.[１６]㊀朱平芳ꎬ徐伟民.政府的科技激励政策对大中型工业企业Ｒ＆Ｄ投入及其专利产出的影响[Ｊ].经济研究ꎬ２００３(６):４５.[编辑:厉艳飞]５０１第２期隋立军等:绿色养老社区建设的影响因素识别与分析。

The Empirical Study on the Cost Efficiency of Chinese Commercial Banks（1999-2010）——Based on SFA Method Application
作者： 徐辉[1];李健[1]
作者机构： [1]北京理工大学管理与经济学院,北京100081
出版物刊名： 北京理工大学学报：社会科学版
页码： 74-83页
年卷期： 2013年 第3期
主题词： 成本效率;随机前沿分析(SFA);商业银行;参数法
摘要：以1999-2010年12年间国内14家商业银行样本数据为基础,基于随机前沿效率分析原理,利用参数估计SFA（Stochastic Frontier Approach）分析法,评估金融改革以来银行成本效率的分布及演化趋势。

研究表明：（1）样本期内银行整体成本效率呈先改善后趋于平稳态势,
近年来无明显波动。

（2）国有商业银行成本效率下降显著,无效率项影响明显;股份制商业银行
成本效率除个别银行外,大多数呈改善趋势;国有与股份制银行之间成本效率差异呈扩大趋势,应予以重视。

（3）未能发现资产规模、权益与银行成本效率之间的显著性相关关系。

（4）国有商业银行成本效率存在明显改善空间,内部治理和运营管理改革有待进一步强化。