在测算方法的选取上,由于数据包络分析(Data Envelopment Analysis,DEA)具有不需要假设函数形式、可以对生产率进行分解等优点,胡鞍钢等[1](2008)、陈诗一[10](2010)、涂正革[11](2008)等均采用DEA方法计算方向性距离函数。然而Tone[12](2001)指出这种方法没有考虑投入松弛变量,导致输入值减少不会增加超效率这一缺陷,即当存在投入过度或产出不足,即存在投入或产出的非零松弛(Slack)时,DEA效率测度会高估评价对象的效率。
为了解决投入要素的松弛问题,Tone[12](2001)提出了一种非径向的DEA模型——基于松弛变量的SBM模型(Slacks-based Measure),该模型直接将松弛变量加入目标函数,其结果不再仅仅是效益比例的最大化,而是实际利润的最大化。这种方法与传统DEA在对决策单元的相对效率进行评价时,其效率值在(0,1)区间分布,有效的决策单元其效率值为1,因此当存在多个有效的决策单元时,无法做出进一步比较。
为了实现效率值为1的有效单元之间的比较,Tone[13](2002)提出超效率SBM模型弥补了这方面的缺陷,超效率SBM模型不仅可以更恰当地处理非期望产出,而且可以在有效的决策单元中进一步做出比较,因而更加准确严谨。
假设每个省域是一个生产决策单元(DMU),每个省域都有m种投入要素(包括“好”投入和“坏”投入)、S1种期望产出和S2种非期望产出,用向量可表示成x∈Rm,yg,以及yb∈。定义矩阵X=[x1,…,x2]∈Rm+n、Yg=。将非期望产出放入超效率SBM模型(Tone,2002)中得到生产可能性集合,即环境技术集合为:(www.daowen.com)
其中λ是权重向量,若其和为1表示生产技术为规模报酬可变的(VRS),否则表示规模报酬不变的(CRS)。
构造非期望产出超效率SBM,可以通过Charnes et al.[14](1978)的方法将非线性规划问题转换成线性规划问题。结合Tone(2002[13],2004[15])提出的方法,考虑非期望产出的超效率SBM模型可写成:
其中,λ是权重向量。目标函数δ*的值一定不小于1,且δ*越大表明该单元越有效率。
免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。