汽车产业效率及影响因素研究

安兆杰

(武汉理工大学 汽车工程学院，湖北 武汉 430070)



汽车产业效率及影响因素研究

安兆杰

(武汉理工大学 汽车工程学院，湖北 武汉 430070)

运用DEA-Tobit模型对2004—2013年我国汽车产业效率及影响因素进行实证研究。结果表明：受规模效率的影响，我国汽车产业综合技术效率在2012年及以前基本处于上升状态，而在2012年后开始下降；现阶段我国汽车产业处于规模收益递减的状态；工程技术人员占职工总数比例、流动资产周转率和产业集中度(CR4)与我国汽车产业效率显著正相关；R&D支出占营业收入百分比对我国汽车产业效率负向影响，但不显著。

DEA-Tobit模型；汽车产业；综合技术效率；影响因素

我国汽车产业持续快速发展，在国民经济中的重要地位日益凸显。目前，汽车产业已经进入支撑和拉动我国经济增长主导产业的行列。根据《中国汽车工业年鉴》的统计数据，近年来我国汽车产业的产销量、主营业收入、利润总额等多项经济指标均处于快速增长的状态。但各项经济指标的增长并不代表效率也在提高。对于消耗大量人力和物力的汽车产业，效率的高低直接影响产业发展的好坏。因此，对我国汽车产业效率及影响因素的研究有重要意义。

目前，关于我国汽车产业效率及影响因素的研究成果并不多见。已有研究中，赵玻等[1]基于道格拉斯生产函数和索洛增长速度方程测定我国汽车产业技术效率；郝海岗[2]运用数据包络模型对全国31个省市的汽车产业效率进行实证研究；赵志坚等[3]运用DEA模型并结合Malquist指数分析对我国汽车产业中的内资、外资企业的生产效率进行实证研究；万伦来等[4]运用数据包络模型对中国汽车行业上市公司2006—2008年的技术效率进行测算；陈娟[5]运用DEA模型对我国汽车产业集群和主要汽车集团进行综合评价；吴献金等[6]运用DEA方法对我国汽车产业全要素生产效率进行了分解测算，并建立半对数面板数据回归模型分析影响因素；张根文等[7]运用DEA-Tobit模型对我国21家新能源汽车上市公司的生产效率及影响因素进行了实证研究。

笔者借鉴已有研究成果，并基于DEA-Tobit模型对2004—2013年我国汽车产业效率及其影响因素进行研究。期望能客观地了解我国汽车产业效率的实际情况，发现其中存在的问题，为提高其效率指明方向。

1 研究方法

DEA模型是一种根据投入和产出的指标来衡量多个决策单元间相对效率的非参数方法。使用DEA模型时不用预知函数形式，即可避免主观因素对求解我国汽车产业效率的影响。DEA模型包括两个基本的模型：CCR模型和BCC模型。CCR模型得出某个决策单元是有效的，表示该决策单元综合技术效率有效。综合技术效率为纯技术效率和规模效率的乘积，因此综合技术效率有效也就是纯技术效率和规模效率同时有效。但当决策单元无效时，无法判断具体是纯技术效率无效还是规模效率无效。BCC模型可以进一步得出决策单元的纯技术效率和规模效率，当BCC模型得出某决策单元为有效时，仅表示该决策单元纯技术效率有效。因此，笔者将CCR模型与BCC模型联合使用，深入、全面地分析我国汽车产业的效率。

当CCR模型得到多个效率值为1的有效决策单元时，这些有效决策单元之间效率的高低无法直接比较。为解决该问题，需要运用DEA超效率模型。该模型可使有效决策单元的效率值大于等于1，而无效决策单元的效率值与CCR模型得出的效率值保持一致，从而得到所有决策单元效率值由高到低的顺序[8-9]。

通过DEA模型得到的汽车产业的效率值，是由选择的投入、产出指标直接决定的。但本质上汽车产业效率并不是由投入资源的数量决定的，而是由产业结构、产业组织等内在和外在的影响因素综合决定的。为了探究哪些因素会对我国汽车产业的效率产生显著影响及影响的方向和程度，需要以DEA超效率模型得出的效率值作为被解释变量，以影响因素作为解释变量做回归分析。由于所得效率值属于截尾数据，因而选择Tobit回归模型进行回归分析。

2 指标选取及数据说明

2.1 DEA模型指标选取及数据说明

笔者研究对象为2004—2013年我国汽车产业的效率，共计10个决策单元。根据DEA模型对于指标选取个数的要求：投入和产出指标个数之和小于等于决策单元个数的1/2，确定选择5个指标，其中3个投入指标，两个产出指标。依据道格拉斯生产函数模型，从劳动力和资本两方面考虑，选取年末从业人数合计、全年能源消耗量、固定资产净值作为投入指标。同时，选取能较好反映我国汽车产业经济效益的汽车工业销售产值、汽车工业增加值作为产出指标。各指标的数据均来自2004—2013年《中国汽车工业年鉴》。

DEA模型要求被选取的投入和产出指标具有“同向性”，即投入增加时产出不能减少。因此需对投入和产出指标进行Pearson相关性检验。使用SPSS软件对投入-产出指标进行相关性检验，其结果如表1所示。

表1 投入-产出指标Pearson相关性检验结果

注：**表示在0.01水平(双侧)上显著相关

由表1可知，决策单元的投入-产出指标之间存在显著的正相关性，因此笔者选取的投入-产出指标符合DEA模型的“同向性”要求。

2.2 Tobit回归模型指标选取及数据说明

Tobit回归模型中，选取由DEA超效率模型计算出的2004—2013年我国汽车产业效率为被解释变量，选取工程技术人员占职工总数比例、R&D支出占营业收入百分比、流动资产周转率、产业集中度(CR4)4个变量为解释变量[10]。其中，产业集中度是根据工业产值计算得出的。建立的Tobit回归模型如下：

Y=β0+β1X1+β2X2+β3X3+β4X4+ε

(1)

式中：Y为DEA超效率模型得出的汽车产业效率；β0为常数项;β1、β2、β3、β4分别为各解释变量的回归系数;X1、X2、X3、X4分别为工程技术人员占职工总数比例、R&D支出占营业收入百分比、流动资产周转率、产业集中度(CR4)等4个解释变量;ε为残差。

3 实证结果及分析

3.1 DEA模型实证结果及分析

笔者使用DEAP2.1软件求解以投入为导向的CCR模型和BCC模型，得到2004—2013年我国汽车产业的效率，结果如表2所示。

表2 2004—2013年我国汽车产业效率

由CCR模型得出的综合技术效率可以看出，2010、2011和2012年3个决策单元综合技术效率有效。也就是说，2004—2013年，我国汽车产业综合技术效率相对最高的是2010、2011和2012年。2010年以前，汽车产业综合技术效率基本处于持续增长的状态，也就是说在2004—2010年间，我国汽车产业在资源配置、资源使用效率和企业管理等方面的综合能力处于持续提高、进步的状态。2010—2012年间，我国汽车产业在各方面的综合能力达到了相对成熟且稳定的状态，也就使得这3年产业综合技术效率值相对较高，效率值稳定为1。但2013年综合技术效率出现了明显的下降，说明在2013年我国汽车产业出现了比较明显的问题，但具体是哪方面的问题无法由综合技术效率直接判断，需要继续分析由BCC模型得出的纯技术效率和规模效率。

分析表2中各决策单元的纯技术效率值，6个决策单元的纯技术效率有效，有效决策单元数占决策单元总数的60%，而无效决策单元的纯技术效率接近于1，最小值也达到0.929。说明近10年我国汽车产业纯技术效率始终处于相对稳定的状态。

因为综合技术效率等于纯技术效率与规模效率的乘积，而纯技术效率值均等于1或接近1，所以近10年影响我国汽车产业综合技术效率的主要因素是规模效率。由表2可以看出，规模效率值与综合技术效率值的变化趋势是一致的。在2010年以前，规模效率处于持续提高的状态，2010—2012年效率值为1，即达到有效，而在2013年效率值突然下降。由规模收益状况可以看出，在2010年以前，规模收益是递增的，也就是说扩大汽车产业规模可以有效提高汽车产业规模效率及综合技术效率。而到了2013年，规模收益开始递减，即扩大产业规模给规模效率和综合技术效率带来消极影响，这也就是2013年我国汽车产业综合技术效率突然下降的主要原因。

2010—2012年均为综合技术效率有效的决策单元，效率值均为1。为使Tobit回归模型的结果能更加合理、准确，需要对这3年的综合技术效率值做进一步求解，即应用DEA超效率模型对3个有效决策单元进行排序。笔者运用LINDO软件求解DEA超效率模型，求得2010—2012年我国汽车产业的效率值分别为1.024、1.008、1.051。近10年我国汽车产业效率具体的排序和变化过程如图1所示。

图1 2004—2013年我国汽车产业效率

3.2 Tobit模型实证结果及分析

笔者采用Stata12软件对汽车产业效率进行Tobit回归分析，回归分析结果如表3所示。

该回归模型的极大似然比为27.155 634，P值为0.000 0，说明该回归模型总体显著，回归分析方法可行。具体分析如下：

表3 Tobit模型回归分析结果

注：**、*分别表示在0.01、0.05水平上显著

(1)工程技术人员占职工总数比例的系数为9.802 491，在0.01水平上显著，与我国汽车产业效率呈正相关。在其他影响因素不变的情况下，工程技术人员占职工总数比例每提高1%，可使我国汽车产业效率提高9.802 491%。汽车产业是技术密集型产业，研发、制造、采购等环节都对技术和知识有着较强的依赖程度。工程技术人员拥有相对较强的专业素质和技能，能有效提高汽车产业在各个环节解决问题的效率。因此，提高工程技术人员占职工总数比例对提高我国汽车产业效率具有积极的意义。

(2)R&D支出占营业收入百分比的系数为-5.484 831，但与我国汽车产业效率无明显相关性。这一结论突出反映出现阶段我国汽车产业研发水平较低的现状。由于我国汽车产业研发能力有限，研发投资并没有发挥其应有的作用，研发成果十分有限。由此可知，研发投入的增加并没有为整个产业带来积极的效果，反而在一定程度上抑制了产业的效率。但我国要从汽车大国走向汽车强国，自主研发水平必须提高，也就是说在研发方面的投入是必不可少的。因此，我国汽车产业应该综合考虑在研发方面的投入，以达到汽车产业效率与汽车技术进步的平衡。

(3)流动资产周转率的系数为0.230 620，在0.01水平上显著，与我国汽车产业效率呈正相关。在其他影响因素不变的情况下，流动资产周转率每提高1%，可使我国汽车产业效率提高0.230 620%。流动资产周转率越高，说明整个产业对资源的利用率越高，相应的产业效率也会提高。

(4)产业集中度(CR4)的系数为0.947 938，在0.01水平上显著，与我国汽车产业效率呈正相关。在其他影响因素不变的情况下，产业集中度(CR4)每提高1%，可使我国汽车产业效率提高0.947 938%。大量理论与实证研究都表明由产业集中带来的规模经济效应能显著促进汽车产业的发展，提高汽车产业生产效率。虽然我国汽车产业集中度仍然较低，但其对产业效率的积极影响已经比较明显。

4 结论

由DEA模型结果可得：2004—2013年我国汽车产业综合技术效率先升后降，其中2012年以前综合技术效率基本保持上升状态，并在2012年达到最大值，但从2013年开始下降；纯技术效率基本处于比较稳定的状态，因而综合技术效率的波动主要是受规模效率变化的影响；现阶段我国汽车产业规模收益处于递减的状态，简单地扩大汽车规模会对企业综合技术效率起到明显的负面作用。由Tobit模型结果可知：工程技术人员占职工总数比例、流动资产周转率和产业集中度(CR4)与我国汽车产业效率显著正相关；而R&D支出占营业收入百分比对我国汽车产业效率影响不显著。

[1] 赵玻,王连.我国汽车产业技术效率及其影响因素实证分析[J].生产力研究,2004(12):157-159.

[2] 郝海岗.运用数据包络分析解析汽车产业效率[J].汽车工业研究,2008(6):17-19.

[3] 赵志坚,温力强.中国汽车产业内外资企业生产效率研究[J].经济数学,2009,26(1):81-87.

[4] 万伦来,鹿立林.中国汽车产业技术效率分析：基于中国汽车行业上市公司2006—2008年的经验证据[J].技术经济,2010,29(2):39-44.

[5] 陈娟.汽车产业集群的效率研究[J].经济研究导刊,2010(25):184-186.

[6] 吴献金,陈晓乐.中国汽车产业全要素生产率及影响因素的实证分析[J].财经问题研究,2011(3):41-45.

[7] 张根文,曾行运.基于DEA-Tobit模型的新能源汽车生产效率及影响因素研究[J].工业技术经济,2014(3):130-137.

[8] 王卓.基于超效率DEA模型的我国工业企业效率评价[J].科学管理研究,2007,25(6):30-32.

[9] 吉生保,周小柯,赵海斌.中国机械设备行业经营绩效评价及影响因素：基于超效率DEA-Tobit模型[J].山西财经大学学报,2011,33(1):64-71.

[10] 李晓钟,张小蒂.中国汽车产业市场结构与市场绩效研究[J].中国工业经济,2011(3):129-138.

AN Zhaojie:Postgraduate; School of Automotive Engineering, WUT, Wuhan 430070, China.

[编辑：王志全]

Efficiency and Influencing Factors of Automotive Industry

ANZhaojie

Based on the data of 2004-2013, the efficiency and influencing factors of automotive industry were empirically researched by DEA-Tobit model. Results show that the comprehensive technical efficiency of automotive industry is on the upswing at the year of 2012 and before, and then on the downswing, which is mainly affected by scale efficiency. Automotive Industry is on the stage of diminishing return to scale; the ratio of engineer to workforce, turnover of current assets and industry concentration (CR4) affect efficiency of automotive industry both positively and significantly. The ratio of research and development spending to revenues plays negative role, but not significantly.

DEA-Tobit Model; automotive industry; efficiency; influencing factor

2015-05-18.

安兆杰(1989-)，男，河北张家口人，武汉理工大学汽车工程学院硕士研究生.

2095-3852(2015)06-0740-04

A

F062.9

10.3963/j.issn.2095-3852.2015.06.017