吉林省房地产的经济效率研究

陈金英，杨青山，张 鹏，刘贺贺

(1.浙江师范大学经济与管理学院，浙江 金华 321004；2.东北师范大学地理科学学院，吉林 长春 130024；3.哈尔滨师范大学地理科学学院，黑龙江 哈尔滨 150025；4.内蒙古农业大学经济管理学院，内蒙古 呼和浩特 010019)

吉林省房地产的经济效率研究

陈金英1，杨青山2，张 鹏3，刘贺贺4

(1.浙江师范大学经济与管理学院，浙江 金华 321004；2.东北师范大学地理科学学院，吉林 长春 130024；3.哈尔滨师范大学地理科学学院，黑龙江 哈尔滨 150025；4.内蒙古农业大学经济管理学院，内蒙古 呼和浩特 010019)

运用Malmquist指数计算了2000—2012年间吉林省房地产全要素生产率及其构成；运用BCC模型评价了2012年吉林省9市州房地产业发展的相对经济效率.结果表明：技术进步是促进吉林省房地产全要素生产率增长的主要原因，吉林省房地产业由粗放式的规模增长向依靠技术进步、管理和服务创新转变；2012年吉林省各市州房地产投入产出效率总体偏低，技术效率差异较大；部分市州数据包络分析(data envelopment analysis，DEA)无效的原因为存在投入冗余，房地产发展仍处于“高投入，低效率”的粗放型发展模式.

房地产；经济效率；DEA；Malmquist指数；吉林省

改革开放以来，随着经济的快速发展，我国的房地产业发展十分迅速，形成了较为完善的产业链，具有较强的外部性.据民生银行报告指出，每100元的房地产投资大约会为机械设备、金属产品等行业提供215元的需求，因此，它能够带动建筑、装修等劳动密集型产业的发展以及建材、家电等行业的就业和消费[1].新型城镇化的提出为房地产业的发展带来了巨大机遇，房地产业正在成为国民经济的支柱产业.吉林省是东北老工业基地，房地产业起步较晚，发展速度也较为缓慢，随着经济社会的不断发展，国家和省内政策的宏观调控，吉林省房地产业在开发规模、投资建设和发展速度上都获得了较大的发展.2000年，吉林省房地产开发投资额为63.52亿元，到2012年已经达到1 310.03亿元，增长了近21倍，年均增长率由2000—2005年的25.24%上升为2006—2012年的27.14%；房屋建筑竣工面积由2000年的4 64.81万m2增加到2012年的6 034.08万m2，增长了13倍，房地产业已经成为吉林省重要的支柱产业之一.目前全省整体房地产市场发展比较平稳，波动不是很大.但房地产业发展的经济效率如何，却是值得研究和探讨的问题.而目前关于吉林省房地产业的研究主要集中在宏观调控政策、信贷支持等对房地产业的影响，尚无对其发展经济效率的研究.

近几年来，许多学者都对房地产业的效率评价进行了广泛深入的研究，内容主要集中在房地产上市公司的绩效水平评价上：施金亮等(2006)[2]运用数据包络分析模型对我国32家房地产上市公司的绩效进行了综合评价，并提出了优化资源配置建议；贺提胜等(2010)[3]运用数据包络分析方法评价了房地产企业技术创新效率，并分析了其效率低下的产生原因；王坚强等(2010)[4]通过构建Malmquist指数，测算了房地产企业的动态投资效率；丁琦等(2011)[5]通过构建基于DEA-FCE的房地产上市公司绩效评价模型，对25家上市公司进行了综合评价.只有少数文章是关于房地产业的区域效率水平研究，而且都是从全国各省市的角度来进行截面数据的研究：刘蓉(2010)[6]运用超效率DEA模型评价了2007年中国各省市房地产行业的效率水平；赵棪等(2011)[7]运用DEA方法对2009年新疆14个地区的房地产效率进行了评价，等等.本文在此基础上，考虑了房地产业发展的动态性，利用吉林省2000—2012年13年的房地产业数据，运用Malmquist指数测算了吉林省及各市州这13年的房地产全要素生产率，并运用BCC模型对2012年各市州房地产业发展的相对经济效率进行了研究和评价，以获取对吉林省房地产业发展状况的真实评价.

1 研究方法

数据包络分析方法(data envelopment analysis，DEA)是著名的运筹学家A.Charnes，W.W.Cooper 和 E.Rhodes 在1978年首次提出的，是用数学规划模型评价相同类型的评价单元相对有效性的一种非参数统计方法[8]，不受加权、排序等外界人为因素的影响，结果更为客观可信.其基本思路是根据不同决策单元的投入产出量，确定有效生产前沿面，通过衡量各决策单元与有效生产前沿面的距离，来确定各个决策单元的规模效率和技术效率.

1.1 BCC模型

为区分技术有效性和规模有效性，本研究选取基于投入导向的BCC模型，以规模收益可变为前提，从技术效率T、纯技术效率P和规模效率S来反映各决策单元的效率水平，评价其相对有效性.

设有n个独立的决策单元，每个决策单元都有m个投入指标xij(i=1，2，…，n；j=1，2，…，m)和s个产出指标yir(r=1，2…，s)，则决策单元的效率值用BCC模型表述如下：

(1)

技术效率T、纯技术效率P和规模效率S三者之间的数量关系式为T=P×S.

1.2 Malmquist指数

Malmquist指数是基于数据包络分析方法(DEA)提出的，公式及其分解结论如下.

从t时期到t+1时期，基于投入的全要素生产率(TFP，CTEP)用Malmquist指数表示成：

(2)

按照Fare 等(1994)将Malmquist指数分解为两个部分，即

(3)

一部分用CE表示，指从t到t+1时期技术效率的变化，也被称为“追赶效应”或“水平效应”；另一部分用CT表示，指从t到t+1时期，效率前沿面的移动，即技术的进步，也称为“增长效应”.其中，CE可以继续分解为纯技术效率变化CPTE和规模效率变化CSE两个部分，因此全要素生产率变化CTFP=CE×CT=CPTE×CSE×CT.

当CTFP>1时，表示全要素生产率呈现增长的趋势；当CTFP=1时，表示全要素生产率保持不变；当CTFP<1时，则表示全要素生产率呈现下降的趋势.当技术效率变化指数CE>1时，说明技术效率有所改善；反之说明技术效率降低.技术水平变化指数CT>1时，表示生产技术有进步，反之，则说明生产技术有衰退的趋势[10].纯技术效率变化CPTE指产业经营管理水平等技术手段对生产效率的作用，CPTE>1，表示经营管理水平的提升促进了生产效率的提高；规模效率变化CSE>1表示扩大规模有利于产出的提高.

2 指标选取与数据来源

2.1 决策单元与评价指标的选取

DEA中决策单元的选取必须满足两个限制条件：(1)选取的决策单元必须具有相同类型的特征，即可比性；(2)在DEA分析模型中，决策单元的数量至少应为各投入产出指标总数的2倍[11].本文主要研究吉林省房地产发展的经济效率，因此选取的决策单元为吉林省长春、吉林、四平、辽源、通化、白山、松原、白城、延边朝鲜族自治州9个城市(州)2000—2012年13年的房地产发展数据.

房地产投入指标的选取主要考虑了房地产的资本投入和人力投入，选取的指标为房地产开发投资额(X1)、房地产从业人员数(X2).房地产的产出主要体现在房地产业创造的GDP上，因此用房地产GDP(Y)作为产出指标来衡量吉林省房地产的产出情况.

2.2 数据来源

本文选取吉林省全省及9市州2000—2012年13年的房地产发展情况为研究样本，指标数据均来源于2001—2013年的《吉林省统计年鉴》.将选取的各项投入产出指标数据运用DEA分析软件deap-version 2.1进行运算后，得出了计算结果(见表1—3).

3 实证结果分析

3.1 吉林省全省2000—2010年房地产发展的经济效率分析

通过DEA分析软件，采用Malmquist指数方法进行计算，得到了吉林省2000—2012年13年间房地产发展的平均Malmquist指数(CTFP)及其效率构成(见表1).

表1 吉林省2000—2012年房地产平均Malmquist指数及其构成

从表1可以看到2000—2012年吉林省房地产的全要素生产率及其效率构成的变化情况.总体上看，2000—2012年13年间，吉林省房地产的技术效率平均每年降低1.6%，技术进步年均增长10.7%，全要素生产率年均增长9%.由此可见，增长效应是吉林省房地产的全要素生产率增长的主要贡献因素，追赶效应贡献不足.同时，房地产业经营管理水平与房地产规模效率对生产效率的带动能力不强，且二者的带动作用不同步，规模效率的带动能力呈现减弱趋势，纯技术带动呈现提升的趋势，说明吉林省房地产业发展由粗放式的规模增长向依靠技术进步、管理和服务创新转变.

从历年变化情况来看，吉林省房地产全要素生产率的变动值处于0.6～2.91之间，变动幅度较大.从表1可以看出，只有2000—2001年、2006—2007年和2010—2011年吉林省房地产的Malmquist指数小于1，分别下降了39.7%，4.3%和20.8%.其中，2001年和2011年全要素生产率下降幅度较大，其技术效率分别下降了6.4%，9%，而技术水平变化则下降了35.6%，13%，说明全要素生产率的下降主要是由于生产技术的创新不足引起的.2002—2003年，由于政府的宏观调控以及房地产市场的调节，房地产业的技术水平有了很大的提高，增长了172.9%，技术效率也有所改善，增长了6.4%，显著提升的增长效应带来了全要素生产率的快速增长.2009—2010年追赶效应对生产率增长的贡献很大，技术效率增长了32.4%，技术的进步和房地产规模的扩大均促进了全要素生产率的提高，但由于技术创新不足，下降23.6%，导致全要素生产率的增长幅度较小，仅增长0.9%.这也充分说明影响吉林省房地产业全要素生产率的主要因素为技术进步水平.

为了更好地体现吉林省房地产全要素生产率及其效率构成的变化趋势，本文以2000年为基期，根据表1中吉林省房地产历年的技术效率变化、技术水平变化及全要素生产率变化的情况，计算得到了以2000年为基期的各年变化指数，其变化趋势如图1所示.

图1 吉林省房地产全要素生产率及其构成的变化趋势

从图1可以看出，吉林省房地产全要素生产率的变化趋势曲线与技术水平变化趋势曲线较为一致，可分为两个阶段：2000—2002年，TFP变化指数降低阶段，2001年和2002年的变化指数均低于2000年，但2002年比2001年有所提升，与吉林省房地产业发展所处的复苏阶段相吻合；2003—2012年，TFP变化指数上升阶段，这一阶段的TFP变化指数均远大于基期年，体现了国家对房地产进行宏观调控和技术水平变化对吉林省房地产的影响.技术效率变化除了2003年的变化指数位于基期年之上，其他年份均低于基期年，这与前面得出的增长效应是吉林省房地产全要素生产率变化的主要贡献因素这一结论是相符的.从图1也可以看出，2000—2005年间，全要素生产率变化趋势曲线与技术水平变化趋势曲线基本重合.2005年以后，由于技术效率下降幅度变大，导致全要素生产率的增长率变化幅度低于技术水平变化，但总体上仍呈现上升的趋势，这说明2005年以后技术效率降低成为制约房地产全要素生产率提高的因素.因此，要想进一步增加全要素生产率，需要采取合理的措施来提高吉林省房地产的技术效率.

3.2 吉林省各市州2000—2012年房地产的经济效率分析

运用Malmquist指数方法进一步获取2000—2012年吉林省9市州的平均Malmquist指数及其构成，结果见表2.

从表2可以看出，2000—2012年间，吉林省各市州的房地产全要素生产率基本都处于增长的趋势，只有四平市的平均Malmquist指数略小于1，全要素生产率下降了0.1%，主要原因是技术效率的下降，以及技术进步未能促进产业管理水平的提高和规模效率的提升.9市州的技术水平变化指数都大于1，呈现出较大的技术进步.从技术效率变化上看，只有辽源市、白城市和延边朝鲜族自治州大于1，技术效率变化有所提高，其他各市的技术效率变化值均小于1，说明2000—2012年间城市房地产的技术效率是降低的.

表2 吉林省各市州2000—2012年房地产平均Malmquist指数及其构成

辽源市房地产的全要素生产率是全省增长最快的城市，年均增长26.4%；白城市和延边朝鲜族自治州增长也较快，分别为16.4%和16%，说明这三个市州的房地产发展势头较好.从增长原因来看，三市州的技术效率和技术水平均不断增加，其中技术水平起了较大的作用，年均增长22.6%，10.5%和10.1%.而三市州技术效率提高的原因却有所不同：辽源市和延边朝鲜族自治州房地产的纯技术效率保持不变，技术效率的提高是由于规模效率增加引起的；白城市则是由于经营管理水平的提高和规模效率的提升共同作用的结果.

长春、吉林、通化、白山和松原的全要素生产率的增长主要是依托技术进步，技术效率则均有所降低，但其降低原因也是有差异的.长春市房地产的纯技术效率变化指数大于1，说明管理能力的提高促进了技术效率的改善；规模效率变化指数小于1，年均降低9.6%，是全省降低幅度最大的城市，说明长春市房地产规模的扩大不能够促进技术效率的提升，应对其规模给予控制.吉林市的纯技术效率不变，规模效率变化指数却有所降低，这说明吉林市的房地产技术效率降低主要是由于规模效率降低引起的.通化市的规模效率变化指数大于1，而纯技术效率变化指数下降了9.5%，说明通化市房地产经营管理水平的下降导致了技术效率的降低.白山市和松原市技术效率的降低则是由于纯技术效率和规模效率均下降引起的.

如此来看，吉林省各市州房地产全要素生产率的增长主要依赖于技术进步的拉动，其技术效率的降低是制约全要素生产率进一步提升的主要原因.

3.3 2012年吉林省各市州房地产的相对经济效率评价

为进一步探讨并比较吉林省各市州房地产发展效率，本文运用DEA-BCC模型计算了2012年各市州房地产的相对经济效率，并对其效率现状及原因进行了分析，结果见表3.

表3 2012年吉林省各市州房地产发展的经济效率

从表3可以看出2012年吉林省各市州房地产的经济效率，包括技术效率、纯技术效率和规模效率以及各市州房地产的规模收益情况.

总体上来看，吉林省各市州房地产的技术效率的平均值为0.589，相对较低.其中，辽源市和白城市的房地产是DEA有效，即这两个市的房地产投入产出比例协调，技术效率为1，处于技术效率前沿，规模收益不变，占总体的22.22%.长春、吉林、四平、通化、白山、松原和延边朝鲜族自治州都是非DEA有效，存在不同程度的投入冗余，面临不同的技术效率改进空间.其中，长春、吉林的纯技术效率为1，规模效率小于1，所占比例为22.22%；四平、通化、白山、松原和延边朝鲜族自治州的纯技术效率和规模效率均小于1，所占比例为55.56%.这表明了吉林省内房地产的投入产出效率总体偏低.

除DEA有效的辽源市和白城市以外，其他7市州的房地产技术效率都不高，差异也较大，最大值为0.698，最小值仅为0.213.按照技术效率由高至低的排序为：吉林、四平、白山、松原、延边朝鲜族自治州、通化、长春.长春市作为吉林省的省会城市，其经济发展水平最高，但其房地产技术效率却最低；吉林市作为吉林省的第二大城市，经济发展水平仅次于长春市，房地产技术效率为非DEA有效单元中的最大值；通化市经济水平处于中等，但其技术效率仅略高于长春市；辽源市、白城市经济发展水平较低，其技术效率均达到了DEA有效，这是由于两市的总体规模不大，容易达到协调的投入产出比例，属于低发展水平的经济有效.以上均表明技术效率的高低与城市(州)的经济发展水平之间没有必然的联系，无规律性可循.

从规模收益来看，仅白山市处于规模收益递增阶段，其他6市(州)处于规模收益递减阶段.四平、通化、松原和延边朝鲜族自治州的纯技术效率均小于规模效率，且四平、通化和延边朝鲜族自治州的规模效率都接近规模有效，说明其房地产发展已基本实现规模经济性，不宜再将扩大规模作为提升效率水平的主要手段.而其房地产技术效率较低的原因在于纯技术效率低，说明这几个城市的房地产经营管理能力不足，制约了该城市(州)房地产效率的提升.长春、吉林的纯技术效率为1，规模效率均不高，说明其房地产在现有技术水平下，开发规模过大，且长吉两市房价收入比与其他市州相比较高，市民购房压力较大，供大于求的现象导致房地产技术效率低.白山市依托长白山国家级自然保护区等旅游资源开发了大量的旅游地产(如万达长白山国际旅游度假区)，在带来较大经济效益的同时，也提升了白山市房地产的整体效率水平，因此，白山市可以通过合理确定房地产开发类型和规模来提升其总体效率水平.

4 结论

本文运用DEA分析方法对2000—2012年13年间吉林省房地产发展的全要素生产率以及2012年吉林省各市州房地产的相对经济效率进行了分析和研究，得到了以下几点结论：

(1) 吉林省房地产技术效率总体偏低，区域发展极不均衡，各市州之间的差异较大.辽源、白城的房地产属于低发展水平的经济有效，其他部分市州的房地产发展仍处于“高投入，低效率”的粗放型发展模式.

(2) 房地产的技术效率是否有效及其效率高低与吉林省各市州房地产的投入量没有必然的因果关系，与其经济发展水平的高低之间不存在规律性联系.

(3) 科技进步和创新是吉林省房地产业经济效率提升的核心和动力，吉林省房地产业正逐渐摆脱粗放式的经济发展方式，向依靠技术进步、管理与服务创新的发展方式转变，提高科技含量和发展质量.全要素生产率的增长主要依赖于技术进步的拉动，其技术效率变化落后是制约全要素生产率进一步提升的主要原因.

(4) 提升效率的途径：技术进步是吉林省房地产效率提升的主要影响因素，吉林省房地产业的高效发展，必须以提升技术创新水平为前提；与此同时，长吉两市应重点控制房地产开发规模，改善房地产开发质量及应用价值，提升其规模效率；白山市应结合自身旅游资源优势，优化房地产开发结构，以旅游地产为主体，带动产业的效率提升；其他市州则应从提升房地产业经营管理水平等技术手段方面着手，优化房地产业的开发及资源投入，以实现投入产出合理化.

[1] 盖国凤，尹晓旭，徐一然.吉林省房地产业运行状况分析[J].经济视角，2011(4)：23-24.

[2] 施金亮，杨俊.数据包络分析法评价房地产上市公司绩效[J].上海大学学报(自然科学版)，2006，12(3)：325-330.

[3] 贺提胜，夏春艳.基于DEA的房地产企业技术创新效率评价[J].合作经济与科技，2010(4)：20-21.

[4] 王坚强，阳建军.基于Malmquist指数的房地产企业动态投资效率研究[J].当代经济管理，2010，32(1)：84-88.

[5] 丁琦，王要武，徐鹏举.基于DEA-FCE的房地产上市公司绩效综合评价[J].系统管理学报，2011，20(2)：196-201.

[6] 刘蓉.中国各省市房地产行业效率实证研究[J].特区经济，2010(6)：259-260.

[7] 赵棪，薛蓉娜，毛明，等.基于DEA方法的新疆房地产效率分析[J].科技经济市场，2011(10)：50-52.

[8] CHARNES A，COOPER W W，PHODES E.Measuring the efficiency of DMU[J].European Journal of Operational Research，1978，2(6)：429-444.

[9] 孟令杰，顾焕章.度量生产率变化的非参数方法[J].数量经济技术经济研究，2001(2)：48-51.

[10] 王坚强，阳建军.基于Malmquist指数的房地产企业动态投资效率研究[J].当代经济管理，2010，32(1)：84-88.

[11] 齐锡晶，宋明亮，王宏伟，等.中国房地产市场周期波动分析[J].东北大学学报(自然科学版)，2010，31(7)：1039-1042.

(责任编辑：方 林)

Research on economic efficiency of the real estate in Jilin Province

CHEN Jin-ying1，YANG Qing-shan2，ZHANG Peng3，LIU He-he4

(1.College of Economics and Management，Zhejiang Normal University，Jinhua 321004，China；2.College of Geographical Sciences，Northeast Normal University，Changchun 130024 China；3.College of Geographical Sciences，Harbin Normal University，Harbin 150025，China；4.School of Economics and Management，Inner Mongolia Agricultural University，Hohhot 010019，China)

Using the Malmquist index，the paper calculated TFP and its compositions of the real estate industry of Jilin Province during the years 2000—2012；and evaluated relative economic efficiency of real estate development among 9 cities in Jilin Province on 2012 by using the model of BCC.The results show that：during the years 2000—2012，technological progress is the main reason for promoting the TFP growth of real estate industry development in Jilin Province，switching from extensive growth to relying on technological progress，management and service innovation；In 9 cities，the input-output efficiency in 2012 of real estate industry is low in general，and technical efficiency has great differences，no causal relationship with the level of economic development and investment；Redundant investment is the reason of DEA invalid for part of cities in Jilin Province，in which the real estate development is still in the extensive development mode of “high input，low efficiency”.

the real estate industry；economic efficiency；DEA；Malmquist index；Jilin Province

1000-1832(2016)04-0151-07

10.16163/j.cnki.22-1123/n.2016.04.031

2015-10-21

国家自然科学基金资助项目(41271555).

陈金英(1988—)，女，博士，讲师，主要从事区域经济、经济地理研究.

F 293.3 [学科代码] 790·4720

A