基于SE-DEA方法的电网科技投入效果测评研究

张 磊， 李存斌， 蔺帅帅

(华北电力大学 经济与管理学院，北京 102206)

基于SE-DEA方法的电网科技投入效果测评研究

张 磊， 李存斌， 蔺帅帅

(华北电力大学 经济与管理学院，北京 102206)

科技资源的合理使用是电网企业提升自身竞争力的基础。针对电网企业的科技资源进行分析，结合企业的自身特点，构建出符合电网企业的科技资源投入产出效果评价指标体系；为了克服DEA方法不能合理解决多个DEA有效的问题，提出了超效率DEA模型，通过算例分析，验证了模型的有效性，并对结果进行了DEA无效分析、差异分析和指标影响程度分析等，最后为电网企业科技资源有效配置的相关政策制定提出了建议。

电网企业； 科技资源投入产出； 超效率DEA； 综合效率

0 引 言

电力行业是国民经济基础产业，关系到国家安全和国民经济命脉。随着我国当前融资体制、电力体制改革的不断深入，市场经济体制不断被引入电力市场，电网企业在投资项目中越来越注重经济效益与社会效益的综合衡量。同时，随着电网企业建设投资精益化管理工作的推进，投资效益，投资效率、投资的效果和作用成为企业管理的重点问题。在这种形式下，如何通过建立科学的电网企业科技投入效果测评评价指标体系，运用相应的评价方法，发现影响科技投入效果高低的关键因素，进而提出相应的改进措施，对于电网企业提高科技投入效果具有重要的现实意义。

电网科技项目是一种知识密集、技术密集、人才密集的投资项目，解决电网建设、安全生产、经营管理等方面关键技术问题，能够直接为公司服务。同时，科技项目与其它固定资产投资项目不同，项目成果及效益有其独特性，具体表现为：(1)滞后性，科技项目的技术从成果的获得到应用于生产通常需要一个较长的时间间隔，项目成果未得到应用前只具有潜在经济效益；(2)不确定性，科技项目成果的经济效益难以估量，能否实现受到诸多不确定因素的影响；(3)延展性，成功的科技成果应用于某种产品或某个项目后，该产品或项目又可应用于另一产品或项目，从而形成新的效益，形成一个纵向多级系统，同时，科技成果能够多次应用于多种产品，形成构成一个横向多级系统；(4)量化难，科技成果的产出难以量化，尤其是科技项目在培养人才、学术价值、社会影响等方面的价值难以换算为经济价值。电网科技项目的特性使得科技项目评价复杂化，企业在投资管理过程中往往同时面临决策难和验收难的困境。

国内外学术界及各国政府均对科技资源投入给予了大力支持，同时对其进行了广泛的研究。目前对于科技资源的研究主要集中在两个方面：(1)研究尺度，大部分学者均是以全国或者某一个区域为层面进行分析研究。如，范斐等分别以全国31个省市区[1]和全国286个地级以上城市[2]等的科技资源相关数据为基础，采用DEA法计算出了这些区域内的科技资源配置效率；王蓓等[3]将熵值法和DEA方法相结合，以京津冀、长三角和珠三角地区为例进行了资源配置效率的分析；张公毅等[4]利用评价因子分析法对山东省科技资源配置效率与经济增长进行了研究，然后通过与国外科技资源优化配置的比较分析，提出山东省科技资源的优化发展目标和对策；史安娜等[5]以2001～2012年我国30个省域的面板数据为基础，构建了基于DEA的超效率CCR模型与Malmquist指数[6]模型；(2)配置内容上，多是从科技资源的空间分布、配置效率、模式和对象等某一单一的方面展开研究。例如，陈国生等构建了基于Bootstrap-DEA的三阶段DEA模型，用来对我国科技资源配置效率的空间差异进行研究；闫平等[7]结合Malmquist指数和DEA方法各自的优势对我国的48个高校进行了科研效率研究，并得出大部分高校仍存在科研管理水平低、配置不合理等问题。除此之外，Yang Qingfeng[8]、黄海霞[9]、陈祺琪[10]、田淑英[11]等分别对高新技术产业、战略新兴产业、农业、林业等方面的科技资源配置情况进行了研究。针对DEA方法，也有很多学者进行了创新性的应用，Tavakoli等[12]提出了一种基于DEA和ANP法的组织结构排序和人资管理优化的模型；De-chang Xia等[13]基于传统的DEA模型，提出了一种基于线性规划的灰色DEA模型，等。

综合以上，可以发现，目前针对电力企业的科技投入产出效果测评研究的文献还比较少，且大多基于主观分析。所以，本文结合电网企业科技资源的特点，建立了投入产出指标体系，提出了一种基于SE-DEA方法的电网科技投入产出效果测评模型，该模型输入输出数据不受量纲的限制，不需要预先主观确定指标权重，避免了主观因素的影响，提升了效果测评的客观性。

2 基于DEA方法的电网科技投入效果测评研究

2.1 指标选取

DEA评价方法至关重要的一步就是指标的选取，而且在选取的过程中，不仅要重视指标的质量，也应该关心指标的数量，除此之外，评价的样本规模也是主要关注点之一，一般而言，样本规模应该是指标数量的三倍以上。

分析国内外关于科技投入产出的问题，研究公司开展科技活动所需人才、资金与相关设备等资源的现实情况。从指标体系入手，对现有的指标体系进行研究，借鉴其产出指标体系的构建[14,16]和科技部颁布的《国家高新技术产业开发区指标体系》，结合公司特点和相关专家，构建电网企业科技投入效果测评指标体系如下。

(1)投入指标

投入是从事科技活动的基本要素和重要基础，投入的大小决定科技活动的规模。科技投入即科技资源指数，主要包括人力资源和经费资源两个方面，这是因为狭义的科技资源只包括科技人力资源和科技财力资源。并且，科技人力资源是所有科技资源中唯一能够发挥主观能动性的资源，而科技财力资源是一切物质财富积累和创造的基础。具体指标包括：从业人员的数量、R&D人员数量、硕士以上学历研发人员数量以及科技活动经费总额4个指标。

(2)产出指标

鉴于电网科技活动的特点，本文主要考虑论文数量、专著数量、专利数量三个产出指标。论文和专著数量在一定程度上反映了一个企业的科研基础实力，而发明专利数量则在一定程度上反映了一个企业的技术开发能力和对未来潜在市场的开拓能力。

2.2 方法选择

数据包络分析方法(Data Envelopment Analysis,即DEA)是采用线性规划的方法，利用观察的有效样本数据，把每一个评价对象作为一个决策单元(Decision Making Units，DMU)，最终对决策单元进行有效性评价，得出每个DMU的相对效率的一种数学方法。假设有n个DMU，每个DMU都有m种类型的输入和s种类型的输出。分别用Xj表示输入，用Yj表示输出。

Xj=(x1j,x2j,…,xmj)T，Yj=(y1j,y2j,…,ysj)

式中：xij>0表示第j(j=1,2,…,n)个决策单元DMUj的第i种类型输入的输入量；yrj>0表示第j个决策单元DMUj的第r种类型输出的输出量，i=1,2,…,m，j=1,2,…,n，r=1,2,…,s。

评价第j0决策单元DMUj0有效性的C2R模型为

(1)

式中：Xj和Yj分别表示投入和产出指标；λj为第j个指标的权重变量，S-和S+为松弛变量，θ为评判DMUj是否有效的标准，若θ=1则说明该决策单元的投入产出已达到最优生产前沿，投入效果为最佳；当θ<1，S+>0,S->0时，则认为改决策单元是无效的，但可以肯定的是θ越接近1，表明决策单元的投入效果越佳。

所以，使用C2R模型进行评判时，就会出现多个DEA有效的情况，即它们的效率值均为1，并不能评判出决策单元之间的优越性问题，所以，C2R模型在比较相互之间差异性方面还存在一定的局限性。为了解决这个问题，Anderson等对C2R模型进行了改进，提出了超效率(SuperEfficiency)DEA模型，即SE-DEA模型，该模型的思路是：在计算某个有效决策单元的超效率时，即将这个决策单元排除在外，用其他决策单元投入产出的线性组合代替这个决策单元的投入产出，即可得到该DMU的超效率。按照这种计算思路，得到的所有超效率值都是不同的，这就为所有DEA有效的决策单元提供了一种效率比较的方法。SE-DEA模型为

(2)

式中：θ即为算出的超效率值，其他符号均与式(1)相同。

因为超效率模型只是针对有效的决策单元进行分析计算，并不改变DEA模型中无效的决策单元的效率值，所以将两者进行结合，就可以对所有的决策单元进行效率值的排序，所以，本文中使用这两者对电网企业科技投入的效果进行测评研究。

3 实例分析

3.1 数据来源

对电网企业科技资源投入效果进行研究，可靠真实的数据是研究的基础。本文中通过大量的调查问卷法、网络资料的收集，并结合2013年中国科技统计年鉴的相关数据得到投入指标的具体值，因为类似于论文数量、专利数量这样的产出结果都具有一定的滞后性，所以产出指标的值选取2015年的统计数据。考虑到本文的投入产出指标共有7个，按照“决策单元个数至少为投入产出指标个数总和三倍以上”的要求，本文选取了电网企业的24个科研院所为研究样本，根据统计得到的数据，对这24个科研院所的科技投入效果进行评价。

3.2 效率测算

以从业人员的数量、R&D人员数量、硕士以上学历研发人员量以及科技活动经费总额4个指标为投入指标，以论文数量、专著数量和专利数量3个指标为产出指标，利用Matlab编程对24个电网科研院所科技投入效果进行测算，结果如表1所示。

由DEA模型可知，若综合效率值为1，则表示DEA有效。那么，由表1可知，这24个电网科研院所的科技投入产出效率是较高的，平均值可以达到0.904，其中，综合效率值为1的有9个，表明这9个科研院所处于DEA有效的状态，其余的15个的综合效率值小于1，所以表明DEA是无效的。

综合效率的值是纯技术效率值和规模效率的乘积，其中纯技术效率和规模效率分别反映结构和规模两方面的效率情况，由表1可知，它们的平均值分别为0.904和0.924，都比较接近1。

表1 24个科研院所投入产出效率值

Tab.1 The input-output efficieney values of 24 scientific research institutes

DMU超效率值综合效率技术效率规模效率规模收益10 84520 8450 9090 930drs20 58510 5850 5920 988drs31 0788111-40 88330 8830 9700 911drs50 74740 7470 7550 990drs60 83120 8310 8410 988drs71 7231111-81 5222111-90 86310 8630 8690 993irs100 8750 8750 8751-110 84240 8420 8470 994irs120 98420 98410 984irs130 89830 8980 9850 912drs141 2437111-151 0923111-160 91720 9170 9600 956drs170 73960 7400 7970 928drs181 563111-191 8024111-201 0453111-210 83150 8320 8720 953drs220 89120 8910 8920 999irs231 0608111-240 95480 95510 955irs平均值0 9040 9240 978

因为有9个DMU均为DEA有效，所以，为了进一步的比较这几个科研院所之间的差异，对其进行SE-DEA分析，计算出超效率值，效率值的趋势变化如图1所示。可以看出，科研院所19的效率值是最高的，达到了1.802 4，虽然电网企业的科技投入转化率整体而言比较高，但是横向比较的话，各个单位之间的差距波动还是比较大的，这不仅与单位所在的地区的经济发展水平有关，还取决于企业的规模、管理情况等因素。所以，这不仅是对企业科技投入效果的反映，也是对企业总体的发展、管理水平的反映。

图1 超效率值变化情况Fig.1 The figure of super efficiency value changes

3.3 结果分析

(1)DEA无效分析。由表1可知除了综合效率为1的9个科研院所外，其他15个均表现为DEA无效。其中，企业12和企业24 DEA无效的原因是这两个企业的规模效率无效，因为它们的技术效率是有效的，也就是说，在技术条件一定的情况下，这两个企业的投入产出结构是合理的，只是规模不合理，且都处于规模报酬递增阶段；企业10 DEA无效的原因是技术效率不合理，而规模效率合理，也就是说是这个企业没能对科技资源进行充分利用；除此之外的12个科研院所的综合效率表现为无效是由于技术效率和规模效率均表现为无效，也就是说，这12个科研院所的投入产出结构和规模两方面均没有达到最优水平，除了第9、11和22这三个科研院所表现为规模递增外，其他几个均为递减。

(2)差异分析。分别以技术效率和规模效率的均值为高低界限，将所有的DMU划分为“高高”、“高低”、“低高”和“低低”4类，如图2所示。由图可知，电网科技资源投入产出水平整体而言还是比较高的，但也存在不尽如人意的地方，如在“低低”区域，存在3个科研院所，表明它们的结构与规模的发展均没有达到平均水平，对于这样的DMU，在科技资源的配置过程中应同时兼顾投入的规模和提高管理技术水平等；对于技术效率高而规模效率低的“高低”型的DMU，则应在保障管理水平的同时，努力改善企业的规模，提高科技资源投入产出的综合效率，对于“低高”型科研院所则正好相反。

图2 技术和规模效率空间散点分布图Fig.2 Scattergram of technical and scale efficiency

(3)指标影响程度分析。对于科技资源投入产出综合效率的影响，每个指标的影响程度均会表现出一定的差异，为了对每个指标的影响程度进行分析，利用投入或者产出不同的组合方案对指标进行测算。因为组合方案较多，这里只选取剔除单一指标后的方案进行比较，利用Matlab计算出剔除某指标之后的DEA效率值，结果如表2所示。

表2 不同组合方案的投入产出DEA效率值

Tab.2 Input-output DEA efficiency ralues of different alternatires

剔除指标名称综合效率技术效率规模效率从业人员0 7460 8810 847R&D人员数量0 7030 8240 853硕士以上学历研发人员数量0 8080 8900 908科技活动经费总额0 7380 7780 949论文数量0 7080 8540 829专著数量0 7250 9140 793专利数量0 7710 8990 858

以C表示所有的指标集，Ci表示剔除第i个指标的指标集，V(C)表示在指标集C之下的DEA有效的综合效率，反映指标i对DEA有效的影响程度的公式如下所示：

(3)

式中：Mi表示指标的影响程度，其值越大，说明影响程度越大。

根据公式(3)可计算出M1=0.212 ，M2=0.286 ，M3=0.119 ，M4=0.225 ，M5=0.277 ，M6=0.247 ，M7=0.173 。由此可以看出，对于投入指标，R&D人员数量对于综合效率的影响程度最大；而从产出角度看，论文数量的影响是第一位的。通过对每个指标的影响程度进行测算，可以为电网科研院所提高自身的科技资源配置水平提供合理的建议及意见。

4 结 论

考虑到电网企业科技资源投入产出的特点，根据DEA方法不需要预先求解权重，也不受限于指标量纲影响等优势，本文构建了基于SE-DEA方法的电网科技投入产出效果测评模型，从而避免了主观因素的影响，充分提高了科技资源投入产出效果测评的客观准确性。以24个电网科研院所为研究对象进行了实例分析，并进行了充分的结果分析。基于结果分析，了解了电网企业科技资源配置的基本情况，为提高电网科技资源投入产出效果提出了以下几点建议。

(1)各个电网企业应根据自身效率高低情况采取不同的措施，对于技术效率低的企业，应该加强制度变革以及管理上的创新，建立新的制度体系，引进一些新的管理理念；对于规模效率低的企业应该根据评价结果规模效益的情况，根据自身情况进行规模的扩大或缩小，以此提升效率水平；

(2)虽然电网企业科技资源投入产出的效果整体比较高，但是仍然存在部分资源浪费的问题，尤其是在财力资源方面存在冗余的情况，国家电网公司应当在保障投入产出合理的情况下，控制经费上的投入，建立透明、严格的经费使用监管机制，提高国家电网公司的科技投入产出水平；

(3)通过指标影响程度分析可以得出，R&D人员数量和论文数量对电网企业科技投入产出的效率影响较大。鉴于这些分析，建议电网企业应当增加科技人员的配置，使其在电网科技高效发展中发挥应有的作用。

[1] 范斐, 杜德斌, 李恒. 区域科技资源配置效率及比较优势分析[J]. 科学学研究, 2012，30(8): 1198-1205.

[2] 范斐, 杜德斌, 李恒等. 中国地级以上城市科技资源配置效率的时空格局[J]. 地理学报, 2013(10): 1331-1343.

[3] 王蓓, 刘卫东, 陆大道. 中国大都市区科技资源配置效率研究——以京津冀、长三角和珠三角地区为例[J]. 地理科学进展, 2011，30(10): 1233-1239.

[4] 张公毅. 区域科技资源配置效率评价研究[D]. 青岛：青岛理工大学, 2010.

[5] 史安娜, 徐巧玲. 我国科技资源配置效率的实证分析——基于DEA的超效率CCR模型与Malmquist指数模型[J]. 科技管理研究, 2015，(1): 54-59.

[6]CHIANGKAO.Malmquistproductivityindexbasedoncommon-weightsDEA:ThecaseofTaiwanforestsafterreorganization[J].Omega, 2010, 38(6): 484-491.

[7] 闫平, 马璇璇, 王海涛. 我国高校科研效率评价——基于DEA与Malmquist指数的分析[J]. 财会月刊, 2016，(32): 3-9.

[8]YANGQINGFENG.DEAapplicationresearchintechnicalefficiencyevaluationofhigh-techindustry[J].HebeiJournalofIndustrialScienceandTechnology, 2014, 31(1): 46-49.

[9] 黄海霞, 张治河. 基于DEA模型的我国战略性新兴产业科技资源配置效率研究[J]. 中国软科学, 2015，(1): 150-159.

[10] 陈祺琪, 张俊飚, 程琳琳，等. 农业科技资源配置能力区域差异分析及驱动因子分解[J]. 科研管理, 2016，37(3): 110-123.

[11] 田淑英, 许文立. 基于DEA模型的中国林业投入产出效率评价[J]. 资源科学, 2012，34(10): 1944-1950.

[12]TAVAKOLIMM,SHIROUYEHZADH,DABESTANIR.ProposingahybridmethodbasedonDEAandANPforrankingorganizationalunitsandprioritizinghumancapitalmanagementdrivers[J].JournalofModellinginManagement, 2016, 11(1): 213-239.

[13]XIADC,LIBT,WANGJP，etal.ResearchonGeneralDEAModelBasedontheGreyLinearProgramming[J].AppliedMechanicsandMaterials, 2014, 577: 828-831.

[14] 曹志鹏. 创新驱动发展模式下我国科技资源配置效率[J]. 企业经济, 2013，(8): 155-158.

[15] 孟卫东, 王清. 区域创新体系科技资源配置效率影响因素实证分析[J]. 统计与决策, 2013，(4): 96-99.

[16] 梅姝娥, 陈文军. 我国副省级城市科技资源配置效率及影响因素分析[J]. 科技管理研究, 2015，(6): 64-68.

Research on Evaluation of Power Grid Science and Technology Input Efficiency Based on SE-DEA Method

ZHANG Lei, LI Cunbin, LIN Shuaishuai
(School of Economics and Management, North China Electric Power University, Beijing 102206, China)

Rational use of science and technology resources is the basis for power grid enterprises to enhance their competitiveness. In this paper, based on the analysis of the scientific and technological resources of the power grid enterprises, combined with the characteristics of the enterprise, the evaluation index system of the input and output of science and technology resources is constructed. In order to overcome the problem that the DEA method can not solve the problem of multiple DEA effectively, the super efficiency DEA model is put forward. Through the example analysis, the validity of the model is verified. And through the DEA invalid analysis, the difference analysis and the index influence degree analysis and so on, the related policy formulation for the power grid enterprise science and technology resources effective disposition are proposed.

power grid enterprise; input and output of science and technology resources; SE-DEA; comprehensive efficiency

10.3969/j.ISSN.1007-2691.2017.04.16

2016-12-10.

国家自然科学基金资助项目(71671065,71271084)；国家电网公司总部科技项目(KJGW2015-020).

C939

A

1007-2691(2017)04-0105-06

张磊(1976-)，男，工程师，研究方向为科技管理、信息管理；李存斌(1959-)，男，博士生导师，研究方向为风险管理及信息管理；蔺帅帅(1992-)，男，博士研究生，研究方向为风险管理及信息管理。