基于数据包络分析的纺织服装企业运营效率评估

黄 河， 杨以雄,2

(1. 东华大学 服装与艺术设计学院， 上海 200051； 2. 东华大学 现代服装设计与技术教育部重点实验室， 上海 200051)

基于数据包络分析的纺织服装企业运营效率评估

黄 河1， 杨以雄1,2

(1. 东华大学 服装与艺术设计学院， 上海 200051； 2. 东华大学 现代服装设计与技术教育部重点实验室， 上海 200051)

为评估纺织服装企业的运营效率进而辅助企业进行合作伙伴选择或投资等决策制定，选取中国、日本和北美3大代表性国家和地区进行对比分析，并筛选出70家纺织服装上市企业。基于数据包络分析方法，提出CRS-DEA、VRS-DEA和SE-DEA 3个评估模型，对企业的效率表现、规模收益、资源配置和标杆企业等进行解析。结果显示：受评估的企业为86%有效，依然有改进空间；70%的企业属于规模收益递减型，投资积极性较弱；劳动力冗余为资源配置方面的主要问题，受评估企业在成本配置方面表现较好，资本配置方面次之；中国企业的运营表现呈现两极分化趋势；北美露露柠檬企业(Lululemon)表现突出。

纺织服装企业； 数据包络分析； 运营效率； 规模收益； 资源配置

纺织服装业至关重要，一方面源于众多发展中国家的工业化以此作为起步行业，另一方面也为大量低收入劳动力创造了就业机会[1]。然而，如今的纺织服装业却面临着越来越多困境，甚至被称为夕阳产业。也有学者持积极态度，他们认为中国具有全球最完整的纺织服装产业链、越来越多的产品可由纺织品替代以及众多的纺织服装企业已走上联合创新的转型道路，因此，在这种新格局和新形势下，研究当前纺织服装企业的运营效率，具有现实意义；其次，随着全球化的发展，纺织服装业结构正逐渐转变为全球分工合作，例如，在法国设计，在日本制造面料，最终在劳动力资源丰富的国家制成成衣。全球化的发展必然对纺织服装企业的运营效率产生影响；再者，如今全球已迎来工业4.0，智能工厂、智能生产和智能物流等关键词的提出，对劳动密集型的纺织服装业带来新的机遇与挑战。企业的运营效率受到这些影响会发生哪些改变？

数据包络分析(DEA, data envelopment analysis)最初是Charnes、 Cooper和Rhodes 3位学者提出的效率评估理论中出现。主要原理是通过保持决策单元(DMU)的输入或输出不变，利用数学规划和统计数据确定相对有效前沿面，将各DMU投影到前沿面上，通过比较DMU偏离前沿面的程度来评估它们的相对有效性。DEA在评估复杂系统“多输入-多输出”的效率方面拥有较大优势，并且具有无须对数据进行无量纲化处理等优点，因此，运用DEA来研究效率问题的文献众多。文献[2]将DEA运用到风力发电业解析产业绩效评估；文献[3]关注于零售网络的分销效率；文献[4]则用DEA评估第3方物流供应商的运营效率，等等。然而，将DEA运用到纺织服装领域的文献则相对较少。文献[5]利用DEA研究了土耳其纺织服装业的收益性和市场性效率，文献[6]则评估了纺织服装企业的出口效率问题，但在这些纺织服装领域的文献中，利用DEA来评估企业运营效率的文献则更为少见。

综上所述，本文研究试图探究当今纺织服装企业的运营效率，并将视角拓宽到全球纺织服装业，选取中国、日本和北美3大代表性国家和地区进行对比分析，同时借助DEA方法进行效率评估。研究结果可为企业未来发展方向和战略决策提供一定参考价值。

1 评估模型

DEA用于评估若干相同类型部门或企业间的相对效率，这些部门或企业被称为决策单元。

基于文献[7]，假设待评估的DMU有n个，每个DMU都有m种输入和s种输出。其中：第j个DMU记作DMUj,j=1,2,…,n；输入向量为Xj=(x1j,x2j,…,xmj)T,xij(i=1,2,…,m)表示第j个DMU在第i项投入的输入量，且xij≥0；输出向量记为Yj=(y1j,y2j,…,ysj)T,yrj(r=1,2,…,s)表示第j个DMU在第r项产出的输出量，且yrj≥0。

设当前受评估的DMU为DMUk，则以规模收益不变(CRS)为前提的CRS-DEA模型如式(1)，规模收益不变是指投入资源增加的比率等于产出资源增加的比率。式中，S+和S-为松弛变量，θ为效率值，λ为权重参数。设式(1) 的最优解为θ0,λ0,S0+,S0-。若θ0<1，DMU为非DEA有效；若θ0=1，且S0+≠0或S0-≠0，DMU为DEA弱有效；若θ0=1，且S0+=S0-=0，DMU为DEA有效。由式(1)计算出的效率值称为技术效率(TE)。

(1)

然而实际中，DMU可能会处于规模收益递减或递增的状态，文献[8]提出了满足规模收益可变(VRS, variable returns to scale)情况的模型，本文研究称其为VRS-DEA模型，如式(2)所示：

(2)

由VRS-DEA模型计算出的效率值称为纯技术效率(PTE)，TE为技术效率。同时，基于TE值和PTE值，可计算出规模效率(SE), SE值为TE值和PTE值的比值，若SE值等于1，则规模有效；若SE值不等于1，则规模非有效。

然而，运用上述CRS-DEA和VRS-DEA模型进行效率评估时，得出的有效DMU(效率值为1)个数往往不止一个，因此，难以比较这些有效DMU间的效率优劣。文献[9]提出的超效率DEA(SE-DEA, super-efficiency DEA)模型，则可解决这个弊端。本研究的SE-DEA模型如式(3)所示。

(3)

2 指标和数据

2.1 指标说明

根据DEA理论，首先需选择适合的输入指标(投入资源)和输出指标(产出资源)。为此，本文研究通过前期文献梳理和总结，基于先行学者提出的指标，同时考虑数据库中数据的可获得性，最终确定5项输入指标和2项输出指标。并根据生产效率转换理论，构建运营效率评估架构，如图1所示。

图1 运营效率评估架构Fig.1 Framework of operational efficiency evaluation

输入指标。1) 营运资本[10-11](working capital)：通常显示在公司的资产负债表上，是指总流动资产额减去总流动负债额。一般来说，营运资本高的企业，最终所获得的收益也相对会高。2) 应收账款[4，12]：指企业在经营过程中因销售商品或提供服务等业务向购买单位收取的款项，是伴随企业信用销售行为而形成的一项债权。在激烈的市场竞争中，信用销售可有效地促进企业销售表现，特别是在企业销售新产品、开拓新市场时，信用销售更具有重要意义。3) 员工数[13-14]：劳动力密集是纺织服装业的主要特征。从原材料生产到产品制造，再到最终的销售和回收，都需要大量劳动力资源。该指标决定了企业规模大小，员工数量越多，理论上创造的价值也越多。4) 销货成本[12，15]：主要指与销售的产品直接相关的成本，如与销售的产品直接相关的原材料费、加工和制作费、保险和安全管理费等。成本在较大程度上影响着企业的最终收益。5) 营业费用[4，13]：该指标和销货成本拥有不同的含义，二者表征了企业经营过程中，资源消耗的不同路径。所以在公司的资产负债表上，这2项指标会分开列出。营业费用不一定是与销售产品直接相关的成本，如产品开发费、员工差旅费等。其次，倘若产品没有被售出，而企业为了维持运营，依然需要花费一定的营业费用，如仓库、厂房和门店的日租费等。

输出指标。1) 营业收入[15-16]：指企业在从事产品销售或提供服务等业务过程中形成的经济收入。一般分为主营业务收入和其他业务收入。本研究中，该指标没有扣除相应的成本值，属于毛收入。2) 销售净额[15，17]：指销售总额扣除现金折扣、商业折扣、销货退回等因素后的净额。该指标为净收入，与营业收入指标一起共同度量企业的销售和收益表现。

2.2 样本和数据

本文研究关注于纺织服装行业，并选取中国、日本和北美3大代表性国家和地区的纺织服装上市公司作为评估样本。然而，上市公司众多，分属各个行业和领域，因此对于纺织服装类公司的界定，本研究遵照全球行业分类标准(GICS)[18]的划分，选择“服装、饰品与奢侈品”领域，代码为25203010。继而，利用沃顿研究数据服务中心(WRDS)[19]进行数据的收集。数据收集的年限为2015年。收集过程中，将数据缺失、为零和为负数的公司剔除。同时考虑到该GICS代码下亦包括部分珠宝和手表类公司，也将其剔除。最终得到参与评估的上市公司为：中国25家，日本22家，北美23家，共70家公司，即70个DMU，每个DMU均包括5项输入指标和2项输出指标。

2.3 数据检验

不同国家拥有不同货币单位，如人民币(CNY)和日元(JPY)等。而WRDS数据平台并没有将不同国家的货币进行统一转换。如果将数据直接用于计算和分析，结果将会产生较大误差，所以需要对各国货币进行统一化处理。之前学者对于货币间的转换已有讨论，大致有2种方法，即基于汇率的转换和基于购买力平价(PPP)[20-21]理论的转换。其中，PPP理论是由瑞典经济学家Gustav Cassel提出的一种根据各国不同价格水平计算出的货币间等值系数。有文献指出基于汇率的货币转换并不十分合适，会受到通货膨胀等因素的影响，而基于PPP理论的方法则可以消除这些影响，使得货币间的对比更为准确，因此本文研究选择基于PPP理论进行货币间的转换，转换系数采用经济合作与发展组织(OECD)[22]于2015年发布的数据，其中日元对美元系数为105.33，人民币对美元系数为3.56，加元对美元系数为1.25。基于转换系数，将所有货币都转换为美元单位。转换后，对70家企业的指标数据进行统计分析，如表1所示。

表1 70家企业指标数据的统计性描述

注：数据来源于沃顿研究数据服务中心(WRDS)和经济合作与发展组织(OECD)；数据由MatLab计算得出。

另外，DEA对于指标和DMU的数量，亦有一定要求。文献[23]指出待评估的DMU数量应至少为输入输出指标总数的2倍，而文献[24]则提出3倍的更高要求。本文研究中，DMU数量70>3×(输入指标5项+输出指标2项)，因此符合评估数量要求。而DEA的输入输出指标间还需满足同向性原则[3]，即输入资源的增加不可导致输出资源的减少，因此本研究对输入输出指标进行相关性检验，得出的皮尔森(Pearson)相关系数如表2所示。由表可知，各项输入指标与输出指标均呈显著的正相关性，因此指标符合同向性原则。

表2 70家企业输入指标与输出指标间的相关性Tab.2 Correlation between inputs and outputs for 70enterprises

注：**指相关性在0.01层上显著(双尾)；数据由Matlab计算得出。

3 结果和讨论

3.1效率表现和规模收益分析

根据式(1)和式(2)，可得到CRS-DEA和VRS-DEA模型的效率值，如表3所示。其中3个代表性国家和地区的技术效率(TE，平均值0.8558)可被分解为纯技术效率(PTE，平均值0.9018)和规模效率(SE，平均值0.9485)。由表可知，70家纺织服装上市公司的技术效率(TE)均值为0.8558，即本研究所评估的公司为86%有效。这一方面说明受评估的纺织服装企业在运营效率方面依然有提升的空间，另一方面说明这些公司在保持相同水平的产出下，可以通过减少14%的平均投入来达到运营有效。

表3 受评估企业的CRS和VRS效率值(部分)Tab.3 Efficiency value of CRS and VRS for enterprises under evaluated (partial)

续表3

注：数据由Matlab计算得出。1～25号为中国企业；26～47号为日本企业；48～70号为北美企业。

进而将3个代表性国家和地区的效率均值进行对比分析，如图2所示。北美地区在技术效率和纯技术效率方面数据领先，但在规模效率方面，日本企业稍稍高于北美。技术效率反映的是在给定投入的情况下获得最大产出的能力。北美是全球经济最发达的地区，拥有的先进技术和设备，是其提升技术效率的关键。而日本基于该国的管理理念和模式，将企业规模控制在适合的水平上，是达到规模有效的重要保证。

图2 中国、日本和北美的效率均值Fig.2 Mean efficiency value of China, Japan and North America

表3中3个代表性国家和地区TE值为1的企业数量(共15家)少于PTE值为1的企业数量(共21家)，这主要是由于规模非有效造成的，即SE值小于1，因此，对于某些企业而言，虽然纯技术有效，但由于规模非有效，导致了技术效率也非有效。

在现实企业经营中，规模问题一直是管理者关注的重点，不仅决定着企业发展的方向，亦为企业进行并购、收购和重组等重大决策提供依据，因此，本文研究对规模收益情况进行深度解析。通过模型计算，可得到每个DMU相应的λ值之和，由其反应规模收益状态。海澜之家股份有限公司(中国)、十字加企业(日本)、牛津工业企业(北美)等共15家公司(占总数的21.43%)属于规模收益不变。这些企业所对应的SE值为1，为规模有效，说明这些企业当前的投入规模是最适当的，符合公司的运营现状。福建七匹狼实业股份有限公司(中国)、瑞纳企业(日本)、安德玛企业(北美)等49家公司(占总数的70%)属于规模收益递减型。对于这些企业，如果继续增加投入量只能使产出量增加的速率减小，企业不具备投资的积极性。因此，当前并不是企业扩大规模的好时机。相反，维格娜丝时装股份有限公司(中国)、大和国际企业(日本)等共6家公司(占总数的8.57%)属于规模收益递增型。对于这些企业，继续增加投入量可使产出量的递增速率增加，企业具有投资的积极性，因此，这些企业当前可考虑通过增加投入扩大公司规模，以实现规模有效。同时，当前也是这些企业进行并购或收购等的合适时机。

3.2 资源配置分析

通过模型计算，可获得每个DMU对应的各项输入指标实际值与目标值之间的差异百分比，即某项输入指标应减少多少百分比，可达到目标值。图3示出按国家和地区划分的5项输入指标平均应减少的百分比。

图3 输入指标的目标评估Fig.3 Target evaluation of inputs

总的来说，员工数是最为冗余的输入资源，平均应减少25.91%，中国高于平均数，到达47.13%，而北美地区和日本则低于平均数，分别为15.40%和12.79%。这一结果也与纺织服装业劳动力密集吻合。为了达到有效的资源配置，实现运营效率最优，各国都应该对劳动力资源进行再优化。而我国作为生产大国，虽然劳动力资源丰富，但对其进行有效的资源配置更应重视。相反，受评估的纺织服装企业在营业费用的配置上相对合理，平均应减少10.08%，而北美企业只需减少5.71%，中国和日本分别为14.76%和9.32%。受评估的企业在销货成本配置方面的表现虽次于营业费用，但亦较好，平均需减少12.16%，北美为7.40%，日本为11.08%，中国为17.50%。营业费用和销货成本两项均属成本类指标，因此受评估的纺织服装企业在成本资源配置方面表现较好，但依然有继续优化的空间。在营运资本方面，受评估的企业需平均减少19.72%，北美表现较好，为6.51%，日本为12.00%，中国为38.67%。而在应收账款方面，受评估的企业则需平均减少18.99%，北美为10.31%，日本为13.00%，中国为32.26%。这两项属于资本类指标，与成本类指标相比，继续优化的空间更大。总之，基于数据，受评估企业的输入资源均有待继续优化(尤其是劳动力资源)，以达到运营有效。而对于具体企业，资源优化情况各有差异，需根据各自国情和企业现状制定相应策略。

3.3 超效率分析

通过CRS-DEA和VRS-DEA模型，可获得效率值为1的有效企业，但个数可能不唯一。然而在现实中，有时还需对有效企业依据式(3)进行完全排序。例如，在供应商选择方面，需要在所有有效企业当中选择出表现更为出色的企业作为合作伙伴。在技术与生产力评估等方面，亦是如此。因此，进行超效率分析，对所有DMU进行完全排序，具有一定现实意义。对PTE值为1的21家受评估纺织服装企业，依照超效率值大小进行排序，结果见表4。

表4 企业的超效率值排序Tab.4 Rank of super-efficiency value

注：数据由Matlab计算得出。

其余非有效企业的超效率值与PTE值相同，不再列出。由表4可知，中国企业的排名均较为靠前(前十位以内)。同时，通过分别计算表4中3个国家和地区企业的平均超效率值发现，中国企业依然表现良好，平均超效率值为2.365 3，北美稍稍领先(2.554 9)，日本落后(1.515 6)。然而，继续观察这21家企业所属的地区发现，中国企业仅有3家(占14%)，日本8家(占38%)，北美10家(48%)，北美企业数量领先。综合分析，中国纺织服装企业呈现两级分化的趋势。优秀的中国企业已与国际接轨，它们拥有着先进的技术和管理理念，与发达国家的一流企业不相上下，共享国际资源与市场。而大多数受评估的中国纺织服装企业则表现平平，运营效率有待优化提升。究其原因，中国一直是纺织服装产品的生产大国，属于全球产业链的底端位置。但近年来，国内企业不断受到人民币升值、原材料价格上涨、劳动力成本提升、发展中国家生产的崛起以及国际订单的战略转移等挑战。促使中国纺织服装企业面临转型，并向全球产业链上游发展的局面。相反，北美和日本等发达国家已完成了产业转型，纺织服装业的整体现状较为成熟，企业发展也相对稳定。总之，虽然中国纺织服装企业的运营效率在整体上有待提升，但新一代的优秀企业(如海澜之家和森马等)表现出色，跻身国际，成为纺织服装业中的佼佼者。

3.4 标杆企业分析

由表4可知，效率最优的标杆企业是来自于北美的纺织服装公司露露柠檬(Lululemon)。该公司由Chip Wilson于1998年创立于加拿大温哥华。产品起初专注于女性瑜伽服饰，现已发展为多种男女运动服。优良的运营模式是其获得成功的关键。在供应商和制造商选择方面，露露柠檬制定了自己特有的规范“Workplace code of conduct”(职场行为准则)，包括选择合作方时的多项原则，如环境责任、健康安全、工作时长以及无歧视等。公司也会对合作方进行持续监督，从而及时发现问题。同时，公司还对合作方进行社会责任评分，总分为100分，划分为4个部分。在货品方面，露露柠檬和其他品牌相比，一直保持着较低的店面库存，每季新品的SKU (stock keeping unit)数量也相对少，从而使得公司对库存的管理更为精确，也降低了过季库存带来的损失。其产品鲜有折扣，但过硬的质量和简约时尚的设计却保证了品牌价值和忠实顾客群。在营销活动方面，露露柠檬也有独特的策略，如推出的“汗水生活(the sweat life)”理念与活动，瑜伽教室等，符合了都市人群越来越注重的健康意识。可以说，露露柠檬如今销售的不仅是简单的服装产品，更是一种生活态度。此外，露露柠檬也十分注重环境保护，一直致力于产品设计、制造、包装以及运输等革新以减小对环境的影响。公司也与环境专家和非政府组织保持紧密联系以提高企业的环境责任力。总之，基于露露柠檬成功的运营模式，其销售净额从2009年的45 419.8万美元和2012年的13 703.58万美元，增长到2015年的20 605.23万美元[19]。目前，露露柠檬已开始进军中国市场，优质的品牌产品必定会吸引众多消费者。同时，其优良的运营模式也值得国内企业学习和借鉴。

本节从4个方面对中国、日本和北美3大代表性国家和地区的纺织服装企业运营表现进行分析，结果可为企业在规模发展、投资并购、资源优化以及合作伙伴选择等方面提供决策参考。

4 结 语

本文研究目的在于评估当前纺织服装企业的运营效率，选取了中国、日本和北美3大代表性国家和地区的70家上市公司作为评估对象。基于数据包络分析理论，优选出5项输入指标和2项输出指标，并提出CRS-DEA、VRS-DEA和SE-DEA 3个评估模型进行数据分析。研究发现：1)受评估的企业为86%有效，依然有进一步提升运营效率的空间，并且发现企业的技术效率非有效主要受到规模效率的影响。2)对于规模收益，21.43%企业属于规模收益不变，拥有适合的规模；70%企业属于规模收益递减，企业不具备投资的积极性；8.57%企业属于规模收益递增，可以考虑扩大公司规模来实现规模有效。3)在资源配置方面，劳动力是最为冗余的输入资源，而受评估的纺织服装企业在成本配置方面表现较好，资本配置方面次之，有待继续优化以提升运营效率。4)通过分析，中国纺织服装企业的运营表现呈两级分化状态，虽然整体表现一般，但新一代的优秀企业(如海澜之家和森马等)已跻身国际一流水平，表现不俗。而来自北美的露露柠檬公司，表现出色，其优良的运营模式值得其他企业学习和借鉴。

今后的研究，在数据条件允许的情况下，可考虑对比分析若干年份内纺织服装企业的运营效率表现，将基于汇率和基于PPP理论的货币转换后的效率表现进行对比，亦是未来研究的另一方向。

[1] GLADYS L A, RAYMOND R, YANG Y, et al. Sewing Success: Employment, Wage, and Poverty Following the End of the Multifibre Arrangement[M]. Shanghai: Donghua University Press, 2013: 1.

[2] LIU Y, REN L, LI Y, et al. The industrial performance of wind power industry in China[J]. Renewable and Sustainable Energy Reviews, 2015, 43: 644-655.

[3] LAU K H. Measuring distribution efficiency of a retail network through data envelopment analysis[J]. International Journal of Production Economics, 2013, 146(2): 598-611.

[4] MIN H, JONG Joo S. Benchmarking the operational efficiency of third party logistics providers using data envelopment analysis[J]. Supply Chain Management: an International Journal, 2006, 11(3): 259-265.

[5] ERDUMLU N. Efficiency benchmarking based on data envelopment analysis: a case for Turkish textile sector[J]. Journal of the Textile Institute, 2015, 107(6): 702-710.

[6] YENILMEZ F, GIRGINER N. Assessing export performance of textile companies in Eskisehir organized industrial zone by use of data envelopment analysis[J]. Tekstilve Konfeksiyon, 2012, 22(1): 12-17.

[7] CHARNES A, COOPER W W, RHODES E. Measuring the efficiency of decision making units[J]. European Journal of Operational Research, 1978, 2(6): 429-444.

[8] BANKER R D, CHARNES A, COOPER W W. Some models for estimating technical and scale inefficiencies in data envelopment analysis[J]. Management Science, 1984, 30(9): 1078-1092.

[9] ANDERSEN P, PETERSEN N C. A procedure for ranking efficient units in data envelopment analysis[J]. Management science, 1993, 39(10): 1261-1264.

[10] WANG D, LI S, SUEYOSHI T. DEA environmental assessment on US Industrial sectors: investment for improvement in operational and environmental performance to attain corporate sustainability[J]. Energy Economics, 2014, 45: 254-267.

[11] SUEYOSHI T, WANG D. Radial and non-radial approaches for environmental assessment by data envelopment analysis: corporate sustainability and effective investment for technology innovation[J].

Energy Economics, 2014, 45: 537-551.

[12] LI S, SHANG J, SLAUGHTER S A. Why do software firms fail? capabilities, competitive actions, and firm survival in the software industry from 1995 to 2007[J]. Information Systems Research, 2010, 21(3): 631-654.

[13] LU W M, HUNG S W. Exploring the efficiency and effectiveness in global e-retailing companies[J]. Computers & Operations Research, 2011, 38(9): 1351-1360.

[14] SUEYOSHI T, WANG D. Sustainability development for supply chain management in US petroleum industry by DEA environmental assessment[J]. Energy Economics, 2014, 46: 360-374.

[15] CHANG S Y, CHEN T H. Performance ranking of Asian lead frame firms: a slack-based method in data envelopment analysis[J]. International Journal of Production Research, 2008, 46(14): 3875-3885.

[16] SARANGA H. The Indian auto component industry-estimation of operational efficiency and its determinants using DEA[J]. European Journal of Operational Research, 2009, 196(2): 707-718.

[17] CHANDRA P, COOPER W W, LI S, et al. Using DEA to evaluate 29 Canadian textile companies—considering returns to scale[J]. International Journal of Production Economics, 1998, 54(2): 129-141.

[18] Global industry classification standard (GICS)[EB/OL]. [2016-08-07]. https://www.msci.com/gics.

[19] Wharton research data services (WRDS)[EB/OL]. [2016-08-07]. https://wrds-web.wharton.upenn.edu/wrds/.

[20] TONE K, TSUTSUI M. Decomposition of cost efficiency and its application to Japanese-US electric utility comparisons[J]. Socio-economic Planning Sciences, 2007, 41(2): 91-106.

[21] GOTO M, TSUTSUI M. Comparison of productive and cost efficiencies among Japanese and US electric utili-ties[J]. Omega, 1998, 26(2): 177-194.

[22] Organisation for economic co-operation and develop-ment (OECD)[EB/OL]. [2016-08-07]. http://www.oecd.org/.

[23] GOLANY B, ROLL Y. An application procedure for DEA[J]. Omega, 1989, 17(3): 237-250.

[24] COOPER W W, LI S, SEIFORD L M, et al. Sensitivity and stability analysis in DEA: some recent develop-ments[J]. Journal of Productivity Analysis, 2001, 15(3): 217-246.

Operationalefficiencyevaluationoftextileandclothingenterprisesbasedondataenvelopmentanalysis

HUANG He1， YANG Yixiong1,2

(1.Fashion&ArtDesignInstitute,DonghuaUniversity,Shanghai200051,China; 2.KeyLaboratoryofClothingDesignandTechnology,MinistryofEducation,DonghuaUniversity,Shanghai200051,China)

In order to evaluate the operational efficiency of textile and clothing enterprises and then assist enterprises to make decisions for partner selection or investment, three typical global regions, China, Japan and North America were selected to conduct contrastive analysis, and 70 textile and clothing listed enterprises were filtered. Based on DEA approach, three evaluation models of CRS-DEA, VRS-DEA and SE-DEA, were proposed to conduct the analysis of efficiency performance, returns to scale, resource allocation and benchmarking enterprise. The results show enterprises under evaluation are 86% efficient, thus they still have the room for improvement; 70% of enterprises show decreasing returns to scale, thus they have the low investment enthusiasm; the labor redundancy is the main problem for resource allocation, and the cost allocation performance is better that followed by capital allocation performance; Chinese enterprises have a trend of polarization in operational efficiency; and the Lululemon company of North American shows a distinguished performance.

textile and clothing enterprise; data envelopment analysis; operational efficiency; returns to scale; resource allocation

TS 941.1

A

10.13475/j.fzxb.20161101608

2016-11-07

2017-05-31

上海高校知识服务平台(海派时尚设计及价值创造协同创新中心)资助项目(13S107024)；东华大学非线性科学研究所交叉项目(INS-1401)

黄河(1988—), 男, 博士生。主要研究方向为服装供应链管理。杨以雄, 通信作者, E-mail: yyx@dhu.edu.cn。