基于DEA的光伏企业经营绩效评价指数研究

罗 珏

(武汉理工大学 计划财务处，湖北 武汉 430070)

目前，光伏产业已经成为我国可再生能源产业中继风力发电之后发展最快的产业。然而，由于各地纷纷出台政策促进产业发展，造成了各地发生重复建设、盲目投资的现象，引发了光伏产业产能过剩的问题。据不完全统计，全国31个省市自治区均把光伏产业列为优先扶持发展的新兴产业；600个城市中有300个选择发展太阳能光伏产业，100多个建设了光伏产业基地。这造成了光伏产业产能过剩的现象，浪费了大量资源，不利于我国光伏产业的发展。

目前我国对于光伏企业经营绩效评价的研究较少。刘雪琴等基于我国太阳能光伏产业上市公司的财务报告数据，运用 DEA(data envelopment analysis)方法对 28 家光伏企业2010—2012年的经营绩效进行了评价分析，结果表明：大多数光伏企业没有处在有效生产前沿面上，主要是因为企业没有处于纯技术效率完全有效状态和规模最优位置[1]。周雪等利用DEA理论中的BCC模型对中国光伏产业23家上市公司的经营绩效进行研究，发现有些企业处于非DEA有效，整个产业发展不平衡[2]。康晓虹基于46家新能源上市公司2014年度财务报表数据，对新能源行业上市公司的经营绩效进行实证分析，结果表明新能源产业发展较快，但盈利水平落后于发达国家的同行业，其中融资成本过高是新能源企业综合效益差的主要原因[3]。上述研究更多是利用DEA模型对光伏企业的财务数据进行经营效率评价，投入产出指标数量有限，指标选取只侧重某一方面，分析评价不够全面。光伏产业产能过剩的根本原因是投入没有得到有效产出，笔者在借鉴国内学者现有成果的基础上[4]，在评价指标上选取国资委制定的企业绩效评价标准值指标，利用熵权法构建基于DEA的经营绩效评价指数体系，探索企业经营绩效评价的创新模式，掲示光伏产业出现产能过剩的问题，提高光伏产业投入产出效率。

1 国资委制定的企业绩效评价标准值的经验借鉴

企业绩效评价标准值是国务院国资委统计评价局根据《中央企业综合绩效评价管理暂行办法》(国务院国资委令第14号)等文件规定，以全国国有企业财务状况、经营成果等数据资料为依据，参照国家统计局工业与流通企业月报数据及其他相关统计资料，对上年度国有经济各行业运行状况进行客观分析和判断的基础上，运用数理统计方法测算制定衡量企业运营管理水平的评价标准。企业绩效评价标准值主要包括盈利能力、资产质量、债务风险、经营增长4个方面。每个方面的具体指标为： ①盈利能力：净资产收益率、总资产报酬率、销售利润率、盈余现金保障倍数、成本费用利润率；②资产质量：总资产周转率、应收账款周转率、不良资产比率、流动资产周转率、资产现金回收率；③债务风险：资产负债率、已获利息倍数、速动比率、现金流动负债比率、带息负债比率、或有负债比率； ④经营增长：销售增长率、资本保值增值率、销售利润增长率、总资产增长率、技术投入比率。

2 基于DEA的经营绩效评价指数体系

(1)基于DEA的经营绩效评价指数的框架结构。近年来关于投入产出绩效相对量的研究，主要解决了企业投入和产出之比的问题，然而，各项投入对各项产出的贡献并不匹配，产出指标的类型也没有具体的划分。企业绩效评价标准值中，企业的评价指标被分为盈利能力、资产质量、债务风险和经营增长4个方面。可见，在评价企业经营绩效时，需要将能够真正反映企业经营成果的指标提炼出来，从不同的方面利用DEA模型对不同企业进行投入产出的考评，最后按照熵权法将不同方面的评价指标合成为总体的经营绩效评价指数。在得到各企业经营绩效评价指数后，可以对各企业经营效率情况进行排名，还可以对经营绩效较差的企业通过DEA的投入过量和产出不足分析制定绩效改进方案。基于DEA的经营绩效评价指数框架结构如图1所示。

图1 基于DEA的经营绩效评价指数框架结构

(2)基于DEA的经营绩效评价指数的指标遴选。根据企业绩效评价标准值的4个考评方面，基于DEA的经营绩效评价指数的指标体系将投入要素划分为直接成本投入、直接人工投入、长期资产投入和研发投入，将产出要素划分为盈利能力、资产质量、债务风险和经营增长。基于DEA的经营绩效评价指数的指标遴选思路是将投入要素与产出要素进行综合比较，以反映投入产出效率。具体指标如表1所示。

表1 基于DEA的经营绩效评价指数指标

(3)基于DEA的经营绩效评价方法。结合近年来国内外学者对绩效评价方法遴选的研究成果，笔者拟采用数据包络分析法(data envelopment analysis，DEA)解决企业经营绩效评价的问题。数据包络分析的优越性主要表现在以下3个方面：①可以同时计算多种输入与输出指标，输入和输出的数据可以是不同计量单位的指标，而且不需要预先确定指标间的关系和赋权值；②DEA方法改变了以往评价方法中将有效与非有效混为一谈的局面，可以估计出确实有效的生产前沿面；③DEA致力于每个评价单元优化而不是对整个集合的统计回归优化，与传统的计量经济学方法相比，DEA不需要预先已知的带有参数的函数形式[5]。

在用DEA进行企业经营绩效评价指数计算时，首先将直接成本投入、直接人工投入、长期资产投入和研发投入作为DEA的投入变量，将盈利能力、资产质量、债务风险和经营增长作为产出变量代入DEA模型，分别得到盈利能力绩效评价指数、资产质量绩效评价指数、债务风险绩效评价指数和经营增长绩效评价指数，并计算各企业经营绩效评价指数。

3 基于DEA的经营绩效评价指数模型构建

笔者将表1中的8个二级经营绩效评价值作为回归模型的解释变量，将合成的企业经营绩效评价指数OPI作为回归模型的被解释变量，构建多元线性回归模型检验二级经营绩效评价值对企业经营绩效的影响，有：

OPI=a+b1ROA+b2ROE+b3TAT+b4TAR+

b5TIE+b6EM+b7TAGR+b8CPA+ε

(1)

式中：a、b1～b8均为系数；ε为误差项。

企业经营绩效评价指数(OPI)由盈利能力绩效评价指数(OI1)、资产质量绩效评价指数(OI2)、债务风险绩效评价指数(OI3)和经营增长绩效评价指数(OI4)组成，可用式(2)表示。

OPI=OI1×ω1+OI2×ω2+

OI3×ω3+OI4×ω4

(2)

式中：ω1～ω4为权重系数，由熵权法根据企业经营不同的绩效评价值的信息熵计算得到；4个维度的经营绩效评价指数分别用DEA评价结果形成的技术效率值(或称整体效率)表示[6]。技术效率是纯技术效率和规模效率的乘积，纯技术效率是由于管理和技术等因素影响的生产效率，规模效率是由于规模因素影响的生产效率[7-10]。一般而言，当技术效率值为1时，表示最有效率的企业，即其整体运作上是处于最佳的状况，反映在给定投入的情况下各决策单元获取最大产出的能力。而纯技术效率值越高表示其投入资源使用情形越有效率，规模效率值越高表示规模越适合，生产率也越大[11-13]。由于0≤技术效率≤1，因此0≤OIi≤1。

(1)构造绩效评价值矩阵。通常情况下，各个绩效评价值之间具有不同的类型和量纲，无法直接进行比较，必须对其进行相应的处理，使其成为无量纲的标准数据后再进行计算。经无量纲化和指标同向化处理后，m家上市公司的n个维度的经营绩效评价值矩阵为：

(3)

其中，rji为第i项指标下第j家公司的绩效评价值,j=1,2，…,m;i=1,2，…,n。

(2)计算第i项指标下第j家公司绩效评价值的比重pji。

(4)

(3)计算第i项绩效评价值的信息熵值。

(5)

根据信息论对于系统信息熵的定义，某一个绩效评价值的信息熵值ei越小，表明各企业间的绩效评价值具有较高的差异性，则该绩效评价值在用来评价企业经营效率时就越具有代表性。

(4)定义gi为第i项绩效评价值的差异性系数，规定gi=1-ei，显而易见，gi越大，绩效评价值间的差异越大，该绩效评价值在模型中的作用越大，反之则作用越小。

(5)定义熵权。通过上述熵值公式，定义某一绩效评价值的熵权ωi，如式(6)所示。熵权的大小可以反映绩效评价值在经营效率评价时作用的大小。

(6)

4 实例应用研究

4.1 样本和数据来源

在进行DEA相对绩效评价时，首先要决定哪些是决策单元(DMU)，即要评估的对象。选择决策单元要满足同质性，即DMU在相同的组织目标下，执行相同的工作任务；或所有受评价对象在相同市场条件下运作，投入产出要素是相同的[14-17]。根据此原则，选取2015年我国的27家光伏上市企业作为经营绩效评价决策单元。样本数据主要来源于国泰安数据库和各企业2015年财务报告，少量数据经过人为加工。

4.2 多元回归结果分析

(1)相关性分析。根据式(1)，笔者首先分析被解释变量与解释变量之间的相关性，并进行共线性诊断，结果如表2所示，可以看到大多数自变量之间表现为较弱的相关性或无相关性，因此模型基本不存在共线性问题。

(2)回归分析。二级经营绩效评价值与企业经营绩效评价指数回归结果如表3所示。从表3可以看到，调整后R2为0.439，F统计值为12.309，显著性水平低于1%，说明该模型的显著性较好。从回归结果可看出,二级经营绩效评价值对企业经营绩效评价指数具有显著的正向影响作用。

4.3 光伏企业经营绩效评价分析

保持投入固定，以盈利能力、资产质量、债务风险和经营增长作为产出变量，导入DEA模型，分别进行盈利能力绩效评价指数(OI1)、资产质量绩效评价指数(OI2)、债务风险绩效评价指数(OI3)和经营增长绩效评价指数(OI4)分析，得到绩效得分情况如表4所示,可看出在27家光伏上市公司的8个二级经营绩效评价值中，净资产收益率评价值(ROE)、应收账款周转率评价值(TAR)、权益乘数评价值(EM)和资本保值增值率评价值(CPA)的平均值都很低，表明这27家公司普遍存在“盈利能力”、“资产质量”、“债务风险”和“经营增长”产出效率不足的情况。

表2 二级经营绩效评价值与企业经营绩效评价指数相关性检验结果

表3 二级经营绩效评价值与企业经营绩效评价指数回归结果

将27家企业的4个维度的企业绩效评价值代入熵权法的计算式(式(3)～式(6))，可得到8个绩效评价值的信息熵权重，见表4。根据式(2)，可得到27家光伏上市企业2015年的经营绩效评价指数，结果如表5所示。

表4 2015年光伏企业经营绩效评价值及信息熵

续表4

表5 2015年光伏企业经营绩效评价指数

由表5可知，在27家光伏上市公司中，经营效率评价指数的平均值为0.594。其中盈利能力绩效评价指数和资产质量绩效评价指数出现均值偏低的情况，主要原因在于：2015年大多数上市公司的盈利状况和资产质量出现非效率有效的现象。经营效率评价指数排名第一的企业为DMU8，表明该企业的经营效率在27家光伏上市公司总产出效率达到最佳水平，经营绩效相对较好。其中，DMU8的“盈利能力绩效评价指数”和“资产质量绩效评价指数”排名靠前，说明其盈利状况和资产质量都处于相对较好的状态，提升了该企业整体的经营状况。对于其余26家企业存在一定程度的资源浪费问题，其原因可能是我国对光伏企业的支持力度逐步加大，企业盲目扩大生产规模而不重视经营管理水平所导致的。

笔者以经营效率评价指数排名最后一位的DMU15为例，给出提高其经营效率的建议。由表5可知，DMU15企业经营效率低的主要原因是该企业的盈利能力、债务风险和经营增长效率过低，分别在27家企业中排第27位、第26位和第26位，显示出其明显的“高投入-低产出”特征。为了促进该企业改进经营效率，根据DEA的评价结果，以该企业的盈利能力绩效为例，在投入方面，企业DMU15每年应减少购买商品、接受劳务支付的现金，减少支付给职工及为职工支付的现金，减少购建固定资产、无形资产和其他长期资产支付的现金，减少研发投入。同时，在产出方面，应着力提升资产报酬率和净资产收益率。

5 结论

企业绩效评价标准值对正确评价我国国有企业的经营绩效提供了客观全面的标准，对提升企业的经营水平，推动企业不断进行改革调整起到了重要作用。笔者在借鉴企业绩效评价标准值的评价指标基础上，利用DEA模型从盈利能力、资产质量、债务风险和经营增长4个维度构建了光伏企业经营绩效评价指数模型，使企业了解经营中的薄弱环节，提出有针对性的改进措施，有助于增强企业的竞争能力，并对我国探索企业经营绩效评价的创新模式有一定的参考价值。

参考文献：

[1] 刘雪琴,王建明,陈红喜,等.基于DEA模型的上市公司经营绩效评价研究：来自光伏产业的数据[J].财会通讯,2014,35(27):44-46.

[2] 周雪,冯凌茹.欧债危机对光伏产业的影响：基于DEA的融资效率分析[J].科技管理研究,2014,34(14):125-128.

[3] 康晓虹.太阳能产业上市公司经营效率变化实证分析[J].会计之友,2015,32(24):47-52.

[4] 王小宁,王起彤,都灵.基于DEA技术的高校固定资产管理绩效评价：以教育部直属高校为例[J].会计之友,2015,32(24):79-83.

[5] 崔治文,周平录,杨洁.我国丝绸之路经济带地区财政汲取能力分析：基于DEA模型的Malmquist指数方法[J].会计之友,2015,32(24):125-129.

[6] 张友棠,李思呈,曾芝红.基于DEA的大学预算绩效拨款模式创新设计[J].会计研究,2014,35(1):64-70.

[7] 丁小东,徐菱,姚志刚.基于DEA方法中国交通运输行业绩效评价[J].武汉理工大学学报,2011,33(3):77-81.

[8] 刘静卜.基于DEA的中国民航运营效率分析及评价[J].武汉理工大学学报(信息与管理工程版),2011,33(3):483-487.

[9] 刘国芳.基于DEA模型的上市公司市值管理绩效评价[J].武汉理工大学学报(信息与管理工程版),2010,32(1):132-134.

[10] 陈永高,周明荣,钟振宇.基于超效率DEA的上市建筑企业经营效率分析[J].武汉理工大学学报(信息与管理工程版),2010,32(3):502-506.

[11] 张金隆,汪佳.基于DEA的企业核心能力评价[J].武汉理工大学学报(信息与管理工程版),2007,29(6):103-106.

[12] 金丹灵,张家炜.基于DEA方法的我国上市银行效率实证分析[J].武汉理工大学学报(信息与管理工程版),2014,36(5):695-699.

[13] 徐娟,阳建辉,叶小青.中小企业融资的银行借贷效率实证研究[J].武汉理工大学学报(信息与管理工程版),2013,35(6):925-928.

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

[15] 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.

[16] CHARNES A,COOPER W W, LEWIN A Y,et al.Data envelopment analysis: theory, methodology and applications [M].Boston:Kluwer,1995:23-89.

[17] 魏权龄.数据包络分析[M].北京:科学出版社,2006:5-35.