基于Super-SBM和Malmquist指数的区域建筑业效率研究

2020-04-06金长宏郭德润

荆楚理工学院学报 2020年6期

金长宏郭德润

摘要：对建筑业效率评价的相关投入产出指标进行研究;收集并整理2012～2018年江、浙、沪、皖四省市相关数据，借助超效率SBM模型对各地区建筑业效率进行测算，并就其时空差异进行分析;采用Malmquist指数模型研究了2012～2018年全要素生产率指数及其分解后各指数的动态变化。研究结果表明：研究期内各地区建筑业效率整体呈现波动中缓慢增长的趋势。同时浙江省、上海市建筑业效率较高，但上海市效率波动较大。江苏省建筑业效率接近有效状态，相比较之下安徽省则相对无效。此外，技术进步对长三角地区建筑业全要素生产效率的提升的贡献相较于技术效率更为突出。最后给出了建筑业效率提升的建议。

关键词：建筑业;生产效率;超效率SBM模型;Malmquist指数

0 引言

自2010年以来，建筑业增加值占国内生产总值的比例始终保持在6.6%以上，并于2019年达到7.16%[1]。建筑业作为我国经济发展进程中一大支柱性产业的地位依然稳固。但在我国经济发展进入“新常态”的背景下，建筑业发展增速同国内经济发展一样有所放缓。在有关建筑业经济增长影响因素的众多研究中，段宗志等[2]利用2005～2015年安徽省建筑业相关数据进行主成分回归发现建筑业固定资产投资与从事建筑业的人员数量对建筑业总产值有较大影响;相比较之下，技术装备率影响较小。

另一方面，由于建筑业能源消耗大、环境污染严重等特点，社会各界普遍提倡建筑业节能减排，发展绿色建筑。虽然住房与城乡建设部通过积极推广建筑信息化、工业化、绿色化等新技术，推行行业体制改革以提高建筑业生产效率，并取得显著成果，但我国建筑业生产效率同发达国家之间的差距仍客观存在。鉴于技术进步以及生产率的提高在建筑业长期经济增长中的核心地位。要实现建筑业从要素驱动、投资驱动转向技术驱动、创新驱动的高质量发展，对建筑业生产效率的研究势在必行。

1 文献综述

2003年以前，学术界对建筑业生产效率问题鲜有涉猎，这一状况直到David Pearce教授发表《建筑产业的经济与社会价值》才有所好转[3]。刘炳胜等[3]运用Malmquist指数模型对中国区域建筑业生产效率进行研究时发现：技术进步对我国2006～2009年建筑业全要素生产率增长具有主要贡献;此外，改善规模效率也并非长久有效的措施。我国未来只有把握纯技术效率的提升并追求技术上的突破才是建筑产业实现长久发展的一剂良方。刘炳胜等[4]从建筑产业链角度对建筑产业效率进行了研究，拓展了建筑业效率研究的思路。翁清等[5]利用增加值法筛选出用于建筑业效率评价的投入、产出指标，并运用能减少环境因素和随机误差影响的三阶段DEA模型和Malmquist指数分别对2007～2014年华东地区建筑业效率的静态水平与动态变化进行研究，结果表明，研究期内华东地区建筑业效率总体呈上升趋势。曹泽等[6]收集并整理2006～2013年中国建筑业的面板数据，同时借助了随机前沿分析法，对影响建筑业技术效率的因素做出研究，研究结果表明我国建筑业技术效率呈上升趋势，固定资产投资、科技投入的增加对建筑业技术效率存在明显的正向影响。郭伟建等[7]以华东地区七省市建筑业为研究对象，分析了2008～2015年华东地区建筑业效率变化情况。花均南等[8]运用30个省份的面板数据分析了在环境与资源的约束下建筑业的绿色全要素生产率。

通过文献阅读发现目前学界对建筑业效率评价的研究在一个类似的框架下进行，但主要的差异在于研究方法的选择、投入产出指标的选取、研究层次方面。建筑业效率研究方法主要存在参数法和非参数法两种。

参数法需要设定生产函数拥有某种特定形式，但是设定具体生产函数形式的不合理便可能会造成误差，比如随机前沿分析（SFA）。

相较于参数法，非参数法因不需要太多的假设条件而被学术界广泛使用，比如数据包络分析（DEA）。但是基于径向的和投入或产出角度的传统数据包络分析忽视了各投入变量可以不按等比例改进或者松弛因素存在的可能。另外传统DEA评估结果是相对效率而非绝对效率，无法对多个效率值均等于1的决策单元（DMU）实现效率排序。针对以上不足，王幼松等[9]、李公祥等[10]使用了改进后的超效率DEA模型进行研究。

鉴于上述研究的优缺点，本文采用一种非径向（Non-radial）、非角度（Non-oriented）的DEA方法——超效率SBM（Slack-based Measure）模型与Malmquist生产率指数来分别测算长三角地区江、浙、沪、皖四省市建筑业生产效率和全要素生产率。

2 研究方法与指标选取

2.1 研究方法

2.1.1 超效率SBM模型

2.1.2 Malmquist生产率指数

作为一种研究效率动态变化的方法，Malmquist指数模型被广泛的运用于各行各业。它不仅可以分析全要素效率（Total Factor Productivity，TFP）的变动，还可以分解为綜合技术效率（effch）与技术进步指数（tech）。即TFP取决于技术效率和技术进步共同作用。而综合技术效率变化同时受纯技术效率变化（pech）和规模效率变化（sech）的影响。于是有TFP=effch×tech=pech×sech×tech。

当从t到t + 1期间的Malmquis指数测算结果大于1时，表明从t期到t + 1期全要素生产效率呈上升趋势;当测算结果等于1时，表明效率不变;当测算结果小于1时，效率呈下降趋势。

2.2 指标选取与数据采集

2.2.1 决策单元

选取2012～2018年长三角地区江、浙、沪、皖等省市建筑业相关的投入产出指标，形成总计28个决策单元的数据包络模型，可以对建筑业生产效率进行时空差异分析;同时决策单元数量与投入产出指标数目满足2N + 1 < M（N为投入产出指标个数，M为决策单元），避免投入产出指标相对于DMU数量过多而导致高估决策单元的相对有效性[13]。

2.2.2 投入指标与产出指标的选取

选取规范、合理的指标是运用超效率SBM-Malmquist方法进行评价建筑业效率的基础。在考虑指标可获取性的同时，需满足评价要求，真实地反映决策单元的实际生产效率状况，所选指标数量不宜过多或重复。

一部分学者利用增加值法或因子分析法对指标进行选取。例如，翁清等[5]利用增加值法研究了用于评价的投入产出指标，她以建筑业产值作为被解释变量，其他指标为解释变量;进行回归分析与显著性的t检验，并进行指标间的共线性分析。然而大多数学者选取指标时主要还是根据自己的经验与思考，再结合前人的研究而最终确定的。

本文选取资源消耗、劳动力投入、资本投入和技术水平等作为投入指标，选取建筑业总产值、建筑业利税总额和建筑业施工面积作为产出指标，各指标具体介绍如表1所示。

2.2.3 数据来源及处理

本文所使用的数据直接或间接来源于《中国统计年鉴》（2013～2019）或者《中国建筑业统计年鉴》（2013～2019）。在需要统计的指标中，资源消耗量由于资源投入种类多且单位不统一，需要进行进一步测算。

范建双等[14]在测算资源消耗指标时，采用能值分析法将建筑业钢材、木材和水泥“三材”消耗量统一换算成的太阳能值。并在此基础上，对其进行加总求和来衡量资源消耗。则某年度某地区建筑业资源投入能值测算公式如下

本文选取材料资源类别，计算出各种材料资源投入能源转换率，如表2所示，其中玻璃使用量单位为重量箱，应按照1重量箱约为50 kg进行单位统一。

结合表3、图1、图2可知，总体上，超效率SBM模型的效率值总是处于超效率BCC模型效率值图形之下，说明松弛变量的引入对建筑业技术效率评价产生了较大影响，也表明通过超效率SBM模型计算出的建筑业技术效率值更符合实际、更可靠，避免高估评价对象效率的问题。

从时间序列角度分析，2012～2018年间长三角地区建筑业技术效率整体在波动中缓慢增长。基于超效率SBM模型测算得到的长三角地区建筑业技术效率均值由2012年的0.774 2上升至2018年的1.891;虽然在2014年、2016年、2017年有所退步，但在2018年实现整体有效。

从地区差异角度来看，上海市、江苏省、浙江省、安徽省2012～2018年建筑业年均技术效率分别为：1.355、0.949、1.098、0.597。2012～2018年浙江省建筑业技术效率始终保持在1以上，在长三角地区表现出色。相比较之下，安徽省建筑业投入产出较为无效，直到2018年才达到1.05，年均技术效率仅为上海市的44%。这一方面说明安徽省建筑业生产效率在长三角地区处于相对劣势，因此在深化长三角一体化发展的历程中，需要借鉴学习上海市、浙江省等地区的宝贵经验，以促进安徽省建筑业生产力持续发展。另一方面，基于超效率模型可以对无效率来源进行分析的优势发现，投入的无效率是安徽省建筑业相对低效率的主要原因，产出的无效率则是次要原因。并且投入的无效率中固定资产投资的无效率和资源消耗的无效率占绝大部分。因此推断安徽建筑业可能出现了过度投资和资源利用不充分的现象。

2018年上海市尽管在决策单元中效率值中排名第一并且年均效率处于领先地位，但与浙江省相比，其波动性与不确定性较大。江苏省的技术效率值存在波动性和不确定性，但就其均值而言，与浙江省、上海市等地区还存在一定差距。虽然在建筑业技术效率我国东部、中部、西部地区存在差异，但是像长三角地区这样经济发达的东部区域，其各省市建筑业发展效率也存在不协调。

3.2 Malmquist指数的测算与结果分析

利用DEA Solver Pro软件，测算出2012～2018年长三角地区建筑产业全要素率指数及其分解后的指数动态变化，相应数据详见表4。

由表4可知，2012～2018年长三角地区建筑业全要素效率M指数年均增长率为14.1%，说明长三角建筑业效率有了明显提高。从建筑业全要素年均M指数的分解来看，综合技术效率年均下降0.6%，技术进步指数年均增长率为14.7%。并且纯技术效率变化无显著变化。所以技术进步对长三角地区建筑业全要素生产效率的提升的贡献相较于技术效率更为突出。制约效率提升的障碍全部来自规模效应。

长三角地区理念四省市建筑以平均Malmquist指数以及分解变化如图3所示。

结合图3可知，2012～2017年建筑业全要素效率指数呈现近似振幅逐渐减小的正弦波动，2018年达到最大值并且与技术进步指数曲线高度重合。

4 研究结论及建议

4.1 结论

第一，同时测算出标准SBM模型、以投入为导向的超效率BCC模型、超效率SBM模型等三种模型对应的效率评价值，并对结果進行了比较，检验结果显示超效率SBM模型的运用是合理、可靠的。

第二，运用超效率SBM模型对长三角地区四省市的建筑业效率进行了评价，研究结果表明2012～2018年间，长三角地区建筑业的总效率处于较高区间（均值达到0.999 8），各地区建筑业效率整体呈现在波动中缓慢增长的趋势。空间差异上，浙江省、上海市建筑业效率较高，但上海市效率波动较大。江苏省建筑业效率接近有效状态，相比较下安徽省则相对无效。

第三，基于Malmquist全要素生产指数模型，研究TFP动态变化并对其进行分解，从而进一步分析指数变化的原因，研究发现，一方面，2012～2018年长三角地区建筑业全要素效率M指数年均增长率为14.1%。2012～2017年建筑业全要素效率指数呈现近似振幅逐渐减小的正弦波动，2018年达到最大值。另一方面，技术进步对长三角地区建筑业全要素生产效率的提升的贡献相较于技术效率更为突出。

4.2 建议

长三角一体化进程的深化所引发的建筑热潮，必将带来大量固定资产投资。基于上述研究结论，提出对我国建筑业效率提升的总体建议：

第一，各地区应优化资源配置，合理利用建筑业投资，积极引导资金向经济落后地区流动，重视所带来的乘数效果。

第二，必须积极研发、引进并推广建筑业新技术，提高生产效率与资源的利用效率;减少在发展过程中对资本、劳动力的过度依赖，加大技术投入，提高生产效率;从要素驱动、投资驱动转向技术驱动、创新驱动，推进建筑业转型升级;实现资源、环境约束条件下建筑业的可持续发展。

第三，在关注技术投入和固定资产投资对建筑业技术效率提升的同时，应深化建筑业改革，建成现代化的管理体制。

参考文献：

[1] 中国建筑业协会.2019年建筑业发展统计分析[N].中国建设报，2020-04-10（005）.

[2] 段宗志，曹家玮，杨苏.基于主成分回归的安徽建筑业经济增长影响因素研究[J].安徽建筑大学学报，2017，25（6）：63-68.

[3] 炳胜，陈晓红，王雪青，等.中国区域建筑产业TFP变化趋势与影响因素分析[J].系统工程理论与实践，2013，33（4）：1 041-1 049.

[4] 刘炳胜，王敏，李灵，等.中国建筑产业链两阶段综合效率、纯技术效率、规模效率及其影响因素[J].运筹与管理，2019，28（2）：174-183.

[5] 翁清，马骏，袁军.基于三阶段DEA-Malmquist的华东地区建筑业效率研究[J].工程管理学报，2016（3）：42-47.

[6] 曹泽，任阳军，沈圆，等.基于SFA和Malmquist方法的建筑業技术效率研究[J].唐山学院学报，2015，28（6）：96-100.