基于DEA-BP神经网络的江苏省服务外包投入产出效率研究

楚岩枫，朱天聪，郝鹏飞

(南京航空航天大学 经济与管理学院，南京 211106)

一、引 言

21世纪以来，经济全球化和世界经济一体化进程不断加快，国际贸易快速发展，与此同时，企业国际间的竞争也日趋激烈。为了提高企业的核心竞争力，企业纷纷将部分业务外包至其他国家和地区，服务外包行业也因此得到迅猛发展。

中国作为世界上最大的发展中国家，服务外包行业虽然起步较晚，但凭借着低廉的人力成本以及国家2006年后出台的一系列政策的支持，我国服务外包行业异军突起，服务外包合同额连年大幅度攀升，所涉及的领域也越来越广。在国家的支持下，江苏省服务外包产业也得到了快速发展，2010年江苏省政府将服务外包产业定位为江苏省八大战略新兴产业之一，“十二五”时期，江苏省服务外包合同执行额有较大提升，服务外包业务总量接近全国的三分之一。2017年，江苏省商务厅发布了《江苏省服务外包产业发展“十三五”规划》，以期推进江苏省服务外包产业的进一步发展。而如今，江苏省拥有南京、苏州、无锡等五个中国服务外包示范城市，服务外包实力强劲，服务外包也成为江苏省经济发展的强有力的增长极。

江苏省作为中国服务外包强省，其服务外包行业的发展能够在全国起到示范作用，因此本文选取江苏省服务外包产业作为研究对象，通过对其投入产出效率进行研究分析，探索其投入产出的演化规律并发现其中的问题，从而为江苏省服务外包产业的进一步发展给出有价值的参考建议。

二、服务外包投入产出效率研究综述

外包的概念最早是由Gary Hamel和C.K Prahalad于1990年提出，他们发表在《哈佛商业评论》中题为《企业的核心竞争力》的文章首先使用了外包(outsourcing)一词[1]。对于服务外包，目前普遍认可的分类方式有两种[2]：根据服务外包的业务内容不同，可以将服务外包分为信息技术外包服务(ITO)、业务流程外包服务(BPO)和技术性知识流程外包服务(KPO)；根据服务外包承包商的空间和国家关系差异，则可将当前大部分服务外包分为境内服务外包、近岸服务外包和离岸服务外包三种类型。

随着服务外包产业的逐渐发展，世界各国对服务外包产业也更加重视，服务外包也因此成为相关学者所研究的一个热点问题。在对服务外包投入产出效率的研究中，国外Kraiwinee Bunyaratavej等人通过数据包络分析的方法，针对接包国服务外包吸引力方面进行了研究[3]。Huo J D和Xia J H则通过分析中国、印度、爱尔兰等20个国家的服务外包投入产出数据，得出对于服务外包效率具有重要影响的因素[4]。何有世和刘旭则在传统数据包络分析模型的基础上，首先通过因子分析计算投入和产出变量因子得分，再使用DEA方法计算相对效率[5]。

在国内对服务外包投入产出效率的研究中，一些学者通过服务外包投入产出表对其进行了分析[6]。但大部分学者还是通过数据包络分析的方法对服务外包投入产出效率进行了研究，毛才盛运用 DEA方法，实证分析了国内18个典型服务外包城市的创新效率，并对服务外包产业集群创新效率的影响因素和作用机理进行剖析[7]。赵征和赵雪菊通过运用基于松弛变量的数据包络分析模型对北京、上海等二十个服务外包示范城市的接包效率进行了分析研究[8]。此外，许多学者将DEA方法与其他方法相结合对服务外包投入产出效率进行了研究，田剑运用SE-DEA方法对江苏省13个城市离岸服务外包效率进行评价，然后运用Tobit模型分析了影响服务外包效率的因素，并对这些因素的作用机理进行了说明[9]。李宏舟和杨敏则利用三阶段DEA模型和DEA-Window模型对 “十一五”期间 17个重点省市服务外包产业的承接效率进行了分析[10]。

可以看出，近些年来，国内外学者对服务外包进行了大量的研究，在服务外包投入产出效率方面，大部分研究都采用了数据包络分析的方法，但数据包络分析也有一定的局限性，它只能用计算得到的各种效率值对服务外包效率进行评价，而不能进一步仿真、预测。

三、模型建立与指标选取

1.模型建立

数据包络分析(Data Envelopment Aanlysis DEA)是由美国学者Charnes等人(1978)提出的一种测度同类型评价对象间相对比较的非参数技术效率分析方法，与其他效率评价的方法相比，DEA在分析多投入、多产出方面具有自己独特的优势[11]。而服务外包产业则是一个多投入、多产出的经济活动,各个指标的权重无法直观获取，并且由于我国服务外包起步较晚，数据获得也相当有限，因此考虑通过数据包络分析法来求解服务外包产业的投入产出效率。

但是在对服务外包投入产出效率进行评价时，单一地使用数据包络分析也具有一定的局限性，它只能用计算得到的效率来进行评价，但不能进一步仿真、预测，而BP神经网络则可以对样本数据进行学习、仿真，然后将数据代入利用训练好的模型进行预测。考虑到数据包络分析的局限性和BP神经网络的特性，可以将它们结合在一起，利用BP神经网络的特性来弥补数据包络的局限性，建立一个既能进行效率评价，又能仿真、预测的DEA-BP神经网络综合评价模型。

在该模型中首先将研究对象的服务外包投入、产出数据输入DEA模型，计算得出服务外包效率值和其他相关数据，利用这些结果一方面对研究对象的服务外包发展状况做出分析，得出需要进行调整的方向；另一方面可以将投入、产出作为输入神经元，将效率值作为输出神经元，放入BP神经网络模型中进行训练，最后形成稳定的BP神经网络模型，以此进行仿真、预测。

2.投入产出指标选取

在进行服务外包投入产出效率计算时，投入产出指标的选择直接决定了结果的严谨性和科学性，对于结论的准确与否也有巨大影响。因此本文在进行投入产出指标选取时，首先通过阅读文献，汇总了部分国内学者进行相关研究时选取的指标，具体指标见下表1。

表1 投入产出指标汇总

首先，由表1可以看出，在投入指标的选择上，不同研究选取的指标均不相同。在投入指标中服务外包从业人数这一指标出现的频率较高，而对于产出指标，各学者的选择虽然各有不同，但大多都涉及了某一具体的金额指标。通过访问江苏省商务厅官网以及南京、苏州、无锡等市商务局官网，阅读相关通知和文件后发现，在衡量服务外包行业发展状况时，政府部门大多采用了服务外包合同额、服务外包执行额、服务外包离岸合同额、服务外包执行额等指标。

其次，在我国经济转型升级的背景下，服务外包行业呈现出数字化、智能化、高端化的趋势，因此在选取投入产出指标时考虑加入企业R&D经费支出和有效发明专利数这两项指标，但由于缺乏对于服务外包企业R&D经费支出和有效发明专利数的统计，相关数据难以获得。

最后，根据相关指标的合理性和数据的可获得性，本文选取服务外包企业数(个)、服务外包从业人员数(万人)作为投入指标，选取服务外包合同额(亿美元)、服务外包执行额(亿美元)作为产出指标。其中，服务外包企业数是指向客户提供服务外包业务的企业的数量，服务外包从业人员数是指从事外包业务的专业人员的数量，服务外包合同额是指企业在向客户提供服务外包业务时签订的合同金额，服务外包执行额是指合同在执行过程中实际所花费的金额。

四、江苏省服务外包投入产出效率分析及预测

1.江苏省整体服务外包投入产出效率分析

在江苏省服务外包投入产出效率分析上，本文选取2007-2016年的江苏省服务外包作为研究对象，将各年度视为单独的决策单元(DMU)，具体的投入产出情况见下表2。

表2 江苏省2007-2016年服务外包投入产出情况

通过软件MaxDEA7.8中的包络模型进行计算，并对计算结果进行整理，得到2007-2016年江苏省服务外包各效率值，具体结果见下表3。

表3 江苏省服务外包DEA分析指标

根据表3计算结果，绘制江苏省服务外包综合效率演化发展趋势图，如图1所示：

图1 江苏省服务外包综合效率演化发展趋势图

首先从总体的综合效率演化趋势来看，江苏省服务外包的综合效率除2008年和2010年相比前一年降低以外，其余各年份的综合效率均呈现上升趋势，说明江苏省服务外包自2007年实施以来，总体朝着综合效率有效的方向发展，反映出江苏省这些年在服务外包中所开创的模式和相关政策的有效性。

其次从各年份之间的综合效率波动幅度来看，可以将综合效率演化分为三个不同的阶段：动荡期(2007-2010)、高速期(2010-2014)、平稳期(2014-2016)。动荡期效率值出现一定幅度的起伏波动，呈现出一种不稳定态势，这与全球经济危机的爆发有一定的关系。高速期效率值以每年提高十多个百分点的速率快速增长，这与全球经济的复苏，以及我国深化经济体制改革，推进经济结构战略性调整，全面提高开放型经济水平的发展政策有关。平稳期效率值增速放缓、增长幅度不大，这是由于我国经济发展进入新常态，经济由中高速增长转为中低速增长，经济更加注重质量和效益。而从规模效率来看，江苏省服务外包的规模效率和规模报酬均成递增状态，表明江苏省服务外包还可以进一步发展，在增加其投入时，可以扩大服务外包企业数量，增加相关企业的从业人数，促进就业，同时随着投入的增加，也能获得更高的产出，提高江苏省经济收益。

2.江苏省各市服务外包发展现状分析

在江苏省十三市中，南京、无锡、苏州三市服务外包发展较好，年服务外包合同额均已达到100亿美元以上，与江苏省其他城市拉开了较大差距。在其余城市中，南通、徐州、镇江等市服务外包发展较好。其中，南通市在最近十年中服务外包企业数量和从业人数增长较大，服务外包执行额增长显著，2017年全市服务外包产业规模继续位列全省第四。而徐州市则发展势头强劲，2016年，其服务外包合同额和执行额快速增长的同时，成功获批江苏省服务外包示范城市。常州、扬州、泰州、连云港、宿迁、淮安、盐城等其余七市，目前服务外包发展水平则相对较低。

由于历史原因和自然地理因素的影响，江苏省服务外包的发展具有很强的梯度特征，各市之间服务外包发展规模相差较大，因此根据2017年各市的服务外包合同额可将13个城市划分为三个梯队。其中服务外包合同额超过100亿美元的为第一梯队，包括南京、无锡、苏州；服务外包合同额在20亿至100亿美元的为第二梯队，包括南通、镇江、徐州；服务外包合同额在20亿美元以下的则为第三梯队，包括常州、扬州、泰州、连云港、宿迁、淮安、盐城七市。

对于处于第一梯队的城市，应把握现有优势，充分利用现有的人力资源、地域优势和产业优势等，充分把握国际服务外包发展的机遇，继续大力发展服务外包产业，通过区域布局带动苏南乃至全江苏省服务外包产业的发展，保持第一梯队城市的带动作用。

对于处于第二梯队的城市，在积极拓展新业务的同时还需积极承担第一梯队城市的分包业务，通过与第一梯队城市的相互协作，增强其资金和人才引入，在学习第一梯队经验的同时也充分挖掘自身潜力，将自身的潜在优势转化成竞争优势。

对于处于第三梯队的城市，则可以从本地实际发展状况出发，优先发展本地区具有发展潜力、最有发展优势的外包产业，如常州检验检测认证产业园是国内第一家同时申报国家检验检测高技术服务业集聚区和国家检验检测公共服务平台示范区的检验检测主题园区，同时也是江苏省内集聚性较好的检验检测认证高技术服务业特色基地，该产业园可以大力发展检测外包产业。此外，部分城市可以充分利用其沿海优势，积极引进国外资金和技术，大力发展服务外包。

3.江苏省典型城市服务外包投入产出效率分析

南京、苏州、无锡作为第一批中国服务外包示范城市，服务外包行业发展较好。在2017年国家级服务外包示范城市综合评价中分列全国第1、4、5名，且这三个城市处于江苏省服务外包发展中的第一梯队。根据上文分析可知，江苏省服务外包在2007年至2010年处于发展动荡期，各市发展差距较大；而从2010年开始至2014年期间，江苏省服务外包则处于发展高速期；2014年之后则转变为平稳期。此外，研究还要反映当前三市服务外包行业的发展状态，依据数据可获得性的原则，选取2010年、2014年、2017年南京、苏州、无锡三市服务外包作为研究对象，将每市每年视为独立的决策单元(DMU)，以分析江苏省典型城市服务外包发展情况。具体投入产出情况见表4：

表4 南京、苏州、无锡三市服务外包投入产出情况

通过软件MaxDEA7.8中的乘数模型进行计算，对计算结果进行整理，得到各决策单元的效率值，具体结果见表5：

表5 南京、江苏、无锡三市服务外包DEA分析指标

从综合效率来看，南京市和无锡市在2017年其综合效率等于1，为相对有效单元，其余决策单元的综合效率小于1，为相对无效单元，表明其他决策单元在产出上未达到最优值。

从各市的综合效率演化趋势可以看出，随着年份的增长，各市服务外包的综合效率基本上呈增长状态，三市的平均综合效率由2010年的0.404上升到2014年的0.781，最后提高到2017年的0.827，表明各市服务外包发展情况较好，在朝着综合效率相对有效的方向发展。

此外，可以看出南京市和无锡市综合效率演化趋势较为接近，发展较好，而苏州市的综合效率则较低，甚至出现了2017年的综合效率值低于2014年的情况。这主要是因为苏州市服务外包产业注重转型升级，优化产业结构，逐渐降低ITO和BPO在其服务外包服务中所占的比重，因此其服务外包合同额和服务外包执行额增长较慢，导致其2017年的服务外包合同额和执行额相对于2016年出现了减少。但在2017年，苏州市代表高端服务外包的KPO占全市离岸执行额的70.9%，占比分别高于全省、全国30.6个百分点和32.8个百分点，表现出其服务外包产业强劲的实力。

从规模效率来看，各市服务外包的规模效率均成递增状态，三市的平均规模效率由2010年的0.431上升到2014年的0.935，然后上升到2017年的0.976，涨幅较大，且在2010年至2017年这段时间内，三市技术效率并没有大幅度增加，因此三市综合效率的增长主要依赖于规模效率的增长。而且在2017年之前，三市规模报酬均为递增状态，表明各市服务外包仍具有很大的发展空间，在增加一定比例的投入时，产出则会有更大的增加。

4.BP神经网络仿真与预测

在对江苏省服务外包投入产出效率进行分析之后，本文用BP神经网络对江苏省服务外包的综合效率进行仿真和预测，即将DEA模型中的4个投入产出指标作为输入神经元，计算得出的综合效率值作为输出神经元，利用MATLAB软件中的神经网络工具箱进行仿真训练。其中将2007-2015年的数据作为样本，然后利用训练好的神经网络对2016年的效率进行预测。

从通过神经网络模型进行训练时，输入层神经元数设置为4个，隐含层神经元数设置为9个，输出层神经元数设置为1个，最大训练步数设置为1 000，训练目标的最小误差设置为0.000 001，学习速率设置为0.05。

在神经网络训练完成后，将2016年的样本输入神经元代入其中得到预测值，其值为0.988 9，绝对误差为0.011 1，相对误差为1.11%，预测值与实际值的绝对误差较小，说明训练好的神经网络模型的仿真能力和预测能力比较精确。在后面的研究中，可以进一步对2017年的数据进行预测，若得到的结果小于前一年的效率值，说明该年江苏省服务外包相比上一年发展较差；若得到的结果大于前一年的效率值，这说明江苏省服务外包持续向有效的方向发展。

五、结论与建议

本文采用DEA和BP神经网络的方法，选取投入产出指标，对江苏省服务外包投入产出效率进行了横向和纵向分析，最后运用BP神经网络的方法对江苏省服务外包的综合效率进行预测，构建了一个相对客观、兼具评价及预测功能的分析模型。

江苏省服务外包的综合效率表明江苏省近些年来其服务外包模式和政策是有效的。从规模效率来看，江苏省的规模效率和规模报酬呈递增状态，即随着一定比例投入的增加，产出会以更高的比例增加，具体到江苏省内的服务外包典型城市，也具有相同的发展规律。

研究表明近些年来江苏省服务外包发展良好，但仍有发展的空间，其可以从以下三个方面着手：

第一，培育人力资源优势，提高服务外包从业人员工作水平。如今，我国人力成本优势逐渐降低，为保持我国服务外包参与国际竞争中的优势，迫切需要提升将一般性人才向服务外包专业化人才转变的能力。对此，地方政府、高等院校、企业、培训机构、行业协会应当共同合作，将彼此的资源进行整合，为服务外包产业培养更多的实用性人才。

第二，实现第一梯队城市服务外包产业的创新发展。南京、苏州、无锡作为第一批中国服务外包示范城市，这三市服务外包水平较高，且近些年来其服务外包发展已趋向稳定，针对这三市，要优化产业结构、淘汰落后产能、提高资源利用率，以降低成本并增强企业核心竞争力，提高服务外包企业的技术创新能力和国际化水平。

第三，加大对第二、三梯队的城市服务外包产业发展的支持力度。在第二梯队的城市中，镇江、南通作为新兴的中国服务外包示范城市，其服务外包产业规模虽不大，但处于高速发展期。第三梯队城市中的扬州、连云港、盐城等市目前服务外包产业发展规模则较小，因此针对二、三梯队中的城市，可优先发展其具有优势和潜力的服务外包产业，加大对这些城市服务外包行业的支持力度，扩大服务外包企业的规模，以促进江苏省服务外包产业的进一步发展。