基于数据包络的我国生物制剂工业效率分析

吴超　邱家学

摘 要 通过运用数据包络分析对2006-2011年生物制剂工业所占份额前15省份的技术效率和规模效率进行分析，结论为各年技术效率的变动大于规模效率的变动，15省份间技术效率的差距大于规模效率。通过技术效率和规模效率结合分析，将15省份分为5类，并针对每一类提出改进建议。

关键词 生物制剂工业 数据包络分析 效率分析

中图分类号：F223 文献标识码：A 文章编号：1006-1533（2014）03-0051-05

Analysis of the industrial efficiency of China

in biological agents based on data envelopment analysis

WU Chao*， QIU Jiaxue**

（International Pharmaceutical Business School of China Pharmaceutical University， Nanjing 211198， China）

ABSTRACT By using data envelopment analysis （DEA）， the technology efficiency and scale efficiency of the top 15 provinces selected based on the share of biological agents industry were analyzed during 2006-2011. The fluctuations each year are bigger in technology efficiency than in scale efficiency， and also the gap among 15 provinces is larger in technology efficiency than in scale efficiency. The 15 provinces could be divided into five categories by the analysis of the combination of technical efficiency with scale efficiency， and the improvement suggestions were proposed for each category.

KEY WORDS biological agents industry； DEA； efficiency analysis

生物制剂是综合利用微生物学、生物化学、药学等科学的原理和方法制造的一类用于预防、治疗和诊断的制品的统称，可划分为基因工程药物、抗体药物、血液制品、诊断试剂以及疫苗等五大类。

我国生物制剂产业起步于上世纪80 年代，截止2010年底，我国生物制剂工业企业有600余家，并保持高于20%的增长速度。在“十二五”规划中生物医药被列为重点发展领域之一，国家将会通过加大财税金融政策扶持等方式推动其快速发展。尽管如此，我国生物制剂产业发展水平与欧美发达国家仍然存在明显差距，创新能力弱、产业组织不合理等发展障碍急需突破。因此，对生物制剂产业进行科学合理的分析，进而提出合理的建议也就十分重要。

“效率”能很好地衡量一个行业的发展情况。数据包络分析（data envelopment analysis，DEA）可以用于评价有多个投入和多个产出行业的效率，而且不需要定义输入与输出之间关系的显性表达式，避免了主观因素的影响，其投影思想可以对系统进行调整，保证以最小的投入获得最大的产出水平。考虑到生物制剂工业的行业性质和评价目标，笔者尝试运用DEA来分析其效率。

1 方法介绍

1978年美国著名运筹学家Charnes等[1]基于“相对效率”的概念提出了数据包络分析。基本原理是：应用数学规划模型，把若干个具有多投入、多产出的相同类型的被评价主体看作是一个个决策单元DMU（decision making unit），把具有最优投入产出比率的单元作为有效生产前沿面，通过比较其他单元与有效生产前沿面的距离函数来评价其有效性，进而对其效率进行分析。

DEA主要有CRS-CCR模型和VRS-BCC改进模型两种评价方式。前者基于规模收益是常量（constant returns to scale，CRS）的假定，评价DMU的技术有效性。CCR模型是一种理想的模型，适用于DMU最优规模运行的情况。后者基于规模收益可变（variable returns to scale，VRS）的假定，评价DMU的技术有效性。与CCR模型不同，BCC模型可以避免技术有效性受规模有效性的影响[2-4]。

构建DEA 模型的具体方法[5-6]：构造由n个DMU线性组合而成的假想DMU j0，该假想DMU的各项投入均低于任一决策单元j的各项投入，它的各项产出均不低于任一决策单元j的各项产出。可得如下CCR模型：

s.t.

m和s分别表示输入和输出指标的个数；Xij和Yrj表示第j个DMU的第i项输入和第r项输出；s-，s+分别为松弛变量；ε为非阿基米德无穷小量，在计算中取正的无穷小，如ε=10-5。θ表示决策单元j0的有效值，即投入相对于产出的有效利用程度；λj为n个DMU 的组合系数。

当θ=1，且s-=s+=0时，对应决策单元DMU j为DEA有效；若θ=1，但s-或s+不为0，则为弱DEA有效，即不是同时技术有效和规模有效。当θ<1，为非DEA 有效。

由CCR模型所得的技术效率不能排除规模的影响，是技术和规模综合作用的结果，因此是综合效率（scale and technical efficiency，STE）。通过增加一个凸性假设：可得BCC模型，以此来判断DMU的纯技术效率（technical efficiency，TE）。

BCC模型与CCR模型相比，对数据点的包容更加紧密，预测值更接近于效率边界。利用CCR模型和BCC模型的计算结果，可以计算出DMU的规模有效性，规模效率（scale efficiency，SE ）为θ/σ。

2 指标选取和数据来源

2.1 数据来源

生物制剂工业总产值排名前15的省份所占份额已达到整个产业的90.71%（表1），所以用这15个省份为样本可以达到重点分析的目的。选取米内网上2006-2011年的相关数据可以回顾“十一五”的成果同时对“十二五”的发展进行预测。

2.2 指标的选取

对于既定的评价方法，指标的合理选取是得到可靠性分析的保障。米内网中的投入指标有：流动资产平均余额、固定资产净值平均余额、资产合计、负债合计、产品销售成本、产品销售费用、产品成本销售税金及附加、管理费用、财务费用、利息支出、全部从业人员平均人数等。产出指标有应收账款净额、产成品、产品销售收入、利润总额、应交增值税等。

2.2.1 投入指标

企业的投入一般分为人力投入和物力投入。我们把全年从业人员的平均人数作为人力投入，把流动资产年均余额、产品销售成本作为物力投入。

2.2.2 产出指标

结合产出指标的相关系数和代表性，选取产品销售收入、利润总额作为产出指标进行分析。

3 结果分析

运用DEAP 2.1软件求得2006-2011年生物制剂工业总产值排名前15省份的技术效率、规模效率及规模报酬变动情况（表2、表3）。

3.1 技术效率分析

如表2所示，2006-2011年间技术效率各年均值波动较大且有降低趋势。期间15省份的技术有效率达到了40%，所有省份的技术效率均值都在0.9以上。山东、上海、辽宁、湖南、天津、甘肃6省的技术效率在2006-2011年间都实现了最优，相对于其他省份，6省的投入产出比是最高的。北京、广东、江苏、吉林在几年间也都曾实现过最优，且在2011年达到了最佳的投入产出比。河南只有在2011年未能处在前沿面上，四川、湖北、福建及浙江的技术效率排名位于最后，且都存在降低的趋势。2011年，四川、福建和浙江3省的效率值跌倒0.9以下，与前沿面省份的差距较大。

3.2 规模效率分析

由表3可知，2006-2011年间规模效率各年均值存在波动且有上升趋势。15省份中规模效率均值为1的只有辽宁和甘肃，有效率为13.3%，其余各省的规模效率均值都大于0.9。山东只有在2011年未能实现规模有效，且处于规模报酬递减阶段，建议其适当减小规模。广东、吉林、江苏、湖南、上海、北京6省规模效率在这几年间不断改善，在2011年都实现了最优，应继续保持现有规模。四川、河南、天津都出现了不同程度的规模效率降低的情况，且河南和天津在2011年跌至0.9以下，四川和天津处于规模报酬递增阶段，可以适当扩大规模；河南处于规模报酬递减阶段，可以缩小规模以实现规模有效。湖北、浙江和福建在这几年间一直未能实现最优规模，但在2011年都呈现出了效率改进的趋势，湖北和福建可以适当扩大规模，浙江可以缩小规模，来达到最优规模的生产。

3.3 综合分析

根据技术效率和规模效率的排名，绘制出各省两个效率的排名图，并将各省分为5类，如图1和表4所示。

第一类：技术效率和规模效率排名均位于前列。山东、辽宁和甘肃在生物制剂工业所占份额的排名中恰位于第1、8、15，可以对具有相近份额的省份起到很好的标杆作用。山东在整个产业占据了21.62%的份额，且技术效率和规模效率也都优于其他省份，对整个产业的发展举足轻重。

第二类：技术效率位于前列，规模效率排名相对靠后。上海、湖南和天津的技术效率都位于前沿面上，即其投入产出的运用情况与其他省份相比不存在资源投入冗余和产出不足，但其规模却不是最佳的。

第三类：规模效率排名相对靠前，技术效率相对靠后。广东、四川和吉林的规模效率均好于其技术效率，对于这3个省份合理调整投入产出比，实现最大的生产效率尤为重要。

第四类：技术效率和规模效率的排名均位于中等水平。河南和江苏在整个产业所占份额的排名分列2、3且都达到了10%，北京所占份额也达到了5%，他们都可以山东为标杆努力实现技术和规模的有效。

第五类：技术效率和规模效率排名均靠后。浙江、湖北和福建在生物制剂工业中所占份额排名分别为第4、9、13，他们可分别参照山东、辽宁和甘肃的投入产出和规模的发展情况进行调整，实现技术和规模的提高。

4 结论

生物制剂工业份额排名前15的省份，东部、中部西部地区的个数分别为9、4、2，所占份额之比约为12.5：4：1，整体上东部地区在生物制剂工业的发展中发挥的作用最大。技术效率的各年均值标准差、各省均值标准差均大于规模效率的，即2006-2011年各年技术效率的变动大于规模效率的变动，15省份间技术效率的差距是大于规模效率的。若要各省减小与前沿面省份间的差距，生物制剂产业得到稳步发展，技术效率的改进迫在眉睫。

通过技术效率与规模效率的综合分析可知，山东、辽宁和甘肃的技术效率和规模效率均优于其他省份；浙江、湖北和福建的两种效率均低于其他省份。除河南、江苏和北京的两种效率均处于中等水平外，上海、湖南和天津的技术效率好于规模效率，而广东、四川和吉林的表现恰相反。该15省份的生物制剂工业的发展对整个产业的发展至关重要，各省都需各取所长、科学管理以实现不断改善。

参考文献

[1] Charnes A， Cooper WW， Rhodes E. Measuring the efficiency of decision making units[J]. Eur J Oper Res， 1978， 2（6）： 429-444.

[2] Coelli T， Rao P， ODonnell C， et al. An introduction to efficiency and productivity analysis[M]. New York： Springer Science+Business Media， Inc， 2006： 161-181.

[3] 魏权龄. 数据包络分析（DEA）[M]. 北京： 科学出版社 ， 2004： 11-28.

[4] 马立杰. DEA理论及应用研究[D]. 济南： 山东大学， 2007：10-17.

[5] 吴德胜. 数据包络分析若干理论和方法研究[D]. 合肥： 中国科学技术大学， 2006：10-15.

[6] 查勇. 数据包络分析中的若干问题研究[D]. 合肥： 中国科学技术大学， 2008：14-17.

（收稿日期：2013-12-25）