中国木材加工业投入产出效率评价

黄登良，李萌萌，戴永务

（福建农林大学 管理学院，福州 350002）

林业产业

中国木材加工业投入产出效率评价

黄登良，李萌萌，戴永务

（福建农林大学 管理学院，福州 350002）

运用可变规模报酬假设下的DEA模型对2002—2012年的中国木材加工业投入产出的技术效率值、纯技术效率值、规模效率值进行测算,并运用差额分析和敏感度分析对投入产出变量进行分析。研究结果表明，近年来中国木材加工业技术效率水平总体不高，大部分年份木材加工业的纯技术效率高于规模效率，较低的规模效率是导致技术效率不高的主要原因；木材加工业的资金投入水平较劳动力投入水平更为合理。因此，实现中国木材加工业的规模化发展是提高木材加工业投入产出效率的关键所在。此外，提高劳动者素质，优化劳动力投入水平对木材加工业的发展也很重要。

DEA模型；木材加工业；投入产出效率；差额分析；敏感度分析

改革开放以来，中国木材加工业取得迅速发展，木材加工业已经成为中国生产建设的重要产业之一。木材加工业不仅为山区农民带来极大的收益，同时也支撑和促进相关产业的发展，为人民生活和国家建设起到了重要的作用。木材加工业是碳密集型产业，具有资源可再生、加工能耗少、环境污染小等独特的优点[1]，发展木材加工业对发展低碳经济，促进环境友好型社会的建设具有不可替代的作用。然而，与发达国家相比，中国的木材加工业企业80%以上为中小企业，人均劳动生产力不到发达国家的1/6，技术创新能力不足，在国际产业分工中处于产业链低端位置。因此，如何提高木材加工业的投入产出效率，提高木材加工企业的技术创新水平，促进整个行业的规模化发展将是中国木材加工行业未来要解决的问题。本研究对新世纪以来中国的木材加工业的投入产出效率进行评价，分析木材加工业的发展状况，为相关行业部门的政策制定提出一些可行性建议。

1 文献回顾

分析一个行业的投入产出效率的一种很好的方法是数据包络分析方法，简称DEA。国外应用这种方法研究木材加工业问题较早。Dr Taraneh Sowlat利用数据包络分析方法对加拿大林业的生产效率问题进行了研究[2]，Jun-Yen Lee运用DEA模型研究了全球森林和纸业公司的投入产出效率问题[3]，Trigkas, Marios等运用DEA方法对17家木材和家具企业进行生产效率评价，Hemmasi,A.等对10家伊朗木板制造业公司进行了投入产出效率评估[4]。 国内学者研究木材加工业的投入产出效率问题还比较少。相关方面的研究有李淑贤、施蔚等运用产业集中度指标、Cobb.Douglas生产函数法对地区木材加工产业的规模经济问题进行研究[5-6]，张旭青等运用DEA方法分析了中国各地区木材加工企业投入产出效率[7]，杨加猛等人运用DEA方法分析了江苏省10家木材加工龙头企业的投入产出效率[8]。从以上文献可以看出，大部分学者都是从微观的角度分析木材加工企业投入产出效率问题，此外，个别学者分析了单独一个省份的木材加工业的效率问题。然而，目前还很少有学者从国家层面来研究木材加工产业的总体投入产出效率问题。因此，本研究从宏观的角度出发，采用DEA方法对2002年到2012年的中国木材加工业的投入产出效率问题进行分析。

2 研究方法及样本指标的选取

数据包络分析方法（Data Envelopment Analysis）是由A.Charnes,W.W.Cooper和E.Rhodes首先提出[9]。数据包络分析方法以线性规划为基础，无需构造生产函数和估计参数，不用考虑变量的量纲问题。该方法可以解决多投入和多产出的问题，是一种有效的测算行业投入效率问题的非参数方法。这种方法首先确定每一个被评价单位作为一个决策单元（Decision Making Units,DMU），利用收集到的数据，对每个决策单元的技术效率、纯技术效率和规模效率进行测算，进而分析影响各个决策单元技术效率的因素。1984年，Banker,Charnes 和Cooper 给出了评价决策单元技术有效性的BC2 模型[10]。假设有n个决策单元，用Xj表示含有m种类型的输入变量，用Yj表示含有s种类型的输出变量。Xj、Yj分别表示如下:

式中xij＞0，yrj＞0分别表示第j个决策单元DMUj的不同类型的输入量与输出量；其中i=1,2,3……m；r=1,2,3……s；j=1,2,3……n。那么，相应的BC2模型为:

其中Xj、Yj是上文中提到的相对应的输入输出变量；λj表示单位组合系数；S-为产出松弛变量、S+为投入松弛变量；θ为由模型得到的相对效率值。若θ=1，且S-0=0，S+0=0，则所评价的决策单元是DEA有效；若θ=1，且S-、S+不全为0，则所评价的决策单元是弱DEA有效；若θ＜1 且S-、S+不全为0，则所评价的决策单元是DEA无效的。

2.2 指标选取及数据来源

根据Padraja-Chaparro等的研究，为了提高DEA测算结果的准确性和稳定性，所选择的投入产出项之间要有一定的相关关系，并且决策单元的数量至少要达到投入产出指标之和的三倍以上[11]。本研究选择从2002年到2012年共11个年份作为决策单元，投入产出指标之和为三个，样本数为投入产出之和的三倍有余，理论上可以进行DEA模型的效率测算。

木材加工业工业总产值是衡量木材加工业经济效益的重要指标，它是木材加工企业在一定时间内生产的木材加工产品的价值，是反映木材加工业产品总量的基本指标。因此本研究选择木材加工业的工业总产值作为产出指标。木材加工业的投入方面主要包括劳动力和资金两个方面。木材加工业属于劳动密集型产业，因此劳动力对木材加工业的影响很大，本研究选取木材加工业全部从业人员年平均人数作为劳动力投入指标。木材加工业固定资产原价在一定程度上反映了中国木材加工业固定资产的投资规模和结构，它在一定程度上反映了木材加工业的资金投入状况。因此本研究选取木材加工业固定资产原价作为资本投入指标。

当年，高河如何也想不透的道理，而今天他明白了。因为娟儿比小表姐更漂亮，更温柔，更会做家务。无论是家里的雇工，还是邻里街坊，口口称赞的都是娟儿，小表姐自然才会讨厌娟儿。

由于本研究中所采用的指标在2002年之前的统计数据残缺较多，因此选取2002-2012年为研究期间，数据主要来源于2002-2012年的《中国统计年鉴》。

3 DEA效率测算及分析

3.1 同向性检验

DEA模型的效率测算要满足“投入增加后不致使产出减少”的同向性原则，本研究利用Pearson相关系数对投入产出项进行检测。

从表1中可以看出木材加工业投入产出项之间具有正相关性，表明随着投入的增加产出也随之增加，符合DEA同向性的要求。因此，可以运用以上数据进行DEA模型分析。

表1 木材加工业投入产出项Pearson相关系数

3.2 DEA效率测算与结果描述

DEA模型可以分为投入导向型和产出导向型两种类型，其中投入导向型是指在产出不变的情况下如何使投入降到最低的能力。中国木材加工业现状的主要特点是中小型木材加工公司较多，受政策和市场环境的影响较大，因此从投入角度分析在现有条件下木材加工产业应如何进行进一步调整优化以提高整体木材加工业生产技术效率是十分必要的。本研究运用可变规模报酬（Variable Returns to Scale, VRS）假设下的BC2模型进行测算。

通过对11个年份木材加工业技术效率、纯技术效率和规模效率进行测算得到的结果如表2所示。

效率值为1则表示该决策单元是DEA有效的。由表2的中国木材加工业的投入产出效率值可以看出，从2002年到2012年中国木材加工业的DEA技术效率水平基本没有达到DEA有效，其中只有2011年木材加工业DEA技术效率为1，达到DEA有效状态，其余年份木材加工业DEA技术效率均没有达到DEA有效状态，特别是2002年到2005年DEA技术效率值不足0.8。从2007年开始中国木材加工业DEA技术效率都在0.9以上，这说明中国木材加工业投入产出效率从2007年开始逐渐提高。

注：irs表示规模报酬递增，drs表示规模报酬递减

根据DEA模型的理论推导，技术效率=纯技术效率 规模效率。因此，技术效率可以分解为纯技术效率和规模效率两部分。从表2的结果可以看出，纯技术效率值的均值为0.981，而规模效率值的均值仅为0.826。从而得知，对技术效率影响较大的是规模效率。根据表2的测算结果可知，2002年、2007年、2009年、2011年和2012年的纯技术效率值均为1。说明他们处于生产前沿面上，并实现了资源的优化配置。而其他年份的纯技术效率值也基本在0.95以上，这表明从2002年起到2012年中国的木材加工业的生产结构比较合理。反观各个决策单元的规模效率，除了2011年的规模效率达到DEA有效以外，其余各个年份的规模效率均没有达到DEA有效。特别是从2002年到2006年中国木材加工业DEA的规模效率均在0.9以下。因此，规模效率值整体不高影响了技术效率值。同时，从2002年开始直到2010年中国的木材加工也均处于规模报酬递增的状态，直到2012年才开始出现规模报酬递减。

表2 木材加工业投入产出效率什（2002-2012年）

从上面的测算结果可以知道，中国木材加工业的总体效率较高。进一步分析近年来中国木材加工业投入产出效率的变化趋势。从表2可以可出，我们木材加工业DEA的技术效率和规模效率值大致呈现出逐年递增的态势，技术效率值随着规模效率值的变动而变动，而纯技术效率基本维持在一个比较高的值附近波动。

3.3 差额分析

投入差额是指在不减少产出的情况下，是否可以进一步减少投入量，产出差额是指在不增加投入要素的情况下，是否可以进一步增加其产出量。通过对投入产出的差额分析，可以进一步分析木材加工业的投入产出结构是否合理。由表3可知，在不减少产出的情况下2003年、2004年、2005年、2006年、2008年和2010年的木材加工业从业人员可以再减少。从2002年开始固定资产投入差额和工业总产值产出差额均为0，表明木材加工业的资产投入较劳动力投入更为合理。

3.4 敏感度分析

表3 木材加工业投入差额和产出差额（2002-2012年）

本研究将两个投入指标进行敏感度分析，测定哪个指标对木材加工业投入产出效率的影响程度更大。通过计算将原DEA效率值与扣除从业人员效率值以及扣除固定资产效率值进行对比。表4结果显示扣除木材加工业从业人员后大部分年份的效率值都没有变化，表明木材加工业从业人员数对木材加工业效率的影响不大。反观扣除固定资产后的效率值，木材加工业的DEA效率值变化很大，这说明近十多年来资金投入对木材加工业的发展起到了十分重要的作用。

3.5 结果分析

表4 木材加工业投入变量敏感度分析（2002-2012年）

从上述关于2002年到2012年中国木材加工业投入产出效率的测算的结果可以看出，除了2011年以外其余年份的DEA均是无效的。究其原因主要有以下四个方面。

①2002年、2007年、2009年和2012年DEA技术效率无效，归结为这四年的规模效率处于无效率的状态，因为这四年的纯技术效率是DEA有效的。也就是说，这四年在木材加工业投入产出一定的条件下，投入产出的结构是合理的，只是由于木材加工业的规模不够合理。其中2002年、2007年和2009年处于规模报酬递增阶段，也即行业规模没有形成限制了这三年的发展，而2012年则处于规模报酬递减阶段，则是由于不合理的行业规模制约了其发展。

②2003-2006年、2008年和2010年的DEA技术效率无效的主要原因是由于纯技术效率和规模效率同时DEA无效导致的。这说明这五年中国的木材加工业的投入产出结构和规模均没有达到最优水平。这五年均处于规模报酬递增阶段，表明木材加工行业还没有形成规模经济。

③从表中可以看出，从2002年至2012中国木材加工业DEA纯技术效率值普遍较高，其平均值达到0.981，且各个年份的纯技术效率取值均较大。反观规模效率值，近十年来木材加工业的规模效率在逐年提高。2002年到2006年的规模效率值较低，从2007年开始规模效率逐渐提高达到0.94以上，到2011年达到DEA有效。究其原因，近年来中国木材加工业迅速发展，木材加工类企业逐年增加，行业规模在不大扩大，进入规模效率递增的阶段。2012年中国木材加工业DEA规模效率开始下降，并且处于规模效率递减的阶段。这可能是因为木材加工业企业数量过多，导致资源合理分配不合理，劳动力没有合理利用从而出现规模效率递减。

④由敏感度分析可知，行业固定资产投入对木材加工业的投入产出影响较大，这表明为了提升木材加工业的效率应该加大资金投入，优化产业资产结构，提高技术创新水平。由差额分析可知，木材加工业的劳动力投入存在不合理的地方，行业劳动力的投入没有达到最优水平。目前大量木材加工业中小型企业的管理不规范是导致劳动力投入冗余的主要原因。

4 结论及政策含义

本研究运用2002年到2012年的中国木材加工业的数据，分析了中国木材加工业近十几年来的投入产出效率,并运用差额分析和敏感度分析对投入产出变量进行分析。研究结果表明，中国木材加工业DEA效率还有待进一步提高，特别是木材加工业规模效率不高阻碍了整个行业的发展；木材加工业的资金投入水平较劳动力投入水平更为合理。

结合木材加工业DEA效率分析、差额分析和敏感度分析的结果，提出以下建议。首先，要提高木材加工业的规模化发展水平。因此，行业主管部门适当提高木材加工业的进入门槛，鼓励木材加工企业之间的兼并联合，整合行业资源，提升行业的规模效益。其次，强化木材加工企业劳动力的管理，注重提高行业劳动者素质，优化劳动力资本配置。只有资金投入和劳动力投入比例协调、相辅相成才能进一步提高木材加工业的生产效率水平。最后，加强技术创新。行业主管部门要注重提高木材加工业的技术创新水平，加大技术引进和技改力度，进而进一步提高行业的综合效率，增强木材加工业的发展后劲。

[1] 张宜生,黄安民,叶克林.低碳经济视角下木材工业的发展展望[J].木材工业,2010(2):17-20.

[2] SOWLATI T. Efficiency studies in forestry using data envelopment analysis[J].Forest Products Journal,2005(1):49-54.

[3] JUN YEN LEE. Using DEA to measure efficiency in forest and paper companies[J].Forest Products Society,2005,55(l):58-66.

[4] HEMMASI A,TALAEIPOUR M,KHADEMI-ESLAMH.Using DEA windowanalysis for performance evaluation of Iranian wood panels industry[J]. African Journal of Agricultural Research,2011(6):1802-1806.

[5] 李淑贤.基于Cobb—Douglas生产函数的宿迁市木材加工产业规模经济评价研究[D].南京:南京理工大学，2012.

[6] 施蔚.江苏木材加工产业的规模经济问题研究[D].南京: 南京林业大学,2007.

[7] 张旭青，李周.中国木材加工业规模经济分析[J].中国农村经济，2010(10)36-42.

[8] 杨加猛,施蔚,佘光辉.基于DEA模型的江苏木材加工龙头企业效率评价与分析[J].南京林业大学学报,2008,32(3):127-129.

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

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

[11] PEDRAJA C F, SALINAS F J, SMITH P.On the quality of Data Envelopment Analysis model [J].Journal of Operational Research Society,1999,50(6):636～644.

[责任编辑：路 实]

The Input-output Efficiency Evaluation of China Wood Processing Industry

HUANG Deng-liang, LI Meng-meng,DAI Yong-wu
(School of Management, Fujian Agriculture and Forestry University, Fuzhou 350002, China)

In this study,the DEA model was used to analysis the wood processing industry technical efficiency from2002 to 2012. Then used the slack analysis and sensitivity analysis to study the input-output variables.The results showed that the technical efficiency of Chinese wood processing industry was not high. Most of the years, the pure technical efficiency was higher than the scale efficiency of wood processing industry. The lowscale efficiency leaded to the poor technical efficiency of Chinese wood processing; The capital input of wood processing was much reasonable than the labor input. Therefore to realize the largescale development of Chinese wood processing industry production is the key to improve the efficiency. At the same time,going to improve the quality of the workers and optimize the labor productivity is very important for wood impressing industry.

DEA model; wood processing industry; input-output efficiency; slack analysis; sensitivity analysis

F407.88

A

1673-5919（2014）05-0044-05

2014-09-07

黄登良（1989-），男，福建宁德人，硕士研究生。

戴永务（1977-），男，福建尤溪人，副教授，硕士生导师，从事林产品贸易与国际竞争力方面研究。