中国区域建筑业全要素生产效率

施庆伟，庞永师，杨 植

(广州大学 工商管理学院， 广东 广州 510006)



中国区域建筑业全要素生产效率

施庆伟，庞永师，杨 植

(广州大学 工商管理学院， 广东 广州 510006)

为提高中国区域建筑业全要素生产效率，利用增加值法对建筑产业的投入产出指标进行筛选，在此基础上，结合全局DEA-Malmquist-luenberger指数拓展模型和Tobit回归分析，以中国省际2008～2013年面板数据为依据，从建筑行业内部因素和外部运营环境中，针对性地提出影响建筑业全要素生产效率的内外部关键影响因素。研究结果表明，内部影响因素技术、管理、规模等每提升1%，建筑业区域生产效率会分别提升0.8384%、0.2726%、0.1873%，外部影响因素科技投入、经济水平、人力资源每提升1%，建筑业区域生产效率会分别提升0.1352%、0.0557%、-0.03196%，从研究结果看技术的提升是区域建筑业全要素生产效率持续增加的关键。

建筑业； 生产效率； DEA-Malmquist； 影响因素

筑业作为国家和个地方经济发展的支柱产业，是社会经济发展的动力源泉之一。而如何衡量建筑业在循环经济中的发展水平，分析建筑产业的现状和不足，提高建筑业生产效率，实现符合经济转型中的要求，是我们亟待解决的重大问题之一。而建筑业全要素生产效率(Total Factor Productivity，TFP)作为衡量建筑业生产单位的发展潜力和竞争力的重要影响因素，也一直是建筑领域关注的问题，许多学者做了相关研究。

在相关文献研究的基础上，发现很多专家学者对相关的理论介绍及应用已经相当深入且广泛。为弥补文献研究的缺陷，如：指标选取主观性、测算模型的间断性及各省份之间的差异性等问题，本文采用科学的投入产出指标选取法，在实现外部运营环境均等化的基础上，采用Malmquist指数拓展模型解决其他文献研究中的模型间断性问题，并对影响建筑业生产效率的内外部因素进行回归分析，以期达到能够分析其共同影响建筑业全要素生产效率的机理。

1 文献综述

在对建筑行业内的生产效率研究中，李伟等[1]选取三投入(从业总人数、总资产和技术装备率)三产出(建筑业总产值、施工面积和利润总额)、林晨等[2]选取两投入(总从业人数、基本建设投资额)一产出(建筑业年总产值)指标，采用DEA(Data Envelopment Analysis)模型对广东省建筑业生产效率进行实证分析，得出有效评价单元，陈永高[3]、王幼松[4]等利用超效率DEA对有效单元进行了排序，但都未对无效单元的影响因素进行深入分析；曹琳剑等[5]选取三投入(从业人员数、投资项目个数、企业个数)三产出(建筑业总产值、企业利润总额、企业利税总额)指标采用两阶段DEA，在未考虑外部运营环境影响因素的情形下，对建筑产业生产效率的无效评价单元的主要影响因素进行了深度分析，明确找出单元无效的指标及其改进方向；为了剔除外部运营环境因素及随机误差的影响，王雪青等[6]选取四投入(建筑业固定资产投资、从业总人数、技术装备率、动力装备率)两产出(建筑业年总产值、建筑业企业利润总额)，采用三阶段DEA对建筑业生产效率进行了更加有效的评价，提高了建筑业生产效率评估的准确性；而为了深度分析在时间序列上影响建筑业生产效率的具体原因，刘炳胜等[7]通过科学方法选取两投入(建筑产业总资产、建筑产业经营性投入)两产出(利税总额、工程结算利润)指标，运用超效率DEA和Malmquist指数方法并结合方差分析得出，目前建筑业生产效率的提升的主要原因是科技进步，未来建筑业急需解决的问题是纯技术效率的提升。

由前文对文献的梳理可以看出，很多专家学者都对建筑业的生产效率评价做出了重大贡献。但仍有很多问题：(1)建筑业生产效率评价投入产出指标选取的不一致性，易造成相同模型使用不同投入产出指标得出不同结果。(2)测算结果存在虚假技术进步缺陷，这是由于大多数学者[7～9]采用的是传统的DEA模型(DEA-Malmquist-luenberger指数、超效率DEA等)，该类模型的生产技术集由单期截面决策单元投入产出指标构建，容易导致技术进步的不连续，从而造成技术退步现象。(3)以各省份平均值作为某区域的效率指数，忽略了各省份间的差异，致使结果不能如实反应区域效率水平，如王幼松等[4]、刘炳胜等[7]、王旭等[10]。

本文针对以上问题采用文献[7]中投入产出指标的科学选取方法——增加值法，对投入产出指标进行筛选；并利用三阶段DEA基本原理实现外部运营环境均等化的基础上，对中国31个省份2008～2013年建筑产业数据采用Malmquist指数拓展模型解决传统方法造成的技术进步缺陷，深度剖析内部影响因素；最后采用Tobit回归模型分析内外部影响因素对建筑业生产效率的共同影响。

2 评价指标体系及模型方法

2.1 评价指标体系选取及数据

评价指标的选取、数据来源及模型的构建对于建筑业生产效率的评价来说至关重要。而从前人的文献总结中看出，对于评价指标的选取很少能够做到科学、客观的提取。本文采用增加值法对建筑业生产效率评价指标进行选取，首先，选取能够反映建筑产业经营状况的建筑产业利润增加值作为被解释变量，其他投入产出指标作为解释变量进行Tobit回归分析找出关键影响因素；然后，通过影响因素对利润增加值的t检验分析说明有关变量的影响程度；然后，采用D-W检验和共性分析排除关键影响因素之间的相关性和共性。具体做法参见文献[7]。最后，选取建筑产业经营性投入、建筑产业总资产作为投入指标，利税总额、工程结算利润作为产出指标。

建筑产业主要数据来源于《中国统计年鉴》(2008～2013)。

2.2 模型方法

2.2.1 区域全要素生产效率测算模型

DG(xt,yt,g│CRS)=max{β:(e-βe,m-βm;p+βp,sp+βsp)∈P(x)}

(1)

式中：β为修正系数，下同。

在规模报酬不变(CRS)的情形下，省际建筑业生产效率为：

θ=1-DG(xt,yt,g│CRS)

(2)

而区域生产效率可表述为式(3)：

(3)

式中：a表示中国某区域，i∈a表示区域a所包含的i个省。

2.2.2 GML指数及其拓展模型

为了弥补传统DEA的缺陷，王幼松[4]、刘炳胜[7]、庞永师[8]等大多采用Chung等[13]定义的传统的DEA-Malmquist-Luenberger(ML)指数模型，对建筑业生产效率进行深度剖析。传统ML指数为式(4)：

(4)

而传统的ML指数模型的生产技术集是由单期截面决策单元的投入产出指标数据决定，这类指数在时间序列上的不连续性，易造成技术进步的简短，而使得通过ML指数方法测算结果有技术进步缺陷。针对技术进步缺陷，Oh[14]提出GML指数在评价生产效率时解决了技术进步缺陷，使评价结果更加稳定和连续，并在借鉴构造ML指数的基础上在规模报酬不变(CRS)的情况下，将技术效率(EC)分解为纯技术效率(PC)和规模效率(SC)。GML指数定义如式(5)～(7)：

(5)

(6)

(7)

即在CRS的情景下，技术效率(EC)分解为纯技术效率(PC)和规模效率(SC)，如式(8)所示：

ECt,t+1=PCt,t+1+SCt,t+1

(8)

式中：VRS表示规模报酬可变。

由此可以将GML指数分解为式(9)：

GMLt,t+1=PCt,t+1+SCt,t+1+TCt,t+1

(9)

式中：Dt(et,mt,pt,spt;g)是以同期生产前沿可能集为基础的方向距离函数；DG(et,mt,pt,spt;g)是以全局生产前沿可能集的方向距离函数。若存在PC>1,则表示后一期比前一期计算结果更加接近有效生产前沿面，表示纯技术效率有所改进；若存在SC>1,则表示后一期比前一期计算结果更加接近有效生产前沿面，表示规模效率有所改进；若存在TC>1，则表示后一期比前一期计算结果更加有效，表示技术进步的增加。若GML>1，则表示建筑业决策单元的综合效率相对前期有所增加。技术进步(TC)、纯技术效率(PC)和规模效率(SC)分别对应企业内部的技术变动、管理和规模水平。

亦可得到区域a的所覆盖i个省份的区域方向距离函数(见式(10)～(12))，将区域方向距离函数代入模型公式(12)，得到区域建筑业GMLa指数及其分解PCa、SCa、TCa。

(10)

(11)

(12)

2.3 建筑业生产效率内外部影响因素识别

王雪青[6]和冯博[15]建立了三阶段DEA，通过利用第一阶段得出的投入松弛变量作为被解释变量，把外部环境因素及随机误差作为解释变量，做回归分析用来识别外部运营环境因素，用调整误差因素和外部环境因素对松弛变量影响的方法，剔除误差及环境因素，建立统一的外部运营环境。本文在三阶段DEA的研究基础上，结合GML指数拓展模型，构建建筑业生产效率影响因素的识别方法，具体步骤如下：

(1)提取内外部影响因素。依据三阶段DEA理论(王雪青、冯博等)，把建筑业生产效率影响因素分解为内部影响因素和外部运营环境因素，内外部因素均在已有研究的基础上借鉴主要的影响因素；内部因素如刘炳胜、王幼松等提取的技术水平、管理效率和规模水平，外部因素如刘炳胜等[7]、Flanagan R[16]提取的科技投入(IST)、经济水平(EI)和建筑业人力资本(CHC)等。

(2)投入产出松弛量的计算。依据方向向量g=(-e,-m,p,s)和非角度DEA模型，测算投入冗余和产出不足，如下所示：

投入：

(13)

产出：

(14)

式中：zi为每i个时期相应系数。

(3)外部环境变量识别。投入产出规模的大小决定了投入产出的松弛量，外部环境对松弛量的影响仅为小部分；而建筑产业的投入冗余率及产出不足虑主要受外部环境因素影响。为能够更好地描述投入冗余和产出不足，本文以外部环境变量作为解释变量，以投入产出的冗余率和不足率作为被解释变量，建立回归方程具体测量外部环境因素影响。测量模型如下：

投入：

(15)

产出：

(16)

式中：取i=1,2,3,…,n；ei、mi、pi、spi为计算所得松弛量；Ci为第i个决策单元的外部环境变量；βe、βm、βp、βsp为相应系数；ui、vi、wi、γi为计算过程中的随机误差项。

(4)外部运营环境均等化。为剔除外生环境变量对决策单元造成的影响，以最差运营环境为运营基础，增加优势单元投入指标，削弱势单元环境产出指标，以实现外部运营环境的均等化，方法如下：

投入：

(17)

产出：

(18)

(5)用式(4)计算的投入产出结果代入拓展模型中，求出内部三大影响因素指数。另外，为找出建筑业生产效率关键影响因素，在外部运营环境均等化的前提下，以未调整前的投入产出数据计算GML0指数，并作为被解释变量，而为提高回归变量间的对比性，以外部环境因素的科技投入指数(当期投入数值与上一期的比值，下同)、经济水平指数和建筑业人力资源指数、内部因素的规模效率指数、纯技术效率指数及技术进步指数作为解释变量，构造回归分析模型，如下：

(19)

式中：i为区域；t为时期；C为常数补偿项；εi,t为随机误差项，且服从正态分布。

3 中国建筑业生产效率实证分析

本文基于全要素生产效率计算模型，对中国2008～2013年省际面板数据进行测算区域建筑业生产效率，并分析其现状；然后采用全局DEA模型并结合三阶段DEA理论基础，提取建筑业生产效率影响的内部因素(技术、管理和规模)，对建筑业内部效率进行深入剖析；最后，在之前的理论基础上运用Matlab7.0软件，对建筑业全要素生产效率的内外部影响因素进行Tobit回归分析。

3.1 区域建筑业全要素生产效率分析

从全国范围和东中西部(依据国家统计局区域划分)进行两层次建筑业全要素生产效率计算，在未对松弛变量进行调整前，由模型(1)～(3)对2008～2013年省际面板数据进行处理，呈现区域建筑业全要素生产效率现状(表1)。从全国范围来看，建筑业全要素生产效率2008～2009年呈下滑趋势，从0.786下降到0.567，以2010年为转折点建筑业生产效率值呈现上升趋势，从2010年的0.813上升到2013年的0.851。这与王幼松等、刘炳胜等、宁德保等[17]的研究基本一致。

表1 2008～2013年各区建筑业全要素生产效率

由于2008～2009年间CPI指数持续上涨，同比高者达8.7%，这使得国家不得不对市场进行调控，以持续增加投资来提高经济上升势头，但由于缺乏长远考虑的调控方式，并没有产生良好的正面效应，反而使得泡沫经济迅速扩涨；从而导致以房地产为经济支柱的各省区建筑业市值激增，尽管当期建筑业总产值有很大程度的提高，但大多是由规模效益造成的，整体的建筑业生产效率是持续降低的。2010～2013年间，在基于国家大政方针的调整下，如产业结构调整、经济发展方式转变等政策，使得我国以规模效益取得建筑业生产效率的提升情况开始得到改善，注重技术及人才的培养。

对于各个区域来说，2008～2013年东部地区的生产效率值相对与中西部来说较高；而在2009年西部地区虽然生产效率值有所降低，但生产效率值比东中部地区较高，原因在于外生运营的环境对其影响是有限的，这是由于缺乏改革开放的前沿阵地通过国际贸易、引进先进的技术设备和良好的政策环境，国际接轨的机会较少，大部分是传统的国内自营企业，不像在经济开放活跃的前沿地区等的影响幅度大；与此相反，由于东中部地区完善的基础建设及得天独厚的开放政策，与国外贸易往来所引进的先进管理经验及技术设备，这些良好的外部运营环境使得在国家大政方针正确的指导下建筑业生产效率能够快速高效地恢复，这就是东部地区相对中西部地区来说建筑业整体实力(技术、规模、管理)提升的主要原因。

3.2 建筑行业内部效率指数分析

运用王雪青[6]和冯博[15]等的三阶段DEA理论基础上，通过调整松弛变量，剔除外部运营环境及随机误差的影响下，建立全局GML指数，对中国建筑行业内部生产效率从技术、规模和管理进行分析，深度剖析建筑行业内部效率低下的原因。也是以2008～2013年中国建筑业省际面板数据为基础，从国家及东中西部两个层面对行业内部效率进行分解计算(表2)。从全国范围来看，2008～2013年间的GMLa指数为0.914，表明全国建筑业总体的内部效率是下降的；以其分解具体指数来看，纯技术效率指数(PCa)、规模效率指数(SCa)和技术进步指数(TCa)，分别为1.023、1.000和0.894；其中PCa>1、SCa>1，TCa<1，说明建筑业内的管理水平正在改进，规模是稳定的不再持续增加，其中技术阻碍了建筑行业内部效率的提高。

表2 2008～2013年各区建筑业内部平均效率分解指数

从各个区域分析来说，东中西部地区的生产效率指数GMLa分别为0.927、0.906、0.909，说明各地区内部效率都是在不断降低的；其中东部地区的PCa>1、SCa>1、TCa<1，说明东部地区的规模效率和管理效率是有所提高，而技术进步是影响东部地区的主要原因；中西部地区的PCa>1、SCa<1、TCa<1，说明其只有管理效率的相应提高，而规模效率和技术进步是影响建筑业内部效率提升的主要原因。对于东部地区技术进步指数相对于中西部较高的原因，也是跟其良好的外部运营环境、改革开放政策、与国际接轨的程度等密不可分的。

3.3 内外部影响因素Tobit分析

以未调整前的投入产出数据计算GML0指数，并作为被解释变量，而为提高回归变量间的对比性，以外部环境因素的科技投入指数(IST*，当期投入数值与上一期的比值，下同)、经济水平指数(EI*)和建筑业人力资源指数(CHC*)，内部因素的规模效率指数、纯技术效率指数及技术进步指数作为解释变量，构造回归分析模型，回归结果如表3所示。

表3 Tobit回归分析结果

从回归分析结果来看，其中外部运营环境中的人力资源指数的变化与建筑业生产效率指数GML0呈现明显的负相关，这说明如果建筑行业人数不断增加不仅未能体现技术因素作用，而且会因为建筑业人数在达到临界值之后的增加导致GML0指数下降，这与多数学者研究不同，主要原因是由于建筑行业人员持续的增加在有限的技术和经济水平下，并不能创造持续增加的产业效率(即人均创造的相对指数在下降)；另外，科技投入与经济水平与GML0指数呈现正相关，这与刘炳胜等[7]研究相一致。从外部运营环境影响因素来看，人力资源指数每提高1%，建筑业生产效率就会降低0.03196%(人均创造的相对指数下降)；经济水平每提高1%，建筑业生产效率就会提升0.0557%；科技投入每提升1%，建筑业生产效率就会提升0.1352%。

对于行业内部因素相对于外部环境因素来说，其影响程度都远远高于外部运营环境因素的影响，这说明建筑业生产效率提升的关键在于内部因素的改善。从内部影响因素技术、管理、规模等每提升1%，建筑业生产效率会分别提升0.8384%、0.2726%、0.1873%。这说明从内部影响因素来说，技术提升的影响要比管理、规模影响大得多，王幼松等、庞永师等、孙慧等研究相一致。从总体影响因素来看，外部运营环境的改善在一定程度上对建筑业生产效率是有影响的，而显著提高建筑业生产效率在于其内部影响因素提升和改良。

4 结 论

本文在前人研究的基础上，科学有效地提取投入产出指标，并结合DEA和方向距离函数构建建筑业生产效率模型，测算中国2008～2013年建筑业生产效率；利用Malmquist拓展模型克服了传统算法中技术进步缺陷问题，并采用Tobit回归分析内外部影响因素对建筑业生产效率的具体影响。这一研究思路，在科学建立投入产出指标的基础上，更加全面地考虑建筑业生产效率的影响因素和更科学的测算，不仅解决主观介入的影响，而且对客观存在的缺陷加以解决和完善。

研究发现，建筑行业内部影响因素技术、管理、规模等每提升1%，建筑业生产效率会分别提升0.8384%、0.2726%、0.1873%， 外部影响因素科技投入、经济水平、人力资源每提升1%，建筑业生产效率会分别提升0.1352%、0.0557%、-0.03196%。随着国家提出整体性的产业结构调整，由于没有理清各因素对建筑业生产效率的影响，过分强调外部运营环境的影响，忽视了产业的优化升级是由内而外的；从本文研究结果看，提升建筑业内部的技术、管理、规模是提升建筑业生产效率的有效途径，而表2的分解指数表明，东中西部地区的管理和规模因素都是有效的，所以技术因素可作为提升建筑业生产效率的关键因素。

[1] 李 伟, 李光辉, 李月娟, 等. 基于DEA模型的我国各省区建筑业生产效率评价实证研究[J]. 科技进步与对策, 2009, 26(21): 153-155.

[2] 林 晨, 王幼松, 张 雁. 广东省建筑业生产效率的分析评估[J]. 华南理工大学学报(自然科学版), 2003, 31(1): 14-17.

[3] 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.

[4] 王幼松, 李成瑶, 张煜帆, 等. 基于超效率DEA的华南六省建筑业效率分析[J]. 建筑经济, 2014, (4): 19-22.

[5] 曹琳剑, 魏 莹, 陈 静, 等. 基于两阶段DEA的建筑业效率评价研究——以天津市为例[J].建筑经济, 2014, 35(10): 115-121.

[6] 王雪青, 潘 辉. 我国区域建筑产业生产效率比较研究[J]. 统计与决策, 2013, (18): 96-99.

[7] 刘炳胜, 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): 1041-1049.

[8] 庞永师, 刘景矿, 王亦斌, 等. 基于超效率DEA和Malmquist法的中国建筑业生产效率分析[J]. 广州大学学报(自然科学版), 2015, 14(1): 82-89.

[9] 孙 慧, 付 辰, 范志清. 基于Malmquist指数方法的建筑业效率动态评价[J]. 建筑经济, 2012, (3): 91-94.

[10]王 旭, 李 林, 邓鸿星. 我国区域建筑业竞争力综合评价研究——基于PP-DEA模型[J]. 技术经济与管理研究, 2013, (8): 23-28.

[11]Charnes A, Cooper W W, Rhodes E. Measuring the efficiency of decision making units[J]. European Journal of Operational Research, 1978, 2(6): 429-444.

[12]汪克亮, 杨宝臣, 杨 力. 中国全要素能源效率与能源技术的区域差异[J]. 科研管理, 2013, 33(5): 56-63.

[13]Chung Y H, Färe R, Grosskopf S. Productivity and undesirable outputs: a directional distance function approach[J]. Journal of Environmental Management, 1997, 51(3): 229-240.

[14]Oh D. A global Malmquist-Luenberger productivity index[J]. Journal of Productivity Analysis, 2010, 34(3): 183-197.

[15]冯 博, 王雪青. 中国建筑业能源经济效率与能源环境效率研究——基于SBM模型和面板Tobit模型的两阶段分析[J]. 北京理工大学学报(社会科学版), 2015, 17(1): 14-22.

[16]Flanagan R, Lu W, Shen L, et al. Competitiveness in construction: a critical review of research[J]. Journal of Construction Management and Economics, 2007, 25: 989-996.

[17]宁德保, 李 莹. 基于DEA方法的我国建筑业效率评价研究[J]. 建筑经济, 2013, (7): 5-8.

Total Factor Productivity About the Regional Construction Industry in China

SHIQing-wei,PANGYong-shi,YANGZhi

(School of Business, Guangzhou University, Guangzhou 510006, China)

In order to improve the total factor productivity of Chinese regional construction industry, it screens the input and output indicators of the total factor productivity of Chinese regional construction industry with the method of added value. On this basis, combined with the global DEA-Malmquist-luenberger exponential expansion model and Tobit regression analysis to Chinese provincial 2008～2013 is based on panel data from the construction industry, internal and external operating environment, targeted external influences filed within the construction industry total factor productivity of key factors. The results show that internal factors like technology (TC), management (PC), scale (SC) and every one percentage point lift, construction area of production efficiency will increase 0.8384, 0.2726, 0.1873 percentage points, external factors like science and technology, economic level, to enhance human resources for each one percentage point, the construction area will increase production efficiency 0.1352,0.0557, -0.03196 percent, respectively. From the results, the technological upgrading regional construction industry is the key to increase total factor productivity.

construction; production efficiency; DEA-Malmquist; factors

2016-02-24

2016-05-24

施庆伟(1990-)，男，山东济南人，硕士研究生，研究方向为工程经济(Email:shiqw2014@163.com)

庞永师(1955-)，男，河北宣化人，教授，研究方向为建筑经济及项目管理(Email:shiqw2014@163.com)

广东省哲学社会科学“十二五”规划项目(GD11CGL06)

F407.9

A

2095-0985(2016)05-0098-06