基于DEA的电力企业绩效评价的实证分析

殷欣

摘 要：电力企业体制的改革和深化使电力企业面对激烈的竞争，急需提升企业绩效来应对竞争。DEA是一种有效的绩效评价方法，近年来在企业绩效评价中的应用极为广泛。采用几何平均效率模型，并结合因子分析对5家上市电力企业计算相对效率值，并给出排序结果。针对相对效率最低的企业E，提出企业E一方面要提高企业偿债能力，另一方面要减少固定资产、流动资产等物的投入，降低营业成本，精简人员，为决策者给出了经营管理的意见。

关键词：电力企业 DEA 几何平均效率模型 绩效评价

中图分类号：F426 文献标识码：A 文章编号：1674-098X（2016）11（a）-0178-03

改革开放以来，我国经济发展速度不断加快，居民生活水平提高，对电力的需求量也与日俱增。2002年以来，我国电力企业体制开始改革并深化，结束了电力企业的自然垄断时代。面对竞争压力，电力企业对经营绩效的关注达到了前所未有的高度，希望通过投入产出的绩效分析给决策者提供经营管理的依据，以形成电力企业的竞争优势[1]。

企业绩效评价的方法有很多，不同方法得出的结果也存在差异。已有大量学者对电力企业绩效评价进行过研究，田金玉和林妍[2]（2008）将层次分析法与模型综合评价法结合，不仅弥补了平衡计分法的不足，而且为电力企业绩效评价提供了依据；杨昌靖[3]（2012）对现有电力企业评价体系的优势与不足进行了详细分析，构建了新型的绩效评价模型，并利用程序进行实现，保证了评价结果的时效性；屈秋实[4]（2013）选取了15家公司作为样本，将其经营数据引入主成分分析评价模型，发现了各主成分对电力企业经营绩效影响的大小。这些研究表明，绩效评价实际上就是对企业过往行为进行量化的过程，而绩效评价的各种方法其实就是量化手段，因此，要达到好的量化结果，关键在于选取好的方法。

该文选取5家上市电力企业作为样本，建立投入、产出合理评价指標体系，将DEA法作为电力企业绩效评价的手段，计算得出5家电力企业的投入产出效率值。

1 电力企业绩效评价实证分析

数据包络分析（data envelopment analysis，DEA）是由著名运筹学家Charnes，Cooper和Rhodes于1978年提出的，它以相对效率概念为基础，以凸分析和线性规划为工具，计算比较具有相同类型的决策单元（Decision making unit，DMU）之间的相对效率，依此对评价对象做出评价。DEA方法一出现，就以其独特的优势而受到众多学者的青睐，现已被应用于各个领域的绩效评价中[5]。

1.1 指标选取与数据收集

DEA模型中含有投入和产出，因此需要分别构建电力企业的投入指标体系和产出指标体系，选择的指标要满足以下几点：一是要能够实现评价目的，能全面反映电力企业的经营状况；二是指标选取要尽量精简，以保证DEA模型的精确性；三是输入、输出指标之间相关性不宜太强，但要保证指标多样性。依据此原则，该文选取的投入指标包括：固定资产（X1），反映电力企业在“物”方面的投入；营业成本（X2），反映企业在“财”方面的投入；员工数（X3），反映企业在“人”方面的投入；流动资产（X4），主要包括货币资金、短期投资、应收票据等，是企业资产中的重要组成部分，是对“物”的补充投入；无形资产（X5）包含企业在专利权、商标权等方面的投入；资产负债率（X6）体现了资产中通过负债筹资的比例，反映企业利用债权人资金进行经营活动能力。选取的产出指标包括：营业利润率（Y1），是企业营业利润与营业收入的比值，反映了企业通过经营获取利润的能力；每股收益（Y2），是企业税后利润与股本总数的比值，有效反映了企业的获利能力；股东权益/负债合计（Y3），反映了企业的偿债能力；流动比率（Y4），是企业流动资产与流动负债的比值，反映的是短期债务到期前使用流动资产变现偿还债务的能力；总资产周转率（Y5），体现了企业资产从投入使用到产出的流转速度，反映了企业的运营能力；存货周转率（Y6），能够影响企业的短期偿债能力，同样反映了企业的运营能力。见表1。

为了尽可能全面反映企业的投入和产出情况，该文选取了较多的指标，但很显然，有些指标之间存在较强的相关性，并且过多的输入和输出指标无法满足DEA模型的求解要求。因此，先对投入指标和产出指标做因子分析，一方面可以采用因子得分作为投入和产出指标能有效减弱DEA指标的相关性，另一方面因子分析降低了维度，使得指标个数能够满足DEA的求解要求。表2给出了分别对投入指标和产出指标做因子分析得到的因子得分矩阵。

投入指标提取了2个公共因子，累计方差贡献率为84.272%；产出指标提取了3个公共因子，累计方差贡献率高达95.743%，并且营业利润率和每股收益指标综合为因子1，这两个指标反映的是电力企业的盈利能力，因此将因子1命名为盈利能力，股东权益/负债合计和流动比率指标综合为因子2，这两个指标反映的是电力企业的偿债能力，因此，将因子2命名为偿债能力，总资产周转率和存货周转率指标综合为因子3，这两个指标反映电力企业的运营能力。因此，将因子3命名为运营能力。

DEA模型要求投入和产出指标均为正值，以此保证计算得到的效率值具有可比性。表2中的数据显然有负值，因此首先对其进行数据变换，将其转化为正值。该文采用的是正向标准化，即按照式（1）进行标准化。

（1）

其中，cij代表第i个电力企业投入（或产出）指标的第j个因子得分，zij表示进行正向标准化后的值，in，jm，n为电力企业数量，m为投入（或产出）指标数量。正向标准化后的电力企业投入和产出指标可参见表3。

1.2 DEA模型求解

对于每一个决策单元而言，可通过求解公式（1）获得全体决策单元的乐观效率值。以第一个决策单元及企业A的CCR效率（及乐观效率）为例，将数据带入模型，即得到关于企业A的一个较为复杂的线性规划模型，用式（2）表示，通过MATLAB软件计算其效率，其他企业的乐观效率计算方式与企业A一致。在乐观效率下，所得效率为表4的第二列所示，5家电力企业的优序关系为：，企业A、企业C、企业D均为DEA有效的，而企业B和企业D是非DEA有效的。此时，出现了多个有效DEA单元，无法决策这几个电力企业之间的优劣。

（2）

如前所述，当出现多个决策单元都是DEA有效时，可以采用几何平均效率模型。计算几何平均效率之前首先要计算悲观效率值，同样将数据带入模型，可以得到关于企业A的一个复杂的线性规划模型，用式（3）表示，其他企业的悲观效率计算方式与企业A一致。在乐观效率下，所得效率为表4的第三列所示，5家电力企业的优序关系为：，此时，出现了两个决策单元效率值相同，同样无法决策这两个个电力企业的优劣。

（3）

乐观效率模型和悲观效率模型都出现了多个DEA单元有效，无法进行比较的情况，此时需要按照式（3）计算几何平均效率值，该值能够较好地综合乐观和悲观两部分信息，具体见表4的第三列。根据几何平均效率，5家电力企业的优序关系为：。

企业C在乐观效率模型下是DEA有效的，在悲观效率模型下的效率值也是最高的，显然几何平均效率也是最高的，企业E在乐观效率模型和悲观效率下的值都是最低的。因此几何平均效率也是最低的。由于之前对数据进行过因子分析，因此对DEA模型进行投影分析并不能够直接反映投入和产出指标应该作何变化，因此，文章主要从原始数据的关系上进行分析。以企业E为例，根据计算得到的乐观效率权重矩阵結果，企业E的投入和产出指标矩阵为。要提高企业的效率有3种方式，分别为：提高产出、降低投入以及二者同时进行。企业E效率较低，但投入指标的第二个权重为0，产出指标第一个权重和第三个权重也为0，因此要提高企业E的效率，一方面可以通过提高企业的偿债能力，即提高企业股东权益/负债合计或者流动比率，或者二者同时提高；另一方面可以降低企业的固定资产投入、营业成本、流动资产投入，或者减少员工数量，必要时可裁员。此外，对企业E而言，降低投入以提高企业效率的方式较提高企业偿债能力的效果更明显。其他企业提高效率的方法可以采用企业E相同的分析方式。

2 结论

DEA是一种有效的绩效评价方法，近年来在企业绩效评价中的应用极为广泛。DEA绩效评价虽然会受到选择的投入和产出指标影响，从而使评价结果与实际情况存在一定的差异，但只要尽量全面地并且有针对性地选择指标，就可以减小差异，使评价结果更准确。该文意在对5家上市电力企业进行绩效评价，较为全面地选择了投入和产出指标，并采用分析法达到降维目的的同时减小了变量之间的相关性。为了克服传统CCR模型（即乐观效率模型）无法比较多个企业都DEA有效的缺点，同时采用了悲观效率模型，并计算几何平均效率，从而有效解决了该问题。几何平均效率模型结果表明：5家上市电力企业的相对效率排序为：。企业E的相对效率最低，为此针对企业E提出了提高企业绩效的办法，一方面要提高企业偿债能力，另一方面要减少固定资产、流动资产等物的投入，降低营业成本，精简人员。决策者可以据此完善企业的经营策略，使企业绩效达到最优。

参考文献

[1] 舒莹莹.电力上市公司财务绩效评价研究[D].辽宁工程技术大学，2008.

[2] 田金玉，林妍.电力企业绩效的层次分析模糊评价法[J].财会月刊：综合，2008（3）：74-76.

[3] 杨昌靖.电力上市公司财务绩效评价[D].华北电力大学，2012.

[4] 屈秋实.电力上市公司经营绩效评价研究[D].华北电力大学，2013.

[5] Cook W.D.，Seiford L.M.Data envelopment analysis （DEA）-Thirty years on[J].European Journal of Operation Research，2009，192（1）： 1-17.

[6] Charnes A， Cooper W W. Programming with linear fractional functional[J]. Naval Research Logistics Quarterly， 1962（9）：181-185.