基于动态S B M 模型的煤炭开采效率分析

蒋晨阳

摘要：在煤炭行业整合和低碳生产要求下，煤炭企业生存发展愈加困难。本研究选择数据包络分析中的动态SBM模型，采用人员、能耗、开采、收入、排放五个指标，分析煤炭企业开采效率。通过综合效率和各指标效率分析发现，该企业矿井效率整体偏低，人员冗余是最大问题，有较大的节能减排改进空间。

关键词：煤炭开采效率;动态SBM;全要素分析;低碳生产

中图分类号：F407    文献标识码：A

文章编号：1005-913X（2019）12-0141-03

一、引言

國家煤炭资源利用限制和去产能的政策要求下，煤炭企业遭受市场收缩价格下降的极大冲击，甚至有多家煤炭企业难以维持正常运转以致破产倒闭。同时粗放低效的煤炭开采造成大量资源的浪费，高碳模式的资源利用也正在造成越来越严重的气候和环境问题。因此，本研究选择煤炭开采这一过程进行效率分析，从提升资源利用效率和降低碳排放角度进行讨论。

数据包络分析法（data envelopment analysis，简称DEA）是一种通过线性规划评估各个决策单元（decision making unit，简称DMU）相对效率的方法， 已有学者将DEA方法应用在煤炭行业。例如，穆东等用CCR和BCC模型并用DEA求解的权重计算综合效率、物化技术、活劳动技术、投入要素相对水平四大指标;[1]余荣荣等用DEA计算42家煤炭企业2006年的技术效率并按照大中小规模分别进行变量相关性计算。[2]

安景文等将 “开拓进尺”作为产出指标，将生产现状纳入效率考虑;[3]郭晓玲等从低碳经济的角度选取指标，并采用Tobit回归研究研发水平、环保投入、对外开放程度等对企业低碳效率的影响。[4]江武运用CCR和BCC模型对安徽和山西的代表性煤炭企业进行效率分析认为山西煤企效率略高于安徽煤企;[5]侯显涛则针对性分析贵州省煤炭产业效率和现状。[6]

从同一企业内不同矿井的角度出发，对煤炭开采环节进行分析，一方面，在同一公司管理下各矿井具有更高的同质性，效率比较时受外部因素影响较少，对指标选取和结果探讨均有利。另一方面，每个矿井都是直接面对生产开采，数据和分析更有利于企业找准实际生产中的问题所在。

二、 模型与指标

Tone7在SBM模型的基础上引入“阶段（peirod）”的概念，用延续性指标（carry-over）用于连接阶段t和阶段t+1，被称为动态SBM模型（Dynamic SBM）。Ying Li8等为处理非期望产出对Tone的模型进行了修正，用于分析中国31个城市的AQI表现。本研究希望实现年度之间的效率比较，并且涉及非期望产出，因此，选择Ying Li8修正动态SBM模型进行煤炭开采效率计算，具体模型可参考YingLi8。

现以我国某“一五”计划重点煤炭企业为研究对象，选择其2015-2017年的14个矿井，编号为1-14号矿井，则三年共计DMU 42个。煤炭开采机械化作业正在快速替代人工作业，将“人员投入”作为一项考察指标;低碳经济是以更低的能耗实现相同的产出，因此，生产单位产品的“能耗投入”也是重要的投入指标;煤炭开采中缺少原料的投入，需要“开采投入”表现矿井开拓范围，选择“采煤面积”衡量该项投入，并将其作为延续指标。产出指标中，由于开采出的原煤中会夹杂岩石等成分，使用原煤产出量作为产出会对效率值产生影响，所以选择“经济产出”指标来避免这一问题。另外，将二氧化碳排放量作为非期望产出纳入模型。当前指标及描述性统计如表1所示，指标共计5个，5<（42/2），满足数量要求。

三、 实证结果

（一）综合效率分析

综合效率结果如表2所示。三年累计8次有矿井实现DEA有效（即效率值为1），其余矿井效率值并不是很理想，整体分布较低，只有少数达到0.6 以上。从单个矿井来看，排名前四位的分别是14号、3号、2号、10 号，表现最好的为14号矿井，在各年度都实现了DEA有效;其余矿井均未实现DEA有效，排名后四位的矿井分别是12 号、7 号、4号、13号，其中12号矿井均值表现最差，2015年效率排名较低，2016年和2017年度均排名末尾，且2017年效率值仅有0.13，表明有87%的效率提升空间;4 号、7号、13号矿井历年效率都不足0.3，需要重点进行效率提升。

根据均值看出矿井效率在逐年下降，实现DEA有效的矿井数量也逐年减少。从2015—2017年，1号矿井效率下降54%，5号矿井效率下降45%，11号矿井效率下降54%，这种大程度和大范围的效率下降也需要企业重点关注，从管理的角度进行提升。

（二）全要素分析

参照Hu and Wang提出的全要素分析法对指标的效率进行计算，以比例的方式对每个指标的可改进程度进行分析，公式如下。[9]

在企业生产的针对性改进中，重点关注的是需要减少的投入量，低碳生产的要求下重点关注碳排量，因此，现主要对两个投入指标和非期望产出指标计算效率。结果如图1-3所示。从均值数据可以看出，三个指标的各年度平均效率均在下降，和前文中总效率随时间下降的结果一致。

人员投入效率值在各年度之间较为平稳，然而相比于其他几个指标，人员效率明显偏低，除DEA有效可以实现人员投入有效外，仅有少数几个DMU的人员投入效率达到0.5以上，其余大部分在0.3-0.4，即需要削减60%-70%的人员才能实现人员投入有效，4号、6号、7号、8号、12号体现出明显的企业人员冗余现象。人员冗余已经是国有企业的传统问题，会造成工作分散、员工积极性下降、提高人工和管理成本等问题，对最终的生产效率造成负面影响。

能耗投入随着年份下降了37%，除了因为实现能耗投入有效的DMU数量下降外，大部分DMU也确实表现出了能耗效率下降的趋势，12号矿井下降了68%最为严重，7号、12号、13号的能耗效率已经不足0.2。能耗是以标准煤的消耗量表示的，煤企产品也是煤炭，能耗效率的快速下降也体现出虽然产量或单个企业的经济效益得到提升，却是以更多、更低效的能源消耗为代价的，不满足低碳经济下的降低单位产出能耗的要求。

非期望产出方面，少部分DMU的产出效率可以达到0.8以上，整体效率值也较其他两项指标表现良好，其中2号、9号、10号、13号、14号矿井效率较高，4号、6号、7号矿井效率较低。主要效率值仍然分布在0.5左右，表示当前排放量仍然超出最优排放量一倍。是生产过程中的无法加以利用的副产品，其大量排放在环保和政策方面都受到限制，所以在该指标上仍然需要尽量降低。

四、总结

DEA方法中对同一组DMU选取不同的指标得出的效率会描述DMU的不同运营成果，前人研究选择成本、资产等指标偏向于描述企业经济运营效率，通过选取开采指标使结果偏向生产实践。在实际生产中，造成效率不足的原因可能是人为因素或者自然因素，通过更多生产相关的数据和指标寻找影响效率的因素，使效率改进点和措施更明确则是接下来要研究的内容。

参考文献：

[1] 穆 东，杜志平，巩传景，申维嘉，李忠顺，煤炭企业技术进步的评价与对策[J].系统工程理论与实践，1996（10）.

[2] 余荣荣，唐 凯.基于DEA的我国煤炭企业技术效率测度研究[J].经济研究导刊，2008（5）.

[3] 安景文，张兴平，徐向阳，贾 平.煤炭企业的技术有效性和规模有效性评价[J]煤炭学报，1999（4）.

[4] 郭晓玲，李 凯.煤炭企业低碳经济效率及其影响因素研究[J].生态经济，2017（10）.

[5] 江 武.安徽省与山西省煤炭企业效率比较研究[D].合肥：合肥工业大学，2012.

[6] 侯显涛.基于DEA模型的贵州省煤炭产业效率评价及对策研究[D].贵阳：贵州财经大学，2015.

[7] Kaoru Tone， Miki Tsutsui， Dynamic DEA： A slacks-based measure approach[J].Omega 38（2010）.

[8] Ying Li， Yung-ho Chiu， Liang Chun Lu， Energy and AQI performance of 31 cities in China[J].Energy Policy 122（2018）.

[9] Jin-Li Hu， Shih-Chuan Wang， Total-factor energy efficiency of regions in China[J].Energy Policy 34（2006）.

[責任编辑：庞 林]