煤炭采选业资源配置效率研究

赵亚琴，王向前

(安徽理工大学 经济与管理学院，安徽 淮南 232001)

煤炭作为煤矿生产中的唯一实物产品，用处广泛，在各行各业中的地位无可替代，毋庸置疑地煤炭工业成为我国国民经济稳定持久发展的顶梁柱.煤炭企业为了企业的可持续发展，每年都会投入大量资源以期达到经济效益最大化的目的，但是往往根据主观经验对有限资源进行配置，时常有高投入低产出、资源配置效率低下、资源冗余严重的普遍现象.因此，找到影响煤炭企业资源配置效率的关键要素，进行有针对性地投资，实现资源的合理配置，提高资源配置效率成为煤炭企业急需解决的难题.

目前，国内外学者对煤炭的研究主要集中在煤矿生产物流系统安全影响因素，资源配置影响因素及资源配置等方面[1-3]，如王金凤等[1-2]从安全角度出发，运用粗糙集和IPA方法找到系统安全的关键影响因素；研究方法多为结构上、静态的，没有考虑到效率变化的时效性和连续性[4-12]，而其他行业资源配置效率研究考虑到动静结合[13-16]，如欧国立等[16]采用超效率SBM模型和ML指数对货运碳排放效率进行分析，并追踪到效率存在差异的原因.因此，本文结合超效率SBM模型和Malmquist指数模型，从动静两视角探究煤炭采选企业资源配置效率，实现全面综合分析，客观反映当前煤炭采选企业资源配置的实际效率水平，找到煤炭企业资源配置效率的关键要素，进行针对性投资，提高资源配置效率.

1 构建煤炭采选业安全资源配置效率评价指标体系

煤炭采选企业对于资源配置效率评价指标选取不一，但大多数是从人-机-环-管四个方面综合考虑选取相关指标[4-10].与业内知名专家及中国煤炭企业50强的相关人员进行沟通交流后，确定了煤炭采选业资源配置效率的评价指标，层次结构图如图1所示.

图1 指标层次结构图Figure 1 Indicator hierarchy diagram

2 煤炭采选业安全资源配置效率评价方法

2.1 超效率SBM模型

假设有n个评价对象，即存在n个决策单元(DMU)，当投入m个要素后可以产生s个产物，每个DMU都包含投入X和产出Y这2个要素，用向量表示为X=(x1,x2,…xn)∈Rm×n，Y=(y1,y2,…yn)∈Rs×n,那么对于有效DMUk来说，其超效率SBM模型表达式为：

(1)

i=1,2,3……m;r=1,2,3,……s;j=1,2,3,……n(j≠k)

2.2 Malmquist指数模型

超效率SBM模型只能静态分析决策单元间的相对效率进行大小比较，而无法动态反映出效率的变化程度和趋势，而Malmquist指数可弥补超效率SBM模型的缺陷.Malmquist指数是以不同时期的距离函数来表示效率的动态变化，可将t时期到(t+1)时期的效率变化分为技术效率变化和技术进步效率变化.具体如下：

ML(xt+1,yt+1,xt,yt)=

(2)

由此可知，ML指数可分为TC和TEC.当ML>1，综合效率值的升高，评价对象的效率进步，反之退步.TC表示效率前沿面自身移动，当TC>1时表示技术进步，技术进步促进了煤炭采选业资源配置效率的提高，反之效率降低.TEC表示DMU相对于生产前沿面的接近程度，当TEC>1时表示DMU靠近生产前沿面，技术效率提高，表明技术效率是煤炭采选业资源配置效率提高的主要动因，反之效率提高受到抑制.

3 实证分析

本文以我国17个省市自治区2009～2018年的面板数据来研究煤炭业安全资源配置效率，指标数据均来自《统计年鉴》.其中，2016年北京煤炭采选业的从业人员平均数及2018年江苏固定资产投资额未公布，另外R&D经费支出若有缺失均采用插值法求解，关于碳排放总量采用碳排放系数法计算[17-18].

3.1 静态视角分析煤炭采选业安全资源配置效率

借助超效率SBM模型对我国17个省市自治区煤炭采选业安全资源配置效率进行测算，综合效率值及排名见表1.

从表1中可知，2009～2018我国煤炭采选业安全资源配置效率均值为3.658，处于较高水平，各年份的平均效率值都大于1，在2015年达到最大值，之后总体保持相对平稳.

表1 各省市自治区煤炭采选业安全资源配置的综合效率Table 1 Comprehensive efficiency of safe resource allocation of coal mining and dressing industry in various provinces, municipalities and autonomous regions

从省际层面看，各地煤炭采选业资源配置效率差异显著.其中，北京、福建、陕西这三省的配置效率每年都大于1，说明资源配置合理.山西、辽宁、吉林、江苏、安徽、山东、湖北、湖南、重庆、云南、甘肃这11个省部分年份实现了配置效率大于1.另外3省在2009～2018年资源配置始终处于无效DMU状态，说明投入要素对资源配置的作用存在很大的上升空间，可借助松弛变量分析做出决策，实现资源配置效率最大化.

从时间变化趋势来看，可将地区大致分为三类：增长型、平稳型和下降型.1)北京、山西、辽宁、江苏、福建、山东、湖北、陕西这8个省市属于增长型，源于这些地区人口流量大，资源可获得性强，产业结构优化，科技创新投入获得可观的科研成果.另外，时刻谨记“绿水青山就是金山银山”的理念，注重在煤炭生产过程中保护环境，减少二氧化碳排放量，煤矿资源高效开发与生态环境协调发展是煤炭采选业资源配置效率持续增长的主因.2)吉林、安徽、江西、宁夏属于平稳型，煤炭采选业资源配置效率不高，未达到有效状态，主要源于科技创新管理方面资金监管力度和管理强度有待加强，职工人数过多逐渐养成惰性心理使得工作效率低下，增大企业的经营负担.3)河南、湖南、重庆、云南、甘肃这5省属于效率下降型，煤炭采选业资源配置效率逐年递减，远离有效状态，这是由于煤炭开采普工过多，高技术人员和专业管理人员过少，固定资产投资未得到有效使用，造成资源冗余.另外，碳排放量过多，严重污染环境，影响可持续发展态势，所以资源配置效率持续低下.

3.2 动态视角分析煤炭采选业安全资源配置效率

为了进一步了解煤炭采选业资源配置效率的变化及其分解效率的变化，采用Malmquist指数进行测算与分解，动态地反映出效率变化趋势及分解效率指数的变化.测算结果见表2.

表2 Malmquist指数及其分解Table 2 Malmquist index and its decomposition

如表2所示，2009～2018年期间我国17省市自治区的Malmquist指数的平均值为1.001，说明我国煤炭采选业资源配置效率整体上是呈上升趋势的，平均每年上升0.1%.将ML效率指数分解为TEC和TC，这两个效率指数的平均值分别为0.986和1.015，可见技术效率低制约煤炭采选业资源配置效率提高，而技术进步效率指数大于1，对煤炭采选业资源配置效率提高起促进作用，正是因为TC的促进作用大于TEC的抑制作用，所以资源的配置效率整体上是呈上升趋势的，且增长动力源于TC的提升效果.

由图2可知，2009～2018年我国煤炭采选业资源配置效率随时间大致呈现“W”型分布，最终呈现上升趋势，分解效率指数中TC与ML变化趋势一致.每一阶段的ML增长率皆不相同，高的达到28.8%，低的只有-11.7%.其中，2009～2011年煤炭采选业资源配置效率呈上升趋势，源于起初只追求效率最大化，忽略技术进步的重要性，但随着“十一五”期间的发展方式和结构的调整，淘汰落后产能，煤炭基地建设稳定推进，研发资金逐渐投入，煤矿技术改造，生产技术水平大幅提升，科技创新能力增强，加快了技术进步步伐.2011～2012年ML效率急剧下降是因为煤炭开采装备及关键零部件的可靠性和稳定性不高，科技研发投入不足，关键技术研发能力不强带来的技术进步缓慢，虽然这一期间技术更新速度和推广力度加强，但是抵不过TC的消极作用.2012～2015年ML逐年递增，正值“十二五”期间，在“十一五”发展基础上科技创新迈上新台阶，国家鼓励企业引进新科技材料及技术，使生产效率得到提高，是由TC带动的资源配置效率提高.2015～2017年煤炭采选业资源配置效率下降，是由TEC和TC抑制作用促成的.2017～2018年ML增速高达28.8%，得益于TC和TEC的共同促进作用.这一时期，TEC、TC增长率都很高，分别达到5.2%和22.4%，这与“十三五”期间，产业结构调整取得新进展，对煤炭开采采取一系列的整改措施，对产能不足的煤矿禁止开采，以煤矿智能化开采技术为引领的科技创新能力大幅提升，矿下开采机器设备自动化水平显著提高，生产安全管理加强，规范化煤炭生产细则等密不可分，因此技术效率和技术进步效率都得以提高.这意味着未来煤炭采选业资源配置效率的高低会受技术效率和技术进步的影响，它们将成为煤炭工业经济增长的主要动力.

图2 ML、TEC及TC变化趋势Figure 2 Trends of ML, TEC and TC

上述从时间序列上分析煤炭采选业资源配置效率变化及分解效率的变化趋势，为了探究各地区ML效率指数及分解效率差异，对17个省市自治区的ML效率及其分解效率进行空间上比较并排名，测算结果见表3.

表3 Malmquist指数变化及其分解Table 3 Malmquist index change and its decomposition

表3给出了17个省市区的ML及其构成.与从时间序列上分析一致，ML的平均值为1.001>1，说明在2009～2018年煤炭采选业资源配置效率保持了年均0.1%的增速.17个省市自治区中，有8个省市自治区的效率上升，依据效率值从高到底依此是湖北(1.156)、吉林(1.138)、江苏(1.136)、山东(1.090)、山西(1.078)、安徽(1.075)、宁夏(1.067)、陕西(1.021)，源于技术水平和管理水平提高，资源配置达到优化状态，得益于TEC和TC的双重促进驱动作用，才使得ML增速都超过2%.剩下的9个省市自治区的效率值下降，其中河南、江西、重庆均受到TEC的单侧抑制作用；北京、辽宁、福建仅受到TC的单测消极作用；而甘肃、湖南及云南则是受到TEC和TC的双重抑制作用，所以才导致ML效率排名倒数.总的来说，17个省市自治区的TC除北京外，其余均值都近似大于1，而TEC均值大多数都小于1，这说明煤炭采选业资源配置效率提高主要源于TC，并非是TEC效率的缘故.

将超效率SBM模型与Malmquist指数模型测算得到的结果进行排名，发现排名并不一致.SBM值高的地区可能存在效率指数下降的趋势，如北京、福建等；SBM值低的地区可能存在效率指数上升的趋势，如吉林、宁夏等.可以发现，ML效率变化与超效率SBM值的高低并未呈现同方向变化.

4 结 语

从煤炭采选业资源配置出发，构建资源配置投入产出指标体系，采用超效率SBM模型和DEA-Malmquist指数模型从动静两视角对我国2009～2018年17个省市自治区的煤炭采选业资源配置效率的大小进行比较、对变化趋势及变化动因进行了实证考察.研究表明：1)静态层面分析可知,我国煤炭采选业资源配置的综合效率是较高的，但是地区存在显著差异.依据17个省市自治区的煤炭采选业资源配置效率的时间变化趋势，将其分为增长型、平稳型和下降型.2)动态层面分析可知,我国煤炭采选业资源配置效率平均每年上升0.1%，每阶段的MI效率值不同，主要与TC、TEC两者间的促进抑制作用博弈有关，但技术进步效率的提高却是驱动煤炭采选业资源配置效率增长的主动力.3)综合分析超效率SBM和ML指数，可知结果排名并不一致，说明MI效率变化与超效率SBM值的高低并未呈现同方向变化.煤炭产业资源的投入并不是简单的将人财物融入到煤炭生产中，而是应该借助信息系统，统筹规划，有针对性地对资源实行差异化配置，而技术进步效率是驱动煤炭采选业资源配置效率增长的决定性因素，因此政府相关部门应该鼓励企业加大对科技材料的使用，引进高科技机器设备，高水平科研人员，组建一流的科研团队，不断促使生产技术进步，提高资源配置效率，实现绿色安全生产.