基于两阶段非期望DEA模型的证券公司效率评估

摘要：证券公司的经营效率直接影响我国资本市场效率的整体水平和市场资源配置的有效性，如何对我国证券公司的经营效率进行科学、合理的衡量，是亟待解决的现实课题。基于此，本文将证券公司经营活动划分为创收阶段与盈利阶段两阶段，构建考虑非期望指标的两阶段非期望网络乘积型模型，并以我国24家中国上市证券公司作为样本进行分析。研究结果发现：考察期间我国证券公司效率普遍较低，绝大多数公司没有在最优规模上生产，各证券公司的经营效率在不同年份里出现了严重的两极分化，造成DEA无效的主要原因在于第一阶段的投入冗余。

关键词：证券公司效率；两阶段；DEA模型；非期望指标

一、引言

2023年中央金融工作会议提出要“优化融资结构，更好发挥资本市场枢纽功能”，并提出打造“金融强国”，这对发展我国资本市场提出了更高要求，尤其把资本市场定义为“枢纽功能”，更加表明资本市场在我国金融运行中具有重要作用。此外，在打造现代金融机构方面，首次提出要“培育一流投资银行和投资机构”。作为资本市场的重要组成部分以及独特的中介机构，证券公司的效率直接影响资本市场资源配置效率，对发挥资本市场“枢纽功能”起着重要作用。在市场竞争加剧的情况下，各证券公司内外部环境变得更为复杂，风险不断累积，主要表现在我国证券公司之间的竞争激烈程度不断提高，产品替代性和同质性较高，创新能力低且过分依赖传统经纪业务。如何对我国证券公司的经营效率进行科学、合理的衡量，是亟待解决的现实课题。因此，本文对证券公司效率进行准确的测度及分析，具有现实意义和理论意义，可以反映行业现状，明确制约证券公司绩效的因素，总结和反思证券行业的发展经验，为管理者提供决策参考。

二、文献回顾

（一）证券公司效率研究方面

DEA模型虽然已经在很多领域得到了推广应用，但被用来研究证券领域有关问题的时机相对较晚，随着证券公司在资本市场中地位的提升，其经营效率问题也逐渐受到更多的关注，主要集中于静态效率研究、动态效率研究两个方面。

在静态效率研究方面，Nguyen等（2021）通过SBM-DEA模型计算了32家越南证券公司2019年的效率，确定各证券公司的效率得分和定位，并以此来选择未来的最佳合作伙伴投标；Kang和Lee（2023）使用BCC模型测量了韩国证券公司2021年的管理效率，并针对性地提出了每家公司实现效率最大化的方法；李双杰和高濛（2023）以数据包络分析中的BCC模型为基础，引入交叉效率模型，在均值方差框架下计算了最优投资组合；杨跃云（2022）选取15家上游供应商为研究样本，选择合适的度量指标，利用DEA模型对供应链金融应收账款资产证券化信用风险进行评估。

动态效率研究方面，Xu等（2020）选择中国A股上市的30家证券公司2014—2018年的数据为样本，计算了不同评级公司在不同前沿的效率；郑又源等（2024）以我国86家证券公司2017—2021年的数据为研究对象，利用DEA-Malmquist模型分析证券行业市场结构对券商经营效率的影响作用以及金融科技投入在此过程中所发挥的中介作用，研究发现金融科技投资的增加会进一步提升券商效率；HU（2023）采用DEA模型对12家中资商业银行和4家外资银行2019—2021年的相对运营效率和中介效率进行了评估，研究表明，在中国，运营绩效优于中介绩效，四大国有银行的经营效率高于股份制商业银行，但国有银行在中介方式上没有优势。

（二）证券公司效率研究方法

证券公司效率研究的前沿分析方法主要分为参数法和非参数法。随机前沿模型（SFA）被广泛用于参数法，数据包络分析法（DEA）被广泛用于非参数法。相较于参数法必须设定具体的生产函数类型，非参数法可以在不假定生产函数类型的情况下测量多产出和多投入的生产过程，这令DEA所使用的模型更具有可拓展性，学者可从不同的角度对其进行扩充和创新。使用参数方法研究证券公司效率的文献则并不多见，崔瑛等（2018）采用随机前沿分析方法对我国20家上市券商2008—2016年的数据进行测度，实证分析了股权结构、资本收益率、公司规模和经营利润率对证券公司经营效率的影响。非参数方法的DEA模型由Charnes等（1978）提出，用于评估单一输入及单一输出的技术效率。首先提出的CCR模型是基于规模报酬不变（CRS）为假设，对同一类型决策单元的相对效率进行探究；为了进一步衡量与区别纯技术效率与规模效率，Banker等（1984）又提出了基于规模报酬可变（VRS）为假设的BCC模型；Charnes等（1985）构建了基于探究决策单元纯技术效率的CCGSS模式等；Ikapel等（2023）以内罗毕证券交易所上市的10家肯尼亚银行机构为研究对象，分两阶段评估其2006—2017年效率的决定因素：在第一阶段，使用DEA模型计算效率分数，在第二阶段，进行面板回归分析以评估效率的决定因素，结果表明，资本充足率和市值在决定银行效率方面具有显著意义。

上述所提出的传统DEA方法也被称为“黑箱”模型，其模型一般是把效率度量的目标看作一个独立的决策单位，忽视了决策单位的结构以及具体的经营流程，模型较为简单并且有较强的局限性。学者们在传统DEA基础上进行改进，提出了网络DEA模型，旨在深入“黑箱”内部探寻效率低下的原因。Fre和Grosskopf（2000）首次以网络DEA的概念阐述了相关问题，对决策单元内部结构和生产环节的要素关系做了分析，给出了处理多阶段生产系统的前沿面分析方法；Achi（2023）采用两阶段网络DEA的方法探讨了2013—2017年13家阿尔及利亚银行样本的效率，结果表明，存款生产效率受银行规模和银行年龄的积极影响，而创收效率与银行规模和银行年龄呈负相关；Fukuyama等（2023）首次将贷款损失准备金作为因果模型纳入网络DEA模型以进行效率评估，实证研究了2013—2020年64家中国银行的效率，研究结果表明，中国银行业的低效率是波动的，国有银行的低效率和波动性最高，来自农业部门和水利、环境以及公共设施管理部门的信用风险降低了银行效率，而来自批发和零售部门的信用风险提高了银行效率。

综上，国内外学者采用DEA模型对证券公司的效率问题的研究虽取得了一定的成效，但也存在一些不足：在研究方法上，多采用传统DEA模型来进行研究，只考虑投入和产出，忽略了系统内部结构和各个决策单元之间的关系，计算出的结果只能给出效率结论；在指标选取上，目前对于非期望产出很少有学者考虑到其会对效率产生影响，作为证券公司正常营业产出的一部分，如若不将非期望指标因素纳入考察，研究结论必然会产生偏差。为此，本文将对现有文献进行拓展，在效率研究的方法上，引入了两阶段网络DEA模型，相对于传统DEA有着更大优势，它可以将传统“黑箱”打开，深入“黑箱”内部探寻效率低下的原因，应用于分阶段、多投入、多产出的效率评价问题方面。在此基础上，还引入了“坏账损失”作为非期望产出指标，对模型进行拓展。此外，以往的证券公司效率研究大多基于规模报酬不变（CRS）的假定，这就表明证券公司在运作过程中都存在最优生产规模，这与具体情况是不相符的。本文基于规模报酬可变（VRS）情形下建立了两阶段非期望的乘积关系模型，更加适用于证券效率评估，结果也更加贴合实际。

三、两阶段非期望DEA模型构建

（一）研究方法

数据包络分析（DataEnvelopmentAnalysis，DEA）是一种非参数效率评估方法，它是美国著名运筹学专家Charnes等在1978年创立的以相对效率评价理论为基础，将单输入单输出的工程效率概念推广到多输入多输出的决策单元，并利用运筹学中的线性规划和计量经济学中的有关理论知识，将DEA有效、具体的生产可能集和生产前沿面关联起来。随着DEA基础理论研究与实践运用的进一步发展，它已经成为我国管理科学、系统工程和决策过程分析、质量评价与研究等领域的一个普遍并且重要的分析工具与研究方式，其工作的具体步骤流程如图1所示。

（二）两阶段非期望DEA模型的构建

证券公司是专业从事证券交易的法人企业，也是通过股票交易将证券投资者与上市公司联系起来的直接渠道。作为资本市场的重要组成部分之一，它可以立足于承销发行、证券自营及代理等业务来获取运营收益，之后又基于分配员工薪酬、管理成本、投资活动等来获取相关的利润。基于此，将证券公司的运营阶段分为两个阶段——创收阶段和盈利阶段，如图2所示。

第一阶段为创造收入阶段，是指证券公司投入一定资本的同时支付员工薪酬以及各种营业费用成本从而进行证券交易、资产管理等经营活动，使得公司正常经营运转获得收入，这一阶段侧重于公司创造收入能力和资产利用能力。第二阶段为获取利润的阶段，是指证券公司通过各项业务交易获得直接收入后，通过合理的投资规划、资产管理和各种经营费用的分配把前一阶段的直接收入转化成最终利润的过程，这一阶段侧重于公司的风险和成本控制能力以及利润转化能力。

运用Kao和Hwang（2008）提出的两阶段关系模型，并使其从规模报酬不变（CRS）扩展到规模报酬可变（VRS）模型，从非线性转换为线性模型，选取“投入导向”模型进行DEA效率分析。

根据如图2所示的证券公司两阶段运行系统，每个决策单元记为DMUj（j=1，2，…，n），第一阶段的投入指标为x1ij（i=1，2，…，m），中间产出zdj（d=1，2，…，D），第二阶段的期望产出为y2rj（r=1，2，…，s），非期望产出为Pbrj（r=1，2，…，sb）。对于非期望产出，遵循Seiford和Zhu（1999）提出的转换方法来解决非期望产出。就是在非期望产出中首先乘上“-1”，接着加上一个相应的正转换向量以使这个非期望输出变成正值，即Pbrj=-Pbrj+wbr（r=1，2，…，B），其中wbr=maxjpbrj+1，r∈B，在规模报酬可变（VRS）情形下，这种转换提供了相同的有效前沿面。与以往研究中将整个生产过程和两个子阶段视为独立的研究不同，Kao和Hwang（2008）考虑了整个系统中两个子阶段的串联关系，在这个框架下，将整个运营过程的总效率分解为两个子阶段效率的乘积，即ek=e1ke2k，且ek∈（0，1）。且文章指出，在创收和盈利两个阶段中，中间变量的权重相等，可以体现两个阶段的同等重要程度，并具有一定的串联关系，从而不会导致两个阶段的结果向任一方偏移，因此假设中间变量在两个子阶段有相同的权重wd。则模型如下：

ek=maxe1k×e2k

=max∑Dd=1wdzdk+u1k∑mi=1v1ix1ik×∑sr=1u2ry2rk+∑Br=1ubrPbrk+u2k∑Dd=1wdzdk

s.t.∑Dd=1wdzdj+u1k∑mi=1v1ix1ij≤1，j，

∑sr=1u2ry2rj+∑Br=1ubrPbrj+u2k∑Dd=1wdzdj≤1，j，u2r，ubr，v1i，wd≥0，i，r，d，u1k，u2kfree（1）

目标函数表示整个两阶段生产系统的总生产效率是两个子系统生产效率的乘积，前两个约束条件保证了单个子系统的效率值不超过l。对于非期望产出Pbrj，站在决策者的角度希望其越来越小，采用上述提到的Seiford和Zhu（1999）的转换方法，Pbrj越大，Pbrj越小。由于此时的式（1）是一个分式规划，并且存在着自由变量u1k，u2k，很难将其转化为线性模型，利用Li等（2012）的启发式搜索的方法，可以使其线性化，转变为以下公式：

e1kmax=max∑Dd=1wdzdk+u1k∑mi=1v1ix1ik

s.t.∑Dd=1wdzdj+u1k∑mi=1v1ix1ij≤1，j，

∑sr=1u2ry2rj+∑Br=1ubrPbrj+u2k∑Dd=1wdzdj≤1，j，

u2r，ubr，v1i，wd≥0，i，r，d，u1k，u2kfree（2）

则创收阶段系统效率最大值可能为e1kmax，e1k的取值范围为e1k∈［0，e1kmax］，模型（2）仍然是一个分式规划，可以将其转换为线性规划模型，则上述公式等价于：

e1kmax=max∑Dd=1wdzdk+u1k

s.t.∑mi=1v1ix1ik=1，

∑Dd=1wdzdj+u1k－∑mi=1v1ix1ij≤0，j，

∑sr=1u2ry2rj+∑Br=1ubrPbrj+u2k－∑Dd=1wdzdj≤0，j，

u2r，ubr，v1i，wd≥0，i，r，d，

u1k，u2kfree（3）

由于e1k的取值存在范围变动，在计算整个两阶段系统的效率时，可以将其看作一个变量。则式（1）可以写为：

ek=maxe1k×∑sr=1u2ry2rk+∑Br=1ubrPbrk+u2k∑Dd=1wdzdks.t.∑Dd=1wdzdj+u1k∑mi=1v1ix1ij≤1，j，∑sr=1u2ry2rj+∑Br=1ubrPbrj+u2k∑Dd=1wdzdj≤1，j，e1k=∑Dd=1wdzdk+u1k∑mi=1v1ix1ik，e1k∈［0，e1kmax］u2r，ubr，v1i，wd≥0，i，r，d，u1k，u2kfree（4）

式（4）可以转换为以下模型，方便求解：

ek=maxe1k∑sr=1u2ry2rk+∑Br=1ubrPbrk+u2k

s.t.∑Dd=1wdzdk=1，∑Dd=1wdzdj+u1k－∑mi=1v1ix1ij≤0，j，

∑sr=1u2ry2rj+∑Br=1ubrPbrj+u2k－∑Dd=1wdzdj≤0，j，（5）

∑Dd=1wdzdk+u1k－e1k∑mi=1v1ix1ik=0e1k∈［0，e1kmax］u2r，ubr，v1i，wd≥o，i，r，d，u1k，u2kfree

（三）指标与数据选取

1.样本选取及说明

截至2020年年底，我国共有上市证券公司39家，为了使选取的样本具有代表性和可行性，选择2016—2020年我国24家上市证券公司作为样本数据进行分析。为保证数据的连续性，剔除了非上市的证券公司以及在2016年之后上市的证券公司，且按照经验法则，决策单元的数量应该大于投入指标和产出指标之和的两倍。基于以上考量，将缺失数据的样本筛选出去之后，最终确定的DMU样本共有24家。文章的数据皆来源于中国证券业协会官网（sac.net.cn）、上海证券交易所官网（sse.com.cn）、深圳证券交易所官网（szse.cn）中公开披露的各证券公司2016—2020年的年度财务报告。

2.投入产出指标的选取

对于指标的选择，学者们持有不同的观点，既往文献的投入产出指标如表1所示。文章对所构建的两阶段证券公司经营过程进行了深入分析和研究，在此基础之上，综合以往研究证券公司效率的DEA模型所选择的投入、产出指标，将第一子阶段的投入指标确定为应付职工薪酬、实收资本、业务及管理费，在第二子阶段选择净利润、投资收益、坏账损失作为产出指标，营业收入作为中间变量。

对于投入变量。从劳动投入的角度看，选择应付职工薪酬代表劳动投入相对于员工人数来说更加合理，它代表企业为获得职工提供的服务而给予各种形式的报酬以及其他相关支出，更能反映证券公司在劳动投资方面的结构性；对于资本投入来说，选取实收资本作为资本投入指标，实收资本的构成是企业向投资者进行利润或股利分配的主要依据，反映了证券公司运营的基础和保障；又因费用和支出贯穿证券公司承销发行、证券自营、代理买卖证券等业务过程，而且维持正常运营也会产生相关费用和支出，因此将费用投入指标确定为业务及管理费。

对于期望产出指标。净利润是公司经营的最终目标及成果，对于企业管理者而言，净利润是进行经营管理决策的基础。同时利用自有资金进行投资获利是证券公司自营业务的核心内容，因此也把投资收益作为预期产出变量。

对于非期望产出变量。选取“坏账损失”作为非期望产出指标，反映了由于经营失误造成的确定不能收回的各种应收款项。将这一指标考虑在内，能够较为全面地衡量我国证券公司近年来的效率问题。

对于中间变量。由于国内证券公司目前核心业务包括四种，即证券自营、资产管理、经纪和投行业务，选取营业收入作为衡量证券公司利用资本、劳动和费用来获得收入结果比较全面，包括利息净收入、手续费及佣金净收入、投资收益等，反映了企业的盈利能力和存续能力。另外，证券公司第二阶段主要利用营业收入作为初始投入，以确保顺利投资、做好风控和获取利润等。由此可见，将营业收入作为中间变量可以更好地完成了第一、第二两个阶段的衔接。

四、我国证券公司效率评价研究的实证分析

利用MaxDEA软件对24家中国上市证券公司2016—2020年的财务数据进行分析和处理，并采用两阶段网络DEA方法分别计算总效率、第一阶段和第二阶段的运营效率，结果如表2和表3所示。

（一）总体效率分析

从总体效率来看，中国上市证券公司2016—2020年的运作绩效总体上并不高，在0.4662～0.6417波动，均值只有0.5765。五年内有效决策单元的数量为1、1、0、2和1，占决策单元总数的比例较低，反映出我国上市证券公司的经营效率较低。根据五年间的平均效率可以看出，整体绩效水平排在前三名的公司为#1国泰君安、#21国元证券和#5华泰证券，历年总效率平均值分别为0.8310、0.8249和0.8013，保持着较强的上升活力。平均效率较低的公司是#19第一创业、#24太平洋证券，历年总效率平均值分别是0.3387和0.3619。调查期间，效率提升最快的公司有#11兴业证券、#4中信证券和#16东方财富。兴业证券的效率排名从2016年的第23位上升到2020年的第8位，表明其经营业绩有了明显改善。中信证券排名自2016年的第14位上升至第2位，其规模不断扩大，经营绩效也得到提升，于2021年列入首批证券公司“白名单”。东方财富在考察期间总排名上升了11位，在2019年、2020年连续两年效率值均达到了生产前沿面。从标准差来看，#7国金证券的效率值是最稳定的，其标准差为0.0207，说明国金证券的效率表现相对稳定。根据国金证券2016—2020年年报，近五年国金证券的净利润稳定持续增长，截至2020年年末，公司实现净利润18.7亿元。#24太平洋证券是这些公司中稳定性较差的，标准差为0.1861，近年来太平洋证券的业务波动性也比较明显，在2013—2015年三年的快速增长之后，接下来的五年里业绩大幅下降，到2020年年底，净亏损为7.55亿美元。

根据图3可知，我国24家上市证券公司在2016—2020年的整体效率都不算高，离效率前沿面还有一定差距，且相对波动较大。其中2016年、2020年的效率区间集中在0.6～0.7，2017年、2018年的效率区间集中在0.5～0.6，2019年的效率分布较为分散。各个年份的总效率最大值和最小值分别为：2016年的1和0.4046，2017年的1和0.3470，2018年的0.7639和0.1102，2019年的1和0.3284，2020年1和0.1924，整体上呈现中间多、两头少的趋势，各证券公司的经营效率在不同年份里出现了严重的两极分化。

（二）两阶段子阶段效率分析

在表3中，E1代表创收阶段的效率，E2代表盈利阶段效率。从24家证券公司的平均效率来看，调查期间各阶段的效率变化相对平稳。2016—2020年各年第一阶段效率均值处在0.629～0.777，第二阶段效率均值处在0.748～0.827，波动均比较小，且五年间决策单元阶段效率达到有效前沿面的证券公司数量较多，分别为5、4、3、4、5和5、4、4、6、2，这与总效率呈现的结果有所不同。此外，如图4所示，每一年中，盈利阶段效率均略高于创收阶段效率，这说明我国证券公司在扩大规模、增加收入的同时更加注重将收入转化为最终利润，提升盈利能力。

在创收阶段，#1国泰君安、#4中信证券、#10海通证券、#16东方财富、#21国元证券是相对效率较高的，表明这五家证券公司有较强的能力利用公司资产和各种经营成本开展证券交易业务并获取收益。值得注意的是，东方财富连续五年在创收阶段都处于前沿面上，通过分析发现，从东方财富网起家的东方财富本质上是网络金融服务平台，券商、基金则是公司目前高速成长中最核心的变现方式手段，在通过介入证券基金等传统金融业务而取得了不错的收益之后，公司将进一步遵循传统互联网思维下低价、优质服务的经营准则，并持续颠覆市场传统以改善用户体验。从2017—2020年，中信证券的效率值连续四年为1，数据显示，2020年中信证券营业收入以543.83亿元位居榜首，占总额的12.13%。根据中国证券业协会公布的证券行业年度经营业绩，经纪业务一直保持着中信证券最大的收入来源，截至2020年该占比为26.48%。而创收阶段效率最低的是#24太平洋证券、#22西南证券、#19第一创业，其平均效率值分别为0.414、0.518、0.505，远低于平均水平0.735，表明它们获取收入的能力相对较弱，抗风险能力有待加强，这些公司应该对现有资产的分配、成本的利用等方面进行改进。

在盈利阶段，效率一直保持较高的是#3招商证券和#22西南证券，分别为0.972和0.949，#5华泰证券的盈利效率也基本保持着稳步上升的水平。招商证券从2010年以来ROE一直超过业内平均值，企业整体盈利能力也明显好于同行。而股票承销、财富管理和机构经营能力的增强也是其整体盈利能力较高的重要因素，由于招商证券每个阶段效率表现优异，因而有较好的整体效率。对于西南证券来说，其在第一阶段的效率仅为0.518，第二阶段的效率为0.949，原因在于近几年来西南证券一直不断加强投行类业务风险把控，在严格遵守规范风控的情况下，其自营方向性投资业务随着证券市场情况的变化，及时调整了融资产品的结构组合，并获得了良好的投资回报。反观#16东方财富，在第一阶段是唯一一个连续五年效率均为1的证券公司，而在第二阶段的效率却不尽如人意，造成此结果的原因在于东方财富2016年、2017年、2018年连续三年的金融投资收益均为负值，分别为-4.31亿元、-4.01亿元、-5.82亿元，表明其在风险和成本控制能力以及利润转化能力方面还有待提升。盈利阶段效率处于较低水平的是#18东北证券和#6光大证券，东北证券在运营中，于创收阶段创造了0.918的效率均值，可知制约该公司运作效率的关键是盈利能力，该证券公司需要优化自身成本管控及风控能力。

（三）证券公司效率优化分析

在传统的DEA模式下，每个决策单元被看作一个“黑箱”，假如某企业的运营效率低下，则难以判定其在哪一步失效，难以有针对性地提出相应的改善措施。例如在表3中，东方财富在运作过程中总效率尚不及效率前沿，但是其在第一阶段却达到了DEA有效状态，且保持了五年之久，这就说明造成它总体效率低下的原因更多在于第二阶段的盈利过程，即在成本控制和风险控制方面尚有提升空间，而传统的DEA方法是无法得到这一结论的。为进一步分析造成证券公司效率无效的原因，借助MaxDEA软件运算的结果导出了投入产出指标的Projection（最优值），即改进方向，并计算出了各指标的投入产出冗余，结果如表4所示。

在表4中，数值的结果取绝对值，投入正值表示冗余，产出正值表示不足。可以看出，导致DEA无效的主要原因是各券商在创收阶段的投入冗余，必须引起公司重视的是投资部分越来越多不一定会产生高效率；在盈利阶段，部分券商存在投入冗余的原因在于资源投放过量而转为最终收益的资本过低，从而使目标产出不够，最终造成了DEA无效，可以看出坏账损失作为证券公司经营的非期望产出，不是导致DEA失效的最主要因素。

五、结论及政策建议

本文选取2016—2020年24家中国上市证券公司作为样本数据，将证券公司经营活动分为两阶段，即创收阶段与盈利阶段，考虑非期望产出的两阶段模型，运用了两阶段关系模型，认为创收阶段和盈利阶段是合作共贏的关系，构建了网络两阶段乘积型模型，先计算出总体效率，在保持总体效率不变的条件下分别计算出两个子阶段的效率，并根据原始值和目标改进值对效率无效的原因进行了分析，得出结论如下。

考察期间我国证券公司效率比较低，绝大部分公司没有能力在最优规模上生产，创收阶段的投入冗余是造成DEA无效的主要原因。效率区间整体上呈现中间多两头少的趋势，且相对波动较大，各证券公司的经营效率在不同年份里出现了严重的两极分化。从投入—产出的角度来看，正相关关系在证券公司效率与其投入规模、营业收入等指标之间并不成立，也就是说，证券公司要实现运营效益的提升，如果仅是将资产、经营规模扩大是远远不够的，还需对其成本费用进行良好管控，合理配置资源，提高投入产出比。针对上述问题，提出以下有针对性的建议。

（一）提高创新能力，加快盈利模式创新与转型

目前，中国证券公司已经进入了一个相对高速的发展阶段。由于我国证券行业产品具有很高的可替代性和同质性，证券公司缺乏较好的创新力，对传统的业务有着过强的依赖性，盈利情况受市场整体运行状态影响较大，因此无法对市场中的风险进行有效的防控。综上，我国券商在制定发展战略目标时，应先充分考虑自身特点和优势，从实际情况出发，使战略目标与自身实际相符，同时不断创新盈利模式，从而促进证券公司核心竞争力的全面提升。

（二）强化人才团队建设，健全激励机制

证券市场属于人才密集的行业，其人力资源管理水平是衡量其运营能力的一个重要指标，在公司核心竞争力的建设过程中，要关注人力资源队伍的重要性。尽管提升人力资源管理的重要性已成为行业共识，但是在具体的操作过程中，大部分企业并没有在这方面投入足够多的资源。一是要从战略层面关注人力资源重要性，特别是作为公司经营者，应该充分认识到人力资源管理能力在公司战略实现中的决定性作用；二是要重视人力资源管理相关人才的培训，持续优化人员素养和业务能力。同时，针对不同的业务类型，应采用有针对性的激励模式，这对证券公司发展有着很大意义，不仅能够调动员工工作积极性，还能够吸引更多人才。

（三）增强公司内部风险管理，加强规范化治理

证券公司要构建规范、透明、开放、充满活力和弹性的资本市场，必须进一步落实新的发展理念，服务于新的发展模式，进一步提高企业全方位风险管理能力，这不但要求券商必须完善与其公司发展策略相对应的全方位风险管理结构，积极开展事前、事中和事后的经营风险防范、监控、处理和评估等工作，还要不断完善与公司注册制度相对应的责任管理体系。如此，公司才能在健康的运作和规范的经营下产生更多合理、有效的收益。证券公司应不断增加风险管理资源投入，积极储备风险管理人员，逐步建立全面的风险管理体系，以集团化、一体化经营的思维不断完善全面风险管理制度，真正做到风控合规，为企业的可持续发展保驾护航、创造新价值、赢得未来。

参考文献

［1］NGUYENXH，NGUYENTKL.ApproachingtheNegativeSuper-SBMModeltoPartnerSelectionofVietnameseSecuritiesCompanies［J］.TheJournalofAsianFinance，EconomicsandBusiness，2021，8（3）：527-538.

［2］KANGDY，LEEKS.Managementefficiencyanalysisofdomesticsecuritiescompanies［J］.JournalofKoreaSocietyofIndustrialInformationSystems，2023，28（3）：57-67.

［3］李双杰，高濛.基于DEA交叉效率的投资组合优化策略［J］.数学的实践与认识，2023，53（1）：97-110.

［4］杨跃云.供应链金融应收账款资产证券化信用风险研究［J］.中国注册会计师，2022（2）：60-63.

［5］XUT，YOUJ，SHAOY.EfficiencyofChinaslistedsecuritiescompanies：EstimationthroughaDEA-basedmethod［J］.Mathematics，2020，8（4）：589.

［6］郑又源，徐筠雅，李妍.影响券商效率的因素与机制：基于一个扩展SCP框架的实证研究［J］.兰州财经大学学报，2024，40（2）：88-101.

［7］HUC.EfficiencyofChinesebankingcomparedwithdevelopedcountries：ADataEnvelopmentAnalysisApproach［J］.Accounting，AuditingandFinance，2023，4（3）：13-17.

［8］崔瑛，姜伟，李赛男，等.基于SFA方法的中国证券公司经营效率分析［J］.青岛大学学报（自然科学版），2018，31（3）：89-94，101.

［9］CHARNESA，COOPERWW，RHODESE.Measuringtheefficiencyofdecisionmakingunits［J］.EuropeanJournalofOperationalResearch，1978，2（6）：429-444.

［10］BANKERRD，CHARNESA，COOPERWW.Somemodelsforestimatingtechnicalandscaleinefficienciesindataenvelopmentanalysis［J］.ManagementScience，1984，30（9）：1078-1092.

［11］CHARNESA，COOPERWW，GOLANGB，etal.AdevelopmentalstudyofdataenvelopmentanalysisinmeasuringtheefficiencyofmaintenanceunitsintheUSairforces［J］.AnnalsofOperationsResearch，1985，30（1-2）：91-107.

［12］IKAPELFO，NAMUSONGEGS，SAKWAMM.DeterminantsofbankingsectorefficiencyinKenya：Applicationofnon-parametricDataEnvelopmentAnalysis（DEA）model［J］.AsianJournalofEconomics，BusinessandAccounting，2023，23（13）：18-28.

［13］FRER，GROSSKOPFS.Productivityandintermediateproducts：Afrontierapproach［J］.Economicsletters，1996，50（1）：65-70.

［14］FRER，GROSSKOPFS.NetworkDEA［J］.Socio-EconomicPlanningSciences，2000，34（1）：35-49.

［15］ACHIA.EfficiencyanditsdeterminantsintheAlgerianbanks：networkdataenvelopmentanalysisandpartialleastsquaresregression［J］.InternationalJournalofProductivityandPerformanceManagement，2023，72（5）：1479-1508.

［16］FUKUYAMAH，TSIONASM，TANY.Incorporatingcausalmodelingintodataenvelopmentanalysisforperformanceevaluation［J］.AnnalsofOperationsResearch，2023：1-40.

［17］钟心.基于DEA方法的我国证券公司经营效率的研究——以A股上市公司为例［D］.南昌：江西财经大学，2019.

［18］KAOC，HWANGS-N.Efficiencydecompositionintwo-stagedataenvelopmentanalysis：Anapplicationtonon-lifeinsurancecompaniesinTaiwan［J］.EuropeanJournalofOperationalResearch，2008，185（1）：418-429.

［19］LIY，CHENY，LIANGL，etal.DEAmodelsforextendedtwo-stagenetworkstructures［J］.Omega，2012，40（5）：611-618.

［20］SEIFORDLM，ZHUJ.Profitabilityandmarketabilityofthetop55UScommercialbanks［J］.Managementscience，1999，45（9）：1270-1288.

［21］秦小丽，刘益平.证券公司经营效率的测度——基于SBM修正的三阶段DEA模型［J］.重庆社会科学，2018（8）：43-55.

［22］苗建军，袁衫光.中国证券业的运营效率研究——基于SBM-Undesirable的六阶段DEA和Malmquist-DEA模型［J］.武汉金融，2018（11）：38-44.

［23］宋歌.基于DEA模型对我国证券公司经营效率评价的研究——以沪市A股上市公司为例［J］.金融理论与实践，2017（11）：77-80.

［24］楚雪芹，李勇军，崔峰，等.基于两阶段非期望DEA模型的商业银行效率评估［J］.系统工程理论与实践，2021，41（3）：636-648.

EfficiencyEvaluationofSecuritiesCompaniesBasedonTwo-StageDataEnvelopmentAnalysisforUndesiredIndicators

XUEJianSUNSiyaoLIDeqiang

（SchoolofEconomicsandManagement，ShaanxiUniversityofScienceandTechnology，Xi’an710021，China）

Abstract：Securitiescompaniesplayanimportantfunctioninstabilizingthecapitalmarket，leadingthecapitalmarketvaluejudgingstandard，andguaranteeingthereasonableallocationofmarketresources，etc.ThegoodorbadofitsoperatingefficiencydirectlyaffectstheoveralllevelofChinascapitalmarketefficiencyandtheeffectivenessofmarketresourceallocation，andhowtocarryoutascientific andreasonablemeasurementofChinassecuritiescompanysoperatingefficiencyisarealistictopicthatneedstobesolvedurgently.Basedonthis，thispaperdividestheoperatingactivitiesofsecuritiescompaniesintotwostages：therevenue-generatingstageandtheprofit-makingstage，andconstructsatwo-stagenon-expectationnetworkproduct-typemodelthatconsidersnon-expectationindicators.Thispaperanalyzes24Chineselistedsecuritiescompaniesassampledata，andfindsthat：theefficiencyofChinassecuritiescompaniesduringtheperiodunderinvestigationisgenerallyrelativelylow，thevastmajorityofcompaniesdonotproduceontheoptimalscale，andtheoperatingefficiencyofeachsecuritiescompanyisseriouslypolarizedindifferentyears，whichisthemainreasonfortheineffectivenessoftheDEAisthatInputredundancyinthefirststage.Thisindicatesthatsecuritiescompaniescannotrelysolelyonexpandingcapitalandbusinessscaletoimproveoperationalefficiency，andmustbebasedonthecontrolofresourcesandthescientificallocationofcostsandexpenses，whichinturnimprovestheinput-outputefficiencyoftheenterprise.

Keywords：EfficiencyofSecuritiesCompanies；Two-Stage；DataEnvelopmentAnalysisModel；UnexpectedIndicators