基于數據包絡的我國生物制劑工業效率分析

吳超　邱家學

摘 要 通過運用數據包絡分析對2006-2011年生物制劑工業所占份額前15省份的技術效率和規模效率進行分析，結論為各年技術效率的變動大于規模效率的變動，15省份間技術效率的差距大于規模效率。通過技術效率和規模效率結合分析，將15省份分為5類，并針對每一類提出改進建議。

關鍵詞 生物制劑工業 數據包絡分析 效率分析

中圖分類號：F223 文獻標識碼：A 文章編號：1006-1533（2014）03-0051-05

Analysis of the industrial efficiency of China

in biological agents based on data envelopment analysis

WU Chao*， QIU Jiaxue**

（International Pharmaceutical Business School of China Pharmaceutical University， Nanjing 211198， China）

ABSTRACT By using data envelopment analysis （DEA）， the technology efficiency and scale efficiency of the top 15 provinces selected based on the share of biological agents industry were analyzed during 2006-2011. The fluctuations each year are bigger in technology efficiency than in scale efficiency， and also the gap among 15 provinces is larger in technology efficiency than in scale efficiency. The 15 provinces could be divided into five categories by the analysis of the combination of technical efficiency with scale efficiency， and the improvement suggestions were proposed for each category.

KEY WORDS biological agents industry； DEA； efficiency analysis

生物制劑是綜合利用微生物學、生物化學、藥學等科學的原理和方法制造的一類用于預防、治療和診斷的制品的統稱，可劃分為基因工程藥物、抗體藥物、血液制品、診斷試劑以及疫苗等五大類。

我國生物制劑產業起步于上世紀80 年代，截止2010年底，我國生物制劑工業企業有600余家，并保持高于20%的增長速度。在“十二五”規劃中生物醫藥被列為重點發展領域之一，國家將會通過加大財稅金融政策扶持等方式推動其快速發展。盡管如此，我國生物制劑產業發展水平與歐美發達國家仍然存在明顯差距，創新能力弱、產業組織不合理等發展障礙急需突破。因此，對生物制劑產業進行科學合理的分析，進而提出合理的建議也就十分重要。

“效率”能很好地衡量一個行業的發展情況。數據包絡分析（data envelopment analysis，DEA）可以用于評價有多個投入和多個產出行業的效率，而且不需要定義輸入與輸出之間關系的顯性表達式，避免了主觀因素的影響，其投影思想可以對系統進行調整，保證以最小的投入獲得最大的產出水平。考慮到生物制劑工業的行業性質和評價目標，筆者嘗試運用DEA來分析其效率。

1 方法介紹

1978年美國著名運籌學家Charnes等[1]基于“相對效率”的概念提出了數據包絡分析。基本原理是：應用數學規劃模型，把若干個具有多投入、多產出的相同類型的被評價主體看作是一個個決策單元DMU（decision making unit），把具有最優投入產出比率的單元作為有效生產前沿面，通過比較其他單元與有效生產前沿面的距離函數來評價其有效性，進而對其效率進行分析。

DEA主要有CRS-CCR模型和VRS-BCC改進模型兩種評價方式。前者基于規模收益是常量（constant returns to scale，CRS）的假定，評價DMU的技術有效性。CCR模型是一種理想的模型，適用于DMU最優規模運行的情況。后者基于規模收益可變（variable returns to scale，VRS）的假定，評價DMU的技術有效性。與CCR模型不同，BCC模型可以避免技術有效性受規模有效性的影響[2-4]。

構建DEA 模型的具體方法[5-6]：構造由n個DMU線性組合而成的假想DMU j0，該假想DMU的各項投入均低于任一決策單元j的各項投入，它的各項產出均不低于任一決策單元j的各項產出。可得如下CCR模型：

s.t.

m和s分別表示輸入和輸出指標的個數；Xij和Yrj表示第j個DMU的第i項輸入和第r項輸出；s-，s+分別為松弛變量；ε為非阿基米德無窮小量，在計算中取正的無窮小，如ε=10-5。θ表示決策單元j0的有效值，即投入相對于產出的有效利用程度；λj為n個DMU 的組合系數。

當θ=1，且s-=s+=0時，對應決策單元DMU j為DEA有效；若θ=1，但s-或s+不為0，則為弱DEA有效，即不是同時技術有效和規模有效。當θ<1，為非DEA 有效。

由CCR模型所得的技術效率不能排除規模的影響，是技術和規模綜合作用的結果，因此是綜合效率（scale and technical efficiency，STE）。通過增加一個凸性假設：可得BCC模型，以此來判斷DMU的純技術效率（technical efficiency，TE）。

BCC模型與CCR模型相比，對數據點的包容更加緊密，預測值更接近于效率邊界。利用CCR模型和BCC模型的計算結果，可以計算出DMU的規模有效性，規模效率（scale efficiency，SE ）為θ/σ。

2 指標選取和數據來源

2.1 數據來源

生物制劑工業總產值排名前15的省份所占份額已達到整個產業的90.71%（表1），所以用這15個省份為樣本可以達到重點分析的目的。選取米內網上2006-2011年的相關數據可以回顧“十一五”的成果同時對“十二五”的發展進行預測。

2.2 指標的選取

對于既定的評價方法，指標的合理選取是得到可靠性分析的保障。米內網中的投入指標有：流動資產平均余額、固定資產凈值平均余額、資產合計、負債合計、產品銷售成本、產品銷售費用、產品成本銷售稅金及附加、管理費用、財務費用、利息支出、全部從業人員平均人數等。產出指標有應收賬款凈額、產成品、產品銷售收入、利潤總額、應交增值稅等。

2.2.1 投入指標

企業的投入一般分為人力投入和物力投入。我們把全年從業人員的平均人數作為人力投入，把流動資產年均余額、產品銷售成本作為物力投入。

2.2.2 產出指標

結合產出指標的相關系數和代表性，選取產品銷售收入、利潤總額作為產出指標進行分析。

3 結果分析

運用DEAP 2.1軟件求得2006-2011年生物制劑工業總產值排名前15省份的技術效率、規模效率及規模報酬變動情況（表2、表3）。

3.1 技術效率分析

如表2所示，2006-2011年間技術效率各年均值波動較大且有降低趨勢。期間15省份的技術有效率達到了40%，所有省份的技術效率均值都在0.9以上。山東、上海、遼寧、湖南、天津、甘肅6省的技術效率在2006-2011年間都實現了最優，相對于其他省份，6省的投入產出比是最高的。北京、廣東、江蘇、吉林在幾年間也都曾實現過最優，且在2011年達到了最佳的投入產出比。河南只有在2011年未能處在前沿面上，四川、湖北、福建及浙江的技術效率排名位于最后，且都存在降低的趨勢。2011年，四川、福建和浙江3省的效率值跌倒0.9以下，與前沿面省份的差距較大。

3.2 規模效率分析

由表3可知，2006-2011年間規模效率各年均值存在波動且有上升趨勢。15省份中規模效率均值為1的只有遼寧和甘肅，有效率為13.3%，其余各省的規模效率均值都大于0.9。山東只有在2011年未能實現規模有效，且處于規模報酬遞減階段，建議其適當減小規模。廣東、吉林、江蘇、湖南、上海、北京6省規模效率在這幾年間不斷改善，在2011年都實現了最優，應繼續保持現有規模。四川、河南、天津都出現了不同程度的規模效率降低的情況，且河南和天津在2011年跌至0.9以下，四川和天津處于規模報酬遞增階段，可以適當擴大規模；河南處于規模報酬遞減階段，可以縮小規模以實現規模有效。湖北、浙江和福建在這幾年間一直未能實現最優規模，但在2011年都呈現出了效率改進的趨勢，湖北和福建可以適當擴大規模，浙江可以縮小規模，來達到最優規模的生產。

3.3 綜合分析

根據技術效率和規模效率的排名，繪制出各省兩個效率的排名圖，并將各省分為5類，如圖1和表4所示。

第一類：技術效率和規模效率排名均位于前列。山東、遼寧和甘肅在生物制劑工業所占份額的排名中恰位于第1、8、15，可以對具有相近份額的省份起到很好的標桿作用。山東在整個產業占據了21.62%的份額，且技術效率和規模效率也都優于其他省份，對整個產業的發展舉足輕重。

第二類：技術效率位于前列，規模效率排名相對靠后。上海、湖南和天津的技術效率都位于前沿面上，即其投入產出的運用情況與其他省份相比不存在資源投入冗余和產出不足，但其規模卻不是最佳的。

第三類：規模效率排名相對靠前，技術效率相對靠后。廣東、四川和吉林的規模效率均好于其技術效率，對于這3個省份合理調整投入產出比，實現最大的生產效率尤為重要。

第四類：技術效率和規模效率的排名均位于中等水平。河南和江蘇在整個產業所占份額的排名分列2、3且都達到了10%，北京所占份額也達到了5%，他們都可以山東為標桿努力實現技術和規模的有效。

第五類：技術效率和規模效率排名均靠后。浙江、湖北和福建在生物制劑工業中所占份額排名分別為第4、9、13，他們可分別參照山東、遼寧和甘肅的投入產出和規模的發展情況進行調整，實現技術和規模的提高。

4 結論

生物制劑工業份額排名前15的省份，東部、中部西部地區的個數分別為9、4、2，所占份額之比約為12.5：4：1，整體上東部地區在生物制劑工業的發展中發揮的作用最大。技術效率的各年均值標準差、各省均值標準差均大于規模效率的，即2006-2011年各年技術效率的變動大于規模效率的變動，15省份間技術效率的差距是大于規模效率的。若要各省減小與前沿面省份間的差距，生物制劑產業得到穩步發展，技術效率的改進迫在眉睫。

通過技術效率與規模效率的綜合分析可知，山東、遼寧和甘肅的技術效率和規模效率均優于其他省份；浙江、湖北和福建的兩種效率均低于其他省份。除河南、江蘇和北京的兩種效率均處于中等水平外，上海、湖南和天津的技術效率好于規模效率，而廣東、四川和吉林的表現恰相反。該15省份的生物制劑工業的發展對整個產業的發展至關重要，各省都需各取所長、科學管理以實現不斷改善。

參考文獻

[1] Charnes A， Cooper WW， Rhodes E. Measuring the efficiency of decision making units[J]. Eur J Oper Res， 1978， 2（6）： 429-444.

[2] Coelli T， Rao P， ODonnell C， et al. An introduction to efficiency and productivity analysis[M]. New York： Springer Science+Business Media， Inc， 2006： 161-181.

[3] 魏權齡. 數據包絡分析（DEA）[M]. 北京： 科學出版社 ， 2004： 11-28.

[4] 馬立杰. DEA理論及應用研究[D]. 濟南： 山東大學， 2007：10-17.

[5] 吳德勝. 數據包絡分析若干理論和方法研究[D]. 合肥： 中國科學技術大學， 2006：10-15.

[6] 查勇. 數據包絡分析中的若干問題研究[D]. 合肥： 中國科學技術大學， 2008：14-17.

（收稿日期：2013-12-25）