基于動態S B M 模型的煤炭開采效率分析

蔣晨陽

摘要：在煤炭行業整合和低碳生產要求下，煤炭企業生存發展愈加困難。本研究選擇數據包絡分析中的動態SBM模型，采用人員、能耗、開采、收入、排放五個指標，分析煤炭企業開采效率。通過綜合效率和各指標效率分析發現，該企業礦井效率整體偏低，人員冗余是最大問題，有較大的節能減排改進空間。

關鍵詞：煤炭開采效率;動態SBM;全要素分析;低碳生產

中圖分類號：F407? ? 文獻標識碼：A

文章編號：1005-913X（2019）12-0141-03

一、引言

國家煤炭資源利用限制和去產能的政策要求下，煤炭企業遭受市場收縮價格下降的極大沖擊，甚至有多家煤炭企業難以維持正常運轉以致破產倒閉。同時粗放低效的煤炭開采造成大量資源的浪費，高碳模式的資源利用也正在造成越來越嚴重的氣候和環境問題。因此，本研究選擇煤炭開采這一過程進行效率分析，從提升資源利用效率和降低碳排放角度進行討論。

數據包絡分析法（data envelopment analysis，簡稱DEA）是一種通過線性規劃評估各個決策單元（decision making unit，簡稱DMU）相對效率的方法， 已有學者將DEA方法應用在煤炭行業。例如，穆東等用CCR和BCC模型并用DEA求解的權重計算綜合效率、物化技術、活勞動技術、投入要素相對水平四大指標;[1]余榮榮等用DEA計算42家煤炭企業2006年的技術效率并按照大中小規模分別進行變量相關性計算。[2]

安景文等將 “開拓進尺”作為產出指標，將生產現狀納入效率考慮;[3]郭曉玲等從低碳經濟的角度選取指標，并采用Tobit回歸研究研發水平、環保投入、對外開放程度等對企業低碳效率的影響。[4]江武運用CCR和BCC模型對安徽和山西的代表性煤炭企業進行效率分析認為山西煤企效率略高于安徽煤企;[5]侯顯濤則針對性分析貴州省煤炭產業效率和現狀。[6]

從同一企業內不同礦井的角度出發，對煤炭開采環節進行分析，一方面，在同一公司管理下各礦井具有更高的同質性，效率比較時受外部因素影響較少，對指標選取和結果探討均有利。另一方面，每個礦井都是直接面對生產開采，數據和分析更有利于企業找準實際生產中的問題所在。

二、 模型與指標

Tone7在SBM模型的基礎上引入“階段（peirod）”的概念，用延續性指標（carry-over）用于連接階段t和階段t+1，被稱為動態SBM模型（Dynamic SBM）。Ying Li8等為處理非期望產出對Tone的模型進行了修正，用于分析中國31個城市的AQI表現。本研究希望實現年度之間的效率比較，并且涉及非期望產出，因此，選擇Ying Li8修正動態SBM模型進行煤炭開采效率計算，具體模型可參考YingLi8。

現以我國某“一五”計劃重點煤炭企業為研究對象，選擇其2015-2017年的14個礦井，編號為1-14號礦井，則三年共計DMU 42個。煤炭開采機械化作業正在快速替代人工作業，將“人員投入”作為一項考察指標;低碳經濟是以更低的能耗實現相同的產出，因此，生產單位產品的“能耗投入”也是重要的投入指標;煤炭開采中缺少原料的投入，需要“開采投入”表現礦井開拓范圍，選擇“采煤面積”衡量該項投入，并將其作為延續指標。產出指標中，由于開采出的原煤中會夾雜巖石等成分，使用原煤產出量作為產出會對效率值產生影響，所以選擇“經濟產出”指標來避免這一問題。另外，將二氧化碳排放量作為非期望產出納入模型。當前指標及描述性統計如表1所示，指標共計5個，5<（42/2），滿足數量要求。

三、 實證結果

（一）綜合效率分析

綜合效率結果如表2所示。三年累計8次有礦井實現DEA有效（即效率值為1），其余礦井效率值并不是很理想，整體分布較低，只有少數達到0.6 以上。從單個礦井來看，排名前四位的分別是14號、3號、2號、10 號，表現最好的為14號礦井，在各年度都實現了DEA有效;其余礦井均未實現DEA有效，排名后四位的礦井分別是12 號、7 號、4號、13號，其中12號礦井均值表現最差，2015年效率排名較低，2016年和2017年度均排名末尾，且2017年效率值僅有0.13，表明有87%的效率提升空間;4 號、7號、13號礦井歷年效率都不足0.3，需要重點進行效率提升。

根據均值看出礦井效率在逐年下降，實現DEA有效的礦井數量也逐年減少。從2015—2017年，1號礦井效率下降54%，5號礦井效率下降45%，11號礦井效率下降54%，這種大程度和大范圍的效率下降也需要企業重點關注，從管理的角度進行提升。

（二）全要素分析

參照Hu and Wang提出的全要素分析法對指標的效率進行計算，以比例的方式對每個指標的可改進程度進行分析，公式如下。[9]

在企業生產的針對性改進中，重點關注的是需要減少的投入量，低碳生產的要求下重點關注碳排量，因此，現主要對兩個投入指標和非期望產出指標計算效率。結果如圖1-3所示。從均值數據可以看出，三個指標的各年度平均效率均在下降，和前文中總效率隨時間下降的結果一致。

人員投入效率值在各年度之間較為平穩，然而相比于其他幾個指標，人員效率明顯偏低，除DEA有效可以實現人員投入有效外，僅有少數幾個DMU的人員投入效率達到0.5以上，其余大部分在0.3-0.4，即需要削減60%-70%的人員才能實現人員投入有效，4號、6號、7號、8號、12號體現出明顯的企業人員冗余現象。人員冗余已經是國有企業的傳統問題，會造成工作分散、員工積極性下降、提高人工和管理成本等問題，對最終的生產效率造成負面影響。

能耗投入隨著年份下降了37%，除了因為實現能耗投入有效的DMU數量下降外，大部分DMU也確實表現出了能耗效率下降的趨勢，12號礦井下降了68%最為嚴重，7號、12號、13號的能耗效率已經不足0.2。能耗是以標準煤的消耗量表示的，煤企產品也是煤炭，能耗效率的快速下降也體現出雖然產量或單個企業的經濟效益得到提升，卻是以更多、更低效的能源消耗為代價的，不滿足低碳經濟下的降低單位產出能耗的要求。

非期望產出方面，少部分DMU的產出效率可以達到0.8以上，整體效率值也較其他兩項指標表現良好，其中2號、9號、10號、13號、14號礦井效率較高，4號、6號、7號礦井效率較低。主要效率值仍然分布在0.5左右，表示當前排放量仍然超出最優排放量一倍。是生產過程中的無法加以利用的副產品，其大量排放在環保和政策方面都受到限制，所以在該指標上仍然需要盡量降低。

四、總結

DEA方法中對同一組DMU選取不同的指標得出的效率會描述DMU的不同運營成果，前人研究選擇成本、資產等指標偏向于描述企業經濟運營效率，通過選取開采指標使結果偏向生產實踐。在實際生產中，造成效率不足的原因可能是人為因素或者自然因素，通過更多生產相關的數據和指標尋找影響效率的因素，使效率改進點和措施更明確則是接下來要研究的內容。

參考文獻：

[1] 穆 東，杜志平，鞏傳景，申維嘉，李忠順，煤炭企業技術進步的評價與對策[J].系統工程理論與實踐，1996（10）.

[2] 余榮榮，唐 凱.基于DEA的我國煤炭企業技術效率測度研究[J].經濟研究導刊，2008（5）.

[3] 安景文，張興平，徐向陽，賈 平.煤炭企業的技術有效性和規模有效性評價[J]煤炭學報，1999（4）.

[4] 郭曉玲，李 凱.煤炭企業低碳經濟效率及其影響因素研究[J].生態經濟，2017（10）.

[5] 江 武.安徽省與山西省煤炭企業效率比較研究[D].合肥：合肥工業大學，2012.

[6] 侯顯濤.基于DEA模型的貴州省煤炭產業效率評價及對策研究[D].貴陽：貴州財經大學，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）.

[責任編輯：龐 林]