【作　　者】
文林莉（博士）

【作者单位】
广东科学技术职业学院经济管理学院，珠海519090

【摘　　要】

  【摘要】本文基于三阶段DEA模型对“新七领域”产业的市场效率（包括技术效率、纯技术效率以及规模效率）进行实证分析，以分析新常态对“新七领域”产业的影响。研究结果表明：2012年以来“新七领域”产业的市场效率具有较高水平，同时保持一定的增幅，说明新常态对“新七领域”产业具有显著的正向影响。但根据实证结果进一步发现，“新七领域”产业的差异性较大，不同产业呈现不同的波动性，所以，在经济新常态下应当对不同产业进行优化调整，以促进新兴产业的可持续发展。
【关键词】“新七领域”产业；市场效率；DEA模型；经济新常态
【中图分类号】F205           【文献标识码】A           【文章编号】1004-0994（2016）14-0026-6一、引言
近几年来，我国经济呈现波动式的增长趋势，经济发展的驱动力也逐渐从要素驱动模式和投资驱动模式转向创新驱动模式，经济增长不再是数量规模的扩张，而是生态经济、产业结构升级和创新带动的经济增长，这也是目前我国经济发展的一种新常态，所以，要在促进生态经济增长的同时，优化经济结构、优化产业结构链，这样才能促进我国经济的平稳发展，进而刺激相关产业链的发展（孙晓雷等，2015）。对此，国内学术界从不同角度进行了大量阐释和研究，并取得了丰硕的理论成果。
张云等（2015）从低碳经济的角度出发，研究生态环境与经济发展之间的相关关系，并构建多目标规划模型，测度经济新常态下产业结构变化对二氧化碳排放的影响，用以说明经济新常态下应高度重视生态环境的保护，发展低碳经济。金碚等（2015）对经济新常态进行了系统的论述，说明经济新常态是一个长期发展的过程，应重视长期发展与短期发展相协调的模式。但是，大部分学者的研究都着眼于经济发展研究，以理论分析为主，缺乏对经济发展效率的实证分析。本文从经济发展的反馈作用出发对我国七大战略型新兴产业进行实证分析，以期说明经济新常态下七大新兴产业的技术效率与规模效率是否得到进一步提升，并分析七大新兴产业之间的差异性等问题。
在对“新七领域”产业转型发展的研究中，国内学者主要集中于分析产业生命周期、金融支持方式以及金融创新等对战略新兴产业的影响（费钟林等，2013；翟华云，2012；吕铁，2012；刘志阳，2010），包括从金融支持角度分析“新七领域”产业的金融支持问题（熊正德等，2010、2011）。其中需要注意的是，这里的“新七领域”产业是指七大战略性新兴产业，即节能环保产业、新兴信息产业、新兴生物产业、新能源产业、新能源汽车产业、高端制造产业、新材料产业。可见，目前的研究主要侧重于对“新七领域”产业的发展问题以及对“新七领域”产业所采取的不同金融支持方式进行不同程度的定性和定量分析，或者从微观角度和宏观角度对金融支持效率的投入与产出效率进行评价研究和定量分析等。为此，本文在前人研究的基础上，从市场效率的角度出发，重点研究我国“新七领域”产业在经济新常态实施的过程中所反馈的效率问题，以期为我国发展“新七领域”产业提供一些建议，进而有利于促进新兴产业的可持续发展。
二、新兴产业的市场效率评价
（一）模型构建
在效率评价方面，常见的方法是数据包络分析法（DEA）。数据包络分析法是基于相对效率评价理论提出来的，是一种较新的系统分析方法，由运筹学家Charnes和Cooper等（1978）最早提出。在衡量多个输入变量与多个输出变量的问题上，即决策单元DMU的相对有效性时，通常采用DEA模型。DEA模型是利用线性规划、多目标规划等进行的广义最优化和半无限规划，也是采用随机规划等数学规划模型的思想进行运算和测度的计算方法。本文在前人研究的基础上，主要借用Fried等（2002）提出的三阶段DEA方法对“新七领域”产业的金融支持效率进行量化分析。
1. 第一阶段：计算初始效率值。第一阶段主要是利用“新七领域”中相关企业的投入变量和产出变量计算初始的技术效率值、纯技术效率值以及规模效率值。对于DEA方法而言，有BCC模型和CCR模型两种模型，BCC模型把CCR模型中的固定规模报酬改为可变规模报酬，从而将CCR模型中的技术效率TE分解为纯技术效率PTE和规模效率SE，并且满足TE=PTE×SE。其中，技术效率TE指既定投入下实现产出最大的能力；纯技术效率PTE指剔除规模因素后的效率。考虑到BCC 模型比CCR模型更详细，这里采用BCC模型对“新七领域”中相关企业的市场效率进行量化研究。BCC 模型如式（1）所示：
[minθ"js.t.θxij-j=1nxijλj-s-ij=0，i=1，2，…，mj=1nyijλj-s+ij-yij=0，i=1，2，…，sj=1nλj=1θ,λj,s-ij,s+ij≥0]   （1）
式（1）中：xij表示第j个DMU的第i种因素投入量；n表示决策单元DMU；yij表示第j个DMU的第i种产出总量，且xij>0、yij>0；m表示每个DMU投入要素；s表示产出要素；
         表示松弛变量和剩余变量；θij和   分别表示DMU的技术效率和纯技术效率。
2. 第二阶段：利用SFA模型分解误差。第二阶段的主要工作是根据第一阶段得到的结果对原始投入量的差额变量进行回归分析，并分离管理无效率、环境无效率、随机误差因素三个因素的影响，从而得出仅由管理无效率造成的决策单元投入冗余，最后根据所得结果对原始投入量进行调整。需要注意的是，第二阶段的 SFA 回归模型的因变量等价于第一阶段投入产出变量的差额，如式（2）所示：
Sij=xij-[j=1nxijλij]≥0，i=1，2，…，m；j=1，2，…，n      （2）
下面建立松弛变量与环境变量的 SFA 回归模型，如式（3）所示：
Sij=f  i（Zj；β j）+vij+uij，i=1，2，…，m；j=1，2，…，n   （3）
式（3）中：Sij表示被解释变量；Zj=｛z1j，z2j，…，zpj｝表示p个可观测的环境变量；f i（Zj；β j）表示确定可行的松弛前沿，一般取f i（Zj；β j）=Zjβ j；β j表示环境变量对投入松弛变量Sij的影响程度，β为待估计的参数向量；vij和uij分别表示统计噪音和管理无效率，并假设vij ~ N（0，   ），而uij服从截断正态分布，即uij ~ N+（0，    ），vij+uij为混合误差项，两者独立且不相关。这里的σ2和γ可以通过Frontie 4.1软件进行最大似然估计，其中相关系数γ=    /（           ），γ越接近于1则    越大，表示主导因素为管理因素，γ越接近于0则表示随机误差项为主导。同时，γ的零假设统计检验还被用于检验SFA模型设定是否合理，假设θ0和θ1分别为γ=0和γ≠0时待估计参数的极大似然估计量，L（θ0）和L（θ1）分别为似然函数值，则检验γ零假设的统计量LR为：LR=-2［lnL（θ0）-lnL（θ1）］。若γ=0的原假设被拒绝，则表明SFA模型的设定合理。
下面利用回归结果调整各DMU的投入变量。从SFA回归模型的误差中分离随机因素，再运用 Jondrow等（1982）的方法，根据管理无效率的条件估算式先求出E（uij|vij+uij），可以得到uij的估计量，如式（4）所示：
[E]（uij|uij+vij）=σ*×[ϕ(εiλ/σ)1-Φ(-εiλ/σ)+εiλσ]  
i=1，2，…，m；j=1，2，…，n 
式（4）中，                ，εi=uij+vij，λ=σu/σv，σ2=     +
    ，ϕ（·）和Φ（·）分别为标准正态分布的密度函数和分布函数。则可得到随机因素的条件估计为[E]（vij|vij+uij）=sij-
Zj   -[E]（uij|uij+vij），i=1，2，…，m，j=1，2，…，n。然后，采用Fried等（2002）的调整方法，以环境条件较差的公司为基准，增加环境条件相对较好的公司的投入，将所有样本的环境条件调整到相同，并考虑随机干扰的影响。最后基于最有效的DMU，以其投入项为基准，根据E（vij|vij+uij）=sij-Zjβj-
E（uij|uij+vij），将所估计的值代入以下调整的公式，对其他各决策单元投入量的调整如下：

i=1，2，…，m；j=1，2，…，n 
式（5）中，xij为实际投入，    表示调整后的投入。调整后，所有公司处于相同的经营环境和条件中，可剔除环境因素和随机误差的影响，更准确地评价各公司的效率值。
3. 第三阶段：调整DEA模型。以调整后的各公司的投入数据替换原始数据，再次运用 BCC 模型计算效率值，可得到剔除环境因素和随机误差后各公司的效率值，可更为准确地反映各公司的实际运营状况。
（二）指标选取与数据来源
结合“新七领域”产业企业经营的特点，将DEA模型的投入与产出变量进行如下定义：投入变量为X1（流通股合计占总股本比例）、X2（资本）和X3（资产负债率）；产出变量为Y1（净资产收益率）、Y2（营业总收入同比增长率）、Y3（母公司股东的净利润同比增长率）、Y4（每股收益同比增长率）；环境变量为Z1（成立年数）、Z2（市场份额）、Z3（分公司数目）。根据美国著名运筹学家Charnes的经验，在运用DEA模型时，要注意选取的样本个数比投入和产出的指标都要大且要大于两倍。鉴于此，本文选择2012年第一季度至2015年第四季度的28家新兴产业龙头股企业作为研究样本（新兴产业数据来源于战略性新兴产业数据库，部分数据来自于各企业的财务报表）。节能环保产业包括泰豪科技（600590）、三安光电（600703）、佛山照明（000541）、新疆天业（600075）；新兴信息产业包括恒宝股份（002104）、新海宜（002089）、大唐电信（600198）、数源科技（000909）；新生物产业包括华兰生物（002007）、上海莱士（002252）、华神集团（000790）、莱茵生物（002166）； 新能源产业包括东方电气（600875）、自仪股份00848）、沃尔核材（002130）、中核科技（000777）；新能源汽车产业包括安凯客车（000868）、万向钱潮（000559）、宁波韵升（600366）、成飞集成（002190）；高端装备制造业包括中国卫星（600118）、轴研科技（002046）、宝钛股份（600456）、四维图新（002405）；新材料产业包括包钢稀土（600111）、北矿磁材（600980）、中材科技（002080）、金发科技（600143）。
（三）实证分析
1. 第一阶段：基本DEA计算结果。应用DEAP 2.1软件，通过运行投入导向型与规模报酬可变型的BCC模型测算了效率水准，并计算出了不同年份的纯技术效率PTE、规模效率SE、技术效率TE，再计算最终的平均值得到如表1所示的结果：

从技术效率方面来看，泰豪科技、三安光电、佛山照明、华神集团、莱茵生物、东方电气、沃尔核材、安凯客车、万向钱潮、宁波韵升、成飞集成、中国卫星、轴研科技、宝钛股份、四维图新、包钢稀土、北矿磁材这17家公司的技术效率平均值已达到了0.7以上；新疆天业、新海宜、大唐电信、数源科技、华兰生物、上海莱士、自仪股份、中核科技、中材科技、金发科技这10家公司的技术效率平均值在0.5与0.7之间徘徊，有望进一步上升；而恒宝股份的技术效率平均值在0.5以下。其中需要注意的是，节能环保、新能源、新能源汽车、高端制造产业的技术效率平均值大多数处于0.7以上，这无疑说明了七大新兴产业之间在技术效率上依旧存在着差异性，同时也反映了新兴信息、新兴生物与新材料的后劲不足，有待进一步提升。
从纯技术效率方面来看，泰豪科技、三安光电、佛山照明、大唐电信、华兰生物、上海莱士、华神集团、莱茵生物、东方电气、沃尔核材、安凯客车、万向钱潮、宁波韵升、成飞集成、中国卫星、宝钛股份、中材科技这17家公司的纯技术效率平均值在0.7与0.9之间；而新疆天业、恒宝股份、新海宜、数源科技、自仪股份、轴研科技、四维图新、包钢稀土、北矿磁材、金发科技这10家公司的纯技术效率平均值低于0.7。同时也注意到，纯技术效率平均值在0.9 以上水平的企业集中于节能环保产业，而其他六大新兴产业的波动性较大。从规模效率来看，泰豪科技、佛山照明、新疆天业、新海宜、数源科技、华神集团、东方电气、自仪股份、安凯客、万向钱潮、宁波韵升、成飞集成、中国卫星、轴研科技、宝钛股份、四维图新、北矿磁材、金发科技这18家公司处于第一梯度，相对效率值达到0.8以上；而三安光电、恒宝股份、大唐电信、华兰生物、上海莱士、莱茵生物、沃尔核材、中核科技、包钢稀土、中材科技这10家公司的效率值在0.6到0.8之间，属于第二梯度。同时需要注意的是，在0.8 以上水平的产业主要集中于节能环保、新能源汽车、高端制造产业，其他产业的波动性较大。
2. 第二阶段：SFA回归分析。以第一阶段得出各个投入变量的松弛变量作为解释变量，本文运用软件Frontier 4.1对SFA的成本边界模型进行最大似然回归，从而得出从2012年第一季度 ~ 2015年第四季度各投入变量间的冗余变量以及各环境解释变量之间的结果。由于该回归分析需要比较大的时间跨度，本文采用逐年截面的方法进行分析，然后建立30 个回归方程。因篇幅所限，只列出2015年第四季度的结果如下页表2所示。进一步地，考虑到部分回归方程中系数不显著的状况比较明显，本文根据计算结果筛选和剔除了环境变量，这也意味着这部分年份的环境变量不明显。
依据分析结果可以得知，所有模型的LR单边检验T值均大于Mixed χ2分布临界值，通过了0.05 的检验水平，拒绝原假设，表明SFA模型的设定不仅是合理的，还是非常必要的。当所有的回归分析结果都出现γ值趋近于1时，表明组合误差受到了管理因素的相关影响，所以进行第二阶段的投入变量分析是比较重要的。通过回归结果可以看出，各环境变量对X1的影响即使不明显也不足为怪，因为这种情况是非常多见的。另外，X2对固定资产的影响力也是比较明显的。但是从整体来看，市场份额、所有权性质、分公司数量、成立年限对X1、X2、X3的影响都是比较明显的，于是可以进行第三阶段的调整。
3. 第三阶段：调整后的DEA计算结果。根据模型设定的方法，对各公司从2012年第一季度至2015年第四季度的投入变量进行逐个调整，利用调整后的投入变量与原来的产出变量，通过 DEAP 2.1 软件再次测算，得出第三阶段的技术效率平均值、纯技术效率平均值、规模效率平均值，结果如表3所示。
从调整后的技术效率方面来看，泰豪科技、三安光电、佛山照明、华神集团、莱茵生物、万向钱潮、安凯客、中国卫星、轴研科技、宝钛股份这10家公司的技术效率平均值在0.7以上；新疆天业、新海宜、华兰生物、上海莱士、东方电气、沃尔核材、宁波韵升、成飞集成、四维图新、北矿磁材这10家公司的技术效率平均值在0.5 ~ 0.7之间；而恒宝股份、大唐电信、数源科技、自仪股份、中核科技、包钢稀土、中材科技、金发科技这8家公司的技术效率平均值在0.5以下。从产业分布的角度来看，在0.7以上的新兴产业仅集中于节能环保产业和高端制造产业，其他产业的分布呈现较大的波动性。
从调整后的纯技术效率来看，泰豪科技、三安光电、佛山照明、大唐电信、数源科技、华神集团、莱茵生物、东方电气、自仪股份、沃尔核材、中核科技、安凯客、万向钱潮、宁波韵升、成飞集成、中国卫星、轴研科技、宝钛股份、四维图新、中材科技、金发科技这21家公司的纯技术效率平均值达到 0.9以上；恒宝股份、新海宜、华兰生物、上海莱士、包钢稀土、北矿磁材这6家公司的纯技术效率平均值在0.7 ~ 0.9之间；仅新疆天业公司的纯技术效率平均值在调整后没有达到 0.7 水平。从产业分布的角度来看，在0.9以上的新兴产业集中于节能环保、新能源、新能源汽车、高端制造这四个产业，其他三个产业的分布呈现一定的波动性。但从调整后的纯技术效率来看，七大新兴产业的纯技术效率大部分集中于第一梯度的水平。
从调整后的规模效率来看，泰豪科技、三安光电、佛山照明、新疆天业、华神集团、莱茵生物、万向钱潮、宝钛股份、四维图新这9家公司的规模效率平均值达到0.8以上；新海宜、华兰生物、东方电气、沃尔核材、安凯客、成飞集成、中国卫星、北矿磁材这8家公司的规模效率平均值在0.6 ~ 0.8之间；大唐电信、恒宝股份、数源科技、上海莱士、自仪股份、中核科技、宁波韵升、轴研科技、包钢稀土、中材科技、金发科技这11家公司的规模效率平均值都在 0.6 以下，属于第三梯度。从产业分布的角度来看，在0.8以上的新兴产业集中于节能环保、高端制造、新兴生物三个产业，其他产业的规模效率水平都偏低，且波动性较大。
三、“新七领域”产业的效率分析
通过三阶段DEA模型对七大新兴产业的实证分析可以得出，不同产业之间存在差异性，并且呈现不同的发展势头。进一步地，根据三阶段DEA模型的分析，本文接下来讨论调整前后的效率差异性。首先从技术效率比较来看，调整后各公司的技术效率平均值与调整前的技术效率平均值之间的差距并不是很大，并且保持相似的波动性，但如果考虑环境变量和统计噪音前后的变化，各公司的技术效率平均值则显著下降，具体如图1所示。在调整后，泰豪科技（△TE=0.1268）、三安光电（△TE=0.1692）、佛山照明（△TE=0.1356）、新海宜 （△TE=0.0106）、华神集团（△TE=0.1121）、莱茵生物（△TE=0.1056）、中国卫星（△TE=0.2233）、轴研科技（△TE=0.0588）这8家公司呈现出显著的增长；而其他的21家公司都呈现出下降趋势，说明外部环境要素显著地影响了公司的技术效率。
同样地，对比分析调整前和调整后的纯技术效率可发现，调整后公司的技术效率平均值与调整前技术效率平均值之间的差距并不是很大。但更值得关注的是，第三阶段的PTE平均值从整体上显著大于第一阶段的PTE平均值，具体如图2所示：

在考虑环境变量和统计噪音前后变化的情况下，调整后，新疆天业（△PTE=0.1132）、恒宝股份（△PTE=0.1202）、新海宜（△PTE=0.2446）、数源科技（△PTE=0.2308）、东方电气（△PTE=0.1114）、自仪股份（△PTE=0.2675）、沃尔核材（△PTE=0.1083）、中核科技（△PTE=0.1706）、万向钱潮（△PTE=0.1641）、宁波韵升（△PTE=0.1751）、成飞集成（△PTE=0.1361）、中国卫星（△PTE=0.1114）、轴研科技（△PTE=0.2675）、四维图新（△PTE=0.4132）、包钢稀土（△PTE=0.1202）、北矿磁材（△PTE=0.2446）、金发科技（△PTE=0.2308）这17家公司的纯技术效率平均值显著大于调整前的纯技术效率平均值，说明之前计算的纯技术效率受到了外部环境因素的显著影响，并且调整后的纯技术效率值波动性要明显小于调整前。然后，考虑环境变量和统计噪音前后的规模效率发现，各公司的规模效率平均值显著下降，说明之前计算的规模效率值被高估。从波动性来看，调整后的波动性大于调整前，说明公司的规模效率受到了外部环境要素的显著影响，具体如下页图3所示。
调整后，泰豪科技（△SE=0.0828）、三安光电（△SE=0.1707）、佛山照明（△SE=0.134）、华神集团（△SE=0.1114）、莱茵生物（△SE=0.1142）、宝钛股份（△SE=0.134）、四维图新（△SE=0.0635）这7家公司的规模效率得到提升，这主要说明调整前或第一阶段的这些公司的规模效率平均值被高估，说明这些公司的规模效率受外部环境的影响更为显著，而其他公司的规模效率受外部环境的影响较小。
四、结论与建议
在经济新常态的情境下，本文对“新七领域”产业进行跟踪研究，并利用三阶段DEA 模型检验“新七领域”的市场效率，分析经济新常态对“新七领域”产业的影响以及市场效率的差异性。结果得到，2012年以来“新七领域”产业的市场效率具有较高水平，同时保持一定的增幅，说明新常态对“新七领域”产业具有显著的正向影响。但是，“新七领域”产业的总体经营效率分布不均衡，存在差异性：从技术效率比较来看，调整后各公司的技术效率平均值与调整前的技术效率平均值之间的差距并不是很大，并且保持相似的波动性；整体上考虑环境变量和统计噪音前后的比较来看，各公司的技术效率平均值显著下降；从纯技术效率比较来看，调整后公司的技术效率平均值与调整前的技术效率平均值之间的差距并不是很大。值得关注的是，第三阶段的PTE平均值从整体上显著大于第一阶段的PTE平均值；从规模效率比较来看，在考虑环境变量和统计噪音后，各公司的规模效率平均值显著下降，说明之前计算的规模效率值被高估，并且调整后的波动性大于调整前，说明公司的规模效率受到了外部环境要素的显著影响。
基于上述结论，本文提出如下政策建议：①针对我国经济新常态这个换挡期，不仅需要保持一定的经济增长速度，还应该抓住机遇，通过特定的产业政策和措施对“新七领域”产业体系进行直接或间接的调整，实现“新七领域”产业结构转型升级。加之“新七领域”产业结构存在差异性，需要帮助“新七领域”产业实现协同发展，不断推进“新七领域”产业的耦合协调发展趋势，同时做好从低到高的升级发展。②在实现“新七领域”产业结构优化过程中，要及时调整产业结构中各个行业间的“数量”比例，还需要注重各个行业的技术效率、纯技术效率以及规模效率等“质量”指标，包括在转变生产方式和调整产业结构过程中，注重和充分发挥技术创新的作用。加之目前我国经济增长的动力正逐步发生转换，因此要从产业结构优化层面延伸至技术创新层面。③经济新常态下产业结构将由中低端向中高端转换，为进一步提升我国产业在全球价值链中的地位和打造“中国效益”，需要在经济全球化中尽量为“新七领域”产业争取合理的发展空间，使得各个新兴产业的企业都得到较好的发展空间，有利于提升整个产业的市场效率，进而促进新兴产业的可持续发展。

主要参考文献：
孙晓雷，何溪．新常态下高效生态经济发展方式的实证研究［J］．数量经济技术经济研究，2015（7）．
张云，邓桂丰，李秀珍．经济新常态下中国产业结构低碳转型与成本测度［J］．上海财经大学学报，2015（4）．
金碚．中国经济发展新常态研究［J］．中国工业经济，2015（1）．
齐建国，王红，彭绪庶等．中国经济新常态的内涵和形成机制［J］．经济纵横，2015（3）．
费钟琳，魏巍．扶持“新七领域”产业的政府政策——基于产业生命周期的考虑［J］．科技进步与对策，2013（3）．
翟华云．我国“新七领域”产业发展与多层次资本市场建立［J］．财会月刊，2012（5）．
吕铁，余剑．金融支持“新七领域”产业发展的实践创新、存在问题及政策建议［J］．宏观经济研究，2012（5）．
刘志阳，苏东水．“新七领域”产业集群与第三类金融中心的协同演进机理［J］．学术月刊，2010（12）．
熊正德，林雪．“新七领域”产业上市公司金融支持效率及其影响因素研究［J］．经济管理，2010（11）．
熊正德，詹斌，林雪．基于DEA和回归模型的“新七领域”产业金融支持效率［J］．系统工程，2011（6）．
翟华云．“新七领域”产业上市公司金融支持效率研究［J］．证券市场导报，2012（11）．
高铁梅．计量经济分析方法与建模：Eviews应用及实例分析［M］．北京：清华大学出版社，2009．
蒋才芳．人寿保险行业市场结构与效率研究［D］．长沙：湖南大学，2015．
Charnes A.， Cooper W. W.， Rhodes E.．Measuring the Efficiency of Decision Making Units［J］．European Journal of Operational Research，1978（2）．