基于河北省对于交通资源与区域经济关系异常分析.docVIP

基于河北省对于交通资源与区域经济关系异常分析 　　【摘 要】作者主要通过选取我国各省数据，使用数据包络分析法（DEA模型）处理数据，得到结果，发现部分区域DEA效率值与区域经济发展水平不符，针对这一问题，选取河北省为例进行细致分析，得出需在DEA效率值的基础上综合考虑交通运输业的相对行业规模与其创造GDP的效率，才可更好分析交通资源配置与区域经济的相互作用。 　　【关键词】交通资源；区域经济；DEA效益值 　　一、引言 　　衡量交通资源在区域经济发展中的作用，重要的办法之一便是建立将交通资源配置与区域经济数据相对应的DEA模型，通过衡量交通资源配置与区域经济的匹配程度，分析二者相互作用。通常，人们认为经济越发达的地区交通资源发挥的作用越重要，DEA模型的效率值也越高，然而部分对应建模的结果却并非如此。针对中国三大经济梯度进行交通资源配置与区域经济的DEA模型研究同样存在此问题。通过分析导致DEA效率值产生误差的原因，可避免错误，更有效地研究二者的相互作用。 　　二、超效率评价模型与DEA模型 　　数据包络分析（DEA）是由美国著名运筹学家A.Charnes等人在1978年以相对效率概念为基础发展起来的一种新的绩效评价方法。其以决策单元（简称DMU）的投入、产出指标的权重系数为变量，借助于数学规划模型将决策单元投影到DEA生产前沿面上，通过比较决策单元偏离DEA生产前沿面的程度来对被评价决策单元的相对有效性进行综合绩效评价。 　　假设有n个待评价的对象（又称之为n个决策单元DMU），每个决策单元都有m种类型的投入及s种类型的产出，它们所对应的权重向量分别记为： 　　这n个决策单元中第j个的投入和产出量用向量分别记作： 　　其中每个决策单元DMU投入与产出比的相对效率评价指数如下： 　　通过适当选取权重向量V和U的值，使对每个j，均满足。现对某第n个决策单元进行绩效评价，则以第n个决策单元的效率指数为目标，以所有的待评的决策单元的效率指数为约束，故可以得到一般的DEA优化模型如下： 　　CCR，即最基本模型在计算效率值时，计算结果往往存在多个有效的决策单元（效率值为1），此时无法对有效决策单元之间的效率值再进行比较。为了弥补这一不足，使用超效率模型，其基本思想是：在对决策单元进行效率评价时，将被评价的决策单元排除在决策单元的集合之外。对于没有达到DEA有效的决策单元，其生产的前沿面不会发生变化，评价结果与CCR模型相同。 　　该模型公式为： 　　上述超效率模型与CCR模型的唯一区别是将被评价的决策单元DMUj0排除在生产可能集之外。 　　三、基于河北省的DEA效率值分析 　　对于DEA超效率模型，由模型原理可知，区域经济发展水平越高、交通资源与区域经济的相互作用越良好，交通资源配置与经济发展水平的匹配度越高。通过建立DEA超效率模型，选取2001年至2010年的全国除4直辖市外26省份“人均GDP”作为输入变量，将三种交通方式的六项周转量作为输出变量、进行数据分析，我们可得2001-2010年各省交通资源配置与经济发展水平的DMU值如表1。 　　由表1中各省数据可看出，并非各省DMU值均与其经济发展水平相匹配，有些省份经济发展水平较低而匹配度较高，有些省份经济发展水平较高而匹配度较低，其原因何在？ 　　河北省2001年至2010年交通资源配置与区域经济发展匹配度均处于全国极高水平，而其经济发展水平在全国处于中等水平，与其DMU值水平不符。下面我们便以河北省为例，分析DEA模型匹配度无法准确反映交通资源配置与区域经济发展水平关系的原因。 　　由DEA模型原理中相对效率评价指数公式： 　　可知，若hj值异常，或值中至少有一异常，由于在我们建立的交通资源配置与区域经济发展的DEA超效率模型中，与由系统自动生成且对影响等，则由于河北省DMU值异常，可知其输入变量和输出变量中至少有一异常。 　　分析各省份2001年至2010年输入变量“人均GDP”如表2。 　　可知河北省2001年至2010年人均GDP均处于中等较上排序，与其经济发展水平相符。则，即在输出变量中，必有一项或多项对超常DMU造成影响，于是同样以人均GDP为投入变量，而以三种运输方式的六种不同周转量分别作为输出变量建立DEA超效率、分析匹配度，所得如表3。 　　由表3结果可知，河北省铁路货运匹配度与2008年之前公路货运匹配度处于较高水平，而其余匹配度接近平均水平。因此，在河北省较高的交通资源配置与区域经济发展匹配度中，铁路货运匹配度与2008年之前的公路货运匹配度有较高贡献，由此可说明铁路货运与2008年之前的公路货运在河北省经济发展中有较大带动作用。下面据此两方面进行分析。 　　四、河北省铁路货运分析 　　河北省处于环