1引 言

　　1.1 选题背景

　　经过大量的实践可以表明，建筑业的发展和国民经济发展存在有极为密切的相互影响的关系。从一方面来说，建筑业中大量大规模项目的建设可以促进国民经济的高速发展。从另一方面来说，国民经济的快速增长必然会加快建筑业的发展。所以说我国建筑业的发展情况对于我国的经济发展起着至关重要的作用。因此，在对我国建筑业的生产绩效做出正确客观的分析评价是很有必要的。

　　20世纪90年代以来， 在金融自由化、经济全球化的情况下，建筑业之间的竞争越来越激烈，而建筑企业之间竞争的主要又在于效率的竞争，建筑企业的效率怎么样、能不能在激烈的竞争中占有一席之地， 建筑业效率是评判其业绩的重要衡量标准， 同时也是建筑业在生产运营过程中投入与产出之间的比较。建筑业效率的状况反映了一段时间内该企业对一切投入要素的使用状况;从更进一步的层次上看，建筑业效率的高低直接反映了间接融资渠道的效率高低以及该区域的资源利用效果以及整体经营状况;从更直观的角度看，其效率的高低直接决定了各个区域在日趋激烈的竞争环境中的地位。效率是建筑业竞争力的核心内容和重要表现形式， 对于中国建筑业来说，提高经营效率，并在危机之后的新一轮竞争中胜出显得尤为重要，因此在建筑业中应该注重生产效率的提高。

　　建筑业的快速发展带来的就业机会和其高产值做出的贡献使其成为我国经济发展的重要产业之一，然而，建筑业发展对国民经济的增长以社会所带来的贡献并不能遮盖它的一个特征，这个特征就是建筑业终究是一个劳动密集型产业。它对外部要素的投入依赖性很大。在我国现有的体制下，国家政策对它的发展很重要。整个行业的表现大体是：效率低、收益差、竞争烈。在激烈的建筑企业竞争下，生产效率的高低对企业来说似乎显得至关重要。建筑业效率提高了，收益也就可观了。因此，提高效率很关键。

　　1.2 研究的意义

　　本文研究的主要目的在于通过对我国建筑业在2002~2014年这13年的面板数据进行分析评价，定量的分析我国建筑业生产效率在十几年的发展趋势。然后根据其中的规律分析影响效率的原因。从而可以更深一层次地认识现阶段我国建筑业所面临的机会和挑战。接着对得出的规律进行分析评价，得出了一些主要结论和建筑。

　　实用意义：通过对面板数据建立模型进行计算，能够根据计算结果分析我国建筑业中存在的问题。然后分析出现问题的原因，找解决问题的办法。对建筑业深化改革，在激烈的竞争中，快速地将压力转变为动力，提高我国建筑业在变化的环境中的应变能力，获得竞争优势。从而保证建筑业能够可持续的发展与进步。

　　1.3 研究思路和方法

　　在对我国关于建筑业以及生产效率的研究的基础上，本文主要采用了DEA(数据包络分析法)和Malmquist指数法。对13年的面板数据进行静态以及动态的分析，从而可以提高研究的全面性与精确度。其中DEA模型主要包括有BCC模型和CCR模型，在投入产出指标的选择上采用了分组筛选法。在总体上，对我国建筑业31个省份13年的数据进行CCR模型分析。而Malmquist指数法则把我国31个省份划分为三大地区，对三大地区在13年的面板数据进行Malmquist指数法分析。

　　2研究现状

　　到现在为止，建筑业生产效率研究经常采纳的方法主要有DEA(数据包络分析法)、SFA(参数型随机前沿分析法)等等。在大多数研究中，使用数据包络分析法的颇多。在建筑业生产效率国内的相关研究上，此文章针对性的做出了梳理和总结，李路路等( 2013)运用基于DEA的Malmquist指数法对我国31个省份2001 ～ 2011 年11年的建筑业统计面板数据为计算对象，计算和分析了对建筑业全要素生产效率。得出的计算结果表明建筑业全要素生产效率为负增长，技术进步率为负增长，技术效率不断提高。李颖，康铁刚等人运用DEA方法测算了31个省分的建筑业的综合效率，规模效率和纯技术效率，并进行了横向比较分析。结果显示纯技术效率是影响中国建筑业企业综合效率提升的关键因素;建筑业企业的生产效率存在明显的空间差异，东部和中部地区的企业生产效率整体高于西部地区;生产效率相对低下的建筑业企业均处于规模收益递增状态。周蜀国，刘炳胜等运用DEA模型的三个阶段就2008年中国的30个省份对建筑业生产效率进行数据评价，结果显示：在剔除随机误差和外部环境的影响后，建筑页技术效率总体偏低，主要由于规模无效率。此外，研究还发现中国建筑业技术效率区域差异性很大，东部最优，中部次之，西部最差。对于建筑业生产效率的研究，运用DEA方法进行评价和分析的文献居多。然而DEA方法 和Malmquist 指数这两种方法的结合是用所做的分析较少。只有极少数的文献进行了相关的研究. 因此，此文就是以现有的研究评价为基础，采用数据包络分析法和Malmquist 指数法对中国31 个省市2002 ～ 2014年建筑业效率的发展趋势做出一定的评价，同时建议采用一些可行性的措施。

　　3理论方法

　　3.1 DEA模型

　　DEA是基于已知的数据，运用DEA模型得到相应的生产前沿，为了评价决策单元(DMU)的相对有效性与多输入多输出。在20世纪70年代末， Charnes,Cooper and Rhodes最早提出DEA模型，这是第一个DEA—CCR模型。再后来，在20年代80年代中期，Banker,Charnes and Cooper对规模收益不变的假定作出改变，将其定规为变动的假定，就是BCC模型。截止到现在， DEA模型中最具有代表性的是CCR模型和BCC模型。

　　3.1.1 CCR 模型

CCR 模型是用来分析DMU 技术和规模综合效率的，它的数学模型表示如下: minV=

S.t. (3.1)

上述线性规划形式简记为CCR模型，前提条件是规模收益不变。假设问题的最优解U 、S、S、，则有如下三条结论:

(1) 如果= 1，则DMU为弱DEA 有效( 综合)。

(2)如果=1，S = 0，S = 0，决策单元DEA(综合)。

(3) 如果存在有U( i = 1，2，…，m) ，使得成立，就有DMU表示规模效益不变; 若，则DMU表示为规模效益逐渐上升; 若>1，则DMU表示为规模效益逐渐下降。

　　3.1.2 BCC模型

在CCR 模型的基础上，对其进行改进。把CCR模型中规模收益不变的假定，而改为规模收益变动的假定。就得到了BCC模型。限定Σnj = 1λ*j = 1，因此避免了规模效率带来的影响，得到了决策单元的纯技术效率。BCC的数学模型可以表示如3.2示。

假设问题的最优解为U、S、、，就有如下两条结论。得到的两条结论中DEA有效是在纯技术效率的前提下。

S.t. (3.2)

(1)若= 1，则DMU为弱DEA 有效。

(2) 若 = 1，且= 0、= 0，则DMU为DEA 有效

　　其中两种模型中DMU 纯规模效率的分析模型如下:

S = = (3.3)

　　3.2 Malmquist指数法

　　3.2.1 Malmquist指数法的基本模型

　　Malmquist 生产率指数，是CAVES 等人得到了消费指数的启发后，随后在生产分析中采用了这种思想，运用距离函数和距离函数的比值构造出了生产率指数，这一指数Malmquist指数。它是基于DEA 模型的方法提出的，利用距离函数的比率来计算投入产出效率.Malmquist 指数的原理如下:

= (3.1) 其中x，x分别表示第i 个地区在时期t 和t + 1 时期的投入向量;y，y分别表示在i 地区t和t + 1 时期的产出向量;和 分别表示以t 时期的技术T为参照的、时期t和t + 1 生产点的距离函数. 对于式3.1还可以分解为式3.2。

　　式3.2中右边第1 项表示为效率变化指数Effch，意思是从T到T + 1 时期生产效率的变化; 第2 项则表示技术变化指数Tech，就是从t 到t + 1 时期技术的变化率。在分析建筑业生产效率的时候，存在有很多投入和产出指标，并且对两者之间的关系不明确，因此，使用Malmquist 生产率指数非常合适的一种方法。

　　(3.2)

　　3.2.2 Malmquist指数法的经济意义

　　当Malmquist 指数值大于1 时，表示为全要素生产率(TFP)水平后一年大于前一年;Malmquist 指数值小于1 就表示为全要素生产率水平后一年小于前一年。通过采用生产函数法，Nishimuzu and Page把全要素生产率的变化用分成两技术水平的提高以及技术效率的上升。Fare 证明，TFP 也可以分解成两个部分-技术变化(TE)和效率变化(EFF)，其中效率变化又可划分为纯技术效率变化(PTE)以及规模效率变化(SE)。所以，Malmquist 指数方法可化为：

TFP=TEPTESE (3.3)

　　效率变化表明前后两年研究对象的变化程度，技术变化表明前后两年技术水平的变化。纯技术效率变化说明了仅仅有与技术因素的改变导致的变化，而规模效率变化表明了由于建设项目规模大小的变化所带来的影响。技术变化和效率变化共同影响着全要素生产率的变化。当技术效率变化或规模效率小于1时，那么技术变化或规模变化则是TFP下降的主要原因。相反，就是TFP上升的原因。

　　4指标的选取、数据的来源及处理

　　一个合理适用的评价体系是正确衡量建筑业生产效率的关键，所以说研究企业或者是建筑业行业的生产效率应该首先选择正确的评价体系。评价指标体系对评价目标起着至关重要的作用。在构建评价体系的时候首先应该明确评价目标，然后按照一定的原则。严格遵循原则才能保证指标体系的正确性。

　　首先研究影响建筑业生产效率的一些相关因素对评价指标体系的构建至关重要。由于影响因素非常复杂并且数量繁多。在可比性、整体系统性，可扩展性，可操作性的基础上，该文章依据《中国建筑业统计年鉴》和《中国统计年鉴》的相关指标，进行了建筑业生产效率评价指标体系的构建。为了能很好将指标体系和评价方法进行交融，可将指标体系分为输入和输出指标两大类，以适应DEA模型和Malmquist指数。

　　4.1基于DEA方法的投入产出指标的筛选

　　此文根据《中国统计年鉴》中各年建筑业的相关的面板统计数据，运用数据包络分析方法中的CCR模型，测算建筑业的总效率、规模效率以及技术效率。选择2002~2014年的中国建筑业中的31个省份作为研究对象。对应的决策单元(DMU )的数量有13个。在DEA 模型中相对于决策单元(DMU)来说，如果选择过多的投入指标和产出指标，这样会导致DEA模型中决策单元不能被正确有效的被区分出，从而使运用模型计算出来的结果与实际情况存在相当大的差距，导致的结果是会过高地估计决策单元的相对有效性[8]。所以在运用模型进行测算之前，对投入指标和产出指标进行选择显得尤为重要。需要让它满足2X+1

　　4.1.1 投入产出指标分组

　　首先需要对投入和产出指标分别进行分组，接着找出投入指标或投入指标中所有性质比较接近的指标，将这些指标分到同一个组。这样分组可以保证最后选择出来的投入和产出指标能够较全面地反映建筑业所有的投入产出情况。提高研究的精确度。进过仔细地分组之后，可将输入指标分成三组，分别为：建设总资产，建筑行业固定资产增量;工资和福利投资，技术装备率;建筑企业数量、从业者数量。将输出指标划分为两组：房屋建筑总面积、建筑业利润总额、建筑企业总利润和税收;建筑业增加值、建筑业总产值。

　　4.1.2 投入产出指标的筛选

　　运用DEA模型进行建筑业总效率计算，对计算出的结果进行分析。找出那个对建筑业效率影响程度较大的指标作为最后进入模型分析的投入指标或产出指标。打个比方来说，当从投入指标的某个组如建筑业总资产和建筑业固定资产增量中进行选择时。一开始需要从其他4组投入和产出指标中随意选择4个指标与建筑业总资产和建筑业固定资产增量构成不同的两组投入指标和产出指标，运用CCR模型对两组投入指标和产出指标进行计算。模型1的输入和输出指标被选定为建筑行业的总资产，技术设备率，企业的数量，建筑企业的利润总额，建筑业总产值;把模型2 的投入产出指标选取为：建筑行业固定资产增量、技术设备率、企业总数量、建筑企业利润总额、建筑业总产值。运用CCR 模型计算得到2002~2014年的建筑业总效率结果如见表4-1所示。

　　根据上表对于建筑业得出的结果，对模型1和模型2进行对比，通过观察可以得到，模型2的总效率计算结果总体接近1，然而模型1的计算结果变动性比较大，较模型1来说表现出较大的变化。因此可以得出结论为：相对于建筑业总资产来说，建筑业固定资产增量对于效率的影响较大。所以两个投入指标中应该选择建筑业固定该资产增量作为投入指标进入最后模型。根据这个原理，依次可以得到最后的投入和产出指标为：建筑业固定资产增量、技术设备率、从业者数量;产出指标：建筑企业利税总额以及建筑业总产值。

　　4.2 基于Malmquist指数方法的输入输出指标的选取

　　4.2.1 决策单元的选取

　　通过对不同区域投入和产出指表带来的影响的评价分析，可以帮助管理者优化配置和协调使用各种有限的资源：人力，物力和财力等，然后有效地达到目标。本文把31个省份作为决策单元，对建筑业2002~2014年的面板数据进行研究。并根据现如今被广泛采用的区域划分方式，把全国31个省份划分为三大地区-东部地区，中部地区，西部地区。其中，东部地区为：辽宁、北京、天津、河北、山东、江苏、上海、浙江、福建、广东、海南共11个省市。中部地区有：黑龙江、吉林、山西、河南、安徽、湖北、湖南、江西共8个省市。西部地区：西藏、新疆、甘肃、青海、云南、四川、内蒙古、宁夏、陕西、重庆、贵州、广西共12个省市。东部地区经济发展较快，中部地区发展一般，西部地区发展速度慢，相对落后。