基于超效率DEA-Malmquist模型的我国海洋交通运输业效率分析

于谨凯，潘菁

（中国海洋大学经济学院，山东青岛266100）

【产业经济】

基于超效率DEA-Malmquist模型的我国海洋交通运输业效率分析

于谨凯，潘菁

（中国海洋大学经济学院，山东青岛266100）

结合超效率DEA模型和Malmquist指数，对2009—2013年我国11个沿海省市的海洋交通运输业进行效率分析。实证表明：每年只有2～3个省市的经营效率达到了DEA有效，同一年各省市的效率相差较大；行业呈现规模报酬递减的趋势；行业整体综合技术效率较低，同年不同省市的综合技术效率呈现两极分化，纯技术效率低下是主要原因；我国海洋交通运输业Malmquist指数发展平稳，各省市的Malmquist指数相差较大，综合技术效率的负增长是主要影响因素。

超效率DEA；Malmquist指数；海洋交通运输业；效率

1　相关研究概况

1.1海洋交通运输业研究概况

Talley W K（2013）［1］研究了海洋运输业中承运人利润、港口吞吐量和托运人物流成本对承运人、港口和托运人选择的影响，发现利润对承运人在海洋运输中的选择有直接或间接的正向影响，港口吞吐量对一个港口的选择也有直接或间接的正向影响，托运人成本则对托运人有直接或间接的反向影响；Karyn Morrissey，Cathal O’Donoghue（2013）［2］运用投入产出方法分析了爱尔兰海洋交通运输业集群的潜能，研究发现在爱尔兰的都柏林地区存在海洋经济活动的集群并提出应采取加强都柏林地区港口基础设施建设，对海洋运输部门进行明确定位等措施来促进海洋交通运业的集群。国内对海洋交通运输业的研究较少，主要集中在海洋交通运输业碳排放和海洋交通运输业与整体经济关系的研究。纪建悦，孔胶胶（2012）［3］运用STIRFDT模型对我国海洋交通运输业碳排放进行预测研究，研究表明控制碳排放量主要依靠单位周转量能耗的降低；纪建悦，孔胶胶（2011）［4］构建了海洋交通运输业碳排放恒等式，运用LMDI分解技术，分析了影响我国海洋交通运输业碳排放量的关键因素，得出了海洋交通运输业减排的关键在于调整能源结构的结论；张晋青（2010）［5］利用灰色关联度模型研究了辽宁省海洋交通运输业与辽宁省海洋经济发展的关系，结合区位熵和偏离份额分析法对辽宁省海洋交通运输业在环渤海地区的竞争力进行了定位，并在此基础上对辽宁省海洋交通运输业发展提出了对策与建议。赵昕，梁明星（2010）［6］以渔业产值、港口吞吐量、滨海旅游收入为自变量，GDP为因变量进行多元线性回归，测算了青岛海洋渔业、海洋交通运输业和滨海旅游业对青岛整体经济的影响，实证表明海洋交通运输业对整体经济有明显的拉动作用，作者提出应加强青岛港的龙头位置，加大港口基础设施建设，提高港口运作效率，加快港口相关产业的发展来促进青岛海洋交通运输业的发展，进而拉动青岛的整体经济。

1.2DEA模型研究概况

DEA（Data Envelop Analysis，数据包络分析）及其改进模型常用于社会经济系统的绩效评价。Alexander Cotte Poveda（2013）［7］运用超效率DEA模型，以1为投入变量，GDP、基尼系数的倒数、未满足的基本需求的倒数等作为产出变量研究了1993—2007年哥伦比亚各地区的经济发展和增长情况；Peter Wanke，Carlos Barros（2013）［8］运用两阶段DEA模型，以分行个数，员工数目为投入指标，行政费用和人事费用为中间指标，股东权益和固定资产为产出指标，研究了巴西各银行的成本效率和生产效率，得出了巴西各银行是异构的的结论；Aydln Çelen，Nese Yalçln（2012）［9］结合模糊层次分析法、逼近理想解排序法和DEA模型研究了土耳其电力分销市场的配电效率；Chen Yushan，Chen Biyu（2010）［10］利用DEA模型和Malmquist指数研究了2004—2007年台湾晶圆制造业的经营效率，得出了台湾晶圆制造业必须提高综合技术效率和纯技术效率来改善经营绩效的结论；王双（2013）［11］从资源环境、经济增长、制度环境三个方面构建了海洋经济竞争力评价指标，利用DEA模型测算了2001—2010年我国沿海主要经济区的经济竞争力，分析了资源禀赋、产业结构、科技水平、环境保护、政策支持五个因素对海洋经济竞争力的影响，并根据各海洋经济区竞争力强弱，提出了提升竞争力的发展建议；谢子远，鞠芳辉，孙华平（2012）［12］运用超效率DEA模型测度了2006—2009年我国区域海洋创新效率，分析了我国海洋科技创新效率的影响因素分析并进行了实证检验，研究发现海洋科研机构规模、高级职称人员比重与海洋科技创新效率正相关，专业技术人员比重及研究生比重与海洋科技创新效率负相关，提出了提高海洋科技创新效率的相应对策；程娜（2012）［13］分析了我国海洋第二产业的发展特征，以2006—2010年的海洋第二产业不同控股类型的上市公司为样本构建了DEA模型，实证表明：非国有控股类涉海企业的经营效率要比国有控股类高，大部分的国有控股类涉海企业均处于无效率的规模报酬递减的经营状态中，海洋第二产业的经营效率受产权结构、经营规模、技术创新能力和经营管理水平等因素的影响；范斐，孙才志，张耀光（2011）［14］运用DEA模型和Malmquist生产力指数分析了1995—2008年环渤海经济圈17个沿海城市的海洋经济效率，实证表明：环渤海经济圈沿海城市海洋经济的效率在不断提升，技术进步的有效变动是海洋经济效率提升的主要原因，一些沿海城市海洋经济发展因存在纯技术无效或者纯规模无效或者纯技术与纯规模均无效从而导致综合运行效率欠佳。

2　超效率DEA模型及Malmquist指数介绍

2.1超效率DEA模型介绍

DEA模型［15］是基于投入和产出变量，利用数学规划的方法，用于评价决策单元（decision making unit，DMU）相对效率的非参数估计方法，由Charnes A和Cooper W W等人于1978年提出。DEA模型主要有四个优点［7］：①基于多个投入和产出变量，不限制投入产出变量的个数；②不需要假设投入和产出变量的函数关系；③通过判断DMU是否位于生产可能集的“生产前沿面”上来判断是否为DEA有效；④不存在内生性问题。基于以上优点，DEA模型被广泛运用于社会经济系统的相对效率评价中。

经过三十多年的发展，国内外学者对DEA模型进行了扩充和完善，出现了超效率DEA模型等。一般的DEA模型只能评价DMU是否相对有效，不能对相对有效的DMU进行排序，而超效率DEA模型则可以实现相对有效DMU之间的比较。超效率DEA模型的形式［16］为：

模型共有t个投入变量，m个产出变量，n个DMU。s-和xk为t维向量，xk为第k个DMU（DMU-k）的投入向量，s-为负偏差变量。s+和yk为m维向量，yk为DMU-k的产出向量，s+为正偏差变量。ε为非阿基米德无穷小。λj为DMU-j被引用的权重。θ为DMU-k相对效率值。θ，λj，s+，s-为待估参数。

设θ，λj，s+，s-为上述模型的最优解，有：

（2）若θk＞1，则DMU-k为DEA有效，技术和规模都是有效的，且投入等比例增加（θk-1）倍，DMU-k在样本中仍能保持相对有效。

（3）若θk＜1且，则DMU-k为非DEA有效，这表明DMU-k在技术和规模都是无效的，可将投入减至，产出增至（yk+s+）来提升效率，达到DEA有效。

2.2Malmquist指数介绍

Malmquist指数［17］是由Malmquist在消费分析的过程中首先提出，后在1982年经Caves、Christeren和Diewert将其与距离函数结合建立起来的用于考察全要素生产率增长（total factor productivity change，TFP-ch）的生产力指数。由于当时Malmquist指数中距离函数计算的复杂性，其运用并不广泛。直到DEA理论的快速发展，Fare等人提出可以通过DEA方法来计算Malmquist指数中的距离函数，Malmquist指数才被广泛运用于效率分析领域。

根据Shephard距离函数将全要素生产率增长分解为综合技术变动（technical change，TECH-ch）和技术效率变动（technical efficiency change，TE-ch）。在规模报酬不变的假设下，TFP-ch的计算公式［18］为：

将Malmquist指数分解可得到：

TECH-ch＞1意味管理组织效率的提升，反之则为降低；TE-ch＞1意味着技术效率提升，反映了技术进步，反之则为技术衰退。

Malmquist指数的距离函数的DEA模型［19］为：

3　指标与数据

3.1指标选取、数据来源及数据处理

本文选取2009—2013年11个沿海省市（天津，河北，辽宁等）作为DMU，选取沿海交通固定投资完成额①因交通运输部统计公报中沿海交通固定投资完成额的统计时间跨度为每年1—11月，因此以每年1—11月的数据作为指标数值。为投入指标，沿海地区旅客吞吐量，沿海地区货物吞吐量，沿海港口国际标准集装箱重量和海洋货物周转量4个指标为产出指标。本文数据来源于《中国海洋统计年鉴》和中华人民共和国交通运输部网站（http：//www.moc.gov.cn/）。

3.2指标Pearson相关性检验

超效率DEA模型要求投入和产出指标符合同向性关系，即投入和产出同方向变动。因此需对投入和产出指标进行Pearson相关性检验［20］。相关系数越高，则效率评价结果越可靠。求解各年投入和产出指标的Pearson相关系数，计算平均值，得到结果如表1所示。

表1　海洋交通运输业投入产出指标Pearson相关系数Tab.1Pearson correlation coefficient of marine communicationsand transportation's input and output index

表1显示投入和产出指标的Pearson相关系数都在0.92以上，相关性非常好，因此本文认为指标选取合适，可用于实证分析。

图1　海洋交通运输业描述性效率分析Fig.1Descriptive analysis of marine communicationsand transportation efficiency

4　海洋交通运输业效率实证分析

4.1描述性效率分析

海洋货物吞吐量和海洋旅客吞吐量能较好地反应海洋交通运输能力。本文选取这两个指标，计算11个沿海省市2009—2013年的平均值，进行描述性效率分析。

图1显示天津、江苏、广西和福建的客运货物吞吐量均较小；海南的货物吞吐量较小，但客运吞吐量较大；河北、上海和辽宁的客运吞吐量较小，但货物吞吐量较大；山东、浙江的客运和货物吞吐量均较大；广东在11个省市中货物和客运吞吐量均位居第一。

表22009　—2013年海洋交通运输业超效率DEA模型效率分数及排名结果Tab.2Super efficiency DEA model efficiency score and ranking result of the marine communicationsand transportation industry in 2009-2013

4.2超效率DEA模型结果分析

表2显示，2009—2013年每年都只有2～3个省市的海洋交通运输业经营效率为DEA有效，其中上海在5年中均保持DEA有效，海南除了2012年、广东除了2013年外其余年份均为DEA有效。广东和上海是我国海洋经济实力较强的省市，同时在我国对外贸易中占据非常重要的战略地位，这就要求二者在港口建设、港口布局、船队管理、船队设施配备等方面都要优于其他沿海省市，对投入资源的利用更有效，产出效率更理想，从而其海洋交通运输业的效率要高于其他沿海省市。海南的固定投资完成额在沿海省市中相对较小，但近几年来海南一直在加强港口建设，致力于形成“四方五港”格局，为海南国际旅游岛服务，这推动了海南海洋交通运输业的大力发展，使海南的海洋交通运输业效率位居前列。除上海、广东和海南以外的沿海省市在2009—2013年一直为DEA无效，其中广西一直徘徊在10和11名，效率较低。广西海洋资源丰富，具有很大的发展潜力，但海运航线不足、船舶工业落后、港口现代化建设不完善、海洋科技落后等问题导致了其在海洋交通运输业上的低效率。纵向来看，在2009—2013年中排名变化较大的有：辽宁的排名由2009年的第7名降为2010年的第9名，后一路攀升至2013年的第4名；江苏的排名由2009年第4名下降至2011年第10名，并在2012年维持在第10名，后又升至2013年第8名。横向来看，同一年各沿海省市的效率分数相差较大。2013年位居首位的上海的效率分数是764.28%，最后一名广西的效率分数只有8.66%，这意味着上海再增加664.28%的投入，仍可保持相对有效，广西却要将投入至少减少91.34%才能实现DEA有效。各沿海省市效率之间的巨大差异与自身的港口、船队建设有较大的关系。

4.3Malmquist指数计算结果分析

4.3.1纵向分析

规模效率反映了DMU所处的规模状态，纯技术效率反映了DMU对资源的利用情况，综合技术效率则结合了规模效率和纯技术效率，综合反映了DMU的管理组织水平。表3显示我国海洋交通运输业的综合技术效率较低，且呈现递减的趋势。2009—2013年综合技术效率均未超过0.60，整个行业处于综合技术效率无效的状态，效率值由2009年的0.60下降到了2013年的0.41。整个行业纯技术效率也较低，呈现先减后增的趋势，从2009年的0.68降至2012年的0.48，后又升至2013年的0.61。纯技术效率小于1说明整个行业对于投入资源的利用是无效率的，造成了投入资源的浪费，但纯技术效率的变动说明利用效率在逐步提升。整个行业的规模效率呈现先增后减的趋势，从2009年的0.86提升至2010年的0.90，后又逐步降至2013年的0.62。规模效率值小1说明整个行业的规模是无效的，没有获得规模效益。由“综合技术效率=纯技术效率×规模效率”可知，纯技术效率或规模效率的低下都能造成较低的综合技术效率。我国海洋交通运输业的规模效率一直大于纯技术效率，由此可知纯技术效率是导致我国海洋交通运输业综合技术效率低下的主要原因。我国港口和船队的管理效率低下，港口综合能力不高，缺少世界一流的船队，船队的配备设施也难以媲美发达国家水平，这些都导致了我国海洋交通运输业纯技术效率的低下，进而造成了较低的综合技术效率。

从规模报酬状态和DMU单元数来看，规模报酬递减的DMU个数先减后增，由2009年的1个减至2010年的0个，后又增加至2013年的6个；规模报酬不变的DMU个数保持相对稳定，维持在2～3个；规模报酬递增的DMU个数呈现先增后减的趋势，由2009年的7个增加至2010年的8个，后减至2013年的3个，变化较大。整体来看，我国海洋交通运输业呈现规模报酬递减的趋势，主要是由规模扩大带来的内部分工不合理，生产不协调，管理低效率和生产决策信息不对称造成的，这也与前文分析得出的我国海洋交通运输业规模效率不高保持一致。

表32009　—2013年海洋交通运输业各年平均效率值Tab.3 Average efficiency of the marine communicationsand transportation industry in 2009-2013

4.3.2横向分析

表4显示2013年我国沿海地区的综合技术效率值呈现两极分化，上海和海南的综合技术效率为1，位于技术效率前沿，广东、辽宁和山东的综合技术效率分别为0.64、0.50和0.48，高于大部分沿海省市；河北、江苏、浙江、福建的综合技术效率分布在0.10～0.28之间，广西和天津的综合技术效率处于下游位置，分别为0.09和0.07。规模效率分布在0.4～0.9之间。纯技术效率差异较大，辽宁、上海、广东和海南的纯技术效率为1，山东的纯技术效率为0.99，实现了对投入资源的有效利用，其余沿海省市则均未超过0.55，资源利用效率较低。除辽宁、浙江、山东和广西以外的沿海省市规模效率均大于纯技术效率，这意味着纯技术效率低下是制约海洋交通运输业效率提升的主要因素。从规模报酬来看，天津、江苏、广西是规模报酬递增的，同时它们的规模效率均小于1，处于规模无效状态，因此可以扩大这几个省市的经营规模来实现规模经济，达到规模有效。需从管理、分工等方面来改善河北、辽宁、浙江、福建、山东和广东的规模报酬递减问题。其余年份的分析与此类似，不再赘述。

4.3.3动态分析

表5显示有5个省市的Malmquist指数大于1，6个省市的Malmquist指数小于1。其中上海的Malmquist指数最大，为1.54，这说明上海的全要素生产率提升最快，达到了54.00%。广东的Malmquist指数最小，为0.87，这说明广东虽然实现了经营效率的DEA有效，但出现了全要素生产率的负增长。就均值而言，整个海洋交通运输业的Malmquist指数为1.03，意味着整个行业的全要素生产率增长了3.00%，主要得益于技术效率提升了20.00%，不仅抵消了纯技术效率和规模效率的负增长，还带动了全要素生产率的增长。除广东和海南外其他沿海省市的技术效率变动均大于1，表明海洋交通运输业的技术出现了一定的进步；纯技术效率变动分布在0.70～1.23之间，各省市差距较大。辽宁的纯技术效率提升了23%，而江苏却出现了30%的负增长，纯技术效率变动已经成为各省市拉开生产率效率的主要原因。各省市的规模效率变动集中分布在0.83～1.00之间，说明规模效率一直处于负增长状态。在纯技术效率和规模效率负增长的共同作用下，河北、江苏和浙江的Malmquist指数小于1。

表42013　年海洋交通运输业各省市的效率值Tab.4The efficiency of marine communications and transportation industry in various provinces in 2013

表52009　—2013年各省市Malmquist指数及各项效率变动Tab.5The efficiency and Malmquist index changes of 11 provinces in 2009-2013

表6显示我国海洋交通运输业的Malmquist指数发展较为平稳，在2009—2010年、2011—2012年和2012—2013年三个时段均维持在1.05～1.12之间。年均Malmquist指数为1.03，意味着全要素生产率较上年平均增长了3.00%。

2009—2010年的Malmquist指数为1.08，较上一年增长了8.00%，主要得益于技术效率提升了46%，不仅抵消了综合技术效率26%的负增长，还带动了Malmquist指数的小幅提升。2010—2011年技术效率提升了10%，综合技术效率下降了19%，综合技术效率的大幅下降带动Malmquist指数下降11%。2011—2012年技术效率较上年提升了31%，综合技术效率较上一年下降了20%，得益于技术效率的再一次大幅提升，Malmquist指数相较上年出现了5%的小幅增长。2010—2011和2011—2012两个时段综合技术效率的下降是由纯技术效率和规模效率同时负增长造成的。2012—2013年Malmquist指数出现大幅增长。技术效率变动为0.99，与上年基本持本。纯技术效率出现了五年来的第一次增长，较上年增长了33.00%，从而使综合技术效率提升了14.00%。综合效率的大幅提升使得Malmquist指数增长了3.00%。

近几年来，我国在港口建设、航道整治、装卸工艺、装备产品等技术上都取得了进步，在一些重大工程关键技术上也取得了突破，拉近了与世界先进水平的差距，推动了我国海洋交通运输业的发展，为我国海洋交通运输业全要素生产率的提升提供了动力。与此相对应，2009—2013年我国海洋交通运输业技术效率的平均变动大于1，但是各时段进步的幅度波动较大，不能成为全要素生产率的稳定增长点，如何有效利用科研投入，促进技术进步，是实现生产率快速增长的重要课题。目前我国码头泊位严重不足，泊位等级不高，港口现有设备数量较少，设施陈旧落后，港口综合能力不高，海洋运输船队老化陈旧，运力不足［22］，这些问题导致了我国海洋交通运输业在管理上的低效率，最直接的表现就是2009—2013年中只有2012—2013年的综合技术效率变动大于1，其余均小于0.82。不稳定的技术进步和低效率的管理水平的共同作用结果就是震动波荡的Malmquist指数，2009—2013年我国海洋交通运输业的Malmquist指数的变动趋势明显体现了这一特点。因此，如何从技术进步和管理效率两方面出发来提升全要素生产率是促进我国海洋交通运输业发展的关键所在。

表62009　—2013年海洋交通运输业Malmquist指数及各项效率变动Tab.6The efficiency and Malmquist index changes of marine communicationsand transportationindustry in 2009-2013

5　结语

本文选取沿海交通固定投资完成额作为投入指标，海洋旅客吞吐量、海洋货物吞吐量、集装箱重量和货物周转量作为产出指标，结合超效率DEA模型和Malmquist指数对2009—2013年我国沿海省市的海洋交通运输业的效率进行了研究，得到了五个结论：①2009—2013年间每年海洋交通运输业经营效率达到DEA有效的只有2～3个省市，上海、广东和海南位居前列；②我国海洋交通运输业综合技术效率低下，主要是因为纯技术效率较低；整个行业规模效率不高，呈现规模报酬递减的趋势；③同年不同省市的综合技术效率呈现两极分化，2013年上海和海南的综合技术效率为1，广西和天津只达到0.09和0.07，与其它沿海省市差距较大，纯技术效率是造成差异的主要因素；④2009—2013年各沿海省市的海洋交通运输业发生了明显的技术进步，但Malmquist指数相差较大，综合技术效率的不同变动是造成差异的主要原因；⑤2009—2013年我国海洋交通运输业Malmquist指数发展平稳，主要得益于技术效率的提升抵消了综合技术效率的波动。

我国海洋交通运输业经营效率的提升面临的最大障碍就是综合技术效率低下。本文认为［22］应从港口、船队和人才建设三方面出发，来提升综合技术效率：①大力加强港口建设。继续深化“港口先行”的思想，优化港口布局，拓展港口功能，大力发展港口经济。加强港口群建设，尽快形成大中小结合，功能齐全的港口群。各沿海省市应因地制宜，合理规划港口发展，利用自身优势，发展不同类型的港口。加快老港改造，新港建设，配备现代化设施，提高港口的综合水平。②大力加强船队建设。合理调整船队运输结构，提高船队的技术装备水平，加强船队管理和运输调度，提高船队综合运输能力和服务水平。借鉴发达国家船队建设经验，取长补短，力求打造世界一流船队。③大力加强海运人才建设。加大对海洋交通运输业的科研投入，鼓励自主创新，不断吸收高质量的海运人才，举办各类宣传、培训活动，提高海运人才的整体素质水平，形成以知识带动海洋交通输业发展的局面。

［1］Talley W K.Maritime transport chains：carrier，port and shipper choice effects［J］.International Journal of Production Economics，2014（151）：174-179.

［2］Morrissey K，O’Donoghue C.The potential for an Irish maritime transportation cluster：An input-output analysis［J］.O-cean&Costal Management，2013（71）：305-313.

［3］纪建悦，孔胶胶.基于STIRFDT模型的海洋交通运输业碳排放预测研究［J］.科技管理研究，2012（6）：79-81.

［4］纪建悦，孔胶胶.中国海洋交通运输业碳排放因素分解研究［J］.海洋经济，2011（6）：8-11.

［5］张晋青.辽宁省海洋运输业发展研究［J］.资源开发与市场，2010（26）：817-820.

［6］赵昕，梁明星.海洋产业对整体经济作用的实证分析——以青岛市为例［J］.渔业经济研究，2010（2）：8-11.

［7］Alexander Cotte P.Economic development and growth in Colombia：An empirical analysis with super-efficiency DEA and panel data models［J］.Socio-Economic Planning Sciences，2011，45（4）：154-164.

［8］Wankea P，Barros C.Two-stage DEA：An application to major Brazilian banks［J］.Expert Systems with Applications，2014，41（5）：2337-2344.

［9］Çelen A，Yalçln N.Performance assessment of Turkish electricitydistributionutilities：Anapplicationofcombined FAHP/TOPSIS/DEA methodology to incorporate quality of service［J］.Utilities Policy，2012（23）：59-71.

［10］Chen Yu-Shan，Chen Bi-Yu.Applying DEA，MPI，and grey model to explore the operation performance of the Taiwanese wafer fabrication industry［J］.Technological Forecasting&Social Change，2011，78（3）：536-546.

［11］王双.我国主要海洋经济区的海洋经济竞争力比较研究［J］.华东经济管理，2013（3）：70-75.

［12］谢子远，鞠芳辉，孙华平.我国海洋科技创新效率影响因素研究［J］.科学管理研究，2012，30（6）：13-16.

［13］程娜.基于DEA方法的我国海洋第二产业效率研究［J］.财经问题研究，2012（6）：28-34.

［14］范斐，孙才志，张耀光.环渤海经济圈沿海城市海洋经济效率的实证研究［J］.统计与决策，2011（6）：119-123.

［15］魏权龄.评价相对有效性的数据包络分析模型［M］.北京：中国人民大学出版社，2012.

［16］韩一杰，刘秀丽.基于超效率DEA模型的我国各地区钢铁行业能源效率及节能减排潜力分析［J］.系统科学与数学，2011（3）：287-298.

［17］赵秀娟，张洪水.Malmquist指数在中国证券投资基金业评价中的应用［J］.系统工程理论与实践，2010（4）：646-653.

［18］赵伟，马瑞永，何元庆.全要素生产率变动的分解［J］.统计研究，2005（7）：37-42.

［19］杨琛琛.基于能源环境效率的相关组织决策分析研究［D］.安徽：中国科学技术大学，2012.

［20］陆静，梁芹，曹志强.我国产险市场的三阶段DEA效率演进［J］.保险研究，2012（5）：23-35.

［21］杨树旺，张康光，牛苗苗.中国矿业生态经济效率评价研究［J］.宏观经济研究，2011（12）：66-78.

［22］薛忠义，刘舒.以海洋交通运输发展推动海洋强国战略实施［N］.大连日报，2013-07-12（B03）.

Performance Analysis on the Marine Communications and Transportation Industry in China Based on the Super-efficiency DEA-Malmquist Model

Yu Jinkai，Pan Jing
（School of Economics，Ocean University of China，Qingdao 266100，China）

This article analyzed the performance of China's marine communications and transportation industry through the super-efficiency DEA-Mamlquist model in 11 coastal provinces over the period 2009-2013.The article used fixed asset investment as an input index，and volume of passenger turnover，volume of goods turnover，cargo handledand volume of container as output indexes to rank the provinces.The results showed there were 2-3 provinces whose business efficiency was DEA efficient.And the performance of the provinces was different from one another in the same year.The marine communications and transportation industry showed a tendency of progressively diminishing returns.The integrated technology efficiency of the China's marine communications and transportation industry as a whole was poor，and that among various provinces in the same year seems polarized，the main cause of which was the poorpuretechnicalefficiency.The Malmquist index showed steady development.The Malmquistindexs among various the provinces were very different.The negative growth of the integrated technicalefficiencywas the main reason of poor malmquist index.

super-efficiency DEA；Malmquist index；marinecommunications and transportationindustry；efficiency

F552.3

A

2095-1647（2015）05-0003-10

2015-08-24

国家自然科学基金“海域承载力视角下海洋渔业空间布局优化的模型及应用”［71273247］；国家海洋公益性行业科研专项“山东半岛蓝色经济区”建设的海洋空间布局优化技术体系及决策服务系统应用示范［201205001］；教育部人文社会科学研究项目“我国海洋风能产业化实现机制研究”［12YJA790020］

于谨凯，男，教授，经济学博士，主要研究方向为产业经济、海洋经济与管理、国际投资与贸易、总部经济等，E-mail：YUJINKAI8@126.com。