随机生产范文（精选9篇）
随机生产 第1篇
自从索洛在1957年在新古典的框架下, 提出以“索洛残差”形式的全要素生产率研究以来, 全要素生产率的分析, 就成为了研究经济增长的主要方法。中国作为东亚最主要的一个经济体之一, 其经济增长一直受到国内外学者的广泛关注。同时, 作为一个正在崛起的发展中国的代表, 一个外向型经济的典型实践者, 其经济发展模式极具代表性。因此, 对于中国经济增长源泉的研究也极具现实意义。除了对于增长模式、全要素生产率的考察之外, 中国的生产经营环境如何, 哪些环境变量在影响着中国的工业企业的经济效率, 这些环境变量对经济效率的影响程度如何, 通过怎样的方式来影响着进级效率?这些问题同样是中国改革发展和工业化进程中的重要问题, 对改善国内企业的经营环境, 促进企业的发展和技术的升级可以提供重要的政策参考。对于全要素生产率的研究, 最早源于索洛 (1957) 在新古典框架下对于增长因素的分析。索洛将生产函数进行分解后的剩余值解释为技术进步的贡献。然而, 事实上, 这一余值反映了除资本和劳动之外的其他一切增长来源。索洛余值法计算简单, 数据易得, 因此, 至今仍然为很多学者使用, 但是, 这一方法无法对全要素生产率进行分解, 无法对增长的源泉进行更深入的研究。同时, 索洛余值法假定“所有生产者在技术上都是有效的”, 这一假定显然与现实不符。要放松这一假定, 就必须突破新古典的分析框架, 寻找新的方法来测算全要素生产率。
20世纪70年代以后, 随着内生经济增长理论的出现, 为经济增长分析提供了新的思路和分析框架。基于这一理论框架, 两种新的增长测算方法逐渐取代了索洛余值法, 成为TFP分析的主要方法, 一种是非参数的D E A方法, 另外一种是参数的S F A方法。本文利用1999年~2007年的29省的省际面板数据, 在超越对数模型的基础上, 利用随机前沿分析 (SFA) 方法, 对我国规模以上的内外资工业企业的绩效进行了分析, 并对影响企业效率的几个环境因素进行了考察和对比。并在此基础之上, 将内外资企业的全要素生产率的增长率分解为技术效率变化、纯技术变化和规模效率变化三部分, 分别进行了内外资部门的对比。
2 理论分析框架
2.1 随机前沿生产函数设定
在模型框架选择上, 本文使用Battese&Coelli (1995) 模型:
其中, Yit为t期i厂商的产出, Xit为t期i厂商的投入, Zit为影响厂商效率的环境因素向量。β、δ、σv2、σu2均为待估参数, Vit与Uit相互独立。式3是是模型的随机前沿生产函数部分。式4为无效率方程部分, 用来分析生产环境, δ就表示了环境变量Zit对于无效率项的影响程度。在实证分析中, 由于数据的可得性, 往往对于σv2、σu2两项做如下处理:定义组合随机误差项的方差为σ2=σv2+σu2, 同时定义, γ∈[0, 1]。如果γ=0, 则相对于确定的生产前沿的偏离完全是由统计噪声引起的, 与技术无效率项无关。如果γ=1, 则相对于确定的生产前沿的偏离完全是由技术无效率所引起的。
在生产函数Yit=Xitβ部分的具体形式上, 本文采用了如下形式的超越对数生产函数:
2.2 生产效率的设定和分解
目前, 在不考虑价格因素和分配效率的情况下, 国外文献对于生产率的来源的讨论主要有以下几种。
(1) 技术变化 (TC)
一个厂商经历的技术变化 (TC) , 可以用厂商在时期t利用给定投入向量, 生产多于 (或少于) 时期s可行的产出水平的能力来测算。对于给定的投入和产出, 用距离函数将t期的技术变化表示如下:
其中d0 (x, q) 为产出距离函数, d0 (x, q) ∈[0, 1]。如果TC>1, 则存在技术进步。由于 (x, q) 既可以用t期的 (x t, q t) 来计算, 也可以用s期的 (x s, q s) 来计算, 为了避免结果的不一致, 所以通常采用两者的几何均值来表示TC, 即:
(2) 效率变化 (EC)
一个厂商的生产往往无法到达它的生产前沿, 而是落在由它的生产前沿所刻画的产出集内, 产出距离函数t期的产出距离函数d0t (x t, q t) 就描述了t期的前沿技术效率。前沿技术效率的变化, 就可以用t期与s期的前沿效率之比来测量:
若TEC>1, 则存在前沿效率的进步。
(3) 规模效率变化 (SEC)
一个厂商可以通过变动他的运营规模使得该厂商运营与生产的技术最优规模 (TOPS) 处, 以提高其生产效率。一个厂商在某个时期的规模效率可以表示为:
其中TEt*表示t期相对于规模报酬不变 (CRS) 测量的前沿效率。因此, t期的规模效率的变化可以表示为:
与TC一样, SEC也存在由于基期技术选择的不一致而导致的计算结果不一致的情况, 因此, 在实际计算中, 同样也采用两期的几何平均值来表示:
3 计量分析
3.1 数据简介
在数据上, 本文选择了除西藏、海南之外的全国29个省、直辖市、自治区1999年-2007年规模以上工业部门数据。所有数据均来源于2000年~2008年的《中国统计年鉴》和《科技统计年鉴》, 部分年份的数据来源于各年各地区的统计年鉴。
(1) 实际工业总产值 (Y) 。本文采用实际工业总产值作为产出。处理方式如下:将《中国统计年鉴》中规模以上工业企业的各年名义工业总产值, 经过各年各地区工业品出厂价格指数平减, 得到实际的工业总产值。内资工业部门的实际工业总产值由规模以上工业企业和规模以上三资企业的实际工业总产值相减得到。
(2) 固定资产净值 (K) 。对于固定资产净值的处理采用永续盘存法 (PIM) , 以1999年的固定资产净值为基期, 以相邻两年的固定资产年末余值之差作为当年的新增固定资产投资。公式如下:
其中∆Ktni=Ktni- (1-σ) Knit-1, σ为每年的固定资产折旧率, 在实际计算中取5%。Ptk以1999年为基期的固定资产投资价格指数。内资工业部门的数据同样由规模以上工业企业和规模以上三资企业的数据相减获得。
(3) 从业人数 (L) 。在计算中, 劳动力数据以各地区规模以上内资企业和三资企业从业人员数来代替, 数据来自历年的《中国统计年鉴》。
(4) 地区虚拟变量。基于中国东、中、西三地区经济发展不平衡的现实, 本文采用了周晓艳、韩朝华在《中国地区间生产效率与全要素生产率增长率分解 (1990-2006) 》一文中所采用的方法, 在超越对数生产函数中, 加入虚拟变量。
(5) 其他数据。本文在无效率方程中, 一共加入了8个变量, 分别为:人力资源、规模以上工业企业资本存量中外资占比、外贸依存度、基础设施、地区经济结构、各地区财政支出、R&D和FDI。
3.2 计量结果分析
利用上一节中整理的面板数据, 将相关数据对数化之后, 使用Frontier4.1软件包, 对如下超越对数模型进行极大似然估计:
(1) 内资工业企业的估计结果分析:我们将内资工业部门的估计结果统计如表1所示。
(2) 对于显著性和假设检验的说明:由表3.1, 除了δ4、δ7之外, 所有系数均通过了1%的t检验;而γ=0.999, 并且显著, 这说明生产对于前沿的偏离, 主要是由于技术无效率所引起的。对于是否存在无效性的假设检验, 由LR统计量来判断。LR=1643, 通过了0.1%的检验, 因此可以拒绝不存在无效性的假设。
(3) 对于估计结果的分析:在表1的基础上, 首先对内资工业部门的要素产出弹性和规模弹性等进行分析, 其次, 分析生产环境因素对于内资工业部门技术无效率的影响。
3.2.1 生产函数部分的分析, 各种弹性
(1) 劳动的要素产出弹性。本文中εL, 将各地区的要素产出弹性的算数平均值作为内资工业企业的劳动的要素产出弹性。通过公式计算, 得到内资工业企业劳动产出弹性为0.77。
(2) 资本的要素产出弹性εK。同理, 通过计算, 得到内资工业企业资本产出弹性为0.41。
(3) 规模弹性ε。规模弹性ε=εL+εK, 通过计算, 得到内资工业企业的规模弹性为1.18。
从上述结果, 我们可以看到, 对于我国的内资工业部门而言, 劳动力对于产出的贡献远大于资本对于产出的贡献。虽然国内企业资本投入不断增加, 但是内资工业企业的资本使用效率尚待提高。而其规模弹性>1, 这说明, 内资工业企业尚处于规模报酬递增的阶段。
3.2.2 技术无效率方程的分析
TE=exp (-u) , 因此, 在无效率方程中, 若Zi的系数δi为负, 那么说明环境因素Zi对厂商的技术效率存在正的影响, 反之, 则存在负面的影响。
(1) 人力资源因素:由表1中的结果, 可以看到以人均受教育年限表示的人力资源因素的系数值为-5.73, 且显著, 这说明人力资源在我国规模以上内资工业部门的技术效率存在显著的促进作用。人均受教育年限每提高1年, 技术效率就提高5.73%。
(2) 国内工业企业资本存量中外资资本存量的比例。该影响因素的系数为-4.122, 结果同样显著。外资资本存量的比例每提高一个百分点, 可以带来4.12%的技术效率的提高。这从一定程度上说明了外资对于国内工业企业技术进步的促进作用。 (3) 外贸依存度。可以看到, 地区的外贸依存度与内资工业企业的技术效率存在相助的负相关关系。外贸依存度每提高1%, 内资工业企业的技术效率的下降高达16%。 (4) 基础设施因素。可以看到, 基础设施因素与内资工业企业的技术效率成正向关系, 但遗憾的是, 这种关系并不太显著。 (5) 地区经济结构。从结果中, 我们看到, 经济结构对于内资工业企业的技术效率存在显著的正面影响, 并且这种影响程度很大。地区经济结构的系数为-29.13, 也就是说, 地区内第二、第三产业比例提高1%的话, 就可以带来技术效率29.13%的提高。 (6) 财政支出。财政支出系数的估计结果显著为正, 因此, 可以认为, 地方政府对市场的的干预, 对内资企业技术效率的提高造成显著的负面影响。财政支出每增加1亿元, 技术效率就下降0.6个百分点。 (7) 研发R&D。由估计结果看到, 虽然内资部门的R&D系数为负, 但是, 这一系数并不显著。说明国内的R&D投入并没有对内资部门的技术效率产生显著影响。 (8) 外商直接投资。由表中结果, F D I的系数为-0.012, 且十分显著, 因此, 可以认为, FDI在中国的几十年中, 确实对国内企业产生了显著的技术外溢。FDI每增加1亿元, 内资部门的技术效率平均提高1.2%。
3.3 外资工业企业的估计结果分析
外资工业部门的估计结果统计如表2所示。
3.3.1 对于显著性和假设检验的说明
由表2, 除了βtt、δ1、δ2之外, 大部分系数均通过了1%的t检验, 其中δ4通过了10%的t检验;而γ=0.999, 并且显著, 这说明生产对于前沿的偏离, 主要是由于技术无效率所引起的。对于是否存在无效性的假设检验, 由LR统计量来判断。LR=1701, 通过了0.1%的检验, 因此可以拒绝不存在无效性的假设。
3.4 对于估计结果的分析
3.4.1 生产函数部分的分析, 各种弹性
(1) 劳动的要素产出弹性εL。表2的数据进行计算, 得到在中国的外资工业部门的年平均劳动产出弹性为0.124。
(2) 资本的要素产出弹性εK。同样, 算得外资工业部门的资本产出弹性的年平均值为0.849。
(3) 规模弹性ε。将外资工业部门的劳动要素产出弹性和资本要素产出弹性相加, 就得到了外资工业部门的规模弹性值, 经过计算, 规模弹性的年平均值为0.973。
由上述计算结果, 可以看出, 国内的外资工业部门的资本产出弹性明显高于其劳动产出弹性, 说明, 外资工业部门的资本利用效率较高。而外资工业部门的规模弹性<1, 这说明外资部门处于规模报酬递减的阶段, 但同时, 外资部门的规模弹性已经相当接近于1, 说明外资部门的运营规模是比较合理的。
3.4.2 技术无效率方程的分析
(1) 人力资源因素。外资部门估计中, 人力资源项的系数为正, 但是这一结果不显著。这说明中国的人力资源因素对于外资部门的技术效率的影响并不显著。 (2) 国内工业企业资本存量中外资资本存量的比例。虽然外资资本存量占工业部门总资本存量之比的系数为负, 表示其与外资部门技术效率的正向促进关系, 但是, 遗憾的是, 这种正向的促进关系, 在统计上并不显著。 (3) 外贸依存度。与内资部门一样, 外贸依存度同样对外资工业部门的技术效率产生了显著的负面影响。 (4) 基础设施因素。从表中数据可以看到, 基础设施对外资工业部门的技术效率存在较为显著的存进关系, 其系数为-1.43, 基础设施的建设每提高1%, 就可以给外资工业部门带来1.43个百分点的技术效率的提高。 (5) 地区经济结构。地区经济结构因素的系数说明, 该因素对于外资部门的技术效率存在显著的正面影响。 (6) 财政支出。与内资工业部门不同的是, 政府的干预, 对于外资工业部门存在显著的负面影响。 (7) 研发R&D。地区的研发投入对于外资工业部门的影响显著, 且具有明显的促进作用。 (8) 外商直接投资。外商直接投资项的系数为正, 且显著, 这说明国外企业在中国投资越多, 对于其技术效率的降低也就越多。
根据计量得到的数据, 本文分别对内外资两部门的TFPC各部分和TFPC进行了计算。同时, 还计算了TFP的变化率和其余各部分的变化率。表3和表4分别概括了内资部门和外资部门各部分计算结果的各年全国平均值。
表3中, 可以看到内资工业部门各年TFPC均>1, 许多年份的TFP变化率都保持在两位数的增长, 变化率年平均值在13.8%左右, 这说明内资工业部门的全要素生产率正快速地逐年上升, 内资部门的生产效率在以较快的速度改善。
在内资部门TFPC分解的各部分中, TC和SEC都呈现出逐年上升的趋势, 尤其是TC, 其年均增长率高达13%, 这说明内资部门的生产技术正在以很快的速度改进和升级。SEC的年平均增长率为1.5%, 这说明内资工业部门正逐渐向更具效率的企业生产规模移动。可见内资部门的TFP的增长, 主要是来源于生产技术的改进、升级和规模的逐渐优化。相比T C和S E C的逐年上升趋势, T E C的变化则相反, T E C在时间趋势上既有改善又有下降, 而其年平均值则为0.992, 变化率为-0.8%, 表现为下降趋势, 即内资部门的前沿效率下降了。这说明, 内资部门在实现技术快速进步的同时, 对于新技术的消化利用做得还不够好。再来看外资部门的情况。从表4的数据可以看到, 国内外资部门的TFPC虽然在2 0 0 1和2004年出现了<1的情况, 但是其余各年均表现为TFP的增长。其TFPC的平均值为1.028, 变化率为2.8%, 这说明外资部门的TFP依然呈逐渐上升趋势。
外资部门各年的TC都>1, 其TC的平均值为1.045, 变化率平均值为4.5%, 说明外资部门的生产技术的逐渐升级。考虑到外资部门的技术领先, 年均4.5%的增长率还是说明了外资部门在新技术研发上的实力。外资部门T F P C的其他两个来源, TEC和SEC在平均值上都呈现出了较小的下降。TEC的变化有升有降, 但是平均值为0.993, 平均变化率为-0.7%。而SEC平均值为0.994, 平均变化率为-0.6%。
4 结语
本文在SFA方法下, 采用超越对数模型, 考察了1999年~2007中国29个省市的内资、外资工业企业的生产效率, 得到的初步结论如下: (1) 内外资部门的全要素生产率都逐年增长, 但内资部门的TFP的增长快于外资部门, 这反映了我国内资工业部门在生产效率上, 正在以更快的速度追赶外资部门。 (2) 内外资部门TFP增长的来源也不尽相同。 (1) 两部门T F P增长的主要来源都是技术的升级, 表现为TC的增长。 (2) 内资部门除了技术的升级, 经营规模的改善也同样促进了其生产效率的改善。 (3) 内资部门的技术变化TC明显高于外资部门, 这反映了内资部门在生产技术上, 对外资部门的快速追赶。 (3) 虽然内资部门的资本密集程度正在逐年提高, 但是, 对比两部门的资本产出弹性, 我们可以看到外资部门的资本弹性明显高于内资部门0.41, 外资部门为0.85。这说明外资部门在资本使用效率方面, 远高于内资工业部门。而对比了两部门的规模弹性后, 我们发现, 内资部门的规模弹性为1.18, 规模弹性>1, 说明内资部门还处于规模报酬递增的阶段, 因此扩大运营规模可以带来产出更大的增加。而外资部门的规模弹性为0.973, 规模弹性<1, 处于规模报酬递减阶段。同时, 外资部门的规模弹性非常接近1, 这说明外资部门的规模较为合理, 而相较之下, 内资部门的额规模弹性则与1差距较大, 所以内资部门的规模相较有效的规模还有一定的差距。 (4) 从影响生产效率的各环境因素来看, 不同的环境因素对于内外资工业企业的生产效率影响也不尽相同。至于如何改善各地区的生产环境, 以促进内资或外资工业企业的生产效率, 取决于不同地区的自身条件和发展方向。
以上结论的政策意义在于:首先, 在提高生产效率方面, 国内工业企业在一味注重技术快速升级的同时, 更要注意对于新技术的消化和吸收和生产规模的改善, 加快对于外资工业企业的生产效率的追赶。其次, 内资工业企业在资本密集化的过程中, 不能只是一味加大对于企业的资本投入, 同时, 也要提高对于投入资本的使用效率, 以免造成资源的极大浪费。最后, 企业生产效率的提高, 不仅要重视内在因素的提升, 也要重视企业所在生产环境的改善, 为地区、为企业创造一个良性的发展平台。
参考文献
[1]Solow.R.M Technical Change and Aggregate Production Function[J].American Economic Review, 1957, 39 (3) .
[2]Battese G, T.Coelli.A Model for Tech-nical Inefficiency Effects in a Stochas-tic Frontier Production[J].Empirical Economics, 1995 (20)
[3]Bert M.Balk Scale Efficiency and Pro-ductivity Change[J].Journal of Pro-ductivity Analysis2001 (15) .
[4]颜鹏飞, 王兵.技术进步、技术效率与中国生产率增长[J].经济研究, 2004 (12) .
[5]姚洋.非国有经济成分对我国工业企业技术效率的影响[J].经济研究, 1998 (12) .
[6]傅晓霞, 吴利学.随即前沿方法的发展及其在中国的应用[J].南开经济研究, 2002 (2) .
[7]王志刚, 龚六堂, 陈玉宇.地区间生产效率与全要素生产率增长分解[J].中国社会科学, 2006 (2) .
随机生产 第2篇
第一条 为贯彻落实党中央、国务院和省委、省政府关于深化行政体制改革，加快转变政府职能部署要求，推进安全生产领域简政放权、放管结合、优化服务、改革创新工作，根据《国家安全监管总局关于印发推进安全生产监督检查随机抽查工作实施方案的通知》（安监总政法„2015‟108号）和《浙江省人民政府办公厅关于全面推行“双随机”抽查监管的意见》（浙政办发„2016‟93号）要求，结合本省安全监管工作实际，制定本办法。
第二条 安全生产监督检查“双随机”抽查是指在依法实施安全生产监督检查时，通过检查对象名录库，随机抽取一定比例的被检查对象，随机选派执法人员，依照法定职责对抽查检查对象的日常监管项目进行监督检查，及时公开检查结果的工作机制。
第三条 安全生产监督检查“双随机”抽查工作应当以依法监管、规范执法，切实消除安全隐患，有效遏制重特大事故，促进全省安全生产形势持续稳定好转为目的，遵循公正高效、公开透明、公平规范、协同推进原则。
第四条
安全生产监督检查“双随机”抽查应当按照经同级政府批准的监督检查计划进行。
国务院安委办（国家安全监管总局）和省安委会在特定时期，针对指定行业（领域）的生产经营单位，部署开展“全覆盖”监督检查的，以及群众举报、投诉，上级部门交办或其他部门移送案件线索,隐患整改情况确认等，需要对具体、特定对象实施的检查，不适用“双随机”检查方式。
第五条 省、市、县级安监部门应当建立并公布随机抽查执法人员名录库，并根据人员调整或行政执法资格证取证情况及时更新。
省、市、县级安监部门可根据实际，整合执法资源，建立统分结合、三级协同、有机统一的执法人员名录库，以满足联合执法、跨区域执法的需要。
第六条 省、市、县级安监部门应当结合监督检查计划，分别建立省、市、县三级随机抽查对象名录库。随机抽查对象名录库应突出以下行业领域的重点单位：
（一）矿山、危险化学品（含易制毒化学品）、烟花爆竹、金属冶炼、船舶修造或者拆解等重点监管监控的生产经营单位；
（二）涉及粉尘涉爆、有限空间、液氨制冷、喷涂作业的生产经营单位；
（三）职业病危害严重的用人单位；
（四）构成危险化学品重大危险源的生产经营单位；
（五）列入安全生产“黑名单”的单位。
第七条 省、市、县三级随机抽查对象名录库应按照生产经营单位所属行业领域、隶属关系、生产经营规模、风险等级、标准化等级和安全生产“黑名单”等综合因素进行科学合理分级管理。省、市、县三级随机抽查对象名录库每年至少更新一次。第八条 列入省级安监部门随机抽查对象名录库的，应同时列入市、县安监部门随机抽查对象名录库，市、县安监部门应协同省级安监部门对抽查对象进行执法检查。列入市级安监部门随机抽查对象名录库的以此类推。
第九条 安全生产监督检查随机抽查事项清单应根据法律法规规章的规定和本部门权责清单进行全面梳理，逐项明确抽查依据、抽查主体、抽查项目、抽查内容及抽查方式和抽查频次等内容，并应及时向社会公布。
第十条 各级安监部门应当依据法律法规规章的立改废释、层级监督权限的调整情况，结合工作重点和监管执法发现的突出问题等实际情况，及时更新随机抽查事项清单。
第十一条 执法人员实施随机抽查时，应根据要求制定检查方案和检查表，检查表的内容应根据随机抽查事项清单进行制作，原则上不得超出随机抽查事项清单列明的范围。
第十二条 安全生产监督检查随机抽查事项应达到安全生产（职业卫生）监管执法事项的50％以上。
根据《浙江省人民政府关于印发浙江省“标准化+”行动计划的通知》（浙政发„2016‟22号）要求，推进企业安全生产标准、企业隐患排查标准和监管部门执法检查标准“三标融合”，随机抽查事项按企业安全生产标准化运行体系全要素覆盖。具体办法另行规定。
第十三条 省、市、县级安监部门应当结合监督检查计划，合理确定随机抽查的比例和频次。对列入安全生产“黑名单”的单位，随机抽查比例为100％，其中县级安监部门每季度至少实现一次检查覆盖，市级安监部门每半年至少实现一次检查覆盖；
对矿山、危险化学品“二重点一重大”、烟花爆竹生产等重点监管监控的企业，每年随机抽查比例达到100％；
对其他危险化学品生产经营单位、烟花爆竹经营单位、金属冶炼、船舶修造或者拆解以及使用或产生可燃爆粉尘、气体、液体等爆炸性危险物质的企业，有限空间、液氨制冷、喷涂作业以及职业病危害严重的企业应达到一定的抽查比例，并逐步提高抽查比例；
其他工矿行业领域随机抽查比例由各级安监部门根据本部门执法人员数量以及直接监管的生产经营单位的数量、分布、生产规模及其安全生产状况等因素确定。
除本条第二款所列的生产经营单位外,同一对同一家生产经营单位的抽查原则上不超过两次。
第十四条 采用“双随机”方式确定执法人员，应根据执法检查任务、执法人员专业和工作职责，从行政执法人员名录库中随机抽取相应执法人员，如被抽取的执法人员因执法任务与其专业不匹配等因素而无法履行职责的，应重新随机抽取递补执法人员。
第十五条 实施“双随机”抽查至少应由两名持有有效执法证件人员组成，根据需要可以邀请安全生产（职业卫生）专家参与，提倡在满足技术需要的前提下，参照“双随机”模式从专家库中随机抽选。第十六条 省、市、县级安监部门应当科学合理制定监督检查计划，建立完善本部门各职能处(科)室及其直属执法单位实行安全生产与职业卫生一体化执法检查机制。各级安监部门应推进协同检查，或与同级其他负有安全生产监督管理职责的部门实行联合检查。
第十七条 随机抽查实行“一抽查一公开”制度，抽查工作结束后15个工作日内，应当在本部门官方网站专门栏目公布随机抽查结果。对抽查发现的违法行为和情形的，应当及时立案查处，强化随机抽查的严肃性和威慑力。
第十八条 随机抽查结果纳入企业安全生产诚信记录管理范围，实现企业安全生产诚信信息系统与全省公共信用信息平台信息互联互通，形成守信奖励、失信惩戒机制。
第十九条
乡（镇）人民政府以及街道办事处、开发区（园区）管理机构等人民政府的派出机关（机构）参照本办法执行，并与属地县级安监部门“双随机”抽查工作相衔接。
第二十条
各市安监部门可结合实际制定配套实施规定，但不得低于本办法规定的标准。
第二十一条
含风电场的电力系统随机生产模拟 第3篇
关键词：风电场,随机生产模拟,时序多状态风电场模型,多状态机组模型
0 引言
随机生产模拟是一种考虑机组的随机故障及电力负荷的随机性, 通过优化调度发电机组的运行情况, 从而计算出最优运行方式下各电厂的发电量、系统的生产成本及系统的可靠性指标的算法。随机生产模拟是电力系统电源规划、运行规划以及可靠性评估的重要工具, 它有下面几个基本应用[1,2,3,4,5]:1) 在电源规划中的应用, 目的是根据某一时期的负荷需求预测, 在满足一定可靠性水平的条件下寻求一个最经济的电源开发方案;2) 在系统可靠性分析中的应用, 在系统充裕性和系统安全性两方面给出电力系统有关的可靠性指标;3) 在机组组合中的应用, 机组组合问题是指在受到设备和操作的约束下, 确定电力系统发电机组调度安排的问题。在该决策过程中, 要确定机组的启停、燃料类型、每台发电机组的发电量、适时的燃料混合, 以及备用电量。
近几年来, 我国风力发电得到大力发展, 并网风力发电机组单机容量和风电场建设规模都日益扩大, 成为电网电源中的重要组成部分。但风电具有一些与火电、水电、核电等常规发电机组不同的特性, 如间歇性、波动性、反调峰特性等, 给电力系统的运行及可靠性评估等方面带来很大影响[6,7,8]。如何确定电力系统中风电场在负荷曲线上的最佳工作位置及风能利用情况, 这就是含风电场的随机生产模拟问题。它可以用来评估风电场的效益, 即风电场的容量可信度和可避免费用。进而有助于量化风电场并入系统后所作的贡献, 包括经济方面的贡献和环境保护方面的贡献, 可以为确定风电上网电价和扶持政策提供依据, 为电力公司和相关部门制订风电发展规划和相关政策提供科学的依据[9]。
含风电场的随机生产模拟问题的核心是建立风电场模型;文献[9]使用负荷持续曲线 (Load Duration Curve, ELDC) 卷积算法, 把风电场等效成多状态发电机组加入到随机生产模拟中, 并采用风电优先调度的原则。核心是将时序负荷曲线转化为持续负荷曲线 (Load Frequency Curve, LFC) , 丢失了有关负荷的时间信息;文献[10]将风电作为负值负荷, 采用有效负荷的可靠性评估方法对并网风电场的可靠性进行计算, 并由此计算风电场运行的可避免费用。
在进行随机生产模拟时, 风电场作为等效多状态机组时, 是建立在知道研究周期内风速概率分布的基础上, 但是忽略了风电场输出功率的时序性[11];风电场作为负值负荷时, 需要知道风电场在研究周期内的大量具体的风速数据, 但是作为负值负荷, 认为风电场在某段时间内的输出功率恒定, 忽略了风电场在该段时间内输出功率的波动性, 因此在基于可靠性数据计算风电场容量价值时, 可能会导致高估风电场的容量价值。因此, 结合风电场多状态模型和负值负荷的优点, 本文提出了时序多状态风电场模型, 本模型把研究周期内的离散数据分成不同的阶段, 由于风电场的输出功率各状态以及各状态的概率都与时间间隔有关系。时间间隔越小, 记录的风速数据越多, 就能更详细地反映风电场输出功率的波动性;并且不同的阶段, 风速的情况有所差异, 因此各阶段风电场输出功率的状态数, 各状态值及各状态值对应的概率都可能不相同, 该模型既考虑了风电场输出功率的波动性, 又考虑了风电场的输出功率的时序性。该模型比较客地观反映风电场输出功率的实际情况。
1 风电场功率计算模型
对包含风电场的系统进行随机生产模拟时, 应首先建立风电场功率计算模型, 风电场功率计算模型包括风速模型、风电场内部尾流模型、风力发电机有功功率特性。
1.1 风速模型
是否准确地描述风速变化的规律, 关系到是否能够准确反映风电场的运行情况, 具体地说就是风速决定了风电机组的出力, 从而影响到系统其他机组的出力, 风速的波动将反映到风电场出力的变化以及系统中其他机组的出力波动。因此在判断一个地方的风况时, 必须依靠各地区风的统计特性, 而风速的概率分布是反映风的统计特性的一个重要数学工具。用于拟合风速概率分布的模型很多, 但是应用最多的是两参数的Weibull分布模型。其概率密度函数可表示为
式中:V是风速 (m/s) ;c和k分别是Weibull分布的尺度参数和形状参数, 均大于0。尺度参数c反映风电场的平均风速。
已知概率密度函数, 可求得概率分布函数为
由于Weibull分布是连续分布, 本文采用离散风速的的方法来计算每个离散风速的确切概率, 当离散风速之间的步长很小的时候, 其结果接近于连续分布值。每个离散风速值的确切概率可以根据式 (1) 、式 (2) 推导得到。
1.2 风电场尾流模型
在大型风电场中, 多台风力发电机布置在不同的方位上, 由于受地形影响, 风电场所占空间有限, 在下风向排列的风电机组所受的风速将低于排列在上风向风电机组所受的风速, 一般称之为尾流效应。由于风电场输出功率等于风电场所有风力发电机组功率之和。但由于尾流效应的存在, 使风电场各个位置的风速风向完全不同, 因此尾流效应将影响风电场的输出功率, 在计算时应给予考虑。
尾流效应如图1所示, 风电机组安装在X=0处, X是沿着风速方向离开风电机组的距离, 转子半径和尾流半径分别是R和RW, 自然风速、通过转子的风速和受尾流影响的风速分别是V0、VT和VX[8]。
尾流效应所带来的风速损失为
式中:CT是风电机组的推力系数, 与风速和风电机组结构有关;K为尾流下降系数, 与风的湍流强度成正比。
在风电场内部, 下游的风机可能处于上游多个风机的尾流效应影响, 因此, 需要考虑多重尾流效应, 可得到考虑多重尾流效应后的风速损失为
式中:V0为自由风速;N为其尾流影响该机组的上游机组数;Vi为在第i个机组尾流效应影响下的风速;VX为综合各尾流效应影响后该机组处的风速。
相对于单一的尾流效应, 考虑多个尾流效应对同一个机组影响更准确地描述风电场内部风速的损失。当风速一定时, 在多重尾流模型的基础上计算风电场内部各机组的风速。
1.3 风电机组有功功率特性
风机输出的功率与风速以及风机自身的功率曲线关系密切。描述风机功率曲线最为简单而有效的模型为
其中:Pr为额定功率; ;k2=-k1Vci。
由于当今风力发电技术的成熟, 风力发电机组本身的故障率几乎可以忽略, 风电机组是否运行关键由风资源的状况决定, 所以风资源的概率分布决定了风力发电机输出功率的概率分布。所以可由风速的概率分布模型和发电机的功率特性得到风力发电机出力概率分布模型, 经推导得到风力发电机出力的累积概率分布为
1) 当0≤V≤Vci∪V≤Vco, PW=0
2) 当Vci
式中:F (Pw) 为风力发电机有功出力的概率分布
函数;PW为风电机组出力随机变量。
3) 当Vr≤V
可以通过以上公式计算风力发电机输出功率的概率分布。
2 时序多状态风电场模型
在常规的生产模拟中, 火电机组可能出现局部故障或个别辅助设备故障, 这时火电机组并不一定必须退出运行, 但其发电能力已达不到名牌出力, 这样就出现了降额运行状态, 这时必须采用多状态模型。同样, 当采用被公认为是最适合描述风速统计规律的Weibull分布函数时, 并可以估计出风电场当地的风资源Weibull参数时, 可以在整个研究周期内, 在缺乏风电场当地的风速资料情况下把风电场等效为多状态机组来处理。等效多状态机组模型是认为在研究周期内风速概率分布为已知, 而忽略了风电场输出功率的时序性;风电场作为负值负荷处理时, 需要知道风电场在研究周期内的大量的风速数据, 但是认为风电场在某段时间内的输出功率恒定, 忽略了风电场在该段时间内输出功率的波动性, 因此, 结合风电场多状态模型和负荷修正模型的优点, 本文提出了时序多状态机组模型, 该模型既考虑了风电场输出功率的波动性, 又考虑了风电场的输出功率的时序性, 模型如下:
设n为风电场机组台数, Cr为风机额定功率, Vci为切入风速, Vr为额定风速, Vco为切出风速, 下面推导等效多状态风电场模型。
采用等步长ΔV在[Vci, Vco]区间取离散风速值Vi, 共N个离散风速值, 选取步长时使得N为整数。
式中:当i=0时, 有V0=Vci;当i=N-1时, 有VN-1=Vco。
对应每个离散风速iV, 其确切概率iP可采用式 (3) 计算得到
设所研究的周期共T个阶段, 第i个阶段内风电场记录的离散风速数据序列为{v i1, vi2, v i3, …, vi Ni}, 其中i=1, …, T, Ni为序列项数, 即i阶段所记录的随时间变化的风速值的数量。对应任何风速, 可以在前文的尾流模型以及风机功率特性基础上计算得到风电场的输出功率, 因此可求得在i阶段内风电场输出功率的序列{p i1, pi2, pi3, …, pi Ni} (该序列可能存在相同的值) , 剔除{p i1, pi2, pi3, …, pi Ni}中的相同项, 并按从小到大的顺序重新排序得到新的序列{C i1, Ci2, …, Ci Mi}, 由于{p i1, pi2, pi3, …, pi Ni}中可能存在相同的值, {Ci1, Ci2, , Ci Mi}的项数Mi小于等于Ni。{Ci1, Ci2, …, Ci Mi}序列中各项值为风电场在i阶段内输出功率各状态值, 其概率可以统计得到, 计算公式为
式中:Iik表示第i个阶段输出功率序列{p i1, pi2, pi3, …, pi Ni}中值等于Cik的项数;ikP表示功率为Cik的概率, 且满足
目前, 大多数风电场的风速数据都是按一定的时间间隔记录的离散数据, 每个阶段内, 风电场的输出功率各状态以及各状态的概率都与时间间隔有关系。时间间隔越短, 风速变化得越频繁, 状态数也越多, 就能更详细地反映风电场输出功率的波动性;并且不同的阶段, 风速的情况有所差异, 因此各阶段风电场输出功率的状态数, 各状态值及各状态值对应的概率都可能不相同。因此该方法需要对研究周期内的每个阶段都进行计算, 计算量较大, 但该模型综合了风电功率的随机波动性和时序性两大特征, 合理地反映了风电功率的特点, 本文在研究周期内以每小时为1个阶段。
3 仿真分析
本文采用IEEE-RTS标准测试系统的发电系统, 该系统共9个电厂, 其中火电厂7个、核电站1个, 水电站1个, 各电厂机组的可靠性数据见表1所示。采用IEEE-RTS标准测试系统的1年的时序负荷数据作为测试系统的负荷数据。给定评估的风电场由100台风力发电机组组成, 机组按10×10阵型排列, 风电场风力发电机的额定功率为2 MW, 切入风速3 m/s, 额定风速为12 m/s, 切出风速为25 m/s, 采用我国某地每10 min风力资源统计数据进行仿真, 如图2所示。
对加入了给定风电场的IEEE RTS标准测试系统进行随机生产模拟, 模拟总时间为52周。风电场分别采用等效多状态机组模型、等效负值负荷模型和时序多状态模型。三种模型加入到随机生产模拟中。风电场接入系统后, 无论采用哪一种模型, 都首先处理风电场, 然后再安排系统其他机组。由于篇幅限制, 等效多状态机组模型对应的多个输出功率状态值及其对应概率, 风电场采用负值负荷模型对应的各时段输出功率和时序多状态风电场模型对应的各时段的输出功率各状态值及其概率, 在这里没有被显示。风电场分别采用三种模型的随机生产模拟结果比较如表2所示。
由表2可以看出, 根据3种不同的模型进行随机生产模拟计算, 给定风电场在研究周期内提供的电量是不同的, 采用等效多状态风电场模型时, 风电场总的发电量为69.73×106 k Wh, 当用负值负荷来模拟风电场时, 其等效电量为73.06×106 k Wh, 采用时序多状态风电场模型, 风电场供给总的发电量为71.33 k Wh。事实上, 由于Weibull分布的两个参数是根据风电场全年的风资源估计的, 在研究周期内任何时段里, 风电场输出功率采用相同的概率分布, 即具有相同的波动性, 而忽略了风电场输出功率的时序性特征;但是风速的波动性决定风电场功率的波动性, 由于风速在每个阶段的波动特性完全不同, 因此采用根据风速Weibull概率分布得到的等效多状态机组风电场模型计算可靠性指标时, 其结果存在着一定的误差;当风电场用负值负荷来模拟时, 忽略了风电场功率在较小时间段内 (本算例为1 h) 的波动性, 因此所得到结果可能会过于乐观。而时序多状态风电场模型是直接采用风速时序数据计算风电场输出功率, 因此结果更接近真实值。
由表2可以看出, 相比无风电场的系统, 无论采用哪种模型, 风电场接入后, 系统的电量不足期望值 (EENS) 和停电概率 (LOLP) 都有所减少, 系统其他机组总的发电量也有所减少。采用三种模型时, EENS和停电概率LOLP减少程度不同。风电场作为等效多状态机组处理时, 系统EENS减少得最少, 为0.054 15×106 k Wh;风电场模拟为负值负荷时, 系统的EENS减少得最多, 为0.061 19×106 k Wh;风电场采用时序多状态模型时, 系统的EENS减少了0.06×106 k Wh, 其值介于前两者之间。采用等效多状态风电场模型时, 整个风电场在研究周期内任何阶段都具有相同的各状态概率分布, 忽略了风电场输出功率的时序性, 在某些时段采用该模型可能高估了风电场的波动性, 因此其EENS及LOLP减少得最少;风电场用负值负荷来模拟时, 在研究周期内任何时段没有考虑风电场功率的波动性, 认为风电场在对应时段是完全可靠的固定容量的发电机, 可能会导致高估风电场对系统的贡献, 尤其是当该时段较大时, 因此其EENS及LOLP指标减少得最多;采用时序多状态风电场模型时, 考虑了风电场输出功率的时序性和波动性, 所计算的系统EENS和LOLP指标相对客观。
4 结论
结合风电场多状态模型和负值等效模型的优点, 本文提出了用于电力系统随机模拟的时序多状态风电场模型, 本模型把研究周期内的离散数据分成不同的阶段, 由于风电场的输出功率各状态以及各状态的概率都与时间间隔有关系。时间间隔越小, 记录的风速数据越多, 就能更详细地反映风电场输出功率的波动性;并且不同的阶段, 风速的情况有所差异, 因此各阶段风电场输出功率的状态数, 各状态值及各状态值对应的概率都可能不相同, 该模型既考虑了风电场输出功率的波动性, 又考虑了风电场的输出功率的时序性。仿真表明该模型客观地反映风电场输出功率的实际情况。
参考文献
[1]王锡凡.电力系统优化规划[M].北京:水利水电出版社, 1990.
[2]于若英, 高山.随机生产模拟在电力系统中的应用[J].电力系统保护与控制, 2012, 40 (11) :149-154.YU Ruo-ying, GAO Shan.Applications of probabilistic production simulation in power system[J].Power System Protection and Control, 2012, 40 (11) :149-154.
[3]黄蕾, 李丰伟, 秦俊宁.基于效益分析的抽水蓄能电站运行工况优化调度[J].电力系统保护与控制, 2009, 37 (22) :94-98.HUANG Lei, LI Feng-wei, QIN Jun-ning.Optimal dispatching of pump-storage power station based on benefits analysis[J].Power System Protection and Control, 2009, 37 (22) :94-98.
[4]王锡凡, 王秀丽.随机生产模拟及其应用[J].电力系统自动化, 2003, 27 (8) :l0-15.WANG Xi-fan, WANG Xiu-li.Probabilistic production simulation method and its application[J].Automation ofElectric Power Systems, 2003, 27 (8) :10-15.
[5]周景宏, 胡兆光, 田建伟, 等.含能效电厂的电力系统生产模拟[J].电力系统自动化, 2010, 34 (18) :27-31.ZHOU Jing-hong, HU Zhao-guang, TIAN Jian-wei, et al.Power system production simulation including efficiency power plant[J].Automation of Electric Power Systems, 2010, 34 (18) :27-31.
[6]姜文, 严正, 杨建林.计及风电场的发输电可靠性评估[J].电力系统保护与控制, 2010, 38 (22) :126-130.JIANG Wen, YAN Zheng, YANG Jian-lin.Reliability assessment of composite generation and transmission system considering wind farms[J].Power System Protection and Control, 2010, 38 (22) :126-130.
[7]王海超, 鲁宗相, 周双喜.风电场发电容量可信度研究[J].中国电机工程学报, 2005, 25 (10) :103-106.WANG Hai-chao, LU Zong-xiang, ZHOU Shuang-xi.Research on the capacity credit of wind energy resources[J].Proceedings of the CSEE, 2005, 25 (10) :103-106.
[8]陈树勇, 戴慧珠, 白晓民, 等.风电场的发电可靠性模型及其应用[J].中国电机工程学报, 2000, 30 (3) :26-29.CHEN Shu-yong, DAI Hui-zhu, BAI Xiao-min, et al.Reliability model of wind power plants and its application[J].Proceedings of the CSEE, 2000, 30 (3) :26-29.
[9]陈树勇, 戴慧珠, 白晓民, 等.含风电场的电力系统随机生产模拟[J].中国电力, 2000, 33 (3) :30-31, 69.CHEN Shu-yong, DAI Hui-zhu, BAI Xiao-min, et al.Power system probabilistic production simulation including wind power plants[J].Electric Power, 2000, 33 (3) :30-31, 69.
[10]黄杰鹏, 李宇红, 倪维斗.并网风电场可避免费用的计算[J].电网技术, 2006, 30 (16) :50-53.HUANG Jie-peng, LI Yu-hong, NI Wei-dou.Avoidable cost of wind farm interconnected to power grid[J].Power System Technology, 2006, 30 (16) :50-53.
随机加工时间的单机随机调度问题 第4篇
随机加工时间的单机随机调度问题
讨论了加工时间服从均匀分布的单机随机调度问题,目标是使拖后工件数的数学期望最小.采用理论分析的方法,给出了期望加权误工任务数的`表达式,研究了工件的最优加工顺序.结果表明:在工件的权重和工件的平均加工时间不成比例的最一般的情况下,最短加工时间和最长加工时间优先规则的联合使用给出了使拖后工件数最少的优先策略,并对算法的最优性进行了证明.该成果对于非正规目标函数的单机随机排序问题的解决具有一定的参考价值和指导意义.
作 者：李扬 闫平LI Yang YAN Ping 作者单位：沈阳化工学院,数理系,辽宁沈阳,110142刊 名：辽宁师范大学学报(自然科学版) ISTIC PKU英文刊名：JOURNAL OF LIAONING NORMAL UNIVERSITY(NATURAL SCIENCE EDITION)年，卷(期)：31(3)分类号：O231关键词：单机 随机加工时间 均匀分布 拖后工件数 优先策略
随机生产 第5篇
用随机前沿法度量技术效率已经在许多领域得到应用, 但在水资源管理方面应用还较少, 我国近年才开始出现相关研究, 同样在工业用水效率方面的应用很少。Karagiannis等[1]用随机前沿技术分析灌溉用水的技术效率;孙爱军[2]提出用随机前沿生产函数对工业水资源利用效率进行分析, 陈关聚等[3]运用随机前沿技术测度了我国2003—2010年31个省份工业全要素水资源使用效率及影响因素。总体上, 现有的研究主要集中于工业用水技术效率的评估与测算, 对影响因素的分析还不深入, 而从用水效率红线出发, 结合工业用水效率红线考核指标进行分析的研究比较少见。
本文以全国31个省 (市、区) 万元工业增加值用水量为研究对象, 围绕可能影响用水效率的诸多因素, 建立我国基于随机前沿生产函数的工业用水效率分析模型, 辨识影响工业用水效率的核心因子, 为我国未来工业用水效率预测及用水效率红线调控提供科学依据。
1 指标选择与数据来源
现有文献中建立的随机前沿生产函数多数将资金、劳动力、用水量等作为投入变量, 笔者在这些变量的基础上, 进一步分析自然资源、社会经济、科学技术、生态环境和管理制度等对工业用水效率的影响因素, 具体表述各因素, 如水资源条件、城市化进程、高用水行业分布、科学技术投入、生态治理及水价杠杆等, 选择表征这些因素的定量化指标来反映其对工业用水效率的制约或促进作用。最终确定反映工业用水效率影响因素的指标变量, 见表1中的x1~ x10。
x1表征了水资源条件对用水效率的影响, 从经济学意义上讲, 资源的稀缺性决定了资源的价值及其利用方式。一个地区的水资源丰缺程度可以影响人们对水资源的态度, 进而影响用水和管水行为。根据相关的统计数据, 若排除其他因素, 总体上水资源丰沛区用水效率要低于缺水区。
x2, x3, …, x6为反映人口、经济对工业用水效率的影响因素。随着城市化进程、经济的发展, 工业产业结构不断优化, 用水效率逐步提高。
x7, x8为反映科技对工业用水效率的影响因素。科技投入比例越高, 高新技术产业越发达, 工业用水效率越高。
x9, x10为反映管理对工业用水效率的影响因素。考虑指标的可量化性, 采用废水达标排放率及水价反映水资源管理的政策、法规和制度对工业用水效率的综合影响。
本文研究范围覆盖全国31个省 (市、自治区) , 以省级行政区为研究单元, 收集1997年—2010年全国31个省区工业用水效率及相关影响因素指标数据, 数据主要来源于同时期的各省、自治区、直辖市统计年鉴, 以及《中国水资源公报》《中国统计年鉴》《中国水利统计年鉴》《中国环境统计年鉴》《城市供水统计年鉴》《中国高新技术产业年鉴》《中国科技统计年鉴》《中国人口统计年鉴》和中国气象局资料等。
2 模型分区
工业用水效率受气候、地理等自然条件影响较小, 而工业产业结构、经济技术条件等对其的影响较大, 因此从资源条件、产业结构、经济技术投入等方面考虑人均水资源量、高耗水行业产值占工业总产值比重、工业产值占GDP比重、人均工业产值、高新技术产业产值占工业产值比重、大中型工业企业R&D经费支出占主营业务收入比重、科学技术支出占财政支出比重等指标作为工业用水效率分区指标, 反映不同程度的资源压力、经济技术投入及不同的高耗水产业分布对我国工业用水效率的影响, 根据地区工业用水效率的提升潜力特征进行分区。
采用主成分分析法将全国31个省 ( 市、自治区) 进行分区, 主成分分析的基本思想是将原来众多具有一定相关性的变量重新组合成新的少数几个互相无关的综合变量来代替原来变量, 这些新的综合变量称之为主成分。
根据主成分累计贡献率超过85% 的原则, 提取了分析年份的主成分因子, 并计算指标x1~ x7在各主成分因子荷载值。以2010年为例 (表2) , 第一主成分描述了工业发展规模 ( x3) 、技术进步 ( x5, x6, x7) 以及工业结构 (x4) , 具有较强的综合性;第二主成分因子主要受水资源条件 (x1) 和产业结构 (x2) 的影响;第三主成分是受工业结构 (x4) 为主;第四主成分主要受资源环境 (x1) 因素影响; 第五主成分受工业结构 (x4) 和技术进步 (x6) 因素影响。
以2010年全国31个省区的x1~ x7的指标数值, 计算各主成分综合得分, 需要说明的是:各主成分综合得分的高低和正负取值, 并不代表用水效率及驱动因素的绝对大小, 而是说明各地区的相对位置。综合得分越大, 说明各主成分的驱动/约束力越大, 根据全国及31个省区的各主成分综合得分, 采用聚类分析法进行分类, 在此基础上, 根据地理位置及综合得分结果, 将全国划分为4类地区, 见表3。
3 模型构建方法
3. 1 随机前沿生产函数简介
随机前沿生产函数 (SFAP) 从生产函数角度测量技术效率[4]。SFA是一种随机参数模型, 主要用来测量决策单元的生产前沿和成本前沿[5]。SFA的突出特点是在过去应用回归建立决策单元前沿面的基础上做出进一步的改造, 将传统的模型误差项分成了两部分:随机误差 (v) 和管理误差 (u) 。前者包括了观察误差、不可预期的消耗、可供水量的变化和国际市场构成的改变等不可控因素;后者包括了决策单元的管理、水资源配置、利用和计划制定等方面的内容。
模型形式为
式中:yt为产出;xjt为投入的各种要素;βj为变量的系数;vt为随机误差;ut为管理误差;j = 1, 2, …, n。
在投入变量数目不多的情况下, 可以采用超越对数函数构建随机前沿生产模型, 但当投入变量较多时, 或是变量间存在较大的多重共线性, 一般采用常规的C-D函数形式:
3. 2 修正的随机前沿生产函数
目前随机前沿生产函数在工业用水技术效率测算的应用方面, 生产指标多为工业产值, 投入变量一般为资金、劳动力、用水量等[2,3,6]。在农业用水效率测算方面, 有一些研究将单位面积产值或产量作为生产指标[7,8]。
借鉴农业用水效率测算分析中产值指标单位量化的方法, 对产出、投入指标做必要的修正, 在工业用水效率随机前沿模型中, 生产指标用人均产值替代一般的总产值, 各投入变量也采用单位量化值或相对值, 如用水量采用万元工业增加值用水量, 固定资产净值采用人均值, 工业从业人员采用占总人口比例等, 这个调整的主要目的是为了将研究中工业用水效率指标即万元工业增加值用水量能直接体现在模型中, 便于指标的拟合及预测。
采用frontier4. 1软件对式 (2) 进行拟合计算后得到β0~ β10参数值, 对式 (2) 进行变换后可得到工业用水效率万元工业增加值用水量:
再将式 (3) 适当整理, 可形成调整后的工业用水效率随机前沿生产模型:
式中:yt为万元工业增加值用水量;x1~ x10为各影响因子, 具体见表1。
4 模型拟合结果
采用frontirer4. 1软件对各分区建立的工业用水效率随机前沿生产模型进行计算, 得到各变量拟合参数及相关参数, 拟合结果见表4。
根据4个分区工业用水效率随机前沿生产模型变量拟合结果, 变量x1~ x5对工业用水效率的正负影响不确定, 在四个分区中有的呈正效应, 有的呈负效应, 如人均工业产值、工业从业人员比重、人均固定资产净值3个变量在分区一、三中呈正效应, 在分区二中呈负效应, 在分区四中呈不同效应。这3个变量主要反映工业经济发展状况, 在工业经济状况相对较好的分区一和分区三中反映了工业经济发展较好对区域用水效率的正面影响, 在工业经济发展较弱的分区二、四中这种作用则无法体现。分区一是人均水资源量较少的地区, 相对而言人均水资源量成为约束指标, 形成提高区域用水效率的压力, 因此在该区成为影响用水效率的负效应。变量x6~x10对工业用水效率的正负效应在4个分区中是统一的, 除高耗水行业产值占工业总产值比重对工业用水效率呈负效应外, 其他四个变量都呈正效应, 并且这5个变量对用水效率的影响显著性也要明显大于前5个变量。
注:* , **, ***分别表示通过了显著性水平为 10% , 5% , 1% 的检验。
4个分区1997—2010年模型拟合误差分析结果 (如表5所示) , 误差最小的为分区四, 最大的为分区三, 误差都不大于17% , 相关系数也均在0. 7以上。较低的误差说明本次建立的全国4个分区工业用水效率分析模型是合理可行的, 可用于未来工业用水效率的定量预测及相关影响因素分析。
5 变量排序
在确定各变量系数的基础上, 计算各变量对应变量万元工业增加值用水量的影响系数, 以此进行变量排序。影响系数按式 (5) 计算:
式中:Ei为第i个变量的影响系数;ximax, ximin分别为第i个变量数值的最大值和最小值;Ci为第i个变量的系数值。
表6为4个分区各变量的影响系数及排序结果, 4个分区各变量排序略有差异, 分区一排序第一的是x6, 分区二和分区四排序第一的是x9, 分区三排序第一的是x3。统计各变量排序位次及出现频率, 4个分区中排序前5的变量主要有x3, x9, x6, x10, x8, 说明这几个变量是影响万元工业增加值用水量的核心影响因子。
6 结 论
a. 采用修正的随机前沿生产函数法进行多元变量与应变量的拟合, 以万元工业增加值为应变量、10个影响因子为自变量, 建立了全国31省 ( 市、区) 4个分区的工业用水效率分析模型, 通过模型拟合误差分析, 4个区的模型平均绝对误差都小于17% , 说明所建模型精度较高, 可为未来我国工业用水效率预测及用水效率红线调控提供参考。
b. 根据拟合出的各变量系数的正负可以判断, 变量x6~ x10对工业用水效率的正负效应在四个分区中是统一的, 除高耗水行业产值占工业总产值比重对工业用水效率呈负效应外, 其他4个变量都呈正效应, 说明建立的模型符合工业用水效率影响因素的作用机理。
c. 通过变量排序4个分区中排序前5的变量主要有x3, x9, x6, x10, x8, 说明这几个变量是影响万元工业增加值用水量的核心影响因子。
d. 常规的随机前沿生产函数应用于工业用水效率, 其投入变量多为劳动力、资产、水资源量等绝对指标, 本次对其进行修正, 采用相对指标作为投入产出变量, 不仅扩展了投入变量的范围, 同时将万元工业增加值用水量直接引入至模型中, 便于用水效率红线调控与考核, 是随机前沿生产函数在水资源领域应用的拓展尝试。
摘要：在收集全国31个省 (市、区) 1997—2010年工业用水效率及其影响因素相关指标数据的基础上, 采用修正的随机前沿生产函数分区建立以万元工业增加值用水量为因变量、影响因子为自变量的工业用水效率分析模型, 并辨识出各分区主要影响因子。通过模型拟合误差分析, 所建模型平均绝对误差都小于17%, 表明所建模型具有比较高的精度, 可为未来我国工业用水效率预测及用水效率红线调控提供一定的技术参考。
关键词：工业用水效率,分析模型,影响因子,随机前沿生产函数
参考文献
[1]KARAGIANNIS G, TZOUVELEKAS V, XEPAPADEAS A.Measuring irrigation water efficiency with a stochastic production frontier[J].Environmental and Resource Economics, 2003, 26:57-72.
[2]孙爱军.基于随机前沿函数的工业用水技术效率研究[D].南京:河海大学, 2007.
[3]陈关聚, 白永秀.基于随机前沿的区域工业全要素水资源效率研究[J].资源科学, 2013, 35 (8) :1593-1600.
[4]COELLI T J, PRASADA RAO D S, BATTASE G E.An introduction to efficiency and productivity analysis[M].Boston:Kluwer Academic Publishers, 1998.
[5]KUMBHAKAR S C, LOVELL C A K.Stochastic frontier analysis[M].New York:Cambridge University Press, 2000.
[6]戴卓, 代红梅.中国工业行业的技术创新效率研究.经济经纬[J].20124:90-94.
[7]刘军.农业用水效率模型研究[J].农村经济与科技, 2013, 24 (1) :25-26.
随机生产 第6篇
近十年来,中国玉米生产出现快速增长趋势。根据国家统计数据显示,玉米产量由2003 年的1. 16 亿吨增长到2012 年的2. 06 亿吨。十年间增长了77. 51% ,显著高于同期的稻谷( 27. 13% ) 和小麦( 39. 93% ) 的增长率。2007 年玉米种植面积首次超过了水稻,2012 年产量也超过了水稻,成为中国第一大粮食作物品种。虽然玉米是粮食中产量增长最快的,但依然赶不上国内玉米需求的增长。同期中国玉米出口持续下降,2010 年由净出口转变为净进口,2012 年玉米净进口高达495 万吨。未来玉米增产将主要依靠单产的提高,提高玉米单产的关键在于生产效率和技术进步。
关于生产效率、技术进步等的研究成果非常丰富,Solow将技术进步分为狭义技术进步和广义技术进步,前者是指生产工艺、中间投入品以及制造技能等方面的革新和改进,表现为生产函数形式的变动;后者是指各种形式知识的积累与改进,又称全要素生产率［1］。Kumbhakar将全要素生产率分解为技术进步、技术效率、配置效率和规模效率四大因素［2］。Leibenstein认为,技术效率是指实际产出水平与潜在产出水平的比率［3］。潜在产出水平是给定技术条件下的最大产出能力,其表现为生产函数图像的前沿面; 实际产出落在前沿面或其之内的区域中,反映了实际生产中的技术发挥程度。生产前沿面分析法被广泛应用于技术进步和技术效率分析。具体应用又可分为非参数分析法和参数分析法。前者以数据包络( DEA) 分析法为典型代表,后者以确定型或随机型( SFA) 前沿分析法为代表。肖红波、王济民［4］等学者利用DEA结合Malmquist指数,田维明、万广华［5］,司伟、王秀清［6］等学者利用SFA模型,分别对中国的粮食生产技术效率、技术进步及全要素生产率变动情况进行过研究。 乔瓦尼认为,Malmquist指数法假定存在一套共同的生产可能性、技术进步是中性的,而现实中的农业技术进步常常是有偏的并且具有区域性特征［7］。由于SFA模型不仅可以测算生产过程中的技术效率、技术进步情况,而且可以对影响技术效率的原因展开分析。因此,本文对近十年来中国玉米生产的技术效率、技术进步状况及影响技术效率的因素展开研究,进而对投入要素的产出弹性、要素替代弹性及要素投入变动情况进行考察。
1 模型与数据来源
1. 1 理论模型
Battese和Coelli［8-9］利用超对数生产函数并结合随机前沿方法对全要素生产率、技术效率、技术进步、配置效率和规模效率进行了深入研究,提出并完善了同时估计前沿生产函数和技术效率影响因素的估计方法。超对数随机前沿生产函数模型基本形式如下:
其中,Yit是生产单位i在第t年的产出,Xit是生产单位i在第t年的生产要素投入向量,β 是待估系数向量,t是时间趋势变量; Vit是随机扰动项,包括测量误差及各种不可控的随机因素; Uit是生产单位i在第t年的技术效率损失变量,Vit与Uit相互独立。
技术非效率模型为: mit= Zitδ,其中,Zit是影响生产单位i在第t年技术效率的因素向量,δ 是待估计系数向量。技术效率指数的计算公式为:
其中,TEit是生产单位i在第t年的生产技术效率指数。当随机前沿生产函数的因变量取实际产量值时,Y*it= Yit; 当取实际产量的自然对数值时,Y*it= EXP( Yit) 。其他符号含义同上。
1. 2 经验模型
1. 2. 1 超对数随机前沿生产函数及效率模型
借鉴Coelli等［10］,司伟、王秀清［6］,许庆［11］的研究,本文将随机前沿生产函数设定为:
其中,Yit表示i省( 区) 第t年的玉米单产; X1it=L表示i省( 区) 第t年的玉米生产中劳动力投入,X2it= S表示i省( 区) 第t年的玉米生产中种子投入费用,X3it= M表示i省( 区) 第t年的玉米生产中机械投入费用,X4it= F表示i省( 区) 第t年的玉米生产中化肥投入; t表示技术变化的时间趋势; β 表示待估系数向量; Vit和Uit的特征与理论模型中对应项相同。
技术无效率模型为:
其中,mit表示i省( 区) 第t年技术无效率程度;Z1it= t,表示时间趋势变量; Z2it= edu,表示i省( 区) 第t年初中以上文化程度的农村劳动力占农村总劳动力的比重; Z3it= mp,表示i省( 区) 第t年农业机械动力占全国农业机械总动力的比重; Z4it=ira,表示i省( 区) 第t年有效灌溉面积占播种面积的比重; Z5it= aol,表示i省( 区) 第t年人均耕地面积; Z6it= dis,表示i省( 区) 第t年自然灾害成灾面积占农作物总播种面积的比重; δj( j = 0,1,…,6) 为待估计系数。
一般而言,受教育程度、机械化采用程度越高,有效灌溉面积和农户种植规模越大,技术效率也应该越高,预期系数 δ2、δ3、δ4和 δ5的符号应该为负。而受灾面积越大,技术效率应该越低,δ6的符号预期应该为正。时间变量t前的系数 δ1符号待定,若为正,则表示随着时间的变化,技术效率不断降低; 若为负,则表示随着时间的变化,技术效率不断提高。常数项 δ0表示地区特征变量。
1. 2. 2 要素产出弹性及要素替代弹性
要素产出弹性表示生产中产出变动对生产要素投入变动的敏感程度,用来评价资源投入的转化效果。本研究中劳动力L、种子费用S、机械费用M及化肥F的产出弹性的计算公式如下:
要素替代弹性表示投入要素价格比变动时,一种要素替代另一种要素的能力。胡瑞法、冷燕［12］,吴敬学、杨巍和张扬［13］等研究认为劳动与资本之间存在替代,劳动与化肥之间存在互补关系。结合数据特征,本文主要考察玉米生产过程中机械对劳动力的替代和种子对化肥的互补情况,要素替代弹性公式为:
1. 3 数据来源与说明
本文采用的投入产出数据来自《全国农产品成本收益资料汇编》( 2004—2013) 。受灾面积、农机总动力、农村人均耕地规模、受教育程度、有效灌溉面积、农业生产资料价格指数等数据来自《中国农村统计年鉴》( 2004—2013) 。样本选取了河北、山西、内蒙古、辽宁、吉林、黑龙江、江苏、安徽、山东、河南、湖北、广西、重庆、四川、贵州、云南、陕西、甘肃、宁夏和新疆20 个省( 区) 。在考察期内,样本省( 区) 玉米播种面积和产量占全国的比重为97. 11% 和97. 31% ,能够反映全国玉米生产的整体情况。
除亩均种子投入费用和亩均机械投入费用分别用各省( 区) 相应年份的定基农业生产资料价格指数( 基期为2003 年) 做平减外,其余所选取的各类因素指标均采用原出处的计量单位或经简单计算得出。
模型分析过程中所用到的变量定义及单位: Y,玉米单产( 公斤/ 亩) ; L,劳动力投入( 工日/ 亩) ; S,种子费用( 元/ 亩) ; M,农机费用( 元/ 亩) ; F,化肥投入( 公斤/ 亩) ; edu,教育因素( 初中以上农村劳动力所占比重) ; mp,某省( 区) 农机总动力占全国的比重;ira,某省( 区) 有效灌溉面积占播种面积的比重; aol,某省( 区) 人均耕地面积( 亩/ 人) ; dis,自然灾害( 成灾面积占农作物总面积比重) 。
2 模型的估计结果及分析
2. 1 超对数随机前沿生产函数及非效率模型的估计结果
借助软件Frontier 4. 1c,对超对数随机前沿生产函数及非效率模型进行估计,结果见表1。
模型估计结果中,γ = 0. 924 6,且在99% 置信度下显著,说明误差项92. 46% 来源于技术非效率,极大似然检验值LR( Test) = 82. 36 > χ21%( 15) =30. 6,说明采用超对数生产函数比C-D生产函数能够更好地反映玉米生产的投入产出关系。因此,采用超对数随机前沿模型来分析2003—2012 年中国玉米生产过程的投入产出关系较为合理。
由非效率模型估计结果可知,农村劳动力受教育水平和农机总动力占比两项系数符号与预期相反,系数均为正值,且统计检验不显著,表明该两种要素不是造成考察期内玉米生产非效率的主要原因,但也说明近十年中国玉米生产过程中,劳动力和机械投入要素与其他生产要素的投入搭配不当。有效灌溉面积和人均耕地面积两要素系数符号与预期一致,均为负值,且在99% 置信度下显著,表明随着有效灌溉面积的增加和人均耕地规模的扩大可以提高玉米生产过程中的技术效率。自然灾害因素的系数符号为正,与预期一致,在99% 置信度下显著,并且绝对值相对较大,表明自然灾害因素是考察期内造成玉米生产非效率的最主要原因。时间趋势的系数为负,尽管绝对值不太大,但在99% 置信度下显著,表明近十年来玉米生产效率存在缓慢提高的趋势。
注:*、＊＊、＊＊＊分别表示在10% 、5% ,和1% 水平下显著。
2. 2 技术效率、技术进步、要素产出弹性和要素替代弹性的计算结果及分析
2. 2. 1 技术效率和技术进步的结果及分析
各年份、省区玉米技术效率具体计算方法见公式( 2) ,软件Frontier 4. 1c直接得出估计结果。经作者整理计算给出2003—2012 年历年全国和各样本省( 区) 的考察期平均技术效率,见图1 和图2。
从全国整体来看,近十年玉米生产技术效率在波动中不断提高。效率提高主要是防灾减灾技术不断提高带来的; 同时,全国各地农田水利基础设施的维护、改进和扩建,以及耕地经营规模的扩大、生产经营方式创新等因素对技术效率的提高也起到了积极作用。从各省( 区) 的状况来看,2003—2012 年期间,技术效率都有不同程度的改善,改善最明显的有安徽、江苏、陕西、河南和黑龙江; 2012 年各个省( 区) 的技术效率都表现良好,并且有趋同的趋势;未来技术效率改进潜力较大的省( 区) 有陕西、江苏、安徽、广西、贵州、甘肃。
根据超对数随机前沿生产函数的估计结果,推导得出技术进步的计算公式为:
其中,TC表示技术进步率。由式( 11) 计算得出各年份不同省区的技术进步率。根据计算结果可知:从全国整体来看,近十年中国玉米生产几乎没有技术进步。从各省( 区) 的状况来看,2003—2012 年期间,绝大多数省( 区) 存在技术退步,只有个别省( 区) 表现出微弱的技术进步。这与我国玉米生产现状较为一致。黄季焜、杨军［14］指出,中国2000 年审定通过郑单958 玉米新品种,种植面积迅速扩大,2007、2008 连续两年超过400 万公顷( 占当年玉米播种面积的近30% ) 。随着新品种推广面积的不断扩大、种植技术不断成熟,再加上耕种收机械化程度不断提高,玉米生产过程逐渐显现技术进步的趋势。
2. 2. 2 要素产出弹性和要素替代弹性计算及分析
根据超对数随机前沿生产函数的估计结果,利用公式( 5) 、( 6) 、( 7) 和( 8) 分别求得劳动力、种子、机械和化肥四种投入要素的产出弹性,利用公式( 9) 和( 10) 分别求得机械对劳动力和种子对化肥的替代弹性。计算结果见表2。
由要素产出弹性的结果可知,近十年来,劳动力、机械、化肥对玉米产量变动的作用均为正值并且很接近。但产出弹性的变动趋势不同,劳动力的作用在减弱,尤其是2009 年后呈现加速减弱的趋势; 同期内机械产出弹性的变动与劳动方向相反,最近五年有明显上升趋势; 化肥的产出弹性在2007 年之前一直上升,2007 年之后出现波动中下降,这与前面提到的2000 年后中国引入玉米新品种有关,后期新品种种植面积稳定后,化肥的增产贡献会减弱。在2007 年之前,种子要素的产出弹性为正值且不断提高,2007 年起开始转为负值,原因是良种推广使用的增产效果是一次性的,需要有新一代更高产的品种才能推动新一轮的增产。总体来看,玉米生产的投入要素配置相对有效。随着生化、机械技术的创新与采用,投入要素的具体配比出现不断变化趋势。因此,玉米单产的提高关键在于良种的培育与农艺、农技的配套创新。
由要素替代弹性的结果来看,机械对劳动力的替代弹性有上升的趋势,2009 年之后上升趋势更加明显。说明随着社会经济的发展,玉米生产过程中机械对劳动力的替代变得相对容易。良种对化肥的替代弹性变动频繁,且与预期不一致。
3 研究结论
近十年来,中国玉米生产技术效率在波动中不断提高。主要是因为防灾减灾技术不断改进和完善,全国各地加强了农田水利基础设施的维护、改进和扩建,耕地经营规模的扩大、生产经营方式创新等因素。
各样本省( 区) 的玉米生产技术效率均有不同程度的改善,改善最明显的有安徽、江苏、陕西、河南和黑龙江; 主要原因是成灾率降低、有效灌溉面积的扩大和农户经营耕地面积的扩大。未来技术效率改进潜力较大的省( 区) 有陕西、江苏、安徽、广西、贵州、甘肃。
从全国总体来看,近十年中国玉米生产几乎没有技术进步,2007 年之后表现出微弱的技术进步。从各省( 区) 的情况来看,绝大多数省( 区) 存在技术退步,只有个别省( 区) 表现出微弱的技术进步。主要原因是良种研发重大创新性成果较少、良种推广进程较慢、耕种收机械化推进存在诸多障碍。
近十年来,劳动力、机械、化肥对玉米单产变动的作用均为正值并且很接近。但产出弹性的变动趋势不同,劳动力的作用在减弱,机械的作用在增强,化肥的作用表现出先升后降的趋势; 种子的作用2007 年之前为正,自2007 年起转变为负值。机械对劳动力的替代弹性有上升的趋势,2009 年后上升趋势更加明显。种子对化肥的替代弹性与预期不一致,且变动频繁。
4 政策启示
短期内,生产效率的提高是稳定和提高玉米单产的决定因素; 自然灾害的成灾率、有效灌溉面积、农户经营耕地面积、农村劳动力的受教育程度以及生产的机械化程度等是中国当前阶段影响玉米生产技术效率的主要因素。为了减少单产的波动和提高单产,政府应该继续加大对防灾减灾技术研究和农村水利基础设施的投资力度。
长期来看,玉米单产的提高主要是玉米新品种与高产栽培等农艺技术协同创新的结果。这就需要国家加大农业科研的投入,重点向作物新品种的培育及配套农艺技术创新研究倾斜; 同时加强良种和新栽培技术的推广应用方面的投入。
随机生产 第7篇
我国经济增长的成果有目共睹, 但其增长的质量却广受质疑。因此, 对我国经济增长质量的考察具有重要的现实意义。我国地域广阔, 各地区之间经济发展水平差距悬殊, 东中西部经济发展各有特色, 经济发展质量也有高低之分。以省为基础来研究经济质量问题不仅可以避免仅从全国整体研究带来的忽视地区间差异的问题, 更能捕捉到各省经济发展模式的特色和影响经济发展质量的独特因素。四川省作为西部的龙头省份, 在带动整个西部经济的发展方面具有举足轻重的地位, 随着十多年来西部大开发的深入发展, 四川省的经济取得了强劲持续的发展, 但四川省经济发展质量问题却多受诟病, 本文力图从定量的角度整体上对四川省经济发展的技术效率进行估计, 并追溯其历史发展过程寻找技术效率变迁原因。
2 文献综述
从相关文献来看, 关于应用随机前沿生产函数对我国经济增长质量的分析成果主要集中在以下三个方面:第一方面, 从整体上对我国技术效率进行测算, 如何枫, 陈荣 (2004) 运用随机前沿生产函数对我国改革开放20年的技术效率水平进行了测算, 得出我国整体的技术效率水平相对较低, 但从时间维度上看呈现上升趋势。第二方面, 对细分行业技术效率进行测算, 如郑询刚 (2010) 将全要素生产率增长分解为技术进步、技术效率的变化、规模经济和资源配置效率四个部分运用随机前沿生产函数研究了2000—2007年西部农业的全要素增长率问题, 认为西部农业生产技术效率水平的提高, 需要进一步推广农业新品种和新技术, 调整资源配置结构。闫冰, 冯根福 (2005) 利用随机前沿生产函数考察了1998—2002年5年期间的中国工业R&D效率问题, 认为中国工业R&D效率的高低不仅与行业的市场结构有关, 而且与政府的支持方式也有联系。第三方面, 从区域发展的角度对我国技术效率进行测算, 如王志平, 陶长琪 (2010) 运用随机前沿函数对全国和三大区域2001—2008年的面板数据分别建模;各模型一致表明, 对外开放程度与基础设施的实际有效利用对生产效率变化具有普遍积极的作用;产业结构优化对东西部生产效率的边际效应最为显著;对中部而言, 科技创新投入的作用最为突出;章上峰, 许冰 (2008) 对浙江省的技术效率进行了测算与分析得出浙江省的技术效率水平的变化与浙江省政府的制度创新能力相关的结论;胡爱荣, 岳磊 (2011) 运用随机前沿生产函数对黑龙江省四个煤炭城市10年技术效率进行分析得出黑龙江省的技术效率水平较低, 但呈现稳步上升趋势的结论并认为黑龙江省要想提高技术效率水平必须以转变经济增长方式为前提。以上文献对运用随机前沿生产函数研究经济技术效率提供了宝贵的资料, 但从目前的研究现状来看, 将随机前沿生产函数运用到四川省的经济发展数据上, 来度量四川省的经济发展质量问题还是空白的, 所以本文选取对数型柯布—道格拉斯随机前沿生产函数模型来对四川省1990—2010年的经济发展数据进行实证研究, 力求捕捉到四川省改革开放以来经济技术效率水平及其历史变迁过程。
3 理论与模型设定
3.1 相关理论
全要素生产率 (TFP) 是对生产绩效最主要衡量指标, 而对TFP进行估计从现有的文献来看主要有参数法和非参数法两种方法。非参数法是在FarreU (1957) 和Mriat (1972) 工作的基础上, 由Fare (1995) 等人在理论和实证运用方面发展和完善起来的, 非参数法首先根据样本中所有个体的投入与产出构造一个能够包容所有个体生产方式的最小的生产可能性集合:即是所有要素和产出的有效组合, 这里的“有效”是指以一定的投入生产出最大的产出或者以最小的投入生产出一定的产出。非参数法主要有数据包络分析 (DEA) , 它可以对生产率进行分解, 但对数据准确性要求较高, 受数据统计误差的影响较大。该方法的优点是无须估计企业的生产函数, 从而避免了因错误的函数形式带来的问题;缺点是需要大量的个体数据, 且对算法的要求很高, 同时对生产过程没有任何描述。从实证的角度来看, 人们更倾向于使用参数方法来测算技术效率。根据这个方法, 通常是先估计一个生产函数, 且考虑到该生产函数中误差项目的复合结构及其分布形式, 并根据误差项的分布假设不同, 采用相应的技术方法来估计生产函数中的各个参数。参数方法的最大优点是通过估计生产函数对个体的生产过程进行了描述, 从而使对技术效率的估计得到了控制。参数法有索洛余值核算法 (SRA) 和随机前沿分析法 (SFA) , SRA假定经济是有效率的, 并且不能对TFP进行分解;而SFA允许技术无效率的存在, 并可以对TFP进行分解, 该方法自提出至今已有大量应用 (Forsund, Lovell和Schmidt, 1980;Schmidt, 1986;Bauer, 1990;Battese和Greene 1992, 1993, 1995) , 本文采用随机前沿法进行分析 (SFA) 进行研究。
3.2 模型设定
根据S.C.Kumbhakar & C.A.K.Lovell (2000, p8～10) 的总结, 研究者们一致认为Meeusen & Broeck (1977) 、Aigner, Lovell, and Schmidt (1977) 与Battese&Corm (1977) 这三篇论文是标志着SFA技术诞生的开创性文献。他们的模型基本上可以表达为:
y=f (x;B) ·exp (v-u) (1)
其中, y代表产出, x表示一组矢量投入, B为一组待定的矢量参数, 误差项为合结构, 第一部分v服从独立的标准正态分布v (v∈iid) ;第二部分u是一个非负变量 (u≥0) , 用以表示那些仅仅对某个个体所具有的冲击。模型的基本含义为:个别生产者不能达到生产函数前沿, 是因为受随机扰动和技术非效率两个因素影响。尽管这两个影响因素都是不可观测的, 但是恰当定义的随机扰动仅仅是一个白噪声, 多次观测的均值为零, 因而个别生产者的技术效率可以用样本中该生产者产出的期望与随机前沿的期望的比值来确定, 即是:
TE=f (xt;B) exp (v-u) /f (xt;B) exp (v-u|u=0)
=exp (-u) (2)
因此, 该个体的技术效率状态则用TE=exp (-u) 来表示。这样的话, 当u=0时, 厂商就恰好处于生产前沿上 (即Y=f (xt;B) ·exp (v) ) ;若u>0, 厂商就处于生产前沿下方, 也就是处于非技术效率状态。
一般假设U服从半正态分布。另外, 容易证明, 0≤TE≤1。本文运用的对数型柯布一道格拉斯随机前沿生产函数模型为:
ln (Yt) =a+bln (Kt) +cln (Lt) + (v-u) (3)
其中Yt表示t时期的产出, Kt和Lt表示t时期资本和劳动力投入, v为观测误差和其他随机因素u是一个非负变量。a, b, c为待估计参数。
4 实证结果及分析
4.1 变量和数据说明
本文采用四川省1990—2010年国内生产总值 (GDP) 、实际资本存量和劳动力数据。实际国内生产总值根据名义GDP数据乘以1978年为基期的定基GDP指数计算得到。由于实际资本存量数据很难得到, 本文采用以1978年为基期计算得到的固定资产形成总额代替实际资本存量。以年末从业人口数代表劳动力数据, 其中2006年数据缺失, 我们以2005年和2007年平均值代替。本文除特殊说明外, 所用数据均来自《新中国五十五年统计资料汇编》和《2010年四川省统计年鉴》。
4.2 模型估计结果及分析
根据Battese & Coelli (1992) 建议使用最大似然法, 运用Frontier 4.1程序对对数型柯布—道格拉斯随机前沿生产函数进行估计, 本文给出了1990—2010年四川省经济技术效率水平的估计结果 (见下表) 。根据公式:前沿产出=实际产出/技术效率, 计算得到1990—2010年四川省经济前沿产出值 (见下表) ;根据公式:产出损失=前沿产出-实际产出, 计算得到1990—2010年浙江省经济产出损失值 (见下表) 。从表l可知, 四川省的实际产出距离前沿产出有一定的距离, 存在产出损失和技术非效率:①从产出损失角度看, 四川省最小产出损失为1991年的1.1853亿元, 最大产出损失为2009年的803.7941亿元, 1990—2010年的平均产出损失为244.6187亿元。②从技术效率水平角度看, 四川省最小技术效率水平为1994年的81.83%, 最大技术效率水平为1991年的99.91%, 1990—2010年的平均技术效率水平为94.74%。
可以将1990—2010年四川省技术效率水平的历史变迁大致划分为以下几个时期:
(1) 1990—1994年, 四川省技术效率水平呈下降趋势, 1994年达到最低点技术效率水平为81.83%。
(2) 1995—1997年, 是四川省技术效率水平第一个持续上升期, 技术效率水平从1994年的81.83%上升到1997年的96.97%。
(3) 1998—1999年, 是四川省技术效率水平短暂下降的两年, 两年技术效率水平分别为96.59%和91.47%。
(4) 2000—2004年, 四川省的技术效率水平呈平稳状态, 平均技术效率水平为93.48%。
(5) 2005—2010年, 四川省的技术效率水平呈平稳上升趋势。
比较西部大开发前后两个时期四川省的技术效率水平的变迁, 可以发现西部大开发之后的技术效率水平总体上高于西部大开发之前的技术效率水平, 笔者认为导致以上变化的原因在于四川省在西部大开发前后资源配置效率的根本改变。
5 结 论
基于对数型柯布—道格拉斯生产函数的随机前沿分析 (SFA) 模型, 利用四川省历年统计数据, 本文估计出1990—2010年四川省技术效率水平和前沿产出, 结果发现, 四川省的实际产出距离前沿产出有一定的距离, 存在产出损失和技术非效率:①从产出损失角度看, 四川省最小产出损失为1991年的1.1853亿元, 最大产出损失为2009年的803.7941亿元, 1990—2010年的平均产出损失为224.6187亿元。②从技术效率水平角度看, 四川省最小技术效率水平为1994年的81.83%, 最大技术效率水平为1991年的99.91%, 1990—2010年的平均技术效率水平为94.74%。进一步地, 本文分析了四川省技术效率水平的历史变迁情况, 将1990—2010年四川省技术效率水平的变迁大致划分为五个时期, 分别阐述了各个时期技术效率水平的变化趋势。最后, 笔者认为在促进经济技术效率提高的过程中, 四川省政府要“有所不为”的加大造血功能。
参考文献
[1]章上峰, 许冰.浙江省技术效率估计及其历史变迁分析——基于随机前沿生产函数的实证研究[J].浙江社会科学, 2008 (3) .
[2]于君博.前沿生产函数在中国区域经济增长技术效率测算中的应用[J].中国软科学, 2006 (7) .
[3]何枫.对我国技术效率的测算:随机前沿生产函数的应用[J].科研管理, 2004 (25) 100-103.
随机生产 第8篇
目前有关技术效率测算的研究方法可归纳为两大分支:参数方法和非参数方法。参数方法以随机前沿分析(Stochastic Frontier Analysis,SFA)为代表,非参数方法以数据包络分析(Data Envelopment Analysis,DEA)为代表。两者各有优势,SFA将复合误差项中的技术无效率项和随机干扰项区分开,为进行统计推断提供了基础条件;DEA则可避免出现由于函数形式设定偏误而导致技术效率估计有偏的情况。
SFA理论最初由Aigner、Lovell和Schmidt,Meeusen和Van den Broeck提出。该理论认为,由于各种组织、管理及制度等非价格性因素导致生产过程中效率的损耗,大部分生产单位并不能达到最优结果,即不能位于生产前沿。SFA模型设定生产前沿未知,利用观察所得的数据对其进行推断。传统生产率研究一般使用确定性生产函数。在索洛残差法中,技术进步被认为是TFP增长的唯一源泉。在随机前沿模型的分析框架下,即使不存在技术进步,TFP增长也可能源自于技术效率变化所带来的贡献。Nishimizu和Page首次提出将TFP增长分解成效率变化和技术进步的方法;Orea和Fuentes、Grifell-Tetje和Perelman扩展Nishimizu和Page及Denny、Fuss和Waverman的分析方法,基于随机前沿模型提供了另一种估计和分解Malmquist生产率指数的计量方法(Malmquist生产率指数法被广泛运用于全要素生产率增长及其分解的研究中),并且利用了Caves、Christensen和Diewert关于Malmquist生产率指数与超越对数形式距离函数之间关系的分析。
自从Nishimizu和Page的开创性工作———关于TFP增长及其分解的计算方法(或其扩展形式)运用于各种领域的实证研究,工业(或制造业)部门是其应用最广泛的领域之一。Fecher和Perelman将该方法运用于研究OECD国家制造业的TFP增长。Kim和Han利用1980—1994年间韩国制造业的数据,运用随机前沿生产模型将TFP增长分解成技术进步、技术效率变化、配置效率变化和规模效应,发现TFP增长主要由技术进步驱动,技术效率变化起着显著的正效应,配置效率具有负效应。Margono和Sharma运用随机前沿模型研究了1993—2000年间印尼食品、纺织、化学制品和金属制品4个行业的技术效率和TFP增长,结果发现TFP增长源泉主要来自于技术效率变化,而技术进步具有负效应。国内文献中,姚洋和章奇采用随机前沿生产模型研究中国工业经济的技术效率;涂正革和肖耿利用中国大中型工业企业1995—2002年期间的面板数据研究37个行业的TFP增长趋势,并用随机前沿生产模型将生产率增长分解为技术进步、技术效率变化、配置效率变化和规模效应;王争和史晋川基于省级面板数据和随机前沿生产函数研究了转型时期(1987—2002)中国工业部门生产绩效的地区异质性和短期波动的一致性背后的原因;李胜文和李大胜基于1985—2005年中国34个工业细分行业面板数据,运用三投入的随机前沿生产函数测算工业及其细分行业的TFP增长率;干春晖和郑若谷利用推广的随机前沿生产函数对我国1998—2007年36个细分行业的面板数据进行分析,估计了我国工业的技术效率和TFP。上述文献中,学者们主要从宏观整体、中观产业的层面上对工业(或制造业)的TFP进行研究,仅涂正革和肖耿使用中国大中型工业企业的微观面板数据,大部分研究采用Kumbhakar的方法来计算TFP增长及其分解。
到目前为止,国内外鲜见利用基于SFA的Malmquist生产率指数研究中小企业TFP增长及其分解的文献,仅有一些学者采用随机前沿模型来测算中小企业的技术效率,例如:Batra和Tan测算了6个国家和地区(马来西亚、印尼、墨西哥、哥伦比亚、中国台湾地区和危地马拉)中小制造业企业的技术效率,并分析其影响因素;Natarajan和Raj利用超越形式随机前沿生产函数研究印度Kerala省中小型企业的技术效率及其影响因素;Zahid和Mokhtar利用Cobb-Douglas形式随机前沿生产函数估计2002年马来西亚中小制造业企业的技术效率;范丽霞运用超越对数形式的随机前沿生产函数分析2002—2006年湖北省农村中小企业的技术效率及其外生性影响因素。
本文基于2003—2007年广东省中小工业企业的微观面板数据,运用超越对数形式的随机前沿生产函数估算其技术效率,并进一步利用基于SFA的Malmquist生产率指数来研究广东中小工业企业的TFP增长及其分解。
本文结构安排如下:第一部分为模型设定、假设检验和全要素生产率增长及其分解;第二部分为数据说明和实证分析;最后部分为结论。
1 模型设定、假设检验和全要素生产率增长及其分解
1.1 模型设定
本文选用超越对数形式的随机前沿生产函数模型:
其中:Yit是生产单元的实际产出。Kit、Lit分别是资本和劳动投入。时间趋势变量t=1,2,…,T,反映技术变化。D1、D2、D3和D4均是虚拟变量,D1:采矿业为1,其它行业为0;D2:烟草制品、石油加工炼焦及核燃料加工、电力热力生产供应、燃气生产供应业和水生产供应等垄断程度较高的行业为1,其它行业为0;D3:珠三角地区为1,其它地区为0;D4:外资企业为1,内资企业为0。Vit是随机误差项,代表不可控的经济系统外部影响因素和数据测度误差等,假定Vit~iid N(0,σv2)。Uit是技术无效率项,代表生产单位的技术无效率程度,按照Battese和Coelli设定的随机前沿模型,Uit=Uiexp[-η(t-T)],Ui服从非负截尾正态分布,即Ui~iid N+(μ,σu2)。η是技术效率的变化率,η>0、η=0和η<0分别表示技术效率TEit=exp(-Uit)随时间递增、不变、递减。
为了便于进行最大似然估计,构造方差参数σ2=σv2+σu2、γ=σu2/(σv2+σu2),模型最后估计结果是σ2和γ,通过参数转换得到σu2=γ×σ2,σv2=σ2-σu2。
1.2 假设检验
随机前沿生产函数模型的设定形式恰当与否直接影响系数估计和技术效率推断,因此,本文利用似然率(LR)检验统计量对模型(1)的设定形式进行检验。结合Kim和Han、涂正革和肖耿、李胜文和李大胜等所设定的零假设,进行以下6项检验:
(1)技术无效率项Uit服从半正态分布,即:
(2)技术无效率项Uit是非时变的,即:
(3)技术无效率项Uit服从半正态分布,且是非时变的,即:
(4)不存在技术进步,即:
(5)技术是中性的,即:
(6)生产前沿函数具有Cobb-Douglas形式,即:
LR检验统计量λ=-2[L(H0)-L(H1)],其中L(H0)、L(H1)分别是在零假设H0和备择假设H1下的对数似然函数值。如果零假设H0成立,那么检验统计量λ服从渐近卡方分布(或混合卡方分布),自由度为受限变量的数量;如果零假设H0包含γ=0,检验统计量λ则服从渐近混合卡方分布。
1.3 全要素生产率增长及其分解
根据Orea和Fuentes,Grifell-Tetje和Perelman的计量方法,本文利用Malmquist生产率指数来研究TFP的增长及其分解。
首先定义产出距离函数。假设生产单位的投入是x=(x1,x2,…,xN)∈R+N;产出是y=(y1,y2,…,yM)∈R+M;T表示生产技术,可以表达为:T={(y,x):x能够生产y};等价地,可以用产出集表示生产技术,p(x)={y∶(x,y)∈T}。Shephard的产出距离函数提供了另一种表达生产技术的形式,产出距离函数可表示如下:
假设产出距离函数Do(x,y,t)2(1)具有超越对数函数形式:
由式(2),可得:
定义对数Malmquist生产率指数Mo(x,y,t)表示为产出与投入的加权平均增长率之差,以产出距离函数弹性占所有弹性之和的份额为权重:
将式(3)代入式(4),可得:
上式中,生产率变化分解成右边三项,分别为技术效率变化TEC△o(xt,yt,xt+1,yt+1)、技术进步TP△o(xt,yt,xt+1,yt+1)和规模效率变化SC△o(xt,yt,xt+1,yt+1)(2)。
在模型(1)的设定中,随机前沿生产函数具有多投入—单一产出的形式,结合式(1)和式(5),可推导出技术效率变化、技术进步和规模效率变化的具体表达式。
技术效率变化为:
技术进步为:
规模效率变化为:
全要素生产率变化为:
2 数据说明和实证分析
2.1 数据说明
本研究样本为2003—2007年广东省规模以上中小工业企业的面板数据,数据来源于广东省统计局。原始数据每年有14 288家企业,通过剔除异常值、清除不完整数据等规范化处理,最终进入模型计算的有11 657家企业,5年共有58 285个研究样本,覆盖广东省所有地市共36个工业行业。
本文采用工业增加值作为衡量产出的指标,考虑到价格因素,根据工业品出厂价格指数对其进行平减;以固定资产净值作为衡量资本投入的指标,采用固定资产投资价格指数对其进行平减;以从业人员年均人数作为衡量劳动投入的指标。
2.2 模型估计结果及假设检验
基于样本数据,利用极大似然估计法对模型(1)~(1f)进行估计。表1是模型设定形式假设检验的结果。
利用表1对模型设定形式的假设检验进行分析:模型(1a)对应的零假设是技术无效率项服从半正态分布,λ检验统计量远大于5%显著水平上的临界值,拒绝零假设,即无效率项Uit服从非负截尾正态分布;模型(1b)假设技术无效率项Uit是非时变的,检验结果拒绝了零假设,即认为技术效率随时间而变化;模型(1c)假设μ和η同时为零,检验结果拒绝了μ和η同时为零的假设;模型(1d)剔除时间趋势,假设不存在技术进步,模型(1e)则假设技术是中性的,两者的零假设均在5%显著水平上被拒绝,即表示技术进步存在,且会渗透到生产要素中;模型(1f)对应的零假设被拒绝,说明简单的Cobb-Douglas生产函数不适合用于描述广东省中小工业企业的生产技术结构。因此,最终选择模型(1)作为分析技术效率和TFP的随机前沿生产函数。
表2是经过假设检验后最终筛选出的模型估计结果。可见,除了变量tln L的估计系数在5%水平上显著外,其余系数均在1%水平上高度显著。
注:**、*分别表示在1%、5%的水平上显著
2.3 广东省中小工业企业的技术效率分析
进一步,根据TEit=exp(-Uit)计算第i个中小工业企业在第t期的技术效率,以企业的工业增加值在其所在行业所占比重为权重计算行业的平均技术效率,进而计算整个广东省中小工业企业技术效率的平均水平。
计算结果显示,从2003—2007年期间,广东省中小工业企业的平均技术效率为30.7%,这与涂正革和肖耿关于全国大中型工业企业(1996—2002年)技术效率的估算值非常接近。这就是说,从总体上来讲,广东省中小工业企业的技术效率尚存在很大的增长潜力。模型(1)中假设技术无效率项是时变的,即Uit=Uiexp[-η(t-T)];在表2的估计结果中,η=0.049>0,表明各行业的技术效率呈现逐年递增的趋势。这显示着,通过干中学,广东省中小工业企业在利用现有技术的能力方面不断向技术前沿靠近。
分行业来看,广东省中小工业企业年均技术效率最高的五个行业依次为石油加工炼焦及核燃料加工业、黑色金属冶炼及压延加工业、有色金属冶炼及压延加工业、医药制造业和燃气生产供应业,大部分属于资本密集型行业;年均技术效率最低的五个行业分别为水生产供应业、文教体育用品制造业、工艺品及其他制造业、皮革毛皮羽毛(绒)及其制品业和电力热力生产供应业,其中3个属于劳动密集型行业,2个属于垄断性劳动密集型行业;而通信设备计算机及其他电子设备制造业、电气机械及器材制造业、专用设备制造业、通用设备制造业等技术密集型行业的技术效率处于中等水平。
虽然总体上各行业的技术效率呈现递增的趋势,但各行业的增长速度存在区别。技术效率增长较快的行业有水生产供应业、文教体育用品制造业、皮革毛皮羽毛(绒)及其制品业、非金属矿采选业、工艺品及其他制造业等,分别为7.74%、7.16%、6.66%、6.60%、6.46%;而石油加工炼焦及核燃料加工业、黑色金属冶炼及压延加工业、燃气生产供应业、有色金属冶炼及压延加工业、医药制造业等行业的技术效率增长较慢,分别为2.66%、3.17%、3.24%、3.58%、3.62%。不难发现,资本密集型行业的技术效率普遍较高,其增长速度却相对缓慢;劳动密集型行业的技术效率整体偏低,却具有较快的增长速度。
注:I01黑色金属矿采选、I02有色金属矿采选、I03非金属矿采选、I04农副食品加工、I05食品制造、I06饮料制造、I07烟草制品、I08纺织、I09纺织服装鞋帽制造、I10皮革毛皮羽毛(绒)及其制品、I11木材加工及木竹藤棕草制品、I12家具制造、I13造纸及纸制品、I14印刷业和记录媒介的复制、I15文教体育用品制造、I16石油加工炼焦及核燃料加工、I17化学原料及化学制品制造、I18医药制造、I19化学纤维制造、I20橡胶制品、I21塑料制品、I22非金属矿物制品、I23黑色金属冶炼及压延加工、I24有色金属冶炼及压延加工、I25金属制品、I26通用设备制造、I27专用设备制造、I28交通运输设备制造、I29电气机械及器材制造、I30通信设备计算机及其他电子设备制造、I31仪器仪表及文化办公用机械制造、I32工艺品及其他制造、I33废弃资源和废旧材料回收加工、I34电力热力生产和供应、I35燃气生产和供应、I36水的生产和供应
2.4 广东省中小工业企业的TFP增长及其分解
基于模型(1)的估计结果,将所估计的系数代入式(6)至式(9),得到广东省中小工业企业的TFP增长,并将其分解成三个因素:技术效率变化、技术进步和规模效率变化。研究中以企业的工业增加值在其所在行业所占比重为权重,计算行业的平均值。
由表4可以看出,2003—2007年期间,广东省中小工业企业整体的年均TFP增长率为7.42%,其增长主要由技术效率变化和技术进步共同驱动,后两者的年均增长率分别为4.47%、3.66%,其中技术效率变化的贡献最大。规模效率的年均增长率为负,其对整体TFP的增长起到一定的抑制作用,换言之,就提高中小工业企业的TFP而言,规模经济效应难以发挥作用,扩大生产经营规模未必能对其TFP增长有所贡献。
%
分行业来看,各行业的TFP增长率均为正值,其中水生产供应业、非金属矿采选业、橡胶制品业、工艺品及其他制造业、皮革毛皮羽毛(绒)及其制品业、文教体育用品制造业和纺织服装鞋帽制造业等行业的TFP增长较快,分别为11.24%、11.13%、9.66%、9.49%、9.32%、9.30%、8.54%,大部分属于劳动密集型行业,这与技术效率测算的结果相反;而TFP增长靠后的行业有黑色金属矿采选业、电力热力生产供应业、黑色金属冶炼及压延加工业、有色金属冶炼及压延加工业、饮料制造业、医药制造业和石油加工炼焦及核燃料加工业等,TFP增长率分别为3.40%、4.13%、4.31%、4.99%、5.15%,5.71%、5.72%,大部分属于资本密集型行业。
绝大部分行业TFP的增长动力主要源自于技术效率变化和技术进步,技术效率变化的贡献相对更大。电力热力生产供应业、文教体育用品制造业、皮革毛皮羽毛(绒)及其制品业、纺织业和有色金属矿采选业等行业技术效率变化的贡献较大,黑色金属冶炼及压延加工业、黑色金属矿采选业、有色金属冶炼及压延加工业、农副食品加工业和废弃资源废旧材料回收加工业等行业技术进步的贡献较大。大部分行业的规模效率变化为负,仅有烟草制品业、石油加工炼焦及核燃料加工业、燃气生产和供应业、饮料制造业、通信设备计算机及其他电子设备制造业、交通运输设备制造业和食品制造业等7个行业的规模效率变化为正,前3个行业均是垄断程度较高或进入门槛较高的行业,其中最特别的是烟草制品业,其TFP增长动力主要源自于规模经济效应,这可能与其高垄断性相关。
3 结论
本文运用超越对数形式的随机前沿生产函数估算2003—2007年广东省中小工业企业的技术效率,并进一步利用基于SFA的Malmquist生产率指数研究广东中小工业企业的TFP增长及其分解,得出以下结论:
第一,从总体上讲,广东省中小工业企业的技术效率偏低,但呈现逐年稳步增长的趋势。研究对象中资本密集型行业的技术效率普遍较高,不过增长速度相对缓慢;劳动密集型行业的技术效率整体偏低,却具有更快的增长速度;技术密集型行业的技术效率及其增长速度均处于中等水平。
第二,2003—2007年期间,广东省中小工业企业的年均TFP增长率为7.42%,TFP增长主要由技术效率变化和技术进步共同驱动,其中技术效率变化的贡献最大。由于中小企业自身的特点和其所处的发展阶段,就本文研究样本而言,其充分利用现有技术改造升级自身所产生的效益要略大于进行自主技术创新所带来的效益。
随机生产 第9篇
1 建模
本模型采取(Q,R)库存管理策略(其库存模型如图1所示),对库存系统的存储量进行严格监控,当现有库存量降低至再订货点R时,发出订单,订购量为Q,考虑连续盘点型(Continuous Review ) 库存控制策略, 决策变量是订货批量和提前期。
1.1 模型假设
假设1:假定在一个批量Q到达仓库后, 现有库存水平总是高于再订货水平R, 因此在一个提前期内, 只会有一次订货, 即不会发生合同交叉的问题。这个假设也保证了连续订货, 产生随机提前期问题。
假设2:连续的随机提前期是相互独立的, 订货合同之间不发生交叉。
假设3:提前期t为随机变量,L为提前期的平均值,σt为提前期的标准差。
假设4:单位时间需求变量X:服从期望值为ux,标准差为σx的分布。
假设5:C1为单位时间单位货物的储存费用;H为储存费用;C2为单位时间单位货物的缺货费用;V为缺货费用;C3为一次定购费用;y为提前期需求量。
假设6:CSL:周期服务水平(所有补货周期中能满足顾客所有需求的补货周期所占比重),CSL=P(y≤R)=α。
1.2 计算库存费用
由假设4可知,提前期需求量y:服从期望值为Lux,标准差为
因为再订货点的值等于提前期内的平均需求量加上安全库存量,即:
R=Lux+ss (1)
又由假设6:CSL=P(y≤R)=α,所以:
由(1)、(2)可以求出:
每周期的平均库存为:
平均存储费用为:
每周期的期望缺货量为:
单位时间有ux/Q个周期,则:
每单位时间的期望总成本(不包括货物成本):
等式(7)两边分别对Q求一阶导数,并令其等于0,则以求出:
2 案例分析
本文用一个实际案例来验证模型并进行灵敏度分析。设某企业采用连续盘点 (Q,R)策略管理某种原材料的库存.该原材料的每年需求服从ux=6000,σx=40的正态分布,每次订货费为200元,每件物品的每年存储费为18元.若该原材料发生缺货会延缓产品生产进度,根据以往经验得知,每件原材料的缺货费为65元,CSL=0.9,L=0.04年。
2.1 库存费用计算
C1=18,C2=65,C3=200。
因为原材料的每星期需求服从μx=6000,σx=40的正态分布,L=0.04,所以,在提前期内需求y服从均值为Lux,标准差为
其中
其中,
A=-0.84974,Q*=310。
EOQ模型求解结果为:EOQ=412,TC=5 816;基于随机需求 、随机提前期的(Q,R)库存模型求解结果为:Q*=310。E(C(Q))=577 6,可以清楚地看出, 在考虑提前期的情况下, 可以更加清楚地定义出订货批量大小和再订货点, 并且保证了成本的最小。
2.2 参数灵敏度分析
1)C1为单位时间单位货物的储存费用对最优订货批量的影响。
2)C2为单位时间单位货物的缺货费用对最优订货批量的影响。
3)C3为一次定购费用对最优订货批量的影响。
由公式(9)、(10)、(11)可得:R1=-0.5,R2=-0.19077,R3=0.6907|R1|≤1,|R2|≤1,|R3|≤1,最优订货批量对于C1、C2 和C3的变动率不敏感,在现实中,C1、C2 和C3可能随时间变化而有所变化,但是,由于最优订货批量对C1、C2和C3不敏感,由此可见,该最优订货批量在实际生产中仍具有很高的价值。
3 结束语
经济订货批量模型是目前大多数企业最常采用的货物定购方式,同时,该模型的确曾给企业带来了一些利益。但随着市场变化,市场竞争已从传统的、简单的、成本优先的竞争模式, 向时间优先的时间竞争转化[4],因此, 传统的经济订货批量模型已经不能满足企业库存优化需求了,为了增强企业的竞争力,企业不得不考虑对其他参数的优化,特别是提前期的优化。本文中针对采用(Q,R)库存策略的单类物品库存系统,建立了基于随机需求、随机提前期的最优订货批量模型,模型假设提前期的需求函数是可知的,从而求得使单位时间库存总成本最小的最优订购批量。通过举例说明,该模型能有效解决随机需求、随机提前期的库存管理问题。
参考文献
[1]RONALD H BALLOU.Business logistics management plan-ning,organizing and controlling the supply chain[M].4thed.Prentice-Hall,Englewood,UpperSaddle River,NJ,1998:248-290.
[2]李丽.模糊随机供需环境下的供应链库存管理[M].北京:科学出版社,2011:35-42.
[3]LEEHL TANGCS.Modeling the costs and benefits of de-layed product differentiation[J].Management Science,1997,43:40-53.