我国城市基础设施建设投融资绩效评价
——基于三阶段DEA模型的实证分析

胡宗义，鲁耀纯，刘春霞

我国城市基础设施建设投融资绩效评价
——基于三阶段DEA模型的实证分析

胡宗义，鲁耀纯，刘春霞

（湖南大学金融与统计学院，湖南长沙410079）

自改革开放以来，我国城市化步伐明显加快，现已进入城市化高速发展的起步阶段。为了进一步推进城市化进程，更多的资金投入到城市基础设施建设中，这就涉及投融资管理与绩效评价问题。文章分别从资金来源结构和资金投向结构两个角度出发，运用三阶段DEA方法对我国2012年城市基础设施建设投融资绩效进行评价，同时对影响投融资效率的因素进行分析。研究结果表明：中西部地区城市基础设施投融资效率主要受规模效率制约，东部地区主要受纯技术效率制约；城市基础设施建设投融资效率受环境因素影响较大；人力资本、经济基础和科技发展水平较高的省份在城市基础设施建设投融资效率方面占有优势。

地方政府；基础设施建设；投融资；DEA；绩效评价

一、引言

城市基础设施是城市经济社会发展和居民生活质量提高的重要物质基础，是地方政府发挥其职能和城市功能实现的重要载体，也是城市各项经济和社会事业得以顺利进行的基本保证，因此，加强城市基础设施建设对于国民经济和社会发展具有十分重要的意义。由于公共基础设施的非营利性等特性，在过去很长一段时间里，城市基础设施的建设都由政府直接投资建设完成，然而，随着城市化进程的加快，需要更多的资金投入到城市基础设施建设中，无论是中央还是地方政府都无力承担数额如此庞大的建设资金，这就需要扩大投融资主体范围，创新投融资模式，使更多的投资主体加入到城市基础设施建设中来。与此同时，地方政府将面临在多个投资主体下如何评价投融资效果这一全新的课题，这与过去单一投资主体下投融资绩效评价相比具有更大的挑战。

早在20世纪七十年代末以前，基础设施建设问题就开始引起学者的关注，基础设施建设投融资问题也从那时起成为理论界与实务界的研究热点。国外这方面的研究可分为两大类。第一类对地方政府城市建设投资效率模型进行研究。早期的研究包括基于Charnes，et al［1］（1978）提出的规模报酬不变的CCR模型（如Pareto［2］，1992），Banker，et al［3］（1984）提出的规模报酬可变的BCC模型（如Pina and Torres［4］，2001），以及Deprins，Simar and Tulkens［5］提出的FDH模型（如Tulkens［6］，1993）。随着模型方法的进一步发展，出现了许多基于新模型方法的研究成果，Cooper，et al［7］（2000）提出的视窗模型（如Itoh［8］，2002）、Athanassopoulos［9］（1995）提出的目标规划模型（Sheth，et al［10］，2007）、Si⁃mar and Wilson［11］（1998）提出的bootstrap模型（如Boame［12］，2004）以及改进的DEA模型（如Barros and Peypoch［13］，2009）。第二类通过不同的方法对本国地方政府城市基础设施建设投资效率以及影响因素进行实证分析。这方面的文献研究成果十分丰富（Gupta and Verhoeven［14］，2001；Revelli and Tovmo［15］，2007；Rogge and Jaeger［16］，2012），几乎每个国家都有关于这方面的研究。国内学者对基础设施建设投融资效率的重视很大程度上受美国哥伦比亚大学经济学教授埃德蒙德·菲尔普斯（Edmund S Phelps）在“中国人文社会科学论坛”上的演讲的影响，他认为我国面临着长期的过失投资，指出投资决策中低效率问题亟待解决。李嘉荣、王钟（2005）在分析我国西部城市基础设施投资效率时援引埃德蒙德·菲尔普斯的看法指出，我国每年固定资产流失达数千亿之多，如果我国投融资效率不能有效提高，基础设施建设的资金缺口将会越来越大［17］。目前我国关于这方面的成果从研究范围上可分为两类，一类是对我国某个地区或某些地区基础设施建设投资效率进行研究。代表性的研究成果有孙慧、王媛（2008）基于Malmquist指数对河北省11个地级市城市基础设施投资效率进行研究，分析各地级市“八五”至“十五”期间效率的变化［18］。另一类是对全国基础设施建设投资效率进行评价。伍文中（2011）将地方政府行政效率“嫁接”到城市基础设施建设投资效率上来，运用DEA模型对2001-2008年我国各省的城市基础设施建设投资效率进行研究，再在此基础上，研究城市基础设施建设投资效率对国内生产总值、外商直接投资以及城市化水平的影响［19］。曾国安、尹燕飞（2012）在引入基础设施建设对环境的污染为“坏”产出的情况下，运用二阶段的SBM模型和CCR模型对我国2010年30个省、直辖市和自治区的基础设施效率水平。结果表明考虑和不考虑“坏”产出的两种情况下，东部基础设施投资效率最高，中部其次，西部最低［20］。

上述研究成果不仅吸引了更多的学者对城市基础设施建设投融资管理绩效评价的研究，而且极大地促进了我国城市基础设施建设投融资管理绩效评价理论的发展。但是上述文献也存在几点不足：第一，实证研究所使用的投融资数据不能准确反映基础设施建设投融资状况。部分文献中投融资数据来源于《中国固定资产投资统计年鉴》，还有部分文献中投融资数据来源于《中国城市统计年鉴》，在这些年鉴中没有单列城市基础设施建设投资的统计值，无法准确反映基础设施建设投融资状况。本文有关城市基础设施建设投融资的相关数据来源于《中国城乡建设统计年鉴2012》，在该年鉴中单列出了城市市政公共基础设施固定资产投资统计值。第二，研究范围较狭窄。多数文献仅对一个城市或者几个城市投融资效率进行实证研究，目前尚无对全国范围的城市基础设施建设投融资绩效评价进行实证研究的研究成果，本文拟对我国30个省、直辖市、自治区的城市基础设施建设投融资绩效评价进行实证研究。第三，研究方法具有局限性。所采用的方法多局限于层次分析法、平衡记分卡法和经济附加值（EVA）等方法，这些方法具有一定的局限性。我国城市基础设施建设投融资问题是一个多目标规划问题，可以考虑用数据包络分析分阶段进行研究，本文运用三阶段DEA方法更可以用于分析影响我国城市基础设施建设投融资效率的因素进行分析。

二、模型方法、指标的选取与数据来源

（一）模型方法

Charnes，et al于1978年提出DEA模型中，将影响效率的因素分为管理效率、环境特征和运气好坏等误差因素，在该模型中将投入、产出和环境变量全部纳入一个方程中考虑，这无法解释误差因素对效率的作用［20］。Fare和Gross⁃kopf（2000）提出网络DEA模型，两阶段DEA模型是它的一个特例，两阶段DEA模型与一阶段DEA模型相比有了很大的改进，在第一步的基础上利用环境变量值估计出环境变量对生产者效率的影响，但是也存在不足，它无法解释误差变量的效应［21］。

Fried，et al（2002）克服以上不足，提出三阶段DEA模型，该模型在第一阶段构建传统DEA模型，在第二阶段构建相似SFA模型，最后一阶段是构建调整后的DEA模型，该模型在对效率进行评价时不仅消除了环境因素和误差变量的影响，还可以对影响效率的因素进行探索性分析［22］。

第一阶段：基于原始投入产出数据的传统的DEA分析。本文采用投入导向型的规模报酬可变的DEA模型进行第一阶段的分析，假设有I个决策单元，每个决策单元有N个输入和M个输出，用Xi(i=1,2,…,N)表示输入变量，Yi(i=1,2,…,M)表示输出变量，投入导向下对偶形式的BCC模型可以表示成如下线性规划形式：

其中，θ表示决策单元的有效值；s+、s-分别表示产出松弛变量的值和投入松弛变量的值；ε表示非阿基米德无穷小。

由（1）可求得综合技术效率、纯技术效率和规模效率，综合技术效率指输入一定的条件下实现最大的输出或者输出一定的条件下实现输入最小，纯技术效率是指受管理和技术等因素影响的效率，规模效率是指受规模影响的效率，它们的值都介于0到1之间，0表示缺乏效率，1表示具有效率，三者之间具有如下关系：

综合技术效率=纯技术效率×规模效率

第二阶段：应用SFA模型考察环境变量对决策单元的影响并得到调整的投入量。由于第一阶段DEA模型为确定性模型，无法解释误差因素的影响，在该阶段将对投入松弛变量进行回归分析，分离出管理无效、环境无效和运气好坏等误差因素的影响，根据SFA回归结果调整投入量。根据Fried，et al.（2002）提出的调整方法［22］，对I个决策单元的M个投入松弛变量分别进行SFA回归分析，SFA回归模型表示如下：

sij=f(zj,βj)+vij+uij(i=1,2,…,M,j=1,2,…,I)（2）

此处sij表示投入松弛变量，即目标投入量与实际投入量之差；zj=(z1j,z2j,…zkj)，其中，zkj表示第j个决策单元的第k个可观察的外生环境变量；，其中，表示第j个决策单元的第k个待估参数；f(zj,βj)=zjβj；vij表示第j个决策单元在投入第i个输入时所产生的随机误差，假设服从；uij表示第j个决策单元在投入第i个输入时所产生的管理无效率的随机变量，且uij≥0，假定服从截断性正态分布。

根据Battese和coelli（1995）的方法［23］，用Frontier4.1中最大似然法求出等未知参数，再采用Jondrow， et al（1982）提出的JLMS技术［24］，求出，再根据

求出E^[vij|vij+uij]。

其中，xij表示调整前的第j个决策单元的第i个投入量；表示调整后的第j个决策单元的第i个投入量。式（4）右边第一个括号调整的是环境，表示所有决策单元中投入松弛最大的决策单元，即最无效的决策单元，该调整就是给环境有利的决策单元加上较多的投入值，环境不利的决策单元加上较少的投入量，这样可使所有的决策单元处于相同的环境中。式（4）右边第二个括号调整的是随机误差项，使所有决策单元加上较少的投入量，表示所有决策单元中投入松弛最大的决策单元，即最无效的决策单元，该调整就是使运气好的决策单元加上较多的投入值，运气较差的决策单元加上较少的投入量，使所有决策单元面临相同的运气。

第三阶段：利用调整后的投入量和产出量进行传统DEA分析，将第二阶段得到的各决策单元的各调整后的投入变量带入到DEA模型中，得到剔除环境因素和运气好坏等误差因素影响后的效率值。

（二）指标选取与数据来源

1.输入指标和输出指标的选取

在运用DEA模型进行绩效评价的过程中，绩效评价指标体系发挥着十分重要的作用，是评价分析的前提和基础，直接关系到评价结果的准确性。根据可比性、代表性、可行性、独立性等基本原则，借鉴前人的研究成果，从资金来源和资金投向两个角度出发，选取输入指标、输出指标以及环境指标。从资金来源的结构角度考虑，输入指标包括基础设施建设资金中来源于中央或地方政府直接拨款的资金与各省人口的比值（GOV）、基础设施建设资金中来源于国内贷款的资金与各省人口的比值（LOAN）、基础设施建设资金中利用外资（FOR）与各省人口的比值进行衡量。从资金投向结构角度考虑，按照世界银行对基础设施系统的分类方法，输入指标选择用于六大基础设施子系统建设的资金与各省人口的比值来衡量。这六大子系统分别是水资源和供排水系统、能源动力系统、城市道路交通设施系统、邮电通讯系统、生态环境系统和防灾系统，由于邮电通讯系统数据的无法获得，这里不包括在内，用于另外五大系统建设的资金分别记为WATER、ENER、ROAD、ECOL、DISA。由于这几大基础设施系统属于工程性城市基础设施的范畴，主要是带来经济效益，因此这里仅考虑经济效益不考虑社会效益。输出指标选取各省城市居民人均收入和各省消除物价影响的人均GDP。

2.影响因素指标的选取

在进行SFA建模时，需要结合城市基础设施建设投融资的自身特点，综合考虑样本主观可控范围外的其他环境因素对投融资效率的影响因素。文中选取反映地方经济和社会环境的因素作为环境因素。包括经济基础（ECO）、对外开放程度（OPEN）、人力资本（PEO）科技发展水平（TEC），分别用各地区财政收入总额与各省人口的比值、外商直接投资额与各省人口的比值和万人中大专及以上学历人口数、万人中拥有三种专利数来表示。

3.数据来源及说明

文中所使用的有关城市基础设施建设投融资的数据主要来源于《中国城乡建设统计年鉴2012》，它包括了我国2012年31个省、自治区、直辖市的城市建设投融资数据，由于西藏的数据不全，因此未将其考虑在内。其他数据主要来自《中国统计年鉴2013》，它几乎包含了文中用到的我国2012年的其他数据。文中采用世界银行对基础设施的分类标准将基础设施分为六大类。

三、实证研究与结果分析

（一）基于资金来源结构角度的融资效率分析

在第一阶段，从资金来源结构角度出发，运用DEAP2.1软件对我国2012年城市基础设施建设投融资效率进行分析，结果如表1所示。我国2012年城市基础设施建设融资综合技术效率平均得分为0.366，纯技术效率平均得分为0.549，规模效率平均得分为0.502，综合技术效率为1的有上海、江苏、浙江、广东四个省市，占比为13.33%，说明这四个省市是处于技术效率前沿，其他省份则至少存在纯技术无效和规模无效中的一种情况。从规模报酬角度来看，上海、江苏、浙江、广东的规模报酬不变，规模报酬递减的有北京、天津、山东和甘肃，除上述两种类型的其他省份的规模报酬递增。分东、中、西三个区域来看，东部地区平均综合技术效率为0.590，平均纯技术效率为0.784，平均规模效率为0.634，中部地区平均综合技术效率为0.336，平均纯技术效率为0.528，平均规模效率为0.566，西部地区平均综合技术效率为0.163，平均纯技术效率0.323，平均规模效率为0.319。比较三个地区的效率值可以看出，西部地区的效率值低于东部和中部地区，东部地区与中部地区相比纯技术效率更高。

表1 第一阶段和第三阶段我国各省份投入产出效率值

在第二阶段，运用软件Frontiers4.1以第一阶段得到的决策单元的各投入变量的松弛变量作为因变量，以环境变量作为自变量进行SFA回归分析，由于投入变量松弛变量有三个，需要进行三次SFA回归分析，回归分析结果汇总如表2所示。

表2 第二阶段SFA回归结果

从表2可知，以地方财政收入与各省人口的比值衡量的经济基础在三个模型中都通过了显著性检验且系数均为负值，说明经济基础与各投入冗余变量之间存在反向关系，经济基础好的省份在城市基础设施建设融资效率占有优势，可以以更少的投入取得更多的产出；以各省大专及以上人口衡量的人力资本因素在三个模型中也通过了显著性检验，系数均为负值，说明人力资本与投入冗余也存在反向关系，人力资源水平越高的省份可以用更少的投入取得更高的效率；以外商直接投资额衡量的对外开放程度在三个模型中通过了显著性检验且系数均为正值，这说明对外开放程度较高的省份，在城市基础设施建设融资效率并不一定占有优势。

在第三阶段，根据对资金投入的调整值，按照第一阶段的方法用DEAP2.1进行效率测算，为方便比较将结果也放入表1中。由表1的数据可以看出调整前后效率的变化较大，东部地区平均综合技术效率上升到0.892，平均纯技术效率为1，平均规模效率为0.892，中部地区平均综合技术效率上升到0.626，平均纯技术效率为1，平均规模效率为0.626，西部地区平均综合技术效率为0.628，平均纯技术效率为1，平均规模效率为0.628。与调整之前相比，东部地区和中部地区的差距拉开，调整后中部地区规模效率明显低于东部地区，西部地区规模效率与中部地区规模效率相差不大。从全国范围角度考虑，平均综合技术效率上升到0.724，平均纯技术效率达到1，平均规模效率上升到0.724。因此在剔除环境和运气等误差因素的影响后，纯技术效率已经达到了较高的水平，尽管规模效率也有所上升，但是可以说明制约我国城市基础设施建设融资效率的因素为规模因素，以平均纯技术效率为界将我国各省份分为高于和低于全国平均值两类，高于全国平均值的有北京、天津、内蒙古、辽宁、上海、江苏、浙江、福建、河南和广东，其余的省份低于全国平均值，高于全国平均值的省份大多属于东部地区，低于全国平均值的省份大多属于中西部地区。从各省的综合技术效率来看，黑龙江、湖北、甘肃的技术效率分别由0.878、0.289、0.814下降为0.579、0.068、0.53，上海、江苏、浙江、广东的技术效率保持不变，其他省份的技术效率都有不同幅度的提高，说明这些省份城市基础设施建设融资效率都在不同程度上受环境和运气好坏等误差因素的影响。

（二）基于资金投向结构角度的投资效率分析

从资金投向结构角度考虑，按照前面的方法进行分析。第一阶段用DEAP2.1对效率进行测算得到结果如表3所示。我国城市基础设施建设投资平均综合技术效率为0.504，平均纯技术效率为0.603，平均规模效率为0.829，平均综合技术效率为1的省市有天津、上海、广东、河南、海南，规模报酬递减的省市有内蒙古、辽宁、江苏、浙江、山东，规模报酬保持不变的省份有天津、广东、河南、海南，其他省份规模报酬递增。分东、中、西三个区域来看，东部地区平均综合技术效率为0.702，平均纯技术效率为0.782，平均规模效率为0.903，中部地区平均综合技术效率为0.491，平均纯技术效率为0.603，平均规模效率为0.777，西部地区平均综合技术效率为0.309，平均纯技术效率为0.416，平均规模效率为0.794。将三个地区的效率值进行比较，发现东部地区综合技术效率明显高于中西部地区，西部地区又低于中部地区。

表3 第一阶段和第三阶段我国各省份投入产出效率值

在第二阶段，运用软件Frontiers4.1，以第一阶段得到的决策单元的各投入变量的松弛变量作为因变量，以环境变量作为自变量进行SFA回归分析，由于投入变量松弛变量有五个，需要进行五次SFA回归分析，回归分析结果汇总如表4所示。

表4 第二阶段SFA回归结果

由表4的回归结果，人力资本因素和科技发展水平的系数在五个模型中均为负且都通过了显著性检验，可知，人力资本因素和科技发展水平与投入冗余变量之间存在反向关系，在保持其他环境因素不变的情况下，人力资本水平和科技发展水平越高的地区城市基础设施建设投资效率也更高。对外开放和经济基础两个因素在五个模型中的系数均为正，且都通过了显著性检验，表明对外开放和经济基础较好的省份在城市基础设施建设投资效率方面并不占有优势。

第三阶段，根据各项资金投入的调整值，再次运用DEAP2.1进行效率测算，结果如表3所示。调整前后效率值发生了显著的变化，东部地区平均综合技术效率上升到了0.933，平均纯技术效率上升到了0.933，平均规模效率为1，中部地区平均综合技术效率上升到0.914，平均纯技术效率为0.914，平均规模效率为1，西部地区平均综合技术效率为0.934，平均纯技术效率为0.934，平均规模效率为1。与调整前相比，西部地区效率值变化更加显著，说明西部地区受环境因素的影响更大，当处在相同的经济社会环境下，西部地区城市基础设施建设投资效率更比东中部地区更高。从全国范围的角度进行考虑，平均综合技术效率为0.928，平均纯技术效率为0.928，平均规模效率为1。调整后规模效率已经达到了较高水平，制约城市基础设施建设投资效率的因素为纯技术效率，按高于全国平均纯技术效率和低于全国纯技术效率划分，高于全国平均纯技术效率的省市有北京、天津、辽宁、吉林、黑龙江、上海、江苏、山东、河南、湖北、广东、贵州、云南、甘肃、宁夏和新疆，其余省市低于全国平均值。从各省综合技术效率来看，海南省综合技术效率由1下降到0.897，天津、上海、广东、河南和海南的综合技术效率保持不变，其他省份的综合技术效率都存在不同程度的提高。

四、结论与政策建议

本文从资金来源结构和资金投向结构两个角度出发，运用三阶段DEA方法对我国2012年城市基础设施建设投融资绩效进行评价，研究发现：①从资金来源结构分析融资效率，剔除环境因素和误差因素影响后制约我国城市基础设施建设融资效率主要为规模效率。②从资金来源结构分析，城市基础设施建设融资效率受环境因素影响较大，人力资本、经济基础和科技发展水平与各投入冗余变量呈反向关系。③东部地区的规模效率普遍高于全国平均值，中西部地区规模效率普遍低于全国平均值。④从资金投向结构分析投资效率，剔除环境因素和误差因素影响后制约我国城市基础设施建设投资效率主要为纯技术效率。⑤从资金投向结构分析，城市基础设施建设投资效率受环境因素较大，西部地区受环境影响更大，调整前后纯技术效率和规模效率都发生了较大的变化，人力资本和科技发展水平与各投入冗余变量呈反向关系，对外开放和经济基础与各投入冗余变量呈正向关系。

为了提高我国城市基础设施建设投融资效率，提出以下建议：①扩大中西部地区城市基础设施建设规模，并完善资本市场。由于规模因素是制约中西部地区城市基础设施建设融资的主要因素，与东部地区相比中西部地区城市基础设施建设规模相对较小，更多的投资者将资金投入到东部地区，这主要是由于中西部地区需求的资金相对较少，对于金融机构吸引力相对较小，并且资本市场还不够完善，融资渠道相对狭窄，因此，中西部地区要提高融资效率就要先扩大中西部地区城市基础设施建设规模，并不断完善资本市场，拓宽西部地区城市基础设施建设融资渠道。②提高东部地区城市基础设施建设技术效率，加强城市基础设施维护。东部地区城市基础设施建设规模较大，与中西部地区相比获得了较多的资金，但是建设资金利用缺乏效率，这主要是由于东部地区城市基础设施重复建设严重，且对已经建成的基础设施维护不足，这严重地制约着东部地区城市基础设施建设投资效率，因此东部地区要减少重复建设，加强城市基础设施维护管理，提高东部地区城市基础设施建设技术效率。③提供良好的环境吸引更多的优秀人才，提高地区人力资本水平，优质的人力资本水平为地区营造了良好的投融资环境，这有助于提高城市基础设施建设投融资效率。④鼓励科技创新，不断提高城市科学技术发展水平，吸引更多投资者的同时也有利于城市基础设施建设效率的提高。

［1］Charnes A，Cooper W W，Rhodes E.Measuring the Efficiency of Decision Making Units［J］.European Journal of Operation⁃al Research，1978，3（4）：429-444.

［2］Pareto V E.A Model to Assess Urban Conditions and Dimen⁃sion Development Projects［J］.Habitat International，1992，16（4）：99-117.

［3］Banker R D，Charnes A，Cooper W W.Some models for esti⁃mating technical and scale inefficiencies in data envelopment analysis［J］.Management Science，1984，30（9）：1078-1092.

［4］Pina V，Torres L.Analysis of the efficiency of local govern⁃ment services delivery：An application to urban public trans⁃port［J］.Transportation Research，2001，35（10）：929-944.

［5］Deprins D，Simar L，Tulkens H.Measuring Labor Efficiency in Post Offices［M］.New York：Springer US，2006.

［6］Tulkens H.On FDH efficiency analysis：Some methodological issues and application to retail banking，counts，and urban tran⁃sit［J］.Journal of Productivity Analysis，1993（4）：183-210.

［7］Cooper W W，Seiford L M，Tone K.Data Envelopment Analy⁃sis：A Comprehensive Text with Models，Applications，Refer⁃ences and DEA-Solver Software［M］.New York：SpringerUS，2000.

［8］Itoh H.Efficiency changes at major container ports in Japan：A window application of data envelopment analysis［J］.Ap⁃plied Regional Science Conference，2002，14（2）：133-152.

［9］Athanassopoulos A.Goal programming and data envelopment analysis for target-based multi-level planning：allocating cen⁃tral grants to the Greek local authorities［J］.European Journal of Operational Research，1995，87（3）：535-550.

［10］Sheth C，Triantis K，Teodorovic D.Performance evaluation of bus routes：A provider and passenger perspective［J］.Trans⁃portation Research，2007，43（4）：453-478.

［11］Simar L，Wilson P W.Sensitivity analysis of efficiency scores：How to bootstrap in nonparametric frontier models［J］.Management Science，1998，44（1）：49-61.

［12］Boame A K.The technical efficiency of Canadian urban tran⁃sit systems［J］.Transportation Research，2004，40（5）：401-416.

［13］Barros C P，Peypoch N.An evaluation of European airlines’operational performance［J］.International Journal of Produc⁃tion Economics，2009，122（2）：525-533.

［14］Gupta S，Verhoeven M.The efficiency of government expen⁃diture Experiences from Africa［J］.Journal of Policy Model⁃ing，2001，23（4）：433-467.

［15］Revelli F，Tovmo P.Revealed yardstick competition：Local government efficiency patterns in Norway［J］.Journal of Ur⁃ban Economics，2007，62（1）：121-134.

［16］Rogge N，Jaeger S D.Evaluating the efficiency of municipali⁃ties in collecting and processing municipal solid waste：A shared input DEA-model［J］.Waste Management，2012，32（10）：1968-1978.

［17］李嘉荣，王钟.西部城市化与基础设施投融资效率分析［J］.探索，2005（6）：144-148．

［18］孙慧，王媛.基于DEA的Malmquist指数在城市基础设施投资效率评价中的应用［J］.科技进步与对策，2008（10）：97-99．

［19］伍文中.基础设施投资效率及其经济效应分析——基于DEA分析［J］.经济问题，2011（1）：41-45．

［20］曾国安，尹燕飞.中国城镇基础设施建设和利用效率的测度与评价［J］.中南财经政法大学学报，2012，194（5）：3-8.

［21］Fare R，Grosskopf S.Network DEA［M］.New York：Spring⁃er US，2000.

［22］Fried，Lovell，Schmidt，et al.Accounting for Environmental Effects and Statistical Noise in Data Envelopment Analysis［J］.Journal of Productivity Analysis，2002，17（2）：121-136.

［23］Battese G E，Coelli T J.A Model for Technical Inefficiency Effects in a Stochastic Frontier Production Function for Pan⁃el Data［J］.Empirical Economics，1995，20（2）：325-332.

［24］Jondrow，James C A，Knox Lovell，et al.On the Estimation of Technical Efficiency in the Stochastic Production Function Model［J］.Journal of Econometrics，1982，19（3）：233-238.

［责任编辑：张兵］

The Performance Evaluation on Investment and Financing of Construction of China’s Urban Infrastructure——An Empirical Analysis Based on the Three-stage DEA Model

HU Zong-yi,LU Yao-chun,LIU Chun-xia
(College of Finance and Statistics,Hunan University,Changsha 410079,China)

Since the reform and opening up to the outside world,the step of urbanization speeds up significantly.Now it has en⁃tered the early stage of urbanization high-speed development.In order to further advance the process of urbanization,we should inject more capital into the construction of urban infrastructure and consider the matter of the investment and financing’s man⁃agement and evaluation.This paper chooses two elements of capital source structure and fund input structure respectively,apply⁃ing the three-stage DEA model to evaluate the performance of the construction of China’s urban infrastructure investment and financing in 2012，and analyses factors affecting the efficiency of investment and financing.The results show the followings: the Midwest urban infrastructure investment and financing efficiency is mainly restricted by the scale efficiency,the east area is mainly restricted by the pure technical efficiency；the influence of environmental factor to the construction of urban infra⁃structure investment and financing efficiency is larger than others；the provinces which have high level of human capital,eco⁃nomic and technological development take the advantage in the urban infrastructure investment and financing efficiency.

local government；infrastructure construction；investment and financing；DEA；performance evaluation

F832.48；F294

A

1007-5097（2014）01-0085-07

10.3969/j.issn.1007-5097.2014.01.018

2013-02-15

国家社科基金重点项目（12AJL007）；湖南省自科基金项目（S2011J50431510）；教育部“新世纪优秀人才支持计划”项目（NCET-09-0329）

胡宗义（1964-），男，湖南宁乡人，教授，博士生导师，研究方向：计量经济模型；

鲁耀纯（1980-），男，湖南永州人，博士研究生，研究方向：数理金融与计量金融；

刘春霞（1989-），女，重庆人，硕士研究生，研究方向：计量经济模型。