SFA与DEA的共同点

SFA与DEA都是前沿度量方法，它们的共同基础是距离函数。SFA与DEA都是在通过构造生产前沿的基础上度量技术效率。它们度量出的技术小效率是相对效率，其效率值在样本内部具有很强的可比性，但在不同样本间计算出的效率值可比性不强。

SFA与DEA的不同点

（1）SFA与DEA模型基本假设和模型扩展的复杂程度不同。

SFA的模型基本假设较为复杂，需要考虑生产函数、技术无效率项分布的具体形式，这直接导致模型很难做进一步扩展。因为合成误差项ε的密度函数形式复杂，相应的似然函数更加复杂，这给参数估计带来很多计算上的困难，因此很难进一步分析异方差等情况或对做进一步模型扩展。而DEA的主要优点是不需要考虑生产前沿的具体形式，仅需要投入产出数据，模型容易做其他形式的扩展，目前已有数十种DEA模型。此外，由于SFA的模型假设较为复杂，因此对投入产出的数据要求更高，若投入产出数据不符合模型基本假设，则易出现上文分析的的偏度问题而最终导致计算失败。

（2）SFA与DEA对实际产出的解释和处理方法不同。

SFA最主要的优点是考虑了随机因素对于产出的影响，它实质上将实际产出分为生产函数、随机因素和技术无效率三部分。而DEA的最大缺点是把实际产出小于前沿产出的原因全部归结于技术效率原因，忽略了随机因素对于产出的影响，它实质上将实际产出分为生产前沿和技术无效率两部分。但DEA的一个优点是能直接处理多产出情况，而SFA处理多产出则较为复杂，需要将多产出合并成一个综合产出或者利用距离函数解决。

（3）SFA与DEA构造生产前沿的方法不同。

SFA的基本思想是利用生产函数和随机扰动项构造出随机生产前沿，而DEA是根据个决策单元的投入产出数据，选出一个或几个决策单元作为技术有效点，进而构造出生产前沿。对于面板数据，SFA是根据所有周期的数据仅构造出一个统一的生产前沿，而DEA是每个周期各构造一个生产前沿。SFA是通过极大似然法估计出各个参数值，然后用技术无效率项的条件期望作为技术效率值，其结果一般不会有效率值为1的决策单元，而DEA是通过线性规划计算出效率值，其结果至少有一个效率值为1的决策单元。SFA可对结果做相应的统计检验或者求相应的置信区间，而DEA则不可。此外，若样本容量很大，这些样本可能会因不满足线性规划的一些基本假设而最终导致DEA的计算失败，而SFA中使用的极大似然估计法估计出的参数具有大样本的相合性，因此，SFA更适合大样本计算。

（4）SFA与DEA计算结果的稳定性不同。

从方法论上考虑，SFA是用极大似然估计法来估计出各个参数后进而用条件期望最终计算出各个决策单元的技术效率，该方法充分利用了每个样本的信息并且是“同等”对待每个样本。因此SFA的计算结果较为稳定，不易受异常点的影响。对于面板数据，由于SFA是仅构造出一个前沿面，而在模型中又有上文(2)式的假定，因此即使某一周期数据整体都有异常对全部结果的影响也不是很大。而DEA计算结果的稳定性较差，容易受异常点的影响。由于DEA是主要通过技术有效的样本来构造前沿，因此这些样本的信息就最终决定了前沿面的形状，进而很大程度上决定了整体的计算结果。若这些样本存在异常点，通常对结果有较大的影响。

（5）SFA与DEA可获得的相关经济信息不同。

就本文所总结的模型而言，除了能够计算技术效率外，SFA还可通过参数值求出投入的产出弹性和规模报酬情况。而在DEA的BCC模型中，可求出规模效率和规模报酬情况。

（6）SFA与DEA分析影响效率因素的方法不同。

通常在计算出技术效率后会进一步分析影响效率的因素。对于SFA，只需将技术无效率项表示成影响因素的线性形式后在原有模型中即可完成对影响因素各个参数的估计。对于DEA，通常需要分为两阶段。第一阶段是计算其技术效率，第

二阶段是以技术效率为因变量以影响因素为自变量通过二元离散选择模型进行分析。因此，在分析影响效率因素上，SFA更为方便。由以上比较可知SFA与DEA之间在诸多方面具有优缺点互补的特点。对于同一问题，当用SFA和DEA分别度量时，其结果会有差异。国内外学者普遍用等级相关系数作为判断这种差异是否可接受的主要依据。如果差异比较大，并且不好判断哪种方法更好时，此时可将两种方法或两种方法的度量结果综合起来，可采用国外学者提出的随机非参数方法或我国学者提出的组合综合评价方法。