从构建可比性标杆的技术上划分，可分为指数分析方法，如采用偏要素生产率和全要素生产率进行对标；计量分析方法，如随机前沿分析和回归分析，构建前沿的或平均的可比性标杆；以及数据包络分析方法，构建前沿的可比性标杆（Jamasb和Pollitt，2001；Coelli，等，2008；Lowry和Getachew，2009；Nepal和Jamasb，2015）。
1.指数分析
指数分析是基于企业偏要素生产率或全要素生产率的对标分析方法。如前所述，偏要素生产率的测度涉及单个生产投入要素的生产率，对数据的要求不高，指数计算方便，结果解释简单。通过比较单个企业与其他企业或行业平均的偏要素生产率，其结果能够表明企业之间存在的成本差异，但无法考虑更多与生产相关的因素，如多种投入要素之间的效应。
全要素生产率测度的是企业总投入-总产出比，反映了总体生产率的变化。该方法适用于在一定时期内，衡量单个企业或某一类企业的生产绩效；尤其是在企业样本有限的情况下，测度企业生产率的增长。全要素生产率的测度在数据、信息方面有较高需求，以一定时期内两家及以上企业样本的生产要素投入、产出、价格等为基础。基于全要素生产率的对标分析是将单个企业的全要素生产率与样本企业平均的全要素生产率进行比较。在实践中，奥地利和德国采用全要素生产率对标的方法评估配电企业总体生产率的变化趋势。
2.计量分析
计量分析方法涉及刻画生产函数或成本函数。以成本函数为例，成本函数体现了企业为实现成本最小化或利润最大化的投入-产出关系。通过对现有的生产条件进行建模，包括要素投入价格、产出数量和企业运营条件等，提供最小化的或具有一般意义的成本函数。基于计量分析技术，有两类构建对标标杆的方法：一是建立企业投入-产出的效率前沿，通常采用随机前沿分析和校正的普通最小二乘估计；二是发现相关企业的平均效率或平均绩效水平，通常采用最小二乘估计。为了更好地构建标杆，在上述估计方法中，逐渐引入了面板数据的估计方法和聚类分析方法（Farsi和Filippini，2004；Filippini，等，2005；Farsi，等，2006；Dai和Kuosmanen，2014）。
基于企业的真实效率，随机前沿分析能够估计效率前沿，形成对企业而言最具效率的标杆。基于“产出最大化”或“成本最小化”的目标，效率前沿可用生产前沿或成本前沿来表示。与传统的计量分析方法（最小二乘估计等）不同，随机前沿分析致力于估计效率前沿，而不是估计代表性企业或社会平均意义（样本平均）的生产函数或成本函数。而且，通过分解生产效率或成本效率，随机前沿分析可以区分企业的配置效率和技术效率。基于随机前沿分析的对标分析已在德国、芬兰和瑞典等国采用。
矫正的普通最小二乘估计用于提供最小化的成本函数形式，将其估计结果用于样本企业和目标企业，得到各个企业在最小化成本函数下进行生产所需的成本（即“标杆成本”）。比较各企业实际发生的成本和“标杆成本”，二者之间的差异表示企业的生产“非效率”，主要为企业管理上的或某些可控的低效率。矫正的普通最小二乘估计假设，企业的生产“非效率”完全由可控的低效率来解释，因此，建模中不存在与“非效率”相分离的随机误差。在实践中，英国基于矫正的普通最小二乘估计对供水企业和配电企业进行运营成本规制。
与矫正的普通最小二乘估计略有不同，最小二乘估计用于提供代表性企业或社会平均意义（样本平均）的成本函数形式，将其估计结果用于样本企业和目标企业，得到各个企业在平均成本函数下进行生产所需要的成本（即“标杆”）。
上述计量分析技术需要对企业的生产函数或成本函数作出明确的设定，并对随机误差项有明确的分布假设。(www.xing528.com)
3.数据包络分析
数据包络分析为非参数技术，通过线性模型模拟，而非估计出效率前沿，采用特定企业与效率前沿之间的“距离”定义（非）效率，该“距离”一般由相对于效率前沿的效率得分来测度。数据包络分析的优点是不需要确定生产函数或成本函数的形式，可以与Mal mquist指数同时使用，衡量特定时点之间企业生产率的变化，并能够计算配置效率和技术效率。此外，数据包络分析作为多输入变量和多输出变量的模拟方法，可以将一些特殊的影响因素，如企业所有权、地理位置、市场环境、政府规制等超过企业自身经营控制范围的影响因素纳入考虑。
但是，由于数据包络分析利用有限的企业样本信息计算效率前沿和效率得分，其结果对输入变量和输出变量较为敏感。一个具体的表现为，相对于效率前沿，具有效率的企业数量往往随着输入变量和输出变量数量的增加而增加。并且，数据包络分析无法对效率测度中的随机误差和随机冲击作出解释。
在实践中，挪威基于数据包络分析制定输配电行业的企业效率标准和收入上限。基于该方法的对标分析也在芬兰、荷兰、德国和奥地利等国家的能源规制中被广泛采用。
4.方法比较
不同标杆构建方法的技术路线有所不同，表8-1显示了各类方法的技术特征，包括技术类型、信息要求和结果处理等方面。从技术类型上划分，指数分析和数据包络分析为非参数方法，计量分析为参数估计方法。从信息要求上看，指数分析中偏要素生产率的测度对数据量的要求最低，采用截面数据进行企业间横向比较，或采用时间序列数据进行单个企业的纵向比较，实现较为容易；而全要素生产率的测度对数据量的要求最高，需要企业生产要素投入和产出的价格和数量等信息，在不同数据结构下，可采用多种方法测度全要素生产率，实现较为复杂。随机前沿分析、回归分析和数据包络分析对数据量的要求中等，可观测样本越多，其结果越有效；这三种方法有特定的技术路线、操作软件（包）可供选择，实现难度不大。
从结果处理上看，随机前沿分析和回归分析将随机误差项视为企业的生产“非效率”，能够从配置效率和技术效率的角度对企业的“非效率”进行分解或解释。在（非）效率的测度上，随机前沿分析、回归分析和数据包络分析通过“距离”或效率得分对企业的（非）效率进行了测度；指数分析方法更多地表明企业之间的成本差异和企业的成本变化。在可比性标杆的构建上，随机前沿分析和数据包络分析提供了效率前沿，全要素生产率和回归分析提供了社会平均意义上的效率水平。从以上比较可以看出，随机前沿分析是最综合、最全面的方法。
表8-1 各类方法的技术特征
资料来源：COELLI T.Benchmarking CAPEX and OPEX in energy net works［R］.Australian Competition and Consumer Commission（ACCC），2012，Working Paper No.6.NEPAL R，JAMASB T.Incentive regulation and utility benchmarking for electricity net work security［J］.Economic Analysis and Policy，2015，48：117-127.
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
