技术效率估计[1]是1957年Farrell首次提出的,目前国内国外研究技术效率的估计主要分为两种方法,一种是非参估计方法:使用DEA（Data Envelopment Analysis,数据包络分析）模型估计技术效率,另一种是参数估计方法SFA(Stochastic Frontier Analysis,随机前沿分析[2])和COLS（Corrected Ordinary Least Squares,修正最小二乘）。DEA是1978年Charnes[3]等人提出的,利用数学规划和相关数据来确定决策单元相对有效的生产前沿。是一种运用线性规划方法构建观测数据的非参数据分段曲面（技术前沿）,以不同决策单元与前沿面的相对距离来计算效率的方法,DEA方法虽然不用事先确定生产函数形式以及不用考虑投入和产出量纲的优点,但是DEA方法测算的技术效率之间的差异时存在不能在统计上判断是否显著的缺点,以及受到离群值和极值的影响较大等缺点,Simar和Wilson[4]在1998年首次提出用DEA和Bootstrap结合的可能性,引进了Bootstrap方法。使其弥补了不能进行统计推断的缺点。本文在第三章主要介绍了DEA与Bootstrap结合的一些统计模型相关理论以及一些渐近性和估计的一致性结论。介绍的DEA-Bootstrsp常用的三种方法分别是:Sub-Sampling、Simar-Wilson、Smooth方法。为了找出哪种方法使用效果好,本文第四章通过蒙特卡洛方法用确定的柯布-道格拉斯生产函数形式模拟生产过程中的投入产出数据,因为我们可以事先去定义一个确定的生产函数形式,根据法雷尔效率定义去计算真实的技术效率水平,我们在这里采用具有很好的经济含义性质的柯布-道格拉斯生产函数,对不同函数形式进行数据仿真模拟,对于参数的选择可以确定规模报酬递增、规模报酬不变、规模报酬递减等情形。对于无效项函数的模拟不同技术影响因素情形。本文考虑了单投入和单产出的情形和多投入和多产出的情形,其中多投入多产出以双投入双产出为例。发现随着投入产出的维数增加,各方法的估计效果有所下降,其中Sub-Sample受维数变化的影响要比其他两种方法大得多。在单产出单投入情形,Sub-Sample和Simar-Wilson方法的估计效果差别不大,且要比Smooth方法好,对于双投入双产出情形,Simar-Wilson和Smooth方法的估计效果差别不大且要明显比Sub-Sampling方法好。在不同的扰动项和不同的规模报酬情形下选用何种方法好在第四章给出了详细的总结,综合评价选出预测效果比较好的是Simar-Wilson方法。在第五章中我们使用Simar-Wilson方法估算42个国家通信行业的技术效率值,并对其中中国通信行业数据进行技术效率分析。2000-2007年中国的通信行业的技术效率值持续增加,2004年至2007年期间中国的通信行业的技术效率值是在十分靠近技术前沿面的,而后2007-2014年技术效率值一直处于下滑的状态。此外本文还对投入冗余和产出不足等问题进行了分析,发现在投入中劳动力冗余是一直存在的,但是不存在资本冗余,在产出不足分析中,2000年至2008年出现过专利产出不足情况,而后时间均没有出现,对于总产值产出,并没有出现过产出不足的现象。