基于三階段DEA長江經濟帶各省物流績效評價研究

鐘 巍，彭詠梅

(1.江西理工大學 商學院；2.江西開放大學，江西 南昌 330000)

長江經濟帶由于其橫跨中國的地理位置以及高占比人口和生產總值，在我國社會經濟發展中有著舉足輕重的地位，而高效的物流業是推動長江經濟帶協調發展的基礎性和先導向產業。物流績效是衡量物流業發展水平的一項重要指標，科學地評價物流績效對于國家、企業掌握物流業發展狀況以及提升物流業的發展水平意義重大。在此背景下，筆者以長江經濟帶各省(市)物流業為研究對象，選取投入和產出指標，采用三階段DEA方法對長江經濟帶各省(市)物流績效進行測算。

國內外學者一般從國家、行業和企業等角度對物流績效進行評價。外國學者大多基于世界銀行發布的國家物流績效指數從國家或者地區的角度進行物流績效研究。Ruslan Beysenbaev認為世界銀行當前發布的物流績效指數是基于全球物流專家的調查的主觀看法，在評級上可能存在偏差，因此基于國際統計數據提出了一個修改后的指數，該指數定性和定量地代表了159個國家的物流系統和子系統的客觀視圖，可用做政府的基準工具[1]。Azmat Gani利用回歸模型分析了60個國家的國際貿易與物流績效指數，得出物流績效與進出口在統計上呈現正相關[2]。Isotilia Costa Melo結合DEA評價法,以巴西大豆運輸為背景，構建物流績效評價指標[3]，Kamran Rashidi利用DEA方法來評估各國物流績效的可持續性[4]，Jafar Rezaei認為世界銀行發布的物流績效指數每個指標同等重要的設置在復雜系統中并不合理，采用最佳最差方法給每個指標設定權重，得出基礎設施權重為0.24，是決定物流績效的關鍵指標[5]。

國內學者的研究集中在“一帶一路”沿線國家物流績效，采用DEA-Malmquist指數方法對“一帶一路”沿線國家物流全要素生產率進行動態評價[6]。梁燁[7]、朱世艷[8]運用引力模型，分析了“一帶一路”沿線國家物流績效對中國貿易潛力和出口貿易的影響。一部分學者則是從省份或者城市的層面研究物流績效，黃慶華構建了物流績效評價指標體系，利用DEA法對我國“一帶一路”重點建設省(市)的物流績效進行測算[9]；孟魁運用三階段DEA法測算中部六省的物流績效[10]。一部分學者的研究聚焦于企業物流績效評價，姜旭結合日本經驗和國資委發布的《2019年企業績效評價標準值》，建立適應我國物流企業績效評價的指標體系[11]。

1 研究方法與數據來源

1.1 研究方法

測算效率的方法一般包括參數法和非參數法，兩者各有優點，但在運用中學者發現非參數法相對更加有效，非參數法更廣泛地被用于物流效率的測算，非參數法中的DEA方法由于具有非參數性和支持多變量輸入和輸出的特性而被廣泛使用[12]。數據包絡分析(DEA)是根據多指標投入和多指標產出對相同類型的單位進行相對有效性或者效益評價的系統分析方法。輸入導向型和輸出導向型是DEA的兩種不同評價角度。輸入導向型指的是在產出不變的情況下，通過調整投入，從而節約投入，提高投入的效率即BBC模型；輸出導向型指的是投入不變，對產出進行調整，保證產出最大化即CCR模型。Fried等(2002)認為受管理無效率、環境和隨機擾動影響，決策單元并不是同類型的決策單元，傳統DEA得出的結果可能會出現偏差，剔除這些因素后，實證結果更具備比較價值，更貼近真實水平，因此提出三階段DEA法[13]。

1.1.1 第一階段:基于原始數據的傳統DEA分析。利用DEAP 2.1軟件，測算各省的物流業效率值，選用投入導向BBC模型，n、m、s表示決策單元，投入變量和產出變量個數，Yk為第k個決策單元的技術效率，yrk為第k個決策單元的第r項產出，xik為第k個決策單元的第i項投入，λi和θi分別為第r項產出和第i項投入的權重，uk為第k個決策單元的規模報酬指標。投入導向的BCC-DEA模型公式為：

(1)

1.1.2 第二階段:采用SFA法剔除環境效應與隨機干擾的影響。

①基于隨機前沿成本函數，以環境變量為解釋變量，以松弛變量為被解釋變量，構造如下回歸模型:

sik=f(zk;βi)+vik+μik；

i=1,2,…,m;k=1,2,…,n

(2)

其中：Sik是第k個決策單元第i項投入的松弛值;zk=(z1k，z2k，…，zpk)是環境變量;參數向量βi為待估計的未知參數;f(zk;βi)表示環境變量對投入冗余Sik的影響;vik+μik是組合誤差項，一般假設：

②經過SFA回歸后，根據回歸結果對其他物流要素投入量進行調整，以效率最高的決策單元投入量為調整基準，表達式如下:

(3)

(4)

1.1.3 第三階段:基于調整后投入產出變量的DEA分析。將原始的投入數據替換為調整后的投入數據，產出變量不變，再次測算各決策單元的效率，得到剔除了環境因素與隨機干擾影響的實際效率值。

1.2 數據來源

本文以長江經濟帶的11個省份和直轄市2019年交通運輸、倉儲和郵政業的投入和產出指標為研究對象，相關數據從各省的2020年統計年鑒和2020年中國能源統計年鑒以及中國交通運輸部官方網站收集并整理獲得。

2 長江經濟帶地區物流效率指標選取與效率測算

2.1 物流績效指標選取

三階段DEA是通過SFA法剔除環境及隨機因素的影響，然后衡量每個決策單元的效率的系統分析方法，本文是對長江經濟帶各省份和直轄市的物流業績效進行評價，指標選取包括每個省和直轄市的物流業的投入指標、產出指標以及環境指標。

物流業的投入指標一般從資金、人員和能源消耗3個方面考慮，資金的投入是衡量物流業發展狀況的重要指標。物流業重資產的特點決定了物流業需要大量的資金投入，資金投入是衡量物流業總體投入的一個重要指標。物流業屬于勞動密集產業，從業人員的素質和數量則決定了一個行業發展的潛力和可持續性，以從業人員數量作為一個投入指標，燃油的消耗是物流業日常運營不可或缺的投入，反應物流行業日常運營的情況重要的指標，以綜合能源消耗量作為物流業投入的一個指標。物流業的產出主要包括行業生產總值、行業增加值、貨運量以及貨運周轉量等。

環境影響指標主要是對物流業的績效有影響，但是通常在樣本主體控制范圍以外的因素，物流業發展受到當地的經濟狀況影響，地區的生產總值則是地區經濟發展狀況的直接反映，選取區域生產總值作為環境影響因素的一個指標。隨著智能化的不斷推進，物流業的發展與效率的提升越來越依科技和新型裝備的發展，科技的發展情況是影響物流效率的一個重要的環境因素，選取R&D內部經費支出衡量當地科技發展情況，作為評價物流業績效的一個環境指標。在充分考慮數據可獲得性的情況下，綜上得到長江經濟帶各省(市)物流績效評價指標，如表1所示。

表1 物流績效評價指標

2.2 物流績效測算

基于DEA投入導向的規模報酬可變的BCC模型，運用DEAP 2.1軟件對長江經濟帶各省(市)的物流績效進行測算，得到長江經濟帶中各省(市)的物流績效，見表2。上海、安徽和湖南三省(市)達到了DEA有效，說明這3個省(市)的物流業績效較高，物流投入資源利用率高，資源配置合理，江蘇省物流綜合效率雖然沒有達到DEA有效，但得分也處于較高水平，其余省份得分相對偏低，物流業績效水平處于較低的狀態。

第二階段運用SFA回歸模型，以第一階段得到的物流業固定資產投資額、從業人員和能源消耗總量3個指標的松弛變量作為被解釋變量，將地區GDP、R&D內部經費支出外部環境變量作為解釋變量，考察這兩項環境變量對三項投入指標的松弛變量的影響。使用Frontier 4.1軟件進行似SFA回歸分析，計算結果見表3。各似然參數LR都通過了2.5%顯著性水平檢驗，說明所選取的兩個環境變量對物流業投入松弛變量具有顯著影響。γ值都接近1，大部分通過了1%的顯著性水平檢驗，經濟管理因素引起的冗余在環境和隨機因素中起主要作用[14]。檢驗結果表明通過SFA模型來剔除環境及其他隨機影響因素是必要合理的[15]。地區生產總值與投入指標之間的回歸系數為正數，表明地區生產總值的提升會降低物流業的運作效率，R&D內部經費支出與投入指標之間的回歸系數為負數，表明R&D內部經費支出的增加會在一定程度上提升物流業的績效。

表2 長江經濟帶各省市物流績效

表3 SFA模型回歸結果匯總

2.3 第三階段物流效率測算

利用第二階段得到的調整后的投入變量指標，再次通過DEAP 2.1測算長江經濟區各省(市)的物流績效，得出長江經濟區11個省(市)的物流績效值，調整前后的物流績效值見表4。調整前后技術指標的變化反映了區域內物流產業發展受外部因素影響情況，若技術效率提升，表明該區域內物流業發展受不利外部環境影響明顯，若技術效率下降，則表明受不利外部因素影響小。調整后，長江經濟帶各省(市)的物流績效平均值增加到0.74，增幅比較小。純技術效率增加到0.925，表明長江經濟帶內的省(市)物流業發展受到一定的不利外部環境因素的影響。調整后江蘇省達到DEA有效，達到DEA有效的省(市)達到了4個，這些省(市)實現了當前投入的最優產出，表明資源配置效率和管理技術水平達到了最優。江蘇、浙江、湖北、四川、云南這幾個省份調整后綜合效率調整后有所提升，江西、重慶、貴州的綜合效率調整后有所降低，說明物流效率受到環境因素的影響較為明顯，但對不同省份影響效果不同，表明利用三階段法得出的各省(市)物流效率更加接近真實的效率。

表4 調整前后的長江經濟帶各省(市)物流績效

長江經濟帶整體物流效率平均值達到0.74，處于一般的水平，各個省(市)之間的差異非常大。從地理位置來看，處于下游的上海、江蘇、浙江和安徽這4個省(市)的物流綜合效率平均值為0.958，上海、江蘇和安徽3個省(市)達到了DEA有效；處于中游的江西、湖北和湖南的綜合效率平均值為0.81，其中湖南也達到了效率前沿面，湖北的綜合效率值0.952，該省的物流業效率處于較高的水平；處于上游的重慶、四川、貴州、云南等省(市)的物流效率平均值為0.47，各個省(市)均處于較低水平，只有云南省的綜合效率超過了0.5。長江經濟帶整體的物流效率較高，內部發展非常不平衡，兩極分化比較嚴重，由下游往上游不斷遞減，上游區域發展水平較低。

長江經濟帶各省(市)的純技術效率平均值調整后達到了0.925，各省(市)的純技術效率調整后均有一定的上升，說明技術效率在環境因素影響下被低估，科技投入在當前發展中應受到重視，達到DEA有效的省(市)有6個，表明各省(市)在物流產業的管理和技術水平上處于較高水平，充分發揮投入資源的作用，四川省純技術效率值只有0.553，表明需要提升物流產業的管理和技術水平。

指標調整后，長江經濟帶各省(市)物流業的規模效率有一定的下降，說明環境因素對于各省(市)的規模效率產生了一定的影響。整體規模效率不高，上海、安徽和湖南三省(市)達到了DEA有效，浙江和湖北規模效率值在0.9以上，說明以上省(市)資源配置效率較高，其余省(市)的規模技術效率相對來說比較低，除了四川達到了平均水平外，其他省(市)均遠遠低于平均值，表明這些省(市)需要提高物流資源的配置水平。可以看出，長江經濟帶地區物流產業的規模技術效率處在一般的水平，但是省份間的差距相對較大，出現兩極化發展。

綜合以上分析可以發現，長江經濟帶物流產業的綜合效率平均值較高，純技術效率的平均值達到了0.925，說明各省(市)的物流產業管理和技術水平都處于較好的狀態，而規模技術效率平均值為0.801，明顯低于純技術效率，這意味著剔除環境和隨機因素影響后，制約長江經濟帶物流產業綜合效率提升的因素的物流產業的規模技術效率，未來應該重點關注長江經濟帶物流產業的規模效率的提升，促使物流產業朝著規模驅動轉型升級。

3 結論和討論

物流產業是經濟發展的基礎，對于區域物流產業的效率問題的研究具有重要的現實意義。本文選擇交通運輸、倉儲及郵政等產業的投入、產出以及GDP和R&D內部支出經費指標為研究數據，采用三階段DEA模型對長江經濟帶各省的物流效率進行測算，研究結果表明：

①長江經濟帶各省物流績效整體處于比較好的水平，但各省(市)之間差異非常大，呈現兩極分化的趨勢，處于長江下游的4個省(市)的物流績效水平高，處于上游的省(市)物流績效比較低，從下游到上游呈現物流績效遞減的趨勢。上海、江蘇、浙江、安徽和湖南等省(市)的物流業績效較高，四川、云南和重慶等省(市)處于低效率地位，應當注重整個區域的平衡發展，在保持下游地區效率的領先的同時，加大對長江上游省份物流業發展的支持力度，促進整個區域物流業協調發展。②SFA模型分析的結果顯示，區域GDP和R&D內部支出費用兩項環境變量的物流業投入指標的松弛變量有顯著的影響，長江經濟帶各省(市)物流績效受環境影響較為明顯，但對不同省(市)的影響效果不同，在不剔除環境因素影響的情況下對各省(市)的物流績效的測算產生一定的偏差，剔除環境和隨機影響因素對于物流績效的測算是非常重要的。③在SFA模型剔除環境和隨機影響因素過程中，γ值都接近1，通過了2.5%的顯著性水平檢驗，表明經濟管理因素引起的冗余在環境和隨機因素中起主要作用。④長江經濟帶各個省(市)的純技術效率都比較高，說明各省(市)能夠充分利用物流業投入資源，資源配置的效率高。規模效率普遍偏低，是制約物流業綜合效率的提升的關鍵因素，長江經濟帶純技術效率的平均值遠高于規模效率，表明提升規模效率是提高物流業綜合效率的關鍵。