基于SBM模型的物流效率研究

杨军++庄惠子+冼威

摘 要：为明确我国物流效率，探索行业发展方向，文章采用SBM模型，在考虑环境影响的基础上研究我国30个省市2008—2014年物流效率水平。结果显示我国物流总体效率水平偏低，东部地区相对领先，西部地区相对落后，纯效率低下是造成总体效率低下的主要原因。通过Tobit模型进行影响因素回归分析发现，资源利用率、区位优势、经济发展水平、市场化进程对大多数地区有正向影响，而教育水平没有起到积极作用。

关键词：物流效率；环境约束；SBM；Tobit

1 物流效率研究概述

现有研究中，针对区域物流效率研究关注能源及碳排放的较少，大多数研究仍然仅考虑了资本及人力的投入，得出的结论未考量物流业发展来带的能源问题及污染问题，不符合绿色物流、可持续发展的要求，不能最真实地反映物流效率。因此迫切需要对物流效率进行准确的评价、区分高效率与低效率地区、研究各地区物流投入与产出的关系、探寻物流效率差异的原因、寻找导致效率低下的影响因素。本文将选择数据包络分析（Data Envelopment Analysis，DEA）方法，采用基于结构的模型在考虑能源问题的基础上对我国物流效率进行评价，并且研究其影响因素和改进方向。

2 物流效率相关理论基础

常见的效率评价方法包括投入产出法、作业成本法、层次分析法、综合指数法、模糊评价法以及前沿效率分析法。其中前沿效率分析法中的数据包络分析法具有不必提前确定投入产出间明确数学关系、不受指标量纲影响、不需确定权重的优势。现有的大量效率研究都采用了DEA方法，研究对象包括文化产业、旅游业，故本文也采用该方法进行研究。

2.1 SBM模型

DEA方法从提出到推广应用经历了不断的发展和更新，Tone[1]于21世纪初期提出了一个新的、能够解决传统模型未将松弛量对结果的影响考察在内的问题模型，被称为基于结构的模型（Structure Based Model，SBM），其表达式如下所示：

其中S-=ts-，S+=ts+，=tλ，t为标量，λ为列向量，s-为投入冗余，s+为产出不足。当τ=1，S-=0，S+=0时，决策单元为有效单元。

2.2 效率的分解

技术效率以规模报酬不变（Constant Returns to Scale，CRS）为前提，而当考虑规模报酬可变（Variable Returns to Scale，VRS）时，即产出的变化并不总是随着投入的变化而进行等比例的变化时，所进行的测算求得的效率为纯技术效率。纯技术效率反映的是考察对象在VRS条件下与生产前沿的距离。纯技术效率在经济意义上反映的是由管理水平不同、技术水平差异等因素所带来的差异。规模效率的计算方法是通过CRS条件下的效率值和VRS条件下的效率值相比较求得。规模效率在经济意义上反映的是规模影响下的效率差异[2]。

3 基于SBM模型的物流效率研究

3.1 物流效率评价指标体系

现有研究中关于物流效率评价的投入产出设计中，大量学者对物流产业投入指标的设计都根据KLEMS方法研究进行。Strassner等[3]的研究中引用了KLEMS方法，即以 Capital（资本）、Labor（劳动力）、Energy（能源）、Materials（材料）以及 S-purchased services（服务）为投入来衡量产业生产率。

3.2 物流效率实证分析

3.2.1 物流技术效率分析

我国物流总体效率偏低。在2008—2014年期间，样本中超过2/3的地区从未达到过技术有效，达到过技术有效的地区也未能长期保持[4-5]。就全国平均水平而言，物流效率在0.5上下徘徊，意味着在该模型下，样本地区每年物流业实际产出量还未达到理想状态的二分之一。尽管其他学者在考虑环境影响的条件下对全国较早时期物流效率的研究，近年来的物流技术效率相比以往不到0.3的水平已经有了一定程度的提升，但仍然存在着较大的进步空间。

地区间存在较为明显的差距。在统计期间内，东部地区的物流技术效率均高于中部地区和西部地区的平均水平，也高于全国平均水平。中部地区与东部地区的效率差距先放大后缩小，西部地区与中部地区的差距先缩小后放大，西部地区与东部地区始终存在着较大的物流技术效率差距。

3.2.2 物流技术效率分解

为了对物流效率进行进一步分解研究，根据上文所述的理论基础，使用SBM-VRS模型对 2008—2014年我国物流业投入产出数据进行计算，得到物流纯技术效率，如图1所示。

图1 大三地区及全国平均物流纯技术效率

从总体上看，东部地区的平均水平在统计期间均处于全国最高水平，西部地区的物流纯技术效率则始终低于全国平均水平。东部地区超过90%的省市物流业纯技术效率都在0.4以上，而中部和西部都只有不足70%的地区达到这一水平。尽管近年来中西部地区实现了一定程度的追赶，但就2014年的情况来看，中西部地区与东部地区仍存在水平上的明显差距，还需要更进一步地引进新技术、学习管理新思路、开放行业发展状态。

4 物流效率影响因素分析

Tobit模型由学者托宾最早提出，该模型适用于被解释变量因为受限而具有截断特征的情况。而通过DEA方法求得的效率值正好介于0与1之间，故选该方法开展研究。模型的表达式如下。

4.1 物流效率影响因素指标体系

现有研究中关于物流效率的影响因素的界定主要从行业内部和行业外部两个角度出发，包括了物流资源投入、物流信息化程度、政策环境、经济环境等。

丁斌认为影响物流产业效率的因素包括区域经济水平、经济产业结构、对外开放程度、政策环境和地区因素。刘勇选择了制度、人力资本、基础设施水平、和经济发展水平来分析环境对物流效率的影响。赵雷研究了以物流业人均投资额及人均物流网络里程代表的物流资源投入水平、以人均实际GDP为代表的地区经济发展水平、以城镇人口占比为代表的城镇化水平以及物流专业化及信息化程度对物流效率的影响。田刚研究了人均受教育程度、国有率、政府干预、开放程度以及产业结构对物流效率的影响。

4.2 物流效率影响因素实证分析

资源利用率综合指数对物流效率有较大正面影响，说明在不断加大物流业投资力度、大力促进物流行业发展的大背景下，如何將投入的资源进行有效利用成为提高物流效率的重中之重[6]。

5 结语

通过上文对统计样本的测算研究可得，我国总体物流效率还处于较低水平。在2008—2014年期间，样本中的30个省市总体物流效率有效比率最高仅为27%，大多未超过20%，总体有效率偏低。考虑环境影响后，效率值仅在0.45上下浮动，远低于其他学者不考虑环境影响的研究成果，因此在绿色物流、节能减排方面还存在较大提升空间。通过对技术效率的分解研究可得，纯技术效率偏低是总体效率偏低的主要因素，说明我国物流业还需进一步提升“软实力”，以更好地将不断扩张的投入更有效地转化为行业产出。

[参考文献]

[1]TONE K A. Efficiencies in data envelopment analysis[J]. Management Science， 1984（9）：1078-1092.

[2]FARREL M J.The measurement of productive efficiency[J].Journal of Royal Statistical Society， 1957（120）：253-281.

[3]STRASSNER E H， MEDEIROS G W， SMITH G M. Annual industry accounts：introducing klems input estimates for 1997—2003[J]. Survey of Current Business， 2005（9）：31-65.

[4]邓学平.我国物流企业全要素生产率分析[J].系统工程，2008（6）：1-9.

[5]刘秉镰，李清彬.中国城市全要素生产率的动态实证分析：1990—2006—基于 DEA模型的Malmquist指数方法[J].南开经济研究，2009（3）：139-152.

[6]王维国，马越越.中国区域物流产业效率[J].系统工程，2012（3）：66-75.endprint