基于超效率SBM 的我国物流行业效率分析

刘 婷

（南开大学 经济学院，天津 300071）

1 引言

物流业已经成为我国国民经济的支柱性产业，加快发展现代物流业，是培育新的经济增长点和调整经济结构的重要内容和紧迫任务，对我国经济发展起着至关重要的作用。而我国物流业在长期运营中暴露出发展方式较为粗放、管理分散、效益较低、企业基础设施不配套、网络化程度低等问题,呈现出物流总量发展快，但成本居高不下的特征。2006-2016年，我国社会物流总额即从59.6万亿元提高至230万亿元，10年之间提升近三倍之多。而2016年我国全社会物流总费用占GDP的比例虽然降至15%以内，但仍比美、日等发达国家高出一倍左右。“新零售”时代，互联网快速发展带来的用户增长和流量红利逐渐饱和，作为线上线下融合的“神经末梢”，物流业的运行效率不仅关乎本行业的发展，还会对制造业、零售业等相关产业产生极大影响，如何提高物流企业经营效率成为亟待解决的问题。

近年来对物流业效率的研究多通过数据包络分析法（DEA）进行测度，较早的研究多采用传统的CCR和BCC方法，而随着DEA方法的不断拓展和演进，对物流业效率研究的方法也日益丰富和科学。基于此，本文选取超效率SBM方法，选取2011-2016年43家覆盖仓储、运输等环节的物流上市公司效率进行深入的分析，有助于了解我国物流企业经营效率现状及存在的问题，对于提高我国物流业效率及竞争力具有重要的参考意义。

2 超效率SBM模型

数据包络分析方法（DEA）是一种通过投入与产出情况评价各个决策单元（DMU）相对效率的非参数分析方法，由于具有无需假定函数关系、非主观权重以及可分析决策单元无效因素等诸多优点，已成为效率评价的主流技术工具。根据规模报酬是否可变的假定，可分为规模报酬不变（CRS）的CCR模型和基于规模报酬可变（VRS）的BCC模型。但传统DEA方法在应用中逐渐显示出两个不足：一是当多个决策单元(DMU)的效率值均为1时，无法对这些DMU的效率进行进一步测度与评价；二是传统的方法并没有将投入产出的松弛性考虑在内，造成效率测度时实际值与理论值之间存在偏差。

为了弥补不能进一步对有效DMU排序的局限，Anderson和Petersen(1993)[1]建立了超效率DEA模型,其基本思想是在评价决策单元时,分别将有效决策单元排除在集合之外，度量每个有效DMU到新的生产可能性集合（PSS）的距离。而对于无效的DMU，由于其原本就不在生产前沿面上,是否将其排除不会引起生产前沿面的变化，因此其超效率与传统DEA模型计算出的效率值一致。

为了改进传统DEA模型无法将无效DMU的松弛变量考虑在效率值测算过程的局限，Tone(2001)[2]提出了一种基于松弛变量的非径向的效率测度方法的SBM模型，虽然SBM模型与传统的CCR模型密不可分，但是SBM模型直接将松弛向量加入目标函数中，效率评价时更加偏重利润最大化的考虑。以s-和s+分别表示投入和产出的松弛变量，以对松弛变量的优化为目标函数，SBM模型可表示为：

Tone(2002)[3]将超效率模型和SBM模型进行融合，提出了超效率的SBM模型，既考虑了投入产出的松弛变量，使效率评价结果更加准确，又解决了对诸多有效单元进一步比较和排序的问题。

3 研究对象和数据

3.1 对上市物流公司的划分

2001年我国出台第一个《物流术语国家标准》，目前“物流”仍未作为单独的行业分类出现在《国民经济行业分类(GB/T 4754-2011)》中，相关研究多以“交通运输、仓储和邮政业”代表物流行业。2013年发布的国家标准《物流企业分类与评估指标》（GB/T 19680-2013）将物流企业分为运输型物流企业、仓储型物流企业及综合服务型物流企业三类，结合中国证监会2016年对上市公司的分类标准，本文选取51家上市公司纳入物流企业范畴，但基于一致性的考虑，只保留了研究年份内一直存在于上市公司列表的企业，最后选取43家上市公司进行效率评价，见表1。

表1 上市物流企业的划分

3.2 指标和数据

本文相关数据来源于CSMAR数据库和各上市公司的年度报告，在对上市公司经营效率进行评价时,合理选择投入和产出指标十分关键，既要保证完整性，同时又要避免信息冗余造成的干扰，才能全面精确地反映其实际效率。因此,本文结合已有研究,选择总资产、主营业务成本和应付职工薪酬作为投入变量，主营业务收入和净利润作为产出变量，建立包括3个投入变量和2个产出变量的DEA评价体系。其中，总资产代表企业占用的有形资产，主营业务成本代表生产和销售相关产品或服务的直接成本，应付职工薪酬代表人力方面的投入。在产出指标中,主营业务收入与主营业务成本相对应,反映企业相关产品和服务的产出水平，净利润反映公司的盈利情况。

4 我国上市物流公司运行效率评价

通过Dea Solver Pro5.0软件，以主营业务收入、净利润作为产出变量，以主营业务成本、总资产和应付职工薪酬作为投入变量，对2011-2016年43家物流上市公司效率进行测算，TE、PTE、SE分别为代表总效率、纯技术效率和规模效率，结果见表2。

2011-2016年，本文选取的43家物流上市公司中运行效率呈现出较大的异质性特征，各项效率最大值和最小值差距明显，但由于组内标准差逐年缩小，说明各企业的运行效率差距正在缩小。在总效率方面，各上市物流企业普遍有所下降，南京港、连云港、恒基达鑫下降幅度相对较大，深赤湾A、盐田港股、飞马国际在各个年份的总效率相对较高。在技术效率方面，各物流上市公司普遍有所提高，中储股份、飞马国际、恒基达鑫提升幅度较大。在规模效率方面，各上市物流公司普遍有所下降，南京港、恒基达鑫、连云港下降幅度较大。由图1可以直观的看出，2011年-2016年，我国上市物流公司的技术效率＞总效率＞规模效率。从趋势来看，虽然纯技术效率有所提升，但我国各物流上市公司的总效率仍然呈轻微下降的趋势，主要由于规模效率的下降导致，具体趋势如图1所示。

表2 2011-2016年我国上市物流企业效率

图1 2011-2016年我国上市物流公司效率均值

根据表2测算结果，以PTE和SE均值作为划分标准，将我国上市物流公司分为四类，第一象限为PTE和SE均高于均值的企业，第二象限为PTE小于均值而SE大于均值的企业，第三象限为PTE和SE均小于均值的企业，第四象限为PTE大于均值而SE小于均值的企业，结果如图2所示。可见，大部分企业处于图中的第四象限，即具有相对较高的纯技术效率和相对较低的规模效率，如招商轮船、中储股份、中远航运和大部分港口企业；另有一部分处于第一象限，即同时具备较高的纯技术效率和规模效率，如深赤湾A和深基地B；少数处于第二象限，即企业规模效率较高而纯技术效率较低；只有极少数的企业两种效率均较低，如恒基达鑫和南京港。

图2 2016年我国上市物流公司效率四象限分类

参照《物流企业分类与评估指标》（GB/T 19680-2013）对物流企业进行分类，得到运输型、仓储型和服务型物流企业的效率如图3所示。2011-2016年，服务型物流企业效率逐年提升，并在2013年超过仓储型物流企业，而运输型物流企业效率在年分内一直保持下降的趋势。2016年，综合服务型物流企业运行情况较好，效率均值已经超过0.75，而运输型物流企业效率均值已跌至0.6以下，并且仍然显示出继续下降的迹象。

图3 2011-2016年各类型物流企业总效率

5 结论和建议

本文利用超效率SBM模型，将43家上市物流企业归类，并对其运行效率进行分析。研究表明：我国上市物流公司运行效率存在一定差异性，但差距逐年缩小；总效率水平呈现出下降的趋势,均值从2011年的0.68下降至2016年的0.61；大部分上市物流企业呈现出技术效率较高而规模效率较低的特征；服务型物流企业效率高于运输型和仓储型，运输型物流企业效率下降明显，基于以上结论提出如下建议：

（1）优化物流企业规模，促进大小企业互利共生。通过效率测算结果可以看出，上市物流企业规模效率普遍较低，部分企业甚至低于0.5，规模效率成为了阻碍物流业总效率提高的重要原因。因此，应鼓励物流企业内和企业间的资源整合，通过参股控股、兼并重组等方式，推动物流业向“集团化、网络化”发展，从而打造一批技术水平先进、主营业务突出、核心竞争力强的大型现代物流企业集团，同时，通过规模化经营，提高物流企业一体化水平，形成大小物流企业共同发展的良好局面，改善物流企业普遍存在的“大而不强,小则偏弱”的现状。

（2）保持技术效率增势。随着物联网、云计算等现代信息技术的应用，物流企业的技术效率近年来普遍有所提高，甚至部分已经近似达到1的水平。应巩固目前技术效率增长的良好势头，进一步借力信息技术，加快物流信息平台建设，推广智能标签、跟踪追溯、路径优化等技术，以继续带动物流业总效率的提升。

（3）重点提高对运输物流业的支持力度。为缓解运输物流业效率下降的趋势，应加大对运输物流业的政策支持，包括土地政策、相关税收优惠政策等。同时完善运输物流基础设施建设，完善综合运输通道和交通枢纽节点布局，构建便捷、高效的物流基础设施网络，推动多式联运、甩挂运输、共同配送等现代物流运输方式发展，促进多种运输方式之间的衔接和转换。

[1]Andersen,Petersen,Christian N.A procedure for ranking efficient units in data envelopment analysis[J].Management Science,1993,39(10):1 261-1 264.

[2]Tone K.A slacks-based measure of efficiency in data envelopment analysis[J].European Journal of Operational Research,2001,130(3):498-509.

[3]Tone K.A slacks-based measure of super-efficiency in data envelopment analysis[J].European Journal of Operational Research,2002,143(1):32-41.

[4]姜瑶,金中坤.运输物流上市公司经营效率分析[J].物流技术,2016,35(1):59-62.

[5]王燕,吴蒙.我国港口上市公司效率研究—基于两阶段网络数据包络分析模型[J].中国流通经济,2016,30(5):53-61.

[6]汪旭晖,徐健.基于超效率CCR-DEA模型的我国物流上市公司效率评价[J].财贸研究,2009,20(6):117-124.

[7]姜瑶,金中坤.运输物流上市公司经营效率分析[J].物流技术,2016,35(1):59-62.

[8]储节旺,储伊力.我国省域公共图书馆效率测评及影响因素分析—基于Super-SBM与Tobit模型的实证研究[J].图书情报工作,2015,59(22):33-38.