中国西部地区物流效率时空分布及影响因素研究——基于超效率DEA与Tobit回归

张昊高康

（贵州大学管理学院，贵州 贵阳 550025）

一、引言

自2000年中共十五届五中全会将西部大开发作为新时期国家的一项战略任务以来，西部12个省市（自治区）迎来了经济发展的良好机遇；2013年习近平总书记提出的“一带一路”倡议，又为西部经济社会发展注入了新的生机和活力。西部地区的GDP总量以年均11．7%的增速从2000年的 15659．56亿元增长到 2016年的 156528．6亿元。在国家政策红利及外部经济的不断刺激下，西部地区的物流产业体量也由小变大，规模和实力不断扩大和增强。据统计，自“一带一路”倡议实施后，西部12个省市（自治区）的物流业固定资产投资由2013年10189．3亿元增加到2015年的15012．6亿元，对物流业的投入呈翻倍增加趋势。但从区域经济与区域物流的协调发展来看，西部地区的物流发展水平尚不能很好地满足快速的经济发展需要，并且“一带一路”建设要求道路联通、贸易畅通，对未来物流产业的发展提出了更高要求［1］。推动“一带一路”核心区域西部各省市（自治区）的物流业发展，加强互动合作，缩小与东中部发展差距，可以为推进“一带一路”建设，全面提升开放型经济水平提供有力保障。

物流业作为现代服务业的重要组成部分，区域物流系统作为区域经济社会的一个重要子系统，对于区域经济发展有着重要影响［2］。在区域物流业步入到科学有序的发展阶段后，物流效率问题逐渐成为学者们关注和研究的焦点。国外学者多从微观层面展开研究，Hamdan［3］、 Peter［4］、Reza Farzipoor Saen［5］将数据包络分析法应用于仓储物流服务效率评价、港口物流设备利用效率评价以及第三方逆向物流优化模型的筛选。而国内学者多将其应用于中观以及宏观区域物流的研究，王蕾［6］、廖志高［7］、连兆大［8］利用传统DEA－CCR模型以及改进的C2GS2模型对我国北疆地区、北部湾地区和“一带一路”国内沿线省份的物流效率水平进行分析；孔原［9］、田振中［10］等人基于DEA对我国31个省份物流效率进行测评，并提出相应建议。从DEA在物流效率评价的应用研究来看，大部分都是采用传统DEA模型进行实证研究，未能对有效单元进行再比较，结果有失偏颇；此外，国内对物流效率的研究大多集中在东中部经济发达地区，对于我国西部物流效率及影响因素的研究则鲜有人涉及。据此，本文在“一带一路”建设的大环境下，利用超效率DEA模型和Tobit回归对我国西部12个省市（自治区）的现代物流业进行效率评价及影响因素分析，研究区域包括四川、重庆、贵州、云南、西藏、陕西、甘肃、青海、宁夏、新疆、内蒙古、广西12个省市（自治区），以期从投入和产出两方面研究各地区的物流业发展现状，并提出合理化建议，为推动西部地区的物流效率提升及物流产业健康与均衡发展提供有益借鉴。

二、我国西部地区物流效率测评及空间差异

（一）研究方法

1．数据包络分析法。数据包络分析法（DEA），是美国运筹学家Charnes等在1978年提出来的，是一种用于评价多投入多产出决策单元相对有效性的线性规划方法［11］。不同于AHP、目标决策和模糊数学等方法［12］，DEA具有非参数的特点，在一定程度上避免了主观判断偏差。最常应用的DEA模型是C2R，在规模报酬固定下来测算决策单元的技术有效性，也即综合有效性。在传统DEA分析法测算后可能会出现同时多个DEA有效现象，而不能对所有决策单元进行统一排序，这样的结果往往不科学并且使得评价模型的准确度降低［13］。超效率DEA与上文的C2R基本一致，当对DUMi0进行评价时，生产前沿面发生改变，将第i0个决策单元排除在外，其余的决策单元组成新的生产前沿面，再依次进行排序，其模型如下：

上式中，θ 为效率值，λi为 DMU 系数，S＋和 S－分别为产出松弛变量和投入松弛变量。θ＞1表明输入和输出超过了最优效率，θ＜1显示输入和输出没有达到最优效率，在超效率DEA中，无效的DMU与 C2R模型中的数值一致；θ＝1则输入和输出刚好达到了最优效率；若在上式中引入限制条件则是规模报酬可变模型。

2．探索性空间数据分析法。为了进一步明晰西部地区物流效率的空间差异，接下来利用探索性空间数据分析法（Exploratory Spatial Data Analysis，ESDA），并采用简单的二进制邻接矩阵（即两个地区邻接，则权重矩阵的值为1，否则为0）作为空间权重矩阵，对区域内物流效率的空间差异进行探索。具体分析方法为全局空间自相关和局域空间自相关两种方法。

全局空间自相关是对属性值（物流效率）在整个区域空间特征的描述，用于分析区域总体的空间关联和空间差异程度。Moran＇s I是测度全局空间关联度的常用统计量。具体式子如下：

Moran＇s I指数揭示了区域物流效率的全局空间相关性，却忽视了局部间的关系。Moran散点图是在局部空间稳定性基础上的研究，能够直接反映区域物流效率的高观测值（或低观测值）的空间集聚。Moran散点图以（z，Wz） 为坐标点为空间滞后因子，W为空间权重矩阵），是对空间滞后因子（z，Wz）数据对的二维可视化图示，Wz是对空间单元观测值的空间加权计算。Moran散点图将空间关联类型分为“High－High”“High－Low”“Low－High”和“Low－Low”四种，分布在四个象限中，其具体解释见表1。

（二）物流效率计算及分析

投入产出指标的选取是实现DEA分析法的前提，本文的指标体系是在借鉴前人［2］［6］［8］［11］对区域物流效率评价指标体系的基础上，依据科学性、系统性与数据可得性的原则来构建的，具体的投入及产出指标见表2。

表2 西部地区物流效率投入和产出指标评价体系

数据来源于《中国统计年鉴》（2012－2016年），西部12省市（自治区）物流业效率值是通过MatlabR2016a软件编程进行测算得到的，结果见表3。

由表3西部各省市（自治区）物流效率计算结果可知，2001－2015年内的综合效率整体上得到提升，并在2012年达到一个峰值。具体分区来看，物流效率从高到低依次为内蒙古、贵州、广西、宁夏、重庆、陕西、四川、甘肃、云南、西藏、新疆、青海。内蒙古2011－2014年达到DEA总体有效，贵州省在2012年、2013年和2015年三年DEA总体有效，其余各地5年内均未达到总体有效，且大多都是由纯技术效率无效导致的，说明西部地区的物流投入和产出结构不合理，投入产出转换率低，大多年份是投入冗余而产出不足。其中，75%的地区为规模报酬递增，表明在原投入的基础上继续增加投入量，物流产出也将会增加。因此，一方面西部地区应大力发展现代化物流，从信息技术、物流人才培养和物流理念等方面来发展物流软实力，从而提高物流资源的利用率；另一方面，还应继续加大物流基础设施的投入建设，提高物流产出以保证物流供给能够满足经济社会发展的需求。

表1 物流效率局域空间自相关解释

表3 2011－2015年西部12个省市（自治区）物流业效率

图1 各地区物流效率均值的变动趋势

从图1各地区物流效率的变动来看，西部地区物流效率呈上升趋势，但是整体效果并不显著；西南地区的物流效率在整体上要高于西北地区和西部平均水平。2009年国务院印发《物流业调整和振兴规划》，国家将物流产业列为“十大产业振兴规划”，物流业上升为国家战略为西部各地物流产业的发展带来巨大机遇，2013年“一带一路”倡议的提出，以及我国逐渐进入经济新常态的宏观经济政策，即经济增长速度正从高速增长转向中高速增长，经济结构不断优化升级，以及更加注重经济社会的统筹协调与可持续发展，对西部各地物流产业的协调健康发展起到一定的助推作用。

图2 物流效率水平空间分布图

基于断裂点法将物流效率划分为四个层次，借助ArcGIS10．2软件对西部各省市（自治区）物流效率进行空间划分（见图2）。物流效率的空间分布具有以下特征：（1）西部地区物流效率具有明显的空间二元结构，物流效率自东向西不断下降；（2）西南地区的物流效率要高于西北地区，且贵州和内蒙古分别为西南和西北地区物流效率的“热点”；（3）低物流效率省份地分布具有空间正相关性，物流效率相似的省份集中分布，物流效率高水平省份具有空间异质性，物流效率相似的省份“跳跃式”分布。观察发现物流效率低水平区和中等水平区分别由新疆、青海、西藏、云南4省和陕西、甘肃、四川3省连片组成，而物流效率高水平区和较高水平区则被低水平区和中等水平区所包围。

（三）物流效率空间差异分析

为了进一步明晰西部地区物流效率的空间差异性，接下来利用探索性数据分析法对其进行空间相关性分析。基于表2所得到的西部省（市／区）物流效率值及Moran＇s I测度公式，利用GeoDa软件可计算出西部各省（市／区）2011－2015年的全局空间自相关莫兰系数，详见表4。

表4 西部地区2011－2015年物流效率

由表4可以看出，西部地区物流效率的全局Moran I指数均为正数，且都通过1%的显著性检验，期间数值呈上升趋势，这表明西部地区物流效率在空间上呈正相关性，物流相似的地区整体上趋于临近。

接下来利用Moran散点图进一步说明物流效率在空间分布的局部特征，同样利用GeoDa软件绘制出Moran散点图，选取2011年和2015年两个时间节点进行分析（见图3）。

图3 2011年和2015年西部地区物流效率Moran散点图

坐标轴中的数值1～12分别代表重庆、四川、贵州、云南、西藏、陕西、甘肃、青海、宁夏、新疆、内蒙古和广西12个省市（自治区）。从图3可以发现，2011年和2015年中，落入第一象限和第三象限，也即“HH”和“LL”区域内的地区个数要多于“HL”和“LH”区域内的个数，占比达67%，这说明区域内物流效率是以空间正相关占主导地位，地区间差异较小。位于“HH”和“HL”区域的为西南各省，而西北各省则大多处于“LH”和“LL”区域，表明西南地区的物流效率整体上高于西北地区。

从物流效率的排名分布及空间分布来看，西南各省物流效率普遍高于西北各省。这主要得益于西南良好的区位优势，西南各地处于长江经济带上游以及泛珠江三角洲经济圈，中下游发达经济地区对西南内陆有着经济、技术和知识的空间溢出和辐射效应。相比于西北各省，下游经济发达地区对西南各省具有良好的示范带动作用，借助于长江黄金水道以及珠江流域，西南各省在与下游地区的经济往来中推动其物流产业的规模化和集约化，可以享受到物流产业集聚带来的经济外部性效益。

三、物流效率影响因素分析

（一）影响因素分析

物流产业作为国民经济的基础性产业，是一个跨地域、跨部门的复杂系统，是运输、仓储、装卸搬运、包装、流通加工、信息管理等功能的有机结合。因此，一个地区物流效率的高低受到多方面的影响，不仅局限于物流本身要素对物流效率的影响，而且社会经济的各要素也会对物流效率产生推动和阻碍作用。 本文基于已有研究［6］［10］，将从地区经济发展水平、产业结构、区位优势、物流信息化水平、物流资源利用率等方面展开分析。

1．经济发展水平。物流产业作为经济社会重要的基础性产业，与经济发展相辅相成。经济发展能够刺激物流需求，繁荣物流市场，经济总量大则会对物流产业的投入增大，有利于完善基础设施及物流网络，吸引物流企业汇集，从而提升区域内物流产业的集聚水平，使得区域内物流企业享受到规模经济带来的物流成本的降低以及物流效益的增加。区域GDP能很好地反映区域发展水平，但是由于西部各省地的经济发展不平衡，如果只以区域内GDP总量来衡量各地的经济发展水平会有失偏颇，因此这里以GDP增长速度来对经济发展水平进行表征。

2．产业结构。从世界范围来看，各国往往以“三二一”的产业结构为优化目标，一个国家第三产业产值占GDP总量的比重高低是评价这个国家经济发展水平高低的一个重要方面。并且，从我国国民经济行业分类来看，能够代表物流业的交通运输、仓储和邮政业被划分为第三产业。因此，这里采用第三产业产值占GDP的比重来衡量产业结构。

3．区位优势。区位熵（lq）①区位熵通过式子计算所得。其中，mij表示j地i产业的从业人员，mj表示j地总的从业人员，mi表示i产业全国从业人员，m表示全国从业人员数量。本文中i为物流产业，j为西部12个省市（自治区）。是反映一个地区某个行业在地域上的聚集程度。这里以物流产业区位熵来反映各地物流产业的区位优势。物流产业集聚可以使得区域内物流企业享受集聚效应带来的劳动力、资本、技术、信息等先进要素，从而提高物流效率。

4．信息化水平。随着信息技术产品的更新迭代，我国已经进入到信息化社会。随着物流产业的不断发展，信息化技术的应用在很大程度上改变了物流的经营模式，提高了物流效率，并且信息化是现代物流的一个重要标志。这里以各地区邮电业务总量来表示信息技术化水平。

5．物流资源利用率。物流资源的利用程度是保证物流投入与产出平衡一个重要的因素，从上文DEA分析来看，很多地区由于纯技术效率低导致的总体效率低下，正是由于物流资源率低导致的。物流资源利用率可以用单位公路通过的货运量、单位铁路通过的货运量、单位载货汽车的货运量与货运周转量等来表示，由于我国总体上是以公路运输为主导的，据统计公路运输量占总运输量的70%左右。因此，这里以单位公路通过的货运量来表示物流资源的利用程度。

（二）模型设定及变量解释

基于DEA－CCR模型测算出来的物流效率值属于阶段数据，分布在0－1之间，故采用Tobit回归法进行模拟，以物流效率值为因变量，以选择的影响因素为自变量构建回归模型。由DEA测算出效率值将会有至少一个DMU落在DEA的效率边界，数值为离散的，如果采用普通的最小二乘法，无法解释极限值与非极限值之间的差异，必定出现偏差。而采用极大似然估计的Tobit回归可以避免此情况的出现［11］。基本形式如下：

根据分析，文章以地区GDP增长率（GR）、三产占比（S）、区位熵（lq）、邮电业务总量（I）、单位公路通过的货运量（RU）5个因素建立Tobit模型，数据均来自于《中国统计年鉴》（2012－2016年），表达式如下：

其中，i为年份（i＝2011－2015），k 为地区，i为各解释变量的回归系数（i＝1，2， …，6），α 为常数项，为误差值，yik、GRik、Sik、LQik、Iik、RUik分别为 k 地区第i年的物流效率值、GDP增长率、第三产业占比、区位熵、邮电业务总量和单位公路通过的货运量。由于篇幅有限，指标的原始数据从略。

（三）实证分析

首先通过Eviews6．0对数据进行Hausman检验，统计量输出值为9．695058，相对应的伴随概率为0．0381，拒绝混合及随机效应原假设，建立固定效应模型。其次，利用SPSS22．0软件对面板数据进行多重共线性检验，得到的容差数据位于［0．230，0．601］之间，方差膨胀因子VIF 在［1．302，4．554］之间，说明所选数据并不存在明显的多重共线性，最终的Tobit回归结果如下表5。

表5 西部地区物流效率Tobit回归结果

回归结果表明，区位优势通过1%显著性检验，经济发展水平通过5%显著性检验，信息化程度通过10%显著性检验，而第三产占比和物流资源利用率均未通过显著性检验。西部地区经济发展和区位优势与当地物流效率呈现正相关关系，即当GDP增长率和区位熵增加1个单位，物流效率分别增加 1．10E－05 和 0．0350324 个单位，这说明良好的外部经济环境和区位优势对西部地区物流效率的提升做出贡献，这是因为西部地区正处于经济发展的高速阶段，经济发展及物流集聚对物流效率的提升具有边际递增效应。而第三产业占比、信息化程度和物流资源利用程度与物流效率呈负相关关系，这与上文中大部分地区物流纯技术效率较低的现象相吻合，说明西部地区的物流信息化程度较低，对于物流效率的提升效果不明显。

四、结论与建议

（一）结论

文章基于超效率DEA模型及Tobit回归模型，对地处“一带一路”沿线及辐射范围的我国西部12个省市（自治区）的物流效率进行测度及影响因素研究，得出以下结论：

1．我国西部地区物流效率水平整体上较低，这主要是由物流纯技术效率较低所导致的，体现为物流技术落后导致的物流资源投入产出转化能力弱；并且发展水平存在区域不平衡，这种不平衡随着时间的推移并未得到改善。

2．物流规模报酬整体上呈递增状态，说明地区内物流供给不足，未来对于物流硬实力与软实力资源投入应该加大，保证有效供给以满足经济社会发展的需求。

3．物流效率在空间上具有“中心—外围”的特征，呈现区域内由东向西递减的梯度格局。物流效率高水平地区具有空间异质性，与周边地区存在差异性，而低水平区则具有空间正相关性，相似地区更显集聚。

4．西部地区物流效率呈现空间正相关性，物流效率相似地区更显集聚，局域差异性也相对较小。

（二）对策建议

1．发挥DEA有效省份“鲇鱼效应”以及物流高效率地区的经济外部效应，将物流效率高地区的正外部效益通过劳动力、资本、技术和信息等载体传递给物流低效率地区，以弱化物流效率的马太效应。

2．借助“一带一路”的发展优势，利用其辐射和带动作用，积极加强与东中部及周边国家的互联互通，承接东中部的区位、资金、人才、技术等优势，接收下游地区的物流产业溢出效应，提高西部地区物流业的集约化、信息化和市场化程度，改变投融资环境，从而推动西部地区现代物流业的发展。

3．依托城市群打造城市物流群，发挥城市物流群的辐射带动作用。在城市群内，一方面要立足本地，培养特色产业，以发展新的物流增长极；另一方面，鼓励物流业与制造业、商贸业、金融业等产业形成“多业联动”，以提高产业融合升级合作层次，为物流业发展提供良好的外部环境和支撑要素。

4．以建设大物流为导向，推进地区内物流一体化进程。对此应加快西部地区交通一体化进程，为实现物流一体化提供良好的基础设施保障。西部地处内陆，应重点打造公路、铁路交通一体化，在此过程中，应坚持一体化的思想，科学规划物流通道及节点，以点带面，从线到面，提高西部各省市的物流通达效率。

5．提升物流资源利用率，改善物流纯技术效率。针对西部各省市物流纯技术效率低下的现状，地区内企业应从企业人才梯队建设，物流技术创新，以及物流模式创新等方面采取措施，推动地区内物流标准化、信息化和专业化建设，优化物流流程，提高物流资源利用率。