基于DEA-BCC模型的全国公路运输货物效率评价

交通运输产业在国民经济产业中占有举足轻重的地位，具有基础性和先导性的特点。公路运输作为常规五大运输方式之一，在崎岖山路、短窄小路及其他运输方式不能到达的地方等可以发挥极大的作用，有助于促进区域经济发展。公路运输货物效率水平体现了各区域的经济水平、资源配置情况及运输规模高低，直接影响政府对公路运输发展制定的相应政策，因此，探究公路货物运输效率是国家宏观经济发展和区域局部发展的必要过程。

一、研究背景

目前，国内外对公路运输货物的效率评价已经有了一些成果，侧重点及方法各有不同。Debdatta Pal,Subrata K.Mitra利用数据包络分析（DEA）中的方向距离函数，对2012-2013年印度37家国有公路运输企业的技术效率进行了测算。孙启鹏、郭小壮、将文静等以“一带一路”为背景，利用DEA-BCC模型对四年的全国省域货物运输效率进行了综合评价，并借助空间数据分析探索货物运输效率时空演化及关联特征。尉蔚利用AHP-DEA模型对我国2017年各省份公路运输效率进行了测度。张璐璐、吴威、刘斌全利用DEA-BCC模型和超效率模型对长江三角洲地区公路交通运输效率进行评价，再借助DEA-Malmquist指数方法全面分析了长三角地区公路运输全要素生产率的时空演变规律。

尽管上述学者已经对全国各省、市、自治区的公路货物运输进行了分析，但评价方法和指标数据收集方法各有不同。目前少有人对2017年的公路运输货物效率进行评价，因此本文收集了2017年全国31个省、市、自治区的公路运输货物数据，利用DEA-BCC模型对其进行静态效率评价。

二、模型方法及数据

数据包络分析是一种非参数技术效率评价分析方法，旨在对决策单元进行相对有效性分析。DEA是通过多个决策单元（DMU）计算出当期的效率边界，再去计算每个DMU与效率边界的距离。DEA方法适用于多投入多产出的问题，并且不需要对数据进行无量纲化处理。DEA有四个基础模型，分别是投入导向的CCR模型、产出导向的CCR模型、投入导向的BCC模型和产出导向的BCC模型。投入导向是在产出既定的情况下，衡量要素投入减少的比例；产出导向是指在投入既定的情况下，衡量产出增加的比例。本文采用投入导向的BCC模型。

1.BCC模型介绍

CCR模型是基于规模报酬不变的模型，测算出的结果为综合效率。BCC模型是对CCR模型的改进，基于规模报酬可变的模型，其测算出的效率为纯技术效率，规模效率为综合效率与纯技术效率的比值。

表1： 投入产出指标

表2： 31个省域的效率值及松弛变量

2.指标的选取与原则

选取的指标不同，采集的数据方式不同，都会出现相同的决策单元效率不一致的结果，因此，对于指标的选取要仔细慎重，指标的数据要有明确的说明，避免不同的学者在计算相同的DMU时出现差异的情况。为了避免出现绝大多数甚至全部DMU均有效的情况，按照经验法则，DMU的数量应不少于投入指标和产出指标数量和的3倍，同时不少于投入指标与产出指标数量乘积的2倍。

本文通过分析公路运输货物效率的影响因素，选取2017年全国31个省域的公路货运量、公路货运周转量为产出指标，固定资产投资总额、公路营运里程、公路从业人员数、公路营运载货汽车为投入指标，如表1。

3.数据的获取

本文所有投入产出指标变量数据均来自于国家统计局。基于数据的可获得性、代表性和真实性的原则，考虑到个别指标数据获取的难度大问题，在此具体介绍各项数据的来源。固定资产投资总额收集的是按行业分固定资产投资（不含农户）中的交通运输、仓储和邮政业数据作为表征数据；公路从业人员数是2017年底分地区交通运输、仓储和邮政业就业人员数中的道路交通业、装卸搬运和运输代理业的从业人员数据；公路营运里程是2017年底分地区运输线路长度中的公路里程数据；其它数据可从统计年鉴中直接获得。

三、模型实证结果及分析

采用Deap2.1软件计算2017年全国31个省域的公路货物运输情况，基于投入导向的运行结果整理，如表2所示。

1．综合效率分析

效率值为1的是DEA（弱）有效，如果单一DMU的所有投入与产出松弛变量全为0，则为强DEA有效。从表2看出，一共有10个DMU的综合效率值为1，且松弛变量全为0，即我国32.3%地区的公路运输货物达到了资源配置最高，资源使用效率最优的状态。天津、河北、山西、内蒙古、辽宁、上海、安徽、江西、湖南、宁夏均为强有效，其技术与规模都达到最优，公路运输货物效率最高。通过表2可以发现，一线经济发达的城市不一定公路运输货物效率高，如北京，而三四线经济发展不突出的省域，只要其投入资源合理，同样可以达到较高的运输货物效率。另外，综合效率均值为0.743，表明我国整体公路运输货物效率相对偏低，依然有很大的进步空间。

2．纯技术效率分析

纯技术效率为1，说明DMU在当前的技术水平下，其投入资源的使用是有效的。从表2分析，除了综合技术效率有效的10个DMU之外，浙江、山东、广东、海南和西藏的纯技术效率为1，规模效率不为1，说明这5个省域的管理水平和技术水平已达到最优，其投入的资源被合理利用，不存在浪费现象。综合效率不为1的主要原因是由于规模无效导致的，表明在该技术水平下，这5个省域的实际规模与最优规模间存在差距，所以应重点发挥其规模效益。另外，从表2还可以观察到，纯技术效率为1时，其松弛变量全部为0，说明投入的资源是完全有效的，不存在任何的冗余。

3．规模效率与北京市改进值分析

规模效率为1，说明投入量既不偏大也不偏小，处于规模收益不变的状况，即达到了规模效益最佳。除了综合效率为1的省域外，其它地区的规模效率都小于1，说明我国大多数地方的运输规模不达标。

北京作为一线城市，纯技术效率0.864，意味着投入资源存在浪费的现象，规模效率仅为0.496，规模报酬处于递增状态，表明公路运输的投入与产出比例相对于运输规模总体偏低，应该引起重点关注。北京的具体投入产出情况如表3所示，表中详细列出了北京所有的投入冗余和产出不足。无效DMU在前沿上的投影点表示其目标值，投入改进值用负数表示，产出改进值用正数表示，则任一DMU的目标值=原始值+径向改进值+松弛改进值。在径向模型中，径向改进值（Radial Movement）是指各项投入（或产出）等比例改进的数量。松弛改进值（Slack Movement）是针对强有效前沿的，在等比例改进之后，如果还是弱有效，则需要进行松弛改进，只有同时完成比例改进和松弛改进，被评价DMU为强有效。从表3可以看出，北京市的公路运输货物在投入方面需要进行等比例改进，完成等比例改进后还需要完成松弛改进。固定资产投资总额需要减少451.34亿元，公路从业人员应减少215286人才能达到目标值。

表3： 北京市公路运输货物投入产出改进值

北京作为我国超一线城市，其经济、文化、科技创新等都处于领先地位，然而由于北京的特色，决定了北京的各项固定资产投资总额出现了冗余，不管是政府还是企业都加大了对固定资产的投资，使其出现了投入资源过多、产出不足的问题。另外，北京务工人口众多，汇集了来自各个省、市、自治区的大量人才，因此出现了公路从业人员供过于求的局面，从而导致北京的公路运输货物投入出现冗余，即相应的投入没有带来预期的产出。

本文主要研究的是公路营运运输货物效率评价，从这个角度出发，分析北京的人力、物力和投资问题。众所周知，北京的交通极其拥挤，人口密度极大，而营运公路货物运输的大卡车数量也较多，北京市交通局对大卡车的出行有很大的限制，综合以上各种因素，可以得出北京市公路货物运输综合效率低下的原因及改进措施。

四、结论

1.2017年全国公路运输货物综合效率整体相对较高，达到强DEA有效的省域占被评价单元的32.3%，无效DEA单元占67.7%，从整体上看，我国公路运输效率还有很大的上升空间，其中规模效率均值略高于纯技术效率均值，因此纯技术效率无效是导致综合技术效率无效的主要因素。

2.从北京、江苏等个别省域进行分析，我们可以发现，大多数经济发达的城市综合效率偏低的主要原因是由于规模无效导致的。为了平衡区域经济发展，应针对省域的具体情况展开有效的措施。