我国物流产业效率测度研究
2019-10-21褚诗婷
褚诗婷
摘要：基于2004-2016年我国30个省区市面板数据，运用DEA-Malmquist 模型测度分析物流技术效率和全要素生产率指数的时空演化过程。我国物流产业平均技术效率为0.65，空间上呈东高西低的分布状态。全要素生产率年均提高2%，整体呈现上升后下降的趋势。实证结果显示，除政府支出外，经济发展水平、物流业规模、对外贸易、外商直接投资、城镇化率普遍对物流产业技术效率呈显著的正向影响。
Abstract： Based on the panel data of 30 provinces in China from 2004 to 2016， the DEA-Malmquist model is used to measure the spatial and temporal evolution of logistics technology efficiency and total factor productivity index. After analysis， the average technical efficiency of China's logistics industry is 0.65， which is spatially distributed in the east and west. Total factor productivity increased by 2% annually， and the overall trend showed an upward trend and a downward trend. The empirical results show that in addition to government expenditure， economic development level， logistics industry scale， foreign trade， foreign direct investment， and urbanization generally have a significant positive impact on the technical efficiency of the logistics industry.
关键词：物流产业;效率测度;DEA-Malmquist模型
Key words： logistics industry;efficiency measurement;DEA-Malmquist model
中图分类号：F259.2;F223 文献标识码：A 文章编号：1006-4311（2019）24-0073-03
0 引言
改革开放40年来，中国物流业经历了生产生活资料流通体制改革、物流业机制体制改革、扩大开放度到进入供应链时代的转变（王文举和何明珂，2017）。经济发展新常态下，作为实体经济运行重要支撑的物流业面临新的机遇和挑战（宋则，2015），物流效率作为其中的突出问题，引起众多学者和专家关注。
国内外学者们使用的效率测度方法包含基础的DEA模型如CCR和BCC（于丽英等，2018），到进一步发展使用的如方向距离函数（Weber and Weber，2018）、Malmquist指数模型（俞佳立和钱芝网，2018）、SBM-DEA模型（刘承良和管明明，2017）以及结合具体研究视角改进后的DEA测度方法。基于测度结果科学性、客观性和全面性的考虑，学者们多选择两种及两种以上测度方法进行技术效率或生产效率的测度。
通过对相关文献的梳理得出，物流产业效率测度方法不尽相同，文章选取普遍使用的DEA-Malmquist模型对我国省级层面的物流产业效率进行测度，并结合Tobit模型进行影响因素分析。
1 研究方法、指标选取与数据来源
1.1 DEA-Mulmquist指数模型
1978年，著名运筹学家、美国德克萨斯大学教授A.Charnes及W.W.Cooper等正式提出了CCR模型，即通过数学规划模型来比较投入产出“决策单元”间的相对有效性。学者们在此基础上提出假设条件更为宽松的BCC模型，该模型能够将CCR模型中的综合技术效率分解成纯技术效率和规模效率，更便于结论的分析。同时，为进一步反映物流产业效率的变化，文章借鉴了学者Fare等构建的Malmquist指数模型进行物流效率的动态分析。
1.2 投入產出指标的选取
综合考虑物流产业关键的投入与产出项目，选取交通运输、仓储和邮政业的固定资产投资额（亿元）、就业人员数（万人）和公路里程数（公里）反映物流业投入水平，选取物流业产值（亿元）和货物周转量（亿吨公里）反映物流业产出水平。
1.3 Tobit面板数据回归模型
由于技术效率值在0-1之间，选取Tobit模型对经济带物流产业效率的影响因素进行分析，模型如下：
2 实证检验及结果分析
2.1 我国物流产业技术效率特征
我国物流业技术效率时间分布特征如图1，2004-2016年间我国30个省区市技术效率均值为0.65，在2004-2011年间技术效率大体上呈下降趋势，2011-2016年间技术效率均处于上升状态。总体来看，技术效率水平与纯技术效率的变动趋势更为相似，表明纯技术效率是技术效率波动的主要影响因素。
2.2 我国物流产业全要素生产率特征
通过物流产业全要素生产率指数及其分解结果（表1）可以看出，整体上全要素生产率变化处于波动状态，时间变化特征不显著。总体来看，全要素生产率变化率波动主要受技术进步变化率的影响，同时，技术效率变化率波动主要受到纯技术效率变化率的影响。
2.3 物流产业技术效率的影响因素分析
结合已有研究和上述分析，我们选取经济发展、物流业规模、对外贸易、外商直接投资、政府支出、城镇化率作为物流产业技术效率的主要影响因素进行分析，指标选取及计算见表2。
综合各时期的Tobit回归结果（见表3）来看，除政府支出外，经济发展水平、物流业规模、对外贸易、外商直接投资、城镇化率普遍对物流产业技术效率呈显著的正向影响。
究其原因，①经济发展会促进物流业的消费需求，吸引一定规模的资金、技术和人员的涌入，进而推动物流业技术效率提升;②在物流业发展初期，规模对于技术效率有很显著的提升作用，随着物流业逐渐发展成熟，影响水平下降。因此，盲目扩大物流业规模不可取，应注重合理的投入产出结构，避免造成资源浪费;③对外贸易方面，在物流业发展初期，进出口贸易有效推动了国内物流业向国际高水平和国标准迈进，后期随着物流业水平的提高和发展战略由外贸转向内需，对外贸易的影响相对减弱;④从外商直接投资角度出发，可能是外商直接投资结构优化和物流业的迅速发展有关，先进的技术和管理方法得到了更合理的运用，推动了物流业技术效率的提升;⑤政府支出方面，经济建设部分为物流业发展提供基础设施保障，作用更多的体现在物流业发展规模方面，可能由于基础设施建设与物流业发展需求不完全匹配，因而未能体现出对物流业技术效率提升的作用;⑥城镇化方面，伴随着城乡差距的逐步缩小和城镇化的高质量发展，城镇化对物流业的供需结构和层次提出越来越高的要求，逐步推动物流业协调发展和效率的提升。
3 结论与建议
本文运用 DEA-Malmquist 模型和Tobit模型，实证分析2004-2016年我国30个省区市物流产业技术效率和全要素生产率指数的时空演化特征。分析結果指出，我国物流产业技术效率不高，平均技术效率为0.65。平均全要素生产率指数为1.020，全要素生产率指数年均提高2%，整体呈现上升后下降的趋势。实证结果显示，除政府支出外，经济发展水平、物流业规模、对外贸易、外商直接投资、城镇化率普遍对物流产业技术效率呈显著的正向影响。为此，提出以下发展建议：
①优化物流业布局，促进区域协调发展。结合物流业技术效率和全要素生产率的测算结果，西北地区情况普遍较差，DEA有效或全要素生产率指数大于1的省份集中在东部、中部和南部。应结合实际情况，鼓励同一区域省际物流发展经验的相互借鉴，发挥DEA有效省份的经济外部性;不同区域间，如西北地区资源相对匮乏，除了借鉴其他省份的发展经验，还需要借助政府部门或者国家政策的力量来改善其物流业发展困境。②控制物流业规模，注重提升效率。在物流业发展到一定阶段时，应适度控制物流业规模，注重资源投入产出效率，避免造成资源过度浪费。政府应该结合物流业发展需求，为物流业发展提供更便利的环境，一方面减少了冗余投入，另一方面也有助于促进物流业的高效发展。
参考文献：
[1]王文举，何明珂.改革开放以来我国物流业发展轨迹、阶段特征及未来展望[J].改革，2017（7）：23-34.
[2]宋则.“十三五”期间促进我国现代物流业健康发展的若干要点[J].财贸经济，2015（7）：5-14.
[3]于丽英，施明康，李婧.基于DEA-Malmquist指数模型的长江经济带物流效率及因素分解[J] .商业经济与管理，2018（4）：16-25.
[4]Margaret Weber M， Weber W L. Productivity and efficiency in the trucking industry[J]. International Journal of Physical Distribution & Logistics Management， 2018（1）：39-61.
[5]俞佳立，钱芝网.长江经济带物流产业效率的时空演化及其影响因素[J].经济地理，2018（8）：108-115.
[6]刘承良，管明明.低碳约束下我国物流业效率的空间演化及影响因素[J].地理科学，2017（12）：1805-1814.
