基于数据包络分析的乳制品企业供应链绩效对比研究

李思维 张正勇 孙树垒

[摘要]2008年中国奶制品污染事件已过去十多年，乳制品业经过这十多年的重新洗牌，呈现出另一番景象。根据相关新闻报道，某些曾经受到波及的企业经过这些年的精益求精，目前已成为行业中的领跑者，然而某些未受到影响反而在当时获利的企业却由于近年来管理决策不当，地位早已不复从前。本文为了解自中国奶制品污染事件以来不同企业在乳制品供应链各环节的效率差异，构建由生产加工环节与储运销售环节组成的两阶段数据包络分析（Data Envelopment Analysis， DEA）的效率测度模型，并运用软件将相关企业各环节投入产出数据代入模型进行分析讨论。结果表明，不同企业在供应链的不同环节各有优势，在各环节处于劣势的企业应向优势企业学习借鉴，并通过减小资源投入或提高技术能力，不断改进完善自我;乳制品供应链各环节对其整体效率的影响也各不相同，在实际管理过程中，管理者应根据影响程度的大小，合理设置权重以便更好地进行分析。

[关键词]数据包络分析;乳制品企业;供应链;技术效率;绩效研究

中图分类号：C931.2文献标识码：ADOI：10.16465/j.gste.cn431252ts.202003

2008年9月，三鹿奶粉中含有三聚氰胺的新闻报道引发社会各界的强烈关注，2008年中国奶制品污染事件使得众多乳制品纷纷下架，乳制品企业成为众矢之的，整个乳制品行业面临前所未有的信任危机。

如今，国内的乳制品工业正由工业化、机械化向智能化阶段迈进。相关数据表明，2018年我国乳制品产量达2 687.1万t，主营业务收入高达3 398.9亿元，占食品制造行业收入的18.5%。种种数据表明乳制品业目前已成为中国食品制造业的第一大行业。2008—2018年中国乳业的变化翻天覆地，政府建立了更为严格的市场监管体系，乳制品企业也纷纷从原料采集、生产加工、储运销售等供应链的各环节着手，对乳制品质量进行监管。

为了解长时间以来乳制品业供应链各环节的绩效变化，以及企业间相同供应链各环节的效率差异，本文利用数据包络分析（Data Envelopment Analysis， DEA）分别对三家企业连续多年的供应链各环节进行细致的分析，构建两阶段乳制品供应链绩效测量指标体系，并建立乳制品企业两阶段供应链绩效测度模型，将三家企业各环节投入产出数据代入其中，进行测量与结果分析。

国内关于乳制品供应链的研究大多集中在产品的质量安全方面。王磊等[1]基于质量安全的视角探讨了合作伙伴特性对乳制品供应链合作关系稳定性的影响;杨琦等[2]应用主成分因子分析和二项Logistic回归分析，对我国乳制品供应链中销售环节中的质量安全影响因素进行研究;桂冬冬等[3]提出一种包含原料供应商、生产商和消费市场的供应链网络均衡模型，研究供应链各主体的决策行为对食品质量安全的影响程度;另有学者基于供应链的视角，应用博弈论等方法对食品质量安全风险进行相关的管控研究[4-6]。而国外关于食品供应链的研究，主要集中在供应链各环节的安全管理[7-8]以及整体的可持续性方面[9-10]，与国内相比更加侧重于供应链的管理以及各环节效率的提高。

在乳制品供应链效率测度方面，国内的研究大部分为宏观性研究，例如魏艳骄等[11]利用中国28个原奶主产省区面板数据，分析乳制品进口对于中国不同规模奶牛养殖效率的影响;陈吉铭等[12]基于京津冀地区有代表性的企业数据，对其冷链物流效率进行研究。国内关于效率测度的研究大多是利用DEA对供应链整体[13-14]或是分阶段进行研究[15- 16]，然而在乳制品业的效率测度方面，则缺少对其供应链“黑箱”内部的研究。在国外，近年来关于DEA的研究，大都针对DEA模型本身进行改进[17-18]，或将DEA与其他研究方法相结合进行实例分析[19]，但是关于乳制品供应链“黑箱”的研究同样十分有限。因此，本文基于国内外在此方面的共同不足，“打开黑箱”，構建乳制品供应链两阶段DEA模型，并从微观角度对三家乳制品企业连续多年的绩效进行对比分析，以期为各企业提供相关参考，促进企业在激烈的市场竞争中更快更好地发展，并逐渐获得更高的关注度与知名度。

1 模型与数据

1.1 模型构建

乳制品供应链由于其产品的特殊性，对各环节的把控十分严格，在对供应链进行绩效评估时，由于原料采集阶段受牧场规模与乳牛产奶量不可控因素的影响，针对该阶段的绩效改进短时间内难以实现。因此，本文只考虑乳制品供应链的生产加工和储运销售两个阶段，并利用人机料法环的原则建立相应的投入产出指标体系。

在生产加工阶段，员工的精细操作和设备的有效运行是保证产品质量安全的充分必要条件，员工投入数量的多少与固定资产投入的大小是影响乳制品最终产量的因素之一。因此，将生产技术人员与固定设备资产作为该阶段的投入指标，将乳制品产量作为产出指标。

在储运销售阶段，除了生产加工阶段的乳制品产量投入，还存在大量的为产品销售辅助产生的费用，比如广告营销费、装卸运输费、职工薪酬等。考虑到指标的精简问题，将这些费用统称为销售费用，储运销售阶段的投入指标为乳制品产量（生产加工阶段产出指标）、销售费用与销售人员，将利润总额作为最终的产出指标。

综上所述，本文所建立的乳制品供应链两阶段指标体系如图1所示。

由图1可知，乳制品产量既是上一阶段的产出指标，又是下一阶段的投入指标，本文将这类指标统称为中间产品。值得注意的是，由于相关企业年报中乳制品产量这一数据公布不完全，因此采用乳制品营业成本这一指标来反映乳制品产量的多少，乳制品产量越大营业成本越高，从而这一指标在构建的DEA模型中可以很好地代替乳制品产量指标。

在建立指标体系的基础上，进一步构建两阶段乳制品供应链结构模型（如图2所示），图2中每个子阶段都对应着各自的投入产出指标。

显而易见，上述模型结构既包含并联又包含串联，属于复合型结构。以往有相关学者针对不同类型结构的生产系统提出了相应的DEA模型，本文在此基础上根据图2分别建立乳制品供应链两阶段的DEA模型，采用规模报酬可变的BC2模式，并作相应假设如下。

生产加工阶段和储运销售阶段的第i个决策单元投入指标权重值分别为αi，βi，乳制品供应链两阶段的效率分别为θ1，θ2。

1.2 相关数据及来源

本文在上述DEA模型结构下，对不同乳制品企业的供应链绩效做对比研究，文中所有数据来源于各企业不同时间段年报，整理后分别得到三家乳制品企业投入产出数据如表1～表3所示。本文将利用表1～表3的数据，分别对三家处于不同梯级的乳制品企业进行绩效对比研究。

2 模型运算及相关分析

在乳制品供应链中，任何环节对于乳制品企业来说都同等重要，因此本文假设生产加工环节与储运销售环节的权重相同，并通过DEAP2.1软件对两个环节分别进行效率测度分析。

2.1 生产加工环节绩效分析

分别将三家企业生产加工环节的表中数据代入式（1），并选择软件中的VRS模型对所有决策单元的生产加工环节进行评价分析，不同企业该环节的分析数据分别如表4～表6所示。

在乳制品供应链生产加工阶段，由表中技术效率值可知，A企业中决策单元（Decision Making Units，DMU）实现DEA有效的包括DMU1和DMU4，B企业中DMU4、DMU5、DMU7满足DEA有效，C企业DEA有效的决策单元为DMU3、DMU4、DMU6和DMU11，此外其余的决策单元技术效率值小于1，说明存在投入冗余或产出不足的情形。在该环节造成企业间效率差异的原因主要是企业间纯技术效率与规模效率的差异，A企业是由于规模效率逐年降低所导致，B企业则是由于纯技术效率的后劲不足致使企业近年的技术效率停滞不前，C企业在该阶段相比其他企业效率值更加稳定，虽然偶有波动，但总体呈现上升趋势。因此，A、B企业应根据自身不足合理进行调整;减少投入，合理配置资源;加强管理，提高技术能力。C企业在保持现有状态的前提下，应追求进一步稳步上升，扭转效率低下的情形。

为进一步了解三家企业在该环节的绩效演变趋势以及对比情况，绘制企业随时间变化的技术效率趋势图，如图3所示。

由图3可知，A、B企业在生产加工环节的技术效率随时间变化波动较大，而技术效率是纯技术效率与规模效率的乘积，因此A、B企业在该环节长时间的低效状态是由这两方面的原因造成的。对于A企业而言，技术效率无效是由规模效率无效引起，B企业则是纯技术效率无效所导致。图3显示B企业整体效率高于A企业，这说明规模无效所引起的技术无效大于纯技术效率无效引起的技术无效。值得注意的是，C企业技术效率随时间变化的趋势较为平缓，且达到有效状态的决策单元要大于另外两家企业。因此，在生产加工环节，A、B企业应该向C企业看齐，合理地改进自身不足，并提升技术效率，C企业也应常存忧患意识，以A、B企业为警示，追求技术效率进一步稳定、有效发展。

2.2 储运销售环节绩效分析

将不同企业储运销售环节的投入产出数据代入式（2），利用软件求解，最终得到该环节结果如表7～表9所示。

为了解不同企业在该环节技术效率的变化情况，绘制企业随时间变化的技术效率趋势图，如图4所示。在储运销售环节，A企业达到有效状态的决策单元包括DMU7、DMU9和DMU10，B企业包括DMU9、DMU10，并且A、B企业的技术效率随着时间逐渐增强，虽稍有波动，但整体呈现上升趋势。这说明A、B企业在该环节的资源配置合理，管理技术能力达标。而C企业仅DMU1处于有效状态，由图4可知，C企业在2013年前后，技术效率呈现先降低后升高的变化，而导致技术效率降低的原因是纯技术效率降低，因此C企业应该进一步提高自身的技术管理能力，例如冷链运输技术、生产加工技术等，以追求技术效率的稳步增长。

由图4可知，在储运销售环节，A、B企业的技术效率随时间递增，且A企业的整体效率高于B企业，有效决策单元的个数也多于B企业，而C企业在2013年之前，其技术效率一直在减小，2013年之后技术效率则逐渐递增，这是因其纯技术效率变化造成的，表明C企业管理者在2013年做了相应的技术调整，促使技术效率不断升高。因此，在实际管理过程中，A、B企业在该环节应尽量保持现状，并追求技术效率的连续稳定提升，C企业也应继续改进自身的技术能力，使其技术效率达到有效状态。

此外，为了解本文研究乳制品供应链中哪一阶段对其整体效率影响较大时，将图1中所有投入作为整体投入，所有产出作为整体产出，并同样采用DEAP2.1软件对三家企业进行整体绩效分析，得到不同企业整体技术效率值如表10所示。

根据乳制品企业供应链整体技术效率分析可知，A企业相对于另外两家企业的供应链整体效率更加有效突出，大部分決策单元均实现了DEA有效。B企业随着时间推移，整体效率一直在提高，但在某些时刻还是略低于A企业。C企业在早年间也能连续保持DEA有效的状态，然而后劲不足，近些年未能维持自身的有效状态。

综上所述，对比各企业供应链整体效率与各个环节的效率表现，发现两者并不相同，进一步分析各企业生产加工环节和储运销售环节的技术效率与企业整体技术效率的关系可知，对于A、B两家企业而言，储运销售环节的效率情况对整体效率的影响最大，而对于C企业来说，生产加工环节的效率情况对整体效率影响最大。

因此，乳制品企业管理者在制定相关政策时，需要从供应链的各个环节出发去考虑并解决问题，而不能只关注供应链的始终，仅从起始投入与最终产出来研究供应链效率问题。管理者在进行研究时，应根据供应链各个环节效率对整体效率的影响大小，设定不同的权重进行分析。以本文研究企业为例，A、B企业应设置生产加工环节权重大于储运销售环节权重，C企业反之。

3 结 论

本文为研究长时间以来不同乳制品企业关于供应链各阶段的效率差异，构建由生产加工和储运销售两个环节构成的两阶段DEA模型，并将整理得出的三家乳制品企业各环节投入产出数据代入软件进行研究求解，最后得出的结论总结为以下几个方面。

（1）在生产加工环节，A、B两个企业的技术效率随时间波动较大，且都呈现出早期技术效率大于中后期技术效率的情形，原因却并不相同。对于A企业而言，是因规模效率随时间一直降低而使得技术效率越来越低，B企业则是由纯技术效率的降低所导致。因此，A企业应该减少投入，合理配置资源以实现最大产出;B企业应进一步提高企业的管理、技术能力以实现DEA有效。C企业的技术效率随时间波动不大，说明C企业在纯技术效率与规模效率的管理上都十分适宜，值得其他企业借鉴与学习。

（2）在储运销售环节，A、B企业随着时间增长，技术效率不断升高，说明无论是纯技术效率还是规模效率都随时间不断地改进，从而使得DEA有效的决策单元越来越多。然而C企业的技术效率在2013年之前波动不断，整体呈现下降趋势，2013年之后技术效率则一直在升高。这是由其纯技术效率的波动所导致，因此C企业在未来的发展过程中要注重提高企业在该环节的技术支撑能力。

（3）分析企业各环节的技术效率对供应链整体技术效率的影响可知，在A、B企业，储运销售环节对于整体技术效率的影响要远大于生产加工环节，C企业与之相反，生产加工环节对于整体技术的效率提高的影响所占比重更大。因此，在实际管理过程中，要全面考虑供应链的各个环节，并根据不同企业各环节对整体效率影响的不同，设置不同的权重，以便更好地进行研究分析。

参考文献

[1] 王磊，李翠霞，王泽民.合作伙伴特性对乳制品供应链合作关系稳定性的影响——基于质量安全视角的实证研究[J].农业技术经济，2019（7）：104-114.

[2] 杨琦，裴磊，魏旭明.中国乳制品销售环节安全监管状况影响因素研究——基于主成分因子分析和二项Logistic回归[J].南京工业大学学报（社会科学版），2019，18（3）：90-101.

[3] 桂冬冬，周灿，潘喜悦，等.多层次食品供应链网络均衡研究[J].粮食科技与经济，2017，42（6）：30-34.

[4] 晚春东，王雨佳.供应链视角下食品质量安全风险调控投资研究[J].科技管理研究，2019，39（5）：215-221.

[5] 刘永胜，王荷丽，徐广姝.食品供应链安全风险博弈分析[J].经济问题，2018（1）：57-64+90.

[6] 何静，杨翼.物联网环境下的乳制品供应链质量安全风险管理研究[J].中国乳品工业，2019，47（2）：43-47.

[7] Kirilova E G，Vaklieva-Bancheva N G.Environmentally friendly management of dairy supply chain for designing a green products portfolio[J].Journal of Cleaner Production，2017（167）：493-504.

[8] Njage P M K，Opiyo B，Wangoh J，et al.Scale of production and implementation of food safety programs influence the performance of current food safety management systems：Case of dairy processors[J].Food Control，2018（85）： 85-97.

[9] Herzog A，Winckler C，Zollitsch W.In pursuit of sustainability in dairy farming：A review of interdependent effects of animal welfare improvement and environmental impact mitigation[J].Agriculture，Ecosystems & Environment，2018（267）：174-187.

[10] Kazancoglu Y，Ozkan-Ozen Y D，Ozbiltekin M. Minimizing losses in milk supply chain with sustainability：An example from an emerging economy[J].Resources， Conservation and Recycling，2018（139）：270-279.

[11] 魏艷骄，朱晶.乳制品进口对中国不同规模奶牛养殖效率的影响[J].资源科学，2019，41（8）：1475-1487.

[12] 陈吉铭，刘芳，何忠伟，等.京津冀乳制品冷链物流效率与影响因素研究[J].中国畜牧杂志，2017，53（11）：123-128+143.

[13] 刘刚桥，师建华，张庆平.供给侧改革背景下广东省物流业 全要素生产率实证研究—基于DEA-Malmquist模型[J].物流技术，2019，38（9）：90-95.

[14] 方炜，杨步.基于DEA方法的企业绿色供应链运营效率评价研究[J].工业技术经济，2017，36（12）：19-26.

[15] 罗蓉，袁碧蓉.利率市场化对我国商业银行效率的影响研究—基于筹资、投资两阶段DEA模型效率测度[J].湘潭大学学报（哲学社会科学版），2017，41（2）：71-77.

[16] 孟维站，李春艳，石晓冬.中国高技术产业创新效率分阶段分析—基于三阶段DEA模型[J].宏观经济研究，2019 （2）：78-91.

[17] Izadikhah M，Saen R F.Assessing sustainability of supply chains by chance-constrained two-stage DEA model in the presence of undesirable factors[J].Computers & Operations Research，2018（100）：343-367.

[18] Cecchini L，Venanzi S，Pierri A，et al.Environmental efficiency analysis and estimation of CO2 abatement costs in dairy cattle farms in Umbria （Italy）：A SBM-DEA model with undesirable output[J].Journal of Cleaner Production，2018（197）：895-907.