基于三阶段DEA的枢纽城市低碳物流绩效分析

0 引 言

2021年，我国碳排放量占全球的30%，而物流行业的碳排放量约占全国碳排放量的33%，因此低碳物流是发展的必然趋势，而融入低碳理念与技术的物流绩效能得到怎样的发展则是现阶段学者的研究重点。

从物流绩效方面的研究内容来看，更多学者还是聚集于出口贸易方面的影响[1-2]、不同国家或省份间的相互比较[3]等方面的研究。柳键等[4]评价了中国省市区域的低碳经济发展绩效。虽然已有关于低碳物流绩效的研究，但是较少。所以本文将研究重点放在对枢纽城市的低碳物流绩效的研究上。

目前已有较为成熟的物流绩效研究方法，例如葛世帅等[5]在测度绿色创新绩效时选择应用DEA-Malmquist方法；丁俊琦等[6]构建了生物产业上市企业绩效评估DEA模型对上市企业的投入产出效率情况进行评估；刘宏笪等[7]构建了广义面板三阶段DEA模型实证。

从上述学者的研究中可以发现，绩效评定的主要方法有DEA-Malmquist、引力模型、灰色相加比率等。本文基于前人的研究成果，通过构建三阶段DEA模型，将碳排放及能源消耗加入投入产出指标中，同时剔除了相关外部环境与随机因素的影响，以此更加客观地对枢纽城市的物流低碳城市进行测量，通过得出的综合技术效率、纯技术效率和规模效率来分析枢纽城市低碳绩效的发展现状及可以改进的地方。

1 相关理论模型

2002年H.O.Fried就发现传统DEA模型没有考虑环境因素和随机噪声对决策单元效率评价的影响，因此他提出了一种能够更好地评价决策单元效率的三阶段DEA 模型，使得计算的结果能够更加真实地反映决策单元的内部管理水平，其过程包含三个阶段。

第一阶段为投入导向的BCC规模收益可变模型。

其中，λj，S-，S+均≥0。j代表决策单元，X和Y分别是投入和产出，若θ=1，则决策单元有效；若θ＜1，则代表决策单元非DEA有效；并且BCC模型可以通过得出的综合技术效率（TE）作为效率值进行分析，综合技术效率可以分解为纯技术效率（PTE）和规模技术效率（SCE），三者之间的关系为TE=PTE*SCE。

第二阶段为类似SFA回归模型。H.O.Fried认为，因为受到环境因素和统计噪声的影响，第一阶段中DEA计算的决策单元的绩效并不能客观反映决策单元的真正管理效率，所以第二阶段的主要目标是将第一阶段的松弛变量分解成以上三种效应进行分析，通常借助于SFA回归。在SFA回归中，通过第一阶段的松弛变量对环境变量和混合误差项进行回归。

根据Fried等的想法，构建如下类似SFA回归函数（投入导向为例）。

其中，Sni是第i个决策单元第n项投入的松弛值；Zi是环境变量，βn是环境变量的系数；Vni+μni是混合误差项，Vni表示随机干扰，μni表示管理无效率。其中，v～N（0，σv2）是随机误差项，表示随机干扰因素对投入松弛变量的影响；μ是管理无效率，表示管理因素对投入松弛变量的影响，假设其服从在零点截断的正态分布，即v～N+（0，σv2）。

SFA回归的目的是剔除环境因素和随机因素对效率测度的影响，以便将所有决策单元调整于相同的外部环境中。调整公式如下。

其中，XAm是调整后的投入；Xni是调整前的投入；[max（f（Zi；βn））-f（Zi；βn）]是对外部环境因素进行调整；max（Vni）-Vni是将所有决策单元置于相同水平下。

第三阶段为调整后的投入数据和原始产出数据的传统DEA。将第二阶段已经剔除环境因素和随机因素影响的投入数据代替原始投入数据，产出数据不变，重复第一阶段的步骤。

2 变量选取

2.1 投入产出

首先物流业的投入分为成本投入与资产投入两方面，而选取物流业增加值、物流业的从业人数作为物流业的成本投入，物流业的固定资产投入作为资产投入，并放入第三产业能源消耗作为环境方面的影响因素；在产出方面主要选取生产总值作为期望产出指标，物流行业二氧化碳排放量作为非期望产出指标。6个指标构成了物流绩效评价的体系指标；而针对非期望产出，采取最普通的线性数据转换函数进行处理。

设决策单元DMUj在第j年排放的二氧化碳总量为Fij，通过使用线性数据转换函数将物流行业排放的二氧化碳总量Fij转化为期望产出：F'ij=-Fij+ε，其中F'ij＞0，F'ij且越大，代表其期望产出越大。

2.2 环境变量

对于环境变量的研究，汪文生等[8]选择地区GDP与R＆D内部经费支出作为研究物流绩效的环境因素。通过研究，选择高等教育水平、基础设施结构、技术支持强度三个因素作为外部环境变量。高等教育水平代表将来为低碳能做的贡献；基础设施结构用基础设施投入来反映，基础设施的投入越多则代表将来更快地向低碳模式转型；基础设施投入用R＆D经费支出占GDP的比例来衡量。

3 实证与分析

3.1 第一阶段传统DEA实证与分析

本文通过使用DEAP2.1软件对国家发展改革委、交通运输部联合印发的《关于做好2019年国家物流枢纽建设工作的通知》中的21座枢纽城市（见表1）2013—2020年的低碳物流绩效进行了初步测算，其结果如表2所示。

表1 21个国内枢纽城市

表2 一阶段DEA 2013—2020年各城市物流绩效

如表2所示，枢纽城市低碳物流的发展水平已处于相对较高的阶段，但是多数枢纽城市的低碳物流绩效并没有达到最优。其中，临沂、宁波、深圳、太原、赣州和营口这6座枢纽城市在研究阶段的8年间都达到了DEA有效，而相对的，如表3所示，天津市是所有枢纽城市中低碳物流绩效最低的，其平均技术效率值为0.48。

表3 一阶段DEA 2013—2020年天津市物流绩效

从整体来看，物流枢纽城市在八年来的综合技术效率平均值达到0.86，代表八年间的平均综合技术效率达到生产前沿面的86%，仍有一定的提升空间；纯技术效率的平均值为0.9，表明枢纽城市的低碳物流绩效在近几年的发展中仍然有发展空间；规模效率平均值为0.95，表明我国枢纽城市的低碳物流绩效在资源配置方面相对来说较为合理。

3.2 第二阶段SFA回归实证与分析

将第一阶段DEA模型四个投入变量的松弛变量作为被解释变量，使用Frontier4.1软件对四项投入值的松弛变量进行最大似然值回归分析，得到表4所示的结果。

表4 SFA回归结果

从表4可知，大部分都通过了T检验，只有少部分没有通过，并且γ值为0.95，0.92，0.92和0.86，通过了1%的显著性水平，由此可见，管理水平占据了主导影响地位。由于回归系数为负数，环境变量的增加有利于投入松弛变量的减少。

高等教育水平对物流业固定资产投入的松弛变量是负影响，而对物流业增加值、物流业从业人数和能源消耗松弛变量都是正影响，其中除了能源消耗通过了10%的显著水平，其余物流业固定资产投入、物流业增加值和物流业从业人数都通过了5%的显著水平，表明了高等教育水平越高，物流行业固定资产的冗余就越少，有利于提高枢纽城市的物流低碳绩效；但高等教育水平越高，物流业增加值、物流业从业人数和能源消耗的冗余反而越高，降低了枢纽城市的低碳物流绩效，说明枢纽城市在物流业增加值、物流业从业人数和能源消耗等方面存在不合理性。

基础设施水平对物流增加值松弛变量系数通过了5%的显著性检验，对物流业固定资产投入和能源消耗的松弛变量系数通过了1%的显著性检验，而物流从业人数松弛变量的回归系数不显著，表明基础设施水平对物流从业人数没有影响。基础设施水平对物流增加值、物流业固定资产投入、物流从业人数和能源消耗的松弛变量的回归系数都是正影响，表明物流基础设施水平的提升需要四项投入值共同增加，而其中人力的投入相对较少，能源的投入相对较大。

技术水平和物流业固定资产松弛值在5%的显著性水平下呈负相关，与能源消耗松弛值在1%的显著性水平下呈负相关，表明技术水平的提升能够大大减少能源的消耗。技术水平和物流行业增加值的松弛值以及技术水平和物流从业人数的松弛值回归系数不显著，都呈现出负相关，表明技术水平在物流行业增加值及物流从业人数方面没有发挥明显的作用。因此，快速提升技术水平会使得能耗快速下降，人力也可以因此而下降。

3.3 第三阶段调整后的DEA实证与分析

对调整后的投入指标、原始的产出指标，再次使用DEAP2.1软件，分析21座枢纽城市2013—2020年调整后的低碳物流绩效，其结果如表5所示。

表5 三阶段调整后枢纽城市物流绩效

表5所示是三阶段调整后枢纽城市2013—2020年的低碳物流绩效均值，是已经剔除环境因素和随机扰动影响后的数值。

通过对比一阶段的结果，综合技术效率在第三阶段分别为0.96，0.96，0.95，0.95，0.96，0.96，0.96，0.97，综合技术效率的平均值达到了0.96，相比于第一阶段的综合技术效率平均值0.86，有了11.14%的增长幅度，如表6所示，八年连续达到了DEA有效的枢纽城市从临沂、宁波、深圳、太原、赣州和营口这6座城市变为上海、临沂、宁波、深圳、赣州、长沙、营口这7座城市。其中，上海和长沙在将环境因素和随机因素剔除后，效率达到DEA有效，表明这两座枢纽城市的低碳物流绩效是高效的。纯技术效率值依次为0.97，0.97，0.96，0.97，0.97，0.97，0.97，0.98，纯技术效率的平均值达到了0.97，相比于第一阶段纯技术效率平均值0.90，增长率为7.6%。规模效率值分别为0.99，0.98，0.98，0.98，0.99，0.99，0.98，0.99，规模效率值的平均值为0.99，增长率为3.45%，由此可见，在消除环境影响因素与随机误差后，枢纽城市的低碳物流绩效值随着技术水平的提升而提升。

表6 三阶段调整后处于效率前沿的枢纽城市

4 结论与启示

4.1 枢纽城市低碳物流绩效总体及分区分析

地区的不同导致环境影响因素、地区发展、资源分配等都存在差异，本文根据地区特性将21座枢纽城市分为南方城市和北方城市进行差异分析，结果如表7所示。

表7 分地区绩效对比

从表7可以很明显看出，南方枢纽城市在综合技术效率均值、纯技术效率均值和规模效率均值方面都是大于北方枢纽城市的。南方枢纽城市在地区经济发展方面都处在较好水平，并且在物流行业增加值、物流行业固定资产投入方面比北方枢纽城市有着相对较高的数据，而北方枢纽城市在基础设施方面往往好于南方枢纽城市，但是由上述研究可以发现，基础设施的增加值并不能带给低碳物流绩效显著的提升。

从综合技术效率来看，北方枢纽城市比南方枢纽城市低了0.021，而在纯技术效率方面，北方枢纽城市比南方枢纽城市低了0.008，由此可见，北方枢纽城市的主要差距体现在综合技术效率上，因此相比于技术水平上略微的差距，北方枢纽城市应提升资源配置能力、资源使用效率等多方面能力，加强北方地区枢纽城市的内部技术与人才交流，从而提高北方枢纽城市的低碳物流绩效。而与北方枢纽城市相比南方枢纽城市的规模效率都处于较高水平，通过较为合理的资源配置已经使规模效率接近前沿水平，因此通过进一步扩大生产规模，可以同时达到经济效益的提升、低碳物流绩效的发展。

4.2 结论与建议

本文通过三阶段DEA分析法对我国21座枢纽城市进行分析，分析过程通过使用SFA随机前沿分析法剔除了相关环境因素与随机因素，调整投入指标，得到更加客观的物流绩效，并得到如下结论。

枢纽城市低碳物流绩效受外部环境的影响较大，在剔除了环境因素与随机因素的影响后，规模效率的增长微乎其微，可见环境因素与随机因素的影响对枢纽城市的物流绩效影响较大。

枢纽城市中的低碳物流绩效差异较大，整体已经处于相对较高的水平。在将枢纽城市分为南方与北方城市后可以看见南方枢纽城市的平均综合技术效率、平均纯技术效率和平均规模效率都比北方枢纽城市高，且两地区的数值均未达到1，表明整体仍有提升空间。

随着低碳政策的逐渐实施，21座枢纽城市的平均综合技术效率、平均纯技术效率和平均规模效率都呈现出不同程度的增长，规模报酬从起初的递减状态逐渐变成递增状态；说明枢纽城市的低碳物流整体规模仍有发展空间，规模效益相对较低，低碳物流的规模仍有提升空间。

针对以上结论，提出如下三条管理启示。

第一，调整相关环境因素的实施。环境因素中基础设施建设投入的增加对低碳物流绩效有负影响，而高等教育水平和技术水平对低碳物流绩效有正影响，因此可通过降低相关基础设施的投入、提高技术水平以及高等教育程度来达到对低碳物流绩效的提升目标。

第二，细化资源分配。大部分枢纽城市都存在物流固定资产和物流从业人员的投入冗余。针对这些枢纽城市，应做好现有资源的重新合理分配，并整合后投入新增加的资源，从而优化投入产出达到低碳物流绩效的提升。

第三，紧密推进相邻城市的合作。针对南方枢纽城市高于北方枢纽城市的低碳物流绩效的特点，除了上述管理启示，还可以在北方枢纽城市内部进行城市间人才交流、资源的共同分配等，以此来促进枢纽城市低碳物流绩效的共同提升。