基于DEA的中国省际物流业效率分析

卢 琳

（南京财经大学，江苏 南京210023）

一、研究背景

生产、流通与消费是社会经济的三个主要组成部分，而物流在经济流通中尤为重要。随着物流业的快速发展，现代物流业在国民经济中的作用和地位日益突出。中国物流业总体起步较晚，与发达国家相比，物流业发展水平与投入产出转化能力存在较大差距，且各省物流业发展水平之间也存在较为严重的地域差异。此外，部分省份未能结合自身实际发展状况，盲目加大物流业投入、片面追求规模扩大，造成了物流效率的低下。

物流效率是衡量物流业发展质量的重要指标，主要体现在配送质量、配送时效以及配送服务水平等多个方面。近年来，学者陆续展开对物流效率的研究，选取的评价对象多为企业、行业或区域，评价方法主要有SFA、DEA和AHP等。其中，最常用的是DEA，这种方法无须预先估计参数，评价结果较为客观。随着学者的不断深入探究，物流业效率研究方法也日趋完善。本文将传统的DEA模型与SE-DEA模型相结合，对物流业投入产出数据进行定量分析，研究结果对制定物流业发展战略具有一定的参考价值。

本文的创新之处有两点，一是将DEA模型与SE-DEA模型相结合，不仅得到2018年中国30个省（市、区）的物流业效率数据，还通过超效率评价值对这30个省（市、区）进行全排序，从而得到更为全面可比的信息，为提升中国物流业效率提供参考；二是在选定的投入产出指标的基础之上，进一步分析各投入产出指标的影响力，为完善指标选取、改进模型提供一定的理论依据。

二、文献综述

随着物流业的蓬勃发展，国内外学者开始关注物流效率问题。Fei Ying等①在分析新西兰建筑业物流效率后，指出提高物流效率的具体干预措施。樊俊花强调农产品物流的重要地位，进而提出中国农产品物流评价体系的六大原则：实用、科学、系统、目的性、定性与定量以及规范和针对原则②。Lalhriatpuii指出，效率对物流业来说至关重要，并且效率可以用来衡量物流业利用可用资源的水平③。王芳等提出，物联网技术可以对物流方案进行优化决策，从而提升物流企业的经营效率④。

DEA是常用的物流效率评价方法。连兆大等用DEA模型，以18个重点省份为研究对象，发现物流效率状况呈现出区域性不平衡性，主要体现在沿海地区和内陆地区的不平衡性⑤。李竹青等研究华东地区7个省份及直辖市的物流效率，提出优化投入产出结构和促进区域物流业协同发展的策略⑥。郭子雪等认为，京津冀三省市的物流资源优势互补，但物流资源空间布局还有待进一步改善⑦。刘岩等将聚类分析和相关性分析结合，用DEA-BCC模型研究中国31个省市2016年的物流效率，发现经济发达的沿海地区物流效率具有明显优势⑧。

也有部分学者将SE-DEA模型运用到物流效率的研究当中，汪旭晖等基于SE-DEA模型，提出经济发展水平会直接影响超效率⑨。魏国辰等对2010年至2015年长江经济带物流业效率值进行测算，提出了改善长江经济带物流产业效率的对策⑩。此后，仲云云等运用SE-DEA模型分析长江经济带2012年至2017年的物流效率，阐述长江经济带物流效率的时空演变并给出相关政策建议⑪。

三、指标选取与数据来源

（一）指标选取

利用投入导向下的DEA-BCC模型和SE-DEA模型进行效率评价时，投入产出指标的选取对于最终的效率评价结果会有很大影响。本文从劳动力和资本两个方面选取投入指标；从规模方面选取产出指标。由于物流业目前还没有完整的数据统计体系，而中国的交通运输、仓储和邮政业是物流业的主体部分，故以该统计数据代替物流业。具体的投入产出指标见表1。

表1 中国物流业投入产出指标体系表

（二）数据来源

选用中国大陆地区除西藏1外的30个省（市、区）的2018年度截面数据，并按经济带划分，进而不仅可以对中国省际物流业效率差异进行分析，还可以对中国三大经济带的物流业效率差异进行整体比较。数据主要来源于《中国统计年鉴（2019年）》，通过DEAP2.1软件进行DEA效率测算，通过MATLAB R2012a软件进行SE-DEA效率测算。

四、实证研究与分析

（一）效率分析

经过软件运算，2018年中国大陆30个省（市、区）物流效率测算结果见表2。

1.综合技术效率分析。综合技术效率能综合反映被评价DMU的资源配置能力、资源使用效率等。由表2可知，30个省（市、区）中有8个为DEA有效，占被评价决策单元的26.67%。其中，东部、中部和西部的DEA有效地区个数分别为5个、3个和0个。不难看出，中国物流业效率存在一定的“东中西部”的地域差异，东部沿海地区的物流业效率远高于中部内陆地区和西部边远地区。对比起来，东部地区的物流业投入和产出较为均衡、结构较为合理，而西部地区由于地理位置和经济发展水平等原因，物流业效率普遍较为低下。

表2 2018年中国大陆30省（市、区）物流效率测算

2.纯技术效率分析。纯技术效率衡量的是规模报酬不变条件下的投入要素利用率。纯技术效率为1的有13个，占被评价DMU总数的43.33%。东部地区除山东和江苏两省外，其余省份均保持在0.8以上的高水平，故东部地区的物流业投入资源利用率总体符合物流业发展要求并且能够实现物流业效益的最大化。中部地区均值为0.728，除DEA有效的省（市、区）之外，其余省（市、区）均在0.8以下，尤其是黑龙江省的纯技术效率仅为0.295，说明中部地区在投入资源有效利用方面尚有较大改进空间。西部地区均值为0.797，反超中部地区，可以看出西部地区在资源有效配置方面做得不错。

3.规模效率分析。规模效率反映的是实际规模与最优规模的差距。根据表2可知，30个省（市、区）的规模效率平均值为0.900，且有8个省（市、区）的规模效率为1，占被评价决策单元总数的26.67%。东部地区的规模效率平均值为0.925，中部地区为0.919，西部地区为0.855。总的来说，东部和中部地区的规模效率处于较高水平，西部地区略微落后，表明投入产出结构尚未达到合理状态。

4.规模报酬类型分析。DEA模型还可用于判断被评价DMU的规模报酬类型。由表2可知，规模报酬递增、不变和递减的省（市、区）数量分别为19个、8个和3个。可以看出，规模报酬递减的辽宁、江苏、山东全部处于东部地区。基于东部部分地区已经出现规模报酬递减，此时应当适当缩小规模从而提高效率。中部地区和西部地区多为规模报酬递增，即中西部地区的物流业具有一定的发展和成长空间，应当积极引进高新技术，增强创新能力，提高运作效率，加快产业集聚，使物流业调整至最优状态。

5.超效率值分析。传统DEA模型无法对DEA有效的多个DMU进行进一步的比较，而利用SEDEA模型，使DEA有效的DMU获得大于等于1的效率值，DEA无效的DMU效率值保持不变，就能实现对DEA有效单元的进一步排序。由表2可知，超效率值排名前十的省（市、区）有6个在东部地区，有3个在中部地区，有1个在西部地区。超效率值排名后十的省（市、区）有3个在东部地区，有3个在中部地区，有4个在西部地区。通过对所有被评价DMU进行全排序，可以知道，超效率值较高的地区主要集中在东部，尤其是上海；而超效率值较低的地区则较为分散，平均分布在东部、中部和西部。

（二）投影分析

对于纯技术效率为非有效的DMU进行投影分析，得到投入和产出的松弛变量，具体数值如表3所示。

表3 2018年中国非DEA有效的省（市、区）物流投入产出松弛量表

在本文研究的30个省（市、区）中，有17个存在投入冗余，其中东部、中部和西部各有4个、6个和7个。有14个存在产出不足，其中东部、中部和西部各有3个、4个和7个。东部地区的物流业从业人员冗余、公路营运载货汽车吨位冗余和货物周转量不足问题较为严重；西部地区的物流业从业人员工资总额冗余和等级公路里程数冗余问题较为严重。值得注意的是，并没有地区存在货运量不足的问题，即全国的货运量基本都能得到满足，这也是对中国近年来物流业发展水平的一种肯定。

（三）效率影响因素分析

前述研究都是在自行选取的投入产出指标基础上进行的，而投入产出指标选取的科学性和合理性并没有得到证实。该部分通过计算投入产出指标不同组合方案的平均效率值来衡量各指标对DEA效率的影响程度，为了研究的方便，仅考虑剔除一种投入或产出指标的情形（表4）。

在表4中，将中国30个省（市、区）DEA效率均值进行统计，DEA效率均值越低，表明该方案所剔除的指标对物流效率影响程度越大，反之则越小。由表4可知，在剔除一种投入指标的前4个方案中，方案3的效率均值最低，表示公路营运载货汽车吨位投入对物流业效率影响较大。在剔除一种产出指标的后2个方案中，方案5的效率平均值明显低于方案6，表示货运量产出对中国物流业效率影响较大。

表4 2018年各投入产出指标集下中国30个省（市、区）DEA效率均值

为了能用直观的数据表示出各指标对DEA效率的影响程度，进一步进行数学处理。表示原始投入产出指标集，Du表示将第u个指标剔除后的剩余指标集，V(D)和V(Du)分别表示指标集D和Du的DEA效率均值。指标u对DEA效率值的影响程度的计算公式为：

Wu反映的是剔除第u个指标对DEA效率均值变化的影响比率，Wu的数值越大表示剔除的该指标对DEA效率的影响程度越大，即该指标越重要；反之则越小。计算可得，各指标对DEA效率值的影响程度见表5。

表5 各指标对DEA效率值的影响程度

可知，在4个投入指标中，公路营运载货汽车吨位投入对DEA效率具有显著影响；等级公路里程数投入次之；而物流业从业人员投入和工资总额投入对DEA效率影响程度相对较小。在2个产出指标中，货运量产出指标对DEA效率影响程度明显高于货物周转量产出指标。这与直接观察不同投入产出指标集下的DEA效率均值所得到的结论一致。

五、结论

本文将DEA模型与SE-DEA模型相结合，构建了中国省际物流业投入产出效率评价体系。从评价结果来看，30个省（市、区）中有8个为DEA有效，主要集中在东部和中部地区，另有5个为弱DEA有效。从地域来看，物流业发展中投入、产出效率总体呈现出不均衡的局面。东部地区的物流业效率整体要高于其他地区，并且超效率值较高的地区主要集中在东部，这与东部地区总体经济发展水平较高有关。中部地区的投入产出结构较为合理，但在资源有效配置方面有所欠缺，导致物流效率偏低。西部地区与中部地区恰好相反，对物流资源的技术利用相对较好，但物流规模稍显落后，应当适当加大物流资源投入，规范物流体系制度，促进物流业可持续发展。在对效率影响因素的分析中，发现公路营运载货汽车吨位投入对DEA效率具有显著影响；货运量产出指标对DEA效率影响程度明显高于货物周转量产出指标。该部分指标影响程度分析为完善指标选取和对模型的改进提供了一定的理论依据。

注释：

①Fei Ying,John Tookey,Johannes Roberti.Addressing Effective Construction Logistics Through the Lens of Vehicle Movements[J].Engineering,Construction and Architectural Management,2014,21(3).

②樊俊花.农产品物流效率评价指标体系构建研究[J].农业经济,2019(02):141-142.

③Lalhriatpuii.Efficiency Measures of Logistics Sector in Aizawl City,Mizoram:An Empirical Evidence[J].Asian Journal of Management,2019,10(1).

④王芳,刘佳喜,时国栋等.利用移动通信和物联网技术提高物流效率探讨[J].通讯世界,2020,27(02):122-123.

⑤连兆大,程德通.基于DEA模型的“一带一路”重点省份物流效率分析[J].商业经济研究,2017(04):80-82.

⑤李竹青,张丰.华东区域物流行业效率实证研究[J].商讯,2018(10):102+104.

⑦郭子雪,张雅辉,黄新.基于DEA模型的京津冀区域物流效率评价研究[J].数学的实践与认识,2018,48(24):41-50.

⑧刘岩,田强.我国物流业效率评价及其影响因素分析[J].商业经济研究,2019(13):75-78.

⑨汪旭晖,徐健.基于超效率CCR-DEA模型的我国物流上市公司效率评价[J].财贸研究,2009,20(06):117-124.

⑩魏国辰,乐雄平,孔令钦.长江经济带物流产业效率及其影响因素研究[J].数学的实践与认识,2018,48(09):41-47.

⑪仲云云,周雨倩.基于超效率DEA模型的长江经济带物流效率实证分析[J].物流工程与管理,2020,42(02):13-14+25.