皖北地区物流效率及其影响因素研究

2022-11-22贾大任王建民

湖南工业大学学报 2022年6期

贾大任，王建民，刘影

（安徽理工大学经济与管理学院，安徽淮南 232001）

1 研究背景

物流业是运输、仓储、通信等多个行业共同整合的结果，在社会经济发展、人民生活水平的进步中起着极其重要的作用。在我国经济进入高质量发展的新格局下，现代物流业的发展被当做是畅通国内大循环的基础框架，是实现双循环新发展格局的关键环节[1]。在国家发展改革委员会联合相关部门印发的《关于推动物流高质量发展促进形成强大国内市场意见》中，指出了物流业是国民经济的战略性产业，提升物流行业的水平对巩固降本增效、提升经济发展活力具有重要作用。在经济发展进入新格局下，作为十大振兴产业之一的物流业对皖北地区的高质量发展有直接带动作用。皖北地区物流业发展迅速，物流业生产总值从2013年的232.16 亿元增长到2019年的623.31 亿元，平均每年约增长24%。在高速发展的同时，皖北地区也存在发展不平衡不充分、资源配置不到位、资源利用效率低下的问题。本文拟在对皖北地区物流效率测算的基础上，进一步探索其影响因素，以期实现皖北地区物流效率的提升、物流业的进一步发展。

由于物流业行业已经成为经济发展的重要增长极，物流效率评价及其影响因素的探讨也成为国内外学者共同关注的热门课题。从物流效率相关的研究来看，贾雯馨等[2]通过建立数据包络分析法（data envelopment analysis，DEA）模型，对安徽省16 个城市数据分析对比后得出不同城市物流效率发展情况；何景师等[3]通过Malmquist 指数、超效率SBM（slack based measure）模型和Tobit 模型对碳排放约束下我国三大湾区城市群的物流效率和影响因素进行了研究，发现绿色物流效率均值珠三角地区最高，其次是长三角地区，最后是渤海湾城市群。经济水平等对绿色物流效率具有负影响，物流运输强度等对绿色物流效率具有正影响；Y.Ali 等[4]运用线性规划法对巴基斯坦货物运输理想方式划分、提高货物运输物流效率进行研究，研究发现巴基斯坦货物运输方式应以铁路运输为主，卡车运输为辅，才能具有成本效益；张云凤等[5]使用C-D 生产函数（Cobb-Douglas production function）对30 个省（市、自治区）的物流产业效率进行了评价，并分析了外生环境变量是如何对这些省级行政区产生的显著作用，研究了我国物流产业效率整体水平不高、地区差异显著的问题，得出了低碳约束对物流产业效率有正面影响的结论；龚瑞风等[6]采用三阶段DEA 模型，对2009—2018年中国区域物流效率及其时空分布进行了研究，发现区域物流效率提升的关键是规模效率的提升，且我国物流效率地区上呈东高西低的格局；V.P.Nekhoroshkov 等[7]以物流效率作为衡量指标，对亚太经合组织国家物流和运输系统运作的可靠性和及时性进行了探索，发现通过提升物流效率可以进一步缩小亚太经合组织国家发展不平衡不充分的问题。从物流效率的影响因素相关研究来看，杨亚利等[8]以泛珠江三角洲地区9 个内地省份为研究对象，在对泛珠江三角洲地区的物流业效率测算后，发现区域物流效率的主要影响因素是物流规模的大小及物流技术的投入；高康等[9]基于超效率和探索性空间数据分析DEA-ESDA（exploratory spatiul data unalysis）研究方法，对我国西部地区12 个省份的物流效率进行了测算和评价及结构分析，研究发现西部地区物流效率整体上存在弱相关性，且有整体波动上升的趋势。影响其物流效率的主要因素为纯技术效率，通过人才队伍建设和信息化建设可以提升纯技术效率；王琴梅等[10]采用泰尔指数和摩尔指数、Super-DEA 模型及Tobit 模型，分析了产业结构的演进对丝绸之路经济带核心区物流效率的影响，发现产业结构越趋于合理，对物流效率的提升越有明显的促进作用。

由上文所述可知，学者在物流效率的评价及影响因素的研究上已经取得了长足的进步。但是现有研究仍存在部分不足：1）更注重物流效率的测算和评价，对其影响因素的探索不足，进而无法完整、全面地提出提升策略；2）研究方法呈现多样化，研究结果会因方法的不一致导致差异；3）研究区域集中在长三角地区、东部地区、西部地区等，皖北地区的物流效率研究比较少见。随着近些年关于皖北振兴的政策出台，皖北地区的基础设施建设迈上了新台阶，新形势下皖北地区的作用更加重要，其物流效率的提高对安徽省的总体发展有非常重要的促进作用。

基于此，在结合皖北地区现实情况的基础上，择优选择使用适宜的相关评价指标，运用DEA 中BCC模型和Malmquist 指数法对皖北地区2013—2019年的物流效率进行动静态结合评价和实证分析，然后利用Tobit 回归模型，挖掘分析皖北地区物流效率的影响因素，进而对其影响因素的相关性进行分析。根据实证分析所得结论，结合国家和省内相关政策，对皖北地区物流效率提升提出有指向性的建议。

2 基于DEA 模型的皖北地区物流效率评价

2.1 研究方法与模型

2.1.1 数据包络分析法

DEA 由A.Charnes 等[11]在1978年提出。它是根据多要素的投入和产出，对决策单元（decision making unit，DMU）进行相对有效性或效益评价的一种方法。DEA[12]在使用过程中以决策单元的各投入与产出指标的权重系数为变量进行效益评价，以相对效益为衡量标准，不需要预先估计参数，能够进一步避免评价结果的主观性，从而减少误差。

在DEA 模型中，CCR 模型的基础是规模效益不变，进而对综合效率进行衡量。BCC 模型的基础是规模效益可变，对纯技术效率进行衡量。CCR 和BCC 模型在实际应用操作中可分投入导向型和产出导向型，投入导向型是研究在产出一定下如何使投入最小，产出导向型则与之相反。考虑到规模效率不变假设很难实现，根据物流效率研究的实际情况，选择规模报酬可变的BCC 模型，公式如下：

式（1）中：m=1,2,…,m为决策单元；λ1，λ2，λ3，…，λn为对偶变量；xi、yi为每个决策单元的投入变量和产出变量；s+为松弛变量；s-为剩余变量；θ为每个决策单元的综合效率值。

2.1.2 Malmquist 指数方法

在Sten Malmquist 提出Malmquist 指数后，F.Rolf 等[13]将其与数据包络分析方法相结合，由此Malmquist 指数法被广泛应用。Malmquist 的原理是通过当期与上一期或基期的对比得到全要素生产率。在物流业效率测算中，使用DEA-BCC 模型可以测算静态效率值，通过全要素生产率能够发现效率的动态演变情况，使得测算结果更加全面和客观。在Malmquist 指数分解中，能够观察出物流业效率的影响因素。全要素生产率的计算公式如式（2）：

式中：基础假设为存在m个决策单元、T个生产日期。m=1,2,…,m；t和t+1 为2 个不同的生产日期，t=1,2,…,T-1；Xrt和Yrt为时期t和决策单元r（r=1,2,…,m）的投入向量和产出向量；为以t期为基期，t期和t+1 期产出的距离函数；E为测度每个决策单元到最优前沿面的逼近程度，即技术效率；T为技术进步变化情况。

2.2 数据来源与评价指标体系构建

基于数据可得性以及在实证研究中的需要，选择使用2013—2019年皖北地级市的相关数据作为物流业投入指标与产出指标。所涉及数据均从安徽省统计局公布的《安徽统计年鉴》中摘录[14]。其中，根据“物流”的概念及大多数相关研究的选择，将物流业界定为包括交通、运输、仓储和邮政业[15-19]。

区域性的物流效率可以用来分析其资源配置、政策实施成效、技术、行业对经济发展的带动作用。在构建关于物流效率评价指标体系的过程中，投入指标从人力投入、物力投入和资本投入3 个方面来考虑对关于物流业的投入更有综合性[20]。人力投入方面，因皖北地区物流业发展尚不发达，属于劳动密集型产业，所以将物流从业人员数量（X1）作为评价指标更能反映人力资源投入情况。物力投入方面，公路里程（X2）是货运指标计算的基本情况。资本投入方面，固定资产投资是形成物流业资本来源最关键的组成部分，故选择物流产业固定资产投资总额（X3）。在产出指标上，选择能够反映物流业发展规模与质量的物流业生产总值（Y1）和公路货物周转量（Y2）及公路货物运输量（Y3）（如表1）。

表1 物流业投入与产出指标Table 1 Input and output indicators of logistics industry

2.3 投入和产出指标的相关性分析

为了解所选取的投入与产出指标是否具有相关性，利用软件SPSS 22.0对其进行Pearson相关性分析，结果见表2。

表2 Pearson 相关性分析结果Table 2 Pearson correlation analysis results

由表2可知，所选取的投入指标与产出指标间的相关系数均为正数，并且都在0.01 置信度水平上显著相关，说明所选取的指标具有显著的正相关关系，保证了对皖北地区物流效率测算的科学性和准确性，所选取指标更适合进一步研究。

2.4 皖北地区物流效率实证分析

基于选择的投入产出指标构建的评价指标体系、影响因素，在安徽省统计局发表的《安徽省统计年鉴》中摘录所有相关数据，对安徽省物流业效率及其影响因素进行实证分析。

2.4.1 DEA 模型效率测算及静态分析

根据表2所整理的数据，利用DEAP 2.1 软件对皖北地区的物流效率进行测算与整合。计算得到的结果整合后主要包括皖北地区的物流总体效率、纯技术效率、规模效率3 个评价指标。其中，纯技术效率能够反映出皖北地区在一定投入下所获得的产出能力，规模效率则能够体现皖北地区的物流业发展规模。所得皖北地区及各市物流效率的测算结果如表3、表4所示。

表3 皖北地区2013—2019年物流效率测算结果Table 3 Measurement results of logistics efficiency in Northern Anhui from 2013 to 2019

表4 皖北6 市2013—2019年物流效率测算结果Table 4 Logistics efficiency of six cities in Northern Anhui from 2013 to 2019

从表3可以看出，2013年、2014年、2017年和2019年皖北地区的总体效率值为1.000，表明皖北地区在这4 a 的物流效率达到DEA 有效水平，物流业的投入得到了合理有效的利用。2015年、2016年和2018年皖北地区的物流总体效率值都小于1，分别为0.835,0.860,0.970，处于DEA 非有效水平，说明在这3 a 皖北地区关于物流的投入没有得到完全充分的利用，造成了物流效率水平偏低的结果。皖北地区2015年的总体效率值为0.835，处于DEA 非有效水平的结果是由其规模效率0.835 导致的，又因为处于规模报酬递增，反映出当时的皖北地区物流业还在发展的爬坡期，表明该时期内更重视基础设施的建设，不利于达到投入产出最佳的平衡状态；2016年和2018年的总体效率值分别为0.860,0.970，DEA非有效水平是由其纯技术效率和规模效率偏低共同导致的，表明皖北地区应注意物流资源合理配置问题。从平均值来看，总体效率的平均值为0.952，纯技术效率的平均值为0.994，规模效率平均值为0.957，因规模报酬大体处于规模递增或不变的阶段，可知皖北地区的整体物流效率较高。

分析表4中数值可知，6 个地级市的物流总体效率均值达到0.983，说明了物流产业水平相对较高，有稳定发展趋势。从规模效益来看，淮北、亳州、宿州、蚌埠、阜阳5 市的规模效率、纯技术效率和总体效率值均为1，达到了DEA 有效水平，表明该5 市物流效率在省内相对较高。淮南总体效率值小于1，处于DEA 非有效水平，物流效率低于其他市。由淮南纯技术效率值为1，可知导致其物流效率无效是因为规模效率值偏低，在物流业发展过程中没有实现资源的有效配置，而规模效益处于递增状态，表明通过增加投入，促进资源合理利用，可以获得更可观的产出。

2.4.2 Malmquist 指数动态分析

由于皖北地区各市物流产业发展存在差异性，若仅从静态角度测算物流效率值进而对物流业发展进行评价不够全面和客观，故引用Malmquist 指数法从动态角度进行测算，所得测算结果如表5、表6和图1所示。

表5 皖北地区6 市物流效率Malmquist 指数及其分解测算结果Table 5 Malmquist index with its decomposition of logistics efficiency in six cities in Northern Anhui

表6 皖北地区2013—2019年物流业Malmquist 指数变动及其分解结果Table 6 Changes and decomposition of Malmquist index of logistics industry in Northern Anhui from 2013 to 2019

根据表5所示结果，皖北地区在2013—2019年间的物流效率均值为0.968，表明物流业发展没有呈现出良好的上升发展态势，全要素生产率年均下降3.2%。技术效率和技术进步效率年均分别下降0.5%,2.8%，说明皖北地区在物流业发展过程中，科技创新能力亟待提高。从Malmquist 指数分解情况看，淮南和淮北的全要素生产率分别为1.079,1.010，均大于1，实现了物流效率的提升，这得益于淮南、淮北两市有丰富的矿产资源，倒逼了交通运输环境、物流相关基本设施的建设和改善。亳州、蚌埠因技术进步的下降导致了物流业全要素生产率的下降，说明生产技术投入不能满足物流业的快速发展，导致了物流业全要素生产率降低。宿州由于技术效率和规模效率下降导致全要素生产率降低，阜阳由于技术效率、技术进步效率和规模效率的同时下降导致其全要素生产率降低，这2 市可以通过生产技术的创新提升技术效率的进步及增加资源要素之间的协调性，实现技术水平潜能更大地释放、建立更加公平公正的市场体制和扩大物流业市场规模以实现规模效率的提升。

由表6和图1可以得知，皖北地区的物流业发展不稳定。物流业全要素生产率在2016—2017年达到最大值，为1.074。最小值出现在2015—2016年，为0.801。从整体看，全要素生产率在2014—2016年间连续下降，在2013—2014、2016—2019年间，整体呈上升趋势。2013—2019年皖北地区物流业全要素生产率年均下降2.9%，技术效率年均下降0.4%，技术进步效率年均下降2.3%，规模效率年均下降0.4%。技术进步效率的大幅下降是导致全要素生产率下降的关键因素。皖北地区物流业全要素生产率在2013—2017年间变化情况呈“U”字形，在2017—2019年间先降后升，与技术进步要素变化趋势基本一致，说明了技术进步对皖北地区物流业发展的重要作用。从总体看，皖北地区物流业发展虽然在研究区间内出现了大幅下降的情况，但是总体上呈现出向上发展的趋势。

3 基于Tobit 回归模型的皖北地区物流效率影响因素分析

3.1 影响因素选择

物流系统较为复杂，影响因素较多，在选取安徽省物流业要素投入和产出指标基础上，根据物流业概念，参考龚雪[21]、龚雅玲[22]、苏永伟[23]等选取与皖北地区物流业发展水平有紧密关联的经济发展水平、产业结构、区位商、政府干预4 个基本因素作为变量，并采取建立Tobit 模型运用回归分析的方法来研究影响皖北地区物流效率的因素。在经济发展水平因素中，选取皖北地区的地区生产总值（VGDP）来作为反映指标；在产业结构中，用第三产业同比增长指数除以第二产业同比增长指数的商作为反映产业结构的指标（VIS）；在区位商中，用皖北地区物流业产值在地区生产总值中所占比例除以安徽省物流业产值在安徽省地区生产总值所占比例的商作为区位商（VLQ）；在政府干预中，用物流财政支出占全部财政支出的比例作为政府干预的指标（VGI）。

3.2 模型的选择与建立

由于使用DEA 模型计算的效率值的结果是离散的，且数值都是在0 和1 的区间内浮动，用Tobit模型可以规避普通最小二乘法出现的参数估计值有偏且不一致的问题[24]。Tobit 模型是J.Tobit[25]在1958年提出的通过利用极大似然法截取回归方程，方程为

式中：Y*为截断因变量向量；Y表示的是效率值向量；X为自变量向量；β为回归参数向量；μ为误差项，且μ～(0,σ2)。

3.3 数据来源与模型建立

从《安徽统计年鉴》中选取经济发展水平、产业结构、区位商和政府干预相关指标数据，建立皖北地区物流效率影响因素的Tobit 模型，如式（4）所示：

式中：C为常数项；β1、β2、β3、β4为各个自变量的回归系数；i为期间，i=2013，2014,…,2019；μ为误差项；Yi为物流效率；VGDP,i为皖北地区第i期的地区生产总值；VIS,i为皖北地区第i期的皖北地区第三产业同比增加指数与第二产业同比增加指数的比值；VLQ,i为第i期皖北地区的区位商；VGI,i为第i期的皖北地区物流业财政支出占全部财政支出的比例。

3.4 实证结果及分析

使用Eviews 11.0 软件对上文所述的Tobit 模型进行回归，可以得到表7所示的结果。

表7 Tobit 模型回归结果Table 7 Regression results of Tobit model

从表7所示结果可知：1）皖北地区的经济发展水平与物流效率呈显著的正相关关系，相关系数约为1.89，这说明区域经济的发展对物流效率的提高有显著的效果。在皖北地区经济快速发展下，带动了产品的流动，促进了物流业的发展和物流效率的提高；2）皖北地区的产业结构与物流效率呈现出显著的负相关关系，回归系数为-0.090 627，表明了以第三产业同比增加指数与第二产业同比增加指数的比值为标准的产业结构对皖北地区物流效率没有积极的推动作用。皖北地区主要还是以第一产业和第二产业为主，第三产业发展欠佳。产业结构还需进一步地调整和优化，促使物流业积极应对需求结构和运输方式的转变，可进一步促进物流效率的提高；3）皖北地区的区位商与物流效率为负相关关系，回归系数为-0.051 379，说明区位商对皖北地区物流效率有一定影响，但不是主要因素。这说明皖北地区的物流业生产总值在地区生产总值中所占比例情况与全省基本保持一致；4）皖北地区的政府干预与物流效率呈显著负相关关系。出现这种结果的可能原因是由于皖北地区基础设施还不完善，政府在2013—2019年间大规模进行了基础设施建设。