低碳经济视角下我国北部区域农产品电商物流效率测度——基于SBM-ML模型

李 胜 ， 张思雨 ， 于世强 ， 冯志威

（1.中国农业科学院财务局，北京 100081；2.哈尔滨商业大学管理学院，黑龙江 哈尔滨 150028；3.哈尔滨商业大学会计学院，黑龙江 哈尔滨 150028）

0 引言

物流业作为支撑国民经济发展的基础产业，不仅保障了群众的基础生活，同时也促进了产业链供应链的稳定发展。物流效率是物流业发展水平的重要体现，对于物流效率的测度方面，国内多数学者采用DEA或Tobit模型，或将两者结合进行研究。

张竟轶等[1]借鉴三阶段DEA评价模型，选取我国31个省区市2010—2014年物流业中的交通运输、仓储和邮政业作为指标，对我国目前总体物流水平进行评价研究。王东方等[2]通过DEA模型，对我国产业效率的空间差异及成因进行分析，研究发现国内物流业技术效率低下且不同地区间物流效率差异大。张娜等[3]基于三阶段DEA模型对西部地区2011—2014年的物流产业效率进行测度，研究发现，西部地区物流产业整体效率较低，资源没有得到合理配置。陶婷婷[4]利用Tobit回归模型分析产业集聚对物流业效率的影响，结果表明专业化集聚对产业效率产生正向影响，多样化集聚则表现为U型非线性关系。徐良培和李淑华[5]利用SFA方法对我国农产品物流技术效率进行了测算，研究了环境因素对农产品物流技术效率的影响。

从上述学者的研究中不难看出：

1）多数文献是对全国区域或是经济较为发达区域进行效率测度，缺乏对我国北部省份近5年的研究。

2）采用DEA原始方法的学者较多，多数学者没有采用含有非期望产出的SBM模型进行测度。

3）鲜少文献能综合农产品物流和电子商务进行探讨。基于上述原因，本文以我国北方省份的物流产业为例，结合前人研究成果和电商特征选取更加完善的评价指标构建SBM模型，对我国北部区域省份农产品电商物流效率进行测度，同时依据测量结果，利用ML模型进行动态分析，进而提出相关建议。

1 研究方法及指标构建、选取

1.1 基于“三非”——非期望产出、非径向、非角度的SBM-DEA模型

SBM-DEA模型中有L个决策单元（DMU），每个DMU有H项投出，M1项期望产出，M2项非期望产出。显然，投入向量集：期望产出向量集：非期望产出向量集：在环境约束下该模型可以表示为：

式中，等式表示期望产出与非期望产出的联合弱可处置性和零结合性，不等式表示投入与期望产出的强可处置性，μ表示横截面观察值的非负权重。

式中，f为DMU0中包含的投入指标数量，z1、z2分别表示期望产出数和非期望产出数。e-、eg、eb分别表示DMU0的投入变量、产出变量和非期望产出的松弛变量。X、Yg、Yb分别表示投入、产出和非期望产出矩阵，λ表示权重向量。ρ*的分子与分母分别表示产出无效率和投入无效率，函数ρ*是关于松弛变量e-、eg、eb的严格单调递减函数。对于特定的决策单元而言，当且仅当e-、eg、eb三者为0时，ρ*=1，即决策单元有效；当0＜ρ*＜1时，决策单元非有效，存在改进的空间[6]。

1.2 Malmquist指数模型

由于各决策单元的生产技术、规模存在时间序列上的变化，若将不同时间段的决策单元置于统一生产前沿面进行效率评价和对比，就无法得到生产技术变化、生产规模变化对决策单元效率变化的贡献度[7]。于是，本研究在SBM模型上，利用熊巍等[8]对Malmquist的研究，将Malmquist指数分解为技术效率和技术进步的变化，具体分解如下：

2 指标选取与数据来源、处理

遵循指标选取的客观性和相关性原则，加之统计年鉴中并没有物流这个产业的分类，考虑到物流业80%以上的产值均来自交通运输、仓储和邮政业，所以本研究将交通运输、仓储和邮政业等同于物流业[9]。本研究选取我国北部16个省区市2016—2020年年末交通运输、仓储和邮政业的相关指标，综合反映低碳经济下区域农产品电商物流的建设水平。如表1所示，结合前人文献，主要从基础设施、信息技术和能源消耗三个层面确定投入变量。

表1 我国北部农产品电商物流效率指标选取

1）农村投递路线。农村投递路线反映了区域物流业在农产品物流建设上的投入。投递路线越长，代表区域向当地农产品物流建设方面输入的人力、物力和财力就越多，促进区域农村与各省份的物流发展。

2）区域农产品电子商务销售额和区域农产品邮电业务总量。物流产业作为经济发展的必然产物，也充分分享了现代信息技术突破性发展带来的前所未有的活力，电子商务、邮电业务与信息技术的发展紧密相关[10]。首先，由于不存在区域在电子商务上投入的直接指标，故采用电子商务销售额来间接反映。电子商务销售额和邮电业务总量都能有效反映区域物流业在信息技术方面的投入规模。其次，由于测度对象是区域农产品，加之统计年鉴中只显示区域变量数值，故用区域农业总产值占地区GDP总产值的比重来估测区域农产品电子商务销售额和邮电业务总量。

3）区域农产品载货汽车拥有量。考虑到农产品物流以公路运输为主，选取区域农产品载货汽车拥有量（剔除非运营状态）作为能源消耗的主要载体，有效反映了区域农产品电商物流的能源投入量。同理，采用区域农业总产值占地区GDP总产值的比重来估测区域农产品载货汽车拥有量。

期望产出指标的选取：主要选取两类指标代表区域农产品电商物流的经营情况。主要包括：1）区域农产品货物周转量。选择2016—2020年16个省区市公路的货物周转量，再用区域农业总产值除以地区GDP总产值来估测区域农产品货物周转量可以直观地代表各省区市农产品电商物流的营运成果。2）区域农产品快递业务收入。该指标非常直观地表示了区域农业物流业带来的增收，也能代表经营状况，计算方法同上。

非期望产出指标的选取：区域农产品碳排放量。将区域农产品碳排放量纳入产出指标体系，有效反映了区域农产品电商物流能源消耗对环境的影响。先通过计算各省区市各自的货运总量占全国货运总量的比重，再乘以全国能源消耗总量得到各省区市的能源消耗量（换算为万吨标准煤），再乘以碳排放系数将区域碳排放量计算出来，最后利用区域农业总产值占地区GDP总产值的比重来估测区域农产品碳排放量。

各变量数据均来源于2017—2021年度《中国统计年鉴》、各省区市统计年鉴及统计公报。数据处理方面，纵观国内多数论文，大部分论文在处理数据时进行离差标准化，是为了避免数据指标量纲不同。本文综合考虑国内多数论文的数据处理方式，采用归一化对数据进行标准化，具体标准化公式如下：

3 区域的划分

本研究以省区市为单位进行效率测度，为了方便研究，同时参照地理位置的划分，进一步将新疆、西藏、青海、甘肃、陕西划分为西部地区，将内蒙古、宁夏、山西、河南、河北划分为中部地区，将黑龙江、吉林、辽宁、北京、天津、山东划分为东部地区。

4 物流综合效率的分析

通过SBM模型，将碳排放量定义为非期望产出，借助MATLAB（2021b）软件得到2016—2020年我国北部16个省区市农产品电商物流总体效率，详情如表2所示。

对于特定的评价单元，测度值为1是最高值，即表示生产单位完全有效；若测度值小于1，说明存在效率损失。由表2可知，在低碳经济引领下，我国北部16个省区市2016—2020年农产品电商物流效率均值为0.742，西部地区均值为0.587、中部地区均值为0.793、东部地区均值为0.845。可见，我国北部16个省区市农产品电商物流效率总体水平较低，且西部地区远低于中部和东部地区。

表2 2016—2020年我国北部16个省区市农产品电商物流总体效率

从个体上分析，宁夏、河北、黑龙江、北京和天津五个地区的物流总体效率始终为1，可知上述地区的物流投入、产出均达到有效状态且比较稳定，即始终处于效率前沿顶端。西藏、内蒙古、吉林、陕西和河南五省份的农产品电商物流效率多数年份为1且各自物流效率均值较高，说明该五省份农产品电商物流发展水平相对较高。新疆、辽宁和山东三省份各自物流效率均值均介于0.5～0.7之间，说明该三省份农产品电商物流发展水平相对中等。青海、甘肃和山西三省份各自的物流效率均值均小于0.5，与总体农产品电商物流效率均值差距较大，说明上述三省份的资源没有得到合理配置。其次，同一个省份在不同年份之间的物流效率也会产生波动，如青海、陕西等省份的物流投入产出时而效率较高，时而效率低下。

分地区来看，如图1所示，西部地区在2018—2019年农产品电商物流效率下降幅度较大。由于2019年，中央全面深化改革委员会第七次会议审议通过了《关于新时代推进西部大开发形成新格局的指导意见》，旨在促进西部地区经济社会发展与人口、资源、环境相协调。极大可能受该政策的影响，在此之后西部地区物流效率有显著提升，中部地区农产品电商物流效率变化趋势与西部地区相似。2019—2020年，西部地区农产品电商物流效率接近0.5，中、东部地区物流效率均接近0.8，表明西部地区农产品电商物流效率发展水平较为低下，资源没有得到合理配置，而中、东部地区物流效率呈现上升趋势且具有20%左右的提升空间。总体而言，中国北部16个省区市农产品电商物流效率总体呈现先下降后上升的趋势，介于0.6～0.8之间。

图1 2016—2020年各地区农产品电商物流效率平均值变化趋势

5 我国北部16个省区市农产品电商物流效率动态分析

SBM模型对各省区市农村物流效率的评价仅仅是从静态的视角反映的，而全要素生产率则提供了一个动态的研究视角，有效反映了各省区市农村物流效率随时间变化的发展趋势。本文利用2016—2020年我国北部16个省区市投出产出的面板数据构建了Malmquist指数，进一步分析我国北部农产品电商物流效率及其分解值。由图1可知，总体农产品电商物流效率在2018—2019年有明显的下降趋势，为深探其变化原因，将2018—2019年全要素生产率指数通过ML模型分解为纯技术效率指数（PEC）、技术进步指数（TC）和规模效率指数（SEC），如表3所示。

由表3可知，整体纯技术效率指数、技术进步指数、规模效率指数分别为0.951、0.974、0.927，说明样本总体物流效率的下降主要是由纯技术效率和规模效率的下降所引起的。西部地区这三个相关指数分别为1.038、0.975、0.645，说明西部地区总体农产品物流效率的下降主要受技术和规模的影响；而观察中部地区和东部地区的三个指数发现它们均呈现上升趋势，说明中、东部地区相应农产品物流效率处于提升阶段，且主要依赖于技术进步和规模的改善。

表3 2018—2019年我国北部区域农产品电商物流全要素生产率指数分解值

从各省区市来看，结果如表4所示，在2018—2019年，除了陕西、山西、河南、黑龙江、吉林五省全要素生产率指数大于1外，其余各省区市均低于完全有效值。其中，陕西效率值高主要依靠纯技术效率和技术进步加持，山西主要源于纯技术效率和规模效率，河南、黑龙江和吉林皆源于技术进步。由此可推测出，纯技术效率和规模效率并未完全发挥其对区域农产品电商物流效率的推动作用。研究范围内的其他省区市物流效率全要素生产率均小于1，说明各省区市农产品电商物流效率发展趋势并不相同。结合表3可知，纯技术效率和规模效率的提升成为2019年之后我国北部16个省区市农产品电商物流效率改善的驱动方向。

表4 2018—2019年我国北部16个省区市农产品电商物流全要素生产率指数分解值

6 结论与建议

本文通过考虑碳排放的情况，运用含有非期望产出的SBM模型对我国北部16个省区市农产品电商物流效率进行评价，然后借助Malmquist指数模型细化分析了北部16个省区市（分为东、西、中部地区）2018—2019年总体物流效率下降的原因，研究发现：

1）我国北部16个省区市农产品电商物流效率总体水平较低，加之地区差异性较大，在地区农产品电商物流效率值的比较上，东部地区＞中部地区＞西部地区。

2）2018—2019年期间，全要素生产率指数高的五个省份大多数受到技术进步指数影响，而纯技术效率和规模效率并未完全显现推动作用，并且研究范围内的其他省区市农产品电商物流全要素生产率均小于1。

综上所述，建议政府应先从发展低碳物流入手，以避免走“先污染后治理”的老路；其次，我国北部各省区市应当紧抓技术发展，切实提高农产品电商物流的效率；最后，我国北部各省区市应紧抓国家战略，积极向发展快速的地区学习低碳物流管理技术，持续缩小各地区农产品电商物流效率之间的差异。