基于三阶段DEA的江浙沪地区物流产业效率

王书灵，袁汝华

（河海大学 商学院，江苏 南京 211100）

基于三阶段DEA的江浙沪地区物流产业效率

王书灵，袁汝华

（河海大学 商学院，江苏 南京 211100）

为探析外部环境因素对江浙沪地区物流产业效率的影响程度，运用三阶段 DEA 方法对江浙沪地区 2009—2014 年物流产业效率进行研究。结果表明：上海市的物流产业效率较高，其在纯技术效率和规模效率方面长期处于较优状态；江苏省和浙江省的物流产业效率不够理想，需要着力提升纯技术效率；政府支持、科技水平、电信业务总量和地区生产总值等外部环境因素对物流产业效率均具有显著影响，相关部门可以有针对性地进行资源投放，以推动江浙沪物流产业效率的不断提升。

江浙沪；物流产业；产业效率；三阶段 DEA

1概述

随着我国经济实力的不断提升、“一带一路”战略构想的纵深推进，以及长江经济圈、京津冀协同发展等区域经济布局的日益深化，物流产业在我国经济发展中的重要性逐渐显现，我国现代物流业开始步入发展的高峰时期。根据国家统计局 2006—2014 年《全国物流运行情况通报》披露的数据，我国社会物流总额由 2006 年的 59.6 万亿元攀升至2014 年的 213.5 万亿元，物流产业效率也被纳入了考察一国经济运营效率的核心指标中。但是，我国物流基础设施存在明显短板，布局不合理、衔接不顺畅，综合交通运输体系、物流园区、物流技术装备等尚有很大的发展空间[1]。

在国内外学者已有的研究成果中，关于效率测算方法的研究有很多，农业、建筑业、金融业等很多行业早已对效率进行分析预评价[2-4]，但长期以来，对于物流产业效率的研究仍相对不足。田刚等[5]选取 1991—2007 年间我国 29 个省物流业的面板数据，利用外生性影响因素和随机前沿生产函数模型进行联合估计，对我国物流业全要素的增长来源、差异与变化趋势进行实证分析。余泳泽等[6]选取随机前沿生产函数研究我国的物流产业效率，并探析物流资源利用率、地区制度变迁，以及区位优势等因素对我国物流产业效率的影响程度。张毅等[7]应用 NEW-COST-DEA 模型对 17 家上市物流公司 2007—2009 年间的成本效率进行测评，结果显示 17 家上市物流公司成本效率普遍较低。张中强[8]以我国东部 31 个地区的数据为样本，研究我国东部地区物流发展效率，并以 2012 年为典型年份，对区域物流发展的松弛变量及规模效率进行分析与评价。周会会[9]从物流业全要素能源效率指标分析出发，结合 DEA 应用原理构造中部 6 省全要素能源效率模型，并以中部 6 省原始数据为依托进行全要素能源效率拟合分析。学者们利用随机前沿生产函数、NEW-COST-DEA 模型等方法对我国物流产业效率进行了一定的研究，但鲜有学者考虑到外部环境因素对物流产业效率的影响，因而容易造成测算结果的失真。三阶段 DEA 模型能较好的将外部环境因素纳入考量，从而得到更准确的结果。

长江三角洲地区目前已经成为我国经济飞速发展、经济总量最大、最具有发展潜力的区域。长江三角洲地区的物流基础设施较好，在加强铁路网、公路网、港航设施、航空枢纽等综合交通体系建设的同时，也正在大力发展现代航运服务体系。因此，利用三阶段 DEA 模型对江浙沪物流产业效率进行测算与评价，重点分析外部环境对江浙沪物流产业的影响，有利于定量分析长江三角洲地区物流产业发展现状，并为该地区物流产业发展提供参考。

2研究方法与数据来源

2.1三阶段 DEA 模型

FARRELL M J 于 1957 年提出一种计量多种投入对农业生产效率影响的方法；CHARNES A 等[10]于 1978 年在 FARRELL M J 研究的基础上得出了融合管理学、经济学及数学知识的 DEA 算法，扩充了生产函数的理论及应用范畴；FRIED H O 等[11]于2002 年研究得到三阶段 DEA 模型，其在测算生产效率时能有效地排除环境因素及随机误差，改进了传统 DEA 模型的不足。三阶段 DEA 模型包括以下 3个部分。

2.1.1第一阶段 BCC 模型

传统的 DEA 模型包括 CCR 模型和 BCC 模型 2种，CCR 模型假设规模效率不变，而 BCC 模型主要进行规模效率可变情况下的效率计算。BCC 模型将综合效率 (TE) 分解成了纯技术效率 (PTE) 和规模效率 (SE) 的乘积，即 TE = PTE×SE。

设有 n 个决策单元，每个决策单元都有 m 种类型的“输入”和 s 种类型的“输出”，则第 j0个决策单元总效率的计算就转化成线性规划问题，具有非阿基米德无穷小的 DEA 模型如公式 ⑴ 所示。

式中：Xj= (x1j，x2j，…，xmj)T为决策单元的输入变量；Yj= (y1j，y2j，…，ysj)T为决策单元的输出变量；Xj0，Yj0为第 j0个决策单元的输入、输出变量；s+和 s-为松弛变量；θ 为决策单元的综合效率值；λj为决策变量；Es；ε 为非阿基米德无穷小。如果 θ = 1，则决策单元为 DEA 有效；否则，也可以计算出该决策单元在有效生产前沿上面的“投影”，即，。

2.1.2第二阶段 SFA 模型

在测算各决策单元效率时，第一阶段 BCC 模型得出的松弛变量是随机误差、外部环境和管理效率共同影响的结果。第二阶段 SFA 模型是在第一阶段 DEA 得到的松弛变量基础上，将投入松弛变量作为被解释变量，而外部环境及随机误差因素作为解释变量，建立 SFA 回归模型，排除外部环境及随机误差因素对投入松弛变量的影响，从而更加准确地反映管理无效率对决策单元效率的影响程度。

以投入导向为例，假设有 n 个决策单元，每个决策单元都有 m 种投入，有 P 个可测得的外部环境变量，分别对每个决策单元的投入松弛变量采用SFA 分析，可得到 SFA 回归方程如公式 ⑵ 所示。

式中：Sik为第 k 个决策单元第 i 项投入的差值额；zk是外部环境变量；βi是外部环境解释变量的待估参数；fi(zk；βi) 是环境变量对投入额差值 Sik的影响方式；vik+ uik是复合误差项；vik表示随机干扰，假设 vik服从正态分布；uik表示管理无效率，假设其服从截断正态分布。

2.1.3第三阶段调整后的 DEA 模型

第三阶段调整后的 DEA 模型是以调整后的投入数据代替原有的投入数据，并结合原本的产出数据，采取 BCC 模型再次测算决策单元效率值。第三阶段调整后的 DEA 模型测算的决策单元效率是排除外部环境及随机误差因素的结果，能够更为客观地反映出各决策单元效率水平的现实状况。

2.2指标选取与数据来源

2.2.1投入与产出指标的选取

根据生产理论，生产过程中投入的要素主要有人力、物力、资金等，产出主要是商品或服务。结合江浙沪地区物流业的特点，建立物流产业投入产出评价指标体系如表1所示。

表1　江浙沪地区物流产业投入产出评价指标体系

2.2.2环境变量的选取

三阶段 DEA 模型中第二阶段是运用 SFA 模型考察外部环境因素及随机误差对整个物流效率评价系统的影响程度。物流产业的效率除了受物流生产过程的影响外，还受整体经济社会发展环境、信息化技术水平、物流产业整体发展水平等外生环境因素的影响。考虑数据的可得性和有效性，选取以下外生环境变量。

（1）政府支持。政府支持情况在短期内对物流业的发展起到非常重要的作用。由于地方政府在财政政策上具有较大的差异性，因而选取交通运输的支出在各地区政府财政支出中所占的比例来反映各地区地方政府对物流业的支持情况。

（2）科技水平。科技水平指标主要用来衡量物流产业的现代化水平，涉及信息技术、空间技术等多方面。各地区的科技水平高低对物流产业的运作效率有很大的影响[12]，科技水平的提高可以改善物流的经营方式，刺激物流产业的效率提升，对物流产业的管理也起到重要的作用。科技水平以政府财政中科技支出占总支出的比例表示。

（3）电信业务总量。地区物流产业的电信基础设施发展水平对物流产业的效率具有显著影响，因而电信业务总量这一指标在一定程度上能够反映地区物流产业的电信基础建设水平的差异。

（4）地区生产总值。各地区的生产总值能够反映出不同地区的经济发展水平，而物流作为第三产业中的一部分，它的发展与地区经济发展水平息息相关。

2.2.3样本及数据来源

数据主要来源于 2010—2015 年《中国统计年鉴》《中国物流年鉴》和《中国第三产业统计年鉴》，以及 2010—2015 年《交通运输行业发展统计公报》、江浙沪 3 省市的统计年鉴，数据纵向覆盖 2009—2014 年。其中，为避免价格因素对各地区生产总值的影响，对统计年鉴中各地区生产总值以 2009 年为基年进行剔除价格因素的换算。

3实证分析

3.1第一阶段 BCC 模型实证结果

运用 DEAP 2.1 软件对 2009—2014 年江浙沪 3省市物流效率水平进行分析，计算结果主要包括综合效率 (TE)、纯技术效率 (PTE) 和规模效率 (SE)。综合效率反映的是地区物流行业在目前技术条件下所能够达到的最大产出比例。纯技术效率是指在不考虑规模效率因素的影响下，投入因素对综合效率的影响，纯技术效率小于 1，表明在不考虑规模效率因素的前提下，投入因素的利用程度还有改善的空间，需要改进生产技术；纯技术效率等于 1，表明在不考虑规模效率因素的影响下，投入因素的利用已经达到最大化，无需改善。规模效率反映的是投入和产出之间的协调关系，当规模效率等于 1时，说明投入和产出之间达到了最优状态，获利性达到最好的状态。江浙沪地区 2009—2014 年物流效率如表2所示。

表2　江浙沪地区 2009—2014 年物流效率

长江三角洲地区内部物流效率存在差异，上海市一直处于效率的前沿。分别比较江苏省和浙江省物流行业的纯技术效率和规模效率可以发现，在2009—2014 年的 6 年中，规模效率一般都大于纯技术效率的值，表明在考虑外界环境因素和随机误差因素时，纯技术效率值相对不高是浙江省和江苏省物流行业综合效率偏低的最重要的原因。

物流业的技术革新及其生产效率的提升能使已投入的要素得到更加充分的利用，这样能带来规模效率递增，而反之则规模效率递减。如果物流业生产技术水平或管理水平没有与规模相协调，降低了劳动和资本的生产率，则有可能出现规模效率递减。从表2可以看出，2009—2014 年上海市一直处于规模效率不变阶段，说明规模对各个要素生产率并没有影响；而江苏省规模效率从 2009 年递减至2012 年，后开始进入规模效率递增阶段；浙江省的规模效率状态这几年也处于反复变化的过程，但在2012 年到 2014 年，浙江省的规模效率一直处于递减的状态。

3.2第二阶段 SFA 回归结果

借助 Frontier 4.1 软件，利用 SFA 模型估算政府支持、科技水平、地区生产总值和电信业务总量变化对物流产业效率的影响，从而排除外部环境因素及随机误差等干扰因素。当回归系数大于 0，表示外部环境变量的增加导致各投入变量浪费增加；当回归系数小于 0，表明外界环境变量值的增加将降低投入的浪费。江浙沪地区 2009—2014 年外部环境指标数据如表3所示。

将第一阶段 BCC 模型计算得出的投入变量的松弛变量看作因变量，将政府支持、科技水平、地区生产总值、电信业务总量等外部环境因素看作自变量，对 2009—2014 年江浙沪地区的数据进行 SFA回归，结果列于表4中。

（1）政府支持。SFA 分析结果显示，政府支持与物流网络里程松弛变量、劳动力投入松弛变量、资本投入松弛变量的回归系数均为正数，这表示政府对物流业的扶持在短期内对物流网络的建设、劳动力和资本的投入具有促进作用，但过多的投入会导致投入浪费，降低物流行业的效率。一方面，政府对物流业支持力度提高能够促进基础设施建设和改善，但目前江浙沪地区物流基础设施已趋于完善，政府的投入已经进入边际效应递减阶段；另一方面，政府对物流业的支持会吸引劳动力进入物流业，而过多的劳动力投入物流行业会导致劳动力冗余；第三，越来越多的资本投入物流行业，能够扩大物流行业的竞争，但目前的状况是物流行业趋于饱和，更多的资本投入至物流行业会导致不良竞争，降低效率。

表3　江浙沪地区 2009—2014 年外部环境指标数据

表4　第二阶段 SFA 回归结果

（2）科技水平。由表4结果可知，科技水平与物流网络里程松弛变量、劳动力投入松弛变量、资本投入松弛变量等 3 个指标的回归系数均为负数，说明科技水平发展对减少物流网络里程、劳动力投入和资本投入具有促进作用，并且物流产业科技水平的发展有利于物流管理效率的提高。科技水平较高的地区，其物流业发展的整体环境较好，无论从长期角度或短期角度对物流业的发展都具有积极影响。

（3）电信业务总量。从分析结果观察到，电信业务总量指标与物流网络里程松弛变量、资本投入松弛变量之间的回归系数为正，表明电信基础设施水平的提升会吸引物流网络里程、资本投入的大幅增加，过多的投入会造成资源的冗余，降低物流行业的效率。电信业务总量与劳动力投入松弛变量之间的回归系数在 2009 年为负值，2010—2014 年均为正值，说明物流业电信基础设施水平的提升在短期内有利于减少劳动力投入的浪费；但随着电信基础设施的日益完善，过多的投入则会导致劳动力的冗余，降低物流管理效率。

（4）地区生产总值。地区生产总值与物流网络里程松弛变量、劳动力投入松弛变量、资本投入松弛变量之间的回归系数在近几年多为负数，表明随着地区经济发展水平提高，有利于减少传统的物流网络里程的扩展，以及劳动力和资本的投入。经济发展水平较高的地区对物流基础设施建设的要求也高，但在发展到一定程度后，会减少地区的基础设施建设，因而地区生产总值与物流网络里程松弛变量的回归系数在 2009 和 2010 年为正值，其余为负值；此外，地区经济发展水平的提升在短期内会吸引大量劳动力的流入，一定程度上产生劳动力资源的富余，降低物流业的效率，但从长期看，劳动力投入将逐步放缓，其数量能够与较高的地区经济发展水平相适应，从而提升物流业效率，因而 2009年和 2010 年地区生产总值与劳动力投入松弛变量之间的回归系数为正值，其余年份为负值。

3.3第三阶段调整后的 DEA 实证结果

在第二阶段利用 SFA 模型对 2009—2014 年江浙沪地区物流产业效率的投入变量采取调整后，结合原产出数据，借助 Deap 2.1 软件再次计算物流产业效率，得到排除外部环境变量及随机误差影响的TE，PTE，SE 值。调整后的江浙沪地区物流产业效率如表5所示。

表5　调整后的江浙沪地区物流产业效率

对比第一阶段 BCC 模型和第三阶段调整后的DEA 模型的结果可知，在剔除了外部环境因素对江浙沪地区物流产业效率的影响后，江浙沪第三阶段调整后的 DEA 分析与第一阶段的结果有明显的变化。从整体情况看，调整后的地区物流效率在综合效率及纯技术效率上的数值均有提高，而规模效率的值有所降低。

此外，排除外部环境因素和随机误差因素的影响之后，长江三角洲地区物流效率的值发生较大变化。非常明显的是调整后的纯技术效率高于调整前的纯技术效率，说明外界环境因素如物流产业管理水平、现代化程度等因素制约着物流业的发展。对比第一阶段 BCC 模型和第三阶段调整后的 DEA模型得到的规模效率值发现，第三阶段的规模效率值大都小于第一阶段，表明外界环境因素和随机误差因素对江浙沪地区物流业规模效率有一定的积极影响。观察规模效率状态，上海市调整前和调整后一直处于规模效率不变状态，江苏省和浙江省在调整前有部分年份的规模效率状态为递减，而调整后的规模效率状态全部为递增，说明在剔除外界环境因素和随机误差因素后，规模因素也制约着江苏省和浙江省整体物流效率的提高。总体来说，上海市的物流效率总体较好，处于效率前沿面；江苏省和浙江省的物流效率还有待提高，尤其是纯技术效率方面，此外规模因素也制约着江浙两省物流业的发展。

4结论

（1）对比三阶段 DEA 方法中的第一阶段 BCC模型和第三阶段调整后的 DEA 模型的结果发现，第三阶段调整后的 DEA 模型得到的规模效率一般低于第一阶段 BCC 模型的规模效率，第三阶段调整后的 DEA 模型得到的的纯技术效率相比第一阶段 BCC 模型的纯技术效率有所提升，规模效率状态也发生改变，说明所选取的政府支持、科技水平、电信业务总量、地区生产总值等外界环境因素对物流产业的效率影响较为明显。

（2）利用三阶段 DEA 模型计算得到的物流效率结果显示，江浙沪两省一市中上海市的物流效率一直处于效率前沿面，无论在规模效率、纯技术效率方面都表现良好；江苏省和浙江省的物流效率，主要是纯技术效率方面还需进一步改善。除此之外，规模因素也制约着长江三角洲地区物流业的发展，因而需要适当扩大物流业规模，同时注重物流业技术的提升。

[1] 窦国辉，赵明茹. 我国物流行业存在的问题与对策[J]. 交通标准化，2011(17)：152-153.

DOU Guo-hui，ZHAO Ming-ru. Existing Problems of Logistics Industry in China and Countermeasures[J]. Transportation Standardization，2011(17)：152-153.

[2] 张 乐，曹 静. 中国农业全要素生产率增长：配置效率变化的引入：基于随机前沿生产函数法的实证分析[J]. 中国农村经济，2013(3)：4-15.

ZHANG Le，CAO Jing. The Growth in Total Factor Productivity of China’s Agriculture Sector：With Introduction of Changes in Allocative Efficiency：An Empirical Study based on Stochastic Frontier Production Function[J]. Chinese Rural Economy，2013(3)：4-15.

[3] 唐壮志. 我国商业银行风险与效率研究：基于因子分析法的指标选取[J]. 现代商贸工业，2009，21(6)：162-164.

[4] 刘炳胜，王雪青，李 冰，等. 基于主成分分析与 DEADA组合的中国区域建筑产业竞争优势系统评价[J]. 土木工程学报，2011，44(2)：143-150.

LIU Bing-sheng，WANG Xue-qing，LI Bing，et al. Systematic Evaluation of the Competitive Advantage of Chinese Regional Construction Industry based on Principal Component and DEA-DA[J]. China Civil Engineering Journal，2011，44(2)：143-150.

[5] 田 刚，李 南. 中国物流业技术效率差异及其影响因素研究：基于省级面板数据的实证分析[J]. 科研管理，2011，32(7)：34-44.

TIAN Gang，LI Nan. Logistics Technical Efficiency Disparity and Affecting Factors: based on Cross- Province Panel Data Using a Single-Stage Estimation of the Stochastic Frontier Analysis[J]. Science Research Management，2011，32(7)：34-44.

[6] 余泳泽，武 鹏. 我国物流产业效率及其影响因素的实证研究：基于中国省际数据的随机前沿生产函数分析[J]. 产业经济研究，2010(1)：65-71.

YU Yong-ze，WU Peng. An Empirical Study on the Efficiency of China’s Logistics Industry and Its Factors[J]. Industrial Economics Research，2010(1)：65-71.

[7] 张 毅，陈 圻. 基于 NEW-COST-DEA 模型的中国上市物流公司成本效率研究[J]. 华东经济管理，2011，25(4)：74-79.

ZHANG Yi，CHEN Qi. Investigating Cost Efficiency of China Logistics Public Companies based on NEW- COSTDEA[J]. East China Economic Management，2011，25(4)：

(  )(  )74-79.

[8] 张中强. 我国东部地区区域物流发展效率分析：以我国东部 31 个地市级地区为例[J]. 中国社会科学院研究生院学报，2012(1)：77-81.

ZHANG Zhong-qiang. Analysis on Regional Logistics Development Efficiency in China’s Eastern：31 Eastern Prefecture-Level Cities in China as an Example[J]. Journal of Graduate School of Chinese Academy of Social Sciences，2012(1)：77-81.

[9] 周会会. 基于 DEA 的中部 6 省物流业全要素能源效率分析[J]. 铁道运输与经济，2016，38(3)：13-18.

ZHOU Hui-hui. Analysis on Total Factor Energy Efficiency of Logistics Industry in 6 Provinces of Central China based on DEA[J]. Railway Transport and Economy，2016，38(3)：13-18.

[10] CHARNES A，COOPER W W，RHODES E. Measuring the Efficiency of Decision Making Units[J]. European Journal of Operational Research，1978，2(78)：429-444.

[11] FRIED H O，LOVELL C A K，SCHMIDT S S，et al. Accounting for Environmental Effects and Statistical Noise in Data Envelopment Analysis[J]. Journal of Productivity Analysis，2002，17(1)：157-174.

[12] 贾玉卫，户佐安，邵玉华. 电子商务模式下铁路货运业务流程优化[J]. 铁道货运，2015，33(2)：11-15.

JIA Yu-wei，HU Zuo-an，SHAO Yu-hua. Flow Optimization of Railway Freight Transport Operation under E-Business Mode[J]. Railway Freight Transport，2015，33(2)：11-15.

责任编辑：李琨浩

Efficiency of Logistics Industry in Jiangsu, Zhejiang and Shanghai based on Three-Stage DEA Model

WANG Shu-ling，YUAN Ru-hua

(Business School, Hehai University, Nanjing 211100, Jiangsu，China)

In order to analyze the influence of external environmental factors on the efficiency of logistics industry in Jiangsu, Zhejiang and Shanghai, this paper uses the three-stage DEA method to study the efficiency of logistics industry in the region from 2009 to 2014. The results show the conclusion as follows: 1)The efficiency of the logistics industry in Shanghai is higher, and Shanghai is in a better state of pure technical efficiency and scale efficiency; 2)The efficiency of the logistics industry in Jiangsu and Zhejiang is not ideal, in particular the pure technical efficiency needs to be focused on and improved; 3)Other external environmental factors including government support, science and technology level, the total amount of telecommunications services and regional GDP also have a significant impact on the efficiency of the logistics industry and relevant government agencies can carry out targeted delivery of resources to promote the efficiency of logistics industry in the region.

Jiangsu, Zhejiang and Shanghai; Logistics Industry; Industrial Efficiency; Three-Stage DEA

1003-1421(2016)10-0001-07

F259.27

A

10.16668/j.cnki.issn.1003-1421.2016.10.01

2015-12-29

2016-08-15

水利部公益性行业科研专项 (201301055)