基于DEA的物流上市企业创新效率分析

(北京大学光华管理学院 北京 100871)

1 引言

传统的物流企业是劳动密集型企业，物流上市企业的规模相对于中小型的物流企业更加庞大，改革开放初期，中国的劳动力成本较低，在运输、搬运、仓储、包装等环节可以大规模的使用劳动力进行作业，但随着中国社会的不断发展、人民生活水平的不断提高，劳动力成本也在不断提高，通过大规模投入劳动力来保证物流效率的方法已经不可行。随着物流需求的提高，人力作业的弊端逐渐显现出来：包裹损坏率高、错误率高、分拣效率低。推动有效的自动化物流系统和搭建高效的物流信息系统成为了必然之举。

Charnes和Cooper等(1978,1999,2013)在数据包络分析方法(DEA)的理论和应用方面做了大量理论和应用方面的研究，建立了第一个DEA模型，并编制了最初的求解DEA的计算机软件。[1-3]汪旭晖等(2009)采用DEA模型中的超效率CCR模型，对24家在我国上市的物流公司的效率进行了评价，他认为：这些物流公司中，大约有50%的企业技术效率较高，运输类物流上市公司比港口类上市公司的综合技术效率、纯技术效率和规模效率更突出；大多数技术无效的企业是因为纯技术效率低下[2]。钟祖昌(2011)采用三阶段DEA的方法，实证分析了28家物流上市公司在2001—2008年的运营效率。结果表明：如果这些企业无法控制随机冲击和外生环境变量的影响，物流企业的技术效率值会被低估，而规模效率会被高估，且这种高估的程度远远高于纯技术效率[3]。徐顽强等(2012)运用DEA方法中的CCR模型和BBC模型评价了绩效，研究对象是40家建材行业上市企业，文章测算了各个公司的综合技术效率、纯技术效率和规模效率，该文章还对不在生产前沿面的企业指出了改进的路径，提出了改进的方法[4]。赵树宽等(2013)构建了高新技术企业创新效率评价指标体系以及相应的模型。根据实地调查的数据，通过效率、有效性、规模收益和投影分析等四个方面，采用DEA的方法，对吉林省151家高新技术企业进行了评价和分析[5]。姚晓芳等(2014)通过建立与企业经营效率相关的投入产出指标体系，收集各个上市公司2012年公布的财务数据，应用数据包络分析(DEA)模型，对安徽省内14家高端装备制造产业内上市企业经营效率进行对比分析[6]。李健英等(2015)采用DEA的方法对52家制造企业进行了创新绩效的分析，所在的年份是2012年[7]。江兵(2015)按照全要素能源效率的概念，重点考虑不同能源投入约束，对传统DEA模型进行了扩展，其目标函数为极大化产出比例与某项能源投入比例之比，约束条件中除考虑一般投入量约束外，还同时强调能源投入径向节约和产出径向增加[8]。李晓梅等(2016)利用超效率CCR-DEA数据包络分析法，基于2006—2015年在A股上市的16家国有物流企业的面板数据，从微观视角实证检验国有物流企业纯技术效率、规模效率与综合效率[9]。

从现有的文献中可以看出，目前学者在DEA方法的研究和应用上取得了较多的成果。但依然存在一些不足：1)对于物流企业特别是物流上市企业在创新投入产出效率方面的研究比较少。2)对于企业的评价选取的数据多为某一年的数据，很难比较企业在不同年度之间差异性。3)部分文献对于创新产出更关心创新成果而很少关注企业的经营和成长性。针对上述问题，本文通过DEA的方法分析物流上市企业的创新效率。

2 模型与数据

2.1 模型与指标体系

2.1.1 DEA模型介绍

传统的线性规划模型由多个投入指标和一个产出指标构成，但很多实际问题由多个投入指标和多个产出指标构成。DEA是一种多投入/多产出的效率评价方法。截至目前，学者们已经研究出多种DEA模型，其中最基本的DEA模型是CCR模型和BBC模型。CCR模型如下所示：

假设有n个DMU，m个投入指标，s个产出指标，则模型如下：

其中，X是m行n列的矩阵，表示所有DMU的投入指标，Y是s行n列的矩阵，表示所有DMU的产出指标，Xk表示第k个DMU的投入指标，Yk表示第k个DMU的产出指标，S-和S+是松弛变量。λ和θ是决策变量。Xk,Yk,λ均为列向量。

CCR模型是一种规模报酬不变(CRS)的模型，BCC模型通过对权重增加约束Iλ=1，建立了如下规模报酬可变(VRS)模型：

其中I为1行n列全部为1的行向量。BBC模型能够计算各个决策单元的纯技术效率，能够有效的反应各个决策单元的纯技术效率情况，则当σ*=1时，则纯技术DEA弱有效，如果σ*=1，且S-,S+=0，则成为纯技术DEA有效。根据DEA的理论，总体效率θ*、纯技术效率σ*、规模效率S*之间存在如下关系：

该公式用来评价决策单元是否规模有效。

2.1.2 指标体系

经过对部分物流企业进行创新投入和效率方面的考察，本文选取了以下投入变量和产出变量。投入变量包括：企业研发占比、技术人员占比两个指标。产出变量包括：净利润增长率、净资产收益率、主营业务收入增长率、总资产增长率四个指标。企业研发占比和技术人员占比体现了企业在创新研发方面的投入情况，净利润增长率、净资产收益率、主营业务收入增长率、总资产增长率既体现了企业在经营绩效方面的产出情况也体现了企业的成长性。鉴于以上的考虑，本文采用这些指标作为投入产出指标。

2.2数据情况

2.2.1 数据来源

上文中，企业研发占比的计算方法为：企业研发占比=研发投入/营业收入。技术人员占比的计算方法为：技术人员占比=技术人员数量/总人员数量，其他数据直接从企业的财务报表中获取。

本文筛选了申万二级中交通运输行业下属的物流板块的33家物流上市企业，从公司财务报表中获取了这33家企业在2014年—2016年间“净资产收益率(%)、主营业务收入增长率(%)、总资产增长率(%)、净资产增长率(%)、营业收入(万元)”等指标，从公司年报获取了“研发投入(万元)、技术人员数量(人)、总人员数量(人)”等指标。通过这些数据可以计算出上述的各个指标。

在所获取的33家企业中，部分企业缺少“研发投入”或“技术投入”，部分企业的年度报告中没有单独列出技术人员的数量，这些企业无法测度其创新投入产出效率，所以予以舍弃，经过数据的清洗，去除缺失值，本文最终选取了11家物流上市企业进行分析，最终的指标体系涉及2个投入指标、4个产出指标、11家企业、时间跨度为3年。

2.2.2 描述性统计

首先对所获得的数据进行描述性统计，分析了从2014年到2016年这11家企业的均值、最大值、最小值和标准差，其结果如表1所示。

从表1中可以看出，企业研发占比和技术人员占比的均值在2014—2016年变化不大，通过最大值和最小值可以看到每一年里各个企业间存在一定的差距。产出指标方面，2014年差距不是很明显，2015年的净利润增长率的最小值较小，导致了当年的净利润增长率均值较小、标准差较大。2016年的净资产收益率、主营业务收入增长率和总资产增长率都存在极大值过大的情况，导致了均值和标准差较大的情况。

表1 描述性统计

3 实证分析

本文采用max DEA软件对数据进行处理，因为原始数据中出现了负值，所以在本文首先对数据进行了标准化的处理，方法如下所示：

这种方法会出现0值，面向产出的DEA在计算的过程中不可以出现0值，为了防止这种情况的发生，所有的0值采用一个非常小的数10-5代替。计算的结果如表1所示，其中，θ*表示最优的综合效率，δ*表示最优的纯技术效率，s*表示最优的规模效率，S1+表示第一个产出指标的松弛变量，即净利润增长率的产出不足，S2+表示第二个产出指标的松弛变量，即净资产收益率的产出不足，S3+表示第三个产出指标的松弛变量，即主营业务收入增长率的产出不足，S4+表示第四个产出指标的松弛变量，即总资产增长率的产出不足。不讨论两个投入指标的投入冗余，DEA分析的计算结果如表1所示。

表1 DEA分析结果

续表1

从表1可以看到，在2014年处于生产前沿面的企业有5家，分别是：中储股份、飞马国际、欧浦智网、新宁物流、飞力达。这5家企业均是DEA有效的，韵达股份纯技术DEA有效，但规模出现了冗余。2015年处于生产前沿面的企业有7家，分别是：长江投资、圆通速递、中储股份、飞马国际、新宁物流、飞力达、华鹏飞。澳洋顺昌、欧浦智网纯技术DEA有效，但出现了规模冗余。2016年处于生产前沿面的企业有5家，分别是：圆通速递、中储股份、韵达股份、飞马国际、顺丰控股。三年当中始终处于生产前沿面的企业为：中储股份、飞马国际。这两家企业在技术创新的投入和产出效率中始终保持DEA有效。

在2014年，有5个企业在净利润增长率指标上出现了产出不足的情况，有1个企业在净资产收益率指标上出现了产出不足的情况，有2个企业在主营业务收入增长率指标上出现了产出不足的情况，有3个企业在总资产增长率指标上出现了不足的情况。在2015年，有3个企业在净利润增长率指标上出现了产出不足的情况，有2个企业在净资产收益率指标上出现了产出不足的情况，没有企业在主营业务收入增长率指标上出现了产出不足的情况，有2个企业在总资产增长率指标上出现了不足的情况。在2016年，有1个企业在净利润增长率指标上出现了产出不足的情况，有6个企业在净资产收益率指标上出现了产出不足的情况，有4个企业在主营业务收入增长率指标上出现了产出不足的情况，有6个企业在总资产增长率指标上出现了不足的情况。

为了更好的分析整体情况，我们对这些企业的综合效率、纯技术效率和规模效率上的表现求取了均值，其结果如表2所示。

表2 平均效率分析

从表2可以看出，2015年的平均综合效率、平均纯技术效率和平均规模效率均为最高。每一年均有4～6个企业是非DEA有效的，但是整体来看，各个企业在2015年的表现较好，在各个指标上的产出不足相对于2014年和2016年的情况要好很多。

3.1 综合技术效率分析

综合技术效率是对决策单元的资源配置能力、资源使用效率等多方面能力的综合衡量与评价。2014年长江投资的综合效率最低为0.127，顺丰控股为0.136，长江投资是因为规模效率过低，而顺丰控股是因为纯技术效率过低。2015年综合技术效率最低的企业是顺丰控股，其综合技术效率值为0.139，但是2015年综合技术效率过低的原因不是纯技术效率而是规模效率过低，在2015年长江投资由上一年度的垫底排名达到了生产前沿面，实现了DEA有效。2016年部分企业出现了比较极端的数据，新宁物流的综合技术效率为0.002，飞力达的综合技术效率为0.007，澳洋顺昌的综合技术效率为0.040。而顺丰控股在这一年度达到了生产前沿面。

3.2 纯技术效率分析

纯技术效率是企业由于管理和技术等因素影响的生产效率，反映 DMU在最优规模时投入要素的生产效率。2014年中，仅顺丰控股的纯技术效率较低，仅为0.182。2014年有一个企业综合技术效率虽然不是DEA有效的，但是纯技术效率是DEA有效的。2015年各个企业的纯技术效率表现均较好，最低的是顺丰控股，也能够达到0.909。在2015年有两个企业虽然综合技术效率不是DEA有效的，但是纯技术效率是DEA有效的。2016年各个企业的纯技术效率均出现了较大的下滑，新宁物流、飞力达、华鹏飞的纯技术效率均低于0.1。

3.3 规模效率分析

规模效率是由于企业规模因素影响的生产效率，反映实际规模与最优生产规模的差距。2014年长江投资和澳洋顺昌的规模效率比较低。2015年顺丰控股和韵达股份的规模效率比较低。2016年华鹏飞、澳洋顺昌、新宁物流的规模效率均较低。DEA是相对效率评价，规模效率评价的分数较低并不意味着这些企业的表现不好，而是意味着相对于其他企业表现不是特别突出。

3.4 效率的改进

从上文中可以看出，有些企业出现了产出不足的情况，企业在实际的运作过程中需要通过改善自身的技术投入和管理模式，尽可能的使自己达到DEA有效，使自己处在生产前沿面上。对没有处在生产前沿面的企业进行了效率的测算，并测算了为了使企业处在生产前沿面上，企业的各个松弛变量需要改进的情况。

企业的指标改进结果如表3所示，其中空白部分表示这个企业在这一年度已经达到最优，无需改进。在上文中可以看出，中储股份和飞马国际在三年中均处在生产前沿面上，所以表格中不再进行展示。

在表3中S1、S2、S3、S4表示：净利润增长率、净资产收益率、主营业务收入增长率、总资产增长率。表中的数值表示如果这些企业改进自己的创新投入方式和管理技术，希望使自己达到DEA有效，对应的各个产出指标需要改进的情况，即表中所列的数值为理论值。

表3 产出指标的改进

4 结论与建议

DEA效率分析是一种相对效率分析，评价的是所有的决策单元之间的相对效率，这要求所有的决策单元之间要具有可比性。本文选取的均为物流上市企业，且这些企业在2014—2016年中，均有创新投入，所以具有可比性。

物流行业正在经历从劳动密集型产业到技术密集型产业的转型升级，创新投入的效率变得愈加重要，本文测度了物流上市企业在2014年到2016年的创新投入效率情况，发现2014年物流行业的整体效率不高，快递企业的纯技术效率和规模效率都不高。物流上市企业整体的效率在2015年得到了改善，11家测算的企业中，有7家企业处于生产前沿面上，且平均综合技术效率、平均纯技术效率和平均规模效率均是三年中最高的，2016年的平均综合技术效率、平均纯技术效率和平均规模效率不高，通过分析数据发现各个企业在这两年的发展拉开了差距，这些企业在净资产收益率、主营业务收入增长率、总资产增长率三项指标上表现出了非常大的差距，最高的企业达到了八十多倍的增长，而表现较差的企业实现了负增长，正是这种发展的差异导致了部分企业创新效率过低，从而影响了整个行业的创新效率。从效率改进情况来看，部分企业在2014—2015年没有处在生产前沿面上，效率有待改进，但在2016年实现了效率的优化，实现了DEA有效。部分企业在2014—2015年效率较高，但2016年出现了一些问题，效率有所下降。还有部分企业在2014—2016年三年间的效率始终有待改进。

提高整个物流行业的创新效率需要从政府、行业、企业三个方面加以着手。政府需要深入的认识到物流行业的转型，在指定政策的时候需要考虑到对物流企业的技术创新给予支持，提高技术领域人才的待遇，国有物流上市企业更应该起到模范作用，在自动化仓储配送、管理信息系统搭建等领域更多地支持。行业协会需要制定更加切实可行、更加经济适用的行业标准，要不断推动物流企业的科技创新转型升级，提供可靠的、专业的行业报告，形成切实可行的行业评价标准。对于物流企业来说，要正确认识技术创新的价值，不要认为技术创新是成本，要认识到技术创新所带来的综合竞争力的提高。企业需要认识到在技术创新和创新管理上不能落后。