项丝雨
(安徽财经大学 统计与应用数学学院,安徽 蚌埠233030)
2013年,国家主席习近平提出了建设“丝绸之路经济带”和“21世纪海上丝绸之路”的倡议,这两者统称为“一带一路”.“一带一路”建设顶层设计规划的终极版图中重点圈定了国内18个省市自治区,即新疆、陕西、甘肃、宁夏、青海、内蒙古、黑龙江、吉林、辽宁、广西、云南、西藏、上海、福建、广东、浙江、海南和重庆.随着经济全球化的发展和互联网经济的盛行,物流产业的发展也呈现出日益升温的状态,国家和地区间的竞争已经不仅仅局限在产品数量和质量上,也包含物流产业发展的竞争.近年来,我国物流产业发展迅速,尤其是第三方物流的兴起,带动了我国绝大部分地区物流产业的发展.但是与国际上物流产业发达的国家相比,我国物流产业还有较大差距.
DEA方法是1978年Charnes和Cooper等人开创的一个交叉研究运筹学、管理科学和数理经济学的新的领域,它是一种适用于多投入多产出的多目标决策单元绩效评价方法[1].对物流效率的研究,国内外很多专家采用DEA-Tobit方法[2-3].国内运用DEA-Tobit方法进行效率研究的学者很多,研究范围很广,包括卫生支出[4]、农田水利运营[5]、会计事务所运营[6]效率及影响因素分析等等.刘亚楠[7]、刘子琦[8]和霍倩倩[9]等学者也在物流效率及影响因素研究中运用了DEA-Tobit方法.本文通过构建指标体系收集了相关数据,利用DEA方法对2011—2016年“一带一路”省域18个省市地区物流产业的效率进行了测算,并利用Tobit回归模型对物流影响因素进行了探究,找出“一带一路”省域物流产业现阶段存在的问题,为今后物流产业的发展提供参考.
DEA方法的基本模型有CCR模型、BCC模型.CCR模型是基于决策单元规模报酬固定的假设,没有考虑规模大小对运行效率造成的影响,但各种因素的存在使规模报酬不变的情况比较难以实现.而BBC模型是基于决策单元规模报酬可变的假设,因此本文选择 BCC模型来进行效率的计算.BCC模型又分为投入导向型与产出导向型.投入导向模型是假设在产出不变的情况下,使投入最小化的运筹学问题.产出导向模型是假设在投入不变的情况下,使产出最大化的运筹学问题.本文的研究对象是物流产业,其控制投入要素相对容易,因此采用投入导向型.
假设有n个称为决策单元的部分:DMU1,DMU2,…,DMUk,…,DMUn,每个决策单元都有m 个投入变量和 s 个产出变量.于是可以得到输入矩阵:Xj=(X1j,X2j,…,Xmj),输出矩阵:Yj=(Y1j,Y2j,…,Ymj).
定义Yrj为第j个决策单元对第r种输出的产出量;Xij为第j个决策单元对第i种输入的投入量;Ur为对第r种输出的一种度量(或称权);Vi为对第i种输入的一种度量.
CCR模型为:
假设上述模型的最优解为 λ*,S*-,S*+,θ*,则有以下结论:
(1) 当 θ*=1,且 S*-=S*+=0时,DMUj0为 DEA 有效;
(2) 当 θ*=1,且 S*-,S*+不全为 0 时,DMUj0为弱 DEA 有效;
(3) 当 θ*<1时,DMUj0为 DEA 无效.
本文采用诺贝尔经济学奖获得者James Tobin提出的Tobit回归模型来分析物流产业的影响因素,模型表示为:其中 Y 是因变量,X 是自变量,β是未知参数,μ~(0,σ2),Y 以受限制的方式取值:当 Y>0 时,“无限制”观测值取实际观测值;当Y≤0时,“受限制”观测值取0.
在投入产出指标体系的构建中,分析借鉴了现有学者的相关研究文献[10-11],选取指标按照全面性、重要性、可获得性等原则,使其能较为准确的对省域物流产业效率指标进行测算和反映物流产业的发展情况.物流产业是一类综合性的产业,关于物流产业的明确界定还尚不明确,因此本文在此选用交通运输、仓储和邮政业的相关数据之和来代替物流产业的数据.本文选取的投入指标包括:交通运输、仓储和邮政业从业人员数(万人)、固定资产投资额(亿元)和运输线路长度.产出指标包括:交通运输、仓储和邮政业生产总值(亿元)、货运量(万吨)和货物周转量(亿吨/公里).
本文的研究对象是“一带一路”省域的18个省市自治区.测算选取的基础数据是2011—2016年18个省市自治区物流产业投入产出具体指标的统计数据,数据来源于2012—2017年中国和各省市《统计年鉴》.本文按物流产业投入产出指标体系,收集了具体的指标数据.
基于DEA方法和投入产出指标体系,利用数据包络分析软件DEAP Version2.1测算18个省市自治区物流产业的综合技术效率、纯技术效率和规模效率值.决策单元DMU个数为18,投入指标个数为4,产出指标个数为3,选取的导向为投入导向,依次输入2011—2016年的指标数据.根据测算结果以及对结果的整理,从以下3个方面进行综合分析.
(1)效率整体性分析
2011—2016年18个省市自治区物流产业的综合技术效率(TE)、纯技术效率(PTE)和规模效率(SE)的平均值如表1所示.
表1 2011—2016年物流产业的效率平均值
由表1可知,18个省市自治区物流产业综合技术效率平均值6年间维持在0.75左右,说明“一带一路”省域物流产业效率整体偏低.纯技术效率和规模效率平均值也未达到有效,从而导致了省域物流产业的整体无效率.
(2)效率区域性分析
“一带一路”省域18个省市自治区按照区位划分为西北地区:新疆、陕西、甘肃、宁夏、青海和内蒙古;东北地区:黑龙江、吉林和辽宁;西南地区:广西、云南和西藏;沿海地区:上海、浙江、福建和广东;以及内陆地区:重庆.这5个区域2011—2016年物流产业效率平均值如表2所示.
表2 2011—2016年物流产业区域效率平均值
5个区域物流产业效率之间存在较大差异,存在区域发展不平衡,沿海地区效率值位于首位,物流发展较好,而内陆地区效率值处于末位,有较大提升空间.
(3)投影分析
选取2014年“一带一路”省域物流产业效率评价结果中的12个非DEA有效省市,其中有7个省市存在投入产出和冗余不足,具体见表3.
表3 2014年“一带一路”省域物流产业效率评价
2014年18个省市自治区中有7个存在投入冗余或产出不足的情况,占总数的38.89%,冗余不足现象较为明显.这7个省市自治区在从业人员数上均不存在投入冗余,但在运输线路长度上的冗余现象比较突出.
物流产业效率的影响因素有很多,无法全面对其进行确定与分析.本文基于“一带一路”省域物流产业的发展现状和对已有文献中影响因素的借鉴[12-13],从经济发展状况、物流资源投入、产业结构、物流信息化水平和区位因素5个方面选取了6个影响因素.经济发展状况用GDP衡量,物流资源投入用固定资产投资和从业人员数衡量,产业结构用第三产业增加与第二产业增加值的比值衡量,物流信息化水平用邮电业务总量衡量,区位因素用区位商衡量,分别用GDP、FAI、P、S、ST和LQ表示.为了消除异方差的影响,其中GDP、固定资产投资、从业人员数和邮电业务总量取其对数形式.
以“一带一路”省域物流产业18个省市自治区的综合效率作为因变量,以各影响因素作为自变量,构建以下Tobit回归模型:
其中,α 是常数项,β1、β2、β3、β4、β5、β6是各自变量的回归系数,μ 是误差项.
运用STATA 14.1软件对上述Tobit回归模型进行随机效应的面板回归分析,结果如表4所示.Tobit回归分析的P值都0.01,说明回归方程显著性明显,6个影响因素都具有代表性.
表4 影响因素的Tobit回归分析结果
经济发展水平、物流信息通讯水平和区位因素的回归系数为正,“一带一路”省域物流产业效率与其之间存在正相关关系.物流资源投入和产业结构的回归系数为负,说明物流效率与其之间存在负相关关系.
“一带一路”省域物流产业综合技术效率的平均值维持在0.75左右,纯技术效率均值和规模效率均值也基本在0.8左右,物流产业效率整体上偏低.各地区政府应高度重视效率整体偏低这一事实,从全面角度分析存在的问题.力求高效率地区保持,低效率地区消除弱势.从技术、管理和资源配置等角度提高纯技术效率和规模效率,从而带动综合效率的提升.
西北、东北、西南、沿海和内陆这几个区域的物流产业效率呈现区域性差异.上海、浙江、福建、广东等沿海地区的物流效率最高,黑龙江、辽宁、吉林等东北地区省市次之,作为内陆地区的重庆整体效率最低.各省市政府应该加强各自之间的物流资源共享、物流信息技术交流,为弱势地区提供技术支持与帮助,推进区域间协调发展.政府应该引导西北、东北、西南、沿海和内陆地区之间形成结对互助,在彼此之间形成物流系统节点,使得各省市之间的物流信息技术和管理经验得以共享和借鉴,促进区域物流的协调发展和共同进步.
以2014年为代表,“一带一路”省域18个省市自治区中有7个存在投入冗余和产出不足的问题,占总数的38.89%,投入冗余和产出不足现象较为突出.针对这个问题,各地政府应该结合当地物流发展现状和信息技术的发展情况,充分利用物联网、云计算、大数据、移动互联网等信息技术手段来对物流资源进行合理的配置,尽力减少投入冗余现象,保证实际的产出效益.
经济发展状况、物流信息化水平和区位因素这3个影响因素对“一带一路”省域物流产业效率具有正向影响.因此,“一带一路”省域在发展各地区物流产业时,要注重各地区经济实力的提升,促进地区经济增长,为物流产业发展奠定基础.要注重提升物流信息通讯化水平,加强物流信息化建设.另外,各省市应充分利用地区发展优势,做好物流园区的规划和建设工作.