基于PCA-DEA模型的省域物流业节能减排效率评价研究

许美贤，郑 琰 （南京林业大学 汽车与交通工程学院，江苏 南京210037）

0 引言

21世纪以来，节能减排以低能耗、低排放的环保发展方式成为推动我国经济增长的必选之策。节能低碳的社会经济有利于调整省、市当前能源消费结构，进而使省、市建设逐步从粗放型转变为可持续高效型。而被列入十大振兴规划的物流业是促进省、市经济持续发展和生产要素自由流动的重要力量，也是规划省、市生产力布局、提高生产效率的关键。传统物流业集约化程度不高，在提升产值时只能倾向于大力发展运输、配送等主营业务，但是因其物流效率不高导致资源配置不合理，产生严重的能源消耗及浪费问题。因此省、市物流业的能源消耗量及污染物的排放量成为了省、市节能减排过程的主要控制目标。物流业节能减排效率的高低代表着整个省、市低碳环保绩效的优劣，因此省、市物流业节能减排效率的评价研究显得尤为重要。

目前，既有的物流业效率评价研究文献颇多，且研究方向及内容各有千秋。丁斌、曲慧敏[1]采用DEA法对我国上市物流企业在2010～2012年的经营效率进行评价分析，并根据影响因素分析给出相关建议；杨佳伟、王美强[2]通过采集18家水上运输上市物流企业在2013～2014年的财务数据，并运用网络DEA模型对中国物流企业绩效进行评价研究；郭子雪、张雅辉[3]对京津翼地区2011～2015年物流效率利用DEA模型进行测算和对比分析，以及提出提高区域物流效率的对策建议；张诚、喻琴[4]秉承着可持续发展理念，收集2004～2012年客观物流数据，把全国30个省市及自治区分为中、东、西三部分后运用DEA模型分析对比研究；何新安[5]运用DEA及Tobit模型对广东省2005～2015这十年的物流效率影响因素进行实证研究，为提高广东省物流效率提供有效建议；田刚、孙立成等[6]为评价2006～2013年间中国29个省份物流节能减排效率构建了以投入与产出为导向的DEA模型，得出人均GDP与物流业节能减排效率呈倒U型曲线。

以上文献研究在一定程度上为我国物流业的发展做出了指导贡献，但总体来说，部分研究从企业物流绩效角度出发，忽视了总体的省、市物流才是社会经济发展的关键影响因素。而从省、市物流角度出发的评价研究却没能以绿色环保的视角来分析，在评价指标的选取时仅从基础设施、经济增长、人员分配等方面思考，没能结合能源消耗、空气质量等因素进行全面筛选。或者已考虑到了节能方面的影响，但所运用的评价模型过于单一，使得指标的选用个数受限于计算方法和精确性的影响，而直接导致了评价不够全面充分。因此，本文将以15个省、市物流业为例，先运用PCA法的降维思想压缩指标数量，削弱每个指标之间的相关性，同时又保证了信息的数量和质量，进而再运用DEA模型评价时，可提高评价的客观性和准确性。

1 方法及模型介绍

1.1 PCA方法和模型简介。主成分分析法（PCA）是一种适用于多变量统计分析的基础数学分析方法。它的运用领域非常广泛，常被用于数理分析、证券投资、生态环境研究、食品及仪器分析等学科领域。而在物流方面也得到了有效运用，被普遍应用于物流效率评价研究、物流网络节点的布局研究、物流成本预测、区域需求量预测、物流合作伙伴的选择研究等方面。PCA的基本思想是以其强大的数据提取能力通过降维处理将一组个数繁多的、彼此相关的、意义单一的指标变量转化为个数较少的、彼此互不相关、意义综合有效的指标变量。转化后的指标变量即主成分，既简洁准确又保证了信息的客观性，可以达到更科学高效地解决研究问题的目的。所以PCA法应用于本文非常合适。

下面将对PCA的处理步骤及模型进行简单的介绍分析：

选取m个评价对象和确定每个对象中的h个变量，将所有原始指标变量构造成一个矩阵：

C1,C2,…,Cn是从第一个主成分到第n个主成分，第一个主成分的方差最大，后面逐渐递减，它们的总方差占比也递减。而方差决定了贡献率的大小，累积贡献率一般需要达到85%以上主成分才能合理解释原变量，所以只选取占比重大的前几个成分作为主成分进行分析。

1.2 DEA方法和模型。数据包络分析（DEA）法作为绩效评价常用方法之一，它比层次分析法、平衡计分卡法、模糊综合评价法更具有客观性，比灰色关联分析法、神经网络算法需要的数据量相对较少且计算过程更加简单，所以考虑到评价的可借鉴性及数据的可获得性本文采用DEA法进行运算。DEA法通常用于解决多个输入、多个输出的非单目标决策问题[7]，其主旨思想为：先借助输入和输出值来判断有效前沿面，再分析DMU即决策单元与有效前沿面的相离程度，得出有效和无效的单元，并结合实际情况进行投入、产出、规模等的调整，使管理者获得科学合理的决策信息。DEA法在实际的生产、投资等方面具有很强的经济适用性，因其较好的综合评价能力已被广泛使用在各类评价研究中。

基于规模效益可变性及总体有效性原则，选取DEA-BCC对偶规划模型进行运算，模型如下：

此模型最优解为θ0,λ0,s0+,s0-，其经济含义如下：（1）当θ0=1，同时满足s0+=s0-=0时，DMU为DEA有效，说明投入产出已为最优化、最合理化；（2）当θ0=1，但s0+、s0-没有满足均为0时，DMU为弱DEA有效，说明需要进行投入或产出的相应调整；（3）当θ0＜1时，此时DMU为非DEA有效。

综上，本文为得到重要、科学的研究结论，将结合PCA法和DEA法各自的优点，将其强大的数据处理能力和良好的综合评价能力充分运用于物流业节能减排评价中，下面将结合我国总体物流业实际情况进行分析，从而选取全面及合理的指标来建立评价体系。

“别老拿着匕首在我眼前晃。”一杭说。范坚强笑了，“怎么，怕了？只要你交出从公厕看守那里找到的记事本，我可以考虑饶你一命。”

2 评价体系构建及数据获取

近年来，我国物流业运行质量有所提高，但总体来说仍然存在着资源整合不充分、发展跟不上市场需求的扩展、物流基础平台面临困境等问题。因此，参考文献[4]和[6]为代表的文献，并根据可比可操作性、系统全面性、科学合理性等评价体系构建原则，以我国15个主要省、市为研究单元，结合其物流业发展状况及节能减排工作的要求。从基础设施、人员管理、经营效益、能源消耗、污染物排放这几方面思考，选取了物流业固定资产投资额、货物周转量、载货汽车数量、公路里程数、从业人员数量、物流业能耗量、物流业财政支出、快递业务量8个指标为投入指标，以货运汽车氮氧化物排放量、物流业生产总值2个指标为产出指标，构建一套合理、科学的评价指标体系，争取公平、有效地对我国省、市物流业节能减排效率进行评价。评价指标体系如表1所示：

表1 投入、产出评价指标体系表

考虑到数据的可获得性，本文以交通运输、仓储和邮政业作为物流业的体现，收集15个省、市2017年的相关数据进行汇总，数据来源于各省、市的《2018年统计年鉴》、《2018年中国机动车环境管理年报》、《2018年国民经济和社会发展统计公报》以及各省、市环境检测中心等官方网站。数据表如表2所示：

表2 15个省、市物流业节能减排效率评价原始数据表

3 数据处理及研究分析

3.1 主成分分析（PCA）及数据标准化处理。从表2可知，由于输入输出数据及指标过多，且指标之间或多或少存在一定的联系。下文的DEA法的运用要求决策单元DMU的数量与输入输出指标之和（m+s）之间需满足2（ m+s）≤n≤3（ m+s）数学关系[8]，同时为了提高DEA效率评价的准确性，就需要先运用PCA的降维思想来确定主成分，降低各指标之间的相关性。

运用SPSS24.0对15个省、市的8个输入指标数据进行主成分分析处理，如表3所示。

KMO统计量和Bartlett球形检验显示：KMO取样适切性量数为0.586＞0.5且显著性概率为0.000，表明各指标变量相互联系，拒绝各自独立假设，适合做主成分分析。

再根据SPSS24.0软件运行结果的总方差解释表（如表4所示）可知提取了3个主成分，第一个主成分的特征值为3.583，方差贡献率为44.781%，第二个主成分特征值为2.031，前两个主成分累积方差贡献率为70.167%，第三个主成分特征值为1.230，这3个主成分累积方差贡献率为85.547%，符合特征值＞1且累积方差贡献率＞85%的原则。

而成分得分协方差矩阵（如表5所示）为单位矩阵，说明提取出来的3个主成分互不相关。

表3 KMO和巴特利特检验表

表4 总方差解释表

表5 成分得分协方差矩阵

由成分得分系数矩阵（如表6所示）可以得到输入变量所提取的主成分计算表达式，其中为标准化后的数据：

表6 成分得分系数矩阵

所以输入变量主成分分析结果如表7所示：

表7 输入变量主成分分析结果

由表7可知，I1、I2、I3中有负数，不满足DEA的计算要求。同时产出指标数据与其量纲不同且值相差较大，所以必须进行归一化处理。根据参考文献[7]利用其数学公式进行处理：

公式中xij为表7中的输入变量，yij是产出指标的变量[9]，是经过计算得出的新的投入变量，计算后新的产出指标变量，的值均在0.1到1之间。归一化处理后的投入和产出变量如表8所示。

3.2 DEA计算与分析。下面运用DEA法进行计算分析，将表8中的新投入和产出变量放进DEA中，并使用DEAP2.1软件进行运算处理，结果如表9所示。

从表9可知，2017年的广东省、江苏省、河南省、四川省、湖南省、河北省、福建省、上海市、辽宁省这9个省、市的综合效率、纯技术效率、规模效率均为DEA有效，规模报酬均不变，说明了2017年这9个省市的物流业节能减排效率达到了最佳状态；除浙江省外，其他6个省、市的纯技术效率均为1.000，达到DEA有效，但这6个省市在综合效率和规模效率上均没达到1.000，即DEA无效。表明这6个省市在投入生产要素方面存在冗余或在产出资源等方面存在不足。在生产规模不变下，减少生产要素的投入也可得到相应的产出水平或保持投入要素不变可增加产品产出空间。

表9的15个省市中，只有山东省的规模报酬呈现递减状态，说明了2017年山东省在增加物流业投入生产要素的数量后，产出数量却没有成比例增长，问题出现在生产规模的扩大没有得到很好的利用，但从其综合效率及规模效率的数值均为0.954上看，只要稍作调整山东省的物流业节能减排效率即可达到最优。而规模报酬递增的浙江、湖北、北京、安徽、陕西，总体来说综合效率值较低，说明了这几个省在2017年间的物流业产业结构不太合理，没有充分利用现有物流业基础设施，资源没有得到合理配置，产出达不到最优，规模需要进一步扩大。从效率平均值看总体规模效率达到了0.949，说明了大部分省市在规模递增状态，要提高节能减排效率就要适当减少投入，努力达到国家物流业节能减排、绿色环保的政策要求[10]。

表8 新的投入和产出变量表

表9 各效率计算结果

因此，为给以后各省、市物流业节能减排工作提供借鉴，需要根据DEA无效省市的松弛变量分布表（如表10所示）进行投入及产出等的相应调整，表中代表产出的松弛变量，为投入的松弛变量。

表10 松弛变量分布表

从表10可看出，只有浙江省的投入和产出需要进行较大的调整，其余省、市的投入产出松弛变量均为0，不需要过多调整。浙江省在货运汽车氮氧化物排放的正产出没有达到DEA有效，说明在减排工作上需加大管理力度，提高清洁能源使用率；第三个投入指标冗余最大，而影响其的是公路里程数及物流业固定资产投资额，说明了2017年浙江省物流业没有充分利用道路，可能采用水、空、铁运输较多，固定资产投资过多，资源配置不合理，需要完善物流业管理体制，减少能源消耗及污染气体排放量。

4 建议与结论

本文以我国GDP前15的省、市为例，采用PCA、DEA相结合的方法对其2017年物流业节能减排效率进行评价研究。总体来说，在日益完善的政策管理及飞速发展的科学技术支持下，我国物流业在经济生产收益不断增长的同时兼顾到了生产对环境的影响，采用了清洁能源及在技术上控制污染气体的排放，使得产业得到了史无前例的振兴发展。为使以后物流业节能减排工作越做越好，提出几点建议：（1）加强节能减排政策的实施力度，从全国省、市出发，小到快递站大到物流企业，要求落实经济与环境协调推进的发展策略。在使DEA有效的省、市环保效率得到保持的同时，尽量缩小省域之间的效率差距，全面提高我国物流业节能减排效率。（2）提高清洁能源的使用率和普及力度，加快节能技术的研究开发。淘汰污染气体排放量大的货运汽车，倡导全面使用新能源货车，降低有害气体的排放。可对技术效率无效的省、市提供技术及新能源的支持，从全局出发，实施重点扶持政策，以促进我国物流业的公平竞争。（3）根据各省、市的物流业实际情况，做出科学的预测及工作安排。调整产业结构，科学合理配置资源，增大或减少生产规模，做到环保运营，减少节能减排效率无效的省、市出现，全面提高物流业的环保效率。

综上，PCA的强数据提取能力及DEA的强综合评价能力体现在了主成分指标的提取和从综合效率、纯技术效率及规模报酬等方面的测算，对2017年我国15个省、市物流业节能减排效率进行了全面研究，并根据评价结果提出了发展建议，希望能为我国物流业发展提供借鉴。