基于三阶段DEA的供应链试点城市物流产业效率研究

（安徽大学 商学院，安徽 合肥 230601）

0 引言

随着经济全球化不断深化，供应链在竞争中占有优势地位已经成为一个国家经济竞争力的一个重要标志。为加快供应链的创新与应用，2018 年商务部等8部门确定了55个供应链创新与应用试点城市（以下简称供应链试点城市）。而物流作为支持供应链体系正常运转的动脉，是一项将运输、仓储、邮政等诸多产业结合起来的复合型服务产业[1]，研究供应链试点城市的物流产业效率问题对于试点城市的良性发展有着重要作用。

目前学术界采用了不同的方法测算物流效率，主流方法为数据包络分析（DEA）及其改进方法。李存斌，等[2]建立物流效率评价指标体系，分析了城市物流效率低的原因。李勇辉，等[3]在DEA、因子分析法和熵权法的基础上，提出了城市物流二阶段理论框架。实证结果证明，绩效高的城市具备更高的竞争力和效率。刘小平[4]用DEA 方法测算出湖北省物流规模效益仍需改进，并给出了对策建议。龚雪[5]建立以物流业规模和质量产出为指标体系的DEAMalmquist 指数模型，对中部六省物流效率进行了评估。李雷[6]分析兰州市物流效率时，加入了Tobit回归模型，考虑单个影响因素对效率值的影响。

以上文献都从投入和产出的方面分析了城市物流效率，但是忽略了资源投入过程中环境的影响。为了考虑环境因素，马明，等[7]选取了包含碳排放量非期望产出的指标，证明提质增效和节能减排需要共同发展。李丹，等[8]运用了含非期望产出的DEASBM 模型和面板数据回归，对物流效率进行了测算和分解。王育红，等[9]采用了Super-SBM 模型对长江经济带11 个省市的物流效率和影响因素进行了刻画，分析地区差异和时间演化特点。王书灵，等[10]应用三阶段DEA，对我国江浙沪地区物流产业效率进行分析，得出在改善纯技术效率的同时，规模因素也值得关注的结论。罗丹，等[11]从供应链角度出发，创新性地运用超效率三阶段DEA评估港口物流绩效。

供应链水平作为衡量地区或者国家经济竞争力的标准之一，近年来越发重要。测算和评估供应链试点城市的物流绩效有助于加快供应链试点城市建设步伐，推动国家发展战略实施。在已有的相关学术文献中，运用DEA 方法对此进行分析的文献几乎空白。因此，本文尝试采用具有客观性和系统性的三阶段DEA模型，消除环境因素和随机误差的影响，对国家供应链试点城市的物流产业效率进行测算和评价，为未来的供应链长远发展提供对策建议。

1 研究方法与数据来源

1.1 三阶段DEA模型

为克服传统DEA 模型的缺点，本文使用Fried，等[12]提出的三阶段DEA模型。这种新的效率评价模型利用传统DEA模型松弛变量，通过调整投入（或产出），将所有的决策单元调整到同等外部环境情况下，再次运用传统DEA模型测算效率值，从而剔除外部环境变量与随机误差的影响。下面具体介绍三阶段DEA模型。

1.1.1 第一阶段SBM模型。传统的径向DEA模型并不能消除松弛变量的影响，结果存在误差，因此Tone[13]提出了能够实现松弛改进的SBM 模型（Slack Based Measure，SBM）。一般的非导向SBM 模型归纳如下：

根据试点城市物流产业效率测算的特点，本文选用投入导向的SBM 模型，将上述模型转化为线性规划后只取分子，得到的投入导向数学模型如下：

其中ρ0为评估效率值，0≤ρ0≤1，m 与k 分别为投入要素与产出要素的指标数量，λ为权重，x0,y0为投入变量与产出变量，s-为投入松弛。由于该方法不能完全消除外部环境变量的影响，因此本文需要对其进行第二阶段的SFA回归分析。

1.1.2 第二阶段SFA 回归。以投入导向为例，构建SFA模型，将第一阶段测算得到的投入松弛变量作为SFA模型的被解释变量，外部环境变量与随机误差作为解释变量进行回归分析。

其中Snk为投入松弛变量；Zk为外部环境变量；βn为外部环境变量待估参数，∫n(Zk;βn)表示环境变量对投入松弛影响的随机前沿函数；Vnk,Unk分别表示随机误差项和管理无效率，二者为混合误差项。

回归分析的目的是为了剔除环境变量与随机误差的影响，将所有的决策单元调整到同等外部环境情况，在分离得到环境因素与随机因素后，得到调整后的投入。调整公式如下：

1.1.3 第三阶段调整后的DEA模型。第三阶段是以经第二阶段调整后的投入数据代替原投入数据与原产出数据再次使用SBM模型进行分析。由于调整到假定的同等外部环境情况下，测算得到的效率值将比单独使用DEA模型得到的效率值更加切合实际。

1.2 指标选取与数据来源

1.2.1 投入产出指标与环境变量。由于物流业属于新兴行业，我国尚未对“物流业”的边界和内容进行明确的规定。借鉴大多数文献的处理办法，本文选择交通运输、仓储和邮政业的数据来反映物流业的发展水平[14]。考虑数据的可衡量性、完整性，以及本文的研究目的，本文选取人力投入与财力投入作为投入指标，物流业产出与经济产出作为产出指标。在外生环境变量中，本文选取经济发展水平、政府支持力度和政府影响力三个变量作为环境变量。具体指标体系见表1。

表1 投入产出及环境变量评价指标体系

1.2.2 样本及数据来源。鉴于数据的完整性要求以及部分供应链试点城市数据缺失、滞后，本文选用其中数据较为完整的38个供应链试点城市作为研究样本。数据来源于2008-2019年《中国城市统计年鉴》、2009-2018 年各供应链试点城市国民经济与社会发展统计公报以及中经网数据库，对于少量缺失数据采用插值法进行补齐处理。

2 实证分析

2.1 第一阶段SBM模型实证结果

在第一阶段选用SBM 模型，对于上文确定的原始投入和产出数据进行初始效率测评。运用DEASOLVER5.0软件得到全国38个供应链试点城市初始效率值及横向、纵向的效率均值，由于篇幅限制仅列举部分城市，计算结果见表2。

表2 显示，在整个样本时间中，38 个城市综合效率值普遍较低，大部分城市效率值都低于0.5，总效率均值为0.36，平均效率值最大的DMU为广安，效率值均达到1，效率值最低的DMU为昆明，效率均值仅为0.05，二者相差悬殊。其中，北京、太原、哈尔滨、杭州、武汉等城市从2009 年开始物流业效率值呈上升趋势，并且在2014-2015年间转为下降趋势，南京、南宁、广安、昆明等地在2009—2018年之间物流业效率值变化幅度较为平缓。

表2 第一阶段2009-2018年各城市综合效率值

2.2 第二阶段SFA回归结果

为剔除环境因素和随机扰动项对供应链试点城市物流产业效率测算的影响，本文在DEA 分析的第二阶段，以第一阶段测算出的物流业年末从业人数松弛量和物流业固定资产投资额松弛量为被解释变量，以人均GDP、物流业支出比重、地方财政支出比重为解释变量，建立SFA 模型，使用Frontier 4.1 软件进行运算。运算得出的回归系数为正，表示外部环境变量的增加会导致各投入变量浪费增加；回归系数为负，表示外部环境变量的增加会降低投入的浪费。SFA回归结果见表3。

从表3 可看出，单边似然比检验LR 值均通过检验，表明使用SFA 回归十分必要。下面对各环境变量进行分析：

表3 第二阶段SFA回归结果

（1）经济发展水平。该变量与物流业年末从业人数松弛量的回归系数为正；除2012 年、2013 年以外，物流业固定资产投资额松弛量回归系数均为正，说明人均GDP 的提高会使得物流业从业人员、物流业固定资产投资的投入出现冗余、浪费增加。反映出在部分发达城市，物流业的人力资源、财力资源相对充裕，投入过多而没有得到合理的配置，导致综合效率较低，例如北京、上海、深圳，综合效率分别仅有0.201、0.217、0.269。

（2）政府支持程度。在2009-2010 年和2013-2017年，回归系数均为负数，这表示政府支持力度的提升有助于减少物流业从业人数和固定资产投资额的无效投资，提升资源配置效率；2011-2012 年和2018年，回归系数均为正数，这表示政府支持力度并没有很好地发挥降低无效投入的作用。综合十年回归系数来看，政府支持程度在短期内对物流行业的建设和发展具有促进作用，但过多的投入会导致投入浪费，降低物流行业效率。

（3）政府影响力。从分析结果观察到，政府影响力与物流业从业人数和固定资产投资额之间的回归系数绝大多数为正，表明政府提高物流业的财政水平，资源的投入水平也会随之增加，吸引物流行业的劳动力和加大物流基础建设力度。但是一旦资源没有合理分配，过多的投入会造成资源的冗余，降低物流行业的管理效率，导致财政支出的浪费和物流业的发展缓慢。

2.3 第三阶段调整后DEA结果

在第二阶段对2009-2018 年供应链试点城市的物流业投入要素进行调整后，再次使用DEA-SOLVER5.0软件并选用投入导向的SBM模型进行测算，得出实际的综合效率值见表4。

调整前和调整后的综合效率值有着显著差异，说明本文选取的环境变量对城市物流业效率存在较大影响。对比表1与表4，北京、南京、上海、杭州等供应链试点城市的物流业效率几乎每年在调整后都有着不同程度的上升，说明这些城市的物流业效率整体水平被低估；景德镇、亳州、焦作等供应链试点城市的物流业效率几乎每年在调整后都有着不同程度的下降，说明这些城市的物流业效率整体水平被高估；剔除环境因素后供应链试点城市效率均值由0.369上升到0.392，提升了6.2个百分点，提升效果较为明显。物流业效率提升幅度最高的前三名是北京（提升19 名）、南京（提升19 名）、杭州（提升18 名）。这说明这三个城市与其他城市相比，物流业效率值受环境因素影响的程度较大，未来物流业效率的提升具有较大潜力。物流业效率下降幅度最大的前三名是亳州（下降23名）、景德镇（下降21名）、焦作（下降16 名）。这说明这三个城市的物流业发展环境优于其他城市，即环境因素作用于物流业效率的效果非常明显。

表4 调整后各供应链试点城市物流业综合效率

为了体现时间的变动性，对供应链试点城市每年的综合效率值进行分析，从动态演化的角度分析全国范围内的物流业效率发展趋势，结果如图1所示。

图1 2009-2018年供应链试点城市物流业综合效率全国均值变化

从图1 可以看出，在调整投入变量之前，效率值呈现先增长后下降的趋势，2018年有小幅度的上升；在调整后，效率值提升效果较为明显，除2014 年与2018年外物流产业综合效率值均呈现不同程度的上升。这一结果说明环境因素和随机误差对效率值有显著影响。在2009-2015 年存在多次波动但波动幅度较小，而在2015 年以后，效率值呈现下降的趋势，这表明近几年供应链试点城市物流业整体水平有所下降。

3 结论及建议

本文主要的研究结论有：（1）经济发展水平、政府支持程度、政府影响力等环境变量对物流业效率有显著影响。其中，经济发展水平不利于物流业人力投入、财力投入的冗余减少，具有负向影响；政府支持在较大程度上有利于资源投入的冗余减少，具有正向影响；政府影响力大体上易引起资源投入浪费，具有负向影响。（2）将第一、三阶段的物流业效率进行对比发现，综合效率值有着显著差异，很多城市的效率值被低估或被高估，这说明使用三阶段DEA方法进行分析是合理的，在剔除环境因素和随机误差后得到的效率值更加真实可靠。（3）不论是调整前还是调整后，供应链试点城市的物流业效率值均较低。这说明供应链试点城市物流业的整体效率较低，资源配置合理化水平有待提高。

根据以上实证分析得出的结论，提出以下几点建议：

（1）合理整合与配置物流业资源。为提升物流产业效率，需对行业资源进行合理配置，构建互通平台，减少资源浪费，同时也要防止因某项资源缺乏而影响产业发展。加强物流业高素质人才的培养，为物流业发展提供新动力。

（2）加强政府宏观调控，明确物流业发展方向。政府制定的政策很大程度上影响着物流产业的发展，政府干预也是形成产业特色的基础。因此各试点城市政府应结合城市现状，找准定位和自身优势，制订一系列提高地方物流业水平的配套政策，为物流业的发展提供良好的外部环境。

（3）因地制宜发挥物流优势，促进供应链降本增效。例如位于东北地区的试点城市应稳定农产品物流与供应链，在冷链物流方面重点投入，位于西部地区的试点城市应促进物流基础设施建设，位于长三角地区的试点城市应致力于推动制造业与物流服务业深度融合。

本文仍存在一定的局限性，所选取的投入产出指标以及环境变量的数量较少，在今后的研究中将综合采用多种研究方法，建立更加科学合理的指标评价体系，以提高结论的准确性，为国家供应链试点城市的物流业效率评价提供更为完整的政策建议，促进供应链试点城市的实质性发展。