基于QCA的安徽省物流效率影响因素及作用路径研究

吴灼亮， 刘明德

(安徽财经大学 工商管理学院， 安徽 蚌埠 233030)

改革开放以来，中国物流业发展迅速，已经成为重要现代服务业以及国民经济的重要组成部分。根据相关资料显示，到2017年，全国铁路货物发送量和周转量、公路货运量、港口和集装箱吞吐量、快递量等均居世界第一。[1]我国虽已成为物流大国，但还不是物流强国。近些年我国社会物流总费用与GDP的比重持续下降，但仍大幅度高于发达国家。推动物流业降本增效，实现物流业转型升级，不仅有利于实体经济健康发展，也是提高人民生活水平的必然选择。安徽省地处中部地区，在物流上起着承东启西的枢纽作用。因此，研究安徽省物流效率的影响因素及其作用路径，可为区域物流业发展及政府相关政策制定提供参考。

一、研究综述

关于物流效率及其影响因素的研究分为宏观和微观两个层面。宏观上是关于国家或区域物流业层面的研究，本文主要探讨宏观层面的研究。

目前，关于物流效率评价的研究较多，但效率评价体系构建略有差异。钟昌宝[2](2017)选取物流业固定资产投资额、公路里程、铁路里程以及物流业从业人数作为投入指标，以货运量、货运周转量以及物流业生产总值作为产出指标，利用DEA方法，研究得出长江经济带省域物流效率呈现持续提升的态势,但区域物流效率差异明显；秦雯[3](2020)选取与钟昌宝(2017)相同的产出指标，但将投入指标中公路和铁路里程换成公共交通里程总和，构建三阶段DEA模型分析得出，尽管近些年粤港澳大湾区物流效率总体呈持续递增状态，但各地区发展严重不均衡。蒋随[4](2020)则侧重流通国际化，投入指标选取公路里程、仓储面积等，产出指标方面增加邮电业务量以及进出口货物等，研究 “一带一路”节点城市物流效率。后来的研究大都基于道格拉斯生产函数理论构建效率评价体系：杨亚利等[5](2016)选择公路里程、物流业从业人数和固定资产投资额作为投入指标，产出指标选取货运量、货运周转量以及物流业生产总值，通过DEA方法研究出泛珠三角地区物流业效率整体良好；王琴梅和张玉[6](2016)同样选取货运量、货运周转量以及物流业生产总值作为产出指标，投入指标选择公路里程、铁路里程以及物流业从业人数构建DEA评价体系，研究发现丝绸之路经济带核心区城市物流效率不仅整体偏低，而且呈逐年下降的趋势。上述文献对于物流效率评价的研究都采用DEA方法，投入产出指标的选取上略有不同。

关于物流效率影响因素的研究主要集中在宏观层面。Merkert & Mangia[7](2014)指出，对于偏远地区物流效率的提高，要重点考虑基础设施建设和资源有效利用等方面；而偏远地区物流基础设施建设主要靠政府投入，因此Mavi等[8](2012)认为政府参与对物流效率的提高有着积极作用。刘承良和管明明[9](2017)同样认为政府调控正向影响物流效率，此外，信息化建设以及产业聚集也能提高物流效率。除了政府参与外，国内学者曹炳汝和邓莉娟[10](2019)利用DEA-Tobit模型研究认为市场一体化、产业集聚以及对外开放对物流效率提高有正向影响；龚雅玲等[11](2019)同样先采用DEA方法测度区域物流效率，然后进一步通过Tobit回归分析得出物流产业结构、信息化水平、物流产业发展优势与物流效率显著相关；刘岩和田强[12](2019)则对效率进行细分，发现产业集聚带来的区位优势影响纯技术效率而经济总量影响规模效率；也有学者如田振中[13](2011)认为产业集聚带来的区位优势并没有显著影响物流效率，经济水平、劳动者素质和信息化建设等方面则起积极作用；何新安[14](2017)也认为人力因素影响物流效率，但是发现当前物流行业从业人员冗余，并且整体素质较低，严重阻碍了物流业高效率发展。

综上所述，目前学术界大都将物流效率测度和物流效率影响因素的研究分割开来，即使结合在一起，通常也只是采用回归分析方法评价单个因素对于物流效率的影响是否显著，并给出相关性关系，无法揭示影响因素对物流效率的作用路径。本文拟采用DEA方法测评安徽省各地区物流效率，并将效率评价结果作为分析的被解释变量，再利用定性比较分析(Qualitative Comparative Analysis，以下简称QCA)进行研究，以期得到影响因素对物流效率的作用路径，而且找出物流高效率路径上的核心条件和边缘条件。

二、研究设计

1.研究方法

(1) DEA 目前学术界主要采用DEA法、层次分析法、模糊综合评价等方法研究区域物流效率，基于研究的客观性以及样本的特点，本文通过采用DEA方法测度物流效率。DEA方法能够对具有可比性的同类型单位进行相对有效性评价，在分析多个投入、产出指标时，不受数据量纲的影响，且无需对指标进行模糊量化、加权、赋值等预处理，相对于其它方法，客观性较强。DEA方法中基于规模报酬可变BCC模型将原来的综合效率分成纯技术效率和规模效率两部分，并得出规模效益变化方向。本文选取BCC模型，利用DEAP2.0软件，基于投入角度测度安徽省16个城市物流效率，得出其综合效率、纯技术效率值、规模效率值及规模报酬等。综合效率为1则DEA有效，综合效率不为1则DEA无效。综合效率等于纯技术效率值和规模效率值乘积，据此可以判断地区物流效率DEA无效是由技术效率低还是规模效率低引起。

(2) 定性比较分析(QCA) QCA方法研究导致特定结果发生的前因条件组合[15]，找出促使某种结果发生的充分条件和必要条件，可以帮助我们合理分析影响物流效率提高的核心因素和非核心因素，最重要的是得出影响因素对物流效率的作用路径。学术界目前多数采用回归分析方法研究物流效率影响因素，此种方法不仅对研究对象的样本数量要求较高，而且选取的变量之间往往存在较为明显的交互效应。本文对安徽省各市物流效率提升路径研究，选取样本数量只有16个，相对较少，并且物流效率影响因素选取的变量之间交互效应较为明显，不适合回归分析。QCA适用于样本数量较少的研究，并且在选取变量时，不用考虑变量之间的交互效应。其根据变量范围定义的不同，分为清晰集(csQCA)、多值集(mvQCA)、模糊集(fsQCA)这三种技术方法。而本文采用模糊集的定性比较研究，其中包含了基本的量化运算，定性分析和定量研究相结合，使结果更具代表性。

2.指标及变量选取

(1) DEA评价体系构建 DEA评价指标选取应遵循性质相同或相近、无较强的线性相关性、样本数量应不低于投入产出指标总和的两倍等原则。物流产业涉及的行业较多，要综合行业发展现状，选择具有一定逻辑性的投入与产出评价指标。基于前文综述中关于区域物流效率测度指标选取，考虑到安徽省地处内陆、铁路及内河航道总里程不及公路里程的5%、主要码头货物吞吐量仅占公路货运量的4%左右、市内运输主要靠公路运输等因素，本文选取陆地运输物流指标。投入指标选取公路总里程、载货汽车数量以及物流业财政支出；产出指标对应选取公路货运周转量和物流业增加值。

(2) QCA变量选取 基于文献综述中对物流效率影响因素研究结果，考虑研究对象的实际情况，本文选取物流业人力资源、区位熵、基础设施利用率、信息化及市场化水平作为定性比较分析的条件变量，DEA效率测度结果作为结果变量。变量计算及解释如下：

区位熵计算方式为本地物流业增加值与本地GDP比值，再除以全国物流业增加值与全国GDP的比值。区位熵又称专门化率，能够判断区域物流是否构成专业化发展。

人力资源水平用物流业从业人数占区域总人口比重来表示。人力资源是影响行业发展的重要因素，各地区人口差别较大，相对应各行各业从业人员数量差异明显，因此选用每万人中物流业从业人数作为人力资源衡量指标。考虑数据可得性，参考已有研究，用各市物流业非私营单位就业人数代替物流业总从业人数。

信息化水平以互联网接入用户数和移动用户数赋予权重求和得来[16]。

物流基础设施利用率计算方式为公路货运量除以公路里程[17]。单位里程公路通过货物量体现公路运输中每公里运输效率，是衡量物流基础设施利用率的重要指标。

市场化水平用非国有(集体)企业就业人数占就业总人数比重来衡量[18]。改革开放的成功实践证明，市场化不仅提高了各行业资源配置效率，而且一定程度上解决了体制机制僵化问题。大部分学者采用进出口贸易、国有企业占比、非国有企业就业人数比来衡量物流业市场化水平，文章采用使用频率最高的非国有企业就业人数比来体现行业市场化程度。考虑数据可得性，采用各市全行业市场化水平代指物流业市场化水平。

结果变量为综合效率。采用DEA效率评价结果作为结果变量。

3.数据来源

本文统计的安徽省各市物流业相关数据，来源于2019年《安徽省统计年鉴》和各市《国民经济与社会发展统计公报》。

三、实证研究

1.投入产出变量描述统计

安徽省各城市投入产出变量描述性统计结果详见表1。

表1 投入产出变量描述性统计结果

由表1可以看出，安徽省各市投入产出变量极差以及标准差都较大，说明各地区物流业发展水平参差不齐。进一步研究发现，经济相对发达的地区，如合肥市以及芜湖市，投入变量中物流产业增加值远远高于其它地区。受土地面积、人口数量等影响，安庆市和六安市公里里程以及物流业财政支出都领先于其他城市，而淮北市、铜陵市以及池州市等地则相对落后。除此以外，地理位置以及产业资源也影响各地区物流业发展。蚌埠市为皖北中心，亳州市是苏鲁豫皖结合部，这两个城市的货运周转量相对较高，而阜阳依托其农业资源以及发展迅速的制造业产业，货运周转量位居省内第一。受经济水平、地理环境以及产业资源等影响，各地物流业投入产出变量相差巨大。

2.DEA效率评价实证分析

利用DEAP2.0软件基于投入角度的BCC模型评价各市物流效率，效率评价结果详见表2。

表2 安徽省各市物流效率DEA分析结果

续表

安徽省内有六个城市的综合效率值为1，三分之一以上城市DEA有效，综合效率均值为0.776，物流效率总体处于良好水平。纯技术效率均值为0.832，规模效率均值高达0.928，说明安徽省各市规模效率较高，技术效率也相对良好。16个城市中，有六个城市处于规模报酬不变阶段，处于规模报酬递减和递增阶段的各有五个城市，大部分城市投入产出比未达到最佳。淮北市和阜阳市DEA无效是由于规模效率低造成的，它们的纯技术效率为1。淮南市、安庆市等八个城市非DEA有效是由纯技术效率和规模效率非有效共同造成的。

合肥市、芜湖市、蚌埠市等六个城市的物流综合效率为DEA有效，这与吕娟娟研究的2011年安徽省各市物流效率结果[19]一致，说明这六个城市近十年来物流始终保持高质量发展。合肥市、芜湖市、马鞍山市以及蚌埠市经济水平始终处于全省前列，发达的经济水平背后往往代表着各行业先进的管理水平。随着沿海和长江三角洲地区大城市的产业升级，制造业等上游产业的转移给这些城市物流业带来大量的市场需求，有效的资源配置加上先进的管理水平，带来这些城市物流高效率发展。铜陵市和黄山市尽管区域面积较小、整体经济体量不高，但依托自身制造业以及旅游业的区位优势，加上物流投入产出的合理配置，带动了物流业的高效率发展。淮南市、安庆市以及六安市物流效率落后，这与王婷婷研究的2013年安徽省物流效率结果[20]类似，唯一有区别的是安庆市2013年的物流效率为DEA有效，这与DEA指标选择有一定差别有关。和本文不同的是，王婷婷选择用城市GDP替换物流业增加值作为产出指标，并将物流业从业人数纳入投入指标，而安庆市2013年这两项投入产出数量较为均衡。淮南市以及六安市经济发展水平较低，没有合理规划物流业财政投入，造成了资源的相对过剩，尤其淮南市产业结构单一，制造业无法有效拉动物流业发展，过低的市场需求不匹配过剩的物流业要素投入，使得物流业低效率发展。

3.QCA实证研究

(1) 模糊集校准 QCA模糊集分析要求数据是0到1之间的连续值，我们需要对原始数据进行校准，评估变量在“完全隶属”和“完全不隶属”之间的隶属程度。结合理论和实际情况,本文选取每组变量数据的次最大值、剔除最大值和最小值后的均值、次最小值作为校准“锚点”。由于蚌埠市的区位熵变量校准后出现最大模糊值“0.5”，将不被纳入系统计算，为避免案例被系统忽略，我们参考已有研究，结合实际数据将蚌埠市的区位熵变量减少微小值“0.01”，使之变为0.49[21]。“锚点”的选择以及校准后数据详见表3和表4。

表3 QCA模糊集校准“锚点”

续表

表4 QCA模糊集校准结果

(2) QCA模糊集分析结果及解释 在QCA模糊集分析中，如果案例数量较少，案例频数最好设置为1或者2，本文选取1作为案例频数阈值以保留更多原始案例。为了保证组态的解释力度，原始一致性阈值最好设置为0.8及以上，本文选取0.8作为高物流效率和非高物流效率组态原始一致性阈值。利用fs/QCA软件分析，结果整理后详见表5。

表5 QCA模糊集分析结果

QCA输出结果中包含三种解，分别是复杂解、简约解、中间解。复杂解在原始数据基础上，分析时没有做任何反事实假设；简约解与复杂解相反，只做了容易反事实假设分析；中间解处于简约解和复杂解之间，既做了容易的反事实假设，又做了困难的反事实假设。中间解优于复杂解和简约解，一般选择中间解作为QCA研究中汇报和诠释的对象。

以高物流效率为输出结果的中间解总体一致率高于0.9，归纳结果得出三条物流高效率路径。路径1为高人力资源水平核心条件互补高市场化水平边缘条件组合，此路径存在两条亚路径，分别为路径1a和路径1b。路径1a代表高人力资源水平核心条件互补高市场化水平、高物流基础设施利用、高信息化及区位优势边缘条件，典型城市为合肥市。合肥市作为省会城市，都市圈对周边城市具备较强的人力吸引力，物流业人力资源充足。另外从商业资源集聚度、城市枢纽性及未来可塑性等方面评价，合肥整体呈现高质量发展，其中就包含着物流业高市场化、信息化发展，同时资源的集聚以及旺盛的市场需求使合肥市与周边地区物资往来频繁，也带来了物流业区位优势以及高基础设施利用率，合肥市的物流效率处于全省领先水平。路径1b为高人力资源水平核心条件互补高市场化水平、非高信息化水平和非高物流基础设施利用率边缘条件，代表城市是铜陵市和马鞍山市。马鞍山市和铜陵市虽然人口规模较小，但同时物流业规模一般，相对较多的物流业从业人员，有效地支撑了区域物流业发展，另外这两个城市人均GDP处于全省前五，民营经济活跃，经济发展市场化水平较高，尤其是物流业的市场化发展，带来了物流高效率。路径1表明，只要物流业人力资源相对充足，市场化水平较高，无论其他条件是否存在，都能带来当地物流业高效率发展。

路径2表示高市场化水平及高人力资源水平这两个核心条件存在，同时互补非高物流基础设施利用率及非高区位优势核心条件，代表城市为芜湖市。路径2表明物流业人力资源和市场化程度的重要性，即使在非高水平物流基础设施利用率以及缺乏区位优势的情况下，只要区域物流建设重视人力资源培养及推动市场化经济改革，就有机会实现物流业高效率发展。为深化国有企业改革，2016年《芜湖市国民经济和社会发展第十三个五年规划纲要》中明确指出了推进资源要素配置市场化、多种所有制经济共同发展。一系列举措不仅使得芜湖市经济发展水平常年位居全省第二，也刺激了民营经济的迅速发展。同时，经济的高质量发展带来更高的人才吸引力，加上芜湖市各项人才补助政策，物流业人力资源也相对充足。

路径3为物流业高市场化水平和高基础设施利用率核心条件互补非高信息化水平和非高区位优势核心条件，代表城市为蚌埠市。路径3和人力资源条件无关，表明即使物流业人力资源充足这一条件不存在，只要地方政府推进多种所有制经济共同发展，提高物流业市场化水平，同时合理布局公路线路，提高物流基础设施利用率，就能提高物流效率。蚌埠市是安徽省重要的综合性工业基地，也是皖北的中心城市，作为交通枢纽城市，周边地区货运流通大都途经蚌埠，加上公路线路合理的布局规划，因此物流基础设施利用率较高。较高的市场化经济水平互补物流业高基础设施利用率，带来了蚌埠物流业高效率发展。

四、结论和建议

1.结论

DEA结果表明，安徽省物流效率非DEA有效的城市，都存在投入产出比例不均衡、规模不经济等问题。定性比较分析得出三条物流高效率路径：路径1是高人力资源水平核心条件互补高市场化水平边缘条件组合；路径2是高人力资源水平和高市场化水平核心条件互补非高物流基础设施利用率及非高区位优势核心条件组合；路径3为高物流基础设施利用率和高市场化水平核心条件互补非高信息化水平和非高区位优势核心条件。

2.建议

基于上述结论，本文提出以下建议：淮南市和淮北市物流人力资源水平极低，其他核心条件基本上满足，应遵循路径1，重点关注物流业人力资源配置，能更快实现物流高效率发展；阜阳市、亳州市物流基础设施利用率极高，市场化水平极低，应参考路径3，重点提高市场化经济水平，最快实现物流高效率发展；滁州市物流业市场化水平相对较高，但基础设施利用率低，也应参考路径3，在进一步提高市场化经济建设的同时，重点关注物流业基础设施规划建设。其他城市基本上同时缺乏人力资源充足、高市场化水平以及高物流基础设施利用率这三个核心条件，无论参考哪一条路径，提升物流效率都需要经历长时间建设发展，因此应根据实际情况，合理选择路径。

上文给出了安徽省不同类型城市物流效率提升路径的建议，路径虽有不同，但因素主要集中于物流基础设施利用率、市场化及人力资源等方面。针对这些因素的发展提出如下建议：第一，提高物流基础设施利用率。要让每条道路物尽其用，合理规划布局公路线路，并根据不同等级公路的功能定位，采取专业的养护、管理方法，坚决杜绝打着保护道路的旗号，胡乱设卡，限高限行“一刀切”，浪费资源。推动建设出发地和目的地市场联合管理体系，合理规划运输线路，降低货运汽车空载率，提高单位公路里程货运量。第二，优化人力资源配置。物流业人力资源匮乏主要是行业吸引力低以及人力资源培养不规范等造成，只有提高行业经济效益和工资待遇，才能吸引人才参与物流业建设，同时规范人力资源培养方式，针对性地培养出具有专业技能和管理技能的专业人才。第三，深化改革，推动物流业市场化建设。以“市场在资源配置中起决定作用，同时更好发挥政府作用”为导向，推动国有企业改革和非国有企业的发展。在安徽省物流业经营主体数量不断扩大的同时，政府要建立健全相关法律体系，维护市场秩序，营造良好的市场环境，为实现物流业繁荣发展提供保障。