福建省沿海港口物流效率研究——基于DEA-Tobit 模型

曹光求 （厦门大学嘉庚学院，福建 漳州 363105）

0 引 言

2015 年3 月28 日，国务院授权发布了《推动共建丝绸之路经济带和21 世纪海上丝绸之路愿景与行动》规划，21 世纪海上丝绸之路圈定了上海、福建、广东、浙江和海南5 省市，其中福建省被定位为“21 世纪海上丝绸之路核心区”。福建省政府相关部门随后发布了《福建省21 世纪海上丝绸之路核心区建设方案》，其中明确提出构建以福建港口城市为海上合作战略支点，加快集约化、专业化、规模化港口群建设。由此可见，“海上丝绸之路核心区”相关政策方案为福建沿海港口带来重大发展契机。但同时也要清楚认识当前福建港口发展可能存在的问题：整体物流效率如何？受哪些因素的影响？如何提升沿海港口的物流效率？要分析和解决这些问题就需要对福建沿海港口的物流效率进行监测评估，并对其影响因素进行分析，为港口物流发展决策提供理论依据，有利于政策引导，推进21 世纪海上丝绸之路核心区建设。

1 文献综述

港口物流效率评价方面，近年来已经开展了大量相关研究。国内外学者的研究普遍采用的是数据包络分析模型（DEA），以传统的CCR-DEA、BBC-DEA 模型为基础，超效率DEA 模型、SBM-DEA 模型、DEA-Malmquist 模型、网络DEA 等模型被越来越广泛应用于物流效率评价。目前主要的研究角度有两种：一是基于港口运营企业角度，二是基于港口自身的投入产出角度。前者基于运营企业角度的研究主要是采用上市公司发布的数据，如匡海波采用国内13 家上市港口公司2004 和2005 年数据，用超效率DEA 模型对公司的成本效率进行评价。孙柯洋等结合因子分析与超效率DEA，采用2008 年13 家上市公司的数据对其经营效率进行分析。后者基于港口自身投入产出的角度直接对港口的物流效率进行评价，相关研究也更丰富。如吉阿兵等运用超效率DEA 模型对全球16 个主要集装箱港口的绩效进行了评价和排序。庞瑞芝应用BCC-DEA 模型对50 个沿海港口1999～2002 年的经营效率进行分析与评价，应用Malmquist 指数分析港口的效率变动情况。王晓慧结合因子分析、BBC-DEA 和超效率DEA 对2011 年我国15 个沿海港口的效率进行了测评。Peter F Wanke 等基于两阶段DEA 模型分析了公共部门与私营部门的合作关系对巴西港口效率的影响。郑琰等运用DEA 模型对连云港2008～2017 年物流效率进行了评价，发现资源配置不合理，服务经营管理效率低等问题。

港口物流效率影响因素分析方面，考虑的因素主要分为两个方面：即港口（或港口企业） 内部因素和外部环境因素。分析模型主要用到Tobit 回归模型和随机前沿分析（SFA） 模型。如James Odeck 等采用SFA 模型来分析海港平均技术效率，比较了固定效应和随机效应回归模型，发现随机效应回归模型更优。倪志敏等应用Tobit 模型对广东省8 个港口物流效率的影响因素进行分析，发现港口物流信息化水平和陆运集疏运能力影响大于其他外部因素。

综上所述，对于港口物流效率评价主要是基于DEA 模型及其拓展模型对港口或港口企业进行测评，然后根据测评结果分析其影响因素。现有研究对于港口物流评价指标体系没有一致的标准，往往取决于数据的可得性和研究视角的不同。

2 港口物流效率评价分析模型

2.1 DEA 效率模型。采用传统DEA 模型对港口物流效率评价，一般选择投入导向的BBC 模型，任一决策单元（DMU），投入导向下对偶形式的BCC 模型可表示为：

其中：j=1,2,…,n 为决策单元个数，X,Y 分别为投入和产出向量，θ 是决策单元的有效值，S和S分别表示投入剩余量和产出的不足量。若θ=1, S=S=0，则决策单元为DEA 有效；若θ=1, S≠0 或S≠0，则决策单元为弱DEA 有效；若θ＜1，则决策单元为非DEA 有效。该模型计算的效率值为综合技术效率（crste ）、纯技术效率（vrste ）和规模效率（scale ），其中scale=crste/vrste。

2.2 Tobit 回归模型。托宾（Tobin） 于1985 年首次提出Tobit 模型，属于受限因变量模型，适合因变量不连续难以计算的情形。CCR 和BCC 模型测量出来的效率值是0～1 之间的离散值，作为因变量，而解释变量取实际值，因此适合Tobit 模型用最大似然法进行回归分析。Tobit 模型如下：

3 实证与结果分析

3.1 评价指标选取。基于港口运营企业角度，现有相关研究主要选择企业固定资产、员工人数、主营业务收入、营业利润、每股收益等指标。但实际上港口参与运营的企业很难一一对应，存在多家企业参与运营一个港口和一家企业参与运营多个港口的情况，并且港口运营企业的数据比较难以获得。所以本文选择基于港口自身投入产出角度进行指标选取。总结众多学者选择的指标体系，多数研究的产出指标选择货物吞吐量和集装箱吞吐量。投入指标主要涉及到港口基础设施设备、集疏运能力等方面。码头长度、泊位数、万吨级泊位数、堆场面积、起重机数量等是港口基础设施设备方面具体指标。集疏运能力方面的指标也没有统一标准，港口内铁路总长、腹地公路和铁路总里程数、公路和铁路货运量等直接和间接指标都有，指标之间有较大的相关性。

综上分析，结合福建省沿海港口发展的实际情况和数据可获得性，本文选择货物吞吐量和集装箱吞吐量作为产出指标。选取生产用码头泊位长度、生产用码头泊位数、万吨以上码头泊位数、港口城市货运量、港口城市货物周转量作为投入指标，反映港口基础设施和腹地集疏运能力两个方面，具体如表1 所示。

表1 福建省港口物流投入产出指标

3.2 数据来源与数据处理。投入和产出指标数据来源为《中国港口年鉴》、各港口城市的统计年鉴和福建省统计年鉴。跟踪了福建省福州港、厦门港、泉州港和莆田港4 个沿海港口，2014～2019 连续6 年的数据。决策单元数量下限一般是输入输出指标总数的2 倍以上，而指标变量过多不利于DEA 模型分析。此外考虑到投入指标中存在结构维度，所以有必要对投入变量进行主成分因子分析来实现降维。利用SPSS 软件进行主成分因子分析，KMO=0.680，Bartlett 球形度检验P＜0.0001，结果说明上述5 个投入变量适合作因子分析。投入指标数据的特征根、方差贡献率如表2 所示，主成分负载矩阵如表3 所示。从表3 中可以得出，5 个输入指标变量可以提取两类因子。其中X、X、X为一类主成分，对应港口的基础设施。X、X为第二类主成分，对应港口腹地集疏运能力。因为SPSS 运算得到的主成分得分数据含有负数值，为满足DEA 模型的非负约束条件，以数e （≈2.7183 ）为底，以主成分得分数据为幂进行转换运算（即EXP 函数），得到2 组符合条件的输入变量。同时考虑指标数据量纲的差异，对输出指标进行标准化，标准化数据含有负数值，因此同样采用EXP 函数进行转换。

表2 投入指标的方差解释

表3 投入指标变量的主成分负载系数矩阵

3.3 DEA 模型效率分析。使用Deap2.1 软件对处理好的样本数据进行DEA 效率分析，结果如表4 所示。

表4 福建省2014～2019 年沿海港口效率评价结果

从表4 的数据来看，福建省4 个主要沿海港口的物流综合效率是厦门港最高，均值为0.996，其次是泉州港，均值为0.965。其中厦门港除了2016 年之外，其他5 年均达到了DEA 有效。泉州港除了2014 年、2015 年之外，其他4 年均达到了DEA 有效。福州港物流综合效率较低，均值为0.606，其纯技术效率相比最低，均值为0.664，主要依靠规模效率，均值为0.902。莆田港的物流综合效率最低，均值只有0.432，但其纯技术效率比较高，均值为0.958，主要是规模效率低下所致，其均值为0.450。从规模报酬来看，基本处于规模报酬递增状态。从年份上看，福州港自2018 年以来综合效率增长明显，2019年达到了DEA 有效。

3.4 Tobit 回归分析。影响港口物流效率的因素是复杂多样的，借鉴相关研究重点考虑港口自身因素、腹地集疏运能力因素以及外部社会经济因素。具体包括了DEA 评价体系中的投入和产出指标，还考虑外部社会经济环境的影响，因此选取了港口城市的GDP（亿元）、常住人口（万人）、第三产业占比（%）、进出口总额（万美元），依次以X～X代表，数据来源为福建省和各市统计年鉴，其描述统计结果如表5 所示。

表5 2014～2019 年福建港口经济环境变量的描述统计

将DEA 模型测算的综合技术效率（crste ）、纯技术效率（vrste ）和规模效率（scale ）分别作为因变量，将影响港口物流效率的内外部因素作为自变量，构建Tobit 回归模型如下：

采用Stata15.0 完成上述回归模型的计算过程，结果如表6 所示。

表6 Tobit 回归结果

4 结论与建议

通过DEA-Tobit 模型对2014～2019 年福建4 个沿海港口物流效率进行评价分析发现：

（1） DEA 评估结果显示厦门港和泉州港的综合技术效率处于较高水平，近年都达到了DEA 有效。福州港物流综合效率较低，主要原因在于纯技术效率较低，但进步显著，2019 年达到DEA 有效。莆田港物流综合效率最低，主要由规模效率低下所致。

（2） Tobit 回归结果表明货物吞吐量与综合技术效率、纯技术效率和规模效率均在1%水平上显著，系数为正。集装箱吞吐量对综合技术效率和纯技术效率不显著，而对规模效率在1%水平上显著，且系数为负，反映了除厦门港是属于集装箱干线港地位之外，其他港口的集装箱吞吐量规模较小。生产用码头泊位长度、生产用码头泊位数量和万吨级以上码头泊位数，这些基础设施因素的回归系数多数为负，存在显著的负影响。

（3） 港口城市货运量和货物周转量对三种效率的回归系数均为正，并且在1%水平上显著，说明腹地城市集疏运能力的提高能显著提高港口物流效率。腹地港口城市GDP 对规模效率是显著负影响，对综合技术效率和纯技术效率回归系数为负，但不显著。城市常住人口对综合技术效率和纯技术效率是显著的负影响，但对规模效率是显著正向影响。第三产业占比和进出口总额对综合技术效率的回归系数均为正，对纯技术效率的回归系数均为负，但都不显著，而对规模效率均为显著正向影响。

针对福建省4 个沿海港口的物流效率评估分析结果，结合港口发展现状，建议福建省提升港口物流效率从以下几个方面加强：一是积极融入国家“一带一路”布局，积极开展与东盟等海外港口合作和行业交流，加快“丝路海运”航线的拓展，增加外贸规模对港口物流效率的提升作用。二是提升厦门、福州、湄洲湾3 个区域港口的发展协调能力，强化港口资源优化配置，实现全省港口运营企业的管理一体化。三是适度扩建港口，避免基础设施的盲目投资。港口基础设施的指标变量回归系数为负值，说明存在盲目扩大规模情况。合理规划，适时对基础设施改造升级，优先考虑提升现有港口资源的配置效率。四是加快发展“海铁联运”、“水水中转”等业务服务，构建以港口为枢纽，铁路、公路、海运和空运相互衔接的集疏运网络，建设港口集疏运协同平台，不断提升集疏运能力。五是加快智慧物流港口建设。应用5G 商用网络、区块链、人工智能、自动驾驶等技术，进一步推进“智慧港口”示范工程，全面落地远程操控、智能理货、电子提单等无纸化作业，提升港口服务作业效率。