基于三阶段DEA的长江经济带物流效率分析与提升策略

倪 欣

（上海海事大学 经济管理学院，上海 201306）

0 引言

伴随中国经济高质量发展，区域物流快速发展对周边区域以及全国具有辐射效应。作为引领经济高质量发展主力军的长江经济带，覆盖沪、苏、浙、皖、赣、鄂、湘、渝、川、云、贵等11个省市，横跨中国东、中、西三大区域，2022年实现GDP55.98万亿元，占全国GDP的46.3%，在区域发展总体格局中具有重要战略地位[1]。国家发改委通过《关于进一步降低物流成本的实施意见》《“十四五”现代流通体系建设规划》，要求以经济高效、绿色智能、安全稳定为核心，加快现代物流体系构建，以解决当下物流体系效率低下的问题，实现经济高质量发展。一系列文件的出台为长江经济带发展提供了制度保障。在此背景下，分析长江经济带11个省市物流产业的物流效率，对其区域经济高质量发展和优化物流业产业结构有重要意义。

当前，国内外学者采取各种研究方法分析物流效率，成果斐然。理论方面，余冬筠[2]将物流产业投入与产出的联系和比率关系定义为物流产业效率，用以对比生产资源实际配置与有效配置。何黎明[3]认为供给侧结构性改革过程中，增加物流有效供给的方法是降低物流成本。Lalhriatpuii[4]通过效率来衡量物流业对可利用资源的使用程度。实证方面，主要体现在指标体系选取、评价模型构建以及研究区域等。指标体系选取上，因物流业发展需要各种资源要素的投入，一般投入指标从人力、财政和物质资源等方面考虑，产出指标根据所研究目标来确定，尽可能找一个已有的公认数据作为产出指标[5]。评价模型构建上，数据包络分析（DEA）在物流业测度方面较为常用。Schinnar A P最先引入DEA模型分析物流效率，并以此评价第三方物流企业的物流效率。Markovits，等[6]采用DEA方法分析欧洲29个国家的物流效率，Saparovna，等[7]提出物流效率受基础设施建设影响；张娜，等[8]和梅国平，等[9]使用三阶段DEA模型分别测算了西部地区和华东地区物流产业效率。卢琳[10]运用DEA方法验算了中国31省份物流业效率，得出中国物流发展水平不均衡的结论。

近年来，以长江经济带为切入点逐步成为物流效率研究的热点。王育红，等[11]、魏国辰，等[12]分别通过Super-SBM模型和超效率DEA模型测度长江经济带物流效率。曹炳汝，等[13]基于“DEA模型+Arc-GIS+空间自相关分析”，探究长江经济带物流效率值及时空演化规律。张云宁，等[14]使用三阶段DEA和tobit模型对长江大保护区域19个省的物流产业效率进行测度，得出物流效率上游低而下游高的结论。

综上所述，物流效率研究方面，学者们已取得一定成果，但仍有进一步提升空间。首先，现有研究对象多数集中在国家或者某个省份层面，对特定经济区域展开研究较少；其次，推动长江经济带高质量发展是“十四五”规划的重要内容，其生存发展如何是关乎国家发展的重要战略。现研究对长江经济带物流效率使用常规的DEA方法进行验算，易受到外部环境影响和随机因素干扰，会导致有关研究难以获得正确的测算结果。为提升长江经济带11省市物流效率值的测算精度，本文以长江经济带为研究区域，构建三阶段DEA模型进行了验算分析。

1 模型介绍

数据包络分析（Data Envelopment Analysis，DEA）是由Charnes、Cooper和Rhodes于1978年提出的一种基于非参数线性规划的技术，它将被评估的经济体作为一个决策单元（DMU），通过构建投入产出指标体系并进行模型分析，确定研究对象的有效生产前沿面，并根据每个DMU与有效生产前沿面的距离，计算出每个DMU效率值，以此辅助决策[15]。目前，DEA模型已被广泛应用于评估生产过程、服务过程、效率评估、绩效评估和资源分配等领域。但由于DEA模型存在着严重的缺陷，其未意识到外部环境影响和随机因素干扰，将投入变量与产出变量间的效率水平低都归结于管理无效，由此Fried等学者最先提出将DEA模型分为三阶段DEA模型进行测算。三阶段DEA模型共分为三个阶段：第一阶段，使用传统DEA—BCC模型分析每个DMU的原始投入变量和产出变量所建立指标体系的初始效率。由于第一阶段所获取的效率值容易受到环境、随机误差及管理等因素的影响，故在第二阶段操作，主要基于第一阶段的测算结果进行，将第一阶段获取的投入松弛变量作为因变量，将环境及随机误差作为解释变量进行SFA模型回归分析，可测算出第一阶段测算时忽视的环境变量干扰并进行清除，从而更加精确地测算出物流效率值。第三阶段，将调整后的投入变量代入传统的DEA-BCC模型中，再次对长江经济带物流效率进行计算，得到调整后的物流效率。

2 实证分析

2.1 数据来源与指标选取

（1）数据来源。基于中国国情，暂无专门的数据库收录和整理物流业数据，而交通运输、仓储和邮政业占物流业产值的80%以上，故参考多数学者对物流业的数据选取办法，选取其数据来反映物流业的投入产出情况[16-17]。

本文以长江经济带11个省市为研究区域，具体见表1。将其划分为上游、中游、下游三大区域，本文选取长江经济带11省市物流业的投入和产出指标以及环境指标数值作为样本数据，原始数据来源于《2013-2022年中国统计年鉴》[18]。

表1 长江经济带三大区域省市划分

（2）指标选取。长江经济带物流效率评价指标体系借鉴了大多数学者构建的物流效率评价体系，投入指标从人、财、物三个生产要素角度选取，产出指标从物流规模方面选取，环境变量从地区经济发展水平和产业结构选取，具体见表2。

表2 长江经济带物流效率评价指标体系

投入指标：物流业的规模通常与就业人数密切相关，人数的增加可能意味着物流业的发展和扩张，从而影响整体的物流效率，故本文选取物流业从业人数[9,13]作为物流业人力投入指标；物流业的运作需要大量的资本投入，用以购买、维护和升级固定资产，故选择物流业固定资产总额[19]作为财力投入指标，可以直观地反映特定地区或国家投资水平；载货汽车拥有量反映物流运输能力和规模，高拥有量可能意味着有足够的运力来满足货物运输需求，故本文选取载货汽车拥有量[20-23]作为物力投入指标。

产出指标：货运量直接反映了区域内货物的运输需求和规模，货物周转量则更关注货物在单位时间内的流通情况，故本文选取货运量和货物周转量[22-24]作为产出指标。

环境变量：物流活动紧密跟随经济发展，高地区生产总值（GDP）可能意味着有更多的物流需求；随着经济结构转型，服务业和物流业的发展通常会有所增长，对物流效率产生影响，故本文选取地区生产总值[22-23]和第三产业增加值占GDP[25]比重作为环境变量。

为了确保指标的合理性，本文使用SPSS软件kendall的tau_b的非参数相关性检验长江经济带物流效率评价指标的合理性，使结果更有说服力[25]，检验结果见表3。

表3 相关性检验结果

从长江经济带11个省份物流业指标的相关分析可知，各指标近相似合理，且均在0.01或0.05上显著，符合DEA模型的要求。

2.2 第一阶段DEA模型的长江经济带物流效率分析

长江经济带11省市的综合技术效率值、纯技术效率值和规模技术效率值反映了被决策单元（DMU）的资源配置能力、技术进步情况和增长空间情况。也可能会存在一种情况，即每个地区因地制宜，采取发展方式会有所不同，受到不同因素的影响会导致经济发展水平较高的地区反而物流效率较低[26]。本文运用deap2.1软件测算出2013-2022年长江经济带11个省市的物流效率，各省市的物流效率值见表4-表7，长江经济带地区综合物流效率见表8。

表4 2013-2022年长江经济带11省市第一阶段DEA模型综合技术效率分析

表5 2013-2022年长江经济带11省市第一阶段DEA模型纯技术效率分析

表6 2013-2022年长江经济带11省市第一阶段DEA模型规模技术效率分析

表7 2013-2022年长江经济带11省市第一阶段DEA模型规模报酬类型分析

表8 第一阶段DEA模型的长江经济带地区综合物流效率分析

由表4-表8可知，在不考虑环境因素的情况下，可得出以下结论：

（1）从综合技术效率值分析，2013-2022年长江经济带综合技术效率值均为1的是上海市，说明上海市物流业发展中充分利用了投入资源，达到最优状态，物流活动效率高。究其原因，上海市具有独特的地理位置优势和先进的物流基础设施，产业集聚效应显著，与内陆和沿海地区的贸易往来便利，成为重要的物流枢纽；而其他省（市）综合技术效率值均低于0.9，说明物流活动效率还有待上升空间，需要从技术水平、管理方面、产业结构等多个维度进行协调，提高资源利用率。

（2）从纯技术效率值分析，2013-2022年长江经济带纯技术效率值均为1的有上海市、江苏省、浙江省、江西省、湖南省、重庆市、贵州省，占被评价决策单元总数的63.63%，说明这7个地区纯技术效率达到DEA有效，物流资源得到充分利用，其他省物流业纯技术效率值处于非效率状态，可能在物流业运营方面存在资源浪费和效率低下的情况。对于纯技术效率值低的省份，需要优化物流成本控制，加强合作与协调，提高对资源的有效利用。

（3）从规模技术效率值分析，2013-2022年长江经济带规模效率值为1的为上海市，说明上海市输入一定比例的要素能带来一定比例的产出，规模技术效率有效；规模技术效率值0.7~1的有江苏省、浙江省、安徽省、江西省、湖北省、湖南省、重庆市、四川省，占被评价决策单元总数的70%。对这些省市在投入产出要素方面进行相应调整，就能够实现规模要素配置合理。

（4）从规模报酬类型分析，仅有上海市是10年规模报酬不变，说明该地区物流资源投入得到很好输出；而有些地区在2013-2022年的规模报酬变化大部分是递增，如江西省、重庆市、云南省、贵州省等。这些地区的规模报酬不变或者递增，都表明当这些地区物流业的物流要素投入增加时，能够为其带来更有效的发展，地区的物流投入要素得到了相应的输出。江苏省、浙江省、湖北省、湖南省、四川省在2013-2022年的规模报酬变化个别年份是递减，说明这些地区在短时间内地区物流业的物流要素配置不合理，需要提高运作效率，加快产业集聚，使物流业的物流效率调整至最优状态。

（5）从区域分析，下游地区各省份物流产业的物流效率值均高于中游和上游地区。究其原因，下游地区具有更便利的交通和运输条件，使得货物的进出更加方便快捷，减少了运输时间和成本；具有更大的市场规模和消费需求，吸引了更多的物流服务提供商和投资。这种市场规模的优势可以带来更多的物流需求，从而推动物流产业发展和创新，提高物流效率。

2.3 第二阶段SFA回归分析

使用SFA模型进行回归分析，将地区生产总值、第三产业增加值占GDP比重两个环境变量作为函数自变量，将物流业从业人数（X1）、物流业增加值（X2）、载货汽车拥有量（X3）的松弛变量作为函数的因变量，利用Froniter4.1软件进行回归分析并结合考察环境变量对投入变量的影响，回归结果见表9。

表9 第二阶段SFA回归结果

从回归结果来看，地区生产总值对物流业从业人数（X1）、物流业固定资产总额（X2）、载货汽车拥有量（X3）的松弛变量的回归系数均为正值，意味着当地区GDP增长时，松弛变量会增加，此时相应的投入并不一定能够取得对应的输出，不利于物流业发展。

第三产业增加值占GDP比重对物流业从业人数（X1）投入松弛变量的回归系数均为正值，说明第三产业增加值占GDP比重的增加会导致物流业从业人数（X1）投入松弛变量的增加，说明当第三产业增加值占GDP比重增加时，松弛变量会增加，即投入冗余量增加，导致物流效率降低。表明第三产业增加值占GDP比重对物流业从业人数（X1）未能起到促进作用。

第三产业增加值占GDP比重对物流业固定资产总额（X2）、载货汽车拥有量（X3）投入松弛变量的回归系数均为负值，说明第三产业增加值占GDP比重的增加会对物流业固定资产总额（X2）、载货汽车拥有量（X3）产生正向影响。这可能表示随着第三产业比重的增加，服务业需求增加，从而推动物流业人员以及服务需求增加。

2.4 第三阶段调整后DEA模型的长江经济带物流效率分析

通过Deap2.1软件，基于调整后的投入数据和原始产出数据，结合传统的DEA—BCC模型测算长江经济带物流投入产出效率。由于篇幅情况，在第三阶段对2013-2022年长江经济带11省市物流产业的综合技术效率值、纯技术效率值和规模效率值采取均值进行比较，见表10、表11。

表10 2013-2022年长江经济带11省市物流业的第一阶段和第三阶段物流效率均值

表11 2013-2022年长江经济带区域第一阶段和第三阶段效率均值

从综合技术效率来看，第一阶段和第三阶段测算长江经济带11省市物流效率均值有明显的变化，指标调整之前，长江经济带各省市物流产业的综合技术效率均值在0.6上下浮动，在指标调整之后，其综合技术效率均值由0.695降到0.645，表明整个物流效率水平整体上升且各省市物流产业的综合技术效率值存在显著差异。指标调整之前，综合技术效率均值为1即DEA有效的是上海市，指标调整之后，仍仅有上海市在DEA有效区，说明其他省市物流业的综合技术效率水平受到纯技术效率和规模技术效率影响较大，需要做有关调整，从而加入DEA有效区。部分省市尤其是上游地区的城市综合技术效率均值处于非DEA有效状态，说明其在投入要素利用和配置方面仍然存在改进和提升空间，需要进一步通过加强物流管理、采用先进的技术和信息系统、优化运输和配送网络等手段提高物流效率水平。

从纯技术效率来看，指标调整之前，长江经济带各省市物流产业的纯技术效率均值为0.864，而指标调整之后达到了0.969，并且与综合技术效率均值相比，达到纯技术效率有效的省市明显较多。指标调整前，上海市、江西省和贵州省的纯技术效率均为1，指标调整后，上海市和江西省仍然还在DEA有效区，江苏省、浙江省、安徽省、湖北省、湖南省、重庆市、四川省以及云南省物流产业的第三阶段纯技术效率均高于第一阶段测算，说明这些省市的实际技术效率优于其表现水平，当地发展受到了地区经济发展水平和产业结构因素的限制。

从规模技术效率来看，长江经济带各省市物流产业的规模技术效率值由0.804降至0.666，表明长江经济带受到环境因素影响较大。指标调整之前，仅有上海市物流业的规模技术效率DEA有效，指标调整之后，大部分省市的规模技术效率较低，需要加大物资投入，以提高这些省市的生产力和竞争力，确保其能够有效地实现经济可持续增长。安徽省的规模技术效率非DEA有效，但其均值为0.963，说明安徽省物流产业的资源配置效率处于相对较高水平。

由表11可知，在第一阶段，下游地区的综合技术效率、规模技术效率均值都明显高于中游和上游地区，表明下游地区的物流效率相对较高。指标调整之后，下游地区的综合技术效率均值仍然高于中游和上游地区，纯技术效率均值为0.97，表明下游地区在纯技术效率方面已经达到比较优的水平。中游和上游地区的物流活动有待提高，可通过积极引进高新技术、强化创新能力等方式，以缩小与下游地区的差距。

3 结论与建议

本文以长江经济带为研究对象，运用三阶段DEA模型对长江经济带11省市物流业的物流效率进行分析，结论如下：（1）在指标调整前，上海市、江苏省、浙江省、安徽省物流效率处在效率前沿面，说明这4个省市的物流业资源利用程度发挥到了最大化，使用方面合理；而其他省市物流效率未处于效率前沿面，说明物流发展不协调。在指标调整后，除了上海市和江西省的技术效率无变化之外，江苏省、浙江省、安徽省、湖北省、湖南省、重庆市、四川省、云南省物流产业的第三阶段纯技术效率均高于第一阶段测算，说明这些省市的实际技术效率优于其表现水平，环境因素对其具有促进作用；（2）从区域来看，长江经济带各省市物流效率差异很大，下游地区各省市物流效率长期处于较高位置，中游地区各省市物流效率相对上游和下游地区，一直处于中间水平，上游地区各省市物流效率长期低下；（3）从省市来看，上海市和安徽省的综合物流效率处于长江经济带11省市前列，与之相反，四川、贵州、云南长期处于长江经济带11省市后列。

为了促进长江经济带区域高质量发展，根据分析内容提出如下建议：一是加强科技创新，提升各省市实际技术效率。科技进步是影响长江经济带物流效率的关键因素，需要从优化资源配置入手，着力推动基础设施建设和完善公共服务设施，引导并支持企业积极进行技术创新，如大力应用人工智能、云计算、大数据分析等现代化技术，同时要鼓励研发机构向上游和中游地区转移，通过建立科研合作项目和技术交流平台共享科技资源，实现长江经济带高新技术成果转化。此外，借助“引进”“消化吸收再创造”等手段，实现技术高速度和高品质跨越。二是加强区域合作，带动区域协调发展。为了解决长江经济带上游、中游、下游区域发展不平衡的问题，需要各地区先强化自身特有优势，再通过建立区域合作平台将地区资源互相共享和互补，从而形成一个“1+1>2”的产业格局。上游地区可以集中发展具有竞争力的产业，如中国的天眼（FAST）是位于贵州省的一座大型射电望远镜，FAST的建设和运营代表了中国在天文学领域的重大投资和科学实力的提升，同时也对贵州省的科技和旅游产业带来显著影响。中游地区可以发展制造业和物流业，为上游提供原材料，为下游提供成品。下游地区可以发展服务业和高附加值产业，从而推动整个产业链的协同发展。三是加快扩大对外开放力度，突破物流效率瓶颈。长江经济带下游地区由于地理位置、经济发展水平以及对外开放力度等多种因素的影响，物流效率一直保持着持续稳定的状态，而上游地区则已经达到了物流效率的“瓶颈”时期，面临着严峻的挑战。为了突破物流效率的“瓶颈”，上游地区的城市需要加快对外开放的步伐，可通过加大运输通道开发、产业升级和信息化建设等方面的投资，加强与中游和下游地区联系，实现信息共享，促进区域高质量发展。