基于SBM模型的物流效率研究

楊軍++莊惠子+冼威

摘 要：為明確我國物流效率，探索行業發展方向，文章采用SBM模型，在考慮環境影響的基礎上研究我國30個省市2008—2014年物流效率水平。結果顯示我國物流總體效率水平偏低，東部地區相對領先，西部地區相對落后，純效率低下是造成總體效率低下的主要原因。通過Tobit模型進行影響因素回歸分析發現，資源利用率、區位優勢、經濟發展水平、市場化進程對大多數地區有正向影響，而教育水平沒有起到積極作用。

關鍵詞：物流效率；環境約束；SBM；Tobit

1 物流效率研究概述

現有研究中，針對區域物流效率研究關注能源及碳排放的較少，大多數研究仍然僅考慮了資本及人力的投入，得出的結論未考量物流業發展來帶的能源問題及污染問題，不符合綠色物流、可持續發展的要求，不能最真實地反映物流效率。因此迫切需要對物流效率進行準確的評價、區分高效率與低效率地區、研究各地區物流投入與產出的關系、探尋物流效率差異的原因、尋找導致效率低下的影響因素。本文將選擇數據包絡分析（Data Envelopment Analysis，DEA）方法，采用基于結構的模型在考慮能源問題的基礎上對我國物流效率進行評價，并且研究其影響因素和改進方向。

2 物流效率相關理論基礎

常見的效率評價方法包括投入產出法、作業成本法、層次分析法、綜合指數法、模糊評價法以及前沿效率分析法。其中前沿效率分析法中的數據包絡分析法具有不必提前確定投入產出間明確數學關系、不受指標量綱影響、不需確定權重的優勢。現有的大量效率研究都采用了DEA方法，研究對象包括文化產業、旅游業，故本文也采用該方法進行研究。

2.1 SBM模型

DEA方法從提出到推廣應用經歷了不斷的發展和更新，Tone[1]于21世紀初期提出了一個新的、能夠解決傳統模型未將松弛量對結果的影響考察在內的問題模型，被稱為基于結構的模型（Structure Based Model，SBM），其表達式如下所示：

其中S-=ts-，S+=ts+，=tλ，t為標量，λ為列向量，s-為投入冗余，s+為產出不足。當τ=1，S-=0，S+=0時，決策單元為有效單元。

2.2 效率的分解

技術效率以規模報酬不變（Constant Returns to Scale，CRS）為前提，而當考慮規模報酬可變（Variable Returns to Scale，VRS）時，即產出的變化并不總是隨著投入的變化而進行等比例的變化時，所進行的測算求得的效率為純技術效率。純技術效率反映的是考察對象在VRS條件下與生產前沿的距離。純技術效率在經濟意義上反映的是由管理水平不同、技術水平差異等因素所帶來的差異。規模效率的計算方法是通過CRS條件下的效率值和VRS條件下的效率值相比較求得。規模效率在經濟意義上反映的是規模影響下的效率差異[2]。

3 基于SBM模型的物流效率研究

3.1 物流效率評價指標體系

現有研究中關于物流效率評價的投入產出設計中，大量學者對物流產業投入指標的設計都根據KLEMS方法研究進行。Strassner等[3]的研究中引用了KLEMS方法，即以 Capital（資本）、Labor（勞動力）、Energy（能源）、Materials（材料）以及 S-purchased services（服務）為投入來衡量產業生產率。

3.2 物流效率實證分析

3.2.1 物流技術效率分析

我國物流總體效率偏低。在2008—2014年期間，樣本中超過2/3的地區從未達到過技術有效，達到過技術有效的地區也未能長期保持[4-5]。就全國平均水平而言，物流效率在0.5上下徘徊，意味著在該模型下，樣本地區每年物流業實際產出量還未達到理想狀態的二分之一。盡管其他學者在考慮環境影響的條件下對全國較早時期物流效率的研究，近年來的物流技術效率相比以往不到0.3的水平已經有了一定程度的提升，但仍然存在著較大的進步空間。

地區間存在較為明顯的差距。在統計期間內，東部地區的物流技術效率均高于中部地區和西部地區的平均水平，也高于全國平均水平。中部地區與東部地區的效率差距先放大后縮小，西部地區與中部地區的差距先縮小后放大，西部地區與東部地區始終存在著較大的物流技術效率差距。

3.2.2 物流技術效率分解

為了對物流效率進行進一步分解研究，根據上文所述的理論基礎，使用SBM-VRS模型對 2008—2014年我國物流業投入產出數據進行計算，得到物流純技術效率，如圖1所示。

圖1 大三地區及全國平均物流純技術效率

從總體上看，東部地區的平均水平在統計期間均處于全國最高水平，西部地區的物流純技術效率則始終低于全國平均水平。東部地區超過90%的省市物流業純技術效率都在0.4以上，而中部和西部都只有不足70%的地區達到這一水平。盡管近年來中西部地區實現了一定程度的追趕，但就2014年的情況來看，中西部地區與東部地區仍存在水平上的明顯差距，還需要更進一步地引進新技術、學習管理新思路、開放行業發展狀態。

4 物流效率影響因素分析

Tobit模型由學者托賓最早提出，該模型適用于被解釋變量因為受限而具有截斷特征的情況。而通過DEA方法求得的效率值正好介于0與1之間，故選該方法開展研究。模型的表達式如下。

4.1 物流效率影響因素指標體系

現有研究中關于物流效率的影響因素的界定主要從行業內部和行業外部兩個角度出發，包括了物流資源投入、物流信息化程度、政策環境、經濟環境等。

丁斌認為影響物流產業效率的因素包括區域經濟水平、經濟產業結構、對外開放程度、政策環境和地區因素。劉勇選擇了制度、人力資本、基礎設施水平、和經濟發展水平來分析環境對物流效率的影響。趙雷研究了以物流業人均投資額及人均物流網絡里程代表的物流資源投入水平、以人均實際GDP為代表的地區經濟發展水平、以城鎮人口占比為代表的城鎮化水平以及物流專業化及信息化程度對物流效率的影響。田剛研究了人均受教育程度、國有率、政府干預、開放程度以及產業結構對物流效率的影響。

4.2 物流效率影響因素實證分析

資源利用率綜合指數對物流效率有較大正面影響，說明在不斷加大物流業投資力度、大力促進物流行業發展的大背景下，如何將投入的資源進行有效利用成為提高物流效率的重中之重[6]。

5 結語

通過上文對統計樣本的測算研究可得，我國總體物流效率還處于較低水平。在2008—2014年期間，樣本中的30個省市總體物流效率有效比率最高僅為27%，大多未超過20%，總體有效率偏低。考慮環境影響后，效率值僅在0.45上下浮動，遠低于其他學者不考慮環境影響的研究成果，因此在綠色物流、節能減排方面還存在較大提升空間。通過對技術效率的分解研究可得，純技術效率偏低是總體效率偏低的主要因素，說明我國物流業還需進一步提升“軟實力”，以更好地將不斷擴張的投入更有效地轉化為行業產出。

[參考文獻]

[1]TONE K A. Efficiencies in data envelopment analysis[J]. Management Science， 1984（9）：1078-1092.

[2]FARREL M J.The measurement of productive efficiency[J].Journal of Royal Statistical Society， 1957（120）：253-281.

[3]STRASSNER E H， MEDEIROS G W， SMITH G M. Annual industry accounts：introducing klems input estimates for 1997—2003[J]. Survey of Current Business， 2005（9）：31-65.

[4]鄧學平.我國物流企業全要素生產率分析[J].系統工程，2008（6）：1-9.

[5]劉秉鐮，李清彬.中國城市全要素生產率的動態實證分析：1990—2006—基于 DEA模型的Malmquist指數方法[J].南開經濟研究，2009（3）：139-152.

[6]王維國，馬越越.中國區域物流產業效率[J].系統工程，2012（3）：66-75.endprint