基于PCA-DEA模型的省域物流業節能減排效率評價研究

許美賢，鄭 琰 （南京林業大學 汽車與交通工程學院，江蘇 南京210037）

0 引言

21世紀以來，節能減排以低能耗、低排放的環保發展方式成為推動我國經濟增長的必選之策。節能低碳的社會經濟有利于調整省、市當前能源消費結構，進而使省、市建設逐步從粗放型轉變為可持續高效型。而被列入十大振興規劃的物流業是促進省、市經濟持續發展和生產要素自由流動的重要力量，也是規劃省、市生產力布局、提高生產效率的關鍵。傳統物流業集約化程度不高，在提升產值時只能傾向于大力發展運輸、配送等主營業務，但是因其物流效率不高導致資源配置不合理，產生嚴重的能源消耗及浪費問題。因此省、市物流業的能源消耗量及污染物的排放量成為了省、市節能減排過程的主要控制目標。物流業節能減排效率的高低代表著整個省、市低碳環保績效的優劣，因此省、市物流業節能減排效率的評價研究顯得尤為重要。

目前，既有的物流業效率評價研究文獻頗多，且研究方向及內容各有千秋。丁斌、曲慧敏[1]采用DEA法對我國上市物流企業在2010～2012年的經營效率進行評價分析，并根據影響因素分析給出相關建議；楊佳偉、王美強[2]通過采集18家水上運輸上市物流企業在2013～2014年的財務數據，并運用網絡DEA模型對中國物流企業績效進行評價研究；郭子雪、張雅輝[3]對京津翼地區2011～2015年物流效率利用DEA模型進行測算和對比分析，以及提出提高區域物流效率的對策建議；張誠、喻琴[4]秉承著可持續發展理念，收集2004～2012年客觀物流數據，把全國30個省市及自治區分為中、東、西三部分后運用DEA模型分析對比研究；何新安[5]運用DEA及Tobit模型對廣東省2005～2015這十年的物流效率影響因素進行實證研究，為提高廣東省物流效率提供有效建議；田剛、孫立成等[6]為評價2006～2013年間中國29個省份物流節能減排效率構建了以投入與產出為導向的DEA模型，得出人均GDP與物流業節能減排效率呈倒U型曲線。

以上文獻研究在一定程度上為我國物流業的發展做出了指導貢獻，但總體來說，部分研究從企業物流績效角度出發，忽視了總體的省、市物流才是社會經濟發展的關鍵影響因素。而從省、市物流角度出發的評價研究卻沒能以綠色環保的視角來分析，在評價指標的選取時僅從基礎設施、經濟增長、人員分配等方面思考，沒能結合能源消耗、空氣質量等因素進行全面篩選。或者已考慮到了節能方面的影響，但所運用的評價模型過于單一，使得指標的選用個數受限于計算方法和精確性的影響，而直接導致了評價不夠全面充分。因此，本文將以15個省、市物流業為例，先運用PCA法的降維思想壓縮指標數量，削弱每個指標之間的相關性，同時又保證了信息的數量和質量，進而再運用DEA模型評價時，可提高評價的客觀性和準確性。

1 方法及模型介紹

1.1 PCA方法和模型簡介。主成分分析法（PCA）是一種適用于多變量統計分析的基礎數學分析方法。它的運用領域非常廣泛，常被用于數理分析、證券投資、生態環境研究、食品及儀器分析等學科領域。而在物流方面也得到了有效運用，被普遍應用于物流效率評價研究、物流網絡節點的布局研究、物流成本預測、區域需求量預測、物流合作伙伴的選擇研究等方面。PCA的基本思想是以其強大的數據提取能力通過降維處理將一組個數繁多的、彼此相關的、意義單一的指標變量轉化為個數較少的、彼此互不相關、意義綜合有效的指標變量。轉化后的指標變量即主成分，既簡潔準確又保證了信息的客觀性，可以達到更科學高效地解決研究問題的目的。所以PCA法應用于本文非常合適。

下面將對PCA的處理步驟及模型進行簡單的介紹分析：

選取m個評價對象和確定每個對象中的h個變量，將所有原始指標變量構造成一個矩陣：

C1,C2,…,Cn是從第一個主成分到第n個主成分，第一個主成分的方差最大，后面逐漸遞減，它們的總方差占比也遞減。而方差決定了貢獻率的大小，累積貢獻率一般需要達到85%以上主成分才能合理解釋原變量，所以只選取占比重大的前幾個成分作為主成分進行分析。

1.2 DEA方法和模型。數據包絡分析（DEA）法作為績效評價常用方法之一，它比層次分析法、平衡計分卡法、模糊綜合評價法更具有客觀性，比灰色關聯分析法、神經網絡算法需要的數據量相對較少且計算過程更加簡單，所以考慮到評價的可借鑒性及數據的可獲得性本文采用DEA法進行運算。DEA法通常用于解決多個輸入、多個輸出的非單目標決策問題[7]，其主旨思想為：先借助輸入和輸出值來判斷有效前沿面，再分析DMU即決策單元與有效前沿面的相離程度，得出有效和無效的單元，并結合實際情況進行投入、產出、規模等的調整，使管理者獲得科學合理的決策信息。DEA法在實際的生產、投資等方面具有很強的經濟適用性，因其較好的綜合評價能力已被廣泛使用在各類評價研究中。

基于規模效益可變性及總體有效性原則，選取DEA-BCC對偶規劃模型進行運算，模型如下：

此模型最優解為θ0,λ0,s0+,s0-，其經濟含義如下：（1）當θ0=1，同時滿足s0+=s0-=0時，DMU為DEA有效，說明投入產出已為最優化、最合理化；（2）當θ0=1，但s0+、s0-沒有滿足均為0時，DMU為弱DEA有效，說明需要進行投入或產出的相應調整；（3）當θ0＜1時，此時DMU為非DEA有效。

綜上，本文為得到重要、科學的研究結論，將結合PCA法和DEA法各自的優點，將其強大的數據處理能力和良好的綜合評價能力充分運用于物流業節能減排評價中，下面將結合我國總體物流業實際情況進行分析，從而選取全面及合理的指標來建立評價體系。

“別老拿著匕首在我眼前晃。”一杭說。范堅強笑了，“怎么，怕了？只要你交出從公廁看守那里找到的記事本，我可以考慮饒你一命。”

2 評價體系構建及數據獲取

近年來，我國物流業運行質量有所提高，但總體來說仍然存在著資源整合不充分、發展跟不上市場需求的擴展、物流基礎平臺面臨困境等問題。因此，參考文獻[4]和[6]為代表的文獻，并根據可比可操作性、系統全面性、科學合理性等評價體系構建原則，以我國15個主要省、市為研究單元，結合其物流業發展狀況及節能減排工作的要求。從基礎設施、人員管理、經營效益、能源消耗、污染物排放這幾方面思考，選取了物流業固定資產投資額、貨物周轉量、載貨汽車數量、公路里程數、從業人員數量、物流業能耗量、物流業財政支出、快遞業務量8個指標為投入指標，以貨運汽車氮氧化物排放量、物流業生產總值2個指標為產出指標，構建一套合理、科學的評價指標體系，爭取公平、有效地對我國省、市物流業節能減排效率進行評價。評價指標體系如表1所示：

表1 投入、產出評價指標體系表

考慮到數據的可獲得性，本文以交通運輸、倉儲和郵政業作為物流業的體現，收集15個省、市2017年的相關數據進行匯總，數據來源于各省、市的《2018年統計年鑒》、《2018年中國機動車環境管理年報》、《2018年國民經濟和社會發展統計公報》以及各省、市環境檢測中心等官方網站。數據表如表2所示：

表2 15個省、市物流業節能減排效率評價原始數據表

3 數據處理及研究分析

3.1 主成分分析（PCA）及數據標準化處理。從表2可知，由于輸入輸出數據及指標過多，且指標之間或多或少存在一定的聯系。下文的DEA法的運用要求決策單元DMU的數量與輸入輸出指標之和（m+s）之間需滿足2（ m+s）≤n≤3（ m+s）數學關系[8]，同時為了提高DEA效率評價的準確性，就需要先運用PCA的降維思想來確定主成分，降低各指標之間的相關性。

運用SPSS24.0對15個省、市的8個輸入指標數據進行主成分分析處理，如表3所示。

KMO統計量和Bartlett球形檢驗顯示：KMO取樣適切性量數為0.586＞0.5且顯著性概率為0.000，表明各指標變量相互聯系，拒絕各自獨立假設，適合做主成分分析。

再根據SPSS24.0軟件運行結果的總方差解釋表（如表4所示）可知提取了3個主成分，第一個主成分的特征值為3.583，方差貢獻率為44.781%，第二個主成分特征值為2.031，前兩個主成分累積方差貢獻率為70.167%，第三個主成分特征值為1.230，這3個主成分累積方差貢獻率為85.547%，符合特征值＞1且累積方差貢獻率＞85%的原則。

而成分得分協方差矩陣（如表5所示）為單位矩陣，說明提取出來的3個主成分互不相關。

表3 KMO和巴特利特檢驗表

表4 總方差解釋表

表5 成分得分協方差矩陣

由成分得分系數矩陣（如表6所示）可以得到輸入變量所提取的主成分計算表達式，其中為標準化后的數據：

表6 成分得分系數矩陣

所以輸入變量主成分分析結果如表7所示：

表7 輸入變量主成分分析結果

由表7可知，I1、I2、I3中有負數，不滿足DEA的計算要求。同時產出指標數據與其量綱不同且值相差較大，所以必須進行歸一化處理。根據參考文獻[7]利用其數學公式進行處理：

公式中xij為表7中的輸入變量，yij是產出指標的變量[9]，是經過計算得出的新的投入變量，計算后新的產出指標變量，的值均在0.1到1之間。歸一化處理后的投入和產出變量如表8所示。

3.2 DEA計算與分析。下面運用DEA法進行計算分析，將表8中的新投入和產出變量放進DEA中，并使用DEAP2.1軟件進行運算處理，結果如表9所示。

從表9可知，2017年的廣東省、江蘇省、河南省、四川省、湖南省、河北省、福建省、上海市、遼寧省這9個省、市的綜合效率、純技術效率、規模效率均為DEA有效，規模報酬均不變，說明了2017年這9個省市的物流業節能減排效率達到了最佳狀態；除浙江省外，其他6個省、市的純技術效率均為1.000，達到DEA有效，但這6個省市在綜合效率和規模效率上均沒達到1.000，即DEA無效。表明這6個省市在投入生產要素方面存在冗余或在產出資源等方面存在不足。在生產規模不變下，減少生產要素的投入也可得到相應的產出水平或保持投入要素不變可增加產品產出空間。

表9的15個省市中，只有山東省的規模報酬呈現遞減狀態，說明了2017年山東省在增加物流業投入生產要素的數量后，產出數量卻沒有成比例增長，問題出現在生產規模的擴大沒有得到很好的利用，但從其綜合效率及規模效率的數值均為0.954上看，只要稍作調整山東省的物流業節能減排效率即可達到最優。而規模報酬遞增的浙江、湖北、北京、安徽、陜西，總體來說綜合效率值較低，說明了這幾個省在2017年間的物流業產業結構不太合理，沒有充分利用現有物流業基礎設施，資源沒有得到合理配置，產出達不到最優，規模需要進一步擴大。從效率平均值看總體規模效率達到了0.949，說明了大部分省市在規模遞增狀態，要提高節能減排效率就要適當減少投入，努力達到國家物流業節能減排、綠色環保的政策要求[10]。

表8 新的投入和產出變量表

表9 各效率計算結果

因此，為給以后各省、市物流業節能減排工作提供借鑒，需要根據DEA無效省市的松弛變量分布表（如表10所示）進行投入及產出等的相應調整，表中代表產出的松弛變量，為投入的松弛變量。

表10 松弛變量分布表

從表10可看出，只有浙江省的投入和產出需要進行較大的調整，其余省、市的投入產出松弛變量均為0，不需要過多調整。浙江省在貨運汽車氮氧化物排放的正產出沒有達到DEA有效，說明在減排工作上需加大管理力度，提高清潔能源使用率；第三個投入指標冗余最大，而影響其的是公路里程數及物流業固定資產投資額，說明了2017年浙江省物流業沒有充分利用道路，可能采用水、空、鐵運輸較多，固定資產投資過多，資源配置不合理，需要完善物流業管理體制，減少能源消耗及污染氣體排放量。

4 建議與結論

本文以我國GDP前15的省、市為例，采用PCA、DEA相結合的方法對其2017年物流業節能減排效率進行評價研究。總體來說，在日益完善的政策管理及飛速發展的科學技術支持下，我國物流業在經濟生產收益不斷增長的同時兼顧到了生產對環境的影響，采用了清潔能源及在技術上控制污染氣體的排放，使得產業得到了史無前例的振興發展。為使以后物流業節能減排工作越做越好，提出幾點建議：（1）加強節能減排政策的實施力度，從全國省、市出發，小到快遞站大到物流企業，要求落實經濟與環境協調推進的發展策略。在使DEA有效的省、市環保效率得到保持的同時，盡量縮小省域之間的效率差距，全面提高我國物流業節能減排效率。（2）提高清潔能源的使用率和普及力度，加快節能技術的研究開發。淘汰污染氣體排放量大的貨運汽車，倡導全面使用新能源貨車，降低有害氣體的排放。可對技術效率無效的省、市提供技術及新能源的支持，從全局出發，實施重點扶持政策，以促進我國物流業的公平競爭。（3）根據各省、市的物流業實際情況，做出科學的預測及工作安排。調整產業結構，科學合理配置資源，增大或減少生產規模，做到環保運營，減少節能減排效率無效的省、市出現，全面提高物流業的環保效率。

綜上，PCA的強數據提取能力及DEA的強綜合評價能力體現在了主成分指標的提取和從綜合效率、純技術效率及規模報酬等方面的測算，對2017年我國15個省、市物流業節能減排效率進行了全面研究，并根據評價結果提出了發展建議，希望能為我國物流業發展提供借鑒。