《基于Super-EBM-DEA及全局Malmquist的物流产业效率研究》-工学论文，工程论文-论文范文参考-科学狗论文网

标题

基于Super-EBM-DEA及全局Malmquist的物流产业效率研究

范文

吴妍

摘要：运用Super-EBM-DEA模型和全局Malmquist指数模型对2013-2017年国内74家物流类上市公司的运营效率进行静态和动态分析。静态和动态的效率分析均是从整体、细分行业及划分区域三个角度进行。研究结果显示：物流类上市公司静态效率较稳定，但不同行业、区域之间差距明显。Malmquist生产率指数整体呈进步趋势但部分年份稍有退步，且主要由技术退步导致，生产率指数进步的行业和区域要少于退步的行业和区域。

Abstract： Super-EBM-DEA model and Global Malmquist Index model are used to analyze the static and dynamic efficiency of the 74 domestic logistics listed companies in 2013-2017. Both static and dynamic efficiency analysis are carried out from three perspectives： the whole， the subdivided industry and the divided regions. The research results show that the static efficiency of logistics listed companies is relatively stable， but the gap between different industries and regions is obvious. The Malmquist productivity index shows an overall improving trend， but in some years are slightly backward， which is mainly caused by technological regression. And industries and regions with improved productivity indices are less than industries and regions that are regressing.

关键词：运营效率;物流业;Super-EBM-DEA模型;全局Malmquist指数模型;上市公司

Key words： operational efficiency;logistics industry;Super-EBM-DEA model;Global Malmquist model;listed company

中图分类号：F272.2? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文献标识码：A? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文章编号：1006-4311（2020）10-0087-05

0? 引言

为了积极响应十九大报告中关于加快现代物流基础设施网络建设的号召，国务院提出了一些发展“通道+枢纽+网络”的现代物流体系的新举措。2018年12月，国家发改委、交通运输部制定并印发了《国家物流枢纽布局和建设规划》，用以规范物流产业发展。这些政策措施的发布，标志着中国现代物流基础设施网络建设将全面启动。随着“一带一路”建设的深入推进，沿線国家和地区对于物流产生了更大的需求。推动物流产业稳步发展，使其更好地融入“一带一路”建设之中，发挥出应有的乘数效应就显得至关重要。因此，需要采用科学的评价方法对物流产业进行效率研究，以便于制定更好的发展规划。

目前，国内学者对于物流效率的研究颇多，所采用的方法主要分为参数法与非参数法。参数法中以随机前沿法（SFA）运用居多，张云凤、王雨（2018），郑秀娟（2018）与张亮亮等人（2019）分别运用C-D生产函数的异质性随机前沿函数、技术改进的随机函数及PP-SFA模型测度了中国省级物流产业的技术效率。非参数方法中使用频率最高的为数据包络分析（DEA）[1-3]。最初在使用DEA进行物流产业效率测度时，学者们多采用CCR、BCC这样的传统DEA模型。此后，为了能够从静态和动态两个角度进行研究，DEA与Malmquist指数模型的组合被广泛地应用于物流业的效率研究。例如，俞佳丽、钱芝网（2018）与于丽英等人（2018）均采用DEA与Malmquist模型，基于不同时间段的面板数据，对长江经济带各省份物流产业的效率进行测度分析[4-5]。当然，传统DEA模型也存在一定缺陷，当多个决策单元（DMU）达到有效时，传统DEA模型无法对有效DMU进一步排序。于是，基于传统DEA改进得到的超效率DEA模型就很好地发挥了作用。陈永平和张亮亮（2018）采用超效率DEA模型研究了中国30个省（市、自治区）物流产业效率[6]。之后，能够剔除外部环境及随机干扰项影响的三阶段DEA模型也被很多学者用于区域物流产业效率的研究。如王博、祝宏辉等人（2019）运用三阶段DEA模型测度和分析了“一带一路”沿线区域物流效率，也证明该方法较传统DEA存在显著优势[7]。

但是，已有研究中DEA所使用的距离函数多为径向模型。径向DEA通过对全部投入（产出）以相同的比例减少（增加）来改进无效DMU，忽略了松弛变量，进而使得效率值并不准确。为了解决这一问题，学者们又将非径向的SBM模型用于物流产业效率研究。但是，SBM模型自身也存在明显的缺点。在该模型中，被评价DMU的投影点是前沿上距离被评价DMU最远的点，而基于评价的角度是希望以最短的路径达到前沿，两者之间显然是相悖的[8]。基于上述问题，Tone K和Tsutsui于2010年提出同时包含径向与SBM模型的EBM混合模型[9]。目前，将EBM模型运用到物流产业的研究还较少。

此外，从已有研究成果看，国内学者的研究多集中于宏观层面，对于物流类上市公司运营效率的研究甚少。鉴于此，本文拟使用Super-EBM-DEA模型与全局Malmquist指数模型对国内74家物流上市公司进行运营效率的静态和动态分析。

1? 研究方法与指标、数据的选取

1.1 研究方法

本文基于国内74家物流上市公司2013-2017年的面板数据，运用Super-EBM-DEA模型和全局Malmquist指数模型进行运营效率的静态、动态测度。

1.1.1 Super-EBM-DEA模型

运用传统DEA模型进行效率测度，若存在多个DMU（决策单元）达到有效时，无法对有效DUM效率大小进行进一步的区分。针对这一问题，Andersen和Petersen于1993年提出了超效率DEA模型[10]。超效率DEA在测算某一DMU效率值时，将该DMU本身的投入产出从约束条件中排除，使得无效DMU前沿面保持不变，有效DMU前沿面后移。

鉴于前文中提及的径向及SBM模型存在的问题，本文使用Tone K和Tsutsui于2010年提出的EBM混合模型[9]。非导向EBM模型具体如式（1）所示。

1.1.2 全局Malmquist指数模型

在测算运营效率的基础之上，为进一步了解各DMU效率值的动态变化，本文又采用全局Malmquist指数研究样本进行动态分析。

全局Malmquist指数是Malmquist指数计算方法中的一种，它以全部各期的数据为基础构建参照面。因此，在各期指数均使用同一参考集的情况下，无须像传统模型那样采用几何平均的形式，避免了不能传递及线性规划无可行解的缺陷。相应的公式可以表达为式（2）。

其中EC为效率变化指数，TC为技术变化指数。此后，Zofio于2007年又在原基础上进一步分解，将技术效率变化分解为纯技术效率变化和规模效率变化，技术进步指数分解为纯技术变化和规模技术变化[8]，即：

其中PEC为纯技术效率变化指数，数值大于1表示DMU向前沿面移动，管理和资源配置效率水平提高;SEC为规模效率变化指数，数值大于1表示规模效率增加;PTC为纯技术变化指数，数值大于1表示技术水平的进步;STC为规模技术变化，数值大于1表示技术变革的规模效应提高。

1.2 评价指标的确定与数据来源

本文借鉴了李晓梅和白雪飞（2016）等人的研究，分别从企业规模、运营能力、风险指标与人员指标等方面选取投入和产出指标[11]。投入方面，选取了资产总额、流动资产、净资产、资产负债率和员工人数5个指标。员工的参与是企业正常运转的重要保证;企业的各项资产是资金投入的重要表现形式，设备等固定资产影响着企业的生产经营活动;流动资产一定程度上代表企业的短期偿债能力;净资产作为企业的所有者权益，也能够体现出企业的规模大小;资产结构的优劣又是企业融资能力和财务风险大小的表现。产出方面，利润大小能够较为准确地衡量企业一段期间内的运营成果;净资产收益率则是评价企业资产投资回报率的重要指标。因此，本文选择利润总额与净资产收益率作为评价企业运营效率的产出指标。

基于数据的可获得性及完整性，对物流类上市公司进行筛选，剔除了部分新上市及存在异常值的企业。最终选择了其中的74家，并对其2013-2017年的面板数据进行分析。数据来源于CSMAR数据库、《中国统计年鉴》、《中国物流统计年鉴》及上市公司企业年报等。

2? 实证分析

2.1 Super-EBM-DEA模型效率研究分析

2.1.1 物流企業总体效率静态分析

在74家上市公司中，只有9家的平均效率值达到有效。其中，恒基达鑫和富临运业等7家公司连续5年均达到有效，而东莞控股和厦门空港虽然5年平均达到前沿，但在部分年份略有欠缺。而像东方航空和南方航空等6家企业资产规模庞大，但效率却一直处于低水平（效率值低于0.6）。显然，物流行业中规模经济特征并不显著，这与李守林等（2017）对物流企业的研究结论相同[12]。

2013-2017年间，物流上市企业的总体效率值呈现增长后回落、而后又反弹的波动趋势。其中，效率值从2014年开始下滑，并于2016年降至最低谷。2016年也是很多行业均呈现低迷状态的一年，国际经济不景气的大环境、国内持续大强度的投资引发的产能过剩都成为整个社会经济效益低下的原因。中央经济工作会议提出了去产能、去库存等一系列任务，钢铁、煤炭行业首当其冲，与之相关的物流等行业也同样跟着收缩。但高强度的供给侧结构性改革也产生了有利的推动作用，产品供给质量的提升与市场供需结构的调整奠定了行业稳步发展的基准。就效率值的分解而言，纯技术效率对于综合技术效率的影响比规模效率更加显著。因此，物流企业在改进效率时，更多依赖于对企业资源配置和管理方面的改进。

2.1.2 不同类型物流企业效率静态分析

证监会2012版行业分类中，物流这一板块又被划分为包括铁路运输、道路运输、水上运输等在内的七个细分行业板块。本文在进行不同类型物流企业的效率及生产率指数测度分析时也是基于这七个细分板块进行。

细分行业后发现：装卸搬运与运输代理、邮政业、仓储业及道路运输行业的运营效率表现突出（效率值均超过0.85），铁路运输与水上运输行业的综合效率水平也维持在0.75以上。但是，排名垫底的航空运输企业综合效率均在0.7以下，与其他类型差距较大。与欧美航空企业相比，我国航空运输企业尚处于成长阶段，企业的运营管理方面存在诸多不足。近年来，作为航空运输企业运营成本主要构成因素的燃料价格高居不下，航空企业投入远高于其他物流企业。同时，新型飞机的引进与各种硬件设施的投入，更是加重了航空运输业的成本负担，从而进一步拉低了效率。

2.1.3 不同区域物流企业效率静态分析

在对国内物流类上市公司进行区域划分的时候，按照国家统计局的划分标准，将我国大陆地区划分为东北、华北、西北、华东、中南及西南在内的六大区域。六大区域的物流类上市公司数量及运营效率见表1。

从数量上可以看出，国内物流类上市公司多集中在华东和中南地区，这与区域的经济和交通发展状况存在一定关联。与其他区域相比，这两个地区整体经济相对发达、物流需求大且基础设施建设较完善，各类物流企业因而集聚于此。

从效率方面分析，东北、华东、西北、西南和中南地区的效率表现较好（运营效率超过0.8），而华北地区则差强人意。虽然“京津冀”协同发展的持续推进为华北地区物流业的发展注入了些许活力，空间集聚效应也逐步显现，但仍存在区域发展不平衡、联动性差及企业竞争力薄弱等问题。华东和中南作为全国经济较为发达的两个区域，丰富的物流需求与完善的基础设施都促进了物流产业的发展。东北作为国内重要的粮食、原材料和装备制造业基地，物流需求繁多，物流产业的效率水平也较为稳定。西北和西南，物流上市公司数量最少，区域经济发展稍有落后，但企业的平均效率却稳居高水平。

2.2 全局Malmquist指数模型分析

2.2.1 物流企业总体动态效率分析

由表2可知，2013-2017年平均Malmquist指数为1.019，生产率整体上是进步的。从分解看，进步主要源于纯技术效率与规模效率的改善，而纯技术变动与规模技术变动则处于负增长状态。虽然行业整体的规模得到优化、资源配置及管理水平有所改善，但是技术方面的退步及技术变化带来的规模效率降低仍是物流业亟待解决的问题。

从各时间段结果看，2013-2014以及2016-2017，国内物流上市公司Malmquist生产率指数均大于1，表明在这两个阶段中国物流企业生产率总体上呈现改善的局面。从生产率指数分解结果可以看出，这两个阶段生产率指数的改善均得益于纯技术效率与规模效率的改善，纯技术变动与规模技术变动则在不同程度上拉低生产率水平。但是，介于中间的2014-2016期间生产率指数却有所下滑。其中，2014-2015是规模效率及纯技术水平的退步导致了生产率指数的下滑，而2015-2016期间则是由于纯技术效率及规模效率的后退所致。

2013年，被物流业称作“政策年”，中央和地方先后出台了多项物流相关政策。其中，全国人大3月通过的《“十二五”规划纲要》、国务院8月出台的《国务院办公厅关于促进物流业健康发展政策措施的意见》及后续细化，都提出了许多有助于发展现代物流产业的新举措。2014年则是物流政策的落实年，在各项新政策指导下，企业自身管理与资源配置方面的能力有所改善，企业规模也得到优化。2017年，物流业结构性改革取得重要进展。一是物流需求的新旧动能加速转换，传统产业转型升级，新产业保持強劲增长势头;二是民生消费成为物流发展的重要驱动力，例如网络消费驱动的电商物流需求的高速增长;三是全球经济温和复苏，进口物流需求形势向好。而2014-2016这段期间生产率指数的下降则是由于供给侧结构性改革的深入实施，煤炭、钢铁等产业的去产能也进一步导致与之密切相关的物流产业面临收缩。

2.2.2 不同类型物流企业效率动态分析

由表3可知，道路运输、航空运输与水上运输三个行业的平均生产率指数实现进步。其中表现最好的是水上运输业，生产率年平均增长率达到7.4%，这与“一带一路”倡议的推进有着密不可分的联系。近年来，随着“一带一路”的进一步深化，我国与21世纪海上丝绸之路沿线地区的贸易往来更加频繁，贸易量稳步上升，这也使得我国水上运输行业生产率有所提升。与此同时，外贸业务的拉动作用也在道路运输与航空运输业有所体现。

剩余四个行业的平均生产率指数均小于1，其中仓储业除规模效率上升外，其他三项指标均处于退步状态，主要原因在于国内仓储业现代化程度较低，仓库、设备等较为陈旧，且当前的技术水平离最优规模还有一定差距。铁路运输生产率指数的退步是由于纯技术效率及纯技术水平的降低，这也说明铁路运输企业规模状况良好，但企业管理与技术水平方面稍有欠缺。装卸搬运与运输代理业是由于纯技术的退步拉低了其生产率水平。虽然目前装卸搬运与运输代理行业也正朝着现代化、信息化发展，但基于其行业自身特点与国内发展现状，技术水平较发达国家仍差距很大。生产率指数最低的邮政业则是四项指标均处于负增长状态，与其较高的静态运营效率出入很大。近年来，邮政业中占比较大的快递企业技术投入颇多，无人机、无人车、无人仓逐渐成为智慧物流的三大支柱。但新技术研发周期长，难以短期内发挥效用，再加上企业规模的扩大并没有顺应其现时发展状况，这些原因共同导致了生产率的退步。

2.2.3 不同区域物流企业效率动态分析

首先，平均生产率指数处于进步状态的区域数量远少于退步区域，且差距明显。其次，在不同区域的比较中，只有华北和华东两个地区的生产率指数大于1。华北地区虽然静态效率水平不高，但从动态角度看却一直处于进步状态。主要原因在于北京地区的辐射作用与京津冀协同发展的重大机遇使得该地区物流业的发展呈现稳中向好的态势，生产率指数显著高于其他区域。而华东作为中国经济发展最快的地区之一，物流需求大、基础设施相对完善且政府在物流行业发展中的各项投入也是不遗余力。

至于剩余四个退步的区域，生产率指数最低的东北地区，Malmquist生产率指数分解得到的四项指数均小于1。振兴东北老工业基地战略实施已久，东北地区物流业也已经具备了良好的发展基础，但是与“京津冀”和“长三角”等地相比，发展水平仍滞后。西北地区生产率的降低则是由于纯技术效率及纯技术水平的退步。西北地区虽有“一带一路”倡议的加持，但仍存在基础设施不完善、企业资源配置与管理水平低、相关技术落后以及人才流失严重等问题。西南地区规模效率及纯技术水平的退步均在不同程度上拉低了该地区的生产率指数。西南地区作为我国地形最复杂的区域之一，地理方面的劣势使得其物流成本显著高于其他地区，再加上物流基础设施落后、需求强度低及政府重视不够等原因，效率停滞不前也在意料之中。最后，中南地区的规模效率、纯技术水平及规模技术水平都有所退步。虽然中南地区近年来物流发展稳步提升，但专业技术人才缺乏、有关政策法规滞后仍导致专业化程度低、市场秩序不够完善等问题的出现。

3? 结论与政策建议

3.1 结论

就静态分析而言，物流业上市公司运营效率总体波动不大，较为稳定。其中规模效率优于纯技术效率，说明企业的规模适宜，但在资源配置、企业管理等方面稍有欠缺。其次，不同类型企业之间的效率值差异较大。效率最高的装卸搬运与运输代理和最低的航空运输业之间的差距达到0.268，其中虽然存在一定的行业间差距，但主要原因还在于企业管理水平参差不齐。最后，就不同地区而言，虽然企业数量上存在差异，但效率值水平相当，除华北地区效率偏低外，其他地区的效率均超过0.8。这也充分说明企业运营效率的好坏与所属地区经济发达程度并无绝对的正向相关性。

从动态分析的结果看，总体上生产率指数的进步与退步交替出现，且与其他分解指数相比，技术退步对于生产率指数的影响更大。虽然生产率总体呈进步趋势，但也为物流上市公司的发展敲响警钟，即对于技术的改进和创新不能松懈。从不同类型企业角度看，只有道路、航空和水上运输实现生产率指数的提升，其他行业均是退步的。其中，值得注意的是，航空业虽然静态效率偏低，但从生产率指数看却是进步的。最后，从不同区域看，只有华北和华东的平均生产率指数大于1，其他区域生产率指数均有下滑。

3.2 政策建议

从企业微观角度看，首先要加强技术创新，重视技术效率，提高物流现代化水平。同时，要加强企业创新体系建设，以提高企业技术水平作为工作重心。一方面，加大对物流相关软、硬件设备的研发与应用力度，将人工智能、大数据、云计算和区块链等技术更好地应用到物流业中。另一方面，探索适合物流企业发展的新模式，提高企业资源配置的水平，减少浪费，实现更优质的投入产出比。其次是强化人才储备观念，加强相关专业人才的引进与培养。定期进行从业人员技能培训与考核，改善知识结构，提高综合素质。最后是合理规划企业规模及其治理结构。规模扩张并不总能带来规模效应，过大的企业规模会加重负担。不当的组织结构也会导致信息传递速度慢、失真度高等问题，不利于决策的制定。因此，各类物流企业需要在实践中找到适合自身发展的规模和组织架构，实现各部门、各环节之间协调合作。

从宏观角度看，最主要是深入推进供给侧结构性改革，有效降低成本。物流领域的供给侧结构性改革，主要在于提高资源配置的效率，增加有效供给，减少不必要成本，提升物流服务的质量和效益。因此要将传统物流与最新技术相融合，优化物流行业运营模式，进一步實现提供更优质服务的目标。其次要持续推进物流区域协同发展。加强国内各大区域之间协作机制建设，促进区域之间能源共享，实现联动协作发展。通过建立跨区域的合作共享平台，积极开展行业交流会议，树立行业标杆企业，相互学习，实现共赢。

参考文献：

[1]张云凤，王雨.物流产业效率评价及影响因素分析[J].统计与决策，2018，34（08）：109-112.

[2]郑秀娟.基于随机前沿的物流业发展效率及区域差异分析[J].统计与决策，2018，34（18）：121-124.

[3]张亮亮，苏涛永，张健.中国物流产业技术效率：时空分异、影响因素与演进逻辑——基于PP-SFA模型的实证分析[J].商业经济与管理，2019（04）：30-45.

[4]俞佳立，钱芝网.长江经济带物流产业效率的时空演化及其影响因素[J].经济地理，2018，38（08）：108-115.

[5]于丽英，施明康，李婧.基于DEA-Malmquist指数模型的长江经济带物流效率及因素分解[J].商业经济与管理，2018（04）：16-25.

[6]陈永平，张亮亮.区域趋同还是趋异：中国物流产业效率及其收敛性——基于2006-2015年30个省域面板数据的研究[J].商业经济与管理，2018（03）：5-19.

[7]王博，祝宏辉，刘林.我国“一带一路”沿线区域物流效率综合评价——基于三阶段DEA模型[J].华东经济管理，2019，33（05）：76-82.

[8]成刚.数据包络分析方法与MaxDEA软件[M].知识产权出版社，2014.

[9]Tone K，Tsutsui M.An epsilon-based measure of efficiency in DEA-a third pole of technical efficiency[J]. European Journal of Operational Research，2010，207（3）：1554 -1563.

[10]Andersen， Per.and Petersen， N.C.“A Procedure for Ranking Efficient Units in Data Envelopment Analysis.”Management Science， 1993， 39： 1261-1264.

[11]李晓梅，白雪飞.基于超效率CCR-DEA的国有物流企业绩效实证分析——基于16家上市物流企业的样本数据[J].中国流通经济，2016，30（04）：26-32.

[12]李守林，赵瑞，陈丽华.基于DEA-malmquist指数的交通运输上市企业动态效率实证分析[J].中国流通经济，2017，31（12）：92-100.

随便看

科学优质学术资源、百科知识分享平台，免费提供知识科普、生活经验分享、中外学术论文、各类范文、学术文献、教学资料、学术期刊、会议、报纸、杂志、工具书等各类资源检索、在线阅读和软件app下载服务。