低碳约束下我国西部地区物流业效率的三阶段DEA分析

韩桴  朱昌锋

（兰州交通大学交通运输学院，兰州 730070)

摘要：通过包含非期望产出Super-SBM的三阶段DEA模型对2009～2018年我国西部10省份的物流效率进行测算分析，并对碳约束前后的效率和我国各区域的效率值进行对比，通过计算可以得出：（1）不考虑碳排放约束和考虑碳排放约束的两种情况所得出的物流业效率有显著不同；（2）剔除影响因素和随机误差能够得到更现实的物流效率值；（3）对比各区域物流效率值，我国西部地区物流效率总体偏低，且西部各省份的物流效率随时间变动不大，整体上略有上升，提升空间较大。

关键词：碳排放；物流效率；三阶段DEA法；Super-SBM；非期望产出

0引言

随着国家经济的繁荣复兴，物流业已经是支撑 国民经济持续增长的不可缺失的力量和战略性行业，也是相关学者研究的热点问题。目前国内外学者主要运用DEA、SFA、Malmquist等方法研究。刘正军、蚁向文^[1]通过DEA模型，对我国东南沿海的省份进行了物流效率的计算。郭子雪、张雅辉、黄新^[2]从投入冗余和产出不足两方面对测算出的非DEA有效的决策单元进行了分析和调整。于丽静、王海峰、姜永强^[3]采用SFA测算了山东省各地的物流效率。张志伟、苑希港^[4]通过改进传统DEA模型计算了中国三个区域的物流效率。戴万亮、董智玮^[5]利用Tobit回归模型分析了我国物流效率与外界环境的关系。龚雪、荆林波^[6]采用DEA-Malmquist法对我国31个省的物流业投入产出效率进行了分析。樊元、马丽梅^[7]运用随机前沿模型研究我国地区物流发展效率并进行了全面测算。随着国家对环境污染问题的日益重视，国内研究人员开始对非期望产出有了更深刻的认识。于 丽静、陈忠全^[8]从低碳角度出发，采用SFA测算了我国30个省份的物流效率。李佳玲、廖志高^[9]把CO2排放指标加入到物流效率的投入变量，分析了我国西 部11省市的物流效率。杨雪、马粟粟、卢亚丽^[10]首先将地区物流效率的环境影响因素剔除，并使用三阶段DEA模型对所选地区的地区物流效率进行了计算和评价。上述文献为物流业效率的测算提供了一定的理论基础和借鉴方法，但仍存在以下问题：（1）大多数研究只考虑了经济指标，而忽略了非期望产出指标；（2）已有文献多数没有考虑变量的松弛性，存在效率被高估的局限性；（3）忽略了外界因素和随机误差对计算地域物流效率的干扰程度。鉴于此，本文运用低碳约束下的Super-SBM三阶段DEA模型测算我国西部物流业效率。

1模型构建

1.1第一阶段Super-SBM模型

首先利用Super-SBM模型^[11]，来算出各个决策单 元的物流效率。 即：

式中：ρ为效率值；m和s分别表示投入指标和产出指标的类别数目；s-和s 为松弛变量，分别代表投入和产出冗余；x₀和y₀分别表示决策单元的投入和产出向量；x_i0和y_j0分别为向量x₀和y₀中的第i和第j个元素；X和Y分别为所有决策单元组成的投入和产出矩阵；λ为权重向量。

1.2第二阶段随机前沿回归分析模型

为避免决策单元受到环境、相关掌控因素和误 差的干扰，构造SFA回归函数^[12]如下：

式中：Z_i为相关环境变量因数；β_n是待评估参数；∈_m=υ_m μ_m为混合误差项，其中υ_m为随机误差项，μ_m为管理无效率项。

为实现决策单元所在的区域都存在于一致的外部环境当中，调整相应的投入变量数据，即：

式中：X_m为未经调整的初始数据；为调整后的投入数据；

是为了统一决策单元的外部环境；

为统一随机误差之后的决策单元。

为分析外部环境对物流效率的影响，引入技术非效率函数，即：

式中：δ为待估参数；ER、DE、GOV、ST、OPEN分别为环境规制强度、区域经济发展、政府支持、科技水平和对外开放度影响因素；ω为随机误差项。

1.3第三阶段Super-SBM模型

将上一阶段调整后的数据再使用Super-SBM模型进行计算，此时求出消除环境变量和随机误差之后的物流业效率值。

2指标选取与数据来源

根据《中国第三产业统计年鉴2019》中各行业在物流业增加值所占比重，选取交通运输业、仓储业和邮政业数据来反映物流产业发展水平。以重庆、四 川、贵州、云南、广西、陕西、甘肃、青海、宁夏、新疆西部10省份为对象，研究时间跨度为2009～2018年。

2.1指标选取

（1）物流业投入①物流业从业人数：选取2009～2018年中各地区交通运输、仓储和邮政业总从业人员数作为物流业人力资源的投入量。②交通运输线路总长度：选取铁路、公路和内河航道运营里程之和。③物流业能源消耗：选择交通运输、仓储和邮政业消耗量最大的七种能源，包括煤炭、汽油、煤油、燃料油、柴油、电力和天然气，并将其统一换算成标准煤消耗量。④物流业固定资产投资：选取交通运输、仓储和邮政业固定资产投资额作为物流业财力投入的反映。（2）期望产出指标①物流业产值：用交通运输业产值、仓储业产值和邮政业产值的加和代表物流业产值。②货运周转量：货运一个周期内的数量。（3）非期望产出借鉴《2006年IPCC国家温室气体清单指南》^[13]中二氧化碳排放量的计算方法，找出物流消耗占比最大的七种主要能源消耗量为基准计算物流业二氧化碳排放量，即：

式中：E_i为规范化后的第i种标准煤的能源消费量；CI_i为第i种能源对应的碳排放系数。

2.2数据来源

统计数据均来自于2009～2018年各省统计年鉴^[14-15]， 总样本数为90，样本统计数据如表1所示。

表 1  样本统计数据表

3实证分析

3.1第一阶段Super-SBM模型结果

第一阶段Super-SBM模型计算结果如表2所示。从横向来看，在所选的10个省份中物流效率均值为非DEA有效的省份共有8个，分别是重庆、贵州、云南、广西、陕西、甘肃、青海、新疆，由此可以看出我国 西部地区物流效率的提升空间还很大；从纵向来看，在忽略外部环境和随机误差时，2009～2018年各地区平均效率均值呈现下降之后平缓增加的趋势。

表 2  第一阶段2009 年～2018年10个省份物流效率值

3.2第二阶段随机前沿回归分析模型结果

使用第一阶段Super-SBM模型计算所得的物流效率值代入随机前沿分析模型，进行SFA回归，得到随机前沿函数测算结果（见表3）。由表3可得，γ=0.9168，且在1%的水平上高度显著，可以看出，技术非效率性导致西部各省份的实际物流产值与各省份的最大物流产值有很大的差异性。对数似然函数为37.3284，单边LR检验值为354.4519，说明估计效果较好，且整体估计有效；物流效率平均值为0.3958，表明低碳约束下西部各省份在物流效率的测算上有无效率情况。

表 3  随机前沿函数测算结果

注：*、**、***分别为在10%、5%、1%水平下显著；LR为似然比，服从混合卡方分布；Y为物流产出；L为物流业年末从业人数；K为物流业固定资产投资；H为物流业能源消耗量；T为交通线总长度。

3.3第三阶段调整后Super-SBM模型结果

经过第二阶段的调整，再次将投入数据和产出数据使用Super-SBM模型进行测算（见表4）。结果表明，第三阶段结果与第一阶段相比有明显变化，其中，青海、贵州、四川排名下降明显，说明这些省份在第一阶段排名较高是受到有利因素影响。

表 4  第三阶段2009年～2018年10个省份物流效率值

从横向来看，第三阶段DEA效率均值计算结果相较于第一阶段，四川和宁夏由DEA有效变成非DEA有效，其他省份的DEA效率值仍是非DEA有效。在所选区域中，效率最高的是宁夏，效率值为0.75；物流效率值最低的为青海，效率值为0.21，相差的物流效率较第一阶段有所缩小。从纵向来看，西部地区物流效率值平均值在0.46上下波动，效率值偏低（见图1）。主要原因是西部地区对资源的分发不科学，前沿的技术引进和研发没有受到相应的重视，导致物流效率值偏低。在2009～2018年时间段中，西部大部分省份的物流效率表现出缓慢上升的趋势，其中宁夏物流效率增加幅度最高，由2009年的0.423提 高到2018年的0.729；少数省份物流效率值出现下降，其中下降最大的是重庆，由2009年的1.0下降到2018年的0.459。

图 1  第三阶段西部10省份物流效率变化趋势

3.4碳约束前后的物流效率对比

为了更好地研究低碳约束对计算物流效率的影响程度，根据以上模型，将忽略非期望和考虑非期望的物流效率进行比较（见图2）。其中，差值比表示考虑碳约束前后的物流效率差值占之前比例。可以看出，在测算物流效率时考虑碳排放约束，各省份的物流效率均值的改变趋势较统一，且前者总是小于不考虑碳排放的效率。另外各地区的差值比有明显的不同，云南、新疆、青海分别达到30%、28%和25%，说明这3省若能提高物流业碳排放方面的能力，将对总效率实现20%的大幅度增加；而宁夏的差值比为15%，说明碳排放对宁夏的物流效率有较弱的影响。由此说明物流业效率被高估是不考虑非期望产出造成的。因此在低碳视角下进行物流效率的测算符合实际情况。

图 2  2009～2018年西部地区各省份物流效率均值

3.5西部10省份物流效率与其它地区的对比分析

为了解我国西部的物流效率与其它地区的差异性，将西部10省份与东部、中部和东北部4个区域进行对比（见图3）。

图3  各区域2009-2018年的物流效率变化趋势

可以看出，西部地区的物流效率落后于其它地区，在0.23～0.54之间波动；西部地区和东北地区物流效率相近，落后全国整体水平。中部地区的物流效率与我国总体均值相近，近年来物流效率在一定程度上有所下降；东部区域因外部环境较优越并拥有先进的技术水平，使得其物流效率领先，相比之下，西部的物流效率提升空间较大，需要政府政策的扶持来提高技术水平和基础设施的配置以缩小区域之间的差距。

4结论

在低碳视角下，运用含非期望产出的三阶段DEA和Super-SBM模型，剔除影响因素和随机误差并对我国西部地区的物流效率进行测度，得出结论如下：

（1）我国西部地区物流效率总体偏低，各省份的物流效率波动幅度不大，整体上略有上升。此外，西部地区各省份的物流效率差异较大。

（2）西部地区的物流效率落后于其它地区，需要政府政策的扶持来提高技术水平和基础设施的配置来缩小区域之间的差距。

（3）各省份物流业的发展离不开外部因素的影响，同样也受到自然环境等客观条件限制，考虑碳排放的物流效率总是低于不考虑碳排放的效率，亟需抓住发展机遇，努力实现物流业效率的提高。

（4）通过回归分析数据反映，本文所选外部环境影响因素有利于减少二氧化碳排放量，因此政府部门应关注科技和贸易的投入，以及物流从业人员和环保方面的劳动者素质的提高。

参考文献

[1] 刘正军，蚁向文.基于DEA模型的沿海九省物流效率分析[J].湖南工业大学学报，2019，24（2）：41-47.

[2] 郭子雪，张雅辉，黄新.基于DEA模型的京津冀区域物流效率评价研究[J].数学的实践与认识，2018，48（24）：41-49.

[3] 于丽静，王海峰，姜永强.基于SFA的山东省区域物流效率及影响因素分析[J].物流工程与管理，2017，39（2）：22-36.

[4] 张志伟，苑希港.基于DEA-DFM模型的我国三大区域物流相对有效性评价[J].物流技术，2015，34（7）：185-189.

[5] 戴万亮，董智玮.基于DEA-Tobit的我国省域物流效率差异比较及影响因素分析[J].物流技术，2018（3）：11-14.

[6] 龚雪，荆林波.基于DEA-Malmquist模型的中国省域物流效率研究[J].河北经贸大学学报，2019，40（5）：60-69.

[7] 樊元，马丽梅.基于SFA的中国地区物流效率研究[J].商业时代，2011（27）：39-40.

[8] 于丽静，陈忠全.低碳视角下中国区域物流效率研究——基于SFA与PP的实证分析[J].生态经济，2017，33（4）：43-48.

[9] 李佳玲，廖志高.低碳约束下的西部11省市物流效率分析[J].广西科技大学学报，2015，26（3）：99-105.

[10]杨雪，马粟粟，卢亚丽.碳排放约束下的物流效率评价——以“一带一路”背景下内陆十省市为例[J].生态经济，2019，35（6）：66-71.

[11]ToneK.Aslacks-basedmeasureofsuper-efficiencyindataenvelopmentanalysis[J].EuropeanJournalofOperationalResearch，2002，143（1):32-41.

[12]FriedHO，LovellCAK，SchmidtSS，et.al.Accountingforenvironmentaleffectsandstatisticalnoiseindataenvelopmentanalysis[J].JournalofProductivityAnalysis，2002，17（1-2）：157-174.

[13]IPCC国家温室气体清单计划.2006年IPCC国家温室气体清单指南[M].东京:日本全球环境战略研究所，2006.

[14]国家统计局.中国统计年鉴[M].北京:中国统计出版社，2010-2017.

[15]国家统计局工业交通统计司.中国能源统计年鉴[M].北京:中国统计出版社，2010-2017.

作者简介：

第一作者：韩桴，男，硕士研究生，研究方向：交通运输规划与管理。

通讯作者：朱昌锋，男，博士，教授，博士生导师，研究方向：交通运输规划与管理。

（文章内所有图片受版权保护 违者必究）