基于三阶段DEA模型的南京都市圈物流产业效率评价

■夏继晨

（安徽理工大学经济与管理学院，安徽 淮南 232001）

一、研究背景

物流产业作为复合性服务业,涉及行业较多,有较强的利润促进和集聚辐射能力，在经济增长方面扮演着举足轻重的角色[1]。南京都市圈具有厚实的工业基础、成熟的金融体系、悠久的科教文化、良好的物流外部坏境[2-3]。因此,对南京都市圈物流产业研究具有深刻的意义。

关于物流业效率，国内外学者都有大量的探索。Markovits-Somogyi等[4]把DEA-PC应用于物流产业效率研究，其结果与DEA模型结果对比，发现DEA-PC更接近真实的情况。Sükrü Akdo an M等[5]对德国和土耳其两国的物流公司营销绩效测算，表明物流企业的物流绩效和营销绩效均存在差异。国内学者的研究以区域物流效率为主，如王志鹏[6]以河南省物流效率为目标进行测算，运用DEA分析不同物流企业的发展模式，并给出企业发展方向；杨传明[7]以经济增长带来的的环境负荷问题为切入点，通过三阶段DEA模型以碳排放量作为约束条件对江苏省物流产业效率进行分析,得到相比沿海省份，江苏省物流产业效率较高。综上所述，南京都市圈物流效率相关研究鲜少。

二、研究方法

本文选用三阶段DEA模型对南京都市圈整体物流产业效率进行研究,在不存在外部环境情况下进行物流效率分析。

（一）第一阶段：传统DEA测算

物流产业的规模收益率是可变的,本文采取传统DEA中BCC模型来测算投入目标值和松弛变量值。这一模型方法的应用已经成熟,本文不再详细阐述。表达式如下：

式中：λ1，λ2，…，λn为对偶变量：s-，s+为松弛变量

（二）第二段：模型回归和调整变量

1.SFA模型回归

SFA模型的第二阶段从第一阶段DEA中可以得到松弛变量。采用松弛变量作为解释变量,从而分离环境及随机误差因素对效率值的作用。构建SFA回归模型,公式为：

其中，Snk为第k个决策单元的输入的第n个松弛变量；Zk代表环境变量；βn代表环境变量的待估计系数；fn(Zk;βn)代表环境变量对冗余量Snk的影响函数；Vnk代表随机误差项；Unk代表管理无效率，这两者之间是独立的，Vnk如果服从零均值的正态分布，为Vnk（0，σuk2），Unk如果服从零点截断正态分布，为Unk（0，σvk2）。

2.调整变量

（1）输入变量的调整。通过分离综合误差项与随机误差项,管理无效率公式为[8]:

（2）对决策单元的投入变量调动,不考虑外部环境时,结果反映其管理水平的最终效率值。基于最佳效率的决策单元,其他决策单元输入调整为：

式中,X*nk表示第一阶段输入变量Xnk调整后的输入变量；[maxk{fn(Zk;ηn)}]-fn(Zk;ηn)n为针对外部环境,把决策单元调整在无差异的环境；[maxk{fn(Zk;ηn)}]为针对随机误差,把决策单元调整到无差异的情况中。

（三）第三阶段:调整后DEA模型运算

调整后的DEA模型重新估计剔除外部环境的效率值,真实反映了每个决策单元的管理效率和技术效率。

三、指标选择及数据来源

（一）指标选取

在物流产业的发展水平方面,用交通运输、仓储和邮电业三方面的数据作为本文分析对象,如附表1所示。

附表1 物流效率评价指标

（二）数据来源

南京都市圈即南京市、镇江市、扬州市、淮安市、马鞍山市、滁州市、芜湖市和宣城市8个城市,常州市因只有溧阳和金坛划为南京都市圈,故本文未做统计。选取2015—2019年数据进行研究,来源于《江苏省统计年鉴》以及各城市历年统计年鉴。

四、实证分析

根据物流产业效率输入输出指标和环境因素的选取,将南京都市圈的物流产业效率研究分为三个阶段。

（一）第一阶段传统DEA实证结果

根据设定的指标选择投入导向的BBC模型分析,运用DEAP 2.1软件分析得到物流产业相应的综合效率、技术效率和规模技术效率,如表1所示。

表1 2015—2019年南京都市圈8个城市物流产业效率值

由表1可知,在排除外部环境因素情况下,2015—2019年物流产业的综合效率、技术效率、规模效率值分别为 0.929、0.978、0.947。南京、镇江、芜湖、宣城和滁州物流产业效率值为1,其效率为最优。而扬州、淮安和马鞍山三市的物流产业效率未达到最优,低于均值,物流产业效率水平较低。

（二）第二阶段SFA回归结果

消除外部环境对物流效率的影响,真实地反映物流业的状况。将第一阶段测量过程中输出变量的松弛变量当作被解释变量,把经济整体发展水平、各市支持程度当作解释变量。构建SFA模型,借助Frontier 4.1进行回归分析，结果如附表2所示。

附表2 SFA回归模型分析结果

由附表2可知,总方差分析结果显示管理无效率对其存在影响,即管理因素在输入变量冗余度中起到关键作用。经过回归方程的计算,管理无效率结果为0.766、0.765、0.962,且回归系数都通过了5%和1%的显著性检验,表明城市经济GDP水平、都市圈各市政策的支持程度对投入松弛变量冗余度有影响,说明使用SFA模型的必要性。

（三）第三阶段调整后的DEA结果

第二阶段SFA模型对原始投入变量调整后,接着将投入变量作为第三阶段衡量物流业效率的输入变量,采用Deap 2.1分析工具再一次测算物流业效率,分析得出排除环境变量和随机误差两个因素后的TE、PTE和SE值。调整后分析结果如附表3所示。

附表3 第一阶段和第三阶段物流产业效率值

由附表3中第一、三阶段物流产业效率平均值可知：第一阶段和第三阶段综合效率平均值由调整前的0.929下降到0.921,技术效率值由0.978降至0.923,而规模效率值由0.947增加为0.996。

五、研究结论

本文运用三阶段DEA模型对南京都市圈8个城市的物流产业效率进行分析测算,排除外部环境因素,得到如下结论。

1.在物流产业技术效率、规模效率方面,南京、镇江和宣城均明显高于平均水平,外部环境因素对三市的物流效率没有影响。

2.在不考虑环境因素后,扬州、淮安和马鞍山三市的综合效率、技术效率及规模效率均有提高。

3.剔除环境因素后,芜湖和滁州两市三大效率测算值都存在了下降情况。

南京都市圈效率值在不同等级中存在,政府要根据城市的资源优劣制定相应政策,使企业有能力对物流技术进行创新,为企业提供好的外部环境。同时政府要对物流业的发展方向进行正确的指导,促进物流业健康发展。