基于三階段DEA的長江經濟帶物流效率分析與提升策略

倪 欣

（上海海事大學 經濟管理學院，上海 201306）

0 引言

伴隨中國經濟高質量發展，區域物流快速發展對周邊區域以及全國具有輻射效應。作為引領經濟高質量發展主力軍的長江經濟帶，覆蓋滬、蘇、浙、皖、贛、鄂、湘、渝、川、云、貴等11個省市，橫跨中國東、中、西三大區域，2022年實現GDP55.98萬億元，占全國GDP的46.3%，在區域發展總體格局中具有重要戰略地位[1]。國家發改委通過《關于進一步降低物流成本的實施意見》《“十四五”現代流通體系建設規劃》，要求以經濟高效、綠色智能、安全穩定為核心，加快現代物流體系構建，以解決當下物流體系效率低下的問題，實現經濟高質量發展。一系列文件的出臺為長江經濟帶發展提供了制度保障。在此背景下，分析長江經濟帶11個省市物流產業的物流效率，對其區域經濟高質量發展和優化物流業產業結構有重要意義。

當前，國內外學者采取各種研究方法分析物流效率，成果斐然。理論方面，余冬筠[2]將物流產業投入與產出的聯系和比率關系定義為物流產業效率，用以對比生產資源實際配置與有效配置。何黎明[3]認為供給側結構性改革過程中，增加物流有效供給的方法是降低物流成本。Lalhriatpuii[4]通過效率來衡量物流業對可利用資源的使用程度。實證方面，主要體現在指標體系選取、評價模型構建以及研究區域等。指標體系選取上，因物流業發展需要各種資源要素的投入，一般投入指標從人力、財政和物質資源等方面考慮，產出指標根據所研究目標來確定，盡可能找一個已有的公認數據作為產出指標[5]。評價模型構建上，數據包絡分析（DEA）在物流業測度方面較為常用。Schinnar A P最先引入DEA模型分析物流效率，并以此評價第三方物流企業的物流效率。Markovits，等[6]采用DEA方法分析歐洲29個國家的物流效率，Saparovna，等[7]提出物流效率受基礎設施建設影響；張娜，等[8]和梅國平，等[9]使用三階段DEA模型分別測算了西部地區和華東地區物流產業效率。盧琳[10]運用DEA方法驗算了中國31省份物流業效率，得出中國物流發展水平不均衡的結論。

近年來，以長江經濟帶為切入點逐步成為物流效率研究的熱點。王育紅，等[11]、魏國辰，等[12]分別通過Super-SBM模型和超效率DEA模型測度長江經濟帶物流效率。曹炳汝，等[13]基于“DEA模型+Arc-GIS+空間自相關分析”，探究長江經濟帶物流效率值及時空演化規律。張云寧，等[14]使用三階段DEA和tobit模型對長江大保護區域19個省的物流產業效率進行測度，得出物流效率上游低而下游高的結論。

綜上所述，物流效率研究方面，學者們已取得一定成果，但仍有進一步提升空間。首先，現有研究對象多數集中在國家或者某個省份層面，對特定經濟區域展開研究較少；其次，推動長江經濟帶高質量發展是“十四五”規劃的重要內容，其生存發展如何是關乎國家發展的重要戰略?，F研究對長江經濟帶物流效率使用常規的DEA方法進行驗算，易受到外部環境影響和隨機因素干擾，會導致有關研究難以獲得正確的測算結果。為提升長江經濟帶11省市物流效率值的測算精度，本文以長江經濟帶為研究區域，構建三階段DEA模型進行了驗算分析。

1 模型介紹

數據包絡分析（Data Envelopment Analysis，DEA）是由Charnes、Cooper和Rhodes于1978年提出的一種基于非參數線性規劃的技術，它將被評估的經濟體作為一個決策單元（DMU），通過構建投入產出指標體系并進行模型分析，確定研究對象的有效生產前沿面，并根據每個DMU與有效生產前沿面的距離，計算出每個DMU效率值，以此輔助決策[15]。目前，DEA模型已被廣泛應用于評估生產過程、服務過程、效率評估、績效評估和資源分配等領域。但由于DEA模型存在著嚴重的缺陷，其未意識到外部環境影響和隨機因素干擾，將投入變量與產出變量間的效率水平低都歸結于管理無效，由此Fried等學者最先提出將DEA模型分為三階段DEA模型進行測算。三階段DEA模型共分為三個階段：第一階段，使用傳統DEA—BCC模型分析每個DMU的原始投入變量和產出變量所建立指標體系的初始效率。由于第一階段所獲取的效率值容易受到環境、隨機誤差及管理等因素的影響，故在第二階段操作，主要基于第一階段的測算結果進行，將第一階段獲取的投入松弛變量作為因變量，將環境及隨機誤差作為解釋變量進行SFA模型回歸分析，可測算出第一階段測算時忽視的環境變量干擾并進行清除，從而更加精確地測算出物流效率值。第三階段，將調整后的投入變量代入傳統的DEA-BCC模型中，再次對長江經濟帶物流效率進行計算，得到調整后的物流效率。

2 實證分析

2.1 數據來源與指標選取

（1）數據來源?；谥袊鴩?，暫無專門的數據庫收錄和整理物流業數據，而交通運輸、倉儲和郵政業占物流業產值的80%以上，故參考多數學者對物流業的數據選取辦法，選取其數據來反映物流業的投入產出情況[16-17]。

本文以長江經濟帶11個省市為研究區域，具體見表1。將其劃分為上游、中游、下游三大區域，本文選取長江經濟帶11省市物流業的投入和產出指標以及環境指標數值作為樣本數據，原始數據來源于《2013-2022年中國統計年鑒》[18]。

表1 長江經濟帶三大區域省市劃分

（2）指標選取。長江經濟帶物流效率評價指標體系借鑒了大多數學者構建的物流效率評價體系，投入指標從人、財、物三個生產要素角度選取，產出指標從物流規模方面選取，環境變量從地區經濟發展水平和產業結構選取，具體見表2。

表2 長江經濟帶物流效率評價指標體系

投入指標：物流業的規模通常與就業人數密切相關，人數的增加可能意味著物流業的發展和擴張，從而影響整體的物流效率，故本文選取物流業從業人數[9,13]作為物流業人力投入指標；物流業的運作需要大量的資本投入，用以購買、維護和升級固定資產，故選擇物流業固定資產總額[19]作為財力投入指標，可以直觀地反映特定地區或國家投資水平；載貨汽車擁有量反映物流運輸能力和規模，高擁有量可能意味著有足夠的運力來滿足貨物運輸需求，故本文選取載貨汽車擁有量[20-23]作為物力投入指標。

產出指標：貨運量直接反映了區域內貨物的運輸需求和規模，貨物周轉量則更關注貨物在單位時間內的流通情況，故本文選取貨運量和貨物周轉量[22-24]作為產出指標。

環境變量：物流活動緊密跟隨經濟發展，高地區生產總值（GDP）可能意味著有更多的物流需求；隨著經濟結構轉型，服務業和物流業的發展通常會有所增長，對物流效率產生影響，故本文選取地區生產總值[22-23]和第三產業增加值占GDP[25]比重作為環境變量。

為了確保指標的合理性，本文使用SPSS軟件kendall的tau_b的非參數相關性檢驗長江經濟帶物流效率評價指標的合理性，使結果更有說服力[25]，檢驗結果見表3。

表3 相關性檢驗結果

從長江經濟帶11個省份物流業指標的相關分析可知，各指標近相似合理，且均在0.01或0.05上顯著，符合DEA模型的要求。

2.2 第一階段DEA模型的長江經濟帶物流效率分析

長江經濟帶11省市的綜合技術效率值、純技術效率值和規模技術效率值反映了被決策單元（DMU）的資源配置能力、技術進步情況和增長空間情況。也可能會存在一種情況，即每個地區因地制宜，采取發展方式會有所不同，受到不同因素的影響會導致經濟發展水平較高的地區反而物流效率較低[26]。本文運用deap2.1軟件測算出2013-2022年長江經濟帶11個省市的物流效率，各省市的物流效率值見表4-表7，長江經濟帶地區綜合物流效率見表8。

表4 2013-2022年長江經濟帶11省市第一階段DEA模型綜合技術效率分析

表5 2013-2022年長江經濟帶11省市第一階段DEA模型純技術效率分析

表6 2013-2022年長江經濟帶11省市第一階段DEA模型規模技術效率分析

表7 2013-2022年長江經濟帶11省市第一階段DEA模型規模報酬類型分析

表8 第一階段DEA模型的長江經濟帶地區綜合物流效率分析

由表4-表8可知，在不考慮環境因素的情況下，可得出以下結論：

（1）從綜合技術效率值分析，2013-2022年長江經濟帶綜合技術效率值均為1的是上海市，說明上海市物流業發展中充分利用了投入資源，達到最優狀態，物流活動效率高。究其原因，上海市具有獨特的地理位置優勢和先進的物流基礎設施，產業集聚效應顯著，與內陸和沿海地區的貿易往來便利，成為重要的物流樞紐；而其他?。ㄊ校┚C合技術效率值均低于0.9，說明物流活動效率還有待上升空間，需要從技術水平、管理方面、產業結構等多個維度進行協調，提高資源利用率。

（2）從純技術效率值分析，2013-2022年長江經濟帶純技術效率值均為1的有上海市、江蘇省、浙江省、江西省、湖南省、重慶市、貴州省，占被評價決策單元總數的63.63%，說明這7個地區純技術效率達到DEA有效，物流資源得到充分利用，其他省物流業純技術效率值處于非效率狀態，可能在物流業運營方面存在資源浪費和效率低下的情況。對于純技術效率值低的省份，需要優化物流成本控制，加強合作與協調，提高對資源的有效利用。

（3）從規模技術效率值分析，2013-2022年長江經濟帶規模效率值為1的為上海市，說明上海市輸入一定比例的要素能帶來一定比例的產出，規模技術效率有效；規模技術效率值0.7~1的有江蘇省、浙江省、安徽省、江西省、湖北省、湖南省、重慶市、四川省，占被評價決策單元總數的70%。對這些省市在投入產出要素方面進行相應調整，就能夠實現規模要素配置合理。

（4）從規模報酬類型分析，僅有上海市是10年規模報酬不變，說明該地區物流資源投入得到很好輸出；而有些地區在2013-2022年的規模報酬變化大部分是遞增，如江西省、重慶市、云南省、貴州省等。這些地區的規模報酬不變或者遞增，都表明當這些地區物流業的物流要素投入增加時，能夠為其帶來更有效的發展，地區的物流投入要素得到了相應的輸出。江蘇省、浙江省、湖北省、湖南省、四川省在2013-2022年的規模報酬變化個別年份是遞減，說明這些地區在短時間內地區物流業的物流要素配置不合理，需要提高運作效率，加快產業集聚，使物流業的物流效率調整至最優狀態。

（5）從區域分析，下游地區各省份物流產業的物流效率值均高于中游和上游地區。究其原因，下游地區具有更便利的交通和運輸條件，使得貨物的進出更加方便快捷，減少了運輸時間和成本；具有更大的市場規模和消費需求，吸引了更多的物流服務提供商和投資。這種市場規模的優勢可以帶來更多的物流需求，從而推動物流產業發展和創新，提高物流效率。

2.3 第二階段SFA回歸分析

使用SFA模型進行回歸分析，將地區生產總值、第三產業增加值占GDP比重兩個環境變量作為函數自變量，將物流業從業人數（X1）、物流業增加值（X2）、載貨汽車擁有量（X3）的松弛變量作為函數的因變量，利用Froniter4.1軟件進行回歸分析并結合考察環境變量對投入變量的影響，回歸結果見表9。

表9 第二階段SFA回歸結果

從回歸結果來看，地區生產總值對物流業從業人數（X1）、物流業固定資產總額（X2）、載貨汽車擁有量（X3）的松弛變量的回歸系數均為正值，意味著當地區GDP增長時，松弛變量會增加，此時相應的投入并不一定能夠取得對應的輸出，不利于物流業發展。

第三產業增加值占GDP比重對物流業從業人數（X1）投入松弛變量的回歸系數均為正值，說明第三產業增加值占GDP比重的增加會導致物流業從業人數（X1）投入松弛變量的增加，說明當第三產業增加值占GDP比重增加時，松弛變量會增加，即投入冗余量增加，導致物流效率降低。表明第三產業增加值占GDP比重對物流業從業人數（X1）未能起到促進作用。

第三產業增加值占GDP比重對物流業固定資產總額（X2）、載貨汽車擁有量（X3）投入松弛變量的回歸系數均為負值，說明第三產業增加值占GDP比重的增加會對物流業固定資產總額（X2）、載貨汽車擁有量（X3）產生正向影響。這可能表示隨著第三產業比重的增加，服務業需求增加，從而推動物流業人員以及服務需求增加。

2.4 第三階段調整后DEA模型的長江經濟帶物流效率分析

通過Deap2.1軟件，基于調整后的投入數據和原始產出數據，結合傳統的DEA—BCC模型測算長江經濟帶物流投入產出效率。由于篇幅情況，在第三階段對2013-2022年長江經濟帶11省市物流產業的綜合技術效率值、純技術效率值和規模效率值采取均值進行比較，見表10、表11。

表10 2013-2022年長江經濟帶11省市物流業的第一階段和第三階段物流效率均值

表11 2013-2022年長江經濟帶區域第一階段和第三階段效率均值

從綜合技術效率來看，第一階段和第三階段測算長江經濟帶11省市物流效率均值有明顯的變化，指標調整之前，長江經濟帶各省市物流產業的綜合技術效率均值在0.6上下浮動，在指標調整之后，其綜合技術效率均值由0.695降到0.645，表明整個物流效率水平整體上升且各省市物流產業的綜合技術效率值存在顯著差異。指標調整之前，綜合技術效率均值為1即DEA有效的是上海市，指標調整之后，仍僅有上海市在DEA有效區，說明其他省市物流業的綜合技術效率水平受到純技術效率和規模技術效率影響較大，需要做有關調整，從而加入DEA有效區。部分省市尤其是上游地區的城市綜合技術效率均值處于非DEA有效狀態，說明其在投入要素利用和配置方面仍然存在改進和提升空間，需要進一步通過加強物流管理、采用先進的技術和信息系統、優化運輸和配送網絡等手段提高物流效率水平。

從純技術效率來看，指標調整之前，長江經濟帶各省市物流產業的純技術效率均值為0.864，而指標調整之后達到了0.969，并且與綜合技術效率均值相比，達到純技術效率有效的省市明顯較多。指標調整前，上海市、江西省和貴州省的純技術效率均為1，指標調整后，上海市和江西省仍然還在DEA有效區，江蘇省、浙江省、安徽省、湖北省、湖南省、重慶市、四川省以及云南省物流產業的第三階段純技術效率均高于第一階段測算，說明這些省市的實際技術效率優于其表現水平，當地發展受到了地區經濟發展水平和產業結構因素的限制。

從規模技術效率來看，長江經濟帶各省市物流產業的規模技術效率值由0.804降至0.666，表明長江經濟帶受到環境因素影響較大。指標調整之前，僅有上海市物流業的規模技術效率DEA有效，指標調整之后，大部分省市的規模技術效率較低，需要加大物資投入，以提高這些省市的生產力和競爭力，確保其能夠有效地實現經濟可持續增長。安徽省的規模技術效率非DEA有效，但其均值為0.963，說明安徽省物流產業的資源配置效率處于相對較高水平。

由表11可知，在第一階段，下游地區的綜合技術效率、規模技術效率均值都明顯高于中游和上游地區，表明下游地區的物流效率相對較高。指標調整之后，下游地區的綜合技術效率均值仍然高于中游和上游地區，純技術效率均值為0.97，表明下游地區在純技術效率方面已經達到比較優的水平。中游和上游地區的物流活動有待提高，可通過積極引進高新技術、強化創新能力等方式，以縮小與下游地區的差距。

3 結論與建議

本文以長江經濟帶為研究對象，運用三階段DEA模型對長江經濟帶11省市物流業的物流效率進行分析，結論如下：（1）在指標調整前，上海市、江蘇省、浙江省、安徽省物流效率處在效率前沿面，說明這4個省市的物流業資源利用程度發揮到了最大化，使用方面合理；而其他省市物流效率未處于效率前沿面，說明物流發展不協調。在指標調整后，除了上海市和江西省的技術效率無變化之外，江蘇省、浙江省、安徽省、湖北省、湖南省、重慶市、四川省、云南省物流產業的第三階段純技術效率均高于第一階段測算，說明這些省市的實際技術效率優于其表現水平，環境因素對其具有促進作用；（2）從區域來看，長江經濟帶各省市物流效率差異很大，下游地區各省市物流效率長期處于較高位置，中游地區各省市物流效率相對上游和下游地區，一直處于中間水平，上游地區各省市物流效率長期低下；（3）從省市來看，上海市和安徽省的綜合物流效率處于長江經濟帶11省市前列，與之相反，四川、貴州、云南長期處于長江經濟帶11省市后列。

為了促進長江經濟帶區域高質量發展，根據分析內容提出如下建議：一是加強科技創新，提升各省市實際技術效率?？萍歼M步是影響長江經濟帶物流效率的關鍵因素，需要從優化資源配置入手，著力推動基礎設施建設和完善公共服務設施，引導并支持企業積極進行技術創新，如大力應用人工智能、云計算、大數據分析等現代化技術，同時要鼓勵研發機構向上游和中游地區轉移，通過建立科研合作項目和技術交流平臺共享科技資源，實現長江經濟帶高新技術成果轉化。此外，借助“引進”“消化吸收再創造”等手段，實現技術高速度和高品質跨越。二是加強區域合作，帶動區域協調發展。為了解決長江經濟帶上游、中游、下游區域發展不平衡的問題，需要各地區先強化自身特有優勢，再通過建立區域合作平臺將地區資源互相共享和互補，從而形成一個“1+1>2”的產業格局。上游地區可以集中發展具有競爭力的產業，如中國的天眼（FAST）是位于貴州省的一座大型射電望遠鏡，FAST的建設和運營代表了中國在天文學領域的重大投資和科學實力的提升，同時也對貴州省的科技和旅游產業帶來顯著影響。中游地區可以發展制造業和物流業，為上游提供原材料，為下游提供成品。下游地區可以發展服務業和高附加值產業，從而推動整個產業鏈的協同發展。三是加快擴大對外開放力度，突破物流效率瓶頸。長江經濟帶下游地區由于地理位置、經濟發展水平以及對外開放力度等多種因素的影響，物流效率一直保持著持續穩定的狀態，而上游地區則已經達到了物流效率的“瓶頸”時期，面臨著嚴峻的挑戰。為了突破物流效率的“瓶頸”，上游地區的城市需要加快對外開放的步伐，可通過加大運輸通道開發、產業升級和信息化建設等方面的投資，加強與中游和下游地區聯系，實現信息共享，促進區域高質量發展。