中国区域物流产业效率基于三阶段dea模型的malmquist luenberger指数方法

1、第30卷第3期( 总第219期)系 统 工 程V ol. 30, N o. 32012年3月System s Eng ineeringM ar. , 2012文章编号: 1001-4098( 2012) 03-0066-10区域物 业效率X基于三阶段 DEA 模型的M almquist-luenberger 指数1, 2( 1. 东北财经大学 数学与数量 学院, 辽宁 大连116025;2. 东北财经大学 管理科学与, 辽宁 大连 116025)摘 要: 利用 M almquist-luenberg er( M L ) 生产率指数测算了包含非期望产出在内的19972009年我国30 个省级地区

2、的物 业效率, 并借助三阶段 DEA 模型分析物流外部营运环境条件对我国物业效率变化的影响。结论显示: ( 1) 我国物流业的 M L 生产率指数年均增长- 0. 45% , 而传统的 M almquist 生产率指数为1. 02% , 忽视非期望产出使得物流业全要素生产率估计过高, 物流业普遍 技术不环保。( 2) 剔除外部环境因素和随机影响因素后, 物流业的技术进步率出现较大幅度的下降, 技术效率则出现一定程度的上升, 物业效率受到外部环境因素的影响显著。( 3) 我国物流业大多数地区的外部营运环境水平较低, 优化外部环境, 有助于物 业效率的提升。: 物业效率; M alm quist-

3、luenber ger 指数; 三阶段 D EA; 不可控变量号: F 253文献标识码: A1 引言物流业是国民 和 发展的重要服务行业, 也是 能源消费的主要行业。在低碳 中占有特殊位置, 物流业对能源的依赖逐年上升, 其中又以煤油 、柴油所占比重最大, 2009年所占比重分别为: 煤油90. 77% 、汽油50. 29% 、柴油56. 53% , 均为高碳能源消耗, 因此说物流业是温室气体和大气污染排放的重要来源之一。减少物流 领域能源消耗量和碳排放量, 是促进低碳发展的必然选择。随着物流业在国民 中的重要性逐步凸显, 其产业规模也迅速扩张, 如何通过先进的物流技术和环境管制的理念, 对

4、物流系统进行规划、管理和实施, 使得物流业在效率增长的同时对环境的影响减到最小就显得尤为重要。 虽然已有较多文献对物 业效率展开研究, 但都没有考虑到环境因素, 作为物业 必然副 的各类环境污染物, 在物流生产效率测度过程中也从未被计入在内。早期研究物 业效率的文献集中于对 业效率分析, 近年来随着物流业的快速发展, 对物 业效率问题的研究也逐渐增多。如早期 Celia( 1998) 1 的调研结果发现企业选择物流业务外包的主要目的是降低生产成本, 因此物流企业在保证服务质量的同时应尽可能的提高企 业生产资料的利用率, 从而提高市场竞争力。Gengui Zhou 等( 2004) 2 运用D

5、EA -CCR 和 DEA -BCC 模型评价了10个国有上市第 物流企业连续5年的 效率, 发现固定资产投资、销售利润、人力成本以及员工技术水平是影响 物流企业运营效率的主要因素。R abinov ic 等( 2006) 3 利用 DEA 模型评估物流企业的效率, 并分析了物流服务绩效与服务广度对生产效率的影响。Chan 等( 2006) 4 引入 Benchmarking 绩效评估工具, 采用 Double-A HP 方法评估 邮政产业效率。国内学者 等( 2008) 5 、( 2009) 6 利用 DEA - M almquist 生产率指数测度我国8家物流上市公司2001 2006年的

6、全要素生产率 ( 2009) 7 在构建19912007年29个省级地区物流业 面板数据的基础上, 应用超越对数随机前沿, 分析了各地区物流业全要素生产率及其增长动力来源 等 ( 2010) 8 利用随机前沿模型评价了我国区域物流的整体技术效率和全要素生产率, 并分析了影响物流业全要素生X 收稿日期: 2011-12-20基金项目:自然科学基金资助项目( 71171035)作者简介:( 1963-) , 男, 吉林白城人, 东北财经大学数学与数量学院教授, 博士生导师, 研究方向:计量分析与管理决策;( 1985-) , 女, 辽宁本溪人, 东北财经大学管理科学与博士研究生, 研究方向: 管理

7、科学, 物流与宏观管理。第3期, : 区域物 业效率67产率的因素。纵观现有物 业效率的研究, 主要基于传统 DEA , 虽然取得了大量成果, 但仍然以下两个问题: 一方面, 模型中隐含了外部环境均质化的假设, 得到的效率值, 包含了外部环境因素和随机误差的影响, 不能客观反映生产者的决策和管理水平; 另一方面, 国内学者对物流效率的考察虽然从企业层面、行业层面和区域层面均进行 了不同程度的研究, 但 从资本、劳动和能源等生产要素的投入角度以及合意的期望产出角度考察, 缺少对环境污染等非期望产出的度量。使所测度的效率值不能反映生产过程中带来的“好”产出和“坏”产出的两面性。近年K( F are

8、 和 Gr ossko pf, 2004) 11 :bki > 0, i = 1, ,k = 1II , 表示至少一个生产生产每一种非期望产出;bkii = 1> 0, k = 1, , K , 表示每一个生产至少生产一种非期望产出。传统的 M almquist 指数利用 Shephard 的产出距离函数代表潜在的技术, 定义为:D 0( x , y , b) = inf H: ( ( y , b) / H) p ( x ) ( 1)其中, “好”产出和“坏”产出是同比例缩放, 为了使“坏”产出减少成为可能, 引入 Chung ( 1997) 12 提出的方向距离函数, 定义为:来

9、, 随着各类环境问题的凸显, 交通领域已经开始把对非yt t t tt ttt期望产出的 纳入产出效率测度的框架内, M cM ullen 和 N oh( 2007) 9 利用方向距离函数分析 43个公交运输机构2000年 系统的效率, 希望在减少机动车尾气排放的同时增加旅客周转量和车辆行驶里程 -M iin Y u 等 ( 2008) 10 利用产出方向距离函数测度了 4 个主要机 场 1995 1999 年 以 飞 机 噪 声 为 非 期 望 产 出 的M almquist-Luenberg er 生产率指数。国内现有文献未见同时考虑上述两方面问题的物流 产业效率研究, 因此, 相关文献所

10、评估的效率值并不能真实反映我国现阶段物流业的发展水平, 外部环境对物流D0 ( x , y , b ; g ) = sup B: ( y , b ) + B g p ( x ) ( 2)这里, g 为方向向量, 当 g = ( gy , - gb) 时, 表示“好”产出增加的同时, “坏”产出减少, 方向距离函数定义为:yD 0( x , y , b; gy, - gb)( 3)= sup B: ( y + B gy, b - B gb) p ( x ) B为距离函数值, 描述在产出水平( y , b) 上, 按照方向向量g = ( gy , - gb) 到生产前沿面时, “好”产出增加和“坏

11、”产出减少的最大程度。生产k在t 期的方向距离函数写成如下线性规划形式:ByttttttD 0( x k, yk, bk; y k, - bk) = max k kmK产业效率 的影响程度 亦无从考察。鉴于此, 本文利 用M almquist-Luenberg er 生产率指数测算 重新估算了包含非期望产出在内的19972009年我国30个省级地区 物流业的生产效率, 并借助三阶段 DEA 模型分析不同外s. t .z t ytk= 1Kt tzkbki k = 1K ( 1 + B) y t ,m = 1, , Mk mt= ( 1 - B) bki,i = 1, , I( 4) k knk

12、 n部环境条件对我国物业效率变化的影响。k = 1z t x t x t,n = 1, , N2 研究 2. 1 方向距离函数假设有 k = 1, , K 个生产 使用 N 种投入( x 1, x n) RN , 得到 M 种“好”产出( y 1, , y M ) RM , I 种z t 0,k = 1, Kkkz t 是强度变量, B = 0 表示生产者处于前沿, B值越大, 与前沿面的距离越远, 生产的效率越低。2. 2Malm quist-luenberger 指数+引入Chung ( 1997) 12 的M almquist -luenberg er 生产率+“坏”产出( b1 , ,

13、 bI ) RI . 生产可能集 P( x ) 为有界指数( M L )计算包含非期望产出的物流生产效率, +合, 表示为: P ( x ) = ( y , b) : x 能生产( y , b) , x RN , 满足条件:¹ 投入和“好”产出随意处置: 若( y , b) p ( x ) , 且 y y 或 x x , 则( y , b) p ( x ) , p ( x ) A p ( x ) 。º “坏”产出弱处置性: 若( y , b) p ( x ) 且0 H 1,则( Hy , Hb) p ( x ) 。» “好”产出和“坏”产出零结合性: 若( y ,

14、 b) p ( x )且 b = 0, 则 y = 0。性质º 表示在给定要素投入水平下, 要减少“坏”产出, 则必然会消耗部分原本用于生产“好”产出的投入, 进而导致“好”产出减少。性质» 意味只要有“好”产出发生,“坏”产出弱处置, “好”产出 处置, 方向向量 gt = ( y t,M L t+ 1 = 1 + D ( x , y , b ; y , - b ) tt t t tty0t 1 + Dt ( x t+ 1, y t+ 1, bt+ 1; y t+ 1, - bt+ 1) 0 1 + D( x , y , b ; y , - b ) t + 1t t t

15、tty012 1 + Dt + 1( x t + 1, yt + 1 , bt+ 1; y t + 1, - bt+ 1) 0- bt) , 则 t 期到 t + 1 期的 M L 生产率指数为:( 5)M L 测度的是从 t 期到 t + 1 期生产率的变化, 若 ML< 1, 生产效率下降, M L = 1, 生产效率保持不变, 若 MLttt> 1, 生产效率提高。M L 指数可以进一步被分解为两部分: 一部分测度效率变化( M L EFF CH) , 另一部分测度技术进步( M L T ECH) , 表达式如下:必然伴随“坏”产出。P ( x ) 满足零结合性, 还需满足两

16、个M Lt+ 1 = ML EFFCH t+ 1M L TECH t+ 1( 6)68系 统 工 程2012年1 + Dyt ( x t, y t, bt ; y t, - bt)( 1) 投入指标M L EFFCH t+ 1 =y00t1 + D t + 1( x t + 1 , y t+ 1, bt + 1; y t + 1, - bt + 1)M L TE CH t+ 1 =t 1 + Dy0 ( x , y , b ; y , - b ) y t + 1 tt ttt 1 + Dt ( x t, y t , bt; y t, - bt) 0 1 + Dy0yt + 1( x t+ 1,

17、 y t + 1, bt + 1; yt + 1, - bt + 1) 12 1 + D t ( x t+ 1, yt+ 1 , bt+ 1; y t+ 1, - bt+ 1) 0( 7)( 8)M L EF FCH 测度了每个观测值与其各自的生产前沿的逼近程度, M L T ECH 测度的是 t 期到 t+ 1期生产可能性边界的改变。求解过程中, 需要计算每个生产 相邻期的4个方向距离函数, 利用非参数线性规划求解。3 数据及实证结果3. 1 变量及数据描述由于物流统计体系 善, 结合交通 、仓储和邮政业的增加值占物流业增加值85% 的事实, 采用统计年鉴 通 、仓储和邮政业的数据来代替物流

18、业进行分 析。数据来源: 计年鉴( 19982010) 、能源统计年鉴( 19982010) 。资本投入: 国内学者 选择永续盘存法进行估算, 永续盘存法计算资本存量, 依赖于四个关键变量的选择: 基年资本存量、折旧率、固定资产价格指数和每年投资额。 由于上述四个关键指标选取难以 的定论, 而且受省际物流业数据限制, 勉强估算可能产生较大偏差 镰 ( 2006) 13 ( 2008) 5 采用固定资产投资作为资本存量的替代, 本文也采用这一 , 选取固定资产投资代替 资本存量作为资本投入量, 并以2000年为基期( 2000年= 100) 的固定资产投资价格指数折算为不变价。由于缺少分行业固定

19、资产投资价格指数, 因此本文以全行业固定资产投资价格指数作为替代。劳动力投入: 应当主要反映就业人数, 劳动时间、劳动种类以及劳动质量等因素, 由于数据限制, 没有科学指标对上述要素进行有效度量, 因此以各地区物流业的从业人员数作为劳动力投入指标的替代。能源投入: 各地区一次能源消费量作为能源投入, 将不同类型的能源消费量统一转换成标准煤后加总而成, 转换系数如表1。表1 碳排放系数估算¹能源平均低位发热量IPCC( 2006)碳排放系数碳氧化因子标准煤折算系数本文估算的碳排放系数煤炭20908kJ/ kg25. 8kg C/ GJ10. 7143kg 标煤/ kg0. 7552kg

20、 C/ kg 标煤43070kJ/ kg18. 9kg C/ GJ11. 4714kg 标煤/ kg0. 5532kg C/ kg 标煤煤油43070kJ/ kg19. 5kg C/ GJ11. 4714kg 标煤/ kg0. 5708kg C/ kg 标煤柴油42652kJ/ kg20. 2kg C/ GJ11. 4571kg 标煤/ kg0. 5913kg C/ kg 标煤油41816kJ/ kg21. 1kg C/ GJ11. 4286kg 标煤/ kg0. 6176kg C/ kg 标煤天然气38931kJ/ m315. 3kg C/ GJ11. 3300kg 标煤/ m 30. 44

21、78kg C/ kg 标煤电力( 当量)3596kJ/ kW h0. 1229kg 标煤/ kW h( 2) 产出指标“好”产出: 将各省货物周转量和旅客周转量按照统计部门对不同 工具的客货周转量的不同换算 ( 即铁路1吨公里= 1人公里、公路1吨公里= 10人公里、水路1吨公里= 1人公里) 折算成“综合周转量”, 作为“好”产出的指标。“坏”产出º : 将物业 过程中产生的碳排放量作为“坏”产出的指标, 根据 IP CC 碳排放计算指南, 采用下述公式计算碳排放量:其中, Ei 表示第 i 种能源消费量, i = 1, 2, , 7 分别为煤炭 、煤油、柴油 油、天然气和电力,

22、N CVi 为多种一次能源的平均低位发热量, 来自 能源统计年鉴2009, CEFi 为 IP CC( 2006) 提供的碳排放系数, COFi 是碳氧化因子( IP CC 默认值为1) , 44和12分别为和碳的分子量, 由于本文计算碳排放量, 实际计算时公式中不包含44/ 12。表1给出物流业碳排放估算用到的参考系数以及上述7种能源碳排放系数估算结果。3. 2实证结果4477CO 2 = CO2i = Ei N CVi CE Fi COFi根据上述研究, 利用 M axD EA 6. 0计算得到两种i = 1i = 112¹本文估算的碳排放系数与 等( 2006) 14 等( 2

23、008) 15 的结果比较接近, 因此是可信的。º20002002年、2002年海南缺少物流业的能源消费数据, 碳排放根据当年一次能源消耗总量以及相邻年度物流业能源消耗占总能耗的比重推算得到。第3期, : 区域物 业效率69情形下的物流业年均生产率指数及其分解, 均为几何平均值。情形一: 不考虑碳排放约束, 只考虑“好”产出, 即传统的 M almquist ( M I) 生产率指数; 情形二: 将碳排放作为“坏”产出, 对其作弱处置, 即利用方向距离函数得到 M L生产率指数。结果如下:D M U情形一情形二M EF FCHM T ECHM IM L EFF CHM LT ECHM

24、 L全国0. 94581. 06811. 01020. 98231. 01340. 9955东部0. 95871. 05831. 01460. 98581. 00730. 9929中部0. 93721. 05170. 98570. 98151. 01150. 9928西部0. 93941. 09001. 02390. 97951. 02090. 9999表2 19972009年 M I 生产率指数与 M L 生产率指数对比¹由表2可知, 情形一: 不考虑碳排放约束, 1997 2009年全国物流业的全要素生产率增长1. 02% , 技术效率增长- 5. 42% , 技术进步率增加6.

25、 81% , 全要素生产率的增长完全是由于技术进步引起的。情形二: 考虑碳排放约束时, 物流业的全要素生产率为0. 9955, 年均增长率为- 0. 45% , 纳入碳排放的环境约束后, 物流业的生产效率低于不考虑“坏”产出时的情形。虽然情形二中技术效率的增长 率为负值, 技术进步率的年均增长为正, 但是与情形一相比, 纳入碳排放约束后, 物流业全要素生产率的下降除了源于技术效率偏低阻碍了生产率发展, 也由于我国物流业技术进步率的增长动力不足所致, 即技术进步率的增长无法抵消技术效率下降导致的 , 使得物业效率年均增长率下降。这表明, 从总体上来看, 全国以及三大地区物流业对碳排放的治理还不够

26、, 至少在这一非期望产出层面上是环境技术无效率的, 忽略环境污染这一必然副, 将会高估物流业的全要素生产效率。表3和表4给出全要素生产率及其分解的显著性统计检验结果, 单样本 K -S 正态检验结果表明全要素生产率和技术进步率服从正态分布, 而技术效率变化则从正态分布。分别利用两类非参数检验 和配对样本 T 检验测度 M I 生产率指数和 M L 生产率指数及其分解是否 显著差异。结果表明, 在1% 显著性水平下, 技术效率和技术进步率均通过显著性差异检验, 显著差别。在10% 和1% 显著性水平下, 生产率指数 M I 和 M L 分别通过配对样本 T 检验和 K -S 样本 T 检验, 也

27、显著差异。说明减少碳排放等非期望产出对物流业的全要素生 产率及其分解均产生显著影响。表3 O ne-Sample K olmo gor ov-Smirnov 正态性检验K -S 检验EF FCHT ECHM IZ 值1. 249*( 0. 088)1. 188( 0. 119)1. 052( 0. 219)注: 括号为 P 值, * 、* 、* 分别为10% 、5% 、1% 显著性水平。表4 显著性检验H0假设M ann-Whit ney U 检验T w o-SampleKo lmog orov -Smir no v Z 检验Paried-Samples T 检验M L EFF CH= M E

28、F FCH- 4. 612*( 0. 000)2. 910*( 0. 000)- 7. 373*( 0. 000)M L T ECH= M T ECH- 5. 532*( 0. 000)3. 274*( 0. 000)8. 177*( 0. 000)M L = M I- 1. 349( 0. 177)1. 940*( 0. 001)1. 872*( 0. 070)注: 括号为P 值, * 、* 、* 分别为10% 、5% 、1%显著性水平。¹地区划分: 东部地区:、天津、河北、辽宁、上海、江苏、浙江、福建、山东和海南。中部地区: 山西、吉林、黑龙江、江西、河南和湖南。西部地区: 四川

29、、云南、陕西、甘肃、青海、内、重庆、广西。70系 统 工 程2012年这一结论与 Chung 等( 1997) 12 、F are 等( 2001) 16 、为: ( 2008) 17 ( 2010) 18 的研究结果不同, 认为Smk = f m ( Kk; Dm ) + Mmk + umk( 10)M L 生产率指数的测度结果比忽略非期望产出的传统 M I 指数测度有较高的增长率。主要 是传统测度忽视了该过程对生产率的贡献, 事实上, 这一过程中可以通过使用先进排污技术、清洁高效能源等方式减少生产过程的浪 费, 在环境的同时提高生产效率。M L 生产率 是将这一环境 的贡献作为生产率贡献考

30、虑在内, 这样其中, k = 1, , K ; m = 1, , M ; Smk 为第一阶段中第k 个 决策单元生产第 m 项“好”产出的差额, f m( Kk; Dm) 表示环境变量对差额的影响, Kk = K1k, , Kj k 为 J 个外生环境变量, Dm 为待估参数, f m 的函数形式无从得知, 根据F ried 等( 2002) 22 设定为 f m = Kk Dm, Mmk + umk 为混合误差项, 其中 Mmk 表示随机影响, 服从零均值正态分布 Mmk 得到的效率值高于传统测度的效率值。而本文的测度N ( 0, R2 ) , umk表示管理无效率, 服从截断正态分布 um

31、k v m结果正好相反, 环境约束下的 M L 生产率指数低于传统方法得到的 M I 生产率指数, 忽视“坏”产出时全要素生产率高估, 意味着期望产出增加的百分比超过了非期望产出减N + ( um, R2 ) , 二者不相关, 环境变量、随机误差和管理无效率对每个投入变量有不同的影响, 当 Cm =umR+ RR2少的百分比, 或者说污染排放物的年均增加值已经超过了um22umvm趋近于1时, 管理因素占主导, 当 Cm 趋于0时, 随年均减排量。这也正说明我国物流业环境技术效率偏低, 甚至部分地区可能是环境技术无效率的, 传统得到物业效率的大幅提升是以高耗能、重污染为代价的。从 这个意义上说

32、, 物流业并不支持 Por ter 等( 1995) 19 假说提出的环境管制可以通过激发企业的技术创新能力从而 增强企业竞争力的说法。需要说明的是, 西部地区由于技术进步率较高, 使得 全要素生产率高于东部地区, 似乎与实际情形不符, 这是由于西部各省在发展初期技术水平偏低, 与东部地区在物流方面差距明显, 因此出现技术前沿面的迅速外移 、机误差影响占主导。“坏”产出松弛变量与环境变量的SF A 模型定义为:Sik = f i( Kk; Di ) + Mik + uik( 11)其中, k = 1, , K ; i = 1, , I ; Sik 为第 k 个决策单元生产第 i 项非期望产出的

33、差额, Di、Mik、uik 定义与上面相同。利用 SF A 的回归结果调整全部生产 的产出项,原则是将所有生产者调整到相同的外部环境条件, 同时考虑随机因素的干扰。调整前利用 Jondrow 等( 1982) 23 提出的 从 SFA 回归模型的混合误差项中将随机因素分离出来, 得到随机误差 Mmk 的条件估计量:) 2009) 20等( 2010) 21 也得到类似的结论。E vmkvmk+ umk = S mk- KkDdm - Ed umkv mk+ umk4 外部营运环境对物 业效率影响的实证分析Fried 等( 2002) 22 认为, 第一阶段测度效率得到的产出与前沿面的差额受到

34、 外部环境因素、随机因素、内部管理因素的影响。如果不排除外部环境因素对物流效率 的影响, 将所有无效的决策单元失败的归结为内部管理不善, 这样对于外部环境恶劣的决策单元效率的评估不公平。借助这一思想, 我们使用三阶段 D EA 模型来研究外( 12)其中, k = 1, , K ; m = 1, , M ; 使用相同可以得到 Mik 的条件估计量。这样不仅可以反应出外部环境变量和随机误差对产出效率的影响程度, 也可以反应出纯粹的由于管理技术导致的效率低下。有如下两种调整方式:调整一, 外部环境约束能力最弱可以理解为处于最差的经营环境, 将全部决策单元置于最差外部环境, 并遇到最坏的运气时, 将

35、“好”产出向下调整一个较大的量, 而mkmkkk“坏”产出向上调整一个较大的量, 调整方程为:部营运环境条件对物流业 M L 生产率指数的影响, 主要目y * = y- max f m ( K; Ddm) - f m( K; Ddm) 的是 外部 因素剥离, 使所有的决策单元处- max dM - Md ( 13)mkmk于相同的外部环境条件下。4. 1 三阶段模型* = bik + max f i( Kk; Ddi ) - f i( Kk; Ddi ) bikikik+ max Md - dM( 14)第一阶段, 对投入产出应用 DEA 分析, 得到每个决策mk ymk分别为调整后和初始“好

36、”产出的值,*b 、bik ik分别为y * 、单元考虑“坏”产出时的物 业效率评价结果, 使用前面所述的方向距离函数 。第二阶段, 利用相似 SF A 分析, 对第一阶段得到的产出差额, 与一系列外部环境变量进行回归。由于第一阶段为产出导向, 因此第二阶段对“好”产出和“坏”产出的松弛变量分别进行 SFA 分析, 以剔除外部环境因素对松弛变量的影响, 假设 K 个决策单元, M 项期望产出, I 项非期调整后和初始“坏”产出的值。右侧第一个括号代表将全部 决策单元置于相同外部经营环境, 第二个括号代表经过调整后使所有决策单元处于相同的运气。望产出, “好”产出松弛变量与环境变量的 SFA 模

37、型定义调整二, 外部环境约束能力最强可以理解为处于较好的经营环境, 将全部决策单元置于较好外部环境, 且处于较好运气时, 将“好”产出向上调整一个较小的量, “坏”产出向下调整一个较小的量, 调整方程为:第3期, : 区域物 业效率71ymk* = ymk + f m ( Kk; Ddm) - min f m( Kk; Ddm) + dM - min dM ( 15)映一个地区物 业 发展的总体水平, 地区的发展能够有效推动物流业的发展。º 支持。从短期来看,mkmkb* = b- f i( K; -Di) - min f i( K; -Di) 的财政支持对物流业的整体发展具有一定的

38、促进作ikikkk- Md - min dM ( 16)用。由于各地区对物流业的发展采取的 不同, 因此选ikiky * 、y mk、b* 、bik定义同上。由于调整中情况, 为使择物流支出占财政支出的比重作为对物业支持mkik得所有决策单元均有意义, 因此在保证调整后的产出值为正的前提下选择最大、最小调整量。第三阶段, 使用调整后的“好”产出和“坏”产出的值代替初始的产出数据, 再次运用方向距离函数进行第一阶段的 M L 生产率测算。4. 2 不可控环境变量选择及实证结果分析根据 Zhang 等( 2011) 24 将不可控环境变量定义为那些对决策单元的物流营运环境或物 业效率产生重要影响,

39、 又不在样本可控范围内的因素, 区别于各类污染排放量。结合物流业发展特性, 选择下列变量作为初始外部环境变量: ¹ 物流 G DP / 地区 GDP 。该变量能全面反的替代变量。» 能源的利用率。约束力最强的外部环境认为是生产者从环境中获得最大 , 即消耗能源, 产生污染最小, 获得最大物量, 能源的利用率最高; 反之, 约束力较弱的外部环境认为是消耗 能源, 产生污染最大, 综合周转量最小, 用综合周转量与能源消耗的比值作为能源利用率的替代变量。数据来源: 计年鉴( 1998 2010) 。利用前文得到第一阶段的物流业 M L 生产率指数及 “好”产出、“坏”产出的松弛变

40、量后, 将各产出松弛变量作为因变量, 将上述3个环境变量作为解释变量, 利用F ro ntier 4. 1进行 SF A 回归, 得到结果如下。表5 SFA 回归结果综合周转量松弛变量碳排放松弛变量常数项75. 4460( 0. 4949)106. 6265*( 4. 3680)物流 GDP / 地区 GDP2. 7300( 0. 2270)- 1. 3915( - 0. 6719)财政支持- 26. 5379*( - 1. 5278)- 3. 5931( - 1. 2280)能源利用率- 45. 6393*( - 2. 9774)- 27. 4807*( - 10. 8394)R2u1504

41、640. 4*( 1378564. 1)45543. 743*( 41801. 82)C0. 9496*( 212. 3788)0. 9566*( 241. 911)L og likelihood function- 1969. 049- 1471. 5413L R test o f the o ne-sided err or532. 4516*554. 7664*注: * 、* 、* 分别为10% 、5% 和1% 水平下显著, 括号中为 t 值。两个回归方程的 C都趋近于1, 显著性水平达到1% , 表的回归系数可知:u由表5可知, 每个单边似然比检验统计量 L R 均通过1% 的显著性检验

42、, 表明本文选择的外部环境变量对效率的影响是显著的, 混合误差项中 技术非效率, 使用SFA 分析是必要的。2个回归方程中的管理无效率项 R2 数值非常大, 也通过了 t 检验, 说明不同省份间物流业的管理技术水平差异很大。C表示管理无效率方差占总方差的 比,明管理无效率对松弛变量的产生有很大影响, 而随机因素的影响相对较小。由于外部环境变量是对两类产出松弛变 量的回归, 因此当回归系数为负时, 表示增加这一外部环境变量有利于减少产出松弛量, 即有利于物业效率的提高, 反之, 当回归系数为正时, 则表示增加这一变量将会增加产出松弛量, 从而降低物 业效率。从产出差额72系 统 工 程2012年

43、表6 调整前后我国30个省份19972009年物 业效率及其分解地区省份M L EF FCHM L T ECHM L调整前调整一调整二调整前调整一调整二调整前调整一调整二东部地区0. 99110. 95140. 98371. 01000. 98991. 01041. 00100. 94180. 9939天津1. 01351. 01881. 02821. 00410. 98600. 99151. 01771. 00461. 0194河北0. 97290. 99290. 99821. 02711. 03391. 03260. 99921. 02661. 0308辽宁0. 98101. 02261.

44、 00521. 01120. 97251. 00760. 99200. 99461. 0128上海1. 00001. 00001. 00000. 98260. 99320. 99990. 98260. 99320. 9999江苏0. 98201. 01710. 99721. 00750. 96441. 00230. 98940. 98090. 9995浙江0. 99661. 02461. 00831. 01070. 98551. 00231. 00721. 00971. 0106福建0. 98921. 00781. 00021. 02290. 99201. 01471. 01190. 9997

45、1. 0149山东0. 97851. 02781. 01001. 00220. 97371. 01090. 98071. 00081. 02110. 96430. 99710. 96761. 00490. 97041. 01440. 96910. 96760. 9816海南0. 97540. 99491. 00810. 99750. 97420. 99590. 97300. 96931. 0040中部地区山西0. 97630. 99451. 00091. 00340. 97290. 99610. 97950. 96750. 9970吉林0. 98110. 99210. 99991. 00080

46、. 98030. 99240. 98190. 97250. 9924黑龙江0. 97851. 00170. 99281. 01000. 97161. 00490. 98830. 97320. 99771. 00061. 01721. 02261. 00740. 99151. 00391. 00801. 00851. 0266江西0. 97491. 03151. 02371. 02510. 99431. 01270. 99941. 02551. 0367河南0. 97821. 01041. 01421. 02930. 99791. 00981. 00691. 00831. 02410. 9888

47、0. 99740. 99231. 00300. 96810. 99840. 99180. 96560. 9908湖南0. 97401. 00240. 99791. 01340. 98001. 00570. 98710. 98231. 0036西部地区四川0. 97990. 99480. 98721. 00560. 96980. 99400. 98550. 96470. 98130. 97700. 99231. 00051. 03241. 03031. 03131. 00871. 02231. 0319云南0. 98300. 97220. 98851. 01150. 99880. 99820.

48、99420. 97110. 9867陕西0. 98351. 00561. 00381. 00520. 96081. 00070. 98860. 96621. 0045甘肃0. 96430. 99140. 97351. 03931. 01931. 03551. 00221. 01051. 00800. 99280. 99181. 01231. 02511. 02151. 00681. 01771. 01311. 0192青海0. 98291. 00001. 00561. 01751. 02030. 99891. 00011. 02031. 00450. 95390. 97990. 96901.

49、05761. 03571. 04391. 00891. 01491. 0116内1. 00000. 98210. 99421. 01871. 00551. 01451. 01870. 98751. 0086重庆0. 98620. 99331. 01141. 00070. 97660. 99810. 98680. 97011. 0095广西0. 97131. 01371. 01091. 01790. 97891. 00430. 98860. 99231. 0153全国0. 98231. 00051. 00021. 01340. 99011. 00770. 99550. 99061. 0078第3

50、期, : 区域物 业效率73¹ 物流 G DP / 地区 GD P: 物流业总产值占地区生产总值的比对期望产出和非期望产出松弛变量的回归系数均 不显著, 说明各地区物流业在地区发展水平中所占的比重与物 业效率间并没有必然 , 因此不考虑该指标对物 出效率的影响, 予以剔除。º 财政支持: 对两类产出松弛变量的回归系数均为负值, 其中对期望产出松弛变量的系数通过10% 水平的显著性检验, 而对非期望产出松弛变量的估计系数未通过 t 检验, 表明随着财政支持力度的加大可以通过完善物流 业基础设施实现产出规模的扩大, 对物业碳排放治理的影响则相对较小, 在非期望产出调整时不予考虑。» 能源利用率: 能源利用率对期望产出松弛变量和非期望产出松弛变量的估计系数均为负值, 且至少通过5% 的显著性水平, 意味着随着能源利用率的提高, 消耗单位能源获得产出增加的同时, 对环境造成的污染减小, 进而提高物 业的运营效率。根据式( 13) 、式( 14) 、式( 15) 、式( 16) 调整两种条件下的“好”产出和“坏”产出, 再将调整后的产出值和初始投入带