基于DEA-Malmquist 模型的中国农产品物流效率评价研究

李晋红，李晶晶，吕 微

（中北大学经济与管理学院，太原 030051）

中国是农业大国，农业不仅是民族的根基，还是国民经济稳定发展的前提。作为治理“三农”问题的重要措施，农产品物流不仅维系着“菜篮子”与“粮袋子”，还关乎着国民经济命脉和农民的经济收益。2020 年是实现全面小康的收尾之年，也是精准扶贫的紧要关头。中国农业面临着现代化转型的严峻考验，必须加强技术创新，提升农产品物流效率，从而促进农民增收和国民经济的长远发展。

作为农产品出产大国，中国历年的农产品流通数目十分庞大。但由于中国农产品物流基础差、底子薄，以致在运输过程中农产品损耗巨大、效率低下且成本高。据有关资料显示，中国农产品在流通过程中的损毁比高达30%，由此可见，低下的农产品物流效率，导致了资源的过度浪费，不仅在一定程度上降低了农产品的市场竞争力，还阻滞了中国农业的转型升级和农村经济的发展步伐。因此，提升农产品物流效率、找准影响农产品物流效率的关键因素，对改善农村生产发展和推动农业现代化具有极其重要的价值。

1 研究现状

近年来，被誉为“第三利润源泉”的物流一直是备受热议的话题，但学术界现有研究大多集中在传统物流效率及其影响因素等方面［1-6］，很少有学者重视农产品物流效率的分析。现有研究中，围绕农产品物流效率的探讨基本聚焦于2 个方面。一是有关农产品物流发展状况及提升对策方面的定性讨论。Srimanee 等［7］以水果和蔬菜等农产品作为分析对象，探讨了五类农产品流通模式，结果表明“农民专业合作社-连锁超市”对接模式能有效提高物流效率。Kristina［8］对9 种物流运作方案进行对照分析，论述了如何促进物流目标与流通过程的相互协调，以减少食品损耗、提高物流效率。邢坤［9］分析了城镇化背景下中国农产品物流在发展过程中出现的问题，并给出了合理的解决方案。黄福华等［10］通过灰色关联度模型探析了影响物流效率的主要原因，最后依据分析结果建立了提高农产品物流效率的运作模式。二是有关农产品物流效率的测算及影响因素方面的定量分析。Minegishi 等［11］针对生鲜食品供应链的特性和所处环境，运用系统动力学方法对其物流模式进行建模与仿真研究。Bottan 等［12］以食品行业为分析主体，探究影响其物流效率的因素，并开展回归分析，最后给出相应的指导意见。陈玲［13］利用IDEA 模型测算了中国31 个省份的农产品物流效率，研究发现省际之间的物流效率水平差距较大。汪旭晖等［14］选择农产品物流相关的面板数据进行SFA 分析，结果显示中国农产品物流效率水平整体偏低。王家旭等［15］采用Malmquist 模型计算了黑龙江省农产品物流效率的全要素生产率，并指出技术创新是制约其农产品物流效率提高的关键原因。

由此可见，研究范围上，现有研究大多是基于某一区域或者某一省份，而很少有针对全国范围内及省际之间效率的差异性分析；研究方法上，现有研究多选用随机前沿法（SFA）、灰色关联度法以及数据包络法（DEA）等，但这些方法无法从动态角度剖析农产品物流效率随时间演变的规律，也难以探究效率变化的根源。鉴于以上原因，本研究综合利用DEA 模型和Malmquist指数，分别从静态和动态视角研究中国农产品物流效率随时间变化的趋势，并探析区域及省际之间效率差异的原因。

2 研究方法与理论基础

2.1 DEA 模型

数据包络分析法（DEA）是一种以线性规划为工具，计算并比较各个决策单元（DMU）之间相对效率的非参数模型。该方法对复杂体系的多输入与输出分析独特，实质上是判断DMU 是否位于有效生产前沿面上。另外，该方法无需任何权重假设，也不受指标量纲的限制，避免了人为因素的影响，因此，被普遍运用于各种绩效评价研究。

基于规模报酬是否可变，DEA 模型可以划分为BCC 和CCR 2 种基本模型。由于BCC 模型更加适用于研究农产品物流业这种规模可变的行业，且可以将综合技术效率（TE）进行分解，转换为纯技术效率（PTE）与规模效率（SE）的乘积，更易于分析效率低下的原因，故本研究选用BCC 模型从静态视角探析中国农产品物流效率及投入资源的利用状况。

2.2 Malmquist指数

Malmquist 指数不仅可以弥补DEA 模型只能分析静态效率的缺陷，而且还可以通过分解Malmquist指数更加准确地判断引起效率值随时间波动的主要因素。因此，商传磊等［16］将 Malmquist 指数与 DEA模型进行结合，用以研究全要素生产率（TFP）的动态演变情况。本研究在研究中国农产品物流效率时，将每个省看成1 个决策单元（DMU），因此，t时刻至t+1 时刻的Malmquist指数为：

式中，（xt，yt）、（xt+1，yt+1）分别是t期与t+1 期农产品资源的投入与产出之间的函数关系；Dt、Dt+1为距离函数。若M＞1，表示t+1 期相较于t期的全要素生产率上升，农产品物流效率随年份增加而提高；反之表示全要素生产率下降。

当规模报酬可变时，effch指数又可以拆分为纯技术效率变化指数(pech) 和规模效率变化指数(sech) ，即：

对Malmquist 指数的层层分解，也是将造成效率变动的因素进行逐步分析，进而全面且准确地探析TFP 的动态演变情况。综上得到：

3 指标选取及数据来源

3.1 投入指标

目前大多数学者在选取DEA 投入指标时，主要参考Cobb-Douglas 函数的理论，将技术、劳动力以及资本等作为投入要素［17，18］。但物流技术要素在实践中难以量化，故剔除该要素。基于前文所述，本研究选取的投入指标如下。

1）农产品物流从业人数。该指标反映了劳动力的投入情况。鉴于实践中没有农产品物流从业人数的相关统计数据，故本研究借鉴王仁祥等［19］、程书强等［20］的做法，即农产品物流从业人数由交通运输、仓储和邮政业从业人员总数乘以系数k得出，其中k表示公民食品消费占全国总消费的比重，用以反映农产品物流从业人数所占的比例，计算公式为：

式中，k1为全国消费比率，k2为公民消费比率，e为恩格尔系数（采用全国平均值）。

2）农产品物流固定资产投资额。该指标反映了物流资本的投入情况。鉴于现有资料中仅有交通运输、仓储和邮政业固定资产投资额，因而采用与农产品物流从业人数指标相同的处理方式，将交通运输、仓储和邮政业固定资产投资额用GDP 价格指数进行平减操作后再乘以系数k，进而求出农产品物流固定资产投资额。

3）交通基础路线长度。中国农产品的运输形式包括铁路、公路和水路运输等。在计算交通基础路线长度时，本研究借鉴李聪［21］的做法，用铁路、公路和水路运输方式的建设里程来表示，并将公路里程作为基准，对铁路和水路里程进行换算，具体计算公式为：

式中，i=1 表示铁路，i=2 表示水路；Qit为t年i的货运量，Qt为t年公路货运量；Lit为t年折算前i的运输里程，Sit为t年折算后i的运输里程。

4）冷冻、冷藏车数量。冷冻、冷藏车是运输果蔬、奶制品和肉类等农产品的重要载体，因此，在测算农产品物流效率时应将冷冻、冷藏车数量作为投入指标。

3.2 产出指标

1）农产品物流增加值。农产品物流增加值是一定期间内投入资源转化形成的净产值，与农产品物流总产值相比，消除了前期数据总量的影响，更能体现出农产品的价值增值过程。基于数据的可得性，该指标同样参照农产品物流从业人数指标的处理方式。

2）农产品货运周转量。该指标是由农产品实际运输重量乘以平均运输距离来表示，单位为亿t·km。农产品货运周转量不但包括了农产品的运输数量，而且包含了运输距离，因而可以较为全面地体现物流成果。同理，该指标同样参照农产品物流从业人数指标的处理方式。

3.3 数据来源

本研究数据主要来源于《中国农村统计年鉴》《中国统计年鉴》《中国物流年鉴》及国家统计局网站。鉴于数据不易获取，本研究未包含港澳台地区，同时由于西藏地区农业条件艰苦、农产品流通量少，因此，本研究选择2012—2018 年全国30 个省（市、自治区）的面板数据为观测样本，并借助DEAP 2.1 软件进行测算。需要指出的是，2018 年及以后官方不再公布农产品物流固定资产投资额和农产品物流增加值的相关数据，故本研究利用以前年度数据进行预测。

4 实证结果与分析

4.1 DEA 模型的静态分析

图1 2012—2018年全国农产品物流相关效率时间变化趋势

4.1.1 综合技术效率的时间特征 从全国整体层面来看，由2012—2018 年全国农产品物流相关效率时间变化趋势（图1）可以看出，2012—2018 年全国农产品物流综合效率整体偏低，并呈波动上升的趋势。计算可得，7 年间的平均综合效率为0.777，没有实现DEA 有效。7 年间综合效率的波动基本能够分成2个阶段。第一个阶段是2012—2016 年，在此期间综合效率先下降后上升，由2012 年的0.785 先下降至2014 年的 0.748，然后再上升至 2016 年的 0.794；第二个阶段是2016—2018 年，在此期间综合效率也是先下降后上升，由2016 年的0.794 先下降至2017 年的0.781，然后再上升至2018 年的0.806，但相对于观测的初始年2012 年来说，整个阶段的综合效率提高了0.021。综合这2 个阶段的曲线走势可以看出，2012—2018 年全国农产品物流效率总体呈“W”字形走势，并伴有波动上升趋势。

4.1.2 综合技术效率的空间特征 全国各省的综合技术效率均值空间分布存在明显的东西差异，除个别省份外，综合技术效率自东部沿海逐渐向西部内陆递减。其中，河北、上海、江苏、山东、辽宁等东部及沿海省份的平均效率介于0.8～1.0，属于高效率区域；安徽、湖北、重庆、陕西、内蒙古等中西部省份的平均效率介于0.7～0.8，属于中等效率区域；新疆、青海、甘肃和宁夏等西部省份的平均效率低于0.7，属于低效率区域。农产品物流效率由东至西逐步递减的状态，说明经济发展情况对农产品物流效率有显著的带动效果。

结合中国四大经济区域来看，农产品物流效率水平呈明显的阶梯状空间分布格局，东部地区最高，中部地区其次，西部地区最后，即东部＞东北部＞中部＞西部。由此可见，中国农产品物流效率的地区发展状况具有较大差异。这是由于东部及沿海地区农产品物流产业众多，经济基础稳固，已经产生了一定的规模效应。同时，东部地区也是中国高新技术的聚集地，拥有众多科研机构和技术人才，从而使得技术效率较高。西部地区则相反，纯技术效率与规模效率都较为低下，从而造成综合效率偏低，但伴随西部大开发战略的实行，近几年西部各省的综合效率也在稳步上升。

4.1.3 纯技术效率和规模效率分析 从全国整体层面来看，2012—2018 年全国农产品物流纯技术效率整体偏低，曲线波动形势类似于综合效率的“W”字形走势。计算可得，7 年间纯技术效率均值为0.864，与前沿面相差0.136，反映科技创新和管理水平较差。而在此期间农产品物流规模效率一直保持相对稳定，规模效率均值为0.899。由图1 可以看出，在观测期间内纯技术效率总体低于规模效率，且纯技术效率的变化较规模效率的变化更加明显，说明影响农产品物流综合效率高低的主要是纯技术效率，即科技创新和管理水平是阻碍中国农产品物流业前进的关键因素。

从各省层面来看，为便于分析，将纯技术效率值和规模效率值0.9 作为界限，把全国30 个省分成4种，结果如图2 所示（仅显示典型省份）。第一种是双高型，即纯技术效率和规模效率都高于0.9，如山东、上海、河北、辽宁等东部地区。第二种是高低型，基本分布在东部的临海地区，如天津、浙江、广东、海南，说明沿海地区技术能力虽高，但资源投入不符合实际，达不到规模效应下的投入产出比。第三种是低高型，如中部的安徽、湖北和西部的内蒙古、广西以及东北部的吉林，说明这些省份对当前技术没有进行有效应用。第四种是双低型，主要集中在西部的甘肃、青海、贵州、新疆，这些省份的效率值远低于全国平均水平，是制约中国农产品物流效率的关键地区，因此，要着重加强技术创新，并及时调整资源投入规模，从而提高效率水平。

图2 全国各省纯技术效率和规模效率的空间分布

4.2 Malmquist指数的动态分析

本研究运用DEA 方法对中国农产品物流的相关效率进行了计算和评价，然而效率分析属于静态研究，能够反映某一产业发展动态特征的重要依据是全要素生产率。因此，本研究将通过Malmquist 指数深入探究农产品物流全要素生产率的动态演变情况及影响因素，2012—2018 年各省和全国农产品物流Malmquist 指数及分解状况分别如表1 和表2 所示。

4.2.1 总体效率变动分析 从全国平均水平来看，由表2 可知，2012—2018 年农产品物流业的Malmquist指数均值达到1.023，年均增长2.3%，说明观测期间中国农产品物流的全要素生产率总体呈上升趋势，产业发展状况良好。同时，由tfpch 分解得到的effch为 1.001，即年均增长 0.1%；techch 为1.022，即年均增长2.2%，说明全要素生产率的提升基本上依靠技术进步，而技术效率的驱动效用次之。接下来对effch 进行分解可知，pech 为0.990，即年均下降1%；sech 为1.011，即年均增长1.1%，说明中国农产品物流规模虽然不断扩大，但纯技术效率的下降阻碍了全要素生产率的进一步提升。

从时间趋势上来看，由表 2 可知，2012—2018 年tfpch 总体呈“W”字形走势，与techch 的曲线变化趋势及波动方向基本一致，这也印证了技术进步对中国农产品物流的持续稳定发展起到了重要推动作用。从各个时间段的变化来看，虽然tfpch 在不同年份呈上下波动状态，但总体呈上升趋势，只有在2013—2015 年tfpch 小于1，原因可能是这个时间段中国农产品流通模式正处于转型期，农产品电商模式进入大众生活，新模式的出现无法规避试错成本，因而造成全要素生产率出现了一定的下滑。

表1 2012—2018 年各省农产品物流Malmquist指数及分解状况

表2 2012—2018 年全国农产品物流Malmquist指数及分解状况

4.2.2 区域效率差异对比 由表1可知，2012—2018年中国农产品物流业四大区域的年均Malmquist 指数均大于1，都呈增长趋势，且四大区域的综合排名为中部＞西部＞东部＞东北部。排在首位的中部地区是中国农产品的重要产地，农业根基深厚，加上国家大力推进实施中部崛起战略，努力将中部地区建设成为现代农业发展核心区，促进了科技进步，故中部地区全要素生产率年均增长最高。近几年，西部地区由于“一带一路”倡议的提出，不仅区域间的差距缩小，还带动了西部地区的技术发展，使得techch 显著提升，同时由于西部大开发战略的贯彻实施，使得规模效率提高，在二者的共同作用下，最终使得西部地区位列第二。接下来的东部地区，分解指数effch和techch 均大于1，但全要素生产率增速较为平缓，落后于中部和西部地区，究其原因是由于东部地区农产品物流的技术和规模都远高于其他3 个区域，进步空间较小，因此，综合效率较高但增长率较低。位于末位的东北地区，虽然曾为中国的老工业基地，但全要素生产率几乎没有变化，年均增长仅为0.7%，从分解指数可以看出，effch 和pech 均小于1，说明东北地区是由于技术拉动不足及管理落后导致的增速缓慢。但伴随振兴东北战略的推动，东北地区还存在很大的提升空间。

4.2.3 省际效率变动分析 由表2 可知，全国有2∕3的省份Malmquist 指数均值都大于1，说明随着时间的推移绝大多数地区的农产品物流效率得到了有效的改善和提高，全要素生产率呈上升趋势。其中，中部地区的河南、安徽以及西部地区的宁夏、甘肃4 个省份增长率较高，tfpch 均高于1.10，带动了中部和西部其他省份的农产品物流发展。东部地区的江苏、北京以及西部地区的新疆、广西，tfpch 虽然大于1，但全要素生产率增长速度低于全国平均水平。另外，从指数分解角度看，tfpch 较低的省份中，只有重庆、四川及辽宁的effch 和techch 均小于1，进一步分解effch 可以得知，纯技术效率的降低是制约全要素生产率增长速度的关键因素，放眼其他各省，不难发现这也与全国总体的情况一致。因此，今后要加强技术更新，提高应用水平，并借鉴安徽及河南等省份的农产品物流相关经验，以改善自身的不足。

5 小结与建议

本研究综合运用DEA 模型与Malmquist 指数对2012—2018 年全国30 个省（市、自治区）的农产品物流效率开展了实证研究，得出如下结论。

1）静态角度，中国农产品物流效率还处于偏低的水平，平均综合技术效率仅为0.777，资源配置能力有待提升。从时间趋势上看，2012—2018 年农产品物流综合效率总体上呈“W”字形走势；从空间角度上看，各省的综合效率均值空间分布存在明显的东西差异，除个别省份外，综合效率自东部沿海逐渐朝西部内陆递减。同时，区域间发展不均衡，呈显著的东高、中次、西低的阶梯状空间分布格局，即东部＞东北部＞中部＞西部。

2）动态角度，从全国整体来看，2012—2018 年中国农产品物流的Malmquist 指数均值为1.023，全要素生产率总体呈上升趋势，推动全要素生产率增长的首要因素是技术进步；从区域角度看，全要素生产率增长速度表现出中快、西次、东慢的格局，即东部地区综合效率较高但增速缓慢，而中西部地区综合效率相对较低，但增长速度反而更快。综上，tfpch排名为中部＞西部＞东部＞东北部。

3）纯技术效率较低且增速迟缓是制约中国农产品物流业整体前进的关键因素，说明中国农产品物流科技创新能力及应用推广程度亟待增强。

结合研究成果，为促进中国农产品物流持续健康发展，本研究提出以下2 点建议。

1）加强区域合作，优化整合资源。由测算结果可知，中国农产品物流效率总体较为低下，并且出现区域间发展不平衡的现象。因此，要建立健全区域联动合作机制，打破区域和省际之间的行政壁垒，促进农产品物流要素合理有序地流动，从而实现物流资源的有效配置。另外，要加快推动现代物流产业的发展，积极推进区域物流一体化建设，优化整合全国各地区的农产品物流资源。同时，加强跨区域间的沟通与协作，充分利用各自优势，促进资源优势互补，进而达到区域间协调发展的目的。

2）加快技术创新，提高管理水平。实证分析结果表明，纯技术效率是制约中国农产品物流效率提升的最重要因素。因此，要以科技创新为目标，以信息管理为手段，加速中国农产品物流技术的研发和运用，特别是加强农产品冷链系统的应用及管理，以降低运输过程中农产品的腐坏和毁损。同时，推动构建物流公共信息平台，促进信息资源开放共享，并运用供应链管理系统，提高信息技术管理水平，从而改善农产品物流服务质量。