中國物流產(chǎn)業(yè)技術效率空間差異及成因分析

王東方，關高峰 ，董千里

（1.長安大學 經(jīng)濟與管理學院，西安 710064；2.武夷學院 商學院，福建 武夷山 354300；3.長江大學 管理學院，湖北 荊州 434023）

0 引言

物流業(yè)作為基礎性的生產(chǎn)性服務業(yè)對于提升經(jīng)濟發(fā)展，優(yōu)化產(chǎn)業(yè)資源配置，提高居民生活質(zhì)量起著重要作用[1]。隨著我國物流業(yè)的快速發(fā)展，各區(qū)域紛紛加大物流業(yè)軟硬件投入，但部分地區(qū)在基礎設施建設方面的盲目投資造成資源的嚴重浪費。因此，開展對我國物流業(yè)效率研究，找出影響物流業(yè)效率的主要因素，對于提升我國物流業(yè)發(fā)展水平有著至關重要的作用。

自Oum等（1992）[2]提出物流服務業(yè)生產(chǎn)率概念以來，國內(nèi)外學者從不同角度研究了物流產(chǎn)業(yè)效率，林坦和王玲[3]、樊敏[4]、Borenstein 等[5]、Chan等[6]、Roll和Hayuth[7]、李電生和員麗芬[8]等分別研究了區(qū)域物流業(yè)、物流企業(yè)、港口物流效率問題。綜合國內(nèi)外文獻發(fā)現(xiàn)，物流產(chǎn)業(yè)效率的研究存在以下問題：一是在測算效率時未剔除外部環(huán)境因素和隨機誤差的影響[9]；二是側重于物流效率的測算，對物流產(chǎn)業(yè)效率的區(qū)域差異及成因研究不足。2002年，F(xiàn)ried等[10]提出三階段DEA方法，在測算效率時剔除外部環(huán)境因素和隨機誤差的影響。鑒于此，本文采用三階段DEA方法測算我國區(qū)域物流產(chǎn)業(yè)效率，分析我國物流產(chǎn)業(yè)效率空間差異及成因，同時采用Bootstrap-DEA進一步糾正隨機因素導致的物流產(chǎn)業(yè)技術效率偏差。

1 研究方法

1.1 模糊德爾菲法

式中，aij表示三角模糊函數(shù)；βij表示專家打分最小值；δij表示指標得分幾何平均數(shù)；αij表示專家打分最大值；Bij表示專家對各指標重要性評分。

1.2 三階段DEA模型

1.2.1 第一階段

Charnes等于1978年在《數(shù)據(jù)包絡分析》一書中詳細介紹了DEA模型，該模型是一種非參數(shù)效率衡量模型。本文采用DEA模型中的BCC-DEA模型來測算我國31個?。ㄊ?、區(qū)）物流產(chǎn)業(yè)效率。

1.2.2 第二階段

采用傳統(tǒng)的DEA模型測算效率時，會受到環(huán)境因素和隨機誤差的影響，可采用SFA方法調(diào)整投入變量樣本值

為保證物流產(chǎn)業(yè)效率測算投入產(chǎn)出指標選擇的科學性，本文采用模糊德爾菲法作為指標選擇的方法，該方法在指標選擇過程中將專家的主觀評分用模糊數(shù)來替代，避免由于專家思維的不確定性帶來的指標選擇不科學等問題。結合專家問卷打分情況，采用最大值、最小值和幾何平均數(shù)構建三角模糊數(shù)，選擇各指標專家打分的幾何平均數(shù)的中位數(shù)為門檻值，作為指標選擇的依據(jù)，模糊德爾菲法相關公式如下：以剔除環(huán)境因素和隨機誤差對效率測算的影響。SFA方法應用過程如下：

首先選擇合適的環(huán)境變量作為解釋變量，以第一階段各投入變量DMU冗余值為被解釋變量構建回歸模型：

式中，Slackij表示第i個投入變量第j個DMU的冗余值；fi（zk;βi）表示環(huán)境因素對冗余量Slackij的影響，取表示環(huán)境變量，βi表示環(huán)境變量系數(shù)估計值；νij表示隨機誤差，uij表示管理無效率，νij與uij不相關。

其次，在求解回歸模型（5）的基礎上，按照式（6）調(diào)整投入變量樣本值：

式中，xij和分別表示第i個投入變量第j個DMU的原始值和調(diào)整后的樣本值，表示環(huán)境因素系數(shù)的估計值表示隨機誤差的估計值。

1.2.3 第三階段

將調(diào)整后的投入變量樣本值作為投入數(shù)據(jù)，原始產(chǎn)出數(shù)據(jù)不變，再次采用BCC-DEA模型進行效率測算，測算結果即為剔除了環(huán)境因素和隨機誤差的效率值。

1.3 Bootstrap-DEA方法

為剔除極端值對效率測算的影響[11]，本文采用基于Bootstrap的隨機DEA方法對我國物流產(chǎn)業(yè)技術效率進行糾偏[12]，以求得我國物流產(chǎn)業(yè)技術效率“真值”，根據(jù)simar和wilson提出的Bootstrap-DEA研究思路，通過重復抽樣的方法來測算DEA估計量的經(jīng)驗分布，步驟如下：①利用三階段DEA測算我國各區(qū)域物流產(chǎn)業(yè)技術效率值作為Bootstrap-DEA方法的初始值；②利用有放回的重復抽樣方法對技術效率值重復抽樣得到樣本；③利用公式調(diào)整投入變量；④利用調(diào)整后的投入變量和原始的產(chǎn)出變量采用DEA模型測算技術效率值；⑤重復以上過程B次（B=3000），求出技術效率值的偏差，按照以下計算方法計算修正后的效率值:

2 指標選擇及數(shù)據(jù)來源

2.1 投入和產(chǎn)出變量的選擇

本文選擇相關文獻使用頻率較高的物流業(yè)固定資產(chǎn)投資額等7項指標作為投入變量備選變量，貨物周轉(zhuǎn)量等4項指標為產(chǎn)出變量備選變量（見表1），選擇物流及相關行業(yè)專家為問卷對象，采用郵寄紙質(zhì)問卷方式請專家對投入產(chǎn)出指標打分，共回收有效問卷14份，采用模糊德爾菲法對各投入、產(chǎn)出指標進行評分，結果見表2和表3，最終確定投入變量為物流業(yè)從業(yè)人數(shù)、物流網(wǎng)絡里程、物流固定資產(chǎn)投資額，產(chǎn)出變量為貨物周轉(zhuǎn)量、物流業(yè)生產(chǎn)總值。

表1 物流產(chǎn)業(yè)效率研究備選投入、產(chǎn)出指標

表2 福建省物流產(chǎn)業(yè)效率研究投入指標三角模糊函數(shù)

表3 福建省物流產(chǎn)業(yè)效率研究產(chǎn)出指標三角模糊函數(shù)

物流業(yè)從業(yè)人數(shù)（單位：人）是投入要素人力的主要表現(xiàn)，包括鐵路、公路、水路、航空等就業(yè)人員數(shù)，以及其他運輸服務業(yè)，裝卸搬運等從業(yè)人員數(shù)。

物流業(yè)網(wǎng)絡里程（單位：公里）是投入要素物力的主要表現(xiàn)，包括鐵路、內(nèi)河、公路的里程。為了保證數(shù)據(jù)的準確性，本文將公路里程做為標準量，將鐵路和水路的里程根據(jù)效率比轉(zhuǎn)化，再進行匯總求和作為最終的網(wǎng)絡里程數(shù)。以2016年福建省物流網(wǎng)絡里程數(shù)測算為例進行說明，2016年，福建省每萬公里鐵路運輸周轉(zhuǎn)能力為404.97億噸，每萬公里公路運輸周轉(zhuǎn)能力為102.54億噸，鐵路運輸周轉(zhuǎn)能力是公路運輸周轉(zhuǎn)能力的404.97/102.54=3.95倍，同理可得內(nèi)河航道的運輸周轉(zhuǎn)能力是公路的145.65倍，因此2016年福建省物流業(yè)網(wǎng)絡里程數(shù)=3.95*3196.5+106756.53+145.653*3245.28=592067.47公里。

物流業(yè)固定資產(chǎn)投資額（單位：億元）是投入要素財力的主要表現(xiàn)。由于我國統(tǒng)計部門未統(tǒng)計物流業(yè)固定資產(chǎn)投資，本文選取交通運輸、倉儲和郵政業(yè)全社會固定資產(chǎn)投資額作為該指標數(shù)據(jù)。

貨物周轉(zhuǎn)量（單位：億噸公里）是產(chǎn)出要素數(shù)量的主要表現(xiàn)，貨物周轉(zhuǎn)量能夠全面反映運輸生產(chǎn)結果，包括鐵路、內(nèi)河、公路三種運輸方式的貨物周轉(zhuǎn)量。

物流業(yè)生產(chǎn)總值（單位：億元）是產(chǎn)出要素質(zhì)量的主要表現(xiàn)，選取交通運輸、倉儲和郵政業(yè)增加值作為該指標的數(shù)據(jù)。

2.2 環(huán)境變量的選擇

環(huán)境變量應選擇影響物流業(yè)運營但不在樣本主觀可控范圍的因素，本文選擇三個環(huán)境因素：宏觀經(jīng)濟運行情況、政策扶持及教育投入。其中，宏觀經(jīng)濟運行情況選擇GDP來衡量，政府對物流產(chǎn)業(yè)的政策扶持選擇地方財政支出中交通運輸支出額來衡量，教育投入選擇普通高等學校本科管理學相關專業(yè)畢業(yè)生數(shù)來衡量。

2.3 樣本數(shù)據(jù)來源

由于港澳臺地區(qū)的數(shù)據(jù)不完整，因此選取了我國31個?。ㄊ?、自治區(qū)）作為決策單元，本文所用數(shù)據(jù)來源于《中國統(tǒng)計年鑒》、各?。ㄊ?、區(qū)）統(tǒng)計年鑒及運輸行業(yè)統(tǒng)計公報。

3 實證結果分析

本文采用三階段DEA方法測算我國省際區(qū)間物流產(chǎn)業(yè)效率值，結果如下。

3.1 第一階段：基于投入、產(chǎn)出原始數(shù)據(jù)的DEA分析

以2016年我國31個?。ㄊ小^(qū)）物流業(yè)從業(yè)人員數(shù)、物流網(wǎng)絡里程、物流固定資產(chǎn)投資額為投入變量，貨物周轉(zhuǎn)量、物流業(yè)生產(chǎn)總值為產(chǎn)出變量，采用DEAP2.1軟件測算我國區(qū)域物流產(chǎn)業(yè)效率，結果見表4。

表4的結果顯示，2016年我國各?。ㄊ?、區(qū)）物流產(chǎn)業(yè)平均效率、平均純技術效率和平均規(guī)模效率分別為：0.667、0.774和0.86，總體效率處于較低水平，規(guī)模效率較高，物流產(chǎn)業(yè)技術效率不高主要是由于純技術效率水平不高導致的，說明我國各?。ㄊ?、區(qū)）物流產(chǎn)業(yè)管理水平和技術水平等方面有較大的提升空間，31個?。ㄊ小^(qū)）中，北京、河北、遼寧、上海和安徽5個?。ㄊ小^(qū)）技術效率為1，說明這些區(qū)域處于物流產(chǎn)業(yè)的生產(chǎn)前沿面，相關資源的配置和使用是有效的；北京、河北、遼寧、上海、江蘇、安徽、山東、廣東、貴州、西藏和寧夏11個省（市、區(qū)）物流產(chǎn)業(yè)純技術效率值為1，說明在當前的管理和技術水平下，這些區(qū)域物流產(chǎn)業(yè)資源的使用是有效的。進一步分析我國東部、中部和西部三大經(jīng)濟區(qū)域物流產(chǎn)業(yè)技術效率發(fā)現(xiàn)，東部地區(qū)?。ㄊ?、區(qū)）平均物流產(chǎn)業(yè)效率最高，中部地區(qū)?。ㄊ小^(qū)）次之，西部地區(qū)最低。

3.2 第二階段：剔除隨機誤差和環(huán)境因素的影響

在測算第一階段效率值的基礎上測算各投入變量的冗余值，并將各投入變量冗余值作為被解釋變量，將前文篩選的環(huán)境變量（GDP、管理學相關專業(yè)本科生畢業(yè)生數(shù)、財政支出中交通運輸行業(yè)支出額）作為解釋變量并進行SFA回歸。本文運用frontier4.1軟件包，利用極大似然估計法分別估算GDP等環(huán)境變量對固定資產(chǎn)投資冗余、物流業(yè)從業(yè)人數(shù)冗余和物流業(yè)網(wǎng)絡里程數(shù)冗余的影響，結果如表5所示。

表4 2016年我國各?。ㄊ?、區(qū)）物流產(chǎn)業(yè)效率

表5 第二階段回歸結果

表5的回歸結果顯示，主要環(huán)境變量回歸系數(shù)均通過了1%、5%或10%的顯著性水平檢驗，說明環(huán)境變量選擇比較合理且對物流產(chǎn)業(yè)效率測算投入變量冗余具有顯著影響。三個回歸方程的γ值分別為0.999、0.887和0.999，且均通過1%的顯著性水平檢驗，說明物流產(chǎn)業(yè)效率的實際值與理論值的差異主要來自于技術非效率[13]，GDP等環(huán)境變量對我國各省（市、區(qū)）物流產(chǎn)業(yè)效率評價投入變量冗余量有顯著影響，因此，在測算我國各?。ㄊ小^(qū)）物流產(chǎn)業(yè)效率時需剔除環(huán)境因素的影響。

進一步考察第二階段回歸結果，得到以下結論：

（1）GDP：該環(huán)境變量對物流產(chǎn)業(yè)效率測算的三個投入指標冗余量回歸系數(shù)均為負，且在1%或10%的顯著性水平上顯著，代表GDP的增加會顯著減少以上投入指標冗余量，說明GDP的持續(xù)增加會提升物流產(chǎn)業(yè)現(xiàn)有資源利用率，進而提升物流產(chǎn)業(yè)效率。

（2）管理學相關專業(yè)本科畢業(yè)生數(shù)：與預期的結果相反，該環(huán)境變量對物流產(chǎn)業(yè)效率測算的三個投入指標冗余值回歸系數(shù)均為正，且均通過1%的顯著性水平檢驗，代表管理學相關專業(yè)本科畢業(yè)生數(shù)的增加會顯著增加物流產(chǎn)業(yè)效率測算投入指標冗余量，不利于物流產(chǎn)業(yè)效率的提升，這可能是因為在管理水平、技術水平等影響物流業(yè)效率的因素保持在一定水平的前提下，隨著管理學相關專業(yè)畢業(yè)生在物流行業(yè)就業(yè)人數(shù)的增加，進一步增加了投入要素的松弛量，進而對物流產(chǎn)業(yè)效率產(chǎn)生負面影響。

（3）財政支出中交通運輸行業(yè)支出額：該環(huán)境變量對固定資產(chǎn)投資松弛變量和物流業(yè)網(wǎng)絡里程松弛量的回歸系數(shù)在1%顯著性水平上顯著為正，代表該環(huán)境變量值的增加會顯著增加物流產(chǎn)業(yè)效率測算投入指標冗余量，不利于物流產(chǎn)業(yè)效率的提升。

3.3 第三階段：調(diào)整投入變量后的DEA分析

經(jīng)過第二階段SFA回歸分析可知，主要環(huán)境變量對我國區(qū)域物流產(chǎn)業(yè)效率測算投入指標冗余量有顯著影響，且呈不同方向、不同程度的影響，因此必須調(diào)整原始投入變量數(shù)值以剔除隨機誤差等因素對效率測算的影響，使不同省（市、區(qū)）的物流產(chǎn)業(yè)處于相同的環(huán)境和隨機條件下，以測算真實的物流產(chǎn)業(yè)效率水平。采用DEAP2.1軟件包對各?。ㄊ小^(qū)）調(diào)整后的投入變量和原始產(chǎn)出變量進行測算，結果見上文表4。測算結果顯示，在剔除了環(huán)境變量和隨機誤差的影響后，我國各?。ㄊ?、區(qū)）物流產(chǎn)業(yè)技術效率、純技術效率和規(guī)模效率平均值分別由0.667、0.774、0.86調(diào)整為0.519、0.96、0.541，其中，技術效率和規(guī)模效率出現(xiàn)較大幅度降低，降幅分別為22.25%和37.13%，純技術效率水平出現(xiàn)較大提升，增幅為24%，規(guī)模效率的大幅降低導致技術效率出現(xiàn)較大降幅，說明各省（市、區(qū)）物流產(chǎn)業(yè)技術效率受環(huán)境因素的影響較大；31個省（市、區(qū)）中，北京、河北、遼寧、上海和安徽5個?。ㄊ小^(qū)）物流業(yè)技術效率在剔除環(huán)境因素和隨機誤差的影響前均處于前沿面，調(diào)整后，江蘇、山東、廣東和四川4個省份物流業(yè)技術效率分別上升了11.61%、14.03%、30.38和126.76%，河北和上海兩地的物流業(yè)技術效率保持不變，其他地區(qū)物流產(chǎn)業(yè)技術效率均出現(xiàn)不同程度的下降，其中，以西藏、青海、寧夏等為代表的西部地區(qū)降幅尤為明顯；我國東、中、西部三大區(qū)域技術效率、純技術效率和規(guī)模效率平均值中，東部地區(qū)最高，中部地區(qū)次之，西部地區(qū)最低，且三大地區(qū)域間差距較調(diào)整前更大。

3.4 Bootstrap-DEA的實證結果

本文采用Bootstrap-DEA方法糾正隨機因素對物流產(chǎn)業(yè)效率測算造成的偏差，設置置信度水平為95%，迭代次數(shù)為2000，運用MaxDEAPro專業(yè)版軟件包分別采用VRS、CRS兩種模式修正第三階段DEA效率值，結果見表6。

表6 2016年我國各?。ㄊ小^(qū)）物流產(chǎn)業(yè)效率Bootstrap修正值

對比第三階段DEA測算的效率值和Bootstrap-DEA修正后的效率值可以發(fā)現(xiàn)：①經(jīng)過Bootstrap-DEA糾偏后，我國31個?。ㄊ小^(qū)）物流產(chǎn)業(yè)效率均未達到技術效率的前沿面，總體來看，我國各省（市、區(qū)）物流產(chǎn)業(yè)效率值偏低且區(qū)域差異明顯，說明我國物流產(chǎn)業(yè)資源配置能力不高，資源使用效率較低，效率提升空間較大；②我國31個省（市、區(qū)）物流產(chǎn)業(yè)效率值經(jīng)Bootstrap-DEA修正后的均值出現(xiàn)較大幅度下降，平均物流產(chǎn)業(yè)技術效率、純技術效率、規(guī)模效率值分別由第三階段的0.519、0.96和0.541下降到0.39、0.936和0.422，降幅分別為24.73%、2.54%和21.92%；東、中、西三大區(qū)域物流產(chǎn)業(yè)平均效率出現(xiàn)不同程度的下降，其中技術效率降幅分別為32.09%、18.96%和15.44%，純技術效率降幅分別為3.66%、1.19%和2.34%，規(guī)模效率降幅分別為29.12%、17.47%和12.8%；糾偏后，東、中、西部地區(qū)的平均技術效率、純技術效率和規(guī)模效率排名依然是東部最高，中部次之，西部最低，其中，中部和西部地區(qū)平均技術效率低于全國平均水平，和第三階段DEA效率測度結果一致；③糾偏后，各?。ㄊ?、區(qū)）物流產(chǎn)業(yè)效率值排名發(fā)生顯著變化，糾偏前效率值排名前六的地區(qū)為河北（1）、上海（1）、江蘇（1）、山東（1）、廣東（1）和四川（1），糾偏后排名前六的地區(qū)依次為四川（0.87）、江蘇（0.815）、山東（0.761）、安徽（0.725）、河北（0.633）和貴州（0.606）；糾偏后廣東物流產(chǎn)業(yè)技術效率值降幅最大，降幅達64.98%，上海次之，降幅達45.36%，說明這些區(qū)域物流產(chǎn)業(yè)技術效率測度受隨機因素影響較大。

3.5 區(qū)域物流產(chǎn)業(yè)效率變化路徑分析

按照本文物流產(chǎn)業(yè)效率測算的四個階段，三大區(qū)域及全國的物流產(chǎn)業(yè)效率變化路徑見圖1，結論如下：

圖1 全國及三大區(qū)域物流產(chǎn)業(yè)效率變化路徑圖

（1）經(jīng)過三階段DEA的測算和Bootstrap-DEA的糾偏，我國和東中西三大區(qū)域物流產(chǎn)業(yè)平均技術效率均出現(xiàn)不同程度的下降。在不同階段，三大區(qū)域效率值大小排序相同，由大到小依次為東部地區(qū)、中部地區(qū)和西部地區(qū)。本文效率測度“過渡”階段僅調(diào)整物流業(yè)固定資產(chǎn)投資額，結果顯示，全國物流產(chǎn)業(yè)平均技術效率值較第一階段下降了0.035，降幅占第一階段和第三階段效率降幅的23.57%，中部地區(qū)“過渡”階段效率值較第一階段下降了0.102，降幅占第一階段和第三階段效率降幅的55.42%，說明中部地區(qū)影響物流產(chǎn)業(yè)效率的環(huán)境變量中，物流業(yè)固定資產(chǎn)投資額對效率測度的影響遠大于其他兩個環(huán)境變量。

（2）全國物流產(chǎn)業(yè)平均效率的變化路徑為：0.667→0.632→0.519→0.39，效率值在各階段均呈下降趨勢；經(jīng)Bootstrap-DEA糾偏后的效率降幅為24.73%，大于剔除環(huán)境因素和隨機誤差帶來的效率降幅（22.25%），說明生產(chǎn)前沿面的非效率因素確實存在。

（3）東部地區(qū)物流產(chǎn)業(yè)平均效率的變化路徑為：0.844→0.85→0.741→0.503，效率變化路徑在Bootstrap后出現(xiàn)明顯的拐點，效率降幅達32.09%，大于剔除環(huán)境因素和隨機誤差帶來的效率降幅（12.21%），廣東、上海、河北等地Bootstrap-DEA偏度均大于0.3，糾偏后效率值顯著下降，同樣說明存在非效率因素影響物流產(chǎn)業(yè)技術效率。

（4）中部地區(qū)物流產(chǎn)業(yè)平均效率的變化路徑為：0.671→0.568→0.486→0.394，效率值從第一階段到第三階段降幅為27.51%，大于糾偏后的效率值降幅（18.96%）。西部地區(qū)物流產(chǎn)業(yè)平均效率的變化路徑為：0.503→0.475→0.336→0.284，效率值從第一階段到第三階段下降幅度為33.05%，大于糾偏后效率值下降幅度（15.44%），說明中部和西部地區(qū)環(huán)境因素和隨機誤差對效率的影響遠大于非效率因素。

4 結論

本文采用三階段DEA模型和Bootstrap-DEA方法實證研究了我國物流產(chǎn)業(yè)技術效率及區(qū)域差異性，得出以下結論：（1）經(jīng)三階段DEA調(diào)整和Bootstrap-DEA糾偏后，我國物流產(chǎn)業(yè)的技術效率處于較低水平，規(guī)模效率水平較低是導致技術效率不高的主要原因；（2）地區(qū)物流產(chǎn)業(yè)效率差異較大，東部最高，中部次之，西部最低；（3）經(jīng)過第二階段剔除環(huán)境因素和隨機誤差的影響后，北京、河北、遼寧、上海和安徽5個省（市、區(qū)）繼續(xù)保持在效率前沿面，江蘇、山東、廣東和四川4個省份物流業(yè)技術效率出現(xiàn)較大幅度上升，河北和上海兩地的物流業(yè)技術效率保持不變，其他地區(qū)物流產(chǎn)業(yè)技術效率均出現(xiàn)不同程度的下降；（4）不同環(huán)境因素對物流產(chǎn)業(yè)效率的影響不同，隨著GDP的增加，投入變量冗余量會顯著減少，有利于提升物流產(chǎn)業(yè)技術效率，而管理學相關專業(yè)本科畢業(yè)生數(shù)、財政支出中交通運輸行業(yè)支出額的增加將不利于物流產(chǎn)業(yè)效率的提升；（5）從效率值的變化路徑看，經(jīng)調(diào)整和糾偏后，全國和東中西三大區(qū)域物流產(chǎn)業(yè)效率值均呈下降趨勢且下降幅度明顯，其中，中部、西部地區(qū)主要受環(huán)境因素影響，而全國和東部地區(qū)是由Bootstrap-DEA糾偏導致；（6）剔除環(huán)境因素、隨機誤差的影響后，除河北、江蘇、上海、山東、廣東和四川外，其他地區(qū)均處于規(guī)模報酬遞增階段，規(guī)模擴張是制約物流產(chǎn)業(yè)技術效率提升的主要瓶頸。

參考文獻：

[1]雷勛平.基于DEA的物流產(chǎn)業(yè)效率測度實證研究[J].華東經(jīng)濟管理,2012,26(7).

[2]Oum T H.Tretheway M W.Concepts,Methods and Purposes of Productivity Measurement in Transportation[J].Transportation Research Part A:Policy and Practice,1992,26(6).

[3]林坦,王玲.基于SFA方法的我國區(qū)域物流效率分析[J].港口經(jīng)濟,2009，(12).

[4]樊敏.中國城市群物流產(chǎn)業(yè)效率分析及發(fā)展策略研究[J].軟科學,2010,24(5).

[5]Borenstein D,Becker J L,Do Prado V J.Measuring the Efficiency of Brazilian Post Office Stores-Using Data Envelopment Analysis[J].International Journal of Operations&Production Management,2004,(24).

[6]Chan F T S,Chan H K,Lau H C W,et al.An AHP Approach in Benchmarking Logistics Performance of the Postal Industry[J].Bench-marking:An International Journal,2006,13(6).

[7]Rou Y，Hayuth Y.Port Performance Comparison Applying Data Envelopment Analysis(DEA)[J].Maritime Policy and Management,1993,(20).

[8]李電生,員麗芬.港口群物流系統(tǒng)效率測度[J].北京交通大學學報：社會科學版,2010,9(2).

[9]周江,李成東,張鋆.基于Bootstrap-DEA方法的我國區(qū)際能源生產(chǎn)效率分析[J].財經(jīng)科學,2016,(5).

[10]Fried H O,Lovell C A K,Schmidt S S,et al.Accounting for Environmental Effects and Statistical Noise in Data Envelopment Analysis[J].Journal of productivity Analysis,2002,1(17).

[11]楊鳳鳴,陳國生,彭文武.基于三階段DEA模型的省域科技資源配置效率差異分析[J].湖南社會科學,2016,(6).

[12]Simar L,Wilson P W.Sensitivity Analysis of Efficiency Scores:How to Bootstrap In Nonparametric Frontier Model[J].Management Science,1998,44(1).

[13]季凱文,孔凡斌.中國生物農(nóng)業(yè)上市公司技術效率測度及提升路徑[J].中國農(nóng)村經(jīng)濟,2016,(8).