0 引言

自2009年頒布《物流業(yè)調(diào)整和振興規(guī)劃》以來，物流業(yè)成為了我國(guó)的支柱性產(chǎn)業(yè)之一。自此之后，“物流效率”的概念開始明確并逐步成為實(shí)現(xiàn)復(fù)興工作的抓手。例如《國(guó)家物流樞紐布局和建設(shè)規(guī)劃》（以下簡(jiǎn)稱《規(guī)劃》）中指出，將建設(shè)一批能夠使得物流運(yùn)行效率大幅提高的國(guó)家物流樞紐。然而如何能夠有效提高物流效率發(fā)展，是否存在著高質(zhì)量發(fā)展路徑，目前尚未出現(xiàn)一個(gè)宏觀的研究進(jìn)行討論。

“物流效率”的研究目前已形成了較為固定的研究范式。學(xué)者們普遍選取合適的指標(biāo)及案例，通過數(shù)據(jù)包絡(luò)分析（Data Envelopment Analysis，DEA）測(cè)算效率。本文試圖在其基礎(chǔ)上與組態(tài)理論結(jié)合，該理論認(rèn)為“事物的發(fā)生是不同條件組合影響的結(jié)果”，考慮了因素之間的復(fù)雜組合機(jī)制，能夠進(jìn)一步剖析效率建設(shè)過程中的組態(tài)發(fā)展路徑[1]。

基于此，本文使用定性比較分析（Qualitative Comparative Analysis,QCA）與DEA相結(jié)合展開研究。首先通過DEA測(cè)算我國(guó)各省的物流效率，進(jìn)而以必要條件分析（Necessary Condition Analysis，NCA）充分討論各因素對(duì)結(jié)果的必要性程度，最后通過QCA開展組態(tài)分析，挖掘我國(guó)物流效率建設(shè)背后的組態(tài)構(gòu)型。本研究在以往物流效率相關(guān)研究的基礎(chǔ)上進(jìn)一步結(jié)合組態(tài)理論，摒棄了傳統(tǒng)對(duì)單一因素的討論[2]，而是考慮了因果復(fù)雜性問題，主要解答了以下問題：我國(guó)物流效率建設(shè)過程中是否存在必要條件？是否存在高質(zhì)量路徑？

1 研究方法與設(shè)計(jì)

1.1 案例選擇與數(shù)據(jù)來源

本文將我國(guó)30個(gè)省、市、自治區(qū)作為研究案例。由于西藏的官方數(shù)據(jù)并未實(shí)時(shí)更新，因此本文暫不考慮?？紤]到2021年各地的統(tǒng)計(jì)數(shù)據(jù)尚未完全更新，本文最終選取2014—2020年各地運(yùn)輸、倉(cāng)儲(chǔ)、郵政等行業(yè)的數(shù)據(jù)作為本文原始數(shù)據(jù)，數(shù)據(jù)均來自《中國(guó)統(tǒng)計(jì)年鑒》。

1.2 研究方法與變量選取

DEA是一種能夠測(cè)算物流效率并評(píng)價(jià)有效性的決策方法。DEA以相對(duì)效率為基礎(chǔ)，構(gòu)建多投入和多產(chǎn)出指標(biāo)體系，利用數(shù)學(xué)規(guī)劃模型對(duì)同類型決策單元進(jìn)行有效性測(cè)算，為了考慮時(shí)間因素，本文使用DEA-Malmquist指數(shù)[3]。以往DEA研究中普遍將人力、固定資產(chǎn)等變量作為投入，總值、貨運(yùn)量作為產(chǎn)出。本文最終選擇物流從業(yè)人員工資、固定資產(chǎn)投入、物流土地投入作為投入指標(biāo)，從業(yè)人員數(shù)量、貨運(yùn)量及周轉(zhuǎn)量作為產(chǎn)出指標(biāo)進(jìn)行DEA計(jì)算。

QCA基于組態(tài)思維，能夠深度剖析某種結(jié)果出現(xiàn)時(shí)的因素組合[4]。而為了進(jìn)一步剖析物流效率建設(shè)過程中的高質(zhì)量發(fā)展路徑，本文將DEA計(jì)算所得的生產(chǎn)率作為結(jié)果變量。條件變量的獲取本文基于文獻(xiàn)歸納法，扎根于各類物流宏觀政策，最終選擇了經(jīng)濟(jì)、交通、人口、科技、開放五種條件變量。最終的物流效率組態(tài)評(píng)價(jià)體系如表1所示。

表1 物流效率組態(tài)評(píng)價(jià)指標(biāo)

1.3 數(shù)據(jù)分布與模糊校準(zhǔn)

QCA研究中的模糊集相較于其他方法，需要開展模糊校準(zhǔn)，延伸了對(duì)數(shù)據(jù)的處理方式，本文選擇模糊集開展研究。在校準(zhǔn)前首先需要了解數(shù)據(jù)的分布情況，進(jìn)而選擇合適的校準(zhǔn)錨點(diǎn)。描述性統(tǒng)計(jì)分析完成后，本文最終選擇了上下四分位點(diǎn)以及中位數(shù)分別作為完全隸屬、完全不隸屬、交叉點(diǎn)的校準(zhǔn)錨點(diǎn)[5]。描述性統(tǒng)計(jì)結(jié)果及校準(zhǔn)錨點(diǎn)如表2所示。

表2 描述性統(tǒng)計(jì)及校準(zhǔn)錨點(diǎn)

2 實(shí)證與分析結(jié)果

2.1 全要素生產(chǎn)率結(jié)果

本文使用Deap2.1對(duì)30個(gè)案例?。ㄊ校┑奈锪鳂I(yè)效率進(jìn)行測(cè)算，結(jié)果如表3所示。由表3可知，不同區(qū)域的物流業(yè)全要素生產(chǎn)率存在較大差異，北京、江蘇等10個(gè)地區(qū)的全要素生產(chǎn)率指數(shù)大于1，其余地區(qū)均小于1。為了探究地區(qū)發(fā)展差異，并找到物流效率背后的發(fā)展組合，本文在DEA基礎(chǔ)上進(jìn)一步使用QCA開展分析。

表3 2014—2020年各?。ㄊ校┪锪鳂I(yè)全要素生產(chǎn)率

2.2 QCA與NCA必要性分析

在進(jìn)行組態(tài)分析前首先需要開展必要性測(cè)試，用以判斷某一條件是否構(gòu)成結(jié)果的必要條件。當(dāng)某條件與結(jié)果一致性達(dá)到0.9時(shí)，即認(rèn)為該條件為必要條件，且在組態(tài)分析中也將作為核心條件出現(xiàn)。如表4所示，各條件均未達(dá)到0.9，并未直接構(gòu)成必要條件。

表4 物流效率QCA必要性檢測(cè)

而為了進(jìn)一步判斷各條件對(duì)結(jié)果的必要性程度，本文以NCA中的效應(yīng)值進(jìn)一步研究。該方法能對(duì)單一條件的必要性細(xì)粒度展開更深入的討論，是QCA必要性分析的良好補(bǔ)充[6]。從效應(yīng)值(d)來說，0＜d＜0.1時(shí)表示效應(yīng)值較小，0.1≤d＜0.3時(shí)表示效應(yīng)值中等，0.3≤d＜0.5時(shí)表示效應(yīng)值較大，d≥0.5時(shí)表示效應(yīng)值非常大。當(dāng)效應(yīng)值大于0.1且蒙特卡洛仿真置換檢驗(yàn)（Monte Carlo Simulations of Permutation Tests）顯示效應(yīng)量顯著時(shí)可認(rèn)為某條件構(gòu)成結(jié)果的必要條件。從表5中看出，各條件效應(yīng)值均未達(dá)到必要條件水平，與QCA結(jié)果一致，即并不存在能直接影響物流效率建設(shè)的關(guān)鍵因素。

表5 NCA效應(yīng)值與顯著性結(jié)果

2.3 組態(tài)分析

QCA的組態(tài)分析中將形成三種解，中間解相較于復(fù)雜解與簡(jiǎn)約解考慮了價(jià)值較高的邏輯余項(xiàng)，因此本文匯報(bào)中間解。考慮到本文的案例數(shù)為30，屬于中小樣本研究，因此本文將案例閾值設(shè)為1，一致性閾值為0.8，PRI一致性默認(rèn)。并且由于必要條件分析中并未檢測(cè)出核心條件，本文將以另一種方式識(shí)別構(gòu)型中的核心因素：當(dāng)某條件同時(shí)出現(xiàn)在相對(duì)應(yīng)的中間解和簡(jiǎn)約解時(shí)為核心條件，僅出現(xiàn)在中間解時(shí)為邊緣條件。如表6為最終的中間解組態(tài)構(gòu)型。其中一致性代表著構(gòu)型與結(jié)果的相似度，覆蓋度代表對(duì)結(jié)果變量的解釋程度。

表6 物流效率高與非高時(shí)的組態(tài)構(gòu)型

人力驅(qū)動(dòng)型。該路徑意味著非高ER、非高RD、非高FDI、高HR作為核心條件，高交通環(huán)境為邊緣條件可以導(dǎo)致高物流效率的產(chǎn)生。黑龍江是該路徑下的典型省份?？梢钥吹?，該路徑雖然與高效率的一致性達(dá)到了0.935，但覆蓋率較低。

人力與經(jīng)濟(jì)雙元驅(qū)動(dòng)型。該路徑意味著高ER、高HR、非高TR為核心條件，高RD、高FDI作為邊緣條件的條件組合可以導(dǎo)致高物流效率的產(chǎn)生。處于該路徑下的省市為：北京、上海、浙江、福建、遼寧。該路徑與人力驅(qū)動(dòng)型相比，一致性相似，但覆蓋度更高，且處于該路徑下的案例更多，屬于結(jié)構(gòu)更為成熟的組態(tài)構(gòu)型。

經(jīng)濟(jì)與科技雙元驅(qū)動(dòng)型。該路徑意味著高ER、高RD、非高FDI為核心條件，高TR、高HR為邊緣條件的條件組合會(huì)導(dǎo)致非高物流效率的產(chǎn)生。河南與河北是處于該路徑下的典型案例。

多元因素驅(qū)動(dòng)型。該路徑意味著高ER、高TR、高FDI、高RD、非高HR均作為核心條件出現(xiàn)的條件組合會(huì)導(dǎo)致非高物流效率的產(chǎn)生。湖南是處于該路徑下的唯一案例，雖然該路徑的一致性較高，但解釋力度相較于前一條路徑并不大。

3 結(jié)論與討論

3.1 研究結(jié)論

本文使用DEA-Malmquist指數(shù)測(cè)算2014—2020年30個(gè)省、市、自治區(qū)的物流效率，并對(duì)全要素生產(chǎn)率進(jìn)行關(guān)鍵因素的識(shí)別以及組態(tài)構(gòu)型分析。結(jié)果顯示：（1）能夠直接影響物流效率建設(shè)的關(guān)鍵因素并不存在，但人力資源相較于其他因素，在必要性測(cè)試中更為突出，且在兩條高物流效率的發(fā)展路徑中均以核心條件出現(xiàn)；（2）出現(xiàn)了兩條高物流效率的發(fā)展路徑，分別是以黑龍江為典型案例的人力驅(qū)動(dòng)型以及以北京、上海等地為案例的人力與經(jīng)濟(jì)雙元驅(qū)動(dòng)型路徑；（3）出現(xiàn)了兩條非高物流效率的路徑，分別是以河南、河北為典型案例的經(jīng)濟(jì)與科技雙元驅(qū)動(dòng)型路徑以及一條以湖南為案例的多元因素驅(qū)動(dòng)型路徑。

3.2 貢獻(xiàn)與管理啟示

本文的貢獻(xiàn)主要在于：第一，在以往使用DEA作為研究工具的物流研究基礎(chǔ)上，使用組態(tài)理論，進(jìn)一步挖掘背后的優(yōu)質(zhì)發(fā)展路徑，提供了較新的研究視角。第二，以QCA+NCA的形式展開因素的必要性討論，這種方法的應(yīng)用在物流領(lǐng)域較為新穎。

本文基于研究結(jié)論總結(jié)了如下的管理啟示。（1）聚焦物流人才以及人力的投入。通過QCA+NCA的雙重識(shí)別發(fā)現(xiàn)，人力資源雖然并未直接構(gòu)成高物流效率的必要條件，但在兩條高效率建設(shè)的構(gòu)型中均作為核心條件存在。因此在組態(tài)視角下，人力是更為突出的關(guān)鍵因素。（2）注重組態(tài)思維發(fā)展。通過DEA+QCA本文挖掘出兩條高物流效率的發(fā)展路徑，其中以北京、上海為案例的路徑在解的一致性與解釋力度方面均十分強(qiáng)，且兩條發(fā)展路徑在穩(wěn)健性測(cè)試后仍保持穩(wěn)定。（3）規(guī)避發(fā)展誤區(qū)，注重對(duì)標(biāo)發(fā)展。本文同樣發(fā)現(xiàn)了兩條非高物流效率的路徑，且有3個(gè)省份隸屬于其中。本文建議這類地區(qū)以對(duì)標(biāo)發(fā)展的思維將本文兩條高物流效率發(fā)展路徑作為對(duì)標(biāo)路徑，查漏補(bǔ)缺，針對(duì)性發(fā)展。

3.3 不足與展望

本文擴(kuò)充了現(xiàn)有的研究，提供了較新的研究方法，但本文仍存在一定缺憾，以待未來進(jìn)一步研究。第一，未來可通過改變投入產(chǎn)出指標(biāo)或是QCA變量來開展更為細(xì)致的研究。第二，未來可以考慮將多個(gè)年份的物流效率結(jié)果均進(jìn)行組態(tài)分析，以動(dòng)態(tài)的目光審視發(fā)展路徑。最后，未來可以采取大樣本研究，以提高最終管理啟示的普適性。