0 引言

物流产业作为国民经济的“命脉”，为各行各业提供必需的服务，是社会经济有序开展的基础条件，物流产业在民生和经济发展中发挥着核心的服务职能和支持保障作用。2022年，《“十四五”现代流通体系建设规划》中提出物流行业要不断优化产业结构，以实现绿色低碳发展为目标，物流上市企业作为物流产业的领头羊，担任着在实践和探索中发掘现代物流的重要职能，物流上市企业的经营状况关乎物流产业的发展态势。

如何评价物流企业经营绩效获得了大量学者的关注，梁丹通过主成分分析法评价港口物流公司的经营绩效[1]，蔡文浩同样采用PCA分析交运物流业上市公司的财务绩效[2]；邵博利用DEA模型对第三方物流企业进行绩效评价[3]。鉴于此，本文将DEA模型与PCA法结合，基于PCA-DEA模型评价我国物流上市公司经营绩效，从宏观上分析经营状况，以期为物流上市公司提升绩效和持续健康发展提供借鉴[4]。

1 研究样本选择及评价体系构建

为了全面具体地评价A股物流上市企业的经营绩效，本文以申万行业分类为依据，选取二级行业物流业为研究对象，共计56家公司，同时搜集56家公司2021年年报数据为研究样本，数据来源于国泰安数据库，部分缺失值根据年报手动计算。《企业绩效评价细则（修订）》规定企业经营效益水平包括盈利能力、资产运营水平、偿债能力和后续发展能力，对非金融公司的绩效评价也须从这四个方面展开。在进行物流企业经营绩效评价时，考虑到物流企业实际情况以及指标获取的可操作性，本文在四个维度的基础上增加资金周转维度，选取21个指标来全面构建物流企业经营绩效评价指标体系[5]，如表1所示。

2 研究方法

2.1 主成分分析法（PCA）。

主成分分析法（PCA）是一种“降维”算法，它能将多个指标转换为少数几个综合指标（即主成分），转换后的主成分是彼此独立的原始变量的线性组合，保留了大部分原始数据的信息。通过主成分分析，可以去除指标中的“噪声”和重要性较低的指标，在降低转化中的信息损失的同时提高数据处理的速度。

2.2 数据包络模型（DEA）。

数据包络分析由Charnes等首次提出，该方法被广泛应用于评价上市企业运行效率。DEA通过众多决策单元的投入与产出确定最佳生产状态，再对比样本的投入产出情况与最佳生产状态，从而判断DEA是否有效。本文欲选取以投入为导向的DEA-BCC模型，其原理如下所示：

3 实证分析

考虑到五个维度共21个预选指标间存在不可避免的关联性，为了尽可能减少由于指标关联而导致企业经营信息重复反映和满足DEA模型的规定，本文首先采用主成分分析法对预选的21项指标进行降维，以期实现希望用较少的指标来更加全面地反映企业的经营状况，同时加强DEA模型分析的可操作性。鉴于此，本文将利用SPSS 26.0来实现主成分分析法的指标筛选。

3.1 对投入和产出指标进行主成分分析。

利用SPSS 26.0对56家物流企业的13个投入指标和8个产出指标进行KMO检验和巴特利特球形度检验，结果如表2所示。可以看出，投入指标的KMO值为0.617，产出指标的KMO值0.662，两者均大于0.5，且Sig.=0，两种指标均适合进行因子分析，因此本文中主成分分析法适用于物流企业。

通过SPSS采用主成分分析法将预选指标数据降维，其中，投入指标共提取4个主成分F1、F2、F3、F4,4个主成分的方差贡献率累计达到76.372%；产出指标共提取2个主成分Z1、Z2,2个主成分的方差贡献率累计达到77.105%，据此判断，经过PCA筛选出来的6个主成分较适合替代原先的预选指标，使得物流企业经营绩效评价更加高效具体。接着通过最大方差法来进行投入指标和产出指标的旋转，获得因子载荷系数如表3所示，以此确定每个主成分中隐变量的重要性[3]。

由表3可知，投入指标的主成分F1中重要性较高的指标为经营活动产生的现金流量净额/流动负债和全部现金回收率，反映物流企业经营管理效率和通过经营活动利用资产创造现金流入的能力强弱；主成分F2中重要性较高的指标为总资产周转率和流动资产周转率，反映物流企业周转各类资产的效率、流动资产的运用效率和营运管理能力的强弱；主成分F3中重要性较高的指标为长期资本负债率，反映企业的长期资本结构状态，长期资本负债率与企业偿还长期债务的能力成反比，可以用来判断企业的债务情况；主成分F4中重要性较高的指标为筹资活动债权人现金净流量和筹资活动股东现金净流量，反映企业的筹资渠道是否丰富，现金流量是否健康以及管理层是否拥有卓越的资金管理能力。反映物流企业产出指标的主成分Z1中重要性较高的指标为资产报酬率、净资产收益率和成本费用利润率，反映物流企业利用现有资产创造利润、获取收益的能力以及利用成本的效率；主成分Z2中重要性较高的指标为总资产增长率、资本保值增值率和固定资产增长率，反映总资产和固定资产的增长幅度以及企业资本积累能力。

根据成分得分系数矩阵计算，得到以下6个主成分表达式，各公司主成分得分如表4所示。

3.2 DEA效率分析。

通过主成分分析法处理后，共获取到4个新投入指标和2个产出指标，由于DEA模型要求输入和产出的数据均为非负数，因此采用Min-Max法处理新的指标数据以满足DEA模型数据的非负性。DEA模型包括CCR和BCC两种模型，考虑到物流企业规模的可变性，因此本文采用BCC模型，通过DEAP 2.1进行测算，测算结果如表5所示。

56家物流企业的综合效率平均值为0.732，从行业宏观来看，说明物流业整体资产配置较为合理，经营绩效表现良好，资源配置水平和资源利用效率处于高位。有14家物流企业的综合效率为1，达到技术有效的状态，占样本总数的25%，同时，也有28家企业的综合效率低于平均值。综合效率是纯技术效率和规模效率两者的乘积，在关注企业综合效率的同时也要关注另外两项的得分，如果出现一项得分低或两项得分都低，就会出现企业达到技术无效的状态。在处于技术无效的42家企业中，仅有7家企业综合效率值大于0.8，高达35家企业综合效率值低于0.8，说明这35家企业在资源配置和利用效率上存在一定的问题，整体经营绩效并不突出，在相同的投入下未能实现良好的产出效益。其中，新宁物流综合效率值仅有0.279，远低于平均值。

从物流企业的纯技术效率角度分析，有20家企业达到技术效率有效，占样本总量的35.71%，其中有14家企业的综合效率值也为1。值得关注的是，虽然有6家企业纯技术效率为1，但依旧没有达到DEA有效状态，他们分别是东方嘉盛、长江投资、圆通速递、长久物流、嘉友国际和法兰泰克。反映了这6家公司目前技术方面的资源配置已经达到了最佳状态，但还需要调整生产规模。物流上市企业纯技术效率平均值为0.902，样本整体在技术上存在9.8%的资源没有实现有效配置。纵观样本，有36家企业的Vrste超过了平均值，公司之间极差达到了0.432，说明物流行业参差不齐，各企业之间经营技术效率差距较大，存在相当数量的技术有效性较差的企业。远大控股的Vrste最低，仅为0.568，公司的技术有效性有待提高，对于所有Vrste未达到1的企业，都需要不断提升公司技术水平，争取实现技术效率最优。

从物流企业的规模效率角度分析，56家物流上市企业中有14家企业规模效率有效，达到了最佳规模。规模效率反映的是实际规模和最佳生产规模之间的差距，说明这14家公司已经实现了财务资源的最佳配置，达到了最佳生产规模。在企业达到最佳规模时，企业生产规模的扩大并不会使规模收益增加；而当企业没有达到最佳规模时，规模收益处于边际递减的状态，随着企业不断扩大生产规模，反而会导致企业浪费资源，经营绩效越来越差。

从表5中可以看出，56家物流企业的规模报酬均为递增或规模报酬不变，从生产规模上来看，样本企业均有大量的发展潜力。我国物流总额不断上升，物流需求不断增加。随着经济的不断发展，我国齐全的工业体系、完整的工业制造配套、全面的产业创新会继续促进物流发展，因此，物流企业拥有着广阔的市场和发展机会，企业应当及时调整规模，通过规模收益渠道提升经营绩效，通过扩大资本投入提高产出水平，达到最佳生产规模。

4 结论与建议

4.1 结论。

本文将主成分分析法与数据包络分析相结合，为物流企业构建了新的经营绩效评价体系，首先借助主成分分析法筛选财务指标，然后利用数据包络分析模型综合评价对56家物流上市公司的经营效率。研究结果表明，物流上市公司经营绩效综合效率优化空间较大，相较于综合效率，纯技术效率处于良好水平，各企业规模效率参差不齐，结合各企业实际情况来看，说明影响物流企业经营绩效的关键因素是管理模式、内部结构与生产规模等因素。样本整体均处于规模收益递增或不变，说明物流上市企业可以通过扩大资本投入提高产出水平，达到最佳生产规模。

4.2 建议

(1）从政府角度。政府要政策上扶持，行动上鼓励，持续改善营商环境。从《国家物流枢纽布局和建设规划》到《“十四五”现代物流发展规划》，政府应当加快布局建设国家物流枢纽和物流基地，从政策和资金上给予优秀物流企业支持。同时，政府应当鼓励地企合作，加快产业链供应链融合，实现物流现代化发展。

(2）从企业角度。企业首先要有效配置资源，优化自身资本结构，提高资金利用效率。物流企业的规模和投入资本会显著影响经营绩效，规模过大容易浪费资源，规模过小难以实现最佳产出效益。面对潜力巨大的物流市场，作为具有高投入，回报期长等特点的重资产企业，物流企业要充分利用资源，通过渠道融资优化自身资本结构，提高资金利用效率。其次，物流企业要积极创新，发展智慧物流提高企业竞争力。近年来5G、AI等智能技术的发展为物流领域提供了丰富的发展前景，各企业不断涌现无人物流、智能仓储、自动化等新业态。物流企业应该积极创新，用创新力去同质化，实现与其他实体行业的数字化融合升级。