经济管理前沿
Frontiers in Economics and Management
- 主办单位:未來中國國際出版集團有限公司
- ISSN:3079-3696（P）
- ISSN:3079-9090（O）
- 期刊分类:经济管理
- 出版周期:月刊
- 投稿量:4
- 浏览量:1232
相关文章
暂无数据
基于BCC-ML-δ收敛指数模型的物流行业上市公司运营效率评价
Evaluation of Operational Efficiency in Listed Logistics Companies Based on the BCC-ML-δ Convergence Index Model
引言
随着全球化经济的持续发展和国内市场的逐步成熟，物流行业在国民经济中的重要性日益凸显。作为支撑生产、流通和消费的重要服务业，物流不仅在保障供应链运作中发挥着核心作用，而且在促进产业升级和推动经济高质量发展方面具有越来越关键的作用。2024年11月底，中共中央办公厅、国务院办公厅印发了《有效降低全社会物流成本行动方案》，明确提出了五大方面、20项重点任务，旨在降低全社会物流费用支出，推动国内经济高质量发展。该文件提出的核心目标是，到2027年将社会物流总费用占国内生产总值的比重降低至13.5%左右。此政策目标的提出，充分体现了国家对降低物流成本、提升物流效率的高度重视，并为物流行业的高效发展指明了明确的方向。
近年来，物流领域的运营效率问题受到广泛关注，众多学者从不同角度展开研究，探讨其测度方法、影响因素及优化路径。唐俊玮等基于2015-2022年西部陆海新通道沿线13个省份的面板数据，开展物流效率实证分析，并用Tobit模型研究其影响因素。周正祥等基于2006—2021年长江经济带11个省份的物流产业面板数据，揭示了物流产业效率和全要素生产率的时空演化特征。陈婉婷等以2013—2022年海口港、三亚港、洋浦港和八所港4个港口的数据，对海南港口物流效率评价以及其影响效率因素分析。冯烽等则通过SBM-DEA模型，对2010至2015年间中国17家港口上市公司的运营效率进行了测算，他们采用了固定资产、营业成本和管理费用三个投入指标，营业收和净利润两个产出指标，发现中国港口上市公司整体运营效率较好，约半数公司已达到最优相对效率，但仍有不少公司存在较大的效率提升空间。孔訸炜等以2010至2019年间24家物流上市公司为样本，采用固定资产合计、流动负债合计和营业总成本三个投入指标，现金及短期投资、营业利润两个产出指标，运用DEA方法对其运营效率进行了测度，并进一步使用Tobit模型分析了影响物流企业效率的内外部因素，提出了提高物流效率的策略建议。这些研究不仅深化了对企业运营效率的理论认识，也为行业实践提供了重要参考。
根据不同的研究范围和对象,将物流效率研究划分为三个层面，微观多关注公司企业绩效,中观讨论交通运输方式和产业门类运输效率,宏观则较多研究区域或通道的物流效率。梳理相关文献发现，现有开展微观层面企业绩效的研究仍有些许不足。为了更加全面的反应物流领域的效率评价问题，本文运用了DEA-BCC模型、Malmquist指数和δ收敛指数三种方法对中国物流行业上市公司的运营效率进行评价，进而提出相关启示和对策建议。
本研究旨在深入探讨中国物流行业上市公司的运营效率，并为该行业的效率提升提供实证支持。首先，考虑到物流行业的独特性和复杂性，本文构建了一个科学合理的输入输出指标体系，涵盖了企业资源配置、运营成本、产出表现等多维度因素。基于此指标体系，采用BCC模型对2023年中国物流行业上市公司进行了详细的效率评估，分析了各公司在资源配置与利用方面的表现，并通过效率得分揭示了其运营管理的优劣势。接着，本文运用Malmquist指数模型对2018至2023年间的企业数据进行了动态分析，评估了企业在不同年份的效率变化趋势，探讨了技术进步、规模效率等因素如何影响企业绩效的波动与变化。最后，本文使用δ收敛指数对企业效率的收敛性进行深入分析，进一步揭示了行业中效率分布的变化，为物流行业提升整体效率提供了理论依据和政策建议。
一、研究方法与模型选择
（一）数据包络分析BCC模型
BCC模型是数据包络分析的一种扩展模型，它允许考虑可变规模收益。与CCR模型假设规模收益不变不同，BCC模型适用于那些投入与产出之间存在非线性关系的情境。它通过增加一个凸性约束，能够识别在不同规模下的企业效率，分离技术效率与规模效率。本研究采用BCC模型对2023年31家物流行业上市公司的运营效率进行测算，分别计算技术效率、纯技术效率和规模效率，从而深入分析企业在不同规模下的资源配置合理性和生产效率水平。通过这一模型，可以识别哪些企业在技术或规模上存在改进空间，为优化行业资源配置、提升企业运营效率提供科学依据。以下是输入导向BCC模型的基本形式：
其中，是效率得分，是权重，是第 j 个决策单元的第i 个输入，是第 j个决策单元的第 r个输出，和分别是被评估的决策单元的输入和输出。
（二）Malmquist指数模型
Malmquist指数用于衡量生产率的变化，特别是在多个时间段中的全要素生产率（TFPch）变化。它分解为两部分：技术效率变化（Efficiency Change, Effch）和技术变化（Technical Change, Techch）。本研究运用Malmquist指数对2018-2023年间31家物流行业上市公司的全要素生产率变化进行测算，并进一步分解分析技术效率变化和技术进步对生产率变化的影响。通过计算各企业在不同时期的Malmquist指数，可以评估行业整体生产效率的变动趋势，识别影响企业效率提升的关键因素，为推动技术创新、优化资源配置提供实证支持。Malmquist指数的公式如下：
其中，表示时间t时的效率得分，表示时间 t+1时基于时间 t的投入和产出的效率得分。若 TFPch>1，表示生产力提升；若 TFPch=1，则生产力保持不变；若 TFPch<1，则表示生产力下降。通过这种分解，可以同时评估一个决策单元在给定时间段内的效率变化和技术进步情况。
（三）δ收敛指数
δ收敛指数（delta convergence index）是一种衡量多单位在某一时间段内效率差距变化的指标。在本研究中，δ收敛指数是通过计算各年份不同单位的效率值的标准差来得到的。通过对各单位在不同年份的效率值进行统计分析，计算其标准差，可以评估效率差距是否随着时间推移逐渐收敛。如果标准差逐年减小，说明效率差距逐渐收敛；如果标准差逐年增大，说明效率差距在扩大。公式如下：
其中，为第i个单位在第t年的效率值，为第t年所有单位效率值的均值，N为单位数量。
二、指标体系构建与数据来源
（一）指标体系构建
在构建物流行业上市公司运营效率的评价指标体系时，本研究结合了物流行业的特性和现有文献，选择了能够全面反映企业资源投入和运营产出的关键指标。指标体系分为输入指标和输出指标两个部分。考虑到数据的可获得性，本文选取31家信息披露较为完整，数据质量较高的中国物流行业上市公司。在DEA方法的应用中、DMU数量通常为指标数量的3-5倍较为适宜，因此本文在此基础上选取了7个关键指标，以保证模型的稳健性和分析的科学性。
在输入指标方面，研发投入金额反映了企业在技术创新和产品开发上的资金投入，这是提升企业技术水平和竞争力的核心因素；管理费用体现了企业在日常运营中的管理成本，直接影响企业的内部管理效率和资源配置能力；运营成本展示了企业在生产和运营过程中发生的各种成本，作为衡量企业运营效率的重要指标；在职员工人数显示了企业的人力资源规模，它影响着企业的生产能力和管理的复杂程度；固定资产合计代表了企业的长期资产投资，如设备和厂房，反映出企业的生产能力和资源配置情况。
在输出指标方面，营业收入是企业收入的核心衡量标准，直接体现了企业的市场表现和产品销售情况；每股收益则衡量了企业为股东创造的价值，反映了企业的盈利能力和资本市场对其的认可度。
该指标体系涵盖了技术、人力、管理和物质资源的多重投入，同时结合了企业的市场表现和盈利能力输出，能够从多个角度评价企业的运营效率，具备合理性。通过构建这一合理的输入输出指标体系，本研究旨在全面评价物流行业上市公司的运营效率，并为后续的DEA分析奠定坚实的基础。这些指标的选择不仅考虑了企业的投入与产出，还充分反映了物流行业的实际运营状况和发展需求。
| 类别 | 指标 | 单位 |
|---|---|---|
| 投入指标 | 研发投入金额 | 元 |
| 管理费用 | 元 | |
| 运营成本 | 元 | |
| 在职员工人数 | 人 | |
| 固定资产合计 | 元 | |
| 产出指标 | 营业收入 | 元 |
| 每股收益 | 元 |
（二）数据来源与描述
本文所选取的经济指标数据主要来源于国泰安（CSMAR）数据库。CSMAR数据库提供了全面的企业财务和市场数据，涵盖了众多行业的详细信息，是进行经济研究和分析的重要工具。为了确保数据的准确性和代表性，本研究选取了31家数据齐全的上市物流公司作为样本。
由于每股收益指标中存在负值，这可能会对数据包络分析方法的应用产生不利影响。DEA方法要求所有输入和输出指标的值为非负，以保证分析结果的准确性。因此，负值会导致模型无法正常运行或产生不合理的结果。为了克服这一问题，本研究采用了加常数法对每股收益指标进行处理。具体而言，我们在每股收益的负值基础上加上一个常数，使得该指标中最小的值达到0.01。这一调整不仅消除了负值对DEA模型的干扰，同时确保了每股收益指标的数值在合适的范围内，以适应DEA分析的要求。
三、实证分析
（一）BCC模型的企业效率评价
本文选取2023年数据进行BCC模型的静态分析，以反映最新的行业运营效率水平。2023年的数据能够较为全面地展现当前物流行业的发展状况，同时确保研究结论具有现实针对性和参考价值，结果见表2。
从整体来看，2023年物流企业运营效率总体处于较高水平，但仍存在一定的结构性优化空间。行业综合技术效率均值为0.957，表明距离最优生产前沿仍存在约4.3%的提升空间；纯技术效率均值达到0.983，说明多数企业在管理流程与技术应用方面已具备较高水平，管理效率损失较小。然而，规模效率均值为0.974，约2.6%的效率损失主要来源于规模配置不合理，反映出行业在扩张过程中仍存在一定的资源配置问题。
从企业层面来看，共有15家企业（占48.4%）实现DEA有效，这些企业在管理能力和规模配置方面均达到较优水平，可视为行业的标杆企业。同时，部分企业虽纯技术效率达到1，但因规模过大而处于规模报酬递减（drs）状态，导致综合效率下降。例如企业28的规模效率仅为0.904，为行业较低水平之一，表明其可能存在投资过度或资源闲置问题，需要通过优化网点布局或共享运力等方式进行调整。
此外，一些企业同时面临管理与规模方面的效率约束。例如企业8的纯技术效率仅为0.805，为样本中最低水平，说明其在运营管理或物流调度方面仍存在明显不足；但其处于规模报酬递增（irs）阶段，表明通过适度扩大业务规模仍有提升效率的空间。
总体来看，在行业整体管理效率已接近较高水平的背景下，未来物流企业提升运营效率的关键在于优化规模结构并深化技术应用，通过合理配置资源与推动技术创新，实现行业效率的进一步提升。
| firm | crste | vrste | scale | |
|---|---|---|---|---|
| 1 | 1 | 1 | 1 | - |
| 2 | 1 | 1 | 1 | - |
| 3 | 0.959 | 1 | 0.959 | drs |
| 4 | 0.869 | 0.992 | 0.875 | drs |
| 5 | 0.905 | 1 | 0.905 | drs |
| 6 | 0.84 | 0.941 | 0.893 | drs |
| 7 | 1 | 1 | 1 | - |
| 8 | 0.802 | 0.805 | 0.995 | irs |
| 9 | 1 | 1 | 1 | - |
| 10 | 1 | 1 | 1 | - |
| 11 | 1 | 1 | 1 | - |
| 12 | 0.886 | 0.891 | 0.995 | irs |
| 13 | 1 | 1 | 1 | - |
| 14 | 0.988 | 1 | 0.988 | drs |
| 15 | 1 | 1 | 1 | - |
| 16 | 1 | 1 | 1 | - |
| 17 | 1 | 1 | 1 | - |
| 18 | 0.953 | 1 | 0.953 | drs |
| 19 | 0.972 | 1 | 0.972 | drs |
| 20 | 0.95 | 0.982 | 0.968 | drs |
| 21 | 0.904 | 0.99 | 0.913 | drs |
| 22 | 0.89 | 0.979 | 0.909 | drs |
| 23 | 1 | 1 | 1 | - |
| 24 | 1 | 1 | 1 | - |
| 25 | 1 | 1 | 1 | - |
| 26 | 0.972 | 0.978 | 0.994 | irs |
| 27 | 0.916 | 0.925 | 0.99 | drs |
| 28 | 0.904 | 1 | 0.904 | drs |
| 29 | 0.966 | 1 | 0.966 | irs |
| 30 | 1 | 1 | 1 | - |
| 31 | 1 | 1 | 1 | - |
| mean | 0.957 | 0.983 | 0.974 |
（二）Malmquist指数的动态效率分析
使用2018年-2023年数据进行Malmquist指数分析，得到图1 年度平均Malmquist指数与表3企业平均Malmquist指数。
首先从年度平均Malmquist指数来看。全要素生产率（tfpch）在研究期间呈现出明显的波动，这主要受到技术变化（techch）的驱动。从2019-2020 年到2020-2021 年，技术变化指数显著上升，表明这一阶段企业在技术创新方面取得了显著进展，推动了全要素生产率的提升。然而，从2021-2022 年开始，技术变化指数大幅下降，这直接导致全要素生产率的下滑。这种下降与宏观经济环境的变化、企业技术研发投入的减少或市场竞争加剧等因素相关。2022-2023 年，技术变化指数有所回升，但尚未完全恢复到之前的水平，这表明技术创新能力的恢复仍需要时间和外部支持。
效率变化（effch）在研究期间整体较为平稳，接近于1，这说明企业的管理效率和运营能力相对稳定。在效率变化的两个分项指标中，纯技术效率（pech）和规模效率（sech）均保持在较高水平，表明企业在管理模式和资源配置方面表现较好。然而，这些指标的贡献相对有限，对全要素生产率的提升作用不够显著。这反映出当前企业的管理和规模优化能力已经接近瓶颈，进一步提升效率需要更多依赖技术创新和资源整合。
对企业平均Malmquist指数进行分析，根据表3数据，31家企业的平均 Malmquist 指数（tfpch）显示出显著的波动性，大部分企业的生产率呈下降趋势，尤其是企业2（0.796）、企业9（0.898）和企业10（0.84），其主要受技术变化（techch）不利影响。同时，也有企业表现出生产率提升的积极趋势，例如企业13（1.062）和企业17（1.079），得益于其在技术创新和应用上的领先优势。总体来看，效率变化（effch）对生产率的影响较小，大多数企业的管理效率和规模效率保持稳定，但少数企业如企业6和企业21的效率有所下降，可能与资源分配不合理相关。
技术变化（techch）是影响全要素生产率的关键因素，不同企业之间差异显著，部分企业技术进步缓慢，可能由于研发投入不足或先进技术未得到广泛应用，而表现优异的企业则展现出技术创新能力的显著优势。此外，纯技术效率（pech）和规模效率（sech）相对稳定，但个别企业仍存在规模效率偏低的问题。
| firm | effch | techch | pech | sech | tfpch |
|---|---|---|---|---|---|
| 1 | 1 | 0.996 | 1 | 1 | 0.996 |
| 2 | 1 | 0.796 | 1 | 1 | 0.796 |
| 3 | 0.999 | 1.002 | 1.002 | 0.997 | 1.001 |
| 4 | 0.972 | 1.007 | 0.998 | 0.974 | 0.979 |
| 5 | 0.999 | 0.996 | 1 | 0.999 | 0.995 |
| 6 | 0.967 | 1.014 | 0.988 | 0.979 | 0.981 |
| 7 | 1 | 0.969 | 1 | 1 | 0.969 |
| 8 | 0.977 | 1 | 0.972 | 1.005 | 0.976 |
| 9 | 1 | 0.898 | 1 | 1 | 0.898 |
| 10 | 1 | 0.84 | 1 | 1 | 0.84 |
| 11 | 1.017 | 1.001 | 1.01 | 1.007 | 1.019 |
| 12 | 0.998 | 0.998 | 0.992 | 1.007 | 0.996 |
| 13 | 1.014 | 1.047 | 1.008 | 1.006 | 1.062 |
| 14 | 1 | 0.978 | 1 | 1 | 0.978 |
| 15 | 1 | 0.986 | 1 | 1 | 0.986 |
| 16 | 1.026 | 0.993 | 1.023 | 1.003 | 1.019 |
| 17 | 1 | 1.079 | 1 | 1 | 1.079 |
| 18 | 1.001 | 1 | 1.003 | 0.999 | 1.001 |
| 19 | 1.003 | 0.996 | 1 | 1.003 | 0.999 |
| 20 | 1.005 | 0.999 | 1.01 | 0.995 | 1.004 |
| 21 | 0.988 | 0.999 | 0.998 | 0.99 | 0.987 |
| 22 | 0.983 | 0.999 | 0.996 | 0.987 | 0.982 |
| 23 | 1 | 0.948 | 1 | 1 | 0.948 |
| 24 | 1.007 | 0.997 | 1.002 | 1.005 | 1.004 |
| 25 | 1.01 | 0.993 | 1 | 1.01 | 1.003 |
| 26 | 1.004 | 1.005 | 1.003 | 1.002 | 1.009 |
| 27 | 0.997 | 0.988 | 0.999 | 0.998 | 0.985 |
| 28 | 0.987 | 1.005 | 1 | 0.987 | 0.992 |
| 29 | 1.021 | 0.959 | 1.014 | 1.007 | 0.979 |
| 30 | 1 | 0.937 | 1 | 1 | 0.937 |
| 31 | 1.001 | 0.982 | 1 | 1.001 | 0.983 |
综合年度和企业的 Malmquist 指数分析显示，物流行业在全要素生产率方面存在一定波动，技术进步是影响生产率变化的关键因素。部分企业通过技术创新取得效率提升，但整体技术进步不足制约了行业发展。未来应注重提升技术研发能力，推动企业技术转型升级，并通过政策支持和资源优化促进行业效率的均衡提升，实现物流行业的高质量发展。
（三）δ收敛性分析
通过对BCC模型得到的效率得分进行δ收敛指数分析，得到了如下的δ收敛指数。图2展示了CRSTE、VRSTE和Scale三种效率的δ收敛指数随年份的变化趋势。从分析结果来看，综合技术效率（CRSTE）、纯技术效率（VRSTE）和规模效率（Scale）三种效率指标呈现出一定的变化趋势。CRSTE 的 δ 收敛指数在2018年至2023年间逐步上升，从0.039755增加到0.055149，表明企业间的综合技术效率差异逐步扩大，特别是在2020年达到最高值（0.060812），反映出行业内技术水平和资源配置的不均衡仍较为明显。相比之下，VRSTE 的 δ 收敛指数整体较低且波动较小，从0.030289上升至0.040879，表明企业在技术操作和管理能力上的效率差异较为稳定。Scale 的 δ 收敛指数从0.022287增长到0.038774，虽然波动幅度较小，但显示出规模效率差异有所扩大，这与行业内企业规模扩展和资源整合的差异相关。
| 年份 | crste | vrste | scale |
|---|---|---|---|
| 2018 | 0.039755 | 0.030289 | 0.022287 |
| 2019 | 0.049465 | 0.026218 | 0.036375 |
| 2020 | 0.060812 | 0.042803 | 0.042231 |
| 2021 | 0.048093 | 0.033421 | 0.036176 |
| 2022 | 0.050372 | 0.035147 | 0.033577 |
| 2023 | 0.055149 | 0.040879 | 0.038774 |
总体来看，CRSTE 的变化反映出行业综合效率差异的扩大，显示技术创新和新技术的广泛应用仍需进一步加强；VRSTE 的相对稳定性表明行业在管理能力和技术应用上的发展较为均衡；而 Scale 的波动则说明资源分配和规模效应还有优化空间。未来行业需要持续推动技术创新和扩散机制的完善，缩小企业间的效率差距，特别是在综合效率和规模效率方面，同时支持中小企业规模扩展，优化资源配置，以全面提升物流行业的效率水平。
四、研究结论与对策建议
（一）研究结论
本文基于DEA-BCC模型、DEA-Malmquist指数以及δ收敛指数，从技术效率、规模效率和全要素生产率等维度，对2018—2023年31家中国物流行业上市公司的运营效率进行了测算与分析。研究结果表明，虽然行业整体效率呈现一定提升趋势，但企业之间仍存在明显差距，部分企业在资源配置与技术创新方面仍存在不足，对行业整体竞争力形成一定制约。
BCC模型结果显示，2023年技术效率（vrste）达到1的企业占比为67.7%，说明多数企业在既定规模条件下能够较好地利用资源，但仍有32.3%的企业技术效率低于1，表明在管理水平或资源配置方面仍有提升空间。综合技术效率（crste）有效企业占比为41.9%，表明部分企业虽具备较高的技术效率，但受规模因素影响，整体效率仍未达到最优。
从规模效率来看，规模报酬递减（DRS）的企业占比为38.7%，说明部分企业因规模过大导致管理成本上升、运营复杂度增加，从而影响效率；而规模报酬递增（IRS）的企业占比为12.9%，表明仍有少数企业具备进一步扩张的发展潜力。总体而言，行业企业规模总体接近最优，但部分企业仍需通过调整规模结构提升效率。
Malmquist指数分析表明，行业全要素生产率（TFPch）的增长主要受到技术进步（Techch）不足的制约。尽管技术效率（Effch）在部分年份有所提升，但技术创新能力相对不足成为影响生产率持续提升的重要因素。
δ收敛指数分析结果显示，行业效率差距在研究期内呈现波动变化，尚未形成稳定的收敛趋势，表明企业之间的技术扩散和经验共享仍不充分。总体来看，提高技术创新水平和促进技术扩散是推动行业效率提升的重要方向。
（二）对策建议
针对中国物流行业上市公司运营效率分析结果，应从优化资源配置、加强技术创新、合理调整企业规模以及促进技术扩散等方面提升行业整体效率。
首先，针对部分企业技术效率偏低的问题，企业应加强精细化管理，优化供应链运作模式，提升信息化与数字化管理水平，通过完善绩效考核机制提高资源配置效率。
其次，鉴于全要素生产率增长受到技术进步不足的制约，企业应进一步加大研发投入，推动数字化与智能化技术在物流运营中的应用，如大数据、人工智能等技术，以提升运营效率与服务水平。同时，政府可通过财政补贴、税收优惠等政策支持企业技术创新，促进产业升级。
再次，针对部分企业存在规模报酬递减的问题，企业应合理制定扩张战略，科学控制经营规模，避免因过度扩张导致管理成本上升；而对于规模报酬递增的企业，可适当扩大业务规模，以进一步发挥规模优势。
此外，为缩小企业间效率差距，应加强行业协同发展，推动企业之间的技术交流与经验共享，通过产业联盟、产学研合作等方式促进技术扩散。政府可搭建行业信息共享平台，并完善政策支持与监管机制，为物流行业高质量发展提供良好的制度环境。
附录 文中编号对应公司名称
| firm | 公司名称 | firm | 公司名称 | firm | 公司名称 |
|---|---|---|---|---|---|
| 1 | 浙商中拓 | 12 | 飞力达 | 23 | 音飞储存 |
| 2 | 炬申股份 | 13 | 华鹏飞 | 24 | 华贸物流 |
| 3 | 传化智联 | 14 | 海晨股份 | 25 | 嘉诚国际 |
| 4 | 韵达股份 | 15 | 厦门象屿 | 26 | 长久物流 |
| 5 | 顺丰控股 | 16 | 长江投资 | 27 | 畅联股份 |
| 6 | 申通快递 | 17 | 瑞茂通 | 28 | 密尔克卫 |
| 7 | 恒基达鑫 | 18 | 圆通速递 | 29 | 原尚股份 |
| 8 | 龙洲股份 | 19 | 物产中大 | 30 | 海程邦达 |
| 9 | 普路通 | 20 | 中储股份 | 31 | 嘉友国际 |
| 10 | 宏川智慧 | 21 | 中国外运 | ||
| 11 | *ST新宁 | 22 | 德邦股份 |
参考文献：
- [1] 郑琰,贲宇姝,王康得,等.物流企业的碳排放效率评价及驱动因素分析琰[J].交通运输系统工程与信息,2023,23(02):11-21.
- [2] 唐俊玮,黄承锋,雷洋. 西部陆海新通道物流效率时空演化及省际差异分析玮[J]. 商业经济研究,2025 (04):72-76.
- [3] 周正祥,查嫣媛,孙久文. 长江经济带物流产业效率测度及时空演化研究[J]. 中国软科学,2024(12):75-86.
- [4] 陈婉婷,刘晋荣. 海南港口物流效率评价及其影响因素——基于DEA-Tobit模型[J]. 海南热带海洋学院学报,2024,31(06):74-84.
- [5] 冯烽,陈磊,黄晗. 中国港口上市公司运营效率的测度与提升路径——基于SBM-DEA模型[J]. 中国流通经济,2017,31(06):106-112.
- [6] 孔訸炜,倪明,谢家平.物流企业运营效率影响因素实证研究[J]. 管理现代化,2021,41(06):72-76.
- [7] 卢超,李海艳. 中国高研发投入企业运营效率评价研究——基于2017—2020年欧盟产业研发投入记分牌数据[J]. 科技管理研究,2021,41(23):56-64.
- [8] 郑通,张立杰. 数字化转型背景下中国纺织服装企业运营效率评价[J]. 毛纺科技,2024,52(07):77-83.
- [9] 张瀚引,刘云龙. 西部陆海新通道沿线省份物流效率的测算、演进与收敛性分析[J]. 商业经济研究,2024(24):91-94.
- [10] 敦帅,陈强,陈力,等.重大科技基础设施运行效益影响机制研究——基于“投入—产出”视角的定性比较分析[J]. 中国软科学,2021(04):11-21.