发布时间：2023-09-22 10:37:45
绪论：一篇引人入胜的物流公司的经营，需要建立在充分的资料搜集和文献研究之上。搜杂志网为您汇编了三篇范文，供您参考和学习。
关键词:第四方物流 供应商 评价体系
问题提出
在竞争日益激烈的市场经济环境下,企业与企业之间的竞争也转变为供应链与供应链之间的竞争。企业为了提升市场竞争力都把所有精力聚焦在核心业务上,把非核心业务通过外包来完成,随着业务外包和供应链管理的进一步发展,企业在与传统的第三方物流供应商合作的过程中发现其不能满足电子采购、订单处理、虚拟库存以及供应链战略等方面的服务,因此,以整合原料供应商、第三方物流供应商以及咨询企业等优势资源,为核心企业提供一体化的供应链解决方案,并实现对供应链的监控和管理,从而实现社会资源优化配置的第四方物流应运而生。第四方物流的核心优势在于整合社会资源为客户解决供应链方案,因此无论是设计新的供应链还是对现有供应链系统进行优化,都会涉及供应商的评价。传统的供应商评价一般是核心企业从自身供应链利益最大化角度出发,不但本身选择就带有很大的主观性,而且为实现自身利益最大化不惜牺牲供应商的利益,难以达到长期的合作,造成资源浪费;而第三方物流企业仅承担运输、仓储、配送的功能,对客户个性化的供应链方案需求无法满足,更不会涉及供应商的评价,因此,研究第四方物流环境下供应商的评价,为第四方物流整合社会资源为客户供应链解决方案时选择合适的供应商,从而实现社会资源的最优配置显得很有必要。
关于供应商评价体系的研究很多,如Dickson(1996)整理出评价供应商的23项准则,得出在选择供应商时重要性最高的前三个因素分别为质量、交货期和历史业绩;Weber(1991)回顾了自1966年以来与供应商选择评价相关的74篇文献,将注意力着重于供应商选择过程中所采用的准则以及分析方法,集中讨论了23条准则,涉及质量、配送、价格和态度等;马士华等(2005)构建了以企业业绩、业务结构与生产能力、质量系统以及企业环境等四项一级指标的供应链合作伙伴评价体系;马丽娟(2002)从产品质量、产品价格、售后服务水平、地理位置、技术水平、供应能力、经济效益、交货情况以及市场响应度方面建立了供应商评价体系。但这些文献研究主要是从企业自身的角度来进行的,而从第四方物流角度对供应商评价体系进行研究的没有,同时随着人们对环境的重视,现有文献中关于供应商综合评价体系中都没有体现出这个因素。因此本文从第四方物流企业角度,以信息技术为基础综合考虑环境因素来建立供应商综合评价体系,并运用神经网络构建了评价模型。
第四方物流环境下供应商评价指标体系构建
第四方物流的运作高度依赖于信息技术,通过互联网把供应商、第三方物流服务商、制造企业在全球范围内联系起来,实现全球采购从源头上达到降低成本、提高利润的目的。基于此,本文从信息化水平、供应商信誉、供应商持续发展潜力、技术能力、柔性和产品的环保性六个方面来构建供应商综合评价指标体系(见图1)。与传统的指标相比,该体系呈现出新的特点:把信息化水平作为一级指标来考察,并通过电子订单的处理、ERP的实施、信息共享等五项指标对其分析,充分显示出信息化水平对信息流高效、及时传递的重要性;考虑到第四方物流过度依赖于网络环境,对供应商的真实性难以辨别,因此把供应商信誉作为一级指标,同时首次把第三方认证作为评价方式引入供应商评价指标体系中;在技术能力评价指标中充分考虑到企业产品创新和协作开发的能力;把产品的环保性作为综合评价指标之一。近年来环境问题备受关注,尤其是在跨国采购中产品的环保性显得尤为重要,在以往的评价指标中只是在构建绿色供应链指标中有所体现,而在供应商综合指标体系中没有出现。
(一)信息化水平
以信息技术为依托发展起来的第四方物流,通过网络把供应商、物流服务商、供应链服务需求商(即第四方物流的客户)联系起来,因此应把供应商的信息化水平和其他指标放在同等重要的地位作为综合评价指标之一。同时,随着JIT生产和制造企业对顾客需求快速反应的需要,要求供应商具有电子采购、处理电子订单的能力,这就要求供应商具有较高的信息化水平,能够实现与制造企业之间信息共享和交易过程的电子化、网络化,从而实现企业之间信息流、物流、资金流的畅通。因此,本文从电子订单的处理、ERP的实施、信息共享、信息系统的稳定性和兼容性五个方面来评价供应商的信息化水平。这些评价指标由于量化具有一定难度,因此采取专家打分的方法来衡量。
(二)供应商信誉
第四方物流企业通过网络技术在全球范围实现资源的优化配置,为制造企业选择合适的供应商。虽然能够通过虚拟的网络把二者联系起来,但并不一定能够保证供应商能提供合格的产品,使其成为制造企业供应链战略的源头。因此,只能通过供应商信誉来判断其是否能够成为供应链的一部分。供应商的信誉指标主要包括产品的质量、历史交货记录、品牌形象、服务水平和第三方认证来衡量。产品的质量主要看产品是否通过ISO9000体系的认证和已有客户的评价;历史交货记录用该供应商成功的交货记录和交易总次数的比率来衡量;品牌美誉度和服务水平主要通过问卷调查等方式给予一定的评定等级,等级越高,企业的品牌美誉度和服务水平就越好;第三方认证要通过检验企业产品是否获得国家免检和驰名商标称号。
(三)供应商持续发展潜力
现代企业间的竞争已从产品的竞争、市场的竞争发展到企业供应链之间的竞争,第四方物流的产生正是为了弥补第三方物流企业不能为客户提供供应链解决方案的需要。因此,第四方物流企业在为客户提供供应链方案时针对供应商的选择,必须要满足客户企业供应链战略的需要,要求供应商具有长期和战略联盟意识,建立长期的合作伙伴关系。这些必然要求供应商具有持续的、长远的发展潜力。供应商的持续发展潜力主要从财务状况、经营管理能力、员工素质、发展能力和持续盈利能力指标来衡量。财务状况主要考察企业的现金流动比率和资产负债率,资产负债率衡量企业的长期偿债能力,是反映供应商能否持续发展的重要指标;经营管理能力是指企业资源的定位与配置能力以及企业在运用中的协调能力,对企业的持续发展至关重要,主要衡量企业的战略规划能力、组织协调能力、资源配置能力;员工素质主要考察企业员工学历的结构比例和企业培训机制;发展能力是企业生存的基础,是扩大规模、壮大实力的潜在能力,包含营业收入三年平均增长率和资本三年平均增长率,前者反映企业持续发展态势和市场扩张能力,后者在一定程度上反映企业的持续发展水平和发展趋势;持续盈利能力是企业持续发展的保证,就是企业赚取利润的能力,通过总资产收益率指标可以分析企业盈利的稳定性和持久性。
(四)技术能力
技术能力评价指标包括供应商的产品技术和设计能力、R&G投入和重视程度、产品创新能力、专利拥有数、协同开发能力。其中供应商的产品技术和设计能力以及协同开发能力专业性很强,主要通过专家打分的方法衡量,得分越高,说明这两方面的能力越强;而R&G的投入和重视程度通过计算R&G的费用和销售收入的比率来衡量;专利拥有数是企业技术能力的直接体现,可通过直接的数据获得;产品创新能力则通过核算企业每年获得的专利数量和转化为生产力的数量来衡量。
(五)柔性
今天的市场需求具有很大的不确定性,市场需求的变化会导致供应链生产的变化,要求供应商具有对供应链需求变化的适应能力,因此,供应商的柔性应得到充分重视。供应商的柔性主要包括生产柔性、产品柔性、时间柔性和数量柔性。生产柔性衡量的是供应商应对客观环境变化的相应能力,通常根据供应商随客户在交货数量和时间上的变化而有效地改变计划,并完成任务的能力来综合衡量;产品柔性反映供应商在一定时间内工艺革新和引进新产品的生产能力,可以用新产品的数量和产品的总量之比来表示;时间柔性反映供应商对交货时间变动的应变能力,用能够交货的松弛时间占交货时间的百分比确定;数量柔性指主要由客户需求数量的变动引起,反映供应商多客户需求数量不确定性的适应能力,可以运用供应商能够获利的产品数量范围来衡量。
(六)产品的环保性
随着消费者的环保意识逐渐增强,其对所消费产品的要求越来越高。制造企业在考虑顾客需求的同时,也必然要求供应商的产品具有环保性能。主要通过考察供应商是否通过ISO14001认证、产品的环保设计以及产品的可回收性三个方面来衡量。这些指标不可量化,只能通过专家打分的方法衡量。
基于BP神经网络的供应商评价模型
供应商综合评价方法主要有层次分析法、模糊综合评价、DEA法、人工神经网络等。层次分析法在确定指标权重时带有很大的主观性,难以达到客观评价的目的;模糊综合评价虽然可对不确定因素进行评价,但并不能解决评价指标间相关造成的信息重复问题,同时隶属函数的确定还缺乏系统的方法;DEA法虽然能够克服一些主观因素的影响,但对有效的供应商不能进一步区分优劣,通过对权重的精细选择,使一个在少数指标上有优势而多数指标上有劣势的供应商成为相对有效的供应商。为克服上述评价方法的缺点,本文采用人工神经网络的方法构建供应商评价模型。
(一)BP神经网络
人工神经网络是基于对人脑组织结构、活动机制的初步认识提出的一种新型信息处理体系。通过大量的处理单元(神经元)广泛互连而成的网络,对人脑处理信息的功能进行模拟,是一种动态的学习系统。具有并行处理、分布式存储与容错性等特点,并具有较强的自学习、自组织和自适应性。人工神经网络特有的非线性适应性信息处理,使其广泛的应用到模式识别、智能控制、组合优化、预测、信用评价等领域。在人工神经网络的实际应用中,绝大多数的模型采用的是BP网络和它的变形,BP神经网络是基于误差反向传播的多层次前向神经网络。BP神经网络模型一般包含三层,即输入层、隐含层和输出层,其模型构造如图2所示。各层由若干个神经元(节点)构成,层内之间的神经元没有连接,层层之间的神经元形成互连。每一节点的输入值和输出值的关系由作用函数和阙值决定,神经元可以实现输入和输出之间的任意非线性映射(刘彬、朱庆华,2005)。
(二)基于BP神经网络的供应商评价模型构建
网络模型分三层,即输入层、中间层和输出层。输入层节点数为每个供应商综合评价的三级指标数xi(i=0,1,2…27),输出层节点数为一个,即每个供应商综合评价值oj(j=0,1,2…n),n为训练样本数;中间层(隐含层)的节点数根据隐含层节点计算经验公式μ=+a计算,其中μ为隐含层节点数,μ1,μ2为输入层和输出层节点数,a为1-10之间的常数,从而结合实际试算时的学习速率确定隐含层节点数。网络中除输入层的输入等于输出外,隐含层和输出层节点作用函数一般采用sigmoid函数,其定义为f(x)=1/1+e-x。
首先把作为输入层的评价指标值进行归一化处理。由于指标体系中各指标之间数量纲、数量级的不同等问题,并且既有定性指标又有定量指标,为使各指标在整个系统中具有可比性,必须对各指标进行无量纲处理。供应商评价指标有两种正向指标和反向指标,前者数值越大越好,后者数值越小越好,因此,无量纲化的处理公式有如下两个:
正向指标的无量纲处理:
Xi=xi-xmin/xmax-xmin (1)
反向指标的无量纲处理:
Xi=xmax-xi/xmax-xmin (2)
其中:xmin表示三级指标的最小值,xmax表示三级指标的最大值,xi的变化值在[0,1]之间,同时把归一化后的xi作为输入层数值。
第二步用随机数(一般为0-1之间)初始化αij和θj,其中αij为神经元j到神经元i的连接权理,θj为神经元j(隐含层和输出层)的阙值。
第三步计算各层神经元的输出。对于输入层神经元,其输入和输出值相同,即Oni=Xni,其中Xni为第n个样本的第i个值;对于隐含层和输出层的神经元输出的操作函数为,其中Oni既是神经元i的输出又是神经元j的输入,f(x)是一个非线性可微分递减函数。
第四步计算各神经元的误差信号。
输出层:βnj=(ynj-onj)onj(1-onj),ynj为期望输出值。
隐含层:βnj=oni(1-oni)∑jβnjαnj
第五步反向传播,修正权重。
αij(t+1)αij(t)+xβnjonj,x为学习速率或步长。
第六步计算误差。,当Er小于给定的拟合误差,网络训练结束;否则转到第三步继续训练。
第七步根据系统的输出结果对供应商进行综合评价。实际中根据系统的输出值划分相应的等级,0.9-1为“很好”,0.7-0.9为“好”,0.6-0.7为“较好”,0.5-0.6为“一般”,0.4-0.5为“较差”,0.2-0.4为“差”,0.2以下为“很差”,从而对供应商进行筛选。同时,把训练好的神经网络模型存入计算机系统,形成企业供应商评价的专家知识库,在需要时从计算机存储中调出即可使用。由于篇幅的原因,本文不再给出具体的算例。
结论
综上所述,本文分析总结了第四方物流环境下供应商评价指标呈现出来的新特点,并在此基础上构建了第四方物流环境下供应商综合评价指标体系。在评价方法的选取上,本文建立了BP神经网络的供应商评价模型,通过神经网络的自学习性、自适应性以及超强的纠错能力,实现对供应商综合能力的动态评价并能避免人为赋权的主观性。同时,把训练好的模型存入计算机系统,在选择不同的供应商时只需改变相应的评价指标值就能够较方便的实现,该模型在第四方物流企业为客户提供供应链解决方案时,针对不同的供应商的选择有一定的指导意义。
参考文献:
1.刘舒燕,王飞洲.第四方物流核心竞争力研究.武汉理工大学学报,2004
2.姚建明,张秀敏,刘丽文.4PL模式下供应链资源整合决策机制研究.科学学与科学技术管理,2007.3
3.Dickson G W An Analysis of Vender Selection System and Decisions [J],Journal of Purchasing,1966
4.Weber C A, Current J R,Benton W C. Vendor Selection Criteria and Methods [J],European Journal of Operational Research, 1991.50
5.马士华,林勇.供应链管理(第二版)[M].机械工业出版社,2005
6.马丽娟.基于供应链管理的供应商选择问题初探[J].工业工程与管理,2002.6
中图分类号：TP273.5 文献标识码：A 文章编号：1007-9416（2013）07-0068-01
物流管理体系建立作为企业一项重要的基础工作，而以信息化、流程化建设为依托的企业计量管理，在企业整体物流管理体系中起到重要的基础性作用。计量管理要以提高效率为中心，从单纯的管设备、管数据提升到物流管理体系建设上来。基于无人值守远程计量的物流管理体系建立能最大限度提高信息共享、计量工作效率，减少计量成本、计量异议，并加强公司效能监察。
1 首钢京唐无人值守远程计量实施背景
首钢京唐公司物流计量作为公司对外计量窗口，承担公司全部了物资进、出厂、厂际物资计量工作，一年大宗原燃料进厂等物资达3600多万吨，共有大型衡器64台、计量员53人，进出厂物流庞大，计量物资种类和数量繁多，传统计量方式下人工操作任务和强度较大，出错率高，效率低下，为了消除人为因素造成计量异议和计量损失，解决衡器设备多和计量员极少的矛盾，优化和合理利用人力资源，提高工作效率。
2 首钢京唐无人值守远程计量创新点
首钢京唐无人远程计量值守项目通过语音系统、视频监控系统、车号自动识别、红外定位系统、车辆控制系统、计重自动提示系统、票据自动打印等子系统的高度集成，真正实现汽车衡、轨道衡、成品秤、皮带秤等无人值守远程计量。
（1）无人值守，远程监控。从办证中心开始，控制车辆进厂，创建计量申请单，通过网络集成、视频监控、语音对讲、RFID等技术，计量中心与各个衡器设备实时信息交互，实现汽车衡、轨道衡、皮带秤、成品秤、水尺的远程值守计量；无须计量员操作；汽车衡现场设备自动模式下无须人工操作；汽车衡和轨道衡通过RFID技术实现车号自动识别。（2）流程控制，实现闭环。通过收货确认，汽运业务在汽车卸料前，通过各作业部库存管理人员对物料、库存地、车号等信息确认后，才允许汽车回皮，通过汽车从进厂、办证、计量、收货确认、卸料、回皮、计量、出厂等每个流程层层把关，达到物流闭环管理，实现汽运业务流程化管理，突破了钢铁企业汽运业务管理乱、难的问题。（3）计量中心智能排岗系统。智能排岗系统采用轮岗抽签的原则，在计量员上岗之前在系统内进行自动排序上岗，每次上岗时随机分配到给每个计量员具体衡器和计量业务，并且对已经抽签计量员的用户名与各个衡器的计量站名称进行绑定，实现计量员上岗前都不能确定自己具体负责的计量业务，这样就减少传统计量模式的弊端，从而有效防止计量舞弊行为的发生。（4）信息可查询，过程可追溯。采用Applet实现在客户端控制截图上传，通过独立的weblogic应用，实现截图显示；在计量过程中，同一车号上次计量的车辆截图和皮重信息自动显示在计量界面上与本次对比，便于计量员发现问题，并记录问题信息；计量过程中发现问题，可以随时查询录像记录，重现计量过程，实现计量数据和事件可追溯性。（5）数据深度挖掘功能。每月进行数据分析比对，查找问题，挖掘数据深层原因，改进计量业务流程或衡器设备，系统强有力的支持能快速准确得到实时、准确的数据信息，有利于分析、预判、解决生产过程中出现的问题。能为公司领导决策层提供实时、有效、准确的计量数据。（6）多平台信息交互功能。无人值守远程计量管理体系为公司信息化提供了基础物流数据，通过与公司信息化ERP四级、铁前、钢后MES三级系统、质检LIMS系统、各部门二级系统和衡器设备等软硬件数据交互，各系统之间实现了无缝连接。各系统跨平台之间的信息交互实时、准确是物流管理体系应用的基础条件。
3 首钢京唐无人值守远程计量主要功能构成
一、引言
物流活动是企业价值链的基础活动，是企业取得竞争优势的关键，被称为企业的“第三利润源”。许多生产企业在加强技术开发和推进全面质量管理的同时，已经把寻求成本优势和价值优势的目光转向外包的物流领域。对于在行业内有绝对优势地位的上市物流公司，经营效率评价已经成为企业计划和控制的有机组成部分，全面、合理的效率评价对企业的生存与发展具有举足轻重的作用。
近几年对于上市公司经营效率评价的方法主要有数据包络法、层次分析法、DEA-APH方法等。但是现有研究存在以下问题：具有随机性；主观性明显；评价结果缺乏全面性和科学性；传统的数据包络法（DEA）对于效率等于1的决策单位未做出进一步比较。因此，本文将因子分析法和超效率DEA模型相结合，有效克服现有研究方法的弊端，力求评价结果的客观和科学。
二、研究方法
（一）因子分析法
因子分析法是根据变量内部的依赖关系，以最少的信息缺失，把具有错综复杂关系的多变量重新整合为较少综合因子的一种分析方法。它的基本思想是将观测变量进行分类，将相关性较高的变量分为一类，那么不同类变量之间的相关性就较低。因此，每一类变量实际上代表一个基本结构，即公共因子。因子分析的目的就是试图用最少个数的不可测公共因子的线性函数与特殊因子之和来描述原来观测的每一分量。
（二）超效率DEA模型
DEA常见的模型为C2R模型，但是用C2R模型计算出来的效率范围只是在0到1之间，对于效率超过1的决策单位均以1显示，对这些决策单位无法做出准确区分。因此，Anderson & Peterson 依据 C2R模型的方法，进一步提出了超效率模型（super efficiency，DEA），该模型计算出的效率值将不再限制在0到1的范围内，而是允许效率值超过1，大大提高决策的准确性。
超效率DEA模型的基本原理与DEA模型相同，不同的是在进行第j0个决策单元的效率评价时，将第j0个决策单元产出投入之比小于等于1的约束去掉，使第j0个决策单元的投入和产出被其余所有的决策单元投入和产出的线性组合替代，即将第j0个决策单元排除在外，而传统的DEA模型是将其本身包含在内的。具体模型如下：
假设有n个评价单元（DMU），每个评价单元要消耗m个输入，可产生s个输出，即评价单元DMUj的输入Xj={xij，xij>0}（i=1，…，m），输出Yj={yrj，yrj>0}（r=1，…，s）。评价单元的效率为 hi=■uryyj /■vixij，j=1，…，n。其中：vj（vj≥0）为xij的权重；ur（ur≥0）为yrj的权重。要评价第j0个DMU的相对有效性，建立下面的超效率DEA模型：
maxhj0=■uryyj0/■vixij0
■uryyj/■vixij≤1，j=1，…，n，j≠k
v=（v1，v2，…，vm）T≥0
u=（u1，u2，…，um）T≥0
该模型可以转化为它的对偶线性规划问题模型（Dε）：
min[θ-ε（eTs-+ eTs+）]=V■
■λjxj+s-=θx0
■λjyj-s+=y0
λj≥0，j=1，…，n
s+≥0，s-≥0
在超效率DEA模型中，原为DEA无效的决策单元，效率值与基本DEA模型中的值相同，不同的是对于原为DEA有效的决策单元，超效率值θ≥1，大小取决于该决策单元输入输出的优劣程度，输入输出相对于其他单元比例越好，值越大。
三、实证分析
（一）样本选择及数据来源
本文随机选取10家物流上市公司作为样本（见表1），以2012年的年报数据为依据。
（二）因子分析建立输入输出指标体系
对于上市物流公司经营效率分析，就是利用投入指标和产出指标来衡量。由于投入和产出的指标很多，计算量大，本文利用因子分析法，在涵盖原有的信息的基础上以最少的信息缺失，将具有错综复杂关系的多变量重新整合为较少的综合因子。首先选取管理费用率、财务费用率、流动比率、速动比率、产权比率、营业周期、存货周转率、总资产周转率、资产负债率和权益乘数这10个财务比率指标作为基础投入指标，同时选取净资产收益率、资产报酬率、销售净利率、息税前利润、营业收入增长率、净资产增长率和总资产增长率这7个财务比率指标作为基础产出指标。分别利用因子分析法提取投入指标的公共因子和产出指标的公共因子，建立输入输出指标体系。
本文采用SPSS19.0统计软件，取特征值大于1的公共因子为有效。投入指标因子分析的总方差解释见表2，前四个因子的累计方差贡献率为91.029%，并且只有它们特征值的取值大于1。说明前四个公共因子基本包含了全部变量的主要信息，所提取的公共因子有较好的代表性。同理，产出指标因子分析的总方差解释见表3。
采用因子旋转方法能够使得因子载荷系数向0或1两极分化，使大的载荷更大，小的载荷更小。这样结果更具可解释性。提取结果见表4和表5。
从表中可以看出，因子分析提取了4个公共因子作为输入指标，2个公共因子作为输出指标。由此建立了输入输出指标体系。
（三）经营效率超效率DEA模型分析
为了判断上述决策单元经营效率是否有效，有效的决策单元又有怎样的区别，能否继续提高经营效率，从而进一步有针对性地提出优化资源配置和提高其经营效率的对策，本文利用超效率DEA模型进行深入分析。
现以本文选取的10家上市物流公司为例，说明超效率DEA模型的计算过程。
表6列示了根据因子分析建立的输入输出指标体系的数据。（1）投入因子（输入向量）（m=4）；（2）产出因子（输出向量）（s=2）。
按超效率DEA模型写出对中信海直进行经营效率评价的线性规划模型：
min=θ；
2.553λ2+0.048λ3+0.141λ4+0.830λ5+1.069λ6+0.763λ7+0.074λ8+0.189λ9+0.001λ10+s1= 0.063θ；
0.471λ2+2.813λ3+0.155λ4+0.254λ5+0.397λ6+0.564λ7+0.237λ8+0.080λ9+0.442λ10+s2= 0.214θ；
0.680λ2+0.224λ3+0.066λ4+1.246λ5+0.098λ6+1.043λ7+0.193λ8+0.754λ9+0.069λ10+s3=2.285θ；
0.727λ2+0.029λ3+0.006λ4+0.476λ5+1.126λ6+0.218λ7+0.352λ8+0.118λ9+2.555λ10+s4= 0.515θ；
0.322λ2+1.114λ3+0.209λ4+0.753λ5+2.513λ6+0.378λ7-0.237λ8-0.429λ9+0.344λ10-d1= 0.479；
-0.985λ2-0.583λ3-0.193λ4+0.080λ5-0.098λ6-1.123λ7+0.546λ8+0.462λ9+2.331λ10-d2= 0.656；
最后，利用Lingo软件求解，结果如表7所示。
由表7可知，海峡股份、江西长运和中国国航为非DEA有效。
对于中国国航，Σλ>1，则DMU为规模收益递减，表明DMU在当前投入的基础上，增加投入量不可能带来更高比例的产出。因此根据计算结果，需要增加投入因子2和投入因子4的相关指标，达到DEA有效。
对于海峡股份和江西长运，Σλ
其余8个物流企业θ>1，均为DEA有效。其效率由大到小依次为华贸物流、富临运业、中海海盛、中远航运、招商轮船、中信海直、中海集运。
以华贸物流和中海海盛为例，华贸物流可增加投入因子2的相关指标，进一步提高企业经营效率；中海海盛可增加投入因子2、投入因子3和投入因子4的相关指标，进一步提高企业经营效率。
四、结论
超效率DEA模型保留了传统DEA模型客观性强、简化计算和减少误差的优势，并且进行评价所得结果是在DEA模型评价所得结果上的进一步细化，会给决策者提供更多的信息。本文采用因子分析法和超效率DEA模型相结合，减少了主观因素对结果的影响，又不失合理性和科学性；解决了传统DEA模型对于效率等于1的决策单位无法区分优劣的问题；能够有针对性地提出定量化的建议和对策；而且计算简单准确，应用范围广泛。本文提供了应用该方法对10家上市物流企业进行经营效率评价的基本步骤，通过实例分析体现了该方法的实用性及优越性，表明它有很强的适用性和可操作性。
参考文献：
1.杨德权，裴金英.基于超效率DEA-IAHP的物流企业绩效评价[J].运筹与管理，2012，（2）：189-194.
2.黄世英，张中尚.上市公司经营效率评价文献综述[J].中国乡镇企业会计，2011，（12）： 236-237.
3.吕梁，高红.基于因子分析和数据包络分析的港口竞争力评价[J].大连海事大学学报，2010，（4）：43-47.
4.王中华，李湘君.基于超效率DEA的中国省际卫生服务效率分析[J].科技管理研究，2012，（2）： 61-63.
5.穆智蕊.基于超效率DEA模型的北京R&D投入绩效评价[J].科技进步与对策，2012，（3）： 117-120.
