低碳约束下中国物流业全要素能源效率评价*

江雨珊 戢晓峰* 李杰梅

(昆明理工大学交通工程学院1) 昆明 650500) (云南综合交通发展与区域物流管理智库2) 昆明 650500)

0 引 言

物流业是我国能源消费的主要行业，大量的能源消耗和CO2排放使物流业成为导致环境负外部效应的主要源头之一.研究当前我国物流业的能源消耗情况，并对其动态变动和区域差异进行分析，进一步探究其关键影响因素，有利于实现物流业节能减排目标.

目前，已有研究多采用数据包络分析方法(data envelopment analysis, DEA)评价能源效率，如王群伟等[1-2]利用DEA-Malmquist分别对中国全要素能源效率、物流业能源效率的变动进行了实证研究；魏楚等[3]基于DEA方法构建出相对前沿的能源效率指标，计算了中国省际能源效率.然而，上述研究都未考虑化石能源消耗产生的CO2等非期望产出，这会导致效率得分的偏差.Zhou等[4]第一次提出包含非期望产出的DEA效率评价模型；汪克亮等[5]选取基于投入导向的BCC-DEA模型，测算包含环境效应的中国省际全要素能源效率；郭文等[6]利用改进的非期望SBM模型(Slack-based Model)系统评价了中国28个省(市、区)的能源效率.同时，为更加精准地测度能源效率，需将所有决策单元进行全部排序，如吴琦等[7]使用超效率DEA方法和主成分分析法对中国30个行政区域进行能源效率评价；孙秀梅等[8]将三阶段DEA模型和超效率SBM相结合来测算中国东西地区的碳排放效率.

针对现有研究未考虑非期望产出导致的能源效率得分偏差，以及无法将所有决策单元物流业能源效率进行全排序的问题，本文利用2006—2015年中国省际面板数据，首先采用超效率非期望SBM模型评价各省物流业的能源效率；其次，为进一步探究物流能源效率变化的内在驱动因素，使用GML指数(global malmquist luenberger)从技术效率和技术进步对其进行分解，全面反映各地区物流业能源效率差异变化的演进轨迹及趋势特征，以期为制定物流碳减排政策提供理论依据.

1 模型构建

1.1 超效率非期望SBM模型

考虑到超效率非期望SBM模型兼顾了投入产出的松弛性以及全排序的问题，本文将物流业CO2排放量作为非期望产出，采用该模型测算物流业全要素能源效率.考虑 个决策单元(DMU)，每个DMU由投入m，期望产出r1和非期望产出r2构成，向量形式表示为x∈Rm，yd∈rr1，yu∈Rr2.构建超效率非期望SBM模型为[9]

(1)

λk>0j=1,2,…,nj≠0

1.2 GML指数

引入Pastor等[10]提出的GML指数，测算物流业能源效率变动情况，指数大于1表示效率比上一年提升，反之下降.t期到t+1期的效率指数为[11]

(2)

式中：Eg(xt,yt)为t时期以研究期间所有DMU为参考集的评价结果；Et(xt,yt)为t时期以当期所有DMU为参考集的评价结果.GML指数可分解为技术效率变化(EC)和技术进步(TC).

2 指标选取和数据说明

2.1 投入指标

资本投入：将固定资产投资代替资本存量作为资本投入量，以2006年为基期的固定资产投资价格指数折算为不变价.

劳动力投入：选取交通运输、仓储和邮政业职工人数作为劳动力投入.

能源投入：将交通运输、仓储和邮政业的煤炭、油品、天然气、电力消费总量作为能源投入.

2.2 产出指标

期望产出为交通运输、仓储和邮政业增加值，以2006年为基期按GDP平减指数进行可比价格处理.

非期望产出为物流业CO2排放量，采取如下公式计算物流业CO2排放量：

(3)

式中：Ei为第 种能源消费量(折标准煤)，i=1,2，…，8分别为煤炭、油品、天然气、电能等8种主要能源；δi为本文估算的第i种能源CO2排放系数.

3 实证分析

3.1 低碳约束下能源效率评价

3.1.1时序演变特征

运用式(1)测算出2006—2015年中国物流能源效率值，见图1.由图1可知，研究期间全国物流业能源效率波动下降.其中，东部地区的能源效率值远高于中、西部地区，效率值波动范围为0.5～0.65，呈现出波动上升趋势.中部地区效率值波动范围为0.35～0.55，总体呈下降趋势.西部地区效率值波动范围为0.39～0.49，与中部地区共同呈现出相互交替的波动下降趋势.此外，通过计算三大地区物流能源效率的方差得知，中部地区方差最小(0.016)，表示中部地区物流业能源效率值的空间差异较小；东部地区方差最大(0.054)，表示东部地区内部各省物流能源效率值存在较大差异.

图1 中国物流能源效率时序演变图

3.1.2空间演变特征

为进一步分析物流业能源效率空间分布格局的演变特征，选取2006年和2015年为研究截面，将中国30个省(市、区)的物流能源效率分为高水平、中等水平和低水平三种类型，见图2.

a) 2006年

b) 2015年

由图2可知，物流业能源效率总体呈现出东高西低的空间分布格局.高水平型分布在东部沿海地区和宁夏，数量呈减少趋势，范围由东部逐渐向东南部延伸.主要得益于东部沿海等发达地区的区位优势和政策优势，这些地区在产业结构优化调整和生态环境治理方面均取得重大成效，技术创新逐渐成为经济增长的内生动力.中等水平型主要分布在中西部地区，数量呈减少趋势.这些地区大部分处于工业化中期阶段，受区位条件和资源禀赋约束，高耗能的物流业易产生环境污染等负外部效应；同时，产业结构不均衡导致创新能力不足和产业活力不高，要素投入带来的经济效益无法补偿对资源索取带来的生态破坏.低水平型主要集中在西部，且向东北部和中部蔓延，数量呈增加趋势.西部地区工业化起步晚，资本吸引力不强，产业结构不合理，虽然“西部大开发”等战略构建了良好的政策环境并吸引了巨额投资，但资本主要用于基础设施的大规模建设，不仅能源未得到有效利用，还加剧了环境污染.

3.2 GML指数分析

运用式(2)，测算出我国物流全要素能源效率的GML指数及其分解，见表1.由表1可知，全国GML指数有5个时期小于1，其平均值小于1，总体呈下降趋势，这与能耗强度、碳排放强度的上升结果一致.从区域视角分析，我国东部地区物流能源效率指数平均值为1.016，中部为0.972，西部为0.976.东部地区物流能源效率总体呈上升趋势，主要得益于良好的区位优势和政策条件，形成了较为完善的物流产业体系，物流行业效率得到充分发挥.中、西部地区总体呈下降趋势，这是因为东部地区向内陆不断迁移高耗能工业制造业，加剧了中、西部的能源和环境压力.

表1 2006—2015年我国物流能源效率指数及其分解

同时，我国技术效率指数总体呈现出“W形”的波动上升趋势，东部地区振幅最大；而技术进步指数却呈现出波动下滑的趋势.其中，中部地区技术进步指数呈增长趋势，东部和西部地区呈下降趋势；主要因为东、西部由于各自存在能源消耗回弹效应和技术型人才流失的问题，造成技术进步分指数略低于中部地区.总体来看，我国物流业能源效率呈下降趋势，下降了1.06%，造成效率下降的原因主要是技术水平的下降；虽然同期的技术效率呈增长趋势，但无法抵消技术水平下降导致的衰退.

3.3 能源效率改善潜力及途径分析

针对各省物流业能源效率现状，在运用式(2)获取非DEA有效省份的基础上，计算出其2015年投入产出要素的改善潜力，见表2.

表2 2015年非DEA有效省份投入产出改善潜力表

注：括号内数据为投入产出调整及改善潜力的百分比.

固定资产投资方面，各省份都存在冗余，但具体冗余比例差异很大，如河北固定资产投资过剩比重为4.76%，而云南则高达89.62%；劳动力投入方面，除了河北、江苏、青海，其他省份在减少劳动力冗余方面有很大改进空间，如北京的人员投入冗余比例最高，为71.72%，是河北的35倍(2.03%)；能源投入方面，全国平均节能潜力为52.37%.其中，上海节能潜力最高，为72.96%，江苏最低，为17.32%，而河北为0；CO2减排方面，各省份都有很大的减排空间，全国平均碳减排潜力为45.94%，其中上海的碳减排潜力最大(67.69%).

总体来看，非DEA有效省份都存在投入冗余、CO2排放过量的情况.这反映出要素投入规模和结构不合理，能源浪费，非期望产出过多等问题.未来各省需进一步调整固定资产投资规模，控制资金流向和用途；精简人员和机构，减少不必要的物流岗位；同时，优化能源消费结构和产业结构，提高能源资源利用效率.

4 结 论

1) 中国物流业能源效率总体呈波动下降趋势；其中，东部地区的能源效率值一直居于较高水平且呈上升趋势，中部和西部地区则呈交替波动下降趋势.

2) 中国物流业能源效率整体上呈现出东高西低的空间分布特征.同时，东部地区各省表现出较大差异性，而中部和西部地区各省差异较小.

3) 造成我国物流业能源效率下降的主要原因是技术水平的下降，而同期的技术效率呈增长趋势.

4) 非DEA有效省份存在投入冗余和碳排放过量的现象，各地区应深入了解自身物流业的碳排放情况，通过测算减排潜力和成本效益，确定减排路径.