资源环境约束下的省区物流效率测度研究——基于异质性和空间自相关分析

康铁良，王向前

（安徽理工大学经济与管理学院，安徽淮南 232000）

目前，我国物流运输成本占国内生产总值的16%左右，国家先后出台各项政策促进物流行业降低成本，并积极鼓励相关物流企业在运力及仓储等方面进行智能化装备升级。

数据包络分析（data envelophant anahysis，DEA）模型通过创建投入产出指标体系对物流企业进行评估，被广泛运用在效率评价中［1］。物流效率测量是一个多目标的复杂过程，目前国内外学者大多从期望产出（物流行业生产总值、货物周转量、货运量）采用数据包络分析法（DEA）及其改进方法和随机前沿分析法（SFA）对物流效率进行评价，很少从资源环境约束的背景下对物流效率进行评价。在研究方法上，龚雅玲等［2］利用DEA模型结合Tobit模型对物流发展效率进行测度；曹炳汝等［3］采用DEA-BBC模型和空间自相关模型探究物流效率的时空演化规律；刘承良等［4］运用SBM-Undesirable-DEA模型对低碳约束下的物流效率进行分析和评价。在区域物流效率研究方面，钟昌宝等［5］对长江经济带上相关省市的物流效率及空间差异进行研究；杨传明［6］对低碳约束下的江苏省物流产业进行效率评价；王丽萍［7］对中部六省物流运作效率进行研究。从上述文献中可以发现，当前对物流效率的研究主要集中在某个区域或某个经济带，多是基于相同的前沿面开展研究并假定各决策单元的技术水平无差异，未考虑区域间的技术水平差异，但是对不同省域进行物流效率评价的时候参照相同的前沿面是不科学的。本文基于以上研究背景，采用共同前沿和群组前沿模型对中国各省域的物流效率进行测量，解决省域之间因技术差异造成的物流效率的误差，使测量结果更加准确。

近年来，随着人们对资源环境的关注程度与日俱增，赵良仕等［8］、敬莉等［9］、查建平等［10］相关学者开始对资源环境约束背景下的行业和产业进行研究。王育红等［11］运用DEA-SBM模型对长江经济带11个省市进行物流效率的分析；杨雪等［12］运用三阶段DEA模型剔除环境因素和随机干扰后对“一带一路”10个内陆城市进行碳排放约束下的物流效率评价；国外相关学者把二氧化碳作为非期望产出纳入到低碳环境方面对物流效率进行研究［13］。通过对上述论文分析不难发现，很少有学者同时结合资源和环境对物流效率进行研究分析。本文根据现阶段学者的研究成果，考虑物流行业的特性，把资源环境纳入到物流效率评价的范畴对省域物流进行研究分析。为了进一步探究资源环境约束下的物流效率是否符合当前经济发展规律，本文以全国30个省市为研究对象，运用超效率DEA和空间自相关性对各省市之间物流发展状况及空间集聚性等问题进行研究分析，结合研究结果对不同省区后期物流发展规划的制定提出建议。

为此，首先考虑不同区域物流效率技术的异质性特征，基于共同前沿理论［14］框架下，对不同省区划分群组；其次以资源环境约束为出发点，将物流行业在发展过程中消耗的资源、产生的二氧化碳、二氧化硫污染物纳入到评价模型；最后运用物流无效率分解和空间自相关分析法对各地区物流效率的差异性及变动规律进行分析，据此寻求不同的效率提升路径，为各地因地制宜地制定资源节约型、环境友好型的减排策略提供理论支持。

1 研究方法

1.1 共同前沿非期望产出SBM模型

Battese等［15］提出共同前沿生产函数的分析框架，按照一定的标准把决策单元划分成不同的群组，采用随机前沿分析方法（SFA）界定所有决策单元的共同前沿和群组前沿［16］。共同前沿是指所有决策单元（DMU）的潜在技术水平，群组前沿指每组决策单元的实际技术水平，二者的主要区别在于所参照的技术集合不同［17］。本文是在资源环境约束的背景下进行的物流效率分析，参考文献［18］构造一个包含投入、期望产出和非期望产出的生产可能性集。求解效率问题有多种距离函数可以选择，而传统的CCR和BCC模型不能准确地考虑投入产出的松弛性问题。非期望产出（slack based measure，SBM）模型是由Tone Kaoru提出的，该模型将投入和产出松弛变量引入函数，解决投入和产出的松弛性和径向、角度选择的偏差［19］，解决了径向模型对无效率计算中没有考虑松弛变量的问题。区域物流的发展，不仅产生期望产出，同时也有非期望产出，考虑区域发展的同时，也要考虑现实的环境污染情况。本文将选用非期望产出的Super-SBM模型与共同前沿和群组前沿模型相结合对各省域的物流效率进行测度分析。群组前沿Super-SBM模型（共h组）可表示为

ph为群组前沿下决策单元效率值（GFTE），即

共同前沿非期望产出Super-SBM模型可定义为

pmeta为决策单元的共同前沿技术效率值（MFTE），即

本文依据文献［20］的研究的结果，基于超效率SBM-Undesirable方法构建共同前沿和群组前沿下的物流效率测度模型，用于界定资源环境约束下的物流效率，确定TFP指数变化，该方法能够把各区域之间的技术异质性的特征充分显现出来，从而对各区域物流效率的利用情况进行准确的描述，测度结果更符合真实状况。

1.2 物流利用无效率的分解

共同前沿是群组前沿的包络线，群组前沿能实现的共同前沿下也能实现。因此群组前沿计算出来的物流效率要高于共同前沿模型下计算出来的物流效率，通过计算共同前沿技术效率（MFTE）与群组前沿技术效率（GFTE）之间的比值，即技术落差率（technology gap ratio，TGR）来衡量两种不同前沿下的资源环境约束下的物流效率的差异。技术落差率定义为

其值反映群组前沿与共同前沿技术水平之间的差距，技术落差率取值介于［0，1］之间，其值越接近1，表示两种前沿下的物流效率越接近，说明决策单元的实际技术水平越接近共同前沿最优技术水平。技术落差率可以分析区域之间物流效率的差距，但是无法判断不同群组下物流效率差异的真正原因，给政策制定和实施带来困难。为了更好挖掘不同群组物流效率提升的制约因素，本文参考刘玲［21］基于异质性视角下我国全要素能源效率的研究，将物流利用无效率（IL）分解为技术差异无效率（TGI）和管理无效率（GMI），其定义分别为

1.3 空间自相关性分析

全局空间相关性用于分析研究空间的总体关联和空间差异，判断空间是否存在空间聚集情况。本文采用全局Moran’s I指数进行空间自相关性检验。

式中，I为区域间的相关程度；n为区域个数；S2为区域变量平均方差；为所有地区的平均值；Yi和Yj为i和j各地区的观测值；Wij为空间权重矩阵。Moran’s I值的区间在［-1，1］之间。在既定的显著水平下，Moran’s I值显著为正，代表存在空间正相关，Moran’s I值越大说明空间集聚倾向就越明显；Moran’s I值显著为负，代表存在空间负相关，其值越接近-1，说明空间越倾向于分散；当Moran’s I值为0时，表示不存在空间相关性。

2 指标选取及数据来源

2.1 指标选取

物流行业作为一个新兴的行业，目前我国没有发布针对物流行业的相关统计数据，唐建荣等［22］认为交通运输、仓储和邮政业可以代表物流业的发展情况。本文数据来源于《中国统计年鉴》《中国环境统计年鉴》《中国能源统计年鉴》和各省统计年鉴（2004-2017），根据数据的科学性和可获得性，选取了国内30个省级行政区（省、直辖市、自治区，简称省区）的相关数据（不包括西藏）建立投入产出体系，对于部分年份缺失的数据，采用STATA 16软件对数据进行补全。变量指标选取见表1，具体如下：

表1 资源环境约束下的物流效率测量指标体系Tab.1 Logistics efficiency measurement index system under resource and environment constraints

1）期望产出指标：选取全国30个省区以2006年为基期的交通运输、仓储和邮政业增加值（亿元）表示。

2）非期望产出指标：对于非期望产出指标的选择，不同学者有不同的看法。现实生活中，环境污染物众多，若采用单一的指标来衡量会造成环境指标构成比例一致的假定。基于文章主旨和相关文献［23-24］的研究，选用SO2和CO2排放量作为非期望产出指标。非期望产出主要考量物流行业在发展过程中产生SO2和CO2。根据IPCC的规定，物流业在发展过程中消耗的煤炭、汽油、煤油、柴油和天然气这5种能源，因为消耗电力不产生二氧化碳，所以主要考虑以上5种能源作为物流行业产生二氧化碳的主要来源，结合碳排放系数计算出二氧化碳的排放量（W），计算公式为

式中，Ei为能源的消耗量；i为各种能源；Fi(CO2)为各类能源的二氧化碳排放系数。

3）投入变量指标：①劳动投入：选取各省区在交通运输、仓储和邮政业城镇私营企业和个体就业人员数（万人）作为劳动投入指标。②资本投入：选取2004-2017年每年的交通运输、仓储和邮政业全社会固定资产投资（亿元），结合文献［25］的计算方法估计资本存量。③资源投入：本文将各省区交通运输、仓储和邮政业消耗的煤炭、汽油、煤油、柴油、天然气和电力这6种能源的基础数据，折合成标准煤计算（万t）。

2.2 组别划分

划分群组是本文重点关注的问题，选择划分标准关键是确保组群内各省的物流技术水平是相同或相似的，不同组群之间物流技术水平呈现出明显的差异性。本文结合之前相关的研究，依据国家物流枢纽布局和建设规划（2015-2030），结合各省区之间面临的问题，综合考虑各省区之间的经济发展状况及区域发展基础等因素，将30个省区划分为3类：东部经济发达区、中部经济一般区和西部经济落后区，简称东部、中部和西部。具体分区情况见表2。

表2 资源环境约束下的物流效率分区情况Tab.2 Distribution of logistics efficiency under resource and environmental constraints

3 实证分析

根据上述的研究模型，本文采用Maxdea软件，估算出30个省区2006-2017年资源环境约束下的物流效率值进行实证分析。

3.1 区域物流效率分析

由表3可知，无论在共同前沿还是群组前沿下，不同区域的物流效率有显著性差异。3个区域在共同前沿下，平均值从高到低依次是东部、中部、西部，分别为0.801、0.474、0.352，群组前沿下的物流效率分别为0.806、0.868、0.706。从全国范围来看，北京、河北、天津的效率值均大于1，属于物流效率高效率的省区。与此形成鲜明对比的省区是云南、重庆、广西、青海、四川、新疆、吉林物流效率值均小于0.3，属于物流效率低的省区。与以往的研究［26］不同的是，上海和广东的效率值并不是很高，可能是因为传统基于方向性函数的DEA方法是逐年构造生产前沿面的，而本文基于全局技术构造共同前沿面和群组前沿面，使得对不同年份的测量具有可比性。需要注意的是，在群组前沿下不同省区采用不同的技术前沿面，测算的效率值不能直接进行比较。

表3 2006-2017年各省区不同前沿下物流效率及技术落差比率值Tab.3 The value of logistics efficiency and technology gap ratio under different frontiers in various provinces and cities from 2006 to 2017

从表3中可以看出，3个区域的TGR的平均值从高到低依次是东、中、西部。其中东部TGR历年的平均值为0.996，认为东部群组实际技术水平最接近共同前沿最优技术水平，东部相关省区之间基本上不存在技术差异。与此相反，中部和西部的TGR历年平均值小于0.6，分别为0.565和0.533，说明中、西部地区物流效率被严重低估，区域内的物流技术水平存在较大差距。因此缩小区域内的物流发展技术水平差距，提高区域内物流技术水平，是提升中、西部区域内物流效率的主要途径。

3.2 绿色物流利用无效率分析

技术落差率只能大致衡量不同技术前沿下物流效率的差异，为进一步分析物流利用效率的来源，本文依据式（6）、（8）分别计算各地区历年来的技术利用无效率和管理无效率的结果见表4。由表4可以看出，东部的物流利用无效率平均值小于0.2，总体上维持在一个较低的水平，从整个趋势上看无效率值呈现波动变化。其中东部的物流无效率损失主要是由于管理无效率导致，技术利用无效率几乎为0，东部相关省区的物流利用技术水平处于国内前沿最优水平。中部和西部物流利用无效率整体偏高，随着时间的推移呈现出波动变化，总体上呈现下降的趋势，说明中、西部群组前沿与共同前沿的距离在逐渐减小。中部物流技术利用无效率主要是由技术无效率所造成，呈现先升后降的变化趋势，而与之相反的管理无效率却呈现上升的趋势，中部区域在进行物流技术提升的同时也应该加强对物流管理的重视。技术无效率和管理无效率对西部物流利用无效率的贡献不相上下，且二者呈现先下降后上升的发展趋势，造成这种情况的原因可能有以下两点：其一，西部各省区地处内陆，地理位置闭塞，基础设施建设薄弱等先天问题导致的技术和管理利用无效率偏大；其二，物流利用效率的发展存在类似于“环境库兹涅茨曲线”的现象，随着国家对西部大开发的推进，人们更关注收入水平的提高，对环境问题重视不足，物流发展方式比较粗放，导致物流无效率的增长。

表4 2006-2017年三大区域物流利用无效率及其分解Tab.4 Inefficiency and decomposition of logistics utilization in three major regions from 2006 to 2017

总体上来说，东、中、西部区域物流利用无效率（IL）的来源和变化趋势并不一致。东部物流利用无效率主要来自于管理无效率（GMI），而技术无效率（TGI）占的比例很小几乎可以忽略不计；中部物流利用无效率主要来源于技术差异无效率值；而西部物流利用无效率则源于技术和管理无效率两个方面。

3.3 物流效率空间相关性分析

3.3.1 共同前沿下物流效率全局空间相关性分析根据表5所示，2006-2017年共同前沿下全局Moran’s I指数在［0.262，0.532］之间，全部通过了1%的显著性检验，在空间上呈现正相关，表现出空间集聚现象。2006-2010年之间空间集聚现象在增强，从2011年之后空间集聚现象开始减弱。根据2006-2017年Moran’s I指数的变化，可以判断总体上呈现“弱集聚—强集聚—弱集聚”的波动趋势。

表5 共同前沿和群组前沿下物流效率全局Moran’s I值及显著性Tab.5 The overall Moran’s I value and significance of logistics efficiency under meta frontier and group frontier

3.3.2 群组前沿下物流效率全局空间相关性分析2006-2008年、2014-2017年群组全局Mo⁃ran’s I指数没有通过10%的显著性检验，说明群组前沿下物流效率在空间分布上不存在明显集聚或分散的特点。2016年Moran’s I值为-0.049，出现微弱的空间分散现象。2009-2013年群组Moran’s I指数通过10%的显著性检验，介于［0.123，0.313］之间，说明这些年份呈现弱集聚的现象。从2006-2017年的Moran’s I指数看，群组前沿总体上呈现“弱集聚—微强集聚—弱集聚—弱分散”的波动趋势。

3.3.3 不同前沿下局域空间相关性分析根据表6和图1，可以看出大多数省区都位于第一、三象限，超过全部省区的一半，说明全国大部分省区在空间上呈现集聚或分散的状态，从侧面说明空间集聚性要强于异质性。2006年有7个省区位于第一象限，有14个省区位于第三象限。到了2017年，第一象限的省区数量维持不变，第三象限的省区减小到12个。总的空间集聚趋势为“保持不变—略微升高—减弱”，说明经过这几年的不断发展，省区之间的物流效率差距在逐渐减小，这与当前发展高集聚度的区域性中心城市的发展方向相违背。

图1 2006、2010、2014、2017年共同前沿下物流效率的局部空间相关性分析Fig.1 Local spatial correlation analysis of logistics efficiency under the meta frontier in 2006,2010,2014 and 2017

表6 2006、2010、2014、2017年共同前沿下物流效率局部空间相关性分析Tab.6 Local spatial correlation analysis of logistics efficiency under the meta frontier in 2006，2010，2014 and 2017

表7是群组前沿下局部空间通过显著性的相关省区。北京在群组前沿下与周围的省区表现出高高集聚，而新疆在群组前沿下与周围的省区表现低低集聚。虽说2006、2014、2017年没有通过群组全局显著性检验，但在局部空间相关性上仍然表现显著。综上，2006-2017年群组前沿下物流效率局部空间的“热点”地区主要集中在北京及附近的省市，“冷点”地区主要集中在新疆及附近的省市。

表7 2006、2010、2014、2017年群组前沿下物流效率局部空间相关性分析Tab.7 Local spatial correlation analysis of logistics efficiency under the group frontier in 2006,2010,2014 and 2017

4 结论与建议

现阶段，我国国民经济由高速发展阶段转向高质量发展阶段，资源节约与环境保护成为环境政策制定的目标导向。对于物流行业的发展，考虑资源环境约束下的物流效率成为当前物流行业健康可持续发展的关键所在。考虑到不同区域的经济发展状况和技术水平存在巨大的差异性，本文在异质性视角下利用非期望产出超效率SBM模型对我国2006-2017年30个省区的物流效率进行测度分析，将物流利用无效率分解为技术无效率和管理无效率，并进行空间相关性分析。从多个方面剖析物流效率改善的潜力及空间差异。综上所述，本文得出如下结论：

1）在共同前沿下，东部、中部、西部物流效率值依次降低。在异质性考察中，中部和西部的技术落差率偏低，其中黑龙江、湖北、广西和四川尤为突出，在共同前沿下这些省区的物流效率被严重低估。

2）东部相关省区在共同前沿和群组前沿下的物流效率基本无差距，说明东部省区技术水平在共同前沿下达到最优。在群组前沿下，中部的物流效率略高于东部地区，可能是因为浙江省物流效率值偏低，拉低了整个东部的平均值。

3）对东、中、西部进行物流利用无效率分解发现：东部物流效率损失主要是由管理无效率造成的，而技术无效率是导致中、西部物流效率损失的主要原因，同时管理无效率也占一定比例。

4）对共同前沿和群组前沿进行全局空间相关性分析发现：共同前沿下物流效率呈现空间集聚的状态，群组前沿下只有一部分年份呈现空间集聚。进一步进行局部空间相关性分析发现：很大一部分省区都处于“高高”或“低低”象限，说明大部分省区都处于“强集聚”或“弱集聚”之间，所以物流效率的空间集聚性要强于异质性。

为了更有针对性地提高物流效率，促进不同省区之间物流的协调发展，结合对各个区域的分析结果，提出以下建议：

1）改善管理水平，切实减少物流效率的损失。东、中、西部3个区域都或多或少存在管理利用无效情况，管理无效是制约物流效率提升的关键因素，提高管理水平对于现阶段我国物流效率的提高具有现实意义。应加强区域内物流企业和物流从业人员的环保意识，提高领导阶层的管理水平，政府要提高综合环境治理水平，从而提高区域内的物流管理水平。

2）提高物流技术水平，减少物流行业能源消耗。中、西部地区物流效率损失的最主要原因是技术利用无效率，要想提高效率必须转变以往粗放的发展模式，提高区域内绿色节能技术，人才聚集是提高技术水平最直接、最快速的方式。技术人才的集聚能够带来知识和技术的集聚，从而改善区域创新力，加快区域创新发展。

3）构建区域交通枢纽中心，发达便捷的交通网络是物流行业发展的基础。完善基础设施，加快交通枢纽建设，提高交通承载力，为推进产业升级和经济跨越式发展提供关键支撑，进一步提升区域集聚力和辐射力。

4）创新区域协同发展战略，加快产业升级和能源结构调整。要“多渠道、多层次、全方位”地加强地区间的协作，提升物流效率空间集聚水平。对于“低高”或“高低”聚集的省区，要加强与物流效率高的省区之间交流与合作。各省区要降低能源消耗强度，改善环境水平，促进产业结构的升级和能源结构的调整，构建生态环境综合治理体系，加快传统产业转型升级，提升中心城市的综合承载能力和生态效益。