物流业高质量发展的时空分异及其驱动因素——基于绿色全要素生产率的视角

王 健 李敏杰

(福州大学经济与管理学院， 福建福州 350108)

一、引言

新中国成立以来，物流业从萌芽起步到快速发展，物流市场规模在2013年首次居世界第一，现已进入转型升级阶段。然而目前中国物流费用占GDP比重与发达国家相比居高不下，物流企业盈利能力和竞争力弱，与建设现代化“物流强国”存在一定差距。因此，如何推动物流业高质量发展成为亟待解决的问题。大部分文献对“高质量发展”的理解是从全要素生产率的视角展开分析，忽略了经济活动的外部环境成本。事实上，考虑资源与环境约束的绿色全要素生产率(Green Total Factor Productivity，GTFP)才更能够体现高质量发展的核心内涵和本质。[1]特别是，物流业作为生产性服务业，却是中国能源消耗和二氧化碳排放占比较大的行业，对环境的负面影响日益突出。2018年，中国物流业能源消耗占总消耗量的10%。因此，物流业不能再延续“小规模、低效率、高能耗、高污染”的发展方式和发展路径，需要走低碳发展之路。党的十九大报告也为高质量发展指明了方向，即“建立健全绿色低碳循环发展的经济体系”。“低碳发展”意味着在促进物流业增长的同时减少对环境的破坏，实现经济绩效和环境绩效的统一。[2]因此，中国物流业迫切需要转向以提升GTFP为核心的高质量发展阶段。

既有文献对物流业GTFP的研究主要从测算及其驱动因素两个方面展开。第一，关于物流业GTFP的测算。马越越和王维国把物流业能源消耗纳入投入指标，将碳排放作为非期望产出，采用共同前沿ML指数(Malmquist—Luenberger)测算物流业GTFP。[3]刘战豫和孙夏令、曹炳汝和邓莉娟均采用考虑非期望产出的Super-SBM模型和Malmquist指数分别测算了中国长江经济带和31个省份的物流业GTFP。[4][5]除此之外，李健和刘恋结合三阶段Super-SBM模型和M指数测算物流业GTFP。[6]张瑞和孙夏令则结合SBM模型和ML指数对物流业GTFP进行测度。[7]第二，关于物流业GTFP的驱动因素。俞佳立和钱芝网通过构建Tobit模型实证检验得出对外开放程度和信息化水平显著促进了物流业技术效率。[8]刘承良和管明明、李健等均引入SBM模型、空间自相关和空间计量模型，基于格局—过程—机理的思路探讨了低碳约束下中国30个省份物流业TFP时空演化及其驱动机制，前者实证结果显示GDP、信息化与产业集聚水平、政府调控以及外部市场环境与物流业GTFP正相关，后者则认为对外开放程度和物流市场需求是影响物流业GTFP的关键因素。[9][10]另外，外商直接投资(FDI)、环境规制、经济发展水平、人力资本水平、绿色物流政策也会对物流业GTFP产生影响。[11][12][13][14]

纵观上述研究成果，仍存在两个方面的改进空间：一方面是关于物流业GTFP的测算方法，现有文献多采用M指数或ML指数。实际上，传统的M指数是基于产出距离函数计算的，无法适用于考虑非期望产出的情况，而ML指数虽然能够测算GTFP，但目标函数可能出现无解的情况。另一方面是在关于物流业GTFP影响因素的探讨中，大部分文献忽视了各因素驱动作用的时序变化及其之间的相互交互作用。基于此，本文采用考虑非期望产出的超效率SBM模型，结合全局ML(Global-ML，GML)指数测算物流业GTFP，在刻画物流业GTFP时空分异的基础上，利用地理探测器挖掘物流业GTFP空间分异的主导驱动因素，同时对各驱动因素之间的交互作用进行分析，以期在环境和资源双重约束下，最大限度地提高物流业GTFP。

二、研究方法与指标选取

(一)研究方法

1. 超效率SBM模型

SBM作为一种非径向距离函数，在2001年被Tone提出以后广泛用于各行业GTFP的测算。[15]在评价单元效率都为1的情况下，SBM模型无法进行有效区分，从而很难进一步分析各评价单元效率值的差异性。因此，Tone又提出超效率SBM模型，用于评价SBM多个有效的决策单元，确保产生更合理的效率评价值。[16]借鉴黄磊和吴传清的做法[17]，本文在考虑非期望产出的基础上，对超效率SBM模型进行扩展：

(2)

2. GML指数

超效率SBM模型测算出的是静态效率，难以刻画物流业GTFP的动态变化情况。M指数与DEA模型相结合可以反映生产效率的变化状态，但在考虑非期望产出的情况下，传统的M指数无法适用，Chung等将M指数拓展为ML指数。然而ML指数在形式上不满足传递性和循环性的要求[18], 为弥补这一缺陷，Oh提出了全局ML即GML指数[19]，表达式如下：

(3)

3. Dagum基尼系数

本文采用Dagum基尼系数测度物流业绿色GTFP的地区差异，并通过对其分解剖析地区差异来源。首先，计算所有研究单元的总体基尼系数：

(5)

对总体基尼系数G按照子群分解的方法分解为地区内差异Gw、地区间差异净值Gnb以及地区间超变密度Gt。

G=Gw+Gnb+Gt

(6)

(7)

(8)

(9)

(10)

(11)

Djh=(djh-pjh)/(djh+pjh)

(12)

4. 地理探测器

地理探测器是由Wang等开发的用于探寻变量Y的空间异质性及其驱动机制的分析软件，其理论的核心思想是：如果某个因子X对变量Y有重要影响，那么两者应该具有相似的空间分布。[20]本文通过地理探测器中的因子探测和交互探测识别不同省份物流业GTFP时空变化的驱动因素及其交互作用，探寻影响物流业GTFP的主要因素。主要模型如下：

因子探测器用于分析因子X多大程度上可以解释Y的空间分布异质性，用q值度量。

(13)

交互作用探测器用于识别不同因子空间叠加交互效应，即分析因子X1和因子X2对Y的作用力是否相互独立，或者是共同作用于Y时对Y的解释程度是否增强或减弱。评估的方法是比较q(X1)、q(X2)和两者交互q(X1∩X2)值的大小，根据评估结果可以把因子X1和X2分为如表1所示的几类。

表1 因子交互表达关系

(二)数据说明与指标选取

1. 数据说明

作为新兴复合型产业，物流业并没有被涵盖在中国《国民经济行业分类》体系中。参考大多数文献的做法，以交通运输、仓储和邮政业的数据代替物流业。本文选取除西藏、香港、澳门、台湾外的中国30个省份作为研究对象，时间跨度为2005—2017年。

2. 物流业GTFP测算的指标选取

投入指标：选取物流业从业人员数、资本存量、交通基础设施和能源作为投入变量。资本存量的具体估算方式为永续盘存法，折旧率取值5.65%；[21]交通基础设施以铁路营运里程+内河航道里程+公路里程衡量；能源投入以物流业消耗最多的8种能源统一转换为标准煤后加总得到。[22]

合意产出：选取增加值和货物周转量分别作为物流业发展过程中合意的经济产出和服务产出，并以2005年为基期，利用全国层面的交通运输、仓储与邮政业价格指数对物流产业增加值进行平减。

非期望产出：物流业的污染物主要来源于运输中CO2的排放，以8种能源消耗量为基准，依据IPCC(2006)提供的公式计算CO2排放量。[23]

3. 物流业GTFP驱动因素的选取

本文在已有研究的基础上，从区域经济驱动、产业环境驱动和物流政策驱动三个层面选取影响物流业GTFP的驱动因素。(1)区域经济驱动体现在地区经济的不断发展提出了更多数量和质量的物流服务需求，从经济发展水平和第二产业增加值强度两个指标阐释。(2)产业环境驱动主要体现在区域的市场环境对物流业规模扩大、新能源技术研发及使用等方面的影响，包括物流业信息化水平、产业集聚水平、人力资本水平、对外开放程度和营商环境五个指标。(3)物流政策驱动表现在政府对教育、财政等方面的投入，可以同时为物流产业规模的扩大和技术进步提供资金保障和优良的外部环境，包括政府调控、环境规制和研发投入强度三个指标。各指标具体的含义和测算方法如表2所示。

表2 物流业GTFP的驱动因素及其测度

三、物流业GTFP测度结果与分析

(一)物流业GTFP的时序变化

结合超效率SBM和GML指数，计算2005—2017年中国30个省份的物流业GTFP。从全国物流业GTFP的平均值看，2005—2017年中国物流业GTFP平均值为0.986，并没有达到有效水平，有待提升。图1显示了2005—2017年中国以及三大区域物流业GTFP的时序变化。由图1可知，2005—2017年中国和三大区域物流业GTFP的均值总体呈现先上升、再降低、然后波动发展的趋势。从中国整体的视角看，大致可以分为几个阶段：2005—2008年呈持续上升趋势，物流业GTFP由2005年的0.818上升为2008年的1.192，这一时期中国现代物流业刚刚兴起，得益于国家出台的有力措施获得发展，对资源和能源的消耗量小，减排压力和成本较小。受国际金融危机的影响，2009年物流业GTFP下降幅度高达20.35%。2010—2012年物流业GTFP较2009年有所提升，虽并未恢复到2008年水平，但均值超过1，说明该时期中国物流业已经逐渐摆脱国际金融危机的影响并稳步发展。2013年物流业GTFP再次出现大幅度下降，甚至低于2005年的物流业GTFP水平。物流业快速发展所带来的环境问题已不容忽视，资源与环境的约束已成为物流业GTFP提升的硬性制约条件。随着国家采取严格的环境规制政策以及节能减排技术的推广使用，物流业GTFP有所提升。总体而言，2013—2017年物流业GTFP呈“N”型变化趋势，虽然2015年出现下降，但这一时期物流业GTFP还是有所上升的，且2017年物流业GTFP超过1。从分区域的视角看，物流业GTFP平均值呈现“东部—中部—西部”依次递减的特征。其中，东部和中部的物流业GTFP平均值高于全国平均水平，分别为1.016、1.000，西部地区的物流业GTFP平均值则低于平均水平，为0.946。东部和中部地区物流业相对发达，特别是东部为中国人口与产业集聚的区域，物流业已形成一定的规模经济，同时东部汇聚了一大批国内外实力雄厚的科研机构、高校和企业，创新能力与节能减排技术也领先于其他地区。西部地区物流业发展仍依靠大规模投入资源，污染治理技术和水平较低，物流业发展的资源环境压力较大。

图1 全国及三大区域物流业GTFP平均值的时序变化

(二)物流业GTFP的地区差异

图2(上)显示了全国及三大区域物流业GTFP的基尼系数及其变化。2005—2017年物流业GTFP的总体基尼系数G整体呈下降的趋势，下降幅度为57.08%，仅个别年份轻微上升，说明中国物流业GTFP的总体差异在逐渐缩小。三大区域中，东部地区基尼系数有所提高，上升幅度为41.84%，这表明东部地区物流业GTFP的差距在不断拉大。可能的原因是，东部地区存在广东、浙江、上海等物流业GTFP位于全国前沿的省份，但同样存在物流业GTFP位于全国中下游的省份，如海南，使东部地区内物流业发展出现一定程度的断层。中部和西部地区的基尼系数变化趋势较为一致，均呈现波动中下降趋势。

三大区域物流业GTFP的区域间差异的演变如图2(下)所示。从数值大小看，考察期内东部—西部、东部—中部、中部—西部基尼系数均值分别为0.098、0.082、0.077，表明东部与其他两大区域物流业GTFP存在明显差异。从时间演变看，区域间基尼系数呈现波动中下降的趋势，比如东部与中部的差异从2005年的0.116降至2017年的0.088。东—西、东—中的基尼系数走势基本相同，2008年、2013年和2017年有较大幅度上涨，其余年份小幅度升降；中—西的基尼系数在2007—2008年急剧上升，上升幅度达70.65%，其余年份小幅度升降。

图2 物流业GTFP总体基尼系数及其分解

(三)物流业质量与数量的关系分析

借鉴聂长飞和简新华的做法，对物流业高质量发展与数量增长的一致性进行分析。[25]质量即物流业GTFP，数量即人均物流业增加值。具体设定：考察期内若物流业质量排名等于数量排名，称该省份为质量“同步型”；物流业质量排名大于数量排名，称该省份为质量“超前型”；物流业质量排名小于数量排名，称该省份为质量“滞后型”。质量排名与数量排名之差的绝对值越小，表明该省份物流业高质量发展与数量增长的一致性越强。

根据表3可知，物流业质量同步型的省份个数为0，质量超前型的省份有12个，质量滞后型的省份有18个。东部地区，仅广东、江苏、浙江三省为质量超前型，其他8个省份均为质量滞后型。中部地区，江西、湖北等5个省份为质量超前型，山西、吉林和黑龙江三省属于质量滞后型。西部地区，广西、云南、四川和甘肃四省属于质量超前型，内蒙古、贵州等7个省份属于质量滞后型。从排名之差看，物流业质量与数量排名差的绝对值不大于3的省份仅上海、山东、甘肃，说明这三个省份物流业高质量发展与数量增长的一致性较强。其他27个省份的物流业质量与数量排名差的绝对值均大于3，说明这些省份物流业高质量发展与数量增长的一致性较差。江西、广西、四川、天津和宁夏5个省份的质量与数量排名之差的绝对值甚至超过了15。物流业高质量发展不是完全摒弃“量”，而是使数量与质量同步提升。因此，这些省份必须在未来物流业发展过程中协调好数量与质量的关系。

表3 物流业质量与数量排名比较

四、地理探测器测度结果与分析

(一)因子探测结果与分析

表4汇报了2005年和2017年因子地理探测结果。

表4 因子探测结果

从全国总体看，2005年，经济发展水平和第二产业增加值强度是影响物流业GTFP的主要因素，说明良好的经济基础和产业基础有利于提高物流业效率。2017年，对外开放程度上升为影响物流业GTFP的最主要因素，外资的引入可以显著减少物流业CO2的排放强度[26]，因此有利于物流业GTFP提升。

从东部地区看，2005年，市场化程度是推动物流业GTFP的主要因素。另外，环境规制和研发投入强度也在很大程度上推动了物流业GTFP的提升，说明东部地区在2005年物流业发展软环境的改善对物流业GTFP起到了正向促进作用。2017年，FDI对物流业GTFP的影响较小，推动物流业GTFP的因素主要是产业集聚水平与经济发展水平。经济新常态下，中国物流业增速呈放缓态势，因此物流业GTFP的提高要从依靠外资、外需转向内需。一方面注重提高自身经济发展水平，扩大对物流业的需求；另一方面促进物流业集聚发展，利用规模经济效应提高投入产出比，降低物流成本。

从中部地区看，2005年，第二产业增加值强度与产业集聚水平是影响物流业GTFP的最主要因素，说明大力发展第二产业对提高中部地区物流业GTFP至关重要。2017年，产业集聚水平和市场化程度成为物流业GTFP的主要推动因子，说明这一时期营造良好的行业环境更有利于物流业绿色健康发展。

从西部地区看，2005年，环境规制和产业集聚是物流业GTFP的主要推动因子。可能的原因是西部地区经济基础与产业基础较为薄弱，未成为提升物流业GTFP的主导因素。2017年，经济发展水平与政府调控对物流业GTFP的影响仍较高，均超过0.3，但不是最重要因素。产业集聚再次成为影响物流业GTFP的主导因素。此外，信息化水平很大程度上也带动了物流业GTFP提升。

(二)因子交互探测结果与分析

交互探测器用于考察驱动因子对物流业GTFP空间分异的影响是否存在交互作用，表5汇报了交互探测器的测度结果。根据表5，因子两两交互的类型均表现为非线性增强或双因子增强，说明任意两个因子的交互作用大于单个因子的影响，进而表明物流业GTFP的空间分异是由多个因素协同增强效应共同作用的结果，而不是由单一因素导致的。2005年，政府调控与环境规制的交互作用对物流业GTFP空间分异的影响最大为0.877，经济发展水平与产业集聚水平的交互作用、经济发展水平与政府调控的交互作用、第二产业增加值强度与市场化程度的交互作用、第二产业增加值强度与政府调控的交互作用以及人力资本水平与环境规制的交互作用对物流业GTFP空间分异的影响也较大，均超过0.8。2017年，产业集聚水平与对外开放程度的协同效果明显增强，因子交互探测器的q值为0.805，解释力超过80%。此外，第二产业增加值强度与信息化水平、第二产业增加值强度与对外开放程度、产业集聚水平与环境规制、对外开放程度与环境规制交互作用后对物流业GTFP空间分异的影响也较大，因子交互探测器的q值均超过0.7。

表5 因子交互作用下对物流业GTFP的影响力

五、结论与建议

(一)结论

本文运用超效率SBM模型、GML指数和地理探测器等方法，测度2005—2017年中国30个省份的物流业GTFP。在此基础上，分析物流业GTFP的时序变化、地区差异以及质量与数量之间的关系，考察物流业GTFP空间分异的驱动因素。结论如下：(1)2005—2017年中国物流业GTFP平均值为0.986，并没有达到有效水平，且省际差异显著，但差距呈现不断缩小的趋势。(2)从时序变化看，考察期内物流业GTFP呈波动中上升态势，2009年与2013年形成低谷；从空间分布看，低效率区普遍分布在西部，高效率区则集中于东部。(3)考察期内物流业质量发展与数量发展的一致性较差，质量超前型的省份有12个，质量滞后型的省份有18个，有5个省份的质量与数量排名之差绝对值超过15。(4)全国物流业GTFP提升由经济与第二产业驱动转为FDI驱动，东部地区物流业GTFP由外部软环境驱动转为产业集聚与经济发展驱动，中部地区则由第二产业驱动转向产业集聚驱动与FDI驱动，西部地区由政府驱动转向产业集聚驱动与技术驱动。另外，驱动因子两两交互作用均表现为非线性或双因子增强。

(二)建议

根据以上相关结论，本文提出如下建议：(1)根据地区资源禀赋，加快清洁能源替代化石燃料，从源头控制物流业碳排放。当前，物流业仍以煤油、柴油等石油产品为主要消耗品，加剧了温室气体的排放，增加了物流业发展过程中的非期望产出。因此，优化能源消费结构是减少碳排放的关键。对于东部沿海地区，应以充分利用核能、海洋能、风能为主；对于拥有丰富的风能和太阳能资源的中西部地区来说，可以通过打造清洁能源基地，优化能源产业链，发挥可持续能源潜力。(2)树立“绿色物流”的发展理念。物流业绿色发展需要政府、企业和消费者等多方参与主体的共同努力。对于政府而言，可以将“绿色物流”纳入政府计划，并出台相关政策规范物流企业，敦促物流企业采取有利于环境保护的行动。对于企业而言，应积极开展技术改造和新技术研发，不仅在物流设备制造方面进行创新，还需要提高物流规划和管理中的技术水平，比如智能资源技术、电子追踪技术，依靠科学技术降低物流能源消耗。对于消费者而言，也要树立“绿色物流”的意识，倒逼企业朝着绿色化转型。(3)发展开放型经济，引进高质量外资。FDI可能导致“污染天堂”，也可能发挥“污染光环”的作用，因此在积极引进外资的同时需要强调FDI在促进行业技术进步方面的作用，加快引资模式由数量型向质量型转变，吸引“三高三低”的外资企业入驻，避免地区之间因争夺FDI而产生的“逐底竞争”。(4)优化物流业空间布局，提高产业集聚水平。2017年，产业集聚水平成为提升东中西部物流业GTFP的主导因子，因此优化物流产业空间布局对提升物流业GTFP至关重要。地方政府应该积极培育物流产业集群，引导集聚区内的企业通过资源共享、风险分散、合作协同、技术溢出等多种途径来提升物流效率。

注释：

[1] 秦琳贵、沈体雁：《科技创新促进中国海洋经济高质量发展了吗——基于科技创新对海洋经济绿色全要素生产率影响的实证检验》，《科技进步与对策》2020年第9期。

[2] Zhang W., Zhang M.,Zhang W,et al., “What Influences the Effectiveness of Green Logistics Policies? A Grounded Theory Analysis”,ScienceofTheTotalEnvironment, vol.714,no.1 (2020), p.136731.

[3] 马越越、王维国：《异质性生产技术下中国区域物流产业全要素生产率》，《系统工程》2015年第10期。

[4] 刘战豫、孙夏令：《中国物流业绿色全要素生产率的时空演化及动因分析》，《软科学》2018年第4期。

[5] 曹炳汝、邓莉娟：《长江经济带物流业效率增长影响因素》，《经济地理》2019年第7期。

[6] 李 健、刘 恋：《省际物流业绿色全要素生产率时空差异及空间收敛性研究》，《长江流域资源与环境》2020年第4期。

[7] 张 瑞、孙夏令：《中国省域物流业绿色全要素生产率的演进及溢出》，《商业研究》2020年第3期。

[8] 俞佳立、钱芝网：《长江经济带物流产业效率的时空演化及其影响因素》，《经济地理》2018年第8期。

[9][23] 刘承良、管明明：《低碳约束下中国物流业效率的空间演化及影响因素》，《地理科学》2017年第12期。

[10] 李 健、田 丽、王 颖：《考虑非期望产出的区域物流产业效率空间效应分析》，《干旱区资源与环境》2018年第8期。

[11] Wang Y., Xin L., “The Impact of China’s Trade with Economies Participating in the Belt and Road Initiative on the Ecological Total Factor Energy Efficiency of China’s Logistics Industry”,JournalofCleanerProduction, vol.276 (2020), p.124196.

[12] Liang Z., Chiu Y., Li X., et al., “Study on the Effect of Environmental Regulation on the Green Total Factor Productivity of Logistics Industry from the Perspective of Low Carbon”,Sustainability, vol.12, no.1 (2020), p.175.

[13] Yang J.,Tang L., Mi Z.,et al., “Carbon Emissions Performance in Logistics at the City Level”,JournalofCleanerProduction, vol.231 (2019), pp.1258-1266.

[14][22] Li M., Wang J., “Spatial-Temporal Distribution Characteristics and Driving Mechanism of Green Total Factor Productivity in China’s Logistics Industry”,PolishJournalofEnvironmentalStudies, vol.30, no.1 (2021), pp.201-213.

[15] Tone K., “A Slacks-Based Measure of Efficiency in Data Envelopment Analysis”,EuropeanJournalofOperationalResearch, vol.130, no.3 (2001), pp.498-509.

[16] Tone K., “A Slacks-Based Measure of Super-Efficiency in Data Envelopment Analysis”,EuropeanJournalofOperationalResearch, vol.143, no.1 (2002), pp.32-41.

[17] 黄 磊、吴传清：《长江经济带城市工业绿色发展效率及其空间驱动机制研究》，《中国人口·资源与环境》2019年第8期。

[18] Chung Y. H., Färe R., Grosskopf S., “Productivity and Undesirable Outputs: A Directional Distance Function Approach”,Microeconomics, vol.53, no.3 (1997), pp.229-240.

[19] Oh D.H., “A Global Malmquist-Luenberger Productivity Index”,JournalofProductivityAnalysis, vol.34, no.3 (2010), pp.183-197.

[20] Wang J.,Li X.,Christakos G.,et al., “Geographical Detectors-Based Health Risk Assessment and Its Application in the Neural Tube Defects Study of the Heshun Region, China”,InternationalJournalofGeographicalInformationScience, vol.24, no.1 (2010), pp.107-127.

[21] 陈昌兵：《可变折旧率估计及资本存量测算》，《经济研究》2014年第12期。

[24] 东部地区包括北京、天津、河北、辽宁、上海、江苏、浙江、福建、山东、广东和海南，中部地区包括山西、吉林、黑龙江、安徽、江西、河南、湖北和湖南，西部地区包括内蒙古、广西、重庆、四川、贵州、云南、西藏、陕西、甘肃、青海、宁夏和新疆。

[25] 聂长飞、简新华：《中国高质量发展的测度及省际现状的分析比较》，《数量经济技术经济研究》2020年第2期。

[26] 臧 新、潘国秀：《FDI对中国物流业碳排放影响的实证研究》，《中国人口·资源与环境》2016年第1期。