基于Super-PEBM模型的中国省域物流业碳排放效率测度研究

摘 要：对省域物流业碳排放效率的准确测度是各省制定物流业减排策略的基础。基于2010—2017年面板数据，结合环境DEA技术，构建Super-PEBM模型对我国省域物流业碳排放效率进行测度，并分析省物流业碳排放效率的时序变化和空间分布特征。实证结果表明，我国物流业碳排放效率总体偏低，呈缓慢上升趋势，有较大的提升空间。在空间分布上，呈现东部最高、中部地区次之、西部地区最低的分布格局，东、西部物流业碳排放效率相差较大，但差距呈现缩小的趋势。

关键词：碳排放效率;Super-PEBM模型;数据包络分析;物流业

中图分类号：F124.5        文献标志码：A      文章编号：1673-291X（2022）13-0038-05

引言

国际能源署（IEA）统计数据显示，受能源需求上升的推动，近年来，全球碳排放量呈反弹趋势，减少碳排已成为全球共识。2019年，中国碳排放量达到近百亿吨，占世界碳排放总量的30%左右，且呈现持续上升的趋势。作为世界上最大的能源消耗国和碳排放国，我国面临着巨大的减排压力。在国际气候问题应对上，我国也积极贡献了中国方案。2020年9月，国家主席习近平在第七十五届联合国大会的讲话中承诺：“CO2排放力争于2030年前达到峰值，努力争取2060年前实现碳中和。”行业减排是支撑我国控制温室气体排放总量的重要手段，而物流业是第二大碳排放行业，将成为未来能源需求和碳排放增长的主要推动者，是我国碳减排的重点行业。

一、研究综述

碳排放问题是当下的研究热点，已有研究主要集中在对碳排放效率内涵、评价方法的研究上。在碳排放效率内涵的界定上，主要分为单要素与全要素碳排放效率。Kaya（1997）认为，碳生产率是用来衡量碳排放的指标，通过碳排放量与GDP的比值来确定[1]。Mielnik（1999）则将碳排放效率定义为两个变量的比值[2]。上述学者的观点是从单要素的视角出发，并不能全面刻画碳排放效率的内涵。因此，有学者从全要素的角度展开了研究。李小胜等（2018）利用共同前沿分析方法，对我国“十二五”时期全要素碳排放效率进行了测算[3]。郭海红等（2020）利用Malmquist指数，测度了我国农业绿色全要素生产率[4]。在评价方法方面，效率评估最早由Farrell（1957）提出，他将生产率的概念拓展为生产效率，主要分为参数法和非参数法[5]。随机前沿法（SFA）是经典的参数方法，主要是通过随机误差项来衡量效率的有效性。钱浩祺等人（2019）基于消费侧和生产侧碳排放视角，利用SFA方法测算了各地区的碳排放效率[6]。Khan（2020）采用SFA方法测算了2012—2016年南亚农业部门的环境生产效率[7]，但SFA方法也存在前沿面随机，且要求被解释变量相互独立等缺陷。作为非参数方法，数据包络分析（DEA）方法因其不需要设定参数，在处理多投入、多产出的碳排放效率评价问题上得到了广泛的运用[8]。Wang（2015）采用非径向SBM分析法对中国碳排放效率和碳减排的成本进行了研究[9]。李慧等人（2019）運用BCC-DEA模型对“丝绸之路经济带”沿线9个省市物流业碳排放效率进行计算和评价[10]。通过对文献的梳理和总结，笔者发现已有研究还存在以下几点不足。第一，在模型的选择上没有克服径向模型与非径向模型的缺陷。径向方法只能提供同比例效率改进，而非径向方法损失了前沿投影值的原始比例信息。第二，测算结果没有做到对决策单元（DMU）充分排序。第三，针对“碳排放”这一非期望产出，现有研究主要将非期望产出作为投入或取非期望产出的倒数作为期望产出，但上述方法与实际生产过程不符。因此，本文利用环境DEA技术，在EBM模型的基础上，结合超效率DEA的研究方法，并利用Pearson系数调整确定EBM模型中的参数，构建考虑非期望产出的非径向、非导向的Super-PEBM模型，对我国省域物流业碳排放效率进行测度研究。

二、研究方法

针对CO2这个非期望产出，本文基于环境DEA技术，在规模效益可变的假设下，构建包含非期望产出的非径向、非导向Super-EBM模型，在此基础上，利用Pearson相关系数调整法，对Super-EBM模型的两个关键参数？着和？棕进行调整，构建Super-PEBM对我国省域物流业碳排放效率进行测度，其中P是指Pearson相关系数调整法。

（一）基于环境DEA技术的Super-EBM评价模型

本文借鉴F？覿re（2004）的研究[11]，在非期望产出弱可处置性、零结合性假设基础上，提出规模效益可变（VRS）条件下的环境DEA技术生产可能集。假设有J个决策单元（DMUj），每个DMUj（j=1，…，J）使用P个投入Xpj（p=1，…，P），来生产Q个期望产出Yqj（q=1，…，Q）和R个非期望产出Rmj（m=1，…，M）。则VRS假设和非期望产出弱可处置度与零结合性假设下的环境生产技术可以表示为：

TVRS=（X，Y，R）：（？姿j+？滋j）Xpj≤Xp，p=1，…，P;（？姿j+？滋j）Yqj≥Yq，q=1，…，Q;（？姿j+？滋j）Rmj=Rm，m=1，…，M;（？姿j+？滋j）=1，？姿j，？滋j≥0，？坌j

（1）

在定义环境DEA技术后，构建评价决策单元DMUK的包含非期望产出的非导向Super-EBM模型分式规划形式为：

？酌=min

s.t.

？姿jXpj-s=Xpk p=1，…，P

？姿jYqj+s=Yqk q=1，…，Q（2）

？姿jRmj-s=Rmk m=1，…，M

？兹≤1，？渍≥1;？姿j≥0 j=1，2，…，J（k≠j）

s≥0，s≥0，s≥0;Xpk≠0，Yqk≠0，Rmk≠0

其中，？姿j表示强度变量，用于通过凸组合连接投入和产出向量;w、w和w分别表示投入、期望产出和非期望产出的权重（相对重要性），并且满足∑w=1，∑w=1和∑w=1（w≥0，w≥0，w≥0，？坌p，q，m）;s和s分别表示投入、期望产出和非期望产出的松弛;，和分别表示投入、期望产出和非期望产出的加权平均松弛。？着-和？着+是连接径向效率？兹与？渍和非径向松弛S，S与S的关键参数，表示在效率值的计算中非径向部分的重要程度，取0时相当于径向模型，取1时相当于非径向SBM模型。针对EBM模型投影值会出现的逻辑错误，本文中增加？兹≤1，？渍≥1约束。？酌代表物流碳排放效率，当且仅当？酌≥1时，DMUk为Super-EBM有效。

（二）Pearson相关系数调整法

？着和？棕是Super-EBM模型的两个关键参数，参数的设置直接影响到测度结果的科学性。本文在Tone（2010）的处理方法的基础上[12]，结合Pearson相关系数调整法来确定？着和？棕，以投入指标a和b为例，主要分为以下四个步骤。

1.通过SBM模型获得各项投入的投影值，分别记为Pa和Pb。两个指标投影值之间的关联性代表着在该项生产技术中两项投入数量的比例关系，从而可以得出二者在生产过程中的可替代性。如果呈现高度线性正相关，则可替代性差，应以径向测量为主，？着（0≤？着≤1）宜取偏向或等于0的较小数值，反之，应以非径向测量为主，？着应取偏向或等于1的较大数值。

2.建立投入指标投影值的关联矩阵，矩阵的元素为各项投入指标投影值两两之间的关联指数。S是投影值Pa和Pb之间关联指数的函数，应符合Tone（2010）提出的规则。

3.不同于Tone采用离散指数函数计算指标关联指数，本文采用表示两个指标相似性的Pearson相关系数，并通过S（a，b）=0.5+0.5R（a，b）转换使其满足以上性质。

（3）

4.利用建立的关联指数矩阵，计算EBM模型的参数，其中，？籽是关联指数矩阵的最大特征根，？自是其对应的特征向量。

（4）

（5）

三、基于Super-PEBM模型的实证结果分析

（一）数据来源及处理

本文以中国30个省级行政单位为DMU，以物流业碳排放效率为研究对象，选取2010—2017年的面板数据展开研究，且由于西藏与港澳台的数据缺失，将其排除。在我国现有统计口径中，没有专门针对物流业的统计类别，故本文采用大部分学者的做法，选取“交通运输、仓储和邮政业”作为物流业。通过文献总结，并结合我国物流业发展的实际情况，本文在投入指标的选择上，参考孟魁[13]（2014）的做法：首先，物流业从业人员方面，由于劳动时间、劳动强度等指标难以统计，本文选取各省物流业从业人员作为劳动力投入指标。其次，物流业固定资产投资额。在产出指标的选择上，本文将产出指标分为期望产出与非期望产出，即经济产出和环境因素。其中，期望产出用各省物流业GDP来表示，非期望产出用各省物流业CO2排放量来表示。本文对碳排放量的测算过程如下所示。本文运用碳排放系数法对我国30个省份的物流业碳排放量进行测算。测算公式如下：

（6）

其中，C表示总的物流业二氧化碳排放量，i表示第i种能源i=1，…，n，Ei表示第i种能源的消耗量，NCVi、CEFi、COFi分别表示第i种能源的平均低位发热量、单位热值含碳量及碳氧化，44/12为CO2中碳元素的分子量。投入、产出数据均出自2011—2018年《中国统计年鉴》与《中国能源统计年鉴》，投入、产出数据描述如表1所示。

（二）基于Super-PEBM物流业碳排放效率的时序演变分析

在VRS情形下，构建非导向、非期望产出的Super-PEBM模型，利用MAX-DEA软件所测算出的2010—2017年中国30个省份物流业碳排放效率值见表2。从计算结果可以发现，2010—2017年中国省域物流业碳排放效率平均值为0.66，效率水平偏低，在未来有较大的提升潜力。2010—2017年，我国物流业碳排放效率整体上呈现波动上升的趋势，但是增速较缓。全国平均效率值由2010年的0.61上升到2017年的0.68，提高11%，其中东北地区增速较快为15%，东部地区和西部地区增速大约为10%，中部地区增长速度较慢为8%见下页表3。下页图1直观反映了中国四大区域物流业碳排放效率随时间序列波动的阶段特征。在2010—2013年，我国物流碳排放效率总体递增较快，全国效率均值由2010年的0.61到2013年的0.7，增速约达15%，年均增长约5%。这也反映出，党的十八大以来，我国绿色物流业得到了一定程度的发展。第二阶段为2014—2017年，全国四大区域波动逐渐减小，效率基本保持穩定，全国效率均值在0.68上下浮动，浮动率不超过2%。此外，在区域上，东部地区和中部地区物流业碳排放效率随时间序列波动较平稳，而西北地区和东北地区物流业碳排放效率随时间序列变动差异较大。

（三）基于Super-PEBM物流碳排放效率的空间分异分析

基于Super-PEBM模型的2010—2017年中国省域物流业碳排放效率均值空间分布分析如下。从区域层面来说，我国物流业碳排放效率值分化较为明显，按照效率值的高低，可以将全国四大区域分为三个梯队。其中，东部区域属于第一梯队，其物流业碳排放效率平均值为0.82，远高于全国平均水平;中部区域和东北区域为第二梯队，其效率平均值分别为0.65与0.64，与全国效率均值大致持平;第三梯队为西部区域，其效率平均值为0.53，远低于全国平均水平。由此可见，我国物流业碳排放效率呈现东部区域最高，中部、东北区域次之，西部区域最低的分布格局，东、西部物流业碳排放效率相差较大，但差距呈现缩小的趋势，这也在一定程度上验证了环境库兹涅茨曲线的存在。从省域上看，高效率区（效率均值0.90以上）分布较为分散，即北京、天津、江苏、河北、陕西，呈现散状分布。效率次高区（效率均值在0.7—0.9之间）为上海、浙江、广东、福建、宁夏、辽宁、山东等，主要分布在我国东部、南部沿海地区;中、低效率地区（均值0.7以下）分布较为集中，主要分布在我国中西部地区，青海、云南、甘肃、广西、新疆、重庆、贵州，呈块状空间分布格局。其中，西部地区除陕西、宁夏和贵州外，其余省份均为物流业碳排放低效率省份，这也印证了陕西作为我国第一批低碳试点省份，低碳物流业的发展取得了一定的成果。东北区域包括了次高效率和低效率省份，区域内部绿色经济效率差异较大，区域整体效率值较低。作为我国的老工业基地，东北地区在“十四五”时期中要增强绿色创新深度，开启东北全面振兴新篇章。以上分析表明，十八大以来，各级政府越来越重视经济发展质量，绿色低碳发展逐渐深入人心，总体上中国省域物流业碳排放效率有缓慢上升趋势。

结语

对我国省域物流业碳排放效率的准确测度是发展绿色物流的前提和要求，也是实现我国2030年碳减排目标的有力保障。本文通过环境DEA技术下的Super-PEBM模型系统分析了2010—2017年中国省域物流业碳排放效率的时序演变特征、空间分异特征，研究结果如下：第一，考虑非期望产出的效率值要低于不考虑非期望产出的，而环境因素造成了较大程度的效率损失，DEA环境技术与Super-PEBM模型的结合更有效。第二，时序演变方面，2010—2017年中国省域物流碳排放效率平均值处于较低效率水平，总体呈现缓慢增长的趋势，有较大的提升空间。第三，在区域层面上，呈现东部最高、中部地区次之、西部地区最低的分布格局，也在一定程度上验证了环境库兹涅茨曲线的存在。上述结论具有重要政策启示。首先，要树立绿色价值观念，充分挖掘物流行业发展循环经济所蕴含的绿色價值。其次，要制定严格的行业环境标准，规范行业管理体系，完善物流企业的低碳评估体系，通过严格的环境标准倒逼高污染企业转型升级。最后，要培育低碳经济发展所需的新型和跨学科技术，创新赋能并引领物流业低碳发展，大力发展绿色运输、绿色仓储、绿色包装。

参考文献：

[1]  Kaya Y.，Yokobori K.Environment，energy，and economy：strategies for sustainability[M].Tokyo：United Nations University Press，1993.

[2]  Mielnik O.，Goldemberg J.Communication The evolution of the “carbonization index” in developing countries[J].Energy Policy，1999，（5）：307-308.

[3]  李小胜，胡正陶，张娜，宋马林.“十二五”时期中国碳排放全要素生产率及其影响因素研究[J].南开经济研究，2018，（5）：76-94.

[4]  郭海红，刘新民.中国农业绿色全要素生产率时空演变[J].中国管理科学，2020，（9）：66-75.

[5]  Farrell M.J.The measurement of productive efficiency[J].Journal of the Royal Statistical Society：Series A （General），1957，（3）：253-281.

[6]  钱浩祺，吴力波，任飞州.从“鞭打快牛”到效率驱动：中国区域间碳排放权分配机制研究[J].经济研究，2019，（3）：86-102.

[7]  Khan D.Technical and environmental efficiency of agriculture sector in South Asia：a stochastic frontier analysis approach[J].Environment，Development and Sustainability，2020：1-20.

[8]  Charnes A.，Cooper W.W.，Rhodes E.Measuring the efficiency of decision making units[J].European Journal of Operational Research，1978，（6）：429-444.

[9]  Wang S.，Chu C.，Chen G.，et al.Efficiency and reduction cost of carbon emissions in China：a non-radial directional distance function method[J].Journal of Cleaner Production，2015：S0959652615017497.

[10]  李慧，李玮.物流业碳排放效率评价及动态演化分析：以“丝绸之路经济带”沿线省区为例[J].环境科学与技术，2019，（3）：165-171.

[11]   R.，Grosskopf S.Modeling undesirable factors in efficiency evaluation：Comment[J].European Journal of Operational Research，2004，（1）：242-245.

[12]  Tone K.，Tsutsui M.An epsilon-based measure of efficiency in DEA-A third pole of technical efficiency[J].European Journal of Operational Research，2010，（3）：1554-1563.

[13]  孟魁.基于三阶段DEA方法的中部六省物流效率评价[J].统计与决策，2014，（2）：57-60.

Efficiency Measurement of China’s Regional Carbon Emission Efficiency in Logistics Industry：

A Method based on Super-PEBM Model

XU Wei-gan

（School of Business Jiangnan University，Wuxi 214000，China）

Abstract：The measure of carbon emission efficiency in the logistics industry is the basis for the formulation of emission reduction strategies in the provinces .Based on the panel data from 2010  to 2017，this paper measures the carbon emission efficiency in the logistics of China’s provinces based on the Super-PEBM model under environmental DEA technology，and analyzes the temporal change and spatial distribution of carbon emission efficiency in logistics industry of China’s provinces.The empirical analysis results show that the overall efficiency of China’s green economy is low，there is a slow rising trend，and a greater room for improvement.In spatial distribution，It shows the highest average efficiency in the east，the second in the central region and the lowest in the western region.The carbon emission efficiency of the logistics industry in the east and west is big gap，but the gap is narrowing.

Key words：carbon emission efficiency;Super-PEBM model;data envelopment analysis;logistics industry

收稿日期：2021-03-29

作者簡介：徐卫赣（1996-），男，江西丰城人，硕士研究生，从事低碳经济研究。