长江经济带物流业全要素能源效率及影响因素研究

罗 清 （南通理工学院 商学院，江苏 南通 226000）

0 引 言

随着经济的高速发展以及信息化水平的不断提升，中国物流业规模迅速扩大。然而物流业快速发展所带来的能源消耗与环境污染一直是行业亟待解决的难点与痛点，物流业高耗能、高排放、低效率式的运作模式已不能满足新常态下的发展趋势。在“双碳”背景下，如何提高物流业的能源效率，有效实施节能减排策略，推动中国物流业绿色、可持续、高质量发展，成为了社会各界关注的焦点。长江经济带包括长江上、中、下游11 个省市，横跨东、中、西三大经济区，水陆空四通八达、物流产业规模庞大，但由于横跨范围大以及区域经济与技术水平等影响，物流产业绩效并不理想。因此，研究长江经济带的物流业能源效率及其影响因素显得尤为重要[1]。

已有研究采用数据包络分析法（DEA）对能源效率进行评价，如郭淑芬等[2]运用CCR-DEA、BCC-DEA 和Malmquist-DEA模型对31 省市的科技创新效率及其变动情况进行了实证研究；张泽华等[1]采用超效率DEA 模型和Malmquist 指数分别从静态、动态视角对长江经济带 11 个省市的物流产业效率进行实证研究，最后利用Tobit 模型分析物流产业效率的影响因素及影响程度；吴传清等[3]运用DEA-Malmquist 指数和面板Tobit 模型对长江经济带技术创新效率进行了测度及影响因素分析；胡艳等[4]运用DEA 和Malmquist 指数法从静态和动态两个方面测算了长江经济带高新技术产业创新效率，并探究了其影响因素；廖诺等[5]借助SBM 模型测算中国物流业全要素能源效率，使用K-Means 聚类对物流业GDP、能源消耗和能源效率进行聚类，然后结合协整检验研究物流业GDP、能源消耗和能源效率之间的关系；江雨珊等[6]利用超效率非期望SBM 模型以测度物流业全要素能源效率，利用GML 指数及分解动态分析能源效率的变化情况；苏贵影等[7]运用三阶段DEA 模型对物流业效率进行评价；张瑞等[8]利用超效率SBM 模型对中国30 个省市物流业的能源生态效率进行测度，并构建PVAR 模型考察能源生态效率与其影响因素之间的动态均衡关系。

本文选取2008—2020年长江经济带11 个省市面板数据，运用考虑非期望产出的超效率SBM 模型和GML 指数从静态和动态视角评价长江经济带的物流业能源效率，并探究其影响因素，为物流业节能减排政策的制定提供理论依据。

1 指标选取与数据说明

结合物流行业特征以及物流能源利用中的经济效益和生态效益，考虑数据的可获得性、完整性及科学性等，借鉴相关参考文献，采用交通运输、仓储和邮政业的数据代替物流业进行分析，选取2008—2020年长江经济带11 个省市的面板数据为评价样本，原始数据来源于《中国统计年鉴》《中国能源统计年鉴》以及长江经济带相关省市统计年鉴，部分缺失数据采用插值法计算。

1.1 投入指标选取

投入指标主要从劳动力、资本和能源三方面来考虑，劳动力投入方面选用交通运输、仓储和邮政业年末从业人员数作为人力评价指标。物流业运营效率受到资本要素投入的影响较大，资本投入方面以物流业固定资产投资额作为财力评价指标，为剔除价格变动因素影响，采用价格指数缩减法，在计算前将各省份的物流业固定资产投资额乘以固定资产投资定基指数，计算出基期资本存量。能源投入方面以原煤、煤油、汽油、柴油、燃料油、液化石油气、天然气、电力等8 种物流业主要能源消耗作为衡量指标，参考各种能源折标准煤系数，折算为标准煤后加总得到最终能源投入指标量（单位：万吨标准煤）。

1.2 产出指标选取

能源生态产出指标的选取不仅要涵盖经济增长指标，还要包括生态环境影响指标，结合物流业特征，设计期望产出和非期望产出。期望产出用交通运输、仓储和邮政业增加值表示，剔除价格变动因素的影响，采用第三产业GDP 价格指数代替物流业GDP 价格指数。非期望产出用物流业的CO2排放量来表示，根据IPCC 对应的能源碳排放系数，参考《国家温室气体排放清单指南》中的方法进行估算。

1.3 环境变量

环境变量对物流业能源效率有显著影响，但其不是在样本主观可控范围内的因素。物流业能源效率EE 不仅受投入产出指标的影响，还可能受其他因素影响，借鉴相关参考文献，本文从能源结构ES、环境规制ER、经济发展水平PGDP、产权结构LCR、物流资源利用率LRR、政府投入FI 及信息化水平IL 等出发探究各因素对物流业能源效率的影响方向和强度。能源结构指标用油类能源消耗占物流业能源消耗总量的比值来衡量；环境规制指标用物流业二氧化碳排放量占物流业增加值的比值来衡量；经济发展水平用地区人均GDP 来衡量；产权结构用物流业增加值占地区GDP 的比值来衡量；物流资源利用率用货物周转量占物流业增加值的比重来衡量；政府投入用交通运输财政支出占总财政支出的比值来衡量；信息化水平用信息传输、软件和信息技术服务业固定资产投资占全社会固定资产投资的比值来衡量。

2 研究方法

2.1 非期望产出的超效率SBM 模型

Tone（2007）定义了包括非期望产出的非径向非导向SBM 模型，假设有n个DMU，每个DMUk（k=1,2,…,n）由m项投入（X1,X2,…,Xm），q1项期望产出（Y1,Y2,…,Yr）和q2项非期望产出（B1,B2,…,Bt）构成，该模型的描述如下[5]：

模型中ρ*表示被评价DMU的效率值，其范围界于0-1 之间；λ表示权重向量，S-、S+、Sb-分别代表投入、期望产出和非期望产出的松弛变量。0 ≤ρ*＜1 表示DMU无效，即现有投入产出结构不合理，存在效率损失；若ρ*=1 表示DMU有效。但实际应用中，若存在多个决策单元同时有效，SBM 模型无法对这些决策单元作出进一步的比较和排序，针对这一问题Tone 对SBM 模型进行改进，提出了超效率SBM 模型，能够对效率值为1 的决策单元进行更为细致的区分排序。考虑非期望产出的超效率SBM 模型如下[8]：

2.2 GML 指数模型

超效率SBM 模型在加入时间因素时，由于各期生产前沿面不同，只适用于截面数据的横向静态比较，引入GML 指数可实现时间序列层对物流业能源效率的动态变化分析[1]，指数大于1 表示效率相比上一年有所上升，小于1 表示效率下降，等于1表示效率不变。t期到t+1 期的效率指数为：

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)。

2.3 面板数据回归模型

以超效率SBM 模型求得的物流业能源效率值作为因变量，以影响物流业能源效率的因素为回归自变量构建面板数据回归模型，本文使用最常用的固定效应回归模型和随机效应回归模型进行估计，具体的回归模型如下[4]：

lnEEit=C+β1lnESit+β1lnERit+β1lnPGDPit+β1lnLCRit+β1lnLRRit+β1lnFIit+β1lnILit+vi+μit

式中，vi是选择固定效应模型下各地区不随时间变化的量，μ是残差项。

3 实证分析

3.1 长江经济带物流业能源效率的静态分析

将长江经济带11 省市的投入产出面板数据代入超效率SBM 模型，应用DEARUN 软件，得到2008—2020年长江经济带各省市的物流业能源效率值，并对长江上、中、下游的物流业能源效率的几何平均值进行统计，结果见表1。

表1 2008—2020年长江经济带11 省市物流业能源效率评价结果

由表1可知，在考察期内，长江经济带物流业能源效率总体呈波动上升后回落趋势，物流业能源效率总均值为0.762，处于中等以上水平，物流业能源效率仍有一定的提升空间；2008—2012年长江经济带物流业能源效率出现由高到低地波动下降趋势，2013—2020年物流业能源效率值波动上升并逐渐趋于平稳，2014年物流业发展中长期规划的提出，带动了物流业快速增长；但经济高速发展所带来的环境问题也日益突出，随着坚持生态优先、不搞大开发的理念提出，长江经济带的环境治理也逐步加强，至2020年长江经济带物流业能源效率波动较小并逐步趋于平稳。

从空间区域视角看（如图1所示），各区域物流业能源效率存在显著的地域差异，下游地区效率最高，整体呈波动上升后回落并逐步趋于平稳的趋势，到2018年物流业能源效率达到有效，高于长江经济带平均水平；中游次之，物流业能源效率稳步上升后回落，2018年能源效率值达到最大，效率水平达到有效，基本与长江经济带物流业能源效率水平保持一致；上游地区整体效率最低，低于长江经济带的平均水平，在研究期内，上游地区的物流业能源效率一直处于无效状态，下、中、上游在空间上呈现“阶梯状”分布。但从整体数据来看，上中下游的物流业能源效率均值均小于1，处于无效状态，说明长江经济带物流业高耗能、高排放、低效率的问题仍然突出，通过高新技术和设备的引进、清洁能源的普及、政府环境规制以及提高物流企业内部管理水平等方式以实现物流业高效率、低能耗、低排放的发展。

从各省市物流业能源效率值（如图2所示）来看，在研究期内，江苏、江西、贵州一直处于物流能源效率有效水平，其中江西位居长江经济带第一位，物流能源效率均值为1.368；贵州和江苏紧随其后，分别为1.281 和1.249。物流业能源效率接近有效的省市有上海、安徽，效率均值分别为0.907 和0.858，上海市2008—2010年效率值较低，2011—2020年效率值均达到有效；安徽省物流业能源效率值从有效-无效-有效演变，导致研究期内效率均值处于无效水平。物流业能源效率排名倒数三位是云南、四川和湖北，其效率值较低，分别为0.408、0.436 和0.501，湖北省虽处于长江中游，位于九省通衢之处，是南北的交通枢纽，水路条件优越，但与下游地区相比，此地区高端人才的匮乏、设施设备及科学技术的落后成为了阻碍其物流能源效率提升的重要阻力。

3.2 长江经济带物流业能源效率的动态分析

为进一步对长江经济带的物流业能源效率进行动态分析，利用DEARUN 软件测算出物流业能源效率的GML 指数及其分解，结果见表2。

表2 2008—2020年长江经济带物流业能源效率指数及其分解

续 表

根据年均GML 指数及其分解结果来看，长江经济带GML 均值为1.004，年均增长率为0.4%，进一步观察可以发现，技术效率和技术进步分别为1.004 和1，说明长江经济带技术效率的提高带动了物流业能源效率的提高；从区域角度看，长江下游GML 均值最大，为1.013，年均增长率为1.3%，技术效率指数和技术进步指数分别为0.998 和1.015，说明长江下游的物流业能源效率提升主要得益于该区域的技术进步，有先进的物流技术做支撑，但还需进一步提升物流效率。长江中游GML 均值为1.001，年均增长率为0.1%，接近长江经济带的平均水平，技术效率指数和技术进步指数分别为1.003 和0.999，该区域的物流技术水平还有一定的提升空间。长江上游GML 均值为0.998，年均物流业能源效率下降0.2%，进一步观察发现技术效率和技术进步指数分别为1.011 和0.987，说明长江上游技术进步的减缓是导致该区域物流业能源效率下降的主要原因，要想实现上游物流业高效率、低能耗、低排放、高质量发展，亟需提高该区域的物流技术水平。

3.3 能源效率改善潜力及途径分析

运用超效率SBM 模型获取2020年各省市的超效率值及投入产出松弛改进量，结果见表3。对于效率值＜1 的DMU，slack（松弛改进量）全部为正，投入slacks代表投入需要减少的量，产出slacks代表产出需要增加的量，非期望产出slacks代表非期望产出需要减少的量；对于效率值≥1 的DMU，slack全部为负，代表超出前沿的量，投入slacks代表投入可以增加的量，产出slacks代表产出可以减少的量，非期望产出slacks代表非期望产出可以增加的量，经过这样的变化后，DMU仍然有效，体现一种“超”效率的思想。

表3 2020年长江经济带11 省市投入产出松弛改进表

由表3可知，2020年上海、江苏、安徽、江西、重庆、贵州的物流业能源效率均为有效，且SBM 超效率值大于1，超过生产前沿面。而浙江、湖北、湖南、四川和云南处于非DEA 有效水平，效率值小于1，这些地区的投入指标和非期望产出都存在不同程度的冗余，表明这些指标的投入和非期望产出应减少才能达到最优生产前沿面。劳动力投入方面，四川和浙江在减少劳动力冗余方面有较大改进空间；固定资产投资方面，四川固定资产投资过剩比重高达73.25%；节能减排方面，湖北、湖南、四川节能减排潜力最大，均达到40%左右。总体来看，非DEA 有效的省份均存在投入冗余、CO2排放过量的情况，反映了要素投入规模和结构不合理，能源浪费，CO2排放过多等问题，这些省市需进一步精简人员，调整固定资产投资规模，严格把控资金流向和用途，优化能源结构，提高能源利用率，同时有效落实环保政策，减少CO2排放量，促进物流业高效、节能减排、高质量的发展。

3.4 影响因素分析

由于长江经济带上中下游地区的物流业能源效率差异显著，进行整体回归并不能分清各指标对长江经济带物流能源效率的真实影响程度，所以本文不对长江经济带整体物流业能源效率影响因素进行分析，而是分别对长江上中下游的物流业能源效率影响因素进行分析。为了降低时间序列异方差的影响，对指标数据取自然对数处理，为了避免伪回归，建立模型前对面板数据进行了单位根检验，所有变量均通过了单位根检验。采用SPSSAU 软件对长江上中下游的面板数据进行回归分析，对混合模型、固定效应模型和随机效应模型进行了F 检验、BP 检验以及Hausman 检验，根据检验结果可知，长江中游面板数据支持固定效应模型，长江上游和下游选择随机效应模型，结果如表4。

表4 长江经济带上中下游物流业能源效率影响因素回归结果

根据实证分析结果可知，能源结构对长江经济带上中下游地区的物流能源效率的影响有显著的不同，对长江上游地区物流业能源效率在1%的显著性水平下，回归系数值为2.096，有明显的正向促进作用，而对长江中游和下游地区，其回归系数分别为-0.271、-1.992，说明能源结构对长江中下游地区物流业能源效率提升在1%的显著性水平下，具有明显的阻碍作用，下游地区的阻碍作用更为明显。环境规制对长江经济带上中下游地区物流业能源效率的影响差异显著。上游地区和下游地区环境规制对物流业能源效率提升具有明显的阻碍作用，中游地区则无显著影响。经济发展水平对长江经济带上中下游地区物流业能源效率的影响差异显著。经济发展水平促进了长江中游地区能源效率的提升，却抑制了上游地区能源效率的增长，对长江下游地区的能源效率无显著影响。物流业增加值占GDP 比重越大，对长江中游地区的物流能源效率的促进作用越大，而对长江下游地区却显示出一定的抑制作用，对长江上游地区的物流能源效率提升并无影响。物流资源利用率对长江中游地区的物流业能源效率具有显著的促进作用，对长江上下游地区物流业能源效率并无明显影响。政府投入和信息化水平对长江经济带上中下游地区的物流业能源效率提升均没有显著影响。

4 结 论

通过对2008—2020年长江经济带11 省市物流业能源效率进行超效率SBM 和GML 指数分析，以及运用固定效应和随机效应回归模型探索能源结构、环境规制、经济发展水平等因素对物流业能源效率的影响分析，得出如下结论：a.从静态来看，长江经济带物流业能源效率总体呈波动上升趋势，整体能源效率处于中等以上水平，上中下游区域物流业能源效率失衡现象严重，空间上呈“阶梯状”分布，下游地区能源效率最高，中游次之，上游最低。b.从动态来看，长江经济带物流业能源效率水平总体来说有所改善，技术效率的提升带动了全要素生产率的提升，但上中下游能源效率水平变动差异明显，下游地区技术水平的提升促进了该地区物流业能源效率的增长，中游地区的物流业能源效率呈现较小幅度的增长，主要于依赖技术效率的提升，而上游地区物流业能源效率水平有所下降，主要原因是技术水平下降，而同期的技术效率呈增长趋势。c.非DEA 有效省市存在不同程度的投入冗余和碳排放过量现象，各地区应深入了解自身物流业人力、财力投入现状，进一步优化能源结构，确保节能减排措施的有效实施。d.根据面板数据回归分析结果可知，能源结构对长江上游物流业能源效率提升具有明显的促进作用，但对中下游地区具有抑制作用；环境规制阻碍了长江上下游地区物流业能源效率的提升；经济发展水平促进了长江中游地区物流业能源效率的提高，但在一定程度上抑制了上下游地区的能源效率提升，物流业增加值占GDP 比重这一指标，在一定程度上促进了长江中游地区的能源效率提升，但对长江下游具有较小的阻碍作用；政府投入、信息化水平等因素对长江经济带各地区的物流业能源效率并无明显影响。