中国物流业绿色全要素生产率增长的收敛性分析

戴宇践，罗雨森

（江苏大学 管理学院，江苏 镇江 212013）

0 引言

当前，在中国经济全面进入新常态的大背景下，我国经济已由高速增长向高质量发展转变，而提升绿色全要素生产率（green total factor productivity,GTFP）也成为突破资源与环境约束、提升经济增长质量的必由之路。近年来，随着中国“互联网经济”的深入和第三产业的发展，物流业作为现代流通体系的重要组成部分，衔接了产品的生产、分配、流通与消费，成为推动国家经济发展的关键力量[1]。在“十四五”规划及2035 远景目标中，政府也多次提出要构建现代物流体系，健全现代流通体系的号召。但目前中国物流业高能耗高排放低效率的问题仍然存在[2]，对经济的可持续发展带来挑战。因此，有必要对物流业的绿色发展质量与演化特征进行评价。分析物流业绿色全要素生产率增长的收敛性有助于帮助政府部门更准确地把握中国物流业绿色发展的演变规律，为制定和完善差异性的区域物流业高质量发展政策提供重要参考。因此，本文以物流业绿色全要素生产率收敛性为研究突破口，分析比较物流业绿色全要素生产率的时空差异和影响因素，对促进中国物流业的绿色发展和经济增长质量提升具有重要的理论意义和实践意义。

收敛性的概念最早可以追溯到Solow[3]提出的新古典增长模型，他认为不同国家间的收入差距会随着时间的推移而呈现减少的趋势。Barro &Sala-I-Martin[4-5]在对不同发展水平国家的经济收敛现象研究时进一步提出了绝对收敛和条件收敛的概念，并验证了贫穷国家的经济增长速度比富裕国家更快，表现为“追赶效应”。Galor[6]指出经济发展落后和发达的两个国家集团中可能存在各自的内部收敛特征，而这两个集团之间却呈现为发散现象，并基于此提出了“俱乐部收敛”的概念。但有学者发现，传统的收敛测算方法也存在一定的不足，当不同国家间不存在相同的一阶自回归结构时，传统的收敛结果可能会带来偏误[7]。因此，Carlino &Mills[8]提出了随机收敛的方法，对美国居民收入的收敛性进行检验。基于不同的收敛方式和方法，国内外学者从不同角度对中国绿色全要素生产率的收敛性进行了探究。如，Shen 等[9]基于空间视角对中国碳生产率的收敛性进行了研究；蔺鹏和孟娜娜[10]在测度中国六大城市群GTFP 增长的基础上，也对其空间β条件收敛性和俱乐部收敛特征进行了验证；陈景华[11]测度了2004—2017 年中国服务业的绿色全要素生产率，并实证检验了其β收敛特征。

近年来，随着环境质量的恶化和物流业对经济增长影响的加大，国内外学者逐步对物流业的绿色全要素生产率展开了研究。如，刘战豫和孙夏令[12]、张瑞和孙夏令[13]等学者基于超效率SBM 模型与Malmquist 指数，对中国物流业绿色全要素生产率进行测度；Yang 等[14]从城市层面对物流业的碳生产率进行测算；李健和刘恋[15]基于三阶段超效率SBM 模型和Malmquist 指数，对环境约束下中国物流业的绿色全要素生产率进行了测算和区域比较。基于物流业绿色全要素生产率测度的结果发现，中国物流业GTFP 增长存在显著的区域差异，且其时序特征表现为波动增长。

对以往有关物流业绿色全要素生产率的文献梳理发现，现有学者大多基于不同DEA 模型对物流业的绿色发展质量进行了测算和比较，而有关中国物流业GTFP 的收敛性分析的文献还很罕见。因此，本文的边际贡献主要在于：（1）在前人研究的基础上，借助基于共同前沿面和考虑非期望产出的Super-EBM 模型和全局Malmquist-Lunberger 指数对中国30 个省份（不含西藏、港澳台地区）2004—2019 年的物流业绿色全要素生产率增长指数进行测算，并通过σ收敛、绝对β收敛、条件β收敛、俱乐部收敛和随机收敛验证中国物流业GTFP 增长的收敛性。EBM 模型兼容了径向和非径向DEA 模型的优点，更能准确地反映物流业绿色全要素生产率的真实水平。（2）考虑到物流业GTFP 增长和其影响因素多为非正态分布，基于传统最小二乘估计的结果可能有偏。本文采取分位数回归的方法，对中国物流业GTFP 增长的β收敛和影响因素进行探究。（3）考虑到区域的异质性，本文还对东中西三个地区物流业GTFP 增长的收敛特征进行比较和分析，有助于政府提出更具有针对性的政策建议。

1 物流业绿色全要素生产率的测算及典型事实

1.1 测算模型

目前，有关绿色全要素生产率的估算方法主要有随机前沿分析（SFA）和数据包络分析（DEA）两种。SFA 法的假设贴近现实，但其更适用于多投入单产出的情形，对测度同时考虑期望和非期望产出的绿色全要素生产率具有一定的局限性。而DEA 模型具有不需要假定生产函数形式、不受量纲限制等优势，被学者广泛应用于对绿色全要素生产率的测度。因此，本文借鉴Tone &Tsutsui[16]、Andersen &Petersen[17]的研究，采用考虑共同前沿面和非期望产出的超效率EBM 模型和全局ML 指数对中国30个省份的物流业绿色全要素生产率进行测度。DEA-EBM模型兼容径向比例和非径向的松弛变量，可以更加真实地反映环境约束下的中国物流业绿色全要素生产率增长。

假定每个省域为一个决策单元，每个决策单元共投入M种要素（X=[x1,x2,…,xM]∈RM），得到R种期望产出（Y=[y1,y2,…,yR]∈RR）和V种非期望产出（B=[b1,b2,…,bV]∈RV）。基于组前沿面的生产技术集Pgroup可表示为：

考虑到生产技术的异质性，本文继续将N个决策单元分为H组，构建了基于共同前沿面的生产技术集Pmeta如下所示：

基于组前沿面和共同前沿面的超效率EBM 模型分别见式（3）和式（4）：

DEA 模型所测得的是某一时间点的环境效率，而实际的生产是一个长期连续的过程，因此，绿色全要素生产率也是处于连续的变化中。现有文献大多基于Malmquist-Luenberger 指数对绿色全要素生产率进行测度和分解，考虑到ML 指数无法观察效率的长期变动，且在测算混合方向性距离函数时可能存在无可行解的问题[18]。因此，本文采用全局ML 指数对中国物流业的GTFP 进行测度。基于组前沿面和共同前沿面的全局ML 指数公式如下：

式中：Egroup和Emeta分别表示在组前沿面和共同前沿面下基于超效率EBM 模型测出的物流业环境效率；x、y和b分别为投入、期望产出和非期望产出，s为松弛变量，ε为非径向部分的权重，w为投入和产出的权重；分别为基于共同前沿面和组前沿面的绿色全要素生产率增长指数；TC和EC分别为绿色技术进步指数和绿色技术效率变化指数；TGRC衡量了GML指数在共同前沿面和组前沿面下技术差距比率的变化。当GML、TC和EC大于1 时，表示绿色全要素生产率增长、绿色技术进步和绿色技术效率增长。当TGRC大于1 时，表示共同前沿面和组前沿面间的技术差距缩小。

1.2 变量与数据处理

由于现有统计体系未公开物流业的相关数据，而交通运输、仓储和邮政业占物流业增加值的85%以上[12]，因此借鉴张瑞和孙夏令[13]等学者的研究，选用交通运输、仓储和邮政业的相关数据表征物流业的数据。具体用于测度中国物流业GTFP 的投入产出指标见表1。物流业绿色全要素生产率的测算数据主要来源于2004—2020 年的《中国统计年鉴》《中国能源统计年鉴》和各省份统计年鉴。

表1 中国物流业绿色全要素生产率测度的指标体系

其中，资本存量投入指标参考张军等[21]的研究，通过永续盘存法进行计算，公式如下：

式中：Kit和Iit分别为i省份在t年的固定资本存量和新增的固定资产投资，δi为折旧率。

由于国内资料尚未对物流业的二氧化碳排放量进行统计，本文参考IPCC 提出的核算方法，选取煤炭、焦炭等8 种主要化石能源对中国各省份的二氧化碳排放量进行测算。具体计算公式为：

式中：CEi为第i种能源排放的二氧化碳量；Ei为第i种能源的消耗量；NCVi和CEFi分别为第i种能源的平均低位发热量[KJ/kg(m3)]和二氧化碳排放系数（kg·CO2/TJ），具体系数见Luo 等[22]的研究。

1.3 典型事实

图1 给出了分别基于共同前沿面和组前沿面测算的中国物流业GTFP 增长指数的变化趋势。2004—2019年，TGRC指数在2006—2012年、2014—2016 年 和2019 年大于1，表明在这三个时间段内，中国各地区的生产前沿接近共同前沿，技术差距在缩小。与此相对，在2004 年和2013 年TGRC 指数最小，说明在这两个时间上，组前沿面和共同前沿面的距离有扩大的趋势。2004—2019 年，中国物流业GTFP 增长指数整体呈现上升趋势。其中，在2006—2012 年、2014 年、2016—2018 年这三个时间段内，GML 指数大于1，反映了中国物流业绿色全要素生产率取得增长。但值得注意的是，在研究期间内，GTFP 增长指数大多在1 下方徘徊，且2019 年GML 指数下降至0.964，表明中国物流业长期依靠高投入低效率的粗放型发展方式，绿色发展水平还较低。中国政府应继续加大对现代物流体系的健全与完善。

图1 组前沿面和共同前沿面下中国物流业绿色全要素生产率增长的比较

对共同前沿面下的中国物流业GTFP 增长指数进一步分解可以发现，2004—2019 年中国物流业的绿色全要素生产率增长指数共经历了三个变化阶段（如图2 所示）。第一阶段（2004—2008 年）：中国物流业GTFP 增长指数持续年均增长8.53%，这主要是由于物流业在初期环境治理成本较小。第二阶段（2008—2013 年）：中国物流业的GML 指数明显下降，可能的原因是2008年国际金融危机爆发后，降低了中国物流业绿色全要素生产率的增长速度，而物流业边际减排成本的提升也抑制了其绿色发展。第三阶段（2013—2019 年）：由于《物流业发展中长期规划（2014—2020 年）》的制定，在政府干预下，中国物流业的绿色发展迎来机遇，GTFP 增长指数整体表现为波动上升趋势，行业的绿色发展重新回到正常轨道，该结果与唐建荣等[23]的研究类似。中国物流业的绿色技术效率变化指数EC 在2006 年、2008年、2010—2013 年、2015 年和2018 年时间段内大于1，即生产单位比上一期向生产前沿更为接近，绿色技术效率得到增长。绿色技术进步指数TC 的变化趋势整体与GTFP 增长指数的变化趋势保持一致，在2007 年、2009—2011 年、2014 年和2016—2018 年时间段内大于1。

图2 中国物流业绿色全要素生产率变化指数及其分解项的变化趋势

图3 绘制了全国东、中、西部地区在2004—2019年内物流业绿色全要素生产率增长指数的变化趋势。可以看到，2004—2019 年，东、中、西部三大地区物流业GTFP 增长指数整体均表现为上升趋势。其中，东部地区物流业的GTFP 增长指数在观测期间内的平均增速为1.94%，且在2005 年、2009 年、2011 年、2014 年、2017 年和2019 年的绿色发展水平最高。中部地区物流业的GTFP 增长指数在2004—2008 年稳步上升，平均增速达9.52%；在2008—2013 年，中部地区物流业的GTFP增长指数呈波动下降趋势，并于2013—2018 年迅速上升。西部地区物流业绿色全要素生产率增长指数仅在2006—2007 年、2015 年时间段内最高。

图3 东中西部地区物流业绿色全要素生产率变化指数的变化趋势

表2 汇报了中国各省份物流业绿色全要素生产率增长指数的平均值。可以发现，GTFP 增长指数在全国的分布不均衡，差异明显。从区域层面看，中部地区的GTFP 增长指数最高，主要源于其绿色技术效率指数最高。东部地区的GTFP 增长指数均值为0.988，其绿色技术进步指数在三大区域中最高。此外，东中西部三大地区绿色技术效率指数的均值都大于1，表明各地区的技术效率得到提升。从省域层面看，河北、上海、江苏、广东、陕西、安徽、江西、河南、湖北和云南的GML 指数均大于1，反映出这10 个省份在全国物流业绿色发展中发挥“领头羊”作用。海南、青海和黑龙江的物流业GTFP 增长指数排名倒数，因此要加快推进这些省域物流业的绿色转型。

表2 中国物流业绿色全要素生产率变化指数及其分解项

2 物流业绿色全要素生产率的收敛性分析

2.1 收敛模型构建

（1）σ收敛。σ收敛是指不同省域的物流业GTFP 增长指数的离差随时间推移而减小，一般可以通过变异系数来进行测度，公式如下：

其中，N为全国省份数（N=30，不含西藏和港澳台地区），GTFPi表示i省份物流业绿色全要素生产率增长指数，为全国物流业绿色全要素生产率增长指数的均值。当变异系数逐年递减，表明中国物流业GTFP 增长指数存在显著的σ收敛特征。

（2）β收敛。β收敛是指物流业GTFP 增长指数低的省份具有更高的增长速度，最终全国各省份间物流业GTFP 增长指数实现趋同性。β收敛又可以继续分为绝对β收敛和条件β收敛，其中，绝对β收敛的模型可以表示为：

其中，git表示i省份第t-1 年到第t年GTFP 变化指数的增长率。当收敛系数β显著为负，即各省份物流业GTFP 变化指数的增长速度与初始水平负相关时，物流业GTFP 增长存在绝对β收敛。

条件β收敛认为各省份物流业GTFP 增长的路径可能由一些结构特性决定，在控制影响因素后，最终达到均衡状态的收敛。因此，条件β收敛模型是在绝对β收敛模型的基础上引入控制变量。本文的条件β收敛模型如下所示：

其中，Urbit为城镇化水平。城镇化的发展改变了城乡居民的消费习惯，带动物流业的GTFP 增长[2]。本文通过城镇人口数占总人口数比重对其进行表征。新技术的研发，尤其是信息技术与物流技术的发展可以改善物流业的经营绩效[24]，对物流业GTFP 增长也会产生影响。因此，本文引入技术创新水平（lnRDit）作为控制变量，并通过R&D 经费内部支出取对数进行测度。Infrait表示交通基础设施建设强度，本文借鉴黄书雷等[25]的研究，通过(公路+铁路+内河航道里程)/国土面积对其进行表征。控制变量的数据由《中国统计年鉴》收集整理而得。

考虑到观测变量的非正态分布，本文通过面板分位数回归对中国物流业GTFP 增长的β收敛进行估计。因此，本文具体的计量模型为：

式中：β(τ)表示第τ分位数中国物流业GTFP 增长的收敛系数。

（3）俱乐部收敛。俱乐部收敛主要对具有相似特征地区物流业GTFP 增长指数的收敛性进行分析，不同俱乐部内部存在同一稳态收敛。常用的俱乐部收敛方法是基于logt回归检验[26-27]。logt回归检验的模型如下所示：

（4）随机收敛。随机收敛作为重要的一个检验收敛性的方法，可以避免中国的物流业GTFP 增长在短期内存在的收敛与非收敛之间的状态，常用的随机收敛检验方法主要为单位根检验[22]。当不存在单位根则表明中国的物流业GTFP 增长在地区间是收敛的。但是由于面板单位根检验结果的解读具有模糊性[27]，通过某一个单位根检验的结果并不能保证物流业GTFP 增长是随机收敛的，因此本文通过不同类型的单位根检验方法来获得更稳健的随机收敛验证结果。本文借鉴Luo 等[21]的研究方法，采用Harris-Tzavalis (HT)、Levin-Lin-Chu (LLC)和Im-Pesaran-Shin (IPS)对中国的物流业GTFP 增长指数的随机收敛进行检验。

2.2 收敛结果分析

（1）σ收敛分析。图4 描绘了2004—2019 年中国各区域物流业GTFP 增长指数σ收敛的变动趋势。总体来看，全国和东中西部地区的物流业GTFP 增长指数的变异系数在研究期间的变化波动较为显著，不存在明显的σ收敛特征。其中，2007—2009 年、2012—2013 年和2017—2018 年，全国和各地区物流业GTFP 增长的变异系数有明显的上升，这反映了受金融危机、政府政策等外部因素冲击导致各省份间物流业发展速度不一，引起各省份间GTFP 的差异增大。

图4 分区域物流业绿色全要素生产率的变异系数

（2）β收敛分析。在对中国物流业GTFP 增长的β收敛进行检验之前，本文对各变量进行了描述性统计分析，见表3。根据Skewness 和Kurtosis 的值可以发现，本文的被解释变量git左偏且非正态分布。控制变量的数据分布为右偏，且Kurtosis 的值也都不等于3。Shapiro-Wilk 和Shapiro-Francia 检验的结果表明在1%的显著性水平上拒绝原假设，即均呈现非正态分布。图5 给出了各关键变量的QQPlot 图，也证实了上述检验结果。因此，本文所选用的变量均为非正态分布，采用面板分位数回归检验中国物流业GTFP 增长的β收敛更具科学性。

表3 描述性统计分析

绝对β收敛检验。图6 反映了全国和东中西三地区绝对收敛系数β随分位数增加的变化趋势。从系数的变化来看，全国和东部地区收敛速度先在10%～30%分位数上下降，随后在30%～80%分位数上保持平稳。绝对收敛系数β的绝对值在90%分位数上最大，表明在全国和东部物流业GTFP 增长较高的省份中，收敛速度更快。在10%～90%分位数上，中部地区的收敛系数β在-1上下波动，但在90%～95%分位数上迅速上升，表明在中部物流业GTFP 增长较高的省份中，收敛速度最慢。与此相反，西部地区收敛系数在90%～95%分位数上迅速下降，在95%分位数时收敛速度达到最高。如表4所示，面板分位数回归的结果显示中国和东中西三地区的物流业GTFP 增长的收敛系数β都显著为负，表明中国物流业GTFP 增长存在显著的绝对β收敛，物流业绿色全要素生产率指数较低省份的增速快于绿色全要素生产率指数较高省份的增速。从收敛速度来看，东部地区物流业GTFP 增长的收敛速度最快，其次为中部地区。

表4 绝对β收敛检验

条件β收敛检验。在引入控制变量后，可以看到回归结果中（表5），全国与东中西部地区的物流业GTFP增长的收敛估计结果与绝对β收敛的结果保持一致，物流业GTFP 的滞后一期与git具有显著的负相关关系，验证了中国物流业GTFP 增长的条件收敛。与绝对β收敛的估计结果类似，东部地区的收敛速度最快，其次为中部地区，这可能是东部地区物流业发展的技术差异较小导致。图7 给出了全国和分区域物流业绿色全要素生产率增长指数的条件收敛系数β的分位数分布，与图6 整体保持一致。

表5 条件β收敛检验

图6 全国和分区域物流业GTFP增长绝对收敛系数β的分位数分布图

图7 全国和分区域物流业GTFP增长条件收敛系数β的分位数分布图

从控制变量的分位数回归结果来看，城镇化的发展对全国10%、30%～60%分位数上的物流业GTFP 增长影响为负。城镇化的发展，增加了城镇人口人均收入，带来更大的物流需求量，进而增加了物流业的投入和非期望产出的排放，抑制了物流业的绿色发展。技术创新对10%～70%分位数上物流业GTFP 增长指数的影响为正，但均未能通过显著性检验，一定程度上表明中国技术创新能力可以推动物流业绿色增长水平的提升。在20%～60%和70%～95%的分位数上，基础设施水平的提升可以显著推动中国物流业绿色全要素生产率的增长，与基于最小二乘的回归结果保持一致。交通基础设施的建设缩短了地域间的运输距离，减少了物流成本和能源消耗，因而可以产生正向的促进作用。因此，中国仍需继续加强基础设施建设，发挥基建的溢出效应。

（3）俱乐部收敛分析。从前文绝对β收敛和条件β收敛的检验结果来看，中国东、中、西部地区物流业GTFP增长均存在显著的收敛趋势，即整体表现为俱乐部收敛。但人为地从行政区域角度将省份划分为三大区域，并进行俱乐部收敛检验存在一定的主观性，而且忽视了省份间协同发展的战略[28]。因此，本文通过logt回归模型对中国物流业GTFP 增长可能存在的俱乐部收敛情况进行进一步检验，结果见表6。可以看到，中国30 个省份（不含西藏、港澳台地区）的物流业GTFP 增长指数可构成4 个不同的收敛俱乐部：第一个俱乐部包含安徽、湖北和广东3 个省份；第二个俱乐部包含北京、吉林、上海、江西、河南、重庆和四川7 个省份；第三个俱乐部包含河北、山西、内蒙古、江苏、浙江、福建、山东、湖南、广西、海南、陕西和甘肃共12 个省份；第四个俱乐部包含天津、辽宁、黑龙江、青海、宁夏和新疆6 个省份。此外，贵州和云南的物流业GTFP 增长指数呈现出发散趋势。表6还报告了俱乐部聚类合并检验的结果，可以看到俱乐部合并后的t值均小于-1.65，表明中国物流业GTFP 增长指数只存在4 个收敛俱乐部，肯定了前文的估算结果。

表6 俱乐部收敛分析

（4）随机收敛分析。本文主要采用HT、LLC 和IPS三种单位根检验的方法验证中国物流业GTFP 增长的随机收敛现状。HT 检验、LLC 检验和IPS 检验的原假设都为所有序列存在单位根。表7 中，三种检验的P值均小于0.01，拒绝了原假设，即全国和东中西部三地区物流业GTFP 增长均存在随机收敛。该结果进一步肯定了前文β收敛的结论。

表7 随机收敛检验

3 结论与政策建议

基于中国各省份物流业2003—2019 年的数据，利用超效率EBM 模型和全局ML 指数测算了环境约束下中国30 个省份物流业GTFP 的增长事实，并进行了区域差异比较。此外，系统地通过σ收敛、绝对β收敛、条件β收敛、俱乐部收敛和随机收敛方法对中国物流业GTFP 增长的收敛性进行验证。研究结果表明：（1）中国物流业的GTFP 增长存在显著的区域异质性，其中中部地区物流业的GTFP 增长指数最大，其次是东部地区。（2）收敛检验的结果显示，全国和东中西地区物流业GTFP 增长指数的变异系数在研究期间的变化波动较为显著，不具有显著的σ收敛特征。全国和东中西部三个地区物流业GTFP 的增长存在显著的绝对β收敛和条件β收敛特征。其中，东部地区的β收敛速度最快，其次是西部。logt回归结果显示，中国物流业GTFP 增长存在显著的俱乐部收敛，共可分为四个稳态的收敛俱乐部。随机收敛验证的结果肯定了全国和东、中、西三个地区物流业GTFP 增长存在显著收敛特征的结论，表明我国物流业GTFP 增长指数较低的地区发展速度快于指数较高的地区，最终收敛于同一水平。（3）控制变量的回归结果显示，城镇化的快速发展不利于物流业绿色全要素生产率的提升；而基础设施水平的提升可以促进物流业GTFP增长。

基于上述研究结论，本文提出以下政策建议：

（1）加快物流业绿色转型，重视物流业绿色技术效率、绿色技术进步和绿色全要素生产率的提升。现阶段中国各省份物流业GTFP 的增长指数普遍低于1，这要求各省份不能一味地追求增加值的增长，还要注重物流业发展过程中的环境污染问题。在保持技术效率提升的前提下，要进一步推动技术创新。例如，加大绿色物流技术、信息技术等在物流业发展中的研发和运用，实现我国物流体系的智慧化、数字化和生态化，进而推动不同区域内的物流资源合理配置，减少物流业的污染排放，推进物流业绿色全要素生产率增长。

（2）针对当下物流业发展的现状，国家应继续制定相应的绿色发展规划，统筹区域间物流业的协调发展，发挥先进省份“领头羊”的空间带动效应，和落后省份的“后发优势”，逐渐缩小地区差距，实现物流业GTFP 增长的收敛。此外，各地区要结合自身的资源禀赋情况，实施区域差异化的物流业绿色发展方式，促进物流业与当地优势产业集群化发展。各省份间还要加强交流，搭建区域物流协作平台，形成长期合作机制。

（3）加强基础设施建设，发挥其对物流业绿色发展的正效应。交通带来的拥堵和污染排放问题是制约物流业高质量发展的重要原因，因此要改善交通运输基础，发展高铁航空等货运能力，形成安全高效快捷的物流运输网络。此外，还要加强物流基础设施，统筹国家物流枢纽设施建设，依托物流园区建设分拨中心，提高运输效率，实现物流业GTFP 的持续增长。