基于虚拟绩效视角的长江经济带物流产业能源效率时空演进及影响因素研究

杨 杰（江南大学 商学院，江苏 无锡 214122）

0 引言

2020 年，习近平主席在第七十五届联合国大会上提出“中国将力争2030 年前实现碳达峰，努力争取2060 年前实现碳中和”。如何达到碳达峰碳中和这一双碳目标要求，降低碳排放并最终实现净零碳排放，这已经成为我国乃至全球社会普遍关注和研究的热点。物流产业能源消耗是碳排放的主要来源，因此提升碳排放约束条件下的物流产业能源效率将有利于降低碳排放。作为我国主要的经济增长极和耗能区之一，长江经济带的生产总值和能源消耗在全国总量中占比均接近40%。因此，测算出考虑碳排放的长江经济带11 个省份的物流产业能源效率值并分析其影响因素具有现实性和迫切性，能够为我国物流产业节能减排提供切实依据与现实参考。

已有的物流产业效率相关的国内外研究比较丰富，研究方向主要包括效率测算、影响因素及其时空特征分析等方面。在物流产业效率测算方面，由于数据包络分析法（DEA）具有多投入、多产出和评价指标无量纲的优势，该方法被广泛使用在物流产业效率测算上，刘永吉等[1]采用基础DEA 模型测算并分析了东北三省19 个资源型城市物流产业效率。丁斌和王琨[2]以城市道路交通噪声分贝为非期望产出构建SBM 模型计算了全国各省市2003 到2011 年的物流产业效率；秦雯和倪容[3]基于2011—2020年珠江西岸物流产业面板数据，构建三阶段超效率SBM-DEA 模型来研究物流产业效率；徐新闻等[4]提出了CCR 和BCC 模型的组合模型，并将其用在我国31 个省市的物流产业效率测度上。在物流产业效率影响因素研究方面，着手点主要在于影响因素选择，部分研究比较聚焦，专门研究单一因素对物流产业效率的影响，周烨[5]专门研究的是产业聚集对物流业产业效率的影响；李振杰[6]考察了外商投资对物流产业效率的影响。黄辉宁和黄刚[7]通过构建空间滞后模型，研究了经济发展、政府支持、科技水平等因素对能源效率的影响；张娜和李波[8]运用SFA 回归探究了政府支持和地区GDP 对西部地区物流产业效率的影响；高华和马晨楠[9]在测得效率值的基础上，借助模糊集定性比较分析的方法研究影响物流产业高效率发展的重要因素。对物流产业效率时空特征的分析也是重要研究内容，学者们多是借助核密度分析、RS 和GIS 的探索性空间数据分析、ML 指数以及空间计量等方法进行研究。比如，李朋林和刘晓宁[10]运用Moran's I 指数研究了我国各省市的物流业效率区域差异；刘宏伟等[11]借助收敛性分析来检验不同地区枢纽城市物流产业效率的趋同和发散情况；杨传明等[12]则是利用ML 指数分析，对在环境约束下的长江经济带物流产业效率进行了动态分析。

综上所述，现有研究采用的DEA 方法没有考虑到前沿面异质性的问题。因此，本研究将碳排放量作为非期望产出，并考虑了资源和环境层面的影响因素，然后采用基于虚拟前沿面的三阶段Window-DEA 模型，解决了前沿面异质性导致的跨期不可比这一问题的同时避免环境因素和随机误差的影响，得到长江经济带11 个省份实际物流产业效率值，并通过Malmquist 指数分析模型刻画长江经济带实际物流产业效率值的时空演变特征，最后基于结论，提出关于提高物流产业效率水平的建议。

1 研究方法

1.1 基于虚拟绩效前沿面的三阶段Window-DEA 模型

（1）第一阶段：采用考虑虚拟前沿面的Window-DEA 模型测算长江经济带11 个省份的物流产业能源效率值，具体操作步骤如下：

①基于研究的样本数据，并参考已有文献研究，确定窗口宽度为3，本研究期间为2010 至2020 年，时间长度为11 年，故建立11-3+1=9 个窗口期，每个窗口有33 个DMU；

②构建窗口最优虚拟前沿面进行效率评价。设置与单个窗口期内所包含待评价数量相同的虚拟评价单元，构成形成虚拟评价单元集DMUJ，J=33，根据窗口期内给定的待评价单元集DMUI的投入xim和产出yin值来确定虚拟评价单元的投入xjM与产出yjN值，其中设置一个虚拟评价单元为最理想评价单元，即xjm=min {xim}=x0，yjn=max {yin}=y0，其他J-1 个虚拟决策单元的投入和产出分别在区间[0.9 5x0,x0]和[y0,1.05y0]上随机生成，进而构成窗口最优虚拟评价单元，然后采用CCR-I 模型测算出基于窗口期内最优前沿面的待评价单元DMUi效率值ρio，以及最理想评价单元的效率值ρO：

③构建窗口最劣虚拟前沿面进行效率评价。构建窗口最优虚拟前沿面进行效率评价。设置与单个窗口期内所包含待评价数量相同的虚拟评价单元，构成形成虚拟评价单元集DMUJ，J=33，根据窗口期内给定的待评价单元集DMUI的投入xim和产出yin值来确定虚拟评价单元的投入xjM与产出yjN值，其中设置一个虚拟评价单元为负理想单元，此时令xjm=min {1/xim}=xt，yjn=max{1/yin}=yt，其他J-1 个虚拟决策单元的投入和产出分别在区间[0.9 5xt,xt]和[yt,1.05yt]上随机生成，进而测算出基于窗口期内最劣前沿面的待评价单元DMUi效率值ρit，以及负理想评价单元的效率值ρt，此时采用的CCR-I 模型则为：

④基于TOPSIS 的思想，最优评价单元应满足离正理想点尽可能近的同时离负理想点尽可能的远这一条件，可通过计算贴近度大小来表示效率值，进而确定各窗口期内各决策单元的效率值，计算公式为：

⑤基于相同年份，对每个决策单元的效率值进行平均，同时基于相同年份，对每个决策单元的各投入冗余量进行平均，以每个决策单元相同时点投入冗余量的平均值作为第二阶段面板SFA 模型的因变量。

（2）第二阶段采用面板SFA 模型，分析得到混合误差项，然后计算管理无效率项μ 和随机误差项v[13]：

其中：Sni是第i 个决策单元第n 项投入的松弛值；Zi是环境变量，βn是环境变量的系数；vni+μni是混合误差项，vni表示随机干扰，μni表示管理无效率。其中：v 是随机误差项，表示随机干扰因素对投入松弛变量的影响；μ 是管理无效率，表示管理因素对投入松弛变量的影响。

根据计算结果对各项投入进行调整，调整公式如下：

（3）第三阶段把原始投入调整为剔除环境因素和随机干扰后的投入，采用与阶段一相同的测算过程，测算得到相同环境下长江经济带11 个省份实际物流产业能源效率值。

1.2 Malmquist 指数模型

为了进一步研究物流产业能源效率时序演进情况，本研究采用Malmquist 指数模型分析全要素物流产业能源生产率的动态变化过程。ML 指数可分解为技术效率变化(effch)和技术进步变化(techch)，技术效率变化又可分为纯技术效率变化(pech)和规模效率变化(se ch)，即：ML=技术进步变化(techch)*纯技术效率变化(pech)*规模效率变化(se ch)，当ML 指数值大于1，表示全要素生产率处于增长状态。相反的，ML 指数值小于1，表示全要素生产率处于下降状态。

2 实证分析

2.1 数据来源与指标选取

本研究以长江经济带11 个省份为研究对象，研究使用的数据来源于2010—2020 年各省份统计年鉴和国民经济与发展公报。对于部分缺失数据，通过高阶多项式拟合法进行补充。

综合参考郑云等学者的研究[14]，选取的投入指标包括能源、劳动和资本三个指标。能源投入指标用物流产业综合能源消费量表示，选择原煤、汽油、柴油、煤油、燃料油、液化石油气、天然气、热力、电力等9 种能源，依照标准系数折算为标准煤后再加总，劳动投入指标用物流产业从业人员数量表示，资金投入指标用物流产业固定资产投资额表示。产出分为期望产出和非期望产出，期望产出为物流产业生产总值，非期望产出为物流产业碳排放量，具体测算公式参考IPCC 提供的方法，CE=Cei*NCVi*COFi*CEFi* (44/12)，其中：CE表示碳排放量，Cei表示表示第i 种能源的消费量，NCVi表示第i 种能源的平均低位发热量，COFi表示第i 种能源的碳氧化因子，CEFi表示第i 种能源的碳排放因子[15]。考虑到价格波动性对测算结果造成影响，提高数据的可比性，所有数据均以2010 年为基期进行平减。资本存量数据用固定资产价格指数平减。物流产业生产总值根据GDP指数转化为以2010 年为基期的实际物流产业增加值。

环境影响因素从经济—社会—技术—环境四个层面综合考虑：经济层面选取产业结构为指标，用第二产业总产值占GDP比重来表示；社会层面的影响因素是对外开放程度，用外商直接投资与GDP 的比重来表示；科学技术创新，以科学技术财政支出占一般性地方政府财政支出的份额来表示[16]；环境规制，以物流产业污染治理项目本年完成投资额与物流产业增加值的比重来表示。

2.2 第一阶段实证结果

以2010—2020 年我国长江经济带11 个省份物流产业能源的投入和产出数据作为原始数据样本，以基于虚拟前沿面的Window-DEA 模型进行测算，得到长江经济带11 个省份的物流产业能源效率值，结果如表1。在不考虑环境因素和随机干扰因素的影响条件下，江苏的物流产业能源效率在研究期内一直处于长江经济带的最高水平，其平均能源效率值为0.620，是唯一效率值超过0.6 的省份，明显高于物流产业能源效率排名第二的江西省，过去十年江西省的物流产业能源效率也一直处于较高水平，其平均能源效率值为0.534；其次是贵州省，其物流产业能源效率值为0.524，与江西省的物流产业能源效率值较接近；物流产业能源效率值最低的是四川和云南两省；除此之外的其他6 省，物流产业效率值都很接近，依次是上海、安徽、浙江、湖南、重庆和湖北。基于以上分析可以看出，在不考虑环境因素和随机干扰因素影响的情况下，长江经济带11 个省份的物流产业效率值分层明显，分为三档，第一档是江苏处于最高效率水平，第二档是江西、贵州、上海、安徽、浙江、湖南、重庆和湖北，而四川和云南处于明显低效率水平。

表1 第一阶段长江经济带11 省份物流产业能源效率值

2.3 第二阶段结果

考虑到第一阶段测算得到的效率值会受到环境因素和随机误差的影响，因此需要剔除环境因素和随机误差得到长江经济带11 个省份在相同环境下的物流产业能源实际效率值。本研究运用Frontier4.1 软件，分别以各投入变量的冗余作为被解释变量，以科学技术创新、环境规制、产业结构和对外开放作为解释变量，进行随机前沿分析，回归结果如表2 所示，回归系数的正负和大小分别说明了解释变量对被解释变量影响的方向和程度大小。

表2 第二阶段SFA 回归结果

（1）环境规制。该变量与能源投入冗余和劳动力投入冗余都呈负相关关系，且分别在10%和5%统计水平上显著，但与资金投入冗余呈正相关关系，在10%统计水平上显著，说明政府进行环境规制，进行物流产业生产环境治理与监督，一方面能够降低能源投入冗余和劳动力投入冗余，有利于物流产业能源效率提高，另一方面也会导致物流产业的资金投入冗余增加，从而不利于物流产业能源效率的提高。

（2）科学技术创新。该变量与能源投入冗余和劳动力投入冗余都呈负相关关系，且分别在1%和10%统计水平上显著，说明加大科学技术创新，能够减少物流产业能源和物流产业劳动力投入冗余，有助于提高物流产业能源效率。进行科学技术创新，推动设备升级换代，改进物流产业生产工艺，能源的利用率能够得到明显提高，同时单位产能所需的能源量能够有所下降。但是，科学技术创新与资金投入冗余呈正相关关系，且在5%统计水平上显著，因此短期来看，科学技术创新会增加资金投入冗余，不利于物流产业能源效率的提高。

（3）产业结构。该变量与能源投入冗余和劳动力投入冗余分别成正相关关系和负相关关系，且分别在5%和1%统计水平上显著，但与资金投入冗余没有显著关系。说明，由于集聚效应的存在，产业结构的调整即第二产业的产值比重越高，劳动力投入冗余会有所减少，从而有利于物流产业能源效率的提高，但也会导致能源投入冗余的增加，不利于物流产业能源效率的提高。

（4）开放水平。该变量与能源投入冗余和劳动力投入冗余的关系都不显著，仅与资金投入冗余都呈现负相关关系，且在5%统计水平上显著，说明开放水平的提高，引进更多外来资本，减少物流产业资本投入冗余，从而不利于物流产业能源效率的提高。

因此，四个环境影响因素中，环境规制、科学技术创新都显著有利于减少能源投入冗余，而产业结构则会显著增加能源投入冗余；四个环境影响因素中，环境规制、科学技术创新都显著增加资金投入冗余，从而不利于物流产业能源效率的提高，而开放水平则显著有利于减少能源投入冗余；四个环境影响因素中，能够显著减少劳动力投入冗余的环境影响因素是环境规制、科学技术创新和产业结构。

2.4 第三阶段投入调整后的实证结果

通过面板SFA 回归分析结果剔除环境因素和随机误差的影响，从而得到调整后投入。再次运用MaxDEA 软件，采用基于虚拟前沿面的Window-DEA 模型，得到长江经济带11 个省份的实际物流产业能源效率值，结果如表3 所示。剔除环境因素和随机误差的影响后，长江经济带11 个省份的物流产业能源效率值与第一阶段相比存在较明显变化，除了云南的物流产业能源效率值仍是长江经济带最低的省份以外，其它10 个省份的效率值排名均发生了变化，其中，贵州的物流产业能源效率值变化最大，从剔除环境因素和随机误差影响前的第三位变到末位，仅高于云南省；另外，剔除环境因素和随机误差的影响后，上海反超江苏，成为物流产业能源效率值最高的省份，其次是江苏和浙江两省，但该3 省之间的差距并不明显；而其他6 省的物流产业能源效率值排序虽然较第一阶段有变化，但彼此间差异仍较小，依次是重庆、四川、湖南、江西、湖北和安徽。可以看出，长江经济带11 个省份的实际物流产业能源效率值也存在分层明显，主要分为三档，呈现断层明显，各分档之间差距较大的特征。

表3 第三阶段长江经济带11 省份物流产业能源效率值

2.5 长江经济带物流产业能源效率的时空演进分析

为了进一步分析长江经济带11 个省份实际物流产业能源效率值的时空演进特征，运用Deap2.1 软件进行Malmquist 指数分析，结果如表4 和表5 所示。从表4 长江经济带整体实际物流产业能源效率Malmquist 指数结果来看，2010—2020 年研究期内ML 指数都大于1，且均值为1.037，说明长江经济带物流产业能源全要素生产率在以平均每年3.7%的速率持续增长。2010 到2020 年的技术进步变化(techc)h 都大于1，且都大于同时期的规模效率变化率(sec)h，而部分年份的规模效率变化(sec)h 小于1，可以看出长江经济带物流产业能源全要素生产率的增长主要由技术进步引起的。从表5 长江经济带11 个省份实际物流产业能源效率Malmquist 指数结果来看，长江经济带11 个省份的ML 指数都大于1，说明长江经济带11 个省份物流产业能源全要素生产率在2010—2020 年研究期内都呈现增长趋势，其中增长率最高的是中游地区的湖北，其次是中游地区的江西、下游地区的浙江和上游地区的四川，而云南和贵州增长率较低。同时，长江经济带11 省的技术进步变化(techch)都大于1，且都大于规模效率变化率(se ch)，可以看出长江经济带11 省物流产业能源全要素生产率的增长都主要由技术进步引起的。从长江各流域的平均增长率来看，中游省份的平均增长率达到5.8%，高于下游3.7%的平均增长率和上游2.7%的增长率，说明长江中游省份的物流产业能源效率水平正向下游水平追赶，二者之间的差距正逐渐缩小，但长江上游与中下游在物流产业能源效率水平上的差距还在不断拉大。

表4 长江经济带整体实际物流产业能源效率Malmquist 指数

表5 长江经济带11 省实际物流产业能源效率Malmquist 指数

3 结论与启示

本研究基于2010—2020 年长江经济带11 个省份的物流产业能源投入—产出以及环境变量面板数据，运用基于虚拟前沿面的三阶段Window-DEA，测得各省份实际物流产业能源效率值，并分析得到不同环境因素对效率的影响，以及运用Malmquist-DEA 方法刻画长江经济带11 个省份实际物流产业能源效率值的时序演进特征。得出以下结论和启示。

（1）测算得到的实际物流产业能源效率值结果表明，实际物流产业能源效率高的省份都位于长江下游地区，依次是上海、浙江和江苏，而位于长江上游地区的云南和贵州两省的实际能源效率值处于最低水平，除此之外，主要位于长江中游地区的其它6 省在实际物流产业能源效率上差异不大，依次是重庆、四川、湖南、江西、湖北和安徽。因此，长江经济带11 个省份的实际物流产业能源效率值按照长江上游、中游和下游分为三档，存在效率断层问题明显，各分档之间差距较大。为此长江经济带充分发挥长江下游3 省浙江、江苏和上海的标杆作用，总结在物流产业能源方面的经验供其它省份借鉴和学习，努力将效率中等的省份提升至效率良好，缩小与长江下游3 省的差距，同时将效率无效的长江上游省份作为发展重点，补齐该短板，与长江中游省份看齐，将效率值从无效提升至中等水平。

（2）SFA 随机前沿回归结果表明，四个环境影响因素中，环境规制、科学技术创新都显著有利于减少能源投入冗余，而产业结构则会显著增加能源投入冗余；四个环境影响因素中，环境规制、科学技术创新都显著增加资金投入冗余，从而不利于物流产业能源效率的提高，而开放水平则显著有利于减少能源投入冗余；四个环境影响因素中，能够显著减少劳动力投入冗余的环境影响因素是环境规制、科学技术创新和产业结构。因此，科学技术创新在提高物流产业能源效率方面的作用十分显著，应加大物流产业领域科学技术创新，加强物流产业机械设备创新升级，改进优化物流产业生产工艺，降低在物流产业生产过程中的能源投入和损耗。同时，应充分发挥政府的监督和引导作用，加大物流产业污染排放治理力度，完善物流产业能源相关政策规范。除此之外，应重视物流产业的集聚效应，根据地区禀赋合理有序增加第二产业规模和比重，避免能源投入冗余增加的同时减少劳动力投入冗余，以及提高物流产业经济发展的开放水平，积极引进外资。

（3）从长江经济带11 个省份实际物流产业能源效率值的时空演进特征来看，长江经济带物流产业能源全要素生产率在研究期间内以平均每年3.7%的速率持续增长，增长主要由技术进步引起的。长江经济带11 个省份的物流产业能源全要素生产率在研究期内也都呈现增长趋势，增长也都主要由技术进步引起的，其中增长率最高的是中游地区的湖北，其次是中游地区的江西、下游地区的浙江和上游地区的四川，而云南和贵州增长率较低。从长江各流域的平均增长率来看，中游省份的平均增长率达到5.8%，高于下游3.7%的平均增长率和上游2.7%的增长率，说明长江中游省份的物流产业能源效率水平正向下游水平追赶，二者之间的差距正逐渐缩小，但长江上游与中下游在物流产业能源效率水平上的差距还在不断拉大。因此，应继续保持长江经济带物流产业能源效率持续增长的向好趋势，同时应正视不同流域之间的差距，在中游省份开始发力阶段继续加大物流产业能源效率改善力度，把物流产业能源效率提高到良好水平，而对于上游省份的潜力挖掘还有待提高，增长速率应超过下游水平，从而逐渐拉近与中下游省份的效率差距。