朱明萱

江南大学商学院，江苏 无锡

收稿日期：2024年2月29日；录用日期：2024年3月19日；发布日期：2024年4月28日

摘要

文章使用2007~2021年中国30省份的数据，运用Super-SBM模型测算了八大经济区的物流业绿色全要素生产率；运用时空地理加权回归模型研究物流业绿色全要素生产率影响因素的时空异质性。结果表明：全国物流业绿色全要素生产率的整体水平逐渐提升，沿海地区的物流业绿色全要素生产率较高，而黄河中游、长江中游和西南地区的物流业绿色全要素生产率偏低；物流业绿色全要素生产率影响因素的作用机制具有显著的时空非平稳特征，不同时空节点下，各要素的作用方向及时变趋势均不同；城市化进展和交通网络密度对大部分地区的物流业绿色全要素生产率都有正向作用，其中交通网络密度对西南、西北等地形较为复杂的区域有负向作用，而能源消费强度对绝大部分地区都存在负向影响。

关键词

物流业，绿色全要素生产率，影响因素，时空异质性

Research on the Spatiotemporal Heterogeneity of Factors Affecting Green Total Factor Productivity in the Logistics Industry

—A Perspective from China’s Eight Major Economic Zones

Mingxuan Zhu

School of Business, Jiangnan University, Wuxi Jiangsu

Received: Feb. 29^th, 2024; accepted: Mar. 19^th, 2024; published: Apr. 28^th, 2024

ABSTRACT

The article uses data from 30 provinces in China from 2007 to 2021 and uses the Super SBM model to calculate the green total factor productivity of the logistics industry in eight major economic regions; Using a spatiotemporal geographically weighted regression model to study the spatiotemporal heterogeneity of factors affecting green total factor productivity in the logistics industry. The results show that the overall level of green total factor productivity in the national logistics industry is gradually improving. The green total factor productivity of the logistics industry in coastal areas is relatively high, while the green total factor productivity of the logistics industry in the middle reaches of the Yellow River, the middle reaches of the Yangtze River, and the southwest region is relatively low; the mechanism of the influencing factors of green total factor productivity in the logistics industry has significant spatiotemporal non-stationary characteristics, and the direction and trend of each factor’s action are different at different spatiotemporal nodes; the progress of urbanization and the density of transportation networks have a positive effect on the green total factor productivity of the logistics industry in most regions. Among them, the density of transportation networks has a negative effect on more complex terrain areas such as the southwest and northwest, while the intensity of energy consumption has a negative impact on the vast majority of regions.

Keywords:Logistics Industry, Green Total Factor Productivity, Influencing Factors, Spatiotemporal Heterogeneity

Copyright © 2024 by author(s) and Hans Publishers Inc.

This work is licensed under the Creative Commons Attribution International License (CC BY 4.0).

http://creativecommons.org/licenses/by/4.0/

1. 引言及文献综述

物流业连通生产和消费，高度集成融合运输、仓储、配送、信息等服务，是国民经济发展的重要支撑。目前，我国物流业发展依然面临能耗严重的突出问题，与“低投入、高产出、降低环境损耗” [1] 的高效发展背离，同时由于我国区域经济发展的不均衡，导致我国物流业绿色发展也存在区域差异，上述问题制约了物流业高质量发展，物流业的高能耗、不均衡问题亟待解决。因此，本文将资源消耗和环境污染纳入全要素评价指标体系 [2] ，评价我国八大经济区物流业绿色全要素生产率(Green Total Factor Productivity, GTFP)，探究物流业绿色发展的影响因素，从时间和空间两种维度揭示各影响因素的作用特征，因地制宜地制定物流业绿色发展对策。

关于物流业行业效率的研究大致从两个方面出发，即物流业绿色效率的测算和影响因素的研究。在行业效率的研究方面，由于单一指标反映物流业发展过程中的局部规律，难以全面揭示物流业的发展规律 [3] ，因此，目前大多学者采用多指标评价体系对区域物流业效率进行测算。从物流业效率的测度方法来看，主流方法分为参数估计方法和非参数估计方法 [4] ，由于非参数估计方法的评价模型不需要假设生产函数，可以规避过程中参数设置导致的偏误，因此成为目前主要采用的方法，例如，李健 [5] 以物流业增加值为期望产出，物流业二氧化碳排放量为非期望产出，运用DEA模型测算了物流业全要素能源效率。然而，传统DEA方法也存在一定局限性，例如，传统DEA模型在处理投入产出存在松弛的问题时，往往会产生估计偏误 [6] ，并且传统DEA模型测算得出的效率值具有截尾性，无法比较多个处于生产前沿面的决策单元 [7] 。而在物流业效率的研究尺度方面，许多学者从重点地区角度进行碳排放效率的测算研究，如杨恺钧 [8] 等研究了长江经济带各省市的物流业全要素能源效率；Gan [9] 等人评价了江西省绿色物流效率；Yang [6] 等人研究了云南省的物流碳排放表现。少有文章从八大经济区视角进行物流业效率的研究。

在效率影响因素的研究方面，学者们采用的研究方法多为受限变量模型和空间计量模型。例如，张瑞 [10] 等人运用面板向量自回归模型探究了物流业能源生态效率与各影响因素的动态关系。Bai [11] 等人运用空间面板杜宾模型分析了物流业生态效率影响因素的空间溢出效应。然而，考虑到物流业绿色全要素是生产率影响因素在不同时空条件下的作用强度和方向可能存在差异，若想探究物流业GTFP因素在不同时空节点下的异质特征，传统的回归模型难以满足研究需求，Huang [12] 提出的时空地理加权回归模型(GTWR)可以有效揭示各因素作用的时空非平稳特征。近年来，GTWR模型在能源 [13] 、碳排放 [14] 、碳排放强度 [15] 、污染防治 [16] 和对外贸易 [17] 等相关领域的应用逐渐成熟。但通过文献梳理发现，少有文章针对八大经济区的物流业GTFP影响因素的时空规律展开研究。

有鉴于此，本文采用考虑非期望产出的Super-SBM模型对我国八大经济区(不包含西藏及港澳台地区) 2007~2021年的物流业GTFP进行测算，结合GTWR模型，揭示我国物流业GTFP驱动机制的演化规律。本文可能的边际学术贡献在于：1) 从八大经济区视角出发进行分析；2) 采用考虑非期望产出的Super-SBM模型测算物流业GTFP，克服了传统径向模型的弊端；3) 探究了物流业GTFP影响因素的时空非平稳特征。

2. 研究方法与数据说明

2.1. 考虑非期望产出的Super-SBM模型

本文采取全局Super-SBM模型，将物流业碳排放量作为非期望产出来测算物流业GTFP。本文以30个省为生产决策单元，假设各省物流生产存在m种投入 $X=\left\{x_1,x_2,x_3,\cdots ,x_m\right\}$ ， $s_1$ 种期望产出 $Y=\left\{y_1,y_2,y_3,\cdots ,y_{s_1}\right\}$ ，和 $s_2$ 种非期望产出 $Z=\left\{z_1,z_2,z_3,\cdots ,z_{s_2}\right\}$ ，则可构建包含期望产出和非期望产出的生产可能性集合 $PPS=\left\{\left(y,z\right)\right\}$ 。本文将考虑非期望产出的Super-SBM模型定义为：

(1)

(2)

(3)

(4)

(5)

${\displaystyle {\sum }_{j=1}^n{\lambda }_j}=1;$ (6)

$s_i^x\ge 0,s_k^y\ge 0,s_l^z\ge 0,{\lambda }_j\ge 0,\forall i,j,k,l;$

其中， $\rho$ 为效率值， $\left(x_{i0},y_{k0},z_{l0}\right)$ 表示决策单元的投入产出集， $s_i^x$ 、 $s_k^y$ 、 $s_l^z$ 分别是投入要素、产出要素、非期望产出要素的非零松弛， ${\lambda }_j$ 为权重变量。

2.2. 时空地理加权回归模型

不同于普通的全局线性回归模型，Huang [12] 提出的时空地理加权回归模型考虑了空间和时间的非平稳性表达，即考虑了现实生活中不同时空下环境和资源禀赋的差异，因此GTWR模型更符合社会发展的客观规律。GTWR模型数学表达式为：

$y_i={\beta }_0\left(u_i,v_i,t_i\right)+\underset{k=1}{\overset{p}{{\displaystyle \sum }}}{\beta }_k\left(u_i,v_i,t_i\right)x_{ik}+{\epsilon }_{i}i=1,2,\cdots ,n$ (7)

式中， $t_i$ 代表样本 $i$ 的时间观测点， $\left(u_i,v_i,t_i\right)$ 为样本点 $i$ 的时空坐标， ${\beta }_0\left(u_i,v_i,t_i\right)$ 为样本点 $i$ 处的时空截距项， ${\beta }_k\left(u_i,v_i,t_i\right)$ 为样本点 $i$ 的第 $k$ 个自变量的回归系数。

GTWR模型的参数估计根据最小二乘法实现。与传统的线性回归模型不同，GTWR模型中的每个样本点都对应不同的回归系数，对于样本点 $i$ 来说，其回归系数估计值为：

${\hat{\beta }}_i={\left(X^{\text{T}}{W}_{i}X\right)}^{-1}{X}^{\text{T}}{W}_{i}Y$ (8)

其中， $W_i$ 是时空权重矩阵，对角线元素 $w_{ij}\left(1\le j\le n\right)$ 为时空权重，反映某个观测对象与定点研究对象的时空距离。本文采用高斯函数确定时空权重：

$w_{ij}=\exp \left(-\frac{{\left(d_{ij}^{st}\right)}^2}{{\left(b^{st}\right)}^2}\right)$ (9)

$b^{st}$ 为时空带宽， $d_{ij}^{st}$ 表示样本点 $i$ 与 $j$ 之间的时空距离，本文借鉴Huang [12] 的做法，将两样本点的空间距离 $d_{ij}^s$ 和时间距离 $d_{ij}^t$ 用线性组合的方式融合在一起，令 $\lambda$ 和 $\mu$ 分别为空间参数和时间参数。

GTWR模型通过对不同区域、不同时点的观测点进行局部回归与参数估计，可以很好地分析不同时空条件下影响因素对物流业GTFP的异质作用。

2.3. 数据说明

2.3.1. 评价指标选取及数据说明

在选取评价指标时，本文参考目前学术界的通用做法 [18] ，以交通运输、仓储和邮政业的统计数据代替物流业数据。本文使用2007~2021年中国30个省份(不包含西藏及港澳台地区)的面板数据，投入产出指标数据均获取于《中国统计年鉴》和《中国能源统计年鉴》，表1为投入产出指标的描述性统计。

投入指标：本文选取交通运输、仓储和邮政业从业人员数量、固定资产投资总额作为物流业人力和财力投入，用铁路营业里程、公路里程和内河航道里程3种最主要运输形式的线路长度代表基础设施投入 [19] ，选取交通运输、仓储和邮政业终端能源消费总量作为反映物流业能源投入的指标，由于物流业涉及多种能源，为了统一计算，将各种能源的消费量折算成标准煤的消费量。

期望产出指标：本文以物流业增加值为经济产出；以可以反映物流业实用价值的货运周转量(包括货物周转量和旅客周转量)为物流业规模产出，根据Liu [20] 的做法将其换算成综合周转量。

非期望产出指标：本文考虑到物流业产生的污染物主要是物流作业过程中产生的碳排放，因此本文以物流业二氧化碳的排放量为非期望产出，选取了物流业消耗的8种主要能源(原煤、焦炭、汽油、煤油、柴油、燃料油、液化石油气和天然气)，运用IPCC碳排放核算公式测算中国省域物流业碳排放量。

表1. 评价指标体系的描述性统计

2.3.2. 影响因素选取及数据说明

本文选取城市化进展、交通网络密度、能源消费强度等3个指标作为解释变量，对物流业GTFP的影响进行阐释。指标数据来源于2007~2021年度的《中国统计年鉴》和《中国能源统计年鉴》，将变量含义及其描述性统计汇总整理到表2。

表2. 变量含义及描述性统计

3. 实证结果分析

3.1. 物流业绿色全要素生产率测算结果

基于含有非期望产出的超效率SBM模型，本研究测算了我国2007~2021年30个省份的物流业GTFP，在此基础上对我国整体层面和区域层面的物流业GTFP进行评价。

图1展示了我国整体及区域物流业GTFP的变动趋势。研究期内我国整体物流业GTFP处于较低水平，各年份的平均物流业GTFP基本处于0.6以下，我国物流业的绿色发展仍有很大的改进空间。从区域层面来看，东部沿海、南部沿海和北部沿海地区的物流业绿色全要素明显优于其他地区，主要由于这些区域都是沿海地区，其优越的区位优势吸引更多外资，实现经济的快速发展，进而更有利于吸引人才和绿色技术创新，促进物流业的绿色高效发展。东北地区是我国重型装备和设备制造基地，其偏重型工业的经济发展方式在造就较高的货物运输需求的同时，也造成物流业能源利用的低效，从2015年开始东北地区的物流业GTFP有明显的提升，主要由于十八大之后，东北地区传统优势产业逐渐实现转型升级，且其在智能技术方面的应用获得进展，带动了物流业的绿色转型。黄河中游地区、长江中游和西南地区的物流业GTFP距离生产前沿面较远，且提升较为缓慢，其中西南排名最后，均值仅为0.334，这三个地区都以农业生产为主要发展方式，农业发展虽然也带来一定的货运需求，但由于其低附加值的属性，难以使物流业获取可观的经济产出。值得注意的是，西北地区的物流业GTFP呈现逐年下降的趋势，可能由于西北地区土地广阔，但人口规模和城镇化都处于较低水平，且经济发展较为落后，难以激发物流需求，因此近年来在物流基础设施上的巨大投入难以转化为同等的价值产出和规模产出。

图1. 2007~2021年中国物流业绿色全要素生产率变化趋势

3.2. 物流业绿色全要素生产率影响因素的时空异质性

由上述分析可以看出我国物流业GTFP的发展存在一定的时空差异，因此在探索物流业GTFP的影响因素时，需考虑各影响因素对我国物流业GTFP作用的时空异质性。通过构建GTWR模型，可以分析不同时间、空间下的物流业GTFP影响因素作用特征。图2~4反映的是不同区域各影响因素的系数曲线。

由图2可以看出，各区域的城市化进展系数分布呈现两极分化的格局，其中西南、西北这两个西部区域的城市化进展系数呈现下降趋势，可能是由于西部地区受地理条件的制约，随着城市化的快速推进和物流需求的增大，西部地区的运输效率难以提升，导致这两个地区的城市化进展系数曲线呈现下降趋势。而东北、北部沿海、东部沿海、南部沿海、黄河中游和长江中游等黑河-腾冲线以东的大部分区域的城市化进展对物流业绿色全要素生产的促进作用呈现上升趋势，一方面城市化的推进使大量农村居民向城市迁移，为物流业发展提供了充足劳动力，另一方面，城市化发展使城市地区人口过剩，提高城市居民对良好生态环境的期望，促使政府和物流企业加快落实生态保护措施，进而促进物流业GTFP的提升

图3展示了交通网络密度系数曲线的变动趋势，其中东北地区、北部沿海和黄河中游地区的交通网络密度系数曲线呈现上升趋势，说明这些区域的交通网络体系不断完善，其对物流业GTFP的提升作用也随之增强。东部沿海、南部沿海和长江中游的交通网络密度系数曲线呈现倒“U”形，可能是由于这些区域经济较为发达，在前期的发展中交通网络体系已逐步达到完善，后期继续通过对交通网络的投入提高物流业GTFP的收益有限，因此可能发生边际效益递减的情况。西南和西北地区的交通网络密度曲线也呈现上升趋势，但研究期内绝大部分年份都处于负半轴，说明交通网络密度对物流业GTFP产生抑制作用，可能是由于西部地区幅员辽阔且地形较为复杂，前期对西部地区投入的交通基础设施建设难以转换为同等价值的产出，但随着投入的积累，西部的交通网络体系正逐步实现完善因此交通网络密度曲线呈现上升趋势。

图2. 不同地区城市化进展对物流业绿色全要素生产率的影响

图4展示了能源消费强度系数变动趋势，可以看出物流业能源强度对各地区的物流业GTFP存在抑制作用，说明能源密集型消费是制约物流业绿色发展的瓶颈。对于大部分区域，如北部沿海、东部沿海、南部沿海、黄河中游、长江中游和西南地区，其能源消费强度系数曲线基本呈下降趋势，说明对物流业GTFP的抑制作用逐渐增强，这是由于随着物流业的快速发展，居民的日常出行和货物运输需求不断增加，能源消耗也随之增大，造成较多的非期望产出 [15] 。东北地区能源消费强度系数曲线呈现上升趋势，尽管东北地区以偏重型的产业为主，近年来随着东北地区的产业转型升级和绿色智能技术的应用，其能源消费结构正在逐步实现优化。一般来说，能源强度对于物流业GTFP的负面影响较大，因此提高能源效率、坚持节能减排是促进物流业绿色发展的重要途径。

4. 结论与政策建议

本文运用含有非期望产出的Super-SBM模型，结合GTWR模型，揭示物流业GTFP影响因素的时空变动趋势。主要结论为：第一，我国物流业GTFP水平呈现波动上升的趋势，物流业GTFP较高的地区主要在沿海地区，而物流业GTFP较低的地区则在黄河中游、长江中游和西南地区；第二，各要素对物

图3. 不同地区交通网络密度对物流业绿色全要素生产率的影响

图4. 不同地区能源消费强度对物流业绿色全要素生产率的影响

流业GTFP的影响呈现出显著的时空异质特征，不同空间、时间下，各要素的作用方向及变动趋势均存在差异；第三，城市化进展和交通网络密度对大部分地区的物流业GTFP都有正向作用，其中交通网络密度对西南、西北等地形较为复杂的区域有负向作用，而能源消费强度对绝大部分地区都存在负向影响。

基于上述研究结论，提出以下建议：一是缩短区域间差距，采取梯度推进的发展方式，东部发达地区的发展重点放在技术创新，并发挥其带动作用，引领中西部地区物流业的发展。二是充分考虑地区异质性，因地制宜地选择物流业发展方向，如东北地区则可以依靠自身工业基础，加大物流业基础设备的研发力度，立足于自身优势实现高质量发展。三是提升物流效率，合理安排交通网络设施的布局，以提高运输效率，还要淘汰落后的技术和能源密集型的物流设备，增加新能源汽车、轻量化搬运设备的使用，以提高能源效率。

5. 展望

本文对物流业GTFP及其影响因素进行了深入调查，并在研究结果的基础上提出了具体的减排策略。然而，本文仍存在一些缺陷，第一，考虑到数据的可用性原则，本文仅在省域数据的基础上对八大经济区的物流业进行分析，而城市层面的数据难以获取，未来应在经济区的研究基础上增加更微观层面的研究，实现多空间尺度的评价分析；第二，由于数据的可得性，本文在测算物流业GTFP时仅考虑了二氧化碳一种非期望产出，未来如能获取其他物流业污染数据可以将其一同纳入评价指标体系中。

文章引用

朱明萱. 物流业绿色全要素生产率影响因素的时空异质性研究——基于中国八大经济区视角
Research on the Spatiotemporal Heterogeneity of Factors Affecting Green Total Factor Productivity in the Logistics Industry—A Perspective from China’s Eight Major Economic Zones[J]. 运筹与模糊学, 2024, 14(02): 1146-1155. https://doi.org/10.12677/orf.2024.142213

参考文献