康鐵良，王向前

（安徽理工大學經濟與管理學院，安徽淮南 232000）

目前，我國物流運輸成本占國內生產總值的16%左右，國家先后出臺各項政策促進物流行業(yè)降低成本，并積極鼓勵相關物流企業(yè)在運力及倉儲等方面進行智能化裝備升級。

數(shù)據(jù)包絡分析（data envelophant anahysis，DEA）模型通過創(chuàng)建投入產出指標體系對物流企業(yè)進行評估，被廣泛運用在效率評價中［1］。物流效率測量是一個多目標的復雜過程，目前國內外學者大多從期望產出（物流行業(yè)生產總值、貨物周轉量、貨運量）采用數(shù)據(jù)包絡分析法（DEA）及其改進方法和隨機前沿分析法（SFA）對物流效率進行評價，很少從資源環(huán)境約束的背景下對物流效率進行評價。在研究方法上，龔雅玲等［2］利用DEA模型結合Tobit模型對物流發(fā)展效率進行測度；曹炳汝等［3］采用DEA-BBC模型和空間自相關模型探究物流效率的時空演化規(guī)律；劉承良等［4］運用SBM-Undesirable-DEA模型對低碳約束下的物流效率進行分析和評價。在區(qū)域物流效率研究方面，鐘昌寶等［5］對長江經濟帶上相關省市的物流效率及空間差異進行研究；楊傳明［6］對低碳約束下的江蘇省物流產業(yè)進行效率評價；王麗萍［7］對中部六省物流運作效率進行研究。從上述文獻中可以發(fā)現(xiàn)，當前對物流效率的研究主要集中在某個區(qū)域或某個經濟帶，多是基于相同的前沿面開展研究并假定各決策單元的技術水平無差異，未考慮區(qū)域間的技術水平差異，但是對不同省域進行物流效率評價的時候參照相同的前沿面是不科學的。本文基于以上研究背景，采用共同前沿和群組前沿模型對中國各省域的物流效率進行測量，解決省域之間因技術差異造成的物流效率的誤差，使測量結果更加準確。

近年來，隨著人們對資源環(huán)境的關注程度與日俱增，趙良仕等［8］、敬莉等［9］、查建平等［10］相關學者開始對資源環(huán)境約束背景下的行業(yè)和產業(yè)進行研究。王育紅等［11］運用DEA-SBM模型對長江經濟帶11個省市進行物流效率的分析；楊雪等［12］運用三階段DEA模型剔除環(huán)境因素和隨機干擾后對“一帶一路”10個內陸城市進行碳排放約束下的物流效率評價；國外相關學者把二氧化碳作為非期望產出納入到低碳環(huán)境方面對物流效率進行研究［13］。通過對上述論文分析不難發(fā)現(xiàn)，很少有學者同時結合資源和環(huán)境對物流效率進行研究分析。本文根據(jù)現(xiàn)階段學者的研究成果，考慮物流行業(yè)的特性，把資源環(huán)境納入到物流效率評價的范疇對省域物流進行研究分析。為了進一步探究資源環(huán)境約束下的物流效率是否符合當前經濟發(fā)展規(guī)律，本文以全國30個省市為研究對象，運用超效率DEA和空間自相關性對各省市之間物流發(fā)展狀況及空間集聚性等問題進行研究分析，結合研究結果對不同省區(qū)后期物流發(fā)展規(guī)劃的制定提出建議。

為此，首先考慮不同區(qū)域物流效率技術的異質性特征，基于共同前沿理論［14］框架下，對不同省區(qū)劃分群組；其次以資源環(huán)境約束為出發(fā)點，將物流行業(yè)在發(fā)展過程中消耗的資源、產生的二氧化碳、二氧化硫污染物納入到評價模型；最后運用物流無效率分解和空間自相關分析法對各地區(qū)物流效率的差異性及變動規(guī)律進行分析，據(jù)此尋求不同的效率提升路徑，為各地因地制宜地制定資源節(jié)約型、環(huán)境友好型的減排策略提供理論支持。

1 研究方法

1.1 共同前沿非期望產出SBM模型

Battese等［15］提出共同前沿生產函數(shù)的分析框架，按照一定的標準把決策單元劃分成不同的群組，采用隨機前沿分析方法（SFA）界定所有決策單元的共同前沿和群組前沿［16］。共同前沿是指所有決策單元（DMU）的潛在技術水平，群組前沿指每組決策單元的實際技術水平，二者的主要區(qū)別在于所參照的技術集合不同［17］。本文是在資源環(huán)境約束的背景下進行的物流效率分析，參考文獻［18］構造一個包含投入、期望產出和非期望產出的生產可能性集。求解效率問題有多種距離函數(shù)可以選擇，而傳統(tǒng)的CCR和BCC模型不能準確地考慮投入產出的松弛性問題。非期望產出（slack based measure，SBM）模型是由Tone Kaoru提出的，該模型將投入和產出松弛變量引入函數(shù)，解決投入和產出的松弛性和徑向、角度選擇的偏差［19］，解決了徑向模型對無效率計算中沒有考慮松弛變量的問題。區(qū)域物流的發(fā)展，不僅產生期望產出，同時也有非期望產出，考慮區(qū)域發(fā)展的同時，也要考慮現(xiàn)實的環(huán)境污染情況。本文將選用非期望產出的Super-SBM模型與共同前沿和群組前沿模型相結合對各省域的物流效率進行測度分析。群組前沿Super-SBM模型（共h組）可表示為

ph為群組前沿下決策單元效率值（GFTE），即

共同前沿非期望產出Super-SBM模型可定義為

pmeta為決策單元的共同前沿技術效率值（MFTE），即

本文依據(jù)文獻［20］的研究的結果，基于超效率SBM-Undesirable方法構建共同前沿和群組前沿下的物流效率測度模型，用于界定資源環(huán)境約束下的物流效率，確定TFP指數(shù)變化，該方法能夠把各區(qū)域之間的技術異質性的特征充分顯現(xiàn)出來，從而對各區(qū)域物流效率的利用情況進行準確的描述，測度結果更符合真實狀況。

1.2 物流利用無效率的分解

共同前沿是群組前沿的包絡線，群組前沿能實現(xiàn)的共同前沿下也能實現(xiàn)。因此群組前沿計算出來的物流效率要高于共同前沿模型下計算出來的物流效率，通過計算共同前沿技術效率（MFTE）與群組前沿技術效率（GFTE）之間的比值，即技術落差率（technology gap ratio，TGR）來衡量兩種不同前沿下的資源環(huán)境約束下的物流效率的差異。技術落差率定義為

其值反映群組前沿與共同前沿技術水平之間的差距，技術落差率取值介于［0，1］之間，其值越接近1，表示兩種前沿下的物流效率越接近，說明決策單元的實際技術水平越接近共同前沿最優(yōu)技術水平。技術落差率可以分析區(qū)域之間物流效率的差距，但是無法判斷不同群組下物流效率差異的真正原因，給政策制定和實施帶來困難。為了更好挖掘不同群組物流效率提升的制約因素，本文參考劉玲［21］基于異質性視角下我國全要素能源效率的研究，將物流利用無效率（IL）分解為技術差異無效率（TGI）和管理無效率（GMI），其定義分別為

1.3 空間自相關性分析

全局空間相關性用于分析研究空間的總體關聯(lián)和空間差異，判斷空間是否存在空間聚集情況。本文采用全局Moran’s I指數(shù)進行空間自相關性檢驗。

式中，I為區(qū)域間的相關程度；n為區(qū)域個數(shù)；S2為區(qū)域變量平均方差；為所有地區(qū)的平均值；Yi和Yj為i和j各地區(qū)的觀測值；Wij為空間權重矩陣。Moran’s I值的區(qū)間在［-1，1］之間。在既定的顯著水平下，Moran’s I值顯著為正，代表存在空間正相關，Moran’s I值越大說明空間集聚傾向就越明顯；Moran’s I值顯著為負，代表存在空間負相關，其值越接近-1，說明空間越傾向于分散；當Moran’s I值為0時，表示不存在空間相關性。

2 指標選取及數(shù)據(jù)來源

2.1 指標選取

物流行業(yè)作為一個新興的行業(yè)，目前我國沒有發(fā)布針對物流行業(yè)的相關統(tǒng)計數(shù)據(jù)，唐建榮等［22］認為交通運輸、倉儲和郵政業(yè)可以代表物流業(yè)的發(fā)展情況。本文數(shù)據(jù)來源于《中國統(tǒng)計年鑒》《中國環(huán)境統(tǒng)計年鑒》《中國能源統(tǒng)計年鑒》和各省統(tǒng)計年鑒（2004-2017），根據(jù)數(shù)據(jù)的科學性和可獲得性，選取了國內30個省級行政區(qū)（省、直轄市、自治區(qū)，簡稱省區(qū)）的相關數(shù)據(jù)（不包括西藏）建立投入產出體系，對于部分年份缺失的數(shù)據(jù)，采用STATA 16軟件對數(shù)據(jù)進行補全。變量指標選取見表1，具體如下：

表1 資源環(huán)境約束下的物流效率測量指標體系Tab.1 Logistics efficiency measurement index system under resource and environment constraints

1）期望產出指標：選取全國30個省區(qū)以2006年為基期的交通運輸、倉儲和郵政業(yè)增加值（億元）表示。

2）非期望產出指標：對于非期望產出指標的選擇，不同學者有不同的看法?，F(xiàn)實生活中，環(huán)境污染物眾多，若采用單一的指標來衡量會造成環(huán)境指標構成比例一致的假定。基于文章主旨和相關文獻［23-24］的研究，選用SO2和CO2排放量作為非期望產出指標。非期望產出主要考量物流行業(yè)在發(fā)展過程中產生SO2和CO2。根據(jù)IPCC的規(guī)定，物流業(yè)在發(fā)展過程中消耗的煤炭、汽油、煤油、柴油和天然氣這5種能源，因為消耗電力不產生二氧化碳，所以主要考慮以上5種能源作為物流行業(yè)產生二氧化碳的主要來源，結合碳排放系數(shù)計算出二氧化碳的排放量（W），計算公式為

式中，Ei為能源的消耗量；i為各種能源；Fi(CO2)為各類能源的二氧化碳排放系數(shù)。

3）投入變量指標：①勞動投入：選取各省區(qū)在交通運輸、倉儲和郵政業(yè)城鎮(zhèn)私營企業(yè)和個體就業(yè)人員數(shù)（萬人）作為勞動投入指標。②資本投入：選取2004-2017年每年的交通運輸、倉儲和郵政業(yè)全社會固定資產投資（億元），結合文獻［25］的計算方法估計資本存量。③資源投入：本文將各省區(qū)交通運輸、倉儲和郵政業(yè)消耗的煤炭、汽油、煤油、柴油、天然氣和電力這6種能源的基礎數(shù)據(jù)，折合成標準煤計算（萬t）。

2.2 組別劃分

劃分群組是本文重點關注的問題，選擇劃分標準關鍵是確保組群內各省的物流技術水平是相同或相似的，不同組群之間物流技術水平呈現(xiàn)出明顯的差異性。本文結合之前相關的研究，依據(jù)國家物流樞紐布局和建設規(guī)劃（2015-2030），結合各省區(qū)之間面臨的問題，綜合考慮各省區(qū)之間的經濟發(fā)展狀況及區(qū)域發(fā)展基礎等因素，將30個省區(qū)劃分為3類：東部經濟發(fā)達區(qū)、中部經濟一般區(qū)和西部經濟落后區(qū)，簡稱東部、中部和西部。具體分區(qū)情況見表2。

表2 資源環(huán)境約束下的物流效率分區(qū)情況Tab.2 Distribution of logistics efficiency under resource and environmental constraints

3 實證分析

根據(jù)上述的研究模型，本文采用Maxdea軟件，估算出30個省區(qū)2006-2017年資源環(huán)境約束下的物流效率值進行實證分析。

3.1 區(qū)域物流效率分析

由表3可知，無論在共同前沿還是群組前沿下，不同區(qū)域的物流效率有顯著性差異。3個區(qū)域在共同前沿下，平均值從高到低依次是東部、中部、西部，分別為0.801、0.474、0.352，群組前沿下的物流效率分別為0.806、0.868、0.706。從全國范圍來看，北京、河北、天津的效率值均大于1，屬于物流效率高效率的省區(qū)。與此形成鮮明對比的省區(qū)是云南、重慶、廣西、青海、四川、新疆、吉林物流效率值均小于0.3，屬于物流效率低的省區(qū)。與以往的研究［26］不同的是，上海和廣東的效率值并不是很高，可能是因為傳統(tǒng)基于方向性函數(shù)的DEA方法是逐年構造生產前沿面的，而本文基于全局技術構造共同前沿面和群組前沿面，使得對不同年份的測量具有可比性。需要注意的是，在群組前沿下不同省區(qū)采用不同的技術前沿面，測算的效率值不能直接進行比較。

表3 2006-2017年各省區(qū)不同前沿下物流效率及技術落差比率值Tab.3 The value of logistics efficiency and technology gap ratio under different frontiers in various provinces and cities from 2006 to 2017

從表3中可以看出，3個區(qū)域的TGR的平均值從高到低依次是東、中、西部。其中東部TGR歷年的平均值為0.996，認為東部群組實際技術水平最接近共同前沿最優(yōu)技術水平，東部相關省區(qū)之間基本上不存在技術差異。與此相反，中部和西部的TGR歷年平均值小于0.6，分別為0.565和0.533，說明中、西部地區(qū)物流效率被嚴重低估，區(qū)域內的物流技術水平存在較大差距。因此縮小區(qū)域內的物流發(fā)展技術水平差距，提高區(qū)域內物流技術水平，是提升中、西部區(qū)域內物流效率的主要途徑。

3.2 綠色物流利用無效率分析

技術落差率只能大致衡量不同技術前沿下物流效率的差異，為進一步分析物流利用效率的來源，本文依據(jù)式（6）、（8）分別計算各地區(qū)歷年來的技術利用無效率和管理無效率的結果見表4。由表4可以看出，東部的物流利用無效率平均值小于0.2，總體上維持在一個較低的水平，從整個趨勢上看無效率值呈現(xiàn)波動變化。其中東部的物流無效率損失主要是由于管理無效率導致，技術利用無效率幾乎為0，東部相關省區(qū)的物流利用技術水平處于國內前沿最優(yōu)水平。中部和西部物流利用無效率整體偏高，隨著時間的推移呈現(xiàn)出波動變化，總體上呈現(xiàn)下降的趨勢，說明中、西部群組前沿與共同前沿的距離在逐漸減小。中部物流技術利用無效率主要是由技術無效率所造成，呈現(xiàn)先升后降的變化趨勢，而與之相反的管理無效率卻呈現(xiàn)上升的趨勢，中部區(qū)域在進行物流技術提升的同時也應該加強對物流管理的重視。技術無效率和管理無效率對西部物流利用無效率的貢獻不相上下，且二者呈現(xiàn)先下降后上升的發(fā)展趨勢，造成這種情況的原因可能有以下兩點：其一，西部各省區(qū)地處內陸，地理位置閉塞，基礎設施建設薄弱等先天問題導致的技術和管理利用無效率偏大；其二，物流利用效率的發(fā)展存在類似于“環(huán)境庫茲涅茨曲線”的現(xiàn)象，隨著國家對西部大開發(fā)的推進，人們更關注收入水平的提高，對環(huán)境問題重視不足，物流發(fā)展方式比較粗放，導致物流無效率的增長。

表4 2006-2017年三大區(qū)域物流利用無效率及其分解Tab.4 Inefficiency and decomposition of logistics utilization in three major regions from 2006 to 2017

總體上來說，東、中、西部區(qū)域物流利用無效率（IL）的來源和變化趨勢并不一致。東部物流利用無效率主要來自于管理無效率（GMI），而技術無效率（TGI）占的比例很小幾乎可以忽略不計；中部物流利用無效率主要來源于技術差異無效率值；而西部物流利用無效率則源于技術和管理無效率兩個方面。

3.3 物流效率空間相關性分析

3.3.1 共同前沿下物流效率全局空間相關性分析根據(jù)表5所示，2006-2017年共同前沿下全局Moran’s I指數(shù)在［0.262，0.532］之間，全部通過了1%的顯著性檢驗，在空間上呈現(xiàn)正相關，表現(xiàn)出空間集聚現(xiàn)象。2006-2010年之間空間集聚現(xiàn)象在增強，從2011年之后空間集聚現(xiàn)象開始減弱。根據(jù)2006-2017年Moran’s I指數(shù)的變化，可以判斷總體上呈現(xiàn)“弱集聚—強集聚—弱集聚”的波動趨勢。

表5 共同前沿和群組前沿下物流效率全局Moran’s I值及顯著性Tab.5 The overall Moran’s I value and significance of logistics efficiency under meta frontier and group frontier

3.3.2 群組前沿下物流效率全局空間相關性分析2006-2008年、2014-2017年群組全局Mo?ran’s I指數(shù)沒有通過10%的顯著性檢驗，說明群組前沿下物流效率在空間分布上不存在明顯集聚或分散的特點。2016年Moran’s I值為-0.049，出現(xiàn)微弱的空間分散現(xiàn)象。2009-2013年群組Moran’s I指數(shù)通過10%的顯著性檢驗，介于［0.123，0.313］之間，說明這些年份呈現(xiàn)弱集聚的現(xiàn)象。從2006-2017年的Moran’s I指數(shù)看，群組前沿總體上呈現(xiàn)“弱集聚—微強集聚—弱集聚—弱分散”的波動趨勢。

3.3.3 不同前沿下局域空間相關性分析根據(jù)表6和圖1，可以看出大多數(shù)省區(qū)都位于第一、三象限，超過全部省區(qū)的一半，說明全國大部分省區(qū)在空間上呈現(xiàn)集聚或分散的狀態(tài)，從側面說明空間集聚性要強于異質性。2006年有7個省區(qū)位于第一象限，有14個省區(qū)位于第三象限。到了2017年，第一象限的省區(qū)數(shù)量維持不變，第三象限的省區(qū)減小到12個?？偟目臻g集聚趨勢為“保持不變—略微升高—減弱”，說明經過這幾年的不斷發(fā)展，省區(qū)之間的物流效率差距在逐漸減小，這與當前發(fā)展高集聚度的區(qū)域性中心城市的發(fā)展方向相違背。

圖1 2006、2010、2014、2017年共同前沿下物流效率的局部空間相關性分析Fig.1 Local spatial correlation analysis of logistics efficiency under the meta frontier in 2006,2010,2014 and 2017

表6 2006、2010、2014、2017年共同前沿下物流效率局部空間相關性分析Tab.6 Local spatial correlation analysis of logistics efficiency under the meta frontier in 2006，2010，2014 and 2017

表7是群組前沿下局部空間通過顯著性的相關省區(qū)。北京在群組前沿下與周圍的省區(qū)表現(xiàn)出高高集聚，而新疆在群組前沿下與周圍的省區(qū)表現(xiàn)低低集聚。雖說2006、2014、2017年沒有通過群組全局顯著性檢驗，但在局部空間相關性上仍然表現(xiàn)顯著。綜上，2006-2017年群組前沿下物流效率局部空間的“熱點”地區(qū)主要集中在北京及附近的省市，“冷點”地區(qū)主要集中在新疆及附近的省市。

表7 2006、2010、2014、2017年群組前沿下物流效率局部空間相關性分析Tab.7 Local spatial correlation analysis of logistics efficiency under the group frontier in 2006,2010,2014 and 2017

4 結論與建議

現(xiàn)階段，我國國民經濟由高速發(fā)展階段轉向高質量發(fā)展階段，資源節(jié)約與環(huán)境保護成為環(huán)境政策制定的目標導向。對于物流行業(yè)的發(fā)展，考慮資源環(huán)境約束下的物流效率成為當前物流行業(yè)健康可持續(xù)發(fā)展的關鍵所在?？紤]到不同區(qū)域的經濟發(fā)展狀況和技術水平存在巨大的差異性，本文在異質性視角下利用非期望產出超效率SBM模型對我國2006-2017年30個省區(qū)的物流效率進行測度分析，將物流利用無效率分解為技術無效率和管理無效率，并進行空間相關性分析。從多個方面剖析物流效率改善的潛力及空間差異。綜上所述，本文得出如下結論：

1）在共同前沿下，東部、中部、西部物流效率值依次降低。在異質性考察中，中部和西部的技術落差率偏低，其中黑龍江、湖北、廣西和四川尤為突出，在共同前沿下這些省區(qū)的物流效率被嚴重低估。

2）東部相關省區(qū)在共同前沿和群組前沿下的物流效率基本無差距，說明東部省區(qū)技術水平在共同前沿下達到最優(yōu)。在群組前沿下，中部的物流效率略高于東部地區(qū)，可能是因為浙江省物流效率值偏低，拉低了整個東部的平均值。

3）對東、中、西部進行物流利用無效率分解發(fā)現(xiàn)：東部物流效率損失主要是由管理無效率造成的，而技術無效率是導致中、西部物流效率損失的主要原因，同時管理無效率也占一定比例。

4）對共同前沿和群組前沿進行全局空間相關性分析發(fā)現(xiàn)：共同前沿下物流效率呈現(xiàn)空間集聚的狀態(tài)，群組前沿下只有一部分年份呈現(xiàn)空間集聚。進一步進行局部空間相關性分析發(fā)現(xiàn)：很大一部分省區(qū)都處于“高高”或“低低”象限，說明大部分省區(qū)都處于“強集聚”或“弱集聚”之間，所以物流效率的空間集聚性要強于異質性。

為了更有針對性地提高物流效率，促進不同省區(qū)之間物流的協(xié)調發(fā)展，結合對各個區(qū)域的分析結果，提出以下建議：

1）改善管理水平，切實減少物流效率的損失。東、中、西部3個區(qū)域都或多或少存在管理利用無效情況，管理無效是制約物流效率提升的關鍵因素，提高管理水平對于現(xiàn)階段我國物流效率的提高具有現(xiàn)實意義。應加強區(qū)域內物流企業(yè)和物流從業(yè)人員的環(huán)保意識，提高領導階層的管理水平，政府要提高綜合環(huán)境治理水平，從而提高區(qū)域內的物流管理水平。

2）提高物流技術水平，減少物流行業(yè)能源消耗。中、西部地區(qū)物流效率損失的最主要原因是技術利用無效率，要想提高效率必須轉變以往粗放的發(fā)展模式，提高區(qū)域內綠色節(jié)能技術，人才聚集是提高技術水平最直接、最快速的方式。技術人才的集聚能夠帶來知識和技術的集聚，從而改善區(qū)域創(chuàng)新力，加快區(qū)域創(chuàng)新發(fā)展。

3）構建區(qū)域交通樞紐中心，發(fā)達便捷的交通網(wǎng)絡是物流行業(yè)發(fā)展的基礎。完善基礎設施，加快交通樞紐建設，提高交通承載力，為推進產業(yè)升級和經濟跨越式發(fā)展提供關鍵支撐，進一步提升區(qū)域集聚力和輻射力。

4）創(chuàng)新區(qū)域協(xié)同發(fā)展戰(zhàn)略，加快產業(yè)升級和能源結構調整。要“多渠道、多層次、全方位”地加強地區(qū)間的協(xié)作，提升物流效率空間集聚水平。對于“低高”或“高低”聚集的省區(qū)，要加強與物流效率高的省區(qū)之間交流與合作。各省區(qū)要降低能源消耗強度，改善環(huán)境水平，促進產業(yè)結構的升級和能源結構的調整，構建生態(tài)環(huán)境綜合治理體系，加快傳統(tǒng)產業(yè)轉型升級，提升中心城市的綜合承載能力和生態(tài)效益。