Abstract: 依据江苏省13市2010年-2020年物流业发展的面板数据,将物流运营过程中产生的二氧化碳当作非期望产出变量,构建低碳物流效率评价指标体系,运用三阶段Super-SBM模型,剔除环境因素和随机误差,并引入Malmquist指数模型,对江苏省低碳物流效率进行静态差异测度和动态变化分析。研究发现:外部环境和随机因素对测算结果存在一定的影响,在2010年-2020年,江苏省13市低碳物流效率呈现出稳定上升的发展状态,但区域间低碳物流效率差异逐渐凸显。同时,动态分析表明江苏省低碳物流效率处在较高位置,但技术进步拉动还没有达到最佳水平,仍有进步的空间,兼顾提高低碳物流技术效率,降低碳排放的潜力依然很大。这对推动江苏区域物流转型升级,降低能源消耗,提升低碳物流效率和推广低碳物流可持续发展具有重要的参考价值。
Keywords: Low-carbon, Logistics efficiency,Three-stage Super-DEA,Malmquist model
I. Introduction
改革开放40多年,中国物流业从起步到快速发展发生了根本性的变革,取得了举世瞩目的巨大成就[1]。2015年国家发改委发布《关于加快实施现代物流重大工程的通知》提出,到2020年物流业增加值占国内生产总值的比重达到7.5%左右,物流业增加值年均增长实现8%左右,第三方物流比重由目前的约60%提高到70%左右。可见,物流业已经成为国民经济发展的基础性和支柱性产业,是国民经济发展不可或缺的重要支撑力量。
作为中国东部地区物流大省之一,江苏省物流业近年来发展较快。据江苏省现代物流协会最新统计,2019年江苏省实现社会物流总额31.88万亿元,完成物流业增加值5778.79亿元,社会物流总费用达到13749.15亿元,与GDP的比率降至13.8%,其中,运输费用6575.94亿元,同比增长2.3%,占全省社会物流总费用的比重为47.82%,对江苏区域经济发展的地位和作用进一步增强。然而在物流业快速发展过程中,其运作成本高,生产效率偏低,能源消耗大、碳排放和大气污染物排放等问题面临着严峻的挑战。据《中国能源大数据报告(2020)—能源综合篇》和江苏省能源资源环境统计处统计的资料显示,2019年全省能源消费总量达到32525.97万吨标准煤,比上年增长2.8%,原油消费量达到4120.20万吨,比上年增长1%,液化石油气消费量达到45.25万吨,比上年增长26%,原煤消费量达到23297.55万吨,焦炭消费量达到4967.15万吨,比上年增长16%。其中物流业(交通运输、仓储及邮电通讯业)能源消费量达到2594.32万吨,约占全省能源消费总量的7.976%,物流业已经成为能源高消耗和环境重污染的重要推手。如何推动物流业转型升级,摆脱原本高能耗、粗放型发展道路,大力发展绿色、高效的低碳物流将会成为物流业可持续发展的必然选择。
随着低碳经济理念的不断深入,降低物流成本,提升物流效率渐渐引起政府和学者们的广泛关注。梳理文献发现,国外学者重点关注衡量综合效率的全要素生产率(Total factor productivity)理论研究,其最早可以追溯到Cobb & Douglas (1927)[2]提出的柯布一道格拉斯生产函数,随后Slow (1957)[3]在柯布道一格拉斯函数的基础上提出索罗模型,进一步扩展了对全要素生产率的解释,将全要素生产率定义为在产值增长中资本与劳动无法解释的增长部分,为解释经济增长提供了更广阔的视角。到了20世纪60年代,Damson (1967)[4]首次尝试使用全要素生产率进行产业效率评价,同时Jorgenson & Griliches (1967)[5]针对投入要素测度存在偏差与投入要素考虑不全面等问题,对索洛模型进行了重要补充。由于索罗余值法只能进行大致的核算,精确度不高,Meeusen & Broeck (1977)[6]将SFA(Stochastic Frontier Analysis)引入到生产率的测算中,开辟了全要素生产率测算的新领域。90年代,Battese & Coelli (1992,1995)[7]-[8]对模型进行改进,将SFA的应用从截面数据扩展到面板数据,研究结果更加符合现实。Kutlu&McCarthy (2016)[9]使用SFA分析了美国替代机场所有权类型的效率差异,发现所有权形式对成本效率很重要,但影响相对较小。而相对于SFA,数据包络法的应用更为广泛,Charnes et al.(1978)[10]以规模报酬不变为假设提出DEA(Data Envelopment Analysis)—CCR(Charnes,Cooper and Rhodes)模型;Caves et al. (1982)[11]在CCR模型的基础上构造了DEA-Malmquist指数来进行产业效率的测度;Banker et al. (1984)[12]对DEA模型进行了改进,提出规模报酬可变的DEA模型—BBC(Banker,Charnes and Cooper)模型;Esteller et al. (2010)[13]将DEA模型进行改进,加入外生变量的影响形成三阶段DEA模型,更全面地对全要素生产率的变动进行识别。随后,Kabasakal et al.(2012)[14],Park&Lee (2015)[15],Ding et al. (2015)[16] ,Schoyen et al. (2018)[17]运用DEA- Malmquist模型对铁路公司,物流行业及港口码头等的物流全要素生产率进行研究,提出使用供应链技术够促进合作伙伴之间的信息共享,得出了一些比较有价值的结论。
国内研究主要是借鉴国外的理论框架基础,契合当前低碳经济发展的现实情况,采用DEA、SFA和AHP(The analytic hierarchy process)等方法结合对低碳物流效率(Low-carbon logistics efficiency)进行系统分析。如毕志雯(2011)[18]从低碳和环境的视角,采用DEA和Meta-Frontier的结合,对中国30个省份低碳约束下的物流效率进行分析,指出低碳和环保势必成为我国物流业未来转型的核心,且二氧化碳排放是促成物流业无效率的重要来源。张璇等(2016)[19]运用Three-stage DEA模型,评价新丝绸之路经济带沿线中国西部地区及俄罗斯等沿线主要国家的物流业投入产出情况,得出新丝路沿线地域物流效率不高且差距较大的发展现状。李守林等(2017)[20]利用DEA-Malmquist模型对2010年- 2016年80家交通运输上市企业的物流效率变动情况进行分析,发现近年来物流效率的平均水平出现了下降但幅度较小。程长明和陈学云(2018)[21],采用DEA模型,加入了环境约束条件,对长三角地区物流业效率进行研究,得出长三角地区物流效率呈“U"型趋势,且技术进步是提高物流效率的关键。郁葱笼(2018)[22]运用面板回归模型,对1990-2015年我国各省物流业资本与劳动投入,以及物流业GDP增加值和CO2排放量的相对产出进行测度,得出技术进步是推动各省低碳物流业成长的主要因素,资本投入对物流效率的影响并不显著。李佳澍(2020)[23]从物流效率和区域异质性两方面,对中国丝绸之路经济带沿线10个省、市、区2005-2018年面板数据进行分析,发现丝绸之路经济带沿线物流业生产管理方式仍旧以粗放型为主,高投入低产出。李健,刘恋(2020)[24]基于2007-2017年我国省际物流业面板数据,构建考虑非期望产出的三阶段Super-SBM模型(Slack-based Measure)和MPI模型(Malmquist Productivity Index),得出我国物流效率水平呈现"M型"波动变化,且逐渐趋于收敛态势。
综上所述,国内外学者们对低碳物流效率的研究取得了一定成果,并一致认为在当前低碳经济中,大力发展绿色、高效的低碳物流是物流业可持续发展的必然要求,这为本文进一步的研究奠定了坚实的理论基础和战略目标。但也存在一些遗憾,如多数研究运用传统 DEA 方法忽视了外部环境和随机因素的影响,导致所得到的效率评估值可能存在一定的误差。也有部分研究更重视从物流经济视角出发,未充分考虑能源、碳排放等低碳指标,较少把物流业二氧化碳排放量作为非期望产出指标纳入低碳物流效率的评价体系中,这样就不能全面反映物流业低碳发展的实际状况。当然,以低碳视角运用三阶段SBM模型和Malmquist指数模型相结合对江苏省物流效率进行评价和对比分析的文献更是缺少。
因此,本文在现有研究成果基础之上,从低碳经济视角出发,以低碳物流效率为突破口,依据江苏省13市2010-2020年物流业发展的面板数据,将物流业二氧化碳排放量作为非期望产出,运用三阶段SBM模型和Malmquist指数模型相结合,对其低碳物流效率进行静态测度和动态变化分析,深入挖掘低碳物流发展的内部潜力,把握江苏区域物流发展的低碳物流效率特征和真实水平,对推动江苏低碳物流可持续发展具有重要的指导意义。
模型设计
模型建立与说明
模型1:三阶段Super-SBM模型
三阶段Super-SBM模型是Super-SBM model 的进一步延伸。Super-SBM 模型是将超效率和SBM模型结合起来的一种模型方法,源于著名学者Tone[29]-[30]在对传统DEA模型基础上提出的,是各个领域发展中效率衡量的重要工具之一。本文首先构建考虑物流业二氧化碳排放量即考虑非期望物流业产出的Super-SBM模型如下:
假设有
个决策单元,每个决策单元有
个投入指标、
个期望性产出指标、
个非期望性产出指标。
Subject to:
(3)
其中,为Target efficiency value,
为Expectant output Slack variable,
为Unexpectant output Slack variable,
为投入的松弛变量(Slack variable),
为权重。权重向量
关于松弛变量
、
和
单调递减。
定义:当时,表示当前该决策单元无效,当
时,表示当前该决策单元有效。如果
或
或
时,表明该决策单元有效性弱有效,当且仅当
时,表示该决策单元处于完全有效状态。
基于Super-SBM模型,再进一步考虑环境影响和随机误差对测定结果造成的影响,将环境因素、无效率管理和统计噪声三者同时纳入低碳物流效率的评价体系中,构建以下三阶段Super-SBM模型。
First stage:Basic Super-SBM model
该阶段为input-oriented model,对决策单元的投入与产出数据进行Super-SBM分析,得到各个决策单元的效率值,以及决策单元实际的投入量与最佳投入量之间的差额值,即松弛变量。
Second stage:SFA回归模型
该阶段重点考虑到环境因素和随机误差都有可能对松弛变量产生影响,故采用SFA模型对基础Super-SBM模型进行改进,即分解第一阶段Super-SBM模型计算得出的投入差额(松弛变量),且变量受到环境因素、管理无效率和随机误差共同的影响。
对于
个决策单元
种不同投入要素,可以得到
个回归模型, ,
,
,
表示第
个决策单元第
种投入的差额值,
表示第
个决策单元的
第种投入的最佳值。
假设有个可观察的环境变量
,则
种不同投入要素的SFA回归模型为:
(4)
其中,是环境变量的待估参数;
表示环境变量对松弛变量的影响参数;
表示随机误差,
表示管理无效率,且
与
不相关。
本文选取3个可观察的环境变量,则
种不同投入要素的SFA回归模型为:
(5)
其中,是环境变量的待估参数;
代表选取的物流产业密度变量;
代表城镇化水平变量;
代表物流业专业化水平变量;
表示随机误差,
表示管理无效率,且
与
不相关。
由于第一阶段Super-SBM模型估计出来的差额变量值最小为零,会有数据截断(Censored data)问题的产生。因此,本文在第二阶段使用Tobit截断回归模型进行松弛变量的分解,并假定截断点是0,且只有以上的部分才与计算相关。
(5)
若
若
为潜变量,
为观测到的变量,
表示第
个决策单元第
种投入的松弛变量的潜变量,
表示第
个决策单元第
种投入的松弛变量的原始变量,
为环境变量,
为需要估计的参数。
如果对决策单元进行调整,则针对最有效的决策单元,并且以最有效的决策单元为基准,得到调整后决策单元的投入值为:
(6)
前者代表将所有决策单元调整至相同的环境,即处于相同的环境因素,后者表示将所有决策单元的统计误差调整至相同的情况。
Third stage : Adjusted Super-SBM model
将第二阶段得到的调整后的和初始产出变量,使用投入与产出数据进行Super-SBM分析,得到各决策单元的效率值。由于该阶段的效率估计剔除了环境变量和随机变量的影响,能反映出低碳物流效率的真实水平,更加接近现实情况。
模型2:Malmquist指数模型
基于模型1对低碳物流效进行静态评价的基础上,为了更真实的体现江苏区域低碳物流效率随时间动态变化的规律,本文再选用Malmquist 指数模型进一步分析[31]。
本文将模型1中第三阶段Super-SBM模型所得的投入产出数据,代入Malmquist指数模型中,用距离函数的比率衡量投入产出的效率。根据模型定义,在t时期的技术水平下,从t时期至t+1时期的Malmquist生产率变化用如下公式表示:
(7)
其中,代表决策单元的投入产出向量,
为时期
的决策单元在时期
与效率前沿(Efficient frontier)界面的距离,
表示
时的决策单元在
时与效率前沿界面的距离。
在时期的技术条件下,从
时期到
时期的Malmquist生产率变化可以用以下公式表示:
(8)
由于时期和
时期的技术水平是不同的,在实证研究中,考虑到技术是不断发生变化的,为了避免任意选择参照点可能导致的测量差异,研究中大多采用
和
的几何平均值来计算Malmquist指数:
(9)
Malmquist指数反映决策单元从时期到
时期生产率的动态变化情况,当指数大于1时,表示生产率呈上升趋势,当指数小于1时,表明生产率水平呈现不变或者衰减的趋势。
(10)
其中为Total factor productivity Change,
即Technical Efficiency Change,
即Technical Change,
即Pure Technical Efficiency Change,
即Scale Efficiency Change,且
=
×
。若
,则效率提高,
若则效率不变,
则效率降低。effch、techch、pech、sech大于1,则表示技术投入合理、技术水平有所提高,投资规模与当前生产状况相适应,对效率的提高有促进作用。
指标选取与数据处理
投入与产出指标:研究低碳物流效率,首先要选取合理有效的投入与产出指标。指标选取既要能够充分反映物流业的运营情况又要符合指标数据的可获取性,且还要满足低碳物流效率评价目标。依据指标选取的科学性、系统性、可量化和独立性原则,并结合相关学者们研究,本文选取以下投入和产出指标:
运输总里程:代表物流业运输投入指标,包括铁路营业里程、铁路正线延展长度、公路通车里程、内河航道里程、输油管道里程和公路桥梁长度等。由于公路、铁路、航路运输占物流运输的绝大部分,本文选取的运输总里程是指去掉输油管道里程的其他运输线路长度,单位为万公里。
资本存量:代表物流业资本投入指标,将邮政业、仓储业和交通运输业三大行业的总资本存量作为资产投入要素,由于该数据无法直接在统计数据中体现,因此需要采用永续盘存法对2010至2020年江苏省物流行业资本量进行估算,计算方式如下:
(1)
其中,和
代表该地区
在时间
和时间
物流业资本存量,
表示地区在时间物流业的固定资产投资额,
表示该地区
在时间
内的固定资产折旧率,
在物流业可假定为9.6%,单位为亿元。
从业人数:代表物流业人力投入指标,主要选取该年该地区邮政业、仓储业和交通运输业的从业人数,单位为万人。
货运量:代表物流业运输生产成果(数量)的产出指标,主要指四大运输方式(公路、铁路、航空、水路)的总货运量,单位为万吨。
货物周转量:代表物流业运输能力的产出指标,主要是指实际运输货物吨数与距离的乘积,单位为亿吨每公里。
物流业GDP:代表物流业经济发展水平的质量产出指标,主要选择邮政业、仓储业和交通运输业的年生产总值,单位为亿元。
二氧化碳排放量:代表物流业非期望性产出指标,主要指邮政业、仓储业和交通运输业的全年不可再生能源排放的二氧化碳排放量,单位为万吨。由于江苏省的统计年鉴中二氧化碳排放量为全行业总量,没有对应的物流业二氧化碳排放量,本文采用二氧化碳排放系数来计算二氧化碳排放量,具体计算公式如下:
(2)
其中,为各类能源,
为各类能源消耗量,
为各类能源消耗二氧化碳的系数[26]。
依据上面所列出的投入和产出指标,建立本文低碳物流效率的评价指标体系(见图1):
Figure 1 Low-carbon logistics efficiency index evaluation system
另外,据相关学者们指出[27-28],评价指标体系中每个投入项与产出项都应该符合“同向性假设”。因此,运用SPSS15.0软件对本文选取的物流业投入指标、物流业期望性产出指标、物流业非期望性产出指标的数据进行Pearson相关性检验(见表1)。从表1得出,所有投入与产出指标的Pearson系数都为正,且通过显著性检验要求,说明本文选取的指标存在一定相关性,指标选择合理。
表1 江苏省物流业投入产出指标Pearson系数表
投入/产出指标 | 货运量 | 货物周转量 | 物流业GDP | 二氧化碳排放量 |
运输总里程 | 0.847 | 0.746 | 0.864 | 0.445 |
资本存量 | 0.643 | 0.458 | 0.568 | 0.389 |
从业人数 | 0.704 | 0.722 | 0.641 | 0.475 |
环境变量指标:环境变量通常是指对效率存在实质性影响,但又不在样本主观可控范围内,且短期内无法控制的变量。通过梳理文献发现,对于研究物流效率问题选取的环境变量大多与物流产业发展所处的社会经济状况、政府的相关经济政策,如区域经济发展速度、发展质量、投资情况、通货膨胀水平、城镇化水平、市场化程度、社会文化、人文环境因素等。本文结合江苏区域物流发展情况和特征,考虑数据的可收集性,选择环境变量指标如下:
物流产业密度:即为区域物流产业的密集程度。本文将区域物流企业数量与区域面积的比重用来衡量该区域物流产业密集程度。
城镇化水平:城镇化建设的加快,能够扩大城市物流的辐射范围,释放农村、乡镇的物流需求,刺激物流产业快速发展,良好的城镇化水平对物流产业发展和效率的提升具有较大的推动作用。本文选取城镇人口占全部人口的比重作为衡量城镇化水平的高低。
物流专业化水平:区位因素同样是物流产业发展的重要先决条件。区域物流专业化程度和相对集中率越高,说明物流业在该区域发展具有相对较高的优势和地位,有利于物流业的进一步发展。本文引入物流产业区位熵来衡量区域物流产业发展的专业化和优势程度。其物流产业区位熵定义如下:
(3)数据来源与说明
本文的研究对象为江苏省13市2010年到2020年低碳物流效率。由于物流业是一个新兴行业,尚未被纳入各国的产业分类体系中,基于交通运输、仓储和邮政业占物流业总份额的83%以上,可以反映整个物流业的发展[25]。因此,本文研究的数据来源于江苏省各市统计年鉴中“交通运输、仓储和邮政业”以及江苏交通年鉴中的统计数据。另外,2020年物流业统计数据还没有全部统计结束,只统计到了2020年第三季度(9月份),为了研究的完整性,借助FORECAST函数,对第四季度(10月-12月)的数据进行了估算。
3、实证分析
(1)静态评价结果分析
Super-SBM模型进行计算分析的基本思路是:从生产集(aggregate)中删除被评价的有效集,然后度量生产集到有效集之间的距离即是超效率集,并根据距离对有效集之间进行排序,且超效率≥1。
第一阶段效率值分析:使用DEA-Solver软件,对江苏省13市2010-2020年物流业发展的统计数据进行处理,得到江苏省13市低碳物流效率的测度结果并进行排序(见表2)。表2数据结果显示,在2010年至2020年样本研究期间,除了苏州、徐州、盐城、南京和南通五座城市的低碳物流效率值稳定在1及以上,城市物流业发展在省内处于高效程度,其他城市的低碳物流效率值都在1以下,说明这些城市的低碳物流效率水平有待进一步提高。总体来看,虽然江苏省的低碳物流效率水平存在地区性差异,但整体的低碳物流效率水平仍然在逐年提高,物流发展能力逐渐增强,也越来越重视减少碳排放水平,走低碳物流发展的道路势在必行。
表2 江苏省13市低碳物流效率测度结果统计(2010-2020)
地区 | 2010 | 排序 | 2011 | 排序 | 2012 | 排序 | 2013 | 排序 | 2014 | 排序 |
Xuzhou | 1.0000 | 4 | 1.0000 | 4 | 1.0000 | 4 | 1.0000 | 3 | 1.0000 | 3 |
Suzhou | 1.2032 | 2 | 1.2184 | 1 | 1.2455 | 2 | 1.2570 | 2 | 1.2598 | 1 |
Wuxi | 0.8312 | 7 | 0.8351 | 7 | 0.8555 | 7 | 0.8609 | 7 | 0.8957 | 6 |
Changzhou | 0.6976 | 10 | 0.7030 | 10 | 0.7042 | 11 | 0.7128 | 11 | 0.7302 | 11 |
Zhengjiang | 0.8304 | 8 | 0.8281 | 8 | 0.8347 | 8 | 0.8364 | 9 | 0.8372 | 9 |
Nantong | 0.9467 | 5 | 0.9697 | 5 | 0.9928 | 5 | 0.9985 | 5 | 1.1284 | 5 |
Taizhou | 0.8315 | 6 | 0.8416 | 6 | 0.8762 | 6 | 0.8812 | 6 | 0.8818 | 7 |
Yangzhou | 0.7291 | 9 | 0.7335 | 9 | 0.7352 | 9 | 0.7464 | 8 | 0.7526 | 8 |
Yancheng | 1.1165 | 3 | 1.1184 | 3 | 1.1201 | 3 | 0.9998 | 4 | 0.9997 | 4 |
Huaian | 0.7817 | 11 | 0.7841 | 11 | 0.7948 | 10 | 0.8027 | 10 | 0.8306 | 10 |
Najing | 1.2154 | 1 | 1.2164 | 2 | 1.2498 | 1 | 1.2641 | 1 | 1.2574 | 2 |
Lianyungang | 0.6098 | 12 | 0.6172 | 12 | 0.6342 | 13 | 0.6610 | 12 | 0.6965 | 12 |
Suqian | 0.5975 | 13 | 0.6072 | 13 | 0.6366 | 12 | 0.6596 | 13 | 0.7058 | 13 |
均值 | 0.8762 | 0.8825 | 0.8984 | 0.8985 | 0.9212 |
续表
地区 | 2015 | 排序 | 2016 | 排序 | 2017 | 排序 | 2018 | 排序 | 2019 | 排序 | 2020 | 排序 |
Xuzhou | 1 | 4 | 1 | 5 | 1 | 4 | 1 | 3 | 1 | 3 | 1 | 4 |
Suzhou | 1.2594 | 1 | 1.2650 | 2 | 1.2869 | 2 | 1.2930 | 1 | 1.3175 | 1 | 1.2957 | 1 |
Wuxi | 0.1442 | 5 | 0.9691 | 6 | 0.8771 | 10 | 1.1066 | 6 | 0.9685 | 6 | 0.8507 | 10 |
Changzhou | 0.7379 | 11 | 0.7292 | 11 | 0.7800 | 6 | 0.6591 | 13 | 0.7800 | 8 | 0.6468 | 11 |
Zhengjiang | 0.8590 | 8 | 0.8651 | 8 | 0.8593 | 11 | 0.8271 | 11 | 0.9113 | 7 | 0.9121 | 6 |
Nantong | 1.9467 | 6 | 1.1513 | 4 | 1.1936 | 3 | 1.2008 | 4 | 1.3351 | 3 | 1.1469 | 3 |
Taizhou | 0.8877 | 7 | 0.8990 | 7 | 0.9456 | 7 | 0.9664 | 9 | 0.8589 | 11 | 0.7959 | 7 |
Yangzhou | 0.7598 | 9 | 0.7660 | 10 | 0.8035 | 9 | 0.8807 | 7 | 0.7689 | 10 | 0.7604 | 9 |
Yancheng | 1.1321 | 3 | 1.1648 | 3 | 0.9985 | 5 | 1.1697 | 3 | 0.9970 | 4 | 0.9847 | 5 |
Huaian | 0.8419 | 10 | 0.8647 | 9 | 0.9359 | 8 | 0.9793 | 8 | 0.8771 | 9 | 0.8613 | 8 |
Najing | 1.2583 | 2 | 1.2691 | 1 | 1.2149 | 1 | 1.1749 | 2 | 1.2497 | 2 | 1.0876 | 2 |
Lianyungang | 0.7020 | 12 | 0.7432 | 12 | 0.7851 | 13 | 0.8506 | 10 | 0.7433 | 12 | 0.6750 | 13 |
Suqian | 0.7124 | 13 | 0.6292 | 13 | 0.7883 | 12 | 0.8077 | 12 | 0.6700 | 13 | 0.7019 | 12 |
均值 | 0.9416 | 0.9473 | 0.9591 | 0.9935 | 0.9597 | 0.9014 |
第二阶段回归结果分析:鉴于第一阶段的投入变量存在冗余,尚未剔除外部环境变量和随机因素对低碳物流效率的影响,测算所得结果并不客观,为了提高结果的可靠性和合理性,需要在第二阶段对原始投入进行调整。因此,基于第一阶段的输出结果,将运输总里程、资本存量、从业人数三个投入要素等作为松弛变量,将物流产业密度、城镇化水平和物流专业化水平这三个指标作为解释变量,使用Frontier进行SFA分析,测算环境因素对松弛变量的影响,结果见表3。
表3 第二阶段SFA模型回归结果
松弛变量 | 年份 | 常数项 | 物流产业密度 | 城镇化水平 | 物流业专业化水平 | LOGL | LR | ||
运输总里程 松弛变量 | 2011 | -3143.15 *** | 1.45 *** | 0.04 *** | 7.16 *** | 739421.10 *** | 0.99 *** | -87.43 | 6.41 *** |
2012 | -3211.27 *** | 1.21 *** | -0.21 *** | 7.49 *** | 717573.60 *** | 0.99 *** | -87.46 | 6.54 *** | |
2013 | -3247.68 *** | 1.14 *** | 0.07 *** | 6.19 *** | 669265.40 *** | 0.99 *** | -87.21 | 5.39 *** | |
2014 | -3284.48 *** | 1.32 ** | 0.09 *** | 6.05 *** | 661163.80 *** | 0.99 *** | -86.54 | 5.22 *** | |
2015 | -2832.25 *** | 1.47 *** | 0.03 *** | 4.32 *** | 659689.20 *** | 0.99 *** | -86.24 | 6.32 *** | |
2016 | -2646.49 *** | 1.63 *** | -0.02 ** | -3.54 *** | 645638.70 *** | 0.99 *** | -86.30 | 5.44 *** | |
2017 | -2428.46 *** | -2.28 *** | -0.01 *** | -1.04 *** | 545270.10 *** | 0.99 *** | -84.27 | 5.13 *** | |
2018 | -2251.52 *** | 2.76 *** | -0.01 *** | -0.02 *** | 397319.20 *** | 0.99 *** | -83.64 | 4.86 *** | |
2019 | -1846.30 *** | 3.45 *** | -0.04 *** | -0.76 *** | 367905.00 *** | 0.99 *** | -83.23 | 4.56 *** | |
2020 | -1765.84 *** | 1.43 ** | -0.03 *** | -0.45 ** | 356493.50 *** | 0.99 *** | -82.14 | 4.21 *** | |
资本存量 松弛变量 | 2011 | -657.41 *** | 1.28 *** | -0.01 *** | 0.36 *** | 426703.50 *** | 0.99 *** | -78.32 | 7.12 *** |
2012 | -585.63 *** | 0.98 *** | 0.01 *** | -0.61 *** | 458966.80 *** | 0.99 *** | -74.68 | 7.32 *** | |
2013 | -563.27 *** | 1.01 *** | 0.01 *** | -0.67 *** | 534289.64 *** | 0.99 *** | -71.27 | 6.98 *** | |
2014 | -595.30 *** | 0.73 *** | 0.02 *** | -0.32 *** | 584684.52 *** | 0.99 *** | -66.36 | 6.72 *** | |
2015 | -526.85 *** | 0.25 *** | 0.03 *** | 0.49 *** | 512768.30 *** | 0.99 *** | -74.25 | 6.35 *** | |
2016 | -498.52 *** | -1.16 * | -0.02 *** | 2.45 *** | 682980.31 *** | 0.99 *** | -74.39 | 6.29 *** | |
2017 | -535.17 *** | -0.99 *** | 0.03 *** | 1.37 *** | 826734.20 *** | 0.99 *** | -74.46 | 6.03 *** | |
2018 | -621.98 *** | -0.95 *** | 0.01 *** | 0.65 *** | 1121549.86 *** | 0.99 *** | -75.84 | 5.86 *** | |
2019 | -746.21 *** | -0.94 *** | -0.02 *** | 0.41 *** | 1325664.25 *** | 0.99 *** | -75.98 | 5.74 *** | |
2020 | -783.52 *** | -0.84 *** | 0.03 *** | -0.32 ** | 986165.54 *** | 0.99 *** | -74.32 | 5.82 *** | |
从业人数 松弛变量 | 2011 | 2.34 ** | 0.02 *** | -0.02 *** | 0.00 ** | 21.64 *** | 0.99 *** | -25.63 | 6.72 *** |
2012 | 1.61 *** | 0.02 *** | -0.02 *** | 0.00 *** | 22.73 *** | 0.99 *** | -28.46 | 8.31 *** | |
2013 | -1.05 ** | 0.03 *** | -0.03 *** | 0.00 *** | 68.77 *** | 0.99 *** | -28.42 | 6.72 *** | |
2014 | -1.27 ** | 0.01 *** | -0.02 *** | 0.01 *** | 74.63 *** | 0.99 *** | -27.68 | 6.54 *** | |
2015 | -2.24 *** | 0.00 *** | 0.01 *** | 0.00 *** | 72.71 *** | 0.99 *** | -27.51 | 6.33 *** | |
2016 | -1.46 *** | 0.00 *** | 0.00 *** | 0.00 *** | 58.42 *** | 0.99 *** | -26.33 | 7.84 *** | |
2017 | -3.84 *** | 0.00 *** | 0.00 *** | 0.01 *** | 67.68 *** | 0.99 *** | -26.21 | 7.91 *** | |
2018 | -4.08 *** | 0.01 *** | 0.01 *** | 0.00 ** | 65.42 *** | 0.99 *** | -27.68 | 5.24 *** | |
2019 | -2.96 *** | 0.00 *** | 0.00 *** | 0.00 *** | 52.13 *** | 0.99 *** | -27.83 | 4.67 *** | |
2020 | -1.47 *** | 0.01 ** | -0.01 | 0.00 *** | 44.84 *** | 0.99 *** | -25.42 | 4.26 *** |
注:本表的LR为单边似然比统计量且服从混合卡方分布;*,**,***分别表示在10%,5%,1%水平下显著,10%水平显著临界值为1.642,5%水平临界值为2.706.1,1%水平临界值为5.412。
从表3中可以看出,单边似然比检验结果以及各项回归系数,在1%,5%,10%水平上的显著性检验结果表明,使用SFA法进行分析是合理有效的,说明本文选取的外部环境对江苏13市物流业投入松弛变量具有显著影响。同时,γ 都无限趋向于 1,且显著水平均达到 1%,说明江苏区域低碳物流效率中,管理无效率的影响大于随机干扰项的影响,也体现出不同环境变量在不同年份对冗余的影响结果。
其中,物流产业密度在2011-2020的前五年对其他松弛变量的回归系数都为正值,运输总里程冗余量的系数比其他两项更大,说明物流产业密度的增加会导致运输总里程冗余的增加。即物流产业密度的增加会使运输总里程、资本存量、从业人数冗余的增加,且对运输总里程的影响更大,说明物流产业密度的增加会直接增加运输里程,提高运输效率。2011-2020的后五年,物流产业密度对资本存量的回归系数为负,物流产业密度的增加使资本存量的冗余减少,说明物流产业密度的增加对资本存量的积极影响。2011-2016年城镇化水平对松弛变量冗余产生负向影响,说明前五年城镇化水平增加降低了运输总里程、资本存量、从业人数的冗余,利于管理效率的提升;而后五年,城镇化水平对松弛变量冗余产生正向影响,城镇化水平的大幅提高增加了运输总里程、资本存量、从业人数的冗余,管理效率越来越低。物流业专业化水平对其他变量的回归系数在大部分时间都为负值,说明物流业专业化水平对物流效率的增加存在很大的改善作用,有助于江苏省物流发展效率水平的提升。
第三阶段效率值分析:根据原始产出数据和第二阶段调整后的投入数据,使用DEA-Solver软件,对江苏省13市2010-2020年物流业发展的统计数据进行处理,并去除环境因素和随机误差的影响,得到调整后江苏省13市低碳物流效率的测度结果并进行排序(见表4)。
表4 调整后江苏省13市低碳物流效率测度结果统计(2010-2020)
地区 | 2010 | 排序 | 2011 | 排序 | 2012 | 排序 | 2013 | 排序 | 2014 | 排序 |
Xuzhou | 1.0000 | 4 | 1.0000 | 4 | 1.0000 | 4 | 1.0000 | 3 | 1.0000 | 3 |
Suzhou | 1.1066 | 2 | 1.1466 | 2 | 1.1591 | 2 | 1.2064 | 2 | 1.2392 | 1 |
Wuxi | 0.7253 | 7 | 0.7287 | 7 | 0.7465 | 7 | 0.7512 | 7 | 0.7816 | 6 |
Changzhou | 0.6846 | 10 | 0.6899 | 10 | 0.6911 | 11 | 0.6995 | 11 | 0.7166 | 11 |
Zhengjiang | 0.7246 | 8 | 0.7226 | 8 | 0.7284 | 8 | 0.7298 | 9 | 0.7305 | 9 |
Nantong | 0.8261 | 5 | 0.8462 | 5 | 0.8663 | 5 | 0.8713 | 5 | 0.9846 | 5 |
Taizhou | 0.7256 | 6 | 0.7344 | 6 | 0.7646 | 6 | 0.7689 | 6 | 0.7695 | 7 |
Yangzhou | 0.7155 | 9 | 0.7198 | 9 | 0.7215 | 9 | 0.7325 | 8 | 0.7386 | 8 |
Yancheng | 1.0009 | 3 | 1.0012 | 3 | 1.0005 | 3 | 0.9992 | 4 | 0.9997 | 4 |
Huaian | 0.6821 | 11 | 0.6842 | 11 | 0.6935 | 10 | 0.7004 | 10 | 0.7248 | 10 |
Nanjing | 1.1256 | 1 | 1.1547 | 1 | 1.1699 | 1 | 1.2146 | 1 | 1.2296 | 2 |
Lianyungang | 0.5321 | 12 | 0.5386 | 12 | 0.5534 | 13 | 0.5768 | 12 | 0.6078 | 12 |
Suqian | 0.5214 | 13 | 0.5298 | 13 | 0.5555 | 12 | 0.5756 | 13 | 0.6159 | 13 |
均值 | 0.7977 | 0.8074 | 0.8192 | 0.8327 | 0.8568 |
续表
地区 | 2015 | 排序 | 2016 | 排序 | 2017 | 排序 | 2018 | 排序 | 2019 | 排序 | 2020 | 排序 |
Xuzhou | 1.0000 | 4 | 1.0000 | 5 | 1.0000 | 4 | 1.0000 | 5 | 1.0000 | 5 | 1.0000 | 4 |
Suzhou | 1.2549 | 1 | 1.2650 | 2 | 1.1855 | 2 | 1.2457 | 1 | 1.3455 | 1 | 1.1865 | 1 |
Wuxi | 0.8261 | 6 | 0.8456 | 6 | 0.7654 | 10 | 0.9656 | 6 | 0.8451 | 6 | 0.7423 | 10 |
Changzhou | 0.7241 | 11 | 0.7156 | 11 | 0.7655 | 6 | 0.6468 | 13 | 0.7655 | 8 | 0.6347 | 11 |
Zhengjiang | 0.7496 | 8 | 0.7549 | 8 | 0.7498 | 11 | 0.7217 | 11 | 0.7952 | 7 | 0.7959 | 6 |
Nantong | 0.9984 | 5 | 1.0046 | 4 | 1.0415 | 3 | 1.0478 | 4 | 1.1650 | 3 | 1.0008 | 3 |
Taizhou | 0.7746 | 7 | 0.7845 | 7 | 0.8251 | 7 | 0.8545 | 8 | 0.7495 | 11 | 0.6945 | 7 |
Yangzhou | 0.7456 | 9 | 0.7517 | 10 | 0.7885 | 9 | 0.8643 | 7 | 0.7546 | 10 | 0.7462 | 9 |
Yancheng | 1.1355 | 3 | 1.1549 | 3 | 0.9846 | 5 | 1.0499 | 3 | 1.0346 | 4 | 0.9433 | 5 |
Huaian | 0.7346 | 10 | 0.7545 | 9 | 0.8167 | 8 | 0.8433 | 9 | 0.7654 | 9 | 0.7516 | 8 |
Najing | 1.2465 | 2 | 1.2873 | 1 | 1.2149 | 1 | 1.1749 | 2 | 1.2497 | 2 | 1.0876 | 2 |
Lianyungang | 0.6126 | 12 | 0.6485 | 12 | 0.6851 | 13 | 0.7422 | 10 | 0.6486 | 12 | 0.5890 | 13 |
Suqian | 0.6216 | 13 | 0.5490 | 13 | 0.6879 | 12 | 0.7048 | 12 | 0.5846 | 13 | 0.6125 | 12 |
均值 | 0.8787 | 0.8858 | 0.8931 | 0.9124 | 0.9000 | 0.8604 |
表4数据结果显示,在2010年至2015年的这6年间,江苏省13市整体的低碳物流效率值呈现较低水平,且城市间低碳物流效率值差异较大,两级分化严重,如南京市低碳物流效率值是宿迁市的两倍,但各城市的排名顺序变化不大。然而到“十三五”期间,我们明显发现,江苏省13市整体的低碳物流效率水平显著提高,13个城市的物流效率水平也都在稳步提升,说明这些地区的物流生产力水平逐渐在增强,开始越来越重视减少碳排放水平,特别是经济较发达的南京市和苏州市,如在2016年至2017年南京市低碳物流效率值最高,在2018年至2019年苏州市低碳物流效率值最高,徐州、苏州、南通、盐城和南京市等五座城市三阶段Super-SBM法测出的低碳物流效率值常年保持在1及以上,说明这些地区的低碳物流效率值较高,且排在前列,而连云港和宿迁低碳物流效率值较低,且排名靠后,说明这两个地区的低碳物流效率水平有待进一步提高。在2016年至2020年的五年时间里,江苏省整体的低碳物流效率都处于增长的状态,虽然2020年受新型冠状病毒肺炎疫情影响,物流行业发展处于一段时间的停滞期,导致低碳物流效率水平有所衰减,但江苏省近五年来物流业的输出型指标数据(物流业GDP、货运量水平等)仍呈现增长态势,物流业整体低碳物流效率处于稳定增长时期。
为了更清晰的看出2010年到2020年江苏省13市低碳物流效率的发展变化,将第一阶段和第三阶段效率均值进行时间和空间分析对比,具体见图2(a)(b)。
图2(a) 调整前后江苏省低碳物流效率均值对比(2010-2020)
图2(b) 调整前后江苏省13市低碳物流效率均值对比(2010-2020)
从图2(a) 和(b) 来看,剔除了外部环境和随机因素的影响后,江苏省13个城市各年份的低碳物流效率均值在调整前后都发生了改变,即第三阶段低碳物流效率均值都出现了下降,这说明环境因素与随机因素对低碳物流效率值存在正相关影响,如果不去除这些因素,会使得测量结果被高估,容易对考虑碳排放的低碳物流效率水平处于乐观态度。具体从时间维度看(图2(a) ),从2010年到2018年,江苏省整体的低碳物流效率均值都在逐渐增加,在2019年和2020年出现了下降,但调整后下降的幅度较少。一方面说明江苏省一直贯彻低碳物流发展理念,非常注重物流基础设施建设,提升城镇化水平和物流专业化水平,促进低碳物流效率的提升。另一方面说明2019年江苏区域物流发展水平趋缓,再加上2020年疫情影响,低碳物流发展压力增大,低碳物流效率出现下降。从空间维度看(图2(b)),江苏省13市2010年到2020年低碳物流效率均值调整后也出现了下降,其中下降程度排名为前五的城市为南通、泰州、淮安和镇江,说明这些城市第一阶段表现的低物流效率来源于不利的外部环境影响,即受环境因素影响较大,低碳物流的发展还有很大提升空间。而南京、常州、扬州等苏南城市的低碳物流效率下降不明显,说明这些城市物流业较为发达,处于较有利的外部环境,契合了江苏推广节能减排和绿色低碳理念,积极把握节能低碳带来的新兴发展机遇,发展高效运输组织模式,资源配置比较合理,资源利用较为高效,低碳物流发展趋势较好。
综上,图2(a) 和(b) 充分说明了外部环境和随机因素对低碳物流效率的测度存在一定影响。三阶段Super-SBM模型考虑到了投入产出的松弛问题,剔除了外部环境因素和随机因素的影响,进一步系统有效地分析江苏区域物流业的低碳效率,使得测量结果更具有客观性和合理性,更能真实的反映江苏省13市2010年至2020年期间的低碳物流效率情况,为江苏进一步调整物流资源配置,制定更具有针对性的低碳物流发展对策提供有益参考。
(2)动态评价结果分析
使用Depa2.2软件,测算2010年至2020年江苏省13市物流业Malmquist指数及分解指数值,得到图3-图5:
图3 江苏省13市Malmquist生产率指数变化
全要素生产率指数是用来衡量决策单元由于技术变动和技术效率变化而引起生产率变化的指标。全要素指数大于1时表示当前时期内生产力水平得到提升,小于1时表示当前时期内生产力水平下降。从图3可以看出2010-2020年扬州、宿迁、连云港全要素指数均小于1,苏州、南京、徐州和无锡在2013-2019年全要素指数均大于1,在13个城市中表现较好。总体来看,江苏省13市低碳物流效率在逐年增加且提升幅度较大,其均值从2011年的0.773提高到2019年的1.177,表明随着国家低碳经济的不断发展和低碳技术的不断创新,江苏省13市物流业的低碳效率正在逐渐提升。
图4 江苏省13市指数变化
图5 江苏省13市指数变化
对比图4、图5,将全要素生产率指数分解为技术效率变动指数和技术进步指数,从分解结果来看,技术进步指数的推动作用更为显著。如2010至2020年连云港、扬州和宿迁市全要素生产力指数小于1,主要是因为其技术进步指数小于1。其中,宿迁市技术进步指数小于1,但技术效率变动指数大于1且保持稳定,说明2011-2020年宿迁市物流技术水平的进步是其物流业生产力水平得到提升的重要原因,同时宿迁市全要素生产力指数仍小于1,说明宿迁市低碳物流效率水平还有很大的进步空间。另外,扬州近五年有四年的技术效率变动指数值都为1,说明近五年扬州物流技术变动效率水平基本保持不变。
纵观基于三阶Super-SBM模型的静态分析结果发现,徐州、苏州、南通、盐城和南京市等五座城市的低碳物流效率位于前沿面上,再进一步结合Malmquist指数动态分析结果表明,这五座城市低碳物流效率较高的主要原因是由于技术水平的提高或者技术创新。可见,物流技术水平的提高和技术的不断创新,应是江苏省低碳物流效率提升的重要着力点。
4、结论与建议
本文依据江苏省13市2010年-2020年物流业发展的统计数据,引入物流业二氧化碳排放量作为非期望产出指标,这一指标即可以反映环境污染对物流业效率的影响,又能突出物流业发展的低碳化程度,构建了低碳背景下低碳物流效率评价指标体系,运用三阶段Super-SBM模型,解决了传统DEA模型产生多个同时处于生产前沿面的决策单元(DEA值均为1)无法排序的问题,也消除了Super-SBM模型中外部环境和随机干扰因素对于低碳物流效率测算的影响,对低碳物流效率进行测度,并对测度结果进行时间和空间差异对比分析,更准确地把握江苏省13市低碳物流效率的真实特征。同时结合Malmquist指数法,对其低碳物流效率进行动态变化分解分析,探究其随时间变化趋势,并分解引起物流低碳效率波动的原因,得出江苏低碳物流发展的重点是提升技术进步,兼顾维持高水平技术效率发展,这完善了低碳背景下江苏省低碳物流效率评价的结果,使得研究更加严谨。
同时,本文提出考虑非期望产出的三阶段Super SBM模型并与Malmquist指数模型结合,具有以下优势:其一,考虑了非期望产出;其二,解决了投入产出的松弛问题;其三,解决多个处于生产前沿面的决策单元评价排序问题;其四,剔除了环境变量和随机误差的影响。其五,解决了研究对象的动态变化问题,即Malmquist 指数模型一方面考虑了样本之间的纵向对比,另一方面使得低碳物流效率的测算从截面数据延伸到面板数据,且能够动态分析其研究期内低碳物流效率的变化趋势而不只是停在某一年的效率值。更为重要的是,Malmquist指数模型还能够进行多个指标因素分解,并判断各决策单元效率的稳定性和变动趋势,探寻效率值随时间波动的原因。这对江苏区域物流发展科学把握物流业能源利用情况,有效提升低碳物流效率,统筹推进绿色物流可持续发展政策的制定奠定了厚实的量化分析基础。
众所周知,物流业作为国民经济发展中非常重要的组成部分。作为我国东部区域物流大省之一,江苏近年来非常重视物流业的低碳发展,陆续制定了一系列物流业低碳发展的战略规划和发展方案等,如《循环经济发展战略及近期行动计划》、《公路水路交通运输节能减排规划》、《共同推进江苏省绿色循环低碳交通运输发展框架协议》、《江苏省生态文明建设规划(2013-2022)》、《江苏省“十三五”节能减排综合实施方案》等,全面实施节约资源和保护环境基本政策,进一步优化物流业能源消费结构、提高能源利用效率、降低碳排放强度,全面推进物流业绿色循环低碳发展。
低碳背景下,如何降低物流业二氧化碳排放量,进一步提高资源投入利用效率和低碳物流运作效率,走低碳经济可持续发展道路,建议从以下几个方面进行:
在发展低碳物流的过程中,政府应积极推广低碳物流理念,强化低碳物流意识,充分发挥其顶层设计、战略定位和政策支持的作用,通过建立完善的政策体系和法律法规,推进物流产业结构与制度的创新,践行低碳发展理念。同时对现有资源进行整合,配置和优化,科学合理地规划各物流节点,避免物流设施重复建设,减少物流业高能耗、高排放、高成本的情况,有效地规范、监督和激励,并落实节能减排责任制,促进物流业低碳经济发展。
(2)以信息化建设为手段,优化整个物流业能源结构和运输结构,提高能源使用效率,促进物流业转型升级。如实现各种能源的充分燃烧,在各物流环节中提高能源的利用率,鼓励投入使用环保低碳的物流设备,使用清洁型、可再生能源,减少甚至替代高污染能源。同时,加快推进核能、生物质能及一切可循环的洁净能源在物流行业中的广泛运用,降低对石油、天然气等非循环高排放资源的使用率,减少物流运输碳排放,大力发展多式联运,在优化物流运输结构的同时延伸物流价值链,推动物流领域的技术性节能减排效率。
(3)基于江苏区域物流资源配置和经济发展水平的差异性,注重综合考量江苏省13市物流业发展实际情况,因地制宜,协调好环境保护和物流业低碳发展的关系。对物流业发达地区,如苏州,南京、徐州、南通等城市,在充分考虑其环境承载力的基础上,循序渐进的提高环境规制强度,充分发挥主导作用,引导其他地区发展低碳物流和绿色物流;对物流发展落后、环境污染不太严重的地区,如盐城、常州、无锡、扬州等城市,要适当放开政策,促进物流企业由粗放型的生产经营方式转变为集约型的生产经营方式,进一步促使物流业创新生产技术,推动物流业转型升级;对物流发展落后,环境污染严重的地区,如连云港、泰州、镇江、淮安、宿州等城市,应首抓技术创新与应用,深度推进“互联网+物流”的应用模式,扩大现代信息化服务水平在物流管理、服务、功能、建设等领域的应用范围,从根源上减少环境污染,推进物流与环境和谐发展,实现江苏物流业低碳可持续健康发展。
(发表期刊名称《RESEARCH IN TRANSPORTATION BUSINESS AND MANAGEMENT》.宿迁学院教授梁子婧)
最新论文