低碳約束下中國物流業全要素能源效率評價*

江雨珊 戢曉峰* 李杰梅

(昆明理工大學交通工程學院1) 昆明 650500) (云南綜合交通發展與區域物流管理智庫2) 昆明 650500)

0 引 言

物流業是我國能源消費的主要行業，大量的能源消耗和CO2排放使物流業成為導致環境負外部效應的主要源頭之一.研究當前我國物流業的能源消耗情況，并對其動態變動和區域差異進行分析，進一步探究其關鍵影響因素，有利于實現物流業節能減排目標.

目前，已有研究多采用數據包絡分析方法(data envelopment analysis, DEA)評價能源效率，如王群偉等[1-2]利用DEA-Malmquist分別對中國全要素能源效率、物流業能源效率的變動進行了實證研究；魏楚等[3]基于DEA方法構建出相對前沿的能源效率指標，計算了中國省際能源效率.然而，上述研究都未考慮化石能源消耗產生的CO2等非期望產出，這會導致效率得分的偏差.Zhou等[4]第一次提出包含非期望產出的DEA效率評價模型；汪克亮等[5]選取基于投入導向的BCC-DEA模型，測算包含環境效應的中國省際全要素能源效率；郭文等[6]利用改進的非期望SBM模型(Slack-based Model)系統評價了中國28個省(市、區)的能源效率.同時，為更加精準地測度能源效率，需將所有決策單元進行全部排序，如吳琦等[7]使用超效率DEA方法和主成分分析法對中國30個行政區域進行能源效率評價；孫秀梅等[8]將三階段DEA模型和超效率SBM相結合來測算中國東西地區的碳排放效率.

針對現有研究未考慮非期望產出導致的能源效率得分偏差，以及無法將所有決策單元物流業能源效率進行全排序的問題，本文利用2006—2015年中國省際面板數據，首先采用超效率非期望SBM模型評價各省物流業的能源效率；其次，為進一步探究物流能源效率變化的內在驅動因素，使用GML指數(global malmquist luenberger)從技術效率和技術進步對其進行分解，全面反映各地區物流業能源效率差異變化的演進軌跡及趨勢特征，以期為制定物流碳減排政策提供理論依據.

1 模型構建

1.1 超效率非期望SBM模型

考慮到超效率非期望SBM模型兼顧了投入產出的松弛性以及全排序的問題，本文將物流業CO2排放量作為非期望產出，采用該模型測算物流業全要素能源效率.考慮 個決策單元(DMU)，每個DMU由投入m，期望產出r1和非期望產出r2構成，向量形式表示為x∈Rm，yd∈rr1，yu∈Rr2.構建超效率非期望SBM模型為[9]

(1)

λk>0j=1,2,…,nj≠0

1.2 GML指數

引入Pastor等[10]提出的GML指數，測算物流業能源效率變動情況，指數大于1表示效率比上一年提升，反之下降.t期到t+1期的效率指數為[11]

(2)

式中：Eg(xt,yt)為t時期以研究期間所有DMU為參考集的評價結果；Et(xt,yt)為t時期以當期所有DMU為參考集的評價結果.GML指數可分解為技術效率變化(EC)和技術進步(TC).

2 指標選取和數據說明

2.1 投入指標

資本投入：將固定資產投資代替資本存量作為資本投入量，以2006年為基期的固定資產投資價格指數折算為不變價.

勞動力投入：選取交通運輸、倉儲和郵政業職工人數作為勞動力投入.

能源投入：將交通運輸、倉儲和郵政業的煤炭、油品、天然氣、電力消費總量作為能源投入.

2.2 產出指標

期望產出為交通運輸、倉儲和郵政業增加值，以2006年為基期按GDP平減指數進行可比價格處理.

非期望產出為物流業CO2排放量，采取如下公式計算物流業CO2排放量：

(3)

式中：Ei為第 種能源消費量(折標準煤)，i=1,2，…，8分別為煤炭、油品、天然氣、電能等8種主要能源；δi為本文估算的第i種能源CO2排放系數.

3 實證分析

3.1 低碳約束下能源效率評價

3.1.1時序演變特征

運用式(1)測算出2006—2015年中國物流能源效率值，見圖1.由圖1可知，研究期間全國物流業能源效率波動下降.其中，東部地區的能源效率值遠高于中、西部地區，效率值波動范圍為0.5～0.65，呈現出波動上升趨勢.中部地區效率值波動范圍為0.35～0.55，總體呈下降趨勢.西部地區效率值波動范圍為0.39～0.49，與中部地區共同呈現出相互交替的波動下降趨勢.此外，通過計算三大地區物流能源效率的方差得知，中部地區方差最小(0.016)，表示中部地區物流業能源效率值的空間差異較??；東部地區方差最大(0.054)，表示東部地區內部各省物流能源效率值存在較大差異.

圖1 中國物流能源效率時序演變圖

3.1.2空間演變特征

為進一步分析物流業能源效率空間分布格局的演變特征，選取2006年和2015年為研究截面，將中國30個省(市、區)的物流能源效率分為高水平、中等水平和低水平三種類型，見圖2.

a) 2006年

b) 2015年

由圖2可知，物流業能源效率總體呈現出東高西低的空間分布格局.高水平型分布在東部沿海地區和寧夏，數量呈減少趨勢，范圍由東部逐漸向東南部延伸.主要得益于東部沿海等發達地區的區位優勢和政策優勢，這些地區在產業結構優化調整和生態環境治理方面均取得重大成效，技術創新逐漸成為經濟增長的內生動力.中等水平型主要分布在中西部地區，數量呈減少趨勢.這些地區大部分處于工業化中期階段，受區位條件和資源稟賦約束，高耗能的物流業易產生環境污染等負外部效應；同時，產業結構不均衡導致創新能力不足和產業活力不高，要素投入帶來的經濟效益無法補償對資源索取帶來的生態破壞.低水平型主要集中在西部，且向東北部和中部蔓延，數量呈增加趨勢.西部地區工業化起步晚，資本吸引力不強，產業結構不合理，雖然“西部大開發”等戰略構建了良好的政策環境并吸引了巨額投資，但資本主要用于基礎設施的大規模建設，不僅能源未得到有效利用，還加劇了環境污染.

3.2 GML指數分析

運用式(2)，測算出我國物流全要素能源效率的GML指數及其分解，見表1.由表1可知，全國GML指數有5個時期小于1，其平均值小于1，總體呈下降趨勢，這與能耗強度、碳排放強度的上升結果一致.從區域視角分析，我國東部地區物流能源效率指數平均值為1.016，中部為0.972，西部為0.976.東部地區物流能源效率總體呈上升趨勢，主要得益于良好的區位優勢和政策條件，形成了較為完善的物流產業體系，物流行業效率得到充分發揮.中、西部地區總體呈下降趨勢，這是因為東部地區向內陸不斷遷移高耗能工業制造業，加劇了中、西部的能源和環境壓力.

表1 2006—2015年我國物流能源效率指數及其分解

同時，我國技術效率指數總體呈現出“W形”的波動上升趨勢，東部地區振幅最大；而技術進步指數卻呈現出波動下滑的趨勢.其中，中部地區技術進步指數呈增長趨勢，東部和西部地區呈下降趨勢；主要因為東、西部由于各自存在能源消耗回彈效應和技術型人才流失的問題，造成技術進步分指數略低于中部地區.總體來看，我國物流業能源效率呈下降趨勢，下降了1.06%，造成效率下降的原因主要是技術水平的下降；雖然同期的技術效率呈增長趨勢，但無法抵消技術水平下降導致的衰退.

3.3 能源效率改善潛力及途徑分析

針對各省物流業能源效率現狀，在運用式(2)獲取非DEA有效省份的基礎上，計算出其2015年投入產出要素的改善潛力，見表2.

表2 2015年非DEA有效省份投入產出改善潛力表

注：括號內數據為投入產出調整及改善潛力的百分比.

固定資產投資方面，各省份都存在冗余，但具體冗余比例差異很大，如河北固定資產投資過剩比重為4.76%，而云南則高達89.62%；勞動力投入方面，除了河北、江蘇、青海，其他省份在減少勞動力冗余方面有很大改進空間，如北京的人員投入冗余比例最高，為71.72%，是河北的35倍(2.03%)；能源投入方面，全國平均節能潛力為52.37%.其中，上海節能潛力最高，為72.96%，江蘇最低，為17.32%，而河北為0；CO2減排方面，各省份都有很大的減排空間，全國平均碳減排潛力為45.94%，其中上海的碳減排潛力最大(67.69%).

總體來看，非DEA有效省份都存在投入冗余、CO2排放過量的情況.這反映出要素投入規模和結構不合理，能源浪費，非期望產出過多等問題.未來各省需進一步調整固定資產投資規模，控制資金流向和用途；精簡人員和機構，減少不必要的物流崗位；同時，優化能源消費結構和產業結構，提高能源資源利用效率.

4 結 論

1) 中國物流業能源效率總體呈波動下降趨勢；其中，東部地區的能源效率值一直居于較高水平且呈上升趨勢，中部和西部地區則呈交替波動下降趨勢.

2) 中國物流業能源效率整體上呈現出東高西低的空間分布特征.同時，東部地區各省表現出較大差異性，而中部和西部地區各省差異較小.

3) 造成我國物流業能源效率下降的主要原因是技術水平的下降，而同期的技術效率呈增長趨勢.

4) 非DEA有效省份存在投入冗余和碳排放過量的現象，各地區應深入了解自身物流業的碳排放情況，通過測算減排潛力和成本效益，確定減排路徑.