低碳環境下區域物流產業效率綜合研究
——基于長江大保護區域19個省的實證分析

(河海大學 商學院, 江蘇 南京 211100)

一、引 言

長江是中國的經濟樞紐、戰略支撐和生態水源地,長江經濟帶已成為我國科技、經濟及文化發展的先進地區。但長期的高速發展透支了長江的承載能力,致使生態環境面臨嚴峻挑戰。2016年,習近平總書記做出了“共抓大保護,不搞大開發”的重要指示[1],強調以生態環保,綠色低碳作為長江發展的戰略目標。

隨著經濟建設的高速推進,物流業已成為我國第三產業的重要組成部分,是國民經濟新的增長動力。2018年的全社會物流總額高達283.1萬億元,總體規模位居全球第一[2]。長江是我國物流業發展的重要基礎,沿長江流域的物流產業基礎設施建設迅猛。但受限于技術條件,快速發展所導致的污染環境問題日益凸顯,物流產業的綠色可持續發展已成為長江大保護戰略的重要組成。因此,從綠色經濟的角度分析長江大保護區域的物流效率,對促進物流產業的可持續發展具有重要意義。

國內外已有很多關于物流效率的研究[3-5]。在研究對象方面,俞佳立和錢芝網[6]采用DEA模型與Malmquist指數模型相結合,對長江經濟帶的11個省市物流產業效率進行分析研究;于麗英等[7]采用DEA模型與Malmquist指數模型相結合,對2008—2015年長江經濟帶地區的物流產業效率進行實證分析;楊傳明[8]采用三階段DEA 與Malmquist 模型相結合,對江蘇省綠色物流產業效率進行研究,并考慮了環境變量及隨機誤差等影響因素。在研究方法方面,張雪[9]采用DEA模型,對全國3個省市的綠色物流產業效率進行評價研究;王琴梅和譚翠娥[10]通過運用 DEA模型與Tobit 模型相結合,對西安市的物流效率與物流資源利用率、地區經濟發展水平等影響因素之間的關系進行評價研究;王書靈和袁汝華[11]運用三階段DEA模型,對江浙滬地區物流產業效率與外部環境之間的關系進行測算研究。

雖然前人研究已取得豐碩成果,但現有研究仍然存在以下不足:一是多數文獻只針對長江經濟帶的物流產業效率進行了評價,并未對整個長江大保護區域進行深入分析。二是大部分學者只采用傳統DEA模型進行研究分析,所得結論可能存在偏差。區別已有文獻,本文的貢獻在于,充分考慮了長江大保護的戰略意義,將研究對象從長江經濟帶擴展到整個長江大保護區域。同時,本文突破傳統DEA模型的局限,將三階段DEA模型與Malmquist生產率指數相結合,使研究結果更加準確。具體而言,本文以長江大保護戰略為背景,運用三階段DEA模型、Tobit計量經濟模型,對長江大保護區域19個省市2013—2017年物流產業效率的靜態結果,以及外部環境因素對靜態結果的影響程度進行研究分析,再運用Malmquist生產率指數方法,對長江大保護區域19省市2013—2017年物流產業效率的動態結果進行研究分析,找到影響各區域動態效率的關鍵因素。通過采用多種模型對比分析物流產業的發展差異,以期對長江大保護區域各省市物流產業的綠色發展提出針對性建議。

二、研究方法

(一)三階段DEA

1978年,Charnes等[12]提出了數據包絡分析法(Data Envelopment Analysis,DEA)但其考慮不夠全面,存在局限性。在此基礎上,Fried等[13]對環境變量和隨機變量進行處理,提出了三階段DEA方法,具體過程如下。

1.第一階段。本文采用DEA模型中的BCC模型,對投入產出變量進行測算,并且通過BCC模型的計算,可以得到物流產業效率中的純技術效率和規模效率。由于DEA-BCC模型已經比較完善,其原理及數學公式就不再贅述。

2.第二階段。在第一階段采用DEA-BCC模型測算物流效率時,會存在環境因素和隨機誤差等干擾項。為解決上述問題,本文通過采用SFA方法調整投入變量數據值來剔除環境因素和隨機誤差對效率測算的影響[14]。

3.第三階段。將調整后的投入產出數據值作為新的樣本數據,再次通過DEA-BCC模型進行計算,得到考慮相關干擾項的效率值。

(二)Tobit模型

用DEA-BCC模型計算的效率值是分布在0～1之間的離散數據。普通的回歸分析方法不可適用。因此,本文采用極大似然法的截取回歸模型(Censored Regression Model),又稱Tobit模型[15],其一般形式為:

(1)

式中,Z*為截斷因變量向量;Z為效率值向量;X為自變量向量;α為回歸參數向量;μ為誤差項,且μ～(0,σ2)。

(三)Malmquist生產率指數模型

Malmquist指數是表示物流效率在一段時間內發生變化的程度,通常被解釋為兩個物流效率的幾何平均值[16]。具體公示如下:

(2)

式中,MIt.p表示物流業效率的Malmquist指數;(xt,yt)為t期的投入產出關系;(xp,yp)為p期的投入產出關系;dt(xt,yt)為距離函數,表示生產配置到t時刻系統前沿面的距離。Malmquist指數可以分解成技術進步指數和技術效率指數。

(3)

式中,TCt.p表示為t期到p期的技術變化;ECt.p表示為t期到p期的技術效率變化。本文通過上述三個指標來分析長江大保護區域物流產業的發展現狀。

三、指標選擇與數據來源

(一)指標選擇

1.投入產出指標

物流業是包含信息業、郵政業、運輸業、貨代業以及倉儲業的綜合型服務產業。目前我國沒有發布針對整個物流產業的相關數據。大多數學者認為[17-18],郵政業、倉儲業以及運輸業可以表示整個物流行業的真實情況。有鑒于此,參考前人的研究,本文以郵政業、倉儲業以及運輸業的數據作為物流業的代替數據,從經濟和生態的角度構建長江大保護區域物流產業效率評價指標體系。

投入指標主要從人力投入、財力投入以及環境投入三方面考慮。本文借鑒于麗英等[7]的辦法,選用各地區運輸業、倉儲業以及郵政業的年末從業人數作為勞動力投入指標。物流產業運營效率受固定資產投資狀況所影響,因此,本文借鑒張竟軼和張竟成[19]的辦法,以物流產業固定資產投資額作為評價指標,并以2013年為基期對其進行縮減。從生態環境的角度考慮,本文選取郵政業、運輸業和倉儲業中一次性能源消耗量作為能源投入。通過各類能源轉換系數,將各類能源進行統一轉換為標準煤,并通過加和得到能源消耗總量。從綠色發展的角度考慮,本文采用生態保護、環境治理的投資額作為反映綠色物流水平的投入指標,并以2013年為基期,以各省域GDP平減指數對其進行轉換。

產出指標主要從低碳經濟、產出水平以及發展程度三個方面考慮。作為能源消耗的產出,本文選擇物流業碳排放量作為產出指標,其計算借鑒馬越越[20]的辦法,對非期望產出指標采用數據轉換函數法對其進行處理。本文借鑒盧敏[21]的計算辦法,將綜合周轉量作為衡量物流產業產出水平的指標。本文選取郵政業、倉儲業以及運輸業的匯總增加值作為經濟產出指標,并對物流業增加值的換算采用第三產業增加值指數,折算成以2013年為基期的不變價。

2.環境變量

在三階段DEA模型中,SFA模型是測算外部環境因素和隨機誤差對物流效率產生影響的程度,并且在選擇時要選取影響物流業運營但不在樣本主觀可控范圍的因素。結合以往文獻[22-23]的研究成果,本文選取地區發展水平、政府支持程度,以及環境保護重視度,作為環境影響因素。

(1)地區發展水平(DS)。物流業的發展與地區經濟發展水平密不可分,本文選取長江大保護區域各省市的人均生產總值作為地區發展水平的評價指標,并通過人均生產總值縮減指數進行平減。

(2)政府支持程度(ZC)。國家政策的支持在物流業的發展過程中起到了重要影響,本文選擇長江大保護區域各省市物流產業財政支出占全部財政支出的比重,衡量政府的支持力度。

(3)環境保護重視度(HB)。在長江大保護的背景下,綠色低碳物流是今后物流業發展的戰略方向。因此。本文基于綠色經濟的視角,選擇政府環境保護支出占財政支出的比重作為環境保護重視度的衡量指標。

(二)數據來源

基于數據的合理性與可獲得性,本文選取2013—2017年長江大保護區作為研究區域,其中包括全部位于長江流域內部的11個省,以及僅存在長江部分支流的8個省份。并根據長江流域上、中、下游的劃分,將該區域分為長江大保護上游區域(簡稱為上游區域)、長江大保護中游區域(簡稱為中游區域)和長江大保護下游區域(簡稱為下游區域)。對于僅存在支流的8個省份,分別將其歸入支流匯入點所在的上、中、下游區域。上游區域包括重慶、云南、青海、甘肅、四川、西藏、貴州、陜西8個省(自治區、直轄市);中游區域包括河南、湖北、廣東、江西、湖南、廣西7個省(自治區);下游區域包括福建、安徽、浙江、江蘇、上海5個省(直轄市)。數據來源于2013—2017年的《中國能源統計年鑒》、《中國統計年鑒》,以及各省、市和自治區統計年鑒。

四、實證分析結果

(一)第一階段BCC模型實證結果分析

運用Deap2.1軟件,對2013—2017年長江大保護區域19個省市的物流產業效率進行分析評估,得到考慮了干擾項的物流產業效率,結果如表1所示。

從整體來看,2013—2017年間長江大保護區域的綜合技術效率與規模效率的平均值呈上升趨勢,而純技術效率則為下降趨勢。這說明長江大保護區域物流效率提升的主要原因是規模效率的增加。從各地區來看,物流效率呈現出“下游高、上游低”的階梯式分布。除下游區域的純技術效率和規模效率處于邊緣有效外,中游和上游區域的物流效率值均小于0.9,處于無效狀態。其原因是上游區域人口及產業密度小,在人力、物力以及交通運輸方面都不及中下游區域,還未形成完整的物流經濟體系,并且不夠重視物流產業的技術創新。此外,大多數地區的物流產業規模效率值都低于物流產業純技術效率值,這可能是因為該階段的物流產業效率值受干擾項的影響而發生了變動。為剔除環境因素的影響,本文進行了第二階段DEA的測算。

表1 2013—2017年長江各區域物流產業效率

資料來源:Deap2.1軟件處理結果。

(二)第二階段SFA回歸結果分析

將第一階段的投入變量冗余值作為被解釋變量,將地區發展水平、政府支持程度和環境保護重視度等外部環境因素作為自變量,對2013—2017年長江大保護區域的數據運用Frionter4.1軟件進行SFA回歸,結果列于表2。

1.地區發展水平。該環境變量通過顯著性檢驗,與4個投入松弛變量的回歸系數基本為正數,但回歸系數較小。這說明地區發展水平的增加對物流業投入冗余量的降低有一定的作用,但存在滯后。

2.政府支持程度。該環境變量通過顯著性檢驗,除與從業人員投入松弛變量的回歸系數為負值外,與其余松弛變量的回歸系數均為正值。這說明政府的支持程度有利于減少人員的過多投入問題,但對其他松弛變量則不能帶來相應物流效率的提高,反而會增加投入變量的冗余值。這可以解釋為政府長期過渡干預不利于物流產業的發展。

3.環境保護重視度。該環境變量通過顯著性檢驗,與能源消耗投入松弛變量的回歸系數均為負數。這說明該變量有利于減少能源的浪費,并且能有效降低二氧化碳的排放量。

表2 SFA回歸分析結果

注:*、**、***分別表示10%、5%、1%的顯著水平。

資料來源:Frionter4.1軟件處理結果。

(三)第三階段調整后的結果分析

1.縱向分析

以調整之后的投入變量與原始產出變量為基礎,再次用Deap2.1軟件進行運算,得到了剔除環境因素和隨機誤差的效率值,結果如表3所示。

對比第一階段測算結果和第三階段調整后的結果可知,在剔除外部環境因素對長江大保護區域物流業效率的影響之后,分析結果發生明顯變化。從整體來看,調整之后19個省市三大物流效率平均值均有提高:綜合效率從0.749提高到0.772,漲幅達3.1%;純技術效率從0.892提高到0.903,漲幅達1.2%;規模效率從0.826提高到0.844,漲幅達2.2%。規模效率的增長率高于純技術效率的增長率。這說明規模效率與純技術效率都對物流產業的綜合效率起到了提升作用,并且對綜合效率增長的關鍵因素是規模效率的增長。

2.橫向分析

根據表4結果可以看出,西藏、陜西、安徽、上海等地區的物流效率在5年中始終保持為1,處于有效狀態。說明這些地區在物流技術創新, 以及物流規模方面都優于其他地區,其投入的物流資源得到了充分有效的利用。青海、甘肅、江西、廣東、廣西、江蘇、福建等地區的物流產業效率在5年中始終維持在0.9～1之間,說明這些地區在物流產業技術創新以及物流規模方面適當調整就可以達到物流有效狀態。其中江蘇省2017年的物流效率有所降低,但物流規模處于增長階段,原因是2017年江蘇省出臺了《江蘇省生態河湖行動計劃》,該計劃對物流運輸業產生了一定的影響,但通過調整其產業結構,使其更加符合了長江大保護戰略發展的要求。湖北省2015年的物流效率有明顯增加,物流規模效率從0.877增長到0.948,達到了邊緣有效狀態。該現象是因為2015年湖北省發布了《湖北省人民政府關于國家長江經濟帶發展戰略的實施意見》,推動了物流產業的迅速發展,通過合理擴大物流規模,使物流效率明顯提升。通過觀察整體發現,從2014年起,各地區物流效率都有明顯增加,大部分地區物流規模處于增長階段,原因是2014年我國出臺了《物流業發展中長期規劃》,促進了我國物流產業的快速發展,有效調整物流投入資源的利用情況,合理改善物流產業結構,通過擴大物流規模以及降低物流成本,使大部分地區的物流產業效率有了明顯提高。

表3 第一階段和第三階段長江流域效率分析值

資料來源:Deap2.1軟件處理結果。

表4 第三階段DEA輸出效率分析值

注:由于篇幅原因,本表僅呈現2013年、2017年數據。

資料來源:Deap2.1軟件處理結果。

為了更好地分析長江大保護區域19省市的物流效率的差異,本文運用SPSS21.0軟件,以綜合物流效率和二氧化碳排放量為指標,對長江大保護區域19個省市進行聚類分析,將其分為6個類別,如表5所示。

表5 長江大保護區域物流效率類型

第一類為“高效率,高排放”型地區,主要包括上海、江蘇。作為長江大保護區域下游省份,該區域物流產業發展前沿,資源豐富,基礎設施條件完備,并且物流產業綜合技術效率值處于有效狀態,但高能耗的投入排放出大量的二氧化碳。因此,要提高能源利用效率,進一步降低污染物的排放。

第二類為“高效率,低排放”型地區,主要包括西藏、陜西、江西、廣西、福建、安徽。上述省市主要分布在中下游區域,這些地區實現了高效率、低排放的發展水平,是其他地區學習的目標。該類型地區以較少的能耗投入獲得了較高的物流產出,降低了二氧化碳的排放,實現了綠色低碳的高效物流水平。

第三類為“中效率,高排放”型地區,主要包括浙江、廣東、湖北、河南。上述省市主要分布在中下游區域,該地區物流產業發展較快,物流效率處于中等水平,物流資源投入較多,但在物流發展過程中產生了較多的二氧化碳,說明該地區物流產業效率有待提高。

第四類為“中效率,低排放”型地區,主要包括貴州、甘肅。上述省市分布在上游區域,物流產業發展相對緩慢,資源利用率較低,雖然實現了物流產業的低碳排,但物流產出不足,物流產業綜合效率總體不高。

第五、六類分別為“低效率,高排放”和“低效率,低排放”型地區,主要包括湖南、重慶、四川、青海、云南,主要分布在中上游區域。經濟發展水平不高、資源緊缺、人才不足等原因導致物流產業效率無法達到生產前沿面,產業效率較低,且存在嚴重的污染問題,其中以湖南省最為顯著。

(四)影響長江大保護區域綠色物流效率的因素分析

上述三階段DEA方法計算出剔除干擾項的長江大保護區域物流產業效率,為進一步研究外部環境對長江大保護區域物流效率的影響程度,本文利用Tobit回歸方法進行更深入的分析。

本文以研究長江大保護區域中各省市的產業結構、交通基礎設施、低碳經濟發展水平、生態發展水平、信息化水平、環境規則程度等七項指標為數據基礎,運用Tobit回歸分析模型,研究上述指標對長江大保護區域物流效率的影響。

第一,產業結構W。選擇包含物流產業的第三產業作為依據,選取長江大保護區域各省市的第三產業比重,反映其產業結構。

第二,交通基礎設施R。選擇用長江大保護區域各省市的鐵路、公里和內河航道的總里程之和與各省市土地面積之比,反映各地區的交通基礎設施水平。

第三,低碳經濟發展水平I。選擇長江大保護區域各地區的物流業碳排放量與該地區GDP的比值,衡量低碳經濟發展的水平。

第四,生態發展水平O。以各地區的污水處理效率來表示各地區生態發展水平。

第五,信息化水平A。選擇長江大保護區域各省市的電話普及率,作為衡量各地區的信息化水平。

第六,環境規則程度F。選擇長江大保護區域各地區的物流業碳排放量與物流業增加值的比值,作為衡量各地區的環境規則程度。

第七,能源利用率G。選擇長江流域各地區的物流業增加值與各地區物流業能源消耗量的比值,表示各地區能源生產率。

Yi=γ0+γ1Wi+γ2Ri+γ3Ii+γ4Oi+

γ5Ai+γ6Fi+γ7Gi+μ

(4)

式中,γ0表示常數項;γ1、γ2、γ3、γ4、γ5、γ6、γ7表示各自變量的回歸系數;μ表示回歸式中的誤差項;i表示時間,i=2013,2014,…,2017。

本文采用Eviews10.0軟件對建立的回歸模型進行測算,回歸結果見表6。

表6 Tobit模型回歸結果

注: *、**、***分別表示10%、5%、1%的顯著水平。

資料來源:Eviews10.0軟件處理結果。

Tobit模型回歸分析表明:

首先,長江大保護區域物流產業效率與各地區的低碳經濟發展水平、生態發展水平,以及信息化水平相關性不顯著,可能是因為在三階段DEA模型測算中剔除了地區經濟發展水平這個干擾因素,使其呈現為不顯著關系。生態發展水平與信息化水平的回歸系數分別為0.081 678 3和0.244 794,說明雖然相關水平不顯著,但對長江大保護區域物流產業效率的提高起到了一定的貢獻作用。

其次,產業結構與物流效率呈顯著的正相關關系,系數為0.5402586,表明第三產業的發展對物流產業效率的提高有積極的推動作用。這主要是因為國家大力推進“供給側”改革,物流產業作為第三產業中的重要組成部分,得到了國家的高度重視。

再次,交通基礎設施水平與物流效率呈明顯的負相關關系,系數為—0.1666771,并且在10%顯著水平上顯著,表明在目前的發展階段,大量的建設基礎設施,過度的擴大物流產業規模會對物流產業效率產生消極的影響。因此要對長江大保護區域物流產業的基礎設施建設進行合理地規劃,充分考慮建設的必要性,不盲目擴大規模,造成資源浪費。

最后,環境規則程度和能源利用率與物流效率呈顯著的正相關關系,系數分別為331.7612和219.4758,表明環境規則程度和能源生產率的提高對物流效率的提高起到了巨大貢獻作用。因此,各地區應加快環境規則的制定,大力發展物流產業技術,提高物流產業能源利用效率。

(五)長江大保護區域物流產業效率動態分析

1.長江大保護區域Malmquist指數分析

上述采用三階段DEA模型與Tobit回歸方法對長江大保護區域物流產業效率進行了靜態分析,進一步地,本文運用Malmquist指數模型對長江大保護區域物流產業效率進行動態分析。通過Malmquist指數模型計算出長江大保護區域各省市物流效率的Malmquist指數、EC指數和TC指數,計算結果如表7所示。

表7 2013—2017年長江大保護區域各省市物流Malmquist指數

資料來源:Deap2.1軟件處理結果。

長江大保護區域物流產業Malmquist指數的年平均值為1.001,這說明Malmquist指數的增加是推動物流產業發展的重要動力。

從時間維度來看,物流產業經歷了兩個階段:第一階段為2013—2015年,Malmquist指數處于遞減階段;第二階段為2015—2017年,Malmquist指數處于遞增階段,且2014—2016年間的Malmquist指數處于較低水平。這可能是因為我國總體規劃發生了轉變,正好從“十二五”規劃時期過渡到“十三五”規劃時期,國家越來越強調低碳經濟和可持續發展戰略,但受限于當時技術水平的桎梏,物流效率出現了短暫的降低。在隨后幾年里,技術水平得到了提升,使物流業的發展更加迅速,物流效率大幅度提高。

從空間維度看,長江上游地區的Malmquist指數均值為0.974,說明上游地區的物流產業發展較慢,但有很大的提升空間。而長江中游和下游地區的Malmquist指數均值分別為1.036和1.003,說明長江中游的物流產業比長江下游地區的物流產業發展迅速,原因可能是因為長江下游的物流產業已經處于高水平狀態,并且很難通過擴大規模來提高其物流產業的效率。

2.長江大保護區域物流Malmquist指數因素分解

根據式(3),可將Malmquist指數分為EC指數和TC指數,計算結果如表8所示。

表8 2013—2017年長江大保護區域各省市物流業Malmquist指數

資料來源:Deap2.1軟件處理結果。

青海、西藏、河南、浙江的Malmquist指數年均值呈現下降趨勢,但下降原因不盡相同:青海、西藏主要是由于技術進步的降低,而河南、浙江是因為技術效率的下降。具體而言,云南省的Malmquist指數最高,位于1.30以上,屬高效率增長區域;重慶、湖北、廣東的Malmquist指數位于1.10以上,屬較高效率增長區域;除青海、西藏、河南外,其余地區指數位于1～1.1之間,效率增長處于一般水平。

進一步地,本文對2013—2017年長江大保護區域物流業Malmquist指數再次分解,從時間維度對物流產業的EC指數和TC指數與綜合效率的變化關系進行分析,具體如表9所示。

表9 2013—2017年長江大保護區域物流業Malmquist指數的變動與分解

資料來源:Deap2.1軟件處理結果。

長江大保護區域物流產業的Malmquist指數年均上升5.9%,其中技術進步指數上升3.5%,技術效率指數上升2.3%,這說明技術進步是提高Malmquist指數的關鍵因素。此外,通過觀察可以發現,技術進步指數的下降,是引起2014—2016年Malmquist指數減少的主要原因,而技術進步指數的提升也是2013—2014年和2016—2017年Malmquist指數上升的重要因素。通過繪制2013—2017年長江大保護區域物流業Malmquist指數的變動曲線,發現Malmquist指數曲線與技術進步曲線的變化趨勢基本相同,這也再次證明長江大保護區域物流產業Malmquist指數的主要影響因素是技術進步指標。

五、結論與建議

本文將三階段DEA分析方法和Malmquist指數模型相結合,對2013—2017年長江大保護區域物流產業效率和Malmquist指數進行分析,通過采用SFA方法對投入變量進行調整,并運用Tobit計量經濟模型對長江大保護區域物流效率的影響因素進行了實證研究,得出以下結論。

首先,2013—2017年長江大保護區域物流產業總體發展態勢良好,但區域之間差異較大且發展不均衡,物流效率呈現出“下游高、上游低”的階梯式分布。下游區域物流效率較高但增速較慢,中上游區域物流效率相對較低,但有很大的發展空間。在長江大保護區域的橫向對比中,根據物流產業綜合效率和物流產業碳排放量兩個指標,對長江大保護區域19個省市進行了聚類分析,得到了六類地區,其中西藏、陜西、江西、廣西、福建、安徽地區屬于“高效率,低排放”型地區,實現了高效率、低排放的發展水平,是其他地區學習的目標。

其次,在剔除了外部環境因素對長江大保護區域物流業效率的影響后,發現綜合效率增長的關鍵因素是規模效率的增長。規模效率的增長率高于純技術效率的增長率,說明規模效率與純技術效率都對物流產業的綜合效率起到了提升作用,并且綜合效率增長的關鍵因素是規模效率的增長。長江大保護區域產業結構、環境規則程度和能源利用率與物流效率呈明顯的正相關關系,而各地區交通基礎設施水平與物流效率呈負相關關系,低碳經濟發展水平、生態發展水平以及信息化水平對物流效率有較小的影響。這表明國家高度重視物流產業的發展,各地區應加快環境規則的制定,大力發展物流產業技術,提高物流產業能源利用效率。

最后,通過運用Malmquist指數模型對長江大保護區域物流產業效率進行動態分析后,得出影響Malmquist指數提高的重要因素為技術進步指數。從時間維度和空間維度,對長江大保護區域物流產業Malmquist指數進行分析,發現長江大保護區域的物流產業綜合效率總體呈上升趨勢,其中2013—2014年的Malmquist指數分布呈階梯狀,但在2016—2017年該問題有所改善。長江大保護區域物流產業的Malmquist指數年均上升約5.9%,技術效率年均增長約2.3%,技術進步指數維持在3.5%的上升趨勢,這說明對長江大保護區域Malmquist指數提高具有關鍵作用的因素是技術進步指數。

根據上述結論,為了長江大保護區域物流產業更好地發展,本文提出以下建議。

第一,對于“高效率,高排放”、“中效率,高排放”。以及“低效率,高排放”地區,應大力發展低碳經濟,提升區域物流綜合效率。要改善物流能源消費結構,優化物流運輸線路設計,降低運輸車輛空載率,建立逆向物流循環體系,減少物流活動終端碳排放。對于“中效率,低排放”以及“低效率,低排放”地區,應增加物流產業的資金投入,合理擴大物流產業的經濟規模,提高物流從業人員綜合素質,并且需重點關注物流產業的技術革新和結構優化等。

第二,根據第二階段SFA回歸分析結果,說明物流產業效率的提高需要政府的支持,但政府不可長期過度干預。因此,政府部門應在符合當地實際情況以及市場規律的條件下,對交通運輸業、倉儲業以及郵政業等物流行業提供財政支持,完善物流產業中的投融資模式,合理規劃物流產業中的基礎設施布局,進一步完善交通運輸、倉儲以及郵政業的管理體系,積極推進物流產業專業設備的研發及改造,加強對財政支出的科學管理,提高資源配置效率。要抓住“長江大保護”的戰略機會,制定合理的相關政策,將“指示”落實到“行動”,促進長江大保護區域各省市的物流產業發展。

第三,從長江大保護區域物流產業整體的Malmquist指數可以看出,長江大保護區域發展不均衡,這樣不利于長江流域物流產業整體發展。因此,國家應大力支持物流產業發展要素的供給側改革,加快建設網格化物流產業基礎設施,持續加強物流產業管理方法的創新優先保障區域之間物流業生產要素的合理分配,為各區域之間的物流產業合作提供幫助,構建全國一體化的物流產業發展模式。□