中國省域物流業綠色全要素生產率的演進及溢出

張瑞 孫夏令

內容提要：本文運用包含非期望產出的SBM—ML模型對全國30省2004—2016年的物流業綠色全要素生產率進行測度，通過核密度估計和馬爾科夫鏈探討其時空演進特征，并借助空間面板計量模型分析物流業綠色全要素生產率的影響因素和空間溢出效應。結果表明：物流業綠色全要素生產率具有顯著的動態演進規律，省域間物流發展協調度有待提高;物流業綠色全要素生產率存在顯著的正空間自相關特征，表現為生產率較高的省份趨于相鄰，生產率較低的省份趨于相鄰;物流業綠色全要素生產率的主要驅動因素包括交通網絡密度、物流能源強度、交通運輸強度和人均GDP，各影響因素具有顯著的空間溢出效應，其中市場化進程的正向溢出效應最高，對外開放程度和地區產業結構的溢出效應為負。

關鍵詞：物流業;全要素生產率;動態演進;影響因素;空間溢出

中圖分類號：F124.6文獻標識碼：A文章編號：1001-148X（2020）03-0029-10

收稿日期：2019-09-25

作者簡介：張瑞（1977-），男，山西河曲人，中國礦業大學（北京）管理學院教授，博士生導師，研究方向：能源經濟、計量經濟;孫夏令（1994-），本文通訊作者，男，山東濰坊人，中國礦業大學（北京）管理學院博士研究生，研究方向：能源經濟、低碳物流。

基金項目：山西省科技重大專項課題，項目編號：20181102017;國家自然科學基金面上項目，項目編號：71774161;中國礦業大學（北京）越崎青年學者資助項目，項目編號：800015Z1121。

物流業既是經濟和社會快速發展的推進劑，也是企業降低成本、提高效益的重要利潤源泉，其行業發展質量在供給側結構性改革背景下備受關注。目前，中國物流業高能耗問題依然嚴峻：一是過量的物流資源仍然停留在傳統物流業務當中，難以滿足市場對高端物流的需求;二是增量資源受到了體制機制與轉化效率的影響，導致新的創新成果難以完成現實轉化，現實經濟發展不僅與之帶來期望產出差距較大，且產生一定量的“壞”產出。物流業必須堅持高效率的發展模式，而高效發展應以最少的資源投入獲得最多的產出，并產生最小的環境損耗[1]。全要素生產率（TFP）包含了難以識別卻對經濟增長有重要貢獻的因素，即發展中難以歸因于有形生產的部分，體現了經濟增長的質量。綠色全要素生產率（GTFP）將資源消耗和環境污染納入了評價指標體系，融入了更多綠色思維和可持續發展理念，是評價行業綠色發展水平的重要參考[2-3]。本文嘗試將能源消耗與碳排放納入指標體系，運用含有非期望產出的SBM—ML模型測度和考察2004—2016年中國省域物流業綠色全要素生產率，借助核密度估計、Markov Chain、ESDA方法探討地理溢出視角下物流業綠色全要素生產率的演化規律，通過空間面板計量模型分析其具體影響因素及溢出效應，以期為優化物流供給結構、推進物流區域協調以及改善物流服務效率提供參考。

一、研究方法與數據說明

（一）綠色全要素生產率測算的SBM—ML模型

由于交通運輸、倉儲和郵政業占物流業增加值的83%以上，考慮新興行業統計數據的可獲取性及可以替代物流業相關數據[4]，依據《國民經濟行業分類》（GB/T4754—2017）中產業劃分規定，本文選用交通運輸、倉儲和郵政業為指標數據來源，數據均獲取于《中國統計年鑒》和《中國能源統計年鑒》。

在以往研究中，多以GDP作為產出指標，以資本、勞動力作為投入指標，這不適用于物流業綠色全要素生產率的測度：其一，物流產出不僅僅體現于行業增加值，物流貨運周轉量綜合了貨運量和貨運里程雙重因素，亦是反映物流規模化增長的關鍵指標，隨著客運需求的增加，客、貨運換算后的綜合周轉量是物流產出變動更客觀的評價指標。其二，能源消耗與環境污染問題是物流業的痛點，更是發展綠色物流亟須解決的關鍵點，理應將物流業能源消耗與環境污染納入指標體系。因此，在指標選定上應充分考慮物流業發展的內在特征與綠色物流理念，兼顧傳統測算和物流行業屬性指標。本文選取2004—2016年中國30個省（自治區、直轄市）為研究單元（不含西藏和港澳臺），構建物流業綠色全要素生產率評價指標體系。其中，投入指標包括資本投入、勞動力投入、能源投入，產出指標包括經濟產出、規模產出和非期望產出。

投入指標方面，資本投入通過固定資產投資來衡量，且根據物價指數對名義值平減，折算為2004年不變價[5];勞動力投入多以行業從業人員總數為主，考慮到物流人才在決策分析、資源調度等方面的優勢，采取勞動力質量指標衡量勞動力投入更加合適，參照相關研究，選用物流業從業人數與當地人均受教育年限相乘得到勞動力質量;能源投入選取物流業一次性能源消耗最多的原煤、汽油、煤油、柴油、燃料油、液化石油氣、天然氣和電力8種能源，并統一轉換為標準煤后加總得到能源投入數據[6-7]。

期望產出方面，同時考慮物流業的經濟產出和規模產出，經濟產出用物流業增加值衡量，選取交通運輸、倉儲和郵政業的增加值之和，再采用第三產業增加值指數將名義價換算為2004年的基期不變價;借鑒馬越越和王維國[8的計算方法，物流周轉量考慮水路、鐵路、公路3種運輸方式，并將旅客周轉量和貨物周轉量換算為綜合周轉量，以此代表物流規模產出。

非期望產出方面，物流業不同于鋼鐵、煤炭、化工、紡織等行業擁有多種污染源，其產生的污染物主要是物流作業過程中的碳排放（本文主要指二氧化碳的排放）。本文采用“自上而下”的計算方法，通過各類能源消耗乘以相應碳排放系數，對全國30省13年間物流業碳排放量進行測算，并以此作為非期望產出指標數據。

目前，關于效率的測算多是采用傳統數據包絡分析模型，如CCR、BCC等，無法考慮松弛量對效率評價的影響[9]。Tone提出的SBM模型是一種非徑向、非角度的效率評價方法，模型在目標函數中引入松弛量，致使得到的效率值更加準確[10-11]。基于此，本文以30個省分別作為生產決策單元，假設各省物流生產存在N種投入X=x1，x2，…，xN∈RN+，Q種期望產出Y=y1，y2，…，yQ∈RQ+，和L種非期望產出B=b1，b2，…，bL∈RL+，則可構建包含期望產出和非期望產出的生產可能性集合Pt（x）=（yt，bt）|xt能生產出（yt，bt），t=1，2，…，T。假定規模報酬可變，則SBM方向性距離函數可表達為：

DtV（xti，yti，bti）==min1-1N∑Nn=1sxnxin1+1Q+L（∑Qq=1syqyiq+∑Ll=1sblbil）

s.t.∑Ii=1ztixti，n+sxn=xti，n，n=1，2，…，N

∑Ii=1ztiyti，q-syq=yti，q，q=1，2，…，Q

∑Ii=1ztibti，l+sbl=bti，l，l=1，2，…，L

∑Iizti=1;zti0，sxn0，syq0，sbl0，i=1，2，…，I（1）

其中（xti，yti，bti）表示i省的投入產出集，目標函數的分子和分母分別表示投入與產出距離生產前沿面的平均距離，即投入與產出的非效率程度。sxn，syq，sbl分別表示投入變量、期望產出、非期望產出的松弛變量，zti為權重變量。引入跨期動態的概念，借鑒幾何平均值方法構造t到t+1期的SBM—ML指數，以此來測度物流業綠色全要素生產率（公式2）。

GTFP=（SBM-ML）t+1t=DtV（xt+1，yt+1，bt+1）DtV（xt，yt，bt）×Dt+1V（xt+1，yt+1，bt+1）Dt+1V（xt，yt，bt）12（2）

（二）探索性空間數據分析（ESDA）

1.全局空間自相關

Morans I指數反映了空間鄰接或鄰近地區單元屬性的相似程度，其值介于-1和1之間，小于0表示負相關，大于0表示正相關，而等于0則表示不相關。對物流業綠色全要素生產率而言，Morans I指數越接近于1時意味著區域間的關系越緊密（高值集聚或低值集聚），越接近于-1時表示關系越疏遠或差異越大（高值與低值集聚或低值與高值集聚）[12]。

全局Morans I=∑ni=1∑nj=1ωij（GTFPi-GTFP-）（GTFPj-GTFP-）S2∑ni=1∑nj=1ωij（3）

其中GTFPi表示第i地區的物流業綠色全要素生產率，GTFP-為均值，S2為方差。ωij是二進制空間權重矩陣，n為總數。空間權重矩陣ωij用于定義空間對象之間的相互鄰接關系，對分析中國省域物流業綠色全要素生產率而言，ωij的基本形式為：

ωij=1?當省域i和省域j相鄰接時

0?其他（4）

2.局部空間自相關

全局空間自相關主要描述研究對象的整體集聚或分散程度，在一定程度上忽視了局部的空間關系。為了彌補這一問題，Anselin提出一種局部Morans I指數（Local Moran Index），用來驗證研究范圍內局部地區的相似程度[13]。借助局部Morans I指數值來分析各省市與其鄰近省市的空間關聯性，指數具體計算公式為：

局部Morans I=（GTFPi-GTFP-）S2∑j≠iωij（GTFPj-GTFP-）（5）

Morans I指數為正表示空間單元與其鄰接單元的屬性相似，即高值被高值包圍或低值被低值包圍;指數為負表示空間單元與其鄰接單元的屬性不同，即高值被低值包圍或低值被高值包圍。

（三）空間面板計量模型

物流業綠色全要素生產率包含了多種物流要素，以其作為被解釋變量既可避免單一指標作為被解釋變量引起的信息失真，也可以更多地考慮到環境約束對行業發展的影響。考慮鄰近區域物流發展的依賴性，空間面板計量模型能更好地闡釋物流業綠色全要素生產率的驅動因素和溢出效應。模型主要分為3種類型：空間面板滯后模型（Spatial Lag Model，SLM）、空間面板誤差模型（Spatial Error Model，SEM）和空間面板杜賓模型（Spatial Durbin Model，SDM）[13]。

1.空間面板滯后模型。在空間因素作用之下，SLM模型的設定意味著研究區域所有解釋變量都能夠通過空間傳導機制對系統內的其他地區產生影響，其形式為：

GTFPit=ρ∑Nj=1ωijGTFPit+βXit+μi+vt+εit，i=1，…，N，t=1，…，T（6）

其中，GTFPit是被解釋變量;ρ是空間自回歸系數，表示鄰近單元之間的影響程度;Xit是K維解釋變量列向量;μi是空間效應;vt是時間效應;ωij是n×n階空間權重矩陣;εit為隨機誤差向量。

2.空間面板誤差模型。SEM模型假定地區間空間作用通過誤差項來實現，而區域外溢是隨機沖擊作用的結果，其形式為：

GTFPit=βXit+μi+vt+φit，φit=λ∑Nj=1ωijφjt+εit（7）

其中φit是空間自相關誤差項;λ是誤差項的空間自相關系數，取值介于-1和1之間，表示區域變量變化對鄰接地區的溢出程度。

3.空間面板杜賓模型。SDM模型同時包含了SLM和SEM模型的假設，其形式為：

GTFPit=ρ∑Nj=1ωijGTFPjt+βXit+θ∑Nj=1ωijXijt+μi+vt+εit （8）

其中ρ反映的是空間交互效應;θ代表空間滯后解釋變量系數，當滿足θ+ρβ=0時，SDM模型可以簡化為SEM模型，當滿足θ=0時，此SDM模型即是SLM模型。

二、物流業綠色全要素生產率的動態演進

（一）物流業綠色全要素生產率演進趨勢

借助Kernel密度估計方法對物流業綠色全要素生產率的概率密度進行估計，形式為：

f[DD（-*2/3][HT6”]^[][HT][DD）〗h（GTFP）=1n∑ni=1Kh（GTFP-GTFPi）=1nh∑ni=1K（GTFP-GTFPih）（9）

其中n為被研究對象數量，K（）代表核函數，h為帶寬，帶寬越大，方差越小，密度函數曲線越平滑。根據Kernel密度函數估計的圓滑程度與表現方式，可分為Gaussian核、Epanechnikov核、Triangle核和Uniform核等，本文選取Gaussian核作為核函數進行非參數估計，公式為：

K（GTFP）=12πexp（-GTFP22）（10）

為詳細刻畫物流業發展演變情況，通過等距法選取2004年、2007年、2010年、2013年、2016年共計5個考察年份，結合考慮和不考慮非期望產出兩種情況下的測算結果，運用MATLAB 7.0分別繪制出物流業綠色全要素生產率和傳統全要素生產率的Kernel密度曲線（圖1）。可以看出兩種全要素生產率核密度曲線波動特征顯著，均有著“尖主峰”特征，每年的主峰都位于曲線的偏左一側，即處于全要素生產率偏低的區間，說明大多數省份是處在低生產率水平。

從物流業綠色全要素生產率的動態演變來看，2004年核密度曲線的波峰在歷年中最偏右側，主峰高度較高;在主峰的右側有一大一小的波峰，共同形成“三峰”特征，說明物流業綠色全要素生產率省域差距較大;相比其他幾個年份，處于高水平的省份最多。2007年核密度曲線的峰值降低，由“三峰”演變為“單峰”，說明極化發展的現象得到緩解;曲線覆蓋區間較大，屬“低胖型”分布，意味著國內物流業綠色發展水平整體較低。2010年核密度曲線的峰值稍有回升，曲線尾部有“起峰”趨勢，說明各省物流業綠色全要素生產率差距進一步擴大，有部分物流發展強勢的省份逐漸涌現。2013年核密度曲線的主峰左移，峰值出現明顯攀升，說明多數省份物流綠色發展水平相近但整體偏低;值得注意的是，在曲線右側有兩處小的凸起部分有形成副峰的發展趨勢。2016年核密度曲線的峰值下降，曲線右端有“雙副峰”發展趨勢，物流業綠色全要素生產率極化現象加劇，部分省份率先提高綠色發展水平，集中形成了位于曲線右側的“雙副峰”。

從物流業傳統全要素生產率的動態演變來看，2004年核密度曲線有大中小“三峰”，主峰“高、尖”且較偏左側，兩個副峰“低、尖”且較偏右側，說明物流極化發展現象嚴重，多數省份集聚在低水平發展區間。2007年核密度曲線呈“低胖型”，有往右側移動趨勢。2010年核密度曲線再次形成主副峰，但整體往右移動，說明物流業全要素生產率區域差距拉大的同時，整體得到改善。2013年核密度曲線的主峰升高，“雙副峰”再次出現，說明大多數省份的物流水平相近，但有部分省份發展優勢明顯。2016年核密度曲線的主峰繼續升高，且其位置相較其他主峰更偏右側，同時伴有“多副峰”的發展趨勢，說明物流業全要素生產率整體得到提升，但省域間的發展差距應該引起重視。

從整體上看，物流業綠色全要素生產率核密度曲線呈現“三峰”—“單峰”—“雙峰”—“三峰”的演變趨勢，而傳統全要素生產率核密度曲線呈現“三峰”—“單峰”—“雙峰”—“三峰”—“多峰”的演變趨勢，表明區域差異方面兩者較為相似，都保持大幅度的動態演進，考慮是各省物流基礎建設和現代化程度不同，導致發展速度與追趕速度不同，致使省際間物流發展協調度較低。但是，兩者核密度曲線的演進方向差異顯著，綠色全要素生產率有逐年下降趨勢，而傳統全要素生產率有波動上升趨勢，這驗證了忽視環境約束會高估實際生產率，帶來評估偏差。鑒于此，繼續結合馬爾可夫鏈探討物流業綠色全要素生產率的類型轉移，明晰其內部動態性。

（二）物流業綠色全要素生產率時空狀態轉移

馬爾科夫鏈可以描述已知現在狀態的條件下，未來狀態概率分布與過去狀態無關的隨機現象，在區域格局變化方面具有較強的實用性，可以分析研究期內30省市物流業綠色全要素生產率的區域狀態轉移情況，探討未來轉移方向的穩定性或集中性[14]。不同時期的轉移狀況可以通過馬爾科夫轉移概率mij來表示，mij的含義是在t年份屬于i類型的區域，到t+1年份轉移為j類型的概率，也即是在t年份屬于i類型的區域到t+1年份轉移為j類型的區域數量之和與所有年份內屬于i類型的區域數量之比。

本文采用數據離散化方法，將30個省市按照相應年份的物流業綠色全要素生產率劃分為4類：將低于全國物流業綠色全要素生產率平均水平70%的地區劃分為低水平區域，介于70%—100%之間的地區劃分為中低水平區域，介于100%—130%之間的地區劃分為中高水平區域，高于130%的地區劃分為高水平區域。依此可以計算出各類型區域轉移的概率分布，得到形式為4×4的馬爾科夫轉移概率矩陣。由于馬爾科夫鏈具有遍歷性，可以計算得到一個穩定的極限概率分布，即遍歷分布表示物流業按照一定發展趨勢得以形成的長期均衡結果，通常用來考察長期均衡狀態。

每一時間階段的概率轉移矩陣中，對角線上的數值為各類型區域物流業綠色全要素生產率未發生變化的概率，而非對角線上的數值為各類型區域發生轉移的概率，可以看到4種類型區域之間有顯著的動態轉移現象。具體而言，2004—2010年間矩陣對角線數值分別為0.518、0.200、0.444和0.667，說明若某一區域處于高水平狀態、中高水平狀態、中低水平狀態、低水平狀態，則在接下來的一年中仍處于此狀態的概率分別為51.8%、20.0%、44.4%、66.7%。其中，中高水平的穩定性最差，有40.0%的可能性轉移為高水平狀態，40.0%的可能性轉移為中低水平狀態，而低水平狀態最穩定，僅有33.3%的可能性發生轉移，且都是轉向了中低水平狀態。2010—2016年間矩陣對角線數值分別為0.400、0.190、0.536、0.714。其中，中高水平穩定性最差，有66.7%的概率轉移為中低水平狀態，14.3%的概率轉移為低水平狀態，而低水平狀態的穩定性最強，有71.4%的概率繼續保持低水平狀態。2004—2016年間矩陣對角線數值分別為0.500、0.143、0.518、0.667。其中，中高水平穩定性最差，累計有85.7%的概率要發生狀態轉移，包括14.3%的概率轉移為高水平、60.3%的概率轉移為中低水平以及11.1%的概率轉移為低水平;同樣，穩定性最強的也是低水平狀態，有66.7%的概率繼續在低水平狀態發展下去。

從總體來看，3個時間階段矩陣的對角線數值之和分別是1.829、1.840、1.828，分別占各自矩陣總值的45.7%、46.0%、45.7%，意味著物流業綠色全要素生產率維持原狀態的概率不高，在不同類型狀態之間發生轉移的概率較大。根據遍歷分布計算公式得到物流業綠色全要素生產率格局演變的長期均衡結果，結果顯示長期發展之后省域物流業處于高生產率水平的概率為14.5%，中高生產率水平的概率為21.2%，中低生產率水平的概率為37.7%，低生產率水平狀態的概率為26.6%。可見，當前物流業的綠色發展趨勢不理想，行業的綠色全要素生產率水平可能會向著中低水平或者低水平轉移，應當引起關注和重視。從轉移矩陣可以得到各省物流業綠色全要素生產率跨越多層次發展的概率不高，反映出物流綠色升級是逐步發展的過程，落后區域需加強同周圍水平稍高區域的交流與合作，更先進區域的轉型經驗需要在下一步發展中逐漸借鑒。

（三）物流業綠色全要素生產率空間依賴特征

1.物流業綠色全要素生產率全局空間相關性

基于二進制空間權重矩陣，計算得到物流業綠色全要素生產率均值的Morans I指數值為0.269，傳統全要素生產率均值的Morans I指數值為0.125，均大于0，說明物流發展存在顯著的正空間自相關特征，即生產率較高的省份趨于相鄰，生產率較低的省份趨于相鄰。為詳細辨析Morans I指數值在時間序列上的變化情況，進一步分析歷年物流業生產率的全局自相關Morans I指數值（表2），可以看到兩種生產率的Morans I指數值在研究期內均大于0，說明相鄰地區物流業存在長期的緊密關系，空間聚集現象顯著。

2.物流業綠色全要素生產率局部空間相關性

借助OpenGeoDa繪制出歷年物流業（綠色）全要素生產率均值的Morans I指數散點圖（圖2）。第Ⅰ象限為“高—高”類型區（HH），表示某區域本身和相鄰地區的生產率水平都比較高，呈現出空間同質性，可看作全國物流業生產率的“高地”;第Ⅱ象限為“低—高”類型區（LH），表示某區域自身生產率水平較低，但相鄰地區的生產率水平較高，呈現出空間異質性;第Ⅲ象限為“低—低”類型區（LL），表示某區域本身和相鄰地區的生產率水平都比較低，可看作全國物流業生產率的“洼地”;第Ⅳ象限為“高—低”類型區（HL），表示某區域自身生產率水平較高，但相鄰地區的生產率水平較低。對物流業綠色全要素生產率而言，有15個省市位于第Ⅰ象限，占50%，分別是山東、河北、天津、安徽、上海、福建、江蘇、江西、甘肅、內蒙古、浙江、山西、河南、湖南、寧夏;有4個省市位于第Ⅱ象限，占13.3%，分別是北京、陜西、湖北、廣西;有7個省市位于第Ⅲ象限，占23.3%，分別是黑龍江、重慶、新疆、四川、遼寧、吉林、云南;有4個省市位于第Ⅳ象限，占13.3%，分別是青海、廣東、貴州、海南。對物流業傳統全要素生產率而言，有12個省市位于第Ⅰ象限，占40%;有5個省市位于第Ⅱ象限，占16.7%;有8個省市位于第Ⅲ象限，占26.7%;有5個省市位于第Ⅳ象限，占16.7%。

三、物流業綠色全要素生產率影響因素與溢出效應

（一）變量選取與指標說明

從科技水平（SCI）、基礎設施（INF）、經濟發展（ECO）和市場因素（MFA）4個方面選取指標作為解釋變量，對物流業綠色全要素生產率的影響因素進行闡釋。其中，科技水平主要考慮科技創新能力和信息化水平，基礎設施主要考慮交通網絡密度、物流能源強度和交通運輸強度，經濟發展主要考慮城鎮化率、產業結構和人均GDP，市場因素主要考慮地區對外開放程度和市場化進程。指標數據來源于2005—2017年度的《中國統計年鑒》和《中國能源統計年鑒》，將變量的類型、名稱、代碼以及含義匯總整理到表3。

（二）模型檢驗及估計

通過Hausman檢驗可知統計量值為39.2864，相應p值是0.0001，因此選擇固定效應模型進行分析效果更佳。在此基礎之上，對非空間面板模型做LMlag、LMerror、R-LMlag、R-LMerror、LR空間以及LR時間檢驗（表4）。不論是空間效應還是時間效應，其相應的LR檢驗結果都在1%顯著性水平上拒絕原假設，說明應將模型擴展為時空雙固定模型。LM檢驗結果在時空雙固定效應下相近，均在5%的顯著性水平下拒絕原假設，還需要估計時空雙固定SDM模型的適用性，判斷可否進行簡化。檢驗結果顯示Wald_spatial_lag值、LR_spatial_lag值，以及Wald_spatial_error值、LR_spatial_error值均在1%的顯著性水平上，拒絕了簡化為SLM模型和SEM模型的原假設，表明對物流業綠色全要素生產率而言，時空雙固定SDM模型是最佳選擇。表5列出4種效應下SDM模型的估計值，并著重分析時空雙固定效應SDM模型的估計結果。

由表5可見交通網絡密度、物流能源強度、交通運輸強度和人均GDP在物流業綠色全要素生產率的演變過程中起到重要作用，影響系數分別達到0.2895、0.2804、0.3102、0.1781，而且通過了1%的顯著性水平檢驗，地區產業結構的影響系數也達到0.1511，但其顯著性水平不高。此外，表現出正向驅動作用的影響因素還有科技創新能力、信息化水平、城鎮化率以及市場化進程，驅動作用分別達到0.0804、0.0617、0.1288、0.0887，且都至少通過10%的顯著性水平檢驗;同時，對外開放程度指標的影響為負，而且通過1%的顯著性水平檢驗，抑制效應達到-0.1445，這與劉承良等[18]的研究結論一致。究其原因，主要是中國現階段物流業發展仍以國內資本構成為主，外資占比不高，國內物流所處發展層次較低，很難與以更高級物流服務為核心的外企作競爭，甚至區域內企業會產生惡性競爭，導致外商投資帶來的技術溢出和資本效應對提升物流業綠色全要素生產率作用不理想。

對于SDM模型而言，空間滯后項的加入難以反映變量的邊際效應，現利用偏微分方程將空間效應分解為直接效應與間接效應。依據LeSage和Pace的定義，直接效應表示的是本地區解釋變量對被解釋變量的影響，間接效應表示的是本地區解釋變量對相鄰地區被解釋變量的影響，總效應則為兩者之和。從表6可以看到交通網絡密度、物流能源強度和交通運輸強度的直接效應最強，分別達到0.2715、0.2768和0.3312，三者的間接效應也達到0.0289、0.0451和0.0606，且均通過1%的顯著性水平檢驗，說明物流基礎設施建設不僅能夠促進當地物流發展，也具有顯著的空間溢出效應，對物流業綠色全要素生產率的提升起到重要驅動作用。對其他指標而言，直接效應方面，地區產業結構和人均GDP也起到較強的正向影響，分別達到0.2217和0.2115，對外開放程度則起到了負向影響，負向效應達到-0.1390;間接效應方面，信息化水平、城鎮化率、人均GDP和市場化進程的貢獻作用最高，分別為0.0911、0.1137、0.1154和0.1876，而地區產業結構和對外開放程度表現出負向溢出效應，分別為-0.0989和-0.0221。

（三）結果分析

從模型估計結果可知解釋變量的空間溢出效應顯著，結合中國區域物流發展的實情總結得到：

1.科技水平是物流業綠色發展的重要推手。第一，科技創新能力是地區科技研發和自主創新水平的直接反映。以新興科技為核心的現代物流能提高資源利用效率，降低環境損耗，推動當地物流業向更高層次發展。由于物流業流動性強，客、貨運輸力量會向周邊區域延伸而增加物流總量，輔之以新模式和新技術的溢出使得周邊地區跟進物流發展步伐，這與劉國巍的觀點一致[19]。具體而言，物流業是技術交流廣泛的服務行業，作為收點或發點的基點區域，物流運輸必然會通過其地理鄰近區域（中轉或直運），而鄰近空間單元的技術創新有利于保障長距離運輸的完成，這促進了物流區域間的互助與合作，也為物流技術溢出提供了更好的客觀條件。第二，信息化水平也是區域科技水平的重要體現，其對協調物流各環節，改善物流系統時空效應，提高物流綜合反應能力，以及滿足個性化物流需求等具有重要意義。不僅如此，信息化水平對提升相鄰地區物流業綠色全要素生產率也有積極貢獻。綜合而言，科技水平能夠起到示范和溢出效應，相關的技術創新具有一定的公共屬性，有利于區域物流業的技術升級[20]。

2.基礎設施是物流業綠色發展的內在保障。交通網絡密度、物流能源強度、交通運輸強度對本地區的物流發展有重要貢獻，對相鄰地區也有顯著的空間溢出效應。這是因為交通網絡密度是地區交通運輸發達情況的直接反映，物流能源強度和交通運輸強度則是地區物流規劃、交通布局、網點建設合理性的體現，實證結果得到物流基礎設施是物流業綠色全要素生產率的重要影響因素，這與馬越越等研究結果一致[21]。從內在邏輯來看，完善的交通布局和高效的運輸體系不僅可以改善路網聯通、提高運輸質量，而且有助于促進區域內活動串聯和經濟集聚，形成規模化發展，提高區域內部經濟協調度，進而從根本上促進物流業降本增效。從效應分解結果來看，物流基礎建設對本地區的影響要遠高于對相鄰地區的影響，這是因為政府對本地基礎建設投資和交通線路規劃能夠增強本地物流互聯互通，但對周邊地區的牽動作用不強，這與張學良的研究略有差異，張學良認為交通基礎設施以正的空間溢出為主，也有微弱的空間負溢出效應[22]。

3.經濟基礎是物流業綠色發展的關鍵驅動。第一，城鎮化率的提高意味著社會組織形式和生產方式的升級，城鎮化建設能夠為物流業的發展提供機遇，有利于加強要素資源的整合，重新布局行業流通運能，縮減不必要的資源浪費。第二，區域產業結構升級對本地區物流業綠色全要素生產率有正向影響，對鄰近地區有負向影響。考慮是產業結構升級優化了本地區的經濟發展質量，通過關聯效應帶動了本地物流業的高效發展，但對周邊地區卻體現出微弱的“虹吸效應”。當本地區第三產業占比增加時，相鄰地區物流業綠色全要素生產率會受到抑制。由于區域內產業結構調整，部分高污染、高消耗的第二產業向周邊轉移，給周邊地區物流業的綠色發展帶來壓力。第三，人均GDP對本地區和相鄰地區均有正向影響，原因是人均GDP能夠反映區域物流賴以生存的經濟環境狀況，人均GDP較高的地區擁有更多的物流需求，同時也有更好的人才儲備、技術支持和投資環境。

4.市場因素是物流業綠色發展的隱形動力。第一，對外開發程度對本地區物流業綠色全要素生產率有顯著的負向影響，說明雖然對外開放程度直接關系到外資的流入，也影響到國外先進理念和發達技術的引進，但是對物流業而言，未能借機提質增效，今后要加強外資進入的低碳甄別，提高環境準入門檻，抓住對外開放帶來的物流轉型契機。值得注意的是，對外開發程度對鄰近地區的溢出效應也為負，其主要原因在于當前區域經濟不均衡發展的大環境下，對外開放程度的提高會吸引更多相鄰省域的優質資本和行業人才不斷進入，進而抑制了周邊地區的發展。第二，市場化進程對本地區物流業綠色全要素生產率有正向影響，但是影響效果不顯著，而對于周邊地區的正向影響顯著。由于市場化為優化物流資源配置提供機遇，也為區域間的物流協作提供了更多空間，良好的市場環境和管理秩序是物流革新必不可少的因素，物流公司在市場化進程中的探索也是行業提質增效的關鍵。

四、結論及建議

本文運用含有非期望產出的SBM—ML模型，結合探索性空間數據分析和空間面板計量，探討了省域物流業綠色全要素生產率的動態演進及溢出效應，主要結論為：第一，物流業綠色全要素生產率具有顯著的動態演進特征，省際間協調發展程度不高。物流業綠色全要素生產率有逐年下降趨勢，而傳統全要素生產率卻有波動上升趨勢，說明忽視環境約束會高估實際生產率。第二，通過馬爾科夫鏈模型探討了物流業綠色全要素生產率的時空狀態轉移規律，并根據遍歷分布得到物流發展的長期均衡結果，結果顯示物流業綠色全要素生產率向中低水平或低水平發展的概率較高，說明物流業的綠色轉型應當引起重視。第三，基于二進制空間權重矩陣，得到研究期內物流業綠色全要素生產率存在顯著的正空間自相關特征。局部空間相關性分析進一步證實得到，物流業綠色全要素生產率存在區域集聚特性。第四，交通網絡密度、物流能源強度、交通運輸強度和人均GDP對物流業綠色全要素生產率貢獻作用最大。空間溢出效應方面，各影響因素存在顯著的空間溢出效應，市場化進程的正向溢出效應最高，對外開放程度和地區產業結構的溢出效應為負。

基于上述研究結論，提出以下建議：一是改善運輸基礎，增加新能源汽車、輕量化起重搬運設備的使用，完善貨運樞紐功能，依靠綜合型運輸體系，促使各種運輸方式揚長避短，提高運輸效率，減少能源消耗。二是提升物流軟技術，推廣物流管理運籌技術、物流預測技術以及物流標準化技術，科學規劃區域內質低、量缺的現有資源，對各項物流設備進行合理的組合與調配;同時，營造良好市場氛圍，加強科技成果的轉化與產業化。三是“東、中、西梯度推進”，東部發達地區要首先進行技術創新，研發綠色儲運、智能分揀等現代化物流技術，帶動中西部地區物流業的發展。期間要加強區域分工與統籌協作，根據不同區域的資源要素稟賦情況，緊密結合區域物流發展模式與自身相對優勢，形成揚長避短的物流發展格局，最大程度地節約資源、縮減能耗。四是學習海外先進經驗，引入良性資本和國際人才，鼓勵前沿科技的研發與推廣，通過現代化手段來提升物流業發展層次。通過智慧互聯和協同共享發展模式的普及，推動物流業的平臺整合與跨界融合，加速業務模式更新迭代，科學決策物流行為，提供更高效率的物流服務。

參考文獻：

[1]?張倩倩， 張瑞， 張亦冰. 環境規制下外商直接投資對環境質量的影響——基于不同行業組的比較研究[J]. 商業研究， 2019（5）：61-68.

[2]?Lin B， Chen Z. Does factor market distortion inhibit the green total factor productivity in China？[J]. Journal of Cleaner Production， 2018，197：25-33.

[3]?劉鉆擴， 辛麗. “一帶一路”建設對沿線中國重點省域綠色全要素生產率的影響[J]. 中國人口·資源與環境， 2018，28（12）：87-97.

[4]?劉戰豫， 孫夏令. 中國物流業綠色全要素生產率的時空演化及動因分析[J]. 軟科學， 2018，32（4）：77-81.

[5]?張竟成， 張竟軼. 基于VAR模型的物流產業與區域經濟長期關系研究[J]. 管理世界， 2017（8）：180-181.

[6]?唐建榮， 姜翠蕓. 物流業與金融業協同演化機制及路徑優化研究[J]. 商業研究， 2017（8）：175-183.

[7]?諸裕祥， 陳恒. 我國區域物流業發展非均衡及其外部效應估計——基于要素投入及其效率的分析[J]. 商業研究， 2018（1）：112-121.

[8]?馬越越， 王維國. 中國物流業碳排放特征及其影響因素分析——基于LMDI分解技術[J]. 數學的實踐與認識， 2013，43（10）：31-42.

[9]?Shermeh H E， Najafi S E， Alavidoost M H. A novel fuzzy network SBM model for data envelopment analysis： A case study in Iran regional power companies[J]. Energy， 2016，112：686-697.

[10]Tone K. A slacks-based measure of efficiency in data envelopment analysis[J]. European Journal of Operational Research， 2001，130（3）：498-509.

[11]Li K， Lin B. Impact of energy conservation policies on the green productivity in Chinas manufacturing sector： Evidence from a three-stage DEA model[J]. Applied Energy， 2016，168：351-363.

[12]Yuan Y， Cave M， Zhang C. Using Local Moran′s I to identify contamination hotspots of rare earth elements in urban soils of London[J]. Applied Geochemistry， 2018，88：167-178.

[13]Marbuah G， Amuakwa-Mensah F. Spatial analysis of emissions in Sweden[J]. Energy Economics， 2017，68：383-394.

[14]Shepero M， Munkhammar J. Spatial Markov chain model for electric vehicle charging in cities using geographical information system （GIS） data[J]. Applied Energy， 2018，231：1089-1099.

[15]張杰， 鄭文平. 創新追趕戰略抑制了中國專利質量么？[J]. 經濟研究， 2018，53（5）：28-41.

[16]齊紹洲， 徐佳. 貿易開放對“一帶一路”沿線國家綠色全要素生產率的影響[J]. 中國人口·資源與環境， 2018，28（4）：134-144.

[17]王小魯， 樊綱， 余靜文. 中國分省份市場化指數報告2018[M]. 北京： 社會科學文獻出版社， 2019.

[18]劉承良， 管明明. 低碳約束下中國物流業效率的空間演化及影響因素[J]. 地理科學， 2017，37（12）：1805-1814.

[19]劉國巍. 物流技術創新對物流業的影響測度與路徑分析——基于2000—2015年省際空間杜賓面板數據模型[J]. 中國流通經濟， 2018，32（1）：38-46.

[20]肖仁橋， 宋瑩， 錢麗. 企業綠色創新產出及其空間溢出效應研究——基于兩階段價值鏈視角[J]. 財貿研究， 2019（4）：71-83.

[21]馬越越. 低碳視角下中國區域物流產業全要素生產率的空間溢出效應研究[J]. 宏觀經濟研究， 2016（12）：90-101.

[22]張學良. 中國交通基礎設施促進了區域經濟增長嗎——兼論交通基礎設施的空間溢出效應[J]. 中國社會科學， 2012（3）：60-77.

The Evolution and Spillover of Green TFP in China′s Provincial Logistics Industry

ZHANG Rui，SUN Xia-ling

（School of Management， China University of Mining and Technology， Beijing 100083， China）

Abstract： In this paper， SBM-ML model including unexpected output is used to measure the green total factor productivity of logistics industry in 30 provinces of China from 2004 to 2016.By using kernel density estimation and Markov chain， this paper discusses its spatial and temporal evolution characteristics， and analyzes the influence factors and spatial spillover effects of green total factor productivity of logistics industry with the help of spatial panel econometric model.The results show that the green total factor productivity of logistics industry has a significant dynamic evolution law， and the coordination degree of logistics development among provinces needs to be improved;there is a significant positive spatial autocorrelation in green TFP of logistics industry， which shows that provinces with higher productivity tend to be adjacent， while provinces with lower productivity tend to be adjacent;the main driving factors of green total factor productivity of logistics industry include traffic network density， logistics energy intensity， traffic intensity and per capita GDP，and each influence factor has significant spatial spillover effect， among which the market-oriented process has the highest positive spillover effect， while the degree of opening to the outside world and regional industrial structure have negative spillover effect.

Key words：logistics industry; TFP; dynamic evolution; influence factors; spatial spillover

（責任編輯：關立新）