長三角城市群物流業效率時空演化和影響因素

[摘 要：文章選用2008—2022年長三角城市群26個城市物流業面板數據，使用DEA-Malmquist模型測度各城市物流業效率，分析其時空演化機制，并通過空間計量模型探究物流業效率的影響因素和空間溢出效應。研究結果表明：樣本期內物流業效率總體呈波動上升趨勢，空間自相關性日益顯著；經濟密度、零售貿易業發展對物流業效率具有顯著提升作用，對物流產業集聚程度則呈制約作用；溢出效應方面，物流業效率具有顯著正向空間溢出效應，工業化進程和政府干預也能正向帶動相鄰地區物流業效率提升。研究結論可為長三角城市群及其他地區物流業高質量發展提供一定理論依據和政策參考。

關鍵詞：長江三角洲；城市群；物流業效率；空間自相關分析；空間溢出效應

中圖分類號：F259.27 文獻標識碼：A 文章編號：1007-5097（2024）09-0052-09 ]

Spatial-Temporal Evolution and Influencing Factors of Logistics Efficiency in the Urban

Agglomeration of the Yangtze River Delta

YE Chong， FENG Hao

（School of Economics and Management， Fuzhou University， Fuzhou 350108， China）

Abstract：This essay selects panel data on the logistics from 26 cities in the Yangtze River Delta urban agglomeration from 2008 to 2022. Utilizing the DEA-Malmquist model， it measures the efficiency logistics in each city， analyzes its spatial-temporal evolution mechanism， and explores the determinants and spatial spillover effects of logistics efficiency through a spatial econometric model. Research findings： During the sample period， the overall logistics efficiency showed a fluctuating upward trend， with spatial autocorrelation becoming increasingly significant. Economic density and the development of the retail trade had a significant positive impact on the efficiency of the logistics， while they constrained the degree of logistics agglomeration. In terms of spillover effects， the logistics efficiency had a significant positive spatial spillover effect. The industrialization process and the extent of government intervention could also positively drive the efficient development of the logistics in neighboring regions. The research conclusions can provide a certain theoretical basis and policy reference for the high-quality development of the logistics in the Yangtze River Delta urban agglomeration and other regions.

Key words：Yangtze River Delta; urban agglomeration; logistics efficiency; spatial autocorrelation analysis; spatial spillover effect

一、引 言

《中國物流發展報告（2022—2023）》顯示，2022年全國社會物流總支出為17.8萬億元，占GDP的14.7%，比上年同期上升0.1%［1］。物流業作為“第三利潤源”的主要源泉，已成為支撐一二產業的戰略性新興服務產業。物流業運轉效率的提升對于促進中國產業結構調整和經濟高質量發展都具有十分重要的作用。然而，美國物流費用僅占總GDP的7.2%，全球平均比重也僅為11.7%。與之相比，我國物流費用支出占比仍然較高，這說明目前我國物流業仍然存在不少短板。

2016年，國務院制定《長江三角洲城市群發展規劃》，指出長江三角洲（以下簡稱長三角）城市群位于“一帶一路”沿線和長江經濟帶下游，占據優越的地理位置。2021年，長三角城市群GDP產出占全國總量的24.1%，顯著高于其他城市群，是中國經濟最為活躍的地區。然而，受自然條件、社會經濟因素和交通基礎設施布局等方面的影響，該區域物流業發展并不均衡［2］，并呈現明顯的空間分布特征［3］。為進一步優化長三角城市群物流網絡布局，促進物流業均衡發展，提高物流業效率，進而推動地區經濟高質量發展，對該區域物流業效率的空間分布特征及其影響因素進行研究具有重要的現實意義。

學界多采用數據包絡分析法（DEA）［4-8］、索洛殘值法［9］、隨機前沿函數法（SFA）［10-11］，從國家、省際、城市群等層面對物流業效率進行實證分析。索洛殘值法及隨機前沿函數法由于其參數化特點，通常適用于單輸出情況，需要確定生產前端的具體函數形式，其對函數形式的準確性也有較高要求［12］。數據包絡分析法作為一種非參數方法，會考慮決策單元（Decision-making units，DMUs）的內部結構和中間環節，從而更全面地評價DMUs的效率和績效，適合用各種輸入和輸出指標衡量多個決策單元的相對效率［13］。Deng等將主成分分析法與數據包絡分析法相結合，構建DEA-PCA模型，解決了DEA模型指標選取困難的問題［14］。然而，DEA模型只能運用于截面數據，無法從時間層面觀察物流業效率的變化。為了更準確評價DMUs的時間變化趨勢并探究其原因，有學者將DEA與Malmquist指數模型結合，來測算物流業的動態效率［15］。

在對物流業效率影響因素的研究中，已有研究多從物流活動的投入、產出條件及外界經濟、政策環境對物流業效率增長的相關性方面展開。Schoyen等通過實證研究發現，集裝箱吞吐量、運價和交付貨物的及時程度會影響港口的物流業效率［16］；曹炳汝和鄧莉娟指出，市場一體化指數、經濟密度和交通密度是影響物流業效率的主導因素［17］；俞佳立和錢芝網認為，對外開放程度、行業因素、信息化水平能顯著促進長江經濟帶物流產業效率［18］；劉承良和管明明在低碳約束條件下進行實證研究，提出經濟增長、市場環境、產業集中、信息化程度和宏觀調控均能顯著促進物流業效率發展，而能源消耗具有不利影響［19］。另外，創新實驗試點等政策性因素也對提高物流效率具有顯著影響［20］。

目前，從空間視角探討物流業效率時空演化和空間關聯性的研究較少，學者或分析區域間物流業效率的空間互動關系［21］，或通過全局莫蘭指數測算其空間自相關關系。研究發現，物流業效率在一定區域范圍內存在空間聚集現象［22-23］，學者在此基礎上，進一步運用空間計量模型測度物流業效率，探究其空間溢出機制［24］。

當前關于物流業效率的研究，在研究對象、方法和視角等方面已取得一定進展，并形成一些較為成熟的模型和理論，但在以下三個層面還存在一些不足：①現有研究多以全國省級行政區、區域經濟帶、某一省份的地市或具體物流企業作為研究對象，少有文獻針對某一城市群進行探討；②在測度物流業效率時，現有研究多關注物流業的靜態效率及其動態演化特性，但關注效率變化的空間聯系較少；③現有研究分析物流業效率影響因素時，未進一步考慮對效率的細化分解，難以探究其影響機制。為此，本文通過測度長三角城市群的物流業效率和時空演化機制，并測算其影響因素和空間溢出效應，為長三角城市群及其他地區物流業高質量發展提供一定的理論依據和政策參考。

二、數據和研究方法

（一）指標選取和數據來源

本文綜合柯布-道格拉斯生產函數的定義，將物流業效率指標體系分為投入指標和產出指標。

在投入指標設定中：以各地區歷年的公路里程及交通運輸、倉儲和郵政業固定資產投資額作為代表性投入數據，反映政府部門對物流業的交通投入、資本投入指標［25］；選取各地市交通運輸、倉儲和郵政業從業人員數作為人力投入指標；考慮“互聯網+”的發展趨勢，將互聯網寬帶接入戶數作為通信技術投入指標［17］。

在產出指標的設定中，物流業作為重要的第三產業，其有效產出體現在創造經濟價值和滿足社會需求兩方面。本文選取各地市歷年的交通運輸、倉儲和郵政業增加值［24］、貨運量和貨物周轉量［25］作為物流業的產出指標，分別代表物流業的經濟產出和社會功能產出［26］。

本文選用2008—2022年長三角城市群26個城市樣本面板數據，構建長三角城市群物流業效率指標體系，具體見表1所列。

指標體系中的原始數據，來源于2008—2022年的《中國城市統計年鑒》《江蘇統計年鑒》《浙江統計年鑒》《安徽統計年鑒》和知網大數據統計數據平臺。長三角城市群物流業效率投入、產出指標描述性統計，見表2所列。

（二）研究方法

1. DEA-Malmquist模型

Malmquist指數最早由Malmquist在消費研究中提出［27］。本文借鑒Fare和Grosskopf（1992）［28］的研究，將基于產出的全要素生產率用Malmquist指數表示，其基本公式為：

[Mt0=dt0xt+1，yt+1/dt0xt，yt] （1）

[Mt+10=dt+10xt+1，yt+1/dt+10xt，yt] （2）

式（1）中的[dt0]為t時期的產出距離函數，下標0表示基于產出的距離函數，測度在時間t的技術條件下，從t到t+1時期的物流技術效率變化；式（2）表示在下一時期的物流技術條件下，從這一時期到下一時期物流技術效率變化的Malmquist生產率指數。為避免因時期選擇隨意性造成的偏誤，本文用式（1）和式（2）中兩個Malmquist指數的幾何平均值，來估計從t到t+1時期的物流技術效率變化情況。

借鑒俞佳立和錢芝網（2018）［18］的研究，進一步將Malmquist指數分解為綜合效率指數（TFP）、技術效率變化指數（ECH）、技術進步變化指數（TCH）。具體地說：TFP表示某一時期物流業發展的綜合效率，如果TFP指標大于1，則表示本期綜合效率相對于上一時期是增長的；ECH表示各決策單元在不同時期生產可能集的生產前沿面上的技術效率變動情況；TCH表示不同時期生產可能集的生產前沿面的移動情況，即在投入、產出過程中隨著技術革新而帶來的效率提升。Malmquist模型的構建及具體細化，如式（3）—式（5）所示：

[TFP=ECH×TCH] （3）

其中，ECH和TCH分別表示為：

[ECH=dt+1cxt+1，yt+1dtcxt，yt] （4）

[TCH=dtcxt+1，yt+1dt+1cxt+1，yt+1×dtcxt，ytdt+1cxt，yt12] （5）

2. 空間自相關模型

本文采用全局Moran's I指數對長三角城市群物流業效率指標的全局空間相關性進行測算，計算模型為：

[I=∑ni=1∑nj=1wijYi-YYj-Y/S2∑ni=1∑nj=1wijS2=1n∑ni=1Yi-Y，Y=1n∑ni=1Yi] （6）

其中[：Yi]是第i個城市的數據，包含TFP、ECH、TCH三個指標；n為城市數量[；w]為簡單鄰近矩陣，若城市i與城市j相鄰[wij=1]，反之，則[wij=0；I]為全局Moran's I指數，其取值區間為［-1，1］，當[I]大于0時，表示呈空間正相關特征，即綜合物流發展水平較高（或較低）的城市在空間上顯著集聚，當[I]小于0時，表示呈空間負相關特征，即該城市與周邊城市的物流業效率水平存在顯著的空間異質性，若該值為0，表示城市物流發展水平在空間上是隨機分布。

3. 空間計量模型

本文以空間杜賓模型作為測度長三角城市群物流業效率溢出的主要空間計量模型，以空間滯后模型作為參照。

空間滯后模型的表達式為：

[TFPit=ρWkTFPit+Xitβ+εit] （7）

空間杜賓模型的表達式為：

[TFPit=ρWkTFPit+Xitβ1+WkXitβ2+εit] （8）

其中：[TFPit]為物流業綜合效率指數，i表示省份，t表示年份；[ρ]為物流業效率的空間溢出系數，當[ρ]為正且具有顯著性時，表示該地區物流業效率受鄰近區域物流業發展的正向影響，當[ρ]為負時，表示鄰近區域對該城市具有負向帶動效應；Wk表示第k種空間權重矩陣，文中設計的權重矩陣包括空間鄰近距離矩陣（WA）、空間直線距離矩陣（WD）和空間經濟距離矩陣（WG）；Xit為解釋變量組合，包括物流產業集聚程度（Ins）、政府干預（Gov）、經濟密度（Ede）、工業化進程（Indu）以及零售貿易業發展（Ret）；[β]、[β1]、[β2]為解釋變量的回歸系數；ε為隨機誤差項。

三、物流業效率的空間關聯分析

（一）物流業效率分析

本文以2008年為基期，根據式（1）、式（2），對長三角城市群26個城市的物流業效率進行測算；根據式（3）—式（5），對2009—2022年的綜合效率指數及其分解效率指數變化情況進行測算。結果如圖1所示。

由圖1可知，長三角城市群物流業動態效率在2009—2022年主要呈現波動上升的演化規律。其中，2009—2015年，物流業效率增速總體維持在較低水平；2015年之后，進入快速增長期；但2020年之后，由于受新冠疫情影響，其增速有所減緩。分解情況顯示，ECH總體變化相對平穩，說明14年間長三角城市群的技術效率并未發生明顯變化。TCH波動明顯，并且與TFP變化趨勢更加吻合，這表明14年間長三角城市群技術進步速度變化較大，是影響物流業效率變化的主要原因。

長三角城市群各城市物流綜合效率演化情況見表3所列。

由表3可知，長三角城市群的物流業效率總體提升較為明顯。東部沿海地區的效率值，樣本期內總體保持在較高區間，物流業持續健康高速發展。內陸地區的效率值，樣本期內有較為明顯的進步。2009年，有6個城市動態效率值低于0.8，物流業效率增長困難。而2017年之后，整體效率值均有較明顯的提升，平均效率值超過1，物流業效率實現有效增長。此外，通過表3，可以發現長三角物流業動態效率逐漸呈空間集聚的特征。

（二）空間相關性分析

本文根據式（6）測度2009—2022年長三角城市群物流業TFP、ECH和TCH的Moran's I指數，結果如圖2所示。具體來看，可將物流業效率的空間相關性演變分為三個階段：第一階段（2009—2012年），長三角城市群物流業TFP的莫蘭指數較低，長三角城市群物流業效率并未存在空間自相關性。第二階段（2013—2019年），除2018年外，三類指標整體呈現逐步上升趨勢，長三角城市群相鄰地區物流業效率的空間自相關性日趨顯著，逐步呈現物流業的空間發展趨同性。第三階段（2020—2022年），由于受新冠疫情影響，區域間物流來往和合作大量減少，長三角城市群的空間相關性又回落到相對較低的水平。

四、物流業效率的影響因素

（一）研究假設

基于上述物流業效率Moran's I指數的測度，本文認為物流業效率不僅受地區經濟、政策環境的影響，還可能受周邊地區物流業效率和其他因素的影響。據此，本文提出三個假設。

H1：長三角城市群物流業TFP受空間相鄰區域物流業效率的顯著影響。

H2：長三角城市群物流業TFP受本地區或周邊地區物流產業集聚程度、政府干預、經濟密度和零售貿易業發展的影響。

H3：長三角城市群物流業TCH的影響機制與TFP一致，各因素通過影響TCH作用于TFP。

（二）變量說明

本文選取綜合效率指數、技術效率變化指數、技術進步變化指數作為被解釋變量，選取物流產業集聚程度、政府干預、經濟密度、工業化進程、零售貿易業發展等5個影響因素作為解釋變量。主要變量和計算方法見表4所列。表中數據來自《中國城市統計年鑒》《江蘇統計年鑒》《浙江統計年鑒》《安徽統計年鑒》，部分缺失數據采用插值法處理。因2020年之后，新冠疫情對城市空間關聯性造成顯著影響［29］，本文選取2009—2020年的數據進行計量，以規避新冠疫情對其他因素的干擾。

（三）空間權重矩陣

本文在空間計量經濟學的框架下，研究長三角城市群物流業效率溢出效應。其中，所涉及的城市空間關聯因素是重要中間變量。因此，本文采用空間權重矩陣衡量時空效應變化。具體來說，分別選取空間鄰近距離矩陣、空間直線距離矩陣、空間經濟距離矩陣，從三個維度進行分析，以測度鄰近關系、地理距離和經濟距離對物流業效率的溢出效應。具體計算方法見表4所列。

（四）實證結果分析

1. 空間相關性檢驗

為了檢驗TFP的空間依賴關系并確定合適的空間計量模型，參照Anselin和Hudak（1992）［33］、Anselin等（1996）［34］的研究，本文對三種空間權重矩陣分別進行穩健的LM-Lag檢驗和穩健的LM-Error檢驗。

TFP空間依賴性檢驗結果見表5所列。由表5可知，針對空間誤差（Spatial Error）、空間滯后（Spatial Lag）的檢驗都至少存在一項拒絕了“無空間自相關”的假設，表明該模型具有顯著的空間效應，適合進一步進行空間計量分析，且均拒絕空間杜賓模型（SDM）會退化為空間滯后模型（SAR）、空間誤差模型（SEM）的原假設。因此，本文以SDM回歸結果為主要依據，并參考周雷等（2024）［35］的研究，同時選取SAR的回歸結果作為參照，以提高結果的穩健性。

另外，計量模型設定應討論是否需要固定不隨時間變化的個體效應或不隨個體變化的時間效應，通過豪斯曼檢驗證明，上述三種面板模型均不能接受固定效應的假設。因此，本文采用隨機效應模型，并使用聚類穩健標準誤降低異方差影響，提高模型估計效率。

2. 基準回歸

綜合效率指數（TFP）的空間計量結果見表6所列。結果表明，六種不同模型的空間自相關項都在5%水平上顯著為正，說明長三角城市群物流TFP受相鄰地區的顯著溢出效應影響，物流效率提升能夠帶動周邊地區物流效率正向發展，H1得到驗證。并且基于空間經濟距離矩陣的正相關性更強，表明物流效率的空間溢出主要取決于城市間的經濟聯系。除此之外，物流產業聚集程度在多個模型中均在1%水平上顯著為負，表明長三角城市群物流產業集聚已呈負向擁擠效應，遏制了當地物流業發展。經濟密度也在不同模型中顯著為正，表明社會經濟發展能夠帶動物流業發展。在解釋變量的溢出效應計量回歸中，基于空間鄰近距離矩陣的政府干預、工業化進程對相鄰城市有顯著的正向效應，說明政府干預和工業化發展能有效帶動鄰近城市物流TFP增長。同時，政府干預、工業化進程對本區域物流TFP的促進作用在各模型中均不顯著，表明其主要通過影響周邊城市物流TFP來間接促進本區域物流TFP的增長。上述結論部分驗證了H2，即物流產業集聚程度、政府干預和經濟密度均能直接或間接影響物流業效率。

3. 分解效率回歸

為探究物流業效率的影響機制，本文進一步對TCH和ECH進行空間計量回歸，結果見表7所列。

與TFP回歸結果相似，在三種權重矩陣中，TCH均呈明顯的空間溢出效應，說明地區物流技術進步同樣可以帶動周邊物流技術發展，呈現知識溢出特征。物流產業集聚和經濟密度分別在1%水平上呈負向和正向作用，表明物流產業過度集聚導致的惡性競爭會抑制物流技術的進步，而社會經濟發展則能促進物流技術發展。另外，工業化進程在空間鄰近距離矩陣中對周邊地區TCH具有促進作用，周邊地區的工業化水平提升也能夠促進物流技術進步以適應工業化進程的要求，H3得到驗證。這可能是由于技術保護等原因，政府干預對周邊地區TCH暫未產生顯著作用。

ECH也具有顯著的空間自相關效應。周邊地區的物流效率提高，也能促進當地物流技術效率發展。然而，相較于其他因素，僅零售貿易業能同時在三種矩陣中，在1%水平上起顯著正向作用，說明除高速轉型發展的零售貿易業外，少有因素可以改變已經趨于穩定的物流技術效率。

4. 穩健性檢驗

前文的計量方法已在一定程度上對三類物流業效率空間溢出因素的穩健性進行了論證。在進行空間面板計量分析后，本文通過普通OLS回歸模型進行穩健性檢驗。三類物流業效率的普通面板數據回歸結果見表8所列。模型1表示TFP的設定面板模型，模型2和模型3分別表示ECH和TCH的設定面板模型。計量結果整體同前文分析一致，驗證了估計的穩健性。

五、結論與政策建議

（一）結論

本文選用2008—2022年長三角城市群26個城市物流業面板數據，使用DEA-Malmquist模型測度各城市物流業效率，并探討其時空演化機制，及物流活動的經濟、政策環境等因素對其影響和空間溢出效應，得出以下結論：①2009—2022年，長三角城市群物流業動態效率總體呈現波動上升的演化規律。ECH相對平穩，TFP總體受到TCH的影響，三類物流業效率指數在2013年之后，呈現空間自相關性特征并且逐漸顯著，但在2020年之后，由于受新冠疫情影響有所下降。②在物流業效率影響因素層面，城市經濟密度對TFP具有顯著提升作用，而物流產業集聚程度會制約TFP發展。TCH的影響因素與TFP基本一致，而零售貿易業發展對TCH和ECH均具有顯著提升作用。③在物流業效率溢出效應層面，TFP、TCH、ECH均呈顯著正向溢出機制，說明鄰近區域物流業效率是影響城市物流業效率變化的重要原因。另外，工業化進程和政府干預也表現出一定的空間溢出效應，說明相鄰城市的工業化進程和政府干預均正向推動當地物流業效率指標增長。

（二）政策建議

根據對長三角城市群物流業效率的時空演化特征、空間相關性分析及計量模型回歸的結論，本文提出以下政策建議。

第一，提高長三角城市群區域物流合作水平。為推動長三角城市群區域物流協同發展模式，各城市之間要不斷加強跨區域物流分工合作，持續推進國內大循環，打通長三角城市群生產、分配、流通、消費的各個環節。物流業發展效率低的北部、西南部地區城市應積極承接東南部高效率城市物流產業轉移，并進一步完善基礎設施建設，提高運輸網絡密度，補齊高速鐵路、航空運輸等方面的短板。加速區域物流標準化進程，利用現有的公路、鐵路網絡及“黃金水道”的區域優勢，持續推進跨區域多式聯運，避免不合理運輸，解決物流活動末端的“最后一公里”問題，以區域之間物流業協同發展的正向影響效應，促進長三角城市群一體化發展。

第二，促進制造業、零售貿易業轉型升級，鼓勵技術創新。政府應鼓勵企業將大數據、人工智能、區塊鏈、物聯網等高新技術融入制造業，通過數字經濟賦能傳統制造業，依托技術創新實現制造業高質量發展。形成區域內完善的產業合作機制，充分發揮制造業產業集群的正外部性溢出作用，促進長三角城市群區域經濟協同發展。在零售貿易方面，應鼓勵發展新零售業態模式，運用互聯網、物聯網技術重構零售業的成本、效率和體驗，通過精準庫存控制、智能配送等方法提高物流運營效率，滿足多樣化的客戶服務體驗。

第三，打造精益化物流，實現物流業高質量發展。長三角城市群的政府部門在重視物流業發展速度的同時，更要重視其發展質量。在鼓勵傳統物流行業轉型升級的同時，應淘汰物流業落后產能。根據產業活動和客戶需要，發展供應、生產、儲存、運輸產品過程中所需要的物流配套服務，避免物流業出現過飽和現象，進而推進長三角城市群物流業高質量、高效能發展。

參考文獻：

［1］中國物流與采購聯合會，中國物流學會.中國物流發展報告（2022—2023）［R］. 北京：中國財富出版社，2023.

［2］翟仁祥，陳勁滔.中國沿海地區物流經濟高質量發展研究［J］.華東經濟管理，2023，37（6）：79-89.

［3］張定，曹衛東，范嬌嬌，等.長三角城市物流發展效率的時空格局演化特征與機制［J］.經濟地理，2014，34（8）：103-110.

［4］MATTHIAS K，DOMINIC L.Long-Term Economic Sustainability of Humanitarian Logistics-A Multi-Level and Time-Series Data Envelopment Analysis［J］.International Journal of Environmental Research and Public Health，2021，18（5）：2219.

［5］QUAN C，YU S，CHENG X，et al. Comprehensive Efficiency Evaluation of Social Responsibility of Chinese Listed Logistics Enterprises Based on DEA-Malmquist Model［J］. Operations Management Research，2022，15（3/4）：1383-1398.

［6］GAN W，YAO W，HUANG S. Evaluation of Green Logistics Efficiency in Jiangxi Province Based on Three-Stage DEA from the Perspective of High-Quality Development［J］. Sustainability，2022，14（2）：797.

［7］QIN W，QI X. Evaluation of Green Logistics Efficiency in Northwest China［J］. Sustainability，2022，14（11）：6848.

［8］李妍，孫振清.碳排放約束下我國物流業運行效率測算及其影響因素分析［J］.商業經濟研究，2021，39（8）：75-78.

［9］徐宏毅，詹永雄，楊沛.我國物流業生產率實證研究［J］.中國集體經濟，2009，24（28）：117-119.

［10］梁紅艷，王健.中國物流業發展對工業效率的影響及其渠道研究［J］.科研管理，2013，34（12）：120-126.

［11］韓東亞，劉宏偉.我國物流業技術效率及影響因素——來自上市公司的實證研究［J］.中國流通經濟，2019，33（11）：17-26.

［12］DYSON R G，SHALE E A. Data Envelopment Analysis，Operational Research and Uncertainty［J］. Journal of the Operational Research Society，2010，61（1）：25-34.

［13］COOK W D，TONE K，ZHU J. Data Envelopment Analysis：Prior to Choosing A Model［J］. Omega，2014，44：1-4.

［14］DENG F，XU L，FANG Y，et al. PCA-DEA-Tobit Regression Assessment with Carbon Emission Constraints of China's Logistics Industry［J］. Journal of Cleaner Production，2020，271（8）：122548.

［15］LI H，LI W. Carbon Emission Efficiency Evaluation and Dynamic Evolution Analysis of Logistics Industry：Taking the Provinces Along the Silk Road Economic Belt as An Example［J］. Environmental Science and Technology，2019，42（3）：165-171.

［16］SCHOYEN H，BJORBAEK C T，STEGER-JENSEN K，et al. Measuring the Contribution of Logistics Service Delivery Performance Outcomes and Deep-sea Container Liner Connectivity on Port Efficiency［J］. Research in Transportation Business and Management，2018，28：66-76.

［17］曹炳汝，鄧莉娟.長江經濟帶物流業效率增長影響因素［J］.經濟地理，2019，39（7）：148-157.

［18］俞佳立，錢芝網.長江經濟帶物流產業效率的時空演化及其影響因素［J］.經濟地理，2018，38（8）：108-115.

［19］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.

［20］DU G，LI W. Does Innovative City Building Promote Green Logistics Efficiency？ Evidence from a Quasi-Natural Experiment with 285 Cities［J］. Energy Economics，2022，114：106320.

［21］劉明，楊路明.區域物流的產業效率、空間互動與協調發展——基于全國277個地市級城市的數據實證［J］.中國流通經濟，2019，33（8）：34-44.

［22］曹炳汝，孔澤云，鄧莉娟.長江經濟帶省域物流效率及時空演化研究［J］.地理科學，2019，39（12）：1841-1848.

［23］徐超毅，齊豫.我國區域物流業綠色發展效率測度和空間分析——以華東地區為例［J］.生態經濟，2023，39（4）：81-88.

［24］高詹.城市物流效率及其空間溢出效應——以河南省為例［J］.城市問題，2014（7）：62-68.

［25］鐘昌寶，錢康.長江經濟帶省域物流效率的空間差異研究——基于改進的空間權重矩陣［J］.常州大學學報（社會科學版），2016，17（5）：82-89.

［26］王博，祝宏輝，劉林.我國“一帶一路”沿線區域物流效率綜合評價——基于三階段DEA模型［J］.華東經濟管理，2019，33（5）：76-82.

［27］MALMQUIST S. Index Numbers and Indifference Surfaces［J］. Trabajos De Estadistica，1953，4（2）：209-242.

［28］FARE R，GROSSKOPF S. Malmquist Productivity Indexes and Fisher Ideal Indexes［J］. The Economic Journal，1992，102（410）：158-160.

［29］陳陽，唐曉華.產業集聚對制造業效率的影響研究——基于區域互動的視角［J］.財經論叢，2019（2）：2-20.

［30］劉徐方.外商直接投資、政府支出對中國技術進步效應的經驗分析［J］.工業技術經濟，2016，35（3）：31-35.

［31］PARSLEY D，WEI S. Explaining the Border Effect：The Role of Exchange Rate Variability，Shipping Costs，and Geography［J］. Journal of International Economics，2001，55（1）：87-105.

［32］詹晶，馮旭明，宋朝方.“一帶一路”核心地區出口貿易對物流業發展驅動效應研究——基于LMDI模型［J］.價格月刊，2019（4）：44-53.

［33］ANSELIN L，HUDAK S. Spatial Econometrics in Practice，A Review of Software Options［J］. Regional Science and Urban Economics，1992，22（3）：509-536.

［34］ANSELIN L，BERA A K，FLORAX R J，et al. Simple Diagnostic Tests for Spatial Dependence［J］. Regional Science and Urban Economics，1996，26（1）：77-104.

［35］周雷，張鑫，董珂.數字金融創新有助于促進實體經濟高質量發展嗎？——基于金融服務效率的機制分析與空間計量［J］.西安財經大學學報，2024，37（1）：60-72.

［責任編輯：夏 麗，陳建華］