數字經濟背景下我國省域物流產業效率研究

摘 要：基于2014—2022年中國省際面板數據，構建物流產業全要素生產率指標體系，運用Malmquist指數測算省域物流產業相關效率，構建數字經濟基礎、數字經濟應用與數字化產業變革三個維度的數字經濟發展水平指標體系，運用面板熵值法測算省域數字經濟發展綜合水平，并以此為核心解釋變量，運用Tobit模型實證檢驗數字經濟對物流產業全要素生產率、技術效率與技術進步率的影響。研究發現，東部沿海地區數字經濟發展水平較高，由東向西遞減，但西北地區增速較快；2014—2022年間各省物流業全要素生產率整體上升，技術進步是主要推動力；數字經濟對物流業全要素生產率與技術進步有顯著正向影響，但對技術效率的直接影響不顯著。據此提出完善數字化基礎設施、優化物流資源配置、人才適度應用與促進區域協同的對策建議。

關鍵詞：數字經濟；物流產業效率；區域差異

中圖分類號：F259.27 文獻標志碼：A DOI：10.13714/j.cnki.1002-3100.2024.19.025

Abstract： Based on China's inter-provincial panel data from 2014 to 2022， this paper constructs an index system of total factor productivity in the logistics industry， measures the efficiency of the provincial logistics industry using the Malmquist index， and builds an index system for the development level of the digital economy in three dimensions： Digital economy foundation， digital economy application， and digital industrial transformation. The comprehensive level of provincial digital economy development is measured using the panel entropy method， and this is used as the core explanatory variable. The Tobit model is applied to empirically test the impact of the digital economy on total factor productivity， technical efficiency， and technological progress rate in the logistics industry. The study finds that the level of digital economy development is relatively high in the eastern coastal areas， decreasing from east to west， but the growth rate in the northwest region is relatively fast. From 2014 to 2022， the overall total factor productivity of the logistics industry in various provinces increased， with technological progress being the main driving force. The digital economy has a significant positive impact on total factor productivity and technological progress in the logistics industry， but its direct impact on technical efficiency is not significant. Based on this， countermeasures such as improving digital infrastructure， optimizing logistics resource allocation， moderate talent application， and promoting regional collaboration are proposed.

Key words： digital economy; logistics industry efficiency; regional differences

0 引 言

隨著信息技術的迅猛發展，數字經濟已成為全球經濟增長的新引擎。它以數據為關鍵要素，通過信息技術的有效使用來推動經濟結構和產業價值的深刻變革。特別是在物流產業中，數字經濟的融入不僅改變了傳統物流的運作模式，還為其帶來了前所未有的發展機遇。近年來，我國數字經濟發展迅速，從基礎設施建設到各領域的應用都取得了顯著成效。《數字中國發展報告（2022年）》指出2022年中國數字經濟市場規模達到了50.2萬億元，占國內生產總值的比重提升至41.5%，總量穩居世界第二；累計建成開通5G基站231.2萬個，數字基礎設施規模能級大幅度提升；數據產量達8.1ZB，數據資源體系建設加速發展。各地政府也在工作報告中強調制定支持數字經濟高質量發展的政策，數字經濟和實體經濟融合深入推進。物流產業作為現代經濟體系的重要組成部分，其運作效率和成本控制直接關系到整個經濟體系的運行質量和市場競爭力。利用數字經濟提升物流產業的全要素生產率，進而推動物流產業的轉型升級，具有重要的現實意義。

隨著中國數字經濟的蓬勃發展，國內學者對數字經濟的研究也日益深入。研究內容涵蓋數字經濟的定義、特征[1]、發展趨勢[2]以及與傳統產業的融合等多個方面。當前，數字經濟如何推動經濟高質量發展已成為研究熱點，從不同角度探討了數字經濟對中國全要素生產率的提升效應[3]、產業結構升級[4]、區域創新能力提升[5]、制造業質量升級[6]、中國鄉村振興[7]等多方面的影響機理與促進效應。隨著數字技術的不斷滲透，也關注到了數字經濟在與傳統經濟融合過程中面臨的挑戰和機遇，如征稅困境、數字鴻溝、數據安全等。也有學者探討了數字經濟對物流產業的影響，如羅瑞等[8]指出數字經濟通過技術創新和要素配置效率的改進促進了物流業高質量發展；蔣樹雷等[9]實證檢驗了數字經濟有利于物流產業升級，一方面提高了產業發展規模，增加了產業績效，另一方面降低了資源損耗和污染排放；謝欣雨等[10]研究了我國物流業與數字經濟融合水平，陳述了物流業與數據經濟融合在資源稟賦、數字人才及產業結構方面存在的差異；褚曉琳等[11]測算了物流業數字化程度，從產業內與產業間不同視角對比了其數字化程度差異。

這些學術觀點為本文提供了有益的借鑒與參考，但是對數字經濟影響物流產業影響的研究不充分，沒有深入探討數字經濟對物流效率的影響程度，本文旨在探討數字經濟對中國物流產業全要素生產率的影響，通過定量分析，進一步揭示數字經濟對物流產業技術效率與技術進步率的影響關系，為相關政策制定提供理論支持和實證依據，為進一步推動我國物流產業的數字化轉型與高質量發展提供參考。

1 數字經濟促進物流產業效率的理論機制

“數字經濟”首次出現是在美國學者Don Tapscott于1996年所著的《數字經濟：網絡智能時代的前景與風險》中，書中提及數字經濟具有高效率和低成本的特點。目前，較為廣泛認可的定義出自《二十國集團數字經濟發展與合作倡議》（2016）。倡議中提出，數字經濟是指以使用數字化的知識和信息作為關鍵生產要素、以現代信息網絡作為重要載體、以信息通信技術的有效使用作為效率提升和經濟結構優化的重要推動力的一系列經濟活動。數字經濟通過引入大數據、云計算、物聯網和智能化技術等先進手段，對物流產業技術效率產生了積極的影響。這些技術的應用提高了物流操作的準確性和速度，優化了物流過程，降低了成本，為物流產業的持續發展注入了新的活力。

數字經濟對物流產業技術效率的影響主要體現在以下幾個方面：

（1）數字經濟創新消費模式，促進物流需求不斷增加。進入大數據時代，互聯網、移動支付、社交媒體等技術的普及改變了人們的消費習慣和購買方式。催生了多樣化的新型消費模式，如社交電商、內容電商、直播購物、共享經濟、訂閱服務等。淘寶、抖音、拼多多、小紅書等平臺上，月均用戶訪問量均在1億以上，帶動了對高效、精準物流配送服務需求的持續增長。

（2）數字經濟推動供應鏈優化，提升物流響應速度。隨著數字經濟發展的深入，傳統的生產和流通型企業逐漸將部分業務與大數據、人工智能、物聯網等數字技術相融合，產業鏈供應鏈的發展逐步向數字化轉型。根據市場相關數據，2023年中國產業數字化全年交易規模將達到21.2萬億元，同比增長6.5%，產業數字化的不斷發展和應用，將繼續推動產業鏈供應鏈的優化與升級。在數字技術支持下供應鏈各環節之間的信息共享和流通更加便捷高效，物流企業能夠更準確的掌握供應鏈上下游需求與庫存情況，實現從生產到消費的直接連接，優化運輸路線和貨物分配，簡化物流配送鏈條，實現供應鏈的精細化管理與動態調整。

（3）數字經濟驅動技術創新，促進物流智慧化發展。在數字經濟的推動下，數字化基礎設施，包括5G網絡、工業互聯網、數據中心等建設不斷完善，大數據、互聯網、云計算、區塊鏈及人工智能等技術不斷發展，促進了產業信息化與智能化發展。自動化倉庫系統、智能分揀系統、無人配送車輛等技術應用大大提高了物流操作的準確性和效率，減少了人力成本和錯誤率，推動物流產業從經驗管理與粗放管理向自動化與智能化方向發展。

（4）數字經濟降低交易成本，促進物流效益提升。數字經濟進一步推動了大數據分析與預測，通過數字化的物流平臺，不同企業可以共享物流信息和資源，實現資源的最優配置，減少閑置和浪費。基于大數據和人工智能技術能夠深入分析客戶需求和行為模式，物流企業之間可以建立合作伙伴關系，形成聯合采購和運輸的優勢，共同降低采購和運輸成本，從而提高供應鏈的整體效率，降低物流成本。

數字經濟為物流行業帶來了新的技術創新和業務模式，通過降低作業成本、提升物流效益和促進精細化發展，有效提升了物流產業的技術效率，促進物流行業的持續發展和技術升級。高效的物流支撐同時是數字經濟發展的重要基礎，如電子商務、在線零售等業態的快速發展離不開高效精細的物流服務。

2 研究設計

2.1 研究工具與方法

2.1.1 DEA-Malmquist 指數模型。Malmquist生產率指數是基于距離函數概念，用于測量總要素生產率TFP變化的指數，其在靜態DEA的決策和目標空間上加入時間空間，更符合物流效率數據的特點。根據相關理論，將全要素生產率（記為tfpch）定義為t期和t+1期的Malmquist指數的幾何平均，如式（1）所示：

tfpch=× （1）

其中：x表示投入，y表示產出，D表示t期的距離函數，當tfpch>1時，表明物流效率提升，否則效率降低。全要素生產率分解為技術效率（記為effch）和技術進步率（記為tech），在規模報酬不變的條件下，技術效率可進一步分解為純技術效率（記為pech）和規模效率（記為sech），因此全要素生產率具體分解形式如式（2）所示：

tfpch=effch×tech=pech×sech×tech （2）

effch反映了不同時期評價單元相對于生產前沿的距離，其值大于1時表明物流投入資源配置合理，技術效率提升，否則下降；tech反映決策單元在兩個時期內向生產前沿面的移動情況，其值大于1時，表示物流技術進步，否則技術退步。pech反映評價單元由于物流技術與經營管理等因影響的生產效率，其值大于1時，表示純技術效率提升，否則下降；sech反映了決策單元受規模因素影響的生產效率，其值大于1時，表示物流規模效率提高，否則下降。

2.1.2 熵值法。熵值法是一種多指標綜合評價方法，基于信息熵理論，通過計算各指標權重，從而確定各指標在決策中的相對重要性。計算步驟如下：

第一步，對數據進行標準化處理，由于所選指標均為正向指標，處理如下：r=，若標準化指標值為0，r=r+0.000 1。

第二步，計算各指標對應比例：p=， i=1，2，…，m; j=1，2，…，n。

第三步，計算第j項指標的信息熵與差異系數：e=， d=1-e。

第四步，計算權重：w=。

第五步，計算評價指標綜合得分：s=∑wr。

2.1.3 Tobit模型。Tobit模型主要用于解決存在截斷數據情況下的統計分析問題，本文被解釋變量為基于Malmquist指數測算的物流產業技術效率，通過歸一化處理將其轉變為截斷變量滿足Tobit模型的條件，構建基準模型如下：y=α+βx+δcontrol+ε。y為被解釋變量，即物流產業全要素生產率，根據Malmquist指數分解，進一步分析相關因素對技術效率與技術進步率的影響。x為解釋變量，即經濟發展水平，control為控制變量集合，α、β、δ為待估計參數，ε為誤差項。

2.2 指標體系

2.2.1 物流效率評價指標。有關物流效率評價的研究已經較為深入，投入指標一般集中在物流業固定資產投入、人力投入與基礎設施情況方面，其中人力指標選取物流業從業人數、基礎設施選取民用載貨汽車數量反映；產出指標主要集中在貨運量、貨物周轉量與物流業增加值等方面。從而構建物流效率評價指標體系，如表1所示：

2.2.2 數字經濟指標。國家統計局發布的《數字經濟及其核心產業統計分類（2021）》將數字經濟產業范圍確定為數字產業制造業、數字產業服務業、數字技術應用業、數字要素驅動業與數字化效率提升業共5類，包括了數字經濟的發展基礎、數字經濟核心產業以及數字技術與實體經濟的融合。結合現有文獻對數字經濟綜合評價的研究建立包括數字經濟基礎、數字經濟應用與數字化產業變革三個維度的評價指標體系[12-13]，數字經濟基礎選取電信業務量、移動互聯網用戶數、移動互聯網接入流量與軟件業務收入衡量；數字經濟應用選取有電子商務交易的企業數比重、企業電子商務銷售額、企業電子商務采購額衡量；數字化產業變革是推動數字經濟發展的重要動力，選取R&D經費、專利申請數、技術市場交易額、R&D人員全時當量衡量。數字經濟綜合評價指標體系，如表2所示：

2.3 數據來源與處理

自2012年以來，隨著政策的不斷完善與數字經濟相關產業的不斷發展，數字經濟規模從2012年的11萬億元增長至2022年的50.2萬億元（人民幣），在疫情期間，數字經濟仍然保持了穩定的增長。2014年4G時代全面到來，移動智能終端用戶規模達10.6億，較2013年增長231.7%，為數字經濟的發展提供了有力的支撐，從數據的可獲得性與完整性原則出發，以2014年作為研究起點。

本文選取2014—2022年我國除港澳臺地區及西藏以外的30個省（區、市）作為研究對象。研究數據主要來自中國統計年鑒、各省統計年鑒、中國物流年鑒等，部分缺失值采用插值法進行補充。根據現有文獻研究，在進行物流效率測度時，所選取的產業范圍為倉儲運輸與郵政的數據。為避免偽回歸，在Tobit模型中對經濟發展水平取對數處理，以獲得平穩數據。對Malmquist指數進行歸一化處理，以適應Tobit模型。

3 實證結果分析

3.1 物流產業技術效率評價

基于Malmquist方法，運用DEAP2.1軟件測算出2014—2022年我國30個省（市、區）的物流產業Malmquist指數，結果如表3和表4所示：

從時間維度進行分析，2014—2022年期間，我國各省物流業全要素生產率整體呈現上升趨勢，平均增長率為2.2%，技術進步貢獻了1.6%，技術效率增長了0.5%，其中純技術效率增長了1.2%，規模效率下降了0.7%。2020—2021年，物流業全要素生產率增幅最大，達25.1%，疫情環境下，物流業回升態勢明顯，在輸送防疫物資、保障產業鏈與供應鏈平穩運行上發揮了積極作用。在疫情期間為了減少人員接觸和降低傳播風險，無接觸式配送及數字化技術應用也很好的提升了物流效率。2014

—2015年、2018—2019年、2019—2020年、2021—2022年物流業全要素生產率有所下降，主要是技術進步效率下降所致，可能是因為在競爭激烈的市場環境中，企業通常更側重于短期成本控制而忽略了技術創新，物流產業的重資產包袱也很大程度上限制了物流設備的全面升級。其中2019—2020年受制于技術效率。

結合表4數據，全國范圍內物流產業技術效率呈增長趨勢，平均增長率為2.2%。按物流業全要素增長率排序，廣東、云南、湖北、河北等23個省份物流業全要素生產率大于1；廣西、安徽、陜西的技術進步效率下降，貴州、北京、黑龍江的技術效率低于1，寧夏的技術效率與技術進步率均小于1。將各省物流業Malmquist相關指數變化繪制成折現圖，如圖1所示，從各指數變化趨勢對比來看，全要素生產率增長趨勢在大部分省份與技術進步效率保持著相同的變化規律，一定程度上說明全要素生產率進步是技術進步的積極影響。

3.2 數字經濟發展水平測度

基于熵值法，測算出2014—2022年我國30個省（市、區）的數字經濟發展水平，具體結果如表5所示：

基于熵值法，測算出我國30個省（區、市）的數字經濟發展水平，具體結果見表5，從發展平均值來看，廣東、江蘇、北京、山東、浙江、上海等數字經濟水平排在前列，這些地區處于東部沿海位置，具有較強的產業基礎與經濟實力，貿易發達，數字經濟基礎設施更加完善，從而整體評價值更高。從東部沿海向西部內陸地區，數字經濟綜合評價指數逐級遞減。西北地區的甘肅、青海、寧夏、新疆數字經濟綜合水平相對較低，但是該地區數字經濟發展增速較快，其中青海、甘肅成為除安徽外增長最快的區域。從時間維度來看，2014—2022年數字經濟綜合水平逐年上升，除遼寧外，各省年均增長率均大于0，增長態勢明顯。

3.3 影響分析

基于Stata15軟件，實證研究得到數字經濟對物流產業效率的整體影響效應。為了更準確地分析數字經濟對物流產業效率的影響，選取經濟發展、政府干預、產業結構升級與人力資本作為控制變量。經濟發展水平用人均GDP衡量，記為eco，政府干預用財政支出占地區生產總值比重衡量，記為gov，產業結構升級用第三產業增加值與第二產業增加值的比重表示，記為idu，人力資本水平為高等學校在校生人數占總人數的比重，記為edu。以物流業全要素生產率logis_tfp、技術效率logis_eff與技術進步logis_tech分別作為被解釋變量，構建模型如下：

logis_tfp=α+βdig+δlneco+δidu+δedu+δgov+ε

logis_eff=α+βdig+δlneco+δidu+δedu+δgov+ε

logis_tech=α+βdig+δlneco+δidu+δedu+δgov+ε

運用Stata15軟件進行Tobit回歸，結果如表6所示。

結果顯示，數字經濟發展水平對物流業全要素生產率與技術進步存在顯著正向影響，對技術效率的回歸系數為0.056 3，但未通過顯著性檢驗。數字經濟使用數字化的知識和信息作為重要生產要素，提供先進的信息技術工具，以數據驅動決策，有效的提高了產業效率與技術進步。

此外，產業結構對物流業全要素生產率與技術效率的影響通過了顯著性檢驗且相關系數為負數。產業結構升級理論上對物流業全要素生產率起到提升作用，但可能存在資源重新配置效率不高的問題，也可能是技術效率不同步，物流產業的數字化和信息化進程不及第三產業的整體水平。

其他變量對物流產業相關效率的影響不顯著。其中人力資本水平的回歸系數值較大，分別是0.609，-0.405，1.047。高等教育與專業人才隊伍能夠更好的創新和應用新技術和管理，從而提升物流業全要素生產率和技術進步率，但物流業中很多基礎性的工作在目前來看并不需要高等教育學歷人才完成，高學歷人力資本的相對高成本可能在物流環節并沒有有效轉化為效率的提升，從而限制了技術效率。

4 主要結論與對策建議

4.1 主要結論

通過對數字經濟發展水平測算，除個別區域，各省數字經濟發展綜合水平逐年上升，且增長態勢明顯。數字經濟發展水平的區域差異明顯，經濟實力強、產業基礎好的東部沿海地區數字經濟發展水平較高，由東向西逐級遞減，西北地區雖然數字經濟基礎較差，但數字經濟發展增速較快。通過物流業相關效率測算，在2014—2022年期間，各省物流業全要素生產率整體提升，技術進步是主要推動力，技術效率也有小幅的增長，然而規模效率出現了下降，可能是物流產業經過快速發展階段后出現了邊際效益遞減。通過Tobit回歸分析發現數字經濟對物流業全要素生產率與技術進步有顯著正向影響，但對技術效率的直接影響不顯著。產業結構升級對物流業全要素生產率有負面影響，可能是由于資源重新配置效率不高或技術效率不同步所致。人力資本水平對物流效率的影響復雜，高等教育與專業人才隊伍能推動創新和新技術應用，但高學歷人力資本的相對高成本可能并未有效轉化為物流環節的效率提升。

4.2 對策建議

基于以上結論，提出以下對策建議：（1）完善數字化基礎設施，加強數字經濟發展。繼續在全國范圍內，特別是中西部地區，加強數字經濟基礎設施建設，縮小區域差異，提升數字經濟發展水平，以促進物流業的技術進步和全要素生產率提升。（2）優化物流資源配置，提升物流信息化水平。針對產業結構升級帶來的資源重新配置效率問題，通過政策引導和市場機制，促進物流產業結構升級，優化資源配置，以充分發揮產業結構升級的正面效應，鼓勵并支持物流企業引進和應用先進的數字化技術，通過數據驅動決策，提高全要素生產率和技術進步率。（3）人才應用適度，鼓勵高層次創新。對于基礎工作人員，注重實際操作技能和專業知識的結合，加強培訓與基礎技能提升，避免高學歷人力資本的浪費，同時注重高層次人才培養，推動創新和新技術的應用，提高物流業整體效率。（4）促進區域合作，形成優勢互補。東部沿海地區應與中西部地區加強合作，分享先進的數字經濟和物流技術經驗，共同推動全國物流業的持續與高質量發展。通過政策引導發揮不同地區的地理、產業、人才與技術的優勢，提升整體技術效率和物流業全要素生產率。

參考文獻：

[1] 李長江. 關于數字經濟內涵的初步探討[J]. 電子政務，2017（9）：84-92.

[2] 劉宏松，程海燁. 跨境數據流動的全球治理——進展、趨勢與中國路徑[J]. 國際展望，2020，12（6）：65-88，148-149.

[3] 郭吉濤，梁爽. 數字經濟對中國全要素生產率的影響機理：提升效應還是抑制效果？[J]. 南方經濟，2021（10）：9-27.

[4] 陳曉東，楊曉霞. 數字經濟發展對產業結構升級的影響——基于灰關聯熵與耗散結構理論的研究[J]. 改革，2021（3）：26-39.

[5] 溫珺，閻志軍，程愚. 數字經濟與區域創新能力的提升[J]. 經濟問題探索，2019（11）：112-124.

[6] 馬中東，寧朝山. 數字經濟、要素配置與制造業質量升級[J]. 經濟體制改革，2020（3）：24-30.

[7] 何雷華，王鳳，王長明. 數字經濟如何驅動中國鄉村振興？[J]. 經濟問題探索，2022（4）：1-18.

[8] 羅瑞，王琴梅. 中國城市數字經濟對物流業高質量發展的影響[J]. 城市問題，2022（6）：35-46.

[9] 蔣樹雷，張臻. 數字經濟發展與物流業產業升級——基于創新機制的檢驗[J]. 商業經濟研究，2020（22）：84-87.

[10] 謝欣雨，王健. 中國物流業與數字經濟融合水平的區域差異及動態演進[J]. 調研世界，2023（2）：33-46.

[11] 褚曉琳，賈揚帆，武曉婷. 基于投入產出技術的物流業數字化程度測度[J]. 統計與決策，2024，40（1）：86-90.

[12] 黃敦平，朱小雨. 我國數字經濟發展水平綜合評價及時空演變[J]. 統計與決策，2022，38（16）：103-107.

[13] 許憲春，張美慧. 中國數字經濟規模測算研究——基于國際比較的視角[J]. 中國工業經濟，2020（5）：23-41.