區域數字化水平對物流業綠色全要素生產率的影響研究

Abstract： In the era of \"carbon peaking and carbon neutrality\" regional digitization has brought new opportunities for the low -carbon development ofthe logistics industry. Basedon

Key words： Green Total Factor Productivity （GTFP） of the logisticsindustry;regional digitizationlevel; educational investment level;policy effect;econometricmodels

0引言

物流業作為國民經濟重要組成部分，能源消耗與碳排放量大，占全國碳排放總量的 9% ，是節能減排重點領域。在黨的二十大精神指引下，推動物流業綠色技術研發、產品創新，加速數字化與智能化應用，推廣綠色包裝，成為經濟社會發展和中國式現代化的重要課題。在數字化轉型浪潮下，鄒靜等研究發現數字經濟可以通過優化資源配置、產業結構及人才結構來提高GTFP；屠西偉等實證發現，企業數字化轉型可提高綠色技術創新與全要素生產率，實現碳減排并產生前向溢出效應。黃宜等研究發現農村數字化水平能有效降低農業碳排放強度，并且存在空間溢出效應；劉文俊等以A股上市制造企業為樣本，探討制造企業數字化轉型對企業GTFP的影響，研究發現數字化轉型能有效提升制造企業的GTFP。

現有文獻多聚焦數字經濟、環境規制等對GTFP的影響，較少探討數字化水平對GTFP的作用，且鮮有針對物流業數據的深度分析。本文邊際貢獻在于：（1）研究數字化水平提升對物流業綠色全要素生產率的影響，拓展成果；（2）深入剖析其影響機制、經濟效應與政策影響，提供新視角；（3）基于理論與實證，提出“雙碳”目標下數字化賦能GTFP的具體政策建議。

1理論分析與研究假說

1.1區域數字化水平對物流業GTFP的直接影響本文結合前人的研究，從數字基礎設施、數字人力水平和數字創新發展這三個維度對其展開評價。首先，數字物流融合基建是物流業發展的重點，需借助大數據、AI等技術改造傳統設施，推動高質量發展。其次，數字人力水平反映區域數字人才供給，復合型人才能促進產業融合與綠色創新，提升創新效率。最后，數字技術通過智能化、自動化、透明化和資源整合，全面優化物流全鏈條，顯著降低能源消耗和碳排放，推動行業向綠色、低碳方向轉型。因此，本文提出以下研究假設：

假設1：區域數字化水平正向影響物流業GTFP。

1.2作用機制

教育是人才培養及環保意識、綠色發展理念塑造的重要途徑。其一，教育投入能提升企業綠色技術創新能力，推動產學研發展，促進技術創新8。人才的引進不僅能帶來綠色專利技能，還能增強企業對外來知識的吸收能力，進而推動物流業GTFP的提升。其次，教育投入水平的提高能增加人力資本的積累，從而間接推動經濟增長，進而加劇地區競爭。因此，促進物流業綠色發展，教育投入水平至關重要。因此，本文提出以下研究假設：

假設2：區域數字化水平對物流業GTFP的影響受教育投入水平的調節作用。

1.3物流業GTFP在區域數字化水平與經濟發展水平間的中介效應

隨著大數據、云計算等數字技術與物流行業的深度融合，系統地建設智慧物流園區等新型物流基礎設施，進一步強化其在國民經濟中的基礎性產業地位和作用。物流業綠色發展推動綠色包裝、綠色倉儲、綠色運輸等各環節協同運行，為上下游企業提供更節能高效的服務，加快產品流通效率，助力企業擴大市場。此外，物流業的發展帶動產業鏈條的財富聚集，為國民經濟創造財富，改善勞動收入分配，并推動需求增加]。因此，本文提出以下研究假設：

假設3：物流業GTFP在區域數字化水平與經濟發展水平之間發揮中介作用。

1.4國家級大數據綜合試驗區政策對物流業GTFP的直接影響

自國家級大數據綜合試驗區政策實施以來，在試驗區內，各種前沿技術和創新模式得到廣泛應用和深度探究，大數據綜合試驗區將帶來經濟推動效應、技術創新效應和環境改善效應。在經濟推動方面，學者們認為國家級大數據綜合試驗區可以對城市經濟等產生積極影響[。在技術創新方面，崔建軍等[3發現大數據綜合試驗區建立對企業綠色技術創新具有顯著驅動力。在環境改善方面，Weietal.研究發現大數據綜合試驗區通過優化資本和勞動力配置對GTFP產生積極影響，并且存在區域異質性。因此，本文提出以下研究假設：

圖1作用機制圖

假設4：國家級大數據綜合試驗區政策能夠提升物流業綠色全要素生產率。

根據上述4個假設，繪制如圖1所示的作用機制圖。

2研究設計

2.1 模型構建

為探究假設1區域數字化水平對GTFP影響，構建基準回歸模型如下：

式中： ?GTFP_it 表示 i 省 （市）在 Φ_t 年的物流業綠色全要素生產率； Dig_it 表示 i 省 （市）在 χ_t 年的區域數字化水平；Controlu表示各個控制變量； μ_i 表示個體固定效應； δ_ι 表示時間固定效應； ε_it 表示隨機擾動項。

為驗證假設2間接作用機制，構建調節效應模型如下：

式中： 表示調節變量，其余表達式含義同上。

為驗證假設3物流業GTFP的機制作用，構建中介效應模型如下：

LnGdp_it=γ₀+γ₁Dig_it+γ₂GTFP_it+γ₃Control_it+μ_i+δ_t+ε_it

其中： GTFP_it 為中介變量， LnGdp_it 為因變量，其余表達式含義同上。

為檢驗假設4的政策效應，參考邱子迅等5構建多時點雙重差分模型如下：

鑒于兩次大數據試驗區試點均在2016年獲批，故將 2016年定為政策時間節點。為消除個體差異和時間差異，本文在多時點雙重差分模型中引入地區固定效應和時間固定效應。 DiD_it 表示在 χ_t 年的 i 省（市）中是否設立國家級大數據綜合試驗區（設立值為1，反之為0）， η₀ 為常數項， η₁ 為政策影響系數， η₂ 為控制變量的估計系數，其余表達式含義同上。

2.2指標選取

2.2.1被解釋變量：物流業綠色全要素生產率 （GTFP ）

借鑒成剛的研究方法，使用帶有非期望產出的超效率SBM模型來評估所有DMU的相對效率，但SBM模型無法描述物流業GTFP的動態變化趨勢，本文結合包含非期望產出的GML指數測量物流業GTFP。參考劉戰豫等研究，以“交通運輸、倉儲和郵政業”相關數據來表征物流業，指標選取如表1所示。

表1物流業GTFP指標體系

參考裴愷程等計算物流業終端能源消耗量，使用《中國能源統計年鑒》中的“交通運輸、倉儲和郵政業”的一次能源消耗量作為能源投入，通過《綜合能耗計算通則》中的能源轉換系數（見表2），將其轉換為萬噸標準煤并加總。

表2能源轉換系數表

參考馬飛等2研究，按表3對貨物周轉量和旅客周轉量進行換算。

表3不同運輸方式的綜合周轉量換算

參考余祖鵬等2研究，測算各省份物流業碳排放，具體計算如公式（6）所示，其中： E_i 表示物流業消耗的一次能源 i 的數量，12/44為二氧化碳中碳的質量分數，NCV表示平均低位發熱量，CEF表示碳排放系數，COF表示碳氧化因子，具體數值見表2。

此外，考慮到GML指數只反映GTFP的增長情況，而非其本身，因此，借鑒邱斌等2以2013年為基期，令2013年的GTFP為1，其他年份的GTFP為當年GML指數和上一年GTFP的乘積。

2.2.2解釋變量：區域數字化水平 （Dig ）

本文參考陳懷超等23研究，從數字基礎設施、數字人力水平和數字創新發展3個維度，并借助熵值法測算區域數字化水平。區域數字化水平指標體系如表4所示。

2.2.3機制變量：教育投入水平 （lnEdu ）

考慮到我國教育投入的 80% 以上為財政投人，參考劉玉萍等24的方法，采用地方財政教育支出占地區生產總值比重來衡量。

2.2.4 控制變量

外商直接投資 （Fdi） ：以外商企業投資總額占地區生產總值的比重衡量，其影響機制復雜，對物流業綠色發展的影響存在不確定性。

人力資本水平 （Hhg^） ：以人均受教育年限表示。

能源消費結構 （Fcs） ：以[1-煤炭消費量/能源消費總量（以標準煤計）]公式衡量。清潔能源結構可推動物流運輸綠色能源使用，促進物流業綠色發展。

表4區域數字化水平指標體系

城鎮化水平 （Urb） ：以城鎮人口占年末常住人口的比重衡量，可改善居民的生活方式，通過影響物流網絡結構等進而影響

2.2.5數據來源與描述性統計

數據主要來源于《中國能源統計年鑒》、《CEADs中國碳核算數據庫》、《中國統計年鑒》、《中國第三產業統計年鑒》及各省份統計年鑒。對于部分缺失的數據，采用線性插值法補全。描述性統計結果如表5所示。

3實證結果與分析

3.1基準回歸

表6中Dig系數均顯著為正，說明區域數字化水平

表5描述性統計結果

能夠顯著提升物流業GTFP，且加入控制變量之后，系數依舊顯著為正，且總體變大，假設1成立。說明隨著數字技術發展，新興技術與現代物流高度融合，實現物流體系數字化、智能化，進而提升物流業整體的可持續性，促進綠色發展。

表6基準回歸結果

注：***、 ** 與 * 分別表示在 1% ！ 5% 和 10% 的水平上顯著；括號中的數值為標準差。

3.2機制分析

本文采用調節效應模型檢驗教育投人水平的機制作用，檢驗結果如表7所示。

表7調節效應檢驗結果

注：***、 ^** 與*分別表示在 1% 、 5% 和 10% 的水平上顯著；括號中的數值為標準差。

在表7中，列（2）結果顯示，教育投入水平和數字化水平與教育投人水平的交互項均顯著為正。說明教育投入水平對物流業GTFP具有促進作用，同時，在數字化水平促進物流業GTFP的過程中可產生正向調節作用，即隨著教育投入水平的提高，數字化水平對物流業GTFP的促進作用就更明顯。假設2成立。

3.3 經濟后果分析

本文采用中介效應模型檢驗物流業GTFP的中介作用，回歸結果如表8所示。

表8中介效應檢驗結果

注：***、 ^** 與 * 分別表示在 1% 、 5% 和 10% 的水平上顯著；括號中的數值為標準差。

在表8中，列（1）表明數字化水平對地區經濟發展水平具有積極影響，列（2）展示數字化水平對GTFP的影響，回歸系數亦顯著為正，列（3）引入中介變量，此時GTFP的回歸系數為0.028，數字化水平的回歸系數為0.237，且小于列（1）中的0.266，可判定存在部分中介效應。這說明地區經濟發展可以依靠區域數字化發展和物流業綠色發展來推動，假設3成立。

3.4條件異質性檢驗

考慮到我國不同地區間的環境條件與資源稟賦存在差異，本文參照國家統計局將我國劃分為東部、中部、西部和東北四個經濟區域，來探究地區差異性特征。回歸結果如表9所示。

在東部和東北地區，數字化水平對物流業GTFP影響不顯著，但在西部顯著為正，說明西部數字化對物流業GTFP促進作用強，這得益于國家的重視。近年來，國家發改委出臺規劃，推動西部陸海新通道數字化、綠色化發展。中部地區估計系數顯著為負，可能因地處交通核心，貨物退換、遷回運輸等物流活動頻繁，影響綠色全要素生產率提升。

表9地區異質性檢驗結果

注：***、**與 分別表示在 1% ！ 5% 和 10% 的水平上顯著；括號中的數值為標準差。

3.5穩健性與內生性檢驗

不同時段結論或有異，樣本量少則檢驗效能不足。為此，本文采用縮短時間范圍進行穩健性檢驗，將樣本年限定為2013—2020年。在表10列（1）中可見，回歸結果在 1% 的顯著水平上為正，這說明基準回歸具有較好的穩健性；參考柳卸林等[25學者的研究，以互聯網普及率替代原自變量衡量數字化水平，回歸結果如列（2）所示，在 5% 水平顯著為正，表明數字化仍能提升物流業GTFP，驗證了基準回歸的可靠性。

表10穩健性檢驗和內生性檢驗結果

注：***、 ^** 與*分別表示在 1% 、 5% 和 10% 的水平上顯著；括號中的數值為標準差。

為減弱反向因果干擾，參考郭家堂等[2以滯后一期解釋變量為工具變量進行內生性檢驗。表10列（3）、列（4）顯示，工具變量對物流業GTFP有顯著正向影響，表明其與內生變量相關性強。Anderson LM統計量為243.085，在 1% 水平顯著，說明工具變量可識別。Cragg-DonaldWaldF統計量大于 Stock-Yogol0% 臨界值16.380，無弱工具變量問題。為防模型遺漏變量，本文引入產業結構水平 ?Str ，以第三產業增加值占地區生產總值比重衡量）為新控制變量。回歸結果如表10列5顯示，數字化水平系數為1.000（ _plt;0.01） ，與基準回歸結論相符。

3.6政策效應分析

3.6.1多時點雙重差分模型檢驗

本文選取數字化水平較高的10個地區，運用多時點雙重差分法實證分析。依據國家發改委名單，以2016年10月人選國家級大數據綜合試驗區的北京、上海、河南、廣東為實驗組，6個非試點省級行政區為控制組。大數據綜合試驗區政策效應如表11所示。

回歸結果顯示，無論是否加入控制變量，解釋變量系數均在 1% 水平顯著，表明設立大數據綜合試驗區顯著促進物流業綠色發展，假設4成立。試驗區能推動物流業數字化、智能化升級，實時監測分析能耗、碳排放等環境指標，構建更環保高效的物流體系。

3.6.2平行趨勢檢驗

為確保雙重差分模型適用性，本文以2016年大數據試驗區批復為基準，進行“前四后四”平行趨勢檢驗。檢驗結果見圖2。結果顯示，政策實施前實驗組與控制組物流業GTFP無顯著差異，政策實施后則呈現顯著差異，表明設立國家級大數據綜合試驗區顯著促進物流業GTFP提升。樣本通過平行趨勢檢驗，多時點雙重差分模型適用本研究。

3.6.3 安慰劑檢驗

為確保結果穩健并排除同期其他政策或不可觀測因素干擾，本文開展安慰劑檢驗：隨機劃分實驗組與對照組，重復基準回歸500次，生成模擬DID系數密度分布圖（見圖3）。結果顯示，500個觀測值呈以0為中心的正態分布，表明其他政策或非觀測因素無顯著影響，研究通過安慰劑檢驗。

注：空心點表示式5的估計系數 η₁ ，短虛線表示聚類到城市層面的穩健標準誤對應的 95% 上下置信區間。

圖2平行趨勢檢驗

圖3安慰劑檢驗

注：***、**與*分別表示在 1% 、 5% 和 10% 的水平上顯著；括號中的數值為標準差。

4結論及政策建議

本文基于2013—2022年我國30省份面板數據，實證發現區域數字化水平能提升物流業GTFP，結論經穩健性與內生性檢驗后依然可靠。區域異質性分析顯示，西部地區數字化對物流業GTFP的提升更顯著。此外，教育投入水平起正向調節作用，數字化通過提升物流業GTFP推動經濟發展，且設立國家級大數據綜合試驗區顯著促進了物流業綠色發展。

基于研究，本文提出三方面對策：（1）加快物流基建現代化：推進國家物流樞紐建設，構建“數字產業 .+ 物流 + 生態”新型產業互聯網體系，增強社會創新與生產力。（2）實施大數據發展戰略：加大數字經濟投資，深化其滲透力，構建企業協同創新生態，培育數據產業集聚區，并強化政策、技術、人才等保障。（3）激發人才資源潛力：優化人才政策，提供資金、落戶、住房等支持，改善待遇與環境，構建長效發展機制，明確晉升路徑，夯實數字化創新與城市綠色轉型的人才基礎。

參考文獻：

[1]鄒靜，王強，鄢慧麗，等.數字經濟如何影響綠色全要素生產率？——來自中國地級市的證據[J].軟科學，2024，38（3）：44-52.

[2]屠西偉，張平淡．企業數字化轉型、碳排放與供應鏈溢出[J].中國工業經濟，2024（4）：133-151.

[3] 黃宜，李昕，池江濤，等．農村數字化對農業碳排放強度的空間溢出及門檻效應研究[J].昆明理工大學學報（自然科學版），2024，49（1）：180-191.

[4]劉文俊，彭慧．區域制造企業數字化轉型影響綠色全要素生產率的空間效應[J].經濟地理，2023，43（6）：33-44.

[5]薛陽，郭世樂，馮銀虎．長江經濟帶數字物流與物流高質量發展[J].華東經濟管理，2024，38（3）：23-34.

[6] 黃濤．科技創新人才集聚對物流業綠色全要素生產率的影響——兼論空間效應與門檻特征[J].技術經濟與管理研究，2024（5）：110-116.

[7]汪旭暉，謝尋.數字科技創新引領物流業綠色低碳轉型的機制與路徑——基于京東物流的案例研究[J].經濟與管理研究，

2024，45（5）：21-40.

[8]邵興東，余志鵬．高等教育投入、技術創新與經濟增長動態關系研究[J].黑龍江高教研究，2020，38（10）：51-57.

[9]楊伊，胡俊男，譚寧．高等教育投入、人力資本結構對區域經濟增長影響的外溢性研究[J]．黑龍江高教研究，2021，39（9）：36-44.

[10]劉帥，武宇超．智慧物流園區對城市經濟高質量發展影響研究——基于DID方法的實證分析[J]．中國礦業大學學報（社會科學版），2023，25（6）：105-124.

[11]劉秀．智慧物流對區域綠色經濟發展的影響及作用機制——基于長江經濟帶的實證[J]．商業經濟研究，2023（2）：97-100.

[12]楊玉琪，王小華．數字化賦能與城市經濟高質量發展——基于國家級大數據綜合試驗區的準自然實驗[J].經濟問題探索，2023（12）：105-123.

[13]崔建軍，雍雁嵐，王少輝．國家級大數據綜合試驗區與企業綠色技術創新[J].經濟問題探索，2023（12）：37-59.

[14]WEI JY，ZHANG XW.Theroleofbigdatainpromoting gree development：Basedonthequasi-naturalexperimentofthebigdataexperimentalzone[J].International JournalofEnvironmentalResearchandPublicHealth，2O23，20（5）：4097.

[15]邱子迅，周亞虹.數字經濟發展與地區全要素生產率——基于國家級大數據綜合試驗區的分析[J].財經研究，2021，47（7）：4-17.

[16]成剛.數據包絡分析方法與MaxDEA軟件[M].北京：知識產權出版社，2014.

[17]OHD.AglobalMalmquist-Luenbergerproductivityindex[J].Journalof ProductivityAnalysis，2010，34（2）：18-197.

[18]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.

[19]裴愷程，穆懷中.環境規制對物流業綠色發展的影響研究——來自京津冀地區的實證檢驗[].工業技術經濟，2021，40（5）：107-114.

[20]馬飛，胡江艷，孫啟鵬，等．中國省際物流業碳排放績效測度及驅動因素研究[J]．生態經濟，2021，37（9）：27-33.

[21]余祖鵬，王孝行.流通數字化對流通產業碳排放的影響與作用機制[J]中國流通經濟，2023，37（12）：26-35.

[22]邱斌，楊帥，辛培江.FDI技術溢出渠道與中國制造業生產率增長研究：基于面板數據的分析[J].世界經濟，2008（8）：20-31.

[23]陳懷超，田曉煜，范建紅.數字經濟、人才數字素養與制造業結構升級的互動關系——基于省級面板數據的PVAR 分析［[J]科技進步與對策，2022.39（19）：49-58.

[24]劉玉萍，李裕良．中國教育投入的非均衡性與動態變化[J].統計與決策，2022，38（15）：60-65.

[25]柳卸林，張文逸，葛爽，等．數字化是否有利于縮小城市間發展差距？——基于283個城市的實證研究[J].科學學與科學技術管理，2021，42（6）：102-113.

[26]郭家堂，駱品亮．互聯網對中國全要素生產率有促進作用嗎？[J].管理世界，2016（10）：34-49.