低碳约束下物流产业全要素生产率的空间分异及时空演化

陈文新　潘　宇（石河子大学，五家渠 831300）（兵团经济研究所，乌鲁木齐 830000）

低碳约束下物流产业全要素生产率的空间分异及时空演化

陈文新1，2潘宇11
（石河子大学，五家渠 831300）2（兵团经济研究所，乌鲁木齐 830000）

本文基于非参数DEA-Malmquist指数方法，对我国30个省2005～2014年低碳约束下物流业全要素生产率（TFP）进行测度，分析其结构及总体演化趋势，并运用探索性空间数据分析（ESDA）方法及时空跃迁测度法描述其在空间格局上的演化过程，最后运用证实性空间数据分析（CSDA）方法进行影响因素分析。研究表明:样本年内我国低碳物流全要素生产率的增长呈螺旋式缓慢上升，但各生产要素存在较大提升空间，进步缓慢的原因主要在于技术进步，能源结构等生产要素的利用效率无明显改善。从空间上看，各省低碳物流效率存在显著关联性特征，但其与能源投入水平未能一致，存在空间异质性。因此调整能源消费结构，实施差异化物流减排策略是当务之急。

低碳约束 非参数DEA-Malmquist指数 探索性空间数据分析 全要素生产率

引 言

近年来，我国能源环境压力不断增大，为了实现能耗少、排放低的可持续发展模式，社会各界开始重视发展低碳经济。我国“十三五”规划中明确提出要大力提高能源开发利用率，降低碳排放强度，主张生产生活方式绿色化。在经济发展的转型期，作为国家十大振兴规划产业之一的物流业，是我国目前能源消耗和碳排放的大户。根据国家统计局公布的分行业能源消费数据来看，2005～2014年物流业一次能源消耗量从17449.91万吨标准煤增长到31213.95万吨标准煤，平均增长79%，与同期物流业增加值年均增速基本持平。其中各类油品的消耗居各行业之首，全国90%以上的汽油和60%以上的柴油均被物流业所消耗［1］。高能源消耗必然带来更多高污染等温室气体的排放，我国碳排放量从2005年7258.98万吨增长到2014年的12739.69万吨，增长率高达76%。我国五大行业的碳强度都有不同程度的下降，而物流业却呈现出持续上升的趋势，该行业已经成为五大行业中唯一碳排放比例持续上升的部门［2］。

2015年《政府工作报告》及中央财经领导小组会议中多次强调提高全要素生产率是供给侧改革的核心，通过“增加研发投入，提高全要素生产率”。据此如何提高我国各行业全要素生产率，成为中外专家探讨的重要议题。而作为经济发展“加速器”的物流业，在“供给侧”改革的大潮中势必要积极进行产业升级，物流业要持续健康稳定发展，不能一再的走“高投入，高产出，高污染”的老套路，如何结合我国目前的国情在能源消耗与碳排放的约束下改善物流活动的技术效率、提高规模效率，提升我国整体物流活动的全要素生产率，推进“低碳物流”的快速发展就显得尤为重要。

关于物流效率的研究，国内近几年已有越来越多的学者开始意识到资源环境的约束性，何波（2012）［3］通过构建绿色物流网络测算环境质量与物流成本之间的效率边界。唐建荣等人（2013）［4］运用三阶段DEA模型在碳排放视角下对我国东部十省物流业技术效率进行测定。李进（2015）［5］提出通过可信性的低碳物流网络优化设计来控制碳排放。关于投入产出变量的选取，大多研究则主要侧重于物质资本存量、人力资本存量及产出值［6，7］。关于物流效率的研究主体，国内外研究主要立足于:物流企业效率（张毅等（2013）［8］、Min、Joo（2006）［9］）、港口物流效率（李谭等（2012）［10］）以及农产品物流效率（汪旭晖等（2015）［11］）上。通过对现有研究成果梳理得出:（1）虽然已有不少学者将资源环境约束纳入物流产业发展影响因素考虑，但少有将其纳入物流全要素生产率分析框架进行核算，并且未将能源投入和碳排放因素计入其中，难以反映中国物流业真实的生产率现状。（2）在对物流产业效率展开研究过程中，只关注效率值，没有进一步对物流效率值的影响因素进行定量分析，更少有文献进行空间维度的分析，使研究价值受到极大制约。（3）对于实证角度的研究则主要集中于物流活动的各项职能，而物流业的“效益背反”现象需要我们把视角放在整个物流行业的角度才更有意义。关于物流效率的测定方式，当前最常用的是DEA数据包络分析法、SFA随机前沿生产函数法、超越对数法和柯布——道格拉斯生产函数等方法［12-15］，而较少采用DEA-Malmquist指数方法，该方法优点是不需要对投入与产出变量、无效率项、行为目标进行设定，适用于多地区多时间的面板数据分析。

基于上述分析，本文在借鉴前人研究的基础上，针对现有文献的研究不足，尝试以2005～2014年全国30个省、市、自治区（不包括西藏、港澳台地区）为研究对象，将能源消耗作为投入变量，碳排放量作为非期望产出运用非参数DEA -Malmquist指数方法构建了在低碳约束下的省域物流产业全要素生产率（TFP）测算体系。随后通过探索性空间数据分析方法，分析省域物流业TFP在空间上的溢出效应，并对物流业TFP的空间演化过程进行全局和局部自相关分析。最后运用证实性空间数据分析（CSDA）方法建立空间计量模型对物流业TFP影响因素进行分析，期望获得更科学合理全面的结论，推动区域物流持续高效发展。

1　研究方法与数据来源

1.1Malmquist生产率指数模型

为了避免强加的约束或者无端地选择两个技术中一个的需要，依照Fisher（1922）［16］和Caves（1982）［17］的思路Malmquist TFP指数被定义为两个指数的几何平均，具体形式如下:

式中，x和y分别表示投入和产出要素在t时期和t+1时期的变量，dt0和dt+10分别表示以技术Tt和Tt+1为参照的t时期及t+1时期决策单元的距离函数。当M（xt+1，yt+1，xt，yt）＞1时，说明相对于前一期来说后一期的全要素生产率是增长的，反之下降。

在此后的实证分析中普遍采用Fare等（1994）［18］构建的DEA-Malmquist指数分析方法，假设规模报酬不变，将全要素生产率变化（TFPCH）进一步分解为技术效率变动（EFFCH）和技术进步（TECH），其中技术效率变动指数（EFFCH）又可以表示为纯技术效率（PECH）和规模效率（SECH）的积，见下式:

其中，M（xt+1，yt+1，xt，yt）＞1生产率水平有所提高，M（xt+1，yt+1，xt，yt）＜1生产率水平下降，EFFCH＞1表示DMU与生产前沿面的距离在t+1期比t期有所减小，距离目标值更为接近，效率逐步提升；TECH＞1表示技术得到改进，TECH＜1表示技术效率下降，PECH＞1表示纯技术效率变化得到改善，管理行为优化从而效率提高，SECH＞1表示随着时间的推移规模效率不断靠近最优。为了便于比较，规模报酬不变是目前各大行业TFP测度采用的主要研究方法，因此，这里采用规模报酬不变的投入导向型DEA-Malmquist指数分析方法。

1.2探索性空间数据分析

1.2.1全局空间自相关分析

本文引用Global Moran’s I指数，通过测度省域层面上的相似性或差异性来分析物流发展效率省域单元在空间上的分布规律和相互作用机制，其计算公式如下:

其中n表示空间单元个数，当区域i与区域j相邻或有共同顶点时wij=1，否则wij=0，当i=j时，wij也为0。标准化后的Global Moran’s I统计量为:

Z服从标准正态分布。在给定显著性程度时，当Moran’s I＞0时，表示该地区总体相关性为正，相似属性在地区内呈现空间集聚态势，值越接近于1，总体空间异质性越小；当Moran’s I＜0时，则表明该地区总体相关性为负，与其周边地区存在显著的差异，值越趋近负1，总体空间异质性越大。当且仅当Moran’s I接近期望值-1/（n-1）时，各观测值表现出相互独立，且服从空间随机分布，此时该区域的差异才能用传统方法度量。Global Moran’s I统计量只说明区域物流业效率水平在空间上的平均差异程度，不能反映区域物流效率水平的局部空间差异。

1.2.2局部空间自相关分析

通过分析和测算空间自相关空间关联局域指标（Local Indicators of Spatial As-sociation，LISA）和显著性水平，采用Moran散点图、Local Moran’s I统计量来分析每个省份相对于周边地区的空间模式、差异化水平以及显著性，它是对Global Moran’s I统计量的分解。对第i个区域而言，其形式为:

式中，Xi、Xj为空间单元i、j上的观测值，n为空间单元的数量。

2　指标选取与数据来源

物流业是融合运输业、仓储业、邮政、货代业和信息业等复合型服务产业，作为近几年才取得蓬勃发展的新兴产业，目前在各国产业分类体系中都没有涉及。从国家发展和改革委公布统计数据来看，交通运输、仓储和邮政业增加值占物流业增加值的85%以上，基本能代表中国物流产业的情况，所以本文以此作为物流业的代替指标具有一定的可靠性，指标体系选取（见表1）。

表1　物流业全要素生产率评价指标体系

2.1产出指标

①经济产出:物流业增加值是衡量物流业发展水平的首要指标。本文选取交通运输、仓储和邮政3个行业的GDP增加值汇总作为经济产出指标。

②规模产出:本文借鉴马越越［22］计算方法，将货物和旅客周转量折算成“综合周转量”作为规模产出指标，计算方法见表2，此法已得到普遍的应用。

表2　综合周转量计算方法

2.2投入指标

①资本投入:目前国内大多学者采用永续盘存法进行测算，但该方法存在关键指标无统一定论且省域数据受限等缺点，测算结果难免产生较大偏误。本文借鉴刘秉镰（2006）［23］、邓学平（2008）［24］的方法，选取物流业固定资产投资作为资本投入量。

②劳动力投入:由于劳动收入很难准确反映劳动投入的变化，并且还缺乏相关的统计资料。鉴于此本文选用各省交通运输仓储和邮政业就业人员数作为人力资本投入指标。

③能源投入:选取交通运输、仓储和邮政业中消耗量比例最大的7项能源（煤炭、汽油、煤油、柴油、燃料油、液化石油气和天然气）的一次能源消费量统一折算成标准煤加总后作为能源投入。

2.3非期望投入

物流业碳排放:采用物流产业运作过程中产生的碳排放作为投入指标，需要说明的是碳排放作为一种“坏”产出本该作为非期望产出指标的，但由于在数据包络分析中一般将“坏”产出作为投入指标处理，数值越小越好。所以此处将非期望产出碳排放作为一种负向的投入指标来分析。目前各行业碳排放量大多是通过估算得到的，根据IPCC提供的碳排放估算方法，采用下述公式计算碳排放量:

其中，ei表示第i种能源消费量，i=1，2，…，7代表煤炭、汽油、煤油、柴油、燃料油、天然气和电力，NCVi为各种能源的平均低位发热量，CEFi为碳排放系数，COFi是碳氧化因子（IPCC默认值为1），44和12为二氧化碳和碳的分子量。本文的数据主要来自2004～2015年《中国统计年鉴》、《中国能源统计年鉴》，上述变量凡是受到价格因素影响的指标，在后面做实证分析时都转化为以2005年不变价格折算后的数值进行统计和回归分析。

3　实证结果分析

3.1低碳物流TFP评价分析

根据上述构建的物流全要素生产率效率评价指标体系，利用公式（1）采用我国30个省份2005～2014年物流活动的投入产出面板数据，运用Deap2.1测算我国各省物流活动效率在低碳约束下的变动情况（见表3）。

表3　低碳约束下我国物流业TFP指数及其分解结果

图1　2005～2014年我国物流业TFP年均增长率变化趋势

从表3和图1可以看出2005～2014年，当考虑碳排放时我国省域物流业全要素生产率总体呈现波浪型摆动上升趋势，说明在低碳约束下，我国物流业TFP指数逐年提高。2008～2009年、2012～2013年出现了相对较大幅度的下降，其主要原因是同年技术效率和技术进步的下降，使得综合技术效率变化指数下降，原因可能是2008年爆发全球经济危机，整体经济出现下滑的趋势，物流产业作为各行业的桥梁，掌握进出口的关键环节，在经济危机中受到冲击而使生产率指数下降。2012～2013年同样是由于技术进步变化指数的下降导致整体TFP指数不理想，其原因是由于2012年物流业油品终端消费量增加使得碳排放量也随之增长，最终导致整体物流业TFP指数的下滑，可见碳排放对整体物流业有显著影响，其余年份TFP指数均呈上升趋势。

从平均全要素生产率增长情况来看，2005～2014年，平均增长了-0.15%，这主要是由于样本年内两次大幅度的技术进步增长率下滑所带来的影响。这一定程度上反映出目前我国各省市可能存在着物流业能源投入过多产出不理想的情况，各省区之间缺乏统一规划和统一协调，使得行业整体抵御外部因素干扰的能力较弱。具体分解来看样本年内，技术进步指数平均下降了0.575%，可见我国物流业技术进步增速缓慢，技术进步已经成为阻碍我国物流活动效率改进的主要绊脚石，是近年来我国物流业发展较快却大而不强的根源，说明现阶段我国物流发展的重心在于技术创新、优化外部运营环境、提高综合管理水平、充分发挥资源投入的效力。这与刘军等［25］学者的研究结论一致。样本年内，综合技术效率年均增长率为0.475%，但自2011年后不断下降，说明2011年后我国物流物资投入并没有得到充分有效的利用，存在资源配置效率的损失。但由于物流技术效率增长幅度不及技术进步的下降幅度，最终我国样本年内物流活动效率整体水平下降。

表4　2005～2014年我国30个省物流业TFP 指数及其分解结果

续表

当分地区具体分析时，我国30个省市2005～2014年低碳物流全要素生产率指数及其增长率如表4所示。总体上我国物流效率值提升的省份占全国40%，主要集中在我国东部和西部地区，东西部TFP指数平均增长率为0.064%、0.091%，主要是因为2005年以来物流业进入一个新的政策驱动周期，国务院相继印发了《关于物流业调整和振兴规划的通知》和《物流业发展中长期规划（2014～2020年）》，出台了《关于促进物流业健康发展政策措施的意见》，各省也结合可持续发展概况相继出台了本地区的物流发展规划纲要，相关政策引致一系列乘数效应，加之近年来我国电商的迅猛发展给物流业带来了新飞跃，促进物流业技术和效率的提高。全国及中部地区平均增长率呈下降趋势，其余各省所处效率区间相对稳定，增长率较平稳。可见我国大部分地区低碳约束下物流产业整体发展水平偏低，存在较大的效率提升空间。

3.2空间自相关检验

3.2.1全局空间自相关结果分析

本文利用Geoda 1.6.0和ArcGis 10.0软件对数据进行分析，选择蒙塔卡罗999次模拟检验全局Moran’s I指数的显著性，表5列示了全局Moran指数计算结果。

表5　2005～2014年我国省域物流业全局自相关检验结果

从表5可以得出，样本年内我国省域物流业TFP的全局Moran’s I指数均是正数，且全部通过5%显著性检验，除了2008～2009年、2012～2013年、2013～2014年外其余年份Moran’s I均在0.2以上波动，显著偏离随机分布。这说明在样本年内我国物流业在低碳约束下全要素生产率呈现出显著的全局空间正相关，样本值趋于空间集聚。同时，根据时间序列变化可以看出，全局Moran’s I指数在样本年内，大致呈现螺旋上升的趋势，由2005年的0.1745增加至2014年的0.2123。这表明样本年内我国物流业全要素生产率整体上空间自相关性不断增强。

从空间分布上看，根据全局Moran’s I分布的各时间段特征，按照各省域TFP指数用自然间断点分级法（Jenks）进行分级，绘制2005～2006年和2013～2014年我国省区物流业的全要素生产率指数的空间分布图（图略）。中国省区物流业TFP指数空间差异明显，总体呈南高北底的特征: 2005年上海、江苏、浙江、北京物流全要素生产率较高，主要分布在长三角、京津冀地区，华南、华中地区次之，西北地区最低。2014年除了原有效率值较高地区外，新增云南、广西、重庆、海南四省物流全要素生产效率值有所增长，西北地区效率值最低。

3.2.2局部空间自相关结果分析

为了进一步揭示我国省域物流业全要素生产率的空间集聚状态及其空间分布高低水平，利用研究局域空间的相关性的局部Moran散点图（见图2）和时空跃迁测度法对该指标进行局部空间自相关分析。

图2　2005～2014年我国物流业TFP指数Moran’s I散点图

通过对Moran散点图的观察，可以发现我国物流业全要素生产率集群被分成了4个相互关联的空间模式。大部分省份位于第一象限（HH）和第三象限（LL），说明大部分省份间存在正向的空间自相关性，即物流TFP值高的地区被其余高TFP值地区环绕，反之低低省域环绕。从2005～2014年Moran散点图的变化来看，Moran散点拟合直线的斜率在逐年增加，说明各省市之间的空间自相关性在随时间的变化逐渐增强。

为了进一步发现我国物流业全要素生产率的空间动态跃迁及时空演化过程，本文采用Rey［26］使用的时空跃迁测度法，将全国30个省份划分为4类，通过对各省市在不同时间对应类型所包含省市数量的变化来展现其在时空上的跃迁规律。其中Ⅰ型表示某一省区的相对位移的跃迁即自身效率值的变动，如HH→LH；Ⅱ型表示相关空间上相邻省域的跃迁即某一省份周边地区效率值发生变动，如LH→LL；Ⅲ型表示某一省区及其相邻省区同时发生跃迁即效率值同时发生变动，如HL→LH；Ⅳ型表示均保持稳定即效率值不变，如HH→HH。整个跃迁变动过程可用时空跃迁矩阵来表示（见表6）。

表6　2005～2014年我国省域物流TFP 指数时空跃迁类型

从表6可以看出，2005～2014年的3个时段里，最具代表性的跃迁类型是Ⅳ类型，该类型省市数量所占比重较大平均占比40%以上，这表明我国各省市物流业全要素生产率的分布具有较明显的空间锁定及路径依赖性。3个时段中跃迁至LL类型的省区数量不断增加，从10%增长到30%，说明在低碳约束下我国物流业全要素生产率偏低的省份有进一步聚集的趋势。相比之下，跃迁至HH类型的省市数量明显较多，比重分别达到47%、40%、57%，表明我国物流业全要素生产率高的省市集聚程度也较大。

4　影响因素分析

前述分析表明，我国物流业在低碳约束下的全要素生产率在空间上具有显著的的正向相关性，说明我国物流效率值在空间上并非是任意分布的，而是表现出明显的空间依赖性和溢出效应。因此结合物流业自身特性及我国物流业全要素生产率的空间分布情况，选取我国省域物流业低碳全要素生产率为被解释变量，运用证实性空间数据分析方法，对其进行影响因素分析。选取物流业人力资本存量、经济发展水平、能源结构、对外开放度、政府干预度作为影响物流业TFP的影响因素。具体指标选取如下:人力资本利用各省平均受教育年限衡量人力资本存量，计算过程如下:

平均受教育年限=（大专以上文化人数×16+高中文化人数×12+初中文化人数×9+小学文化人数×6+文盲人数×1）/6岁以上人口总数

采用实际人均GDP反映各地区经济运行水平与经济质量；选取物流产业主要能源消费总量与全社会客货运综合周转量的比值，即物流产业能源强度，来衡量物流业能源结构，由于理论上物流能源强度与物流效率成反比，因此计算时取倒数处理；对外开放水平对物流业的发展具有“双刃剑”作用，选取进出口总额与地区GDP的比值，来衡量各省市对外开放度。政府干预与物流资源的配置有密切的关系，采用财政支出占GDP比重作为政府干预度的代理指标。

4.1模型建立与估计

本文将空间相关性对物流全要素生产率的影响纳入空间计量模型，采用低碳约束下的物流TFP作为表征物流业效率的被解释变量，并选取2014年数据分析以上各因素变量如何影响我国低碳物流效率及其空间布局。建立空间滞后模型:

式中，Y为低碳物流全要素生产率，W为空间权重矩阵，ρ为空间效应系数，β=（β1，…，βk）′为参数向量，ε是随机误差项。

空间误差模型的表达式为:

式中，λ为空间误差相关系数，反应了相邻省份针对被解释变量的误差冲击对本省观察值的影响程度，μ是正态分布的随机误差项，β反映自变量对因变量的影响水平。

4.2实证结果分析

表7给出了OLS及空间计量模型的估计结果，分析发现空间误差模型的拟合优度为0.9861高于空间滞后模型拟合优度0.9842，对数似然值也大于SLM模型，且AIC和SC值都最小。根据空间依赖性检验结果显示，LMERR及R-LMERR检验显著，而LMLAG及R-LMLAG检验不显著，所以空间误差模型为最优模型。

表7　OLS与空间计量模型ML估计结果

从表7可以看出:人力资本在空间滞后模型及空间误差模型中对我国物流业效率的正向影响较大，在SEM模型中的系数为0.2189，可见知识密集型产业发展的关键因素是人力资本。经济发展水平为地区物流业效率的提升提供资金基础，对应指标是人均实际GDP，回归系数为0.0511通过了1%的显著性检验，说明我国经济运行质量与低碳物流效率有直接相关关系，经济发展水平每提高1个百分点，低碳物流效率就提高0.0511个百分点。政府干预影响因素在空间计量模型下的系数没有通过显著性检验，表明目前政府干预对我国物流业效率的影响不大。能源结构和对外开放水平在SEM模型中的系数都较小，说明各地区的物流业能源消费结构对物流整体效率值的影响程度较弱。其中对外开放度因素的系数通过了1%的显著性水平，在空间误差模型和空间滞后模型中的回归系数为-0.0243、-0.0241，这与传统的观念相悖，原因可能是对外开放水平高的地区，吸引先进技术、资金的同时会使物流业规模扩大导致能源消耗的增加，进而增加了物流业的碳排放量，最终导致低碳约束下，地区物流业效率值下降；但也从另一方面表明对外开放进程的推进要合理有序的进行，不能盲目进行，否则会对当地物流业产生负向影响，不利于区域经济的发展。

5　结论与建议

我国物流产业在近几年发展中开始陆续受到低碳化瓶颈的遏制，能源环境压力不断增大，面对未来国民经济低碳化转型的需求，低碳物流必将成为大势所趋，如何提高物流业全要素生产率具有十分重要的研究意义。

本文首先利用DEA-Malmquist指数方法，对我国30个省、市、自治区低碳全要素生产率、技术效率及其分解进行横向纵向的测度及对比分析，研究表明在2005～2014年间，我国低碳物流全要素生产率东西部增长较快，中部地区陷入物流发展停滞期，全国整体水平偏低，地区间存在发展不平衡，物流效率存在非常大的进步空间。其次运用探索性空间数据分析（ESDA）方法，从空间维度对我国低碳物流效率的空间溢出效应（空间自相关性）进行测度分析，结果表明我国省域低碳物流全要素生产率整体表现出集聚特征，相邻省份之间呈正相关居多。第三，在考虑空间溢出效应的基础上，运用空间计量模型分析我国低碳物流产业全要素生产率的影响因素，结果表明受教育程度、区域经济、能源消费结构、政府干预度均都对低碳物流全要素生产率产生促进作用，其中受教育程度和地区经济发展有较强影响，能源消费结构和对外开放度影响较弱。

基于上述结论，建议从以下三方面采取措施:（1）调整我国物流业的要素投入模式，建立物流产业碳减排的长效机制。重点从以下几方面着手:加强物流产业技术创新与信息化建设，积极获取政府政策与资金支持，推进物流设备研发改造，提高单位能耗产出，加强与各国之间的合作与交流，学习他国先进管理模式汲取经验，并与加强人才储备并行。（2）调整优化能源消费结构，降低能源消费强度。延伸物流价值链，提升相关产品附加值，从而提升物流产业能源效率。（3）结合各地的区域经济发展程度、能源消费结构、人力资本情况、对外开放水平及政策导向，将各省市物流业分为“高——高”、“低——高”、“低——低”、“高——低”型，根据各省市所属类别，实施差异化的减排策略，以此促进资源合理配置和有效利用，降低碳排放，实现物流业可持续发展。

［1］王锋，冯根福.中国碳强度对行业发展、能源效率及中间投入系数的弹性研究［J］.数量经济技术经济研究，2012，（5）:50～62

［2］张立国.物流业能源消耗与碳排放研究进展［J］.技术经济与管理研究，2016，（1）:119～123

［3］何波.绿色物流网络系统建模与效率边界分析［J］.中国管理科学，2012，（3）:138～144

［4］唐建荣，卢玲珠.低碳约束下的物流效率分析——以东部十省市为例［J］.中国流通经济，2013，（1）:40～47

［5］李进.基于可信性的低碳物流网络设计多目标模糊规划问题［J］.系统工程理论与实践，2015，（6）:1482～1492

［6］王蕾，薛国梁，张红丽.基于DEA分析法的新疆北疆现代物流效率分析［J］.资源科学，2014，（7）:1425～1433

［7］张中强.我国东部地区区域物流发展效率分析——以我国东部31个地市级地区为例［J］.中国社会科学院研究生院学报，2012，（1）:77～81

［8］张毅，牛冲槐，庞继芳.我国物流上市企业规模效率及影响因素研究［J］.数理统计与管理，2013，（3）:511～520

［9］Min，H.，Joo，S.J..Benchmarking the Operational Efficiency Logistics Providers Using Data Envelopment Analysis［J］.Supply Chain An Inteinational Journal，2006，11（3）:259～265

［10］李谭，王利，王瑜.辽宁省港口物流效率及其与腹地经济协同发展研究［J］.经济地理，2012，（9）:108～113

［11］汪旭晖，文静怡.我国农产品物流效率及其区域差异——基于省际面板数据的SFA分析［J］.当代经济管理，2015，（1）:26～32

［12］李晓梅，白雪飞.基于超效率CCR-DEA的国有物流企业绩效实证分析——基于16家上市物流企业的样本数据［J］.中国流通经济，2016，（4）:26～32

［13］余泳泽，刘秉镰.中国区域物流产业技术进步及其影响因素研究［J］.上海经济研究，2010，（10）:3～12

［14］田刚，李南.中国物流业技术效率差异及其影响因素研究——基于省级面板数据的实证分析［J］.科研管理，2011，（7）:34～44

［15］樊元，马丽梅.中国区域物流发展效率实证分析［J］.统计与决策，2012，（3）:113～116

［16］Fisher，I.The Making of Index Numbers［M］.Boston:Houghton Mifflin，1922

［17］Caves D.W.Christensen L.R.Diewert W.E..The Economic Theory of Index Numbers and the Measurement of Input，Output，and Productivity［J］.Econometrica，1982b，50（6）:1393～1414

［18］FareR.Grosskopf S.Lovell C.A.K..Production Frontier［M］Cambridge.MA:Cambridge University Press，1994

［19］王成金.中国物流企业的空间组织网络［J］.地理学报，2008，63（2）:135～146

［20］武剑，杨爱婷.基于ESDA和CSDA的京津冀区域经济空间结构实证分析［J］.中国软科学，2010，（3）:111～119

［21］谢守红，蔡海亚.中国物流产业的空间集聚及成因分析［J］.工业技术经济，2015，（4）:51～58

［22］马越越，王维国.中国物流业碳排放特征及其影响因素分析——基于LMDI分解技术［J］.数学的实践与认识，2013，（10）:31～42

［23］刘秉镰，李清彬.中国城市全要素生产率的动态实证分析: 1990～2006——基于DEA模型的Malmquist指数方法［J］.南开经济研究，2009，（3）:139～152

［24］邓学平，等.我国物流企业全要素生产率分析［J］.系统工程，2008，26（6）:1～9

［25］刘军，杨明.我国物流产业生产力成长与技术效率变动探析［J］.北京工商大学学报（社会科学版），2009，（6）:87～91

［26］ReyS.J..Spatial Empirics for Economic Growth and Convergence［J］Geographical Analysis，2001，33:195～214

Logistics Industry Total Factor Productivity Spatial Differentiation and Space-time Evolution at Low Carbon Constraints

Chen Wenxin1，2Pan Yu1
（1.Shihezi University，Wujiaqu 831300，China；2.Bintuan Economic Research Institute，Urumqi 830000，China）

Based on DEA-Malmquist index and nonparametric method，China’s 30 provinces from 2005 to 2014 low carbon logistics industry under the restriction of total factor productivity（TFP）is measured.This paper analyzes its structure and the general evolution trend，using exploratory spatial data analysis（ESDA）method and transition of time and measure method to describe the spatial pattern of evolution process.Finally it uses confirmatory spatial data analysis（CSDA）methods to analyze influencing factors.Research shows that: China’s low-carbon logistics total factor productivity growth spiraled slowly rising in the sample years，but there is a big room to improve，the progress is the reason mainly lies in the technological progress，energy structure and other factors of production efficiency has no obvious improvement.Seen from space，the provinces of low carbon logistics efficiency exist significant correlation characteristics，but its not consistent with the energy input levels，and there are spatial heterogeneity.So adjust the structure of energy consumption，implement differentiation logistics strategies to reduce emissions is a priority.

low carbon constraints；Non-parametric DEA-Malmquist index；exploratory spatial data analysis；total factor productivity

10.3969/j.issn.1004-910X.2016.11.007

F252.5

A

2016—05—03

新疆自治区人文社科重点研究基地，兵团屯垦经济研究中心2015年度招标立项重点项目“新常态下提升新疆经济质量问题研究”（项目编号:XJEDU2015B01）。

陈文新，石河子大学经济与管理学院教授，硕士生导师，兵团经济研究所所长。研究方向:管理统计、金融理论与政策。潘宇，石河子大学经济与管理学院硕士研究生。研究方向:管理统计、物流管理。

（责任编辑:王 平）