低碳环境下区域物流产业效率综合研究——基于长江大保护区域19个省的实证分析

(河海大学 商学院, 江苏 南京 211100)

一、引 言

长江是中国的经济枢纽、战略支撑和生态水源地,长江经济带已成为我国科技、经济及文化发展的先进地区。但长期的高速发展透支了长江的承载能力,致使生态环境面临严峻挑战。2016年,习近平总书记做出了“共抓大保护,不搞大开发”的重要指示[1],强调以生态环保,绿色低碳作为长江发展的战略目标。

随着经济建设的高速推进,物流业已成为我国第三产业的重要组成部分,是国民经济新的增长动力。2018年的全社会物流总额高达283.1万亿元,总体规模位居全球第一[2]。长江是我国物流业发展的重要基础,沿长江流域的物流产业基础设施建设迅猛。但受限于技术条件,快速发展所导致的污染环境问题日益凸显,物流产业的绿色可持续发展已成为长江大保护战略的重要组成。因此,从绿色经济的角度分析长江大保护区域的物流效率,对促进物流产业的可持续发展具有重要意义。

国内外已有很多关于物流效率的研究[3-5]。在研究对象方面,俞佳立和钱芝网[6]采用DEA模型与Malmquist指数模型相结合,对长江经济带的11个省市物流产业效率进行分析研究;于丽英等[7]采用DEA模型与Malmquist指数模型相结合,对2008—2015年长江经济带地区的物流产业效率进行实证分析;杨传明[8]采用三阶段DEA 与Malmquist 模型相结合,对江苏省绿色物流产业效率进行研究,并考虑了环境变量及随机误差等影响因素。在研究方法方面,张雪[9]采用DEA模型,对全国3个省市的绿色物流产业效率进行评价研究;王琴梅和谭翠娥[10]通过运用 DEA模型与Tobit 模型相结合,对西安市的物流效率与物流资源利用率、地区经济发展水平等影响因素之间的关系进行评价研究;王书灵和袁汝华[11]运用三阶段DEA模型,对江浙沪地区物流产业效率与外部环境之间的关系进行测算研究。

虽然前人研究已取得丰硕成果,但现有研究仍然存在以下不足:一是多数文献只针对长江经济带的物流产业效率进行了评价,并未对整个长江大保护区域进行深入分析。二是大部分学者只采用传统DEA模型进行研究分析,所得结论可能存在偏差。区别已有文献,本文的贡献在于,充分考虑了长江大保护的战略意义,将研究对象从长江经济带扩展到整个长江大保护区域。同时,本文突破传统DEA模型的局限,将三阶段DEA模型与Malmquist生产率指数相结合,使研究结果更加准确。具体而言,本文以长江大保护战略为背景,运用三阶段DEA模型、Tobit计量经济模型,对长江大保护区域19个省市2013—2017年物流产业效率的静态结果,以及外部环境因素对静态结果的影响程度进行研究分析,再运用Malmquist生产率指数方法,对长江大保护区域19省市2013—2017年物流产业效率的动态结果进行研究分析,找到影响各区域动态效率的关键因素。通过采用多种模型对比分析物流产业的发展差异,以期对长江大保护区域各省市物流产业的绿色发展提出针对性建议。

二、研究方法

(一)三阶段DEA

1978年,Charnes等[12]提出了数据包络分析法(Data Envelopment Analysis,DEA)但其考虑不够全面,存在局限性。在此基础上,Fried等[13]对环境变量和随机变量进行处理,提出了三阶段DEA方法,具体过程如下。

1.第一阶段。本文采用DEA模型中的BCC模型,对投入产出变量进行测算,并且通过BCC模型的计算,可以得到物流产业效率中的纯技术效率和规模效率。由于DEA-BCC模型已经比较完善,其原理及数学公式就不再赘述。

2.第二阶段。在第一阶段采用DEA-BCC模型测算物流效率时,会存在环境因素和随机误差等干扰项。为解决上述问题,本文通过采用SFA方法调整投入变量数据值来剔除环境因素和随机误差对效率测算的影响[14]。

3.第三阶段。将调整后的投入产出数据值作为新的样本数据,再次通过DEA-BCC模型进行计算,得到考虑相关干扰项的效率值。

(二)Tobit模型

用DEA-BCC模型计算的效率值是分布在0～1之间的离散数据。普通的回归分析方法不可适用。因此,本文采用极大似然法的截取回归模型(Censored Regression Model),又称Tobit模型[15],其一般形式为:

(1)

式中,Z*为截断因变量向量;Z为效率值向量;X为自变量向量;α为回归参数向量;μ为误差项,且μ～(0,σ2)。

(三)Malmquist生产率指数模型

Malmquist指数是表示物流效率在一段时间内发生变化的程度,通常被解释为两个物流效率的几何平均值[16]。具体公示如下:

(2)

式中,MIt.p表示物流业效率的Malmquist指数;(xt,yt)为t期的投入产出关系;(xp,yp)为p期的投入产出关系;dt(xt,yt)为距离函数,表示生产配置到t时刻系统前沿面的距离。Malmquist指数可以分解成技术进步指数和技术效率指数。

(3)

式中,TCt.p表示为t期到p期的技术变化;ECt.p表示为t期到p期的技术效率变化。本文通过上述三个指标来分析长江大保护区域物流产业的发展现状。

三、指标选择与数据来源

(一)指标选择

1.投入产出指标

物流业是包含信息业、邮政业、运输业、货代业以及仓储业的综合型服务产业。目前我国没有发布针对整个物流产业的相关数据。大多数学者认为[17-18],邮政业、仓储业以及运输业可以表示整个物流行业的真实情况。有鉴于此,参考前人的研究,本文以邮政业、仓储业以及运输业的数据作为物流业的代替数据,从经济和生态的角度构建长江大保护区域物流产业效率评价指标体系。

投入指标主要从人力投入、财力投入以及环境投入三方面考虑。本文借鉴于丽英等[7]的办法,选用各地区运输业、仓储业以及邮政业的年末从业人数作为劳动力投入指标。物流产业运营效率受固定资产投资状况所影响,因此,本文借鉴张竟轶和张竟成[19]的办法,以物流产业固定资产投资额作为评价指标,并以2013年为基期对其进行缩减。从生态环境的角度考虑,本文选取邮政业、运输业和仓储业中一次性能源消耗量作为能源投入。通过各类能源转换系数,将各类能源进行统一转换为标准煤,并通过加和得到能源消耗总量。从绿色发展的角度考虑,本文采用生态保护、环境治理的投资额作为反映绿色物流水平的投入指标,并以2013年为基期,以各省域GDP平减指数对其进行转换。

产出指标主要从低碳经济、产出水平以及发展程度三个方面考虑。作为能源消耗的产出,本文选择物流业碳排放量作为产出指标,其计算借鉴马越越[20]的办法,对非期望产出指标采用数据转换函数法对其进行处理。本文借鉴卢敏[21]的计算办法,将综合周转量作为衡量物流产业产出水平的指标。本文选取邮政业、仓储业以及运输业的汇总增加值作为经济产出指标,并对物流业增加值的换算采用第三产业增加值指数,折算成以2013年为基期的不变价。

2.环境变量

在三阶段DEA模型中,SFA模型是测算外部环境因素和随机误差对物流效率产生影响的程度,并且在选择时要选取影响物流业运营但不在样本主观可控范围的因素。结合以往文献[22-23]的研究成果,本文选取地区发展水平、政府支持程度,以及环境保护重视度,作为环境影响因素。

(1)地区发展水平(DS)。物流业的发展与地区经济发展水平密不可分,本文选取长江大保护区域各省市的人均生产总值作为地区发展水平的评价指标,并通过人均生产总值缩减指数进行平减。

(2)政府支持程度(ZC)。国家政策的支持在物流业的发展过程中起到了重要影响,本文选择长江大保护区域各省市物流产业财政支出占全部财政支出的比重,衡量政府的支持力度。

(3)环境保护重视度(HB)。在长江大保护的背景下,绿色低碳物流是今后物流业发展的战略方向。因此。本文基于绿色经济的视角,选择政府环境保护支出占财政支出的比重作为环境保护重视度的衡量指标。

(二)数据来源

基于数据的合理性与可获得性,本文选取2013—2017年长江大保护区作为研究区域,其中包括全部位于长江流域内部的11个省,以及仅存在长江部分支流的8个省份。并根据长江流域上、中、下游的划分,将该区域分为长江大保护上游区域(简称为上游区域)、长江大保护中游区域(简称为中游区域)和长江大保护下游区域(简称为下游区域)。对于仅存在支流的8个省份,分别将其归入支流汇入点所在的上、中、下游区域。上游区域包括重庆、云南、青海、甘肃、四川、西藏、贵州、陕西8个省(自治区、直辖市);中游区域包括河南、湖北、广东、江西、湖南、广西7个省(自治区);下游区域包括福建、安徽、浙江、江苏、上海5个省(直辖市)。数据来源于2013—2017年的《中国能源统计年鉴》、《中国统计年鉴》,以及各省、市和自治区统计年鉴。

四、实证分析结果

(一)第一阶段BCC模型实证结果分析

运用Deap2.1软件,对2013—2017年长江大保护区域19个省市的物流产业效率进行分析评估,得到考虑了干扰项的物流产业效率,结果如表1所示。

从整体来看,2013—2017年间长江大保护区域的综合技术效率与规模效率的平均值呈上升趋势,而纯技术效率则为下降趋势。这说明长江大保护区域物流效率提升的主要原因是规模效率的增加。从各地区来看,物流效率呈现出“下游高、上游低”的阶梯式分布。除下游区域的纯技术效率和规模效率处于边缘有效外,中游和上游区域的物流效率值均小于0.9,处于无效状态。其原因是上游区域人口及产业密度小,在人力、物力以及交通运输方面都不及中下游区域,还未形成完整的物流经济体系,并且不够重视物流产业的技术创新。此外,大多数地区的物流产业规模效率值都低于物流产业纯技术效率值,这可能是因为该阶段的物流产业效率值受干扰项的影响而发生了变动。为剔除环境因素的影响,本文进行了第二阶段DEA的测算。

表1 2013—2017年长江各区域物流产业效率

资料来源:Deap2.1软件处理结果。

(二)第二阶段SFA回归结果分析

将第一阶段的投入变量冗余值作为被解释变量,将地区发展水平、政府支持程度和环境保护重视度等外部环境因素作为自变量,对2013—2017年长江大保护区域的数据运用Frionter4.1软件进行SFA回归,结果列于表2。

1.地区发展水平。该环境变量通过显著性检验,与4个投入松弛变量的回归系数基本为正数,但回归系数较小。这说明地区发展水平的增加对物流业投入冗余量的降低有一定的作用,但存在滞后。

2.政府支持程度。该环境变量通过显著性检验,除与从业人员投入松弛变量的回归系数为负值外,与其余松弛变量的回归系数均为正值。这说明政府的支持程度有利于减少人员的过多投入问题,但对其他松弛变量则不能带来相应物流效率的提高,反而会增加投入变量的冗余值。这可以解释为政府长期过渡干预不利于物流产业的发展。

3.环境保护重视度。该环境变量通过显著性检验,与能源消耗投入松弛变量的回归系数均为负数。这说明该变量有利于减少能源的浪费,并且能有效降低二氧化碳的排放量。

表2 SFA回归分析结果

注:*、**、***分别表示10%、5%、1%的显著水平。

资料来源:Frionter4.1软件处理结果。

(三)第三阶段调整后的结果分析

1.纵向分析

以调整之后的投入变量与原始产出变量为基础,再次用Deap2.1软件进行运算,得到了剔除环境因素和随机误差的效率值,结果如表3所示。

对比第一阶段测算结果和第三阶段调整后的结果可知,在剔除外部环境因素对长江大保护区域物流业效率的影响之后,分析结果发生明显变化。从整体来看,调整之后19个省市三大物流效率平均值均有提高:综合效率从0.749提高到0.772,涨幅达3.1%;纯技术效率从0.892提高到0.903,涨幅达1.2%;规模效率从0.826提高到0.844,涨幅达2.2%。规模效率的增长率高于纯技术效率的增长率。这说明规模效率与纯技术效率都对物流产业的综合效率起到了提升作用,并且对综合效率增长的关键因素是规模效率的增长。

2.横向分析

根据表4结果可以看出,西藏、陕西、安徽、上海等地区的物流效率在5年中始终保持为1,处于有效状态。说明这些地区在物流技术创新, 以及物流规模方面都优于其他地区,其投入的物流资源得到了充分有效的利用。青海、甘肃、江西、广东、广西、江苏、福建等地区的物流产业效率在5年中始终维持在0.9～1之间,说明这些地区在物流产业技术创新以及物流规模方面适当调整就可以达到物流有效状态。其中江苏省2017年的物流效率有所降低,但物流规模处于增长阶段,原因是2017年江苏省出台了《江苏省生态河湖行动计划》,该计划对物流运输业产生了一定的影响,但通过调整其产业结构,使其更加符合了长江大保护战略发展的要求。湖北省2015年的物流效率有明显增加,物流规模效率从0.877增长到0.948,达到了边缘有效状态。该现象是因为2015年湖北省发布了《湖北省人民政府关于国家长江经济带发展战略的实施意见》,推动了物流产业的迅速发展,通过合理扩大物流规模,使物流效率明显提升。通过观察整体发现,从2014年起,各地区物流效率都有明显增加,大部分地区物流规模处于增长阶段,原因是2014年我国出台了《物流业发展中长期规划》,促进了我国物流产业的快速发展,有效调整物流投入资源的利用情况,合理改善物流产业结构,通过扩大物流规模以及降低物流成本,使大部分地区的物流产业效率有了明显提高。

表3 第一阶段和第三阶段长江流域效率分析值

资料来源:Deap2.1软件处理结果。

表4 第三阶段DEA输出效率分析值

注:由于篇幅原因,本表仅呈现2013年、2017年数据。

资料来源:Deap2.1软件处理结果。

为了更好地分析长江大保护区域19省市的物流效率的差异,本文运用SPSS21.0软件,以综合物流效率和二氧化碳排放量为指标,对长江大保护区域19个省市进行聚类分析,将其分为6个类别,如表5所示。

表5 长江大保护区域物流效率类型

第一类为“高效率,高排放”型地区,主要包括上海、江苏。作为长江大保护区域下游省份,该区域物流产业发展前沿,资源丰富,基础设施条件完备,并且物流产业综合技术效率值处于有效状态,但高能耗的投入排放出大量的二氧化碳。因此,要提高能源利用效率,进一步降低污染物的排放。

第二类为“高效率,低排放”型地区,主要包括西藏、陕西、江西、广西、福建、安徽。上述省市主要分布在中下游区域,这些地区实现了高效率、低排放的发展水平,是其他地区学习的目标。该类型地区以较少的能耗投入获得了较高的物流产出,降低了二氧化碳的排放,实现了绿色低碳的高效物流水平。

第三类为“中效率,高排放”型地区,主要包括浙江、广东、湖北、河南。上述省市主要分布在中下游区域,该地区物流产业发展较快,物流效率处于中等水平,物流资源投入较多,但在物流发展过程中产生了较多的二氧化碳,说明该地区物流产业效率有待提高。

第四类为“中效率,低排放”型地区,主要包括贵州、甘肃。上述省市分布在上游区域,物流产业发展相对缓慢,资源利用率较低,虽然实现了物流产业的低碳排,但物流产出不足,物流产业综合效率总体不高。

第五、六类分别为“低效率,高排放”和“低效率,低排放”型地区,主要包括湖南、重庆、四川、青海、云南,主要分布在中上游区域。经济发展水平不高、资源紧缺、人才不足等原因导致物流产业效率无法达到生产前沿面,产业效率较低,且存在严重的污染问题,其中以湖南省最为显著。

(四)影响长江大保护区域绿色物流效率的因素分析

上述三阶段DEA方法计算出剔除干扰项的长江大保护区域物流产业效率,为进一步研究外部环境对长江大保护区域物流效率的影响程度,本文利用Tobit回归方法进行更深入的分析。

本文以研究长江大保护区域中各省市的产业结构、交通基础设施、低碳经济发展水平、生态发展水平、信息化水平、环境规则程度等七项指标为数据基础,运用Tobit回归分析模型,研究上述指标对长江大保护区域物流效率的影响。

第一,产业结构W。选择包含物流产业的第三产业作为依据,选取长江大保护区域各省市的第三产业比重,反映其产业结构。

第二,交通基础设施R。选择用长江大保护区域各省市的铁路、公里和内河航道的总里程之和与各省市土地面积之比,反映各地区的交通基础设施水平。

第三,低碳经济发展水平I。选择长江大保护区域各地区的物流业碳排放量与该地区GDP的比值,衡量低碳经济发展的水平。

第四,生态发展水平O。以各地区的污水处理效率来表示各地区生态发展水平。

第五,信息化水平A。选择长江大保护区域各省市的电话普及率,作为衡量各地区的信息化水平。

第六,环境规则程度F。选择长江大保护区域各地区的物流业碳排放量与物流业增加值的比值,作为衡量各地区的环境规则程度。

第七,能源利用率G。选择长江流域各地区的物流业增加值与各地区物流业能源消耗量的比值,表示各地区能源生产率。

Yi=γ0+γ1Wi+γ2Ri+γ3Ii+γ4Oi+

γ5Ai+γ6Fi+γ7Gi+μ

(4)

式中,γ0表示常数项;γ1、γ2、γ3、γ4、γ5、γ6、γ7表示各自变量的回归系数;μ表示回归式中的误差项;i表示时间,i=2013,2014,…,2017。

本文采用Eviews10.0软件对建立的回归模型进行测算,回归结果见表6。

表6 Tobit模型回归结果

注: *、**、***分别表示10%、5%、1%的显著水平。

资料来源:Eviews10.0软件处理结果。

Tobit模型回归分析表明:

首先,长江大保护区域物流产业效率与各地区的低碳经济发展水平、生态发展水平,以及信息化水平相关性不显著,可能是因为在三阶段DEA模型测算中剔除了地区经济发展水平这个干扰因素,使其呈现为不显著关系。生态发展水平与信息化水平的回归系数分别为0.081 678 3和0.244 794,说明虽然相关水平不显著,但对长江大保护区域物流产业效率的提高起到了一定的贡献作用。

其次,产业结构与物流效率呈显著的正相关关系,系数为0.5402586,表明第三产业的发展对物流产业效率的提高有积极的推动作用。这主要是因为国家大力推进“供给侧”改革,物流产业作为第三产业中的重要组成部分,得到了国家的高度重视。

再次,交通基础设施水平与物流效率呈明显的负相关关系,系数为—0.1666771,并且在10%显著水平上显著,表明在目前的发展阶段,大量的建设基础设施,过度的扩大物流产业规模会对物流产业效率产生消极的影响。因此要对长江大保护区域物流产业的基础设施建设进行合理地规划,充分考虑建设的必要性,不盲目扩大规模,造成资源浪费。

最后,环境规则程度和能源利用率与物流效率呈显著的正相关关系,系数分别为331.7612和219.4758,表明环境规则程度和能源生产率的提高对物流效率的提高起到了巨大贡献作用。因此,各地区应加快环境规则的制定,大力发展物流产业技术,提高物流产业能源利用效率。

(五)长江大保护区域物流产业效率动态分析

1.长江大保护区域Malmquist指数分析

上述采用三阶段DEA模型与Tobit回归方法对长江大保护区域物流产业效率进行了静态分析,进一步地,本文运用Malmquist指数模型对长江大保护区域物流产业效率进行动态分析。通过Malmquist指数模型计算出长江大保护区域各省市物流效率的Malmquist指数、EC指数和TC指数,计算结果如表7所示。

表7 2013—2017年长江大保护区域各省市物流Malmquist指数

资料来源:Deap2.1软件处理结果。

长江大保护区域物流产业Malmquist指数的年平均值为1.001,这说明Malmquist指数的增加是推动物流产业发展的重要动力。

从时间维度来看,物流产业经历了两个阶段:第一阶段为2013—2015年,Malmquist指数处于递减阶段;第二阶段为2015—2017年,Malmquist指数处于递增阶段,且2014—2016年间的Malmquist指数处于较低水平。这可能是因为我国总体规划发生了转变,正好从“十二五”规划时期过渡到“十三五”规划时期,国家越来越强调低碳经济和可持续发展战略,但受限于当时技术水平的桎梏,物流效率出现了短暂的降低。在随后几年里,技术水平得到了提升,使物流业的发展更加迅速,物流效率大幅度提高。

从空间维度看,长江上游地区的Malmquist指数均值为0.974,说明上游地区的物流产业发展较慢,但有很大的提升空间。而长江中游和下游地区的Malmquist指数均值分别为1.036和1.003,说明长江中游的物流产业比长江下游地区的物流产业发展迅速,原因可能是因为长江下游的物流产业已经处于高水平状态,并且很难通过扩大规模来提高其物流产业的效率。

2.长江大保护区域物流Malmquist指数因素分解

根据式(3),可将Malmquist指数分为EC指数和TC指数,计算结果如表8所示。

表8 2013—2017年长江大保护区域各省市物流业Malmquist指数

资料来源:Deap2.1软件处理结果。

青海、西藏、河南、浙江的Malmquist指数年均值呈现下降趋势,但下降原因不尽相同:青海、西藏主要是由于技术进步的降低,而河南、浙江是因为技术效率的下降。具体而言,云南省的Malmquist指数最高,位于1.30以上,属高效率增长区域;重庆、湖北、广东的Malmquist指数位于1.10以上,属较高效率增长区域;除青海、西藏、河南外,其余地区指数位于1～1.1之间,效率增长处于一般水平。

进一步地,本文对2013—2017年长江大保护区域物流业Malmquist指数再次分解,从时间维度对物流产业的EC指数和TC指数与综合效率的变化关系进行分析,具体如表9所示。

表9 2013—2017年长江大保护区域物流业Malmquist指数的变动与分解

资料来源:Deap2.1软件处理结果。

长江大保护区域物流产业的Malmquist指数年均上升5.9%,其中技术进步指数上升3.5%,技术效率指数上升2.3%,这说明技术进步是提高Malmquist指数的关键因素。此外,通过观察可以发现,技术进步指数的下降,是引起2014—2016年Malmquist指数减少的主要原因,而技术进步指数的提升也是2013—2014年和2016—2017年Malmquist指数上升的重要因素。通过绘制2013—2017年长江大保护区域物流业Malmquist指数的变动曲线,发现Malmquist指数曲线与技术进步曲线的变化趋势基本相同,这也再次证明长江大保护区域物流产业Malmquist指数的主要影响因素是技术进步指标。

五、结论与建议

本文将三阶段DEA分析方法和Malmquist指数模型相结合,对2013—2017年长江大保护区域物流产业效率和Malmquist指数进行分析,通过采用SFA方法对投入变量进行调整,并运用Tobit计量经济模型对长江大保护区域物流效率的影响因素进行了实证研究,得出以下结论。

首先,2013—2017年长江大保护区域物流产业总体发展态势良好,但区域之间差异较大且发展不均衡,物流效率呈现出“下游高、上游低”的阶梯式分布。下游区域物流效率较高但增速较慢,中上游区域物流效率相对较低,但有很大的发展空间。在长江大保护区域的横向对比中,根据物流产业综合效率和物流产业碳排放量两个指标,对长江大保护区域19个省市进行了聚类分析,得到了六类地区,其中西藏、陕西、江西、广西、福建、安徽地区属于“高效率,低排放”型地区,实现了高效率、低排放的发展水平,是其他地区学习的目标。

其次,在剔除了外部环境因素对长江大保护区域物流业效率的影响后,发现综合效率增长的关键因素是规模效率的增长。规模效率的增长率高于纯技术效率的增长率,说明规模效率与纯技术效率都对物流产业的综合效率起到了提升作用,并且综合效率增长的关键因素是规模效率的增长。长江大保护区域产业结构、环境规则程度和能源利用率与物流效率呈明显的正相关关系,而各地区交通基础设施水平与物流效率呈负相关关系,低碳经济发展水平、生态发展水平以及信息化水平对物流效率有较小的影响。这表明国家高度重视物流产业的发展,各地区应加快环境规则的制定,大力发展物流产业技术,提高物流产业能源利用效率。

最后,通过运用Malmquist指数模型对长江大保护区域物流产业效率进行动态分析后,得出影响Malmquist指数提高的重要因素为技术进步指数。从时间维度和空间维度,对长江大保护区域物流产业Malmquist指数进行分析,发现长江大保护区域的物流产业综合效率总体呈上升趋势,其中2013—2014年的Malmquist指数分布呈阶梯状,但在2016—2017年该问题有所改善。长江大保护区域物流产业的Malmquist指数年均上升约5.9%,技术效率年均增长约2.3%,技术进步指数维持在3.5%的上升趋势,这说明对长江大保护区域Malmquist指数提高具有关键作用的因素是技术进步指数。

根据上述结论,为了长江大保护区域物流产业更好地发展,本文提出以下建议。

第一,对于“高效率,高排放”、“中效率,高排放”。以及“低效率,高排放”地区,应大力发展低碳经济,提升区域物流综合效率。要改善物流能源消费结构,优化物流运输线路设计,降低运输车辆空载率,建立逆向物流循环体系,减少物流活动终端碳排放。对于“中效率,低排放”以及“低效率,低排放”地区,应增加物流产业的资金投入,合理扩大物流产业的经济规模,提高物流从业人员综合素质,并且需重点关注物流产业的技术革新和结构优化等。

第二,根据第二阶段SFA回归分析结果,说明物流产业效率的提高需要政府的支持,但政府不可长期过度干预。因此,政府部门应在符合当地实际情况以及市场规律的条件下,对交通运输业、仓储业以及邮政业等物流行业提供财政支持,完善物流产业中的投融资模式,合理规划物流产业中的基础设施布局,进一步完善交通运输、仓储以及邮政业的管理体系,积极推进物流产业专业设备的研发及改造,加强对财政支出的科学管理,提高资源配置效率。要抓住“长江大保护”的战略机会,制定合理的相关政策,将“指示”落实到“行动”,促进长江大保护区域各省市的物流产业发展。

第三,从长江大保护区域物流产业整体的Malmquist指数可以看出,长江大保护区域发展不均衡,这样不利于长江流域物流产业整体发展。因此,国家应大力支持物流产业发展要素的供给侧改革,加快建设网格化物流产业基础设施,持续加强物流产业管理方法的创新优先保障区域之间物流业生产要素的合理分配,为各区域之间的物流产业合作提供帮助,构建全国一体化的物流产业发展模式。□