中国省域物流业绿色全要素生产率的演进及溢出

张瑞 孙夏令

内容提要：本文运用包含非期望产出的SBM—ML模型对全国30省2004—2016年的物流业绿色全要素生产率进行测度，通过核密度估计和马尔科夫链探讨其时空演进特征，并借助空间面板计量模型分析物流业绿色全要素生产率的影响因素和空间溢出效应。结果表明：物流业绿色全要素生产率具有显著的动态演进规律，省域间物流发展协调度有待提高;物流业绿色全要素生产率存在显著的正空间自相关特征，表现为生产率较高的省份趋于相邻，生产率较低的省份趋于相邻;物流业绿色全要素生产率的主要驱动因素包括交通网络密度、物流能源强度、交通运输强度和人均GDP，各影响因素具有显著的空间溢出效应，其中市场化进程的正向溢出效应最高，对外开放程度和地区产业结构的溢出效应为负。

关键词：物流业;全要素生产率;动态演进;影响因素;空间溢出

中图分类号：F124.6文献标识码：A文章编号：1001-148X（2020）03-0029-10

收稿日期：2019-09-25

作者简介：张瑞（1977-），男，山西河曲人，中国矿业大学（北京）管理学院教授，博士生导师，研究方向：能源经济、计量经济;孙夏令（1994-），本文通讯作者，男，山东潍坊人，中国矿业大学（北京）管理学院博士研究生，研究方向：能源经济、低碳物流。

基金项目：山西省科技重大专项课题，项目编号：20181102017;国家自然科学基金面上项目，项目编号：71774161;中国矿业大学（北京）越崎青年学者资助项目，项目编号：800015Z1121。

物流业既是经济和社会快速发展的推进剂，也是企业降低成本、提高效益的重要利润源泉，其行业发展质量在供给侧结构性改革背景下备受关注。目前，中國物流业高能耗问题依然严峻：一是过量的物流资源仍然停留在传统物流业务当中，难以满足市场对高端物流的需求;二是增量资源受到了体制机制与转化效率的影响，导致新的创新成果难以完成现实转化，现实经济发展不仅与之带来期望产出差距较大，且产生一定量的“坏”产出。物流业必须坚持高效率的发展模式，而高效发展应以最少的资源投入获得最多的产出，并产生最小的环境损耗[1]。全要素生产率（TFP）包含了难以识别却对经济增长有重要贡献的因素，即发展中难以归因于有形生产的部分，体现了经济增长的质量。绿色全要素生产率（GTFP）将资源消耗和环境污染纳入了评价指标体系，融入了更多绿色思维和可持续发展理念，是评价行业绿色发展水平的重要参考[2-3]。本文尝试将能源消耗与碳排放纳入指标体系，运用含有非期望产出的SBM—ML模型测度和考察2004—2016年中国省域物流业绿色全要素生产率，借助核密度估计、Markov Chain、ESDA方法探讨地理溢出视角下物流业绿色全要素生产率的演化规律，通过空间面板计量模型分析其具体影响因素及溢出效应，以期为优化物流供给结构、推进物流区域协调以及改善物流服务效率提供参考。

一、研究方法与数据说明

（一）绿色全要素生产率测算的SBM—ML模型

由于交通运输、仓储和邮政业占物流业增加值的83%以上，考虑新兴行业统计数据的可获取性及可以替代物流业相关数据[4]，依据《国民经济行业分类》（GB/T4754—2017）中产业划分规定，本文选用交通运输、仓储和邮政业为指标数据来源，数据均获取于《中国统计年鉴》和《中国能源统计年鉴》。

在以往研究中，多以GDP作为产出指标，以资本、劳动力作为投入指标，这不适用于物流业绿色全要素生产率的测度：其一，物流产出不仅仅体现于行业增加值，物流货运周转量综合了货运量和货运里程双重因素，亦是反映物流规模化增长的关键指标，随着客运需求的增加，客、货运换算后的综合周转量是物流产出变动更客观的评价指标。其二，能源消耗与环境污染问题是物流业的痛点，更是发展绿色物流亟须解决的关键点，理应将物流业能源消耗与环境污染纳入指标体系。因此，在指标选定上应充分考虑物流业发展的内在特征与绿色物流理念，兼顾传统测算和物流行业属性指标。本文选取2004—2016年中国30个省（自治区、直辖市）为研究单元（不含西藏和港澳台），构建物流业绿色全要素生产率评价指标体系。其中，投入指标包括资本投入、劳动力投入、能源投入，产出指标包括经济产出、规模产出和非期望产出。

投入指标方面，资本投入通过固定资产投资来衡量，且根据物价指数对名义值平减，折算为2004年不变价[5];劳动力投入多以行业从业人员总数为主，考虑到物流人才在决策分析、资源调度等方面的优势，采取劳动力质量指标衡量劳动力投入更加合适，参照相关研究，选用物流业从业人数与当地人均受教育年限相乘得到劳动力质量;能源投入选取物流业一次性能源消耗最多的原煤、汽油、煤油、柴油、燃料油、液化石油气、天然气和电力8种能源，并统一转换为标准煤后加总得到能源投入数据[6-7]。

期望产出方面，同时考虑物流业的经济产出和规模产出，经济产出用物流业增加值衡量，选取交通运输、仓储和邮政业的增加值之和，再采用第三产业增加值指数将名义价换算为2004年的基期不变价;借鉴马越越和王维国[8的计算方法，物流周转量考虑水路、铁路、公路3种运输方式，并将旅客周转量和货物周转量换算为综合周转量，以此代表物流规模产出。

非期望产出方面，物流业不同于钢铁、煤炭、化工、纺织等行业拥有多种污染源，其产生的污染物主要是物流作业过程中的碳排放（本文主要指二氧化碳的排放）。本文采用“自上而下”的计算方法，通过各类能源消耗乘以相应碳排放系数，对全国30省13年间物流业碳排放量进行测算，并以此作为非期望产出指标数据。

目前，关于效率的测算多是采用传统数据包络分析模型，如CCR、BCC等，无法考虑松弛量对效率评价的影响[9]。Tone提出的SBM模型是一种非径向、非角度的效率评价方法，模型在目标函数中引入松弛量，致使得到的效率值更加准确[10-11]。基于此，本文以30个省分别作为生产决策单元，假设各省物流生产存在N种投入X=x1，x2，…，xN∈RN+，Q种期望产出Y=y1，y2，…，yQ∈RQ+，和L种非期望产出B=b1，b2，…，bL∈RL+，则可构建包含期望产出和非期望产出的生产可能性集合Pt（x）=（yt，bt）|xt能生产出（yt，bt），t=1，2，…，T。假定规模报酬可变，则SBM方向性距离函数可表达为：

DtV（xti，yti，bti）==min1-1N∑Nn=1sxnxin1+1Q+L（∑Qq=1syqyiq+∑Ll=1sblbil）

s.t.∑Ii=1ztixti，n+sxn=xti，n，n=1，2，…，N

∑Ii=1ztiyti，q-syq=yti，q，q=1，2，…，Q

∑Ii=1ztibti，l+sbl=bti，l，l=1，2，…，L

∑Iizti=1;zti0，sxn0，syq0，sbl0，i=1，2，…，I（1）

其中（xti，yti，bti）表示i省的投入产出集，目标函数的分子和分母分别表示投入与产出距离生产前沿面的平均距离，即投入与产出的非效率程度。sxn，syq，sbl分别表示投入变量、期望产出、非期望产出的松弛变量，zti为权重变量。引入跨期动态的概念，借鉴几何平均值方法构造t到t+1期的SBM—ML指数，以此来测度物流业绿色全要素生产率（公式2）。

GTFP=（SBM-ML）t+1t=DtV（xt+1，yt+1，bt+1）DtV（xt，yt，bt）×Dt+1V（xt+1，yt+1，bt+1）Dt+1V（xt，yt，bt）12（2）

（二）探索性空间数据分析（ESDA）

1.全局空间自相关

Morans I指数反映了空间邻接或邻近地区单元属性的相似程度，其值介于-1和1之间，小于0表示负相关，大于0表示正相关，而等于0则表示不相关。对物流业绿色全要素生产率而言，Morans I指数越接近于1时意味着区域间的关系越紧密（高值集聚或低值集聚），越接近于-1时表示关系越疏遠或差异越大（高值与低值集聚或低值与高值集聚）[12]。

全局Morans I=∑ni=1∑nj=1ωij（GTFPi-GTFP-）（GTFPj-GTFP-）S2∑ni=1∑nj=1ωij（3）

其中GTFPi表示第i地区的物流业绿色全要素生产率，GTFP-为均值，S2为方差。ωij是二进制空间权重矩阵，n为总数。空间权重矩阵ωij用于定义空间对象之间的相互邻接关系，对分析中国省域物流业绿色全要素生产率而言，ωij的基本形式为：

ωij=1 当省域i和省域j相邻接时

0 其他（4）

2.局部空间自相关

全局空间自相关主要描述研究对象的整体集聚或分散程度，在一定程度上忽视了局部的空间关系。为了弥补这一问题，Anselin提出一种局部Morans I指数（Local Moran Index），用来验证研究范围内局部地区的相似程度[13]。借助局部Morans I指数值来分析各省市与其邻近省市的空间关联性，指数具体计算公式为：

局部Morans I=（GTFPi-GTFP-）S2∑j≠iωij（GTFPj-GTFP-）（5）

Morans I指数为正表示空间单元与其邻接单元的属性相似，即高值被高值包围或低值被低值包围;指数为负表示空间单元与其邻接单元的属性不同，即高值被低值包围或低值被高值包围。

（三）空间面板计量模型

物流业绿色全要素生产率包含了多种物流要素，以其作为被解释变量既可避免单一指标作为被解释变量引起的信息失真，也可以更多地考虑到环境约束对行业发展的影响。考虑邻近区域物流发展的依赖性，空间面板计量模型能更好地阐释物流业绿色全要素生产率的驱动因素和溢出效应。模型主要分为3种类型：空间面板滞后模型（Spatial Lag Model，SLM）、空间面板误差模型（Spatial Error Model，SEM）和空间面板杜宾模型（Spatial Durbin Model，SDM）[13]。

1.空间面板滞后模型。在空间因素作用之下，SLM模型的设定意味着研究区域所有解释变量都能够通过空间传导机制对系统内的其他地区产生影响，其形式为：

GTFPit=ρ∑Nj=1ωijGTFPit+βXit+μi+vt+εit，i=1，…，N，t=1，…，T（6）

其中，GTFPit是被解释变量;ρ是空间自回归系数，表示邻近单元之间的影响程度;Xit是K维解释变量列向量;μi是空间效应;vt是时间效应;ωij是n×n阶空间权重矩阵;εit为随机误差向量。

2.空间面板误差模型。SEM模型假定地区间空间作用通过误差项来实现，而区域外溢是随机冲击作用的结果，其形式为：

GTFPit=βXit+μi+vt+φit，φit=λ∑Nj=1ωijφjt+εit（7）

其中φit是空间自相关误差项;λ是误差项的空间自相关系数，取值介于-1和1之间，表示区域变量变化对邻接地区的溢出程度。

3.空间面板杜宾模型。SDM模型同时包含了SLM和SEM模型的假设，其形式为：

GTFPit=ρ∑Nj=1ωijGTFPjt+βXit+θ∑Nj=1ωijXijt+μi+vt+εit （8）

其中ρ反映的是空间交互效应;θ代表空间滞后解释变量系数，当满足θ+ρβ=0时，SDM模型可以简化为SEM模型，当满足θ=0时，此SDM模型即是SLM模型。

二、物流业绿色全要素生产率的动态演进

（一）物流业绿色全要素生产率演进趋势

借助Kernel密度估计方法对物流业绿色全要素生产率的概率密度进行估计，形式为：

f[DD（-*2/3][HT6”]^[][HT][DD）〗h（GTFP）=1n∑ni=1Kh（GTFP-GTFPi）=1nh∑ni=1K（GTFP-GTFPih）（9）

其中n为被研究对象数量，K（）代表核函数，h为带宽，带宽越大，方差越小，密度函数曲线越平滑。根据Kernel密度函数估计的圆滑程度与表现方式，可分为Gaussian核、Epanechnikov核、Triangle核和Uniform核等，本文选取Gaussian核作为核函数进行非参数估计，公式为：

K（GTFP）=12πexp（-GTFP22）（10）

为详细刻画物流业发展演变情况，通过等距法选取2004年、2007年、2010年、2013年、2016年共计5个考察年份，结合考虑和不考虑非期望产出两种情况下的测算结果，运用MATLAB 7.0分别绘制出物流业绿色全要素生产率和传统全要素生产率的Kernel密度曲线（图1）。可以看出两种全要素生产率核密度曲线波动特征显著，均有着“尖主峰”特征，每年的主峰都位于曲线的偏左一侧，即处于全要素生产率偏低的区间，说明大多数省份是处在低生产率水平。

从物流业绿色全要素生产率的动态演变来看，2004年核密度曲线的波峰在历年中最偏右侧，主峰高度较高;在主峰的右侧有一大一小的波峰，共同形成“三峰”特征，说明物流业绿色全要素生产率省域差距较大;相比其他几个年份，处于高水平的省份最多。2007年核密度曲线的峰值降低，由“三峰”演变为“单峰”，说明极化发展的现象得到缓解;曲线覆盖区间较大，属“低胖型”分布，意味着国内物流业绿色发展水平整体较低。2010年核密度曲线的峰值稍有回升，曲线尾部有“起峰”趋势，说明各省物流业绿色全要素生产率差距进一步扩大，有部分物流发展强势的省份逐渐涌现。2013年核密度曲线的主峰左移，峰值出现明显攀升，说明多数省份物流绿色发展水平相近但整体偏低;值得注意的是，在曲线右侧有两处小的凸起部分有形成副峰的发展趋势。2016年核密度曲线的峰值下降，曲线右端有“双副峰”发展趋势，物流业绿色全要素生产率极化现象加剧，部分省份率先提高绿色发展水平，集中形成了位于曲线右侧的“双副峰”。

从物流业传统全要素生产率的动态演变来看，2004年核密度曲线有大中小“三峰”，主峰“高、尖”且较偏左侧，两个副峰“低、尖”且较偏右侧，说明物流极化发展现象严重，多数省份集聚在低水平发展区间。2007年核密度曲线呈“低胖型”，有往右侧移动趋势。2010年核密度曲线再次形成主副峰，但整体往右移动，说明物流业全要素生产率区域差距拉大的同时，整体得到改善。2013年核密度曲线的主峰升高，“双副峰”再次出现，说明大多数省份的物流水平相近，但有部分省份发展优势明显。2016年核密度曲线的主峰继续升高，且其位置相较其他主峰更偏右侧，同时伴有“多副峰”的发展趋势，说明物流业全要素生产率整体得到提升，但省域间的发展差距应该引起重视。

从整体上看，物流业绿色全要素生产率核密度曲线呈现“三峰”—“单峰”—“双峰”—“三峰”的演变趋势，而传统全要素生产率核密度曲线呈现“三峰”—“单峰”—“双峰”—“三峰”—“多峰”的演变趋势，表明区域差异方面两者较为相似，都保持大幅度的动态演进，考虑是各省物流基础建设和现代化程度不同，导致发展速度与追赶速度不同，致使省际间物流发展协调度较低。但是，两者核密度曲线的演进方向差异显著，绿色全要素生产率有逐年下降趋势，而传统全要素生产率有波动上升趋势，这验证了忽视环境约束会高估实际生产率，带来评估偏差。鉴于此，继续结合马尔可夫链探讨物流业绿色全要素生产率的类型转移，明晰其内部动态性。

（二）物流业绿色全要素生产率时空状态转移

马尔科夫链可以描述已知现在状态的条件下，未来状态概率分布与过去状态无关的随机现象，在区域格局变化方面具有较强的实用性，可以分析研究期内30省市物流业绿色全要素生产率的区域状态转移情况，探讨未来转移方向的稳定性或集中性[14]。不同时期的转移状况可以通过马尔科夫转移概率mij来表示，mij的含义是在t年份属于i类型的区域，到t+1年份转移为j类型的概率，也即是在t年份属于i类型的区域到t+1年份转移为j类型的区域数量之和与所有年份内属于i类型的区域数量之比。

本文采用数据离散化方法，将30个省市按照相应年份的物流业绿色全要素生产率划分为4类：将低于全国物流业绿色全要素生产率平均水平70%的地区划分为低水平区域，介于70%—100%之间的地区划分为中低水平区域，介于100%—130%之间的地区划分为中高水平区域，高于130%的地区划分为高水平区域。依此可以计算出各类型区域转移的概率分布，得到形式为4×4的马尔科夫转移概率矩阵。由于马尔科夫链具有遍历性，可以计算得到一个稳定的极限概率分布，即遍历分布表示物流业按照一定发展趋势得以形成的长期均衡结果，通常用来考察长期均衡状态。

每一时间阶段的概率转移矩阵中，对角线上的数值为各类型区域物流业绿色全要素生产率未发生变化的概率，而非对角线上的数值为各类型区域发生转移的概率，可以看到4种类型区域之间有显著的动态转移现象。具体而言，2004—2010年间矩阵对角线数值分别为0.518、0.200、0.444和0.667，说明若某一区域处于高水平状态、中高水平状态、中低水平状态、低水平状态，则在接下来的一年中仍处于此状态的概率分别为51.8%、20.0%、44.4%、66.7%。其中，中高水平的稳定性最差，有40.0%的可能性转移为高水平状态，40.0%的可能性转移为中低水平状态，而低水平状态最稳定，仅有33.3%的可能性发生转移，且都是转向了中低水平状态。2010—2016年间矩阵对角线数值分别为0.400、0.190、0.536、0.714。其中，中高水平稳定性最差，有66.7%的概率转移为中低水平状态，14.3%的概率转移为低水平状态，而低水平状态的稳定性最强，有71.4%的概率继续保持低水平状态。2004—2016年间矩阵对角线数值分别为0.500、0.143、0.518、0.667。其中，中高水平稳定性最差，累计有85.7%的概率要发生状态转移，包括14.3%的概率转移为高水平、60.3%的概率转移为中低水平以及11.1%的概率转移为低水平;同样，稳定性最强的也是低水平状态，有66.7%的概率继续在低水平状态发展下去。

从总体来看，3个时间阶段矩阵的对角线数值之和分别是1.829、1.840、1.828，分别占各自矩阵总值的45.7%、46.0%、45.7%，意味着物流业绿色全要素生产率维持原状态的概率不高，在不同类型状态之间发生转移的概率较大。根据遍历分布计算公式得到物流业绿色全要素生产率格局演变的长期均衡结果，结果显示长期发展之后省域物流业处于高生產率水平的概率为14.5%，中高生产率水平的概率为21.2%，中低生产率水平的概率为37.7%，低生产率水平状态的概率为26.6%。可见，当前物流业的绿色发展趋势不理想，行业的绿色全要素生产率水平可能会向着中低水平或者低水平转移，应当引起关注和重视。从转移矩阵可以得到各省物流业绿色全要素生产率跨越多层次发展的概率不高，反映出物流绿色升级是逐步发展的过程，落后区域需加强同周围水平稍高区域的交流与合作，更先进区域的转型经验需要在下一步发展中逐渐借鉴。

（三）物流业绿色全要素生产率空间依赖特征

1.物流业绿色全要素生产率全局空间相关性

基于二进制空间权重矩阵，计算得到物流业绿色全要素生产率均值的Morans I指数值为0.269，传统全要素生产率均值的Morans I指数值为0.125，均大于0，说明物流发展存在显著的正空间自相关特征，即生产率较高的省份趋于相邻，生产率较低的省份趋于相邻。为详细辨析Morans I指数值在时间序列上的变化情况，进一步分析历年物流业生产率的全局自相关Morans I指数值（表2），可以看到两种生产率的Morans I指数值在研究期内均大于0，说明相邻地区物流业存在长期的紧密关系，空间聚集现象显著。

2.物流业绿色全要素生产率局部空间相关性

借助OpenGeoDa绘制出历年物流业（绿色）全要素生产率均值的Morans I指数散点图（图2）。第Ⅰ象限为“高—高”类型区（HH），表示某区域本身和相邻地区的生产率水平都比较高，呈现出空间同质性，可看作全国物流业生产率的“高地”;第Ⅱ象限为“低—高”类型区（LH），表示某区域自身生产率水平较低，但相邻地区的生产率水平较高，呈现出空间异质性;第Ⅲ象限为“低—低”类型区（LL），表示某区域本身和相邻地区的生产率水平都比较低，可看作全国物流业生产率的“洼地”;第Ⅳ象限为“高—低”类型区（HL），表示某区域自身生产率水平较高，但相邻地区的生产率水平较低。对物流业绿色全要素生产率而言，有15个省市位于第Ⅰ象限，占50%，分别是山东、河北、天津、安徽、上海、福建、江苏、江西、甘肃、内蒙古、浙江、山西、河南、湖南、宁夏;有4个省市位于第Ⅱ象限，占13.3%，分别是北京、陕西、湖北、广西;有7个省市位于第Ⅲ象限，占23.3%，分别是黑龙江、重庆、新疆、四川、辽宁、吉林、云南;有4个省市位于第Ⅳ象限，占13.3%，分别是青海、广东、贵州、海南。对物流业传统全要素生产率而言，有12个省市位于第Ⅰ象限，占40%;有5个省市位于第Ⅱ象限，占16.7%;有8个省市位于第Ⅲ象限，占26.7%;有5个省市位于第Ⅳ象限，占16.7%。

三、物流业绿色全要素生产率影响因素与溢出效应

（一）变量选取与指标说明

从科技水平（SCI）、基础设施（INF）、经济发展（ECO）和市场因素（MFA）4个方面选取指标作为解释变量，对物流业绿色全要素生产率的影响因素进行阐释。其中，科技水平主要考虑科技创新能力和信息化水平，基础设施主要考虑交通网络密度、物流能源强度和交通运输强度，经济发展主要考虑城镇化率、产业结构和人均GDP，市场因素主要考虑地区对外开放程度和市场化进程。指标数据来源于2005—2017年度的《中国统计年鉴》和《中国能源统计年鉴》，将变量的类型、名称、代码以及含义汇总整理到表3。

（二）模型检验及估计

通过Hausman检验可知统计量值为39.2864，相应p值是0.0001，因此选择固定效应模型进行分析效果更佳。在此基础之上，对非空间面板模型做LMlag、LMerror、R-LMlag、R-LMerror、LR空间以及LR时间检验（表4）。不论是空间效应还是时间效应，其相应的LR检验结果都在1%显著性水平上拒绝原假设，说明应将模型扩展为时空双固定模型。LM检验结果在时空双固定效应下相近，均在5%的显著性水平下拒绝原假设，还需要估计时空双固定SDM模型的适用性，判断可否进行简化。检验结果显示Wald_spatial_lag值、LR_spatial_lag值，以及Wald_spatial_error值、LR_spatial_error值均在1%的显著性水平上，拒绝了简化为SLM模型和SEM模型的原假设，表明对物流业绿色全要素生产率而言，时空双固定SDM模型是最佳选择。表5列出4种效应下SDM模型的估计值，并着重分析时空双固定效应SDM模型的估计结果。

由表5可见交通网络密度、物流能源强度、交通运输强度和人均GDP在物流业绿色全要素生产率的演变过程中起到重要作用，影响系数分别达到0.2895、0.2804、0.3102、0.1781，而且通过了1%的显著性水平检验，地区产业结构的影响系数也达到0.1511，但其显著性水平不高。此外，表现出正向驱动作用的影响因素还有科技创新能力、信息化水平、城镇化率以及市场化进程，驱动作用分别达到0.0804、0.0617、0.1288、0.0887，且都至少通过10%的显著性水平检验;同时，对外开放程度指标的影响为负，而且通过1%的显著性水平检验，抑制效应达到-0.1445，这与刘承良等[18]的研究结论一致。究其原因，主要是中国现阶段物流业发展仍以国内资本构成为主，外资占比不高，国内物流所处发展层次较低，很难与以更高级物流服务为核心的外企作竞争，甚至区域内企业会产生恶性竞争，导致外商投资带来的技术溢出和资本效应对提升物流业绿色全要素生产率作用不理想。

对于SDM模型而言，空间滞后项的加入难以反映变量的边际效应，现利用偏微分方程将空间效应分解为直接效应与间接效应。依据LeSage和Pace的定义，直接效应表示的是本地区解释变量对被解释变量的影响，间接效应表示的是本地区解释变量对相邻地区被解释变量的影响，总效应则为两者之和。从表6可以看到交通网络密度、物流能源强度和交通运输强度的直接效应最强，分别达到0.2715、0.2768和0.3312，三者的间接效应也达到0.0289、0.0451和0.0606，且均通过1%的显著性水平检验，说明物流基础设施建设不仅能够促进当地物流发展，也具有显著的空间溢出效应，对物流业绿色全要素生产率的提升起到重要驅动作用。对其他指标而言，直接效应方面，地区产业结构和人均GDP也起到较强的正向影响，分别达到0.2217和0.2115，对外开放程度则起到了负向影响，负向效应达到-0.1390;间接效应方面，信息化水平、城镇化率、人均GDP和市场化进程的贡献作用最高，分别为0.0911、0.1137、0.1154和0.1876，而地区产业结构和对外开放程度表现出负向溢出效应，分别为-0.0989和-0.0221。

（三）结果分析

从模型估计结果可知解释变量的空间溢出效应显著，结合中国区域物流发展的实情总结得到：

1.科技水平是物流业绿色发展的重要推手。第一，科技创新能力是地区科技研发和自主创新水平的直接反映。以新兴科技为核心的现代物流能提高资源利用效率，降低环境损耗，推动当地物流业向更高层次发展。由于物流业流动性强，客、货运输力量会向周边区域延伸而增加物流总量，辅之以新模式和新技术的溢出使得周边地区跟进物流发展步伐，这与刘国巍的观点一致[19]。具体而言，物流业是技术交流广泛的服务行业，作为收点或发点的基点区域，物流运输必然会通过其地理邻近区域（中转或直运），而邻近空间单元的技术创新有利于保障长距离运输的完成，这促进了物流区域间的互助与合作，也为物流技术溢出提供了更好的客观条件。第二，信息化水平也是区域科技水平的重要体现，其对协调物流各环节，改善物流系统时空效应，提高物流综合反应能力，以及满足个性化物流需求等具有重要意义。不仅如此，信息化水平对提升相邻地区物流业绿色全要素生产率也有积极贡献。综合而言，科技水平能够起到示范和溢出效应，相关的技术创新具有一定的公共属性，有利于区域物流业的技术升级[20]。

2.基础设施是物流业绿色发展的内在保障。交通网络密度、物流能源强度、交通运输强度对本地区的物流发展有重要贡献，对相邻地区也有显著的空间溢出效应。这是因为交通网络密度是地区交通运输发达情况的直接反映，物流能源强度和交通运输强度则是地区物流规划、交通布局、网点建设合理性的体现，实证结果得到物流基础设施是物流业绿色全要素生产率的重要影响因素，这与马越越等研究结果一致[21]。从内在逻辑来看，完善的交通布局和高效的运输体系不仅可以改善路网联通、提高运输质量，而且有助于促进区域内活动串联和经济集聚，形成规模化发展，提高区域内部经济协调度，进而从根本上促进物流业降本增效。从效应分解结果来看，物流基础建设对本地区的影响要远高于对相邻地区的影响，这是因为政府对本地基础建设投资和交通线路规划能够增强本地物流互联互通，但对周边地区的牵动作用不强，这与张学良的研究略有差异，张学良认为交通基础设施以正的空间溢出为主，也有微弱的空间负溢出效应[22]。

3.经济基础是物流业绿色发展的关键驱动。第一，城镇化率的提高意味着社会组织形式和生产方式的升级，城镇化建设能够为物流业的发展提供机遇，有利于加强要素资源的整合，重新布局行业流通运能，缩减不必要的资源浪费。第二，区域产业结构升级对本地区物流业绿色全要素生产率有正向影响，对邻近地区有负向影响。考虑是产业结构升级优化了本地区的经济发展质量，通过关联效应带动了本地物流业的高效发展，但对周边地区却体现出微弱的“虹吸效应”。当本地区第三产业占比增加时，相邻地区物流业绿色全要素生产率会受到抑制。由于区域内产业结构调整，部分高污染、高消耗的第二产业向周边转移，给周边地区物流业的绿色发展带来压力。第三，人均GDP对本地区和相邻地区均有正向影响，原因是人均GDP能够反映区域物流赖以生存的经济环境状况，人均GDP较高的地区拥有更多的物流需求，同时也有更好的人才储备、技术支持和投资环境。

4.市场因素是物流业绿色发展的隐形动力。第一，对外开发程度对本地区物流业绿色全要素生产率有显著的负向影响，说明虽然对外开放程度直接关系到外资的流入，也影响到国外先进理念和发达技术的引进，但是对物流业而言，未能借机提质增效，今后要加强外资进入的低碳甄别，提高环境准入门槛，抓住对外开放带来的物流转型契机。值得注意的是，对外开發程度对邻近地区的溢出效应也为负，其主要原因在于当前区域经济不均衡发展的大环境下，对外开放程度的提高会吸引更多相邻省域的优质资本和行业人才不断进入，进而抑制了周边地区的发展。第二，市场化进程对本地区物流业绿色全要素生产率有正向影响，但是影响效果不显著，而对于周边地区的正向影响显著。由于市场化为优化物流资源配置提供机遇，也为区域间的物流协作提供了更多空间，良好的市场环境和管理秩序是物流革新必不可少的因素，物流公司在市场化进程中的探索也是行业提质增效的关键。

四、结论及建议

本文运用含有非期望产出的SBM—ML模型，结合探索性空间数据分析和空间面板计量，探讨了省域物流业绿色全要素生产率的动态演进及溢出效应，主要结论为：第一，物流业绿色全要素生产率具有显著的动态演进特征，省际间协调发展程度不高。物流业绿色全要素生产率有逐年下降趋势，而传统全要素生产率却有波动上升趋势，说明忽视环境约束会高估实际生产率。第二，通过马尔科夫链模型探讨了物流业绿色全要素生产率的时空状态转移规律，并根据遍历分布得到物流发展的长期均衡结果，结果显示物流业绿色全要素生产率向中低水平或低水平发展的概率较高，说明物流业的绿色转型应当引起重视。第三，基于二进制空间权重矩阵，得到研究期内物流业绿色全要素生产率存在显著的正空间自相关特征。局部空间相关性分析进一步证实得到，物流业绿色全要素生产率存在区域集聚特性。第四，交通网络密度、物流能源强度、交通运输强度和人均GDP对物流业绿色全要素生产率贡献作用最大。空间溢出效应方面，各影响因素存在显著的空间溢出效应，市场化进程的正向溢出效应最高，对外开放程度和地区产业结构的溢出效应为负。

基于上述研究结论，提出以下建议：一是改善运输基础，增加新能源汽车、轻量化起重搬运设备的使用，完善货运枢纽功能，依靠综合型运输体系，促使各种运输方式扬长避短，提高运输效率，减少能源消耗。二是提升物流软技术，推广物流管理运筹技术、物流预测技术以及物流标准化技术，科学规划区域内质低、量缺的现有资源，对各项物流设备进行合理的组合与调配;同时，营造良好市场氛围，加强科技成果的转化与产业化。三是“东、中、西梯度推进”，东部发达地区要首先进行技术创新，研发绿色储运、智能分拣等现代化物流技术，带动中西部地区物流业的发展。期间要加强区域分工与统筹协作，根据不同区域的资源要素禀赋情况，紧密结合区域物流发展模式与自身相对优势，形成扬长避短的物流发展格局，最大程度地节约资源、缩减能耗。四是学习海外先进经验，引入良性资本和国际人才，鼓励前沿科技的研发与推广，通过现代化手段来提升物流业发展层次。通过智慧互联和协同共享发展模式的普及，推动物流业的平台整合与跨界融合，加速业务模式更新迭代，科学决策物流行为，提供更高效率的物流服务。

参考文献：

[1] 张倩倩， 张瑞， 张亦冰. 环境规制下外商直接投资对环境质量的影响——基于不同行业组的比较研究[J]. 商业研究， 2019（5）：61-68.

[2] Lin B， Chen Z. Does factor market distortion inhibit the green total factor productivity in China？[J]. Journal of Cleaner Production， 2018，197：25-33.

[3] 刘钻扩， 辛丽. “一带一路”建设对沿线中国重点省域绿色全要素生产率的影响[J]. 中国人口·资源与环境， 2018，28（12）：87-97.

[4] 刘战豫， 孙夏令. 中国物流业绿色全要素生产率的时空演化及动因分析[J]. 软科学， 2018，32（4）：77-81.

[5] 张竟成， 张竟轶. 基于VAR模型的物流产业与区域经济长期关系研究[J]. 管理世界， 2017（8）：180-181.

[6] 唐建荣， 姜翠芸. 物流业与金融业协同演化机制及路径优化研究[J]. 商业研究， 2017（8）：175-183.

[7] 诸裕祥， 陈恒. 我国区域物流业发展非均衡及其外部效应估计——基于要素投入及其效率的分析[J]. 商业研究， 2018（1）：112-121.

[8] 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， 2013，43（10）：31-42.

[9] Shermeh H E， Najafi S E， Alavidoost M H. A novel fuzzy network SBM model for data envelopment analysis： A case study in Iran regional power companies[J]. Energy， 2016，112：686-697.

[10]Tone K. A slacks-based measure of efficiency in data envelopment analysis[J]. European Journal of Operational Research， 2001，130（3）：498-509.

[11]Li K， Lin B. Impact of energy conservation policies on the green productivity in Chinas manufacturing sector： Evidence from a three-stage DEA model[J]. Applied Energy， 2016，168：351-363.

[12]Yuan Y， Cave M， Zhang C. Using Local Moran′s I to identify contamination hotspots of rare earth elements in urban soils of London[J]. Applied Geochemistry， 2018，88：167-178.

[13]Marbuah G， Amuakwa-Mensah F. Spatial analysis of emissions in Sweden[J]. Energy Economics， 2017，68：383-394.

[14]Shepero M， Munkhammar J. Spatial Markov chain model for electric vehicle charging in cities using geographical information system （GIS） data[J]. Applied Energy， 2018，231：1089-1099.

[15]張杰， 郑文平. 创新追赶战略抑制了中国专利质量么？[J]. 经济研究， 2018，53（5）：28-41.

[16]齐绍洲， 徐佳. 贸易开放对“一带一路”沿线国家绿色全要素生产率的影响[J]. 中国人口·资源与环境， 2018，28（4）：134-144.

[17]王小鲁， 樊纲， 余静文. 中国分省份市场化指数报告2018[M]. 北京： 社会科学文献出版社， 2019.

[18]刘承良， 管明明. 低碳约束下中国物流业效率的空间演化及影响因素[J]. 地理科学， 2017，37（12）：1805-1814.

[19]刘国巍. 物流技术创新对物流业的影响测度与路径分析——基于2000—2015年省际空间杜宾面板数据模型[J]. 中国流通经济， 2018，32（1）：38-46.

[20]肖仁桥， 宋莹， 钱丽. 企业绿色创新产出及其空间溢出效应研究——基于两阶段价值链视角[J]. 财贸研究， 2019（4）：71-83.

[21]马越越. 低碳视角下中国区域物流产业全要素生产率的空间溢出效应研究[J]. 宏观经济研究， 2016（12）：90-101.

[22]张学良. 中国交通基础设施促进了区域经济增长吗——兼论交通基础设施的空间溢出效应[J]. 中国社会科学， 2012（3）：60-77.

The Evolution and Spillover of Green TFP in China′s Provincial Logistics Industry

ZHANG Rui，SUN Xia-ling

（School of Management， China University of Mining and Technology， Beijing 100083， China）

Abstract： In this paper， SBM-ML model including unexpected output is used to measure the green total factor productivity of logistics industry in 30 provinces of China from 2004 to 2016.By using kernel density estimation and Markov chain， this paper discusses its spatial and temporal evolution characteristics， and analyzes the influence factors and spatial spillover effects of green total factor productivity of logistics industry with the help of spatial panel econometric model.The results show that the green total factor productivity of logistics industry has a significant dynamic evolution law， and the coordination degree of logistics development among provinces needs to be improved;there is a significant positive spatial autocorrelation in green TFP of logistics industry， which shows that provinces with higher productivity tend to be adjacent， while provinces with lower productivity tend to be adjacent;the main driving factors of green total factor productivity of logistics industry include traffic network density， logistics energy intensity， traffic intensity and per capita GDP，and each influence factor has significant spatial spillover effect， among which the market-oriented process has the highest positive spillover effect， while the degree of opening to the outside world and regional industrial structure have negative spillover effect.

Key words：logistics industry; TFP; dynamic evolution; influence factors; spatial spillover

（責任编辑：关立新）