基于SBM和Malmquist指数的我国物流业能源效率评价

雷盟 陈焰 王艺

[摘要]基于2003-2017年我国30个省（市、区）的面板数据，通过SBM模型和Malmquist指数，从静态和动态两个视角分析我国物流业能源效率。研究发现，就静态角度而言，我国物流业能源总体效率为0.62，还处于较低的水平，各地区之间差异明显，在观测期内东部沿海地区一直处于全国领先水平，西南地区效率最低。从动态角度来看，我国Malmquist指数均值为0.988，说明物流能源全要素生产率下降了1.2%，下降的原因是技术效率与技术进步共同作用的结果;全国八大区域中除北部沿海、东部沿海和南部沿海的Malmquist指数呈上升趋势外，其余地区均呈现不同程度的下降，技术进步是导致区域差异的主要原因。为此，提出优化物流产业结构、提高物流技术水平、因地制宜出台相关物流政策等措施，可进一步提升我国物流业能源效率。

[关键词]物流业;能源效率;SBM模型;Malmquist指数

[中图分类号]F259.2

[文献标识码]A

[文章编号]1005-152X（2022）02-0038-06

[收稿日期]2021-08-22[作者简介]雷盟（1998-），女，湖北孝感人，硕士研究生，研究方向：物流系统规划;陈焰（1973-），女，湖北武汉人，博士，副教授，研究方向：物流与供应链管理;王艺（1977-），女，陕西咸阳人，博士，副教授，研究方向：物流系统规划与仿真。

0引言

物流业是我国能源消费的主要行业，其中大量的能源消耗和CO2污染物的排放使物流业成为导致环境负外部效应的主要来源之一[1]。在绿色发展趋势成为全社会普遍认可的大背景下，如何在自然资源与环境保护两者的约束下共同实现我国物流业持续高质量发展，就成了社会各界密切关注的热点话题。因此，本文聚焦我国物流业能源效率，从动态与静态两方面对其展开深入分析，为提升物流效率、推动物流业高质量发展提出合理建议。

随着物流业在国民经济中的重要性日益提高，国内外学者对物流业能源效率的相关研究也越来越多，目前的研究主要集中在物流业能源效率评价和物流业能源效率的影响因素两大方面。关于物流业能源效率的评价，国内外学者主要采用随机前沿分析法（SFA）和数据包络分析法（DEA）展开研究。樊元、马丽梅[2]通过随机前沿分析法（SFA）测算了我国的物流生产效率并分析了东中西部区域物流效率间的差异;于丽静、陈忠全[3]利用改进的随机前沿分析法（SFA）测算了2008-2014年我国30个省份的物流效率，并对其外生影响因素如环境规制强度、经济发展水平等进行了分析。Markovits-Somogyi，等[4]利用数据包络分析法（DEA）测算了欧洲29个国家的物流能源效率，并对测算结果进行了有效评价;商传磊，等通过数据包络分析法（DEA）和Malmquist指数法对我国30个省份的物流全要素能源效率进行了测度分析，并对其从静态和动态两个角度展开了深入研究;周小鸿[6]基于2007-2016年长江经济带11省市的面板数据，通过DEA-Malmquist指数测算了各省市物流业绿色全要素生产率，同时分析了其主要影响因素，如对外开放度、环境规制等;殷风朝[7]通过DEA-Malmquist模型测算了山东省7地市在低碳约束下的物流效率变化情况。对于物流业能源效率的影响因素研究，林佳琳[8]在测度我国物流能源效率的基础上，分析了FDI对我国物流能源效率的影响，并得出结论FDI对我国物流能源效率的影响存在区域异质性;章忠亮[9]从环境规制角度对我国物流业能源效率进行实证研究，结果表明环境规制与物流业能源效率之间呈“U”型关系;Aronsson，等.[10]通过分析企业的具体案例研究了物流能源效率与环境之间的关系。

上述文献丰富了物流能源效率领域的研究成果，但仍存在不足之处：一是研究物流能源效率时大多采用静态分析方法，动态角度的研究成果较为缺乏;二是研究中对于区域的划分，多采用传统的东、中、西三大经济带划分法，由于我国这三大经济带长期以来发展水平存在较大的差异，这种区域划分的研究结果较为笼统，难以因地制宜地提出相关对策。因此，本文综合以往学者的研究，从静态和动态结合的角度，以及从总体、区域和省域的层面，提出针对我国物流能源效率的评价方法。

1研究方法

1.1SBM模型

为解决效率评价过程中的非期望产出问题，Tone，等[11]提出了非径向和非角度的SBM（Slack-Based Measure）方向性距离函数，SBM模型在目标函数中加入非零松弛变量，可以更有效地评价非期望产出下的效率问题，同时更真实的反映实际效率，其模型可表示为：

式（1）中，sx-与sy+分别表示投入、期望产出的松弛变量，sb-表示非期望产出的松弛变量;式（2）中，λ为权重向量，ρ为各决策单元的效率值，且满足0≤ρ≤1;对于特定的决策单元，当ρ=1时，说明该决策单元处于生产前沿，是完全有效率的状态。

1.2Malmquist指数

由Malmquist[12]提出的Malmquist指数法，后经Fare，等[13]构建的Malmquist方法用于测算全要素能源效率的变化情况，其表达形式如下：

式（3）中，x，y和x，y分别表示t+1时期与t时期的投入与产出，Dt与Dt+1分别表示第t期与第t+1期的距离函数。从第t期到t+1期内，当M>1时，全要素生产率呈现上升趋势;当M<1时，全要素生产率呈下降趋势;当M=1时，全要素生产率不变。

2评价指标体系构建

本文选取2003-2017年我国30个省（不包含西藏、香港、澳门和台湾地区）的面板数据，参考以往大多数文献[5，18]的方法，用交通运输、仓储和郵政业的数据代替我国物流业数据，将每一个省（市、区）作为一个决策单元，采用国务院发展研究中心提出的方法将中国（大陆）分为八大区域，即东北地区、北部沿海地区、东部沿海地区、南部沿海地区、长江中游地区、黄河中游地区、西南地区、西北地区[14]研究我国物流能源效率。0D79B62C-9DB2-4857-A4C1-F7BF93609B3A

根据评价的主体或评价目的的不同，所选取的评价指标体系也有所差别。本文在前人研究的基础上[15-17]，建立我国物流业能源效率评价指标体系，见表1。

2003-2017年我国30个省（市、区）物流业投入和产出变量的描述性统计结果见表2。

3实证结果分析

3.1基于SBM模型的静态分析

将各省（市、区）的投入、产出面板数据代入SBM模型，应用DEA-solverPro5.0软件，得到2003-2017年我国物流能源效率，并对我国八大区域的物流能源效率的平均值进行统计，见表3。

3.1.1全国总体分析。从图1中可以看出，在本文研究期内，我国物流业能源效率总体水平不高。2003-2017年，全国物流业能源效率仅在0.5-0.7之间波动，物流业能源效率平均值为0.62，该数据表明我国物流业能源效率仍有很大的提升空间。通过政府环境规制、引导使用清洁能源、引进高效物流企业的高新技术和设备、提高企业内部管理水平等方式，从理论上分析我国物流业能源效率在维持既定产出不变的情况下，我国物流业能源投入可以节省目前水平的38%。

3.1.2区域差异分析。图2是2003-2017年我国八大区域物流业能源效率均值变化情况，结合表3和图2可知，八大区域中物流能源效率均值由低到高依次为西南地区<东北地区<黄河中游<长江中游<西北地区<北部沿海<南部沿海<东部沿海。西南地区、东北地区、黄河中游和长江中游的物流能源效率均值低于全国平均水平，其中西南地区的物流能源效率值最低;东部沿海、南部沿海、北部沿海和西北地区的物流能源效率均值高于全国平均水平，其中东部沿海的物流能源效率值最高，接近生产前沿，这说明东部沿海物流业的能源利用情况接近最优，反映出各区域物流业整体发展水平与区域经济发展水平基本一致[18]。

3.1.3省域差异分析。从各省（市、区）物流能源效率均值（表3）来看，2003-2017年间，物流能源效率高于全国平均水平的有13个省（市、区）;介于0.3和全国平均水平0.62的有15个省（市、区），其中天津、江苏、青海的物流能源效率一直处于较高水平;低于0.3的有2个省份，分别是云南和四川。近几年，江苏、安徽、江西、内蒙古和陕西等省份物流能源效率值有不同程度的提升，说明当地物流能源调控情况越来越好，其物流能源利用水平逐渐提高;北京、辽宁、浙江等省份物流能源效率值在观测前期为1，但随着时间的推移，效率值呈现不同程度的下降，说明这些省份在不同程度上远离生产前沿，物流业的能源利用情况趋于恶化。其中，北京这座超级城市的平均效率是0.5784，低于全国平均水平，说明北京的物流业能源利用水平与经济发展水平不相符合，物流业能源效率与经济发展水平之间可能存在非线性关系，这可能是因为发达地区物流需求旺盛，大批规模较小且低效的企业在我国低环境规制强度下涌入物流市场，物流业呈现出粗犷式发展，暴露出高消耗、高成本、高污染、低效益的问题，降低了物流能源效率。3.2基于Malmquist指数法的动态分析

运用DEAP2.1对我国2003-2017年各地区投入与产出数据进行Malmqusit指数测算，得到各地区历年的物流业能源Malmqusit指数及其分解情况。其中，Effch代表“技术效率变化指数”，Techch代表“技术进步变化指数”，Pech代表“纯技术效率变化指数”，Sech代表“规模效率變化指数”，Tfpch代表“全要素生产率指数”[5]。

3.2.1动态变动总体分析。从表4中可以清楚看到，2003-2017年我国物流能源全要素生产率平均下降了1.2%，其中，技术效率平均下降了0.8%，技术进步平均下降了0.3%，该数据说明两者共同作用导致物流能源效率下降。除2005年我国物流能源全要素生产率上升了1.1%，2003-2012年Malmquist指数均小于1，说明这期间我国物流业能源利用水平较低;2012-2017年间除了2016年Malmquist指数小于1，其他年份Malmquist指数均大于1，且呈现增长趋势，说明我国物流业能源效率有所提升，能源过度投入问题得到改善。

从我国物流业各年份Malmquist指数及分解的变化趋势来看（如图3所示），2003-2008年，全要素生产率指数与技术进步指数的走势大致相同;2008-2009年，全要素生产率小幅下降，但技术进步指数在上升，说明纯技术效率指数下降导致了全要素生产率的下降;2009-2012年全要素生产率逐年上升主要得益于技术效率指数的上升;2012-2017年全要素生产率与技术效率指数的变化趋势基本相同，均大致呈“Z”字型波动，说明近几年技术效率变化与物流业总体发展水平密切相关。与此同时，技术进步指数呈现出增长和降低相互交替的态势，但总体上仍呈增长趋势，说明近年来由于我国创新驱动发展战略的大力实施，物流业加快推广应用先进技术，实现了技术水平的不断提升。

3.2.2区域动态变动分析。从表5可知，2003-2017年我国八大区域物流能源效率Malmquist指数均值情况分别是：东北地区0.955，北部沿海1.016，东部沿海1.013，南部沿海1.045，黄河中游0.969，长江中游0.988，西南地区0.984，西北地区0.956，全国均值0.988。其中，北部沿海、东部沿海、南部沿海地区Malmquist指数增长率高于全国平均水平，长江中游地区Malmquist指数增长率与全国平均水平一致，其他四个地区均低于全国平均水平。按照Malmquist指数由高到低进行排名，八大区域依次为南部沿海、北部沿海、东部沿海、长江中游、西南地区、黄河中游、西北地区、东北地区。除南部沿海、北部沿海、东部沿海地区Malmquist指数呈上升趋势外，其余五大区域均呈下降趋势，说明我国部分区域物流业能源利用水平有待提高。0D79B62C-9DB2-4857-A4C1-F7BF93609B3A

从技术进步指数（Techch）看，北部沿海、东部沿海与南部沿海呈增长趋势（分别增长3.2%、2.4%、4.2%），其中南部沿海增长趋势最大，说明技术进步是北部沿海、东部沿海与南部沿海物流能源全要素生产率增长的主要因素。沿海地区经济发展水平高，对外开放水平高，电商产业发展相对成熟，这可能是沿海地区物流能源效率高于其他地区的最主要原因。其他五个地区（东北地区、黄河中游、长江中游、西南地区与西北地区）的技术进步指数均小于1，且呈下降趋势，其物流能源效率下降的主要原因是技术进步贡献率低。

从技术效率指数（Effch）看，除南部沿海呈增长趋势外（增长0.3%），其他地区技术效率指数均小于1，呈下降趋势。其中东部沿海和黄河中游下降幅度最大（下降1.5%），东北、东部沿海以及长江中游下降1.1%，西南与西北地区下降幅度最小（下降0.3%）。从纯技术效率指数（Pech）来看，八大区域的纯技术效率均小于1，说明我国物流业普遍存在投资过热的不良现象。从规模效率指数（Sech）来看，除南部沿海呈上升趋势，其余地区规模效率均小于1，呈下降趋势。3.2.3省域动态变化分析。从省域角度分析（见表6），样本年内全国有11个省（市、区）的物流能源Malmquist指数呈现上升趋势，有19个省（市、区）呈下降趋势。其中，广东、福建、山东3个省的物流能源Malmquist指数表现最好，增长率分别达到了10.9%、7.6%、6.4%。广东省物流能源效率的提高完全得益于技术进步，福建和山东则得益于技术效率指数与技术进步指数的双重提高。吉林、甘肃、陕西以及天津的物流能源效率下降的比较明显，分别下降7.9%、7.1%、6.4%、6.3%，其中吉林、甘肃、陕西下降的主要原因是对物流新技术的运用不足，技术进步贡献率低，其次是技术效率下降;天津下降的主要原因是技术效率严重下降，其次是技术进步。从技术进步的角度分析，大部分沿海地区以及黄河中游的河南省、内蒙古自治区，长江中游的湖南省、湖北省呈技术进步的趋势;从技术效率的角度分析，大部分省（市、区）呈技术效率下降的趋势。

4结语

本文基于2003-2017年我国30个省（市、区）物流业面板数据，考虑能源投入，以碳排放为非期望产出，基于SBM模型和Malmquist指数法对我国物流业能源效率进行了静态和动态分析，并从总体、区域和省域三个角度进行具体分析，得到以下结论：静态角度，2003-2017年我国物流业能源效率还处于较低水平（仅为0.62），各地区之间差异明显，东部沿海地区一直处于全国领先水平，西南地区效率最低;动态角度，2003-2017年我国物流能源Malmquist指数均值为0.988，总体下降了1.2%，技术效率指数为0.992，技术进步指数为0.997，我国物流能源全要素生产率的下降是技术效率与技术进步综合效应的结果;八大区域中，除北部沿海、东部沿海以及南部沿海的物流能源Malmquist指数呈上升趋势外，其余地区均呈现不同程度的下降，技术进步是导致区域差异的主要原因。

物流业涉及并贯穿每一个行业，改善提升物流能源效率具有很强的复杂性和系统性。根据本文研究结论，提出以下几点建议可有助于未来提高我国物流业能源效率：（1）完善物流业基础设施建设，科学规划路网、信息网、物流节点等，形成高效、绿色、智慧的物流疏运体系，减少能源消耗，提高物流运行效率;（2）推广运用物流新技术、新设备，提高我国物流技术水平，创新物流发展模式，培育物流专业人才，培育壮大物流企业，提升规模经济效益;（3）充分考虑不同地区资源禀赋差异和经济发展所处阶段，在不同区域、省域因地制宜地出台相关物流支持政策。

[参考文献]

[1]江雨珊，戢晓峰，李杰梅.低碳约束下中国物流业全要素能源效率评价[J].武汉理工大学学报（交通科学与工程版），2019，43（2）：113-117.

[2]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.

[3]于丽静，陈忠全.低碳视角下中国区域物流效率研究：基于SFA与PP的实证分析[J].生态经济，2017（4）.

[4]MARKOVITS-SOMOGYIR，BOKORZ.Assessingthelogis-ticsefficiencyofEuropeancountriesbyusingtheDEA-PCmethodology[J].Transport，2014，29（2）：137-145.

[5]商傳磊，张悟移，陈俊营.基于DEA和Malmquist指数的中国物流业全要素能源效率评价[J].生态经济，2019，35（3）：51-56.

[6]周小鸿.长江经济带物流业绿色全要素生产率测算及影响因素研究[D].重庆：重庆工商大学，2020.

[7]殷凤朝.碳约束下山东省地市物流业效率测度研究：基于DEA-Malmquis模型[J].上海市经济管理干部学院学报，2020，18（3）：44-50.

[8]林佳琳.FDI对我国物流业绿色全要素生产率的影响研究[D].济南：济南大学，2020.

[9]章忠亮.环境规制对物流业绿色全要素生产率的影响[D].蚌埠：安徽财经大学，2018.

[10]ARONSSON H，BRODIN M H.The environmental impact of changing logistics structures[J].International Journal of Logistics Management，2006，17（3）：394-415.

[11]TONE K，SAHOO B K.Degree of scale economies and congestion：A unified DEA approach[J].European Journal of Operational Research，2004，158（3）：755-772.

[12]MALMQUIST S.Index numbers and indifference surfaces[J].Trabajos De Estadistica，1953，4（2）：209-242.

[13]FARE R，GROSSKOPF S，ZHANG N Z.Productivity Growth，Technical Progress，and Efficiency Change in Industrialized Countries[J].American Economic Review，1994，84（1）：66-83.

[14]许淑婷.中国能源生态效率的时空演变与影响因素研究[D].大连：辽宁师范大学，2016.

[15]杨恺钧，毛博伟，胡菡.长江经济带物流业全要素能源效率：基于包含碳排放的SBM与GML指数模型[J].北京理工大学学报（社会科学版），2016，18（6）：54-62.

[16]张爱美，郭静思，吴卫红，等.物流业全要素能源效率变动及省域差异分析[J].资源开发与市场，2018，34（5）：611-616.

[17]王燕，刘婷.碳排放约束下我国区域物流能源效率及影响因素研究[J].生态经济，2018（10）：14-18.

[18]龚雪，夏银.中国物流业全要素生产率实证研究[J].南京财经大学学报，2020（5）：56-67.0D79B62C-9DB2-4857-A4C1-F7BF93609B3A