“双碳”背景下区域物流效率研究<br/>——以“一带一路”重点区域为例

“双碳”背景下区域物流效率研究
——以“一带一路”重点区域为例

2023-08-03谷子硕周书灵

河北环境工程学院学报 2023年4期

谷子硕,周书灵

(1.安徽理工大学经济与管理学院,安徽淮南 232001;2.宿州学院商学院,安徽宿州 234000)

物流业作为战略性、先导性产业,是推动社会经济发展的重要动力[1]。但在物流业的发展过程中会消耗大量的能源,产生大量有害气体[2]。为展现负责任大国担当,实现经济的低碳可持续发展,习近平主席在2020 年9 月向世界作出“双碳”目标的中国承诺,我国将争取在2030 年前实现碳达峰,争取在2060 年之前实现碳中和[3]。 “双碳”目标的提出加快了物流业的低碳发展步伐,通过对“一带一路”重点区域低碳物流效率的测算并对影响因素进行分析,有助于发现其物流业低碳发展过程中存在的问题,并据此提出针对性发展建议,对“一带一路”重点区域物流业的低碳发展具有重要意义。

随着双碳进程的不断推进,低碳物流效率引起了越来越多学者专家的关注。在研究地域方面:闫妍[4]对我国“一带一路”沿线区域低碳物流效率及影响因素进行探究,发现自“一带一路”倡议启动以来,东西部地区的效率差距逐渐缩小,物流专业化程度对物流效率的正向作用显著;杜晖[5]选取了我国30 个省(市、区)的数据样本,分析了物流业的低碳效率,结果发现我国物流业低碳效率总体水平较高,但区域间效率差距不断扩大;刘聪等[6]以长三角地区为研究对象,对其低碳物流效率进行了剖析,发现长三角低碳物流效率在动态中向好发展;何景师等[7]研究我国三大湾区城市群的低碳物流效率及影响因素,发现物流运输强度等对绿色物流效率具有显著正影响;郑金娥等[8]对长江经济带的低碳物流业效率进行比较分析,结果发现,全带技术效率值有较大上升空间,规模效率上升空间非常有限。

在研究方法上:李妍等[9]采用SBM-DEA 模型评估了我国物流业效率的总体水平并结合Tobit 模型进行回归分析,发现能源结构和政府影响与物流效率呈负相关;姚山季等[10]运用三阶段DEA 和曼奎斯特模型,分别从静态和动态对一带一路沿线省份的物流业效率进行测度;原雅坤等[11]利用三阶段数据包络分析模型对长江经济带生鲜农产品冷链物流低碳效率进行测度,并运用σ、β 收敛模型分析省际效率差异的收敛性;刘承良等[12]借助SBM-Undesirable 模型对中国各省份的低碳物流业效率进行测算;王燕等[13]运用包含非期望产出的SBM 模型,对全国30 个省(市、区)碳约束下的物流效率进行了测度,并运用截尾样本模型分析我国区域物流效率的影响因素。

综上可知,基于“双碳”背景的物流效率研究成果较为丰富,但多关注于经济发达省份或城市群,针对“一带一路”重点省份的研究较少并且基本以效率测算为主,对影响因素的研究相对缺乏。鉴于此,以“一带一路”重点区域为研究对象,将物流业能源消耗产生的二氧化碳排放量作为投入变量之一构建相应评价指标体系,采用DEABCC 模型与Malmquist 指数模型对其物流效率进行分析,并借助Tobit 回归模型对其影响因素进行研究,针对研究结果提出针对性建议以期为促进“一带一路”重点省份物流业的低碳可持续发展提供参考。

1 研究设计

1.1 模型介绍

1.1.1 DEA-BCC 模型模型

数据包络分析法是一种定量分析方法,其特点是可以对具有多投入与多产出的同类决策单元相对有效性进行分析[14]。物流效率测度中最为常用的有CCR 模型与BCC 模型,前者的特点为规模报酬不变,后者特点为规模报酬可变[15]。为分析物流效率的客观发展情况,选用BCC 模型对“一带一路”重点省份的物流效率进行测量,具体如公式(1)所示:

式(1)中:Xj0——初始投入;Yj0——初始产出;λj——权重系数;θ——决策单元的效率值;ε——阿基米德无穷小量;s-——投入松弛变量;s+——输出松弛变量。

1.1.2 Malmquist 指数模型

在进行低碳物流效率的测度时,为了更加客观分析17 个重点省(市、区)的物流效率变化情况,借助Malmquist 指数模型对动态物流效率进行分析[16],具体公式如下所示:

式(3)中:(xt,yt)——t时期的投入产出向量;(xt+1,yt+1)——t+1 时期的投入产出向量;当M＞1 时意味着物流全要素生产率在升高;当M＜1则代表着全要素生产率在下降;TFPCH——全要素生产率;EFFCH——技术效率;TECH——技术创新指数。

1.1.3 Tobit 回归模型

由于采用DEA-BCC 模型所得物流效率值介于0～1 之间,效率值受到限制,采用普通最小二乘法进行回归系数的估计会造成较大误差[17],因此使用基于极大似然法的Tobit 回归模型对低碳物流效率的影响因素进行研究,其公式如式(4)所示:

式(4)中:Y——物流效率值向量;α——截距项向量;β——回归参数;μ——误差项且μ～N(0,σ2);X——自变量向量;Y∗——截断因变量。

1.2 指标选择和数据来源

1.2.1 指标选择

评价指标的选择关系到研究的科学性和结果的准确性,根据对近年来学者们学术成果的研究发现,各学者在选择“双碳”背景下的物流效率评价指标上也有不同的考量,为本研究奠定了基础,部分学者们的评价指标选择如表1所示:

表1 物流效率评价指标建模统计

根据表1 的投入产出指标汇总并考虑数据可得性的基础上,本研究选取CO2排放量、物流业从业人数以及物流业固定资产投资额作为物流效率评价的投入指标,输出指标则选择物流业增加值以及货运量。具体评价指标选取与指标解释如表2 所示:

表2 投入产出指标体系

在进行CO2排放量统计时,将物流业所需的原煤等8 种主要能源消耗量进行折标准煤计算,并在此基础上参考2006 年《IPCC 国家温室气体清单指南》以及《中国能源统计年鉴》中的有关数据及方法对能源消耗后的CO2排放量进行计算,折标准煤系数及碳排放系数如表3 所示。

表3 各类能源折标准煤系数及碳排放系数

二氧化碳排放量计算公式如下所示:

式(5)中:Tij——“一带一路”第i个省份第年的CO2排放量;δj——第i种能源的标准煤折算系数;∂ij——第i个地区的第j种能源的消耗量;θj——第j种能源的碳排放系数。

物流效率会受到诸多因素的影响,在考虑数据可得性基础上结合物流业发展实际情况选取产业结构、经济发展水平、环保重视程度、科技研发能力作为环境变量,具体如表4 所示。

表4 环境变量选取

(1)产业结构。第三产业的发展离不开物流业的支持,产品的运输与服务的提供均需借助物流输送至消费者,因此产业结构对于物流效率表现有一定程度影响。

(2)环保重视程度。目前,国家对于环保的重视程度持续加强,环保工作力度不断加大,从而对高度依赖传统能源的物流业造成一定影响。

(3)城镇化水平。随着城镇化进程的不断加快,大量人口涌入城市,随之带来的是消费活跃度的提升与商品消费量的增长,物流活动也会愈加密集,因此,物流效率在一定程度上也会受到城镇化水平的影响。

(4)政府支持程度。我国实行的是以市场为导向,以政府调节为辅助的社会主义市场经济体制,政府的支持在一定程度上会影响物流效率。

1.2.2 数据来源

由于西藏自治区的相关数据缺失较多,顾将其数据剔除,最终选择上海、福建、浙江、广东、海南、重庆、广西、云南、黑龙江、吉林、辽宁、新疆、陕西、宁夏、甘肃、青海以及内蒙等17 个省(市、区)作为研究研本。各环境变量与CO2排放量为笔者根据2017—2021 年《中国统计年鉴》《中国能源统计年鉴》所公布数据经计算而得,其余变量均直接采用上述各年鉴公布数据。

2 实证研究

2.1 基于DEA-BCC 模型的静态物流效率分析

借助DEAP2.1 软件,将“一带一路”17 个重点省(市、区)的数据进行测算,得出各省(市、区)的物流效率值,测算结果如表5 所示:

表5 2016—2020 年“一带一路”重点区域低碳物流效率值

2.1.2 纯技术效率分析

在纯技术效率表现上,福建、浙江、广东、辽宁、宁夏、青海以及内蒙古均达到纯技术效率有效,原因是上述地区的物流技术得到了良好的发展并实现了有效利用。纯技术效率均值为0.852,未能达到平均水平的省(市、区)有上海、海南、重庆、云南、黑龙江、吉林、新疆以及甘肃,可以看出,其中有上海等经济发达地区,说明经济发展并不一定能使地区低碳物流纯技术效率得到提升。这种现象可能是发达地区对于低碳物流技术的投入欠佳造成的,应进一步关注低碳物流技术的发展与利用。

2.1.3 规模效率分析

在规模效率方面,“一带一路”重点区域的物流规模效率均值为0.903,略高于0.852 的纯技术效率均值,说明在综合效率的发展过程中,规模效率的带动能力要高于纯技术效率。达到规模效率均值的有上海、福建、浙江等13 个省(市、区),占比超过七成,说明各重点区域的规模效率发展较为理想。海南、广西、云南及青海这4 个地区的规模效率要低于纯技术效率,原因可能是存在物流业生产规模与自身发展水平不符,所以未能有良好的规模效率表现。

2.2 基于Malmquist 指数模型的动态物流效率分析

为更好地反映出“一带一路”重点区域的物流效率动态发展情况,使用Malmquist 指数模型对其2016—2020 年的低碳物流效率进行动态测算,具体结果如表6 所示:

表6 2016—2020 年“一带一路”重点区域物流效率变动趋势

2.2.1 各年份全要素生产率分析

由表6 可以看出,2016—2020 年各重点区域的物流全要素生产率均值为1.039,年平均增幅达3.9%,呈小幅增长趋势。呈现增长趋势的原因是技术进步指数增幅达到3.8%,要高于技术效率指数1%的增幅,起到良好的带动作用。纯技术效率也有较小幅度提高,增幅为1%。规模效率指数均值为1,呈现出持续稳定状态。

2.2.2 各省份全要素生产率差异性分析

为剖析“一带一路”各个重点省份2016—2020 年期间的物流全要素生产率发展情况及各省份间存在的发展差异,对17 个省(市、区)的测算数据进行了梳理,具体如表7 所示:

表7 2016—2020 年“一带一路”重点区域全要素生产率及其分解

由表7 可知,福建、浙江、广东、黑龙江、吉林、新疆、宁夏、青海的全要素生产率低于1.039 的平均水平,未能对全要素生产率均值起到推动作用,占到研究总数的47%。在全要素生产率大于1 的12 个省(市、区)中,增幅最明显的是云南,其次是陕西与甘肃,增长率分别达到15%,11.7%以及9.1%。云南全要素生产率提高是受技术效率提高的影响,其中技术效率又主要受规模效率的推动,说明云南在低碳物流发展中重视技术的运用。陕西与甘肃的技术进步效率提升是促成其全要素生产率提升的主要原因。

2.3 Tobit 回归结果分析

运用DEA-BCC 模型和Malmquist 指数模型对“双碳”背景下的“一带一路”重点区域物流效率进行了研究,为了进一步探索物流效率的影响因素,为“一带一路”重点区域的物流业低碳可持续发展提供有针对性的建议,采用SPSSPRO 软件进行Tobit 回归分析,结果如表8 所示:

表8 Tobit 回归分析结果

由表8 可知,除政府支持程度未通过显著性检验外,产业结构、环保重视程度以及城镇化水平均通过显著性检验且均为1%的显著性水平。

(1)产业结构对“一带一路”重点区域的物流效率影响系数为-0.018,为负相关关系,说明第三产业的发展未能对“一带一路”重点省份的物流效率发挥积极正向作用。原因可能是物流业的服务范围不只局限于第三产业,仅靠调整第三产业比重难以起到提高物流效率的作用。

(2)环保重视程度对物流效率的影响系数为负值,说明环保重视程度对物流效率的发展具有一定制约作用。原因可能是环保力度的加大与环保措施的落实会使过度依赖传统化石能源的物流业发展受到制约,物流业需逐步减少对传统化石能源的依赖,重视低碳发展。

(3)城镇化水平对物流效率的影响系数为0.012,城镇化水平每提升1 个单位,物流效率就会提升0.012 个单位。可能是因为城镇化进程的不断推进,交通基础设施也得到相应的发展与完善,智能云柜以及无人物流车等具备高新技术的设备的应用也在一定程度上促进了物流效率的提升。

(4) 政府支持程度所对应的影响系数为-0.005,并且对物流效率的影响不显著。原因可能是政府在对物流业进行帮扶以及对交通基础设施进行改善时可能存在财政投入与实际产出不匹配的问题,投入不当会对物流业的发展产生影响,从而难以提升物流效率。

3 结论与建议

3.1 结论

以“双碳”为背景,借助DEA-BCC 模型和Malmquist 指数模型并将二氧化碳(CO2)排放量作为投入指标构建“一带一路”重点省份物流效率评价指标体系,在对物流效率进行分析后,运用Tobit 回归模型对影响物流效率的因素及其影响的程度进行探究,得出以下结论:

(1)根据DEA-BCC 模型的静态测算结果来看,各重点省份物流效率存在较大差距。东南沿海地区中仅上海的物流效率值略低于平均水平,东南沿海地区整体物流效率发展情况要好于东北地区以及中西部地区,原因是东南沿海地区的物流技术运用与产业规模布局等方面的工作落实到位且水平较高。

(2)根据Malmquist 指数模型的动态测算结果来看,“一带一路”重点省份物流全要素生产率均值为1.039,呈较为积极的上升趋势。从技术进步指数均值要高于技术效率指数均值可以看出,物流全要素生产率上升的主要是受到技术进步速度加快与创新活力提升的影响。

(3)根据Tobit 回归分析结果来看,城镇化水平对物流效率具有正向影响,说明城镇化进程的不断推进也促使物流效率得到一定程度的提升,产业结构、环保重视程度与物流效率呈负相关关系,产业结构匹配度欠佳以及环保力度的加大对物流效率具有制约作用,政府支持程度对物流效率具有一定影响,但效果不显著,需根据物流业发展需求进行合理投入。