“一带一路”沿线省份绿色物流效率及影响因素研究

贾县民　徐蓉　谭佳信

关键词：一带一路；绿色物流效率；超效率SBM；Malmquist指数；Tobit模型

中图分类号：F 403.3 文献标志码：Ａ 文章编号：2096-7934（2024）02-0058-13

一、文献综述

党的二十大明确提出“绿色化、低碳化”是实现经济高质量发展的关键。随着经济的高速增长，我国物流需求将会持续增长，物流业作为高污染、高能耗、高排放的“三高”行业，承担着贯彻落实国家“双碳”目标的重要任务，急需紧跟时代步伐，加速其绿色化进程。“一带一路”倡议有利于中国与沿线国家分享优质产能，加深贸易联系，是我国外循环的重要路径之一，物流业是其得以互联互通的支柱力量。但物流业能源消耗量逐年上升，长期处于“高投入、高产出”的粗放型发展模式，加之“一带一路”沿线区域发展不平衡，极大地影响了“一带一路”沿线省份绿色物流的发展。习近平总书记在党的二十大报告中提出，“促进区域协调发展”是我国加快构建新发展格局、实现高质量发展的五大战略支柱之一。因此，提升“一带一路”沿线省份绿色物流效率是构建“双循环”新发展格局的必要之举，也是实现高质量发展的必由之路。

现阶段绿色物流效率相关研究已经取得了丰富成果，但仍有进一步拓展的空间，主要表现在三个方面。一是指标体系构建方面。传统的物流效率评价指标体系通常仅基于期望产出进行测算［1-2］，但随着物流业的发展和“双碳”目标的提出，不考虑环境因素，忽略非期望产出的效率测算结果与客观事实和发展要求不符。因此，学者们逐渐将碳排放量作为非期望产出纳入了指标体系［3-5］，本文也将非期望产出设定为“物流业碳排放量”，构建物流业效率测度指标体系，并将其称为绿色物流效率。二是研究对象和视角方面。现有文献大多以我国整体［6-8］、某一经济带［9］或地区［10］、城市群［11］作为研究对象，而“一带一路”作为我国构建“双循环”新发展格局的关键，鲜有学者从其沿线区域协调发展视角来探讨其绿色物流效率。三是绿色物流效率影响因素方面。学者们的研究有经济水平、对外开放程度等宏观指标；也有产业结构、产业聚集程度等中观指标；微观主要集中在对具体物流企业的研究中。但由于影响绿色物流效率的因素非常多，学界对于绿色物流效率影响因素的指标的选取尚未达成一致，同一指标名称的度量标准也存在分歧，本文在考虑数据可得性的基础上，充分考虑经济水平、产业结构、基础设施水平、物流资源利用率、物流业劳动生产率、能源结构、城镇化水平、要素禀赋、环境规制以及物流业集聚水平因素。现有文献的实证分析主要采用Tobit 面板回归模型［12］、随机前沿分析（SFA）［13］、空间杜宾模型［14］、面板回归［15］与LMDI因素分解模型［16］等方法。本文以超效率SBM模型测算出的绿色物流效率作为因变量，其效率值为大于0的截断值，与Tobit模型运算相契合，因此选用Tobit回归模型来分析“一带一路”沿线省份绿色物流效率影响因素。

综合以上讨论，本文拟将“物流业能源消耗量”加入投入变量，将非期望产出设定为“物流业碳排放量”，构建绿色物流效率测度指标体系。以“一带一路”沿线省份（除西藏自治区）作为研究对象，并将其划分为四大区域，利用ML指数模型和超效率SBM模型分别对沿线省份绿色物流效率进行动态和静态分析，同时将超效率SBM值作为被解释变量，研究各影响因素对“一带一路”沿线省份绿色物流效率的影响方向和程度。

二、沿线省份绿色物流效率测度

（一）测度方法

效率评价一般采用生产前沿分析方法，主要包括随机前沿分析（stochastic fonter analysis，以下简称“SFA”）和数据包络分析法（data development analysis，以下简称“DEA”）。超效率SBM（slack based wodel，以下简称“SBM”）模型对传统的DEA模型进行优化，其主要优势有：考虑了投入产出的松弛问题，更符合现实；解决了几个DMU的效率同时等于1的问题，便于比较和排序。但由于此模型计算结果为静态的，未能测度绿色物流效率的动态变化，因此再选用Malmquist指数模型对各DMU的全要素生产率进行测算，以研究绿色物流效率动态的变化。

1.超效率SBM模型

静态绿色物流效率测度模型，超效率SBM模型如式（1）所示。其中，ρ*为目标效率值；n为决策单元个数；q为决策单元投入数量；u1为期望产出；u2为非期望产出；xi，ygr，ybl分别为相应的投入矩阵、期望产出矩阵和非期望产出矩阵中的元素；λj为权重向量；下标为“k”的变量为被评价单元；（x，yg，yb）为剔除第k个决策单元的决策变量参考点。

2.Malmquist指数模型

Malmquist指数也被称为全要素生产力指数，其通过距离函数来衡量DMU的动态效率，以及它们之间的相对比例。通过将2个DMU作为基准，可以比较出是否有所改善。在特定期间生产技术不变的前提下，对具有多个输入、输出变量的DMU，用距离函数的比率来衡量投入产出的效率。将每个省份看作一个DMU，第t+1年、第t年的投入产出量分别为（xt+1，yt+1）、（xt，yt），则碳排放效率变化的Malmquist指数可以表示为：

当（xt+1，yt+1）<1时，说明第t+1期的碳排放效率相对于第t期有所降低；反之，则说明第t+1期的碳排放效率相对于第t期有所提高。规模报酬不变时，ML指数可以分解为技术效率变化指数（EC）和技术进步指数（TC）；规模报酬可變时，EC又可分解为纯技术效率变化指数（PEC）及规模效率变化指数（SEC）。PC反映了DMU内部管理水平的变动情况；SC反映了DMU规模报酬的变动情况；TC反映了效率边界的移动程度，用来衡量DMU对于新技术、新产品的应用情况。

（二）指标体系构建与数据来源

1.指标体系

在构建物流效率测度指标体系时，针对投入指标，绝大部分学者是从资本与劳动两个角度选择物流业固定资产投资额与物流业从业人数为投入指标。针对不同研究背景，各学者对物力投入指标的选择标准不一：一部分学者选择运输路线长度，另一部分选择物流网络里程、等级公路的总里程或二氧化碳排放量。在产出指标的选取上，学者们往往会根据实际情况，从物流业的生产总值、增加值、货运量及货运周转量4个指标中进行权衡，基于现有文献资料，并考虑到本文研究对象及其背景，构建了绿色物流效率测度指标体系如表1所示。

表1 绿色物流效率测度指标体系

2.数据来源

物流业的相关数据很难从《国民经济行业分类》（GB/T4754—2011）中直接获取，由于交通运输、仓储和邮政业占物流业增加值比重达80%以上，学界普遍以三者数据代替物流业进行分析研究，本文也以交通运输、仓储和邮政业的数据代替物流业。

鉴于西藏自治区数据不足，本文选择了我国“一带一路”沿线其余17个重点省份作为研究对象。交通运输、仓储和邮政业增加值、固定资产投资额、从业人员数量和货物周转量相关数据来源于2011年至2020年《中国统计年鉴》，交通运输、仓储和邮政业能源消费量相关数据来源于2011年至2020年《中国能源统计年鉴》。

2015年3月，中国政府制定并发布了《推动共建丝绸之路经济带和21世纪海上丝绸之路的愿景与行动》将“一带一路”国内区域划分为西北、东北、西南、沿海和港澳台地区以及内陆五大板块，为各自的功能定位和发展方向提供了明确的指导，本文据此将“一带一路”划分为东北区域（包括辽宁、吉林、黑龙江）、西北区域（包括内蒙古、陕西、甘肃、青海、宁夏、新疆）、西南区域（包括广西、云南、重庆）和东南区域（包括上海、浙江、福建、广东、海南）。

（三）结果分析

本文利用软件MaxDEA Ultra 8对我国2011年至2020年间“一带一路”沿线17个省份的绿色物流静态和动态效率进行测算，并且依据前文划分的四大区域，对其绿色物流效率进行比较分析。

1.绿色物流静态效率分析

“一带一路”沿线省份绿色物流效率及其排名如表2所示。

表2 2011年至2020年“一带一路”沿线省份绿色物流效率

依据表2结果，可以看出2011年至2020年10年间，“一带一路”沿线各省份的绿色物流效率呈螺旋式增长态势，但效率值总体较低。分省（市）来看，上海、浙江绿色物流效率最高，效率值分别为1.2751和0.9742，辽宁、内蒙古、宁夏和福建绿色物流效率处于中间水平，都在0.8以上。新疆、青海、黑龙江绿色物流效率实测结果最小，黑龙江省绿色物流效率值低至0.2425。从现实来看，上海、浙江等绿色物流效率相对较高的省（市），经济较发达，而绿色物流效率低下的新疆、青海、黑龙江的经济发展则相对落后。经济较发达省份，物流规模经济效应明显，单位物流量能耗水平越小，随着经济的发展，运输工具和物流设施的利用率也会提高，这样，綠色物流的效率就会得到极大的提升。反观经济欠发达省份，某些经济发达省份之所以绿色物流效率不高，或许是因为虽然有先进技术、丰厚的资金基础和人才储备，但是缺乏整合资源的能力。

图1 2011年至2020 年“一带一路”沿线分区域绿色物流效率

分区域来看，如图1所示，除2018年至2020年外，东南地区的绿色物流效率平均水平一直领先。东北区域的绿色物流效率均值在2011年至2018年为上升趋势，并在2018年成为各区域最高，之后呈下降趋势。西北区域的绿色物流效率均值整体波动较为平缓，在2011年至2017年呈上升趋势，2018和2019年均下降，2020年又上升。西南地区的综合效率均值在2011年至2013年的变化趋势为正，并在2013年达到峰值，2013年以后呈下降趋势且2016年至2020年均为各区域最低。东北区域绿色物流效率在2011年至2018年呈上升趋势，可能是由于东北区域原先以重工业为主，技术效率相对最低，在过去的10年中，鼓励企业进行数字化转型，增强科技创新能力，积极借鉴先进物流管理方法，推动了纯技术效率的提升，从而提升其绿色物流效率。

各区域绿色物流效率的整体均值为东南区域＞西北区域＞东北区域＞西南区域。究其原因，东南区域多是沿海发达省份，其绿色物流效率值在2016年前遥遥领先，随着“一带一路”倡议的贯彻落实和中欧班列的开行，内陆地区的物流业规模逐渐扩大，占据了一定的市场份额。因此2017年以后东南区域绿色物流效率出现下降。由于地理位置和经济发展较为落后，西北区域的绿色物流效率变化最为平缓。西南区域从2013年起绿色物流效率呈下降趋势，可能是因为其现有的技术设备、人员素质和管理水平无法满足电商及国内贸易快速发展带来物流需求的激增，使技术效率下降，从而导致其绿色物流效率的下降。

2.绿色物流动态效率分析

“一带一路”沿线省份绿色物流效率指数均值及其分解情况如表3所示。其中，TFP指数表示全要素生产率的变化情况，EC指数代表技术效率变化情况，TC指数表示生产技术变化情况，即TFP=EC×TC 。当TFP生产率指数大于1，表明生产率是提高的，越大表示提升的越多，小于1表示生产率的下降，越小表明下降的幅度越大；TC指数大于1，表示技术效率在进步，EC大于1，则表明配置水平进步，反之亦然。

表3 2011-2020年“一带一路”沿线省份绿色物流效率指数均值及其分解

从整体来看，“一带一路”沿线省份绿色物流TFP指数的均值处于改善状态。在研究期内，TFP全要素生产率指数均值只有在2013年至2014年和2015年至2016年低于1，表明“一带一路”沿线省市这两个阶段的绿色物流效率下降，但是这两个阶段的EC指数均大于1，说明技术效率得到改善，绿色物流效率水平下降的主要原因在于TC指数小于1，即技术退步。2011年至2020年间的TFP全要素生产率指数均大于1，说明在这几个阶段“一带一路”沿线省市绿色物流效率得到改善，其中，2012年至2013年、2017年至2018年和2018年至2019年的EC技術效率变化指数小于1，说明这三个阶段绿色物流效率改善的原因主要是生产技术的进步，其余四个阶段绿色物流效率的改善是技术效率的提升和技术进步共同作用的结果。TFP全要素生产率指数的总体均值为1.0666，说明“一带一路”沿线省市整体的绿色物流效率水平得到了改善，其 EC 指数均值和 TC 指数均值分别为 1.0355和1.0402均大于 1，说明“一带一路”沿线省市绿色物流效率的提升是技术效率提升和技术进步共同作用的结果，且技术进步的作用大于技术效率提升。

分区域来看，2011年至2020年“一带一路”沿线四大区域绿色物流TFP全要素生产率指数均大于1，说明四大区域的绿色物流生产效率均为改善状态，从大到小依次为：西南区域、东南区域、东北区域与西北区域。通过比较发现，东南区域不论TFP指数值或EC、TC的指数值都比较高，表明在2011年至2020年间，东南区域绿色物流生产率增长最快（如表4所示）。究其原因，东南区域的经济规模较大，发展水平较高，产业基础扎实，经济发展促进物流业迅猛发展。另外，四大区域EC指数值均大于TC指数值，表明四大区域绿色物流TFP指标提升都以技术效率提升为主，受益于管理水平提升促进了物流业发展，今后应进一步加大对物流技术创新的投资力度。

表4 2011-2020年“一带一路”沿线四大区域绿色物流效率指数均值及其分解

三、沿线省份绿色物流效率影响因素分析

1.影响因素选择

影响绿色物流效率的因素很多，学界对于绿色物流效率影响因素指标的选取尚未达成一致，同一指标名称的度量标准也存在分歧。本文在梳理现有文献后，考虑指标的科学性和数据可得性，选取了10个影响因素指标，选取的指标及其度量标准如表5所示。

表5 影响因素指标及其度量标准

2.模型构建

Tobit模型，也称受限因变量模型。使用超效率SBM模型测算出的有效决策单元效率值为大于0的截断值，0为截断点，这种情况下，采用普通最小二乘法（OLS）模型会出现结果有偏且不一致，而沿线省份绿色物流效率值为截断变量，存在下限为零的界限，即被解释变量为受限制的数据，Tobit模型可以有效避免结果的偏差性。

因此本文根据所选影响因素度量值作为自变量输入数值，“一带一路”沿线省份绿色物流效率作为因变量输入数值，构建基于Tobit模型的沿线省份绿色物流效率影响因素多元线性模型如下：

其中，Y为因变量，表示沿线省份绿色物流效率；β为回归式的常数项：ω1、ω2、ω3……ω10为各自变量的回归系数；下标i和t分别为省份序号和年份，常数项、变量的系数和残差分别为β、ω和δ。

3.结果分析

本文以超效率SBM测算出的绿色物流效率值为因变量，各影响因素指标为自变量，对“一带一路”沿线省份绿色物流效率的影响因素进行Tobit回归分析，运用Stata16.0软件进行求解，结果如表6所示。

依据表6可得，在各影响因素中，基础设施水平、城镇化水平、要素禀赋及环境规制对沿线省份绿色物流效率的影响作用不显著；经济水平、产业结构及物流资源利用率、物流业劳动生产率、能源结构及物流业集聚水平对沿线省份绿色物流效率均有影响，但是影响方向和程度略有不同。其中经济水平、产业结构、基础设施水平、能源结构与物流业集聚水平对沿线省份绿色物流效率的影响最为显著。对沿线省份绿色物流效率产生正向影响的因素有：经济水平、产业结构、物流资源利用率、物流业劳动生产率与城镇化水平。而能源结构、要素禀赋、环境规制和物流业集聚水平则对沿线省份绿色物流效率产生负向影响。

表6 “一带一路”沿线省份绿色物流效率影响因素Tobit回归结果

具体分析如下：

（1）“一带一路”沿线省市经济发展水平对绿色物流效率的提高起促进作用，其P值为0.009，回归系数为11.949，说明其在1%的水平下显著影响绿色物流效率。经济发展水平高，既可以拓展物流业市场规模，推动了物流需求猛增，也可以增加对创新研究的投入，鼓励物流业开展新技术设备、新能源等研究，增加物流业资源利用率。经济增长与绿色可持续发展是人民追求的目标，也是现代社会进步程度的重要标志之一。2011年至2020年间“一带一路”沿线省份经济发展水平较好地推动了绿色物流效率，且促进效果在所有指标中最为明显。

（2）产业结构与绿色物流效率呈显著正相关，其回归系数为13.199，且在 1%的水平下表现为显著，即第三产业占比值越高，“一带一路”沿线省份绿色物流效率值越高。从绿色物流效率角度看，一方面第三产业占比的提升，意味着第二产业的占比越小，更少的资源消耗、污染物排放和更多的产品产出；另一方面第三产业占比的提升，意味着技术水平的改善和发展规模的扩大，同样有利于绿色物流效率提升。

（3）物流资源利用率的回归系数为0.027，且在10%显著性水平下表现显著，说明“一带一路”沿线省份绿色物流效率受到物流资源利用率的显著影响，且影响方向为正向，即物流资源利用率越高，绿色物流效率越高。这主要在于，随着物流资源利用率的提升，一定的物流资源可以将产出最大化，从而节省能源等各种资源的投入，从而提升绿色物流效率。

（4）物流业劳动生产率的回归系数为25.413，且在10%显著性水平下表现显著，说明“一带一路”沿线省份绿色物流效率受到物流业劳动生产率的显著影响，且影响方向为正向，即物流业劳动生产率越高，绿色物流效率越高。这表明沿线省份物流企业的生产经营状况、雇员的工作效率和稳定性，会促进绿色物流效率改善。良好的生产经营状况和较高的专业技能水平能够提升物流作业的整体效率及质量，进而对绿色物流效率产生积极影响。

（5）能源结构的回归系数为-14.359，且在 1%显著性水平下表现显著，说明“一带一路”沿線省份绿色物流效率受到能源结构的显著影响，且影响为负向影响，即能源消耗中煤炭的占比越低，物流业碳排放效率水平越高。这主要在于煤炭有着不同于其他能源的碳排放系数，一般情况下，在同等条件下，煤炭在使用过程中所产生的 CO2排放量远高于其他能源。因此，“一带一路”沿线省份绿色物流业需要对自身的能源结构进行优化，并出台相应的能源政策，限制煤炭等高污染能源的消耗量，鼓励物流企业多使用清洁能源。

（6）物流业集聚水平也在1%的显著性水平下负向影响沿线省份绿色物流效率，这可能是物流业的聚集度发展到一定程度以后的结果，区域内部物流业持续扩张，将出现供过于求，可能导致环境污染，资源浪费等问题，从而对绿色物流效率改善产生负面影响。

四、结论与政策建议

1.结论

本文利用2011年至2020年“一带一路”沿线省份的面板数据，研究了绿色物流动态和静态效率，并对其影响因素进行了探究。经过分析得到如下结论：

（1）从“一带一路”沿线省份静态绿色物流效率来看，绿色物流效率均值为0.6626，并呈周期性波动，纯技术效率低下是影响沿线省份整体绿色效率的主要原因。四大区域中东南区域最高、西北区域次之，东北和西南区域较低。

（2）从“一带一路”沿线省份动态绿色物流效率来看，绿色物流的TFP生产率指数平均值有一定程度的改善，是技术效率提升和技术进步共同作用的结果，且技术进步的作用大于技术效率提升。四大区域中西南区域最高、东南区域次之、西北区域最低。

（3）Tobit模型回归分析得出，经济水平、产业结构、基础设施水平、能源结构及物流业集聚水平对沿线省份绿色物流效率的影响最为显著，其中经济水平、产业结构、物流资源利用率与物流业劳动生产率对沿线省份绿色物流效率的提高产生正向影响，能源结构、要素禀赋、环境规制及物流业集聚水平则对沿线省份绿色物流效率产生负向影响。

2.政策建议

为减少二氧化碳排放量、提高资源利用率、提升绿色物流效率，走绿色物流可持续发展道路，建议从以下四个方面进行：

（1）调整物流业能源消费结构，提高能源利用效率。随着全球变暖的不断加剧，物流行业的能源消费必须从从传统的化石燃料转向可再生的新兴能源，这种新兴的可再生能源可以有效减少碳排放，并且不会产生温室气体。因此，必须积极探索新的可再生能源，并且加大对其的R&D投入，从而促进能源的清洁化。例如，可以对生物资源进行高效的利用，对技术进行改造和应用，对洁净能源进行推广。同时应强化流通加工、包装、仓储、装卸搬运及配送各环节数字化、智能化技术，整合产业链，强化环境保护意识，避免能源浪费，提高能源利用效率，减少物流产业各环节对非清洁能源的消耗。

（2）搭建物流信息化平台。搭建一个数字化、信息化的物流平台，实现物流各项活动、各个环节数据的共享，对商品流通的运输关系进行协调。物流信息平台不仅可以减少碳排放，还可以降低企业物流成本，顺应绿色物流要求。利用信息化平台统筹管理运输路线，大力发展多式联运，利用信息中心降低空载率，从区域整体角度提前规划物流业发展，避免资源浪费。“一带一路”沿线省份的运输方式包括公路、铁路、航空和管道运输，这些方式都是物流业的重要组成部分，对这些资源进行整合，发展多式联运，可以有效地提高物流效率，实现经济高速发展。

（3）政府应加强“碳引导”和政策激励力度。发改委、环保部、财政部等部门，应加快制定完善“碳排放税”等相关税收的征收标准，对践行绿色低碳可持续发展的优秀企业，实施一定的减税优惠和政策倾斜，对其经营者进行经济补助和推广宣传，以求通过政府的引导和帮扶，促进企业绿色物流发展，提升绿色物流效率。

（4）推动区域物流协调发展。东南、东北、西北和西南区域绿色物流效率差距较大，为了提高四大区域的绿色物流效率，必须加强交流与合作。政府层面应积极推动地域间的协作和沟通，建立信息共享机制，突破地域限制，推进跨省份绿色物流合作模式的构建。加大对物流行业中节能环保的宣传力度，引导社会大众积极参与到绿色物流中来，共同推进低碳经济的发展。与此同时，各地方政府要通过出台相对应的政策对地区差异进行调节。绿色物流效率较低的省份应积极协作和交流，学习其他省份在碳减排方面的先进经验与技术；对绿色物流效率高的省份来说，要积极承担更大减排责任，积极引领其他省份提升绿色物流效率，从而实现区域协调发展、共同进步的目标。

参考文献：

［1］余泳泽，武鹏.我国物流产业效率及其影响因素的实证研究——基于中国省际数据的随机前沿生产函数分析［J］.产业经济研究，2010，44（1）：65-71.

［2］王琴梅，谭翠娥.对西安市物流效率及其影响因素的实证研究——基于DEA模型和Tobit回归模型的分析［J］.软科学，2013，27（5）：70-74.

［3］王维国，马越越.中国区域物流产业效率——基于三阶段DEA模型的Malmquist-luenberger指数方法［J］.系统工程，2012，30（3）：66-75.

［4］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，2018，34（10）：14-18，90.

［5］黄超然，周国华.碳约束下省域物流能源效率空间关联效应及其影响因素［J］.科技管理研究，2022，42（24）：184-191.

［6］马飞，胡江艳，孙启鹏，等.中国省际物流业碳排放绩效测度及驱动因素研究［J］.生态经济，2021，37（9）：27-33，39.

［7］张瑞，胡彦勇，郄晓彤.中国物流业能源生态效率与其影响因素的动态响应研究［J］.经济问题，2021，504（8）：9-17.

［8］龚瑞风，薛俭，刘汝丽.中国区域物流效率测度及其时空特征分析［J］.统计与决策，2022，38（10）：141-145.

［9］林秀群，李嘉新，李阳，等.长江经济带物流业碳排放效率的测度及时空演化特征研究［J］.生态经济，2022，38（12）：31-38.

［10］徐超毅，齐豫.我国区域物流业绿色发展效率测度和空间分析——以华东地区为例［J］.生态经济，2023，39（4）：81-88.

［11］何景师，王术峰，徐兰.碳排放约束下我国三大湾区城市群绿色物流效率及影响因素研究［J］.铁道运输与经济，2021，43（8）：30-36.

［12］车小英，隋博文，刘兴旺.基于Tobit回归的我国低碳物流发展影响因素实证分析［J］.商业经济研究， 2021（5）： 101-103.

［13］王海峰，田强，李金华，等.“一带一路”沿线省份物流效率及其影响因素的随机前沿分析［J］.公路交通科技， 2020， 37（10）： 151-158.

［14］张大利.我国物流业生态效率测度、空间效应分解与驱动因素研究［J］.商业经济研究， 2023（2）： 82-85.

［15］唐建荣，戚梦圆.区域物流业竞争力水平测度与影响因素分析［J］.统计与决策， 2022， 38（21）： 72-76.

［16］穆晓央，王力，徐蓉，等.西部省域物流业碳排放脱钩及影响因素研究［J］.环境科学与技术，2020，43（4）：214-219.

［17］张云宁，刘子琦，欧阳红祥，等.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［J］.管理现代化，2020，40（2）：33-40.

［18］龚雅玲，万建香，封福育.区域物流效率的测度及其影响因素研究——基于DEA与Tobit模型［J］.江西社会科学，2019，39（10）：72-80.

Study on Environmental Logistics Efficiency and its Influencing

Factors in Provinces along the Belt and Road

JIA Xian-min，XU Rong，TAN Jia-xin

（School of Management，Xian University of Finance and Economics，Xian，Shaanxi 710100）

Abstract：The logistics industry is a pillar force for the connectivity of  the Belt and Road  Initiative， and it is also a high pollution， high energy consumption and high emission industry in China.Based on the data of provinces along the  Belt and Road from 2011 to 2020， the super efficiency SBM model and Malmquist index model are used to measure the efficiency of green logistics， and Tobit regression model is used to analyze its influencing factors.The results show that the current situation of green logistics development in the provinces along the  Belt and Road is not optimistic， and there is imbalance in regional development; The southeast region has the highest static efficiency， while the southwest region has the best dynamic improvement; The economic level， utilization rate of logistics resources， industrial structure， and labor productivity of the logistics industry positively affect the improvement of green logistics efficiency in provinces along the route， while energy structure and logistics industry agglomeration level play a restraining role.Based on this， suggestions are proposed to adjust the energy consumption structure， build a logistics information platform， strengthen “carbon guidance” and policy incentives， and promote coordinated development of regional logistics.

Keywords： the Belt and Road; green logistics efficiency; super-SBM;Malmquist; Tobit model

基金項目：西安市社会科学规划基金项目“西安市物流业双化协同转型机制及提升路径研究”（23JX48）陕西高等教育教学改革研究一般项目“基于融合-创新理念的物流管理一流专业建设研究与实践”（21BY109）；西安财经大学研究生创新基金项目“数字化驱动商贸流通业创新绩效的机理研究”（22YC034）；西安财经大学研究生创新基金项目“数字经济对新能源产业供应链协性影响研究”（23YC032）