Abstract: 依據江蘇省13市2010年-2020年物流業(ye) 發展的麵板數據，將物流運營過程中產(chan) 生的二氧化碳當作非期望產(chan) 出變量，構建低碳物流效率評價(jia) 指標體(ti) 係，運用三階段Super-SBM模型，剔除環境因素和隨機誤差，並引入Malmquist指數模型，對江蘇省低碳物流效率進行靜態差異測度和動態變化分析。研究發現：外部環境和隨機因素對測算結果存在一定的影響，在2010年-2020年，江蘇省13市低碳物流效率呈現出穩定上升的發展狀態，但區域間低碳物流效率差異逐漸凸顯。同時，動態分析表明江蘇省低碳物流效率處在較高位置，但技術進步拉動還沒有達到最佳水平，仍有進步的空間，兼顧提高低碳物流技術效率，降低碳排放的潛力依然很大。這對推動江蘇區域物流轉型升級，降低能源消耗，提升低碳物流效率和推廣低碳物流可持續發展具有重要的參考價(jia) 值。 

Keywords: Low-carbon， Logistics efficiency，Three-stage Super-DEA，Malmquist model

I. Introduction

改革開放40多年，中國物流業(ye) 從(cong) 起步到快速發展發生了根本性的變革，取得了舉(ju) 世矚目的巨大成就^[1]。2015年國家發改委發布《關(guan) 於(yu) 加快實施現代物流重大工程的通知》提出，到2020年物流業(ye) 增加值占國內(nei) 生產(chan) 總值的比重達到7.5%左右，物流業(ye) 增加值年均增長實現8%左右，第三方物流比重由目前的約60%提高到70%左右。可見，物流業(ye) 已經成為(wei) 國民經濟發展的基礎性和支柱性產(chan) 業(ye) ，是國民經濟發展不可或缺的重要支撐力量。

作為(wei) 中國東(dong) 部地區物流大省之一，江蘇省物流業(ye) 近年來發展較快。據江蘇省現代物流協會(hui) 最新統計，2019年江蘇省實現社會(hui) 物流總額31.88萬(wan) 億(yi) 元，完成物流業(ye) 增加值5778.79億(yi) 元，社會(hui) 物流總費用達到13749.15億(yi) 元，與(yu) GDP的比率降至13.8%，其中，費用6575.94億(yi) 元，同比增長2.3%，占全省社會(hui) 物流總費用的比重為(wei) 47.82%，對江蘇區域經濟發展的地位和作用進一步增強。然而在物流業(ye) 快速發展過程中，其運作成本高，生產(chan) 效率偏低，能源消耗大、碳排放和大氣汙染物排放等問題麵臨(lin) 著嚴(yan) 峻的挑戰。據《中國能源大數據報告(2020)—能源綜合篇》和江蘇省能源資源環境統計處統計的資料顯示，2019年全省能源消費總量達到32525.97萬(wan) 噸標準煤，比上年增長2.8%，原油消費量達到4120.20萬(wan) 噸，比上年增長1%，液化石油氣消費量達到45.25萬(wan) 噸，比上年增長26%，原煤消費量達到23297.55萬(wan) 噸，焦炭消費量達到4967.15萬(wan) 噸，比上年增長16%。其中物流業(ye) （交通運輸、倉(cang) 儲(chu) 及郵電通訊業(ye) ）能源消費量達到2594.32萬(wan) 噸，約占全省能源消費總量的7.976%，物流業(ye) 已經成為(wei) 能源高消耗和環境重汙染的重要推手。如何推動物流業(ye) 轉型升級，擺脫原本高能耗、粗放型發展道路，大力發展綠色、高效的低碳物流將會(hui) 成為(wei) 物流業(ye) 可持續發展的必然選擇。

隨著低碳經濟理念的不斷深入，降低物流成本，提升物流效率漸漸引起政府和學者們(men) 的廣泛關(guan) 注。梳理文獻發現，國外學者重點關(guan) 注衡量綜合效率的全要素生產(chan) 率（Total factor productivity）理論研究，其最早可以追溯到Cobb & Douglas (1927)^[2]提出的柯布一道格拉斯生產(chan) 函數，隨後Slow (1957)^[3]在柯布道一格拉斯函數的基礎上提出索羅模型，進一步擴展了對全要素生產(chan) 率的解釋，將全要素生產(chan) 率定義(yi) 為(wei) 在產(chan) 值增長中資本與(yu) 勞動無法解釋的增長部分，為(wei) 解釋經濟增長提供了更廣闊的視角。到了20世紀60年代，Damson (1967)^[4]首次嚐試使用全要素生產(chan) 率進行產(chan) 業(ye) 效率評價(jia) ，同時Jorgenson & Griliches (1967)^[5]針對投入要素測度存在偏差與(yu) 投入要素考慮不全麵等問題，對索洛模型進行了重要補充。由於(yu) 索羅餘(yu) 值法隻能進行大致的核算，精確度不高，Meeusen & Broeck (1977)^[6]將SFA(Stochastic Frontier Analysis)引入到生產(chan) 率的測算中，開辟了全要素生產(chan) 率測算的新領域。90年代，Battese & Coelli (1992,1995)^[7]-[8]對模型進行改進，將SFA的應用從(cong) 截麵數據擴展到麵板數據，研究結果更加符合現實。Kutlu&McCarthy (2016)^[9]使用SFA分析了美國替代機場所有權類型的效率差異，發現所有權形式對成本效率很重要，但影響相對較小。而相對於(yu) SFA，數據包絡法的應用更為(wei) 廣泛，Charnes et al.(1978)^[10]以規模報酬不變為(wei) 假設提出DEA（Data Envelopment Analysis）—CCR（Charnes,Cooper and Rhodes）模型；Caves et al. (1982)^[11]在CCR模型的基礎上構造了DEA-Malmquist指數來進行產(chan) 業(ye) 效率的測度；Banker et al. (1984)^[12]對DEA模型進行了改進，提出規模報酬可變的DEA模型—BBC（Banker,Charnes and Cooper）模型；Esteller et al. (2010)^[13]將DEA模型進行改進，加入外生變量的影響形成三階段DEA模型，更全麵地對全要素生產(chan) 率的變動進行識別。隨後，Kabasakal et al.（2012）^[14]，Park&Lee (2015)^[15]，Ding et al. (2015)^[16] ，Schoyen et al. (2018)^[17]運用DEA- Malmquist模型對鐵路公司，物流行業(ye) 及港口碼頭等的物流全要素生產(chan) 率進行研究，提出使用供應鏈技術夠促進合作夥(huo) 伴之間的信息共享，得出了一些比較有價(jia) 值的結論。

國內(nei) 研究主要是借鑒國外的理論框架基礎，契合當前低碳經濟發展的現實情況，采用DEA、SFA和AHP（The analytic hierarchy process）等方法結合對低碳物流效率（Low-carbon logistics efficiency）進行係統分析。如畢誌雯(2011)^[18]從(cong) 低碳和環境的視角，采用DEA和Meta-Frontier的結合，對中國30個(ge) 省份低碳約束下的物流效率進行分析，指出低碳和環保勢必成為(wei) 我國物流業(ye) 未來轉型的核心，且二氧化碳排放是促成物流業(ye) 無效率的重要來源。張璿等（2016）^[19]運用Three-stage DEA模型，評價(jia) 新絲(si) 綢之路經濟帶沿線中國西部地區及俄羅斯等沿線主要國家的物流業(ye) 投入產(chan) 出情況，得出新絲(si) 路沿線地域物流效率不高且差距較大的發展現狀。李守林等(2017)^[20]利用DEA-Malmquist模型對2010年- 2016年80家交通運輸上市企業(ye) 的物流效率變動情況進行分析，發現近年來物流效率的平均水平出現了下降但幅度較小。程長明和陳學雲(yun) (2018)^[21]，采用DEA模型，加入了環境約束條件，對長三角地區物流業(ye) 效率進行研究，得出長三角地區物流效率呈“U"型趨勢，且技術進步是提高物流效率的關(guan) 鍵。鬱蔥籠(2018)^[22]運用麵板回歸模型，對1990-2015年我國各省物流業(ye) 資本與(yu) 勞動投入，以及物流業(ye) GDP增加值和CO₂排放量的相對產(chan) 出進行測度，得出技術進步是推動各省低碳物流業(ye) 成長的主要因素，資本投入對物流效率的影響並不顯著。李佳澍(2020)^[23]從(cong) 物流效率和區域異質性兩(liang) 方麵,對中國絲(si) 綢之路經濟帶沿線10個(ge) 省、市、區2005-2018年麵板數據進行分析，發現絲(si) 綢之路經濟帶沿線物流業(ye) 生產(chan) 管理方式仍舊以粗放型為(wei) 主，高投入低產(chan) 出。李健，劉戀（2020）^[24]基於(yu) 2007-2017年我國省際物流業(ye) 麵板數據，構建考慮非期望產(chan) 出的三階段Super-SBM模型（Slack-based Measure）和MPI模型(Malmquist Productivity Index)，得出我國物流效率水平呈現"M型"波動變化，且逐漸趨於(yu) 收斂態勢。

綜上所述，國內(nei) 外學者們(men) 對低碳物流效率的研究取得了一定成果，並一致認為(wei) 在當前低碳經濟中，大力發展綠色、高效的低碳物流是物流業(ye) 可持續發展的必然要求，這為(wei) 本文進一步的研究奠定了堅實的理論基礎和戰略目標。但也存在一些遺憾，如多數研究運用傳(chuan) 統 DEA 方法忽視了外部環境和隨機因素的影響，導致所得到的效率評估值可能存在一定的誤差。也有部分研究更重視從(cong) 物流經濟視角出發，未充分考慮能源、碳排放等低碳指標，較少把物流業(ye) 二氧化碳排放量作為(wei) 非期望產(chan) 出指標納入低碳物流效率的評價(jia) 體(ti) 係中，這樣就不能全麵反映物流業(ye) 低碳發展的實際狀況。當然，以低碳視角運用三階段SBM模型和Malmquist指數模型相結合對江蘇省物流效率進行評價(jia) 和對比分析的文獻更是缺少。

因此，本文在現有研究成果基礎之上，從(cong) 低碳經濟視角出發，以低碳物流效率為(wei) 突破口，依據江蘇省13市2010-2020年物流業(ye) 發展的麵板數據，將物流業(ye) 二氧化碳排放量作為(wei) 非期望產(chan) 出，運用三階段SBM模型和Malmquist指數模型相結合，對其低碳物流效率進行靜態測度和動態變化分析，深入挖掘低碳物流發展的內(nei) 部潛力，把握江蘇區域物流發展的低碳物流效率特征和真實水平，對推動江蘇低碳物流可持續發展具有重要的指導意義(yi) 。

1. 模型設計

2. 模型建立與(yu) 說明

   模型1：三階段Super-SBM模型

   三階段Super-SBM模型是Super-SBM model 的進一步延伸。Super-SBM 模型是將超效率和SBM模型結合起來的一種模型方法，源於(yu) 著名學者Tone^[29]-[30]在對傳(chuan) 統DEA模型基礎上提出的，是各個(ge) 領域發展中效率衡量的重要工具之一。本文首先構建考慮物流業(ye) 二氧化碳排放量即考慮非期望物流業(ye) 產(chan) 出的Super-SBM模型如下：

   假設有個(ge) 決(jue) 策單元，每個(ge) 決(jue) 策單元有個(ge) 投入指標、個(ge) 期望性產(chan) 出指標、個(ge) 非期望性產(chan) 出指標。

Subject to:

           （3）

其中，為(wei) Target efficiency value，為(wei) Expectant output Slack variable，為(wei) Unexpectant output Slack variable，為(wei) 投入的鬆弛變量（Slack variable），為(wei) 權重。權重向量關(guan) 於(yu) 鬆弛變量、和單調遞減。

定義(yi) ：當時，表示當前該決(jue) 策單元無效，當時，表示當前該決(jue) 策單元有效。如果或或時，表明該決(jue) 策單元有效性弱有效，當且僅(jin) 當時，表示該決(jue) 策單元處於(yu) 完全有效狀態。

基於(yu) Super-SBM模型，再進一步考慮環境影響和隨機誤差對測定結果造成的影響，將環境因素、無效率管理和統計噪聲三者同時納入低碳物流效率的評價(jia) 體(ti) 係中，構建以下三階段Super-SBM模型。

First stage：Basic Super-SBM model

該階段為(wei) input-oriented model，對決(jue) 策單元的投入與(yu) 產(chan) 出數據進行Super-SBM分析，得到各個(ge) 決(jue) 策單元的效率值，以及決(jue) 策單元實際的投入量與(yu) 最佳投入量之間的差額值，即鬆弛變量。

Second stage：SFA回歸模型

該階段重點考慮到環境因素和隨機誤差都有可能對鬆弛變量產(chan) 生影響，故采用SFA模型對基礎Super-SBM模型進行改進，即分解第一階段Super-SBM模型計算得出的投入差額（鬆弛變量），且變量受到環境因素、管理無效率和隨機誤差共同的影響。

對於(yu) 個(ge) 決(jue) 策單元種不同投入要素，可以得到個(ge) 回歸模型，         ，

，，表示第個(ge) 決(jue) 策單元第種投入的差額值，表示第個(ge) 決(jue) 策單元的第種投入的最佳值。 

假設有個(ge) 可觀察的環境變量，則種不同投入要素的SFA回歸模型為(wei) ：

                      （4）

其中，是環境變量的待估參數；表示環境變量對鬆弛變量的影響參數；表示隨機誤差，表示管理無效率，且與(yu) 不相關(guan) 。

本文選取3個(ge) 可觀察的環境變量，則種不同投入要素的SFA回歸模型為(wei) ：

               （5）

其中，是環境變量的待估參數；代表選取的物流產(chan) 業(ye) 密度變量；代表城鎮化水平變量；代表物流業(ye) 專(zhuan) 業(ye) 化水平變量；表示隨機誤差，表示管理無效率，且與(yu) 不相關(guan) 。

由於(yu) 第一階段Super-SBM模型估計出來的差額變量值最小為(wei) 零，會(hui) 有數據截斷（Censored data）問題的產(chan) 生。因此，本文在第二階段使用Tobit截斷回歸模型進行鬆弛變量的分解，並假定截斷點是0，且隻有以上的部分才與(yu) 計算相關(guan) 。

                          （5）

若

若

為(wei) 潛變量，為(wei) 觀測到的變量，表示第個(ge) 決(jue) 策單元第種投入的鬆弛變量的潛變量，表示第個(ge) 決(jue) 策單元第種投入的鬆弛變量的原始變量，為(wei) 環境變量，為(wei) 需要估計的參數。

如果對決(jue) 策單元進行調整，則針對最有效的決(jue) 策單元，並且以最有效的決(jue) 策單元為(wei) 基準，得到調整後決(jue) 策單元的投入值為(wei) ：

   （6）

前者代表將所有決(jue) 策單元調整至相同的環境，即處於(yu) 相同的環境因素，後者表示將所有決(jue) 策單元的統計誤差調整至相同的情況。

Third stage : Adjusted Super-SBM model

將第二階段得到的調整後的和初始產(chan) 出變量，使用投入與(yu) 產(chan) 出數據進行Super-SBM分析，得到各決(jue) 策單元的效率值。由於(yu) 該階段的效率估計剔除了環境變量和隨機變量的影響，能反映出低碳物流效率的真實水平，更加接近現實情況。

模型2：Malmquist指數模型

基於(yu) 模型1對低碳物流效進行靜態評價(jia) 的基礎上，為(wei) 了更真實的體(ti) 現江蘇區域低碳物流效率隨時間動態變化的規律，本文再選用Malmquist 指數模型進一步分析^[31]。

本文將模型1中第三階段Super-SBM模型所得的投入產(chan) 出數據，代入Malmquist指數模型中，用距離函數的比率衡量投入產(chan) 出的效率。根據模型定義(yi) ，在t時期的技術水平下，從(cong) t時期至t+1時期的Malmquist生產(chan) 率變化用如下公式表示：

                         （7）

其中，代表決(jue) 策單元的投入產(chan) 出向量，為(wei) 時期的決(jue) 策單元在時期與(yu) 效率前沿（Efficient frontier）界麵的距離，表示時的決(jue) 策單元在時與(yu) 效率前沿界麵的距離。

在時期的技術條件下，從(cong) 時期到時期的Malmquist生產(chan) 率變化可以用以下公式表示：

                       （8）

由於(yu) 時期和時期的技術水平是不同的，在實證研究中，考慮到技術是不斷發生變化的，為(wei) 了避免任意選擇參照點可能導致的測量差異，研究中大多采用和的幾何平均值來計算Malmquist指數：

           （9）

Malmquist指數反映決(jue) 策單元從(cong) 時期到時期生產(chan) 率的動態變化情況，當指數大於(yu) 1時，表示生產(chan) 率呈上升趨勢，當指數小於(yu) 1時，表明生產(chan) 率水平呈現不變或者衰減的趨勢。

         （10）

其中為(wei) Total factor productivity Change，即Technical Efficiency Change，即Technical  Change，即Pure Technical Efficiency Change，即Scale Efficiency Change，且=×。若，則效率提高，若則效率不變，則效率降低。effch、techch、pech、sech大於(yu) 1，則表示技術投入合理、技術水平有所提高，投資規模與(yu) 當前生產(chan) 狀況相適應，對效率的提高有促進作用。

1. 指標選取與(yu) 數據處理

   投入與(yu) 產(chan) 出指標：研究低碳物流效率，首先要選取合理有效的投入與(yu) 產(chan) 出指標。指標選取既要能夠充分反映物流業(ye) 的運營情況又要符合指標數據的可獲取性，且還要滿足低碳物流效率評價(jia) 目標。依據指標選取的科學性、係統性、可量化和獨立性原則，並結合相關(guan) 學者們(men) 研究，本文選取以下投入和產(chan) 出指標：

運輸總裏程：代表物流業(ye) 運輸投入指標，包括鐵路營業(ye) 裏程、鐵路正線延展長度、公路通車裏程、內(nei) 河航道裏程、輸油管道裏程和公路橋梁長度等。由於(yu) 公路、鐵路、航路運輸占物流運輸的絕大部分，本文選取的運輸總裏程是指去掉輸油管道裏程的其他運輸線路長度，單位為(wei) 萬(wan) 公裏。

資本存量：代表物流業(ye) 資本投入指標，將郵政業(ye) 、倉(cang) 儲(chu) 業(ye) 和交通運輸業(ye) 三大行業(ye) 的總資本存量作為(wei) 資產(chan) 投入要素，由於(yu) 該數據無法直接在統計數據中體(ti) 現，因此需要采用永續盤存法對2010至2020年江蘇省物流行業(ye) 資本量進行估算，計算方式如下：

                        （1）

其中，和代表該地區在時間和時間物流業(ye) 資本存量，表示地區在時間物流業(ye) 的固定資產(chan) 投資額，表示該地區在時間內(nei) 的固定資產(chan) 折舊率，在物流業(ye) 可假定為(wei) 9.6%，單位為(wei) 億(yi) 元。

從(cong) 業(ye) 人數：代表物流業(ye) 人力投入指標，主要選取該年該地區郵政業(ye) 、倉(cang) 儲(chu) 業(ye) 和交通運輸業(ye) 的從(cong) 業(ye) 人數，單位為(wei) 萬(wan) 人。

貨運量：代表物流業(ye) 運輸生產(chan) 成果（數量）的產(chan) 出指標，主要指四大運輸方式（公路、鐵路、航空、水路）的總貨運量，單位為(wei) 萬(wan) 噸。

貨物周轉量：代表物流業(ye) 運輸能力的產(chan) 出指標，主要是指實際運輸貨物噸數與(yu) 距離的乘積，單位為(wei) 億(yi) 噸每公裏。

物流業(ye) GDP：代表物流業(ye) 經濟發展水平的質量產(chan) 出指標，主要選擇郵政業(ye) 、倉(cang) 儲(chu) 業(ye) 和交通運輸業(ye) 的年生產(chan) 總值，單位為(wei) 億(yi) 元。

二氧化碳排放量：代表物流業(ye) 非期望性產(chan) 出指標，主要指郵政業(ye) 、倉(cang) 儲(chu) 業(ye) 和交通運輸業(ye) 的全年不可再生能源排放的二氧化碳排放量，單位為(wei) 萬(wan) 噸。由於(yu) 江蘇省的統計年鑒中二氧化碳排放量為(wei) 全行業(ye) 總量，沒有對應的物流業(ye) 二氧化碳排放量，本文采用二氧化碳排放係數來計算二氧化碳排放量，具體(ti) 計算公式如下：

                      （2）

其中，為(wei) 各類能源，為(wei) 各類能源消耗量，為(wei) 各類能源消耗二氧化碳的係數^[26]。

依據上麵所列出的投入和產(chan) 出指標，建立本文低碳物流效率的評價(jia) 指標體(ti) 係（見圖1）：

Figure 1  Low-carbon logistics efficiency index evaluation system

另外，據相關(guan) 學者們(men) 指出^[27-28]，評價(jia) 指標體(ti) 係中每個(ge) 投入項與(yu) 產(chan) 出項都應該符合“同向性假設”。因此，運用SPSS15.0軟件對本文選取的物流業(ye) 投入指標、物流業(ye) 期望性產(chan) 出指標、物流業(ye) 非期望性產(chan) 出指標的數據進行Pearson相關(guan) 性檢驗（見表1）。從(cong) 表1得出，所有投入與(yu) 產(chan) 出指標的Pearson係數都為(wei) 正，且通過顯著性檢驗要求，說明本文選取的指標存在一定相關(guan) 性，指標選擇合理。

表1 江蘇省物流業(ye) 投入產(chan) 出指標Pearson係數表

環境變量指標：環境變量通常是指對效率存在實質性影響，但又不在樣本主觀可控範圍內(nei) ，且短期內(nei) 無法控製的變量。通過梳理文獻發現，對於(yu) 研究物流效率問題選取的環境變量大多與(yu) 物流產(chan) 業(ye) 發展所處的社會(hui) 經濟狀況、政府的相關(guan) 經濟政策，如區域經濟發展速度、發展質量、投資情況、通貨膨脹水平、城鎮化水平、市場化程度、社會(hui) 文化、人文環境因素等。本文結合江蘇區域物流發展情況和特征，考慮數據的可收集性，選擇環境變量指標如下：

物流產(chan) 業(ye) 密度：即為(wei) 區域物流產(chan) 業(ye) 的密集程度。本文將區域物流企業(ye) 數量與(yu) 區域麵積的比重用來衡量該區域物流產(chan) 業(ye) 密集程度。

城鎮化水平：城鎮化建設的加快，能夠擴大城市物流的輻射範圍，釋放農(nong) 村、鄉(xiang) 鎮的物流需求，刺激物流產(chan) 業(ye) 快速發展，良好的城鎮化水平對物流產(chan) 業(ye) 發展和效率的提升具有較大的推動作用。本文選取城鎮人口占全部人口的比重作為(wei) 衡量城鎮化水平的高低。

物流專(zhuan) 業(ye) 化水平：區位因素同樣是物流產(chan) 業(ye) 發展的重要先決(jue) 條件。區域物流專(zhuan) 業(ye) 化程度和相對集中率越高，說明物流業(ye) 在該區域發展具有相對較高的優(you) 勢和地位，有利於(yu) 物流業(ye) 的進一步發展。本文引入物流產(chan) 業(ye) 區位熵來衡量區域物流產(chan) 業(ye) 發展的專(zhuan) 業(ye) 化和優(you) 勢程度。其物流產(chan) 業(ye) 區位熵定義(yi) 如下：                                                         

   （3）數據來源與(yu) 說明

本文的研究對象為(wei) 江蘇省13市2010年到2020年低碳物流效率。由於(yu) 物流業(ye) 是一個(ge) 新興(xing) 行業(ye) ，尚未被納入各國的產(chan) 業(ye) 分類體(ti) 係中，基於(yu) 交通運輸、倉(cang) 儲(chu) 和郵政業(ye) 占物流業(ye) 總份額的83%以上，可以反映整個(ge) 物流業(ye) 的發展^[25]。因此，本文研究的數據來源於(yu) 江蘇省各市統計年鑒中“交通運輸、倉(cang) 儲(chu) 和郵政業(ye) ”以及江蘇交通年鑒中的統計數據。另外，2020年物流業(ye) 統計數據還沒有全部統計結束，隻統計到了2020年第三季度（9月份），為(wei) 了研究的完整性，借助FORECAST函數，對第四季度（10月-12月）的數據進行了估算。

3、實證分析

（1）靜態評價(jia) 結果分析

Super-SBM模型進行計算分析的基本思路是：從(cong) 生產(chan) 集（aggregate）中刪除被評價(jia) 的有效集，然後度量生產(chan) 集到有效集之間的距離即是超效率集，並根據距離對有效集之間進行排序，且超效率≥1。

第一階段效率值分析：使用DEA-Solver軟件，對江蘇省13市2010-2020年物流業(ye) 發展的統計數據進行處理，得到江蘇省13市低碳物流效率的測度結果並進行排序（見表2）。表2數據結果顯示，在2010年至2020年樣本研究期間，除了蘇州、徐州、鹽城、南京和南通五座城市的低碳物流效率值穩定在1及以上，城市物流業(ye) 發展在省內(nei) 處於(yu) 高效程度，其他城市的低碳物流效率值都在1以下，說明這些城市的低碳物流效率水平有待進一步提高。總體(ti) 來看，雖然江蘇省的低碳物流效率水平存在地區性差異，但整體(ti) 的低碳物流效率水平仍然在逐年提高，物流發展能力逐漸增強，也越來越重視減少碳排放水平，走低碳物流發展的道路勢在必行。

表2   江蘇省13市低碳物流效率測度結果統計（2010-2020）

續表

第二階段回歸結果分析：鑒於(yu) 第一階段的投入變量存在冗餘(yu) ，尚未剔除外部環境變量和隨機因素對低碳物流效率的影響，測算所得結果並不客觀，為(wei) 了提高結果的可靠性和合理性，需要在第二階段對原始投入進行調整。因此，基於(yu) 第一階段的輸出結果，將運輸總裏程、資本存量、從(cong) 業(ye) 人數三個(ge) 投入要素等作為(wei) 鬆弛變量，將物流產(chan) 業(ye) 密度、城鎮化水平和物流專(zhuan) 業(ye) 化水平這三個(ge) 指標作為(wei) 解釋變量，使用Frontier進行SFA分析，測算環境因素對鬆弛變量的影響，結果見表3。

表3 第二階段SFA模型回歸結果

注：本表的LR為(wei) 單邊似然比統計量且服從(cong) 混合卡方分布；*，**，***分別表示在10%，5%，1%水平下顯著，10%水平顯著臨(lin) 界值為(wei) 1.642，5%水平臨(lin) 界值為(wei) 2.706.1，1%水平臨(lin) 界值為(wei) 5.412。

從(cong) 表3中可以看出，單邊似然比檢驗結果以及各項回歸係數，在1%，5%，10%水平上的顯著性檢驗結果表明，使用SFA法進行分析是合理有效的，說明本文選取的外部環境對江蘇13市物流業(ye) 投入鬆弛變量具有顯著影響。同時，γ 都無限趨向於(yu) 1，且顯著水平均達到 1%，說明江蘇區域低碳物流效率中，管理無效率的影響大於(yu) 隨機幹擾項的影響，也體(ti) 現出不同環境變量在不同年份對冗餘(yu) 的影響結果。

其中，物流產(chan) 業(ye) 密度在2011-2020的前五年對其他鬆弛變量的回歸係數都為(wei) 正值，運輸總裏程冗餘(yu) 量的係數比其他兩(liang) 項更大，說明物流產(chan) 業(ye) 密度的增加會(hui) 導致運輸總裏程冗餘(yu) 的增加。即物流產(chan) 業(ye) 密度的增加會(hui) 使運輸總裏程、資本存量、從(cong) 業(ye) 人數冗餘(yu) 的增加，且對運輸總裏程的影響更大，說明物流產(chan) 業(ye) 密度的增加會(hui) 直接增加運輸裏程，提高運輸效率。2011-2020的後五年，物流產(chan) 業(ye) 密度對資本存量的回歸係數為(wei) 負，物流產(chan) 業(ye) 密度的增加使資本存量的冗餘(yu) 減少，說明物流產(chan) 業(ye) 密度的增加對資本存量的積極影響。2011-2016年城鎮化水平對鬆弛變量冗餘(yu) 產(chan) 生負向影響，說明前五年城鎮化水平增加降低了運輸總裏程、資本存量、從(cong) 業(ye) 人數的冗餘(yu) ，利於(yu) 管理效率的提升；而後五年，城鎮化水平對鬆弛變量冗餘(yu) 產(chan) 生正向影響，城鎮化水平的大幅提高增加了運輸總裏程、資本存量、從(cong) 業(ye) 人數的冗餘(yu) ，管理效率越來越低。物流業(ye) 專(zhuan) 業(ye) 化水平對其他變量的回歸係數在大部分時間都為(wei) 負值，說明物流業(ye) 專(zhuan) 業(ye) 化水平對物流效率的增加存在很大的改善作用，有助於(yu) 江蘇省物流發展效率水平的提升。

第三階段效率值分析：根據原始產(chan) 出數據和第二階段調整後的投入數據，使用DEA-Solver軟件，對江蘇省13市2010-2020年物流業(ye) 發展的統計數據進行處理，並去除環境因素和隨機誤差的影響，得到調整後江蘇省13市低碳物流效率的測度結果並進行排序（見表4）。

表4  調整後江蘇省13市低碳物流效率測度結果統計（2010-2020）

續表

表4數據結果顯示，在2010年至2015年的這6年間，江蘇省13市整體(ti) 的低碳物流效率值呈現較低水平，且城市間低碳物流效率值差異較大，兩(liang) 級分化嚴(yan) 重，如南京市低碳物流效率值是宿遷市的兩(liang) 倍，但各城市的排名順序變化不大。然而到“十三五”期間，我們(men) 明顯發現，江蘇省13市整體(ti) 的低碳物流效率水平顯著提高，13個(ge) 城市的物流效率水平也都在穩步提升，說明這些地區的物流生產(chan) 力水平逐漸在增強，開始越來越重視減少碳排放水平，特別是經濟較發達的南京市和蘇州市，如在2016年至2017年南京市低碳物流效率值最高，在2018年至2019年蘇州市低碳物流效率值最高，徐州、蘇州、南通、鹽城和南京市等五座城市三階段Super-SBM法測出的低碳物流效率值常年保持在1及以上，說明這些地區的低碳物流效率值較高，且排在前列，而連雲(yun) 港和宿遷低碳物流效率值較低，且排名靠後，說明這兩(liang) 個(ge) 地區的低碳物流效率水平有待進一步提高。在2016年至2020年的五年時間裏，江蘇省整體(ti) 的低碳物流效率都處於(yu) 增長的狀態，雖然2020年受新型冠狀病毒肺炎疫情影響，物流行業(ye) 發展處於(yu) 一段時間的停滯期，導致低碳物流效率水平有所衰減，但江蘇省近五年來物流業(ye) 的輸出型指標數據（物流業(ye) GDP、貨運量水平等）仍呈現增長態勢，物流業(ye) 整體(ti) 低碳物流效率處於(yu) 穩定增長時期。

為(wei) 了更清晰的看出2010年到2020年江蘇省13市低碳物流效率的發展變化，將第一階段和第三階段效率均值進行時間和空間分析對比，具體(ti) 見圖2(a)(b)。

  圖2（a)  調整前後江蘇省低碳物流效率均值對比（2010-2020）

圖2（b) 調整前後江蘇省13市低碳物流效率均值對比（2010-2020）

從(cong) 圖2（a) 和（b) 來看，剔除了外部環境和隨機因素的影響後，江蘇省13個(ge) 城市各年份的低碳物流效率均值在調整前後都發生了改變，即第三階段低碳物流效率均值都出現了下降，這說明環境因素與(yu) 隨機因素對低碳物流效率值存在正相關(guan) 影響，如果不去除這些因素，會(hui) 使得測量結果被高估，容易對考慮碳排放的低碳物流效率水平處於(yu) 樂(le) 觀態度。具體(ti) 從(cong) 時間維度看（圖2（a) ），從(cong) 2010年到2018年，江蘇省整體(ti) 的低碳物流效率均值都在逐漸增加，在2019年和2020年出現了下降，但調整後下降的幅度較少。一方麵說明江蘇省一直貫徹低碳物流發展理念，非常注重物流基礎設施建設，提升城鎮化水平和物流專(zhuan) 業(ye) 化水平，促進低碳物流效率的提升。另一方麵說明2019年江蘇區域物流發展水平趨緩，再加上2020年疫情影響，低碳物流發展壓力增大，低碳物流效率出現下降。從(cong) 空間維度看（圖2（b)），江蘇省13市2010年到2020年低碳物流效率均值調整後也出現了下降，其中下降程度排名為(wei) 前五的城市為(wei) 南通、泰州、淮安和鎮江，說明這些城市第一階段表現的低物流效率來源於(yu) 不利的外部環境影響，即受環境因素影響較大，低碳物流的發展還有很大提升空間。而南京、常州、揚州等蘇南城市的低碳物流效率下降不明顯，說明這些城市物流業(ye) 較為(wei) 發達，處於(yu) 較有利的外部環境，契合了江蘇推廣節能減排和綠色低碳理念，積極把握節能低碳帶來的新興(xing) 發展機遇，發展高效運輸組織模式，資源配置比較合理，資源利用較為(wei) 高效，低碳物流發展趨勢較好。

綜上，圖2（a) 和（b) 充分說明了外部環境和隨機因素對低碳物流效率的測度存在一定影響。三階段Super-SBM模型考慮到了投入產(chan) 出的鬆弛問題，剔除了外部環境因素和隨機因素的影響，進一步係統有效地分析江蘇區域物流業(ye) 的低碳效率，使得測量結果更具有客觀性和合理性，更能真實的反映江蘇省13市2010年至2020年期間的低碳物流效率情況，為(wei) 江蘇進一步調整物流資源配置，製定更具有針對性的低碳物流發展對策提供有益參考。

（2）動態評價(jia) 結果分析

 使用Depa2.2軟件，測算2010年至2020年江蘇省13市物流業(ye) Malmquist指數及分解指數值，得到圖3-圖5：

圖3  江蘇省13市Malmquist生產(chan) 率指數變化

    全要素生產(chan) 率指數是用來衡量決(jue) 策單元由於(yu) 技術變動和技術效率變化而引起生產(chan) 率變化的指標。全要素指數大於(yu) 1時表示當前時期內(nei) 生產(chan) 力水平得到提升，小於(yu) 1時表示當前時期內(nei) 生產(chan) 力水平下降。從(cong) 圖3可以看出2010-2020年揚州、宿遷、連雲(yun) 港全要素指數均小於(yu) 1，蘇州、南京、徐州和無錫在2013-2019年全要素指數均大於(yu) 1，在13個(ge) 城市中表現較好。總體(ti) 來看，江蘇省13市低碳物流效率在逐年增加且提升幅度較大，其均值從(cong) 2011年的0.773提高到2019年的1.177，表明隨著國家低碳經濟的不斷發展和低碳技術的不斷創新，江蘇省13市物流業(ye) 的低碳效率正在逐漸提升。

圖4  江蘇省13市指數變化

圖5     江蘇省13市指數變化

對比圖4、圖5，將全要素生產(chan) 率指數分解為(wei) 技術效率變動指數和技術進步指數，從(cong) 分解結果來看，技術進步指數的推動作用更為(wei) 顯著。如2010至2020年連雲(yun) 港、揚州和宿遷市全要素生產(chan) 力指數小於(yu) 1，主要是因為(wei) 其技術進步指數小於(yu) 1。其中，宿遷市技術進步指數小於(yu) 1，但技術效率變動指數大於(yu) 1且保持穩定，說明2011-2020年宿遷市物流技術水平的進步是其物流業(ye) 生產(chan) 力水平得到提升的重要原因，同時宿遷市全要素生產(chan) 力指數仍小於(yu) 1，說明宿遷市低碳物流效率水平還有很大的進步空間。另外，揚州近五年有四年的技術效率變動指數值都為(wei) 1，說明近五年揚州物流技術變動效率水平基本保持不變。