物流業全要素能源效率變動及省域差異分析

張愛美a,郭靜思a,吳衛紅a,任繼勤a,葉顯明

(北京化工大學 a.經濟管理學院;b.財務處,北京 100029)

1 引言

物流業是一個新興的復合型產業,豐富地融合了運輸、倉儲、裝卸、包裝、信息等多個行業,可有效整合多方資源，優化產業結構，促進我國經濟健康快速發展。但物流業的飛速發展也帶來了巨大的能源消耗,物流業的成品油消耗量始終排在各行業的第一位。不僅如此,相比于工業、農業、建筑業和商業,只有物流業的能源消耗比重呈現持續上升的態勢。根據IPCC第五次評估報告顯示,物流業如果不改變現有的高耗能發展方式,其能源消耗量到2030年將比現在高出80%[1]。

多年來,我國物流業的能源消耗量龐大,癥結在于多省域的物流業能源效率常年處于低效狀態。由于我國物流業起步較晚,運作效率較低,加之物流業一直以來保持粗放式發展模式,造成了能源的極大浪費。近年來,低碳節能物流理念引起了人們的高度重視,轉變物流產業的發展模式、提高能源利用效率,將成為我國物流行業發展的必經之路。因此,研究我國物流業能源效率的靜態變動、動態變動和省域差異,對我國低碳節能環保戰略的實施具有深遠的戰略意義。

近年來,我國學者們對能源效率問題的研究大多集中于工業和制造業等,物流業的研究成果甚少。在有限的物流業能源效率研究文獻中,學者們從區域層面[2-5]和省域層面[6-8]對物流業的能源效率進行了研究,但大多采用靜態效率和動態效率兩種方法進行研究[9,10],評價指標模型無一例外地使用單產出要素模型[11,12]。

縱觀相關研究成果,本文的創新之處主要體現為以下兩點:一是在評價模型中采用了雙要素產出模型,既考慮了經濟產出,又同時考慮了實際作業量的產出,避免了由于物流業無法獲得經濟價格而造成評價結果不客觀的后果;二是在物流業全要素能源效率變動分析中，本文采用了動態和靜態相結合的方法。

2 研究方法

本文旨在研究物流業全要素能源效率,它是指能源投入目標值與能源實際投入值的比值。與隨機前沿分析法為代表的參數法相比,本文更傾向于以數據包絡分析法(Data Envelopment Analysis,DEA)為代表的非參數法進行研究[13]。因為DEA不用假設生產函數形式,不但可以避免主觀的不科學性,而且DEA在研究多投入和多產出的問題上比參數法更加方便。

2.1 DEA-BCC模型

DEA是利用線性規劃公式對決策單元(Decision Making Unit,DMU)做出相對效率評價的一種方法。最常用的DEA模型有兩種:CCR模型和BCC模型。前者的限定條件是規模報酬不可變,而且當DMU顯示結果效率無效時,無法進一步確定是哪種原因所致的。而BCC模型假設的規模報酬是可變的,這從產出角度更容易控制,并且可對各DMU相對技術效率的結果進行進一步分解,方便比較不同DMU之間的效率差異[14],因此本文選擇DEA-BCC模型。

將決策單元記為DMUj(j=1,2,…,n),投入要素記為xij(i=1,2,…,m),產出要素記為yrj(r=1,2,…,s),要求在yrj一定時保證xij最小。

(1)

式中,λj表示決策變量;θ*表示線性規劃最優解,即該模型中各DMU的效率值,反映資源利用的相對效率。DEA-BCC模型便于在不同時間對所有決策單元相對效率的基礎之上開展靜態分析,因此本文將該模型應用于全要素能源效率靜態變動的分析中。

2.2 DEA-Malmquist指數模型

Malmquist指數法是Sten Malmquist[15]提出的一種方法,適用于比較研究不同時期的消費量變化。Caves等[16]運用Malmquist指數測算了生產率變化,結合DEA理論,構建了DEA-Malmquist指數分析法。隨后，Fare等[17]將Malmquist指數進一步細化為技術效率、技術進步和規模效率。

為了更好地呈現我國物流業能源效率變化趨勢與變動原因,需要進一步測算Malmquist指數。根據Caves、Fare等的研究思路,將式(1)所得出技術效率的倒數作為距離函數,得到以下公式:

Dt(yt,xt|C)=1/θt

(2)

式中,x表示投入要素;y表示產出要素;t表示不同時期;C為常數項;Dt表示第t時期的技術效率水平;θt表示t時期的相對效率。利用Malmquist指數和距離函數,得出物流業能源效率的增長指數,從t期到t+1期可表示為:

M(xt+1,yt+1,xt,yt)

×Dt(xt,yt|C)Dt+1(xt+1,yt+1|C)1/2

=EC×TC

(3)

式中,EC表示衡量技術效率的高低;TC表示衡量技術進步的程度。基于規模報酬可變的假設前提,技術效率可進一步細化為純技術效率(PC)和規模效率(SC):

EC=Dt+1(xt+1,yt+1|C)Dt+1(xt+1,yt+1|V)Dt(xt,yt|C)Dt(xt,yt|V)Dt+1(xt+1,yt+1|V)Dt(xt,yt|V)

=PC×SC

(4)

式中,V表示可變規模報酬。結合式(3)和式(4)的分解,Malmquist指數最終可分解為:

M(xt+1,yt+1,xt,yt)=TFP=TC×PC×SC

(5)

式中,若TFP<1,表示全要素能源效率下降,反之則提高;TC反映了技術創新對全要素能源效率的影響程度,若TC<1,代表技術退步,反之則表示技術進步;EC可衡量資源配置的有效利用程度,若EC<1,意味著技術效率下降,反之則提高;PC為衡量企業的經營管理水平,若PC<1,表示內部經營管理水平有所下降,反之則表示水平提升;SC表示產業聚集形成規模的相對效率,若SC<1,說明規模效率下降,反之則提高。本文將該模型應用于全要素能源效率動態變動分析。

2.3 指標構建及樣本選取

基于科學性、系統性和可操作性等原則,全要素能源效率動靜態變動分析的指標體系構建如下:①能源投入,采用物流業能源消費總量表示。根據折算標準煤參考系數,將物流業消耗的石油、煤炭、天然氣等能源折算成標準煤(萬t標準煤)。②勞動力投入,采用物流業當期城鎮單位從業人員數指標表示。當期從業人員數=(當期期末從業人員數+上期期末從業人員數)/2(萬人)。③資本投入,采用資本存量指標表示。本文利用永續盤存公式,參考張軍等[18]的處理方法,對各省份每年的固定資本存量進行估算。計算公式為:Ki,t=Ii,t+(1-δi,t)Ki,t-1。式中,i表示省份;t表示年份;K表示資本存量;I表示投資,本文采用剔除價格因素的固定資產投資表示;δ表示固定資產折舊率,為了便于計算,本文中的δ估算為10%(億元)。④經濟產出,采用物流業增加值指標表示。為了消除價格因素的影響,本文用GDP縮減指數進行平減(億元)。⑤作業產出,采用貨物周轉量指標來表示,即運輸量和運輸距離的乘積。它不受價格因素影響,可衡量物品流通過程中國民經濟需求的實現程度。本文將相關年份統計年鑒中的貨物周轉量與旅客周轉量之和作為產出指標(億tkm)。

雖然國家統計局將物流業的相關統計數據編入了年鑒,但沒有給出我國各個行政省份的具體相關數據。對相關年份年鑒中的物流業數據進行統計分析后發現,交通運輸、倉儲和郵政業增加值約占物流業的85%。因此,本文參照大多數學者的處理方法,用相關年份的《中國能源統計年鑒》和《中國統計年鑒》中的交通運輸、倉儲和郵政業數據代替物流業進行分析。

本文的省域樣本定為30個省、市、自治區(未包括西藏、香港與澳門特別行政區、臺灣地區),研究區間為2007—2016年。本文還將省域細化到三大區域進行深入分析,東部地區包括北京、天津、河北、遼寧、上海、江蘇、浙江、福建、山東、廣東、海南11個省市;中部地區包括黑龍江、吉林、山西、安徽、江西、河南、湖北、湖南8個省;西部地區包括內蒙古、廣西、重慶、四川、貴州、云南、西藏、陜西、甘肅、青海、寧夏、新疆12個省(自治區、直轄市)。

3 物流業全要素能源效率變動與省域差異分析

3.1 靜態變動的省域差異分析

本文將各省域的投入、產出數據帶入DEA-BCC模型,根據式(1)求解計算,應用DEAP2.1軟件,得到我國物流業2007—2016年的全要素能源效率靜態變動情況。根據前文中提到的行政區域劃分,對我國東、中、西部的能源效率平均值進行統計,見表1。

表1 2007—2016年中國物流業靜態全要素能源效率

從全國來看,靜態全要素能源效率整體水平并不高,僅在0.602—0.699之間呈現出增減交替出現的態勢,這說明我國物流業的能源效率尚存在較大的提升空間。其中,下降幅度最大的年份為2009年,跌幅高達9.75%。原因在于:為了有效應對國際金融危機的沖擊,我國實施的《物流業調整和振興規劃》導致物流業重回快速發展通道,出臺的刺激性經濟政策致使一些高耗能、低效率的物流項目獲得了投資。

從各個省域的靜態全要素能源效率結果來看,僅河北一省的DEA年均值為1,屬于DEA有效。該省全要素能源效率表現優秀,達到資源配置最優化狀態。其他29個省域的DEA平均值都小于1,屬于DEA無效。其中,靜態全要素能源效率年均值超過0.8的有山東、天津、安徽、江蘇和上海,而且山東和天津都有6年的能源效率值處于最優的前沿面上,資源配置最優化的達成率尚可。靜態全要素能源效率較低的省份有廣西、湖北、重慶、陜西、四川、新疆、青海和云南,能源效率值均不足0.5,遠低于全國平均水平,說明這些省域物流業的投入要素與產出要素尚存在提升空間。

根據我國對東部、中部、西部的行政區域劃分,對表1中的物流業靜態全要素能源效率進行區域統計分析,變動趨勢見圖1。從三大區域來看,我國物流業的靜態全要素能源效率表現出由東部向中部和西部遞減的趨勢,這可能與地理位置和區域發展水平有關。

圖1 我國物流業靜態全要素能源效率的區域水平

我國東部區域的省份大多數位于沿海地區,地處交通樞紐位置,交通便利,物流業發展快速。改革開放以后,國家對東部區域的多個地區率先實行了經濟開放政策,經濟發展水平的提升自然會帶動了相關行業的快速發展。相比之下,我國西部區域內陸交通不便、經濟發展水平落后、自然資源匱乏、交通基礎設施落后,共同導致了西部地區物流業靜態全要素能源效率整體水平較低。如果要改變我國東部、中部和西部發展不均衡的現象,國家可通過“東北振興”戰略和“西部大開發”戰略,將人才和創新技術等引進到中部和西部地區,提高當地的經濟發展水平,加強交通基礎設施建設,打破區域信息壁壘,實現技術與信息共享,以期早日實現物流業的快速均衡發展。

3.2 動態變動總體分析及指數分解

本文將我國物流業各省域的投入、產出基礎數據帶入到DEA-Malmquist模型,測算得到我國物流業動態全要素能源效率的總體變化及其分解情況,見表2。

表2 2007—2016年中國物流業動態全要素能源效率與分解

從總體水平來看,2007—2016年我國省域物流業動態全要素能源效率年均值為1.009,平均提高了0.9%,技術進步水平年均值提高了1.1%,但技術效率水平年均值卻降低了0.3%。這說明物流業動態全要素能源效率的提升主要歸功于技術進步,技術效率的下降對全要素能源效率的提高有阻礙作用。此外,將技術效率進一步分解成純技術效率和規模效率,規模效率水平年均值提高0.3%,而純技術效率水平年均值卻下降了0.6%,說明純技術效率水平的降低會引起技術效率的下降,可能是因為物流企業缺乏先進的管理經驗,信息共享存在技術壁壘等原因導致企業內部效率低下,資源配置無法達到最優化。

值得注意的是,我國省域物流業動態全要素能源效率年均值在2012—2014年連續兩次下降,這是因為當時各地普遍存在“物流熱”的投資現象,導致對物流業的要素投入迅速增加,但條塊分割嚴重、各自為政的亂象叢生,多種運輸方式之間也缺少統一規劃和協調,信息共享存在技術壁壘,難以形成規模經濟。另一方面，越來越嚴重的交通擁堵問題,對技術進步具有較大的負向作用。

圖2 中國物流業動態全要素能源效率及其分解效率趨勢圖

為了更好地分析比較這五種效率值之間的關系和趨勢變化,本文繪制出全要素能源效率及其分解的技術效率和技術進步之間的趨勢圖,見圖2。此外,技術效率及其進一步分解的純技術效率和規模效率之間的趨勢見圖3。從圖2可見,我國物流業全要素能源效率呈現出增減交替的態勢,這與技術進步的變化趨勢更為接近,2007—2008年、2009—2010年、2015—2016年的技術效率不足1,出現負增長;而我國物流業全要素能源效率卻大于1,處于上升的階段,這主要歸功于技術進步對全要素能源效率的拉動作用,而技術效率的落后阻礙了全要素能源效率的增長。因此，要想提升全國物流業的全要素能源效率,重中之重是提高物流業的技術進步水平。因此，我國政府應多引進掌握先進節能技術的企業,同時企業也應注重自主節能創新方面的技術開發,多方面提升物流業全要素能源效率。

圖3 中國物流業技術效率及其分解效率趨勢

從圖3可見,我國物流業技術效率的變化趨勢與其分解的兩大要素的變化趨勢都比較吻合。除純技術效率外,規模效率也對技術效率存在一定的影響作用。如果要提升技術效率水平,應加強物流園區方面的建設,打破地區之間的信息障礙壁壘,打造共同物流信息共享平臺,形成規模化經營,進而大大提升物流業的規模效率。

3.3 動態變動的省域差異分析

基于DEA-Malmquist模型,本文測算得到我國各省域物流業的動態全要素能源效率,見表3。從表3可見,我國有16個省(市、自治區)的物流業動態全要素能源效率年均值大于1,表現出增長態勢。其中,漲幅最大的5個省域分別是貴州(1.121)、寧夏(1.100)、內蒙古(1.075)、江蘇(1.068)和新疆(1.052),僅江蘇省屬于東部沿海發達省域,其他4個省域都屬于西部欠發達地區。一方面,這是因為我國西部省域物流業全要素能源效率的起點較低,更容易出現快速增長態勢;另一方面,我國西部地區物流業全要素能源效率的增長主要得益于國家的“西部大開發戰略”,吸引高新企業和專業人才進駐西部地區,同時政府寬松的財政政策擴建了西部地區大量交通基礎設施,促進了原本低水平的物流業得到蓬勃發展,物流產業效率和全要素能源效率得到很大提升。

表3 2007—2016年各省物流業動態全要素能源效率

在我國物流業動態全要素能源效率下降的14個省域中,跌幅最大的5個省(市)分別是天津(0.943)、山西(0.954)、黑龍江(0.959)、青海(0.965)和湖南(0.969)。2007—2016年這5省市能源效率的下降趨勢不盡相同。青海省的全要素能源效率變化趨勢大體是先降低后增長,這得益于國家對西部地區的特殊福利政策和資金扶持。其他4省是先增長后降低,這可能是因為產業結構偏工業化、能源結構較為單一,加之日益嚴重的交通擁堵問題稀釋了技術進步帶來的促進作用,導致4省市物流業全要素能源效率有所降低。

4 結論與建議

4.1 結論

本文建立DEA-BCC模型和DEA-Malmquist模型,分別作為我國省域物流業靜態和動態的全要素能源效率評價的理論基礎,基于多投入、多產出指標的全要素能源效率評價體系,從我國省域差異和區域變化趨勢等多方面進行了評價。研究結果表明:①2007—2016年,我國省域物流業的靜態全要素能源效率水平整體較低,僅在0.602—0.699之間,還有很大的節能提升空間。②我國東部物流業的靜態全要素能源效率均值最高,中部次之,西部最低。然而西部地區物流業的動態全要素能源效率卻表現最好。③我國省域物流業的動態全要素能源效率的良好表現歸功于技術進步,技術效率的下降具有一定的阻礙作用。從技術效率的進一步分解結果可知,純技術效率才是引發我國物流業技術效率下降的元兇。

4.2 建議

針對以上研究分析,本文從以下四個方面提出改進我國物流業的建議:①改善我國物流能源消費結構,提高全要素能源綜合效率。現階段我國物流業的能源消費主要是以石油、煤炭為主,這些都是導致高耗能、高污染的非清潔能源。因此，政府應積極開放節能減排技術。提高能源利用率;利用優惠政策引導居民使用環保交通工具;同時應加快風能、太陽能、生物質能等可再生能源的技術開發。②引導投資偏好的節能方向,提高物流業的技術進步指數。實證結果表明,全要素能源效率值的提高主要依賴于技術進步指數的增長。因此，政府應注重科技投入的結構和力度,不斷提高節能技術的普及率。首先,引進的物流企業要求掌握新能源電動叉車等先進的節能減排技術。其次,政府應強化對節能減排技術開發應用的激勵和支持,促進新能源與現代物流行業的共同發展與產業升級。③增加物流資源利用率,提高物流業的純技術效率。采用先進的運輸裝備技術、選取合適的運輸方式是提高物流資源利用率的重要措施。惡劣的運輸環境阻礙了我國中部和西部地區物流業的快速發展,應大力推廣低能源消耗的運輸方式,加強水運、鐵路運輸、多聯合運輸等運輸方式的推廣使用；加快建設水運體系，可有效降低能耗和優化物流業運營成本,完善公路里程建設，可深入到城市和鄉村的角落提供更優質的物流服務。④加大物流業統籌協調力度,發揮節能引導作用。我國物流運輸中的空載現象還十分嚴重,物流園區閑置率很高,反映出物流資源分配和信息溝通存在嚴重的壁壘問題。因此，相關政府部門應該合理布局物流產業園區、促進產業集聚發展[19],同時注重物流資源的合理建設與使用,提高運營效率和使用效率。此外,政府也可以通過管理能源價格調控高能耗能源的使用量級和頻率,進而實現提高物流業全要素能源效率的目標。

參考文獻:

[1]IPCC.Climate Change 2014:Mitigation of Climate Change[M/OL].Cambridge:Cambridge University Press,in Press,2014 [2017-09-03].http://www.ipcc.ch/report/ar5/wg3/.

[2]王玉燕,林漢川.我國西部地區能源效率:趨同、節能潛力及其影響因素[J].經濟問題探索,2013,(4)∶38-44.

[3]馮博,王雪青.考慮霧霾效應的京津冀地區能源效率實證研究[J].干旱區資源與環境,2015,29(10)∶1-7.

[4]王韶華.綠色發展視閾下京津冀能源效率的差異性與協調性研究[J].中國科技論壇,2016,(10)∶96-101.

[5]東童童.全要素工業能源效率與霧霾污染的交互影響——以長江經濟帶為例[J].城市問題,2017,(11)∶87-88.

[6]王喜平,姜曄.環境約束下中國能源效率地區差異研究[J].長江流域資源與環境,2013,22(11)∶1419-1425.

[7]陳平,羅艷.中國工業生態全要素能源效率異質性研究——基于SBM-Undesirable和Meta-frontier模型的分析[J].商業研究,2017,(4)∶154-160.

[8]李坤明,方麗婷.中國區域能源效率及其影響因素——基于面板隨機前沿模型的分析[J].資源開發與市場,2017,33(11)∶1324-1327.

[9]張本照,劉淇,王海濤.中國交通運輸業能源利用效率動態測算——基于產出指標改進DEA模型的實證分析[J].工業技術經濟,2014,33(8)∶15-25.

[10]韓雅清,蘇時鵬.福建省水資源利用效率的靜態與動態分析——基于DEA-BCC和DEA-Malmquist兩步法[J].資源開發與市場,2015,31(5)∶578-583.

[11]肖興志,姜萊.戰略性新興產業發展對中國能源效率的影響[J].經濟與管理研究,2014,(6)∶83-92.

[12]蔣偉,李蓉,強林飛,等.環境約束下的中國全要素能源效率研究[J].統計與信息論壇,2015,30(5)∶22-28.

[13]Charnes A,Cooper WW,Rhodes E.Measuring the Efficiency of Decision Making Units[J].European Journal of Operational Research,1978,2(6)∶429-444.

[14]廖青虎,陳通,孫鈺,等.廣義加法模糊DEA-BCC效率評價模型及應用[J].統計與決策,2016,(24)∶74-76.

[15]Malmquist S.Index Numbers and Indifference Surfaces[J].Trabajos de Estatistica,1953,(4)∶209-242.

[16]Caves,Douglas W,Laurits R Christensen,etal.Multilateral Comparisons of Output,Input,and Productivity Using Superlative Index Numbers[J].The Economic Journal,1982,(92)365∶73-86.

[17]Fare,Rolf,Shawna Grosskopf,etal.Productivity Growth,Technical Progress,and Efficiency Change in Industrialized Countries[J].The American Economic Review,1994,84(1)∶ 66-83.

[18]張軍,吳桂英,張吉鵬.中國省際物質資本存量估算：1952—2000[J].經濟研究,2004,(10)∶35-44.

[19]潘雅茹,陳崢,羅良文.產業集聚影響全要素能源效率的非線性特征研究——基于中國能源行業數據的實證分析[J].華東經濟管理,2017,31(11)∶121-126.