1 引言

长江经济带是中国重要的工业基地与物流枢纽之一，其物流效率的提高可以增长企业的生产效率和市场竞争力，进而推动区域经济发展。基于此，长江经济带物流高质量发展效率如何、受到哪些因素影响都值得进行深入的探究。

高质量发展中的质量既包括产品质量，也包括相应的工作质量和服务质量等，物流高质量发展更强调后者[1]。李敏杰，王健认为物流业高质量发展包含规模扩张、降本增效、技术提升和绿色发展四个维度[2]。刘妤，姚阳结合轴辐理论，认为物流竞争力体现为经济发展、物流需求、物流供给和信息化[3]。数据包络分析模型(DEA)常用于测算物流的全要素生产率，以体现物流高质量发展。曹允春等以DEA-Malmquist模型计算我国各省市的物流全要素生产率[4]。汪文生，考晓璇通过三阶段DEA模型，测算得到分离干扰因素的环渤海地区物流效率[5]。秦雯，倪容以超效率三阶段DEA测度了剔除环境因素影响的珠江西岸物流产业效率[6]。周楠等探究了长江经济带11个省市物流高质量发展与经济高质量发展的时空耦合关系，发现城镇化促进本地区的耦合协调，而城镇化与产业结构升级会促进邻近地区的耦合协调[7]。对于DEA效率测度，一些学者选择适用于受限因变量的Tobit模型进行研究。曹炳汝，邓莉娟分析得出技术变动是影响长江流域物流全要素生产率的核心因素，影响物流效率的因素存在区域差异[8]。张兴雪等发现政府财政支出会对长三角城市群的公路货运效率产生正向影响[9]。范振伟，刘华琼的研究显示经济发展显著促进杭州湾核心城市群的物流效率[10]。

本文以长江经济带作为研究对象，选择三阶段DEA模型测算长江经济带2012-2021年的物流业高质量发展效率，并采用Tobit回归模型探究其影响因素，以期为长江经济带的物流高质量发展提供一定参考。

2 模型构建与指标选取

2.1 三阶段DEA模型构建

①DEA—BCC模型。

第一和第三阶段均使用投入导向的DEA—BCC模型，表示为：

其中，j=1,2,…,n表示决策单元，X,Y为投入和产出向量。

当θ=1,S+=S-=0时，决策单元DEA有效；

当θ=1,S+≠0或S-≠0时，决策单元弱DEA有效；

当θ<1时，决策单元非DEA有效。

②似SFA回归。

以第一阶段的松弛变量作为被解释变量，对环境变量和混合误差项进行回归。投入导向的似SFA回归函数为：

Sni=f(Zi;βn)+vni+μni;i=1,2,…,I;n=1,2,…,N(2)

其中，Sni是第i个决策单元的第n项投入的松弛值；Zi是环境变量，βn是环境变量的系数；vni+μni是混合误差项，vni表示随机干扰，μni表示管理无效率。v～N(0,σv2" role="presentation" style="margin: 0px; padding: 0px; border: 0px; outline: 0px; background: transparent; display: inline; line-height: normal; text-indent: 0px; word-spacing: normal; overflow-wrap: normal; text-wrap: nowrap; float: none; direction: ltr; max-width: none; max-height: none; min-width: 0px; min-height: 0px; position: relative; font-size: inherit !important;">2v${}_{?}^2$)是随机误差项；μ是管理无效率，假设其服从在零点截断的正态分布，即μ～N+(0,σμ2" role="presentation" style="margin: 0px; padding: 0px; border: 0px; outline: 0px; background: transparent; display: inline; line-height: normal; text-indent: 0px; word-spacing: normal; overflow-wrap: normal; text-wrap: nowrap; float: none; direction: ltr; max-width: none; max-height: none; min-width: 0px; min-height: 0px; position: relative; font-size: inherit !important;">2μ${}_{?}^2$)。

根据SFA回归剔除环境因素和随机因素对效率的影响，计算公式为：

其中，Xni和XniA" role="presentation" style="margin: 0px; padding: 0px; border: 0px; outline: 0px; background: transparent; display: inline; line-height: normal; text-indent: 0px; word-spacing: normal; overflow-wrap: normal; text-wrap: nowrap; float: none; direction: ltr; max-width: none; max-height: none; min-width: 0px; min-height: 0px; position: relative; font-size: inherit !important;">Ani${}_{??}^{?}$分别为调整前后的投入；[max(f(Zi;β^n))-f(Ζi" role="presentation" style="margin: 0px; padding: 0px; border: 0px; outline: 0px; background: transparent; display: inline; line-height: normal; text-indent: 0px; word-spacing: normal; overflow-wrap: normal; text-wrap: nowrap; float: none; direction: ltr; max-width: none; max-height: none; min-width: 0px; min-height: 0px; position: relative; font-size: inherit !important;">βˆn))−f(Zi$\widehat{?}{}_{?}))-?(?{}_{?}$;β^n)]" role="presentation" style="margin: 0px; padding: 0px; border: 0px; outline: 0px; background: transparent; display: inline; line-height: normal; text-indent: 0px; word-spacing: normal; overflow-wrap: normal; text-wrap: nowrap; float: none; direction: ltr; max-width: none; max-height: none; min-width: 0px; min-height: 0px; position: relative; font-size: inherit !important;">βˆn)]$\widehat{?}{}_{?})]$是外部环境因素调整；[max(vni)-vni]是随机因素调整。

参考罗登跃[11]的研究，本文分离管理无效率和随机误差项的公式为：

使用调整后的投入产出数据进行第三阶段测算，得到相对真实的DEA效率值。

2.2Tobit模型

测算物流高质量发展效率后探究其影响因素。常规的OLS回归模型在处理归并数据时，无法得到范围外的观测值，且归并数据具有异方差性，得到的结果会偏离真实值。因此本文选择适用于受限变量的Tobit回归模型，其公式为：

其中，y*it表示i地区第t年的效率潜变量。y*it<1时，yit=y*it;y*it≥1时，yit=1。x′it为影响因素变量，β为回归系数，扰动项εit～N(0,σε2" role="presentation" style="margin: 0px; padding: 0px; border: 0px; outline: 0px; background: transparent; display: inline; line-height: normal; text-indent: 0px; word-spacing: normal; overflow-wrap: normal; text-wrap: nowrap; float: none; direction: ltr; max-width: none; max-height: none; min-width: 0px; min-height: 0px; position: relative; font-size: inherit !important;">2ε${}_{?}^2$),ui为个体效应。

2.3 指标选取与数据来源

三阶段DEA的测算包含投入因素、产出因素和环境因素的各项指标。遵循综合性、合理性、可获得性等原则，结合相关研究，选择交通运输、仓储和邮电业从业人员数量(X1),交通运输、仓储和邮电业固定资产投资总额(X2),交通网络里程(X3)分别代表劳动力投入、资本投入和物质投入，构成投入指标；选择货运量(Y1)、货运周转量(Y2)作为有形产出，交通运输、仓储和邮政业增加值(Y3)作为无形产出，构成产出指标本；环境变量方面，以人均GDP(GDP)代表经济影响，以交通运输支出占一般预算支出比例(Gov)代表交通影响；此外，选择人均GDP(lnGDP)衡量经济发展水平，城镇人口所占比例(Urb)衡量城镇化水平，交通运输支出占一般预算支出比例(Gov)衡量财政支持，互联网宽带接入端口数(Inf)衡量信息化水平，进出口总额与地区生产总值比例(lnOpen)衡量对外开放程度，以上五项作为影响因素参与回归。

本文研究对象为长江经济带11省市，数据来源于2012-2021年《国家统计年鉴》《中国第三产业统计年鉴》以及各省市统计年鉴。

3 实证结果与分析

3.1 三阶段DEA模型的效率测度分析

3.1.1 第一阶段效率测算

使用DEAP2.1测算初始的长江经济带11省市物流业高质量发展综合技术效率(见表1)。

根据结果可见：①上海、江苏和安徽的效率值始终为1,实现了当前投入的最优产出。浙江省的效率值近乎为1,江西省的效率值始终居于0.8之上，处于较高的水平。②重庆和四川两地的效率值均未超过0.6,可能是受限于地理环境，物流运输相对低效。湖北省和云南省的效率值整体呈上升趋势，贵州省的效率值自2017年起大幅降低。③总体来看，下游地区物流效率最优，中游地区次之，整体效率最低的省市均位于上游地区。

3.1.2 第二阶段回归分析

以第一阶段的三项投入松弛变量作为被解释变量，两项环境变量作为解释变量，使用Frontier4.1进行SFA回归分析(见表2)。

三项投入松弛变量均满足LR>χ0.052" role="presentation" style="margin: 0px; padding: 0px; border: 0px; outline: 0px; background: transparent; display: inline; line-height: normal; text-indent: 0px; word-spacing: normal; overflow-wrap: normal; text-wrap: nowrap; float: none; direction: ltr; max-width: none; max-height: none; min-width: 0px; min-height: 0px; position: relative; font-size: inherit !important;">20.05${}_{0.05}^2$(2)=5.138,拒绝不存在无效率项的原假设，认为SFA回归合理。三项投入松弛变量的值均接近1,表示随机扰动对投入冗余的影响极小。

松弛变量表示投入的冗余。两项环境因素的系数均在1%的水平上显著，说明其对长江经济带物流业效率的投入冗余存在显著影响。除了Gov对X2的回归系数为正数，其余五项均为负数，说明：①经济水平对于减少三种投入冗余具有促进作用，经济发展的欠缺会在一定程度上降低物流效率。②政府交通建设的增加对减少交通网络建设和物流从业人员的冗余有正向作用，但同时也会增加物流固定资产投入的冗余。

根据SFA回归结果调整投入数据。

3.1.3 第三阶段效率测算

采用调整后的投入变量和原有的产出变量进行DEA测算，得到长江经济带11省市真实的物流业高质量发展综合技术效率值，如表3所示。

对比调整前后各省市的效率值可见，下游地区四个省市中，浙江省的四个年份的效率值略有降低，上海、江苏和安徽的效率值始终为1,说明去除经济和交通的环境影响，其物流投入与产出仍处于前沿面，物流业发展的真实水平较高。

中游地区的三个省份均有超过7年的效率值产生变动。湖北和湖南两省的效率值的变动值较小，就年份而言均有增减。江西省8个年份的效率值有所降低，说明其物流业发展效率在环境因素的影响下被高估，距离前沿面还有一定的空间。

上游地区四个省市中，贵州省的效率值在调整前后基本不变，重庆市和云南省多数年份的效率值明显降低，说明两地的经济发展和交通建设为物流运输提供了不小的助力。四川省的效率值则总体上有所增长，反映出四川省的经济水平和交通建设仍需提升。

总体而言，下游地区的真实效率仍处于前沿面。中游和上游地区调整后综合技术效率值整体有所降低，表明真实的物流发展水平仍然不足，在物流规模和技术层面存在欠缺。

3.2 Tobit回归分析

3.2.1 回归结果分析

将投入变量调整后测算所得的物流业高质量发展综合技术效率(TE)、纯技术效率(PTE)、规模效率(SE)分别作为被解释变量进行回归。对于固定效应的Tobit模型，由于找不到个体异质性的充分估计量，无法像固定效应的Logit或计数模型那样进行条件最大似然估计，故采用随机效应的Tobit模型，使用stata17进行回归(见表4)。

三次回归的卡方值分别为67.02、108.21和46.98,均在1%的水平上显著，因此拒绝“H0∶σu=0”,认为存在个体效应，应当采用随机效应而非混合的Tobit模型。结果显示，经济发展、城镇化水平和信息化水平对物流高质量发展效率的影响均在1%的水平上显著，根据影响系数正负，可见经济的增长和互联网的普及能有效促进物流业的发展，而城镇化水平的提升则会带来一定阻碍。将被解释变量分解为纯技术效率和规模效率后，经济发展和城镇化水平的显著性水平均维持在5%,系数正负不变，表明两者从技术和规模两个层面都会影响物流效率。

3.2.2 稳健性检验

为了进一步证明回归结论，采取不同的方法进行稳健性检验，结果见表5。

①替换解释变量。

替换结果中影响显著的三项解释变量，改用地区生产总值指数体现经济发展水平、城镇人口数(万人)体现城镇化水平，光缆线路长度(公里)体现信息化水平。替换的解释变量对物流效率的影响均在5%的水平上显著，系数正负不变，先前的结果得到验证。

②子样本回归。

本文所选取的11个省市中包括2个直辖市。考虑到省份与直辖市之间的差异会对回归结果产生影响，因此剔除直辖市的样本进行回归。先前有显著影响的三项因素对物流业高质量发展效率的影响依然维持在1%的显著性水平上，系数正负不变，进一步验证了先前的结论。

③调整样本时期。

高质量发展的概念于2017年被首次提出，2017年前后的物流业发展可能存在一定的差异，因此选取2017-2021年的数据进行回归。各因素与物流业高质量发展效率在1%的水平上相关，系数正负不变。

4 结论与建议

本文基于长江经济带11省市的面板数据，测度物流业高质量发展效率并探究其影响因素。研究表明：①长江经济带物流业高质量发展效率总体随时间呈上升趋势，整体上呈“下游—中游—上游”递减的趋势。②经济发展和交通建设会显著影响效率值的测度，主要使规模效率值被高估，其中对长江上游地区影响最大。剔除环境因素影响后，2017年前的纯技术效率有所提升，2017年后的纯技术效率有所下降。③经济增长和信息化发展会促进物流业高质量发展效率的提升，城镇化水平的提升则在一定程度上会造成阻碍。

综上，基于本文的研究结论提出以下建议：第一，长江中上游地区的经济发展水平与交通建设对物流业发展有着重要的推动作用。当前长江中上游地区的物流发展依然需要量的提升，经济与交通是物流业效率提升的关键。第二，要注重物流业自身技术的升级和规模的集聚。在技术层面，加强物流从业人员的素质培养与技能培训，提升对物流人员的管理水平，同时从信息化层面不断完善现有的物流系统。在规模层面，优化空间布局、完善枢纽功能，减少物流系统冗余与部分低效，促进物流业规模的健康增长。第三，长江中上游地区物流业效率增长主要依赖于经济发展和交通建设的加持，与下游地区相比在技术和规模上都更显不足，通过信息化水平推动物流业技术的提升，同时借助电商销售打通物流渠道，实现物流供给与需求的双向增长。第四，推动长江经济带上中下游的一体化发展，实现地区间的产业协同和优势互补，并积极引导长江上游和中游地区的产业转型升级，形成下游港口和中上游腹地间的联动，缩小各地区之间的内部差距，不断提升长江经济带整体的物流业高质量发展效率。