中國省域物流業(yè)綠色全要素生產(chǎn)率的演進及溢出

張瑞 孫夏令

內(nèi)容提要：本文運用包含非期望產(chǎn)出的SBM—ML模型對全國30省2004—2016年的物流業(yè)綠色全要素生產(chǎn)率進行測度，通過核密度估計和馬爾科夫鏈探討其時空演進特征，并借助空間面板計量模型分析物流業(yè)綠色全要素生產(chǎn)率的影響因素和空間溢出效應。結(jié)果表明：物流業(yè)綠色全要素生產(chǎn)率具有顯著的動態(tài)演進規(guī)律，省域間物流發(fā)展協(xié)調(diào)度有待提高;物流業(yè)綠色全要素生產(chǎn)率存在顯著的正空間自相關(guān)特征，表現(xiàn)為生產(chǎn)率較高的省份趨于相鄰，生產(chǎn)率較低的省份趨于相鄰;物流業(yè)綠色全要素生產(chǎn)率的主要驅(qū)動因素包括交通網(wǎng)絡密度、物流能源強度、交通運輸強度和人均GDP，各影響因素具有顯著的空間溢出效應，其中市場化進程的正向溢出效應最高，對外開放程度和地區(qū)產(chǎn)業(yè)結(jié)構(gòu)的溢出效應為負。

關(guān)鍵詞：物流業(yè);全要素生產(chǎn)率;動態(tài)演進;影響因素;空間溢出

中圖分類號：F124.6文獻標識碼：A文章編號：1001-148X（2020）03-0029-10

收稿日期：2019-09-25

作者簡介：張瑞（1977-），男，山西河曲人，中國礦業(yè)大學（北京）管理學院教授，博士生導師，研究方向：能源經(jīng)濟、計量經(jīng)濟;孫夏令（1994-），本文通訊作者，男，山東濰坊人，中國礦業(yè)大學（北京）管理學院博士研究生，研究方向：能源經(jīng)濟、低碳物流。

基金項目：山西省科技重大專項課題，項目編號：20181102017;國家自然科學基金面上項目，項目編號：71774161;中國礦業(yè)大學（北京）越崎青年學者資助項目，項目編號：800015Z1121。

物流業(yè)既是經(jīng)濟和社會快速發(fā)展的推進劑，也是企業(yè)降低成本、提高效益的重要利潤源泉，其行業(yè)發(fā)展質(zhì)量在供給側(cè)結(jié)構(gòu)性改革背景下備受關(guān)注。目前，中國物流業(yè)高能耗問題依然嚴峻：一是過量的物流資源仍然停留在傳統(tǒng)物流業(yè)務當中，難以滿足市場對高端物流的需求;二是增量資源受到了體制機制與轉(zhuǎn)化效率的影響，導致新的創(chuàng)新成果難以完成現(xiàn)實轉(zhuǎn)化，現(xiàn)實經(jīng)濟發(fā)展不僅與之帶來期望產(chǎn)出差距較大，且產(chǎn)生一定量的“壞”產(chǎn)出。物流業(yè)必須堅持高效率的發(fā)展模式，而高效發(fā)展應以最少的資源投入獲得最多的產(chǎn)出，并產(chǎn)生最小的環(huán)境損耗[1]。全要素生產(chǎn)率（TFP）包含了難以識別卻對經(jīng)濟增長有重要貢獻的因素，即發(fā)展中難以歸因于有形生產(chǎn)的部分，體現(xiàn)了經(jīng)濟增長的質(zhì)量。綠色全要素生產(chǎn)率（GTFP）將資源消耗和環(huán)境污染納入了評價指標體系，融入了更多綠色思維和可持續(xù)發(fā)展理念，是評價行業(yè)綠色發(fā)展水平的重要參考[2-3]。本文嘗試將能源消耗與碳排放納入指標體系，運用含有非期望產(chǎn)出的SBM—ML模型測度和考察2004—2016年中國省域物流業(yè)綠色全要素生產(chǎn)率，借助核密度估計、Markov Chain、ESDA方法探討地理溢出視角下物流業(yè)綠色全要素生產(chǎn)率的演化規(guī)律，通過空間面板計量模型分析其具體影響因素及溢出效應，以期為優(yōu)化物流供給結(jié)構(gòu)、推進物流區(qū)域協(xié)調(diào)以及改善物流服務效率提供參考。

一、研究方法與數(shù)據(jù)說明

（一）綠色全要素生產(chǎn)率測算的SBM—ML模型

由于交通運輸、倉儲和郵政業(yè)占物流業(yè)增加值的83%以上，考慮新興行業(yè)統(tǒng)計數(shù)據(jù)的可獲取性及可以替代物流業(yè)相關(guān)數(shù)據(jù)[4]，依據(jù)《國民經(jīng)濟行業(yè)分類》（GB/T4754—2017）中產(chǎn)業(yè)劃分規(guī)定，本文選用交通運輸、倉儲和郵政業(yè)為指標數(shù)據(jù)來源，數(shù)據(jù)均獲取于《中國統(tǒng)計年鑒》和《中國能源統(tǒng)計年鑒》。

在以往研究中，多以GDP作為產(chǎn)出指標，以資本、勞動力作為投入指標，這不適用于物流業(yè)綠色全要素生產(chǎn)率的測度：其一，物流產(chǎn)出不僅僅體現(xiàn)于行業(yè)增加值，物流貨運周轉(zhuǎn)量綜合了貨運量和貨運里程雙重因素，亦是反映物流規(guī)模化增長的關(guān)鍵指標，隨著客運需求的增加，客、貨運換算后的綜合周轉(zhuǎn)量是物流產(chǎn)出變動更客觀的評價指標。其二，能源消耗與環(huán)境污染問題是物流業(yè)的痛點，更是發(fā)展綠色物流亟須解決的關(guān)鍵點，理應將物流業(yè)能源消耗與環(huán)境污染納入指標體系。因此，在指標選定上應充分考慮物流業(yè)發(fā)展的內(nèi)在特征與綠色物流理念，兼顧傳統(tǒng)測算和物流行業(yè)屬性指標。本文選取2004—2016年中國30個省（自治區(qū)、直轄市）為研究單元（不含西藏和港澳臺），構(gòu)建物流業(yè)綠色全要素生產(chǎn)率評價指標體系。其中，投入指標包括資本投入、勞動力投入、能源投入，產(chǎn)出指標包括經(jīng)濟產(chǎn)出、規(guī)模產(chǎn)出和非期望產(chǎn)出。

投入指標方面，資本投入通過固定資產(chǎn)投資來衡量，且根據(jù)物價指數(shù)對名義值平減，折算為2004年不變價[5];勞動力投入多以行業(yè)從業(yè)人員總數(shù)為主，考慮到物流人才在決策分析、資源調(diào)度等方面的優(yōu)勢，采取勞動力質(zhì)量指標衡量勞動力投入更加合適，參照相關(guān)研究，選用物流業(yè)從業(yè)人數(shù)與當?shù)厝司芙逃晗尴喑说玫絼趧恿|(zhì)量;能源投入選取物流業(yè)一次性能源消耗最多的原煤、汽油、煤油、柴油、燃料油、液化石油氣、天然氣和電力8種能源，并統(tǒng)一轉(zhuǎn)換為標準煤后加總得到能源投入數(shù)據(jù)[6-7]。

期望產(chǎn)出方面，同時考慮物流業(yè)的經(jīng)濟產(chǎn)出和規(guī)模產(chǎn)出，經(jīng)濟產(chǎn)出用物流業(yè)增加值衡量，選取交通運輸、倉儲和郵政業(yè)的增加值之和，再采用第三產(chǎn)業(yè)增加值指數(shù)將名義價換算為2004年的基期不變價;借鑒馬越越和王維國[8的計算方法，物流周轉(zhuǎn)量考慮水路、鐵路、公路3種運輸方式，并將旅客周轉(zhuǎn)量和貨物周轉(zhuǎn)量換算為綜合周轉(zhuǎn)量，以此代表物流規(guī)模產(chǎn)出。

非期望產(chǎn)出方面，物流業(yè)不同于鋼鐵、煤炭、化工、紡織等行業(yè)擁有多種污染源，其產(chǎn)生的污染物主要是物流作業(yè)過程中的碳排放（本文主要指二氧化碳的排放）。本文采用“自上而下”的計算方法，通過各類能源消耗乘以相應碳排放系數(shù)，對全國30省13年間物流業(yè)碳排放量進行測算，并以此作為非期望產(chǎn)出指標數(shù)據(jù)。

目前，關(guān)于效率的測算多是采用傳統(tǒng)數(shù)據(jù)包絡分析模型，如CCR、BCC等，無法考慮松弛量對效率評價的影響[9]。Tone提出的SBM模型是一種非徑向、非角度的效率評價方法，模型在目標函數(shù)中引入松弛量，致使得到的效率值更加準確[10-11]?；诖耍疚囊?0個省分別作為生產(chǎn)決策單元，假設(shè)各省物流生產(chǎn)存在N種投入X=x1，x2，…，xN∈RN+，Q種期望產(chǎn)出Y=y1，y2，…，yQ∈RQ+，和L種非期望產(chǎn)出B=b1，b2，…，bL∈RL+，則可構(gòu)建包含期望產(chǎn)出和非期望產(chǎn)出的生產(chǎn)可能性集合Pt（x）=（yt，bt）|xt能生產(chǎn)出（yt，bt），t=1，2，…，T。假定規(guī)模報酬可變，則SBM方向性距離函數(shù)可表達為：

DtV（xti，yti，bti）==min1-1N∑Nn=1sxnxin1+1Q+L（∑Qq=1syqyiq+∑Ll=1sblbil）

s.t.∑Ii=1ztixti，n+sxn=xti，n，n=1，2，…，N

∑Ii=1ztiyti，q-syq=yti，q，q=1，2，…，Q

∑Ii=1ztibti，l+sbl=bti，l，l=1，2，…，L

∑Iizti=1;zti0，sxn0，syq0，sbl0，i=1，2，…，I（1）

其中（xti，yti，bti）表示i省的投入產(chǎn)出集，目標函數(shù)的分子和分母分別表示投入與產(chǎn)出距離生產(chǎn)前沿面的平均距離，即投入與產(chǎn)出的非效率程度。sxn，syq，sbl分別表示投入變量、期望產(chǎn)出、非期望產(chǎn)出的松弛變量，zti為權(quán)重變量。引入跨期動態(tài)的概念，借鑒幾何平均值方法構(gòu)造t到t+1期的SBM—ML指數(shù)，以此來測度物流業(yè)綠色全要素生產(chǎn)率（公式2）。

GTFP=（SBM-ML）t+1t=DtV（xt+1，yt+1，bt+1）DtV（xt，yt，bt）×Dt+1V（xt+1，yt+1，bt+1）Dt+1V（xt，yt，bt）12（2）

（二）探索性空間數(shù)據(jù)分析（ESDA）

1.全局空間自相關(guān)

Morans I指數(shù)反映了空間鄰接或鄰近地區(qū)單元屬性的相似程度，其值介于-1和1之間，小于0表示負相關(guān)，大于0表示正相關(guān)，而等于0則表示不相關(guān)。對物流業(yè)綠色全要素生產(chǎn)率而言，Morans I指數(shù)越接近于1時意味著區(qū)域間的關(guān)系越緊密（高值集聚或低值集聚），越接近于-1時表示關(guān)系越疏遠或差異越大（高值與低值集聚或低值與高值集聚）[12]。

全局Morans I=∑ni=1∑nj=1ωij（GTFPi-GTFP-）（GTFPj-GTFP-）S2∑ni=1∑nj=1ωij（3）

其中GTFPi表示第i地區(qū)的物流業(yè)綠色全要素生產(chǎn)率，GTFP-為均值，S2為方差。ωij是二進制空間權(quán)重矩陣，n為總數(shù)?？臻g權(quán)重矩陣ωij用于定義空間對象之間的相互鄰接關(guān)系，對分析中國省域物流業(yè)綠色全要素生產(chǎn)率而言，ωij的基本形式為：

ωij=1?當省域i和省域j相鄰接時

0?其他（4）

2.局部空間自相關(guān)

全局空間自相關(guān)主要描述研究對象的整體集聚或分散程度，在一定程度上忽視了局部的空間關(guān)系。為了彌補這一問題，Anselin提出一種局部Morans I指數(shù)（Local Moran Index），用來驗證研究范圍內(nèi)局部地區(qū)的相似程度[13]。借助局部Morans I指數(shù)值來分析各省市與其鄰近省市的空間關(guān)聯(lián)性，指數(shù)具體計算公式為：

局部Morans I=（GTFPi-GTFP-）S2∑j≠iωij（GTFPj-GTFP-）（5）

Morans I指數(shù)為正表示空間單元與其鄰接單元的屬性相似，即高值被高值包圍或低值被低值包圍;指數(shù)為負表示空間單元與其鄰接單元的屬性不同，即高值被低值包圍或低值被高值包圍。

（三）空間面板計量模型

物流業(yè)綠色全要素生產(chǎn)率包含了多種物流要素，以其作為被解釋變量既可避免單一指標作為被解釋變量引起的信息失真，也可以更多地考慮到環(huán)境約束對行業(yè)發(fā)展的影響。考慮鄰近區(qū)域物流發(fā)展的依賴性，空間面板計量模型能更好地闡釋物流業(yè)綠色全要素生產(chǎn)率的驅(qū)動因素和溢出效應。模型主要分為3種類型：空間面板滯后模型（Spatial Lag Model，SLM）、空間面板誤差模型（Spatial Error Model，SEM）和空間面板杜賓模型（Spatial Durbin Model，SDM）[13]。

1.空間面板滯后模型。在空間因素作用之下，SLM模型的設(shè)定意味著研究區(qū)域所有解釋變量都能夠通過空間傳導機制對系統(tǒng)內(nèi)的其他地區(qū)產(chǎn)生影響，其形式為：

GTFPit=ρ∑Nj=1ωijGTFPit+βXit+μi+vt+εit，i=1，…，N，t=1，…，T（6）

其中，GTFPit是被解釋變量;ρ是空間自回歸系數(shù)，表示鄰近單元之間的影響程度;Xit是K維解釋變量列向量;μi是空間效應;vt是時間效應;ωij是n×n階空間權(quán)重矩陣;εit為隨機誤差向量。

2.空間面板誤差模型。SEM模型假定地區(qū)間空間作用通過誤差項來實現(xiàn)，而區(qū)域外溢是隨機沖擊作用的結(jié)果，其形式為：

GTFPit=βXit+μi+vt+φit，φit=λ∑Nj=1ωijφjt+εit（7）

其中φit是空間自相關(guān)誤差項;λ是誤差項的空間自相關(guān)系數(shù)，取值介于-1和1之間，表示區(qū)域變量變化對鄰接地區(qū)的溢出程度。

3.空間面板杜賓模型。SDM模型同時包含了SLM和SEM模型的假設(shè)，其形式為：

GTFPit=ρ∑Nj=1ωijGTFPjt+βXit+θ∑Nj=1ωijXijt+μi+vt+εit （8）

其中ρ反映的是空間交互效應;θ代表空間滯后解釋變量系數(shù)，當滿足θ+ρβ=0時，SDM模型可以簡化為SEM模型，當滿足θ=0時，此SDM模型即是SLM模型。

二、物流業(yè)綠色全要素生產(chǎn)率的動態(tài)演進

（一）物流業(yè)綠色全要素生產(chǎn)率演進趨勢

借助Kernel密度估計方法對物流業(yè)綠色全要素生產(chǎn)率的概率密度進行估計，形式為：

f[DD（-*2/3][HT6”]^[][HT][DD）〗h（GTFP）=1n∑ni=1Kh（GTFP-GTFPi）=1nh∑ni=1K（GTFP-GTFPih）（9）

其中n為被研究對象數(shù)量，K（）代表核函數(shù)，h為帶寬，帶寬越大，方差越小，密度函數(shù)曲線越平滑。根據(jù)Kernel密度函數(shù)估計的圓滑程度與表現(xiàn)方式，可分為Gaussian核、Epanechnikov核、Triangle核和Uniform核等，本文選取Gaussian核作為核函數(shù)進行非參數(shù)估計，公式為：

K（GTFP）=12πexp（-GTFP22）（10）

為詳細刻畫物流業(yè)發(fā)展演變情況，通過等距法選取2004年、2007年、2010年、2013年、2016年共計5個考察年份，結(jié)合考慮和不考慮非期望產(chǎn)出兩種情況下的測算結(jié)果，運用MATLAB 7.0分別繪制出物流業(yè)綠色全要素生產(chǎn)率和傳統(tǒng)全要素生產(chǎn)率的Kernel密度曲線（圖1）。可以看出兩種全要素生產(chǎn)率核密度曲線波動特征顯著，均有著“尖主峰”特征，每年的主峰都位于曲線的偏左一側(cè)，即處于全要素生產(chǎn)率偏低的區(qū)間，說明大多數(shù)省份是處在低生產(chǎn)率水平。

從物流業(yè)綠色全要素生產(chǎn)率的動態(tài)演變來看，2004年核密度曲線的波峰在歷年中最偏右側(cè)，主峰高度較高;在主峰的右側(cè)有一大一小的波峰，共同形成“三峰”特征，說明物流業(yè)綠色全要素生產(chǎn)率省域差距較大;相比其他幾個年份，處于高水平的省份最多。2007年核密度曲線的峰值降低，由“三峰”演變?yōu)椤皢畏濉?，說明極化發(fā)展的現(xiàn)象得到緩解;曲線覆蓋區(qū)間較大，屬“低胖型”分布，意味著國內(nèi)物流業(yè)綠色發(fā)展水平整體較低。2010年核密度曲線的峰值稍有回升，曲線尾部有“起峰”趨勢，說明各省物流業(yè)綠色全要素生產(chǎn)率差距進一步擴大，有部分物流發(fā)展強勢的省份逐漸涌現(xiàn)。2013年核密度曲線的主峰左移，峰值出現(xiàn)明顯攀升，說明多數(shù)省份物流綠色發(fā)展水平相近但整體偏低;值得注意的是，在曲線右側(cè)有兩處小的凸起部分有形成副峰的發(fā)展趨勢。2016年核密度曲線的峰值下降，曲線右端有“雙副峰”發(fā)展趨勢，物流業(yè)綠色全要素生產(chǎn)率極化現(xiàn)象加劇，部分省份率先提高綠色發(fā)展水平，集中形成了位于曲線右側(cè)的“雙副峰”。

從物流業(yè)傳統(tǒng)全要素生產(chǎn)率的動態(tài)演變來看，2004年核密度曲線有大中小“三峰”，主峰“高、尖”且較偏左側(cè)，兩個副峰“低、尖”且較偏右側(cè)，說明物流極化發(fā)展現(xiàn)象嚴重，多數(shù)省份集聚在低水平發(fā)展區(qū)間。2007年核密度曲線呈“低胖型”，有往右側(cè)移動趨勢。2010年核密度曲線再次形成主副峰，但整體往右移動，說明物流業(yè)全要素生產(chǎn)率區(qū)域差距拉大的同時，整體得到改善。2013年核密度曲線的主峰升高，“雙副峰”再次出現(xiàn)，說明大多數(shù)省份的物流水平相近，但有部分省份發(fā)展優(yōu)勢明顯。2016年核密度曲線的主峰繼續(xù)升高，且其位置相較其他主峰更偏右側(cè)，同時伴有“多副峰”的發(fā)展趨勢，說明物流業(yè)全要素生產(chǎn)率整體得到提升，但省域間的發(fā)展差距應該引起重視。

從整體上看，物流業(yè)綠色全要素生產(chǎn)率核密度曲線呈現(xiàn)“三峰”—“單峰”—“雙峰”—“三峰”的演變趨勢，而傳統(tǒng)全要素生產(chǎn)率核密度曲線呈現(xiàn)“三峰”—“單峰”—“雙峰”—“三峰”—“多峰”的演變趨勢，表明區(qū)域差異方面兩者較為相似，都保持大幅度的動態(tài)演進，考慮是各省物流基礎(chǔ)建設(shè)和現(xiàn)代化程度不同，導致發(fā)展速度與追趕速度不同，致使省際間物流發(fā)展協(xié)調(diào)度較低。但是，兩者核密度曲線的演進方向差異顯著，綠色全要素生產(chǎn)率有逐年下降趨勢，而傳統(tǒng)全要素生產(chǎn)率有波動上升趨勢，這驗證了忽視環(huán)境約束會高估實際生產(chǎn)率，帶來評估偏差。鑒于此，繼續(xù)結(jié)合馬爾可夫鏈探討物流業(yè)綠色全要素生產(chǎn)率的類型轉(zhuǎn)移，明晰其內(nèi)部動態(tài)性。

（二）物流業(yè)綠色全要素生產(chǎn)率時空狀態(tài)轉(zhuǎn)移

馬爾科夫鏈可以描述已知現(xiàn)在狀態(tài)的條件下，未來狀態(tài)概率分布與過去狀態(tài)無關(guān)的隨機現(xiàn)象，在區(qū)域格局變化方面具有較強的實用性，可以分析研究期內(nèi)30省市物流業(yè)綠色全要素生產(chǎn)率的區(qū)域狀態(tài)轉(zhuǎn)移情況，探討未來轉(zhuǎn)移方向的穩(wěn)定性或集中性[14]。不同時期的轉(zhuǎn)移狀況可以通過馬爾科夫轉(zhuǎn)移概率mij來表示，mij的含義是在t年份屬于i類型的區(qū)域，到t+1年份轉(zhuǎn)移為j類型的概率，也即是在t年份屬于i類型的區(qū)域到t+1年份轉(zhuǎn)移為j類型的區(qū)域數(shù)量之和與所有年份內(nèi)屬于i類型的區(qū)域數(shù)量之比。

本文采用數(shù)據(jù)離散化方法，將30個省市按照相應年份的物流業(yè)綠色全要素生產(chǎn)率劃分為4類：將低于全國物流業(yè)綠色全要素生產(chǎn)率平均水平70%的地區(qū)劃分為低水平區(qū)域，介于70%—100%之間的地區(qū)劃分為中低水平區(qū)域，介于100%—130%之間的地區(qū)劃分為中高水平區(qū)域，高于130%的地區(qū)劃分為高水平區(qū)域。依此可以計算出各類型區(qū)域轉(zhuǎn)移的概率分布，得到形式為4×4的馬爾科夫轉(zhuǎn)移概率矩陣。由于馬爾科夫鏈具有遍歷性，可以計算得到一個穩(wěn)定的極限概率分布，即遍歷分布表示物流業(yè)按照一定發(fā)展趨勢得以形成的長期均衡結(jié)果，通常用來考察長期均衡狀態(tài)。

每一時間階段的概率轉(zhuǎn)移矩陣中，對角線上的數(shù)值為各類型區(qū)域物流業(yè)綠色全要素生產(chǎn)率未發(fā)生變化的概率，而非對角線上的數(shù)值為各類型區(qū)域發(fā)生轉(zhuǎn)移的概率，可以看到4種類型區(qū)域之間有顯著的動態(tài)轉(zhuǎn)移現(xiàn)象。具體而言，2004—2010年間矩陣對角線數(shù)值分別為0.518、0.200、0.444和0.667，說明若某一區(qū)域處于高水平狀態(tài)、中高水平狀態(tài)、中低水平狀態(tài)、低水平狀態(tài)，則在接下來的一年中仍處于此狀態(tài)的概率分別為51.8%、20.0%、44.4%、66.7%。其中，中高水平的穩(wěn)定性最差，有40.0%的可能性轉(zhuǎn)移為高水平狀態(tài)，40.0%的可能性轉(zhuǎn)移為中低水平狀態(tài)，而低水平狀態(tài)最穩(wěn)定，僅有33.3%的可能性發(fā)生轉(zhuǎn)移，且都是轉(zhuǎn)向了中低水平狀態(tài)。2010—2016年間矩陣對角線數(shù)值分別為0.400、0.190、0.536、0.714。其中，中高水平穩(wěn)定性最差，有66.7%的概率轉(zhuǎn)移為中低水平狀態(tài)，14.3%的概率轉(zhuǎn)移為低水平狀態(tài)，而低水平狀態(tài)的穩(wěn)定性最強，有71.4%的概率繼續(xù)保持低水平狀態(tài)。2004—2016年間矩陣對角線數(shù)值分別為0.500、0.143、0.518、0.667。其中，中高水平穩(wěn)定性最差，累計有85.7%的概率要發(fā)生狀態(tài)轉(zhuǎn)移，包括14.3%的概率轉(zhuǎn)移為高水平、60.3%的概率轉(zhuǎn)移為中低水平以及11.1%的概率轉(zhuǎn)移為低水平;同樣，穩(wěn)定性最強的也是低水平狀態(tài)，有66.7%的概率繼續(xù)在低水平狀態(tài)發(fā)展下去。

從總體來看，3個時間階段矩陣的對角線數(shù)值之和分別是1.829、1.840、1.828，分別占各自矩陣總值的45.7%、46.0%、45.7%，意味著物流業(yè)綠色全要素生產(chǎn)率維持原狀態(tài)的概率不高，在不同類型狀態(tài)之間發(fā)生轉(zhuǎn)移的概率較大。根據(jù)遍歷分布計算公式得到物流業(yè)綠色全要素生產(chǎn)率格局演變的長期均衡結(jié)果，結(jié)果顯示長期發(fā)展之后省域物流業(yè)處于高生產(chǎn)率水平的概率為14.5%，中高生產(chǎn)率水平的概率為21.2%，中低生產(chǎn)率水平的概率為37.7%，低生產(chǎn)率水平狀態(tài)的概率為26.6%。可見，當前物流業(yè)的綠色發(fā)展趨勢不理想，行業(yè)的綠色全要素生產(chǎn)率水平可能會向著中低水平或者低水平轉(zhuǎn)移，應當引起關(guān)注和重視。從轉(zhuǎn)移矩陣可以得到各省物流業(yè)綠色全要素生產(chǎn)率跨越多層次發(fā)展的概率不高，反映出物流綠色升級是逐步發(fā)展的過程，落后區(qū)域需加強同周圍水平稍高區(qū)域的交流與合作，更先進區(qū)域的轉(zhuǎn)型經(jīng)驗需要在下一步發(fā)展中逐漸借鑒。

（三）物流業(yè)綠色全要素生產(chǎn)率空間依賴特征

1.物流業(yè)綠色全要素生產(chǎn)率全局空間相關(guān)性

基于二進制空間權(quán)重矩陣，計算得到物流業(yè)綠色全要素生產(chǎn)率均值的Morans I指數(shù)值為0.269，傳統(tǒng)全要素生產(chǎn)率均值的Morans I指數(shù)值為0.125，均大于0，說明物流發(fā)展存在顯著的正空間自相關(guān)特征，即生產(chǎn)率較高的省份趨于相鄰，生產(chǎn)率較低的省份趨于相鄰。為詳細辨析Morans I指數(shù)值在時間序列上的變化情況，進一步分析歷年物流業(yè)生產(chǎn)率的全局自相關(guān)Morans I指數(shù)值（表2），可以看到兩種生產(chǎn)率的Morans I指數(shù)值在研究期內(nèi)均大于0，說明相鄰地區(qū)物流業(yè)存在長期的緊密關(guān)系，空間聚集現(xiàn)象顯著。

2.物流業(yè)綠色全要素生產(chǎn)率局部空間相關(guān)性

借助OpenGeoDa繪制出歷年物流業(yè)（綠色）全要素生產(chǎn)率均值的Morans I指數(shù)散點圖（圖2）。第Ⅰ象限為“高—高”類型區(qū)（HH），表示某區(qū)域本身和相鄰地區(qū)的生產(chǎn)率水平都比較高，呈現(xiàn)出空間同質(zhì)性，可看作全國物流業(yè)生產(chǎn)率的“高地”;第Ⅱ象限為“低—高”類型區(qū)（LH），表示某區(qū)域自身生產(chǎn)率水平較低，但相鄰地區(qū)的生產(chǎn)率水平較高，呈現(xiàn)出空間異質(zhì)性;第Ⅲ象限為“低—低”類型區(qū)（LL），表示某區(qū)域本身和相鄰地區(qū)的生產(chǎn)率水平都比較低，可看作全國物流業(yè)生產(chǎn)率的“洼地”;第Ⅳ象限為“高—低”類型區(qū)（HL），表示某區(qū)域自身生產(chǎn)率水平較高，但相鄰地區(qū)的生產(chǎn)率水平較低。對物流業(yè)綠色全要素生產(chǎn)率而言，有15個省市位于第Ⅰ象限，占50%，分別是山東、河北、天津、安徽、上海、福建、江蘇、江西、甘肅、內(nèi)蒙古、浙江、山西、河南、湖南、寧夏;有4個省市位于第Ⅱ象限，占13.3%，分別是北京、陜西、湖北、廣西;有7個省市位于第Ⅲ象限，占23.3%，分別是黑龍江、重慶、新疆、四川、遼寧、吉林、云南;有4個省市位于第Ⅳ象限，占13.3%，分別是青海、廣東、貴州、海南。對物流業(yè)傳統(tǒng)全要素生產(chǎn)率而言，有12個省市位于第Ⅰ象限，占40%;有5個省市位于第Ⅱ象限，占16.7%;有8個省市位于第Ⅲ象限，占26.7%;有5個省市位于第Ⅳ象限，占16.7%。

三、物流業(yè)綠色全要素生產(chǎn)率影響因素與溢出效應

（一）變量選取與指標說明

從科技水平（SCI）、基礎(chǔ)設(shè)施（INF）、經(jīng)濟發(fā)展（ECO）和市場因素（MFA）4個方面選取指標作為解釋變量，對物流業(yè)綠色全要素生產(chǎn)率的影響因素進行闡釋。其中，科技水平主要考慮科技創(chuàng)新能力和信息化水平，基礎(chǔ)設(shè)施主要考慮交通網(wǎng)絡密度、物流能源強度和交通運輸強度，經(jīng)濟發(fā)展主要考慮城鎮(zhèn)化率、產(chǎn)業(yè)結(jié)構(gòu)和人均GDP，市場因素主要考慮地區(qū)對外開放程度和市場化進程。指標數(shù)據(jù)來源于2005—2017年度的《中國統(tǒng)計年鑒》和《中國能源統(tǒng)計年鑒》，將變量的類型、名稱、代碼以及含義匯總整理到表3。

（二）模型檢驗及估計

通過Hausman檢驗可知統(tǒng)計量值為39.2864，相應p值是0.0001，因此選擇固定效應模型進行分析效果更佳。在此基礎(chǔ)之上，對非空間面板模型做LMlag、LMerror、R-LMlag、R-LMerror、LR空間以及LR時間檢驗（表4）。不論是空間效應還是時間效應，其相應的LR檢驗結(jié)果都在1%顯著性水平上拒絕原假設(shè)，說明應將模型擴展為時空雙固定模型。LM檢驗結(jié)果在時空雙固定效應下相近，均在5%的顯著性水平下拒絕原假設(shè)，還需要估計時空雙固定SDM模型的適用性，判斷可否進行簡化。檢驗結(jié)果顯示W(wǎng)ald_spatial_lag值、LR_spatial_lag值，以及Wald_spatial_error值、LR_spatial_error值均在1%的顯著性水平上，拒絕了簡化為SLM模型和SEM模型的原假設(shè)，表明對物流業(yè)綠色全要素生產(chǎn)率而言，時空雙固定SDM模型是最佳選擇。表5列出4種效應下SDM模型的估計值，并著重分析時空雙固定效應SDM模型的估計結(jié)果。

由表5可見交通網(wǎng)絡密度、物流能源強度、交通運輸強度和人均GDP在物流業(yè)綠色全要素生產(chǎn)率的演變過程中起到重要作用，影響系數(shù)分別達到0.2895、0.2804、0.3102、0.1781，而且通過了1%的顯著性水平檢驗，地區(qū)產(chǎn)業(yè)結(jié)構(gòu)的影響系數(shù)也達到0.1511，但其顯著性水平不高。此外，表現(xiàn)出正向驅(qū)動作用的影響因素還有科技創(chuàng)新能力、信息化水平、城鎮(zhèn)化率以及市場化進程，驅(qū)動作用分別達到0.0804、0.0617、0.1288、0.0887，且都至少通過10%的顯著性水平檢驗;同時，對外開放程度指標的影響為負，而且通過1%的顯著性水平檢驗，抑制效應達到-0.1445，這與劉承良等[18]的研究結(jié)論一致。究其原因，主要是中國現(xiàn)階段物流業(yè)發(fā)展仍以國內(nèi)資本構(gòu)成為主，外資占比不高，國內(nèi)物流所處發(fā)展層次較低，很難與以更高級物流服務為核心的外企作競爭，甚至區(qū)域內(nèi)企業(yè)會產(chǎn)生惡性競爭，導致外商投資帶來的技術(shù)溢出和資本效應對提升物流業(yè)綠色全要素生產(chǎn)率作用不理想。

對于SDM模型而言，空間滯后項的加入難以反映變量的邊際效應，現(xiàn)利用偏微分方程將空間效應分解為直接效應與間接效應。依據(jù)LeSage和Pace的定義，直接效應表示的是本地區(qū)解釋變量對被解釋變量的影響，間接效應表示的是本地區(qū)解釋變量對相鄰地區(qū)被解釋變量的影響，總效應則為兩者之和。從表6可以看到交通網(wǎng)絡密度、物流能源強度和交通運輸強度的直接效應最強，分別達到0.2715、0.2768和0.3312，三者的間接效應也達到0.0289、0.0451和0.0606，且均通過1%的顯著性水平檢驗，說明物流基礎(chǔ)設(shè)施建設(shè)不僅能夠促進當?shù)匚锪靼l(fā)展，也具有顯著的空間溢出效應，對物流業(yè)綠色全要素生產(chǎn)率的提升起到重要驅(qū)動作用。對其他指標而言，直接效應方面，地區(qū)產(chǎn)業(yè)結(jié)構(gòu)和人均GDP也起到較強的正向影響，分別達到0.2217和0.2115，對外開放程度則起到了負向影響，負向效應達到-0.1390;間接效應方面，信息化水平、城鎮(zhèn)化率、人均GDP和市場化進程的貢獻作用最高，分別為0.0911、0.1137、0.1154和0.1876，而地區(qū)產(chǎn)業(yè)結(jié)構(gòu)和對外開放程度表現(xiàn)出負向溢出效應，分別為-0.0989和-0.0221。

（三）結(jié)果分析

從模型估計結(jié)果可知解釋變量的空間溢出效應顯著，結(jié)合中國區(qū)域物流發(fā)展的實情總結(jié)得到：

1.科技水平是物流業(yè)綠色發(fā)展的重要推手。第一，科技創(chuàng)新能力是地區(qū)科技研發(fā)和自主創(chuàng)新水平的直接反映。以新興科技為核心的現(xiàn)代物流能提高資源利用效率，降低環(huán)境損耗，推動當?shù)匚锪鳂I(yè)向更高層次發(fā)展。由于物流業(yè)流動性強，客、貨運輸力量會向周邊區(qū)域延伸而增加物流總量，輔之以新模式和新技術(shù)的溢出使得周邊地區(qū)跟進物流發(fā)展步伐，這與劉國巍的觀點一致[19]。具體而言，物流業(yè)是技術(shù)交流廣泛的服務行業(yè)，作為收點或發(fā)點的基點區(qū)域，物流運輸必然會通過其地理鄰近區(qū)域（中轉(zhuǎn)或直運），而鄰近空間單元的技術(shù)創(chuàng)新有利于保障長距離運輸?shù)耐瓿?，這促進了物流區(qū)域間的互助與合作，也為物流技術(shù)溢出提供了更好的客觀條件。第二，信息化水平也是區(qū)域科技水平的重要體現(xiàn)，其對協(xié)調(diào)物流各環(huán)節(jié)，改善物流系統(tǒng)時空效應，提高物流綜合反應能力，以及滿足個性化物流需求等具有重要意義。不僅如此，信息化水平對提升相鄰地區(qū)物流業(yè)綠色全要素生產(chǎn)率也有積極貢獻。綜合而言，科技水平能夠起到示范和溢出效應，相關(guān)的技術(shù)創(chuàng)新具有一定的公共屬性，有利于區(qū)域物流業(yè)的技術(shù)升級[20]。

2.基礎(chǔ)設(shè)施是物流業(yè)綠色發(fā)展的內(nèi)在保障。交通網(wǎng)絡密度、物流能源強度、交通運輸強度對本地區(qū)的物流發(fā)展有重要貢獻，對相鄰地區(qū)也有顯著的空間溢出效應。這是因為交通網(wǎng)絡密度是地區(qū)交通運輸發(fā)達情況的直接反映，物流能源強度和交通運輸強度則是地區(qū)物流規(guī)劃、交通布局、網(wǎng)點建設(shè)合理性的體現(xiàn)，實證結(jié)果得到物流基礎(chǔ)設(shè)施是物流業(yè)綠色全要素生產(chǎn)率的重要影響因素，這與馬越越等研究結(jié)果一致[21]。從內(nèi)在邏輯來看，完善的交通布局和高效的運輸體系不僅可以改善路網(wǎng)聯(lián)通、提高運輸質(zhì)量，而且有助于促進區(qū)域內(nèi)活動串聯(lián)和經(jīng)濟集聚，形成規(guī)模化發(fā)展，提高區(qū)域內(nèi)部經(jīng)濟協(xié)調(diào)度，進而從根本上促進物流業(yè)降本增效。從效應分解結(jié)果來看，物流基礎(chǔ)建設(shè)對本地區(qū)的影響要遠高于對相鄰地區(qū)的影響，這是因為政府對本地基礎(chǔ)建設(shè)投資和交通線路規(guī)劃能夠增強本地物流互聯(lián)互通，但對周邊地區(qū)的牽動作用不強，這與張學良的研究略有差異，張學良認為交通基礎(chǔ)設(shè)施以正的空間溢出為主，也有微弱的空間負溢出效應[22]。

3.經(jīng)濟基礎(chǔ)是物流業(yè)綠色發(fā)展的關(guān)鍵驅(qū)動。第一，城鎮(zhèn)化率的提高意味著社會組織形式和生產(chǎn)方式的升級，城鎮(zhèn)化建設(shè)能夠為物流業(yè)的發(fā)展提供機遇，有利于加強要素資源的整合，重新布局行業(yè)流通運能，縮減不必要的資源浪費。第二，區(qū)域產(chǎn)業(yè)結(jié)構(gòu)升級對本地區(qū)物流業(yè)綠色全要素生產(chǎn)率有正向影響，對鄰近地區(qū)有負向影響?？紤]是產(chǎn)業(yè)結(jié)構(gòu)升級優(yōu)化了本地區(qū)的經(jīng)濟發(fā)展質(zhì)量，通過關(guān)聯(lián)效應帶動了本地物流業(yè)的高效發(fā)展，但對周邊地區(qū)卻體現(xiàn)出微弱的“虹吸效應”。當本地區(qū)第三產(chǎn)業(yè)占比增加時，相鄰地區(qū)物流業(yè)綠色全要素生產(chǎn)率會受到抑制。由于區(qū)域內(nèi)產(chǎn)業(yè)結(jié)構(gòu)調(diào)整，部分高污染、高消耗的第二產(chǎn)業(yè)向周邊轉(zhuǎn)移，給周邊地區(qū)物流業(yè)的綠色發(fā)展帶來壓力。第三，人均GDP對本地區(qū)和相鄰地區(qū)均有正向影響，原因是人均GDP能夠反映區(qū)域物流賴以生存的經(jīng)濟環(huán)境狀況，人均GDP較高的地區(qū)擁有更多的物流需求，同時也有更好的人才儲備、技術(shù)支持和投資環(huán)境。

4.市場因素是物流業(yè)綠色發(fā)展的隱形動力。第一，對外開發(fā)程度對本地區(qū)物流業(yè)綠色全要素生產(chǎn)率有顯著的負向影響，說明雖然對外開放程度直接關(guān)系到外資的流入，也影響到國外先進理念和發(fā)達技術(shù)的引進，但是對物流業(yè)而言，未能借機提質(zhì)增效，今后要加強外資進入的低碳甄別，提高環(huán)境準入門檻，抓住對外開放帶來的物流轉(zhuǎn)型契機。值得注意的是，對外開發(fā)程度對鄰近地區(qū)的溢出效應也為負，其主要原因在于當前區(qū)域經(jīng)濟不均衡發(fā)展的大環(huán)境下，對外開放程度的提高會吸引更多相鄰省域的優(yōu)質(zhì)資本和行業(yè)人才不斷進入，進而抑制了周邊地區(qū)的發(fā)展。第二，市場化進程對本地區(qū)物流業(yè)綠色全要素生產(chǎn)率有正向影響，但是影響效果不顯著，而對于周邊地區(qū)的正向影響顯著。由于市場化為優(yōu)化物流資源配置提供機遇，也為區(qū)域間的物流協(xié)作提供了更多空間，良好的市場環(huán)境和管理秩序是物流革新必不可少的因素，物流公司在市場化進程中的探索也是行業(yè)提質(zhì)增效的關(guān)鍵。

四、結(jié)論及建議

本文運用含有非期望產(chǎn)出的SBM—ML模型，結(jié)合探索性空間數(shù)據(jù)分析和空間面板計量，探討了省域物流業(yè)綠色全要素生產(chǎn)率的動態(tài)演進及溢出效應，主要結(jié)論為：第一，物流業(yè)綠色全要素生產(chǎn)率具有顯著的動態(tài)演進特征，省際間協(xié)調(diào)發(fā)展程度不高。物流業(yè)綠色全要素生產(chǎn)率有逐年下降趨勢，而傳統(tǒng)全要素生產(chǎn)率卻有波動上升趨勢，說明忽視環(huán)境約束會高估實際生產(chǎn)率。第二，通過馬爾科夫鏈模型探討了物流業(yè)綠色全要素生產(chǎn)率的時空狀態(tài)轉(zhuǎn)移規(guī)律，并根據(jù)遍歷分布得到物流發(fā)展的長期均衡結(jié)果，結(jié)果顯示物流業(yè)綠色全要素生產(chǎn)率向中低水平或低水平發(fā)展的概率較高，說明物流業(yè)的綠色轉(zhuǎn)型應當引起重視。第三，基于二進制空間權(quán)重矩陣，得到研究期內(nèi)物流業(yè)綠色全要素生產(chǎn)率存在顯著的正空間自相關(guān)特征。局部空間相關(guān)性分析進一步證實得到，物流業(yè)綠色全要素生產(chǎn)率存在區(qū)域集聚特性。第四，交通網(wǎng)絡密度、物流能源強度、交通運輸強度和人均GDP對物流業(yè)綠色全要素生產(chǎn)率貢獻作用最大?？臻g溢出效應方面，各影響因素存在顯著的空間溢出效應，市場化進程的正向溢出效應最高，對外開放程度和地區(qū)產(chǎn)業(yè)結(jié)構(gòu)的溢出效應為負。

基于上述研究結(jié)論，提出以下建議：一是改善運輸基礎(chǔ)，增加新能源汽車、輕量化起重搬運設(shè)備的使用，完善貨運樞紐功能，依靠綜合型運輸體系，促使各種運輸方式揚長避短，提高運輸效率，減少能源消耗。二是提升物流軟技術(shù)，推廣物流管理運籌技術(shù)、物流預測技術(shù)以及物流標準化技術(shù)，科學規(guī)劃區(qū)域內(nèi)質(zhì)低、量缺的現(xiàn)有資源，對各項物流設(shè)備進行合理的組合與調(diào)配;同時，營造良好市場氛圍，加強科技成果的轉(zhuǎn)化與產(chǎn)業(yè)化。三是“東、中、西梯度推進”，東部發(fā)達地區(qū)要首先進行技術(shù)創(chuàng)新，研發(fā)綠色儲運、智能分揀等現(xiàn)代化物流技術(shù)，帶動中西部地區(qū)物流業(yè)的發(fā)展。期間要加強區(qū)域分工與統(tǒng)籌協(xié)作，根據(jù)不同區(qū)域的資源要素稟賦情況，緊密結(jié)合區(qū)域物流發(fā)展模式與自身相對優(yōu)勢，形成揚長避短的物流發(fā)展格局，最大程度地節(jié)約資源、縮減能耗。四是學習海外先進經(jīng)驗，引入良性資本和國際人才，鼓勵前沿科技的研發(fā)與推廣，通過現(xiàn)代化手段來提升物流業(yè)發(fā)展層次。通過智慧互聯(lián)和協(xié)同共享發(fā)展模式的普及，推動物流業(yè)的平臺整合與跨界融合，加速業(yè)務模式更新迭代，科學決策物流行為，提供更高效率的物流服務。

參考文獻：

[1]?張倩倩， 張瑞， 張亦冰. 環(huán)境規(guī)制下外商直接投資對環(huán)境質(zhì)量的影響——基于不同行業(yè)組的比較研究[J]. 商業(yè)研究， 2019（5）：61-68.

[2]?Lin B， Chen Z. Does factor market distortion inhibit the green total factor productivity in China？[J]. Journal of Cleaner Production， 2018，197：25-33.

[3]?劉鉆擴， 辛麗. “一帶一路”建設(shè)對沿線中國重點省域綠色全要素生產(chǎn)率的影響[J]. 中國人口·資源與環(huán)境， 2018，28（12）：87-97.

[4]?劉戰(zhàn)豫， 孫夏令. 中國物流業(yè)綠色全要素生產(chǎn)率的時空演化及動因分析[J]. 軟科學， 2018，32（4）：77-81.

[5]?張竟成， 張竟軼. 基于VAR模型的物流產(chǎn)業(yè)與區(qū)域經(jīng)濟長期關(guān)系研究[J]. 管理世界， 2017（8）：180-181.

[6]?唐建榮， 姜翠蕓. 物流業(yè)與金融業(yè)協(xié)同演化機制及路徑優(yōu)化研究[J]. 商業(yè)研究， 2017（8）：175-183.

[7]?諸裕祥， 陳恒. 我國區(qū)域物流業(yè)發(fā)展非均衡及其外部效應估計——基于要素投入及其效率的分析[J]. 商業(yè)研究， 2018（1）：112-121.

[8]?馬越越， 王維國. 中國物流業(yè)碳排放特征及其影響因素分析——基于LMDI分解技術(shù)[J]. 數(shù)學的實踐與認識， 2013，43（10）：31-42.

[9]?Shermeh H E， Najafi S E， Alavidoost M H. A novel fuzzy network SBM model for data envelopment analysis： A case study in Iran regional power companies[J]. Energy， 2016，112：686-697.

[10]Tone K. A slacks-based measure of efficiency in data envelopment analysis[J]. European Journal of Operational Research， 2001，130（3）：498-509.

[11]Li K， Lin B. Impact of energy conservation policies on the green productivity in Chinas manufacturing sector： Evidence from a three-stage DEA model[J]. Applied Energy， 2016，168：351-363.

[12]Yuan Y， Cave M， Zhang C. Using Local Moran′s I to identify contamination hotspots of rare earth elements in urban soils of London[J]. Applied Geochemistry， 2018，88：167-178.

[13]Marbuah G， Amuakwa-Mensah F. Spatial analysis of emissions in Sweden[J]. Energy Economics， 2017，68：383-394.

[14]Shepero M， Munkhammar J. Spatial Markov chain model for electric vehicle charging in cities using geographical information system （GIS） data[J]. Applied Energy， 2018，231：1089-1099.

[15]張杰， 鄭文平. 創(chuàng)新追趕戰(zhàn)略抑制了中國專利質(zhì)量么？[J]. 經(jīng)濟研究， 2018，53（5）：28-41.

[16]齊紹洲， 徐佳. 貿(mào)易開放對“一帶一路”沿線國家綠色全要素生產(chǎn)率的影響[J]. 中國人口·資源與環(huán)境， 2018，28（4）：134-144.

[17]王小魯， 樊綱， 余靜文. 中國分省份市場化指數(shù)報告2018[M]. 北京： 社會科學文獻出版社， 2019.

[18]劉承良， 管明明. 低碳約束下中國物流業(yè)效率的空間演化及影響因素[J]. 地理科學， 2017，37（12）：1805-1814.

[19]劉國巍. 物流技術(shù)創(chuàng)新對物流業(yè)的影響測度與路徑分析——基于2000—2015年省際空間杜賓面板數(shù)據(jù)模型[J]. 中國流通經(jīng)濟， 2018，32（1）：38-46.

[20]肖仁橋， 宋瑩， 錢麗. 企業(yè)綠色創(chuàng)新產(chǎn)出及其空間溢出效應研究——基于兩階段價值鏈視角[J]. 財貿(mào)研究， 2019（4）：71-83.

[21]馬越越. 低碳視角下中國區(qū)域物流產(chǎn)業(yè)全要素生產(chǎn)率的空間溢出效應研究[J]. 宏觀經(jīng)濟研究， 2016（12）：90-101.

[22]張學良. 中國交通基礎(chǔ)設(shè)施促進了區(qū)域經(jīng)濟增長嗎——兼論交通基礎(chǔ)設(shè)施的空間溢出效應[J]. 中國社會科學， 2012（3）：60-77.

The Evolution and Spillover of Green TFP in China′s Provincial Logistics Industry

ZHANG Rui，SUN Xia-ling

（School of Management， China University of Mining and Technology， Beijing 100083， China）

Abstract： In this paper， SBM-ML model including unexpected output is used to measure the green total factor productivity of logistics industry in 30 provinces of China from 2004 to 2016.By using kernel density estimation and Markov chain， this paper discusses its spatial and temporal evolution characteristics， and analyzes the influence factors and spatial spillover effects of green total factor productivity of logistics industry with the help of spatial panel econometric model.The results show that the green total factor productivity of logistics industry has a significant dynamic evolution law， and the coordination degree of logistics development among provinces needs to be improved;there is a significant positive spatial autocorrelation in green TFP of logistics industry， which shows that provinces with higher productivity tend to be adjacent， while provinces with lower productivity tend to be adjacent;the main driving factors of green total factor productivity of logistics industry include traffic network density， logistics energy intensity， traffic intensity and per capita GDP，and each influence factor has significant spatial spillover effect， among which the market-oriented process has the highest positive spillover effect， while the degree of opening to the outside world and regional industrial structure have negative spillover effect.

Key words：logistics industry; TFP; dynamic evolution; influence factors; spatial spillover

（責任編輯：關(guān)立新）