基于虛擬績效視角的長江經(jīng)濟(jì)帶物流產(chǎn)業(yè)能源效率時空演進(jìn)及影響因素研究

楊 杰（江南大學(xué) 商學(xué)院，江蘇 無錫 214122）

0 引言

2020 年，習(xí)近平主席在第七十五屆聯(lián)合國大會上提出“中國將力爭2030 年前實現(xiàn)碳達(dá)峰，努力爭取2060 年前實現(xiàn)碳中和”。如何達(dá)到碳達(dá)峰碳中和這一雙碳目標(biāo)要求，降低碳排放并最終實現(xiàn)凈零碳排放，這已經(jīng)成為我國乃至全球社會普遍關(guān)注和研究的熱點。物流產(chǎn)業(yè)能源消耗是碳排放的主要來源，因此提升碳排放約束條件下的物流產(chǎn)業(yè)能源效率將有利于降低碳排放。作為我國主要的經(jīng)濟(jì)增長極和耗能區(qū)之一，長江經(jīng)濟(jì)帶的生產(chǎn)總值和能源消耗在全國總量中占比均接近40%。因此，測算出考慮碳排放的長江經(jīng)濟(jì)帶11 個省份的物流產(chǎn)業(yè)能源效率值并分析其影響因素具有現(xiàn)實性和迫切性，能夠為我國物流產(chǎn)業(yè)節(jié)能減排提供切實依據(jù)與現(xiàn)實參考。

已有的物流產(chǎn)業(yè)效率相關(guān)的國內(nèi)外研究比較豐富，研究方向主要包括效率測算、影響因素及其時空特征分析等方面。在物流產(chǎn)業(yè)效率測算方面，由于數(shù)據(jù)包絡(luò)分析法（DEA）具有多投入、多產(chǎn)出和評價指標(biāo)無量綱的優(yōu)勢，該方法被廣泛使用在物流產(chǎn)業(yè)效率測算上，劉永吉等[1]采用基礎(chǔ)DEA 模型測算并分析了東北三省19 個資源型城市物流產(chǎn)業(yè)效率。丁斌和王琨[2]以城市道路交通噪聲分貝為非期望產(chǎn)出構(gòu)建SBM 模型計算了全國各省市2003 到2011 年的物流產(chǎn)業(yè)效率；秦雯和倪容[3]基于2011—2020年珠江西岸物流產(chǎn)業(yè)面板數(shù)據(jù)，構(gòu)建三階段超效率SBM-DEA 模型來研究物流產(chǎn)業(yè)效率；徐新聞等[4]提出了CCR 和BCC 模型的組合模型，并將其用在我國31 個省市的物流產(chǎn)業(yè)效率測度上。在物流產(chǎn)業(yè)效率影響因素研究方面，著手點主要在于影響因素選擇，部分研究比較聚焦，專門研究單一因素對物流產(chǎn)業(yè)效率的影響，周燁[5]專門研究的是產(chǎn)業(yè)聚集對物流業(yè)產(chǎn)業(yè)效率的影響；李振杰[6]考察了外商投資對物流產(chǎn)業(yè)效率的影響。黃輝寧和黃剛[7]通過構(gòu)建空間滯后模型，研究了經(jīng)濟(jì)發(fā)展、政府支持、科技水平等因素對能源效率的影響；張娜和李波[8]運用SFA 回歸探究了政府支持和地區(qū)GDP 對西部地區(qū)物流產(chǎn)業(yè)效率的影響；高華和馬晨楠[9]在測得效率值的基礎(chǔ)上，借助模糊集定性比較分析的方法研究影響物流產(chǎn)業(yè)高效率發(fā)展的重要因素。對物流產(chǎn)業(yè)效率時空特征的分析也是重要研究內(nèi)容，學(xué)者們多是借助核密度分析、RS 和GIS 的探索性空間數(shù)據(jù)分析、ML 指數(shù)以及空間計量等方法進(jìn)行研究。比如，李朋林和劉曉寧[10]運用Moran's I 指數(shù)研究了我國各省市的物流業(yè)效率區(qū)域差異；劉宏偉等[11]借助收斂性分析來檢驗不同地區(qū)樞紐城市物流產(chǎn)業(yè)效率的趨同和發(fā)散情況；楊傳明等[12]則是利用ML 指數(shù)分析，對在環(huán)境約束下的長江經(jīng)濟(jì)帶物流產(chǎn)業(yè)效率進(jìn)行了動態(tài)分析。

綜上所述，現(xiàn)有研究采用的DEA 方法沒有考慮到前沿面異質(zhì)性的問題。因此，本研究將碳排放量作為非期望產(chǎn)出，并考慮了資源和環(huán)境層面的影響因素，然后采用基于虛擬前沿面的三階段Window-DEA 模型，解決了前沿面異質(zhì)性導(dǎo)致的跨期不可比這一問題的同時避免環(huán)境因素和隨機(jī)誤差的影響，得到長江經(jīng)濟(jì)帶11 個省份實際物流產(chǎn)業(yè)效率值，并通過Malmquist 指數(shù)分析模型刻畫長江經(jīng)濟(jì)帶實際物流產(chǎn)業(yè)效率值的時空演變特征，最后基于結(jié)論，提出關(guān)于提高物流產(chǎn)業(yè)效率水平的建議。

1 研究方法

1.1 基于虛擬績效前沿面的三階段Window-DEA 模型

（1）第一階段：采用考慮虛擬前沿面的Window-DEA 模型測算長江經(jīng)濟(jì)帶11 個省份的物流產(chǎn)業(yè)能源效率值，具體操作步驟如下：

①基于研究的樣本數(shù)據(jù)，并參考已有文獻(xiàn)研究，確定窗口寬度為3，本研究期間為2010 至2020 年，時間長度為11 年，故建立11-3+1=9 個窗口期，每個窗口有33 個DMU；

②構(gòu)建窗口最優(yōu)虛擬前沿面進(jìn)行效率評價。設(shè)置與單個窗口期內(nèi)所包含待評價數(shù)量相同的虛擬評價單元，構(gòu)成形成虛擬評價單元集DMUJ，J=33，根據(jù)窗口期內(nèi)給定的待評價單元集DMUI的投入xim和產(chǎn)出yin值來確定虛擬評價單元的投入xjM與產(chǎn)出yjN值，其中設(shè)置一個虛擬評價單元為最理想評價單元，即xjm=min {xim}=x0，yjn=max {yin}=y0，其他J-1 個虛擬決策單元的投入和產(chǎn)出分別在區(qū)間[0.9 5x0,x0]和[y0,1.05y0]上隨機(jī)生成，進(jìn)而構(gòu)成窗口最優(yōu)虛擬評價單元，然后采用CCR-I 模型測算出基于窗口期內(nèi)最優(yōu)前沿面的待評價單元DMUi效率值ρio，以及最理想評價單元的效率值ρO：

③構(gòu)建窗口最劣虛擬前沿面進(jìn)行效率評價。構(gòu)建窗口最優(yōu)虛擬前沿面進(jìn)行效率評價。設(shè)置與單個窗口期內(nèi)所包含待評價數(shù)量相同的虛擬評價單元，構(gòu)成形成虛擬評價單元集DMUJ，J=33，根據(jù)窗口期內(nèi)給定的待評價單元集DMUI的投入xim和產(chǎn)出yin值來確定虛擬評價單元的投入xjM與產(chǎn)出yjN值，其中設(shè)置一個虛擬評價單元為負(fù)理想單元，此時令xjm=min {1/xim}=xt，yjn=max{1/yin}=yt，其他J-1 個虛擬決策單元的投入和產(chǎn)出分別在區(qū)間[0.9 5xt,xt]和[yt,1.05yt]上隨機(jī)生成，進(jìn)而測算出基于窗口期內(nèi)最劣前沿面的待評價單元DMUi效率值ρit，以及負(fù)理想評價單元的效率值ρt，此時采用的CCR-I 模型則為：

④基于TOPSIS 的思想，最優(yōu)評價單元應(yīng)滿足離正理想點盡可能近的同時離負(fù)理想點盡可能的遠(yuǎn)這一條件，可通過計算貼近度大小來表示效率值，進(jìn)而確定各窗口期內(nèi)各決策單元的效率值，計算公式為：

⑤基于相同年份，對每個決策單元的效率值進(jìn)行平均，同時基于相同年份，對每個決策單元的各投入冗余量進(jìn)行平均，以每個決策單元相同時點投入冗余量的平均值作為第二階段面板SFA 模型的因變量。

（2）第二階段采用面板SFA 模型，分析得到混合誤差項，然后計算管理無效率項μ 和隨機(jī)誤差項v[13]：

其中：Sni是第i 個決策單元第n 項投入的松弛值；Zi是環(huán)境變量，βn是環(huán)境變量的系數(shù)；vni+μni是混合誤差項，vni表示隨機(jī)干擾，μni表示管理無效率。其中：v 是隨機(jī)誤差項，表示隨機(jī)干擾因素對投入松弛變量的影響；μ 是管理無效率，表示管理因素對投入松弛變量的影響。

根據(jù)計算結(jié)果對各項投入進(jìn)行調(diào)整，調(diào)整公式如下：

（3）第三階段把原始投入調(diào)整為剔除環(huán)境因素和隨機(jī)干擾后的投入，采用與階段一相同的測算過程，測算得到相同環(huán)境下長江經(jīng)濟(jì)帶11 個省份實際物流產(chǎn)業(yè)能源效率值。

1.2 Malmquist 指數(shù)模型

為了進(jìn)一步研究物流產(chǎn)業(yè)能源效率時序演進(jìn)情況，本研究采用Malmquist 指數(shù)模型分析全要素物流產(chǎn)業(yè)能源生產(chǎn)率的動態(tài)變化過程。ML 指數(shù)可分解為技術(shù)效率變化(effch)和技術(shù)進(jìn)步變化(techch)，技術(shù)效率變化又可分為純技術(shù)效率變化(pech)和規(guī)模效率變化(se ch)，即：ML=技術(shù)進(jìn)步變化(techch)*純技術(shù)效率變化(pech)*規(guī)模效率變化(se ch)，當(dāng)ML 指數(shù)值大于1，表示全要素生產(chǎn)率處于增長狀態(tài)。相反的，ML 指數(shù)值小于1，表示全要素生產(chǎn)率處于下降狀態(tài)。

2 實證分析

2.1 數(shù)據(jù)來源與指標(biāo)選取

本研究以長江經(jīng)濟(jì)帶11 個省份為研究對象，研究使用的數(shù)據(jù)來源于2010—2020 年各省份統(tǒng)計年鑒和國民經(jīng)濟(jì)與發(fā)展公報。對于部分缺失數(shù)據(jù)，通過高階多項式擬合法進(jìn)行補(bǔ)充。

綜合參考鄭云等學(xué)者的研究[14]，選取的投入指標(biāo)包括能源、勞動和資本三個指標(biāo)。能源投入指標(biāo)用物流產(chǎn)業(yè)綜合能源消費量表示，選擇原煤、汽油、柴油、煤油、燃料油、液化石油氣、天然氣、熱力、電力等9 種能源，依照標(biāo)準(zhǔn)系數(shù)折算為標(biāo)準(zhǔn)煤后再加總，勞動投入指標(biāo)用物流產(chǎn)業(yè)從業(yè)人員數(shù)量表示，資金投入指標(biāo)用物流產(chǎn)業(yè)固定資產(chǎn)投資額表示。產(chǎn)出分為期望產(chǎn)出和非期望產(chǎn)出，期望產(chǎn)出為物流產(chǎn)業(yè)生產(chǎn)總值，非期望產(chǎn)出為物流產(chǎn)業(yè)碳排放量，具體測算公式參考IPCC 提供的方法，CE=Cei*NCVi*COFi*CEFi* (44/12)，其中：CE表示碳排放量，Cei表示表示第i 種能源的消費量，NCVi表示第i 種能源的平均低位發(fā)熱量，COFi表示第i 種能源的碳氧化因子，CEFi表示第i 種能源的碳排放因子[15]?？紤]到價格波動性對測算結(jié)果造成影響，提高數(shù)據(jù)的可比性，所有數(shù)據(jù)均以2010 年為基期進(jìn)行平減。資本存量數(shù)據(jù)用固定資產(chǎn)價格指數(shù)平減。物流產(chǎn)業(yè)生產(chǎn)總值根據(jù)GDP指數(shù)轉(zhuǎn)化為以2010 年為基期的實際物流產(chǎn)業(yè)增加值。

環(huán)境影響因素從經(jīng)濟(jì)—社會—技術(shù)—環(huán)境四個層面綜合考慮：經(jīng)濟(jì)層面選取產(chǎn)業(yè)結(jié)構(gòu)為指標(biāo)，用第二產(chǎn)業(yè)總產(chǎn)值占GDP比重來表示；社會層面的影響因素是對外開放程度，用外商直接投資與GDP 的比重來表示；科學(xué)技術(shù)創(chuàng)新，以科學(xué)技術(shù)財政支出占一般性地方政府財政支出的份額來表示[16]；環(huán)境規(guī)制，以物流產(chǎn)業(yè)污染治理項目本年完成投資額與物流產(chǎn)業(yè)增加值的比重來表示。

2.2 第一階段實證結(jié)果

以2010—2020 年我國長江經(jīng)濟(jì)帶11 個省份物流產(chǎn)業(yè)能源的投入和產(chǎn)出數(shù)據(jù)作為原始數(shù)據(jù)樣本，以基于虛擬前沿面的Window-DEA 模型進(jìn)行測算，得到長江經(jīng)濟(jì)帶11 個省份的物流產(chǎn)業(yè)能源效率值，結(jié)果如表1。在不考慮環(huán)境因素和隨機(jī)干擾因素的影響條件下，江蘇的物流產(chǎn)業(yè)能源效率在研究期內(nèi)一直處于長江經(jīng)濟(jì)帶的最高水平，其平均能源效率值為0.620，是唯一效率值超過0.6 的省份，明顯高于物流產(chǎn)業(yè)能源效率排名第二的江西省，過去十年江西省的物流產(chǎn)業(yè)能源效率也一直處于較高水平，其平均能源效率值為0.534；其次是貴州省，其物流產(chǎn)業(yè)能源效率值為0.524，與江西省的物流產(chǎn)業(yè)能源效率值較接近；物流產(chǎn)業(yè)能源效率值最低的是四川和云南兩??；除此之外的其他6 省，物流產(chǎn)業(yè)效率值都很接近，依次是上海、安徽、浙江、湖南、重慶和湖北。基于以上分析可以看出，在不考慮環(huán)境因素和隨機(jī)干擾因素影響的情況下，長江經(jīng)濟(jì)帶11 個省份的物流產(chǎn)業(yè)效率值分層明顯，分為三檔，第一檔是江蘇處于最高效率水平，第二檔是江西、貴州、上海、安徽、浙江、湖南、重慶和湖北，而四川和云南處于明顯低效率水平。

表1 第一階段長江經(jīng)濟(jì)帶11 省份物流產(chǎn)業(yè)能源效率值

2.3 第二階段結(jié)果

考慮到第一階段測算得到的效率值會受到環(huán)境因素和隨機(jī)誤差的影響，因此需要剔除環(huán)境因素和隨機(jī)誤差得到長江經(jīng)濟(jì)帶11 個省份在相同環(huán)境下的物流產(chǎn)業(yè)能源實際效率值。本研究運用Frontier4.1 軟件，分別以各投入變量的冗余作為被解釋變量，以科學(xué)技術(shù)創(chuàng)新、環(huán)境規(guī)制、產(chǎn)業(yè)結(jié)構(gòu)和對外開放作為解釋變量，進(jìn)行隨機(jī)前沿分析，回歸結(jié)果如表2 所示，回歸系數(shù)的正負(fù)和大小分別說明了解釋變量對被解釋變量影響的方向和程度大小。

表2 第二階段SFA 回歸結(jié)果

（1）環(huán)境規(guī)制。該變量與能源投入冗余和勞動力投入冗余都呈負(fù)相關(guān)關(guān)系，且分別在10%和5%統(tǒng)計水平上顯著，但與資金投入冗余呈正相關(guān)關(guān)系，在10%統(tǒng)計水平上顯著，說明政府進(jìn)行環(huán)境規(guī)制，進(jìn)行物流產(chǎn)業(yè)生產(chǎn)環(huán)境治理與監(jiān)督，一方面能夠降低能源投入冗余和勞動力投入冗余，有利于物流產(chǎn)業(yè)能源效率提高，另一方面也會導(dǎo)致物流產(chǎn)業(yè)的資金投入冗余增加，從而不利于物流產(chǎn)業(yè)能源效率的提高。

（2）科學(xué)技術(shù)創(chuàng)新。該變量與能源投入冗余和勞動力投入冗余都呈負(fù)相關(guān)關(guān)系，且分別在1%和10%統(tǒng)計水平上顯著，說明加大科學(xué)技術(shù)創(chuàng)新，能夠減少物流產(chǎn)業(yè)能源和物流產(chǎn)業(yè)勞動力投入冗余，有助于提高物流產(chǎn)業(yè)能源效率。進(jìn)行科學(xué)技術(shù)創(chuàng)新，推動設(shè)備升級換代，改進(jìn)物流產(chǎn)業(yè)生產(chǎn)工藝，能源的利用率能夠得到明顯提高，同時單位產(chǎn)能所需的能源量能夠有所下降。但是，科學(xué)技術(shù)創(chuàng)新與資金投入冗余呈正相關(guān)關(guān)系，且在5%統(tǒng)計水平上顯著，因此短期來看，科學(xué)技術(shù)創(chuàng)新會增加資金投入冗余，不利于物流產(chǎn)業(yè)能源效率的提高。

（3）產(chǎn)業(yè)結(jié)構(gòu)。該變量與能源投入冗余和勞動力投入冗余分別成正相關(guān)關(guān)系和負(fù)相關(guān)關(guān)系，且分別在5%和1%統(tǒng)計水平上顯著，但與資金投入冗余沒有顯著關(guān)系。說明，由于集聚效應(yīng)的存在，產(chǎn)業(yè)結(jié)構(gòu)的調(diào)整即第二產(chǎn)業(yè)的產(chǎn)值比重越高，勞動力投入冗余會有所減少，從而有利于物流產(chǎn)業(yè)能源效率的提高，但也會導(dǎo)致能源投入冗余的增加，不利于物流產(chǎn)業(yè)能源效率的提高。

（4）開放水平。該變量與能源投入冗余和勞動力投入冗余的關(guān)系都不顯著，僅與資金投入冗余都呈現(xiàn)負(fù)相關(guān)關(guān)系，且在5%統(tǒng)計水平上顯著，說明開放水平的提高，引進(jìn)更多外來資本，減少物流產(chǎn)業(yè)資本投入冗余，從而不利于物流產(chǎn)業(yè)能源效率的提高。

因此，四個環(huán)境影響因素中，環(huán)境規(guī)制、科學(xué)技術(shù)創(chuàng)新都顯著有利于減少能源投入冗余，而產(chǎn)業(yè)結(jié)構(gòu)則會顯著增加能源投入冗余；四個環(huán)境影響因素中，環(huán)境規(guī)制、科學(xué)技術(shù)創(chuàng)新都顯著增加資金投入冗余，從而不利于物流產(chǎn)業(yè)能源效率的提高，而開放水平則顯著有利于減少能源投入冗余；四個環(huán)境影響因素中，能夠顯著減少勞動力投入冗余的環(huán)境影響因素是環(huán)境規(guī)制、科學(xué)技術(shù)創(chuàng)新和產(chǎn)業(yè)結(jié)構(gòu)。

2.4 第三階段投入調(diào)整后的實證結(jié)果

通過面板SFA 回歸分析結(jié)果剔除環(huán)境因素和隨機(jī)誤差的影響，從而得到調(diào)整后投入。再次運用MaxDEA 軟件，采用基于虛擬前沿面的Window-DEA 模型，得到長江經(jīng)濟(jì)帶11 個省份的實際物流產(chǎn)業(yè)能源效率值，結(jié)果如表3 所示。剔除環(huán)境因素和隨機(jī)誤差的影響后，長江經(jīng)濟(jì)帶11 個省份的物流產(chǎn)業(yè)能源效率值與第一階段相比存在較明顯變化，除了云南的物流產(chǎn)業(yè)能源效率值仍是長江經(jīng)濟(jì)帶最低的省份以外，其它10 個省份的效率值排名均發(fā)生了變化，其中，貴州的物流產(chǎn)業(yè)能源效率值變化最大，從剔除環(huán)境因素和隨機(jī)誤差影響前的第三位變到末位，僅高于云南??；另外，剔除環(huán)境因素和隨機(jī)誤差的影響后，上海反超江蘇，成為物流產(chǎn)業(yè)能源效率值最高的省份，其次是江蘇和浙江兩省，但該3 省之間的差距并不明顯；而其他6 省的物流產(chǎn)業(yè)能源效率值排序雖然較第一階段有變化，但彼此間差異仍較小，依次是重慶、四川、湖南、江西、湖北和安徽?？梢钥闯?，長江經(jīng)濟(jì)帶11 個省份的實際物流產(chǎn)業(yè)能源效率值也存在分層明顯，主要分為三檔，呈現(xiàn)斷層明顯，各分檔之間差距較大的特征。

表3 第三階段長江經(jīng)濟(jì)帶11 省份物流產(chǎn)業(yè)能源效率值

2.5 長江經(jīng)濟(jì)帶物流產(chǎn)業(yè)能源效率的時空演進(jìn)分析

為了進(jìn)一步分析長江經(jīng)濟(jì)帶11 個省份實際物流產(chǎn)業(yè)能源效率值的時空演進(jìn)特征，運用Deap2.1 軟件進(jìn)行Malmquist 指數(shù)分析，結(jié)果如表4 和表5 所示。從表4 長江經(jīng)濟(jì)帶整體實際物流產(chǎn)業(yè)能源效率Malmquist 指數(shù)結(jié)果來看，2010—2020 年研究期內(nèi)ML 指數(shù)都大于1，且均值為1.037，說明長江經(jīng)濟(jì)帶物流產(chǎn)業(yè)能源全要素生產(chǎn)率在以平均每年3.7%的速率持續(xù)增長。2010 到2020 年的技術(shù)進(jìn)步變化(techc)h 都大于1，且都大于同時期的規(guī)模效率變化率(sec)h，而部分年份的規(guī)模效率變化(sec)h 小于1，可以看出長江經(jīng)濟(jì)帶物流產(chǎn)業(yè)能源全要素生產(chǎn)率的增長主要由技術(shù)進(jìn)步引起的。從表5 長江經(jīng)濟(jì)帶11 個省份實際物流產(chǎn)業(yè)能源效率Malmquist 指數(shù)結(jié)果來看，長江經(jīng)濟(jì)帶11 個省份的ML 指數(shù)都大于1，說明長江經(jīng)濟(jì)帶11 個省份物流產(chǎn)業(yè)能源全要素生產(chǎn)率在2010—2020 年研究期內(nèi)都呈現(xiàn)增長趨勢，其中增長率最高的是中游地區(qū)的湖北，其次是中游地區(qū)的江西、下游地區(qū)的浙江和上游地區(qū)的四川，而云南和貴州增長率較低。同時，長江經(jīng)濟(jì)帶11 省的技術(shù)進(jìn)步變化(techch)都大于1，且都大于規(guī)模效率變化率(se ch)，可以看出長江經(jīng)濟(jì)帶11 省物流產(chǎn)業(yè)能源全要素生產(chǎn)率的增長都主要由技術(shù)進(jìn)步引起的。從長江各流域的平均增長率來看，中游省份的平均增長率達(dá)到5.8%，高于下游3.7%的平均增長率和上游2.7%的增長率，說明長江中游省份的物流產(chǎn)業(yè)能源效率水平正向下游水平追趕，二者之間的差距正逐漸縮小，但長江上游與中下游在物流產(chǎn)業(yè)能源效率水平上的差距還在不斷拉大。

表4 長江經(jīng)濟(jì)帶整體實際物流產(chǎn)業(yè)能源效率Malmquist 指數(shù)

表5 長江經(jīng)濟(jì)帶11 省實際物流產(chǎn)業(yè)能源效率Malmquist 指數(shù)

3 結(jié)論與啟示

本研究基于2010—2020 年長江經(jīng)濟(jì)帶11 個省份的物流產(chǎn)業(yè)能源投入—產(chǎn)出以及環(huán)境變量面板數(shù)據(jù)，運用基于虛擬前沿面的三階段Window-DEA，測得各省份實際物流產(chǎn)業(yè)能源效率值，并分析得到不同環(huán)境因素對效率的影響，以及運用Malmquist-DEA 方法刻畫長江經(jīng)濟(jì)帶11 個省份實際物流產(chǎn)業(yè)能源效率值的時序演進(jìn)特征。得出以下結(jié)論和啟示。

（1）測算得到的實際物流產(chǎn)業(yè)能源效率值結(jié)果表明，實際物流產(chǎn)業(yè)能源效率高的省份都位于長江下游地區(qū)，依次是上海、浙江和江蘇，而位于長江上游地區(qū)的云南和貴州兩省的實際能源效率值處于最低水平，除此之外，主要位于長江中游地區(qū)的其它6 省在實際物流產(chǎn)業(yè)能源效率上差異不大，依次是重慶、四川、湖南、江西、湖北和安徽。因此，長江經(jīng)濟(jì)帶11 個省份的實際物流產(chǎn)業(yè)能源效率值按照長江上游、中游和下游分為三檔，存在效率斷層問題明顯，各分檔之間差距較大。為此長江經(jīng)濟(jì)帶充分發(fā)揮長江下游3 省浙江、江蘇和上海的標(biāo)桿作用，總結(jié)在物流產(chǎn)業(yè)能源方面的經(jīng)驗供其它省份借鑒和學(xué)習(xí)，努力將效率中等的省份提升至效率良好，縮小與長江下游3 省的差距，同時將效率無效的長江上游省份作為發(fā)展重點，補(bǔ)齊該短板，與長江中游省份看齊，將效率值從無效提升至中等水平。

（2）SFA 隨機(jī)前沿回歸結(jié)果表明，四個環(huán)境影響因素中，環(huán)境規(guī)制、科學(xué)技術(shù)創(chuàng)新都顯著有利于減少能源投入冗余，而產(chǎn)業(yè)結(jié)構(gòu)則會顯著增加能源投入冗余；四個環(huán)境影響因素中，環(huán)境規(guī)制、科學(xué)技術(shù)創(chuàng)新都顯著增加資金投入冗余，從而不利于物流產(chǎn)業(yè)能源效率的提高，而開放水平則顯著有利于減少能源投入冗余；四個環(huán)境影響因素中，能夠顯著減少勞動力投入冗余的環(huán)境影響因素是環(huán)境規(guī)制、科學(xué)技術(shù)創(chuàng)新和產(chǎn)業(yè)結(jié)構(gòu)。因此，科學(xué)技術(shù)創(chuàng)新在提高物流產(chǎn)業(yè)能源效率方面的作用十分顯著，應(yīng)加大物流產(chǎn)業(yè)領(lǐng)域科學(xué)技術(shù)創(chuàng)新，加強(qiáng)物流產(chǎn)業(yè)機(jī)械設(shè)備創(chuàng)新升級，改進(jìn)優(yōu)化物流產(chǎn)業(yè)生產(chǎn)工藝，降低在物流產(chǎn)業(yè)生產(chǎn)過程中的能源投入和損耗。同時，應(yīng)充分發(fā)揮政府的監(jiān)督和引導(dǎo)作用，加大物流產(chǎn)業(yè)污染排放治理力度，完善物流產(chǎn)業(yè)能源相關(guān)政策規(guī)范。除此之外，應(yīng)重視物流產(chǎn)業(yè)的集聚效應(yīng)，根據(jù)地區(qū)稟賦合理有序增加第二產(chǎn)業(yè)規(guī)模和比重，避免能源投入冗余增加的同時減少勞動力投入冗余，以及提高物流產(chǎn)業(yè)經(jīng)濟(jì)發(fā)展的開放水平，積極引進(jìn)外資。

（3）從長江經(jīng)濟(jì)帶11 個省份實際物流產(chǎn)業(yè)能源效率值的時空演進(jìn)特征來看，長江經(jīng)濟(jì)帶物流產(chǎn)業(yè)能源全要素生產(chǎn)率在研究期間內(nèi)以平均每年3.7%的速率持續(xù)增長，增長主要由技術(shù)進(jìn)步引起的。長江經(jīng)濟(jì)帶11 個省份的物流產(chǎn)業(yè)能源全要素生產(chǎn)率在研究期內(nèi)也都呈現(xiàn)增長趨勢，增長也都主要由技術(shù)進(jìn)步引起的，其中增長率最高的是中游地區(qū)的湖北，其次是中游地區(qū)的江西、下游地區(qū)的浙江和上游地區(qū)的四川，而云南和貴州增長率較低。從長江各流域的平均增長率來看，中游省份的平均增長率達(dá)到5.8%，高于下游3.7%的平均增長率和上游2.7%的增長率，說明長江中游省份的物流產(chǎn)業(yè)能源效率水平正向下游水平追趕，二者之間的差距正逐漸縮小，但長江上游與中下游在物流產(chǎn)業(yè)能源效率水平上的差距還在不斷拉大。因此，應(yīng)繼續(xù)保持長江經(jīng)濟(jì)帶物流產(chǎn)業(yè)能源效率持續(xù)增長的向好趨勢，同時應(yīng)正視不同流域之間的差距，在中游省份開始發(fā)力階段繼續(xù)加大物流產(chǎn)業(yè)能源效率改善力度，把物流產(chǎn)業(yè)能源效率提高到良好水平，而對于上游省份的潛力挖掘還有待提高，增長速率應(yīng)超過下游水平，從而逐漸拉近與中下游省份的效率差距。