长江经济带数字经济与物流业效率的耦合协调研究

梁 雯，刘志秀，汪皖珍

(安徽大学 商学院，合肥 230601)

在中美贸易摩擦和新冠肺炎疫情的双重影响下，我国经济受到了负面冲击，而此时新兴的数字经济却彰显出巨大的发展潜力，正在加速向经济社会各领域、各环节渗透赋能，其对GDP的贡献程度不断创新高，成为驱动经济高质量增长和转变发展方式的强有力的“发动机”。党的十九届五中全会强调，欲形成现代产业体系，实现经济体系升级优化，务必发展战略性新兴产业，提升产业链供应链现代化水平，推动数字化转型。2022年的《政府工作报告》也提出要紧紧扭住供给侧结构性改革，重视需求侧管理，顺应数字化趋势，加快释放数字经济新活力。2021年我国数字经济规模达到45.5万亿元，较“十三五”初期扩张了1倍多，同比名义增长16.2%，高于GDP名义增速3.4个百分点，占GDP比重达到39.8%。可见，数字经济对于我国经济增长的支撑作用非常显著。

我国区域经济发展演进的时间较长，而且在空间维度上经济发展重心历经了从沿海转向内地、再由内地转向沿海的过程，形成了当前的区域空间新格局。党的十八大以来，我国继续贯彻实施区域发展总体战略、充分发挥各地区比较优势、优先推进西部大开发、积极坚持东部地区率先发展的整体思想，确定了我国区域经济发展的主流方向。长江经济带囊括了多个对全国经济起着核心支撑作用的重要城市群，如长三角城市群、长江中游城市群、成渝城市群等。其中，长江上游贵州省的大数据产业、中游地区享誉全球的“中国声谷”和“中国光谷”以及下游长三角的新兴特色产业发展得如火如荼，为长江经济带数字经济的快速发展奠定了基础。

借力于新一代信息技术的颠覆性变革，物流业作为国民经济的动脉和基础，其新的发展机遇接踵而至。2022年国务院发布的《关于印发〈“十四五”数字经济发展规划〉的通知》，提出了“重点行业数字化转型提升工程”，将智慧物流列入七个重点行业之中，并要求加快对传统物流设施的数字化改造升级，构建以物联网大数据技术为中枢的需求、库存和物流信息动态共享的智能物流模式。自长江经济带战略推行以来，经济高速增长正向刺激了沿江城市群的物流需求，为区域物流发展提供了现实的市场条件[1]。同时，物流业的发展有效推动了都市圈其他产业的联动发展，也为长江经济带健康发展提供了必要条件。据此，分析长江经济带数字经济与区域物流业发展之间的联结机制，对于打造我国经济新支撑带、扩大内需具有重要意义。

经过改革开放，我国区域经济获得了前所未有的增长，有效解放和发展了生产力。但是，在由大国向强国跨越的过程中，区域间差距、环境污染等不平衡、不充分问题仍然是我国区域经济高质量发展的梗阻。我国区域经济亟待从传统的要素驱动增长型转变为创新驱动增长型，而数字经济正是数字化转型时代的新引擎。

有关数字经济的研究，国外学者Albouy较早地将基于云计算的大数据分析技术与区域发展影响因素及政策效果评估等结合起来进行研究[2]。Teece提出创新者的价值捕获问题存在于整个数字经济中，移动数据革命背后一系列新的服务生态系统如雨后春笋般涌现，包括流媒体、云计算、物联网和移动支付系统等[3]。Baldwin提出人工智能、机器人、5G和VR等技术正逐步消解服务业“面对面”的特征，极大降低了货物的运送成本、人的转移成本、观念的转移成本，从而使生产环节进一步发生空间分离[4]。为有效释放中国数字经济的活力，国内研究亦未停止过对符合中国特色的经济提质增效之路的探索。马香品指出，中国数字经济起源于电子商务，它一经诞生便迅速且全面地席卷了居民消费领域，并且近几年又凭借技术的力量重塑了居民消费模式，不断拓宽消费场景边界，尤其是在消费端大数据带来的流通环节的减少和空间障碍的突破，有效推动了居民消费的结构优化[5]。金环等从数字经济发展对区域创新差距的影响效应来分析，认为数字经济产生的空间溢出效应能够缩小区域创新差距，数字经济为区域创新发展带来的是“数字红利”而非“数字鸿沟”[6]。谢璐等认为，面对城乡二元体制制约和其他困境，需要准确把握数字技术和数字经济助力城乡融合发展的实践路径[7]。

效率被广泛认为是评价物流业发展水平的重要综合指标，能够直观地反映某一地区物流业的实际发展情况[8]。对物流业效率的已有研究大体上可以分为三个方向：企业层、行业层以及区域层。首先，在微观的企业层面，王瑛从地理学角度分析了物流企业空间形态的变化过程及原因，并具体阐明了不同物流企业空间形态变化的特征[9]；
谢文佳利用投入产出模型对国内几家典型物流企业的效率进行了测度，发现各企业之间的物流业效率存在显著差异，这是由物流企业投入产出过剩和技术创新管理经验缺乏造成的[10]。其次，在中观的行业层面，刘华军等通过构建全局超效率EBM模型测度了我国省域物流业效率[11]；
刘承良等基于低碳环保的视角，通过构建较为系统的理论和实证框架，对省级物流业效率的空间分布进行了研究[12]。最后，在宏观的区域层面，学者们主要针对不同的区域物流业效率而展开研究，如长江经济带[13]、泛环渤海经济圈[14]、京津冀区域[15]等，并且通过实证模型测度了特定区域的物流业效率，同时提出了提升区域物流业效率的对策建议。

数字技术与实体经济的深度融合无疑是新经济创新发展的主要趋势，数字物流正是该背景下的产物，所谓数字物流即是对物流业进行的数字化创新改造。关于数字经济与物流业的互动机理，学者们大体围绕新技术、新要素、新模式及新“人力”等展开论述(见图1)。张则强等首次提出了数字物流的概念，将数字物流界定为“在计算机网络、数据库、仿真和虚拟现实等技术的支撑下，应用数字技术处理物流活动的技术系统”，其本质是物流信息的数字化[16]。吴谢玲认为，我国物流企业向数字化、信息化迈进的步伐比较缓慢，需要充分利用数字协同和网络智能技术，集成物流供应链中制造、技术、服务等关键流通要素，实现各类资源的优化配置[17]。俞彤晖等从流通智慧化转型的本质内涵角度分析，认为流通智慧化转型具有跨界融合的特征，而且数字技术的嵌入会对原有流通模式造成创造性破坏，从而形成多业态融合共生的新模式[18]。张卫昌认为在整个物流行业的多个节点中，中转集散点是物流模式演变的核心场景，应该对其增加自动化、智能化设备的研发投入，以便在提高作业效率的同时降低工作损耗[19]。李晓梅等在梳理数字物流与区域经济的关系时，还考虑了数字化发展水平，认为数字物流高质量发展能够反哺区域经济[20]。

图1 数字经济与物流业的互动机理

整理以往的文献资料发现，无论是对数字经济还是对物流业效率，相关研究都已十分丰富，皆具理论和实际价值，但仍存在以下不足：(1)较多的文献是单独研究物流业效率，并没有系统地结合数字经济探究物流业效率的增长机制；
(2)有关数字经济的指标量化研究成果不足，样本选择多以横截面数据或以时间序列为主，略显单薄。据此，本文可能的边际贡献在于：(1)将数字经济嵌入物流领域的研究中，进一步拓展物流业的研究边界；
(2)构建包含数字经济基础设施水平、数字产业发展、数字人才、数字普惠金融等指标的复合数字经济评价指标体系，确保研究结果的合理性与科学性；
(3)选用长江经济带11个省市2010-2019年的面板数据，借助“熵值法-三阶段DEA-Malmquist指数-耦合协调度”复合计量模型，尽可能严谨地揭示数字经济与物流业效率之间的协调发展状况。

(一)三阶段DEA模型

DEA是一种非参数方法，主要用于衡量个体或单位的投入产出效率。一般来说，DEA实质上是线性规划模型，它追求决策单元效率的最大化。传统DEA模型通常会受到三个因素的干扰：随机误差项、内部管理低效率和外部环境。据此，Fried等首次提出三阶段DEA方法，消除随机干扰和外部变量的影响，从而得到仅反映经营管理水平的更纯粹的生产率[21]。本文构建的三阶段DEA模型其计算过程如下。

1.第一阶段：传统DEA模型

采用传统DEA方法测度物流业效率，其中物流业综合技术效率(TE)由纯技术效率(PTE)和规模效率(SE)表示，即TE=PTE×SE。通过计算目标投入值与原始投入值的差值得出松弛变量。因物流业的投入变量易受控制，所以本文选用DEA-BCC模型，其对偶形式可表示为：

minθ-ε(e-TS-+eTS+)，

(1)

式中，j=1，2，…，n表示决策单元；
X代表投入变量；
Y代表产出变量；
S-，S+分别对应投入和产出的松弛变量。若θ=1，S-=S+=0，则决策单元有效；
若θ=1，S-≠0或者S+≠0，则决策单元弱效率；
若θ<1，则决策单元非有效。

2.第二阶段：类SFA模型

构建以投入松弛变量为因变量、外部环境变量为自变量的随机前沿模型，并将混合扰动项进一步分离出管理无效率项和随机误差项，最后计算得出调整后的投入值。本文构建的类SFA模型公式可表示为：

Sik=fi(Zk；
βi)+vik+μik。

(2)

式中，i=1，2，…m；
k=1，2，…，n；
Sik代表第k个决策单元第i项投入的松弛变量；
Zk和βi分别是环境因素及其待估参数；
vik是随机误差；
μik是管理无效率。

3.第三阶段：调整的DEA模型

用第二阶段调整后的投入值替换原始投入值，重复第一阶段DEA-BCC模型的测算步骤，最终，在去除环境因素和随机误差后，得到相对客观的效率值。

(二)Malmquist指数

考虑到三阶段DEA模型仅用于评估各决策单元的静态效率，无法衡量效率的变化程度，因此，本文添加了Malmquist指数方法，对物流业效率的动态变化过程进行分析。将调整后的投入值和原始产出值代入DEA-Malmquist模型中进行计算，得到剔除环境因素和随机误差的物流业全要素生产率。测算公式如下：

(3)

式中，TFP表示物流业全要素生产率；
xt为t时期的投入，yt为t时期的产出；
(xt，yt)在t期的距离函数为dt(xt，yt)，在p期的距离函数为dt(xp，yp)；
(xp，yp)在t期的距离函数为dp(xt，yt)，在p期的距离函数为dp(xp，yp)。

(三)熵值法

1.指标标准化

每个指标的性质、量纲等特征均存在一定的差异，对于涉及这些不同指标的评价模型则无法将它们综合起来评价。因此，为了避免量纲和变量自身特征对结果准确性产生影响，本文对数据先进行标准化处理，过程如下。

(ⅰ)正向指标标准化

(4)

(ⅱ)负向指标标准化

(5)

式中，Yij是第j项指标标准化后的数值，yij是第j项指标的原始数据，1≤j≤m。

2.确定指标权重

权重反映出各项指标对某一事物的贡献度，具体计算步骤如下。

(ⅰ)计算第j项指标占比

(6)

(ⅱ)计算第j项指标熵值

(7)

(ⅲ)计算第j项指标冗余度

dj=1-ej。

(8)

(ⅳ)计算第j项指标权重

(9)

(ⅴ)计算综合评价得分

(10)

(四)耦合协调度模型

耦合本为物理学专有名词，原义为当两个或两个以上电路构成一个网络时，其中一个电路中电流或电压发生变化，能直接影响其他电路相应的变化。这一概念被引入社会学研究中则强调系统间的相互作用。协调为系统从无序到有序的发展过程，更侧重于系统间的融合发展趋势。

以三阶段DEA-Malmquistm模型和熵值法分别测算出物流业全要素生产率和数字经济综合指数，继而构建耦合协调度模型，深入探究数字经济与物流业效率协调发展问题。

1.计算耦合度

(11)

当C=1时，表明系统间各要素间联系紧密；
当C=0时，表明系统间各要素几乎无联系。U为数字经济综合指数(即Ui表示的综合评价得分)，TFP为物流业全要素生产率。

2.计算耦合协调度

(12)

式中，α，β是待定系数，且α+β=1，本文将物流业效率与数字经济两个系统视作同等重要，因此α=β=0.5。

(五)指标体系

本文的数据均来自国家统计局网站、《中国统计年鉴》以及各省市历年的统计年鉴。由于指标数字普惠金融无法从上述途径直接获取，遂通过借鉴现有文献进行补充。

数字经济的指标选取。参考现有研究，从数字经济基础设施水平、数字经济产业发展水平、数字人才和数字普惠金融四个维度对数字经济的发展水平进行测度。其中，关于对数字普惠金融的衡量，本文借用北京大学数字金融研究中心和蚂蚁金服集团共同编制的数字普惠金融发展指数来实现[22]。

物流业效率指标选取。其一，本文选取劳动力投入和资本投入为投入指标的两个维度，分别对应着城镇物流从业人员以及物流业固定资产投资。其二，产出指标选用货运量和物流业增加值。鉴于物流业尚未形成专门的统计分类，故沿用前人的做法，以交通运输、仓储和邮政业来代表整个物流行业。其三，环境变量侧重于选择对物流业具有一定影响力且不受决策单元本身控制的因素，本文选用人均GDP、政府支持以及对外开放程度三个环境变量。

数字经济与物流业效率协调发展的评价指标体系如表1所示。

表1 数字经济与物流业效率协调发展的评价指标体系

(一)三阶段DEA测算物流业效率

1.第一阶段的测算结果

运用Deap2.1软件测算出全国31个省市2010-2019年的物流业效率值。由于数据量j较大，加之第一阶段得出的评估结果并没有去除环境因素和随机误差的影响，这一阶段的结果将在第三阶段进行部分披露。

2.第二阶段类SFA模型的回归结果分析

利用Frontie4.1软件，去除随机误差和环境因素的干扰，以第一阶段获得的投入松弛变量对环境变量进行回归，结果如表2所示。

表2 类SFA模型的回归结果

表2结果显示，单边广义似然比检验即LR都通过了临界值水平，拒绝不存在无效率项的原假设，即验证了本文采用类SFA模型的客观性。另外，除了政府支持外，人均GDP和对外开放程度对投入指标松弛变量的回归结果都通过了1%的显著水平，这意味着环境变量明显影响着投入冗余。其中，人均GDP与物流业固定资产投资的冗余变量之间呈现负向关系，说明人均GDP的不断提高会促进物流业资本投入，从而使经济效益增加；
人均GDP对城镇物流从业人员松弛变量的估计系数为正，表明人均GDP会刺激物流业的需求，而投入过量的人力资源反而造成资本冗余。此外，在1%的显著性水平下，对外开放程度对物流业固定资产投资松弛变量的估计系数为正，说明对外开放程度越高越会造成国内物流业固定资本的积聚，从而造成要素的使用效率降低；
对外开放程度对城镇物流从业人员松弛变量的估计系数为负，说明随着对外开放程度的提高，会加速刺激市场对物流人才的需求，实现人力和物资的充分利用。

3.第三阶段的结果分析

将去除环境因素和随机误差影响后测算出的全国31个省市2010-2019年的物流业效率值归为东部、中部、西部三大经济区，这里选取2019年第三阶段的结果与第一阶段的结果进行对比分析，结果如表3所示。

表3 2019年第一、三阶段DEA结果

由表3可知，三大经济区中，东部地区物流业的平均综合技术效率远超全国平均水平，位居第一，西部地区最低，尚未达到平均水平，整体呈现出“东部>中部>西部”的空间梯度差异。而且调整后西部地区的物流业规模效率水平也相对较低，因此，今后在布局物流节点时，应兼顾用户需求和地域特征，将零散的物流需求整合为大批量有效的市场需求，通过物流企业集聚达到规模效率。

通过对比第一、第三阶段计算出的物流业效率水平，发现调整后31个省市物流业综合技术效率发生了明显改变，说明其受随机误差和外部环境因素的影响较大。调整后，多数地区综合技术效率和规模效率下降明显，说明人均GDP、对外开放程度等环境变量对综合技术效率和规模效率起到了促进作用；
但这些地区纯技术效率的上升幅度则较大，这在很大程度上归因于国家政策的实施，比如2014年国务院发布了《物流业发展中长期规划(2014-2020年)》，将物流业置于战略位置，并提出了将“互联网+高效物流”纳入“互联网+”的重要举措，这为我国物流业的发展提供了方针指导。表3中显示，北京、天津、重庆等发达城市物流业综合技术效率相对不高，可能的原因是受制于有限的空间资源，使得传统物流发展模式与新兴数字经济不适配，因此，需要利用自身科技优势突破空间阻力，以提高现有物流资源的利用效率。

(二)数字经济发展现状

图2是由熵值法(公式4-10)计算得出的2019年中国31个省市数字经济综合指数。从整体来看，数字经济发展存在明显的地区异质性。分地区而言，东部地区以长三角地区和广东省发展势头最为迅猛，且居于全国领先水平；
中部地区的河南省、湖北省和湖南省发展形势较好；
西部地区的陕西省、四川省和重庆市则为发展形势良好省市的代表。另外，一些边陲地区如内蒙古自治区、西藏自治区、海南省等地区数字经济仍处于较低水平，可通过借助周边较发达地区的溢出效应来促进自身发展，并挖掘本地区数字经济的发展潜力。

图2 2019年各省市数字经济综合指数

(三)长江经济带数字经济与物流业效率的耦合协调度分析

将长江经济带11个省市数字经济综合指数和物流全要素生产率的数据单独列出，测算该区域11个省市的数字经济与物流业效率的耦合协调度，结果如表4所示。

表4 2011-2019年长江经济带数字经济与物流业效率的耦合协调度

结合梁雯等[23]对协调等级制定的划分标准(见表5)可知，9年间，江苏省的协调等级最高，均处于初级协调阶段；
浙江省位居其后，介于勉强协调阶段和初级协调阶段之间；
上海市、湖南省、湖北省和四川省基本处于勉强协调阶段。安徽省正从濒临失调阶段转至勉强协调阶段；
江西省、重庆市、云南省则正处于濒临失调阶段。此外，贵州省的协调水平最低，但已由轻度失调阶段上升至濒临失调阶段。

表5 协调等级划分标准

值得注意的是，长江经济带11个省市在2011-2019年的数字经济与物流业效率的耦合协调度均呈现上升趋势，只是各地区的增长幅度存在差异。首先，长三角有3个省市(上海市、江苏省和浙江省)的数字经济与物流业效率的协调水平处在发展的前沿，安徽省则相对落后，数字经济与物流业有待进一步融合。江浙沪地区位于长江下游，地处江海的交汇处，受益于先进政策的引领，譬如上海市和浙江省分别发布《上海加快发展数字经济推动实体经济高质量发展的实施意见》以及《浙江省数字经济五年倍增计划》，致力于打造数字产业化的样板工程，因此，江浙沪地区是带动全国数字经济增长的重要引擎。其次，位于长江中游的湖北省和湖南省协调情况比江西省更为乐观，而且这两个地区在电子信息、医疗和汽车等方面存在的产业优势可以推动区域数字经济与实体产业的协调发展。最后，长江上游除了四川省处在勉强协调阶段外，其他地区或处于濒临失调阶段或处于轻度失调阶段，并与其他省市相比协调程度相差较大。

(一)研究结论

本文基于三阶段DEA-Malmquist模型和熵值法对我国东部、中部和西部地区的物流业效率及数字经济发展水平依次进行了测度，分析了二者时空变化特征。在此基础上，以长江经济带11个省市为深入研究对象，运用耦合协调度模型分析了该区域数字经济与物流业效率之间的耦合协调发展情况，得出如下结论。

首先，物流业纯技术效率对综合技术效率提升的贡献率最高，而规模效率降低是制约综合技术效率增长的主要原因，说明各地物流业存在规模分散、节点建设不合理等现象。此外，人均GDP和对外开放程度显著影响物流市场需求，促进物流业人力与物力资源的合理利用，而政府支持程度对物流业效率未呈现显著的促进作用。

其次，2011-2019年长江经济带数字经济与物流业效率的耦合协调度总体上表现出螺旋式上升状态。在下游地区，江苏省达到了初级协调等级，上海市和浙江省达到勉强协调或初级协调，安徽省则从濒临失调阶段转向了勉强协调阶段。在中游地区，湖北省和湖南省皆已达到勉强协调等级，但是江西省仍处于濒临失调的阶段。在上游地区，除四川省达到了勉强协调阶段外，重庆市、贵州省和云南省尚处于濒临失调或轻度失调阶段。由此可见，区域间协调发展存在空间异质性，主要以长三角地区为核心增长极。

(二)对策建议

基于上述实证分析，针对如何促进长江经济带数字经济与物流业效率的高质量协调发展问题提出以下对策建议。

第一，加大数字技术投入，以科技赋能推动物流产业数字化转型。传统经济理论认为，服务业若不使用高效率的机器设备，仅以人力资源为主要供给要素，缺乏规模经济，会导致劳动生产率长期保持在一个不变的水平。目前国内物流智能设备采用的关键零部件主要依赖进口，多数物流企业仍旧采取技术跟随策略，缺乏本土的自主研发能力和高端物流专业人才。这需要政府联合各物流主体共同采取措施，将资金投入到先进设备的制造和科技创新人才的培养当中，引导社会资本参与物流业数字化转型，重塑供应链生产作业方式，为物流业创造数字化劳动力(如智能机器人AMR)，促使人机交互协同创造价值。

第二，解决长江经济带地区间物流业发展水平差距较大的问题，必须立足区域整体，共建共享物流信息平台、新型基础设施，形成物畅其流、统一开放的物流市场体系。针对长江经济带上中下游物流资源和行政体制分割，以及下游发达地区对中上游地区现代物流的辐射和带动作用不足、组织化程度低、地方争食战略红利等现状，各省市务必本着长江经济带总体效益最大化的目标科学制定本地物流发展规划，贯彻新发展理念，注重效益，既要算经济账，又要算综合账。通过设置严格统一的物流行业标准，有针对性地建立必要的跨区域生态经济补偿机制和各省市协调发展的联动制度来打破不同物流系统之间的“竖井”，淘汰产能过剩的落后产业，摈弃同质化竞争，努力形成各具特色的优势产业结构。同时还应坚决落实“共抓大保护，不搞大开发”要求，将低碳思路嵌入经济发展全过程。

第三，针对安徽省、江西省和云贵等地区数字物流发展落后的现状，解决的办法是：首先，利用上海市、浙江省、江苏省的核心外溢效应来带动安徽省、江西省数字物流的发展；
其次，着力弥补云南省和贵州省的区位劣势，加强交通、能源、水利等网络型新基建的全面覆盖，有效提升网络效益，同时，政府应出台利好政策，譬如加大资金投入力度、对物联网和AI等物流业前沿技术研发给予减税降费等，以释放这些地区数字物流内在发展潜力，加快推进物流业信息化布局建设；
最后，这些地区皆存在大量零散的物流资源，需要科学合理布局物流节点，形成物流产业集聚优势，以刺激物流市场有效需求并降低供应链运作成本。