华东地区绿色物流效率评价研究——基于SBM超效率及ML指数

Research on the Efficiency Evaluation of Green Logistics in East China—Based on SBM Super-Efficiency and ML Index

摘要: 基于华东六省一市2010~2022年的面板数据，本研究测度了考虑能源消耗与碳排放约束下的区域绿色物流效率。超效率SBM模型用于评估静态效率水平及其时空分异特征，ML指数则用于分解全要素生产率变动，探究效率动态演进的内在动力。结果表明：静态效率呈现显著梯度分化，上海长期处于领先地位，江苏、安徽构成第二梯队，福建、浙江、山东、江西效率相对较低，且驱动模式各异。动态演进呈现三阶段特征：2010~2015年波动调整期、2016~2019年技术转型期、2020~2022年韧性重构期。技术进步(TC)是推动华东地区绿色物流效率增长的核心驱动力，普遍高于技术效率(EC)的贡献。疫情冲击下虽导致技术效率显著下滑，但技术进步逆势增长，成为支撑效率快速恢复的关键韧性因素。

Abstract: Based on the panel data of six provinces and one municipality in East China from 2010 to 2022, this study measures the regional green logistics efficiency under the constraints of energy consumption and carbon emissions. The super-efficiency SBM model is used to evaluate the static efficiency level and its spatio-temporal differentiation characteristics, while the ML index is employed to decompose the changes in total factor productivity and explore the internal driving forces of efficiency dynamic evolution. The results show that the static efficiency presents a significant gradient differentiation. Shanghai has been in an absolute leading position for a long time, Jiangsu and Anhui form the second tier, and Fujian, Zhejiang, Shandong, and Jiangxi have relatively lower efficiency, with different driving modes. The dynamic evolution shows three-stage characteristics: the fluctuation adjustment period from 2010 to 2015, the technology dividend period from 2016 to 2019, and the resilience reconstruction period from 2020 to 2022. Technological progress (TC) is the core driving force for the growth of green logistics efficiency in East China, generally contributing more than technical efficiency (EC). Although the technological efficiency significantly declined under the impact of the epidemic, technological progress increased against the trend, becoming a key resilient factor supporting the rapid recovery of efficiency.

1. 引言

在全球气候变化加剧与资源环境约束趋紧的背景下，推动物流行业绿色转型已成为实现经济高质量发展与“双碳”目标的重要路径。华东地区作为我国经济最活跃、产业链最完整的区域之一，其物流规模占全国总量近40%，既是经济增长的重要引擎，也是能源消耗与碳排放的关键领域。然而，在传统物流模式仍占主导的现状下，高能耗、高排放问题日益凸显，亟需构建资源节约、环境友好的绿色物流体系。

当前，绿色物流效率的科学评价是推动行业可持续发展的关键环节。尽管现有研究已尝试采用数据包络分析(DEA)等方法对物流效率进行测度，但多数存在两大局限：一是未能有效整合碳排放、污染物等非期望产出，难以真实反映“绿色”内涵；二是传统模型难以区分效率前沿面上的决策单元，导致高效地区效率值趋同，限制政策分析的精准性。

为克服上述不足，本研究引入超效率SBM模型与Malmquist-Luenberger (ML)指数构建综合评价框架。超效率SBM模型通过松弛变量测度与非径向优化，在考虑能源投入与环境负产出的同时，实现对有效决策单元的进一步区分；而ML指数则从动态视角分解技术效率变动与技术前沿进步，揭示绿色物流效率增长的内在动力。二者结合，可全面刻画华东地区绿色物流效率的静态水平与动态演进特征。

本研究聚焦华东六省一市(上海、江苏、浙江、安徽、福建、江西、山东)，基于2010~2022年面板数据，实证分析区域绿色物流效率的时空分异、演变趋势及影响因素。研究旨在为地方政府制定差异化减排政策、优化物流资源配置提供理论依据，也为全国绿色物流体系建设提供区域实践范式。

2. 文献综述

学者们大多以全国、区域、省份、为研究对象对物流效率进行评价分析。

全国层面，Markovits-Somogyi (2014)运用新的DEA-PC (两两比较)方法对29个欧洲国家的物流效率进行了检验，并与原始DEA方法的结果进行了比较[1]。刘华军(2021)等学者以全国30个省份为样本数据，对中国物流业效率的时空格局进行分析[2]。毕延超(2024)以我国30省份(市、自治区)作为研究对象，利用三段式的DEA模型分析测算绿色物流效率[3]。刘小兰(2023)等学者对中国30个省市区2003~2018年的物流业绿色发展效率、绿色全要素生产率及其分解情况进行测度分析[4]。武佩剑(2022)等学者对2012~2018年中国30个省区市的绿色物流效率进行测度，并将测度结果用于模糊集定性比较分析(fsQCA) [5]。

区域层面，何景师(2021)等作者研究我国三大湾区城市群的绿色物流效率及影响因素，构建非期望产出的绿色物流效率投入产出指标，通过Malmquist指数和超效率SBM模型分析绿色物流效率的变动趋势，并利用Tobit模型对其影响因素进行回归分析[6]。薛阳(2022)等作者在黄河流域九省区绿色物流投入产出效率测度的基础上，运用SFA方法分离随机噪声干扰，并完成投入产出效率评价与分析[7]。原雅坤(2024)为完成“双碳”目标分别计算了黄河流域9省区在考虑碳排放前后的物流效率，并对此做出了对比分析[8]。徐超毅(2023)等作者以2005~2019年华东地区“六省一市”的物流业作为研究对象，运用超效率SBM-DEA模型构建投入产出体系，测度物流业绿色发展静态效率值，利用全局参比Malmquist指数对绿色全要素生产率进行分解，研究绿色物流动态变化趋势。选取部分截面数据绘制绿色发展效率的空间分布图，进一步分析华东地区绿色物流发展的空间变化[9]。

省份层面来看，刘宇(2024)等学者运用DEA模型和Malmquist指数模型分别从静态和动态两个维度分析了2012~2021年江西省11个设区市的物流效率时空变化[10]。刘盼盼(2022)以云南为研究对象，基于西南地区五省的面板数据，采用DEA-CCR模型和DEA-BCC模型，测算西南地区五省的物流综合技术效率和规模效率，从而对比分析云南物流效率水平[11]。李卫忠(2021)等学者选取2001~2019年的时间序列数据，采用DEA法对广东省物流业在不考虑环境资源约束条件下与考虑环境资源约束条件下的两种技术效率进行测算，并运用协整检验方法研究了环境规制因素与广东省物流业绿色技术效率之间的动态关系[12]。张永胜(2022)分析了广西省物流效率，采用广西2010~2019年物流相关数据，通过DEA(数据包络分析)方法进行物流综合效率、技术效率和规模效率分析，以期促进广西地区物流的发展[13]。洪文静(2024)通过建立以交通运输和仓储及邮政业就业人员、交通运输支出、等级公路里程为投入指标，以公路货物运输量、交通运输和仓储及邮政业增加值为产出指标的物流投入产出指标体系，运用DEA模型测度安徽省2021年16个地级市的物流综合效率、物流纯技术效率和物流规模效率[14]。

3. 评价模型与指标构建

3.1. 评价模型

3.1.1. 超效率SBM

$\min \rho =\frac{1-\frac{1}{m}{\displaystyle \sum _{i=1}^m\frac{\overline{s_i}}{x_{ik}}}}{1+\frac{1}{q_1+q_2}\left({\displaystyle \sum _{r=1}^{q_1}\frac{s_r^{+}}{y_{ik}}+{\displaystyle \sum _{t=1}^{q_2}\frac{s_t^{b^{-}}}{b_{rk}}}}\right)}$

$\text{s}\text{.t}\text{.}\{\begin{array}{l}{\displaystyle \sum }_{j=1,j\ne k}^n{x}_{ij}{\lambda }_j-s_i^{-}\le x_{ik}\\ {\displaystyle \sum }_{j=1,j\ne k}^n{y}_{rj}{\lambda }_j+s_r^{+}\ge y_{rk}\\ {\displaystyle \sum }_{j=1,j\ne k}^n{b}_{tj}{\lambda }_j-s_t^{b^{-}}\le b_{tk}\\ 1+\frac{1}{q_1+q_2}\left({\displaystyle \sum }_{r=1}^{q_1}\frac{s_r^{+}}{y_{ik}}+{\displaystyle \sum }_{t=1}^{q_2}\frac{s_t^{b^{-}}}{b_{rk}}\right)>0\end{array}$

当${\rho }^{\ast }=1$ ，且，$s_i^{-}=s_r^{+}=s_t^{b^{-}}=0$ 时表示决策单元有效；

当${\rho }^{\ast }>1$ ，且$s_i^{-}=s_r^{+}=s_t^{b^{-}}=0$ 时，表示决策单元有效，且${\rho }^{\ast }$ 越大效率越高；

当${\rho }^{\ast }<1$ ，且$s_i^{-}$ 、$s_r^{+}$ 、$s_t^{b^{-}}$ 中存在某个不等于零时，表示决策单元无效。

3.1.2. ML指数模型

$\begin{array}{l}{\text{ML}}_t^{t+1}=\left[\frac{1+{\overline{D}}_0^t\left(x^t,y^t,b^t;g^t\right)}{1+{\overline{D}}_0^t\left(x^{t+1},y^{t+1},b^{t+1};g^{t+1}\right)}\right]\times {\left[\frac{1+{\overline{D}}_0^{t+1}\left(x^t,y^t,b^t;g^t\right)}{1+{\overline{D}}_0^{t+1}\left(x^{t+1},y^{t+1},b^{t+1};g^{t+1}\right)}\right]}^{\frac{1}{2}}\\ {\text{ML}}_t^{t+1}={\text{TC}}^{t+1}\times {\text{EC}}_t^{t+1}\end{array}$

当ML指数 > 1时，表示研究对象从t期到t + 1期的全要素生产率呈现上升趋势；当ML指数 < 1时，表示研究对象从t期到t + 1期的全要素生产率呈下降趋势；当ML指数 = 1时，表示研究对象从t期到t + 1期的全要素生产率没有改变。技术进步率指数(TC)衡量了决策单元在从t期到t + 1期内生产前沿面的移动情况，当TC > 1时，说明技术进步推动生产前沿向外扩张，这意味着决策单元在朝着期望产出增加、非期望产出减少的方向上偏移，以实现更高效率的生产，从而促进了绿色效率的提高，反之则说明技术在退步。EC衡量对最佳实践边界追赶带来的技术效率变化，大于1表示技术效率增进，等于1表示不存在增进，小于1表示技术效率退化。

3.2. 指标构建

本文选取投入指标和产出指标数据来源于2010~2022年的《中国统计年鉴》《中国能源统计年鉴》最终统计整理得到华东地区物流业相关面板数据。(如表1)

Table 1. Green logistics efficiency input-output indicators

表1. 绿色物流效率投入产出指标

指标类型	指标说明	具体指标	指标代码
投入指标	劳动力投入	物流业从业人数(万人)	X1
	资本投入	物流业固定资产投资额(亿元)	X2
	能源投入	物流业能源消耗量(万吨标准煤)	X3
产出指标	期望产出	物流业增加值(亿元)	Y1
		货物周转量(亿吨公里)	Y2
	非期望产出	物流业CO排放量(万吨)	Y3

1) 投入指标

劳动投入。选取交通运输业、仓储业和邮政业从业人员数量作为替代指标，单位为万人。

资本投入。选取交通运输业、仓储业和邮政业的固定资产投资额作为指标单位为亿元。

能源投入。选取在物流业消耗量排名靠前的6项能源，并根据折算系数将这6项能源折算为标准煤的形式计量，单位为千克标准煤。计算公式为：标准煤量 = 能源消耗实物量 × 能源折算标准煤系数。即：

$E={\displaystyle \sum _i^n{C}_i\ast E_i}$

其中，E为能源的消耗总量，i表示物流业能源消耗类型，C_i为第i种能源的折算标准煤系数，E_i为第i种能源的消耗量。

2) 产出指标

期望产出。选取物流业增加值以及货物周转量作为期望产出。物流业增加值，单位为亿元。货物周转量是指运输货物的数量与运输距离的乘积，单位为亿吨公里。

非期望产出。选取二氧化碳综合排放量来衡量非期望产出，以原煤、汽油、煤油、柴油、燃料油、天然气这6种物流业主要能源的能耗量为计算二氧化碳排放的基础数据，单位为万吨，用碳排放系数法进行计算。其中各能源的数据均来自《2006年IPCC国家温室气体清单指南》(如表2)，计算得出各能源的二氧化碳排放系数，计算公式为：

$C{O}_2={\displaystyle \sum _i^{n}c{o}_{2,i}}={\displaystyle \sum _{i=1}^n{E}_i\times C{C}_i\times C{F}_i\times CO{F}_i\times \frac{44}{12}}$

公式中i表示能源类别；$E_i$ 表示第i种能源的消耗量；$C{C}_i$ 是第i种能源的基本元素碳含量；$C{F}_i$ ；为第i种能源的热量值；$CO{F}_i$ 为第i种能源的碳氧化率。其中$E_i\times C{C}_i\times C{F}_i\times CO{F}_i\times \frac{44}{12}$ 表示的是CO，的排放系数。

Table 2. Coefficient of conversion from 6 main energy sources to standard coal in the logistics industry and conversion coefficient of CO₂ emissions

表2. 物流业6种主要能源折标准煤系数及折算CO₂排放系数

	原煤	汽油	煤油	柴油	燃料油	天然气
折算系数(kg标准煤/kg)	0.7143	1.4714	1.4714	1.4571	1.4286	1.215
CO2：排放系数(kgCO2/kg)	1.9003	2.9251	3.0179	3.0959	3.1705	2.1622

4. 实证分析

4.1. 华东地区物流效率静态分析

本文基于非期望超效率SBM模型，利用SBMRUN软件对华东区域绿色物流发展效率进行测算，得到当期规模报酬不变条件下超效率SBM模型下的物流效率。并对得出一定结果进行数据分析，绘制出效率变化图如图1所示，后文的研究也选择以规模报酬不变条件下测算绿色物流发展效率值。

Figure 1. Trend of green logistics development efficiency in East China

图1. 华东地区绿色物流发展效率变化趋势

从上图可以看出从2010年到2022年，效率值总体上升，但波动明显。2010~2014年为初始波动期，效率值在1.03~1.13之间波动，但呈现轻微下降趋势，可能与区域发展不平衡或早期技术不成熟有关；2015~2019年为显著上升期，效率值持续上升，从1.1593增至1.2242。这反映绿色物流政策如节能减排技术推广见效，区域协同发展增强；2020~2022年为疫情影响与恢复期，效率值显著下降，主要因新冠影响导致供应链中断。但2021~2022年快速恢复到之前的水平，接近2019年水平，表明韧性较强。

为了更深入分析华东地区绿色物流发展效率的演变规律，表3呈现了该地区各省份历年的效率值，图2则直观反映了各省份效率值的变化趋势。

Figure 2. Trend of logistics efficiency changes in each province of East China

图2. 华东地区各省份物流效率变化趋势

Table 3. Development efficiency of green logistics in each province of East China

表3. 华东地区各省份绿色物流发展效率

年份	山东	江西	福建	安徽	浙江	江苏	上海	华东地区均值
2010	0.681	0.422	1.001	1.477	0.755	1.087	2.502	1.132
2011	0.674	0.420	0.584	1.385	0.728	1.108	2.437	1.048
2012	0.626	0.619	0.621	1.227	0.725	1.132	2.394	1.049
2013	0.578	0.540	0.590	1.272	0.760	1.108	2.354	1.029
2014	0.611	0.523	0.609	1.292	0.766	1.094	2.392	1.041
2015	1.003	0.586	0.748	1.255	1.009	1.059	2.456	1.159
2016	1.011	0.613	0.817	1.266	1.022	1.051	2.464	1.178
2017	1.037	1.052	0.802	1.251	1.003	1.034	2.498	1.240
2018	1.027	1.009	0.712	1.207	1.009	1.033	2.536	1.219
2019	1.035	1.015	0.759	1.140	1.046	1.042	2.531	1.224
2020	1.283	0.441	0.746	1.076	0.636	1.070	2.515	1.109
2021	1.088	1.015	1.006	1.067	0.699	1.054	2.540	1.210
2022	1.082	1.062	1.018	1.067	0.658	1.018	2.535	1.206
均值	0.903	0.717	0.770	1.229	0.832	1.069	2.473	1.142

从上表中可以看出，上海的物流效率远超其他省份，处于领先位置。在全国范围内发挥着重要的示范作用。江苏在物流效率方面表现稳定，处于中上水平。该省物流系统效率稳定高于1，具备较强的市场竞争力。安徽处于中上水平，但效率呈现出一定的波动性，尽管早期表现突出，近年来其物流效率出现了小幅回落。浙江的物流效率处于中等偏下水平，表现出较大的波动性。福建的物流效率也处于中等偏下水平，尽管整体表现不高，但近年来有所改善。尤其是自2021年后，福建的物流效率突破了1，显示出该省在物流领域逐步提升的潜力。山东则在近年来显著改善了其物流效率，提升至中等水平。山东的进步表明其物流体系逐步适应了经济转型的需求，并通过提高效率来应对区域经济发展的挑战。江西的物流效率则相对落后。整体上江西的物流效率处于较低水平。

从上图我们可以看出各省份整体的变化趋势，上海表现出高位趋稳的态势。自2010年达到峰值后，在2013年经历了效率下滑至谷底，但在2022年稳定在2.53的水平。主要在于早期土地和人力成本上升影响了效率。江苏则以稳健型标杆的姿态保持长期稳定，效率波动较小。其原因在于均衡的制造业布局支撑了物流需求，同时沿江的港口群，如苏州和南京港，通过提升多式联运效率，进一步增强了物流效率。安徽的物流效率呈现高开缓降的趋势，从2010年峰值1.447到2022年回落至1.07。这一变化的原因在于早期安徽承接了长三角地区的产业转移，带来了短期效率的跃升。但在扩张过程中，安徽未能同步提升管理能力，效率逐渐回落。浙江的物流效率波动显著，2010年为0.75，至2019年达到峰值1.05，然后在2020年受疫情影响骤降至0.64。浙江的民营物流企业灵活性强，推动了2015年后的效率提升，但2020年由于外贸受到疫情冲击，其抗风险能力衰弱，导致了效率的大幅下滑。福建在后期取得了突破，福建的早期物流依赖于厦门港，内陆物流薄弱。然而，自2015年起，“海丝”核心区的建设提升了省内物流网络，使得福建的效率逐步回升。山东在2014年前的物流效率一直低迷，但自2015年起出现了显著的跃升，效率跳增至1.00并维持在高位。山东的这一变化与“互联网 + 物流”政策的推动密切相关，提升了整体效率。江西的物流效率则经历了异动后企稳的过程。长期低迷后，2017年突增至1.05，并保持在1.0左右。江西早期基础设施较为落后，但随着2017年赣深高铁的开通，打通了南北通道，并融入了大湾区的供应链。

4.2. 华东地区物流效率动态分析

在运用非期望超效率SBM模型评估华东地区绿色物流静态效率的基础上，为深入考察技术变动对全要素生产率的贡献并揭示效率值的跨期动态特征，本文进一步采用相邻参比的Malmquist-Luenberger指数，从区域整体和分省视角对绿色物流发展效率进行了动态分析(如图3)。

Figure 3. Trend of total factor productivity changes in East China

图3. 华东地区全要素生产率变化趋势

从2010年至2022年，全要素生产率呈现出显著的“U型复苏”态势，技术进步成为推动全要素生产率增长的核心引擎。具体来看，2010至2015年，TFP表现出波动下降的趋势，数值从1.07降至0.97，期间经历了四次衰退，仅2010年出现了正增长。然而，自2016年起，全要素生产率进入了一个持续上升的阶段，数值从1.05逐步增长至1.17。2017年，TFP达到了这一阶段的峰值，显示出技术创新的强大推动力。这一时期，技术双驱动成为经济增长的主要动力，既包括技术创新本身的进步，也包括技术应用和产业升级的加速。进入2020年，虽有疫情影响，但全要素生产率却依然展现出强劲的反弹力，数值从1.01回升至1.26，表现了技术进步的主导作用。在疫情后期，数字经济快速发展，使得全要素生产率在短期内实现了强势反弹，技术进步成为推动经济复苏的关键力量。

为了更进一步观察华东地区全要素生产率的具体变化，表4列出了华东地区每年各省份效率技术效率水平(EC)、技术进步水平(TC)、全要素生产率(ML)。

Table 4. Technical efficiency levels, technological progress levels, and changes in total factor productivity for each province

表4. 各省份技术效率水平、技术进步水平、全要素生产率变化值

省份	物流效率		2010~2011		2011~2012		2012~2013	2013~2014	2014~2015	2015~2016
山东	ML		1.280		0.869		0.722	1.092	1.009	1.149
	TC		1.293		0.935		0.783	1.034	0.615	1.140
	EC		0.990		0.929		0.923	1.057	1.641	1.008
江西	ML		1.070		1.279		0.863	0.696	0.942	1.022
	TC		1.075		0.868		0.989	0.719	0.840	0.978
	EC		0.995		1.474		0.873	0.968	1.122	1.045
福建	ML		0.861		0.998		0.924	1.078	1.054	1.109
	TC		1.476		0.938		0.972	1.045	0.858	1.015
	EC		0.584		1.064		0.950	1.032	1.227	1.093
安徽	ML		0.999		0.822		1.014	1.000	0.927	1.002
	TC		1.066		0.928		0.978	0.984	0.954	0.993
	EC		0.938		0.886		1.037	1.016	0.971	1.009
浙江	ML		1.100		0.957		0.982	1.029	1.083	1.078
	TC		1.142		0.960		0.936	1.022	0.822	1.064
	EC		0.964		0.996		1.049	1.007	1.318	1.013
江苏	ML		1.221		1.018		0.945	0.979	0.848	1.002
	TC		1.198		0.997		0.966	0.991	0.876	1.009
	EC		1.019		1.022		0.979	0.987	0.968	0.993
上海	ML		1.017		0.946		0.927	1.202	0.951	0.988
	TC		1.044		0.963		0.942	1.183	0.927	0.984
	EC		0.974		0.982		0.983	1.016	1.026	1.003
省份		物流效率		2016~2017		2017~2018	2018~2019	2019~2020	2020~2021	2021~2022
山东		ML		1.170		1.101	1.076	1.275	0.861	1.087
		TC		1.140		1.111	1.068	1.028	1.015	1.093
		EC		1.026		0.990	1.008	1.240	0.848	0.995
江西		ML		1.749		0.993	1.001	0.669	1.776	1.111
		TC		1.019		1.035	0.995	1.541	1.484	1.188
		EC		1.717		0.959	1.006	0.434	1.197	0.935
福建		ML		1.161		1.170	1.257	1.158	1.558	1.211
		TC		1.182		1.319	1.178	1.178	1.156	1.196
		EC		0.982		0.887	1.067	0.983	1.348	1.012
安徽		ML		1.001		1.069	0.969	0.975	1.145	1.027
		TC		1.013		1.108	1.025	1.033	1.154	1.027
		EC		0.988		0.965	0.945	0.944	0.992	1.000
浙江		ML		1.081		1.177	1.129	0.849	1.393	1.105
		TC		1.103		1.169	1.088	1.397	1.267	1.173
		EC		0.981		1.006	1.037	0.607	1.099	0.942
江苏		ML		1.006		1.092	1.054	1.185	1.297	0.978
		TC		1.023		1.093	1.045	1.155	1.316	1.013
		EC		0.984		0.999	1.009	1.026	0.986	0.965
上海		ML		1.145		1.156	1.037	1.073	1.032	1.044
		TC		1.130		1.138	1.039	1.080	1.021	1.046
		EC		1.014		1.015	0.998	0.994	1.010	0.998

根据上述表格我们可以看出，福建省的全要素生产率以1.12的均值在七个省中排名第一，主要得益于强劲的技术进步，特别是在2017至2018年，技术进步迅速提高，推动了ML的增长。然而，尽管ML水平持续较高，但技术效率长期处于基准水平，并且在2010~2011年出现明显下滑。上海市的全要素生产率表现稳定，ML波动较小，13年中的10年ML超过1，展示了强大的抗风险能力。江苏省的全要素生产率表现稳健，ML均值为1.05，技术和效率的协同性良好。然而，2014至2015年由于技术进步急剧下降，ML曾出现衰退。浙江省的全要素生产率波动较大，因供应链问题，技术效率大幅下降，ML跌幅达到32%。山东省通过提高管理效率实现转变，尽管技术投入相对薄弱，但管理效能弥补了技术下滑的影响。江西省的全要素生产率波动性最强，2019至2020年技术效率大幅下滑，ML指数下降。次年ML反弹至较高水平。这种忽高忽低增长说明了江西在基础设施方面的脆弱性。安徽省的全要素生产率持续低迷，ML均值仅为0.99，主要问题在于技术效率的持续下滑。

5. 结论与展望

华东地区绿色物流的静态效率表现存在明显的梯度分化，上海处于区域的核心地位，其效率显著高于其他省份。江苏和安徽构成第二梯队，而福建、浙江、山东和江西等省的效率长期低于区域均值。各省的效率驱动模式差异也较为明显，上海依靠技术与管理的双轨均衡发展，安徽则由于产业转移初期的红利逐渐消退而面临挑战，而浙江则由于外贸依赖度过高，导致其抗风险能力较弱。

在动态演进方面，华东绿色物流呈现出三个阶段的特征：波动调整期(2010~2015年)，技术效率出现下降；技术转型期(2016~2019年)，技术进步与效率改善双驱动，区域效率出现显著上升；韧性重构期(2020~2022年)，疫情影响下，尽管技术效率大幅下降，但技术进步逆势增长，推动了效率的恢复。总体来看，技术进步成为效率增长的主要驱动力，区域内技术进步普遍高于管理效能，部分省份存在技术转化率低的问题。

基于这些发现，政策建议主要聚焦于补齐管理效能短板、构建技术转化机制和强化区域韧性网络。安徽需要加强产业与物流协同，提升冷链物流的覆盖率；浙江应推动民营企业的运营标准化，提升管理效率；同时，建议建立智慧物流共享平台，推广优秀的管理经验。还需要通过在特定区域布局应急多式联运节点来提升供应链恢复能力。

总而言之华东绿色物流升级需突破“重技术轻管理”瓶颈，通过省际协同、韧性基建与政策创新，构建“效率–低碳–韧性”的发展范式，为全国提供可复制的区域实践样板。

NOTES

^*通讯作者。