低碳背景下的宁波市物流效率评价研究

.绪论1.1研究背景与意义1.1.1研究背景在全球变暖、能源危机等全球气候变化背景下，“低能耗、低污染、低排放”的绿色经济发展思想应运而生。在《2022年二氧化碳排放报告》中，国际能源署发布的2022年全球能源燃烧和工业过程所产生的二氧化碳排放量，相较于2021年增长了0.9％，增加了3.21亿吨，总量达到368亿吨，达到了历史最高水平。国际能源署在报告中指出，2022年全球二氧化碳排放量的增长，是在能源相关排放量两年异常波动之后出现的。图1-1.2018-2022年二氧化碳排放总量亿吨上图为2018-2022年我国的碳排放量趋势图，由于新冠疫情原因，对能源的需求有一定的下降，2020年全球二氧化碳排放量减少了大约5％；2021年，随着政策的推出和疫苗的研发，疫情情况转好，全球二氧化碳排放量升高，并反弹至疫情前的水平，总量增长了6％以上。而在2022年，中国能源相关的二氧化碳排放量相对平稳，下降了0.2％，即减少了2300万吨，降至约121亿吨，但仍占有着全球二氧化碳排放量总量的32.9％，有着相当高的比重，由此可见，中国的低碳绿色环保建设对全球低碳目标的实现有着巨大的影响。近年来，国家对于绿色低碳经济发展越发的重视，国务院在2021年发布了《关于加快建立健全绿色低碳循环发展经济体系的指导意见》，其中提出：建设绿色低碳循环发展经济体系，是解决我国资源环境生态问题的基础。而物流产业作为我国国民经济发展不可或缺的一环，众多经济活动的基础，同样也是建立健全绿色低碳循环发展经济体系的重中之重。2022年1月，国务院发布的《“十四五”节能减排综合性工作方案》明确提出，单位GDP的能耗到2025年底要相较于2020年降低13.5%。要达到这个目标，就必须将低碳减排的任务目标分解并细分到我国的各行各业中去，而物流业作为中国国民经济体系发展过程中重要的基础性服务产业，其高强度、高碳排放特征使其成为政府及全社会高度重视的问题。宁波市政府在近年来的政府工作报告多次强调低碳发展的重要性，随着宁波工业化和城市化的不断发展，能源消耗和温室气体排放也不断增加，对环境造成了一定的污染。而物流业作为宁波市经济的重要组成部分，也面临着减少碳排放的挑战，宁波市物流业近年来快速发展，产生的能源消耗和污染问题也伴随出现，提高宁波市的物流效率既可以降低宁波市物流业的成本，提高利润，加快宁波市物流业的发展，也可以节能减排，减少能源消耗，响应国家的号召，绿色低碳发展。1.1.2选题意义（一）理论意义：近年来，随着绿色低碳的观念的提出，国家对低碳发展重视程度越来越高，而物流业作为第三产业中非常重要的行业之一，不仅是国家的国民经济的基础，企业生产的前提保证，在近些年发展相当迅速，但在发展的同时，物流业成本增加，产生污染，废弃物，资源浪费的情况也伴随着物流业的发展开始日益严重，解决这些问题刻不容缓，宁波市作为物流大市，拥有着独特的地理位置优势和庞大的物流业务量，污染和资源浪费问题的出现也自然是不能避免的。本文以宁波市为研究对象，宁波市拥有着作为国际枢纽海港的舟山港，将船只数量和港口货物吞吐量选为指标，较为贴合宁波市这个海港城市的物流状况。建立物流效率评价指标体系，搜集数据并进行实证分析，不仅对评价指标体系研究领域有一定的补充作用，也具有一定的学术研究价值。（二）现实意义:在低碳经济的背景下，宁波市物流业发展迅速，但同时也伴随着一系列的问题出现，为了提供更贴合宁波市的实验结果和建议，在考虑到宁波地理位置的特殊性和物流业结构的独特性后，本文选取了更符合宁波市物流业情况的投入指标，从而使研究结果更加贴合宁波市，对宁波市实现经济高质量发展有一定的帮助。1.2研究内容与方法1.2.1研究内容第1章：绪论。本章介绍了选题背景，选题的理论意义和现实意义，并对研究内容，研究方法进行了阐述。第2章：文献综述及相关理论介绍。本章总结了国内外学者的研究成果，并对本文所用到的三阶段DEA模型，SFA回归分析进行方法概述和模型公式的介绍。第3章：构建评价指标体系。本章介绍了构建评价体系的指标和相关数据的收集与计算处理。本章从《中国能源统计年鉴》、《宁波市统计年鉴》收集数据。通过收集宁波市2014-2023年十年的物流业各种能源各自的能源消耗量，并用特定的折算系数将各种能源换算成煤的消耗量，从而得出每年能源消耗量的数值，整理并作出折线图做比对，同时，将各种能源的消耗量按照特定的二氧化碳折算系数和公式将各种能源的消耗量折算成二氧化碳的排放量，整理数据并作出折线图进行比对。第4章：基于低碳背景下宁波市物流效率的DEA评价模型，将2011-2020年宁波市物流业相关数据代入，应用三阶段DEA模型结合Dearun测算效率值，利用frontier4.1和excel软件进行二阶段回归分析，将调整好的数据应用Dearun软件测算效率值，对一三阶段效率值的测算结果进行对比，得出结果并进行分析。第5章：结论与展望。阐述研究结论，进行总结，提出对策和建议。1.2.2研究方法（1）文献研究法。本文通过收集国内外有关低碳物流和物流效率的相关文献，阐述低碳物流的研究现状，提供理论基础。（2）调查法。本文通过查阅自《中国能源统计年鉴》、《宁波市统计年鉴》。得到本文需要使用的宁波市2014-2023十年的相关数据。（3）三阶段DEA法。本文通过收集宁波市2014-2023年十年的物流业各种能源的能源消耗量，并用特定的折算系数将各种能源换算成煤的消耗量，从而得出每年能源消耗量的数值，整理并作出折线图做比对同时，将各种能源的消耗量按照二氧化碳折算的系数，参考并运用公式将每种能源的消耗量折算成二氧化碳的排放量，整理数据并作出折线图进行比对。并以上述数据为基础，采用三阶段SBM-DEA模型，构建了以船只数量，货运汽车数量，能源消耗量为投入指标，货运量，港口货物吞吐量，二氧化碳排放量为产出指标，GDP，人口数量为环境指标的低碳物流效率评价指标体系，并运用DEARUN和fontier4.1软件进行DEA三阶段模型分析，剔除环境因素的影响后，比较分析第一阶段和剔除环境因素后的第三阶段的效率值，分析影响宁波市物流效率的主要因素。（4）归纳分析法。本文整理归纳了国内外低碳物流方面的相关研究成果，结合三阶段DEA过程得出的结果，分析宁波市物流业在发展中可能出现的的问题并提出相关建议。1.3技术线路图图1-2.技术路线图

2.文献综述和相关理论概述2.1文献综述（一）国外研究现状国外关于低碳物流的研究，大多是围绕低碳和物流之间的相互联系和相互影响进行的。Katarzyna认为低碳物流的运行需要具有科学性和可持续性，可以从环境、社会和经济三个角度展开研究[1]Zhang通过应用碳排放因子法分别建立了在智能物流过程中所有关键存储工艺的碳排放计算模型，并对物流存储能源消耗评估到智能物流能源消耗评估不同阶段的评估过程进行了详细的分析，并且首次确定了装配式建筑物流的碳排放计算边界，并通过参考碳排放因子法，构建了装配式建筑物流的碳排放的计算模型，通过研究结论表明，在要满足装载需求时，可以通过增加满载率从而达到减少运输中的碳排放的目的[2]。Hu等人研究发现可以通过减少冷链物流领域的碳排放量的方式来达到节能减排的作用，并将距离系数和新鲜度参数引入优化模型，建立了一个碳足迹优化模型，讨论如何达到碳约束平衡以及成本最小化[3]。Krishnendu等人将贸易信贷和间接碳排放的理念引入到了可持续供应链的网络优化模型当中，在此基础上，提出了一种基于车辆运行成本与碳排放的混合优化模型，并利用多目标优化算法，进行优化。研究结果表明管理者应该更加关注和优化直接和间接排放，这样做更便于制定可持续供应链战略[4]。在DEA方法的相关研究上，国外学者Schinnar提出了一个只计投入而不计产量的DEA模型，将所建立的模型应用于物流企业的绩效评价中，并将各指标的权重与权重相结合，选出最优的物流企业。但是对于输入变量的选取，文中并没有给出具体的定义，而是假设物流企业具有完全信息动态能力，不存在外部干扰[5]。Weber进一步完善了以上不足，使DEA在评价与研究第三方物流企业的真实效率与价值上具有了更加现实的可行性。为了提高DEA的精度，提出了三阶段DEA模型，也称为数据包络分析（DataEnvelopmentAnalysis），用来评价有同一类型的多投入，多产出的决策单元(DMU)之间的相对有效性[6]。MinH等人利用DEA-CCR模型和DEA-BCC模型分析了美国第三方物流服务提供商（3PL）的财务表现[7]。Bottani为提高物流运营效率，提出了一项综合性的方法[8]。TONE在2002年的文章中提出了SBM-DEA模型，该模型是由超效率SBM模型与三阶段DEA模型结合而成，将传统三阶段DEA方法的一三阶段替换为了SBM超效率模型[9]。（二）国内研究现状国内研究方面，主要是从宏观角度研究我国建设低碳物流的必要性和可行性，国内学者对低碳物流的研究起步相对较晚。黄爱玲等人（2023）在提出在物流业发展现状上我国的物流产业长期处于粗放型的发展状态，能耗和碳排放量都很高，并提出要解决我国物流业发展的问题，提高物流效率，应围绕当前我国物流业低碳发展中面临的突出问题，对国内外政府部门和典型物流企业的减排策略进行系统的梳理与比较，为我国物流行业的节能减排提供参考。对物流网络货物的结构进行优化，建立以铁路、水运为主要形式的多模式协同发展模式，建立低碳、高效的物流运输网络；加强政府、企业和科研院所之间的协作与交流，促进整个产业的低碳化发展；在政府监督下，构建一个碳交易体系，加强对物流领域的碳减排政策的指导，为物流企业提供更多的低碳发展动力，从而推动整体的减排[10]。崔鹏飞在文中阐述了我国现代物流的发展现状，并对经济发展、物流活动和环境保护三者之间相互作用、相互影响的关系做出了详细的说明，对企业经营战略、政府政策、供应链管理等方面提出了有关绿色物流发展的相关建议，促进物流业的低碳化和可持续化发展[11]。侯若茵在文中提到物流效率是指通过将资源浪费最小化实现物流服务最大化的能力，物流效率包括纯技术效率和规模效率。纯技术效率是指在已知生产力水平下，如何使得在保持物流服务质量要求的同时将成本最小化，规模效率则是在规模已知的情况下，如何将物流服务的产出最大化，评价低碳物流效率的方式包括仅将单指标投入考虑在内的评价方式和将不同指标投入考虑在内的评价方式两种[12]。秦烨提出物流行业是一个能耗相对较高的行业，因为物流运输活动中所产生的废弃排放量较大，造成了较为严重的污染[13]。王丽萍在文中称，近年来，物流产业已成为我国主要的能源消耗和碳排放产业，物流业作为服务业之一，服务业整体经济发展的同时也带动了中国物流业碳排放的增加[14]。董静认为低碳经济是近几年的大趋势，物流业作为国民经济发展的基础，更应该遵循低碳发展的趋势，并且在文中应用了三阶段DEA方法，研究并测算2012-2016年西北地区五个省份的低碳物流效率，得出结论：西北地区低碳物流发展水平较低的主要原因是对于低碳物流的投入规模较小所导致的[15]。何景师等人在文章中提出低碳物流效率主要受地区经济水平、物流投入强度、创新水平、对外开放程度、城镇化水平等外部环境变量的影响，根据所收集到的2008-2020年度48个沿海城市的数据，通过构建三阶段超效率SBM-DEA模型来评价低碳物流效率，并通过Malmquist指数来对低碳物流全要素进行分析[16]，该模型的基本原理为：将第一阶段中的传统DEA-BCC模型用超效率SBM模型替换并测算效率值，从而避免了传统方法无法处理非期望产出的特点；第二阶段则是采用随机前沿分析法（SFA）分离低碳物流效率的外部干扰项，剔除环境变量的影响；第三阶段，排除环境因素和随机误差项干扰的低碳物流效率值，根据调整后的投入产出值，再次利用超效率SBM模型进行效率值测算[17]对于国外低碳物流产业在发展中给中国国内低碳物流产业带来的影响，任启文表示，需要借鉴国外经验，认为我国应倡导国际化低碳理念，提升低碳物流国际战略规划，制定政策法规，专门针对低碳物流推进物流低碳目标标准化工作。在低碳物流发展、低碳物流提升、低碳物流标准化等方面制定有针对性的具体政策[18]。在解决低碳经济背景下物流业在发展的过程中遇到的问题方面，张磊在其论文中建议应树立物流低碳化的发展理念，对能源结构进行改良，以促进物流业的节能减排[19]。居加旭则运用了回应关系分析法，构建了基于低碳政策下政府和物流企业的回应模式，阐明政府低碳政策与企业实际生产、服务过程中出现问题的原因，并针对问题提出了相应的对策和建议[20]。在对于沿海城市物流业研究方面，已本文研究对象宁波市为例，徐平炬在其文章中表示。宁波物流业面临着多方面的竞争压力，同时基础设施的质量还需要提高，也需要加强物流人才的整体水平[21]。陈盈(2005)提出宁波市发展物流产业，必须发挥政府的调控作用，对物流业提供相应的财政扶持，加大建设用地的供应，对相关企业重点培育，对物流行业自律和市场监管要加大力度，积极培养和引进物流人才[22]。而吕振凤在其文中提出，宁波市作为一个港口城市，发展绿色物流对宁波市的港口发展，适应经济全球化都有着积极的作用[23]。王艳提出了低碳物流的核心是通过应用先进技术来实现物流管理水平的提升，促进物流在物流系统运行过程中对经济的促进和循环发展，从而达到最终目的以持续、循环、良性的方式促进经济发展[24]。舒小艺通过研究发现，低碳物流的高效率路径有科技主导型路径，人口主导型路径和科技-开放存在型路径，而对于路径的选择，则要根据不同地区，不同城市的具体情况而定[25]。除此之外，张云风在对物流产业影响因素的研究后发现，物流系统中二氧化碳排放量的减少可以促进物流效率的提高，经济发展水平的提升和产业结构的调整也同样可以促进物流效率的提高[26]。连兆大在运用DEA方法分析的过程中发现，发生综合效率受限这一问题的最主要的原因是因为现代物流业的规模不足而导致的。他提到，在低碳经济背景下，促进物流业投入产出效率的提高，可以适当增加现代物流业的规模，合理配置物流资源，增强现代物流低碳装备的使用和低碳技术方法[27]。而胥爱霞在对粤港澳大湾区11个城市和地区低碳物流的发展现状研究分析后得出当地低碳物流业发展的主要阻力为低碳物流技术的普及度较低，同时低碳物流的相关制度也不够完善[28]。本文在对宁波市低碳物流效率的研究中，由于在评价过程中包含非期望产出（二氧化碳排放量），传统DEA方法并不适用，因此使用了TONE所提出的SBM-DEA模型，模型具体表达式与SBM-DEA三阶段方法参考了袁菊红[29]和施玮[30]在各自文章中的详细概述。综上，国外在低碳物流的研究上要领先于我国，国外学者在多年前就率先提出了相关概念与模型，而我国对低碳物流研究起步相对较晚，对城市低碳物流效率的相关研究较少。本文通过对国内外研究成果进行整理，构建了一个将物流业碳排放量纳入的低碳指标的物流效率评价指标体系，测算并研究2014-2023年宁波市物流业在考虑碳排放的前提下的效率值，根据研究结果对宁波市物流业发展提出了对策与建议。2.2物流效率物流效率是指通过将资源浪费最小化实现物流服务最大化的能力，物流效率包含纯技术效率和规模效率。纯技术效率是在已经知晓的生产力水平下，如何使得在保持物流服务质量要求的同时将成本最小化，规模效率则是在规模已知的情况下，如何将物流服务的产出最大化。物流效率主要体现在物流效率、仓储效率、装卸搬运效率、信息处理效率以及整个物流系统的效率等方面。通过优化运输路线、合理规划仓储布局、采用先进的物流技术和设备、加强员工培训等方式，都可以提高物流效率，物流效率的提高，不仅可以降低企业的成本，还能提高客户满意度，增强企业的竞争力。评价低碳物流效率的方法共包括两种，首先是仅将单指标投入考虑在内的评价方法，如作业成本法；再者是将不同的指标投入考虑在内的评价方法，如层次分析和指数树法。由于本文的研究对象宁波市这一海港城市，其物流业的总投入和总产出不是由单一指标来衡量的，因此本文选择多指标投入法，该方法是目前较为常用的一种评价物流效率的方法。2.3DEA方法DEA方法，也称为数据包络分析（DataEnvelopmentAnalysis），属于非参数统计方法，用于对具有相同类型的多投入、多产出的决策单元（DecisionMakingUnits,DMUs）之间的相对有效性进行评价。这种方法最初在1978年被提出，称为为CCR模型。后来，Banker等人又在前人的基础上对其进行了改进，提出了BCC模型。DEA方法是一种基于数学规划模型确定各决策单元投入与产出的权重，进而评估各决策单元的有效性的方法。DEA方法的评价过程通常包括以下步骤：（1）确定决策单位(DMUS)：选择同类型、目标一致、投入产出一致的一组决策单位；（2）构建评价指标体系：根据研究目的和实际情况，选择合适的投入，产出指标和环境指标，收集相关指标的数据，构建评价指标体系。（3）构建DEA模型：依据不同的指标，构建DEA模型，如CCR模型，BCC模型以及SBM模型等。（4）计算效率值：通过软件求解DEA模型，剔除环境因素影响后再次计算并得到各决策单元的效率值。（5）分析结果：根据最终得到效率值，对各决策单元进行分析，排序和评价。DEA方法的特点包括：（1）适用于评价多投入、多产出的决策单元；（2）无需提前设定生产函数或参数；（3）可以通过调整权重来优化评价结果；（4）既可以对决策单位进行排序和对标分析，也可以评价其相对的有效性；（5）在实际应用中，DEA方法可以广泛应用于各种领域，如企业管理、能源环保、金融投资等。2.4SBM模型SBM模型，是DEA方法中的一种，将传统三阶段中第一阶段和第三阶段中的BCC模型替换为SBM模型，是一种基于松弛值测算的模型，与传统DEA模型结合，构建SBM-DEA模型。SBM模型在DEA分析中主要用来研究投入产出效率状态，假设投入和产出之间存在着单调线性的关系。该模型使用线性规划技术确定决策单元（DMU）的相对效率。SBM模型的一个关键特点是它允许非期望产出的存在，这在传统DEA模型中是不被支持的，因为传统DEA模型要求投入和产出之间存在单调线性关系。而本文统计的是宁波市近十年的数据，通过分析研究如何提高宁波市的整体物流效率，作为非期望产出的二氧化碳排放量是研究的数据之一，本文更加适用于SBM-DEA模型，故本文选取SBM模型来构建三阶段DEA模型。2.5三阶段SBM-DEA方法在三阶段模型当中，第一阶段需要使用SBM模型测算初始效率值，第二阶段则是使用SFA回归对剔除投入松弛变量中的环境因素的影响，第三阶段再使用剔除环境变量影响后的数据再次使用SBM模型测算效率值。第一阶段使用SBM模型测算各决策单元的效率的初始值，假设DMU共有n个，每个DMU的投入共有m个，s1期望产出和s2个非期望产出。用X=(xij)∈Rm∗n表示输入向量，Yg=[ygri]∈Rs1∗n。表示期望产出向量，Yb=[ybtj]∈Rs2∗n表示非期望产出向量，x，yg，yb大于0。得出SBM-DEA模型的公式为：（2-1）&j=1（2-2）在上式中：ρ为目标函数即碳排放效率值，0≤𝜌≤1；为投入与产出的权重系数λ∈Rn（∑λ=1）QUOTEλ∈Rn∑λ=1;QUOTEsi-,srg,stbS-,Sg，Sb分别为投入、期望产出与非期望产出的松弛变量。当S-=Sg=Sb=0时，QUOTEρ=1,表示该DMU完全有效率；𝜌＜1QUOTEρ<第二阶段主要是以环境因素、管理无效率和统计噪声三个可以反映初期效率低下的松弛变量为重点，利用SFA回归来去除环境因素和统计噪声。第二阶段的主要目的是将第一阶段中的松弛变量分解为在SFA回归时可以发挥帮助作用的环境因素、管理无效率和统计噪声三种效应。在SFA回归分析中，有以下两种方案：第一种方案，投入与产出分别调整或同时调整。具体情况的选择可以基于第一阶段的导向，当第一阶段的导向类型为投入导向时，则只要投入松弛变量进行SFA回归分解，并对投入变量进行调整。第二种方案，对N个独立的SFA回归进行了估计，也可以把所有的松弛变量进行叠加，只对一个单一的SFA回归进行估计。第一种方法的优势在于可以考虑到环境变量对各种松驰变量的作用，而第二种方法具有较好的自由度。Fried的研究显示，为了保持弹性，牺牲自由度会更有效率。由此，构造类似SFA回归函数：（2-3）其中，是第个决策单元第n项投入的松弛变量的值；是环境变量，是环境变量的系数；为混合误差项，表示随机干扰，表示管理无效率。其中是随机误差项，表示随机干扰因素对投入松弛变量的影响；是管理无效率，表示管理因素对投入松弛变量的影响，假设其服从在零点截断的正态分布，即对公式进行调整：（2-4）其中，为调整前的投入，为通过调整后的投入；为对外部环境因素进行调整；是将所有决策单元置于相同几率下。在本文中，SFA回归采用成本函数的形式。分离管理无效率和随机干扰的公式如下：（2-5）其中，，。（2-6）第三阶段中，使用调整后的投入变量和产出变量，重新测算各决策单元的效率值，由于在第三阶段中的效率值已剔除环境因素和随机因素的影响，此时的结果具有更高的准确度。三阶段DEA方法的流程图如下：图2-1.三阶段流程图

3.评价指标体系构建3.1构建原则（1）系统性原则：指标体系中的各指标之间要有一定的逻辑关系，不仅要全面的反映出投入、产出、环境的主要特征及状态，并且要要反映投入-产出-环境变量之间的内在联系。（2）典型性原则：即使指标缩减，也应确保各评价指标的代表性，最大限度地体现宁波市的环境、经济、社会等各方面的特征，以利于对其进行测算，增强其可靠性。（3）动态性原则。需要借助具有一定时间尺度的指标，从而体现出指数所带来的影响。所以在指标选择上，要充分考虑宁波物流效率提升路径研究的特点，多收集几年的变动数据。3.2构建体系指标组成本文主要选取船只数量，货运汽车数量和能源消耗量作为投入指标，货运量，二氧化碳排放量，港口货物吞吐量作为产出指标，宁波市gdp，宁波市年末人口总和作为环境指标构建评价指标体系。(1)投入指标参考宁波统计局网站和宁波市统计年鉴，结合宁波市地理位置及相关政策进行考量，本文选取货运汽车数量，能源消耗量作为投入指标，同时，考虑到宁波市作为一个海港城市具有独特地理位置导致物流产业的特殊性，本文同时选取了船只数量作为投入指标，最后，本文选取了货运汽车数量，能源消耗量，船只数量这三个指标共同作为研究低碳背景下宁波市物流效率的投入指标。（2）产出指标同时选取了二氧化碳排放量这个符合研究主题的指标作为产出指标中的非期望产出指标，并结合宁波物流业的特点，选取了货运量和港口货物吞吐量这两个指标做为期望指标，最后选取了二氧化碳排放量，货运量和港口吞吐量这三个共同作为研究低碳背景下宁波市物流效率的产出指标。(2)环境指标本文选取了宁波市地区生产总值和宁波市年末人口数量作为环境指标。GDP作为反映地区经济发展水平指标，同时也可以反映出地区经济发展对物流业的影响状况，此外，GDP可以间接反映出地方政府对物流业的支持度。而人口作为构成城市的社会主体，既是城市经济发展的动力建设的参与者，也是城市服务的对象，在越来越多人与物流业紧密相连的现在，人口的数量既可以侧面反映出快递业的业务量，也可以对比出物流业的从业人口数量。如下表所示：指标类型指标内容指标含义船只数量反应宁波市港口物流业规模投入指标产出指标货运汽车数量能源消耗量货运量二氧化碳排放量港口货物吞吐量反应宁波市物流运输规模反应宁波市物流业消耗反应宁波市物流业数量产出反应环境污染情况反应宁波市物流业业务量宁波市GDP反映地区经济发展水平对物流业发展的影响环境指标宁波市年末人口反应人口对物流业的影响表3-1物流业效率评价指标说明3.3评价数据获取及处理3.3.1宁波市物流业能源消耗量的测算通过对宁波市统计局网站中近十年宁波市统计年鉴，整理出近十年宁波市物流业八种能源每种消耗量的具体数据，如下表所示：表3-2八种能源消耗量表（单位：吨）煤汽油煤油柴油燃料油液化石油气热力电力20146535781217781107091451113215288772015600367911816335736296558792954220164878966315650431226160143260382017409731041176257312135882112523120184215354518931764482287928026595201940999522144229697121843362487620204665247412919601977685048260972021463122261231157415852528261092022581242369212421724843435931031202352010245711173163554561927567根据国家统计局规定的标准煤折算系数（如下表），根据计算公式[19]：E（3-1）表3-3能源折算系数表能源种类折算系数（kgce/kg）煤炭0.7143汽油1.4714煤油1.4714柴油1.4571燃料油1.4286液化石油气1.7143kgce/kg热力电力0.03412kgce/MJ0.1229kgce/Kw*h其中，e为每种能源的能源折算系数，A为每种能源的消耗量，将宁波市近十年物流业各种能源消耗量及能源折算系数代入公式中计算得出宁波2014-2023十年每年物流业能源消耗量换算成标准煤后的能源消耗总量，整理并得到下表表3-4能源消耗量表（单位：吨标准煤）201420152016201720182019202020212022202369959.0860640.8349119.9451403.2642822.0839891.8543587.5740557.6751403.2645332.92从近十年的数据可以看出，从整体上来看，由于近几年科技的发展，物流业整体产业结构，技术有所升级，在能源消耗上总体来说相较于十年前有所降低，资源消耗减少。在2019-2021的疫情期间，由于疫情原因，导致物流业活动大幅减少，能源消耗量降低，但在2022疫情结束后，物流业业务量回暖，能源消耗量再次回升，但相较于十年前能源消耗量还是有所降低的。通过以下的折线图可以更清晰的看出近十年能源消耗量的增减状况。图3-1能源消耗量趋势图（单位：吨标准煤）3.3.2宁波市物流业碳排放量的测算本文选取了宁波市近十年的二氧化碳的排放量，作为宁波市物流业碳排放量的测算的标准，选取了宁波市物流业作业过程中8种能源消耗所产生二氧化碳的排放量，作为物流业碳排放指标，二氧化碳排放系数如下表所示：表3-5二氧化碳折算系数表煤炭汽油煤油柴油燃料油液化石油气热力电力1.90032.92513.01793.09593.17050.21（kw/h）9.46碳/万亿J10069t碳/亿kW*h运用公式[19]：C计算得出宁波市近十年每年物流业碳排放量的数据，其中Ci表示第i种能源的碳排放量；Ei表示第i种能源消费量，θi表示第i种能源的碳排放系数；如下表所示：表3-6二氧化碳消耗量（单位：吨）201420152016201720182019202020212022202329198.8029812.626285.6425497.4926972.3625136.1426367.2426348.1031289.6927773.39将数据结果制作成折线图：图3-2二氧化碳排放量趋势图（单位：吨）可以更清晰的看出宁波市的碳排放量在2015到2017有显著的下降，可能是由于国务院发布的《“十三五”节能减排综合工作方案》，《方案》提出，要落实“节约资源、保护环境”的基本方针，重点是提高能源使用效率，改善生态环境质量，推进供给侧结构性改革。宁波市在2014至2019年的碳排放量总体保持了下降的趋势，而在2022年有较大幅度的增长，原因可能是疫情的结束，快递业务活动全面恢复正常，导致碳排放量的增长。另外，结合图3-1和图3-2的折线图可以看出，虽然宁波市物流业的能源消耗量处于下降的趋势但碳排放量总体来看却没有下降太多，结合折算系数和几年的各种能源的消耗量来看，宁波市物流业对能源的需求中，对煤的需求在下降，相反，对电力的需求度在上升，从而导致宁波市碳排放量未能显著的减少。

4.基于SBM-DEA模型的低碳经济背景下宁波市物流业效率评价4.1第一阶段效率值分析一阶段主要测算初始效率值和投入松弛，为二阶段提供数据。通过第三章对宁波市物流业能源消耗量和二氧化碳排放量的测算，并由宁波市统计年间中搜集指标体系中剩余所需要的数据后，整理得：表4-1能源消耗量表船只能源消耗量车辆货运量港口货物吞吐量二氧化碳排放量GDP（亿元）人口（万人）201464169959.0885918404075264629198.87610.28583.78201562560640.8377773420835100529812.68003.61586.57201663249119.9468408462584961926285.648686.49590.96201763851403.2671963525205515125497.499842.06596.93201864042822.0870814614545765226972.3611193.14602.96201962139891.8540390684075841325136.1412035.11608.47202059043587.5747072718986009826367.2412408.66613.66202154940557.6751822787476234026348.112599.22618.33202253251403.2653619801006372231289.6914594.92621.1202351745332.9255476815366486527773.3915704.3623.7第一阶段将上表中2011-2020年宁波市物流业相关数据，代入DEARUN软件，运用SBM模型测算出综合技术效率、纯技术效率和规模效率，并根据结果进行分析，如下表所示：综合技术效率有效性分析表4-2宁波市2014-2023第一阶段综合技术效率DMU2014201520162017201820192020202120222023宁波市0.4410.4750.5490.6140.7151.0000.9391.0001.0001.000综合技术效率是决策单元在一定最优规模时的生产效率，可以衡量某个决策单元的资源使用效率及其资源的配置能力和情况并对其进行评价。由上表可以看出2019，2021，2022，2023这四年宁波市物流业综合技术效率均为1，表明这四年宁波市物流效率为DEA最有效；而2017，2018，2020，这三年宁波市的物流业综合技术效率较为接近1但未能达到，说明这几年宁波市物流效率状况良好但仍有提升空间，而剩下的2014，2015，2016则相对较差，需要加强。纯技术效率有效性分析表4-3宁波市2014-2023第一阶段纯技术效率DMU2014201520162017201820192020202120222023宁波市0.4820.5260.6210.6770.7491.0000.9481.0001.0001.000纯技术效率是制度和管理水平带来的效率，反映的是决策单元由于管理和技术等因素影响的生产效率。由上表可以看出，2019，2021，2022，2023四年的为1，说明这四年宁波市纯技术物流效率为DEA最有效，2018，2020两年接近1，说明这两年宁波市的纯技术物流效率为DEA弱有效，若想达到DEA有效需要加大对物流科学技术的研发，加大对先进的物流设备的运用。而剩下几年的纯技术物流效率较低，这表明在这几年内城市的物流技术发展相对较为落后，应大力发展物流技术，进一步促进地区物流效率的提高。规模效率有效性分析表4-4宁波市2014-2023第一阶段规模效率DMU2014201520162017201820192020202120222023宁波市0.9150.9030.8840.9080.9541.0000.9911.0001.0001.000规模效益是由于企业规模因素而产生的生产效益，它体现的是生产规模的实际规模与生产规模的最优程度之间的差距。此外（irs）、（-）、（drs）是分别代表的是规模报酬递增、不变、递减的三种趋势，见下表（4）2014-2023年第三阶段规模报酬变化趋势表表4-5宁波市2014-2023第一阶段规模报酬变化趋势表DMU2014201520162017201820192020202120222023宁波市irsirsirsirsirs-irs结合表4-4和表4-5可知2019，2021，2022，2023规模效率为一，处于最有效DEA状态，说明这4年城市投入的资源得到了充分利用2014，2015，2017，2018，2020数值接近于一，处于弱有效状态，而剩下几年低于0.9，但结合图13来看，每年的报酬规模都在提升或保持不变，这说明在那几年中城市为促进物流业发展投入资源一定的情况下，并未实现物流产出的最大化。而综合技术效率为DEA无效的年份，大致有两种原因：第一种是因为纯技术效率和规模效率都处于DEA无效的边缘，第二种是因为纯技术效率有效而规模效率无效。4.2第二阶段SFA回归分析二阶段使用一阶段的出的投入松弛数据进行回归分析，测算调整后的投入指标为三阶段提供数据。据根据第一阶段软件测算出的投入松弛数据，将三个投入指标的松弛变量整理并列出（见下表），同时将gdp，年末人口总数两个环境变量一同导入Frontier4.1软件对数据进行SFA回归分析，将得出的数据利用excel软件操作计算得出变更后的投入变量。表4-6投入松弛表DMU船只能源消耗量车辆201492.0029401.4134096.00201576.0020083.1625951.00201679.298596.5817175.16201738.4711312.8928164.51201891.002264.4118992.0020190.000.000.00202011.083306.550.0020210.000.000.0020220.000.000.0020230.000.000.00SFA回归结果如下表所示表4-7投入松弛变量SFA回归船只松弛变量能源松弛变量车辆松弛变量系数值T值系数值T值系数值T值常数项2222.4*1.83490356***490181859222***858727人口-3.785*-1.7-825.67***-57.6-146***-78.88GDP0.007460.6291.247*1.8893.282***4.619σ²7051.5825680474***2568047428020113***28020113γ0.824***3.6910.1820.2930.03850.0607log-43-98.9-99.8LR1.040.0015710.03**注:*、**、***分别表示在10%、5%和1%的显著水平下显著参考显著性对照表（图4）判断显著性，可根据t值判断系数的显著性，t值在1.65到1.96间为*显著，在1.96到2.58间为**显著，高于2.58为***显著，在表中标注显著性后对数据进行分析。SFA回归结果如表4-7所示，宁波市2014年至2023年的物流效率投入松弛变量中，车辆松弛变量与环境变量的随机前沿回归结果中的LR值是比临界值要高的，在10%的显著性水平下显著。从γ值来看，虽然能源松弛变量和车辆松弛变量的γ值较低，但船只松弛变量的γ值较高，说明管理无效率项中的环境因素还是有较大的影响，有必要剔除环境变量的影响，因此本文使用三阶段DEA模型进行宁波市2014年至2023年物流效率的测算是必要的。船只松弛变量的SFA回归结果中，人口对船只松弛变量的回归系数为负值，说明人口对船只松弛变量呈现负向影响，说明人口的增长会造成船只松弛变量的减少，通过降低船只投入冗余促进宁波物流效率上升。GDP对船只松弛变量的回归系数为正值，说明GDP对船只松弛变量呈现正向影响，GDP的提高会造成船只松弛变量的上升，通过增加船只投入冗余会导致宁波市物流效率的降低。能源松弛变量的SFA回归结果中，人口对能源松弛变量的回归系数为负值且在1%的显著性水平下是呈现显著的，说明人口对能源松弛变量呈现显著的负向影响，说明人口增加会造成能源松弛变量的减少，通过降低能源投入冗余，可以促进宁波市物流效率的提升。车辆松弛变量的SFA回归结果中，人口对车辆松弛变量的回归系数为负值，并且1%的显著性水平下显著，表明人口对车辆松弛变量呈现显著负向影响，说明人口的快速增长会造成车辆松弛变量的减少，通过降低车辆投入冗余促进宁波物流效率上升。GDP对车辆松弛变量的回归系数为正值且在1%的显著性水平下显著，表明GDP对车辆松弛变量呈现显著的正向影响，说明GDP的提高会造成车辆松弛变量的上升，通过增加车辆投入冗余导致宁波市物流效率的下降。综上所述，环境变量中的人口对投入松弛变量的回归系数为负值，人口的上升会导致投入松弛的下降，即通过减少冗余浪费促进宁波市物流效率的提升。GDP则与投入松弛变量的回归系数为正值，即GDP的增长会导致投入松弛的上升，通过增加冗余浪费导致宁波市物流效率的下降。人口和GDP两个环境变量指标对投入松弛变量的影响较大，在宁波市物流效率的计算中需要对环境影响变量进行剔除，以计算出更加准确的物流效率。4.3第三阶段效率值分析第三阶段使用第二阶段调整后的投入指标数据重新测算效率值。第三阶段，根据第二阶段的计算结果，再次利用DEARUN软件对调整后的数据进行运算，逐条代入调整后的投入变量，投入变量产生变化而产出不变，用控制变量的方法，将数据逐条逐次代入软件运行并得出第三阶段DEA模型结果，整理数据后结果如下图所示。综合技术效率有效性分析表4-8宁波市2014-2023第三阶段综合技术效率DMU2014201520162017201820192020202120222023宁波市0.6400.6360.6620.7790.8221.0000.9501.0001.0001.000通过将调整后的数据再次导入DEARUN中运算后得出的结果看出，相较于第一阶段的综合技术效率值，调整数据后得出的结果来看，2019，2020，2022，2023宁波市的综合技术效率值均为1，说明这四年宁波市的综合技术效率DEA有效，在这四年的技术水平上，宁波市的投入资源使用的效率达到最佳。而2020年宁波市的综合技术效率值处于0.9-1之间，为DEA弱有效，说明在这一年中，宁波市的投入资源使用效率虽未达到最佳，但整体来说对资源的使用效率已经较为优秀，但仍有提升的空间，而对于剩下的2014，2015，2016，2017，2018四年来说，这四年宁波市的综合技术效率值相对较低，与1的差距较大，看作DEA无效，但相对于调整数据松弛变量前的数据来看，各年份均有所上涨，说明对于松弛变量进行调整的策略是有效的，但仍需改进，这几年宁波市对资源配置能力、资源使用效率仍需加强和调整。纯技术效率有效性分析表4-9宁波市2014-2023第三阶段纯技术效率DMU2014201520162017201820192020202120222023宁波市0.7081.0001.0001.0000.8891.0000.9771.0001.0001.000通过将调整后的数据再次导入DEARUN中运算后得出的结果看出，宁波市纯技术效率值在2015，2016.2017，2019，2021，2022，2023均为1，相较于第一阶段中纯技术效率值仅在2019，2021，2022，2023达到1，增加了2015，2016，2017三个年份，说明对松弛变量的调整对于这三个年份起到了显著的作用,在这几年中对宁波市投入指标的调整使得管理和技术得到了加强。而2020年宁波市纯技术效率处于0.9-1之间，属于DEA弱有效，2014，2018两年的纯技术效率值低于0.9，属于DEA无效，但与DEA一阶段相比较来说，已经取得了显著的提升。规模效率有效性分析表4-10宁波市2014-2023第三阶段规模效率DMU2014201520162017201820192020202120222023宁波市0.9040.6360.6620.7790.9241.0000.9721.0001.0001.000通过将调整后的投入指标再次导入DEARUN中的出的宁波市十年规模效率值可以看出，2019，2021，2022，2023四个年份宁波市的规模效率值达到了1，属于DEA有效。而2014，2018，2020这三个年份宁波市规模效率值处于0.9-1之间，属于DEA弱有效，剩下的2015，2016，2017三个年份规模效率值低于0.9，属于DEA无效，但对比一阶段各年数值仍有提高，对投入指标的调整有显著作用。（4）2014-2023年第三阶段规模报酬变化趋势表表4-11宁波市2014-2023第三阶段规模报酬变化趋势表DMU2014201520162017201820192020202120222023宁波市irsirsirsirsirs-irs结合表4-10和表4-11可以看出，宁波市的规模效率值在2019，2021，2022，2023四个年份都为1，达到了DEA有效，规模报酬处于不变的状态，说明在2019，2021，2022，2023四个年份中宁波市在当年的经济发展水平下投入的用于促进物流业发展的资源均被充分的利用，达到了收益最佳的状态。而2014，2018，2020这三个年份宁波市规模效率值处于0.9-1之间，达到DEA弱有效。剩下的2015，2016，2017三个年份规模效率值低于0.9，属于DEA无效，但DEA弱有效和DEA无效的这几年，规模报酬均处于递增趋势，说明在这几年间宁波市在当年的经济发展水平下投入的用于促进物流业发展的资源的利用率逐年上升，虽未达到了收益最佳的状态，但仍处于进步状态。4.4第一阶段与第三阶段对比分析总体来看。宁波市近十年，三阶段DEA分析的第一阶段中2019，2021，2022，2023这4年宁波市的物流效率为DEA有效，在经过第二阶段SFA回归分析数据调整以后，最有效年份并未增多，但物流效率为DEA有效的年份显著增多，其中2014的物流效率变成了DEA有效，同时年份物流效率值同时也有增长。经过调整投入变量后，三种效率的指数均向1靠近，相较于第一阶段来说，起到了增幅的作用，DEA有效和DEA弱有效年份增多，DEA无效年份减少。图4-1一三阶段对比图通过对一阶段和三阶段中宁波市近十年综合技术效率，纯技术效率和规模效率进行求和并求平均值后得出的结果如上图所示，可以看出，在调整投入指标后，宁波市近十年纯技术效率的平均值和综合技术效率的平均值均有所上升，但规模效率的平均值却有所下降，表明在不考虑GDP和人口数量两个环境因素的情况下，一阶段得到的效率值存在虚假现象，第一阶段高估了规模效率，同时低估了综合技术效率和纯技术效率。

5.结论建议与展望5.1研究结论本文通过收集宁波市2014-2023年十年的物流业各种能源的能源消耗量，并用特定的折算系数将各种能源换算成煤的消耗量，从而得出每年能源消耗量的数值，整理并作出折线图做比对，同时，将各种能源的消耗量按照特定的二氧化碳折算系数和公式将各种能源的消耗量折算成二氧化碳的排放量，整理数据并作出折线图进行比对。采取用三阶段DEA模型和SBM模型，构建了以船只数量，货运汽车数量，能源消耗量为投入指标，货运量，港口货物吞吐量，二氧化碳排放量为产出指标，GDP，人口数量为环境指标的低碳物流效率评价指标体系，并运用DEARUN和fontier4.1软件进行DEA三阶段模型分析，得出了以下结论：（1）从物流业能源消耗量和二氧化碳排放量方面来看，在能源消耗量方面，2014-2016快速下降，2017年有小幅度的回升，2018-2019年缓慢下降，2020年小幅回升，2021年小幅降低，2022年有较大幅度的增长，但在2023年再次大幅下降，在整体上处于下降趋势；在二氧化碳排放量方面，2014年小幅增长，2015-2017年大幅下降，2018年有小幅的回升，2019-2021年小幅回涨，2022年大幅增长，在2023年有大幅减少，在整体上处于小幅下降的趋势。在这十年中宁波市物流业的能源消耗量和二氧化碳排放量总体都是下降的趋势，但在2022年均有一次较大幅度的增高，但又在2023年快速下降，从近疫情角度考虑，宁波市作为港口城市，拥有着我国最大的港口之一的宁波港，在疫情期间，宁波市的物流业活动业务受到了较大的影响，有许多业务在疫情期间有积压停滞的状况发生，而在2022年疫情结束后，几年积压的业务开始恢复，导致宁波市物流业活动业务激增，从而导致了2022年宁波市物流业能源消耗量和二氧化碳排放量的激增，但在次年2023年恢复了正常的状态，在十年内还是处于一个下降的趋势。（2）从DEA三阶段的分析结果来看，宁波市近十年以来，DEA有效率中纯技术效率较高，而综合技术效率和规模效率的值则是相对较低，因为综合技术效率=纯技术效率*规模效率，因此宁波市的低碳物流效率主要受限于规模效率，而规模效率反映的是实际规模与最优生产规模的差距，规模效率较低则说明在物流产业的市场上，未能达到获得规模经济效益所必需的经济规模，因此无法充分利用规模经济效益，导致了低效率的小规模生产的发生。经过DEA一阶段到三阶段的调整后，规模效率的值有所下降，说明在DEA一阶段分析时，高估了规模效率，说明在这几年中，宁波市存在低效率的小规模生产的情况，应通过调整相关变量达到获得规模经济效益所必需的经济规模，充分利用规模经济效益。5.2对策和建议5.2.1地区建议从宁波的地理位置来看，宁波靠海，属于港口城市，位于中国东海岸，便于海上贸易和交通，宁波市港口主要由宁波港和舟山港组成，其中舟山港包括定海、普陀、岱山、嵊泗等港区。宁波港则包括北仑港区、镇海港区、宁波老港区和大榭港区。宁波舟山港是中国最主要的进出口和集装箱货物中转港口之一，也是全球最繁忙的港口之一，其吞吐量连续多年居全球首位。而得益于宁波港口业务的繁荣，宁波经济近年来发展迅速，GDP持续增长，已成为全国重要的工业基地，港口城市，制造业和贸易中心。宁波市应继续发扬优势，完善港口建设，增大港口面积，对港口引进新科技技术，得益于地理位置的优势，宁波市物流业业务较于内陆城市多出了海运业务 完善港口结构，提升港口作业效率。5.2.2总体建议在推动低碳物流方面，可以通过对清洁能源车辆的推广，达到减少物流运输过程中的二氧化碳排放导致的污染的目的。优化包装和装卸方式，减少物流过程中的损耗和浪费，将废旧物资和废弃物回收并进行再利用，更加环保。在基础设施建设方面可以通过完善宁波港的硬件设施，从而提升港口吞吐能力和作业效率，加大对公路、铁路和航运路线的投入，提高物流通道的运输能力和覆盖范围。加强多式联运发展，使得不同运输方式之间的衔接和配合更协调，提高物流效率。企业方面，推动物流企业之间的兼并重组和资源整合，加强物流企业与其他相关产业的合作与协同，共同对物流业发展的新模式和新路径进行探索，建立完善的物流创新体系和创新平台，鼓励支持物流企业开展技术创新和服务创新。政府方面，可以适当的为物流业降低税收、给予更多的财政和金融政策的支持，以达到降低物流企业的运营成本的目的。加强对于物流行业的监管制度，对物流行业的标准与规范进行完善。在对物流人才培养上，要加强对物流专业学生的教育和培训，提高物流从业人员的专业素养和技能水平。鼓励物流企业在人才培养、物流行业技术创新等方面与高等院校、研究机构开展产学研合作。对物流网络布局优化上，完善规划物流园区的建设和发展，优化物流资源的配置，提高物流网络的连通性和覆盖范围。加强城乡物流网络建设，推动农产品进城和工业品下乡，促进城乡物流均衡发展。加大对跨境物流发展的投入，加强与国际物流通道的对接，提升宁波物流的国际化水平。5.3不足与展望本文使用三阶段DEA方法对2014-2023年宁波市物流效率进行了研究。对宁波市的物流业发展情况作出分析，同时为宁波市物流业发展提供了一些建议。但由于诸多不确定因素的影响，在研究过程中存在着些许不足之处，为此提出了一些不足与展望。（1）数据可能存在一定误差，数据的获取并未非常精确，需要设计更多研究方法来进一步研究，并且宁波市统计局中的宁波市统计年鉴中所查询的2023年物流业相关数据尚未发出，部分数据采用基于年增长率计算得出，可能存在一定的误差。（2）指标的选取有随机性。本文选取货运汽车数量，能源消耗量和船只数量作为投入指标，选取了二氧化碳排放量，货物吞吐量和货运量作为产出指标，选取了宁波市地区生产总值和宁波市年末人口数量作为环境指标，本文仅选取了三个投入指标，三个产出指标和两个环境指标，还有许多与低碳物流效率相关联的指标未进行选取构建评价指标体系并进行详细研究，研究得出的结果不全面。以上内容是本文存在的几点不足之处，希望在以后的研究过程中加以改进。参考文献[1]NowickaK.SmartCityLogisticsonCloudComputingModel[J].Procedia-SocialandBehavioralSciences,2014,151266-281.[2]AilingZ,ShaL,LinT,etal.IntelligentMeasurementandMonitoringofCarbonEmissionsfor5GSharedSmartLogistics[J].JournalofSensors,2022,2022[3]BinH,BangtongH,ZhengL,etal.OptimizationModelofCarbonFootprintofFreshProductsinColdChainfromtheEnergyConservationandEmissionReductionPerspective[J].MathematicalProblemsinEngineering,2021,2021[4]ShawK,ShankarR,YadavSS,etal.Modelingalow-carbongarmentsupplychain[J].ProductionPlanningControl,2013,24(8-9):851-865.[5]SehinnarA.P.MeasuringProductiveEfficiencyofPublic