第六节 本书的创新点

第一，将用于分析人均收入分配差异的基尼系数、极化指数用于分析环境问题乃至分析碳排放的变化，并运用卡米洛·达格姆（1997）提出的基尼系数及其组群分解方法对地区差距进行分解。本质上，基尼系数强调样本偏离全局均值的分布情况，极化概念强调特定区域成员围绕样本局部均值呈聚类式分布的不均衡状态。作为地区发展不平衡的一种表现形式，极化研究的应用可以对地区差距研究进行有益的补充，进而更加全面反映地区物流产业碳排放分布的特征和规律。

第二，国内已有较多文献对物流产业全要素生产率展开研究，在构建生产率指标时，虽然多方面考虑了资本、劳动力等生产要素的投入以及GDP、周转量等合意的期望产出，但却忽略了物流运作过程中所必需的投入要素——能源，以及能源消耗所产生的必然副产品——污染废弃物等非期望产出。本书在前人研究基础上将能源这一必要投入与碳排放这一必然非期望产出共同纳入生产率测度框架，修正了传统物流产业生产率测度由于忽视这两个必要因素而产生的对全要素生产率水平的过高估计。

第三，考虑到中国三大区域之间发展不平衡的事实，从技术差距的视角采用共同前沿Metafrontier-Malmquist-Luenberger（MML）生产率指数分析方法将全国各省、市、区碳排放约束下的全要素生产率指数区分为共同前沿下和组群前沿下的生产率，短期内应以组群前沿下的指标为参考基准，长期来看则应努力缩小各组群之间技术水平的差异，以实现共同前沿下的全要素生产率（MML）的改善。此外，在对MML生产率指数进行分解时，在模型中引入了规模效率的调整项，将“追赶”指数进一步分解为纯技术追赶和潜在技术追赶。将MML指数分解为组群前沿下的纯技术效率变化、纯技术变化、规模效率变化、技术规模变化、技术追赶、潜在技术相对变动、共同前沿与组群前沿下的规模效率变化比以及技术规模变化比8个子项，使得对物流产业全要素生产率的动态分析更为全面。

第四，在对全要素生产率空间溢出模型进行设定时，通过估计和检验（传统OLS—空间滞后SAR/空间误差SEM—空间杜宾SDM），发现本地区物流产业全要素生产率不仅受到相邻地区物流产业全要素生产率的影响，而且相邻地区基础设施、人力资本等因素也会对本地区的物流产业全要素生产率产生影响，因此确定同时嵌套空间和时间固定效应的空间杜宾模型（SDM）最适宜对物流产业全要素生产率进行空间分析；鉴于空间权重矩阵的设定会对空间面板计量模型的估计结果产生较大影响，目前广泛使用的地理权重矩阵以及在地理权重矩阵基础上演变的经济地理权重矩阵虽然可以较好地刻画技术的扩散现象，但是并不符合物流产业的特点，本书尝试选择地理距离空间权重矩阵进行估计，但是经过检验发现，物流产业全要素生产率的空间相关性在单纯加入地理权重矩阵后被削弱，SAR、SEM、SDM模型中的空间溢出效应的相关系数δ和空间误差相关系数 θ都不显著，因此推断对于物流产业来说，其生产率的空间溢出效应不随距离的远近发生根本变化，交通运输网络通达程度这一要素不能被忽略，结合上述分析，本书后续建立了基于交通运输网络的交通权重矩阵、同时考虑运输网络的覆盖程度和地理距离的交通距离权重矩阵、进一步加入地区经济发展因素的交通距离经济权重矩阵，并将这三种空间权重矩阵与传统的二进制邻接权重矩阵进行对比；在利用空间杜宾模型进行外溢效应的检验时，传统的自变量系数及其显著性检验不能作为衡量变量影响和显著性的依据，这里借鉴保罗·埃尔霍斯特（J. Paul Elhorst,2010）在SDM模型中基于直接偏效应和间接偏效应的角度，对产生溢出效应的物流产业全要素生产率的各影响因素的效果和路径进行考察。