《Sustainability》:Nonlinear Drivers, Lagged Mechanisms, and Spatial Disparities in Logistics Green Innovation Performance: A DLIA Integrated Framework
编辑推荐:
在气候变化加剧和碳中和目标趋严的背景下,提升物流绿色创新绩效(GIP)对于低碳转型至关重要。然而,现有研究主要强调同期线性效应,未能充分处理非线性交互、滞后响应和区域异质性。本研究开发了一个DLIA框架,整合了驱动因素筛选、滞后响应诊断、集成学习验证和基于SH
在气候变化加剧和碳中和目标趋严的背景下,提升物流绿色创新绩效(GIP)对于低碳转型至关重要。然而,现有研究主要强调同期线性效应,未能充分处理非线性交互、滞后响应和区域异质性。本研究开发了一个DLIA框架,整合了驱动因素筛选、滞后响应诊断、集成学习验证和基于SHAP的归因。利用2011–2024年中国30个省份的面板数据,采用Super-SBM模型测度物流GIP,同时通过互补相关性诊断识别显著驱动因素及其最优滞后结构。随后比较四种集成学习算法,并选择XGBoost进行可解释归因分析。结果显示,全国物流GIP从0.405上升至0.467,尽管空间差异显著,高绩效省份仍集中在东部地区。27个变量通过非线性关系共同影响GIP。高技能人才响应最快,平均滞后0.60年,而资本存量需要更长的积累期,达5.29年。SHAP结果识别出经济集中度贡献最大(14.0%),其次是高技能人才(9.6%)和资本存量(8.4%)。这些驱动因素还表现出阈值效应和显著的省份异质性。研究结果扩展了创新生态系统研究,表明物流绿色创新依赖于非线性交互、差异化的时间传导和区域吸收能力。因此,绿色物流政策应从统一的线性干预转向与地方要素禀赋和知识能力相契合的时敏性和地域性策略。
**论文解读:物流绿色创新绩效的非线性驱动因素、滞后机制与空间差异——基于DLIA综合框架的研究**
**研究背景与问题提出**
在全球气候变化加剧和可持续发展目标持续推进的背景下,推动能源与排放密集型产业的绿色转型已成为实现全球气候治理目标的关键。物流业连接生产、分配与消费,但其运输、仓储和配送活动高度依赖能源与基础设施,且物流需求持续增长进一步加剧了能源消耗与碳减排压力。中国提出的碳达峰与碳中和目标对绿色低碳交通和物流体系建设提出了明确要求。由于物流基础设施和固定资本资产具有投资大、使用寿命长、路径依赖性强等特点,延迟转型可能使行业锁定在高碳发展模式中,增加未来减排成本。因此,提升物流绿色创新绩效(Green Innovation Performance, GIP)成为实现物流业低碳与可持续转型的重要路径。然而,物流GIP并非由单一因素瞬时决定,而是在经济条件、创新投入、基础设施、制度环境和数字技术等多重因素共同作用下演化,且这些因素可能呈现非线性关系和差异化时间滞后。现有研究多关注同期线性效应,对非线性交互、滞后响应及区域异质性关注不足。具体而言,三个相互关联的问题尚未得到充分解答:多维驱动因素与物流GIP之间的关系呈现何种依赖类型?各驱动因素需多长时间才能完全发挥其效应?在考虑复杂非线性关系后,各驱动因素的相对贡献和省份间效应如何变化?为此,本研究开发了DLIA综合框架,旨在系统揭示物流GIP的非线性驱动因素、滞后响应机制及贡献结构。
**研究内容与结论**
研究人员利用2011–2024年中国30个省份的面板数据,构建了DLIA框架(驱动因素筛选、滞后响应诊断、集成学习验证与SHAP归因),并采用Super-SBM模型测度物流GIP。研究得出以下结论:全国物流GIP从2011年的0.405上升至2024年的0.467,累计增长15.4%,但空间极化严重,东部地区显著领先于中部、西部和东北地区。通过显著性检验,27个候选变量被确认为关键驱动因素,证实物流GIP由经济规模、要素禀赋、制度环境和数字技术等多维生态系统协同驱动,且呈现显著非线性关系。不同驱动因素的响应周期明显分化:高技能人才(Highly Qualified Talent Pool, HQTP)和对外开放度(Openness to the Outside World, OPN)响应较快,其中HQTP平均滞后仅0.60年;经济集中度(Economic Concentration, EC)和政府科技支持(Government Support for Science and Technology, GST)呈现中期效应,滞后约2.41年和2.93年;资本存量(Capital Stock, CS)滞后最长,达5.29年。SHAP归因分析显示,经济集中度贡献最大,占14.0%,其次是高技能人才(9.6%)、资本存量(8.4%)和政府科技支持(7.3%)。各驱动因素还具有显著的省份异质性,经济集中度在上海、北京等高度集聚区产生强烈正向效应,而在青海、黑龙江等地区则表现为负向效应。该研究发表在《Sustainability》期刊。
**关键技术方法**
本研究主要采用以下关键技术方法:(1)Super-SBM模型:用于测度30个省份2011–2024年物流绿色创新绩效(GIP),该模型在考虑非期望产出(污染物排放)的同时,评价资本、劳动和能源投入与期望产出(增加值)的综合效率。(2)Spearman相关性分析:对29个候选驱动因素进行初步筛选,保留27个与GIP显著相关的变量。(3)多重相关性诊断:同时使用Pearson相关系数、Kendall秩相关系数和距离相关系数,分别识别线性关联、单调关联和非线性依赖,并确定各驱动因素的最优滞后周期。(4)集成学习模型比较与选择:比较Random Forest、XGBoost、CatBoost和GBDT四种算法,基于10折交叉验证的R2、MAE和RMSE指标,选择XGBoost作为最优模型进行后续归因分析。(5)SHAP(Shapley Additive exPlanations)归因分析:基于合作博弈论中的Shapley值,分解XGBoost模型的预测结果,量化各驱动因素的边际贡献、方向效应及空间异质性。数据来源涵盖2012–2025年发布的《中国统计年鉴》《中国能源统计年鉴》《中国环境统计年鉴》《中国科技统计年鉴》《中国交通统计年鉴》及各省统计年鉴,仅2018年运输仓储邮政业增加值存在缺失值,采用链式方程多重插补(MICE)补齐。
**研究结果**
**4.1 物流绿色创新绩效的时空分异与演变**
基于Super-SBM模型测度的30个省份2011–2024年物流GIP数据,分析发现全国GIP呈波动上升趋势,从2011年的0.405增至2024年的0.467,但空间上呈现高值集聚于东部(如北京、浙江、广东、上海、海南)的格局,东部平均GIP(1.001)显著高于西部(0.295)、中部(0.174)和东北(0.186)地区,表明时空分异显著。
**4.2 关键时空驱动因素的筛选**
通过Spearman相关性分析对29个候选变量进行初步筛选,结果显示绿色交通水平和货运量未通过显著性检验(p<0.05),其余27个变量与GIP显著相关,被保留为关键驱动因素。其中经济集中度(EC)相关系数最高(0.675),其次是研发人员密度(R&D Personnel Density, RPD,0.605)、政府科技支持(GST,0.601)、对外开放度(OPN,0.578)和高技能人才(HQTP,0.574),表明经济集聚、创新资源、制度支持和开放环境是提升物流GIP的重要基础。污染物排放强度(PEI)呈显著负相关(-0.451)。
**4.3 关键驱动因素的滞后响应特征**
利用Pearson、Kendall和距离相关系数对27个关键驱动因素进行滞后诊断,发现各因素与物流GIP的关系并非即时线性,而是呈现差异化的滞后响应模式。高技能人才(HQTP)综合滞后仅0.60年,响应最快;铁路网密度(RLND)滞后1.29年;经济集中度(EC)和政府科技支持(GST)分别滞后2.41年和2.93年,属中期效应;资本存量(CS)滞后最长,达5.29年,反映资本积累的长期传导特性。总体上,20个因素滞后在1–3年范围内,表明物流GIP改善主要由中短期因素驱动。
**4.4 集成学习模型的比较与验证**
比较Random Forest、XGBoost、CatBoost和GBDT四种模型,XGBoost在训练集上R2最高(0.935),测试集R2为0.691,10折交叉验证R2为0.523且RMSE最低(0.239),综合表现最优,因此被选为SHAP分析的基础模型。
**4.5 基于SHAP归因的驱动机制分析**
SHAP全局归因显示,经济集中度(EC)贡献率最高(14.0%),其次是高技能人才(HQTP,9.6%)、资本存量(CS,8.4%)和政府科技支持(GST,7.3%)。维度层面,经济基础维度(EDM)贡献26.4%,数字技术(DTE)和制度环境(IGB)各贡献23.2%。SHAP依赖图显示EC、HQTP、CS、GST和OPN呈正向效应,特征值增加时SHAP值由负转正;PEI呈负向效应。省份异质性分析表明,EC在上海、天津、北京等地区产生强正向效应,而在青海、黑龙江、甘肃等地为负向;HQTP和CS在四川、陕西、河北、广东等地贡献较高;GST在上海、江苏、天津等地转化效率更高;OPN在上海、天津、浙江等地贡献较强。
**4.6 稳健性检验**
通过排除潜在重叠指标、处理缺失值敏感性以及改变滞后窗口(L=4、6、8)进行检验,结果表明模型性能及SHAP排序高度一致,Spearman秩相关系数达0.956–0.990,Top-10重叠率≥9/10,证实了主要结论的稳健性。
**讨论与结论总结**
研究讨论部分指出,物流GIP的提升并非单一因素线性作用的结果,而是经济集中度、高技能人才、资本存量、政府科技支持等多维度因素在不同时间尺度上非线性协同驱动的动态过程。政策制定者需摒弃传统线性范式,转向时敏性和地域性策略。研究结论部分翻译如下:
(1)中国物流GIP在研究期内呈波动上升趋势,全国平均值从0.405增至0.467,但空间极化严重,东部地区显著领先中部、西部和东北。
(2)显著性检验验证了27个候选变量,确认物流GIP由经济规模、要素禀赋、制度环境和数字技术等多维生态系统协同驱动,非线性映射关系从根本上否定了单一因素线性解释模型的有效性。
(3)不同驱动因素的效应呈现明显差异化的响应周期:高技能人才和对外开放度产生较快效应;经济集中度和政府科技支持呈中期效应;资本存量滞后最长,达5.29年,反映冷链设施、智能仓库、多式联运枢纽等基础设施的规划、建设、整合与产能利用周期。
(4)SHAP归因结果显示经济集中度贡献最大(14.0%),其次是高技能人才(9.6%)、资本存量(8.4%)和政府科技支持(7.3%)。非线性边际效应进一步表明,扩大物流园区或增加设备投资并不必然带来比例提升,除非利用效率和配套条件达到适当水平。
(5)主要驱动因素的效应呈现显著的省份异质性:经济集中度在物流园区、交通枢纽和供应链服务商充分连接的区域效益更强;人才和资本效应取决于当地物流企业是否具备吸收这些投入的数字系统、运营能力和应用场景;政府科技支持在拥有成熟示范平台、产学研合作和技术商业化机制的省份转化效率更高。因此,区域物流GIP差异不仅源于要素禀赋,更源于将这些要素应用于具体物流活动的能力。