物流企业碳排放总量与效率测算方法

姜晓红，陈莎，张毅

(南京林业大学，汽车与交通工程学院，南京 210037)

0 引言

物流业是能量消耗总量最大、增长最快、碳排放量最大的行业之一[1]，《中国能源统计年鉴》显示，近年来物流业碳排放量约占全社会碳排放总量的18%[2]。物流企业是物流业节能减排的主体，发展低碳经济和实现减碳目标的行动者，亟待创新低碳技术，提高碳排放效率。物流企业碳排放效率指碳排放约束下的物流企业全要素生产率水平，将碳排放作为物流企业活动的非期望产出，反映在碳排放这一非期望产出作用下物流企业活动的投入产出关系。物流企业碳排放效率越高，其在相同投入条件下所产出的经济产值越高或产生的碳排放越少，越有利于该企业低碳化发展。现有研究物流业碳排放效率集中在某个省或区域，以及城市一级[3]。但是研究物流公司的碳排放量估算、碳排放效率、企业发展与能源消耗之间关系的论文很少[4]。黄赶祥等[5]研究了碳排放约束下我国航空公司全要素生产率，戈艳艳等[6]研究了考虑碳排放的港口全要素生产率及影响因素。物流企业能源消耗数据难以获取增加了研究物流企业碳排放的难度。秦新生[7]研究了物流企业的碳排放量测算方法，然而仅有理论研究，未有实例验证。

诸多学者采用数据包络分析法(Data Envelopment Analysis,DEA)研究全要素物流业碳排放效率，研究表明，采用SBM 模型(Slack-based Measurement Model)相比传统DEA 模型，CCR(Charnes Cooper Rhodes)模型、BCC(Banker Charnes Cooper)模型能处理非期望产出的情况[8]。王燕等[9]采用SBM模型分析了区域物流能源效率，宋京妮等[10]采用SBM-undesirable 模型分析了中国综合运输效率。SBM 模型测算的效率值在0～1 范围内，很多情况下会出现多个决策管理单元的效率值为1 的现象。Tone[11]提出超效率松弛测度模型(Super-SBM Model)，当出现效率值大于1 时，可以进一步研究分析决策单元；欧国立等[12]采用Super-SBM 模型分析京津冀货运碳排放效率。既有研究中鲜有采用Super-SBM 模型分析物流企业碳排放效率的。

本文将以顺丰速运有限公司(简称顺丰)为例，研究如何利用现有运营数据估算物流企业物流作业中产生的碳排放量，建立碳排放效率评价的投入产出指标体系，采用Super-SBM模型测算物流企业碳排放效率。所提物流企业碳排放量估算方法、碳排放效率评价方法对物流企业提出节能减排措施有一定借鉴意义，以推动物流业低碳发展。

1 研究方法

1.1 碳排放总量测算方法

依据《工业企业温室气体排放核算和报告通则》给出的温室气体排放核算步骤与方法，可以将物流企业物流作业的直接碳排放区分为移动源燃烧碳排放、固定源燃烧碳排放、逸散碳排放。移动源燃烧碳排放主要是在运输、装卸搬运等过程中使用的燃料所消耗产生的碳排量。固定源燃烧的碳排放是物流公司的锅炉、发电机等固定设备在固定设施上燃烧产生的碳排放，主要有CO2，CH4和N2O。逸散碳排放是运输包装等过程中的自然泄露，较难测算。物流作业中产生的CO2排放93%来自运输环节，7%来自仓储环节，其中仓储环节中照明占15%、装卸搬运占48%、供暖占35%[1]。因此本文将移动源、固定源碳排放之和作为物流企业物流作业中产生的碳排放总量。

1.1.1 移动源燃烧碳排放量测算方法

移动源燃烧碳排放量的估算主要依据运输、装卸搬运过程中使用的燃料消耗量，其燃料消耗量可由运输行驶里程、货物周转量转换得到。

现阶段尚未建立起全面的碳排放监测系统，无法直接获得物流企业的碳排放数据。物流企业的碳排放量主要依据能源消耗进行估算。依据IPCC(The Intergovernmental Panel on Climate Change)系数法，各种气体的碳排放量可以由各种燃料的消耗量乘以对应燃料的碳排放系数得到，即

式中：T1为移动源温室气体(如CO2、CH4、N2O等)的排放总量(kg)；a为燃料类型，如煤油、柴油、汽油等；b为车辆类型；c为碳排放抑制技术；U为所消耗燃料的总量(TJ(万亿焦耳))；F为燃料的碳排放系数(kg·TJ-1)，其值等于净热值乘以排放因子。《IPCC2006年国家温室气体清单指南2019修订版》提供了常用的燃料类型和对应的碳排放因子，具体数据如表1所示。

表1 常用燃料类型和对应的碳排放因子Table 1 Common fuel types and corresponding carbon emission factors

1.1.2 固定源燃烧碳排放量测算方法

物流企业物流作业的固定源燃烧碳排放量主要计算仓库存储环节中温室气体排放量T，该值可由仓库消耗电量值转换得到，此处定义为消耗电量转换法。

式中：T2为移动源温室气体的排放总量；S为仓库有效的平面面积；L为仓库一般的高度；Eq为每立方米空间所消耗的电量；G为电力排放因子。区域电网平均排放因子由国家气候中心发布，每个区域及不同年份的取值有差异，如华南地区2011年城市电网的排放因子如表2所示。

表2 2011年中国华南地区电力排放因子Table 2 Power emission factors in South China in 2011

1.2 碳排放效率投入产出指标体系

分析物流企业碳排放效率时，选取资本存量、劳动力、能源消耗作为投入指标，产值作为期望产出，碳排放量作为非期望产出指标。考虑数据可获取性，某些指标可通过其他数据来代替，具体如表3所示。

表3 投入产出指标与数据来源Table 3 Input-output indicators and data source

1.3 碳排放效率测算方法(Super-SBM模型)

SBM 效率评估模型的原理在于构建一个生产系统的前沿面，然后根据各决策单元投入、产出要素距离其前沿面映射点的相对距离(松弛量)来计算效率评估值。Tone[13]提出的超效率松弛测度模型(Super Slack-based Measurement Model，Super-SBM)可以对大于1 的效率值进行决策单元(Decision Making Units,DMU)排序，其核心是将被评价的决策单元从参考集中剔除，即被评价决策单元的效率是参考其他决策单元构成的前沿得出的，有效决策单元的超效率值会大于1，从而可以对有效决策单元进行区分。

假设生产系统包含m个生产单元DMUi(i=1,…,m)，xi表示生产单元i的投入向量，yi表示生产单元i的产出向量。定义有效被评价决策单元DMUq(xq,yq)，将剔除DMUq的生产系统的生产可能性集合定义为

式中：决策单元DMUq满足θ*=1。基于规模收益可变假设下，模型增加约束条件有效被评价单元DMUq在Super-SBM 模型中的投影值，即模型的最优解，是在由其他DMU 构建的生产可能集内距离前沿最近的点。考虑非期望产出要素，定义各单元共有K个投入要素、L个期望产出要素、H个非期望产出要素。xkq,ylq分别为被评价决策单元DMUq第k个投入要素、第l个期望产出要素的取值；分别为剔除被评价单元DMUq的其他决策单元的第k个投入要素、第l个期望产出要素的取值；xki,yli分别为第i个生产单元第k个投入要素、第l个期望产出要素的取值。

式中，分别为有效被评价决策单元DMUq的第l个期望产出变量、第h个非期望产出变量的取值；分别为第i个生产单元的第l个期望产出变量、第h个非期望产出变量的取值。模型的求解借鉴Charnes 等(1978)提出的线性规划转化方法，假定令，式(5)可转化为线性规划模型，即

被评价决策单元在Super-SBM 模型中的投影值即模型最优解，是在由其他决策单元构建的生产可能集内距离前沿最近的点。假设式(5)的最优解向量为，则决策单元的超效率值为

式(7)是基于规模收益不变假设得出的技术效率(Technical Efficiency,TE)，即包含了规模效率的成分。基于规模收益可变假设得出的效率排除了规模的影响，为纯技术效率(Pure Technical Efficiency,PTE)。通过比较计算两种假设下的效率值即可分离出规模效率值(Scale Efficiency,SE)，SE=TE/PTE[13]。PTE 反映在创新和制造中所需要投入的人力、资源是否存在不必要的消耗或短缺。SE 反映企业生产经营规模是否处于相对平衡的状态。

针对物流企业碳排放效率评估问题，采用物流企业时间序列数据，不同年份为决策单元，定义投入指标分别为资本存量、劳动力、能源消耗，期望产出指标为产值，非期望产出指标为碳排放量。采用TE、PTE、SE 这3 个效率指标来衡量物流企业的相对碳排放效率。当某个决策单元的效率值大于等于1 时，表明相对于其他决策单元而言，其投入资源分配是相对合理的；反之表示生产单位缺乏效益，可通过完善输入和生产数量来提高效率。若PTE、SE 均大于等于1，说明决策单元整体有效；反之说明决策单元仍然存在不足。

2 实证分析

2.1 物流企业碳排放量计算结果

以顺丰为例，测算碳排放量与碳排放效率，2013—2020年运营数据来源于企业年度报告。运输环节主要测算航空与公路运输碳排放量，固定源燃烧碳排放主要测算普通仓库、电商仓库和冷库的碳排放量。

2.1.1 移动源燃烧碳排放量

通过企业年报中航空与公路运输业务量占比和行驶次数估算得到公路和航空行驶里程数，进而采用碳排放系数法估算移动源碳排放量。

(1)航空运输燃烧碳排放量测算结果

统计顺丰拥有的全货机型号、数量、参数(最大载重量、最大载运体积、最大载重航程、速度、载油量、耗油量)，依据年发货量和参数值估算运输次数、耗油量，进而估算碳排放量。顺丰拥有的飞机均使用航空煤油，航空煤油的密度为780 kg·m-3，《综合能耗计算通则》(GB/T2589-2020)中煤油的净热值为43.124 MJ·kg-1，航空煤油的CO2排放因子为7500kg·TJ-1，CH4和N2O 排放因子均为8000 kg·TJ-1。依据式(1)，计算出每种型号货机运输过程燃烧碳排放量，结果如表4所示。

表4 顺丰航空运输过程中碳排放量(2013—2020年)Table 4 Carbon emissions of SF air freight from 2013 to 2020

(2)公路运输燃烧碳排放量测算结果

依据企业年报中公路运输干线、支线的营运数据，由式(1)估算得到公路运输燃烧碳排放量，如表5所示。

表5 顺丰公路运输干/支线燃料碳排放量(2013—2020年)Table 5 Carbon emissions of SF trunk/branch road freight from 2013 to 2020

2.1.2 固定源燃烧碳排放量

顺丰仓库存储环节中温室气体量区分电商仓库、普通仓库、冷库。其中冷链运输业务数据从2016年起在年报中公布，因此冷库的各项指标计算自2016年算起。顺丰冷库大部分只有一层，设定冷库高度为5 m、用电价格为每度1.2元。建造一个中型冷库需要超过2000 万元的成本费用，20 万元的电费一般只能维持一个1 万m2冷库一个月的使用，耗电量为40 kWh⋅(m3⋅年-1)。依据式(2)计算2013—2020年顺丰仓库存储环节碳排放量，结果如表6所示。

表6 顺丰仓储环节碳排放量(2013—2020年)Table 6 Carbon emissions of SF warehouse from 2013 to 2020

2.2 投入产出指标计算结果

2013—2020年顺丰的资本存量、劳动力、产值、能源消耗数据从企业年报查得，将移动源、固定源燃烧碳排放量求和得企业碳排放总量，各指标数据如表7所示。

顺丰每年的碳排放总量持续增长，在2018年增幅最大，达53.7%；其中移动源燃烧碳排放量在2013—2017年增长趋势较小，由于自2017年之后航空货运与公路货运业务量猛增，导致燃烧碳排放量增幅增大；固定源燃烧碳排放量在2013—2020年持续增长，自2016年起有冷库后导致碳排放量增幅更大。

2.3 碳排放效率评价结果

利用表7的投出产出数据，采用MaxDEA ultra 6.9 软件，计算得到基于Super-SBM 模型的碳排放效率值、松弛量，结果如表8所示。

表7 顺丰投入产出指标及对应数据Table 7 SF input-output indicators and corresponding data

表8 顺丰碳排放效率值与松弛量Table 8 Score and slack movement of carbon emission efficiency index of SF

(1)逐年分析顺丰碳排放效率可知，2013年的技术效率相对最高，主要原因是纯技术效率最高，达到2.219，然而规模效率最低，只有0.554，说明规模的投入并没有促进企业生产效率的提高。2014—2016年、2020年的PTE 均基本达到1.0，SE仅有0.9，导致PE 基本达到1.0，表明这几年的技术效率相对而言处于中等水平，投入产出相对较为合理，只是规模效率略低。2017—2019年的PTE均基本达到1.0，SE在0.8左右，导致PE仅有0.8左右，表明这几年的技术效率相对而言处于较低水平，投入产出相对较为合理，规模效率太低。

(2)顺丰从2013—2020年碳排放技术效率PE变化幅度较小。2013—2016年、2020年的技术效率PE均大于1，表示资源分配相对于其他年份而言达到较优状态，管理能力较好，规模效益稳定。2017—2019年均小于1，主要由于2016年起增加了冷库碳排放，2017年起航空货运与公路货运业务量猛增，导致这几年的投入与产出相对于其他年份而言未达到相对合理的平衡点，2020年的PE 大于1，说明通过调整输入和输出值已基本达到提升效率值的目标。

(3)2013—2020年顺丰的纯技术效率(PTE)均大于1，表明近些年顺丰不断寻求技术提升，以提高生产效率水平。其中2013年达到2.219，2020年相比而言也较高，表明这两年较少的投入有很大的产出。近些年顺丰不断增加在科技方面的资金投资，2020年度顺丰在科技方面的投资已超过40 亿元，同比增长了16%。顺丰在国内外拥有包括“天网”“地网”“信息网”的物流网络，其中空运“天网”由所有货机+零散航班+无人机组成，“地网”由销售服务基地、中转配送基地、陆运网络、客户呼叫网络、最后一公里网络以及各种大数据组成，“信息网”应用了机器学习、语音/图像/计算机视觉/智能AI识别等技术。

(4)2013—2020年顺丰的规模效率(SE)均小于1，且上下波动，其中2013年仅0.554，说明规模的投入并没有促进企业生产效率的提高，规模效益不够明显，且出现规模报酬缩减或增长的状况。2013年、2017—2019年这4年的规模效率值偏小，导致综合效率值偏低，阻碍企业生产效率的提高；而且规模收益呈现递增状态，意味着在已有投入基础上加大投入还能提高产出，2017年起适当提升了规模，货运业务量猛增。直到2020年的规模效率提升至了0.947，规模收益呈现递减状态，表明投入已经到达一定规模，找到了相对合理的平衡点，在现有投入基础上进一步加大投入并不能提高产出。2020年以后应该基于现有投入，提高能源利用率、减排率，从而达到更好的碳排放效率水平。

(5)表8中松弛量是被评价决策单元相对于由其他决策单元构建的生产可能集的前沿面的松弛量，而非绝对值。对于技术效率较低的2017—2019年，松弛量结果显示，每年均需减少资本存量、劳动力、能源消耗、碳排放量才能达到相对较好的技术效率水平。

2.4 启示与改进措施

物流企业碳排放效率的提高需要从提高资本存量、劳动力、能源消耗与生产总值的投入产出比、减少碳排放量等方面着手。

(1)通过创新物流企业生产技术，提升生产效率水平。这在很大程度上取决于人工智能和科技水平，如利用大数据进行决策支持，构建多种产品服务和解决方案，创新技术进行订购、中转、运输、配送等物流活动，以提高准确性和工作效率，实现增加生产效率能力的目标。

(2)通过加强节能减排技术以减少物流企业碳排放总量。比如持续推广新能源物流车辆的投入和使用，携手供应商研发氢燃料、天然气燃料等适用于不同快递业务场景的新型燃料车辆。通过更新航路、增加直线飞行、降低辅助动力装置使用时间，减少航空运输能源消耗。完善绿色包装的制作、升级和改造，打造快递包装流通生态圈。

3 结论

(1)以顺丰为例，通过企业年报中航空与公路运输业务量和行驶次数估算得到公路和航空行驶里程数，进而采用碳排放系数法估算移动源燃烧碳排放量；由仓库消耗电量转换得到仓库存储环节中温室气体排放量，作为物流企业固定源燃烧碳排放量。所提方法能有效测算物流企业运输环节移动源燃烧碳排放量、仓储环节的固定源燃烧碳排放量。

(2)采用Super-SBM模型测算了2013—2020年顺丰企业碳排放技术效率、纯技术效率和规模效率。结果表明：2013—2016年、2020年的技术效率相对于其他年份而言均大于1，表示资源分配达到较优状态；而2017—2019年的技术效率均小于1，主要是因为规模效率值很低，规模收益呈现递增状态，2017年起适当提升了货运业务量，直到2020年的规模效率提升至了0.947，规模收益呈现递减状态，表明找到了相对合理的平衡点，2020年的综合效率值大于1。2013—2020年的纯技术效率值均大于1，表明近些年顺丰不断寻求技术提升以提高生产效率水平。