华东地区物流业碳排放量影响因素分析

刘 霞,孟祥瑞,王向前

(安徽理工大学 经济与管理学院,安徽 淮南 232001)

物流业是中国能源消耗增长最快的行业之一,也是中国二氧化碳排放的主要来源之一。 此外,它是中国唯一一个二氧化碳排放强度持续上升的行业[1],且碳排放与区域发展水平密切相关。物流业作为发展潜力巨大的服务产业,近年来颇受学者的关注,研究较多的就是其影响因素。 曹俊文等[2]运用了LMDI 分解模型和M-R 分解模型得出物流产出和从业规模能够促进物流业碳排放,能源强度和能源结构则具有相反作用。 穆晓央等[3]运用了Tapio 脱钩模型和LMDI 分解模型得出产出规模和能源结构对碳排放有正向拉动作用,能源强度抑制了碳排放的增加。 王丽萍等[4]基于投入产出法得出经济规模和服务业经济发展对物流业碳排放具有正向驱动效应,使用低碳技术和提升行业效率能够负向驱动碳排放。 刘渝等[5]运用LMDI 模型得出经济发展效应和人口规模能够带动物流业碳排放的增加,能源强度效应和能源结构效应有利于抑制碳排放的增加,且不同影响因素在不同区域内的效应也有所不同。 然而,我国碳排放研究起步较晚、数据少、完整性差,使用LMDI 分析法、投入产出法等方法研究碳排放影响因素时需要大量的数据,要求各因素数据与系统特征数据间呈线性关系且各因素之间彼此无关,计算量大,甚至可能出现量化结果与定性分析不符的现象,导致系统的关系和规律发生歪曲和颠倒。 但是,灰色关联分析对于样本量的多少和样本有无规律都同样适用,而且计算量小,不会出现量化结果与定性分析结果不符的情况。 但当前我国的面板数据灰色关联模型的研究仍处于发展阶段。 张可等[6]提出了扩展灰色绝对关联度。钱吴永等[7]构建了灰色矩阵关联分析模型,并将其计算拓展到矩阵空间。 刘震等[8]构造了网格相关系数,然后通过算术平均值得到灰色网格相关模型。 吴鸿华等[9]提出了一种基于面板数据的灰色四面体网格关联分析模型。

因此,本研究选取物流业生产总值、城市化率、物流业能源强度(能源利用效率)、物流业能源结构、物流业产出5 个指标为影响因素建立灰色关联模型,计算物流行业碳排放与各影响因素之间的时间序列灰色关联度、截面灰色关联度和灰色关联度;最后根据结果分析其关联性,提出相应建议以有效减少物流业碳排放量。

1 面板数据灰色关联度模型构建

本研究主要分析华东地区物流业碳排放的影响因素,常用的回归分析、相关分析、LMDI 分析方法不仅需要大量的样本,而且不能处理面板数据。 然而钱吴永[7]、刘震[8]等提出的基于面板数据的灰色关联度模型则能够很好地弥补这些缺陷。

1.1 构建面板数据灰色关联模型

1.1.1 面板数据矩阵

设有X个研究对象,每一个研究对象有N个指标,观测时间为T。 其中,第x个研究对象的第i个指标在t时间的值为yi(x,t),指标i的数据矩阵Yi为:

其中,研究对象x可取1,2,…,X;观测时间t可取1,2,…,T;

则面板数据Y可表示为:

当X=1 时,指只有一个研究对象,此时的面板数据就是该研究对象在不同时刻不同指标的数据;当T=1 时,指只有一个时刻,此时的面板数据就是同一时刻下不同研究对象不同指标的截面数据。

1.1.2 计算面板数据灰色关联度

先将面板数据初始化,将初始化算子规定为di,则

初始化数据矩阵xi,即为

其中,研究对象x可取1,2,…,X;观测时间t可取1,2,…,T。

然后,计算面板数据的灰色关联系数。d1Y1称为初始化后参考面板数据, 给定分辨率ρ=0.05,面板数据初始化后diYi与d1Y1的灰色关联系数为

其中,研究对象x可取1,2,…,X;观测时间t可取1,2,…,T;初始化数据矩阵差值最小值初始化数据矩阵差值最大值t)d1|。

最后,计算面板数据的灰色关联度。 设ri为面板数据的灰色关联度,参考面板数据x1与面板数据xi的灰色关联系数为γi(x,t),即

其中,研究指标i可取1,2,…,N。 当观测对象一定时,所求的即为面板数据的时序灰色关联度,设为ri,t,即X

其中,观测时间t可取1,2,…,T。 当观测时间一定时,所求的即为面板数据的截面灰色关联度,设为ri,x,即T

其中,研究对象x可取1,2,…,X。

2 实例分析

2.1 数据来源与处理

2.1.1 数据来源及选取

本研究以我国华东地区为研究区域,研究对象为上海、江苏、浙江、安徽、福建、江西及山东7个地区的碳排放量及相关影响因素,所用数据均来源于2010—2019 年各地区所颁布的统计年鉴。

近年来,众多学者对碳排放影响因素的选取进行研究。 如陈邦丽等[10]从人口、金融发展水平、创新能力等6 个维度找出主要影响中国碳排放的因素。 王凯[11]、杨莉[12]和汪中华[13]等也进行了相关研究。 物流对碳排放的影响是复杂的。 城市化是社会经济发展的重要组成部分,在发展城市化的过程中,需要建造大量的城市设施,同时,农村人口向城市迁移时会导致其劳动、生产和生活方式发生改变。 生产总值代表着社会的发展经济,然而在发展经济时势必会造成一些不可避免的环境问题。 我国快速发展工业化,从而导致消耗大量化石能源。 且能源消耗技术不成熟导致化石能源消耗不充分。 同时在总能源消耗中化石能源占比过高也会导致碳排放量的增加。 随着人口的增加,人们对日常生活、运输方面的需求不断扩大,为了满足人们的需求,物流业产出必须不断增大。 综上所述,选取物流业生产总值(亿元)、城镇化率(%)、物流业能源强度(能源利用效率)(万t 标准煤/亿元)、以石油类为主的物流业能源结构(%)、物流业产出(亿元/人)作为影响物流业碳排放的五大要素。

2.1.2 碳排放量计算

由于区域物流业碳排放量是难以精准测算的,因此结合已有研究成果,采用能源表观消耗法计算。 物流业碳排放的计算模型公式如式(9)所示。

式(9)中:c——碳排放总量,万t;ci——i种能源的碳排放量,万t;αi——i种能源的消耗量,万t 或亿kW·h;βi——i种能源的碳排放系数,t 碳/t 标准煤;θi——i种能源的折标准煤系数,kg 标准煤/kg。 原煤、汽油、煤油、柴油、燃料油、天然气、液化石油气、电力的折标准煤系数(kg 标准煤/kg)和碳排放系数(t 碳/t 标准煤)如表1所示:

表1 各类能源碳排放系数与折标准煤系数

2.2 结果求解与解析

2.2.1 华东地区碳排放结果分析

华东地区物流业消耗能源种类包括原煤、汽油、煤油、柴油、燃料油、液化石油气、天然气、液化天然气、热力、电力等能源。 但从统计年鉴数据上来看华东地区液化石油气、天然气、液化石油气耗费极少,所占所耗总能量之比接近于0,且热力的标准煤折合系数较小。 因此,忽略这四类能源所产生的碳排放量。 选取汽油(万t)、原煤(万t)、柴油(万t)、煤油(万t)、燃料油(万t)、电力(亿kW·h)6 种能源耗费所造成的碳排放量作为华东地区的物流业碳排放量。

根据式(9),利用2010—2019 年华东地区物流业能源消耗量,估算出其物流业碳排放总量,具体数值见表2。 从表2 可以看出,华东地区物流业碳排放量总体呈上升趋势但其增长率却有所下降。 说明2010—2019 年华东地区所采用的节能减排措施取得了一定的成效。

表2 华东地区物流业2010—2019 年碳排放量 万t

2.2.2 面板数据的灰色关联系数

初始化面板数据,碳排放量初始化后的数据如表3 所示。 初始化后的物流业生产总值数据如表4 所示。 然后,计算5 个影响因素与碳排放量面板矩阵的绝对距离,在给定灰色分辨率ρ=0.05的情况下,计算该灰色关联系数。

表3 经过初始化处理后的碳排放量面板数据

表4 经过初始化处理后的物流业生产总值面板数据

2.2.3 面板数据的时序灰色关联度

根据式(7)计算出其时序灰色关联度,如图1所示。

从图1 可知,2010—2019 年,物流业生产总值与物流业碳排放量的关联度呈逐步下降的趋势,表明该地区的低碳型经济得到了很好的发展,且物流业碳排放量并没有同比增长。 以石油类为主的物流业能源结构与物流业碳排放量的关联度则在2010—2015 年呈逐步上升态势,2015 年后又开始下降,这是因为石油类低碳能源消耗占比增多,在消耗等量能源时碳排放量不仅没有相应增长,反而降低了。 其他因素与碳排放量的关联度曲线在一定范围内波动且趋于平缓,这说明该地区发展基本稳定。

图1 面板数据时序灰色关联度

2.2.4 面板数据的截面灰色关联度

根据式(8)计算其截面灰色关联度,如图2所示。

图2 面板数据截面灰色关联度

从物流业生产总值因素来看,上海的截面灰色关联度要高于另外6 个地区,达到0.854;其次为江西和安徽,分别为0.747,0.724;除此之外其他地区均低于0.7,说明上海、江西和安徽跟其他地区相比,其生产总值增长趋势更接近于碳排放量增长趋势,这是由于这些地区生产总值已成为物流业碳排放增长的主要影响因素之一。 部分地区GDP 与物流业碳排放的灰色关联度较低,特别是江苏、山东,GDP 对物流业碳排放的贡献不大。究其原因,可能是这些地区GDP 增速趋于稳定,增速相对较低,物流业碳排放增长趋势与GDP 的相关性没有显著提高。

由城镇化率因素来看,上海的截面灰色关联度最高,山东最低。 其他省份居中且正处于城市化快速发展的阶段,城镇化率的增长与物流业碳排放的增长更为一致。

由物流业能源强度因素来看,安徽、福建、江西物流业能源强度与物流业碳排放量的截面灰色关联度均高于0.8;山东、江苏低于0.6;上海和浙江居中。 这是因为福建、江西和安徽在发展经济时主要发展第二产业,与此同时会增加消耗化石能源,从而增加物流业碳排放,造成物流业能源强度与物流业碳排放量的关联度较高。

由以石油能源结构为主的物流业能源结构因素来看,上海和山东的截面灰色关联度较高,均在0.8 以上,这是由于这2 个省的主要消耗石油能源,汽油等石油能源在能源消费结构中所占比例略大,且使用新能源和可再生能源的较少。

从物流业产出因素来看,上海的物流业产出与物流业碳排放量的截面灰色关联度最高,达到0.928 3,其余地区的关联度在0.4~0.7 之间。 对于上海和山东等地区而言,物流产出对碳排放的影响比其他影响更重要,因为该行业的持续扩张导致劳动力和活动增加。 而在中国江苏、浙江、安徽、福建、江西等地区,城镇化发展进程和能源结构强度问题造成了碳排放的增加,导致了物流业作为产出对碳排放量的影响能力较弱。

2.2.5 面板数据的灰色关联度

根据式(6),计算5 个影响因素与物流业碳排放量的灰色关联度如表5 所示:

表5 面板数据灰色关联度

由表5 可知,该灰色关联度从大到小依次为:城镇化率、物流业能源强度、物流业生产总值、以石油类为主的物流业能源结构、物流业产出。 这表明,城镇化率是促进华东地区物流业碳排放的主要因素,其中,上海、江苏、浙江的城镇化率接近于1。 且城镇化率的增长与地区的生产总值和物流业能源强度的变化是密不可分的。 以石油类为主的物流业能源强度、物流业产出相对排名较后,在很大程度上体现了华东地区的以石油类为主的物流业能源强度和物流业产出发展已较为稳定,接近发达水平。

3 降低物流业碳排放量的建议

综上所述,本研究通过对华东地区7 个地区2010—2019 年物流业碳排放量和5 个影响因素基于面板数据的灰色关联分析,得到如下建议:

3.1 控制城镇化率

城镇化前期和后期都会抑制碳排放的增长,而过快的城镇化在中期会增加碳排放[14]。 在上海、江苏、浙江等地区城镇化率较高,城镇化发展能够抑制物流业碳排放,而在其他城镇化率较低的地区,则相反。 因此,政府应根据不同的地区采取相对应的措施。

3.2 提高能源的利用效率

能源的不合理使用会促进物流业碳排放的增长,江西、福建、安徽等地区的能源利用效率较高,从而抑制物流业碳排放的增长,而其他4 地区的能源利用效率较低,严重影响了物流业的碳排放量。 为了降低能源的消耗浪费,实现中国能源利用技术效率的最大化,应当加快能源生产方式和能源利用方式改革,合理控制能源消费量,优化调整经济结构,实现能源与经济可持续发展。

3.3 优化物流业的能源结构

不断进行研究开发新能源,实现中国能源结构的多元化。 不同地区可以利用其自身优势,采取精准对策来达到节能减排的目的。 例如,上海、浙江、江苏可以利用其人才优势,加快研究清洁能源;山东、上海、福建可利用其地理优势,大力建设风电和水电设施;江西、浙江可利用其森林旅游资源,大力发展生物质能。

3.4 调整物流业产出

物流业产出对物流业碳排放增长产生了间接作用,上海的物流业产出与物流业碳排放的截面灰色关联度最高,达到0.928 3 且明显大于其他6个地区,该行业持续扩张导致劳动力和活动增加,但其基础设施未达到要求。 因此应当采用运输能耗较低的运输管理方式并建立低碳交通运输发展体系;合理有效配置物流业内部劳动和资本密集型比例;政府应制定相应的物流公司企业碳排放量化评价标准,并辅以财政及税收优惠政策;调整物流业市场经济结构;开发低能耗物流作业设备;调整相关产业组织结构,降低物流信息服务功能的需求规模。