长江经济带物流业碳排放效率的测度及时空演化特征研究

林秀群，李嘉新，李阳，唐向阳

（1.昆明理工大学 管理与经济学院，云南 昆明 650093；2.云南昆船环保技术有限公司，云南 昆明 650051）

作为我国经济增长极之一的长江经济带，有着区域广阔、人口众多和经济体量大的显著特点，其已成为我国覆盖面广、功能丰富、集聚辐射能力较强的重要区域。长江经济带覆盖了9 省2 市，其上游、中游和下游横跨我国东中西部三大板块，对我国区域发展规划起着至关重要的战略拉动作用[1]。而物流产业作为区域经济发展的优势黄金产业，是长江经济带当前朝着高质量发展目标前进的主要保障之一。长江经济带物流业能源消费强度在行业中持续处于较高水平，油品消费量更是居行业首位，碳排放量也是行业中增长速度最快的[2]。2005—2019年，长江经济带物流业能源消耗量由6 660.16 万吨标准煤上升到23 311.42 万吨标准煤，增长了250.01%。2019年，长江经济带物流业碳排放量为33 810.77 万吨，相比2015年的13 761.17 万吨增长了20 049.6 万吨，增速达145.70%。自2003年以来，相比较于我国五大行业，物流业是其中唯一碳强度升高的部门，且表现出稳定增长的趋势[3]。“十四五”中提出贯彻“2030年气候变化国家自主贡献目标”，将清洁能源高效利用在工业等领域，实现能源结构调整。习近平主席在2020年9月和12月两次提出并明确中国要在2030年前实现“碳达峰”，2060年实现“碳中和”。由此可见，作为以化石燃料为主的碳排放重点行业，物流业要想实现2030年的达峰目标，需要在明确行业碳排放总量目标的基础上，建立碳排放效率提升的目标。因此，对长江经济带物流业碳排放效率进行测算，并分析其时序特征和空间特征，对于绿色长江经济带的实现具有一定的指导意义。

关于碳排放效率方面的研究，学者们从碳排放效率的理论探讨到如何有效提升碳排放效率展开了多维度的研究。碳排放效率是在生产率的大框架下，对碳排放进行阐述的指标。学术界关于碳排放效率的定义主要是以能源效率为依据，主要分为两种，一种是采用单个要素的指标来对碳排放效率进行评价，如Kaya & Yokobori[4]提出的碳生产率概念，Mielnik & Goldemberg[5]提出的碳指数概念，Jobert 等[6]提出的碳强度概念等。另外一种是学者们开始从全要素的角度来对碳排放效率展开测度。如Zofio & Proeto[7]构建了DEA 模型对OECD 国家的制造业碳排放效率进行了测算；Ramanathan[8]将碳排放量整合到经济系统中对碳排放效率进行较为全面地评价；Zhou 等[9]将松弛变量纳入对30 个OECD 国家的全要素碳排放效率中。在碳排放效率的静态研究中，由于DEA 模型无须对决策单元内部的生产关系预先判断得到了广泛使用，如使用BCC-DEA 模型[2]、SBM-DEA模型[10]、两阶段Super SBM模型[11]、超效率SBM模型[12]、三阶段DEA 模型[13]等。与碳排放效率的静态研究相比，动态研究的开展仍比较少，如Lin & Fei[14]、吴贤荣等[15]、王兆峰和杜瑶瑶[16]、欧国立和许畅然[17]、邵海琴和王兆峰[18]、李铭泓等[19]分别用Malmquist 模型对不同行业的碳排放效率进行了动态变化的测度。松弛变量对效率测度的改变在传统DEA 模型中无法体现，并且相对于传统DEA 模型只考虑了投入和产出的等比例缩短或增加，SBM 模型正好能够解决面临的这个难题。另外，在使用传统DEA 模型时无法将非期望的产出作为投入要素，就要使用距离函数法、数据转换函数法或曲线测度评价法，而使用SBM 模型则无须另作处理，且能够解决多个在生产前沿面决策单元效率为1 无法进行比较的问题。

基于此，本文将在全要素生产率框架下采用包含非期望产出的超效率SBM 模型和Malmquist 指数对2005—2019年长江经济带的物流业碳排放效率进行静态和动态分析，并利用探索性空间分析法探讨其空间演化特征，探索效率分析工具在物流业领域的适用性。

1 研究方法及数据说明

1.1 研究方法

1.1.1 碳排放量估算模型

《2006年IPCC 国家温室气体清单指南》中介绍的能源消费碳排放计算的方法包括以下三种：（1）分部门计算的一般方法，将不同行业和类型的消费以“自下而上”的形式统计；（2）分部门计算的优良方法，以实际测量的排放因子替换原有的排放因子进行计算；（3）能源表观消费量的参考方法，以“自上而下”的形式通过能源消费量的数据进行统计。本文参照多数学者[20-22]对碳排放量估算中基于能源表观消费量的方法，依据各个决策单元能源的消费量计算碳排放量，8 种能源的平均低位发热量、单位热值含碳量、碳氧化率和二氧化碳排放系数由表1所示，碳排放量的计算见式（1）。

表1 能源的平均低位发热量、单位热值含碳量、碳氧化率

1.1.2 带有非期望产出的超效率SBM模型

传统的DEA 模型存在无法区分最大效率值同为1的多个决策单元效率差异的缺陷。SBM 模型属于非角度、非径向的效率测度模型，虽然U-SBM 模型[23]考虑了非期望产出，但无法对等于1 的DMU 进行评价，仍属于标准效率模型；SE-SBM 模型实现了对超效率DMU 的评价，但却忽视了非期望产出[24]。因此，为了完成对碳排放效率更加准确的测度，本文使用的模型为包含非期望产出的超效率SBM 模型。假设物流业碳排放生产过程中有n个决策单元，每个决策单元包含m个生产投入要素、q1个期望产出要素和q2个非期望产出要素。本文中，n表示长江经济带11 个省份，投入要素为物流业固定资产、劳动力、能源消耗，期望产出为物流业增加值，非期望产出为物流业碳排放量，则测度物流业碳排放效率的非期望产出超效率SBM 模型为：

式中：ρ为测度的物流业碳排放效率；i、r、t分别代表投入、期望产出和非期望产出决策单元；为松弛变量；λj为权重向量。

1.1.3 Malmquist指数模型

DEA-Malmquist 指数方法通过t期到t+1 期效率的变化测算动态碳排放效率。将每个省份看作一个决策单元，（xt,yt）、（xt+1,yt+1）分别表示第t年、第t+1年的投入量和产出量，碳排放效率变化的Malmquist 指数可以表示为：

Färe 等[25]将Malmquist 指数分解为效率变化（Effch）和技术变化（Techch）。其中，技术变化是源于决策单元生产技术的变化；效率变化是源于决策单元可利用的技术能力。

其中，效率变化为规模报酬可变且要素随机处理条件下的相对效率变化指数，可将效率变化进一步分解为纯技术效率变化（Pech）和规模效率变化（Sech）。

1.1.4 莫兰指数

空间自相关主要用来检验某要素与其邻近要素属性值在不同空间单元上的显著程度，也可以用来衡量研究对象空间聚集程度和关联度。全局自相关分析主要是描述观测变量在整个区域内的空间集体集聚程度，其计算公式为：

式中：xi为省份i的观测值，n为省份总数，wij是空间矩阵；，表示方差；表示平均值。

局部自相关空间分析主要揭示区域之间的空间聚集程度，用来描述局部单元与邻近空间单元的自相关程度，其计算公式为：

1.2 指标选取与数据来源

纵观国内外产业分类体系，未有对物流业进行专门的数据统计，参考张立国[26]的研究方法，使用物流业年度增加值比重达到80%以上的交通运输、仓储和邮政业的行业数据表示长江经济带物流业的特征。本文选取了2005—2019年四川、重庆、贵州、云南、湖北、湖南、安徽、江西、江苏、浙江、上海11 个省份相关要素的面板数据，每1 个省份作为1 个独立的决策单元，由此作为研究长江经济带物流业碳排放效率的依据。

研究行业碳排放效率首先要选取合理有效的投入与产出指标，现有文献中，多以行业固定资产投资额、能源消费量和相关从业人员数等作为投入指标，以行业生产总值和温室气体排放量作为产出指标。具体来说，在投入指标方面：本文参考刘秉镰和李清彬[27]、邓学平等[28]的研究，选取物流业固定资产投资额作为资本投入，同时将固定资产投资额平减为2004年不变价格。除资本要素之外，选取物流业从业人员数作为劳动力投入，能源投入选取物流业主要消耗能源量表示。在产出指标方面：期望产出为平减为2004年价格不变的物流业增加值，将碳排放量作为非期望产出。本文数据均整理自《中国能源统计年鉴》和《中国统计年鉴》，具体指标的相关解释如表2所示。

表2 物流业碳排放效率指标体系

2 结果与分析

2.1 长江经济带物流业能源碳排放量评估

如图1所示，2005—2019年长江经济带11 个省份物流业的能源消费碳排放总量呈稳定增长的走向，从13 761.17 万吨增加到33 810.77 万吨，增长了20 049.6 万吨，增长率达到145.69%。样本期内，增长态势逐渐放缓，2005—2009年年平均增长率为7.11%，2010—2014年年平均增长率为4.40%，2015—2019年年平均增长率为4.09%。长江经济带三个区域的物流业碳排放量基本逐年增长（图1），只有在2013年，上游地区的碳排放量出现了下降，降幅为7.52%。下游地区碳排放量最高。样本期内，长江经济带下游、中游、上游碳排放量平均值分别为9 856.11 万吨、6 423.40 万吨和7 654.99 万吨。上游地区和中游地区的碳排放量在2012年前基本接近，之后逐渐拉开差距。上游地区、中游地区和下游地区样本期内年平均增长率相比较，上游地区增速最快，达7.13%，中游地区次之，为6.76%，下游地区增长最慢，仅为5.12%。

图1 2005—2019年长江经济带分区域物流业碳排放量

2.2 长江经济带物流业碳排放效率的时序特征分析

2.2.1 基于SBM模型的碳排放效率静态变化分析

根据包含非期望产出的超效率SBM 模型测算出2005—2019年长江经济带各省份的物流业碳排放效率值，测算结果如图2所示。

图2 2005—2009年、2010—2014年、2015—2019年长江经济带物流业碳排放效率均值

从整体上来看，2005—2019年长江经济带11 个省份物流业碳排放效率的波动较为平缓，均值为0.671，仍和生产前沿面有较大距离。其中，2010年的物流业碳排放效率达到最低，为0.531，2014年升至最高，为0.768；2005—2006年和2010—2014年总体呈上升的变化趋势，平均年增长率依次为1.31%和9.64%，其中2013—2014年增长率最高，达到17.61%，2006—2010年和2014—2019年呈总体下降的趋势，平均年增长率依次为-6.37%和-1.38%，2014—2019年碳排放效率的变化幅度相对较小。

从区域层面来看，物流业碳排放效率较高的省份较为集中地分布在长江经济带中下游地区，三个区域相比，下游地区碳排放效率最高，为0.899；中游地区次之，为0.708；上游地区最低，为0.463。上游地区和下游地区的物流业碳排放效率均呈现先波动上升后缓慢下降的趋势，而中游地区的物流业碳排放效率先在2011年降至最低值0.530 后缓慢上升至0.866。三个区域中，下游、中游和上游地区的年平均增长率依次为1.14%、0.22%和-0.66%。

从省域层面来看，样本期内长江经济带物流业碳排放效率最高的3 个省份分别为江苏（1.046）、江西（0.893）和浙江（0.888）。2005—2009年，物流业碳排放效率最高的3 个省份为安徽（1.027）、江苏（1.006）和浙江（0.902）；2010—2014年，物流业碳排放效率最高的3 个省份为江苏（1.166）、湖北（0.935）和安徽（0.827）；2015—2019年，物流业碳排放效率最高的3 个省份为安徽（1.055）、浙江（1.053）和江苏（1.041），可见，长江经济带物流业碳排放效率达到生产前沿面的省份逐步增加。2005—2009年、2010—2014年和2015—2019年三个阶段，长江经济带物流业碳排放效率最低的省份均为云南，其碳排放效率在2005—2017年一直稳定在(0.1,0.3)的范围，2018—2019年出现上升分别达到0.498 和0.495。这表明，长江经济带地区物流业的碳排放效率整体上有进步的趋势，但除江苏外的其他省份仍和生产前沿面有着较大的差距，说明长江经济带物流业节能减排的问题仍然需要进一步地监控和改善。

2.2.2 基于Malmquist模型的碳排放效率动态变化分析

由表3所示，从总体水平来看，2005—2019年长江经济带物流业碳排放效率平均提高了3.6%，纯技术效率、规模效率和技术进步变化分别提高了2.5%、1.9%和1.0%，表明长江经济带纯技术效率和规模效率不同程度的增强对物流业碳排放效率有积极作用。整体来看，样本期内碳排放效率呈现增减交替态势，2005—2015年，除了3 个年度有短暂提升外，主要呈现连续下降的趋势；在2015年后则呈现连续增长的走向，平均年增长率为24.58%，其中2015—2016年增长幅度达到最高值54.6%。技术进步效率与碳排放效率在样本期内变动情况基本一致，在2014年前波动下降后呈现持续提升的趋势，在2015—2016年间增长了57.6%，是碳排放效率提升的本质原因。2005—2019年纯技术效率和规模效率均呈增长的变化趋势，增长幅度分别为2.5%和1.9%，二者在样本期内的变化幅度都相对较小。

表3 分时段长江经济带物流业碳排放效率Malmquist指数及其分解

由表4所示，从区域角度来看，长江经济带上、中、下游地区的碳排放效率均呈现一定幅度的提升，分别为4.6%、2.1%和4.2%。相比较而言，经济相对落后的上游地区的碳排放效率增长最为明显。对于纯技术效率而言，中游、下游地区的提升幅度明显高于上游，说明中游、下游地区生产、管理方式的效率获得了提高。对于规模效率而言，上游、下游地区有更为明显的提升，分别提升了2.1%和3.8%，中游地区则只有0.3%的小幅度提升，说明上、下游地区的运营规模得到了较强力度的优化。而对于技术进步，上游、下游地区的提升幅度分别为1.5%和2.2%，中游地区则下降了0.4%，说明中游地区物流业的技术变化无法满足实际的生产活动。

表4 2005—2019年长江经济带分省份物流业碳排放效率变化

由表4所示，从省域角度来看，云南省物流业碳排放效率增长幅度最大，其增长率达到11.7%，其中纯技术效率增长了12.2%是主要原因，说明云南省可利用的技术能力得到了较大的提升。长江经济带实现物流业碳排放效率增长的共有9 个省份，其中实现纯技术效率、规模效率和技术进步三者共同增长的省份包括上海、浙江和安徽。湖南和四川两个省份的碳排放效率呈现负增长的趋势，分别降低了2.6%和0.3%。纯技术效率下降了2.2%是湖南碳排放效率降低的主要原因，而四川的碳排放效率降低主要是纯技术下降了1.2%和规模效率下降了1.2%导致的。从分解情况来看，长江经济带11个省份的技术进步变化指数只有江西小于1，说明长江经济带低碳物流业的生产技术发展处于良好的态势。

2.3 长江经济带物流业碳排放效率的空间格局分析

2.3.1 长江经济带物流业碳排放效率全局空间自相关分析

为了分析各省份之间物流业碳排放效率的相关性，以2005—2019年各省份物流业碳排放效率值为数据基础，通过GeoDa 软件得出Moran’s I 指数，计算结果见表5。Moran’s I 指数取值范围一般在-1～1 之间，指数绝对值体现了局域空间的集聚状态。由表5可知，样本期内，长江经济带整体碳排放效率水平表现出了较为显著的空间正相关性，整体上呈现波动后显著上升的格局。除2009年、2011年和2013年的Moran’s I 指数为负值外，且指数绝对值相对较小，负相关的特征不突出。2018年、2019年的Moran’s I 指数明显升高，其中，2018年的Moran’s I 指数达到样本期内的最高值，为0.659，说明在2018年，长江经济带地区间的正相关性最强。整体上来看，长江经济带地理邻近区域的物流业碳排放效率值呈相对集聚的现象，说明长江经济带物流业碳排放效率之间具有集聚性。

表5 2005—2019年长江经济带碳排放效率的全局Moran’s I指数

2.3.2 长江经济带物流业碳排放效率局部空间自相关分析

全局自相关分析主要是观察长江经济带地区物流业碳排放效率的整体聚集程度，为了进一步测算局部区域在邻近空间的聚集程度，本文采用局部空间自相关对2005年、2012年和2019年长江经济带物流业碳排放效率水平进行空间异质性分析。莫兰散点图可以判断各个城市之间物流业碳排放效率水平的空间相关程度，由四个象限组成，其中第一象限为物流业碳排放效率水平高—高（H-H 型）集聚地区，该地区与邻近地区的物流业碳排放效率均呈现较高的水平，空间内部的差异性相对较小；第二象限为物流业碳排放效率水平低—高（L-H 型）集聚地区，该地区本身呈现较低的物流业碳排放效率，但邻近地区则呈现较高的碳排放效率，空间内部的差异性相对较大；第三象限为物流业碳排放效率水平低—低（L-L 型）集聚地区，该地区不仅本身碳排放效率低，邻近地区碳排放效率也表现出较低水平，空间内部的差异性相对较小；第四象限为物流业碳排放效率水平高—低（H-L 型）集聚地区，该地区本身呈现较高的碳排放效率，但邻近地区却显现偏低的碳排放效率，空间内部的差异性相对较大。

由图3可知，2005—2019年长江经济带物流业碳排放效率的局域空间集聚状态发生了较为显著的变化。2005年分布在H-H 型、L-H 型、L-L型和H-L 型区域的省份个数分别为3 个、3 个、4 个和1 个，主要集中分布在第一、第二、第三象限；2012年分布在H-H 型、L-H 型、L-L 型和H-L 型区域的省份个数分别为2 个、3 个、3 个和3 个，较为均匀地分布在四个象限；2019年分布在H-H 型、L-H 型、L-L 型和H-L 型区域的省份个数分别为4 个、2 个、5 个和0 个，大部分省份分布在第一、第三象限。在样本期内，物流业碳排放效率呈H-H 型或L-L 型集聚形态的省份由7 个升至9 个，占比由63.6%增至81.8%；物流业碳排放效率呈H-L 型或L-H 型集聚的省份由4 个降至2 个，占比由36.4%降至18.2%。这说明在2005—2019年间物流业碳排放效率的空间同质性不断增强，异质性逐渐减弱，空间差异有进一步缩小的趋势。具体来看，江西和上海从2005年的L-H 型由于物流业碳排放效率的提升逐步成为2019年的H-H 型，江苏和湖南则由于物流业碳排放效率的降低分别从2005年的H-H 型和H-L 型变化为2019年的L-H 型和L-L 型。在样本期内，安徽和浙江稳定保持在H-H 型区域内，两个省份低碳物流业均有较高的发展水平，在区域内起到积极拉动的带头作用；湖北保持在L-H 型区域内，应优化自身物流业的运营规模，加强与安徽和江西的区域合作，进一步提升碳排放效率；贵州、云南、四川和重庆稳定保持在L-L 型区域内，应充分发展和使用可再生能源和清洁能源，尽快改进能源结构，依据自身发展需要适当引进先进技术和人才以提高碳排放效率。

图3 2005年、2012年和2019年长江经济带物流业碳排放效率局部莫兰散点图

3 结论与建议

本研究基于包含非期望产出的超效率SBM 模型与ML 指数，对2005—2019年长江经济带物流业碳排放效率及其分解进行了时序特征的分析，再利用莫兰指数对其进行空间特征的分析，主要结论如下：

（1）2005—2019年，长江经济带整体物流业碳排放量表现出增长率逐步放缓的上升趋势。碳排放效率总体波动平缓，均值为0.671，呈“上游＜中游＜下游”的局面，其中除江苏外，其他省份仍和生产前沿面有较大差距。

（2）样本期内，长江经济带物流业碳排放效率平均提高了3.6%，主要归功于纯技术效率的提高和规模效率的增长，上、中、下游地区的碳排放效率均呈现一定幅度的提升。云南物流业碳排放效率由于其可利用技术能力的明显进步而增长幅度最大，而湖南和四川因纯技术效率的下降呈现负增长的趋势。

（3）2005—2019年，长江经济带地理邻近区域物流业碳排放效率呈现由弱到强的正向空间关联格局，发展模式以L-L 型集聚为主，H-H 型集聚次之。局部空间集聚状态变化显著，异质性不断减弱，空间差异不断缩小。

根据以上研究结论，结合长江经济带低碳物流业的发展情况，提出以下建议：

（1）降低能源消耗，助推低碳物流产业深层次的转型升级。通过新型能源的应用从源头减少能源消耗带来的碳排放，包括增加生物燃料在物流业的使用范围、推广使用合成燃料和提高运输电气化程度。采用多式联运的举措，通过比如集装化运输等方式，降低物流需求的投入成本进一步提升物流效能，同时公铁联运、铁江联运能有效减少能源消耗和环境污染，进一步推进物流业节能降碳。

（2）引入低碳技术，通过市场化手段将科技成果转化到产业升级。拓宽新能源设备在物流行业的使用渠道，具体表现在提高以新能源车为代表的低能耗、低排放的新能源设备在物流配送、港口作业等领域的应用。将大数据、人工智能、货物跟踪定位等新兴技术应用在物流行业，通过智能仓储、共享运输、共享仓储等方式来提升碳排放效率，实现物流业低碳化发展。

（3）加强区域合作，实现长江经济带上、中、下游三大区域优势互补。长江经济带三大区域内物流企业应与实时物流需求紧密关联，在积极对接供应链运作和管理模式的基本条件下，同时优化企业流程、提升企业效率和创新企业模式，起到协同倍增的作用。下游地区可以充分发挥自身物流业高水平发展的优势，与云南、四川等中上游地区构建相应的产业协作和对口帮扶机制，推进长江经济带物流产业的低碳化发展。中游地区与长三角城市群相邻，应发挥“中心—外围”的空间优势，推动物流业产业协作，并将此视为经济发展和物流低碳化创新能力进一步提高的重要动力。