长江经济带物流业碳排放效率非均衡性及驱动因素分析

刘小兰，朱颖

（昆明理工大学 交通工程学院，云南 昆明 650500）

长江经济带横跨中国东中西三大区域，是国家重大战略发展区域，是具有全球影响力的内河经济带、东中西互动合作的协调发展带。长江经济带物流业能源消耗量和碳排放量分别从2004 年的5 666.35 万吨标准煤和114 万吨增加至2019 年的16 942.10 万吨标准煤和330.85 万吨，物流业以其高能耗、高排放的特点成为第三产业中的碳排放大户。在高质量发展背景下，物流业面临着巨大的节能减排压力，促进物流业绿色发展，已成为社会各界关注的重要问题。因此，把握长江经济带沿线11 省市的物流业碳排放效率、探究物流业碳排放效率空间非均衡性、分析物流业碳排放效率的驱动因素，可以针对性地为长江经济带提升物流业碳排放效率提供切实可行的政策建议，最终实现节本增效的目的。

随着高质量发展及“双碳”目标的提出，关于物流业碳排放效率的研究不断深入，主要集中在以下三个方面：第一，物流业碳排放效率的测度方法。最常用的方法有随机前沿函数分析法[1]和数据包络法[2]，包括DEAMalmquist 函数[3-4]、超效率DEA 模型[5]、三阶段DEA模型[6]、SBM 模型[7]等。第二，物流业碳排放效率的非均衡性分析。主要分析方法有直接指标测度[8-9]、变异系数[10-12]和Theil 指数[13]。第三，物流业碳排放效率的驱动因素分析。已有文献[14-16]主要围绕经济发展水平、基础设施建设水平、对外开放程度、科技水平、能源结构、物流业集聚水平等驱动因素进行了研究。

基于以上分析，目前关于物流业碳排放效率的研究尚有改进空间：（1）以往研究集中运用直接指标测度、变异系数和Theil 指数进行物流业效率差异测度，但是此类方法存在无法分析差异来源，忽略组内交叉重叠，不能识别组间差距对总体差距的贡献等问题，而Dagum 基尼系数在解决组内交叉重叠方面有显著优势，并且能进一步对区域差异及来源进行辨识；（2）针对驱动因素的研究注重单因子对物流业碳排放效率的影响研究，缺乏多因子共同作用对其贡献力的研究，而参数最优地理探测器能在识别对物流业碳排放效率贡献度较高的驱动因子的同时对双因子共同作用对其的贡献力进行探测。因此，本文以长江经济带为研究对象，基于SBM-undesirable 模型对物流业碳排放效率进行测度，运用Dagum 基尼系数对物流业碳排放效率非均衡性及其来源进行探究，并运用参数最优地理探测器探测物流业碳排放效率贡献度较高的驱动因子及双因子共同作用对其的贡献力。

1 研究方法与数据

1.1 研究方法

1.1.1 SBM-Undesirable模型

SBM-Undesirable 模型相比传统DEA 模型将非期望产出等负外部效益纳入模型，并对投入产出松弛性问题进行了优化。本文选择SBM-Undesirable 模型来测算物流业碳排放效率，其模型可以表达为：

式中：目标函数值ρ表示决策单元（DMU）的效率值，0 ≤ρ≤1；s-、sg、sb分别为投入要素xt、期望产出yg和非期望产出yb的松弛变量；λ为权重向量。若0≤ρ＜1，表示DMU 无效，存在效率损失；若ρ=1，且s-、sg、sb均为0 时，则表示DMU 有效。

1.1.2 Dagum基尼系数

基尼系数是用于度量收入不平等最为常用的指标，传统基尼系数只能反映变量总体不平等状况，无法说明总体差异来源于区域内还是区域间，Dagum 基尼系数可以将总体差异G分解为区域内差异贡献Gw、区域间差异贡献Gnb和反映地区样本间重叠引起的不平衡贡献Gt（又称“超变密度”），而且可以直观地观测上述三类差异贡献率的动态变化。本文选择使用Dagum 基尼系数及其分解来揭示物流业碳排放效率的区域差异变动方向和变动幅度。假设存在n个省市，可以划分为k个地区，Dagum 基尼系数及其分解形式如下。

总体基尼系数G计算公式为：

地区j的基尼系数Gjj计算公式为：

地区j与地区h之间的基尼系数Gjh计算公式为：

式（2）～（4）中：nj和nh分别为地区j和地区h所含观测单元个数，yji(yhr)表示地区j(h)内任意i(r)观测单元的物流业碳排放效率，为n(nj)个地区物流业碳排放效率均值。

进一步对总体差异G分解，可得地区内差异Gw计算公式为：

地区间差异Gnb计算公式为：

超变密度Gt计算公式为：

1.1.3 参数最优地理探测器

参数最优地理探测器（OPGD）[17]相比地理探测器（GeoDetector）[18]通过选择q值最高的参数组合（分级方式与间断数）进行最优空间离散化后进行因子探测及交互作用探测，对造成空间分异的驱动因子进行分析并识别不同驱动因子之间的交互作用。

（1）分异及因子探测。

式中：q值表示各驱动因子对物流业碳排放效率的解释力；h=1,2,…,L为物流业碳排放效率或驱动因子的分层；Nh和N分别为层h和全区的单元数；和σ2分别是层h和全区的物流业碳排放效率的方差；SSW和SST分别为层内方差之和和全区总方差。

（2）交互作用探测。

1.2 变量说明与数据来源

以长江经济带为研究对象，在考虑数据的可获取性，遵循数据可空间量化原则、主导性原则、因地制宜原则，参考以往研究的基础上，选取评价指标体系及驱动因素，见图1。研究数据主要来自国家统计局官网、各省市统计年鉴、CEADS 中国碳核算数据库、中国能源统计年鉴等。

图1 长江经济带物流业碳排放效率评价及驱动因素指标体系

2 长江经济带物流业碳排放效率评价及非均衡性分析

2.1 长江经济带物流业碳排放效率评价

运用SBM-Undesirable 模型，基于2004—2019 年长江经济带省级数据，对其物流业碳排放效率进行测算。

（1）为了更直观地揭示研究期内长江经济带的变化趋势，对物流业碳排放效率进行取均值及中位数，结果见图2。2004—2019 年长江经济带物流业碳排放效率均值和中位数总体呈现上升趋势，可以分为2004—2008年的“稳定调整”期和2009—2019 年的“持续改善”期。2004 年长江经济带各省市物流业碳排放效率均值和中位数分别为0.466和0.360，至2019年增加到0.543和0.382，说明物流业碳排放效率处于持续改善过程。

图2 2004—2019年长江经济带物流业碳排放效率均值和中位数

（2）为便于从区域视角比较分析物流业碳排放效率的动态变化，对长江经济带及其上中下游绘制物流业碳排放效率折线图，结果见图3。从长江经济带及其上中下游来看，物流业碳排放效率演变趋势整体保持一致，物流业碳排放效率均值由高到低排序依次为下游、长江经济带、中游、上游。其中，下游物流业碳排放效率始终处于0.7～0.8 之间，无较大波动；长江经济带、中游、上游物流业碳排放效率以2008 年为转折点，呈现2004—2007 年下降和2008—2019 年波动上升的趋势，且在2017 年中游物流业碳排放效率出现大幅提升。

（3）为了揭示不同区域内部各个省市物流业碳排放效率的差异，以2004—2019 年物流业碳排放效率均值，按照上中下游及物流业碳排放效率均值大小进行排序绘制柱状图，结果见图4。从单个省市来看，长江经济带不同省市之间物流业碳排放效率差异较为明显，且上中下游物流业碳排放效率之间表现出明显的梯度效应。2004—2019 年物流业碳排放效率均值上海最高，达到1.000，云南最低为0.267。就上中下游内部物流业碳排放效率均值最高和最低的省市来看，下游为上海和江苏，中游为江西和湖北，上游为四川和云南，差距分别为0.553、0.247、0.043，下游内部差异最为明显，其次是中游，最后是上游。

图4 2004—2019年长江经济带11省市物流业碳排放效率均值

2.2 长江经济带物流业碳排放效率非均衡性分析

2.2.1 非均衡性分析

为进一步量化长江经济带物流业碳排放效率总体及区域非均衡性，运用式（2）～（4）对长江经济带总体差异、上中下游各区域内差异、上中下游各区域间差异进行测算，结果见表1。

表1 长江经济带物流业碳排放效率Dagum基尼系数

（1）结合图5 可知，长江经济带物流业碳排放效率总体基尼系数呈现出：2004—2007 年快速上升，长江经济带物流业碳排放效率基尼系数由0.256 上升至研究期最大值0.341，上升了0.085，年均上升2.13%，说明长江经济带物流业碳排放效率非均衡性在增强；2008 年急剧下降，长江经济带物流业碳排放效率基尼系数由研究期最大值下降至最小值0.248，说明长江经济带物流业碳排放效率非均衡性减弱明显；2009—2012 年小幅上升，长江经济带物流业碳排放效率基尼系数由研究期最小值小幅上升至0.284，非均衡性有所增加；2013—2019 稳定波动，长江经济带物流业碳排放效率基尼系数在0.262和0.283 之间波动，说明长江经济带物流业碳排放效率非均衡性波动较为稳定。

（2）2004—2019 年，长江经济带上游、中游和下游物流业碳排放效率区域内差异均值分别为0.069、0.131和0.187，均小于长江经济带均值0.278，说明，长江经济带上游、中游和下游物流业碳排放效率的均衡发展程度都要优于长江经济带。结合图5，从区域内差异演变趋势来看，可以发现上游和中游物流业碳排放效率区域内差异波动较大，而下游演变较为平缓，上中下游整体表现为下降、上升和下降趋势。上游和下游物流业碳排放效率区域内差异分别从2004 年的0.087 和0.220 下降至2019 年的0.032 和0.168，下降幅度分别为63.23%和23.64%，可见长江经济带上游和下游物流业碳排放效率非均衡性均有改善，且上游改善效果更为明显；中游物流业碳排放效率区域内差异从2004 年的0.078 上升至2019 年的0.265，增长幅度高达239.74%，说明中游物流业碳排放效率非均衡性扩大显著。

（3）2004—2019 年，长江经济带上游与中游、上游与下游、中游与下游物流业碳排放效率区域间差异均值分别为0.206、0.439 和0.315，结合图6，从区域间差异演变趋势来看，上游与下游区域间差异尤其突出，其基尼系数趋势线在观测期内均高于另外两条，其次是中游与下游区域间差异，尽管在近两年其基尼系数值略低于上游与下游，但整体看仍然排在第二；最后是上游与中游区域间差异，需要注意的是2017 年上游与中游区域间差异超越了中游与下游区域间差异。上游与下游区域间差异变动趋势表现出缩小趋势，从2004 年的0.343下降至2019 年的0.265，而上游与中游区域间差异呈明显扩大趋势，从2004 年的0.096 上升至2019 年的0.304，中游与下游区域间差异稳定波动。

图6 长江经济带物流业碳排放效率上中下游区域间差异演变趋势

（4）不难看出，在进行非均衡性分析的过程中2008年和2017 年较为特殊。相较2007 年，2008 年长江经济带、上游物流业碳排放效率区域内差异降幅分别为27.27%、54.61%，上游与下游、中游与下游物流业碳排放效率区域间差异降幅分别为23.41%、40.25%。相较2016 年，2017 年中游物流业碳排放效率区域内差异增幅为110.17%，上游与中游物流业碳排放效率区域间差异增幅为53.24%。

2.2.2 非均衡性来源及贡献

为进一步明确非均衡性来源，运用式（5）～（7）将长江经济带物流业碳排放效率的总体差异分解为区域内差异、区域间差异及超变密度，并对其贡献占比进行测算，结果见表2。观测期内，长江经济带物流业碳排放效率地区内差异、地区间差异和超变密度贡献率均值分别为18.626%、5.941%和75.433%。不难看出，长江经济带物流业碳排放效率非均衡性的贡献主要来自超变密度，其次是地区内差异，最后是地区间差异，后两者之和不及总体差异来源的30%，对总体差异的贡献较小。从三类差异来源的演变趋势来看，地区内差异有一定幅度波动；地区间差异波动最为平缓；超变密度波动最为显著，表现为总体差异中来自于不同区域间交叉重叠的贡献率为2004—2007 年增加，2008年骤降，2008—2012 年小幅增加，2013—2019 年平稳波动。

3 长江经济带物流业碳排放效率驱动因素分析

3.1 最优离散化处理

本文选择等间距（equal）、自然断点（natural）、分位数（quantile）、几何间距（geometric）四种方法，将连续型驱动因子分为3～10 级，运用R 语言对连续型驱动因子进行最优离散化处理，得到最优离散化方法及最优分级数，以使q值最大，结果如表3 所示。

表3 驱动因素最优离散化方法及最优分级数

以经济发展水平（x1）为例，说明将经济发展水平运用等间距法分为9 类时，经济发展水平对长江经济带物流业碳排放效率解释力最大。

3.2 因子探测

采用参数最优地理探测器的分异及因子探测器识别单个驱动因子对长江经济带物流业碳排放效率的解释力，结果见表4。长江经济带物流业碳排放效率驱动因子解释力大小依次为：物流运输强度（0.695）＞运输结构（0.496）＞对外开放水平（0.434）＞物流业集聚水平（0.418）＞能源结构（0.410）＞基础设施建设水平（0.344）＞科技水平（0.310）＞经济发展水平（0.173）＞政府物流调控（0.168），其中，经济发展水平影响不显著（P=0.503），其余驱动因子显著性均达到显著水平（P≤0.001）。即物流运输强度、运输结构、对外开放水平、物流业集聚水平和能源结构对长江经济带物流业碳排放效率解释力强，基础设施建设水平、科技水平、经济发展水平和政府物流调控解释力相对较弱，这表明长江经济带原有的运输强度、运输结构、对外开放水平、物流业集聚水平和能源结构等对物流业碳排放效率有深刻影响。

表4 各驱动因子分异及因子探测结果

3.3 交互作用探测

采用参数最优地理探测器的交互作用探测器识别两个驱动因子共同作用对长江经济带物流业碳排放效率的解释力，结果见表5。总体而言，长江经济带物流业碳排放效率差异性是各驱动因子综合作用的结果。长江经济带物流业碳排放效率驱动因子除去经济发展水平与物流业集聚水平共同作用时为单因子非线性减弱外，其余驱动因子两两之间均为增强关系。在36 对驱动因子中有2 对交互解释力超过0.9，有30 对交互解释力在0.5 和0.9 之间，有4 对交互解释力小于0.5。其中，对外开放水平和物流运输强度、基础设施建设水平和运输结构两对驱动因子交互解释力高达0.929、0.917，说明这两对驱动因子极强地解释了长江经济带物流业碳排放效率空间分异程度。

表5 长江经济带物流业碳排放效率驱动因子交互作用

4 结论及政策建议

4.1 研究结论

运用SBM-undesirable 模型和Dagum 基尼系数分析2004—2019 年长江经济带物流业碳排放效率及其非均衡性特征，通过参数最优地理探测器分析影响物流业碳排放效率空间分异的驱动因素，不难发现：

（1）从长江经济带及上中下游来看，物流业碳排放效率演变趋势整体保持一致，物流业碳排放效率均值由高到低排序依次为下游、长江经济带、中游、上游；从单个省市来看，长江经济带不同省市之间物流业碳排放效率差异较为明显，且上中下游物流业碳排放效率之间表现出明显的梯度效应；长江经济带物流业碳排放效率处于持续改善过程。

（2）从区域内差异来看，长江经济带上游、中游和下游物流业碳排放效率的均衡发展程度都要优于长江经济带；从区域间差异来看，上游与下游区域间差异尤其突出，其次是中游与下游，最后是上游与中游；从非均衡性贡献度来看，长江经济带物流业碳排放效率非均衡性的贡献主要来自超变密度，其次是地区内差异，最后是地区间差异。

（3）长江经济带物流业碳排放效率空间分异是物流运输强度、运输结构、对外开放水平、物流业集聚水平、能源结构、基础设施建设水平、科技水平、经济发展水平、政府物流调控等多个驱动因子共同作用的结果。因此，需要注重驱动因子交互作用对长江经济带物流业碳排放效率的驱动效应，构建多因子组合式策略来提升长江经济带物流业碳排放效率。

4.2 政策建议

基于以上结论，对提升长江经济带物流业碳排放效率提出以下建议。

（1）缩小长江经济带物流业碳排放效率超变密度贡献率。应降低总体差异中来自不同区域间交叉重叠的贡献率，与此同时注重区域内及区域间差异的缩小，使得长江经济带物流业碳排放效率均衡性发展。

（2）利用各驱动因子间的协同驱动效应。应综合考虑物流运输强度、运输结构、对外开放水平、物流业集聚水平、能源结构、基础设施建设水平、科技水平、经济发展水平、政府物流调控等因素对长江经济带物流业碳排放效率的协同驱动效应，不能以偏概全。

（3）因地制宜地采取差异化政策。应加大对低于长江经济带物流业碳排放效率平均水平省市的支持，根据各个省市的实际情况制定相应的政策，从人力、财力、物力及能源上进行不同的重点投入，对路网、信息网、物流节点等进行科学规划，进而达到提升长江经济带物流业碳排放效率的效果。