林秀群，李嘉新，李陽(yáng)，唐向陽(yáng)

（1.昆明理工大學(xué) 管理與經(jīng)濟(jì)學(xué)院，云南 昆明 650093；2.云南昆船環(huán)保技術(shù)有限公司，云南 昆明 650051）

作為我國(guó)經(jīng)濟(jì)增長(zhǎng)極之一的長(zhǎng)江經(jīng)濟(jì)帶，有著區(qū)域廣闊、人口眾多和經(jīng)濟(jì)體量大的顯著特點(diǎn)，其已成為我國(guó)覆蓋面廣、功能豐富、集聚輻射能力較強(qiáng)的重要區(qū)域。長(zhǎng)江經(jīng)濟(jì)帶覆蓋了9 省2 市，其上游、中游和下游橫跨我國(guó)東中西部三大板塊，對(duì)我國(guó)區(qū)域發(fā)展規(guī)劃起著至關(guān)重要的戰(zhàn)略拉動(dòng)作用[1]。而物流產(chǎn)業(yè)作為區(qū)域經(jīng)濟(jì)發(fā)展的優(yōu)勢(shì)黃金產(chǎn)業(yè)，是長(zhǎng)江經(jīng)濟(jì)帶當(dāng)前朝著高質(zhì)量發(fā)展目標(biāo)前進(jìn)的主要保障之一。長(zhǎng)江經(jīng)濟(jì)帶物流業(yè)能源消費(fèi)強(qiáng)度在行業(yè)中持續(xù)處于較高水平，油品消費(fèi)量更是居行業(yè)首位，碳排放量也是行業(yè)中增長(zhǎng)速度最快的[2]。2005—2019年，長(zhǎng)江經(jīng)濟(jì)帶物流業(yè)能源消耗量由6 660.16 萬(wàn)噸標(biāo)準(zhǔn)煤上升到23 311.42 萬(wàn)噸標(biāo)準(zhǔn)煤，增長(zhǎng)了250.01%。2019年，長(zhǎng)江經(jīng)濟(jì)帶物流業(yè)碳排放量為33 810.77 萬(wàn)噸，相比2015年的13 761.17 萬(wàn)噸增長(zhǎng)了20 049.6 萬(wàn)噸，增速達(dá)145.70%。自2003年以來(lái)，相比較于我國(guó)五大行業(yè)，物流業(yè)是其中唯一碳強(qiáng)度升高的部門(mén)，且表現(xiàn)出穩(wěn)定增長(zhǎng)的趨勢(shì)[3]?！笆奈濉敝刑岢鲐瀼亍?030年氣候變化國(guó)家自主貢獻(xiàn)目標(biāo)”，將清潔能源高效利用在工業(yè)等領(lǐng)域，實(shí)現(xiàn)能源結(jié)構(gòu)調(diào)整。習(xí)近平主席在2020年9月和12月兩次提出并明確中國(guó)要在2030年前實(shí)現(xiàn)“碳達(dá)峰”，2060年實(shí)現(xiàn)“碳中和”。由此可見(jiàn)，作為以化石燃料為主的碳排放重點(diǎn)行業(yè)，物流業(yè)要想實(shí)現(xiàn)2030年的達(dá)峰目標(biāo)，需要在明確行業(yè)碳排放總量目標(biāo)的基礎(chǔ)上，建立碳排放效率提升的目標(biāo)。因此，對(duì)長(zhǎng)江經(jīng)濟(jì)帶物流業(yè)碳排放效率進(jìn)行測(cè)算，并分析其時(shí)序特征和空間特征，對(duì)于綠色長(zhǎng)江經(jīng)濟(jì)帶的實(shí)現(xiàn)具有一定的指導(dǎo)意義。

關(guān)于碳排放效率方面的研究，學(xué)者們從碳排放效率的理論探討到如何有效提升碳排放效率展開(kāi)了多維度的研究。碳排放效率是在生產(chǎn)率的大框架下，對(duì)碳排放進(jìn)行闡述的指標(biāo)。學(xué)術(shù)界關(guān)于碳排放效率的定義主要是以能源效率為依據(jù)，主要分為兩種，一種是采用單個(gè)要素的指標(biāo)來(lái)對(duì)碳排放效率進(jìn)行評(píng)價(jià)，如Kaya & Yokobori[4]提出的碳生產(chǎn)率概念，Mielnik & Goldemberg[5]提出的碳指數(shù)概念，Jobert 等[6]提出的碳強(qiáng)度概念等。另外一種是學(xué)者們開(kāi)始從全要素的角度來(lái)對(duì)碳排放效率展開(kāi)測(cè)度。如Zofio & Proeto[7]構(gòu)建了DEA 模型對(duì)OECD 國(guó)家的制造業(yè)碳排放效率進(jìn)行了測(cè)算；Ramanathan[8]將碳排放量整合到經(jīng)濟(jì)系統(tǒng)中對(duì)碳排放效率進(jìn)行較為全面地評(píng)價(jià)；Zhou 等[9]將松弛變量納入對(duì)30 個(gè)OECD 國(guó)家的全要素碳排放效率中。在碳排放效率的靜態(tài)研究中，由于DEA 模型無(wú)須對(duì)決策單元內(nèi)部的生產(chǎn)關(guān)系預(yù)先判斷得到了廣泛使用，如使用BCC-DEA 模型[2]、SBM-DEA模型[10]、兩階段Super SBM模型[11]、超效率SBM模型[12]、三階段DEA 模型[13]等。與碳排放效率的靜態(tài)研究相比，動(dòng)態(tài)研究的開(kāi)展仍比較少，如Lin & Fei[14]、吳賢榮等[15]、王兆峰和杜瑤瑤[16]、歐國(guó)立和許暢然[17]、邵海琴和王兆峰[18]、李銘泓等[19]分別用Malmquist 模型對(duì)不同行業(yè)的碳排放效率進(jìn)行了動(dòng)態(tài)變化的測(cè)度。松弛變量對(duì)效率測(cè)度的改變?cè)趥鹘y(tǒng)DEA 模型中無(wú)法體現(xiàn)，并且相對(duì)于傳統(tǒng)DEA 模型只考慮了投入和產(chǎn)出的等比例縮短或增加，SBM 模型正好能夠解決面臨的這個(gè)難題。另外，在使用傳統(tǒng)DEA 模型時(shí)無(wú)法將非期望的產(chǎn)出作為投入要素，就要使用距離函數(shù)法、數(shù)據(jù)轉(zhuǎn)換函數(shù)法或曲線(xiàn)測(cè)度評(píng)價(jià)法，而使用SBM 模型則無(wú)須另作處理，且能夠解決多個(gè)在生產(chǎn)前沿面決策單元效率為1 無(wú)法進(jìn)行比較的問(wèn)題。

基于此，本文將在全要素生產(chǎn)率框架下采用包含非期望產(chǎn)出的超效率SBM 模型和Malmquist 指數(shù)對(duì)2005—2019年長(zhǎng)江經(jīng)濟(jì)帶的物流業(yè)碳排放效率進(jìn)行靜態(tài)和動(dòng)態(tài)分析，并利用探索性空間分析法探討其空間演化特征，探索效率分析工具在物流業(yè)領(lǐng)域的適用性。

1 研究方法及數(shù)據(jù)說(shuō)明

1.1 研究方法

1.1.1 碳排放量估算模型

《2006年IPCC 國(guó)家溫室氣體清單指南》中介紹的能源消費(fèi)碳排放計(jì)算的方法包括以下三種：（1）分部門(mén)計(jì)算的一般方法，將不同行業(yè)和類(lèi)型的消費(fèi)以“自下而上”的形式統(tǒng)計(jì)；（2）分部門(mén)計(jì)算的優(yōu)良方法，以實(shí)際測(cè)量的排放因子替換原有的排放因子進(jìn)行計(jì)算；（3）能源表觀消費(fèi)量的參考方法，以“自上而下”的形式通過(guò)能源消費(fèi)量的數(shù)據(jù)進(jìn)行統(tǒng)計(jì)。本文參照多數(shù)學(xué)者[20-22]對(duì)碳排放量估算中基于能源表觀消費(fèi)量的方法，依據(jù)各個(gè)決策單元能源的消費(fèi)量計(jì)算碳排放量，8 種能源的平均低位發(fā)熱量、單位熱值含碳量、碳氧化率和二氧化碳排放系數(shù)由表1所示，碳排放量的計(jì)算見(jiàn)式（1）。

表1 能源的平均低位發(fā)熱量、單位熱值含碳量、碳氧化率

1.1.2 帶有非期望產(chǎn)出的超效率SBM模型

傳統(tǒng)的DEA 模型存在無(wú)法區(qū)分最大效率值同為1的多個(gè)決策單元效率差異的缺陷。SBM 模型屬于非角度、非徑向的效率測(cè)度模型，雖然U-SBM 模型[23]考慮了非期望產(chǎn)出，但無(wú)法對(duì)等于1 的DMU 進(jìn)行評(píng)價(jià)，仍屬于標(biāo)準(zhǔn)效率模型；SE-SBM 模型實(shí)現(xiàn)了對(duì)超效率DMU 的評(píng)價(jià)，但卻忽視了非期望產(chǎn)出[24]。因此，為了完成對(duì)碳排放效率更加準(zhǔn)確的測(cè)度，本文使用的模型為包含非期望產(chǎn)出的超效率SBM 模型。假設(shè)物流業(yè)碳排放生產(chǎn)過(guò)程中有n個(gè)決策單元，每個(gè)決策單元包含m個(gè)生產(chǎn)投入要素、q1個(gè)期望產(chǎn)出要素和q2個(gè)非期望產(chǎn)出要素。本文中，n表示長(zhǎng)江經(jīng)濟(jì)帶11 個(gè)省份，投入要素為物流業(yè)固定資產(chǎn)、勞動(dòng)力、能源消耗，期望產(chǎn)出為物流業(yè)增加值，非期望產(chǎn)出為物流業(yè)碳排放量，則測(cè)度物流業(yè)碳排放效率的非期望產(chǎn)出超效率SBM 模型為：

式中：ρ為測(cè)度的物流業(yè)碳排放效率；i、r、t分別代表投入、期望產(chǎn)出和非期望產(chǎn)出決策單元；為松弛變量；λj為權(quán)重向量。

1.1.3 Malmquist指數(shù)模型

DEA-Malmquist 指數(shù)方法通過(guò)t期到t+1 期效率的變化測(cè)算動(dòng)態(tài)碳排放效率。將每個(gè)省份看作一個(gè)決策單元，（xt,yt）、（xt+1,yt+1）分別表示第t年、第t+1年的投入量和產(chǎn)出量，碳排放效率變化的Malmquist 指數(shù)可以表示為：

F?re 等[25]將Malmquist 指數(shù)分解為效率變化（Effch）和技術(shù)變化（Techch）。其中，技術(shù)變化是源于決策單元生產(chǎn)技術(shù)的變化；效率變化是源于決策單元可利用的技術(shù)能力。

其中，效率變化為規(guī)模報(bào)酬可變且要素隨機(jī)處理?xiàng)l件下的相對(duì)效率變化指數(shù)，可將效率變化進(jìn)一步分解為純技術(shù)效率變化（Pech）和規(guī)模效率變化（Sech）。

1.1.4 莫蘭指數(shù)

空間自相關(guān)主要用來(lái)檢驗(yàn)?zāi)骋嘏c其鄰近要素屬性值在不同空間單元上的顯著程度，也可以用來(lái)衡量研究對(duì)象空間聚集程度和關(guān)聯(lián)度。全局自相關(guān)分析主要是描述觀測(cè)變量在整個(gè)區(qū)域內(nèi)的空間集體集聚程度，其計(jì)算公式為：

式中：xi為省份i的觀測(cè)值，n為省份總數(shù)，wij是空間矩陣；，表示方差；表示平均值。

局部自相關(guān)空間分析主要揭示區(qū)域之間的空間聚集程度，用來(lái)描述局部單元與鄰近空間單元的自相關(guān)程度，其計(jì)算公式為：

1.2 指標(biāo)選取與數(shù)據(jù)來(lái)源

縱觀國(guó)內(nèi)外產(chǎn)業(yè)分類(lèi)體系，未有對(duì)物流業(yè)進(jìn)行專(zhuān)門(mén)的數(shù)據(jù)統(tǒng)計(jì)，參考張立國(guó)[26]的研究方法，使用物流業(yè)年度增加值比重達(dá)到80%以上的交通運(yùn)輸、倉(cāng)儲(chǔ)和郵政業(yè)的行業(yè)數(shù)據(jù)表示長(zhǎng)江經(jīng)濟(jì)帶物流業(yè)的特征。本文選取了2005—2019年四川、重慶、貴州、云南、湖北、湖南、安徽、江西、江蘇、浙江、上海11 個(gè)省份相關(guān)要素的面板數(shù)據(jù)，每1 個(gè)省份作為1 個(gè)獨(dú)立的決策單元，由此作為研究長(zhǎng)江經(jīng)濟(jì)帶物流業(yè)碳排放效率的依據(jù)。

研究行業(yè)碳排放效率首先要選取合理有效的投入與產(chǎn)出指標(biāo)，現(xiàn)有文獻(xiàn)中，多以行業(yè)固定資產(chǎn)投資額、能源消費(fèi)量和相關(guān)從業(yè)人員數(shù)等作為投入指標(biāo)，以行業(yè)生產(chǎn)總值和溫室氣體排放量作為產(chǎn)出指標(biāo)。具體來(lái)說(shuō)，在投入指標(biāo)方面：本文參考劉秉鐮和李清彬[27]、鄧學(xué)平等[28]的研究，選取物流業(yè)固定資產(chǎn)投資額作為資本投入，同時(shí)將固定資產(chǎn)投資額平減為2004年不變價(jià)格。除資本要素之外，選取物流業(yè)從業(yè)人員數(shù)作為勞動(dòng)力投入，能源投入選取物流業(yè)主要消耗能源量表示。在產(chǎn)出指標(biāo)方面：期望產(chǎn)出為平減為2004年價(jià)格不變的物流業(yè)增加值，將碳排放量作為非期望產(chǎn)出。本文數(shù)據(jù)均整理自《中國(guó)能源統(tǒng)計(jì)年鑒》和《中國(guó)統(tǒng)計(jì)年鑒》，具體指標(biāo)的相關(guān)解釋如表2所示。

表2 物流業(yè)碳排放效率指標(biāo)體系

2 結(jié)果與分析

2.1 長(zhǎng)江經(jīng)濟(jì)帶物流業(yè)能源碳排放量評(píng)估

如圖1所示，2005—2019年長(zhǎng)江經(jīng)濟(jì)帶11 個(gè)省份物流業(yè)的能源消費(fèi)碳排放總量呈穩(wěn)定增長(zhǎng)的走向，從13 761.17 萬(wàn)噸增加到33 810.77 萬(wàn)噸，增長(zhǎng)了20 049.6 萬(wàn)噸，增長(zhǎng)率達(dá)到145.69%。樣本期內(nèi)，增長(zhǎng)態(tài)勢(shì)逐漸放緩，2005—2009年年平均增長(zhǎng)率為7.11%，2010—2014年年平均增長(zhǎng)率為4.40%，2015—2019年年平均增長(zhǎng)率為4.09%。長(zhǎng)江經(jīng)濟(jì)帶三個(gè)區(qū)域的物流業(yè)碳排放量基本逐年增長(zhǎng)（圖1），只有在2013年，上游地區(qū)的碳排放量出現(xiàn)了下降，降幅為7.52%。下游地區(qū)碳排放量最高。樣本期內(nèi)，長(zhǎng)江經(jīng)濟(jì)帶下游、中游、上游碳排放量平均值分別為9 856.11 萬(wàn)噸、6 423.40 萬(wàn)噸和7 654.99 萬(wàn)噸。上游地區(qū)和中游地區(qū)的碳排放量在2012年前基本接近，之后逐漸拉開(kāi)差距。上游地區(qū)、中游地區(qū)和下游地區(qū)樣本期內(nèi)年平均增長(zhǎng)率相比較，上游地區(qū)增速最快，達(dá)7.13%，中游地區(qū)次之，為6.76%，下游地區(qū)增長(zhǎng)最慢，僅為5.12%。

圖1 2005—2019年長(zhǎng)江經(jīng)濟(jì)帶分區(qū)域物流業(yè)碳排放量

2.2 長(zhǎng)江經(jīng)濟(jì)帶物流業(yè)碳排放效率的時(shí)序特征分析

2.2.1 基于SBM模型的碳排放效率靜態(tài)變化分析

根據(jù)包含非期望產(chǎn)出的超效率SBM 模型測(cè)算出2005—2019年長(zhǎng)江經(jīng)濟(jì)帶各省份的物流業(yè)碳排放效率值，測(cè)算結(jié)果如圖2所示。

圖2 2005—2009年、2010—2014年、2015—2019年長(zhǎng)江經(jīng)濟(jì)帶物流業(yè)碳排放效率均值

從整體上來(lái)看，2005—2019年長(zhǎng)江經(jīng)濟(jì)帶11 個(gè)省份物流業(yè)碳排放效率的波動(dòng)較為平緩，均值為0.671，仍和生產(chǎn)前沿面有較大距離。其中，2010年的物流業(yè)碳排放效率達(dá)到最低，為0.531，2014年升至最高，為0.768；2005—2006年和2010—2014年總體呈上升的變化趨勢(shì)，平均年增長(zhǎng)率依次為1.31%和9.64%，其中2013—2014年增長(zhǎng)率最高，達(dá)到17.61%，2006—2010年和2014—2019年呈總體下降的趨勢(shì)，平均年增長(zhǎng)率依次為-6.37%和-1.38%，2014—2019年碳排放效率的變化幅度相對(duì)較小。

從區(qū)域?qū)用鎭?lái)看，物流業(yè)碳排放效率較高的省份較為集中地分布在長(zhǎng)江經(jīng)濟(jì)帶中下游地區(qū)，三個(gè)區(qū)域相比，下游地區(qū)碳排放效率最高，為0.899；中游地區(qū)次之，為0.708；上游地區(qū)最低，為0.463。上游地區(qū)和下游地區(qū)的物流業(yè)碳排放效率均呈現(xiàn)先波動(dòng)上升后緩慢下降的趨勢(shì)，而中游地區(qū)的物流業(yè)碳排放效率先在2011年降至最低值0.530 后緩慢上升至0.866。三個(gè)區(qū)域中，下游、中游和上游地區(qū)的年平均增長(zhǎng)率依次為1.14%、0.22%和-0.66%。

從省域?qū)用鎭?lái)看，樣本期內(nèi)長(zhǎng)江經(jīng)濟(jì)帶物流業(yè)碳排放效率最高的3 個(gè)省份分別為江蘇（1.046）、江西（0.893）和浙江（0.888）。2005—2009年，物流業(yè)碳排放效率最高的3 個(gè)省份為安徽（1.027）、江蘇（1.006）和浙江（0.902）；2010—2014年，物流業(yè)碳排放效率最高的3 個(gè)省份為江蘇（1.166）、湖北（0.935）和安徽（0.827）；2015—2019年，物流業(yè)碳排放效率最高的3 個(gè)省份為安徽（1.055）、浙江（1.053）和江蘇（1.041），可見(jiàn)，長(zhǎng)江經(jīng)濟(jì)帶物流業(yè)碳排放效率達(dá)到生產(chǎn)前沿面的省份逐步增加。2005—2009年、2010—2014年和2015—2019年三個(gè)階段，長(zhǎng)江經(jīng)濟(jì)帶物流業(yè)碳排放效率最低的省份均為云南，其碳排放效率在2005—2017年一直穩(wěn)定在(0.1,0.3)的范圍，2018—2019年出現(xiàn)上升分別達(dá)到0.498 和0.495。這表明，長(zhǎng)江經(jīng)濟(jì)帶地區(qū)物流業(yè)的碳排放效率整體上有進(jìn)步的趨勢(shì)，但除江蘇外的其他省份仍和生產(chǎn)前沿面有著較大的差距，說(shuō)明長(zhǎng)江經(jīng)濟(jì)帶物流業(yè)節(jié)能減排的問(wèn)題仍然需要進(jìn)一步地監(jiān)控和改善。

2.2.2 基于Malmquist模型的碳排放效率動(dòng)態(tài)變化分析

由表3所示，從總體水平來(lái)看，2005—2019年長(zhǎng)江經(jīng)濟(jì)帶物流業(yè)碳排放效率平均提高了3.6%，純技術(shù)效率、規(guī)模效率和技術(shù)進(jìn)步變化分別提高了2.5%、1.9%和1.0%，表明長(zhǎng)江經(jīng)濟(jì)帶純技術(shù)效率和規(guī)模效率不同程度的增強(qiáng)對(duì)物流業(yè)碳排放效率有積極作用。整體來(lái)看，樣本期內(nèi)碳排放效率呈現(xiàn)增減交替態(tài)勢(shì)，2005—2015年，除了3 個(gè)年度有短暫提升外，主要呈現(xiàn)連續(xù)下降的趨勢(shì)；在2015年后則呈現(xiàn)連續(xù)增長(zhǎng)的走向，平均年增長(zhǎng)率為24.58%，其中2015—2016年增長(zhǎng)幅度達(dá)到最高值54.6%。技術(shù)進(jìn)步效率與碳排放效率在樣本期內(nèi)變動(dòng)情況基本一致，在2014年前波動(dòng)下降后呈現(xiàn)持續(xù)提升的趨勢(shì)，在2015—2016年間增長(zhǎng)了57.6%，是碳排放效率提升的本質(zhì)原因。2005—2019年純技術(shù)效率和規(guī)模效率均呈增長(zhǎng)的變化趨勢(shì)，增長(zhǎng)幅度分別為2.5%和1.9%，二者在樣本期內(nèi)的變化幅度都相對(duì)較小。

表3 分時(shí)段長(zhǎng)江經(jīng)濟(jì)帶物流業(yè)碳排放效率Malmquist指數(shù)及其分解

由表4所示，從區(qū)域角度來(lái)看，長(zhǎng)江經(jīng)濟(jì)帶上、中、下游地區(qū)的碳排放效率均呈現(xiàn)一定幅度的提升，分別為4.6%、2.1%和4.2%。相比較而言，經(jīng)濟(jì)相對(duì)落后的上游地區(qū)的碳排放效率增長(zhǎng)最為明顯。對(duì)于純技術(shù)效率而言，中游、下游地區(qū)的提升幅度明顯高于上游，說(shuō)明中游、下游地區(qū)生產(chǎn)、管理方式的效率獲得了提高。對(duì)于規(guī)模效率而言，上游、下游地區(qū)有更為明顯的提升，分別提升了2.1%和3.8%，中游地區(qū)則只有0.3%的小幅度提升，說(shuō)明上、下游地區(qū)的運(yùn)營(yíng)規(guī)模得到了較強(qiáng)力度的優(yōu)化。而對(duì)于技術(shù)進(jìn)步，上游、下游地區(qū)的提升幅度分別為1.5%和2.2%，中游地區(qū)則下降了0.4%，說(shuō)明中游地區(qū)物流業(yè)的技術(shù)變化無(wú)法滿(mǎn)足實(shí)際的生產(chǎn)活動(dòng)。

表4 2005—2019年長(zhǎng)江經(jīng)濟(jì)帶分省份物流業(yè)碳排放效率變化

由表4所示，從省域角度來(lái)看，云南省物流業(yè)碳排放效率增長(zhǎng)幅度最大，其增長(zhǎng)率達(dá)到11.7%，其中純技術(shù)效率增長(zhǎng)了12.2%是主要原因，說(shuō)明云南省可利用的技術(shù)能力得到了較大的提升。長(zhǎng)江經(jīng)濟(jì)帶實(shí)現(xiàn)物流業(yè)碳排放效率增長(zhǎng)的共有9 個(gè)省份，其中實(shí)現(xiàn)純技術(shù)效率、規(guī)模效率和技術(shù)進(jìn)步三者共同增長(zhǎng)的省份包括上海、浙江和安徽。湖南和四川兩個(gè)省份的碳排放效率呈現(xiàn)負(fù)增長(zhǎng)的趨勢(shì)，分別降低了2.6%和0.3%。純技術(shù)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純技術(shù)下降了1.2%和規(guī)模效率下降了1.2%導(dǎo)致的。從分解情況來(lái)看，長(zhǎng)江經(jīng)濟(jì)帶11個(gè)省份的技術(shù)進(jìn)步變化指數(shù)只有江西小于1，說(shuō)明長(zhǎng)江經(jīng)濟(jì)帶低碳物流業(yè)的生產(chǎn)技術(shù)發(fā)展處于良好的態(tài)勢(shì)。

2.3 長(zhǎng)江經(jīng)濟(jì)帶物流業(yè)碳排放效率的空間格局分析

2.3.1 長(zhǎng)江經(jīng)濟(jì)帶物流業(yè)碳排放效率全局空間自相關(guān)分析

為了分析各省份之間物流業(yè)碳排放效率的相關(guān)性，以2005—2019年各省份物流業(yè)碳排放效率值為數(shù)據(jù)基礎(chǔ)，通過(guò)GeoDa 軟件得出Moran’s I 指數(shù)，計(jì)算結(jié)果見(jiàn)表5。Moran’s I 指數(shù)取值范圍一般在-1～1 之間，指數(shù)絕對(duì)值體現(xiàn)了局域空間的集聚狀態(tài)。由表5可知，樣本期內(nèi)，長(zhǎng)江經(jīng)濟(jì)帶整體碳排放效率水平表現(xiàn)出了較為顯著的空間正相關(guān)性，整體上呈現(xiàn)波動(dòng)后顯著上升的格局。除2009年、2011年和2013年的Moran’s I 指數(shù)為負(fù)值外，且指數(shù)絕對(duì)值相對(duì)較小，負(fù)相關(guān)的特征不突出。2018年、2019年的Moran’s I 指數(shù)明顯升高，其中，2018年的Moran’s I 指數(shù)達(dá)到樣本期內(nèi)的最高值，為0.659，說(shuō)明在2018年，長(zhǎng)江經(jīng)濟(jì)帶地區(qū)間的正相關(guān)性最強(qiáng)。整體上來(lái)看，長(zhǎng)江經(jīng)濟(jì)帶地理鄰近區(qū)域的物流業(yè)碳排放效率值呈相對(duì)集聚的現(xiàn)象，說(shuō)明長(zhǎng)江經(jīng)濟(jì)帶物流業(yè)碳排放效率之間具有集聚性。

表5 2005—2019年長(zhǎng)江經(jīng)濟(jì)帶碳排放效率的全局Moran’s I指數(shù)

2.3.2 長(zhǎng)江經(jīng)濟(jì)帶物流業(yè)碳排放效率局部空間自相關(guān)分析

全局自相關(guān)分析主要是觀察長(zhǎng)江經(jīng)濟(jì)帶地區(qū)物流業(yè)碳排放效率的整體聚集程度，為了進(jìn)一步測(cè)算局部區(qū)域在鄰近空間的聚集程度，本文采用局部空間自相關(guān)對(duì)2005年、2012年和2019年長(zhǎng)江經(jīng)濟(jì)帶物流業(yè)碳排放效率水平進(jìn)行空間異質(zhì)性分析。莫蘭散點(diǎn)圖可以判斷各個(gè)城市之間物流業(yè)碳排放效率水平的空間相關(guān)程度，由四個(gè)象限組成，其中第一象限為物流業(yè)碳排放效率水平高—高（H-H 型）集聚地區(qū)，該地區(qū)與鄰近地區(qū)的物流業(yè)碳排放效率均呈現(xiàn)較高的水平，空間內(nèi)部的差異性相對(duì)較??；第二象限為物流業(yè)碳排放效率水平低—高（L-H 型）集聚地區(qū)，該地區(qū)本身呈現(xiàn)較低的物流業(yè)碳排放效率，但鄰近地區(qū)則呈現(xiàn)較高的碳排放效率，空間內(nèi)部的差異性相對(duì)較大；第三象限為物流業(yè)碳排放效率水平低—低（L-L 型）集聚地區(qū)，該地區(qū)不僅本身碳排放效率低，鄰近地區(qū)碳排放效率也表現(xiàn)出較低水平，空間內(nèi)部的差異性相對(duì)較小；第四象限為物流業(yè)碳排放效率水平高—低（H-L 型）集聚地區(qū)，該地區(qū)本身呈現(xiàn)較高的碳排放效率，但鄰近地區(qū)卻顯現(xiàn)偏低的碳排放效率，空間內(nèi)部的差異性相對(duì)較大。

由圖3可知，2005—2019年長(zhǎng)江經(jīng)濟(jì)帶物流業(yè)碳排放效率的局域空間集聚狀態(tài)發(fā)生了較為顯著的變化。2005年分布在H-H 型、L-H 型、L-L型和H-L 型區(qū)域的省份個(gè)數(shù)分別為3 個(gè)、3 個(gè)、4 個(gè)和1 個(gè)，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 型區(qū)域的省份個(gè)數(shù)分別為2 個(gè)、3 個(gè)、3 個(gè)和3 個(gè)，較為均勻地分布在四個(gè)象限；2019年分布在H-H 型、L-H 型、L-L 型和H-L 型區(qū)域的省份個(gè)數(shù)分別為4 個(gè)、2 個(gè)、5 個(gè)和0 個(gè)，大部分省份分布在第一、第三象限。在樣本期內(nèi)，物流業(yè)碳排放效率呈H-H 型或L-L 型集聚形態(tài)的省份由7 個(gè)升至9 個(gè)，占比由63.6%增至81.8%；物流業(yè)碳排放效率呈H-L 型或L-H 型集聚的省份由4 個(gè)降至2 個(gè)，占比由36.4%降至18.2%。這說(shuō)明在2005—2019年間物流業(yè)碳排放效率的空間同質(zhì)性不斷增強(qiáng)，異質(zhì)性逐漸減弱，空間差異有進(jìn)一步縮小的趨勢(shì)。具體來(lái)看，江西和上海從2005年的L-H 型由于物流業(yè)碳排放效率的提升逐步成為2019年的H-H 型，江蘇和湖南則由于物流業(yè)碳排放效率的降低分別從2005年的H-H 型和H-L 型變化為2019年的L-H 型和L-L 型。在樣本期內(nèi)，安徽和浙江穩(wěn)定保持在H-H 型區(qū)域內(nèi)，兩個(gè)省份低碳物流業(yè)均有較高的發(fā)展水平，在區(qū)域內(nèi)起到積極拉動(dòng)的帶頭作用；湖北保持在L-H 型區(qū)域內(nèi)，應(yīng)優(yōu)化自身物流業(yè)的運(yùn)營(yíng)規(guī)模，加強(qiáng)與安徽和江西的區(qū)域合作，進(jìn)一步提升碳排放效率；貴州、云南、四川和重慶穩(wěn)定保持在L-L 型區(qū)域內(nèi)，應(yīng)充分發(fā)展和使用可再生能源和清潔能源，盡快改進(jìn)能源結(jié)構(gòu)，依據(jù)自身發(fā)展需要適當(dāng)引進(jìn)先進(jìn)技術(shù)和人才以提高碳排放效率。

圖3 2005年、2012年和2019年長(zhǎng)江經(jīng)濟(jì)帶物流業(yè)碳排放效率局部莫蘭散點(diǎn)圖

3 結(jié)論與建議

本研究基于包含非期望產(chǎn)出的超效率SBM 模型與ML 指數(shù)，對(duì)2005—2019年長(zhǎng)江經(jīng)濟(jì)帶物流業(yè)碳排放效率及其分解進(jìn)行了時(shí)序特征的分析，再利用莫蘭指數(shù)對(duì)其進(jìn)行空間特征的分析，主要結(jié)論如下：

（1）2005—2019年，長(zhǎng)江經(jīng)濟(jì)帶整體物流業(yè)碳排放量表現(xiàn)出增長(zhǎng)率逐步放緩的上升趨勢(shì)。碳排放效率總體波動(dòng)平緩，均值為0.671，呈“上游＜中游＜下游”的局面，其中除江蘇外，其他省份仍和生產(chǎn)前沿面有較大差距。

（2）樣本期內(nèi)，長(zhǎng)江經(jīng)濟(jì)帶物流業(yè)碳排放效率平均提高了3.6%，主要?dú)w功于純技術(shù)效率的提高和規(guī)模效率的增長(zhǎng)，上、中、下游地區(qū)的碳排放效率均呈現(xiàn)一定幅度的提升。云南物流業(yè)碳排放效率由于其可利用技術(shù)能力的明顯進(jìn)步而增長(zhǎng)幅度最大，而湖南和四川因純技術(shù)效率的下降呈現(xiàn)負(fù)增長(zhǎng)的趨勢(shì)。

（3）2005—2019年，長(zhǎng)江經(jīng)濟(jì)帶地理鄰近區(qū)域物流業(yè)碳排放效率呈現(xiàn)由弱到強(qiáng)的正向空間關(guān)聯(lián)格局，發(fā)展模式以L-L 型集聚為主，H-H 型集聚次之。局部空間集聚狀態(tài)變化顯著，異質(zhì)性不斷減弱，空間差異不斷縮小。

根據(jù)以上研究結(jié)論，結(jié)合長(zhǎng)江經(jīng)濟(jì)帶低碳物流業(yè)的發(fā)展情況，提出以下建議：

（1）降低能源消耗，助推低碳物流產(chǎn)業(yè)深層次的轉(zhuǎn)型升級(jí)。通過(guò)新型能源的應(yīng)用從源頭減少能源消耗帶來(lái)的碳排放，包括增加生物燃料在物流業(yè)的使用范圍、推廣使用合成燃料和提高運(yùn)輸電氣化程度。采用多式聯(lián)運(yùn)的舉措，通過(guò)比如集裝化運(yùn)輸?shù)确绞?，降低物流需求的投入成本進(jìn)一步提升物流效能，同時(shí)公鐵聯(lián)運(yùn)、鐵江聯(lián)運(yùn)能有效減少能源消耗和環(huán)境污染，進(jìn)一步推進(jìn)物流業(yè)節(jié)能降碳。

（2）引入低碳技術(shù)，通過(guò)市場(chǎng)化手段將科技成果轉(zhuǎn)化到產(chǎn)業(yè)升級(jí)。拓寬新能源設(shè)備在物流行業(yè)的使用渠道，具體表現(xiàn)在提高以新能源車(chē)為代表的低能耗、低排放的新能源設(shè)備在物流配送、港口作業(yè)等領(lǐng)域的應(yīng)用。將大數(shù)據(jù)、人工智能、貨物跟蹤定位等新興技術(shù)應(yīng)用在物流行業(yè)，通過(guò)智能倉(cāng)儲(chǔ)、共享運(yùn)輸、共享倉(cāng)儲(chǔ)等方式來(lái)提升碳排放效率，實(shí)現(xiàn)物流業(yè)低碳化發(fā)展。

（3）加強(qiáng)區(qū)域合作，實(shí)現(xiàn)長(zhǎng)江經(jīng)濟(jì)帶上、中、下游三大區(qū)域優(yōu)勢(shì)互補(bǔ)。長(zhǎng)江經(jīng)濟(jì)帶三大區(qū)域內(nèi)物流企業(yè)應(yīng)與實(shí)時(shí)物流需求緊密關(guān)聯(lián)，在積極對(duì)接供應(yīng)鏈運(yùn)作和管理模式的基本條件下，同時(shí)優(yōu)化企業(yè)流程、提升企業(yè)效率和創(chuàng)新企業(yè)模式，起到協(xié)同倍增的作用。下游地區(qū)可以充分發(fā)揮自身物流業(yè)高水平發(fā)展的優(yōu)勢(shì)，與云南、四川等中上游地區(qū)構(gòu)建相應(yīng)的產(chǎn)業(yè)協(xié)作和對(duì)口幫扶機(jī)制，推進(jìn)長(zhǎng)江經(jīng)濟(jì)帶物流產(chǎn)業(yè)的低碳化發(fā)展。中游地區(qū)與長(zhǎng)三角城市群相鄰，應(yīng)發(fā)揮“中心—外圍”的空間優(yōu)勢(shì)，推動(dòng)物流業(yè)產(chǎn)業(yè)協(xié)作，并將此視為經(jīng)濟(jì)發(fā)展和物流低碳化創(chuàng)新能力進(jìn)一步提高的重要?jiǎng)恿Α?/p>