劉小蘭，朱穎

（昆明理工大學(xué) 交通工程學(xué)院，云南 昆明 650500）

長江經(jīng)濟(jì)帶橫跨中國東中西三大區(qū)域，是國家重大戰(zhàn)略發(fā)展區(qū)域，是具有全球影響力的內(nèi)河經(jīng)濟(jì)帶、東中西互動合作的協(xié)調(diào)發(fā)展帶。長江經(jīng)濟(jì)帶物流業(yè)能源消耗量和碳排放量分別從2004 年的5 666.35 萬噸標(biāo)準(zhǔn)煤和114 萬噸增加至2019 年的16 942.10 萬噸標(biāo)準(zhǔn)煤和330.85 萬噸，物流業(yè)以其高能耗、高排放的特點成為第三產(chǎn)業(yè)中的碳排放大戶。在高質(zhì)量發(fā)展背景下，物流業(yè)面臨著巨大的節(jié)能減排壓力，促進(jìn)物流業(yè)綠色發(fā)展，已成為社會各界關(guān)注的重要問題。因此，把握長江經(jīng)濟(jì)帶沿線11 省市的物流業(yè)碳排放效率、探究物流業(yè)碳排放效率空間非均衡性、分析物流業(yè)碳排放效率的驅(qū)動因素，可以針對性地為長江經(jīng)濟(jì)帶提升物流業(yè)碳排放效率提供切實可行的政策建議，最終實現(xiàn)節(jié)本增效的目的。

隨著高質(zhì)量發(fā)展及“雙碳”目標(biāo)的提出，關(guān)于物流業(yè)碳排放效率的研究不斷深入，主要集中在以下三個方面：第一，物流業(yè)碳排放效率的測度方法。最常用的方法有隨機(jī)前沿函數(shù)分析法[1]和數(shù)據(jù)包絡(luò)法[2]，包括DEAMalmquist 函數(shù)[3-4]、超效率DEA 模型[5]、三階段DEA模型[6]、SBM 模型[7]等。第二，物流業(yè)碳排放效率的非均衡性分析。主要分析方法有直接指標(biāo)測度[8-9]、變異系數(shù)[10-12]和Theil 指數(shù)[13]。第三，物流業(yè)碳排放效率的驅(qū)動因素分析。已有文獻(xiàn)[14-16]主要圍繞經(jīng)濟(jì)發(fā)展水平、基礎(chǔ)設(shè)施建設(shè)水平、對外開放程度、科技水平、能源結(jié)構(gòu)、物流業(yè)集聚水平等驅(qū)動因素進(jìn)行了研究。

基于以上分析，目前關(guān)于物流業(yè)碳排放效率的研究尚有改進(jìn)空間：（1）以往研究集中運用直接指標(biāo)測度、變異系數(shù)和Theil 指數(shù)進(jìn)行物流業(yè)效率差異測度，但是此類方法存在無法分析差異來源，忽略組內(nèi)交叉重疊，不能識別組間差距對總體差距的貢獻(xiàn)等問題，而Dagum 基尼系數(shù)在解決組內(nèi)交叉重疊方面有顯著優(yōu)勢，并且能進(jìn)一步對區(qū)域差異及來源進(jìn)行辨識；（2）針對驅(qū)動因素的研究注重單因子對物流業(yè)碳排放效率的影響研究，缺乏多因子共同作用對其貢獻(xiàn)力的研究，而參數(shù)最優(yōu)地理探測器能在識別對物流業(yè)碳排放效率貢獻(xiàn)度較高的驅(qū)動因子的同時對雙因子共同作用對其的貢獻(xiàn)力進(jìn)行探測。因此，本文以長江經(jīng)濟(jì)帶為研究對象，基于SBM-undesirable 模型對物流業(yè)碳排放效率進(jìn)行測度，運用Dagum 基尼系數(shù)對物流業(yè)碳排放效率非均衡性及其來源進(jìn)行探究，并運用參數(shù)最優(yōu)地理探測器探測物流業(yè)碳排放效率貢獻(xiàn)度較高的驅(qū)動因子及雙因子共同作用對其的貢獻(xiàn)力。

1 研究方法與數(shù)據(jù)

1.1 研究方法

1.1.1 SBM-Undesirable模型

SBM-Undesirable 模型相比傳統(tǒng)DEA 模型將非期望產(chǎn)出等負(fù)外部效益納入模型，并對投入產(chǎn)出松弛性問題進(jìn)行了優(yōu)化。本文選擇SBM-Undesirable 模型來測算物流業(yè)碳排放效率，其模型可以表達(dá)為：

式中：目標(biāo)函數(shù)值ρ表示決策單元（DMU）的效率值，0 ≤ρ≤1；s-、sg、sb分別為投入要素xt、期望產(chǎn)出yg和非期望產(chǎn)出yb的松弛變量；λ為權(quán)重向量。若0≤ρ＜1，表示DMU 無效，存在效率損失；若ρ=1，且s-、sg、sb均為0 時，則表示DMU 有效。

1.1.2 Dagum基尼系數(shù)

基尼系數(shù)是用于度量收入不平等最為常用的指標(biāo)，傳統(tǒng)基尼系數(shù)只能反映變量總體不平等狀況，無法說明總體差異來源于區(qū)域內(nèi)還是區(qū)域間，Dagum 基尼系數(shù)可以將總體差異G分解為區(qū)域內(nèi)差異貢獻(xiàn)Gw、區(qū)域間差異貢獻(xiàn)Gnb和反映地區(qū)樣本間重疊引起的不平衡貢獻(xiàn)Gt（又稱“超變密度”），而且可以直觀地觀測上述三類差異貢獻(xiàn)率的動態(tài)變化。本文選擇使用Dagum 基尼系數(shù)及其分解來揭示物流業(yè)碳排放效率的區(qū)域差異變動方向和變動幅度。假設(shè)存在n個省市，可以劃分為k個地區(qū)，Dagum 基尼系數(shù)及其分解形式如下。

總體基尼系數(shù)G計算公式為：

地區(qū)j的基尼系數(shù)Gjj計算公式為：

地區(qū)j與地區(qū)h之間的基尼系數(shù)Gjh計算公式為：

式（2）～（4）中：nj和nh分別為地區(qū)j和地區(qū)h所含觀測單元個數(shù)，yji(yhr)表示地區(qū)j(h)內(nèi)任意i(r)觀測單元的物流業(yè)碳排放效率，為n(nj)個地區(qū)物流業(yè)碳排放效率均值。

進(jìn)一步對總體差異G分解，可得地區(qū)內(nèi)差異Gw計算公式為：

地區(qū)間差異Gnb計算公式為：

超變密度Gt計算公式為：

1.1.3 參數(shù)最優(yōu)地理探測器

參數(shù)最優(yōu)地理探測器（OPGD）[17]相比地理探測器（GeoDetector）[18]通過選擇q值最高的參數(shù)組合（分級方式與間斷數(shù)）進(jìn)行最優(yōu)空間離散化后進(jìn)行因子探測及交互作用探測，對造成空間分異的驅(qū)動因子進(jìn)行分析并識別不同驅(qū)動因子之間的交互作用。

（1）分異及因子探測。

式中：q值表示各驅(qū)動因子對物流業(yè)碳排放效率的解釋力；h=1,2,…,L為物流業(yè)碳排放效率或驅(qū)動因子的分層；Nh和N分別為層h和全區(qū)的單元數(shù)；和σ2分別是層h和全區(qū)的物流業(yè)碳排放效率的方差；SSW和SST分別為層內(nèi)方差之和和全區(qū)總方差。

（2）交互作用探測。

1.2 變量說明與數(shù)據(jù)來源

以長江經(jīng)濟(jì)帶為研究對象，在考慮數(shù)據(jù)的可獲取性，遵循數(shù)據(jù)可空間量化原則、主導(dǎo)性原則、因地制宜原則，參考以往研究的基礎(chǔ)上，選取評價指標(biāo)體系及驅(qū)動因素，見圖1。研究數(shù)據(jù)主要來自國家統(tǒng)計局官網(wǎng)、各省市統(tǒng)計年鑒、CEADS 中國碳核算數(shù)據(jù)庫、中國能源統(tǒng)計年鑒等。

圖1 長江經(jīng)濟(jì)帶物流業(yè)碳排放效率評價及驅(qū)動因素指標(biāo)體系

2 長江經(jīng)濟(jì)帶物流業(yè)碳排放效率評價及非均衡性分析

2.1 長江經(jīng)濟(jì)帶物流業(yè)碳排放效率評價

運用SBM-Undesirable 模型，基于2004—2019 年長江經(jīng)濟(jì)帶省級數(shù)據(jù)，對其物流業(yè)碳排放效率進(jìn)行測算。

（1）為了更直觀地揭示研究期內(nèi)長江經(jīng)濟(jì)帶的變化趨勢，對物流業(yè)碳排放效率進(jìn)行取均值及中位數(shù)，結(jié)果見圖2。2004—2019 年長江經(jīng)濟(jì)帶物流業(yè)碳排放效率均值和中位數(shù)總體呈現(xiàn)上升趨勢，可以分為2004—2008年的“穩(wěn)定調(diào)整”期和2009—2019 年的“持續(xù)改善”期。2004 年長江經(jīng)濟(jì)帶各省市物流業(yè)碳排放效率均值和中位數(shù)分別為0.466和0.360，至2019年增加到0.543和0.382，說明物流業(yè)碳排放效率處于持續(xù)改善過程。

圖2 2004—2019年長江經(jīng)濟(jì)帶物流業(yè)碳排放效率均值和中位數(shù)

（2）為便于從區(qū)域視角比較分析物流業(yè)碳排放效率的動態(tài)變化，對長江經(jīng)濟(jì)帶及其上中下游繪制物流業(yè)碳排放效率折線圖，結(jié)果見圖3。從長江經(jīng)濟(jì)帶及其上中下游來看，物流業(yè)碳排放效率演變趨勢整體保持一致，物流業(yè)碳排放效率均值由高到低排序依次為下游、長江經(jīng)濟(jì)帶、中游、上游。其中，下游物流業(yè)碳排放效率始終處于0.7～0.8 之間，無較大波動；長江經(jīng)濟(jì)帶、中游、上游物流業(yè)碳排放效率以2008 年為轉(zhuǎn)折點，呈現(xiàn)2004—2007 年下降和2008—2019 年波動上升的趨勢，且在2017 年中游物流業(yè)碳排放效率出現(xiàn)大幅提升。

（3）為了揭示不同區(qū)域內(nèi)部各個省市物流業(yè)碳排放效率的差異，以2004—2019 年物流業(yè)碳排放效率均值，按照上中下游及物流業(yè)碳排放效率均值大小進(jìn)行排序繪制柱狀圖，結(jié)果見圖4。從單個省市來看，長江經(jīng)濟(jì)帶不同省市之間物流業(yè)碳排放效率差異較為明顯，且上中下游物流業(yè)碳排放效率之間表現(xiàn)出明顯的梯度效應(yīng)。2004—2019 年物流業(yè)碳排放效率均值上海最高，達(dá)到1.000，云南最低為0.267。就上中下游內(nèi)部物流業(yè)碳排放效率均值最高和最低的省市來看，下游為上海和江蘇，中游為江西和湖北，上游為四川和云南，差距分別為0.553、0.247、0.043，下游內(nèi)部差異最為明顯，其次是中游，最后是上游。

圖4 2004—2019年長江經(jīng)濟(jì)帶11省市物流業(yè)碳排放效率均值

2.2 長江經(jīng)濟(jì)帶物流業(yè)碳排放效率非均衡性分析

2.2.1 非均衡性分析

為進(jìn)一步量化長江經(jīng)濟(jì)帶物流業(yè)碳排放效率總體及區(qū)域非均衡性，運用式（2）～（4）對長江經(jīng)濟(jì)帶總體差異、上中下游各區(qū)域內(nèi)差異、上中下游各區(qū)域間差異進(jìn)行測算，結(jié)果見表1。

表1 長江經(jīng)濟(jì)帶物流業(yè)碳排放效率Dagum基尼系數(shù)

（1）結(jié)合圖5 可知，長江經(jīng)濟(jì)帶物流業(yè)碳排放效率總體基尼系數(shù)呈現(xiàn)出：2004—2007 年快速上升，長江經(jīng)濟(jì)帶物流業(yè)碳排放效率基尼系數(shù)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%，說明長江經(jīng)濟(jì)帶物流業(yè)碳排放效率非均衡性在增強(qiáng)；2008 年急劇下降，長江經(jīng)濟(jì)帶物流業(yè)碳排放效率基尼系數(shù)由研究期最大值下降至最小值0.248，說明長江經(jīng)濟(jì)帶物流業(yè)碳排放效率非均衡性減弱明顯；2009—2012 年小幅上升，長江經(jīng)濟(jì)帶物流業(yè)碳排放效率基尼系數(shù)由研究期最小值小幅上升至0.284，非均衡性有所增加；2013—2019 穩(wěn)定波動，長江經(jīng)濟(jì)帶物流業(yè)碳排放效率基尼系數(shù)在0.262和0.283 之間波動，說明長江經(jīng)濟(jì)帶物流業(yè)碳排放效率非均衡性波動較為穩(wěn)定。

（2）2004—2019 年，長江經(jīng)濟(jì)帶上游、中游和下游物流業(yè)碳排放效率區(qū)域內(nèi)差異均值分別為0.069、0.131和0.187，均小于長江經(jīng)濟(jì)帶均值0.278，說明，長江經(jīng)濟(jì)帶上游、中游和下游物流業(yè)碳排放效率的均衡發(fā)展程度都要優(yōu)于長江經(jīng)濟(jì)帶。結(jié)合圖5，從區(qū)域內(nèi)差異演變趨勢來看，可以發(fā)現(xiàn)上游和中游物流業(yè)碳排放效率區(qū)域內(nèi)差異波動較大，而下游演變較為平緩，上中下游整體表現(xiàn)為下降、上升和下降趨勢。上游和下游物流業(yè)碳排放效率區(qū)域內(nèi)差異分別從2004 年的0.087 和0.220 下降至2019 年的0.032 和0.168，下降幅度分別為63.23%和23.64%，可見長江經(jīng)濟(jì)帶上游和下游物流業(yè)碳排放效率非均衡性均有改善，且上游改善效果更為明顯；中游物流業(yè)碳排放效率區(qū)域內(nèi)差異從2004 年的0.078 上升至2019 年的0.265，增長幅度高達(dá)239.74%，說明中游物流業(yè)碳排放效率非均衡性擴(kuò)大顯著。

（3）2004—2019 年，長江經(jīng)濟(jì)帶上游與中游、上游與下游、中游與下游物流業(yè)碳排放效率區(qū)域間差異均值分別為0.206、0.439 和0.315，結(jié)合圖6，從區(qū)域間差異演變趨勢來看，上游與下游區(qū)域間差異尤其突出，其基尼系數(shù)趨勢線在觀測期內(nèi)均高于另外兩條，其次是中游與下游區(qū)域間差異，盡管在近兩年其基尼系數(shù)值略低于上游與下游，但整體看仍然排在第二；最后是上游與中游區(qū)域間差異，需要注意的是2017 年上游與中游區(qū)域間差異超越了中游與下游區(qū)域間差異。上游與下游區(qū)域間差異變動趨勢表現(xiàn)出縮小趨勢，從2004 年的0.343下降至2019 年的0.265，而上游與中游區(qū)域間差異呈明顯擴(kuò)大趨勢，從2004 年的0.096 上升至2019 年的0.304，中游與下游區(qū)域間差異穩(wěn)定波動。

圖6 長江經(jīng)濟(jì)帶物流業(yè)碳排放效率上中下游區(qū)域間差異演變趨勢

（4）不難看出，在進(jìn)行非均衡性分析的過程中2008年和2017 年較為特殊。相較2007 年，2008 年長江經(jīng)濟(jì)帶、上游物流業(yè)碳排放效率區(qū)域內(nèi)差異降幅分別為27.27%、54.61%，上游與下游、中游與下游物流業(yè)碳排放效率區(qū)域間差異降幅分別為23.41%、40.25%。相較2016 年，2017 年中游物流業(yè)碳排放效率區(qū)域內(nèi)差異增幅為110.17%，上游與中游物流業(yè)碳排放效率區(qū)域間差異增幅為53.24%。

2.2.2 非均衡性來源及貢獻(xiàn)

為進(jìn)一步明確非均衡性來源，運用式（5）～（7）將長江經(jīng)濟(jì)帶物流業(yè)碳排放效率的總體差異分解為區(qū)域內(nèi)差異、區(qū)域間差異及超變密度，并對其貢獻(xiàn)占比進(jìn)行測算，結(jié)果見表2。觀測期內(nèi)，長江經(jīng)濟(jì)帶物流業(yè)碳排放效率地區(qū)內(nèi)差異、地區(qū)間差異和超變密度貢獻(xiàn)率均值分別為18.626%、5.941%和75.433%。不難看出，長江經(jīng)濟(jì)帶物流業(yè)碳排放效率非均衡性的貢獻(xiàn)主要來自超變密度，其次是地區(qū)內(nèi)差異，最后是地區(qū)間差異，后兩者之和不及總體差異來源的30%，對總體差異的貢獻(xiàn)較小。從三類差異來源的演變趨勢來看，地區(qū)內(nèi)差異有一定幅度波動；地區(qū)間差異波動最為平緩；超變密度波動最為顯著，表現(xiàn)為總體差異中來自于不同區(qū)域間交叉重疊的貢獻(xiàn)率為2004—2007 年增加，2008年驟降，2008—2012 年小幅增加，2013—2019 年平穩(wěn)波動。

3 長江經(jīng)濟(jì)帶物流業(yè)碳排放效率驅(qū)動因素分析

3.1 最優(yōu)離散化處理

本文選擇等間距（equal）、自然斷點（natural）、分位數(shù)（quantile）、幾何間距（geometric）四種方法，將連續(xù)型驅(qū)動因子分為3～10 級，運用R 語言對連續(xù)型驅(qū)動因子進(jìn)行最優(yōu)離散化處理，得到最優(yōu)離散化方法及最優(yōu)分級數(shù)，以使q值最大，結(jié)果如表3 所示。

表3 驅(qū)動因素最優(yōu)離散化方法及最優(yōu)分級數(shù)

以經(jīng)濟(jì)發(fā)展水平（x1）為例，說明將經(jīng)濟(jì)發(fā)展水平運用等間距法分為9 類時，經(jīng)濟(jì)發(fā)展水平對長江經(jīng)濟(jì)帶物流業(yè)碳排放效率解釋力最大。

3.2 因子探測

采用參數(shù)最優(yōu)地理探測器的分異及因子探測器識別單個驅(qū)動因子對長江經(jīng)濟(jì)帶物流業(yè)碳排放效率的解釋力，結(jié)果見表4。長江經(jīng)濟(jì)帶物流業(yè)碳排放效率驅(qū)動因子解釋力大小依次為：物流運輸強(qiáng)度（0.695）＞運輸結(jié)構(gòu)（0.496）＞對外開放水平（0.434）＞物流業(yè)集聚水平（0.418）＞能源結(jié)構(gòu)（0.410）＞基礎(chǔ)設(shè)施建設(shè)水平（0.344）＞科技水平（0.310）＞經(jīng)濟(jì)發(fā)展水平（0.173）＞政府物流調(diào)控（0.168），其中，經(jīng)濟(jì)發(fā)展水平影響不顯著（P=0.503），其余驅(qū)動因子顯著性均達(dá)到顯著水平（P≤0.001）。即物流運輸強(qiáng)度、運輸結(jié)構(gòu)、對外開放水平、物流業(yè)集聚水平和能源結(jié)構(gòu)對長江經(jīng)濟(jì)帶物流業(yè)碳排放效率解釋力強(qiáng)，基礎(chǔ)設(shè)施建設(shè)水平、科技水平、經(jīng)濟(jì)發(fā)展水平和政府物流調(diào)控解釋力相對較弱，這表明長江經(jīng)濟(jì)帶原有的運輸強(qiáng)度、運輸結(jié)構(gòu)、對外開放水平、物流業(yè)集聚水平和能源結(jié)構(gòu)等對物流業(yè)碳排放效率有深刻影響。

表4 各驅(qū)動因子分異及因子探測結(jié)果

3.3 交互作用探測

采用參數(shù)最優(yōu)地理探測器的交互作用探測器識別兩個驅(qū)動因子共同作用對長江經(jīng)濟(jì)帶物流業(yè)碳排放效率的解釋力，結(jié)果見表5。總體而言，長江經(jīng)濟(jì)帶物流業(yè)碳排放效率差異性是各驅(qū)動因子綜合作用的結(jié)果。長江經(jīng)濟(jì)帶物流業(yè)碳排放效率驅(qū)動因子除去經(jīng)濟(jì)發(fā)展水平與物流業(yè)集聚水平共同作用時為單因子非線性減弱外，其余驅(qū)動因子兩兩之間均為增強(qiáng)關(guān)系。在36 對驅(qū)動因子中有2 對交互解釋力超過0.9，有30 對交互解釋力在0.5 和0.9 之間，有4 對交互解釋力小于0.5。其中，對外開放水平和物流運輸強(qiáng)度、基礎(chǔ)設(shè)施建設(shè)水平和運輸結(jié)構(gòu)兩對驅(qū)動因子交互解釋力高達(dá)0.929、0.917，說明這兩對驅(qū)動因子極強(qiáng)地解釋了長江經(jīng)濟(jì)帶物流業(yè)碳排放效率空間分異程度。

表5 長江經(jīng)濟(jì)帶物流業(yè)碳排放效率驅(qū)動因子交互作用

4 結(jié)論及政策建議

4.1 研究結(jié)論

運用SBM-undesirable 模型和Dagum 基尼系數(shù)分析2004—2019 年長江經(jīng)濟(jì)帶物流業(yè)碳排放效率及其非均衡性特征，通過參數(shù)最優(yōu)地理探測器分析影響物流業(yè)碳排放效率空間分異的驅(qū)動因素，不難發(fā)現(xiàn)：

（1）從長江經(jīng)濟(jì)帶及上中下游來看，物流業(yè)碳排放效率演變趨勢整體保持一致，物流業(yè)碳排放效率均值由高到低排序依次為下游、長江經(jīng)濟(jì)帶、中游、上游；從單個省市來看，長江經(jīng)濟(jì)帶不同省市之間物流業(yè)碳排放效率差異較為明顯，且上中下游物流業(yè)碳排放效率之間表現(xiàn)出明顯的梯度效應(yīng)；長江經(jīng)濟(jì)帶物流業(yè)碳排放效率處于持續(xù)改善過程。

（2）從區(qū)域內(nèi)差異來看，長江經(jīng)濟(jì)帶上游、中游和下游物流業(yè)碳排放效率的均衡發(fā)展程度都要優(yōu)于長江經(jīng)濟(jì)帶；從區(qū)域間差異來看，上游與下游區(qū)域間差異尤其突出，其次是中游與下游，最后是上游與中游；從非均衡性貢獻(xiàn)度來看，長江經(jīng)濟(jì)帶物流業(yè)碳排放效率非均衡性的貢獻(xiàn)主要來自超變密度，其次是地區(qū)內(nèi)差異，最后是地區(qū)間差異。

（3）長江經(jīng)濟(jì)帶物流業(yè)碳排放效率空間分異是物流運輸強(qiáng)度、運輸結(jié)構(gòu)、對外開放水平、物流業(yè)集聚水平、能源結(jié)構(gòu)、基礎(chǔ)設(shè)施建設(shè)水平、科技水平、經(jīng)濟(jì)發(fā)展水平、政府物流調(diào)控等多個驅(qū)動因子共同作用的結(jié)果。因此，需要注重驅(qū)動因子交互作用對長江經(jīng)濟(jì)帶物流業(yè)碳排放效率的驅(qū)動效應(yīng)，構(gòu)建多因子組合式策略來提升長江經(jīng)濟(jì)帶物流業(yè)碳排放效率。

4.2 政策建議

基于以上結(jié)論，對提升長江經(jīng)濟(jì)帶物流業(yè)碳排放效率提出以下建議。

（1）縮小長江經(jīng)濟(jì)帶物流業(yè)碳排放效率超變密度貢獻(xiàn)率。應(yīng)降低總體差異中來自不同區(qū)域間交叉重疊的貢獻(xiàn)率，與此同時注重區(qū)域內(nèi)及區(qū)域間差異的縮小，使得長江經(jīng)濟(jì)帶物流業(yè)碳排放效率均衡性發(fā)展。

（2）利用各驅(qū)動因子間的協(xié)同驅(qū)動效應(yīng)。應(yīng)綜合考慮物流運輸強(qiáng)度、運輸結(jié)構(gòu)、對外開放水平、物流業(yè)集聚水平、能源結(jié)構(gòu)、基礎(chǔ)設(shè)施建設(shè)水平、科技水平、經(jīng)濟(jì)發(fā)展水平、政府物流調(diào)控等因素對長江經(jīng)濟(jì)帶物流業(yè)碳排放效率的協(xié)同驅(qū)動效應(yīng)，不能以偏概全。

（3）因地制宜地采取差異化政策。應(yīng)加大對低于長江經(jīng)濟(jì)帶物流業(yè)碳排放效率平均水平省市的支持，根據(jù)各個省市的實際情況制定相應(yīng)的政策，從人力、財力、物力及能源上進(jìn)行不同的重點投入，對路網(wǎng)、信息網(wǎng)、物流節(jié)點等進(jìn)行科學(xué)規(guī)劃，進(jìn)而達(dá)到提升長江經(jīng)濟(jì)帶物流業(yè)碳排放效率的效果。