Study on the Influencing Factors of Carbon Emission of the Green Distribution System in Urumqi City Based on SEM

LIU Xiaoxiao，" GE Ju

（School of Transportation and Logistics Engineering， Xinjiang Agricultural University， Urumqi 830017， China）

摘" 要：為了探究城市綠色配送體系中潛在要素對碳排放的作用機制，采用IPCC碳排放系數(shù)法對烏魯木齊市綠色配送體系中不同維度的碳排放量進行測算，建立結(jié)構(gòu)方程模型對體系中影響碳排放的各因素進行定量分析，并根據(jù)研究結(jié)果提出相應的節(jié)能減排優(yōu)化方案。結(jié)果表明：2011—2018年配送體系的總體碳排放量呈現(xiàn)增長狀態(tài)，直接排放占比較高達到50.27%，廢棄物碳排放超過了電力間接排放的6.84%。人口與經(jīng)濟、城市配送規(guī)模對碳排放量產(chǎn)生了直接促進作用，路徑系數(shù)分別為0.253和0.439。單位綠色配送應用的提升可有效抑制0.242單位的碳排放。

關(guān)鍵詞：城市綠色配送體系；碳排放測算；結(jié)構(gòu)方程

中圖分類號：F252.14文獻標志碼：A

DOI：10.13714/j.cnki.1002-3100.2023.19.013

Abstract： In order to explore the potential elements in the urban green distribution system of the mechanism of carbon emissions， the IPCC carbon emission coefficient method of urumqi green distribution system in different dimensions of carbon emissions， establish structure equation model of the system of carbon emissions of quantitative analysis， and according to the results of the corresponding optimization scheme for energy conservation and emissions reduction. The results show that the overall carbon emission of the distribution system increased from 2011 to 2018， with the direct emission accounting for 50.27%， and the waste carbon emission exceeded 6.84% of the indirect electricity emission. Population and economy， and urban distribution scale have a direct promoting effect on carbon emissions， with the path coefficients of 0.253 and 0.439， respectively. The improvement of unit green distribution application can effectively inhibit the carbon emissions of 0.242 units.

Key words： urban green distribution system; carbon emission measurement; structural equation

0" 引" 言

“碳達峰”和“碳中和”的戰(zhàn)略目標是加快生態(tài)文明建設(shè)的重要路徑，提升碳減排潛力已成為我國各行各業(yè)實現(xiàn)綠色發(fā)展的重要途徑。城市綠色配送系統(tǒng)是推動城市物流業(yè)節(jié)能減排的中堅力量，但配送系統(tǒng)的運行依舊為環(huán)境帶來了負外部影響，高消耗引發(fā)的高排放使物流行業(yè)面臨巨大環(huán)保壓力。

近年來，針對物流行業(yè)節(jié)能減排問題學者們作出了大量研究，碳排放的測算以及影響因素分析逐漸成為了研究的主流對象。M'raihi R等[1]用對數(shù)平均分割指數(shù)對突尼斯公路貨運碳排放進行因素分解，發(fā)現(xiàn)驅(qū)動因素為公路貨運強度、GDP、石油消費強度。N. Kholod等[2]使用COPERT模型對柴油車排放量進行測算和分析，結(jié)果顯示車隊機構(gòu)和車輛排放控制水平是主要排放因素。Rui Jiang等[3]通過IPCC排放系數(shù)法對美國公路能源消耗計算后采用LMDI法分解影響因素，結(jié)果顯示能源和貨運強度對碳排放影響顯著。孫強等[4]基于生命周期法對逆向物流碳足跡進行測算，證實了碳排放與產(chǎn)品、能源等因素相關(guān)。周楊等[5]核算了快遞的運輸、運營及包裝環(huán)節(jié)的碳足跡，發(fā)現(xiàn)包裝在單件快遞中占據(jù)碳排放比例最高。白曉莉[6]對城市配送系統(tǒng)中固定源排放過程進行分析，利用投入產(chǎn)出法對動態(tài)源搭建核算框架。穆曉央[7]采用碳排放系數(shù)法計算了西部省域物流業(yè)碳排放，利用LMDI法驗證了產(chǎn)出規(guī)模促進碳排放增長，對能源強度有抑制作用。何黃慧等[8]利用燃油消耗法對深圳零售配送路徑碳排放進行測算，發(fā)現(xiàn)車、門店、道路交通條件為主要影響因素。

為了進一步明確城市綠色配送體系中各構(gòu)成要素對碳排放的影響機制，本文立足于烏魯木齊市綠色配送體系，通過對體系中各構(gòu)成要素的碳排放來源進行辨識，構(gòu)建碳排放核算體系并分類進行測算，基于結(jié)構(gòu)方程模型構(gòu)建影響因素評價體系，判斷評價體系中各因素對碳排放產(chǎn)生的潛在影響，為合理制定城市節(jié)能減排放方案提供理論依據(jù)。

1" 城市綠色配送體系

1.1" 城市綠色配送體系構(gòu)架及碳排放來源

烏魯木齊城市綠色配送體系由基礎(chǔ)設(shè)施子系統(tǒng)、配送裝備子系統(tǒng)、配送運行子系統(tǒng)構(gòu)成，通過集約化組織模式滿足城市綠色配送的需求。基本架構(gòu)如圖1所示：

烏魯木齊城市配送節(jié)點是由物流中心—分區(qū)配送中心—末端配送點組成的三級結(jié)構(gòu)，承擔了城區(qū)零售連鎖、即時電商等商業(yè)流通服務需求，節(jié)點進行集散、存儲、加工等活動，排放包攬了節(jié)點設(shè)施中各類設(shè)施設(shè)備的電力消耗。同城配送活動中，輕、中型貨車承載配送中心到網(wǎng)點的支線運輸活動，以面包車為主的輕微型配送車輛承載從網(wǎng)點向末端的配送活動，排放來源于貨運車輛的燃油消耗。居民消費結(jié)構(gòu)的升級，帶動了備貨力度和配送頻率，廢棄物產(chǎn)出能力達到年增長3.8%，處理方式中焚燒、填埋是碳排放固定源，而回收再利用是控碳的重要方式。

1.2" 碳排放核算體系

依據(jù)《溫室氣體核算體系》，將內(nèi)容中的排放源核算標準應用于綠色配送體系的碳排放測算，涵蓋三個范圍：范圍1表示貨運車輛在城區(qū)內(nèi)進行物流活動而產(chǎn)生的貨運直接碳排放；范圍2表示與能源相關(guān)的二次能源使用產(chǎn)生的電力間接碳排放，相關(guān)企業(yè)通常采用向?qū)I(yè)供電公司外購電力的方式以滿足用電需求；范圍3表現(xiàn)為其他活動產(chǎn)生的間接碳排放，指包裝廢棄物產(chǎn)出及處理產(chǎn)生的廢棄物碳排放。核算體系如表1所示：

2" 研究方法與數(shù)據(jù)來源

2.1" 城市綠色配送體系碳排放測算模型

本文結(jié)合IPCC碳排放系數(shù)法對三個范圍碳排放來源進行測算，碳排放總量的測算模型為：

Z=Z+Z+Z （1）

2.1.1" 直接排放測算

首先對汽油車與柴油車的能源消耗量進行計算，方法如下：

E=V·F"" （2）

其中：E表示第j種運具采用第i種能源的消耗量；V表示采用第i種能源的第j種運輸工具的周轉(zhuǎn)量；F表示采用第i種能源的第j種運具的單位周轉(zhuǎn)量能耗。單位周轉(zhuǎn)量能耗數(shù)據(jù)來源于《中國交通年鑒》，現(xiàn)有數(shù)據(jù)對同城配送中汽油車與柴油車所載運的周轉(zhuǎn)量無確切說明，根據(jù)《中國汽車工業(yè)年鑒》汽、柴油車任務完成比重，設(shè)定柴油車承擔了80%左右的運輸任務[9-10]。

其次結(jié)合汽、柴油的碳排放系數(shù)對直接碳排放進行測算，計算模型為：

Z=E·α（3）

其中：α為第i種能源的碳排放系數(shù)，汽、柴油碳排放系數(shù)查詢《中國能源統(tǒng)計年鑒》與《IPCC國家溫室氣體清單指南》。

2.1.2" 間接排放測算

由于電力因子隨時間的推移每年取值不一，根據(jù)不同年份電力不同排放因子，對電力間接碳排放進行測算：

Z=E·D·α·（4）

其中：E代表電力消耗量；D為電力折煤系數(shù)；α為電力的碳排放因子。消耗量數(shù)據(jù)來源于《烏魯木齊統(tǒng)計年鑒》，電力排放因子參考《中國區(qū)域電網(wǎng)平均二氧化碳排放因子》中西北區(qū)域電網(wǎng)數(shù)據(jù)、《省級溫室氣體清單編制指南》。

2.1.3" 其他活動間接排放測算

《IPCC氣候評估報告》中提到廢棄物的碳排放宜單獨計算，結(jié)合廢棄物中不同包裝種類的碳排放系數(shù)，對廢棄物碳排放進行測算：

Z=Z+Z=Z+Z+Z-Z=Q·α+W·α-P·α·R" （5）

其中：Q為第m種包裝廢棄量；α為第m種包裝廢棄物碳排放系數(shù)；W表示采用第n種處理方式的廢棄物量；α為第n種處理方式的碳排放系數(shù)；P表示第m種包裝廢棄物的比例；R為廢棄物回收量。處理量數(shù)據(jù)來源于《城市建設(shè)年鑒》，根據(jù)《IPCC2019國家溫室氣體清單指南》確定焚燒與填埋的排放系數(shù)。

2.2" 基于結(jié)構(gòu)方程模型的碳排放影響因素分析

單一碳排放測算不足以衡量城市綠色化水平，在考慮多維度影響因素的前提下，構(gòu)建結(jié)構(gòu)方程模型能夠反映出各因素與碳排放之間的潛在關(guān)系，基于路徑系數(shù)來確定與體系綠色化水平相關(guān)聯(lián)的重點因素，以便合理制定減排計劃。

2.2.1" 評價指標體系與變量選取

從人口與經(jīng)濟、城市配送規(guī)模、城市配送運輸能耗、綠色配送的應用四維度構(gòu)建烏魯木齊城市綠色配送體系的碳排放影響因素評價體系。其中經(jīng)濟發(fā)展水平可表征為人均GDP，科技發(fā)展水平可表征為燃油車排放單位能耗較初期降低比例

=-1，指標體系如表2所示：

2.2.2" 模型假設(shè)

人口與經(jīng)濟的不斷攀升壯大了商業(yè)配送規(guī)模，從而不斷增加了對配送體系的資源投入，即面臨能源消耗的增長和碳排放持續(xù)輸出，然而高新技術(shù)產(chǎn)業(yè)的發(fā)展使綠色配送的技術(shù)能力更新?lián)Q代，不斷改善能源消耗帶來的環(huán)境問題。將X，X，X，X及碳排放量作為觀測變量，提出如下假設(shè)，如表3所示：

2.2.3" 模型擬合與評價

模型擬合是驗證實際測量數(shù)據(jù)與模型假設(shè)之間關(guān)系的技術(shù)方法，通過設(shè)置擬合標準，對比實際樣本數(shù)據(jù)與假設(shè)目標之間的差異性，以此判斷因素關(guān)系的合理性。選Cronbach's α系數(shù)進行信度檢驗，若α系數(shù)取0.8以上表示信度非常高，0.6～0.7之間信度可接受，0.35以下信度非常低；效度檢驗參考KMO值與因子分析進行判斷，KMO值越接近1、巴特利球形檢驗的顯著性小于0.05說明效度越好，指標之間相關(guān)性越強。模型運行后，判斷是否符合擬合優(yōu)度指數(shù)GFI、比較擬合指數(shù)CFI等指數(shù)大于0.9，近似誤差均方根RMSEA嚴格小于0.05的標準，若符合擬合標準，說明假設(shè)成立，若不符合標準則需修正模型。

3" 結(jié)果與討論

3.1" 城市綠色配送體系碳排放測算結(jié)果分析

以2010—2020年為樣本年限，根據(jù)測算模型對烏魯木齊城市綠色配送體系的碳排放進行測算，得到相關(guān)碳排放量，如表4所示。

結(jié)果顯示，2011—2018年配送體系碳排放總量呈現(xiàn)遞增狀態(tài)，2018年后呈下降趨勢，直接碳排放平均占總排放量的50.27%，而廢棄物的碳排放量平均高出間接碳排放量的6.84%。2010—2013年車輛的單位能耗變動不大，碳排放量主要受需求量支配。2014年之后，車輛單位能耗水平降低對直接排放的抑制頻率達到2.89%。電力消耗水平是碳排放增長的潛在動力，排放因子的降低有效抑制了1.87%的碳排放。廢棄物碳排放量年平均增長8.59%，廢棄物處理產(chǎn)出占58.64%，焚燒、填埋年平均降低3.91%、9.09%，但促進碳排放量增加7.3%，而回收再利用有效抑制了廢棄物總體碳排放的13.96%。因此，節(jié)能減排工作需重點聚焦于控制車輛單位能耗、排放因子以及包裝廢棄物回收再利用率。

3.2" 基于結(jié)構(gòu)方程的影響因素模型結(jié)果分析

選取2010—2020年44季度，對烏魯木齊市七區(qū)一縣的27個指標數(shù)據(jù)進行統(tǒng)計，各項指標數(shù)據(jù)量達到352個符合樣本數(shù)量要求。數(shù)據(jù)來源于《烏魯木齊市統(tǒng)計年鑒》、《中國汽車工業(yè)年鑒》、《中國交通運輸統(tǒng)計年鑒》，缺失數(shù)據(jù)值采用最小二乘法進行指數(shù)平滑加以補充。

3.2.1" 信度與效度檢驗

采用SPSS軟件對樣本數(shù)據(jù)Z標準化處理后進行信效度檢驗，總量表中α系數(shù)為0.928，KMO值為0.871且顯著性為0，說明數(shù)據(jù)整體的信效度非常好，符合因子分析的要求。為了進一步研究各維度下的分量指標的重要程度，應用探索性因子分析，27項指標的荷載因子數(shù)均大于0.7，通過Pearson相關(guān)系數(shù)驗證，各指標之間均存在顯著的相關(guān)性。

3.2.2" 模型假設(shè)與修正分析

采用AMOS軟件構(gòu)建結(jié)構(gòu)方程模型，運行發(fā)現(xiàn)模型假設(shè)中H3、H8、H9三項與實際運行值出現(xiàn)了偏離，需對該模型進行修正，修正過后擬合值GFI：0.988、CFI：0.921、NFI：0.909、RMSEA：0.022，滿足了擬合條件且擬合程度良好。修正后模型與假設(shè)如圖2所示。

3.2.3" 模型路徑結(jié)果分析

由圖2可知，各因素與碳排放之間均存在顯著影響關(guān)系且模型假設(shè)通過。為了進一步討論各變量與碳排放之間的潛在關(guān)系，將影響關(guān)系效應拆解為直接與間接效應，結(jié)果如表5所示。

由表5可知，各因素與碳排放量之間均存在直接效應，城市配送規(guī)模對碳排放的直接效應最強，表現(xiàn)為當城市配送規(guī)模擴大1個單位，體系碳排放量將增加0.575個單位。綠色配送的應用不僅對碳排放有直接效應也產(chǎn)生了間接效應，間接效應路徑為：綠色配送的應用→城市配送運輸能耗→碳排放量。高新技術(shù)的不斷發(fā)展，使城市配送市場實現(xiàn)向清潔能源轉(zhuǎn)型，從而對城市配送運輸能耗的影響越明顯，提升了環(huán)境友好程度，有效實現(xiàn)對碳排放量的抑制作用。綠色配送應用與碳排放的關(guān)系即可表現(xiàn)為當綠色配送應用能力提升1個單位，碳排放量將會減少0.242個單位，城市配送運輸能耗提升1個單位，碳排放量將減少0.398個單位。

4" 結(jié)" 論

明確城市綠色配送體系碳排放影響因素的作用機制，對制定符合城市發(fā)展的減排方案具有重要意義。本文基于2010—2020年面板數(shù)據(jù)，對烏魯木齊市綠色配送體系的碳排放影響因素進行了研究。

（1）基于烏魯木齊綠色配送體系架構(gòu)，對體系構(gòu)成要素的碳排放來源進行識別，通過IPCC排放系數(shù)法的測算，發(fā)現(xiàn)總體碳排放呈現(xiàn)遞增狀態(tài)，燃油車輛碳排放平均占總排放量的50.27%，新能源車平均碳排放量低于燃油車輛的31.2%，間接碳排放量比廢棄物碳排放量少6.84%，以控碳為目的的回收再利用處理僅抑制13.96%的碳排放。因此在城市配送活動中需合理調(diào)控燃油車與新能源車的占比、科學使用綠色包裝、構(gòu)建合理的回收體系，并引導設(shè)施設(shè)備標準化以實現(xiàn)能耗減量化。

（2）結(jié)構(gòu)方程模型的建立，挖掘了各因素與碳排放的潛在關(guān)系，人口與經(jīng)濟、城市配送規(guī)模對碳排放產(chǎn)生了直接促進作用，單位人口與經(jīng)濟的提升使碳排放量增加0.253個單位。城市配送運輸中綠色配送的應用對碳排放具有直接抑制作用，單位綠色配送應用的提升可抑制0.242單位的碳排放。在實際運行中，需構(gòu)建智慧配送體系，實現(xiàn)配送資源整合，引導完成各環(huán)節(jié)的碳減量工作。

參考文獻：

[1]" M'RAIHI R， MRAIHI T， HARIZI R， et al. Carbon emissions growth and road freight： Analysis of the influencing factors in Tunisia[J]. Transport Policy， 2015，42：121-129.

[2]" KHOLOD N， EVANS M， GUSEV E， et al. A methodology for calculating transport emissions in cities with limited traffic data： Case study of diesel particulates and black carbon emissions in Murmansk[J]. Science of the Total Environment， 2016，547：305-313.

[3]" JIANG R， WU P， WU C. Driving factors behind energy-related carbon emissions in the US road transport sector： A decomposition analysis[J]. International Journal of Environmental Research and Public Health， 2022，19（4）：2321.

[4] 孫強，沈玉志. 逆向物流碳足跡動態(tài)變化及影響因素分析[J]. 生態(tài)經(jīng)濟，2016，32（6）：52-56.

[5] 周楊，甘陸軍，韓方方. 基于生命周期評價的快遞碳足跡核算[J]. 物流技術(shù)，2021，40（6）：104-109，142.

[6] 白曉莉. 城市配送系統(tǒng)的碳足跡研究[D]. 西安：長安大學，2014.

[7] 穆曉央，王力，徐蓉，等. 西部省域物流業(yè)碳排放脫鉤及影響因素研究[J]. 環(huán)境科學與技術(shù)，2020，43（4）：214-219.

[8] 何黃慧，林姚宇，肖作鵬. 不同配送情景的路徑碳排放及其影響因素研究[C] // 面向高質(zhì)量發(fā)展的空間治理——2021中國城市規(guī)劃年會論文集（06城市交通規(guī)劃），2021：241-251.

[9] 張程. 中國快遞運輸量與貨品價值測算[J]. 長安大學學報（社會科學版），2015，17（3）：20-23.

[10] 歐國立，許暢然. 京津冀貨運碳排放效率分析——基于超效率SBM模型及ML指數(shù)[J]. 北京交通大學學報（社會科學版），2020，19（2）：48-57.