碳約束下省域物流能源效率空間關聯效應及其影響因素

黃超然，周國華

（西南交通大學經濟管理學院，四川成都 610031）

1 研究背景

我國物流業發展迅速，但也面臨著成本高、效率低、碳排放超標等問題，給環境帶來沉重的負擔［1］。調查數據顯示，我國第三產業能源消費約占能源消費總量的30%，而作為物流業主要形式的運輸、倉儲和郵政服務業占第三產業能源消耗的80%以上，物流業的碳減排壓力與日俱增［2］。隨著我國面臨的資源環境約束日益嚴重，傳統粗放的物流發展方式難以為繼［3］。我國“十四五”規劃將低碳物流作為發展方向，因此在研究物流能源效率問題時關鍵要考慮碳排放。

針對物流業能源效率的研究，大多數學者關注于能源效率的測量和影響因素探索兩個方面。如，Zaim 等［4］首次提出了“碳排放綜合績效”的概念，將碳排放定義為非期望的輸出變量，隨后，陳星星［5］采用全要素能源效率的方式計算碳排放績效，碳排放績效成為研究的熱點；商傳磊等［6］利用數據包絡分析（DEA）模型和Malmquist 指數方法，結合我國2006—2015 年各省份的能源消耗數據，從靜態、動態以及從總體到局部評價我國物流業全要素能源效率；李健等［7］考慮非期望產出的三階段超效率SBM模型，并且與Malmquist 指數結合，對2007—2017年我國省際物流業綠色全要素生產率進行測算；楊愷鈞等［8］結合SBM 與GML 指數模型，測算長江經濟帶在碳約束下全要素能源效率并對其進行分解研究；王兆峰等［9］運用SBM-DEA 模型分析湖南省碳排放效率的時空差異，以兩階段DEA 模型探索物流效率的宏觀驅動因素；王燕等［10］同樣考慮用非期望產出的SBM 模型對我國各省份的能源績效進行測量，并分析其空間特征變化趨勢，并利用托賓（Tobit）回歸方法探索影響能源效率的驅動因素。

事實上，我國經濟發展具有明顯的區域特征，區域物流體系的差異導致能源效率的差異，而且物流能源效率涉及經濟、科技、社會發展等多個領域，與區域間、區域內、產業結構及物流模式等密切相關，因此省域物流能源效率的空間聯系非常復雜，如果孤立地考慮單個省份的能源效率，可能會忽略各省份之間的相互作用［11］。而現有相關研究更多關注省際或者經濟帶之間能源效率的地區差異和不均衡性，如臧新等［12］、張立國等［13］和包耀東等［14］的研究，缺少對系統空間關聯關系的分析，能源效率空間關聯研究依然缺乏。鑒于此，本研究將從全要素角度考慮碳約束下的能源效率，引入碳約束情景下能源效率作為引力模型的質量因素，將物流碳排放與物流資本、能耗和勞動力聯系起來；并從整體空間關聯的角度出發，運用社會網絡分析方法分析能源效率的時空演變過程以及各區域在能源效率空間網絡中的作用。

2 模型構建與數據來源

2.1 數據來源與處理

以2005—2019 年為考察期，選擇我國30 個省、自治區、直轄市（未含西藏和港澳臺地區）進行研究，相關數據來源于《中國能源統計年鑒》《中國統計年鑒》《中國科技統計年鑒》以及《中國環境統計年鑒》。其中，物流業固定資產投入、增加值和地區生產總值以2005 年不變價進行調整，消除價格變動的影響。鑒于在各類統計年鑒中未專門列明物流業，而由曹炳汝等［15］的研究可知，交通運輸、倉儲和郵政業占據了我國物流業總值85%以上，因此本研究以此代替物流業進行分析。

2.2 碳約束下物流能源效率測量

選取原煤、汽油、煤油等9 種物流業主要消耗能源，計算出各省份能源消費（E）和碳排放量（C）。計算公式如下：

式（1）（2）中：Eij為i地區物流業對j種能源的標準煤消耗量；Qij為i地區物流業對j種能源的消耗量；θj為折算標準煤系數；Ci為i地區物流業的碳排放量；δj為能源j的碳排放因子。相關能源系數如表1 所示［16］。

表1 常見能源標準煤折算系數和碳排放系數

Tone［17］提出了一種非徑向、非角度的SBM 模型，能夠對效率值為1 的決策單元（DMU）進行更細致地區分排序，據此，假設有n個獨立的決策單元，每個決策單元有m個輸入變量和s個輸出變量，建立Super-SBM 模型表達式如下：

式（3）中：ρ為評估DMU 效率；s-i和s+r分別為輸入和輸出的松弛變量；λj為輸入、輸出指標的權重；r表示產出指標個數；k表示第k個決策單元。

將勞動力、資本、能源消耗作為輸入變量，分別以物流業從業人員數（萬人）、固定資產投資（億元）、能源消耗量（萬t，按標準煤）來計量；將物流業增加值作為期望產出，物流碳排放量作為非期望產出，以此測算物流能源效率值。

2.3 空間網絡模型

碳約束下省域物流能源效率之間的關系以點、線集合構成了空間網絡，基于萬有引力理論，考慮省際地理、經濟鄰近性，并結合能源效率受人口和經濟的影響，參考劉華軍等［18］的研究，構建改進的物流能源效率引力模型如下：

式（4）中：i和w分別為省份i和w；Giw為省份之間的引力；Ti為地區i的能源效率值；Pi為i地區的年末總人口；Ui為i地區生產總值；Diw為省份之間的空間距離，借鑒Bai 等［19］的研究，用兩省份的省會（首府）之間的直線距離表示；ei為i地區人均生產總值。

運用式（4）可以計算出地區物流能源效率的引力矩陣，將矩陣各行的平均值作為閾值。如果Giw大于閾值，則取值為1，表示兩省份的能源效率存在相關性；如果小于閾值，則取值為0，表示兩者之間沒有相關性。

2.4 空間網絡的特征指標

2.4.1 整體網絡特征

網絡密度反映空間網絡連接的緊密程度，即網絡完整性的度量。如果N為網絡中的節點數，則最大可能的相關數為N×(N-1)；如果網絡中實際相關數量為M，則網絡密度（Dn）可以表示為：

網絡連通性反映了空間網絡的魯棒性和脆弱性。如果網絡連通性為1，則網絡結構相對穩定，網絡中任意兩個節點之間存在關聯。設Cn為連通性，V為網絡中不可達點對的數量，則連通性的公式如下：

網絡層次結構衡量網絡中節點之間的不對稱可達性，反映每個節點的層次結構和支配地位。設K是網絡中對稱可達節點對的數量，max(K)為對稱可達節點對的最大可能數量，則網絡層次結構（Hn）可以表達為：

網絡效率反映網絡連接的冗余程度，網絡效率越低意味著節點之間的空間關聯數越多。設L是網絡中冗余線路的數量，而max(L)是最大可能的冗余線路數量，則網絡效率（Yn）表達式如下：

2.4.2 中心性分析

網絡的度數中心度是衡量節點處于整個網絡中心的程度，如果中心度越大，則表明該節點與網絡中其他節點的關聯度越大；點出度越大反映該點的溢出程度越大，點入度越大表示該點的受益程度越大。度數中心度（P）可表示為：

網絡的中介中心度衡量一個節點充當連接其他節點的橋梁作用，反映了網絡中其他省份之間的能源效率在多大程度上需要通過省份i才能建立聯系。若gab為a與b兩省份之間所有的最短關聯的路徑數量，gab(i)為a與b兩省份之間通過省份i的最短關聯路徑的數量。其中，b≠a≠i，并且a＜b。計算公式如下：

網絡的接近中心度是衡量一個節點與網絡中所有其他節點之間的捷徑總和。如果某省份與其他省份的距離都很短，則可以認為該省份具有較高的接近中心性（JC）。計算公式如下：

2.4.3 塊模塊分析

塊模塊分析是社會網絡分析空間聚類的主要方法，可以用來更好地分析各省份在空間網絡中的作用和地位。該方法最早由Scott 等［20］提出，其將空間網絡劃分為雙向溢出、凈受益、凈溢出和經紀人板塊，具體劃分標準如表2 所示。

表2 塊模型板塊劃分標準

3 碳約束下物流能源效率的空間網絡特征分析

3.1 總體特征

在2005—2019 年間，受物流業能源、資本和勞動投入的影響，由于投入與產出效應，各省份在碳約束下的物流能源效率呈現波動態勢，其中重慶（0.28～0.46）、廣西（0.29～0.44）、青海（0.15～0.33）等波動幅度較小，遼寧（0.26～1.32）、貴州（0.26～1.07）、寧夏（0.30～1.10）等波動較為明顯。2005 年，云南（0.20）、新疆（0.25）、貴州（0.30）的物流能源效率值最低，福建（1.24）、山東（1.13）、安徽（1.05）的效率值最高。2019 年物流能源效率最高的3 個省市為遼寧（1.32）、河北（1.15）、天津（1.04），而效率最低的3 個省為青海（0.20）、黑龍江（0.23）、吉林（0.29）。參照張天鵬等［21］研究中的經濟區域劃分方法，可見物流能源效率較高的省份普遍位于華東、華北地區，這些區域經濟較為發達、資本和勞動力較為充足，在碳約束下的能源效率能夠得到保障；效率較低的省份普遍位于東北、西南等地區，這些省份經濟發展緩慢、人口流失嚴重，缺乏有力的資本和勞動力的保障，一次性能源相對比較充裕，粗放型產業造成大量的碳排放，物流能源效率普遍比較低下。

3.2 整體結構特征演化

為有效表征30 個省份物流能源效率整體空間關聯特征的演化規律，根據以上有關公式分別計算出物流能源效率的網絡密度、連通性、層級和效率。從圖1 可以看出，網絡密度呈現出先起伏后逐漸減小的趨勢，從2005 年的0.212 減小至2019 年的0.206，其中網絡密度最大值為2009 年的0.237；網絡關聯數從2001 年的184 個減少到2019 年的179 個；網絡層級呈現出先降低后上升的趨勢，2015—2017 年均保持最低值0.432；網絡效率呈現出下降趨勢，網絡層級從2005 年的0.475 下降到2019 年的0.437，而網絡效率在2005—2019 年間均在0.648～0.717之間浮動。另外，2001—2019 年間網絡連通性均為1，表明各省份之間表現出良好的空間溢出關系。

圖1 我國30 個省份物流能源效率網絡結構特征

此外，運用NetDraw 繪制了2019 年30 個省份碳約束下物流能源效率的空間關聯網絡圖（見圖2），可見呈現出明顯的核心與邊緣結構，以北京、上海、江蘇、浙江、廣東、福建、山東為網絡中心，接受較多的關聯關系，而青海、新疆、云南、黑龍江、吉林、遼寧等省份處于網絡的邊緣，發出較多的關聯關系。

圖2 2019 年我國30 個省份能源效率空間關聯網絡

3.3 個體結構特征演化

從表3 可以看出，2019 年30 個省份的平均點入度、點出度以及總點數分別為5.97、5.97 和11.93個，總點數超過平均值的省份有9 個，分別為北京、浙江、江蘇、上海、廣東、福建、山東、河北、河南，其中北京接收關系數最高，表明以北京為首的東部發達地區在網絡中發揮著核心作用，具有較強的區域經濟、倉儲物流的帶動能力，資本和勞動力等資源配置相對充足，能源利用效率較高；而且這9 個省份的點出度小于點入度，說明其空間溢出效應不明顯，由于地區經濟發達、能源消耗大，但資源相對匱乏，需要依靠西電東送、西氣東輸等工程予以支持。而中介中心度和接近中心度超過平均值的省份普遍位于長三角、珠三角、京津冀等經濟圈，表明經濟發達省份是網絡的中心參與者，其能源效率的空間關聯性強于其他省份。

表3 2019 年我國30 個省份能源效率的節點中心度分析

表3（續）

2019 年各省份能源效率的節點中心度分析如圖3 所示。其中，點度數和接近度處在第一梯隊的是北京、上海、江蘇、天津及浙江，均地處東部發達地區，處于網絡的中心位置；而中介度處在第一梯隊的省份為廣東、山西、北京、新疆及江蘇。其次，點度數指標排在第四梯度的是湖北、重慶、黑龍江、吉林、遼寧、內蒙古這6 個省份，大部分分布在東北和西部地區，在網絡中扮演邊緣角色。同樣，中介度和接近度在第四梯度的省份廣泛分布在東北、西南、西北等地區。主要原因分析：一是北京和上海等東部地區經濟高度發達，作為制造業生產加工的集中區域，對于能源需求量很大，但其能源自我補充能力較差，常規能源供應不足，需要從中西部地區轉移能源。二是中西部區域化石能源豐富，粗放型產業發達，其能源消耗碳排放較大，化石能源通過運輸至中部省份加工處理后向東部發達地區供應，導致東部發達省份接收更多的關聯關系。

圖3 我國30 個省份物流能源效率空間關聯網絡平均中心度分布

3.4 塊模型分析

以2019 年的數據為例，在UCINET 軟件的CONCOR 工具中將最大切分深度設置為2，集中標準設置為0.2，將網絡劃分為4 個板塊，表4 顯示了四大板塊的溢出效應。在社會網絡中，板塊Ⅰ中實際內部關系比例小于預期內部關系比例，接收到119 個聯系、發出39 個聯系，接收的外部關聯數量明顯高于接收的內部關聯數量，因此，板塊Ⅰ屬于經紀人板塊。板塊Ⅱ僅有天津，屬于凈受益板塊，經濟發達導致物流能源效率溢出效應不顯著。板塊Ⅲ作為雙向溢出板塊，大部分為中部省份，充當橋梁和中介作用。板塊Ⅳ的內部接收關系遠低于外部，大部分省份地處偏遠地區，充當凈溢出的角色。板塊Ⅳ代表石油、煤炭、天然氣儲量豐富的地區，交通基礎設施建設不夠完善，經濟發展相對緩慢，因此，這些地區與物流相關的能源利用率低。2019 年各板塊之間的關聯關系如圖4 所示。

表4 2019 年我國30 個省份物流能源效率空間關聯板塊的溢出效應

圖4 2019 年我國30 個省份物流能源效率的空間關聯關系

4 我國物流能源效率空間關聯的影響因素

根據張瑞等［22］的研究成果，結合各省份物流能源效率的特點，將影響空間關聯性的因素分為地理因素、經濟發展、產業結構、城鎮化率、技術水平、減排力度等6 項因素進行研究。回歸模型設置如下：

式（12）中：V為物流能源效率空間關聯矩陣；SAM、PAG、PTI、UR、RDI、ECI 分別表示各省份空間鄰接關系、經濟水平差異、產業結構差異、城鎮化率差異、科研發展投入差異、環境建設投入差異矩陣。

4.1 二次指派程序（QAP）相關性分析

在進行QAP 回歸分析之前，應該確定選擇的影響因素是否對能源效率空間關聯性產生影響。由表5 可見，經濟發展、產業結構、城鎮化率、科研發展投入和環境建設投資均通過了顯著性檢驗，而空間鄰接未通過顯著性檢驗，說明此因素與空間關聯矩陣不相關。因此，選取除空間鄰接的其他5 個因素作為解釋變量，采用QAP 方法對這5 個因素進行相關性分析，檢驗其是否存在多重共線性。

表5 2019 年我國30 個省份物流能源效率空間關聯矩陣與影響因素的QAP 相關性分析結果

從表6 可以看出，部分變量存在著明顯的多重共線性特征，其中經濟發展和城鎮化率的相關系數達到了0.535。如果采用傳統的線性規劃方式，矩陣間的多重共線性會導致結果出現偽回歸現象，致使結果不精確，因此采用QAP 回歸法分析碳約束下30個省份能源效率的驅動因素。

表6 2019 年我國30 個省份物流能源效率影響因素的

QAP 相關性分析結果

4.2 QAP 回歸分析

通過QAP 進行回歸分析，對矩陣數據進行10 000 次隨機排列，結果如表7 所示，可見調整后的R2為0.324，經濟發展、產業結構、城鎮化率、科研發展投入和環境建設5 個解釋變量在1%的置信度水平下解釋了32.4%的能源效率空間關聯，擬合度較好。其中，經濟發展和城鎮化率的回歸系數均在1%的水平上顯著，說明這兩個因素是影響物流能源效率空間關聯的關鍵因素，且表明省域間經濟發展和城鎮化率差距越大則物流能源效率的溢出越明顯，原因在于經濟發展水平較高的省份在物流行業投入的資源越多，對物流網絡和技術水平起促進作用越大，直接拉大了省域間物流能源效率差距；RDI 的回歸系數顯著為正，說明物流能源效率的空間關聯受科研發展投入差異的影響較大；ECI在10%的水平上顯著，說明環境建設投資差異的擴大對空間關聯的形成有正向影響，究其原因，環保投入差異的擴大加劇了省域環保治理水平、人力資本等方面的差距，導致跨區域物流碳減排差異明顯，空間關聯性加強；PTI 不顯著，說明產業結構不影響能源效率的空間關聯關系。

表7 2019 年我國30 個省份物流能源效率空間關聯影響因素的QAP 回歸分析結果

5 結論與政策建議

5.1 結論

本研究得到的主要結論如下：第一，從整體網絡結構特征來看，網絡密度呈現出先起伏后逐漸減小的趨勢，從2005 年的0.212 減小至2019 年的0.206；網絡層級呈現出先降低后上升的趨勢，2015—2017年均保持最低值0.432；網絡效率在2005—2019 年間均在0.648～0.717 之間浮動；網絡層級從2005年的0.475 下降到2019 年的0.437；而網絡連通性一直穩定為1，說明網絡結構具有良好的可達性和較強的魯棒性。第二，從個體網絡特征來看，物流能源效率空間關聯網絡呈現出顯著的核心與邊緣分布格局，中心性與各省份經濟發達程度有一定聯系。其中，點度數和接近度處在第一梯隊的是北京、上海、江蘇、天津及浙江，均地處東部發達地區，處于網絡的中心位置；點度數指標排在第四梯度的是湖北、重慶、黑龍江、吉林、遼寧、內蒙古；而中介度和接近度在第四梯度的廣泛分布在東北、西南、西北等地區。通過將30 個省份劃分為雙向溢出、凈受益、凈溢出和經紀人四大功能板塊可知，大部分地處偏遠地區的省份充當凈溢出的角色。第三，經濟發展、城鎮化率、科研發展投入以及環境建設投資與能源效率空間關聯呈正相關，經濟發展是影響物流能效空間關聯的主要因素，而產業結構對空間關聯影響不大。

5.2 政策建議

根據以上研究結果，可以得到以下政策建議：

（1）政府應當關注各省份物流能源效率的空間關聯，實施跨區域協同配合，摒棄地方單獨提升能源效率的理念。應在區域物流管理部門設立相關機構負責區域物流能效的協同管理，并在國家層面建立完善協同管理機制，統籌協調跨省份范圍的能效優化工作。中央層面應當建立健全物流碳排放協同治理的考核問責機制，區域物流管理部門可以定期評估協同治理效果，對物流能源績效提升較好省份予以獎勵，對協同治理不力的省份進行處罰。

（2）北京、上海、江蘇、天津及浙江等東部發達地區可以作為物流能源績效示范區，依托資本和科技輻射帶動周邊省份，優化調整能源消耗結構，提高物流減排標準。發達省份要發揮技術創新優勢，發揮引領帶頭作用，加強與落后地區在先進節能減排技術方面的交流合作。對于吉林、遼寧、內蒙古等處在網絡邊緣的省份，應當加大其交通建設的投資力度，通過專項資金補貼和財政支持完善信息網絡和交通網絡的建設，弱化地理位置的虹吸效應。

（3）各級政府在“十四五”期間需要兼顧經濟發展和環境保護目標，通過轉變經濟增長方式，大力發展低碳經濟，支持低能耗、低排放、低污染物流企業的發展。網絡邊緣省份要盡快落實人才引進優惠政策，縮小人力資本缺口，為智慧物流配送體系建設提供充足的配套基礎設施和人才儲備。平衡各省份對于環境基礎設施的建設投資，特別是增加偏遠省份對于環境基礎設施的投入力度。加大環境基礎設施的投資力度，促進其相關設施不斷提檔升級，減小各省份對于物流碳排放治理的差距。