基于數字技術路徑檢驗的城市智慧物流與碳排放

陳子揚

安徽大學紐約石溪學院 安徽 合肥 230039

近年來全球溫室氣體的持續增長引起了全球各國的關注，很多國家已經制定了長期的減排計劃。作為全球第二大經濟體，中國積極承擔解決氣候變換的大國責任。國家主席習近平在第七十五屆聯合國大會上宣布中國“雙碳目標”。針對如何減少碳排放這一重要議題，已有眾多學者分析了數字經濟、綠色經濟、技術創新等對抑制碳排放的作用效果和機制，但鮮有從智慧物流視角分析其對減少碳排放的作用效果和理論邏輯。

1 文獻綜述

隨著國際上對“工業4.0”戰略研究的開始，學者們開始重新定義智慧物流并研究其影響。智慧物流是指以物流互聯網和物流大數據為依托，通過協同共享創新模式與人工技能創新技術，重塑產業分工，再造產業結構，轉變產業發展方式的新生態，其最大價值在于提供了終端設備、接入網和后端基礎設施產生的數據和新服務，同時也是未來物流業的發展趨勢和競爭制高點1-3]。

現有針對智慧物流建設的文獻主要研究了其對運輸效率和供應鏈績效方面的影響。通過對33個歐盟框架項目進行審查，指出大數據、物聯網等新一代數字技術會對多式聯運產生積極影響，智慧物流可以促進貨運網絡一體化，提高運輸效率。引入智慧物流體系中的智慧貨運概念，構建霧計算模型分析智慧貨運的作用并指出其能夠自主對環境作出反應，計算并優化決策，查找替代方案，從而提高運輸效率。從供應鏈績效的方面來看，使用服務業和制造業的樣本數據對RFID模型進行評估，研究發現RFID可以改善供應鏈成員之間的信息共享，從而導致供應鏈績效的提高。構建指標體系研究智慧物流對供應鏈的作用機理，指出智能物流能夠促進信息交換，提高物流的可視性，掌握整個供應鏈。構建結構方程模型檢驗智慧物流結構與可持續績效之間的假設關系，指出以技術為基礎的智慧物流對智慧城市環境產生直接的積極影響，進而對社會和經濟績效產生積極影響。

由此可見，盡管智慧物流已經成為一個新的熱點話題，但是，學者大都集中在研究智慧物流的發展體系、對運輸效率和供應鏈績效的影響等方面上，少有研究智慧物流對環境特別是碳排放的影響。已有少數分析其減排效應的研究僅簡單實證了智慧物流政策對碳排放的影響，但未詳細剖析其具體作用機制。需要強調的是，在中國力爭達到“雙碳”目標的大背景下，智慧物流對碳排放的影響更值得我們關注和研究。那么，“雙碳”目標背景下的智慧物流對抑制碳排放是否有顯著影響？潛在作用機制是什么？其作用效果是否因地域差異而存在異質性？為了回答這些問題，本文構建雙重差分模型實證分析智慧物流對碳排放的政策效應，對“雙碳”目標背景下智慧物流的建設提出相關建議[4]。

2 理論分析與研究假設

智慧物流建設是在充分利用新一代信息技術和數字平臺的基礎上蓬勃發展起來的，就智慧物流建設本身來看，更多是依托于數字技術的一種物流運輸方式創新、物流倉儲管理模式創新。

一方面，智慧物流通過數字技術建立的統一互聯、融合互通的互聯網平臺，可以實現物流大數據的采集、治理與智能分析，以更加精細、動態的方式管控運輸環節。通過這種方式，可以有效降低貨運車輛的空載率和低載率，減少了車輛的無效和低效駕駛。更重要的是，智慧物流通過AI、云計算等前沿技術創新應用，以技術賦能交通，應用5G技術，把單車的小交通，演變成所有車輛和道路網聯化的大交通，改變傳統的運輸方式，提高運輸效率，從而有效減少碳排放[5]。

另一方面，數字技術賦能下的智能倉儲可以提高空間利用率、降低人工成本、提高作業效率，其中的無人倉庫、無人車、無人機、物流機器人，能適應黑暗、低溫、高層、炎熱等特殊環境作業，大大降低了電能能耗。此外，智能倉儲可以實現生產數據和物流數據的實時交互，打破信息孤島，基于最短作業路徑，控制自動化設備完成柔性倉儲管理，達到利用率最大化，降低設備能耗，實現碳減排[6]。

基于此，本文提出以下假設：

H1：智慧物流建設可以有效降低碳排放。

H2：智慧物流可以通過促進物流運輸的數字化轉型從而降低碳排放。

H3：智慧物流可以通過促進物流倉儲的數字化轉型從而降低碳排放。

3 研究設計

3.1 變量選取與處理

（1）被解釋變量。本文選取的被解釋變量為城市的碳排放量(CE)。為了保證數據的平穩性，克服數據間的非線性問題，并在一定程度上消除量綱影響。本文對碳排放量取自然對數處理。

（2）解釋變量。本文以2015年商務部辦公廳印發的《關于智慧物流配送體系建設的實施方案》作為準自然實驗，其中發布的首批智慧物流示范城市包括無錫、重慶、臨沂、太原、南昌。因此研究的核心解釋變量為，其系數的大小和符號表示該智慧物流政策對碳排放影響的凈效應。

（3）控制變量。本文選取對碳排放影響較大的因素：人均GDP(perGDP)、人口(population)、城鎮化水平(urban)、綠色投資(green)、煤炭占比(coal)作為控制變量。為了消除量綱影響和異質性，本文作取對數處理。

（4）機制變量。本文選取數字運輸水平(DT)和數字倉儲化水平(DW)作為機制變量。

3.2 數據來源

本文選定2009-2019年我國30個省的283個地級市(不包含西藏和新疆)。其中，碳排放量、人均GDP、人口、煤炭占比等數據來源于《中國統計年鑒》和《中國城市統計年鑒》，個別缺失數據采用插值法處理。

3.3 模型構建

近年來，基于自然實驗的DID方法被廣泛用于評估政策效果。該方法利用差異中的差異避免了其他因素的影響。因此，本文構建雙重差分模型分析智慧物流城市建設對碳排放的影響。

為了保證對照組的樣本特征和實驗組的大致相似，我們建立了以下標準來篩選對照組：碳排放量不得小于實驗組的下限的80%，不得高于實驗組上限的120%；同時，考慮到實驗組的城市均是二線城市或新一線城市，本文也根據該標準選取對照組城市。隨后，構造模型如下：

此外，為了解決自主選擇偏差帶來的內生性問題，本文進一步構建PSM-DID模型，如下：

其中變量的設置方式與模型(1)相同。

4 實證結果分析

4.1 基準回歸分析

根據回歸模型的公式(1)，本文采用雙重差分模型估計智慧物流政策對城市碳排放的影響。表1的第(1)至第(2)列報告了基準回歸結果。

表1 基準回歸結果

回歸結果顯示，無論控制變量與否，城市智慧物流建設交互項系數顯著為負，這表明智慧物流試點政策能夠顯著降低城市的碳排放水平。由此，本文假說H1得以驗證。同時，表中第(2)列中的控制變量的回歸結果表明，煤炭占能源產業結構的比重增長對碳排放具有顯著正效應。這主要是因為煤炭是我國重要的能源支柱，但也是二氧化碳排放的主要來源。煤炭能源在產業結構的占比越大，碳排放量越大。

4.2 穩健性檢驗

4.2.1 平行趨勢檢驗

DID模型檢驗的前提是在政策實行前，實驗組和對照組的碳排放量具有相同變化趨勢。為了檢驗平行趨勢假定成立，本文繪制了實驗組和對照組平均碳排放量的時間趨勢圖，以直觀地揭示出兩組城市碳排放量的變化差異，如圖1所示。可以發現，在2015年智慧物流試點城市政策出臺之前，實驗組和對照組城市的碳排放量均呈現出上升的趨勢，兩組城市維持著基本平行的時間趨勢。但在2015年政策出臺之后，兩組城市的碳排放量展現出截然相反的變化趨勢，這證實通過了平行趨勢檢驗[7-9]。

圖1 實驗組和對照組的碳排放量時間趨勢

4.2.2 安慰劑檢驗

為了檢驗上述結果沒有受到隨機變量、遺漏變量等的影響，本文通過隨機產生政策施行時間以及隨機篩選智慧物流試點城市，構造了城市——時間兩個層面的隨機試驗，據模型(1)重新回歸并重復上述結果500次，繪制出的估計系數分布圖。若虛假實驗下的交互項系數分布在0附近，表明模型并沒有遺漏掉重要的因素，基準回歸分析中的智慧物流政策凈效應是準確的。結果如圖2所示，證實了本文基準回歸得出的核心結論是穩健的，不存在嚴重的遺漏變量問題和隨機因素的影響。

圖2 安慰劑檢驗

4.2.3 PSM-DID

傳統的DID模型中，需要在實驗組和對照組之間進行完全隨機選擇，否則結果可能產生很大偏差。但是政策實行過程中，難免會有人為選擇的主觀性所導致的政策評估偏差，例如智慧物流城市建設可能會選擇在碳排放量較高或經濟水平較高的城市。為了緩解自選擇偏差可能導致的內生性問題，本文將傾向得分匹配法和DID納入統一分析框架，以確保對政策效應的準確估計。具體步驟如下：

首先，選擇協變量。由于很難找出同時與被解釋變量碳排放量和實驗組變量都相關的變量，本文選取控制變量作為協變量。接著，運用logit模型估計出樣本城市的傾向得分值。隨后，運用卡尺最近鄰匹配并根據傾向得分值最近原則，選擇與實驗組相近的控制組城市[10]。

基于上述PSM結果，本文進一步根據式(2)構造雙重差分模型對處理過的樣本進行回歸分析，結果如表1的第(3)至(4)列所示。可以發現，交互項對碳排放量的負向效應依舊顯著，進一步驗證了基準回歸模型結果的穩健性和可靠性。

4.3 異質性分析

考慮到不同地域的城市在基礎設施建設情況、物流業的行業發展條件以及交通運輸的便利度等方面存在差異，可能導致智慧物流建設政策效應存在異質性。本文根據城市所屬地域將實驗組分為以下3組，東部城市包括無錫、臨沂，中部城市包括太原、南昌，西部城市包括重慶，并重新用模型(1)對三個組進行回歸。回歸結果如表2所示。

表2 城市異質性回歸分析結果

從表2可以看出，智慧物流建設對東部城市和中部城市的碳排放量具有顯著的負向作用，但對西部城市的作用并不顯著，并且東部城市的顯著性高于中部城市。主要原因在于，城市智慧物流建設需要高質量的基礎設施和高質量的品牌企業。東部沿海地區經濟相對發達，具有一定優勢的互聯網基礎設施和交通基礎設施，為促進協同共享、萬物互聯，為全面發展智慧物流奠定了基礎條件。同時，在電商、快遞、冷鏈、等市場領域的綜合實力強、引領作用大的龍頭骨干企業主要集中在東部和中部地區。這些高質量的品牌企業不斷推進模式創新、技術創新、業態創新，在智慧物流建設中起到重要的牽頭作用。因此，東部城市和中部城市建設智慧物流的條件相較于西部會更加成熟，發展速度會更快，對碳排放的抑制作用會更加顯著。相比之下，西部城市的智慧物流建設發展稍緩慢，這主要是由于西部城市的基礎設施建設不完善，品牌企業的牽頭作用不明顯，因此對碳排放的政策效應并不顯著[11]。

4.4 機制分析

4.4.1 數字運輸

智慧物流政策的推出，刺激了物流運輸的數字化轉型，改善了傳統的高能耗駕駛和低效運輸的狀況，從而實現碳排放的減排效應[12]。為了檢驗這一機制是否存在，本文引入中介變量數字運輸水平(DT)構建中介效應模型，如下：

結果如表3所示，表中第(1)列和第(2)列的被解釋變量分別為數字運輸水平和碳排放量。結果顯示，顯著為正，智慧物流可以顯著促進數字運輸水平的提升。同時，顯著為負，表明存在顯著的中介效應。由此可見，智慧物流通過促進傳統運輸方式向數字運輸的轉型，有效降低了碳排放，驗證了假設H2成立。

表3 中介效應檢驗

4.4.2 數字化倉儲

智能倉儲系統通過優化檢索分配和批次處理分配來減少揀單工作中的無用工作，進一步提高工作效率和減少工作時間，從而降低電能消耗和設備能耗來減少碳排放。那么，智慧物流政策的實施是否可以通過實現倉儲的數字化轉型從而降低碳排放呢？

本文引入中介變量倉儲的數字化水平(DT)，構建中介效應模型(5)和(6)。

結果如表3所示，第(3)列中treat×time的系數顯著為正，說明智慧物流政策推行后倉儲的數字化水平明顯提高。第(4)列顯示的系數在5%的水平下顯著為負，說明倉儲數字化水平的提升對碳排放有顯著的負向影響，這表明了倉儲的數字化轉型是智慧物流政策和碳排放關系的中介機制。由此可見，智慧物流政策的實施通過實現物流倉儲的數字化，抑制了碳排放，驗證了假設H3成立。

5 結論與建議

本文以智慧物流城市建設試點為準自然實驗，構建雙重差分模型研究智慧物流對碳排放的影響。主要結論如下：第一，智慧物流政策的實施對碳排放具有顯著的抑制作用。第二，智慧物流政策效應受城市地域影響表現出異質性，對東部城市和中部城市的碳排放抑制作用更明顯，對西部城市沒有顯著影響。第三，上述結論在PSM-DID等一系列穩健性檢驗中依然成立。第四，進一步的機制分析發現，智慧物流政策依托數字技術，促進了物流運輸和物流倉儲的數字化轉型，最終降低了碳排放。

基于以上結論，本文提出以下政策建議：

第一，從智慧物流政策的異質性效應來看，東部城市和西部城市建設智慧物流體系的經濟條件、交通運輸條件和技術條件相對成熟。因此，國家應在東部和中部城市廣泛推進智慧物流建設，充分發揮試驗區的牽頭作用。同時，政府應加大對西部城市的基礎設施和人才培養的資金投入，以適應現代物流發展的要求。加強互聯網和交通的基礎設施建設，同時促進高校和研究部門加強智慧物流相關的復合型人才教育工作，為西部城市輸送物流人才，保證智慧物流政策的順利推進。

第二，智慧物流城市建設應重視數字技術在運輸和倉儲環節中的節能減排作用。一方面，政府應制定相應政策，通過物聯網、人工智能等新一代技術改變傳統的運作方式，幫助企業更準確地制定和調整目標，實現物流運輸過程數據全流程的信息化、可視化以及調度優化，提高運輸效率，減少運輸時間，從而降低能耗。另一方面，加快物流倉儲的數字化轉型，加大對各類智能硬件設備的生產投入，應用新技術與新設備，助力“零碳排”倉庫建設目標的實現。