碳约束下省域物流能源效率空间关联效应及其影响因素

黄超然，周国华

（西南交通大学经济管理学院，四川成都 610031）

我国物流业发展迅速，但也面临着成本高、效率低、碳排放超标等问题，给环境带来沉重的负担［1］。调查数据显示，我国第三产业能源消费约占能源消费总量的30%，而作为物流业主要形式的运输、仓储和邮政服务业占第三产业能源消耗的80%以上，物流业的碳减排压力与日俱增［2］。随着我国面临的资源环境约束日益严重，传统粗放的物流发展方式难以为继［3］。我国“十四五”规划将低碳物流作为发展方向，因此在研究物流能源效率问题时关键要考虑碳排放。

针对物流业能源效率的研究，大多数学者关注于能源效率的测量和影响因素探索两个方面。如，Zaim 等［4］首次提出了“碳排放综合绩效”的概念，将碳排放定义为非期望的输出变量，随后，陈星星［5］采用全要素能源效率的方式计算碳排放绩效，碳排放绩效成为研究的热点；
商传磊等［6］利用数据包络分析（DEA）模型和Malmquist 指数方法，结合我国2006—2015 年各省份的能源消耗数据，从静态、动态以及从总体到局部评价我国物流业全要素能源效率；
李健等［7］考虑非期望产出的三阶段超效率SBM模型，并且与Malmquist 指数结合，对2007—2017年我国省际物流业绿色全要素生产率进行测算；
杨恺钧等［8］结合SBM 与GML 指数模型，测算长江经济带在碳约束下全要素能源效率并对其进行分解研究；
王兆峰等［9］运用SBM-DEA 模型分析湖南省碳排放效率的时空差异，以两阶段DEA 模型探索物流效率的宏观驱动因素；
王燕等［10］同样考虑用非期望产出的SBM 模型对我国各省份的能源绩效进行测量，并分析其空间特征变化趋势，并利用托宾（Tobit）回归方法探索影响能源效率的驱动因素。

事实上，我国经济发展具有明显的区域特征，区域物流体系的差异导致能源效率的差异，而且物流能源效率涉及经济、科技、社会发展等多个领域，与区域间、区域内、产业结构及物流模式等密切相关，因此省域物流能源效率的空间联系非常复杂，如果孤立地考虑单个省份的能源效率，可能会忽略各省份之间的相互作用［11］。而现有相关研究更多关注省际或者经济带之间能源效率的地区差异和不均衡性，如臧新等［12］、张立国等［13］和包耀东等［14］的研究，缺少对系统空间关联关系的分析，能源效率空间关联研究依然缺乏。鉴于此，本研究将从全要素角度考虑碳约束下的能源效率，引入碳约束情景下能源效率作为引力模型的质量因素，将物流碳排放与物流资本、能耗和劳动力联系起来；
并从整体空间关联的角度出发，运用社会网络分析方法分析能源效率的时空演变过程以及各区域在能源效率空间网络中的作用。

2.1 数据来源与处理

以2005—2019 年为考察期，选择我国30 个省、自治区、直辖市（未含西藏和港澳台地区）进行研究，相关数据来源于《中国能源统计年鉴》《中国统计年鉴》《中国科技统计年鉴》以及《中国环境统计年鉴》。其中，物流业固定资产投入、增加值和地区生产总值以2005 年不变价进行调整，消除价格变动的影响。鉴于在各类统计年鉴中未专门列明物流业，而由曹炳汝等［15］的研究可知，交通运输、仓储和邮政业占据了我国物流业总值85%以上，因此本研究以此代替物流业进行分析。

2.2 碳约束下物流能源效率测量

选取原煤、汽油、煤油等9 种物流业主要消耗能源，计算出各省份能源消费（E）和碳排放量（C）。计算公式如下：

式（1）（2）中：Eij为i地区物流业对j种能源的标准煤消耗量；
Qij为i地区物流业对j种能源的消耗量；
θj为折算标准煤系数；
Ci为i地区物流业的碳排放量；
δj为能源j的碳排放因子。相关能源系数如表1 所示［16］。

表1 常见能源标准煤折算系数和碳排放系数

Tone［17］提出了一种非径向、非角度的SBM 模型，能够对效率值为1 的决策单元（DMU）进行更细致地区分排序，据此，假设有n个独立的决策单元，每个决策单元有m个输入变量和s个输出变量，建立Super-SBM 模型表达式如下：

式（3）中：ρ为评估DMU 效率；
s-i和s+r分别为输入和输出的松弛变量；
λj为输入、输出指标的权重；
r表示产出指标个数；
k表示第k个决策单元。

将劳动力、资本、能源消耗作为输入变量，分别以物流业从业人员数（万人）、固定资产投资（亿元）、能源消耗量（万t，按标准煤）来计量；
将物流业增加值作为期望产出，物流碳排放量作为非期望产出，以此测算物流能源效率值。

2.3 空间网络模型

碳约束下省域物流能源效率之间的关系以点、线集合构成了空间网络，基于万有引力理论，考虑省际地理、经济邻近性，并结合能源效率受人口和经济的影响，参考刘华军等［18］的研究，构建改进的物流能源效率引力模型如下：

式（4）中：i和w分别为省份i和w；
Giw为省份之间的引力；
Ti为地区i的能源效率值；
Pi为i地区的年末总人口；
Ui为i地区生产总值；
Diw为省份之间的空间距离，借鉴Bai 等［19］的研究，用两省份的省会（首府）之间的直线距离表示；
ei为i地区人均生产总值。

运用式（4）可以计算出地区物流能源效率的引力矩阵，将矩阵各行的平均值作为阈值。如果Giw大于阈值，则取值为1，表示两省份的能源效率存在相关性；
如果小于阈值，则取值为0，表示两者之间没有相关性。

2.4 空间网络的特征指标

2.4.1 整体网络特征

网络密度反映空间网络连接的紧密程度，即网络完整性的度量。如果N为网络中的节点数，则最大可能的相关数为N×(N-1)；
如果网络中实际相关数量为M，则网络密度（Dn）可以表示为：

网络连通性反映了空间网络的鲁棒性和脆弱性。如果网络连通性为1，则网络结构相对稳定，网络中任意两个节点之间存在关联。设Cn为连通性，V为网络中不可达点对的数量，则连通性的公式如下：

网络层次结构衡量网络中节点之间的不对称可达性，反映每个节点的层次结构和支配地位。设K是网络中对称可达节点对的数量，max(K)为对称可达节点对的最大可能数量，则网络层次结构（Hn）可以表达为：

网络效率反映网络连接的冗余程度，网络效率越低意味着节点之间的空间关联数越多。设L是网络中冗余线路的数量，而max(L)是最大可能的冗余线路数量，则网络效率（Yn）表达式如下：

2.4.2 中心性分析

网络的度数中心度是衡量节点处于整个网络中心的程度，如果中心度越大，则表明该节点与网络中其他节点的关联度越大；
点出度越大反映该点的溢出程度越大，点入度越大表示该点的受益程度越大。度数中心度（P）可表示为：

网络的中介中心度衡量一个节点充当连接其他节点的桥梁作用，反映了网络中其他省份之间的能源效率在多大程度上需要通过省份i才能建立联系。若gab为a与b两省份之间所有的最短关联的路径数量，gab(i)为a与b两省份之间通过省份i的最短关联路径的数量。其中，b≠a≠i，并且a＜b。计算公式如下：

网络的接近中心度是衡量一个节点与网络中所有其他节点之间的捷径总和。如果某省份与其他省份的距离都很短，则可以认为该省份具有较高的接近中心性（JC）。计算公式如下：

2.4.3 块模块分析

块模块分析是社会网络分析空间聚类的主要方法，可以用来更好地分析各省份在空间网络中的作用和地位。该方法最早由Scott 等［20］提出，其将空间网络划分为双向溢出、净受益、净溢出和经纪人板块，具体划分标准如表2 所示。

表2 块模型板块划分标准

3.1 总体特征

在2005—2019 年间，受物流业能源、资本和劳动投入的影响，由于投入与产出效应，各省份在碳约束下的物流能源效率呈现波动态势，其中重庆（0.28～0.46）、广西（0.29～0.44）、青海（0.15～0.33）等波动幅度较小，辽宁（0.26～1.32）、贵州（0.26～1.07）、宁夏（0.30～1.10）等波动较为明显。2005 年，云南（0.20）、新疆（0.25）、贵州（0.30）的物流能源效率值最低，福建（1.24）、山东（1.13）、安徽（1.05）的效率值最高。2019 年物流能源效率最高的3 个省市为辽宁（1.32）、河北（1.15）、天津（1.04），而效率最低的3 个省为青海（0.20）、黑龙江（0.23）、吉林（0.29）。参照张天鹏等［21］研究中的经济区域划分方法，可见物流能源效率较高的省份普遍位于华东、华北地区，这些区域经济较为发达、资本和劳动力较为充足，在碳约束下的能源效率能够得到保障；
效率较低的省份普遍位于东北、西南等地区，这些省份经济发展缓慢、人口流失严重，缺乏有力的资本和劳动力的保障，一次性能源相对比较充裕，粗放型产业造成大量的碳排放，物流能源效率普遍比较低下。

3.2 整体结构特征演化

为有效表征30 个省份物流能源效率整体空间关联特征的演化规律，根据以上有关公式分别计算出物流能源效率的网络密度、连通性、层级和效率。从图1 可以看出，网络密度呈现出先起伏后逐渐减小的趋势，从2005 年的0.212 减小至2019 年的0.206，其中网络密度最大值为2009 年的0.237；
网络关联数从2001 年的184 个减少到2019 年的179 个；
网络层级呈现出先降低后上升的趋势，2015—2017 年均保持最低值0.432；
网络效率呈现出下降趋势，网络层级从2005 年的0.475 下降到2019 年的0.437，而网络效率在2005—2019 年间均在0.648～0.717之间浮动。另外，2001—2019 年间网络连通性均为1，表明各省份之间表现出良好的空间溢出关系。

图1 我国30 个省份物流能源效率网络结构特征

此外，运用NetDraw 绘制了2019 年30 个省份碳约束下物流能源效率的空间关联网络图（见图2），可见呈现出明显的核心与边缘结构，以北京、上海、江苏、浙江、广东、福建、山东为网络中心，接受较多的关联关系，而青海、新疆、云南、黑龙江、吉林、辽宁等省份处于网络的边缘，发出较多的关联关系。

图2 2019 年我国30 个省份能源效率空间关联网络

3.3 个体结构特征演化

从表3 可以看出，2019 年30 个省份的平均点入度、点出度以及总点数分别为5.97、5.97 和11.93个，总点数超过平均值的省份有9 个，分别为北京、浙江、江苏、上海、广东、福建、山东、河北、河南，其中北京接收关系数最高，表明以北京为首的东部发达地区在网络中发挥着核心作用，具有较强的区域经济、仓储物流的带动能力，资本和劳动力等资源配置相对充足，能源利用效率较高；
而且这9 个省份的点出度小于点入度，说明其空间溢出效应不明显，由于地区经济发达、能源消耗大，但资源相对匮乏，需要依靠西电东送、西气东输等工程予以支持。而中介中心度和接近中心度超过平均值的省份普遍位于长三角、珠三角、京津冀等经济圈，表明经济发达省份是网络的中心参与者，其能源效率的空间关联性强于其他省份。

表3 2019 年我国30 个省份能源效率的节点中心度分析

表3（续）

2019 年各省份能源效率的节点中心度分析如图3 所示。其中，点度数和接近度处在第一梯队的是北京、上海、江苏、天津及浙江，均地处东部发达地区，处于网络的中心位置；
而中介度处在第一梯队的省份为广东、山西、北京、新疆及江苏。其次，点度数指标排在第四梯度的是湖北、重庆、黑龙江、吉林、辽宁、内蒙古这6 个省份，大部分分布在东北和西部地区，在网络中扮演边缘角色。同样，中介度和接近度在第四梯度的省份广泛分布在东北、西南、西北等地区。主要原因分析：一是北京和上海等东部地区经济高度发达，作为制造业生产加工的集中区域，对于能源需求量很大，但其能源自我补充能力较差，常规能源供应不足，需要从中西部地区转移能源。二是中西部区域化石能源丰富，粗放型产业发达，其能源消耗碳排放较大，化石能源通过运输至中部省份加工处理后向东部发达地区供应，导致东部发达省份接收更多的关联关系。

图3 我国30 个省份物流能源效率空间关联网络平均中心度分布

3.4 块模型分析

以2019 年的数据为例，在UCINET 软件的CONCOR 工具中将最大切分深度设置为2，集中标准设置为0.2，将网络划分为4 个板块，表4 显示了四大板块的溢出效应。在社会网络中，板块Ⅰ中实际内部关系比例小于预期内部关系比例，接收到119 个联系、发出39 个联系，接收的外部关联数量明显高于接收的内部关联数量，因此，板块Ⅰ属于经纪人板块。板块Ⅱ仅有天津，属于净受益板块，经济发达导致物流能源效率溢出效应不显著。板块Ⅲ作为双向溢出板块，大部分为中部省份，充当桥梁和中介作用。板块Ⅳ的内部接收关系远低于外部，大部分省份地处偏远地区，充当净溢出的角色。板块Ⅳ代表石油、煤炭、天然气储量丰富的地区，交通基础设施建设不够完善，经济发展相对缓慢，因此，这些地区与物流相关的能源利用率低。2019 年各板块之间的关联关系如图4 所示。

表4 2019 年我国30 个省份物流能源效率空间关联板块的溢出效应

图4 2019 年我国30 个省份物流能源效率的空间关联关系

根据张瑞等［22］的研究成果，结合各省份物流能源效率的特点，将影响空间关联性的因素分为地理因素、经济发展、产业结构、城镇化率、技术水平、减排力度等6 项因素进行研究。回归模型设置如下：

式（12）中：V为物流能源效率空间关联矩阵；
SAM、PAG、PTI、UR、RDI、ECI 分别表示各省份空间邻接关系、经济水平差异、产业结构差异、城镇化率差异、科研发展投入差异、环境建设投入差异矩阵。

4.1 二次指派程序（QAP）相关性分析

在进行QAP 回归分析之前，应该确定选择的影响因素是否对能源效率空间关联性产生影响。由表5 可见，经济发展、产业结构、城镇化率、科研发展投入和环境建设投资均通过了显著性检验，而空间邻接未通过显著性检验，说明此因素与空间关联矩阵不相关。因此，选取除空间邻接的其他5 个因素作为解释变量，采用QAP 方法对这5 个因素进行相关性分析，检验其是否存在多重共线性。

表5 2019 年我国30 个省份物流能源效率空间关联矩阵与影响因素的QAP 相关性分析结果

从表6 可以看出，部分变量存在着明显的多重共线性特征，其中经济发展和城镇化率的相关系数达到了0.535。如果采用传统的线性规划方式，矩阵间的多重共线性会导致结果出现伪回归现象，致使结果不精确，因此采用QAP 回归法分析碳约束下30个省份能源效率的驱动因素。

表6 2019 年我国30 个省份物流能源效率影响因素的

QAP 相关性分析结果

4.2 QAP 回归分析

通过QAP 进行回归分析，对矩阵数据进行10 000 次随机排列，结果如表7 所示，可见调整后的R2为0.324，经济发展、产业结构、城镇化率、科研发展投入和环境建设5 个解释变量在1%的置信度水平下解释了32.4%的能源效率空间关联，拟合度较好。其中，经济发展和城镇化率的回归系数均在1%的水平上显著，说明这两个因素是影响物流能源效率空间关联的关键因素，且表明省域间经济发展和城镇化率差距越大则物流能源效率的溢出越明显，原因在于经济发展水平较高的省份在物流行业投入的资源越多，对物流网络和技术水平起促进作用越大，直接拉大了省域间物流能源效率差距；
RDI 的回归系数显著为正，说明物流能源效率的空间关联受科研发展投入差异的影响较大；
ECI在10%的水平上显著，说明环境建设投资差异的扩大对空间关联的形成有正向影响，究其原因，环保投入差异的扩大加剧了省域环保治理水平、人力资本等方面的差距，导致跨区域物流碳减排差异明显，空间关联性加强；
PTI 不显著，说明产业结构不影响能源效率的空间关联关系。

表7 2019 年我国30 个省份物流能源效率空间关联影响因素的QAP 回归分析结果

5.1 结论

本研究得到的主要结论如下：第一，从整体网络结构特征来看，网络密度呈现出先起伏后逐渐减小的趋势，从2005 年的0.212 减小至2019 年的0.206；
网络层级呈现出先降低后上升的趋势，2015—2017年均保持最低值0.432；
网络效率在2005—2019 年间均在0.648～0.717 之间浮动；
网络层级从2005年的0.475 下降到2019 年的0.437；
而网络连通性一直稳定为1，说明网络结构具有良好的可达性和较强的鲁棒性。第二，从个体网络特征来看，物流能源效率空间关联网络呈现出显著的核心与边缘分布格局，中心性与各省份经济发达程度有一定联系。其中，点度数和接近度处在第一梯队的是北京、上海、江苏、天津及浙江，均地处东部发达地区，处于网络的中心位置；
点度数指标排在第四梯度的是湖北、重庆、黑龙江、吉林、辽宁、内蒙古；
而中介度和接近度在第四梯度的广泛分布在东北、西南、西北等地区。通过将30 个省份划分为双向溢出、净受益、净溢出和经纪人四大功能板块可知，大部分地处偏远地区的省份充当净溢出的角色。第三，经济发展、城镇化率、科研发展投入以及环境建设投资与能源效率空间关联呈正相关，经济发展是影响物流能效空间关联的主要因素，而产业结构对空间关联影响不大。

5.2 政策建议

根据以上研究结果，可以得到以下政策建议：

（1）政府应当关注各省份物流能源效率的空间关联，实施跨区域协同配合，摒弃地方单独提升能源效率的理念。应在区域物流管理部门设立相关机构负责区域物流能效的协同管理，并在国家层面建立完善协同管理机制，统筹协调跨省份范围的能效优化工作。中央层面应当建立健全物流碳排放协同治理的考核问责机制，区域物流管理部门可以定期评估协同治理效果，对物流能源绩效提升较好省份予以奖励，对协同治理不力的省份进行处罚。

（2）北京、上海、江苏、天津及浙江等东部发达地区可以作为物流能源绩效示范区，依托资本和科技辐射带动周边省份，优化调整能源消耗结构，提高物流减排标准。发达省份要发挥技术创新优势，发挥引领带头作用，加强与落后地区在先进节能减排技术方面的交流合作。对于吉林、辽宁、内蒙古等处在网络边缘的省份，应当加大其交通建设的投资力度，通过专项资金补贴和财政支持完善信息网络和交通网络的建设，弱化地理位置的虹吸效应。

（3）各级政府在“十四五”期间需要兼顾经济发展和环境保护目标，通过转变经济增长方式，大力发展低碳经济，支持低能耗、低排放、低污染物流企业的发展。网络边缘省份要尽快落实人才引进优惠政策，缩小人力资本缺口，为智慧物流配送体系建设提供充足的配套基础设施和人才储备。平衡各省份对于环境基础设施的建设投资，特别是增加偏远省份对于环境基础设施的投入力度。加大环境基础设施的投资力度，促进其相关设施不断提档升级，减小各省份对于物流碳排放治理的差距。

猜你喜欢 物流业省份关联 不惧于新，不困于形——一道函数“关联”题的剖析与拓展新世纪智能(数学备考)(2021年9期)2021-11-24谁说小龙虾不赚钱？跨越四省份，暴走万里路，只为寻找最会养虾的您当代水产(2019年11期)2019-12-23“一带一路”递进，关联民生更紧当代陕西(2019年15期)2019-09-02物 流 业江苏年鉴(2018年0期)2018-02-12奇趣搭配学苑创造·A版(2018年11期)2018-02-01智趣读者(2017年5期)2017-02-15我国物流业的供给侧改革的突破口中国制笔(2016年1期)2016-12-01西安市物流业发展问题研究中国市场(2016年44期)2016-05-17营改增对物流业税负的影响与对策现代企业(2015年4期)2015-02-28因地制宜地稳妥推进留地安置——基于对10余省份留地安置的调研中国土地科学(2014年4期)2014-03-01