社会经济水平的提高和综合交通网络的完善推动了交通及物流活动的快速发展. 交通碳排放问题已成为国内外关注的焦点^[1~8]. 据统计, 交通运输产生的碳排放约占所有行业碳排放的10%^[9], 占全球温室气体排放量的23%^[10], 已成为第三大温室气体排放源^{[11, 12]}. 预计到2050年, 我国交通运输业碳排放量可能超过33亿t, 相当于全国碳排放总量的33%^[13]. 物流业是在交通运输业的基础上发展起来的新兴行业, 物流需要依靠交通网络、交通设施以及交通工具等完成货物的流动, 从而产生大量的碳排放. 近年来国家对物流低碳化越发重视, 《关于加快健全绿色低碳循环发展经济体系的指导意见》《城市绿色货运配送示范工程管理办法》《“十四五”现代物流发展规划》等文件陆续出台. 由于中国幅员辽阔, 各省、自治区和直辖市的物流业发展水平、经济发展水平和能源结构等存在一定的差距, 使得省域间的物流业碳排放存在差异. 在当前“双碳”战略和交通强国建设的背景下, 以中国的省、自治区和直辖市作为研究对象, 探明省域物流业碳排放时空分异是进行区域物流碳排放治理差异化的需要.

对于物流碳排放问题, 近年来相关研究逐渐聚焦于区域碳排放的时空异质性及影响因素研究方面：①在时空异质性研究方面, 部分学者运用非期望产出的超效率SBM与Malmquist指数模型对长江经济带和华东地区的物流业碳排放效率和绿色物流发展效率进行测算, 证明了省域物流排放效率值存在空间自相关性及时空分异特征^{[14, 15]}；有的学者基于空间自相关和K均值聚类算法探明云南省货车的时空分异及聚类特性^[16]；也有学者对长三角地区物流业碳排放的时空分布进行探究^[17]. ②在影响因素研究方面, 学者们从能源强度、能源结构、交通运输强度、物流产出、从业规模、GDP及人口等方面探明云南省以及长三角的地区的货车以及物流业碳排放的影响因素^{[16, 17]}；本团队前期对包含客运和货运的交通碳排放进行较为深入的研究, 探明经济因素（GDP、人均GDP等）、交通因素（客运周转量、货运周转量、机动车保有量等）、能源因素（碳强度）和社会环境因素（城市化率等）等因素对交通的碳排放的影响程度^[18~20]. ③在时空分异方法应用方面, 已有研究采用地理加权回归模型（geographically weighted regression, GWR）对宏观区域的交通碳排放进行研究^[18]. GWR模型利用地理位置的权重来解释模型变量与因变量之间的空间关系. 相较于传统的回归模型, 能够充分考虑到地理位置的影响. 但是GWR模型中自变量的回归参数只随空间位置的改变而变化, 无法随着时空位置的改变而变化. 时空地理加权回归模型（geographically and temporally weighted regression, GTWR）是在GWR的基础上改进的, 在考虑空间异质性的基础上增加了对时间要素的分析, 具有较强的空间分析能力, 能够很好地揭示空间异质性条件下的时空关系^[21~24].

综上, 已有研究为探明物流业碳排放的时空分异提供了较好的参考, 可在如下方面进一步深入研究：首先, 在研究区域方面, 现有研究主要集中在单个省份、地理分区或经济圈的研究, 尚未探明全国尺度的物流业碳排放时空分异；其次, 在影响因素分析方面, 相对于分类较明确的交通碳排放影响因素来说, 物流碳排放的影响因素仍处于探索之中, 尚未形成较明确的分类指标体系. 此外, 上述研究在时间上的跨度约为2000~2020年. 其中, 在2010年, 中国的GDP总量首次成为全球第二大经济体；且2010年是中国经济发展由高速增长向高质量增长的历史性转变的关键年份. 相对2010年以前经济高速增长的发展模式而言, 高质量增长要求经济与生态环境保护并举, 实现经济的可持续繁荣. 然而, 专注于探讨中国经济高质量发展背景下的物流业碳排放时空分异的研究鲜见. 因此, 本研究以中国经济高质量发展作为研究统计期（2010年至今）, 采用政府间气候变化专门委员会（intergovernmental panel on climate change, IPCC）推荐的“自上而下”的方法^{[25, 26]}获取中国省域物流业的碳排放量, 基于Moran's I指数和双变量空间自相关模型进行空间相关性分析, 利用GTWR模型探明中国物流业碳排放的时空分异.本研究结果有助于探明物流业碳排放在中国经济高质量发展背景下的时空分异特征, 以期为制定省域物流业碳排放差异化治理策略提供理论参考.

1 材料与方法 1.1 中国省域物流业碳排放测算

由于我国目前尚无物流业碳排放的直接数据, 借鉴文献[27]的方法, 将化石燃料燃烧时释放的二氧化碳排放量作为物流业的碳排放量, 采用“自上而下”法计算各省域物流业碳排放, 见式（1）：

(1)

式中, E_t表示省域物流业消耗能源产生的碳排放量, t；i表示能源种类, 含燃料油、汽油、煤油、柴油和电力；δ_i表示各种能源的折标准煤系数, t·t^-1；α_i表示各种能源的碳排放系数, t·t^-1；E_i表示各种能源消耗量, t. 其中, 能源对标准煤的折算系数和能源消耗量数据来源于相关年份的《中国能源统计年鉴》^[28~31]；能源的碳排放系数来源于文献[32].

1.2 空间自相关分析 1.2.1 全局空间自相关

全局空间自相关可以得出研究对象在空间内的整体分布特征, 一般采用全局Moran's I指数为测度指数^[18]. 空间自相关系数计算如式（2）：

(2)

式中, n表示研究区域的个数；x_i和x_j分别表示研究区域i和研究区域j的观测值；x表示研究区域内观测值的均值；W_ij表示空间权重矩阵. Moran's I的取值为-1~1之间：当Moran's I小于0时, 表示研究对象在空间上呈现空间负相关性；当Moran's I大于0时, 表示研究对象在空间上呈现空间正相关性.

1.2.2 局部空间自相关

局部空间自相关主要用于分析局部区域研究对象的空间分布和关联状态, 利用局部Moran's I指数可以得出我国省域物流业碳排放量与相邻省份之间的联系. 局部Moran's I指数计算式如式（3）所示：

(3)

1.2.3 双变量空间自相关

双变量空间自相关可以探索多个变量之间的空间关联性, 是用所有相邻位置的加权平均值评估一个位置变量值与其他变量的相关程度^[33], 其计算式见式（4）：

(4)

式中, X_lⁱ表示空间单元i属性l的观测值, X_m^j表示空间单位j属性m的观测值；σ_l表示属性l的观测值的方差, σ_m表示属性m的观测值的方差；X_l和X_m表示研究区域内观测值的均值.

1.3 时空地理加权回归分析

GTWR已被证实适用于分析碳排放空间的差异性^{[21, 23]}, 因此利用该方法分析中国省域物流业碳排放影响因素的时空差异性. 公式如下：

(5)

式中, y_i表示第i个样本点的因变量；x_ik表示第k个自变量在第i个样本点处的观测值；n表示样本点的个数；（u_i, v_i, t_i）表示第i个样本点的时空坐标位置；β_k（u_i, v_i, t_i）表示第k个自变量在第i个样本点处的回归系数；β₀（u_i, v_i, t_i）表示第i个样本点的时空截距；ε_i表示残差.

1.4 数据来源

物流业是中国约20年来蓬勃发展的新兴产业, 但目前我国主要的统计口径中并未单独设立“物流业”这一数据类别. 有研究表明交通运输、仓储和邮政业对物流业的贡献率为85%以上, 能够较好地代表物流行业的发展情况^[34]. 由于目前可获取到的数据有限, 已有研究均将交通运输、仓储和邮政业作为代表性指标来考察物流行业^[35~37], 因此本文也以此为依据将其作为数据来源. 综上, 交通运输、仓储和邮政业数据来源于相关年份的《中国统计年鉴》^[38~41]. 根据数据的可获得性, 研究对象为除港澳台和西藏以外的中国30个省、直辖市和自治区的物流业碳排放量. 此外, 以2010年作为中国经济高质量发展的首年, 根据最新数据的可获得性, 将研究的时间跨度确定为2010~2021年. 由于研究年份跨度较长, 且碳排放逐年的变化趋势不大. 为了便于观察碳排放的明显变化, 选取2010年、2015年、2019年和2021年这4年中国经济发展的重要的特殊年份作为时间节点进行研究. 原因如下：2010年和2015年分别为中国“十一五”和“十二五”规划的末年；2019年处于“十三五”规划期, 2019年中国的GDP接近100万亿元, 人均GDP首次突破一万美元, 经济增速在世界主要经济体中名列前茅；2021年是中国的“双碳”元年, 该年“双碳”目标顶层设计出台.

在物流碳排放影响因素选取方面, 综合已有研究和团队的前期研究, 选取货物周转量、能源强度、物流业人均生产总值和基础设施水平等4个因素对物流业碳排放进行分析. 其中, 能源强度指单位物流业GDP的能源消耗量；基础设施水平是指某区域的运输线路总里程与其区域面积的比值. 在模型分析时, 如果数据之间存在多重共线性[当变量的容忍度小于0.1且方差扩大因子（variance inflation factor, VIF）大于10时], 会影响模型结果的精确度^[42~45]. 因此, 对所选择的影响因素进行多重共线性检验, 模型中采用的数据均经过标准化处理, 结果如表 1所示. 所选取的影响因素的容忍度大于0.1且VIF小于10, 说明各因素之间不存在多重共线性, 适用于分析对物流业碳排放量的影响. 因此, 货物周转量、物流生产总值、物流业从业人数和运输线路总里程的数据来源于相关年份的《中国统计年鉴》^[38~41]；能源消耗量来源于相关年份的《中国能源统计年鉴》^[28~31]；各省域的面积则来自相关年份的《中国城市统计年鉴》^[46].

2 结果与分析 2.1 碳排放概况

2010~2021年中国各省域物流业的碳排放空间分布见图 1. 总体上看, 我国省域物流业碳排放在2010~2019年整体呈现随时间推移而增加的趋势. 如东南沿海省份（广东、江苏和浙江）、中部地区（湖北、安徽和河南）、华东地区（山东）、西南地区（四川）、华中地区（河南）和东北地区（辽宁）等地均呈现明显的逐年递增的趋势, 主要因素是大部分地区（广东、江苏、山东、浙江、河南、四川、湖北和安徽）为我国GDP总量排名前10的省份, 经济的快速发展使得货物周转的频率和总量大量增加, 从而促使了物流业碳排放的增加. 然而, 受新冠疫情的影响, 2021年几乎所有省域的物流业碳排放相对2019年下降或持平, 仅浙江的物流业碳排放呈逆势增长的趋势. 这主要是由于浙江在国内疫情持续、东南亚复工复产以及国际局势的复杂影响下, 统筹疫情防控和经济社会发展, 其在2021年的社会消费品零售总额增长了9.7%, 货物周转量比上年提高5.0%, 交通运输、仓储和邮政业的收入比上年增长40.3%, GDP的增速达到8.5%, 从而促进了碳排放的增加.

基于全局Moran's I指数探究中国物流业碳排放量的全局空间特性, 结果见表 2. 可以看出, 各省域碳排放在2010年表现为不显著的空间关系, 在2015年之后转变为显著的空间正相关性.

由于全局空间自相关只适用于分析全局的空间性而忽略了局部的空间特性. 因此, 利用局部空间自相关分析, 探究2010~2021年间中国各省域物流业碳排放量在空间上的集聚性, 结果见图 2. 总体上看, 约40%的省域物流业碳排放在空间上具有集聚特征. 其中, 江苏在统计期内一直处于“高-高”集聚区域, 与相邻省域形成鲜明对比. 原因是在经济高质量增长初期, 江苏的物流业发展起步较早且发展较快. 2010年, 我国在《长江三角洲地区区域规划》中首次明确了“长三角”的范畴, 在江苏高速发展的物流业的带动下, 与之相邻的浙江从物流业碳排放集聚不显著于2021年转变为碳排放“高-高”集聚区域. 其余相邻省域如福建、江西和安徽物流业的碳排放在2010年呈现不显著状态, 但到2015年三省的物流业有了一定的发展, 物流业碳排放变为“低-高”集聚区. 其中, 福建省受东南沿海地区经济快速发展的影响以及周边省域（浙江和江苏）物流业的带动, 其物流业碳排放自2019年后处于“高-高”集聚区域. 值得注意的是, 四川的GDP总量持续排名全国前10, 且社会消费品零售总额在统计期内持续增加, 但统计期内四川的人口一直处于净流出状态, 2010、2015、2019和2021年四川人口净流出分别约为770、1 000、630和770万人, 使得四川的物流业碳排放集聚性在统计期内呈现动态变化：“高-高”→“低-低”→“高-高”→“高-低”. 新疆、内蒙古和甘肃处于“低-低”集聚区域, 主要原因是这些地区物流业起步较慢且相邻省域发展也较慢. 安徽和江西毗邻东南沿海省域及长三角地区, 在华东地区经济高速发展的带动下, 自2015年起处于“低-高”集聚区域.

2.2 省域物流业碳排放影响因素时空异质性分析 2.2.1 碳排放双变量空间自相关分析

据前文分析, 物流业碳排放在空间上具有一定的集聚性. 因此, 基于双变量空间自相关分析解析影响因素对省域物流业碳排放空间分布的影响程度. 采用Queen相邻的一阶邻近空间权重矩阵, 以各省域的物流业碳排放量为第一变量, 其余影响因素为第二变量, 计算全局双变量Moran's I指数, 结果如表 3所示. 表 3中除了能源强度的Moran's I指数小于0, 其余变量的Moran's I指数均大于0, 表明货物周转量、物流业人均生产总值和基础设施水平对省域物流业碳排放量有着显著的空间正相关性；而能源强度与省域物流业碳排放量之间存在着显著的空间负相关性. 从2010~2015年, 货物周转量和基础设施水平的Moran's I指数逐渐上升, 表明这一段时间, 这两个影响因素与物流业碳排放的空间相关性的显著程度逐渐增加；而从2019~2021年, 受疫情封控的影响, 货物周转量、物流业人均生产总值和基础设施水平的Moran's I指数均有不同程度的下降. 为了探明上述影响因素对省域物流业碳排放的时空分异, 基于GTWR模型获取各影响因素回归系数的空间分布如图 3~6所示.

2.2.2 货物周转量对省域物流业碳排放的影响

由图 3可知中国省域货物周转量回归系数在统计期内均为正值, 说明货运周转量促进了省域物流业的碳排放. 我国在“十二五”时期实施西部大开发战略, 加快西部地区综合交通运输网络的建设. 物流行业在经济的带动下逐渐发展, 货物周转量逐年递增, 为消费提供了保障, 因此, 货物周转量在2010~2015年对省域物流业碳排放的影响呈现南向北扩散的趋势, 即由华南地区（广东和广西）和西南地区（云南、贵州和重庆）向西北（陕西）和华北地区（内蒙古）扩散. 此外, “十三五”要求发挥“一带一路”倡议对西部大开发的引领作用, 自2019年起, 省域物流业碳排放呈现南向西扩散的趋势, 即由西南地区（贵州、云南和四川）向西北地区（青海和新疆）扩散. 受疫情影响, 货运周转量在2021年有所减弱, 但碳排放的主要变化趋势保持不变, 西部地区的交通运输逐渐成为新的竞争优势.

2.2.3 能源强度对省域物流业碳排放的影响

由图 4可以看到, 中国省域能源强度回归系数在2010年有正有负；但到了2021年, 能源强度回归系数均为负值, 说明随着中国经济高质量发展, 能源强度对省域物流业的碳排放起抑制作用. 以西部为例, 在2010年, 能源强度对华东、华中和北部地区的物流业碳排放的促进作用较大. 随着西部大开发战略为西部物流发展提供了政策支持, 到2015年能源强度对物流业碳排放起促进作用, 呈现由东向西扩散的趋势, 即由华东地区、西北地区（青海和陕西）、华北地区和华中地区向西北地区（陕西、宁夏、甘肃和新疆）扩散, 形成“东南-西北”的带状集聚. 其后, 西部加快交通网络建设, 同时加快可再生能源的开发利用, 促进能源结构调整, 2019年起西部能源强度对物流碳排放主要起抑制作用. 从全国层面上看, 随着我国经济高质量发展, “十三五”期间国家实施新能源推广计划, 在污染治理方面成效显著, 能源技术也取得了显著进步, 使得物流业的能源利用率大大提升, 有效遏制了物流业碳排放的增长. 因此, 到2021年能源强度对省域物流业的碳排放影响均表现为促降. 值得注意的是, 2021年能源强度对于省域物流业碳排放的空间相关性呈现出较为明显的集聚特征. 从能源强度回归系数整体上看, 能源强度和物流业碳排放呈现空间负相关性, 然而其数值随着时间的推移逐渐下降, 说明能源强度对省域物流业碳排放在空间上的相关性逐渐降低. 有趣的是海南在研究期中能源强度的回归系数一直处于负值状态, 呈现空间负相关性. 这主要是由于海南作为“十城千辆节能与新能源汽车示范推广应用工程”的参与者, 结合海南发展的实际需求和清洁能源的条件, 致力于清洁能源化, 推动绿色、低碳化的生态省建设, 从而有效控制了物流业的碳排放.

2.2.4 物流业人均生产总值对省域物流业碳排放的影响

由图 5可知, 物流业人均生产总值回归系数在前3个统计期既有正值也有负值, 但在2021年均为正值, 说明随着时间的推移, 物流业人均生产总值对物流碳排放起促排作用. 随着经济高质量发展, 物流业的经济效益提升, 物流业人均生产总值增加, 环保设施和节能减排技术的研发和应用抑制了物流业的碳排放, 因此在2010~2015年约50%的物流业人均生产总值回归系数由正转负, 可见对物流业碳排放起一定的促降作用. 随着东部沿海经济的迅速发展, 物流业人均生产总值也随着提高, 高效的物流设备和物流技术的应用, 使得物流业人均生产总值对碳排放的抑制在2019年从北部地区向东部沿海地区扩散, 但物流业人均生产总值对碳排放的抑制作用逐年减弱. 然而, 由于疫情管控和国内对物质需求的增加, 运输需求和运输里程不断增长, 物流业人均生产总值在2021年由促降变为促排, 即对中国省域物流业碳排放起促进作用.

2.2.5 基础设施水平对省域物流业碳排放的影响

由图 6可知, 基础设施水平回归系数在前3个统计期内均为正值, 但到2021年既有正值也有负值, 说明随着时间的推移, 基础设施水平对省域物流业碳排放的促进作用逐渐减弱. 如在2010~2019年, 由于路网长度和密度较低, 物流运输效率低使得碳排放增大, 这期间基础设施水平表现为促进中国省域物流业的碳排放. 随着基础建设的完善和综合交通运输水平的提高, 2021年起, 西北、西南、华北和华中等地区的基础设施水平对碳排放的影响表现为抑制作用. 如新疆的基础设施水平回归系数在2021年处于负值状态, 这主要是由于新疆立足我国丝绸之路经济带核心区的建设机遇, 不断提高公路通车里程, 并且注重绿色公路建设, 为物流的“货畅其流”提供了支持, 从而对物流业的碳排放起到了抑制作用. 与上述地区不同的是, 基础设施水平对东北和华东地区的物流业碳排放具有一定的促进作用, 并呈现带状分布. 出现这种现象的原因主要是东北地区的物流基础设施相对落后, 综合运输网络不完善, 使得物流运输效率低下, 增加了运输里程和运输成本, 从而增加了碳排放；华东地区则是因为地处经济发达区, 社会需求大使得物流量增加；此外, 物流基础设施的完善进一步增加了运输里程, 从而增加了碳排放.

2.2.6 模型结果对比及验证

本研究以碳排放为因变量, 以包含货物周转量在内的4个影响因素为自变量, 建立时空地理加权回归模型. 为了验证GTWR模型是否适用于本研究, 同时建立最小二乘回归模型（ordinary least squares, OLS）和GWR模型, 将拟合效果进行比较, 结果见表 4. 本研究使用更正的赤池信息量准则（corrected akaike information criterion, AICc）和调整后的R²来评价上述模型的适用性, AICc越低且R²越高说明模拟的拟合效果越好. 从表 4可知GTWR模型的AICc值最小, 且其调整后的R²为0.838, 比GWR模型的R²提高了0.271, 比OLS模型的R²提高了0.297, 表明GTWR模型对物流业碳排放的解释能力更好, 适用于本研究的分析.

3 讨论

针对货运周转量促进省域物流业的碳排放的研究结论, 应该合理规划运输路线, 运用物联网等技术构建物流运输网络, 推动智能物流的建设, 从而优化物流业结构和减少碳排放. 各省域应当结合自身的交通环境, 制定出适合当地的货物周转方式, 积极制定节能减排政策, 降低碳排放量.

针对能源强度抑制省域物流业的碳排放的研究结论, 需要在发展物流业的同时, 对能源结构进行优化, 进一步注重和推广清洁能源的使用. 根据各地不同的能源产量和能源消耗情况, 物流企业和政府都应该制定相应的引导和激励政策, 鼓励使用清洁能源代替传统的化石燃料, 在物流企业中推广使用新能源车和电动货车等.

针对物流业人均生产总值促进省域物流业的碳排放的研究结论, 需要重视政府在绿色低碳交通体系的构建的作用, 如政策支持电动货车及新能源货车的推广、优化货运车辆的结构以及推进货车“油换电”等. 此外, 交通路网建设如快速高架路、高速公路以及城镇交通布局的升级等, 能够让货物的流动更加快捷高效, 在促进经济增长的同时有助于减少碳排放量.

针对基础设施水平对大部分省域物流业的碳排放主要起促降作用的研究结论. 各地方政府应该分地理区域、分省份规划综合交通运输网络和基础设施建设, 对物流体系进行合理的规划, 发展物流信息化, 使得各企业间信息共享, 提高物流效率. 在高效的交通运输网络背景下合理规划运输路径, 合理使用运输设备, 对交通节点和物流网络进行合理的配置, 实现货畅其流, 以降低物流业的碳排放.

4 结论

（1）在中国经济高质量发展背景下, 2010~2019年的中国各省域物流业碳排放量呈逐年递增的趋势, 受2019~2021年疫情的影响, 2021年物流业的碳排放量有所下降, 西部地区的交通运输逐渐成为新的竞争优势.

（2）全局空间自相关结果显示中国省域物流业碳排放的空间相关性在2010~2021年间逐渐从不显著的空间关系转变为显著的空间正相关性；局部空间自相关分析结果显示随着时间推移, 具有空间集聚性的区域逐渐增多, 出现“高-高”空间集聚的区域集中在东南沿海地区.

（3）从空间相关性上看, 最新的结果显示除了能源强度与碳排放量呈现负相关性, 其余3个影响因素与碳排放在空间上均呈现为正相关.

（4）GTWR模型的R²（0.838）高于OLS模型和GWR模型的R², 说明GTWR模型对省域物流业碳排放的解释能力更强. GTWR模型的回归结果表明物流业碳排放影响因素存在显著的时空异质性. 货物周转量、物流业人均生产总值和基础设施水平对省域物流业碳排放主要起正向驱动作用；而能源强度主要是起抑制作用, 且对华东地区影响较显著.