物流业作为高碳能源依赖性产业, 是温室气体和大气污染排放的主要来源. 国务院2014年9月发布《物流业发展中长期规划（2014~2020年）》中明确提出大力发展绿色物流, 推动物流节能减排潜力的提升. 2022年国务院办公厅发布《“十四五”现代物流发展规划》提出, 推动绿色物流发展, 打造绿色低碳物流创新工程. 国际能源署IEA数据显示, 1990~2021年, 我国交通运输碳排放量从9 400万t增至9.6亿t, 增长9倍, 2022年虽下降3.1%, 却仍是温室气体和空气污染物排放的主要来源之一. 物流业具有高能耗、高排放和低效率问题, 使得资源短缺约束日益明显, 环境污染加剧阻碍了物流业可持续发展, 也倒逼其寻求集约、低碳的增长模式. 因此, 如何衡量物流业的绿色低碳发展水平及空间关联关系的影响因素, 对于探索中国物流绿色、低碳和可持续发展路径具有重要的理论和实践意义.

物流业绿色低碳发展是建立在可持续发展理念基础上, 发挥物流自身优势, 利用产业转型、创新技术体制改革、新能源开发等方式减少能源高损耗、减少温室气体排放, 实现物流低碳发展目标. 围绕物流绿色低碳发展的研究主要从绿色低碳发展水平测度、时空效应和影响因素等角度展开. 目前学者多采用两种方法定量评价绿色低碳发展水平：一是采用熵权TOPSIS综合评价法从多维度构建绿色低碳发展评价指标体系^[1]；二是考虑到全要素生产率是衡量经济发展方式转向高质量发展的重要依据, 采用全要素生产率考察绿色低碳发展水平^{[2 ~ 4]}. 全要素生产率的测度方法以参数化的随机前沿生产函数法^[5]和非参数数据包络分析技术（DEA）^[6]为主. 双碳背景下, 物流绿色化、低碳化发展需求不断增加, 在传统全要素生产率框架下加入能源投入和非期望产出, 建立径向^{[7, 8]}和非径向模型^{[9, 10]}度量资源和环境约束下的物流绿色全要素生产率, 本文沿用这一方法测度. 从影响因素来看, 地区经济发展水平^[9]、交通基础设施^[11]、政策法规^[12]、技术创新水平^[13]和生态环境^[14]等均对物流绿色低碳发展产生显著的影响. 物流绿色低碳发展的时空效应研究集中于空间关联效应^[15]和地区收敛模式^{[16, 17]}, 多采用Dagum基尼系数、莫兰指数、核密度和冷热点分析等空间计量分析技术和地统计分析等方法实现. 综上现有文献对探索物流绿色低碳发展研究提供了有益参考, 但仍存在以下不足：首先, 基于空间计量模型的研究忽略区域间真实复杂网络形态的交互影响. 物流是以物流基础设施为核心的实体网络和物流企业为核心的组织网络^[18], 随着我国交通基础设施发展迅猛, 物流需求类型多样, 辐射区域广阔, 形成各具特色的物流空间格局. 物流经济发展和资源禀赋的极不平衡, 以及碳排放呈现的复杂网络结构形态^[19], 使得物流绿色低碳发展的空间关联超越地理学意义上的“相邻”或“邻近”关系, 呈现出网络特征；其次, 现有研究基于“属性数据”而非“关系数据”, 无法刻画物流绿色低碳发展空间关联的网络结构特性, 不能区分各区域在关联网络中的地位、作用和角色^[20].

基于此, 本文基于非期望产出的混合距离函数EBM模型衡量物流绿色低碳发展水平, 从“关系”角度出发, 建立物流绿色低碳发展的空间关联网络, 采用复杂网络理论解析物流绿色低碳发展空间关联网络的结构特征及区域间的传导机制, 并通过最小生成树验证网络的稳健性, 最后采用二次指派程序QAP方法揭示影响物流绿色低碳发展空间关联的关键因素, 旨在从网络视角为优化物流绿色发展的空间格局提供数据支撑和政策建议.

为了厘清物流绿色低碳发展水平的阶段性特征, 体现其增长的来源和质量^[21], 采用非参数数据包络分析（DEA）测度绿色全要素生产率衡量物流绿色低碳发展水平. 经典的DEA模型以径向CCR模型^[22]和非径向SBM模型^[23]为主, 但两类模型均存在不足. 为有效提升DEA模型测度的精度解决松弛变量的设置和效率前沿投影值原始比例失真, 使用兼具径向与非径向特点的混合距离函数EBM模型^[24], 同时为避免可变规模报酬下无可行解的缺陷将参照技术集设为全局参比^[25]. 则有K(k=1, 2, ···, K)个决策单元, 投入I种要素x_i(i=1, 2, ···, I), 生产R种期望产出y_r(r=1, 2, ···, R)和P种非期望产出b_p(p=1, 2, ···, P)的非导向全局EBM模型表示为：

(1)

式中, ρ^*为最优效率值；λ为线性组合系数；θ为径向效率值；ε为径向和非径向权重, 取值[0, 1]；φ为产出扩大比；x_ik^t、y_rk^t和b_pk^t为第k个决策单元t时期第i种投入、第r种期望产出和第p种非期望产出；s_i^t-、s_r^t+和s_p^tb-为t时期投入、期望产出和非期望产出的松弛量, ω_i^-、ω_r⁺和ω_p^b-为其相对权重, 满足和为规模报酬可变. 基于全局EBM模型的Malmquist-Luenberger（GML）指数表示为：

(2)

式中, 为全局生产技术集P^G=P¹∪P²∪···∪P^T的方向距离函数；v为规模报酬可变. 参考Song等^[26]利用表达式GML₁₉₉₈=GML₁₉₉₇×GML_1997-1998计算当期绿色全要素生产率, 基期1997年GML₁₉₉₇指数设为1, 得到调整后物流绿色全要素生产率指数, 以此衡量物流绿色低碳发展水平.

现有研究多采用向量自回归模型^{[13, 27]}和引力模型^{[19, 20]}两种方法量化空间关联关系, 考虑到向量自回归模型对滞后阶数的选择非常敏感, 引力模型基于截面数据无法刻画各主体演变趋势是否存在空间关联. 本文基于距离公式建立各省物流绿色低碳发展水平的关联关系^{[28 ~ 30]}, 从而确定空间关联网络矩阵, 定义i省与j省的欧氏距离表示为：

(3)

式中, 记GML(i)=(GML_{i, 1}, GML_{i, 2}, ···, GML_{i, t}), GML_i,t为i省第t年物流绿色低碳发展水平, 并对GML(i)进行标准化处理, C_ij为标准化处理后i省和j省物流绿色低碳发展水平向量的相关系数, 则标准化GML(i)和相关系数C_ij的计算公式分别表示为：

(4)

(5)

式中, t为向量GML(i)元素个数, 即年度数；i, j=1, 2, ···, N为省份；d_ij值域为[0, 2], C_ij取值越大, d_ij越小, 两个省物流绿色低碳发展水平的变动趋势越一致, d_ij=0两个省物流绿色低碳发展水平同比例同方向变动, 关联程度最强, 根据d_ij建立距离矩阵D. i省与j省的关联强度Q_ij为Q_ij=1/d_ij^[28], 由Q_ij构成强度矩阵Q(i, j)=(Q_ij)_N×N表示各省物流绿色低碳发展水平空间关联的网络矩阵. 矩阵中各元素确定空间关联网络的边, 各省是网络中的点, 为减少微弱关联对整体网络分布的影响, 将关联强度矩阵Q(i, j)以各行的均值为阈值进行二值化处理, 表示为：

(6)

根据二值化处理后的网络矩阵Q(i, j)得到物流绿色低碳发展水平的空间关联网络, 刻画网络关联特征和影响因素.

空间关联网络结构决定了地区物流业政策实施的机会及效果, 是探索物流绿色低碳发展路径的有效方法, 基于社会网络分析理论, 以各省物流业绿色低碳发展水平的关联关系为基础, 从整体网络和个体网络的角度考察各区域在空间关联网络中的地位、作用和角色. 整体网络通过网络密度、网络关联度、网络等级度和网络效率刻画其结构特征. 网络密度是网络中实际连接数与可能存在的所有连接数之比, 反映整个空间网络节点之间连接的疏密程度, 取值为[0, 1], 其值越大表示网络中节点间的连接越密切. 网络关联度是节点的邻居节点数与所有可能的邻居节点数之比, 衡量网络中成员间的可达程度, 反映网络结构的稳健性和脆弱性. 网络等级度是节点在整个网络结构中所处的等级位置, 具有较高网络等级度的节点通常在网络中扮演重要的角色. 网络效率反映网络各地区间的连接效率, 即网络节点间信息传递的快捷程度, 其值越低, 说明地区间的空间溢出渠道越多, 网络越稳健. 个体网络采用网络中心性分析, 包括点度中心度、中间中心度和接近中心度. 点度中心度反映某节点与其他节点间联系的紧密程度, 值越大认为该节点与其他节点联系越紧密. 中间中心度测度网络中节点控制其他节点之间的交往能力, 用该节点的最短路径数刻画^[31], 值越大则节点在网络中发挥的“桥梁”与“中介”作用越显著. 接近中心度刻画节点不受其他节点控制的程度, 是该节点与其他节点捷径距离的和, 值越大表明关联越密切, 各中心度表示为：

(7)

式中, C_D（c_i）为点度中心度, d（c_i）为网络中与节点i相连的其他节点数；C_B（c_i）为中间中心度, g_js为节点j和s间的最短路径数, g_js（c_i）为最短路径上经过节点i的数量；C_C（c_i）为接近中心度, d（c_i, c_j）为节点i和j的最短距离, N为网络节点数.

最后, 采用块模型理论对网络中不同板块的角色作用进行划分, 参考Wasserman等^[32]将板块位置定义为双向溢出板块、主受益板块、主溢出板块和经纪人板块（见表 1）, 其中主受益板块的内部关系较多, 对板块外的溢出关系少, 来自板块外的受益关系较多, 反之则为主溢出板块；双向溢出板块的内部关系比例多, 对板块内外的溢出关系也较多, 而经济人板块同时兼有板块内外的溢出关系, 但内部关系比例较少.

表 1 (Table 1)

表 1 块模型中板块角色分类标准1） Table 1 Classification standard of block role in block model 位置内部的关系比例 位置接收到的关系比例 ≈0 > 0 ≥(gk-1)/(g-1) 双向溢出板块 主受益板块 < (gk-1)/(g-1) 主溢出板块 经纪人板块 1）gk为板块中成员数目, g为总体网络中的成员数, （gk-1）/（g-1）为期望关系比例

表 1 块模型中板块角色分类标准1） Table 1 Classification standard of block role in block model

为确保空间关联网络的稳健性, 借鉴Spelta等^{[28, 33]}采用最小生成树（minimal spanning tree）方法进行验证. 最小生成树是一种依据距离远近的指标, 将各点连接在一起, 形成树状结构的过滤算法. 首先连接所有省中距离最短的两个省, 被连接省具有最强的关联度, 其次找到第二小的距离将其并入, 以此类推, 逐级合并, 最终形成一个没有封闭环路的简单连通图. 如果i省和j省物流绿色低碳发展水平GML_i与GML_j的距离满足式（8）, 则将其合并成为一个新类：

(8)

两类间的距离定义为：

(9)

式中, p∈GML_i, q∈GML_j；记M={d_q}, d_q为第q步聚类产生的最小距离, M为距离矩阵D的子集. 最小生成树依据M={d_q}将全国30个省连接在一起形成关联网络, 在含有N个顶点的关联网络中选择N-1条边, 构成一棵小的连通子图, 使该连通子图中N-1条边上权值和达到最小, 即为最小生成树.

物流空间关联网络是物流基础设施为核心的实体网络和物流企业为核心的组织网络在地表空间的形态及结构^[18], 通过技术和资源传递渠道形成关系纽带. 已有研究表明, 物流空间关联与交通基础设施的空间溢出有显著关联, 政府间GDP锦标赛形成的政绩竞争, 会造成交通基础设施重复建设、环境规制政策执行不完全以及生产效率损失等问题^[34], 由此将影响空间关联网络的因素划分为3类：基础设施、政策支持和科技创新能力. 其中, 基础设施选取交通空间权重（W）^[35]、交通基础设施（T）^[13]和物流集聚水平（L）^[17]衡量区域内交通网络覆盖度、物流产业布局和物流运作效率, 分别用各省相连国道数、每平方公里土地交通运输线路长度和物流业区位熵指数衡量；政策支持选取政府支持（G）^[12]和产业结构（I）^[36]衡量区域内产业协同发展水平, 分别用各省物流业财政支出占政府总财政支出的比值和第二产业增加值占比衡量；科技创新能力选取节能技术水平（E）^[13]刻画地区物流节能技术的发展与应用, 用国内生产总值与综合周转量的比值度量. 由于物流绿色低碳发展的空间关联数据是关系数据而非属性数据, 无法采用传统计量方法进行关系检验^[37], 同时为了避免多重共线性导致的回归偏差问题^[38], 采用二次指派程序（quadratic assignment procedure, QAP）建模分析物流绿色低碳发展空间关联网络的影响因素, 模型表示为：

(10)

式中, T、L、G、I和E为各省相应指标样本期内平均值的绝对差异建立的差异矩阵, Q(i, j)为物流绿色低碳发展水平的空间关联矩阵, W为交通空间权重矩阵, W中元素表示为：为连接相邻省份i和j的国道数, 没有国道连接则w_ij为0.

绿色低碳发展是碳达峰碳中和的主要途径, 也是高质量发展和新旧动能转换的内在要求. 选取绿色全要素生产率（GML）衡量物流绿色低碳发展水平, 其中“绿色”是合理控制生产要素投入实现经济发展的同时最大限度减少环境污染, “低碳”则通过物流运输方式的低碳化推进碳减排^[4]. 资本和劳动是物流业稳定运行和发展的关键资源, 物流作为能源依赖性产业, 运输和仓储等环节均涉及能源等资源的利用, 因此选择资本投入、劳动投入和能源投入作为投入指标, 其中资本投入采用“永续盘存法”测算各地区的物流实际资本存量：

(11)

式中, I_i,t为按照当期价格计算的各省物流业的全社会固定资产投资；P_t为固定资产投资价格指数；δ为折旧率, 取5.42%；首期资本存量是过去投资的总和, 利用回归得到各省物流资本存量^[39], 单位：亿元. 劳动投入采用各省物流业年均从业人员, 单位：万人. 能源投入将各地区物流业一次能源消费量作为能源投入, 统一折算成标准煤加总而成, 单位：万t·t^-1.

物流业的产出在价值形态上是物流业的总产值, 利用1997年为基期进行平减处理, 用来评价物流业的经济效益和贡献度, 单位：亿元；实用价值形态上表现为周转量, 根据铁路、公路和水路的客货周转量折算代表物流运输活动的规模和效率, 单位：亿t·km；非期望产出采用：原煤、焦炭、原油、汽油、煤油、柴油、燃料油、天然气、电力能源实物量, 依据能源换算系数和碳排放系数计算各省物流碳排放量衡量^[40], 以上能源排放直接关系到物流业的绿色和可持续发展, 是衡量物流活动对环境影响和资源消耗的重要指标, 单位：万t.

考虑数据可获取性和连续性, 以中国1997~2020年30省（市、自治区）为研究对象, 数据来源于《中国统计年鉴》《中国能源统计年鉴》《中国城市统计年鉴》. 以交通运输业、仓储业和邮政业代表中国物流业的发展水平.

基于非期望产出全局EBM模型得到物流业绿色低碳发展水平并转化为网络矩阵绘制空间关联的有向网络如图 1所示. 整体网络中包含30个节点, 386对关系. 近年来随着物流业低碳发展逐步深入人心, 各地区都将低碳化作为物流可持续发展的重要因素, 物流绿色低碳发展水平的空间关联已经打破地理位置的限制, 不仅相邻省份存在空间关联, 非邻近省份也产生联动效应. 从空间关联网络特征看, 网络密度为0.443 7, 省际间的关联程度总体适中, 各省间的物流业虽建立了合作与交流, 但仍有提升的空间. 网络关联度为1, 表明各省物流绿色低碳发展有直接或间接的空间溢出关系, 不存在孤立省份, 网络节点间具有优良的连通性. 网络等级度为0, 该空间网络不存在森严的等级结构, 各省差异较小. 网络效率为0.561 6, 说明空间网络中冗余连线较多, 存在明显的多重叠加现象, 各省通过整体网络能够实现与其他省的物流合作, 网络的稳定性较好.

图 1

Fig. 1

图 1 中国省际物流绿色低碳发展的空间关联网络 Fig. 1 Spatial correlation network of green and low-carbon development level of inter-provincial logistics industry of China

表 2通过中心性展示各省在物流绿色低碳发展空间关联网络中的地位和作用. 从点度中心度看, 高于均值47.59的16个省中有10个省为中、西部地区, 东部地区区位条件好, 空间关联影响力强因此排名靠前, 其中河北、天津等京津冀地区作为交通最密集的区域之一, 物流设施一体化发展, 优化物流行业空间布局, 加速传统商贸物流转型升级和承接京津产业转移, 在物流绿色低碳发展的空间关联网络中处于中心位置, 有许多省份与其直接相连, 起到受益和溢出作用. 其他点度中心度高于均值的省多为中西部地区, 各省间的空间关联具有差异性, 湖北和重庆作为中西部地区的物流大省, 物流总额位居前列, 也处于空间关联网络的中心位置. 结合溢出与受益情况看, 这些中西部地区由于聚集较多高能耗高污染产业, 因此低碳化发展程度不高, 具有较大的改进空间, 在空间关联网络中成为受益主体.

表 2 (Table 2)

表 2 中国省际物流业绿色低碳发展空间关联网络中心性分析 Table 2 Centrality analysis of spatial correlation network for green and low-carbon development of inter-provincial logistics industry of China 省（市、自治区） 点度中心度 接近中心度 中间中心度 点出度 点入度 中心度 排序 中心度 排序 中心度 排序 北京 13 13 44.83 17 63.04 19 0.93 24 天津 16 13 55.17 3 69.05 2 4.55 1 河北 14 17 58.62 1 69.05 2 1.86 14 辽宁 11 11 37.93 26 56.86 28 0.34 29 上海 10 11 37.93 26 56.86 28 0.46 28 江苏 12 14 48.28 14 64.44 15 1.39 19 浙江 16 16 55.17 3 69.05 2 4.24 2 福建 13 15 51.72 10 67.44 9 1.70 16 山东 15 13 55.17 3 69.05 2 4.12 4 广东 11 9 37.93 26 61.70 22 1.16 20 海南 8 10 34.48 29 60.42 26 0.94 23 山西 13 13 44.83 17 61.70 22 1.05 21 吉林 10 10 34.48 29 53.70 30 0.05 30 黑龙江 15 13 58.62 1 70.73 1 3.24 7 安徽 11 14 48.28 14 65.91 14 1.73 15 江西 14 13 51.72 10 67.44 9 2.12 11 河南 12 10 41.38 22 63.04 19 2.52 9 湖北 13 16 55.17 3 69.05 2 2.41 10 湖南 13 12 44.83 17 64.44 15 2.01 12 四川 11 13 44.83 17 61.70 22 0.63 27 贵州 15 13 51.72 10 67.44 9 4.19 3 云南 13 13 44.83 17 64.44 15 1.61 17 陕西 10 12 41.38 22 61.70 22 0.64 26 甘肃 13 14 51.72 10 67.44 9 1.91 13 宁夏 13 14 48.28 14 64.44 15 1.61 18 青海 15 16 55.17 3 67.44 9 3.08 8 新疆 16 11 55.17 3 69.05 2 3.39 6 内蒙古 12 12 41.38 22 63.04 19 1.00 22 重庆 16 13 55.17 3 69.05 2 3.83 5 广西 12 12 41.38 22 60.42 26 0.66 25 均值 13 13 47.59 — 64.64 — 1.98 —

表 2 中国省际物流业绿色低碳发展空间关联网络中心性分析 Table 2 Centrality analysis of spatial correlation network for green and low-carbon development of inter-provincial logistics industry of China

从接近中心度看, 全国30个省的接近中心度均值为64.64, 高于均值的省与点度中心度中排名靠前的省相似, 即东部排名靠前以及中、西部省份居多, 接近中心度最低的省为吉林, 其值为53.70, 可见接近中心度整体水平比较均衡, 各省在物流绿色低碳发展的空间关联网络中均能较快地与其他省份接近并发生物流经济联系.

从中间中心度看, 中间中心度的均值为1.98, 高于均值的12个省中有9个省位于中西部地区, 但排名靠前的依旧是东部地区, 东部存在较强的溢出效应, 对其他省物流绿色低碳发展的空间关联关系的控制力强于西部, 且大多数关联关系是通过天津和浙江等排名靠前的省份完成, 东部除了天津、浙江和山东以外, 其他省对空间关联关系的控制力较弱. 总体上看, 中间中心度在省际间的分布极不平衡, 从峰值4.55到谷值0.05, 地区间的极差化特征显著.

采用块模型和密度矩阵对物流绿色低碳发展空间关联格局进行划分, 利用CONCOR迭代相关收敛法, 以2为最大分割深度, 0.2为收敛标准, 将30个省划分为4个功能板块, 板块位置和对应属性如表 3所示, 同时绘制板块间溢出和关联关系用于分析板块间的空间传导路径（图 2）.

表 3 (Table 3)

表 3 板块的密度矩阵、像矩阵及溢出效应分析1） Table 3 Density matrix, image matrix, and spillover effect analysis of plates 板块 密度矩阵（像矩阵） 板块成员数目 期望内部关系比例/% 实际内部关系比例/% 接收板块外关系数 板块外发出关系数 板块属性 第一板块 第二板块 第三板块 第四板块 第一板块 0.967（1） 0.55（1） 0.075（0） 0.175（0） 10 31.03 69.60 38 38 经纪人板块 第二板块 0.575（1） 0.667（1） 0.375（0） 0.688（1） 4 10.34 13.33 43 52 经纪人板块 第三板块 0.067（0） 0.271（0） 0.833（1） 0.479（1） 12 37.93 71.43 49 44 双向溢出板块 第四板块 0.175（0） 0.500（1） 0.458（1） 0.833（1） 4 10.34 21.28 41 37 主受益板块 1）括号内数字为赋值为0, 1的像矩阵

表 3 板块的密度矩阵、像矩阵及溢出效应分析1） Table 3 Density matrix, image matrix, and spillover effect analysis of plates

图 2

Fig. 2

图 2 物流绿色低碳发展板块间的溢出与关联关系 Fig. 2 Spillover and correlation between green and low-carbon development sectors of logistics industry

根据划分结果, 第一板块包括北京、河南、吉林、青海、四川、陕西、云南、福建、新疆和广西这10个省（市、自治区）, 第二板块包括重庆、湖南、黑龙江和天津这4个省（市、自治区）, 这两个板块主要来自京津冀、华南地区和西部陆海新通道沿线省份. 由图 2可知, 第一板块和第二板块既有溢出也有受益, 承担接收第三板块溢出并传递给第四板块的中介作用, 其自身也在信息传递过程中获得较多的绿色技术溢出, 板块内省份凭借自身的地缘优势和绿色低碳发展资源优势, 在物流绿色低碳发展的空间关联网络中承担“桥梁”作用. 其中第一、第二板块内的天津和重庆作为空间关联网络中低碳物流发展水平最高的地区, 辐射带动其他板块省份绿色物流水平的提升, 是空间关联网络的主要策源地和溢出地. 在全球供应链进入重构阶段的背景下, 传统的京津冀、华南地区和西部陆海新通道, 成为吸引优质资源, 推动物流与经济深度融合, 实现物流高质量发展的重要枢纽, 因此为经纪人板块. 由表 3像矩阵可知, 第一板块和第二板块作为对方信息和动能传递及接收的主要载体, 共同构成经纪人回路, 使得物流绿色低碳发展动能在第一板块和第二板块间呈现出良性发展趋势.

第三板块包括河北、江苏、广东、湖北、江西、上海、贵州、辽宁、浙江、山西、宁夏和内蒙古这12个省（市、自治区）, 大多处于华东和东部沿海经济发达地区, 该地区产业灵活多样, 垂直专业化分工水平较高, 依托沿海或沿江建立发达的物流运输体系, 为板块内外提供质优价廉的产品与服务. 在板块发出的154条关系中, 板块内部关系110条, 板块间溢出关系44条, 对板块内外均产生溢出效应, 期望内部关系比例低于实际内部关系比例, 因此为双向溢出板块, 在板块内外起双向“引领”作用. 第三板块不仅自身存在较多的关联关系, 对板块内和板块外地区均有显著的空间溢出效应, 说明第三板块内各省拥有相近的绿色低碳发展水平, 板块内地区间存在较为紧密的空间关联. 像矩阵（表 3）指出第三板块和第四板块也构成空间关联回路, 两大板块相互影响, 共同发展, 组成有关联的复杂空间网络.

第四板块包括山东、甘肃、海南和安徽这4个省（市、自治区）, 主要来自中西部资源、能源以及原材料丰富地区, 分布在物流绿色低碳发展空间关联网络的边缘地带. 图 2显示板块中经济成员的内部联系较多, 发出47条关系, 其中板块内部关系10条, 接收外部关系数（41条）多于向外溢出的关系数（37条）, 期望内部关系比例低于实际内部关系比例, 板块内各省在网络中处于相对孤立和边缘的地位, 可见该板块现阶段物流绿色低碳发展的基础薄弱, 更多依靠承接东部产业转移的管理经验和先进技术提高自身的整体素质, 促进物流低碳化和可持续发展, 因此为主受益板块.

总体来说, 整个关联网络呈现出紧密且友好的空间联系, 四大板块间的溢出效应具有明显的传递特征, 其中第一板块和第二板块, 第三板块和第四板块分别构成空间关联回路. 以京津冀地区、华南地区和西部陆海新通道沿线省份为主的第一板块和第二板块, 是实现物流高质量发展的重要枢纽, 为经纪人板块；以华东和东部沿海经济发达地区为主的第三板块, 作为双向溢出板块, 处于物流绿色升级的关键阶段, 在板块内外起双向“引领”作用；以中西部资源省份为主的第四板块作为主受益板块, 承接东部地区产业转移, 处于绿色技术吸收改进阶段, 溢出能力有限.

为验证空间关联网络分析结果的稳健性, 采用最小生成树进行验证, 根据式（8）和式（9）得到距离子集M后, 通过Matlab构建基于最小生成树的物流绿色低碳发展空间关联网络（图 3）. 各地区形成的四大板块围绕少数核心省份进行集聚, 第一板块与第二板块相接, 第三板块与第四板块相接, 第二板块充当第三板块与第一板块间的“桥梁”, 从而使得四大板块之间互相影响, 相互联系, 形成全国整体连带发展的现状. 可见, 最小生成树法得到的板块角色、内部成员以及板块间的关联关系与上文结果基本一致, 因此物流绿色低碳发展空间关联网络的结构具有良好的稳健性.

图 3

Fig. 3

图 3 基于最小生成树的物流绿色低碳发展空间关联网络 Fig. 3 Spatial correlation network for green and low-carbon development of logistics industry based on minimum spanning tree

为探究物流绿色低碳发展空间关联关系的影响因素, 选取显著相关的6个影响因子作为解释变量, 进行QAP回归分析. 选择5 000次随机行列置换, 结果见表 4, 其中P₁表示矩阵随机置换得到的回归系数集中不小于实际回归系数的概率, 反之为P₂.

表 4 (Table 4)

表 4 空间关联矩阵与影响因素的QAP回归分析结果 Table 4 QAP regression analysis of spatial correlation matrix and influencing factors 变量 非标准化回归系数 标准化回归系数 显著性水平 P1 P2 交通空间关系（W） -0.041 -0.090 0.019 0.981 0.019 物流集聚水平差异（L） -0.029 -0.091 0.048 0.952 0.048 政府支持差异（G） 0.001 0.001 0.000 0.000 1.000 产业结构差异（I） 0.002 0.191 0.030 0.030 0.970 节能技术水平差异（E） -0.004 -0.179 0.013 0.987 0.013 交通基础设施差异（T） 0.001 0.294 0.002 0.002 0.999

表 4 空间关联矩阵与影响因素的QAP回归分析结果 Table 4 QAP regression analysis of spatial correlation matrix and influencing factors

表 4结果表明交通权重矩阵的标准化回归系数为-0.090, 通过5%的显著性水平检验, 说明交通国道关联关系对绿色低碳发展的空间关联产生重要作用, 交通关联紧密的各省在物流低碳发展水平上具有竞争效应, 交通关联程度越多的省份, 更加重视物流业带来的经济效应, 忽视其环境效应, 抑制物流绿色低碳发展空间关联网络的形成. 物流集聚和节能技术水平对物流绿色低碳空间关联均呈现负向作用, 标准化回归系数分别为-0.091和-0.179, 在5%水平上显著. 进一步表明目前物流业仍然是粗放型增长占主要地位, 属于高污染行业, 地区间物流集聚和节能技术水平的差异增大阻碍了绿色物流在地区间的流动, 导致低碳排放地区的绿色物流发展水平升高, 高污染区的绿色物流发展呈现低迷的发展态势, 加剧物流绿色低碳发展的地区差异, 不利于空间关联网络的形成. 产业结构、交通基础设施和政府支持对物流绿色低碳发展的空间关联有正向促进作用, 标准化回归系数分别为0.191、0.294和0.001, 分别通过了5%和1%的显著性水平检验. 说明增强产业间的竞争力、交通基础设施和政府支持的地区异质性促进了生产技术、设备和人员素质在省际间的流动, 提高物流服务水平和运输效率, 促进地区物流绿色低碳发展的空间关联和溢出效应.

（1）中国物流绿色低碳发展水平呈现复杂、多线程的空间关联网络结构. 各省均处于物流绿色低碳发展的空间关联网络中, 不存在孤立省份, 各地区物流绿色低碳发展水平差异较小, 地区间存在明显的空间关联和溢出效应, 各省能便利地通过整体网络实现与其他各省的物流合作, 网络通达性和稳定性较强.

（2）网络个体结构特征显示, 各省物流绿色低碳发展的溢出和受益格局不平衡, 东部位于交通枢纽及沿海发达地带, 区位条件好, 能源消耗和污染产出低, 空间关联影响力较强, 在低碳物流发展上形成领跑优势. 中西部地区聚集较多高能耗高污染产业, 低碳化发展程度不高, 有较大的改进空间, 处于吸收邻近地区绿色物流经济活动的受益阶段, 在空间关联网络中成为受益主体.

（3）块模型显示, 以京津冀、华南地区和西部陆海新通道沿线各省为主的第一板块和第二板块为经纪人板块, 是实现物流高质量发展的重要枢纽；以华东和东部沿海地区为主的第三板块为双向溢出板块, 处于物流绿色升级的关键阶段, 在板块内外起双向“引领”作用；以中西部资源省份为主的第四板块为主受益板块, 承接东部产业转移, 处于绿色技术吸收改进阶段, 溢出能力有限. 板块间溢出效应有明显的传递特征, 第一和第二板块间信息相互流通, 构成绿色物流发展的良性回路, 第三板块在板块内溢出的同时将绿色物流发展的动能传递给第四板块.

（4）QAP结果表明, 物流绿色低碳发展空间关联网络的形成受交通网络的通达程度和社会经济因素的共同影响. 产业结构、交通基础设施和政府支持的差异增大会增强物流绿色低碳发展省际间的溢出和流动, 相似的物流集聚水平和节能技术水平有利于物流绿色低碳发展水平在区域间协同增长, 促进其空间关联网络的形成.

（5）综合研究结果, 从以下3个方面提出政策启示：①全面认识物流绿色低碳发展空间关联网络特征, 调整和优化网络结构. 东部溢出能力较强的省需进一步增加物流产业扶持和财政投入, 深化区域合作, 探寻更多的空间溢出通道, 发挥绿色物流领跑优势, 中西部物流绿色低碳发展的受益省份需加大低碳技术投入力度, 改善自身发展环境, 从“被动受益”转变为“主动溢出”, 实现绿色物流均衡发展. ②明确各省在空间关联网络中的地位和板块内外的传送通道, 推动区域联动和协同提升. 完善交通基础设施, 发挥经济人板块和双向溢出板块的传导功能, 建立精准帮扶战略促进物流绿色发展, 受益省份向溢出省份反哺实现协调发展, 增加技术投入和信息化建设促使四大板块逐步连接, 实现空间关联网络的整体连通. ③有效发挥影响因素的作用. 加大基础设施建设, 推行绿色运输模式, 减少单位运输能耗, 加强毗邻省份绿色物流技术研发和成果转化, 使相邻省份实现共同发展. 此外, 不断缩小各省在物流集聚、节能技术水平等方面的差距, 强化省际物流经济活动的互联互通, 促进物流绿色低碳发展的整体提升.