中国省域物流业碳排放空间差异分析

曾珏 周叶

摘  要：随着中国社会经济的发展，物流行业也进入到飞速发展阶段，而低碳经济是近年来各行业一直关注的焦点。文章采用省域物流碳排放作为环境压力的衡量指标，利用空间面板数据对物流业进行空间计量分析，区别于传统普通最小二乘法（OLS）仅是对变量整体估计，空间计量方法可以得到区域差异化的回归系数，更能进行局域分析。研究结果发现：物流业周转货物量、物流业人均和物流业能源强度这三个变量对物流业碳排放均属于正向影响关系，其中物流能源强度对物流碳排放的影响程度最为显著。空间滞后效应的系数为0.336，且通过了显著性检验，说明相邻省份存在明显的空间扩散（溢出）效应。

关键词：物流行业;空间计量;碳排放

中图分类号：F403.3    文献标识码：A

Abstract： With the development of China's social economy， the logistics industry has entered the stage of rapid development. Low carbon economy has been the focus of attention in various industries in recent years. Therefore， the research on the influencing factors of carbon emissions in the logistics industry has become particularly important. Using provincial logistics carbon emissions as an indicator of environmental pressure， using spatial panel data to conduct spatial econometric analysis of logistics industry， which is different from the traditional ordinary least squares（OLS）method， which only estimates variables as a whole. Spatial econometric method can obtain regress coefficients of regional differentiation， and can better carry out local analysis. The results show that the three variables of logistics industry turnover cargo volume， per capita and energy intensity of logistics industry have a positive impact on carbon emissions of logistics industry， and the impact of logistics energy intensity on carbon emissions is the most significant. The coefficient of spatial lag effect is 0.336， and has passed the significance test. It shows that there is obvious spatial diffusion（spillover）effect in adjacent provinces.

Key words： logistics industry; spatial econometric method; carbon emissions

0  引  言

20世纪90年代，受到经济全球化和网络经济的影响，物流企业进入飞速发展时期。到2000年，世界全年物流产业规模为3.6万亿美元，与世界旅游业总收入基本相当，2005～2014年全国社会物流总额逐年递增。其中2014年全国社会物流总额213.5万亿元。中国作为全球贸易大国，物流行业的发展突飞猛进。自哥本哈根会议以来，世界各地纷纷提出环保、绿色、低碳的概念，温室气体排放尤其是二氧化碳排放的问题，越来越受到人们的关注，由于它的大量出现引起全球气候的变化，且威胁着人类的生存与社会经济的可持续发展，我国更是允诺会降低碳排放。因此，关注物流行业碳排放问题也是尤为重要[1-5]。

目前國内外学者对碳排放研究颇多，主要分为三大类：第一类是关于碳排放计算，由于碳排放无法直接预测，且没有统一的计算方法，目前采用较多的是拉氏指数方法和迪氏指数方法[6]，Reitler等（1987）、Howarth等（1991）、Park等（1992）[7-9]对此方法做了进一步完善。第二类是关于碳排放影响因素研究，日本学者Kaya[10]认为人口、人均GDP、单位GDP的能源用量、单位能源用量的碳排放量是推动碳排放量增加的4个主要影响因素，并提出了著名的Kaya公式;同时，Birdsall[11]对人口总量与碳排放的关系进行研究，表明全球碳排放量增加的重要因素是由于人口的增加。第三类是分行业对碳排放进行分析，已有文献把工业、农业、建筑业、交通运输业等行业的碳排放作为研究对象。Chang（1999）等[12]运用灰色关联分析方法研究了中国台湾各产业的碳排放，结果表明建筑业是碳排放系数最高的行业[13]。

在对省域物流行业碳排放研究中，由于物流行业省域之间的差异也很大，而传统的最小二乘法回归法（OLS）得出的结果不能反映出空间地理上的差异。空间计量经济学可以弥补传统计量经济学的不足，它可以研究地理空间异质性，反映出变量在空间上的差异，更贴合实际。目前在关于碳排放的空间计量分析有工业、交通、农业[14-16]等方面的而对物流行业碳排放的空间计量分析较少。Anselin和Florax（1995）指出空间计量经济学在主流经济学的实证中越来越受到关注，表现在这方面的书籍被大量出版，更多的学者发表相关论文以及经济学杂志也有专版[17-19]。且从目前研究可以发现，单一截面数据、时间序列数据、普通的面板数据等方法各异，但目前尚未发现有学者运用空间面板数据对物流业相关问题进行深入研究。

1  物流业空间维度分析

1.1  全局Moran's I指数

（2）省域物流业碳排放局部Moran's I检验结果。为了更直观分析中国各省域物流业碳排放的自相关情况，本小节将通过局部Moran's I散点图和LISA地图来研究局部区域空间上的关联性，由于相近年份数据差距不大，且年份过多，本文使用Geoda软件刻画了2004年、2008年、2012年和2016年這4年的Moran's I散点图，具体见图2和图3所示。

由图2、图3可以看出：中国省域物流业碳排放在地区上是存在正向的空间聚集性，即物流业碳排放水平高（低）的地区集中在某一区域。图中第一象限代表该区域物流业碳排放量值相对较高，并且被其他物流业碳排放量也相对较高的地区所包围，即H-H聚集。与此类似的是，第三象限代表该地区物流业碳排放量为相对低值且被其他物流业碳排放为相对低值的地区所包围，即L-L聚集。第二象限和第四象限则代表H-L聚集和L-H聚集。为了更清晰的展示全国物流业碳排放的聚类情况，对上述省域物流业碳排放的Moran's I散点图进行空间聚类分析，得到表2，并绘制物流业碳排放LISA集聚图4和图5以便更直观的分析中国省域物流业碳排放变化的空间分布情况。

从表2可以看出，2004～2016年来的“H-H”聚集的省域变化不大，2004年有6个省市分别是山东、陕西、湖北、湖南、河南和山西，除了山东以外，其他省市均位于中西部经济相对欠发达的地区;“H-L”聚集有江苏、广东、辽宁、上海、四川、浙江、北京7个省市，这些省域的物流业碳排放水平较高，但周边地区物流业碳排放水平相对较低;“L-H”聚集地区包括河北、贵州、安徽、江西、福建、吉林、云南、内蒙古、宁夏、广西、重庆，这些地区物流业碳排放水平较低，但周边地区物流业碳排放水平相对较高;“L-L”聚集代表该区域物流业碳排放水平及周边地区物流业碳排放水平都相对较低，主要省域有新疆、黑龙江、天津和青海。

图4和图5分别展示了2004年、2008年、2012年、2016年中国省域物流业碳排放LISA聚集图，图中“H-H”聚集区域主要集中在山东、河南、湖北等省域;广东省在图中一直处于“H-L”聚集区域，说明广东省物流业碳排放水平一直较高，但周边地区物流业碳排放水平相对较低;新疆则一直处于“L-L”区域，说明新疆及其周边地区的碳排放水平都相对较低。从整体上来看，物流业碳排放高的省域多集中在华北地区和华中地区，物流业碳排放较低的省域集中在西北地区[11]。

2  空间计量模型、变量及数据

2.1  空间面板数据模型

空间计量经济学不同于传统的计量经济学的一个重要因素在于，空间计量经济模型中考虑了地区间的空间相互作用。为了弥补传统计量经济的不足，本文选用空间计量经济学中的空间误差模型（Spatial Error Model，SEM）和空间滞后模型（Spatial Lag Model，SLM）来分析空间特性。

运用SPSS软件计算OLS结果如表3所示：

据表3可知，lnFRM和lnEIN的P值为0.0000均通过了1%显著性水平的检验，模型整体P值为0.000也通过了1%水平的显著性检验，拟合优度R2高达0.8640，调整后的拟合优度也达到了0.8629，模型拟合程度较好。通过方差膨胀因子（Variance Inflation Factor，VIF）的检验，三个变量的VIF分别为1.315、1.083和1.378，远远低于10，说明变量之间不存在明显的共线性。且容忍度值（Tolerance）值均大于0.1，因此可解释为变量之间不存在多重共线性。DW值为1.8867，接近2，故判断模型拟合后得到的残差不存在自相关的关系。从系数来看，省域碳排放与lnFRM和lnEIN成正相关，影响省域碳排放的最重要的因素是能源强度，系数为0.7523，而物流业人均生产总值的系数为-0.0529，但没有通过显著性检验，无法判断结果。

在上节的省域物流业碳排放相关性检验从全局自相关（Moran's I）和局域自相关性（LISA图）证明了中国30个省、市、自治区的物流业碳排放量之间存在着空间相关性。而传统的OLS线性回归方法没有将空间效应考虑在内，如若单纯使用传统OLS线性回归对模型进行估计，可能会造成模型的设定与实际不符。下文为了进一步验证省域物流业碳排放的空间相关性，采用空间滞后模型（SLM）和空间误差模型（SEM）分别对省域物流业碳排放进行空间相关性的检验，并找出这种相关性到底与滞后项有关还是与误差项有关。

3.2  空间计量模型实证分析

本节主要使用空间计量经济模型中的空间滞后模型（Spatial Lag Model，SLM）和空间误差模型（Spatial Error Model，SEM）两种模式对物流业碳排放进行空间分析。

首先，通过LM检验统计量对所选变量和各个模型进行空间滞后和空间误差的判断，所得统计量如表4所示：

由表4结果可知，除了LM ERR检验没有通过显著性检验，其余所有检验均通过，由表4中可以说明在滞后项上模型存在较为显著的相关关系，可以采用空间滞后模型进行模型的建立。而Robust LM ERR通过了显著性检验，故可以考虑拟合空间误差模型再分析所得的结果，看误差项的系数是否显著来判断最后结果。

根据上文的相关检验，分别采用空间滞后（SLM）模型和空间误差（SEM）模型进行模型的建立，每种模型又分别采用了空间固定、时间固定和空间时间双固定效应的分析，在面板数据的空间计量模型在软件MATLAB中实现，计算结果如表5所示：