曾玨 周葉

摘 ?要：隨著中國社會經(jīng)濟的發(fā)展，物流行業(yè)也進入到飛速發(fā)展階段，而低碳經(jīng)濟是近年來各行業(yè)一直關注的焦點。文章采用省域物流碳排放作為環(huán)境壓力的衡量指標，利用空間面板數(shù)據(jù)對物流業(yè)進行空間計量分析，區(qū)別于傳統(tǒng)普通最小二乘法（OLS）僅是對變量整體估計，空間計量方法可以得到區(qū)域差異化的回歸系數(shù)，更能進行局域分析。研究結果發(fā)現(xiàn)：物流業(yè)周轉貨物量、物流業(yè)人均和物流業(yè)能源強度這三個變量對物流業(yè)碳排放均屬于正向影響關系，其中物流能源強度對物流碳排放的影響程度最為顯著?？臻g滯后效應的系數(shù)為0.336，且通過了顯著性檢驗，說明相鄰省份存在明顯的空間擴散（溢出）效應。

關鍵詞：物流行業(yè);空間計量;碳排放

中圖分類號：F403.3 ? ?文獻標識碼：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世紀90年代，受到經(jīng)濟全球化和網(wǎng)絡經(jīng)濟的影響，物流企業(yè)進入飛速發(fā)展時期。到2000年，世界全年物流產(chǎn)業(yè)規(guī)模為3.6萬億美元，與世界旅游業(yè)總收入基本相當，2005～2014年全國社會物流總額逐年遞增。其中2014年全國社會物流總額213.5萬億元。中國作為全球貿(mào)易大國，物流行業(yè)的發(fā)展突飛猛進。自哥本哈根會議以來，世界各地紛紛提出環(huán)保、綠色、低碳的概念，溫室氣體排放尤其是二氧化碳排放的問題，越來越受到人們的關注，由于它的大量出現(xiàn)引起全球氣候的變化，且威脅著人類的生存與社會經(jīng)濟的可持續(xù)發(fā)展，我國更是允諾會降低碳排放。因此，關注物流行業(yè)碳排放問題也是尤為重要[1-5]。

目前國內外學者對碳排放研究頗多，主要分為三大類：第一類是關于碳排放計算，由于碳排放無法直接預測，且沒有統(tǒng)一的計算方法，目前采用較多的是拉氏指數(shù)方法和迪氏指數(shù)方法[6]，Reitler等（1987）、Howarth等（1991）、Park等（1992）[7-9]對此方法做了進一步完善。第二類是關于碳排放影響因素研究，日本學者Kaya[10]認為人口、人均GDP、單位GDP的能源用量、單位能源用量的碳排放量是推動碳排放量增加的4個主要影響因素，并提出了著名的Kaya公式;同時，Birdsall[11]對人口總量與碳排放的關系進行研究，表明全球碳排放量增加的重要因素是由于人口的增加。第三類是分行業(yè)對碳排放進行分析，已有文獻把工業(yè)、農(nóng)業(yè)、建筑業(yè)、交通運輸業(yè)等行業(yè)的碳排放作為研究對象。Chang（1999）等[12]運用灰色關聯(lián)分析方法研究了中國臺灣各產(chǎn)業(yè)的碳排放，結果表明建筑業(yè)是碳排放系數(shù)最高的行業(yè)[13]。

在對省域物流行業(yè)碳排放研究中，由于物流行業(yè)省域之間的差異也很大，而傳統(tǒng)的最小二乘法回歸法（OLS）得出的結果不能反映出空間地理上的差異?？臻g計量經(jīng)濟學可以彌補傳統(tǒng)計量經(jīng)濟學的不足，它可以研究地理空間異質性，反映出變量在空間上的差異，更貼合實際。目前在關于碳排放的空間計量分析有工業(yè)、交通、農(nóng)業(yè)[14-16]等方面的而對物流行業(yè)碳排放的空間計量分析較少。Anselin和Florax（1995）指出空間計量經(jīng)濟學在主流經(jīng)濟學的實證中越來越受到關注，表現(xiàn)在這方面的書籍被大量出版，更多的學者發(fā)表相關論文以及經(jīng)濟學雜志也有專版[17-19]。且從目前研究可以發(fā)現(xiàn)，單一截面數(shù)據(jù)、時間序列數(shù)據(jù)、普通的面板數(shù)據(jù)等方法各異，但目前尚未發(fā)現(xiàn)有學者運用空間面板數(shù)據(jù)對物流業(yè)相關問題進行深入研究。

1 ?物流業(yè)空間維度分析

1.1 ?全局Moran's I指數(shù)

（2）省域物流業(yè)碳排放局部Moran's I檢驗結果。為了更直觀分析中國各省域物流業(yè)碳排放的自相關情況，本小節(jié)將通過局部Moran's I散點圖和LISA地圖來研究局部區(qū)域空間上的關聯(lián)性，由于相近年份數(shù)據(jù)差距不大，且年份過多，本文使用Geoda軟件刻畫了2004年、2008年、2012年和2016年這4年的Moran's I散點圖，具體見圖2和圖3所示。

由圖2、圖3可以看出：中國省域物流業(yè)碳排放在地區(qū)上是存在正向的空間聚集性，即物流業(yè)碳排放水平高（低）的地區(qū)集中在某一區(qū)域。圖中第一象限代表該區(qū)域物流業(yè)碳排放量值相對較高，并且被其他物流業(yè)碳排放量也相對較高的地區(qū)所包圍，即H-H聚集。與此類似的是，第三象限代表該地區(qū)物流業(yè)碳排放量為相對低值且被其他物流業(yè)碳排放為相對低值的地區(qū)所包圍，即L-L聚集。第二象限和第四象限則代表H-L聚集和L-H聚集。為了更清晰的展示全國物流業(yè)碳排放的聚類情況，對上述省域物流業(yè)碳排放的Moran's I散點圖進行空間聚類分析，得到表2，并繪制物流業(yè)碳排放LISA集聚圖4和圖5以便更直觀的分析中國省域物流業(yè)碳排放變化的空間分布情況。

從表2可以看出，2004～2016年來的“H-H”聚集的省域變化不大，2004年有6個省市分別是山東、陜西、湖北、湖南、河南和山西，除了山東以外，其他省市均位于中西部經(jīng)濟相對欠發(fā)達的地區(qū);“H-L”聚集有江蘇、廣東、遼寧、上海、四川、浙江、北京7個省市，這些省域的物流業(yè)碳排放水平較高，但周邊地區(qū)物流業(yè)碳排放水平相對較低;“L-H”聚集地區(qū)包括河北、貴州、安徽、江西、福建、吉林、云南、內蒙古、寧夏、廣西、重慶，這些地區(qū)物流業(yè)碳排放水平較低，但周邊地區(qū)物流業(yè)碳排放水平相對較高;“L-L”聚集代表該區(qū)域物流業(yè)碳排放水平及周邊地區(qū)物流業(yè)碳排放水平都相對較低，主要省域有新疆、黑龍江、天津和青海。

圖4和圖5分別展示了2004年、2008年、2012年、2016年中國省域物流業(yè)碳排放LISA聚集圖，圖中“H-H”聚集區(qū)域主要集中在山東、河南、湖北等省域;廣東省在圖中一直處于“H-L”聚集區(qū)域，說明廣東省物流業(yè)碳排放水平一直較高，但周邊地區(qū)物流業(yè)碳排放水平相對較低;新疆則一直處于“L-L”區(qū)域，說明新疆及其周邊地區(qū)的碳排放水平都相對較低。從整體上來看，物流業(yè)碳排放高的省域多集中在華北地區(qū)和華中地區(qū)，物流業(yè)碳排放較低的省域集中在西北地區(qū)[11]。

2 ?空間計量模型、變量及數(shù)據(jù)

2.1 ?空間面板數(shù)據(jù)模型

空間計量經(jīng)濟學不同于傳統(tǒng)的計量經(jīng)濟學的一個重要因素在于，空間計量經(jīng)濟模型中考慮了地區(qū)間的空間相互作用。為了彌補傳統(tǒng)計量經(jīng)濟的不足，本文選用空間計量經(jīng)濟學中的空間誤差模型（Spatial Error Model，SEM）和空間滯后模型（Spatial Lag Model，SLM）來分析空間特性。

運用SPSS軟件計算OLS結果如表3所示：

據(jù)表3可知，lnFRM和lnEIN的P值為0.0000均通過了1%顯著性水平的檢驗，模型整體P值為0.000也通過了1%水平的顯著性檢驗，擬合優(yōu)度R2高達0.8640，調整后的擬合優(yōu)度也達到了0.8629，模型擬合程度較好。通過方差膨脹因子（Variance Inflation Factor，VIF）的檢驗，三個變量的VIF分別為1.315、1.083和1.378，遠遠低于10，說明變量之間不存在明顯的共線性。且容忍度值（Tolerance）值均大于0.1，因此可解釋為變量之間不存在多重共線性。DW值為1.8867，接近2，故判斷模型擬合后得到的殘差不存在自相關的關系。從系數(shù)來看，省域碳排放與lnFRM和lnEIN成正相關，影響省域碳排放的最重要的因素是能源強度，系數(shù)為0.7523，而物流業(yè)人均生產(chǎn)總值的系數(shù)為-0.0529，但沒有通過顯著性檢驗，無法判斷結果。

在上節(jié)的省域物流業(yè)碳排放相關性檢驗從全局自相關（Moran's I）和局域自相關性（LISA圖）證明了中國30個省、市、自治區(qū)的物流業(yè)碳排放量之間存在著空間相關性。而傳統(tǒng)的OLS線性回歸方法沒有將空間效應考慮在內，如若單純使用傳統(tǒng)OLS線性回歸對模型進行估計，可能會造成模型的設定與實際不符。下文為了進一步驗證省域物流業(yè)碳排放的空間相關性，采用空間滯后模型（SLM）和空間誤差模型（SEM）分別對省域物流業(yè)碳排放進行空間相關性的檢驗，并找出這種相關性到底與滯后項有關還是與誤差項有關。

3.2 ?空間計量模型實證分析

本節(jié)主要使用空間計量經(jīng)濟模型中的空間滯后模型（Spatial Lag Model，SLM）和空間誤差模型（Spatial Error Model，SEM）兩種模式對物流業(yè)碳排放進行空間分析。

首先，通過LM檢驗統(tǒng)計量對所選變量和各個模型進行空間滯后和空間誤差的判斷，所得統(tǒng)計量如表4所示：

由表4結果可知，除了LM ERR檢驗沒有通過顯著性檢驗，其余所有檢驗均通過，由表4中可以說明在滯后項上模型存在較為顯著的相關關系，可以采用空間滯后模型進行模型的建立。而Robust LM ERR通過了顯著性檢驗，故可以考慮擬合空間誤差模型再分析所得的結果，看誤差項的系數(shù)是否顯著來判斷最后結果。

根據(jù)上文的相關檢驗，分別采用空間滯后（SLM）模型和空間誤差（SEM）模型進行模型的建立，每種模型又分別采用了空間固定、時間固定和空間時間雙固定效應的分析，在面板數(shù)據(jù)的空間計量模型在軟件MATLAB中實現(xiàn)，計算結果如表5所示：