我國物流業全要素碳排放效率測度及動態變化研究

林秀群，李 陽，唐向陽

(1.昆明理工大學 管理與經濟學院，云南 昆明 650093;2.云南昆船環保技術有限公司，云南 昆明 650051)

0 引言

2020年在利雅得峰會舉辦過程中，我國領導人在“守護地球”主題邊會上鄭重聲明要力爭實現“碳達峰、碳中和”的雙碳目標。作為復合型行業，物流業主要消耗的能源是碳排放系數較高的煤、油品。2017年我國物流業的碳排放量增長到71 471萬t，10 a間增長量為23 363萬t，年均增長率約為6.02%。依據全國總體碳排放量的構成來看，物流業的碳排放量占比接近20%[1]。柴麒敏等[2]研究表明，物流業等重點行業要想實現2030年的達峰目標，需要在明確行業碳排放總量目標的基礎上，建立碳排放效率提升的目標。測度碳排放效率旨在對生產碳排放產生的經濟成果進行評估。我國是多地區、多民族的國家，省際物流業間條件差異顯著，如何科學地對碳排放效率進行測度并發現各區域的差異性，對我國物流業乃至其他行業的碳中和、碳達峰有一定的理論和現實指導意義。

1 國內外研究現狀

我國采用碳強度、碳生產率作為低碳經濟考核的指標，其優點是簡單、易計算，其缺點是不屬于真正意義上的“效率”指標。碳排放效率源于能源效率，Hu等[3]基于全要素生產率的概念提出了全要素能源效率的概念，將其闡釋為“最優的能源投入”與“實際的能源投入”在生產前沿線上的比值。借鑒該定義，董鋒等[4]將碳排放效率界定為生產前沿線上“最優能源投入產生的碳排放”和“實際能源投入產生的碳排放”的比值。為了敘述方便，以下將“全要素碳排放效率”簡稱為“碳排放效率”。

學界關于碳排放量作為投入還是非期望產出尚未達成一致認識。董鋒等[4]認為碳排放是能源燃燒的產物，將固定資本、碳排放和勞動力當作投入要素，將經濟產出當作期望產出，測度了碳排放效率。Fare等[5]主張將資本存量、能源消耗量、人力當作投入要素，將碳排放量視作“非期望”的產出。測度模型多數以DEA模型為基礎，如DEA-BCC模型[6]、DEA-SBM模型[7]、三階段DEA模型[8]、Ruggiero三階段模型[9]等。碳排放效率多數的研究主體集中在區域[8,10]和行業。其中，行業多集中在工業[11]、制造業[12]、建筑業[13]、旅游業[14]、農業[15]等。目前，研究主體是物流業的仍較少，楊斌等[16]對江蘇省的碳排放效率進行了測度。李慧等[6]研究了絲綢之路經濟帶沿線省份的物流業碳排放效率。

本研究選擇基于碳排放量作為投入變量的碳排放效率測度模型，分別從全國、區域及省際的角度來測度物流業的碳排放效率。原因如下：(1)碳排放作為投入變量有利于推進政府能源生產結構和消費結構的轉型。地表平均氣溫升幅與大氣累積的CO2之間存在線性關系[17]。作為碳排放的主要碳源，減少化石能源的消費量、推進能源結構轉型是各國低碳經濟發展的核心目標。(2)碳排放的產生是各項化石能源消費的產物，但是水泥生產過程的石灰石分解也是重要的來源之一[18]。(3)從研究主體來看，學界大多集中在區域或工業、建筑業等，以物流業為主體的較少。

基于此，本研究采納董鋒等的研究方法，運用BCC-DEA模型測算2007—2018年我國30個省市的物流業碳排放效率，分析物流業Malmquist指數及分解出各項指數之后所體現出的差異及變化，并結合二者進行聚類分析。

2 研究方法、數據來源及處理

2.1 模型設定

2.1.1 BCC-DEA模型

數據包絡分析(DEA)是一種多項指標輸入、多項指標輸出測度相對效率的系統性方法[19]。各個獨立的決策單元(DMU)維持輸入、輸出變量不變，借助統計學、數學的原理及方法，觀測數據的非參數分段前沿，從而能夠得到DMU和生產前沿面二者之間的偏離程度。DEA模型無需顧及指標之間量綱不一致的問題，無需知曉前沿函數的形式。“規模報酬可變”的BCC-DEA模型更符合物流業的生產實際活動，所以本研究使用BCC-DEA模型對全國、區域及省際物流業的碳排放效率進行評估。模型如下：假設共有n個DMU，m個輸入變量，s個輸出變量；xik(i=1,2,…,2m)為第k個DMU的第i個投入要素,yrk(r=1,2,…,s)為第k個DMU的第r個產出要素；θ為第k個DMU的有效值。

min[θ-ε(eTs-+eTs+)]，

(1)

(2)

式中，θ為碳排放效率；ε為非阿基米德無窮小量；e為空間向量；s-為投入冗余量;s+為產出冗余量；λj為權重系數；xj和yj分別為第j個決策單元的輸入和輸出變量；xj0和yj0分別為第j0個決策單元的輸入和輸出指標變量。

2.1.2 Malmquist指數

Malmquist指數方法通過t期到t+1期效率的變化測算動態碳排放效率。通常，將Malmquist指數簡化稱作ML指數，它可以進一步分解成為3個指數：(1)純技術效率變化指數(Pure Technical Efficiency Change Index，PTEC)，反映在固定規模報酬下，決策單元相對技術效率變動的程度或對技術前沿面追趕變動的程度，即“追趕效應”。(2)規模效率變化指數(Scale Efficiency Change Index，SEC)，是指由規模因素發生改變所導致的碳排放效率產生的變化，即“規模效應”。(3)技術進步變化指數(Technical Change Index，TC)，反映向技術前沿面移動的情況，即“技術前沿移動效應”。

對于每個獨立的決策單元，x為投入要素，y為產出要素，t為不同時期，則第t+1年、第t年的投入產出量分別為(xt+1，yt+1),(xt，yt)；Dt和Dt+1分別為t時期和t+1時期的技術效率水平；C為不變規模報酬；V為表可變規模報酬。在ML指數中，全要素生產效率變化指數等于效率變化指數(Efficiency Change Index，EC)與技術進步變化指數(TC)的乘積：

ML(xt+1,yt+1,xt,yt)=

EC×TC。

(3)

在規模報酬可變的情形下，效率變化指數(EC)可以分解為純技術效率變化指數(PTEC)及規模效率變化指數(SEC)：

EC=PTEC×SEC=

(4)

故假設可變規模報酬的情形下，ML指數可進一步分解為技術進步變化指數(TC)、純技術效率變化指數(PTEC)和規模效率變化指數(SEC):

ML(xt+1,yt+1;xt,yt)=PTEC×SEC×TC=

(5)

2.2 概念模型、指標選取及數據處理

根據碳排放效率的概念，選取能源消費碳排放、固定資產、人力資源作為投入變量，GDP作為產出變量，見圖1。

碳排放效率測算的決策單元共有34個，分別為1個全國決策單元、3個區域決策單元和30個省際決策單元(西藏、香港、澳門和臺灣除外)。全國決策單元由30個省際決策單元共同構成。區域決策單元分別為東部決策單元、中部決策單元、西部決策單元。全國、區域決策單元的能源消費碳排放、人力資源、固定資產、GDP的數據分別為各成員的和。由于年鑒中收錄的物流業數據不夠全面，在構成物流業生產總值的各項產業中，交通運輸業、倉儲業2及郵政業占比達到了83%，參考袁丹、余泳澤等[20-21]的處理方法，故用上述3項產業的下列指標來表征物流業的指標。

(1)能源消費的碳排放量。依照IPCC對能源的分類，物流業的能源消費主要分為原煤、汽油、煤油、柴油、燃料油、液化石油氣、天然氣、電力。依據各個決策單元能源的消費量計算碳排放量，數據來自《中國能源統計年鑒》。碳排放量的計算見式(6)，其碳排放系數和能源地位熱值見表1。其中，C為碳排放的總量；i為能源的種類；Ci為第i種能源的碳排放量；Ei為第i種能源的消耗量；NCVi為第i種能源的能源低位熱值；CEFi為第i種能源的碳排放系數；COFi為第i種能源的碳氧化因子，默認為1；44和12分別為CO2和碳的分子量。

表1 能源的碳排放系數和低位熱值Tab.1 Carbon emission coefficient and low calorific value of energy

(6)

(2)從業人數。以“物流業的從業人員總數量”來表示“物流業的勞動投入”，數據來自《中國統計年鑒》。

(3)固定資產投資額。依據劉秉鐮、鄧學平等[22-23]的研究，選取“物流業固定資產投資額”作為“資本投入”，將2007年定為基準年運用相應年份的固定資產價格指數進行平減，數據來自《中國統計年鑒》。

(4)物流業GDP。根據GDP平減指數將“交通運輸、倉儲和郵政業”的生產總值換算成2007年不變價格，數據來自《中國統計年鑒》。

3 結果及分析

3.1 基于BCC-DEA模型碳排放效率的靜態分析

3.1.1 全國、區域決策單元碳排放效率的靜態分析

圖2是全國、東部、中部和西部決策單元碳排放效率的測算結果。在樣本期內，四者的均值分別為0.730，0.607，0.604，0.440，東部決策單元分別為中部、全國和西部地區的1.20倍、1.21倍、1.66倍。可見，東部決策單元相比較于中部、西部的效率值最高，全國決策單元和中部決策單元的效率值基本接近。2008年，4個決策單元的碳排放效率離生產前沿面相對較遠。其中，中部和東部決策單元的碳排放效率基本接近，其值分別為0.633和0.614；全國和西部的值分別為0.566和0.421。可見，在樣本期初，西部決策單元的碳排放效率比中部、東部低0.212和0.193。在樣本期內，4個決策單元的峰值出現時間基本在2014年前后。2015年，東部決策單元碳排放效率的峰值與生產前沿面相距較近，達到0.804。2013年，西部決策單元碳排放效率的峰值離生產前沿面相對較遠，其值為0.475。2014年，中部、全國決策單元的碳排放效率達到了峰值，其值分別為0.695和0.668。總之，東部決策單元達到峰值的時間最晚，西部的時間最早，而中部和全國居中。

圖2 東部、西部、中部和全國物流業的碳排放效率折線圖Fig.2 Line chart of carbon emission efficiency of in eastern, western, central and national logistics industry

從樣本期初到出現峰值時，東部、全國、西部和中部決策單元碳排放效率的年均遞增速率依次遞減，其結果分別為3.37%，2.86%，2.52%，1.83%。從峰值時間到2017年，相比其他三者，東部下降速率最明顯，前者的值為7.88%，后三者的值為6.82%，6.62%，4.75%。可見，在樣本期內，西部決策單元的碳排放效率值始終離生產前沿面相對較遠，且比較穩定，其值在[0.388, 0.475]之間波動；東部決策單元的值波動較大，峰值時間離生產前沿面相對相近，樣本期初和期末離生產前沿面相對相近；中部決策單元雖然其初始值高于東部決策單元，但由于中部決策單元的峰值出現時間比東部早1 a，且樣本期初至峰值時間中部決策單元碳排放效率的年均遞增速率低于東部，所以，中部決策單元的碳排放效率值基本在[0.551, 0.695]之間波動，即離生產前沿面相對較遠。

3.1.2 省際決策單元的靜態分析

表2是30個省際決策單元樣本期間碳排放效率的分析結果。對于全國決策單元來說，其碳排放效率水平較低，均值為0.604，離生產前沿面有較大的距離。均值高于、低于全國碳排放效率均值的省際決策單元分別為18個和12個。18個均值較高的省際決策單元中，河北的均值一直在前沿面；江蘇、山東和河南的均值離生產前沿面較近，其值位于[0.80, 0.94)；貴州、上海、天津、寧夏、內蒙古、江西、福建、北京和遼寧的均值位于[0.70, 0.80)，廣東、山西、浙江、湖南、安徽的均值位于[0.60, 0.70)。12個均值較低的省際決策單元中，黑龍江和甘肅的均值位于[0.50, 0.60),湖北、吉林、陜西、海南、廣西、新疆、重慶的均值位于[0.40, 0.50)，四川的均值位于[0.30,0.40)，青海和云南的均值位于[0.20,0.30)。

表2 2008—2017年30個省際決策單元的碳排放效率Tab.2 Carbon emission efficiencies of 30 provincial DMU from 2008 to 2017

根據表2，河北的碳排放效率在樣本期內一直處于生產前沿面。表3是樣本期內29個省際決策單元(河北除外)的峰值出現年份。對于東部地區，江蘇、上海、山東、遼寧分別于2010—2013年、2011—2014年、2008—2009年和2015—2016年達到了生產前沿面；北京和浙江分別于2015年和2017年達到了峰值，且離生產前沿面較近；浙江于2014年達到了峰值(0.735)；2015—2016年達到峰值的省際決策單元均為3個，2011—2014年達到峰值的省際決策單元均為2個。對于中部地區，2013年有3個決策單元的碳排放效率達到樣本期內的峰值；2014年有2個分別達到其峰值；2008年、2010年和2017年各有1個達到其峰值。山西的峰值達到前沿面，河南、江西的峰值離生產前沿面較近，黑龍江、吉林、湖南、湖北的峰值離生產前沿面較遠。對于西部地區，2016年3個決策單元達到峰值；2014年和2008年各有2個單元達到了峰值；2009年、2010年、2012年和2013年各有1個單元達到了峰值。寧夏的峰值達到前沿面，貴州、內蒙古和甘肅的峰值離生產前沿面較近，其余7個省際決策單元的峰值距前沿面較遠。

表3 29個省際決策單元碳排放效率達到峰值的年份Tab.3 Peak years of carbon emission efficiencies of 29 provincial DMU

3.2 基于Malmquist模型碳排放效率的動態分析

3.2.1 全國和區域決策單元的動態變化分析

表4是2008—2017年物流業碳排放效率ML指數及其分解情況。根據表4，樣本期內，全國物流業的碳排放效率ML指數平均下降了4.2%，其主要原因是技術前沿移動效應下降了3.7%，規模效應下降了0.5%。東部區域物流業的碳排放效率ML指數平均下降了2%，其主要原因是技術前沿移動效應下降了3.1%；中部區域物流業的碳排放效率ML指數平均下降了5.8%，其主要原因是技術前沿移動效應下降了4.5%和追趕效應下降了2.4%；西部區域物流業的碳排放效率ML指數平均下降了1.5%，其主要原因是技術前沿移動效應下降了0.5%和規模效應下降了2.6%。可見，中部區域是碳排放效率指數、技術前沿移動效應和追趕效應下降最顯著的決策單元。

表4 2008—2017年物流業碳排放效率ML指數及其分解Tab.4 Malmquist indexes and decomposition of carbon emission efficiency of logistics industry from 2008 to 2017

3.2.2 省際決策單元的動態變化分析

東部11個省際決策單元中，ML指數大于1的有5個。其中，遼寧ML指數升高的主要原因是追趕效應進步顯著；天津是追趕效應和規模效應顯著；上海是技術前沿移動效應和追趕效應顯著；福建是技術前沿移動效應和規模效應顯著，北京是追趕效應和規模效應顯著。其余6個決策單元的ML指數低于1。其中，河北ML指數下降的主要原因是技術前沿移動效應減弱；海南、浙江是技術前沿移動效應和追趕效應減弱，廣東是技術前沿移動效應和規模效應減弱；山東是3個效應同時減弱。

中部8個省際決策單元中，ML指數大于1的有2個。其中，山西和湖南ML指數升高的主要原因是追趕效應和規模效應進步顯著。其余6個決策單元的ML指數低于1。其中，黑龍江、湖北、河南、江西ML指數下降的主要原因是技術前沿移動效應和追趕效應減弱；吉林、安徽是3個效應同時減弱。

西部11個省際決策單元中，ML指數大于1的有4個。其中，貴州ML指數升高的主要原因是3個效應同時增加；廣西、寧夏是追趕效應和規模效應顯著；四川是技術前沿移動效應和追趕效應顯著。其余7個決策單元的ML指數低于1。其中，內蒙古、重慶、新疆ML指數下降的主要原因是技術前沿移動效應和追趕效應減弱；青海、云南是追趕效應和規模效應減弱，陜西是技術前沿移動效應和規模效應減弱；甘肅是3個效應同時減弱。

3.3 省際決策單元靜態碳排放效率和ML指數聚類分析

為了比較省際決策單元靜態碳排放效率(Carbon Emission Efficiency，CEE)和ML指數，對30個省際決策單元采用K-均值聚類分析法進行分析，結果見圖3。

圖3 2008—2017年省際決策單元的聚類分析結果Fig.3 Cluster analysis result of provincial DMU from 2008 to 2017

(1)高效率-增長型(CEE>0.6, ML指數>1)包括上海、天津、北京、福建、貴州、寧夏、遼寧、山西、湖南。這些省份的碳排放效率及其增長指數都處于高水平，即在一定的資本投入、一定的勞動力投入水平下，既能使實際物流業增加值產出達到最高水平，又能使二氧化碳的產生相對較少。此類型省份的碳排放效率水平的提高主要得益于純技術效率和規模效率的提高，應在物流業低碳改革的進程中不斷汲取經驗，充分發揮低碳轉型的優勢，保持其提升的良好態勢。

(2)高效率-降低型(CEE>0.6, ML指數<1)包括河北、江蘇、山東、河南、江西、安徽、廣東、浙江、內蒙古。此類型省份有一個共同的特點，即技術進步變化指數的下降較為直接地阻礙了物流業碳排放效率的提升，需要提高低碳的意識，利用行業內最新的成果充分提升清潔型能源的效率，將碳排放水平降至目標水平。作為我國經濟發展水平居于前列的省份，浙江省規模上已經達到較高的水平，但科學技術的水平仍有進步的空間，江蘇省、廣東省作為我國重點的沿海發達城市，應當提高對綠色創新領域的關注力度，促進綠色科技成果的進一步轉化。

(3)低效率-增長型(CEE<0.6, ML指數>1)包括廣西、四川。這2個省份表現出規模效率遞增，說明其可以有效地通過利用規模效率的提升從而提升碳排放效率。其中廣西的技術進步相較于其他來說貢獻率更低，需注意物流行業各環節節能減排的新舉措落實和完善。四川省應當加強物流行業的創新投入，引進先進的節能技術到生產運作的過程中，從而加大環保技術推陳出新的力度。

(4)低效率-降低型(CEE<0.6, ML指數<1)包括黑龍江、甘肅、湖北、吉林、陜西、海南、新疆、重慶、青海、云南。湖北、陜西物流業碳排放效率的發展水平明顯低于周圍水平的地區，說明這2個省份可以通過提高與周邊地區的合作，降低物流企業的碳排放量，提高物流發展的水平。甘肅、云南、吉林的碳排放效率偏低，并且這3個省份的純技術效率變化體現出資源配置的有效性偏低，應當著重減少政府部門對資源配置和資源價格的干預，適當增加資源的匹配性。技術進步是制約低效率-降低型省份對其碳排放效率提升的關鍵，并且從其變化趨勢來看，落后的趨勢逐漸擴大，因此，此類型的省份應注重優化低碳路線突破技術難關，從而更加靠近前沿面。

4 結論

本研究采用BCC-DEA模型對2008—2017年全國、區域和省際物流業的碳排放效率的靜態情況進行分析，利用Malmquist指數法對其動態變化過程中所顯現出的各個效應變動情況進行分析。結果表明：(1)全國物流業的碳排放效率一直在較低水平，且表現為波動變化的趨勢。碳排放效率總體表現為“東>中>西”的局面，全國碳排放效率和中部地區基本接近。多數省份碳排放效率動態變化指數小于1。(2)在與純技術效率以及規模效率二者相比之下，技術進步作為更加至關重要的因素影響著我國物流業碳排放效率的有力提升。(3)省際間碳排放效率動態變化的主要因素差異明顯，由2個效應引起動態變化的省際決策單元多于單一效應、3個效應的決策單元。

“雙碳”目標下，物流業作為碳排放量較高的重點行業，擁有著相對較大的減排潛力。基于以上結論，對于物流業碳排放量的減少及效率的提升，提出如下幾點建議：(1)“十四五”時期，爭取清潔能源的使用效率，構建清潔能源長效發展機制，制訂清潔能源利用率逐步提升的目標和省際考核制度。(2)對于技術前沿移動效應偏低的省份，加強物流業的科研投入和技術創新研究，并將新技術、新產品切實應用到經營活動中；對于追趕效應偏低的省份，汲取先進地區在管理方法和科學技術方面的成功經驗，創新發展方式、完善管理技術；對于規模效率偏低的省份，物流產業園區的建設要進行合理規劃以降低其空置率，提高基礎設施的利用率，促使產業集群規模效應的提升。(3)不僅要建立靜態碳排放效率長期監測制度，優化物流企業碳減排行為的激勵與約束機制，支持物流產業綠色低碳發展，而且還要構建動態變化考核制度體系，從而使物流產業的運作進一步向低碳高效發展。