我国物流业碳排放脱钩状态及影响因素研究

Decoupling Status and Influencing Factors of Carbon Emissions in China’s Logistics Industry

摘要

物流业是我国化石能源消耗及碳排放的重点行业之一，准确识别物流业碳排放影响因素对我国的可持续发展及节能减排战略具有重大意义。旨在研究21世纪以来我国物流业的能源消耗情况及碳排放变动趋势，找出影响物流业碳排放变动的关键因素。通过构建Tapio脱钩模型，分析我国物流业碳排放与经济增长的脱钩关系；基于此，构建扩展的对数平均迪氏指数模型，分解2000—2019年的碳排放变化。研究结果表明，2000—2019年间大部分时间均为扩张性耦合和扩张性脱钩，2018—2019年间首次出现强脱钩状态，表明物流业的发展与碳排放具有较强的关联性；城镇化效应是碳排放量增加的关键因素，总贡献为19 948.69万t，其次是运输结构效应，总贡献为13 901.80万t，而技术进步效应在抑制碳排放方面起着重要作用，总贡献为-4 098.21万t。

Abstract

The logistics industry is one of the key industries in China in terms of fossil energy consumption and carbon emissions. The accurate identification of the factors influencing carbon emissions in the logistics industry is of great significance to the sustainable development and energy conservation and emission reduction strategies of China. This paper aimed to study the energy consumption and carbon emission trends in China's logistics industry since the 21st century and to identify the key factors influencing its carbon emission changes. The Tapio decoupling model was constructed to analyze the decoupling relationship between carbon emissions and economic growth in China's logistics industry, and then an extended logarithmic mean divisia index (LMDI) model was constructed to decompose the changes in carbon emissions from 2000 to 2019. The results show that expansionary coupling and decoupling are observed for most of the period from 2000 to 2019, and strong decoupling appeared for the first time between 2018 and 2019, which indicates that there is a strong correlation between the development of the logistics industry and carbon emissions. The urbanization effect is the key factor in the increase of carbon emissions, with a total contribution of 199.486 9 million tons, followed by the transportation structure effect with a total contribution of 139.018 0 million tons. However, the technological progress effect plays an important role in curbing carbon emissions, with a total contribution of -40.982 1 million tons.

Graphical abstract

关键词

物流业 / 碳排放 / 影响因素 / 脱钩模型 / 对数平均迪氏指数模型

Key words

Logistics Industry / Carbon Emissions / Influencing Factors / Decoupling Model / LMDI Model

0　引言

“2030年之前实现碳达峰，2060年之前实现碳中和”是我国的一个长远目标，为此，我国近年来致力于发展低碳经济。物流业是我国的重点产业，2019年我国物流业货运量约为471.36亿t，相比于2000年的135.86亿t，增长了约3.47倍，平均年增长率约6.8%。物流业发展迅猛，但与此同时造成大量的能源消耗和碳排放。我国物流业2000年能源消耗总量约为9 916.12万t标准煤，产生5 378.79万t的碳排放；2019年能源消耗总量约为43 909万t标准煤，产生19 333.77万t碳排放，分别增长了约4.43倍和3.59倍，平均年增长率分别约为8.1%和7.0%。因此，研究我国物流业碳排放脱钩状态及影响因素，控制我国物流业碳排放量，有助于发展低碳物流和实现减排目标。

脱钩理论常被用于行业发展与碳排放关联关系的研究中。2005年，Tapio^[1]以芬兰道路交通为例，首次将弹性引入脱钩理论，并界定8种脱钩类型的具体含义。此后关于脱钩问题的研究，大部分学者沿用Tapio提出的脱钩模型。宋德勇等^[2]利用脱钩模型研究我国交通碳排放问题；卢升荣^[3]运用脱钩模型分析长江经济带运输结构对全要素碳排放效率的影响；曹俊文等^[4]利用脱钩模型考察30个省份的碳排放脱钩情况；张立国等^[5]利用脱钩模型对我国物流业进行脱钩分析；李健等^[6]利用脱钩模型研究京津冀地区物流业碳排放，结果均表明物流业脱钩状态不佳，物流业的发展与碳排放仍具有较强的关联性。

在碳排放影响因素的研究中，常用的因素分解方法主要有结构分解法(SDA)和指数分解法(IDA)，而IDA中使用较为广泛的是对数平均迪氏指数法(LMDI)。武彦超^[7]利用SDA方法研究1999—2018年间物流业碳排放影响因素。2001年，Ang等^[8]最先提出LMDI分解方法，之后Ang^[9]在此基础上于2005年总结出一般性的计算公式。由于LMDI方法易于理解、计算简便且计算结果无残差等诸多优点，已被广泛运用于各个领域减排问题的研究中。王丽琼^[10]利用LMDI方法研究“十二五”期间我国省域氮氧化物减排问题；卢升荣等^[11]利用LMDI方法研究交通运输业碳排放，得出人均GDP和人口对碳排放起最主要促进作用，且人均GDP的促进效果尤为显著，这与喻洁等^[12]得到的结果保持一致；石钰婷^[13]以航空运输碳排放为研究对象，利用LMDI方法将其影响因素分为人口效应、规模效益、强度效益与技术效益；刘小丽等^[14]利用LMDI方法研究2000—2018年我国制造业碳排放的驱动因素，研究表明经济增长和产业结构效应是促进碳排放增加的主要因素。LMDI方法在物流业研究中的运用同样正在蓬勃发展。张立国^[15]利用LMDI方法分析我国物流业碳排放变化驱动因素；李亚芳^[16]利用LMDI方法研究长三角地区物流业碳排放；李健等^[6]利用LMDI方法研究京津冀地区物流业碳排放，得出在各自的研究区域内人口规模效应均对物流业碳排放起到拉动作用；朱桃杏等^[17]通过LMDI方法对各个省区的物流业碳排放影响因素进行差异性分析，发现各省区人口对碳排放的影响效果基本一致，均促进了物流业碳排放的增加。

通过文献梳理发现，关于物流业碳排放脱钩问题及碳排放影响因素问题的研究成果较多，但大多数都是将二者分开研究，将二者结合分析的文献稍显不足且研究期偏短、数据陈旧，不能准确地反映当前物流业发展现状及趋势。基于此，使用Tapio脱钩模型和LMDI方法，研究2000—2019年间物流业的脱钩状态及碳排放影响因素。

1　物流业能源消耗及碳排放测算分析

现有统计年鉴中并没有对“物流业”的专门划分，根据2006年的《中国第三产业统计年鉴》数据，“交通运输、仓储和邮政业”能够贡献物流业83%以上的产值，因而使用“交通运输、仓储和邮政业”数据代表物流业基本能够反映物流业的发展现状及趋势^[18-19]。历年的《中国统计年鉴》中均有“交通运输、仓储和邮政业”的直接统计数据，鉴于数据的可获取程度较高，目前大部分研究基本都采用“交通运输、仓储和邮政业”数据代表物流业。因此，本研究也采用“交通运输、仓储和邮政业”的统计数据代表物流业。

1.1　物流业能源消耗分析

2000—2019年我国物流业能源消耗总量如图1所示。从图1能够看出，我国物流业能源消耗量呈现逐年增加趋势，从2000年的9 916.12万t标准煤增加到2019年的43 909.00万t标准煤，年均增长量为1 789.10万t标准煤。图中所计算的能源总量为煤炭、石油、天然气等能源折算成标准煤后的总和，这些化石能源的燃烧会直接产生大量碳排放，而物流业的碳排放来源有直接碳排放(包括运输、仓储等各个环节)和间接碳排放(与关联产业进行商品或服务的供给与需求时)。在直接碳排放中，运输环节所产生的碳排放量最大，主要由以下2点构成。一是运输过程中必需的能源消耗所产生的碳排放；二是配送中心选址不合理导致运距增加、空载等问题所造成的无效运输，进而导致碳排放的增加。在运输过程中，各类交通工具的燃料主要为一次能源中的高碳性能源，如煤炭、汽油等，进而将释放大量的在途碳排放。

1.2　物流业碳排放测算分析

现有研究对碳排放量的测算方法主要包含直接能源消耗的联合国政府间气候变化专门委员会(IPCC)碳排放系数法、间接的投入产出法和完全能源消耗的生命周期法等。IPCC研究显示，大气中碳排放量的95%来源于化石燃料的燃烧，将各类能源燃烧所产生的碳排放量加总即为全部碳排放量，可以反映区域或行业的碳排放水平。因此，许多学者选择计算化石燃料产生的碳排放量来代表大气中的碳排放量。具体计算方式如公式⑴所示。

C=\sum _j{C}_j=\sum _j{e}_j\times h_j\times f_j⑴

式中：C为碳排放总量，万t；j为能源类型；e_j 为第j种能源的消费总量，万t，亿m³或亿kW·h；h_j 为j种能源所对应的折标准煤系数，单位其他能源折算成标准煤的量；f_j 为第j种能源所对应的碳排放系数，消耗单位标准煤所排放的二氧化碳量。

在计算我国物流业碳排放时，选取的能耗数据来源于《中国统计年鉴(能源部分)》中“交通运输仓储及邮政业”的能耗数据，时间跨度为2000—2019年。2000—2019年我国物流业各类能源消耗量如表1所示。

根据表1和公式⑴，计算出2000—2019年我国物流业碳排放量。2000—2019年我国物流业碳排放量变化趋势如图2所示。

计算结果表明，2000—2019年，我国物流业的碳排放量基本表现为上升趋势，但上升速度存在明显差异。2000—2003年和2008—2009年2个阶段，碳排放量呈缓慢上升趋势，这可能是由于2000—2003年，我国物流业正处于探索期和起步发展初期，国内大多数的城市地区在其5年期的国民经济与社会发展规划中并没有涉及到对物流业的相关发展规划，有关物流业的政策还处于开始落实阶段；2008—2009年，金融危机的爆发波及到各个产业，与此同时，正处于起步发展期的物流业受到影响。因而，这2个阶段物流业发展缓慢，导致碳排放量增幅较低。2004—2008年和2010—2018年，碳排放量呈快速上升趋势，这可能是由于2004—2008年，物流业已处于起步发展中后期，各项政策的实施取得一定成效，物流设施逐步完善，运输体系日益形成；2010—2018年物流业处于高速发展期，政府稳步完善物流业发展的政策支持体系，建设物流基础设施，为今后推动物流业高速发展奠定基础。这2个阶段物流业发展迅速的状态，导致碳排放量增幅较高。而2018—2019年，物流业碳排放略微下降，这是由于公路货运在整个货运结构的占比下降较为明显，而环境友好型的铁路与水路占比上升，这与当年实行的“公转铁”“公转水”等低碳政策相关。2000—2019年货运结构如图3所示。

2　实证分析

2.1　物流业碳排放脱钩状态分析

为了实现我国的减排目标和物流业的低碳发展，有必要探讨物流业发展与碳排放之间的脱钩关系。Tapio脱钩模型如公式⑵所示。

D^t=\frac{\Delta C}{\Delta IGDP}=\frac{\frac{C^t-C^{\mathrm{0}}}{C^{\mathrm{0}}}}{\frac{IGD{P}^t-IGD{P}^{\mathrm{0}}}{IGD{P}^{\mathrm{0}}}}⑵

式中：D^t 为总脱钩指数；\DeltaC为碳排放量的增长率；\DeltaIGDP为IGDP的增长率，IGDP为物流业产值，亿元，能够表征物流业的发展；C^t 为第t年的碳排放量，万t；C⁰为基期的碳排放量，万t；IGDP^t 为第t年的物流业产值，亿元；IGDP⁰为基期的物流业产值，亿元。

根据Tapio提出的脱钩定义，可以将脱钩状态分为8种类型。脱钩指数及脱钩状态的评价准则如表2所示。

根据公式⑵计算得出2000—2019年物流业碳排放与物流业产值的脱钩状态如表3所示。从表3可知，总体而言，2000—2019年物流业经济增长与碳排放大部分时间呈现为扩张性耦合和扩张性负脱钩，这意味着物流业的发展与碳排放具有较强的关联性。而从2015年起持续出现弱脱钩状态，说明近几年的物流业低碳发展水平有所提升；2018—2019年间甚至首次出现强脱钩状态，这与当年货运结构的改变有关。

2.2　物流业碳排放影响因素分解

Kaya恒等式由日本学者Kaya^[19]于1989年提出，其将二氧化碳排放因素分解为能源消耗(T)、经济发展水平(Y)与人口效应(P)，具体如公式⑶所示。

C=\frac{C}{T}\times \frac{T}{Y}\times \frac{Y}{P}\times P⑶

原始的Kaya恒等式对碳排放的分解并不充分，随着对碳排放影响因素研究的深入，有学者开始探究能源结构、运输结构等结构效应对碳排放的影响^[20]。鲜有研究从技术进步的视角考虑对碳排放的影响，也没有全面考虑城镇化效应。城镇化对物流业碳排放的影响机制非常复杂，一方面，城镇化带来的物流企业规模化发展(如中小物流企业联盟、物流园区建设)有利于加快物流设备标准的统一，提高燃油效率，减少物流业碳排放；另一方面城镇化造成城市规模的扩张进而导致职住分离，增加了交通距离并导致交通拥堵。此外，这种扩张导致生产和销售之间的距离增加，从而抬升了物流业的碳排放。

考虑到物流业的特点(如能源利用效率的提高和伴随物流发展的设备技术水平的提高)和城镇化效应，通过考察结构调整、技术进步和城镇化的影响来分解物流业碳排放量的变化。扩展的Kaya恒等式如公式⑷所示。

C^t=\sum _i\sum _j\frac{E_{ij}^t}{E_i^t}\times \frac{E_i^t}{T_i^t}\times \frac{T_i^t}{T^t}\times \frac{T^t}{A^t}\times \frac{A^t}{K^t}\times \frac{K^t}{P^t}\times \frac{P^t}{S^t}\times S^t\times f_{ij}⑷

式中：C^t 为第t年的物流业碳排放总量，万t；i为第i种运输方式；j为第j种能源类型；E^t 为第t年物流业的能源消耗，万t标准煤；T^t 为第t年物流业的总货物周转量，亿t·km；A^t 为第t年的物流业增加值，亿元；K_t 为第t年的国内生产总值，亿元；P^t 为第t年末的总人口数，万人；S^t 为第t年的城市建成区面积，km²；f为碳排放系数。

为了测量上述因素对碳排放的贡献，可以将公式⑷改写如下。

C^t=e{s}^t\times e{i}^t\times t{s}^t\times t{i}^t\times i{s}^t\times pgd{p}^t\times p{s}^t\times s^t\times f⑸

式中：es^t =E_{ij}^t/E_i^t，为第j种能源消耗在总能源消耗中的占比，表征能源结构对碳排放的影响，%；ei^t =E_i^t/T_i^t，为单位周转量能耗，以此衡量能源强度，表征物流业的能源利用效率和技术应用效果，t标准煤/(万t·km)；ts^t =T_i^t/T ^t 是第i种运输类型的周转量在总货物周转量中的占比，表征运输结构对碳排放的影响，%；ti^t =T^t /A^t 为单位物流增加值货物周转量，以此衡量货运强度，表征运输效率对物流业碳排放的影响，(t·km)/元；物流业属于第三产业，is^t =A^t /K^t 为物流业增加值占生产总值的比重，表征产业结构调整效应对物流业碳排放的影响，%；pgdpt=K ^t /P^t 为人均国内生产总值，反映经济增长的城镇化效应，万元/人；ps^t =P^t/S^t 为单位城市建成区的城市人口，即人口密度，表征人口密度的城镇化效应，万人/km²；s^t 为城市面积扩张的城镇化效应，km²；f为碳排放系数，对碳排放没有影响。上式中es^t，ts^t 和is^t 反映结构调整效应对碳排放的影响；ei^t 和ti^t 反映物流业技术发展对碳排放的影响；pgdp^t，ps^t 和s^t 反映城镇化效应。

根据LMDI方法分解上述因素，得到公式⑹至公式⒂如下。

\Delta C=C^t-C^{\mathrm{0}}=\Delta es+\Delta ei+\Delta ts+\Delta ti+\Delta is+\Delta pgdp+\Delta ps+\Delta s⑹

\Delta es=\omega (C^t,C^{\mathrm{0}})\mathrm{l}\mathrm{n}\left(\frac{e{s}^t}{e{s}^{\mathrm{0}}}\right)⑺

\Delta ei=\omega (C^t,C^{\mathrm{0}})\mathrm{l}\mathrm{n}\left(\frac{e{i}^t}{e{i}^{\mathrm{0}}}\right)⑻

\Delta ts=\omega (C^t,C^{\mathrm{0}})\mathrm{l}\mathrm{n}\left(\frac{t{s}^t}{t{s}^{\mathrm{0}}}\right)⑼

\Delta ti=\omega (C^t,C^{\mathrm{0}})\mathrm{l}\mathrm{n}\left(\frac{t{i}^t}{t{i}^{\mathrm{0}}}\right)⑽

\Delta is=\omega (C^t,C^{\mathrm{0}})\mathrm{l}\mathrm{n}\left(\frac{i{s}^t}{i{s}^{\mathrm{0}}}\right)⑾

\Delta pgdp=\omega (C^t,C^{\mathrm{0}})\mathrm{l}\mathrm{n}\left(\frac{pgd{p}^t}{pgd{p}^{\mathrm{0}}}\right)⑿

\Delta ps=\omega (C^t,C^{\mathrm{0}})\mathrm{l}\mathrm{n}\left(\frac{p{s}^t}{p{s}^{\mathrm{0}}}\right)⒀

\Delta s=\omega (C^t,C^{\mathrm{0}})\mathrm{l}\mathrm{n}\left(\frac{s^t}{s^{\mathrm{0}}}\right)⒁

\omega (C^t,C^{\mathrm{0}})=\frac{C^t-C^{\mathrm{0}}}{\mathrm{l}\mathrm{n}{C}^t-\mathrm{l}\mathrm{n}{C}^{\mathrm{0}}}⒂

式中：\Delta C为由基期到t期的碳排放变动量，万t；C^{\mathrm{0}}为基期的碳排放量，万t；\Delta es，\Delta ei，\Delta ts，\Delta ti，\Delta is、\Delta pgdp，\Delta ps和\Delta s分别为能源结构、能源强度、运输结构、运输强度、产业结构、人均GDP、人口密度和城市建成区面积造成的交通运输业碳排放贡献量，万t；e{s}^{\mathrm{0}}为基期的能源结构，%；e{i}^{\mathrm{0}}为能源强度，t标准煤/(万t·km)；t{s}^{\mathrm{0}}为运输结构，%；t{i}^{\mathrm{0}}为运输强度，(t·km)/元；i{s}^{\mathrm{0}}为产业结构，%；pgd{p}^{\mathrm{0}}为人均GDP，万元/人；p{s}^{\mathrm{0}}为人口密度，万人/km²；s^{\mathrm{0}}城市建成区面积，km²。

2000—2019年物流业碳排放因素分解如表4所示。为消除物价波动的影响，确保各年数据的可比性，GDP、人均GDP、行业增加值均按2000年不变价进行换算。

2000—2019年物流业碳排放基本呈持续增长态势，城镇化效应(\Deltapgdp，\Deltaps，\Deltas)是碳排放增加的主要贡献因素，占物流业碳排放变化总量中的19 945.69万t；技术进步效应(\Deltaei，\Deltati)起到抑制碳排放的作用，总贡献为-4 098.21万t；结构调整效应(\Deltaes，\Deltats，\Deltais)起到抑制碳排放的作用，总贡献为-1 892.51万t。

在城镇化方面，经济增长(∆pgdp)在物流业碳排放总量增加中发挥了最重要的作用，这归因于我国经济的快速发展促进了物流需求的增长，并带来居民生活方式的改变，如电子商务的普及和快递需求的增加。城市扩张系数(\Deltas)是碳排放量增加的第三大贡献因素，仅次于经济增长(\Deltapgdp)与运输结构(\Deltats)，贡献了11 662.68万t碳排放。城市扩张对物流业碳排放的影响十分复杂，从正面影响来看，城市扩张会促进企业规模化与资源集约化发展；从负面影响来看，城市扩张会促进城市群发展，进而促进物流需求增加，并进一步提高物流网络的复杂性，城市规模的扩大还会导致交通拥堵，进而增加物流运输的能源成本并增加碳排放，此外，城市扩张会导致职住分离与配送中心选址不当等问题，导致生产和消费地之间的运输距离增加并造成迂回运输等问题。人口密度效应(\Deltaps)能够抑制碳排放，随着人口密度的降低，道路和交通网络的使用压力减轻，有助于提高整体的物流效率并降低碳排放。

在技术进步方面，能源强度(\Deltaei)与运输强度(\Deltati)能够抑制碳排放，说明节能技术的应用能够有效提高物流业能源效率进而抑制碳排放，但研究期内抑制效果并不显著。结合能源结构的视角来看，2000—2019年物流业能源结构如图4所示，各类能源中，煤炭消耗呈明显的递减趋势，对碳排放起到抑制作用，但汽油与柴油等石油能源一直占据着较大的份额且呈现上升趋势，且电力能源与天然气等清洁能源目前并未得到广泛使用，减弱了对碳排放的抑制作用。近年来，随着新能源汽车与液化天然气船舶的大力发展，以及国家减排政策中对清洁能源使用的重视，从能源结构的视角出发来实现减排仍具有较大潜力。

在结构调整方面，运输结构是促进碳排放的主要影响因素。公路运输的份额居高不下且呈现增长态势。与此同时，航空业的份额似乎也有上升趋势，这是由于生鲜产品(如鲜花、海鲜)、高附加值产品(如医疗器械)等的航空物流需求不断增长。调整运输方式向环境友好型的铁路与水路转移将是实现低碳发展的长期战略。产业结构在整个研究期对碳排放起到微弱的抑制作用，物流业属于第三产业，相比于第一产业和第二产业，第三产业往往具有较低的能源消耗和碳排放特性。随着第三产业比重的增加，特别是电子商务的发展，物流系统趋向于更加高效和集成化，利用先进的技术优化配送路线，减少空驶和重复配送，从而降低碳排放。

3　研究结论

（1）2000—2019年间物流业经济增长与碳排放大部分时间呈现为扩张性耦合和扩张性负脱钩，这意味着近20年间物流业的发展与碳排放具有较强的关联性。而从2015年起持续出现弱脱钩状态，说明物流业低碳发展水平有所提升，2018—2019年间甚至首次出现强脱钩状态。

（2）我国物流业能源消耗量呈现逐年增加的趋势，而碳排放除考察期最后1年出现微弱下降外，总体呈现增长趋势。通过LMDI方法分解其影响因素可知，城镇化效应是碳排放量增加的决定性因素，运输结构次之，而技术进步效应在抑制碳排放方面起着重要作用，且未来仍有很大的发展空间。

（3）仅研究了我国物流业碳排放现状，并未探索碳排放趋势。趋势预测是研究物流业碳排放的重要环节，也是制定减排战略的重要依据，未来还可以进一步研究碳排放趋势预测。

参考文献

[1] TAPIO P. Towards a Theory of Decoupling：Degrees of Decoupling in the EU and the Case of Road Traffic in Finland between 1970 and 2001[J]. Transport Policy，2005，12(2)：137-151.

[2] 宋德勇，宋沁颖，张　麒. 中国交通碳排放驱动因素分析：基于脱钩理论与GFI分解法[J]. 科技管理研究，2022，42(11)：216-228.

[3] SONG Deyong， SONG Qinying， ZHANG Qi. An Analysis of the Driving Factors of China'‍s Transportation Carbon Emissions：Based on Decoupling Theory and Generalized Fisher Index Decomposition[J]. Science and Technology Management Research，2022，42(11)：216-228.

[4] 卢升荣. 长江经济带交通运输业全要素碳排放效率研究[D]. 武汉：武汉理工大学，2018.

[5] 曹俊文，张钰玲. 中国省域碳排放特征与碳减排路径研究[J]. 生态经济，2022，38(8)：13-19.

[6] CAO Junwen， ZHANG Yuling. Research on Carbon Emission Characteristics and Reduction Pathways of Provinces in China[J]. Ecological Economy，2022，38(8)：13-19.

[7] 张立国，李　东. 中国物流业能源消耗、碳排放与行业发展关系分析[J]. 科技管理研究，2015，35(24)：238-243.

[8] ZHANG Liguo， LI Dong. An Analysis of Relationship among Energy Consumption，Carbon Emission and Economic Growth on China's Logistics[J]. Science and Technology Management Research，2015，35(24)：238-243.

[9] 李　健，白子毅，李柏桐. 双碳背景下京津冀物流业碳排放脱钩及影响因素研究[J]. 城市问题，2022(5)：69-76.

[10] LI Jian， BAI Ziyi， LI Baitong. Decoupling of Carbon Emissions and Influencing Factors of Logistics Industry in Beijing-Tianjin-Hebei in the Background of Carbon Peaking and Carbon Neutrality Goals[J]. Urban Problems，2022(5)：69-76.

[11] 武彦超. 中国物流业碳排放影响因素及产业关联研究[D]. 呼和浩特：内蒙古工业大学，2021.

[12] ANG B W， LIU F L. A New Energy Decomposition Method：Perfect in Decomposition and Consistent in Aggregation[J]. Energy，2001，26(6)：537-548.

[13] ANG B W. The LMDI Approach to Decomposition Analysis：a Practical Guide[J]. Energy Policy，2005，33(7)：867-871.

[14] 王丽琼. 基于LMDI中国省域氮氧化物减排与实现路径研究[J]. 环境科学学报，2017，37(6)：2394-2402.

[15] WANG Liqiong. Investigation of NO _x Emissions Reduction and Its Strategies over China'‍s 30 Provinces Based on LMDI[J]. Acta Scientiae Circumstantiae，2017，37(6)：2394-2402.

[16] 卢升荣，蒋惠园，刘　瑶. 交通运输业CO₂排放区域差异及影响因素[J]. 交通运输系统工程与信息，2017，17(1)：32-39.

[17] LU Shengrong， JIANG Huiyuan， LIU Yao. Regional Disparities and Influencing Factors of CO₂ Emission in Transportation Industry[J]. Journal of Transportation Systems Engineering and Information Technology，2017，17(1)：32-39.

[18] 喻　洁，达亚彬，欧阳斌. 基于LMDI分解方法的中国交通运输行业碳排放变化分析[J]. 中国公路学报，2015，28(10)：112-119.

[19] YU Jie， Yabin DA， OUYANG Bin. Analysis of Carbon Emission Changes in China's Transportation Industry Based on LMDI Decomposition Method[J]. China Journal of Highway and Transport，2015，28(10)：112-119.

[20] 石钰婷. 航空运输碳排放演变特征及驱动因素研究[D]. 南京：南京航空航天大学，2020.

[21] 刘小丽，王永利. 基于LMDI分解的中国制造业碳排放驱动因素分析[J]. 统计与决策，2022，38(12)：60-63.

[22] 张立国. 中国物流业二氧化碳排放变化驱动因素分析[J]. 中国流通经济，2016，30(12)：29-39.

[23] ZHANG Liguo. The Dynamic Change and Regional Difference Analysis on the Driving Factors of Changes in Carbon Dioxide Emission in China's Logistics Industry[J]. China Business and Market，2016，30(12)：29-39.

[24] 李亚芳. 长三角地区物流业碳排放驱动因素分解及脱钩效应究研究[D]. 衡阳：南华大学，2020.

[25] 朱桃杏，顼玉卿，暴斌硕. 区域物流发展特征和效率解析：基于碳排放和LMDI方法的分析[J]. 技术经济与管理研究，2021(6)：104-108.

[26] ZHU Taoxing， XU Yuqing， BAO Binshuo. Analysis of Development Characteristics and Efficiency of Regional Logistics：Analysis of Carbon Emission and LMDI Decomposition[J]. Journal of Technical Economics & Management，2021(6)：104-108.

[27] 张立国，李　东，周德群. 中国物流业二氧化碳排放绩效的动态变化及区域差异：基于省级面板数据的实证分析[J]. 系统工程，2013，31(4)：95-102.

[28] ZHANG Liguo， LI Dong， ZHOU Dequn. Dynamic Carbon Dioxide Emissions Performance and Regional Disparity of Logistics Industry in China：The Empirical Analysis Based on Provincial Panel Data[J]. Systems Engineering，2013，31(4)：95-102.

[29] KAYA Y. Impact of Carbon Dioxide Emission Control on GNP Growth：Interpretation of Proposed Scenarios[EB/OL]. (1989-12-31)‍[2023-01-01].

[30] 王海燕，王　楠. 中国综合交通运输体系碳排放影响因素研究[J]. 物流技术，2019，38(2)：78-83.

[31] WANG Haiyan， WANG Nan. Research on Factors Affecting Carbon Emissions of China'‍s Comprehensive Transportation System[J]. Logistics Technology，2019，38(2)：78-83.

基金资助

海南省三亚崖州湾科技城联合项目(HSPHDSRF-2023-03-004)