西部陆海新通道物流业碳排放特征及驱动因素研究

Carbon Emission Characteristics and Driving Factors of Logistics Industry in New International Land-sea Trade Corridor

摘要

物流业是碳排放的重要来源。基于人均碳排放、碳排放强度和单位货物周转量碳排放3个方面的泰尔指数，探究2015—2020年西部陆海新通道沿线区域物流业碳排放的差异特征；运用LMDI方法和脱钩努力模型揭示碳排放的驱动因素和脱钩效应。结果表明：通道地区物流业碳排放量呈现出北部低于中部和南部的地带性不均衡分布态势，表现出组间趋同且组内趋异的区域差异特征。人均碳排放、碳排放强度的差异指数表明差距在缩小，单位货物周转量碳排放的差异指数表明差距在增大；经济快速增长是促进碳排放增长的主因，能源强度的提升是抑制碳排放增长的主因；通道总体呈现弱脱钩效应，且经历了弱脱钩-负脱钩-强脱钩的“V”型演变过程，能源强度的脱钩效应最强。

Abstract

The logistics industry is an important source of carbon emissions. Based on the Theil index of per capita carbon emission, carbon emission intensity, and carbon emission per unit of goods turnover, the paper explored the different characteristics in carbon emission of the logistics industry along the New International Land-Sea Trade Corridor from 2015 to 2020. The LMDI method and decoupling effort model were used to reveal the driving factors and decoupling effect of carbon emission. The results show that the carbon emission from the logistics industry in the Corridor area reflects an unbalanced zonal distribution trend, with the north lower than the center and the south, demonstrating regional difference characteristics of convergence between groups and divergence within groups. The difference index of per capita carbon emission and carbon emission intensity shows that the gap between groups is narrowing; the difference index of carbon emission per unit of goods turnover shows that the gap within groups is increasing. Rapid economic growth is the main reason to promote carbon emission growth, and energy intensity increase is the main reason to inhibit carbon emission growth. A general weak decoupling effect is found in the Corridor, which also experiences a "V" type evolution process of weak decoupling-negative decoupling-strong decoupling. The decoupling effect of energy intensity is the strongest.

Graphical abstract

关键词

物流碳排放 / 西部陆海新通道 / 泰尔指数 / LMDI分解 / 脱钩效应

Key words

Carbon Emission of Logistics Industry / New International Land-Sea Trade Corridor / Theil Index / LMDI Decomposition / Decoupling Effect

0　引言

西部陆海新通道(以下简称“通道”)位于我国西部腹地，北接丝绸之路经济带，南接21世纪海洋丝绸之路，衔接长江经济带，在区域协调发展中发挥着重要的战略作用，为我国西部内陆地区的开放提供了重要的物流、商贸走廊。通道沿线区域拥有独特的资源、区位等优势，但生态环境脆弱，而物流业又是高消耗、高排放的基础性产业^[1]，同时，随着通道建设的持续推进以及物流需求的不断增长，物流业也将迎来蓬勃发展的态势，物流业发展与碳排放约束之间的矛盾将越来越显著，环境负荷压力与日俱增，亟需研究掌握通道沿线地区物流业的碳排放状况。

目前衡量物流碳排放差距分布特征的研究较为丰富。卢升荣等^[2]运用泰尔指数探究长江经济带九省二市交通运输业碳排放强度的区域差异特征；任国强等^[3]应用基尼系数分析我国物流业碳排放的地区差距变动情况。相较基尼指数等方法，泰尔指数具备空间可分解性，可将总体差异细分为区域间和区域内差异，为观察区域发展的差异性提供了便利。碳排放影响因素的研究方法有STIRPAT模型^[4]、回归分析^[5]、Kaya恒等式及其扩展形式等^[6]。其中，对数平均迪氏指数法(Logarithmic Mean Divisia Index，LMDI)凭借在解决残差和零值问题方面的有效性^[7]，被广泛用于碳排放的因素分解中。郭瑾等^[8]发现提升能源效率和加大节能减排资金的投入对降低港口碳排放的效果较为显著；Liu等^[9]验证了资本投入、能源结构是促进交通运输业碳排放增长的主因，交通及能源强度的下降是主要抑制因素。为了揭示各因素对碳排放的脱钩过程，Wang等^[10]将Tapio脱钩方法和LMDI方法相结合，开发了脱钩努力指数模型，评估了中国东部、中部和西部6个省份交通运输业的脱钩效应，发现东部、中部和西部3个地区的交通碳排放驱动因素模式相似，经济规模、能源强度分别是碳排放增长的主导者和抑制者。

现有研究偏重于长江经济带、京津冀和粤港澳大湾区等区域，针对通道沿线地区物流业碳排放问题的研究较少。鉴于此，研究以通道沿线12个省份为研究对象，通过探究通道物流业碳排放区域差异特征，识别驱动物流业碳排放变动的影响因素，以期为区域物流业发展的政策制定提供经验借鉴。

1　研究方法与数据来源

为了全面、准确地衡量通道物流业碳排放差距的相对分散程度，利用泰尔指数空间分解特性，从碳排放强度、人均碳排放和单位货物周转量碳排放3个方面研究物流业碳排放的差异状况。采用LMDI方法验证能源结构、能源强度、物流效率、运输强度、经济发展和人口规模对物流业碳排放的驱动效应。在LMDI因素分解的基础上，构建脱钩指数模型，分析物流业发展与碳排放之间的脱钩关系。为此，依次建立泰尔指数、LMDI因素分解及脱钩指数模型，并选择合适的指标体系和数据来源。

1.1　研究方法

1.1.1　泰尔指数

泰尔指数是广义熵指标体系的一种特殊形式，最初用于计算个体间或区域间收入差异的指标，后凭借其具备无误差项和完全分解的特性，能有效衡量区域经济发展水平、碳排放水平等组内差距与组间差距对总差距的贡献程度。泰尔指数的数值介于0到1之间，数值大小与差异性呈正相关，取值越大表示差距越大。差异指数的计算过程如公式⑴—公式⑷，差异贡献率的计算过程如公式⑸—公式⑻。

T={\displaystyle \sum _{i=\mathrm{1}}^n}\left(\frac{C_i}{C}\right)\times \mathrm{l}\mathrm{n}\left(\frac{C_i/C}{X_i/X}\right)⑴

T_{wj}={\displaystyle \sum _{i=\mathrm{1}}^n}\left(\frac{C_{ji}}{C_j}\right)\times \mathrm{l}\mathrm{n}\left(\frac{C_{ji}/C_j}{X_{ji}/X_j}\right)⑵

T_w={\displaystyle \sum _{j=\mathrm{1}}^m}\left(\frac{C_j}{C}\right)T_{wj}={\displaystyle \sum _{j=\mathrm{1}}^m}{\displaystyle \sum _{i=\mathrm{1}}^n}\left(\frac{C_j}{C}\right)\left(\frac{C_{ji}}{C_j}\right)\times \mathrm{l}\mathrm{n}\left(\frac{C_{ji}/C_j}{X_{ji}/X_j}\right)⑶

T_b={\displaystyle \sum _{j=\mathrm{1}}^m}\left(\frac{C_j}{C}\right)\times \mathrm{l}\mathrm{n}\left(\frac{C_j/C}{X_j/X}\right)⑷

T=T_w+T_b⑸

R_w=T_w/T⑹

R_b=T_b/T⑺

R_j=\left(\frac{c_j}{c}\right)\times \left(\frac{T_w}{T}\right)⑻

式中：T为差异指数；C为碳排放量，万t；C_i 为通道沿线第i个地区的碳排放量；C_j 为通道划分的第j个区域的碳排放量；X为物流业增加值，亿元；X_i 为通道沿线第i个地区的物流业增加值，亿元；X_j 为通道划分的第j个区域的物流业增加值，亿元；T_Wj 为各区域内部观测变量的差异指数；T_W 为区域间的差异指数，也称组间差距；T_b 为区域内差异指数，也称组内差距；R_W，R_b 和R_j 分别为区域间差异、区域内差异和各个区域内部观测变量差异的贡献率，%。

1.1.2　LMDI因素分解

因子分解法是一种用于分析能源消耗或碳排放变化的方法，可以将总体变化分解为几个不同的因素。为探究驱动物流业碳排放变动的因素，引入LMDI方法进行分解，能够避免产生残差，且更好地处理零值，依据模型的设立框架及分解过程^{[2, 11]}，计算过程如公式⑼—公式⑽。

C=\sum _i{C}_i=\sum _i\frac{C_i}{E_i}\times \frac{E_i}{E}\times \frac{E}{W}\times \frac{W}{Z}\times \frac{Z}{G}\times \frac{G}{P}\times P⑼

C=\sum _i{c}_i\times f_i\times e\times w\times s\times g\times p⑽

式中：E为能源消耗量，万吨标准煤；W为增加值，亿元；Z为货物周转量，亿t·km；G为GDP，亿元；P为人口总量，万人；i为能源种类；c_i 为碳排放因子，不计入分解过程；f_i 为第i类能源消耗量与能源消耗总量的比例，即能源结构，表示能源消费比重，%；e为单位物流业增加值所消耗的能源，即能源强度，表示能源利用效率，吨标准煤/万元；w为单位货物周转量增加值，即物流效率，表示物流运输的经济效率，元/(t·km)；s为单位GDP的货物周转量，即运输强度，表示物流运输组织和管理水平，(t·km)/元；g为人均GDP，即经济发展水平，表示物流业发展所处的外部经济环境，万元/人；p为人口规模，表示物流需求水平，万人。

根据LMDI方法分解上述因素，计算过程如公式⑾—公式⒄。

\mathrm{\Delta }C=C^T-C^{\mathrm{0}}=\mathrm{\Delta }{C}_f+\mathrm{\Delta }{C}_e+\mathrm{\Delta }{C}_w+\mathrm{\Delta }{C}_s+\mathrm{\Delta }{C}_g+\mathrm{\Delta }{C}_p⑾

\mathrm{\Delta }{C}_f=\sum _i\frac{C_i^T-C_i^{\mathrm{0}}}{\mathrm{l}\mathrm{n}{C}_i^T-\mathrm{l}\mathrm{n}{C}_i^{\mathrm{0}}}\times \mathrm{l}\mathrm{n}\left(\frac{f^T}{f^{\mathrm{0}}}\right)⑿

\mathrm{\Delta }{C}_e=\sum _i\frac{C_i^T-C_i^{\mathrm{0}}}{\mathrm{l}\mathrm{n}{C}_i^T-\mathrm{l}\mathrm{n}{C}_i^{\mathrm{0}}}\times \mathrm{l}\mathrm{n}\left(\frac{e^T}{e^{\mathrm{0}}}\right)⒀

\mathrm{\Delta }{C}_w=\sum _i\frac{C_i^T-C_i^{\mathrm{0}}}{\mathrm{l}\mathrm{n}{C}_i^T-\mathrm{l}\mathrm{n}{C}_i^{\mathrm{0}}}\times \mathrm{l}\mathrm{n}\left(\frac{w^T}{w^{\mathrm{0}}}\right)⒁

\mathrm{\Delta }{C}_s=\sum _i\frac{C_i^T-C_i^{\mathrm{0}}}{\mathrm{l}\mathrm{n}{C}_i^T-\mathrm{l}\mathrm{n}{C}_i^{\mathrm{0}}}\times \mathrm{l}\mathrm{n}\left(\frac{s^T}{s^{\mathrm{0}}}\right)⒂

\mathrm{\Delta }{C}_g=\sum _i\frac{C_i^T-C_i^{\mathrm{0}}}{\mathrm{l}\mathrm{n}{C}_i^T-\mathrm{l}\mathrm{n}{C}_i^{\mathrm{0}}}\times \mathrm{l}\mathrm{n}\left(\frac{g^T}{g^{\mathrm{0}}}\right)⒃

\mathrm{\Delta }{C}_p=\sum _i\frac{C_i^T-C_i^{\mathrm{0}}}{\mathrm{l}\mathrm{n}{C}_i^T-\mathrm{l}\mathrm{n}{C}_i^{\mathrm{0}}}\times \mathrm{l}\mathrm{n}\left(\frac{p^T}{p^{\mathrm{0}}}\right)⒄

式中：\mathrm{\Delta }C为第T年至基年的碳排放增量，万t；C^T 为第T年的碳排放量，万t；C ⁰为基年的碳排放量，万t；ΔC_f，ΔC_e，ΔC_w，ΔC_s，ΔC_g 和ΔC_p 分别为能源结构、能源强度、物流效率、运输强度、经济发展和人口规模带来的物流业碳排放贡献量，万t。

1.1.3　脱钩努力指数

在能源环境领域，脱钩通常指的是在经济发展过程中，尽可能减少对资源环境的依赖，使经济发展与环境压力之间的关系逐渐弱化甚至消失。为了探讨物流业发展与碳排放之间的脱钩关系，结合脱钩理论以及LMDI分解方法^[10，12]，构建脱钩努力指数模型，以评估脱钩的有效性。计算过程如公式⒅—公式⒆。

\mathrm{\Delta }F=\mathrm{\Delta }C-\mathrm{\Delta }{C}_g-\mathrm{\Delta }{C}_s=\mathrm{\Delta }{C}_f+\mathrm{\Delta }{C}_e+\mathrm{\Delta }{C}_w+\mathrm{\Delta }{C}_p⒅

D=-\frac{\mathrm{\Delta }F}{\mathrm{\Delta }{C}_g}=-\left(\frac{\mathrm{\Delta }{C}_f}{\mathrm{\Delta }{C}_g}+\frac{\mathrm{\Delta }{C}_e}{\mathrm{\Delta }{C}_g}+\frac{\mathrm{\Delta }{C}_w}{\mathrm{\Delta }{C}_g}+\frac{\mathrm{\Delta }{C}_p}{\mathrm{\Delta }{C}_g}\right)=D_f+D_e+D_w+D_p⒆

式中：ΔF为碳排放增量，万t；D为脱钩指数；D_f，D_e，D_w，D_p 分别为能源结构、能源强度、物流效率和人口规模对脱钩效应的影响，万t。

当D≥1时，为强脱钩效应，此时经济增长，碳排放减少，处于最理想状态；D≤0时，为负脱钩，不存在脱钩效应；0<D<1时，为弱脱钩效应，其有效性相对较弱，此时碳排放增长速度慢于经济增长速度，处于向理想状态转变的过渡期。

1.2　数据来源

根据《中国第三产业统计年鉴》，在物流业生产总值中，交通运输、仓储环节占比超过80%。鉴于数据可获得性，以交通运输、仓储和邮政业作为物流业的代表。以2015—2020年通道沿线12个省份为研究对象(因缺少西藏地区的数据，暂时选取沿线12个省份数据)，为了便于分析比较，参考秦小辉等^[13]做法，将整个通道分为北部(内蒙古、宁夏、新疆和甘肃)、中部(青海、陕西、四川和重庆)和南部地区(贵州、云南、广西和海南)。样本数据中的国内生产总值、物流业增加值、常住人口数量和货物周转量均来源于《中国统计年鉴》。根据联合国政府间气候变化专门委员会(IPCC)的《国家温室气体清单指南》显示，大气中碳排放量的95%来源于化石燃料的燃烧，同时参照姜晓红等^[14]研究成果，发现物流业碳排放来自3方面，①以运输、装卸搬运等为主的能源消耗，主要包括煤油、原煤、天然气、燃料油、汽油、柴油和液化石油气等；②仓储中固定设备的能源使用，以电力消耗为主；③不易于控制的气体自然泄漏，难以统计。从《中国能源统计年鉴》可以获取煤油、原煤、天然气、燃料油、汽油、柴油、液化石油气和电力的能源数据。因此，可以参考IPCC碳排放系数法，汇总得到碳排放量。

2　物流业碳排放现状及差异性分析

2.1　物流业碳排放现状

2015—2020年通道沿线地区物流业碳排放量如表1所示。整体上，2015—2020年碳排放量呈现先增后降的趋势，超过全国碳排放量的1/4。分区域上，通道中部和南部地区碳排放均量明显高于北部地区，呈现地带性不均衡分布特征。其中，2015—2020年通道北部地区物流业碳排放量呈现下降-上升交替变化的“W”型波动态势，平均增幅约-3.74%；中部和南部地区碳排放量均表现出先增后降的趋势，平均增幅分别约2.71%和2.13%。省域上，碳排放均量在1 000万t以下的地区有甘肃、海南、青海和宁夏，宁夏碳排放量最少，仅有358.32万t；碳排放均量在1 000万~2 000万t的地区有广西、重庆、内蒙古、贵州和陕西；碳排放均量在2 000万t以上的地区有四川、云南和新疆，四川碳排放量最大，达到2 766.93万t，约为宁夏的7.7倍，地区间碳排放差距凸显。

2.2　差异性分析

2.2.1　基于碳排放强度的泰尔指数

基于物流业碳排放强度的泰尔指数如表2所示。总体差异指数的平均值为0.142 4，峰值出现在2016年，为0.177 1，呈先升后降的变化趋势，局部虽然有小幅回升，但依然维持在0.2以下，2015—2020年差距波动趋向稳定，说明在物流业发展过程中注重协调经济发展与碳排放治理之间的关系。在贡献率分析中，2015—2020年区域内差异与区域间差异的贡献率比值为80.04%∶19.96%，区域内差异大于区域间差异。在区域内差异中，通道北部地区的贡献率最低，平均贡献了22.62%，中部地区和南部地区相当，分别贡献了28.77%和28.66%。在总体差异构成中，区域内差异一直占据较大的贡献率，说明在推动区域协调发展方面，针对通道地区物流业碳排放协同治理的统筹力度仍需进一步加强，建立相对健全的协调管理机制，理顺地区间、部门间及地区与部门间的关系，处理好不同地区间的政策衔接问题，为统筹物流业绿色一体化发展奠定良好的基础。

2.2.2　基于人均碳排放量的泰尔指数

基于物流业人均碳排放的泰尔指数如表3所示。总体差异指数的平均值为0.213 4，峰值出现在2015年，为0.389 4。2015—2016年总体差异指数由0.389 4骤然下降到0.184 3，之后则稳定在0.2以下，在2020年达到最小值0.167 4，差距明显缩小。在贡献率分析中，区域间差异逐渐减小，区域内差异逐渐增大，并逐渐占据主导地位，表现出组间趋同且组内趋异的区域差异特征，说明区域间的协调发展成效显著，但区域内不同地区物流政策实施具有差异化，难以保证区域内物流业的协调发展。在区域内部差异中，受区位条件方面的制约，北部地区贡献率最低，人均碳排放差异相对均衡。中部地区依托长江经济带和成渝双城经济圈建设的优势条件，经济得到蓬勃发展，南部地区则依靠南向通道、港口建设，促进了贸易流通，均推动了物流业高速发展，但区域内各个地区间物流业发展水平存在一定差异。

2.2.3　基于货物周转量的泰尔指数

基于物流业单位货物周转量碳排放的泰尔指数如表4所示。总体差异指数保持在0.3以上，平均值为0.552 8，从2015年的最小值0.305 4增长到2020年的最大值0.872 1，差距持续扩大，趋向失衡状态。2015—2020年区域内差异与区域间差异的贡献率比值为92.21%∶7.79%，区域间差异贡献率仅在2017年、2018年和2019年3个年份超过10%，区域内差异远大于区域间差异。在区域内部差异中，2015年北部、中部和南部地区差异贡献率差别不大，保持在31%~34%之间，2016年北部地区下降到26.51%，相对中部和南部地区，内部差距有显著缩小，并且差距变动呈现出从北向南逐渐增加的阶梯式分布格局。同时，货物运输方式的选择不同也会引起碳排放差别，如北部地区以公路、铁路运输为主，运输方式单一，不易产生较大差异。南部和中部地区，既包括碳排放相对较低的水运、铁路运输，也有碳排放相对较高的公路、航空运输，运输方式的多样化，有可能促使碳排放差距加大。

在总体差异构成中，区域内差异一直占据较大的贡献率，针对通道内地区物流业碳排放协同治理的统筹力度仍需进一步加强。基于碳排放强度、单位货物周转量碳排放和人均碳排放的差异指数变化趋势如图1所示。碳排放强度和人均碳排放的差异指数有明显的下降趋势，表明差距在逐渐缩小；单位货物周转量的碳排放差异指数有明显上升趋势，差距在逐年增大。基于碳排放强度的差异指数变化趋势相对稳定，可以在一定程度上说明通道沿线区域物流业碳排放量和人口数量、货物周转量的匹配程度都要低于与物流业增加值的匹配程度。

3　物流业碳排放驱动因素分解及脱钩效应分析

3.1　驱动因素分解

各驱动因素的同比变化趋势如图2所示。2015—2020年经济发展的驱动效应呈先增强后减弱的态势。其中，2015—2017年正向驱动作用逐渐增强，经济发展的促进效应更加突出，说明当前经济增长依旧是碳排放增长的主要来源，经济的快速发展带动了物流业需求的不断增长，如电商的普及和快递业的发展使得物流体系逐渐完善，碳排放量也相对较高。2017—2020年由经济增长引起的碳排放量有所减弱，开始出现缓慢下降的态势；能源强度的负向驱动作用呈逐年增强的态势，说明通过技术进步的方式提高能源利用效率，以此抑制碳排放增长具有很大成效；能源结构抑制效应微弱，由于物流业能源结构较为单一，短期内难以实现根本性的转变；2018—2019年物流效率有较大幅度波动，对碳排放增长起到促进作用，物流效率水平的提升可以带来较大的经济效益，但货物运输方式的选择也会对碳排放增长产生较大影响。因此，需要提升水运、铁路运输等低排放运输方式的比重，增强运输方式间有效衔接，完善绿色交通运输体系，缓解碳排放增长引起的环境负荷压力；2018—2019年运输强度也存在大幅度波动，对碳排放增长起到抑制作用，表明在综合运输体系的建设过程中，科技的发展、信息化的进步都会改善物流运行质量，凸显绿色经济效益；人口规模对碳排放表现出一定促进作用，较大的人口规模会产生大量且持续的物流需求，但随着我国人口增长的放缓以及物流系统的不断优化，人口规模对碳排放的驱动效果有逐年减弱的迹象。

3.2　脱钩效应分析

物流业碳排放脱钩效应如表5所示。时间上，2015—2020年以弱脱钩为主，且经历了弱脱钩-负脱钩-强脱钩的“V”型演变过程。其中，2015—2018年均为弱脱钩，脱钩效果不够明显。2018—2019年的脱钩指数为负。2019—2020年脱钩指数超过1且达到最大，显示出强劲的脱钩效应，针对物流业碳排放的减排治理效果显著。空间上，2015—2020年仅通道北部地区有弱脱钩效应。从不同因素来看，脱钩程度由强到弱依次为：能源强度>能源结构>人口规模>物流效率。能源强度的脱钩效应有明显增加的趋势，并在2019—2020年达到最大，效果显著，能够抵消大部分经济快速增长效应驱动的碳排放增量；能源结构的脱钩效应微弱，亟需进一步挖掘其脱钩潜力；物流效率呈现出负脱钩-弱脱钩交替演变的趋势，脱钩效应不够稳定；人口规模则始终为负脱钩。为了进一步实现物流业碳排放强脱钩的目标，既要在双碳目标引导下，结合通道地区的资源禀赋、区位优势等条件，因地制宜地制定节能减排政策，也要在物流业实际运作过程中，优化能源结构，促进节能技术的改进利用，提升能源利用效率，推动传统高耗能源向清洁能源的转变。

4　结论

以2015—2020年通道沿线地区物流业数据为研究对象，首先基于泰尔指数展开对物流业碳排放区域差异特征的研究；然后，运用LMDI分解方法和脱钩指数方法分析驱动物流业碳排放增长的影响因素及脱钩效应。得到结论如下：①通道沿线地区物流业碳排放量差距凸显，存在明显的空间分异特征，呈现出北部低于中部和南部的地带性不均衡分布现象，表现出组间趋同且组内趋异的区域差异特征，区域内差异是导致总体差异的主因。应进一步加强针对区域内各地区物流业碳排放协同治理的统筹力度，注重在物流业绿色、低碳发展方面的宏观调控和顶层设计，鼓励区域内物流业互联互通，强化地区合作战略布局，提倡建立区域内协同减碳的治理模式，优化构建物流业发展与碳减排的联动机制，在实施跨区域碳减排项目的过程中，重点考虑物流通道、国家枢纽等关键环节，推动碳排放协同治理。②经济快速增长是促进物流业碳排放的主因，能源强度的提升是抑制物流业碳排放增长的主因，在提升能源利用率、优化运输组织管理等方面仍具备较大的碳减排潜力。应调整优化产业结构，发展低碳经济，限制高耗能产业，鼓励高附加值、高技术产业发展，强化多式联运，建立完备的绿色物流运输体系，促进产业绿色转型升级，推动经济高质量发展。③2015—2020年通道沿线地区物流业碳排放以弱脱钩为主，处于向理想状态即强脱钩转变的过渡期，碳排放增长速度慢于经济增长速度，脱钩有效性相对较弱，其中，能源强度和能源结构是促进脱钩的主要贡献因素，应充分发挥二者在物流业碳减排方面的积极作用。按照当地资源禀赋，需逐步转向利用风能、核能、太阳能等可再生清洁能源，实现能源多元化，降低对石油、煤炭等能源的依赖，构建清洁低碳、安全高效的能源体系，推动节能减碳技术的创新研发与应用，提升物流各环节的能源利用效率。

参考文献

[1] 何景师，王术峰，徐　兰. 碳排放约束下我国三大湾区城市群绿色物流效率及影响因素研究[J]. 铁道运输与经济，2021，43(8)：30-36.

[2] HE Jingshi， WANG Shufeng， XU Lan. Research on the Efficiency and Influencing Factors of Green Logistics in Three Bay-Area City Clusters under the Constraint of Carbon Emission[J]. Railway Transport and Economy，2021，43(8)：30-36.

[3] 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.

[4] 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.

[5] 任国强，赵翠明. 碳源视角下中国物流业碳排放地区差距及变动[J]. 环境科学与技术，2021，44(3)：191-199.

[6] REN Guoqiang， ZHAO Cuiming. Regional Disparity and Changes in China’s Logistics Industry Carbon Emissions from the Perspective of Carbon Sources[J]. Environmental Science & Technology，2021，44(3)：191-199.

[7] 李　华，马　进. 环境规制对碳排放影响的实证研究：基于扩展STIRPAT模型[J]. 工业技术经济，2018，37(10)：143-149.

[8] LI Hua， MA Jin. An Empirical Study on the Impact of Environmental Regulation on Carbon Emissions：Based on Extend STIRPAT Model[J]. Journal of Industrial Technological Economics，2018，37(10)：143-149.

[9] 梁　晶，盛慧敏，吕　靖. 环渤海地区物流产业集聚对物流碳排放影响的实证研究[J]. 生态经济，2020，36(9)：38-43.

[10] LIANG Jing， SHENG Huimin， Jing LYU. Empirical Study on the Logistics Industry Agglomeration to the Carbon Emission of Logistics in the Bohai Rim Region[J]. Ecological Economy，2020，36(9)：38-43.

[11] 潘　晨，李善同，刘　强. 消费视角下中国各省份碳排放驱动因素探究[J]. 经济与管理，2022，36(3)：58-66.

[12] PAN Chen， LI Shantong， LIU Qiang. Driving Forces of Chinese Provincial CO₂ Emissions from the Perspective of Consumption[J]. Economy and Management，2022，36(3)：58-66.

[13] ANG B W， LIU N. Handling Zero Values in the Logarithmic Mean Divisia Index Decomposition Approach[J]. Energy Policy，2007，35(1)：238-246.

[14] 郭　瑾，匡海波，余方平. 能源消费视角下的港口碳足迹测算和驱动因素研究[J]. 管理评论，2020，32(8)：40-51.

[15] GUO Jin， KUANG Haibo， YU Fangping. Study on Port Carbon Footprint Measurement and Drive Factors from the Perspective of Energy Consumption[J]. Management Review，2020，32(8)：40-51.

[16] LIU M Z， ZHANG X X， ZHANG M Y，et al. Influencing Factors of Carbon Emissions in Transportation Industry Based on CD Function and LMDI Decomposition Model：China as an Example[J]. Environmental Impact Assessment Review，2021，90：106623.

[17] WANG Q， WANG S S. A Comparison of Decomposition the Decoupling Carbon Emissions from Economic Growth in Transport Sector of Selected Provinces in Eastern，Central and Western China[J]. Journal of Cleaner Production，2019，229：570-581.

[18] ANG B W. LMDI Decomposition Approach：A Guide for Implementation[J]. Energy Policy，2015，86：233-238.

[19] 马晓君，陈瑞敏，苏　衡. 中国工业行业能源消耗的驱动因素与脱钩分析[J]. 统计与信息论坛，2021，36(3)：70-81.

[20] MA Xiaojun， CHEN Ruimin， SU Heng. Driving Factors and Decoupling Analysis on Industrial Energy Consumption in China[J]. Journal of Statistics and Information，2021，36(3)：70-81.

[21] 秦小辉，赵晨曦. 西部陆海新通道物流产业效率及时空演化研究[J]. 铁道运输与经济，2023，45(2)：11-18.

[22] QIN Xiaohui， ZHAO Chenxi. Research on Logistics Industry Efficiency and Spatial-Temporal Evolution of the New International Land-Sea Trade Corridor[J]. Railway Transport and Economy，2023，45(2)：11-18.

[23] 姜晓红，陈　莎，张　毅. 物流企业碳排放总量与效率测算方法[J]. 交通运输系统工程与信息，2022，22(2)：313-321.

[24] JIANG Xiaohong， CHEN Sha， ZHANG Yi. Calculation Method of Total Carbon Emission and Efficiency of Logistics Enterprises[J]. Journal of Transportation Systems Engineering and Information Technology，2022，22(2)：313-321.

基金资助

重庆市教育委员会人文社会科学基金项目(21SKGH088)