成渝城市群物流业集聚对物流业碳排放的时空异质性影响研究

Spatial-Temporal Heterogeneity Impact of Logistics Industry Agglomeration on Carbon Emissions from Logistics Industry in Chengdu-Chongqing Urban Agglomeration

摘要

我国物流业的快速发展导致物流业能源消耗快速增长，造成我国物流业面临巨大的节能减排压力。随着成渝双城经济圈的建设，成渝城市群的物流行业得到快速发展，并在发展中逐渐形成集聚的态势。在分析2011—2020年成渝城市群物流业集聚水平与物流业碳排放情况的基础上，运用莫兰指数和局部莫兰散点图，分析成渝城市群物流业碳排放的空间自相关情况，并运用时空地理加权回归(GTWR)模型，研究成渝城市群内的城市在不同时间下的物流业集聚对物流业碳排放的时空异质性影响。研究结果表明，成渝城市群物流业碳排放呈空间集聚态势，且相对稳定；成渝城市群内城市的物流业集聚对物流业碳排放的影响系数分布具有时空异质性，2020年影响系数分布呈现“南北高、东西低”的态势。

Abstract

The rapid development of China's logistics industry has led to a significant increase in energy consumption in the logistics industry, imposing substantial pressure on energy conservation and emission reduction in China's logistics industry. With the advancement of the Chengdu-Chongqing Economic Circle, the logistics industry in the Chengdu-Chongqing urban agglomeration has experienced rapid growth and has progressively developed into an agglomeration. Based on an analysis of logistics industry agglomeration levels and carbon emissions from the logistics industry in the Chengdu-Chongqing urban agglomeration from 2011 to 2020, this paper used the Moran index and local Moran scatter plot to analyze the spatial autocorrelation of carbon emissions from the logistics industry in the Chengdu-Chongqing urban agglomeration. The paper also studied the spatial-temporal heterogeneity impact of logistics industry agglomeration on carbon emissions from the logistics industry in different cities within Chengdu-Chongqing urban agglomeration at different time by using the geographically and temporally weighted regression (GTWR) model. The results show that the carbon emissions from the logistics industry in the Chengdu-Chongqing urban agglomeration are spatially clustered and relatively stable; the distribution of the impact coefficients of logistics industry agglomeration on carbon emissions from the logistics industry in the Chengdu-Chongqing urban agglomeration is spatially and temporally heterogeneous, and the distribution of impact coefficients in 2020 shows the trend of "high in the north and south and low in the east and west".

Graphical abstract

关键词

成渝城市群 / 物流业集聚 / 物流业碳排放 / 莫兰指数 / GTWR模型

Key words

Chengdu-Chongqing Urban Agglomeration / Logistics Industry Agglomeration / Carbon Emissions from Logistics Industry / Moran Index / Geographically and Temporally Weighted Regression (GTWR) Model

0　引言

据国家统计局能源统计司统计，2010—2020年我国物流业能源消耗年均增长率达5.64%，明显高于全国能源消耗量年均增长率的3.63%，物流业能源消耗量占我国能源消耗总量的比重由2010年的7.51%上升到2020年的9.00%^[1]。《关于印发成渝地区双城经济圈碳达峰碳中和联合行动方案的通知》(渝府办发〔2022〕22号)明确指出，为了推动地方经济可持续发展，各地政府应该加快推进环保政策落地，以达到节能环保的目的。

物流业作为我国第三产业的主要能源消耗部门，低碳化发展一直是国内外学者广泛关注的热点问题，主要体现在以下方面。一是物流业碳排放的研究。李健等^[2]、龚桥梁等^[3]运用脱钩模型，分析物流业碳排放量与产业增加值的关系；李建豹等^[4]、宁亚东等^[5]通过建立空间面板模型，研究不同影响因素下的物流业碳排放情况；李灵杰等^[6]在此基础上引入变异系数，探索我国西北地区交通碳排放强度的空间异质性。二是物流业碳排放的主要影响因素。物流业碳排放影响因素的研究方法主要有传统的计量分析法^[7-9]和因素分解分析法，Andreoni等^[10]采用分解分析法，研究欧洲运输活动碳排放的主要影响因素；韩丽萍等^[11]运用分解分析法和产业关联效应分析法，从物流业和产业关联2个角度，研究物流业碳排放强度变化的原因；张立国^[12]则运用对数平均迪氏指数法(LMDI)对物流业碳排放驱动因素进行分解分析。三是物流业集聚与碳排放的关系。对于二者之间的关系，学者们经过研究得出3种不同的结论。第1种结论是物流业集聚可以减少碳排放^[13-14]；第2种结论是物流业集聚会增加碳排放^[15]；第3种结论是物流业集聚与碳排放的关系呈非线性^[16]。杨川^[16]利用广义矩估计法(GMM)，探讨产业集聚如何改变物流行业的碳排放量，发现其碳排放量会呈倒U型变化。

既有文献在研究物流业集聚与碳排放的关系方面，大多数学者在使用空间相关性模型之后较少地探讨物流业集聚与碳排放的时空异质性。基于此，通过研究物流业集聚对物流业碳排放的时空异质性，探究城市群物流业碳排放时空演变的内在因素，为城市碳减排政策的制定提供参考。

1　研究方法

1.1　区位熵模型

区位熵模型最早由哈盖特提出并运用于区位分析中^[17]，不仅可以消除由于区域间规模差距引致的内生性冲突，而且能较好地衡量某地区某一行业的规模水平和专业化程度，反映产业的空间分布^[18]，因此采用区位熵模型研究成渝城市群的物流业集聚水平。设定衡量成渝城市群物流业集聚度的区位熵计算公式为

L{Q}_Z=\frac{Q_Z/Q}{G_Z/G}⑴

式中：L{Q}_Z为Z地区物流业的区位熵；Q_Z为Z地区物流业的产值，亿元；Q为全国物流业的产值，亿元；G_Z为Z地区的生产总值，亿元；G为国内生产总值，亿元。

1.2　物流业碳排放测算

成渝城市群由重庆、成都及其沿线的城市组成，因此将重庆、成都、自贡、泸州、德阳、绵阳、遂宁、内江、乐山、南充、眉山、宜宾、广安、达州、雅安、资阳这16个城市作为成渝城市群的研究单元。目前碳排放测算主要使用气候变化专门委员会(IPCC)公布的“碳排放系数法”，即通过物流业的单位生产总值能耗，可以获取当年物流业碳排放量的准确数据。由于使用的是成渝城市群各市的样本数据，而各市缺乏能源消费种类的统计信息，考虑到物流业的碳排放量与物流业的能源消耗有关联，并结合莫炜程^[19]的测算方法，采用BP碳排放计算器给出的标准煤的二氧化碳排放量比率，确定二氧化碳排放系数，对其物流业的碳排放量进行测算，具体计算公式为

C_{ij}=E_{ij}\times \mathrm{2.493}⑵

C{L}_{ij}=C_{ij}\times \frac{L_{ij}}{G_{ij}}⑶

式中：C_{ij}为第i个城市第j年的二氧化碳排放总量，万t；E_{ij}为第i个城市第j年的能源消耗总量，万t；2.493为标准煤的二氧化碳排放系数，即消耗1 kg标准煤，二氧化碳排放2.493 kg；C{L}_{ij}为第i个城市第j年的物流业碳排放量，万t；L_{ij}为第i个城市第j年的物流业产值，亿元；G_{ij}为第i个城市第j年的地区生产总值，亿元。

1.3　空间自相关模型

探索性空间数据分析(ESDA)是一种衡量空间单位内自相关性的有效方法，利用整体自相关方法，可以更好地了解整体的空间格局，而利用局部整体自相关方法，可以更好地反映各个单元之间的空间特征。

（1）全局空间自相关检验。全局空间自相关莫兰指数(Moran’s I)计算公式为

I=\frac{\mathrm{1}}{S^{\mathrm{2}}}{\displaystyle \sum _{i=\mathrm{1}}^n}{\displaystyle \sum _{j=\mathrm{1}}^n}{W}_{ij}\left(X_i-\overline{X}\right)\left(X_j-\overline{X}\right)/{\displaystyle \sum _{i=\mathrm{1}}^n}{\displaystyle \sum _{j=\mathrm{1}}^n}{W}_{ij}⑷

式中：I为全局莫兰指数；n为成渝城市群的样本城市数；X_i为成渝城市群的观测值；\overline{X}为样本平均值；W_{ij}为空间权重矩阵；S^{\mathrm{2}}为观测值的方差，S^{\mathrm{2}}={\displaystyle \sum _{i=\mathrm{1}}^n}(X_i{-\overline{X})}^{\mathrm{2}}/n。

（2）局部空间自相关检验。通过使用局部空间自相关技术可以得出局部莫兰散点图，从而更准确地确定成渝城市群中物流业碳排放集中地的位置。局部莫兰散点图整体上是1个直角坐标系，被分为4个象限。

1.4　GTWR模型

GTWR模型将时间维度的信息引入到传统地理加权回归模型，不仅能有效克服传统地理加权回归模型由于截面数据样本量限制的不足，还可以解决空间和时间非平稳性问题，使得预测的结果更加有效^[20]，其计算公式为

Y_i={\beta }_{\mathrm{0}}\left(u_i，v_i，t_i\right)+{\displaystyle \sum _{k=\mathrm{1}}^p}{\beta }_k\left(u_i，v_i，t_i\right)X_{ik}+{\epsilon }_i⑸

式中：Y_i为被解释变量；X_{ik}为解释变量；i为样本城市；u_i，v_i，t_i为样本城市i的时空坐标位置；{\beta }_{\mathrm{0}}(u_i，v_i，t_i)为截距项；{\displaystyle \sum _{k=\mathrm{1}}^p}{\beta }_k\left(u_i，v_i，t_i\right)为解释变量k对样本城市i的估计系数，(u_i，v_i，t_i)不同则时空权重矩阵不同，{\beta }_k的估计值也就不同，若{\beta }_k>0表示解释变量与被解释变量呈正相关，若{\beta }_k<0表示解释变量与被解释变量呈负相关；{\epsilon }_i为随机扰动项。

时空权函数为

w_{ij}=\mathrm{e}\mathrm{x}\mathrm{p}\left[-{(\frac{d_{ij}}{b})}^{\mathrm{2}}\right]⑹

d_{ij}=\sqrt[]{\lambda \left[{\left(u_i-u_j\right)}^{\mathrm{2}}+{\left(v_i-v_j\right)}^{\mathrm{2}}\right]+\mu {\left(t_i-t_j\right)}^{\mathrm{2}}}⑺

式中：i，j为不同的样本城市；w_{ij}为时空权重矩阵元素；d_{ij}为2个城市之间的时空距离；b为带宽；\lambda，\mu为衡量2个城市之间的空间和时间差异的比例因子，以反映城市之间的关联性。

2　实证研究

2.1　指标选取与数据来源

将物流业碳排放量作为被解释变量，将物流业集聚作为核心解释变量。另外，根据环境影响-人口规模-富裕程度-技术水平(IPAT)理论，认为环境影响主要与人口规模、富裕程度、技术水平3个方面相关。考虑到交通基础设施建设水平和政府的政策干预也会对物流业碳排放产生影响，参考文献［13-14，21-22］，因此选取物流就业人数、经济发展水平、物流信息技术水平、交通基础设施建设与政策干预5个因素作为控制变量。其中，物流就业人数用年末各市的物流行业就业人口数来表示；经济发展水平用人均GDP表示；物流信息技术水平用人均邮电业务总量来表示；完善的交通基础设施建设有助于提高物流运转效率，节省物流业能源消耗，而在我国交通运输碳排放中公路占比最大，因此交通基础设施建设用各市公路里程与面积之比表示；政府干预用人均财政支出来表示。面板数据模型的变量定义如表1所示。所用数据来自国家统计局网站、《重庆统计年鉴》及《四川统计年鉴》，时间范围为2011—2020年。

2.2　成渝城市群物流业集聚的特征分析

应用公式⑴，计算成渝城市群16个样本城市的物流业集聚程度。成渝城市群物流业集聚水平如表2所示。从表2可以看出，成渝城市群物流业集聚主要集中在成都、重庆和遂宁这一条主轴线上，雅安受到临近城市成都的影响，集聚水平较高，内江、广安受到临近城市重庆的影响，集聚水平较高，其余城市的物流业发展缓慢，集聚水平较低。

2.3　成渝城市群物流业碳排放的特征分析

应用公式⑵和公式⑶，计算成渝城市群16个样本城市的物流业碳排放量。成渝城市群物流业碳排放量如表3所示。从表3可以看出，2011—2020年成渝城市群物流业碳排放量呈增长趋势，说明成渝城市群物流业碳排放增长速度较快。2011—2020年成渝城市群的物流业碳排放呈中间低、四周高的空间布局，成都的物流业碳排放量最高，中部的资阳和遂宁的物流业碳排放最低。成都和重庆的物流业碳排放量大，主要是由于其工业产值大，因此所需的物流活动量较大。重庆的物流业碳排放量降低，可能的原因是重庆在物流业发展过程中，运用清洁能源提高物流业碳排放效率，使得物流业碳排放降低。

2.4　成渝城市群物流业碳排放的空间相关性分析

2.4.1　全局自相关检验

根据公式⑷，计算样本城市物流业碳排放全局Moran’s I(I值)、临界值(Z值)和显著性水平(P值)。样本城市物流业碳排放全局自相关性分析如表4所示。从表4可以看出，成渝城市群的I值均为负值，表明2011—2020年，这些城市中物流业碳排放水平相似的城市分布比较广泛，而且城市之间的排放量也有所不同；Moran’s I在95%的置信区间内显著，表现出明显的空间关联性。从时间序列来看，Moran’s I年际波动不大，表明成渝城市群物流业碳排放的空间集聚态势相对稳定。

2.4.2　局部自相关检验

绘制2011年、2014年、2017年及2020年成渝城市群物流业碳排放量的局部空间自相关分析图，数字1，2，…，16代表成渝城市群的16个样本城市，按顺序分别为重庆、成都、自贡、泸州、德阳、绵阳、遂宁、内江、乐山、南充、眉山、宜宾、广安、达州、雅安、资阳，所得成渝城市群物流业碳排放总量局部莫兰散点图如图1所示。由图1可以看出，2011—2020年，成渝城市群物流业碳排放的局部空间相关性发生显著变化，呈现低-低聚集态势的城市由7个增加至9个，占比由43.75%上升至56.25%；呈现高-低聚集态势的城市个数由5个降低到3个，占比由31.25%降低至18.75%。说明2011至2020年，成渝城市群物流业碳排放的空间同质性逐渐增强，异质性逐渐转弱，空间差异有进一步缩小的趋势。具体来看，成渝城市群的物流业碳排放呈空间负相关，且成都市呈现稳定的高-低集聚；雅安市呈现稳定的低-高集聚。说明成都市的物流业碳排放较高，在发展的过程中会聚焦和消耗更多的资源与能源，但并未导致临近地区的物流业碳排放量增加；雅安市的物流业碳排放量较低，但在发展的过程中，会导致临近地区物流业碳排放的增加；其余城市的局部空间自相关系数并不显著。

2.5　成渝城市群物流业集聚对物流业碳排放的时空异质性影响

2.5.1　数据处理

2011—2020年，成渝城市群的物流业碳排放量Moran’s I在95%的置信区间内显著，表明成渝城市群物流业碳排放的空间呈集聚状态，且态势相对稳定。因此，可以采用GTWR模型研究物流业集聚对物流业碳排放的时空异质性影响。

为研究成渝城市群物流业碳排放的影响因素，将物流业集聚水平(Lag)作为核心解释变量，将物流就业人数(Pop)、经济发展水平(GDP)、物流信息技术水平(Tec)、交通基础设施建设(Tra)、政策干预(Poi)这5项影响因素作为控制变量，由于物流就业人数、经济发展水平、交通基础设施建3个变量的极差较大，因此进行取对数处理。所选取的自变量必须通过多重共线性检验，才能进行下一步分析。采用方差膨胀因子(VIF)检验，VIF值<10，说明解释变量不存在多重共线性，可以进行下一步计算。VIF检验结果如表5所示。

2.5.2　物流业集聚影响回归结果分析

通过GTWR模型，得到成渝城市群各城市物流业集聚水平对物流业碳排放的影响系数回归情况。成渝城市群物流业集聚对物流业碳排放的影响系数如表6所示。

从表6可以看出，成渝城市群内物流业集聚对物流业碳排放的影响在各地均呈现出不同的情况。2011—2020年，物流业集聚对物流业碳排放的影响系数均值为0.826，证实了空间自相关检验的结果，即物流业集聚对物流业碳排放的影响效应为正效应。

（1）不同时间下成渝城市群内不同城市的物流业集聚对物流业碳排放的影响系数分布具有时空异质性。2011年，影响系数最低的地区在成都、眉山和乐山，物流业集聚对物流业碳排放的负向影响最高；影响系数最高的地区为自贡和内江，物流业集聚对物流业碳排放的正向影响最强。2020年，影响系数的分布呈现“南北高、东西低”的局势，影响系数最低的地区仍有成都、眉山和乐山，物流业集聚对物流业碳排放的负向影响最强的城市排名为眉山>乐山>重庆>成都；物流业集聚对物流业碳排放的正向影响系数大于2的城市为南充和宜宾。

（2）2011—2020年，重庆、自贡、泸州、德阳、绵阳、遂宁、内江、达州、雅安、资阳的影响系数呈下降趋势，其中重庆、泸州、雅安、资阳等城市的影响系数有比较明显的“由正向到负向”的下降趋势；成都、乐山、南充、眉山、宜宾、广安的影响系数呈上升趋势，其中成都、乐山、眉山的影响系数为负但其绝对值在不断减小，而南充、宜宾、广安在研究期间的影响系数一直为正。

（3）2011—2020年，泸州、德阳、绵阳的影响系数有正有负，且显著性不高，表明这些地区物流业集聚不是影响物流业碳排放的主要因素，物流业集聚的影响力较低。虽然未通过显著性检验，但也在一定程度上对物流业碳排放产生积极或消极影响。

3　结束语

针对2011—2020年成渝城市群面板数据指标，采用GTWR模型探究成渝城市群物流业集聚对物流业碳排放影响的时空异质性。成渝城市群物流业碳排放量总体呈现增长的趋势，且物流业集聚会增加本地区和周边地区的碳排放，因而为了促进可持续性发展，应该制订和落实绿色物流业政策措施，使成渝城市群的各城市取长补短，并进一步改善成渝城市群物流业协同发展。成渝城市群南北部的物流业集聚对碳排放影响较高的城市，可以通过优化运输网络和路线、推广智能物流技术、共享物流资源等措施，达到控制物流业碳排放的目的。成渝城市群东西部物流业集聚对碳排放影响较低的城市，可以继续保持其能源的高效使用。

参考文献

[1] 国家统计局能源统计司.中国能源统计年鉴(2010—2020年)[M].北京：中国统计出版社： 2021.

[2] 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.

[3] 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.

[4] 龚桥梁，徐超毅. 湖北省物流业碳排放驱动因素及脱钩效应分析[J]. 湖北理工学院学报(人文社会科学版)，2023，40(5)：11-18.

[5] GONG Qiaoliang， XU Chaoyi. Analysis of Driving Factors and Decoupling Effects of Carbon Emission from the Logistics Industry in Hubei Province[J]. Journal of Hubei Polytechnic University (Humanities and Social Sciences)，2023，40(5)：11-18.

[6] 李建豹，黄贤金. 基于空间面板模型的碳排放影响因素分析：以长江经济带为例[J]. 长江流域资源与环境，2015，24(10)：1665-1671.

[7] LI Jianbao， HUANG Xianjin. Analysis of Influential Factors of Carbon Emission Based on Spatial Panel Models：A Case Study for Yangtze River Economic Belt[J]. Resources and Environment in the Yangtze Basin，2015，24(10)：1665-1671.

[8] 宁亚东，章博雅，丁　涛. 长江经济带碳排放脱钩状态及其驱动因素研究[J]. 大连理工大学学报，2017，57(5)：459-466.

[9] NING Yadong， ZHANG Boya， DING Tao. Study of Decoupling States of CO₂ Emission and Its Driving Factors in Yangtze River Economic Belt[J]. Journal of Dalian University of Technology，2017，57(5)：459-466.

[10] 李灵杰，吴群琪. 交通运输碳排放强度时空特征分析：以“一带一路”沿线中国西北地区为例[J]. 大连理工大学学报(社会科学版)，2018，39(4)：44-52.

[11] LI Lingjie， WU Qunqi. Spatial-Temporal Characteristics of Carbon Emission Intensity in Transportation：Take the Provinces in Northwestern China along the Belt and Road as an Example[J]. Journal of Dalian University of Technology (Social Sciences)，2018，39(4)：44-52.

[12] 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.

[13] 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.

[14] XU B， LIN B Q. Factors Affecting Carbon Dioxide (CO₂) Emissions in China’s Transport Sector：A Dynamic Nonparametric Additive Regression Model[J]. Journal of Cleaner Production，2015(101)：311-322.

[15] TALBI B. CO₂ Emissions Reduction in Road Transport Sector in Tunisia[J]. Renewable and Sustainable Energy Reviews，2017(69)：232-238.

[16] ANDREONI V， GALMARINI S. European CO₂ Emission Trends：A Decomposition Analysis for Water and Aviation Transport Sectors[J]. Energy，2012，45(1)：595-602.

[17] 韩丽萍，李明达，刘　炯. 中国物流业碳排放影响因素及产业关联研究[J]. 北京交通大学学报(社会科学版)，2022，21(1)：86-93.

[18] HAN Liping， LI Mingda， LIU Jiong. On the Influencing Factors of Carbon Emission of China’s Logistics Industry and Its Industrial Linkage[J]. Journal of Beijing Jiaotong University (Social Sciences Edition)，2022，21(1)：86-93.

[19] 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(12)：29-39.

[20] 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(12)：29-39.

[21] 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.

[22] 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.

[23] SHEFFI Y， SAENZ M J， RIVERA L，et al. New Forms of Partnership：The Role of Logistics Clusters in Facilitating Horizontal Collaboration Mechanisms[J]. European Planning Studies，2019，27(5)：905-931.

[24] 刘仁军，刘文嘉. 物流集聚、物流与信息业协同集聚对区 域碳排放的影响[J]. 综合运输，2022，44(11)：133-139.

[25] LIU Renjun， LIU Wenjia. The Impact on Regional Carbon Emission from Logistics Industry Agglomeration，and Collaborative Agglomeration of Logistics Industry and Information Industry[J]. China Transportation Review，2022，44(11)：133-139.

[26] 杨　川. 碳中和趋势下产业集聚对物流业碳排放水平的作用机制[J]. 商业经济研究，2022(13)：103-106.

[27] CHORLEY R J， HAGGETT P. Trend-Surface Mapping in Geographical Research[J]. Transactions of the Institute of British Geographers，1965(37)：47.

[28] 杨　凤，秦　丽，陈　思. 系统论视阈下生产性服务业集聚水平区位熵测度：以辽宁省为例[J]. 系统科学学报，2021，29(3)：73-77，83.

[29] YANG Feng， QIN Li， CHEN Si. An Analysis on Measurement of the Agglomeration Level of Producer Services Based on Location Entropy from the Perspective of System Theory：Taking Liaoning Province for Instance[J]. Chinese Journal of Systems Science，2021，29(3)：73-77，83.

[30] 莫炜程. FDI对区域二氧化碳排放的影响研究：基于广东省空间面板数据模型的分析[J]. 产业与科技论坛，2020，19(15)：69-71.

[31] 肖宏伟，易丹辉. 基于时空地理加权回归模型的中国碳排放驱动因素实证研究[J]. 统计与信息论坛，2014，29(2)：83-89.

[32] XIAO Hongwei， YI Danhui. Empirical Study of Carbon Emissions Drivers Based on Geographically Time Weighted Regression Model[J]. Journal of Statistics and Information，2014，29(2)：83-89.

[33] 张　鑫.物流产业集聚的工业减排效应：基于长三角空间面板模型[J].价值工程，2019，38(19)：92-95.

[34] ZHANG Xin. Industrial Emission Reduction Effect of Logistics Industry Agglomeration：Based on the Yangtze River Delta Space Panel Model[J]. Value Engineering，2019，38(19)：92-95.

[35] 袁　荷，仇方道，金　娜. 江苏省工业碳排放强度时空分异研究[J]. 云南地理环境研究，2017，29(3)：41-48.

[36] YUAN He， QIU Fangdao， JIN Na. Spatial-Temporal Changes of Industrial Carbon Emission Intensity in Jiangsu Province[J]. Yunnan Geographic Environment Research，2017，29(3)：41-48.

基金资助

国家自然科学基金项目(71864022)

重庆市教委人文社会科学基金项目(21SKGH088)