中国物流业碳排放空间关联网络结构特征及影响因素研究

Research on Structural Characteristics and Influencing Factors of Spatial Correlation Network of Carbon Emissions of Logistics

摘要

近年来我国物流业发展迅速，其碳排放问题也受到广泛关注。为分析我国30个省份物流业碳排放的空间关联关系，从关系数据和网络视角出发，基于2011—2022年我国省际物流业碳排放的面板数据，综合运用引力模型和社会网络分析法探究我国省际物流业碳排放空间关联网络的结构特征及影响因素。结果表明：在研究期内，我国省际物流业碳排放空间关联性不断增强，空间关联网络趋于稳定，但整体关联强度不高。山东、江苏、河南和广东既是物流业碳排放空间关联网络的中心，也是其他省份建立物流业碳排放空间关联的重要桥梁。经济发展水平、交通运输强度、交通运输水平等因素显著影响我国省际物流业碳排放空间关联网络。

Abstract

In recent years, China's logistics industry has developed rapidly, and its carbon emissions have received widespread attention. To analyze the spatial correlation of carbon emissions in the logistics industry of 30 provinces in China, starting from the perspective of relationship data and network, based on panel data of carbon emissions in China's inter-provincial logistics industry from 2011 to 2022, the gravity model and social network analysis method were comprehensively used to explore the structural characteristics and influencing factors of the spatial correlation network of carbon emissions in China's inter-provincial logistics industry. The results indicate that during the research period, the spatial correlation of carbon emissions in China's inter-provincial logistics industry continues to strengthen, and the spatial correlation network tends to stabilize, but the overall correlation strength is not high. Shandong, Jiangsu, Henan, and Guangdong are not only the centers of the spatial correlation network of carbon emissions in the logistics industry but also important bridges for other provinces to conduct spatial correlation of carbon emissions in the logistics industry. Factors such as economic development levels, transportation intensity, and transportation levels significantly affect the spatial correlation network of carbon emissions in China's inter-provincial logistics industry.

Graphical abstract

关键词

物流业 / 碳排放 / 空间关联 / 社会网络分析法 / 结构特征

Key words

Logistics Industry / Carbon Emission / Spatial Correlation / Social Network Analysis / Structure Characteristic

0　引言

2024年全国社会物流总额达到360.6万亿元，物流业总收入13.8万亿元。物流业的快速发展也带来了碳排放的快速增长，使得物流业成为仅次于能源和工业的二氧化碳高排放行业^[1]，物流业碳排放问题引发广泛关注。低碳物流因其可持续发展特点必将成为未来物流行业的主要发展方向^[2]。随着“双碳”目标与区域协调发展战略的推进，我国物流领域的资源流动加速，区域间协作不断深化，形成了一个跨区域的紧密空间关联网络，在该网络中，资金、人才及信息等各种物流要素高效互动，成为促进物流业高质量发展的核心动力。分析我国物流业碳排放的空间网络结构特征及其影响因素，有助于建立有效的协同减排机制，促进各地区均衡碳减排格局的形成，助推物流要素安全高效流通，促进区域协调发展，进一步推动我国物流业高质量发展。

关于物流业碳排放的测算主要运用联合国政府间气候变化专门委员会(Intergovernmental Panel on Climate Change，IPCC)提供的碳排放系数法。林秀群等^[3]基于能源表观消费量的方法计算2005—2019年长江经济带物流业碳排放量；Greene等^[4]综合考虑石油和石油产品作为碳核算中的动态排放因子，动态计算海上不同贸易路线、不同运输船只的原油商品运输的碳排放量。在物流业碳排放空间关联的分析上，国内外学者运用空间计量模型、多元线性回归模型、社会网络分析法等方法进行研究。Réquia等^[5]使用Global Moran和Getis-Ord General G表征巴西联邦区主要交通路线车辆排放量的空间分布特征；Cheng等^[6]通过热点和局部异常值分析，探讨交通碳排放的空间分布规律，计算表明，重型柴油卡车的碳排放与其空间位置密切相关；曾珏等^[7]采用空间计量经济模型中的空间滞后模型和空间误差模型分析我国省域物流业碳排放空间差异后发现相邻省份存在明显的空间溢出效应；朱向梅等^[8]利用社会网络分析法构建了9个省份物流业碳排放的空间关联网络；任国强等^[9]采用基尼系数收入来源分解法剖析了我国物流业碳排放地区差异及变动后发现2004—2017年我国物流业碳排放的地区差异逐步扩大。

通过文献研究发现，现有研究对物流业碳排放空间关联性的分析局限于地域上邻接的城市群，仅仅关注局部相邻地区的物流业碳排放空间关联关系，对不相邻地区的物流业碳排放空间关联关系研究较少，未从全局视角探索我国省际物流业碳排放空间关联的网络结构特征。空间关联网络的形成与发展，对于区域协调发展以及区域协同节能减排具有重要作用^[10]。因此，我国物流业碳排放空间关联网络也将对物流业协同减排活动产生重要影响。

采用社会网络分析法研究我国30个省份物流业碳排放的空间关联关系，从网络视角出发，运用IPCC清单法测算2011—2022年我国30个省份的物流业碳排放量，并结合引力模型和社会网络分析法探究我国物流业碳排放空间关联网络的整体特征、个体特征及影响因素，为制定物流业碳排放省域协同减排机制提供参考。

1　研究方法与数据来源

1.1　物流业碳排放量测算

基于IPCC清单法测算我国各省份物流业碳排放量，参考包耀东等^[11]的研究，计算公式如下所示。

C_i={\displaystyle \sum _{j=\mathrm{1}}^{\mathrm{8}}}{E}_{ij}{\theta }_j{\delta }_j(1)

式中：i表示省份；j表示能源类别；C_i表示i省份物流业碳排放量，万t；E_{ij}表示i省份物流业第j种能源的消费量，亿元；{\theta }_j表示第j种能源的折标准煤系数；{\delta }_j表示第j种能源的碳排放系数。

各种能源折标准煤系数及碳排放系数如表1所示。

1.2　引力模型

为了更好刻画我国省际物流业碳排放引力程度，利用修正的引力模型^[12]测算物流业碳排放的空间关联引力度，并构建我国物流业碳排放空间关联网络矩阵。引力度计算公式为

F_{mn}=k_{mn}\times \frac{\sqrt[\mathrm{3}]{G_m{P}_m{C}_m}\times \sqrt[\mathrm{3}]{G_n{P}_n{C}_n}}{{D_{mn}}^{\mathrm{2}}}(2)

k_{mn}=\frac{C_m}{C_m+C_n}(3)

式中：F_{mn}表示m省份和n省份物流业碳排放的空间关联引力度；k_{mn}表示系数，用m省份碳排放量占m省份和n省份碳排放量之和的比重表示；G_m和G_n分别表示m省份和n省份物流业的行业增加值，亿元；P_m和P_n分别表示m省份和n省份物流业就业人数，万人；C_m和C_n分别表示m省份和n省份物流业碳排放量，万t；D_{mn}表示m省份和n省份之间的地理距离(以省会距离代替)。

1.3　社会网络分析法

社会网络分析法(Social Network Analysis，SNA)从空间关系角度探究社会现象和系统结构，不仅可以描绘出碳排放空间关联的结构形态，还可以更深入分析其结构特征^[13-14]。有学者也将社会网络分析法引入碳排放分析领域，剖析我国区域间碳排放空间关联的结构形态，以及省域间的能源^[14]、碳排放^[15]的空间关联性。社会网络分析法通过图论工具和代数模型探索网络中成员之间的关联关系及其属性分类，弥补单纯个体研究、属性研究以及传统计量研究的缺陷^[16]，这一方法在管理学、社会学、经济学等领域得到广泛应用。

1.3.1　整体特征

物流业碳排放空间关联网络整体特征主要利用网络密度、网络关联度、网络等级度及网络效率4个指标来衡量。

M=\frac{L}{N(N-\mathrm{1})}(4)

式中：M表示网络密度；L表示网络中的实际关系数；N表示省份个数。

网络密度代表物流业碳排放空间关联网络的紧密程度，其值越大，物流业碳排放空间关联网络就越紧密，相互产生的影响也越强，反之，表明联系不紧密。

R=\mathrm{1}-\frac{V}{N(N-\mathrm{1})/\mathrm{2}}(5)

式中：R表示网络关联度；V表示网络中不可达的关系对数；N表示省份个数。

网络关联度代表物流业碳排放空间关联网络的稳健性，其值为1时，表明我国30个省份全部位于物流业碳排放空间关联网络中，同时该空间关联网络的稳健性强，反之，则表明网络的稳健性弱。

GH=\mathrm{1}-\frac{T}{\mathrm{m}\mathrm{a}\mathrm{x}(T)}(6)

式中：GH表示网络等级度；T表示网络中对称可达的关系对数；\mathrm{m}\mathrm{a}\mathrm{x}(T)表示网络中最大可能对称可达的关系对数。

网络等级度代表物流业碳排放空间关联网络的不平等程度，其值越大，表明各省份之间的地位差异越大，处于支配地位的省份越多，其值越小，各省份之间越平等。

GE=\mathrm{1}-\frac{H}{\mathrm{m}\mathrm{a}\mathrm{x}(H)}(7)

式中：GE表示网络效率；H表示网络中多余的线条数；\mathrm{m}\mathrm{a}\mathrm{x}(H)表示网络中最大可能多余的线条数。

网络效率代表物流业碳排放空间关联网络的稳定情况，其值越小，表明物流业碳排放空间关联网络越稳定，联系越紧密，反之，表明网络具有脆弱性。

1.3.2　个体特征

物流业碳排放空间关联网络个体特征主要采用点度中心度、接近中心度及中介中心度3个指标来反映，公式如下。

A(m)={\displaystyle \sum _{n=\mathrm{1}}^N}{x}_{mn}m\ne n(8)

式中：A表示点度中心度；{\displaystyle \sum _{n=\mathrm{1}}^N}{x}_{mn}表示m省份与其他29个省份之间存在的直接关系数。

点度中心度代表各省份在物流业碳排放空间关联网络中与中心位置的距离，其值越大，表明该省份距离物流业碳排放空间关联网络的中心位置越近。

U(m)=\frac{N-\mathrm{1}}{{\displaystyle \sum _{n=\mathrm{1}}^N}{d}_{mn}}(9)

式中：U表示接近中心度；d_{mn}表示m省份到n省份的最短路径。

接近中心度代表各省份在物流业碳排放空间关联网络中与其他省份的距离，其值越大，表明该省份与其他省份距离越近，反之，距离越远。

B(m)=\frac{\mathrm{2}\sum _{m\pm n\pm e}\frac{r_{ne}(m)}{r_{ne}}}{(N-\mathrm{1})(N-\mathrm{2})}(10)

式中：B表示中介中心度；r_{ne}表示n省份到e省份之间存在关联路径的数量；r_{ne}(m)表示n省份到e省份的关联路径要经过m省份的数量。

中介中心度代表各省份在物流业碳排放空间关联网络中担任桥梁的次数，次数越大，表明担任桥梁的次数越多，对其他省份控制和调节作用就越强。

1.3.3　影响因素分析

社会网络分析法所涉及变量均为关系数据，变量间可能具有多重共线性，为减少造成的影响运用二次指派程序(Quadratic Assignment Procedure，QAP)回归分析探究我国物流业碳排放空间关联网络矩阵与多种影响因素矩阵之间的关系。QAP以矩阵中数据的置换为基础，比较2个矩阵中各格值的相似性，从而得出2个矩阵的相关系数，并对相关系数进行非参数检验^[17]。

碳排放空间关联网络的形成受到多种因素的影响，主要包括地理空间、经济发展、技术水平、能源强度、产业结构、环境保护力度和城镇化水平等因素^[18]。结合物流行业特征并参考相关研究^[7，19-21]，选取如下影响因素。空间邻接关系(K)采用省份之间是否邻接来表征，若两省份相邻记为1，若两省份不相邻则记为0。经济发展水平差异(J)采用人均GDP的差异值矩阵来表征，通过计算每对省份之间人均GDP的绝对差值构建矩阵，差值越大表明两省份经济发展水平差异越大。城镇化水平差异(Z)采用城镇人口比重的差异值矩阵来表征，通过计算每对省份之间城镇人口占总人口比重的绝对差值构建矩阵，差值越大表明两省份城镇化进程差异越大。产业结构差异(Y)采用物流业产值占各省份生产总值比重的差异值矩阵来表征，通过计算每对省份之间物流业产值占各省份生产总值比重的绝对差值构建矩阵，差值越大表明两省份物流业在经济中的地位差异越大。能源强度差异(W)采用单位生产总值能耗的差异值矩阵来表征，通过计算每对省份之间单位生产总值能耗的绝对差值构建矩阵，差值越大表明两省份能源利用效率差异越大。交通运输水平差异(S)采用货运量的差异值矩阵来表征，通过计算每对省份之间货运量的绝对差值构建矩阵，差值越大表明两省份物流运输能力差异越大。运输效率差异(X)采用交通运输综合换算周转量与碳排放量比值的差异值矩阵来表征，通过计算每对省份之间交通运输综合换算周转量与碳排放量比值的绝对差值构建矩阵，差值越大表明两省份单位碳排放产生的运输效率差异越大。交通运输强度差异(Q)采用交通运输综合换算周转量与物流业产值比重的差异值矩阵来表征，通过计算每对省份之间交通运输综合换算周转量与物流业产值比重的绝对差值构建矩阵，差值越大表明两省份物流业活动的碳强度差异越大。物流业碳排放空间关联网络采用WT表示，所有影响因素数据均为矩阵。

1.3.4　数据来源

根据《中国第三产业统计年鉴》中的解释，物流业属于复合型第三产业，具体可以分为5个行业：交通运输物流、仓储物流、贸易物流、流通加工与包装物流、邮政物流，交通运输、仓储和邮政业在物流业中的产值占比超过83%，能够较大程度地反映出物流业的发展现状及趋势^[22]。穆晓央等^[23]、李健等^[24]选取交通运输、仓储和邮政业来代表物流业的整体发展。由此，本研究的“物流业”即指国民经济行业分类中的“交通运输、仓储和邮政业”，物流业相关数据也使用交通运输、仓储和邮政业的数据。

考虑到数据的可得性，以我国30个省份(不包括西藏自治区、香港特别行政区、澳门特别行政区、中国台湾省)为研究对象，其物流业能源消费数据主要来自2012—2023年《中国能源统计年鉴》，物流业碳排放空间关联网络影响因素所涉及的数据如各省份人均GDP、城镇人口比重、物流业产值、地区生产总值、货运量、交通运输综合换算周转量等数据主要来源于2012—2023年《中国统计年鉴》。

2　中国物流业碳排放量空间关联网络分析

2.1　我国物流业碳排放量测算结果

运用公式(1)将各种能源折标准煤系数、碳排放系数与能源消费量相乘即可得到2011—2022年我国30个省份物流业碳排放量，2011—2022年我国30个省份物流业碳排放量如图1所示。

为全面把握我国物流业碳排放格局的动态演变，本研究选取具有代表性的4个时间节点进行分析，分别为2011年、2013年、2017年和2022年。具体来看，2011年，我国物流业碳排放量最高的省份为山东省，1 700.79万t，最低的是青海省，77.27万t；到2013年，随着区域经济发展重心的转移，我国物流业碳排放格局出现新变化，物流业碳排放量最高省份由山东省变为广东省，达到1 724.41万t；到2017年，物流业碳排放量最低的省份由青海省变为宁夏回族自治区，为122.63万t；到2022年，在国家“双碳”目标的作用下，各省份物流业碳排放量整体有所减少，广东省虽降至1 781.95万t，但仍是最高的省份；物流业碳排放量最低的宁夏回族自治区，仅138.67万t。

2011—2022年我国30个省份物流业碳排放量均值如表2所示。由表2可知，2011—2022年我国物流业碳排放量均值最高的是广东省，达到1 978.69万t，最低的是宁夏回族自治区，为120.83万t，最高值是最低值的16.38倍。按照国家标准区域划分，将30个省份划分为4个区域：东部地区(北京、天津、河北、上海、江苏、浙江、福建、山东、广东、海南)、中部地区(山西、安徽、江西、河南、湖北、湖南)、西部地区(内蒙古、广西、重庆、四川、贵州、云南、陕西、甘肃、青海、宁夏、新疆)和东北地区(辽宁、吉林、黑龙江)。计算各区域物流业碳排放量均值，东部地区为976.21万t，中部地区为801.78万t，西部地区为509.93万t，东北地区为779.60万t。可见，我国物流业碳排放量存在明显的区域差异性，东部地区经济发展最快，其物流业碳排放量也高于其他区域。西部地区经济发展较其他三地区慢，物流业碳排放量也最低。

物流业碳排放量均值靠前的省份大多位于东部地区，如广东、山东、上海、江苏等省份，这些省份经济发达、交通便利，拥有更好的物流区位优势，且港口较多，经济的快速发展使得货物周转的频率和总量大幅增加，物流业碳排放量相对较多。值得注意的是，碳排放量高的省份与其人口规模也存在一定关联。根据国家统计局数据，广东省和山东省的人口占全国总人口的比例约为15.9%，而其物流业碳排放量占全国碳排放量的19.2%，这表明人口大省的物流碳排放占比更高。不过，仅用人口因素无法完全解释碳排放差异，例如上海市人口约2 500万，远低于山东省，但其物流业碳排放量却较高，这表明经济发展水平、产业结构、交通枢纽地位等因素也在影响物流业碳排放量。

2.2　我国物流业碳排放空间关联网络整体特征分析

以我国物流业碳排放空间关联网络矩阵为基础，运用公式(4)—(7)测度2011—2022年我国物流业碳排放空间关联网络的网络关系数、网络密度、网络关联度、网络等级度和网络效率，2011—2022年我国物流业碳排放空间关联网络整体特征分析如表3所示。我国物流业碳排放空间关联网络的网络关系数和网络密度大体呈现上升趋势，网络关系数从2011年的212波动上升到2022年的237，上升了11.79%，网络密度从2011年的0.24波动增长到2022年的0.27，增长了11.78%，我国省际物流业碳排放空间关联性增强。网络密度的数值普遍在0.3以下，表明空间关联强度不高，网络结构较为疏松。在样本考察期内，网络关联度始终维持在1，这表明我国物流业碳排放具有空间网络效应且稳健性强。网络等级度呈现出波动下降的趋势，从2011年的0.56波动下降到2022年的0.47，下降了15.46%，这表明各省份在物流业碳排放空间关联网络中地位差异变小，但仍然存在一定的阶梯等级特征，物流业碳排放空间关联网络结构有待进一步优化。网络效率整体呈现出波动下滑的趋势，由2011年的0.65波动下降至2022年的0.60，这表明我国物流业碳排放空间关联网络内网络冗余逐步减少，空间关联网络越来越稳定，促使我国省际物流业碳排放联系逐渐增强，从而提升物流业碳排放空间关联网络的稳定性。

综上所述，2011—2022年，我国省际物流业碳排放空间关联性增强、空间关联网络较为稳定，同时存在显著的空间关联，但物流业碳排放空间关联网络存在一定的阶梯等级特征，且关联程度不高。由此，从省级层面提高物流业碳排放空间关联网络的网络密度、降低网络等级度是我国物流业低碳化发展的有效途径。

2.3　我国物流业碳排放空间关联网络个体特征分析

以我国物流业碳排放空间关联网络矩阵为基础，运用公式(8)—(10)测度研究期内各省份的点度中心度、接近中心度和中介中心度，发现数值并没有显著变化，因此以2022年的结果来分析我国物流业碳排放空间关联网络个体特征，2011—2022年我国物流业碳排放空间关联网络个体特征分析如图2所示。

从点度中心度来看，当点度中心度高于均值时，表明这一地区在物流业碳排放空间关联网络中相对其他地区更加接近网络中心，是空间关联网络中的物流业碳排放的流入地区，对空间关联网络具有重要支撑作用。2022年高于均值的省份有8个，省际间点度中心度差异(最大值减最小值)为89.66。其中山东和江苏的点度中心度高于90，在所有省份中位于前两位，表明这些省份处于物流业碳排放空间关联网络的中心位置，且与其他省份联系较多。山东、江苏、河南和广东的点入度在所有省份中位于前四位，物流业碳排放空间受益关联数较多。

接近中心度侧重于产生联系的平均距离，从接近中心度来看，当接近中心度高于均值时，说明这些省份易与其他省份产生空间关联。2022年接近中心度高于均值的省份有8个，省际接近中心度差异为48.33。其中山东、江苏、河南和广东的接近中心度在所有省份中较高，表明他们与其他省份距离较近，容易快速产生物流业碳排放空间关联。

从中介中心度来看，当一节点的中介中心度高于均值时，表明这些省份在空间关联网络中能够较好地影响和控制其他省份之间的碳转移能力，并进一步对其他省份的物流业碳排放发挥调节和制约作用。2022年接近中心度高于均值的省份有6个，省际接近中心度差异为57.852。其中山东、广东、河南和江苏的中介中心度均高于45，在所有省份中位于前四位，这表明这些省份充分发挥了“桥梁”和“中介”的作用，在物流业碳排放空间关联网络中控制和调节其他省份之间的碳转移能力较强。

综上所述，山东、江苏、河南和广东的点度中心度、接近中心度和中介中心度都位于前列，表明这4个省份不仅与其他省份联系较多，也可以作为“中介”将其他省份连接起来。

2.4　物流业碳排放空间关联网络影响因素分析

2.4.1　QAP相关性分析

通过QAP相关性分析探讨我国物流业碳排放空间关联网络矩阵与各影响因素矩阵之间的相关关系，物流业碳排放空间关联网络矩阵及影响因素矩阵的相关性分析如表4所示。表中相关系数分别表示物流业碳排放空间关联网络(WT)与空间邻接关系(K)、经济发展水平差异(J)、城镇化水平差异(Z)、产业结构差异(Y)、能源强度差异(W)、交通运输水平差异(S)、运输效率差异(X)和交通运输强度差异(Q)等因素的相关关系，相关系数的绝对值越大，各变量与物流业碳排放空间关联网络的相关性就越大，反之，相关性越小。由表4可以看出，这些因素对我国物流业碳排放空间关联和空间溢出产生了显著影响。K在1%的统计水平下显著为正，S在5%的统计水平下显著为正，Q在10%的统计水平下显著为正，表明三者与我国物流业碳排放空间关联网络之间存在显著正相关；Y，W在5%的统计水平下显著为负，J，Z，X在10%的统计水平下显著为负，这表明这5个因素与我国物流业碳排放空间关联网络之间存在显著负相关。另外，从表4还可以看出，各影响因素之间大多具有相关性，例如Z和J之间存在0.89的高相关性。为减少多重共线性所造成的影响，采用QAP回归分析确定我国物流业碳排放空间关联网络的关键影响因素。

2.4.2　QAP回归分析

对上述各个影响因素与我国物流业碳排放空间关联网络进行回归分析，我国物流业碳排放空间关联网络影响因素的回归分析如表5所示。其中，大比例和小比例分别代表随机置换产生的回归系数的绝对值不小于和不大于观察到的回归系数的随机置换占总置换次数的比例，二者分别表示经过5 000次随机置换，计算出的系数大于等于、小于等于实际系数的概率。

具体来看，K在1%的统计水平下显著，回归系数为正，对物流业碳排放空间关联网络始终产生显著的正向影响，表明我国30个省份之间空间距离越接近，越容易形成空间关联网络。J在5%的统计水平下显著，回归系数为负，对物流业碳排放空间关联网络始终产生显著的负向影响，表明经济发展水平差异越小越有利于形成物流业碳排放空间关联网络。究其原因，在市场机制作用下，资源流通更容易发生在经济发展水平相近的地区^[26]。Y在10%的统计水平下显著，回归系数为负，对物流业碳排放空间关联网络始终产生显著的负向影响，表明产业结构差异越小，省份之间更容易产生空间关联。基于本研究的回归分析结果，相似的产业结构是促进物流业碳排放空间关联网络形成的重要因素之一。S在5%的统计水平下显著，回归系数为正，对物流业碳排放空间关联网络始终产生显著的正向影响，表明相似的交通运输水平会成为物流业碳排放空间关联网络形成的阻碍。Q在10%的统计水平下显著，回归系数为负，对物流业碳排放空间关联网络始终产生显著的负向影响，表明交通运输强度差异越小，越有利于物流业碳排放空间关联网络的形成。Z，W，X回归系数为负，但这些因素的差异对物流业碳排放空间关联网络的负向影响不显著。

3　结论

在测算2011—2022年我国30个省份物流业碳排放量的基础上，运用引力模型构建我国物流业碳排放空间关联网络矩阵，通过社会网络分析法探讨我国物流业碳排放空间关联网络的整体特征、个体特征及影响因素。得到主要结论如下。

（1）我国省际物流业碳排放空间关联强度不高、网络结构较为疏松。从整体网络特征来看，我国已经形成较为稳定的物流业碳排放空间关联网络，但网络密度普遍在0.3以下，表明目前各省份间地位差异逐渐缩小但仍存在明显的阶梯等级特征，网络等级度虽下降15.46%，但仍维持在0.4以上的水平，这阻碍了全国物流业协同减排效率。网络效率总体呈下降趋势，显示我国物流业碳排放空间关联网络稳定性增强，为建立全国性协同减排机制奠定了基础。

（2）山东、江苏、河南和广东4省份不仅是物流业碳排放空间关联网络的“核心枢纽”，同时是连接其他省份的关键“桥梁”。其中，山东省的点度中心度高达96.55，中介中心度为57.85，远高于全国平均水平，表明其在空间关联网络中具有绝对主导地位，能够对全国物流业减排格局产生关键影响。相比之下，天津、海南等省份的点度中心度分别仅为13.79和6.90，表明这些省份在空间关联网络中位于边缘位置，与其他省份物流业碳排放联系薄弱，对全国物流减排协同效应的贡献有限。

（3）空间邻接关系(相关系数0.38)是促进关联网络形成的首要正向因素。QAP回归分析显示其标准化系数高达0.39，是所有影响因素中最显著的。同时，经济发展水平差异(系数-0.19)和产业结构差异(系数0.00)对空间关联网络形成具有明显的负向影响，这表明区域经济协调发展和产业结构趋同是促进物流业碳排放空间关联网络形成的重要前提。交通运输水平差异(系数0.12)对关联网络有显著正向影响，说明不同运输能力的省份之间更容易形成互补性空间关联，这为制定差异化的区域物流协同减排策略提供了理论依据。

参考文献

[1] 李晓梅，黄　俊. 中国省域物流碳排放效率的演化特征及收敛性分析[J]. 世界地理研究，2024，33(4)：155-166.

[2] LI Xiaomei， HUANG Jun. Evolution Characteristics and Convergence Analysis of Carbon Emission Efficiency of Provincial Logistics in China[J]. World Regional Studies，2024，33(4)：155-166.

[3] 周　杨. 国内低碳物流系统研究现状综述[J]. 河南理工大学学报(社会科学版)，2021，22(1)：31-36.

[4] ZHOU Yang. A Review on the Research of Low-Carbon Logistics System in China[J]. Journal of Henan Polytechnic University (Social Sciences)，2021，22(1)：31-36.

[5] 林秀群，李嘉新，李　阳，等. 长江经济带物流业碳排放效率的测度及时空演化特征研究[J]. 生态经济，2022，38(12)：31-38.

[6] LIN Xiuqun， LI Jiaxin， LI Yang，et al. Measurement and Temporal and Spatial Evolution of Carbon Emission Efficiency of Logistics Industry in the Yangtze River Economic Belt[J]. Ecological Economy，2022，38(12)：31-38.

[7] GREENE S， JIA H Y， RUBIO-DOMINGO G. Well-to-Tank Carbon Emissions from Crude Oil Maritime Transportation[J]. Transportation Research Part D：Transport and Environment，2020，88：102587.

[8] RÉQUIA W J， KOUTRAKIS P， ROIG H L. Spatial Distribution of Vehicle Emission Inventories in the Federal District，Brazil[J]. Atmospheric Environment，2015，112：32-39.

[9] CHENG S F， ZHANG B B， PENG P，et al. Spatiotemporal Evolution Pattern Detection for Heavy-Duty Diesel Truck Emissions Using Trajectory Mining：A Case Study of Tianjin，China[J]. Journal of Cleaner Production，2020，244：118654.

[10] 曾　珏，周　叶. 中国省域物流业碳排放空间差异分析[J]. 物流科技，2019，42(6)：113-119.

[11] ZENG Jue， ZHOU Ye. Spatial Difference Analysis of Carbon Emission in China's Provincial Logistics Industry[J]. Logistics Sci-Tech，2019，42(6)：113-119.

[12] 朱向梅，袁　辉，张　静. 黄河流域物流业碳排放空间关联性及协同发展研究[J]. 河南科学，2021，39(8)：1365-1372.

[13] ZHU Xiangmei， YUAN Hui， ZHANG Jing. Spatial Correlation and Collaborative Development of Carbon Emission in Logistics Industry of the Yellow River Basin[J]. Henan Science，2021，39(8)：1365-1372.

[14] 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.

[15] 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.

[16] 吉雪强，张跃松. 长江经济带种植业碳排放效率空间关联网络结构及动因[J]. 自然资源学报，2023，38(3)：675-693.

[17] JI Xueqiang， ZHANG Yuesong. Spatial Correlation Network Structure and Motivation of Carbon Emission Efficiency in Planting Industry in the Yangtze River Economic Belt[J]. Journal of Natural Resources，2023，38(3)：675-693.

[18] 包耀东，李晏墅，张世忠. 长三角区域物流业碳排放规模及其影响因素研究[J]. 生态经济，2020，36(11)：25-31，53.

[19] BAO Yaodong， LI Yanshu， ZHANG Shizhong. Study on the Scale of Carbon Emission of Logistics Industry and Its Influencing Factors in the Yangtze River Delta[J]. Ecological Economy，2020，36(11)：25-31，53.

[20] 张正峰，张　栋. 基于社会网络分析的京津冀地区碳排放空间关联与碳平衡分区[J]. 中国环境科学，2023，43(4)：2057-2068.

[21] ZHANG Zhengfeng， ZHANG Dong. Spatial Relatedness of CO₂ Emission and Carbon Balance Zoning in Beijing Tianjin Hebei Counties[J]. China Environmental Science，2023，43(4)：2057-2068.

[22] 刘　军. 社会网络分析导论[M]. 北京：社会科学文献出版社，2004.

[23] 刘华军，刘传明，孙亚男. 中国能源消费的空间关联网络结构特征及其效应研究[J]. 中国工业经济，2015(5)：83-95.

[24] LIU Huajun， LIU Chuanming， SUN Ya'nan. Spatial Correlation Network Structure of Energy Consumption and Its Effect in China[J]. China Industrial Economics，2015(5)：83-95.

[25] 孙亚男，刘华军，刘传明，等. 中国省际碳排放的空间关联性及其效应研究：基于SNA的经验考察[J]. 上海经济研究，2016，28(2)：82-92.

[26] SUN Yanan， LIU Huajun， LIU Chuanming，et al. Research on Spatial Association of Provinces Carbon Emissions and Its Effects in China[J]. Shanghai Journal of Economics，2016，28(2)：82-92.

[27] 邵海琴，王兆峰. 中国交通碳排放效率的空间关联网络结构及其影响因素[J]. 中国人口·资源与环境，2021，31(4)：32-41.

[28] SHAO Haiqin， WANG Zhaofeng. Spatial Network Structure of Transportation Carbon Emissions Efficiency in China and Its Influencing Factors[J]. China Population，Resources and Environment，2021，31(4)：32-41.

[29] 刘　军. 整体网分析：UCINET软件实用指南[M]. 2版. 上海：格致出版社，2014.

[30] 郑　航，叶阿忠. 城市群碳排放空间关联网络结构及其影响因素[J]. 中国环境科学，2022，42(5)：2413-2422.

[31] ZHENG Hang， YE Azhong. Spatial Correlation Network Structure and Influencing Factors of Carbon Emission in Urban Agglomeration[J]. China Environmental Science，2022，42(5)：2413-2422.

[32] 曹俊文，周　丽. 长三角地区物流业碳排放时空分布及其影响因素研究[J]. 统计与决策，2021，37(10)：79-83.

[33] 王艺璇. 基于社会网络分析的中国省域交通运输碳排放关联效应演化及影响因素分析[D]. 西安：长安大学，2020.

[34] 杨　君. 中国交通运输业碳排放测度及减排路径研究[D]. 南昌：江西财经大学，2022.

[35] 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.

[36] 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.

[37] 穆晓央，王　力，徐　蓉，等. 西部省域物流业碳排放脱钩及影响因素研究[J]. 环境科学与技术，2020，43(4)：214-219.

[38] MU Xiaoyang， WANG Li， XU Rong，et al. Study on Carbon Emission Decoupling and Influencing Factors of Logistics Industry in Western Provinces[J]. Environmental Science & Technology，2020，43(4)：214-219.

[39] 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.

[40] LI Jian， BAI Ziyi， LI Botong. 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.

[41] 庞庆华，李　涵，杨田田. 长江经济带碳排放的空间关联性及其影响因素[J]. 科技管理研究，2019，39(15)：246-251.

[42] PANG Qinghua， LI Han， YANG Tiantian. Spatial Correlation of Carbon Emissions in Yangtze River Economic Zone and Its Influencing Factors[J]. Science and Technology Management Research，2019，39(15)：246-251.

[43] 黄　杰. 中国能源环境效率的空间关联网络结构及其影响因素[J]. 资源科学，2018，40(4)：759-772.

[44] HUANG Jie. The Spatial Network Structure of Energy-Environmental Efficiency and Its Determinants in China[J]. Resources Science，2018，40(4)：759-772.

基金资助

河北省社会科学基金专题项目(HB23ZT059)