【《城市群物流业碳排放驱动因素分析计算案例》4400字】

-PAGE1-城市群物流业碳排放驱动因素分析计算案例目录TOC\o"1-3"\h\u14575城市群物流业碳排放驱动因素分析计算案例 14832（一）分解模型 130541（二）分解结果 330141（三）驱动因素时空演进特征 5（一）分解模型中国五大城市群的碳排放驱动因素分解，利用LMDI方法对物流产业的碳排放量进行因素分解，从具体运输方式的能源效率、具体运输方式的能源结构，具体运输方式的服务产出效率，运输结构，产业结构和人均生产值和人口7个方面进行分解。对公式（4-1）可进一步分解为： 公式（4-1）公式（4-1）中，，，分别代表能源种类，运输方式和年份。为该地区第年的物流业碳排放量，为第年种运输方式使用种能源的碳排放总量；为第年种运输方式使用种能源的能源消耗量（单位：万吨标准煤），为第年种运输方式的能源消耗量，为第年种运输方式的运输服务量（单位：吨公里），为第年的统计范围内所有运输方式的运输服务量，为第年的该地区国民生产总值，为第年该地区的总人口。但由于各省市运输服务数据统计不完善，不适用于本文拟考虑运输结构的研究。故本文结合已有研究，对因素进行遴选，如表4-1所示，并使用公式（4-2）作为替代方法。表4-1因素遴选及解释因式因素名称因素解释=/碳排因子二氧化碳排放量与能源消耗量之比，表示单位能耗产生的二氧化碳=/能源结构表示具体能源在总消耗中的占比，反映能源消费和使用结构=/节能技术水平表示单位物流设备专利数的能源消耗量=/物流技术水平表示单位物流产值的物流设备专利数=/运输经济效益每投入一单位的具体运输方式的货运量带来的物流业增加值=/运输结构具体运输方式的货运量占总货运量的比重=/运输强度每单位物流产业增加值所需要的投入的运力物流业增加值社会物流总产业的增长量资料来源：作者通过碳排放因素分解研究整理得到 公式（4-2）公式（4-1）可进一步分解为： 公式（4-3）将碳排放的变化分解成6种影响因素变化的贡献之和，即： 公式（4-4）由于具体能源碳排放系数确定，其排放强度为0，将每一年碳排放相对于上一年的增长量除以其对数的增长量得到碳排放指数增长率的倒数，如公式（4-5），再将此倒数分别与每个因素当年的数值和上一年的数值之比相乘，得到公式（4-4）：，，，，， 公式（4-5）公式（4-4）中， 公式（4-6）为了观察某一年碳排放的变化中，各因素的相对变化幅度，即各个因素的贡献度。将物流业的碳排放第年与初始年份的值之比，即第年碳排放相对于初始年份的扩大倍数，分解为7种因素之积，即： 公式（4-7）对公式（4-6）左右两边同取对数，联立公式（4-4）得： 公式（4-8）令，则有：=1，，，，，，=1 公式（4-9）其中，、、、、、、、分别表示五大城市群物流业碳排放各因素的增加值，、、、、、、、分别表示五大城市群物流业各因素碳排放贡献率。（二）分解结果根据分解方法，由公式计算出年中国五大城市群的物流业碳排放强度的变化因素分解值。由于数据繁冗，本文正文部分只展示京津冀城市群的物流业碳排放分解结果，其余城市群的分解结果请参考附录。表4-2京津冀城市群物流业2010-2018年碳排放强度LMDI分解结果因素名称指标2010年2011年2012年2013年2014年2015年2016年2017年2018年能源结构126761564942603594121.001.021.051.011.051.071.21.31.34节能技术-989-1745-2309-2407-3118-3678-2168-3867-40610.480.290.20.180.110.080.220.060.06物流技术957176623542456311637233965385738662.053.565.245.618.8513.0615.5516.2515.42运输经济效益-333-551-680-803-835-898-1081-1091-11290.780.670.620.570.560.540.470.450.45运输结构41467882892899610461252132214261.361.631.791.922.012.062.382.62.74运输强度4674981181451561781841901.031.051.071.091.111.111.131.141.14物流增加值811271481251611481712312971.1951.341.431.5051.561.5851.7551.871.94数据来源：作者通过LMDI分解法计算得到从五大城市群的物流业碳排放因素分解来看，能源结构因素对物流业碳排放增加总体上起抑制作用，并且促进程度逐年增加。五大城市群中，京津冀城市群的能源结构对碳排放影响从2010年的1.00升至2018年的1.34，长三角城市群也从2010年的1.01降至2018年的1.05，珠三角城市群从2010年的1.01增至2018年的1.29，成渝城市群则是从2010年的1.47减至2018年的1.32，而长江中游城市群从2010年的1.04降至2018年的1.08。因此京津冀城市群和珠三角城市群在能源结构方面领先于其他城市群，而清洁能源的使用是它们同其他3个城市群在能源结构因素上产生差异的主要原因。据《中国能源统计年鉴》，2009-2018年，其他3个城市群汽油、煤油、柴油、燃料油的消耗量逐年增加，天然气使用的增长却颇为缓慢，这也是3个城市群能源结构对碳排放的促进作用更明显的原因。能源效率因素在观察期内对物流业碳排放增加起抑制作用。中国五大城市群中，珠三角城市群和成渝城市群能源效率抑制物流业碳排放的程度逐年增加，而其余3个城市群的抑制程度逐渐减小。说明从2010年的1.02减至2018年的1.1，成渝城市群市从2010年的0.75增至2018年的0.97，长江中游城市群市从2010年的0.69减至2018年的0.56。所有城市群观察期内能源效率因素对物流业碳排放增加都起到了抑制作用，但成渝城市群逐渐转变为促进作用。中国五大城市群中长江中原城市群省能源效率因素促进碳排放最为显著，而长三角城市群的能源效率因素抑制碳排放增加量最为显著。物流业中能源效率的高低，如物流设备的先进水平、运输模式与管理水平等，长三角城市群作为科技信息极度发达的地区，研究所和人才集聚，有对于能源效率提升进而减少碳排放。长江中原城市群在中国五大城市群中发展滞后，这就造成了能源效率因素长江中原城市群表现最差。运输经济效益因素在观察期内的平均值为0.77，除长江中游城市群外，其余4个城市群运输经济效益对物流业碳排放增加起到抑制作用，且抑制的程度随着观察期内年份而减少。运输经济效益因素反映物流业在经济总量中的比重，这个比值上下浮动与趋势表达出中国五大城市群中国五大城市群运输经济效益优化的问题。对于五大城市群这个比值都呈下降趋势，尤其是长江中原城市群，中国五大城市群中，京津冀城市群和长三角城市群物流业运输经济效益变化并不大，而其余城市群的运输经济效益在逐年优化。中国五大城市群中，珠三角城市群的运输经济效益因素优化最好，其物流业增加值占GDP比重从15.27%减少至6.9%。运输结构因素方面，在观察期内的平均值分别为2.08和1.08，对物流业碳排放增加起到促进作用，而运输结构因素的促进程度逐年递增，运输强度的促进效果则稳定在一定水平。中国五大城市群中，长江中原城市群运输结构因素对自身物流业碳排放增加的促进作用最为显著，说明长江中游城市群的运输结构不合理带来的环境影响正在逐年增大。中国五大城市群运输结构的不合理，一方面是由于经济水平的提升，汽车拥有量、外出旅行、流通包装等居民方面的因素与产业产能持续增加等经济因素导致。运输强度方面，五大城市群群皆表现出促进物流业碳排放的增加，且促进程度都在逐年递增。（三）驱动因素时空演进特征1.空间特征分析方法本文采用标准差椭圆法展示要素在空间上的分布。其主要参数有椭圆中心、长轴、短轴和方位角，用于描述相关指标在空间分布上的整体特征。首先以本文的研究要素——各碳排放因子贡献率的平均空间分布中心为中心，然后计算x轴坐标、y轴坐标、长轴标准差和短轴标准差，即椭圆的长短轴；椭圆的中心反映一般分布在空间中的位置，分布范围反映聚焦显示区域，方位角显示空间分布的方向，长轴是方向的分散程度；椭圆法的标准差在数量上直观地说明了研究要素空间分布的时空演化特征，如中心性、扩散性、方向性等[52]。主要参数计算步骤如下：首先，计算标准差椭圆的平均中心（，）。， 公式（4-10）公式（4-10）中，和分别表示研究对象ｉ的横坐标值与纵坐标值，表示研究对象的空间区位；和分别表示研究对象的横坐标与纵坐标平均值，以此作为平均中心；ｎ则表示研究对象的总个数。利用公式（4-11）计算椭圆圆心（，）。， 公式（4-11）公式（4-11）中，和分别表示全体研究对象形成的标准差椭圆圆心的横坐标值和纵坐标值。然后，计算标准差椭圆的方位角。 公式（4-12）公式（4-12）中，为方位角，用椭圆的正北方与长轴间的夹角表示；和分别表示研究城市区位到平均中心坐标（，）的偏差情况。最后，计算标准差椭圆的横坐标轴（ｘ轴）和纵坐标轴（ｙ轴）的标准差和，如公式（4-13）。， 公式（4-13）2.驱动因素时空演进本文根据标准差椭圆法对中国五大城市群各驱动因素的时空变迁进行分析，为直观地呈现其变化情况，本文以4年为间隔作图，利用ArcGIS软件，分别以7个因素的贡献度为权重字段绘制了2010年、2014年和2018年中国五大城市群碳排放驱动因素标准差椭圆的变化情况。图4-1中实线椭圆、轨道线椭圆、虚线椭圆分别代表2010年、2014年和2018年中国五大城市群物流业碳排放因素的标准差椭圆。201020142018201020142018201020142018201020142018201020142018201020142018201020142018201020142018201020142018201020142018201020142018201020142018（f）运输强度因素标准差椭圆（d）运输经济效益因素标准差椭圆（e）运输结构因素标准差椭圆（b）节能技术水平因素标准差椭圆（c）物流技术水平因素标准差椭圆（a）能源结构因素标准差椭圆201020142018（e）物流业增加值因素标准差椭圆201020142018（e）物流业增加值因素标准差椭圆各因素的标准差椭圆如图4-1，椭圆的中心代表具体年份该因素影响碳排放增加的程度较大的区域，即该因素的严重程度在五大城市群中较大的大致分布位置。椭圆的长轴代表该因素的地理方位走向，短轴代表该因素严重程度较轻的方向。五大城市群的各因素的分布方向基本都保持东北-西南走向或东-西走向，但具体时空演进情况有所不同。能源结构这一因素在五大城市群中的分布最初主要集中在中国南部，说明一开始能源结构个较为严重的地区为珠三角城市群。后向北扩张，接着向北略微偏移，总体上呈南-北走向，说明2010-2014年北部的京津冀城市群能源结构因素对物流业碳排放影响程度逐渐加剧，2014-2018年珠三角能源结构有所改善，而京津冀城市群能源结构问题相对而言更突出。相比之下，成渝城市群、长江中游城市群和长三角城市群在能源结构方面没有较大的变化，且影响环境的严重程度相当。节能技术因素最初在五大城市群中近似圆形分布，但呈逐年“椭圆化”的趋势，说明最初节能技术对碳排放的削弱程度较为均衡，但因节能技术研发投入力度的不一致，各个地区逐渐拉开差距。分布中心逐渐向东偏移，且沿东西方向向中部收敛，南北方向的分布没有较大变化，最终呈南北走向。说明京津冀、长三角和珠三角城市群的节能技术水平相对稳定，持续保持较高水平，而成渝城市群和长江中游城市群的节能技术水平对环境改善的贡献度逐渐减小。物流技术对物流业碳排放的影响力最初呈东北-西南走向，后略微向南部偏移，接着沿东西方向向中部收敛，最终呈南北走向。说明物流技术对碳排放的促进作用随时间变化情况和节能技术类似，京津冀、长三角和珠三角城市群的物流技术水平基本保持较高水平，而成渝城市群和长江中游城市群在此方面略显不足，且相对而言呈逐渐降低的趋势。运输经济效益因素对城市群物流业碳排放的影响力最初呈东北-西南走向，后沿东北方向略微向外扩张，接着