【《城市群物流业碳排放测算计算案例》2900字】

城市群物流业碳排放测算计算案例目录TOC\o"1-3"\h\u24996（一）测算方法与数据来源 18848（二）测算结果分析 3（一）测算方法与数据来源1.数据来源为了便于研究，本文选取中国五大城市群中经济、人口和交通具有代表性的102座城市进行研究。其中，因长江中游城市群数据缺失问题较为严重，且物流业呈现一强多差的状况，故将该城市群所含35个城市纳入统计范围。表3-1各种能源折标准煤参考系数能源折标准煤系数原油0.7143千克标准煤/千克汽油1.4714千克标准煤/千克表3-1各种能源折标准煤参考系数能源折标准煤系数原油0.7143千克标准煤/千克汽油1.4714千克标准煤/千克煤油1.4714千克标准煤/千克柴油1.4571千克标准煤/千克燃料油1.4286千克标准煤/千克液化石油气1.7143千克标准煤/千克数据来源：《中国能源统计年鉴》，中国统计出版社表3-2各种能源碳排放系数能源折标准煤系数原油0.7559吨碳/吨标准煤汽油0.5538吨碳/吨标准煤煤油0.5714吨碳/吨标准煤柴油0.5821吨碳/吨标准煤燃料油0.6185吨碳/吨标准煤液化石油气0.5042吨碳/吨标准煤数据来源：IPCC，《国家温室气体碳排放清单指南》2.测算结果碳排放测算方面，由于各省市统计年鉴中并没有物流业二氧化碳监测的数据，本文拟以各省市统计年鉴中的交通运输、仓储和邮政业能源消耗量作为物流业的碳排放量，以IPCC碳排放测算法测算二氧化碳排放量，公式如下： 公式（3-1）如公式（3-1）所示，为能源种类，为碳排放总量，为第种能源的碳排放量；是物流业各生产过程中所消耗量第种能源的碳排放系数，是第种能源的标准煤换算系数；为物流业中第种能源的消耗量。据此计算出2009-2018年中国五大城市群的碳排放量。由于数据过于冗长，本文将各城市的物流业碳排放进行整合，以城市群为单位呈现物流业碳排放，如表3-3所示。表3-3城市群物流业碳排放（单位：万吨）年份京津冀城市群长三角城市群珠三角城市群成渝城市群长江中游城市群20091294.842744.591453.231131.231447.8520101379.463001.951614.38957.411616.0020111494.253170.481682.11934.241809.6920121555.533446.411750.051038.041824.0120131561.553626.061709.91954.061964.8420141572.993784.411791.361100.922107.7020151614.403959.561876.251171.082422.8620161606.004159.692083.131451.242674.4720171475.954468.522173.881546.722666.8220181538.244553.032251.801523.302824.36均值1509.3213691.471838.611180.8242135.86数据来源：作者通过IPCC法计算得到（二）测算结果分析1.城市群间分析图3-1反映了中国五大城市群的CO2排放量，从2009-2018年五大城市群物流业碳排放总体为上升趋势，并且增长率逐渐减小，但中间出现不同程度的波动。其中京津冀城市群物流业碳排放在观察期间处于较低水平，且增长最缓慢，在2017年位列五大城市群最低。长三角城市群物流业碳排放排名在观察期间一直位于五大城市群最高，增长最迅速，但在2017-2018年间增速放缓。珠三角城市群在观察期间处于五大城市群中间水平，增长速度经历了“放缓-加速-放缓”的变化。成渝城市群物流业碳排放排名在观察期间一直位于五大城市群最低，增速缓慢，但在2015-2018年增长并接近京津冀城市群。长江中游城市群物流业碳排放在观察期间持续位列第二，增长迅速，但在2016-2017年间增速放缓。然而单独观察物流业CO2排放数据并不足以表明物流业的排放效率，故本文用单位物流产业增加值的碳排放——碳排放和物流业比值来反映物流业的排放效率。图3-12009-2018年中国五大城市群物流业CO2排放量（单位：万吨）如表3-4所示，从总体上看，五大城市群的碳排放强度均呈下降趋势；从中国五大城市群物流业2009-2018年碳排放强度的均值水平上看，碳排放强度最低的是京津冀城市群，最高的是长江中游城市群。此外，长三角和成渝城市群的碳排放强度下降速度最快。表3-4中国五大城市群物流业2009-2018年碳排放强度（单位：万吨/亿元）年份京津冀长三角珠三角成渝长江中游20090.41001.09651.13621.68851.327220100.40130.88280.89360.97100.992820110.41570.82180.82690.78730.928120120.42180.82430.80200.79100.855020130.42310.80070.86190.67340.851320140.40940.77040.69550.73220.855520150.42170.75050.63110.75040.945320160.41330.72480.68610.86620.978020170.36370.70930.64730.85620.931520180.36520.67710.62470.80520.9320均值0.40450.80580.78050.89210.9596数据来源：作者根据各城市群物流业碳排放和物流业增加值计算得到物流业碳排放层级 第一层级 第二层级 物流业碳排放层级 第一层级 第二层级 第三层级 第四层级物流业碳排放层级 第一层级 第二层级 第三层级 第四层级（b）2012年（b）2012年（a）2009年物流业碳排放层级 第一层级 第二层级 物流业碳排放层级 第一层级 第二层级 第三层级 第四层级物流业碳排放层级 第一层级 第二层级 第三层级 第四层级（c）2015年（d）2018年图3-2中国五大城市群物流业碳排放空间格局从图中可以发现时空演进的2个特点：第一，中国五大城市群中，京津冀、长三角和成渝城市群的物流业碳排放量一直保持相对较高水平，物流业碳排放的重心没有显著的迁移，说明国内近10年的物流发展稳健；第二，部分城市群显现出该城市与周边城市物流业碳排放均呈现较高水平的特征，且该城市是该物流业碳排放高高聚集的核心区域，随着时间的推移逐渐对周围城市产生溢出效应。如2009年廊坊市的物流业碳排放处于第二层级，2012年以后，逐渐和北京、天津等周边碳排放较高的核心城市趋同，到达第三层级。2.城市群内分析从上述分析中可以发现，某城市群内的某一城市的物流业运输碳排放可能会由于碳排放在空间上的溢出效应空间相关性，即某一地区的某一指标与邻近地区在空间上有一定联系，使得该地区受到影响。故本文通过局部莫兰指数（GlobalMoran’sI）指标来研究各城市群内部的空间相关性，其公式为： 公式（3-2）公式（3-2）中，为空间权重矩阵，本文因研究对象为中国五大城市群，其中各城市皆有接壤，故选取邻接空间权重矩阵选Queen邻接——有邻接城市的对象为1，没有邻接城市的对象为0；为包含的地区数量；和分别表示和地区的物流业碳排放总量，为物流业碳排放的平均值。局部莫兰指数值域为[-1,1]，其值为-1时，反映物流业运输碳排放在空间上相互存在完全抑制作用，一个地区的物流业碳排放升高会带来其他地区物流业碳排放下降，反之亦然，即物流业运输碳排放呈现完全负相关性；其值为0时，表示各地区物流业运输碳排放间不存在相互作用关系；其值为-1时，表示物流业运输碳排放在空间上存在完全的正向依赖关系。莫兰散点图的横轴表示的是标准化的物流业运输碳排放量，纵轴表示的是空间权重加权下的物流业运输碳排放量，称为物流业运输碳排放的空间滞后项，数值之间的聚集情况——低低聚集、低高聚集、高低聚集和高高聚集四个象限。2.计算结果局部莫兰指数分析可以很明确地辨识出各城市群物流业碳排放的空间分布状况，因此，本文采用GeoDa软件计算得到2009-2018年的局部莫兰指数，如表3-5。表3-5中国五大城市群物流业碳排放局部莫兰指数值年份京津冀长三角珠三角成渝长江中游2009-0.2460.2480.1450.3940.3562010-0.2520.2530.1560.4090.3642011-0.4870.2580.1670.4260.3772012-0.1780.2520.1780.4310.3882013-0.2700.2770.1890.4660.4192014-0.2870.2820.1800.4620.4162015-0.3520.2960.1910.4870.4422016-0.1630.3410.2330.5750.5292017-0.1740.3860.2540.6400.5932018-0.2440.3900.2430.6340.588数据来源：作者通过局部莫兰指数法计算得到如表3-5所示，除京津冀城市群具有轻微的空间负相关性，其余城市群的物流业碳排放皆存在空间正相关。进一步对2009年、2012年、2014年和2018年的物流业碳排放数据进行局部莫兰指数分析和LISA聚类分析，将城市划分为4个不同的组。由于数据繁冗，难以一一详述，故本文以长三角城市群的分布状况为例，如图3-3所示。（a）2009年（b）2012年（a）2014年（b）2018年图3-3长三角城市群物流业碳排放局部莫兰指数散点图根据图3-3，长三角城市群总体呈空间负相关，负相关性随年份略微波动，但变化不明显。在LISA聚类分析中，如图3-4，有两组城市群需要被特别关注。首先，在H-H组中，上海市、泰州市、苏州市、无锡市、南通市等这些高碳排的城市，其相邻城市也大多呈现出较高碳排的态势，因此这类区域应优先考虑减排。其次，在H-L组中，此类城市相邻城市的物流业碳排放量目前处于较低值，但是由于空间溢出效应的存在，这些相邻省域可能会受到波及，因此此类地区也属于减排重点区。同理可知，L-L组是对立于H-H组的存在，主要有安徽省的蚌埠市、阜阳市、淮北市、豪州市和宿州市，属于碳排放冷点区；而L