【《我国五大城市群物流业碳排放测算计算及减排仿真研究》19000字】

一、绪论近年来，中国政府大力推进现代物流发展，导致物流业产生了巨大的能源消耗和碳排放量。据《中国能源统计年鉴》显示，中国物流业的二氧化碳排放量增长迅猛，从2009年的31049.13万吨增加到2018年的92599.34万吨，占全国碳排放总量的20%以上，可见物流业碳排放在中国总碳排放中占据较高的比重，这给中国生态环境及绿色可持续发展带来巨大的挑战。并且中国物流业碳排放具有典型的连片性、传染性和交叠性特征，若治理没有统筹规划，就会导致治理效果并不显著。而中国的城市群聚集了大量的人口和经济，其物流业碳排放状况具有一定的代表性。因此，本文以中国五大城市群为研究对象，探讨如下问题：中国不同城市群其物流业碳排放量空间分布是否存在显著差异？引发物流业碳排放的因素有哪些？又存在哪些有效的物流业碳减排路径？回答这些问题，对促进物流业绿色发展具有重要的意义。鉴于此，本文以中国五大城市群为研究对象，从中国物流业碳排放发展现状出发，研究物流业碳排放的空间特征及驱动因素，并探索有效的减排路径，为制定减排政策和物流业低碳发展策略提供依据。物流业已成为中国经济支柱产业之一，并成为引向经济转型的关键点。中国五大城市群具有空间集聚性和区位一体化的特征，故其低碳物流的发展推波助澜，促进中国经济的可持续发展。本文在探究中国五大城市群物流业的碳排放变化，着重研究中国五大城市群物流业碳排放时空演进特征、各城市群内的空间相关性、碳排放量的驱动因素分解、驱动因素时空变迁特征以及碳排放驱动机理，对制定中国五大城市群物流业节能减排政策，提升能源效率、降低物流业碳排放和优化产业结构升级都具有一定的现实参考价值。二、相关理论基础（一）城市群“城市群”最早由Gottmann提出，他将美国东北部的某些城市组成的巨型城区定义为“Megalopolis”[30]，当时其人口已超3千万，因其密度和体量之大被视为当时世界上最大的城市群。他对Megalopolis定义如下：区域内部有较为密集的城市；核心城市与都市区的邻近城市具有紧密联系——特别是经济层面；交通纽带使各个城市间有密切的联系；人口总数超2500万；位于国家核心位置，是国际交通往来的枢纽。此后，诸如“Metropolitanarea”和“Mega-regions”等城市群概念纷纷在西方学术界涌现。中国对城市群的研究起步较晚，类似的概念界定研究却颇为丰富。于洪俊等首次引进Gottmann的“Megalopolis”概念，译为“巨大都市带”[31]。而姚士谋认为城市群是包含一到两个核心城市，与周边几个邻近城市通过交通网和信息网紧密交织在一起所构成的“集合体”[32]。方创琳则而则弱化了核心城市的地位，提出城市群有3个以上的大中城市，以1个特大城市为核心，形成命运共同体[33]；顾朝林则提出以一个中心城市向周边城市辐射，通过城市规划与交通体系建设形成的社会空间网络即为城市群[34]。宁越敏提出都市区具有以下特征：一是能解决行政区划分不能反映真实城市体量的问题，城市区人口至少在100万以上，以都市区作为城市群的核心，可以有一到两个城市区作为发展极；二是其城市化率高于全国平均水平；三是城市群总人口达1000万；四是存在交通廊道衔接相邻地区，并存在紧密经济联系；五是其各区域在历史上已形成千丝万缕的联系，有共同的民族认同感或地域认同感；六是地级市能提供全面、系统的统计数据[35]。综上所述，对城市群概念的界定，不同学者有各自的侧重点，但都体现出城市群的本质是资源集约化的产物，且人口密集度和城市间流通量是形成城市群的必要条件。因此，本文主要根据人口密度和城市间流通量甄选城市群，结合我国提出的“区域一体化”战略，本文以京津冀、长三角、珠三角、成渝和长江中游城市群为研究对象。（二）低碳物流低碳物流实为低碳经济的发展和衍生，其核心思想为可持续发展观。其体现了资源集约化和高效利用的重要性，且这种重要性不仅适用于一般经济活动，也同样适用于物流业。目前，学术界对“低碳物流”没有统一的定义，从低碳路径上分可以大致分为低碳物流技术和低碳物流管理。低碳物流技术指在可持续发展理论的背景下，通过更新迭代物流设备技术来达到节能减排的目的。具体而言，低碳物流技术要求通过节能减排技术的研发投入，清洁能源的普及，转型升级产业结构等手段提高单位物流产值的能源消耗量和碳排放，从而能有效减少燃油和化石等高碳能源的使用，最终实现“低能耗，低排放，高产出”的物流生产方式。低碳物流管理是指用先进的物流管理技术指导物流活动，从而实现物流作业的高效运转，以此来降低整体的物流业碳排放。总体上看，低碳物流管理的方式有很多，最典型的方法包括3种：一是运输结构的调整，通过增加能源效率高的运输方式在在总体中的比重，降低能效低的运输方式比重；二是多式联运的增加，多式联运有利于各类运力的充分调配，若交接顺畅，很大程度上能减少能源消耗和碳排放，因此多式联运的推广十分重要；三是甩挂运输的应用，这种方法不仅消除了装卸搬运的等待，还有利于减少空载返程的现象。为达成低碳物流目的所运用的手段不胜枚举，学者们对低碳物流的理解也截然不同。除了上述的低碳物流技术和低碳物流管理两个方面，有学者还提出了低碳物流的核心是先进的能源技术，低碳物流的集中表现形式是低碳物流园等多种观点。（三）碳排放因素分解碳排放因素通常使用指数分解法进行分解，而指数分解法指的是对碳排放进行因式分解，将其分解为多个经济变量两两相除的分式之积，每两个经济变量组成的分式都具有一定涵义。最后再利用乘法转换成对数相加，求出每个分式取对数后的变化量及其对于总指标的变化量的贡献度，从而找出影响总指标变化的主要原因，以及各因素的影响程度[29]。指数分解法主要分为拉式指数分解法和迪氏指数分解法，现今研究当中，迪氏分解法的运用居多。因大部分学者在进行碳排放因素分解时发现用拉式指数分解时，残差项十分显著，且数据中的零值无法处理。但通过对迪氏指数分解中加入对数平均权重函数，就可以解决这个问题。迪氏指数分解法的应用场景十分广泛，不仅是物流业，各行各业的碳排放问题都会用到迪氏指数分解法，然而各个行业在进行碳排放因素分解分析时所选取的因素不尽相同。以制造业为代表的第二产业运用的最为频繁，其选取的因素通常有能源结构、能源效率、产业结构、经济水平、技术水平和人口。而物流业的碳排放分解时涉及的因素常有能源结构、能源效率、运输结构、经济水平、技术水平和人口[28]，值得注意的是，物流技术的进步通常能使物流设施设备以更低的功率生产作业，从而带来能源效率的提升，所以也通常被看作物流技术进步因素。（四）减排策略减排策略的研究可以通过多种模型进行求解和分析。根据目前国内外研究现状，常用的模型方法包括ARIMA、STIRPAT、神经网络模型、灰色关联模型、回归分析模型和系统动力学模型。其中，系统动力学模型因其直观性和准确性而被广泛应用于减排策略的研究中。减排体系包含政府部门和市场部门客观和主观的多种“要素”，以及“要素”之间的四种“沟通关系”：因果链、强化循环、调节循环、滞后影响；而“要素”在这四种连接关系的影响下会不断变化，所以常被称为变量。变量、因果链、助推环、调节环和滞后效应共同构成一个系统，并基于系统动力学研究系统结构的变化。与单因素分析不同的是，改变一个变量会导致整个系统中的每个变量都发生波动，而当一个变量导致另一个变量发生变化时，称为直接效应。但是，数值变量存在差异，时间变量也存在差异。数值的正负差，根据瞬时量引起的影响，分为线性和非线性。时间差可以立即生效，延迟生效，也可以随时间缓慢生效，随时间缓慢生效，按时间分为线性效应和非线性效应。优化回路和调节回路实际上是基本单元“直接效应”的两种表现形式，其中效应产生一个回路，加上延时，系统才能继续运行。若不形成循环，输入变量会经过一系列的算术运算得到唯一固定的结果，此时系统无法继续运行。创建一个可能的模型后，准备一些策略场景。在减排策略研究中，目标值通常是碳排放，情景变量通常是与碳排放相关的政策变量。系统运行后，注意每个情景的目标值随时间变化，不同情景下的预测曲线代表政策效果，因此选择最优情景作为减排对策[52]。三、中国五大城市群物流业碳排放测算及分析（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 第三层级 第四层级物流业碳排放层级 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-H组是相对于H-L组存在的，属于减排观察区。因此，按照减排的着力优先级排序可不显著不显著高-高低-低低-高高-低不显著高-高低-低低-高高-低（a）2009年（b）2012年不显著高-高低-低低-高高-低不显著高-高低-低低-高高-低（a）2009年（b）2012年图3-4长三角城市群物流业碳排放LISA聚类分析四、中国五大城市群物流业碳排放驱动因素分析（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图4-1201020142018（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，接着向南北方向扩张。说明运输的经济效益对物流业的影响在南北分布上较为零散，在东西分布上较为集中，且京津冀城市群和珠三角城市群的运输经济效益对二氧化碳排放造成的影响愈发严重，成渝城市群针对此问题相对而言有所缓和。运输结构对物流业碳排放的作用效果最初呈东-西走向，后逐年沿东-西方向向中收敛，最终呈南-北方向分布。说明最初运输结构问题较为严重的是成渝城市群和长三角城市群，而随着时间的推移，两个城市群的问题略微缓和，分布中心位于东部的长三角城市群，运输结构问题较为严重的是京津冀、长三角和珠三角城市群，运输强度和物流业增加值因素的变化趋势也大抵如此。五、中国五大城市群物流业减排策略仿真分析（一）低碳物流系统动力学模型构建本文将中国五大城市群作为一个系统，考虑能源结构、技术水平、物流业和碳排放等要素在此系统中的作用和彼此之间的关系，构建系统动力学模型。经济的发展固然会为技术投入提供资本，从而带来物流产业的增长，而物流产业的增加有可能会进一步扩大碳排放，从而需要更多的经济投入来治理环境问题，这样就形成了一个闭合回路。因此，要使用系统动力学方法，首先要确定中国五大城市群的边界、模型的主要参数、因果关系图和流图。1.基本假设中国五大城市群低碳物流系统是繁冗纷杂的，难以面面俱到。因此，为了突出研究重点，本文仅考虑影响五大城市群物流业碳排放的主要因素，不考虑对系统的影响甚微的因素，同时做出以下假设：（1）模型仅关注物流业能源消耗所产生的环境问题，不考虑其他形式的环境影响。（2）本模型仅考虑物流发展和经济发展、科技发展之间的关系，不考虑其他产业。（3）假设交通运输的发展和经济发展之间呈稳定的关系，货运周转量增长稳定。（4）因研究对象运输系统主要以公铁为主，水运民航运输系统统计尚不完善，故不考虑。2.因果关系图因果关系图能简明扼要地勾勒出一个复杂系统中子系统的变量关系和反馈机制，因此被应用于系统模型结构的展示和设计中。具体而言，因果关系图中，一个箭头由A指向B表示A引起B的发生，或A对B有一定相关性，这种蕴含一定关系的链接称为因果关系链。因果关系图必须包含因果关系链，即构成具有正反馈机制或负反馈机制的因果链。正反馈关系链中，负反馈因果链的个数为偶数，导致“负负得正”，使整个回路中的初始变量应和经过回路后输出的变量呈相同变化趋势；负反馈关系链中，负反馈因果链得个数为奇数，导致“正负得负”，初始变量和输出变量呈相反变化趋势。回路中的因果关系链越简明，初始变量的变化对目标值的影响越接近线性关系；回路中的因果关系链越错综复杂，初始变量的变化对目标值的影响延时性越强，且具有一定波动。综上所述，本文结合中国五大城市群的实际情况，将其碳排放系统分为物流环境子系统、物流运输规模子系统和物流碳排放子系统。（1）物流环境子系统图5-1中国五大城市群物流环境子系统如图5-1所示，中国五大城市群经济的发展必然会带动其物流产业总额的增长，从而带动其物流总产值，总产值的增加必然会带来物流投入的增加，物流投入进一步提高了物流业增加值，物流业增加值提高又扩大了中国五大城市群物流业规模，带动了物流业总产值的提高。（2）物流运输规模子系统图5-2中国五大城市群物流运输规模子系统如图5-2所示，货运周转量和公路运输比重影响着公路运输能耗，货运周转量和铁路运输比重影响着铁路运输能耗，公路和铁路运输能耗加总得到运输总能耗，总能耗的提高势必会带来五大城市群碳排放总量的提高。（3）物流碳排放子系统图5-3中国五大城市群物流碳排放子系统如图5-3所示，GDP增加一定程度上会带来环保投入的增加，环保投入系数反映了中国五大城市群的环保意识，也会影响环保投入。环保投入的增加会带来交通运输系统碳排放治理费用的增加，其增加和治理效率的增加又会引起碳排放减少量的逐年递增，最后碳排放的减少量与碳排放系数共同作用于中国五大城市群物流业碳排放总量。碳排放总量再通过影响环境污染损失后经一系列关系导致GDP阻碍增加，从而减少五大城市群GDP。3.模型流图及基本设置图5-4中国五大城市群低碳物流系统流图中国五大城市群低碳物流系统模型中变量较多，流程图可以直观地展示这些变量之间的关系，每个变量与其他相关变量建立数学表达式。绘制流程图后，对其进行基本设置。本文构建了五个主要城市群的物流系统碳排放动态模型，数据来源于各城市的统计年鉴。然后对该模型进行可行性测试，从过去10年的数据预测2019-2025年物流碳排放趋势的变化。在模型中，物流业碳排放的主体是运输业的碳排放，因此不同的运输方式导致能源效率不均衡，产生的碳排放量完全不同。相应地，五个主要城市群物流系统碳排放系统动力学模型中包含的变量包括以下变量。水平变量包括中国五大城市群的物流碳排放总量、GDP、物流投入、碳排放减少量等。辅助变量包括物流投入、环保投入和治理效率等。常数主要包括GDP增长因子、公运比、铁运比和污染损失因子。（二）参数设置及模拟1.参数设置(1)确定初始值。参考年鉴，我们收集了2009年至2018年的十年数据，以检验模型的可行性。进一步预测2019年至2025年物流碳排放变化情况。因此，将2009年五大城市群总产值确定为初值200524亿元。(2)确定模型常数。参考各城市2009-2018年的相关数据可知，公路货运比重在[0.58,0.63]范围内，铁路货运比重在[0.38,0.41]范围内，且年变化不大。所以本文假设公路运输比例为0.6，铁路运输比例为0.4。(3)确定静态表函数。表函数用于描述变量之间的函数关系，是Vensim程序中自变量与因变量关系的函数。在本文的系统动力学碳排放模型中，GDP增长系数通过表函数表示。参照五大城市群的历史GDP，区域GDP为自变量，增长因子为因变量。GDP增长因子表函数，即典型的表函数，如图5-5所示。图5-5模型表函数2.系统动力学方程（1）公路运输比重系数=0.6（2）铁路运输比重系数=0.4（3）货运周转量=WITHLOOKUP(TIME,([(2009，真实值)-(2025，预测值)])（4）公路运输能耗=公路比重*货运周转量（单位：万吨标准煤）（5）铁路运输能耗=铁路比重*货运周转量（单位：万吨标准煤）（6）运输总能耗=公路运输能耗*0.6+铁路运输能耗*0.4（单位：万吨标准煤）（7）中国五大城市群GDP=INTEG(GDP增长-GDP阻碍，2009年初始值)（8）GDP增长=GDP增长系数*中国五大城市群GDP（9）GDP增长系数=0.07（根据《中国统计年鉴》得出）（10）环保投入=环保投入系数*中国五大城市群GDP（11）环保投入系数=0.015（根据国家统计局历年环境污染治理投资总额计算得出）（12）交通运输系统碳排放治理费用=碳排放治理投资系数*环保投入（13）碳排放减少量=交通运输系统碳排放治理费用*治理效率（14）治理效率=0.3（根据有关参考文献和参考资料分析和推测）（15）碳排放系数=0.0345（根据参考文献：姚冠新分析和推测得出）（16）中国五大城市群物流业碳排放总量=运输总能耗*碳排放系数-碳排放减少量（17）环境污染损失=污染损失系数*中国五大城市群物流业碳排放总量（18）污染损失系数=0.001（根据查阅《中国统计年鉴》得出）（19）污染损失延迟=DELAYFIXED(污染损失,1,0)（20）GDP阻碍=污染损失延迟*交通运输系统碳排放治理费用（21）中国五大城市群物流产业总额=物流需求系数*中国五大城市群GDP（22）物流需求系数=0.03（利用计量经济学Eviews软件进行回归分析得出）（23）中国五大城市群物流总产值=WITHLOOKUP(中国五大城市群物流产业总额，([(2009年产业总额，2009年物流总产值)-(2025年产业总额，2025年物流总产值)]))（24）物流投入=中国五大城市群物流总产值*物流投入产出比（25）物流投入产出比系数=0.297（根据《中国统计年鉴》物流业投入产出表计算得出）（26）物流业增加值=WITHLOOKUP(物流投入，([(2009年物流投入，2009年物流业增加值)-(2025年物流投入，2025年物流业增加值)]))（三）模型仿真及结果分析1.一致性检验模型的一致性检验需取一观察变量，将其模型仿真后若干时间节点的预测值与实际值进行比较。一般认为误差较小的时，模型具有合理性与有效性。故本文选取运输总能耗作为观察变量，经模型仿真后，得到2009-2017年预测值，并将其与真实值进行比较。表5-1中国五大城市群物流业运输总能耗预测值与实际值比较年份运输总能耗预测值（万吨标准煤）运输总能耗实际值（万吨标准煤）误差（%）200912947.5247812649.731712.30201013461.369613420.985490.30201114486.7385514254.950741.60201215228.7194515096.229590.87201315523.0745215554.120670.20201416424.9878416638.512681.30201517555.6746717364.317821.09201619319.61519060.732161.34201715950.6318816004.864030.34数据来源：作者根据系统动力学计算得到低碳物流系统的因素繁杂，误差难以避免。本文认为误差在10%以内的数据，可承认其有效性。如表5-1所示，运输总能耗的实际值与仿真预测值相差较小，在2.5%以内，故认为本文构建的模型符合实际情况。2.情景设置与结果分析表5-2情景设置与仿真结果当量情景1情景2情景3情景4环保投入增加（%）——102030402025年物流碳排放（万吨）12946.1511920.9810517.99129.668541.42铁路运输比重增加（%）——51015202025年物流碳排放（万吨）12946.1512037.8511006.7592675.658545.87碳排放系数减少（%）——102030402025年物流碳排放（万吨）12946.1511954.7010763.2593471.818730.36数据来源：作者根据系统动力学模拟仿真得到如表5-2，增加不同比例的各投入要素，2025年的物流业碳排放呈现出不同的下降趋势。本文结合情景设置，对模拟结果进行分析。（1）环保投入增加模拟图5-6增加不同比例的环保投入的仿真对比图环保投入增加有利于抑制物流系统内的碳排放。故本文对环保投入增加这一因素进行仿真模拟，模拟结果如表5-2。由此观之，随着环保投入的增加，中国五大城市群物流系统的碳排放量随之减少。当环保投入费用增加到了当前实际费用的40%时，2025年中国五大城市群物流系统的碳排放量降低至预期排放量的66%。说明政府对环保的财政支出、企业在环保技术方面的投资还有很大的上升空间，因为环保投入在很大程度上能影响物流系统的碳排放量。此外，环保投入增加的前10%效果显著，但是随着投资的同比例增加，碳排放量抑制效应逐渐减弱，说明加大环保投入必须在适当范围内，不应盲目投资。（2）公转铁比例增加模拟图5-7增加不同比例的环保资金投入的仿真对比图目前，中国五大城市群的运输服务有近60%都是由公路运输完成的，铁路运输只占到了30%。而铁路运输巨大的规模经济效应使其在大宗货物的长距离运输上优势十分明显，反之，公路运输变动成本高，故公路单位货运的能源消耗量远高于铁路。因此，通过铁路货运转化为公路货运。从表5-2中可以看出，当把公转铁比例达20%时，2025年物流系统的碳排放量减少量是预期排放量的34%。（3）节能减排水平增加图5-8减少不同比例的碳排放系数的仿真对比图目前，传统的化石能源是中国五大城市群物流业能源中平均使用频次最高的能源。能源的碳排放转化效率和清洁程度有高有低，能源品质不同，碳排放效率固然不同。因此可以通过不同的节能减排模拟来看物流系统的碳排放量，模拟结果如表5-2所示。当燃料的排放因子降低到40%时，2025年的碳排放量减少到预期的67%。所以，能源的碳排放因子对的物流碳排放量有着很大的影响。综合以上情景模拟分析结果，本文提出如下减排策略：（1）提高环保投资。环保投资包括诸多方面，如清洁能源科技研发，通过清洁能源财政补贴、折旧资产摊销、融资支持等办法鼓励物流企业投放使用更多高能效物流设备、清洁能源物流设备等，从而使整体物流活动的能耗水平下降。（2）优化中国五大城市群的物流运输结构，避免高能源消耗，低能源效率。中国五大城市群中各城市的统计年鉴显示，公路为最主要的运输方式，2018年其完成的货运总量为123500万吨，占总量的87.5%，掌舵着物流业的发展。从仿真结果来看，当公转铁比例达到20%时，2025年的物流系统的碳排放量减少到了预期排放量的81.9%。因此要高铁路货物调配能力，提升铁路在货运和客运之间的转换速度、并促进货运市场供给侧转型升级。（3）发展物流技术。物流技术方面主要通过升级物流设备的能源效率，从而降低单位货运量的碳排放。仿真的结果表明，节能减排水平的增加会使物流系统的碳排放总量减少。其一，因为物流设备技术的进步提高了物流活动的能源效率，从而提高了节能减排水平，从而降低了物流系统的碳排放因子。其二，节能减排水平可以推动清洁能源的研发和应用，扩张新型能源物流设备市场，从而降低物流系统的碳排放因子。结论与展望（一）结论区域低碳物流发展是区域经济可持续发展的关键。因此，本文以中国五大城市群物流业发展的碳排放问题，测算其物流业的碳排放量，利用因素分解法研究了中国五大城市群物流业碳排放与中国五大城市群经济增长之间的关系，对中国五大城市群物流业的碳排放强度进行驱动因素分解，探讨了中国五大城市群物流业碳排放量驱动因素的空间格局变化，并利用系统动力学方法探索减排路径。通过以上研究，本文主要得出以下结论：（1）碳排放测算及分析结论如下，2009-2018年期间，整体来看，中国五大城市群物流业的碳排放逐年增加，但增速减缓，且碳排放强度呈先上升后下降变化趋势。从城市群间的空间相关性出发，各城市群之间没有显著的空间相关性；从各个城市群内部来看，每个城市群内部都有“中心”城市，中心城市和其相邻城市之间有显著的空间相关性。除京津冀城市群中的各城市物流业碳排放呈空间负相关外，其余城市群物流业碳排放均呈空间正相关。经LISA聚类分析可得城市群中物流业排放热点地区和冷点地区，对高-高聚集和高-低聚集地区进行重点观察和治理。（2）碳排放驱动因素分析结果表明，2009-2018年期间，各城市群的节能技术因素均对其物流业碳排放起抑制作用。其余6个因素对个城市群物流业碳排放均有促进或抑制作用，具有促进作用的因素应成为治理物流业碳排放的切入点，而具有抑制作用的因素应成为研究减排策略的关键点。碳排放驱动因素的时空变迁分析结果表明，能源结构因素、物流技术水平因素和运输结构因素对碳排放的影响力中，经济发展较为先进的京津冀、长三角和珠三角地区随时间的推移，总体而言更为突出，因此这三个城市群的上述因素应成为治理物流业碳排放的切入点。（3）中国五大城市群物流业碳排放系统的情景模拟结果显示，增加铁路运输比例和减少碳排放系数，都会对中国五大城市群物流业碳排放总量带来不同的抑制效果。但是随着政策变量的变化值增加，即政策力度的增加，政策边际效益递减，故政策变量应控制在适当的范围内，才能使减排效益最大化。（二）展望本文对中国五大城市群的物流业碳排放进行测算，并对其空间特征进行分析；探究五大城市群的碳排放因素，对碳排放进行分解，并研究各因素时空变迁趋势；建立中国五大城市群物流业碳排放系统，设置情景并进行模拟分析，得出相应减排政策。然而实际的物流有人碳排放系统中，还有更多影响因素，各因素之间的关系也更加错综复杂，故本文在因素分解和模型建立上还有很大的进步空间，可以从以下几个方面深入探究：（1）中国五大城市群的物流业碳排放的测算考虑的是运输部门的直接碳排放，而在现实中，物流业还有仓储、配送、包装等部门也会产生相应的碳排放，且含有间接碳排放，即和物流活动相关的其他经济部门所产生的碳排放，因此可以加入物流业其他部门的直接碳排放和间接碳排放。（2）本文构建的中国五大城市群物流业碳排放系统只考虑了2种占比较大的运输方式——公路运输和铁路运输，但在实际生活中，还有水路运输和航空运输也会带来一定量的碳排放，因此可以将多种运输方式的比重加入到系统中。参考文献[1]戚梦佳，刘丽兰.面向生命周期的产品低碳优化设计[J].制造业自动化，2018，40（11）：97-101.[2]MartinezS.,MarchamaloM.,AlvarezS.OrganizationEnvironmentalFootpirintApplyingAMulti-regionalInput-outputAnalysis:ACaseStudyofAWoodParquetCompanyinSpain[J].ScienceofTheTotalEnvironment,2018(06):7-14.[3]CrawfordH.,BontinckA.,StephanA.,WiedmannT.,YuM.HybridLifeCycleInventoryMethods–AReview[J].JournalofCleanerProduction,2018(09):1273-1288.[4]尹瑞雪．普通机械零件制造过程工艺碳排放估算[J].机械工程师，2018，（4）：8-11.[5]廖晶，谢如鹤，瑭杰，唐海洋，罗湖桥，陈梓博.基于生命周期法的农产品供应链碳足迹分析[J].广东农业科学，2018，45（11）：144-149[6]师帅，李翠霞，李媚婷.畜牧业：“碳排放”到“碳足迹”核算方法的研究进展[J].中国人口·资源与环境，2017，27（6）：36-41.[7]BalcombeP.,BradonP.,HawkesD.CharacterisingTheDistributionofMethaneandCarbonDioideEmissionsfromTheNaturalGasSupplyChain[J].JournalofCleanerProduction,2018(9):451-461.[8]刘韵，师华定，曾贤刚.基于全生命周期评价的电力企业碳足迹评估——以山西省吕梁市某燃煤电厂为例[J].资源科学，2011，33（4）：653-658.[9]SaadeR.,ToumyM.,SakrO.GreenSupplyChainManagementAdoptioninLebaneseManufacturingIndustries:AnExploratyStudy[J].InternationalJournalofLogisticsSystemsandManagement,2019(6):32-520.[10]王希超，丁世刚，吕艳菲.基于全生命周期对垃圾焚烧技术的评价[J].能源与环境，2016，（1）：76-78.[11]林伯强，黄光晓.梯度发展模式下中国区域碳排放的演化趋势——基于空间分析的视角[J].金融研究，2011，（12）：35-46.[12]姚奕，倪勤.中国地区碳强度与FDI的空间计量分析——基于空间面板模型的实证研究[J].经济地理，2011，31（9）：1432-1438.[13]曾珏.中国物流业碳排放的空间差异研究[D].南昌：南昌航空大学，2019.[14]MensinkC.,DeVliegerI.,NysJ.AnUrbanTransportEmissionModelforAntwerpArea[J].AtmosphericEnvironment,2000,34(27):4595-4602.[15]SalvatoreS.,DanielaR.AMethodologyfortheEstimationofRoadTransportAirinUrbanAreasofItaly[J].AtmosphericEnvironment,2002,36(34):5377-5383.[16]KebinH.,HongH.,QiangZ.OilConsumptionandCO2EmissionsinChina'sRoadTransport:CurrentStatus,FutureTrends,andPolicyImplications[J].EnergyPolicy,2004,33(12):1499-1507.[17]陈建宏，秦文展.我国西部地区发展低碳物流的思考[J].西藏大学学报（社会科学版），2011，（1）：24-27.[18]TianyiWang.,HongqiLi.,JunZhang.InfluencingFactorsofCarbonEmissioninChina'sRoadFreightTransport[J].Procedia-SocialandBehavioralSciences,2012,43(6):54-64.[19]王富忠.浙江省碳排放、物流产业与经济发展关系[J].浙江科技学院报，2012，（5）：351-355.[20]史袆馨.广东省物流业碳排放及低碳物流经济现状分析[J].物流科技，2014，（3）：86-91.[21]沈文婷.我国物流业碳排放测算[J].经营与管理，2013，（12）：63-66.[22]周叶，王道平，赵耀.中国省域物流作业的CO2排放量测评及低碳化对策研究[J].中国人口.资源与环境，2011，（9）：81-87.[23]张立国，李东，周德群.中国物流业二氧化碳排放绩效的动态变化及区域差异——基于省级面板数据的实证分析[J].系统工程，2013，（4）：95-102.[24]唐建荣，卢玲珠.低碳约束下的物流效率分析——以东部十省市为例[J].中国流通经济，2013，（1）：40-47.[25]张晶，蔡建峰.我国物流业碳排放区域差异测度与分解[J].中国流通经济，2014，（8）：25-30.[26]陈洁.低碳约束下区域物流产业效率测算[J].大连海事大学学报（社会科学版），2014，（3）：4-8.[27]ReitlerW.,RudolphM.,SchaeferH.AnalysisoftheFactorsInfluencingEnergyConsumptioninIndustry:ARevisedMethod[J].EnergyEconomics,1987,9(3):145-148.[28]BoydG.,McDonaldF.,RossMHansontA.SeparatingtheChangingCompositionofU.S.ManufacturingProductionfromEnergyEfficiencyImprovements:ADivisiaIndexApproach[J].TheEnergy,1987,8:2-6.[29]AngW.TheLMDIApproachtoDecompositionAnalysis:APracticalGuide[J].EnergyPolicy,2005,33(7):867-871.[30]刘广为，赵涛，米国芳.中国碳排放强度预测与煤炭能源比重检验分析[J].资源科学，2012.[31]杜强，陈乔，杨锐.基于Logistic模型的中国各省碳排放预测[J].长江流域资源与环境，2013，22（2）：143-151.[32]LauT.,YangQ.,ForbesB.ModellingCarbonEmissionsinElectricSystems[J].EnergyConversionandManagement,2014,80:573-581.[33]SenP.,RoyM.,PalP.ApplicationofARIMAforForecastingEnergConsumptionandGHGEmission:ACaseStudyofAnIndianPigIronManufacturingOrganization[J].Energy,2016,116:1031-1038.[34]方德斌，董博.基于GPR模型的中国“十三五”时期碳排放趋势预测[J].技术经济，2015，34（6）：106-113.[35]邓小乐，孙慧.基于STIRPAT模型的西北五省区碳排放峰值预测研究[J].生态经济，2016，32（9）：36-41.[36]周峰，吴开亚，金菊良.基于STIRPAT模型的上海市建筑用地变化对碳排放的效应分析及预测[J].华北水利水电大学学报（自然科学版），2016，（4）：87-92.[37]王宪恩，王泳璇，段海燕.区域能源消费碳排放峰值预测及可控性研究[J].中国人口•资源与环境，2014，24（8）：9-16.[38]XiaoB,NiuD,GuoX.CanChinaAchieveIts2020CarbonIntensityTarget?AScenarioAnalysisBasedonSystemDynamicsApproach[J].EcologicalIndicators,2016,71:99-112.[39]LiuD,XiaoB.CanChinaAchieveItsCarbonEmissionPeaking?AScenarioAnalysisBasedonSTIRPATandSystemDynamicsModel[J].EcologicalIndicators,2018,93:647-657.[40]BarisaA.,RomagnoliF.,BlumbergaA.FutureBiodieselPolicyDesigns&ConsumptionPatternsinLatvia:ASystemDynamicsModel[J].JournalofCleanerProduction,2015,88:71-82.[41]XuY.,SzmerekovskyJ.SystemDynamicModelofEnergySavingsinUSFoodIndustry[J].JournalofCleanerProduction,2017,165:13-26.[42]赵成柏，毛春梅.基于ARIMA和BP神经网络组合模型的我国碳排放强度预测[J].长江流域资源与环境，2012，12（1）：58-63.[43]周建国，王颖雪.中国CO2排放量变权组合预测研究[J].华东电力，2012，40（10）：1680-1685.[44]刘畅.基于LMDI和MV模型碳排放因素与预测的低碳城市建设研究[D].北京：华北电力大学，2013.[45]王勇，许子易，张亚新.中国超大城市碳排放达峰的影响因素及组合情景预测——基于门限-STIRPAT模型的研究[J].环境科学学报，2019，39（12）：4284-4292.[46]GottmannJ.MegalopolisortheUrbaniza