2020年在利雅得峰会举办过程中，我国领导人在“守护地球”主题边会上郑重声明要力争实现“碳达峰、碳中和”的双碳目标。作为复合型行业，物流业主要消耗的能源是碳排放系数较高的煤、油品。2017年我国物流业的碳排放量增长到71 471万t，10 a间增长量为23 363万t，年均增长率约为6.02%。依据全国总体碳排放量的构成来看，物流业的碳排放量占比接近20%^[1]。柴麒敏等^[2]研究表明，物流业等重点行业要想实现2030年的达峰目标，需要在明确行业碳排放总量目标的基础上，建立碳排放效率提升的目标。测度碳排放效率旨在对生产碳排放产生的经济成果进行评估。我国是多地区、多民族的国家，省际物流业间条件差异显著，如何科学地对碳排放效率进行测度并发现各区域的差异性，对我国物流业乃至其他行业的碳中和、碳达峰有一定的理论和现实指导意义。

我国采用碳强度、碳生产率作为低碳经济考核的指标，其优点是简单、易计算，其缺点是不属于真正意义上的“效率”指标。碳排放效率源于能源效率，Hu等^[3]基于全要素生产率的概念提出了全要素能源效率的概念，将其阐释为“最优的能源投入”与“实际的能源投入”在生产前沿线上的比值。借鉴该定义，董锋等^[4]将碳排放效率界定为生产前沿线上“最优能源投入产生的碳排放”和“实际能源投入产生的碳排放”的比值。为了叙述方便，以下将“全要素碳排放效率”简称为“碳排放效率”。

学界关于碳排放量作为投入还是非期望产出尚未达成一致认识。董锋等^[4]认为碳排放是能源燃烧的产物，将固定资本、碳排放和劳动力当作投入要素，将经济产出当作期望产出，测度了碳排放效率。Fare等^[5]主张将资本存量、能源消耗量、人力当作投入要素，将碳排放量视作“非期望”的产出。测度模型多数以DEA模型为基础，如DEA-BCC模型^[6]、DEA-SBM模型^[7]、三阶段DEA模型^[8]、Ruggiero三阶段模型^[9]等。碳排放效率多数的研究主体集中在区域^{[8, 10]}和行业。其中，行业多集中在工业^[11]、制造业^[12]、建筑业^[13]、旅游业^[14]、农业^[15]等。目前，研究主体是物流业的仍较少，杨斌等^[16]对江苏省的碳排放效率进行了测度。李慧等^[6]研究了丝绸之路经济带沿线省份的物流业碳排放效率。

本研究选择基于碳排放量作为投入变量的碳排放效率测度模型，分别从全国、区域及省际的角度来测度物流业的碳排放效率。原因如下：(1)碳排放作为投入变量有利于推进政府能源生产结构和消费结构的转型。地表平均气温升幅与大气累积的CO₂之间存在线性关系^[17]。作为碳排放的主要碳源，减少化石能源的消费量、推进能源结构转型是各国低碳经济发展的核心目标。(2)碳排放的产生是各项化石能源消费的产物，但是水泥生产过程的石灰石分解也是重要的来源之一^[18]。(3)从研究主体来看，学界大多集中在区域或工业、建筑业等，以物流业为主体的较少。

基于此，本研究采纳董锋等的研究方法，运用BCC-DEA模型测算2007—2018年我国30个省市的物流业碳排放效率，分析物流业Malmquist指数及分解出各项指数之后所体现出的差异及变化，并结合二者进行聚类分析。

数据包络分析(DEA)是一种多项指标输入、多项指标输出测度相对效率的系统性方法^[19]。各个独立的决策单元(DMU)维持输入、输出变量不变，借助统计学、数学的原理及方法，观测数据的非参数分段前沿，从而能够得到DMU和生产前沿面二者之间的偏离程度。DEA模型无需顾及指标之间量纲不一致的问题，无需知晓前沿函数的形式。“规模报酬可变”的BCC-DEA模型更符合物流业的生产实际活动，所以本研究使用BCC-DEA模型对全国、区域及省际物流业的碳排放效率进行评估。模型如下：假设共有n个DMU，m个输入变量，s个输出变量；x_ik(i=1, 2, …, 2m)为第k个DMU的第i个投入要素, y_rk(r=1, 2, …, s)为第k个DMU的第r个产出要素；θ为第k个DMU的有效值。

(1)

(2)

式中，θ为碳排放效率；ε为非阿基米德无穷小量；e为空间向量；s^-为投入冗余量; s⁺为产出冗余量；λ_j为权重系数；x_j和y_j分别为第j个决策单元的输入和输出变量；x_j0和y_j0分别为第j0个决策单元的输入和输出指标变量。

Malmquist指数方法通过t期到t+1期效率的变化测算动态碳排放效率。通常，将Malmquist指数简化称作ML指数，它可以进一步分解成为3个指数：(1)纯技术效率变化指数(Pure Technical Efficiency Change Index，PTEC)，反映在固定规模报酬下，决策单元相对技术效率变动的程度或对技术前沿面追赶变动的程度，即“追赶效应”。(2)规模效率变化指数(Scale Efficiency Change Index，SEC)，是指由规模因素发生改变所导致的碳排放效率产生的变化，即“规模效应”。(3)技术进步变化指数(Technical Change Index，TC)，反映向技术前沿面移动的情况，即“技术前沿移动效应”。

对于每个独立的决策单元，x为投入要素，y为产出要素，t为不同时期，则第t+1年、第t年的投入产出量分别为(x^t+1，y^t+1), (x^t，y^t)；D^t和D^t+1分别为t时期和t+1时期的技术效率水平；C为不变规模报酬；V为表可变规模报酬。在ML指数中，全要素生产效率变化指数等于效率变化指数(Efficiency Change Index，EC)与技术进步变化指数(TC)的乘积：

(3)

在规模报酬可变的情形下，效率变化指数(EC)可以分解为纯技术效率变化指数(PTEC)及规模效率变化指数(SEC)：

(4)

故假设可变规模报酬的情形下，ML指数可进一步分解为技术进步变化指数(TC)、纯技术效率变化指数(PTEC)和规模效率变化指数(SEC):

(5)

根据碳排放效率的概念，选取能源消费碳排放、固定资产、人力资源作为投入变量，GDP作为产出变量，见图 1。

图 1 碳排放效率的概念模型 Fig. 1 Conceptual model of carbon emission efficiency

图选项

碳排放效率测算的决策单元共有34个，分别为1个全国决策单元、3个区域决策单元和30个省际决策单元(西藏、香港、澳门和台湾除外)。全国决策单元由30个省际决策单元共同构成。区域决策单元分别为东部决策单元、中部决策单元、西部决策单元。全国、区域决策单元的能源消费碳排放、人力资源、固定资产、GDP的数据分别为各成员的和。由于年鉴中收录的物流业数据不够全面，在构成物流业生产总值的各项产业中，交通运输业、仓储业2及邮政业占比达到了83%，参考袁丹、余泳泽等^[20-21]的处理方法，故用上述3项产业的下列指标来表征物流业的指标。

(1) 能源消费的碳排放量。依照IPCC对能源的分类，物流业的能源消费主要分为原煤、汽油、煤油、柴油、燃料油、液化石油气、天然气、电力。依据各个决策单元能源的消费量计算碳排放量，数据来自《中国能源统计年鉴》。碳排放量的计算见式(6)，其碳排放系数和能源地位热值见表 1。其中，C为碳排放的总量；i为能源的种类；C_i为第i种能源的碳排放量；E_i为第i种能源的消耗量；NCV_i为第i种能源的能源低位热值；CEF_i为第i种能源的碳排放系数；COF_i为第i种能源的碳氧化因子，默认为1；44和12分别为CO₂和碳的分子量。

(6)

(2) 从业人数。以“物流业的从业人员总数量”来表示“物流业的劳动投入”，数据来自《中国统计年鉴》。

(3) 固定资产投资额。依据刘秉镰、邓学平等^[22-23]的研究，选取“物流业固定资产投资额”作为“资本投入”，将2007年定为基准年运用相应年份的固定资产价格指数进行平减，数据来自《中国统计年鉴》。

(4) 物流业GDP。根据GDP平减指数将“交通运输、仓储和邮政业”的生产总值换算成2007年不变价格，数据来自《中国统计年鉴》。

图 2是全国、东部、中部和西部决策单元碳排放效率的测算结果。在样本期内，四者的均值分别为0.730，0.607，0.604，0.440，东部决策单元分别为中部、全国和西部地区的1.20倍、1.21倍、1.66倍。可见，东部决策单元相比较于中部、西部的效率值最高，全国决策单元和中部决策单元的效率值基本接近。2008年，4个决策单元的碳排放效率离生产前沿面相对较远。其中，中部和东部决策单元的碳排放效率基本接近，其值分别为0.633和0.614；全国和西部的值分别为0.566和0.421。可见，在样本期初，西部决策单元的碳排放效率比中部、东部低0.212和0.193。在样本期内，4个决策单元的峰值出现时间基本在2014年前后。2015年，东部决策单元碳排放效率的峰值与生产前沿面相距较近，达到0.804。2013年，西部决策单元碳排放效率的峰值离生产前沿面相对较远，其值为0.475。2014年，中部、全国决策单元的碳排放效率达到了峰值，其值分别为0.695和0.668。总之，东部决策单元达到峰值的时间最晚，西部的时间最早，而中部和全国居中。

图 2 东部、西部、中部和全国物流业的碳排放效率折线图 Fig. 2 Line chart of carbon emission efficiency of in eastern, western, central and national logistics industry

图选项

从样本期初到出现峰值时，东部、全国、西部和中部决策单元碳排放效率的年均递增速率依次递减，其结果分别为3.37%，2.86%，2.52%，1.83%。从峰值时间到2017年，相比其他三者，东部下降速率最明显，前者的值为7.88%，后三者的值为6.82%，6.62%，4.75%。可见，在样本期内，西部决策单元的碳排放效率值始终离生产前沿面相对较远，且比较稳定，其值在[0.388, 0.475]之间波动；东部决策单元的值波动较大，峰值时间离生产前沿面相对相近，样本期初和期末离生产前沿面相对相近；中部决策单元虽然其初始值高于东部决策单元，但由于中部决策单元的峰值出现时间比东部早1 a，且样本期初至峰值时间中部决策单元碳排放效率的年均递增速率低于东部，所以，中部决策单元的碳排放效率值基本在[0.551, 0.695]之间波动，即离生产前沿面相对较远。

表 2是30个省际决策单元样本期间碳排放效率的分析结果。对于全国决策单元来说，其碳排放效率水平较低，均值为0.604，离生产前沿面有较大的距离。均值高于、低于全国碳排放效率均值的省际决策单元分别为18个和12个。18个均值较高的省际决策单元中，河北的均值一直在前沿面；江苏、山东和河南的均值离生产前沿面较近，其值位于[0.80, 0.94)；贵州、上海、天津、宁夏、内蒙古、江西、福建、北京和辽宁的均值位于[0.70, 0.80)，广东、山西、浙江、湖南、安徽的均值位于[0.60, 0.70)。12个均值较低的省际决策单元中，黑龙江和甘肃的均值位于[0.50, 0.60), 湖北、吉林、陕西、海南、广西、新疆、重庆的均值位于[0.40, 0.50)，四川的均值位于[0.30, 0.40)，青海和云南的均值位于[0.20, 0.30)。

根据表 2，河北的碳排放效率在样本期内一直处于生产前沿面。表 3是样本期内29个省际决策单元(河北除外)的峰值出现年份。对于东部地区，江苏、上海、山东、辽宁分别于2010—2013年、2011—2014年、2008—2009年和2015—2016年达到了生产前沿面；北京和浙江分别于2015年和2017年达到了峰值，且离生产前沿面较近；浙江于2014年达到了峰值(0.735)；2015—2016年达到峰值的省际决策单元均为3个，2011—2014年达到峰值的省际决策单元均为2个。对于中部地区，2013年有3个决策单元的碳排放效率达到样本期内的峰值；2014年有2个分别达到其峰值；2008年、2010年和2017年各有1个达到其峰值。山西的峰值达到前沿面，河南、江西的峰值离生产前沿面较近，黑龙江、吉林、湖南、湖北的峰值离生产前沿面较远。对于西部地区，2016年3个决策单元达到峰值；2014年和2008年各有2个单元达到了峰值；2009年、2010年、2012年和2013年各有1个单元达到了峰值。宁夏的峰值达到前沿面，贵州、内蒙古和甘肃的峰值离生产前沿面较近，其余7个省际决策单元的峰值距前沿面较远。

表 4是2008—2017年物流业碳排放效率ML指数及其分解情况。根据表 4，样本期内，全国物流业的碳排放效率ML指数平均下降了4.2%，其主要原因是技术前沿移动效应下降了3.7%，规模效应下降了0.5%。东部区域物流业的碳排放效率ML指数平均下降了2%，其主要原因是技术前沿移动效应下降了3.1%；中部区域物流业的碳排放效率ML指数平均下降了5.8%，其主要原因是技术前沿移动效应下降了4.5%和追赶效应下降了2.4%；西部区域物流业的碳排放效率ML指数平均下降了1.5%，其主要原因是技术前沿移动效应下降了0.5%和规模效应下降了2.6%。可见，中部区域是碳排放效率指数、技术前沿移动效应和追赶效应下降最显著的决策单元。

东部11个省际决策单元中，ML指数大于1的有5个。其中，辽宁ML指数升高的主要原因是追赶效应进步显著；天津是追赶效应和规模效应显著；上海是技术前沿移动效应和追赶效应显著；福建是技术前沿移动效应和规模效应显著，北京是追赶效应和规模效应显著。其余6个决策单元的ML指数低于1。其中，河北ML指数下降的主要原因是技术前沿移动效应减弱；海南、浙江是技术前沿移动效应和追赶效应减弱，广东是技术前沿移动效应和规模效应减弱；山东是3个效应同时减弱。

中部8个省际决策单元中，ML指数大于1的有2个。其中，山西和湖南ML指数升高的主要原因是追赶效应和规模效应进步显著。其余6个决策单元的ML指数低于1。其中，黑龙江、湖北、河南、江西ML指数下降的主要原因是技术前沿移动效应和追赶效应减弱；吉林、安徽是3个效应同时减弱。

西部11个省际决策单元中，ML指数大于1的有4个。其中，贵州ML指数升高的主要原因是3个效应同时增加；广西、宁夏是追赶效应和规模效应显著；四川是技术前沿移动效应和追赶效应显著。其余7个决策单元的ML指数低于1。其中，内蒙古、重庆、新疆ML指数下降的主要原因是技术前沿移动效应和追赶效应减弱；青海、云南是追赶效应和规模效应减弱，陕西是技术前沿移动效应和规模效应减弱；甘肃是3个效应同时减弱。

为了比较省际决策单元静态碳排放效率(Carbon Emission Efficiency，CEE)和ML指数，对30个省际决策单元采用K-均值聚类分析法进行分析，结果见图 3。

图 3 2008—2017年省际决策单元的聚类分析结果 Fig. 3 Cluster analysis result of provincial DMU from 2008 to 2017

图选项

(1) 高效率-增长型(CEE>0.6, ML指数>1)包括上海、天津、北京、福建、贵州、宁夏、辽宁、山西、湖南。这些省份的碳排放效率及其增长指数都处于高水平，即在一定的资本投入、一定的劳动力投入水平下，既能使实际物流业增加值产出达到最高水平，又能使二氧化碳的产生相对较少。此类型省份的碳排放效率水平的提高主要得益于纯技术效率和规模效率的提高，应在物流业低碳改革的进程中不断汲取经验，充分发挥低碳转型的优势，保持其提升的良好态势。

(2) 高效率-降低型(CEE>0.6, ML指数 < 1)包括河北、江苏、山东、河南、江西、安徽、广东、浙江、内蒙古。此类型省份有一个共同的特点，即技术进步变化指数的下降较为直接地阻碍了物流业碳排放效率的提升，需要提高低碳的意识，利用行业内最新的成果充分提升清洁型能源的效率，将碳排放水平降至目标水平。作为我国经济发展水平居于前列的省份，浙江省规模上已经达到较高的水平，但科学技术的水平仍有进步的空间，江苏省、广东省作为我国重点的沿海发达城市，应当提高对绿色创新领域的关注力度，促进绿色科技成果的进一步转化。

(3) 低效率-增长型(CEE < 0.6, ML指数>1)包括广西、四川。这2个省份表现出规模效率递增，说明其可以有效地通过利用规模效率的提升从而提升碳排放效率。其中广西的技术进步相较于其他来说贡献率更低，需注意物流行业各环节节能减排的新举措落实和完善。四川省应当加强物流行业的创新投入，引进先进的节能技术到生产运作的过程中，从而加大环保技术推陈出新的力度。

(4) 低效率-降低型(CEE < 0.6, ML指数 < 1)包括黑龙江、甘肃、湖北、吉林、陕西、海南、新疆、重庆、青海、云南。湖北、陕西物流业碳排放效率的发展水平明显低于周围水平的地区，说明这2个省份可以通过提高与周边地区的合作，降低物流企业的碳排放量，提高物流发展的水平。甘肃、云南、吉林的碳排放效率偏低，并且这3个省份的纯技术效率变化体现出资源配置的有效性偏低，应当着重减少政府部门对资源配置和资源价格的干预，适当增加资源的匹配性。技术进步是制约低效率-降低型省份对其碳排放效率提升的关键，并且从其变化趋势来看，落后的趋势逐渐扩大，因此，此类型的省份应注重优化低碳路线突破技术难关，从而更加靠近前沿面。

本研究采用BCC-DEA模型对2008—2017年全国、区域和省际物流业的碳排放效率的静态情况进行分析，利用Malmquist指数法对其动态变化过程中所显现出的各个效应变动情况进行分析。结果表明：(1)全国物流业的碳排放效率一直在较低水平，且表现为波动变化的趋势。碳排放效率总体表现为“东＞中＞西”的局面，全国碳排放效率和中部地区基本接近。多数省份碳排放效率动态变化指数小于1。(2)在与纯技术效率以及规模效率二者相比之下，技术进步作为更加至关重要的因素影响着我国物流业碳排放效率的有力提升。(3)省际间碳排放效率动态变化的主要因素差异明显，由2个效应引起动态变化的省际决策单元多于单一效应、3个效应的决策单元。

“双碳”目标下，物流业作为碳排放量较高的重点行业，拥有着相对较大的减排潜力。基于以上结论，对于物流业碳排放量的减少及效率的提升，提出如下几点建议：(1)“十四五”时期，争取清洁能源的使用效率，构建清洁能源长效发展机制，制订清洁能源利用率逐步提升的目标和省际考核制度。(2)对于技术前沿移动效应偏低的省份，加强物流业的科研投入和技术创新研究，并将新技术、新产品切实应用到经营活动中；对于追赶效应偏低的省份，汲取先进地区在管理方法和科学技术方面的成功经验，创新发展方式、完善管理技术；对于规模效率偏低的省份，物流产业园区的建设要进行合理规划以降低其空置率，提高基础设施的利用率，促使产业集群规模效应的提升。(3)不仅要建立静态碳排放效率长期监测制度，优化物流企业碳减排行为的激励与约束机制，支持物流产业绿色低碳发展，而且还要构建动态变化考核制度体系，从而使物流产业的运作进一步向低碳高效发展。