黄河流域物流业碳排放空间关联性及协同发展研究

朱向梅， 袁 辉， 张 静

（中北大学经济与管理学院，太原 030051）

我国在“十四五”发展期间将继续推动绿色发展，并承诺到2030 年，单位GDP 能耗和碳排放分别降低13.5%、18%. 从2019年能源统计年鉴中的数据来看，碳排放量前十的省份中有四个省份在黄河流域（山东、内蒙古、山西、河南），物流业是碳排放大户，低碳物流依靠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［1］. 在西部地区承接东部地区产业转移和高质量发展的大战略背景下，西部地区的物流业将迎来前所未有的发展机遇. 因此，梳理和揭示当前黄河流域地区物流业碳排放的总量规模、演化规律及空间分布结构，是实现黄河流域物流业高质量发展的重要前提，是该地区物流业高质量发展规划的重要决策依据.

1 相关研究进展

截至2021年6月，还未有关于黄河流域物流业碳排量的测算和研究，黄河流域作为我国重要的生态保护区，研究其物流业碳排强度和空间结构，能为全域高质量发展提供科学参考.

关于物流业碳排放量的测算，我国并没有直观的数据来表明物流业的碳排放量，学者大多采用能源系数估算法，通过搜集物流业相关能源的消费量，依据能源系数来测算碳排放量. 包耀东等［2］估算了安徽、江苏、浙江和上海三省一市物流产业2003—2016 年的碳排放量；冯婷婷［3］估算了新疆维吾尔自治区物流业1995—2012年的碳排放量；赵松岭和杨子夜［4］通过统计京津冀物流业的能源消耗量，测算碳排放量；朱向梅和王子莎［5］利用能源系数估算法估算了黄河流域整体的碳排放强度和碳生态承载力. 因此，本文在测算黄河流域物流业碳排放量时也采用能源系数估算法.

关于地区间物流业碳排放量关系的研究，朱海燕等［6］运用修正后的引力模型和社会网络分析法分析了我国商贸流通业的碳排放空间结构；崔铁宁和张继美［7］用引力模型和社会网络分析法研究了中国绿色发展的空间结构特征；朱向梅和张静［8］采用引力模型和社会网络分析法对山西省旅游集散地选址规划提出建议.引力模型仅需改换不同参数和分量定义，便可适用多个领域，对研究区域内关联关系有很大帮助. 基于前人的研究，本文通过构建引力模型，采用社会网络分析法来研究黄河流域物流业碳排放之间的空间关联性，为黄河流域物流业的低碳协同发展提供合理的建议和对策.

2 研究方法及数据来源

2.1 物流业碳排放空间关联关系的确定

2.1.1 数据来源 根据《中国第三产业统计年鉴》中的定义，物流业包含交通运输、仓储业物流、邮政业物流、流通加工和包装业物流等［2］，现有统计年鉴中并无直接展示物流业的数据，因此本文以交通运输、仓储和邮政业来代表物流业. 碳排放量的核算采用能量系数估算法，具体的折算系数见表1和表2.

表1 各种能源折合标准煤参考系数Tab.1 Reference coefficient converted into standard coal of different energy sources

表2 各种能源碳排放系数Tab.2 Carbon emission coefficient of different energy sources

黄河流域各省（区）的物流业能源消费量来自《中国能源统计年鉴》及各省（区）的统计年鉴. 省（区）之间距离用各省区省政府之间距离表示，数据来源百度地图.

2.1.2 碳排放量估算方法 本文核算黄河流域物流业碳排放量采用能量系数估算法，参考包耀东等［2］的研究，根据交通运输、仓储和邮政业的能源消费量折算成二氧化碳的排放量，计算公式如下：

式中：C为碳排量；i为能源类别；Ci为第i种能源的碳排量；δi是黄河流域物流业消耗第i种能源的碳排放系数；θi是第i种能源的标准煤折算系数；Ei为第i种能源的消耗量.

2.1.3 碳排放空间网络的建立 本文基于引力模型构建空间网络，各省（区）为网络节点，省区之间物流业碳排放关联关系为网络中的线，引力模型如下：

式中：F表征域内各点间碳排引力；i、j分别表示黄河流域各省区；Dij表征i、j两地距离；Ci与Cj代表i省（区）、j省（区）的物流业碳排放量.

2.2 社会网络分析

2.2.1 整体网络特征指标 网络密度（D）用于反映网络的密集程度，公式如下：

式中：L是网络实际连线数；N为节点个数.

网络等级度（GH）是反映节点的等级地位，公式如下：

式中：M为网络中对称可达的点对数；max(M)为最大可能对称可达的点对数.

网络关联度（C）反映网络稳健性，公式如下：

式中：V为网络中不可达的点对数；N为节点个数.

2.2.2 中心性分析指标 点度中心性表征节点是否在网络中心，公式如下：

式中：n为与该节点直接连通的节点数；N为节点个数.

中介中心性指一个节点担任其余节点间桥梁的次数，公式为：

式中：gij(i)为区域i和j之间存在的关联路径数；gik(i)是i和j之间路径要通过i的数量.

2.2.3 核心-边缘结构理论 核心-边缘理论由美国区域规划专家J.R.弗里德曼于1966年最早提出［9］，核心-边缘结构演化特征分析主要基于凝聚子群分析法，借助UCINET可实现对黄河流域物流业碳排放空间网络结构的聚类分析，找出网络中的核心省区和边缘省区，并显示核心与边缘节点之间的关联密度.

3 黄河流域物流业碳排放空间关联结构分析

3.1 黄河流域物流业碳排放的时空特征

根据整理计算出的碳排量面板数据（见表3），以此研究时间序列上的碳排放特征. 图1显示了2009—2018年碳排放均值随时间变化的特征. 如图1可见，碳排放均值均保持在400 万t以上，其中2012年最高，达到560.78 万t；最低为2013年，为444.54 万t. 碳排量在2013年有所下降，因为2012年国务院印发《节能减排“十二五”规划》，2013年物流业碳排量相较于上年大大降低. 值得注意点是，内蒙古考察期初经济快速增长，煤炭和农畜产品不断外运，由于交通条件有限，内蒙古出区的通道，长期依靠京藏高速支撑，内蒙古成品油用量，尤其是柴油的用量不断增长，仅2011年用于交通运输业的柴油量达到584.55 万t；2012年后，随着内蒙古多条外运专列的建设，柴油消费量大大减少，2013年消费量为299.76 万t，碳排量减少；但随后流域内碳排量均值又开始缓慢增长，整体趋势呈现上升态势，黄河流域物流业的碳减排压力仍然存在.

表3 2009—2018年黄河流域各省区碳排放量Tab.3 Carbon emissions in the provinces of the Yellow River Basin during 2009-2018

图1 2009—2018年黄河流域物流业碳排量均值变化图Fig.1 Average carbon emissions in logistics industry of the Yellow River Basin during 2009-2018

图2显示的是2009—2018年物流业碳排放量的省（区）际平均水平的差异. 其中，青海、宁夏、甘肃在观察期的物流业碳排放量均值最低，均在250 万t以下；四川、内蒙古、河南、山东在观察期的物流业碳排放均值较高，尤其是山东，碳排放均值超过1200 万t，和最少的青海相差16倍之多，并且呈现出从黄河上游向中下游逐渐增加的空间差异特征.

图2 2009—2018年九省区物流业碳排量差异Fig.2 Carbon emission differences of nine provinces during 2009-2018

3.2 黄河流域物流业碳排放整体网络特征

据引力模型计算得到空间关联矩阵，绘制网络结构图，发生显著变化的2009年、2013年、2018年的网络图（图3、图4、图5）. 2013 年较2009 年减少了山东和甘肃的空间关系，主要由于2013 年山东省物流业碳排量的骤降，由1 714.34 万t降到1 004.36 万t，加之两地距离较远，所以关联关系减少. 碳排量之后虽有回升，但与以往水平仍有较大差距，致使两地一直未建立新联系；2018 年较2013 年增加了宁夏和河南的空间关系，由于河南的碳排量逐渐增多，致使河南与宁夏引力增强，其余省区间的关系变化不大.

图3 2009年物流业碳排放空间结构Fig.3 Spatial structure of carbon emission of logistics industry in 2009

图4 2013年物流业碳排放空间结构Fig.4 Spatial structure of carbon emission of logistics industry in 2013

图5 2018年物流业碳排放空间结构Fig.5 Spatial structure of carbon emission of logistics industry in 2018

3.2.1 网络密度和网络关系数 由图6可见，网络关系数和网络密度虽有短暂下降，但随后又上升，整体趋势平缓，增速缓慢，网络关系数由2009—2011年的28个升至2012年的29个，2013年下降到27个，后又增长到29个. 网络密度也随着关联关系数的变化而变化，同样是在2013年下降后又回升，密度最小为0.388 9，最大为0.402 8，但观察期内网络密度始终低于0.5，说明流域内基于物流业的碳排放关联较弱，流域内各省区物流业之间的联系互动少，以2012—2013年为分界点呈现两个平台期，2012—2013年之前的网络密度为0.388 9，之后5年始终保持在0.402 8的水平，表征我国黄河流域物流业碳排放空间关联随时间推移呈现阶梯性的上升，流域内物流业间的联系逐步加强.

图6 2009—2018年碳排放网络关系数、网络密度Fig.6 Number of carbon emission network relationships and network density during 2009-2018

3.2.2 网络关联度、网络等级度 由图7可见，网络关联度始终为1，表明网络通达性好，任意两省区之间都存在直接或间接的路径，也说明流域内物流业具备协同发展的基础；网络等级度2009—2012年始终保持在0.555 6的较高水平下，2013年由于占据主导地位的省区与边缘省区关系数的变化，加剧了网络结构等级的情况. 但在2014年后等级度大幅下降，降至0.222 2，也就是说碳排放网络中仅有少数地区占据主导地位的情况减弱，省际物流业碳排放之间的相互影响力增强. 2014年，“十二五”规划临近收官，此后网络等级度也大幅下降，省际间物流业碳排放的等级差异在减弱，从2014年以后基本稳定在0.222 2的水平上，形成网络等级度新的平台期，由此可见碳排放空间网络均衡性较好，也为黄河流域物流业的协同减排提供了契机.

图7 2009—2018年碳排放空间网络关联度、网络等级度Fig.7 Correlation degree and network hierarchy of carbon emission spatial network during 2009-2018

3.3 中心性分析

3.3.1 点度中心度 由表4可见，观察期内，山东的点度中心度高居首位，处于网络中心的地位，说明山东物流业碳排量始终远超其他省区，几乎与所有省区都建立了关系；指标值靠前的还有陕西、山西、宁夏、河南和甘肃，观察期内变动不大；四川、内蒙古和青海的指标水平较低，处于网络中的边缘位置，尤其是青海，指标值始终为1，处于最末位，是网络中最弱势的节点.

表4 2009—2018年黄河流域物流业碳排放空间关联网络中心性指标结果Tab.4 Spatial correlation network centrality index of carbon emission in logistics industry of the Yellow River Basin from 2009 to 2018

综上，黄河流域各省区物流业碳排放空间网络的点度中心度强度呈动态演变趋势，整体关联能力逐渐增强. 山东一直高居首位，陕西的地位逐步与山东持平，各省区之间差距变小，整体结构更稳定. 山东经济体量和物流业发展水平始终保持在流域首位，虽位于下游，但其物流业碳排量强度大，削弱了区位的劣势；陕西、山西和河南区位优势明显，省区之间交通便捷，对网络的影响力逐渐增大. 尤其是陕西，虽地处西北，但其是连通中西的重要门户，《物流业发展中长期规划（2015—2020年）》中，西安更是被列为全国物流节点城市和全国综合交通枢纽，故对网络影响力较大；宁夏和甘肃碳排放体量较小，但地理位置优越，同样位于中部和西部的交界位置［10-13］；四川和内蒙古的碳排并不低，但区位劣势过大，难与较远的省份建立关系，导致其指标较弱；青海中心度始终远低于各阶段平均水平，其交通条件和经济基础薄弱，物流业能源消费量低，碳排放强度低，处于网络边缘弱势位置，这也反映出我国黄河流域物流业发展的不均衡.

3.3.2 中介中心度 由表4 可见，陕西、甘肃和河南中介中心度较高，在网络中承担中介和桥梁的作用.2014—2018年，由于中西部关系的增多，使陕西、甘肃和河南的中介作用更为明显. 山东指标值整体来看处于下降态势，原因在于，观察期初山东物流业碳排量远高于其他省区，和其余节点更容易建立关系，中介作用较为明显. 随着流域内其他省区的发展，陕西、河南等的中介作用不断增强，山东中介作用逐渐减弱；四川在观察期初指标值较低，根据《四川省物流业发展中长期规划（2015—2020年）》指示，要把四川建设成为西部最大的国际铁路物流枢纽和公路物流枢纽，成为西部地区物流的重要门户，所以其中介作用在2015年后逐渐增强. 宁夏、内蒙古和青海的中介中心度始终较低，尤其是宁夏和青海，指标值始终为0，说明其在网络中并无中介作用，反而多依靠其他节点来和较远的省份建立关系，这些省区受地理限制大，难以担任网络中的枢纽.

3.4 核心-边缘结构分析

由表5可见，2009和2010年，物流业碳排放网络核心区域和边缘区域的成员并无变动，2011年内蒙古跻身核心区域，但在2016退出，反映出内蒙古物流业发展的不稳定. 陕西、山西、河南和山东始终处于核心区域，核心区经济水平和交通条件比较发达，其余省区深处我国内陆，受地理位置限制，与其他省份建立联系相对困难，处于边缘区域.

表5 黄河流域物流业碳排放空间网络核心-边缘分析Tab.5 Core-Periphery analysis of spatial network of carbon emission in logistics industry of the Yellow River Basin

从核心-边缘密度矩阵可以得出：①核心内部的密度呈“U型”变化，2011—2015年内蒙古加入，但其始终未与陕西建立联系，导致核心密度的降低. 但核心内部密度始终大于0.5，说明核心成员间碳排放关系始终很紧密；②边缘内部密度呈“倒U型”变化，整体来看密度增多，联系增强. 但水平始终低于0.5，说明边缘区域内部物流业碳排放的联系有待提升；③核心对边缘的密度一直处于较低水平，折射出核心对边缘的带动作用和影响力很小；④边缘对核心的密度虽上下波动，但在观察期末相对期初仍有提升，说明两区域间碳排放联系增多，边缘区也在不断发展，向核心区靠拢.

综上，核心区与边缘区的物流业发展不均衡，核心区域内碳排放联系更为密集. 同时两个区域间的双向关系发展亦不均衡. 此外，核心对边缘的辐射和带动作用很弱，应充分利用核心地域的资金和信息等实力来带动边缘区，使黄河流域物流业协同发展.

4 研究结论

本文借助引力模型和社会网络分析法，对黄河流域物流业碳排放空间网络结构特征进行分析，得出以下结论：

1）从时空特征来看，在观察期内，各年碳排放均值均在400 万t以上，最低为444.54 万t，可见黄河流域物流业碳排压力仍存在. 山东省物流业碳排量始终高居首位，均值超过1200 万t，与最低的青海相差16倍之多，呈现上游向中下游逐渐增加的趋势.

2）从整体网络特征来看，黄河流域物流业碳排放空间关联关系愈发紧密，但在观察期内进步缓慢，还有待优化空间. 网络等级度降至0.222 2，表明网络各节点等级差异在减弱，为区域协同减排提供了契机. 为进一步推进网络结构的均衡发展，应构建流域内协调机制，加强流域内各省区之间技术、人才、信息等的交流，形成优势互补、共同发展的新态势. 在优化过程中要把控全局，限制和管控重点省份物流业碳排放的同时也要考虑到边缘地区的发展，经济层面上可完善碳中和补偿机制，多方位多角度实现黄河流域物流业整体减排和均衡发展［14-16］.

3）从个体网络特征来看，网络中心性向复杂化、均衡化演变，整个网络结构中心由流域下游逐渐向流域中游转移. 山东、陕西、山西、宁夏、河南等在网络中处于主导地位，四川、内蒙古和青海处于弱势位置. 中心区域的物流业碳排量始终较高，应加强技术创新，制定相关减排政策，提高物流业能源利用效率；中下游地区应不断提高对技术、资金和信息的转化能力，为上游欠发达地区提供借鉴和帮助，实现流域协同发展.

4）由核心-边缘分析得知，核心区域和边缘区域的节点变化不大，核心区域与边缘区域的密度始终较低，说明核心对边缘的辐射和带动作用微弱. 合理的物流网络布局是实现资源节约和环境友好的重要途径［10］，应充分利用核心地域的资金、技术、信息、交通等实力，制定相关扶持政策和合作战略来带动边缘区域，增强核心区对网络的扩散作用. 边缘区域自身和外部的联系不够紧密，应加强边缘区域内部省区与域外其他省区间的合作联动，充分挖掘边缘区域在能源储备、劳动力等方面的优势，双向推动黄河流域物流业的协同高质量发展［17-20］.