·物流经济·
中国省域物流业碳排放空间差异分析
曾 珏，周 叶 （南昌航空大学，江西 南昌 330063）
摘 要： 随着中国社会经济的发展，物流行业也进入到飞速发展阶段，而低碳经济是近年来各行业一直关注的焦点。文章采用省域物流碳排放作为环境压力的衡量指标，利用空间面板数据对物流业进行空间计量分析，区别于传统普通最小二乘法（OLS）仅是对变量整体估计，空间计量方法可以得到区域差异化的回归系数，更能进行局域分析。研究结果发现：物流业周转货物量、物流业人均和物流业能源强度这三个变量对物流业碳排放均属于正向影响关系，其中物流能源强度对物流碳排放的影响程度最为显著。空间滞后效应的系数为0.336，且通过了显著性检验，说明相邻省份存在明显的空间扩散（溢出）效应。
关键词： 物流行业；空间计量；碳排放
0 引 言
20世纪90年代，受到经济全球化和网络经济的影响，物流企业进入飞速发展时期。到2000年，世界全年物流产业规模为3.6万亿美元，与世界旅游业总收入基本相当，2005～2014年全国社会物流总额逐年递增。其中2014年全国社会物流总额213.5万亿元。中国作为全球贸易大国，物流行业的发展突飞猛进。自哥本哈根会议以来，世界各地纷纷提出环保、绿色、低碳的概念，温室气体排放尤其是二氧化碳排放的问题，越来越受到人们的关注，由于它的大量出现引起全球气候的变化，且威胁着人类的生存与社会经济的可持续发展，我国更是允诺会降低碳排放。因此，关注物流行业碳排放问题也是尤为重要[1-5]。
目前国内外学者对碳排放研究颇多，主要分为三大类：第一类是关于碳排放计算，由于碳排放无法直接预测，且没有统一的计算方法，目前采用较多的是拉氏指数方法和迪氏指数方法[6]，Reitler等（1987）、Howarth等（1991）、Park等（1992）[7-9]对此方法做了进一步完善。第二类是关于碳排放影响因素研究，日本学者Kaya[10]认为人口、人均GDP、单位GDP的能源用量、单位能源用量的碳排放量是推动碳排放量增加的4个主要影响因素，并提出了著名的Kaya公式；同时，Birdsall[11]对人口总量与碳排放的关系进行研究，表明全球碳排放量增加的重要因素是由于人口的增加。第三类是分行业对碳排放进行分析，已有文献把工业、农业、建筑业、交通运输业等行业的碳排放作为研究对象。Chang（1999）等[12]运用灰色关联分析方法研究了中国台湾各产业的碳排放，结果表明建筑业是碳排放系数最高的行业[13]。
在对省域物流行业碳排放研究中，由于物流行业省域之间的差异也很大，而传统的最小二乘法回归法（OLS）得出的结果不能反映出空间地理上的差异。空间计量经济学可以弥补传统计量经济学的不足，它可以研究地理空间异质性，反映出变量在空间上的差异，更贴合实际。目前在关于碳排放的空间计量分析有工业、交通、农业[14-16]等方面的而对物流行业碳排放的空间计量分析较少。Anselin和Florax（1995）指出空间计量经济学在主流经济学的实证中越来越受到关注，表现在这方面的书籍被大量出版，更多的学者发表相关论文以及经济学杂志也有专版[17-19]。且从目前研究可以发现，单一截面数据、时间序列数据、普通的面板数据等方法各异，但目前尚未发现有学者运用空间面板数据对物流业相关问题进行深入研究。
1 物流业空间维度分析
1.1 全局Moran's I 指数
（1）全局Moran's I 指数定义。全局空间自相关检验的Moran's I 指数定义如式（1）所示，其期望如式（2）所示：
其中，Yi 表示i 地区的观测值，n 为地区的总数，Wij 表示空间权值矩阵，一般采用邻近矩阵和距离矩阵，本文采用邻近矩阵。全局Moran's I 指数取值范围为[-1,1] ，其值大于0表示观测值空间正相关，小于0则表示观测值空间负相关，若Moran's I 指数取值为0，则表示各地区观测值相对独立。全局Moran's I 指数值越靠近1，代表各地区观测值的联系越紧密，越靠近-1代表各地区差异越大或分布越分散。
（2）省域物流业碳排放全局Moran's I 检验结果。利用Geoda软件以邻接矩阵作为空间权值矩阵，计算出2004～2016年间我国省域物流业碳排放的Moran's I 指数，结果如表1所示：
表1 2004～2006年物流业碳排放空间自相关分析结果
从表1可知，2004～2016年的物流业碳排放空间自相关Moran's I 统计量均为正值，且均通过了1%的显著性水平检验，说明中国省域物流业碳排放在空间分布上不是随机的，具有显著的正向关系性，即碳排放高—高和低—低聚集较为明显，表现出相似地区邻近的特点。
图1 2004～2016年省域物流业碳排放Moran's I 指数图
从图1可以看出，2004～2016年物流业碳排放Moran's I 指数整体呈现缓慢上升的趋势，且从得到的全局Moran's I 指数为正的结果一方面说明我国物流业碳排放的显著正向关联；另一方面系数的整体的不断增大，说明空间的关联性有增强的趋势。
1.2 局部空间相关性检验
（1） 局部Moran's I 指数定义。局部空间自相关Moran's I 指数定义如式（3） 所示，其指数期望和方差如式（4） 和式（5） 所示：
随着当前我国社会的不断发展，环境污染问题日益严重，其不仅仅表现在地面环境的污染和破坏，地下水方面的污染问题也很突出，而其具有隐蔽性、累积性，对于人体和环境的威胁更为复杂，急需治理，这也就涉及到了相关修复技术的恰当选择。随着科学技术创新，当前地下水有机污染修复技术比较多，其中物理法、化学法、生物法及复合法是比较常用的四类技术，应结合具体应用需求进行选择。
其中
此外，城乡规划还有点瑕疵，还需整理。例如：大道两侧还有居民区，斑块农田路、渠、林散乱等。同时，耕地的多重功能作用宣传力度不足，特别是农作物具有生态氧吧的作用没有及时做好宣传。
所以局部Moran's I 指数的和等于全局Moran's I 指数，即
空间计量经济学不同于传统的计量经济学的一个重要因素在于，空间计量经济模型中考虑了地区间的空间相互作用。为了弥补传统计量经济的不足，本文选用空间计量经济学中的空间误差模型（Spatial Error Model，SEM）和空间滞后模型（Spatial Lag Model，SLM）来分析空间特性。
联合国机构《国际减灾战略》报告指出，亚洲人口占全球人口的60%，每年自然灾害的死亡人数占全球总数的85%，而中国地域广阔，自然灾害灾多面广，受灾率也是在亚洲各国中最高的。随着城镇化建设不断加快，未来中国城镇化率将达到65%，在城市中发生的各种灾害，必将给人民的生命财产造成巨大损失。如何提高城市综合防御灾害的能力，减轻灾害给人类与城市带来的损害程度，是城市综合防灾规划的主要目的和意义，也是城市建设的重要公共政策之一[1]。
图2 2004年（左）、2008年（右）中国省域物流业碳排放的Moran's I 散点图
图3 2012年（左）、2016年（右）中国省域物流业碳排放的Moran's I 散点图
历史是一门人文性较强的学科，在学习过程中帮助学生进行思考与体验，对学生的人文观念价值有着潜移默化的影响，因此在进行高中历史教学过程中，教师需要重视对历史文化的正确引导，科学讲授。为学生培养正确的历史价值观与人文观念，塑造学生优秀的人文素养。
表2 2004年、2008年、2012年、2016年的省域碳排放聚集情况表
从表2可以看出，2004～2016年来的“H-H”聚集的省域变化不大，2004年有6个省市分别是山东、陕西、湖北、湖南、河南和山西，除了山东以外，其他省市均位于中西部经济相对欠发达的地区；“H-L”聚集有江苏、广东、辽宁、上海、四川、浙江、北京7个省市，这些省域的物流业碳排放水平较高，但周边地区物流业碳排放水平相对较低；“L-H”聚集地区包括河北、贵州、安徽、江西、福建、吉林、云南、内蒙古、宁夏、广西、重庆，这些地区物流业碳排放水平较低，但周边地区物流业碳排放水平相对较高；“L-L”聚集代表该区域物流业碳排放水平及周边地区物流业碳排放水平都相对较低，主要省域有新疆、黑龙江、天津和青海。
图4 2004（左）、2008（右）年省域物流业碳排放LISA聚集图
图5 2012（左）、2016（右）年省域物流业碳排放LISA聚集图
图4和图5分别展示了2004年、2008年、2012年、2016年中国省域物流业碳排放LISA聚集图，图中“H-H”聚集区域主要集中在山东、河南、湖北等省域；广东省在图中一直处于“H-L”聚集区域，说明广东省物流业碳排放水平一直较高，但周边地区物流业碳排放水平相对较低；新疆则一直处于“L-L”区域，说明新疆及其周边地区的碳排放水平都相对较低。从整体上来看，物流业碳排放高的省域多集中在华北地区和华中地区，物流业碳排放较低的省域集中在西北地区[11]。
2 空间计量模型、变量及数据
2.1 空间面板数据模型
（2）省域物流业碳排放局部Moran's I 检验结果。为了更直观分析中国各省域物流业碳排放的自相关情况，本小节将通过局部Moran's I 散点图和LISA地图来研究局部区域空间上的关联性，由于相近年份数据差距不大，且年份过多，本文使用Geoda软件刻画了2004年、2008年、2012年和2016年这4年的Moran's I 散点图，具体见图2和图3所示。
（1）空间滞后模型（SLM）。在经典线性回归模型中加入被解释变量的空间滞后项Wz ，称之为空间滞后回归模型（SLM）。回归方程及其数据生成过程如下所示：
影响边坡稳定性的不确定因素是地震。地震产生的作用力可以改变或者损坏岩体边坡的构造，使边坡沿着构造面产生位移并变形，最终出现损坏。大气降雨在坡面与台面上形成面流，水流冲击边坡，使边坡岩体产生泥化与软化，从而改变岩体的某些物理性质，如抗剪切力与抗压力，对岩体稳定性产生影响；地下水的侵蚀作用对岩体内侧产生破坏，使岩体的一些物理性质如抗剪切力与抗压力得以改变，从而破坏边坡。
询问现场，多位委员围绕有车难停问题展开提问。马绍省委员针对如何缓解城市交通拥堵问题向公安交警支队政委张书栋发问。在得到答复后，郑永华委员追问道：“条例对城镇道路施划停车泊位和停车管理作了规范，但检查中发现，中心城区‘停车难、停车乱’问题依然突出，请问公安交警部门将采取哪些举措加以解决？”“我们将尽快出台管理办法，进一步挖掘停车资源，优化停车空间布局，逐步解决市区停车难题。”张书栋表示，交警部门将积极鼓励倡导有条件的单位面向社会开放内部停车位；对实行政府定价和指导价的停车场，制定差别化收费标准，以经济手段调整停车位数量，最大限度满足群众停车需求。
其中，ε为随机误差项；μ是空间自回归系数；y 为因变量；X 是n ×k 的外生解释变量矩阵；W 是n ×n 的空间权重矩阵；Wz 是空间滞后因变量。空间滞后模型的研究目的是邻近地区经济活动对本地区的影响程度，从公式的表达结构来看，空间滞后模型与空间自回归模型类似，因此，也被称为看空间自回归模型（Spatial Autoregreesive Regression Model，SAR）。
本节首先采用最小二乘估计法（Ordinary Least Square，OLS），以各省2004～2016年物流业碳排放量作为因变量，各省2004～2016年周转货物量（lnFRM ）、物流业人均GDP（lnCA P ）、各省能源强度（lnEIN ）作为影响物流业碳排放的自变量，如公式8所示。
此外，全国家用电器工业信息中心还协同家电行业研究机构、数据调研机构及企业共同举办家电行业研讨会议；组织行业专家对行业创新技术、工艺、设计以及科技研发成果进行综合性审定、评价和推介；联合家电相关技术学会和大专院校举办学术交流活动，整理学术资料并出版学术论文集，促进行业信息互通和技术交流；同时，全国家用电器工业信息中心整合家电行业上下游信息资源，推进家电上下游行业融合、协同发展。
其中，ε为随机误差项；μ是整体分布的随机误差向量；η是n ×1的截面因变量的空间误差系数。参数η反映了样本观测值中的空间依赖作用，即相邻地区的观测值y 对本地区观测值y 的影响程度，参数β则反映了自变量X 对因变量y 的影响。
2.2 变量选取
本文在对文献充分研究的基础上，发现物流业碳排放主要影响因素有三方面：物流业的发展、技术水平和周转货物情况。本文因变量选用物流碳排放量作为衡量指标，变量代码为LC 。由于决定物流碳排放的决定因素并非行业人口而是周转货物量，因此，选用周转货物量解释变量，用FRM 表示；已有的文献对富裕度的选取均采用人均GDP，社会富裕的提升意味着国民经济的逐步增长和人民生活水平的日益提高，它会引起能源消费总量不断增长，从而加速碳排放量的增长[20]。而对于物流行业碳排放的影响因素分析，应从物流行业总体生产总值考虑。因而，将物流行业人均GDP作为衡量物流行业的富裕度，用CAP 表示。
由图2、图3可以看出：中国省域物流业碳排放在地区上是存在正向的空间聚集性，即物流业碳排放水平高（低）的地区集中在某一区域。图中第一象限代表该区域物流业碳排放量值相对较高，并且被其他物流业碳排放量也相对较高的地区所包围，即H-H聚集。与此类似的是，第三象限代表该地区物流业碳排放量为相对低值且被其他物流业碳排放为相对低值的地区所包围，即L-L聚集。第二象限和第四象限则代表H-L聚集和L-H聚集。为了更清晰的展示全国物流业碳排放的聚类情况，对上述省域物流业碳排放的Moran's I 散点图进行空间聚类分析，得到表2，并绘制物流业碳排放LISA集聚图4和图5以便更直观的分析中国省域物流业碳排放变化的空间分布情况。
能量强度是一个广义的技术，体现的是区域物流行业发展对于能源消耗的依赖度，所以本文采用能源强度这个指标来表征技术这个变量，能源强度用EIN 表示。
截至2017年7月，共支持受援单位书刊7000余册、印发培训资料150余套一千余册，Interlib分馆系统2套、防盗设备1套、期刊盒100余个，并为基层馆安装电子阅览室管理软件、支持多种数字资源、冀图讲坛讲座资源等，提高其电子阅览室的利用率。并借此契机，与受援图书馆建立协作构建文献资源互通机制，征集到平山、西柏坡、临城、清河、曲阳、青龙等地方文献或地方作家出版物，有效补充丰富了省馆地方文献馆藏。与基层文化单位共同策划举办了4期“河北地域特色文化系列展”。
2.3 数据来源
本文周转货物量、物流行业人均生产总值（物流行业生产总值/物流行业从业人数）和能源强度（单位物流行业GDP的能源消费量）数据均来源于2013～2017年《中国统计年鉴》和《中国能源统计年鉴》。实证研究中所用到的样本数据均需取自然对数。空间计量模型部分数据来源于2005～2017年《中国统计年鉴》和《中国能源统计年鉴》。
在上节的省域物流业碳排放相关性检验从全局自相关（Moran's ）I 和局域自相关性（LISA图）证明了中国30个省、市、自治区的物流业碳排放量之间存在着空间相关性。而传统的OLS线性回归方法没有将空间效应考虑在内，如若单纯使用传统OLS线性回归对模型进行估计，可能会造成模型的设定与实际不符。下文为了进一步验证省域物流业碳排放的空间相关性，采用空间滞后模型（SLM）和空间误差模型（SEM）分别对省域物流业碳排放进行空间相关性的检验，并找出这种相关性到底与滞后项有关还是与误差项有关。
3 模型的建立、检验及实证分析
3.1 OLS分析
（2）空间误差模型（SEM）。在经典线性回归模型中考虑随机扰动的空间滞后项，则称之为空间误差模型（SEM）。空间误差模型主要用于研究空间地理位置不同而引起的国家或地区之间的相互作用的差异，是邻近地区的因变量对本地区观测值的影响程度。空间误差模型的具体表达式如下：
首先，通过LM 检验统计量对所选变量和各个模型进行空间滞后和空间误差的判断，所得统计量如表4所示：
据表3可知，lnFRM 和lnEIN 的P 值为0.0000均通过了1%显著性水平的检验，模型整体P 值为0.000也通过了1%水平的显著性检验，拟合优度R 2高达0.8640，调整后的拟合优度也达到了0.8629，模型拟合程度较好。通过方差膨胀因子（Variance Inflation Factor，VIF）的检验，三个变量的VIF 分别为1.315、1.083和1.378，远远低于10，说明变量之间不存在明显的共线性。且容忍度值（Tolerance ）值均大于0.1，因此可解释为变量之间不存在多重共线性。DW 值为1.8867，接近2，故判断模型拟合后得到的残差不存在自相关的关系。从系数来看，省域碳排放与lnFRM 和lnEIN 成正相关，影响省域碳排放的最重要的因素是能源强度，系数为0.7523，而物流业人均生产总值的系数为-0.0529，但没有通过显著性检验，无法判断结果。
第三阶段:整理盘点结果阶段。整理盘点数据，根据盘点结果建议相关资产处置方案、完善资产管理制度，为内部控制系统资产模块上线做准备。
表3 OLS估计结果
3.2 空间计量模型实证分析
本节主要使用空间计量经济模型中的空间滞后模型（Spatial Lag Model，SLM） 和空间误差模型（Spatial Error Model，SEM）两种模式对物流业碳排放进行空间分析。
运用SPSS软件计算OLS结果如表3所示：
由表4结果可知，除了LM ERR 检验没有通过显著性检验，其余所有检验均通过，由表4中可以说明在滞后项上模型存在较为显著的相关关系，可以采用空间滞后模型进行模型的建立。而Robust LM ERR 通过了显著性检验，故可以考虑拟合空间误差模型再分析所得的结果，看误差项的系数是否显著来判断最后结果。
根据上文的相关检验，分别采用空间滞后（SLM） 模型和空间误差（SEM）模型进行模型的建立，每种模型又分别采用了空间固定、时间固定和空间时间双固定效应的分析，在面板数据的空间计量模型在软件MATLAB中实现，计算结果如表5所示：
表4 空间滞后和空间误差检验结果
表5 空间滞后和空间误差模型的建模结果
由表5结果可知，相较于空间误差（SEM）模型，空间滞后（SLM）模型的效果更好，这也验证了前文的LM 检验结果。从R 2和LogLikelihood 统计值来看，空间固定模型的R 2是三个固定模型中最优的，LogLikelihood 值最大的是时空固定模型，但由于时空固定模型的R 2只有0.6301，模型拟合效果不佳，而空间固定模型的LogLikelihood 值为157.7145，仅次于时空固定模型，从这两个指标整体来看，选用空间固定效应模型更佳。因此本文最终采用空间固定效应下的空间滞后（SLM）模型作为解释模型，后文中的分析也将建立在此模型的基础上。从六个模型的拟合结果来看，三个自变量的系数均显著，也由此可以看出相比OLS的估计方法，空间计量方法更优。
在临床诊断中,要诊断和治疗泌尿系统疾病,普遍使用尿液分析法来作为诊断的依据,因为其简单、快捷且方便。某些检验者在实际工作中便因此不再重视尿液沉渣镜检,也忽视了对显微镜检测的尿液有形成分的金标准如何将三者(尿沉渣分析仪、尿干化学分析仪及光学显微镜)有机结合。由于三者的检测原理不同,报告方式不同,影响检测的因素也不同,常有检测结果不一致的现象,这给医生的判读造成困扰,甚至延误诊断,故对操作者的专业知识与技能操作水平均提出极高标准,一定要扎实掌握检测仪器对应的原理、注意事项及影响因素等方面有充分的了解,使其得到的检测结果更可靠和准确。
4 结论
从拟合模型所得的系数来看：物流业周转货物量（0.1926）、物流业人均GDP（0.0292） 和物流业能源强度（0.515） 的系数均为正值，说明这三个变量与物流业碳排放属于正相关的关系。
（1）省域物流业周转货物量（lnFRM ）的系数是0.1926，说明当其他所有情况不变的状况下，物流业周转货物量每增加1%，物流业碳排放增加0.1926%，物流业周转货物量的增加会相应的带来物流业碳排放量的增加。
（2）物流业人均GDP的（lnCAP ）的系数为0.0292，在三个变量中系数值最小，但系数值为正也表明物流业人均GDP与物流业碳排放之间是正相关的关系。该结果说明，当其他所有情况不变的状况下，物流业人均GDP每增加1%，物流业的碳排放量增加0.0292%。在物流业飞速发展的现阶段，物流业所带来的不只有经济增长，同时也带来了物流业碳排放量的增长。
（3）物流业能源强度（lnEIN ）系数为0.515，在三个变量中，能源强度的系数值是最大的。从系数来看，当其他情况不变的状况下，物流业能源强度每增加1%，则物流业碳排放量增加0.515%，二者之间同样处于正相关的关系。能源强度表示单位GDP所消耗的能源，其值越低，代表每个单位GDP耗能越少，能源的利用率则越高。
（4）空间滞后效应的系数为0.336，且通过了显著性检验，说明省域物流碳排放存在明显的空间自相关性，说明中国省域之间物流业碳排放空间关联性较高，即一个省份的物流业碳排放对与其相邻省份或联系较大的省份存在明显的空间扩散（溢出）效应。
从空间滞后模型的整体可以看出，省域物流业碳排放量不仅受到本省相关因素的影响，同样会受到与之联系紧密的其他省份的相关因素影响，这种外部性影响存在于各种物流业活动中，而物流业碳排放的外部性通过周转货物量、交通和物流业互通发展从一个省流动到其他省份。本文通过空间计量分析省域碳排放的空间溢出效应，为制定碳排放政策提供参考意见。
参考文献：
[1] Pachauri R K,Reisinger A.Climate Change 2007:Synthesis Report[R] .Geneva,Switzerland:IPCC,2007.
[2] 林伯强，蒋竺均.中国二氧化碳的环境库兹涅兹曲线预测及影响因素分析[J] .管理世界，2009(4):27-36.
[3] 陈诗一.能源消耗、二氧化碳排放与中国工业的可持续发展[J] .经济研究，2009(4):41-55.
[4] 刘燕华，葛全胜，何凡能,等.应对国际CO2减排压力的途径及我国减排潜力分析[J] .地理学报，2008,63(7):675-682.
[5] 王铮.气候保护及其对社会经济影响的模拟研究[J] .地理研究，2010(11):1921-1931.
[6] ANG B W.Decomposition analysis for policymaking in energy:which is the preferred method?[J] .Energy Policy,2004,32:1131-1139.
[7] REITLER W,RUDOLPH M,SCHAEFER H.Analysis of the factors influencing energy consumption in industry:a revised method[J] .Energy Economics,1987,14(1):49-56.
[8] HOWARTH R B,SCHIPPER L,DUERR P A,et al.Manufacturing energy use in eight OECD countries[J] .Energy Economics,1991,13(2):135-142.
[9] PARK S H.Decomposition of industrial energy consumption:an alternative method[J] .Energy Economics,1992,14(4):265-270.
[10] KAYA Y.Impact of carbon dioxide emission on GNP growth:interpretation of proposed scenarios[R] .Presentation to the Energy and Industry Subgroup,Response Strategies Working Group,IPCC,1989.
[11] BIRDSALL N.Another look at population and global warming population,health and nutrition policy research[C] //Working Paper,Washington,DC:World Bank,WPSl020,1992.
[12] CHANG T C,LIN S J.Grey relation analysis of carbon dioxide emissions from industrial production and energy uses in Taiwan[J] .Journal of Environmental Management,1999,56:247-257.
[13] 谢守红，王利霞，邵珠龙.国内外碳排放研究综述[J] .干旱区地理，2014(4):720-730.
[14] 韩晶，王赟，陈超凡.中国工业碳排放绩效的区域差异及影响因素研究——基于省域数据的空间计量分析[J] .经济社会体质比较，2015(177):113-124.
[15] 张淘新，曾熬志.中国交通碳排放空间计量分析[J] .低碳城市，2013,10(20):14-20.
[16] 高鸣，宋洪远.中国农业碳排放绩效的空间收敛与分异——基于Malmquist-luenberger指数与空间计量的实证分析[J] .经济地理，2015,4(35):142-148.
[17] Anselin L R J G.M Florax.Small sample properties of tests for spatial dependence in regression models:Some further results[C] //New Directions in Spatial Econometrics,1995:21-74.
[18] Anselin L.Spatial Econometrics:Methods and Models[D] .Kluwer Academic,Dordrecht,1988.
[19] 陈建先，郑玉歆.空间计量经济学文献综述[J] .21世纪数量经济学，2011,9(12):79-93.
[20] 魏艳旭，孙根年，李静.基于技术进步的中国能源消耗与经济增长：前后两个30年的比较[J] .资源科学，2011,33(7):1338-1345.
[21] 吴玉鸣，李建霞.省域经济增长与电力消费的局域空间计量经济分析[J] .地理科学，2009,29(1):30-34.
Spatial Difference Analysis of Carbon Emission in China's Provincial Logistics Industry
ZENG Jue,ZHOU Ye (Nanchang Hangkong University,Nanchang 330063,China)
Abstract: With the development of China's social economy,the logistics industry has entered the stage of rapid development.Low carbon economy has been the focus of attention in various industries in recent years.Therefore,the research on the influencing factors of carbon emissions in the logistics industry has become particularly important.Using provincial logistics carbon emissions as an indicator of environmental pressure,using spatial panel data to conduct spatial econometric analysis of logistics industry,which is different from the traditional ordinary least squares（OLS） method,which only estimates variables as a whole.Spatial econometric method can obtain regress coefficients of regional differentiation,and can better carry out local analysis.The results show that the three variables of logistics industry turnover cargo volume,per capita and energy intensity of logistics industry have a positive impact on carbon emissions of logistics industry,and the impact of logistics energy intensity on carbon emissions is the most significant.The coefficient of spatial lag effect is 0.336,and has passed the significance test.It shows that there is obvious spatial diffusion（spillove）reffect in adjacent provinces.
Key words: logistics industry;spatial econometric method;carbon emissions
中图分类号： F403.3
文献标识码： A
文章编号： 1002-3100（2019）06-0113-07
收稿日期： 2019-03-06
基金项目： 南昌航空大学研究生创新基金项目“基于空间计量的我国物流产业碳排放特征研究”（YC2017056）；国家自然科学基金项目“区域农产品冷链物流的碳减排机理、路径与策略研究”（71563030）
作者简介： 曾 珏（1990-），女，江西丰城人，南昌航空大学经济管理学院硕士研究生，研究方向：低碳经济与物流管理；周 叶（1977-），男，江西临川人，南昌航空大学经济管理学院区域物流研究所所长，副教授，博士，硕士生导师，研究方向：低碳经济与物流管理。