本研究结合相关研究成果，建立影响物流业碳排放的因素体系，具体解释说明如表1所示，数据来源于《中国统计年鉴》《中国能源统计年鉴》《中国环境生态环境统计年报》《交通运输行业发展统计公报》及30个省统计年鉴。

联合国政府间气候变化专门委员会 (IPCC) 计算碳排放量的“方法1”是根据燃烧的燃料数量以及缺省排放因子来估算CO₂排放^[18]。该方法相对简单且易于操作，滕王滕菲等^[19] (2023) 和姜宛贝等^[20] (2020) 国内学者都采用该方法估算我国的二氧化碳排放量。本研究也采用IPCC提供的“方法1”来估算我国30个省2013—2020年的物流业碳排放数据，具体估算方法如式(1)所示。

式中：CO₂表示待估算的二氧化碳排放量；i代表煤炭等14种能源^[21]；E_i代表各种能源的燃烧消费量；NCV_i为各种能源的平均低位发热量，用于将各种能源消费量转化为能源单位 (TJ) ；CEF_i表示各种能源的二氧化碳排放因子^[22]，其计算公式如式(2)所示。

式中：CC_i为各种能源的碳含量；COF_i为各种能源的碳氧化因子，通常该值为1，表示能源被完全氧化，本研究借鉴陈诗一^[23] (2011) 设定煤炭、焦炭为0.99，其余为1； (44/12) 为二氧化碳与碳的分子量比率^[24]。具体参数值如表2所示。

1) 探索性空间数据分析方法。探索性空间数据分析分为全局与局部空间自相关，文献中常见的是以Moran’s I指数度量经济体的空间自相关性^[25]，分别用来测度物流业碳排放的空间整体分布模式和局部空间分布关系，测算矩阵采用Queen邻接矩阵^[26]，其具体表达式如式(3)所示。

式中：n为研究对象的观测单元总数，ω_ij为构建的空间权重矩阵，用于度量省份i与省份j之间的距离；x_i、x_j分别表示省份i和省份j的物流业碳排放量，Moran’s I指数的取值在[−1,1]，正值表示变量在空间上存在着正相关，负值表示变量在空间上负相关，取值为0则表示变量在空间上无相关性^[27]。

在全局Moran’s I指数确定观测单元在整体区域内存在空间相关性之后，运用局部Moran’s I (也可称为LISA) 指数对研究对象的局部区域内的空间集聚情况进行检验，具体公式如式(4)所示。

式中：$ {\mathrm{\sigma }}_{x} $为该变量的方差，其余字母对应含义与前文相同。I_i为正表示某一地区的高 (低) 值周围都是高 (低) 值，为负表示高 (低) 值的周围是低 (高) 值。

2) 空间杜宾面板数据模型设定。将STIRPAT模型和EKC模型相结合来检验各省资源要素对物流业碳排放空间效应的影响^[28]。由于经济系统和碳排放系统具有复杂性和相关性^[29]，在实际回归模型中，除了包括物流业货物周转量 (FRM) 、物流业能源消耗量 (EC) 、物流业基础设施 (Infrastructure) 、物流业产业规模 (IS) 等核心解释变量外，还加入了科技投入经费 (R&D) 、生产总值 (GDP) 和人口发展 (P) 等控制变量，将STIRPAT模型扩展，具体公式如式(5)所示。

式中：i、t分别表示样本和时间，$ {\alpha }_{it} $为常数项，$ \beta_{1it}\sim\beta_{7it} $为对应变量的回归系数，$ {\mu }_{t} $表示时间固定效应，用来控制从时间层面不随地区变化的影响因素，$ {\phi }_{i} $表示地区固定效应，通过去均值消除不随时间变化的地区变量。为更客观地检验我国物流业碳排放空间相关性和异质性，考察因变量受到本地区自变量及毗邻地区因变量和自变量的影响，以STIRPAT扩展模型为基础，构建含有空间滞后因变量和空间滞后自变量的空间杜宾面板数据模型，具体模型设计如式(6)所示。

式中：其他字母含义与上文解释相同，δ是量化这种空间依赖性的参数，α为常数项，γ是量化解释变量空间影响的系数，W_ij为构建的空间邻接矩阵中的元素，ε_it为随机扰动项。

1) 全国物流业碳排放总量分析。根据式(1)和式(2)计算得出我国2013—2020年物流业碳排放总量及增长率，结果如图1所示。2013年到2019年，我国物流业碳排放呈现出明显的增长趋势，从2013年的5.97×10⁸ t增长到2019年的7.63×10⁸ t，随后在2020年出现小幅下降，2020年的中国物流业碳排放总量为6.88×10⁸ t，相比2019年的中国物流业碳排放总量下降了0.76×10⁸ t。我国物流业碳排放增长率只有2013、2020年为负数，其他年间增长率均为正，整体呈现先增长后下降的循环趋势，增长率从2013年的−6.82%，增长到2016年的5.28%，再下降到2020年的−9.91%。总体而言，我国物流业碳排放总量从2013—2020年增长了0.9×10⁸ t，相对于工业的碳排放量而言，整体增长缓慢。

2) 区域物流业碳排放量时空演化分析。按照地理位置、经济发展水平等综合因素将30个省划分为东部、中部和西部三大区域^[30]，整理得到8年间区域物流业碳排放情况，如表3所示。2013—2020年我国物流业整体碳排放量呈现出东部高、西部低的特征，其中，东部地区的物流业碳排放量接近中部和西部的总和，整体上看，物流业碳排放量与区域经济发展水平基本相匹配。

运用ArcGIS10.8对我国省际物流业碳排放进行空间可视化，分析我国30个省的物流业碳排放水平特征和空间分布趋势，分布情况如表4所示。2013年广东省物流业碳排放量最高，上海市、山东省、辽宁省、江苏省、湖北省、浙江省、内蒙古自治区、河南省和湖南省等省份物流业碳排放量次之。2016年广东省仍然是物流业碳排放量最高的地区，并且上海市、四川省、北京市和黑龙江省物流业碳排放呈增长趋势。因受疫情影响，2020年全国各省际物流业碳排放量相较往年呈下降趋势。由于不同省际物流作业量不同，其碳排放量在不同年份呈现差异性，山东省、湖北省、湖南省、河南省、辽宁省、浙江省和广东省等地区8年间物流业碳排放量一直处于较高水平，海南省、青海省、宁夏回族自治区、新疆维吾尔自治区和甘肃省等地8年间的物流业碳排放量处于较低水平。2020年北京市由中碳排放区变为低碳排放区，可能原因是2018年北京市发布《北京市推进运输结构调整三年行动计划 (2018—2020年) 》，通过调整运输结构逐渐减少了物流业碳排放量。

考虑到我国省际物流作业量具有差异性，本研究进一步分析省际单位货物周转二氧化碳排放量 (各省物流业碳排放量/各省物流业货物周转量) ^[31]，以深入探究省际物流业碳排量差异特征。根据式(1)、式(2)得出的物流业碳排放量，结合我国30个省统计年鉴的物流业货物周转量，计算得出我国物流业2013—2020年间单位货物周转二氧化碳排放量及8年间平均单位货物周转二氧化碳排放量变化情况，如表5和图2所示。

由表5可知，2013—2020年我国30个省的单位货物周转二氧化碳排放均呈现波动变化趋势，且差异较大。其中北京市单位货物周转二氧化碳排放量最大，可能原因是《北京市“十三五”时期物流业发展规划》、《北京物流专项规划》等实施以来，北京市进行了大范围的公铁路运输线路、大型物流基地、物流园区以及众多配送中心等物流基础设施建设，直接碳排放以及长期运营过程中产生的隐性碳排放，都导致物流业碳排放量的增加。

由图2可知，北京市平均单位货物周转二氧化碳排放量最大，达到了3.305 6 t·10⁻⁴ t·km，河北省平均单位货物周转二氧化碳排放量最小，为0.136 9 t·10⁻⁴ t·km。除河北省外，上海市、浙江省和广东省等地区的平均单位货物周转二氧化碳排放量也较小，可能原因是沿海省份货物周转主要靠水运实现，水运相对于公路和铁路运输等形式，碳排放量相对较少，因此平均单位货物周转平均二氧化碳排放量处于较低水平。

运用Geoda软件对2013—2020年我国30个省的物流业碳排放在地理位置上的相互依赖性进行全局及局部检验。全局检验结果如表6所示，2013—2020年我国物流业碳排放的全局Moran’s I指数均为正值，Z值均大于0，并且均通过了5%的显著性水平检验，表明研究区域内物流业碳排放呈正向空间依赖性，即物流业碳排放相近的省份在空间分布上更加集中，具体表现为物流业碳排放较高的省份聚集在一起，物流业碳排放较低的省份也聚集在一起。

为从局部特征变化视角探究某地区与毗邻地区的差异，对省际物流业碳排放的局部Moran’s I进行空间聚类分析，如表7所示。按照5个象限进行分类，分别对应第一象限高—高 (H-H) 集聚型、第二象限低—高 (L-H) 集聚型、第三象限为低—低 (L-L) 集聚型、第四象限为高—低 (H-L) 集聚型、跨象限区域5种不同的局部空间关联模式，以展示我国省际物流业碳排放8年中集聚状态的演化情况。2013—2020年我国省际物流业碳排放空间聚集状态相对稳定，研究期内各象限的省份数量变动不大，空间差异较为明显，多数省份主要分布在第一、三象限，即“高—高” (H-H) 、“低—低” (L-L) 象限，说明这些省份对毗邻地区物流业碳排放产生正向促进作用；少数省份分布在第二、四象限，即“低—高” (L-H) 、“高—低” (H-L) 象限，说明这些省份对毗邻地区物流业碳排放产生负向抑制作用。2013年、2016年及2020年3个年份中，分布在“高—高”和“低—低”象限的省份数量分别占30个省份数量的57%、47%、77%，说明我国省际物流业碳排放在空间上主要表现为“高—高”和“低—低”集聚，即物流业碳排放聚集分布呈现较为明显的二元结构。“高—高”聚集地区主要分布在安徽省、浙江省、上海市、福建省、江苏省、湖南省、河南省、湖北省等省份，这些省份已经形成较为完善的物流业发展体系，因此呈现出明显的空间集聚特征；“低—低”集聚地区主要分布在西部地区和东北地区，包括陕西省、宁夏回族自治区、青海省、甘肃省、内蒙古自治区、黑龙江省等省份，这些省份受地形地貌等自然条件和经济发展水平限制，物流业碳排放均偏低。

运用Stata16软件对空间杜宾面板数据模型在3种固定效应下回归估计，结果如表8所示。从变量的显著性来看，时间固定效应下的回归结果要明显优于地区固定效应和时间地区双固定效应的结果，但从极大似然估计数Log-likelihood和模型拟合优度R²来看，时间固定效应的极大似然估计数为318.854，远远小于地区固定效应的550.443与时间地区双固定效应的552.285，且时间地区双固定效应下模型的拟合优度仅次于地区固定效应下模型的拟合优度。综合R²与Log-likelihood2个指标来看，时间地区双固定效应模型更优，因此选取时间地区双固定效应模型的结果进行后续分析。

表8中时间地区双固定效应模型下物流业碳排放的滞后项系数Spatial rho为-0.807，在5%的水平上显著不为0，说明我国省际物流业碳排放存在显著负向外溢性，进一步验证我国省际物流业碳排放存在空间相关性，且本地区物流业碳排放受到毗邻地区物流业碳排放的影响。

物流业产业规模LnIS对碳排放存在正向影响且在1%的水平上显著，物流业产业规模每扩大1%，碳排放量增加0.142%，说明物流业产业规模快速扩张的同时碳排放量也相应增加；物流业产业规模空间滞后项W*LnIS的回归系数为0.189，在各显著性水平上都不显著，说明本地区物流业碳排放间接受到毗邻地区物流业产业规模发展的影响，但是其空间上的扩散效应并不明显。

物流业基础设施LnInfrastructure对碳排放存在正向影响且在5%的水平上显著，物流业基础设施水平每提高1%，碳排放量增加0.166%。由于省际物流业基础设施具有通达性，物流业基础设施的空间滞后项W*LnInfrastructure的回归系数为0.132，且十分显著，说明毗邻地区物流业基础设施对本地区碳排放的正向推动作用明显。

物流业能源消耗量LnEC对碳排放存在正向影响且在1%的水平上显著，物流业能源消耗量每增加1%，碳排放增加量0.651%。物流业能源消耗量的空间滞后项W*LnEC的回归系数为-0.284，说明毗邻地区物流业能源消耗量对本地区碳排放起到抑制作用，物流业能源消耗量是导致碳排放量增加的最大因素。

物流业货物周转量LnFRM每提高1%，碳排放量增加-0.013%，且不显著。物流业货物周转量的空间滞后项W*LnFRM的回归系数为-0.048，说明毗邻地区物流业货物周转量对本地区碳排放的空间扩散效应不显著。

控制变量中仅有人口发展LnP每提高1%，碳排放量增加-0.741%，说明本地区人口密度越高，越有利于发挥集约优势，一定程度上降低碳排放量；其空间滞后项W*LnP的回归系数为8.916，在1%水平下显著。由于地理位置相近和经济发展水平相近的城市存在人口流动的现象，毗邻地区人口的工作、旅游、生活和学习等因素对本地区碳排放存在显著的推动作用。

为进一步探究模型中的边际效应，分析各解释变量间作用的差异性及空间外溢效应，将各个变量空间效应分解成直接效应和间接效应，如表9所示。

物流业产业规模LnIS在3种效应下的估计结果均为正，其中直接效应在1%的水平上显著，间接效应和总效应在各水平上均不显著，说明物流业产业规模每正向变化1%，会导致本地区碳排放量增加0.141%。同时，由于本地区物流业产业规模的发展将周边技术、就业人员等资源集中在本地集聚区内，降低了毗邻地区物流业对能源的需求，从而对毗邻地区碳排放的促进作用不显著。

物流业基础设施LnInfrastructure在直接效应与间接效应下显著为正，总效应为正且不显著，说明物流业基础设施每正向变化1%，本地区碳排放量增加0.143%，毗邻地区碳排放量增加0.197%，有显著的空间溢出效应。由于物流业基础设施水平的提高与完善，吸引了更多的物流企业入驻本地区，使得本地区运输、仓储、流通等物流活动增加，物流业基础设施网络结构进一步完善，对毗邻地区的生产与消费产生一定影响，对能源的需求也随之增加，从而造成本地区与毗邻地区碳排放的增加。

物流业能源消耗量LnEC的直接效应显著为正，间接效应为负，总效应为正且不显著。直接效应的绝对值高于间接效应的绝对值，说明物流业能源消耗量对本地区碳排放的促进作用大于对毗邻地区碳排放的抑制作用。

物流业货物周转量LnFRM在3种效应下的估计结果均为负，且均未通过显著性检验，说明虽然物流业货物周转量对本地区及毗邻地区的碳排放存在一定抑制作用，但是空间溢出效应并不明显。

控制变量中仅有人口发展LnP直接效应显著为负，间接效应和总效应显著为正，说明年末常住人口数每正向变化1%，会导致本地区碳排放量减少0.990%，毗邻地区碳排放量增加5.759%，且间接效应的绝对值高于直接效应的绝对值，由于存在人口流动的现象，在一定程度上加剧了毗邻地区的碳排放。

1) 我国物流业碳排放量整体呈现波动上升的趋势，东部沿海地区的物流业碳排放量高于中部地区和西部地区；省际单位货物周转二氧化碳排放均呈现波动变化趋势且差异较大。

2) 我国物流业碳排放在空间上呈显著正相关关系，省际物流业碳排放聚集分布的二元结构明显，呈现“高—高”和“低—低”集聚为主的空间分布特征。“高—高”聚集地区主要分布在安徽省、浙江省、上海市、福建省、江苏省、湖南省、河南省、湖北省等省份，“低—低”集聚地区主要分布在西部地区和东北地区，包括陕西省、宁夏回族自治区、青海省、甘肃省、内蒙古自治区、黑龙江省等省份。

3) 我国省际物流业碳排放存在空间溢出性特征，对本地区物流业碳排放产生正向促进作用的影响因素由强至弱依次为物流业的能源消耗量、产业规模、基础设施，毗邻地区对其产生正向影响因素是物流业基础设施。物流业基础设施在直接效应与间接效应下显著为正，对本地区与毗邻地区碳排放产生正向促进作用；物流业的产业规模和能源消耗量仅在直接效应下显著为正，对本地区碳排放有一定的促进作用且空间溢出效应明显。

省际物流资源要素对物流业碳排放的空间效应及其传导机制揭示了我国省际物流业碳排放非均衡空间分布的规律，合理调配和控制我国省际物流业的能源消耗量、产业规模和基础设施等资源要素能实现物流业减污降碳、协同增效。降碳建议如下。

政府应加大清洁能源的推广力度，优化各省物流业的能源结构。一是要推动各省物流业加快生物燃料、天然气、太阳能等清洁能源的应用；二是山东省、湖北省、江苏省和广东省等东中部高碳排放地区的政府应大力发展轨道交通和绿色交通，加快纯电动与插电式混合动力汽车等新能源汽车推广，完善绿色物流运输体系布局；三是高—高聚集的地区如上海市、福建省、江苏省、湖南省、河南省和湖北省的政府应建立能源价格长效机制，转变物流企业的能源消费理念，促进省际物流业低碳转型的均衡发展。

省级政府应实施省际间的物流业“协同降碳”计划。一是针对上海市、福建省、江苏省、湖南省、河南省和湖北省等高—高聚集地区实施跨省际的物流业碳减排联合协作，产生省际物流业协同碳减排的规模效应，控制聚集区的物流业碳排放，实现聚集区域内部分工协作和资源最优化组合；二是分区域因地制宜制定物流业碳排放控制措施，广东省、上海市、江苏省和浙江省等沿海高碳排放地区重点发挥海运港口优势，加快多式联运现代综合物流运输体系建设，通过调整运输结构减少能源消耗，实现物流业碳减排；青海省、广西壮族自治区、宁夏回族自治区和甘肃省等物流业碳排放水平趋缓的西部地区依托陆海新通道发挥铁海联运优势，持续推动多种运输方式深度融合，促进区域内物流业降碳提效；三是东部地区依托相对良好的物流业发展环境、完善的物流业基础设施、丰富的物流业低碳技术资源，采取措施实现资源共享、科技互助，助力中西部地区物流业实现低碳转型目标。