基于LMDI及Tapio模型的河北省物流业碳排放驱动因素研究.pdf

绿色发展No.10,2023ModernIndustrialH.oonorormationization2023年第10 期Total 232总第2 32 期现代工业经济和信息化D0I:10.16525/ki.14-1362/n.2023.10.056基于LMDI及Tapio模型的河北省物流业碳排放驱动因素研究*董福贵，靳博文（华北电力大学经济与管理学院，北京102206)摘要：对河北省2 0 0 5一2 0 2 0 年物流业的碳排放量进行测算，发现碳排放量主要呈现逐年上升的趋势。利用LMDI因素分解法，对设定的排放强度、能源结构、能源效率、产业结构、人均GDP和人口规模六个影响碳排放的驱动因素进行分解，通过结果分析可得：河北省的能源结构、人均GDP和人口规模这三个影响因素发展情况对河北省物流业减少碳排放起到了负面作用；能源效率和产业结构对物流业碳减排起到了正面作用。采用Tapio脱钩模型来分析物流业碳排放，发现2 0 0 5一2 0 2 0 年期间除部分年份以外，物流业的经济发展与碳排放之间的脱钩状态大部分呈弱脱钩的状态。最后，提出了优化能源结构、提高能源效率、改善产业结构等建议。关键词：物流业；碳排放;LMDI分解模型；Tapio脱钩模型中图分类号：F127文献标识码：A文章编号：2 0 9 5-0 7 48(2 0 2 3)10-0 17 2-0 30引言近年来，全球变暖所引起的问题逐渐加剧，严重威胁人类命运共同体的发展，减少二氧化碳排放已经成为全球关注的重点问题。为了应对气候变暖的挑战，中国提出了“双碳”目标，该目标的提出，为整个社会经济发展指明了方向，如何有效落实节能减排，促进整个社会在高速发展的前提下更加符合绿色、低碳、循环的期望，成为新时代生态文明建设的焦点问题。在“双碳”目标背景下，各行各业都应该为实现这一目标作出努力。物流作为一个耗能较大的行业，节能减排刻不容缓。因此，明确不同驱动因素对物流业碳排放的带来的影响，研究分析物流业碳排放总量与经济增长能力之间的相互脱钩关系，对于推动河北省低碳物流发展有着重要意义。1文文献综述一些国内外的学者对LMDI因素分解法和Tapio脱钩模型有所研究。Muhammad等 采用LMDI因素分解法和Tapio脱钩模型对19 9 0 2 0 19 年巴基斯坦电力行业二氧化碳排放的驱动因素进行了研究。ChiZhang等 2 本文采用LMDI因素分解法和Tapio脱钩模型，探讨了19 9 0 一2 0 16 年中国电力消费的影响因素，并分析了经济增长与电力消费之间的脱钩状况以及影响因素。张中秋等 3 首先对土地利用的碳排放量进行了测算，其次利用LMDI因素分解法和Tapio模型分析了碳排放影响因素以及其与经济发展之间的关系。张乘玮等 4 利用LMDI分解方法来研究连云港市2 0 10 一2 0 19 年电力行业碳排放量变化的原因。一些学者聚焦于物流业的碳排放影响因素研究。苑清敏等 5 首先对京津冀物流业碳排放量进行测算，然后采用LMDI因素分解法对京津冀19 9 8 一2 0 12 年物流业碳排放驱动因素进行分解，并采用与OECD的脱钩模式测算了碳排放量的脱钩系数，对京津冀物流业碳排放与经济发展状况进行分析。Timilsina.G.R等 6 研究了部分亚洲国家19 8 0 2 0 0 5年运输部门碳排放情况，发现经济增长、人口规模和能源强度是导致交通运输行业碳排放量增加的重要原因。2碳排放测算由于碳排放量难以被精确计算，目前物流业碳排放没有准确的碳排放数据。本文采取IPCC推荐的“自上而下”碳排放量估算方法，估算公式如下：C=Z c=Z(E00.).(1)式中：C为物流业的碳排放量;i为不同的能源种类;C;为不同种类能源的碳排放量；E，为不同能源的消耗量；,为不同能源种类的折标准煤参考系数；8.为不同能源种类的碳排放系数。根据中国能源统计年鉴发表的能源数据，结合河北省的实际情况，本文选择原煤、汽油、煤油、柴油、燃料油、天然气和电力七种能源来估算河北省物流业碳排放量。具体的折标准煤参考系数和碳排放系数如表1所示。3碳排放驱动因素分析3.1模型建立在现在的研究中,指数分解方法中的迪氏分解法(LMDI)没有残差，是一种比较受到研究者青的分收稿日期:2 0 2 3-0 7-11基金项目：北京社科基金项目（项目编号：2 1JB012）作者简介：董福贵（19 7 4一），男，辽宁凌源人，教授、博士生导师，研究方向为物流系统建模与仿真、能源管理理论与方法等；博文（19 9 8 一），女，河北张家口人，硕士研究生，研究方向为物流系统优化与信息化。AC173:2023年第10 期董福贵，等：基于LMDI及Tapio模型的河北省物流业碳排放驱动因素研究表1各种能源折标准煤系数和碳排放系数项目原煤汽油煤油柴油燃料油天然气电力折标准煤参考0.71431.471 41.47141.457 11.428 61.330.1229系数碳排放0.75520.59130.57370.59130.617 40.44792.2132系数解方法。为进一步研究河北省物流业碳排放的驱动因素，本文根据河北省物流业实际发展情况，构建了由碳排放强度、能源结构、能源效率、产业结构、人均GDP和人口规模六个驱动因素构成的LMDI分解模型如下：C=Zci=Z(C.iEYG,P.)=XEt;XEY,G,P.E(lc.:Ie.:Ee Is Gp P).(2)式中：C,为物流业的碳排放量；Ct为不同能源种类的碳排放量；E，为不同能源种类的能源消耗量；E，为物流业的能源消耗总量；Y,为物流生产总值；G,为河北省生产总值；P为河北省总人口。设定Ic,=C,/E为碳排放强度，代表不同能源的碳排放系数;le,=E,/E,为能源结构指数，代表能源结构对物流业碳排放的影响；Er=E/Y,为能源效率，代表单位物流业生产总值所消耗的能源量；Is=YJG,为产业结构指数，代表河北省物流业的行业发展水平；Gp=G/P为人均GDP，为为河北省生产总值与河北省总人口的比值。根据LMDI加法模型，上述碳排放公式还可以分解如下：=C,-Co=C+Ce M+Ce+Ci s+Cc p+Cp.(3)式中：Ca、CE M、CE E、Ci s、Cc P、Cp 分别为碳排放强度、能源结构、能源效率、产业结构、人均GDP和人口规模对物流业碳排放的贡献。由于Ic.为不同能源的碳排放系数，而在本文的设定中碳排放系数是不变的,所以变量Ccr为0。根据LMDI分解模型，假设用A来代表其他五个驱动因素，其他的碳排放变量可以统一为为：ACAZ(4)Inci-lnCiAo式中：A同时代表CI、E M、E E、I S、G P、P这些碳排放驱动因素3.2结果分析根据前文建立的模型，以2 0 0 5年为基准年计算得出河北省物流业的碳排放各个碳排放量影响因素的分解结果，最终的分析结果如表2 所示。在五个影响因素中,能源结构、人均GDP和人口规模这三个影响因素累积为正值，表明在所研究的年份中这三个影响因素对河北省的碳排放起到了助推表2河北省物流业的碳排放各个影响因素碳排放变化量年份ACeMACmEACsACopACp2006-2.26-51.8113.9148.072.5620070.32-58.236.9472.342.552008-0.43-60.78-3.7260.202.6720090.82-51.3813.7827.462.5720100.69-0.92-2.0560.039.662011-0.23-36.54-6.3480.143.1520120.76-28.67-8.1035.253.2720131.06-15.73-6.4722.243.1320142.19-55.52-9.8615.333.3820150.77-20.90-8.4618.752.562016-4.4384.65-35.2934.563.0020173.98-87.26-10.3534.193.4220185.944.01-15.4424.762.192019-0.95-46.0514.3244.80-7.3820204.08-163.20-13.7813.510.96合计12.31-588.33-70.91591.6337.69作用，即人均GDP越高、人口规模越大随之物流业碳排放量也会增加，同时可见碳排放对能源结构也有一定的依赖程度，其中人均GDP的累积影响值是最大的；能源效率和产业结构这两个影响因素累积为负值，表明这些影响因素对物流业碳排放起到了抑制的作用，能源效率的抑制作用累积最强。也就是说，河北省在能源结构、人均GDP和人口规模这三个影响因素方面需要改善，这是未来减排的着力点。而通过进一步优化产业结构和能源效率，可以有效地改善物流业碳排放量大的问题能源效率驱动因素影响下的碳排放变化量随时间变化较为剧烈，而能源结构、人口规模驱动因素影响下的碳排放变化量随时间变化较为缓慢。这说明，能源效率这一驱动因素是相对可变化的，是可以较为容易的通过优化能源效率而达到减少碳排放量目的。随着时间的推移，碳排放量主要呈现逐年上升的趋势。而在2 0 2 0 年，碳排放量出现了明显的下滑，主要是因为这一年新冠疫情的爆发影响了物流业的发展。将碳排放量和碳排放变化量的变化趋势对比，可以发现二者的变化趋势基本一致,说明LMDI因素分解法对碳排放影响因素的分解是可靠有效的。4牛物流业发展与碳排放脱钩效应研究4.1模型建立近几年来，国内一些学者用“脱钩”概念及其指标来反映经济增长与二氧化碳排放之间的关系。依据Tapio脱钩模型测度方法，脱钩指数的计算公式如下：TACeM/C,ACp/C,ACi/C,ACcp/C,ACp/C,AY/YY/YY/YAY/YAY/YTeM+TeE+Tis+Tcp+Tp.(5)式中：T为脱钩指数；Y,为t年的物流业生产总值；Y=Y,-Y-I,为t年的物流生产总值与t-1年的物流生产总值之差；C,为t年的碳排放总量；TeM、T e E、T i s、T c p、174第13 卷现代工业经济和信息化Tp分别为能源结构脱钩系数、能源效率脱钩系数、产业结构脱钩系数、人均GDP脱钩系数以及人口规模脱钩系数。根据弹性指数不同，物流业碳排放变化量与物流业生产总值变化量之间的关系可以划分为不同的脱钩状态。4.2结果分析随着河北物流业的不断发展，根据上文建立的模型,通过计算可得河北省碳排放的Tapio脱钩指数与脱钩状态如表3所示。表3河北省物流业碳排放脱钩状态年份4CCACICYAY/YT脱钩状态200610.47381.700.03801.500.160.17弱脱钩200723.93405.640.06952.200.190.31弱脱钩2008-2.06403.57-0.011172.800.14-0.04强脱钩2009-6.75396.82-0.021 357.800.10-0.16强脱钩201067.41464.230.151773.300.151.00扩张连接201140.17504.410.082.078.900.150.54弱脱钩20122.51506.920.012.207.800.060.08弱脱钩20134.22511.140.012 291.500.040.23弱脱钩2014-44.47466.67-0.102.333.500.02-5.29强脱钩2015-7.28459.39-0.022.399.300.03-0.58强脱钩扩张负201682.48541.870.152410.300.0133.35脱钩2017-56.01485.86-0.122 541.900.05-2.23强脱钩扩张负201821.46507.320.042.606.500.021.71脱钩20194.73512.060.012.886.000.100.10弱脱钩2020-158.44353.62-0.452.890.700.01275.58强脱钩据表3所示，2 0 0 6 年与2 0 0 7 年脱钩状态均为弱脱钩，弱脱钩状态表明物流行业二氧化碳排放变化量与物流行业生产总值变化量均呈增加趋势且二氧化碳排放增加速度慢于生产总值增加速度。2 0 0 8 年与2009年则表现为强脱钩的状态，表明生产总值呈增加趋势但二氧化碳排放呈降低趋势，是最为理想的社会发展情态。2 0 10 年、2 0 16 年与2 0 18 年的脱钩状态依次表现为扩张连接、扩张负脱钩和扩张负脱钩，这些状态都表明物流行业的发展与二氧化碳排放量的增长有很强的正相关性，是不理想的社会发展情态。可以在表中数据分析可得，从2 0 0 6 一2 0 2 0 年物流业生产总值稳步上升，即Y/Y总是大于O；而碳排放变化量，即C在2 0 0 8、2 0 0 9、2 0 14、2 0 15、2 0 17和2 0 2 0 年这些年份实现了碳排放变化量下降，所以在这些年份中脱钩状态均为强脱钩，即社会最希望的碳排放减少而生产总值增加。结合表2 分析可知，导致C为负的重要影响因素为能源效率，根据数学公式可得EEEEo，实际意义为当年的单位生产总值所耗的能源量小于基年的单位生产总值所耗的能源量，即单位生产总值所耗的能源量随着年份的增加而减少。5结论通过上述分析可得，河北省物流行业的碳排放量呈现逐年上升趋势，在六个驱动因素中，能源结构、人均GDP和人口规模对河北省物流业的碳排放规模不断扩大起到了一定助推作用，其中人均GDP对物流行业的碳排放量的影响更为显著；而能源结构和能源效率这些驱动因素对河北省物流业碳排放起到了一定的抑制作用。此外,在所研究的年度中,河北省物流业的经济发展和碳排放的脱钩状态除个别年份以外，更多地表现为弱脱钩所以物流业还应继续制定相应的针对性政策以推动物流产业向低碳环保的方向发展，并尽早完成节能减排和碳排放与经济增长真正意义上的脱钩。据此给出一些建议。5.1优化能源结构可以根据收集的数据可知，河北省物流行业主要使用的能源为各种油类燃料,其他占比相对较小。为了减少物流行业碳排放量，应该致力于开发新型清洁能源、提高使用清洁能源的使用率、增加一些碳排放系数低的能源的使用。5.2提高能源效率能源效率对物流业碳排放变化起到了很强的抑制作用,所以提高能源效率对物流业的低碳绿色发展是有效果的。一方面，实现“开源”,提高清洁能源在物流整个过程的利用率，如使用新能源汽车来实现运输配送，同时也要提高清洁能源的转化率。另一方面，实现“节流”，减少物流运营过程中的不必要能源浪费，如支持物流仓储、包装低碳化，较少物流作业过程中的废气、废物排放。5.3改善产业结构产业结构也是抑制物流业碳排放的重要驱动因素，改善产业结构是减少物流行业碳排放量的有效途径。要改善产业结构就需要创新，而技术创新又是一个产业的发展命脉。在运输管理方面必须不断创新，以降低甚至避免空返运送和迁回运输所带来的能源浪费问题。参考文献1Muhammad Yousaf Raza,Boqiang Lin,Analysis of Pakistans electricitygeneration and COz emissions:Based on decomposition and decouplingapproach LJJ.Journal of Cleaner Production,2022,359,959-6 526.2Chi Zhang,Bin Su,Kaile Zhou,Shanlin Yang,Analysis of electricityconsumption in China(1990-2016)using index decomposition anddecoupling approach JJ.Journal of Cleaner Production,2019,209,224-235.3张中秋，罗洁莲，劳燕玲.云南省“土地利用一碳减排一经济增长”因素间的联动分析：基于LMDI和Tapio模型 J.北部湾大学学报,2 0 2 2,37(4):56-6 8.4张乘玮，王健新，李永峰.基于LMDI分解方法的连云港市电力碳(下转第17 8 页）上接第17 4页）Res（编辑：白龙）.178第13 卷现代工业经济和信息化管理系统设计与应用 J.电力需求侧管理，2 0 2 3,2 5（3）：54-6 1.3罗仲达，李容嵩，彭凌烟，等.基于区块链和CP-ABE的电力工程检测数据安全共享方法 J.电力信息与通信技术，2 0 2 3,2 1（3：80-86.4余晗，梁音，宋继勐，等.数据安全共享技术发展综述及在能源电力领域应用研究 J.信息安全研究，2 0 2 3，9（3）：2 0 8-2 19.5傅宏，杨剑蓝，李靖，等.基于区块链的去中心化电力交易与访问控制系统 J.计算机应用与软件，2 0 2 3，40（2）：118-12 3；137.6叶青，郑路攀，祝勇，等.基于分布式区块链与信息加密技术的电力工程数据共享策略设计 J.电子设计工程，2 0 2 3，31（2）：121-125.7邸剑，臧齐齐，王桂兰，等.基于区块链和梯度修正法的分布式经济调度策略研究 J.电力系统保护与控制，2 0 2 2，50（2 1）：99-107.earch on Carbon Emission Reduction Trading Market Mechanism of Electric PowerEnterprises Based on Blockchain TechnologyZhang Jianzhong,Du Xin,Yao Jianxiao,Zhang Jiying,Wang Xiaomin,Hu Rulel(1.Southern Power Grid Digital Enterprise Technology(Guangdong)Company Limited,GuangzhouGuangdong 510700,China;2.Beijing Kedong Electric Power Control System Co.,Ltd.,Beijing 100192,China)Abstract:The traditional research on carbon emission reduction trading market mechanism of electric power enterprises has not established acarbon emission reduction trading model,which results in the low efficiency of the traditional method trading market mechanism.Propose theresearch of carbon emission reduction trading market mechanism of electric power enterprises based on blockchain technology.Design themarket model of carbon emission reduction trading of electric power enterprises,calculate the functions in carbon emission,further carry outmodel decentralisation processing according to the established trading market model,and finally implement the design of carbon emissiontrading mechanism based on blockchain technology,design the comparison experiments,and the experimental results show that this researchmethod has the highest efficiency of the trading market mechanism,which is worthy of promotion.Key words:blockchain technology;electric power enterprises;carbon emission trading;market mechanism research排放研究 J.能源与节能，2 0 2 2（12）：7 6-7 9.5苑清敏，张文龙，宁宁宁.京津冀物流业碳排放驱动因素及脱钩效应研究 J】.科技管理研究，2 0 16,36（5）：2 2 2-2 2 6.6TIMIL SINA GRSHRE STHA A.Transport sector CO2 emissions growthin Asia:Underlying factors and policy options J.Energy policy,2009,37(11):4 523-4 539.(编辑：王钢）Study on Carbon Emission Driving Factors of Logistics Industry in Hebei Province Based onLMDI and Tapio ModelDong Fugui,Jin Bowen(School of Economics and Management,North China Electric Power University,Beijing 102206,China)Abstract:The carbon emissions of the logistics industry in Hebei Province from 2005 to 2020 were measured,and it was found that thecarbon emissions mainly showed a rising trend year by year.Using the LMDI factor decomposition method,the set six driving factorsaffecting carbon emissions,namely emission intensity,energy structure,energy efficiency,industrial structure,per capita GDP andpopulation size,are decomposed,and the analysis of the results reveals that:the development of the three influencing factors of HebeiProvince,namely energy structure,per capita GDP and population size,plays a negative role in reducing carbon emissions of the logisticsindustry in Hebei Province;energy efficiency and industrial structure play a positive role in reducing carbon emissions in the logisticsindustry.The Tapio decoupling model is used to analyse the carbon emssions of the logistics industry,and it is found that the decouplingstatus between the economic development of the logistics industry and the carbon emissions is mostly weakly decoupled from 2005 to 2020,except for some years.Finally,suggestions are made to optimise the energy structure,improve energy efficiency,and improve the industrialstructure.Key words:logistics industry;carbon emission;LMDI decomposition model;Tapio decoupling model