物流业智慧化对京津冀城市群碳排放的影响

摘 要：低碳转型是我国经济发展的必由之路。数字技术作为中国经济高速发展的新动能，在一定程度上促进了物流行业的低碳转型。本文采用京津冀城市群2013-2022年13个城市的数据，运用双固定效应模型，探讨物流业智慧化转型对于京津冀城市群物流业碳排放的影响。结果显示：物流业智慧化可以显著抑制京津冀城市群物流业碳排放，最后，基于文章的理论分析和实证分析的结果，为京津冀城市群如何进一步推动物流业智慧化，助力物流业碳减排提出相关建议。

关键字：物流业智慧化；碳排放；京津冀城市群

一、引言

自国家提出“碳达峰”和“碳中和”战略之后，绿色低碳是发展的必由之路，低碳经济也自然而然成为我国当前发展的重点。面对我国经济发展和低碳发展不平衡等问题，国务院出台相关文件提出，要将“双碳”纳入经济发展的全过程中，要将低碳理念融入各个行业，实现经济的低碳发展。物流业作为国家经济发展的基础性产业，其能源消耗量仅次于工业，过高的能源消耗量以及碳排放不利于我国低碳发展的要求。根据相关统计，我国物流业碳排放量占我国碳总排放量的9%左右，成为主要碳排放行业之一。随着低碳经济要求的不断深化，物流业在发展低碳经济方面存在巨大的压力，而物流业随着经济的不断增长是也逐渐成为实现“双碳”目标的关键领域。进一步推进物流业降低碳排放量是城市发展的重任。

随着大数据数字技术的蓬勃发展，物流业迎来了节能减排的新机遇。而物流智慧化是指通过数字技术与物流业的深度的融合，以数字技术为核心驱动力，打通物流环节的堵点，从而提高物流流动效率。物流智慧化可以通过数字技术做到货物的整合、线路的规划、供应链上下游协同管理，从而降低资源的消耗量和碳排放量。而京津冀城市群作为我国经济发展的助推器，在2023年GDP已经达到10.3万亿，消费人口达到1.4亿，电子销售额占比都在15%以上。所以研究京津冀物流业智慧化以及其对于物流业碳排放的影响，意义重大。那么，京津冀城市群物流业智慧化以及碳排放效率处在什么水平？物流业智慧化能否有效抑制京津冀城市群碳排放强度？这些问题有待进一步研究。基于此，本文深入研究京津冀城市群物流业智慧化对于物流业碳排放的影响。

二、文献综述

学界对于物流业智慧化给与了高度关注，现在有关物流业智慧化研究主要集中在三个方面：一是物流业智慧化的内涵界定，大多数学者认为物流业智慧化指的是，利用数字技术来进行优化物流行为，使得整个物流系统达到最优。Donaldson（2018）发展通过对于基础铁路基础设施的信息化升级，可以提升铁路的运行效率，促进地区之间的经济往来[2]。二是物流业智慧化水平的测度。谷城（2024）从“技术-应用-投入”三个角度出发，通过基础要素投入、智慧应用和发展效用三个方面，9个指标来量化物流业智慧化[1]。

而在积极推动绿色低碳发展，对碳排放量的评估以及碳排放的核算方面研究国内外学者做了大量的研究。其中投入产出法被应用的最为广泛，它是来研究经济体系内各部门之间和行业之间的投入和产出的关系，该方法首先被应用于测算碳排放量是在《2006年IPCC国家温室气体清单指南》中，之后被学者广泛应用在各个领域。谢金良（2024）通过投入产出法测算了家庭碳排放量，为减少家庭碳排量给出了指导意见[3]。喻开志（2024）通过投入产出模型研究了中国与东盟之间的贸易关系对于中国碳排放量的影响，研究发现全球价值的嵌入能够减少中国的碳排放量，但是增加贸易活动会增加碳排放强度，会产生抑制作用[4]。

然而由于地级市的数据获得比较困难，部分城市并没有公布相关数据，对于地级市碳排放量数据获得受阻。刘春英（2024）通过采用碳排放系数法和夜间灯光模型，分析2010-2020年长江土地利用隐性形态对于碳排放的影响[5]。张斯琴（2024）通过夜间灯光数据测度碳排放来进行研究碳排放强度，从而进一步研究新质生产力对于低碳转型的影响[6]。

通过文献梳理，发现关于物流业智慧化对于碳排放的研究依然存在不足，现在研究主要存在省级一级，对于市一级的研究还相对匮乏。其次地级市物流业碳排放量的测度也相对较少，因此本文通过夜间灯光数据和投入产出法来测度京津冀城市群的碳排放量，来研究物流业智慧化对于京津冀城市群碳排放的影响。

三、理论分析与研究假设

随着数字技术的快速发展，数字经济已经成为国家经济增长的重要支柱。大数据、互联网、人工智能等各种数字技术被广泛应用在各个行业和领域当中，为各行各业的碳减排做出了巨大贡献。而在物流领域的应用，可以通过联动上下游从带动整个供应链的碳减排。具体是，当企业引入数字技术来优化信息沟通，供应链上下游联系比较紧密，从而可以使供应链上的节点可以有效降低企业的经营风险，提高经营效率，降低交易成本，从而推动整个供应链的有效降本增效，减少碳排放量。而在优化流程上，物流业智慧化，可以优化物流业各个环节，提高整个物流的效率，通过对供应链节点信息的快速流通，让整条供应链更加协调，从而优化资源配置、优化物流路径，降低物流业碳排放。基于此：本文假设，物流业智慧化可以有效的抑制碳排放强度。

四、数据来源

数据来源及处理：《河北统计年鉴》、《北京统计年鉴》、《天津统计年鉴》，《中国城市统计年鉴》和各地级市统计年鉴统计公报。A级物流企业来自于中国物流与采购网，灯光数据来自于美国国家地理数据中心。

五、物流业智慧化和碳排放强度测度

（一）物流业智慧化评价指标体系

目前关于物流业智慧化的测度研究并没有形成统一，本文借鉴刘帅[8]，谷城[1]等人的相关研究，并且结合现在物流业智慧的发展趋势，从经济基础、创新环境、数字化水平、物流基础和物流产业等五个方面来构建物流业智慧化指标体系。基于此，采用熵值法对京津冀城市群2013-2022年的数据进行确定权重，从而进一步计算物流业智慧化发展水平。

（二）碳排放强度测度

本文采取两种方式来测度碳排放量：一是通过省级物流业二氧化碳排放量按照城市群物流业的增加值进行分配。二是通过夜间灯光原始数据选自国家地理数据中心（NOAA，https：//www.ngdc.noaa.gov/eog/download.html）。NPP-VIIRS夜间灯光数据由于没做预处理，需要通过降噪处理去除背景噪声，具体做法借鉴Shi等做法进行降噪处理[7]。并且由于存在极光等现象，NPP-VIIRS可能存在异常值，本文设置的阈值最大DN为63；之后需要通过各省统计年鉴和《中国能源年鉴》，将省级交通运输、仓储和邮政业能源消耗数据折算为省级物流业碳排放量，计算公式如下：

通过上式就可以计算出地级市的物流业的碳排放量。

六、模型构建与实证分析

（一）模型构建

CEit是i市在t年碳排放强度；SLit为i市t年的物流业智慧化水平，ctrlit为控制变量集合；α1为物流业智慧化发展对碳排放强度的影响系数，μt为时间固定效应，γi为城市固定效应；εi为随机绕动项。

（二）实证结果分析：

对模型进行基准回归发现，由列（1）可知，在不加入控制变量的情况下，物流业智慧化水平对于京津冀城市群碳排放强度的系数为-1.21，该系数在5%的水平下显著。这表明没有控制变量时，物流业智慧化对碳排放具有抑制作用。由列（2）可知，在加入人均收入之后物流业智慧化水平对于碳排放的系数为-1.1，该系数在5%的水平下显著。由列（6）可知，当加入人力资本、人均收入、政府干预以及城镇化率时物流业智慧化水平对物流业碳排放的系数为-1.04，这进一步说明物流业碳智慧化水平是抑制物流业碳排放的重要驱动因素之一。这表明物流业智慧化水平没增加一个1个百分点，将使使物流业碳排放下降1.04。这意味着物流业智慧化水平的提升能够抑制物流业碳排放的结论依然稳健。

为检验结果的稳健性，本文进一步采用如下方法进行稳健性检验，更换解释变量（1）和（2）；三是缩尾处理，对所有样本在5%的水平上进行缩尾处理，从而去除可能影响结论的特殊样本，结果见列（3）。稳健性检验结果表明，物流业智慧化对物流业碳排放量有显著的抑制作用，本研究基准回归结果稳健。

七、结论与建议

在碳达峰、碳中和的要求下，物流业低碳转型是实现双碳目标的关键节点，物流业智慧化的发展为物流业碳减排提供了契机。本文基于2012-2022年京津冀城市群13个城市的面板数据以及灯光数据测度了物流业智慧化发展水平以及京津冀城市群碳排放水平，得出结构，物流业智慧化能够显著抑制物流业碳排放量。

京津冀城市群大力发展数字技术，将数字技术、数据要素与物流行业进行深度融合，保持技术进步对物流行业实现降碳的持久动力，推动整个行业向智慧化发展，实现物流业实现低碳转型。京津冀城市群物流业智慧化存在向大城市集中的现象，北京、天津、石家庄等城市物流业智慧化水平较高，其他城市应该进一步推进大数据、物流网技术的落地，构建数字化基础设施，加强人才引进和资本引进。其次要鼓励企业积极引进数字技术，并且提高企业的环保意识，利用数字技术提升企业的生产效率，降低碳排放。

参考文献：

[1]谷城，张树山，刘赵宁.物流业智慧化对企业绩效的影响与机制——基于供应链韧性视角[J].中国流通经济，2024，38（07）：87-100.

[2]Donaldson D. Railroads of the Raj： Estimating the impact of transportation infrastructure[J]. American Economic Review， 2018， 108（4-5）： 899-934.

[3]谢金良，郭静，黄雨婷，等.基于多源数据的中国家庭碳排放核算与占比估计[J/OL].环境工程学报，2024，（11）：3081-3091.

[4]喻开志，冯佳晗，石瑶.中国与东盟区域间贸易对中国碳排放影响研究——基于全球价值链框架[J].南开经济研究，2023，（12）：122-143.

[5]刘春英，曹依，王骏博，等.土地利用隐性形态对碳排放的影响研究——以长江中游城市群为例[J].土壤通报，2024，55（06）：1543-1554.

[6]张斯琴，田雪岐.数字经济赋能黄河流域新质生产力及低碳转型的路径研究[J/OL].人民黄河，1-8[2025-01-17].

[7]Shi K， Yu B， Huang Y， et al. Evaluating the ability of NPP-VIIRS nighttime light data to estimate the gross domestic product and the electric power consumption of China at multiple scales： A comparison with DMSP-OLS data[J]. Remote Sensing， 2014， 6（2）： 1705-1724.

[8]刘帅.数字物流促进物流业碳排放效率提升的机制与效应[J].中国流通经济，2024.38（06）：54-65.