刘辉 范林榜 吕墨子

摘  要：物流业的发展对经济、环境和能源有重大的影响，因此中国若要实现经济内循环和高质量发展必须重视物流业发展。文章基于2010～2019年中国31个省的面板数据，运用PVAR模型对物流业与能源、环境和经济之间关系进行实证研究。研究表明：（1）中国不同地区的物流业发展是不均衡的。“明星”象限的沿河流域，物流业发展潜力较高，经济增长动力也较高;“金牛”象限的沿海地区，物流业发展潜力较低，但经济增长动力较高;“问题”象限的东北地区，物流业发展潜力较高，但经济增长动力较低;“瘦狗”象限的西部地区，物流业发展潜力较低，经济增长动力也较低。（2）能源消耗与物流需求为双向影响效应;经济发展是导致物流业发展的原因;物流业发展与物流需求为双向影响效应。最后，对中国物流业如何高質量发展给出一些意见和建议。

关键词：PVAR;经济内循环;物流产业;高质量发展

中图分类号：F250    文献标识码：A

Abstract： The development of the logistics industry has a significant impact on the economy， environment and energy， so China must pay attention to the development of the logistics industry if it wants to realize the internal circulation of the economy and high-quality development. Based on the panel data of 31 provinces in China from 2010 to 2019， this paper uses the PVAR model to conduct an empirical study on the relationship between the development of China's logistics industry and energy， environment and economy. The research shows that：（1）The development of logistics industry in different regions of China is not balanced. Along the river basin in the“star”quadrant， the development potential of logistics industry is high， and the economic growth power is also high. In the coastal areas in the“jinniu”quadrant， the development potential of logistics industry is low， but the economic growth power is high. In the“problem”quadrant of Northeast China， the development potential of logistics industry is high， but the impetus of economic growth is low. In the western part of the“thin dog”quadrant， the development potential of the logistics industry is low， and the impetus for economic growth is also low.（2）Energy consumption and logistics demand is a two-way effect; economic development is the cause of the development of logistics industry; logistics industry development and logistics demand for a two-way effect. Finally， this paper gives some opinions and suggestions on how to develop Chinese logistics industry with high quality.

Key words： PVAR; internal circulation of economy; logistics industry; high quality development

随着全球新冠肺炎疫情进一步蔓延的影响，全球经济受到前所未有的巨大冲击，中美贸易摩擦不断升级，自疫情以来中国国内失业人口也在持续增加，2020年1～3季度中国国民生产总值比上年同期增长仅为0.7%。中国的经济发展受到严重的冲击。中国作为制造业大国，当前正处于经济绿色转型升级的关键时期，中国的制造业面临能源消耗与环境保护的双重压力。同时，中国的经济发展要想实现经济内循环，通过国内消费拉动经济增长就必须重视物流业的发展，因为物流业发展程度对企业的降本增效有显著的影响。经济内循环的实现更需要完善的产业链和不同地区之间的经济协调发展与优势互补。而物流业无疑是实现这一远景的重要支柱。因此，我们既要研究物流业与经济发展的关系，同时也要研究它们与能源消耗和环境污染的关系。

1  文献综述

Lan S等（2017）[1]认为随着经济全球化和一体化的发展，物流业已成为推动国民经济和区域经济快速发展的新动力。经济发展与物流发展之间的密切关系受到学术界的广泛关注。Fang C & Zhang J（2018）[2]认为环境的可持续发展驱使企业开展内部绿色活动，并向绿色供应链管理扩展，研究表明绿色供应链管理对提高公司绩效具有积极影响。Liu X等（2019）[3]认为随着全球对环境保护重要性的认识不断提高，亚洲见证了绿色物流和供应链绿色化的重要趋势，迫切需要发展环境可持续的供应链，以保护当地和全球环境。Khan S A R等（2019）[4]从亚洲新兴经济体的角度研究了绿色物流指数、经济、环境和社会因素之间的关系。结果表明，物流业务与社会和环境问题呈显著负相关。

以上学者皆从两个或三个维度研究物流业发展与经济的关系，本文从物流业发展、经济、能源和环境这四个维度探讨物流业可持续发展问题。

2  变量说明与数据来源

2.1  变量说明

2.1.1  物流业发展水平

本文采用中国部分地区（31个省）的货运量作为物流业发展程度的指标。货运量是在货物运输中完成或需要完成运输的货物数量。Hidayatno A等（2019）[5]使用货运量指标来研究雅加达的电子商务发展，他们认为在过去的几年中交通部门的能源使用对城市发展有重大影响。Baydar A M等（2019）[6]研究了土耳其的货运村，他们认为货运村是一个物流集群，在这个物流集群中实现了与货运量有关的所有活动。

2.1.2  物流需求

本文采用快递业务量作为物流需求的指标。一个地方的快递业务量可以较好地反映该地区对物流服务的需求量。Duan H等（2019）[7]认为快递在现代经济中起着至关重要的作用。Kang P等（2020）[8]认为由于电子商务和物流业的蓬勃发展，快递服务已成为我们日常生活中不可或缺的一部分。

2.1.3  经济发展

本文采用国内生产总值作为经济发展的指标，国内生产总值是按市场价格计算的一个国家或地区所有常住单位在一定时期内生产活动的全部最终产品和服务价值的总和。Rashidi K & Cullinane K（2019）[9]认为在大多数国家中，物流业在国内生产总值（GDP）的增长中也占很大的份额，常被认为是衡量国家或地区经济状况的指标之一。Wu Q & Qiu Y（2019）[10]探讨了影响中国物流业发展的因素，对中国物流业产值进行了多元回归分析。结果表明，物流产值作为中国GDP的重要组成部分，对中国GDP的发展具有重要的贡献。因此需要研究它们之间的关系，以使物流业科学发展。

2.1.4  能源消耗

本文变量能源消耗是通过2010～2019年中国部分地区（31个省）的载货汽车数量car年度统计量计算所得。

car—代表不同省份在不同年份载货汽车数量;

m—代表载货汽车每消耗1升汽油的质量;

x—代表载货汽车每行驶一百公里消耗汽油量;

V—代表载货汽车的速度;

h—代表载货汽车每天行驶的时间;

d—代表载货汽车每年工作的天数。

lnEC=lnm·x·v·h·d·car                                  （1）

其中：i=1，2，…，n，代表中國各个省;t=1，2，…，t，代表年份。为了简化计算，本文数据均采用各数据的历年均值。详细计算过程[11]如下：假设汽车百公里油耗为10L，汽油的质量为0.74kg/L，载货汽车平均速度为70km/h，以每辆汽车每天工作10小时计算，然后将其代入公式（1），求出最终的结果能源消耗。Yang J等（2019）[12]认为基于中国的能源结构，物流业已成为最重要的能源消耗者和碳排放贡献者之一。

2.1.5  环境污染

Deng F等（2020）[13]认为中国的物流业最近发展迅速，但也面临着成本高、效率低和碳排放过多等问题，给环境造成了沉重负担。本文变量环境污染采用燃油载货汽车所排放的氮氧化物表示，该指标是通过2010～2019年中国31个省的载货汽车数量年度统计量计算所得。Cohen G & Jalles J T（2019）[14]使用汇总数据和省级数据对中国温室气体排放量与GDP之间的关系进行了综合分析。中国的库兹涅茨弹性约为0.6，高于发达国家，但低于主要新兴市场。

nox—代表载货汽车每行驶一百公里氮氧化物排放量。

lnEP=lnv·h·d·nox·car                                   （2）

其中：i=1，2，…，n，代表中国各个省;t=1，2，…，t，代表年份;为了简化计算，本文数据均采用各数据的历年均值。计算过

程[15]如下：假设汽车百公里排放氮氧化物为14.36g/km[16]，载货汽车平均速度为70km/h，以每辆汽车每天工作10小时计算，将其代入公式（2），求出最终的结果环境污染lnEP。

2.2  数据来源

本文数据来源于国泰安数据库（CSMAR）和中国统计年鉴2010～2019年中国大陆地区（31个省）的面板数据，运用面板向量自回归（PVAR）模型，使用STATA软件得出模型拟合结果。为了消除各变量之间的内生性问题，本文在两个模型中分别增加了两个不同的工具变量。为了消除时间序列数据的惯性问题，所有变量均采用一阶差分形式。由于数据统计缺失的原因，未收集到中国香港、澳门和中国台湾地区的相关数据，暂不做相关研究。

3  实证研究

3.1  模型构建

Sims等（1980）[17]创立了向量自回归（VAR）模型，其特点就是将所有变量作为内生变量，以真实反映各变量之间的关系，Holtz-Eakin等（1988）[18]将其拓展到面板数据，提出了面板自回归（PVAR）模型。

对物流业发展与经济、能源和环境之间关系的研究，以往的学者一般采用固定效应模型或随机效应模型研究，但是忽视了模型变量之间可能存在的内生性问题。为了能全面了解它们之间的关系，本文依次构建了两个模型。如下所示：

D.Y=μ+μ·D.Y+Ω+ε                                     （3）

D.Y=μ+μ·D.Y+Φ+ε                                     （4）

其中：i=1，2，…，n，代表中国各个省;t=1，2，…，t，代表年份;D.Y=lnGDP lnEP lnLDL为一个包含经济发展水平lnGDP、环境污染程度lnEP、物流发展水平lnLDL的三维列向量;D.Y=lnEC lnLD lnLDL为一个包含能源消耗量lnEC、物流需求lnLD、物流发展水平lnLDL的三维列向量;Ω=lnEC lnLD为一个包含能源消耗lnEC和快递业务量lnLD的二维行向量;Φ=lnGDP lnEP为一个包含经济发展lnGDP、环境污染lnEP的二维行向量。μ表示截距项向量;k表示滞后期数;μ表示滞后第j阶的参数矩阵;ε为随机扰动项。

3.2  平稳性检验

PVAR模型要求变量是平稳序列，通过平稳性检验可以有效避免模型的伪回归现象[19]。由于本文使用大N小T的短面板数据，为了增强检验结果的稳健性，本文采用IPS（异质根检验）、LLC（同质根检验）、ADF-Fisher检验、PP-Fisher 4种检验进行单位根检验（见表1）。5个序列lnGDP， lnEC， lnEP， lnLD， lnLDL在4个检验中均拒绝变量平稳性的原假设且全部在1%水平上显著，表明具有良好的平稳性，可以进行PVAR模型估计。

3.3  最优滞后期数的选择

为保证PVAR模型参数估计的有效性，应先确定PVAR模型的最优滞后期数，一般选择信息准则最小值所在的滞后期数为最优滞后期数[20]。分别采用AIC、BIC和HQIC准则进行最优滞后期数的选择（见表2）。基于模型稳定性与Granger因果检验结果的考虑，模型（3）和模型（4）在滞后4期时，拟合效果最显著。因此，本文最终将滞后4期作为模型（3）和模型（4）的滞后期数。

3.4  中國部分地区PVAR模型回归

为了增加模型的可靠性，本文在模型（3）的基础上增加了能源消耗lnEC和物流需求lnLD两个工具变量;在模型（4）的基础上增加经济发展lnGDP和环境污染lnEP两个工具变量。31个省进行PVAR模型的GMM估计的结果（见图1）。董梅、李存芳（2020）[21]在研究中国的低碳化进程时将30个省分为8个区，本文亦采用类似方法将中国部分地区（不包括港、澳、台）31个省分为4个大地区（9个细分区域）进行比较。

由图1可以清晰地看出，物流业发展与经济、能源、环境之间的影响系数在不同省份之间的差异。基于波士顿矩阵和通用矩阵的特点，本文提出了中国不同地区发展矩阵构想图（见图2），纵轴表示物流业发展潜力，横轴表示经济发展动力。图3中纵轴表示物流业发展水平，横轴表示经济发展水平。

处于“明星”象限的沿河流域，物流业发展潜力较高，经济增长动力也较高;处于“金牛”象限的沿海地区，物流业发展潜力较低，经济增长动力却较高。部分沿海地区已经进入瓶颈期，负外部性逐渐显现;处于“问题”象限的东北地区，物流业发展潜力较高，经济增长动力却较低。这就决定了东北地区“高增长但弱竞争”的尴尬地位;处于“瘦狗”象限的西部地区，物流业发展潜力较低，经济增长动力也较低。

由模型（3）和图1至图3可以得出，当前中国部分地区（31个省）物流发展水平与经济发展和环境污染之间的关系存在显著差异。

（1）经济发展对物流发展水平有显著促进作用的地区有沿海地区、沿河流域等，省份有北京、天津、河北、山西、辽宁、湖南、云南、宁夏。经济发展对物流业发展有显著抑制作用的地区是西部地区，省份有重庆、陕西、新疆。

（2）经济发展对环境污染有显著作用的省份沿海地区和西南地区，有北京、上海、浙江、福建、湖南、广东、重庆、四川、新疆。经济发展对环境污染有显著抑制作用的省份有山西、内蒙古、安徽、江西、山东、海南、宁夏。

（3）经济发展对自身发展有显著促进作用的地区是北部沿海、沿河流域和东北地区，省份有北京、天津、吉林、黑龙江、安徽、山东、河南、湖北、湖南、海南、贵州、云南、西藏、陕西、青海、宁夏。经济发展对自身发展有显著抑制作用的是东部沿海和西北地区，省份有山西、上海、浙江、甘肃、新疆。

由模型（4）和图1至图3可以得出，当前中国部分地区（31个省）物流业发展水平与物流需求、能源消耗之间的关系存在显著差异。

（1）物流需求对能源消耗有显著促进作用的是西部地区，省份有湖北、重庆、西藏。物流需求对能源消耗有显著抑制作用的地区是沿海地区和沿河流域，省份有天津、河北、吉林、江苏、云南、陕西、新疆。

（2）能源消耗对物流需求有显著促进作用的地区是沿海地区和西部地区，省份有北京、江苏、福建、江西、湖南、贵州、西藏、新疆。能源消耗对物流需求有显著抑制作用的地区是沿河流域，省份有山西、上海、安徽、山东、青海。

（3）物流需求对物流发展水平有显著促进作用的地区主要集中在黄河流域和西南地区，省份有河北、山西、内蒙古、福建、海南、四川、宁夏、新疆。物流需求对物流业发展有显著抑制作用的地区主要在长江流域和西南地区，省份有浙江、河南、湖南、重庆、西藏、陕西。

（4）物流发展水平对物流需求有显著促进作用的地区主要在黄河流域和西南地区，省份有北京、山西、福建、海南、贵州、新疆。物流业发展对物流需求有显著抑制作用的地区主要在东北和长江流域，省份有辽宁、黑龙江、上海、江苏、浙江、安徽、湖北、重庆、西藏、青海。能源消耗对自身发展有显著促进作用的地区主要在沿海地区和西部地区，省份有江苏、广东、广西、海南、四川、贵州、云南、陕西、甘肃、青海、宁夏、新疆。能源消耗对自身发展有显著抑制作用，省份有河北、重庆、西藏。

3.5  模型的稳定性与Granger因果检验

对PVAR模型进行稳定性检验，即要求伴随矩阵所有特征根的模均小于1。分别对模型（3）和模型（4）进行模型的稳定性检验，结果表明两个模型的所有特征根均落在单位圆内（见图4和图5）。此外，还需要对各变量之间进行Granger因果关系验证（见表3）。

由模型（3）和模型（4）的结果表明：

（1）环境污染不是导致经济发展的原因，但是经济发展却是导致环境污染的原因。物流业的发展不是导致经济发展的原因，但是经济发展却是导致物流业发展的原因。物流需求是导致能源消耗的原因，能源消耗也是导致物流需求的原因，即能源消耗与物流需求为双向效应。

（2）物流业发展不是导致能源消耗的原因，能源消耗也不是导致物流业发展的原因。物流业发展是导致物流需求的原因，物流需求也是导致物流业发展的原因，即物流业发展与物流需求为双向效应。经济发展和物流业发展是導致环境污染的原因，经济发展和环境污染是导致物流业发展的原因。

（3）物流需求和物流业发展是导致能源消耗的原因;能源消耗和物流业发展是导致物流需求的原因;能源消耗和物流需求是导致物流业发展的原因。

3.6  脉冲响应分析

由于本文所使用的数据时间序列较短，因此，将冲击作用时期设置为6期（默认10期），通过1 000次蒙特卡洛模拟，得到了95%置信区间的脉冲响应函数图。即模型（3）的脉冲响应函数图（见图6）和模型（4）的脉冲响应函数图（见图7）。

由图6模型（3）脉冲响应图可以看出：

（1）经济发展对自身的脉冲响应前2期有显著正向影响，并且这种正向影响是在逐渐降低的，反映了中国的经济增长速度平稳下滑趋势。

（2）环境污染对自身的脉冲响应前1期有显著正向影响，并且这种正向影响是在逐渐降低的，反映了中国的环境问题依然面临着严峻的考验。

（3）物流业发展对自身的脉冲响应前1期有显著正向影响，并且这种正向影响是在逐渐降低的，反映了中国的物流业发展惯性对促进自身的发展有显著的影响。

由图7模型（4）脉冲响应图可以看出：

（1）能源消耗对自身脉冲响应前1期有显著正向影响，并且这种正向影响是在逐渐降低的。能源消耗对物流需求脉冲响应前5期有显著负向影响，并且这种负向影响是先增加后减少的，物流需求对能源消耗脉冲响应前1期有显著负向影响，并且这种负向影响是在逐渐降低的。

（2）物流需求对自身的脉冲响应前5期有显著正向影响，并且这种正向影响是在逐渐降低的。物流需求对物流业发展脉冲响应前1期有显著负向影响，并且这种负向影响是在逐渐增加的。物流业发展对物流需求脉冲响应前1期有显著负向影响，并且这种负向影响是先升高后降低的。

（3）物流业发展对自身的脉冲响应前1期有显著正向影响，并且这种正向影响是在逐渐降低的，反映物流业发展对自身的惯性作用比较显著。

3.7  方差分解

通过PVAR模型中的方差分解，可以将每个内生变量预测误差的方差按照其成因分解为与各个内生变量相互关联的组成部分，从而评估各个冲击对系统中内生变量解释力度和相对重要性。

由表4可以得出，各个变量对自身的惯性影响都比较显著。经济发展对自身的脉冲响应在第2期有显著正向影响，并且这种正向影响是在逐渐降低的，这与图1得出的结论基本一致。物流业发展水平对自身的脉冲响应在前1期有显著正向影响。能源消耗对自身脉冲响应在前2期有显著正向影响，并且这种正向影响是在逐渐降低的。

4  结论及建议

4.1  结  论

（1）中国不同地区的物流业发展水平是不均衡的。“明星”象限的沿河流域，物流业发展潜力较高，经济增长动力也较高;“金牛”象限的沿海地区，物流业发展潜力较低，经济增长动力却较高。沿海地区一直是中国经济发展的领头羊，但是物流业的发展在部分沿海地区已经进入瓶颈期，负外部性逐渐显现，已经阻碍了物流业可持续发展。甚至有些地区物流业的发展给地方带来了比较严重的环境问题;“问题”象限的东北地区，物流业发展潜力较高，经济增长动力却较低。这就决定了东北地区“高增长但弱竞争”的尴尬地位;“瘦狗”象限的西部地区，物流业发展潜力较低，经济增长动力也较低。西部地区有些省份（比如山西、内蒙古、江西、四川、贵州、陕西等）还处在起步阶段。

（2）能源消耗与物流需求为双向影响效应。现阶段中国物流业的发展依然依赖大量的能源消耗，物流需求是导致能源消耗的原因，物流需求和物流业发展也是导致能源消耗的原因。能源消耗和物流需求是导致物流业发展的原因。经济发展是导致物流业发展的原因，物流业发展与物流需求为双向影响效应。物流需求是导致物流业发展的原因，物流业发展也是导致物流需求的原因。

4.2  建  議

（1）中国政府应当统筹兼顾、合理布局全国的物流产业发展，扭转地区发展差异带来的物流产业发展不平衡的现状。“明星”象限的沿河流域，物流业发展潜力较高，经济增长动力也较高。应当抓住国家经济内循环的机遇，努力发展、快速成长。主动学习沿海地区物流业发展的经验，并引进人才。地方政府应当改变“土地财政”的城市发展模式，建立以高新技术产业为依托的新型城市群发展模式。中心城市吸纳高新技术企业入驻，卫星城市以优惠政策吸纳并发展相关的上下游产业链上的配套企业;“金牛”象限的沿海地区，物流业发展潜力较低，经济增长动力却较高。应当追求高质量发展，优先发展高科技物流产业，淘汰落后的产业链将其转移至西部或者东北地区。

（2）“问题”象限的东北地区，物流业发展潜力较高，经济增长动力却较低。东北地区拥有中国比较完善的工业体系，应当依靠优惠税收政策，主动吸纳东部及沿海地区的淘汰的产能，防止其向东南亚国家转移，有效实现经济内循环。比如在东北地区实行“五免五减半”（五年免税，五年减半征收）;或者学习海南省在东北中心城市（比如哈尔滨、大连等）搞免税自贸区。政府更应当加大优惠政策吸引人才，比如优惠落户安置政策、加大公租房与廉租房的投入建设。给与高新技术人才更加优厚的引进待遇，比如更高的住房补贴、妥善解决子女教育、配偶工作等方面的问题。“瘦狗”象限的西部地区，物流业发展潜力较低，经济增长动力也较低。西部地区有些省份（比如山西、内蒙古、江西、四川、贵州、陕西等）还处在起步阶段。同时，西部地区物流业发展缓慢，有待进一步提高。

（3）中国政府应当鼓励和支持发展新能源产业，逐渐摆脱经济发展和物流业发展对化石能源消耗的依赖，走绿色发展之路。政府应当考虑新的发展模式，比如发展无人机、石墨烯电池等新的技术，或者使用太阳能、电能等新能源为动力的交通工具逐步取代以石化燃料燃烧为动力的机动车，不仅可以节约能源、减少环境污染，又可以实现经济的绿色可持续发展。

（4）深入开展 “经济内循环”，塑造中国民族品牌，完善物流产业供应链，推动经济高质量发展。将“品牌战略”上升到国家战略，鼓励一大批民族品牌崛起，支持中国的企业走出去，积极参与国际市场的竞争。中国不应该再做欧美等发达国家知名品牌的代工厂，鼓励民族企业进行产品升级和实施品牌化战略不仅是经济高质量发展的必要条件，更是一个国家文化自信的表现。

参考文献：

[1]  Lan S， Yang C， Huang G Q. Data analysis for metropolitan economic and logistics development[J]. Advanced Engineering Informatics， 2017，32：66-76.

[2]  Fang C， Zhang J. Performance of green supply chain management： A systematic review and meta analysis[J]. Journal of Cleaner Production， 2018，183：1064-1081.

[3]  Liu X， McKinnon A C， Wei N. An Analysis of Energy-Related CO2 Emissions from China's Logistics Industry[M] // Environmental Sustainability in Asian Logistics and Supply Chains. Springer， Singapore， 2019：3-19.

[4]  Khan S A R， Sharif A， Golp？觘ra H， et al. A green ideology in Asian emerging economies： Fromenvironmental policy and sustainable development[J]. Sustainable Development， 2019，27（6）：1063-1075.

[5]  Hidayatno A， Destyanto A R， Fadhil M. Model conceptualization on E-commerce growth impact to emissions generated from urban logistics transportation： A case study of Jakarta[J]. Energy Procedia， 2019，156：144-148.

[6]  Baydar A M， Süral H， ？覶elik M. Potential effects of logistics clusters： The case of Turkish Freight Villages[J]. Journal of cleaner production， 2019，233：399-411.

[7]  Duan H， Song G， Qu S， et al. Post-consumer packaging waste from express delivery in China[J]. Resources， Conservation and Recycling， 2019，144：137-143.

[8]  Kang P， Song G， Chen D， et al. Characterizing the generation and spatial patterns of carbon emissions from urban express delivery service in China[J]. Environmental Impact Assessment Review， 2020，80：106336.

[9]  Rashidi K， Cullinane K. Evaluating the sustainability of national logistics performance using Data Envelopment Analysis[J]. Transport Policy， 2019，74：35-46.

[10]  Wu Q， Qiu Y. Analysis of the Influencing Factors of China's Logistics Industry Based on Regression Model[C] // 2019 International Conference on lnEConomic Management and Model Engineering （ICEMME）. IEEE， 2019：265-268.

[11] 李绍春，初永玲，廉静，等. BP神经网络在液化天然气客车能耗估算中的应用[J]. 重庆交通大学学报（自然科学版），2019，38（10）：133-138.

[12]  Yang J， Tang L， Mi Z， et al. Carbon emissions performance in logistics at the city level[J]. Journal of cleaner production， 2019，231：1258-1266.

[13]  Deng F， Xu L， Fang Y， et al. PCA-DEA-tobit regression assessment with carbon emission constraints of China's logistics industry[J]. Journal of Cleaner Production， 2020，271：122548.

[14]  Cohen G， Jalles J T， Loungani P， et al. DlnECoupling of emissions and lnGDP： Evidence from aggregate and provincial Chinese data[J]. Energy lnEConomics， 2019，77：105-118.

[15] 李博，郭勇，颜燕，等. 重型柴油车在高海拔条件下使用生物柴油的整车性能研究[J]. 小型内燃机与车辆技术，2020，49（1）：1-5.

[16] 宁艳红，郭兴，刘云岗. 基于运行工况的纯电动车与汽油车能耗排放比较分析[J]. 内燃机与动力装置，2012（3）：5-7，12.

[17]  Christiano L J， Christopher A. Sims and vector autoregressions[J]. The Scandinavian Journal of Economics， 2012，114（4）：1082

-1104.

[18]  Holtz-Eakin D， Newey W， Rosen H S. Estimating vector autoregressions with panel data[J]. Econometrica： Journal of the Econometric Society， 1988，56（6）：1371-1395.

[19] 汪曉文，陈垚. 西北地区交通基础设施与旅游经济增长的交互影响研究——基于PVAR模型的实证分析[J]. 兰州大学学报（社会科学版），2020，48（4）：31-38.

[20] 宁艳红，郭兴，刘云岗. 基于运行工况的纯电动车与汽油车能耗排放比较分析[J]. 内燃机与动力装置，2012（3）：5-7，12.

[21] 董梅，李存芳. 中国低碳技术效率、技术差距与低碳化进程研究——基于MinDS-Luenberger方法的实证分析[J]. 华东经济管理，2020，34（11）：81-89.