陈子扬

安徽大学纽约石溪学院 安徽 合肥 230039

近年来全球温室气体的持续增长引起了全球各国的关注，很多国家已经制定了长期的减排计划。作为全球第二大经济体，中国积极承担解决气候变换的大国责任。国家主席习近平在第七十五届联合国大会上宣布中国“双碳目标”。针对如何减少碳排放这一重要议题，已有众多学者分析了数字经济、绿色经济、技术创新等对抑制碳排放的作用效果和机制，但鲜有从智慧物流视角分析其对减少碳排放的作用效果和理论逻辑。

1 文献综述

随着国际上对“工业4.0”战略研究的开始，学者们开始重新定义智慧物流并研究其影响。智慧物流是指以物流互联网和物流大数据为依托，通过协同共享创新模式与人工技能创新技术，重塑产业分工，再造产业结构，转变产业发展方式的新生态，其最大价值在于提供了终端设备、接入网和后端基础设施产生的数据和新服务，同时也是未来物流业的发展趋势和竞争制高点1-3]。

现有针对智慧物流建设的文献主要研究了其对运输效率和供应链绩效方面的影响。通过对33个欧盟框架项目进行审查，指出大数据、物联网等新一代数字技术会对多式联运产生积极影响，智慧物流可以促进货运网络一体化，提高运输效率。引入智慧物流体系中的智慧货运概念，构建雾计算模型分析智慧货运的作用并指出其能够自主对环境作出反应，计算并优化决策，查找替代方案，从而提高运输效率。从供应链绩效的方面来看，使用服务业和制造业的样本数据对RFID模型进行评估，研究发现RFID可以改善供应链成员之间的信息共享，从而导致供应链绩效的提高。构建指标体系研究智慧物流对供应链的作用机理，指出智能物流能够促进信息交换，提高物流的可视性，掌握整个供应链。构建结构方程模型检验智慧物流结构与可持续绩效之间的假设关系，指出以技术为基础的智慧物流对智慧城市环境产生直接的积极影响，进而对社会和经济绩效产生积极影响。

由此可见，尽管智慧物流已经成为一个新的热点话题，但是，学者大都集中在研究智慧物流的发展体系、对运输效率和供应链绩效的影响等方面上，少有研究智慧物流对环境特别是碳排放的影响。已有少数分析其减排效应的研究仅简单实证了智慧物流政策对碳排放的影响，但未详细剖析其具体作用机制。需要强调的是，在中国力争达到“双碳”目标的大背景下，智慧物流对碳排放的影响更值得我们关注和研究。那么，“双碳”目标背景下的智慧物流对抑制碳排放是否有显著影响？潜在作用机制是什么？其作用效果是否因地域差异而存在异质性？为了回答这些问题，本文构建双重差分模型实证分析智慧物流对碳排放的政策效应，对“双碳”目标背景下智慧物流的建设提出相关建议[4]。

2 理论分析与研究假设

智慧物流建设是在充分利用新一代信息技术和数字平台的基础上蓬勃发展起来的，就智慧物流建设本身来看，更多是依托于数字技术的一种物流运输方式创新、物流仓储管理模式创新。

一方面，智慧物流通过数字技术建立的统一互联、融合互通的互联网平台，可以实现物流大数据的采集、治理与智能分析，以更加精细、动态的方式管控运输环节。通过这种方式，可以有效降低货运车辆的空载率和低载率，减少了车辆的无效和低效驾驶。更重要的是，智慧物流通过AI、云计算等前沿技术创新应用，以技术赋能交通，应用5G技术，把单车的小交通，演变成所有车辆和道路网联化的大交通，改变传统的运输方式，提高运输效率，从而有效减少碳排放[5]。

另一方面，数字技术赋能下的智能仓储可以提高空间利用率、降低人工成本、提高作业效率，其中的无人仓库、无人车、无人机、物流机器人，能适应黑暗、低温、高层、炎热等特殊环境作业，大大降低了电能能耗。此外，智能仓储可以实现生产数据和物流数据的实时交互，打破信息孤岛，基于最短作业路径，控制自动化设备完成柔性仓储管理，达到利用率最大化，降低设备能耗，实现碳减排[6]。

基于此，本文提出以下假设：

H1：智慧物流建设可以有效降低碳排放。

H2：智慧物流可以通过促进物流运输的数字化转型从而降低碳排放。

H3：智慧物流可以通过促进物流仓储的数字化转型从而降低碳排放。

3 研究设计

3.1 变量选取与处理

（1）被解释变量。本文选取的被解释变量为城市的碳排放量(CE)。为了保证数据的平稳性，克服数据间的非线性问题，并在一定程度上消除量纲影响。本文对碳排放量取自然对数处理。

（2）解释变量。本文以2015年商务部办公厅印发的《关于智慧物流配送体系建设的实施方案》作为准自然实验，其中发布的首批智慧物流示范城市包括无锡、重庆、临沂、太原、南昌。因此研究的核心解释变量为，其系数的大小和符号表示该智慧物流政策对碳排放影响的净效应。

（3）控制变量。本文选取对碳排放影响较大的因素：人均GDP(perGDP)、人口(population)、城镇化水平(urban)、绿色投资(green)、煤炭占比(coal)作为控制变量。为了消除量纲影响和异质性，本文作取对数处理。

（4）机制变量。本文选取数字运输水平(DT)和数字仓储化水平(DW)作为机制变量。

3.2 数据来源

本文选定2009-2019年我国30个省的283个地级市(不包含西藏和新疆)。其中，碳排放量、人均GDP、人口、煤炭占比等数据来源于《中国统计年鉴》和《中国城市统计年鉴》，个别缺失数据采用插值法处理。

3.3 模型构建

近年来，基于自然实验的DID方法被广泛用于评估政策效果。该方法利用差异中的差异避免了其他因素的影响。因此，本文构建双重差分模型分析智慧物流城市建设对碳排放的影响。

为了保证对照组的样本特征和实验组的大致相似，我们建立了以下标准来筛选对照组：碳排放量不得小于实验组的下限的80%，不得高于实验组上限的120%；同时，考虑到实验组的城市均是二线城市或新一线城市，本文也根据该标准选取对照组城市。随后，构造模型如下：

此外，为了解决自主选择偏差带来的内生性问题，本文进一步构建PSM-DID模型，如下：

其中变量的设置方式与模型(1)相同。

4 实证结果分析

4.1 基准回归分析

根据回归模型的公式(1)，本文采用双重差分模型估计智慧物流政策对城市碳排放的影响。表1的第(1)至第(2)列报告了基准回归结果。

表1 基准回归结果

回归结果显示，无论控制变量与否，城市智慧物流建设交互项系数显著为负，这表明智慧物流试点政策能够显著降低城市的碳排放水平。由此，本文假说H1得以验证。同时，表中第(2)列中的控制变量的回归结果表明，煤炭占能源产业结构的比重增长对碳排放具有显著正效应。这主要是因为煤炭是我国重要的能源支柱，但也是二氧化碳排放的主要来源。煤炭能源在产业结构的占比越大，碳排放量越大。

4.2 稳健性检验

4.2.1 平行趋势检验

DID模型检验的前提是在政策实行前，实验组和对照组的碳排放量具有相同变化趋势。为了检验平行趋势假定成立，本文绘制了实验组和对照组平均碳排放量的时间趋势图，以直观地揭示出两组城市碳排放量的变化差异，如图1所示。可以发现，在2015年智慧物流试点城市政策出台之前，实验组和对照组城市的碳排放量均呈现出上升的趋势，两组城市维持着基本平行的时间趋势。但在2015年政策出台之后，两组城市的碳排放量展现出截然相反的变化趋势，这证实通过了平行趋势检验[7-9]。

图1 实验组和对照组的碳排放量时间趋势

4.2.2 安慰剂检验

为了检验上述结果没有受到随机变量、遗漏变量等的影响，本文通过随机产生政策施行时间以及随机筛选智慧物流试点城市，构造了城市——时间两个层面的随机试验，据模型(1)重新回归并重复上述结果500次，绘制出的估计系数分布图。若虚假实验下的交互项系数分布在0附近，表明模型并没有遗漏掉重要的因素，基准回归分析中的智慧物流政策净效应是准确的。结果如图2所示，证实了本文基准回归得出的核心结论是稳健的，不存在严重的遗漏变量问题和随机因素的影响。

图2 安慰剂检验

4.2.3 PSM-DID

传统的DID模型中，需要在实验组和对照组之间进行完全随机选择，否则结果可能产生很大偏差。但是政策实行过程中，难免会有人为选择的主观性所导致的政策评估偏差，例如智慧物流城市建设可能会选择在碳排放量较高或经济水平较高的城市。为了缓解自选择偏差可能导致的内生性问题，本文将倾向得分匹配法和DID纳入统一分析框架，以确保对政策效应的准确估计。具体步骤如下：

首先，选择协变量。由于很难找出同时与被解释变量碳排放量和实验组变量都相关的变量，本文选取控制变量作为协变量。接着，运用logit模型估计出样本城市的倾向得分值。随后，运用卡尺最近邻匹配并根据倾向得分值最近原则，选择与实验组相近的控制组城市[10]。

基于上述PSM结果，本文进一步根据式(2)构造双重差分模型对处理过的样本进行回归分析，结果如表1的第(3)至(4)列所示。可以发现，交互项对碳排放量的负向效应依旧显著，进一步验证了基准回归模型结果的稳健性和可靠性。

4.3 异质性分析

考虑到不同地域的城市在基础设施建设情况、物流业的行业发展条件以及交通运输的便利度等方面存在差异，可能导致智慧物流建设政策效应存在异质性。本文根据城市所属地域将实验组分为以下3组，东部城市包括无锡、临沂，中部城市包括太原、南昌，西部城市包括重庆，并重新用模型(1)对三个组进行回归。回归结果如表2所示。

表2 城市异质性回归分析结果

从表2可以看出，智慧物流建设对东部城市和中部城市的碳排放量具有显著的负向作用，但对西部城市的作用并不显著，并且东部城市的显著性高于中部城市。主要原因在于，城市智慧物流建设需要高质量的基础设施和高质量的品牌企业。东部沿海地区经济相对发达，具有一定优势的互联网基础设施和交通基础设施，为促进协同共享、万物互联，为全面发展智慧物流奠定了基础条件。同时，在电商、快递、冷链、等市场领域的综合实力强、引领作用大的龙头骨干企业主要集中在东部和中部地区。这些高质量的品牌企业不断推进模式创新、技术创新、业态创新，在智慧物流建设中起到重要的牵头作用。因此，东部城市和中部城市建设智慧物流的条件相较于西部会更加成熟，发展速度会更快，对碳排放的抑制作用会更加显著。相比之下，西部城市的智慧物流建设发展稍缓慢，这主要是由于西部城市的基础设施建设不完善，品牌企业的牵头作用不明显，因此对碳排放的政策效应并不显著[11]。

4.4 机制分析

4.4.1 数字运输

智慧物流政策的推出，刺激了物流运输的数字化转型，改善了传统的高能耗驾驶和低效运输的状况，从而实现碳排放的减排效应[12]。为了检验这一机制是否存在，本文引入中介变量数字运输水平(DT)构建中介效应模型，如下：

结果如表3所示，表中第(1)列和第(2)列的被解释变量分别为数字运输水平和碳排放量。结果显示，显著为正，智慧物流可以显著促进数字运输水平的提升。同时，显著为负，表明存在显著的中介效应。由此可见，智慧物流通过促进传统运输方式向数字运输的转型，有效降低了碳排放，验证了假设H2成立。

表3 中介效应检验

4.4.2 数字化仓储

智能仓储系统通过优化检索分配和批次处理分配来减少拣单工作中的无用工作，进一步提高工作效率和减少工作时间，从而降低电能消耗和设备能耗来减少碳排放。那么，智慧物流政策的实施是否可以通过实现仓储的数字化转型从而降低碳排放呢？

本文引入中介变量仓储的数字化水平(DT)，构建中介效应模型(5)和(6)。

结果如表3所示，第(3)列中treat×time的系数显著为正，说明智慧物流政策推行后仓储的数字化水平明显提高。第(4)列显示的系数在5%的水平下显著为负，说明仓储数字化水平的提升对碳排放有显著的负向影响，这表明了仓储的数字化转型是智慧物流政策和碳排放关系的中介机制。由此可见，智慧物流政策的实施通过实现物流仓储的数字化，抑制了碳排放，验证了假设H3成立。

5 结论与建议

本文以智慧物流城市建设试点为准自然实验，构建双重差分模型研究智慧物流对碳排放的影响。主要结论如下：第一，智慧物流政策的实施对碳排放具有显著的抑制作用。第二，智慧物流政策效应受城市地域影响表现出异质性，对东部城市和中部城市的碳排放抑制作用更明显，对西部城市没有显著影响。第三，上述结论在PSM-DID等一系列稳健性检验中依然成立。第四，进一步的机制分析发现，智慧物流政策依托数字技术，促进了物流运输和物流仓储的数字化转型，最终降低了碳排放。

基于以上结论，本文提出以下政策建议：

第一，从智慧物流政策的异质性效应来看，东部城市和西部城市建设智慧物流体系的经济条件、交通运输条件和技术条件相对成熟。因此，国家应在东部和中部城市广泛推进智慧物流建设，充分发挥试验区的牵头作用。同时，政府应加大对西部城市的基础设施和人才培养的资金投入，以适应现代物流发展的要求。加强互联网和交通的基础设施建设，同时促进高校和研究部门加强智慧物流相关的复合型人才教育工作，为西部城市输送物流人才，保证智慧物流政策的顺利推进。

第二，智慧物流城市建设应重视数字技术在运输和仓储环节中的节能减排作用。一方面，政府应制定相应政策，通过物联网、人工智能等新一代技术改变传统的运作方式，帮助企业更准确地制定和调整目标，实现物流运输过程数据全流程的信息化、可视化以及调度优化，提高运输效率，减少运输时间，从而降低能耗。另一方面，加快物流仓储的数字化转型，加大对各类智能硬件设备的生产投入，应用新技术与新设备，助力“零碳排”仓库建设目标的实现。