0 引言

物流行业在迅速发展的同时，其能源消耗量和碳排放水平也在逐年增大。早在“十二五”期间，据相关部门统计，交通运输、仓储和邮政业的碳排放量约占全国总量的10%，物流业俨然已成为仅次于工业和建筑业的第三碳排放源[1]。运输环节是物流体系中碳排放量最大和能源损耗较为严重的一环，在此过程中，不同的运输方式产生的碳排放量也有所差异，其中，陆路运输和航空运输产生的油耗和污染影响最大[2]。因此，为提高物流企业的碳排放效率和减少运输能源消耗量，探究如何测算物流企业碳排放量、排放效率及分析相关驱动因素的影响方向与程度，对加速实现低碳和脱碳物流具有现实意义。

目前，有关物流行业碳排放测度的研究主要聚焦于省、市或部分地区，极少有针对物流企业评价分析其在发展过程中的碳排放效率或估算其碳排放量的研究成果。宋京妮等[3]从资源结构和利用率角度评价分析了中国在过去33年发展历程中的综合运输效率及其演变规律。张培文等[4]通过剔除外在干扰，探讨了26家航空运输企业的运营效率，提出急需出台政策措施改善其发展。李电生等[5]测度国内13 个主要港口的物流动态X-效率与综合效率，并针对管理水平和基础设施建设提出合理建议。秦新生[6]在理论方面探讨计算了物流企业移动源和固定源的碳排放情况，未给出具体的实证分析。

在研究方法上，数据包络法(Data Envelopment Analysis,DEA)在物流业能源消耗和CO2排放等效率测算的研究上得到广泛应用。但传统DEA模型并未将外部环境、内部管理及随机噪声等因素对松弛变量的影响考虑在内，可能会导致最终的效率测度值相较于实际的效率水平偏高或偏低。在处理非期望产出指标效率测算精准度上，SBM 优化模型(Slack-based Measurement Model)比传统的DEA 基础模型更具优势[7]。因此，为使研究更加贴合实际，刘宏伟等[8]建立SBM-DEA (Slackbased Measure-Data Envelopment Analysis)模型，从时空两方面计算分析国内60个大型城市的物流产业效率，提出可充分利用骨干流通大通道带动地区的物流需求。李妍等[9]聚焦于国内30 个省市的物流业，在碳排放约束下建立SBM-DEA 模型，计算分析其物流综合效率和时空演化特征。王育红等[10]建立Super-SBM 模型对比考虑在有无碳约束情况下，长江经济带11 个省市在10年间的物流效率，按照空间格局分梯队对比分析演变特征。周泽炯等[11]选取河南、河北、山东及安徽省15 个大型城市作为研究对象，以CO2排放量作为非期望产出指标建立Super-SBM模型，测度整体的经济动态发展绩效，研究表明，减碳科学技术的落后成为阻碍地区绿色发展的首要因素。以往研究中，诸多学者基于碳约束环境下深究省域物流业效率的影响及时空特征，但鲜有探索环境规制对物流企业碳排放效率产生的影响。同时，传统测算模型采用未考虑松弛变量的效率模型，而考虑非期望产出的Super-SBM模型可比较分析同期数据包络前沿的决策单元，将松弛变量纳入考虑范围，以实现更精确的物流企业碳排放效率测量。

此外，既有研究分析物流业碳排放驱动因素时，常用的方法有Laspeyres 分解法、Paasche 分解法、算数平均Divisia分解法(AMDI)，这几种方法的问题在于无法同时分解多个影响因素，或分解后出现计算残差过大的现象。而对数平均迪氏指数法(Logarithmic Mean Divisia Index,LMDI)则可以克服前述方法的缺点，不仅能够对多个因素进行无残差分解，还可以运用到部分残缺数据集的分解上。YASMEEN 等[12]采用LMDI 方法评估巴基斯坦1972—2016年期间的物流业碳排放量，通过利用LMDI 模型对碳排放进行驱动因素分解后发现，经济发展因素对人均碳排放量起正向驱动作用，能源结构和效率则起到制约作用。齐豫等[13]通过收集统计河南省2005—2019年的物流业相关发展数据建立LMDI模型，运用空间分解探究河南省物流业的碳排放主要驱动因素，并据此提出相关建议。ANDREONI 等[14]基于“自上而下”模型将意大利按经济发展程度划分成6 个部门，采用LMDI 方法解释经济增长、能源消耗及产业结构对碳排放量的影响。根据以往研究文献可知，LMDI 方法被学者广泛应用于探究碳排放驱动因素分析中，为其研究提供了较大的便利性。该方法能够从不同角度对比分析多种因素，较为全面地体现出不同指标对物流业碳排放效率的影响程度。同时，能在选择评价指标权重时优先使用对数平均数，可得到准确可靠且唯一的测算分析结果，而利用LMDI方法将物流企业从整体层面展开碳排放驱动因素分解的研究还比较少。本文运用LMDI 方法从公司层次的微观视角，探究物流企业整体生产运作过程中影响碳排放量变化的实际驱动因素，并依据碳排放分解贡献指标及时改善物流企业低碳减排运营策略，有助于实现物流企业绿色高效发展的长远目标。

顺丰速运作为国内物流行业的领先企业，主要运输方式为陆运和空运，为有效控制其在运输环节中的碳排放及能源消耗量，研究其碳排放效率及驱动因素，旨在为整个行业推进运输低碳转型工作提供重要依据。因此，本文以顺丰速运企业为例，根据其能源消耗数据信息，采用“自上而下”法计算陆路运输和航空货运两种移动碳源的排放量，并通过建立Super-SBM 模型测算和评价分析2016—2021年该企业的碳排放效率，利用LMDI模型分析各种驱动因素是如何影响碳排放的，根据实证结果提出减排建议。

1 研究方法

1.1 Super-SBM模型

传统DEA中规模报酬不变CCR模型和规模报酬可变的BCC模型没有将松弛变量的影响考虑在内，存在不能准确评价碳排放效率的现象，例如，在评价同一类型的决策单元(DMU)时，会出现多个效率值为1 的DMU，导致评价有效性不高。为解决这一问题，TONE[15]首先建立SBM 模型，即将松弛变量引入DEA模型中；随后，进一步将超效率模型和SBM模型进行灵活组合，建立Super-SBM模型。

Super-SBM 模型假设现有n 个决策单元需要进行效率评价，DMUi(i=1,…,n)。每个决策单元DMU里都包含投入和产出指标。依据具体研究需要，在产出指标中可能还包含非期望产出，即可假设投入要素为k，期望产出为p1 以及非期望产出为p2。用向量表示这3 个指标，即x ∈Rk、yg ∈Rp1 和yb ∈Rp2，x、yg、yb 代表决策单元的投入项，期望产出项和非期望产出项，R 代表实数，则生产可能性集合P 为

式中：X、Y 为投入、产出量；λ 为调整矩阵。 Xλ表示前沿上的投入量，Yλ 表示前沿上的产出量。若决策单元的和为1时，表示规模报酬可变；反之，规模报酬不变。因此，非期望产出的SBM模型为

式中：p 为投入和产出指标的松弛变量；p-为投入指标的松弛变量；pg 和pb 分别为期望产出指标和非期望产出指标的松弛变量；ρ* 为DMU 的效率值。由于式(2)是一个非线性公式，为方便计算，将其转化为线性公式，即在式(2)所描述的SBM 基本模型中引入一个标量h，则原模型可转化为

式中：θ 为引入标量t 后的公式新变量，θ=hλ。

当ρ*的计算结果为1时，则可建立非期望产出的Super-SBM模型为

式中：为决策变量的参考点；λj 为权重向量。

1.2 LMDI因素分解分析法

近年来，由于LMDI模型可以给出较为合理的因素分解结果，该模型被更多学者应用在物流行业CO2排放量变化驱动因素分析中。此外，日本学者构建了著名的Kaya 恒等式，该等式对碳排放变化推动因素解释力较强，可将能源、社会及经济等因素联系起来，是定量表示CO2排放量的有效形式。遵循LMDI 的分析框架和相关文献[12-14]，针对本文研究对象，对Kaya恒等式进行扩展和改写，即

式中：t 为研究年份；e 为能源种类；Ct 为物流企业第t年能源消耗所排放出的CO2总量；Cte 为物流企业第t年消耗能源e 所排放的CO2总量；Ete 为物流企业第t年消耗能源e的总量；Et 为物流企业第t年消耗的所有种类能源总量；Gt 为物流企业第t年的生产总值，即营业收入；Pt 为物流企业第t年的劳动力，即从业员工数量。

对于上述模型，令Fet 为物流企业第t年每消耗一单位能源e 所产生的CO2量，即能源i 的碳排放系数，该值是固定不变的。令为物流企业在第t年里能源e 的消耗量占全体能源消耗量的比例，该值体现能源消费结构情况。令，Ut 为物流企业第t年中每单位生产值(营业收入)需要消耗的能源数量，该值体现能源效率影响情况。令Nt 为物流企业第t年中平均每位从业员工能创造的营业收入值，该值体现企业整体经济发展水平的影响情况。因此，将式(8)进行改写为

通过利用LMDI模型的加法公式，可进一步分解式(9)。令C0 为基期物流企业的碳排放量，则可获得物流企业第t年CO2排放量较之于基期的变化量，即

在式(9)中，Fet 代表碳排放系数，其值是固定不变的，因此，式(10)中ΔCF 的数值为0，剩余变量可表示为

式中：ωe 为权重，即

再根据LMDI 模型的乘法公式，将式(10)进一步分解，获得各因素的积为

将式(16)进一步分解为

在LMDI 模型分解过程中，ω 为权重，其计算过程为

式中：ΔCF、DF 为物流企业碳排放强度因素；ΔCM、DM 为物流企业能源消费结构因素；ΔCU、DU为物流企业能源效率因素；ΔCN、DN 为物流企业经济发展水平因素；ΔCP、DP 为物流企业人口规模因素。其中，ΔCF、ΔCM、ΔCU、ΔCN、ΔCP 分别为以上各种影响因素发生变化时对物流企业碳排放强度变化的贡献值，均是拥有计量单位的实数值；DF、DM、DU、DN、DP 分别为各种影响因素发生变化时对物流企业碳排放强度变化的贡献率，没有计量单位，即

1.3 碳排放计算方法

本文研究物流企业航空货运和陆路运输两种移动碳源的排放情况，选择“自上而下”法进行计算，根据IPCC(联合国政府间气候变化专门委员会)提供的碳排放系数法，可计算多种能源的碳排放量，即

式中：He 为不同种类能源的平均低位发热量；Ve 为不同种类能源的单位热值含碳量；fe 为不同种类能源的碳氧化率。本文的能源分别是汽油、柴油以及航空煤油，其能源参数如表1所示。

表1 各类型能源参数
Table 1 Parameters of various types of energy

2 实证分析

2.1 计算能源消耗量

本文选取顺丰速运企业作为实例分析，通过查阅分析顺丰速运的企业年报与社会责任报告，获得其航空货运和陆路运输相关数据。根据顺丰每年的货运量以及持有车辆数量等估算能源消耗量，进而使用碳排放系数法计算其在2016—2021年期间的碳排放量。陆路运输中柴油和汽油的消耗情况如表2所示。航空货运中煤油的消耗情况如表3所示。

表2 顺丰速运2016—2021年陆运能源消耗量
Table 2 Land transportation energy consumption of SF express from 2016 to 2021

表3 顺丰速运2016—2021年航空煤油消耗量
Table 3 Aviation kerosene consumption of SF express from 2016 to 2021

2.2 CO2排放量数值估测

通过查阅《2006 IPCC国家温室气体清单指南》可知，汽油、柴油及航空煤油的碳排放系数分别为2.9251，3.0960，3.0179 kg·kg-1。根据式(24)可以计算出2016—2021年顺丰陆运和航空货运碳排放量如表4和表5所示。

表4 顺丰速运2016—2021年陆运碳排放量
Table 4 Land transportation carbon emissions of SF express from 2016 to 2021

表5 顺丰速运2016—2021年航空货运的碳排放量
Table 5 Carbon emissions of air freight of SF express from 2016 to 2021

2.3 Super-SBM模型的指标选取及数据来源

本文遵循基本经济学原理和企业营运结构与数据，选择顺丰速运陆路运输和航空货运的能源消耗、资本存量以及企业劳动力数量数据作为投入指标；将公司每年的营业收入作为期望产出指标，把每年货运过程中产生的碳排放量作为非期望产出指标，具体如表6所示。

表6 投入、产出指标及其数据来源
Table 6 Input and output indicators and their data sources

根据表7数据分析可知，顺丰的碳排放总量呈现出逐年增长的态势。其中，2016—2018年碳排放量增长率保持在13%左右，增长幅度相对平稳。从2019年开始，碳排放量增长率开始大幅提升，究其原因，其一是顺丰速运为满足社会对于物资运输的需求而不断完善增强航空运输与陆路运输网络，导致碳排放量急速上升：其二是2020年新冠疫情的爆发之际，顺丰速运积极承担自身的社会责任，为疫区运送大量的防疫物资及相关医疗设施，运输业务的爆发性增加导致碳排放量在2020—2021年均呈现跳跃式的增长。

表7 顺丰速运的投入、产出指标及其对应数据
Table 7 Input and output indicators and corresponding data of SF express

2.4 碳排放效率分析

利用MatlabR2020a 软件搭建Super-SBM 模型，依据表7中的投入和产出指标数据，测算顺丰速运的碳排放效率值及松弛量，结果如表8所示。

表8 顺丰速运的碳排放效率值与松弛量
Table 8 Carbon emission efficiency and relaxation of SF express

从表8可知：

(1)综合技术效率

在2016—2019年期间，顺丰速运碳排放综合技术效率一直呈增长态势，2020年开始，出现回落。2016—2018年的综合技术效率均处于1以下，究其原因是顺丰为满足社会对空运与陆运的强烈需求，投入大量资源抢占市场，其在2016年拥有车辆为1.5 万辆，货机数为36 架，2018年拥有的车辆数已超过3 万辆，货机数量超50 架。但是，投入与产出没有达到一个稳定的平衡点，使得综合技术效率一直处于1 以下。从另一角度来说，这3年期间综合技术效率一直处于增长态势，可以看出顺丰通过不断调整投入产出，切实有效地提升了企业的碳排放综合技术效率。

2019—2021 年的碳排放综合技术效率则保持在1以上，说明顺丰管理与技术的要素投入获得了良好的收益，规模效益也逐渐显现。2019年后，综合技术效率值出现轻微回落趋势，依据年报和时事探究可知，由于新冠疫情的爆发严重影响社会的正常运行秩序，封城封路等防疫措施使人们在获取生活和医疗物资方面遇到了阻滞，急需物流企业发挥其智能调运的作用，解决实时困难。顺丰速运企业适时积极肩负起社会责任，为疫情地区运送抗疫物资共3464 t。这一公益举动使顺丰的碳排放综合技术效率降低。尽管在疫情严峻的情况下，顺丰通过不断地调整投入与产出，使资源分配达到合理的状态，将综合技术效率维持在1以上。

(2)纯技术效率

在2016—2021年研究期间，顺丰速运企业的纯技术效率值保持在1.1 水平上下小幅度波动，结合年报分析可知，该企业为快速提升服务效率，一直在追求技术上的进步和加强物流体系的建设。2016，2019，2021年的纯技术效率分别为1.17、1.16和1.15，数值较高，可以看出顺丰在这3年中通过以最少的生产要素投入获得了较高的产出要素。2021年，顺丰对于科技研发的投入总金额为49.3亿元，较之于2020年增长了15%。顺丰在发展过程中大力建设自身的物流网络，建立了“天网”“地网”“信息网”，三网合一形成较为完善的物流体系。“天网”主要是航空运输，在远距离运输上，顺丰一方面不断收购大型货机组建自身的飞行航线；另一方面，通过租赁货机或和第三方合作，进行散航资源的运输。在近距离的运输上，顺丰则选择使用无人机进行短距离的运送，而无人机也是解决最后一公里运输难题的优选。顺丰的“地网”是由地面的多种运输基础设施和辅助设施组建而成。“信息网”则应用了大数据计算与分析和人工智能等技术协助运输。

(3)规模效率

2016—2021 年顺丰的规模效率均处于1以下，但基本处于增长状态。2016年的规模效率最低，仅达到0.48，说明顺丰为提升生产效率而进行的规模投入并没有奏效，或是规模效益并不明显。2016—2018年的规模效益均小于0.8，导致综合技术效率值偏低，使企业的生产效率偏低。但规模效率在2016—2019年期间不断上升，意味着顺丰企业在规模上的持续投入获得成效，使产出要素有了提高。此外，2019年与2020年的规模效率持平为0.97，且到2021年下降为0.87。规模效率开始停止增长，并出现递减，说明规模的投入已经到达一个相对合理的平衡状态，生产效率的提升不能够再依靠在现有规模基础上的继续投入。2021年以后的发展应基于现有的规模，通过技术手段提升能源的利用效率，降低运输工具的碳排放量，提升碳排放效率水平。

(4)松弛量

松弛量是指相对于其他决策单元而言，当被评价对象(即相关投入产出要素)作为决策单元时位于生产前沿面有效性的松弛值，且其值并不为绝对值。对于综合技术效率最低的2016—2018年来说，松弛量显示，顺丰应该每年减少生产要素的投入，例如能源、资本存量以及劳动力，切实有效地减少碳排放量，提升碳排放效率。

2.5 基于LMDI模型的碳排放驱动因素分解计算

结合LMDI模型公式以及相关数据，即可计算出各种驱动因素对顺丰速运企业碳排放量变化的贡献值。其中，各种能源的碳排放系数在各年度均是固定不变值，其碳排放强度因素的贡献值均为0。顺丰速运企业能源消费结构因素、能源效率因素、经济发展水平因素及人口规模因素对碳排放强度的贡献值逐年计算分解结果如表9所示。

表9 顺丰速运CO2排放强度的LMDI分解结果
Table 9 LMDI decomposition results of CO2 emission intensity of
SF express from 2016 to 2021(万t·亿元-1)

式中：QM 为能源消费结构对碳排放强度的贡献率；QU 为能源效率因素对碳排放强度的贡献率；QN 为经济发展水平对碳排放强度的贡献率；QP 为人口规模因素对碳排放强度的贡献率。

根据表9得到的结果以及式(26)～式(29)，即可计算2016—2021年顺丰速运企业能源消费结构因素、能源效率因素、经济发展水平因素及人口规模因素对碳排放强度的贡献率，详细计算结果如表10所示。

表10 2016—2021年顺丰速运CO2排放驱动因素的贡献率
Table 10 Contribution rate of CO2 emission driving factors of SF express from 2016 to 2021(%)

2.6 驱动因素分解结果分析

从表9和表10的综合效应值可以发现，在2016—2021年期间，顺丰速运的碳排放量全程保持增长。但增长态势呈现出倒“U”型，增长量在2019年达到最高值，说明顺丰的碳排放增长速度已到达顶峰，并逐渐开始降低。但从总体来说，顺丰依旧保持着一个碳排放增长的态势。从计算因素分解得到的累计效应分析，经济发展水平和人口规模均是促进顺丰产生大量碳排放的驱动因素，其中，经济发展水平的作用更为显著，而能源效率则是在很大程度上抑制了顺丰的碳排放，能源消费结构对顺丰速运碳排放量增加所产生的作用比较有限。

(1)能源消费结构

从表9和表10可以看出，能源消费结构对顺丰速运碳排放增长的作用有限，其累计贡献值是3.36 万t·亿元-1，累计贡献率仅达到9.5%。能源消费结构的贡献率在2016—2021年期间一直保持在5%以下，最大贡献率为4.68%，相比较于其他驱动因素，能源消费结构对顺丰速运碳排放量增加所起的拉动作用非常微弱。结合表2和表3能源消耗情况可知，在这6年中，顺丰对其能源结构并没有做出过多调整。在2016—2018年间，顺丰主要的能源消耗类型为航空煤油，总计使用量为1755959 t；自2019年起，柴油的消耗量开始领先航空煤油，并成为主要的消耗能源，消耗总量为2453416151 L。从中可以得出，顺丰在航空运输方面的发展逐渐迟缓，而在陆路运输方面则开始蓬勃发展。此外，进一步分析可知，顺丰物流企业主营业务运输环节所使用的能源中基本都是汽油、柴油和煤油等高碳能源，并没有消耗清洁能源，例如太阳能、氢能、生物能、风能等。而这些可再生资源的使用能有效减少油气消耗，对抑制碳排放量增加具有一定的拉动效果，因此，顺丰物流企业的能源结构必须在国家“双碳”政策背景下进一步优化与提升。

(2)能源效率

能源效率表示顺丰物流企业效益增加值与物流企业能源消耗效率是否具有合适的匹配度。“十三五”规划中明确提出节能减排和提升能源效率的目标，并要求相关企业积极承担控制碳排放量的责任。物流企业产值所消耗的能源逐渐降低，物流企业降本增效起到了明显的作用，也促进了物流企业的持续高效发展。提升能源效率是一个繁重的系统工程，不仅要求物流企业能从多层次多角度分析内外部运营管理因素对能源效率的作用实质，还需结合企业发展趋势调整运行系统的投入和产出情况，实现运输环节的真正“低碳增绿”。从表9和表10可知，能源效率对于顺丰速运的碳排放增长起到抑制作用，其累计贡献值为-117.33万t·亿元-1，累计贡献率为-361.24%。其中，2017—2019年与2021年的排放贡献效率均处于0 以下，且数值较大，说明能源效率对于顺丰碳排放的产生具有较为显著的抑制效果。从图1和图2可知，可将能源效率因素对碳排放量的贡献率分为3 个变化阶段：第1阶段贡献率在2016—2018年呈下降趋势，抑制效应越来越强，且在2018年达到-117.85%；第2 阶段在2018—2020年呈上升趋势，抑制作用逐渐减弱，甚至在2020年突破到0 以上，起到了促进排放效应；第3 阶段从2020—2021年又呈现出明显的下降趋势，且幅度较大，在2021年达到最大的-90.28 万t·亿元-1贡献值和-238.58 的贡献率。说明在研究期间，尽管顺丰的能源效率对于碳排放的抑制效果出现过减弱的情况，但能够及时进行调整，能源效率因素依旧是顺丰抑制碳排放的主导因素。

(3)经济发展水平

从表9和表10中可知，经济发展水平是促进顺丰碳排放的主要驱动因素，其累计贡献值为241.41 万t·亿元-1，累计贡献度为457.95%。从图1和图2可知，在2016—2020年期间，经济发展水平对碳排放量的增加一直呈现促进作用；2020—2021年促进作用由强变弱，且呈现抑制效应。其中，2018—2019年经济发展水平对碳排放量的增加起到了较强的拉动作用，在2019年达到了238.33 万t·亿元-1，但随后2019—2020年促进效应迅速减弱。随着社会经济的不断发展，各行业之间联系愈发密切，人民对生产生活的需求也愈发强烈。顺丰速运不断扩大自身的物流网络抢占市场，使能源消耗加剧，进而促进了运输碳排放量的增加。而后，不断调整发展模式和市场结构等各方面平衡投入和产出的情况，控制经济发展对CO2增加量的影响。

图1 2016—2021年顺丰速运CO2排放强度的LMDI分解结果趋势变化
Fig.1 LMDI decomposition result trend of CO2 emission intensity of SF express from 2016 to 2021

图2 2016—2021年顺丰速运CO2排放驱动因素贡献率
Fig.2 Contribution rate of CO2 emission driving factors of SF express from 2016 to 2021

(4)人口规模

从表9和表10可知，人口规模因素对于顺丰速运碳排放量增加的拉动作用仅次于经济发展水平，其累计贡献值为61.79 万t·亿元-1，累计贡献率为393.79%。在2018—2019年人口规模对于顺丰碳排放量增加的影响为负向的，但其影响程度较小；而2017年及2020—2021年人口规模对碳排放量增加呈现较强的拉动作用，在2021年的促进贡献值达到159.03万t·亿元-1，贡献率达到420.27%。尽管人口规模的贡献率上下起伏，但通过其累积效应可以看出，在总体上，人口规模是对顺丰速运碳排放量增加起到推动作用。在2018—2019年人口规模的贡献率为负，这两年企业因效益低迷进行一定程度的裁员，缩减了运输业务进而减少了碳排放。而后，顺丰为增加市场份额，扩大企业规模，大量招聘员工，运输业务不断增加，导致人口规模贡献率回归正常，呈现显著的促进效应。

3 对策建议

本文以顺丰速运企业为例，利用Super-SBM模型和LMDI 模型分别对物流企业的碳排放效率和驱动因素进行分解分析，根据上述分析结果，需要从4个方面进行改进，提高物流企业的生产服务效率，降低运输环节的碳排放污染。

(1)加强物流技术创新，提高信息化水平

顺丰速运在2016—2021年期间的纯技术效率一直保持在1以上，并使得综合技术效率随之不断提升，最终突破到1 以上，实现投入产出的最优化。从中可知，顺丰一直通过技术创新和加大信息化建设投入实现生产效率的提高。鉴于此，物流企业现阶段依旧需要围绕智慧物流为发展目标，不断进行物流科技创新，构建并完善智慧物流网络平台，实现信息的公开透明和自由交互，提高运输服务质量，降低营运成本。在提升自身生产服务效率的同时，满足客户的个性化需求，共同实现双赢。

(2)调整能源消耗结构，使用新能源运输工具

通过构建LMDI 模型对顺丰速运碳排放进行驱动因素分解可知，在2016—2021年期间该企业并未对自身运输的能源结构进行有效调整，使能源结构因素对碳排放起到的拉动效果非常微弱。鉴于此，物流企业可通过不断调整能源消耗结构迅速降低碳排放量。其中，在陆路运输方面，可以通过自购或租赁方式有针对性地推进新能源车辆的使用，特别在长途物流运输中，可多采用新一代运输工具，例如，油电混合动力汽车和纯电动汽车进行运输，满足不同运输需求的车辆智能化建设。在航空运输方面，积极引进比传统货机燃油效率更高的机型，例如波音747和波音757等；在航空基地的车辆使用上，考虑其运输距离较短且范围固定，应推进全面使用纯电动汽车代替传统燃油维修及接驳车。加强对传统能源，例如，柴油、煤油及汽油的替换，降低运输碳排放量。

(3)提高能源利用效率，完善物流运输网络

能源效率因素对于顺丰速运碳排放量的增加起到显著的抑制作用。鉴于此，为持续有效地降低物流企业运输环节过程中产生的碳排放量，需要不断提高其能源利用效率。可与专业车辆研发企业合作进行技术创新，提高发动机燃油效率，降低碳排放量。加强车辆保养意识，成立车辆维修技术部门或与当地汽修企业签订长期的车辆检测维护合同，定期进行车辆保养，清理车辆积碳情况，恢复车辆燃油性能，减少碳排放。同时，物流企业在发展过程中应大力建设和完善如“天网”“地网”“信息网”三网合一的物流运输网络。对于天网的建设，例如，在远距离航空运输上，企业可不断收购大型货机组建自身的飞行航线，也可通过租赁货机或和第三方合作，进行散航资源的运输。在近距离的航空运输上，可选择使用无人机进行短距离的运送，解决最后一公里运输难题。“地网”则可积极发挥枢纽城市的带动作用，加强对重要物流节点的基础设施布局建设，最大限度地使用已有的交通及枢纽设施资源，打造综合性的物流运输服务基地。“信息网”则可科学地应用大数据计算与分析、人工智能等技术规划运输线路和管理运输车辆，提高运输效率，降低运输路程上产生的碳排放量。

(4)转变企业发展重心，加强物流低碳化建设

经济发展水平对于顺丰的碳排放一直处于正向驱动的作用。鉴于此，为降低物流企业的碳排放量需要对其发展重心进行转移。物流企业需要逐渐转移自身的发展重心，向增值服务和供应链管理倾斜。例如，可充分利用自身拥有的“信息网”的优势，利用大数据和人工智能等先进的信息技术以及多年从事物流行业的经营管理经验，为相关企业提供供应链管理规划服务。也可积极从事货运代理，由货物的直接承运人转变成货物运输的间接参与者，为客户提供报关报检等服务。同时，在自营的产业范围内进行可再生能源的利用，例如，在可利用的有效面积内建立屋面光伏发电物流服务站。在绿色包装环节上，对产品包装材料进行研发升级，减少或停止使用不可降解的塑料袋，细分不同种类货物的包装需求，避免包装的无序化使用，积极使用循环化包装，降低碳排放。

4 结论

本文利用Super-SBM 和LMDI 模型评价物流企业的碳排放效率及驱动因素分析，文中选取能源消耗、资本存量及劳动力作为投入变量，营业收入和碳排放量作为产出变量，建立Super-SBM碳排放效率评价模型。通过LMDI 将碳排放的驱动因素分解为能源消费结构因素、能源效率因素、经济发展水平因素及人口规模因素，并逐个分析其对物流企业碳排放量的影响。为验证测度方法的有效性，本文以顺丰速运公司为例，有效分析其陆运和航运两种运输模式的碳排放量，并得出驱动因素对碳排放量的影响方向和程度，针对性地给出对策建议。实验结果证明，本文提出的方法有助于物流企业提高运输服务质量，降低运输环节的能源消耗及碳排放量。