预测物流行业的碳峰值呈现阶段性特征：来自中国新国际陆海贸易走廊的证据

《Journal of Cleaner Production》：Predicting staggered carbon peaking in the logistics industry: Evidence from China's new international land-sea trade corridor

　　• 一个新的框架预测各省的碳排放峰值将呈错开分布。• 在低碳情景下，2032年区域性物流排放量将达到2.2911亿吨的峰值。• 在低碳情景下，有9个省份的排放峰值将在2030年之前以错开的顺序达到峰值。• 基于峰值稳定性的三个层级指导了差异化的减排路径。

引言
中国已在联合国大会上承诺在2030年前实现碳排放峰值，并在2060年前实现碳中和。这些“双碳”目标为该国向更绿色、低碳的发展转型指明了总体方向（Chen等人，2025；Chen等人，2024a）。在这一转型过程中，交通运输发挥着双重作用：它支持经济循环和地区间互联互通，但同时也是能源使用和碳排放的主要来源（Shao等人，2024）。国际能源署报告称，与交通运输相关的二氧化碳（CO2）排放占最终使用部门排放量的三分之一以上（IEA，2023）。作为交通运输系统的重要组成部分，物流行业将生产、分配和消费联系在一起，其规模的扩张使其成为能源需求和排放的重要贡献者（Kang等人，2024）。在中国这个全球领先的物流市场中，该行业约占全国碳排放量的9%（CFLP，2023），因此其脱碳与该国的碳排放峰值目标密切相关。然而，物流排放在不同地区之间存在差异。经济发展水平、产业结构、交通基础设施、能源构成和物流需求的差异导致了排放规模、增长速度和减排潜力的明显区域差异（Kang等人，2024）。因此，统一的排放峰值时间表可能会降低政策效率，并限制欠发达地区的合理发展需求。错开的碳排放峰值为此类区域排放治理提供了一个有用的视角，它允许经济基础更雄厚的地区更早达到峰值，而发展阶段较晚的地区则保留了合理的转型空间，从而形成分阶段的协调减排序列（Li等人，2026；Qiao等人，2025；Dong和Yang，2024）。对于物流行业而言，这种序列可能源于物流需求、运输组织、能源使用、基础设施和技术采纳方面的差异。然而，历史上的区域差异并不必然表明未来的排放峰值将如何分布。过去排放轨迹不同的省份仍可能在不同时间达到峰值，或者在不同的发展条件下表现出不同的反应。因此，需要预测各省的排放轨迹，以确定每个省份何时以及达到何种程度的峰值，以及在不同情景下这些结果的稳定性。这些信息可以支持区域减排行动、基础设施投资和技术转型的协调，同时避免采用统一的省级时间表。

现有的碳排放峰值研究主要集中在两个相互关联的维度上。在方法论上，预测方法从传统的数学和计量经济方法发展为能够捕捉复杂非线性排放动态的机器学习和混合模型（Xie和Ma，2024；Yang等人，2024）。在应用方面，研究从全国或行业层面的总体预测转向了省和城市层面的比较，为差异化或分层峰值路径奠定了基础（Chang等人，2025；Ming等人，2025）。尽管如此，物流排放研究主要集中在历史核算、排放效率、影响因素和空间差异上，对于影响因素分析、非线性省级预测、一致的峰值标准和跨情景稳定性评估的关注相对有限。这些限制促使了本研究开发了一个综合框架。

新的国际陆海贸易走廊（NILSTC）是中国西部多个省份、自治区和直辖市的国家级战略走廊，对于推进西部的开放和协调发展具有重要意义（NDRC，2019）。该走廊包括成都-重庆经济圈等主要增长区域，以及面临较强生态约束和较弱经济基础的甘肃和青海等省份。因此，走廊在产业结构、发展阶段和物流需求方面表现出明显的异质性。随着走廊建设从基本基础设施连通性向产业、贸易和物流的综合发展转变，沿线的物流活动迅速扩张。传统的陆地运输也与多模式运输和跨境电子商务日益紧密相连（Cheng等人，2025；Huang等人，2023）。在这种背景下，物流排放的变化不仅反映了经济和物流的增长，也反映了在不同发展路径下面临的减排约束。因此，NILSTC为研究物流排放演变、错开的峰值模式和差异化的减排策略提供了一个典型的案例。鉴于这一实际背景，仅关注总体区域排放变化或单一的峰值时间已不足以支持差异化的治理。更重要的是，还需进一步明确各省物流相关CO2的驱动因素是否存在差异，未来排放轨迹是否呈现有序的分化，以及区域内是否能够形成明确的错开峰值模式。因此，本研究旨在回答三个问题：(1)NILSTC内各省份在物流相关碳排放影响因素方面存在哪些差异？(2)在不同的发展情景下，各省的物流排放是否存在错开的峰值轨迹？(3)哪些差异化的减排路径适合不同省份的物流行业？为了回答这些问题，本研究考察了NILSTC内12个省份、自治区和直辖市的物流行业，并构建了一个将历史分析与未来预测相结合的框架。首先，使用政府间气候变化专门委员会（IPCC）的排放因子方法估算了1997至2021年各省的物流相关排放量。其次，应用扩展的随机影响回归模型（STIRPAT），基于人口、财富和技术来识别主要影响因素，并保留了具有跨省相关性的变量。最后，开发了一个多情景预测模型来模拟不同发展路径下的未来物流排放。通过结合峰值时间、峰值水平和情景稳定性，该研究描述了错开的峰值模式，并提出了针对各省份的差异化减排路径。

本研究在两个方面做出了贡献。在研究重点上，它将错峰碳排放的战略理念应用于NILSTC的物流相关排放，并构建了一个分析框架，将历史影响因素识别与未来的多情景预测相结合。这种设计允许同时研究峰值序列、峰值水平的差异以及结果的稳定性，从而为协调的区域减排和差异化政策设计提供系统基础。在方法论上，本文在筛选出影响因素后，构建了一个双重注意力-粒子群优化-长短期记忆（DA-PSO-LSTM）预测模型。双重注意力机制提高了模型识别重要特征和时间依赖性的能力，而粒子群优化调整了关键参数，增强了预测的准确性、稳健性和可解释性。

本文的其余部分安排如下：第2节回顾了相关文献；第3节解释了方法和数据；第4节报告了历史排放模式、影响因素和多情景预测；第5节讨论了差异化的减排路径和政策含义；第6节总结了研究结果。

关于碳排放影响因素的研究
碳排放影响因素的研究通常采用两种方法：回归模型和分解方法。在基于回归的工具中，IPAT模型（Daily和Ehrlich，1992）描述了人口、财富和技术如何影响环境压力，在排放研究中得到了广泛应用（Hassan等人，2024；Chen等人，2020；Yue等人，2013）。其主要局限在于假设存在比例和线性关系，这使得该模型不太适合某些情况。

方法论
本研究开发了一个“碳排放核算-因素识别-情景预测-错峰评估”的综合分析框架。具体来说，第3.1节首先计算了物流行业的碳排放量；第3.2节构建了一个影响因素分析模型，全面考察了十个潜在的影响因素；基于这一分析，第3.3节进一步提出了一个预测模型，以支持未来的排放情景预测。

物流行业碳排放的历史特征
图3(a)显示，NILSTC的物流相关碳排放总量从1997年的2956万吨增加到2021年的20546万吨，增长了约6.95倍，年平均增长率为8.41%。这一轨迹可以分为四个阶段：首先，在1997-2005年期间，西部开发战略推动了物流需求的快速增长，排放量也相应增加，到2005年达到了42%；其次，从2006年到2012年，排放量继续增加……

外部影响因素与峰值窗口的比较
为了评估结果的外部一致性和合理性，我们将识别出的影响因素和预测的排放轨迹与现有文献的研究结果进行了比较。在影响因素方面，经济发展已被广泛确认为促进物流相关碳排放的重要因素（Dai和Gao，2016；Wang等人，2011）。能源强度（lnEI）通常被视为减排性能的关键约束因素……

结论
为了描述NILSTC物流相关碳排放的历史演变和未来峰值路径，我们开发了一个综合框架，结合了碳排放核算、影响因素识别、多情景预测和错峰评估。结果显示，1997年至2021年间，物流相关碳排放迅速增加，主要受经济发展、物流活动扩张、人口增长和城市化驱动。

作者贡献声明
Liu Chen：撰写 - 审稿与编辑、撰写 - 原稿、可视化、监督、方法论、概念化、验证、调查、资金获取。Haixiang Feng：撰写 - 原稿、可视化、验证、软件、正式分析、数据管理。Luping Qin：正式分析、数据管理。Kaijian Li：资源协调、项目管理、调查、资金获取。Lanxi Liu：数据管理。

利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文的研究工作。

致谢
作者感谢国家自然科学基金（项目编号72604011）和国家自然科学基金（项目编号72371041）的财政支持。作者感谢编辑和匿名审稿人的宝贵意见和建议。

刘陈 | 海翔峰 | 卢平秦 | 开健李 | 兰西刘