基于貨運量及能源強度影響的長三角地區貨運碳排放研究

鄔嵐，陸豪冬，尹超英，成迎吉，任斯奇

(南京林業大學，汽車與交通工程學院，南京 210037)

0 引言

長江三角洲地區位于中國長江下游，包括：上海市、江蘇省、浙江省及安徽省全域，共41 個城市[1]，是國內貨運網絡最為密集的地區之一。據國家統計局數據[2]可知，2020 年，長三角地區貨運總量為109.03萬億t，占全國貨運總量的23.05%，貨運量呈穩定增長趨勢，但長三角地區貨運結構仍然以公路運輸為主導，2020 年，長三角地區公路貨運量占總貨運量59.30%，水路貨運量占比38.89%，鐵路貨運量僅占1.73%，貨運結構不均衡，鐵路貨運占比低，而使用化石燃料交通運輸工具較多的公路貨運占比高，導致該地區的貨運碳排放量較高。另一方面，近年來，我國交通運輸業能源消費量呈持續上升趨勢，由27102 萬噸標準煤(2010 年)增長至41309萬噸標準煤(2020年)，增長了52.42%；且交通運輸業能源消費份額也在同步上升，由7.51%(2010 年)增長至8.29%(2020 年)，上升了0.78 個百分點，從而導致交通運輸業碳排放量不斷增加。通過能源消費總量可以得到能源強度的變化情況，根據能源強度可以衡量地區能源綜合利用效率。因此，為降低貨運碳排放，使貨運結構合理化，實現“雙碳”目標，需要結合長三角地區特征，探究貨運量及能源強度與貨運碳排放的關系，并提出優化對策。

國內外已有許多學者利用不同方法對交通運輸與碳排放的影響進行分析與研究。在經濟上，從經濟發展規模與特定貨運方式對碳排放的影響入手，例如，石鈺婷等[3]在計算中國航空運輸業2000—2017年碳排放并分析其演變特征的基礎上，采用對數平均迪氏指數法(Logarithmic Mean Divisia Index,LMDI)模型對影響中國航空運輸業碳排放的驅動因素進行實證分析發現，經濟發展規模、產業規模及人口規模對碳排放起到正向的驅動作用；薛鋒等[4]以2000—2017年我國鐵路固定資產投資、換算周轉量及國內生產總值這3方面數據為基礎，應用向量自回歸(Vector Autoregressive Model,VAR)模型定量分析鐵路發展對國家經濟發展的支撐作用。從政府政策模擬角度研究交通運輸對碳排放的影響，例如，孫啟鵬等[5]通過建立長期能源可替代規劃(Long-range Energy Alternatives Planning，LEAP)系統模型，計算分析不同情景政策的低碳交通政策效果測度，得到公交與新能源共同發展政策的效果最好和新能源發展政策效果略好于公交發展政策的結論；MIYATA 等[6]研究在電動車制造、電動車運輸、太陽能發電、熱電聯產以及其他運輸方面進行電動車補貼對碳排放的影響，指出電動車補貼會導致碳排放增加；CHENG等[7]構建城市交通系統動力學模型，以高雄市為例，研究1995—2025 年燃油稅等3 項城市交通管理政策的模擬實施效果。在運輸方面，從調整運輸結構的角度[8-9]研究減碳的影響以及利用經濟學方法[10]探究貨運與碳排放之間存在的關系，WALKER等[11]通過計算機模擬情景的方法研究不同運輸方式的路徑、距離、時間與CO2排放量之間的關系，從而選擇最佳的運輸方式。在能源方面，通過采用開發新能源交通方式以及調整能源結構的方式減少交通運輸的碳排放，例如，郭秀銳等[12]應用LEAP模型預測分析京津冀地區交通運輸能耗和碳排放情況發現，淘汰高排放車能在短期內達到最佳的節能效果；麥文雋[13]構建城市客運交通系統動力學模型，指出城市客運交通能耗及碳排放主要來源于私家車，其次是公交車和出租車；WEGER 等[14]運用情景模擬將德國公路運輸部分以化石燃料為動力的重型車輛過渡到以氫能源為動力的運輸車輛，研究發現，氫能源車輛可以明顯減少國家公路運輸碳排放；FAN等[15]以北京市公共交通為例，分析2016—2030年不同情景下的能源需求和主要溫室氣體(GreenHouse Gas,GHG)排放結果發現，對能源結構進行內部調整，可以大大減少對傳統能源的需求，減少溫室氣體排放。

綜合以上相關研究可知，目前，國內外從經濟、運輸及能源方面等研究特定貨運方式以及城市運輸與碳排放關系的較多，且大多從國家層面角度出發，但由于各地區的經濟基礎與運輸發展狀況各不相同，致使得出的結論對于指導地區層面的貨運減碳缺乏一定針對性。本文利用經濟、交通及能源等數據，以長三角地區為研究對象，從地區層面研究貨運碳排放的影響關系。由于影響貨運碳排放的因素較多，例如，經濟增長或能源排放等因素均會對碳排放有較為顯著的影響[16]，僅從貨物運輸方式角度進行分析缺乏全面性，本文以長三角地區為例，根據1990—2020 年之間貨運量、GDP、能源強度與貨運碳排放的數據，建立ARDL-ECM 模型并進行格蘭杰因果檢驗，選取GDP、貨運量與能源強度作為經濟、貨運及能源這3 方面的代表性指標，分析3方面與貨運碳排放之間的關系。

1 數據選取與處理

1.1 數據選取

利用1990—2020年4組長三角地區的數據，包括貨運碳排放量、貨運量、GDP值以及能源強度，其中，貨運量與GDP值取自于各地統計年鑒，能源強度根據能源消費總量除以GDP 得到，用于衡量能源綜合利用效率，貨運碳排放量數據通過公式計算得出。

考慮鐵路、公路、水路以及航空運輸這4 種貨運方式，貨運碳排放計算的步驟包括以下兩步，首先，計算4種貨運方式的能源消耗量，其次，通過與不同燃料的碳排放系數相乘計算得到該地區貨運碳排放量。

(1)能源消耗量

式中：m為不同的貨運方式；k為不同運輸工具；Em,k為k種運輸工具的能源消耗量；Vm,k為k種運輸工具的貨物周轉量；Gm,k為k種運輸工具的單位貨物周轉量能耗。不同貨運方式對應的運輸工具以及燃料類型如表1所示，長三角地區各運輸工具不同燃料類型下貨運周轉量如表2 所示。由于各統計年鑒內僅有鐵路、公路、水路與航空運輸的總貨運周轉量數據，鐵路與公路貨運方式缺少不同燃料類型下的貨運周轉量數據，因此，需要對電力機車、內燃機車、汽油車與柴油車的Vm,k進行大致估算，其中，鐵路內燃機車與電力機車貨運周轉量根據《中國鐵道年鑒》中各年份鐵路里程電氣化率進行細分，公路汽油車與柴油車貨運周轉量根據《中國能源統計年鑒》中交通運輸汽油與柴油消費量進行細分，其中，汽油與柴油消費量數據包括部分倉儲與郵政業，因此，公路汽油車與柴油車貨運周轉量數值會與實際有略微偏差；不同運輸工具的單位周轉量能耗如表3所示。

表1 不同貨運方式對應的運輸工具及燃料類型Table 1 Means of transport and type of fuel corresponding to different modes of transport

表2 長三角地區各運輸工具不同燃料類型下貨運周轉量Table 2 Freight turnover in Yangtze River Delta region by means of transportation under different fuel types

表3 不同運輸工具單位周轉量能耗Table 3 Energy consumption per unit of turnover of different means of transport

(2)貨運碳排放量計算

貨運碳排放通常根據IPCC(Intergovernmental Panel on Climate Change)提出的公式計算，即

式中：Cm,k為m種交通運輸方式k種運輸工具的碳排放量；xi為第i種能源的碳排放系數，電力碳排放系數按照全國電網平均排放因子0.57 kgCO2·kWh-1進行計算[17-18]，如表4所示；Ni為第i種能源平均低位發熱量；Fi為第i種能源單位熱值含碳量；Oi為第i種能源消耗氧化率。式(4)為各貨運方式碳排放總量。通過計算得到，近30年，長三角地區貨運碳排放量如圖1所示。

圖1 長三角地區貨運碳排放量Fig.1 Carbon emissions from freight transport in Yangtze River Delta

表4 不同燃料碳排放系數Table 4 Carbon emission factors for different fuels

1.2 對數轉換

將長三角地區貨運碳排放量、貨運量、GDP 與能源強度進行對數轉換，達到數據標準化的目的。對數轉換可以降低各個數據序列的波動對后續模型建模產生的異方差影響，且經過轉換后的模型系數能夠使用百分比形式描述，因此，能提高模型被解釋性[19]。轉換后的統計表如表5 所示，據表5 可知，4組數據的Jarque-bera檢驗數非負，且非遠大于0，符合正態分布偏度和峰度的擬合優度檢驗，滿足后續建模所需的正態分布要求。

表5 描述性統計表Table 5 Descriptive statistics

2 研究方法與模型構建

ARDL（自回歸分布滯后模型）是用于估計變量之間長期及短期關系的一種模型方法。常用的EG協整檢驗與Johansen 協整檢驗需要被檢驗變量間為同階單整，但由于在長期的計量經濟以及數據研究中可以發現，變量間不同階單整現象較為普遍，尤其是針對多元回歸分析，其變量越多，不同階單整現象就會越普遍，針對該問題，Pesaran 于2001 年提出ARDL邊界協整檢驗法[20]，使用該方法的優點是能夠對不同階單整的變量進行長期關系的研究，這是標準協整檢驗無法做到的；除了長期關系分析，還可以通過結合誤差修正項顯示變量在短期內如何與長期關系相關聯，從而分析變量短期關系，并且該模型適合用于小樣本數據，使用后能夠較為穩健地估計變量間的關系。通過長期關系分析探究長三角地區貨運量及能源強度與貨運碳排放的一般規律，短期關系分析則反映目前政策形式下，對于貨運量及能源強度與貨運碳排放關系的影響。

基于ARDL 模型的上述優點，學者們利用該模型研究交通運輸與碳排放關系。PACHIYAPPAN等[21]使用該方法發現了印度GDP、能源使用量、人口增長以及CO2之間存在的長短期因果關系；LI等[22]采用該模型研究中國CO2排放量與公路、鐵路、航空與內陸水路運營里程的關系發現，鐵路運營里程比例的增加對CO2排放會產生抑制作用；JEBLI 等[23]通過構建ARDL 模型研究1990—2011年突尼斯CO2排放、海上運輸、GDP、鐵路運輸以及可燃可再生能源和廢物消耗之間的長短期相互關系；LIU 等[24]發現長期條件下中國能源強度、GDP工業化和城市化與CO2排放量的具體因果關系。因此，本文使用ARDL 模型研究長三角地區貨運碳排放量、貨運量、GDP 以及能源強度之間的相互關系，從長期與短期的角度探討其存在的關系。

根據長三角地區數據特征，建立ARDL 模型為

誤差修正項ECM(Error Correction Model)用于分析變量之間短期關聯，根據其數值得到變量從短期變化至長期狀態下的速度，并顯示變量間短期與長期之間的相關性。在分析長期關系后，分析誤差修正項，得到短期關系，建立短期關系模型與誤差修正項為

式中：m1、m2、m3、m4為最大滯后長度；M為誤差修正項；η為誤差修正項系數；θ為誤差項。

式中：a0為常數項；a1、a2、a3分別代表長三角地區貨運量、長三角地區國內生產總值以及長三角地區能源強度的系數值。式(7)為誤差修正項，其數值顯示由短期狀態轉變為長期狀態的速度。

3 實證結果分析

3.1 單位根檢驗

使用ADF(Augmented Dickey-Fuller)單位根檢驗對4 組數據進行平穩性檢驗的結果如表6 所示，表6 中，檢驗形式C、T、K分別表示常數項、趨勢項以及根據SC(Schwarz Criterion)施瓦茲準則確定的滯后階數，各組變量均根據SC準則、AIC(Akaike Information Criterion) 赤池信息準則以及HQ(Hannan-Quinn Criterion)準則的數據比較后確定不同的檢驗形式。

表6 ADF單位根檢驗Table 6 ADF unit root analysis

根據表6可知，除ln(qEI)在I(0)水平上平穩外，其余變量均在I(1)水平上平穩，即ln(qEI)為零階單整，、ln(qFREIGHT)及ln(qGDP)均為一階單整，4組變量為不同階，因此，采用ARDL 模型進行邊界協整檢驗。

3.2 ARDL邊界協整檢驗

對4 組數據進行ARDL 邊界協整檢驗，結果如表7 所示，通過F 統計量值確定各組數據變量之間是否存在協整關系，若F統計量值大于各顯著性水平下的臨界上限值，則拒絕原假設，表明各組數據間存在長期協整關系[25]。根據表7 數據可知，F 統計量值為12.011，大于1%時的臨界上限值4.66，因此，拒絕原假設，4組數據均存在長期協整關系。

表7 ARDL邊界協整檢驗Table 7 ARDL bound test

3.3 ARDL長期回歸結果分析

利用ARDL模型得出貨運量、GDP及能源強度這3組數據與貨運碳排放量的長期回歸結果關系，如表8 所示，從長期來看，長三角地區的貨運量、GDP 以及能源強度均與貨運碳排放存在顯著的相關性。在1%的顯著性水平上，貨運量及能源強度均與貨運碳排放呈正相關，系數分別為2.369 與2.198，表明該地區的貨運量與能源強度各下降1%，則貨運碳排放量將減少2.369%與2.198%；在10%的顯著性水平上，GDP與貨運碳排放量呈正相關，相關系數為1.394，表明GDP降低1%，貨運碳排放量將減少1.394%。由此可知，貨運量和GDP 與能源強度的降低均能減少貨運碳排放量。該模型R-squared 值為0.995，在F 統計量下的P 概率值為0.000，小于0.01，說明該模型的擬合程度較好。

表8 ARDL模型長期回歸結果Table 8 ARDL model long-term regression results

3.4 ARDL短期回歸結果分析

將ARDL 長期回歸結果所得出的殘差序列設置為ECM，ECM(-1)設置為一階差分后4組變量的固定回歸量，得出ARDL 的短期動態關系，如表9所示，在1%的顯著性水平上，長三角地區貨運量與該地區貨運碳排放量的相關系數為3.285，即貨運量每增加1%，貨運碳排放量就增加3.285%；在5%的顯著性水平上，能源強度與貨運碳排放量的相關系數為0.935，即能源強度每增加1%，貨運碳排放量就會增加0.935%；即貨運量與能源強度的增加均會導致貨運碳排放量短期內的上升，該結論與長期回歸結果相同。雖然GDP與貨運碳排放量呈負相關，但由于其P值未呈現顯著性，因此，認為GDP在短期內對貨運碳排放不存在影響。

表9 ARDL模型短期回歸結果Table 9 ARDL model short-term regression results

在ARDL 模型中，ECM 誤差修正系數的大小能夠顯示序列由短期內的動態波動向長期均衡發展的調整速度快慢，根據表9 可知，誤差修正系數為-1.349，且其在1%的顯著性水平上顯著，因此，當長三角地區貨運碳排放在短期動態波動偏離長期均衡狀態后，誤差修正項會在0.741 年(1/1.349)后將系統恢復至長期均衡狀態，且由于系統需要0.741年的延遲后才能恢復為長期均衡狀態，因此，存在滯后效應，即系統需要一定時間適應變化，而不是立即反應。

3.5 格蘭杰因果檢驗

在對4 組時間序列數據進行長短期關系研究后，利用格蘭杰因果檢驗分析各組數據之間是否存在因果關系。如表10 所示，當為解釋變量時，僅有ln(qEI)在1%的顯著性水平上顯著，說明長三角地區的能源強度為貨運碳排放量的格蘭杰原因，而當ln(qEI)為解釋變量時，在1%，5%與10%的顯著性水平上均未顯示出顯著性，即貨運碳排放的變化不是能源強度變化的原因，因此，能源強度為貨運碳排放的單向格蘭杰原因。

表10 格蘭杰因果檢驗Table 10 Granger causality test

3.6 穩定性檢驗

對模型進行穩定性檢驗可以確定模型是否存在序列相關性以及異方差問題。本文采取拉格朗日乘數檢驗(LM 檢驗)、自回歸條件異方差檢驗(ARCH 檢驗)以及懷特異方差檢驗，如表11 所示，由表11可知，F統計量值為正且P值大于0.05，表明其在5%顯著性水平上未顯示出顯著性，變量間不存在序列相關性，同樣，在ARCH 與懷特異方差檢驗中數據均不顯著，表明不存在異方差影響。

表11 穩定性檢驗結果Table 11 Stability test results

通過CUSUM(累積遞歸和)與CUSUMSQ(累積平方和)驗證模型的適用性以及序列的穩定性，如圖2的CUSUM檢驗圖與圖3的CUSUMSQ檢驗圖所示，曲線均在5%顯著性區間內，表明模型穩定且參數估計結果可靠。

圖2 CUSUM(累積遞歸和)檢驗Fig.2 CUSUM(cumulative recursive sum)test

圖3 CUSUMSQ(累積平方和)檢驗Fig.3 CUSUMSQ(cumulative sum of squares)test

3.7 政策建議

根據ARDL長期回歸結果可知，長三角地區貨運量、GDP以及能源強度的上升均會導致貨運碳排放量的增加，但由于貨運量與GDP 的上升為地區經濟發展所帶來的必然結果，因此，降低能源強度和提高能源利用效率成為控制貨運碳排放的首要方法，ARDL的短期回歸結果與格蘭杰因果檢驗結果也表明，能源強度的增加將導致貨運碳排放量增加，與長期回歸結果相同，即需要降低能源強度，達到控制貨運碳排放的目的。能源強度通過能源消費總量除以GDP可得到，根據《完善能源消費強度和總量雙控制度方案》[26]中所提到的總體目標“到2025 年，能耗雙控制度更加健全，能源資源配置更加合理，利用效率大幅提高。到2030年，能耗雙控制度進一步完善，能耗強度繼續大幅下降，能源消費總量得到合理控制，能源結構更加優化?！币约啊霸黾幽芎膹姸冉档椭笜丝己藱嘀?，合理設置能源消費總量指標考核權重，研究對化石能源消費進行控制的考核指標?！笨芍?，能源強度與能源消費總量兩者緊密相關，可通過提高能源利用效率，例如，利用清潔能源，減少對化石燃料的依賴等措施，控制長三角地區能源消費總量并降低能源強度，還可通過推廣新能源[27]燃料的公路貨運方式，例如，氫能重卡或油電混合減少貨運碳排放，或通過加強宣傳，加大對新能源的科研投入以及給予新能源貨運車輛適當的購買補貼等措施促進新能源貨運發展；另外，根據內燃機車與電力機車的碳排放差異，國家需要制約內燃機車的使用，及時淘汰耗能過大的鐵路機車，提高電氣化鐵路以及電力機車的使用率，對機車以及設備進行節能改造，達到提高機車運行能效，優化電力系統使用效率的目的。

同樣，由于ARDL 長短期回歸結果中表明，貨運量的增加將導致長三角地區貨運碳排放量增加，因此，應將貨運能耗高的貨運量分擔至貨運能耗較低的運輸方式中，即進行合理的多式聯運，提高多式聯運的運輸效率和比例，建立更為節能高效的貨運結構，例如，在我國交通運輸部提出的《綜合運輸服務“十四五”發展規劃》[28]中提到，“可通過構建‘外集內配、綠色聯運’的公鐵聯運配送體系，將公路及鐵路相互配合，以達到最優的運輸效率及運輸能耗要求”，長三角地區公路和鐵路網基礎設施完善，路網密集，且水運資源豐富，可利用密集的公路和鐵路網絡與水路運輸相互協調連接，構成公水聯運和鐵水聯運等聯運方式，同時，也需要針對不同貨物的運輸需求發展航空貨運，使空中、水上、地面與地下能夠形成完善的協同合作的多式聯運網絡。政府可通過給予鐵路貨運適當的補貼，并增收一定的碳稅等措施提高公轉鐵比例，降低碳排放，并且可以提高輕卡貨運的比例實現公路卡車貨運結構的調整。

4 結論

目前，大多數研究主要針對單一方面與碳排放關系研究，且多數基于國家層面數據，本文針對經濟、貨運及能源這3 方面與碳排放間的關系，根據1990—2020 年長三角地區貨運量、GDP、能源強度與貨運碳排放量的時間序列數據，采用ARDLECM模型以及格蘭杰因果檢驗的方法探究其長短期關系，得出以下結論：

(1) ARDL 模型長期回歸結果顯示，1990—2020 年長三角地區貨運量、GDP 與能源強度每增加1%，則貨運碳排放量將分別增加2.369%，1.394%，2.198%。

(2)ARDL 模型短期回歸結果顯示，短期內長三角地區貨運量和能源強度每增加1%，貨運碳排放量將增加3.285%和0.935%，短期內GDP 對貨運碳排放量不存在影響，且誤差修正項表明，該系統由短期動態恢復至長期均衡狀態需要0.741年。

(3)格蘭杰因果檢驗表明，能源強度與貨運碳排放量之間存在單向因果關系。

本文根據結論所給出的長三角地區政策建議為：發展清潔能源，加快新能源貨運普及；提高電氣化鐵路與電力機車使用率；對貨運量進行合理分擔；完善多式聯運貨運網絡。