我国铁路运营碳排放影响因素研究

汪 莹，高佳钰，雷雨轩

(中国矿业大学(北京)管理学院，北京 100083)

2016年国家发改委等部委联合发布了《中长期铁路网规划》，到2025年铁路网规模达到17.5万km左右；到2030年，基本达成县级基本覆盖，区际线路畅通，城市快速互通的目标。一方面，现代铁路具备路网发达、运量大、效率高及绿色环保等优势，在我国交通运营体系中占据重要地位。另一方面随着我国铁路的快速发展，作为能源消耗的重要部门，如何对运营中的碳排放问题进行管控，实现我国经济绿色低碳转型的发展战略，也成为重大挑战。

现有研究主要分为铁路运输过程碳排放量的估算和铁路运营低碳程度评价两方面。在铁路运输碳排放量量化方面，Dincer等[1]基于生命周期理论，通过整理土耳其铁路公司2000—2005年数据，使用美国环保署颁布的排放因子，估算土耳其不同类型铁路机车的CO2排放量；张永闯等[2]以铁路运营节点的最小能源需求量为基础，构建Logistic量化模型，对大秦铁路2016—2020年的碳排放量进行预测；朱勇等[3]基于投入产出理论，采用灰色均值模型，对高速铁路直接碳排放量进行计算。在铁路低碳程度评价方面，薛静[4]运用全寿命周期理论，对京津冀城际铁路进行了整体碳排放评价；谢汉生等[5]根据铁路运输能耗情况计算得出2005—2012年铁路运营中的碳排放量，运用层次分析法，构建铁路运营低碳效应评价体系。综上可知，现有铁路碳排放研究成果主要侧重于铁路运营某一阶段碳排量计算和低碳程度评价，缺乏对现代铁路核心运营过程碳排放影响因素与机制的科学性、系统性的研究。

本文以低碳经济发展为背景，深入探讨我国铁路运营碳排放主要影响因素及机制。通过搜集《中国统计年鉴》和《铁道统计公报》的原始数据，考虑近40年的国家铁路客货运营的能源消耗和经济收入的时间序列数据，计算铁路运营的碳排放量和强度，进一步采用多变量协整、向量误差修正模型以及Granger 因果整合模型来考察1979—2018年铁路运营碳排放量的协整关系及重要影响因素，特别是识别铁路运营碳排放的核心影响因素及其对碳排放的影响弹性和贡献率。

1 我国铁路运营碳排放相关概念

1.1 铁路运营碳排放量

本文提出的铁路运营碳排放量是指国家铁路客货运营过程中由于能源消耗产生的CO2排放量[6-7]。需要指出的是，本文并非从全寿命周期角度衡量碳排放量，而是研究运营这个核心环节的碳排放量。

1.2 铁路运营碳排放强度

碳排放强度是衡量能源低碳利用效率的重要指标，是指国家或行业单位经济收入所产生的CO2量，主要用于反映经济发展与CO2排放的关系。本文考量国家铁路客货运营单位收入产生的碳排放量。

2 铁路运营碳排放量的估算与趋势分析

2.1 碳排放量估算方法

碳排放量的计算建立在能源消费的基础上，铁路运营能源主要包括电力、原煤、柴油、天然气等。目前国内外通常采用的处理方法是将各种能源按照消耗与标准煤进行换算，得到能源消耗的标准煤折算总量[8-9]。本文直接采纳从《铁道统计公报》获取的能源消耗标准煤折算总量统计数据。在此基础上，用标准煤总量乘以CO2排放系数，得到碳排放量。这里采用的是国家发改委能源研究所规定的标准煤碳排放系数，即每吨标准煤产生0.67 t碳排放量。碳排放量为

(1)

式中：Y为碳排放量，万t；Xi为能源i消费量，万t；Zi为能源i的折算为标准煤单位的系数；Ii为碳排放系数；j为能源种类数量；i为能源种类，i=1,2,…,j。

根据1979—2018年间的原始数据及式(1)计算得出的碳排放量以及碳排放强度见表1，其中我国铁路能源消耗总量(折算标准煤)原始数据来自历年《铁道统计公报》和《中国能源统计年鉴》，运输收入原始数据来自《中国统计年鉴》。运输收入为铁路运输客运收入与货运收入加总得到，不考虑其他收入。

2.2 碳排放趋势分析

根据表1数据可绘制出铁路碳排放量及强度变化走势图，见图1。由图1可知，1979—2005年铁路碳排放水平较高，其中1979—1988年铁路碳排放量在2 000万t以上，1989—2005年铁路运营碳排放量从1 984.38万t平稳小幅下降为1 505.80万t。2006年铁路运营碳排放量出现了较大幅度的下降，2006—2018年间，碳排放量总体波动不明显，平均水平维持在1 117万t。较为明显的，铁路运营碳排放强度整体呈下降趋势，从1979年强度为20.52 t/万元，1991年强度为4.66 t/万元，降至2018年0.15 t/万元，不断趋向绿色低碳发展。这在某种程度上表明，随着铁路运输技术进步、设备更新以及管理优化，铁路绿色低碳运营效率呈现持续增长趋势，同时铁路运营绿色GDP产出实现较快增长。

表1 1979—2018年我国铁路客货运营碳排放

图1 1979—2018年铁路运营碳排放量及强度

3 铁路运营碳排放量影响因素分析

3.1 理论与方法描述

协整理论(Co-integration)由Granger 和恩格尔提出，用于判断一组非平稳序列是否存在稳定的长期均衡关系。一般而言，协整分析包括如下步骤：

(1)单位根平稳性检验

非平稳数据通常会导致伪回归问题，即两个变量没有任何因果关系，但存在高度相关性，因此应首先进行平稳性测试，即必须执行单位根检验。单位根平稳性检验(Unit Root Test)一般利用ADF检验法(The Argument Dikey-fuler Test)。其检验规则是：如果统计量小于临界值，则拒绝原始假设，即序列没有单位根，这是一个平稳序列；反之，如果统计量大于临界值则接受原假设，为非平稳序列[10-11]。

(2)协整检验

协整检验的前提是序列数据为平稳序列，并且差分阶数相同。若序列为非平稳数据，可通过n次差分处理，转换为平稳数据，则称其为n阶单整序列。在学术研究中，协整检验主要为两种方法：基于回归系数的Johansen检验和基于回归残差的单一方程检验，前者适用于多变量模型，后者只适用于两变量模型[12-13]。

(3)向量误差修正模型

向量误差修正模型(Vector Error Correction Model，VECM)适用于存在协整关系的n阶单整时间序列数据，是给各变量施加协整约束条件的向量自回归模型。其误差修正方程用于反映变量之间的短期波动效应[14-15]。一般形式为

(2)

(4)Granger 因果关系检验

Granger 因果关系检验用于确定单个变量是否受自身及其他变量过去行为的影响。因果关系是指变量之间的依赖关系。Granger 因果检验要求估算下列回归：

无约束回归模型(u)：

(3)

有约束回归模型(r):

(4)

式中：α0为常数项；p、q分别为变量y、x的最大滞后期数；αl、βl分别为yt-l和xt-l对被解释变量的影响系数；εt为白噪声。

3.2 变量选择

本文研究对象是我国国家铁路运营碳排放影响因素，关于自变量的选取，总结其他学者的研究成果[16-19]，考虑数据的可获性，选择铁路换算总周转量、能源消耗强度、运输车辆结构和国家经济发展程度(人均GDP)4个变量进行分析，变量说明见表2。1979—2018年的时间序列基础数据见表3，其中，换算运输总周转量的原始数据来源于《中国统计年鉴》，包括客运周转量及货运周转量，将客运周转量换算成吨公里数后，再与货物周转量相加求得。铁路客运换算系数为1，即铁路运输以1“人公里”换算成1“吨公里”。经过自然对数处理的变量数据见图2。

表2 影响因素及其说明

表3 1979—2018年铁路碳排放影响因素数据

3.3 模型构建

构建铁路运营碳排放量影响因素协整关系模型，其中为消除数据中的异方差，对模型中的变量的取自然对数，模型为

(5)

式中：LCO2为铁路运营碳排放量的自然对数；LCT为铁路换算总周转量的自然对数；LEI为能源消耗强度的自然对数；LVS为运输车辆结构的自然对数；LGDP为每年实际人均GDP的自然对数；β1～β4为各解释变量对被解释变量的长期影响程度。

3.4 实证检验

3.4.1 单位根检验

单位根检验(Unit Root Test)是统计检验中广泛应用的平稳性检验方法。本研究时间跨度为1979—2018年，时间序列数据的平稳性存在不确定性。这里使用ADF方法来测试每个变量的平稳性。

运用Eviews10软件，检验结果见表4。

协整检验的必要前提是每个变量均为同阶单整。通过单位根检验结果显示，所有变量均在1%显著水平下一阶差分平稳，即一阶单整，符合协整检验的条件。

3.4.2 协整检验

本文涉及4个自变量，据3.1节介绍的所依据的理论和方法，采用Johansen协整检验，用以检验变量之间是否存在长期协整关系。

在Johansen检验之前，要明确无约束向量自回归(Vector Autoregression，VAR)模型的合理滞后阶数。滞后阶数的确定需要足够的自由度，以允许模型消除误差项的自相关，同时留有合适的滞后项，使模型具有强解释力。根据信息准则，确定VAR模型的最优滞后阶数，滞后检验结果见表5，结果表明LR、FPE、AIC、HQ都指向2阶滞后期，模型最优滞后阶数为2。协整检验的滞后阶数为一阶差分变量的滞后阶数，即为VAR模型的最优滞后阶数减1，因此协整检验为一阶滞后。

图2 自然对数处理后变量变化趋势

表4 单位根检验结果

注：***表示1%显著性水平上拒绝有单位根的原假设；c、s、z分别为检验模型中的常数项、趋势项以及滞后阶数。

表5 滞后阶数检验果

注：*指根据信息准则条件下选择的最优滞后阶数;滞后阶数：1到1。

运行Eviews10,协整检验结果见表6和表7。

表6 Johansen协整检验似然比检验结果

注：*表示5%显著性水平；样本区间为1979—2018年。

表7 Johansen协整检验最大特征值检验结果

注：*表示5%显著性水平；样本区间为1979—2018年。

从表6可以看出，5%的显著水平下LCO2、LCT、LEI、LVS和LGDP5个变量具有一个协整关系。把协整系数标准化，得到能准确反映变量间关系的协整方程，其表达式为

LCO2=1.983 956LCT+0.302 795LEI

(0.201 10) (0.086 05)

-0.003 247LGDP-0.407 249LVS-27.830 7

(0.077 69) (0.070 40)

(6)

式中：括号中数字为相应回归系数估计量的标准差。公式反映了CO2与CT、EI、VS和GDP之间存在长期均衡关系。

根据协整方程，我们可以计算出关键影响因素对碳排放量的长期影响贡献率和变化率，并可以绘制出相应的雷达图，见表8和图3。它们可以更直观地揭示长期均衡机制。

表8 影响因素对碳排放量的长期影响贡献及变化率

图3 影响因素对碳排放的长期影响贡献和变化率雷达图

根据协整方程，中国铁路运营碳排放和铁路换算总周转量、能源消耗强度、运输车辆结构和国家人均GDP之间存在长期稳定的协整关系，按其对碳排放影响的贡献率大小依次为：换算总周转量、运输车辆结构、能源消耗强度和人均GDP。长期来看，根据各影响因素对碳排放的影响系数可知铁路运营换算总周转量提高会带来碳排放量的增加，周转量每增加1%，会使铁路运营碳排放量增加1.984%，其对铁路运营碳排放量有显著的正向推动作用。能源消耗强度提高1%，铁路运营碳排放量增加0.30%。而运输车辆结构即电气机车比例提高1%，则会减少碳排放0.40%，运输车辆结构的优化，电气机车比例的提升可以降低能源消耗，对碳排放量起着重要的直接抑制作用。而人均GDP对碳排放量的影响较小，人均GDP每增加1%，铁路运营碳排放量降低0.003 2%。

3.4.3 向量误差修正模型

表9 向量误差模型估算结果

注：D()表示一阶差分，()为相应回归系数估计量的标准差，[]中为t值，CointEq1为反映短期对长期均衡调整的误差修正项。

经过检验后，得到碳排放量的误差修正模型为

(7)

根据向量误差修正模型，计算得出各因素对碳排放量的短期影响贡献率和变化率，并可以绘制出相应的雷达图，见表10和图4。它们可以更直观地揭示短期影响机制。

表10 关键影响因素对碳排放的短期影响贡献及变化率

图4 影响因素对碳排放的短期影响贡献和变化率雷达图

由估计结果可知，误差修正项系数为-0.175 5，显著为负，说明模型具备误差修正机制，并进一步证明铁路运营碳排放与换算总周转量、能源消耗强度、车辆运输结构和人均GDP之间存在长期均衡关系。同时表明当我国铁路运营碳排放短期波动偏离长期均衡时，以-0.175 4的调整力度，将非均衡状态拉回均衡，调整速度约为5.70年(1/0.175 5≈5.70年)。

各变量对碳排放影响的贡献率大小依次为：运输车辆结构、人均GDP、换算总周转和能源消耗强度。短期来看，各因素对碳排放量均有显著影响。具体而言，运输车辆结构每变动1%，会使铁路运营碳排放量正向调整0.34%。人均GDP提高1%，铁路运营碳排放量增加0.24%。而铁路换算总周转量和能源消耗强度对碳排放具有负向影响，每变动一个百分点，分别使铁路运营碳排放量降低0.0859%和0.0725%。

基于建立的VECM模型，本文使用脉冲响应函数进一步分析铁路运营各因素对碳排放量冲击的短期动态效应，冲击响应期为10期。横轴代表响应函数的追踪期数(年)，纵轴表示各因变量对解释变量(CO2)的响应程度。这些响应函数的结果报告如图5～图8所示。

脉冲响应分析表明，如果LCT受到正的冲击，其在1期和2期对LCO2产生了一定但不强烈的积极影响，在2期达到最大后开始下降，从3期开始对LCO2产生负向影响。但曲线有回升趋势。LEI对LCO2持续产生显著的正向影响，对LCO2的影响力度最大，3期后超过0.03。LGDP对LCO2的脉冲轨迹围绕0轴上下波动，影响不显著。LVS对LCO2具有正向影响作用，在2期对LCO2的影响力度达到最大，随后又下降，趋于平稳，接近0.02。

图5 LCT对LCO2的脉冲响应轨迹

图6 LEI对LCO2的脉冲响应轨迹

图7 LGDP对LCO2的脉冲响应轨迹

图8 LVS对LCO2的脉冲响应轨迹

3.4.4 Granger因果检验

在协整检验确定了上述变量之间均衡关系的基础上，本文进一步运用 Granger 因果检验确定各变量是否具有因果关系。在时间序列前提下，经济变量x、y之间的Granger 因果关系指的是：如果将两个变量的过去信息包括在内，对变量y的预测结果要优于单独使用y的过去信息的预测结果。也就是说，变量x对于预测变量y的未来变化是有用的，变量x被认为是变量y的Granger 原因。

根据Granger因果检验分析，分别建立了各变量两两之间的因果分析模型。检验结果见表11。

由Granger因果检验结果可知，在10%的显著性水平下，LVS是LCO2的单向Granger原因，在5%的显著性水平下，LCT、LEI和LGDP是LCO2的单向Granger原因，表明各变量间存在统计上的因果关系。

4 结论

本文以铁道统计公报获取的铁路运营能源消耗标准煤折算总量统计数据为基础，并根据国家发改委能源研究所规定的标准煤碳排放系数计算得到1979—2018年铁路运营碳排放量。进一步采用铁路客货运实际经济收入估算碳排放强度，描述了我国铁路运营碳排放量和强度的变化趋势。基于1979—2018年时间序列数据，运用协整检验、向量误差修正模型、脉冲响应函数和Granger因果关系检验方法检验了换算总周转量、能源消耗强度、运输车辆结构和国家经济发展程度(人均GDP)等4个变量对我国铁路运营碳排放量的长期均衡及短期调整关系，结果显示：铁路换算总周转量、能源消耗强度、运输车辆结构、人均GDP与我国铁路运营碳排放之间存在长期的协整关系，弹性系数分别为1.98、0.30、-0.40和-0.003 2，即换算总周转量和能源消耗强度与铁路运营碳排放量呈正相关关系，运输车辆结构对铁路运营碳排放有显著的抑制作用，人均GDP则对其有轻微的抑制作用，铁路运营换算总周转量是铁路碳排放增加的最主要原因，运输车辆结构的改善可以有效促进碳排放量的降低。短期调整关系表明当我国铁路运营碳排放短期波动偏离长期均衡时，以-0.1754的调整力度，将非均衡状态拉回均衡，调整速度约为5.70年(1/0.1755≈5.70年)。

未来经济增长仍是中国的主要任务，由此带来铁路运营碳排放量会不断增加，为响应国家发展铁路运输的政策，实现铁路运输精准低碳化，本文提出以下建议[20-23]：(1)借助大数据、物联网、人工智能等信息技术手段，构建铁路客货运营智慧云平台，为铁路绿色化发展提供信息化技术支持。智慧运营云平台围绕“以铁路为主导、降低运营成本、提高运营效率和资源利用率”三个核心目标，充分运用信息技术，构建“铁路+互联网+大数据”相融合的智慧产业生态平台，提升集约化管理水平，为经营管理、组织、营销等提供智能化大数据分析决策支持，使铁路运营更安全、更高效、更可持续化。(2)调整运输结构优化水平，提高电气机车利用率，降低机车能耗。大力发展电气化铁路，同时引进、推广节能新技术，使用清洁环保能源，逐步提高能源利用效率，降低机车能耗。(3)加强管理，提升牵引质量，科学编制列车运行图，优化运输组织，杜绝无效运输，充分发挥整体效能。