基于货运量及能源强度影响的长三角地区货运碳排放研究

邬岚，陆豪冬，尹超英，成迎吉，任斯奇

(南京林业大学，汽车与交通工程学院，南京 210037)

0 引言

长江三角洲地区位于中国长江下游，包括：上海市、江苏省、浙江省及安徽省全域，共41 个城市[1]，是国内货运网络最为密集的地区之一。据国家统计局数据[2]可知，2020 年，长三角地区货运总量为109.03万亿t，占全国货运总量的23.05%，货运量呈稳定增长趋势，但长三角地区货运结构仍然以公路运输为主导，2020 年，长三角地区公路货运量占总货运量59.30%，水路货运量占比38.89%，铁路货运量仅占1.73%，货运结构不均衡，铁路货运占比低，而使用化石燃料交通运输工具较多的公路货运占比高，导致该地区的货运碳排放量较高。另一方面，近年来，我国交通运输业能源消费量呈持续上升趋势，由27102 万吨标准煤(2010 年)增长至41309万吨标准煤(2020年)，增长了52.42%；且交通运输业能源消费份额也在同步上升，由7.51%(2010 年)增长至8.29%(2020 年)，上升了0.78 个百分点，从而导致交通运输业碳排放量不断增加。通过能源消费总量可以得到能源强度的变化情况，根据能源强度可以衡量地区能源综合利用效率。因此，为降低货运碳排放，使货运结构合理化，实现“双碳”目标，需要结合长三角地区特征，探究货运量及能源强度与货运碳排放的关系，并提出优化对策。

国内外已有许多学者利用不同方法对交通运输与碳排放的影响进行分析与研究。在经济上，从经济发展规模与特定货运方式对碳排放的影响入手，例如，石钰婷等[3]在计算中国航空运输业2000—2017年碳排放并分析其演变特征的基础上，采用对数平均迪氏指数法(Logarithmic Mean Divisia Index,LMDI)模型对影响中国航空运输业碳排放的驱动因素进行实证分析发现，经济发展规模、产业规模及人口规模对碳排放起到正向的驱动作用；薛锋等[4]以2000—2017年我国铁路固定资产投资、换算周转量及国内生产总值这3方面数据为基础，应用向量自回归(Vector Autoregressive Model,VAR)模型定量分析铁路发展对国家经济发展的支撑作用。从政府政策模拟角度研究交通运输对碳排放的影响，例如，孙启鹏等[5]通过建立长期能源可替代规划(Long-range Energy Alternatives Planning，LEAP)系统模型，计算分析不同情景政策的低碳交通政策效果测度，得到公交与新能源共同发展政策的效果最好和新能源发展政策效果略好于公交发展政策的结论；MIYATA 等[6]研究在电动车制造、电动车运输、太阳能发电、热电联产以及其他运输方面进行电动车补贴对碳排放的影响，指出电动车补贴会导致碳排放增加；CHENG等[7]构建城市交通系统动力学模型，以高雄市为例，研究1995—2025 年燃油税等3 项城市交通管理政策的模拟实施效果。在运输方面，从调整运输结构的角度[8-9]研究减碳的影响以及利用经济学方法[10]探究货运与碳排放之间存在的关系，WALKER等[11]通过计算机模拟情景的方法研究不同运输方式的路径、距离、时间与CO2排放量之间的关系，从而选择最佳的运输方式。在能源方面，通过采用开发新能源交通方式以及调整能源结构的方式减少交通运输的碳排放，例如，郭秀锐等[12]应用LEAP模型预测分析京津冀地区交通运输能耗和碳排放情况发现，淘汰高排放车能在短期内达到最佳的节能效果；麦文隽[13]构建城市客运交通系统动力学模型，指出城市客运交通能耗及碳排放主要来源于私家车，其次是公交车和出租车；WEGER 等[14]运用情景模拟将德国公路运输部分以化石燃料为动力的重型车辆过渡到以氢能源为动力的运输车辆，研究发现，氢能源车辆可以明显减少国家公路运输碳排放；FAN等[15]以北京市公共交通为例，分析2016—2030年不同情景下的能源需求和主要温室气体(GreenHouse Gas,GHG)排放结果发现，对能源结构进行内部调整，可以大大减少对传统能源的需求，减少温室气体排放。

综合以上相关研究可知，目前，国内外从经济、运输及能源方面等研究特定货运方式以及城市运输与碳排放关系的较多，且大多从国家层面角度出发，但由于各地区的经济基础与运输发展状况各不相同，致使得出的结论对于指导地区层面的货运减碳缺乏一定针对性。本文利用经济、交通及能源等数据，以长三角地区为研究对象，从地区层面研究货运碳排放的影响关系。由于影响货运碳排放的因素较多，例如，经济增长或能源排放等因素均会对碳排放有较为显著的影响[16]，仅从货物运输方式角度进行分析缺乏全面性，本文以长三角地区为例，根据1990—2020 年之间货运量、GDP、能源强度与货运碳排放的数据，建立ARDL-ECM 模型并进行格兰杰因果检验，选取GDP、货运量与能源强度作为经济、货运及能源这3 方面的代表性指标，分析3方面与货运碳排放之间的关系。

1 数据选取与处理

1.1 数据选取

利用1990—2020年4组长三角地区的数据，包括货运碳排放量、货运量、GDP值以及能源强度，其中，货运量与GDP值取自于各地统计年鉴，能源强度根据能源消费总量除以GDP 得到，用于衡量能源综合利用效率，货运碳排放量数据通过公式计算得出。

考虑铁路、公路、水路以及航空运输这4 种货运方式，货运碳排放计算的步骤包括以下两步，首先，计算4种货运方式的能源消耗量，其次，通过与不同燃料的碳排放系数相乘计算得到该地区货运碳排放量。

(1)能源消耗量

式中：m为不同的货运方式；k为不同运输工具；Em,k为k种运输工具的能源消耗量；Vm,k为k种运输工具的货物周转量；Gm,k为k种运输工具的单位货物周转量能耗。不同货运方式对应的运输工具以及燃料类型如表1所示，长三角地区各运输工具不同燃料类型下货运周转量如表2 所示。由于各统计年鉴内仅有铁路、公路、水路与航空运输的总货运周转量数据，铁路与公路货运方式缺少不同燃料类型下的货运周转量数据，因此，需要对电力机车、内燃机车、汽油车与柴油车的Vm,k进行大致估算，其中，铁路内燃机车与电力机车货运周转量根据《中国铁道年鉴》中各年份铁路里程电气化率进行细分，公路汽油车与柴油车货运周转量根据《中国能源统计年鉴》中交通运输汽油与柴油消费量进行细分，其中，汽油与柴油消费量数据包括部分仓储与邮政业，因此，公路汽油车与柴油车货运周转量数值会与实际有略微偏差；不同运输工具的单位周转量能耗如表3所示。

表1 不同货运方式对应的运输工具及燃料类型Table 1 Means of transport and type of fuel corresponding to different modes of transport

表2 长三角地区各运输工具不同燃料类型下货运周转量Table 2 Freight turnover in Yangtze River Delta region by means of transportation under different fuel types

表3 不同运输工具单位周转量能耗Table 3 Energy consumption per unit of turnover of different means of transport

(2)货运碳排放量计算

货运碳排放通常根据IPCC(Intergovernmental Panel on Climate Change)提出的公式计算，即

式中：Cm,k为m种交通运输方式k种运输工具的碳排放量；xi为第i种能源的碳排放系数，电力碳排放系数按照全国电网平均排放因子0.57 kgCO2·kWh-1进行计算[17-18]，如表4所示；Ni为第i种能源平均低位发热量；Fi为第i种能源单位热值含碳量；Oi为第i种能源消耗氧化率。式(4)为各货运方式碳排放总量。通过计算得到，近30年，长三角地区货运碳排放量如图1所示。

图1 长三角地区货运碳排放量Fig.1 Carbon emissions from freight transport in Yangtze River Delta

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

1.2 对数转换

将长三角地区货运碳排放量、货运量、GDP 与能源强度进行对数转换，达到数据标准化的目的。对数转换可以降低各个数据序列的波动对后续模型建模产生的异方差影响，且经过转换后的模型系数能够使用百分比形式描述，因此，能提高模型被解释性[19]。转换后的统计表如表5 所示，据表5 可知，4组数据的Jarque-bera检验数非负，且非远大于0，符合正态分布偏度和峰度的拟合优度检验，满足后续建模所需的正态分布要求。

表5 描述性统计表Table 5 Descriptive statistics

2 研究方法与模型构建

ARDL（自回归分布滞后模型）是用于估计变量之间长期及短期关系的一种模型方法。常用的EG协整检验与Johansen 协整检验需要被检验变量间为同阶单整，但由于在长期的计量经济以及数据研究中可以发现，变量间不同阶单整现象较为普遍，尤其是针对多元回归分析，其变量越多，不同阶单整现象就会越普遍，针对该问题，Pesaran 于2001 年提出ARDL边界协整检验法[20]，使用该方法的优点是能够对不同阶单整的变量进行长期关系的研究，这是标准协整检验无法做到的；除了长期关系分析，还可以通过结合误差修正项显示变量在短期内如何与长期关系相关联，从而分析变量短期关系，并且该模型适合用于小样本数据，使用后能够较为稳健地估计变量间的关系。通过长期关系分析探究长三角地区货运量及能源强度与货运碳排放的一般规律，短期关系分析则反映目前政策形式下，对于货运量及能源强度与货运碳排放关系的影响。

基于ARDL 模型的上述优点，学者们利用该模型研究交通运输与碳排放关系。PACHIYAPPAN等[21]使用该方法发现了印度GDP、能源使用量、人口增长以及CO2之间存在的长短期因果关系；LI等[22]采用该模型研究中国CO2排放量与公路、铁路、航空与内陆水路运营里程的关系发现，铁路运营里程比例的增加对CO2排放会产生抑制作用；JEBLI 等[23]通过构建ARDL 模型研究1990—2011年突尼斯CO2排放、海上运输、GDP、铁路运输以及可燃可再生能源和废物消耗之间的长短期相互关系；LIU 等[24]发现长期条件下中国能源强度、GDP工业化和城市化与CO2排放量的具体因果关系。因此，本文使用ARDL 模型研究长三角地区货运碳排放量、货运量、GDP 以及能源强度之间的相互关系，从长期与短期的角度探讨其存在的关系。

根据长三角地区数据特征，建立ARDL 模型为

误差修正项ECM(Error Correction Model)用于分析变量之间短期关联，根据其数值得到变量从短期变化至长期状态下的速度，并显示变量间短期与长期之间的相关性。在分析长期关系后，分析误差修正项，得到短期关系，建立短期关系模型与误差修正项为

式中：m1、m2、m3、m4为最大滞后长度；M为误差修正项；η为误差修正项系数；θ为误差项。

式中：a0为常数项；a1、a2、a3分别代表长三角地区货运量、长三角地区国内生产总值以及长三角地区能源强度的系数值。式(7)为误差修正项，其数值显示由短期状态转变为长期状态的速度。

3 实证结果分析

3.1 单位根检验

使用ADF(Augmented Dickey-Fuller)单位根检验对4 组数据进行平稳性检验的结果如表6 所示，表6 中，检验形式C、T、K分别表示常数项、趋势项以及根据SC(Schwarz Criterion)施瓦兹准则确定的滞后阶数，各组变量均根据SC准则、AIC(Akaike Information Criterion) 赤池信息准则以及HQ(Hannan-Quinn Criterion)准则的数据比较后确定不同的检验形式。

表6 ADF单位根检验Table 6 ADF unit root analysis

根据表6可知，除ln(qEI)在I(0)水平上平稳外，其余变量均在I(1)水平上平稳，即ln(qEI)为零阶单整，、ln(qFREIGHT)及ln(qGDP)均为一阶单整，4组变量为不同阶，因此，采用ARDL 模型进行边界协整检验。

3.2 ARDL边界协整检验

对4 组数据进行ARDL 边界协整检验，结果如表7 所示，通过F 统计量值确定各组数据变量之间是否存在协整关系，若F统计量值大于各显著性水平下的临界上限值，则拒绝原假设，表明各组数据间存在长期协整关系[25]。根据表7 数据可知，F 统计量值为12.011，大于1%时的临界上限值4.66，因此，拒绝原假设，4组数据均存在长期协整关系。

表7 ARDL边界协整检验Table 7 ARDL bound test

3.3 ARDL长期回归结果分析

利用ARDL模型得出货运量、GDP及能源强度这3组数据与货运碳排放量的长期回归结果关系，如表8 所示，从长期来看，长三角地区的货运量、GDP 以及能源强度均与货运碳排放存在显著的相关性。在1%的显著性水平上，货运量及能源强度均与货运碳排放呈正相关，系数分别为2.369 与2.198，表明该地区的货运量与能源强度各下降1%，则货运碳排放量将减少2.369%与2.198%；在10%的显著性水平上，GDP与货运碳排放量呈正相关，相关系数为1.394，表明GDP降低1%，货运碳排放量将减少1.394%。由此可知，货运量和GDP 与能源强度的降低均能减少货运碳排放量。该模型R-squared 值为0.995，在F 统计量下的P 概率值为0.000，小于0.01，说明该模型的拟合程度较好。

表8 ARDL模型长期回归结果Table 8 ARDL model long-term regression results

3.4 ARDL短期回归结果分析

将ARDL 长期回归结果所得出的残差序列设置为ECM，ECM(-1)设置为一阶差分后4组变量的固定回归量，得出ARDL 的短期动态关系，如表9所示，在1%的显著性水平上，长三角地区货运量与该地区货运碳排放量的相关系数为3.285，即货运量每增加1%，货运碳排放量就增加3.285%；在5%的显著性水平上，能源强度与货运碳排放量的相关系数为0.935，即能源强度每增加1%，货运碳排放量就会增加0.935%；即货运量与能源强度的增加均会导致货运碳排放量短期内的上升，该结论与长期回归结果相同。虽然GDP与货运碳排放量呈负相关，但由于其P值未呈现显著性，因此，认为GDP在短期内对货运碳排放不存在影响。

表9 ARDL模型短期回归结果Table 9 ARDL model short-term regression results

在ARDL 模型中，ECM 误差修正系数的大小能够显示序列由短期内的动态波动向长期均衡发展的调整速度快慢，根据表9 可知，误差修正系数为-1.349，且其在1%的显著性水平上显著，因此，当长三角地区货运碳排放在短期动态波动偏离长期均衡状态后，误差修正项会在0.741 年(1/1.349)后将系统恢复至长期均衡状态，且由于系统需要0.741年的延迟后才能恢复为长期均衡状态，因此，存在滞后效应，即系统需要一定时间适应变化，而不是立即反应。

3.5 格兰杰因果检验

在对4 组时间序列数据进行长短期关系研究后，利用格兰杰因果检验分析各组数据之间是否存在因果关系。如表10 所示，当为解释变量时，仅有ln(qEI)在1%的显著性水平上显著，说明长三角地区的能源强度为货运碳排放量的格兰杰原因，而当ln(qEI)为解释变量时，在1%，5%与10%的显著性水平上均未显示出显著性，即货运碳排放的变化不是能源强度变化的原因，因此，能源强度为货运碳排放的单向格兰杰原因。

表10 格兰杰因果检验Table 10 Granger causality test

3.6 稳定性检验

对模型进行稳定性检验可以确定模型是否存在序列相关性以及异方差问题。本文采取拉格朗日乘数检验(LM 检验)、自回归条件异方差检验(ARCH 检验)以及怀特异方差检验，如表11 所示，由表11可知，F统计量值为正且P值大于0.05，表明其在5%显著性水平上未显示出显著性，变量间不存在序列相关性，同样，在ARCH 与怀特异方差检验中数据均不显著，表明不存在异方差影响。

表11 稳定性检验结果Table 11 Stability test results

通过CUSUM(累积递归和)与CUSUMSQ(累积平方和)验证模型的适用性以及序列的稳定性，如图2的CUSUM检验图与图3的CUSUMSQ检验图所示，曲线均在5%显著性区间内，表明模型稳定且参数估计结果可靠。

图2 CUSUM(累积递归和)检验Fig.2 CUSUM(cumulative recursive sum)test

图3 CUSUMSQ(累积平方和)检验Fig.3 CUSUMSQ(cumulative sum of squares)test

3.7 政策建议

根据ARDL长期回归结果可知，长三角地区货运量、GDP以及能源强度的上升均会导致货运碳排放量的增加，但由于货运量与GDP 的上升为地区经济发展所带来的必然结果，因此，降低能源强度和提高能源利用效率成为控制货运碳排放的首要方法，ARDL的短期回归结果与格兰杰因果检验结果也表明，能源强度的增加将导致货运碳排放量增加，与长期回归结果相同，即需要降低能源强度，达到控制货运碳排放的目的。能源强度通过能源消费总量除以GDP可得到，根据《完善能源消费强度和总量双控制度方案》[26]中所提到的总体目标“到2025 年，能耗双控制度更加健全，能源资源配置更加合理，利用效率大幅提高。到2030年，能耗双控制度进一步完善，能耗强度继续大幅下降，能源消费总量得到合理控制，能源结构更加优化。”以及“增加能耗强度降低指标考核权重，合理设置能源消费总量指标考核权重，研究对化石能源消费进行控制的考核指标。”可知，能源强度与能源消费总量两者紧密相关，可通过提高能源利用效率，例如，利用清洁能源，减少对化石燃料的依赖等措施，控制长三角地区能源消费总量并降低能源强度，还可通过推广新能源[27]燃料的公路货运方式，例如，氢能重卡或油电混合减少货运碳排放，或通过加强宣传，加大对新能源的科研投入以及给予新能源货运车辆适当的购买补贴等措施促进新能源货运发展；另外，根据内燃机车与电力机车的碳排放差异，国家需要制约内燃机车的使用，及时淘汰耗能过大的铁路机车，提高电气化铁路以及电力机车的使用率，对机车以及设备进行节能改造，达到提高机车运行能效，优化电力系统使用效率的目的。

同样，由于ARDL 长短期回归结果中表明，货运量的增加将导致长三角地区货运碳排放量增加，因此，应将货运能耗高的货运量分担至货运能耗较低的运输方式中，即进行合理的多式联运，提高多式联运的运输效率和比例，建立更为节能高效的货运结构，例如，在我国交通运输部提出的《综合运输服务“十四五”发展规划》[28]中提到，“可通过构建‘外集内配、绿色联运’的公铁联运配送体系，将公路及铁路相互配合，以达到最优的运输效率及运输能耗要求”，长三角地区公路和铁路网基础设施完善，路网密集，且水运资源丰富，可利用密集的公路和铁路网络与水路运输相互协调连接，构成公水联运和铁水联运等联运方式，同时，也需要针对不同货物的运输需求发展航空货运，使空中、水上、地面与地下能够形成完善的协同合作的多式联运网络。政府可通过给予铁路货运适当的补贴，并增收一定的碳税等措施提高公转铁比例，降低碳排放，并且可以提高轻卡货运的比例实现公路卡车货运结构的调整。

4 结论

目前，大多数研究主要针对单一方面与碳排放关系研究，且多数基于国家层面数据，本文针对经济、货运及能源这3 方面与碳排放间的关系，根据1990—2020 年长三角地区货运量、GDP、能源强度与货运碳排放量的时间序列数据，采用ARDLECM模型以及格兰杰因果检验的方法探究其长短期关系，得出以下结论：

(1) ARDL 模型长期回归结果显示，1990—2020 年长三角地区货运量、GDP 与能源强度每增加1%，则货运碳排放量将分别增加2.369%，1.394%，2.198%。

(2)ARDL 模型短期回归结果显示，短期内长三角地区货运量和能源强度每增加1%，货运碳排放量将增加3.285%和0.935%，短期内GDP 对货运碳排放量不存在影响，且误差修正项表明，该系统由短期动态恢复至长期均衡状态需要0.741年。

(3)格兰杰因果检验表明，能源强度与货运碳排放量之间存在单向因果关系。

本文根据结论所给出的长三角地区政策建议为：发展清洁能源，加快新能源货运普及；提高电气化铁路与电力机车使用率；对货运量进行合理分担；完善多式联运货运网络。