中国交通运输业碳排放强度区域差异研究——基于面板分位数回归模型

（中国地质大学（武汉）经济管理学院，湖北 武汉 430074）

一、引言

改革开放以来，中国各行业飞速发展，化石能源需求量与消耗量急剧增加，伴随其燃烧产生的二氧化碳排放也逐年增加，目前，中国已经成为全世界最大的能源消费国和二氧化碳排放国，针对各行业能源消耗和碳排放的研究已经深入展开，其中交通运输业（后简称交通业）备受瞩目。根据《中国统计年鉴》数据计算，2000—2016 年交通业能源消费总量年均增长率为8.49%，高出全国能源消费增长率水平1.13%，2016 年交通业能源消费总量达到39 651.21 万吨，占总能源消费量的9.10%，交通业已经成为了石油消费最多且消费增速最快的部门（2015）[1]，并且交通业将成为未来能源需求和碳排放增长的主要贡献者（2014）[2]，因此，设计碳排放减排政策时需优先考虑此部门（2010）[3]，而如何降低交通业的碳排放强度（后简称碳强度）是交通业减排政策的重点问题，分析碳强度的影响因素则是制定解决问题方案的关键。

目前国内外学者针对碳强度影响因素已经进行了大量的研究。张友国（2010）[4]基于投入产出法发现我国经济发展结构变化使得碳强度在1987—2007 年下降66.02%。虞义华等（2011）[5]运用FGLS模型研究发现人均GDP 与碳强度存在“N”型关系，王佳和杨俊（2014）[6]发现主要由于各地区人均GDP不同形成地区碳强度差异。林伯强和毛东昕（2014）[7]结合LMDI 方法探究我国各阶段碳强度影响因素的变化特征，发现生产部门能源强度下降我国碳强度变化的主要因素，邵帅等（2019）[8]运用空间面板杜宾模型，结合中介效应模型，研究发现能源强度与碳强度之间存在“倒U”型曲线关系。周五七和聂鸣（2012）[9]运用ARDL 模型发现人口城市化与碳强度显著正相关。Huang J 等（2018）[10]等研究R&D、FDI和贸易对中国碳强度的影响，发现自主研发和技术溢出能有效降低碳强度。Liu N 等（2019）[11]等运用指数分解从部门和行业两个角度分析碳强度，发现各地区碳强度影响因素存在较大差异。虽然碳强度的影响因素研究已经获得许多成果，但关于交通业碳强度的影响因素研究和地区差异研究较为缺乏，交通业作为能源密集型行业，研究其碳强度影响因素具有很强的现实意义，并且可以为我国节能减排提供政策建议。

通过对文献的整理，发现现有文献在研究碳强度影响因素时通常采用以下几种方法：一是指数分解法，例如Xiao H 等（2019）[12]分别计算以生产和产出为基础的碳强度，运用LMDI 分析全球多个国家的碳强度影响因素。二是投入产出法，例如Su 和Ang（2015）[13]基于投入产出法分别用四种模型计算碳强度，然后分析其影响因素。三是计量模型，例如张兵兵等（2014）[14]运用STIRPAT 模型研究技术进步对碳强度的影响。本文运用面板分位数模型研究交通运输业碳强度的原因有以下几点：首先，目前大多数研究都是基于最小二乘法估计（OLS）进行，然而OLS 估计方法的估计系数只能反映不同自变量对因变量条件均值的影响，难以反映因变量整个条件分布的全貌，进而不能反映各地区交通业碳排放影响因素的异质性。面板分位数回归可以有效地弥补这一不足，解释自变量与因变量之间的非线性关系。其次，传统最小二乘法估计若想得到稳健、无偏的参数估计，残差项必须满足零均值、同方差以及无自相关等假定。实际上，绝大多数的宏观经济变量无法满足这些假设条件，在这种条件之下，传统最小二乘法的参数估计将不再是最优线性无偏估计量。分位数回归模型不需要随机扰动项满足这些严格的假定条件，因此运用面板分位数回归模型研究不同省份碳强度的影响因素所得到的参数比传统OLS 估计更加稳健。

二、方法与模型

（一）分位数回归模型

为弥补OLS 古典“均值回归”易受极端值影响的缺点，Koenker 等（1978）[15]提出了分位数回归模型。分位数回归模型表达式为：

其中，y 是被解释变量，xi和是多个解释变量组成的矩阵与逆矩阵，u 是随机误差项，其条件分位数分布为0。Qθ（yi|xi）表示自变量xi的θ 分位数。而βθ则表示θ 分位数回归中各自变量的系数，其估计量可以由最小化问题来定义：

当θ 取不同的值时，由于不同观测值得到不同的权重，各自变量的系数会得到不同的估计值，当θ取0.5 时，（3）式即为中位数回归。为更加全面有效的研究运输业碳强度影响因素和区域差异，本文θ取值0.1、0.25、0.5、0.75、0.9 五个值。

（二）模型建立与变量选取

许多数学者使用IPAT 模型来研究环境污染的影响因素，方程的表达式为：

其中I 代表环境污染，P 代表人口规模，A 代表富裕程度，T 代表技术发展程度。观察IPAT 模型可以发现模型公式为恒等式，这明显不符合环境库兹涅茨曲线（EKC）假设，于是Dietz 和Rose（1997）[16]提出了STIRPAT 模型，同时使用二氧化碳排放量作为社会发展对环境的影响，模型表达式为：

式中a、b、c、d 为模型参数，e 为随机误差项。当P 用总人口表示，A 用人均GDP 表示，T 代表科技进步并用能耗强度表示，即单位GDP 能源消耗量，表达式可变形为：

为更准确的分析影响交通业碳强度的影响因素，本文对解释变量做出一定的调整，对STIRPAT 模型进行改进。交通业碳强度依然受经济发展水平的影响，当经济愈加发达，交通业的运输总量和行业规模会受其影响，进而影响其碳排放总量和碳强度。交通业能耗强度相比全国能耗强度数据，显然交通业能耗强度与其碳排放联系更加紧密，因此以交通业能耗强度表示交通业的科技进步，当运输业能耗强度减小，则表示交通部门的能源技术和节能技术水平越来越高，进而碳强度会受其影响。本文移除人口规模因素，原因是人口规模因素对交通业产生的直接影响是客运量与货运量，并且人口增长具有较大的惯性，难以用过控制人口来降低碳强度[15]，所以本文选取旅客周转量与货物周转量代替人口规模因素。在以上条件下，增加交通业交通线路密度因素，因为交通网络越加发达，公共交通出行越加便利，从而产生规模效应，影响二氧化碳排放量和碳强度。改进后的STIRPAT 模型如（7）所示：

其中，CI 代表交通业的碳强度，用交通业的二氧化碳排放量除以其产业增加值表示；GDP 用人均GDP 表示，EI 代表交通业的能耗强度，用能源消耗总量除以部门产值表示；FT 为货物周转量，用货运量乘以运距表示；PT 为旅客周转量，用客运量乘以运距表示；LINE 为交通业的交通线路密度，用交通线路长度与区域面积之比表示；为随机干扰项。利用分位数回归，式（7）可变形为：

（8）式中，Qτ和（lna）τ表示碳强度和常数项的τ分位数回归参数，β1τ、β2τ、β3τ、β4τ和β5τ表示各自变量的τ 分位数回归参数。

（三）数据来源与描述

中国30 个省、区和直辖市（统称省）的人均GDP，交通业的货物周转量与旅客周转量数据来自2001—2017 年《中国统计年鉴》和《中国人口统计年鉴》，交通业能源消费量数据来2001—2017 年《中国能源统计年鉴》。本文按照IPCC（2006）[17]给出的碳排放系数和各省8 种化石能源消耗量（见表1），计算出各省交通业的二氧化碳排放量，然后据碳强度定义计算各省交通业的交通业碳强度，交通业能耗强度等于部门化石能源消耗总量除以部门产出，交通线路密度等于各省交通线路长度与省域面积之比。各变量的定义与单位如表2 所示。为剔除通货膨胀的影响，本文中GDP 以2000 年为基期进行折算，并由于西藏数据的缺失，本文研究30 个省份中不包括西藏。

表1 各能源碳排放系数

表2 各变量定义与单位

三、实证分析

（一）单位根检验

通常来讲，大多数经济变量是非平稳的，如果使用非平稳序列进行回归分析，会产生假回归。本文采取常用三种方法来检验变量的平稳性。从表3中看出，FT、PT 和LINE 的平稳性较差，没有通过稳定性检验。许多学者利用差分将非稳定序列转化为平稳序列，然而差分过后的序列不再具有原来的经济含义，模型估计结果也难以解释经济现实。因此，协整理论在1987 年被恩格尔与格兰杰（Engle 和Granger，1987）[18]提出，即使某些经济变量是非平稳的，但变量的线性组合可能是平稳序列，这种平稳的线性组合被称为协整方程。为检验交通业碳强度与其影响因素是否存在长期的均衡关系，本文采用使用最广泛的KAO 检验，最终检验结果为：ADF=-3.3802（P=0.0004），显然通过了1%水平的显著性检验，表明交通业碳强度与其影响因素存在协整关系。

表3 单位根检验

（二）分位数回归

不同分位数回归会得到不同的结果，并且每种分位数回归都可以充分的说明运输业碳强度的分布特征，可以很好的揭露出不同分位数下各解释变量对碳强度的影响。限于篇幅，本文不展示交通业碳强度分位数回归图①需要分位数回归图可联系作者，email：505796282@qq.com.，展示5 个具有代表性的分位数节点的具体估计结果，并且为方便比较分析列出了OLS 估计结果（见表4）。根据交通业的年平均碳强度，中国30 个省份分为6 个等级（见表5）。

表4 2000—2016 年分位数回归与OLS 回归结果

从表4 中可以看出，OLS 估计可以得出各影响因素对交通业碳强度的平均影响，而分位数回归却能在不同分位数水平下给出相应条件下各影响因素的系数。从表4 中的五个分位数节点来说，经济增长（GDP）在低中分位（0-0.5）系数为负且通过显著性检验，表明经济增长有利与交通业碳强度的降低，并且经济增长在0.1 分位系数最大为-0.012 9，而在0.25 和0.5 分位的系数为-0.012 2 和-0.011 1；经济增长的OLS 回归系数为-0.015 7，小于0.1、0.25 和0.5 回归经济增长的系数估计值。交通业能耗强度（EI）在五个分位都通过显著性检验，且系数为正，表明交通业能耗强度的降低有利于交通业碳强度的降低，能耗强度在0.25 分位影响最大，其系数为1.004 5，能耗强度的OLS 回归系数为0.974 0，低于所有分位数回归能耗强度的系数值。货物周转量（FT）在低中分位（0-0.5）系数为负且通过显著性检验，其OLS 回归系数没有通过显著性检验。旅客周转量（PT）在五个分位数回归中都通过了显著性检验，且系数为负，其OLS 回归系数小于所有分位数检验。交通线路密度（LINE）在0.25、0.5、0.75 和0.9 分位通过显著性检验，且回归系数为负值，而其OLS 回归没有通过显著性检验。由此可见，OLS 估计只能给出影响因素的平均水平，并且使某些影响因素回归不显著，而分位数回归却能揭示不同分位数下影响因素的影响大小和区别。

表5 各省交通业2000—2016 年碳强度水平分组

（三）影响因素分析

1.经济增长。经济增长在0-0.5 分位通过显著性检验，且回归系数为负，表明目前经济增长方式有利于0-0.5 分位省份交通业碳强度的降低，其原因是2000—2016 年我国由经济高速增长逐渐转向经济高质量发展，经济增速逐渐放缓，对环境的影响逐渐减小，在此大环境下，交通业GDP 增速自2005 年后也逐渐减小，有利于交通业碳强度的降低，故经济增长的回归系数为负。

不同分位省份经济增长对交通业碳强度的影响大小不同，其中经济增长对0-0.1 对交通业碳强度影响最大，原因是0-0.1 分位省份经济增速比0.1-0.25 与0.25-0.5 分位省份低。2000—2016 年我国以牺牲环境为代价发展经济带来的碳排放量过大，越高的经济增速将会对环境造成更大影响。根据2001—2017 年《中国统计年鉴》中的数据计算，2000—2016 年0-0.1 分位省份人均GDP 年均增长率为9.83%，0.1-0.25 分位省份和0.25-0.5 分位省份的人均GDP 年均增长率9.99%和10.07%；2000—2016 年0-0.1 分位省份运输业GDP 年均增长率为10.31%%，0.1-0.25 分位省份和0.25-0.5 分位省份的运输业GDP 年均增长率11.00%和10.55%从以上数据可以看出，0-0.1 分位省份人均GDP 和运输业GDP 年均增长率最低，而越小的经济增速对环境的影响越小，越有利于能源消耗量与碳强度的降低，故经济增长对0-0.1 分位省份交通业碳强度影响最大。

2.交通业能耗强度。能耗强度在所有分位数通过显著性检验，且回归系数为正，表明交通业能耗强度的降低化有利于交通业碳强度的降低，其原因是科研经费的投入将会提升节能技术，从而降低单位GDP 的能源消耗量，使单位GDP 能源消耗产生的二氧化碳减小，即降低碳强度，故能耗强度回归系数为正。

不同地区交通业能耗强度对交通业碳强度的影响不同，其中交通业能耗强度对0.1-0.25 分位省份影响最大，主要原因是0.1-0.25 分位省份科研经费（R&D）最多，越多的科研经费投入将会带来更为先进的节能技术。通过《中国科技统计年鉴》数据计算，2000—2016 年0.1-0.25 分位省份的科研经费内部支出增长率分别为21.66%，高于所有其他分位数省份（0-0.1：18.70%；0.25-0.5：18.58；0.5-0.75：15.3%；0.75-0.9：17.43%；0.9-1：17.67%），故交通业能源强度对0.1-0.25 分位省份交通业碳强度的影响最大。

3.货物周转量。货物周转量在0-0.5 分位通过显著性检验，且回归系数为正，表明货物周转量的增加不利于交通业碳强度的降低，其主要原因是我国2000—2016 年货运交通结构中铁路货物周转量占比持续减小。铁路货运交通空间溢出会产生规模效应，并且相较于其他运输方式，铁路具有运量大、占地较小和能耗较低的优点，根据《中国统计年鉴》数据计算，我国2000 年铁路、公路、水运、民航、管道货物周转量占总货物周转量的比列分别为31.07%、13.83%、53.55%、0.11%、1.44%，2016 年比例分别为12.75%、32.73%、52.16%、0.12%、2.25%。从以上数据可以看出2000—2016 年我国货运交通结构中铁路货物周转量占比减小，公路货物周转量占比增高，水运、民航、管道货物周转量比例较稳定，货运结构的变化不利于交通业碳强度的降低，导致货物周转量的回归系数为正。

不同地区货物周转量对交通业碳强度的影响不同，其中货物周转量对0.1-0.25 分位省份影响最大，主要原因是0.1-0.25 分位省份铁路货物周转量占比最小。由于不存在省内民航货物周转量，并且民航、货运周转量占比极小，故可通过省级铁路、公路、水运货物周转量结构分析，根据《中国统计年鉴》数据计算，2000—2016 年0-0.1、0.1-0.25 和0.25-0.5分位省份铁路货物周转量占总货物周转量的平均比例为：40.76%、9.48%和27.14%，0.1-0.25 分位省份铁路货物周转量平均占比小于0-0.1 和0.25-0.5分位省份，而越小的铁路货物周转量占比越有利于交通业碳强度增加，故货物周转量对0.1-0.25 分位省份交通业碳强度影响最大。

4.旅客周转量。旅客周转量的回归系数在所有分位数通过显著性检验，且回归系数为负，表明旅客周转量的增加有利于交通业碳强度的降低，其主要原因是我国2000—2016 年客运交通结构中公路民航旅客周转量占比逐渐减小。通过《中国统计年鉴》数据计算，我国2000 年铁路、水运、公路民航旅客周转量占总旅客周转量的比列分别为36.97%、0.82%、62.21%，2016 年比例分别为40.24%、0.23%、59.53%。从以上数据可以看出2000—2016 年铁路旅客周转量占比增加3.28%，公路民航旅客周转量占比减小2.68%，而公路民航周转量占比对交通能耗同样具有正向冲击效应，故铁路旅客周转量占比增加与公路民航旅客周转量占比减小都有利于交通业碳强度的降低，即表现为旅客周转量的回归系数为负。

不同地区旅客周转量对交通业碳强度的影响不同，其中旅客周转量对0.75-0.9 分位省份影响最大，其主要原因是2000—2016 年0.75-0.9 分位省份总旅客周转量年均增长率最大。由于不存在省内民航旅客周转量，而民航旅客周转量占比较大，不可忽视，故不能仅仅通过省级铁路、公路、水运旅客周转量结构分析。自从我国人均收入增加，高铁网络越加发达，飞机班次越来越多，现今更多的人们出行会选择公共交通。2016 年铁路、民航旅客周转量占比相较于2000 年分别增加3.28%和18.89%，公共交通会产生规模效应，即客运周转量增加将会降低成本与能耗，故客运周转总量增长率越大，规模效应将会越显著，越有利于交通业碳强度的降低。根据《中国统计年鉴》数据计算，2000—2016 年0-0.1、0.1-0.25、0.25-0.5、0.5-0.75、0.75-0.9 和0.9-1 分位省份旅客周转量年均增长率分别为：3.50%、4.18%、4.24%、3.98%、5.62%和5.33%。0.75-0.9 分位省份旅客周转量年均增长率最高，产生的规模效应最大，最有利于交通业碳强度的减小，故旅客周转量对0.25-0.5 分位省份交通业碳强度影响最大。

5.交通线路密度。交通线路密度在0.1-1 分位通过显著性检验，且回归系数为负，表明交通线路密度的增大有利于交通业碳强度的降低，其主要原因是我国2000—2016 年交通线路密度逐渐增大。交通线路密度增大表明我国物流通道建设逐渐完善，而其中高铁运营除了承担客运之外，也开始承担货运业务，这将提高物流效率和降低运输成本，物流效率的提高有利于减少能源消耗量，进而降低交通业碳强度，故交通线路密度的增大有利于减小交通业碳强度，回归系数为负。

不同地区交通线路密度对交通业碳强度的影响不同，其中交通线路密度对0.75-0.9 分位省份影响最大，其主要原因是0.75-0.9 分位省份交通线路密度年均增长率最大。根据《中国统计年鉴》数据计算，2000—2016 年0.1-0.25、0.25-0.5、0.5-0.75、0.75-0.9 和0.9-1 分位省份交通线路密度年均增长率分别为：6.98%、6.95%、6.80%、8.44%和5.70%。0.75-0.9 分位省份交通线路密度年均增长率最高，故交通线路密度对0.75-0.9 分位省份交通业碳强度影响最大。

四、结论

我国交通运输业碳排放在持续增长，碳排放强度自2005 年后却在逐年降低，说明部门能源利用效率不断提升，节能技术不断提高，但交通业每年碳排放的增长率仍高于全国水平，为助力我国2030年全国碳排放实现峰值，各地区交通业需各有侧重，制定有针对性的交通业减排方案。0.1-0.5 分位省份需加速经济发展方式的转型，以环境为代价的高速经济发展并不可取，需综合考虑环境和经济协调发展，合理的放缓经济增长速度；0-0.1 和0.25-1分位省份需加大清洁能源的发展力度，有效降低交通业能耗强度，从而助力交通业碳强度的降低；所有省份尤其是0.1-0.25省份需充分发挥铁路运输的优势，实现公路运输向铁路运输的结构转变，同时加大新能源汽车的扶持力度与投放力度；0.1-0.75 和0.9-1 分位省份需加快完善各地区的公共交通网络体系，充分发挥公共交通的规模优势。