碳中和目标下汽车保有量影响因素研究

林耿堃 陈易凡 危 凡 胡卫东

（江西财经大学，江西 南昌 330013）

一、研究背景

截至2021年3月，我国机动车保有量已达3.78亿辆，同比增长5.0%，其中汽车保有量2.87亿辆，同比增长6.3%，我国的汽车保有量的增长速度明显高于机动车保有量的增长速度。2021年全国汽车保有量达到百万级别的城市共有72个，相比2020年同期增加了5个，而汽车保有量超过300万量的城市有16个，相比2020年同期增加了4个，其中北京的汽车保有量更是超过了600万辆。汽车产业高速发展的同时，其所带来的环境问题却成了社会发展的障碍。

汽车主要通过石油的加工品汽油与柴油这些化石燃料作为主要燃料，而化石燃料燃烧后产生二氧化碳，并通常附着一氧化碳和细颗粒物等有毒物质，因此汽车所产生的尾气成为了部分地区雾霾的元凶之一。2018年，交通部门的总排放量主要分为道路运输、铁路运输、水路运输和民航运输4个部分，道路运输占比最高，占73.5%[1]，而汽车又是道路运输的最主要形式，可以说目前汽车所排的二氧化碳为交通部门碳排放的最重要来源。我国力争在2030年时二氧化碳排放量达到峰值，在2060年时实现二氧化碳的“零排放”，而交通部门作为碳排放三大行业之一，是应对气候变化的工作重点，也是推行“碳达峰、碳中和”战略的重点领域，因此治理汽车保有量问题也成了重中之重。加快研究“碳中和”目标下我国私家车保有量影响因素，对于支撑推进“碳中和”战略，制定低碳政策具有重大的现实意义。

二、文献综述

（一）低碳视阈下汽车保有量研究的重要性

不少学者通过论证认为通过有效治理交通运输问题能够减缓二氧化碳的排放，赵小曼等人（2021）[2]研究认为中国交通运输行业经济发展与碳排放之间存在明显的倒“N”型长期关系，随着行业经济的发展，交通运输碳排放总量依然会呈现增长趋势，但增长速度将会不断放缓，因此通过有效的治理能够缓解交通运输带来的碳排放。姚胜永和潘海啸（2009）[3]研究认为减少城市交通碳排放最有效的方式是交通模式的转换，在满足出行者的交通需求的条件下，引导出行者采用节能的交通方式。而解决问题根源在于如何通过合理的计量方法对于汽车保有量做出合理的预估。国内外已有不少学者对汽车保有量问题进行了较为详细的研究，学界普遍认为汽车保有量增长将给社会或个人带来一系列问题，Feuillet Thierry等人（2021）[4]认为汽车使用产生负外部性，导致许多健康、环境和经济问题，通过研究认为以社会经济因素的复杂交互作用为特征的空间情境在居住剥夺与私家汽车使用的关系中发挥了调节作用。马艳丽和高月娥（2007）[5]通过综合考虑经济人口、汽车保有量增长速度以及不同人均GDP人群分布等因素进行量化后利用趋势外推等方法进行预测汽车保有量，判断将存在一段大幅度的飞升时期，并对土地资源和环境保护产生巨大压力。

（二）国内外汽车保有量研究现状

何种因素影响了汽车保有量成为了国内外学界讨论的重点，其中不少学者认为经济的高速发展是主要的影响因素之一，徐珊珊（2017）[6]建立经济计量模型，认为城镇居民可支配收入会对该地区的汽车保有量产生一定的影响。任玉珑等人（2011）[7]通过国民经济发展水平、交通运输情况等因素进行量化后建立模型，最后发现人均GDP、人均公路里程和燃料动力购进价格指数是影响民用汽车扩散速度主要因素。王翠（2017）[8]通过对居民消费水平、公营营运汽车和燃料类商品零售价格指数3个方面通过构建多元回归模型对辽宁省私家车保有量进行预测与影响因素分析。对此，也有学者提出了不同的看法，Mao Ye等（2020）[9]研究发现不同人群选择的出行方式不同对私家车的保有量会有一定的影响。Charles Zhu等（2012）[10]通过对中国大学生（具有更大未来购买力的消费者）进行了一项调查，以此了解学生的态度、社会规范以及对购车的渴望。面对高增长的汽车保有量，也有学者提出了一些可行的解决方案，刘海燕（2012）[11]提出政府要完善相关的法律法规、提高汽车进入的壁垒才能更加有效地控制汽车保有量高速增长带来的问题。通过对文献进行梳理，可以发现影响私家车保有量并非单一因素，笔者在前人的研究成果之上，总结其研究不足之处，通过综合考虑并建立合适模型，研究我国私家车保有量的影响因素，从而为政策制定提供较为准确的参考。

三、模型选择与变量说明

（一）模型选择

多元线性回归模型能够在无须对未来系统采样的情况下，推测未来的回归系数及模型精度，而且该模型还可以识别解释变量对因变量影响程度的动态规律以及变化趋势。通过进行数据实证研究，能够较好地验证模型拟合、预测结果的可行性和有效性[12]。多元线性回归分析主要用于探讨单一因变量与多个自变量之间的关系，目的在于以自变量来解释因变量[13]，其表达式为：

式中:n为影响因素个数，为回归系数，ui为随机扰动项。为了有效地估计模型中的参数，上述模型需要满足一些假定，随机扰动项的均值为零，方差相同，且随机扰动项之间无自相关性，随机扰动项与影响因素之间不相关以及随机扰动项服从正态分布。

（二）变量说明

居民消费价格指数（CPI），通常反映了家庭购买的消费品与服务价格水平之间的变化。CPI是一个相对的数字，只能用于评估在特定时间段内随时间变化的一组典型的消费者和服务项目的价格水平变化，反映了消费者购买的商品和服务的价格水平变化。Marques等人（2021）[14]认为汽车购买成本变动对消费者的车辆选择影响最大，并且其能够间接影响该地区的汽车保有量。因此本文选取CPI作为汽车的购置成本的代替变量进行研究。在当前的CPI调查中，交通和通信部分主要包括车辆、车辆燃料和零件、车辆使用和维护成本、城市公共交通成本、城市间交通成本、通信设备和通信服务。在运输和通讯类型中，汽车价格从数万到数十万不等，包括停车费、车辆维护服务费和洗车费的变化。

铁路运输路线长度，即为客货运铁路的干线长度，该变量作为影响汽车保有量的主要影响变量却常被学界所忽视。Boqiang Lin和Zhili Du（2017）[15]研究发现地铁、有轨电车等城市轨道交通会在一定程度影响汽车的销量，然而其研究却忽视了城际高铁等铁路交通蓬勃发展带来的影响。我国铁路的高速发展改善了地区间经济发展格局[16]，作为铁路总里程世界第一的中国而言，铁路出行成了很多人选择的主要出行工具，但是国内目前仍然缺少有关铁路运输路线长度对汽车保有量影响的研究。本文将该变量进行进一步拓展，选择铁路运输路线长度作为本次实证研究的变量之一。

汽车生产量，即汽车生产商提供的汽车供给量。康赞亮和刘海云（2006）通过对我国汽车产业市场进行敏感度分析后发现我国汽车市场弹性基本符合经济基础理论假设[17]。汽车产业市场符合经济学基本假设，即随着人们对汽车的需求增加，汽车的供应量必将增加，使得产品市场保持平衡，并且市场上的总供应量等于总需求。生产促进消费，汽车产量增加，消费也将增加。因此，汽车生产与私家车所有权之间存在必要联系。

居民可支配收入，主要反映了居民的总现金收入，并常被认为是决定消费者支出的最重要因素之一，通常被用于衡量一个国家生活水平的变化。国内学者认为收入水平是推动汽车保有量增多的根本原因[18]。因此本文将居民可支配收入作为衡量消费者收入水平的重要变量进行研究。

综上，本文将采用回归分析和多重共线性分析从消费物价指数、铁路运输路线长度、汽车产量和人均可支配收入4个维度分析其是否对汽车保有量有影响及影响的方向如何。

四、实证分析

（一）数据预处理

本文设定被解释变量为中国汽车保有量（设置变量Y），解释变量为居民消费价格指数（变量X1）、铁路总里程（变量X2）、汽车生产量（变量X3）和居民可支配收入（变量X4）。本文所使用变量与数据均来源于2005~2019年中国统计年鉴和中国汽车年鉴。本文利用Eviews9建立模型进行实证分析。首先绘制变量Y与变量X1，X2，X3和X4的共同趋势图，结果如图1所示。

图1 共同趋势图

由图1可知，从2005~2019年我国汽车保有量迅速增长的趋势，而其他4个变量的增长幅度并不是很大。通过相关性分析，可得我国汽车保有量与居民消费价格指数成反比，与铁路运输路线长度、汽车生产量和居民人均可支配收入正相关性。其中各变量之间存在的相关关系尚未明朗，因此在得到正确的结论之前应当建立模型进行实证探讨。

（二）模型建立

以汽车保有量为被解释变量，居民消费价格指数、铁路运输路线长度、汽车生产量和居民人均可支配收入作为解释变量建立线性回归模型。建立线性回归方程Y=β0+β1X1+β2X2+β3X3+β4X4+ε，运用OLS方法估计模型的参数。回归结果如表1所列。

表1 OLS估计参数

即Y=33800.43-44.85X1-111.924X2+2.014X3+1.416X4

通过利用OLS进行相关的模型参数的估计，本次拟合的R2为0.999128，修正的可决系数为两者都非常接近1，这说明模型对样本的拟合程度很高，进一步说明这4个变量能够极好地解释因变量的变化趋势。对于设定原假设H0：β1=β2=β3=β4=0，备择假设H1：βj（j=1，2，3，4）不全为0。给定显著性水平a=0.05，在F分布表中查出自由度为Fa（k,n-k-1）的临界值F0.05（4，9）=3.63。由表1中得到F=2579.258，由于F=2579.258＞F0.05（4，9）=3.63，应拒绝原假设H0：β1=β2=β3=β4=0，说明回归方程显著。所以通过F检验，可知该方程总体上的线性关系是显著成立的，即居民消费价格指数、铁路运输路线长度、汽车生产量、居民人均可支配收入等变量联合起来确实对私人汽车保有量有显著影响。

而分别针对原假设H0：βj=0（j=1，2，3，4），备择假设H1：βj≠0（j=1，2，3，4），给定显著性水平a=0.05，查t分布表得自由度为13-4-1=8，临界值由表1数据可得，与 中对应的t统计量分别为-1.178、-6.859、3.193、22.337，其中只有绝对值大于这说明铁路运输路线长度、汽车生产量、居民人均可支配收入因素应当拒绝H0：βj=0（j=1，2，3，4），而居民消费价格指数因素应接受原假设，即X2，X3和X4通过了t检验，而X1没有通过。也就是说，当在其它解释变量不变的情况下，铁路运输路线长度、汽车生产量、居民人均可支配收入等变量联合起来确实对汽车保有量这一因变量有显著影响。

（三）经济意义检验

由回归估计结果可以看出，居民消费价格指数、铁路运输路线长度、汽车生产量、居民人均可支配收入对我国汽车保有量有显著影响，在假定其他变量不变的情况下，当居民消费价格指数增加1个单位时，则我国汽车保有量减少44.85；铁路运输路线长度增加1单位时，则汽车保有量减少111.924；汽车生产量增加1个单位时，汽车保有量增加2.014；居民人均可支配收入上升1个单位时，汽车保有量增加1.416。这些理论分析皆与经验判断、现实情况相符，所以该模型具有现实意义和经济意义。

五、相关模型的假设检验

（一）异方差检验

一旦模型出现了异方差，将破坏模型设定基本假设，导致整个模型出现计算偏差，因此在得到最终结论之前，应当对异方差做好检验。本文采用White检验法进行异方差的检验，选取显著水平a=0.005，此时（5）=11.07＞nR2=4.8253，且p值较大，故可以认为不存在异方差性。

（二）多重共线性检验

1.检验多重共线性

由于变量X1（居民消费价格指数）未通过t检验，且存在符号异常情况，故解释变量间可能存在多重共线性，为确保模型的严谨性，本次研究需要进行多重共线性的检验。首先检验简单相关系数，结果如表2所列。

表2 相关系数矩阵表

由表2可以看出，X2，X3，X4的相关系数较高，都接近于1，证实可能存在很明显的多重共线性。

2.消除多重共线性

本文采用逐步回归的方法，去检验或消除其多重共线性。分别作Y对X1，X2，X3，X4的一元回归并找出最简单的回归形式，结果如表3所列。

表3 简单回归表

由表3可见，应选表中所示模型为初始的回归模型（X4）逐步回归，并同时将其他解释变量（X1，X2，X3）分别导入上述初始回归模型，寻找最佳回归方程，结果如表4所列。

表4 逐步回归表

（1）在最优简单回归方程Y=f（X4）中引入变量X1，R2由0.991提高到0.992，进行t检验β（X1）不显著，可以认为该变量为无关变量，暂时给予删除。

（2）本研究的模型中分别引入X3，X2，R2没有太大变化，进行t检验β（X3）β（X2）较显著。从经济理论分析，X2，X3应该为重要因素，且X2，X3与X4之间的相关性弱，因此可以认为该变量为有关变量，暂时给予保留。

（3）同时加入X2，X3两个变量，可以发现二者在99%的置信水平下显著，且R2最大，因此可以得到如下结论：回归模型以Y=f（X2，X3，X4）为最优模型。

DW=1.217，R2=0.999，F=3309.841，括号内为t统计量值。

（三）自相关检验

在消除多重共线性后，本研究还需要进行自相关检验，结果如表5所列。

表5 自相关检验结果

通过表5可以看出，X2，X3，X4的显著性均小于0.05的显著性水平，且德宾沃森统计量为1.217大于1，这表明变量之间没有自相关关系。通过对结果进行处理，得到相应的残差图，如图2所示。

图2 残差图

由图2可知，该残差的序列图是循环型的，且残差符号不具有频繁变动的特性，其为正负交错变动，这表明变量之间存在正相关关系。根据表4估计的结果DW=1.217，给定显著性水平a=0.05，通过查询DW表，且因t=14，解释变量的个数k为3，得下限临界值dl=1.20，上限临界值du=1.41。因本次研究所得DW为1.217，该值大于0且小于dl，表明存在正自相关。

（四）Park检验

一是重新建立一个新的回归模型；二是生成一个新变量序列为LNE2（LNE2=log（RESID^2），即为对残差的平方取对数；三是建立新残差序列对解释变量的回归模型，回归结果如表6所列。

表6 回归结果表

从检验结果可以看出，X的系数估计值在显著性水平a=0.05的条件下数值均较小，几乎等于0，所以可以认为不存在异方差。

（五）ARCH检验

检验对象为时间序列，故ARCH检验可由于此检验异方差，通过检验可以发现，在a=0.05下，p=0.118＞0.05，故可以认为不存在异方差。

综上所述，通过5种检验后，可以认为本次研究中不存在异方差，因此研究结论具有一定的可信度。

六、结论及对策

根据本研究的实证分析，可以发现CPI（居民消费价格指数）与汽车保有量相关性不大，铁路运输路线长度、汽车生产量和居民人均可支配收入与汽车保有量关系较为密切，且铁路运输路线长度与汽车保有量呈现反相关关系，汽车生产量和居民人均可支配收入与汽车保有量呈现正相关关系。由此可以得出结论，CPI对汽车保有量存在影响但是影响很小，铁路运输路线长度对汽车保有量有负影响，汽车生产量和居民可支配收入对汽车保有量有正影响。经过分析后发现：

（1）影响汽车保有量的最重要因素是人均可支配收入，符合随着人均可支配收入的增加, 城乡居民对各类消费的支出呈现上升趋势,交通通信类边际消费倾向在逐年增加的结论,通过研究发现当人们生活水平不断提高时，对购买汽车有较大偏好。由此，在“碳中和”目标下，政府应该鼓励新能源汽车等替代品产业的快速发展，积极引导消费者在交通运输上支出由传统汽车向新能源汽车转变。

（2）考虑铁路运输路线长度的影响，经过分析后发现铁路运输路线长度与私家车保有量成负相关，说明铁路等基础设施建设有利于缓解私家车保有量上升造成的拥堵问题。随着高铁网络的迅猛发展，居民在城市间的往来更加便捷，铁路作为短途出行的交通工具与作为长途交通工具的飞机形成互补的局面[19]，可以说在交通出行特别是短期出行上，居民更偏向于选择铁路出行。政府应当积极引导此类偏好，倡导绿色出行观念，因地制宜地打造省域的环城高铁和城际高铁，着重解决铁路运输“最后一公里”问题，进而减缓长途运输过程中汽车产生的环境问题。

（3）考虑汽车生产量的问题，汽车生产量的大幅度提高也是造成私家车保有量急剧上升的原因之一，政府可以提高汽车生产时的相关税率，减少汽车的生产量，以此减少私家车的保有量。在“碳中和”目标下政府需要通过增加铁路等基础设施建设，让人们的出行更加方便，宏观调控减少超额的资金流向汽车行业，利用政府调控和市场机制进行资金引流，大力鼓励汽车产业的绿色化转型和新能源汽车产业的发展，建立汽车产业绿色可持续发展的长效机制，这样才能从根本上解决汽车保有量急剧上升带来的环境问题。