运输结构对交通运输碳排放影响的实证分析

田春林，杨 东

（交通运输部科学研究院，北京 100029）

0 引言

交通运输行业是能源消费的重点领域，其能源消耗和碳排放已成为全球普遍关注的问题。根据国际能源署的测算，全球近1/4 的碳排放来自公路、航空、水运和铁路运输[1]。近年来，中国在交通运输节能减排方面作出了诸多努力，优化调整运输结构已成为其中一项重点工作。2017年12月，中央经济工作会议提出“要调整运输结构，减少公路货运量，增加铁路货运量”。2018年9月，国务院办公厅印发《推进运输结构调整三年行动计划（2018—2020年）》[2]。统计资料显示，自政策实施以来，2019年铁路货运量与货物周转量较2017年分别增长19%和14.7%，实现了运输量从高碳排放的公路运输向低碳排放的铁路运输转换，有效降低了交通运输行业的碳排放。在政策实施阶段，客观评估政策的有效性是进一步完善政策、推进政策深化实施的关键。因此，针对运输结构调整，有必要对其碳减排成效进行定量评估，为管理部门把握尺度、明确重点、细化任务提供数据支撑。

国内外学者对交通运输碳排放的影响因素开展了较多研究，主要研究方法包括指数分解法、时间序列计量经济学方法、面板数据计量经济学方法等。其中，指数分解法较早被用来研究碳排放问题，具体包括拉氏指数法、迪氏指数法、平均迪氏指数法（Logarithmic Mean Divisia Index,LMDI）等。Greening 等人利用迪氏指数对影响碳排放强度的因素进行分解，其研究认为，优化货物运输结构、使用绿色清洁能源、减少拥堵能够有效降低碳排放[3]。Timilsina 和Fernández González采用LMDI法分别研究了拉丁美洲、加勒比地区以及欧盟等地的交通运输碳排放影响因素，指出经济增长是交通碳排放的重要驱动因素，而运输结构、运输强度、人口规模也是主要的影响因素[4-5]。国内的李艳红等人基于LMDI 法对中国2010—2020年交通运输行业碳排放变化进行了分析，指出运输结构、交通运输碳排放系数、换算周转量是驱动中国交通运输行业碳排放的关键因素[6]。采用类似方法开展研究的还包括尚玲宇[7]、丁学金[8]、卢建锋等人[9]。虽然侧重角度有所不同，但这些研究普遍认为运输结构对碳排放具有重要影响。随着变量间因果分析不断受到重视，计量经济学方法逐渐被用来研究运输结构对碳排放的影响[10-14]。魏庆琦等人使用时间序列模型量化分析了运输结构变化对碳排放的影响，指出运输结构是影响交通运输碳排放的一个重要因素，仅次于经济发展因素，并进一步提出经济的交通依存度降低有助于减少交通运输碳排放，而运输结构优化有助于降低经济的交通依存度且这一影响具有长期持续性[10-11]。许畅然建立了货运结构与货运碳排放效率之间的面板数据回归模型，针对货运结构对货运碳排放效率的影响进行了实证分析，结果表明货运结构对货运碳排放效率的影响存在区域差异[12]。诸立超等人通过构建综合考虑社会经济变量与货运特征变量的偏最小二乘回归模型，分析货运结构对碳排放的影响效应，并利用逻辑回归模型模拟分析未来货运结构优化的碳减排效应[13]。

从既有研究可以看出，虽然不同地区的经济和交通运输发展水平存在差异，但是影响交通运输碳排放的因素具有相似性，而且运输结构是影响交通运输碳排放的重要因素。从研究方法上看，计量经济学模型已经成为研究交通运输碳排放问题的主流方法之一，但仍有很多研究采用时间序列分析方法，这类研究仅能辨别出变量间的统计学关系而非因果关系。虽然也有着眼于探究运输结构与交通运输碳排放因果关系的研究，但其对于影响效应的区域和时间异质性分析不足，缺乏运输结构影响交通运输碳排放具体机制的实证分析。为探究运输结构调整对交通运输行业碳减排的影响效应，深入分析运输结构对碳排放影响的区域和时间异质性，本文选取2011—2020年全国除西藏、港澳台以外的30个省、市、自治区交通运输部门终端各类能源消费数据，结合我国区域发展空间布局，采用“自上而下”的方法计算东部地区、中部地区、西部地区和东北地区（简称“四大板块”）的交通运输碳排放量，通过构建面板数据计量经济学模型，分析运输结构变化对碳排放量的影响。在此基础上，本文将进一步研究运输结构的调整是否通过降低交通运输行业的能耗强度进而减少碳排放，以揭示运输结构对碳排放的影响机制。

1 交通运输碳排放量测算

式（1）中：C为交通运输碳排放量（kg）；Ei为第i种能源的消耗量（kg）；NCVi为第i种能源的低位发热量（kJ/kg）；CEFi为第i种能源单位热值的含碳量（kg/GJ）；COFi为第i种能源燃烧时的氧化率；为碳转变为二氧化碳的转化系数；n为消耗的能源种类。

交通运输消耗的能源主要来自公路、铁路、水运和航空运输（不考虑管道运输方式），其中：公路运输主要消耗汽油、柴油、液化石油气、天然气和电力；铁路运输主要消耗原煤、柴油和电力；水运主要消耗柴油和燃料油；航空运输主要消耗煤油。将上述运输方式消耗的8 类能源纳入交通运输碳排放的计算中。本文统计了2011—2020年除西藏、港澳台以外的30个省、市、自治区的交通运输终端能源消费量，数据来源于历年《中国能源统计年鉴》。统计得到的交通运输终端能源消费量数据不包括公路非营运车辆的能源消费量。各类能源的碳排放系数有关指标见表1，其中低位发热量来源于《综合能耗计算通则》（GB/T 2589—2008）[16]，单位热值含碳量和氧化率来源于《省级温室气体清单编制指南（试行）》（发改办气候〔2011〕1041 号）[17]。交通运输消耗电能产生的碳排放按照电力生产时的碳排放计算，通过交通运输终端电力消费量乘以区域电网基准线排放因子（见表2）计算得出，排放因子来源于中国生态环境部2011—2019 年的统计数据，2020 年取2011—2019 年的平均值。按照式（1），计算得出各省、市、自治区的交通运输碳排放量。根据各省、市、自治区所属的板块区域，汇总得到2011—2020 年“四大板块”交通运输碳排放量（见图1），其数值从高到低依次为东部地区、西部地区、中部地区、东北地区。

表1 各类能源的碳排放系数及相关指标

表2 区域电网基准线排放因子 单位：t/（MW·h）

图1 2011—2020年我国分区域交通运输碳排放量变化趋势图

2 计量模型设定和变量选取

2.1 模型设定

鉴于计量经济学模型在量化分析各因素对交通运输碳排放的影响方面具有优势[18]，本文选用计量经济学模型和估计方法，量化分析运输结构变化对交通运输碳排放的影响机制、影响程度及其区域异质性特征。根据测算得出的各省份交通运输碳排放结果，计算其莫兰指数，发现各省份交通运输碳排放没有呈现显著的空间相关性。因此，在构建运输结构与交通运输碳排放关系的检验模型时，不考虑空间相关性，采用具有个体效应和时间效应的面板数据计量经济学模型，如式（2）所示。

式（2）中：Cit为i省（市、自治区）在第t年的交通运输碳排放量；rrfreightit为铁路货运量和公路货运量的比值，代表交通运输结构；β1是rrfreightit对被解释变量的影响系数；Control 为控制变量组成向量；τ为Control 对被解释变量的影响系数；ui,λt和ξit分别代表个体效应、时间效应和随机误差项。

同时，构建运输结构与交通运输能耗强度关系的检验模型，分析运输结构变化对交通运输碳排放的影响机制，如式（3）所示。

式（3）中：EIit为i省（市、自治区）在第t年的交通运输能耗强度；δ1为rrfreightit对被解释变量的影响系数；其他参数含义同前。

2) 移动基站。通过获取手机连接的基站信息在运营商的库中转换成对应的经纬度，将经纬度对应到地图上。基站定位的优点是只要有手机信号就能定位，在室内和室外均可，无成本；缺点是定位误差大，无法在室内进行精准定位。

为了判断模型中的个体效应是固定效应还是随机效应，需要进行豪斯曼（Hausman）检验。检验的原假设是：面板数据模型中的个体效应是随机效应，需要用到的检验统计量如式（4）所示。

式（4）中：为固定效应模型的估计量；为随机效应模型的估计量；分别为的方差；自由度K为模型中随时间变化的解释变量的个数。

2.2 变量选取

（1）被解释变量

交通运输行业碳排放量为式（2）模型中的被解释变量，对被解释变量进行对数处理，以避免可能存在的异方差性问题，保证回归参数估计量具有良好的统计性质。

交通运输行业的能耗强度为式（3）模型中的被解释变量，通过交通运输行业单位增加值的能源消耗量计算得出。文中对交通运输行业的增加值以1978年为基期的价格指数进行调整，得到不变价的增加值。

（2）核心解释变量

本文使用铁路货运量和公路货运量的比值作为核心解释变量，用以反映交通运输结构。考虑到中部地区部分省份水运较为发达的实际情况，在进行分区域的异质性分析时，引入水运货运量和公路货运量的比值作为测度运输结构的变量。

（3）控制变量

根据已有关于交通运输碳排放影响因素的研究成果，本文从经济发展水平、城镇化水平、贸易发展水平、工业发展水平等4 个与交通运输碳排放相关性较强的方面选取控制变量，将其加入模型以避免估计结果出现遗漏变量偏差，具体通过人均GDP、城镇化率、进出口总额占GDP 比重、第二产业增加值占GDP 比重等4 个指标来衡量。

面板数据模型中各变量的详细解释和测度方式见表3，其中经济、人口、城镇化率、第二产业增加值占比等数据来源于国家统计局数据库。

表3 面板数据模型中的变量释义及测度方式

2.3 变量数据的描述性统计分析

为了反映交通运输碳排放及各影响因素现状，对模型中的各个变量进行描述性统计分析。同时，进行分样本的描述性统计分析，以反映交通运输碳排放和运输结构的区域异质性（统计分析结果见表4）。“四大板块”交通运输碳排放的描述性统计分析结果显示，2011—2021 年碳排放平均水平最高的是东部地区，其次是中部地区，而排名靠后的是东北地区和西部地区（见图2）。“四大板块”交通运输结构的描述性统计分析结果显示，东北地区的铁路公路货运比最高，其次是西部地区和中部地区，东部地区最低；然而，东部地区的水路公路货运比最高，其次是中部地区，西部和东北地区相对较低（见图2）。从全样本数据的分析结果看，不同省份之间交通运输结构的差异较大。铁路公路货运比最小值为0.010，最大值为1.061；水路公路货运比最小值为0.000，最大值为2.004。交通运输结构在不同区域存在差异，不仅与地区的自然禀赋相关，也与地区的经济发展水平、城镇化水平以及贸易发展水平相关，这也意味着，交通运输结构对碳排放的影响也可能存在区域异质性特征。

图2 区域交通运输碳排放与运输结构指标分析结果

表4 变量数据的描述性统计分析结果

3 模型估计结果分析

3.1 全样本估计结果

使用Hausman 方法检验模型中的个体效应是否属于随机效应，检验得到卡方统计量的值为23.20，对应的P值为0.000 3，检验结果拒绝了个体效应属于随机效应的原假设，因此本文使用双向固定效应模型进行估计，估计结果如表5所示。全样本的估计结果显示，代表运输结构的铁路公路货运比对各省份交通运输碳排放的影响系数为-0.262，并且在10%的显著性水平下是显著的，说明从全国范围来看，公路货运向铁路货运转换，确实有助于降低交通运输碳排放水平。控制变量方面，全样本数据的估计结果显示人均GDP 的影响系数是显著为正的，表明经济发展水平越高，交通运输碳排放越多。

表5 模型估计结果

3.2 分区域样本估计结果

分区域样本估计结果显示，“四大板块”中东北地区铁路公路货运比的影响系数的绝对值最大（1.201），其次是东部地区（1.087），两个区域运输结构变化对交通运输碳排放的影响均非常显著；而西部地区和中部地区的影响系数较小，并且是不显著的。从全样本数据来看，铁路公路货运比每提升1 个标准差，即该比例每提升0.182（参考表4 的描述性统计分析结果），交通运输碳排放预计降低4.77%。对于影响系数更显著的东北地区和东部地区而言，铁路公路货运比每提升1 个标准差，碳排放预计分别降低10.69%和8.48%。分区域样本的估计结果说明，运输结构对碳排放的影响具有明显的区域异质性。东北地区和东部地区的交通运输碳排放对于运输结构变化的敏感性较高，公路货运向铁路货运转换，有助于降低交通运输碳排放；对于西部地区，衡量经济发展水平的人均GDP 和衡量贸易发展水平的进出口总额/GDP的影响系数均非常显著，而碳排放对运输结构变化的响应是不敏感的，充分说明经济增长是交通碳排放的首要驱动因素。

考虑到中部地区各省份的运输结构存在较大差异，湖北、湖南、江西等省份的水运货运量高于铁路货运量（见图3），可能会导致交通运输碳排放对于铁路公路货运比变化不敏感的情况。因此，本文对这3 个省份水路公路货运比的变化对交通运输碳排放的影响进行了分析。估计结果显示，湖北、湖南、江西3 个省份的交通运输碳排放对水路公路货运比的变化更为敏感。这表明，对于中部地区的部分省份而言，可以通过公路货运向水路货运转变来降低交通运输碳排放。

图3 中部三省铁路与水路货运量比重对比图

3.3 分时段样本估计结果

考虑到我国于2017年末提出“公转铁”运输结构调整政策，为探究政策实施对交通运输碳减排的促进作用，本文将研究样本划分为2011—2017年和2018—2020年两个子样本，进一步分析货运结构调整的影响效应是否具有时间上的异质性。估计结果表明，根据2018—2020 年的样本，铁路公路货运比的影响系数为-0.364，相较全样本的估计系数-0.262 而言，影响系数的绝对值更大。同时，从系数的显著性角度来看，2018 年后系数估计结果的显著性更高。这说明“公转铁”政策实施后，铁路公路货运比增大对降低交通运输碳排放的影响效果更为显著。

3.4 影响机制分析及稳健性检验

本文进一步检验了运输结构对交通运输碳排放的影响机制，探究其是否会通过降低能耗强度而降低碳排放水平，模型的估计结果如表6所示。全样本估计结果显示，代表运输结构的铁路公路货运比对交通运输能耗强度的影响系数是-0.218，并且在1%的显著性水平下是显著的，说明运输结构的调整可以有效降低交通运输行业单位增加值的能源消耗。因此，可以通过调整运输结构来降低交通运输行业的能耗强度，从而达到减少碳排放的目的。

表6 影响机制及稳健性检验的模型估计结果

为了检验运输结构调整的碳减排效应的稳健性，本文在模型中引入更多的控制变量，分区域估计运输结构对碳排放的影响。在引入代表工业发展水平的第二产业增加值占比后，东北和东部地区运输结构变化对交通运输碳排放的影响仍然非常显著，而西部地区和中部地区的影响效应不显著。稳健性检验的估计结果再次说明，运输结构对碳排放的影响具有明显的区域异质性特征。

4 关于运输结构调整的对策建议

（1）差异化制定运输结构调整政策

实证分析表明，运输结构变化对交通运输碳排放的影响具有区域异质性，各区域需要结合实际情况，在把握区域运输需求结构的基础上，因地制宜制定运输结构调整政策。

对于东北和东部地区而言，公路货运向铁路货运的转换能够显著降低碳排放，因此应当尽可能实现铁路直通港区和物流园区，优化铁路运输两端至货物运输起讫点之间公铁联运设施的布局，提供更为丰富的联运服务产品，通过铁路运输组织效率的提高以及运输货类的扩展吸引更多的货物向铁路运输转移，进而提高铁路货物运输占比；对于公路运输需求集中的区域，承运人需要加快新能源和清洁能源运输装备的更新换代。

对于中西部地区而言，运输结构变化的影响不显著，而交通运输碳排放对于社会经济发展因素变化的敏感性更高。因此，中部地区的湖北、湖南、江西等水运较为发达的省份，应当不断改善水运基础设施，发挥沿江港口的枢纽作用，加强港口与产业集聚区、大宗物资主产区之间的交通衔接，大力发展公铁水联运以及长江干支流联动的“水水”中转运输。对于西部地区而言，需要加快与社会经济发展相适应的综合交通基础设施网络的建设，在发展过程中，兼顾低碳高效现代物流系统的建设。

（2）挖潜提升铁路和水路基础设施的承载能力

一是开展基础设施网络承载能力评估。通过承载能力评估，发掘铁路与水路基础设施网络中的薄弱环节，找准短板，充分挖掘设施网络的潜能，释放铁路和水路运输能力。

二是加快普速铁路优化扩能。通过加快普速铁路建设和既有铁路扩能改造，推进既有铁路运能紧张路段能力补强，消除干线瓶颈，提升普速铁路货运能力。

三是加大高等级航道建设力度。注重长江干线等内河高等级航道建设，疏浚航道“瓶颈”，提高船舶的平均运输吨位，提升航运效率。

（3）持续推进运输结构优化调整

运输结构是影响交通运输碳排放的重要因素，影响程度仅次于经济发展因素。在中国经济发展长期向好的预期下，可以预见受其影响，交通运输行业面临很大的碳排放压力。本文中的全样本和分时段样本估计结果显示，推进运输结构优化调整，推动公路货运向铁路货运转换，有助于降低交通运输能耗强度，进而减少交通运输碳排放，并且自2018 年“公转铁”政策实施以来，运输结构调整对降低交通运输碳排放的影响效果更为显著。因此，面对空前的交通运输减碳压力，运输结构优化调整应当作为一项持久的交通运输减碳政策持续推进。