新能源汽车城市物流碳排放模型的构建与分析＊

聂 凯，谢丹凤，李 巍

（1．湖南大学 经济与贸易学院，湖南 长沙 410079；2．物流信息与仿真技术湖南省重点实验室，湖南 长沙 410079）

随着我国经济的迅速发展，环境问题日益严峻．世界能源组织发布的数据显示，2006年以来，中国碳排放总量开始位居世界第一［1］，其中，物流行业碳排放量较高．我国城市物流运输大多采用高排量高污染的传统货车，随着物流业的快速发展，道路交通碳排放在中国交通碳排放总量中所占的比重逐步升高［2］，城市物流碳排放逐渐成为城市交通碳排放的主要来源之一［3］．物流行业属于生产性服务业，外部经济性显著，服务和支撑着国民经济的发展．但在推进物流行业发展的同时，必须重视物流碳排放的问题，在物流行业的快速发展与节能环保中寻求平衡点．新能源汽车以电能、生物燃料作为主要驱动力，具有资源利用率高、碳排放量少、环境收益高等特点，非常适合应用于距离短、频次多的城市物流与配送过程［4］．在欧美等发达国家，新能源汽车在物流行业已进入商业化运作．因此，为了缓解巨大的节能减排压力，中国政府正在努力推动新能源汽车在我国城市物流行业的应用．

为了量化分析不同区域和不同行业的碳排放量，国内外学者进行了诸多研究．Schmalensee等［5］和杜婷婷等［6］分别利用简化式模型和库茨涅茨曲线（EKC）模拟经济发展与碳排放之间的关系，得到中国碳排放量与收入水平之间遵循“倒U”形曲线关系；Auffhammer等［7］利用省级数据对中国的碳排放路径进行了预测，预测结果显示与静态的环境库兹涅茨曲线（EKC）相悖；王中英等［8］采用相关分析法探讨了中国国内生产总值（GDP）的增长与碳排放量的关系；Guan等［9］运用综合分析法和投入产出分析法评估了中国1980—2030年的碳排放，指出以煤为主的中国能源消费结构是中国碳排放量一直居高不下的重要原因；翟石艳等［10］从广东省实际省情出发，在碳排放计算框架下根据IPCC2006 碳排放计算模型预测广东省2008—2050年的碳排放量，结果显示在预测期内该省碳排放量呈现先升后降的趋势．

国内外学者认为，新能源汽车的应用是一种有效的碳减排方式，具有巨大的环境收益潜能，Zhai等［11］通过计算得到混合动力汽车（HEV）的平均CO2排放量；Zhou等［12］通过比较2009年中国的传统车辆（CV）、纯电动汽车和混合动力汽车的碳排放量得到，纯电动汽车（EV）是中国未来长期具有巨大竞争力优势的新能源汽车类型；He等［13］立足中国实际情况，通过研究设定的5种情形下混合动力汽车和纯电动汽车对我国节能减排的贡献率得到在短期内，混合动力汽车的大力推广和应用更加符合我国能源结构现状和新能源汽车现阶段的技术水平；Tang等［14］基于未来10年我国汽车保有量数据的预测指出，新能源汽车对我国的节能减排具有重大意义．

综上所述，国内外学者已经从多个层面对碳排放量的测算方法和新能源汽车的碳排放量进行了研究．但一方面，现有关于碳排放量测算方法的研究多集中于省域层面，且更多侧重于测算经济发展与碳排放量之间的关系；另一方面，现有文献对汽车碳排放量的研究多聚焦于以车辆数量作为计算碳排放量的参考指标．在物流活动中，碳排放量不仅与车辆数量，还与物流量密切相关．因此，本文在前人对碳排放量测算方法研究的基础上，考虑了载货量对碳排放量的影响，构建新能源汽车城市物流碳排放模型；基于Gompertz模型对样本城市的货物周转量进行了预测，在此背景下比较了传统车辆与新能源汽车的碳排放量；分析了新能源汽车的碳减排能力及其碳减排总量，并探讨了新能源汽车不同的技术发展水平与其碳减排量之间的关系．最后，提出了一系列相关政策建议，以推动我国新能源汽车产业的发展．

1 模型构建

1．1 新能源汽车城市物流碳排放模型

式中：TCE （Total Carbon Emission）为碳排放总量，即新能源汽车的碳排放量加上传统车辆的碳排放量，kg；α为新能源汽车物流市场份额；CT（Cargo Turnover）为货物周转量，kg·km；L（Load）为单位汽车载货量，kg；CER（Carbon Emission Rate）为碳排放率，即单位车辆单位距离的碳排放量，kg／km；由于不同类型车辆的载货量和碳排放率不同，i用以表示新能源汽车的类型，LNEVi表示第i种新能源汽车的单位载货量，CERNEVi表示第i种新能源汽车的碳排放率；j用以表示传统车辆的类型，LCVj表示第j种传统车辆的单位载货量，CERCVj是第j种传统车辆的碳排放率；M表示新能源汽车的类型总数；N表示传统车辆的类型总数．

1．2 基于改进Gompertz模型的货运周转量预测

货运周转量（CT）是模型中的重要参数，通过考察该参数可以获得物流量与碳排放量的关系．为了分析新能源汽车对我国城市物流碳减排的效果，本文运用改进的Gompertz模型对我国样本城市2020年的货物周转量进行预测．

城市经济发展水平和城市产业结构是影响货物周转量的2个主要因素．城市的经济发展水平越高，商品交换越频繁，相应的物流总额及货物周转量也越高；从产业结构来看，货物周转量主要来自第一产业和第二产业，根据克拉克和库兹涅茨等人的研究成果，城市的产业结构水平经常遵循一般的演变趋势［15］，即第一产业和第二产业的比重随着城市经济发展水平的提高经历缓慢增长、快速增长直至饱和3个阶段．

基于以上分析，建立基本的Gompertz模型：

式中：V（X）是货物周转量占GDP 的比重；X是城市的GDP水平；α和β是2个待估参数；该模型中的一个重要待估参数是产业结构因子系数γ，代表城市产业结构的发展水平，即城市第一产业和第二产业增加值占GDP的比重．

对模型（2）取对数，可得模型（3）：

基于上述模型，运用Stata12．0对中国36个省市1998—2012年的相关数据进行测算，结果显示，模型（3）的T值为0．14，调整的R2为0．096 6，可见该模型并不能很好地反映所要研究的变量之间的关系．因而，拟增加调整变量对模型进行改进，以考察城市物流货物周转量与GDP之间的非线性关系．选择的调整变量分别是X2和lnX，获得改进模型（4）和模型（5）：

重新进行检验的结果显示，优化后的模型的R2得到了明显提高，且模型通过了T 检验．因而相比于模型（3），经过改进后的模型（4）和模型（5）能更好地反映所要研究的经济变量之间的关系（检验结果见表1）．

表1 （V （X））：货物周转量预测的回归结果Tab．1 V（X）：Regression results on cargo turnover

此外，从模型残差图（图1）可以发现，相对于reside1和reside3，reside2更接近零轴，因而选择相应的模型（4）作为改进的Gompertz模型：

图1 回归结果的残差图Fig．1 Regression residual plots of different models

将相应的参数代入之后，可得预测城市货物周转量的改进Gompertz模型：

2 数据分析

2．1 数据来源

数据来源见表2．

传统车辆的碳排放率CER（kg／km）可以通过其单位距离内的能源消耗量（EI，Energy Intensity）与单位能耗的碳排放强度（CI，Carbon Intensity）的乘积计算出来，即CER＝EI×CI［16］．

传统货车按其能源消耗的不同分为2种类型：轻型货车和重型货车．本文采用张清宇［17］等的研究结果，传统货车单位距离的能源消耗量（EI）和单位能耗的碳排放量（CI）见表3，对其加权平均可计算得到单位传统货车的碳排放率CERCV为0．351kg／km．

表2 数据来源Tab．2 Data sources

表3 传统货车的CERCV Tab．3 The CERCVof CV

新能源汽车的碳排放率的计算：有关学者的研究表明，混合动力汽车（HEV）是短期内在物流行业最具竞争力的新能源汽车类型［17］，纯电动汽车（EV）是未来新能源汽车的发展方向，所以本文新能源汽车的碳排放率CERNEV的计算主要考虑混合动力汽车和纯电动汽车．参考Zhai［11］和Vliet［18］的研究，通过计算可得新能源汽车的碳排放率CERNEV为0．086kg／km．

2．2 新能源汽车城市物流碳排放模型计算结果

在考虑现阶段新能源汽车的发展现状的基础上，样本城市选择的是北京、上海和天津，基于ARIMA 模型［19］预测样本城市2020年的GDP数据，而后将其代入模型（7），则可得2020年样本城市的货物周转量，见表4．

表4 样本城市2020年的城市货物周转量数据Tab．4 Cargo Turnover of sample cities in 2020

随着新能源汽车技术的不断发展，其驱动系统和续航能力将不断加强，载重能力也不断提高．本文基于其载货量水平，将新能源汽车技术的发展划分为Ⅰ，Ⅱ，Ⅲ三个阶段．第Ⅰ阶段也是当下的技术水平，新能源汽车的载货量是以中国现阶段开始商业化运营的新能源货车为参照，平均载货量Li＝1．7t；第Ⅱ阶段新能源汽车的载货量以欧美等国现阶段开始试运营的新能源货车为参照，平均载货量Li＝2．8t；第Ⅲ阶段新能源汽车的载货量参照我国城市物流配送行业的标准和要求（GB／T 22912—2013），此时新能源汽车的载重水平已接近传统物流汽车载重，平均载货量Li＝4．87t．此外，本文传统车辆的载货量LCV为6．5t．

基于前述模型和数据，假设城市物流运输及配送活动全部由新能源汽车完成时（即α＝1时），可获得不同新能源汽车技术发展阶段的碳排放量；若不使用新能源汽车（即α＝0时），可获得城市物流中传统车辆的碳排放量（107t），结果见表5．

表5 基于不同车辆类型的2020年样本城市物流行业碳排放量Tab．5 CO2emission of Urban Logistics with different vehicles type in sample cities in 2020

Tang［14］的研究中将2020年新能源汽车的市场份额分为高中低（10%，8%，5%）3个水平．考虑到近年来国家对节能环保的日益重视，以及样本城市雄厚的资金与技术背景，本文假设2020年新能源汽车将在样本城市物流运输配送中占据较高的市场份额，即α＝0．1，此时新能源汽车承担10%，传统车辆承担90%的货物周转量，在该情形下样本城市物流运输的碳排放总量（107t）见表6．

表6 2020年样本城市物流行业碳排放总量Tab．6 CO2emission of Urban Logistics in sample cities in 2020

2．3 结果分析

1）单位新能源汽车碳减排能力分析：碳减排能力可以用碳减排率（ERR：Emission Reduction Rate）表示，指在承担同等货物周转量时，传统车辆与新能源汽车碳排放（CE：Carbon Emission）之间的差值与传统车辆碳排放量的比．即：

基于表6的数据，可得在承担相同货物周转量的情形下，样本城市新能源汽车和传统车辆的碳排放量，如图2所示．并可获得单位新能源汽车的碳减排率，如图3所示．

图2 NEV 与CV 的碳排放量比较Fig．2 The comparison of CO2emission of NEV and CV

图3 单位NEV 碳减排率Fig．3 The rate of CO2emission reduction of single NEV

以上海为例，由图2可知，由传统车辆承担物流业务时，样本城市的碳排放量为13．771×107t；而选择新能源汽车时，在不同的技术发展阶段，碳排放量分别为10．340×107t，6．278×107t和3．609×107t．可见，相对于传统车辆，由新能源汽车承担物流业务可降低碳排放量．同理分析北京和天津，可得同样结论．

由图3可知，随着新能源汽车技术的发展和载货能力的提高，其碳减排能力也不断加强．当技术水平由第Ⅰ阶段发展到第Ⅱ阶段，新能源汽车载货量由1．7t提高到2．8t时，碳减排率由6．5%左右迅速提高到43%左右；当技术水平发展到第Ⅲ阶段，新能源汽车载货量上升到4．87t时，其碳减排率也随之上升到67%左右．

综上所述，可得如下结论：新能源汽车具有一定的碳减排能力，并随着技术水平的不断提高，其碳减排能力不断增强．因此，新能源汽车在城市物流行业的应用有助于实现我国节能减排的目标．

2）新能源汽车城市物流碳减排总量分析：考虑新能源汽车占据10%市场份额的情形，基于表6的数据，比较传统城市物流的碳排放总量（TCE（α＝0）），与新能源汽车城市物流的碳排放量（TCE（α＝0．1）），如图4所示．

图4 不同技术水平下NEV 碳排放总量分析Fig．4 Analysis of total CO2emission reduction in different stage of NEV’s development

以北京为例，由图4 可知，TCE（α＝0）为0．670 4×107t，而当新能源汽车技术水平由第Ⅰ阶段发展到第Ⅲ阶段，即载货量由1．7t递增到4．87t时，TCE（α＝0．1）分别为0．605×107t，0．367×107t，0．211×107t．可见相对于传统车辆，当城市物流行业推广应用新能源汽车后，城市碳排放总量显著降低；并且随着新能源汽车技术的不断发展，其碳排放总量也不断减少．同理分析上海和天津可得同样结论．

综上所述，可得结论，新能源汽车的推广应用能够显著降低城市物流行业碳排放总量．

3）新能源汽车技术水平与碳减排量的关系分析：考虑新能源汽车占据10%市场份额的情形，基于表6的数据，分析不同的技术水平下，应用新能源汽车后碳减排总量｛（TCE（α＝0）－ TCE（α＝0．1）｝的大小，如图5所示．

图5 新能源汽车技术水平与NEV 的碳减排量分析Fig．5 Analysis of the relationship between different stages of NEV’s development and the reduction of CO2emission

从图5可以看出，在新能源汽车技术水平尚处第Ⅰ阶段时，碳减排量极小．原因是在现有的技术水平下，新能源汽车的载重能力不足，完成相同的物流业务所需的车辆数量远高于传统车辆．因此，虽然单位车辆的碳排放量小，但碳排放总量仍与传统车辆相近．偏高的经济成本和偏低的社会效益，导致当前新能源汽车难以在物流行业广泛推广应用．

但同时也可以看出，随着新能源汽车技术水平的不断提高，样本城市北京、上海和天津的碳减排量均出现递增趋势．以天津为例，当由第Ⅰ阶段发展到第Ⅱ阶段时，其碳减排量也随之由0．048×107t大幅增加到2．441×107t，当达到第Ⅲ阶段时，其碳减排量高达4．076×107t．同理分析北京和上海可得到相同的结论．

综上可以得到结论，虽然目前新能源汽车难以广泛应用于物流行业，但随着新能源汽车技术的日益成熟，碳减排效应日益明显，新能源汽车在物流行业具有十分广阔的应用前景．

3 结论与政策建议

本文构建了新能源汽车城市物流碳排放模型，预测了样本城市的货物周转量，并在此基础上分析了单位新能源汽车的碳减排能力、新能源汽车城市物流的碳排放总量和新能源汽车技术水平与碳减排量的关系．结果显示：1）随着新能源汽车技术水平的不断提高，其碳减排能力不断增强；2）新能源汽车的推广应用能够显著降低城市物流行业碳排放总量；3）在当前技术水平下，新能源汽车应用于物流行业尚难以达到理想的碳减排效果，但随着技术的不断发展，新能源汽车在物流行业的应用前景十分广阔．

基于上述结论及分析，对中国新能源汽车物流的发展提出以下建议：

1）构建适合新能源汽车的城市物流体系．①构建科学的城市物流模式，实现传统车辆物流与新能源汽车物流的协同合作．在城市周边增设物流中心和货物中转中心，承担传统物流车辆与新能源物流车辆的货物转运业务，城市内部物流和配送活动交由新能源汽车转运，避免高排放物流车辆进入城市．②将充电站、充电桩等新能源设施设备等纳入城市物流体系，在规划与选址过程中充分考虑相关约束．

2）加大对新能源汽车在城市物流行业应用的支持力度．①由于现阶段我国新能源汽车行业还处于发展初期，应用和推广的成本较高，虽然我国政府已经出台了一系列优惠政策措施来促进新能源汽车行业的发展，但考虑到我国较高的物流费用，还应进一步加强补贴和减免力度．②效仿发达国家，将新能源汽车应用于典型城市的物流活动，例如污染、雾霾较严重的城市；应用于典型行业的物流活动，例如零售配送、电商物流等．

3）根据市场需求，推进新能源汽车技术的发展．随着新能源汽车的技术水平不断提高，碳减排效果也将不断加强．在新能源汽车研发过程中，应注重学科融合，由各领域专家获取切合实际的市场需求，以此引导不同类型新能源汽车技术研发的侧重方向．以新能源物流车辆为例，在发展新能源汽车驱动技术、动力电池技术、燃料技术的同时，还应注重新能源汽车载重能力的提升．

［1］张陶新．中国城市化进程中的城市道路交通碳排放研究［J］．中国人口·资源与环境，2012，22（8）：3－9．

ZHANG Tao－xin．Research on China’s urban road transport carbon emissions under urbanization process［J］．China Population，Resources and Environment，2012，22（8）：3－9．（In Chinese）

［2］朱跃中．未来中国交通运输部门能源发展与碳排放情景分析［J］．中国工业经济，2001（12）：30－35．

ZHU Yue－zhong．The scenario analysis of China＇s energy development and carbon emissions in transportation department in the future［J］．China Industrial Economy，2001（12）：30－35．（In Chinese）

［3］MCKIBBIN W P，WILCOXEN P J．The role of economics in climate change policy［J］．Journal of Economic Perspectives，2002，16（2）：107－129．

［4］PINA A，BAPTISTA P，SILVA C，etal．Energy reduction potential from the shift to electric vehicles：the flores island case study［J］．Energy Policy，2014，67：37－47．

［5］SCHMALENSEE R，STOKER T M，JUDSON R A．World carbon dioxide emissions：1955－2050［J］．Review of Economics and Statistics，1998，80（1）：15－27．

［6］杜婷婷，毛峰，罗锐．中国经济增长与CO2排放演化探析［J］．中国人口·资源与环境，2007，17（2）：94－99．

DU Ting－ting，MAO Feng，LUO Rui．Study on China’s economic growth and CO2emission［J］．China Population，Resources and Environment，2007，17（2）：94－99．（In Chinese）

［7］AUFFHAMMER M，CARSON R T．Forecasting the path of China’s CO2emissions using province－level information［J］．Journal of Environmental Economics and Management，2008，55：229－247．

［8］王中英，王礼茂．中国经济增长对碳排放的影响分析［J］．安全与环境学报，2006，6（5）：88－91．

WANG Zhong－ying，WANG Li－mao．Economic growth and its effects on carbon emission in China［J］．Journal of Safety and Environment，2006，6（5）：88－91．（In Chinese）

［9］GUAN D，HUBACEK K，WEBER C L，etal．The drivers of Chinese CO2emissions from 1980to 2030［J］．Global Environmental Change，2008，18：626－634．（In Chinese）

［10］翟石艳，王铮，马晓哲，等．区域碳排放量的计算——以广东省为例［J］．应用生态学报，2011，22（6）：1543－1551．

ZHAI Shi－yan，WANG Zheng，MA Xiao－zhe，etal．The calculation of the area of carbon emissions—Guangdong Province［J］．Journal of Applied Ecology，2011，22（6）：1543－1551．（In Chinese）

［11］ZHAI H B，FREY H C，ROUPHAIL N M．Development of a emissions model for a hybrid electric vehicle［J］．Transportation Research Part D，2010，16：444－450．

［12］ZHOU Guang－hui，OU Xun－min，ZHANG Xi－liang．Development of electric vehicles use in China：a study from the perspective of life－cycle energy consumption and greenhouse gas emissions［J］．Energy Policy，2013，59：875－884．

［13］HE Ling－yun，CHEN Yu．Thou shalt drive electric and hybrid vehicles：scenario analysis on energy saving and emission mitigation for road transportation sector in China［J］．Transport Policy，2013，25：30－40．

［14］TANG Bao－jun，WU Xiao－feng ZHANG Xian．Modeling the CO2emissions and energy saved from new energy vehicles based on the logistic－curve［J］．Energy Policy，2013，57：30－35．

［15］谷卫．城市产业结构演变趋势的一致性与差异性［J］．南开经济研究，1991（6）：62－65．

GU Wei．Consistency and differences of the trend of city industrial structure evolution［J］．Nankai Economic Studies，1991（6）：62－65．（In Chinese）

［16］YANG C．A framework for allocating greenhouse gas emission from electricity generation to plug－in electric vehicle charging［J］．Energy Policy，2013，60：722－732．

［17］张清宇，魏玉梅，田伟利．机动车排放控制标准对污染物排放因子的影响［J］．环境科学研究，2010，23（5）：606－612．

ZHANG Qing－yu，WEI Yu－mei，TIAN Wei－li．Impact of national vehicle emission standards on vehicle pollution emissions factors［J］．Research of Environmental Sciences，2010，23（5）：606－612．（In Chinese）

［18］VLIET O V，BROUWER A S，KURAMOCHI T，etal．Energy ues，cost and CO2emissions of electric cars［J］．Journal of Power Sources，2011，196（4）：2298－2310．

［19］熊志斌．基于ARIMA 与神经网络集成的GDP 时间序列预测研究［J］．数理统计与管理，2011，30（2）：306－310．

XIONG Zhi－bin．Research on GDP time series forecasting based on integrating ARIMA with neural network［J］．Journal of Applied Statistics and Management，2011，30（2）：306－310．（In Chinese）